CN113538380B - 经颅超声的黑质高回声强度定量化分析方法 - Google Patents

经颅超声的黑质高回声强度定量化分析方法 Download PDF

Info

Publication number
CN113538380B
CN113538380B CN202110807378.2A CN202110807378A CN113538380B CN 113538380 B CN113538380 B CN 113538380B CN 202110807378 A CN202110807378 A CN 202110807378A CN 113538380 B CN113538380 B CN 113538380B
Authority
CN
China
Prior art keywords
black
image
echo
intensity
value
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
Application number
CN202110807378.2A
Other languages
English (en)
Other versions
CN113538380A (zh
Inventor
薛峥
高红铃
周晓
周聪
朱太龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji Medical College of Huazhong University of Science and Technology
Original Assignee
Tongji Medical College of Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji Medical College of Huazhong University of Science and Technology filed Critical Tongji Medical College of Huazhong University of Science and Technology
Priority to CN202110807378.2A priority Critical patent/CN113538380B/zh
Publication of CN113538380A publication Critical patent/CN113538380A/zh
Application granted granted Critical
Publication of CN113538380B publication Critical patent/CN113538380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G06T2207/20092—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
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种经颅超声的黑质高回声强度定量化分析方法，包括如下步骤：1)获取患者的TCS原始图片和对应的临床医生判读后的标注图片，并随机分为训练集和测试集；2)对训练集深度学习对抗网络并进行网络训练，建立分析黑质回声图像的模型；3)采用测试集对分析黑质回声图像的模型进行验证；4)将待测患者生成的预测图像先转化为灰度图像，再转化为二值化图像；5)进行灰度值形态学分析，提取出中脑内部的左右黑质高回声区域图像；6)提取特征参数；7)计算得到黑质高回声总强度值。本发明经颅超声的黑质高回声强度定量化分析方法能够实现定量化判读和分析黑质高回声，使黑质回声变化更加直观，辅助临床医生提高对PD的识别和诊断能力。

Description

经颅超声的黑质高回声强度定量化分析方法
技术领域
本发明涉及黑质高回声强度定量化分析的技术领域，具体涉及一种经颅超声的黑质高回声强度定量化分析方法。
背景技术
近年来，随着计算机技术、人工智能等科学发展，出现了基于计算机辅助诊断(CAD)系统在医疗影像学中应用研究。这种技术的出现，大大提高了临床医生对图像的判读的效率和准确性，避免了因经验不足、时间短等影响判读结果的准确性，实现能更好更准确地进行经颅超声的黑质回声图像分析，更快速的识别黑质回声的异常并且进行定量化。
经颅超声(Transcranial midbrain sonography,TCS)是一项方便、可重复、非侵入性的检查。根据黑质和脚间池回声强度的比较，将黑质回声强度分为5级，III-V级为回声异常。然而此分级方法无法对黑质回声异常的程度进行定量分析，尤其是对早期回声强度变化较小不敏感。
目前，我国将其结果的黑质高回声作为PD诊断的辅助检查。帕金森病(Parkinson’s disease,PD)是中枢神经系统第二常见的神经退行性疾病，其核心病理改变为中脑黑质多巴胺能神经元变性坏死。目前主要依靠临床表现和左旋多巴药物反应性进行疾病诊断，早诊断早治疗，不仅可以改善患者生活质量，还可以延长药物的蜜月期。
然而，现有的研究大多数多停留于对图像的识别分割，均未对黑质高回声强度定量化，以及进一步分析处理后的结果与临床症状的关系。因此，有必要开发分析方法可以针对性的实现定量化判读和分析黑质高回声，达到辅助临床医生提高对PD的识别和诊断能力。
发明内容
本发明的目的在于克服上述背景技术的不足，提供一种经颅超声的黑质高回声强度定量化分析方法，该经颅超声的黑质高回声强度定量化分析方法能够实现定量化判读和分析黑质高回声。
为实现上述目的，本发明所设计的一种经颅超声的黑质高回声强度定量化分析方法，包括如下步骤：
1)获取患者的TCS原始图片和对应的临床医生判读后的标注图片，并随机分为训练集和测试集；
2)对训练集深度学习对抗网络并进行网络训练，建立分析黑质回声图像的模型；
3)采用测试集对分析黑质回声图像的模型进行验证，将测试集输入分析黑质回声图像的模型生成测试集预测图像，通过测试集预测图像与标注图像的相似度验证分析黑质回声图像的模型的有效性；
4)分析黑质回声图像的模型通过验证后，将待测患者的TCS原始图片和对应的临床医生判读后的标注图片输入分析黑质回声图像的模型生成预测图像，将预测图像先转化为灰度图像，再转化为二值化图像；
5)对二值化图像进行灰度值形态学分析，提取出中脑内部的左右黑质高回声区域图像；
6)将左右黑质高回声区域图像的坐标系对应的面积和周长参数转移到物理坐标系上，提取黑质异常回声面积、黑质高回声平均强度值和脚间池平均强度值的比值；
7)根据黑质异常回声面积、黑质高回声平均强度值和脚间池平均强度值的比值计算得到黑质高回声总强度值。
进一步地，所述步骤2)中，采用Python语言调用基于Tensorflow框架的pix2pix条件生成对抗网络，建立中脑结构分割的模型。
进一步地，所述步骤2)中，对训练集的图片进行预处理：将维度为[960×720×3]的TCS原始图片输入网络程序，进行裁剪转变为[512×512×3]的三维图像，然后输入生成器网络中分割并扩充，输出为[1×512×512×3]的四维图像信息，最后进行冗余维度压缩，得到程序网络输出为[512×512×3]的优化图片。
进一步地，所述步骤2)中，对预处理后的优化图片进行归一化和旋转、裁剪增强处理。
进一步地，所述步骤2)中，建立的分析黑质回声图像的模型采用ReLU激活函数实现非线性化，同时在生成网络中加入Dropout层。
进一步地，所述步骤3)中，若测试集预测图像与标注图像的相似度≥95％，则分析黑质回声图像的模型有效，模型建立完毕。
进一步地，所述步骤4)中，将预测图像转化为灰度图像的公式如下：
Gray＝R×0.299+G×0.587+B×0.114
式中，Gray为灰度值，R取值为0-255，G取值为0-255，B取值为0-255。
进一步地，所述步骤4)中，将灰度图像转化为二值化图像的公式如下：
Figure BDA0003167107470000031
式中，x为像素坐标系的x轴数值，y为像素坐标系的y轴数值，thresh为设定的阈值数值。
再进一步地，所述步骤5)中，首先在感兴趣区域图像中提取轮廓，然后根据得到的多组点集的大小、自定义密度、几何位置特征参数将点集一一进行对比，提取出中脑内部的左右黑质高回声区域图像。
更进一步地，所述步骤7)中，黑质高回声总强度值由如下公式计算而得：黑质高回声总强度值＝(黑质高回声平均强度值/脚间池平均强度值)×黑质异常回声面积。
与现有技术相比，本发明具有如下优点：
其一，本发明的经颅超声的黑质高回声强度定量化分析方法可以对黑质回声区域的黑质回声强度和面积进行数字化分析，实现黑质回声异常的定量化，最终得到绝对化数值。
其二，本发明的经颅超声的黑质高回声强度定量化分析方法可以自行判读黑质回声图像，针对黑质异常回声得到定量化的绝对数值，使黑质回声变化更加直观明了，达到辅助提高临床医生对PD的诊疗水平。
其三，本发明的经颅超声的黑质高回声强度定量化分析方法对训练集图片进行归一化和随机的旋转、裁剪图像增强操作，从而防止训练过程中产生过拟合现象。
其四，本发明的经颅超声的黑质高回声强度定量化分析方法在模型中，采用ReLU激活函数实现非线性化，同时在生成网络中加入Dropout层，以便防止图像结果过拟合和增加网络鲁棒性，从而适应不同的临床医疗图像。
其五，本发明的经颅超声的黑质高回声强度定量化分析方法的判读结果与临床医生诊断正确性进行比较，可见定量化的较大侧黑质高回声与临床报告中的较大侧的黑质高回声的ROC曲线分析相比，对PD的诊断准确性大致相当，诊断敏感性高。
附图说明
图1为本发明的图片进行预处理的流程；
图2中图A为TCS原始图片；图B为标注图片；图C为预测图片；
图3为本实施例中生成器总体损失函数图片；
图4中图A为黑质回声异常区域；图B为高回声定量化的参数提取图片；
图5为本发明方法定量化的黑质回声与临床医生报告的ROC曲线的对比图。
具体实施方式
下面结合实施案例详细说明本发明的实施情况，但它们并不构成对本发明的限定，仅作举例而已。同时通过说明本发明的优点将变得更加清楚和容易理解。
本发明的一种经颅超声的黑质高回声强度定量化分析方法，包括如下步骤：
一、图像标本的选取：选取临床中已行TCS的患者，共600例。然后提取他们的TCS原始图和对应的临床医生判读后的标注图片。为保证训练效果具有普适性，随机从中选取400例患者的原始图片和对应的临床医生判读后的标注图片，作为训练集；剩下的200例患者的图片则作为测试集。
二、训练集用于深度学习确定中脑结构
1)网络模型选择和应用：使用Python语言调用基于Tensorflow框架的pix2pix条件生成对抗网络，建立中脑结构分割的模型。
2)图像处理过程：将维度为[960×720×3]的“jpg”格式的原始超声图像输入网络程序，进行裁剪转变为[512×512×3]的三维图像，然而输入生成器网络中分割并扩充，输出为[1×512×512×3]的四维图像信息，最后进行冗余维度压缩，得到程序网络输出为[512×512×3]的“jpg”格式图片，其具体流程如下图1所示。
3)对以上纳入训练集图片进行归一化和随机的旋转、裁剪等图像增强操作，以期防止训练过程中产生过拟合现象。在模型中，采用ReLU激活函数实现非线性化，同时在生成网络中加入Dropout层，以便防止图像结果过拟合和增加网络鲁棒性，从而适应不同的临床医疗图像。
4)对训练集的400例上述处理后的TCS原始图片和对应的临床医生判读后的标注图片(如图2所示)进行网络训练，然而观察生成器损失函数图，如图3所示，生成器的预测图像和标注图像的损失仅为2.27％左右，预测图像和标注图像之间相似度在97.73％，已经基本满足本次研究机器视觉分析的要求。综上表明该训练网络达到预计的网络效果。
三、测试集验证
1)重复上述训练集的所有步骤；
2)模型网络类似：标准训练集和测试集的损失函数最优超参数是一致的，即测试集中的生成器总体损失函数图与训练集的一致。也表示，在预测集中，生成器的预测图象和标注图像之间损失也为2.27％左右，预测图像和标注图像之间相似度在97.73％，这表明该训练模型网络在预测集中验证成功。
基于多次后期试验分析验证可知，当预测图象和原始图像相似度达到95％以上，可满足后续图像的处理。
四、黑质高回声的定量化分析
1)经过中脑结构确定后，分析黑质回声图像的模型通过验证后，将待测患者的TCS原始图片和对应的临床医生判读后的标注图片输入分析黑质回声图像的模型生成预测图像，预测图像为RGB色域中512*512*3大小的三通道图像，每个512*512大小的二维矩阵代表一种颜色通道，对该三通道的颜色分析输出的是R(red)、G(green)和B(blue)的这3基色，表达3个通道的图像像素值大小。
2)将预测图像的彩色图像转变为灰度图像：按照如下公式将三维的图像加权成一维的图像，即将彩色图像转化成灰度图像，以简化处理过程，尽可能剔除与我们分析无关的图像信息。
Gray＝R×0.299+G×0.587+B×0.114
式中，Gray：灰度值，R取值为0-255，G取值为0-255，B取值为0-255。
3)灰度图像转化为二值化图像：为了进一步更好的区分，我们根据黑质高回声区域灰度值较其附近中脑区域灰度值大的这一个特点，设计了一种自适应的阈值查找算法，将中脑分为对称的两个部分，我们按照0-255像素分别进行迭代计算，然后设定该数值为阈值数值(thresh)，大于则为目标(高回声)，小于则为背景(低回声)，判定标准为背景和目标的类间方差最大对应的阈值即为最佳阈值，(x、y代表的是像素坐标系的x轴、y轴上数值的大小)。按照下面公式将范围0-255的灰度图像转化成范围0-1的二值化图像。
Figure BDA0003167107470000061
式中，x为像素坐标系的x轴数值，y为像素坐标系的y轴数值，thresh为设定的阈值数值。dst(x,y)为二值化图像中坐标(x,y)的像素值；gray(x,y)为灰度图像中坐标(x,y)的像素值；dst(destination)，目标图像；max Val(maximize value)，最大数值。
4)灰度值形态学分析，提取出中脑内部可能的黑质高回声区域。首先在ROI(感兴趣区域)图像中提取轮廓，然后根据得到的多组点集的大小、自定义密度、几何位置特征参数将点集一一进行对比，去掉形状、位置不合理的图，剩余的点集进行合并保存，作为挑选出的左右黑质高回声区域图像。
5)首先我们得到图像坐标系下面像素坐标的大小(xy)组成的区域大小，由于成像仪器参数是已知的，然后根据固定的系统参数将图像坐标系的面积转化到物理坐标系下的面积。超声波的回声越强的话对应的图像位置的灰度值也会越大，因此，我们就可以根据灰度值的大小作为回声强度的判断依据。最后将图像坐标系对应的面积和周长等参数转移到物理坐标系上面，如图4所示，提取出以下几个参数：黑质异常回声面积、黑质高回声平均强度值和脚间池平均强度值的比值。
6)根据黑质异常回声面积、黑质高回声平均强度值和脚间池平均强度值的比值计算得到黑质高回声总强度值，黑质高回声总强度值＝(黑质高回声平均强度值/脚间池平均强度值)×黑质异常回声面积。
五、临床诊断效能的验证：
将本发明经颅超声的黑质高回声强度定量化分析方法的判读结果与临床医生诊断正确性进行比较，如图5所示，可见本发明方法定量化的较大侧黑质高回声与临床报告中的较大侧的黑质高回声的ROC曲线分析相比，对PD的诊断准确性大致相当，诊断敏感性达到87.8％，特异度73.2％。
以上，仅为本发明的具体实施方式，应当指出，任何熟悉本领域的技术人员在本发明所揭示的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内，其余未详细说明的为现有技术。

Claims (9)

1.一种经颅超声的黑质高回声强度定量化分析方法，其特征在于：包括如下步骤：
1)获取患者的TCS原始图片和对应的临床医生判读后的标注图片，并随机分为训练集和测试集；
2)对训练集深度学习对抗网络并进行网络训练，建立分析黑质回声图像的模型；其中，采用Python语言调用基于Tensorflow框架的pix2pix条件生成对抗网络，建立中脑结构分割的模型；
3)采用测试集对分析黑质回声图像的模型进行验证，将测试集输入分析黑质回声图像的模型生成测试集预测图像，通过测试集预测图像与标注图像的相似度验证分析黑质回声图像的模型的有效性；
4)分析黑质回声图像的模型通过验证后，将待测患者的TCS原始图片和对应的临床医生判读后的标注图片输入分析黑质回声图像的模型生成预测图像，将预测图像先转化为灰度图像，再转化为二值化图像；
5)对二值化图像进行灰度值形态学分析，提取出中脑内部的左右黑质高回声区域图像；
6)将左右黑质高回声区域图像的坐标系对应的面积和周长参数转移到物理坐标系上，提取黑质异常回声面积、黑质高回声平均强度值和脚间池平均强度值的比值，其中，根据左右黑质高回声区域图像灰度值的大小作为回声强度的判断依据；
7)根据黑质异常回声面积、黑质高回声平均强度值和脚间池平均强度值的比值计算得到黑质高回声总强度值。
2.根据权利要求1所述的经颅超声的黑质高回声强度定量化分析方法，其特征在于：所述步骤2)中，对训练集的图片进行预处理：将维度为[960×720×3]的TCS原始图片输入网络程序，进行裁剪转变为[512×512×3]的三维图像，然后输入生成器网络中分割并扩充，输出为[1×512×512×3]的四维图像信息，最后进行冗余维度压缩，得到程序网络输出为[512×512×3]的优化图片。
3.根据权利要求2所述的经颅超声的黑质高回声强度定量化分析方法，其特征在于：所述步骤2)中，对预处理后的优化图片进行归一化和旋转、裁剪增强处理。
4.根据权利要求3所述的经颅超声的黑质高回声强度定量化分析方法，其特征在于：所述步骤2)中，建立的分析黑质回声图像的模型采用ReLU激活函数实现非线性化，同时在生成网络中加入Dropout层。
5.根据权利要求4所述的经颅超声的黑质高回声强度定量化分析方法，其特征在于：所述步骤3)中，若测试集预测图像与标注图像的相似度≥95％，则分析黑质回声图像的模型有效，模型建立完毕。
6.根据权利要求5所述的经颅超声的黑质高回声强度定量化分析方法，其特征在于：所述步骤4)中，将预测图像转化为灰度图像的公式如下：
Gray＝R×0.299+G×0.587+B×0.114
式中，Gray为灰度值，R取值为0-255，G取值为0-255，B取值为0-255。
7.根据权利要求6所述的经颅超声的黑质高回声强度定量化分析方法，其特征在于：所述步骤4)中，将灰度图像转化为二值化图像的公式如下：
Figure FDA0003545367050000021
式中，x为像素坐标系的x轴数值，y为像素坐标系的y轴数值，thresh为设定的阈值数值，max Val为最大数值。
8.根据权利要求7所述的经颅超声的黑质高回声强度定量化分析方法，其特征在于：所述步骤5)中，首先在感兴趣区域图像中提取轮廓，然后根据得到的多组点集的大小、自定义密度、几何位置特征参数将点集一一进行对比，提取出中脑内部的左右黑质高回声区域图像。
9.根据权利要求1～8任一项所述的经颅超声的黑质高回声强度定量化分析方法，其特征在于：所述步骤7)中，黑质高回声总强度值由如下公式计算而得：黑质高回声总强度值＝(黑质高回声平均强度值/脚间池平均强度值)×黑质异常回声面积。
CN202110807378.2A 2021-07-16 2021-07-16 经颅超声的黑质高回声强度定量化分析方法 Active CN113538380B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110807378.2A CN113538380B (zh) 2021-07-16 2021-07-16 经颅超声的黑质高回声强度定量化分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110807378.2A CN113538380B (zh) 2021-07-16 2021-07-16 经颅超声的黑质高回声强度定量化分析方法

Publications (2)

Publication Number Publication Date
CN113538380A CN113538380A (zh) 2021-10-22
CN113538380B true CN113538380B (zh) 2022-04-22

Family

ID=78099832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110807378.2A Active CN113538380B (zh) 2021-07-16 2021-07-16 经颅超声的黑质高回声强度定量化分析方法

Country Status (1)

Country Link
CN (1) CN113538380B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117029921B (zh) * 2023-08-09 2024-05-31 深圳市丰华日昇科技有限公司 一种电子元件智能检测设备、方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102526157A (zh) * 2010-12-14 2012-07-04 北京大学 红花提取物在预防或治疗神经退行性疾病中的用途
CN108670297A (zh) * 2018-04-19 2018-10-19 上海大学 基于多模态经颅超声的帕金森病辅助诊断系统及方法
CN111784721A (zh) * 2020-07-01 2020-10-16 华南师范大学 基于深度学习的超声内窥图像智能分割与量化方法及系统
CN112434789A (zh) * 2020-11-06 2021-03-02 中山大学 一种用于边缘视频分析的分布式神经网络模型划分方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102526157A (zh) * 2010-12-14 2012-07-04 北京大学 红花提取物在预防或治疗神经退行性疾病中的用途
CN108670297A (zh) * 2018-04-19 2018-10-19 上海大学 基于多模态经颅超声的帕金森病辅助诊断系统及方法
CN111784721A (zh) * 2020-07-01 2020-10-16 华南师范大学 基于深度学习的超声内窥图像智能分割与量化方法及系统
CN112434789A (zh) * 2020-11-06 2021-03-02 中山大学 一种用于边缘视频分析的分布式神经网络模型划分方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Segmentation of induced substantia nigra from transcranial ultrasound images using deep convolutional neural network;Niranian Thirusangu;《The Journal or the Acoustical Society of America》;20201202;1-10 *
经颅彩色多普勒超声对帕金森病早期诊断的价值;张玲 等;《临床超声医学杂志》;20131231;752-754 *

Also Published As

Publication number Publication date
CN113538380A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN110276356B (zh) 基于r-cnn的眼底图像微动脉瘤识别方法
Shoieb et al. Computer-aided model for skin diagnosis using deep learning
CN109635846B (zh) 一种多类医学图像判断方法和系统
WO2018120942A1 (zh) 一种多模型融合自动检测医学图像中病变的系统及方法
Li et al. Vessel recognition of retinal fundus images based on fully convolutional network
Ribeiro et al. Handling inter-annotator agreement for automated skin lesion segmentation
CN108670297B (zh) 基于多模态经颅超声的帕金森病辅助分析系统及方法
JP6734475B2 (ja) 画像処理装置及びプログラム
CN116758336A (zh) 一种基于人工智能的医学图像智能分析系统
WO2023047118A1 (en) A computer-implemented method of enhancing object detection in a digital image of known underlying structure, and corresponding module, data processing apparatus and computer program
CN113538380B (zh) 经颅超声的黑质高回声强度定量化分析方法
Dharmawan et al. A new optic disc segmentation method using a modified Dolph-Chebyshev matched filter
Zhao et al. Attention residual convolution neural network based on U-net (AttentionResU-Net) for retina vessel segmentation
CN111144413A (zh) 虹膜定位方法及计算机可读存储介质
Ren et al. Automatic optic disc localization and segmentation in retinal images by a line operator and level sets
CN116030042B (zh) 一种针对医生目诊的诊断装置、方法、设备及存储介质
Mirchandani et al. Comparing the Architecture and Performance of AlexNet Faster R-CNN and YOLOv4 in the Multiclass Classification of Alzheimer Brain MRI Scans
KR20210050790A (ko) 딥러닝 기반의 아밀로이드 양성 반응을 나타내는 퇴행성 뇌질환 이미지 분류 장치 및 방법
CN116524315A (zh) 一种基于Mask R-CNN的肺癌病理组织切片识别及分割方法
Nugroho et al. Optic cup segmentation using adaptive threshold and morphological image processing
Ashame et al. Abnormality Detection in Eye Fundus Retina
CN114140830A (zh) 一种基于循环肿瘤细胞图像的重复识别抑制方法
Verma et al. Machine learning classifiers for detection of glaucoma
Arpacı et al. LUPU-Net: a new improvement proposal for encoder-decoder architecture
Balkys et al. Segmenting the eye fundus images for identification of blood vessels

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