超声图像质量控制方法、超声设备及存储介质与流程

1.本发明涉及超声成像技术领域，尤其涉及一种超声图像质量控制方法、超声设备及存储介质。


背景技术：

2.超声图像的质量控制是医疗机构超声科工作的主要内容之一，目前主要以抽查方式为主，对超声图像的质量评价主要依赖于医生个人经验，容易导致图像采集阶段或者诊疗阶段的人为误差，因此，亟需借助计算机技术，对采集到的超声图像进行质量控制，以提高借助超声图像辅助诊断结果的准确性。
3.目前借助计算机技术实现对超声图像进行质量控制的主要方式如下：第一种方式，借助人工智能技术，对超声图像的标准切面中的关键部位参数进行分析，以确定图像质量控制；第二种方式，利用计算机技术搭建超声质控管理平台，对超声图像进行质量控制。上述两种超声图像质量控制方式，均无法实现大规模且自动化质量控制，第一种方式受限于无法对超声图像的标准切面的清晰度进行有效质量评分，第二种方式没有从临床角度提供可靠的质量控制筛查方案，因此，上述超声图像质量控制方法均无法保障超声图像的图像质量，而图像质量较低的超声图像会影响其辅助诊断结果的准确性。


技术实现要素：

4.本发明实施例提供一种超声图像质量控制方法、超声设备及存储介质，以解决现有超声图像质量控制无法保障超声图像的图像质量的问题。
5.一种超声图像质量控制方法，包括：获取待处理超声图像；对所述待处理超声图像进行质量检测，判断所述待处理超声图像是否为合格超声图像；若所述待处理超声图像为不合格超声图像，则对所述待处理超声图像进行超分辨率处理，获取重建后的超声图像；对所述重建后的超声图像的图像特征和合格超声图像的图像特征进行一致性判断；若所述重建后的超声图像的图像特征和合格超声图像的图像特征具有一致性，则认定所述重建后的超声图像为质量提升后的合格超声图像。
6.一种超声图像质量控制装置，包括：待处理超声图像获取模块，用于获取待处理超声图像；质量检测模块，用于对所述待处理超声图像进行质量检测，判断所述待处理超声图像是否为合格超声图像；超分辨率处理模块，用于若所述待处理超声图像为不合格超声图像，则对所述待处理超声图像进行超分辨率处理，获取重建后的超声图像；
一致性判断模块，用于对所述重建后的超声图像的图像特征和合格超声图像的图像特征进行一致性判断；合格超声图像获取模块，用于若所述重建后的超声图像的图像特征和合格超声图像的图像特征具有一致性，则认定所述重建后的超声图像为质量提升后的合格超声图像。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述超声图像质量控制方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述超声图像质量控制方法。
9.上述超声图像质量控制方法、超声设备及存储介质，先对待处理超声图像进行质量检测，在待处理超声图像为不合格超声图像时，对所述待处理超声图像进行超分辨率处理，获取重建后的超声图像，以提升重建后的超声图像的图像质量；再对所述重建后的超声图像的图像特征和合格超声图像的图像特征进行一致性判断，在两者图像特征一致时，才认定所述重建后的超声图像为质量提升后的合格超声图像，可有效保障重建后的超声图像的图像质量，有助于提高借助超声图像辅助诊断结果的准确性。
附图说明
10.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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。
11.图1是本发明一实施例中超声设备的一示意图；图2是本发明一实施例中超声图像质量控制方法的一流程图；图3是本发明一实施例中超声图像质量控制方法的另一流程图；图4是本发明一实施例中超声图像质量控制方法的另一流程图；图5是本发明一实施例中超声图像质量控制方法的另一流程图；图6是本发明一实施例中超声图像质量控制方法的另一流程图；图7是本发明一实施例中超声图像质量控制方法的另一流程图；图8是本发明一实施例中超声图像质量控制方法的另一流程图；图9是本发明一实施例中超声图像质量控制方法的另一流程图；图10是本发明一实施例中超声图像质量控制方法的另一流程图；图11是本发明一实施例中超声图像质量控制装置的一示意图；图12是超声图像数据集的一示例图，图12a为模糊超声图像，图12b为噪声超声图像，图12c为正常超声图像；图13是本发明一实施例中的ns-lesrcnn模型和lesrcnn模型的构架对比图；图14是图13所示的ns-lesrcnn模型中的ns-ieeb模块的一示意图；图15是lesrcnn模型和ns-lesrcnn模型进行测试所形成的超分辨率模型测试结果对比图，测试结果中的测试指标为psnr/ssim。
具体实施方式
12.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。
13.本发明实施例提供的超声图像质量控制方法，该超声图像质量控制方法可应用在超声设备中，如图1所示，超声设备包括主控制器和与主控制器相连的超声探头、波束合成处理器、图像处理器和显示屏。主控制器为超声设备的控制器，主控制器与超声设备中的其他功能模块相连，包括但不限于超声探头、波束合成处理器、图像处理器和显示屏等功能模块相连，用于控制各个功能模块工作。
14.超声探头是超声波的发射和接收装置。本示例中，为了保证不同角度的超声图像都能够有较大的横向扫描覆盖范围，即保证不同角度的超声图像有较大的交叠范围，现有超声探头一般由若干大小相同的长条形压电换能器（每单个压电换能器称为阵元）等间隔排列组成；或者将多个压电换能器是呈二维阵列，即阵元排列成二维矩阵形状。超声探头内的压电换能器将施加在其上的电压脉冲激励转换成机械振动，从而对外发出超声波；超声波在人体组织等媒介中传播，会产生反射波和散射波等回波模拟信号，各个压电换能器可将回波模拟信号转换成回波电信号，对回波电信号进行放大和模数转换，转换成回波数字信号，再将回波数字信号发送给波束合成处理器。
15.波束合成处理器与超声探头相连，用于接收超声探头发送的回波数字信号，对一个或多个通道的回波数字信号进行波束合成，获取一路或多路回波合成信号，将回波合成信号发送给图像处理器。
16.图像处理器与波束合成处理器相连，用于接收波束合成处理器发送的回波合成信号，对回波合成信号进行图像合成、空间复合和其他图像处理操作，将处理后的超声图像发送给显示屏，以使显示屏显示处理后的超声图像。本示例中，图像处理器在将超声图像发送给显示屏进行显示之前，还可对超声图像进行质量控制，以将质量控制筛查出的合格超声图像发送给显示屏进行显示，保障超声图像的图像质量，进而保障借助超声图像辅助诊断结果的准确性。
17.在一实施例中，如图2所示，提供一种超声图像质量控制方法，以该方法应用在图像处理器为例进行说明，包括如下步骤：s201：获取待处理超声图像；s202：对待处理超声图像进行质量检测，判断待处理超声图像是否为合格超声图像；s203：若待处理超声图像为不合格超声图像，则对待处理超声图像进行超分辨率处理，获取重建后的超声图像；s204：对重建后的超声图像的图像特征和合格超声图像的图像特征进行一致性判断；s205：若重建后的超声图像的图像特征和合格超声图像的图像特征具有一致性，则认定重建后的超声图像为质量提升后的合格超声图像。
18.其中，待处理超声图像是指需要进行处理的超声图像。
19.作为一示例，步骤s201中，图像处理器可获取用户输入的待处理超声图像。待处理超声图像为需要进行质量控制的超声图像。也就是说，待处理超声图像为需要进行质量评估，以确定是否需要进行质量提升处理的超声图像。
20.其中，合格超声图像是指图像质量合格的超声图像，与之相对的概念为不合格超声图像，不合格超声图像是指图像质量不合格的超声图像。
21.作为一示例，步骤s202中，图像处理器在获取待处理超声图像后，可采用预先设置的图像质量评价算法，对待处理超声图像进行质量检测，以根据质量检测结果，判断待处理超声图像是否为合格超声图像。此处的图像质量评价算法是指预先设置的用于分析图像质量的算法。本示例中，图像质量评价算法可采用但不限于无参考（no reference，以下简称nr）图像质量评价算法，无参考图像质量评价算法可适用在无参考图像进行对比的场景，可对待处理超声图像的图像质量进行检测计算。在采用无参考图像质量评价算法对待处理超声图像进行质量检测时，可借鉴自然图像领域的用于检测图像质量的无参考图像评价指标进行质量检测。
22.其中，重建后的超声图像是指对待处理超声图像进行超分辨率处理后的超声图像。
23.作为一示例，步骤s203中，图像处理器在质量检测，确定待处理超声图像为不合格超声图像时，说明待处理超声图像的图像质量不满足预设质量标准，此时，需采用预先设置的超分辨率模型，对待处理超声图像进行超分辨率处理，获取重建后的超声图像。本示例中，超分辨率模型可以采用现有超分辨率模型，也可以采用自主构建的超分辨率模型，只要其可实现超分辨率处理，使得处理后的重建后的超声图像具有较高的分辨率，以达到图像质量提升目的即可。
24.作为一示例，步骤s204中，由于超声图像除了图像质量之外，还存在一致性差异，这些一致性差异会影响超声图像辅助诊断结果的准确性，因此，图像处理器在获取重建后的超声图像后，还需要对重建后的超声图像的图像特征和预先设置的合格超声图像的图像特征进行一致性判断，从而确定重建后的超声图像是否满足预设一致性标准。
25.作为一示例，步骤s205中，图像处理器在重建后的超声图像的图像特征和合格超声图像的图像特征具有一致性，可认定重建后的超声图像的图像风格与预先设置的合格超声图像的图像风格一致，此时，可认定重建后的超声图像为质量提升后的合格超声图像，并将该重建后的超声图像输出至显示屏显示，以保障显示屏中显示的超声图像的图像质量，进而提高借助超声图像辅助诊断结果的准确性。即重建后的超声图像为具有较高分辨率且图像风格与合格超声图像一致的超声图像，可保障重建后的超声图像的图像质量。
26.本实施例中，先对待处理超声图像进行质量检测，在待处理超声图像为不合格超声图像时，对待处理超声图像进行超分辨率处理，获取重建后的超声图像，以提升重建后的超声图像的图像质量；再对重建后的超声图像的图像特征和合格超声图像的图像特征进行一致性判断，在两者图像特征一致时，才认定重建后的超声图像为质量提升后的合格超声图像，可有效保障重建后的超声图像的图像质量，有助于提高借助超声图像辅助诊断结果的准确性。
27.在一实施例中，如图2所示，在步骤s201之后，即在获取待处理超声图像之后，超声图像质量控制方法还包括：
s301：对待处理超声图像进行故障检测，获取故障检测结果；s302：若故障检测结果为故障检测通过，则执行对待处理超声图像进行质量检测，判断待处理超声图像是否为合格超声图像。
28.作为一示例，步骤s301中，图像处理器在获取待处理超声图像之后，需采用预先设置的设备故障检测逻辑，对待处理超声图像进行故障检测，以获取故障检测结果。该故障检测结果用于反映待处理超声图像是否为采用存在故障的超声设备所采集到的超声图像。
29.本示例中，可根据预先调研，确定超声设备存在设备故障时，其所采集到的超声图像的图像特征分布，将其确定为故障直方图分布，基于故障直方图分布配置相应的设备故障检测逻辑，将备故障检测逻辑写入超声设备的存储器内，以便根据实际需要，调用预先设置的设备故障检测逻辑对待处理超声图像进行故障检测，获取故障检测结果。
30.作为一示例，步骤s302中，图像处理器在故障检测结果为故障检测通过时，说明采集待处理超声图像的超声设备不存在设备故障，也就是说，该待处理超声图像是正常超声设备采集到的超声图像，该正常超声设备是指不存在设备故障的超声设备。因此，该待处理超声图像不存在由于超声设备故障所带来的干扰信息，此时，可执行步骤s102，即采用预先设置的图像质量评价算法对待处理超声图像进行质量检测，判断待处理超声图像是否为合格超声图像。
31.本示例中，图像处理器在故障检测结果为故障检测不通过时，说明采集待处理超声图像的超声设备存在设备故障。也就是说，该待处理超声图像是故障超声设备采集到的超声图像，该故障超声设备是指存在设备故障的超声设备。因此，该待处理超声图像中存在由于超声设备故障所带来的干扰信息，此时，可直接输出设备故障提示信息，无需执行后续的处理步骤，以节省计算资源。设备故障提示信息是用于提示采集待处理超声图像的超声设备存在故障的信息。
32.本实施例中，先对待处理超声图像进行故障检测，以确定采集待处理超声图像的超声设备是否存在设备故障，获取故障检测结果，以便根据故障检测结果确定是否需要执行后续处理步骤，避免对存在设备故障的待处理超声图像进行后续的质量控制，以节省计算资源。
33.在一实施例中，如图4所示，步骤s301，即对待处理超声图像进行故障检测，获取故障检测结果，包括：s401：对待处理超声图像进行特征提取，获取待处理超声图像的目标直方图；s402：对待处理超声图像的目标直方图进行故障检测，获取故障检测结果。
34.作为一示例，步骤s401中，图像处理器在获取待处理超声图像后，可对待处理超声图像进行直方图提取，获取待处理超声图像的目标直方图。该目标直方图是指对待处理超声图像进行直方图提取后的特征图。本示例中，可采用现有技术进行直方图提取，其提取过程简单方便。
35.作为一示例，步骤s402中，图像处理器在提取到待处理超声图像对应的目标直方图后，可对待处理超声图像对应的目标直方图进行故障检测，以获取故障检测结果。
36.本示例中，对目标直方图进行故障检测具体用于分析目标直方图与预先设置的故障直方图分布是否匹配；若目标直方图与预先设置的故障直方图分布相匹配，则认定该目标直方图对应的待处理超声图像存在由于设备故障所形成的干扰信息，可获取存在设备故
障的故障检测结果；若目标直方图与预先设置的故障直方图分布不匹配，则认定该目标直方图对应的待处理超声图像不存在由于设备故障所形成的干扰信息，可获取不存在设备故障的故障检测结果。故障直方图分布为预先对故障超声设备采集到的超声图像的直方图进行统计和分析所确定的分布。
37.本示例中，经过大量数据分析可知，在超声设备存在设备故障或者不存在设备故障时，其所采集到的超声图像的目标直方图存在较大区别。一般来说，正常超声设备采集到的超声图像的直方图整体趋于正态分布，而故障超声设备采集到的超声图像的直方图会出现两端出现较高的峰值或极值，或者有较突兀的峰值出现，因此，图像处理器可通过提取待处理超声图像的目标直方图，以便分析目标直方图，确定是否存在设备故障。
38.表1 故障分析对照表如表1所示，对故障超声设备所采集到的超声图像，在超声设备存在设备故障时，其所采集到的超声图像中会出现部分黑白色块、画质损坏、带状或条状噪声、散点状白噪声或者黑色条状干扰等图像表征，针对每一种图像表征对应的超声图像进行直方图提取和总结，可确定每一种图像表征对应的故障直方图分布和故障原因各有不同：（1）若超声图像中存在部分黑白色块，则会形成两端出现峰值的故障直方图分布，主要由探头故障、脉冲/接收电路损坏或者开关电路故障等原因导致。（2）若超声图像中存在画质损坏问题，则会形成均匀分布且两端出现极值的故障直方图分布，主要由探头故障、脉冲/接收电路损坏或者开关电路故障等原因导致。（3）若超声图像中存在带状或条状噪声，则会形成左端出现峰值的故障直方图分布，主要由探头故障或者工频干扰等原因导致。（4）若超声图像中存在散点状白噪声，则会形成趋于正态分布但比较集中的故障直方图分布，主要由探头故障或者工频干扰等原因导致。（5）若超声图像中存在黑色条状干扰，则会形成右端出现峰值的故障直方图分布，主要由于探头故障或者脉冲/接收电路损坏等原因导致。
39.在一实施例中，如图5所示，步骤s102，即对待处理超声图像进行质量检测，判断待处理超声图像是否为合格超声图像，包括：s501：采用brenner梯度函数、laplacian梯度函数和vollath函数，分别对待处理超声图像进行质量检测，获取brenner梯度实测值、laplacian梯度实测值和vollath梯度实测值；s502：若brenner梯度实测值、laplacian梯度实测值和vollath梯度实测值均符合
其对应的目标梯度阈值，则确定待处理超声图像为合格超声图像；s503：若brenner梯度实测值、laplacian梯度实测值和vollath梯度实测值中的至少一个不符合其对应的目标梯度阈值，则确定待处理超声图像为不合格超声图像。
40.作为一示例，步骤s501中，图像处理器分别采用brenner梯度函数、laplacian梯度函数和vollath函数，对待处理超声图像进行质量检测，获取brenner梯度函数输出的brenner梯度实测值、laplacian梯度函数输出的laplacian梯度实测值和vollath函数输出的laplacian梯度实测值。本示例中，brenner梯度实测值是采用brenner梯度函数评价图像轮廓是否明显的梯度实测值，一般来说，brenner梯度实测值越大，图像轮廓越明显。laplacian梯度实测值是采用laplacian梯度函数评价噪声干扰是否较小的梯度实测值，一般来说，laplacian梯度实测值小，其噪声干扰较小。vollath梯度实测值是采用vollath函数评价图像清晰度的梯度实测值，一般来说，vollath梯度实测值越大，图像越清晰。
41.其中，目标梯度阈值是预先设置的用于评估是否达到合格质量标准的阈值。由于本示例中，需要对brenner梯度实测值、laplacian梯度实测值和vollath梯度实测值这几个梯度实测值进行对比分析，因此，其目标梯度阈值包括brenner梯度阈值、laplacian梯度阈值和vollath梯度阈值。
42.作为一示例，步骤s502中，图像处理器在获取待处理超声图像对应的brenner梯度实测值、laplacian梯度实测值和vollath梯度实测值后，可将brenner梯度实测值、laplacian梯度实测值和vollath梯度实测值分别与其对应的目标梯度阈值进行比较，若brenner梯度实测值、laplacian梯度实测值和vollath梯度实测值均符合其对应的目标梯度阈值，则确定待处理超声图像为合格超声图像。本示例中，图像处理器将brenner梯度实测值和brenner梯度阈值进行比较、将laplacian梯度实测值与laplacian梯度阈值进行比较、将vollath梯度实测值与vollath梯度阈值进行比较，若brenner梯度实测值大于brenner梯度阈值、laplacian梯度实测值小于laplacian梯度阈值且vollath梯度实测值大于vollath梯度阈值，则认定待处理超声图像满足预设标准，可确定待处理超声图像为合格超声图像。
43.作为一示例，步骤s503中，图像处理器在获取待处理超声图像对应的brenner梯度实测值、laplacian梯度实测值和vollath梯度实测值后，可将brenner梯度实测值、laplacian梯度实测值和vollath梯度实测值分别与其对应的目标梯度阈值进行比较，brenner梯度实测值、laplacian梯度实测值和vollath梯度实测值中的至少一个不符合其对应的目标梯度阈值，则确定待处理超声图像为不合格超声图像。本示例中，图像处理器将brenner梯度实测值和brenner梯度阈值进行比较、将laplacian梯度实测值与laplacian梯度阈值进行比较、将vollath梯度实测值与vollath梯度进行比较；若brenner梯度实测值不大于brenner梯度阈值、或者laplacian梯度实测值不小于laplacian梯度阈值，或者vollath梯度实测值不大于vollath梯度阈值，则认定待处理超声图像不满足预设标准，可确定待处理超声图像为不合格超声图像。
44.表2 图像质量评价指标对照表
作为一示例，如图12所示，图像处理器所接收到的待处理超声图像可能为模糊超声图像（如图12a）、噪声超声图像（如图12b）和合格超声图像（如图12c）。模糊超声图像是指清晰度未达到预设清晰度标准的超声图像。噪声超声图像是指噪声信息较多的超声图像，合格超声图像是指清晰度达到预设清晰度标准且噪声信息较少的超声图像。由噪声超声图像可知，噪声的存在，会使超声图像的轮廓更尖锐，超声图像中的高频特征更明显。结合表2所示的图像质量评价指标对照表可知，在所有无参考图像评价指标中，laplacian梯度函数和brenner梯度函数等梯度相关函数能够有效针对轮廓特点，对分布在超声图像中的噪声干扰进行分析。此外，针对椒盐状噪声这种没有明显轮廓的噪声超声图像，其噪声零散分布在超声图像中，采用laplacian梯度函数会比brenner梯度函数更适用于这种场景，因此，laplacian梯度函数更适于评价噪声超声图像，而brenner梯度函数更适于评价模糊超声图像。方差函数、灰度方差函数、灰度方差乘积函数和能量梯度函数等都是从清晰度角度进行评价，虽然其指标也能体现像素梯度的特征值，但其整体表现效果不如laplacian梯度函数和brenner梯度函数。vollath函数主要适用于文本的噪声分析，可结合均值差异和图像梯度信息，对brenner梯度函数识别结果进行筛查补充，有助于保障识别的模糊超声图像的准确性。熵函数主要结合自然图像的相机对焦原理，在图像清晰度越高时，其包含的信息量越多，其熵值越大，以利用熵函数评价图像质量。
45.本实施例中，利用brenner梯度函数、laplacian梯度函数和vollath函数对待处理超声图像进行质量检测，根据三个质量评价指标的评价结果，可快速准确的识别出待处理超声图像是否为模糊超声图像、噪声超声图像和合格超声图像，以保障合格超声图像的图像质量。
46.在一实施例中，如图6所示，步骤s103，即对待处理超声图像进行超分辨率处理，获取重建后的超声图像，包括：
s601：获取待处理超声图像对应的不合格类型；s602：若不合格类型为模糊超声图像，则采用lesrcnn模型对待处理超声图像进行超分辨率处理，获取重建后的超声图像；s603：若不合格类型为噪声超声图像，则采用ns-lesrcnn模型对待处理超声图像进行噪声抑制和超分辨率处理，获取重建后的超声图像；其中，ns-lesrcnn模型是采用抑噪增强块对lesrcnn模型的增强块进行替换所形成的lesrcnn模型，抑噪增强块在特征提取过程中进行噪声抑制。
47.作为一示例，步骤s601中，图像处理器在待处理超声图像为不合格超声图像时，需获取待处理超声图像对应的不合格类型，该不合格类型可在对待处理超声图像进行质量检测所确定的质量检测结果时一并确定。
48.本示例中，在采用brenner梯度函数、laplacian梯度函数和vollath函数对待处理超声图像进行质量检测时，若brenner梯度实测值、laplacian梯度实测值和vollath梯度实测值中的至少一个不符合其对应的目标梯度阈值，则确定待处理超声图像为不合格超声图像。具体地，若brenner梯度实测值不大于brenner梯度阈值，可认定待处理超声图像为模糊超声图像；或者，若brenner梯度实测值大于brenner梯度阈值且vollath梯度实测值不大于vollath梯度阈值，可认定待处理超声图像为模糊超声图像，以实现利用brenner梯度函数对brenner梯度函数的识别结果进行补充；或者，若laplacian梯度实测值不小于laplacian梯度阈值，可认定待处理超声图像为噪声超声图像。
49.作为一示例，步骤s602中，图像处理器在待处理超声图像的不合格类型为模糊超声图像时，说明待处理超声图像的清晰度较低且噪声信息较少，此时，可采用lesrcnn模型对待处理超声图像进行超分辨率处理，获取处理后的重建后的超声图像，以保障重建后的超声图像具有较好的图像质量，达到提升图像质量的目的。
50.现有技术中，可采用轻量化的盲超分辨率模型（lightweight image super-resolution with endhanced cnn，lesrcnn）对超声图像进行超分辨率处理，lesrcnn模型的网络架构如下1所示，包括增强块（information extraction and enhancement block,以下简称ieeb模块）、重构块（reconstruction block,以下简称rb模块）和信息提纯块（information refinement block, 以下简称irb模块）。
51.在一具体实施方式中，采用lesrcnn模型对待处理超声图像进行超分辨率处理，获取重建后的超声图像，包括：（1）采用增强块，对待处理超声图像进行特征提取，获取增强后的低频特征和未抑噪的高频特征。本示例中，ieeb模块采用异构结构（3*3和1*1卷积组成）对输入的超声图像进行特征提取，提取增强后的低频特征和未抑噪的高频特征，将未抑噪的高频特征和增强后的低频特征通过对应的特征通道输入rb模块。低频特征是指超声图像的背景对应的特征。未抑噪的高频特征是指ieeb模块提取出的未进行噪声抑制的高频特征。高频特征是区别于低频特征的特征，不仅包括纹理特征，还包括噪声特征。
52.（2）采用重构块，对增强后的低频特征和未抑噪的高频特征进行特征重构，获取重构后的高频特征。本示例中，采用rb模块对接收到的增强后的低频特征和未抑噪的高频特征进行上采样处理，获取重构后的高频特征，将重构后的高频特征输入irb模块进行处理。
53.（3）采用信息提纯块，对重构后的高频特征进行信息提纯，获取重建后的超声图
像。本示例中，irb模块对接收到的重构后的高频特征进行优化，恢复高频特征相关的图像细节，以保障模型的超分辨率性能。
54.作为一示例，步骤s603中，图像处理器在待处理超声图像的不合格类型为噪声超声图像时，说明待处理超声图像的清晰度较低且噪声信息较多，此时，可采用ns-lesrcnn模型对待处理超声图像进行噪声抑制和超分辨率处理，获取重建后的超声图像。本示例中，ns-lesrcnn模型是采用抑噪增强块对lesrcnn模型的增强块进行替换所形成的lesrcnn模型，抑噪增强块在特征提取过程中进行噪声抑制。其中，抑噪增强块是指在特征提取过程进行噪声抑制的模块。
55.本示例中，在待处理超声图像的不合格类型为噪声超声图像时，说明待处理超声图像包含噪声信息较多，若继续采用lesrcnn模型进行处理，则其ieeb模块这一增强块所提取的增强后的低频特征和未抑噪的高频特征中，未抑噪的高频特征不仅包括反映图像细节的纹理特征，还包括基于噪声干扰所形成的噪声特征，这些超声特征，会使超分辨率处理后的超声图像存在纹理过于尖锐等现象，影响超分辨率处理后的超声图像的图像质量。因此，需采用抑噪增强块lesrcnn模型的增强块进行替换，以获取ns-lesrcnn模型，该ns-lesrcnn模型的抑噪增强块在特征提取过程中，尤其是在高频特征提取过程中，会对噪声信息进行抑制，以将提取到的包含较少噪声信息的抑噪后的高频特征输入到重构块和信息提纯块进行超分辨率处理，使得ns-lesrcnn模型可实现对待处理超声图像进行噪声抑制和超分辨率处理，获取重建后的超声图像，以保障重建后的超声图像对噪声有所抑制，达到提升图像质量的目的。
56.本实施例中，在确定待处理超声图像为模糊超声图像时，采用lesrcnn模型对待处理超声图像进行超分辨率处理，在确定待处理超声图像为噪声超声图像时，采用ns-lesrcnn模型对待处理超声图像进行噪声抑制和超分辨率处理，可使超分辨率处理后的重建后的超声图像具有较高的分辨率。如此操作，可使超分辨率重建后的超声图像具有较高的分辨率，以保障重建后的超声图像对噪声有所抑制，并达到提升图像质量的目的。ns-lesrcnn模型的抑噪增强块在传递浅层图像特征时考虑了图像噪声带来的干扰，使得带有噪声的超声图像在进行超分辨率处理时，既能感官上满足超声科医师要求，又能在定量化指标（ssim和psnr）上达到业界先进的超分辨率算法水平。
57.在一实施例中，ns-lesrcnn模型包括抑噪增强块、重构块和信息提纯块；如图7所示，步骤s603，即采用ns-lesrcnn模型对待处理超声图像进行噪声抑制和超分辨率处理，获取重建后的超声图像，包括：s701：采用抑噪增强块，对待处理超声图像进行特征提取和噪声抑制，获取增强后的低频特征和抑噪后的高频特征；s702：采用重构块，对增强后的低频特征和抑噪后的高频特征进行特征重构，获取重构后的高频特征；s703：采用信息提纯块，对重构后的高频特征进行信息提纯，获取重建后的超声图像。
58.如图13所示，轻量化的抑噪盲超分辨率模型（noise suppression-lightweight image super-resolution with endhanced cnn，简称ns-lesrcnn）的网络架构包括抑噪增强块（information extraction and enhancement block for noise suppression, 以下
简称ns-ieeb模块）、lightweight image super-resolution with endhanced cnn，即轻量化的盲超分辨率模型。
59.作为一示例，步骤s701中，图像处理器采用ns-lesrcnn模型中的ns-ieeb模块，对待处理超声图像进行特征提取和噪声抑制，获取增强后的低频特征和抑噪后的高频特征，将取增强后的低频特征和抑噪后的高频特征输入rb模块进行处理。其中，低频特征是指超声图像的背景对应的特征。抑噪后的高频特征是指ns-ieeb模块提取出的已经进行噪声抑制的高频特征。本示例中，抑噪后的高频特征为与ieeb模块输出的未抑噪的高频特征相对的概念，抑噪后的高频特征也包括纹理特征和噪声特征，但由于ns-ieeb模块在特征提取过程中进行噪声抑制，使得其所提取到的抑噪后的高频特征中的噪声特征远小于未抑噪的高频特征的噪声特征。
60.如图13所示，改进后的ns-lesrcnn模型包括17层卷积的抑噪增强块、1层重构块和5层信息提纯块。采用17层卷积的抑噪增强块对低分辨率的待处理超声图像进行特征提取和特征增强，并对提取到的特征进行细化处理，以减少计算量。此处的特征提取是指采用3*3卷积层和1*1卷积层对待处理超声图像进行特征提取；此处的特征增强是指采用图14所示的ns-ieeb模块中的残差模块来叠加所提取到的特征，以达到特征增强目的；此处的特征细化是指通过多个卷积操作不断降低背景对应的增强后的低频特征，以实现对线条宽度进行缩减细化。本示例中，由于待处理超声图像的图像矩阵在经过多个卷积和激活处理会变得稀疏，会使后续计算量减少，同时为了避免细化后图像矩阵的纹理特征丢失，需将ns-ieeb模块提取到的抑噪后的高频特征通过ns-ieeb通道发送给rb模块。与之相比，lesrcnn模型中的ieeb模块会将提取到的未抑噪的高频特征通过ieeb通道发送给rb模块。本示例中，不管是ns-ieeb模块提取到的抑噪后的高频特征还是ieeb模块提取到的未抑噪的高频特征，均包括待处理超声图像的全部信息，既包含纹理特征，也包括噪声特征，但抑噪后的高频特征中的噪声特征远小于未抑噪的高频特征中的噪声特征。
61.本示例中，如图13所示，改进前的lesrcnn模型的ieeb模块包括多个卷积单元，每个卷积单元包括1个3*3卷积层、1个relu激活层和1个1*1卷积层，其卷积单元输出的高频特征，尤其是3*3卷积层输出的高频特征通过ieeb通道传输至rb模块。改进后的ns-lesrcnn模型ns-ieeb模块包括多个卷积单元，每个卷积单元包括1个3*3卷积层、1个relu激活层和1个1*1卷积层，其卷积单元输出的高频特征，3*3卷积层输出的高频特征通过ns-ieeb通道传输至rb模块，ns-ieeb通道采用图14所示结构，可利用ns-ieeb模块实现特征增强和噪声抑制。本示例中，卷积核的大小已经标注，通道数为64。输入的待处理超声图像通过填充（padding）的方式保持特征图像尺寸不变，在经过1*1的卷积操作时，padding=0，而进行3*3的卷积操作时，padding=1。因此，在改变图像通道时，网络并不需要对特征传递时张量（tensor）的图像尺寸进行调整。改进后的ns-lesrcnn模型中，卷积神经网络各个子模块之间一般是串级前后相连，图9中的部分特征图之间会通过传递通道以加的操作方式相连接，此处的特征图包括高频特征对应的特征图和低频特征对应的特征图。
62.作为一示例，步骤s702中，图像处理器采用ns-lesrcnn模型中的rb模块，对接收到的增强后的低频特征和抑噪后的高频特征进行特征重构，获取重构后的高频特征，将重构后的高频特征输入irb模块进行处理。本示例中，采用rb模块对增强后的低频特征和抑噪后的高频特征进行特征重构，既避免噪声干扰，又避免纹理特征等图像细节信息丢失，有助于
保障最终获取的重建后的超声图像的图像质量。
63.作为一示例，步骤s703中，图像处理器采用ns-lesrcnn模型中的对接收到的重构后的高频特征进行优化，恢复高频特征相关的图像细节，以保障模型的超分辨率性能。
64.本实施例中，采用ns-lesrcnn模型中的抑噪增强块，对待处理超声图像进行特征提取和噪声抑制，获取增强后的低频特征和抑噪后的高频特征，以实现在待处理超声图像的特征提取过程中进行噪声抑制，避免噪声干扰导致生成的重建后的超声图像中的轮廓等纹理较尖锐，以保障重建后的超声图像具有较好的图像质量，达到提升图像质量的目的。
65.在一实施例中，如图8所示，步骤s702，即采用重构块，对增强后的低频特征和抑噪后的高频特征进行特征重构，获取重构后的高频特征，包括：s801：获取目标放大尺度；s802：基于目标放大尺度，分别对增强后的低频特征和抑噪后的高频特征进行上采样处理，获取低频上采样特征和高频上采样特征；s803：对低频上采样特征和高频上采样特征进行特征重构，获取重构后的高频特征。
66.作为一示例，步骤s801中，图像处理器在获取增强后的低频特征和抑噪后的高频特征后，需先获取目标放大尺度。此处的目标放大尺度是指对待处理超声图像的图像特征进行上采样的尺度，该目标放大尺度可以为预先设置的默认值，也可以为根据待处理超声图像的图像尺寸和图像质量所确定的尺度。
67.其中，低频上采样特征是指增强后的低频特征进行上采样处理后的特征。高频上采样特征是指抑噪后的高频特征进行上采样处理后的特征。
68.作为一示例，步骤s802中，图像处理器在获取目标放大尺度后，可基于目标放大尺度，对增强后的低频特征进行上采样处理，以获取上采样处理后的低频上采样特征；并且，可基于同一目标放大尺度，对抑噪后的高频特征进行上采样处理，获取高频上采样特征。本示例中，基于同一目标放大尺度对增强后的低频特征和抑噪后的高频特征进行上采样处理，使得低频上采样特征和高频上采样特征具有相同的图像尺寸，以方便后续进行特征重构。
69.本示例中，图像处理器中设有子像素卷积层，在子像素卷积层中基于目标放大尺度，分别对增强后的低频特征和抑噪后的高频特征进行上采样处理，该子像素卷积层可逐点卷积和组卷积两个操作整合在一起（pointwise group convolution），也可提供组间信息交换的机制（channel shuffle） ，以达到既减少模型的计算量，又可以保证其精度不变的目的。
70.作为一示例，步骤s803中，图像处理器在获取同一目标放大尺度对应的低频上采样特征和高频上采样特征后，可先对低频上采样特征和高频上采样特征进行特征相加，再对相加后的特征进行激活处理，以获取重构后的高频特征，如图13所示。本示例中，通过对低频上采样特征和高频上采样特征进行特征相加和激活处理等特征重构操作，使得获取到的重构后的高频特征既包含较高分辨率的低频特征和高频特征。
71.本实施例中，基于同一目标放大尺度对增强后的低频特征和抑噪后的高频特征进行上采样处理，使得低频上采样特征和高频上采样特征具有相同的图像尺寸，为两者进行特征重构提供技术基础；再对低频上采样特征和高频上采样特征进行特征重构，使得获取
到的重构后的高频特征包含较多的图像细节信息。
72.在一实施例中，如图9所示，步骤s801，即获取目标放大尺度，包括：s901：获取待处理超声图像的图像尺寸和质量检测值；s902：根据待处理超声图像的图像尺寸和质量检测值，确定目标放大尺度。
73.其中，待处理超声图像的图像尺寸是指待处理超声图像本身的尺度。待处理超声图像的质量检测值是指对待处理超声图像进行质量检测后确定的检测值。本示例中，质量检测值为采用目标梯度函数对待处理超声图像进行质量检测所确定的梯度值。此处的目标梯度函数是指用于实现质量检测的梯度函数，目标梯度函数包括但不限于brenner梯度函数、laplacian梯度函数和vollath函数。
74.作为一示例，步骤s901中，图像处理器可根据输入的待处理超声图像，获取该待处理超声图像的图像尺寸和质量检测值。本示例中，由于步骤s202中对待处理超声图像进行质量检测过程中，已经采用brenner梯度函数、laplacian梯度函数和vollath函数等目标梯度函数进行检测处理，可直接将质量检测过程中所确定的brenner梯度实测值、laplacian梯度实测值和vollath梯度实测值，确定为质量检测值，该质量检测值表征待处理超声图像的图像质量。
75.作为一示例，步骤s902中，图像处理器在待处理超声图像的图像尺寸和质量检测值后，可根据图像尺寸和质量检测值，查询预先设置的放大尺度对照表，从放大尺度对照表中，确定与图像尺度和质量检测值对应的目标放大尺度。例如，在图像尺寸较低时，采用较大的目标放大尺度进行上采样处理；或者，在图像尺寸较高时，即图像尺寸满足预设要求时，对质量检测值较低的待处理超声图像可采用较小的目标放大尺度进行上采样处理。
76.例如，在测试过程中，针对正常参考图像分别进行2倍下采样或者4倍下采样，获取2倍下采样或者4倍下采样后的模糊参考图像；给2倍下采样或者4倍下采样后的模糊参考图像添加噪声干扰信息，可获取2倍下采样或者4倍下采样对应的噪声参考图像，将正常参考图像、模糊参考图像和噪声参数图像作为模型输入，分别输入lesrcnn模型和ns-lesrcnn模型进行测试，获取psnr/ssim这两个测试指标对应的测试结果如图15所示：（1）将正常参考图像输入lesrcnn模型和ns-lesrcnn模型，分别采用2倍和4倍的目标放大尺度进行上采样处理，所测试到的psnr/ssim这两个测试指标的模型得分第1行所示。（2）将噪声参考图像输入lesrcnn模型和ns-lesrcnn模型，分别采用2倍的目标放大尺度对2倍下采样对应的噪声参考图像进行上采样处理，采用4倍的目标放大尺度对4倍下采样对应的噪声参考图像进行上采样处理，所测试到的psnr/ssim这两个测试指标的模型得分如第2行和第3行所示。（3）将模糊参考图像输入lesrcnn模型和ns-lesrcnn模型，分别采用2倍的目标放大尺度对2倍下采样对应的噪声参考图像进行上采样处理，采用4倍的目标放大尺度对4倍下采样对应的噪声参考图像进行上采样处理，其模型得分如第4行和第5行所示。由图11所示的测试结果对比可知，在图像尺寸满足预设尺寸要求的前景下，采用较小的目标放大尺度进行上采样处理后，在对噪声参考图像进行超分辨率处理后的超声图像的模型得分较高，更接近正常参考图像，其图像质量较高。
77.本实施例中，根据待处理超声图像的图像尺寸和表征待处理超声图像的图像质量的质量检测值（包括但不限于brenner梯度实测值、laplacian梯度实测值和vollath梯度实测值），自适应确定目标放大尺度，可实现在图像尺寸较低时，采用较大的目标放大尺度进
行上采样处理；或者，在图像尺寸较高时，即图像尺寸满足预设要求时，对质量检测值较低的待处理超声图像可采用较小的目标放大尺度进行上采样处理。也就是说，在图像尺寸满足预设要求时，图像质量较低的待处理超声图像采用较小的目标放大尺度进行上采样处理，其主要原因在于，由实验确定，采用较小的目标放大尺度进行上采样处理后，其最终形成的重建后的超声图像更接近参考超声图像。
78.在一实施例中，如图10所示，步骤s204，即对重建后的超声图像的图像特征和合格超声图像的图像特征进行一致性，包括：s1001：获取聚类数据簇，聚类数据簇包括合格数据簇和不合格数据簇；s1002：对重建后的超声图像进行降维，获取重构图像特征；s1003：基于重构图像特征，分别计算与合格数据簇和不合格数据簇之间的汉明距离，确定合格汉明距离和不合格汉明距离；s1003：若合格汉明距离小于不合格汉明距离，则确定重建后的超声图像的图像特征和合格超声图像的图像特征具有一致性；其中，合格数据簇为合格超声图像降维的合格图像特征进行聚类所形成的数据簇，不合格数据簇为不合格超声图像降维的不合格图像特征进行聚类所形成的数据簇。
79.其中，聚类数据簇是指当前时刻之前基于图像特征进行聚类所形成的数据簇。合格数据簇为合格超声图像降维的合格图像特征进行聚类所形成的数据簇。不合格数据簇为不合格超声图像降维的不合格图像特征进行聚类所形成的数据簇。作为一示例，不合格数据簇包括噪声数据簇和模糊数据簇，此处的噪声数据簇是指噪声超声图像降维的噪声图像特征进行聚类所形成的数据簇，模糊数据簇是指模糊超声图像降维的模糊图像特征进行聚类所形成的数据簇。
80.作为一示例，步骤s1001中，图像处理器可获取训练聚类形成的聚类数据簇。本示例中，图像处理器在当前时刻之前进行聚类处理过程如下：（1）获取超声图像数据集中的训练超声图像，此处的训练超声图像可以为高分辨率的超声图像。每一训练超声图像携带有质量标签，质量标签可以为合格标签和不合格标签，也可以为合格标签、噪声标签和模糊标签。（2）对所有携带质量标签的训练超声图像进行降维，获取训练超声图像对应的训练图像特征。本示例中，可采用但不限于resnet50这一卷积神经网络模型对训练超声图像进行特征提取，以将宽*高*3的特征图转换为1*1000的特征数组，以便后续利用一维的训练图像特征进行聚类。（3）对携带质量标签的所有训练图像特征进行聚类，以获取至少两个聚类数据簇。例如，在质量标签为合格标签和不合格标签时，其所形成的聚类数据簇包括合格数据簇和不合格数据簇。在质量标签为合格标签、噪声标签和模糊标签时，其所形成的聚类数据簇包括合格数据簇、噪声数据簇和模糊数据簇，其中，噪声数据簇和模糊数据簇为不合格数据簇。
81.作为一示例，步骤s1002中，图像处理器在获取重建后的超声图像后，可采用但不限于resnet50这一卷积神经网络模型对重建后的超声图像进行降维，以提取一维的重构图像特征。本示例中，resnet50这一卷积神经网络模型对重建后的超声图像进行降维，以将重建后的超声图像的维度从宽*高*3 转换为1*1000的特征数组，以达到获取一维的重构图像特征，以便利用一维的重构图像特征进行距离计算。
82.作为一示例，步骤s1003中，图像处理器在获取重构图像特征后，可采用汉明距离
公式，对重构图像特征和合格数据簇对应的图像特征进行计算，将两者之间的汉明距离，确定为合格汉明距离。相应地，可采用汉明距离公式，对重构图像特征和不合格数据簇对应的图像特征进行计算，将两者之间的汉明距离，确定为不合格汉明距离。可理解地，在不合格数据簇包括噪声数据簇和模糊数据簇时，其不合格汉明距离包括噪声汉明距离和模糊汉明距离。
83.作为一示例，步骤s1004中，图像处理器在计算确定合格汉明距离和不合格汉明距离后，可比较合格汉明距离和不合格汉明距离的大小，在合格汉明距离小于不合格汉明距离时，说明重构图像特征更接近合格数据簇的合格图像特征，因此，可判定重建后的超声图像的图像风格与合格超声图像的图像风格一致。相应地，在合格汉明距离不小于不合格汉明距离时，说明重构图像特征更接近不合格数据簇的不合格图像特征，因此，可判定重建后的超声图像的图像风格与合格超声图像的图像风格不一致。可理解地，在不合格数据簇包括噪声数据簇和模糊数据簇时，其不合格汉明距离包括噪声汉明距离和模糊汉明距离时，需在合格汉明距离同时小于噪声汉明距离和模糊汉明距离时，才认定其更接近合格数据簇的图像特征，可判定重建后的超声图像和合格超声图像的图像特征一致，以确定两者的图像风格一致。
84.本实施例中，计算重建后的超声图像降维获取到的重构图像特征，和预先聚类形成的合格数据簇和不合格数据簇之间的汉明距离，分别确定合格汉明距离和不合格汉明距离，在合格汉明距离小于不合格汉明距离时，可认定重构图像特征更接近合格数据簇中的合格图像特征，说明两者图像特征更接近，即重建后的超声图像的图像风格更接近合格超声图像的图像风格，认定满足预设一致性标准，可确定重建后的超声图像的图像特征和合格超声图像的图像特征具有一致性，以将重建后的超声图像，确定为质量提升后的合格超声图像。
85.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
86.在一实施例中，提供一种超声图像质量控制装置，该超声图像质量控制装置与上述实施例中超声图像质量控制方法一一对应。如图11所示，该超声图像质量控制装置包括待处理超声图像获取模块1101、质量检测模块1102、超分辨率处理模块1103、一致性判断模块1104和合格超声图像获取模块1105。各功能模块详细说明如下：待处理超声图像获取模块1101，用于获取待处理超声图像；质量检测模块1102，用于对待处理超声图像进行质量检测，判断待处理超声图像是否为合格超声图像；超分辨率处理模块1103，用于若待处理超声图像为不合格超声图像，则对待处理超声图像进行超分辨率处理，获取重建后的超声图像；一致性判断模块1104，用于对重建后的超声图像的图像特征和合格超声图像的图像特征进行一致性判断；合格超声图像获取模块1105，用于若重建后的超声图像的图像特征和合格超声图像的图像特征具有一致性，则认定重建后的超声图像为质量提升后的合格超声图像。
87.在一实施例中，超声图像质量控制装置还包括：
故障检测结果获取模块，用于对待处理超声图像进行故障检测，获取故障检测结果；故障检测通过处理模块，用于若故障检测结果为故障检测通过，则执行对待处理超声图像进行质量检测，判断待处理超声图像是否为合格超声图像。
88.在一实施例中，故障检测结果获取模块，包括：目标直方图获取子模块，用于对待处理超声图像进行特征提取，获取待处理超声图像的目标直方图；故障检测结果获取子模块，用于对待处理超声图像的目标直方图进行故障检测，获取故障检测结果。
89.在一实施例中，质量检测模块1102，包括：梯度实测值获取子模块，用于采用brenner梯度函数、laplacian梯度函数和vollath函数，分别对待处理超声图像进行质量检测，获取brenner梯度实测值、laplacian梯度实测值和vollath梯度实测值；第一质量检测结果获取子模块，用于若brenner梯度实测值、laplacian梯度实测值和vollath梯度实测值均符合其对应的目标梯度阈值，则确定待处理超声图像为合格超声图像；第二质量检测结果获取子模块，用于若brenner梯度实测值、laplacian梯度实测值和vollath梯度实测值中的至少一个不符合其对应的目标梯度阈值，则确定待处理超声图像为不合格超声图像。
90.在一实施例中，超分辨率处理模块1103，包括：不合格类型获取子模块，用于获取待处理超声图像对应的不合格类型；第一超分辨率处理子模块，用于若不合格类型为模糊超声图像，则采用lesrcnn模型对待处理超声图像进行超分辨率处理，获取重建后的超声图像；第二超分辨率处理子模块，用于若不合格类型为噪声超声图像，则采用ns-lesrcnn模型对待处理超声图像进行噪声抑制和超分辨率处理，获取重建后的超声图像；其中，ns-lesrcnn模型是采用抑噪增强块对lesrcnn模型的增强块进行替换所形成的lesrcnn模型，抑噪增强块在特征提取过程中进行噪声抑制。
91.在一实施例中，ns-lesrcnn模型包括抑噪增强块、重构块和信息提纯块；第二超分辨率处理子模块，包括：抑噪增强处理单元，用于采用抑噪增强块，对待处理超声图像进行特征提取和噪声抑制，获取增强后的低频特征和抑噪后的高频特征；特征重构单元，用于采用重构块，对增强后的低频特征和抑噪后的高频特征进行特征重构，获取重构后的高频特征；信息提纯单元，用于采用信息提纯块，对重构后的高频特征进行信息提纯，恢复高频特征相关的图像细节。
92.在一实施例中，特征重构单元，包括：放大尺度获取子单元，用于获取目标放大尺度；上采样处理子单元，用于基于目标放大尺度，分别对增强后的低频特征和抑噪后的高频特征进行上采样处理，获取低频上采样特征和高频上采样特征；
特征重构子单元，用于对低频上采样特征和高频上采样特征进行特征重构，获取重构后的高频特征。
93.在一实施例中，放大尺度获取子单元，包括：图像属性获取子子单元，用于获取待处理超声图像的图像尺寸和质量检测值；放大尺度确定子子单元，用于根据待处理超声图像的图像尺寸和质量检测值，确定目标放大尺度。
94.在一实施例中，一致性判断模块1104，包括：聚类数据簇获取子模块，用于获取聚类数据簇，聚类数据簇包括合格数据簇和不合格数据簇；聚类数据簇获取子模块，用于对重建后的超声图像进行降维，获取重构图像特征；汉明距离确定子单元，用于基于重构图像特征，分别计算与合格数据簇和不合格数据簇之间的汉明距离，确定合格汉明距离和不合格汉明距离；一致结果获取子单元，用于若合格汉明距离小于不合格汉明距离，则确定重建后的超声图像的图像特征和合格超声图像的图像特征具有一致性；其中，合格数据簇为合格超声图像降维的合格图像特征进行聚类所形成的数据簇，不合格数据簇为不合格超声图像降维的不合格图像特征进行聚类所形成的数据簇。
95.关于超声图像质量控制装置的具体限定可以参见上文中对于超声图像质量控制方法的限定，在此不再赘述。上述超声图像质量控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
96.在一实施例中，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中超声图像质量控制方法，例如图2所示s201-s205，或者图3至图10中所示，为避免重复，这里不再赘述。或者，处理器执行计算机程序时实现超声图像质量控制装置这一实施例中的各模块/单元的功能，例如图11所示的超声图像质量控制装置包括待处理超声图像获取模块1101、质量检测模块1102、超分辨率处理模块1103、一致性判断模块1104和合格超声图像获取模块1105的功能，为避免重复，这里不再赘述。
97.在一实施例中，提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中超声图像质量控制方法，例如图2所示s201-s205，或者图3至图10中所示，为避免重复，这里不再赘述。或者，该计算机程序被处理器执行时实现上述超声图像质量控制装置这一实施例中的各模块/单元的功能，例如图11所示的超声图像质量控制装置包括待处理超声图像获取模块1101、质量检测模块1102、超分辨率处理模块1103、一致性判断模块1104和合格超声图像获取模块1105的功能，为避免重复，这里不再赘述。
98.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可
包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink） dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
99.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
100.以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。