CN113298773A - 基于深度学习的心脏视图识别与左心室检测装置、系统 - Google Patents
基于深度学习的心脏视图识别与左心室检测装置、系统 Download PDFInfo
- Publication number
- CN113298773A CN113298773A CN202110553831.1A CN202110553831A CN113298773A CN 113298773 A CN113298773 A CN 113298773A CN 202110553831 A CN202110553831 A CN 202110553831A CN 113298773 A CN113298773 A CN 113298773A
- Authority
- CN
- China
- Prior art keywords
- chamber
- data set
- left ventricle
- deep learning
- apical
- 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
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
-
- 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
- A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means
- A61B8/468—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means allowing annotation or message recording
-
- 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
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Cardiology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于深度学习的心脏视图识别与左心室检测装置、系统,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,所述处理器执行所述程序时实现以下步骤:接收超声心动图;采集超声心动图中心尖二腔室、心尖三腔室、心尖四腔室的医学图像;标注不同视图中左心室的轮廓,制作为原始图像数据集;对原始图像数据集进行预处理,获得实验数据集;将实验数据集输入到经过深度学习的网络中得到心脏视图识别结果和左心室检测结果。
Description
技术领域
本发明属于检测技术领域,尤其涉及基于深度学习的心脏视图识别与左心室检测装置、系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着医疗技术的发展,出现了多种多样的医学影像资料,如何正确、快速、最大程度的利用这些医学影像资料来诊断疾病成为当今社会的一大热点。
机器学习技术使研究人员能够开发和利用复杂的模型来分类或预测各种异常或疾病或者进行医学病灶的识别和分割。如今,机器学习技术发展逐渐成熟与完善。深度学习是机器学习研究的一个新领域,其动机在于人脑的建立和模拟,以分析和研究神经网络,模拟人脑机制来解释数据。因此近年来,越来越多的研究者开始关注医学图像处理中的模式识别、分类以及分割等处理技术。
在临床应用中,超声心动图是医生判断心脏病症的一个重要手段。在临床治疗时,超声心动图中的左心室运动状态等特点是医生诊断心脏病的首要依据。通过分割左心室,可以计算射血分数等重要的医学指标。超声心动图中心尖二腔室、心尖三腔室和心尖四腔室都包含完整的左心室信息,但是因为超声探头探测的位置不同,不同的腔室中左心室的形态并不相同。由于病人之间的差异较大以及设备固有的缺陷,因此并不是所有的超声心动图都只清晰的呈现心室心房内外膜,大多数的超声心动图中存在左心室边界模糊、噪声干扰太强的问题。现有的分割算法不能准确的识别噪声和要分割部位,分割结果可能会出现并不需要的部位。比如我们需要分割左心室,但是最后的结果可能既包含左心室也包含左心室以外噪声干扰太强的部位,这样的分割结果不尽人意。
发明内容
为克服上述现有技术的不足,本发明提供了基于深度学习的心脏视图识别与左心室检测装置,能自动识别心尖二腔室、心尖三腔室、心尖四腔室,并在对应的视图中检测到左心室的位置。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
基于深度学习的心脏视图识别与左心室检测装置,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,所述处理器执行所述程序时实现以下步骤:
接收超声心动图;
采集超声心动图中心尖二腔室、心尖三腔室、心尖四腔室的医学图像;
标注不同视图中左心室的轮廓,制作为原始图像数据集;
对原始图像数据集进行预处理,获得实验数据集;
将实验数据集输入到经过深度学习的网络中得到心脏视图识别结果和左心室检测结果。
另一方面,为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
基于深度学习的心脏视图识别与左心室检测系统,包括:检测装置、超声图像采集设备、显示设备,超声图像采集设备采集超声心动图并传输至检测装置的处理器,处理器的处理结果传输至显示设备进行显示;
所述处理器执行所述程序时实现以下步骤:
接收超声心动图;
采集超声心动图中心尖二腔室、心尖三腔室、心尖四腔室的医学图像;
标注不同视图中左心室的轮廓,制作为原始图像数据集;
对原始图像数据集进行预处理,获得实验数据集;
将实验数据集输入到经过深度学习的网络中得到心脏视图识别结果和左心室检测结果。
以上一个或多个技术方案存在以下有益效果:
该系统能够自动识别出病人的一张医学图像属于心尖二腔室、心尖三腔室、心尖四腔室中的哪一个腔室,自动识别出心脏视图类型,不需要医生亲自挨个辨认,同时在不同的视图中检测描绘左心室的位置,提高分割的准确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,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。
图1为本发明实施例中形成实验数据集的示意图;
图2为本发明实施例中基于深度学习的心脏视图识别与左心室检测方法流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
在一个或多个实施方式中,公开了基于深度学习的心脏视图识别与左心室检测装置,本装置中的核心算法RetinaNet算法为深度学习中目标检测领的一种经典算法,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,所述处理器执行所述程序时实现以下步骤:
接收超声心动图;
采集超声心动图中心尖二腔室、心尖三腔室、心尖四腔室的医学图像;
标注不同视图中左心室的轮廓,制作为原始图像数据集;
对原始图像数据集进行预处理,获得实验数据集;
将实验数据集输入到经过深度学习的网络中得到心脏视图识别结果和左心室检测结果。
具体实施例子中,如图2所示,以病人为单位,采集超声心动图中心尖二腔室、心尖三腔室、心尖四腔室的医学图像。具体的采集过程为:首先从原始的超声心动图视频影像资料中选择包含完整左心室的心尖二腔室,心尖三腔室,心尖四腔室视频资料,然后分别将其导出为JPG图片文件。分别标注心尖二腔室、心尖三腔室、心尖四腔室这三种不同的心脏视图中左心室的轮廓,制作为原始图像数据集。具体的标注过程为:用labelme软件打开对应的图片,逐个画点描绘出左心室外膜,得到JSON文件,再将其转化为可视的label文件。
为了得到更多的情形不同实验数据,对原始图像数据集进行预处理,获得实验数据集。
将实验数据集输入到现有的RetinaNet网络中,通过其中的分类子网络得到图片的识别结果,即图片属于心尖二腔室、心尖三腔室、心尖四腔室中的哪一种视图,通过回归子网络得到左心室检测结果。
深度学习中经典的检测算法主要包括R-CNN、Fast R-CNN、Single Shot MultiboxDetector(SSD)、RetinaNet等。
下面对本实施例方法进行详细说明。
首先利用相应的设备采集超声心动图图像,在医院数据的支撑下,采集各个实验对象的超声心动图图像。采集完图像后,将采集到的图像经过预处理阶段后,制作为实验数据集。
构建实验数据集的过程如图1所示,主要包括:数据采集、数据标注和数据预处理三个部分;
数据采集包括采集多个病人的超声心动图图像,从这些病人原始的超声心动图视频影像资料中选择包含完整左心室的心尖二腔室,心尖三腔室,心尖四腔室视频资料,然后分别将其导出为JPG图片文件。
数据标注是对导出的图片中不同视图中的左心室外膜进行人工标注,具体过程为:用labelme软件打开对应的图片,逐个画点描绘出左心室外膜,得到JSON文件,再将其转化为可视的label文件。
通过上述标注方式可实现对具体左心室外膜位置的确定,以便后续利用深度学习网络时得到更精确的识别结果。
具体实施例子中,用MATLAB提取原标注图像的左上坐标和右下坐标,绘制矩形轮廓,并将其记录为“图片名称左心室轮廓坐标视图类型”的形式,例如心尖二腔室的一张图片记录为1.PNG 181 155 285 350 0,心尖三腔室的一张图片记录为233.PNG 181 136 286342 1,心尖四腔室的一张图片记录为427.PNG 186 143 294 366 2。
对每一张图片及对应的label进行数据预处理,主要包括以下三个步骤:
(1)随机翻转:以0.5的概率翻转输入图像和相应的label;
(2)随机裁剪:将给定图像裁剪为随机大小和纵横比;
(3)调整大小:将输入图像调整为给定大小。
通过上述方式进行数据预处理得到满足RetinaNet网络进行图像处理时所需要的具体图像格式要求。
将实验数据集输入到RetinaNet网络中得到心脏视图识别结果和左心室检测结果。RetinaNet主要包括三个子模块:ResNet、Feature Pyramid Network(FPN)和两个FullyConvolutional Networks(FCN)子网络,首先将实验数据集输入到ResNet模块,利用ResNet模块提取图片特征,将其输入至FPN模块。FPN模块接收ResNet除第一层外所有层的特征,将其组合形成最终的特征输入到FCN模块。FCN模块包括两个子网络,分类子网络用于识别心脏视图类型,回归子网络用于检测描绘出左心室的位置。
通过上述RetinaNet网络中的三个子模块的相互配合共同作用可以得到准确的左心室的位置。
基于同样的发明构思,在一个或多个实施方式中,公开了一种基于深度学习的心脏视图识别与左心室检测系统,该系统能同时识别心脏视图和检测左心室,基于深度学习的心脏视图识别与左心室检测装置,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,该程序被处理器执行时执行以下步骤:
所述处理器执行所述程序时实现以下步骤:
接收超声心动图;
采集超声心动图中心尖二腔室、心尖三腔室、心尖四腔室的医学图像;
标注不同视图中左心室的轮廓,制作为原始图像数据集;
对原始图像数据集进行预处理,获得实验数据集;
将实验数据集输入到经过深度学习的网络中得到心脏视图识别结果和左心室检测结果。
基于同样的发明构思,本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行以下步骤:
所述处理器执行所述程序时实现以下步骤:
接收超声心动图;
采集超声心动图中心尖二腔室、心尖三腔室、心尖四腔室的医学图像;
标注不同视图中左心室的轮廓,制作为原始图像数据集;
对原始图像数据集进行预处理,获得实验数据集;
将实验数据集输入到经过深度学习的网络中得到心脏视图识别结果和左心室检测结果。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于深度学习的心脏视图识别与左心室检测装置,其特征是,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,所述处理器执行所述程序时实现以下步骤:
接收超声心动图;
采集超声心动图中心尖二腔室、心尖三腔室、心尖四腔室的医学图像;
标注不同视图中左心室的轮廓,制作为原始图像数据集;
对原始图像数据集进行预处理,获得实验数据集;
将实验数据集输入到经过深度学习的网络中得到心脏视图识别结果和左心室检测结果。
2.如权利要求1所述的基于深度学习的心脏视图识别与左心室检测装置,其特征是,深度学习的网络采用RetinaNet算法进行目标检测。
3.如权利要求1所述的基于深度学习的心脏视图识别与左心室检测装置,其特征是,具体的标注:输入至labelme软件中的图片,利用逐个画点方式描绘出左心室外膜,得到JSON文件,再将其转化为可视的label文件。
4.如权利要2所述的基于深度学习的心脏视图识别与左心室检测装置,其特征是,所述RetinaNet算法主要包括三个子模块:ResNet、FPN和两个FCN子网络;
首先将实验数据集输入到ResNet模块,利用ResNet模块提取图片特征,将其输入至FPN模块;
FPN模块接收ResNet除第一层外所有层的特征,将其组合形成最终的特征输入到FCN模块;
FCN模块包括两个子网络,分类子网络用于识别心脏视图类型,回归子网络用于检测描绘出左心室的位置。
5.如权利要求1所述的基于深度学习的心脏视图识别与左心室检测装置,其特征是,采集超声心动图中心尖二腔室、心尖三腔室、心尖四腔室的医学图像:首先从原始的超声心动图视频影像资料中选择包含完整左心室的心尖二腔室,心尖三腔室,心尖四腔室视频资料,然后分别将其导出为JPG图片文件。
6.如权利要求1所述的基于深度学习的心脏视图识别与左心室检测装置,其特征是,分别标注心尖二腔室、心尖三腔室、心尖四腔室这三种不同的心脏视图中左心室的轮廓,制作为原始图像数据集。
7.如权利要求1所述的基于深度学习的心脏视图识别与左心室检测装置,其特征是,将实验数据集输入到RetinaNet网络中,通过其中的分类子网络得到图片的识别结果,即图片属于心尖二腔室、心尖三腔室、心尖四腔室中的哪一种视图,通过回归子网络得到左心室检测结果。
8.如权利要求3所述的基于深度学习的心脏视图识别与左心室检测装置,其特征是,对每一张图片及对应的label进行数据预处理,包括:
随机翻转:以0.5的概率翻转输入图像和相应的label;
随机裁剪:将给定图像裁剪为随机大小和纵横比;
调整大小:将输入图像调整为给定大小。
9.基于深度学习的心脏视图识别与左心室检测系统,包括:检测装置、超声图像采集设备、显示设备,超声图像采集设备采集超声心动图并传输至检测装置的处理器,处理器的处理结果传输至显示设备进行显示;其特征是,所述处理器执行所述程序时实现以下步骤:
接收超声心动图;
采集超声心动图中心尖二腔室、心尖三腔室、心尖四腔室的医学图像;
标注不同视图中左心室的轮廓,制作为原始图像数据集;
对原始图像数据集进行预处理,获得实验数据集;
将实验数据集输入到经过深度学习的网络中得到心脏视图识别结果和左心室检测结果。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征是,该程序被处理器执行时执行以下步骤:
所述处理器执行所述程序时实现以下步骤:
接收超声心动图;
采集超声心动图中心尖二腔室、心尖三腔室、心尖四腔室的医学图像;
标注不同视图中左心室的轮廓,制作为原始图像数据集;
对原始图像数据集进行预处理,获得实验数据集;
将实验数据集输入到经过深度学习的网络中得到心脏视图识别结果和左心室检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553831.1A CN113298773A (zh) | 2021-05-20 | 2021-05-20 | 基于深度学习的心脏视图识别与左心室检测装置、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553831.1A CN113298773A (zh) | 2021-05-20 | 2021-05-20 | 基于深度学习的心脏视图识别与左心室检测装置、系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113298773A true CN113298773A (zh) | 2021-08-24 |
Family
ID=77323268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110553831.1A Pending CN113298773A (zh) | 2021-05-20 | 2021-05-20 | 基于深度学习的心脏视图识别与左心室检测装置、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298773A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689441A (zh) * | 2021-08-30 | 2021-11-23 | 华东师范大学 | 一种基于DeepLabV3网络的左心室超声动态分割方法 |
CN113762388A (zh) * | 2021-09-08 | 2021-12-07 | 山东大学 | 一种基于深度学习的超声心动图视图识别方法及系统 |
CN117122350A (zh) * | 2023-08-31 | 2023-11-28 | 四川维思模医疗科技有限公司 | 一种基于超声影像实时监护心脏状态的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200242407A1 (en) * | 2019-01-30 | 2020-07-30 | Walmart Apollo, Llc | Systems, methods, and techniques for training neural networks and utilizing the neural networks to detect non-compliant content |
CN111553252A (zh) * | 2020-04-24 | 2020-08-18 | 福建农林大学 | 一种基于深度学习及u-v视差算法的道路行人自动识别定位方法 |
CN111739000A (zh) * | 2020-06-16 | 2020-10-02 | 山东大学 | 一种提高多个心脏视图左心室分割精确度的系统及装置 |
CN111915557A (zh) * | 2020-06-23 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种深度学习的房间隔缺损检测方法及装置 |
-
2021
- 2021-05-20 CN CN202110553831.1A patent/CN113298773A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200242407A1 (en) * | 2019-01-30 | 2020-07-30 | Walmart Apollo, Llc | Systems, methods, and techniques for training neural networks and utilizing the neural networks to detect non-compliant content |
CN111553252A (zh) * | 2020-04-24 | 2020-08-18 | 福建农林大学 | 一种基于深度学习及u-v视差算法的道路行人自动识别定位方法 |
CN111739000A (zh) * | 2020-06-16 | 2020-10-02 | 山东大学 | 一种提高多个心脏视图左心室分割精确度的系统及装置 |
CN111915557A (zh) * | 2020-06-23 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种深度学习的房间隔缺损检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
TSUNG-YI LIN ETAL.: ""Focal Loss for Dense Object Detection"", 《ARXIV》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689441A (zh) * | 2021-08-30 | 2021-11-23 | 华东师范大学 | 一种基于DeepLabV3网络的左心室超声动态分割方法 |
CN113762388A (zh) * | 2021-09-08 | 2021-12-07 | 山东大学 | 一种基于深度学习的超声心动图视图识别方法及系统 |
CN117122350A (zh) * | 2023-08-31 | 2023-11-28 | 四川维思模医疗科技有限公司 | 一种基于超声影像实时监护心脏状态的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN108520519B (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
CN110326024B (zh) | 用于处理由医学成像装置捕获的组织学图像的方法和装置 | |
CN111739000B (zh) | 一种提高多个心脏视图左心室分割精确度的系统及装置 | |
CN109886933B (zh) | 一种医学图像识别方法、装置和存储介质 | |
CN107993221B (zh) | 心血管光学相干断层oct图像易损斑块自动识别方法 | |
CN113298773A (zh) | 基于深度学习的心脏视图识别与左心室检测装置、系统 | |
Nurmaini et al. | Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
CN110164550B (zh) | 一种基于多视角协同关系的先天性心脏病辅助诊断方法 | |
CN111227864A (zh) | 使用超声图像利用计算机视觉进行病灶检测的方法与装置 | |
CN111462049B (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
CN110838114B (zh) | 肺结节检测方法、装置及计算机存储介质 | |
TW201224826A (en) | Systems and methods for automated extraction of measurement information in medical videos | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN111214255A (zh) | 一种医学超声图像计算机辅助诊断方法 | |
CN111178420B (zh) | 一种二维造影图像上冠脉段标注方法及系统 | |
CN111275722A (zh) | 肺段、肝段分割方法及系统 | |
CN112263217A (zh) | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 | |
Pham et al. | Chest x-rays abnormalities localization and classification using an ensemble framework of deep convolutional neural networks | |
CN116779093B (zh) | 一种医学影像结构化报告的生成方法、装置和计算机设备 | |
US8265368B2 (en) | Image analysis apparatus, image processing apparatus, image analysis program storage medium, image processing program storage medium, image analysis method and image processing method | |
CN113177945A (zh) | 用于将分割图链接到体数据的系统和方法 | |
CN116664592A (zh) | 基于图像的动静脉血管分离方法、装置、电子设备及介质 |
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 |