CN114548179A - 基于超声回波时频谱特征的生物组织辨识方法和装置 - Google Patents
基于超声回波时频谱特征的生物组织辨识方法和装置 Download PDFInfo
- Publication number
- CN114548179A CN114548179A CN202210174563.7A CN202210174563A CN114548179A CN 114548179 A CN114548179 A CN 114548179A CN 202210174563 A CN202210174563 A CN 202210174563A CN 114548179 A CN114548179 A CN 114548179A
- Authority
- CN
- China
- Prior art keywords
- frequency spectrum
- time
- ultrasonic
- tissue
- frequency
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开一种基于超声回波时频谱特征的生物组织辨识方法和装置,包括以下步骤:根据获取的超声回波射频信号,得到超声图像和信号时频谱;根据超声图像和信号时频谱,构建包含特征信号的数据集;根据包含特征信号的数据集,训练统计学习模型,由统计学习模型预测得到待识别超声图像中各部位的组织类别及其病变类型;根据待识别超声图像中各部位的组织类别及其病变类型,在待识别超声图像中各部位对应位置进行赋色标记,实现对超声图像中组织类别及其病变类型的自动识别。采用本发明的技术方案,可以提取更高维度的特征信息,实现对超声图像中组织类别和病变类型更精准的诊断。
Description
技术领域
本发明属于医学超声成像技术,尤其涉及一种基于超声回波时频谱特征的生物组织辨识方法和装置。
背景技术
传统B超成像采用的是超声射频信号中的基波来进行灰度成像,基波的频率与超声换能器发射信号的频率相同,因此超声射频信号中基波一般占主要成分,随着技术的发展,人们逐渐意识到射频信号中其他频率的波同样可以用于成像。一般来说,射频信号中除了基频信号外,还包含二倍基频、高倍基频以及二分之一基频等谐波成分以及处在谐波频率之间的成分,传统B超成像将除基频外的其他信号视为噪声滤掉,只保留基频部分用于灰度成像,从而丢失了大量信息。对非线性超声成像的原理和过程的深入研究表明,不同生物组织具有不同的非线性参数和谐波强度,并由此产生了新的谐波成像方法。谐波成像是将超声射频信号中的基频部分滤除,只保留二次谐波或高次谐波等成像,同传统B超相比,谐波成像的分辨率和对比度明显更好,在一些基波检查效果不清晰的地方,谐波成像能取得更好的成像效果。研究表明,同一部位的良性组织和恶性肿瘤具有不同的非线性性质,通过谐波成像可以更好的分辨出恶性肿瘤。因此,对生物体回波信号的多个频段进行分析,能够获取比单一基频更好的成像和检测效果。
美国F.L.Lizzi等人1976年提出用频谱分析法来对生物软组织定征的方法,通过超声探头采集不同组织的背向散射射频信号,并进行频谱分析,对频谱结果进行归一化处理后,通过线性拟合得出拟合线的斜率,证明不同组织对应的斜率存在差异。1987年他们又在此基础上又提取了新的组织特征参数,包括组织的绝对反射系数、衰减系数、散射子大小、浓度和声阻抗等,并对眼睛和肝脏进行分析,证实理论值与临床数据有很好的相关性,从而肯定基于背散射声束射频信号的频谱分析用于组织定征的可行性。2016年美国M.L.Oelze等人将超声信号包络幅值和基于射频信号频谱的参数(包括背向散射系数、衰减系数、组织颗粒散射特性等)结合,形成定量超声图像(Quantitative UltrasoundImaging),取得了良好的组织定征效果。2020年北航马建国等人提出根据射频信号的频谱特征分布,利用主成分分析的方法对具有相似频谱特征的信号聚类,从而实现更高对比度的彩色超声成像。但是现有技术都还没有很好的利用机器学习深入挖掘超声回波信号的特征,并实现自动辨识器官组织与增强显示。
发明内容
本发明要解决的技术问题是,本发明提供一种基于超声回波时频谱特征的生物组织(包括病灶)辨识方法和装置,可以提取更高维度的特征信息,结合机器学习算法,实现对超声图像中组织类别和病变类型更精准的诊断。
为实现上述目的,本发明采用如下的技术方案:
一种基于超声回波时频谱特征的生物组织辨识方法,包括以下步骤:
步骤S1、根据获取的超声回波射频信号,得到超声图像和信号时频谱;
步骤S2、根据超声图像和信号时频谱,构建包含特征信号的数据集;
步骤S3、根据包含特征信号的数据集,训练统计学习模型,由统计学习模型预测得到待识别超声图像中各部位的组织类别及其病变类型;
步骤S4、根据待识别超声图像中各部位的组织类别及其病变类型,在待识别超声图像中各部位对应位置进行赋色标记。
作为优选,步骤S1中,使用宽频或多频超声换能器扫描生物体的器官组织,获取超声回波射频信号;通过希尔伯特变换超声回波射频信号获取信号包络,以得到超声图像;同时超声回波射频信号通过时频域变换,得到信号时频谱。
作为优选,所述得到信号时频谱具体为:超声回波射频信号逐列做时频变换得到任意时刻信号不同频率下的频谱系数,得到该列信号对应的时频谱;合并每列信号对应的时频谱,即为整幅超声图像对应的信号时频谱。
作为优选,步骤S2中通过滑窗采样、超像素分割方法或者双边界标注法提取超声图像中目标区域的时频谱相应特征,以构建包含特征信号的数据集。
作为优选,通过双边界标注法,标注超声图像中目标组织的内外边界,从内边界内区域的信号时频谱中筛选出具有组织特异性的时频谱,构建以像素点对应时频谱系数作为特征且像素点对应组织类别为标签的数据集。
作为优选,通过滑窗采样或超像素分割方法在超声图像上生成若干由多个像素组成的超像素,对于每一个超像素,计算其内所有像素对应时频谱统计量,构建以超像素时频谱统计量作为特征且超像素对应组织类别为标签的数据集;其中,时频谱统计量包括超像素的时频谱均值、标准差、偏度、峰度。
作为优选,步骤S3中,采用机器学习算法训练数据集,得到基于超声信号时频谱来识别组织类别或病变类型的分类模型;使用训练好的分类模型预测待识别超声图像中各像素点对应位置的信号时频谱系数或超像素时频谱统计量所属各个类别的概率,得到超声图像中各部位的组织类别和病变类型。
本发明还提供一种基于超声回波时频谱特征的生物组织辨识装置,包括:
预处理模块,用于根据获取的超声回波射频信号,得到超声图像和信号时频谱;
构建模块,用于根据超声图像和信号时频谱,构建包含特征信号的数据集;
预测模块,用于根据包含特征信号的数据集,训练统计学习模型,由统计学习模型预测得到待识别超声图像中各部位的组织类别及其病变类型;
识别模块,用于根据待识别超声图像中各部位的组织类别及其病变类型,在待识别超声图像中各部位对应位置进行赋色标记。
作为优选,构建模块通过超像素方法或者双边界标注法提取超声图像中目标区域的时频谱相应特征,以构建包含特征信号的数据集。
本发明具有以下技术效果:
本发明根据获取的超声回波射频信号,得到超声图像和信号时频谱;根据超声图像和信号时频谱,构建包含特征信号的数据集;根据包含特征信号的数据集,训练统计学习模型,由统计学习模型预测得到待识别超声图像中各部位的组织类别及其病变类型;根据待识别超声图像中各部位的组织类别及其病变类型,在待识别超声图像中各部位对应位置进行赋色标记,实现对超声图像中组织类别及其病变类型的自动识别。本发明为超声成像提供灰度以外的大量频谱信息,提升了图像中各组织的对比度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的方法流程示意图。
图2是信号时频谱示意图;其中,图2的(a)为第一B超灰度图像;图2的(b)是图2的(a)中四种组织五个标记点处的小波系数谱;图2的(c)为第二B超灰度图像,数字符号表示两块不同组织区域;图2的(d)为图2的(c)中这两块区域的小波系数谱均值曲线和在每个频段上的标准差;
图3为双边界标注示意图;
图4为信号时频谱特征筛选示意图;其中,图4的(a)是第三B超灰度图像;图4的(b)为图4的(a)中标记区域对应的信号小波时频谱;图4的(c)为选择具有最大差异的信号集;
图5为超像素分割示意图;
图6为滑窗采样示意图;
图7为基于机器学习算法训练数据集流程示意图;
图8为彩色编码示意图。
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做出创造性劳动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。
实施例1:
本发明公开了一种基于超声回波时频谱特征的生物组织辨识方法,包括以下步骤:
步骤S1、根据获取的超声回波射频信号,得到超声图像和信号时频谱
作为本实施例的一种实施方式,使用宽频或多频超声换能器扫描生物体的器官组织,获取超声回波射频信号,通过希尔伯特变换超声回波射频信号获取信号包络,得到超声图像,同时超声回波射频信号通过时频域变换,得到信号时频谱。
作为本实施例的一种实施方式,所述得到信号时频谱具体为:超声回波射频信号逐列经过一维连续小波变换得到任意时刻信号不同频率下的小波系数,得到该列信号对应的小波时频谱;合并每列信号对应的小波时频谱,得到超声图像中任意位置超声回波射频信号对应不同频率下的小波系数,即信号时频谱。如图2所示,通过小波变换,可以得到信号对应图像每一个位置的时频谱。图2的(a)是第一B超灰度图像,其中的标记符号代表图像中的点,不同符号表示不同组织;图2的(b)是图2的(a)中四种组织五个标记点处的小波系数谱,其中来自同一组织的两条实线相比其他虚线更加相近,这说明来自相同组织的回波信号具有更高的相似性;图2的(c)为第二B超灰度图像,其中数字符号表示两块不同组织区域;图2的(d)为图2的(c)中这两块区域的小波系数谱均值曲线和在每个频段上的标准差,可以看出来自不同组织的回波信号在整体上具有明显差异。
步骤S2、根据超声图像和信号时频谱,构建包含特征信号的数据集
步骤S2中通过超像素方法或者双边界标注法提取超声图像中目标区域的时频谱相应特征,以构建包含特征信号的数据集。
作为本实施例的一种实施方式,通过双边界标注法,标注超声图像中目标组织的内外边界,从内边界内区域的信号时频谱中筛选出具有组织特异性的时频谱,构建以像素点对应时频谱系数作为特征且像素点对应组织类别为标签的数据集。
作为本实施例的一种实施方式,如图3所示,其中实线是内边界,虚线是外边界,所述双边界标注法,分别对组织理想边界外侧和内侧做两条边界线,其中一条能完整包含组织的边界线,称为外边界,另一条被组织完整包含的边界线,称为内边界。外边界的特点是其内部包含了整个目标组织以及组织到外边界线中多出的一部分其他组织,而外部不会再有目标组织的成分存在;内边界的特点是其内部全都属于目标组织的成分,而其外部则是其他组织及少量的目标组织成分。这种双边界标注的好处是可以根据实际需要来选择数据。内边界内的数据可以防止传统标注中可能把不属于目标组织的部分标注而导致数据集出错;外边界外的数据可以用于目标组织信号特异性的检测。通过双边界标注法,可以用内边界内的数据去训练,外边界外的数据去验证时频谱特征特异度,而减少因边界模糊造成的误差。所述时频谱筛选,单个组织内信号经信号分离算法处理后分离成多个类别,选择与组织外信号小波谱相比差异性最大的若干个类别,每类包含的数据作为组织特征信号;提取多个组织的特征信号,构建以像素点对应时频谱系数作为特征,像素点对应组织类别为标签的数据集。所述信号分离算法包括但不限于高斯混合模型、主成分分析;所述差异性可以有多种定义方式,包括但不限于欧式距离、相关系数。如图4所示,图4的(a)是第三B超灰度图像,采用黑色实线标记了其中的背部组织,背部组织包含皮肤、肌肉、结缔组织及多种成分;图4的(b)为图4的(a)中标记区域对应的信号小波时频谱,通过高斯混合模型,全部信号被分离成若干组具有不同高斯分布的信号子数据集,分别比较各组信号集与其他外部组织的信号时频谱特征差异度,选择其中具有最大差异的几组信号集(图4的(c))作为背部组织的特征信号数据集,用于下一步的训练。
作为本实施例的一种实施方式,如图5和图6所示,通过滑窗采样或超像素分割方法,在超声图像上生成若干由多个像素组成的超像素,对于每一个超像素,计算其内所有像素对应时频谱统计量(包括超像素的小波时频谱在每一个频段上的均值、标准差、偏度、峰度),构建以超像素块对应时频谱统计量作为特征且超像素块对应组织类别为标签的数据集。
步骤S3、根据包含特征信号的数据集,训练统计学习模型,由统计学习模型预测得到待识别超声图像中各部位的组织类别及其病变类型
作为本实施例的一种实施方式,采用机器学习算法训练数据集,获取基于超声信号时频谱来识别组织类别或病变类型的分类模型,从而建立组织类别和病变类型与时频谱特征之间的学习模型。使用训练好的分类模型预测待识别超声图像中各像素点对应位置的信号时频谱系数或超像素块时频谱统计量所属各个类别的概率,从而辨识出超声图像中各部位的组织类别和病变类型。如图7所示,首先从RF信号重建的超声图像(B超图像)中标注感兴趣区域,获取不同组织感兴趣区域的RF信号时频谱;然后利用高斯混合模型信号分离算法提取出组织中具有代表性的信号时频谱加入训练集;最后使用包括神经网络在内的统计学习算法建立信号时频谱和组织之间的分类模型。
步骤S4、根据待识别超声图像中各部位的组织类别及其病变类型,在待识别超声图像中各部位对应位置进行赋色标记,实现对超声图像中组织类别及其病变类型的自动识别
作为本实施例的一种实施方式,如图8所示,在待识别超声图像中采用不同颜色标记不同类别的器官组织及其不同类型的病变类型,同时通过点扩散函数、阈值分割方法处理图像,形成能反映器官类别或病变类型分布的彩色超声图像,得到最终标记组织类别及其病变类型的彩色超声图像。进一步,首先使用点扩散函数处理每个点,使得每个点的各类别概率值为其邻域所有点经点扩散函数处理后在该点位置的响应值叠加而成;通过图像增强模块设置可调节的概率阈值,过滤掉最终概率值低于概率阈值的点,并归一化剩余点的预测概率值,使得图像中低概率值的点被过滤,高概率值的点亮度被增强;使用不同的RGB颜色值代表不同组织类别及其病变类型,再乘以每个点的预测概率值,就得到了该点的RGB值,这样就最终生成了具有类别标记信息的彩色超声图像。
实施例2:
本发明还提供一种基于超声回波时频谱特征的生物组织辨识装置,包括:
预处理模块,用于根据获取的超声回波射频信号,得到超声图像和信号时频谱;
构建模块,用于根据超声图像和信号时频谱,构建包含特征信号的数据集;
预测模块,用于根据包含特征信号的数据集,训练统计学习模型,由统计学习模型预测得到待识别超声图像中各部位的组织类别及其病变类型;
识别模块,用于根据待识别超声图像中各部位的组织类别及其病变类型,在待识别超声图像中各部位对应位置进行赋色标记,实现对超声图像中组织类别及其病变类型的自动识别。
作为本实施例的一种实施方式,构建模块通过超像素方法或者双边界标注法提取超声图像中目标区域的时频谱相应特征,以构建包含特征信号的数据集。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于超声回波时频谱特征的生物组织辨识方法,其特征在于,包括以下步骤:
步骤S1、根据获取的超声回波射频信号,得到超声图像和信号时频谱;
步骤S2、根据超声图像和信号时频谱,构建包含特征信号的数据集;
步骤S3、根据包含特征信号的数据集,训练统计学习模型,由统计学习模型预测得到待识别超声图像中各部位的组织类别及其病变类型;
步骤S4、根据待识别超声图像中各部位的组织类别及其病变类型,在待识别超声图像中各部位对应位置进行赋色标记。
2.如权利要求1所述的基于超声回波时频谱特征的生物组织辨识方法,其特征在于,步骤S1中,使用宽频或多频超声换能器扫描生物体的器官组织,获取超声回波射频信号;通过希尔伯特变换超声回波射频信号获取信号包络,以得到超声图像;同时超声回波射频信号通过时频域变换,得到信号时频谱。
3.如权利要求2所述的基于超声回波时频谱特征的生物组织辨识方法,其特征在于,所述得到信号时频谱具体为:超声回波射频信号逐列做时频变换得到任意时刻信号在不同频率下的频谱系数,得到该列信号对应的时频谱;合并每列信号对应的时频谱,即为整幅超声图像对应的信号时频谱。
4.如权利要求3所述的基于超声回波时频谱特征的生物组织辨识方法,其特征在于,步骤S2中通过滑窗采样、超像素分割或者双边界标注法提取超声图像中目标区域的时频谱相应特征,以构建包含特征信号的数据集。
5.如权利要求4所述的基于超声回波时频谱特征的生物组织辨识方法,其特征在于,通过双边界标注法,标注超声图像中目标组织的内外边界,从内边界内区域的信号时频谱中筛选出具有组织特异性的时频谱,构建以像素点对应时频谱系数作为特征且像素点对应组织类别为标签的数据集。
6.如权利要求4所述的基于超声回波时频谱特征的生物组织辨识方法,其特征在于,通过滑窗采样或超像素分割方法在超声图像上生成若干由多个像素组成的超像素,对于每一个超像素,计算其内所有像素对应时频谱的统计量,构建以超像素时频谱统计量作为特征且超像素对应组织类别为标签的数据集;其中,时频谱统计量包括超像素的时频谱均值、标准差、偏度、峰度。
7.如权利要求5或6所述的基于超声回波时频谱特征的生物组织辨识方法,其特征在于,步骤S3中,采用机器学习算法训练数据集,得到基于超声信号时频谱来识别组织类别或病变类型的分类模型;使用训练好的分类模型预测待识别超声图像中各像素点对应位置的信号时频谱系数或超像素时频谱统计量所属各个类别的概率,得到超声图像中各部位的组织类别和病变类型。
8.一种基于超声回波时频谱特征的生物组织辨识装置,其特征在于,包括:
预处理模块,用于根据获取的超声回波射频信号,得到超声图像和信号时频谱;
构建模块,用于根据超声图像和信号时频谱,构建包含特征信号的数据集;
预测模块,用于根据包含特征信号的数据集,训练统计学习模型,由统计学习模型预测得到待识别超声图像中各部位的组织类别及其病变类型;
识别模块,用于根据待识别超声图像中各部位的组织类别及其病变类型,在待识别超声图像中各部位对应位置进行赋色标记。
9.如权利要求8所述基于超声回波时频谱特征的生物组织辨识装置,其特征在于,构建模块通过超像素方法或者双边界标注法提取超声图像中目标区域的时频谱相应特征,以构建包含特征信号的数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210174563.7A CN114548179A (zh) | 2022-02-24 | 2022-02-24 | 基于超声回波时频谱特征的生物组织辨识方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210174563.7A CN114548179A (zh) | 2022-02-24 | 2022-02-24 | 基于超声回波时频谱特征的生物组织辨识方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548179A true CN114548179A (zh) | 2022-05-27 |
Family
ID=81679342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210174563.7A Pending CN114548179A (zh) | 2022-02-24 | 2022-02-24 | 基于超声回波时频谱特征的生物组织辨识方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548179A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024046408A1 (zh) * | 2022-09-02 | 2024-03-07 | 复旦大学附属中山医院 | 一种生物组织识别模型构建方法、装置及电子设备 |
EP4339884A1 (en) * | 2022-09-16 | 2024-03-20 | Fondation de Coopération Scientifique | Method for ultrasound image processing and apparatus for implementing the same |
-
2022
- 2022-02-24 CN CN202210174563.7A patent/CN114548179A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024046408A1 (zh) * | 2022-09-02 | 2024-03-07 | 复旦大学附属中山医院 | 一种生物组织识别模型构建方法、装置及电子设备 |
EP4339884A1 (en) * | 2022-09-16 | 2024-03-20 | Fondation de Coopération Scientifique | Method for ultrasound image processing and apparatus for implementing the same |
WO2024056896A1 (en) * | 2022-09-16 | 2024-03-21 | Fondation De Cooperation Scientifique | Method for ultrasound image processing and apparatus for implementing the same |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11633169B2 (en) | Apparatus for AI-based automatic ultrasound diagnosis of liver steatosis and remote medical diagnosis method using the same | |
CN114548179A (zh) | 基于超声回波时频谱特征的生物组织辨识方法和装置 | |
US20050129297A1 (en) | Classification of breast lesion method and system | |
WO2015190180A1 (ja) | 医用診断装置、医用診断装置の作動方法および医用診断装置の作動プログラム | |
CN110772286A (zh) | 一种基于超声造影识别肝脏局灶性病变的系统 | |
CN105654490A (zh) | 一种基于超声弹性图像的病变区域提取方法及装置 | |
CN112950534A (zh) | 一种基于人工智能的便携式超声肺炎辅助诊断系统 | |
Magud et al. | Medical ultrasound image speckle noise reduction by adaptive median filter | |
CN113689424B (zh) | 可自动识别图像特征的超声检查系统及识别方法 | |
CN111528914A (zh) | 一种图像处理方法和装置 | |
Molinari et al. | Accurate and automatic carotid plaque characterization in contrast enhanced 2-D ultrasound images | |
Moradi et al. | Detection of prostate cancer from RF ultrasound echo signals using fractal analysis | |
JP3802462B2 (ja) | 超音波診断装置 | |
CN117529282A (zh) | 通过超声图像的分析诊断肺炎的设备和方法 | |
Scheipers et al. | Sonohistology for the computerized differentiation of parotid gland tumors | |
CN108366784A (zh) | 超声波观测装置、超声波观测装置的工作方法以及超声波观测装置的工作程序 | |
Fakhr et al. | Automatic diagnosis of liver diseases from ultrasound images | |
CN113907792B (zh) | 非线性解相关融合超声多参量的热凝固检测与成像方法 | |
CN111829956B (zh) | 基于超声结构分层引导的光声内窥定量层析成像方法及其系统 | |
CN113940704A (zh) | 一种基于甲状腺的肌肉和筋膜检测装置 | |
Rosado-Mendez | Advanced spectral analysis methods for quantification of coherent ultrasound scattering: Applications in the breast | |
US20090012392A1 (en) | Method and device for tissue characterization | |
CN115227293A (zh) | 一种基于宽带超声回波特征的乳腺肿瘤筛查方法和装置 | |
Scheipers et al. | Sonohistology–ultrasonic tissue characterization for prostate cancer diagnostics | |
Xie et al. | SD Rats’ Fatty Liver Tissue Classification Based on Ultrasound Radiofrequency Signal |
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 |