CN113724827A - 一种超声报告中病灶区域自动标注的方法和系统 - Google Patents

一种超声报告中病灶区域自动标注的方法和系统 Download PDF

Info

Publication number
CN113724827A
CN113724827A CN202111034555.4A CN202111034555A CN113724827A CN 113724827 A CN113724827 A CN 113724827A CN 202111034555 A CN202111034555 A CN 202111034555A CN 113724827 A CN113724827 A CN 113724827A
Authority
CN
China
Prior art keywords
focus
report
image
contour
lesion
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
Application number
CN202111034555.4A
Other languages
English (en)
Inventor
朱瑞星
杨尚跃
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.)
Shanghai Shenzhi Information Technology Co ltd
Original Assignee
Shanghai Shenzhi Information Technology Co ltd
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 Shanghai Shenzhi Information Technology Co ltd filed Critical Shanghai Shenzhi Information Technology Co ltd
Priority to CN202111034555.4A priority Critical patent/CN113724827A/zh
Publication of CN113724827A publication Critical patent/CN113724827A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

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

Abstract

本发明提供一种超声报告中病灶区域自动标注的方法和系统，获取原始的超声报告；提取超声报告中存在与病灶区域有关的测量点的坐标，形成坐标序列；根据坐标序列获取关于病灶的预定区域；对预定区域进行处理，提取感兴趣区域并作为第一图像；采用预先训练好的特征识别模型对第一图像进行识别处理，并获取病灶的轮廓点；基于识别出的轮廓点，在原始的超声报告中标注出病灶轮廓。在节省了标注病灶所需的额外的标注人工成本的同时，也保证了标注病灶位置的准确性，极大的提高了超声图像病灶标注的效率和质量。

Description

一种超声报告中病灶区域自动标注的方法和系统
技术领域
本发明涉及超声报告图像处理技术领域，尤其涉及一种超声报告中病灶区域自动标注的方法和系统。
背景技术
目前，超声图像的标注方法包括全人工标注、人机交互的半自动标注两种方式，标注出的病灶大部分是病灶轮廓的外接矩形框，全人工标注的方法，成本较高，标注耗时较长，并且人工标注的病灶轮廓和病灶的实际轮廓偏差较大。人机交互的半自动标注，顾名思义，一部分由人工完成，一部分由机器完成，这种标注方式因为有人工参与，同样会使得标注成本增加，标注位置准确度不高，无法满足病灶位置准确标注的要求。
发明内容
基于上述问题，本发明提供一种超声报告中病灶区域自动标注的方法和系统，旨在解决现有技术中标注耗时长、寻找病灶位置较麻烦、人工描绘病灶轮廓不准等技术问题。
一种超声报告中病灶区域自动标注的方法，包括如下技术特征：
步骤A1，获取原始的超声报告；
步骤A2，提取超声报告中存在与病灶区域有关的测量点的坐标，形成坐标序列；
步骤A3，根据坐标序列获取关于病灶的预定区域；
步骤A4，对预定区域进行处理，提取感兴趣区域并作为第一图像；
步骤A5，采用预先训练好的特征识别模型对第一图像进行识别处理，并获取病灶的轮廓点；
步骤A6，基于识别出的轮廓点，在原始的超声报告中标注出病灶轮廓。
进一步的，在步骤A2中，测量点为在生成超声报告时在超声报告中对病灶进行测量时点击产生的点。
进一步的，在步骤A2中，对于测量点，基于支持向量机识别算法提取超声报告中的测量点的坐标；或者
在生成超声报告时，已经实时记录点击产生的点的坐标作为测量点的坐标并保存，直接获取保存的测量点的坐标。
进一步的，在步骤A3，根据坐标序列获取关于病灶区域的外接矩形，外接矩形为病灶的预定区域。
进一步的，在步骤A5，特征识别模型的训练过程包括如下步骤：
步骤B1，收集若干张带有病灶的超声报告，并人工画出每张超声报告中关于病灶的外接矩形框；
步骤B2，对外接矩形框进行处理，截取感兴趣区域，形成第一图像；
步骤B3，由人工描绘出第一图像中的病灶轮廓；
步骤B4，根据人工描绘的病灶轮廓获取对应的病灶掩膜图像，形成第二图像；
步骤B5，构建特征识别模型，利用第一图像和第二图像作为训练样本对特征识别模型进行训练，形成第一版本的特征识别模型。
进一步的，在步骤A6之后还包括：
步骤A7，判断在原始超声报告中标注的病灶轮廓是否正确：
若是，则执行步骤A8；
若否，继续步骤A9；
步骤A8，保存标注出病灶轮廓的超声报告；
步骤A9，由人工在原始的超声报告中标注病灶轮廓，根据人工标注的病灶轮廓提取病灶的轮廓点并保存，同时保存第一图像。
进一步的，步骤A5，特征识别模型的训练过程还包括：
步骤B8，将步骤A8中新保存的病灶的轮廓点和相应的第一图像加入训练样本形成新的训练样本；
步骤B9，利用新的训练样本对神经网络模型重新进行训练，训练完成以形成新版本的特征识别模型。
进一步的，特征提取网络模型为Unet结合自注意力机制的神经网络模型。
一种超声报告中病灶区域自动标注的系统，其特征在于，包括前述的一种超声报告中病灶区域自动标注的方法，包括：
图像获取模块，用于获取原始的超声报告；
坐标获取模块，连接图像获取模块，用于提取超声报告中存在与病灶区域有关的测量点的坐标，形成坐标序列；
第一区域获取模块，连接坐标获取模块，用于根据坐标序列获取关于病灶的预定区域；
第二区域获取模块，连接第一区域获取模块，用于对预定区域进行处理，提取感兴趣区域并作为第一图像；
轮廓识别模块，连接第二获取模块，用于采用预先训练好的特征识别模型对第一图像进行识别处理，并获取病灶的轮廓点；
自动标注模块，分别连接图像获取模块和轮廓识别模块，用于基于识别出的轮廓点，在原始的超声报告中标注出病灶轮廓。
进一步的，测量点为在生成超声报告时在超声报告中对病灶进行测量时点击产生的点。
本发明的有益技术效果是：医生测量病灶大小的测量点坐标，自动标注出病灶的轮廓，在节省了标注病灶所需的额外的标注人工成本的同时，也保证了标注病灶位置的准确性，极大的提高了超声图像病灶标注的效率和质量。
附图说明
图1为本发明一种超声报告中病灶区域自动标注的方法的步骤流程图；
图2为本发明一种超声报告中病灶区域自动标注的方法特征提取模块训练过程的步骤流程图；
图3为本发明一种超声报告中病灶区域自动标注的方法另一种优选实施例的步骤流程图；
图4为本发明一种超声报告中病灶区域自动标注的方法另一种优选实施例的步骤流程图；
图5为本发明一种超声报告中病灶区域自动标注的系统的模块示意图；
图6为本发明一种超声报告中病灶区域自动标注的系统特征提取模块训练过程的模块示意图；
图7为本发明一种超声报告中病灶区域自动标注的系统的另一种优选方式的模块示意图；
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作出创造性劳动的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。
需要说明的是，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。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
参见图1，本发明提供一种超声报告中病灶区域自动标注的方法，包括如下技术特征：
步骤A1，获取原始的超声报告；
步骤A2，提取超声报告中已经存在与病灶区域有关的测量点的坐标，形成坐标序列；
步骤A3，根据坐标序列获取关于病灶的预定区域；
步骤A4，对预定区域进行处理，提取感兴趣区域并作为第一图像；
步骤A5，采用预先训练好的特征识别模型对第一图像进行识别处理，并获取病灶的轮廓点；
步骤A6，基于识别出的轮廓点，在原始的超声报告中标注出病灶轮廓。在本发明中，医生测量病灶大小的测量点坐标，自动标注出病灶的轮廓，在节省了标注病灶所需的额外的标注人工成本的同时，也保证了标注病灶位置的准确性，极大的提高了超声图像病灶标注的效率和质量。
在步骤A2中，测量点为在生成超声报告时在超声报告中产生的标注点，或者医生在使用超声报告为患者进行诊断时点击超声报告中与病灶区域有关的记录点。
进一步的，在步骤A2中，对于测量点，基于支持向量机识别算法提取超声报告中的测量点的坐标；或者
在生成超声报告时，已经实时记录点击产生的点的坐标作为测量点的坐标并保存，直接获取保存的测量点的坐标。
此时，生成的超声报告已有测量点，根据图像算法(SVM识别算法)进行超声报告病灶大小测量点的获取。
在医生给病人进行超声检查生成超声诊断报告时，直接记录医生测量病灶大小时，点击的病灶边缘点的坐标，也即测量点的坐标，设病灶边缘点坐标序列为Points List，将这些点的坐标保存下来，在步骤A2中直接从保存中获取测量点的坐标，无需识别算法进行识别。如，医生点击测量病灶时的4个点，实时获取4个点的坐标并保存。在进行自动标注需要时直接获取，无需根据超声报告再进行对应图像的识别和提取。
进一步的，在步骤A3，根据坐标序列获取关于病灶区域的外接矩形，外接矩形为病灶的预定区域。
参见图2，进一步的，在步骤A5，特征识别模型的训练过程包括如下步骤：
步骤B1，收集若干张带有病灶的超声报告，并由人工画出每张超声报告中关于病灶的外接矩形框；
步骤B2，对外接矩形框进行处理，截取感兴趣区域，形成第一图像；
步骤B3，由人工描绘出第一图像中的病灶轮廓；
步骤B4，根据人工描绘的病灶轮廓获取对应的病灶掩膜图像，形成第二图像；
步骤B5，构建特征识别模型，利用第一图像和第二图像作为训练样本对特征识别模型进行训练，形成第一版本的特征识别模型。
具体的，收集的超声报告的数量可以是1000张。人工画出每张图像中病灶的外接矩形，系统根据外接矩形，截取ROI图像。人工描绘出ROI图像中病灶的轮廓。根据人工描绘的病灶轮廓点，得到ROI图像对应的病灶Mask。使用1000张ROI图像和Mask图像作为第一版模型的训练样本，使用Unet+Self Attention网络进行训练，生成第一版的病灶轮廓识别模型。
参见图3，进一步的，在步骤A6之后还包括：
步骤A7，判断在原始的超声报告中标注的病灶轮廓是否正确：
若是，则继续步骤A8；
若否，则继续步骤A9；
步骤A8，保存标注出病灶轮廓的超声报告；
步骤A9，由人工在原始的超声报告中标注病灶轮廓，根据人工标注的病灶轮廓提取病灶的轮廓点并保存，同时保存第一图像。
当自动标注的病灶轮廓不正确时，需要医生手动标出，此种情况较少。医生观察自动标注的病灶轮廓是否正确，若病灶轮廓正确，则记录标注结果，结束；若病灶轮廓不正确，则人工画出超声报告上的病灶轮廓。
在步骤A8中，还需要保存人工标注病灶轮廓的超声报告。
参见图4，进一步的，步骤A5，特征识别模型的训练过程还包括：
步骤B8，将步骤A8中新保存的病灶的轮廓点和相应的第一图像加入训练样本形成新的训练样本；
步骤B9，利用新的训练样本对神经网络模型重新进行训练，训练完成以形成新版本的特征识别模型。
每间隔一段时间，将人工标注过程中保存的ROI图像和轮廓点，作为新的样本图像放到训练集中，重新使用Unet+Self Attention网络进行训练，生成第N版的病灶轮廓识别模型(N>1)。
本发明包括自动标注过程、特征识别模型的生成和自动更新另个部分。特征识别模型的生成和自动更新有助于提高将来的轮廓识别的准确度。
进一步的，特征提取模型为Unet结合自注意力机制的神经网络模型。
参见图5，本发明提供一种超声报告中病灶区域自动标注的系统，包括前述的一种超声报告中病灶区域自动标注的方法，包括：
图像获取模块(1)，用于获取原始的超声报告；
坐标获取模块(2)，连接图像获取模块(1)，用于提取超声报告中已经存在与病灶区域有关的测量点的坐标，形成坐标序列；
第一区域获取模块(3)，连接坐标获取模块(2)，用于根据坐标序列获取关于病灶的预定区域；
第二区域获取模块(4)，连接第一区域获取模块(3)，用于对预定区域进行处理，提取感兴趣区域并作为第一图像；
轮廓识别模块(5)，连接第二区域获取模块(4)，用于采用预先训练好的特征识别模型对第一图像进行识别处理，并获取病灶的轮廓点；
自动标注模块(6)，分别连接图像获取模块(1)和轮廓识别模块(5)，用于基于识别出的轮廓点，在原始的超声报告中标注出病灶轮廓。
进一步的，测量点为在生成超声报告时在超声报告中对病灶进行测量时点击产生的点。
进一步的，在步骤A2中，对于测量点，基于支持向量机识别算法提取超声报告中的测量点的坐标；或者
在生成超声报告时，已经实时记录点击产生的点的坐标作为测量点的坐标并保存，直接获取保存的测量点的坐标。
进一步的，第一区域获取模块(3)根据坐标序列获取关于病灶区域的外接矩形，外接矩形为病灶的预定区域。
参见图6，进一步的，轮廓识别模块(5)包括：
图像收集单元(51)，收集若干张带有病灶的超声报告，并人工画出每张超声报告中关于病灶的外接矩形框；
第一图像获取单元(52)，连接图像收集单元(51)，对外接矩形框进行处理，截取感兴趣区域，形成第一图像；
第二图像获取单元(53)，连接第一图像获取单元(52)，由人工描绘出第一图像中的病灶轮廓，根据人工描绘的病灶轮廓获取对应的病灶掩膜图像，形成第二图像；
模型构建单元(54)，构建特征识别模型；
模型训练单元(55)，分别连接第一图像获取单元(52)、第二图像获取单元(53)和模型构建单元(54)，利用第一图像和第二图像作为训练样本对特征识别模型进行训练，形成第一版本的特征识别模型。
参见图7，进一步的，还包括：
第一保存模块(7)，连接自动标注模块(6)，在人工判断出在原始超声报告中标注的病灶轮廓正确时，保存标注出病灶轮廓的超声报告；
第二保存模块(8)，连接自动标注模块(6)，在人工判断出在原始超声报告中标注的病灶轮廓不正确时，则由人工在原始超声报告中标注病灶轮廓，根据人工标注的病灶轮廓提取病灶的轮廓点并保存，同时保存第一图像。
进一步的，还包括：
轮廓识别模块(5)还连接第二保存模块(8)，模型训练单元(55)，将第二保存模块(8)中新保存的病灶的轮廓点和相应的第一图像加入训练样本形成新的训练样本，利用新的训练样本对神经网络模型重新进行训练，训练完成以形成新版本的特征识别模型。
进一步的，特征识别模型为Unet结合自注意力机制的神经网络模型。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (10)

1.一种超声报告中病灶区域自动标注的方法，其特征在于，包括如下技术特征：
步骤A1，获取原始的超声报告；
步骤A2，获取所述超声报告中存在与所述病灶区域有关的测量点的坐标，形成坐标序列；
步骤A3，根据所述坐标序列获取关于病灶的预定区域；
步骤A4，对所述预定区域进行处理，提取感兴趣区域并作为第一图像；
步骤A5，采用预先训练好的特征识别模型对所述第一图像进行识别处理，并获取所述病灶的轮廓点；
步骤A6，基于识别出的所述轮廓点，在所述原始的所述超声报告中标注出病灶轮廓。
2.如权利要求1所述的一种超声报告中病灶区域自动标注的方法，其特征在于，在所述步骤A2中，所述测量点为在生成超声报告时在所述超声报告中对病灶进行测量时点击产生的点。
3.如权利要求2所述的一种超声报告中病灶区域自动标注的方法，其特征在于，在所述步骤A2中，对于所述测量点，基于支持向量机识别算法提取所述超声报告中的所述测量点的坐标；或者
在生成所述超声报告时，已经实时记录点击产生的所述点的坐标作为测量点的坐标并保存，直接获取保存的测量点的坐标。
4.如权利要求1所述的一种超声报告中病灶区域自动标注的方法，其特征在于，在所述步骤A3，根据所述坐标序列获取关于病灶区域的外接矩形，所述外接矩形为所述病灶的预定区域。
5.如权利要求1所述的一种超声报告中病灶区域自动标注的方法，其特征在于，在所述步骤A5，所述特征识别模型的训练过程包括如下步骤：
步骤B1，收集若干张带有病灶的超声报告，并人工画出每张所述超声报告中关于所述病灶的外接矩形框；
步骤B2，对所述外接矩形框进行处理，截取感兴趣区域，形成第一图像；
步骤B3，由人工描绘出所述第一图像中的病灶轮廓；
步骤B4，根据人工描绘的所述病灶轮廓获取对应的病灶掩膜图像，形成第二图像；
步骤B5，构建特征识别模型，利用所述第一图像和所述第二图像作为训练样本对所述特征识别模型进行训练，形成第一版本的特征识别模型。
6.如权利要求5所述的一种超声报告中病灶区域自动标注的方法，其特征在于，在所述步骤A6之后还包括：
步骤A7，判断在原始的所述超声报告中标注的所述病灶轮廓是否正确：
若是，则继续步骤A8；
若否，则继续步骤A9；
所述步骤A8，保存标注出所述病灶轮廓的所述超声报告；
所述步骤A9，由人工在原始的所述超声报告中标注所述病灶轮廓，根据人工标注的所述病灶轮廓提取所述病灶的轮廓点并保存，同时保存所述第一图像。
7.如权利要求6所述的一种超声报告中病灶区域自动标注的方法，其特征在于，所述步骤A5，所述特征识别模型的训练过程还包括：
步骤B8，将所述步骤A8中新保存的所述病灶的轮廓点和相应的所述第一图像加入所述训练样本形成新的训练样本；
步骤B9，利用新的所述训练样本对神经网络模型重新进行训练，训练完成以形成新版本的所述特征识别模型。
8.如权利要求1所述的一种超声报告中病灶区域自动标注的方法，其特征在于，所述特征识别模型为Unet结合自注意力机制的神经网络模型。
9.一种超声报告中病灶区域自动标注的系统，其特征在于，包括如权利要求1-8任意一项所述的一种超声报告中病灶区域自动标注的方法，包括：
图像获取模块，用于获取原始的超声报告；
坐标获取模块，连接所述图像获取模块，用于提取所述超声报告中已经存在与所述病灶区域有关的测量点的坐标，形成坐标序列；
第一区域获取模块，连接所述坐标获取模块，用于根据所述坐标序列获取关于病灶的预定区域；
第二区域获取模块，连接所述第一区域获取模块，用于对所述预定区域进行处理，提取感兴趣区域并作为第一图像；
轮廓识别模块，连接所述第二区域获取模块，用于采用预先训练好的特征识别模型对所述第一图像进行识别处理，并获取所述病灶的轮廓点；
自动标注模块，分别连接所述图像获取模块和所述轮廓识别模块，用于基于识别出的所述轮廓点，在所述原始的所述超声报告中标注出病灶轮廓。
10.如权利要求9所述的一种超声报告中病灶区域自动标注的系统，其特征在于，所述测量点为在生成超声报告时在所述超声报告中对病灶进行测量时点击产生的点。
CN202111034555.4A 2021-09-03 2021-09-03 一种超声报告中病灶区域自动标注的方法和系统 Pending CN113724827A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111034555.4A CN113724827A (zh) 2021-09-03 2021-09-03 一种超声报告中病灶区域自动标注的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111034555.4A CN113724827A (zh) 2021-09-03 2021-09-03 一种超声报告中病灶区域自动标注的方法和系统

Publications (1)

Publication Number Publication Date
CN113724827A true CN113724827A (zh) 2021-11-30

Family

ID=78681584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111034555.4A Pending CN113724827A (zh) 2021-09-03 2021-09-03 一种超声报告中病灶区域自动标注的方法和系统

Country Status (1)

Country Link
CN (1) CN113724827A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170281135A1 (en) * 2014-09-12 2017-10-05 Analogic Corporation Image Registration Fiducials
CN109727243A (zh) * 2018-12-29 2019-05-07 无锡祥生医疗科技股份有限公司 乳腺超声图像识别分析方法及系统
CN109993733A (zh) * 2019-03-27 2019-07-09 上海宽带技术及应用工程研究中心 肺部病灶的检测方法、系统、存储介质、终端及显示系统
CN110060774A (zh) * 2019-04-29 2019-07-26 赵蕾 一种基于生成式对抗网络的甲状腺结节识别方法
CN110634125A (zh) * 2019-01-14 2019-12-31 广州爱孕记信息科技有限公司 基于深度学习的胎儿超声图像识别方法及系统
CN111243730A (zh) * 2020-01-17 2020-06-05 视隼智能科技(上海)有限公司 一种基于乳腺超声影像的乳腺病灶智能分析方法及系统
CN112862808A (zh) * 2021-03-02 2021-05-28 王建 一种基于深度学习的乳腺癌超声图像的可解释性识别方法
WO2021129325A1 (zh) * 2019-12-25 2021-07-01 飞依诺科技(苏州)有限公司 超声图像病灶的分割方法、装置和计算机设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170281135A1 (en) * 2014-09-12 2017-10-05 Analogic Corporation Image Registration Fiducials
CN109727243A (zh) * 2018-12-29 2019-05-07 无锡祥生医疗科技股份有限公司 乳腺超声图像识别分析方法及系统
CN110634125A (zh) * 2019-01-14 2019-12-31 广州爱孕记信息科技有限公司 基于深度学习的胎儿超声图像识别方法及系统
CN109993733A (zh) * 2019-03-27 2019-07-09 上海宽带技术及应用工程研究中心 肺部病灶的检测方法、系统、存储介质、终端及显示系统
CN110060774A (zh) * 2019-04-29 2019-07-26 赵蕾 一种基于生成式对抗网络的甲状腺结节识别方法
WO2021129325A1 (zh) * 2019-12-25 2021-07-01 飞依诺科技(苏州)有限公司 超声图像病灶的分割方法、装置和计算机设备
CN111243730A (zh) * 2020-01-17 2020-06-05 视隼智能科技(上海)有限公司 一种基于乳腺超声影像的乳腺病灶智能分析方法及系统
CN112862808A (zh) * 2021-03-02 2021-05-28 王建 一种基于深度学习的乳腺癌超声图像的可解释性识别方法

Similar Documents

Publication Publication Date Title
CN109741346B (zh) 感兴趣区域提取方法、装置、设备及存储介质
CN107330263A (zh) 一种计算机辅助乳腺浸润性导管癌组织学分级的方法
CN109920518B (zh) 医学影像分析方法、装置、计算机设备和存储介质
US8588496B2 (en) Medical image display apparatus, medical image display method and program
CN111214255B (zh) 一种医学超声图像计算机辅助方法
CN111539956B (zh) 基于脑部辅助图像的脑出血自动检测方法及电子介质
CN108921854B (zh) 一种消化道内镜图像不规则病变区域标注方法及系统
CN110338759B (zh) 一种正面疼痛表情数据采集方法
CN111145200B (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
CN111563910B (zh) 眼底图像分割方法及设备
CN116386902B (zh) 基于深度学习的大肠癌人工智能辅助病理诊断系统
CN108229584A (zh) 一种基于深度学习的多模态医学影像识别方法及装置
US20240005494A1 (en) Methods and systems for image quality assessment
CN110942447A (zh) Oct图像分割方法、装置、设备及存储介质
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
CN113724827A (zh) 一种超声报告中病灶区域自动标注的方法和系统
CN116580801A (zh) 一种基于大型语言模型的超声检查方法
CN109509189B (zh) 一种基于多个子区域模板的腹部肌肉标注方法及标注装置
CN115804579A (zh) 一种规范化血压测量的过程控制系统及实现方法
CN113488144B (zh) 一种切片图像处理方法
CN114202510A (zh) 显微镜下病理切片图像智能分析系统
CN109993754B (zh) 从图像上进行颅骨分割的方法和系统
CN110660479A (zh) 一种动态医学影像ai训练诊断系统
CN111968111A (zh) 一种ct图像的脏器或伪影辨别方法及装置
CN115797296B (zh) 一种膈肌厚度自动测量方法、装置和存储介质

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