CN111481233B - 胎儿颈项透明层厚度测量方法 - Google Patents

胎儿颈项透明层厚度测量方法 Download PDF

Info

Publication number
CN111481233B
CN111481233B CN201910081191.1A CN201910081191A CN111481233B CN 111481233 B CN111481233 B CN 111481233B CN 201910081191 A CN201910081191 A CN 201910081191A CN 111481233 B CN111481233 B CN 111481233B
Authority
CN
China
Prior art keywords
deeplabv3
image
model
fetal
thickness
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
Application number
CN201910081191.1A
Other languages
English (en)
Other versions
CN111481233A (zh
Inventor
罗红
张波
李科君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Wangwang Technology Co ltd
West China Second University Hospital of Sichuan University
Original Assignee
Chengdu Wangwang Technology Co ltd
West China Second University Hospital of Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Wangwang Technology Co ltd, West China Second University Hospital of Sichuan University filed Critical Chengdu Wangwang Technology Co ltd
Priority to CN201910081191.1A priority Critical patent/CN111481233B/zh
Publication of CN111481233A publication Critical patent/CN111481233A/zh
Application granted granted Critical
Publication of CN111481233B publication Critical patent/CN111481233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0866—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Gynecology & Obstetrics (AREA)
  • Pregnancy & Childbirth (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了胎儿颈项透明层厚度测量方法，依次包括以下步骤：输入原始胎儿超声正中矢状切面超声扫查图像；去除输入图像的敏感信息；输入给已训练好的DeepLabv3+，得到多角度图像分割结果；提取分割边界后完成测量。本发明实现对胎儿超声颈项透明层厚度精确测量，使用DeepLabv3+卷积神经网络模型有效分割识别胎儿正中矢状切面的区域，准确找出超声图像中颈背部皮下长条形无回声带，进而实现了胎儿颈项透明层厚度的测量，具有较高的精确性，适用于产前超声检查，有利于医生熟练掌握，使诊断结果具有客观性，降低误诊率，同时还能提高医疗资源的有效利用，具有较大的使用价值，有望向基层医院推广使用。

Description

胎儿颈项透明层厚度测量方法
技术领域
本发明涉及医学超声诊断技术领域，具体涉及一种胎儿颈项透明层厚度测量方法。
背景技术
超声波检查是超声检查的一种方式，是一种非侵入性的诊断性检查，具有对受检者无痛苦、无损伤、无放射性等优点，越来越多的应用到医学检查中，尤其在产前检查中应用越来越广泛。医生利用产前B型超声检查观察胎儿的生长发育过程中的各项生长参数指标，防止缺陷胎儿出生，达到优生优育的目的。
颈项透明层指胎儿颈后皮下组织内液体积聚的厚度，标准测量方法为在胎儿正中矢状切面测量颈项透明层厚度，测量时胎头与脊柱呈一直线，测量点放置于两条高回声线的内侧缘进行测量。颈项透明层增厚不仅与唐氏综合征高度相关，还与胎儿各种先天性异常包括染色体异常、心血管系统、骨骼系统、代谢及血液系统异常有高度相关性。
目前，在临床实际诊断中，正中矢状切面上的颈项透明层厚度测量是由超声医生手动实现，这就造成以下五个方面不足：
1、基层医院医疗资源不足：基层医院缺乏有经验的超声医生以及先进的超声成像设备，特别是针对高龄产妇产前超声检查，需要到三甲医院进行，导致患者就诊困难；
2、超声检查工作效率不高：具有丰富临床经验的超声医生的数量较少，手动测量胎儿颈项透明层厚度速度相对较慢，导致效率低下；
3、难以控制超声影像检查质量：颈项透明层厚度测量要求超声医生能够正确掌握测量的标准切面和方法，如果超声医生经验水平不足，容易测量不规范，难以控制超声影像检查质量；
4、超声医生易患职业病；一方面目前超声医生数量缺乏，工作强度很高，同时超声医生需大量进行如移动探头、冻结图像等重复性工作，易患重复性压力损伤；
5、超声检查结果存在差异；在实际临床操作中，医生对获取的胎儿超声图像进行主观评估，由于不同的超声医生的经验和能力不同，导致超声检查结果存在主观性和差异性。
近年来，Bernardino等提出使用Sobel算子来帮助医生手动检测颈项透明层的厚度，Lee等提出了一个代价函数来测量颈项透明层的厚度，代价函数由梯度部分和连续性部分组成，基于这个代价函数，采用动态规划算法来搜索颈项透明层的厚度。上述方法都需要人工选取颈项透明层的感兴趣区域。国内，复旦大学汪源源团队提出了一个分层模型，在很好表征胎儿颈项透明层信息的同时，考虑了上下文信息，实现了颈项透明层的自动提取，但其自动识别的准确率仅约60%。因此目前还尚未有全自动精准测量颈项透明层厚度的方案，如何提高颈项透明层厚度测量的准确性，能否结合深度学习对超声图像进行处理和分析，提供一个客观的标准化操作规范，辅助医生进行诊断是智能超声领域值得突破的难题。
受到生物神经系统的启发，卷积神经网络（Convolutional Neural Networks，CNN）在物体识别和检测领域已经获得了巨大的成功，其中深度卷积神经网络（DeepConvolutional Neural Networks，DCNN）发展非常迅速。DCNN在传统多层感知器的基础上受大脑神经元结构启发变异而来，具有非常强大的特征学习以及特征表达能力。DCNN目前已在图像配准、组织分割、计算机辅助疾病诊断和预后评估等多个医学图像领域成功应用。但针对胎儿超声正中矢状切面上的颈项透明层厚度测量，仍没有基于DCNN的全自动测量方法出现。
发明内容
本发明所要解决的技术问题是：现有对胎儿颈项透明层厚度测量的临床实际诊断过程中，由于颈项透明层超声图像是人工筛选，检查过程受多种因素的影响，包括孕周、胎动、胎儿体位、孕妇的肥胖、超声仪器性能、操作者技术水平等，对操作者的熟练技术依赖性较强，测量结果往往因不同操作者而差异较大，为解决上述问题，本发明提出基于深度卷积神经网络—DeepLabv3+的胎儿颈项透明层厚度全自动精确测量方法。
本发明通过下述技术方案实现：
一种胎儿颈项透明层厚度测量方法，包括以下步骤：
步骤1，获取原始胎儿超声图像；
步骤2，得到去图像敏感信息后的胎儿超声图像；
步骤3，将去敏感信息后的图像输给已训练好的DeepLabv3+模型，得到图像分割结果；
步骤4，根据分割结果获取感兴趣区域的边缘特征，提取分割边界，完成胎儿颈项透明层厚度的测量。
进一步地，所述胎儿颈项透明层厚度自动测量系统在深度学习框架Pytorch下进行设计与测试。
进一步地，所述步骤2中，对超声图像进行了去图像敏感信息处理，去除超声图像上的名字及标记符等信息。
进一步地，所述步骤3中，DeepLabv3+模型训练方法包括以下步骤：
步骤31，准备数据集，搭建DeepLabv3+模型，对DeepLabv3+模型进行训练；
步骤32，在胎儿超声图像上训练DeepLabv3+模型并进行微调；
步骤33，降低损失函数，优化DeepLabv3+模型；
步骤34，训练时，原始图像与标记图像成对输入，图像中的每个像素对损失函数交叉熵是等同权重；
步骤35，使用随机梯度下降算法（Stochastic gradient descent，SGD）优化DeepLabv3+模型参数；
进一步地，所述DeepLabv3+模型训练方法具体操作为：步骤31，搭建DeepLabv3+模型，在胎儿超声图像上对DeepLabv3+模型进行训练；步骤32，对步骤31得到的模型进行微调，提高分割效果；步骤33，训练过程中，我们使用交叉熵代价函数作为损失函数，来衡量预测值与实际值之间的差异，并优化DeepLabv3+模型；步骤34，训练过程中，原始图像与标记图像成对的输入训练，图像中的每个像素对损失函数交叉熵是等同权重；步骤35，使用随机梯度下降算法（Stochastic gradient descent，SGD）,优化DeepLabv3+模型参数，使DeepLabv3+模型达到最优，整个训练过程，总计迭代 100轮，初始学习率为1×10-7，每 2轮下降一次学习率。
进一步地，所述步骤4中，提取分割边界的具体操作为：对得到的分割图像使用canny算法，提取分割图像的边界。
本方法基于图像深度学习的思路：通过Pytorch框架，选择DeepLabv3+模型，加入有针对性选择，清洗标注以后的影像数据集，通过对DeepLabv3+进行训练，调优参数以后，对胎儿颈项透明带影像的测量带进行特征识别，分割，提取，测量得出测量值，如果测量值大于3mm，胎儿患有唐氏综合征的风险几率很大，建议进行进一步临床筛查。
本发明具有如下的优点和有益效果：
本发明实现对胎儿超声正中矢状切面颈项透明层厚度精确测量，使用DeepLabv3+卷积神经网络模型有效分割识别胎儿正中矢状切面的区域，准确找出超声图像中颈背部皮下长条形无回声带，进而实现了胎儿颈项透明层厚度的测量，具有较高的精确性，适用于产前超声检查，有利于医生熟练掌握，使诊断结果具有客观性，减少人为误差，降低误诊率，同时还能提高医疗资源的有效利用，具有较大的社会价值和使用价值，有望向基层医院推广使用。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明提供的一幅胎儿超声图像；
图2为现有技术中医生手动胎儿颈项透明层厚度测量图；
图3为本发明的颈项透明层厚度测量方法流程图；
图4为胎儿超声颈项透明层标注图对比图，第一排线框区域为医生手工标注结果，第二排线框区域为本算法的自动标注结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本实施例提供了一种胎儿颈项透明层厚度测量方法，操作步骤依次如下：
步骤1，输入原始胎儿超声正中矢状切面超声扫查图像；所述胎儿颈项透明层厚度测量方法是在深度学习框架Pytorch下，进行颈项透明层厚度自动测量系统设计与测试；
步骤2，去除输入图像的敏感信息，所述敏感信息包括图像边缘的患者姓名、年龄等隐私信息；
步骤3，输入给已训练好的DeepLabv3+模型，利用迁移学习，得到图像分割结果，对图像的目标区域和背景区域的混淆区域的边界进行分割；
该系统实验运行硬件环境为 32 核 2.9GHz Intel Xeon E5-2670 CPU、NVIDIA1080TI GPU 和64GB 内存的计算机。为了提高网络训练速度，本发明使用的DeepLabv3+模型并未采取高斯分布来初始化，而是直接在胎儿超声图像上训练DeepLabv3+模型，并进行微调，具体如下。
DeepLabv3+模型训练过程：1，搭建DeepLabv3+模型，在胎儿超声图像上对DeepLabv3+模型进行训练；2，对步骤31得到的模型进行微调，提高分割效果；3，训练过程中，我们使用交叉熵代价函数作为损失函数，来衡量预测值与实际值之间的差异，并优化DeepLabv3+模型；4，训练过程中，原始图像与标记图像成对的输入训练，图像中的每个像素对损失函数交叉熵是等同权重；5，使用随机梯度下降算法（Stochastic gradientdescent，SGD）,优化DeepLabv3+模型参数，使DeepLabv3+模型达到最优，整个训练过程，总计迭代 100轮，初始学习率为1×10-7，每 2轮下降一次学习率。
步骤4，提取分割边界后完成测量；对得到的分割图像使用canny算法，提取分割图像的边界；最后获取边界像素长度，完成测量。
本方法基于图像深度学习的思路：通过Pytorch框架，选择DeepLabv3+模型，加入有针对性选择，清洗标注以后的影像数据集，通过对DeepLabv3+进行训练，调优参数以后，对胎儿颈项透明带影像的测量带进行特征识别，分割，提取，测量得出测量值，如果测量值大于3mm，胎儿患有唐氏综合征的风险几率很大，建议进行进一步临床筛查。
实施例2
基于实施例1提供的胎儿颈项透明层厚度测量方法，进行结果评估：
1、定性评估
图4为胎儿超声颈项透明层标注图。依次由左向右排列，第一排为手动轮廓标注，第二排为算法的自动标注结果。可以很明显的发现，我们的算法成功将胎儿正中矢状切面识别分割出来，并准确找出超声图像中颈背部皮下长条形无回声带。与此同时，算法的分割结果与手动标注基本一致，说明了本算法在此问题上的可行性。
2、定量评估
我们在模型生成的掩模图与标准的掩模图的面积上做评价，评价指标有DSC(Dicesimilarity coefficient)，PM(Prevent match)，CR(Correspondence ratio)，它们的定义分别如下：
Figure 78655DEST_PATH_IMAGE001
其中，M(○)表示区域大小，G表示医生手动标注的掩模图，P表示我们模型生成的掩模图。
Figure DEST_PATH_IMAGE002
Figure 638206DEST_PATH_IMAGE003
其中，T表示分割正确的区域，F表示错误分割的区域，G表示医生手动标注的掩模图。PM可以度量漏分割的情况，而CR可以度量误分割的情况。三者都是越大评价结果越好。
表1 定量评估
Figure DEST_PATH_IMAGE004
DSC表示的是模型生成的分割图面积与手工标注的面积的重合率，PM可以度量漏分类的情况，而CR可以度量误分类的情况。从表1可以看出，我们的模型在数据量较少的情况下依然能取得较好的评价结果。说明了本发明精确测量颈项透明层厚度的有效性。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.胎儿颈项透明层厚度测量方法，其特征在于：包括以下步骤：
步骤1，获取原始胎儿超声图像；
步骤2，去除原始胎儿超声图像中的敏感信息；
步骤3，将去除敏感信息后的图像输给已训练的模型，进行图形分割，从而得到图像分割结果；
步骤4，根据分割结果获取待测量区域的边缘特征，提取分割边界，对胎儿颈项透明层厚度进行测量；
所述步骤3中，所述已训练的模型为DeepLabv3+模型；
DeepLabv3+模型训练方法包括以下步骤：
步骤31，准备数据集，搭建DeepLabv3+模型，对DeepLabv3+模型进行训练；
步骤32，对在胎儿超声图像上训练DeepLabv3+模型并进行微调；
步骤33，降低损失函数，优化DeepLabv3+模型；
步骤34，训练时，原始图像与标记图像成对输入，图像中的每个像素对损失函数交叉熵是等同权重；
步骤35，使用随机梯度下降算法优化DeepLabv3+模型参数。
2.根据权利要求1所述的胎儿颈项透明层厚度测量方法，其特征在于：所述胎儿颈项透明层厚度自动测量方法在深度学习框架Pytorch下进行设计与测试。
3.根据权利要求1所述的胎儿颈项透明层厚度测量方法，其特征在于：所述步骤2中，所述敏感信息至少包含原始超声图像上的隐私类信息。
4.根据权利要求1所述的胎儿颈项透明层厚度测量方法，其特征在于：所述步骤33中，使用交叉熵代价函数作为损失函数，衡量预测值与实际值之间的差异，并优化DeepLabv3+模型。
5.根据权利要求1所述的胎儿颈项透明层厚度测量方法，其特征在于：所述步骤35中，使用随机梯度下降算法优化DeepLabv3+模型参数，使DeepLabv3+模型达到最优，整个训练过程，总计迭代 100轮，初始学习率为1×10-7，每 2轮下降一次学习率。
6.根据权利要求1所述的胎儿颈项透明层厚度测量方法，其特征在于：所述步骤4中，提取分割边界的具体操作为：对得到的分割图像使用canny算法，提取分割图像的边界。
7.根据权利要求1-6任意一项所述的胎儿颈项透明层厚度测量方法，其特征在于：本方法基于图像深度学习的思路为：通过Pytorch框架，选择DeepLabv3+模型，清洗标注以后的影像数据集，通过对DeepLabv3+进行训练，调整参数以后，对胎儿颈项透明带影像的测量带进行特征识别、分割、提取和测量得出测量值。
CN201910081191.1A 2019-01-28 2019-01-28 胎儿颈项透明层厚度测量方法 Active CN111481233B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910081191.1A CN111481233B (zh) 2019-01-28 2019-01-28 胎儿颈项透明层厚度测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910081191.1A CN111481233B (zh) 2019-01-28 2019-01-28 胎儿颈项透明层厚度测量方法

Publications (2)

Publication Number Publication Date
CN111481233A CN111481233A (zh) 2020-08-04
CN111481233B true CN111481233B (zh) 2022-05-13

Family

ID=71788659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910081191.1A Active CN111481233B (zh) 2019-01-28 2019-01-28 胎儿颈项透明层厚度测量方法

Country Status (1)

Country Link
CN (1) CN111481233B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113729778A (zh) * 2021-09-02 2021-12-03 广州爱孕记信息科技有限公司 颈项透明层厚度的确定方法及装置
CN115482190A (zh) * 2021-11-10 2022-12-16 中山大学附属第七医院(深圳) 一种胎儿心脏结构分割测量方法、装置及计算机存储介质
CN114782407A (zh) * 2022-05-23 2022-07-22 中山大学附属第一医院 基于卷积神经网络的胎儿超声关键切面识别方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080004775A (ko) * 2006-07-06 2008-01-10 이화여자대학교 산학협력단 태아 초음파 영상에서 목덜미투명대의 자동 측정방법
CN103263278A (zh) * 2013-01-23 2013-08-28 郑末晶 一种从超声图像上自动测量胎儿颈背透明物厚度的图像处理方法
CN104156967A (zh) * 2014-08-18 2014-11-19 深圳市开立科技有限公司 一种胎儿颈部透明层图像分割方法、装置及系统
CN105405119A (zh) * 2015-10-21 2016-03-16 复旦大学 基于深度置信网络和三维模型的胎儿正中矢状面自动检测方法
CN107236804A (zh) * 2017-06-21 2017-10-10 中国人民解放军第三军医大学第附属医院 人hsa‑miR‑124a‑3p PCR检测方法及其在DS妊娠风险预测中的应用
CN108888294A (zh) * 2018-03-30 2018-11-27 杭州依图医疗技术有限公司 一种检测颈部透明带宽度的方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104394771B (zh) * 2012-06-04 2017-07-04 泰尔哈绍梅尔医学研究基础设施和服务有限公司 超声图像处理
EP3422953B1 (en) * 2016-03-01 2022-05-11 Koninklijke Philips N.V. Automated ultrasonic measurement of nuchal fold translucency

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080004775A (ko) * 2006-07-06 2008-01-10 이화여자대학교 산학협력단 태아 초음파 영상에서 목덜미투명대의 자동 측정방법
CN103263278A (zh) * 2013-01-23 2013-08-28 郑末晶 一种从超声图像上自动测量胎儿颈背透明物厚度的图像处理方法
CN104156967A (zh) * 2014-08-18 2014-11-19 深圳市开立科技有限公司 一种胎儿颈部透明层图像分割方法、装置及系统
CN105405119A (zh) * 2015-10-21 2016-03-16 复旦大学 基于深度置信网络和三维模型的胎儿正中矢状面自动检测方法
CN107236804A (zh) * 2017-06-21 2017-10-10 中国人民解放军第三军医大学第附属医院 人hsa‑miR‑124a‑3p PCR检测方法及其在DS妊娠风险预测中的应用
CN108888294A (zh) * 2018-03-30 2018-11-27 杭州依图医疗技术有限公司 一种检测颈部透明带宽度的方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Context encoding for semantic segmentation;Zhang H, 等;《Proceedings of the IEEE conference on Computer Vision and Pattern Recognition》;20181231;全文 *
Early diagnosis of trisomy 21, trisomy 18 and trisomy 13 using nuchal translucency thickness and ductus venosus blood flow waveform in West China;Tang Y,等;《Molecular Medicine Reports》;20181212;全文 *
Fully automated, real-time 3D ultrasound segmentation to estimate first trimester placental volume using deep learning;Looney P,等;《JCI insight》;20180706;全文 *
Fully convolutional densenet with multiscale context for automated breast tumor segmentation;Hai J, 等;《Journal of healthcare engineering》;20190114;全文 *
Volume NT 测量胎儿颈项透明层厚度的研究;章华，等;《同济大学学报（医学版）》;20150228;第36卷(第期);全文 *
妇产科早期诊断中超声图像的分析与处理研究;邓寅晖;《中国博士学位论文全文数据库 信息科技辑》;20111231;全文 *

Also Published As

Publication number Publication date
CN111481233A (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
KR102165840B1 (ko) 인공지능 기반 뇌졸중 진단 장치 및 방법
CN110279433B (zh) 一种基于卷积神经网络的胎儿头围自动精确测量方法
ES2914387T3 (es) Estudio inmediato
CN111481233B (zh) 胎儿颈项透明层厚度测量方法
Cerrolaza et al. Deep learning with ultrasound physics for fetal skull segmentation
KR102189622B1 (ko) 뇌출혈 여부 및 종류를 분류하는 인공지능 시스템 기반의 뇌졸중 진단 장치
TW201940124A (zh) 乳房腫瘤輔助檢測模型及乳房腫瘤輔助檢測系統
CN109255354B (zh) 面向医用ct的计算机图像处理方法和装置
Cobo et al. Feasibility and reproducibility of fetal lung texture analysis by automatic quantitative ultrasound analysis and correlation with gestational age
Balasooriya et al. Intelligent brain hemorrhage diagnosis using artificial neural networks
Hu et al. Automated placenta segmentation with a convolutional neural network weighted by acoustic shadow detection
KR102189626B1 (ko) 학습한 인공지능 모델을 기초로 기계적 혈전 절제술이 필요한 환자인지 여부를 판단하는 뇌졸중 진단 장치
KR102189623B1 (ko) 비 뇌출혈 상태인 경우, 뇌 대혈관의 이상 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치
KR102189625B1 (ko) Aspects를 산출하는 인공지능 기반 뇌졸중 진단 장치
Potočnik et al. Computerized detection and recognition of follicles in ovarian ultrasound images: a review
Dan et al. DeepGA for automatically estimating fetal gestational age through ultrasound imaging
KR102219201B1 (ko) 뇌졸중이 존재하는 환자군을 선별하여 임상시험 성공 확률을 높이는 방법
CN117529282A (zh) 通过超声图像的分析诊断肺炎的设备和方法
Sergeant et al. Same task, same observers, different values: the problem with visual assessment of breast density
KR102410254B1 (ko) 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치 및 진단 관련 정보 제공 방법
Angeli et al. Automatic measurement of head-perineum distance during intrapartum ultrasound: description of the technique and preliminary results
Memiş et al. A new scheme for automatic 2D detection of spheric and aspheric femoral heads: A case study on coronal MR images of bilateral hip joints of patients with Legg-Calve-Perthes disease
CN113838020B (zh) 一种基于钼靶影像的病变区域量化方法
KR102219202B1 (ko) 인공지능 기반 뇌졸중 진단 정보를 제공하는 방법
KR102189624B1 (ko) 뇌 대혈관폐색 환자인지 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치

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