CN114399493A - 超声颅脑异常区域自动检测及显示方法 - Google Patents
超声颅脑异常区域自动检测及显示方法 Download PDFInfo
- Publication number
- CN114399493A CN114399493A CN202210042593.2A CN202210042593A CN114399493A CN 114399493 A CN114399493 A CN 114399493A CN 202210042593 A CN202210042593 A CN 202210042593A CN 114399493 A CN114399493 A CN 114399493A
- Authority
- CN
- China
- Prior art keywords
- skull
- image
- curved surface
- surface model
- ultrasonic
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 14
- 210000004556 brain Anatomy 0.000 title description 4
- 210000003625 skull Anatomy 0.000 claims abstract description 84
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 210000001519 tissue Anatomy 0.000 claims description 17
- 238000002604 ultrasonography Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 208000032843 Hemorrhage Diseases 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000000740 bleeding effect Effects 0.000 description 2
- 238000009560 cranial ultrasound Methods 0.000 description 2
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
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
- 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
- G06T7/10—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
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- 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
- G06T7/68—Analysis of geometric attributes of symmetry
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
-
- 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
-
- 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
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Surgical Instruments (AREA)
Abstract
本发明涉及超声检测领域，尤其涉及一种超声颅脑异常区域自动检测及显示方法。采用如下技术方案：先构建头盖骨曲面模型，然后对2D超声图像进行边缘检测得到头盖骨边缘曲线，利用边缘曲线与头盖骨曲面模型进行拟合确定2D超声图像的位置以判断该2D图像是否具备对称特性，最后利用2D图像的对称特性对互相对称的两个区域进行相似度比对计算，以此确定是否存在异常区域及其位置。优点在于：先建立头盖骨曲面模型，并对2D超声图像检测头盖骨边界曲线，利用头盖骨边界曲线与头盖骨曲面模型进行拟合以确定2D图像的具体位置以选取具备对称特性的2D图像，利用2D图像的对称性进行异常区域的检测并分割显示出来，从而有效提高异常区域检测的准确率。
Description
技术领域
本发明涉及超声检测领域，尤其涉及一种超声颅脑异常区域自动检测及显示方法。
背景技术
超声颅脑扫查是一箱常规临床实践，尤其在新生儿临床监护中被广泛应用。超声颅脑扫查主要用于脑室内出血、脑周出血梗塞、出血后脑室扩张、出血后液性脑周白质软化/麻痹等症状的诊断。传统诊断中，超声医生依靠知识和经验来识别图像的异常情况；随着计算机技术的不断发展，利用计算机对图像进行自动分析和诊断可以为医生的诊断减轻负担并提高效率。然而，传统处理和流行的机器学习方法不能有效应用于颅脑超声图像分析和诊断的原因在于颅脑超声图像本身的复杂性。这个复杂性表现在颅脑图像的灰阶值在出现异常时有不确定性，即新出血点的灰阶为高灰阶值，其范围接近或高于正常组织的灰阶。成旧的出血点的灰阶为低灰阶值，其范围低于正常组织的灰阶。
发明内容
本发明的目的在于提供一种超声颅脑异常区域自动检测及显示方法，具体在于提供一种可提高诊断准确率的超声颅脑异常区域自动检测显示方法。
为达到上述目的，本发明采用如下技术方案：一种超声颅脑异常区域自动检测及显示方法，包括如下步骤：
S01、先构建头盖骨曲面模型，根据对颅脑进行超声扫查得到的超声图像构建头盖骨曲面模型。
S02、将对颅脑进行超声扫查得到的2D超声图像进行头盖骨边缘检测，得到该2D图像的头盖骨边缘曲线。
S03、将步骤S02得到的2D图像的头盖骨边缘曲线与步骤S01得到的头盖骨曲面模型进行适配以确定该2D图像在头盖骨曲面模型上的位置。
S04、根据步骤S03得到的2D图像在头盖骨曲面模型上的位置判断该2D图像是否相对于头盖骨曲面模型的正中矢状面或正中冠状面呈对称特性。
S05、将步骤S04中相对于头盖骨曲面模型的正中矢状面或正中冠状面呈对称特性的2D图像进行标记，并根据分析需求从其中选取2D图像进行分析。
S06、对2D图像进行分析时，先将该2D图像分成互相对称的两个区域，分别对两个区域的图像做直方图统计或求灰度共生矩阵得到统计数据，接着对两个区域的统计数据做归一化处理提取特征数据，然后对两个区域的特征数据进行相似度比对计算。
S07、根据计算得到的相似度判断两个区域是否存在差异，若存在差异，则提取差异处对应的灰阶值，并以该灰阶值作为引导，将异常区域进行分割标记并显示出来。
具体的，步骤S02中对2D图像进行边缘检测时，利用灰阶或灰阶加灰阶梯度值检测头骨与颅脑内组织的边界，并对该边界进行滤波拟合后得到头盖骨边缘曲线。
具体的，步骤S01中构建头盖骨曲面模型时，对颅脑进行3D超声图像扫查，并利用灰阶或灰阶加灰阶梯度值的方式对得到的3D超声图像进行头盖骨与颅脑内组织的边界检测，并对边界进行滤波拟合得到头盖骨曲面模型。
在另一种方案中，步骤S01中构建头盖骨曲面模型时，对颅脑进行2D超声图像扫查，对采集得到的2D超声图像利用灰阶或灰阶加灰阶梯度值的方式检测头盖骨与颅脑内部组织的边界，并利用多帧2D超声图像检测得到的头盖骨与颅脑内部组织的边界进行滤波拟合构建完整的头盖骨曲面模型。
本发明的优点在于：通过建立头盖骨曲面模型，并对2D超声图像检测头盖骨边界曲线，利用头盖骨边界曲线与头盖骨曲面模型进行拟合以确定2D超声图像的具体位置以选取具备对称特性的2D超声图像，利用2D超声图像的对称性进行异常区域的检测并分割显示出来，从而有效提高异常区域识别检测的准确率。
附图说明
附图1为实施例1或2中2D图像的头盖骨边缘曲线与头盖骨曲面模型的拟合示意图。
具体实施方式
实施例1，一种超声颅脑异常区域自动检测及显示方法，包括如下步骤：
S01、先构建头盖骨曲面模型，根据对颅脑进行超声扫查得到的超声图像构建头盖骨曲面模型。
S02、将对颅脑进行超声扫查得到的2D超声图像进行头盖骨边缘检测，得到该2D图像的头盖骨边缘曲线。
S03、将步骤S02得到的2D图像的头盖骨边缘曲线与步骤S01得到的头盖骨曲面模型进行适配以确定该2D图像在头盖骨曲面模型上的位置。
S04、根据步骤S03得到的2D图像在头盖骨曲面模型上的位置判断该2D图像是否相对于头盖骨曲面模型的正中矢状面或正中冠状面呈对称特性。
S05、将步骤S04中相对于头盖骨曲面模型的正中矢状面或正中冠状面呈对称特性的2D图像进行标记，并根据分析需求从其中选取2D图像进行分析。
S06、对2D图像进行分析时，先将该2D图像分成互相对称的两个区域，分别对两个区域的图像做直方图统计或求灰度共生矩阵得到统计数据，接着对两个区域的统计数据做归一化处理提取特征数据，然后对两个区域的特征数据进行相似度比对计算。
S07、根据计算得到的相似度判断两个区域是否存在差异，若存在差异，则提取差异处对应的灰阶值，并以该灰阶值作为引导，将异常区域进行分割标记并显示出来。
其中，步骤S02中对2D图像进行边缘检测时，利用灰阶或灰阶加灰阶梯度值检测头骨与颅脑内组织的边界，并对该边界进行滤波拟合后得到头盖骨边缘曲线；由于超声颅脑图像的头骨有很强的发射，在图像中呈现高灰阶值，检测后形成的图像其边缘容易检测，利用灰阶或者灰阶加灰阶梯度值一起可以检测到头骨与颅脑内组织的边界。
其中，步骤S01中构建头盖骨曲面模型时，对颅脑进行3D超声图像扫查，并利用灰阶或灰阶加灰阶梯度值的方式对得到的3D超声图像进行头盖骨与颅脑内组织的边界检测，并对边界进行滤波拟合得到头盖骨曲面模型。
实施例2，一种超声颅脑异常区域自动检测及显示方法，包括如下步骤：
S01、先构建头盖骨曲面模型，根据对颅脑进行超声扫查得到的超声图像构建头盖骨曲面模型。
S02、将对颅脑进行超声扫查得到的2D超声图像进行头盖骨边缘检测，得到该2D图像的头盖骨边缘曲线。
S03、将步骤S02得到的2D图像的头盖骨边缘曲线与步骤S01得到的头盖骨曲面模型进行适配以确定该2D图像在头盖骨曲面模型上的位置。
S04、根据步骤S03得到的2D图像在头盖骨曲面模型上的位置判断该2D图像是否相对于头盖骨曲面模型的正中矢状面或正中冠状面呈对称特性。
S05、将步骤S04中相对于头盖骨曲面模型的正中矢状面或正中冠状面呈对称特性的2D图像进行标记，并根据分析需求从其中选取2D图像进行分析。
S06、对2D图像进行分析时，先将该2D图像分成互相对称的两个区域，分别对两个区域的图像做直方图统计或求灰度共生矩阵得到统计数据，接着对两个区域的统计数据做归一化处理提取特征数据，然后对两个区域的特征数据进行相似度比对计算。
S07、根据计算得到的相似度判断两个区域是否存在差异，若存在差异，则提取差异处对应的灰阶值，并以该灰阶值作为引导，将异常区域进行分割标记并显示出来。
其中，步骤S02中对2D图像进行边缘检测时，利用灰阶或灰阶加灰阶梯度值检测头骨与颅脑内组织的边界，并对该边界进行滤波拟合后得到头盖骨边缘曲线；由于超声颅脑图像的头骨有很强的发射，在图像中呈现高灰阶值，检测后形成的图像其边缘容易检测，利用灰阶或者灰阶加灰阶梯度值一起可以检测到头骨与颅脑内组织的边界。
其中，步骤S01中构建头盖骨曲面模型时，对颅脑进行2D超声图像扫查，对采集得到的2D超声图像利用灰阶或灰阶加灰阶梯度值的方式检测头盖骨与颅脑内部组织的边界，并利用多帧2D超声图像检测得到的头盖骨与颅脑内部组织的边界进行滤波拟合构建完整的头盖骨曲面模型。
当然，以上仅为本发明较佳实施方式，并非以此限定本发明的使用范围，故，凡是在本发明原理上做等效改变均应包含在本发明的保护范围内。
Claims (4)
1.一种超声颅脑异常区域自动检测及显示方法，其特征在于，包括如下步骤：
S01、先构建头盖骨曲面模型，根据对颅脑进行超声扫查得到的超声图像构建头盖骨曲面模型；
S02、将对颅脑进行超声扫查得到的2D超声图像进行头盖骨边缘检测，得到该2D图像的头盖骨边缘曲线；
S03、将步骤S02得到的2D图像的头盖骨边缘曲线与步骤S01得到的头盖骨曲面模型进行适配以确定该2D图像在头盖骨曲面模型上的位置；
S04、根据步骤S03得到的2D图像在头盖骨曲面模型上的位置判断该2D图像是否相对于头盖骨曲面模型的正中矢状面或正中冠状面呈对称特性；
S05、将步骤S04中相对于头盖骨曲面模型的正中矢状面或正中冠状面呈对称特性的2D图像进行标记，并根据分析需求从其中选取2D图像进行分析；
S06、对2D图像进行分析时，先将该2D图像分成互相对称的两个区域，分别对两个区域的图像做直方图统计或求灰度共生矩阵得到统计数据，接着对两个区域的统计数据做归一化处理提取特征数据，然后对两个区域的特征数据进行相似度比对计算；
S07、根据计算得到的相似度判断两个区域是否存在差异，若存在差异，则提取差异处对应的灰阶值，并以该灰阶值作为引导，将异常区域进行分割标记并显示出来。
2.根据权利要求1所述的一种超声颅脑异常区域自动检测及显示方法，其特征在于：步骤S02中对2D图像进行边缘检测时，利用灰阶或灰阶加灰阶梯度值检测头骨与颅脑内组织的边界，并对该边界进行滤波拟合后得到头盖骨边缘曲线。
3.根据权利要求1或2所述的一种超声颅脑异常区域自动检测及显示方法，其特征在于：所述步骤S01中构建头盖骨曲面模型时，对颅脑进行3D超声图像扫查，并利用灰阶或灰阶加灰阶梯度值的方式对得到的3D超声图像进行头盖骨与颅脑内组织的边界检测，并对边界进行滤波拟合得到头盖骨曲面模型。
4.根据权利要求1或2所述的一种超声颅脑异常区域自动检测及显示方法，其特征在于：所述步骤S01中构建头盖骨曲面模型时，对颅脑进行2D超声图像扫查，对采集得到的2D超声图像利用灰阶或灰阶加灰阶梯度值的方式检测头盖骨与颅脑内部组织的边界，并利用多帧2D超声图像检测得到的头盖骨与颅脑内部组织的边界进行滤波拟合构建完整的头盖骨曲面模型。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210042593.2A CN114399493A (zh) | 2022-01-14 | 2022-01-14 | 超声颅脑异常区域自动检测及显示方法 |
| PCT/CN2022/073430 WO2023133935A1 (zh) | 2022-01-14 | 2022-01-24 | 超声颅脑异常区域自动检测及显示方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210042593.2A CN114399493A (zh) | 2022-01-14 | 2022-01-14 | 超声颅脑异常区域自动检测及显示方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114399493A true CN114399493A (zh) | 2022-04-26 |
Family
ID=81231583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210042593.2A Pending CN114399493A (zh) | 2022-01-14 | 2022-01-14 | 超声颅脑异常区域自动检测及显示方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114399493A (zh) |
| WO (1) | WO2023133935A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115861600A (zh) * | 2022-12-20 | 2023-03-28 | 西北民族大学 | 一种spect图像的roi区域识别方法及系统 |
| CN117912665A (zh) * | 2024-03-18 | 2024-04-19 | 大连经典牙科科技有限公司 | 一种基于口腔扫描数据的远程管理系统 |
| CN117912665B (zh) * | 2024-03-18 | 2024-06-07 | 大连经典牙科科技有限公司 | 一种基于口腔扫描数据的远程管理系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006325638A (ja) * | 2005-05-23 | 2006-12-07 | Konica Minolta Medical & Graphic Inc | 異常陰影候補の検出方法及び医用画像処理システム |
| CN101527047A (zh) * | 2008-03-05 | 2009-09-09 | 深圳迈瑞生物医疗电子股份有限公司 | 使用超声图像检测组织边界的方法与装置 |
| WO2013025613A1 (en) * | 2011-08-12 | 2013-02-21 | Jointvue, Llc | 3-d ultrasound imaging device and methods |
| CN110613483A (zh) * | 2019-09-09 | 2019-12-27 | 李胜利 | 一种基于机器学习检测胎儿颅脑异常的方法和系统 |
| WO2020087532A1 (zh) * | 2018-11-02 | 2020-05-07 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像方法及系统、存储介质、处理器和计算机设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408398B (zh) * | 2014-10-21 | 2019-02-22 | 无锡海斯凯尔医学技术有限公司 | 一种肝脏边界的识别方法及系统 |
| WO2016176863A1 (zh) * | 2015-05-07 | 2016-11-10 | 深圳迈瑞生物医疗电子股份有限公司 | 三维超声成像方法和装置 |
| CN111340780B (zh) * | 2020-02-26 | 2023-04-07 | 汕头市超声仪器研究所股份有限公司 | 一种基于三维超声图像的病灶检测方法 |
| CN113100827B (zh) * | 2021-04-10 | 2022-08-09 | 汕头市超声仪器研究所股份有限公司 | 一种超声骨龄检测方法 |
-
2022
- 2022-01-14 CN CN202210042593.2A patent/CN114399493A/zh active Pending
- 2022-01-24 WO PCT/CN2022/073430 patent/WO2023133935A1/zh unknown
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006325638A (ja) * | 2005-05-23 | 2006-12-07 | Konica Minolta Medical & Graphic Inc | 異常陰影候補の検出方法及び医用画像処理システム |
| CN101527047A (zh) * | 2008-03-05 | 2009-09-09 | 深圳迈瑞生物医疗电子股份有限公司 | 使用超声图像检测组织边界的方法与装置 |
| WO2013025613A1 (en) * | 2011-08-12 | 2013-02-21 | Jointvue, Llc | 3-d ultrasound imaging device and methods |
| WO2020087532A1 (zh) * | 2018-11-02 | 2020-05-07 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像方法及系统、存储介质、处理器和计算机设备 |
| CN110613483A (zh) * | 2019-09-09 | 2019-12-27 | 李胜利 | 一种基于机器学习检测胎儿颅脑异常的方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 曹飞;刘广健;林倞;曹擎星;王伟;王竹;吕明德;文艳玲;: "交互式分割软件在肝局灶性病变超声图像分割中的初步临床应用", 中山大学学报(医学科学版), no. 01, 15 January 2016 (2016-01-15) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115861600A (zh) * | 2022-12-20 | 2023-03-28 | 西北民族大学 | 一种spect图像的roi区域识别方法及系统 |
| CN115861600B (zh) * | 2022-12-20 | 2023-09-05 | 西北民族大学 | 一种spect图像的roi区域识别方法及系统 |
| CN117912665A (zh) * | 2024-03-18 | 2024-04-19 | 大连经典牙科科技有限公司 | 一种基于口腔扫描数据的远程管理系统 |
| CN117912665B (zh) * | 2024-03-18 | 2024-06-07 | 大连经典牙科科技有限公司 | 一种基于口腔扫描数据的远程管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023133935A1 (zh) | 2023-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Automatic fetal head circumference measurement in ultrasound using random forest and fast ellipse fitting | |
| Jitpakdee et al. | A survey on hemorrhage detection in diabetic retinopathy retinal images | |
| JP2020506012A (ja) | 脳卒中の診断及び予後予測方法並びにシステム | |
| CN111028206A (zh) | 一种基于深度学习前列腺癌自动检测和分类系统 | |
| Rajinikanth et al. | Fetal head periphery extraction from ultrasound image using Jaya algorithm and Chan-Vese segmentation | |
| Lu et al. | An automatic ear base temperature extraction method for top view piglet thermal image | |
| Ni Ni et al. | Anterior Chamber Angle Shape Analysis and Classification of Glaucoma in SS‐OCT Images | |
| 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 | |
| CN109191422B (zh) | 基于常规ct图像的缺血性脑卒中早期检测系统和方法 | |
| CN112927187A (zh) | —种自动识别定位局灶性皮质发育不良癫痫病灶的方法 | |
| KR20130090740A (ko) | 영상 처리 장치 및 방법 | |
| CN103455821B (zh) | 基于bi-rads的图像分析装置和方法 | |
| Hatanaka et al. | Improvement of automatic hemorrhage detection methods using brightness correction on fundus images | |
| Hatanaka et al. | Improvement of automated detection method of hemorrhages in fundus images | |
| CN114399493A (zh) | 超声颅脑异常区域自动检测及显示方法 | |
| Xing et al. | Automatic detection of A‐line in lung ultrasound images using deep learning and image processing | |
| CN109948622A (zh) | 一种头颈体动脉瘤检测方法、装置及计算机可读存储介质 | |
| CN113380401A (zh) | 基于超声图像的乳腺肿瘤良恶性分类方法、装置和介质 | |
| Wei et al. | Multi-feature fusion for ultrasound breast image classification of benign and malignant | |
| Panigrahi et al. | An enhancement in automatic seed selection in breast cancer ultrasound images using texture features | |
| Somasundaram et al. | Fetal head localization and fetal brain segmentation from MRI using the center of gravity | |
| WO2023133929A1 (zh) | 一种基于超声的人体组织对称性检测分析方法 | |
| Cao et al. | Liver fibrosis identification based on ultrasound images | |
| US20230225700A1 (en) | Cranial ultrasonic standard plane imaging and automatic detection and display method for abnormal regions | |
| Song et al. | Fully Automatic Ultrasound Fetal Heart Image Detection and Segmentation based on Texture 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 |