CN111275706B - 一种基于剪切波弹性成像超声组学深度分析方法及系统 - Google Patents
一种基于剪切波弹性成像超声组学深度分析方法及系统 Download PDFInfo
- Publication number
- CN111275706B CN111275706B CN202010143351.3A CN202010143351A CN111275706B CN 111275706 B CN111275706 B CN 111275706B CN 202010143351 A CN202010143351 A CN 202010143351A CN 111275706 B CN111275706 B CN 111275706B
- Authority
- CN
- China
- Prior art keywords
- shear wave
- ultrasonic
- histology
- elastic
- image
- 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
- 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
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于剪切波弹性成像超声组学深度分析方法及系统,所述方法包括:针对不同疾病,利用超声医学声学经验获取标准化剪切波弹性图像;针对相应疾病模型,利用剪切波图像获取所在器官相应弹性超声组学数据;将所述弹性超声组学数据输入训练好的深度学习网络,并根据所述弹性超声组学数据调整神经元的连接权重、配比卷积和池化层,得到调整后的弹性超声组学数据,通过深度学习获取每个病变的分类评分;基于患者临床信息,检验指标,对结果深度学习弹性分类评分,通过机器学习分析,构建深度分析决策系统。本发明能够提高边界数据获取的可重复性及图像分析的适应性,并构建深度分析决策系统提高辅助分析结果的准确性。
Description
技术领域
本发明涉及人工智能辅助决策领域,特别是涉及一种基于剪切波弹性成像超声组学深度分析方法及系统。
背景技术
剪切波成像技术是通过发射连续聚焦的声辐射力脉冲,对被聚焦部位的组织粒子组织产生横向剪切波,再通过超高速成像系统采集剪切波,以彩色编码技术获得实时弹性图像及杨氏模量值。彩色编码图像中以红色表示较硬组织、以蓝色表示较软组织。杨氏模量值则是由公式E=3ρc2(E为杨氏模量,c表示剪切波传播速度,ρ表示组织密度)计算而来,单位为kPa,反映组织硬度。恶性肿瘤组织由于细胞增殖过快,血液丰富,纤维组织过度增生,通常组织硬度高于良性病变,且不同种类的病变成其硬度也有一定程度的差异。因此,利用目前的剪切波成像技术测量组织的杨氏模量值,能一定程度上辅助疾病诊断。
目前剪切波成像技术通过选取一个感兴趣区域(Region of interest,ROI),可获得该区域的最大、最小、平均及标准差杨氏模量值,但存在以下缺点:(1)从一个单一的硬度值做出诊断具有一定的片面性,而且不同病变间的硬度值范围可能存在重叠区域而导致诊断困难;(2)由于最小值、平均值、标准差都对ROI的面积影响较大,为保证ROI的可重复性,通常选取较小的ROI,但由此降低剪切波弹性图像的利用率。因此剪切波成像技术的结果分析及呈现手法仍有改善空间。
发明内容
本发明的目的在于提供一种基于剪切波弹性成像超声组学深度分析方法及系统,能够提高边界数据获取的可重复性及图像分析的适应性,并构建深度分析决策系统提高辅助分析结果的准确性。
为了克服上述现有技术中的缺陷,本发明实施例提供一种基于剪切波弹性成像超声组学深度分析方法,包括:
步骤S11,针对不同疾病,利用超声医学声学经验获取标准化剪切波弹性图像;
步骤S12,针对相应疾病模型,利用剪切波图像获取所在器官相应弹性超声组学数据;
步骤S13,将所述弹性超声组学数据输入训练好的深度学习网络,并根据所述弹性超声组学数据调整神经元的连接权重、配比卷积和池化层,得到调整后的弹性超声组学数据,通过深度学习获取每个病变的分类评分;
步骤S14,基于患者临床信息,检验指标,对结果深度学习弹性分类评分,通过机器学习分析,构建深度分析决策系统。
优选地,所述步骤S11中,获取标准化剪切波弹性图像包括:
获取浅表占位病变标准图像,将超声探头轻置于病变表面,使切面为病变病灶最大切面,切换至剪切波弹性成像模式,使剪切波弹性成像取样框包含整个病灶,获取剪切波弹性成像彩色区域充满整个取样框;
获取腹部实质器官占位病变标准图像,将超声探头轻置于病变表面,使切面为病变病灶最大切面,切换至剪切波弹性成像模式,使剪切波弹性成像取样框包含整个病灶,获取剪切波弹性成像彩色区域大于整个取样框的三分之二。
优选地,所述步骤S12中,弹性超声组学数据包括纹理转换特征、灰度分布、转换矩阵特征以及滤过转换特征。
优选地,所述剪切波弹性成像取样框内全病灶的边缘为感兴趣区域;
对所述剪切波图像的处理包括将彩色剪切波图像分解为RGB三通道灰阶图像,连同原彩色剪切波图像,分别获取弹性超声组学数据。
优选地,所述步骤S13中,所述深度学习及所述深度学习的衍生算法包括CNN、RNN、迁移学习、GAN、基于GAN的迁移学习。
优选地,所述步骤S13中,所述深度学习网络的训练方法包括:
采集相应的弹性超声组学数据,输入卷积神经网络后,提取对应的特征图层;
通过卷积运算,增加偏置,激活函数输出对所述特征图层进行处理,并通过全连接层对所述特征图层进行调整分类后,通过反向传播算法和随机梯度下降法,训练深度学习网络。
优选地,所述步骤S14中,所述患者相关临床信息及所述检验指标包括:
与疾病相关的临床基本信息、实验室检查数据、病理组织结果、基因组学及蛋白组学信息、放化疗敏感性。
优选地,所述机器学习分析采用以下模型:逻辑回归法、决策树、Adaboost、支持向量机。
本发明实施例还提供一种基于剪切波弹性成像超声组学深度分析系统,包括:
标准化剪切波弹性图像获取模块,用于针对不同疾病,利用超声医学声学经验获取标准化剪切波弹性图像;
弹性超声组学数据获取模块,用于针对相应疾病模型,利用剪切波图像获取所在器官相应弹性超声组学数据;
深度学习模块,用于将所述弹性超声组学数据输入训练好的深度学习网络,并根据所述弹性超声组学数据调整神经元的连接权重、配比卷积和池化层,得到调整后的弹性超声组学数据,通过深度学习获取每个病变的分类评分;
机器学习分析模块,用于基于患者临床信息,检验指标,对结果深度学习弹性分类评分,通过机器学习分析,构建深度分析决策系统。
实施本发明实施例,具有如下有益效果:
本发明实施例提供的一种基于剪切波弹性成像超声组学深度分析方法及系统,所述方法包括:针对不同疾病,利用超声医学声学经验获取标准化剪切波弹性图像;针对相应疾病模型,利用剪切波图像获取所在器官相应弹性超声组学数据;将所述弹性超声组学数据输入训练好的深度学习网络,并根据所述弹性超声组学数据调整神经元的连接权重、配比卷积和池化层,得到调整后的弹性超声组学数据,通过深度学习获取每个病变的分类评分;基于患者临床信息,检验指标,对结果深度学习弹性分类评分,通过机器学习分析,构建深度分析决策系统。本发明实施例能够提高边界数据获取的可重复性及图像分析的适应性,并构建深度分析决策系统提高辅助分析结果的准确性。
附图说明
图1是本发明一个实施例提供的基于剪切波弹性成像超声组学深度分析方法的流程示意图;
图2是本发明一个实施例提供的基于剪切波弹性成像超声组学深度分析系统的结构示意图。
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他实施例,都属于本发明保护的范围。
请参阅图1。
一种基于剪切波弹性成像超声组学深度分析方法,包括:
步骤S11,针对不同疾病,利用超声医学声学经验获取标准化剪切波弹性图像。
优选地,所述步骤S11中,获取标准化剪切波弹性图像包括:
获取浅表占位病变标准图像,将超声探头轻置于病变表面,使切面为病变病灶最大切面,切换至剪切波弹性成像模式,使剪切波弹性成像取样框包含整个病灶,获取剪切波弹性成像彩色区域充满整个取样框。
具体的,浅表占位病变标准图像获取:将超声探头轻置于病变表面,使切面为病变病灶最大切面。嘱患者放松,尽量屏气,切换至SWE模式,使SWE取样框尽量包含整个病灶。获取SWE彩色区域充满整个取样框。
在具体的实施例当中,基于病变部位,获取剪切波弹性超声图像。弹性超声图像内容的来源可以但限于从甲状腺、乳腺、淋巴结、睾丸、肝脏、肾脏、胰腺、脾脏、子宫及附件、胃肠组织、肌骨神经组织、胎儿中获取。
使用Aixplorer Ultrasound system(SuperSonicImagine,Aix-en-Provence,France)获取剪切波弹性超声图像,超声数据的存储格式为:医学数字成像和通信来源(Digital Imaging and Communications in Medicine)数据格式。
获取腹部实质器官占位病变标准图像,将超声探头轻置于病变表面,使切面为病变病灶最大切面,切换至剪切波弹性成像模式,使剪切波弹性成像取样框包含整个病灶,获取剪切波弹性成像彩色区域大于整个取样框的三分之二。
具体的,腹部实质器官占位病变标准图像获取:嘱患者摆放基于病变部位相应检查体位,超声探头找到病灶最大切面,嘱患者屏气,切换至SWE模式,使SWE取样框尽量包含整个病灶,同时避开心脏、大血管,获取SWE彩色区域大于整个取样框的三分之二。
步骤S12,针对相应疾病模型,利用剪切波图像获取所在器官相应弹性超声组学数据。
优选地,所述步骤S12中,弹性超声组学数据包括纹理转换特征、灰度分布、转换矩阵特征以及滤过转换特征。
具体的,弹性超声组学数据包括主要反映以下特征但不仅限于以下特征:纹理转换特征(wavelet transformed matrix texture)、灰度分布(gray-level histogram)、转换矩阵特征(transformed matrix texture)以及滤过转换特征(filter transformedtexture)。
优选地,所述剪切波弹性成像取样框内全病灶的边缘为感兴趣区域。
对所述剪切波图像的处理包括将彩色剪切波图像分解为RGB三通道灰阶图像,连同原彩色剪切波图像,分别获取弹性超声组学数据。
具体的,利用剪切波图像获取弹性超声组学数据,其感兴趣区获取为SWE取样框内全病灶的边缘。
利用剪切波图像获取弹性超声组学数据,图像处理包将彩色SWE图像分解为红绿蓝(RGB)三通道灰阶图像,连同原彩色SWE图像,分别获取弹性超声组学数据。
步骤S13,将所述弹性超声组学数据输入训练好的深度学习网络,并根据所述弹性超声组学数据调整神经元的连接权重、配比卷积和池化层,得到调整后的弹性超声组学数据,通过深度学习获取每个病变的分类评分。
优选地,所述步骤S13中,所述深度学习及所述深度学习的衍生算法包括CNN、RNN、迁移学习、GAN、基于GAN的迁移学习。
优选地,所述步骤S13中,所述深度学习网络的训练方法包括:
采集相应的弹性超声组学数据,输入卷积神经网络后,提取对应的特征图层;
通过卷积运算,增加偏置,激活函数输出对所述特征图层进行处理,并通过全连接层对所述特征图层进行调整分类后,通过反向传播算法和随机梯度下降法,训练深度学习网络。
具体的,深度学习网络的训练方法为:采集切剪波弹性超声组学数据,输入卷积神经网络后,提取对应的特征图层;通过卷积运算,增加偏置,激活函数输出对所述特征图层进行处理,并通过全连接层对所述特征图层进行调整分类后,通过反向传播算法和随机梯度下降法,训练所述深度学习网络。
在具体的实施例当中,将多通道超声组学数据进行初分类,结合无监督算法,输入深度学习神经网络,并根据结果选取有神经元的连接权重,得到初始数据结果后,通常深度学习网络映射输出初始数据,通常对初始数据错误案例分析,调整深度学习参数,直至得到错误率最低的最佳权重作为神经元的连接权重,并配比对应的卷积和池化层,得到调整后的多通道剪切波弹性图像超声组学数据。
卷积神经网络由输出层、卷积层、池化层、全连接层和输出层等构成,网络层数由输入的多模态超声组学数据决定。卷积神经网络以神经元为基础,包括权重、偏置项、超参数、激活函数等要素。实现卷积神经网络的平台可以但不限于为TensorFlow、Pytorch、Caffe、Keras、CNTK、MXNet、Theano。
采用阿列克谢卷积神经网络(Alexnet convolutional neural network,Alexnet)。Alexnet拥有8层结构,其中每层由卷积层、修正线性单元层,最大池化层、规范化层,全连接层和平铺层中一种或几只种构成。输入图像的尺寸规范为224×224×3,L2层为96×56×56,L3层为256×28×28,L4层为384×14×14,L5层为256×7×7,L6层节点数为4096,L7层节点数为4096,L8层节点数为2。输出层采用softmax函数。训练样本分为良性肿瘤和恶性肿瘤两类。网络损失函数采用MSE函数。
在本实施例中,通过深度学习,调整不同通道灰阶剪切波图的权重,获取每个病变的分类评分。
步骤S14,基于患者临床信息,检验指标,对结果深度学习弹性分类评分,通过机器学习分析,构建深度分析决策系统。
优选地,所述步骤S14中,所述患者相关临床信息及所述检验指标包括:
与疾病相关的临床基本信息、实验室检查数据、病理组织结果、基因组学及蛋白组学信息、放化疗敏感性。
具体的,患者相关临床信息,检验指标包括与疾病相关的临床基本信息、实验室检查数据、病理组织结果、基因组学及蛋白组学信息、放化疗敏感性等。
基于患者临床信息,检验指标,结果深度学习弹性分类评分,通过机器学习分析,构建疾病深度分析决策系统。其机器学习分析模型包括:逻辑回归法、决策树、Adaboost、支持向量机等。根据判别器给出对所分析病变进行分类,得到变病相应该的分数,从而辅助疾病分析评估。
优选地,所述机器学习分析采用以下模型:逻辑回归法、决策树、Adaboost、支持向量机。
与现有技术相比,上述实施例利用超声组学技术,能提取所分析病变的SWE取样框内的所有图像信息。(SWE剪切波弹性成像);因所纳入分析区为SWE取样框内的所有图像信息,其明确的边界使数据获取有较高的可重复性;深度学习网络能更全面,精确地分析图像信息,并有较高的适应性;结合患者临床信息,检验指标及弹性分类评分,能更全面地评估病灶特征,作出更准确的辅助分析结果。
请参阅图2。
本发明实施例还提供一种基于剪切波弹性成像超声组学深度分析系统,包括:
标准化剪切波弹性图像获取模块10,用于针对不同疾病,利用超声医学声学经验获取标准化剪切波弹性图像;
弹性超声组学数据获取模块20,用于针对相应疾病模型,利用剪切波图像获取所在器官相应弹性超声组学数据;
深度学习模块30,用于将所述弹性超声组学数据输入训练好的深度学习网络,并根据所述弹性超声组学数据调整神经元的连接权重、配比卷积和池化层,得到调整后的弹性超声组学数据,通过深度学习获取每个病变的分类评分;
机器学习分析模块40,用于基于患者临床信息,检验指标,对结果深度学习弹性分类评分,通过机器学习分析,构建深度分析决策系统。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,构建完整疾病深度分析决策系统,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种基于剪切波弹性成像超声组学深度分析方法,其特征在于,包括:
步骤S11,针对不同疾病,利用超声医学声学经验获取标准化剪切波弹性图像;
步骤S12,针对相应疾病模型,利用剪切波图像获取所在器官相应弹性超声组学数据;
步骤S13,将所述弹性超声组学数据输入训练好的深度学习网络,并根据所述弹性超声组学数据调整神经元的连接权重、配比卷积和池化层,得到调整后的弹性超声组学数据,通过深度学习获取每个病变的分类评分;
步骤S14,基于患者临床信息,检验指标,对结果深度学习弹性分类评分,通过机器学习分析,构建深度分析决策系统;
所述步骤S11中,获取标准化剪切波弹性图像包括:
获取浅表占位病变标准图像,将超声探头轻置于病变表面,使切面为病变病灶最大切面,切换至剪切波弹性成像模式,使剪切波弹性成像取样框包含整个病灶,获取剪切波弹性成像彩色区域充满整个取样框;
获取腹部实质器官占位病变标准图像,将超声探头轻置于病变表面,使切面为病变病灶最大切面,切换至剪切波弹性成像模式,使剪切波弹性成像取样框包含整个病灶,获取剪切波弹性成像彩色区域大于整个取样框的三分之二;
所述步骤S12中,所述剪切波弹性成像取样框内全病灶的边缘为感兴趣区域;
对所述剪切波图像的处理包括将彩色剪切波图像分解为RGB三通道灰阶图像,连同原彩色剪切波图像,分别获取弹性超声组学数据。
2.根据权利要求1所述的基于剪切波弹性成像超声组学深度分析方法,其特征在于,所述步骤S12中,所述相应的弹性超声组学数据包括纹理转换特征、灰度分布、转换矩阵特征以及滤过转换特征。
3.根据权利要求1所述的基于剪切波弹性成像超声组学深度分析方法,其特征在于,所述步骤S13中,所述深度学习及所述深度学习的衍生算法包括CNN、RNN、迁移学习、GAN、基于GAN的迁移学习。
4.根据权利要求1所述的基于剪切波弹性成像超声组学深度分析方法,其特征在于,所述步骤S13中,所述深度学习网络的训练方法包括:
采集相应的弹性超声组学数据,输入卷积神经网络后,提取对应的特征图层;
通过卷积运算,增加偏置,激活函数输出对所述特征图层进行处理,并通过全连接层对所述特征图层进行调整分类后,通过反向传播算法和随机梯度下降法,训练深度学习网络。
5.根据权利要求1所述的基于剪切波弹性成像超声组学深度分析方法,其特征在于,所述步骤S14中,所述患者相关临床信息及所述检验指标包括:
与疾病相关的临床基本信息、实验室检查数据、病理组织结果、基因组学及蛋白组学信息、放化疗敏感性。
6.根据权利要求1所述的基于剪切波弹性成像超声组学深度分析方法,其特征在于,所述机器学习分析采用以下模型:逻辑回归法、决策树、Adaboost、支持向量机。
7.一种基于剪切波弹性成像超声组学深度分析系统,其特征在于,包括:
标准化剪切波弹性图像获取模块,用于针对不同疾病,利用超声医学声学经验获取标准化剪切波弹性图像;
弹性超声组学数据获取模块,用于针对相应疾病模型,利用剪切波图像获取所在器官相应弹性超声组学数据;
深度学习模块,用于将所述弹性超声组学数据输入训练好的深度学习网络,并根据所述弹性超声组学数据调整神经元的连接权重、配比卷积和池化层,得到调整后的弹性超声组学数据,通过深度学习获取每个病变的分类评分;
机器学习分析模块,用于基于患者临床信息,检验指标,对结果深度学习弹性分类评分,通过机器学习分析,构建深度分析决策系统;
在所述标准化剪切波弹性图像获取模块中,获取标准化剪切波弹性图像包括:
获取浅表占位病变标准图像,将超声探头轻置于病变表面,使切面为病变病灶最大切面,切换至剪切波弹性成像模式,使剪切波弹性成像取样框包含整个病灶,获取剪切波弹性成像彩色区域充满整个取样框;
获取腹部实质器官占位病变标准图像,将超声探头轻置于病变表面,使切面为病变病灶最大切面,切换至剪切波弹性成像模式,使剪切波弹性成像取样框包含整个病灶,获取剪切波弹性成像彩色区域大于整个取样框的三分之二;
在所述弹性超声组学数据获取模块中,所述剪切波弹性成像取样框内全病灶的边缘为感兴趣区域;
对所述剪切波图像的处理包括将彩色剪切波图像分解为RGB三通道灰阶图像,连同原彩色剪切波图像,分别获取弹性超声组学数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010143351.3A CN111275706B (zh) | 2020-03-04 | 2020-03-04 | 一种基于剪切波弹性成像超声组学深度分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010143351.3A CN111275706B (zh) | 2020-03-04 | 2020-03-04 | 一种基于剪切波弹性成像超声组学深度分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275706A CN111275706A (zh) | 2020-06-12 |
CN111275706B true CN111275706B (zh) | 2023-06-02 |
Family
ID=71002532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010143351.3A Active CN111275706B (zh) | 2020-03-04 | 2020-03-04 | 一种基于剪切波弹性成像超声组学深度分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275706B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686899B (zh) | 2021-03-22 | 2021-06-18 | 深圳科亚医疗科技有限公司 | 医学图像分析方法和装置、计算机设备及存储介质 |
CN113160171B (zh) * | 2021-04-20 | 2023-09-05 | 中日友好医院(中日友好临床医学研究所) | 一种弹性超声成像图像处理的方法和装置 |
CN113506273B (zh) * | 2021-07-15 | 2024-03-05 | 复旦大学附属中山医院 | 预测icc免疫治疗联合靶向和/或化疗疗效的超声系统 |
CN115393301B (zh) * | 2022-08-16 | 2024-03-12 | 中山大学附属第一医院 | 一种肝脏二维剪切波弹性图像的影像组学分析方法和装置 |
CN115439701B (zh) * | 2022-11-07 | 2023-04-18 | 中国医学科学院北京协和医院 | 多模态超声图像的ra活动度深度学习方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107049360A (zh) * | 2017-01-26 | 2017-08-18 | 清华大学 | 剪切波弹性成像方法和装置 |
CN109544517A (zh) * | 2018-11-06 | 2019-03-29 | 中山大学附属第医院 | 基于深度学习的多模态超声组学分析方法及系统 |
CN109558896A (zh) * | 2018-11-06 | 2019-04-02 | 中山大学附属第医院 | 基于超声组学和深度学习的疾病智能化分析方法及系统 |
CN110573084A (zh) * | 2018-08-29 | 2019-12-13 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声弹性检测设备及剪切波弹性成像方法、装置 |
-
2020
- 2020-03-04 CN CN202010143351.3A patent/CN111275706B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107049360A (zh) * | 2017-01-26 | 2017-08-18 | 清华大学 | 剪切波弹性成像方法和装置 |
CN110573084A (zh) * | 2018-08-29 | 2019-12-13 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声弹性检测设备及剪切波弹性成像方法、装置 |
CN109544517A (zh) * | 2018-11-06 | 2019-03-29 | 中山大学附属第医院 | 基于深度学习的多模态超声组学分析方法及系统 |
CN109558896A (zh) * | 2018-11-06 | 2019-04-02 | 中山大学附属第医院 | 基于超声组学和深度学习的疾病智能化分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111275706A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275706B (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 | |
Xu et al. | Medical breast ultrasound image segmentation by machine learning | |
Zhang et al. | Photoacoustic image classification and segmentation of breast cancer: a feasibility study | |
Zhou et al. | High spatial–temporal resolution reconstruction of plane-wave ultrasound images with a multichannel multiscale convolutional neural network | |
US7231074B2 (en) | Method for determining the efficacy of an anti-cancer treatment using image analysis | |
US11207055B2 (en) | Ultrasound Cardiac Doppler study automation | |
WO2022213654A1 (zh) | 一种超声图像的分割方法、装置、终端设备和存储介质 | |
Sobhaninia et al. | Localization of fetal head in ultrasound images by multiscale view and deep neural networks | |
Jarosik et al. | Breast lesion classification based on ultrasonic radio-frequency signals using convolutional neural networks | |
CN115601751B (zh) | 一种基于领域泛化的眼底图像语义分割方法 | |
CN114398979A (zh) | 一种基于特征解耦的超声图像甲状腺结节分类方法 | |
Yazdani et al. | Simultaneous denoising and localization network for photoacoustic target localization | |
Ma et al. | Human breast numerical model generation based on deep learning for photoacoustic imaging | |
Byra et al. | Breast mass segmentation based on ultrasonic entropy maps and attention gated U-Net | |
Kia et al. | Early diagnosis of skin cancer by ultrasound frequency analysis | |
Prabakaran et al. | FPUS23: an ultrasound fetus phantom dataset with deep neural network evaluations for fetus orientations, fetal planes, and anatomical features | |
CN109816657A (zh) | 一种基于深度学习的脑瘤医学图像分割方法 | |
CN111528918B (zh) | 消融术后肿瘤体积变化趋势图生成装置、设备及存储介质 | |
Amini | Head circumference measurement with deep learning approach based on multi-scale ultrasound images | |
CN106462967A (zh) | 用于超声图像的基于模型的分割的采集取向相关特征 | |
CN114943688A (zh) | 基于触诊和超声数据对乳腺图像中感兴趣区域的提取方法 | |
Shaharuddin et al. | Feature analysis of kidney ultrasound image in four different ultrasound using gray level co-occurrence matrix (GLCM) and intensity histogram (IH) | |
Hope et al. | Selecting and assessing quantitative early ultrasound texture measures for their association with cerebral palsy | |
CN112884759B (zh) | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 | |
Liao et al. | Red Blood Cell Aggregation Classification Based on Ultrasonic Radiofrequency Echo Signals by An Improved Convolutional Neural Network |
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 |