确定面积的方法、超声装置及计算机存储介质与流程

1.本发明实施例涉及超声领域，并且更具体地，涉及一种基于超声图像确定面积的方法、超声装置及计算机存储介质。


背景技术：

2.超声检查无辐射、使用方便、费用低，是很重要的影像学工具之一。胃内容物反流误吸是后果严重的麻醉并发症，可导致患者气道阻塞或吸入性肺炎，严重时可导致死亡。胃窦是炎症、溃疡及肿瘤的好发部，通过超声检查测量胃窦横截面面积是评估反流误吸风险的重要手段。
3.目前临床上通常采用手动方法测量胃窦横截面面积，即医生手动标出胃窦区域的长短轴并用椭圆面积近似，或者医生手动描出胃窦边界。然而，这种操作对医生的要求比较高，需要比较精确的标记，容易误操作。


技术实现要素：

4.本发明实施例提供了一种基于超声图像确定面积的方法、超声装置及计算机存储介质。
5.在第一方面，提供了一种基于超声图像确定面积的方法，包括：
6.通过激励超声探头向包括胃窦区域的目标对象发射超声波束，并通过超声探头接收从目标对象返回的超声回波，以获得超声回波信号；
7.处理器对超声回波信号进行处理，得到目标对象的超声图像；
8.处理器基于超声图像确定测量帧图像；
9.处理器确定测量帧图像中目标对象的胃窦区域，并进一步确定胃窦区域的面积。
10.在第二方面，提供了一种基于超声图像确定面积的方法，包括：
11.通过激励超声探头向包括胃窦区域的目标对象发射超声波束，并通过超声探头接收从目标对象返回的超声回波，以获得超声回波信号；
12.处理器对超声回波信号进行处理，得到目标对象的超声图像；
13.处理器基于超声图像确定测量帧图像；
14.处理器将测量帧图像输入至预先训练好的深度学习模型，获取深度学习模型的输出，该输出包括测量帧图像中胃窦区域的面积。
15.在第三方面，提供了一种基于超声图像确定面积的方法，包括：
16.通过激励超声探头向目标对象发射超声波束，并通过超声探头接收从目标对象返回的超声回波，以获得超声回波信号；
17.处理器对超声回波信号进行处理，得到目标对象的超声图像；
18.处理器基于超声图像确定测量帧图像；
19.处理器确定测量帧图像中目标对象的待测量目标的目标区域，并进一步确定目标区域的面积，其中，待测量目标包括目标器官或组织，目标区域包括切面或切面中的感兴趣
区域。
20.在第四方面，提供了一种超声装置，包括：
21.超声探头；
22.发射/接收电路，用于激励超声探头向目标对象发射超声波束，并控制超声探头接收从目标对象返回的超声回波，以获得超声回波信号；
23.存储器，用于存储所述处理器执行的程序；
24.处理器，用于实现前述第一方面至第三方面中任一所述的方法。
25.在第五方面，提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机或处理器执行时实现上述第一方面至第三方面中任一所述方法的步骤。
26.由此可见，本发明实施例中，由处理器对超声图像进行处理和分析，从而得到目标对象的胃窦区域的面积，省却了用户依经验的手动选择，一方面该方式省时省力，效率更高；另一方面不依赖于用户行为，所确定的面积更加准确。
附图说明
27.为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
28.图1是超声装置的一个示意框图；
29.图2是本发明实施例的基于超声图像确定面积的方法的一个示意性流程图；
30.图3是本发明实施例的胃窦区域的面积随时间的变化曲线的一个示意图；
31.图4是本发明实施例的胃窦区域的面积随时间的变化曲线的另一个示意图；
32.图5是本发明实施例的胃窦区域的面积随时间的变化曲线的另一个示意图；
33.图6是本发明实施例的胃窦区域的面积随时间的变化曲线的另一个示意图；
34.图7是本发明实施例的胃窦区域的面积随时间的变化曲线的另一个示意图；
35.图8是本发明实施例的在胃窦区域的面积随时间的变化曲线的一例上示出的胃窦周期以及单次胃窦收缩的示意图；
36.图9是本发明实施例的基于超声图像确定面积的方法的另一个示意性流程图；
37.图10是本发明实施例的基于超声图像确定面积的方法的又一个示意性流程图。
具体实施方式
38.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
39.胃内容物反流误吸是后果严重的麻醉并发症，可导致患者气道阻塞或吸入性肺炎，严重时可导致死亡。通过超声检查测量胃窦横截面面积是评估反流误吸风险的重要手段。目前临床上常用手动方法测量，即用手动标出胃窦区域的长短轴并用椭圆面积近似或手动描出胃窦边界。在检查时，医生首先要保存一段胃窦切面视频，并从中挑选出一帧进行
测量。该操作需要比较精确的标记，容易误操作。
40.在重症监护中，为评估接受营养管置入患者的肠内营养耐受情况并制定营养治疗方案，需要测量胃排空时间和胃窦动力指数等与胃动力相关的参数。胃排空时间的测量中，需要按照一定间隔时间多次测量胃窦横截面面积，每次测量后还需要记录检查时间并将测得结果与空腹状态下胃窦横截面面积比较。在测量胃窦动力指数时，医生需要记录一段较长的胃窦切面视频，识别出每次最大舒张和最小收缩并测量胃窦面积，并计算平均胃窦收缩频率和幅度。该操作需要多次人工识别，手动标记以及一定的计算，操作繁琐，费时且容易出错。
41.由于在麻醉和重症监护中进行床旁超声检查的医生通常不是专业的超声科医生，其对超声检查的了解和操作熟练程度有限，上述问题被进一步放大。
42.考虑到上述问题，本技术提供了一种基于超声图像确定面积的方法。应注意的是，尽管上述问题是针对胃窦提出的，本技术中的方法可以应用于各种不同的器官或组织，包括但不限于：胃窦、心腔、血管、肾脏、膀胱、卵泡、肿瘤等等。
43.本技术提供了一种基于超声图像确定面积的方法，该方法可以是由超声装置来实现，该超声装置也可以称为超声设备或超声系统等，如图1所示，超声装置10包括超声探头110、发送/接收选择开关120、发射电路160、接收电路170、存储器130、处理器140以及显示器150。
44.发送/接收选择开关120可以通过发射电路160激励超声探头110向目标对象发射超声波束，并通过接收电路170控制超声探头110接收从目标对象返回的超声回波以得到超声回波信号。处理器140可以对超声回波信号进行处理，得到目标对象的超声图像；进一步地处理器140可以确定超声图像中的待测量目标的面积。
45.示例性地，处理器140得到的超声图像可以存储于存储器130中。可选地，超声图像可以在显示器150上显示。
46.可选地，超声装置10中的显示器150可以为触摸显示屏、液晶显示屏等；或者显示器150可以为独立于超声装置10之外的液晶显示器、电视机等独立显示设备；或者显示器150可以是智能手机、平板电脑等电子设备的显示屏，等等。其中，显示器150的数量可以为一个或多个。
47.可选地，超声装置10中的存储器130可以为易失性存储器和/或非易失性存储器，为可移除存储器和/或不可移除存储器等，例如可以为闪存卡、固态存储器、硬盘等。
48.可选地，超声装置10中的处理器140可以通过软件、硬件、固件或其任意组合来实现，可以使用电路、单个或多个专用集成电路(application specific integrated circuit，asic)、单个或多个通用集成电路、单个或多个微处理器、单个或多个可编程逻辑器件、或者前述电路和/或器件的任意组合、或者其他适合的电路或器件，从而使得处理器140可以执行本说明书中的各个实施例中的方法的相应步骤。
49.应理解，图1所示的超声装置10所包括的部件只是示意性的，其可以包括更多或更少的部件。例如，超声装置10还可以包括诸如键盘、鼠标、滚轮、轨迹球、等输入设备，和/或可以包括诸如打印机之类的输出设备。相应的外部输入/输出端口可以是无线通信模块，也可以是有线通信模块，或者两者的组合。外部输入/输出端口也可基于usb、如can等总线协议、和/或有线网络协议等来实现。本发明对此不限定。
50.以下将结合图2至图10描述本发明实施例中的基于超声图像确定面积的方法。
51.图2是本发明实施例的基于超声图像确定面积的方法的一个示意性流程图。图2所示的方法包括以下步骤：
52.s110，通过激励超声探头向包括胃窦区域的目标对象发射超声波束，并通过超声探头接收从目标对象返回的超声回波，以获得超声回波信号；
53.s120，处理器对超声回波信号进行处理，得到目标对象的超声图像；
54.s130，处理器基于超声图像确定测量帧图像；
55.s140，处理器确定测量帧图像中目标对象的胃窦区域，并进一步确定胃窦区域的面积。
56.这样，本技术中可以由处理器对超声图像进行处理和分析，从而得到目标对象的胃窦区域的面积，省却了用户依经验的手动选择，一方面该方式省时省力，效率更高；另一方面不依赖于用户行为，所确定的面积更加准确。
57.在一个实施例中，s120所确定的超声图像为一帧图像，相应地，s130中可以将该一帧图像作为测量帧图像。
58.在另一个实施例中，s120中所确定的超声图像包括多帧图像，例如超声图像为视频数据。相应地，s130中可以从多帧图像中选择其中一帧作为测量帧图像。
59.作为一种实现方式，s130中可以确定多帧图像中每帧图像的图像质量；并将多帧图像中图像质量最优的图像确定为测量帧图像。
60.示例性地，图像质量可以表示为质量评分，并且该质量评分包括多个子评分的加权和。其中，图像的子评分可以包括以下至少一项：图像中的胃窦区域与上一帧图像中的胃窦区域的交并比；图像中的胃窦区域与上一帧图像中的胃窦区域的豪斯多夫距离的倒数；图像中的胃窦区域与上一帧图像中的胃窦区域的面积差的倒数；图像中的胃窦区域的边界上最长直线段的长度的倒数；图像中的胃窦区域的边界上锐角的数量的倒数；图像中的胃窦区域的边界上向内凹陷的面积的倒数；经由一个或多个机器学习模型给出的图像的一个或多个打分。
61.可理解，各个子评分与图像质量之间呈正比关系。
62.以多帧图像中的第t帧图像为例，第t帧图像的子评分可以包括：
63.(1)第t帧图像中胃窦区域r
t
与第t-1帧图像中胃窦区域r
t-1
的交并比。
64.具体地，可以确定第t-1帧图像中胃窦区域r
t-1
的面积s
t-1
，确定第t帧图像中胃窦区域r
t
的面积s
t
。进一步地，可以计算这两个区域r
t-1
和r
t
的交集面积s1和并集面积s2，并将交集面积s1和并集面积s2的比值作为该交并比。
65.可选地，可以将第1帧图像的该项子评分定义为1。
66.(2)第t帧图像中胃窦区域r
t
与第t-1帧图像中胃窦区域r
t-1
的豪斯多夫距离的倒数。
67.具体地，可以确定第t-1帧图像中胃窦区域r
t-1
的图像特征f
t-1
，确定第t帧图像中胃窦区域r
t
的图像特征f
t
。进一步地，可以计算这两个图像特征f
t-1
和f
t
的距离(如差值的范数)。其中，距离与图像质量之间呈反比，即距离越小，图像质量越高。因此，此处以距离的倒数作为子评分。
68.可选地，可以将第1帧图像的该项子评分定义为1。
69.(3)第t帧图像中胃窦区域r
t
与第t-1帧图像中胃窦区域r
t-1
的面积差的倒数。
70.具体地，可以确定第t-1帧图像中胃窦区域r
t-1
的面积s
t-1
，确定第t帧图像中胃窦区域r
t
的面积s
t
。进一步地，可以计算这两个面积s
t-1
和s
t
的差值的绝对值，得到面积差。其中，面积差与图像质量之间呈反比，即面积差越小，图像质量越高。因此，此处以面积差的倒数作为子评分。
71.可选地，可以将第1帧图像的该项子评分定义为1。
72.(4)第t帧图像中胃窦区域r
t
的边界上最长直线段的长度的倒数。
73.具体地，可以判断胃窦区域的边界上是否存在连续的多个像素点位于同一直线上。如果没有，则长度为0；如果有，则确定位于最长直线段，假设为l。其中，其单位可以为毫米(mm)或其他量纲等。其中，最长直线段的长度与图像质量之间呈反比，即最长直线段的长度越小，图像质量越高。因此，此处以最长直线段的长度的倒数作为子评分。
74.(5)第t帧图像中胃窦区域r
t
的边界上锐角的数量的倒数。
75.具体地，可以针对胃窦区域的边界上的每三个相邻像素点，判断这三个像素点是否构成锐角，如果是，则锐角的数量增加1，直到将边界上所有点判断完毕。其中，锐角的数量越少，图像质量越高。因此，此处以锐角的数量的倒数作为子评分。
76.(6)第t帧图像中胃窦区域r
t
的边界上向内凹陷的面积的倒数。
77.具体地，可以确定第t帧图像中胃窦区域r
t
的面积s
t
，并确定第t帧图像中胃窦区域r
t
的外接圆或外接椭圆的面积s，并将两者之差s-s
t
作为向内凹陷的面积。其中，向内凹陷的面积越小，图像质量越高。因此，此处以向内凹陷的面积的倒数作为子评分。
78.(7)经由一个或多个机器学习模型给出的第t帧图像的一个或多个打分。
79.机器学习模型可以是传统机器学习方法、深度学习方法或基于reverse classification accuracy类方法等。其中，深度学习的检测方法包括基于alexnet、vgg、inception、resnet、densenet等的cnn模型，或是由全连接层构成的多层感知器。传统机器学习的方法包括特征提取方法和分类方法，特征提取方法可为cnn模型或pca、hog、lda等传统方法，分类方法可为knn、svm、随机森林等方法。
80.s120中所确定的超声图像包括多帧图像的实施例中，可选地，在s120之后可以包括：针对多帧图像，确定每一帧图像中的胃窦区域并计算每一帧图像中胃窦区域的面积；根据多帧图像中每一帧图像中的胃窦区域，从多帧图像中确定测量帧图像；进一步地将测量帧图像中胃窦区域的面积作为该目标对象的胃窦区域的面积。
81.其中，确定胃窦区域并计算面积的方式将在下文结合s140进行描述。其中，如果某一帧图像存在错误，可以将该帧图像的图像质量确定为0。
82.这里所说的错误可以包括以下任一项：胃窦区域的面积小于设定的最小阈值，或由基于上述(7)中任一机器学习模型的二分类判别器判定的结果为错误。
83.这样，在s130中可以基于图像质量确定测量帧图像，进而在s140中可以将测量帧图像中胃窦区域的面积作为该目标对象的胃窦区域的面积。
84.作为另一种实现方式，s130中可以确定多帧图像中每帧图像的图像质量；获取多帧图像中图像质量大于质量阈值的至少两帧图像；将至少两帧图像中的胃窦区域面积最大的图像确定为测量帧图像。
85.可理解，在该实现方式中确定图像质量的方式可以参见上述实现方式所述，例如
图像质量的评分为多个子评分的加权和。
86.在该实现方式中，可以预先设定有质量阈值，假设表示为mth。可以判断多帧图像中哪些帧图像的图像质量评分大于mth。
87.假设多帧图像的数量为n1，那么可以确定n1帧图像对应的n1个图像质量。假设n1帧图像中，其中n2帧图像(n2≤n1)的图像质量大于质量阈值，即n2帧图像的图像质量评分大于mth，那么可以从n2帧图像中选择测量帧图像。
88.作为一例，如果n2＝1，那么这1帧图像即为测量帧图像。作为另一例，如果n2》1，那么可以进一步地确定n2帧图像中每帧图像中的胃窦区域面积，例如可以得到相对应的n2个胃窦区域面积，随后可以将胃窦区域面积最大的那一帧图像作为测量帧图像。
89.作为另一种实现方式，s130中可以确定多帧图像的每帧图像中的胃窦区域面积；将多帧图像中的胃窦区域面积最大的图像确定为测量帧图像。
90.假设多帧图像的数量为n1，那么可以确定n1帧图像对应的n1个面积，进一步可以将面积最大的那一帧图像作为测量帧图像。
91.另外，应当注意的是，尽管在上面以多种不同的实现方式描述了确定测量帧图像的方式，但是本技术不限于此，例如可以将图像质量次优的帧作为测量帧图像，例如可以将胃窦区域面积次大的帧作为测量帧图像，等等。
92.示例性地，本技术中对s140中确定胃窦区域的实现方式不做具体限定。
93.在一个实施例中，可以对测量帧图像进行图像分割，从而确定测量帧图像中的胃窦区域。图像分割的方法可以是基于深度学习、或者传统机器学习的分割方法。
94.其中，深度学习的检测方法可以为基于fcn、u-net、rcnn、yolo、inception、resnet、densenet等的cnn模型。示例性地，可以将测量帧图像输入至cnn模型获取输出，该输出包括胃窦区域。
95.其中，传统机器学习方法包括特征提取方法和分割方法，特征提取方法可为cnn模型或pca、hog、lda等传统方法，分割方法可为fcm、svm、acm等方法。
96.在另一个实施例中，可以对测量帧图像进行识别，从而确定出胃窦区域边界上的多个点；基于多个点进行坐标插值，确定出多个点所在的胃窦区域边界，进而确定出胃窦区域。
97.示例性地，可以采用深度学习模型对测量帧图像进行识别，从而回归出边界上的多个点。
98.其中，坐标插值的方式可以例如线性插值、样条曲线插值、多项式插值等，本技术对此不限定。
99.在另一个实施例中，可以对测量帧图像进行识别，从而确定出胃窦区域边界上的多个点；将多个点进行曲线拟合，从而确定出胃窦区域。
100.示例性地，可以采用深度学习模型对测量帧图像进行识别，从而回归出边界上的多个点。
101.其中，曲线拟合的方式可以是二次曲线拟合方式，作为一例，可以通过椭圆拟合方式确定胃窦区域，也就是说，通过曲线拟合所确定的胃窦区域是椭圆形状的。
102.进一步地，在s140中，可以确定胃窦区域的面积。
103.在一个实施例中，如果所确定的胃窦区域是椭圆形的，则可以计算椭圆的面积并
作为胃窦区域的面积。
104.假设椭圆的长轴为a，短轴为b，则该椭圆的面积为π
×a×
b/4。
105.在另一实施例中，可以基于胃窦区域确定相互垂直的长轴和短轴，并根据相互垂直的长轴和短轴来确定面积。
106.示例性地，可以确定胃窦区域的边界上任意两点的线段中最长的一条为长轴；基于长轴确定短轴，其中短轴与长轴相互垂直并且短轴所在的线段的两个端点位于胃窦区域的边界上。
107.例如，可以将连接胃窦区域的边界上两点并与长轴的中垂线重合的线段确定为短轴。或者，例如，将连接胃窦区域的边界上两点并与长轴垂直的线段中最长的一条确定为短轴。
108.可见，长轴的两端在胃窦区域的边界上，短轴的两端也在胃窦区域的边界上，长轴和短轴相互垂直，因此，长轴和短轴将胃窦区域划分为四个子区域。那么进一步地，可以计算四个子区域中每个子区域的面积，并将四个子区域的面积之和作为胃窦区域的面积。
109.作为一例，可以根据与子区域关联的半长轴和半短轴，拟合得到四分之一椭圆，并将四分之一椭圆的面积作为子区域的面积。
110.假设长轴长度为a，短轴长度为b。短轴将长轴分为两段，长度分别为a1和a2，且a1 a2＝a。长轴将短轴分为两段，长度分别为b1和b2，且b1 b2＝b。那么四个子区域的面积分别为π
×
a1
×
b1/4，π
×
a1
×
b2/4，π
×
a2
×
b1/4和π
×
a2
×
b2/4。从而通过求和可以得到胃窦区域的面积。
111.在另一实施例中，可以基于胃窦区域中所包含的像素点的数量来确定胃窦区域的面积。具体地，可以统计胃窦区域内的像素点的总数量；根据总数量以及单个像素点所代表的实际面积，确定胃窦区域的面积。
112.其中，单个像素点所代表的实际面积与超声装置的属性有关，例如，超声装置得到的超声图像的尺寸(宽度和高度)、分辨率等。假设统计得出的总数量为n0，单个像素点所代表的实际面积为a0，那么可以通过两者的乘积确定胃窦区域的面积为n0
×
a0。
113.由此可见，通过上述结合图2所示的方法，能够确定出测量帧图像中胃窦区域的面积，并将其作为目标对象的胃窦区域的面积。并且，该过程不依赖于用户经验，能够由处理器自动执行，不仅耗时短效率高，并且得到的结果更加准确，从而能够为目标对象的基于胃窦的进一步分析提供了可靠的面积基础。
114.示例性地，在s140之后，还可以包括：显示该测量帧图像，并在测量帧图像中标记出胃窦区域。
115.可选地，可以通过显示器显示测量帧图像，并在测量帧图像中标记出胃窦区域以及胃窦区域的面积。
116.作为一例，可以以线条形式标记出该胃窦区域的边界。例如，可以用线条描出测量帧图像中的胃窦区域的轮廓，其中，线条可以为实线或虚线或其他线型，并且本技术对线条的宽度、颜色、透明度等不限定，例如用户可以通过选择框进行自定义。
117.作为另一例，可以以蒙版形式覆盖该胃窦区域。可选地，可以将胃窦区域近似为椭圆形，并以蒙版形式覆盖该椭圆形。例如，可以用色块覆盖测量帧图像中的胃窦区域，并且本技术对色块的颜色、透明度、羽化程度等不限定，例如用户可以进行自定义。
118.作为再一例，可以以椭圆标注出该胃窦区域，且标记出椭圆长轴和椭圆短轴。例如，可以将胃窦区域近似为椭圆形，并用第一线条标记出椭圆的轮廓。第一线条可以为实线或虚线，并且第一线条的宽度、颜色、透明度等可以由用户自定义。例如，可以用第二线条标记出椭圆的长轴和短轴。第二线条可以为实线或虚线，并且第二线条的宽度、颜色、透明度等可以由用户自定义。并且可以理解的是，第一线条和第二线条可以具有相同或不同的形式，本技术对此不限定。
119.在标记出胃窦区域的同时，还可以标记出胃窦区域的面积。示例性地，可以在胃窦区域的内部或外部注明该面积，如a1cm2。示例性地，可以显示该面积(如a1cm2)并通过箭头或其他方式指向胃窦区域。示例性地，该面积可以显示在测量帧图像上，或者也可以显示在成像区域外，本技术对此不限制。
120.可以理解的是，尽管上述实施例里中描述了确定测量帧图像中胃窦区域的面积的过程，实际上，可以针对任一帧图像通过类似的过程，确定任一帧图像中胃窦区域的面积。
121.示例性地，可以获取通过连续测量得到的胃窦区域的面积，并显示通过连续测量得到的胃窦区域的面积随时间的变化曲线。
122.针对时刻t1至时刻t2的时间区间范围，可以确定其中每一帧图像中胃窦区域的面积，并且可以进一步地：显示在时刻t1至时刻t2的时间区间范围，胃窦区域的面积随时间的变化曲线，如图3所示。
123.该变化曲线可以与实时得到的超声图像是对应的。例如，超声图像包括n1帧图像，那么可以针对每一帧图像，确定胃窦区域的面积，并通过如图3所示的折线进行显示。如图3是用折线表示的胃窦区域的面积-时间曲线。可选地，可以在超声测量的过程中实时地更新该曲线，例如图3中时间t2处可以显示竖线用于表示当前时刻，并且当采集到下一帧图像后，可以确定下一帧图像中胃窦区域的面积，并实时更新在该曲线中，相应地当前时刻对应的竖线会向后移动。
124.可选地，还可以进一步地将折线形式的胃窦区域的面积-时间曲线拟合为平滑曲线，如图4示出的是时刻t01至时刻t02之间拟合之后的平滑的面积-时间曲线。
125.可选地，可以获取多个不同时间段的面积-时间曲线，并显示在同一坐标轴下，其中，不同的时间段之间可以间断表示。具体地，变化曲线可以包括对应于多个时间段的多段曲线段。如图5所示，包括3个时间段，分别为t11至t12，t21至t22，和t31至t32。其中，多个时间段不连续，且在不同的时间段之间通过间断时间轴进行表示。在图5中，t12与t21不连续，t22与t31不连续，并且以两个平行斜线表示时间轴间断。
126.在图5中，t32可以为当前时刻，并且可以随着超声测量实时地更新该曲线。
127.另外，在图3或图5的示例中，可以将曲线上的奇异点删除，并用相邻的其他点通过插值等方式重新确定。或者，如果某帧图像的图像质量低于质量阈值，可以将该帧图像的胃窦区域的面积从曲线上删除，并用相邻的其他点通过插值等方式重新确定。
128.另外，可选地，还可以对面积-时间曲线进行低通滤波。低通滤波可以通过以下过程实现：对胃窦区域的面积-时间曲线做傅里叶变换，得到在各频率上的分量，对每个频率分量乘一个系数，对结果再做反傅里叶变换。其中，低通滤波表示低频分量的系数较大，高频分量的系数较小。或者其中，对系数做傅里叶反变换，与胃窦面积-时间曲线做卷积。
129.应注意，在图5的示例中，也可以将各个时间段的曲线段分别拟合为平滑曲线再进
行显示。应注意，图3至图5仅是示意性的，例如还可以在纵坐标上示出具体的面积的数值等，本技术对此不限定。
130.示例性地，在s140之后，还可以包括：根据胃窦区域的面积，计算胃窦动态参数。
131.作为一个实现方式，胃窦动态参数为胃排空时间。计算胃窦动态参数可以包括：获取胃空腹状态下的胃窦区域的第一面积；获取在第一时刻的、胃充盈状态下的胃窦区域的第二面积；通过间断测量的方式，获取在胃充盈状态之后的胃窦区域的第三面积，并且当第三面积与第一面积之差小于面积阈值时，记录获取第三面积的第二时刻；根据第一时刻和第二时刻，确定胃排空时间。
132.在目标对象空腹状态下可以通过如图2所示的方法确定胃窦区域的面积，假设空腹面积为s0。在目标对象胃充盈后，标记为第一时刻t41，可以通过如图2所示的方法确定胃窦区域的面积，假设为s1。随后，可以每隔一段时间(例如半小时或5分钟或其他值)通过图2所示的方法确定胃窦区域的面积，并确定第二时刻t42。进而可以确定胃排空时间为t42-t41。
133.在一例中，若第二时刻所确定的胃窦区域的第三面积与第一面积之差的绝对值小于面积阈值，则可以记录该第二时刻。
134.在另一例中，若第三时刻所确定的胃窦区域的面积大于第一面积，在第三时刻之后的第四时刻所确定的胃窦区域的面积小于第一面积，那么可以进一步确定在第三时刻与第四时刻之间的胃窦区域的面积约为第一面积的第二时刻。
135.其中，第二时刻t42可以是根据间断测量的胃窦区域的面积采用数据插值的方式所确定的。
136.结合图6，假设在第一时刻t41确定的胃窦区域的面积为s1，随后在t43、t44、t45和t46分别进行测量，确定各个时刻的胃窦区域的面积。由于在时刻t45所确定的面积大于s0，在时刻t46所确定的面积小于s0，那么可以通过插值的方式确定t45与t46之间的面积约为s0(图6中以黑色虚线示出空腹面积s0)的第二时刻t42。
137.应注意，本技术对插值的具体方式不作限定，例如可以为结合图6的线性插值方式，或者也可以为多项式内插、样条曲线插值等方式。其中，多项式内插方式可以为：假设面积-时间曲线满足某个多项式，那么可以将各个已知点的坐标代入该多项式，从而得到多项式中的各个参数。其中，样条曲线插值方式可以为：假设面积-时间曲线上各点的坐标为已知点坐标的加权和，并且距离越近的已知点的权重越大。
138.可选地，可以将在测量胃排空时间过程中所确定的多个胃窦区域的面积显示出来。示例性地，可以显示在第一时刻(t41)至第二时刻(t42)的时间区间范围内，胃窦区域的面积随时间的变化曲线。
139.作为一例，该变化曲线可以是间断测量的多个点标记出的折线，如图6所示，通过将相邻的两个点直线连接，构成了面积-时间的折线。
140.作为另一例，该变化曲线可以是间断测量的多个点经插值后得到的平滑曲线，如图7所示。
141.可理解，采用不同的插值方式所确定的第二时刻可能是不一样的，如图6中所确定的第二时刻t42小于如图7中所确定的第二时刻t42，从而图6中得到的胃排空时间略小于图7中得到胃排空时间。但是，采用不同插值方式所得到的第二时刻时间的差别，相对于胃排
空时间而言是很小的，甚至可以忽略不计的，因此不同的插值方式对于胃排空时间的影响不大。
142.可选地，还可以在显示该变化曲线的同时，显示出胃排空时间和/或空腹时胃窦区域的面积。参照图7，还显示出“胃排空时间：t42-t41＝20min”以及“空腹面积：s0＝2cm
2”。
143.作为另一个实现方式，胃窦动态参数包括平均胃窦收缩幅度(δa/a)和/或平均胃窦收缩频率(f)。计算胃窦动态参数可以包括：根据预设时间段内的胃窦区域的面积随时间的变化，确定平均胃窦收缩幅度和平均胃窦收缩频率。
144.作为另一个实现方式，胃窦动态参数包括胃窦运动指数(mi)。计算胃窦动态参数可以包括：根据预设时间段内的胃窦区域的面积随时间的变化，确定平均胃窦收缩幅度和平均胃窦收缩频率；根据平均胃窦收缩幅度和平均胃窦收缩频率，计算得到胃窦运动指数。
145.具体地，可以获取在预设时间段内通过连续测量得到的胃窦区域的面积随时间的变化曲线；根据变化曲线确定多个胃窦运动周期；根据多个胃窦运动周期中各个胃窦运动周期的收缩幅度和收缩频率，确定平均胃窦收缩幅度和平均胃窦收缩频率。
146.示例性地，面积随时间的变化曲线可以是如图3所示的初始变化曲线，或者可以是如图4所示的对初始变化曲线进行平滑处理之后得到的平滑曲线。另外可选地，面积随时间的变化曲线还可以是对如图3或如图4所示的曲线进行低通滤波之后所得到的曲线。
147.示例性地，预设时间段可以是如图3中所示的时刻t1至时刻t2，或者可以是如图4中所示的时刻t01至时刻t02。一般地，预设时间段应包括多个胃窦运动周期。其中，一个胃窦周期可以是胃窦面积从一个波峰(或波谷)到下一个波峰(或波谷)之间的时长。
148.参照图8，两个相邻波峰之间的时长为一个胃窦周期，如t1；两个相邻波谷之间的时长为一个胃窦周期，如t2。可理解，面积波峰对应的帧是胃窦舒张帧，面积波谷对应的帧是胃窦收缩帧。
149.胃窦收缩幅度可以根据单次胃窦收缩来确定，参照图8中的虚线矩形框所示，面积从波峰到下一个波谷可以认为是单次胃窦收缩。其中，波峰处为面积的最大值，波谷处为面积的最小值，那么可以通过“(面积的最大值-面积的最小值)/面积的最大值”得到该单次胃窦收缩的胃窦收缩幅度。
150.那么，通过计算多个单次胃窦收缩对应的多个胃窦收缩幅度，并取平均值，从而能够得到平均胃窦收缩幅度。
151.依然参照图8，可以确定单次胃窦收缩所用的收缩时长为t52-t51。类似地，可以确定多个单次胃窦收缩对应的多个收缩时长。进一步地，可以计算多个收缩时长的平均值，得到平均收缩时长，将平均收缩时长的倒数作为平均胃窦收缩频率。
152.另外，还可以将上述得到的平均胃窦收缩幅度与平均胃窦收缩频率两者的乘积确定为胃窦运动指数。
153.由此，本技术中基于图2得到的胃窦区域的面积进一步确定胃窦动态参数，能够确保得到的胃窦动态参数更加准确，更能够反映胃窦的真实状况。
154.示例性地，在s140之后，还可以包括：根据胃窦区域的面积，确定胃容积。具体地，可以根据胃在多个不同的切面的胃窦区域的面积，确定胃容积。可理解，根据胃窦区域的面积确定胃容积的方式可以参照已有技术，此处不再赘述。
155.进一步地，可以根据在多个不同时刻所确定的胃容积，确定并显示胃容积随时间
变化的胃容积时间曲线。
156.可以根据多个不同时刻所确定的胃窦区域的面积，确定多个不同时刻对应的胃容积。多个不同时刻可以是离散的时刻，即多个不同时刻是间隔测量的多个时刻，例如相邻两个时刻之间具有间隔(如5min或其他值)。可选地，该胃容积时间曲线可以是折线；或者可选地，可以通过曲线拟合或插值等方式进行平滑，从而使得胃容积时间曲线为平滑曲线。
157.示例性地，还可以包括：根据胃容积时间曲线，预测或计算胃排空时间。例如，可以确定胃空腹状态时的第一胃容积，在第一时刻确定胃充盈时的第二胃容积，并检测随着时间的变化胃容积降至第一胃容积时的第二时刻，进而得到胃排空时间为第一时刻与第二时刻之间的时长。
158.这样，通过上述结合图2至图8的实施例，能够由处理器自动地确定胃窦区域的面积，该过程无需人工干预，不依赖与用户的经验，能够节省用户的操作，提高处理效率；并且能够得到更为准确的胃窦区域的面积。进一步地，还可以将胃窦区域的面积进行动态显示，使用户通过面积-时间曲线直观地看到胃窦面积随时间的变化。
159.应注意的是，尽管上面结合图2至图8描述了确定胃窦区域的面积的方法，但是本技术不限于此，例如如图9所示，可以基于深度学习模型直接得到面积，该方法包括：
160.s110，通过激励超声探头向包括胃窦区域的目标对象发射超声波束，并通过超声探头接收从目标对象返回的超声回波，以获得超声回波信号；
161.s120，处理器对超声回波信号进行处理，得到目标对象的超声图像；
162.s130，处理器基于超声图像确定测量帧图像；
163.s240，处理器将测量帧图像输入至预先训练好的深度学习模型，获取深度学习模型的输出，该输出包括测量帧图像中胃窦区域的面积。
164.其中，可以基于训练数据集进行训练，从而得到该深度学习模型。训练数据集中可以包括多个样本，每个样本为带标记的超声图像。具体地，该超声图像中包括胃窦区域，且被标记出胃窦区域的面积。
165.该深度学习模型的输入为超声图像，输出为胃窦区域的面积。该深度学习模型可以包括卷积层、反卷积层、池化层、全连接层等，本技术对此不限定。
166.可以理解的是，在图9所示的方法中，s130可以包括：使用深度学习模型确定各帧图像中胃窦区域的面积，进一步确定测量帧图像。其中，确定测量帧图像的过程可以参照上述结合图2所描述的部分，这里不再重复。
167.另外，可以理解的是，尽管上述实施例提供了确定胃窦区域的面积的方法，但是本技术不限于此，本技术中的方法可以应用于各种不同的器官或组织，包括但不限于：胃窦、心腔、血管、肾脏、膀胱、卵泡、肿瘤等等。如图10是本技术中确定面积的另一方法流程图，图10所示的方法包括：
168.s10，通过激励超声探头向目标对象发射超声波束，并通过超声探头接收从目标对象返回的超声回波，以获得超声回波信号；
169.s20，处理器对超声回波信号进行处理，得到目标对象的超声图像；
170.s30，处理器基于超声图像确定测量帧图像；
171.s40，处理器确定测量帧图像中目标对象的待测量目标的目标区域，并进一步确定目标区域的面积，其中，待测量目标包括目标器官或组织，目标区域包括切面或切面中的感
兴趣区域。
172.示例性地，待测量目标可以是目标器官或组织，包括但不限于：胃窦、心腔、血管、肾脏、膀胱、卵泡、肿瘤等。示例性地，待测量目标的目标区域可以是目标器官或组织的切面或切面的一部分(如感兴趣区域)，并且其中切面可以是横截面或剖面。
173.举例来讲，待测量目标的目标区域的面积可以为：胃窦横截面面积、心腔截面面积、血管截面面积、卵泡截面面积、肿瘤截面面积等等。
174.在一个实施例中，s20所确定的超声图像为一帧图像，相应地，s30中可以将该一帧图像作为测量帧图像。
175.在另一个实施例中，s20中所确定的超声图像包括多帧图像，例如超声图像为视频数据。相应地，s30中可以从多帧图像中选择其中一帧作为测量帧图像。
176.作为一种实现方式，s30中可以确定多帧图像中每帧图像的图像质量；并将多帧图像中图像质量最优的图像确定为测量帧图像。
177.示例性地，图像质量可以表示为质量评分，并且该质量评分包括多个子评分的加权和。其中，图像的子评分可以包括以下至少一项：图像中的目标区域与上一帧图像中的目标区域的交并比；图像中的目标区域与上一帧图像中的目标区域的豪斯多夫距离的倒数；图像中的目标区域与上一帧图像中的目标区域的面积差的倒数；图像中的目标区域的边界上最长直线段的长度的倒数；图像中的目标区域的边界上锐角的数量的倒数；图像中的目标区域的边界上向内凹陷的面积的倒数；经由一个或多个机器学习模型给出的图像的一个或多个打分。
178.可理解，各个子评分与图像质量之间呈正比关系。
179.以多帧图像中的第t帧图像为例，第t帧图像的子评分可以包括：
180.(1)第t帧图像中目标区域r
t
与第t-1帧图像中目标区域r
t-1
的交并比。
181.具体地，可以确定第t-1帧图像中目标区域r
t-1
的面积s
t-1
，确定第t帧图像中目标区域r
t
的面积s
t
。进一步地，可以计算这两个区域r
t-1
和r
t
的交集面积s1和并集面积s2，并将交集面积s1和并集面积s2的比值作为该交并比。
182.可选地，可以将第1帧图像的该项子评分定义为1。
183.(2)第t帧图像中目标区域r
t
与第t-1帧图像中目标区域r
t-1
的豪斯多夫距离的倒数。
184.具体地，可以确定第t-1帧图像中目标区域r
t-1
的图像特征f
t-1
，确定第t帧图像中目标区域r
t
的图像特征f
t
。进一步地，可以计算这两个图像特征f
t-1
和f
t
的距离(如差值的范数)。其中，距离与图像质量之间呈反比，即距离越小，图像质量越高。因此，此处以距离的倒数作为子评分。
185.可选地，可以将第1帧图像的该项子评分定义为1。
186.(3)第t帧图像中目标区域r
t
与第t-1帧图像中目标区域r
t-1
的面积差的倒数。
187.具体地，可以确定第t-1帧图像中目标区域r
t-1
的面积s
t-1
，确定第t帧图像中目标区域r
t
的面积s
t
。进一步地，可以计算这两个面积s
t-1
和s
t
的差值的绝对值，得到面积差。其中，面积差与图像质量之间呈反比，即面积差越小，图像质量越高。因此，此处以面积差的倒数作为子评分。
188.可选地，可以将第1帧图像的该项子评分定义为1。
189.(4)第t帧图像中目标区域r
t
的边界上最长直线段的长度的倒数。
190.具体地，可以判断目标区域的边界上是否存在连续的多个像素点位于同一直线上。如果没有，则长度为0；如果有，则确定位于最长直线段，假设为l。其中，其单位可以为毫米(mm)或其他量纲等。其中，最长直线段的长度与图像质量之间呈反比，即最长直线段的长度越小，图像质量越高。因此，此处以最长直线段的长度的倒数作为子评分。
191.(5)第t帧图像中目标区域r
t
的边界上锐角的数量的倒数。
192.具体地，可以针对目标区域的边界上的每三个相邻像素点，判断这三个像素点是否构成锐角，如果是，则锐角的数量增加1，直到将边界上所有点判断完毕。其中，锐角的数量越少，图像质量越高。因此，此处以锐角的数量的倒数作为子评分。
193.(6)第t帧图像中目标区域r
t
的边界上向内凹陷的面积的倒数。
194.具体地，可以确定第t帧图像中目标区域r
t
的面积s
t
，并确定第t帧图像中目标区域r
t
的外接圆或外接椭圆的面积s，并将两者之差s-s
t
作为向内凹陷的面积。其中，向内凹陷的面积越小，图像质量越高。因此，此处以向内凹陷的面积的倒数作为子评分。
195.(7)经由一个或多个机器学习模型给出的第t帧图像的一个或多个打分。
196.机器学习模型可以是传统机器学习方法、深度学习方法或基于reverse classification accuracy类方法等。其中，深度学习的检测方法包括基于alexnet、vgg、inception、resnet、densenet等的cnn模型，或是由全连接层构成的多层感知器。传统机器学习的方法包括特征提取方法和分类方法，特征提取方法可为cnn模型或pca、hog、lda等传统方法，分类方法可为knn、svm、随机森林等方法。
197.s20中所确定的超声图像包括多帧图像的实施例中，可选地，s30可以包括：针对多帧图像，确定每一帧图像中的目标区域并计算每一帧图像中目标区域的面积；进一步计算每一帧图像的图像质量；从而可以根据图像质量来确定测量帧图像。
198.作为另一种实现方式，s30中可以确定多帧图像中每帧图像的图像质量；获取多帧图像中图像质量大于质量阈值的至少两帧图像；将至少两帧图像中的目标区域面积最大的图像确定为测量帧图像。
199.作为另一种实现方式，s30中可以确定多帧图像的每帧图像中的目标区域面积；将多帧图像中的目标区域面积最大的图像确定为测量帧图像。
200.可理解的是，图10中的s30与上面图2中的s130过程是类似的，并且图10中的s40与上面图2中的s140过程是类似的，因此这里不再详细描述。
201.示例性地，在s40之后，还可以包括：显示该测量帧图像，并且在该测量帧图像中标记出待测量目标的目标区域以及目标区域的面积。
202.作为一例，可以以线条形式标记出该目标区域的边界。例如，可以用线条描出测量帧图像中的目标区域的轮廓，其中，线条可以为实线或虚线或其他线型，并且本技术对线条的宽度、颜色、透明度等不限定，例如用户可以通过选择框进行自定义。
203.作为另一例，可以以蒙版形式覆盖该目标区域。例如，可以用色块覆盖测量帧图像中的目标区域，并且本技术对色块的颜色、透明度、羽化程度等不限定，例如用户可以进行自定义。
204.在标记出目标区域的同时，还可以标记出目标区域的面积。示例性地，可以在目标区域的内部或外部注明该面积，如a11cm2。示例性地，可以显示该面积(如a11cm2)并通过箭
头或其他方式指向目标区域。示例性地，该面积的值可以显示在测量帧图像上，或者也可以显示在成像区域外，本技术对此不限制。
205.示例性地，在s40之后，还可以包括：根据多个不同时刻的目标区域的面积，显示目标区域的面积随时间变化的曲线。
206.作为一例，针对时刻t13至时刻t14的时间区间范围，可以确定其中每一帧图像中目标区域的面积，并且可以进一步地：显示目标区域的面积随时间变化的曲线。可选地，该曲线为折线，并且可以在超声测量的过程中实时地更新该曲线。可以类似地如图3所示，通过显示竖线表示当前时刻。或者可选地，该曲线为平滑曲线，例如可以通过对折线进行过滤、拟合之后得到。
207.作为另一例，可以获取多个不同时间段的面积-时间曲线，并显示在同一坐标轴下，其中，不同的时间段之间可以间断表示。具体地，变化曲线可以包括对应于多个时间段的多段曲线段。可以类似地如图5所示，以两个平行斜线表示时间轴间断。
208.示例性地，在一个实施例中，待测量目标包括心腔，相应地，s40可以确定心腔的截面面积。在s40之后，还可以包括：根据心腔的面积，确定心腔的容积。可选地，在此之后，还可以显示心腔的容积随时间的变化曲线，从而使得用户能够更加直观地查看。
209.示例性地，在一个实施例中，待测量目标包括卵泡，相应地，s40可以确定卵泡的截面面积。在s40之后，还可以还包括：根据卵泡的面积，确定卵泡的体积。可选地，在此之后，还可以显示卵泡的体积随时间的变化曲线，从而使得用户能够更加直观地查看。
210.由此可见，本技术中能够由处理器自动地确定各个待测量目标的截面面积，简化了用户操作，不依赖于用户经验，从而本技术确定面积的方法既快速高效又准确，能够为后续对目标对象的进一步诊断等提供更准确的参考。
211.现在返回到图1所示的超声装置10。
212.在一个实现方式中，发送/接收选择开关120可以通过发射电路160激励超声探头110向包括胃窦区域的目标对象发射超声波束，并通过接收电路170控制超声探头110接收从目标对象返回的超声波束的超声回波，以获取超声回波信号。处理器140可以对该超声回波信号进行处理，得到该目标对象的超声图像；基于超声图像确定测量帧图像；确定测量帧图像中目标对象的胃窦区域，并进一步确定胃窦区域的面积。
213.显示器150可以显示该测量帧图像，并标记出胃窦区域以及胃窦区域的面积。示例性地，显示器150还可以显示上述的面积-时间曲线。
214.在一个实现方式中，发送/接收选择开关120可以通过发射电路160激励超声探头110向包括胃窦区域的目标对象发射超声波束，并控制超声探头接收从目标对象返回的超声回波，以获得超声回波信号。处理器140可以对该超声回波信号进行处理，得到该目标对象的超声图像；基于超声图像确定测量帧图像；将测量帧图像输入至预先训练好的深度学习模型，获取深度学习模型的输出，该输出包括测量帧图像中胃窦区域的面积。
215.在一个实现方式中，发送/接收选择开关120可以通过发射电路160激励超声探头110向目标对象发射超声波束，并控制超声探头接收从目标对象返回的超声回波，以获得超声回波信号。处理器140可以对该超声回波信号进行处理，得到该目标对象的超声图像；基于超声图像确定测量帧图像；确定测量帧图像中目标对象的待测量目标的目标区域，并进一步确定目标区域的面积，其中，待测量目标包括目标器官或组织，目标区域包括切面或切
面中的感兴趣区域。
216.另外，本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序。当该计算机程序被计算机或者处理器执行时，可以实现前述的任一基于超声图像确定面积的方法的步骤。例如，该计算机存储介质为计算机可读存储介质。
217.在一个实施例中，该计算机程序指令在被计算机或处理器运行时使计算机或处理器执行以下步骤：通过激励超声探头向包括胃窦区域的目标对象发射超声波束，并通过超声探头接收从目标对象返回的超声回波，以获得超声回波信号。对超声回波信号进行处理，得到目标对象的超声图像；基于超声图像确定测量帧图像；确定测量帧图像中目标对象的胃窦区域，并进一步确定胃窦区域的面积。
218.在一个实施例中，该计算机程序指令在被计算机或处理器运行时使计算机或处理器执行以下步骤：通过激励超声探头向包括胃窦区域的目标对象发射超声波束，并通过超声探头接收从目标对象返回的超声回波，以获得超声回波信号。对超声回波信号进行处理，得到目标对象的超声图像；基于超声图像确定测量帧图像；将测量帧图像输入至预先训练好的深度学习模型，获取深度学习模型的输出，该输出包括测量帧图像中胃窦区域的面积。
219.在一个实施例中，该计算机程序指令在被计算机或处理器运行时使计算机或处理器执行以下步骤：通过激励超声探头向目标对象发射超声波束，并通过超声探头接收从目标对象返回的超声回波，以获得超声回波信号。对超声回波信号进行处理，得到目标对象的超声图像；基于超声图像确定测量帧图像；确定测量帧图像中目标对象的待测量目标的目标区域，并进一步确定目标区域的面积，其中，待测量目标包括目标器官或组织，目标区域包括切面或切面中的感兴趣区域。
220.计算机存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(rom)、可擦除可编程只读存储器(eprom)、便携式紧致盘只读存储器(cd-rom)、usb存储器、或者上述存储介质的任意组合。计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。
221.另外，本发明实施例还提供了一种计算机程序产品，其包含指令，当该指令被计算机所执行时，使得计算机执行上述基于超声图像确定面积的任一方法的步骤。
222.由此可见，本发明实施例中，由处理器对超声图像进行处理和分析，从而得到目标对象的胃窦区域的面积，省却了用户依经验的手动选择，一方面该方式省时省力，效率更高；另一方面不依赖于用户行为，所确定的面积更加准确。
223.尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
224.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
225.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其
它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。
226.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
227.类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本发明的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
228.本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
229.此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
230.本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(digital signal processing，dsp)来实现根据本发明实施例的超声装置中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
231.应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
232.以上所述，仅为本发明的具体实施方式或对具体实施方式的说明，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易
想到变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。