CN113192634A - 一种肝脏机械源损伤自动化评价系统 - Google Patents
一种肝脏机械源损伤自动化评价系统 Download PDFInfo
- Publication number
- CN113192634A CN113192634A CN202110572667.9A CN202110572667A CN113192634A CN 113192634 A CN113192634 A CN 113192634A CN 202110572667 A CN202110572667 A CN 202110572667A CN 113192634 A CN113192634 A CN 113192634A
- Authority
- CN
- China
- Prior art keywords
- liver
- injury
- area
- mechanical
- bleeding
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请涉及一种肝脏机械源损伤自动化评价系统,该系统包括:炎性细胞个数确定模块用于确定肝脏机械源损伤病理性图片中的炎性细胞个数;充血出血面积确定模块用于确定肝脏机械源损伤病理性图片中的充血出血面积;评分结果确定模块用于将炎性细胞个数和充血出血面积输入至肝脏机械源损伤评分函数,确定肝脏机械源损伤的评分结果。本发明基于图像处理软件HALCON,通过编程的方式,实现对手术器械机械源作用下肝脏病理性图片进行细胞个数技术与充血出血面积的自动化识别与量化统计,并依据所建立肝脏机械源损伤评分函数对所得到的细胞个数与充血出血面积进行计算,并得出损伤评分,以实现整个肝脏机械源损伤评价过程的自动化操作。
Description
技术领域
本申请涉及生物摩擦学、图像自动化处理技术领域,特别是涉及一种肝脏机械源损伤自动化评价系统。
背景技术
对肝脏机械源损伤的快速定量评价,有助于加快经自然腔道手术中肝脏机械源损伤力学阈值数据库的建立进程,从而为手术机器人提供精确的安全操作数据。
然而,肝脏的机械源损伤包括炎性细胞浸润、充血和出血等,目前常用的肝脏机械源损伤评价方法是通过医生的经验去进行定性评价,或者通过细胞手动计数,充血和出血面积手工测量等人工操作方法去评估机械源损伤程度。前者对医生技术的依赖性较强,而后者对肝脏机械源损伤的评价速度较慢,耗时耗力。为了能够快速有效的评价肝脏机械源损伤程度,需要建立一种自动化评价方法,以实现整个肝脏机械源损伤评价过程的自动化操作。
发明内容
基于此,有必要针对上述技术问题,提供一种肝脏机械源损伤自动化评价系统。
一种肝脏机械源损伤自动化评价系统,所述方法包括:
图片获取模块,用于获取肝脏机械源损伤病理性图片;
炎性细胞个数确定模块,用于确定肝脏机械源损伤病理性图片中的炎性细胞个数;
充血出血面积确定模块,用于确定肝脏机械源损伤病理性图片中的充血出血面积;
评分结果确定模块,用于将炎性细胞个数和充血出血面积输入至肝脏机械源损伤评分函数,确定肝脏机械源损伤的评分结果;
其中,所述肝脏机械源损伤评分函数为:采用均值标准差法求得的炎性细胞个数标准化数据和采用均值标准差法求得的充血出血面积标准化数据,与对应权值的乘积之和。
进一步地,所述炎性细胞个数确定模块,包括:
第一通道图像选取单元,用于将肝脏机械源损伤病理性图片分解为三个通道图像,并选取对比度最大的通道图像;
第一灰度阈值范围确定单元,用于根据选取的通道图像,设定炎性细胞所在的第一灰度阈值范围;
区域个数统计单元,用于对选取的通道图像在第一灰度阈值范围内的区域个数进行统计,并将区域个数作为炎性细胞个数。
进一步地,所述充血出血面积确定模块,包括:
第二通道图像选取单元,用于将肝脏机械源损伤病理性图片分解为三个通道图像,并选取对比度最大的通道图像;
第二灰度阈值范围确定单元,用于根据选取的通道图像,设定充血出血区域所在的第二灰度阈值范围;
区域面积统计单元,用于对选取的通道图像在第二灰度阈值范围内的区域面积进行统计,并将区域面积作为充血出血面积。
进一步地,当肝脏机械源损伤病理性图片数量为5时,所述肝脏机械源损伤评分函数为:
Z1=w1*((|C1-C|/sC+|C2-C|/sC+|C3-C|/sC+|C4-C|/sC+|C5-C|/sC)/5)+w2*((|A1-A|/sA+|A2-A|/sA+|A3-A|/sA+|A4-A|/sA+|A5-A|/sA)/5)
其中,5张肝脏机械源损伤病理性图片中的炎性细胞个数分别为C1,C2,C3,C4,C5;5张肝脏机械源损伤病理性图片中的充血出血面积分别为A1,A2,A3,A4,A5;炎性细胞个数平均值C、标准差sC;充血出血面积平均值A、标准差sA;炎性细胞个数的权值为w1;充血出血面积的权值为w2;(|C1-C|/sC+|C2-C|/sC+|C3-C|/sC+|C4-C|/sC+|C5-C|/sC)/5为采用均值标准差法求得的细胞个数标准化数据;(|A1-A|/sA+|A2-A|/sA+|A3-A|/sA+|A4-A|/sA+|A5-A|/sA)/5为采用均值标准差法求得的充血出血面积标准化数据。
进一步地,所述炎性细胞个数平均值C=(C1+C2+C3+C4+C5)/5;
所述炎性细胞个数标准差sC=sqrt(((C1-C)2+(C2-C)2+(C3-C)2+(C4-C)2+(C5-C)2)/5)。
进一步地,所述充血出血面积平均值A=(A1+A2+A3+A4+A5)/5;
所述充血出血面积标准差sA=sqrt(((A1-A)2+(A2-A)2+(A3-A)2+(A4-A)2+(A5-A)2)/5)。
进一步地,本申请提供的肝脏机械源损伤自动化评价系统,还包括:所述肝脏机械源损伤评分函数为:采用归一化法求得的炎性细胞个数标准化数据和采用归一化法求得的充血出血面积标准化数据,与对应权值的乘积之和。
进一步地,当肝脏机械源损伤病理性图片数量为5时,所述肝脏机械源损伤评分函数为:
Z2=M1×w1+M2×w2
其中,M1=(炎性细胞个数实际数据-炎性细胞个数最小值)/(炎性细胞个数最大值-炎性细胞个数最小值);M2=(充血出血面积实际数据-充血出血面积最小值)/(充血出血面积最大值-充血出血面积最小值);炎性细胞个数的权值为w1;充血出血面积的权值为w2。
本申请提供的上述肝脏机械源损伤自动化评价系统,与现有技术相比,其有益效果如下:
本申请基于图像处理软件HALCON,通过编程的方式,实现对手术器械机械源作用下肝脏病理性图片的自动化识别与量化统计,并得出损伤评分,从而达到了以下具体效果:一是省力,对肝脏机械源损伤进行自动化评价,可以避免费力进行手动细胞计数和充血出血面积统计;二是省时,即使样本量较大,也能在短时间内完成整个肝脏机械源损伤评价过程;三是有效,每次可以量化统计所有肝脏机械源损伤形式,如细胞计数、充血出血面积统计等,可以实现肝脏机械源损伤的高效评价。
附图说明
图1为一个实施例中的机械源损伤病理性图;
图2为一个实施例中的细胞个数识别与统计图;
图3为一个实施例中的出血面积识别与统计图;
图4为一个实施例提供的肝脏机械源损伤自动化评价系统原理框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
现有技术的缺点一是耗力性,对肝脏机械源损伤进行评价时需要手动进行细胞计数和充血出血面积统计;二是耗时性,若样本量较大,整个肝脏机械源损伤评价过程需要消耗大量时间;三是单一性,每次只能单独量化统计一种肝脏机械源损伤形式,如细胞计数。本发明的目的是实现细胞计数、充血出血面积统计、损伤评分值求解自动化进行,最终达到高效省时省力的结果。
在一个实施例中,提供了一种肝脏机械源损伤自动化评价系统,主要是基于HALCON软件进行编程,通过对各种肝脏机械源损伤形式,如炎性细胞浸润、充血和出血等进行模块化处理,最终实现胞计数、充血出血面积统计、损伤评分值求解自动化进行。其具体包括:
1、建立肝脏机械源损伤评分函数;具体的建立过程如下:
定义变量,评分值为Z,细胞个数为C1,C2,C3,C4,C5,充血出血面积为A1,A2,A3,A4,A5,细胞个数平均值C,标准差sC,充血出血面积细胞个数平均值A,标准差sA,炎性细胞浸润的权值为w1,充血和出血的权值为w2。
建立细胞个数和充血出血面积的标准差和平均值的求解公式:C=(C1+C2+C3+C4+C5)/5;sC=sqrt(((C1-C)2+(C2-C)2+(C3-C)2+(C4-C)2+(C5-C)2)/5);A=(A1+A2+A3+A4+A5)/5;sA=sqrt(((A1-A)2+(A2-A)2+(A3-A)2+(A4-A)2+(A5-A)2)/5)。
建立评分值的求解公式1:Z1=w1*((|C1-C|/sC+|C2-C|/sC+|C3-C|/sC+|C4-C|/sC+|C5-C|/sC)/5)+w2*((|A1-A|/sA+|A2-A|/sA+|A3-A|/sA+|A4-A|/sA+|A5-A|/sA)/5),其中,(|C1-C|/sC+|C2-C|/sC+|C3-C|/sC+|C4-C|/sC+|C5-C|/sC)/5为采用均值标准差法求得的细胞个数的标准化数据,|A1-A|/sA+|A2-A|/sA+|A3-A|/sA+|A4-A|/sA+|A5-A|/sA)/5为采用均值标准差法求得的充血出血面积的标准化数据。
同时,也可以使用评分值求解公式2:Z2=M1×w1+M2×w2,其中,M=(实际数据-最小值)/(最大值-最小值),来进行评分计算。
2、将肝脏在一组力学参数下的五张机械源损伤病理性图片导入HALCON软件中。
3、选取第一张图片,以图1为例。
4、将第一张图片分解为三个通道图像,选取对比度最大的一张图像,设定炎性细胞所在的灰度阈值范围,如图2所示。
5、对整张图片在灰度阈值范围内的区域个数进行统计,即为细胞个数,其程序大致如下:
图像如图3所示。
6、对于第一张图片的三个通道图像,选取对比度最大的一张图像,设定充血出血区域所在的灰度阈值范围。
7、对整张图片在充血出血灰度阈值范围内的区域面积进行统计,即为充血出血面积,其程序如下:
8、依次选取第二、三、四、五张图片,循环步骤3,4,5,6;
9、循环过程完成后,调用肝脏机械源损伤评分函数,利用第三步和第五步所获得的细胞个数和充血出血面积,对肝脏机械源损伤评分进行自动化计算和存储。
实例分析:
按照上述各步骤,对图1所示机械源损伤病理性图片进行细胞个数统计及充血出血面积计算。对细胞进行标注识别、个数统计,统计得到数据为:337、457、340、219、337五组数据,得到平均值C=338,其中一组识别图像如图2所示。对充血出血面积该面积进行计算,得到数据为(μm2):459437.0、459453.3、459466.1、459437.1、459447.0五组数据,得到平均值A=459448.1,其中一组图像如图3所示。
求解出细胞个数与充血出血面积的标准差分别为:sC=sqrt(((C1-C)2+(C2-C)2+(C3-C)^2+(C4-C)2+(C5-C)2)/5)=75.2;sA=sqrt(((A1-A)2+(A2-A)2+(A3-A)2+(A4-A)2+(A5-A)2)/5)=10.9。
以评分值对上述数据进行求解:Z1=w1*((|C1-C|/sC+|C2-C|/sC+|C3-C|/sC+|C4-C|/sC+|C5-C|/sC)/5)+w2*((|A1-A|/sA+|A2-A|/sA+|A3-A|/sA+|A4-A|/sA+|A5-A|/sA)/5)=0.5*0.642+0.5*0.852=0.747;以评分值对上述数据进行求解:Z2=M1×w1+M2×w2=0.5*0.5+0.5*0.68=0.59。
总之,本发明基于图像处理软件HALCON,通过编程的方式,实现对手术器械机械源作用下肝脏病理性图片进行细胞个数技术与充血出血面积的自动化识别与量化统计,并依据所建立肝脏机械源损伤评分函数对所得到的细胞个数与充血出血面积进行计算,并得出损伤评分,以实现整个肝脏机械源损伤评价过程的自动化操作。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种肝脏机械源损伤自动化评价系统,其特征在于,包括:
图片获取模块,用于获取肝脏机械源损伤病理性图片;
炎性细胞个数确定模块,用于确定肝脏机械源损伤病理性图片中的炎性细胞个数;
充血出血面积确定模块,用于确定肝脏机械源损伤病理性图片中的充血出血面积;
评分结果确定模块,用于将炎性细胞个数和充血出血面积输入至肝脏机械源损伤评分函数,确定肝脏机械源损伤的评分结果;
其中,所述肝脏机械源损伤评分函数为:采用均值标准差法求得的炎性细胞个数标准化数据和采用均值标准差法求得的充血出血面积标准化数据,与对应权值的乘积之和。
2.根据权利要求1所述的肝脏机械源损伤自动化评价系统,其特征在于,所述炎性细胞个数确定模块,包括:
第一通道图像选取单元,用于将肝脏机械源损伤病理性图片分解为三个通道图像,并选取对比度最大的通道图像;
第一灰度阈值范围确定单元,用于根据选取的通道图像,设定炎性细胞所在的第一灰度阈值范围;
区域个数统计单元,用于对选取的通道图像在第一灰度阈值范围内的区域个数进行统计,并将区域个数作为炎性细胞个数。
3.根据权利要求1所述的肝脏机械源损伤自动化评价系统,其特征在于,所述充血出血面积确定模块,包括:
第二通道图像选取单元,用于将肝脏机械源损伤病理性图片分解为三个通道图像,并选取对比度最大的通道图像;
第二灰度阈值范围确定单元,用于根据选取的通道图像,设定充血出血区域所在的第二灰度阈值范围;
区域面积统计单元,用于对选取的通道图像在第二灰度阈值范围内的区域面积进行统计,并将区域面积作为充血出血面积。
4.根据权利要求1所述的肝脏机械源损伤自动化评价系统,其特征在于,当肝脏机械源损伤病理性图片数量为5时,所述肝脏机械源损伤评分函数为:
Z1=w1*((|C1-C|/sC+|C2-C|/sC+|C3-C|/sC+|C4-C|/sC+|C5-C|/sC)/5)+w2*((|A1-A|/sA+|A2-A|/sA+|A3-A|/sA+|A4-A|/sA+|A5-A|/sA)/5)
其中,5张肝脏机械源损伤病理性图片中的炎性细胞个数分别为C1,C2,C3,C4,C5;5张肝脏机械源损伤病理性图片中的充血出血面积分别为A1,A2,A3,A4,A5;炎性细胞个数平均值C、标准差sC;充血出血面积平均值A、标准差sA;炎性细胞个数的权值为w1;充血出血面积的权值为w2;|C1-C|/sC+|C2-C|/sC+|C3-C|/sC+|C4-C|/sC+|C5-C|/sC)/5)为采用均值标准差法求得的细胞个数标准化数据;|A1-A|/sA+|A2-A|/sA+|A3-A|/sA+|A4-A|/sA+|A5-A|/sA)/5为采用均值标准差法求得的充血出血面积标准化数据。
5.根据权利要求4所述的肝脏机械源损伤自动化评价系统,其特征在于,
所述炎性细胞个数平均值C=(C1+C2+C3+C4+C5)/5;
所述炎性细胞个数标准差sC=sqrt(((C1-C)2+(C2-C)2+(C3-C)2+(C4-C)2+(C5-C)2)/5)。
6.根据权利要求4所述的肝脏机械源损伤自动化评价系统,其特征在于,
所述充血出血面积平均值A=(A1+A2+A3+A4+A5)/5;
所述充血出血面积标准差sA=sqrt(((A1-A)2+(A2-A)2+(A3-A)2+(A4-A)2+(A5-A)2)/5)。
7.根据权利要求1所述的肝脏机械源损伤自动化评价系统,其特征在于,还包括:所述肝脏机械源损伤评分函数为:采用归一化法求得的炎性细胞个数标准化数据和采用归一化法求得的充血出血面积标准化数据,与对应权值的乘积之和。
8.根据权利要求7所述的肝脏机械源损伤自动化评价系统,其特征在于,当肝脏机械源损伤病理性图片数量为5时,所述肝脏机械源损伤评分函数为:
Z2=M1×w1+M2×w2
其中,M1=(炎性细胞个数实际数据-炎性细胞个数最小值)/(炎性细胞个数最大值-炎性细胞个数最小值);M2=(充血出血面积实际数据-充血出血面积最小值)/(充血出血面积最大值-充血出血面积最小值);炎性细胞个数的权值为w1;充血出血面积的权值为w2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110572667.9A CN113192634B (zh) | 2021-05-25 | 2021-05-25 | 一种肝脏机械源损伤自动化评价系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110572667.9A CN113192634B (zh) | 2021-05-25 | 2021-05-25 | 一种肝脏机械源损伤自动化评价系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113192634A true CN113192634A (zh) | 2021-07-30 |
CN113192634B CN113192634B (zh) | 2023-04-07 |
Family
ID=76984968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110572667.9A Active CN113192634B (zh) | 2021-05-25 | 2021-05-25 | 一种肝脏机械源损伤自动化评价系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192634B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080311036A1 (en) * | 2005-05-11 | 2008-12-18 | University Of Florida Research Foundation, Inc. | Imaging of Neural and Organ Injury or Damage |
CN102670227A (zh) * | 2012-06-11 | 2012-09-19 | 毛一雷 | 一种肝脏gsa摄取指数的检测方法 |
WO2014017480A1 (ja) * | 2012-07-23 | 2014-01-30 | 東京エレクトロン株式会社 | 画像解析による多能性幹細胞の評価方法 |
CN105741251A (zh) * | 2016-03-17 | 2016-07-06 | 中南大学 | 一种肝脏cta序列图像的血管分割方法 |
CN110910367A (zh) * | 2019-11-19 | 2020-03-24 | 长春理工大学 | 生物反应器细胞培养质量评价方法 |
CN110993099A (zh) * | 2019-12-18 | 2020-04-10 | 山东大学齐鲁医院 | 基于深度学习的溃疡性结肠炎严重程度评估方法及系统 |
US20200273161A1 (en) * | 2017-09-20 | 2020-08-27 | Deutsches Krebsforschungszentrum Stiftung des öffentlichen Rechts | Method, System and Computer Program for Computer-Assisted Evaluation of Biomarkers in a Tissue Sample |
US20200381127A1 (en) * | 2006-02-13 | 2020-12-03 | David G. Silverman | Method and system for assessing, quantifying, coding & communicating patient's health and perioperative risk |
-
2021
- 2021-05-25 CN CN202110572667.9A patent/CN113192634B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080311036A1 (en) * | 2005-05-11 | 2008-12-18 | University Of Florida Research Foundation, Inc. | Imaging of Neural and Organ Injury or Damage |
US20200381127A1 (en) * | 2006-02-13 | 2020-12-03 | David G. Silverman | Method and system for assessing, quantifying, coding & communicating patient's health and perioperative risk |
CN102670227A (zh) * | 2012-06-11 | 2012-09-19 | 毛一雷 | 一种肝脏gsa摄取指数的检测方法 |
WO2014017480A1 (ja) * | 2012-07-23 | 2014-01-30 | 東京エレクトロン株式会社 | 画像解析による多能性幹細胞の評価方法 |
CN105741251A (zh) * | 2016-03-17 | 2016-07-06 | 中南大学 | 一种肝脏cta序列图像的血管分割方法 |
US20200273161A1 (en) * | 2017-09-20 | 2020-08-27 | Deutsches Krebsforschungszentrum Stiftung des öffentlichen Rechts | Method, System and Computer Program for Computer-Assisted Evaluation of Biomarkers in a Tissue Sample |
CN110910367A (zh) * | 2019-11-19 | 2020-03-24 | 长春理工大学 | 生物反应器细胞培养质量评价方法 |
CN110993099A (zh) * | 2019-12-18 | 2020-04-10 | 山东大学齐鲁医院 | 基于深度学习的溃疡性结肠炎严重程度评估方法及系统 |
Non-Patent Citations (3)
Title |
---|
SMITA DE ET AL.: "Assessment of Tissue Damage due to Mechanical Stresses", 《THE INTERNATIONAL JOURNAL OF ROBOTICS RESEARCH》 * |
张竞文 等: "磁敏感加权成像与 CT 评价创伤性脑损伤", 《中国医学影像技术》 * |
王进 等: "腹腔镜手术钳夹持组织过程中安全性研究" * |
Also Published As
Publication number | Publication date |
---|---|
CN113192634B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210041422A1 (en) | Performing measurements on a sample | |
CN111161290B (zh) | 一种图像分割模型的构建方法、图像分割方法及系统 | |
EP3696728A1 (en) | Bone marrow cell marking method and system | |
WO2021093451A1 (zh) | 病理切片图像的处理方法、装置、系统及存储介质 | |
CN111967465A (zh) | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 | |
JP2006333710A (ja) | 細胞の自動良否判定システム | |
CN113724243B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110969616B (zh) | 评价卵母细胞质量的方法及装置 | |
JP2022502684A (ja) | 画像特徴の検出 | |
CN110738658B (zh) | 图像质量评价方法 | |
CN115565698A (zh) | 一种人工智能评估供肾质量的方法及系统 | |
CN116823701A (zh) | 基于ai的医学影像分析处理方法 | |
CN113192634B (zh) | 一种肝脏机械源损伤自动化评价系统 | |
WO2018098697A1 (zh) | 一种影像特征的可重复性测量方法及装置 | |
WO2019171909A1 (ja) | 画像処理方法、画像処理装置及びプログラム | |
CN110517268A (zh) | 病理图像处理方法、装置、图像分析系统及存储介质 | |
CN106778536B (zh) | 一种基于fpga的实时高光谱显微图像细胞分类方法 | |
CN110647947A (zh) | 一种病灶融合的方法及装置 | |
CN116385460A (zh) | 细胞图像处理方法、装置和计算机设备 | |
CN115601748A (zh) | 卵母细胞成熟度分析方法 | |
Silva et al. | Development of a quantitative semi-automated system for intestinal morphology assessment in Atlantic salmon, using image analysis | |
CN111429440B (zh) | 显微病理图像细胞充足检测方法、系统、设备、装置及介质 | |
Nugroho et al. | An automated detection and segmentation of thyroid nodules using Res-UNet | |
CN112668405A (zh) | 一种土壤细菌数量的精确提取方法 | |
CN113657558B (zh) | 一种针对骶髂关节ct图像的分类评级方法及装置 |
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 |