CN110111329A - 一种基于人工智能超声影像检测方法及系统 - Google Patents
一种基于人工智能超声影像检测方法及系统 Download PDFInfo
- Publication number
- CN110111329A CN110111329A CN201910412267.4A CN201910412267A CN110111329A CN 110111329 A CN110111329 A CN 110111329A CN 201910412267 A CN201910412267 A CN 201910412267A CN 110111329 A CN110111329 A CN 110111329A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic image
- standard section
- model
- feature
- analysis
- 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
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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开一种基于人工智能超声影像检测方法及系统,包括步骤:从超声机中获取超声影像;对超声影像进行质控分析,建立质控分析AI模型判断所采集超声影像属于标准切面还是非标准切面;若为非标准切面,则由修正AI模型将非标准切面推测出其对应的标准切面;对所获得的标准切面,通过自动测量AI模型和病理特征查找AI模型进行自动测量与病理分析,获取检测结果;将检测结果推送给用户端。本发明能够判断操作人员采集的超声影像是否符合超声影像质量控制标准,自动获取多个超声切面影像的生物学参数和病理特征,辅助用户快速获取准确结果;提高操作人员采集的超声影像质量标准,提高准确率和时效性;提升操作人员操作超声设备的能力,提高效率。
Description
技术领域
本发明属于超声影像处理技术领域,特别是涉及一种基于人工智能超声影像检测方法及系统。
背景技术
超声检查目前已被广泛应用于常规临床检查。常规超声检查需要通过探头扫查、选取标准切面和诊断等步骤来实现。其中对于标准切面的选取对生理学参数的准确测量以及诊断至关重要,是得到准确生物学参数和病理判断的重要过程。
而目前这项工作需要丰富的临床经验以及对人体解剖结构的了解深入的人员来完成,但是完成过程非常的繁琐和费时;所以对于缺乏经验的操作人员更是无法完成的一项任务。虽然目前有部分理论研究从超声影像中通过计算处理自动获取到标准切面;但是在超声检测的实操过程中,并不是每次采集的图像都是能够获取标准切面的图像,而获取优质超声影像也对操作人员水平和操作带来了极大考验,耗费了较大的资源,无法快速对超声影像进行获取和识别,大大影像了准确度,大大延长了周期。
发明内容
为了解决上述问题,本发明提出了一种基于人工智能超声影像检测方法及系统,能够判断操作人员采集的超声影像是否符合超声影像质量控制标准,能够自动识别获取多种类型超声影像的生物学参数和病理,快速识别出超声影像的病理及生物学参数,提高准确度和时效性;提升操作人员操作超声设备的能力,提高工作效率。
为达到上述目的,本发明采用的技术方案是:一种基于人工智能超声影像检测方法,包括步骤:
S100,从超声机中获取超声影像;
S200,对超声影像进行质控分析,建立质控分析AI模型判断所采集超声影像属于标准切面还是非标准切面;
S300,若为非标准切面,则由修正AI模型将非标准切面推测出其对应的标准切面;
S400,对所获得的标准切面,通过自动测量AI模型和病理特征查找AI模型进行自动测量与病理分析,获取检测结果;
S500,将检测结果推送给用户端。
进一步的是,为了能够快速且精确的从超声影像中分割出标准切面和非标准切面,提高后期病理识别的效率,所述超声影像在质控分析AI模型中的质控分析过程,包括步骤:
S201,通过resnet残差网络获取所述超声影像的特征值;
S202,通过FPN网络进行特征值的粗略提取后,对提取的特征值分别进行融合,形成目标检测区域;
S203,建立图形框,并通过置信度分类对每个目标检测区域均设置有独自的图形框;
S204,通过非极大值抑制算法,提取置信度最高的图形框作为识别结果;
S205,若没有形成图形框则判定该图像为非标准切面,若形成图形框则判定该图像为标准切面。
进一步的是,为了提升基层超声操作人员操作超声设备的能力,对所述非标准切面进行拟合重建推测出其对应的标准切面,通过对非标准切面对应的标准切面进行病理查找和生物学参数识别功能,无需操作人员再次拍摄超声图像。
进一步的是,在所述由非标准切面进行拟合重建推测出其对应的标准切面的过程中,包括步骤:
S301,将非标准切面图像数据通过卷积网络获得高层次特征;
S302,将所述高层次特征在通过卷积网络获得中层次特征;
S303,通过高层次特征和中层次特征的差,计算得到假数据特征;
S304,将假数据特征进行上采样,获得出重建的标准切面。
为快速、自动且精确了为用户提供超声影像的检测结果,对所获得的标准切面,通过自动测量AI模型和病理特征查找AI模型自动测量生物学参数值并找出病理特征,作为检测结果。
进一步的是,对所获得的标准切面,通过自动测量AI模型自动测量获取生物学参数值的过程,包括步骤:
S411,将所获得的标准切面超声影像输入自动测量AI模型和病理特征查找AI模型进行识别;
S412,在自动测量AI模型和病理特征查找AI模型中,通过分割网络对图像进行分割得到目标交并比特征;
S413,将所述目标交并比特征的图像进行形态学处理,获得形状特征;
S414,将形状特征进行滤波后,提取边缘;
S415,根据边缘特征,得到生物学参数值和病理特征。
进一步的是,对所获得的标准切面,通过病理特征查找AI模型找出病理特征的过程,包括步骤:
S421,将所获得的标准切面超声影像输入病理特征查找AI模型进行识别;
S422,在病理特征查找AI模型中,通过分割网络对图像进行分割得到目标交并比特征;
S423,将所述目标交并比特征的图像进行形态学处理,获得形状特征;
S424,根据形状特征与临床病理特征进行比较,获取病理特征。
进一步的是,为提高检测的精确度,将所述标准切面超声影像输入自动测量AI模型和病理特征查找AI模型之前,先对所述超声影像进行预处理,去除噪声。
进一步的是,通过深度卷积网络提取不同尺寸下的多尺寸特征值,对图像进行分割。
进一步的是,将所述目标交并比特征的图像进行形态学处理过程包括步骤:
对所述多尺寸特征值分别进行残差处理和卷积处理;
将处理后的特征值进行降维处理;
通过特征判别处理,得到图像中的形状特征掩膜。
另一方面,为配合上述超声影像智能识别方法,本发明还提供了一种基于人工智能超声影像检测系统,包括超声影像输入模块、超声影像质控分析模块、非标准切面修正模块、检测分析模块和结果输出模块;
从超声机中获取超声影像,通过超声影像输入模块进入系统;
将采集的超声影像输入超声影像质控分析模块,由质控分析AI模型进行质控分析,识别所述超声影像属于标准切面还是非标准切面;
若为非标准切面,则将非标准切面超声影像传输至非标准切面修正模块进行修正,由非标准切面修正模块中修正AI模型结合非标准切面,推测出非标准切面超声影像对应的标准切面;
将所获得的标准切面输入至检测分析模块,通过自动测量AI模型和病理特征查找AI模型自动测量和病理特征查找功能,获取辅助参考值作为检测结果;
将检测结果由结果输出模块推送给用户端,便于用户获取检测结果。
采用本技术方案的有益效果:
本发明能够在超声影像中通过建立AI模型,依据我国超声影像质量控制标判断采集超声影像是否是标准切面,还是非标准切面的自动识别;同时通过AI模型依据标准切面和非标准切面的函数对应关系,由标准切面推测出非标准切面,并且通过AI模型在标准切面中通过自动测量生物学参数和病理特征查找,得到综合辅助参考值,并将辅助参考值推送给用户,协助用户快速获取检测结果,包括辅助医生快速做出诊断,提高准确性和时效性。
本发明依据医学超声质量控制标准对操作人员采集的超声影像进行标准切面和非标准切面的判断,并对非标准切面进行修正出相应的标准切面,对其对应的标准切面进行病理特征查找和生物学参数自动识别,避免了传统超声影像人工质控中出现的几个问题:1.采集质控样本量小,不能反映质控真实水平,2.人工质控效率低下,也没有统一标准,3.人工质控无法及时发现问题,无法找到患者重新拍摄。通过本发明提出的方案能够有效避免以上问题的同时,简化了工作过程、提高了工作速度,避免了超声影像拍摄质量造成病患重复拍片的困扰;特别是提升基层超声操作超声设备的能力,提高效率,方便了患者能够就近享受专业超声服务。
附图说明
图1为本发明的一种基于人工智能超声影像检测方法的流程示意图;
图2为本发明实施例中质控分析过程的流程示意图;
图3为本发明实施例中非标准切面进行拟合重建的流程示意图;
图4为本发明实施例中自动测量AI模型和病理特征查找AI模型识别过程的流程示意图;
图5为本发明实施例中生物学参数测量和病理的获取过程流程示意图;
图6为本发明的一种基于人工智能超声影像检测系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。
在本实施例中,参见图1所示,本发明提出了一种基于人工智能超声影像检测方法,包括步骤:
S100,从超声机中获取超声影像;
S200,对超声影像进行质控分析,建立质控分析AI模型判断所采集超声影像属于标准切面还是非标准切面;
S300,若为非标准切面,则由修正AI模型将非标准切面推测出其对应的标准切面;
S400,对所获得的标准切面,通过自动测量AI模型和病理特征查找AI模型进行自动测量与病理分析,获取检测结果;
S500,将检测结果推送给用户端。
作为上述实施例的优化方案,如图2所示,为了能够快速且精确的从超声影像中分割出标准切面和非标准切面,提高后期病理识别的效率,所述超声影像在质控分析AI模型中的质控分析过程,包括步骤:
S201,通过resnet残差网络获取所述超声影像的特征值;
S202,通过FPN网络进行特征值的粗略提取后,对提取的特征值分别进行融合,形成目标检测区域;
S203,建立图形框,并通过置信度分类对每个目标检测区域均设置有独自的图形框;
S204,通过非极大值抑制算法,提取置信度最高的图形框作为识别结果;
S205,若没有形成图形框则判定该图像为非标准切面,若形成图形框则判定该图像为标准切面。
作为上述实施例的优化方案,为了提升基层超声操作人员操作超声设备的能力,对所述非标准切面进行拟合重建推测出其对应的标准切面,通过对非标准切面对应的标准切面进行病理查找和生物学参数识别功能,无需操作人员再次拍摄超声图像。
如图3所示,在所述由非标准切面进行拟合重建推测出其对应的标准切面的过程中,包括步骤:
S301,将非标准切面图像数据通过卷积网络获得高层次特征;
S302,将所述高层次特征在通过卷积网络获得中层次特征;
S303,通过高层次特征和中层次特征的差,计算得到假数据特征;
S304,将假数据特征进行上采样,获得出重建的标准切面。
作为上述实施例的优化方案,为快速、自动且精确了为用户提供超声影像的检测结果,对所获得的标准切面,通过自动测量AI模型和病理特征查找AI模型自动测量生物学参数并找出病理特征,作为检测结果。
如图4所示,对所获得的标准切面,通过自动测量AI模型自动测量获取生物学参数值的过程,包括步骤:
S411,将所获得的标准切面超声影像输入自动测量AI模型和病理特征查找AI模型;
S412,在自动测量AI模型和病理特征查找AI模型中,通过分割网络对图像进行分割得到目标交并比特征;
S413,将所述目标交并比特征的图像进行形态学处理,获得形状特征;
S414,将形状特征进行滤波后,提取边缘;
S415,根据边缘特征,得到生物学参数值和病理特征。
对所获得的标准切面,通过病理特征查找AI模型找出病理特征的过程,包括步骤:
S421,将所获得的标准切面超声影像输入病理特征查找AI模型进行识别;
S422,在病理特征查找AI模型中,通过分割网络对图像进行分割得到目标交并比特征;
S423,将所述目标交并比特征的图像进行形态学处理,获得形状特征;
S424,根据形状特征与临床病理特征进行比较,获取病理特征。
作为上述实施例的优化方案,如图5所示,为提高检测的精确度,将采集标准切面超声影像输入自动测量AI模型和病理特征查找AI模型之前,先对采集超声影像进行预处理,去除噪声。
在采集步骤S402中,通过深度卷积网络提取不同尺寸下的多尺寸特征值,对图像进行分割。
在采集步骤S403中,将采集目标交并比特征的图像进行形态学处理过程包括步骤:
对采集多尺寸特征值分别进行残差处理和卷积处理;
将处理后的特征值进行降维处理;
通过特征判别处理,得到图像中的形状特征掩膜。
为配合本发明方法的实现,基于相同的发明构思,如图6所示,本发明还提供了一种基于人工智能超声影像检测系统,包括超声影像输入模块、超声影像质控分析模块、非标准切面修正模块、检测分析模块和结果输出模块;
从超声机中获取超声影像,通过超声影像输入模块进入系统;
将采集的超声影像输入超声影像质控分析模块,由质控分析AI模型进行质控分析,识别所述超声影像属于标准切面还是非标准切面;
若为非标准切面,则将非标准切面超声影像传输至非标准切面修正模块进行修正,由非标准切面修正模块中修正AI模型结合非标准切面,推测出对应的标准切面;
将所获得的标准切面输入至检测分析模块,通过自动测量AI模型和病理特征查找AI模型中的自动测量和病理特征查找功能获取辅助参考值作为检测结果;
将检测结果由结果输出模块推送给用户端,由用户进行评估辅助参考。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于人工智能超声影像检测方法,其特征在于,包括步骤:
S100,从超声机中获取超声影像;
S200,对超声影像进行质控分析,建立质控分析AI模型判断所采集超声影像属于标准切面还是非标准切面;
S300,若为非标准切面,则由修正AI模型将非标准切面推测出其对应的标准切面;
S400,对所获得的标准切面,通过自动测量AI模型和病理特征查找AI模型进行自动测量与病理分析,获取检测结果;
S500,将检测结果推送给用户端。
2.根据权利要求1所述的一种基于人工智能超声影像检测方法,其特征在于,所述超声影像在质控分析AI模型中的质控分析过程,包括步骤:
S201,通过resnet残差网络获取所述超声影像的特征值;
S202,通过FPN网络进行特征值的粗略提取后,对提取的特征值分别进行融合,形成目标检测区域;
S203,建立图形框,并通过置信度分类对每个目标检测区域均设置有独自的图形框;
S204,通过非极大值抑制算法,提取置信度最高的图形框作为识别结果;
S205,若没有形成图形框则判定该图像为非标准切面,若形成图形框则判定该图像为标准切面。
3.根据权利要求1所述的一种基于人工智能超声影像检测方法,其特征在于,对所述非标准切面进行拟合重建推测出其对应的标准切面。
4.根据权利要求3所述的一种基于人工智能超声影像检测方法,其特征在于,在所述由非标准切面进行拟合重建推测出其对应的标准切面的过程中,包括步骤:
S301,将非标准切面图像数据通过卷积网络获得高层次特征;
S302,将所述高层次特征在通过卷积网络获得中层次特征;
S303,通过高层次特征和中层次特征的差,计算得到假数据特征;
S304,将假数据特征进行上采样,获得出重建的标准切面。
5.根据权利要求1所述的一种基于人工智能超声影像检测方法,其特征在于,对所获得的标准切面,通过自动测量AI模型自动测量获取生物学参数值的过程,包括步骤:
S411,将所获得的标准切面超声影像输入自动测量AI模型进行识别;
S412,在自动测量AI模型中,通过分割网络对图像进行分割得到目标交并比特征;
S413,将所述目标交并比特征的图像进行形态学处理,获得形状特征;
S414,将形状特征进行滤波后,提取边缘;
S415,根据边缘特征,得到生物学参数值。
6.根据权利要求1所述的一种基于人工智能超声影像检测方法,其特征在于,对所获得的标准切面,通过病理特征查找AI模型找出病理特征的过程,包括步骤:
S421,将所获得的标准切面超声影像输入病理特征查找AI模型进行识别;
S422,在病理特征查找AI模型中,通过分割网络对图像进行分割得到目标交并比特征;
S423,将所述目标交并比特征的图像进行形态学处理,获得形状特征;
S424,根据形状特征与临床病理特征进行比较,获取病理特征。
7.根据权利要求5或6所述的一种基于人工智能超声影像检测方法,其特征在于,将所述标准切面超声影像输入自动测量AI模型和病理特征查找AI模型之前,先对所述超声影像进行预处理,去除噪声。
8.根据权利要求7所述的一种基于人工智能超声影像检测方法,其特征在于,通过深度卷积网络提取不同尺寸下的多尺寸特征值,对图像进行分割。
9.根据权利要求8所述的一种基于人工智能超声影像检测方法,其特征在于,将所述目标交并比特征的图像进行形态学处理过程包括步骤:
对所述多尺寸特征值分别进行残差处理和卷积处理;
将处理后的特征值进行降维处理;
通过特征判别处理,得到图像中的形状特征掩膜。
10.一种基于人工智能超声影像检测系统,其特征在于,包括超声影像输入模块、超声影像质控分析模块、非标准切面修正模块、检测分析模块和结果输出模块;
从超声机中获取超声影像,通过超声影像输入模块进入系统;
将采集的超声影像输入超声影像质控分析模块,由质控分析AI模型进行质控分析,识别所述超声影像属于标准切面还是非标准切面;
若为非标准切面,则将非标准切面超声影像传输至非标准切面修正模块进行修正,由非标准切面修正模块中修正AI模型结合非标准切面,推测出对应的标准切面;
将所获得的标准切面输入至检测分析模块,通过自动测量AI模型和病理特征查找AI模型自动测量和病理特征查找功能,获取辅助参考值作为检测结果;
将检测结果由结果输出模块推送给用户端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910412267.4A CN110111329B (zh) | 2019-05-17 | 2019-05-17 | 一种基于人工智能超声影像检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910412267.4A CN110111329B (zh) | 2019-05-17 | 2019-05-17 | 一种基于人工智能超声影像检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110111329A true CN110111329A (zh) | 2019-08-09 |
CN110111329B CN110111329B (zh) | 2021-05-11 |
Family
ID=67490832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910412267.4A Active CN110111329B (zh) | 2019-05-17 | 2019-05-17 | 一种基于人工智能超声影像检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110111329B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110464380A (zh) * | 2019-09-12 | 2019-11-19 | 李肯立 | 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 |
CN111310851A (zh) * | 2020-03-03 | 2020-06-19 | 四川大学华西第二医院 | 一种人工智能超声辅助系统及其应用 |
CN111798967A (zh) * | 2020-07-18 | 2020-10-20 | 贵州精准健康数据有限公司 | 一种智慧超声检测系统 |
CN111833993A (zh) * | 2020-07-18 | 2020-10-27 | 贵州精准健康数据有限公司 | 一种基于ai的区域影像远程质控管理系统 |
CN112070119A (zh) * | 2020-08-11 | 2020-12-11 | 长沙大端信息科技有限公司 | 超声切面图像质量控制方法、装置和计算机设备 |
CN113035329A (zh) * | 2021-03-22 | 2021-06-25 | 杭州联众医疗科技股份有限公司 | 一种医学影像质控系统 |
CN113558661A (zh) * | 2021-08-11 | 2021-10-29 | 成都脉讯科技有限公司 | 产前超声ai智能化质控系统 |
CN113741209A (zh) * | 2021-09-27 | 2021-12-03 | 成都脉讯科技有限公司 | 妇产科ai智能化质控系统 |
WO2022062456A1 (zh) * | 2020-09-24 | 2022-03-31 | 广州爱孕记信息科技有限公司 | 胎儿超声影像的检测结果的输出控制方法、装置及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101658432A (zh) * | 2008-08-29 | 2010-03-03 | 株式会社东芝 | 超声波诊断装置、超声波图像处理装置以及超声波图像处理方法 |
CN106408566A (zh) * | 2016-11-10 | 2017-02-15 | 深圳大学 | 一种胎儿超声图像质量控制方法及系统 |
CN108710919A (zh) * | 2018-05-25 | 2018-10-26 | 东南大学 | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 |
CN108804547A (zh) * | 2018-05-18 | 2018-11-13 | 深圳华声医疗技术股份有限公司 | 超声图像教学方法、装置及计算机可读存储介质 |
CN109064405A (zh) * | 2018-08-23 | 2018-12-21 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种基于双路径网络的多尺度图像超分辨率方法 |
CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 |
CN109345527A (zh) * | 2018-09-28 | 2019-02-15 | 广西师范大学 | 一种基于MaskRcnn的膀胱肿瘤检测方法 |
CN109410337A (zh) * | 2017-08-15 | 2019-03-01 | 北京蜂鸟互动科技有限公司 | 一种基于vr模型的人工智能医疗系统实现方法、系统 |
CN109498061A (zh) * | 2018-12-27 | 2019-03-22 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法、装置、设备及计算机可读存储介质 |
CN109646046A (zh) * | 2018-12-29 | 2019-04-19 | 深圳开立生物医疗科技股份有限公司 | 应用于超声医疗设备的智能分析方法及相关设备 |
-
2019
- 2019-05-17 CN CN201910412267.4A patent/CN110111329B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101658432A (zh) * | 2008-08-29 | 2010-03-03 | 株式会社东芝 | 超声波诊断装置、超声波图像处理装置以及超声波图像处理方法 |
CN106408566A (zh) * | 2016-11-10 | 2017-02-15 | 深圳大学 | 一种胎儿超声图像质量控制方法及系统 |
CN109410337A (zh) * | 2017-08-15 | 2019-03-01 | 北京蜂鸟互动科技有限公司 | 一种基于vr模型的人工智能医疗系统实现方法、系统 |
CN108804547A (zh) * | 2018-05-18 | 2018-11-13 | 深圳华声医疗技术股份有限公司 | 超声图像教学方法、装置及计算机可读存储介质 |
CN108710919A (zh) * | 2018-05-25 | 2018-10-26 | 东南大学 | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 |
CN109064405A (zh) * | 2018-08-23 | 2018-12-21 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种基于双路径网络的多尺度图像超分辨率方法 |
CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 |
CN109345527A (zh) * | 2018-09-28 | 2019-02-15 | 广西师范大学 | 一种基于MaskRcnn的膀胱肿瘤检测方法 |
CN109498061A (zh) * | 2018-12-27 | 2019-03-22 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法、装置、设备及计算机可读存储介质 |
CN109646046A (zh) * | 2018-12-29 | 2019-04-19 | 深圳开立生物医疗科技股份有限公司 | 应用于超声医疗设备的智能分析方法及相关设备 |
Non-Patent Citations (1)
Title |
---|
秦天天: "基于CNN的医学超声图像超分辨率研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110464380A (zh) * | 2019-09-12 | 2019-11-19 | 李肯立 | 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 |
CN111310851A (zh) * | 2020-03-03 | 2020-06-19 | 四川大学华西第二医院 | 一种人工智能超声辅助系统及其应用 |
CN111798967A (zh) * | 2020-07-18 | 2020-10-20 | 贵州精准健康数据有限公司 | 一种智慧超声检测系统 |
CN111833993A (zh) * | 2020-07-18 | 2020-10-27 | 贵州精准健康数据有限公司 | 一种基于ai的区域影像远程质控管理系统 |
CN111833993B (zh) * | 2020-07-18 | 2024-04-19 | 贵州精准健康数据有限公司 | 一种基于ai的区域影像远程质控管理系统 |
CN112070119A (zh) * | 2020-08-11 | 2020-12-11 | 长沙大端信息科技有限公司 | 超声切面图像质量控制方法、装置和计算机设备 |
WO2022062456A1 (zh) * | 2020-09-24 | 2022-03-31 | 广州爱孕记信息科技有限公司 | 胎儿超声影像的检测结果的输出控制方法、装置及系统 |
CN113035329A (zh) * | 2021-03-22 | 2021-06-25 | 杭州联众医疗科技股份有限公司 | 一种医学影像质控系统 |
CN113558661A (zh) * | 2021-08-11 | 2021-10-29 | 成都脉讯科技有限公司 | 产前超声ai智能化质控系统 |
CN113741209A (zh) * | 2021-09-27 | 2021-12-03 | 成都脉讯科技有限公司 | 妇产科ai智能化质控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110111329B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111329A (zh) | 一种基于人工智能超声影像检测方法及系统 | |
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
WO2020024127A1 (zh) | 骨龄评估与身高预测模型、其系统及其预测方法 | |
CN101403743B (zh) | 一种x型交叠、粘连染色体自动分割方法 | |
CN113781440B (zh) | 超声视频病灶检测方法及装置 | |
US8958621B2 (en) | Corneal graft evaluation based on optical coherence tomography image | |
EP3901816A1 (en) | Glaucoma image recognition method and device and screening system | |
CN109697716B (zh) | 青光眼图像识别方法、设备和筛查系统 | |
CN102860814B (zh) | 一种oct合成眼底图视盘中心定位方法及设备 | |
CN108615239A (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
CN108961242A (zh) | 一种荧光染色图像ctc智能识别方法 | |
JPWO2017221592A1 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN111340780B (zh) | 一种基于三维超声图像的病灶检测方法 | |
CN115345876A (zh) | 一种基于超声图像的螺栓螺纹缺陷检测方法 | |
CN111754485A (zh) | 一种用于肝脏的人工智能超声辅助系统 | |
CN111105874A (zh) | 一种舌象特征标注方法、装置、计算机设备及存储介质 | |
CN108629780A (zh) | 基于颜色分解和阈值技术的舌图像分割方法 | |
CN116823701A (zh) | 基于ai的医学影像分析处理方法 | |
CN109035272A (zh) | 基于ct图像的肺分割方法、装置及计算机可读存储介质 | |
WO2022084286A1 (en) | Method and system for segmenting and identifying at least one tubular structure in medical images | |
CN113100742A (zh) | 乳腺mr影像智能诊断方法、装置及设备 | |
Khan et al. | Automatic measurement of biparietal diameter with a portable ultrasound device | |
CN110246125A (zh) | 基于abus冠状面图像的乳头位置自动检测方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Luo Hong Inventor after: Zhang Bo Inventor after: Chen Xin Inventor after: Li Kejun Inventor after: Xie Peng Inventor before: Luo Hong Inventor before: Zhang Bo Inventor before: Li Kejun Inventor before: Xie Peng |