目标结构围度测量方法、装置、超声设备及存储介质制造方法及图纸

本发明专利技术公开一种目标结构围度测量方法、装置、超声设备及存储介质。该方法包括：获取待处理超声图像；对所述待处理超声图像进行结构分析，获取目标结构属性，所述目标结构属性包括目标相位特征和目标频率特征；将所述目标相位特征和所述目标频率特征输入神经网络模型进行分割处理，获取目标结构对应的边界概率响应图；对所述目标相位特征和所述目标频率特征进行二阶变换，获取目标结构对应的边界强度响应图；对所述目标结构对应的边界概率响应图和边界强度响应图进行结合处理，获取目标结构对应的结构边界响应图；根据所述目标结构对应的结构边界响应图进行围度测量，获取目标结构围度。该方法可保障目标结构围度测量的准确性。该方法可保障目标结构围度测量的准确性。该方法可保障目标结构围度测量的准确性。

【技术实现步骤摘要】
目标结构围度测量方法、装置、超声设备及存储介质


[0001]本专利技术涉及超声成像
，尤其涉及一种目标结构围度测量方法、装置、超声设备及存储介质。

技术介绍

[0002]目前超声在孕妇的产前检查和诊断方面具有不可替代的作用。通过定期的超声检查，医生能够对孕妇体内胎儿的发育情况做出及时的判断，及时对生产时或者生产后的风险项进行评估和对症处理。现有这种妇产超声检查中，有关胎儿的相关测量项非常多，包括但不限于头围、双顶径、腹围、颈后透明层和肱骨股骨长等。医生可根据测量得到这些测量项的数值计算出胎儿的孕周，并确定胎儿的发育是否正常。因此，这些测量项的准确计算是妇产超声检查流程中非常重要的环节。
[0003]现有超声设备通常基于传统图像算法，利用图像增强和边缘增强等技术，使目标结构位置突显，确定目标结构边界，从而计算目标结构围度。由于胎儿腹部和胎儿头部等目标结构的切面形状接近于椭圆，因此，在确定目标结构边界后，可根据目标结构边界拟合出一个椭圆并计算椭圆周长，从而确定目标结构围度。
[0004]近几年来，由于深度学习技术的飞速发展，研究者和工程师们迅速将其应用到各行各业的实际问题中去，而对于胎儿腹围和胎儿头围等切面类似椭圆的目标结构围度的自动识别也自然进入了工程师的视野。目前深度学习自动测量目标结构围度包括如下步骤：一、将超声图像输入到神经网络之中给出初步图像分割结果；二、依据这个图像分割结果进行椭圆拟合。但这种做法很难保证实际临床效果的鲁棒性。一般来说，深度学习从本质上来说更容易学习到超声图像的纹理细节这些高频特征，而超声图像中不可避免的存在有斑点噪声，这种斑点噪声也是一种纹理细节的高频特征，影响深度学习技术测量目标结构围度的准确性。

技术实现思路

[0005]本专利技术实施例提供一种目标结构围度测量方法、装置、超声设备及存储介质，以解决现有超声图像中目标结构围度测量准确性较低的问题。
[0006]一种目标结构围度测量方法，包括：获取待处理超声图像；对所述待处理超声图像进行结构分析，获取目标结构属性，所述目标结构属性包括目标相位特征和目标频率特征；将所述目标相位特征和所述目标频率特征输入神经网络模型进行分割处理，获取目标结构对应的边界概率响应图；对所述目标相位特征和所述目标频率特征进行二阶变换，获取目标结构对应的边界强度响应图；对所述目标结构对应的边界概率响应图和边界强度响应图进行结合处理，获取目
标结构对应的结构边界响应图；根据所述目标结构对应的结构边界响应图进行围度测量，获取目标结构围度。
[0007]一种目标结构围度测量装置，包括：待处理超声图像获取模块，用于获取待处理超声图像；目标结构属性获取模块，用于对所述待处理超声图像进行结构分析，获取目标结构属性，所述目标结构属性包括目标相位特征和目标频率特征；边界概率响应图获取模块，用于将所述目标相位特征和所述目标频率特征输入神经网络模型进行分割处理，获取目标结构对应的边界概率响应图；边界强度响应图获取模块，用于对所述目标相位特征和所述目标频率特征进行二阶变换，获取目标结构对应的边界强度响应图；结构边界响应图获取模块，用于对所述目标结构对应的边界概率响应图和边界强度响应图进行结合处理，获取目标结构对应的结构边界响应图；目标结构围度获取模块，用于根据所述目标结构对应的结构边界响应图进行围度测量，获取目标结构围度。
[0008]一种超声设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述目标结构围度测量方法。
[0009]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，所述计算机程序被处理器执行时实现上述目标结构围度测量方法。
[0010]上述目标结构围度测量方法、装置、超声设备及存储介质，对待处理超声图像进行结构分析，获取目标相位特征和目标频率特征这两项目标结构属性，为胎儿腹部或胎儿头部等目标结构本身具有的结构属性；接着，将目标相位特征和目标频率特征输入神经网络模型进行图像分割处理，获取目标结构对应的边界强度响应图，一方面可提升处理速度，另一方面可保障采用深度学习技术进行处理过程的鲁棒性，避免纹理细节的干扰；接着，对目标结构对应的边界概率响应图和边界强度响应图进行结合处理，获取目标结构对应的结构边界响应图，以达到采用传统图像算法进行处理，使得其边界强度响应图与目标结构属性相关而非传统空间边缘这一纹理特征，可避免纹理特征的干扰，有助于保障边界强度响应图的准确性；接着，对目标结构对应的边界概率响应图和边界强度响应图进行结合处理，获取目标结构对应的结构边界响应图，使得获取到的结构边界响应图集成有深度学习技术和传统图像算法的优点并弥补各自技术的缺点，保障基于结构边界响应图测量得到的目标结构围度的准确性和可解释性。
附图说明
[0011]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0012]图1是本专利技术一实施例中超声图像的一结构示意图；图2是本专利技术一实施例中目标结构围度测量方法的一流程图；
图3是图2中步骤S202的一流程图；图4是图3中步骤S302的一流程图；图5是图4中步骤S401的一流程图；图6是图3中步骤S303的一流程图；图7是图6中步骤S603的一流程图；图8是图2中步骤S203的一流程图；图9是图2中步骤S204的一流程图；图10是本专利技术一实施例中目标结构围度测量装置的一示意图。
具体实施方式
[0013]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0014]本专利技术实施例提供的目标结构围度测量方法，该目标结构围度测量方法可应用在超声设备中，超声设备包括主控制器和与主控制器相连的超声探头、波束合成处理器、图像处理器和显示屏。主控制器为超声设备的控制器，主控制器与超声设备中的其他功能模块相连，包括但不限于超声探头、波束合成处理器、图像处理器和显示屏等功能模块相连，用于控制各个功能模块工作。
[0015]超声探头是超声波的发射和接收装置。本示例中，为了保证不同角度的超声图像都能够有较大的横向扫描覆盖范围，即保证不同角度的超声图像有较大的交叠范围，现有超声探头一般由若干大小相同的长条形压电换能器（每单个压电换能器称为阵元）等间隔排列组成；或者将多个压电换能器是呈二维阵列，即阵元排列成二维矩阵形状。超声探头内的压电换能器将施加在其上的电压脉冲激励转换成机械振动，从而对外发出超声波；超声波在人体组织等媒介中传播，会产生反射波和散射波等回波模拟信号，各个压电换能器可将回波模拟信号转换成回本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标结构围度测量方法，其特征在于，包括：获取待处理超声图像；对所述待处理超声图像进行结构分析，获取目标结构属性，所述目标结构属性包括目标相位特征和目标频率特征；将所述目标相位特征和所述目标频率特征输入神经网络模型进行分割处理，获取目标结构对应的边界概率响应图；对所述目标相位特征和所述目标频率特征进行二阶变换，获取目标结构对应的边界强度响应图；对所述目标结构对应的边界概率响应图和边界强度响应图进行结合处理，获取目标结构对应的结构边界响应图；根据所述目标结构对应的结构边界响应图进行围度测量，获取目标结构围度。2.如权利要求1所述的目标结构围度测量方法，其特征在于，所述对所述待处理超声图像进行结构分析，获取目标结构属性，包括：采用滤波器对所述待处理超声图像进行滤波处理，获取目标滤波特征；对所述待处理超声图像和所述目标滤波特征进行相位分析，获取目标相位特征；对所述待处理超声图像和所述目标滤波特征进行频率匹配，获取目标频率特征。3.如权利要求1所述的目标结构围度测量方法，其特征在于，所述对所述待处理超声图像和所述目标滤波特征进行相位分析，获取目标相位特征，包括：对所述待处理超声图像进行结构张量分析，获取结构取向角和结构能量信息；对所述目标滤波特征和所述结构取向角进行线性组合，获取取向方向复数特征；对所述取向方向复数特征进行相位计算，获取原始相位特征；根据所述结构能量信息和所述原始相位特征进行反对称优化，获取目标相位特征。4.如权利要求3所述的目标结构围度测量方法，其特征在于，所述对所述待处理超声图像进行结构张量分析，获取结构取向角和结构能量信息，包括：对所述待处理超声图像进行结构张量分析，获取所述待处理超声图像对应的结构张量矩阵；对所述待处理超声图像对应的结构张量矩阵进行本征分解，获取取向特征向量、梯度特征值和取向特征值；对所述取向特征向量进行反正切计算，获取结构取向角；对所述梯度特征值和所述取向特征值进行求模计算，获取结构能量信息。5.如权利要求2所述的目标结构围度测量方法，其特征在于，所述对所述待处理超声图像和所述目标滤波特征进行频率匹配，获取目标频率特征，包括：对所述目标滤波特征进行能量计算，获取滤波响应能量；对所述滤波响应能量进行频率计算，获取目标频率表征；对所述待处理超声图像进行局域分布计算，获取目标可靠性；采用所述目标可靠性对所述目标频率表征进行数值优化，获取目标频率特征。6.如权利要求5所述的目标结构围度测量方法，其特征在于，所述对所述待处理超声图像进行局域分布计算，获取目标可靠性，包括：获取所述待处理超声图像中每一目标像素点对应的邻近区域的所有像素灰度值，对所
有像素灰度值进行参数估算，获取实测特征参数；根据所述实测特征参数和标准特征参数，确定目标可靠性。7.如权利要求1所述的目标结构围度测量方法，其特征在于，所述将所述目标相位特征和所述目标频率特征输入神经网络模型进行分割处理，获取目标结构对应的边界概率响应图，包括：将所述目标相位特征和所述目标频率特征输入神经网络模型进行分割处理，获取目标结构对应的概率分布图；对所述目标结构对应的概率分布图进行梯度计算，获取目标结构对应的边界概率响应图。8.如权利要求1所述的目标结构围度测量方法，其特征在于，所述对所述目标相位特征和所述目标频率特征进行二阶变换，获取目标结构对应的边界强度响应图，包括：对所述目标频率特征进行一阶变换，获取符合所述目标频率特征的可能性分布图；对所述目标频率特征的可能性分布图进行二阶变换，获取目标结构对应的边界响应分布图；对所述目标结构对应的边界响应分布图和所述目标相位特征进行相关处理，获取目标结构对应的边界强度响应图。9.一种目标结构围度测量装置，其特征在于，包括：待处理超声图像获取模块，用于获取待处理超声图像；目标结构属性获取模块，用于对所述待处理超声图像进行结构分析，获取目标结构属性，所述目标结构属性包括目标相位特征和目标频率特征；边界概率响应图获取模块，用于将所述目标相位特征和所述目标频率特征输入神经网络模型进行分割处理，获取目标结构对应的边界概率响应图；边界强度响应图获取模块，用于对所述目标相位特征和所述目标频率...

【专利技术属性】
技术研发人员：黄灿，李瑞军，
申请(专利权)人：深圳华声医疗技术股份有限公司，
类型：发明
国别省市：