CN113710166A - 一种颈动脉超声诊断系统 - Google Patents
一种颈动脉超声诊断系统 Download PDFInfo
- Publication number
- CN113710166A CN113710166A CN202080003982.3A CN202080003982A CN113710166A CN 113710166 A CN113710166 A CN 113710166A CN 202080003982 A CN202080003982 A CN 202080003982A CN 113710166 A CN113710166 A CN 113710166A
- Authority
- CN
- China
- Prior art keywords
- carotid artery
- carotid
- ultrasound
- blood vessel
- unit
- 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
- 210000001715 carotid artery Anatomy 0.000 title claims abstract description 241
- 238000003745 diagnosis Methods 0.000 title claims abstract description 74
- 238000002604 ultrasonography Methods 0.000 claims abstract description 104
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 239000000284 extract Substances 0.000 claims abstract description 8
- 210000004204 blood vessel Anatomy 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 29
- 230000003902 lesion Effects 0.000 claims description 25
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 239000000523 sample Substances 0.000 claims description 9
- 230000010339 dilation Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 abstract description 18
- 238000000034 method Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 208000007536 Thrombosis Diseases 0.000 description 7
- 208000006170 carotid stenosis Diseases 0.000 description 6
- 208000006011 Stroke Diseases 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 210000004004 carotid artery internal Anatomy 0.000 description 5
- 238000004171 remote diagnosis Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 210000000269 carotid artery external Anatomy 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 210000003625 skull Anatomy 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 206010007687 Carotid artery stenosis Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- 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
- A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—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
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
-
- 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
- A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
-
- 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
-
- 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
-
- 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
- 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
Abstract
本发明涉及一种颈动脉诊断系统,更具体地说,涉及一种使用一个以上人工神经网络诊断颈动脉异常征象的系统,包括:颈动脉提取单元,所述颈动脉提取单元使用从颈动脉超声图像中预先学习的第1人工神经网络来提取颈动脉血管图像;以及颈动脉诊断单元,所述颈动脉诊断单元使用预先学习的第2人工神经网络对所述颈动脉血管图像进行颈动脉是否正常的诊断并输出诊断结果。
Description
技术领域
本发明涉及一种颈动脉诊断系统,更具体地,涉及一种使用一个以上人工神经网络诊断颈动脉异常征象的系统。
背景技术
颈动脉(Carotid artery)或颈部动脉是穿过颈部并进入面部和颅骨的动脉,主要分为颈外动脉和颈内动脉,颈外动脉主要向颅骨外的皮肤或肌肉供应血液,而颈内动脉向颅骨内的大脑或神经组织供应血液。
颈外动脉即使变窄或阻塞,也不会引起任何特殊问题,因为通过其他血管可以较大量地供应血液。但是,如果颈内动脉变窄或阻塞,则大脑的血液供应可能减少,并且沉积在颈内动脉壁上的脂肪组织可能会破裂并流向脑血管末端,从而阻塞血管。包括颈内动脉的颈动脉的这种狭窄被称为颈动脉狭窄,这会减少血流或阻塞血管,从而引起脑卒中。因此,颈动脉狭窄的情况成为治疗对象以进行预防和治疗脑卒中。
用于诊断和检查颈动脉狭窄的非侵入性方法包括颈动脉超声、脑计算机断层扫描(CT)和脑磁共振成像(MRI),作为侵入性方法,可进行脑血管造影。
在这些诊断和检查方法中,颈动脉超声用于脑血管病的早期诊断,是一种观察颈动脉斑块的存在、血流、血管厚度的简单检查,具有时间短、成本低的优点。然而,它存在一个缺点,即仅当检查者获得足够的技能和知识时才可能进行检查,并且对于相同的超声图像,每个检查者的判读能力可能存在差异,还有一个缺点是,即使对于有经验的检查者来说,由于对超声图像中出现的微小征象的判读能力较差,误诊的概率也很高。
因此,需要一种新型的颈动脉诊断系统,使任何人在常规健康检查阶段都能方便地使用,而不受每个检查者的判读能力的影响,通过准确检测超声图像中显现的微小征象,预测和诊断颈动脉的异常征象。
[现行技术文献]
[专利文献]
(专利文献1)韩国注册专利公告第10-2009840号
发明内容
技术课题
因此,本发明是根据所述必要性而设计的,并且本发明的主要目的是提供一种利用人工神经网络的颈动脉超声诊断系统,所述系统能够一致且准确地诊断颈动脉异常征象而与检查者无关,
此外,本发明的另一个目的是提供一种利用人工神经网络的颈动脉超声诊断系统,该系统能够通过检测可能发展为漂浮血栓的血管斑块来预先通知中风的发生可能性。
另外,本发明的另一个目的是提供一种利用人工神经网络的颈动脉超声诊断系统,该人工神经网络能够自动诊断颈动脉的异常,对于异常的颈动脉,将其颈动脉的危险性区分为多个阶段来显示。
此外,本发明的另一个目的是提供一种利用人工神经网络的颈动脉超声诊断系统,所述系统利用一个以上人工神经网络准确地自动诊断颈动脉异常与否,或对从远程发送来的颈动脉超声图像准确地自动诊断并通知颈动脉异常与否。
技术解决方法
用于实现所述目的的根据本发明实施例的颈动脉超声诊断系统,包括:
颈动脉提取单元,所述颈动脉提取单元使用从颈动脉超声图像中预先学习的第1人工神经网络来提取颈动脉血管图像;
颈动脉诊断单元,所述颈动脉诊断单元使用预先学习的第2人工神经网络对所述颈动脉血管图像进行颈动脉是否正常的诊断并输出其诊断结果,
作为另一个可修改的实施例,在所述构成的颈动脉超声波诊断系统中,在所述诊断结果为异常的情况下,所述颈动脉诊断单元使用预先学习的第3人工神经对所述血管图像诊断颈动脉的危险性,并输出所诊断的危险性作为所述诊断结果。
同时,在所述颈动脉超声诊断系统中,所述颈动脉诊断单元在所述颈动脉血管图像中显示病变区域并将其作为诊断结果一起输出,
在使用所述第3人工神经网络诊断所述颈动脉血管图像之前,所述颈动脉诊断单元对所述颈动脉血管图像内的颈动脉血管进行扩张处理。
为了改善诊断性能,所述颈动脉超声诊断系统可以进一步包括热图(heat-map)处理单元,用于对提取的所述颈动脉血管图像进行热图处理并将其传递到所述颈动脉诊断单元。
作为本发明的另一个可修改的实施例,颈动脉超声诊断系统可以包括:
颈动脉提取单元,所述颈动脉提取单元使用从颈动脉超声图像预先学习的第1人工神经网络提取颈动脉血管图像;以及
颈动脉诊断单元,所述颈动脉诊断单元使用预先学习的第2人工神经网络对所述颈动脉血管图像的颈动脉危险性进行诊断,并输出所诊断的危险性作为诊断结果。
所述颈动脉超声诊断系统还包括热图处理单元,用于对所提取的颈动脉血管图像进行热图处理并将其传送至所述颈动脉诊断单元。
根据某些情况,所述颈动脉超声诊断系统可以包括:
超声探头,所述超声探头将超声信号发送到包括颈动脉的检查区域并接收从检查区域反射的超声回波信号;以及
超声图像生成单元,所述超声图像生成单元被配置为处理从所述超声探头提供的超声回波信号,并将其转换为所述颈动脉超声图像,从而可以构成一个医疗诊断设备,
并且所述颈动脉提取单元和所述颈动脉诊断单元可以构建在可通过通信网络接收颈动脉超声图像的远程诊断服务器中以提供远程诊断服务。
发明的效果
根据所述技术问题解决手段,对于颈动脉超声图像,由于根据本发明实施例的颈动脉超声诊断系统通过一个以上人工神经网络不仅自动诊断颈动脉的异常,还同时显示出颈动脉的危险性和病变区域,因此它不受每个检查者(判读者)的判读能力的影响,甚至对于在超声图像中显现的微小征象也具有准确检测的效果。
此外,由于本发明不仅可以被实现为独立的超声诊断设备,还可以被配置为远程医疗服务器,因此具有提供远程医疗服务的优点,并且可以识别出通过检查者的肉眼无法识别出的具有高分离可能性的血栓,因此有可能出现漂浮血栓的被检查者和患有颈动脉狭窄的被检查者等可以预先采取必要的措施,从而可以提前预防脑卒中的危险。
附图说明
图1是根据本发明的实施例的包括颈动脉超声诊断系统的医学诊断装置的示例性框图。
图2是图1中根据本发明另一实施例的颈动脉超声诊断系统的配置的示意图。
图3是用于说明图1中的颈动脉提取单元的学习过程的图。
图4是用于说明图1中的颈动脉诊断单元的学习过程的图。
图5是用于说明图2中的颈动脉诊断单元的学习过程的图。
图6是用于说明根据本发明的实施例的颈动脉超声诊断系统的诊断过程的图。
图7至图13是用于进一步说明根据本发明的实施例的颈动脉超声诊断系统200的操作的图。
具体实施方式
对于随后将描述的本发明的详细说明,参考附图,附图作为示例示出了可以实施本发明的特定实施例以明确本发明的目的、技术方案和优点。对这些实施例进行详细描述从而足以使本领域技术人员能够实施本发明。
并且在整个本发明的详细描述和权利要求书中,本领域技术人员将能够理解“学习”是指根据程序进行深度学习的术语,而不是指精神活动,例如人类的教育活动。同样在整个本发明的详细描述和权利要求中,单词“包括”及其变型形式并不旨在排除其他技术特征、附加物、元件或步骤。对于本领域普通技术人员而言,本发明的其他目的、优点和特征将部分地在本说明书中并且部分地从本发明的实践中显现。下面的示例和附图仅作为示例提供,并不旨在限制本发明。而且,本发明涵盖了本文所提出的实施例的所有可能的组合。应当理解,本发明的各个实施例彼此不同,但是不必相互排斥。例如,本文描述的特定结构和特性可以在其他实施例中实现,而不脱离与该实施例有关的本发明的精神和范围。另外,应当理解,在不脱离本发明的精神和范围的情况下,可以改变每个公开的实施例中的各个组件的位置或布置。因此,下面将要描述的详细描述并非旨在进行限制,并且,如果适当地描述了本发明的范围,则仅由所附权利要求书以及与本发明权利要求书所要求的范围等同的所有范围来限制本发明。附图中相似的附图标记指代在多个方面相同或相似的功能。
除非本文另有说明或与上下文明显矛盾,否则单数形式的项目包含复数形式,除非该上下文另外要求。另外,在描述本发明时,当确定相关的已知配置或功能的详细描述可能使本发明的主题不清楚时,将省略其详细描述。
作为参考,下面提到的人工神经网络可以是人工神经网络被多层堆叠的卷积神经网络(convolutional neural network(CNN))模型。其在深度结构网络的意义上,可以表示为深度神经网络(deep neural network)。在这样的深度神经网络中,通过学习大量数据来自动地学习每个图像的特征,并且由此以最小化目标函数的误差(error)的方式来让网络学习。由于这种CNN模型是已知的,因此将省略其详细描述。
图1是根据本发明的实施例的包括颈动脉超声诊断系统200的医学诊断装置的示例性框图。图2是图1中根据本发明另一实施例的颈动脉超声诊断系统200的配置的示意图。
参照图1,尽管示出了根据本发明的实施例的颈动脉超声诊断系统200构成医疗诊断设备如超声医学诊断装置的一部分,但是它也可以被内置到可以通过判读输入、接受或从内存中读取的超声图像进行诊断的计算机系统中,还可以将其内置到远程诊断服务器中,该服务器可以通过通信网络连接到许多医疗机构的计算机系统以进行远程诊断,从而可以诊断颈动脉异常。
如图1所示,颈动脉超声图像获取单元100是是用于获取要诊断的颈动脉超声图像的配置。当颈动脉超声诊断系统200是医疗诊断设备的一部分时,所述超声图像获取单元100可以实现为超声探头,所述超声探头将超声信号发送到包括颈动脉的检查部位并接收从检查部位反射的超声回波信号;以及超声图像生成单元,所述超声图像生成单元对超声探头提供的超声回波信号进行信号处理,将其转换为所述颈动脉超声图像。
如果颈动脉超声诊断系统200是由专家等使用的诊断用计算机系统或医疗机构的计算机系统,则所述超声图像获取单元100可以是能够与包括所述超声探头和所述图像生成单元的周围超声设备进行数据接口的接口单元,并且可以是能够向移动存储装置发送数据和从移动存储装置接收数据的接口单元。
如果颈动脉超声诊断系统200被内置在远程诊断服务器中,则所述超声图像获取单元100可以是用于通过通信网络从远程医疗机构的计算机系统接收颈动脉超声图像的接收单元。
再次参考图1,颈动脉超声诊断系统200包括:
颈动脉提取单元210,其在颈动脉超声图像获取单元100中生成、发送或读取的颈动脉超声图像中,利用预先学习的第1人工神经网络提取颈动脉血管图像;以及
颈动脉诊断单元220,利用通过由专家标记为正常或异常的颈动脉血管图像预先学习的第2人工神经网络,对于颈动脉血管图像,诊断颈动脉是否正常(正常和异常),并将其诊断结果输出到显示单元280。
包括第1人工神经网络的颈动脉提取单元210,通过从一个以上颈动脉超声图像中裁剪由专家设置为ROI(感兴趣区域)的区域并通过设置去噪的颈动脉血管图像来训练第1人工神经网络。
包括第2人工神经网络的颈动脉诊断单元220,通过将由专家标记为正常或异常的一个以上颈动脉血管图像设置为学习数据来训练第2人工神经网络。
作为可修改的实施例,如图2所示,除了第2人工神经网络之外,所述颈动脉诊断单元220还可包括第3人工神经网络。在这种情况下,如果第2人工神经网络的诊断结果为异常时,颈动脉诊断单元220还可以使用预先学习的第3人工神经网络对所述颈动脉血管图像诊断颈动脉危险性,并且将所诊断的危险性作为诊断结果输出到显示单元280。
所述“颈动脉危险性”是指通过将危险性级别划分为多个阶段来表示危险性,例如“异常高危组”和“异常低危组”等。在下面的描述中,危险性被分为两个阶段,但这仅是示例,并且可以细分为两个或更多个阶段。
包括第2和第3人工神经网络的颈动脉诊断单元220,通过将在一个以上颈动脉血管图像中由专家设置的病变区域以及针对该病变区域设置的颈动脉危险性作为学习数据来训练第3人工神经网络。
图2所示的颈动脉诊断单元220,作为诊断结果,不仅可以显示并输出颈动脉危险性,还可以显示并输出所述颈动脉图像中的病变区域(例如斑块的位置)。
此外,图2所示的颈动脉诊断单元220还可以在利用第3人工神经网络诊断所述颈动脉图像之前在颈动脉血管图像内执行颈动脉血管的扩张处理,如图9所示。
同时,图1和图2所示的颈动脉超声诊断系统200还可以包括热图处理单元215,所述热图处理单元对颈动脉提取单元210提取的颈动脉血管图像进行热图处理从而提高其可视性同时提高诊断性能,并将其传输到颈动脉诊断单元220。热图处理单元215可以被实现为包括在颈动脉诊断单元220内部。
尽管未示出,但是作为另一个可修改的实施例,颈动脉超声诊断系统200可包括:颈动脉提取单元210,其使用从颈动脉超声图像中预先学习的第1人工神经网络来提取颈动脉血管的图像;以及
颈动脉诊断单元220,其使用预先学习的第2人工神经网络来诊断颈动脉血管图像的颈动脉危险性,并输出所诊断的危险性作为诊断结果。在该实施例中,第2人工神经网络对应于图2所示的第3人工神经网络。
即,本发明的颈动脉超声诊断系统200可以通过组合第1人工神经网络、第2人工神经网络和第3人工神经网络来构造各种类型的颈动脉超声诊断系统200。通过在能够以所述各种方式构造的系统中进一步包括热图处理单元215,可以提高可视性和诊断性能。在诊断出颈动脉异常之前,颈动脉血管可能会在颈动脉血管图像内执行扩张处理。当然,可以使用单个人工神经网络来提取颈动脉并诊断颈动脉的异常,并且还可以使用单个人工神经网络不提取颈动脉而立即诊断颈动脉的异常。作为参考,根据实验数据,发现与灰度图像相比,当使用热图图像时,整体灵敏度得到改善。
在图1中未描述的存储单元240包括不仅包括存储颈动脉超声诊断系统200控制医疗设备的整体操作所需的控制程序数据,还包括DB,在DB中存储由专家设置的学习数据和与每个学习数据有关的设置或标记信息。
显示单元280不仅显示用于由专业人员设置颈动脉超声诊断系统200的环境、操作模式等的界面屏幕,而且还起到显示在每种操作模式(包括学习模式和诊断模式的概念)下需显示的图像和诊断结果的作用,并且输入单元260显示数据输入方式,用于由专家等输入进行系统操作所需的命令、ROI设置等。
在下文中,将参考附图更详细地描述可具有所述构造和各种人工神经网络组合的颈动脉超声诊断系统200的操作,但是以下将通过分析颈动脉纵向超声图像来就诊断颈动脉的异常进行描述。
图3是用于说明图1中的颈动脉提取单元210的学习过程的图。图7至图13是用于进一步说明根据本发明的实施例的颈动脉超声诊断系统200的操作的图。
参照图3,首先,如图7(a)所示的颈动脉超声图像被输入到颈动脉超声波诊断系统200(步骤S10)。被输入的图像显示在显示单元280上。专家将显示的颈动脉超声图像中与颈动脉血管相对应的区域设置为ROI(步骤S20),并执行学习模式。
在学习模式中,颈动脉提取单元210在颈动脉超声图像中裁剪(步骤S30)由专家设置为ROI的区域,如图7(b)所示。随后,颈动脉提取单元210通过过滤器去除裁剪的颈动脉血管图像上的诸如余像的噪声(步骤S40)。结果,如图7(c)所示,当获得去除噪声的颈动脉血管图像时,将其设置为学习数据来训练第1人工神经网络(步骤S50)。
以这种方式,当通过从多个颈动脉超声图像中提取的颈动脉血管来使第1人工神经网络学习时,可以在随后的诊断模式下从输入的颈动脉超声图像中仅提取颈动脉血管图像。
图4是用于说明图1中的颈动脉诊断单元220的学习过程的图。
首先,将用于训练颈动脉提取单元210的第1人工神经网络的颈动脉血管图像输入或传输到颈动脉诊断单元220(步骤S110)。如果颈动脉超声诊断系统200配备有热图处理单元215,则如图8所示,优选对从颈动脉提取单元210获得的灰度级颈动脉血管图像进行热图处理(步骤S120)。经过热图处理的颈动脉血管图像显示在显示单元280上。
对此,专家判读热图处理的颈动脉血管图像并简单地标记其是正常还是异常的诊断信息(步骤S130)。诊断信息的标记是被标记在显示单元280上显示的用户界面屏幕上。用户界面屏幕可以包括显示经过热图处理的颈动脉血管图像的区域、诊断信息标记区域、纵向和横向颈动脉血管设置区域、以及被检查者信息显示区域。该用户界面屏幕由构成颈动脉超声诊断系统200的屏幕显示控制单元(未示出)显示和控制,并且构成该屏幕的区域也可以被划分以显示各种信息。
在经过热图处理的颈动脉血管图像上标记诊断信息之后,当专家给出学习命令时,颈动脉诊断单元220将标记有诊断信息的颈动脉血管图像设置为学习数据并以此训练第2人工神经网络(步骤S140)。
以这种方式,当通过多个已经过热图处理并标记有诊断信息的颈动脉血管图像来训练第2人工神经网络时,就可以在随后的诊断模式下自动诊断出经过热图处理的颈动脉血管图像是正常还是异常。
图5是示出进一步包括第3人工神经网络的颈动脉诊断单元220的学习过程的图。
首先,如果输入了用于使颈动脉诊断单元220的第2人工神经网络学习的颈动脉血管图像中的异常诊断图像(步骤S210),则这也显示在显示单元280的用户界面屏幕上。被显示的颈动脉血管图像是经过热图处理的图像。
专家判读经过热图处理的异常颈动脉血管图像,并用框设置斑块过多的病变区域、血管内血栓分布过多的病变区域、血栓分离可能性较高的病变区域、观察到颈动脉狭窄的病变区域等,并同时设置每个病变区域的颈动脉危险性,例如高危险性的颈动脉异常和低危险性的颈动脉异常等(步骤S220)。
然后,当专家对设置有病变区域和颈动脉危险性的颈动脉血管图像给出学习命令时,颈动脉诊断单元220通过将设置有病变区域和颈动脉危险性的颈动脉血管图像作为学习数据训练第3人工神经网络(步骤S230)。
当以这种方式训练第3人工神经网络时,可以在随后的诊断模式下,针对首次被诊断为异常颈动脉的颈动脉图像,不仅自动诊断病变区域,还可以自动诊断并提供关于颈动脉危险性的信息。
下面,将进一步描述利用通过所述学习过程学习了学习数据的人工神经网络自动诊断颈动脉异常的过程。
图6是用于说明根据本发明的实施例的颈动脉超声诊断系统200的诊断过程的图。
在诊断模式中,首先,可以通过颈动脉超声图像获取单元100输入颈动脉超声图像(步骤S310)。可以假设输入的颈动脉超声图像如图7(a),并且被输入到颈动脉提取单元210。
如图7(b)所示,颈动脉提取单元210使用通过颈动脉超声图像预先经过学习的第1人工神经网络来提取颈动脉血管图像(步骤S320),对提取出的颈动脉血管图像进行去噪处理(步骤S330),从而生成如图7(c)所示的颈动脉血管图像。
去除噪声的颈动脉血管图像被传送到颈动脉诊断单元220,并且如果系统配备有热图处理单元215,通过热图处理单元215进行热图处理(步骤S340),如图8所示,经过热图处理的颈动脉血管图像被传送到颈动脉诊断单元220。
颈动脉诊断单元220针对所述热图处理的颈动脉血管图像使用预先经过学习的第2人工神经网络来诊断颈动脉是否正常(步骤S350)。当诊断结果被诊断为正常时(步骤S360),诊断结果在显示单元280上显示为正常(步骤S370),从而结束一系列诊断过程。
当诊断结果异常时,如果颈动脉诊断单元220不包括第3人工神经网络,则诊断结果被简单地显示为异常,而如果颈动脉诊断单元220包括第3人工神经网络,则颈动脉诊断单元220在使用第3种人工神经网络对颈动脉血管图像进行诊断之前,对颈动脉血管图像进行扩张处理,如图9所示。所述扩张颈动脉是一种可选择的选项。
已对颈动脉血管执行扩张处理的颈动脉诊断单元220随后使用预先学习的第3人工神经网络来诊断颈动脉血管图像的颈动脉危险性(步骤S380)。作为诊断结果,如果颈动脉的危险性是高危组颈动脉(步骤S390),则处理进入步骤S410,显示异常高危组(FH)颈动脉和病变区域(边界框),如图10所示。如果是低危组颈动脉,则处理进入步骤S400,显示异常低危组(FL)颈动脉和病变区域(边界框),如图11所示,从而结束一系列诊断过程。
作为参考,图10是根据本发明实施例的颈动脉超声诊断系统200诊断和显示的高危组颈动脉血管的图像,图12是由专家标记的病变区域(更具体为斑块位置)的图像。通过比较,可以看出自动诊断的高危组(FH)颈动脉病变部位与专家标记的病变区域一致。这意味着根据本发明实施例的颈动脉超声诊断系统200的诊断准确性高。
如上所述,根据本发明实施例的颈动脉超声诊断系统200,对通过颈动脉超声图像获取单元100输入或发送的、或从存储器中读取的颈动脉超声图像,通过一个以上人工神经网络不仅进行自动诊断,还同时显示颈动脉的危险性和病变区域,因此,它是一个有用的发明,它能够将超声图像中显现的微小征象准确地检测出来,并且不依赖于每个检查者(判读者)的判读能力。
此外,由于本发明不仅可以被实现为独立的超声诊断设备,还可以被配置为远程医疗服务器,因此具有提供远程医疗服务的优点,并且可以识别出通过检查者的肉眼无法识别出的具有高分离可能性的血栓,因此有可能出现漂浮血栓的被检查者和患有颈动脉狭窄的被检查者等可以预先采取必要的措施,从而可以提前预防脑卒中的危险。
在本发明的所述实施例中,描述了通过学习纵向颈动脉超声图像来自动诊断颈动脉异常,但是,也可以通过学习图13所示的横向颈动脉超声图像来自动诊断颈动脉异常,也可以通过对纵向和横向颈动脉超声图像都进行学习,自动诊断颈动脉异常。在某些情况下,当对纵向和横向颈动脉超声图像都进行颈动脉异常的自动诊断时,如果自动诊断的结果不一致,也可以对于被诊断为正常或异常的任何一幅图像,通过新学习的人工神经网络来最终诊断图像是正常还是异常。
此外,为了进一步增强学习数据,本发明还可以使边界框的大小以专家标记的病变区域作为中心在多个阶段中随机变化,并对每个变化的边界框进行裁剪。
这样,如果以不同的大小执行裁剪而不是以固定的大小进行裁剪,它可以容纳不同大小和比例的病变,因此可以相应地保证高质量的学习数据,并且作为结果,可以获得能够提高人工神经网络性能的效果。
基于以上实施例的描述,本领域技术人员可以清楚地理解,本发明可以通过软硬件的结合来实现,或者只能通过硬件来实现。本发明的技术方案的目标或对现有技术有贡献的部分可以以程序指令的形式实现,所述程序指令可以通过各种计算机组件执行并记录在机器可读记录介质中。所述机器可读记录介质包括单独或组合的程序指令、数据文件、数据结构等。记录在机器可读记录介质上的程序指令是为本发明专门设计和配置的,但也可以使用计算机软件领域的普通技术人员所知和可用的。
程序指令的例子不仅包括诸如由编译器产生的机器语言代码,还包括可以由计算机使用解释器等执行的高级语言代码。所述硬件设备可以被配置为作为一个以上软件模块来操作以执行根据本发明的处理,反之亦然。所述硬件设备可以包括诸如CPU或GPU之类的处理器,该处理器与存储器(存储单元)耦合,例如用于存储如图1所示的程序指令的ROM/RAM,并且被配置成执行存储在存储器中的指令,并且该硬件设备可以包括能够与外部设备交换信号的通信单元。另外,所述硬件设备可以包括键盘、鼠标和其他外部输入设备用于接收开发人员编写的指令。
以上,虽然通过诸如具体构件等特定事项和有限的实施例及附图来描述本发明,但是提供这些仅是为了帮助更全面地理解本发明,并且本发明不限于所述实施例,在本发明所属技术领域中具有普通知识的任何人都可以对本说明书进行各种修改和变化。因此本发明的精神不应局限于所述实施例,将在后面描述的权利要求以及与权利要求书的范围同等或等效修改的所有东西都将被认为属于本发明的精神范围。
Claims (16)
1.一种颈动脉超声诊断系统,其特征在于,包括:
颈动脉提取单元,所述颈动脉提取单元使用从颈动脉超声图像中预先学习的第1人工神经网络来提取颈动脉血管图像;
颈动脉诊断单元,所述颈动脉诊断单元使用预先学习的第2人工神经网络对所述颈动脉血管图像进行颈动脉是否正常的诊断并输出诊断结果。
2.根据权利要求1所述的颈动脉超声诊断系统,其特征在于,在所述诊断结果为异常的情况下,所述颈动脉诊断单元利用预先学习的第3人工神经网络对所述血管图像进行颈动脉危险性诊断,并输出所诊断的危险性作为所述诊断结果。
3.根据权利要求2所述的颈动脉超声诊断系统,其特征在于,所述颈动脉诊断单元在所述颈动脉血管图像中显示病变区域,并将其作为所述诊断结果一起输出。
4.根据权利要求2所述的颈动脉超声诊断系统,其特征在于,在使用所述第3人工神经网络诊断所述颈动脉血管图像之前,所述颈动脉诊断单元对所述颈动脉血管图像内的颈动脉血管进行扩张处理。
5.根据权利要求1至4中任一权利要求所述的颈动脉超声诊断系统,其特征在于,还包括热图处理单元,用于对提取的所述颈动脉血管图像进行热图处理并将其传输到所述颈动脉诊断单元。
6.根据权利要求5所述的颈动脉超声诊断系统,其特征在于,所述颈动脉提取单元通过在一个以上颈动脉超声图像中裁剪由专家设置为ROI的区域并将去除噪声的颈动脉血管图像设置为学习数据来训练所述第1人工神经网络。
7.根据权利要求5所述的颈动脉超声诊断系统,其特征在于,所述颈动脉诊断单元通过设置由专家标记为正常或异常的一个以上所述颈动脉血管图像作为学习数据来训练所述第2人工神经网络。
8.根据权利要求2至4中任一权利要求所述的颈动脉超声诊断系统,其特征在于,所述颈动脉诊断单元通过将在一个以上所述颈动脉血管图像中由专家设置的病变区域和针对所述病变区域设置的颈动脉危险性设置为学习数据来训练所述第3人工神经网络。
9.根据权利要求1或2所述的颈动脉超声诊断系统,其特征在于,还包括:
超声探头,所述超声探头将超声信号发送到包括颈动脉的检查区域,并接收从检查区域反射的超声回波信号;
超声图像生成单元,用于处理所述超声探头提供的超声回波信号并将其转换为所述颈动脉超声图像。
10.根据权利要求1或2所述的颈动脉超声诊断系统,其特征在于,所述颈动脉提取单元和所述颈动脉诊断单元构建在可通过通信网络接收所述颈动脉超声图像的远程诊断服务器中。
11.一种颈动脉超声诊断系统,其特征在于,包括:
颈动脉提取单元,所述颈动脉提取单元使用从所述颈动脉超声图像预先学习的第1人工神经网络提取颈动脉血管图像;以及
颈动脉诊断单元,所述颈动脉诊断单元使用预先学习的第2人工神经网络对所述颈动脉血管图像的颈动脉危险性进行诊断,并输出所诊断的危险性作为诊断结果。
12.根据权利要求11所述的颈动脉超声诊断系统,其特征在于,进一步包括:热图处理单元,用于对提取的所述颈动脉血管图像进行热图处理并将其传输到所述颈动脉诊断单元。
13.根据权利要求11或12所述的颈动脉超声诊断系统,其特征在于,在使用所述第2人工神经网络诊断所述颈动脉血管图像之前,所述颈动脉诊断单元对所述颈动脉血管图像内的颈动脉血管进行扩张处理。
14.根据权利要求11或12所述的颈动脉超声诊断系统,其特征在于,所述颈动脉诊断单元在所述颈动脉血管图像中显示病变区域,并将其作为所述诊断结果一起输出。
15.根据权利要求11或12所述的颈动脉超声诊断系统,其特征在于,还包括:
超声探头,所述超声探头将超声信号发送到包括颈动脉的检查区域,并接收从检查区域反射的超声回波信号;
超声图像生成单元,用于处理所述超声探头提供的超声回波信号并将其转换为所述颈动脉超声图像。
16.根据权利要求11或12所述的颈动脉超声诊断系统,其特征在于,所述颈动脉提取单元和所述颈动脉诊断单元构建在可通过通信网络接收所述颈动脉超声图像的远程诊断服务器中。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20200033974 | 2020-03-19 | ||
KR10-2020-0033974 | 2020-03-19 | ||
PCT/KR2020/012612 WO2021187699A1 (ko) | 2020-03-19 | 2020-09-18 | 경동맥 초음파 진단 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113710166A true CN113710166A (zh) | 2021-11-26 |
Family
ID=77771556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080003982.3A Pending CN113710166A (zh) | 2020-03-19 | 2020-09-18 | 一种颈动脉超声诊断系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113710166A (zh) |
WO (1) | WO2021187699A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114376614B (zh) * | 2021-11-08 | 2024-03-12 | 中国医科大学附属第一医院 | 颈动脉超声测量的辅助方法及超声设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510482A (zh) * | 2018-03-22 | 2018-09-07 | 姚书忠 | 基于阴道镜图像的宫颈癌检测方法、装置、设备及介质 |
US20180308237A1 (en) * | 2017-04-21 | 2018-10-25 | Samsung Electronics Co., Ltd. | Image segmentation method and electronic device therefor |
US20190125192A1 (en) * | 2017-10-30 | 2019-05-02 | Terumo Kabushiki Kaisha | Diagnostic method, method for validation of diagnostic method, and treatment method |
KR20190105210A (ko) * | 2018-02-22 | 2019-09-16 | 고려대학교 산학협력단 | 통합 의료 진단 서비스 제공 시스템 및 그 방법 |
CN110310271A (zh) * | 2019-07-01 | 2019-10-08 | 无锡祥生医疗科技股份有限公司 | 颈动脉斑块的性质判别方法、存储介质及超声装置 |
CN110495906A (zh) * | 2019-08-07 | 2019-11-26 | 苏州米特希赛尔人工智能有限公司 | 乳房超声自动扫描与人工智能诊断系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190002957A (ko) * | 2017-06-30 | 2019-01-09 | 연세대학교 산학협력단 | 컨볼루션 신경망을 이용한 혈관내 초음파 영상에서의 혈관벽 및 루멘 영역화 방법 |
KR102003412B1 (ko) * | 2017-12-22 | 2019-07-24 | 주식회사 데이터젠 | 심뇌혈관질환 위험도 데이터 예측 방법 및 시스템 |
JP7217589B2 (ja) * | 2018-02-27 | 2023-02-03 | シスメックス株式会社 | 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム |
KR101974786B1 (ko) * | 2018-08-17 | 2019-05-31 | (주)제이엘케이인스펙션 | 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템 |
KR102043672B1 (ko) * | 2019-03-29 | 2019-11-12 | 주식회사 딥노이드 | 딥러닝 기반의 병변 판독 시스템 및 방법 |
-
2020
- 2020-09-18 CN CN202080003982.3A patent/CN113710166A/zh active Pending
- 2020-09-18 WO PCT/KR2020/012612 patent/WO2021187699A1/ko active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180308237A1 (en) * | 2017-04-21 | 2018-10-25 | Samsung Electronics Co., Ltd. | Image segmentation method and electronic device therefor |
US20190125192A1 (en) * | 2017-10-30 | 2019-05-02 | Terumo Kabushiki Kaisha | Diagnostic method, method for validation of diagnostic method, and treatment method |
KR20190105210A (ko) * | 2018-02-22 | 2019-09-16 | 고려대학교 산학협력단 | 통합 의료 진단 서비스 제공 시스템 및 그 방법 |
CN108510482A (zh) * | 2018-03-22 | 2018-09-07 | 姚书忠 | 基于阴道镜图像的宫颈癌检测方法、装置、设备及介质 |
CN110310271A (zh) * | 2019-07-01 | 2019-10-08 | 无锡祥生医疗科技股份有限公司 | 颈动脉斑块的性质判别方法、存储介质及超声装置 |
CN110495906A (zh) * | 2019-08-07 | 2019-11-26 | 苏州米特希赛尔人工智能有限公司 | 乳房超声自动扫描与人工智能诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021187699A1 (ko) | 2021-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6859445B2 (ja) | 脳卒中の診断及び予後予測方法システム及びその作動方法 | |
EP2965263B1 (en) | Multimodal segmentation in intravascular images | |
US10898152B1 (en) | Stroke diagnosis apparatus based on artificial intelligence and method | |
CN111227864B (zh) | 使用超声图像利用计算机视觉进行病灶检测的装置 | |
CN111310851A (zh) | 一种人工智能超声辅助系统及其应用 | |
US20230363741A1 (en) | Ultrasound diagnostic system | |
CN110853111A (zh) | 医学影像处理系统、模型训练方法及训练装置 | |
US20230143229A1 (en) | Method for diagnostic ultrasound of carotid artery | |
CN112562860A (zh) | 分类模型的训练方法及装置、冠心病辅助筛查方法及装置 | |
Zeng et al. | Machine Learning-Based Medical Imaging Detection and Diagnostic Assistance | |
CN113710166A (zh) | 一种颈动脉超声诊断系统 | |
US7961923B2 (en) | Method for detection and visional enhancement of blood vessels and pulmonary emboli | |
KR102242114B1 (ko) | Oct 의료 영상 기반 인공지능 컴퓨터 보조 진단 시스템 및 그 방법 | |
KR20220122312A (ko) | 인공 지능 기반 위 내시경 영상 진단 보조 시스템 및 방법 | |
Mi et al. | Detecting carotid intima-media from small-sample ultrasound images | |
JP2019107453A (ja) | 画像処理装置及び画像処理方法 | |
US20230274424A1 (en) | Appartus and method for quantifying lesion in biometric image | |
CN117036302B (zh) | 主动脉瓣膜钙化程度的确定方法和系统 | |
US11918374B2 (en) | Apparatus for monitoring treatment side effects | |
US20230281803A1 (en) | A system for visual data analysis of ultrasound examinations with and without a contrast medium, for early automated diagnostics of pancreatic pathologies | |
US20160066891A1 (en) | Image representation set | |
Lipor et al. | Eye biometry prediction from ultrasound images using convolutional neural networks | |
CN117237291A (zh) | 基于图像处理的异常检测方法、装置、电子设备及介质 | |
WO2023147114A1 (en) | Ultrasound with gender obfuscation | |
Qureshi | Computer aided assessment of CT scans of traumatic brain injury patients |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Seoul, South Kerean Applicant after: Korea Treasure Platinum Co.,Ltd. Address before: 128 Court Road, Songpo District, Seoul, Korea, c-1014 Applicant before: Aidote Co. |