CN113362294A - 含穿刺针超声血管图像的穿刺针识别方法、系统和设备 - Google Patents
含穿刺针超声血管图像的穿刺针识别方法、系统和设备 Download PDFInfo
- Publication number
- CN113362294A CN113362294A CN202110586593.4A CN202110586593A CN113362294A CN 113362294 A CN113362294 A CN 113362294A CN 202110586593 A CN202110586593 A CN 202110586593A CN 113362294 A CN113362294 A CN 113362294A
- Authority
- CN
- China
- Prior art keywords
- image
- puncture needle
- identification
- original
- region
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000002604 ultrasonography Methods 0.000 claims description 18
- 239000003086 colorant Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- G06T5/73—
-
- 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
- G06T2207/20081—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
Abstract
本发明涉及一种含穿刺针超声血管图像的穿刺针识别方法、系统和设备，方法包括以下步骤：对原始超声图像进行降噪平滑处理，获得图像A；对原始超声图像进行滤波和调整对比度处理，得到图像B；将图像A、B及原始图像拼接成为增强图像；利用训练好的U‑Net网络对增强图像进行分割，选取血管区域，作为识别穿刺针的感兴趣区域；将识别穿刺针的感兴趣区域进行二值化处理，并进行高斯模糊处理；对处理后的识别穿刺针的感兴趣区域进行开运算，得出穿刺针的识别位置。与现有技术相比，本发明具有识别精度高、准确性高等优点。
Description
技术领域
本发明涉及一种计算机识别技术领域，尤其是涉及一种含穿刺针超声血管图像的穿刺针识别方法，系统和设备。
背景技术
静脉穿刺，是临床中常用的一种治疗手段。然而，繁重的穿刺任务给医护人员带来了极大的负担；同时，穿刺失败给患者带来的风险也逐渐被大众所重视。而静脉穿刺采血/注射机器人的发明可以很好的解决这一切。随着智慧医疗的快速发展，市场对于静脉穿刺采血/注射机器人日益增加。而对于静脉采血机器人的自动化而言，穿刺针位置的识别是其中很重要的一步。
如中国专利CN202010507014.8公开了一种基于超声图像的穿刺针针尖识别定位方式。通过形态学运算与滤波等处理方式，识别探测皮下穿刺针针尖的深度与穿刺角度。然而，仅应用形态学方式判别穿刺针针尖所在的感兴趣区域，其识别准确率较低。
如中国专利CN201911203259.5公开了一种基于深度学习的医学影像增强方法，利用U-Net网络作为图像增强的方法的网络结构，找到医学影像中感兴趣的部位进行增强。但是此种方法主要针对于3D医学影像，如CT、MRI等；而超声平扫图像为2D格式。另外，此种方法的发明主要针对于医学分割，如器官、肿瘤等与周围组织密度相差不大的组织分割，如果应用于穿刺针这样的体积小的目标的识别，将会极大地减小识别精度，导致准确率下降。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种含穿刺针超声血管图像的穿刺针识别方法、系统和设备，提高超声血管图像中的穿刺针识别准确率。
本发明的目的可以通过以下技术方案来实现：
一种含穿刺针超声血管图像的穿刺针识别方法，包括以下步骤：
S1.对原始超声图像进行降噪平滑处理，获得图像A；
S2.对原始超声图像进行滤波和直方图正规化，得到图像B；
S3.将图像A、B及原始图像拼接成为增强图像；
S4、利用训练好的U-Net网络对增强图像进行分割，选取血管区域，作为识别穿刺针的感兴趣区域；
S5、将识别穿刺针的感兴趣区域进行二值化处理，并进行高斯模糊处理；
S6.对处理后的识别穿刺针的感兴趣区域进行开运算，得出穿刺针的识别位置。
进一步地，所述步骤S3包括：将原始超声图像、图像A和图像B转化为三个单通道图像，三个单通道图像分别为红通道图像、绿通道图像和蓝通道图像，然后将三个单通道图像叠加形成一个带有颜色的三通道增强图像。
进一步地，步骤S3中三个单通道图像的灰度值相同。
进一步地，所述步骤S1中，采用高斯模糊方式对原始超声图像进行处理。
进一步地，所述步骤S2中，采用Sobel算子与锐化方式进行滤波处理，滤波处理的表达式如下：
Bij＝∑∑K(m，n)*A(i-m，j-n)
其中，Bij为处理后图像在(i，j)位置的像素点的值，m和n为图像的尺寸。
进一步地，所述步骤S2中，直方图正规化的表达式如下：
Outputmax＝255
Outputmin＝0
其中，Outputij表示输出图像中处于(i，j)位置的像素点的值，Outputmax表示输出图像中灰度最大值，Outputmin表示输出图像中灰度最小值，Iij表示原图像位于(i，j)位置的像素点的值，Imax表示原图像中灰度最大值，Imin表示原图像中灰度最小值。
进一步地，所述步骤S6包括：对识别穿刺针的感兴趣区域的图像进行先腐蚀后膨胀的操作；根据操作结果计算穿刺针的最大深度。
一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上任一所述的含穿刺针超声血管图像的穿刺针识别方法。
一种含穿刺针超声血管图像的穿刺针识别系统，包括：
第一处理模块，对原始超声图像进行降噪平滑处理，获得图像A；
第二处理模块，对原始超声图像进行滤波和调整对比度处理，得到图像B；
拼接模块，将图像A、B及原始图像拼接成为增强图像；
分隔模块，利用训练好的U-Net网络对增强图像进行分割，选取血管区域，作为识别穿刺针的感兴趣区域；
识别模块，将识别穿刺针的感兴趣区域进行二值化处理，并进行高斯模糊处理，然后对处理后的识别穿刺针的感兴趣区域进行开运算，得出穿刺针的识别位置。
进一步地，所述拼接模块中，将原始超声图像、图像A和图像B转化为三个单通道图像，三个单通道图像分别为红通道图像、绿通道图像和蓝通道图像，然后将三个单通道图像叠加形成一个带有颜色的三通道增强图像。
与现有技术相比，本发明具有以下有益效果：
本发明通过使用U-Net分割网络识别超声图像中的静脉血管，相比现有方法，通过机器学习图像分割算法可以有效提升穿刺针识别效果；同时，本发明通过对原始超声图片进行降噪平滑，减少了图片中的噪声，同时对图像进行了滤波处理等，增强了图像的特征，最后将两种方式得到的图片和原始图片各作为一个RGB图像的通道图层进行叠加，从而得到一个带有颜色的融合图像，不但增强了图像特征，而且保留所有的图像细节，有效提高了U-Net分割网络的识别精度，优化应用于穿刺针这样的体积小的目标的识别。
附图说明
图1为本发明的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例一
如图1所示，本实施例提供了一种含穿刺针超声血管图像的穿刺针识别方法，具体包括以下步骤：
步骤S1、对原始超声图像进行降噪平滑处理，获得图像A，具体展开为：
步骤S11.计算高斯滤波中的高斯模板的公式如下：
其中，ij表示在所计算元素在模板的(i，j)位置。
σ＝0.3*((ksize-1)*0.5-1)+0.8
Ksize为高斯模板的大小。
步骤S12.若模板为小数形式，进行归一化处理，将模板左上角值归一为1。
步骤S13.将高斯模板的中心对准待处理的图像矩阵，然后对应元素相乘后相加，没有元素的地方补零。
步骤S14.对图像中每一个像素点分别进行上述计算，得到高斯滤波的结果。
步骤S2、对原始超声图像进行滤波和调整对比度处理，得到图像B；本步骤中是先进行滤波处理然后进行直方图的正规化：
(1)滤波处理：
采用Sobel算子与锐化方式进行滤波处理，其中，对原始超声图像进行滤波处理的卷积核定义如下：
滤波处理的表达式如下：
其中，Bij为处理后图像在(i，j)位置的像素点的值，m和n为图像的尺寸。
(2)直方图正规化
假设输入图像为I，宽W、高为H，I(i，j)代表I的第i行j列的灰度值，将I中最大灰度记为Imax，I中最大灰度值记为Imin，则：
Ij位置的输出：
OutpUtmax＝255
Outputmin＝0
根据上述公式，计算相应参数如下：
Imax＝230,Imin＝0
步骤S3、将图像A、B及原始图像拼接成为增强图像。
设原始图像为A，将图像A、图像B和图像C转化为三个单通道图像，三个单通道图像分别为红通道图像、绿通道图像和蓝通道图像，然后将三个单通道图像叠加形成一个带有颜色的三通道增强图像。三个单通道图像的灰度值相同，其重合部分会仍然显示灰色，其不同地方就会以不同的颜色进行显示，不会损失任何的细节，同时可以获得更多特征信息。
步骤S4、利用训练好的U-Net网络对增强图像进行分割，选取血管区域，作为识别穿刺针的感兴趣区域。
其中，使用的U-Net网络训练过程如下：
(1)获取数据集，对数据集中的图像全部按照S1，S2，S3中所述的步骤处理，并保存。
(2)利用翻转、拼接、添加椒盐噪声等方法，对数据集进行数据增广，扩充数据集内数据数量。
(3)利用数据集对U-Net网络进行训练，得到训练后的模型。
利用U-Net血管分割网络对图像中的静脉血管区域进行分割步骤如下：
步骤S41：读取图像，将所给图像按照步骤S1，S2，S3中的步骤处理；
步骤S42：输入U-Net血管分割网络，并得到分割结果。
步骤S5、将识别穿刺针的感兴趣区域进行二值化处理，并进行高斯模糊处理。具体展开为：基于第一步得出的标记结果，对原图像中标记区域进行高斯模糊，达到降噪平滑的效果；对第一步高斯模糊后得到的图像进行Sobel以及锐化滤波处理。
步骤S6、对处理后的识别穿刺针的感兴趣区域进行开运算，得出穿刺针的识别位置。对识别穿刺针的感兴趣区域的图像进行先腐蚀后膨胀的操作；根据操作结果计算穿刺针的最大深度。
其中，腐蚀操作定义为：
定义一个大小为(3,3)的卷积核，用卷积核与其覆盖的图像范围做与操作，若操作结果都为1，则该卷积核覆盖的中心像素点保持为1，否则为0。
膨胀操作定义为：
定义一个大小为(3,3)的卷积核，用卷积核与其覆盖的图像范围做或操作，若操作结果不全为0，则该卷积核覆盖的中心像素点保持为1，否则为0。
实施例二
本实施例提供了一种含穿刺针超声血管图像的穿刺针识别系统，包括：
第一处理模块，对原始超声图像进行降噪平滑处理，获得图像A。
第二处理模块，对原始超声图像进行滤波和调整对比度处理，得到图像B。
拼接模块，将图像A、B及原始图像拼接成为增强图像；将原始超声图像、图像A和图像B转化为三个单通道图像，三个单通道图像分别为红通道图像、绿通道图像和蓝通道图像，然后将三个单通道图像叠加形成一个带有颜色的三通道增强图像。
分隔模块，利用训练好的U-Net网络对增强图像进行分割，选取血管区域，作为识别穿刺针的感兴趣区域。
识别模块，将识别穿刺针的感兴趣区域进行二值化处理，并进行高斯模糊处理，然后对处理后的识别穿刺针的感兴趣区域进行开运算，得出穿刺针的识别位置。
本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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(可以是个人计算机，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、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
Claims (10)
1.一种含穿刺针超声血管图像的穿刺针识别方法，其特征在于，包括以下步骤：
S1.对原始超声图像进行降噪平滑处理，获得图像A；
S2.对原始超声图像进行滤波和直方图正规化，得到图像B；
S3.将图像A、B及原始图像拼接成为增强图像；
S4、利用训练好的U-Net网络对增强图像进行分割，选取血管区域，作为识别穿刺针的感兴趣区域；
S5、将识别穿刺针的感兴趣区域进行二值化处理，并进行高斯模糊处理；
S6.对处理后的识别穿刺针的感兴趣区域进行开运算，得出穿刺针的识别位置。
2.根据权利要求1所述的一种含穿刺针超声血管图像的穿刺针识别方法，其特征在于，所述步骤S3包括：将原始超声图像、图像A和图像B转化为三个单通道图像，三个单通道图像分别为红通道图像、绿通道图像和蓝通道图像，然后将三个单通道图像叠加形成一个带有颜色的三通道增强图像。
3.根据权利要求2所述的一种含穿刺针超声血管图像的穿刺针识别方法，其特征在于，步骤S3中三个单通道图像的灰度值相同。
4.根据权利要求1所述的一种含穿刺针超声血管图像的穿刺针识别方法，其特征在于，所述步骤S1中，采用高斯模糊方式对原始超声图像进行处理。
5.根据权利要求1所述的一种含穿刺针超声血管图像的穿刺针识别方法，其特征在于，所述步骤S2中，采用Sobel算子与锐化方式进行滤波处理，滤波处理的表达式如下：
Bij＝∑∑K(m，n)*A(i-m，j-n)
其中，Bij为处理后图像在(i,j)位置的像素点的值，m和n为图像的尺寸。
6.根据权利要求1所述的一种含穿刺针超声血管图像的穿刺针识别方法，其特征在于，所述步骤S2中，直方图正规化的表达式如下：
Outputmax＝255
Outputmin＝0
其中，Outputij表示输出图像中处于(i,j)位置的像素点的值，Outputmax表示输出图像中灰度最大值，Outputmin表示输出图像中灰度最小值，Iij表示原图像位于(i,j)位置的像素点的值，Imax表示原图像中灰度最大值，Imin表示原图像中灰度最小值。
7.根据权利要求1所述的一种含穿刺针超声血管图像的穿刺针识别方法，其特征在于，所述步骤S6包括：对识别穿刺针的感兴趣区域的图像进行先腐蚀后膨胀的操作；根据操作结果计算穿刺针的最大深度。
8.一种含穿刺针超声血管图像的穿刺针识别系统，其特征在于，包括：
第一处理模块，对原始超声图像进行降噪平滑处理，获得图像A；
第二处理模块，对原始超声图像进行滤波和调整对比度处理，得到图像B；
拼接模块，将图像A、B及原始图像拼接成为增强图像；
分隔模块，利用训练好的U-Net网络对增强图像进行分割，选取血管区域，作为识别穿刺针的感兴趣区域；
识别模块，将识别穿刺针的感兴趣区域进行二值化处理，并进行高斯模糊处理，然后对处理后的识别穿刺针的感兴趣区域进行开运算，得出穿刺针的识别位置。
9.根据权利要求8所述的一种含穿刺针超声血管图像的穿刺针识别系统，其特征在于，所述拼接模块中，将原始超声图像、图像A和图像B转化为三个单通道图像，三个单通道图像分别为红通道图像、绿通道图像和蓝通道图像，然后将三个单通道图像叠加形成一个带有颜色的三通道增强图像。
10.一种电子设备，其特征在于，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1～7中任一所述的含穿刺针超声血管图像的穿刺针识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110586593.4A CN113362294B (zh) | 2021-05-27 | 2021-05-27 | 含穿刺针超声血管图像的穿刺针识别方法、系统和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110586593.4A CN113362294B (zh) | 2021-05-27 | 2021-05-27 | 含穿刺针超声血管图像的穿刺针识别方法、系统和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113362294A true CN113362294A (zh) | 2021-09-07 |
| CN113362294B CN113362294B (zh) | 2022-09-02 |
Family
ID=77527951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110586593.4A Active CN113362294B (zh) | 2021-05-27 | 2021-05-27 | 含穿刺针超声血管图像的穿刺针识别方法、系统和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113362294B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023193175A1 (zh) * | 2022-04-07 | 2023-10-12 | 中国科学院深圳先进技术研究院 | 一种基于超声图像的穿刺针实时检测方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140328539A1 (en) * | 2013-04-19 | 2014-11-06 | Huawei Technologies Co., Ltd. | Method and apparatus for enhancing color |
| CN107945168A (zh) * | 2017-11-30 | 2018-04-20 | 上海联影医疗科技有限公司 | 一种医学图像的处理方法及医学图像处理系统 |
| CN110363720A (zh) * | 2019-07-04 | 2019-10-22 | 北京奇艺世纪科技有限公司 | 一种图像的色彩增强方法、装置、设备和存储介质 |
| CN111329585A (zh) * | 2018-12-18 | 2020-06-26 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像处理方法及超声成像设备 |
| CN111951221A (zh) * | 2020-07-13 | 2020-11-17 | 清影医疗科技（深圳）有限公司 | 一种基于深度神经网络的肾小球细胞图像识别方法 |
| CN112396565A (zh) * | 2020-11-19 | 2021-02-23 | 同济大学 | 静脉穿刺机器人的图像及视频血管增强与分割方法和系统 |
| CN112529800A (zh) * | 2020-12-07 | 2021-03-19 | 同济大学 | 一种用于滤除毛发噪声的近红外静脉图像处理方法 |
| CN112533540A (zh) * | 2018-08-13 | 2021-03-19 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像的方法、超声成像设备以及穿刺导航系统 |
-
2021
- 2021-05-27 CN CN202110586593.4A patent/CN113362294B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140328539A1 (en) * | 2013-04-19 | 2014-11-06 | Huawei Technologies Co., Ltd. | Method and apparatus for enhancing color |
| CN107945168A (zh) * | 2017-11-30 | 2018-04-20 | 上海联影医疗科技有限公司 | 一种医学图像的处理方法及医学图像处理系统 |
| CN112533540A (zh) * | 2018-08-13 | 2021-03-19 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像的方法、超声成像设备以及穿刺导航系统 |
| CN111329585A (zh) * | 2018-12-18 | 2020-06-26 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像处理方法及超声成像设备 |
| CN110363720A (zh) * | 2019-07-04 | 2019-10-22 | 北京奇艺世纪科技有限公司 | 一种图像的色彩增强方法、装置、设备和存储介质 |
| CN111951221A (zh) * | 2020-07-13 | 2020-11-17 | 清影医疗科技（深圳）有限公司 | 一种基于深度神经网络的肾小球细胞图像识别方法 |
| CN112396565A (zh) * | 2020-11-19 | 2021-02-23 | 同济大学 | 静脉穿刺机器人的图像及视频血管增强与分割方法和系统 |
| CN112529800A (zh) * | 2020-12-07 | 2021-03-19 | 同济大学 | 一种用于滤除毛发噪声的近红外静脉图像处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| JUN GAO等: "Robust Needle Localization and Enhancement Algorithm for Ultrasound by Deep Learning and Beam Steering Methods", 《JOURNAL OF COMPUTER SCIENCE AND TECHNOLOGY》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023193175A1 (zh) * | 2022-04-07 | 2023-10-12 | 中国科学院深圳先进技术研究院 | 一种基于超声图像的穿刺针实时检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113362294B (zh) | 2022-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112950651B (zh) | 基于深度学习网络的纵隔淋巴引流区的自动勾画方法 | |
| Saad et al. | Image segmentation for lung region in chest X-ray images using edge detection and morphology | |
| Fan et al. | Multichannel fully convolutional network for coronary artery segmentation in X-ray angiograms | |
| CN111062947B (zh) | 一种基于深度学习的x光胸片病灶定位方法及系统 | |
| CN110136153B (zh) | 一种图像处理方法、设备及存储介质 | |
| CN113012155A (zh) | 髋关节图像中骨骼分割方法、电子设备及存储介质 | |
| CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
| CN111971752A (zh) | 医学图像数据的显示 | |
| CN116188479B (zh) | 基于深度学习的髋关节图像分割方法及系统 | |
| CN111815606B (zh) | 图像质量评估方法、存储介质及计算装置 | |
| CN113450359A (zh) | 医学图像分割、显示、模型训练方法、系统、设备和介质 | |
| Blaiech et al. | Impact of enhancement for coronary artery segmentation based on deep learning neural network | |
| CN113362294B (zh) | 含穿刺针超声血管图像的穿刺针识别方法、系统和设备 | |
| CN113658165B (zh) | 杯盘比确定方法、装置、设备及存储介质 | |
| CN112561877B (zh) | 多尺度双通道卷积模型训练方法、图像处理方法及装置 | |
| CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
| CN113177953B (zh) | 肝脏区域分割方法、装置、电子设备及存储介质 | |
| CN113379691B (zh) | 一种基于先验引导的乳腺病灶深度学习分割方法 | |
| CN111462067B (zh) | 图像分割方法及装置 | |
| CN112801964B (zh) | 肺部ct图像的多标签智能检测方法、装置、设备和介质 | |
| Mwikirize et al. | Local phase-based learning for needle detection and localization in 3d ultrasound | |
| CN113344809B (zh) | 一种超声图像增强方法、系统和设备 | |
| CN116309593B (zh) | 基于数学模型的肝脏穿刺活检b超图像处理方法及系统 | |
| CN112950582B (zh) | 一种基于深度学习的3d肺部病灶分割方法、装置 | |
| Mouzai et al. | Xray-Net: Self-supervised pixel stretching approach to improve low-contrast medical imaging |
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 |