CN116012283B - 一种全自动超声图像量测方法、设备及存储介质 - Google Patents
一种全自动超声图像量测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116012283B CN116012283B CN202211187654.0A CN202211187654A CN116012283B CN 116012283 B CN116012283 B CN 116012283B CN 202211187654 A CN202211187654 A CN 202211187654A CN 116012283 B CN116012283 B CN 116012283B
- Authority
- CN
- China
- Prior art keywords
- image
- characteristic region
- processing
- frame
- region
- 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.)
- Active
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种全自动超声图像量测方法、设备及存储介质,其中,全自动超声图像量测方法包括:获取超声图像,并对超声图像进行图像前处理得到第一处理超声图像;通过二维卷积神经网络针对第一处理超声图像特征区域检索,得到每帧序列图像中包含特征区域的二值掩模;针对二值掩模进行多帧对比,剔除不达标的数据得到筛选数据;对筛选数据进行特征区域坐标切割,以最小矩形框在第一处理超声图像中切割得到特征区域图像;针对特征区域图像进行图像后处理得到第二处理特征区域图像;将第二处理特征区域图像搭配不同***预设进行坐标检索得到特征区域的实际尺寸。本发明主要用于解决当前自动量测过程中需要手动选取与图像选取依赖操作者经验的问题。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种全自动超声图像量测方法、设备及存储介质。
背景技术
超声图像的特征区自动量测是目前在临床上十分重要的功能,对于不同的疾病类型需要量测不同图像上特征区域的距离,用以评估该数值是否在正常范围内。该行为对于疾病的前期诊断,中期治疗以及术后的恢复情况评估都具有极大的引导价值。目前在超声临床方面,较为常用的自动量测场景有自动动脉内中膜厚度量测(Auto-IMT,intima-mediathickness)以及胎儿颈背透明层自动测量(Auto-NT,nuchal translucency),在Auto-IMT以及Auto-NT的使用场景下,需要操作人员先手动选定覆盖特征区域的矩形框作为感兴趣区域(ROI,region of interest),在感兴趣区域内需要尽可能多的覆盖欲量测的特征,***随即透过图像处理自动输出特征区域的量测数值,在Auto-IMT中输出动脉内中膜厚度,在Auto-NT中输出胎儿颈背透明层厚度。上述方法中对于第一操作阶段仍然需要手动进行ROI框的圈选或移动,并非真实意义上的全自动,并且在圈选位置需要根据操作者的经验来判断,若是圈选位置不恰当有可能造成自动量测结果误差增加。同时若是单幅图像中有多个待圈选位置则需要进行多次的圈选,造成操作上的不便与时间成本的增加,因此,本发明主要提供了一种全自动超声图像量测方法、设备及存储介质,融合了深度学习与图像处理技术,解决了当前自动量测过程中需要手动选取与图像选取依赖操作者经验的问题。
发明内容
本发明的目的在于提供一种全自动超声图像量测方法、设备及存储介质,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种全自动超声图像量测方法,包括:
获取超声图像,并对所述超声图像进行图像前处理得到第一处理超声图像;
通过二维卷积神经网络针对所述第一处理超声图像特征区域检索,得到每帧序列图像中包含特征区域的二值掩模;
针对所述二值掩模进行多帧对比,剔除不达标的数据,得到筛选数据;
对所述筛选数据进行特征区域坐标切割,以最小矩形框在所述第一处理超声图像中切割得到特征区域图像;
针对所述特征区域图像进行图像后处理,得到第二处理特征区域图像;
将所述第二处理特征区域图像搭配不同***预设进行坐标检索,得到特征区域的实际尺寸。
进一步地,对所述超声图像进行图像前处理包括:对所述超声图像中的每一帧图像进行图像去噪与锐化,其中,所述图像去噪与锐化使用不同尺度的小波变换,将所述超声图像分为不同尺度的小波域,并且针对边缘信号增强与组织信号减弱。
进一步地,在得到第一处理超声图像之后还针对所述第一处理超声图像进行相似度对比,计算所述第一处理超声图像中序列帧的相似度。
进一步地,所述二维卷积神经网络在使用之前进行模型训练,通过模型训练后的二维卷积神经网络对所述第一处理超声图像特征区域检索,获取超声图像中特征位置的坐标区域与序列帧中每帧的特征点个数,得到每帧序列图像中包含特征区域的二值掩模。
进一步地,针对所述二值掩模进行多帧对比包括:
获取序列帧中每帧的特征点坐标与特征点个数;
统计每帧中掩模数量以及坐标,得到统计数据;
根据所述统计数据进行多帧比对分析,将不达标的帧剔除,得到筛选数据。
进一步地,所述特征区域图像在得到时包括:
根据所述筛选数据将所述筛选数据对应的二值掩模在上下左右四个方向上各延伸P个像素,得到延伸处理区域;
利用最小矩形框针对所述延伸处理区域进行包围;
在所述第一处理超声图像中以矩形框为边界将矩形框包围的区域切割出来,得到特征区域图像。
进一步地,所述图像后处理包括:采用去斑点算法与多尺度高斯锐化对所述特征区域图像进行背景噪声降噪处理和针对所述特征区域图像进行边缘化信息增强处理。
进一步地,将所述第二处理特征区域图像搭配不同***预设进行坐标检索时采用动态规划法与蛇点搜索法进行坐标检索,包括:
利用所述动态规划法或蛇点搜索法针对所述第二处理特征区域图像进行坐标检索,得到检索数据;
根据所述检索数据将所述第二处理特征区域图像的量化,得到特征区域的实际尺寸;
将所述特征区域的实际尺寸在所述第二处理特征区域图像上进行量化数据标注。
进一步地,所述模型训练包括:在临床场景中进行图像采集,得到采集数据,并针对所述采集数据进行标准化处理得到训练数据;对所述训练数据进行尺度归一化处理得到归一化图像,并针对归一化图像进行判断标准获取,得到图像判断标准;根据所述训练数据和所述图像判断标准进行模型训练,通过二维卷积神经网络中进行多级特征提取与优化,其中,所述二维卷积神经网络包括:下采样模块,上采样模块与链接层,并且在所述二维卷积神经网络中采用Focal loss作为损失函数。
进一步地,利用最小矩形框针对所述延伸处理区域进行包围时还进行有效点检测,计算图像中幅度累积直方图,并设定幅度阈值记录高于所述幅度阈值的有效点数,若是直方图中高于所述幅度阈值的有效点数低于25%,则将该特征区域标记为搜索锚点,反之则标记为有效特征区域,然后再针对所述有效特征区域进行管状断层优化。
一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于执行计算机程序,实现任一所述全自动超声图像量测方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在被执行时实现任一所述全自动超声图像量测方法的步骤。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明所述的一种全自动超声图像量测方法的步骤示意图;
图2为一张颈动脉超声示例图;
图3为针对颈动脉超声图像经过二维卷积神经网络后的图像示例;
图4为针对颈动脉超声图像利用最小矩形框包围后的图像示例;
图5为针对颈动脉超声图像全自动超声图像量测的结果图像示例;
图6为本发明所述的一种全自动超声图像量测方法中步骤三的示意图;
图7为本发明所述的一种全自动超声图像量测方法中步骤二的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提供了一种全自动超声图像量测方法,包括:
步骤一、获取超声图像,并对所述超声图像进行图像前处理得到第一处理超声图像;
步骤二、通过二维卷积神经网络针对所述第一处理超声图像特征区域检索,得到每帧序列图像中包含特征区域的二值掩模;
步骤三、针对所述二值掩模进行多帧对比,剔除不达标的数据,得到筛选数据;
步骤四、对所述筛选数据进行特征区域坐标切割,以最小矩形框在所述第一处理超声图像中切割得到特征区域图像;
步骤五、针对所述特征区域图像进行图像后处理,得到第二处理特征区域图像;
步骤六、将所述第二处理特征区域图像搭配不同***预设进行坐标检索,得到特征区域的实际尺寸。
上述技术方案提供了一种全自动超声图像量测方法,基于深度学习与图像处理实现对超声图像的自动化量测,在针对超声图像进行测量时,首先获取超声图像,并对所述超声图像进行图像前处理得到第一处理超声图像;然后将第一处理超声图像输入到二维卷积神经网络,通过二维卷积神经网络针对第一处理超声图像特征区域检索,得到每帧序列图像中包含特征区域的二值掩模,这里的二维卷积神经网络可以但不限于使用UNet或基于UNet的延伸变体网络以及其他分割网络;然后针对二值掩模进行多帧对比,将不达标的数据剔除,从而得到筛选数据;接着对筛选数据进行特征区域坐标切割,以最小矩形框在第一处理超声图像中切割得到特征区域图像;然后再针对特征区域图像进行图像后处理,得到第二处理特征区域图像;最后将第二处理特征区域图像搭配不同***预设进行坐标检索,得到特征区域的实际尺寸。以颈动脉量测为例,获得的超声图像如图2所示,通过步骤利用二维卷积神经网络针对第一处理超声图像特征区域检索即可得到如图3所示的图像,经过步骤四以最小矩形框在所述第一处理超声图像中切割即可得到如图4所示的图像,最终通过步骤五和步骤六即可输出如图5所示的结果图像。
上述技术方案结合深度学习与图像处理技术提供全套超声信号处理流程,不仅限于动脉内中膜厚度量测和胎儿颈背透明层自动测量,也可以在类似的场景中进行应用,扩大适用范围,而且在本发明中不依赖工作人员的操作经验,同时也不需要工作人员参与和人为手动选取,节省了人力消耗,减小全自动超声图像量测方法的操作误差,而且通过图像前处理、图像后处理结合二维卷积神经网络等方法实现对超声图像的优化与处理,提高全自动超声图像量测方法的准确性,并且成本还低,此外,通过将第二处理特征区域图像搭配不同***能使得适用于不同的应用场景,提高了适用范围。
本发明提供的一个实施例中,对所述超声图像进行图像前处理包括:对所述超声图像中的每一帧图像进行图像去噪与锐化,其中,所述图像去噪与锐化使用不同尺度的小波变换,将所述超声图像分为不同尺度的小波域,并且针对边缘信号增强与组织信号减弱。
上述技术方案在对超声图像进行图像前处理包括:对超声图像中的每一帧图像进行图像去噪与锐化,在对超声图像中的每一帧图像进行图像去噪与锐化时,可以使用不同尺度的小波变换,将超声图像分为不同尺度的小波域,将超声图像分为不同尺度的小波域,针对边缘信号增强与组织信号减弱,也可以采用其它方法实现图像去噪与锐化。上述技术方案通过进行图像去噪与锐化将超声图像优化,减少超声图像中干扰因素,提高超声图像的品质,从而确保后续超声处理过程中数据准确性。
本发明提供的一个实施例中,在得到第一处理超声图像之后还针对所述第一处理超声图像进行相似度对比,计算所述第一处理超声图像中序列帧的相似度。
上述技术方案在得到第一处理超声图像之后还针对第一处理超声图像进行相似度对比,计算第一处理超声图像中序列帧的相似度。上述技术方案通过对处理后的多帧超声图像进行相似度对比,计算该序列相似度以确保此序列帧所成像部位不变且操作者操作稳定。
本发明提供的一个实施例中,所述二维卷积神经网络在使用之前进行模型训练,通过模型训练后的二维卷积神经网络对所述第一处理超声图像特征区域检索,获取超声图像中特征位置的坐标区域与序列帧中每帧的特征点个数,得到每帧序列图像中包含特征区域的二值掩模。
上述技术方案在二维卷积神经网络在使用之前还针对二维卷积神经网络进行模型训练,利用模型训练后的二维卷积神经网络对第一处理超声图像特征区域检索,获取超声图像中特征位置的坐标区域与序列帧中每帧的特征点个数,得到每帧序列图像中包含特征区域的二值掩模。上述技术方案通过针对二维卷积神经网络进行模型训练对二维卷积神经网络进行优化,从而降低二维卷积神经网络的误差,进而提高二值掩模的精确度,而且二维卷积神经网络可以多次重复利用,使得通过二维卷积神经网络每次都能够进行相同的处理。
如图6所示,本发明提供的一个实施例中,针对所述二值掩模进行多帧对比包括:
S301、获取序列帧中每帧的特征点坐标与特征点个数;
S302、统计每帧中掩模数量以及坐标,得到统计数据;
S303、根据所述统计数据进行多帧比对分析,将不达标的帧剔除,得到筛选数据。
上述技术方案在针对二值掩模进行多帧对比时,首先获取序列帧中每帧的特征点坐标与特征点个数;然后针对每帧的特征点坐标与特征点个数进行统计,统计每帧中掩模数量以及坐标,得到统计数据;然后再根据统计数据进行多帧比对分析,将不达标的帧剔除,得到筛选数据。上述技术方案通过根据统计数据进行多帧比对分析从而明确超声图像的详细信息,通过将不达标的帧剔除能够排除部分帧因采集手法或是前处理导致的检测误差,避免序列中特征筛检的假阳性与假阴性。
如图7所示本发明提供的一个实施例中,所述特征区域图像在得到时包括:
S401、根据所述筛选数据将所述筛选数据对应的二值掩模在上下左右四个方向上各延伸P个像素,得到延伸处理区域;
S402、利用最小矩形框针对所述延伸处理区域进行包围;
S403、在所述第一处理超声图像中以矩形框为边界将矩形框包围的区域切割出来,得到特征区域图像。
上述技术方案在得到特征区域图像时,首先将筛选数据对应的二值掩模在上下左右四个方向上各延伸P个像素,得到延伸处理区域;然后利用最小矩形框针对延伸处理区域进行包围;接着在在第一处理超声图像中以矩形框为边界将矩形框包围的区域切割出来,从而得到特征区域图像。上述技术方案通过将筛选数据的掩模上下左右各延伸p个像素使得筛选数据对应的区域尺寸变大,可以方便裁剪照片,减少分辨率的损失,保证画面清晰,而且有效避免大图像中特征区域过小、有效特征过少/缺失的问题,并且通过利用最小矩形框针对延伸处理区域进行包围能够确保特征区域图像在保留特性的情况下最小化。
本发明提供的一个实施例中,所述图像后处理包括:采用去斑点算法与多尺度高斯锐化对所述特征区域图像进行背景噪声降噪处理和针对所述特征区域图像进行边缘化信息增强处理。
上述技术方案在针对特征区域图像进行图像后处理时可以采用去斑点算法与多尺度高斯锐化对特征区域图像进行背景噪声降噪处理和针对特征区域图像进行边缘化信息增强处理,也可以采用其它放法对特征区域图像实现同样目的的处理。上述技术方案通过对特征区域图像进行背景噪声降噪处理能够降低特征区域图像中的干扰因素,通过针对特征区域图像进行边缘化信息增强处理使得特征区域图像边缘图像能够更全面且准确反映信息。
本发明提供的一个实施例中,将所述第二处理特征区域图像搭配不同***预设进行坐标检索时采用动态规划法与蛇点搜索法进行坐标检索,包括:
利用所述动态规划法或蛇点搜索法针对所述第二处理特征区域图像进行坐标检索,得到检索数据;
根据所述检索数据将所述第二处理特征区域图像的量化,得到特征区域的实际尺寸;
将所述特征区域的实际尺寸在所述第二处理特征区域图像上进行量化数据标注。
上述技术方案在将第二处理特征区域图像搭配不同***预设进行坐标检索时采用动态规划法与蛇点搜索法进行坐标检索时,可以利用动态规划法或蛇点搜索法针对第二处理特征区域图像进行坐标检索,得到检索数据,也可以通过其它的检索方法进行坐标检索,然后根据检索数据将第二处理特征区域图像的量化,得到特征区域的实际尺寸;并且将特征区域的实际尺寸在第二处理特征区域图像上进行量化数据标注。上述技术方案通过坐标检索实现对第二处理特征区域图像的全面检索,避免局部检索不到,减小检索误差,而且通过将特征区域的实际尺寸在第二处理特征区域图像上进行量化数据标注使得能够直观的展现量测的数据,为获取量测结果提供方便。
本发明提供的一个实施例中,所述模型训练包括:在临床场景中进行图像采集,得到采集数据,并针对所述采集数据进行标准化处理得到训练数据;对所述训练数据进行尺度归一化处理得到归一化图像,并针对归一化图像进行判断标准获取,得到图像判断标准;根据所述训练数据和所述图像判断标准进行模型训练,通过二维卷积神经网络中进行多级特征提取与优化,其中,所述二维卷积神经网络包括:下采样模块,上采样模块与链接层,并且在所述二维卷积神经网络中采用Focal loss作为损失函数。
上述技术方案在进行模型训练时通过如下步骤进行:在临床场景中进行图像采集,得到采集数据,并针对采集数据进行标准化处理得到训练数据,如图4所示,以20帧序列图像为例,将采集到的20帧增强后的序列图像进行慢时方向上叠加生成并生成最大幅值叠加后图像a,该a图像与总共20帧序列图像进行交叠区域计算,使用结构相似性(structuralsimilarity index,SSIM index)算法与峰值信噪比算法(Peak signal-to-noise ratio,PSNR)等图像评价指标判断前一级图像增强效果与输入的采集数据一致性,将结构相似性指数高于0.7,峰值信噪比高于36dB的图像标记为标准化后图像,得到训练数据;然后对训练数据进行尺度归一化处理得到归一化图像,并针对归一化图像进行判断标准获取,得到图像判断标准;对于k张训练数据,进行归一化处理得到m×n×k的图像集,由专业人员进行手动特征区域标注作为判断标准,此处标注方法可以记录每个x坐标下对应的两个y位置信息y1,y2与记录标注次序nn,组织为k*[n1,x1,yn1,yn2,n2…,ynn]数组;接着根据训练数据和图像判断标准进行模型训练,通过二维卷积神经网络中进行多级特征提取与优化,其中,二维卷积神经网络包括:下采样模块,上采样模块与链接层,将k张训练数据与k个判断标准输入二维卷积神经网络中进行训练,将k张训练数据的图像裁剪成t个补丁,其中0<t<m且0<t<n,t应该为m与n之公因数,其中r个下采样模块包含使用尺度为[2*w+1,2*w+1]的卷积核(w为整数)对图像进行卷积并以2的幂次方对图像进行r次的下采样,将经历过r次下采样的特征图像进行r个2的幂次方反卷积,透过同样尺度为[2*w+1,2*w+1]的卷积核,得到r个上采样的尺度特征,上采样时通过链接层将r次下采样的尺度特征与r次上采样的尺度特征进行桥接,最后计算输出特征图谱的残差作为损失函数,并且在二维卷积神经网络中采用Focal loss作为损失函数;其中,损失函数Focal loss为:
F(pt)=-α(1-pt)γlog(pt)
上述公式中,pt为交叉熵损失函数的输出概率,F(pt)为损失函数Focal loss输出概率,α和γ分别为可调节超参数。
上述k张训练数据经过二维卷积神经网络输出的k个特征图谱二值化,作为二值化后预测图像K,并使用编号n进行标记,在一次序列数据中验证k帧之间是否都能预测出n个标记此处可以使用数据方差进行计算,剔除误差高于三倍方差的数据并保留剩下有效数据,将输出数据K所预测特征坐标[N1,X1,Y1,Y2]进行包围,输出矩形框位置[N1,X1,Y1,dX,dY],其中N作为编号,X1和Y1分别为x和y轴坐标,dX和dY分别为x轴框长度与y轴框长度,将上述两坐标集合与输入坐标[[n1,x1,yn1,yn2…]进行对比,可以但不限于使用交并比(Intersection of Union,IoU)作为评价指标,其计算方法为:
其中,IoU为交并比输出比值,B1为金标准框区域,B2为预测框区域,将交并比值大于0.5的特征图谱区域当做检测结果,作为有效结果输出。
上述技术方案通过损失函数Focal loss加入了α和γ对传统交叉熵损失函数进行约束与调节,从而有效解决正负样本不平衡问题,而且α和γ分别为可调节超参数,能够针对难以挖掘的特征样本进行更大权重的配比。
本发明提供的一个实施例中,利用最小矩形框针对所述延伸处理区域进行包围时还进行有效点检测,计算图像中幅度累积直方图,并设定幅度阈值记录高于所述幅度阈值的有效点数,若是直方图中高于所述幅度阈值的有效点数低于25%,则将该特征区域标记为搜索锚点,反之则标记为有效特征区域,然后再针对所述有效特征区域进行管状断层优化。
上述技术方案在利用最小矩形框针对延伸处理区域进行包围时还进行有效点检测,计算图像中幅度累积直方图,并设定幅度阈值记录高于幅度阈值的有效点数,若是直方图中高于幅度阈值的有效点数低于25%,则将该特征区域标记为搜索锚点,反之则标记为有效特征区域,然后再针对有效特征区域进行管状断层优化,以管状结构量测时的细部断层优化为例,当针对有效特征区域进行管状断层优化时,首先对管状边缘区域使用幅度阈值描绘边界并记录坐标[x1,x2,x3…],[y1,y2,y3…],坐标位置以3点为一单位迭代记录边缘区域斜率值g,其中斜率值为:
其中n为坐标位置起点。
根据边缘区域斜率值g透过前后迭代求差方法得到一维g值的梯度变化Δg,设定梯度变化阈值Th,使Δg中梯度变化大于Th点位标记为断层区域,在第一处理超声图像使用[3,3]卷积核对断层区域进行闭运算使断层区域闭合,将闭合后管状特征区重新出新的边缘区域斜率g2与梯度变化Δg2,重复循环直到符合阈值Th约束。从而将第一处理超声图像中标记为搜索锚点A输出图像中心坐标[Ax,Ay],并迭代向上下左右四个方位移动p/2个像素,每次移动后记录高于幅度阈值的有效点数R与坐标框中包含特征图谱区域交叠率S,排列为[R1,R2,R3,R4]与[S1,S2,S3,S4],每次迭代后,在四个方向中计算加权值PRS作为指标,其计算方法如下:
PRS=a*R+b*S
上述公式中,a和b为经验常数(-0.5≤a≤0.5,-0.5≤b≤0.5),用以控制搜索逻辑为区域值优先或是特征优先,可以根据不同类型输入图像进行调节。选取PRS最大值方向作为有效方向,使中心坐标[Ax,Ay]朝有效方向偏移为[Ax±p/2,Ay±p/2]。迭代循环直到该区域被标记为效特征区域。其中,经验值a和b可以根据不同临床场景调整,例如颈动脉区域的Auto-IMT需要有清晰地血管壁、内中膜与血管中心,则可以选取a=-0.2,b=0.3,妇产场景的Auto-NT需要有颈部透明带高亮区,则可以选取a=0.4,b=0.2。
本发明提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于执行计算机程序,实现任一所述全自动超声图像量测方法的步骤。
上述技术方案的工作原理及有益效果在方法权利要求中已经说明,此处不再赘述。
本发明提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在被执行时实现任一所述全自动超声图像量测方法的步骤。
上述技术方案的工作原理及有益效果在方法权利要求中已经说明,此处不再赘述。
本领域技术人员应当理解的是,本发明中的第一、第二仅仅指的是不同应用阶段而已。
本领域技术客户员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种全自动超声图像量测方法,其特征在于,包括:
获取超声图像,并对所述超声图像进行图像前处理得到第一处理超声图像;
通过二维卷积神经网络针对所述第一处理超声图像特征区域检索,得到每帧序列图像中包含特征区域的二值掩模;
针对所述二值掩模进行多帧对比,剔除不达标的数据,得到筛选数据;
对所述筛选数据进行特征区域坐标切割,以最小矩形框在所述第一处理超声图像中切割得到特征区域图像;
针对所述特征区域图像进行图像后处理,得到第二处理特征区域图像;
将所述第二处理特征区域图像搭配不同***预设进行坐标检索,得到特征区域的实际尺寸;
针对所述二值掩模进行多帧对比包括:
获取序列帧中每帧的特征点坐标与特征点个数;
统计每帧中掩模数量以及坐标,得到统计数据;
根据所述统计数据进行多帧比对分析,将不达标的帧剔除,得到筛选数据;
所述特征区域图像在得到时包括:
根据所述筛选数据将所述筛选数据对应的二值掩模在上下左右四个方向上各延伸P个像素,得到延伸处理区域;
利用最小矩形框针对所述延伸处理区域进行包围;
在所述第一处理超声图像中以矩形框为边界将矩形框包围的区域切割出来,得到特征区域图像。
2.根据权利要求1所述的全自动超声图像量测方法,其特征在于,对所述超声图像进行图像前处理包括:对所述超声图像中的每一帧图像进行图像去噪与锐化,其中,所述图像去噪与锐化使用不同尺度的小波变换,将所述超声图像分为不同尺度的小波域,并且针对边缘信号增强与组织信号减弱。
3.根据权利要求1所述的全自动超声图像量测方法,其特征在于,在得到第一处理超声图像之后还针对所述第一处理超声图像进行相似度对比,计算所述第一处理超声图像中序列帧的相似度。
4.根据权利要求1所述的全自动超声图像量测方法,其特征在于,所述二维卷积神经网络在使用之前进行模型训练,通过模型训练后的二维卷积神经网络对所述第一处理超声图像特征区域检索,获取超声图像中特征位置的坐标区域与序列帧中每帧的特征点个数,得到每帧序列图像中包含特征区域的二值掩模。
5.根据权利要求1所述的全自动超声图像量测方法,其特征在于,所述图像后处理包括:采用去斑点算法与多尺度高斯锐化对所述特征区域图像进行背景噪声降噪处理和针对所述特征区域图像进行边缘化信息增强处理。
6.根据权利要求1所述的全自动超声图像量测方法,其特征在于,将所述第二处理特征区域图像搭配不同***预设进行坐标检索时采用动态规划法与蛇点搜索法进行坐标检索,包括:
利用所述动态规划法或蛇点搜索法针对所述第二处理特征区域图像进行坐标检索,得到检索数据;
根据所述检索数据将所述第二处理特征区域图像的量化,得到特征区域的实际尺寸;
将所述特征区域的实际尺寸在所述第二处理特征区域图像上进行量化数据标注。
7.根据权利要求4所述的全自动超声图像量测方法,其特征在于,所述模型训练包括:在临床场景中进行图像采集,得到采集数据,并针对所述采集数据进行标准化处理得到训练数据;对所述训练数据进行尺度归一化处理得到归一化图像,并针对归一化图像进行判断标准获取,得到图像判断标准;根据所述训练数据和所述图像判断标准进行模型训练,通过二维卷积神经网络中进行多级特征提取与优化,其中,所述二维卷积神经网络包括:下采样模块,上采样模块与链接层,并且在所述二维卷积神经网络中采用Focal loss作为损失函数。
8.根据权利要求1所述的全自动超声图像量测方法,其特征在于,利用最小矩形框针对所述延伸处理区域进行包围时还进行有效点检测,计算图像中幅度累积直方图,并设定幅度阈值记录高于所述幅度阈值的有效点数,若是直方图中高于所述幅度阈值的有效点数低于25%,则将该特征区域标记为搜索锚点,反之则标记为有效特征区域,然后再针对所述有效特征区域进行管状断层优化。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于执行计算机程序,实现如权利要求1-8中任一所述全自动超声图像量测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序在被执行时实现如权利要求1-8中任一所述全自动超声图像量测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211187654.0A CN116012283B (zh) | 2022-09-28 | 2022-09-28 | 一种全自动超声图像量测方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211187654.0A CN116012283B (zh) | 2022-09-28 | 2022-09-28 | 一种全自动超声图像量测方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116012283A CN116012283A (zh) | 2023-04-25 |
CN116012283B true CN116012283B (zh) | 2023-10-13 |
Family
ID=86028613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211187654.0A Active CN116012283B (zh) | 2022-09-28 | 2022-09-28 | 一种全自动超声图像量测方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012283B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006006490A (ja) * | 2004-06-23 | 2006-01-12 | Olympus Corp | 超音波画像診断装置 |
CN105550678A (zh) * | 2016-02-03 | 2016-05-04 | 武汉大学 | 基于全局显著边缘区域的人体动作特征提取方法 |
CN107330465A (zh) * | 2017-06-30 | 2017-11-07 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
CN110163907A (zh) * | 2019-05-28 | 2019-08-23 | 无锡祥生医疗科技股份有限公司 | 胎儿颈部透明层厚度测量方法、设备及存储介质 |
CN110448335A (zh) * | 2019-07-11 | 2019-11-15 | 暨南大学 | 一种基于超声图像的胎儿头围全自动测量方法和装置 |
CN110910404A (zh) * | 2019-11-18 | 2020-03-24 | 西南交通大学 | 一种抗噪声数据的乳腺超声结节分割方法 |
CN112215769A (zh) * | 2020-10-09 | 2021-01-12 | 深圳开立生物医疗科技股份有限公司 | 一种超声图像处理方法、装置及超声设备和存储介质 |
CN113298809A (zh) * | 2021-06-25 | 2021-08-24 | 成都飞机工业(集团)有限责任公司 | 基于深度学习和超像素分割的复材超声图像缺陷检测方法 |
CN114022759A (zh) * | 2021-09-30 | 2022-02-08 | 北京临近空间飞行器***工程研究所 | 一种融合神经网络时空特性的空域有限像素目标检测***及方法 |
CN114998674A (zh) * | 2022-05-12 | 2022-09-02 | 南京航空航天大学 | 基于对比增强超声影像的肿瘤病灶边界标识及等级分类的装置和方法 |
-
2022
- 2022-09-28 CN CN202211187654.0A patent/CN116012283B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006006490A (ja) * | 2004-06-23 | 2006-01-12 | Olympus Corp | 超音波画像診断装置 |
CN105550678A (zh) * | 2016-02-03 | 2016-05-04 | 武汉大学 | 基于全局显著边缘区域的人体动作特征提取方法 |
CN107330465A (zh) * | 2017-06-30 | 2017-11-07 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
CN110334706A (zh) * | 2017-06-30 | 2019-10-15 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
CN110163907A (zh) * | 2019-05-28 | 2019-08-23 | 无锡祥生医疗科技股份有限公司 | 胎儿颈部透明层厚度测量方法、设备及存储介质 |
CN110448335A (zh) * | 2019-07-11 | 2019-11-15 | 暨南大学 | 一种基于超声图像的胎儿头围全自动测量方法和装置 |
CN110910404A (zh) * | 2019-11-18 | 2020-03-24 | 西南交通大学 | 一种抗噪声数据的乳腺超声结节分割方法 |
CN112215769A (zh) * | 2020-10-09 | 2021-01-12 | 深圳开立生物医疗科技股份有限公司 | 一种超声图像处理方法、装置及超声设备和存储介质 |
CN113298809A (zh) * | 2021-06-25 | 2021-08-24 | 成都飞机工业(集团)有限责任公司 | 基于深度学习和超像素分割的复材超声图像缺陷检测方法 |
CN114022759A (zh) * | 2021-09-30 | 2022-02-08 | 北京临近空间飞行器***工程研究所 | 一种融合神经网络时空特性的空域有限像素目标检测***及方法 |
CN114998674A (zh) * | 2022-05-12 | 2022-09-02 | 南京航空航天大学 | 基于对比增强超声影像的肿瘤病灶边界标识及等级分类的装置和方法 |
Non-Patent Citations (4)
Title |
---|
Automatic Segmentation Algorithm of Ultrasound Heart Image Based on Convolutional Neural Network and Image Saliency;HUI LIU 等;《IEEE》;104445 -104457 * |
基于改进U-Net深度网络在定量评估腕管综合征正中神经卡压中的应用;蔡叶华 等;《放射学实践》;1176-1180 * |
结合极值区域检测的血管内超声图像并行分割;叶红梅 等;《中国图象图形学报》;378-390 * |
结合注意力机制的乳腺双模态超声分类网络;赵绪 等;《中国图象图形学报》;911-922 * |
Also Published As
Publication number | Publication date |
---|---|
CN116012283A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110930347B (zh) | 卷积神经网络的训练方法、焊点缺陷的检测方法及装置 | |
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断*** | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像*** | |
CN111563897B (zh) | 基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置 | |
CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
CN112380900A (zh) | 基于深度学习的子宫颈液基细胞数字图像分类方法及*** | |
CN108186051B (zh) | 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理*** | |
CN111445478A (zh) | 一种用于cta图像的颅内动脉瘤区域自动检测***和检测方法 | |
CN112862824A (zh) | 新型冠状病毒肺炎病灶检测方法、***、装置和存储介质 | |
CN112529894A (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能*** | |
CN111784701B (zh) | 结合边界特征增强和多尺度信息的超声图像分割方法及*** | |
CN110956634A (zh) | 一种基于深度学习的脑微出血自动检测方法及*** | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
CN112330701A (zh) | 基于极坐标表示的组织病理图像细胞核分割方法及*** | |
CN114494215A (zh) | 基于Transformer的甲状腺结节检测方法 | |
Kanwal et al. | Quantifying the effect of color processing on blood and damaged tissue detection in whole slide images | |
CN117350979A (zh) | 一种基于医疗超声影像的任意病灶分割和追踪*** | |
CN103268494B (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
CN116012283B (zh) | 一种全自动超声图像量测方法、设备及存储介质 | |
CN112530554B (zh) | 一种扫描定位方法、装置、存储介质及电子设备 | |
CN113222887A (zh) | 基于深度学习的纳米铁标记神经干细胞示踪的方法 | |
CN111275719A (zh) | 钙化假阳识别及其模型训练的方法、装置、终端及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |