CN111402244B - 一种胎儿心脏标准切面自动分类法 - Google Patents
一种胎儿心脏标准切面自动分类法 Download PDFInfo
- Publication number
- CN111402244B CN111402244B CN202010199674.4A CN202010199674A CN111402244B CN 111402244 B CN111402244 B CN 111402244B CN 202010199674 A CN202010199674 A CN 202010199674A CN 111402244 B CN111402244 B CN 111402244B
- Authority
- CN
- China
- Prior art keywords
- gray
- standard
- tangent plane
- characteristic value
- representing
- 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
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
- G06T2207/30044—Fetus; Embryo
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (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)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供了超声图像分类领域的一种胎儿心脏标准切面自动分类法,包括如下步骤:步骤S10、获取复数张胎儿心脏的超声图像;步骤S20、对各所述超声图像进行图像信息增强的预处理并分别生成标准切面;步骤S30、利用灰度共生矩阵提取所述标准切面中的纹理特征;步骤S40、基于所述纹理特征,利用基于决策树以及集成算法构建的分类器对各所述标准切面进行自动分类。本发明的优点在于:极大的提升了胎儿心脏标准切面分类的精度以及效率,进而极大的提升了临床诊断效率,降低了临床诊断成本。
Description
技术领域
本发明涉及超声图像分类领域,特别指一种胎儿心脏标准切面自动分类法。
背景技术
医学超声图像的表现对象主要是人的不同层次的生理组织和结构,微观至分子、原子,宏观至人体器官。近年来,随着产前诊断的普及,超声成像由于其低消耗、实时性且无辐射等优点得到了广泛应用。医生通过观察胎儿的各类标准切面进一步对胎儿健康状况进行分析诊断,以达到提高胎儿畸形检出率,降低严重缺陷的胎儿出生率,以提高人口素质。
由于胎儿心脏标准切面的识别分类直接影响后续的临床诊断,是十分关键的步骤,然而针对胎儿心脏标准切面的分类,传统上依靠医生的专业知识和临床经验进行主观的评估,传统的方法存在如下缺点:1、由于不同医生具备的专业知识和临床经验各不相同,导致不同医生识别获取的标准切面存在较大误差;2、采用人工判断的方式需要耗费大量的时间,使得临床诊断效率不高;3、由于超声图像存在一定的噪声干扰,且不同人次的扫描方向存在一定差异,给医生的人工判断带来困难。
因此,如何提供一种胎儿心脏标准切面自动分类法,实现提升胎儿心脏标准切面分类的精度以及效率,进而提升临床诊断效率,降低临床诊断成本,成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题,在于提供一种胎儿心脏标准切面自动分类法,实现提升胎儿心脏标准切面分类的精度以及效率,进而提升临床诊断效率,降低临床诊断成本。
本发明是这样实现的:一种胎儿心脏标准切面自动分类法,包括如下步骤:
步骤S10、获取复数张胎儿心脏的超声图像;
步骤S20、对各所述超声图像进行图像信息增强的预处理并分别生成标准切面;
步骤S30、利用灰度共生矩阵提取所述标准切面中的纹理特征;
步骤S40、基于所述纹理特征,利用基于决策树以及集成算法构建的分类器对各所述标准切面进行自动分类。
进一步地,所述步骤S20具体包括:
步骤S21、利用矩形框选取出所述超声图像的感兴趣区域;
步骤S22、对所述感兴趣区域进行全比例缩放至预设的大小;
步骤S23、对缩放至预设的大小的所述感兴趣区域进行线性灰度增强,进而生成标准切面。
进一步地,所述步骤S22具体包括:
步骤S221、设点A0(x0,y0)为所述感兴趣区域缩放前的像素点,点A1(x1,y1)为所述感兴趣区域缩放后的像素点,通过公式对点A0(x0,y0)进行缩放;其中μ表示缩放比例,当μ>1时所述感兴趣区域被放大,当0<μ<1时所述感兴趣区域被缩小;
步骤S222、对各所述感兴趣区域缩放后的像素点进行线性插值。
进一步地,所述步骤S23具体为:
通过公式将缩放至预设的大小的所述感兴趣区域的灰度等级,先缩小至预设的第一灰度区间,再放大至预设的第二灰度区间,进而生成标准切面;其中F(x,y)表示线性灰度增强前的感兴趣区域图像,灰度范围为[a,b];G(x,y)表示线性灰度增强后的感兴趣区域图像,灰度范围为[c,d];a、b、c、d的取值均为0至255。
进一步地,所述步骤S30具体包括:
步骤S31、利用灰度级量化公式将所述标准切面压缩为16个灰度级:
in=n[n×16,n×16+15],(n=0,1,2,...,15);其中in表示第n级灰度的灰度值,n表示灰度级编号,[n×16,n×16+15]表示第n级灰度的灰度值范围;
步骤S32、利用大小为5×5,步距为1的滑动窗口,分别计算所述标准切面在0°、45°、90°以及135°的共生矩阵,分别求取各所述共生矩阵的特征值,求取各所述特征值的平均值生成灰度共生矩阵;
步骤S33、对所述灰度共生矩阵进行归一化:
步骤S34、分别计算归一化后的所述灰度共生矩阵的能量特征值、相关度特征值、对比度特征值以及熵特征值:
ASM=∑g1∑g2P(g1,g2)2;
CON=∑g1∑g2P(g1-g2)2P(g1,g2);
ENT=-∑g1∑g2P(g1-g2)logP(g1,g2);
其中ASM表示能量特征值,CORRLN表示相关度特征值,CON表示对比度特征值,ENT表示熵特征值,μx表示灰度共生矩阵中灰度值在水平方向上的均值,μy表示灰度共生矩阵中灰度值在垂直方向上的均值,σx和σy分别表示灰度共生矩阵中灰度值在水平方向和垂直方向上的方差;
步骤S35、求取所述能量特征值、相关度特征值、对比度特征值以及熵特征值的均值以及方差,生成纹理特征值;
步骤S36、判断所述滑动窗口是否遍历标准切面的所有像素点,若是,则进入步骤S37;若否,则将所述滑动窗口移动至下一个像素点,并进入步骤S32;
步骤S37、基于所述纹理特征值生成纹理特征值矩阵,完成所述标准切面中纹理特征的提取。
进一步地,所述步骤S40具体包括:
步骤S41、赋予各所述标准切面相同的初始权值:
其中D1(i)表示初始权值分布,wi表示初始权值,N表示标准切面的编号,为正整数;
步骤S42、用决策树作为基分类器训练弱分类器,得到误差率ε:
步骤S43、计算所述弱分类器的权重α:
步骤S44、对所述误差率ε以及权重α进行迭代,进而更新各所述标准切面的权值分布:
其中Dt+1(i)表示迭代后的标准切面的权值分布;Dt(i)表示迭代前的标准切面的权值分布;t表示迭代次数,t=1,...,T,T为正整数;Ht表示第t次迭代产生的弱分类器;αt表示第t次迭代产生的弱分类器的权重;xi表示标准切面的编号;yi表示标准切面的类别标签,且yi∈{1,-1};Zt表示第t次迭代的归一化常数;εt表示第t次迭代的误差率;
步骤S45、基于更新的各所述标准切面的权值分布得到各弱分类器的权重αt,利用所述权重αt重新组合各弱分类器:
步骤S46、通过符号函数,将重新组合的各弱分类器生成强分类器:
Hfinal=sign(f(x));
步骤S47、利用所述强分类器对各所述标准切面进行自动分类。
本发明的优点在于:
通过对所述超声图像进行预处理生成标准切面,提取所述标准切面中的纹理特征,进而基于所述纹理特征,利用基于决策树以及集成算法构建的分类器对各所述标准切面进行自动分类,相对于传统上依靠医生的专业知识和临床经验进行主观的评估,极大的提升了胎儿心脏标准切面分类的精度以及效率,进而极大的提升了临床诊断效率,降低了临床诊断成本。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种胎儿心脏标准切面自动分类法的流程图。
具体实施方式
请参照图1所示,本发明一种胎儿心脏标准切面自动分类法的较佳实施例,包括如下步骤:
步骤S10、通过B型超声扫描系统获取复数张胎儿心脏的超声图像;
步骤S20、对各所述超声图像进行图像信息增强的预处理并分别生成标准切面;胎儿心脏的标准切面包括四腔心切面、左室流出道及主动脉长轴切面、右室流出道及肺动脉长轴切面、三血管气管切面以及静脉心房连接切面;图像信息增强即进行全比例缩放以及线性扩展;
步骤S30、利用灰度共生矩阵(GLCM)提取所述标准切面中的纹理特征;即通过计算灰度共生矩阵的部分特征值来分别代表标准切面中的某些纹理特征;
步骤S40、基于所述纹理特征,利用基于决策树以及集成算法(AdaBoost)构建的分类器对各所述标准切面进行自动分类。
所述步骤S20具体包括:
步骤S21、利用矩形框选取出所述超声图像的感兴趣区域,有效去除扇形扫描区外的干扰信息;
步骤S22、对所述感兴趣区域进行全比例缩放至预设的大小;
若图片在缩放时,横坐标和纵坐标的缩放比例不同,将导致图像产生畸变,对所述超声图像的纹理特征影响很大,因此采样全比例缩放对所述感兴趣区域进行大小的归一化,适当压缩图像的大小,提高计算效率,保留原有的纹理特征。
步骤S23、对缩放至预设的大小的所述感兴趣区域进行线性灰度增强,进而生成标准切面。
所述步骤S22具体包括:
步骤S221、设点A0(x0,y0)为所述感兴趣区域缩放前的像素点,点A1(x1,y1)为所述感兴趣区域缩放后的像素点,通过公式对点A0(x0,y0)进行缩放;其中μ表示缩放比例,当μ>1时所述感兴趣区域被放大,当0<μ<1时所述感兴趣区域被缩小,μ的取值优选为0.6;
步骤S222、对各所述感兴趣区域缩放后的像素点进行线性插值。
若通过全比例缩放所产生的图像中的像素在原图像中没有相对应的像素点时,需要进行灰度级的插值运算,考虑超声图像的特点之一为各像素灰度级的值差别较小,故中采用线性插值法。
已知y求x的过程与上述方法相同。
所述步骤S23具体为:
通过公式将缩放至预设的大小的所述感兴趣区域的灰度等级,先缩小至预设的第一灰度区间,再放大至预设的第二灰度区间,进而生成标准切面;其中F(x,y)表示线性灰度增强前的感兴趣区域图像,灰度范围为[a,b];G(x,y)表示线性灰度增强后的感兴趣区域图像,灰度范围为[c,d];a、b、c、d的取值均为0至255。
所述第一灰度区间优选为[50,200],所述第二灰度区间优选为[0,255],经过线性灰度增强后的图像有效去除了噪声,提高了对比对,并对图像进行了锐化。
所述步骤S30具体包括:
步骤S31、利用灰度级量化公式将所述标准切面压缩为16个灰度级:
in=n[n×16,n×16+15],(n=0,1,2,...,15);其中in表示第n级灰度的灰度值,n表示灰度级编号,[n×16,n×16+15]表示第n级灰度的灰度值范围;
量化后的16个灰度级分别为:0[0,15]、1[16,31]、2[32,47]、3[48,63]、4[64,79]、5[80,95]、6[96,101]……15[240,255]。
由于计算灰度共生矩阵时不需要256个灰度级,压缩为16个灰度级极大的减小了计算量,进而极大的提升了胎儿心脏标准切面分类的效率;
步骤S32、利用大小为5×5,步距为1的滑动窗口,分别计算所述标准切面在0°、45°、90°以及135°的共生矩阵,即中心像素与其相邻的像素做比较运算,分别求取各所述共生矩阵的特征值,求取各所述特征值的平均值生成灰度共生矩阵;
例如以大小为3×3的滑动窗口,3级灰度(灰度级为0、1、2)为例:
在窗口A中,选择步距为1,求0°方向的共生矩阵,按照0°方向,即水平方向从左至右、从右至左两个方向,统计矩阵值(1,2)的值共有2个,即窗口A对应的GLCM统计矩阵的(1,2)位置元素的值为2,以此类推求得该方向共生矩阵其他位置的值。
其中θ代表方向,d代表步距;
同理求得窗口A在45°、90°以及135°的共生矩阵。当进行0°扫描时,像素对是水平的;当进行90°扫描时,像素对是垂直的;当进行45°扫描时,像素对是右对角线的;当进行90°扫描时,像素对是左对角线的。步骤S33、对所述灰度共生矩阵进行归一化:
步骤S34、分别计算归一化后的所述灰度共生矩阵的能量特征值、相关度特征值、对比度特征值以及熵特征值:
ASM=∑g1∑g2P(g1,g2)2;
CON=∑g1∑g2P(g1-g2)2P(g1,g2);
ENT=-∑g1∑g2P(g1-g2)logP(g1,g2);
其中ASM表示能量特征值,是灰度共生矩阵各元素的平方和,又被称为角二阶距,是图像纹理灰度变化均一的度量,反映了图像灰度分布均匀程度和纹理粗细程度;CORRLN表示相关度特征值,体现了空间灰度共生矩阵元素在行或列方向上的相似程度,反映了图像局部灰度相关性;CON表示对比度特征值,是灰度共生矩阵主对角线附近的惯性矩,它体现矩阵的值如何分布,反映了图像的清晰度和纹理沟纹的深浅;ENT表示熵特征值,体现了图像纹理的随机性;μx灰度共生矩阵中灰度值在水平方向上的均值,μy表示灰度共生矩阵中灰度值在垂直方向上的均值,σx和σy分别表示灰度共生矩阵中灰度值在水平方向和垂直方向上的方差;
步骤S35、求取所述能量特征值、相关度特征值、对比度特征值以及熵特征值的均值以及方差,生成纹理特征值;
步骤S36、判断所述滑动窗口是否遍历标准切面的所有像素点,若是,则进入步骤S37;若否,则将所述滑动窗口移动至下一个像素点,并进入步骤S32;
步骤S37、基于所述纹理特征值生成纹理特征值矩阵,完成所述标准切面中纹理特征的提取。
所述步骤S40具体包括:
步骤S41、赋予各所述标准切面相同的初始权值:
其中D1(i)表示初始权值分布,wi表示初始权值,N表示标准切面的编号,为正整数;
步骤S42、用决策树作为基分类器训练弱分类器,得到误差率ε:
步骤S43、计算所述弱分类器的权重α:
步骤S44、对所述误差率ε以及权重α进行迭代,进而更新各所述标准切面的权值分布:
其中Dt+1(i)表示迭代后的标准切面的权值分布;Dt(i)表示迭代前的标准切面的权值分布;t表示迭代次数,t=1,…,T,T为正整数;Ht表示第t次迭代产生的弱分类器;αt表示第t次迭代产生的弱分类器的权重;xi表示标准切面的编号;yi表示标准切面的类别标签,且yi∈{1,-1};Zt表示第t次迭代的归一化常数;εt表示第t次迭代的误差率;
步骤S45、基于更新的各所述标准切面的权值分布得到各弱分类器的权重αt,利用所述权重αt重新组合各弱分类器:
步骤S46、通过符号函数,将重新组合的各弱分类器生成强分类器:
Hfinal=sign(f(x));
步骤S47、利用所述强分类器对各所述标准切面进行自动分类。
例如在每两个类之间产生一个最强分类器,将测试样本(标准切面)带入第一个最强分类器进行投票,投票结果为1则输出预测标签,显示结果;投票结果为-1则继续将该样本带入下一个最强分类器,直至产生投票结果为1,测试样本分类完成。
综上所述,本发明的优点在于:
通过对所述超声图像进行预处理生成标准切面,提取所述标准切面中的纹理特征,进而基于所述纹理特征,利用基于决策树以及集成算法构建的分类器对各所述标准切面进行自动分类,相对于传统上依靠医生的专业知识和临床经验进行主观的评估,极大的提升了胎儿心脏标准切面分类的精度以及效率,进而极大的提升了临床诊断效率,降低了临床诊断成本。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (5)
1.一种胎儿心脏标准切面自动分类法,其特征在于:包括如下步骤:
步骤S10、获取复数张胎儿心脏的超声图像;
步骤S20、对各所述超声图像进行图像信息增强的预处理并分别生成标准切面;
步骤S30、利用灰度共生矩阵提取所述标准切面中的纹理特征;
步骤S40、基于所述纹理特征,利用基于决策树以及集成算法构建的分类器对各所述标准切面进行自动分类;
所述步骤S30具体包括:
步骤S31、利用灰度级量化公式将所述标准切面压缩为16个灰度级:
in=n[n×16,n×16+15],(n=0,1,2,...,15);其中in表示第n级灰度的灰度值,n表示灰度级编号,[n×16,n×16+15]表示第n级灰度的灰度值范围;
步骤S32、利用大小为5×5,步距为1的滑动窗口,分别计算所述标准切面在0°、45°、90°以及135°的共生矩阵,分别求取各所述共生矩阵的特征值,求取各所述特征值的平均值生成灰度共生矩阵;
步骤S33、对所述灰度共生矩阵进行归一化:
步骤S34、分别计算归一化后的所述灰度共生矩阵的能量特征值、相关度特征值、对比度特征值以及熵特征值:
其中ASM表示能量特征值,CORRLN表示相关度特征值,CON表示对比度特征值,ENT表示熵特征值,μx表示灰度共生矩阵中灰度值在水平方向上的均值,μy表示灰度共生矩阵中灰度值在垂直方向上的均值,σx和σy分别表示灰度共生矩阵中灰度值在水平方向和垂直方向上的方差;
步骤S35、求取所述能量特征值、相关度特征值、对比度特征值以及熵特征值的均值以及方差,生成纹理特征值;
步骤S36、判断所述滑动窗口是否遍历标准切面的所有像素点,若是,则进入步骤S37;若否,则将所述滑动窗口移动至下一个像素点,并进入步骤S32;
步骤S37、基于所述纹理特征值生成纹理特征值矩阵,完成所述标准切面中纹理特征的提取。
2.如权利要求1所述的一种胎儿心脏标准切面自动分类法,其特征在于:所述步骤S20具体包括:
步骤S21、利用矩形框选取出所述超声图像的感兴趣区域;
步骤S22、对所述感兴趣区域进行全比例缩放至预设的大小;
步骤S23、对缩放至预设的大小的所述感兴趣区域进行线性灰度增强,进而生成标准切面。
5.如权利要求1所述的一种胎儿心脏标准切面自动分类法,其特征在于:所述步骤S40具体包括:
步骤S41、赋予各所述标准切面相同的初始权值:
其中D1(i)表示初始权值分布,wi表示初始权值,N表示标准切面的编号,为正整数;
步骤S42、用决策树作为基分类器训练弱分类器,得到误差率ε:
步骤S43、计算所述弱分类器的权重α:
步骤S44、对所述误差率ε以及权重α进行迭代,进而更新各所述标准切面的权值分布:
其中Dt+1(i)表示迭代后的标准切面的权值分布;Dt(i)表示迭代前的标准切面的权值分布;t表示迭代次数,t=1,...,T,T为正整数;Ht表示第t次迭代产生的弱分类器;αt表示第t次迭代产生的弱分类器的权重;xi表示标准切面的编号;yi表示标准切面的类别标签,且yi∈{1,-1};Zt表示第t次迭代的归一化常数;εt表示第t次迭代的误差率;
步骤S45、基于更新的各所述标准切面的权值分布得到各弱分类器的权重αt,利用所述权重αt重新组合各弱分类器:
步骤S46、通过符号函数,将重新组合的各弱分类器生成强分类器:
Hfinal=sign(f(x));
步骤S47、利用所述强分类器对各所述标准切面进行自动分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010199674.4A CN111402244B (zh) | 2020-03-20 | 2020-03-20 | 一种胎儿心脏标准切面自动分类法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010199674.4A CN111402244B (zh) | 2020-03-20 | 2020-03-20 | 一种胎儿心脏标准切面自动分类法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111402244A CN111402244A (zh) | 2020-07-10 |
CN111402244B true CN111402244B (zh) | 2023-04-07 |
Family
ID=71429014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010199674.4A Active CN111402244B (zh) | 2020-03-20 | 2020-03-20 | 一种胎儿心脏标准切面自动分类法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402244B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112155603B (zh) * | 2020-09-24 | 2023-06-09 | 广州爱孕记信息科技有限公司 | 胎儿结构特征的权重值确定方法及装置 |
CN112155602B (zh) * | 2020-09-24 | 2023-05-05 | 广州爱孕记信息科技有限公司 | 一种胎儿最优标准切面的确定方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751629A (zh) * | 2019-09-29 | 2020-02-04 | 中国科学院深圳先进技术研究院 | 一种心肌影像分析装置及设备 |
CN110837802A (zh) * | 2019-11-06 | 2020-02-25 | 齐鲁工业大学 | 一种基于灰度共生矩阵的面部图像特征提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100484479C (zh) * | 2005-08-26 | 2009-05-06 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像增强与斑点抑制方法 |
-
2020
- 2020-03-20 CN CN202010199674.4A patent/CN111402244B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751629A (zh) * | 2019-09-29 | 2020-02-04 | 中国科学院深圳先进技术研究院 | 一种心肌影像分析装置及设备 |
CN110837802A (zh) * | 2019-11-06 | 2020-02-25 | 齐鲁工业大学 | 一种基于灰度共生矩阵的面部图像特征提取方法 |
Non-Patent Citations (1)
Title |
---|
基于灰度共生矩阵的肝癌B超纹理特征决策树诊断分析;张慧等;《中国医药指南》(第25期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111402244A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321920B (zh) | 图像分类方法、装置、计算机可读存储介质和计算机设备 | |
CN109409416B (zh) | 特征向量降维方法和医学图像识别方法、装置及存储介质 | |
Lavanyadevi et al. | Brain tumor classification and segmentation in MRI images using PNN | |
Semler et al. | Wavelet-based texture classification of tissues in computed tomography | |
US9480439B2 (en) | Segmentation and fracture detection in CT images | |
EP2483863B1 (en) | Method and apparatus for processing medical images | |
CN111539930A (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
CN111462116A (zh) | 基于影像组学特征的多模态参数模型优化融合方法 | |
Zhang et al. | Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination | |
CN111951288B (zh) | 一种基于深度学习的皮肤癌病变分割方法 | |
US20070031020A1 (en) | Method and apparatus for intracerebral hemorrhage lesion segmentation | |
CN111402244B (zh) | 一种胎儿心脏标准切面自动分类法 | |
CN112634265B (zh) | 基于dnn的胰腺全自动分割模型的构建、分割方法及系统 | |
CN110895815A (zh) | 一种基于深度学习的胸部x线气胸分割方法 | |
CN112365973A (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 | |
CN112270667A (zh) | 一种基于ti-rads的集成深度学习多标签识别方法 | |
US6608915B2 (en) | Image processing method and apparatus | |
CN117522891A (zh) | 一种3d医学图像分割系统及方法 | |
EP4167184A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
CN116309806A (zh) | 一种基于CSAI-Grid RCNN的甲状腺超声图像感兴趣区域定位方法 | |
CN115601535A (zh) | 联合Wasserstein距离与差异度量的胸片异常识别域自适应方法及系统 | |
Materka et al. | On the effect of image brightness and contrast nonuniformity on statistical texture parameters | |
US20060093216A1 (en) | System and method for detection of ground glass objects and nodules | |
Susomboon et al. | Automatic single-organ segmentation in computed tomography images |
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 |