一种切面质量分级方法、装置及超声设备和存储介质与流程

1.本技术涉及超声图像处理技术领域，更具体地说，涉及一种切面质量分级方法、装置及一种超声设备和一种计算机可读存储介质。


背景技术：

2.在相关技术中，对目标超声图像进行直接分类并计算其质量等级分数。不同资质的医生或不同等级的医院的对于标准切面图像的质量标准具有差异性，例如70-80分为基本及格标准切面图像，80-90分为及格切面，90-100分为标准切面图像，级别较高的医院现有的标准切面图像质控要求要达到90分以上，而级别较低的医院的标注切面质控要求只需达到70分以上。在现有技术中，标准切面图像的质量等级分数阈值固定，在此方案中，若不同等级的医院都以70分为质量等级分数阈值，会造成高级医院的医生在使用标准切面图像自动获取功能的时候会获取低于90分的切面图像，从而不能满足对标准切面图像精细化质控的需求。若将质量等级分数阈值设置为90分，由于低级别医院的医生资质技术有限，会造成低级别医院的医生在使用标准切面图像自动获取功能时很难找到达到要求的切面图像。
3.由此可见，在现有技术中，没有考虑到不同资质的医生或不同等级的医院的对于标准切面图像质量标准的差异性，不能很好满足不同级别医院对于标准切面图像精细化质控的需求。


技术实现要素：

4.本技术的目的在于提供一种切面质量分级方法、装置及一种超声设备和一种计算机可读存储介质，提高了切面分类和计算质量等级分数的准确度，同时满足了不同级别医院对于标准切面图像精细化质控的需求。
5.为实现上述目的，本技术提供了一种切面质量分级方法，包括：
6.根据超声图像预设的不同质量等级和不同的切面类别构建分类树；其中，所述分类树中最后一层节点表示不同的质量等级，其他层节点表示不同的切面类别，同一划分标准得到的切面类别位于同一层；
7.获取目标超声图像，并利用训练完成的神经网络模型基于所述分类树逐层进行分类预测，得到所述目标超声图像的目标质量等级和目标切面类别；
8.若所述目标质量等级大于或等于超声设备的预设切面质量等级，则将所述目标超声图像确定为所述目标切面类别对应的标准切面图像。
9.其中，还包括：
10.获取训练集；其中，所述训练集包括多个训练超声图像、对应的切面类别和质量等级；
11.基于所述分类树利用所述训练集训练初始的神经网络模型，得到训练完成的神经网络模型。
12.其中，所述获取目标超声图像，包括：
13.获取超声成像系统的数据流，并将所述数据流中的每一帧图像依次作为目标超声图像进行目标切面类别和目标质量等级的预测。
14.其中，若所述目标质量等级大于或等于超声设备的预设切面质量等级，则将所述目标超声图像确定为所述目标切面类别对应的标准切面图像，包括：
15.若所述目标质量等级大于或等于超声设备的预设切面质量等级，则将所述目标超声图像确定为所述目标切面类别对应的候选标准切面图像；
16.将所述目标切面类别下质量等级最高的候选标准切面图像确定为所述目标切面类别对应的标准切面图像。
17.其中，所述利用训练完成的神经网络模型基于所述分类树逐层进行分类预测，得到所述目标超声图像的目标质量等级和目标切面类别，包括：
18.将所述目标超声图像输入训练完成的神经网络模型中，预测得到所述分类树中根节点下的第一层的各切面类别对应的概率，将第一层预测得到概率最大的切面类别作为第一层预测得到的切面类别；
19.利用训练完成的神经网络模型对上一层预测得到的切面类别下各切面类别进行分类预测，将预测得到概率最大的切面类别作为下一层预测得到的切面类别，直至预测得到倒数第二层中概率最大的切面类别，将倒数第二层中概率最大的切面类别确定为所述目标超声图像的目标切面类别；
20.利用训练完成的神经网络模型对倒数第二层中概率最大的切面类别下各质量等级进行分类预测，得到所述目标超声图像的目标质量等级。
21.其中，若所述目标质量等级大于或等于超声设备的预设切面质量等级，则将所述目标超声图像确定为所述目标切面类别对应的标准切面图像，包括：
22.若所述目标质量等级大于或等于超声设备的预设切面质量等级，则将所述目标超声图像确定为所述目标切面类别对应的候选标准切面图像；
23.根据各层预测得到的切面类别对应的概率和预测得到的目标质量等级对应的概率计算所述目标超声图像的质量等级分数；
24.将所述目标切面类别下质量等级分数最高的候选标准切面图像确定为所述目标切面类别对应的标准切面图像。
25.其中，所述根据各层预测得到的切面类别对应的概率和预测得到的目标质量等级对应的概率计算得到所述目标超声图像的质量等级分数，包括：
26.根据各层预测得到的切面类别对应的概率和预测得到的目标质量等级对应的概率进行加权运算得到所述目标超声图像的质量等级分数。
27.其中，所述根据各层预测得到的切面类别对应的概率和预测得到的目标质量等级对应的概率进行加权运算得到所述目标超声图像的质量等级分数，包括：
28.确定预测得到的目标质量等级对应的最低质量等级分数和分数跨度；
29.将各层预测得到的切面类别对应的概率和预测得到的目标质量等级对应的概率的乘积确定为权值；
30.将所述权值与所述分数跨度的乘积与所述最低质量等级分数的和确定为所述目标超声图像的质量等级分数。
31.为实现上述目的，本技术提供了一种切面质量分级装置，包括：
32.构建模块，用于根据超声图像预设的不同质量等级和不同的切面类别构建分类树；其中，所述分类树中最后一层节点表示不同的质量等级，其他层节点表示不同的切面类别，同一划分标准得到的切面类别位于同一层；
33.预测模块，用于获取目标超声图像，并利用训练完成的神经网络模型基于所述分类树逐层进行分类预测，得到所述目标超声图像的目标质量等级和目标切面类别；
34.确定模块，用于当所述目标质量等级大于或等于超声设备的预设切面质量等级时，将所述目标超声图像确定为所述目标切面类别对应的标准切面图像。
35.为实现上述目的，本技术提供了一种超声设备，包括：
36.存储器，用于存储计算机程序；
37.处理器，用于执行所述计算机程序时实现如上述切面质量分级方法的步骤。
38.为实现上述目的，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述切面质量分级方法的步骤。
39.通过以上方案可知，本技术提供的一种切面质量分级方法，包括：根据超声图像预设的不同质量等级和不同的切面类别构建分类树；其中，所述分类树中最后一层节点表示不同的质量等级，其他层节点表示不同的切面类别，同一划分标准得到的切面类别位于同一层；获取目标超声图像，并利用训练完成的神经网络模型基于所述分类树逐层进行分类预测，得到所述目标超声图像的目标质量等级和目标切面类别；若所述目标质量等级大于或等于超声设备的预设切面质量等级，则将所述目标超声图像确定为所述目标切面类别对应的标准切面图像。
40.本技术提供的切面质量分级方法，根据实际需要预设不同的质量等级，根据不同的质量等级和不同的切面类别构建分类树，神经网络模型基于该分类树对目标超声图像进行逐层分类得到目标超声图像的目标切面类别和目标质量等级。由此可见，本技术提供的切面质量分级方法，通过分类树进行逐层分类，相对于现有技术对目标超声图像进行直接分类的方案，提高了切面分类和质量等级分类的准确度。另外，在本技术中，可以调整超声设备的预设切面质量等级，当目标超声图像的目标质量等级大于或等于超声设备的预设切面质量等级时，确定其为目标切面类别对应的标准切面图像，避免了固定质量分数阈值灵活性较差的问题，满足了不同级别医院对于标准切面图像精细化质控的需求。本技术还公开了一种切面质量分级装置及一种超声设备和一种计算机可读存储介质，同样能实现上述技术效果。
41.应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本技术。
附图说明
42.为了更清楚地说明本技术实施例或现有技术中的技术方案，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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附
图中：
43.图1为根据一示例性实施例示出的一种切面质量分级方法的流程图；
44.图2为根据一示例性实施例示出的另一种切面质量分级方法的流程图；
45.图3为根据一示例性实施例示出的一种分类树的结构图；
46.图4为根据一示例性实施例示出的一种切面质量分级装置的结构图；
47.图5为根据一示例性实施例示出的一种超声设备的结构图。
具体实施方式
48.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。另外，在本技术实施例中，“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
49.本技术实施例公开了一种切面质量分级方法，提高了切面分类和计算质量等级分数的准确度，同时满足了不同级别医院对于标准切面图像精细化质控的需求。
50.参见图1，根据一示例性实施例示出的一种切面质量分级方法的流程图，如图1所示，包括：
51.s101：根据超声图像预设的不同质量等级和不同的切面类别构建分类树；其中，所述分类树中最后一层节点表示不同的质量等级，其他层节点表示不同的切面类别，同一划分标准得到的切面类别位于同一层；
52.在本实施例中，根据实际需要预设不同的质量等级，例如，质量等级可以包括低于60分、60-70分、70-80分、80-90分和90分以上。根据不同的质量等级和不同的切面类别构建分类树，同一划分标准得到的切面类别位于同一层，例如以切面部位作为父类别，然后针对切面部位具体划分切面类别作为子类别，再针对切面类别划分具体的质量等级。分类树示例如图2所示，其中，切面部位包括头部切面、胸腔切面、腹部切面、四肌及其他切面，头部切面下的切面类别包括丘脑水平横切面等。
53.s102：获取目标超声图像，并利用训练完成的神经网络模型基于所述分类树逐层进行分类预测，得到所述目标超声图像的目标质量等级和目标切面类别；
54.本步骤中的目的为确定输入的目标超声图像对应的目标质量等级和目标切面类别。作为一种可行的实施方式，所述获取目标超声图像，包括：获取超声成像系统的数据流，并将所述数据流中的每一帧图像依次作为目标超声图像进行目标切面类别和目标质量等级的预测。可以理解的是，本实施例的输入可以为超声成像系统的数据流，即超声图像的数据流，针对每一幅超声图像按照输入顺序依次进行预测。
55.在具体实施中，利用训练完成的神经网络模型基于分类树逐层对输入的目标超声图像进行分类预测，得到目标超声图像的目标质量等级和目标切面类别，目标质量等级为分类树中最后一层的预测结果，目标切面类别为分类树中倒数第二层的预测结果。
56.需要说明的是，上述神经网络模型的训练过程为：获取训练集；其中，所述训练集包括多个训练超声图像、对应的切面类别和质量等级；基于所述分类树利用所述训练集训练初始的神经网络模型，得到训练完成的神经网络模型。在具体实施中，利用训练超声图像
和对应的标注信息训练初始的神经网络，此处的神经网络可以具体为常见的分类网络，标注信息包括该训练超声图像的切面类别和质量等级。例如，一幅训练超声图像的标注信息为头部切面、丘脑水平横切面、90分以上。在标注训练超声图像的质量等级时，可以基于训练超声图像上显示的结构的清晰度和完整性进行标注。例如，对于一幅丘脑水平横切面的训练超声图像，如果其上清晰地显示了5个结构，则将其质量等级标注为“90分以上”，如果有1个结构未能清晰显示，即清晰显示4个结构特征，则将其质量等级标注为“80-90分”，以此类推。
57.s103：若所述目标质量等级大于或等于超声设备的预设切面质量等级，则将所述目标超声图像确定为所述目标切面类别对应的标准切面图像。
58.在本实施例中，可以调整超声设备的预设切面质量等级，以满足不同级别医院对于标准切面图像精细化质控的需求。当目标超声图像的目标质量等级大于或等于超声设备的预设切面质量等级时，确定其为目标切面类别对应的标准切面图像。
59.作为一种优选实施方式，本步骤可以包括：若所述目标质量等级大于或等于超声设备的预设切面质量等级，则将所述目标超声图像确定为所述目标切面类别对应的候选标准切面图像；将所述目标切面类别下质量等级最高的候选标准切面图像确定为所述目标切面类别对应的标准切面图像。在具体实施中，将目标切面类别下质量等级大于或等于预设切面质量等级的超声图像均作为该目标切面类别对应的候选标准切面图像，在所有候选标准切面图像选取质量等级最高的作为目标切面类别对应的最终的标准切面图像，并进行输出。例如，某家医院需要图像的质量等级为60-70分，即预设切面质量等级为60-70分，前后扫查出的两幅超声图像，经神经网络模型识别后两幅超声图像为同一切面类别，第一幅超声图像的质量等级为60-70分，第二幅超声图像的质量等级为70-80分，均大于或等于预设切面质量等级，两者均为候选标准切面，将第二幅超声图像即质量等级为70-80分的超声图像作为最终的标准切面图像。可见，针对同一目标切面类别的图像输出，扫查出多幅该目标切面类别下的超声图像时，在达到预设质量等级后，高质量等级的超声图像会去替换低质量等级的超声图像。
60.本技术实施例提供的切面质量分级方法，根据实际需要预设不同的质量等级，根据不同的质量等级和不同的切面类别构建分类树，神经网络模型基于该分类树对目标超声图像进行逐层分类得到目标超声图像的目标切面类别和目标质量等级。由此可见，本技术提供的切面质量分级方法，通过分类树进行逐层分类，相对于现有技术对目标超声图像进行直接分类的方案，提高了切面分类和质量等级分类的准确度。另外，在本技术实施例中，可以调整超声设备的预设切面质量等级，当目标超声图像的目标质量等级大于或等于超声设备的预设切面质量等级时，确定其为目标切面类别对应的标准切面图像，避免了固定质量分数阈值灵活性较差的问题，满足了不同级别医院对于标准切面图像精细化质控的需求。
61.本技术实施例公开了一种切面质量分级方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
62.参见图2，根据一示例性实施例示出的另一种切面质量分级方法的流程图，如图2所示，包括：
63.s201：根据超声图像预设的不同质量等级和不同的切面类别构建分类树；其中，所
述分类树中最后一层节点表示不同的质量等级，其他层节点表示不同的切面类别，同一划分标准得到的切面类别位于同一层；
64.s202：获取超声成像系统的数据流，并将所述数据流中的每一帧图像依次作为目标超声图像进行目标切面类别和目标质量等级的预测；
65.s203：将所述目标超声图像输入训练完成的神经网络模型中，预测得到所述分类树中根节点下的第一层的各切面类别对应的概率，将第一层预测得到概率最大的切面类别作为第一层预测得到的切面类别；
66.s204：利用训练完成的神经网络模型对上一层预测得到的切面类别下各切面类别进行分类预测，将预测得到概率最大的切面类别作为下一层预测得到的切面类别，直至预测得到倒数第二层中概率最大的切面类别，将倒数第二层中概率最大的切面类别确定为所述目标超声图像的目标切面类别；
67.s205：利用训练完成的神经网络模型对倒数第二层中概率最大的切面类别下各质量等级进行分类预测，得到所述目标超声图像的目标质量等级；
68.在具体实施中，将目标超声图像输入训练完成的神经网络模型中，神经网络模型首先预测分类树中根节点下的第一层的各切面类别对应的概率，将概率最大的切面类别作为第一层预测得到的切面类别。以图3示出的分类树为例，首先预测各切面部位对应的概率，例如头部切面对应的概率为90％，胸腔切面对应的概率为5％，腹部切面对应的概率为3％，四肌及其他切面对应的概率为2％，概率最大的切面部位为头部切面，则说明第一层预测得到的切面类别为头部切面。进一步的，对上一层预测得到的切面类别下各切面类别进行分类预测，将预测得到概率最大的切面类别作为下一层预测得到的切面类别。同样以图3示出的分类树为例，其次预测头部切面下第二层各切面类别对应的概率，例如丘脑水平横切面对应的概率为80％，大于其他切面类别对应的概率，则说明第二层预测得到的切面类别为丘脑水平横切面。按照上述方式依次对分类树中各层进行遍历，倒数第二层中概率最大的切面类别为目标超声图像对应的目标切面类别，倒数第二层中概率最大的切面类别下概率最大的质量等级，即最后一层中概率最大的质量等级为目标超声图像的质量等级。
69.s206：若所述目标质量等级大于或等于超声设备的预设切面质量等级，则将所述目标超声图像确定为所述目标切面类别对应的候选标准切面图像；
70.s207：根据各层预测得到的切面类别对应的概率和预测得到的目标质量等级对应的概率计算所述目标超声图像的质量等级分数；
71.在本步骤中，根据各层预测得到的切面类别对应的概率和预测得到的目标质量等级对应的概率进行加权运算得到所述目标超声图像的质量等级分数。作为一种可行的实施方式，确定预测得到的目标质量等级对应的最低质量等级分数和分数跨度；将各层预测得到的切面类别对应的概率和预测得到的目标质量等级对应的概率的乘积确定为权值；将所述权值与所述分数跨度的乘积与所述最低质量等级分数的和确定为所述目标超声图像的质量等级分数。以图3示出的分类树为例，若第一层预测得到的切面类别为头部切面、第二层预测得到的切面类别为丘脑水平横切面，第三层预测得到的质量等级为90分以上，头部切面对应的概率为90％、丘脑水平横切面对应的概率为80％、90分以上对应的概率为70％，则预测得到的质量等级对应的最低质量等级分数为90分、分数跨度为10，目标超声图像的目标切面类别为丘脑水平横切面，质量等级分数为90 10
×
90％
×
80％
×
70％＝95.04。
72.s208：将所述目标切面类别下质量等级分数最高的候选标准切面图像确定为所述目标切面类别对应的标准切面图像。
73.在本实施例中，对于超声图像的数据流，不断计算当前输入的目标超声图像的切面类别和质量等级分数，不断寻找每个目标切面类别下质量等级大于或等于预设质量等级且质量等级分数最高的超声图像，将其确定为目标切面类别对应的标准切面图像，实时显示在超声界面中。例如，某家医院需要图像的质量等级为60-70分，即预设切面质量等级为60-70分，前后扫查出的两幅超声图像，经神经网络模型识别后两幅超声图像为同一切面类别，且质量等级均为60-70分，均大于或等于预设切面质量等级，两者均为候选标准切面。第一幅超声图像的质量等级分数为65分，第二幅超声图像的质量等级分数为68分，则将第二幅超声图像作为最终的标准切面图像。可见，针对同一目标切面类别的图像输出，扫查出多幅该目标切面类别下的超声图像时，在达到预设质量等级后，高质量等级分数的超声图像会去替换低质量等级分数的超声图像。
74.由此可见，本技术实施例提供的切面质量分级方法，通过分类树进行逐层分类和概率计算，相对于现有技术对目标超声图像进行直接分类的方案，提高了切面分类和计算质量等级分数的准确度。另外，在本技术实施例中，输出目标切面类别下质量等级分数最高的超声图像，避免了固定质量分数阈值灵活性较差的问题，满足了不同级别医院对于标准切面图像精细化质控的需求。
75.下面对本技术实施例提供的一种切面质量分级装置进行介绍，下文描述的一种切面质量分级装置与上文描述的一种切面质量分级方法可以相互参照。
76.参见图4，根据一示例性实施例示出的一种切面质量分级装置的结构图，如图4所示，包括：
77.构建模块401，用于根据超声图像预设的不同质量等级和不同的切面类别构建分类树；其中，所述分类树中最后一层节点表示不同的质量等级，其他层节点表示不同的切面类别，同一划分标准得到的切面类别位于同一层；
78.预测模块402，用于获取目标超声图像，并利用训练完成的神经网络模型基于所述分类树逐层进行分类预测，得到所述目标超声图像的目标质量等级和目标切面类别；
79.确定模块403，用于当所述目标质量等级大于或等于超声设备的预设切面质量等级时，将所述目标超声图像确定为所述目标切面类别对应的标准切面图像。
80.本技术实施例提供的切面质量分级装置，根据实际需要预设不同的质量等级，根据不同的质量等级和不同的切面类别构建分类树，神经网络模型基于该分类树对目标超声图像进行逐层分类得到目标超声图像的目标切面类别和目标质量等级。由此可见，本技术提供的切面质量分级方法，通过分类树进行逐层分类，相对于现有技术对目标超声图像进行直接分类的方案，提高了切面分类和质量等级分类的准确度。另外，在本技术实施例中，可以调整超声设备的预设切面质量等级，当目标超声图像的目标质量等级大于或等于超声设备的预设切面质量等级时，确定其为目标切面类别对应的标准切面图像，避免了固定质量分数阈值灵活性较差的问题，满足了不同级别医院对于标准切面图像精细化质控的需求。
81.在上述实施例的基础上，作为一种优选实施方式，还包括：
82.获取模块，用于获取训练集；其中，所述训练集包括多个训练超声图像、对应的切
面类别和质量等级；
83.训练模块，用于基于所述分类树利用所述训练集训练初始的神经网络模型，得到训练完成的神经网络模型。
84.在上述实施例的基础上，作为一种优选实施方式，所述预测模块402包括：
85.获取单元，用于获取超声成像系统的数据流，并将所述数据流中的每一帧图像依次作为目标超声图像进行目标切面类别和目标质量等级的预测；
86.预测单元，用于利用训练完成的神经网络模型基于所述分类树逐层进行分类预测，得到所述目标超声图像的目标质量等级和目标切面类别。
87.在上述实施例的基础上，作为一种优选实施方式，所述确定模块403包括：
88.第一确定单元，用于当所述目标质量等级大于或等于超声设备的预设切面质量等级时，将所述目标超声图像确定为所述目标切面类别对应的候选标准切面图像；
89.第二确定单元，用于将所述目标切面类别下质量等级最高的候选标准切面图像确定为所述目标切面类别对应的标准切面图像。
90.在上述实施例的基础上，作为一种优选实施方式，所述预测单元包括：
91.第一预测子单元，用于将所述目标超声图像输入训练完成的神经网络模型中，预测得到所述分类树中根节点下的第一层的各切面类别对应的概率，将第一层预测得到概率最大的切面类别作为第一层预测得到的切面类别；
92.第二预测子单元，用于利用训练完成的神经网络模型对上一层预测得到的切面类别下各切面类别进行分类预测，将预测得到概率最大的切面类别作为下一层预测得到的切面类别，直至预测得到倒数第二层中概率最大的切面类别，将倒数第二层中概率最大的切面类别确定为所述目标超声图像的目标切面类别；
93.第三预测子单元，用于利用训练完成的神经网络模型对倒数第二层中概率最大的切面类别下各质量等级进行分类预测，得到所述目标超声图像的目标质量等级。
94.在上述实施例的基础上，作为一种优选实施方式，所述确定模块403包括：
95.第一确定单元，用于当所述目标质量等级大于或等于超声设备的预设切面质量等级时，将所述目标超声图像确定为所述目标切面类别对应的候选标准切面图像；
96.计算单元，用于根据各层预测得到的切面类别对应的概率和预测得到的目标质量等级对应的概率计算所述目标超声图像的质量等级分数；
97.第三确定单元，用于将所述目标切面类别下质量等级分数最高的候选标准切面图像确定为所述目标切面类别对应的标准切面图像。
98.在上述实施例的基础上，作为一种优选实施方式，所述计算单元具体为根据各层预测得到的切面类别对应的概率和预测得到的目标质量等级对应的概率进行加权运算得到所述目标超声图像的质量等级分数的模块。
99.在上述实施例的基础上，作为一种优选实施方式，所述计算单元包括：
100.第一确定子单元，用于确定预测得到的目标质量等级对应的最低质量等级分数和分数跨度；
101.第二确定子单元，用于将各层预测得到的切面类别对应的概率和预测得到的质量等级对应的概率的乘积确定为权值；
102.计算子单元，用于将所述权值与所述分数跨度的乘积与所述最低质量等级分数的
和确定为所述目标超声图像的质量等级分数。
103.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
104.基于上述程序模块的硬件实现，且为了实现本技术实施例的方法，本技术实施例还提供了一种超声设备，图5为根据一示例性实施例示出的一种超声设备的结构图，如图5所示，超声设备包括：
105.通信接口1，能够与其它设备比如网络设备等进行信息交互；
106.处理器2，与通信接口1连接，以实现与其它设备进行信息交互，用于运行计算机程序时，执行上述一个或多个技术方案提供的切面质量分级方法。而所述计算机程序存储在存储器3上。
107.当然，实际应用时，超声设备中的各个组件通过总线系统4耦合在一起。可理解，总线系统4用于实现这些组件之间的连接通信。总线系统4除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统4。
108.本技术实施例中的存储器3用于存储各种类型的数据以支持超声设备的操作。这些数据的示例包括：用于在超声设备上操作的任何计算机程序。
109.可以理解，存储器3可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read-only memory)、可擦除可编程只读存储器(eprom，erasable programmable read-only memory)、电可擦除可编程只读存储器(eeprom，electrically erasable programmable read-only memory)、磁性随机存取存储器(fram，ferromagnetic random access memory)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(cd-rom，compact disc read-only memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(ram，random access memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，static random access memory)、同步静态随机存取存储器(ssram，synchronous static random access memory)、动态随机存取存储器(dram，dynamic random access memory)、同步动态随机存取存储器(sdram，synchronous dynamic random access memory)、双倍数据速率同步动态随机存取存储器(ddrsdram，double data rate synchronous dynamic random access memory)、增强型同步动态随机存取存储器(esdram，enhanced synchronous dynamic random access memory)、同步连接动态随机存取存储器(sldram，synclink dynamic random access memory)、直接内存总线随机存取存储器(drram，direct rambus random access memory)。本技术实施例描述的存储器2旨在包括但不限于这些和任意其它适合类型的存储器。
110.上述本技术实施例揭示的方法可以应用于处理器2中，或者由处理器2实现。处理器2可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器2中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器2可以是通用处理器、dsp，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器2可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处
理器可以是微处理器或者任何常规的处理器等。结合本技术实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器3，处理器2读取存储器3中的程序，结合其硬件完成前述方法的步骤。
111.处理器2执行所述程序时实现本技术实施例的各个方法中的相应流程，为了简洁，在此不再赘述。
112.在示例性实施例中，本技术实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的存储器3，上述计算机程序可由处理器2执行，以完成前述方法所述步骤。计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、flash memory、磁表面存储器、光盘、或cd-rom等存储器。
113.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
114.或者，本技术上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台超声设备(可以是个人计算机、服务器、或者网络设备等)执行本技术各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
115.以上所述，仅为本技术的具体实施方式，但本技术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技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。