(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210003911.4 (22)申请日 2022.01.04 (71)申请人 南京大学 地址 210023 江苏省南京市栖霞区仙林大 道163号 (72)发明人 郭霞生　尹楚豪　章东　屠娟　 (74)专利代理 机构 江苏瑞途律师事务所 32346 代理人 金龙 (51)Int.Cl. G06T 5/50(2006.01) G06T 5/00(2006.01) G06T 7/38(2017.01) G06V 10/25(2022.01) G06V 10/44(2022.01) G06F 9/50(2006.01) (54)发明名称 一种基于活体超声图像的多线程应变成像 方法及装置 (57)摘要 本发明公开了一种基于活体超声图像的多 线程应变成像方法及装置， 属于医学图像处理领 域。 本发明的方法为， 采集活体B超图像序列， 分 析图像的相关性特征， 判断呼吸频率， 并将图像 划分到不同呼吸周期和周期间同步的相位期； 对 每个相位期建立一个计算线程， 经位移校正、 图 像配准后， 各线程并行地计算应变， 并根据线程 间相关性进行降噪； 最终， 将多线程应变结果融 合， 得到准确、 高时间密度的应变输出。 本发明可 以解决现有技术中生理运动在应变成像中产生 的伪影和误差问题， 可以获得多运动相位期的应 变分布， 进一步结合应变分布的空间相关性去 噪、 融合后， 得到精确、 鲁棒性高、 时间密度高的 活体应变分布图像 。 权利要求书3页 说明书10页 附图7页 CN 114240815 A 2022.03.25 CN 114240815 A 1.一种基于活体超声图像的多 线程应变成像方法， 其特 征在于， 包括以下步骤： 采集步骤:对活体对象进行超声图像采集， 获得 数字超声图像序列I； 特征提取步骤： 提取 数字超声图像序列I的纹 理特征； 划分周期步骤： 通过数字超声图像序列I的纹理特征确定呼气、 吸气状态 的特征图像， 将数字超声图像序列I划分为若干个的呼气周期的图像序列和若干个的吸气周期的图像序 列； 设置阈值 步骤： 设置呼气纹 理特征阈值； 如果呼气周期上的图像的纹理特征大于呼气纹理特征阈值， 则将该图像置入呼气图像 序列Iexh， 对每个呼气周期的图像序列进行运动相位的划分， 将其分为U1个相位期， U1为所划 分的相位期数目， 得到多 线程子集 Iexh,u1(u1＝1,2,…,U1)； 设置吸气纹 理特征阈值； 如果吸气周期上的图像的纹理特征大于吸气纹理特征阈值， 则将该图像置入吸气图像 序列Iinh， 对每个吸气周期的图像序列进行运动相位的划分， 将其分为U2个相位期， U2为所划 分的相位期数目， 得到多 线程子集 Iinh,u2(u2＝1,2,…,U2)； 配准步骤： 以靶区位置为中心确定感兴趣区域， 对Iexh,u1、 Iinh,u2中的每个子集， 针对感 兴趣区域进行位移校准和图像配准， 得到配准后的子集Qexh,u1、 Qinh,u2； Qexh,u1和Qinh,u2的合集 记为Qu(u＝1,2, …,U)， U为Qu的线程数目， U＝U1+U2； 融合步骤： 并行计算Qu中的各线程的空间累积位移和累积应变， 对各线 程的累积应变图 像序列进 行时域插值， 并基于应变相关性去噪， 将处理后的各线程累积 应变融合， 得到最 终 的应变成像结果。 2.如权利要求1所述的一种基于活体超声图像的多线程应变成像方法， 其特征在于， 特 征提取步骤中所述的纹 理特征为图像间的相关性， 其具体提取 方法为： 将数字超声图像序列I的N帧图像中的n＝1,2, …,M帧分别作为模板帧Iref， N为图像序 列I的总帧数， M为正整数且使此M帧图像至少覆盖一个完整的呼吸周期， 以其余N ‑1帧为检 测帧Itar， 计算Iref与Itar的二维互相关系数， 得到 M根互相关系数 ‑时间曲线pn(t)。 3.如权利要求1或2所述的一种基于活体超声图像的多线程应变成像方法， 其特征在 于， 划分周期步骤的具体实现方法为： 在可能的生理运动频率区间内， 从pn(t)的频谱Pn(f)确定呼气、 吸气状态的特征图像 IRE、 IRI及呼吸频率fres， 计算方法为： 将频谱Pn(f)的最大幅度值记为An， An(n＝1,2, …,M)中 的最大值对应的模板帧即为IRE， 对应的pn(t)记为pexh(t)， 对pexh(t)低通滤波后， 该曲线上 前M个点中的最小值对应的检测帧即为IRI， IRI作为模板帧对应的pn(t)记为pinh(t)， pexh(t) 频谱幅值的极大值对应的频率即为fres； 对IRE所对应的相关系数 ‑时间曲线pexh(t)滤波， 将 滤波后得到平滑的曲线p'exh(t)的所有峰值对应的时刻作为吸气周期边界、 谷值对应时刻 作为呼气周期边界， 据此将数字超声图像序列I划分为若干个的呼气周期的图像序列和若 干个的吸气周期的图像序列。 4.如权利要求3所述的一种基于活体超声图像的多线程应变成像方法， 其特征在于， 选 取p'exh(t)的峰值和谷值的方法为： 将呼气特征图像IRE设为锚点， 以呼吸频率fres设计搜索 步长Δt， 1/fres>Δt>0.5/fres， 从锚点开始沿时间增大和减小的方向， 在p'exh(t)上交替搜 索谷值和峰值。 5.如权利要求1所述的一种基于活体超声图像的多线程应变成像方法， 其特征在于， 设权　利　要　求　书 1/3 页 2 CN 114240815 A 2置阈值步骤中对每个呼气周期的图像序列进行运动相位的划分的方法为等时间间隔地划 分或设置相关系数幅度区间划分。 6.如权利要求1所述的一种基于活体超声图像的多线程应变成像方法， 其特征在于， 设 置阈值步骤的具体实现方法为： 在pexh(t)的各呼气周期中， 将所有互相关系数的上四分位数设置为呼气纹理特征阈 值， 对pexh(t)上大于呼气纹 理特征阈值的点， 将该点对应的图像置入呼气图像序列Iexh； 对每个呼气周期的图像序列 进行运动相位的划分， 将其分为U1个相位期， U1为所划分的 相位期数目， 得到多 线程子集 Iexh,u1(u1＝1,2,…,U1)； 在pinh(t)的各吸气周期中， 将所有互相关系数的上四分位数设置为吸气纹理特征阈 值， 对pinh(t)上大于吸气纹 理特征阈值的点， 将该点对应的图像置入吸气图像序列Iinh； 对每个吸气周期的图像序列 进行运动相位的划分， 将其分为U2个相位期， U2为所划分的 相位期数目， 得到多 线程子集 Iinh,u2(u2＝1,2,…,U2)。 7.如权利要求1所述的一种基于活体超声图像的多线程应变成像方法， 其特征在于， 配 准步骤的具体实现方式如下： 以靶区位置为中心， 确定尺寸为A ×L、 左上角坐标为(a0,l0)的感兴趣区域ROI， 其中A为 轴向长度， L 为横向长度； 在第一个呼气周期的各相位期(u1＝1,2,…,U1)， 取中间时刻图像的ROI为模板帧Qref， 将其置入子集Qexh,u1； 在下一周期的同一相位期， 对每帧图像取尺寸为A ×L、 左上角位于(a0 +δ a,l0+δl)的区域为检测帧Qtar； 分别在‑A/3～A/3和 ‑L/3～L/3的范围内变化δ a和 δl， δ a和 δl分别为轴向和横向的位移量， 使Qtar与Qref的二维互相关系数取得最大值， 对应的δa和 δl 即为Qtar的位移量Δa和Δl； 将Qtar在轴向和横向分别移位Δa和Δl， 得到位移校正后的图 像Q'tar； 比较所有最大互相关系数， 将其中的最大值对应的Q'tar作为新的Qref， 置入子集 Qexh,u1的末尾； 利用新的Qref对下一呼气周期进行相同操作， 如此循环直至所有呼气周期都 完成校准和匹配； 在第一个吸气周期的各相位期(u2＝1,2,…,U2)， 取中间时刻图像的ROI为模板帧Qref， 将其置入子集Qinh,u2； 在下一周期的同一相位期， 对每帧图像取尺寸为A ×L、 左上角位于(a0 +δ a,l0+δl)的区域为检测帧Qtar； 分别在‑A/3～A/3和 ‑L/3～L/3的范围内变化δ a和 δl， δ a和 δl分别为轴向和横向的位移量， 使Qtar与Qref的二维互相关系数取得最大值， 对应的δa和 δl 即为Qtar的位移量Δa和Δl； 将Qtar在轴向和横向分别移位Δa和Δl， 得到位移校正后的图 像Q'tar； 比较所有最大互相关系数， 将其中的最大值对应的Q'tar作为新的Qref， 置入子集 Qinh,u2的末尾； 利用新的Qref对下一吸气周期进行相同操作， 如此循环直至所有吸气周期都 完成校准和匹配。 8.如权利要求1或7所述的一种基于活体超声图像的多线程应变成像方法， 其特征在 于， 融合步骤的具体实现方式如下： 对图像子集Qu， 逐线程u地利用块匹配算法， 计算时间相邻图像间的瞬 时位移分布； 将不 同时刻的瞬时位移分布累加得到各线程的空间累积位移Du； 通过对Du沿轴向差分计算得到 累积应变Su； 令各Su时间坐标的集合为tu(u＝1,2, …,U)， 将所有tu的合集记为tall； 对各线程得到的 Su序列， 进行时域的三次样条插值， 使各线程的应 变结果均覆盖时间坐标集tall；权　利　要　求　书 2/3 页 3 CN 114240815 A 3