前言：出生带来的生理缺陷是导致新生儿死亡率上升的主要原因，同时也是该部分原因给个人家庭以及集体社会带来了沉重的负担和影响，出生生理缺陷引发的新生儿问题发生概率也在逐年上升。目前来看，我国每年新生儿出生缺陷病例总数在逐年上升，同时，因为新生儿出生缺陷而消耗的医疗治疗费用也高达百亿元，本文首先从超生医学的相关图像处理方法入手，之后对该部分技术的临床应用进行了完整总结。
一、超声医学图像处理方法
1.1计算机的视觉
我国的计算机视觉处理手法与医学影像研究处理方法的结合一直是一个重点研究课题，同时也对我国传统的医学图像处理技术的发展产生了重要影响。在我国的计算机视觉领域目前已经研究总结了大量有价值的研究方法和研究技术。
1.1.1图像滤波
超声的图像滤波应用主要作用在于过滤掉斑点噪声。斑点噪声主要是因为人体内存在很多实际尺寸小于波长的人体组织机构，同时在后向的散射声波影响下而产生，斑点和噪声的出现进一步降低了在B超成像过程中的实际图像对比以及组织内可以提取的详细信息数据。通过调查研究可以发现，斑点噪声的模型可以大致划分为两个类别：完全性的随机模型、长阶次非随机模型、断阶次非随机模型。目前我国已经采用的多种超声成像滤波算法都可以实现一定程度的噪声过滤，并没有哪一个固定的滤波算法可以实现应用最优效果发挥，对于固定的图像成像分析可以采用多种定性以及定量形式进行计算，从而对各类型滤波进行对比分析，所以属于一种可行性较强的应用方案[1]。
1.1.2图像分割
医学的图像构成处理方法研究过程中，图像分割一直都是其中一个热门讨论课题。主要的图像分割目标在于按照合理的规则进行图像像素类型划分。早期的该部分技术主要有区域生长以及聚类，主要是借助图像的灰度信息，但是应用此类方法对于灰度值较为相近的两种类型物品难以区分，以边缘检测的方法进行分析需要结合梯度信息，但是该类型的方法没有较为敏感的噪声反应度，同时对于边缘较为模糊的物体提取存在困难，因为大部分的产科超声医学计算机成像质量较差，同时在操作过程中的待分割目标也较为复杂，所以需要利用更加多元化的信息处理方法才能取得更好的分割处理效果。形状先验操作形式是在活动的具体轮廓和活动模型的提出而受到重视，以神经网络信息计算方法为分割的主要目标，同时也可以通过学习一种合理的分割形式来提高分割效果[2]。
1.2机器学习
在我国的产前超声医学处理过程中，机器学习都占据重要的地位并发挥着重要的作用，主要是因为机器学习促进了我国的产前超声诊断以及智能化发展，对于部分没有充足精确度和分析推导较为困难的问题，可以利用实际案例中的自动学习算法提高准确性。近些年来，我国大部分的超声成像医学设备开始应用于临床实践中，从而丰富了总体的超声医学成像数据信息资源，进而也提高了机器学习在产前超声的医学应用可行性[3]。
二、产前的应用
国内学者对于标准切面自动化搜索研究成果已经较为丰富，获得了较大的研究进展，首先，提出了自动化的标准切面模型成像方法，该种方法需要人工进行参考切面处理，同时还应该根据实际的统计方法进行其他类型研究，上述工作多数都是以传统图像处理手段为基础，实际的有效性主要是以假设的正确性为基础，但是从另一个角度进行分析也难以满足所以复杂的要求。机器学习主要是可以实现自动化的训练数据信息提取，通过该种方法可以获得更加复杂同时可靠性较强的经验，同时还可以实现系统范化性能的良好实现。
结论：以超声图像为基础的医学诊断属于我国当前临床诊断中的重要方式，基于超声图像手段的医学诊断方式具有受损程度小、及时性强、非侵入等众多优点，从而让其在实际的诊断中得到了更为广泛的发展和应用。本文主要从产前超声医学为研究背景，对相关的医学图像处理方法以及处理手段的原理进行了综合分析和阐述，同时也对其中应用的关键性技术进行了综合分析，可以丰富该领域的研究成果。
