TWI719687B - 超音波成像系統及超音波成像方法 - Google Patents
超音波成像系統及超音波成像方法 Download PDFInfo
- Publication number
- TWI719687B TWI719687B TW108138641A TW108138641A TWI719687B TW I719687 B TWI719687 B TW I719687B TW 108138641 A TW108138641 A TW 108138641A TW 108138641 A TW108138641 A TW 108138641A TW I719687 B TWI719687 B TW I719687B
- Authority
- TW
- Taiwan
- Prior art keywords
- generation module
- characteristic parameter
- ultrasound image
- module
- ultrasonic
- Prior art date
Links
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
一種超音波成像系統,包含一特徵產生模組、一算分模組以及一處理器。處理器藉由特徵產生模組與算分模組對一初始超音波影像之特徵參數執行一疊代程序,以得到複數個分數。處理器以對應複數個分數中之最高分數之特徵參數來調校初始超音波影像,以將影像品質最佳化,進而避免人為調校產生前後矛盾的問題。
Description
本發明關於一種超音波成像系統及超音波成像方法,尤指一種可自動調校初始超音波影像之特徵參數之超音波成像系統及超音波成像方法。
由於超音波掃描具有不破壞材料結構以及人體細胞的特性,因而普遍地被應用於材料領域以及臨床醫學檢測。為了將影像品質最佳化,在以超音波掃描得到初始超音波影像後,需對初始超音波影像之特徵參數進行調校。目前,超音波影像之特徵參數的調校方式是非常主觀的,往往依賴醫師對超音波影像的感覺。然而,不同醫師對同一個超音波影像的感覺會有差異,或是相同醫師在不同時間地點對同一個超音波影像的感覺也會有差異,因而造成超音波影像之特徵參數在調校時產生前後矛盾的問題。
本發明的目的之一在於提供一種可自動調校初始超音波影像之特徵參數之超音波成像系統及超音波成像方法,以解決上述問題。
根據一實施例,本發明之超音波成像系統包含一特徵產生模組、一算分模組以及一處理器。處理器藉由特徵產生模組與算分模組執行一疊代程序。疊代程序包含下列步驟:(a)將一第i個超音波影像輸入特徵產生模組,其中i為正整數,當i=1時,第1個超音波影像為一初始超音波影像;(b)由特徵產生模組對第i個超音波影像編碼,以自第i個超音波影像擷取出一第i個特徵參數;(c)將第i個特徵參數調整為一第i+1個特徵參數,且將第i+1個特徵參數輸入算分模組;(d)由算分模組計算出第i+1個特徵參數之一分數;(e)由特徵產生模組根據第i+1個特徵參數將第i個超音波影像解碼為一第i+1個超音波影像;以及(f)將第i+1個超音波影像輸入特徵產生模組,且以i=1至N重複執行步驟(a)至(e),以得到複數個分數,其中N為大於1之正整數。處理器以對應複數個分數中之最高分數之特徵參數來調校初始超音波影像。
根據另一實施例,本發明之超音波成像方法包含下列步驟:(a)將一第i個超音波影像輸入一特徵產生模組,其中i為正整數,當i=1時,第1個超音波影像為一初始超音波影像;(b)由特徵產生模組對第i個超音波影像編碼,以自第i個超音波影像擷取出一第i個特徵參數;(c)將第i個特徵參數調整為一第i+1個特徵參數,且將第i+1個特徵參數輸入一算分模組;(d)由算分模組計算出第i+1個特徵參數之一分數;(e)由特徵產生模組根據第i+1個特徵參數將第i個超音波影像解碼為一第i+1個超音波影像;(f)將第i+1個超音波影像輸入特徵產生模組,且以i=1至N重複執行步驟(a)至(e),以得到複數個分數,其中N為大於1之正整數;以及(g)以對應複數個分數中之最高分數之特徵參數來調校初始超音波影像。
綜上所述,本發明係利用特徵產生模組與算分模組以疊代程序找出具有最高分數之特徵參數,再以具有最高分數之特徵參數來調校初始超音波影像。因此,在以超音波掃描得到初始超音波影像後,本發明即可自動調校初始超音波影像之特徵參數,以將影像品質最佳化,進而避免人為調校產生前後矛盾的問題。
關於本發明之優點與精神可以藉由以下的發明詳述及所附圖式得到進一步的瞭解。
請參閱第1圖至第4圖,第1圖為根據本發明一實施例之超音波成像系統1的功能方塊圖,第2圖為根據本發明一實施例之超音波成像方法的流程圖,第3圖為第1圖中的特徵產生模組10之訓練方法的流程圖,第4圖為第1圖中的算分模組12之訓練方法的流程圖。第2圖中的超音波成像方法可以第1圖中的超音波成像系統1來實現。
如第1圖所示,超音波成像系統1包含一特徵產生模組10、一算分模組12以及一處理器14。於此實施例中,特徵產生模組10、算分模組12與處理器14可設置於電腦(未顯示)中,且電腦可與超音波探頭(未顯示)形成通訊,以進行訊號傳輸。於另一實施例中,特徵產生模組10、算分模組12與處理器14亦可整合於超音波探頭中,視實際應用而定。
於此實施例中,特徵產生模組10可為一條件式變分自編碼器(Conditional Variational Autoencoder,CVAE),但不以此為限。在第1圖中的超音波成像系統1執行第2圖中的超音波成像方法前,特徵產生模組10係預先以第3圖中的訓練方法之步驟進行訓練。首先,執行步驟S30,將複數個樣本超音波影像輸入特徵產生模組10,其中每一個樣本超音波影像具有至少一預定特徵參數。於此實施例中,至少一預定特徵參數可包含增益值(gain)、深度(depth)、時間增益補償(Time Gain Compensation,TGC)、頻率(frequency)、動態範圍(dynamic range)、掃描線密度(line density)及/或其它特徵參數,視實際應用而定。此外,複數個樣本超音波影像係預先準備好,且每一個樣本超音波影像之至少一預定特徵參數皆為已知。接著,執行步驟S32,要求特徵產生模組10對每一個樣本超音波影像產生已知的至少一預定特徵參數。舉例而言,若樣本超音波影像之增益值已知為30,則要求特徵產生模組10對此樣本超音波影像產生的增益值需為30;若樣本超音波影像之亮度已知為100,則要求特徵產生模組10對此樣本超音波影像產生的亮度需為100;以此類推。
於此實施例中,算分模組12可為一神經網路,例如卷積神經網路(Convolution Neural Network,CNN)或其它類似神經網路。算分模組12亦是以上述預先準備好的複數個樣本超音波影像進行訓練,其中每一個樣本超音波影像另具有至少一預定分數,且至少一預定分數為已知。於一實施例中,每一個樣本超音波影像可具有單一的預定分數。於另一實施例中,每一個樣本超音波影像可劃分為複數個區域,且每一個區域可具有各自的預定分數。在第1圖中的超音波成像系統1執行第2圖中的超音波成像方法前,算分模組12係預先以第4圖中的訓練方法之步驟進行訓練。首先,執行步驟S50,將每一個樣本超音波影像之至少一預定特徵參數輸入算分模組12。接著,執行步驟S52,要求算分模組12對每一個樣本超音波影像之至少一預定特徵參數算出已知的至少一預定分數。舉例而言,若樣本超音波影像之預定分數已知為5,則要求算分模組12對此樣本超音波影像之至少一預定特徵參數算出的預定分數需為5;若樣本超音波影像之預定分數已知為8,則要求算分模組12對此樣本超音波影像之至少一預定特徵參數算出的預定分數需為8;以此類推。
在以上述方式將特徵產生模組10與算分模組12訓練好後,第1圖中的超音波成像系統1即可用以執行第2圖中的超音波成像方法。於此實施例中,處理器14係藉由特徵產生模組10與算分模組12執行一疊代程序,其中疊代程序包含第2圖中的步驟S10-S20。首先,執行步驟S10,將一第i個超音波影像輸入特徵產生模組10,其中i為正整數。需說明的是,當i=1時,第1個超音波影像即為一初始超音波影像。進一步來說,在以超音波掃描得到第1個超音波影像(亦即,初始超音波影像)後,處理器14係先將第1個超音波影像輸入特徵產生模組10,以執行後續的疊代程序。
接著,執行步驟S12,由特徵產生模組10對第i個超音波影像編碼,以自第i個超音波影像擷取出一第i個特徵參數。於此實施例中,特徵參數可包含增益值、深度、時間增益補償、頻率、動態範圍、掃描線密度及/或其它特徵參數,視實際應用而定。接著,執行步驟S14,將第i個特徵參數調整為一第i+1個特徵參數,且將第i+1個特徵參數輸入算分模組12。於此實施例中,處理器14可以一最小可調整單位將第i個特徵參數調整為第i+1個特徵參數。舉例而言,若特徵參數為增益值,則增益值之最小可調整單位可為1。因此,若自第i個超音波影像擷取出之第i個特徵參數為增益值50,則第i+1個特徵參數可為增益值51。
接著,執行步驟S16,由算分模組12計算出第i+1個特徵參數之一分數。接著,執行步驟S18,由特徵產生模組10根據第i+1個特徵參數將第i個超音波影像解碼為一第i+1個超音波影像。舉例而言,若第i個超音波影像為第1個超音波影像(亦即,初始超音波影像),且第i+1個特徵參數為增益值51,則特徵產生模組10係根據增益值51將第1個超音波影像解碼為第2個超音波影像。換言之,第i+1個超音波影像即為第i個超音波影像以第i+1個特徵參數解碼出的復原超音波影像。
接著,執行步驟S20,將第i+1個超音波影像輸入特徵產生模組10,且以i=1至N重複執行步驟S10至S20,以得到複數個分數,其中N為大於1之正整數,且N可根據實際應用而決定。接著,執行步驟S22,處理器14即可以對應複數個分數中之最高分數之特徵參數來調校初始超音波影像(亦即,第1個超音波影像),以將初始超音波影像之影像品質最佳化。
舉例而言,本發明可於資料庫中記錄某一標的物(例如,肝、肺等)之歷史超音波影像中具有最高分數之特徵參數(例如,增益值為60時具有最高分數)。若第1個超音波影像(亦即,初始超音波影像)之增益值為50,則處理器14可以最小可調整單位將增益值自50逐步增加至60且重複執行步驟S10至S20,以得到10個分數。接著,處理器14即可以對應10個分數中之最高分數之增益值來調校初始超音波影像(亦即,第1個超音波影像),以將初始超音波影像之影像品質最佳化。
請參閱第5圖,第5圖為根據本發明另一實施例之超音波成像系統1'的功能方塊圖。於此實施例中,特徵產生模組10與算分模組12可藉由程式設計的方式來實現。因此,如第5圖所示,超音波成像系統1'可包含一儲存單元16(例如,記憶體、硬碟或其它資料儲存裝置),用以儲存特徵產生模組10與算分模組12。
需說明的是,第2圖所示之超音波成像方法以及第3-4圖所示之訓練方法的控制邏輯中的各個部分或功能皆可透過軟硬體的組合來實現。
綜上所述,本發明係利用特徵產生模組與算分模組以疊代程序找出具有最高分數之特徵參數,再以具有最高分數之特徵參數來調校初始超音波影像。因此,在以超音波掃描得到初始超音波影像後,本發明即可自動調校初始超音波影像之特徵參數,以將影像品質最佳化,進而避免人為調校產生前後矛盾的問題。
以上所述僅為本發明之較佳實施例,凡依本發明申請專利範圍所做之均等變化與修飾,皆應屬本發明之涵蓋範圍。
1、1':超音波成像系統
10:特徵產生模組
12:算分模組
14:處理器
16:儲存單元
S10-S22、S30-S32、S50-S52:步驟
第1圖為根據本發明一實施例之超音波成像系統的功能方塊圖。
第2圖為根據本發明一實施例之超音波成像方法的流程圖。
第3圖為第1圖中的特徵產生模組之訓練方法的流程圖。
第4圖為第1圖中的算分模組之訓練方法的流程圖。
第5圖為根據本發明另一實施例之超音波成像系統的功能方塊圖。
S10-S22:步驟
Claims (10)
- 一種超音波成像系統,包含: 一特徵產生模組; 一算分模組;以及 一處理器,藉由該特徵產生模組與該算分模組執行一疊代程序,該疊代程序包含下列步驟: (a)將一第i個超音波影像輸入該特徵產生模組,其中i為正整數,當i=1時,該第1個超音波影像為一初始超音波影像; (b)由該特徵產生模組對該第i個超音波影像編碼,以自該第i個超音波影像擷取出一第i個特徵參數; (c)將該第i個特徵參數調整為一第i+1個特徵參數,且將該第i+1個特徵參數輸入該算分模組; (d)由該算分模組計算出該第i+1個特徵參數之一分數; (e)由該特徵產生模組根據該第i+1個特徵參數將該第i個超音波影像解碼為一第i+1個超音波影像;以及 (f)將該第i+1個超音波影像輸入該特徵產生模組,且以i=1至N重複執行步驟(a)至(e),以得到複數個分數,其中N為大於1之正整數; 其中,該處理器以對應該複數個分數中之最高分數之特徵參數來調校該初始超音波影像。
- 如請求項1所述之超音波成像系統,其中該處理器以一最小可調整單位將該第i個特徵參數調整為該第i+1個特徵參數。
- 如請求項1所述之超音波成像系統,其中該特徵產生模組為一條件式變分自編碼器,且該算分模組為一神經網路。
- 如請求項1所述之超音波成像系統,其中該特徵產生模組預先以下列步驟進行訓練: 將複數個樣本超音波影像輸入該特徵產生模組,其中每一該樣本超音波影像具有至少一預定特徵參數;以及 要求該特徵產生模組對每一該樣本超音波影像產生該至少一預定特徵參數。
- 如請求項4所述之超音波成像系統,其中每一該樣本超音波影像另具有至少一預定分數,該算分模組預先以下列步驟進行訓練: 將每一該樣本超音波影像之該至少一預定特徵參數輸入該算分模組;以及 要求該算分模組對每一該樣本超音波影像之該至少一預定特徵參數算出該至少一預定分數。
- 一種超音波成像方法,包含下列步驟: (a)將一第i個超音波影像輸入一特徵產生模組,其中i為正整數,當i=1時,該第1個超音波影像為一初始超音波影像; (b)由該特徵產生模組對該第i個超音波影像編碼,以自該第i個超音波影像擷取出一第i個特徵參數; (c)將該第i個特徵參數調整為一第i+1個特徵參數,且將該第i+1個特徵參數輸入一算分模組; (d)由該算分模組計算出該第i+1個特徵參數之一分數; (e)由該特徵產生模組根據該第i+1個特徵參數將該第i個超音波影像解碼為一第i+1個超音波影像; (f)將該第i+1個超音波影像輸入該特徵產生模組,且以i=1至N重複執行步驟(a)至(e),以得到複數個分數,其中N為大於1之正整數;以及 (g)以對應該複數個分數中之最高分數之特徵參數來調校該初始超音波影像。
- 如請求項6所述之超音波成像方法,其中步驟(c)以一最小可調整單位將該第i個特徵參數調整為該第i+1個特徵參數。
- 如請求項6所述之超音波成像方法,其中該特徵產生模組為一條件式變分自編碼器,且該算分模組為一神經網路。
- 如請求項6所述之超音波成像方法,其中該特徵產生模組預先以下列步驟進行訓練: 將複數個樣本超音波影像輸入該特徵產生模組,其中每一該樣本超音波影像具有至少一預定特徵參數;以及 要求該特徵產生模組對每一該樣本超音波影像產生該至少一預定特徵參數。
- 如請求項9所述之超音波成像方法,其中每一該樣本超音波影像另具有至少一預定分數,該算分模組預先以下列步驟進行訓練: 將每一該樣本超音波影像之該至少一預定特徵參數輸入該算分模組;以及 要求該算分模組對每一該樣本超音波影像之該至少一預定特徵參數算出該至少一預定分數。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108138641A TWI719687B (zh) | 2019-10-25 | 2019-10-25 | 超音波成像系統及超音波成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108138641A TWI719687B (zh) | 2019-10-25 | 2019-10-25 | 超音波成像系統及超音波成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI719687B true TWI719687B (zh) | 2021-02-21 |
TW202116254A TW202116254A (zh) | 2021-05-01 |
Family
ID=75745970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108138641A TWI719687B (zh) | 2019-10-25 | 2019-10-25 | 超音波成像系統及超音波成像方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI719687B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140221832A1 (en) * | 2013-02-01 | 2014-08-07 | Siemens Medical Solutions Usa, Inc. | Tuning ultrasound acquisition parameters |
CN110322399A (zh) * | 2019-07-05 | 2019-10-11 | 深圳开立生物医疗科技股份有限公司 | 一种超声图像调整方法、***、设备及计算机存储介质 |
-
2019
- 2019-10-25 TW TW108138641A patent/TWI719687B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140221832A1 (en) * | 2013-02-01 | 2014-08-07 | Siemens Medical Solutions Usa, Inc. | Tuning ultrasound acquisition parameters |
CN110322399A (zh) * | 2019-07-05 | 2019-10-11 | 深圳开立生物医疗科技股份有限公司 | 一种超声图像调整方法、***、设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
TW202116254A (zh) | 2021-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10813595B2 (en) | Fully automated image optimization based on automated organ recognition | |
US20190125298A1 (en) | Echocardiographic image analysis | |
US11494696B2 (en) | Learning apparatus, learning method, and recording medium | |
CN110288615B (zh) | 一种基于深度学习的倾斜定位框定位方法 | |
TW202006738A (zh) | 應用機器學習的醫學影像分析方法及其系統 | |
US20200178933A1 (en) | Acoustic wave diagnostic apparatus and control method of acoustic wave diagnostic apparatus | |
US10335105B2 (en) | Method and system for synthesizing virtual high dose or high kV computed tomography images from low dose or low kV computed tomography images | |
US11651485B2 (en) | Medical image processing apparatus, training data producing apparatus, and ultrasound diagnosis apparatus | |
CN110840484B (zh) | 自适应匹配最优声速的超声成像方法、装置及超声设备 | |
TWI719687B (zh) | 超音波成像系統及超音波成像方法 | |
JP2006181363A (ja) | 超音波システムを制御するための方法及びシステム | |
CN110840482B (zh) | 超音波成像***及其方法 | |
Myhr et al. | Semi‐automated estimation of left ventricular ejection fraction by two‐dimensional and three‐dimensional echocardiography is feasible, time‐efficient, and reproducible | |
JP2021514767A (ja) | 画像レジストレーションの認定 | |
US20220287683A1 (en) | Tissue elasticity measurement method and device | |
JP2018005317A (ja) | 医療データ処理装置、端末装置、情報処理方法、およびシステム | |
WO2020124474A1 (zh) | 声波聚焦透镜、超声成像装置及方法 | |
KR101980537B1 (ko) | 영상 처리 유닛, 초음파 영상 장치 및 영상 처리 방법 | |
CN114052786A (zh) | 一种超声波发射方法和*** | |
US11062445B2 (en) | Method of medical image registration | |
JP2022513286A (ja) | データ拡張 | |
US20230405356A1 (en) | Plan analysis and guidance using voice commands and human language processing | |
US10402513B2 (en) | Calculus targeting method and system | |
CN116011172B (zh) | 一种基于声散射理论的启发式校正数值声场误差的方法及其存储介质 | |
WO2023168682A1 (zh) | 用于确定手术器械在空间中的姿态的方法和装置 |