CN108245194B - 基于布谷鸟优化策略的超声图像心脏流场运动估计方法 - Google Patents
基于布谷鸟优化策略的超声图像心脏流场运动估计方法 Download PDFInfo
- Publication number
- CN108245194B CN108245194B CN201711395807.XA CN201711395807A CN108245194B CN 108245194 B CN108245194 B CN 108245194B CN 201711395807 A CN201711395807 A CN 201711395807A CN 108245194 B CN108245194 B CN 108245194B
- Authority
- CN
- China
- Prior art keywords
- block
- ultrasonic image
- area block
- flow field
- cuckoo
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/06—Measuring blood flow
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Hematology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于布谷鸟优化策略的超声图像心脏流场运动估计方法,包括以下步骤:S1、确定第一帧超声图像中的模板区域块和搜索区域块;S2、通过布谷鸟搜索算法和搜索次数阈值,在第二帧超声图像中,确定一个目标区域块;S3、利用互相关相似度系数公式,计算模板区域块和目标区域块的互相关相似度系数;S4、判断搜索区域块的搜索次数是否大于设定的阈值,若是则进入步骤S5,否则返回步骤S2;S5、选择互相关相似度系数最高的目标区域块作为匹配区域块;S6、联合模板区域块和匹配区域块,生成超声图像心脏流场运动矢量。本发明提供的方法计算时间减少,血流流场运动估计误差小,提供满足实际诊断要求的超声图像心脏流场运动估计。
Description
技术领域
本发明属于超声图像的运动矢量估计方法技术领域,具体涉及一种基于布谷鸟优化策略的超声图像心脏流场运动估计方法。
背景技术
心血管疾病是危害人类生命健康最严重的疾病之一,且发病率呈现逐年上升的趋势。根据WHO的报告可知,由心血管疾病导致的死亡病例平均占所有死亡病例的1/3,全世界每年有超过1700万人因心脏病及其相关疾病死亡。
心室内的血流流场复杂多变,为了检测心脏疾病导致的血流流场异常,掌握心脏血流变化过程及其分布就显得十分重要。各种心脏疾病往往会在心动周期的全部或某些特定时相呈现出心腔内血流流场的异常变化,因此深入研究心脏血流流场特征有可能为各种心血管疾病的早期精确诊断提供重要线索和依据。
超声图像凭借其非侵害、低成本、诊断便利及时显示器官和组织运动的有点,被用作心脏疾病诊断和心脏功能评价的主要依据。心脏超声动态序列图像能够为临床诊断提供丰富的信息。心脏超声图像的运动估计技术能准确分析心脏血流流场的变化特征,为心脏疾病的早期诊断提供重要线索。目前,心脏超声图像的运动矢量估计方法主要有两大类:光流法和块匹配法。
光流法:在空间中运动可以用运动场加以描述,其投影到一个图像平面上就表现为序列图像中的不同图像灰度的分布所发生的变化。将图像上每一个点赋予一个能够反应相应运动的运动矢量,这些运动矢量就构成了光流场。光流可以被看作带有灰度的像素点在图像平面运动所产生的瞬时速度场,其包含了目标运动的信息。
块匹配方法:块匹配算法将图像看作是由一个个块组成,且认为各个块中的所有像素的光流是一样的。在下一帧中的一定范围按照一定的匹配准则进行搜索,寻找当前帧的某个块的最相近的对应块,前后两个对应的块的位移向量就作为该块的运动向量。
上述两种心脏超声图像的运动矢量估计方法中:光流法计算时间长,受噪声影响大,即使没有发生运动,但外部光照有变化时,也会观察到光流,造成超声图像血流流场运动估计的误差;块匹配法运算速度慢,达不到实时性的要求。
发明内容
针对现有技术中的上述不足,本发明提供的基于布谷鸟优化策略的超声图像心脏流场运动估计方法解决了现有方法中,计算时间长、效率低、准确度不够的问题。
为了达到上述发明目的,本发明采用的技术方案为:基于布谷鸟优化策略的超声图像心脏流场运动估计方法,包括以下步骤:
S1、确定第一帧超声图像中的模板区域块;
S2、通过布谷鸟搜索算法,并设定一个搜索次数阈值,在第二帧超声图像中,确定搜索区域块和目标区域块;
S3、利用互相关相似度系数公式,计算模板区域块和目标区域块的互相关相似度系数;
S4、判断搜索区域块的搜索次数是否大于设定的阈值,若是则进入步骤S5,否则返回步骤S2;
S5、选择互相关相似度系数最高的目标区域块作为匹配区域块;
S6、联合模板区域块和匹配区域块,生成超声图像心脏流场运动矢量。
本发明的有益效果为:运用布谷鸟搜索算法和互相关相似度系数的计算对超声图像心脏流场运动进行估计,计算时间减少,血流流场运动估计误差小,提供满足实际诊断要求的超声图像心脏流场运动估计,为检测心脏疾病导致的血流流场异常提供相关依据。
进一步地,所述模板区域块为第一帧图像中随机选取的区域块,所述搜索区域块是图像中模板区域块的最大运动幅度设定的最大搜索范围,所述搜索区域块在模板区域块的运动范围内确定目标区域块。
上述进一步方案的有益效果为:确定模板区域块和搜索区域块的大小,便于后续执行布谷鸟算法和互相关相似度系数的计算。
进一步地,其特征在于,所述模板区域块选取值为2×2大小的区域块;所述搜索区域块选取值为9×9大小的区域块。
上述进一步方案的有益效果为:由于超声心脏图像中血流流场的运动剧烈,变化速度快,所以要选取较小的区域块能提高运动估计的准确性;对超声图像而言,时间分辨率很高,图像帧的采集间隔时间很短,所以选取较大的区域块更为合适。
进一步地,其特征在于,所述步骤S2中的布谷鸟搜索算法基于布谷鸟的巢寄行为以及鸟类的莱维飞行行为。
进一步地,所述布谷鸟的巢寄行为有三条规则:(1)每一只布谷鸟每一次只能下一个卵,并且随机的选取一个鸟巢来孵化它;(2)具有最好的卵的鸟巢将会被保存到下一代;(3)设定鸟巢的数目是固定的,宿主发现布谷鸟的卵的概率为pα。
上述进一步方案的有益效果为:设定布谷鸟的巢寄行为规则,便于后续目标区域块的确定。
进一步地,所述莱维飞行是一种随机游走机制,表示一类非高斯随机过程;莱维稳定分布的概率密度函数pα,β(x)用以下莱维分布函数来表示,其中α、β为常量,当当α=1/2,β=1时:
上述进一步方案的有益效果为:通过莱维飞行机制,能够快速完成全局搜索,确定目标。
进一步地,所述步骤S3中互相关相似度系数计算公式为:
其中R为互相关相似度系数,S为第一帧超声图像中模板区域块,S’为第二帧超声图像中的目标区域块,A为搜索区域块的搜索范围,为运动目标区域块的灰度均值,为搜索区域块的灰度均值,x、y分别为构成超声图像中各个点的横纵坐标,S(x,y)为第一帧超声图像中模板区域块的位置,S′(x,y)为第二帧超声图像中目标区域块的位置,∑(x,y)是超声图像中所有区域;
所述互相关相似度系数用于两幅图像区域块之间内容相似程度的比较,系数值越高图像区域块内容相似程度越高。
上述进一步方案的有益效果为:运用互相关相似度系数计算公式,根据计算出的系数值的大小来判断图像区域块内容的相似程度,进而确定匹配区域块。
附图说明
图1为基于布谷鸟优化策略的超声图像心脏流场运动估计方法实现流程图。
图2为莱维飞行的运动轨迹示意图。
图3为相邻两帧图像相似度匹配示意图。
图4为相邻两帧超声图像运动矢量图。
图5为图4在局部放大后的心脏内流场运动变化图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,基于布谷鸟优化策略的超声图像心脏流场运动估计方法的实现包括以下步骤:
S1、确定第一帧超声图像中的模板区域块;
其中,首先需要确定模板区域块的形状和大小,由于超声心脏图像中血流流场的运动激烈,变化速度快,因此选取较小区域块作为分块标准,选取值为2×2大小的区域块;其次,运动的搜索需要设定一个范围,根据估算图像中模板区域块的最大运动幅度设定的最大搜索范围,运动搜索的范围将会影响运动估计的准确性和算法的时间复杂性,对于超声图像而言,时间分辨率很高,图像帧的采集时间间隔很短,因此采用9×9大小的区域块作为模板区域块的搜索范围,搜索区域块在目标区域块的运动范围内确定目标区域块。
S2、通过布谷鸟搜索算法,并设定一个搜索次数阈值,在第二帧超声图像中,确定搜索区域块和目标区域块;
布谷鸟算法是基于布谷鸟的寄生行为以及鸟类的莱维飞行行为的新型启发式算法,在算法中,设定的阈值控制搜索区域块在当前帧图像中运用布谷鸟搜索算法确定图像中目标区域块的个数,便于后续步骤执行互相关相似度系数计算和选择最高的互相关相似度系数所对应的目标区域块。利用莱维飞行更新解,一些新解是在当前最优解通过莱维飞行产生,这可以加速局部搜索,但另外一部分新解的产生必须远离当前最优解以保证系统不会陷入局部最优。
S3、利用互相关相似度系数公式,计算模板区域块和目标区域块的互相关相似度系数;
互相关相似度系数计算公式为:
其中R为互相关系数,S为第一帧超声图像中模板区域块,S’为第二帧超声图像中的目标区域块,A为搜索区域块的搜索范围,为运动目标区域块的灰度均值,为搜索区域块的灰度均值,x、y分别为构成超声图像中各个点的横纵坐标,S(x,y)为第一帧超声图像中模板区域块的位置,S′(x,y)为第二帧超声图像中目标区域块的位置,∑(x,y)是超声图像中所有区域;互相关相似度系数用于两幅图像区域块之间内容相似程度的比较,系数值越高图像区域块内容相似程度越高。
S4、判断搜索区域块的搜索次数是否大于设定的阈值,若是则进入步骤S5,否则返回步骤S2;
S5、选择互相关相似度系数最高的目标区域块作为匹配区域块;
S6、联合模板区域块和匹配区域块,生成超声图像心脏流场运动矢量。
在上述步骤S2中,布谷鸟搜索算法是基于布谷鸟的巢寄行为以及鸟类莱维飞行行为。为了模拟布谷鸟的产卵行为,设定了三条规则:(1)每一只布谷鸟每一次只能产下一个卵,并且随机的选取一个鸟巢来孵化它;(2)具有最好的卵的鸟巢将会被保存到下一代;(3)设定鸟巢的数目是固定的,宿主发现布谷鸟的卵的概率为pα。
莱维飞行是一种典型的随机游走机制,表示一类非高斯随机过程;莱维稳定分布的概率密度函数pα,β(x)没有统一形式,在特殊情况下,pα,β(x)用以下莱维分布函数来表示,α、β为常量,当α=1/2,β=1时:
莱维飞行的运动轨迹示意图如图2所示,从图中可以看出,由于莱维飞行二阶矩发散,其运动过程总是在较小聚焦情况下发生很大的跳跃。这样算法具有非常强的全局搜索能力,同时,根据巢寄生行为原巢主发现布谷鸟卵的思想,对一部分解进行丢弃并进行更新。
在上述步骤S3中,互相关相似度系数公式用来计算图像中区域块的相似度,互相关相似度系数主要用于两幅图像区域块之间内容相似程度的比较,根据系数值的大小来判断图像区域块内容的相似度程度。在本发明提供的超声图像心脏流场运动估计方法中,互相关相似度系数用于检查超声心脏图像中区域块位置在系列图像中的位置,根据之前确定的模板区域块与图像中互相关相似度系数最高的目标区域块的位置,可以实现心脏流场的运动估计,如图3所示,相邻两帧图像中,通过在当前帧确定的模板区域块和搜索区域块,运用布谷鸟搜索算法和互相关相似度系数的计算实现血流流场的运动跟踪。
运用上述心脏流场运动估计方法,得到如图4和图5所示,相邻两帧超声图像心脏流场运动矢量图和局部放大后展示的心脏内流场运动变化图,根据运动矢量方向,可以得出心脏流场的运动方向,根据其中部分异常心脏流场方向,判断出是否可能患有心脏类疾病。
需要说明的是,上述事实例中第一帧超声图像和第二帧超声图像是相对的,在实际对超声图像心脏流场运动估计时,超声图像在变化过程中,最新一帧超声图像作为第二帧超声图像,前一帧超声图像作为第一帧超声图像,得到相邻两帧图像中匹配区域块作为新的模板区域块,与下一帧的超声图像中的目标区域块计算互相关相似度系数,选择新的匹配区域块;联合每个模板区域块和匹配区域块,实现超声图像心脏流场运动估计。
本发明的有益效果为:运用布谷鸟搜索算法和互相关相似度系数的计算对超声图像心脏流场运动进行估计,计算时间减少,血流流场运动估计误差小,提供满足实际诊断要求的超声图像心脏流场运动估计,为检测心脏疾病导致的血流流场异常提供相关依据。
Claims (4)
1.基于布谷鸟优化策略的超声图像心脏流场运动估计方法,其特征在于,包括以下步骤:
S1、确定第一帧超声图像中的模板区域块;
S2、通过布谷鸟搜索算法,并设定一个搜索次数阈值,在第二帧超声图像中,确定搜索区域块和目标区域块;
S3、利用互相关相似度系数公式,计算模板区域块和目标区域块的互相关相似度系数;
S4、判断搜索区域块的搜索次数是否大于设定的阈值,若是则进入步骤S5,否则返回步骤S2;
S5、选择互相关相似度系数最高的目标区域块作为匹配区域块;
S6、联合模板区域块和匹配区域块,生成超声图像心脏流场运动矢量;
所述步骤S2中的布谷鸟搜索算法基于布谷鸟的巢寄行为以及鸟类的莱维飞行行为;
所述布谷鸟的巢寄行为有三条规则:(1)每一只布谷鸟每一次只能下一个卵,并且随机的选取一个鸟巢来孵化它;(2)具有最好的卵的鸟巢将会被保存到下一代;(3)设定鸟巢的数目是固定的,宿主发现布谷鸟的卵的概率为pα;
所述莱维飞行是一种随机游走机制,表示一类非高斯随机过程;莱维稳定分布的概率密度函数pα,β(x)用以下莱维分布函数来表示,其中α、β为常量,当α=1/2,β=1时:
2.根据权利要求1所述的基于布谷鸟优化策略的超声图像心脏流场运动估计方法,其特征在于,所述模板区域块为第一帧图像中随机选取的区域块,所述搜索区域块是图像中模板区域块的最大运动幅度设定的最大搜索范围,所述搜索区域块在模板区域块的运动范围内确定目标区域块。
3.根据权利要求2所述的基于布谷鸟优化策略的超声图像心脏流场运动估计方法,其特征在于,所述模板区域块选取值为2×2大小的区域块;所述搜索区域块选取值为9×9大小的区域块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711395807.XA CN108245194B (zh) | 2017-12-21 | 2017-12-21 | 基于布谷鸟优化策略的超声图像心脏流场运动估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711395807.XA CN108245194B (zh) | 2017-12-21 | 2017-12-21 | 基于布谷鸟优化策略的超声图像心脏流场运动估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108245194A CN108245194A (zh) | 2018-07-06 |
CN108245194B true CN108245194B (zh) | 2020-06-19 |
Family
ID=62723481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711395807.XA Active CN108245194B (zh) | 2017-12-21 | 2017-12-21 | 基于布谷鸟优化策略的超声图像心脏流场运动估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108245194B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110772280B (zh) * | 2018-07-31 | 2023-05-23 | 佳能医疗系统株式会社 | 超声波诊断装置和方法以及图像处理装置和方法 |
CN109157247B (zh) * | 2018-08-20 | 2021-03-26 | 云南大学 | 一种最优帧间隔追踪估计的超声血流速度场测量 |
CN109745073B (zh) * | 2019-01-10 | 2021-08-06 | 武汉中旗生物医疗电子有限公司 | 弹性成像位移的二维匹配方法及设备 |
CN110264503B (zh) * | 2019-06-18 | 2023-04-28 | 上海理工大学 | 一种基于cs搜索的图像配准方法 |
CN111862041A (zh) * | 2020-07-21 | 2020-10-30 | 华夏天信(北京)智能低碳技术研究院有限公司 | 一种基于模板匹配的井底井筒尾绳断裂检测方法 |
CN114549458A (zh) * | 2022-02-20 | 2022-05-27 | 湖南康润药业股份有限公司 | 一种超声扫查规范性测评方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101647716A (zh) * | 2009-09-04 | 2010-02-17 | 重庆邮电大学 | 一种直接测量血流流速的装置 |
CN102113900A (zh) * | 2010-01-05 | 2011-07-06 | 深圳迈瑞生物医疗电子股份有限公司 | 彩色血流动态帧相关方法和装置 |
CN104188687A (zh) * | 2013-10-25 | 2014-12-10 | 中国科学院深圳先进技术研究院 | 基于超声回波射频信号的多普勒血流速度估测方法和系统 |
CN104834957A (zh) * | 2015-05-20 | 2015-08-12 | 华北电力大学 | 一种基于杜鹃搜索算法求解非线性规划模型的方法和装置 |
CN105738847A (zh) * | 2016-02-15 | 2016-07-06 | 厦门大学 | 一种在强不均匀磁场下磁共振图像扭曲的矫正方法 |
CN106028947A (zh) * | 2015-05-07 | 2016-10-12 | 深圳迈瑞生物医疗电子股份有限公司 | 血流成像方法及系统 |
CN107341820A (zh) * | 2017-07-03 | 2017-11-10 | 郑州轻工业学院 | 一种融合Cuckoo搜索和KCF的突变运动目标跟踪方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166691A (zh) * | 2014-07-29 | 2014-11-26 | 桂林电子科技大学 | 基于波形叠加布谷鸟优化的极限学习机分类方法 |
CN105975342B (zh) * | 2016-04-29 | 2019-02-15 | 广东工业大学 | 基于改进布谷鸟搜索算法的云计算任务调度方法及系统 |
-
2017
- 2017-12-21 CN CN201711395807.XA patent/CN108245194B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101647716A (zh) * | 2009-09-04 | 2010-02-17 | 重庆邮电大学 | 一种直接测量血流流速的装置 |
CN102113900A (zh) * | 2010-01-05 | 2011-07-06 | 深圳迈瑞生物医疗电子股份有限公司 | 彩色血流动态帧相关方法和装置 |
CN104188687A (zh) * | 2013-10-25 | 2014-12-10 | 中国科学院深圳先进技术研究院 | 基于超声回波射频信号的多普勒血流速度估测方法和系统 |
CN106028947A (zh) * | 2015-05-07 | 2016-10-12 | 深圳迈瑞生物医疗电子股份有限公司 | 血流成像方法及系统 |
CN104834957A (zh) * | 2015-05-20 | 2015-08-12 | 华北电力大学 | 一种基于杜鹃搜索算法求解非线性规划模型的方法和装置 |
CN105738847A (zh) * | 2016-02-15 | 2016-07-06 | 厦门大学 | 一种在强不均匀磁场下磁共振图像扭曲的矫正方法 |
CN107341820A (zh) * | 2017-07-03 | 2017-11-10 | 郑州轻工业学院 | 一种融合Cuckoo搜索和KCF的突变运动目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
基于改进布谷鸟算法的图像配准和融合中的参数优化;陈娜;《中国硕士学位论文全文数据库》;20160601;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108245194A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108245194B (zh) | 基于布谷鸟优化策略的超声图像心脏流场运动估计方法 | |
KR101908520B1 (ko) | 메디컬 이미징에서 공간 및 시간 제약들을 이용하는 랜드마크 검출 | |
US11200693B2 (en) | Image processing | |
JP5108905B2 (ja) | 3dデータセット中の画像ビューを自動的に特定する方法および装置 | |
US20220079552A1 (en) | Cardiac flow detection based on morphological modeling in medical diagnostic ultrasound imaging | |
US8675940B2 (en) | Generation of moving vascular models and blood flow analysis from moving vascular models and phase contrast MRI | |
CN112395987B (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN110197713A (zh) | 一种医疗影像的处理方法、装置、设备和介质 | |
JP7263216B2 (ja) | ワッサースタイン距離を使用する物体形状回帰 | |
Leclerc et al. | A fully automatic and multi-structural segmentation of the left ventricle and the myocardium on highly heterogeneous 2D echocardiographic data | |
CN109620293B (zh) | 一种图像识别方法、装置以及存储介质 | |
CN101926657B (zh) | 一种超声图像特征追踪方法及其系统 | |
CN102881021B (zh) | 基于概率分布和连续最大流的主动脉瓣超声图像分割方法 | |
CN104463862A (zh) | 肾脏ct序列图像快速分割方法 | |
bin Ahmad Nizar et al. | Detection of aortic valve from echocardiography in real-time using convolutional neural network | |
US8433113B2 (en) | Automatic recovery of the left ventricular blood pool in cardiac cine magnetic resonance images | |
CN111402231B (zh) | 一种用于肺部ct影像质量的自动评估系统及方法 | |
JP6996303B2 (ja) | 医用画像生成装置 | |
Zheng et al. | Improvement of grayscale image segmentation based on pso algorithm | |
An et al. | Simultaneous segmentation of four cardiac chambers in fetal echocardiography | |
Ju et al. | Video tracking to monitor turkey welfare | |
CN113066108A (zh) | 基于eco算法的抗遮挡视觉目标跟踪方法及装置 | |
JP2004174220A (ja) | 画像処理装置、画像処理方法、及び当該画像処理方法をコンピュータに実行させるプログラムを格納する記録媒体 | |
Chen et al. | Semi-supervised breast lesion detection in ultrasound video based on temporal coherence | |
Qiao et al. | Cardiac Image Segmentation Based on Improved U-Net |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |