一种超声成像方法、系统及计算机可读存储介质

1.本发明涉及超声诊断技术领域，尤其涉及一种超声成像方法、系统及计算机可读存储介质。


背景技术：

2.超声诊断(ultrasonic diagnosis)是将超声检测技术应用于人体，通过测量了解生理或组织结构的数据和形态，为发现疾病做出提示或指引的一种诊断方法。超声诊断是一种无创、无痛、方便、直观的有效检查手段，尤其是b超，应用广泛。
3.在实际诊断中，超声图像的成像效果(包括图像质量、帧频等成像性能参数)就显得尤为重要，尤其是图像质量，在很多情况下会直接影响医生的诊断结果和诊断效率，因此长久以来，超声成像质量的提高都是一个重要的研究方向。在实际诊断中，医生可能对心脏中左心房、右心房、左心室和右心室中的某一区域的成像效果更感兴趣。因此，有必要提高单独分割并提高某一个区域的图像质量。


技术实现要素：

4.本发明提供了一种超声成像方法、系统及计算机可读存储介质，以解决上述背景技术中提出的问题。
5.为了实现上述目的，本发明采用了如下技术方案：
6.一种超声成像方法，包括以下步骤：
7.s1，首先对胸腔进行超声成像获得包含心脏的超声图像；
8.s2，对包含心脏的超声图像中的心脏进行单独分割，获得心脏整体的超声图像；
9.s3，对心脏整体的超声图像通过心脏区域分割模型分别获得左心房、右心房、左心室和右心室的超声图像；
10.s4，对左心房、右心房、左心室、右心室和心脏整体的超声图像进行去噪清晰化。
11.作为本技术方案的进一步改进方案：所述s1中，首先对胸腔进行超声成像获得包含心脏的超声图像，具体为：通过超声探测仪对患者的胸腔进行探测并获得包含心脏的超声图像。
12.作为本技术方案的进一步改进方案：所述s2中，对包含心脏的超声图像中的心脏进行单独分割，具体为：通过对心脏的轮廓分割获得轮廓内部的第一心脏超声图像，再通过心脏整体的特征超声颜色深度获得第二心脏超声图像，最后将第一心脏超声图像和第二心脏超声图像相互重合修正获得心脏整体的超声图像。
13.作为本技术方案的进一步改进方案：所述s3中，心脏区域分割模型，具体建造方法为：
14.第一步：首先将多个心脏的超声图像组成数据集，并对数据集中每个心脏超声图像样本提取出心脏左心房、右心房、左心室或右心室之间的隔膜线条特征与心脏整体轮廓线条特征；
15.第二步，利用所述数据集对机器学习模型进行训练，其中机器学习模型以经过标准化后的隔膜线条特征与心脏整体轮廓线条特征作为输入，以心脏左心房、右心房、左心室或右心室的分割区域为作为输出，通过监督学习得到心脏区域分割模型。
16.作为本技术方案的进一步改进方案：将所述数据集分为训练集和验证集，利用训练集同时训练多种机器学习模型，并利用验证集评估不同机器学习模型的表现精度，选择表现最佳的机器学习模型构建心脏区域分割模型。
17.作为本技术方案的进一步改进方案：所选择的机器学习模型为逻辑回归、线性判别分析、k近邻、朴素贝叶斯、支持向量机、随机森林、神经网络中的至少一种。
18.作为本技术方案的进一步改进方案：所述s4中，对左心房、右心房、左心室、右心室和心脏整体的超声图像进行去噪清晰化，具体为：通过均值滤波器对左心房、右心房、左心室、右心室和心脏整体的超声图像进行去噪清晰化处理。
19.本技术实施例还提供了一种超声成像系统，所述系统包括：
20.胸腔超声成像模块，用于对胸腔进行超声成像获得包含心脏的超声图像；
21.心脏整体图像获得模块，用于对包含心脏的超声图像中的心脏进行单独分割，获得心脏整体的超声图像；
22.心脏区域分割模块，用于对心脏整体的超声图像通过心脏区域分割模型分别获得左心房、右心房、左心室和右心室的超声图像；
23.去噪清晰化模块，用于对左心房、右心房、左心室、右心室和心脏整体的超声图像进行去噪清晰化。
24.又一方面，本技术实施例还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
25.再一方面，本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
26.与现有技术相比，本发明的有益效果是：
27.本发明设计合理，构思巧妙，可获得左心房、右心房、左心室、右心室等区域以及心脏整体区域的清晰超声图像，使医生可以直接对心脏某一具体区域进行细致观察，便于医生快速对心脏进行分析描述，提高医生对心脏超声图像结果的分析效率。
28.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
29.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
30.图1为本发明提出的一种超声成像方法的流程示意图。
具体实施方式
31.以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。在下列段落中参照附图以举例方式更具体地描述本发明。根据
下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
32.需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
33.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
34.请参阅图1，本发明实施例中，一种超声成像方法，包括以下步骤：
35.s1，首先对胸腔进行超声成像获得包含心脏的超声图像，具体为：通过超声探测仪对患者的胸腔进行探测并获得包含心脏的超声图像；
36.s2，对包含心脏的超声图像中的心脏进行单独分割，获得心脏整体的超声图像，具体为：通过对心脏的轮廓分割获得轮廓内部的第一心脏超声图像，再通过心脏整体的特征超声颜色深度获得第二心脏超声图像，最后将第一心脏超声图像和第二心脏超声图像相互重合修正获得心脏整体的超声图像；
37.其中心脏区域分割模型，具体建造方法为：
38.第一步：首先将多个心脏的超声图像组成数据集，并对数据集中每个心脏超声图像样本提取出心脏左心房、右心房、左心室或右心室之间的隔膜线条特征与心脏整体轮廓线条特征；
39.第二步，利用数据集对机器学习模型进行训练，其中机器学习模型以经过标准化后的隔膜线条特征与心脏整体轮廓线条特征作为输入，以心脏左心房、右心房、左心室或右心室的分割区域为作为输出，将数据集分为训练集和验证集，利用训练集同时训练多种机器学习模型，并利用验证集评估不同机器学习模型的表现精度，选择表现最佳的机器学习模型构建心脏区域分割模型，其中所选择的机器学习模型为逻辑回归、线性判别分析、k近邻、朴素贝叶斯、支持向量机、随机森林、神经网络中的至少一种；
40.s3，对心脏整体的超声图像通过心脏区域分割模型分别获得左心房、右心房、左心室和右心室的超声图像；
41.s4，对左心房、右心房、左心室、右心室和心脏整体的超声图像进行去噪清晰化，具体为：通过均值滤波器对左心房、右心房、左心室、右心室和心脏整体的超声图像进行去噪清晰化处理。
42.又一方面，本技术实施例还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
43.再一方面，本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
44.以上所述，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上所述而顺畅地实施本发明；但是,凡
熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。