CN114418984A - 一种基于超声的人体组织对称性检测分析方法 - Google Patents
一种基于超声的人体组织对称性检测分析方法 Download PDFInfo
- Publication number
- CN114418984A CN114418984A CN202210043855.7A CN202210043855A CN114418984A CN 114418984 A CN114418984 A CN 114418984A CN 202210043855 A CN202210043855 A CN 202210043855A CN 114418984 A CN114418984 A CN 114418984A
- Authority
- CN
- China
- Prior art keywords
- human tissue
- partitions
- ultrasound
- boundary
- feature data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 16
- 238000005192 partition Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000000638 solvent extraction Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims abstract description 6
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 230000003862 health status Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 230000005856 abnormality Effects 0.000 abstract description 3
- 210000001519 tissue Anatomy 0.000 description 48
- 210000003734 kidney Anatomy 0.000 description 10
- 210000001685 thyroid gland Anatomy 0.000 description 9
- 210000004556 brain Anatomy 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 210000003625 skull Anatomy 0.000 description 3
- 210000003437 trachea Anatomy 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 241000050051 Chelone glabra Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
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
- G06T7/60—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
- G06T2207/30016—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)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及超声检测分析技术领域，具体公开了一种基于超声的人体组织对称性检测分析方法，包括如下步骤：检测；成像；边界检测，对超声图像的灰阶进行分析，获取人体组织的对应边界；分区，结合人体组织分区方法进行分区，至少分成两个分区；分区数据处理，形成对应的特征数据；比对，对分区的特征数据进行比对，确认特征数据是否存在差异；标记，将存在异常的灰阶值在超声图像中对应的位置进行标示并显示。有益效果在于：利用计算机自动分析人体组织图像的对称性来达到组织异常自动识别的目的，通过将人体组织分区，并且对分区进行比对，从而达到快速对人体组织中存在的病灶部位进行快速标定，提供给医生更快的识别途径以方便医生进行诊断。
Description
技术领域
本发明属于超声检测分析技术领域，具体涉及一种基于超声的人体组织对称性检测分析方法。
背景技术
多年来医学图像的自动分析和诊断有广泛和深入的研究，除了传统的图像处理技术，目前流行的有机器学习方法。前者利用图像中各种器官的灰度差别可以有效地区分边界，在病灶的灰阶与背景的灰阶足够大时，病灶亦可以被分拣出来，以实现自动检查的目的。后者利用大量的经过影像专家分析和标定的数据对神经网络进行训练。训练过的神经网络模型可以有效地重复影像专家分析的结果，达到自动检查的目的。
传统的图像处理技术可以有效地分割不同特性的区域，但是当组织的变化微小时或者组织的结构复杂时，其效果不好。机器学习方法需要大量的数据来做训练，而且当组织特征存在不确定性时，其结果变差。同时，人体组织的对称性不一定是空间几何一一对应的对称，譬如左右脑的回路不是对应中分线对折的对应关系，所以常规的几何变化方法不能满足要求。
发明内容
本发明的目的在于提供一种利用对称性来判断组织异常，以适应这类图像的分析和诊断的基于超声的人体组织对称性检测分析方法。
为达到上述目的，本发明采用如下技术方案：一种基于超声的人体组织对称性检测分析方法，包括如下步骤：
S01、检测，对人体组织进行超声检测，获取对应人体组织的超声信息。
S02、成像，将超声信息转化成超声图像。
S03、边界检测，对超声图像的灰阶进行分析，获取人体组织的对应边界。
S04、分区，依据检测到的边界，结合人体组织分区方法进行分区，至少分成两个分区。
S05、分区数据处理，对分成的分区分别进行特征提取，形成对应的特征数据。
S06、比对，对分区的特征数据进行比对，确认特征数据是否存在差异，计算出差异处对应的灰阶值。
S07、标记，将存在异常的灰阶值在超声图像中对应的位置进行标示并显示。
具体的，步骤S06中，分区的比对包括互相对称的分区与分区之间特征数据的比对和/或分区与参考特征数据的比对，其中，参考特征数据为对应人体组织预存的健康状态特征数据。
具体的，步骤S03中，边界的检测采用传统的图像边缘检测方法或机器学习方法进行检测。
具体的，步骤S04中，人体组织的分区是基于人体组织和检测到的边界几何，通过人体组织特性进行分区。
具体的，步骤S05中的特征提取方式为针对分区数据做编码组合从而形成对应的特征数据，其中编码方法采用像素点直接排序或区域像素点的值矢量化。
具体的，步骤S05中的特征提取方式采用直方图统计或灰阶共生矩阵，并在进行归一化后形成对应的特征数据。
本发明的有益效果在于：利用计算机自动分析人体组织图像的对称性来达到组织异常自动识别的目的，通过将人体组织分区，并且对分区进行比对，从而达到快速对人体组织中可能存在的病灶部位进行快速标定，提供给医生更快的识别途径以方便医生进行诊断。
具体实施方式
实施例1，本实施例公开一种基于超声的人体组织对称性检测分析方法，以颅脑为例，包括如下步骤：
S01、检测，对人体组织进行超声检测，获取对应人体组织的超声信息；在本实施例中即对颅脑进行超声检测，并通过回波获取对应的超声信息。
S02、成像，将超声信息转化成超声图像；2D扫查会直接形成一副单一的图像，而3D扫查会直接生成多副切片的图像，在归一化化处理成曲面形成颅脑模型。
S03、边界检测，对超声图像的灰阶进行分析，获取人体组织的对应边界；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，超声扫查时，探头处于图中的坐标原点的位置透过声学窗口向颅脑发射声波和检测回波。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，此边界在经过滤波和拟合之后得到以个头盖骨的曲面，从而推算超声扫描面在颅脑模型的空间位置。具体的，该步骤中，边界的检测采用传统的图像边缘检测方法或机器学习方法进行检测。本实施例中采用的为传统图像边缘检测方法。
S04、分区，依据检测到的边界，结合人体组织分区方法进行分区，至少分成两个分区；具体的，该步骤中，人体组织的分区是基于人体组织和检测到的边界几何，通过人体组织特性进行分区。从三维头盖骨模型可以得到头盖骨正中矢状面和正中冠状面的的位置，正中矢状面和正中冠状面的结合处为扫查原点。模型相对于正中矢状面或者正中额叶面都使得图像的左右部分呈现对称的特性。当拟合后的扫查面相对于正中矢状面或正中冠状面对称时，该图像被标定为可以用于对称性计算的图像，此时，将该图像进行分区，优选分为左右两个分区，本实施例中，左右分区分别对应左脑和右脑，从矢状面的中分面进行划分。
S05、分区数据处理，对分成的分区分别进行特征提取，形成对应的特征数据；即分别对左右分区进行特征提取，具体的，该步骤中的特征提取方式采用直方图统计或灰阶共生矩阵，并在进行归一化后形成对应的特征数据。
S06、比对，对分区的特征数据进行比对，确认特征数据是否存在差异，计算出差异处对应的灰阶值；该步骤中，分区的比对包括互相对称的分区与分区之间特征数据的比对和/或分区与参考特征数据的比对，其中，参考特征数据为对应人体组织预存的健康状态特征数据。本实施例采用分区与分区之间特征数据的比对，通过左右分区的比对，能够初步判断图像上是否存在异常的灰阶值。
S07、标记，将存在异常的灰阶值在超声图像中对应的位置进行标示并显示。此时，标记出来的位置为疑似病灶位置，方便医生进行诊断，以节省医生的诊断时间以及提高诊断的针对性。
实施例2，本实施例公开一种基于超声的人体组织对称性检测分析方法，以肾脏为例，包括如下步骤：
S01、检测，对人体组织进行超声检测，获取对应人体组织的超声信息；在本实施例中即对肾脏进行超声检测，并通过回波获取对应的超声信息。
S02、成像，将超声信息转化成超声图像；2D扫查会直接形成一副单一的图像，而3D扫查会直接生成多副切片的图像，在归一化化处理成曲面形成肾脏模型。
S03、边界检测，对超声图像的灰阶进行分析，获取人体组织的对应边界；扫查时为两个肾脏均进行扫查。超声扫查时扫查到脊椎具有有很强的发射，在图像中呈现高灰阶值，检测后形成的图像其脊椎容易检测，利用灰阶或者灰阶加灰阶梯度值一起可以检测到脊椎与肾脏的边界。具体的，该步骤中，边界的检测采用传统的图像边缘检测方法或机器学习方法进行检测。本实施例中采用的为传统图像边缘检测方法。
S04、分区，依据检测到的边界，结合人体组织分区方法进行分区，至少分成两个分区；具体的，该步骤中，人体组织的分区是基于人体组织和检测到的边界几何，通过人体组织特性进行分区。人体肾脏直接分布在脊椎两侧，因此，对于肾脏的分区，直接通过识别脊椎的位置作为边界，将左右肾脏分别为左右两区，即可完成分区。
S05、分区数据处理，对分成的分区分别进行特征提取，形成对应的特征数据；即分别对左右分区进行特征提取，具体的，该步骤中的特征提取方式采用直方图统计或灰阶共生矩阵，并在进行归一化后形成对应的特征数据。
S06、比对，对分区的特征数据进行比对，确认特征数据是否存在差异，计算出差异处对应的灰阶值；具体的，该步骤中，分区的比对包括互相对称的分区与分区之间特征数据的比对和/或分区与参考特征数据的比对，其中，参考特征数据为对应人体组织预存的健康状态特征数据。本实施例采用分区与参考特征数据之间特征数据的比对，通过左右分区分别与参考特征数据的比对，能够初步判断图像上是否存在异常的灰阶值。由于肾脏一般左右相对比较对称，并且，能够通过预设的健康模板进行比对，因此，采用与参考特征数据进行比对的方式进行比对。
S07、标记，将存在异常的灰阶值在超声图像中对应的位置进行标示并显示。此时，标记出来的位置为疑似病灶位置，方便医生进行诊断，以节省医生的诊断时间以及提高诊断的针对性。
实施例3，本实施例公开一种基于超声的人体组织对称性检测分析方法，以甲状腺为例，包括如下步骤：
S01、检测，对人体组织进行超声检测，获取对应人体组织的超声信息；在本实施例中即对甲状腺进行超声检测，并通过回波获取对应的超声信息。
S02、成像，将超声信息转化成超声图像；2D扫查会直接形成一副单一的图像，而3D扫查会直接生成多副切片的图像，在归一化化处理成曲面形成甲状腺模型。
S03、边界检测，对超声图像的灰阶进行分析，获取人体组织的对应边界；扫查时为甲状腺整体进行扫查。超声扫查时扫查到气管具有较弱的发射，在图像中呈现规范的低灰阶值，检测后形成的图像其气管容易识别，利用灰阶或者灰阶加灰阶梯度值一起可以检测到气管与甲状腺的边界。具体的，该步骤中，边界的检测采用传统的图像边缘检测方法或机器学习方法进行检测。本实施例中采用的为机器学习方法进行检测。
S04、分区，依据检测到的边界，结合人体组织分区方法进行分区，至少分成两个分区；具体的，该步骤中，人体组织的分区是基于人体组织和检测到的边界几何，通过人体组织特性进行分区。人体甲状腺依托于气管可以分为甲状腺左侧叶和右侧叶，因此，对于甲状腺的分区，直接通过识别气管的位置作为边界，将左侧叶和右侧叶分别为左右两区，即可完成分区。
S05、分区数据处理，对分成的分区分别进行特征提取，形成对应的特征数据；即分别对左右分区进行特征提取，具体的，该步骤中的特征提取方式为针对分区数据做编码组合从而形成对应的特征数据，其中编码方法采用像素点直接排序或区域像素点的值矢量化。此方法将各个区的数据做编码组合后输入可训练的神经网络来计算相似度的值。编码方法可以是简单的像素点直接排序[X1, X2, …，XN]、或者将各区域像素点的值矢量化[[x(1,1),x(2, 1),..x(N, 1)], [x(1,2),x(2, 2),..x(N, 2)], …, [x(1,M),x(2, N),..x(N, M)]]等。大写代表全部区域数据，小写代表区域的一个数据， N表示总的区域个数，M表示区域像素总个数。
S06、比对，对分区的特征数据进行比对，确认特征数据是否存在差异，计算出差异处对应的灰阶值；具体的，该步骤中，分区的比对包括互相对称的分区与分区之间特征数据的比对和/或分区与参考特征数据的比对，其中，参考特征数据为对应人体组织预存的健康状态特征数据。本实施例同时采用分区与分区之间特征数据的比对以及分区与参考特征数据之间特征数据的比对，通过左右分区互相比对以及左右分区分别与参考特征数据的比对，能够更好的判断图像上是否存在异常的灰阶值。由于甲状腺的左侧叶和右侧叶一般左右相对比较对称，并且，能够通过预设的健康模板进行比对，因此，采用与参考特征数据进行比对的方式进行比对。
S07、标记，将存在异常的灰阶值在超声图像中对应的位置进行标示并显示。此时，标记出来的位置为疑似病灶位置，方便医生进行诊断，以节省医生的诊断时间以及提高诊断的针对性。
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 (6)
1.一种基于超声的人体组织对称性检测分析方法，其特征在于，包括如下步骤：
S01、检测，对人体组织进行超声检测，获取对应人体组织的超声信息；
S02、成像，将超声信息转化成超声图像；
S03、边界检测，对超声图像的灰阶进行分析，获取人体组织的对应边界；
S04、分区，依据检测到的边界，结合人体组织分区方法进行分区，至少分成两个分区；
S05、分区数据处理，对分成的分区分别进行特征提取，形成对应的特征数据；
S06、比对，对分区的特征数据进行比对，确认特征数据是否存在差异，计算出差异处对应的灰阶值；
S07、标记，将存在异常的灰阶值在超声图像中对应的位置进行标示并显示。
2.根据权利要求1所述基于超声的人体组织对称性检测分析方法，其特征在于：所述步骤S06中，分区的比对包括互相对称的分区与分区之间特征数据的比对和/或分区与参考特征数据的比对，其中，参考特征数据为对应人体组织预存的健康状态特征数据。
3.根据权利要求1所述基于超声的人体组织对称性检测分析方法，其特征在于：所述步骤S03中，边界的检测采用传统的图像边缘检测方法或机器学习方法进行检测。
4.根据权利要求1所述基于超声的人体组织对称性检测分析方法，其特征在于：所述步骤S04中，人体组织的分区是基于人体组织和检测到的边界几何，通过人体组织特性进行分区。
5.根据权利要求1-4任意一项所述基于超声的人体组织对称性检测分析方法，其特征在于，所述步骤S05中的特征提取方式为针对分区数据做编码组合从而形成对应的特征数据，其中编码方法采用像素点直接排序或区域像素点的值矢量化。
6.根据权利要求1-4任意一项所述基于超声的人体组织对称性检测分析方法，其特征在于：所述步骤S05中的特征提取方式采用直方图统计或灰阶共生矩阵，并在进行归一化后形成对应的特征数据。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210043855.7A CN114418984A (zh) | 2022-01-14 | 2022-01-14 | 一种基于超声的人体组织对称性检测分析方法 |
| PCT/CN2022/073355 WO2023133929A1 (zh) | 2022-01-14 | 2022-01-24 | 一种基于超声的人体组织对称性检测分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210043855.7A CN114418984A (zh) | 2022-01-14 | 2022-01-14 | 一种基于超声的人体组织对称性检测分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114418984A true CN114418984A (zh) | 2022-04-29 |
Family
ID=81272611
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210043855.7A Pending CN114418984A (zh) | 2022-01-14 | 2022-01-14 | 一种基于超声的人体组织对称性检测分析方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114418984A (zh) |
| WO (1) | WO2023133929A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117095067B (zh) * | 2023-10-17 | 2024-02-02 | 山东虹纬纺织有限公司 | 基于人工智能的纺织品色差检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767386A (zh) * | 2017-10-12 | 2018-03-06 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及装置 |
| CN109509186A (zh) * | 2018-11-09 | 2019-03-22 | 北京邮电大学 | 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 |
| CN110782434A (zh) * | 2019-10-17 | 2020-02-11 | 天津大学 | 一种脑结核mri图像病灶智能标记定位装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930552B (zh) * | 2012-11-22 | 2015-03-18 | 北京理工大学 | 基于对称结构减影的脑肿瘤自动提取方法 |
| CN104657979B (zh) * | 2014-12-24 | 2018-05-01 | 中国科学院深圳先进技术研究院 | 一种超声图像特征检测方法及系统 |
| WO2018002861A1 (en) * | 2016-06-29 | 2018-01-04 | Niramai Health Analytix Pvt. Ltd. | Thermography-based breast cancer screening using a measure of symmetry |
| CN105997128A (zh) * | 2016-08-03 | 2016-10-12 | 上海联影医疗科技有限公司 | 利用灌注成像识别病灶的方法及系统 |
| CN107693047A (zh) * | 2017-10-18 | 2018-02-16 | 飞依诺科技(苏州)有限公司 | 超声成像中基于对称组织的体标设置方法及系统 |
| CN109363676B (zh) * | 2018-10-09 | 2022-03-29 | 中国人民解放军第四军医大学 | 一种乳腺电阻抗扫描成像的双乳对称性检测方法 |
| CN111368586B (zh) * | 2018-12-25 | 2021-04-20 | 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 |
-
2022
- 2022-01-14 CN CN202210043855.7A patent/CN114418984A/zh active Pending
- 2022-01-24 WO PCT/CN2022/073355 patent/WO2023133929A1/zh unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767386A (zh) * | 2017-10-12 | 2018-03-06 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及装置 |
| CN109509186A (zh) * | 2018-11-09 | 2019-03-22 | 北京邮电大学 | 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 |
| CN110782434A (zh) * | 2019-10-17 | 2020-02-11 | 天津大学 | 一种脑结核mri图像病灶智能标记定位装置 |
Non-Patent Citations (1)
| Title |
|---|
| 王毓 等: "计算机体层摄影和磁共振成像在颅脑肿瘤 诊断中的应用对比分析", 《中国肿瘤临床与康复》, vol. 20, no. 10, 31 October 2013 (2013-10-31), pages 1089 - 1091 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023133929A1 (zh) | 2023-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110338844B (zh) | 三维成像数据的显示处理方法和三维超声成像方法及系统 | |
| EP3655917B1 (en) | Fetal ultrasound image processing | |
| EP2365356B1 (en) | Three-dimensional (3D) ultrasound system for scanning object inside human body and method for operating 3D ultrasound system | |
| Rahmatullah et al. | Quality control of fetal ultrasound images: Detection of abdomen anatomical landmarks using adaboost | |
| DE102012108121A1 (de) | Verfahren und System für ultraschallgestützte automatische Erkennung, Quantifizierung und Nachverfolgung von Pathologien | |
| KR20190061041A (ko) | 이미지 프로세싱 | |
| CN111374712B (zh) | 一种超声成像方法及超声成像设备 | |
| Yaqub et al. | Automatic detection of local fetal brain structures in ultrasound images | |
| CN111683600A (zh) | 用于根据超声图像获得解剖测量的设备和方法 | |
| Hacihaliloglu et al. | Statistical shape model to 3D ultrasound registration for spine interventions using enhanced local phase features | |
| CN114399493B (zh) | 超声颅脑异常区域自动检测及显示方法 | |
| CN114418984A (zh) | 一种基于超声的人体组织对称性检测分析方法 | |
| Wijata et al. | Unbiased validation of the algorithms for automatic needle localization in ultrasound-guided breast biopsies | |
| CN111481233A (zh) | 胎儿颈项透明层厚度测量方法 | |
| CN112233072A (zh) | 一种病灶检测方法及装置 | |
| Cao et al. | Liver fibrosis identification based on ultrasound images | |
| KR102363221B1 (ko) | 뇌 영상을 이용한 특발 정상압 수두증의 진단 방법 및 시스템 | |
| KR101024857B1 (ko) | 3차원 초음파 영상에 컬러 모델링 처리를 수행하는 초음파 시스템 및 방법 | |
| CN118121164B (zh) | 基于风湿病变区域多维检测数据的骨质状态筛查方法和系统 | |
| CN116211353B (zh) | 可穿戴超声膀胱容量测定与多模态影像形貌评估系统 | |
| Lee et al. | Robust mid-sagittal plane extraction in 3-d ultrasound fetal volume for first trimester screening | |
| US20230225700A1 (en) | Cranial ultrasonic standard plane imaging and automatic detection and display method for abnormal regions | |
| Yaqub et al. | Improving boundary definition for 3D ultrasound quantification of fetal femur | |
| US20090012392A1 (en) | Method and device for tissue characterization | |
| Gomes | Advanced computational methodologies for fetus face |
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 |