[发明专利]一种超声图像处理方法、装置、设备及存储介质

说明书

本申请公开了一种超声图像处理方法、装置、设备及存储介质，在该方案中，利用预先训练完成的深度学习神经网络模型自动对该超声图像进行评估，以得到该超声图像的切面评估结果；若切面评估结果符合预设要求，则表明该超声图像中的胎儿骶尾段脊柱矢状切面足够清晰，大概率能够清晰看见脊髓圆锥，因此基于深度学习神经网络模型识别到的超声图像中的脊髓圆锥末端、骶椎和腰椎，在超声图像中标注出脊髓圆锥末端、骶椎和腰椎，得到带标注的超声图像，可以帮助医生辅助判断脊髓圆锥末端的位置，提高了检查的准确性和效率。相应地，本申请提供的一种超声图像处理装置、设备及存储介质，也同样具有上述技术效果。

技术领域

本申请涉及计算机技术领域，特别涉及一种超声图像处理方法、装置、设备及存储介质。

背景技术

在胎儿超声检测过程中，医生可以在超声影像中手动截取骶尾段脊柱矢状切面，并在该切面上目测脊髓圆锥的位置。但由于该切面上的椎体较多(一般约有十几个椎体)且较密集，导致目测方式耗时较长且容易出错。

发明内容

有鉴于此，本申请的目的在于提供一种超声图像处理方法、装置、设备及存储介质，以自动在超声图像中识别并标注脊髓圆锥末端、骶椎和腰椎，提高检查的准确性和效率。其具体方案如下：

为实现上述目的，一方面，本申请提供了一种超声图像处理方法，包括：

获取胎儿骶尾段脊柱矢状切面的超声图像；

将超声图像输入预先训练完成的深度学习神经网络模型，得到超声图像的切面评估结果；

若切面评估结果符合预设要求，则基于所述深度学习神经网络模型识别到的所述超声图像中的脊髓圆锥末端、骶椎和腰椎，在所述超声图像中标注出所述脊髓圆锥末端、所述骶椎和所述腰椎，得到带标注的超声图像。

优选地，还包括：

确定超声图像中的骶尾段脊柱末端与脊髓圆锥末端之间的椎体个数；

若椎体个数少于预设阈值，则生成告警提示信息。

优选地，获取胎儿骶尾段脊柱矢状切面的超声图像，包括：

获取胎儿超声检测过程中的超声影像，从超声影像中截取超声图像。

优选地，基于所述深度学习神经网络模型识别到的所述超声图像中的脊髓圆锥末端、骶椎和腰椎，在所述超声图像中标注出所述脊髓圆锥末端、所述骶椎和所述腰椎，得到带标注的超声图像之前，还包括：

对比切面评估结果与前一切面评估结果；

若切面评估结果优于前一切面评估结果，则执行基于所述深度学习神经网络模型识别到的所述超声图像中的脊髓圆锥末端、骶椎和腰椎，在所述超声图像中标注出所述脊髓圆锥末端、所述骶椎和所述腰椎，得到带标注的超声图像的步骤。

优选地，得到带标注的超声图像之后，还包括：

若接收到修改指令，则根据修改指令修改带标注的超声图像中的脊髓圆锥末端、骶椎和腰椎的标注位置。

优选地，深度学习神经网络模型的训练过程，包括：

获取训练集，并从所述训练集中获取目标样本；其中，所述目标样本标注有切面类别和切面得分，且标注的切面类别为标准切面的所述目标样本还标注出脊髓圆锥末端、骶椎、腰椎的轮廓；

将所述目标样本输入初始模型进行训练，得到所述预先训练完成的深度学习神经网络模型。

又一方面，本申请还提供了一种超声图像处理装置，包括：

获取模块，用于获取胎儿骶尾段脊柱矢状切面的超声图像；

评估模块，用于将超声图像输入预先训练完成的深度学习神经网络模型，得到超声图像的切面评估结果；