CN111340780A - 一种基于三维超声图像的病灶检测方法 - Google Patents
一种基于三维超声图像的病灶检测方法 Download PDFInfo
- Publication number
- CN111340780A CN111340780A CN202010118016.8A CN202010118016A CN111340780A CN 111340780 A CN111340780 A CN 111340780A CN 202010118016 A CN202010118016 A CN 202010118016A CN 111340780 A CN111340780 A CN 111340780A
- Authority
- CN
- China
- Prior art keywords
- frame number
- image
- sagittal plane
- focus
- dimensional
- 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
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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/10136—3D 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
- G06T2207/20084—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
- G06T2207/30096—Tumor; Lesion
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及超声检测技术领域,尤其涉及一种基于三维超声图像的病灶检测方法。本发明提出了一种基于三维超声图像的病灶检测方法,该方法包括如下步骤:超声三维体数据采集;三维体数据解析为横断面、矢状面及冠状面二维序列图像;训练目标检测SSD网络模型并对横断面和矢状面二维图像进行目标检测;横断面、矢状面及冠状面图像序列的代表帧筛选及其ROI区域计算;训练目标分割U‑net网络模型并对代表帧图像中的病灶进行目标分割;代表帧病灶特征值的计算并输出。优点在于:通过采用深度学习和代表性切面筛选算法相结合的方法,对病灶三维体数据进行解析、检测、筛选、分割,从而计算得到病灶特征值,从而减少医生的工作量,辅助医生完成病情的诊断。
Description
技术领域
本发明涉及超声检测技术领域,尤其涉及一种基于三维超声图像的病灶检测方法。
背景技术
随着超声技术的快速发展,三维超声成像因具有对操作者依赖程度低、采集时间短、可重复性和客观性高、可远程读图等特点,也面临着巨大的挑战,如何快速准确的实现病灶的检测成为了重要的研究课题。传统的病灶检测方法需要医生手动寻找代表性切面后在该代表性切面上确定感兴趣区域及病灶边缘,检测结果依赖医生的经验判断,人为干扰因素较多,检测速度慢。
发明内容
本发明的目的在于提供一种基于三维超声图像的病灶检测方法,具体在于提供一种能准确、快速从病灶三维体数据中自动检测到病灶区域并完成病灶特征值计算的方法。
为达到上述目的,本发明采用如下技术方案:一种基于三维超声图像的病灶检测方法,包括如下步骤:
S01.将超声成像系统采集的病灶处的三维体数据解析为横断面、矢状面和冠状面的二维序列图像。
S02.通过标记大量同类型病灶区域图像,训练目标检测SSD网络模型。
S03.使用SSD网络模型对横断面和矢状面的二维序列图像进行目标检测,得到具有感兴趣区域的横断面帧号序列片段和具有感兴趣区域的矢状面帧号序列片段及感兴趣中心点坐标。
S04. 通过代表帧筛选算法,对步骤S03中得到的具有感兴趣区域的横断面帧号序列片段和矢状面帧号序列片段根据其感兴趣区域的坐标进行处理,能够将SSD网络检测出的伪病灶进行剔除,并得到横断面代表帧和矢状面代表帧以及冠状面代表帧,从而计算感兴趣区域的三维中心坐标。
S05.通过标记大量同类型病灶轮廓图像,训练目标分割U-net网络模型。
S06.将步骤S04中的横断面代表帧图像和矢状面代表帧图像根据感兴趣区域的三维中心坐标裁剪符合U-net检测的图像尺寸,并使用步骤S05中的U-net网络模型进行目标分割。
S07.根据步骤S06的目标分割结果,提取感兴趣区域轮廓,即为病灶轮廓,并计算得到病灶特征值,从而完成病灶检测。
进一步的,上述步骤S03中对横断面和矢状面的二维序列图像进行目标检测的具体步骤为:
S031.待测图像裁剪,将矢状面的二维序列图像裁剪成若干个如步骤S02中训练SSD网络模型的图像尺寸的部分,若干个部分之间重合部分的长度应大于裁剪成的图像尺寸长度的一半。
S032.SSD检测,使用SSD网络模型分别对步骤S031裁剪成的若干个部分进行检测,设置阀值T0,保留目标得分大于T0的帧号及对应的感兴趣区域中心坐标。
S033.SSD结果聚类,判断步骤S032中所保留帧号的感兴趣区域坐标之间的相互距离,设置阀值T1,将距离大于T1的帧号聚类至不同的pipe中。
S034.pipe结果筛选,遍历步骤S033中的pipe,删除pipe长度小于3的干扰项。
S035.pipe结果分离,判断pipe中的帧号间隔,设置阀值T2,将帧号间隔大于T2的帧号分离至不同的片段中,并保留每个片段中所包含的感兴趣区域的中心点坐标的平均值作为该片段的感兴趣区域的中心点坐标。
S036.片段结果筛选,删除片段长度小于3的干扰项。
S037.合并若干个被裁剪部分的片段结果,将若干个被裁剪部分的片段结果进行对比,设置阀值T3,将存在相同帧号的数量大于2且感兴趣区域中心点距离小于T3的片段进行合并,合并后的片段的感兴趣区域中心点坐标为被合并片段的感兴趣区域中心点坐标的平均值,合并后的片段和未合并的片段即为具有感兴趣区域的矢状面帧号序列片段。
S038.横断面的目标检测步骤与按照步骤S031~步骤S037中矢状面的检测步骤,最后得到具有感兴趣区域的横断面帧号序列片段及对应的感兴趣区域中心坐标。
进一步的,上述步骤S04中横断面代表帧、矢状面代表帧和冠状面代表帧的筛选以及感兴趣区域的中心点三维坐标的计算步骤具体为:
S041.设置阀值T4,将步骤S03中得到的具有感兴趣区域的矢状面帧号序列片段和具有感兴趣的横断面帧号序列片段进行一一组合,计算每个组合中具有感兴趣区域的矢状面帧号序列片段和具有感兴趣区域的横断面帧号序列片段两个感兴趣区域中心点坐标的Y值之差,选取Y值之差小于T4的组合,计算该组合的Y平均值。
S042.将步骤S041中选取的Y值之差小于T4的组合做如下判断,条件1:该组合具有感兴趣区域的横断面帧号序列片段的感兴趣区域中心点X坐标对应在矢状面的帧号是否存在于该组合具有感兴趣区域的矢状面帧号序列片段中;条件2:该组合具有感兴趣区域的矢状面帧号序列片段的感兴趣区域中心点X坐标对应在横断面的帧号是否存在于该组合具有感兴趣区域的横断面帧号序列片段中;选取同时满足条件1和条件2的组合。
S043.将步骤S042中同时满足条件1和条件2的组合在步骤S041中计算得到的Y平均值对应在冠状面的帧号选取为该组合病灶的冠状面序列的代表帧图像,同时将该组合在步骤S042判断条件1和条件2时得到的矢状面帧号和横断面帧号选取为该组合病灶的矢状面代表帧图像和横断面代表帧图像。
进一步的,上述步骤S031中待测图像裁剪前,先将待测图像两端的100列像素点进行删除。
进一步的,上述步骤S05中的U-net网络模型采用应用于生物医学图像分割的卷积网络的U-net网络模型。
进一步的,上述步骤S07中所计算的病灶特征值包括长宽比、形状复杂度、内部均值及方差、后方回声、形态学对比度和周长及面积。
进一步的,上述步骤S01中的病灶包括乳腺、心脏、肝脏。
本发明的优点在于:通过采用深度学习和代表性切面筛选算法相结合的方法,对病灶三维体数据进行解析、检测、筛选、分割,从而计算得到病灶特征值,从而减少医生的工作量,辅助医生完成病情的诊断。
附图说明
附图1为实施例中三维体数据中横断面、矢状面和冠状面的方向示意图;
附图2为实施例中冠状面的代表帧图像;
附图3为实施例中横断面的代表帧图像;
附图4为实施例中矢状面的代表帧图像;
附图5为实施例中特征值输出的示意图。
具体实施方式
实施例1:本实施例以乳腺病灶体为例,包括如下步骤:
S01.将超声成像系统采集的乳腺病灶处的三维体数据解析为横断面、矢状面和冠状面的二维序列图像,具体可采用ABUS(Automated breast ultrasound)超声成像系统进行三维体数据采集。
具体的,参照图1,其中的横断面的解析方向为AD,ABFE为横断面的第一帧图像,DCGH为横断面的最后一帧图像,AB为横断面的X轴方向,AE为横断面的Y轴方向;矢状面的解析方向为AB,AEHD为矢状面的第一帧图像,BEGC为矢状面的最后一帧图像,AD为横断面的X轴方向,AE为横断面的Y轴方向;冠状面的解析方向为AE,ABCD为冠状面的第一帧图像,EFGH为冠状面的最后一帧图像,AB为冠状面的X轴方向,AD为冠状面的Y轴方向。
S02.通过标记大量同类型病灶区域图像,训练目标检测SSD网络模型。
S03.使用SSD网络模型对横断面和矢状面的二维序列图像进行目标检测,得到具有感兴趣区域的横断面帧号序列片段和具有感兴趣区域的矢状面帧号序列片段及感兴趣中心点坐标。
S04. 通过代表帧筛选算法,对步骤S03中得到的具有感兴趣区域的横断面帧号序列片段和矢状面帧号序列片段根据其感兴趣区域的坐标进行处理,能够将SSD网络检测出的伪病灶进行剔除,并得到横断面代表帧和矢状面代表帧以及冠状面代表帧,从而计算感兴趣区域的三维中心坐标。
如图2-4分别为步骤S04得到的冠状面代表帧图像、横断面代表帧图像和矢状面代表帧图像,其中图像名称的数字代表帧号。
S05.通过标记大量同类型病灶轮廓图像,训练目标分割U-net网络模型。
S06.将步骤S04中的横断面代表帧图像和矢状面代表帧图像根据感兴趣区域的三维中心坐标裁剪符合U-net检测的图像尺寸,并使用步骤S05中的U-net网络模型进行目标分割。
S07.根据步骤S06的目标分割结果,提取感兴趣区域轮廓,即为病灶轮廓,并计算得到病灶特征值,从而完成病灶检测。
上述步骤S07中所计算的病灶特征值包括长宽比、形状复杂度、内部均值及方差、后方回声、形态学对比度和周长及面积。
如图5为利用如图2-4计算得到的特征值输出示意图。
具体的,上述步骤S03中对横断面和矢状面的二维序列图像进行目标检测的具体步骤为:
S031.待测图像裁剪,将矢状面的二维序列图像裁剪成若干个如步骤S02中训练SSD网络模型的图像尺寸的部分,若干个部分之间重合部分长度应大于裁剪成的图像尺寸长度的一半。
S032.SSD检测,使用SSD网络模型分别对步骤S031裁剪成的若干个部分进行检测,设置阀值T0,保留目标得分大于T0的帧号及对应的感兴趣区域中心坐标。
S033.SSD结果聚类,判断步骤S032中所保留帧号的感兴趣区域坐标之间的相互距离,设置阀值T1,将距离大于T1的帧号聚类至不同的pipe中。
S034.pipe结果筛选,遍历步骤S033中的pipe,删除pipe长度小于3的干扰项。
S035.pipe结果分离,判断pipe中的帧号间隔,设置阀值T2,将帧号间隔大于T2的帧号分离至不同的片段中,并保留每个片段中所包含的感兴趣区域的中心点坐标的平均值作为该片段的感兴趣区域的中心点坐标。
S036.片段结果筛选,删除片段长度小于3的干扰项。
S037.合并若干个被裁剪部分的片段结果,将若干个被裁剪部分的片段结果进行对比,设置阀值T3,将存在相同帧号的数量大于2且感兴趣区域中心点距离小于T3的片段进行合并,合并后的片段的感兴趣区域中心点坐标为被合并片段的感兴趣区域中心点坐标的平均值,合并后的片段和未合并的片段即为具有感兴趣区域的矢状面帧号序列片段。
S038.横断面的目标检测步骤与按照步骤S031~步骤S037中矢状面的检测步骤,最后得到具有感兴趣区域的横断面帧号序列片段及对应的感兴趣区域中心坐标。
具体的,上述步骤S04中横断面代表帧、矢状面代表帧和冠状面代表帧的筛选以及感兴趣区域的中心点三维坐标的计算步骤具体为:
S041.设置阀值T4,将步骤S03中得到的具有感兴趣区域的矢状面帧号序列片段和具有感兴趣的横断面帧号序列片段进行一一组合,计算每个组合中具有感兴趣区域的矢状面帧号序列片段和具有感兴趣区域的横断面帧号序列片段两个感兴趣区域中心点坐标的Y值之差,选取Y值之差小于T4的组合,计算该组合的Y平均值。
S042.将步骤S041中选取的Y值之差小于T4的组合做如下判断,条件1:该组合具有感兴趣区域的横断面帧号序列片段的感兴趣区域中心点X坐标对应在矢状面的帧号是否存在于该组合具有感兴趣区域的矢状面帧号序列片段中;条件2:该组合具有感兴趣区域的矢状面帧号序列片段的感兴趣区域中心点X坐标对应在横断面的帧号是否存在于该组合具有感兴趣区域的横断面帧号序列片段中;选取同时满足条件1和条件2的组合。
S043.将步骤S042中同时满足条件1和条件2的组合在步骤S041中计算得到的Y平均值对应在冠状面的帧号选取为该组合病灶的冠状面序列的代表帧图像,同时将该组合在步骤S042判断条件1和条件2时得到的矢状面帧号和横断面帧号选取为该组合病灶的矢状面代表帧图像和横断面代表帧图像。
进一步的,考虑到图像两端易出现伪像,对SSD检测的准确性产生影响,因此将上述步骤S031中待测图像裁剪前,先将待测图像两端的100列像素点进行删除。
具体的,上述步骤S05中的U-net网络模型采用应用于生物医学图像分割的卷积网络的U-net网络模型。
本实施例是以乳腺病灶体的检测为例,也可以用于如肝脏、心脏、肺部、肾脏等器官病灶体的检测,其检测步骤均与上述步骤相同,仅在三维数据体采集过程对不同器官有所区别。
当然,以上仅为本发明较佳实施方式,并非以此限定本发明的使用范围,故,凡是在本发明原理上做等效改变均应包含在本发明的保护范围内。
Claims (7)
1.一种基于三维超声图像的病灶检测方法,其特征在于:包括如下步骤:
S01.将超声成像系统采集的病灶处的三维体数据解析为横断面、矢状面和冠状面的二维序列图像;
S02.通过标记大量同类型病灶区域图像,训练目标检测SSD网络模型;
S03.使用SSD网络模型对横断面和矢状面的二维序列图像进行目标检测,得到具有感兴趣区域的横断面帧号序列片段和具有感兴趣区域的矢状面帧号序列片段及感兴趣中心点坐标;
S04.通过代表帧筛选算法,对步骤S03中得到的具有感兴趣区域的横断面帧号序列片段和矢状面帧号序列片段根据其感兴趣区域的坐标进行处理,能够将SSD网络检测出的伪病灶进行剔除,并得到横断面代表帧和矢状面代表帧以及冠状面代表帧,从而计算感兴趣区域的三维中心坐标;
S05.通过标记大量同类型病灶轮廓图像,训练目标分割U-net网络模型;
S06.将步骤S04中的横断面代表帧图像和矢状面代表帧图像根据感兴趣区域的三维中心坐标裁剪符合U-net检测的图像尺寸,并使用步骤S05中的U-net网络模型进行目标分割;
S07.根据步骤S06的目标分割结果,提取感兴趣区域轮廓,即为病灶轮廓,并计算得到病灶特征值,从而完成病灶检测。
2.根据权利要求1所述的一种基于三维超声图像的病灶检测方法,其特征在于:所述步骤S03中对矢状面和横断面的二维序列图像进行目标检测的具体步骤为:
S031.待测图像裁剪,将矢状面的二维序列图像裁剪成若干个如步骤S02中训练SSD网络模型的图像尺寸的部分,若干个部分之间重合部分的长度应大于裁剪成的图像尺寸长度的一半;
S032.SSD检测,使用SSD网络模型分别对步骤S031裁剪成的若干个部分进行检测,设置阀值T0,保留目标得分大于T0的帧号及对应的感兴趣区域中心坐标;
S033.SSD结果聚类,判断步骤S032中所保留帧号的感兴趣区域坐标之间的相互距离,设置阀值T1,将距离大于T1的帧号聚类至不同的pipe中;
S034.pipe结果筛选,遍历步骤S033中的pipe,删除pipe长度小于3的干扰项;
S035.pipe结果分离,判断pipe中的帧号间隔,设置阀值T2,将帧号间隔大于T2的帧号分离至不同的片段中,并保留每个片段中所包含的感兴趣区域的中心点坐标的平均值作为该片段的感兴趣区域的中心点坐标;
S036.片段结果筛选,删除片段长度小于3的干扰项;
S037.合并若干个被裁剪部分的片段结果,将若干个被裁剪部分的片段结果进行对比,设置阀值T3,将存在相同帧号的数量大于2且感兴趣区域中心点距离小于T3的片段进行合并,合并后的片段的感兴趣区域中心点坐标为被合并片段的感兴趣区域中心点坐标的平均值,合并后的片段和未合并的片段即为具有感兴趣区域的矢状面帧号序列片段;
S038.横断面的目标检测步骤与按照步骤S031~步骤S037中矢状面的检测步骤,最后得到具有感兴趣区域的横断面帧号序列片段及对应的感兴趣区域中心坐标。
3.根据权利要求2所述的一种基于三维超声图像的病灶检测方法,其特征在于:所述步骤S04中横断面代表帧、矢状面代表帧和冠状面代表帧的筛选以及感兴趣区域的中心点三维坐标的计算步骤具体为:
S041.设置阀值T4,将步骤S03中得到的具有感兴趣区域的矢状面帧号序列片段和具有感兴趣的横断面帧号序列片段进行一一组合,计算每个组合中具有感兴趣区域的矢状面帧号序列片段和具有感兴趣区域的横断面帧号序列片段两个感兴趣区域中心点坐标的Y值之差,选取Y值之差小于T4的组合,计算该组合的Y平均值;
S042.将步骤S041中选取的Y值之差小于T4的组合做如下判断,条件1:该组合具有感兴趣区域的横断面帧号序列片段的感兴趣区域中心点X坐标对应在矢状面的帧号是否存在于该组合具有感兴趣区域的矢状面帧号序列片段中;条件2:该组合具有感兴趣区域的矢状面帧号序列片段的感兴趣区域中心点X坐标对应在横断面的帧号是否存在于该组合具有感兴趣区域的横断面帧号序列片段中;选取同时满足条件1和条件2的组合;
S043.将步骤S042中同时满足条件1和条件2的组合在步骤S041中计算得到的Y平均值对应在冠状面的帧号选取为该组合病灶的冠状面序列的代表帧图像,同时将该组合在步骤S042判断条件1和条件2时得到的矢状面帧号和横断面帧号选取为该组合病灶的矢状面代表帧图像和横断面代表帧图像。
4.根据权利要求3所述的一种基于三维超声图像的病灶检测方法,其特征在于:所述步骤S031中待测图像裁剪前,先将待测图像两端的100列像素点进行删除。
5.根据权利要求1-4任一项所述的一种基于三维超声图像的病灶检测方法,其特征在于:所述步骤S05中的U-net网络模型采用应用于生物医学图像分割的卷积网络U-net网络模型。
6.根据权利要求4所述的一种基于三维超声图像的病灶检测方法,其特征在于:所述步骤S07中所计算的病灶特征值包括长宽比、形状复杂度、内部均值及方差、后方回声、形态学对比度和周长及面积。
7.根据权利要求6所述的一种基于三维超声图像的病灶检测方法,其特征在于:所述步骤S01中的病灶包括乳腺、心脏、肝脏。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118016.8A CN111340780B (zh) | 2020-02-26 | 2020-02-26 | 一种基于三维超声图像的病灶检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118016.8A CN111340780B (zh) | 2020-02-26 | 2020-02-26 | 一种基于三维超声图像的病灶检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340780A true CN111340780A (zh) | 2020-06-26 |
CN111340780B CN111340780B (zh) | 2023-04-07 |
Family
ID=71181872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010118016.8A Active CN111340780B (zh) | 2020-02-26 | 2020-02-26 | 一种基于三维超声图像的病灶检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340780B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508941A (zh) * | 2020-12-25 | 2021-03-16 | 上海深博医疗器械有限公司 | 三维超声扫描完整性检测方法及装置 |
WO2023088275A1 (zh) * | 2021-11-19 | 2023-05-25 | 苏州微创畅行机器人有限公司 | Roi自动定位方法、装置、手术机器人系统、设备及介质 |
WO2023133935A1 (zh) * | 2022-01-14 | 2023-07-20 | 汕头市超声仪器研究所股份有限公司 | 超声颅脑异常区域自动检测及显示方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102688071A (zh) * | 2012-06-15 | 2012-09-26 | 华东医院 | 超声浅表组织与器官容积扫描断层成像方法 |
CN102800089A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 基于颈部超声图像的主颈动脉血管提取和厚度测量方法 |
CN108830852A (zh) * | 2018-07-13 | 2018-11-16 | 上海深博医疗器械有限公司 | 三维超声肿瘤辅助测量系统及方法 |
CN110738633A (zh) * | 2019-09-09 | 2020-01-31 | 西安电子科技大学 | 一种机体组织的三维图像处理方法及相关设备 |
-
2020
- 2020-02-26 CN CN202010118016.8A patent/CN111340780B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102688071A (zh) * | 2012-06-15 | 2012-09-26 | 华东医院 | 超声浅表组织与器官容积扫描断层成像方法 |
CN102800089A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 基于颈部超声图像的主颈动脉血管提取和厚度测量方法 |
CN108830852A (zh) * | 2018-07-13 | 2018-11-16 | 上海深博医疗器械有限公司 | 三维超声肿瘤辅助测量系统及方法 |
CN110738633A (zh) * | 2019-09-09 | 2020-01-31 | 西安电子科技大学 | 一种机体组织的三维图像处理方法及相关设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508941A (zh) * | 2020-12-25 | 2021-03-16 | 上海深博医疗器械有限公司 | 三维超声扫描完整性检测方法及装置 |
WO2023088275A1 (zh) * | 2021-11-19 | 2023-05-25 | 苏州微创畅行机器人有限公司 | Roi自动定位方法、装置、手术机器人系统、设备及介质 |
WO2023133935A1 (zh) * | 2022-01-14 | 2023-07-20 | 汕头市超声仪器研究所股份有限公司 | 超声颅脑异常区域自动检测及显示方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111340780B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108010021B (zh) | 一种医学图像处理系统和方法 | |
CN111340780B (zh) | 一种基于三维超声图像的病灶检测方法 | |
CN109685060B (zh) | 图像处理方法和装置 | |
CN101403743B (zh) | 一种x型交叠、粘连染色体自动分割方法 | |
JP4964171B2 (ja) | 対象領域抽出方法および装置ならびにプログラム | |
CN106780728B (zh) | 一种基于医学影像的单个器官拆分方法及系统 | |
CN111784701B (zh) | 结合边界特征增强和多尺度信息的超声图像分割方法及系统 | |
CN110458859B (zh) | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 | |
KR102332032B1 (ko) | 복부장기 자동분할을 이용한 복부장기 볼륨 변화 분석에 기반한 복부장기 상태 판단 방법 | |
Tun et al. | Feature extraction and classification of lung cancer nodule using image processing techniques | |
CN114972255B (zh) | 脑微出血的图像检测方法、装置、计算机设备及存储介质 | |
WO2018176319A1 (zh) | 超声图像的分析方法及装置 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN117078671A (zh) | 一种甲状腺超声影像智能分析系统 | |
CN111754485A (zh) | 一种用于肝脏的人工智能超声辅助系统 | |
CN111724356B (zh) | 一种用于ct影像肺炎识别的图像处理方法和系统 | |
CN115661152B (zh) | 基于模型预测的目标发展情况分析方法 | |
EP3381010B1 (en) | Process for processing medical images of a face for recognition of facial dysmorphisms | |
Shah et al. | Analysis and identification of renal calculi in computed tomography images | |
WO2016134474A1 (en) | Automated segmentation of histological sections for vasculature quantification | |
Samet et al. | A new methodology for blood vessel segmentation on lung CT images | |
Ghofrani et al. | Liver Segmentation in CT Images Using Deep Neural Networks | |
CN116309593B (zh) | 基于数学模型的肝脏穿刺活检b超图像处理方法及系统 | |
CN113627231B (zh) | 一种基于机器视觉的视网膜oct图像中液体区域自动分割方法 | |
Eltoukhy et al. | Automatic detection of breast masses in digital mammograms using pattern matching |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 515000 No. 77 Jinsha Road, Shantou City, Guangdong Province Applicant after: Shantou Ultrasonic Instrument Research Institute Co.,Ltd. Address before: 515000 No. 77 Jinsha Road, Shantou City, Guangdong Province Applicant before: SHANTOU INSTITUTE OF ULTRASONIC INSTRUMENTS Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |