本申请涉及超声图像处理技术领域，具体而言，涉及一种超声图像检测方法及装置。
背景技术：
超声成像是利用超声声束扫描人体，通过对反射信号的接收、处理，以获得体内器官的图像，超声波对人体软组织有良好的分辨能力，有利于识别生物组织的微小病变。超声图像显示活体组织可不用染色处理，即可获得所需图像，有利于检测活体组织。根据超声图像，可以导向针刺抽出积液、积血、积脓、注入治疗药物等操作，目前的超声图像处理中通常需要对超声图像中的特征进行提取，再采用图像特征匹配的算法对超声图像中的目标进行检测，但是采用该方法的计算时间长，无法满足超声图像检测的实时性，从而导致对超声图像的检测结果鲁棒性不高。
技术实现要素：
本申请实施例的目的在于提供一种超声图像检测方法及装置，用以改善现有技术中超声图像的检测结果鲁棒性不高的问题。
第一方面，本申请实施例提供了一种超声图像检测方法，所述方法包括：获取超声视频流，并通过预先训练好的神经网络模型从所述超声视频流中确定包括目标物的基准帧以及所述目标物在所述基准帧中的位置；根据所述基准帧以及所述目标物在所述基准帧中的位置采用目标跟踪算法对所述基准帧的后续帧进行目标跟踪；在对所述基准帧的后续帧成功进行目标跟踪时，获取所述目标物在后续帧中的位置。
在上述方法中，对超声视频流进行检测，利用预先训练好的神经网络模型从超声视频流中确定包括目标物的基准帧，同时通过神经网络模型能够准确地获取该目标物在基准帧中的位置，便于后续采用目标跟踪的方式根据基准帧以及目标物在基准帧中的位置对基准帧的后续帧中的目标物进行跟踪，从而能够通过目标跟踪的方式快速的获取基准帧的后续帧中目标物的位置，提高目标物检测速度，进而保证超声图像检测的实时性。
可选地，所述根据所述基准帧以及所述目标物在所述基准帧中的位置采用目标跟踪算法对所述基准帧的后续帧进行目标跟踪之后，所述方法还包括：若在所述基准帧之后的后续帧中的当前处理帧中未跟踪到所述目标物时，则重新通过所述神经网络模型从所述当前处理帧的后续帧中确定包括目标物的新基准帧，以及所述目标物在所述新基准帧中的位置；根据所述新基准帧以及所述目标物在所述新基准帧中的位置采用目标跟踪算法对所述新基准帧的后续帧进行目标跟踪；在对所述新基准帧的后续帧成功进行目标跟踪时，获取所述目标物在所述新基准帧的后续帧中的位置。
在上述实现过程中，在基准帧后续帧中的当前处理帧中未跟踪到目标物，也就是目标跟踪失败时，可以重新通过神经网络模型从当前处理帧的后续帧中确定包括目标物的新基准帧，并获取目标物在新基准帧中的位置，便于后续继续进行目标跟踪，保证了目标物跟踪的准确性，且由于只在未成功进行目标跟踪时，才通过神经网络模型获取目标物的准确位置，从而能够减少了通过神经网络模型计算的过程，进而提高了目标物检测速度。
可选地，所述根据所述基准帧以及所述目标物在所述基准帧中的位置采用目标跟踪算法对所述基准帧的后续帧进行目标跟踪，包括：判断所述基准帧之后的后续帧中的当前处理帧与所述基准帧之间间隔的帧数是否超过预设帧数；若是，则重新通过所述神经网络模型从所述当前处理帧的后续帧中确定包括目标物的新基准帧，以及所述目标物在所述新基准帧中的位置；根据所述新基准帧以及所述目标物在所述新基准帧中的位置采用目标跟踪算法对所述新基准帧的后续帧进行目标跟踪；在对所述新基准帧的后续帧成功进行目标跟踪时，获取所述目标物在所述新基准帧的后续帧中的位置。
在上述实现过程中，判断基准帧后续帧中的当前处理帧与基准帧之间间隔的帧数是否超过预设帧数，若超过，则说明进行目标跟踪已经有一段时间，继续进行目标跟踪可能会跟踪不准确，因此，可以在当前处理帧与基准帧之间间隔的帧数是否超过预设帧数时，重新确定一个新基准帧，并根据新基准帧以及新基准帧中目标物的位置对目标物进行目标跟踪，保证目标跟踪的准确性。
可选地，所述获取超声视频流，并通过预先训练好的神经网络模型从所述超声视频流中确定包括目标物的基准帧以及所述目标物在所述基准帧中的位置之前，包括：获取样本数据集，其中，所述样本数据集包括训练集以及测试集，所述样本数据集中的每个样本数据包括一个超声图像以及所述超声图像对应的实际目标物的位置信息；根据所述训练集对预先建立好的神经网络模型进行训练；将测试集中的多个超声图像输入至训练后的神经网络模型中，并获取输出的与每个所述超声图像对应的预测目标物的位置信息；在所述预测目标物的位置信息与所述实际目标物的位置信息之间的偏差小于预设值时，确定所述训练后的神经网络模型为预先训练好的神经网络模型。
在上述实现过程中，在对超声视频流中确定包括目标物的基准帧之前，需要根据样本数据建立并训练神经网络，训练好的神经网络识别准确率高，能够在超声视频流中准确的确定包括目标物的基准帧，从而提高超声图像检测的准确性。
可选地，所述预先建立好的神经网络模型的隐藏层包括卷积层，线性整流层，局部响应标准化层，池化层和全连接层。
可选地，采用相关滤波器对所述基准帧的后续帧进行目标跟踪。
第二方面，本申请实施例提供了一种超声图像检测装置，所述装置包括：基准帧及目标物位置获取模块，用于获取超声视频流，并通过预先训练好的神经网络模型从所述超声视频流中确定包括目标物的基准帧以及所述目标物在所述基准帧中的位置；目标跟踪模块，用于根据所述基准帧以及所述目标物在所述基准帧中的位置采用目标跟踪算法对所述基准帧的后续帧进行目标跟踪；目标物位置获取模块，用于在对所述基准帧的后续帧成功进行目标跟踪时，获取所述目标物在后续帧中的位置。
可选地，所述装置还包括：基准帧及目标物位置获取模块，还用于在所述基准帧之后的后续帧中的当前处理帧中未跟踪到所述目标物时，则重新通过所述神经网络模型从所述当前处理帧的后续帧中确定包括目标物的新基准帧，以及所述目标物在所述新基准帧中的位置；目标跟踪模块，还用于根据所述新基准帧以及所述目标物在所述新基准帧中的位置采用目标跟踪算法对所述新基准帧的后续帧进行目标跟踪；目标物位置获取模块，还用于在对所述新基准帧的后续帧成功进行目标跟踪时，获取所述目标物在所述新基准帧的后续帧中的位置。
可选地，目标跟踪模块包括：间隔判断单元，用于判断所述基准帧之后的后续帧中的当前处理帧与所述基准帧之间间隔的帧数是否超过预设帧数；基准帧及目标物位置获取单元，用于在所述基准帧之后的后续帧中的当前处理帧与所述基准帧之间间隔的帧数超过预设帧数时，重新通过所述神经网络模型从所述当前处理帧的后续帧中确定包括目标物的新基准帧，以及所述目标物在所述新基准帧中的位置；目标跟踪单元，用于根据所述新基准帧以及所述目标物在所述新基准帧中的位置采用目标跟踪算法对所述新基准帧的后续帧进行目标跟踪；目标物位置获取单元，用于在对所述新基准帧的后续帧成功进行目标跟踪时，获取所述目标物在所述新基准帧的后续帧中的位置。
可选地，所述装置还包括：样本数据集获取模块，用于获取样本数据集，其中，所述样本数据集包括训练集以及测试集，所述样本数据集中的每个样本数据包括一个超声图像以及所述超声图像对应的实际目标物的位置信息；训练模块，用于根据所述训练集对预先建立好的神经网络模型进行训练；预测目标物的位置信息获取模块，用于将测试集中的多个超声图像输入至训练后的神经网络模型中，并获取输出的与每个所述超声图像对应的预测目标物的位置信息；神经网络模型确定模块，用于在所述预测目标物的位置信息与所述实际目标物的位置信息之间的偏差小于预设值时，确定所述训练后的神经网络模型为预先训练好的神经网络模型。
第三方面，本申请实施例提供一种计算设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
第四方面，本申请实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种计算设备的结构框图；
图2为本申请实施例提供的一种超声图像检测方法的流程图；
图3为本申请实施例提供的一种卷积神经网络模型的示意图；
图4为本申请实施例提供的一种超声图像检测装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
本申请涉及超声图像处理技术领域，该领域是声学、医学、光学及电子学相结合的技术领域，超声成像是利用超声声束扫描人体，通过对反射信号的接收、处理，以获得体内器官的图像，超声波对人体软组织有良好的分辨能力，有利于识别生物组织的微小病变，且超声图像显示活体组织可不用染色处理，即可获得所需图像，有利于检测活体组织，本申请提供的超声图像检测方法，能够准确的快速的对超声图像进行检查，以保证超声图像检测的实时性，从而改善现有技术中超声图像的检测结果鲁棒性不高的问题。
本申请提供的超声图像检测方法可以被计算设备执行，下边简单对计算设备进行说明，请参看图1，图1为本发明实施例提供的一种计算设备的结构示意图，所述计算设备可以包括：至少一个处理器110，例如cpu，至少一个通信接口120，至少一个存储器130和至少一个通信总线140。其中，通信总线140用于实现这些组件直接的连接通信。其中，本申请实施例中设备的通信接口120用于与其他节点设备进行信令或数据的通信。存储器130可以是高速ram存储器，也可以是非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器130可选的还可以是至少一个位于远离前述处理器的存储装置。存储器130中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器110执行时，计算设备执行下述图2所示方法过程。
可以理解，图1所示的结构仅为示意，计算设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。于本申请实施例中，计算设备100可以是，但不限于专用检测设备、台式机、笔记本电脑、智能手机、智能穿戴设备、车载设备等实体设备，还可以是虚拟机等虚拟设备。另外，计算设备100也不一定是单台设备，还可以是多台设备的组合，例如服务器集群，等等。
请参看图2，图2为本申请实施例提供的一种超声图像检测方法的流程图，该方法包括如下步骤：
步骤s110：获取超声视频流，并通过预先训练好的神经网络模型从超声视频流中确定包括目标物的基准帧以及目标物在基准帧中的位置。
通过超声探头一般可以获取到超声视频流，在超声视频流中包括超声探头在一段时间内拍摄某个组织的连续图像，也称为超声图像帧序列，在获取超声视频流后，可以通过预先训练好的神经网络模型对超声视频流中的超声图像帧进行识别，并将识别到的识别出目标物的超声图像帧确定为基准帧，同时确定目标物在基准帧中的位置。
其中，神经网络模型可以包括卷积神经网络模型、长短时记忆神经网络模型、bp神经网络模型等，可以根据实际需求采用不同的神经网络，本申请以卷积神经网络模型为例对超声视频流进行识别，并确定出基准帧，此部分在后续内容中进行具体说明。
步骤s120：根据基准帧以及目标物在基准帧中的位置采用目标跟踪算法对基准帧的后续帧进行目标跟踪。
跟踪就是在连续的视频帧中定位某一目标，当跟踪前一帧中的某个物体时，就知道该物体的信息，信息包括该物体在前一帧的位置以及运行的速度和方向，因此，在下一帧中可以用已知的信息来预测下一帧中物体的位置，也就是说，跟踪算法是利用所有已知信息来追踪点，但是检测算法每次都要重头开始，因此利用目标跟踪算法对图像中的目标进行追踪，比通过神经网络模型对图像中的目标进行检测得到结果更快。
因此，通过神经网络模型从超声视频流中确定出基准帧后，可以根据基准帧以及目标物在基准帧中的位置进行目标跟踪算法，以对基准帧的后续帧进行快速的检测，例如，若基准帧确定为超声图像帧t，则可以对超声图像帧t 1采用目标跟踪算法进行检查。
相关滤波是一种基于相关性对图像中目标进行跟踪的算法，该算法求解处理图像中所有像素与目标的相关性，并将其中相关性足够高的像素认为是目标，也就可以求出目标的位置。
作为一种实施方式，可以采用相关滤波器对基准帧的后续帧进行目标跟踪，根据以下的例子简单说明具体算法。若基准帧为f，滤波器为h，则计算基准帧f的二维傅里叶变换f为
其中，获取滤波器需要一个图像训练集，并将该图像训练集中的图像记作fi，其对应的傅里叶变换为fi，该图像训练集中每个图像中的目标为已知，与图像fi对应的目标为gi，目标gi对应的傅里叶变换为gi，因此可以得到滤波器求解问题如下式所示：
上式具有封闭解，因此可以对上式中目标gi对h*求导并置0进行计算可以得到下式：
此外，由于滤波器需要快速适应环境变换才能跟随目标，因此设定滤波器h的更新规则为：
步骤s130：判断对基准帧的后续帧是否成功进行目标跟踪。
由于操作人员将超声探头换位置或者移动的操作使得超声探头获取的超声视频流中没有目标，因此需要判断对基准帧的后续帧是否成功进行目标跟踪，若对基准帧的后续帧成功进行目标跟踪，则可以执行步骤s140：获取目标物在后续帧中的位置。
在上述方法中，对超声视频流进行检测，利用预先训练好的神经网络模型从超声视频流中确定包括目标物的基准帧，同时通过神经网络模型能够准确地获取该目标物在基准帧中的位置，便于后续采用目标跟踪的方式根据基准帧以及目标物在基准帧中的位置对基准帧的后续帧中的目标物进行跟踪，从而能够通过目标跟踪的方式快速的获取基准帧的后续帧中目标物的位置，提高目标物检测速度，进而保证超声图像检测的实时性。
可选地，若在基准帧之后的后续帧中的当前处理帧中未跟踪到目标物时，则执行步骤s150：重新通过神经网络模型从当前处理帧的后续帧中确定包括目标物的新基准帧，以及目标物在新基准帧中的位置。
步骤s160：根据新基准帧以及目标物在新基准帧中的位置采用目标跟踪算法对新基准帧的后续帧进行目标跟踪。
步骤s170：在对新基准帧的后续帧成功进行目标跟踪时，获取目标物在新基准帧的后续帧中的位置。
例如，设定基准帧已确定为超声图像帧t，则可以对超声图像帧t 1采用目标跟踪算法进行检查，若对超声图像帧t 1成功进行目标跟踪，则可以继续对超声图像帧t 2进行目标跟踪，若对超声图像帧t 1未成功进行目标跟踪，则需要通过神经网络模型对超声图像帧t 1的后续帧中确定包括目标物的新基准帧，例如，通过神经网络模型检测到超声图像帧t 2中没有目标物，则继续检测超声图像帧t 3中是否包括目标物，若超声图像帧t 3中包括目标物，则可以将超声图像帧t 3确定为新基准帧，并对超声图像帧t 3的后续帧采用目标跟踪的方式进行目标检测。
在上述实现过程中，在基准帧后续帧中的当前处理帧中未跟踪到目标物，也就是目标跟踪失败时，可以重新通过神经网络模型从当前处理帧的后续帧中确定包括目标物的新基准帧，并获取目标物在新基准帧中的位置，便于后续继续进行目标跟踪，保证了目标物跟踪的准确性，且由于只在未成功进行目标跟踪时，才通过神经网络模型获取目标物的准确位置，从而能够减少了通过神经网络模型计算的过程，进而提高了目标物检测速度。
由于目标跟踪算法会随着跟踪时间的增加，准确率降低，因此，可以设定一种规则，避免由于滤波器跟踪的结果随时间的增加而不准确。
作为一种实施方式，可以判断基准帧之后的后续帧中的当前处理帧与基准帧之间间隔的帧数是否超过预设帧数，若是，则重新通过神经网络模型从当前处理帧的后续帧中确定包括目标物的新基准帧，以及目标物在新基准帧中的位置，然后根据新基准帧以及目标物在新基准帧中的位置采用目标跟踪算法对新基准帧的后续帧进行目标跟踪，在对新基准帧的后续帧成功进行目标跟踪时，获取目标物在新基准帧的后续帧中的位置。
例如，设定基准帧已确定为超声图像帧t，并采用目标跟踪算法对超声图像帧t n成功进行跟踪，此时，可以判断n是否大于预设值n，若n大于预设值n，则表明目标跟踪算法有可能会出现跟踪不准确的问题，可以对超声图像帧t n的后续帧中重新确定基准帧，保证目标跟踪的准确性。
可以理解地，当目标跟踪失败时，会重新通过神经网络模型从当前处理帧的后续帧中确定包括目标物的新基准帧，在确定了新基准帧之后，可以针对新基准帧的之后的后续帧中的当前处理帧与新基准帧之间间隔的帧数是否超过预设帧数，若超过，则再重新通过神经网络模型从当前处理帧的后续帧中确定包括目标物的另一个新基准帧。
在上述实现过程中，判断基准帧后续帧中的当前处理帧与基准帧之间间隔的帧数是否超过预设帧数，若超过，则说明进行目标跟踪已经有一段时间，继续进行目标跟踪可能会跟踪不准确，因此，可以在当前处理帧与基准帧之间间隔的帧数是否超过预设帧数时，重新确定一个新基准帧，并根据新基准帧以及新基准帧中目标物的位置对目标物进行目标跟踪，保证目标跟踪的准确性。
可选地，根据卷积神经网络模型对超声视频流进行识别并确定出基准帧之前，获取卷积神经网络模型的步骤如下：
获取样本数据集，其中，样本数据集包括训练集以及测试集，样本数据集中的每个样本数据包括一个超声图像以及超声图像对应的实际目标物的位置信息。
根据训练集对预先建立好的神经网络模型进行训练。
将测试集中的多个超声图像输入至训练后的神经网络模型中，并获取输出的与每个超声图像对应的预测目标物的位置信息。
在预测目标物的位置信息与实际目标物的位置信息之间的偏差小于预设值时，确定训练后的神经网络模型为预先训练好的神经网络模型。
使用该方法训练的神经网络模型可以获得目标静脉在图像中的精确位置，神经网络模型是端到端的，输入端为原始图像，输出端为目标参数。当神经网络模型建立后，用训练集对该神经网络模型进行反复训练，让神经网络内部参数在训练集上进行自适应调整，直到神经网络的输出目标参数达到可以接受的精度为止。当神经网络训练模型完成后，可以认为模型内部的参数已经合适，对于训练集外的同一场景下的图像，神经网络也可以输出精度较高的目标参数。
图3为本申请实施例提供的一种卷积神经网络模型的示意图，该神经网络模型的隐藏层包括卷积层，线性整流层，局部响应标准化层，池化层和全连接层。
在上述实现过程中，在对超声视频流中确定包括目标物的基准帧之前，需要根据样本数据建立并训练神经网络，训练好的神经网络识别准确率高，能够在超声视频流中准确的确定包括目标物的基准帧，从而提高超声图像检测的准确性。
基于同一发明构思，本申请实施例中还提供一种超声图像检测装置200，图4为本申请实施例提供的一种超声图像检测装置200的结构框图。该装置可以是计算设备上的模块、程序段或代码。应理解，该超声图像检测装置200与上述图2方法实施例对应，能够执行图2方法实施例涉及的各个步骤，该超声图像检测装置200具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。
可选地，该超声图像检测装置200包括：
基准帧及目标物位置获取模块210，用于获取超声视频流，并通过预先训练好的神经网络模型从超声视频流中确定包括目标物的基准帧以及目标物在基准帧中的位置。
目标跟踪模块220，用于根据基准帧以及目标物在基准帧中的位置采用目标跟踪算法对基准帧的后续帧进行目标跟踪。
目标物位置获取模块230，用于在对基准帧的后续帧成功进行目标跟踪时，获取目标物在后续帧中的位置。
可选地，超声图像检测装置200还包括：
基准帧及目标物位置获取模块，还用于在基准帧之后的后续帧中的当前处理帧中未跟踪到目标物时，则重新通过神经网络模型从当前处理帧的后续帧中确定包括目标物的新基准帧，以及目标物在新基准帧中的位置。
目标跟踪模块，还用于根据新基准帧以及目标物在新基准帧中的位置采用目标跟踪算法对新基准帧的后续帧进行目标跟踪。
目标物位置获取模块，还用于在对新基准帧的后续帧成功进行目标跟踪时，获取目标物在新基准帧的后续帧中的位置。
可选地，目标跟踪模块220包括：
间隔判断单元，用于判断基准帧之后的后续帧中的当前处理帧与基准帧之间间隔的帧数是否超过预设帧数。
基准帧及目标物位置获取单元，用于在基准帧之后的后续帧中的当前处理帧与基准帧之间间隔的帧数超过预设帧数时，重新通过神经网络模型从当前处理帧的后续帧中确定包括目标物的新基准帧，以及目标物在新基准帧中的位置。
目标跟踪单元，用于根据新基准帧以及目标物在新基准帧中的位置采用目标跟踪算法对新基准帧的后续帧进行目标跟踪。
目标物位置获取单元，用于在对新基准帧的后续帧成功进行目标跟踪时，获取目标物在新基准帧的后续帧中的位置。
可选地，超声图像检测装置200还包括：
样本数据集获取模块，用于获取样本数据集，其中，样本数据集包括训练集以及测试集，样本数据集中的每个样本数据包括一个超声图像以及超声图像对应的实际目标物的位置信息。
训练模块，用于根据训练集对预先建立好的神经网络模型进行训练。
预测目标物的位置信息获取模块，用于将测试集中的多个超声图像输入至训练后的神经网络模型中，并获取输出的与每个超声图像对应的预测目标物的位置信息。
神经网络模型确定模块，用于在预测目标物的位置信息与实际目标物的位置信息之间的偏差小于预设值时，确定训练后的神经网络模型为预先训练好的神经网络模型。
本申请实施例提供一种可读取存储介质，计算机程序被处理器执行时，执行如图2所示方法实施例中计算设备所执行的方法过程。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
综上，本申请提供一种超声图像检测方法及装置，在该方法中，先对超声视频流进行检测，利用预先训练好的神经网络模型从超声视频流中确定包括目标物的基准帧，同时通过神经网络模型能够准确地获取该目标物在基准帧中的位置，便于后续采用目标跟踪的方式根据基准帧以及目标物在基准帧中的位置对基准帧的后续帧中的目标物进行跟踪，从而能够通过目标跟踪的方式快速的获取基准帧的后续帧中目标物的位置，提高目标物检测速度，进而保证超声图像检测的实时性。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
以上仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
1.一种超声图像检测方法，其特征在于，所述方法包括：
获取超声视频流，并通过预先训练好的神经网络模型从所述超声视频流中确定包括目标物的基准帧以及所述目标物在所述基准帧中的位置；
根据所述基准帧以及所述目标物在所述基准帧中的位置采用目标跟踪算法对所述基准帧的后续帧进行目标跟踪；
在对所述基准帧的后续帧成功进行目标跟踪时，获取所述目标物在后续帧中的位置。
2.根据权利要求1所述的超声图像检测方法，其特征在于，所述根据所述基准帧以及所述目标物在所述基准帧中的位置采用目标跟踪算法对所述基准帧的后续帧进行目标跟踪之后，所述方法还包括：
若在所述基准帧之后的后续帧中的当前处理帧中未跟踪到所述目标物时，则重新通过所述神经网络模型从所述当前处理帧的后续帧中确定包括目标物的新基准帧，以及所述目标物在所述新基准帧中的位置；
根据所述新基准帧以及所述目标物在所述新基准帧中的位置采用目标跟踪算法对所述新基准帧的后续帧进行目标跟踪；
在对所述新基准帧的后续帧成功进行目标跟踪时，获取所述目标物在所述新基准帧的后续帧中的位置。
3.根据权利要求1所述的超声图像检测方法，其特征在于，所述根据所述基准帧以及所述目标物在所述基准帧中的位置采用目标跟踪算法对所述基准帧的后续帧进行目标跟踪，包括：
判断所述基准帧之后的后续帧中的当前处理帧与所述基准帧之间间隔的帧数是否超过预设帧数；
若是，则重新通过所述神经网络模型从所述当前处理帧的后续帧中确定包括目标物的新基准帧，以及所述目标物在所述新基准帧中的位置；
根据所述新基准帧以及所述目标物在所述新基准帧中的位置采用目标跟踪算法对所述新基准帧的后续帧进行目标跟踪；
在对所述新基准帧的后续帧成功进行目标跟踪时，获取所述目标物在所述新基准帧的后续帧中的位置。
4.根据权利要求1所述的超声图像检测方法，其特征在于，所述获取超声视频流，并通过预先训练好的神经网络模型从所述超声视频流中确定包括目标物的基准帧以及所述目标物在所述基准帧中的位置之前，包括：
获取样本数据集，其中，所述样本数据集包括训练集以及测试集，所述样本数据集中的每个样本数据包括一个超声图像以及所述超声图像对应的实际目标物的位置信息；
根据所述训练集对预先建立好的神经网络模型进行训练；
将测试集中的多个超声图像输入至训练后的神经网络模型中，并获取输出的与每个所述超声图像对应的预测目标物的位置信息；
在所述预测目标物的位置信息与所述实际目标物的位置信息之间的偏差小于预设值时，确定所述训练后的神经网络模型为预先训练好的神经网络模型。
5.根据权利要求4所述的超声图像检测方法，其特征在于，所述预先建立好的神经网络模型的隐藏层包括卷积层，线性整流层，局部响应标准化层，池化层和全连接层。
6.根据权利要求1所述的超声图像检测方法，其特征在于，采用相关滤波器对所述基准帧的后续帧进行目标跟踪。
7.一种超声图像检测装置，其特征在于，所述装置包括：
基准帧及目标物位置获取模块，用于获取超声视频流，并通过预先训练好的神经网络模型从所述超声视频流中确定包括目标物的基准帧以及所述目标物在所述基准帧中的位置；
目标跟踪模块，用于根据所述基准帧以及所述目标物在所述基准帧中的位置采用目标跟踪算法对所述基准帧的后续帧进行目标跟踪；
目标物位置获取模块，用于在对所述基准帧的后续帧成功进行目标跟踪时，获取所述目标物在后续帧中的位置。
8.根据权利要求7所述的超声图像检测装置，其特征在于，所述装置还包括：
基准帧及目标物位置获取模块，还用于在所述基准帧之后的后续帧中的当前处理帧中未跟踪到所述目标物时，则重新通过所述神经网络模型从所述当前处理帧的后续帧中确定包括目标物的新基准帧，以及所述目标物在所述新基准帧中的位置；
目标跟踪模块，还用于根据所述新基准帧以及所述目标物在所述新基准帧中的位置采用目标跟踪算法对所述新基准帧的后续帧进行目标跟踪；
目标物位置获取模块，还用于在对所述新基准帧的后续帧成功进行目标跟踪时，获取所述目标物在所述新基准帧的后续帧中的位置。
9.一种计算设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-6任一所述方法中的步骤。
10.一种可读取存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，运行如权利要求1-6任一所述方法中的步骤。
技术总结