CN109002838A - 基于易损指数的ivus易损斑块组织分类方法及系统 - Google Patents

基于易损指数的ivus易损斑块组织分类方法及系统 Download PDF

Info

Publication number
CN109002838A
CN109002838A CN201810644039.5A CN201810644039A CN109002838A CN 109002838 A CN109002838 A CN 109002838A CN 201810644039 A CN201810644039 A CN 201810644039A CN 109002838 A CN109002838 A CN 109002838A
Authority
CN
China
Prior art keywords
slice
ivus
vulnerability index
label
classifier
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
Application number
CN201810644039.5A
Other languages
English (en)
Other versions
CN109002838B (zh
Inventor
刘治
曹艳坤
张鹏飞
肖晓燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN201810644039.5A priority Critical patent/CN109002838B/zh
Publication of CN109002838A publication Critical patent/CN109002838A/zh
Application granted granted Critical
Publication of CN109002838B publication Critical patent/CN109002838B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了基于易损指数的IVUS易损斑块组织分类方法及系统，步骤：采集动物的若干IVUS图像和人的若干IVUS图像；将采集完IVUS图像的动物和人的血管均做成切片，计算每个切片的易损指数；设定易损指数阈值，完成动物和人的所有切片对应的IVUS图像的易损或非易损标签标记；搭建分类器，利用动物的带非易损斑块标签和易损斑块标签的IVUS图像输入到分类器中，对分类器进行训练，将最高分类准确率所对应的易损指数阈值为标准易损指数；利用标准易损指数分类的动物的标签所训练的分类器作为训练好的分类器；将待识别的人的IVUS图像输入到训练好的分类器中，对待识别的人的IVUS图像进行分类识别，输出识别结果。

Description

基于易损指数的IVUS易损斑块组织分类方法及系统
技术领域
本发明涉及基于易损指数的IVUS易损斑块组织分类方法及系统。
背景技术
血管内超声(intravascular ultrasound，IVUS)是分析血管形态和检测粥样硬化斑块的常用介入影像手段。它利用镶嵌于心导管顶端的微小超声探头，从血管腔内获得管腔的切面图像，完整显示包括血管壁外膜和中膜边界、内膜即管腔以及两者之间的斑块负荷情况在内的血管横断面。
根据2013年中国卫生统计年鉴，心脑血管疾病已成为我国城乡居民第一位死亡原因。动脉粥样硬化(AS)高危人群的不断增加是导致我国心血管病发病率和死亡率不断攀升的主要原因。AS是一种系统性慢性炎性病变，自幼年时期就开始发生，在发生AS斑块破裂前可经历长期的静默阶段，造成了危险人群早期筛查的困难，结果往往是对低危人群进行了大量不必要的过度筛查，而很多病人首诊时已经进入病变晚期，比如冠心病的终末阶段——缺血性心肌病和心力衰竭。而即使发现了AS斑块，该病变是否需要介入干预、是否是易于发生破裂的易损斑块(vulnerable plaque)也成为临床实践中的挑战，结果是很多稳定性斑块的病人接受了不必要的介入支架治疗。
发明内容
为了解决现有技术的不足，本发明提供了基于易损指数的IVUS易损斑块组织分类方法及系统；
为了准确量化斑块的易损性，采用易损指数(vulnerable index，VI)计算斑块的特征。
作为本发明的第一方面：
基于易损指数的IVUS易损斑块组织分类方法，包括：
步骤(1)：采集动物的若干IVUS图像和人的若干IVUS图像；将采集完IVUS图像的动物和人的血管均做成切片，计算每个切片的易损指数；
步骤(2)：设定易损指数阈值，完成动物和人的所有切片对应的IVUS图像的易损或非易损标签标记；
步骤(3)：搭建分类器，利用动物的带非易损斑块标签和易损斑块标签的IVUS图像输入到分类器中，对分类器进行训练，得到一个分类准确率；
重复步骤(2)-(3)，得到若干个分类准确率；将所有的分类准确率作比较，最高分类准确率所对应的易损指数阈值为标准易损指数；利用标准易损指数分类的动物的标签所训练的分类器作为训练好的分类器；
步骤(4)：将待识别的人的IVUS图像输入到训练好的分类器中，对待识别的人的IVUS图像进行分类识别，输出识别结果。
所述步骤(1)中将采集完IVUS图像的动物的相应血管做成切片，对切片中的斑块巨噬细胞、脂质、斑块平滑肌细胞和胶原纤维分别进行染色处理；根据切片中的斑块巨噬细胞、脂质、斑块平滑肌细胞和胶原纤维的含量计算当前切片的易损指数；同样的，将所有采集完IVUS图像的动物的相应血管均做成切片，计算每个切片的易损指数。
作为本发明的进一步改进，所述步骤(1)中，做成切片之后，挑选切片，然后对所挑选的切片中的斑块巨噬细胞进行染色处理，计算斑块巨噬细胞的面积与切片总面积之比作为斑块巨噬细胞的含量；
同样的，挑选切片，然后对所挑选的切片中的脂质进行染色处理，计算脂质的面积与切片总面积之比作为脂质含量；
同样的，挑选切片，然后对所挑选的切片中的斑块平滑肌细胞进行染色处理，计算斑块平滑肌细胞的面积与切片总面积之比作为斑块平滑肌细胞含量；
同样的，挑选切片，然后对所挑选的切片中的胶原纤维进行染色处理，计算胶原纤维的面积与切片总面积之比作为胶原纤维含量。
作为本发明的进一步改进，所述步骤(2)中，
当某个切片的易损指数小于易损指数阈值时，对当前切片对应的IVUS图像标记稳定斑块标签；当某个切片的易损指数大于易损指数阈值时，对当前切片对应的IVUS图像标记易损斑块标签。
作为本发明的进一步改进，所述步骤(3)中，分类准确率是指按照步骤(2)的到的标签信息，计算分类正确的图片与总的图片数量的比值。
作为本发明的进一步改进，所述步骤(3)和步骤(4)之间还包括：
步骤(40)：利用标准易损指数完成人的所有切片对应的IVUS图像的易损或非易损标签标记；利用人的带非易损斑块标签和易损斑块标签的IVUS图像输入到分类器中，对分类器进行进一步优化训练。
作为本发明的进一步改进，
易损指数＝(斑块巨噬细胞含量+脂质含量)/(斑块平滑肌细胞含量+胶原纤维含量)。
作为本发明的进一步改进，所述分类器，包括：支持向量机分类器、卷积神经网络分类器。
作为本发明的第二方面：
基于易损指数的IVUS易损斑块组织分类系统，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述任一方法所述的步骤。
作为本发明的第三方面：
一种计算机可读存储介质，其上运行有计算机指令，所述计算机指令被处理器运行时，完成上述任一方法所述的步骤。
与现有技术相比，本发明的有益效果是：
利用深度学习的方法以易损指数为指标划分易损斑块和稳定斑块，然后送入深度学习网络中进行分类识别，从而找到一个使分类正确率达到最高的易损指数，从而确定以此易损指数为标准，高于此易损指数的为易损斑块，低于此易损指数的为稳定斑块；
根据组织切片，利用深度学习的方法对IVUS图像的斑块进行分类识别，从而减少了一些稳定性AS病人做不必要的介入治疗。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本发明的方法流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
作为本发明的第一个实施例：
如图1所示，基于易损指数的IVUS易损斑块组织分类方法，包括：
步骤(1)：采集动物的若干IVUS图像和人的若干IVUS图像；将采集完IVUS图像的动物和人的血管均做成切片，将采集完IVUS图像的动物的相应血管做成切片，对切片中的斑块巨噬细胞、脂质、斑块平滑肌细胞和胶原纤维分别进行染色处理；根据切片中的斑块巨噬细胞、脂质、斑块平滑肌细胞和胶原纤维的含量计算当前切片的易损指数；同样的，将所有采集完IVUS图像的动物的相应血管均做成切片，计算每个切片的易损指数；
易损指数＝(斑块巨噬细胞含量+脂质含量)/(斑块平滑肌细胞含量+胶原纤维含量)。
步骤(2)：设定易损指数阈值，当某个切片的易损指数小于易损指数阈值时，对当前切片对应的IVUS图像标记稳定斑块标签；当某个切片的易损指数大于易损指数阈值时，对当前切片对应的IVUS图像标记易损斑块标签；完成动物和人的所有切片对应的IVUS图像的易损或非易损标签标记；
步骤(3)：搭建分类器，利用动物的带非易损斑块标签和易损斑块标签的IVUS图像输入到分类器中，对分类器进行训练，得到一个分类准确率；分类准确率是指按照步骤(2)的到的标签信息，计算分类正确的图片与总的图片数量的比值；
重复步骤(2)-(3)，得到若干个分类准确率；将所有的分类准确率作比较，最高分类准确率所对应的易损指数阈值为标准易损指数；利用标准易损指数分类的动物的标签所训练的分类器作为训练好的分类器；
步骤(4)：利用标准易损指数完成人的所有切片对应的IVUS图像的易损或非易损标签标记；利用人的带非易损斑块标签和易损斑块标签的IVUS图像输入到分类器中，对分类器进行进一步优化训练；
步骤(5)：将待识别的人的IVUS图像输入到训练好的分类器中，对待识别的人的IVUS图像进行分类识别，输出识别结果。
进一步的，所述步骤(1)中，做成切片之后，挑选切片，然后对所挑选的切片中的斑块巨噬细胞进行染色处理，计算斑块巨噬细胞的面积与切片总面积之比作为斑块巨噬细胞的含量；
同样的，挑选切片，然后对所挑选的切片中的脂质进行染色处理，计算脂质的面积与切片总面积之比作为脂质含量；
同样的，挑选切片，然后对所挑选的切片中的斑块平滑肌细胞进行染色处理，计算斑块平滑肌细胞的面积与切片总面积之比作为斑块平滑肌细胞含量；
同样的，挑选切片，然后对所挑选的切片中的胶原纤维进行染色处理，计算胶原纤维的面积与切片总面积之比作为胶原纤维含量。
进一步的，所述分类器，包括：支持向量机分类器、卷积神经网络分类器。
作为本发明的第二个实施例：
基于易损指数的IVUS易损斑块组织分类系统，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述任一方法所述的步骤。
作为本发明的第三个实施例：
一种计算机可读存储介质，其上运行有计算机指令，所述计算机指令被处理器运行时，完成上述任一方法所述的步骤。
具体实施例：
首先利用相应的设备采集IVUS图像，对于动物图像可采集如兔子等其他动物的图像，然后采集人的血管内超声图像。采集完动物的超声图像后，将兔子的相应血管做成切片，然后对斑块巨噬细胞、脂质含量、斑块平滑肌细胞和胶原纤维进行染色处理，根据染色结果计算出各个成分的含量，并根据易损指数的公式计算出每个切片的易损指数。
根据计算出来的易损指数对相应切片的IVUS图像加标签，首先选定一个易损指数，然后高于此易损指数我们认为是易损斑块标签置为1，低于此易损指数的我们认为是稳定斑块标签置为2。
接下来根据上一步打好标签的数据利用深度学习进行训练得到斑块分类模型，进行测试然后得到一个分类准确率，然后再更换一个易损指数循环上述步骤，经过若干次试验后将得到的准确率作对比，最后选定一个准确率最高对应的易损指数作为标准，相对应的训练分类的模型用于下一步的工作。
由于人的IVUS图像和动物的IVUS图像存在相似的部分，所以可以利用迁移学习的方法将上述模型应用到人的IVUS图像中去。将人的IVUS图像送入利用迁移学习得到的检测模型中进行分类识别，最后将识别结果也就是是否为稳定斑块输出。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，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。

Claims (10)

1.基于易损指数的IVUS易损斑块组织分类方法，其特征是，包括：
步骤(1)：采集动物的若干IVUS图像和人的若干IVUS图像；将采集完IVUS图像的动物和人的血管均做成切片，计算每个切片的易损指数；
步骤(2)：设定易损指数阈值，完成动物和人的所有切片对应的IVUS图像的易损或非易损标签标记；
步骤(3)：搭建分类器，利用动物的带非易损斑块标签和易损斑块标签的IVUS图像输入到分类器中，对分类器进行训练，得到一个分类准确率；
重复步骤(2)-(3)，得到若干个分类准确率；将所有的分类准确率作比较，最高分类准确率所对应的易损指数阈值为标准易损指数；利用标准易损指数分类的动物的标签所训练的分类器作为训练好的分类器；
步骤(4)：将待识别的人的IVUS图像输入到训练好的分类器中，对待识别的人的IVUS图像进行分类识别，输出识别结果。
2.如权利要求1所述的基于易损指数的IVUS易损斑块组织分类方法，其特征是，所述步骤(1)中将采集完IVUS图像的动物的相应血管做成切片，对切片中的斑块巨噬细胞、脂质、斑块平滑肌细胞和胶原纤维分别进行染色处理；根据切片中的斑块巨噬细胞、脂质、斑块平滑肌细胞和胶原纤维的含量计算当前切片的易损指数；同样的，将所有采集完IVUS图像的动物的相应血管均做成切片，计算每个切片的易损指数。
3.如权利要求1所述的基于易损指数的IVUS易损斑块组织分类方法，其特征是，所述步骤(1)中，做成切片之后，挑选切片，然后对所挑选的切片中的斑块巨噬细胞进行染色处理，计算斑块巨噬细胞的面积与切片总面积之比作为斑块巨噬细胞的含量；
同样的，挑选切片，然后对所挑选的切片中的脂质进行染色处理，计算脂质的面积与切片总面积之比作为脂质含量；
同样的，挑选切片，然后对所挑选的切片中的斑块平滑肌细胞进行染色处理，计算斑块平滑肌细胞的面积与切片总面积之比作为斑块平滑肌细胞含量；
同样的，挑选切片，然后对所挑选的切片中的胶原纤维进行染色处理，计算胶原纤维的面积与切片总面积之比作为胶原纤维含量。
4.如权利要求1所述的基于易损指数的IVUS易损斑块组织分类方法，其特征是，所述步骤(2)中，
当某个切片的易损指数小于易损指数阈值时，对当前切片对应的IVUS图像标记稳定斑块标签；当某个切片的易损指数大于易损指数阈值时，对当前切片对应的IVUS图像标记易损斑块标签。
5.如权利要求1所述的基于易损指数的IVUS易损斑块组织分类方法，其特征是，所述步骤(3)中，分类准确率是指按照步骤(2)的到的标签信息，计算分类正确的图片与总的图片数量的比值。
6.如权利要求1所述的基于易损指数的IVUS易损斑块组织分类方法，其特征是，所述步骤(3)和步骤(4)之间还包括：
步骤(40)：利用标准易损指数完成人的所有切片对应的IVUS图像的易损或非易损标签标记；利用人的带非易损斑块标签和易损斑块标签的IVUS图像输入到分类器中，对分类器进行进一步优化训练。
7.如权利要求1所述的基于易损指数的IVUS易损斑块组织分类方法，其特征是，
易损指数＝(斑块巨噬细胞含量+脂质含量)/(斑块平滑肌细胞含量+胶原纤维含量)。
8.如权利要求1所述的基于易损指数的IVUS易损斑块组织分类方法，其特征是，所述分类器，包括：支持向量机分类器、卷积神经网络分类器。
9.基于易损指数的IVUS易损斑块组织分类系统，其特征是，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述权利要求1-8任一方法所述的步骤。
10.一种计算机可读存储介质，其特征是，其上运行有计算机指令，所述计算机指令被处理器运行时，完成上述权利要求1-8任一方法所述的步骤。
CN201810644039.5A 2018-06-21 2018-06-21 基于易损指数的ivus易损斑块组织分类方法及系统 Active CN109002838B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810644039.5A CN109002838B (zh) 2018-06-21 2018-06-21 基于易损指数的ivus易损斑块组织分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810644039.5A CN109002838B (zh) 2018-06-21 2018-06-21 基于易损指数的ivus易损斑块组织分类方法及系统

Publications (2)

Publication Number Publication Date
CN109002838A true CN109002838A (zh) 2018-12-14
CN109002838B CN109002838B (zh) 2020-08-21

Family

ID=64600990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810644039.5A Active CN109002838B (zh) 2018-06-21 2018-06-21 基于易损指数的ivus易损斑块组织分类方法及系统

Country Status (1)

Country Link
CN (1) CN109002838B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110223285A (zh) * 2019-06-13 2019-09-10 中南大学湘雅二医院 基于动物迁移和神经网络模型的影像结果预测方法及系统
CN110428417A (zh) * 2019-08-13 2019-11-08 无锡祥生医疗科技股份有限公司 颈动脉斑块的性质判别方法、存储介质及超声装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040111016A1 (en) * 1996-09-20 2004-06-10 Texas Heart Institute Method and apparatus for detection of vulnerable atherosclerotic plaque
CN102884435A (zh) * 2009-11-27 2013-01-16 贝克Idi心脏和糖尿病研究院控股有限公司 用于稳定和不稳定心脏病的脂质生物标记物
CN103593844A (zh) * 2013-10-29 2014-02-19 华中科技大学 一种医学图像的多维多种特征提取方法
CN104143047A (zh) * 2014-07-21 2014-11-12 华北电力大学（保定） 血管内超声灰阶图像的自动组织标定方法
CN105074379A (zh) * 2013-03-14 2015-11-18 研究发展基金会 用于光学相干断层扫描和双光子荧光成像的设备和方法
CN106056126A (zh) * 2015-02-13 2016-10-26 西门子公司 医学成像中的斑块易损性评定
CN108182683A (zh) * 2018-02-08 2018-06-19 山东大学 基于深度学习与迁移学习的ivus组织标注方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040111016A1 (en) * 1996-09-20 2004-06-10 Texas Heart Institute Method and apparatus for detection of vulnerable atherosclerotic plaque
CN102884435A (zh) * 2009-11-27 2013-01-16 贝克Idi心脏和糖尿病研究院控股有限公司 用于稳定和不稳定心脏病的脂质生物标记物
CN105074379A (zh) * 2013-03-14 2015-11-18 研究发展基金会 用于光学相干断层扫描和双光子荧光成像的设备和方法
CN103593844A (zh) * 2013-10-29 2014-02-19 华中科技大学 一种医学图像的多维多种特征提取方法
CN104143047A (zh) * 2014-07-21 2014-11-12 华北电力大学（保定） 血管内超声灰阶图像的自动组织标定方法
CN106056126A (zh) * 2015-02-13 2016-10-26 西门子公司 医学成像中的斑块易损性评定
CN108182683A (zh) * 2018-02-08 2018-06-19 山东大学 基于深度学习与迁移学习的ivus组织标注方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SHIOMI M 等: ""Fibromuscular cap composition is important for the stability of established atherosclerotic plaques in mature WHHL rabbits treated with statins"", 《ATHEROSCLEROSIS》 *
安园园 等: ""实验性小鼠动脉粥样硬化斑块易损指数计算方法的优化"", 《中国动脉硬化杂志》 *
曹艳坤: ""心脏血管影像形态及功能智能化分析"", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
郭胜存: ""超声分子成像靶向活化血小板上的糖蛋白Ⅱb/Ⅲa受体评价动脉粥样硬化易损斑块"", 《中国博士学位论文全文数据库 医药卫生科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110223285A (zh) * 2019-06-13 2019-09-10 中南大学湘雅二医院 基于动物迁移和神经网络模型的影像结果预测方法及系统
CN110428417A (zh) * 2019-08-13 2019-11-08 无锡祥生医疗科技股份有限公司 颈动脉斑块的性质判别方法、存储介质及超声装置

Also Published As

Publication number Publication date
CN109002838B (zh) 2020-08-21

Similar Documents

Publication Publication Date Title
WO2022188489A1 (zh) 多模态多病种长尾分布眼科疾病分类模型训练方法和装置
CN109925002A (zh) 人工智能超声心动图数据采集系统及其数据采集方法
CN108701354A (zh) 识别超声图像中感兴趣区域轮廓的方法及系统
CN109091167A (zh) 冠状动脉粥样硬化斑块增长的预测方法
CN110503635B (zh) 一种基于异构数据融合网络的手骨x光片骨龄评估方法
Zhang et al. Algorithm of sheep body dimension measurement and its applications based on image analysis
CN106803251B (zh) 由ct影像确定主动脉缩窄处压力差的装置与方法
CN109002838A (zh) 基于易损指数的ivus易损斑块组织分类方法及系统
CN111080643A (zh) 基于眼底图像的糖尿病及相关疾病的分类方法及设备
CN112001122A (zh) 基于端到端生成对抗网络的非接触式生理信号测量方法
CN111275706A (zh) 一种基于剪切波弹性成像超声组学深度分析方法及系统
CN115547500B (zh) 血液透析病人的健康监测设备及系统
CN106548213A (zh) 血管识别方法和装置
CN112869697A (zh) 同时识别糖尿病视网膜病变的分期和病变特征的判断方法
JP6739318B2 (ja) 超音波診断装置
CN113409447B (zh) 一种基于多切片组合的冠状动脉分割方法和装置
CN106327476A (zh) 一种ct图像处理方法及装置
WO2023160149A1 (zh) 体脂率的测量方法、装置及计算机可读存储介质
Burke et al. An analysis of the feasibility of using image processing to estimate the live weight of sheep
CN116245867A (zh) 一种基于无监督学习的血管斑块和血栓识别方法及系统
CN114119645B (zh) 一种图像分割质量的确定方法、系统、设备及介质
Lynn et al. Automatic assessing body condition score from digital images by active shape model and multiple regression technique
CN114271850B (zh) 超声检测数据的处理方法及超声检测数据的处理装置
CN115761228A (zh) 一种冠状动脉钙化斑块分割方法、装置、设备及存储介质
CN105989245B (zh) 获取纤维化的特征量化参数的值的方法及装置

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
GR01 Patent grant
GR01 Patent grant