CN112107332A - 医疗超声影像的处理方法、设备和系统 - Google Patents
医疗超声影像的处理方法、设备和系统 Download PDFInfo
- Publication number
- CN112107332A CN112107332A CN202011078865.1A CN202011078865A CN112107332A CN 112107332 A CN112107332 A CN 112107332A CN 202011078865 A CN202011078865 A CN 202011078865A CN 112107332 A CN112107332 A CN 112107332A
- Authority
- CN
- China
- Prior art keywords
- image
- medical
- medical ultrasonic
- image processing
- medical ultrasound
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000003672 processing method Methods 0.000 claims abstract description 11
- 238000003709 image segmentation Methods 0.000 claims abstract description 10
- 238000002604 ultrasonography Methods 0.000 claims description 78
- 238000003745 diagnosis Methods 0.000 claims description 19
- 230000003068 static effect Effects 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 8
- 238000007639 printing Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 208000009137 Behcet syndrome Diseases 0.000 description 3
- 108010074051 C-Reactive Protein Proteins 0.000 description 3
- 102100032752 C-reactive protein Human genes 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004062 sedimentation Methods 0.000 description 3
- 208000027496 Behcet disease Diseases 0.000 description 2
- 208000032750 Device leakage Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010056370 Congestive cardiomyopathy Diseases 0.000 description 1
- 201000010046 Dilated cardiomyopathy Diseases 0.000 description 1
- 206010003230 arteritis Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003709 heart valve Anatomy 0.000 description 1
- 206010020871 hypertrophic cardiomyopathy Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 210000004115 mitral valve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—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)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Physiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种医疗超声影像的处理方法、设备和系统。其中，该方法包括：获取医疗超声影像；对医疗超声影像进行图像处理，得到处理后的医疗超声影像；其中，对医疗超声影像进行图像处理，包括：对医疗超声影像进行图像分割、图像识别和图像特征提取；将处理后的医疗超声影像输入预先训练的预测模型，得到预测结果；其中，预测结果包括处理后的医疗超声影像的匹配结果。本发明解决了现有技术中超声检查只能靠医生分析医疗超声影像而不能主动辅助医生的技术问题。
Description
技术领域
本发明涉及图像处理领域，具体而言，涉及一种医疗超声影像的处理方法、设备和系统。
背景技术
在医疗发展中，医学影像一直占据着重要的地位，医学影像学在临床上的应用主要包括诊断和治疗两方面，通过获得影像来判断病情，是整个诊疗过程中起到非常重要甚至决定性作用的一环，超声是大多数病人会做的项目，且是每个心脏病人必做的检查项目，但是目前的超声检查只能给出超声图像，并不能辅助医生进行诊断，因此目前缺乏一种可以基于医疗超声影像辅助医生进行诊断的方法。
针对上述现有技术中超声检查只能靠医生分析医疗超声影像而不能主动辅助医生的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种医疗超声影像的处理方法、设备和系统，以至少解决现有技术中超声检查只能靠医生分析医疗超声影像而不能主动辅助医生的技术问题。
根据本发明实施例的一个方面，提供了一种医疗超声影像的处理方法，包括：获取医疗超声影像；对医疗超声影像进行图像处理，得到处理后的医疗超声影像；其中，对医疗超声影像进行图像处理，包括：对医疗超声影像进行图像分割、图像识别和图像特征提取；将处理后的医疗超声影像输入预先训练的预测模型，得到预测结果；其中，预测结果包括处理后的医疗超声影像的匹配结果。
根据本发明实施例的另一方面，还提供了一种医疗超声影像的处理设备，包括核心计算器，核心计算器用于执行上述医疗超声影像的处理方法，医疗超声影像的处理设备还包括：数据输入接口，连接医疗超声影像设备和核心计算器，用于从医疗超声影像设备获取医疗超声影响并传输给核心计算器；存储器，与核心计算器连接，用于存储医疗超声影像和核心计算器得到的预测结果；打印机，与核心计算器连接，用于接收核心计算器的打印指令。
根据本发明实施例的另一方面，还提供了一种医疗超声影像的处理系统，包括上述医疗超声影像的处理设备，还包括医疗超声影像设备，其中，医疗超声影像设备和医疗超声影像的处理设备连接。
在本发明实施例中，通过获取医疗超声影像；对医疗超声影像进行图像处理，得到处理后的医疗超声影像；其中，对医疗超声影像进行图像处理，包括：对医疗超声影像进行图像分割、图像识别和图像特征提取；将处理后的医疗超声影像输入预先训练的预测模型，得到预测结果；其中，预测结果包括处理后的医疗超声影像的匹配结果，从而实现了通过预测结果给医生提供参考意见，辅助医生进行诊断，降低诊断难度，帮助病人调整出合适手术的状态，避免在不适宜的阶段盲目做手术导致的高并发症率与高死亡率的技术效果，进而解决了现有技术中超声检查只能靠医生分析医疗超声影像而不能主动辅助医生的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种医疗超声影像的处理方法的示意图；
图2是根据本发明实施例的一种医疗超声影像的处理装置的示意图；
图3是根据本发明实施例的一种医疗超声影像的处理设备的组成部分示意图；
图4是根据本发明实施例的一种医疗超声影像的处理设备的结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种医疗超声影像的处理方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的医疗超声影像的处理方法，如图1所示，该方法包括如下步骤：
步骤S102，获取医疗超声影像；
步骤S104，对医疗超声影像进行图像处理，得到处理后的医疗超声影像；其中，对医疗超声影像进行图像处理，包括：对医疗超声影像进行图像分割、图像识别和图像特征提取；
步骤S106，将处理后的医疗超声影像输入预先训练的预测模型，得到预测结果；其中，预测结果包括处理后的医疗超声影像的匹配结果。
具体的，预先训练的预测模型支持向量机、神经网络等学习方法，包括机械学习、深度学习，无监督学习，有监督学习等。
在应用于白塞病人时，医疗超声影像可以是针对二尖瓣水平短轴切面、四腔心切面、五腔心切面、心底短轴切面、左室长轴切面等部位的医疗超声影像。在经过图像分割和图像识别后，可以识别各个室壁、瓣环、瓣叶、主动脉壁等不同结构，通过图像特征提取则可以提取到瓣叶开闭的速度、相邻点的速度传导参数、结构的厚度变化规律、结构的位移等运动参数特征。在基于白塞病人训练预测模型时，可以事先建立正常人群、白塞病病人超声影像的数据库，利用机械学习或者深度学习的方法建立通过医疗超声影像判断病人是否为白塞病人的预测模型或者预测患有白塞病的可能性大小的模型，从而提前预判心脏换瓣手术病人是否是白塞病人，避免因病人是白塞病人而出现术后严重的瓣周漏，甚至因为反复手术的并发症死亡，减轻病人的痛苦，减少病人的治疗费用，减轻病人、家属和社会的经济负担和精神负担。
在实际应用中，本发明除了可以应用于白塞病，还可以应用于预测例如扩张性心肌病、肥厚性心肌病、大动脉炎等其他疾病的场景。
在本发明实施例中，通过获取医疗超声影像；对医疗超声影像进行图像处理，得到处理后的医疗超声影像；其中，对医疗超声影像进行图像处理，包括：对医疗超声影像进行图像分割、图像识别和图像特征提取；将处理后的医疗超声影像输入预先训练的预测模型，得到预测结果；其中，预测结果包括处理后的医疗超声影像的匹配结果，从而实现了通过预测结果给医生提供参考意见，辅助医生进行诊断，降低诊断难度，帮助病人调整出合适手术的状态，避免在不适宜的阶段盲目做手术导致的高并发症率与高死亡率的技术效果，进而解决了现有技术中超声检查只能靠医生分析医疗超声影像而不能主动辅助医生的技术问题。
在一种可选的实施例中，在对医疗超声影像进行图像分割、图像识别和图像特征提取之前，还包括：对医疗超声影像进行预处理，预处理措施包括但不限于灰度处理、滤波处理和增强处理，其中，灰度处理可自由调节图像灰度值；滤波处理可以平滑降噪，保持图像清晰度，增强处理可以用于改善图像质量，便于图像特征提取。
在一种可选的实施例中，步骤S102中获取医疗超声影像的同时，还包括：步骤S202，获取临床指标信息；步骤S106中将处理后的医疗超声影像输入预先训练的预测模型，得到预测结果的同时，还包括：步骤S302，将临床指标信息输入预先训练的预测模型，得到预测结果；其中，预测结果还包括临床指标信息的未来变化趋势。
具体的，在基于白塞病人训练预测模型时，可以事先建立正常人群、白塞病病人的C反应蛋白、血沉测量值以及换瓣术后是否出现瓣周漏、瓣周漏出现的时间早晚、瓣周漏的大小等相关数据的数据库，利用机械学习或者深度学习的方法建立预测模型；在基于白塞病人获取临床指标信息时，即获取白塞病人的血沉值、C反应蛋白值，将这些信息输入预测模型即可用于预测瓣周漏出现的时间信息、瓣周漏的大小、位置等数值，也可根据病人医学超声影像直接预测病人是否为白塞病、病人当下的血沉值和C反应蛋白值等。
在一种可选的实施例中，医疗超声影像包括医疗超声静态影像和医疗超声动态影像，步骤S104中对医疗超声影像进行图像特征提取，包括：步骤S402，对医疗超声静态影像的第一特征进行图像特征提取，其中，第一特征包括灰度值和/或紧实度特征；和/或步骤S404，对医疗超声动态影像的第二特征进行图像特征提取，其中，第二特征包括如下至少之一：速度、位移、颜色、纹理和边缘特征。
在一种可选的实施例中，步骤S104中对医疗超声影像进行图像特征提取之后，方法还包括：步骤S502，采用粒子群优化算法对提取后的图像特征进行特征选择。
具体的，粒子群优化算法是一种能够追踪和预测图像中每个点运动轨迹和运动趋势的智能优化算法，每个粒子空间中不断调整位置，医疗超声影像中的反光点运动过程中，可以利用粒子群优化算法估计每个反光点运动的向量值，通过粒子群算法对提取后的图像特征进行搜索和选择，可以找到最优的图像特征，尤其是针对医疗超声动态影像，可以找到最优的运动图像特征。
相对应的，在训练预测模型时，可以采集医疗超声影像样本数据，在经过预处理、图像分割、图像识别和图像特征提取之后，使用粒子群优化算法得到样本数据的最佳子特征，根据最佳子特征确定预测模型神经网络的结构，通过神经网络训练，建立预测模型中医疗超声影像的分类器，从而对医疗超声影像进行匹配、识别和分类等。使用该方式建立的预测模型，可以减少预测模型的特征向量维数。
在一种可选的实施例中，步骤S106中得到预测结果后，方法还包括：步骤S602，匹配预设报告模板，将预测结果转换为自然语言诊断报告。
具体的，步骤S106中得到的预测结果可能是非自然语言的数字、参数、代码等，因此可以通过匹配及填充预设的报告模板，生成最终的自然语言诊断报告，其中，预设的报告模板可以有多个。
在一种可选的实施例中，步骤S602中将预测结果转换为自然语言诊断报告后，方法还包括：步骤S702，发送打印指令以得到自然语言诊断报告的打印结果。
实施例2
根据本发明实施例，提供了一种医疗超声影像的处理装置的产品实施例，图2是根据本发明实施例的医疗超声影像的处理装置，如图2所示，该装置包括获取模块、图像处理模块和预测模块，其中，获取模块，用于获取医疗超声影像；图像处理模块，用于对医疗超声影像进行图像处理，得到处理后的医疗超声影像；其中，对医疗超声影像进行图像处理，包括：对医疗超声影像进行图像分割、图像识别和图像特征提取；预测模块，用于将处理后的医疗超声影像输入预先训练的预测模型，得到预测结果；其中，预测结果包括处理后的医疗超声影像的匹配结果。
此处需要说明的是，上述接获取模块、图像处理模块和预测模块对应于实施例1中的步骤S102至步骤S106，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一种可选的实施例中，获取模块还包括信息获取模块，用于获取临床指标信息；预测模块还包括信息预测模块，用于将临床指标信息输入预先训练的预测模型，得到预测结果；其中，预测结果还包括临床指标信息的未来变化趋势。
此处需要说明的是，上述信息获取模块和信息预测模块对应于实施例1中的步骤S202至步骤S302，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一种可选的实施例中，医疗超声影像包括医疗超声静态影像和医疗超声动态影像，图像处理模块包括医疗超声静态影像处理模块和/或医疗超声动态影像处理模块，其中，医疗超声静态影像处理模块用于对医疗超声静态影像的第一特征进行图像特征提取，其中，第一特征包括灰度值和/或紧实度特征；医疗超声动态影像处理模块用于对医疗超声动态影像的第二特征进行图像特征提取，其中，第二特征包括如下至少之一：速度、位移、颜色、纹理和边缘特征。
此处需要说明的是，上述医疗超声静态影像处理模块和医疗超声动态影像处理模块对应于实施例1中的步骤S402至步骤S404，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一种可选的实施例中，所述图像处理模块还包括图像特征选择模块，用于对医疗超声影像进行图像特征提取之后，采用粒子群优化算法对提取后的图像特征进行特征选择。
此处需要说明的是，上述图像特征选择模块对应于实施例1中的步骤S502，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一种可选的实施例中，所述装置还包括报告生成模块，用于在所述预测模块得到预测结果后，匹配预设报告模板，将预测结果转换为自然语言诊断报告。
此处需要说明的是，上述报告生成模块对应于实施例1中的步骤S602，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一种可选的实施例中，所述装置还包括打印指令生成模块，用于在报告生成模块将预测结果转换为自然语言诊断报告后，发送打印指令以得到自然语言诊断报告的打印结果。
此处需要说明的是，上述打印指令生成模块对应于实施例1中的步骤S702，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
此处需要注意的是，实施例2中的医疗超声影像的处理装置是与实施例1中的医疗超声影像的处理方法相对应的产品实施例，可以实现实施例1中所有提及的医疗超声影像的处理方法，上述内容仅为与实施例1中医疗超声影像的处理方法的部分模块化描述，其他未模块化描述也包含在实施例2中。
实施例3
根据本发明实施例，提供了一种医疗超声影像的处理设备的产品实施例，图3是根据本发明实施例的医疗超声影像的处理设备，如图3所示，该设备包括核心计算器，核心计算器用于执行上述实施例1中的医疗超声影像的处理方法，医疗超声影像的处理设备还包括数据输入接口、存储器和打印机，其中，数据输入接口，连接医疗超声影像设备和核心计算器，用于从医疗超声影像设备获取医疗超声影响并传输给核心计算器；存储器，与核心计算器连接，用于存储医疗超声影像和核心计算器得到的预测结果；打印机，与核心计算器连接，用于接收核心计算器的打印指令。
具体的，医疗超声影像设备可以是超声心动图机器；存储器可以用于后期查阅核对，还也可用于后续补充图像后进行加强预测可靠性的场景；打印机内置于医疗超声影像的处理设备中，可以将预测结果打印在纸质文件上，除此之外，还能够打印医疗超声影像设备、核心计算器提取出的各项参数等。
在一种可选的实施例中，设备还包括壳体和操作显示单元，核心计算器、存储器和打印机均设置在壳体内，数据输入接口和操作显示单元设置在壳体上，操作显示单元包括显示屏和操作按键，显示屏和操作按键均与核心计算器均连接。
具体的，壳体的上表面和下表面呈夹角设置，显示屏和操作按键设置在壳体的上表面。操作显示单元可以为具有触控功能和显示功能的触控面板，集成了显示功能与触摸控制的功能，即操作按键体现为触摸控制，操作人员可以根据需要在触控面板上进行预设参数、系统复位、设备自检等操作，进一步的优化了设备的功能，使得设备更具安全性、操控性、实用性。显示屏可以是彩色液晶屏，可以显示医疗超声影像和预测结果；操作按键用于输入操作指令，包括但不限于以下按键：电源按键、开关机按键、上下左右方向按键、打印按键、设置按键等，上下左右方向按键可以用于调节参数设定，调节显示屏中显示的文字或图像。
具体的，如图4所示，壳体10整体呈斜梯形，壳体10的上表面和下表面呈夹角设置，显示屏11和操作按键12设置在壳体10的上表面，其中操作按键12可以有多个。
在一种可选的实施例中，设备还包括声音输出单元，设置在壳体内，声音输出单元与核心计算器连接，壳体上与声音输出单元对应的位置设置有声音出口。如图4所示，声音出口13可以设置在壳体10的前端。
具体的，核心计算器的预测结果为是某种疾病时，核心计算机可以发出预警信息，通过声音输出单元进行语音预警。
在一种可选的实施例中，设备还包括控制器，设置在壳体内部，控制器与核心计算器连接，上述操作显示单元和声音输出单元与控制器也连接，控制器可以在操作显示单元的操作下，控制对新病人进行诊断，控制显示屏上显示的参数内容，控制调取病人的历史资料，控制在病人的资料中加入新的检查图像结果，控制新建一个病人，控制预测结果是否自动打印，控制是否通过声音输出单元进行语音预警等。
在一种可选的实施例中，设备还包括电源输入接口，设置在壳体上，电源输入接口与核心计算器连接。
在一种可选的实施例中，设备还包括储能电池组，在设备无法通过电源输入接口供电或者突然断电的情况下，可以为设备包含的各个用电单元供电；电源输入接口除了可以提供有线供电的方式，还能为储能电池组充电。
在一种可选的实施例中，打印机和控制器也连接，壳体上与打印机对应的位置设置有打印机出口。如图4所示，打印机出口14可以设置在壳体10的前端。
在一种可选的实施例中，壳体上还设置有适配U盘的USB插口，在医疗超声影像设备和医疗超声影像的处理设备的连接出现故障导致医疗超声影像的处理设备无法获取到医疗超声影像时，可以通过U盘从医疗超声影像设备导出，通过USB插口上传至医疗超声影像的处理设备。
在一种可选的实施例中，设备还包括无线收发模块，可以通过该无线收发模块与医疗超声影像设备以及其他智能设备进行连接。
实施例4
根据本发明实施例，提供了一种医疗超声影像的处理系统的产品实施例，该医疗超声影像的处理系统包括上述医疗超声影像的处理设备，还包括医疗超声影像设备，其中，医疗超声影像设备和医疗超声影像的处理设备连接。
实施例5
根据本发明实施例，提供了一种存储介质的产品实施例，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述医疗超声影像的处理方法实施例6
根据本发明实施例，提供了一种处理器的产品实施例，该处理器用于运行程序，其中，程序运行时执行上述医疗超声影像的处理方法。
实施例7
根据本发明实施例，提供了一种计算机设备的产品实施例，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述医疗超声影像的处理方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅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，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种医疗超声影像的处理方法，其特征在于，包括：
获取医疗超声影像；
对所述医疗超声影像进行图像处理，得到处理后的所述医疗超声影像；其中，对所述医疗超声影像进行图像处理，包括：对所述医疗超声影像进行图像分割、图像识别和图像特征提取；
将处理后的所述医疗超声影像输入预先训练的预测模型，得到预测结果；其中，所述预测结果包括处理后的所述医疗超声影像的匹配结果。
2.根据权利要求1所述的方法，其特征在于，所述获取医疗超声影像的同时，还包括：获取临床指标信息；
所述将处理后的所述医疗超声影像输入预先训练的预测模型，得到预测结果的同时，还包括：将所述临床指标信息输入预先训练的预测模型，得到预测结果；其中，所述预测结果还包括所述临床指标信息的未来变化趋势。
3.根据权利要求1所述的方法，其特征在于，所述医疗超声影像包括医疗超声静态影像和医疗超声动态影像，对所述医疗超声影像进行图像特征提取，包括：对所述医疗超声静态影像的第一特征进行图像特征提取，其中，所述第一特征包括灰度值和/或紧实度特征；和/或
对所述医疗超声动态影像的第二特征进行图像特征提取，其中，所述第二特征包括如下至少之一：速度、位移、颜色、纹理和边缘特征。
4.根据权利要求1-3中任意一项所述的方法，其特征在于，对所述医疗超声影像进行图像特征提取之后，所述方法还包括：采用粒子群优化算法对提取后的图像特征进行特征选择。
5.根据权利要求1或2所述的方法，其特征在于，所述得到预测结果后，所述方法还包括：匹配预设报告模板，将所述预测结果转换为自然语言诊断报告。
6.根据权利要求5所述的方法，其特征在于，所述将所述预测结果转换为自然语言诊断报告后，所述方法还包括：发送打印指令以得到所述自然语言诊断报告的打印结果。
7.一种医疗超声影像的处理设备，其特征在于，包括核心计算器，所述核心计算器用于执行权利要求1-6中任意一项所述的医疗超声影像的处理方法，所述医疗超声影像的处理设备还包括：
数据输入接口，连接医疗超声影像设备和所述核心计算器，用于从所述医疗超声影像设备获取医疗超声影响并传输给所述核心计算器；
存储器，与所述核心计算器连接，用于存储所述医疗超声影像和所述核心计算器得到的预测结果；
打印机，与所述核心计算器连接，用于接收所述核心计算器的打印指令。
8.根据权利要求7所述的设备，其特征在于，所述设备还包括壳体和操作显示单元，所述核心计算器、存储器和所述打印机均设置在所述壳体内，所述数据输入接口和所述操作显示单元设置在所述壳体上，所述操作显示单元包括显示屏和操作按键，所述显示屏和所述操作按键均与所述核心计算器均连接。
9.根据权利要求8所述的设备，其特征在于，所述设备还包括声音输出单元，设置在所述壳体内，所述声音输出单元与所述核心计算器连接，所述壳体上与所述声音输出单元对应的位置设置有声音出口。
10.一种医疗超声影像的处理系统，其特征在于，包括权利要求7-9中任意一项所述的医疗超声影像的处理设备，还包括医疗超声影像设备，其中，所述医疗超声影像设备和所述医疗超声影像的处理设备连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011078865.1A CN112107332A (zh) | 2020-10-10 | 2020-10-10 | 医疗超声影像的处理方法、设备和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011078865.1A CN112107332A (zh) | 2020-10-10 | 2020-10-10 | 医疗超声影像的处理方法、设备和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112107332A true CN112107332A (zh) | 2020-12-22 |
Family
ID=73798660
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011078865.1A Pending CN112107332A (zh) | 2020-10-10 | 2020-10-10 | 医疗超声影像的处理方法、设备和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112107332A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113679426A (zh) * | 2021-09-14 | 2021-11-23 | 上海市第六人民医院 | 超声图处理系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732249A (zh) * | 2015-03-25 | 2015-06-24 | 武汉大学 | 基于流行学习和混沌粒子群的深度学习图像分类方法 |
| CN106845546A (zh) * | 2017-01-20 | 2017-06-13 | 太原理工大学 | 一种基于bfba和elm的乳腺x射线图像特征选择方法 |
| CN107767928A (zh) * | 2017-09-15 | 2018-03-06 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像报告生成系统及方法 |
| CN109377470A (zh) * | 2018-03-20 | 2019-02-22 | 任昊星 | 一种心脏病风险预测系统 |
| CN109614993A (zh) * | 2018-11-26 | 2019-04-12 | 深圳先进技术研究院 | 乳腺医学超声图像的自动化分类方法及装置 |
| CN109800812A (zh) * | 2019-01-24 | 2019-05-24 | 山东大学第二医院 | 基于仿冒过滤器的ct图像分类特征选择方法及系统 |
| CN111260209A (zh) * | 2020-01-14 | 2020-06-09 | 山东大学 | 电子病历与医学影像结合的心血管疾病风险预测评估系统 |
| CN111292821A (zh) * | 2020-01-21 | 2020-06-16 | 上海联影智能医疗科技有限公司 | 一种医学诊疗系统 |
| CN111598003A (zh) * | 2020-05-18 | 2020-08-28 | 温州大学 | 一种面向癫痫患者脑电信号的时频图像分类方法 |
-
2020
- 2020-10-10 CN CN202011078865.1A patent/CN112107332A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732249A (zh) * | 2015-03-25 | 2015-06-24 | 武汉大学 | 基于流行学习和混沌粒子群的深度学习图像分类方法 |
| CN106845546A (zh) * | 2017-01-20 | 2017-06-13 | 太原理工大学 | 一种基于bfba和elm的乳腺x射线图像特征选择方法 |
| CN107767928A (zh) * | 2017-09-15 | 2018-03-06 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像报告生成系统及方法 |
| CN109377470A (zh) * | 2018-03-20 | 2019-02-22 | 任昊星 | 一种心脏病风险预测系统 |
| CN109614993A (zh) * | 2018-11-26 | 2019-04-12 | 深圳先进技术研究院 | 乳腺医学超声图像的自动化分类方法及装置 |
| CN109800812A (zh) * | 2019-01-24 | 2019-05-24 | 山东大学第二医院 | 基于仿冒过滤器的ct图像分类特征选择方法及系统 |
| CN111260209A (zh) * | 2020-01-14 | 2020-06-09 | 山东大学 | 电子病历与医学影像结合的心血管疾病风险预测评估系统 |
| CN111292821A (zh) * | 2020-01-21 | 2020-06-16 | 上海联影智能医疗科技有限公司 | 一种医学诊疗系统 |
| CN111598003A (zh) * | 2020-05-18 | 2020-08-28 | 温州大学 | 一种面向癫痫患者脑电信号的时频图像分类方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113679426A (zh) * | 2021-09-14 | 2021-11-23 | 上海市第六人民医院 | 超声图处理系统 |
| CN113679426B (zh) * | 2021-09-14 | 2024-02-20 | 上海市第六人民医院 | 超声图处理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107492099B (zh) | 医学图像分析方法、医学图像分析系统以及存储介质 | |
| EP3968222B1 (en) | Classification task model training method, apparatus and device and storage medium | |
| Khan et al. | Deep neural architectures for medical image semantic segmentation | |
| US10098533B2 (en) | Early prediction of age related macular degeneration by image reconstruction | |
| US20190191988A1 (en) | Screening method for automated detection of vision-degenerative diseases from color fundus images | |
| EP3507743B1 (en) | System and method of otoscopy image analysis to diagnose ear pathology | |
| KR102166010B1 (ko) | 얼굴인식을 이용한 인지장애 판단 방법 및 시스템 | |
| US11756675B2 (en) | Systems and methods for analysis and remote interpretation of optical histologic images | |
| CN106682435A (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
| CN111243730A (zh) | 一种基于乳腺超声影像的乳腺病灶智能分析方法及系统 | |
| Uppamma et al. | Deep learning and medical image processing techniques for diabetic retinopathy: a survey of applications, challenges, and future trends | |
| JP2024019441A (ja) | 人工知能モデルを使用機関に特化させる学習方法、これを行う装置 | |
| Jagan Mohan et al. | Deep learning for diabetic retinopathy detection: Challenges and opportunities | |
| CN116797554A (zh) | 图像处理方法以及装置 | |
| CN112107332A (zh) | 医疗超声影像的处理方法、设备和系统 | |
| Zhu et al. | Functional-realistic CT image super-resolution for early-stage pulmonary nodule detection | |
| Krishna et al. | LesionAid: vision transformers-based skin lesion generation and classification | |
| KR102599894B1 (ko) | 대변 영상 분석 시스템 및 방법 | |
| Kumari et al. | Data efficient deep learning for medical image analysis: A survey | |
| CN112168141B (zh) | 远程问诊的信息处理方法、装置、设备和存储介质 | |
| CN115841476A (zh) | 肝癌患者生存期预测方法、装置、设备及介质 | |
| Khan | A Novel Deep Learning-Based Framework for Context-Aware Semantic Segmentation in Medical Imaging | |
| Huang et al. | Noise ECG generation method based on generative adversarial network | |
| Prusty et al. | Enhancing medical image classification with generative AI using latent denoising diffusion probabilistic model and wiener filtering approach | |
| CN116230244A (zh) | 一种基于增广判别信息的ehr数据分析方法及系统 |
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 |