CN107766874A - 一种超声容积生物学参数的测量方法及测量系统 - Google Patents
一种超声容积生物学参数的测量方法及测量系统 Download PDFInfo
- Publication number
- CN107766874A CN107766874A CN201710801637.4A CN201710801637A CN107766874A CN 107766874 A CN107766874 A CN 107766874A CN 201710801637 A CN201710801637 A CN 201710801637A CN 107766874 A CN107766874 A CN 107766874A
- Authority
- CN
- China
- Prior art keywords
- ultrasound volume
- grader
- volume data
- anatomical structure
- biological parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 49
- 210000003484 anatomy Anatomy 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013136 deep learning model Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 5
- 210000003754 fetus Anatomy 0.000 abstract description 5
- 230000007812 deficiency Effects 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000002224 dissection Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003793 prenatal diagnosis Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001605 fetal effect Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- VIKNJXKGJWUCNN-XGXHKTLJSA-N norethisterone Chemical compound O=C1CC[C@@H]2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 VIKNJXKGJWUCNN-XGXHKTLJSA-N 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 238000000207 volumetry Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0866—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Gynecology & Obstetrics (AREA)
- Pregnancy & Childbirth (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供的超声容积生物学参数的测量方法及测量系统,通过训练分类器,并基于所述分类器分割出输入的超声容积数据中的解剖结构,再根据所述解剖结构获取解剖结构容积,本发明提供的超声容积生物学参数的测量方法及测量系统,可从整体上反映胎儿及相关组织的发育状况,受到胎位或胎儿姿势的影响较低,可弥补传统生物学参数仅从单个切面评估的不足。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种超声容积生物学参数的测量方法及测量系统。
背景技术
超声产前诊断安全无损,广泛应用于胎儿生长状况的评估,同时也对降低婴儿先天畸形率、孕产妇死亡率及胎儿死亡率等方面有重要作用,对我国人口素质的提高具有举足轻重的作用。在产前超声诊断过程中,生物学参数的测量主要用于预测胎龄、体重和评估胎儿发育状况等,是产前超声中重要且最基本的任务之一。最基本的胎儿生物学参数主要包括头围、双顶径、腹围和股骨长等,在获取这些生物学参数后,可以通过数据拟合的方法进一步得到胎儿体重或胎龄等。二维超声是当前超声诊断中最常用的成像模式,但是,由于受人为因素影响较大,基于二维超声的产前诊断不可避免的呈现检查者间和同一检查者多次测量间的差异,导致产前诊断结果容易出现偏差。
近年来,超声成像技术快速发展,三维超声在产前诊断得到日益广泛的应用。基于三维超声的容积生物学参数(Volumetry)可从整体上反映胎儿及相关组织的发育状况,受到胎位或胎儿姿势的影响较低,有望弥补传统生物学参数仅从单个切面评估的不足。
此外,在临床研究中,医生常通过手动分割或半自动分割方法来获取三维超声容积。手动分割方法耗时耗力,且存在较大的用户差异,难以在临床诊断中推广。而已有的半自动分割方法通常采用基于形状模型的分割方法或基于传统的机器学习方法,这些方法存在的主要问题是当面对复杂的分割问题时,分割的鲁棒性及精度不能达到临床要求,需要临床专家较多的干预。
发明内容
有鉴如此,有必要针对现有技术存在的缺陷,提供一种超声容积生物学参数的测量方法。
为实现上述目的,本发明采用下述技术方案:
一种超声容积生物学参数的测量方法,包括下述步骤:
训练分类器;
在所述分类器中输入超声容积数据;
基于所述分类器分割出所述超声容积数据中的解剖结构;及
根据所述解剖结构获取解剖结构容积。
在一些较佳的实施例中,在完成在所述分类器中输入超声容积数据的步骤后,进行分割出所述超声容积数据中的解剖结构的步骤前,还包括对所述超声容积数据进行预处理的步骤。
在一些较佳的实施例中,在完成基于所述分类器分割出所述超声容积数据中的解剖结构步骤后,进行根据所述解剖结构获取解剖结构容积的步骤前,还包括对所述解剖结构进行后处理的步骤。
在一些较佳的实施例中,所述后处理包括将所述解剖结构中孤立的、或者区域很小的体素从所述解剖结构中去除。
在一些较佳的实施例中,其中,训练分类器包括下述步骤:
输入带标注的超声容积数据;
根据所述带标注的超声容积数据,采用深度学习模型训练得到所述分类器。
在一些较佳的实施例中,在完成输入带标注的超声容积数据的步骤之后,进行采用深度学习模型训练得到所述分类器的步骤之前,还包括对所述输入带标注的超声容积数据进行预处理的步骤。
在一些较佳的实施例中,在完成输入带标注的超声容积数据进行预处理的步骤后,进行采用深度学习模型训练得到所述分类器的步骤之前,还包括对所述带标注的超声容积数据进行增强处理的步骤。
在一些较佳的实施例中,所述深度学习模型为深度神经网络,采用所述深度学习模型训练可得到三维全卷积神经网络分类器,所述三维全卷积神经网络分类器将获得的超声容积数据的初始概率分布,再将所述容积数据的初始概率分布划分为多个小的容积数据,并将所述多个小的容积数据连接在一起形成的序列输入到RNN网络模型优化,得到分割后的解剖结构。
在一些较佳的实施例中,所述预处理包括图像灰度的零均值化处理和归一化处理。
在一些较佳的实施例中,所述增强处理包括平移、旋转和镜像。
另外,本发明还提供了一种超声容积生物学参数的测量系统,包括:
训练模块,用于训练分类器;
输入模块,用于在所述分类器中输入超声容积数据;
解剖模块,用于基于所述分类器分割出所述超声容积数据中的解剖结构;
计算模块,用于根据所述解剖结构获取解剖结构容积。
本发明采用上述技术方案的优点是:
本发明提供的超声容积生物学参数的测量方法及测量系统,通过训练分类器,并基于所述分类器分割出输入的超声容积数据中的解剖结构,再根据所述解剖结构获取解剖结构容积,本发明提供的超声容积生物学参数的测量方法及测量系统,可从整体上反映胎儿及相关组织的发育状况,受到胎位或胎儿姿势的影响较低,可弥补传统生物学参数仅从单个切面评估的不足。
另外,本发明提供的超声容积生物学参数的测量方法及测量系统,利用深度学习强大的学习能力,自动学习专家知识,从而能较好的应对超声图像中个体差异大、边缘模糊等挑战,克服传统分割方法精度和鲁棒性难以满足临床需求的缺点,同时也克服传统方法需要较多的专家干预的缺点。
附图说明
为了更清楚地说明本发明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的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的超声容积生物学参数的测量方法的步骤流程图。
图2为本发明实施例提供的超声容积生物学参数的测量系统的原理图。
具体实施方式
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,所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明提供的超声容积生物学参数的测量方法10的步骤流程图,包括下述步骤:步骤S110,训练分类器;步骤S120,在所述分类器中输入超声容积数据;步骤S130基于所述分类器分割出所述超声容积数据中的解剖结构;及步骤S140,根据所述解剖结构获取解剖结构容积。
以下详细说明本发明提供的超声容积生物学参数的测量方法10上述每一步的技术方案以及相应的实施例。
在步骤S110中,训练分类器,具体包括下述步骤:
步骤S111:输入带标注的超声容积数据;
具体地,本实施例中输入的超声容积数据首先需要由专家进行手动标注。对于某个容积数据,假设有n个解剖结构需要分割,那么一个容积数据将有n+1 个标注,也就是说体数据中的每个体素都有一个标注(0,1,2....n,其中0代表需分割的解剖结构以外的结构,而1...n代表n个不同的解剖结构)。
在本发明提供的一较佳实施例中,在完成输入带标注的超声容积数据的步骤之后,进行下一步之前,还包括对所述输入带标注的超声容积数据进行预处理的步骤。
优选地,对所述输入带标注的超声容积数据进行预处理,可以包括图像灰度的零均值化(zero center)和归一化(normalization)等处理。可以理解,实际中预处理的方法也不仅限于上述两种方法。
在本发明提供的一较佳实施例中,在完成输入带标注的超声容积数据进行预处理的步骤后,进行下一步之前,还包括对所述带标注的超声容积数据进行增强处理的步骤。
优选地,对所述带标注的超声容积数据进行增强处理可包括图像的平移、旋转和镜像等。可以理解,实际中数据增强的方法也不仅限于上述提到的方法。
步骤S112:根据所述带标注的超声容积数据,采用深度学习模型训练得到所述分类器。
可以理解,深度学习模型是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。在本实施例中,所述深度学习模型优选为深度神经网络结构。
在本实施例中,用于图像分割的深度神经网络可以被如下公式抽象表示。其中I是输入待处理的图像,Wi为神经网络的设计中常见的线性或非线性变换单元i的可学习参数,fi为变换单元i基于Wi的变换函数,经过层次化地组织 fi(=1,2,...,k)、对I实施多重变换,即可得到最终的分割结果S。
S=fk(...f2(f1(I;W1);W2)...;Wk)
可以理解,从结构来分,深度神经网络又可分为深度置信网络(deep beliefnetwork,DBN)、卷积神经网络(convolutional neural network,CNN)、全卷积神经网络(fully convolutional network,FCN)、深度置信卷积神经网络(deep convolutionalbelief network,DBN)、递归神经网络(recurrentneuralnetwork,RNN)等。优选地,本发明训练得到的分类器为三维全卷积神经网络分类器(3D- fully convolutional network,3D-FCN)。
在本发明提供的实施例中,所述三维全卷积神经网络分类器将获得的超声容积数据的初始概率分布,再将所述容积数据的初始概率分布划分为多个小的容积数据,并将所述多个小的容积数据连接在一起形成的序列输入到RNN网络模型优化,得到分割后的解剖结构。可以理解,采用三维全卷积神经网络能够获取三维分割结果,再使用RNN网络模型优化对三维分割结果进行进一步优化。
可以理解,由于梯度消失的问题,3D-FCN和RNN参数调整的过程处于低效率和过拟合的高风险中,为解决这一技术问题,在分类器训练过程中,还采用了深监督机制。
具体地,在3D-FCN部分,通过在适当位置的卷积层增加辅助的监督函数,以促进浅层卷积层的参数训练;在RNN部分,采用一种新颖的深监督机制,区别于传统的依靠单个损失函数监督RNN训练的方法,我们提出在序列的不同位置引入层次化的损失函数,以多个损失函数来克服梯度消失、增强梯度信息流,进而促进RNN的有效训练。
可以理解,本发明上述实施例提供的训练分类器的方法,仅仅是本发明举的实施例,本发明并不限于采用上述方法训练分类器,所有与深度学习相关的结构与模型均可以用于训练所需的分类器。
在步骤S120中,在所述分类器中输入超声容积数据,具体为:
在所述分类器中输入超声容积数据,输入的容积数据可以是数字扫描变换以后的容积数据,也可以是数字扫描变换以前的数据。与分类器训练所需数据不同的是,在对容积数据进行分割的时候,仅仅输入超声容积数据,并不需要输入标注数据。
在本发明提供的一较佳实施例中,在完成在所述分类器中输入超声容积数据的步骤后,进行下一步之前,还包括对所述超声容积数据进行预处理的步骤。
优选地,对所述超声容积数据进行预处理,可以包括图像灰度的零均值化 (zerocenter)和归一化(normalization)等处理。可以理解,实际中预处理的方法也不仅限于上述两种方法。
在步骤S130中,基于所述分类器分割出所述超声容积数据中的解剖结构,具体为:基于训练好的分类器,可以将所述超声容积数据进行解剖,得到各解剖结构的分类,也就是说将一个容积数据分为n+1类。
在本发明提供的一较佳实施例中,在完成基于所述分类器分割出所述超声容积数据中的解剖结构步骤后,进行下一步之前,还包括对所述解剖结构进行后处理的步骤。
可以理解,图像分割后不可避免的会出现一些噪声(体素类别的误判),本发明通过后处理将所述解剖结构中孤立的、或者区域很小的体素从所述解剖结构中去除。
在步骤S140中,根据所述解剖结构获取解剖结构容积。
可以理解,基于所述分类器分割出所述超声容积数据中的解剖结构,针对某个解剖结构,可以计算属于此类结构的体素个数N,而根据单个体素的物理大小Lx*Ly*Lz立方毫米,那么该解剖结构的容积为N*Lx*Ly*Lz立方毫米。
请参阅图2,本发明提供的超声容积生物学参数的测量系统20的原理图,包括:训练模块210,用于训练分类器;输入模块220,用于在所述分类器中输入超声容积数据;解剖模块230,用于基于所述分类器分割出所述超声容积数据中的解剖结构;及计算模块240,用于根据所述解剖结构获取解剖结构容积,本发明提供的超声容积生物学参数的测量系统20的详细实现方式在上述已有详细说明这里不再赘述。
本发明提供的超声容积生物学参数的测量方法及测量系统,通过训练分类器,并基于所述分类器分割出输入的超声容积数据中的解剖结构,再根据所述解剖结构获取解剖结构容积,本发明提供的超声容积生物学参数的测量方法及测量系统,可从整体上反映胎儿及相关组织的发育状况,受到胎位或胎儿姿势的影响较低,可弥补传统生物学参数仅从单个切面评估的不足。
另外,本发明提供的超声容积生物学参数的测量方法及测量系统,利用深度学习强大的学习能力,自动学习专家知识,从而能较好的应对超声图像中个体差异大、边缘模糊等挑战,克服传统分割方法精度和鲁棒性难以满足临床需求的缺点,同时也克服传统方法需要较多的专家干预的缺点。
当然本发明的超声容积生物学参数的测量方法及测量系统还可具有多种变换及改型,并不局限于上述实施方式的具体结构。总之,本发明的保护范围应包括那些对于本领域普通技术人员来说显而易见的变换或替代以及改型。
Claims (11)
1.一种超声容积生物学参数的测量方法,其特征在于,包括下述步骤:
训练分类器;
在所述分类器中输入超声容积数据;
基于所述分类器分割出所述超声容积数据中的解剖结构;及
根据所述解剖结构获取解剖结构容积。
2.根据权利要求1所述的超声容积生物学参数的测量方法,其特征在于,在完成在所述分类器中输入超声容积数据的步骤后,进行分割出所述超声容积数据中的解剖结构的步骤前,还包括对所述超声容积数据进行预处理的步骤。
3.根据权利要求2所述的超声容积生物学参数的测量方法,其特征在于,在完成基于所述分类器分割出所述超声容积数据中的解剖结构步骤后,进行根据所述解剖结构获取解剖结构容积的步骤前,还包括对所述解剖结构进行后处理的步骤。
4.根据权利要求3所述的超声容积生物学参数的测量方法,其特征在于,所述后处理包括将所述解剖结构中孤立的、或者区域很小的体素从所述解剖结构中去除。
5.根据权利要求1所述的超声容积生物学参数的测量方法,其特征在于,其中,训练分类器包括下述步骤:
输入带标注的超声容积数据;
根据所述带标注的超声容积数据,采用深度学习模型训练得到所述分类器。
6.根据权利要求5所述的超声容积生物学参数的测量方法,其特征在于,在完成输入带标注的超声容积数据的步骤之后,进行采用深度学习模型训练得到所述分类器的步骤之前,还包括对所述输入带标注的超声容积数据进行预处理的步骤。
7.根据权利要求5所述的超声容积生物学参数的测量方法,其特征在于,在完成输入带标注的超声容积数据进行预处理的步骤后,进行采用深度学习模型训练得到所述分类器的步骤之前,还包括对所述带标注的超声容积数据进行增强处理的步骤。
8.根据权利要求5所述的超声容积生物学参数的测量方法,其特征在于,所述深度学习模型为深度神经网络,采用所述深度学习模型训练可得到三维全卷积神经网络分类器,所述三维全卷积神经网络分类器将获得的超声容积数据的初始概率分布,再将所述容积数据的初始概率分布划分为多个小的容积数据,并将所述多个小的容积数据连接在一起形成的序列输入到RNN网络模型优化,得到分割后的解剖结构。
9.根据权利要求2或6所述的超声容积生物学参数的测量方法,其特征在于,所述预处理包括图像灰度的零均值化处理和归一化处理。
10.根据权利要求7所述的超声容积生物学参数的测量方法,其特征在于,所述增强处理包括平移、旋转和镜像。
11.一种超声容积生物学参数的测量系统,其特征在于,包括:
训练模块,用于训练分类器;
输入模块,用于在所述分类器中输入超声容积数据;
解剖模块,用于基于所述分类器分割出所述超声容积数据中的解剖结构;
计算模块,用于根据所述解剖结构获取解剖结构容积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710801637.4A CN107766874B (zh) | 2017-09-07 | 2017-09-07 | 一种超声容积生物学参数的测量方法及测量系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710801637.4A CN107766874B (zh) | 2017-09-07 | 2017-09-07 | 一种超声容积生物学参数的测量方法及测量系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107766874A true CN107766874A (zh) | 2018-03-06 |
CN107766874B CN107766874B (zh) | 2021-06-04 |
Family
ID=61265392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710801637.4A Active CN107766874B (zh) | 2017-09-07 | 2017-09-07 | 一种超声容积生物学参数的测量方法及测量系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766874B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543623A (zh) * | 2018-11-26 | 2019-03-29 | 微医云(杭州)控股有限公司 | 一种基于核磁共振成像的胎儿发育状况预测装置 |
CN109671086A (zh) * | 2018-12-19 | 2019-04-23 | 深圳大学 | 一种基于三维超声的胎儿头部全自动分割方法 |
CN110432929A (zh) * | 2019-07-11 | 2019-11-12 | 暨南大学 | 基于超声图像的产时头盆关系自动测量方法和装置 |
CN110598675A (zh) * | 2019-09-24 | 2019-12-20 | 深圳度影医疗科技有限公司 | 一种超声胎儿姿态的识别方法、存储介质及电子设备 |
EP3593728A1 (en) * | 2018-07-10 | 2020-01-15 | Koninklijke Philips N.V. | Methods and systems for performing fetal weight estimations |
CN110738702A (zh) * | 2019-05-22 | 2020-01-31 | 深圳度影医疗科技有限公司 | 一种三维超声图像的处理方法、装置、设备及存储介质 |
CN110974302A (zh) * | 2019-10-21 | 2020-04-10 | 李胜利 | 一种超声图像中胎儿头部容积的自动检测方法和系统 |
CN110992352A (zh) * | 2019-12-13 | 2020-04-10 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络的婴儿头围ct图像自动测量方法 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2347714A1 (en) * | 2010-01-26 | 2011-07-27 | Medison Co., Ltd. | Performing image process and size measurement upon a three-dimensional ultrasound image in an ultrasound system |
CN102402788A (zh) * | 2011-12-22 | 2012-04-04 | 华南理工大学 | 一种三维超声图像的分割方法 |
CN102663819A (zh) * | 2012-05-02 | 2012-09-12 | 清华大学深圳研究生院 | 基于超声图像和三维模型的肝脏体积测量方法 |
CN103315770A (zh) * | 2013-03-29 | 2013-09-25 | 飞依诺科技(苏州)有限公司 | 基于三维超声图像的目标参数处理方法及系统 |
US8556814B2 (en) * | 2007-10-04 | 2013-10-15 | Siemens Medical Solutions Usa, Inc. | Automated fetal measurement from three-dimensional ultrasound data |
CN103429164A (zh) * | 2012-03-30 | 2013-12-04 | 东芝医疗系统株式会社 | 超声波诊断装置、图像处理装置以及图像处理方法 |
CN103903255A (zh) * | 2012-12-31 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 一种超声图像分割方法和系统 |
CN104545999A (zh) * | 2015-01-05 | 2015-04-29 | 深圳市大深生物医学工程转化研究院 | 一种超声图像膀胱容积测量方法及装置 |
CN104657984A (zh) * | 2015-01-28 | 2015-05-27 | 复旦大学 | 三维超声乳腺全容积图像感兴趣区域的自动提取方法 |
CN104739452A (zh) * | 2013-12-30 | 2015-07-01 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像装置及方法 |
CN104915924A (zh) * | 2015-05-14 | 2015-09-16 | 常州迪正雅合电子科技有限公司 | 一种自动实现三维超声图像定标的方法 |
CN105005714A (zh) * | 2015-06-18 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 |
CN105405119A (zh) * | 2015-10-21 | 2016-03-16 | 复旦大学 | 基于深度置信网络和三维模型的胎儿正中矢状面自动检测方法 |
CN106037797A (zh) * | 2015-03-30 | 2016-10-26 | 美国西门子医疗解决公司 | 超声成像中感兴趣的三维容积 |
CN106097427A (zh) * | 2015-03-12 | 2016-11-09 | 美国西门子医疗解决公司 | 子容积的连续定向的增强超声成像 |
CN106408576A (zh) * | 2016-09-08 | 2017-02-15 | 飞依诺科技(苏州)有限公司 | 基于三维超声图像的感兴趣区域的自动分割方法及系统 |
CN106600571A (zh) * | 2016-11-07 | 2017-04-26 | 中国科学院自动化研究所 | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 |
US20170143312A1 (en) * | 2014-09-03 | 2017-05-25 | Contextvision Ab | Methods and systems for automatic control of subjective image quality in imaging of objects |
CN106778856A (zh) * | 2016-12-08 | 2017-05-31 | 深圳大学 | 一种物体识别方法及装置 |
CN106901723A (zh) * | 2017-04-20 | 2017-06-30 | 济南浪潮高新科技投资发展有限公司 | 一种心电图异常自动诊断方法 |
CN107106143A (zh) * | 2015-05-07 | 2017-08-29 | 深圳迈瑞生物医疗电子股份有限公司 | 三维超声成像方法和装置 |
-
2017
- 2017-09-07 CN CN201710801637.4A patent/CN107766874B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8556814B2 (en) * | 2007-10-04 | 2013-10-15 | Siemens Medical Solutions Usa, Inc. | Automated fetal measurement from three-dimensional ultrasound data |
EP2347714A1 (en) * | 2010-01-26 | 2011-07-27 | Medison Co., Ltd. | Performing image process and size measurement upon a three-dimensional ultrasound image in an ultrasound system |
CN102402788A (zh) * | 2011-12-22 | 2012-04-04 | 华南理工大学 | 一种三维超声图像的分割方法 |
CN103429164A (zh) * | 2012-03-30 | 2013-12-04 | 东芝医疗系统株式会社 | 超声波诊断装置、图像处理装置以及图像处理方法 |
CN102663819A (zh) * | 2012-05-02 | 2012-09-12 | 清华大学深圳研究生院 | 基于超声图像和三维模型的肝脏体积测量方法 |
CN103903255A (zh) * | 2012-12-31 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 一种超声图像分割方法和系统 |
CN103315770A (zh) * | 2013-03-29 | 2013-09-25 | 飞依诺科技(苏州)有限公司 | 基于三维超声图像的目标参数处理方法及系统 |
CN104739452A (zh) * | 2013-12-30 | 2015-07-01 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像装置及方法 |
US20170143312A1 (en) * | 2014-09-03 | 2017-05-25 | Contextvision Ab | Methods and systems for automatic control of subjective image quality in imaging of objects |
CN104545999A (zh) * | 2015-01-05 | 2015-04-29 | 深圳市大深生物医学工程转化研究院 | 一种超声图像膀胱容积测量方法及装置 |
CN104657984A (zh) * | 2015-01-28 | 2015-05-27 | 复旦大学 | 三维超声乳腺全容积图像感兴趣区域的自动提取方法 |
CN106097427A (zh) * | 2015-03-12 | 2016-11-09 | 美国西门子医疗解决公司 | 子容积的连续定向的增强超声成像 |
CN106037797A (zh) * | 2015-03-30 | 2016-10-26 | 美国西门子医疗解决公司 | 超声成像中感兴趣的三维容积 |
CN107106143A (zh) * | 2015-05-07 | 2017-08-29 | 深圳迈瑞生物医疗电子股份有限公司 | 三维超声成像方法和装置 |
CN104915924A (zh) * | 2015-05-14 | 2015-09-16 | 常州迪正雅合电子科技有限公司 | 一种自动实现三维超声图像定标的方法 |
CN105005714A (zh) * | 2015-06-18 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 |
CN105405119A (zh) * | 2015-10-21 | 2016-03-16 | 复旦大学 | 基于深度置信网络和三维模型的胎儿正中矢状面自动检测方法 |
CN106408576A (zh) * | 2016-09-08 | 2017-02-15 | 飞依诺科技(苏州)有限公司 | 基于三维超声图像的感兴趣区域的自动分割方法及系统 |
CN106600571A (zh) * | 2016-11-07 | 2017-04-26 | 中国科学院自动化研究所 | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 |
CN106778856A (zh) * | 2016-12-08 | 2017-05-31 | 深圳大学 | 一种物体识别方法及装置 |
CN106901723A (zh) * | 2017-04-20 | 2017-06-30 | 济南浪潮高新科技投资发展有限公司 | 一种心电图异常自动诊断方法 |
Non-Patent Citations (5)
Title |
---|
CHRISTINE KROLL 等: "Coupling Convolutional Neural Networks and Hough Voting for Robust Segmentation of Ultrasound Volumes", 《GCPR2016:PATTERN RECOGNITION》 * |
HAO CHEN 等: "Automatic Fetal Ultrasound Standard Plane Detection Using Knowledge Transferred Recurrent Neural Networks", 《MICCAI2015》 * |
徐辉雄 等: "三维超声容积自动测量技术的准确性及重复性研究", 《中国超声医学杂志》 * |
李静立 等: "产前超声医学图像处理技术综述", 《北京生物医学工程》 * |
秦阳 等: "3D_CNNs与LSTMs在行为识别中的组合及其应用", 《测控技术》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3593728A1 (en) * | 2018-07-10 | 2020-01-15 | Koninklijke Philips N.V. | Methods and systems for performing fetal weight estimations |
WO2020011569A1 (en) * | 2018-07-10 | 2020-01-16 | Koninklijke Philips N.V. | Methods and systems for performing fetal weight estimations |
CN109543623A (zh) * | 2018-11-26 | 2019-03-29 | 微医云(杭州)控股有限公司 | 一种基于核磁共振成像的胎儿发育状况预测装置 |
CN109543623B (zh) * | 2018-11-26 | 2021-01-29 | 微医云(杭州)控股有限公司 | 一种基于核磁共振成像的胎儿发育状况预测装置 |
CN109671086A (zh) * | 2018-12-19 | 2019-04-23 | 深圳大学 | 一种基于三维超声的胎儿头部全自动分割方法 |
CN110738702A (zh) * | 2019-05-22 | 2020-01-31 | 深圳度影医疗科技有限公司 | 一种三维超声图像的处理方法、装置、设备及存储介质 |
CN110738702B (zh) * | 2019-05-22 | 2022-04-19 | 深圳度影医疗科技有限公司 | 一种三维超声图像的处理方法、装置、设备及存储介质 |
CN110432929A (zh) * | 2019-07-11 | 2019-11-12 | 暨南大学 | 基于超声图像的产时头盆关系自动测量方法和装置 |
CN110598675A (zh) * | 2019-09-24 | 2019-12-20 | 深圳度影医疗科技有限公司 | 一种超声胎儿姿态的识别方法、存储介质及电子设备 |
CN110598675B (zh) * | 2019-09-24 | 2022-10-11 | 深圳度影医疗科技有限公司 | 一种超声胎儿姿态的识别方法、存储介质及电子设备 |
CN110974302A (zh) * | 2019-10-21 | 2020-04-10 | 李胜利 | 一种超声图像中胎儿头部容积的自动检测方法和系统 |
CN110992352A (zh) * | 2019-12-13 | 2020-04-10 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络的婴儿头围ct图像自动测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107766874B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766874A (zh) | 一种超声容积生物学参数的测量方法及测量系统 | |
CN107730497B (zh) | 一种基于深度迁移学习的血管内斑块属性分析方法 | |
CN110464380A (zh) | 一种对中晚孕期胎儿的超声切面图像进行质量控制的方法 | |
CN104346617B (zh) | 一种基于滑动窗口和深度结构提取特征的细胞检测方法 | |
CN107451609A (zh) | 基于深度卷积神经网络的肺结节图像识别系统 | |
CN109671086A (zh) | 一种基于三维超声的胎儿头部全自动分割方法 | |
CN109166124A (zh) | 一种基于连通区域的视网膜血管形态量化方法 | |
Nie et al. | Automatic detection of standard sagittal plane in the first trimester of pregnancy using 3-D ultrasound data | |
CN104123549B (zh) | 一种用于疲劳驾驶实时监测的眼睛定位方法 | |
CN103247073A (zh) | 基于树状结构的三维脑血管模型构造方法 | |
CN104812312B (zh) | 超声波诊断装置以及超声波三维图像创建方法 | |
CN104484886B (zh) | 一种mr图像的分割方法及装置 | |
CN108764342B (zh) | 一种对于眼底图中视盘和视杯的语义分割方法 | |
CN101639935A (zh) | 基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法 | |
Ryou et al. | Automated 3D ultrasound biometry planes extraction for first trimester fetal assessment | |
CN109376589A (zh) | 基于卷积核筛选ssd网络的rov形变目标与小目标识别方法 | |
CN114037714B (zh) | 一种面向前列腺系统穿刺的3d mr与trus图像分割方法 | |
CN108305241B (zh) | 基于深度投票模型的sd-oct图像ga病变分割方法 | |
CN109903303A (zh) | 一种基于卷积神经网络的船舶吃水线提取方法 | |
CN112465772A (zh) | 眼底彩照图像血管评估方法、装置、计算机设备和介质 | |
CN104545999B (zh) | 一种超声图像膀胱容积测量方法及装置 | |
CN103268604B (zh) | 双目视频深度图求取方法 | |
CN112308855A (zh) | 钢轨伤损识别模型生成装置、伤损检测装置及系统 | |
CN101419669B (zh) | 一种基于Contourlet变换的三维人耳提取方法 | |
CN107845065A (zh) | 超分辨率图像重建方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190513 Address after: 518000 Tanglang Industrial Zone B, No. 13 Xinyi Five Road, Taoyuan Street, Nanshan District, Shenzhen City, Guangdong Province, 52 buildings and 4 floors Applicant after: Shenzhen Duying Medical Technology Co., Ltd. Address before: 518000 Haiyun Jiayuan 4-20A, Nanshan District, Shenzhen, Guangdong Province Applicant before: Shen Yanhong |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |