超声图像处理方法及系统技术方案

本发明专利技术公开了一种超声图像处理方法及系统。本发明专利技术通过对超声图像进行特征提取获取图像特征，利用图像特征实现模板数据库自动匹配，输出匹配度最大的预设图像特征对应的异常图像信息，辅助用户快速、准确地对超声图像进行处理分析，提高超声图像处理分析的效率和准确度。

【技术实现步骤摘要】
超声图像处理方法及系统
本专利技术涉及医疗器械
，尤其涉及一种超声图像处理方法及系统。
技术介绍
目前，优势医疗资源高度集中于大城市及医学院校附属医院，医疗模式属于高度集中制。现有的超声图像处理技术需要超声医生有丰富的临床经验，技术门槛较高；基层医院内甚至没有专业的超声图像处理医师，存在着超声医生手法不规范、临床经验少等诸多问题。对于少见的疑难类型，一般较难得出结论或对结论有疑问的病例，采用会诊的方式，使得整个处理周期延长，影响工作效率。不管是由于超声医生经验欠缺判断失误，还是由于会诊导致处理时间的延长。
技术实现思路
为了解决上述技术问题，本专利技术的目的是提供一种超声图像处理方法及系统，其能够提高超声图像处理分析的效率和准确度。本专利技术所采用的技术方案是：一种超声图像处理方法，包括以下步骤：获取目标对象的超声图像；对所述超声图像进行特征提取以获取图像特征；将所述图像特征与模板数据库中的预设图像特征进行匹配，获取匹配度；所述模板数据库存储有多种异常图像信息以及对应的预设图像特征；当所述匹配度大于预设阈值时，获取最大匹配度对应的预设图像特征；输出与所述匹配度最大的预设图像特征对应的异常图像信息。进一步地，利用多个数据中心的超声图像数据通过机器学习方法建立所述模板数据库。进一步地，所述将所述图像特征与模板数据库中的预设图像特征进行匹配包括：计算所述图像特征与模板数据库中的预设图像特征的距离；将所述距离与预设值进行比较，获取所述匹配度。进一步地，所述特征提取包括颜色特征和/或纹理特征和/或形状特征和/或空间关系特征提取；所述异常图像信息包括异常名称和/或异常图像的形态和/或异常图像的边缘轮廓和/或异常分型和/或异常分级。进一步地，所述超声图像处理方法还包括步骤：当所述匹配度大于预设阈值时，测量所述超声图像以获取异常图像特征，其中，所述异常图像特征包括异常图像的数目和/或异常图像的大小和/或异常图像的实际边缘轮廓；输出所述异常图像特征。进一步地，对比显示所述异常图像特征和所述异常图像信息。本专利技术所采用的另一技术方案是：一种超声图像处理系统，包括图像获取单元，用于获取目标对象的超声图像；特征提取单元，用于对所述超声图像进行特征提取以获取图像特征；匹配单元，用于将所述图像特征与模板数据库中的预设图像特征进行匹配，获取匹配度，当所述匹配度大于预设阈值时，获取最大匹配度对应的预设图像特征，其中，所述模板数据库存储有多种异常图像信息以及对应的预设图像特征；输出单元，用于输出与所述匹配度最大的预设图像特征对应的异常图像信息。进一步地，所述超声图像处理系统还包括：模板数据库建立单元，用于利用多个数据中心的超声图像数据通过机器学习方法建立所述模板数据库。进一步地，所述超声图像处理系统还包括：图像测量单元，用于当所述匹配度大于预设阈值时，测量所述超声图像以获取异常图像特征。进一步地，所述超声图像处理系统还包括：显示单元，用于对比显示所述异常图像特征和所述异常图像信息。本专利技术的有益效果是：本专利技术通过对超声图像进行特征提取获取图像特征，利用图像特征实现模板数据库自动匹配，输出匹配度最大的预设图像特征对应的异常图像信息，辅助用户快速、准确地对超声图像进行处理分析，提高超声图像处理分析的效率和准确度。附图说明下面结合附图对本专利技术的具体实施方式作进一步说明：图1是本专利技术第一实施例所述超声图像处理方法流程图；图2是本专利技术第一实施例所述将图像特征与模板数据库中的预设图像特征进行匹配的方法流程图；图3是本专利技术第二实施例所述超声图像处理方法流程图；图4是本专利技术第三实施例所述超声图像处理系统的结构示意图；图5是本专利技术第四实施例所述超声图像处理系统的结构示意图。具体实施方式需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。实施例一本专利技术第一实施例将对一种超声图像处理方法进行详细说明，本实施例所述方法包括以下步骤，如图1所示，图1是本专利技术第一实施例所述超声图像处理方法流程图：101、获取包含目标对象的超声图像；在本实施例方法中，在实时超声扫查或者冻结状态下，获取包含有目标对象的超声图像，并对获取的超声图像进行处理。102、对超声图像进行特征提取以获取图像特征。图像特征包括但不限于颜色特征、纹理特征、形状特征、空间关系特征中的一种或多种或采用机器学习的方式。颜色特征包括统计直方图、累积直方图、颜色矩等，纹理特征包括灰度共生矩、Tamura等，形状特征包括边缘方向直方图、偏心率等，空间关系特征包括SIFT(Scale-invariantfeaturetransform，尺度不变特征变换)等。在本实施例中，对超声图像进行Tamura纹理特征提取。本实施例中，选用对比度、粗糙性和指向性作为Tamura纹理特征，对所获取到的超声图像进行处理得到对应的对比度、粗糙性和指向性，图像特征包括对比度、粗糙性和指向性，它们组成一个三维空间点。具体地，对比度可通过计算超声图像中的像素的灰度分布情况而得到，对比度受图像像素的灰度变化范围和图像中尖锐边缘的影响。对比度的计算公式为：其中，contrast表示对比度；σ表示的是对超声图像的灰度进行标准方差计算而得到的值；μ4表示的是对超声图像的灰度进行四阶中心矩计算而得到的值；n可取的值为2、4、8、1/2、1/4、1/8和1。粗糙性是用来测量纹理之间的距离，如果图像的分辨率小，则纹理较为细小。粗糙性的计算公式为：在上式中，coarseness为粗糙性；mn为像素点检测窗口的大小，取2k*2k；k的取值为[0，5]；(i，j)为像素点检测窗口内的坐标。指向性在图像中是一个全局特征，它描述了在图像中纹理分布时的方向。在计算图像的指向性时，要先计算图像中的梯度向量△G，其中梯度向量△G的大小为|ΔG|，方向为θ，π的值为3.1415926，具体计算公式如下所示：|ΔG|＝(|ΔH|+|ΔV|)/2θ＝arctan(ΔV/ΔH)+π/2ΔH、ΔV分别为图像与下式卷积得到的矩阵；计算出梯度向量△G后，得到梯度向量分布直方图，可通过下式得到图像的指向性：其中，Fdir是指向性；p是梯度向量分布直方图的波峰数值；np是梯度向量分布直方图中的波峰数目；wp是梯度向量分布直方图的波峰两侧的波底之间的距离；φp是梯度向量分布直方图的波峰所处的位置；r是归一化因子。至此，根据上述计算公式可以获得超声图像对应的图像特征，即对比度、粗糙性和指向性特征。103、将图像特征与模板数据库中的预设图像特征进行匹配，获取匹配度，其中，模板数据库存储有多种异常图像信息以及对应的预设图像特征。本实施例中，利用多个数据中心的超声图像数据通过机器学习方法建立所述模板数据库，所述超声图像数据可以是分布在不同区域、不同医院或者诊所等数据中心采集的超声图像数据。模板数据库中存储有多种不同的异常图像信息及其对应的预设图像特征，异常图像信息与预设图像特征一一对应。所述异常图像信息包括异常名称、异常图像的形态、异常图像的边缘轮廓、异常分型、异常分级。异常图像是指与目标对象的正常超声图像相比，存在异常变化的图像，例如所获取的超声图像与正常超声图像相比，目标对象存在大小异常，例如，偏小或者偏大等。异常分型是指异常变化的类型，例如大小异常分为偏小和偏大本文档来自技高网...

【技术保护点】
一种超声图像处理方法，其特征在于，包括以下步骤：获取目标对象的超声图像；对所述超声图像进行特征提取以获取图像特征；将所述图像特征与模板数据库中的预设图像特征进行匹配，获取匹配度；所述模板数据库存储有多种异常图像信息以及对应的预设图像特征；当所述匹配度大于预设阈值时，获取最大匹配度对应的预设图像特征；输出与所述匹配度最大的预设图像特征对应的异常图像信息。

【技术特征摘要】
1.一种超声图像处理方法，其特征在于，包括以下步骤：获取目标对象的超声图像；对所述超声图像进行特征提取以获取图像特征；将所述图像特征与模板数据库中的预设图像特征进行匹配，获取匹配度；所述模板数据库存储有多种异常图像信息以及对应的预设图像特征；当所述匹配度大于预设阈值时，获取最大匹配度对应的预设图像特征；输出与所述匹配度最大的预设图像特征对应的异常图像信息。2.根据权利要求1所述的超声图像处理方法，其特征在于，利用多个数据中心的超声图像数据通过机器学习方法建立所述模板数据库。3.根据权利要求1所述的超声图像处理方法，其特征在于，所述将所述图像特征与模板数据库中的预设图像特征进行匹配包括：计算所述图像特征与模板数据库中的预设图像特征的距离；将所述距离与预设值进行比较，获取所述匹配度。4.根据权利要求1所述的超声图像处理方法，其特征在于，所述特征提取包括颜色特征和/或纹理特征和/或形状特征和/或空间关系特征提取；所述异常图像信息包括异常名称和/或异常图像的形态和/或异常图像的边缘轮廓和/或异常分型和/或异常分级。5.根据权利要求1所述的超声图像处理方法，其特征在于，所述超声图像处理方法还包括步骤：当所述匹配度大于预设阈值时，测量所述超声图像以获取异常图像特征，其中，所述异常图像...

【专利技术属性】
技术研发人员：李萍，刘旭江，唐艳红，许龙，
申请(专利权)人：深圳开立生物医疗科技股份有限公司，
类型：发明
国别省市：广东,44