CN114680929A - 一种测量膈肌的超声成像方法和*** - Google Patents
一种测量膈肌的超声成像方法和*** Download PDFInfo
- Publication number
- CN114680929A CN114680929A CN202011643955.0A CN202011643955A CN114680929A CN 114680929 A CN114680929 A CN 114680929A CN 202011643955 A CN202011643955 A CN 202011643955A CN 114680929 A CN114680929 A CN 114680929A
- Authority
- CN
- China
- Prior art keywords
- diaphragm
- image
- line
- subject
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003384 imaging method Methods 0.000 title claims description 15
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000005259 measurement Methods 0.000 claims abstract description 25
- 230000033001 locomotion Effects 0.000 claims description 73
- 210000001519 tissue Anatomy 0.000 claims description 66
- 239000000523 sample Substances 0.000 claims description 43
- 210000003205 muscle Anatomy 0.000 claims description 40
- 230000008719 thickening Effects 0.000 claims description 35
- 238000003909 pattern recognition Methods 0.000 claims description 8
- 238000002592 echocardiography Methods 0.000 claims description 5
- 238000012567 pattern recognition method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 238000000691 measurement method Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000002224 dissection Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012285 ultrasound imaging Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0858—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving measuring tissue layers, e.g. skin, interfaces
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
- A61B8/4483—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device characterised by features of the ultrasound transducer
- A61B8/4488—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device characterised by features of the ultrasound transducer the transducer being a phased array
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/461—Displaying means of special interest
- A61B8/465—Displaying means of special interest adapted to display user selection data, e.g. icons or menus
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/48—Diagnostic techniques
- A61B8/488—Diagnostic techniques involving Doppler signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Gynecology & Obstetrics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
一种测量膈肌的超声测量方法和***,获取受测者组织的图像,根据膈肌的图像特征,在受测者组织的图像中识别受测者的膈肌区域,自动获取受测者的膈肌区域的目标M线及其M图像,基于获取的M图像获得受测者的膈肌区域测量参数。通过超声方法对受测者的膈肌区域进行自动测量,能够简化医生操作,同时也会使得测量更加准确,能够为医生对撤机时间的预测和评估提供更加精确的参考信息。
Description
技术领域
本申请涉及医学影像技术领域,具体涉及一种测量膈肌的超声成像方法和***。
背景技术
重症监护室(ICU)需要医生预测和评估病人可以撤走呼吸设备的时机。撤机过早或者过晚,都会导致撤机失败,引起严重后果。目前ICU常用呼吸设备相关参数来评估撤机,撤机失败率较高。
ICU已开始通过超声方法来预测和评估病人的撤机时机。目前通过超声方法评估病人膈肌状态,来帮助医生预测撤机时机。
超声评估膈肌目前都是医生手动操作,通过需要几个操作步骤才能完成,操作较为繁琐,而且对医生的经验、技巧有一定要求。
发明内容
一个实施例中,提供了一种测量膈肌的超声成像方法,包括:
激励超声探头向受测者组织发射第一超声波,并接收由受测者组织返回的所述第一超声波的回波,获得所述第一超声波的回波信号;
根据所述第一超声波的回波信号,获得所述受测者组织的图像;
基于模式识别法或第一学习模型从受测者组织的图像中确定所述受测者的膈肌区域;
在受测者组织的图像自动中确定所述受测者的膈肌区域的目标M线;
基于所述目标M线,获得在第一预定时间段内沿所述目标M线的M图像;
基于所述目标M线的M图像,确定所述受测者的膈肌区域的测量参数;
其中,受测者组织包括膈肌。
一个实施例中,所述基于模式识别法或第一学习模型从受测者组织的图像中确定受测者的膈肌区域,包括:
基于膈肌的灰度特征或纹理特征,从受测者组织的图像中确定受测者的膈肌区域。
一个实施例中,所述基于模式识别法或第一学习模型从受测者组织的图像中确定所述受测者的膈肌区域,包括:
建立包含多个样本图像的第一数据库,其中每个样本图像中标记膈肌区域位置信息;
通过堆叠卷积层和全连接层算法对第一数据库进行特征学习和参数回归,以获得第一学习模型;
将受测者组织的图像输入第一学习模型,提取受测者组织图像的膈肌区域。
一个实施例中,所述目标M线为与所述受测者的膈肌区域的夹角满足第一预设条件的M线。
一个实施例中,所述目标M线为与所述受测者的膈肌区域的夹角满足第一预设条件的解剖M线。
一个实施例中,所述第一预设条件为所述夹角为60度至90度之间。
一个实施例中,所述目标M线为经过所述受测者的膈肌区域的指定区域的解剖M线。
一个实施例中,所述基于所述目标M线,获得沿所述目标M线的M图像,包括:
基于所述目标M线,激励所述超声探头向所述目标M线所在的受测者组织区域发射第二超声波,并接收返回的所述第二超声波的回波,获得所述第二超声波的回波信号;
根据所述第二超声波的回波信号,获得沿所述目标M线的M图像。
一个实施例中,所述基于所述目标M线的M图像,获取所述受测者的膈肌区域的测量参数,包括:
根据膈肌的图像特征,基于模式识别法或第二学习模型在所述目标M线的M图像中识别所述受测者的M图膈肌区域;
根据所述M图膈肌区域获得所述受测者的膈肌区域的测量参数。
一个实施例中,所述膈肌区域的测量参数包括膈肌的运动幅度、膈肌的运动速度、膈肌的厚度、膈肌的增厚率和膈肌的应变率中至少一种。
一个实施例中,所述测量参数为运动幅度,根据所述M图膈肌区域获得所述受测者的膈肌区域的测量参数包括:
根据识别出的所述M图膈肌区域,确定所述M图膈肌区域在所述M图像中的极高位置和极低位置;
根据确定出的所述M图膈肌区域在所述M图像中的极高位置和极低位置,确定所述受测者的膈肌区域的运动幅度。
一个实施例中,所述测量参数为厚度或增厚率,所述M图膈肌区域包括识别出的上边缘区域和下边缘区域,根据所述M图膈肌区域获得所述受测者的膈肌区域的测量参数包括:
确定所述M图膈肌区域识别出的上边缘区域和下边缘区域之间的距离的极大值和极小值;
根据所述极大值和极小值,确定所述受测者的膈肌区域的厚度或增厚率。
一个实施例中,一种测量膈肌的超声成像***,其特征在于,包括:
超声探头;
发射电路,用于激励所述超声探头向受测者组织发射超声波;
接收电路,用于接收由受测者组织返回的所述超声波的回波,获得所述超声波的回波信号;
处理器,用于执行如上述实施例中任意一项所述测量方法。
附图说明
图1是一个实施例中超声测量***的结构示意图;
图2是一个实施例中超声测量方法的流程图;
图3是一个实施例中超声测量方法的示意图;
图4是一个实施例中超声测量方法的示意图;
图5是一个实施例中超声测量方法的示意图;
图6是一个实施例中超声测量方法的示意图;
图7是一个实施例中超声测量方法的示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
一个实施例中,提供了一种测量膈肌的超声测量***,参考图1所示,包括超声探头110,发射电路和接收电路120,处理器130以及显示器140。
超声探头110包括由阵列式排布的多个阵元组成的换能器(图中未示出),多个阵元排列成一排构成线阵,或排布成二维矩阵构成面阵,多个阵元也可以构成凸阵列。阵元用于根据激励电信号发射超声波束,或将接收的超声波束变换为电信号。因此每个阵元可用于实现电脉冲信号和超声波束的相互转换,从而实现向受测者组织(例如人体或动物体内的器官、组织、血管、胎儿等)发射超声波束、也可用于接收经受测者组织反射回的超声波束的回波。在进行超声检测时,可通过发射序列和接收序列激励哪些阵元用于发射超声波束,哪些阵元用于接收超声波束,或者激励阵元分时隙用于发射超声波束或接收超声波束的回波。参与超声波束发射的阵元可以同时被电信号激励,从而同时发射超声波;或者参与超声波束发射的阵元也可以被具有一定时间间膈的若干电信号激励,从而持续发射具有一定时间间膈的超声波。
发射电路/接收电路120用于产生发射序列/接收序列,发射序列用于激励多个阵元中的部分或者全部向受测者组织发射超声波,发射序列参数包括发射用的阵元位置、阵元数量和超声波束发射参数(例如幅度、频率、发射次数、发射间膈、发射角度、波型、聚焦位置等)。接收序列用于激励多个阵元中的部分或者全部接收超声波束经受测者组织反射后的回波,接收序列参数包括接收用的阵元位置、阵元数量以及回波的接收参数(例如接收的角度、深度等)。当超声波束回波的用途不同或根据超声波束回波生成的图像和/或检测类型不同时,发射序列中的超声波束参数和接收序列中的回波参数也有所不同。
本实施例中,发射/接收电路120用于向超声探头110输出超声成像模式的发射/接收序列,激励超声探头110向受测者组织发射超声波束和接收由受测者组织返回的超声波束的回波。超声探头110用于接收回波的接收阵元接收感兴趣区域反射的回波信号,并将转换成电信号的回波信号输出至处理器。在本实施例中,发射/接收电路120用于在一段时间内持续多次向超声探头110输出发射/接收序列,以使超声探头连续多次向受测者组织发射超声波束,每一次的发射,经后续处理后形成一帧超声图像,连续的超声图像帧数据形成超声视频数据。
处理器130用于根据超声成像模式发射超声波的回波信号,获得受测者组织的图像,受测者组织包括膈肌。处理器130根据膈肌的图像特征,从所述受测者组织的图像中识别受测者的膈肌区域。处理器130自动获取受测者的膈肌区域的目标M线。处理器130基于获取的目标M线,获取目标M线的M图像。处理器130基于M图像确定受测者膈肌区域的测量参数,其中膈肌区域的测量参数包括膈肌的运动幅度、膈肌的运动速度、膈肌的厚度、膈肌的增厚率和膈肌的应变率中至少一种。处理器130还用于激励超声探头按照多普勒模式向受测者发射超声波,获取受测者的膈肌区域中目标区域的多普勒图像,以获得目标区域的运动速度。
显示器140用于显示输出各种检测结果。该结果包括中间过程的各种图形或测量参数,可以采用图形、图像、文字、数字或图表的方式可视化地呈现给操作者或被测者。
一个实施例中,基于图1所示的上述超声成像***,参考图2所示,其测量膈肌的超声成像方法的流程如下:
步骤11,激励超声探头向受测者组织发射第一超声波,并接收由受测者组织返回的第一超声波的回波,获得第一超声波的回波信号。
其中,受测者组织包括膈肌。超声探头可以为线阵探头;或者也可以为凸阵探头或是相控阵探头。
步骤12,根据第一超声波的回波信号,获得受测者组织的图像。
步骤13,基于模式识别法或第一学习模型从受测者组织的图像中确定受测者的膈肌区域。
一个实施例中,超声探头可以为凸阵探头,凸阵探头分辨率低,成像区域深,处理器从受测者组织的图像中自动识别出的受测者的膈肌区域大致为一条弧线,参考图3所示。在本实施例中,在测量膈肌区域的运动幅度及与运动幅度相关的参数中,优选凸阵探头,分辨率低,成像区域深,识别出的膈肌区域近似可以看成是一条弧线。
一个实施例中,超声探头可以为线阵探头,线阵探头分辨率高,成像区域浅,处理器从受测者组织的图像中自动识别出的受测者的膈肌区域能够呈现出膈肌区域的大致轮廓,包括膈肌区域的上边缘和下边缘,参考图4所示。在测量膈肌区域的厚度及与厚度相关的参数中,优选线阵探头,分辨率高,成像区域浅,能够识别出膈肌区域的上边缘和下边缘,从而得到膈肌区域的厚度及相关参数的测量值。
一个实施例中,根据膈肌的图像特征,处理器基于模式识别法或基于学习法自动从受测者组织的图像中识别受测者的膈肌区域。
一个实施例中,处理器可以基于模式识别法确定受测者的膈肌区域。其中模式识别法根据膈肌的图像特征,比如可以是灰度或纹理特征等,从受测者组织的图像中识别膈肌区域,然后对膈肌区域进行对比度增强处理,再对膈肌区域进行阈值分割与形态学操作,获得膈肌区域。
一个实施例中,处理器还可以基于机器学习方法从受测者组织的图像中识别膈肌区域。其中机器学习法又包括特征类机器学习法和深度学习法。
在使用机器学习方法之前,需要先构建一个有超声视频数据中的图像帧组成的数据库,其中,每帧图像中标记了该图像帧中的膈肌区域。
当机器学习方法为特征类机器学习方法时,需要先对各图像帧进行膈肌区域的特征提取,再构建一个分类器判断它的膈肌区域。其中,特征可以采用PCA、LDA、HOG、Harr、LBP等传统方法进行提取,也可以采用神经网络提取;分类器可以是KNN、SVM、随机森林、adaboost等传统分类器,也可以是一个神经网络模型。
当机器学习方法为深度学习方法时,需要构建一个神经网络模型,如AlexNet、VGG、Inception、ResNet、DenseNet等CNN模型,或是由全连接层构成的多层感知器等,然后使用数据库中的图像帧对这个神经网络进行训练,使其能够根据不同图像帧的输入分别预测它的膈肌区域。建立包含多个样本图像的第一数据库,其中每个样本图像中标记膈肌区域位置信息;通过堆叠卷积层和全连接层算法对第一数据库进行特征学习和参数回归,以获得第一学习模型;将受测者组织的图像输入第一学习模型,提取受测者组织图像的膈肌区域。
步骤14,在受测者组织的图像中自动获取受测者的膈肌区域的目标M线。
一个实施例中,在上述实施例的基础上,处理器从受测者组织的图像中自动识别出的受测者的膈肌区域大致为一条弧线,参考图3所示。
处理器在受测者的组织图像中自动获取受测者的膈肌区域的若干条M线。其中M线的方向为声束发射的方向。一个实施例中,采用凸阵探头,膈肌区域的M线通过凸阵探头中心并和大致为弧线的膈肌区域相交。其中M线可以为一条,则M线与弧线的膈肌区域有一个交点;M线也可以为多条,则M线与弧线的膈肌区域有多个交点。其中“点”的含义不是数学意义上的点,在本实施例中,点可以表示一个像素点,或者若干个像素点的集合。
处理器自动获取若干条M线与受测者的膈肌区域的夹角。M线与弧线的膈肌区域相交于交点,通过所述交点作与弧线的膈肌区域的切线,所述通过交点的切线与M线所成的角度为M先与受测者的膈肌区域的夹角。
将夹角满足第一预设条件的M线确定目标M线。其中第一预设条件为所述夹角满足临床需求。一般临床需求所述夹角在60度至90度之间,包括60度和90度。比如,第一预设条件为所述夹角为90度,参考图3所示。
一个实施例中,在上述实施例的基础上,处理器从受测者组织的图像中自动识别出的受测者的膈肌区域能够呈现出膈肌区域的大致轮廓,包括膈肌区域的上边缘和下边缘,参考图4所示。
受测者组织的图像的M线与受测者的膈肌区域相交,M线与受测者的膈肌区域的上边缘相较于点a,通过点a做上边缘的切线,M线与上边缘的切线所成的夹角为第一夹角。
M线与受测者的膈肌区域的下边缘相较于点b,通过点b做下边缘的切线,M线与下边缘的切线所成的夹角为第二夹角。第一夹角和第二夹角均为M线与受测者的膈肌区域的夹角。
处理器分别计算第一夹角、第二夹角与90度的差值和,差值和满足第一预设条件的至少一条M线确定为至少一条目标M线。
一个实施例中,第一预设条件为所述夹角满足临床需求即可。
一个实施例中,第一预设条件为第一夹角、第二夹角和90度的差值和接近与0度。此时可以认为M线垂直于膈肌区域的上边缘和下边缘,测得的膈肌区域的厚度会更加准确。
目标M线的确定还可以通过解剖M线来确定,其中解剖M线可以为任意方向。
一个实施例中,处理器在受测者组织图,像中自动获取受测者的膈肌区域的若干条解剖M线。参考图5所示,其中在弧线的膈肌区域任意选取若干点,通过所选取的若干点作弧线的膈肌区域的切线,通过所选取的若干点作出所述切线的法线,则其所述法线为膈肌区域的解剖M线。选取若干点,将会得到若干条对应的解剖M线。
处理器根据若干条解剖M线,确定目标M线的位置。
一个实施例中,处理器在受测者组织图像中自动获取处理器从受测者组织的图像中自动识别出的受测者的膈肌区域能够呈现出膈肌区域的大致轮廓,包括膈肌区域的上边缘和下边缘,参考图4所示。
受测者组织的图像的解剖M线与受测者的膈肌区域相交,在本实施例中,解剖M线与受测者的膈肌区域的上边缘相较于点e,通过点e做上边缘的切线,解剖M线与上边缘的切线所成的夹角为第三夹角。
解剖M线与受测者的膈肌区域的下边缘相较于点g,通过点g做下边缘的切线,解剖M线与下边缘的切线所成的夹角为第四夹角。第三夹角和第四夹角均为解剖M线与受测者的膈肌区域的夹角。
处理器分别计算第三夹角、第四夹角与90度的差值和,差值和满足第一预设条件的解剖M线确定为目标M线。
步骤15,基于所述目标M线,获得在第一预定时间段内沿所述目标M线的M图像。
一个实施例中,在上述实施例的基础上,处理器通过受测者的膈肌区域的M线确定目标M线,处理器控制发射电路激励超声探头向目标M线再次发射第二超声波,接收电路控制超声探头接收所述目标M线返回的第二超声波的回波信号,处理器根据第二超声波的回波信号,获得所述目标M线的M图像。
一个实施例中,处理器可以基于获取受测者组织图像的第一超声波回波信号直接获取确定的目标M线的M图像,而不必重新再通过对目标M线发射第二超声波获取所述目标M线的M图像。
目标M线的M图像能够显示目标M线上所有点的在第一预定时间段内运动幅度随时间变化的趋势,参考图6、7所示。其中“所有点”中“点”的含义不是数学意义上的点,在本实施例中,点可以表示一个像素点,或者若干个像素点的集合。其中第一预定时间段至少为膈肌的一个运动周期,这里的膈肌的运动周期与呼吸周期相对应。
步骤16,基于所述目标M线的M图像,获得所述受测者的膈肌区域的测量参数;其中受测者组织包括膈肌。
其中处理器可以基于目标M线的M图像,基于模式识别法或第二学习模型自动获得受测者的膈肌区域的测量参数;或者操作者可以基于目标M线的M图像手动获得受测者的膈肌区域的测量参数。
一个实施例中,根据膈肌的图像特征,从目标M线的M图像获取M图膈肌区域,根据M图膈肌区域获得受测者的膈肌区域的测量参数。其中M图膈肌区域可以理解为在M图上目标M线和弧线的膈肌区域的交点区域对应的区域,其中“点”的含义不是数学意义上的点,在本实施例中,点可以表示一个像素点,或者若干个像素点的集合。若有多条目标M线,则会获得多个M图膈肌区域,其中每个M图膈肌区域与一条目标M线相对应。
其中膈肌区域的测量参数包括膈肌区域的运动幅度、膈肌区域的运动速度、膈肌区域的厚度、膈肌区域的增厚率和膈肌区域的应变率中至少一种。
一个实施例中,膈肌区域的测量参数为膈肌区域的运动幅度,根据识别出的M图膈肌区域,确定M图膈肌区域在M图像中的极高位置和极低位置;根据确定出的极高位置和极低位置,确定受测者的膈肌区域的运动幅度。
凸阵探头的分辨率低,成像区域深,通过凸阵探头获取受测者组织的图像上膈肌区域大致呈现一条弧线,参考图3所示。
其中目标M线可以为一条,或者两条或者两条以上,相对应的M图膈肌区域可以为一个,或者为两个或两个以上。本实施例以一个M图膈肌区域为例说明如何确定膈肌区域的运动幅度。
一个实施例中,第一预定时间段为一个运动周期,则M图膈肌区域在一个运动周期内对应一组极高位置和极低位置,则极高位置和极低位置在M图中目标M线对应区域平行方向的距离为受测者的膈肌区域运动幅度。或者也可以理解为在极高位置和极低位置在M图中垂直时间轴方向的距离为受测者的膈肌区域运动幅度。
第一预定时间段为两个或两个以上的运动周期,则M图膈肌区域对应两组及两组以上的极高位置和极低位置,参考图6所示,则根据上述一个周期膈肌区域的运动幅度的计算方法,可以确定每个周期内的膈肌区域的运动幅度。基于获取的每个周期膈肌区域的运动幅度,临床上可以基于操作者的需求进行选择或变换,以获得操作者所需要的膈肌区域的运动幅度。例如,基于获取的每个周期膈肌区域的运动幅度,计算多个周期的膈肌区域的平均运动幅度。或者可以选择其中任意一个周期的运动幅度作为膈肌区域的运动幅度。
上述实施例中为只有一个M图膈肌区域的情况下确定受测者的膈肌区域的运动幅度的方法。
一个实施例中,当从多条目标M线中获取受测者的膈肌区域的多个M图膈肌区域时,依照上述通过一个M膈肌区域确定受测者的膈肌区域的运动幅度方法,分别确定每个M图膈肌区域在每个运动周期内的运动幅度。基于此,临床上可以通操作者的需求进行选择或变换,以获得操作者所需要的膈肌区域的运动幅度。例如,进一步确定每个M图膈肌区域在第一预定时间段内的运动幅度的平均值,然后基于每个M图膈肌区域的运动幅度平均值,确定多个M图膈肌区域的的平均运动幅度。或者还可以计算在同一个运动周期内多个M图膈肌区域运动幅度的平均值作为受测者的膈肌区域的运动幅度。在临床诊断过程中,一般都会多选几条目标M线,这样膈肌区域的运动幅度是基于多个M图膈肌区域进行确定的。相对于通过一条目标M线计算得到膈肌区域的运动幅度将会更加准确,误差会更小。
一个实施例中,膈肌区域的测量参数还可以为膈肌区域的厚度或增厚率。根据膈肌的图像特征,在目标M线的M图像中识别受测者的M图膈肌区域,根据M图膈肌区域获得受测者的膈肌区域的厚度或增厚率。
线阵探头的分辨率高,成像区域浅,通过线阵探头获取受测者组织的图像上膈肌区域能够呈现出有厚度的大致轮廓,参考图4所示。
一个实施例中,M图膈肌区域包括识别出的上边缘区域和下边缘区域,确定M图膈肌区域识别出的上边缘区域和下边缘区域之间的距离的极大值和极小值,根据极大值和极小值确定受测者的膈肌区域的厚度或增厚率。
其中M图膈肌区域可以为一个,或者为两个或两个以上,本实施例一个M图膈肌区域为例说明如何确定膈肌区域的厚度或增厚率。
一个实施例中,第一预定时间段为一个运动周期,确定M图膈肌区域的上边缘区域和下边缘区域之间的距离在一个运动周期内对应一组极大值和极小值,参考图7所示。临床上可以基于操作者的需求进行选择或变换,以获得操作者所需要的膈肌区域的厚度或增厚率。例如,将所述极大值和极小值的平均值为受测者的膈肌区域的厚度。或者无需计算平均厚度,将获得的极大值和极小值直接作为膈肌区域的厚度。增厚率为(厚度极大值-厚度极小值)/厚度极小值,通过极大值、极小值以及增厚率的计算公式,则可以确定受测者的膈肌区域的增厚率。
需要说明的是,在本实施例中,M图膈肌区域的上边缘和下边缘之间的距离为M图膈肌区域的上边缘和下边缘在M图中垂直时间轴方向的距离,可以将M图膈肌区域的上边缘和下边缘之间的距离理解为M图膈肌区域的厚度。
第一预定时间段为两个运动周期或者两个以上运动周期时,M图膈肌区域对应两组及两组以上的极大值和极小值。根据上述方法,可以确定每个周期内的膈肌区域的厚度或增厚率。临床上可以基于操作者的需求进行选择或变换,以获得操作者所需要的膈肌区域的运动幅度。例如,统计每个运动周期内的极大值和极小值,分别计算每个运动周期内的厚度平均值和增厚率;然后通过每个运动周期内的厚度平均值计算多个运动周期内的厚度平均值,多个运动周期内的厚度平均值即为膈肌区域的厚度;通过每个运动周期内的增厚率计算多个运动周期内的增厚率的平均值,多个运动周期内的增厚率的平均值即为膈肌区域的增厚率。或者也可以将多个运动周期中任意一个运动周期的厚度平均值作为受测者膈肌区域的厚度。或者将多个运动周期中任意一个周期的极大值和极小值直接作为受测者膈肌区域的厚度。将多个运动周期中任意一个运动周期的增厚率作为受测者膈肌区域的增厚率。
上述实施例中为只有一个M图膈肌区域的情况下确定受测者的膈肌区域的厚度或增厚率的方法。
一个实施例中,当从多条目标M线中获取受测者的膈肌区域的多个M图膈肌区域时,依照上述通过一个M图膈肌区域确定受测者的膈肌区域的厚度或增厚率方法,分别确定每个M图个膈肌区域在每个运动周期内的厚度或增厚率。临床上可以基于操作者的需求进行选择或变换,以获得操作者所需要的膈肌区域的运动幅度。例如,进一步确每个M图膈肌区域在第一预定时间段内的厚度的平均值或增厚率的平均值,然后基于每个M图膈肌区域的厚度的平均值或增厚率平均值,确定多个M图膈肌区域的平均厚度或平均增厚率。或者还可以计算在同一个运动周期内多个M图膈肌区域厚度的平均值或增厚率的平均值作为受测者的膈肌区域的厚度或增厚率。在临床诊断过程中,一般都会多选几条目标M线,这样膈肌区域的厚度或增厚率是基于多个M图膈肌区域进行确定的。相对于通过一条目标M线计算得到膈肌区域的厚度或增厚率将会更加准确,误差会更小。
通过上述实施例,通过获取的M图膈肌区域,可以确定受测者膈肌区域的测量参数,测量参数包括运动幅度,或者还可以确定受测者膈肌区域的厚度或增厚率,或者还可以基于获取的运动幅度以及运动时间信息获取膈肌区域的运动速度,或者基于膈肌区域的厚度信息,可以进一步测量膈肌应变率,包括纵向应变率和径向应变率。
上述通过获取的M图膈肌区域确定的测量参数,都是基于膈肌区域相关参数的平均化的结果。通过确定测测量参数,操作者可以获取膈肌区域的大致运动状态信息。受测者的膈肌区域的运动速度可以基于膈肌区域的运动幅度与运动时间来获取,其它测量参数与运动幅度参数类似,在此不再举例说明。
上述实施例提供了一种膈肌的超声测量方法及***,处理器获取受测者组织的图像,根据膈肌的图像特征,处理器在受测者组织的图像中识别受测者的膈肌区域,处理器获取受测者的膈肌区域的目标M线,基于目标M线,获取目标M线的M图像,基于获取的M图像确定受测者膈肌区域的测量参数。通过超声方法对受测者的膈肌区域进行自动测量,能够简化医生操作,同时也会使得测量更加准确,能够为医生对撤机时间的预测和评估提供更加精确的参考信息。
本文参照了各种示范实施例进行说明。然而,本领域的技术人员将认识到,在不脱离本文范围的情况下,可以对示范性实施例作出改变和修正。例如,各种操作步骤以及用于执行操作步骤的组件,可以根据特定的应用或考虑与***的操作相关联的任何数量的成本函数以不同的方式实现(例如一个或多个步骤可以被删除、修改或结合到其他步骤中)。
另外,如本领域技术人员所理解的,本文的原理可以反映在计算机可读存储介质上的计算机程序产品中,该可读存储介质预装有计算机可读程序代码。任何有形的、非暂时性的计算机可读存储介质皆可被使用,包括磁存储设备(硬盘、软盘等)、光学存储设备(CD-ROM、DVD、Blu Ray盘等)、闪存和/或诸如此类。这些计算机程序指令可被加载到通用计算机、专用计算机或其他可编程数据处理设备上以形成机器,使得这些在计算机上或其他可编程数据处理装置上执行的指令可以生成实现指定的功能的装置。这些计算机程序指令也可以存储在计算机可读存储器中,该计算机可读存储器可以指示计算机或其他可编程数据处理设备以特定的方式运行,这样存储在计算机可读存储器中的指令就可以形成一件制造品,包括实现指定功能的实现装置。计算机程序指令也可以加载到计算机或其他可编程数据处理设备上,从而在计算机或其他可编程设备上执行一系列操作步骤以产生一个计算机实现的进程,使得在计算机或其他可编程设备上执行的指令可以提供用于实现指定功能的步骤。
虽然在各种实施例中已经示出了本文的原理,但是许多特别适用于特定环境和操作要求的结构、布置、比例、元件、材料和部件的修改可以在不脱离本披露的原则和范围内使用。以上修改和其他改变或修正将被包含在本文的范围之内。
前述具体说明已参照各种事实例进行了描述。然而,本领域技术人员将认识到,可以在不脱离本披露的范围的情况下进行各种修正和改变。因此,对于本披露的考虑将是说明性的而非限制性的意义上的,并且所有这些修改都将被包含在其范围内。同样,有关于各种实施例的优点、其他优点和问题的解决方案已如上所述。然而,益处、优点、问题的解决方案以及任何能产生这些的要素,或使其变的更明确的解决方案都不应被解释为关键的、必需的或必要的。本文中所用的术语“包括”和任何其他变体,皆属于非排他性包含,这样包括要素列表的过程、方法、文章或设备不仅包括这些要素,还包括未明确列出的或不属于该过程、方法、***、文章或设备的其他要素。此外,本文中所使用的术语“耦合”和其任何其他变体都是指物理连接、电连接、磁连接、光连接、通信连接、功能连接和/或任何其他连接。
具有本领域技术的人将认识到,在不脱离本发明的基本原理的情况下,可以对上述实施例的细节进行许多改变。因此,本发明的范围应根据以下权利要求确定。
Claims (13)
1.一种测量膈肌的超声成像方法,其特征在于,包括:
激励超声探头向受测者组织发射第一超声波,并接收由受测者组织返回的所述第一超声波的回波,获得所述第一超声波的回波信号;
根据所述第一超声波的回波信号,获得所述受测者组织的图像;
基于模式识别法或第一学习模型从受测者组织的图像中确定所述受测者的膈肌区域;
在受测者组织的图像自动中确定所述受测者的膈肌区域的目标M线;
基于所述目标M线,获得在第一预定时间段内沿所述目标M线的M图像;
基于所述目标M线的M图像,确定所述受测者的膈肌区域的测量参数;
其中,受测者组织包括膈肌。
2.如权利要求1所述的方法,其特征在于,所述基于模式识别法或第一学习模型从受测者组织的图像中确定受测者的膈肌区域,包括:
基于膈肌的灰度特征或纹理特征,从受测者组织的图像中确定受测者的膈肌区域。
3.如权利要求1所述的方法,其特征在于,所述基于模式识别法或第一学习模型从受测者组织的图像中确定所述受测者的膈肌区域,包括:
建立包含多个样本图像的第一数据库,其中每个样本图像中标记膈肌区域位置信息;
通过堆叠卷积层和全连接层算法对第一数据库进行特征学习和参数回归,以获得第一学习模型;
将受测者组织的图像输入第一学习模型,提取受测者组织图像的膈肌区域。
4.如权利要求1所述的方法,其特征在于,所述目标M线为与所述受测者的膈肌区域的夹角满足第一预设条件的M线。
5.如权利要求1所述的方法,其特征在于所述目标M线为与所述受测者的膈肌区域的夹角满足第一预设条件的解剖M线。
6.如权利要求4或5所述的方法,其特征在于,所述第一预
设条件为所述夹角为60度至90度之间。
7.如权利要求1所述的方法,其特征在于:所述目标M线为经过所述受测者的膈肌区域的指定区域的解剖M线。
8.如权利要求1所述的方法,其特征在于,所述基于所述目标M线,获得沿所述目标M线的M图像,包括:
基于所述目标M线,激励所述超声探头向所述目标M线所在的受测者组织区域发射第二超声波,并接收返回的所述第二超声波的回波,获得所述第二超声波的回波信号;
根据所述第二超声波的回波信号,获得沿所述目标M线的M图像。
9.如权利要求1所述的方法,其特征在于,所述基于所述目标M线的M图像,获取所述受测者的膈肌区域的测量参数,包括:
根据膈肌的图像特征,基于模式识别法或第二学习模型在所述目标M线的M图像中识别所述受测者的M图膈肌区域;
根据所述M图膈肌区域获得所述受测者的膈肌区域的测量参数。
10.如权利要求1至9中任意一项所述的方法,其特征在于,
所述膈肌区域的测量参数包括膈肌的运动幅度、膈肌的运动速度、膈肌的厚度、膈肌的增厚率和膈肌的应变率中至少一种。
11.如权利要求10所述的方法,其特征在于,所述测量参数为运动幅度,根据所述M图膈肌区域获得所述受测者的膈肌区域的测量参数包括:
根据识别出的所述M图膈肌区域,确定所述M图膈肌区域在所述M图像中的极高位置和极低位置;
根据确定出的所述M图膈肌区域在所述M图像中的极高位置和极低位置,确定所述受测者的膈肌区域的运动幅度。
12.如权利要求10所述的方法,其特征在于,所述测量参数为厚度或增厚率,所述M图膈肌区域包括识别出的上边缘区域和下边缘区域,根据所述M图膈肌区域获得所述受测者的膈肌区域的测量参数包括:
确定所述M图膈肌区域识别出的上边缘区域和下边缘区域之间的距离的极大值和极小值;
根据所述极大值和极小值,确定所述受测者的膈肌区域的厚度或增厚率。
13.一种测量膈肌的超声成像***,其特征在于,包括:
超声探头;
发射电路,用于激励所述超声探头向受测者组织发射超声波;
接收电路,用于接收由受测者组织返回的所述超声波的回波,获得所述超声波的回波信号;
处理器,用于执行如权利要求1至12中任意一项所述成像方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011643955.0A CN114680929A (zh) | 2020-12-30 | 2020-12-30 | 一种测量膈肌的超声成像方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011643955.0A CN114680929A (zh) | 2020-12-30 | 2020-12-30 | 一种测量膈肌的超声成像方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114680929A true CN114680929A (zh) | 2022-07-01 |
Family
ID=82135457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011643955.0A Pending CN114680929A (zh) | 2020-12-30 | 2020-12-30 | 一种测量膈肌的超声成像方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114680929A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797296A (zh) * | 2022-12-05 | 2023-03-14 | 北京智影技术有限公司 | 一种膈肌厚度自动测量方法、装置和存储介质 |
WO2024061635A1 (en) * | 2022-09-19 | 2024-03-28 | Koninklijke Philips N.V. | Inclination angle correction for ultrasound-based diaphragm thickness measurements |
-
2020
- 2020-12-30 CN CN202011643955.0A patent/CN114680929A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024061635A1 (en) * | 2022-09-19 | 2024-03-28 | Koninklijke Philips N.V. | Inclination angle correction for ultrasound-based diaphragm thickness measurements |
CN115797296A (zh) * | 2022-12-05 | 2023-03-14 | 北京智影技术有限公司 | 一种膈肌厚度自动测量方法、装置和存储介质 |
CN115797296B (zh) * | 2022-12-05 | 2023-09-05 | 北京智影技术有限公司 | 一种膈肌厚度自动测量方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12029615B2 (en) | Ultrasound diagnosis apparatus and method for generating image from volume data and displaying the same | |
US11635514B2 (en) | Imaging methods and apparatuses for performing shear wave elastography imaging | |
JP7330207B2 (ja) | 適応的超音波スキャニング | |
CN110678933B (zh) | 超声临床特征检测与相关联的设备、***和方法 | |
US20210192720A1 (en) | System and methods for ultrasound image quality determination | |
US11931201B2 (en) | Device and method for obtaining anatomical measurements from an ultrasound image | |
US20140288425A1 (en) | Apparatus and method for providing elasticity information | |
US20210177374A1 (en) | Biometric measurement and quality assessment | |
US11532084B2 (en) | Gating machine learning predictions on medical ultrasound images via risk and uncertainty quantification | |
CN114680929A (zh) | 一种测量膈肌的超声成像方法和*** | |
US11250564B2 (en) | Methods and systems for automatic measurement of strains and strain-ratio calculation for sonoelastography | |
CN103930038A (zh) | 超声波诊断装置及医用图像处理装置 | |
EP2821015A1 (en) | Ultrasound system and method of providing reference image corresponding to ultrasound image | |
CN116194048A (zh) | 膈肌的超声测量方法及*** | |
JP7107918B2 (ja) | 超音波診断装置 | |
US20230329674A1 (en) | Ultrasound imaging | |
CN114271850B (zh) | 超声检测数据的处理方法及超声检测数据的处理装置 | |
CN116529765A (zh) | 预测个体具有一个或多个病变的可能性 | |
CN114652353A (zh) | 超声成像***以及颈动脉斑块稳定性评估方法 | |
EP4327750A1 (en) | Guided ultrasound imaging for point-of-care staging of medical conditions | |
WO2024042044A1 (en) | Guided ultrasound imaging for point-of-care staging of medical conditions | |
WO2023202887A1 (en) | Ultrasound imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |