CN114176641A - 超声波诊断系统 - Google Patents

超声波诊断系统 Download PDF

Info

Publication number
CN114176641A
CN114176641A CN202111081759.3A CN202111081759A CN114176641A CN 114176641 A CN114176641 A CN 114176641A CN 202111081759 A CN202111081759 A CN 202111081759A CN 114176641 A CN114176641 A CN 114176641A
Authority
CN
China
Prior art keywords
site
carotid artery
diagnostic
image
diagnosis
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
CN202111081759.3A
Other languages
English (en)
Inventor
郑载训
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.)
Korea Treasure Platinum Co ltd
Original Assignee
Korea Treasure Platinum 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 Korea Treasure Platinum Co ltd filed Critical Korea Treasure Platinum Co ltd
Publication of CN114176641A publication Critical patent/CN114176641A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—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
    • 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
    • A61B8/0825—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the breast, e.g. mammography
    • 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
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
    • 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
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/461—Displaying means of special interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/54—Control of the diagnostic device
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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

本发明涉及一种使用人工神经网络的超声波诊断系统，其能够通过执行引导来在操作诊断装置时提供便利，使得可以在最佳位置获取颈动脉、甲状腺、股静脉或中静脉的超声图像。所述超声波诊断系统包括诊断部位搜索单元和自动诊断单元，所述诊断部位搜索单元从输入图像中找到诊断部位(颈动脉、甲状腺、股静脉、中静脉或乳房)，并且用于以与组织的颜色区分的颜色来表示和输出至少所述诊断部位，所述自动诊断单元基于第一人工神经网络、针对由所述诊断部位搜索单元找到的所述诊断部位的图像来诊断所述诊断部位是否异常，并且用于输出诊断结果。

Description

超声波诊断系统
技术领域
本发明涉及超声波诊断系统，更具体地，涉及使用一个或多个人工神经网络来诊断超声波诊断部位的异常症状的系统。
背景技术
超声波是一种弹性波。因此，当超声波传播到人体中时，根据人体组织的物理特性，超声波在介质的界面处被反射、透射或吸收，因此，其振幅有时被衰减。当使用超声波的特性时，可以获取人体的内部组织的图像，并且可以从该图像确定组织的大小或特性，使得超声波诊断装置广泛地用于医疗保健行业。
颈动脉超声、乳房超声、甲状腺超声和深静脉血栓形成超声(用于股静脉或中静脉)广泛已知用于使用超声诊断装置来诊断身体的一部分是否异常。
作为参考，颈动脉是穿过颈部并进入面部和颅骨的动脉，并且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和肌肉供应血液，颈内动脉向大脑和颅骨内的神经组织供应血液。
即使当颈外动脉变窄或阻塞时，也没有特别的问题，因为通过其他血管供应相对大量的血液。然而，当颈内动脉变窄或阻塞时，向大脑的血液供应可能减少，并且沉积(积聚和附着)在颈内动脉壁上的脂肪组织可能被分离以流到脑血管的远端并阻塞血管。包括颈内动脉的颈动脉的变窄被称为颈动脉狭窄，其减少血流或阻塞血管，从而导致缺血性中风。因此，对颈动脉狭窄的患者进行治疗以预防和治疗中风。
诊断和检查颈动脉狭窄的方法之一是颈动脉超声。颈动脉超声是用于观察颈动脉中是否存在斑块、血流、血管厚度等的简单测试，并且具有用于测试的时间短且测试成本低的优点。
然而，缺点在于，只有当检查者具有足够的技能和知识时，检查者才能执行测试。另外，缺点还在于，即使对于相同的超声图像，检查者之间的读取能力也可能存在差异，并且即使有经验的检查者对于超声图像中微妙地出现的症状也可能具有较低的读取能力，这增加了误诊的概率。
特别地，为了准确地诊断颈动脉的异常症状，需要一种在最佳位置获取颈动脉的超声图像的方法，但是除非检查者是有经验的专业人员，否则检查者不容易将超声波探头移动到可以获取最佳超声图像的位置。这是使用甲状腺超声和乳房超声以及颈动脉超声的各种超声诊断中的常见问题。
因此，需要一种新型的超声波诊断系统，其能够执行到可以获取用于精确诊断身体部位的异常症状所必需的超声图像的位置的引导，从而方便任何人使用。另外，需要一种新型超声波诊断系统，其能够精确地检测甚至在超声图像中微妙地出现的症状，以精确地预测和诊断身体部位的异常症状。
[现有技术文献]
[专利文献]
(专利文献1)韩国专利公开号10-2009840
发明内容
技术问题
本发明的目的在于提供一种使用人工神经网络的超声波诊断系统，其能够自动且准确地诊断颈动脉、甲状腺、股静脉、中静脉和乳房中的异常症状，而与检查者无关。
本发明还旨在提供一种使用人工神经网络的超声波诊断系统，其能够通过执行引导来在操作诊断装置时提供便利，使得可以在最佳位置获取颈动脉、甲状腺、股静脉、中静脉和乳房的超声图像。
本发明还旨在提供一种使用人工神经网络的超声波诊断系统，其能够从输入图像中仅选择颈动脉、甲状腺、股静脉、中静脉或乳房的超声图像，以自动诊断颈动脉、甲状腺、股静脉、中静脉或乳房是否异常。
本发明还旨在提供一种使用人工神经网络的超声波诊断系统，其能够搜索可能发展成漂浮血栓的血管斑块，从而预先提供中风可能性的通知。
本发明还旨在提供一种使用人工神经网络的超声波诊断系统，其能够自动诊断颈动脉、甲状腺、股静脉、中静脉和乳房的至少一个诊断部位是否异常，并且能够分多个阶段区分和显示诊断部位(颈动脉、甲状腺、股静脉、中静脉或乳房)的风险。
本发明还旨在提供一种使用人工神经网络的超声波诊断系统，其能够使用一个或多个人工神经网络准确且自动地诊断颈动脉、甲状腺、股静脉、中静脉和乳房中的至少一个是否异常，或者能够准确且自动地诊断颈动脉、甲状腺、股静脉、中等静脉或乳房相对于从远程站点发送的超声图像是否是异常的，以提供通知。
解决问题的技术方案
根据本发明的实施例，一种超声波诊断系统包括：
诊断部位搜索单元，其从输入图像中找到诊断部位，并且用于以与组织的颜色区分的颜色来表示和输出至少所述诊断部位，以及
自动诊断单元，其基于第一人工神经网络，相对于由所述诊断部位搜索单元找到的所述诊断部位的图像，诊断所述诊断部位是否异常，并且用于输出诊断结果。
所述诊断部位搜索单元可以包括：
第二人工神经网络，其被预训练为从所述输入图像中仅选择颈动脉、甲状腺、乳房、股静脉以及中静脉中的任一个的超声图像，并从所选择的超声图像中提取颈动脉部位、甲状腺部位、乳房部位、股静脉部位以及中静脉部位中的任一个部位。
所述第二人工神经网络可以是训练为在纵向方向和横向方向两者上选择和显示颈动脉超声图像的人工神经网络。
当所述诊断结果异常时，
所述自动诊断单元可以使用预训练的第三人工神经网络根据所述颈动脉部位、所述甲状腺部位、所述乳房部位、所述股静脉部位以及所述中静脉部位中的任一个部位的图像来诊断风险，并且可以用于输出诊断的风险作为所述诊断结果。
当以颜色表示的所述诊断部位具有预设的表示形状时，所述诊断部位搜索单元可以用于输出用于超声波探头的停止命令，并且以颜色表示的所述诊断部位可以是颈动脉部位、甲状腺部位、乳房部位、股静脉部位以及中静脉部位中的任何一个。
所述诊断部位搜索单元可以包括：
第二人工神经网络，其被预训练以从所述输入图像中仅选择颈动脉、甲状腺、乳房、股静脉以及中静脉中的一个的超声图像，并且从所选择的超声图像中提取颈动脉部位、甲状腺部位、乳房部位、股静脉部位以及中静脉部位中的任一个部位，以用虚拟线标记任一个部位，并且所述诊断部位搜索单元可以使用像素的亮度来校正所述虚拟线，并且可以用于以与组织的颜色区分的颜色来表示和输出所述颈动脉部位、所述甲状腺部位、所述乳房部位、所述股静脉部位以及所述中静脉部位中的任何一个部位。
当所述诊断结果异常时，所述自动诊断单元可以使用预训练的第三人工神经网络根据所述颈动脉部位、所述甲状腺部位、所述乳房部位、所述股静脉部位以及所述中静脉部位中的任一个部位的图像来诊断风险，并且可以用于输出诊断的风险作为所述诊断结果。在这样的系统配置中，所述诊断部位搜索单元可以包括：第二人工神经网络，其被预训练为从所述输入图像中仅选择颈动脉、甲状腺、乳房、股静脉以及中静脉中的任一个的超声图像，并且提取所述颈动脉部位、所述甲状腺部位、所述乳房部位、所述股静脉部位以及所述中静脉部位中的任一部分作为所述诊断部位。
发明的有益效果
根据上述实施例，由于颈动脉部位、甲状腺部位、股静脉部位、中静脉部位或乳房部位是从颈动脉超声图像、甲状腺超声图像、股静脉超声图像、中静脉超声图像或乳房超声图像中提取并以颜色表示的，本发明提供的优点在于，诊断装置的操作者可以容易地识别颈动脉部位、甲状腺部位、股静脉部位、中静脉部位或乳房部位作为诊断部位。
此外，本发明提供了引导探头操作的移动的便利，使得能够在最佳位置获取自动诊断所需的诊断部位的超声图像。
另外，由于可以通过预训练的人工神经网络从输入图像中仅选择颈动脉、甲状腺、股静脉、中静脉或乳房的超声图像以执行自动诊断，因此本发明具有的优点在于，可以过滤不能被诊断的不适当的图像以增加系统的可靠性。
通过一个或多个人工神经网络，可以自动诊断颈动脉、甲状腺、股静脉、中静脉或乳房是否异常，并且可以一起标记诊断部位的风险和病变区域，从而提供不仅依赖于每个检查者(读取者)的阅读能力，而且甚至精确地检测在超声图像中微妙地出现的症状的效果。
此外，本发明可以被实现为独立的超声波诊断装置以及远程医疗服务器，从而提供远程医疗服务。另外，由于可以预先检测和表示检查者无法视觉识别的具有较高可分离性的血栓，因此具有血栓漂浮可能性的被检查者和颈动脉狭窄的被检查者可以预先采取必要的措施，从而可以防止中风风险。
附图说明
图1是根据本发明的一个实施例的包括颈动脉诊断系统作为超声波诊断系统的医学诊断装置的示例性框图。
图2是根据图1的本发明的另一实施例的颈动脉超声诊断系统的部分配置的示例性框图。
图3是根据本发明的一个实施例的用于描述颈动脉超声诊断系统的诊断过程的流程图。
图4至图10是根据本发明的一个实施例的用于另外描述颈动脉超声诊断系统的操作的图像。
具体实施方式
在本发明的以下详细描述中，参考附图，附图通过图示的方式示出了可以实践本发明的具体实施例，以阐明本发明的目的、技术方案和优点。充分详细地描述这些实施例以使本领域技术人员能够实践本发明。
本领域技术人员应当理解，贯穿本发明的详细说明书和权利要求书，术语“学习”指的是根据程序执行的深度学习，而不是指诸如人类教育活动之类的精神动作。另外，应当理解，贯穿本发明的说明书和权利要求书，词语“包括”及其变型并不旨在排除其他技术特征、添加、部件或步骤。本发明的其他目的、优点和特征对于本领域技术人员来说将从本说明书以及部分地从本发明的实践中变得显而易见。以下示例和附图是通过说明的方式提供的，并不旨在限制本发明。此外，本发明包括本文所示实施例的所有可能组合。应当理解，本发明的各种实施例是不同的，但不必是互斥的。例如，在不脱离结合一个实施例的本发明的精神和范围的情况下，本文描述的某些特征、结构和特征可以在其他实施例中实现。还应当理解，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部件的位置或布置。因此，以下详细描述不应被认为是限制性的，并且本发明的范围仅由所附权利要求书以及那些权利要求书所授权的等同物的全部范围限定，其中适当地解释了这些权利要求书。在附图中，贯穿多个视图，相同的附图标记表示相同或相似的功能。
除非本文中另有说明或上下文清楚地矛盾，除非上下文另有要求，否则被称为单数的项旨在包括多个项。此外，在描述本发明时，当已知相关部件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，以下描述的人工神经网络可以是例如卷积神经网络(CNN)模型，其中，人工神经网络以多层堆叠。在网络具有深层结构的意义上，CNN模型可以表示为深度神经网络。深度神经网络以学习大量数据的方法来训练，以自动学习每个图像并使目标函数的误差最小化。由于这种CNN模型是已知的，因此将省略其详细描述。
另外，在下文中，将通过将颈动脉超声诊断系统示例为根据本发明的实施例的超声诊断系统来描述本发明的实施例。
图1是根据本发明的一个实施例的包括颈动脉诊断系统作为超声波诊断系统的医学诊断装置的框图，图2是根据图1的本发明的另一实施例的作为颈动脉超声诊断系统的部分配置的颈动脉诊断单元220的框图。
在下面使用的术语中，假设颈动脉超声诊断系统、颈动脉搜索单元210和颈动脉诊断单元220是分配来描述本发明的实施例的术语。例如，假设使用超声波诊断股静脉的超声波诊断系统，则可以将颈动脉搜索单元210称为股静脉搜索单元，并且可以将颈动脉诊断单元220称为股静脉诊断单元。因此，颈动脉搜索单元、股静脉搜索单元、中静脉搜索单元、甲状腺搜索单元和乳房搜索单元是根据诊断部位分配的术语，因此在本说明书的权利要求中将其称为诊断部位搜索单元。另外，颈动脉诊断单元220、股静脉诊断单元、中静脉诊断单元、甲状腺诊断单元和乳房诊断单元用于自动诊断诊断部位是否异常，因此在本说明书的权利要求中将其称为自动诊断单元。
参照图1，首先，尽管图1示出了根据本发明实施例的颈动脉超声诊断系统200构成医学诊断装置的一部分，例如超声医学诊断装置的一部分，颈动脉超声诊断系统200可以构建在计算机系统中，该计算机系统可以通过读取从存储器接收或读取的颈动脉超声图像输入来执行诊断，并且颈动脉超声诊断系统200还可以构建在远程诊断服务器中，该远程诊断服务器可以通过通信网络连接到多个医疗机构计算机系统以用于远程诊断，从而诊断颈动脉是否异常。
参照图1，颈动脉超声图像获取单元100用于获取要诊断的颈动脉的超声图像。当颈动脉超声诊断系统200是医学诊断装置的一部分时，颈动脉超声图像获取单元100可被实现为包括超声波探头和超声图像生成单元，超声波探头向包括颈动脉的诊断部位发送超声波信号并接收从诊断部位反射的超声回波信号，超声图像生成单元处理从超声波探头提供的超声回波信号并将超声回波信号转换为颈动脉的超声图像。
当颈动脉超声诊断系统200是由医学专家使用的诊断计算机系统或医疗机构的计算机系统时，颈动脉超声图像获取单元100可以是能够与包括超声探头和超声图像生成单元的外围超声装置进行数据接口的接口单元，并且可以是能够向便携式式存储装置发送数据和从便携式存储装置接收数据的接口单元。
当颈动脉超声诊断系统200构建在远程诊断服务器中时，颈动脉超声图像获取单元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器。
再次参照图1，颈动脉超声诊断系统200包括：
颈动脉搜索单元210(可称为诊断部位搜索单元)，其从输入图像中找到颈动脉部位(对应于诊断部位)，并且用于以与组织的颜色区分的颜色来表示和输出至少颈动脉部位(诊断部位)，以及
颈动脉诊断单元220(可称为自动诊断单元)，其根据由颈动脉搜索单元210基于第二人工神经网络找到的颈动脉部位的图像来诊断颈动脉是否异常，并且用于输出诊断结果。
颈动脉搜索单元210可包括第一人工神经网络，该第一人工神经网络经预训练以从输入图像中仅选择颈动脉超声图像并从所选择的颈动脉超声图像中提取颈动脉部位。
为了从输入图像中仅选择颈动脉超声图像，第一人工神经网络可以使用2类分类人工智能算法来预先学习一侧的颈动脉超声图像，并且学习不是颈动脉超声图像的一般对象图像(桌子、红绿灯和沙发图像)以及颈动脉超声图像、甲状腺超声图像和腹部超声图像，这对于诊断是不合适的，因此预先在另一侧从输入图像中仅选择对诊断有效的颈动脉超声图像。
根据一种实现方法，第一人工神经网络还可以用于主要从输入图像中仅选择超声图像，从所选择的超声图像中仅选择颈动脉超声图像，然后过滤不适于诊断的颈动脉超声图像。
此外，包括在颈动脉搜索单元210中的第一人工神经网络可以是训练为选择并显示纵向方向(B型)上的颈动脉超声图像和横向方向(A型)上的颈动脉超声图像两者的人工神经网络。横向方向是指当沿横截面方向切割从颈部上升到人的大脑的血管时，血管的横截面是可见的方向，纵向方向是指血管的长度方向。
作为另一修改实施例，颈动脉搜索单元210包括：
第一人工神经网络，其被预训练以从输入图像中仅选择颈动脉超声图像、从所选择的颈动脉图像中提取颈动脉部位、并用虚拟线标记所提取的颈动脉部位。在这种情况下，颈动脉搜索单元210可以使用像素的亮度来校正虚拟线，从而更平滑地完成形成在颈动脉的边缘和组织之间的粗糙度。
将参照图3更详细地描述使用像素的亮度来校正虚拟线并且以与组织的颜色不同的颜色来表示颈动脉部位。
作为又一修改实施例，当以颜色表示的颈动脉部位具有预设的表示形状时，颈动脉搜索单元210可以用于输出用于超声探头的停止命令，从而引导超声探头的用户在最佳位置获取颈动脉超声图像。这也将参照图1更详细地描述。
可以通过将由医学专家标记的超声颈动脉图像或颈动脉部位设置为学习数据来训练上述第一人工神经网络。
同时，包括第二人工神经网络的颈动脉诊断单元220通过将由医学专家标记为正常或异常的颈动脉部位的一个或多个图像设置为学习数据来训练第二人工神经网络。
颈动脉诊断单元220可以在颈动脉部位的图像中标记病变区域，并且可以用于输出标记的病变区域作为诊断结果。
作为修改的实施例，如图2所示，除了第二人工神经网络之外，颈动脉诊断单元220还可以包括第三人工神经网络。当第二人工神经网络的诊断结果异常时，颈动脉诊断单元220可以使用预训练的第三人工神经网络来诊断关于颈动脉部位的图像的颈动脉风险，并且可以用于将诊断出的风险作为诊断结果输出到构成用户界面(I/F)单元的显示单元。
“颈动脉风险”是指按照“异常高风险组”和“异常低风险组”等阶段对风险进行分级的风险。虽然在下面的描述中，风险被分为两个阶段，但是这仅仅是示例，并且这些阶段可以被细分成两个或更多个阶段。
包括第二人工神经网络和第三人工神经网络的颈动脉诊断单元220通过将由医学专家设置的颈动脉部位的一个或多个图像中设置的病变区域和该病变区域的颈动脉风险设置为学习数据来训练第三人工神经网络。例如，医学专家读取异常颈动脉部位以利用框设置过度定位斑块的病变区域，利用框设置血栓在血管中过度分布的病变区域，利用框设置血栓的可分离性高的病变区域，并且利用框设置颈动脉狭窄可见的病变区域，从而针对每个设置的病变区域设置颈动脉风险，例如，将异常高风险组的颈动脉和异常低风险组的颈动脉设置在一起。然后，当医学专家给出用于学习病变区域和设置了颈动脉风险的颈动脉部位的命令时，颈动脉诊断单元220通过将病变区域和设置了颈动脉风险的颈动脉部位设置为学习数据来训练第三人工神经网络。
当以这种方式训练第三人工神经网络时，在随后的诊断模式中，不仅可以自动诊断病变区域，还可以自动诊断最初被诊断为异常颈动脉的颈动脉部位的颈动脉风险信息。
同时，图2中所示的颈动脉诊断单元220可以在颈动脉部位的图像内一起标记和输出颈动脉风险以及病变区域(例如，斑块的位置)作为诊断结果。
此外，图2中示出的颈动脉诊断单元220可以在使用第三人工神经网络诊断颈动脉部位图像之前扩展颈动脉部位。
另外，图1和图2中示出的颈动脉超声诊断系统200还可以包括热图处理单元250，热图处理单元250增加从颈动脉搜索单元210提取的颈动脉部位图像的可见性，利用热图来处理颈动脉部位图像以便提高诊断性能，并将热图图像传送到颈动脉诊断单元220。热图处理单元250可以被实现为包括在颈动脉诊断单元220中。
作为参考，在根据本发明的实施例的颈动脉超声诊断系统200中，可以将第一人工神经网络、第二人工神经网络和第三人工神经网络组合以构建各种类型的颈动脉超声诊断系统200。另外，热图处理单元250可以进一步包括在各种类型的构造系统中，以增加可见性和诊断性能。作为参考，根据实验值，当使用热图图像时，与灰度图像相比，灵敏度似乎总体上得到改善。
图1中的存储单元230包括数据库(DB)，其存储颈动脉超声诊断系统200控制医疗装置的整体操作所必需的控制程序数据以及由医学专家设置的学习数据和与每个学习数据或多条标记信息相关的设置。
用户I/F单元240包括操作单元和显示单元，医疗专家通过操作单元来设置颈动脉超声诊断系统200的环境、操作模式、ROI等，显示单元根据系统操作、诊断结果和由超声探头获取的颈动脉超声图像等来显示各种显示数据。
在下文中，将参照附图更详细地描述颈动脉超声诊断系统200的操作，颈动脉超声诊断系统200可以具有上述配置和人工神经网络的各种组合。在下文中，将描述通过分析纵向颈动脉超声图像来诊断颈动脉是否异常。
图3是根据本发明的实施例的用于描述颈动脉超声诊断系统的诊断过程的流程图，图4至图10是根据本发明的实施例的用于另外描述颈动脉超声诊断系统的操作的图像。
参照图3，首先，在诊断模式下，可以通过颈动脉超声图像获取单元100输入图像(操作S100)。输入图像被输入到颈动脉搜索单元210。
颈动脉搜索单元210使用预训练的第一人工神经网络从输入图像中仅选择颈动脉超声图像(操作S110)。如上所述，在学习模式中，第一人工神经网络可以使用2类分类人工智能算法来预先学习颈动脉超声图像和一般对象图像(办公桌、红绿灯和沙发图像)或其他超声图像，从而从输入图像中仅选择对诊断有效的颈动脉超声图像。图4显示选择的颈动脉超声图像。
之后，颈动脉搜索单元210从所选择的颈动脉超声图像中提取颈动脉部位(操作S120)。作为参考，在学习模式中，从可读颈动脉超声图像学习由医学专家标记的血管部分。在灰度的整个颈动脉超声图像中，由于白色表示血管，黑色表示组织，因此当医学专家仅以曲线形状标记血管时，可以学习这样的图案，从而提取颈动脉部位，以在所提取的颈动脉部位和组织之间的边界处绘制虚拟线，如图5中的(b)所示。
然后，颈动脉搜索单元210以与组织的颜色区分的颜色来表示由虚拟线划分的颈动脉部位。下面将描述以不同颜色表示提取的颈动脉部位以便与如上所述的组织区分的原因和示例。
然而，由于虚拟线是通过学习由医学专家用曲线形状标记的图案而生成的，因此线的粗糙度可能较高，并且线的形状可能不自然。
因此，作为修改的实施例，颈动脉搜索单元210可以采用这样的方法，在该方法中，基于虚拟线定位在预定区域内的像素的亮度被用于平滑地校正虚拟线并且以与组织的颜色区分的颜色来表示颈动脉部位。
更具体地，血管和组织之间的边缘可以是亮度改变最多的点(灰度图像中值改变最多的方向可以被定义为边缘)，其对应于微分值在一个点数学上改变最多的方向。由于图像是以像素为单位的，因此，当在一个像素中亮度变化最大的点，即，如图6所示，将该点处微分值最大的方向定义为向量a，可以定义垂直于向量a的向量b。另外，如图7所示，连接所有向量b以获得具有平滑地校正虚拟线的边缘的颈动脉部位。
因此，颈动脉搜索单元210可以以与如图7所示的组织的颜色区分的颜色来表示具有边缘的颈动脉部位，在该边缘中虚拟线被平滑地校正。
图8示出了颈动脉部位，每个颈动脉部位对应于图4中的(a)、图4中的(b)和图4中的(c)所示的颈动脉超声图像中的一个并且用颜色表示。即使当超声探头的操作者不具有像医学专家那样的专业知识时，如图8中的(a)、图8中的(b)、图8中的(c)所示，操作者一边观察显示画面，一边能够识别颈动脉部位，并且能够将超声探头移动到可以获得最优的颈动脉超声图像的位置(参照图8中的(c))。
作为参考，超声探头的操作者在颈动脉超声测试期间面临的困难是操作者应当识别诊断部位并且应当将超声探头停止在特定位置(表示为帧图像)，以便获取最佳可读图像。
为了解决这样的问题，由于根据本发明的实施例的颈动脉搜索单元210以如图8所示的颜色表示颈动脉部位，探头的操作者能够容易地识别作为诊断部位的颈动脉部位。
此外，当以颜色表示的颈动脉部位具有如图8中的(c)所示的预设表示形状时(当矩形颈动脉被很好地表示为横向伸长时)，颈动脉搜索单元210可以用于输出用于超声探头的停止命令。因此，这样的问题可以以如下方式解决，即，探头操作者移动超声探头，直到获得如图8中的(c)所示的图像为止，并且当输出停止命令时，可以停止探头的操作。作为参考，对于颈动脉超声的横向图像，通常在以圆形表示血管时停止超声探头。
因此，本发明提供了能够引导探头的操作者在最佳位置获取颈动脉超声图像的便利。当根据本发明的实施例的超声诊断系统是股静脉或中静脉超声诊断系统时，超声诊断系统提供了能够引导探头的操作者通过上述方法在最佳位置获取股静脉或中静脉超声图像的便利。
如上所述，将超声波探头停止在最佳位置，并且将从从超声波探头获取的颈动脉超声图像中提取的颈动脉部位的图像传送到颈动脉诊断单元220。可以通过去噪处理操作从颈动脉部位的图像中去除噪声。
颈动脉诊断单元220可以简单地基于机器学习来诊断颈动脉相对于所传送的颈动脉部位的图像是否异常，并且可以用于输出诊断结果。
在一些情况下，颈动脉诊断单元220可使用预训练的第二人工神经网络来诊断颈动脉部位的颈动脉是否异常(操作S130)。当诊断结果正常时(操作S140)，颈动脉诊断单元220在用户I/F单元240上将诊断结果标记为正常(操作S150)，并且结束一系列诊断处理。
当诊断结果异常并且当颈动脉诊断单元220不包括第三人工神经网络时，颈动脉诊断单元220可以简单地将诊断标记为异常。另一方面，当颈动脉诊断单元220包括第三人工神经网络时，颈动脉诊断单元220可以在使用第三人工神经网络诊断颈动脉部位图像之前扩展颈动脉部位。颈动脉部位的这种扩张是一种可能的选择。
颈动脉诊断单元220使用预训练的第三人工神经网络来诊断所提取的颈动脉部位的颈动脉风险(操作S160)。作为诊断结果，当颈动脉风险是高风险组的颈动脉的风险时(操作S170)，过程进行到操作S180，并且标记颈动脉和异常高风险组(FH)的病变区域(具有边界框)。当颈动脉风险是低风险组的颈动脉的风险时，过程进行到操作S190，标记颈动脉和异常低风险组(FL)的病变区域(具有边界框)，然后，结束一系列诊断过程。
如上所述，在根据本发明的实施例的颈动脉超声诊断系统200中，从通过颈动脉超声图像获取单元100输入或发送的或者通过第一人工神经网络从存储器中读取的颈动脉超声图像中找到颈动脉部位，并且至少颈动脉部位通过以与组织的颜色区分的颜色来表示而被输出，从而引导探头的操作者在最佳位置处获取颈动脉超声图像。
此外，通过一个或多个人工神经网络，自动诊断颈动脉部位是否异常，并且一起标记颈动脉的风险和病变区域，因此，根据本发明的实施例的颈动脉超声诊断系统200是有用的发明，其不仅能够提供依赖于每个检查者(阅读者)的读取能力，而且能够精确地检测甚至在超声图像中微妙地出现的症状的效果。
此外，本发明可以被实现为独立的超声波诊断装置以及远程医疗服务器，从而提供远程医疗服务。另外，由于可以预先检测和表示检查者无法视觉识别的具有较高可分离性的血栓，因此具有血栓漂浮可能性的被检查者和颈动脉狭窄的被检查者可以预先采取必要的措施，从而可以防止中风风险。
尽管在本发明的上述实施例中，已经描述了学习矩形颈动脉超声图像以自动诊断颈动脉是否异常，如图9所示，可以学习横向颈动脉超声图像，以与组织的颜色区分的颜色表示颈动脉部位并且还自动诊断颈动脉是否异常，并且还可以学习纵向方向和横向方向上的颈动脉超声图像，以自动诊断颈动脉是否异常。在一些情况下，当自动诊断颈动脉是否相对于纵向方向和横向方向两者上的颈动脉超声图像异常的结果彼此不匹配时，通过新训练的人工神经网络，可以相对于被诊断为正常或异常的任何一个图像来最终诊断颈动脉是否异常。
另外，本发明的颈动脉诊断单元220可以改变并表示由医学专家标记的病变区域或如图10中所示的作为诊断结果检测到的病变(斑块)区域周围的边界框的大小。
本领域技术人员可以清楚地理解，基于对上述实施例的描述，本发明可以通过软件和硬件的组合或者通过单独的硬件来实现。本发明的技术方案的目的或对现有技术有贡献的部分可以以程序指令的形式来实现，该程序指令可以通过各种计算机部件执行并记录在计算机可读记录介质上。计算机可读记录介质可以单独地或组合地包括程序指令、数据文件、数据结构等。记录在计算机可读记录介质上的程序指令可以是为本发明特别设计和构造的程序指令，或者可以是计算机软件领域的技术人员已知的程序指令。
程序指令的示例包括诸如由编译器生成的机器语言代码，以及可以由计算机使用解释器等执行的高级语言代码。硬件装置可以用于作为用于执行根据本发明的过程的一个或多个软件模块来操作，反之亦然。硬件装置可以包括连接到图1所示的存储器(例如用于存储程序指令的只读存储器(ROM)或随机存取存储器(RAM))的处理器，诸如中央处理单元(CPU)或图形处理单元(GPU)，并且用于执行存储在存储器中的指令，并且可以包括能够向外部装置发送信号和从外部装置接收信号的通信单元。另外，硬件装置可以包括键盘、鼠标和用于接收由开发者准备的指令的其他外部输入装置。
虽然已经参考有限的实施例和附图以及诸如特定部件等的特定项目描述了本发明，但是这里提出的实施例仅仅是为了帮助对本发明的整体理解而提供的，并不旨在限制本发明的范围。另外，从上述描述中，对于本发明所属领域的普通技术人员来说，可以进行各种改变和修改是显而易见的。
例如，虽然在本发明的实施例中，已经描述了对颈动脉的超声图像执行自动诊断，但是可以相对于甲状腺、股静脉、中静脉和乳房的超声图像自动诊断甲状腺、股静脉、中静脉和乳房部位的异常症状而无需任何修改，当然，可以针对每个诊断部位自动诊断异常症状，但是，可以构建这样的系统，在该系统中，可以在一个系统中预先学习甲状腺、股静脉、中静脉和乳房部位的异常症状，以即使当输入甲状腺、股静脉、中静脉和乳房中的任何一个的超声图像时也自动诊断诊断部位的异常症状。因此，本发明的精神不应该由所描述的实施例来限制和限定，并且可以说，下面将要描述的权利要求以及相对于权利要求等同地或等同地修改的所有事物都属于本发明的精神的类别。

Claims (11)

1.一种超声波诊断系统，其包括：
诊断部位搜索单元，其从输入图像中找到诊断部位，并且用于以与组织的颜色区分的颜色来表示和输出至少所述诊断部位；以及
自动诊断单元，其基于第一人工神经网络，相对于由所述诊断部位搜索单元找到的所述诊断部位的图像，诊断所述诊断部位是否异常，并且用于输出诊断结果。
2.根据权利要求1所述的超声波诊断系统，其中，所述诊断部位搜索单元包括第二人工神经网络，其被预训练为从所述输入图像中仅选择颈动脉、甲状腺、乳房、股静脉以及中静脉中的任一个的超声图像，并从所选择的超声图像中提取颈动脉部位、甲状腺部位、乳房部位、股静脉部位以及中静脉部位中的任一个部位。
3.根据权利要求2所述的超声波诊断系统，其中，所述第二人工神经网络被训练为在纵向方向和横向方向两者上选择和显示颈动脉超声图像。
4.根据权利要求2所述的超声波诊断系统，其中，当所述诊断结果异常时，所述自动诊断单元使用预训练的第三人工神经网络根据所述颈动脉部位、所述甲状腺部位、所述乳房部位、所述股静脉部位以及所述中静脉部位中的任一个部位的图像来诊断风险，并且用于输出诊断的风险作为所述诊断结果。
5.根据权利要求2所述的超声波诊断系统，其中，所述自动诊断单元在所述颈动脉部位、所述甲状腺部位、所述乳房部位、所述股静脉部位以及所述中静脉部位中的任一个部位的图像中标记病变区域，并且用于与所述诊断结果一起输出标记的病变区域。
6.根据权利要求1所述的超声波诊断系统，其中，当以颜色表示的所述诊断部位具有预设的表示形状时，所述诊断部位搜索单元用于输出用于超声波探头的停止命令，并且
以颜色表示的所述诊断部位是颈动脉部位、甲状腺部位、乳房部位、股静脉部位以及中静脉部位中的任一个。
7.根据权利要求1所述的超声波诊断系统，其中，所述诊断部位搜索单元包括第二人工神经网络，其被预训练为从所述输入图像中仅选择颈动脉、甲状腺、乳房、股静脉以及中静脉中的任一个的超声图像，并从所选择的超声图像中提取颈动脉部位、甲状腺部位、乳房部位、股静脉部位以及中静脉部位中的任一个部位，以用虚拟线标记任一个部位，并且
所述诊断部位搜索单元使用像素的亮度来校正所述虚拟线，并且用于以与组织的颜色区分的颜色来表示和输出所述颈动脉部位、所述甲状腺部位、所述乳房部位、所述股静脉部位以及所述中静脉部位中的任一个部位。
8.根据权利要求7所述的超声波诊断系统，其中，当所述诊断结果异常时，所述自动诊断单元使用预训练的第三人工神经网络根据所述颈动脉部位、所述甲状腺部位、所述乳房部位、所述股静脉部位以及所述中静脉部位中的任一个部位的图像来诊断风险，并且用于输出诊断的风险作为所述诊断结果。
9.根据权利要求1所述的超声波诊断系统，其中，当所述诊断结果异常时，所述自动诊断单元使用预训练的第三人工神经网络根据由所述诊断部位搜索单元找到的所述诊断部位的图像来诊断风险，并且用于输出所诊断的风险作为所述诊断结果。
10.根据权利要求9所述的超声波诊断系统，其中，所述诊断部位搜索单元包括：第二人工神经网络，其被预训练为从所述输入图像中仅选择颈动脉、甲状腺、乳房、股静脉以及中静脉中的任一个的超声图像，并且提取所述颈动脉部位、所述甲状腺部位、所述乳房部位、所述股静脉部位以及所述中静脉部位中的任一部分作为所述诊断部位。
11.根据权利要求10所述的超声波诊断系统，其中，所述自动诊断单元在所述颈动脉部位、所述甲状腺部位、所述乳房部位、所述股静脉部位以及所述中静脉部位中的任一个部位的图像中标记病变区域，并且用于与所述诊断结果一起输出标记的病变区域。
CN202111081759.3A 2020-09-15 2021-09-15 超声波诊断系统 Pending CN114176641A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0118622 2020-09-15
KR1020200118622A KR102250219B1 (ko) 2020-09-15 2020-09-15 초음파 진단 시스템

Publications (1)

Publication Number Publication Date
CN114176641A true CN114176641A (zh) 2022-03-15

Family

ID=75914706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111081759.3A Pending CN114176641A (zh) 2020-09-15 2021-09-15 超声波诊断系统

Country Status (4)

Country Link
US (1) US20230363741A1 (zh)
KR (2) KR102250219B1 (zh)
CN (1) CN114176641A (zh)
WO (1) WO2022059982A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102250219B1 (ko) * 2020-09-15 2021-05-11 주식회사 아이도트 초음파 진단 시스템
KR20230092306A (ko) * 2021-12-17 2023-06-26 주식회사 빔웍스 의료 영상을 분석하기 위한 방법
KR20230153166A (ko) * 2022-04-28 2023-11-06 가톨릭대학교 산학협력단 초음파 이미지 분석 장치 및 방법

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02154144A (ja) * 1988-12-07 1990-06-13 Tokyo Electric Power Co Inc:The 超音波探傷画像処理装置
JP2008307087A (ja) * 2007-06-12 2008-12-25 Toshiba Corp 超音波診断装置
JP2009225905A (ja) * 2008-03-21 2009-10-08 Gifu Univ 超音波診断支援システム
CN101991434A (zh) * 2009-08-19 2011-03-30 株式会社东芝 超声波图像诊断装置以及超声波图像生成方法
US20120116227A1 (en) * 2009-07-16 2012-05-10 Unex Corporation Ultrasonic blood vessel inspecting apparatus
JP2017093813A (ja) * 2015-11-25 2017-06-01 コニカミノルタ株式会社 超音波画像診断装置
KR20190083185A (ko) * 2018-01-03 2019-07-11 주식회사 메디웨일 Ivus 영상 분석방법
CN110297436A (zh) * 2019-07-15 2019-10-01 无锡海斯凯尔医学技术有限公司 检测模式控制电路

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9589374B1 (en) * 2016-08-01 2017-03-07 12 Sigma Technologies Computer-aided diagnosis system for medical images using deep convolutional neural networks
KR101880678B1 (ko) * 2016-10-12 2018-07-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR20190060606A (ko) * 2017-11-24 2019-06-03 삼성전자주식회사 의료 영상 진단 장치 및 방법
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
KR102009840B1 (ko) 2018-03-19 2019-08-12 한림대학교 산학협력단 인공신경망(ann)을 이용하여 지속적 혈류역학적 이상(phd)를 예측하는 방법 및 장치
KR102205612B1 (ko) * 2018-04-13 2021-01-21 주식회사 셀바스에이아이 암 영역의 예측 방법 및 이를 이용한 암 영역의 예측 디바이스
KR101974786B1 (ko) * 2018-08-17 2019-05-31 (주)제이엘케이인스펙션 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템
KR102250219B1 (ko) * 2020-09-15 2021-05-11 주식회사 아이도트 초음파 진단 시스템

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02154144A (ja) * 1988-12-07 1990-06-13 Tokyo Electric Power Co Inc:The 超音波探傷画像処理装置
JP2008307087A (ja) * 2007-06-12 2008-12-25 Toshiba Corp 超音波診断装置
JP2009225905A (ja) * 2008-03-21 2009-10-08 Gifu Univ 超音波診断支援システム
US20120116227A1 (en) * 2009-07-16 2012-05-10 Unex Corporation Ultrasonic blood vessel inspecting apparatus
CN101991434A (zh) * 2009-08-19 2011-03-30 株式会社东芝 超声波图像诊断装置以及超声波图像生成方法
JP2017093813A (ja) * 2015-11-25 2017-06-01 コニカミノルタ株式会社 超音波画像診断装置
KR20190083185A (ko) * 2018-01-03 2019-07-11 주식회사 메디웨일 Ivus 영상 분석방법
CN110297436A (zh) * 2019-07-15 2019-10-01 无锡海斯凯尔医学技术有限公司 检测模式控制电路

Also Published As

Publication number Publication date
KR102250219B9 (ko) 2022-07-06
WO2022059982A1 (ko) 2022-03-24
US20230363741A1 (en) 2023-11-16
KR102250219B1 (ko) 2021-05-11
KR20220036321A (ko) 2022-03-22

Similar Documents

Publication Publication Date Title
US20230363741A1 (en) Ultrasound diagnostic system
US11633169B2 (en) Apparatus for AI-based automatic ultrasound diagnosis of liver steatosis and remote medical diagnosis method using the same
Akbar et al. Decision support system for detection of papilledema through fundus retinal images
CN114424290B (zh) 用于提供冠状动脉钙负荷的纵向显示的装置和方法
US20210304363A1 (en) Image processing apparatus, image processing method and computer-readable medium
US20140254900A1 (en) Multimodal segmentation in intravascular images
US11922601B2 (en) Medical image processing apparatus, medical image processing method and computer-readable medium
CN111161216A (zh) 基于深度学习的血管内超声图像处理方法、装置、设备和存储介质
US20110040181A1 (en) Image processing device, image processing program, recording medium, and ultrasonic diagnostic equipment
JPWO2020027228A1 (ja) 診断支援システム及び診断支援方法
CN112971844A (zh) 一种超声图像的采集质量的评估方法及超声成像设备
US20230143229A1 (en) Method for diagnostic ultrasound of carotid artery
CN115153634A (zh) 一种智能超声检查诊断方法及系统
WO2022071264A1 (ja) プログラム、モデル生成方法、情報処理装置及び情報処理方法
KR20210096737A (ko) 안저 영상판독 지원방법, 안저 영상판독 지원장치 및 이를 포함하는 안저 영상판독 지원 시스템
US20210153738A1 (en) Noninvasive techniques for identifying choroidal neovascularization in retinal scans
CN113710166A (zh) 一种颈动脉超声诊断系统
WO2022071265A1 (ja) プログラム、情報処理装置及び情報処理方法
WO2021193015A1 (ja) プログラム、情報処理方法、情報処理装置及びモデル生成方法
KR102360615B1 (ko) 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법
CN117413318A (zh) 用以处理用于诊断或介入用途的电子医学图像的系统和方法
US20050141758A1 (en) Method, apparatus, and program for discriminating calcification patterns
EP4327750A1 (en) Guided ultrasound imaging for point-of-care staging of medical conditions
Filho et al. Automated calcification detection and quantification in intravascular ultrasound images by adaptive thresholding
EP2738703A2 (en) Data visualization method and apparatus utilizing receiver operating characteristic analysis

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