[发明专利]基于超声影像设备的超声图像采集方法以及相关装置

说明书

本申请公开了一种基于超声影像设备的超声图像采集方法以及相关装置。该方法包括通过所述超声影像设备，获取连续超声图像；将所述连续超声图像中的第N帧图像以及所述连续超声图像，输入至预设神经网络模型；根据所述预设神经网络模型，判断所述第N帧图像是否满足采集要求；若不满足，则通过所述超声影像设备中的提醒模块对所述连续超声图像的采集方式进行指导，以重新获取所述连续超声图像；若满足，则将第N帧图像保存之后继续判断第N+1帧图像是否同样满足采集要求。本申请解决了对患者的超声图像采集需要专业人员，无法实现远程或居家远程随访的技术问题。通过申请使得非专业超声医生也能操作采集，且提升了操作超声设备时采集的超声图像质量。

技术领域

本申请涉及人工智能、医学领域，具体而言，涉及一种基于超声影像设备的超声图像采集方法以及相关装置。

背景技术

使用超声影像设备检查患者时，通过对患者的病灶区域进行图像采集，并由超声医生针对超声影像进行医疗诊断。

相关技术中，通常会采用医院随访的检查方式，但是成本较高。一些方案中，通过AI辅助识别超声影像并判断结节的良恶性，但是需要专业人员进行采集。对另一些方案中，基于5G通信网络进行远程诊疗，由超声医生远程操作，采集图片进行诊断，但是对基建设施的要求较高。

针对相关技术中对患者的超声图像采集需要专业人员，进而无法实现远程或居家远程随访的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种基于超声影像设备的超声图像采集方法以及相关装置，以解决对患者的超声图像采集需要专业人员，进而无法实现远程或居家远程随访的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种基于超声影像设备的超声图像采集方法。

根据本申请的基于超声影像设备的超声图像采集方法包括：通过所述超声影像设备，获取连续超声图像；将所述连续超声图像中的第N帧图像以及所述连续超声图像，输入至预设神经网络模型，其中所述预设神经网络模型为使用多组图像数据通过机器学习训练得出的，多组数据中的每组数据均包括：样本超声图像、所述样本超声图像的类别标签，所述N为整数；根据所述预设神经网络模型，判断所述第N帧图像是否满足采集要求；若不满足，则通过所述超声影像设备中的提醒模块对所述连续超声图像的采集方式进行指导，以重新获取所述连续超声图像；若满足，则将第N帧图像保存之后继续判断第N+1帧图像是否同样满足采集要求。

进一步地，所述预设神经网络模型，包括：多个单个深度神经网络模型，每个所述单个深度神经网络模型用于针对预设医学场景以及医学信息训练得到，所述单个深度神经网络模型至少包括如下之一的功能：匹配背景模板、检测单帧图像的结节、判别单帧图像的病灶良恶性、估计连续影像的置信度。

进一步地，所述预设神经网络模型包括：第一深度神经网络模型，所述超声图像包括甲状腺超声图像，采集甲状腺的不同部分以及每个部分对应的设角度的超声图像，得到至少包括预设部位和预设角度的所述甲状腺超声图像；通过所述第一深度神经网络模型，识别所述甲状腺超声图像中的背景是否与预设背景匹配，其中，所述第一深度神经网络模型为使用多组图像数据通过机器学习训练得出的，多组数据中的每组数据均包括：不同部位以及不同角度采集得到的颈部超声图像样本；如果匹配，则满足所述超声影像设备上超声探头的放置要求；如果不匹配，则不满足所述超声影像设备上超声探头的放置要求。

进一步地，所述预设神经网络模型包括：第二深度神经网络模型，所述超声图像包括甲状腺超声图像，通过所述第二深度神经网络模型，识别所述甲状腺超声图像的单帧图像中是否存在甲状腺结节，其中所述第二深度神经网络模型为使用多组图像数据通过机器学习训练得出的，多组数据中的每组数据均包括：含有甲状腺结节以及不含甲状腺结节的甲状腺超声图像样本，所述含有甲状腺结节的甲状腺超声图像中预先标注出结节位置信息和/或结节大小信息；若检测到，则截取甲状腺结节的局部图像作为输入传送至第三深度神经网络模型。