CN113017687A - 一种腹腔积液b超图像自动识别方法 - Google Patents
一种腹腔积液b超图像自动识别方法 Download PDFInfo
- Publication number
- CN113017687A CN113017687A CN202110189344.1A CN202110189344A CN113017687A CN 113017687 A CN113017687 A CN 113017687A CN 202110189344 A CN202110189344 A CN 202110189344A CN 113017687 A CN113017687 A CN 113017687A
- Authority
- CN
- China
- Prior art keywords
- effusion
- abdominal
- ultrasonic image
- image
- abdominal cavity
- 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
- 206010030113 Oedema Diseases 0.000 title claims abstract description 32
- 230000003187 abdominal effect Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 28
- 210000000683 abdominal cavity Anatomy 0.000 claims abstract description 28
- 206010003445 Ascites Diseases 0.000 claims abstract description 17
- 241000521257 Hydrops Species 0.000 claims abstract description 12
- 238000009533 lab test Methods 0.000 claims abstract description 8
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 8
- 210000003734 kidney Anatomy 0.000 claims abstract description 6
- 210000004185 liver Anatomy 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000003601 intercostal effect Effects 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 5
- 210000003567 ascitic fluid Anatomy 0.000 claims description 4
- 210000001015 abdomen Anatomy 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 238000004451 qualitative analysis Methods 0.000 abstract description 3
- 210000000952 spleen Anatomy 0.000 abstract 1
- 208000014674 injury Diseases 0.000 description 5
- 238000002604 ultrasonography Methods 0.000 description 5
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000008733 trauma Effects 0.000 description 2
- 208000028399 Critical Illness Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000000416 exudates and transudate Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (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
本发明提供了一种腹腔积液B超图像自动识别方法,其包括如下步骤:步骤一,分别在肝肾隐窝或脾肾隐窝超声扫查标准切面获取标注有腹腔积液的B超图像,建立腹腔积液的数据集;步骤二,将获取的B超图像进行图像处理并分割出图像中的腹腔积液区域;步骤三,对分割出的腹腔积液区域进行像素统计,对腹腔积液情况做出定量分析,判断有无腹腔积液;步骤四,对分割出的腹腔积液区域进行特征值计算,并与实验室化验检查结果做相关分析,判断积液类型。本发明提供的方法能自动分割出B超图像中的腹腔积液区域,并对其进行定量和定性分析,减少人为判断的主观局限性,快速准确地对腹腔积液情况做出结果判定,适合大规模推广。
Description
技术领域
本发明涉及生物医药技术领域,尤其涉及一种腹腔积液B超图像自动识别方法。
背景技术
创伤是当今世界面临的一个普遍问题,严重创伤患者病情危重复杂,需要及时的医疗援助,其中的关键是临床医生能够快速准确地评估患者的情况。超声由于其简单、方便、安全、有效且易于反复进行成为重要的床旁评估手段。由于腹腔脏器闭合性损伤而导致的内出血或其他严重疾病继发的腹腔积液极易积聚在腹腔最低处,超声能够敏感识别出仰卧位时最低位肝肾隐窝处的腹腔积液。在急危重症患者伤病情评估中成为判断是否合并有腹腔脏器损伤的重要指标,但是由于临床一线医生对超声检查技术掌握不足无法做到统一规范化操作且难以精准判断,需要一种快速准确的自动识别腹腔积液技术,以减少人为判断的主观局限性。
发明内容
本发明针对现有技术的不足,提供了一种腹腔积液B超图像自动识别方法。
为实现上述目的,本发明采用以下技术方案:
本发明提供了一种腹腔积液B超图像自动识别方法,其包括如下步骤:
步骤1,分别在肝肾隐窝或脾肾隐窝超声扫查标准切面获取标注有腹腔积液的B超图像,建立腹腔积液的数据集;
步骤2,将获取的B超图像进行图像处理并分割出图像中的腹腔积液区域;
步骤3,对分割出的腹腔积液区域进行像素统计,对腹腔积液情况做出定量分析,判断有无腹腔积液;
步骤4,对分割出的腹腔积液区域进行特征值计算,并与实验室化验检查结果做相关分析,判断积液类型。
进一步地,上述步骤1具体包括如下步骤:
步骤1.1,在患者腋后线第9或第10肋间做横切扫查,探头上下移动获取右上腹右肾脏横切面且包括部分肝脏右叶的肝肾切面B超图像;或
将探头置于左季肋部第10或11肋间,获得左肋间脾肾斜切面B超图像;
步骤1.2,通过腹腔穿刺采集腹腔积液样本,标注患者基本信息,建立图像数据集。
进一步地,上述患者基本信息包括年龄、性别、身高和体重。
进一步地,上述步骤2具体包括如下步骤:
步骤2.1,对上述B超图像进行开闭运算迭代和空洞填充,去除B超图像周围的无关干扰;
步骤2.2,通过分割最大连通域方法分割出B超图像的扇形束区域;
步骤2.3,对分割出的扇形束区域进行图像增强;
步骤2.4,根据腹腔积液和周围组织的灰度级差异,通过阈值分割法分割出腹腔积液区域。
进一步地,在上述步骤3中,当图像检测不到腹腔积液区域时,会自动输出正常。
进一步地,特征值包括均匀度和灰度值。
进一步地,实验室化验检查包括积液定性/定量指标的检测。
进一步地,上述积液类型包括漏出液和渗出液。
本发明采用以上技术方案,与现有技术相比,具有如下技术效果:
本发明提供的方法能自动分割出B超图像中的腹腔积液区域,并对其进行定量和定性分析,减少人为判断的主观局限性,快速对腹腔积液情况做出结果判定,适合大规模推广。
附图说明
图1为本发明一实施例中腹腔积液B超图像自动识别方法的流程图;
图2为本发明一实施例中去除无关干扰前后的对照图;其中,图A为去除干扰前的图片,图B为去除干扰后的图片;“*”表示积液所在位置;
图3为本发明一实施例中对腹腔积液区域阈值分割出的结果图;其中,图A为分割前的图片,图B为分割后的图片;“*”表示积液所在位置。
具体实施方式
本发明提供了一种腹腔积液B超图像自动识别方法,包括建立数据集、分割出腹腔积液区域、定量分析、定性分析四个步骤。
在本发明一优选的实施方式中,该腹腔积液B超图像自动识别方法包括如下步骤:
步骤1,分别在肝肾隐窝或脾肾隐窝超声扫查标准切面获取标注有腹腔积液的B超图像,建立腹腔积液的数据集;
步骤2,将获取的B超图像进行图像处理并分割出图像中的腹腔积液区域;
步骤3,对分割出的腹腔积液区域进行像素统计,对腹腔积液情况做出定量分析,判断有无腹腔积液;
步骤4,对分割出的腹腔积液区域进行特征值计算,并与实验室化验检查结果做相关分析,判断积液类型。
在本发明一优选的实施方式中,上述步骤1具体包括如下步骤:
步骤1.1,在患者腋后线第9或第10肋间做横切扫查,探头上下移动获取右上腹右肾脏横切面且包括部分肝脏右叶的肝肾切面B超图像;或
将探头置于左季肋部第10或11肋间,获得左肋间脾肾斜切面B超图像;
步骤1.2,通过腹腔穿刺采集腹腔积液样本,标注患者基本信息,建立图像数据集。
在本发明一优选的实施方式中,上述患者基本信息包括但不限于年龄、性别、身高和体重。
在本发明一优选的实施方式中,上述步骤2具体包括如下步骤:
步骤2.1,对上述B超图像进行开闭运算迭代和空洞填充,去除B超图像周围的无关干扰;
步骤2.2,通过分割最大连通域方法分割出B超图像的扇形束区域;
步骤2.3,对分割出的扇形束区域进行图像增强;
步骤2.4,根据腹腔积液和周围组织的灰度级差异,通过阈值分割法分割出腹腔积液区域。
在本发明一优选的实施方式中,在上述步骤3中,当图像检测不到腹腔积液区域时,会自动输出正常。
在本发明一优选的实施方式中,特征值包括但不限于均匀度和灰度值。
在本发明一优选的实施方式中,实验室化验检查包括积液定性/定量指标的检测。
在本发明一优选的实施方式中,上述积液类型包括漏出液和渗出液。
下面通过具体实施例和附图对本发明进行详细和具体的介绍,以使更好的理解本发明,但是下述实施例并不限制本发明范围。
实施例中方法如无特殊说明的采用常规方法,使用的试剂如无特殊说明的使用常规市售试剂或按常规方法配制的试剂。
实施例1
参考图1,本实施例提供了一种腹腔积液B超图像自动识别方法,包括如下步骤:
步骤一,建立数据集:在患者腋后线第9或第10肋间做横切扫查,探头上下移动获取肝肾隐窝B超图像;将探头置于左季肋部第10或11肋间,获得左肋间脾肾斜切面B超图像;同时通过腹腔穿刺采集腹腔积液样本,记录患者年龄、身高、体重等基本信息,分别建立数据集。本例中的数据来自上海市长征医院志愿者的B超图,包括不同腹腔积液情况。
步骤二,对图像进行预处理并分割出腹腔积液区域:
对B超图像进行自动空洞填充,去除B超图周围标记的机器型号,拍片时间等无关干扰,如图2所示。白色(255)和黑色(0)之间的若干等级称为灰度级,由于超声图像扇形束窗口部分和其余部分灰度值相差较大,且外部区域为图像中最大连通域,通过分割最大连通域裁剪出扇形束区域。对分割出的扇形束区域进行图像增强,增大腹腔积液区域和周围组织的灰度差;在B超图中腹腔积液区域灰度级低,和周围组织有明显差别,再次用阈值分法分出腹腔积液区域,分割结果如图3所示。
步骤三,定量分析:图像可以看成是多个像素构成的集合,对分割出的腹腔积液区域进行像素统计,对腹腔积液情况做出定量分析,检测不到腹腔积液区域时系统会自动输出正常。
步骤四,定性分析:体腔积液可以分为渗出液和漏出液,渗出液较混浊,比重>1.018,蛋白总量>30g/L,可自凝;漏出液较透明,比重<1.018,蛋白总量<30g/L,不能自凝;对分割出的腹腔积液区域进行均匀度、灰度值统计并与实验室化验结果相关分析,根据相关情况输出为漏出液或渗出液。
以上对本发明的具体实施例进行了详细描述,但其只是作为范例,本发明并不限制于以上描述的具体实施例。对于本领域技术人员而言,任何对本发明进行的等同修改和替代也都在本发明的范畴之中。因此,在不脱离本发明的精神和范围下所作的均等变换和修改,都应涵盖在本发明的范围内。
Claims (8)
1.一种腹腔积液B超图像自动识别方法,其特征在于,包括如下步骤:
步骤1,分别在肝肾隐窝或脾肾隐窝超声扫查标准切面获取标注有腹腔积液的B超图像,建立腹腔积液的数据集;
步骤2,将获取的B超图像进行图像处理并分割出图像中的腹腔积液区域;
步骤3,对分割出的所述腹腔积液区域进行像素统计,对腹腔积液情况做出定量分析,判断有无腹腔积液;
步骤4,对分割出的腹腔积液区域进行特征值计算,并与实验室化验检查结果做相关分析,判断积液类型。
2.根据权利要求1所述的方法,其特征在于,所述步骤1具体包括如下步骤:
步骤1.1,在患者腋后线第9或第10肋间做横切扫查,探头上下移动获取右上腹右肾脏横切面且包括部分肝脏右叶的肝肾切面B超图像;或
将探头置于左季肋部第10或11肋间,获得左肋间脾肾斜切面B超图像;
步骤1.2,通过腹腔穿刺采集腹腔积液样本,标注患者基本信息,建立图像数据集。
3.根据权利要求2所述的方法,其特征在于,所述患者基本信息包括年龄、性别、身高和体重。
4.根据权利要求1所述的方法,其特征在于,所述步骤2具体包括如下步骤:
步骤2.1,对所述B超图像进行开闭运算迭代和空洞填充,去除B超图像周围的无关干扰;
步骤2.2,通过分割最大连通域方法分割出B超图像的扇形束区域;
步骤2.3,对分割出的扇形束区域进行图像增强;
步骤2.4,根据腹腔积液和周围组织的灰度级差异,通过阈值分割法分割出腹腔积液区域。
5.根据权利要求1所述的方法,其特征在于,在所述步骤3中,当图像检测不到腹腔积液区域时,会自动输出正常。
6.根据权利要求1所述的方法,其特征在于,所述特征值包括均匀度和灰度值。
7.根据权利要求1所述的方法,其特征在于,所述实验室化验检查包括积液定性/定量指标的检测。
8.根据权利要求1所述的方法,其特征在于,所述积液类型包括漏出液和渗出液。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189344.1A CN113017687A (zh) | 2021-02-19 | 2021-02-19 | 一种腹腔积液b超图像自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189344.1A CN113017687A (zh) | 2021-02-19 | 2021-02-19 | 一种腹腔积液b超图像自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113017687A true CN113017687A (zh) | 2021-06-25 |
Family
ID=76461290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110189344.1A Pending CN113017687A (zh) | 2021-02-19 | 2021-02-19 | 一种腹腔积液b超图像自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113017687A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763352A (zh) * | 2021-09-06 | 2021-12-07 | 杭州类脑科技有限公司 | 一种腹腔积液图像处理方法和系统 |
CN114081537A (zh) * | 2021-11-12 | 2022-02-25 | 江西微润芯璟科技有限公司 | 一种基于超声波探测的皮肤组织液定位方法及系统 |
CN116137033A (zh) * | 2023-04-20 | 2023-05-19 | 天津医科大学总医院 | 一种基于胸腔影像及引流数据分析的积液评估方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150297164A1 (en) * | 2014-04-17 | 2015-10-22 | Siemens Aktiengesellschaft | Automatic identification of a potential pleural effusion |
CN105555318A (zh) * | 2013-07-18 | 2016-05-04 | 香港大学 | 将胸膜液分类的方法 |
CN107518920A (zh) * | 2017-09-30 | 2017-12-29 | 深圳开立生物医疗科技股份有限公司 | 超声波图像处理方法及装置、超声诊断装置及存储介质 |
CN110400299A (zh) * | 2019-07-23 | 2019-11-01 | 杭州依图医疗技术有限公司 | 一种肺部胸腔积液检出的方法及装置 |
CN111134725A (zh) * | 2020-02-20 | 2020-05-12 | 重庆智瑞成医疗科技有限公司 | 掌上积液自动测量仪器及积液深度测量方法 |
CN111524376A (zh) * | 2020-04-30 | 2020-08-11 | 云南路翔智联生态城市发展股份有限公司 | 智能交通指示发光装置、监控装置、系统及方法 |
CN112287946A (zh) * | 2020-09-23 | 2021-01-29 | 南方医科大学珠江医院 | 基于matlab的膝关节影像组学特征自动化提取方法 |
-
2021
- 2021-02-19 CN CN202110189344.1A patent/CN113017687A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105555318A (zh) * | 2013-07-18 | 2016-05-04 | 香港大学 | 将胸膜液分类的方法 |
US20150297164A1 (en) * | 2014-04-17 | 2015-10-22 | Siemens Aktiengesellschaft | Automatic identification of a potential pleural effusion |
CN107518920A (zh) * | 2017-09-30 | 2017-12-29 | 深圳开立生物医疗科技股份有限公司 | 超声波图像处理方法及装置、超声诊断装置及存储介质 |
CN110400299A (zh) * | 2019-07-23 | 2019-11-01 | 杭州依图医疗技术有限公司 | 一种肺部胸腔积液检出的方法及装置 |
CN111134725A (zh) * | 2020-02-20 | 2020-05-12 | 重庆智瑞成医疗科技有限公司 | 掌上积液自动测量仪器及积液深度测量方法 |
CN111524376A (zh) * | 2020-04-30 | 2020-08-11 | 云南路翔智联生态城市发展股份有限公司 | 智能交通指示发光装置、监控装置、系统及方法 |
CN112287946A (zh) * | 2020-09-23 | 2021-01-29 | 南方医科大学珠江医院 | 基于matlab的膝关节影像组学特征自动化提取方法 |
Non-Patent Citations (1)
Title |
---|
白洋等: "超声在辅助诊断胸腔积液性质中的价值", 《西北国防医学杂志》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763352A (zh) * | 2021-09-06 | 2021-12-07 | 杭州类脑科技有限公司 | 一种腹腔积液图像处理方法和系统 |
CN113763352B (zh) * | 2021-09-06 | 2024-04-02 | 杭州类脑科技有限公司 | 一种腹腔积液图像处理方法和系统 |
CN114081537A (zh) * | 2021-11-12 | 2022-02-25 | 江西微润芯璟科技有限公司 | 一种基于超声波探测的皮肤组织液定位方法及系统 |
CN114081537B (zh) * | 2021-11-12 | 2023-08-25 | 江西中医药大学 | 一种基于超声波探测的皮肤组织液定位方法及系统 |
CN116137033A (zh) * | 2023-04-20 | 2023-05-19 | 天津医科大学总医院 | 一种基于胸腔影像及引流数据分析的积液评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573490B (zh) | 一种针对肿瘤影像数据的智能读片系统 | |
CN113017687A (zh) | 一种腹腔积液b超图像自动识别方法 | |
CN112529894B (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
US8355553B2 (en) | Systems, apparatus and processes for automated medical image segmentation using a statistical model | |
CN103249358B (zh) | 医用图像处理装置 | |
CN107330263A (zh) | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 | |
EP2772882A1 (en) | Automatic measurement of lesions on medical images | |
US20110286654A1 (en) | Segmentation of Biological Image Data | |
JP2004174254A (ja) | 疾患関連組織変化を測定する方法及びシステム | |
CN103907023A (zh) | 检测生物学样品中的异常的系统和方法 | |
Yaqub et al. | Automatic detection of local fetal brain structures in ultrasound images | |
US20240177302A1 (en) | Cellular diagnostic and analysis methods | |
JP7114323B2 (ja) | 医用情報処理システム及び医用情報処理装置 | |
KR20110072098A (ko) | 디지털 병리학의 이미지 표준화 방법 | |
Xing et al. | Automatic detection of A‐line in lung ultrasound images using deep learning and image processing | |
CN114202504A (zh) | 颈动脉超声自动多普勒方法、超声设备及存储介质 | |
CN112200815B (zh) | 基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法 | |
CN115760851B (zh) | 一种基于机器学习的超声图像数据处理设备、系统及计算机可读存储介质 | |
CN116309551A (zh) | 确定病灶取样区的方法、装置、电子设备及可读介质 | |
CN115937196A (zh) | 一种医学图像分析系统、分析方法和计算机可读存储介质 | |
CN115035086A (zh) | 一种基于深度学习的结核皮试智能筛查分析方法和装置 | |
JPWO2019044579A1 (ja) | 病理診断装置、画像処理方法及びプログラム | |
CN115101150A (zh) | 一种普外科临床用肿瘤手术的标本收集方法 | |
CN117392165B (zh) | 一种基于人工智能的医疗样本大数据采集方法 | |
CN115147378B (zh) | 一种ct图像分析提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |