CN113469941B - 一种在超声胆胰管检查中胆胰管宽度的测量方法 - Google Patents
一种在超声胆胰管检查中胆胰管宽度的测量方法 Download PDFInfo
- Publication number
- CN113469941B CN113469941B CN202110606342.8A CN202110606342A CN113469941B CN 113469941 B CN113469941 B CN 113469941B CN 202110606342 A CN202110606342 A CN 202110606342A CN 113469941 B CN113469941 B CN 113469941B
- Authority
- CN
- China
- Prior art keywords
- duct
- image
- bile
- line segment
- cholepancreatic
- 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.)
- Active
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
- A61B8/12—Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters
-
- 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
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30021—Catheter; Guide wire
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Geometry (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及医疗辅助技术领域，尤其涉及一种在超声胆胰管检查中胆胰管宽度的测量方法，包括如下步骤：S1、在超声内镜胆胰管的连续性扫描检查中，利用训练好的图像分割神经网络模型，实时识别获取超声内镜检查图像中胆胰管的区域，并在影像中标示；S2、根据胆胰管区域边缘的坐标点序列，通过算法得到表征胆胰管区域最宽宽度的线段，并标示；S3、根据线段端点坐标计算其长度，当长度超过设定的阈值时，发出警示。本发明利用人工智能图像识别和图像的几何测量方法，进行胆胰管实时识别、宽度实时测量，并在发现胆胰管内径超过扩张阈值时会发出告警信息，以防止胆胰管扩张的漏诊。胆管的阈值为15mm，胰管的阈值为2mm。
Description
技术领域
本发明涉及医疗辅助技术领域，尤其涉及一种在超声胆胰管检查中胆胰管宽度的测量方法。
背景技术
胆管内径的正常值通常不超过15mm，胰管内径的正常值通常不超过2mm，胆胰管扩张是指胆管的内径大于15mm，或是胰管的内径大于2mm。胆胰管扩张的病因主要包括胆胰管结石、胆胰管良性和恶性肿瘤、胰头癌、十二指肠壶腹周围癌、急慢性胰腺炎、肝门区肿大淋巴结压迫胆胰管、胆道蛔虫、急性化脓性胆胰管炎等，是一种较为常见的疾病。由于其漏诊或误诊可导致复发性上行性胆胰管炎、胆汁性肝硬变、胆胰管穿孔或破裂、复发性胰腺炎等急慢性并发症，严重时可危及患者生命，因而胆胰管扩张的早期诊断十分关键。
超声内镜是诊断胆胰管扩张灵敏度最高的检查之一，其具有高分辨率和动态实时的特点，其诊断胆胰管扩张的流程为：在腹主动脉、肝门、胰体、胰尾、胰颈、胃腔胰头、十二指肠球部和十二指肠降部八个站之间完成连续性扫查，并在怀疑胆胰管扩张的部位进行定图，此时由助手协助利用内镜设备配备的键盘进行定点手动测量，但上述流程在临床实践中存在明显不足，内镜医师无法对胆胰管进行实时测量，仅能在怀疑胆胰管发生扩张的部位进行定点测量，因此临床上漏诊屡见不鲜。
超声内镜是诊断胆胰管扩张灵敏度最高的检查之一，其具有高分辨率和动态实时的特点，其诊断胆胰管扩张的流程为：在腹主动脉、肝门、胰体、胰尾、胰颈、胃腔胰头、十二指肠球部和十二指肠降部八个站之间完成连续性扫查，并在怀疑胆胰管扩张的部位进行定图，此时由助手协助利用内镜设备配备的键盘进行定点手动测量，但上述流程在临床实践中存在明显不足，内镜医师无法对胆胰管进行实时测量，仅能在怀疑胆胰管发生扩张的部位进行定点测量，因此临床上漏诊屡见不鲜。
近年来，人工智能飞速发展，人工智能在消化领域的应用也逐渐增多。经检索，申请号为CN201911347874.3的发明专利实现了经内镜逆行胰胆管造影术中辅助胆管结石和胆管狭窄的诊断，尽管该发明涉及了胆胰管的测量，但是其仅为静态测量，并无动态实时测量的功能，并且本发明的测量方法和该专利也有本质不同。本发明利用人工智能图像识别和图像的几何测量方法，创新性地提出了一种在超声内镜胆胰管的连续性扫描检查中，进行胆胰管实时识别、宽度实时测量的方法，在发现胆胰管内径超过扩张阈值(胆管阈值为15mm，胰管阈值为2mm)时会发出告警信息，以防止胆胰管扩张的漏诊。
发明内容
基于背景技术存在的技术问题，本发明提出了一种在超声胆胰管检查中胆胰管宽度的测量方法，具有进行胆胰管实时识别、宽度实时测量，发现胆胰管内径超过扩张阈值时发出告警信息，以防止胆胰管扩张漏诊的特点，解决了现有技术无法对胆胰管进行实时测量，仅能在怀疑胆胰管发生扩张的部位进行定点测量，因此进一步增加了漏诊风险的问题。
本发明提供如下技术方案：一种在超声胆胰管检查中胆胰管宽度的测量方法，包括如下步骤：
S1、在超声内镜胆胰管的连续性扫描检查中，利用训练好的图像分割神经网络模型，实时识别获取超声内镜检查图像中胆胰管区域，并在影像中标示；
S2、根据胆胰管区域边缘的坐标点序列，通过算法得到表征胆胰管区域最宽宽度的线段，并标示；
S3、根据线段端点坐标计算其长度，当长度超过设定的阈值时，发出警示。
优选的，所述步骤S1中的图像分割神经网络模型包括两组UNet++图像分割神经网络模型；第一组UNet++图像分割神经网络模型实时识别获取超声内镜检查图像中的有效图像区域，并以其外切水平矩形裁剪图像；另一组UNet++图像分割神经网络模型在裁剪图像中识别胆胰管区域，并在影像中标示。
优选的，所述步骤S2中根据胆胰管区域首先得到最小外切矩形R，区域的点坐标序列为P，R的四个点为a、b、c、d，短边为ab、cd；遍历P的每个点，和ab组成三角形，计算三角形面积，找到面积最小三角形对应的点Pab：
同样的，找到cd对应的Pcd；此时P被Pab、Pcd分成了2部分P1、P2；遍历P1的每个点P1i，对每个点遍历P2的各个点P2j，这2个点形成一条线段P1iP2j，计算该线段与ab的夹角，记录下夹角小于10°的线段(P1i，P2j)；对记录的线段列表，计算长度，取最长长度的线段(P1max，P2max)：
Lmax＝Max(len(P1i，P2j)|P1i∈P1，P2i∈P2)；
并在影像中标示该线段。
优选的，所述步骤S3中根据超声图像中边缘的刻度所对应的实际长度，把该长度换算成物理实际长度，即得到胆胰管实际的物理宽度，并在影像中显示，当实际宽度超过实际阈值时，发出警示。
优选的，所述警示为区域、线段的突出显示或警报提示。
本发明提供了一种在超声胆胰管检查中胆胰管宽度的测量方法，利用人工智能图像识别和图像的几何测量方法，进行胆胰管实时识别、宽度实时测量，在发现胆胰管内径超过扩张阈值(胆管阈值为15mm，胰管阈值为2mm)时会发出告警信息，以防止胆胰管扩张的漏诊，解决了现有技术无法对胆胰管进行实时测量，仅能在怀疑胆胰管发生扩张的部位进行定点测量，因此进一步增加了漏诊风险的问题。
附图说明
图1为本发明超声内镜检查图像有效区识别及裁剪示意图；
图2为本发明UNet++识别胆胰管、最宽线段查找、最宽物理长度计算及标示示意图。
具体实施方式
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，都属于本发明保护的范围。
本发明提供一种技术方案：一种在超声胆胰管检查中胆胰管宽度的测量方法，包括如下步骤：
S1、在超声内镜胆胰管的连续性扫描检查中，利用训练好的图像分割神经网络模型，实时识别获取超声内镜检查图像中胆胰管区域，并在影像中标示。
如图1所示，图像分割神经网络模型包括两组UNet++图像分割神经网络模型；第一组UNet++图像分割神经网络模型实时识别获取超声内镜检查图像中的有效图像区域，并以其外切水平矩形裁剪图像；另一组UNet++图像分割神经网络模型在裁剪图像中识别胆胰管区域。
采用深度学习、卷积神经网络技术进行神经网络模型Unet++的学习训练，以对目标区域进行识别。其中第一组UNet++图像分割神经网络模型训练过程为：筛选出大量的内镜图像，对有效区域轮廓进行标记，并输入分割模型中进行训练。第二组UNet++图像分割神经网络模型训练过程为：对裁剪后的图片进行胆胰管区域标记，利用胆胰管区域标记后的图像对分割模型进行训练。
在本发明中分别识别出有效图像区，识别出有效图像区中的胆胰管区域，由围成该区域的点坐标序列P表示。
S2、根据胆胰管区域边缘的坐标点序列，通过算法得到表征胆胰管区域最宽宽度的线段，并标示；计算过程如下：
根据胆胰管区域首先得到最小外切矩形R，区域的点坐标序列为P，R的四个点为a、b、c、d，短边为ab、cd；遍历P的每个点，和ab组成三角形，计算三角形面积，找到面积最小三角形对应的点Pab：
同样的，找到cd对应的Pcd；此时P被Pab、Pcd分成了2部分P1、P2；遍历P1的每个点P1i，对每个点遍历P2的各个点P2j，这2个点形成一条线段P1iP2j，计算该线段与ab的夹角，记录下夹角小于10°的线段(P1i，P2j)；
对记录的线段列表，计算长度，取最长长度的线段(P1max，P2max)：
Lmax＝Max(len(P1i，P2j)|P1i∈P1，P2i∈P2)；
并在影像中标示该线段。
S3、根据线段端点坐标计算其长度，当长度超过设定的线段阈值时，发出警示。如图2所示。
根据超声图像中边缘的刻度所对应的实际长度，把该长度换算成物理实际长度，即得到胆胰管实际的物理宽度，并在影像中显示，当实际宽度超过实际阈值时，发出警示。警示为区域、线段的突出显示或警报提示。
超声图像中的边缘刻度中，一个刻度和物理尺寸的对应关系为1cm，一个刻度在图像上的像素长度约为95，因此胆胰管的实际物理宽度为：
L实际＝Lmax/95(cm)；
并在影像中显示该实际物理宽度，对超过阈值的红色突出显示。
本发明中，首先利用人工智能图像识别获取超声内镜检查图像中的有效图像区域，并以其外切水平矩形裁剪图像；在此基础上识别裁剪图像中的胆胰管区域，可以有效的避免超声内镜检查图像中的无效区域干扰胆胰管区域的识别。由于在超声胆胰管检查的全程中，图像中会实时显示胆胰管的区域，并对胆胰管宽度进行实时测量，只要超声胆胰管检查过程中胆胰管的任意一处超过扩张阈值都会发出告警信息，能有效的防止胆胰管扩张的漏诊，同时避免反复检查。从根本上解决了现有技术无法对胆胰管进行实时测量，仅能在怀疑胆胰管发生扩张的部位进行定点测量，因此进一步增加了漏诊风险的问题。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种在超声胆胰管检查中胆胰管宽度的测量方法，其特征在于：包括如下步骤：
S1、在超声内镜胆胰管的连续性扫描检查中，利用训练好的图像分割神经网络模型，实时识别获取超声内镜检查图像中胆胰管的区域，并在影像中标示；
S2、根据胆胰管区域边缘的坐标点序列，得到表征胆胰管区域最宽宽度的线段，并标示，具体包括：
首先得到胆胰管区域最小外切矩形R，胆胰管区域的点坐标序列为P，R的四个顶点为a、b、c、d，短边为ab、cd；遍历P中每个点Pi和短边ab组成的三角形，计算三角形面积
，找到面积最小三角形对应的点Pab：
同样的，找到短边cd对应的点Pcd；此时点P被点Pab、Pcd分成了2部分P1、P2；遍历P1的每个点P1i，对每个点P1i遍历P2中的各个点P2j，这2个点形成一条线段（P1iP2j），计算线段（P1iP2j）与短边ab的夹角，记录下夹角小于10°的线段（P1i，P2j）；对记录的线段列表中的计算长度len（P1iP2j），取最长长度Lmax对应的线段为表征胆胰管区域最宽宽度的线段，记为（P1max，P2max）：
并在影像中标示该线段；
S3、根据线段端点坐标计算标识出的线段的长度，当长度超过设定的阈值时，发出警示。
2.根据权利要求1所述的一种在超声胆胰管检查中胆胰管宽度的测量方法，其特征在于：所述步骤S1中的图像分割神经网络模型包括两组UNet++图像分割神经网络模型；第一组UNet++图像分割神经网络模型实时识别获取超声内镜检查图像中的有效图像区域，并以其外切水平矩形裁剪图像；另一组UNet++图像分割神经网络模型在裁剪图像中识别胆胰管的区域，并在影像中标示。
3.根据权利要求1所述的一种在超声胆胰管检查中胆胰管宽度的测量方法，其特征在于：所述步骤S3中根据超声图像中边缘的刻度所对应的实际长度，把标识出的线段的长度换算成物理实际长度，即得到胆胰管实际的物理宽度，并在影像中显示，当实际宽度超过阈值时，发出警示。
4.根据权利要求1或3所述的一种在超声胆胰管检查中胆胰管宽度的测量方法，其特征在于：所述警示为区域、线段的突出显示或警报提示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110606342.8A CN113469941B (zh) | 2021-05-27 | 2021-05-27 | 一种在超声胆胰管检查中胆胰管宽度的测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110606342.8A CN113469941B (zh) | 2021-05-27 | 2021-05-27 | 一种在超声胆胰管检查中胆胰管宽度的测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113469941A CN113469941A (zh) | 2021-10-01 |
| CN113469941B true CN113469941B (zh) | 2022-11-08 |
Family
ID=77871961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110606342.8A Active CN113469941B (zh) | 2021-05-27 | 2021-05-27 | 一种在超声胆胰管检查中胆胰管宽度的测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469941B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886938A (zh) * | 2019-01-29 | 2019-06-14 | 深圳市科曼医疗设备有限公司 | 一种超声图像血管直径自动测量方法 |
| CN110279433A (zh) * | 2018-09-21 | 2019-09-27 | 四川大学华西第二医院 | 一种基于卷积神经网络的胎儿头围自动精确测量方法 |
| CN111105873A (zh) * | 2019-12-24 | 2020-05-05 | 武汉大学 | 经内镜逆行胰胆管造影术中辅助诊断和测量方法及系统 |
| CN111325761A (zh) * | 2020-02-26 | 2020-06-23 | 医慧(嘉兴)科技有限公司 | 基于三次b样条插值的血管内超声图像分割与测量方法 |
| CN111862014A (zh) * | 2020-07-08 | 2020-10-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 一种基于左右侧脑室分割的alvi自动测量方法及装置 |
| CN112435246A (zh) * | 2020-11-30 | 2021-03-02 | 武汉楚精灵医疗科技有限公司 | 窄带成像放大胃镜下胃癌的人工智能诊断方法 |
| CN112767407A (zh) * | 2021-02-02 | 2021-05-07 | 南京信息工程大学 | 一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2549459B (en) * | 2016-04-12 | 2020-06-03 | Perspectum Diagnostics Ltd | Method and apparatus for generating quantitative data for biliary tree structures |
-
2021
- 2021-05-27 CN CN202110606342.8A patent/CN113469941B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110279433A (zh) * | 2018-09-21 | 2019-09-27 | 四川大学华西第二医院 | 一种基于卷积神经网络的胎儿头围自动精确测量方法 |
| CN109886938A (zh) * | 2019-01-29 | 2019-06-14 | 深圳市科曼医疗设备有限公司 | 一种超声图像血管直径自动测量方法 |
| CN111105873A (zh) * | 2019-12-24 | 2020-05-05 | 武汉大学 | 经内镜逆行胰胆管造影术中辅助诊断和测量方法及系统 |
| CN111325761A (zh) * | 2020-02-26 | 2020-06-23 | 医慧(嘉兴)科技有限公司 | 基于三次b样条插值的血管内超声图像分割与测量方法 |
| CN111862014A (zh) * | 2020-07-08 | 2020-10-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 一种基于左右侧脑室分割的alvi自动测量方法及装置 |
| CN112435246A (zh) * | 2020-11-30 | 2021-03-02 | 武汉楚精灵医疗科技有限公司 | 窄带成像放大胃镜下胃癌的人工智能诊断方法 |
| CN112767407A (zh) * | 2021-02-02 | 2021-05-07 | 南京信息工程大学 | 一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113469941A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7017198B2 (ja) | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
| CN110969622B (zh) | 用于辅助肺炎诊断的图像处理方法和系统 | |
| CN113674253B (zh) | 基于U-Transformer的直肠癌CT影像自动分割方法 | |
| WO2020105699A1 (ja) | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
| WO2019245009A1 (ja) | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
| Mira et al. | Early diagnosis of oral cancer using image processing and artificial intelligence | |
| US7623692B2 (en) | Pulmonary nodule detection in a chest radiograph | |
| CN111091562B (zh) | 一种消化道病灶大小测量方法及系统 | |
| US20050107691A1 (en) | Methods for digital bowel subtraction and polyp detection | |
| WO2008044466A1 (fr) | Dispositif, procédé et programme de traitement d'image | |
| CN113112609A (zh) | 一种面向肺部活检支气管镜的导航方法和系统 | |
| CN113610847B (zh) | 一种白光模式下胃部标志物评估方法及系统 | |
| CN107658028A (zh) | 一种获取病变数据的方法、识别病变方法及计算机设备 | |
| CN114372951A (zh) | 基于图像分割卷积神经网络的鼻咽癌定位分割方法和系统 | |
| CN114627067A (zh) | 一种基于图像处理的伤口面积测量及辅助诊疗方法 | |
| CN114081625B (zh) | 导航路径规划方法、系统和可读存储介质 | |
| CN111145200A (zh) | 结合卷积神经网络与循环神经网络的血管中心线追踪方法 | |
| CN113469941B (zh) | 一种在超声胆胰管检查中胆胰管宽度的测量方法 | |
| CN116958147B (zh) | 基于深度图像特征的目标区域确定方法、装置和设备 | |
| CN111080556A (zh) | 一种强化ct图像气管壁增强方法、系统、设备及介质 | |
| CN112863699B (zh) | 一种基于移动端的esd术前讨论系统 | |
| Rashid et al. | Segmenting melanoma lesion using single shot detector (SSD) and level set segmentation technique | |
| CN114266915A (zh) | 一种基于人工智能的鼻肠管超声识别定位的方法 | |
| CN117218138A (zh) | 一种基于深度学习的黑色素瘤图像分割方法 | |
| CN111507977A (zh) | 一种图像中钡剂信息提取方法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20211001 Assignee: Chu spirit (Hunan) Medical Technology Co.,Ltd. Assignor: Wuhan Chujingling Medical Technology Co.,Ltd. Contract record no.: X2022980002961 Denomination of invention: A method for measuring the width of biliopancreatic duct in ultrasonic biliopancreatic duct examination License type: Common License Record date: 20220322 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |