CN111833348A - 一种基于图像处理的血管沉积物自动检测方法 - Google Patents
一种基于图像处理的血管沉积物自动检测方法 Download PDFInfo
- Publication number
- CN111833348A CN111833348A CN202010795680.6A CN202010795680A CN111833348A CN 111833348 A CN111833348 A CN 111833348A CN 202010795680 A CN202010795680 A CN 202010795680A CN 111833348 A CN111833348 A CN 111833348A
- Authority
- CN
- China
- Prior art keywords
- image
- ultrasonic image
- blood vessel
- detected
- resolution
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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]
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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 Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于图像处理的血管沉积物自动检测方法,其特征在于,所述检测方法包括步骤:对待测血管超声图像进行预处理获取预处理后待测血管超声图像;使用所述预处理后待测血管超声图像对超分辨率对抗网络模型进行训练;获取待测感兴趣区域图像;将所述待测感兴趣区域图像输入已训练检测模型;获取所述待测血管超声图像的检测结果。本发明提高了超声图像质量,一定程度上解决超声仪在拍摄超声图像过程中,由于仪器本身、拍摄原理以及操作者个人因素造成的超声图像分辨率不高的问题,方便后续处理提高检测准确性;缩小检测范围并可以有效提高检测效率;具有高识别率和高效率的特点。
Description
技术领域
本发明涉及医学超声图像处理领域,具体涉及一种基于超声图像的血管沉积物自动检测方法。
背景技术
血管沉积物过多会导致血管堵塞,会引发多种心血管疾病,及时有效的检测和诊断对患者的早期干预和后期治疗至关重要,我国CVD(Cardiovascular Disease,心血管疾病)患者正在逐年上涨。心血管疾病的病理基础是动脉粥样硬化,即在多种致病因素的作用下,血管壁内有沉积物,产生成片或分散的粥样斑块,导致血管壁中IMT(Intima MediaThickness,内中膜厚度)增加的现象。
目前超声检查已经在临床诊断中广泛使用。由于超声图像自身分辨率低,且包含斑块噪声,导致判读图像难度增大,且判读的主观性强,易出现漏诊或误诊的现象。
对于早期诊断和治疗相关疾病,已经在不同的研究中尝试了多种方法。这些研究主要使用不同的机器学习算法对不同数量的患者医疗图像进行分析处理。计算机辅助IMT测量算法,具体实现原理主要包括:主要有边缘检测、活动轮廓模型、动态规划、霍夫变换、随机场模型、神经网络及模糊聚类等。通过分析已有的测量方案和算法,可知目前的常规思路为两步,首先获取ROI(Region Of Interest,感兴趣区域),其次在初始轮廓线的基础上获得最终轮廓线并测量IMT。目前,深度学习已经被用在医学领域进行了不同的研究,因此,如何利用深度学习对血管图像进行处理从而为医学图像辅助诊断提供了新的想法和研究手段,并为医生减轻工作压力,为患者提供便利是目前有待解决的问题。
发明内容
本发明要解决的技术问题是如何利用深度学习对血管图像进行处理问题,提供一种基于图像处理的血管沉积物自动检测方法。
本发明是通过下述技术方案来解决上述技术问题:
一种基于图像处理的血管沉积物自动检测方法,所述检测方法包括步骤:
对待测血管超声图像进行预处理获取预处理后待测血管超声图像;
使用所述预处理后待测血管超声图像对超分辨率对抗网络模型进行训练;
获取待测感兴趣区域图像;
将所述待测感兴趣区域图像输入已训练检测模型;
获取所述待测血管超声图像的检测结果。
较佳地,所述已训练检测模型的获取包括步骤:
对训练血管超声图像进行预处理获取预处理后训练血管超声图像;
使用所述预处理后训练血管超声图像对所述超分辨率对抗网络模型进行训练;
获取训练感兴趣区域图像并进行标定;
使用所述训练感兴趣区域图像训练所述检测模型中的卷积神经网络;
获取所述已训练检测模型。
进一步地,所述预处理包括步骤:
对所述血管超声图像进行裁剪;
获取裁剪后血管超声图像。
更优地,所述对超分辨率对抗网络模型进行训练包括步骤:
对所述裁剪后血管超声图像进行下采样获取低分辨血管超声图像;
将所述低分辨血管超声图像输入生成器网络获取高分辨血管超声图像;
对所述高分辨血管超声图像通过判别器进行判断是否符合要求从而获取已训练超分辨率对抗网络模型。
较佳地,所述感兴趣区域图像的获取包括步骤:
将所述裁剪后血管超声图像进行下采样后输入所述已训练超分辨率对抗网络模型获取高质量血管超声图像;
对所述高质量血管超声图像使用高斯混合模型转换为分类后血管超声图像;
对所述分类后血管超声图像进行灰度分级;
对进行所述灰度分级后的图像进行形态学处理;
获取所述感兴趣区域图像。
较佳地,所述卷积神经网络包括:卷积层,池化层,全连接层及激活函数。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:提高了超声图像质量,一定程度上解决超声仪在拍摄超声图像过程中,由于仪器本身、拍摄原理以及操作者个人因素造成的超声图像分辨率不高的问题,方便后续处理提高检测准确性;缩小检测范围并可以有效提高检测效率;具有高识别率和高效率的特点。
附图说明
图1为本发明一种基于图像处理的血管沉积物自动检测方法中一实施例的方法流程图;
图2为本发明一种基于图像处理的血管沉积物自动检测方法中一实施例的获取已训练超分辨率对抗网络模型方法流程图;
图3为本发明一种基于图像处理的血管沉积物自动检测方法中一实施例的感兴趣区域图像获取流程图;
图4为本发明一种基于图像处理的血管沉积物自动检测方法中一实施例的卷积神经网络结构图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本申请的公开内容更加透彻全面。
需要说明的是,当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件并与之结合为一体,或者可能同时存在居中元件。本文所使用的术语“安装”、“一端”、“另一端”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示为本发明一种基于图像处理的血管沉积物自动检测方法流程图,步骤如下:
S01:待测血管超声图像预处理;
在一个示例中,如图2所示,
对所述血管超声图像进行裁剪;
在一个示例中,对颈动脉超声图像进行裁剪,去除包含如日期、器械名称、参数设置等很多无用信息的区域只保留与颈动脉信息相关区域。
从而获取裁剪后血管超声图像;
在一个示例中,裁剪后的超声图像像素为400×400。
S02:预处理后待测血管超声图像对所述SR-GAN(Super Resolution-GenerativeAdversarial Networks,超分辨率对抗网络)模型进行训练;
在一个示例中,如图2所示,
获取低分辨血管超声图像;
将超声图像通过双三次插值进行下采样从而获得低分辨血管超声图像。
将获取的低分辨血管超声图像输入到搭建好的生成器中生成高分辨血管超声图像,并用判别器来判别输入的图片是否为生成器生成,如果判别器能够判别高分辨血管超声图片由生成器生成的,则将高分辨血管超声图像重新生成,直到判别器不能判别出高分辨血管超声图像是由生成器生成,达到对SR-GAN模型的目的。
S03:获取待测感兴趣区域图像;
在一个示例中,如图3所示,
S31:将所述裁剪后血管超声图像进行所述下采样后输入所述已训练SR-GAN模型获取高质量血管超声图像;
S32:对所述高质量血管超声图像使用高斯混合模型转换为分类后血管超声图像;
在一个示例中,利用血管形态信息,依据血管超声成像管腔、血管壁、血管膜像素值的不同,本发明使用GMM(Gaussian Mixture Model,高斯混合模型)算法将图像中所有像素点值作为聚类的元素,将图像中所有点分为三类。本发明GMM的概率密度函数为:
其中F={f1,f2,……,fN}图像像素点集,N为图像中像素点个数;K为高斯混合模型的分支数;αi为权重系数,且满足P(fi|θi)是高斯混合模型中单个高斯分布概率;θi=(μi,∑i)为未知参数。用EM(Expectation Maximization,最大期望)算法求解高斯混合模型的未知参数θi=(μi,∑i)。最后将分类后的数据点转为图像显示。
S33:对所述分类后血管超声图像进行灰度分级;
在一个示例中,按照血管的灰度值特性对聚类后的动脉超声图像进行灰度分级,计算三张图像像素值的平均值,把值最低的图像灰度值映射到0,把另外两张灰度值映射到255,最后将三张图像融合到一起。
S34:对进行所述灰度分级后的图像进行形态学处理;
在一个示例中,对图像进行闭运算,它可以封闭融合后的图像中细微连在一起的图块,从而填补了图像,与此同时能保持图像内容的位置和形状不变。
S35:获取所述待测感兴趣区域图像。
在一个示例中,保留近端远端两个大的连通域,删除图像上过小的连通域。依据远端血管壁的质心大的特点,删去近端连通域,获取最终ROI(Region Of Interest,感兴趣区域)。
S04:已训练检测模型;
在一个示例中,采用交叉验证方法,将416张经过标定后的超声图像随机分为10组,8组为训练集,2组为测试集,并且迭代了50次,最终获得颈动脉斑块检测模型。
所述已训练检测模型的获得包括如下步骤:
S041:训练血管超声图像预处理;
S042:预处理后训练血管超声图像对所述超分辨率对抗网络模型进行训练;
S043:获取训练感兴趣区域图像并进行标定;
S044:训练所述检测模型中的卷积神经网络;
在一个可选的示例中,如图4所示,所述卷积神经网络包含了9个卷积层,每个卷积核的大小均为3×3,并在每个卷积层后面添加ReLU(Rectified Linear Unit,线性整流函数)激活函数,将ReLU激活函数的激活结果作为新卷积层的输入,为防止过拟合添加4个大小为2×2的最大池化层,最后通过全连接层连接全部特征并产生输出值,将输出值输入到sigmoid激活函数中,所述sigmoid激活函数输出检测结果。
在一个可选的示例中,将输入值所述卷积神经网络的ROI图像分辨率调整统一大小(400×120),其中由相关专家将有斑块的ROI标定为“1”,其余标定为“0”,从而形成训练集和测试集,标定完成之后,随机混合存储标定图像顺序以防止模型记忆数据并提高模型准确性,将标定后的图像作为卷积神经网络的输入进行训练并提取特征。
S05:获取所述待测血管超声图像的检测结果。
在一个示例中,进行颈动脉斑块检测。将待测的颈动脉超声图像经过处理后,输入到训练好的神经网络模型,用于判断颈动脉超声图像中是否长有斑块,最终准确度、敏感度、特异度分别为94.11%、96.30%、91.67%,真实值有很高的一致性,且鲁棒性好。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (6)
1.一种基于图像处理的血管沉积物自动检测方法,其特征在于,所述检测方法包括步骤:
对待测血管超声图像进行预处理获取预处理后待测血管超声图像;
使用所述预处理后待测血管超声图像对超分辨率对抗网络模型进行训练;
获取待测感兴趣区域图像;
将所述待测感兴趣区域图像输入已训练检测模型;
获取所述待测血管超声图像的检测结果。
2.如权利要求1所述的,一种基于图像处理的血管沉积物自动检测方法,其特征在于,所述已训练检测模型的获取包括步骤:
对训练血管超声图像进行预处理获取预处理后训练血管超声图像;
使用所述预处理后训练血管超声图像对所述超分辨率对抗网络模型进行训练;
获取训练感兴趣区域图像并进行标定;
使用所述训练感兴趣区域图像训练所述检测模型中的卷积神经网络;
获取所述已训练检测模型。
3.如权利要求2所述的一种基于图像处理的血管沉积物自动检测方法,其特征在于,所述预处理包括步骤:
对所述血管超声图像进行裁剪;
获取裁剪后血管超声图像。
4.如权利要求3所述的一种基于图像处理的血管沉积物自动检测方法,其特征在于,所述对超分辨率对抗网络模型进行训练包括步骤:
对所述裁剪后血管超声图像进行下采样获取低分辨血管超声图像;
将所述低分辨血管超声图像输入生成器网络获取高分辨血管超声图像;
对所述高分辨血管超声图像通过判别器进行判断是否符合要求从而获取已训练超分辨率对抗网络模型。
5.如权利要求2所述的一种基于图像处理的血管沉积物自动检测方法,其特征在于,所述感兴趣区域图像的获取包括步骤:
将所述裁剪后血管超声图像进行所述下采样后输入所述已训练超分辨率对抗网络模型获取高质量血管超声图像;
对所述高质量血管超声图像使用高斯混合模型转换为分类后血管超声图像;
对所述分类后血管超声图像进行灰度分级;
对进行所述灰度分级后的图像进行形态学处理;
获取所述感兴趣区域图像。
6.如权利要求2所述的一种基于图像处理的血管沉积物自动检测方法,其特征在于,所述卷积神经网络包括:卷积层,池化层,全连接层及激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010795680.6A CN111833348B (zh) | 2020-08-10 | 2020-08-10 | 一种基于图像处理的血管沉积物自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010795680.6A CN111833348B (zh) | 2020-08-10 | 2020-08-10 | 一种基于图像处理的血管沉积物自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111833348A true CN111833348A (zh) | 2020-10-27 |
CN111833348B CN111833348B (zh) | 2023-07-14 |
Family
ID=72919649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010795680.6A Active CN111833348B (zh) | 2020-08-10 | 2020-08-10 | 一种基于图像处理的血管沉积物自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833348B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712877A (zh) * | 2020-12-07 | 2021-04-27 | 西安电子科技大学 | 大视场高通量高分辨病理切片分析仪 |
CN114677503A (zh) * | 2022-03-10 | 2022-06-28 | 上海联影医疗科技股份有限公司 | 感兴趣区域检测方法、装置、计算机设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050096528A1 (en) * | 2003-04-07 | 2005-05-05 | Sonosite, Inc. | Ultrasonic blood vessel measurement apparatus and method |
CN106570871A (zh) * | 2016-11-02 | 2017-04-19 | 天津大学 | 模糊c均值颈动脉超声图像内中膜厚度测量方法及系统 |
US20180144214A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for image reconstruction and quality evaluation |
CN108171700A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于对抗网络的医学图像肺结节检测方法 |
CN108460726A (zh) * | 2018-03-26 | 2018-08-28 | 厦门大学 | 一种基于增强递归残差网络的磁共振图像超分辨重建方法 |
US20190057488A1 (en) * | 2017-08-17 | 2019-02-21 | Boe Technology Group Co., Ltd. | Image processing method and device |
CN110140042A (zh) * | 2016-05-31 | 2019-08-16 | Q生物公司 | 张量场映射 |
CN110807762A (zh) * | 2019-09-19 | 2020-02-18 | 温州大学 | 一种基于gan的视网膜血管图像智能分割方法 |
CN110946619A (zh) * | 2019-11-27 | 2020-04-03 | 杨靖 | 血管内超声自动影像组学分析系统及分析方法 |
-
2020
- 2020-08-10 CN CN202010795680.6A patent/CN111833348B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050096528A1 (en) * | 2003-04-07 | 2005-05-05 | Sonosite, Inc. | Ultrasonic blood vessel measurement apparatus and method |
CN110140042A (zh) * | 2016-05-31 | 2019-08-16 | Q生物公司 | 张量场映射 |
CN106570871A (zh) * | 2016-11-02 | 2017-04-19 | 天津大学 | 模糊c均值颈动脉超声图像内中膜厚度测量方法及系统 |
US20180144214A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for image reconstruction and quality evaluation |
US20190057488A1 (en) * | 2017-08-17 | 2019-02-21 | Boe Technology Group Co., Ltd. | Image processing method and device |
CN108171700A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于对抗网络的医学图像肺结节检测方法 |
CN108460726A (zh) * | 2018-03-26 | 2018-08-28 | 厦门大学 | 一种基于增强递归残差网络的磁共振图像超分辨重建方法 |
CN110807762A (zh) * | 2019-09-19 | 2020-02-18 | 温州大学 | 一种基于gan的视网膜血管图像智能分割方法 |
CN110946619A (zh) * | 2019-11-27 | 2020-04-03 | 杨靖 | 血管内超声自动影像组学分析系统及分析方法 |
Non-Patent Citations (5)
Title |
---|
CHUNJUN QIAN等: "An integrated method for atherosclerotic carotid plaque segmentation in ultrasound image", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》, vol. 153, pages 19 - 32, XP085266170, DOI: 10.1016/j.cmpb.2017.10.002 * |
SERKAN SAVAŞ等: "Classification of Carotid Artery Intima Media Thickness Ultrasound Images with Deep Learning", 《JOURNAL OF MEDICAL SYSTEMS》, vol. 43, no. 8, pages 1 - 12, XP036846542, DOI: 10.1007/s10916-019-1406-2 * |
吴洋洋等: "生成对抗网络的血管内超声图像超分辨率重建", 《南方医科大学学报》, vol. 39, no. 01, pages 82 - 87 * |
张琦珺: "基于模糊聚类和HMRF的超声颈总动脉内中膜测量算法的研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 09, pages 062 - 3 * |
贺桢等: "基于卷积神经网络检测颈动脉斑块", 《中国医学物理学杂志》, vol. 39, no. 1, pages 122 - 126 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712877A (zh) * | 2020-12-07 | 2021-04-27 | 西安电子科技大学 | 大视场高通量高分辨病理切片分析仪 |
WO2022121284A1 (zh) * | 2020-12-07 | 2022-06-16 | 西安电子科技大学 | 大视场高通量高分辨病理切片分析仪 |
CN112712877B (zh) * | 2020-12-07 | 2024-02-09 | 西安电子科技大学 | 大视场高通量高分辨病理切片分析仪 |
CN114677503A (zh) * | 2022-03-10 | 2022-06-28 | 上海联影医疗科技股份有限公司 | 感兴趣区域检测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111833348B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6309353B1 (en) | Methods and apparatus for tumor diagnosis | |
CN111000590B (zh) | 超声心脏多普勒研究自动化 | |
CN112529894B (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
CN112396621B (zh) | 基于深度学习的高分辨率显微内窥镜图像细胞核分割方法 | |
CN111833348B (zh) | 一种基于图像处理的血管沉积物自动检测方法 | |
Kyriacou et al. | Ultrasound imaging in the analysis of carotid plaque morphology for the assessment of stroke | |
CN112001895B (zh) | 一种甲状腺钙化检测装置 | |
CN111681210A (zh) | 基于深度学习的剪切波弹性图鉴别乳腺结节良恶性的方法 | |
Dandan et al. | Classification of diffuse liver diseases based on ultrasound images with multimodal features | |
CN111178369A (zh) | 一种医学影像的识别方法及系统、电子设备、存储介质 | |
CN116188488B (zh) | 基于灰度梯度的b超图像病灶区域分割方法及装置 | |
Li et al. | Computer aided diagnosis of fatty liver ultrasonic images based on support vector machine | |
Patil et al. | Caries detection using multidimensional projection and neural network | |
Gopalakrishnan et al. | Itl-cnn: Integrated transfer learning-based convolution neural network for ultrasound pcos image classification | |
YILMAZ et al. | Follicle detection for polycystic ovary syndrome by using image processing methods | |
Yu et al. | Fetal ultrasound image segmentation system and its use in fetal weight estimation | |
CN116584977A (zh) | 一种用于脑血管疾病分析的计算机辅助诊断系统和方法 | |
Scheipers et al. | Sonohistology for the computerized differentiation of parotid gland tumors | |
Fakhr et al. | Automatic diagnosis of liver diseases from ultrasound images | |
Georgieva et al. | Ultrasound image processing for improving diagnose of renal diseases | |
Guo et al. | Thyroid nodule ultrasonic imaging segmentation based on a deep learning model and data augmentation | |
CN111292285A (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
Shi et al. | Texture features based microscopic image classification of liver cellular granuloma using artificial neural networks | |
CN111640126B (zh) | 基于医学影像的人工智能诊断辅助方法 | |
CN117036302B (zh) | 主动脉瓣膜钙化程度的确定方法和系统 |
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 |