CN111105873B - 经内镜逆行胰胆管造影术中辅助诊断和测量方法及系统 - Google Patents
经内镜逆行胰胆管造影术中辅助诊断和测量方法及系统 Download PDFInfo
- Publication number
- CN111105873B CN111105873B CN201911347874.3A CN201911347874A CN111105873B CN 111105873 B CN111105873 B CN 111105873B CN 201911347874 A CN201911347874 A CN 201911347874A CN 111105873 B CN111105873 B CN 111105873B
- Authority
- CN
- China
- Prior art keywords
- bile duct
- narrow section
- calculus
- segmentation model
- width
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1076—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions inside body cavities, e.g. using catheters
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10068—Endoscopic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Dentistry (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Endoscopes (AREA)
Abstract
本发明公开了一种经内镜逆行胰胆管造影术中辅助诊断和测量方法,包括以下步骤:S1、获取经内镜逆行胰胆管术中的透视图像;S2、将透视图像输入到训练好的联合分割模型中,分割出胆管和结石;S3、采用基于几何建模的横径测量法测量胆管下段宽度和结石的宽度;S4、将透视图像输入到预先训练好的胆管狭窄段分割模型,分割出胆总管的狭窄段;S5、测量狭窄段长度和狭窄段到胆总管末端的长度。本发明通过神经网络建立联合分割模型识别胆管和结石,以及通过胆管狭窄段分割模型分割出胆总管的狭窄段,进而测量胆管结石的大小、胆管下段的宽度以及胆管狭窄段长度、胆管狭窄段到胆管末端的长度,通过测量的结果可辅助医生诊断胆管结石和胆管狭窄。
Description
技术领域
本发明属于医学图像处理技术领域,涉及一种经内镜逆行胰胆管造影术中辅助诊断和测量系统及方法,具体涉及一种基于深度学习的图像分割技术在经内镜逆行胰胆管造影术中辅助诊断和测量系统及方法。
背景技术
胆总管结石是一种常见的消化系统疾病,易引起胰腺炎、胆囊炎、胆管炎等并发症,严重时可危及生命。胆总管狭窄也是常见的胆道系统疾病之一,内镜下支架置入引流是常见的微创诊疗方法。经内镜逆行胰胆管造影术是一种常见的胆总管结石及狭窄的诊断及治疗方法,由于其较多的并发症以及对操作者较高的技术要求,现在常用于胆总管结石或胆管狭窄的治疗。其中,胆管结石的大小、胆管下段的宽度以及胆管狭窄段长度、胆管狭窄段到胆管末端的长度等对于手术方式和手术器械的选择至关重要。
目前经内镜逆行胰胆管造影术所使用的仪器需要医生手动测量胆管结石的大小、胆管下段的宽度以及胆管狭窄段长度、胆管狭窄段到胆管末端的长度等,这样既分散医生手术中的注意力,操作麻烦,相对来说测量结果不够精确。这将影响医生对经内镜逆行胰胆管造影术术中材料附件的选择的正确性,可能增加手术操作的复杂性,从而可能增加手术并发症。
发明内容
本发明为了解决的是在经内镜逆行胰胆管造影术中医生手动测量结石直径、狭窄长度不准确的问题,提供了一种经内镜逆行胰胆管造影术中辅助诊断和测量方法及系统。
本发明解决其技术问题所采用的技术方案是:
提供一种经内镜逆行胰胆管造影术中辅助诊断和测量方法,包括以下步骤:
S1、获取经内镜逆行胰胆管术中的透视图像;
S2、将透视图像输入到训练好的联合分割模型中,分割出胆管和结石;
S3、采用基于几何建模的横径测量法测量胆管下段宽度和结石的宽度;
S4、通过预先训练好的胆管狭窄段分割模型,分割出胆总管的狭窄段;
S5、测量狭窄段长度和狭窄段到胆总管末端的长度。
接上述技术方案,步骤S5中具体通过数学形态学方法将分割出的狭窄段和狭窄段到胆总管末端的部分细化成一个像素宽度,分别统计两部分的像素个数,得到狭窄段和狭窄段到胆总管末端的长度。
接上述技术方案,所述联合分割模型的训练过程为:
筛选出多幅经内镜逆行胰胆管造影术中显影充分的图像,将图像中的胆管和结石轮廓标记出来,将标记后的图像转换为二值图,将原始图像和二值图输入预先建立的联合训练分割模型中进行训练学习,获得胆管和结石的分割模型。
接上述技术方案,步骤S3具体为:将分割出的胆管和结石的图像二值化,获得轮廓图,通过Andrew凸包算法计算凸包,并通过旋转卡壳法计算最远点,进而获得胆管下段宽度和结石的宽度。
接上述技术方案,所述联合分割模型的前端采用D-LinkNet网络结构识别胆管,后端连接U-Net网络结构识别结石。
接上述技术方案,所述胆管狭窄段分割模型的建立过程为:
利用D-LinkNet网络结构建立D-LinkNet模型;
获取经内镜逆行胰胆管造影术中显影充分的胆管狭窄段图像,并对胆管狭窄段进行标记,将标记后的图像转换为二值图,将原图与二值图输入D-LinkNet模型进行训练学习,获得胆管狭窄段分割模型。
本发明还提供了一种经内镜逆行胰胆管造影术中辅助诊断和测量系统,包括:
图像获取模块,获取经内镜逆行胰胆管术中的透视图像;
胆管和结石分割模块,用于将透视图像输入到训练好的联合分割模型中,分割出胆管和结石;
宽度测量模块,用于采用基于几何建模的横径测量法测量胆管下段宽度和结石的宽度;
狭窄段分割模块,用于通过预先训练好的胆管狭窄段分割模型,分割出胆总管的狭窄段;
长度测量模块,用于测量狭窄段长度和狭窄段到胆总管末端的长度。
接上述技术方案,所述狭窄段分割模块具体通过数学形态学方法将分割出的狭窄段和狭窄段到胆总管末端的部分细化成一个像素宽度,分别统计两部分的像素个数,得到狭窄段和狭窄段到胆总管末端的长度。
接上述技术方案,所述联合分割模型前端采用D-LinkNet网络结构识别胆管,后端连接U-Net网络结构识别结石。
本发明还提供了计算机存储介质,其内存储有可被计算机处理器执行的计算机程序,该计算机程序执行上述技术方案的经内镜逆行胰胆管造影术中辅助诊断和测量方法。
本发明产生的有益效果是:本发明通过神经网络建立联合分割模型识别胆管和结石,以及通过胆管狭窄段分割模型分割出胆总管的狭窄段,进而测量胆管结石的大小、胆管下段的宽度以及胆管狭窄段长度、胆管狭窄段到胆管末端的长度,通过测量的结果可辅助医生诊断胆管结石和胆管狭窄。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例经内镜逆行胰胆管造影术中辅助诊断和测量方法流程图;
图2是本发明实施例经内镜逆行胰胆管造影术中辅助诊断和测量系统结构框图;
图3是本发明实施例原始的经内镜逆行胰胆管造影术中经过充分显影的示图;
图4是本发明实施例分割出的胆管示意图;
图5是本发明实施例预分割出的结石示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明将基于深度学习的图像分割应用到经内镜逆行胰胆管造影中的辅助诊断胆总管结石、胆总管狭窄与病变长度的测量中去,构建辅助诊断与测量模型,帮助医生选择合适的手术方式和手术材料配件。
如图1所示,经内镜逆行胰胆管造影术中辅助诊断和测量方法包括以下步骤:
S1、获取经内镜逆行胰胆管术中的透视图像;
S2、将透视图像输入到训练好的联合分割模型中,分割出胆管和结石;
S3、采用基于几何建模的横径测量法测量胆管下段宽度和结石的宽度;
S4、将透视图像输入到预先训练好的胆管狭窄段分割模型,分割出胆总管的狭窄段;
S5、测量狭窄段长度和狭窄段到胆总管末端的长度。
本发明实施例中,如图3所示,为经内镜逆行胰胆管造影术中经过充分显影的示图,包括胆管1、结石2,以及胃镜3。
进一步地,本发明的一个实施例中,步骤S2具体包括以下步骤:
S21、依据胆管和结石样本建立联合训练分割模型,分割出胆管和结石,如图4所示,分割出胆管1’和结石2’;
S22、利用深度学习技术构建胆管和结石一体化的联合分割模型,首先回顾性(收取从现在往前保存的资料数据)获取经内镜逆行胰胆管造影术中显影充分的胆管结石图片,可由多名高级消化内镜医师先进行胆管和结石的轮廓的标记,标记后的图像经转换获得二值图,将原图与转换好的二值图输入一体化的联合训练分割模型进行训练学习,获得胆管和结石分割模型。模型通过联合学习方法进行训练,联合训练的概念为在最终的输出中,将两个任务的损失函数相加,然后使用同一个优化函数,这样训练较快,且对于同一个数据集要求其输出有两个相关性的任务输出,联合学习是比较合适的;且联合学习对于任务具有一定的相关性是好处的。本发明实例中结石分割与胆管分割互相关联,通过联合训练可以优化两个分割任务的分割效果。模型前端课采用D-LinkNet网络结构识别胆管,网络后端连接U-Net网络结构识别结石,两个任务级联优化,相互约束,相互促进,对于这样一个深度学习框架,输入一幅影像,可以同时输出胆管和结石的分割结果。
步骤S3中可通过采用基于几何建模的横径测量法进行相关参数的测量,即测量胆管下段宽度和结石的宽度。
将分割出的灰度图二值化,再进而获得轮廓图,通过Andrew凸包算法计算凸包和旋转卡壳法计算最远点,进而获得胆管下段宽度和结石的宽度。步骤S4中建立胆管狭窄的分割模型的过程具体为;
利用D-LinkNet网络结构建立狭窄分割模型,首先回顾性获取经内镜逆行胰胆管造影术中显影充分的胆管狭窄段图片,由多名高级消化内镜医师进行胆管狭窄段进行标记,标记后的图像经转换获得二值图,将原图与转换好的二值图输入D-LinkNet模型进行训练学习,获得需要的狭窄分割模型。由于狭窄正样本较少,网络训练中采用样本平衡技术,使网络往正确的方向优化,以分割出狭窄段和狭窄段到胆总管末端的结果
步骤S5中可通过数学形态学方法将分割出狭窄段和狭窄段到胆总管末端的部分细化成一个像素宽度,分别统计两部分的像素个数,得到狭窄段和狭窄段到胆总管末端的长度。
最后可输出参数测量结果大于零的数值及名称。
请见图2,本发明实施例经内镜逆行胰胆管造影术中辅助诊断和测量系统,包括:
图像获取模块,获取经内镜逆行胰胆管术中的透视图像;
胆管和结石分割模块,用于将透视图像输入到训练好的联合分割模型中,分割出胆管和结石;
宽度测量模块,用于采用基于几何建模的横径测量法测量胆管下段宽度和结石的宽度;
狭窄段分割模块,用于通过预先训练好的胆管狭窄段分割模型,分割出胆总管的狭窄段;
长度测量模块,用于测量狭窄段长度和狭窄段到胆总管末端的长度。
该系统还可以包括参数结果输出模块,用于输出目标参数的测量结果,同时根据输出参数结果提醒医生选用合适的手术配件。为了使结果的展示更为方便简洁,可先自动过滤掉测量结果为0的数据,保留有意义的数据输出到展示界面。
本发明还提供了一种计算机存储介质,其内存储有可被计算机处理器执行的计算机程序,该计算机程序执行上述实施例的经内镜逆行胰胆管造影术中辅助诊断和测量方法。
本发明可解决经内镜逆行胰胆管造影术中医生手动测量胆管结石的大小、胆管下段的宽度以及胆管狭窄段长度、胆管狭窄段到胆管末端的长度不准确的问题,同时可辅助医生诊断胆管结石和胆管狭窄。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种经内镜逆行胰胆管造影术中辅助诊断和测量方法,其特征在于,包括以下步骤:
S1、获取经内镜逆行胰胆管术中的透视图像;
S2、将透视图像输入到训练好的联合分割模型中,分割出胆管和结石;所述联合分割模型的前端用于识别胆管,后端用于识别结石;
S3、采用基于几何建模的横径测量法测量胆管下段宽度和结石的宽度;具体将分割出的胆管和结石的图像二值化,获得轮廓图,通过Andrew凸包算法计算凸包,并通过旋转卡壳法计算最远点,进而获得胆管下段宽度和结石的宽度;
S4、将透视图像输入到预先训练好的胆管狭窄段分割模型,分割出胆总管的狭窄段;
S5、测量狭窄段长度和狭窄段到胆总管末端的长度。
2.根据权利要求1所述的经内镜逆行胰胆管造影术中辅助诊断和测量方法,其特征在于,步骤S5中具体通过数学形态学方法将分割出的狭窄段和狭窄段到胆总管末端的部分细化成一个像素宽度,分别统计两部分的像素个数,得到狭窄段和狭窄段到胆总管末端的长度。
3.根据权利要求1所述的经内镜逆行胰胆管造影术中辅助诊断和测量方法,其特征在于,所述联合分割模型的训练过程为:
筛选出多幅经内镜逆行胰胆管造影术中显影充分的图像,将图像中的胆管和结石轮廓标记出来,将标记后的图像转换为二值图,将原始图像和二值图输入预先建立的联合训练分割模型中进行训练学习,获得胆管和结石的分割模型。
4.根据权利要求1所述的经内镜逆行胰胆管造影术中辅助诊断和测量方法,其特征在于,所述联合分割模型的前端采用D-LinkNet网络结构识别胆管,后端连接U-Net网络结构识别结石。
5.根据权利要求1所述的经内镜逆行胰胆管造影术中辅助诊断和测量方法,其特征在于,所述胆管狭窄段分割模型的建立过程为:
利用D-LinkNet网络结构建立D-LinkNet模型;
获取经内镜逆行胰胆管造影术中显影充分的胆管狭窄段图像,并对胆管狭窄段进行标记,将标记后的图像转换为二值图,将原图与二值图输入D-LinkNet模型进行训练学习,获得胆管狭窄段分割模型。
6.一种经内镜逆行胰胆管造影术中辅助诊断和测量系统,其特征在于,包括:
图像获取模块,获取经内镜逆行胰胆管术中的透视图像;
胆管和结石分割模块,用于将透视图像输入到训练好的联合分割模型中,分割出胆管和结石;所述联合分割模型的前端用于识别胆管,后端用于识别结石;
宽度测量模块,用于采用基于几何建模的横径测量法测量胆管下段宽度和结石的宽度;具体将分割出的胆管和结石的图像二值化,获得轮廓图,通过Andrew凸包算法计算凸包,并通过旋转卡壳法计算最远点,进而获得胆管下段宽度和结石的宽度;
狭窄段分割模块,用于通过预先训练好的胆管狭窄段分割模型,分割出胆总管的狭窄段;
长度测量模块,用于测量狭窄段长度和狭窄段到胆总管末端的长度。
7.根据权利要求6所述的经内镜逆行胰胆管造影术中辅助诊断和测量系统,其特征在于,所述狭窄段分割模块具体通过数学形态学方法将分割出的狭窄段和狭窄段到胆总管末端的部分细化成一个像素宽度,分别统计两部分的像素个数,得到狭窄段和狭窄段到胆总管末端的长度。
8.根据权利要求6所述的经内镜逆行胰胆管造影术中辅助诊断和测量系统,其特征在于,所述联合分割模型前端采用D-LinkNet网络结构识别胆管,后端连接U-Net网络结构识别结石。
9.一种计算机存储介质,其特征在于,其内存储有可被计算机处理器执行的计算机程序,该计算机程序执行如权利要求1-5中任一项所述的经内镜逆行胰胆管造影术中辅助诊断和测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911347874.3A CN111105873B (zh) | 2019-12-24 | 2019-12-24 | 经内镜逆行胰胆管造影术中辅助诊断和测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911347874.3A CN111105873B (zh) | 2019-12-24 | 2019-12-24 | 经内镜逆行胰胆管造影术中辅助诊断和测量方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111105873A CN111105873A (zh) | 2020-05-05 |
CN111105873B true CN111105873B (zh) | 2023-03-24 |
Family
ID=70423412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911347874.3A Active CN111105873B (zh) | 2019-12-24 | 2019-12-24 | 经内镜逆行胰胆管造影术中辅助诊断和测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105873B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469941B (zh) * | 2021-05-27 | 2022-11-08 | 武汉楚精灵医疗科技有限公司 | 一种在超声胆胰管检查中胆胰管宽度的测量方法 |
CN114176775B (zh) * | 2022-02-16 | 2022-05-10 | 武汉大学 | Ercp选择性胆管插管的校验方法、装置、设备及介质 |
CN114494247B (zh) * | 2022-04-01 | 2022-06-21 | 武汉大学 | 齿状线分割方法、装置、计算机设备及存储介质 |
CN114612475B (zh) * | 2022-05-12 | 2022-09-23 | 青岛美迪康数字工程有限公司 | 胆管支架规格选择方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100575864C (zh) * | 2007-07-17 | 2009-12-30 | 天津大学 | 一种基于全局标定约束的三维拼接匹配点选取方法 |
EP2827298A1 (en) * | 2013-07-16 | 2015-01-21 | Universitätsklinikum Jena | Method and computer program for filtering and particularly segmenting and/or analyzing anatomic structures in a digital image |
CN105657720A (zh) * | 2016-01-21 | 2016-06-08 | 杜长征 | 一种微创保胆手术粘膜结石取出系统 |
GB2549459B (en) * | 2016-04-12 | 2020-06-03 | Perspectum Diagnostics Ltd | Method and apparatus for generating quantitative data for biliary tree structures |
CN110310280B (zh) * | 2019-07-10 | 2021-05-11 | 广东工业大学 | 肝胆管及结石的图像识别方法、系统、设备及存储介质 |
CN110458246A (zh) * | 2019-08-27 | 2019-11-15 | 上海理工大学 | 一种基于深度学习的胆道结石分类方法 |
-
2019
- 2019-12-24 CN CN201911347874.3A patent/CN111105873B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111105873A (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111105873B (zh) | 经内镜逆行胰胆管造影术中辅助诊断和测量方法及系统 | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
US10957043B2 (en) | AI systems for detecting and sizing lesions | |
JP4855868B2 (ja) | 医療用画像処理装置 | |
JP5276225B2 (ja) | 医用画像処理装置及び医用画像処理装置の作動方法 | |
JP2016531709A (ja) | 疾患を診断するための画像解析技術 | |
JP5326064B2 (ja) | 画像処理装置 | |
CN113017702B (zh) | 超声内镜小探头伸出长度的识别方法、系统及存储介质 | |
CN110288698B (zh) | 基于mri的半月板三维重建系统 | |
CN107481254A (zh) | 医学图像的处理方法、装置、介质和电子设备 | |
CN104318565B (zh) | 基于等梯度距离的双向区域增长的视网膜血管分割交互式方法 | |
JP7148534B2 (ja) | 画像処理装置、プログラム、及び内視鏡システム | |
Tran et al. | Support of deep learning to classify vocal fold images in flexible laryngoscopy | |
WO2019087969A1 (ja) | 内視鏡システム、報知方法、及びプログラム | |
CN113192099A (zh) | 一种组织提取方法、装置、设备和介质 | |
CN114730478A (zh) | 用于处理电子医学图像以确定增强的电子医学图像的系统和方法 | |
Bernal et al. | Towards intelligent systems for colonoscopy | |
CN114612373A (zh) | 一种图像识别方法及服务器 | |
CN112734701A (zh) | 眼底病灶检测方法、检测装置及终端设备 | |
Arlis et al. | Development of Mastoid Air Cell System Extraction Method on Temporal CT-scan Image | |
WO2024185357A1 (ja) | 医療支援装置、内視鏡システム、医療支援方法、及びプログラム | |
WO2024190272A1 (ja) | 医療支援装置、内視鏡システム、医療支援方法、及びプログラム | |
CN116863469B (zh) | 一种基于深度学习的手术解剖部位识别标注方法 | |
WO2024185468A1 (ja) | 医療支援装置、内視鏡システム、医療支援方法、及びプログラム | |
CN116433874B (zh) | 支气管镜导航方法、装置、设备及存储介质 |
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 |