本发明涉及影像处理领域，特别是涉及一种基于超声图像的子宫肌瘤状态监测分析方法及超声系统。
背景技术：
1、子宫肌瘤是女性中最常见的一种良性肿瘤，由子宫肌层的平滑肌细胞增生而成，包含了大量的细胞外基质如胶原蛋白、牵连蛋白、蛋白聚糖，因此又被成为平滑肌瘤。
2、在患上子宫肌瘤后，患者通常可通过月经间隔缩短、月经量异常、白带以及出血等症状自检子宫肌瘤是否进一步恶化。更常见的是患者去医院进行临床检查，子宫肌瘤常用的临床检查方法是超声检查和妇科内诊检查，而超声检查更为直接，可清晰描绘粘膜下肌瘤内凸入宫腔的超声图像，并对子宫进行冠状面成像重建，使肌壁间肌瘤也得以清晰展示。
3、对子宫肌瘤进行临床诊断时，通常需要将超声图像中不同组织和器官分割出来，以便医生更准确地诊断和治疗疾病。传统的超声图像的诊断通常需要医生手动分割器官，需要耗费医生大量的时间经历。相关技术中采用深度学习的方式对超声图像进行分割，但由于数据量不足，容易遗漏一些不明显的重要特征，造成医生误诊或遗漏诊断。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种基于超声图像的子宫肌瘤状态监测分析方法及超声系统，解决了现有技术中超声图像在分割时容易遗漏重要特征的问题。
2、第一方面，本申请提供了一种基于超声图像的子宫肌瘤状态监测分析方法，包括：
3、当子宫肌瘤患者的超声图像的噪声点与预设的重要特征点相似时，确认所述噪声点为目标噪声点；
4、分割保留有所述目标噪声点的超声图像，确定所述超声图像中各个器官对应的分割图像，并提取每一所述器官对应的标签信息；
5、通过所述标签信息确认多个所述器官中的目标器官，并解析所述目标器官对应的分割图像中的影像特征；
6、基于所述影像特征训练子宫肌瘤状态模型，所述子宫肌瘤状态模型用于辅助分析子宫肌瘤状态。
7、在一实施例中，在确认所述噪声点为目标噪声点之前，还包括：
8、获取用于图像恢复训练的第一超声图像数据集；所述第一超声图像数据集包括通过超声设备输出的第一原始超声图像样本、以及将所述第一原始超声图像样本分割得到的第一图像分割样本；
9、将所述第一图像分割样本按照分割路线进行重组，得到第一恢复图像样本；
10、去除第一原始图像样本中的第一噪声点，得到第一预处理图像样本；
11、根据预设的交叉熵损失函数确定所述第一预处理图像样本和所述第一恢复图像之间的第一相似度损失；
12、当所述第一相似度损失满足预设的相似度阈值时，确定所述第一噪声点为所述重要特征点。
13、在一实施例中，在根据预设的交叉熵损失函数确定所述第一预处理图像样本和所述第一恢复图像之间的第一相似度损失之后，还包括：
14、当所述第一相似度损失低于预设的相似度阈值时，依次保留所述第一原始图像样本中的一个第二噪声点并得到第二预处理图像样本；
15、根据预设的交叉熵损失函数确定所述第二预处理图像样本和所述第一恢复图像之间的第二相似度损失；
16、当所述第二相似度损失满足预设的相似度阈值时，确定所述第二噪声点为所述重要特征点。
17、在一实施例中，所述分割保留有所述目标噪声点的超声图像，确定所述超声图像中各个器官对应的分割图像，具体包括：
18、对所述超声图像进行预处理操作，并将所述超声图像输入预设的图像分割模型中，得到各个器官对应的分割图像。
19、在一实施例中，所述对所述超声图像进行预处理操作，具体包括：
20、获取未处理的超声图像样本，并对所述未处理的超声图像样本进行分辨率归一化和灰度归一化，得到多个归一化图像样本；
21、对所述归一化图像样本进行边缘检测，得到相应的边缘图像样本；
22、将每个所述归一化图像样本和对应的所述边缘图像样本进行图像融合，得到所述超声图像。
23、在一实施例中，在所述将所述超声图像输入预设的图像分割模型中之前，还包括：
24、根据多个已分割的超声图像构建分割图像样本数据集；所述分割图像样本数据集包括多个已分割的分割图像样本；
25、通过所述分割图像样本数据集训练图像分割模型。
26、在一实施例中，所述解析所述目标器官对应的分割图像中的影像特征，具体包括：
27、将所述分割图像划分出多个图像网格，并选取所述目标噪声点所在的网格作为目标图像网格，并将所述目标图像网格标记为感兴趣区域；
28、以所述目标图像网格作为起点，按照预设的路径规则依次判断所述分割图像剩余的其他图像网格是否满足特征识别规则；
29、当所述分割图像剩余的其他图像网格满足所述特征识别规则，将所述其他图像网格标记为感兴趣区域；
30、基于预设的灰度共生矩阵模型提取所述感兴趣区域的影像特征。
31、在一实施例中，所述基于所述影像特征训练子宫肌瘤状态模型，具体包括：
32、获取多个已处理的超声图像样本，并构建超声图像样本数据集；
33、基于所述超声图像样本数据集和所述影像特征，通过神经网络模型训练所述子宫肌瘤状态模型。
34、在一实施例中，所述超声图像样本数据集包括所述已处理的超声图像样本的影像特征和诊断评价信息；所述基于所述超声图像样本数据集和所述影像特征，通过神经网络模型训练所述子宫肌瘤状态模型，具体包括：
35、将所述超声图像样本数据集和所述影像特征按照预设比值分割为训练样本和测试样本；
36、根据所述训练样本确定初级预测模型，基于测试样本生成评价指标；当所述评价指标在预设评价指标范围内，则确定所述初级预测模型为所述子宫肌瘤预测模型；若所述评价指标不在预设评价指标范围内，则返回至所述基于所述超声图像样本数据集按照预设比值分割为训练样本和测试样本。
37、第二方面，本申请提供了一种超声系统，包括处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序用于由所述处理器加载并执行如第一方面中任意一项所述的基于超声图像的子宫肌瘤状态监测分析方法。
38、在本申请实施例所述的基于超声图像的子宫肌瘤状态监测分析方法及超声系统中，通过保留超声图像中具有重要信息的目标噪声点信息，在对患者的超声影像进行分割时，目标噪声点携带的影像特征也能在分割图像中被体现出来，并通过子宫肌瘤状态模型辅助医生分析子宫肌瘤的生长状态，减少了医生的诊断时间。
1.一种基于超声图像的子宫肌瘤状态监测分析方法，其特征在于，包括：
2.根据权利要求1所述的基于超声图像的子宫肌瘤状态监测分析方法，其特征在于，在确认所述噪声点为目标噪声点之前，还包括：
3.根据权利要求2所述的基于超声图像的子宫肌瘤状态监测分析方法，其特征在于，在根据预设的交叉熵损失函数确定所述第一预处理图像样本和所述第一恢复图像之间的第一相似度损失之后，还包括：
4.根据权利要求1所述的基于超声图像的子宫肌瘤状态监测分析方法，其特征在于，所述分割保留有所述目标噪声点的超声图像，确定所述超声图像中各个器官对应的分割图像，具体包括：
5.根据权利要求4所述的基于超声图像的子宫肌瘤状态监测分析方法，其特征在于，所述对所述超声图像进行预处理操作，具体包括：
6.根据权利要求4所述的基于超声图像的子宫肌瘤状态监测分析方法，其特征在于，在所述将所述超声图像输入预设的图像分割模型中之前，还包括：
7.根据权利要求1所述的基于超声图像的子宫肌瘤状态监测分析方法，其特征在于，所述解析所述目标器官对应的分割图像中的影像特征，具体包括：
8.根据权利要求1-7中任一项所述的基于超声图像的子宫肌瘤状态监测分析方法，其特征在于，所述基于所述影像特征训练子宫肌瘤状态模型，具体包括：
9.根据权利要求8所述的基于超声图像的子宫肌瘤状态监测分析方法，其特征在于，所述超声图像样本数据集包括所述已处理的超声图像样本的影像特征和诊断评价信息；所述基于所述超声图像样本数据集和所述影像特征，通过神经网络模型训练所述子宫肌瘤状态模型，具体包括：
10.一种超声系统，其特征在于，包括处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序用于由所述处理器加载并执行如权利要求1-9中任意一项所述的基于超声图像的子宫肌瘤状态监测分析方法。
