CN114533128B - 一种气胸辅助诊断装置、介质及电子设备 - Google Patents
一种气胸辅助诊断装置、介质及电子设备 Download PDFInfo
- Publication number
- CN114533128B CN114533128B CN202210172679.7A CN202210172679A CN114533128B CN 114533128 B CN114533128 B CN 114533128B CN 202210172679 A CN202210172679 A CN 202210172679A CN 114533128 B CN114533128 B CN 114533128B
- Authority
- CN
- China
- Prior art keywords
- pneumothorax
- chest
- video
- neural network
- network model
- 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.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/12—Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- General Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供一种气胸辅助诊断装置、介质及电子设备。所述装置包括:超声影像获取模块,用于获取目标对象的胸部超声视频,所述胸部超声视频包括多帧胸部超声影像;气胸识别模块,用于根据所述胸部超声视频判断所述目标对象是否存在气胸;气胸定位模块,用于在所述目标对象存在气胸时根据所述胸部超声视频对气胸病灶进行定位。所述装置能够辅助医务人员对气胸进行诊断。
Description
技术领域
本发明涉及一种诊断装置,特别是涉及一种气胸辅助诊断装置、介质及电子设备。
背景技术
气胸(pneumothorax)是一种常见的肺部疾病,顾名思义,气胸就是指空气进入肺部之后不能够自由转换也不能够排出而积聚在胸口的一种疾病。在实际诊疗过程中,及时地诊断及处理气胸可以有效地改善患者的预后。然而,在现有的临床诊断流程中,对于患者是否存在气胸的判断以及气胸病灶的定位完全凭借医务人员的经验进行,此种方式对医务人员的经验和水平要求较高,并且在灾难事故现场、120急救转运、战场等时间紧、任务重的极端场景中很容易出现由于人为主观因素而导致的误检、漏检等问题。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种气胸辅助诊断装置、介质及电子设备,用于解决现有技术中存在的上述问题。
为实现上述目的及其他相关目的,本发明的第一方面提供一种基于超声影像的气胸辅助诊断装置,所述装置包括:超声影像获取模块,用于获取目标对象的胸部超声视频,所述胸部超声视频包括多帧胸部超声影像;气胸识别模块,用于根据所述胸部超声视频判断所述目标对象是否存在气胸;气胸定位模块,用于在所述目标对象存在气胸时对气胸病灶进行定位。
于所述第一方面的一实施例中,所述气胸识别模块利用人工智能分类器模型对所述胸部超声视频中的一帧或多帧胸部超声影像进行分类处理以判断所述目标对象是否存在气胸。
于所述第一方面的一实施例中,所述人工智能分类器模型包括第一神经网络模型和第二神经网络模型,其中,所述第一神经网络模型用于获取所述胸部超声视频中快速变化的空间信息,所述第二神经网络模型用于根据所述胸部超声视频中快速变化的空间信息获取所述胸部超声视频中慢速变化的空间信息。
于所述第一方面的一实施例中,所述第一神经网络模型为三维空洞卷积神经网络模型,所述第二神经网络模型为长短期记忆神经网络模型。
于所述第一方面的一实施例中,所述气胸定位模块利用人工智能病灶定位模型对所述胸部超声视频中的一帧或多帧胸部超声影像进行处理以检测所述气胸病灶的位置。
于所述第一方面的一实施例中,所述人工智能病灶定位模型包括第三神经网络模型和第四神经网络模型,所述第三神经网络模型用于获取所述胸部超声视频中像素点的运动信息,所述第四神经网络模型用于根据所述胸部超声视频中像素点的运动信息获取所述胸部超声视频中肺部产生滑动特征的区域位置。
于所述第一方面的一实施例中,所述胸部超声视频由便携式超声影像设备对所述目标对象的胸部进行超声扫查得到。
于所述第一方面的一实施例中,所述装置还包括显示模块,所述显示模块用于显示所述胸部超声视频和气胸病灶的定位结果。
本发明的第二方面还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现一基于超声影像的气胸辅助诊断方法,其中,所述方法包括:获取目标对象的胸部超声视频,所述胸部超声视频包括多帧胸部超声影像;根据所述胸部超声视频判断所述目标对象是否存在气胸;在所述目标对象存在气胸时根据所述胸部超声视频对气胸病灶进行定位。
本发明的第三方面提供一种电子设备,所述电子设备包括:存储器,存储有一计算机程序;处理器,与所述存储器通信相连,调用所述计算机程序时执行一基于超声影像的气胸辅助诊断方法,其中,所述方法包括:获取目标对象的胸部超声视频,所述胸部超声视频包括多帧胸部超声影像;根据所述胸部超声视频判断所述目标对象是否存在气胸;在所述目标对象存在气胸时根据所述胸部超声视频对气胸病灶进行定位。
如上所述,本发明一个或多个实施例中所述的气胸辅助诊断装置具有以下有益效果:
所述气胸辅助诊断装置能够根据目标对象的胸部超声视频判断目标对象是否存在气胸,并在目标对象存在气胸时对气胸病灶进行定位。基于是否存在气胸的判断结果以及气胸病灶的定位结果能够辅助医务人员进行气胸诊断,从而降低气胸诊断过程对医务人员经验和水平的要求并减少由于医务人员主观因素而导致的误检、漏检等问题的产生。
附图说明
图1显示为本发明所述气胸辅助诊断装置于一具体实施例中的结构示意图。
图2显示为本发明所述气胸辅助诊断装置于一具体实施例中人工智能分类器模型的训练方法流程图。
图3显示为本发明所述气胸辅助诊断装置于一具体实施例中的另一种结构示意图。
图4a显示为本发明所述气胸辅助诊断装置于一具体实施例中的主体过程示意图,
图4b显示为本发明所述气胸辅助诊断装置于一具体实施例中人工智能分类器模型的训练过程示意图。
图4c显示为本发明所述气胸辅助的诊断装置于一具体实施例中人工之智能病灶定位模型的训练过程示意图。
图5显示为本发明所述气胸辅助诊断方法于一具体实施例中的流程图。
图6显示为本发明所述电子设备于一具体实施例中的结构示意图。
元件标号说明
1 气胸辅助诊断装置
11 超声影像获取模块
12 气胸识别模块
13 气胸定位模快
14 显示模块
6 电子设备
61 存储器
62 处理器
63 显示器
S21~S25 步骤
S51~S53 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。此外,在本文中,诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
在现有的临床诊断流程中,对于患者是否存在气胸的判断以及气胸病灶的定位完全凭借医务人员的经验进行,此种方式对医务人员的经验和水平要求较高,并且在灾难事故现场、 120急救转运、战场等时间紧、任务重的极端场景中很容易出现由于人为主观因素而导致的误检、漏检等问题。此外,在临床中通常认为肺部超声检查很难对气胸的诊断产生帮助,其根本原因在于肺部为含气的器官,超声波遇到气体后会发生完全反射。然而,发明人在实际应用中发现,受损的肺泡和间质因含气、含水量的变化所产生的超声影像及伪影使得肺部超声在气胸诊断中的应用成为可能。基于此,本发明提出了一种气胸辅助诊断装置。接下来将通过具体实施例结合附图的方式对所述气胸辅助诊断装置进行介绍。
请参阅图1,于本发明的一实施例中,气胸辅助诊断装置1包括超声影像获取模块11、气胸识别模块12和气胸定位模块13。
超声影像获取模块11用于获取目标对象的胸部超声视频,其中,目标对象可以为临床中的患者,胸部超声视频包含多帧胸部超声影像。
气胸识别模块12与超声影像获取模块11相连,用于根据胸部超声视频判断目标对象是否存在气胸。如前所述,气胸发生时会导致肺泡和/或间质受损,而受损的肺泡和间质因含气、含水量的变化会在胸部超声视频中反映出来,因而本实施例中气胸识别模块12可以根据胸部超声视频来判断目标对象是否存在气胸。
气胸定位模块13与气胸识别模块12和胸部超声影像获取模块11相连,用于在目标对象存在气胸时对气胸病灶进行定位。如前所述,气胸发生时会导致肺泡和/或间质受损,而受损的肺泡和间质因含气、含水量的变化会在胸部超声视频中反映出来,因而本实施例中气胸定位模块12可以根据胸部超声视频来确定气胸病灶的位置。具体应用中,气胸定位模块13可以根据超声影像获取模块11获取到的目标对象的胸部超声视频来对气胸病灶进行定位,也可以根据气胸识别模块12提取到的图像特征来对气胸病灶进行定位。
根据以上描述可知,本实施例中气胸辅助诊断装置1能够根据目标对象的胸部超声视频判断目标对象是否存在气胸,并在目标对象存在气胸时对气胸病灶进行定位。基于是否存在气胸的判断结果以及气胸病灶的定位结果能够辅助医务人员进行气胸诊断,从而降低气胸诊断过程对医务人员经验和水平的要求并减少由于医务人员主观因素而导致的误检、漏检等问题的产生。
于本发明的一实施例中,气胸识别模块12利用人工智能分类器模型对胸部超声视频中的一帧或多帧胸部超声医学影响进行分类处理以判断目标对象是否存在气胸。本实施例中,所述人工智能分类器模型用于从大量历史数据中挖掘出胸部超声影像与是否发生气胸之间隐含的规律,并利用该规律对胸部超声视频中的一帧或多帧胸部超声影像进行分类处理从而判断目标对象是否存在气胸。
图2显示为本实施例中人工智能分类器模型的训练方法流程图。如图2所示,本实施例中人工智能分类器模型包括以下步骤S21至步骤S24。
步骤S21,获取训练超声影像,其中,训练超声影像包括大量患者的胸部超声影像和/或胸部超声视频。
步骤S22,获取训练超声影像的标注结果,所述标注结果用于标识训练超声影像是否存在气胸。具体应用中,训练超声影像的标注结果可以通过人工标注的方式得到,也可以采用图像处理等方式得到,本发明对此不做限制。
步骤S23,根据训练超声影像获取训练集、验证集和测试集,例如,可以按照一定的比例将训练超声影像划分为训练集、验证集和测试集,其中,训练集数据用于初步构建模型,验证集数据用于模型的调参优化,测试集数据用于评估模型的表现效果。
步骤S24,利用训练集和验证集对人工智能分类器模型进行训练和优化,其中,对人工智能分类器模型进行训练和优化的方法可以采用现有技术实现,此处不做过多赘述。
步骤S25,利用测试集对人工智能分类器模型进行测试评估,以获取最优的人工智能分类器模型。
可选地,人工智能分类器模型用于提取胸部超声影像的时间和空间特征,并基于胸部超声影像的时间和空间特征对胸部超声影像进行分类从而判断目标对象是否存在气胸。
可选地,人工智能分类器模型包括第一神经网络模型和第二神经网络模型。其中,第一神经网络模型用于获取胸部超声视频中动态视频的空间信息,重点获取其中快速变化的空间信息。第二神经网络模型用于根据胸部超声视频中快速变化的空间信息进一步获取胸部超声视频中慢速变化的空间信息,所述慢速变化的空间信息用于表示肺部特定组织结构(如胸膜) 的滑动特征(气胸)。
可选地,本实施例中第一神经网络模型可以为三维空洞卷积神经网络模型,第二神经网络模型可以为长短期记忆神经网络模型。
于本发明的一实施例中,气胸定位模块13利用人工智能病灶定位模型对胸部超声视频中的一帧或多帧胸部超声影像进行处理以检测气胸病灶的位置。本实施例中,人工智能病灶定位模型的训练方法与图2所示人工智能分类器模型的训练方法类似,此处不做过多赘述。
可选地,人工智能病灶定位模型为像素级的运动跟踪模型,用于对胸部超声视频中的像素点的运动状况进行跟踪。
可选地,本实施例中人工智能病灶定位模型包括第三神经网络模型和第四神经网络模型。其中,第三神经网络模型用于获取胸部超声视频中像素点的运动信息,所述运动信息包括像素点的运动速度和方向。第四神经网络模型用于根据胸部超声视频中像素点的运动信息进一步提取产生运动的方位信息,进而获取产生滑动特征(气胸)的位置区域。
于本发明的一实施例中,胸部超声视频由便携式超声影像设备对目标对象的胸部进行超声扫查得到。在一些实施例中,便携式超声影像设备可以包含在气胸辅助诊断装置1内部而与气胸辅助诊断装置1同时生产、销售或使用。在另外一些实施例中,便携式超声影像设备也可以不包含在气胸辅助诊断装置1的内部,此时,便携式超声影像设备可以与气胸辅助诊断装置1通信相连,以便超声影像获取模块11从便携式超声影像设备获取其采集到的胸部超声视频。
根据以上描述可知,本实施例中胸部超声视频可以由便携式超声影像设备得到,有利于提升气胸辅助诊断装置1的移动性以及便捷性,且有利于在自然灾害、事故灾难等突发大规模伤亡事件中对伤员进行快速和精准的救治。
请参阅图3,于本发明的一实施例中,气胸辅助诊断装置1还包括显示模块14。其中,显示模块14可以与超声影像获取模块141、气胸识别模块142和/或气胸定位模快143相连,用于实时显示胸部超声视频。此外,显示模块14还可用于显示目标对象是否存在气胸的判断结果以及气胸病灶的定位结果。
优选地,显示模块14可以采用标注框的形式在胸部超声视频中显示气胸病灶的位置以供相关医务人员进行参考。
需要说明的是,本发明中气胸辅助诊断装置1中各模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。此外,这些模块可以全部以软件通过处理元件调用的形式实现,也可以全部以硬件的形式实现,还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。
接下来将通过一个较佳实施例对气胸辅助诊断装置进行详细介绍。需要说明的是,该较佳实施例中的内容并非实现本发明所必须而仅用于更加清楚地阐述本发明的内容,也即,在一些实施例中可以不包含该较佳实施例中的所有内容,在另外一些实施例中可以包含该较佳实施例中部分或全部内容的变形。请参阅图4a、图4b和图4c,图4a显示为该较佳实施例的主体过程示意图,图4b显示为该较佳实施例中人工智能分类器模型的训练过程示意图,图4c显示为该较佳实施例中人工智能病灶定位模型的训练过程示意图。
如图4a所示,该较佳实施例中气胸辅助诊断装置利用人工智能分类器模型和人工智能病灶定位模型实现对气胸的辅助诊断,具体地,将目标对象的胸部超声视频输入人工智能分类器模型来判断目标对象是否存在气胸,并将人工智能分类器模型提取到的图像特征输入人工智能病灶定位模型来实现对气胸病灶的定位,其中,人工智能分类器模型的输出包括目标对象是否存在气胸,人工智能病灶定位模型的输出包括气胸病灶的位置。
如图4b所示,该较佳实施例在对人工智能分类器模型进行训练时,将目标对象的胸部超声视频及其第一标注结果分为训练集、验证集和测试集。其中,第一标注结果包括对目标对象是否存在气胸的标注。在对人工智能分类器模型的训练过程中,训练集的数据用于对人工智能分类器模型进行训练,验证集的数据用于对人工智能分类器模型进行优化,测试集的数据用于对人工智能分类器模型进行测试评估以得到最优的人工智能分类器模型。
如图4c所示,该较佳实施例在对人工智能病灶定位模型进行训练时,将目标对象的胸部超声视频及其第二标注结果分为训练集、验证集和测试集。其中,第二标注结果包括对病灶位置的标注。在对人工智能病灶定位模型的训练过程中,训练集的数据用于对人工智能病灶定位模型进行训练,验证集的数据用于对人工智能病灶定位模型进行优化,测试集的数据用于对人工智能病灶定位模型进行测试评估以得到最优的人工智能病灶定位模型。
基于以上对气胸辅助诊断装置1的描述,本发明还提供一种气胸辅助诊断方法。具体地,请参阅图5,于本发明的一实施例中气胸辅助诊断方法包括以下步骤S51至步骤S53。
步骤S51,获取目标对象的胸部超声视频,所述胸部超声视频包括多帧胸部超声影像。
步骤S52,根据胸部超声视频判断目标对象是否存在气胸。
步骤S53,在目标对象存在气胸时根据胸部超声视频对气胸病灶进行定位。
需要说明的是,上述步骤S51至步骤S53与图1所示气胸辅助诊断装置1中的相应模块一一对应,上述对所述气胸辅助诊断装置1的变形或者改进均可应用于本实施例所述的气胸辅助诊断方法。为节省说明书篇幅,此处不对气胸辅助诊断方法进行过多赘述。
基于以上对气胸辅助诊断装置1以及气胸辅助诊断方法的描述,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现图5所示的气胸辅助诊断方法。
基于以上对气胸辅助诊断装置1以及气胸辅助诊断方法的描述,本发明还提供一种电子设备。具体地,请参阅图6,显示为本发明的一具体实施例中电子设备6的结构示意图。如图6所示,本实施例中电子设备6包括存储器61和处理器62。存储器61被配置为存储有计算机程序。处理器62与存储器61通信相连,被配置为调用所述计算机程序时执行图5所示的气胸辅助诊断方法。
可选地,电子设备6还可以包括显示器63,其中,显示器63与存储器61和处理器62通信相连,用于显示所述气胸辅助诊断方法的相关GUI交互界面。
需要说明的是,本实施例中的存储器1可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM, EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。
此外,本实施例中的处理器62可以是通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明所述的气胸辅助诊断方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明还提供一种气胸辅助诊断装置,所述气胸辅助诊断装置可以实现本发明所述的气胸辅助诊断方法,但本发明所述的气胸辅助诊断方法的实现装置包括但不限于本实施例列举的气胸辅助诊断装置的结构,凡是根据本发明的原理所做的现有技术的结构变形和替换,都包括在本发明的保护范围内。
综上所述,本发明一个或多个实施例中提供了一种基于超声影像的气胸辅助诊断装置。所述气胸辅助诊断装置在超声扫查的过程中可以自动识别出存在气胸的伤员并显示出气胸病灶的位置,从而为医务人员提供辅助诊断信息,有利于减少针对气胸的漏诊和误诊。所述气胸辅助诊断装置尤其适用于灾难事故现场、120急救转运、恐怖袭击现场、战场战伤等极端条件下的气胸诊断。因此,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (5)
1.一种基于超声影像的气胸辅助诊断装置,其特征在于,所述装置包括:
超声影像获取模块,用于获取目标对象的胸部超声视频,所述胸部超声视频包括多帧胸部超声影像;
气胸识别模块,用于根据所述胸部超声视频是否包含受损的肺泡和间质的超声影像,和/或因含水、含气量的变化而产生的超声影像及伪影来判断所述目标对象是否存在气胸;
气胸定位模块,用于在所述目标对象存在气胸时对气胸病灶进行定位;
其中,所述气胸识别模块利用人工智能分类器模型对所述胸部超声视频中的一帧或多帧胸部超声影像进行分类处理以判断所述目标对象是否存在气胸,所述人工智能分类器模型包括第一神经网络模型和第二神经网络模型,所述第一神经网络模型为三维空洞卷积神经网络模型,用于获取所述胸部超声视频中快速变化的空间信息,所述第二神经网络模型为长短期记忆神经网络模型,用于根据所述胸部超声视频中快速变化的空间信息获取所述胸部超声视频中慢速变化的空间信息;
所述气胸定位模块利用人工智能病灶定位模型对所述胸部超声视频中的一帧或多帧胸部超声影像进行处理以检测所述气胸病灶的位置,所述人工智能病灶定位模型包括第三神经网络模型和第四神经网络模型,所述第三神经网络模型用于获取所述胸部超声视频中像素点的运动信息,所述第四神经网络模型用于根据所述胸部超声视频中像素点的运动信息获取所述胸部超声视频中肺部产生滑动特征的区域位置。
2.根据权利要求1所述的装置,其特征在于,所述胸部超声视频由便携式超声影像设备对所述目标对象的胸部进行超声扫查得到。
3.根据权利要求1所述的装置,其特征在于,所述装置还包括显示模块,所述显示模块用于显示所述胸部超声视频和气胸病灶的定位结果。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现一基于超声影像的气胸辅助诊断方法,其中,所述方法包括:
获取目标对象的胸部超声视频,所述胸部超声视频包括多帧胸部超声影像;
根据所述胸部超声视频是否包含受损的肺泡和间质的超声影像,和/或因含水、含气量的变化而产生的超声影像及伪影来判断所述目标对象是否存在气胸;
在所述目标对象存在气胸时根据所述胸部超声视频对气胸病灶进行定位;
其中,判断所述目标对象是否存在气胸包括:利用人工智能分类器模型对所述胸部超声视频中的一帧或多帧胸部超声影像进行分类处理以判断所述目标对象是否存在气胸,所述人工智能分类器模型包括第一神经网络模型和第二神经网络模型,所述第一神经网络模型为三维空洞卷积神经网络模型,用于获取所述胸部超声视频中快速变化的空间信息,所述第二神经网络模型为长短期记忆神经网络模型,用于根据所述胸部超声视频中快速变化的空间信息获取所述胸部超声视频中慢速变化的空间信息;
在所述目标对象存在气胸时根据所述胸部超声视频对气胸病灶进行定位包括:利用人工智能病灶定位模型对所述胸部超声视频中的一帧或多帧胸部超声影像进行处理以检测所述气胸病灶的位置,所述人工智能病灶定位模型包括第三神经网络模型和第四神经网络模型,所述第三神经网络模型用于获取所述胸部超声视频中像素点的运动信息,所述第四神经网络模型用于根据所述胸部超声视频中像素点的运动信息获取所述胸部超声视频中肺部产生滑动特征的区域位置。
5.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有一计算机程序;
处理器,与所述存储器通信相连,调用所述计算机程序时执行一基于超声影像的气胸辅助诊断方法,其中,所述方法包括:
获取目标对象的胸部超声视频,所述胸部超声视频包括多帧胸部超声影像;
根据所述胸部超声视频是否包含受损的肺泡和间质的超声影像,和/或因含水、含气量的变化而产生的超声影像及伪影来判断所述目标对象是否存在气胸;
在所述目标对象存在气胸时根据所述胸部超声视频对气胸病灶进行定位;
其中,判断所述目标对象是否存在气胸包括:利用人工智能分类器模型对所述胸部超声视频中的一帧或多帧胸部超声影像进行分类处理以判断所述目标对象是否存在气胸,所述人工智能分类器模型包括第一神经网络模型和第二神经网络模型,所述第一神经网络模型为三维空洞卷积神经网络模型,用于获取所述胸部超声视频中快速变化的空间信息,所述第二神经网络模型为长短期记忆神经网络模型,用于根据所述胸部超声视频中快速变化的空间信息获取所述胸部超声视频中慢速变化的空间信息;
在所述目标对象存在气胸时根据所述胸部超声视频对气胸病灶进行定位包括:利用人工智能病灶定位模型对所述胸部超声视频中的一帧或多帧胸部超声影像进行处理以检测所述气胸病灶的位置,所述人工智能病灶定位模型包括第三神经网络模型和第四神经网络模型,所述第三神经网络模型用于获取所述胸部超声视频中像素点的运动信息,所述第四神经网络模型用于根据所述胸部超声视频中像素点的运动信息获取所述胸部超声视频中肺部产生滑动特征的区域位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210172679.7A CN114533128B (zh) | 2022-02-24 | 2022-02-24 | 一种气胸辅助诊断装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210172679.7A CN114533128B (zh) | 2022-02-24 | 2022-02-24 | 一种气胸辅助诊断装置、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114533128A CN114533128A (zh) | 2022-05-27 |
CN114533128B true CN114533128B (zh) | 2023-07-28 |
Family
ID=81678037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210172679.7A Active CN114533128B (zh) | 2022-02-24 | 2022-02-24 | 一种气胸辅助诊断装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114533128B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8914097B2 (en) * | 2012-01-30 | 2014-12-16 | The Johns Hopkins University | Automated pneumothorax detection |
CN103082995B (zh) * | 2012-11-29 | 2015-02-25 | 中国人民解放军第四军医大学 | 一种基于超宽谱生物雷达的张力性气胸检测系统 |
CN104840219B (zh) * | 2015-06-17 | 2018-12-04 | 黄晶 | 一种笔式超声彩色显像仪 |
CN112545553A (zh) * | 2020-12-09 | 2021-03-26 | 北方工业大学 | 一种便携式超声气胸诊断装置 |
CN112801957A (zh) * | 2021-01-18 | 2021-05-14 | 华东师范大学 | 一种基于超声应变成像的气胸自动检测系统 |
CN112950534A (zh) * | 2021-01-22 | 2021-06-11 | 华东师范大学 | 一种基于人工智能的便携式超声肺炎辅助诊断系统 |
CN113436155B (zh) * | 2021-06-16 | 2023-12-19 | 复旦大学附属华山医院 | 基于深度学习的超声臂丛神经图像识别方法 |
CN113763353A (zh) * | 2021-09-06 | 2021-12-07 | 杭州类脑科技有限公司 | 一种肺部超声图像检测系统 |
-
2022
- 2022-02-24 CN CN202210172679.7A patent/CN114533128B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114533128A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886933B (zh) | 一种医学图像识别方法、装置和存储介质 | |
US11151721B2 (en) | System and method for automatic detection, localization, and semantic segmentation of anatomical objects | |
US11633169B2 (en) | Apparatus for AI-based automatic ultrasound diagnosis of liver steatosis and remote medical diagnosis method using the same | |
WO2019200753A1 (zh) | 病变监测方法、装置、计算机设备和存储介质 | |
CN112469340A (zh) | 具有用于引导式肝成像的人工神经网络的超声系统 | |
KR101565311B1 (ko) | 3 차원 심초음파 검사 데이터로부터 평면들의 자동 검출 | |
CN110796613B (zh) | 一种图像伪影的自动识别方法及装置 | |
US20200226752A1 (en) | Apparatus and method for processing medical image | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
JP2016531709A (ja) | 疾患を診断するための画像解析技術 | |
US11475568B2 (en) | Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus | |
KR102531400B1 (ko) | 인공 지능 기반 대장 내시경 영상 진단 보조 시스템 및 방법 | |
CN110310723A (zh) | 骨骼图像处理方法、电子设备及存储介质 | |
CN112741651B (zh) | 一种内窥镜超声影像的处理方法及系统 | |
KR20200082660A (ko) | 머신러닝 기반 병리 진단 방법 및 장치 | |
EP4395654A1 (en) | Device and method for guiding in ultrasound assessment of an organ | |
Manikandan et al. | Segmentation and Detection of Pneumothorax using Deep Learning | |
KR20210054140A (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
CN114176616A (zh) | 静脉血栓的检测方法、电子设备和存储介质 | |
CN114533128B (zh) | 一种气胸辅助诊断装置、介质及电子设备 | |
CN115564763A (zh) | 甲状腺超声图像处理方法、装置、介质及电子设备 | |
KR20230050253A (ko) | 흉막 삼출의 검출 방법 및 이를 위한 장치 | |
CN112102244A (zh) | 胎儿超声标准切面图像检测方法、计算机设备和存储介质 | |
KR102258070B1 (ko) | 발의 유형 평가 방법 및 이를 이용한 발의 유형 평가용 디바이스 | |
EP4198997A1 (en) | A computer implemented method, a method and a system |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |