CN114638878A - 基于深度学习的二维超声心动图管径检测方法及装置 - Google Patents
基于深度学习的二维超声心动图管径检测方法及装置 Download PDFInfo
- Publication number
- CN114638878A CN114638878A CN202210272944.9A CN202210272944A CN114638878A CN 114638878 A CN114638878 A CN 114638878A CN 202210272944 A CN202210272944 A CN 202210272944A CN 114638878 A CN114638878 A CN 114638878A
- Authority
- CN
- China
- Prior art keywords
- key point
- image
- detection network
- coordinates
- point detection
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 117
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000010586 diagram Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 44
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 33
- 238000003860 storage Methods 0.000 claims abstract description 21
- 239000000523 sample Substances 0.000 claims description 40
- 238000011156 evaluation Methods 0.000 claims description 31
- 230000000694 effects Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 19
- 238000011265 2D-echocardiography Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000012468 concentrated sample Substances 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 14
- 210000001631 vena cava inferior Anatomy 0.000 description 8
- 210000000709 aorta Anatomy 0.000 description 7
- 210000005240 left ventricle Anatomy 0.000 description 5
- 210000001147 pulmonary artery Anatomy 0.000 description 5
- 210000001562 sternum Anatomy 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000002592 echocardiography Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 210000003291 sinus of valsalva Anatomy 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 210000002417 xiphoid bone Anatomy 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 210000005245 right atrium Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4084—Scaling of whole images or parts thereof, e.g. expanding or contracting in the transform domain, e.g. fast Fourier transform [FFT] domain scaling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本公开涉及一种基于深度学习的二维超声心动图管径检测方法及装置、电子设备和存储介质。通过将二维超声心动图待测图像输入至训练好的关键点检测网络中，输出关键点坐标，根据关键点坐标和待测图像的参数计算出待测血管的实际径长。本公开所述方法可以实现二维超声心动图血管内径的全自动测量，不需要提前指定血管区域，无需人工干预。并且，由于关键点检测网络可以将关键点置信度热力图转化为关键点坐标进行输出，既保证了空间泛化性，又降低了精度损失，提升了准确率。
Description
技术领域
本公开涉及图像处理领域，尤其涉及一种基于深度学习的二维超声心动图管径检测方法及装置、电子设备和存储介质。
背景技术
超声心动图是一种利用超声波获得心脏图像的技术。二维超声心动图是超声心动图检查中最常见的成像方法之一，主要用于检查心脏各结构的形态及功能状态。医生可以通过查看二维超声心动图来测量并计算心脏和大血管的参数，进而进行疾病诊断。
目前超声心动图中管径的测量通常由医生人工操作完成。医生手动在软件上标注关键点，对血管内径进行测量。当医生查看一个二维超声心动图，认为需要获取血管管径来辅助疾病诊断时，会先用肉眼进行测量帧的选择。根据待测血管的不同，医生会选择不同具有医学意义的帧来进行后续测量。确定测量帧后会使用现有医学图像软件中的标尺工具，依次手动定位关键点，然后进行测量。也有一些半自动测量技术，需要医生先手动指定血管区域，才能进行自动测量。当医生需要多个切面上多个血管的测量值时，针对每一条血管都要进行上述操作，操作相对重复，且较为繁琐。另外，人工操作不可避免地会产生一些误差。不同医生之间测量时选取的测量帧、关键点会有偏差，即使是同一个医生在两个不同时间进行测量，选取的测量帧、关键点可能也不完全相同。
发明内容
有鉴于此，本公开提出了一种基于深度学习的二维超声心动图管径检测方法及装置、电子设备和存储介质，可以实现二维超声心动图血管内径的全自动测量，不需要提前指定血管区域，无需人工干预。
根据本公开的一方面，提供了一种基于深度学习的二维超声心动图管径检测方法，包括以下步骤：
获取二维超声心动图待测图像，所述待测图像包括待测血管；
将所述待测图像输入至训练好的关键点检测网络中，所述关键点检测网络输出关键点坐标，所述关键点坐标包括第一关键点坐标和第二关键点坐标；
根据所述第一关键点坐标、所述第二关键点坐标和所述待测图像的参数，计算所述待测血管的实际径长；
其中，所述关键点检测网络包括soft-argmax层，用于将关键点置信度热力图转化为关键点坐标。
在一种可能的实现方式中，所述将关键点置信度热力图转化为关键点坐标，包括：
对关键点置信度热力图进行归一化操作；
对归一化后的关键点置信度热力图进行分组卷积运算，得到关键点坐标。
在一种可能的实现方式中，所述关键点检测网络的训练步骤包括：
获取二维超声心动图样本图像，所述样本图像上标记有关键点坐标；
根据所述样本图像及所述关键点坐标创建数据集，使用数据增强方法处理所述样本图像，对所述数据集进行扩充；
将所述数据集中的图像作为所述关键点检测网络的输入，根据所述关键点检测网络输出、所述图像上的关键点坐标以及损失函数，对所述关键点检测网络进行训练；
在满足训练条件时，得到训练好的关键点检测网络。
在一种可能的实现方式中，所述基于深度学习的二维超声心动图管径检测方法，还包括：
在得到训练好的关键点检测网络之后，将测试集中的样本图像输入至训练好的关键点检测网络，得到关键点检测网络输出的关键点坐标，所述测试集包括标记有关键点坐标的样本图像；
根据关键点检测网络输出的关键点坐标和测试集中样本图像标记的关键点坐标，得到针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果。
在一种可能的实现方式中，所述基于深度学习的二维超声心动图管径检测方法，还包括：
在针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果二者中的至少一个不满足预设要求的情况下，对关键点检测网络的参数进行调整。
在一种可能的实现方式中，所述将所述数据集中的图像作为关键点检测网络的输入之前，还包括：
调整所述图像的尺寸至所述关键点检测网络的固定输入图像尺寸，并根据图像缩放比例修改所述图像上的关键点坐标数值。
在一种可能的实现方式中，所述待测图像的参数包括所述待测图像的像素间距。
根据本公开的另一方面，提供了一种基于深度学习的二维超声心动图管径检测装置，包括：
获取模块，用于获取二维超声心动图待测图像，所述待测图像包括待测血管；
关键点检测模块，用于将所述待测图像输入至训练好的关键点检测网络中，所述关键点检测网络输出关键点坐标，所述关键点坐标包括第一关键点坐标和第二关键点坐标；
参数计算模块，用于根据所述第一关键点坐标、所述第二关键点坐标和所述待测图像的参数，计算所述待测血管的实际径长；
其中，所述关键点检测网络包括soft-argmax层，用于将关键点置信度热力图转化为关键点坐标。
在一种可能的实现方式中，所述将关键点置信度热力图转化为关键点坐标，包括：
对关键点置信度热力图进行归一化操作；
对归一化后的关键点置信度热力图进行分组卷积运算，得到关键点坐标。
在一种可能的实现方式中，所述关键点检测网络的训练步骤包括：
获取二维超声心动图样本图像，所述样本图像上标记有关键点坐标；
根据所述样本图像及所述关键点坐标创建数据集，使用数据增强方法处理所述样本图像，对所述数据集进行扩充；
将所述数据集中的图像作为所述关键点检测网络的输入，根据所述关键点检测网络输出、所述图像上的关键点坐标以及损失函数，对所述关键点检测网络进行训练；
在满足训练条件时，得到训练好的关键点检测网络。
在一种可能的实现方式中，所述基于深度学习的二维超声心动图管径检测装置，还包括效果评估模块，用于：
在得到训练好的关键点检测网络之后，将测试集中的样本图像输入至训练好的关键点检测网络，得到关键点检测网络输出的关键点坐标，所述测试集包括标记有关键点坐标的样本图像；
根据关键点检测网络输出的关键点坐标和测试集中样本图像标记的关键点坐标，得到针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果。
在一种可能的实现方式中，所述基于深度学习的二维超声心动图管径检测装置，还包括参数调整模块，用于在针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果二者中的至少一个不满足预设要求的情况下，对关键点检测网络的参数进行调整。
在一种可能的实现方式中，所述将所述数据集中的图像作为关键点检测网络的输入之前，还包括：
调整所述图像的尺寸至所述关键点检测网络的固定输入图像尺寸，并根据图像缩放比例修改所述图像上的关键点坐标数值。
在一种可能的实现方式中，所述待测图像的参数包括所述待测图像的像素间距。
根据本公开的另一方面，提供了一种电子装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。
根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
本公开实施例通过将二维超声心动图待测图像输入至训练好的关键点检测网络中，输出关键点坐标，根据关键点坐标和待测图像的参数计算出待测血管的实际径长。本公开所述方法可以实现二维超声心动图血管内径的全自动测量，不需要提前指定血管区域，无需人工干预。并且，由于关键点检测网络可以将关键点置信度热力图转化为关键点坐标进行输出，既保证了空间泛化性，又降低了精度损失，提升了准确率。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例的基于深度学习的二维超声心动图管径检测方法流程图。
图2示出二维超声心动图胸骨旁左室长轴切面主动脉关键点示意图。
图3示出二维超声心动图胸骨旁左室长轴切面升主动脉关键点示意图。
图4示出二维超声心动图胸骨旁短轴切面肺动脉关键点示意图。
图5示出二维超声心动图剑突下下腔静脉长轴切面下腔静脉关键点示意图。
图6示出根据本公开一实施例的基于深度学习的二维超声心动图管径检测装置的框图。
图7示出根据本公开一示例性实施例的电子装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开一实施例的基于深度学习的二维超声心动图管径检测方法流程图。如图1所示，该方法包括以下步骤：
S1、获取二维超声心动图待测图像，所述待测图像包括待测血管。
示例性的，二维超声心动图待测图像中切面的选择可以是胸骨旁左室长轴切面、胸骨旁短轴切面、剑突下下腔静脉长轴切面等，待测血管可以是主动脉窦、升主动脉、肺动脉、下腔静脉等心脏血管。可以使用图像处理技术对待测图像进行预处理，例如去除图像上扫面扇区外的文字信息等，从而提高图像质量。
S2、将所述待测图像输入至训练好的关键点检测网络中，所述关键点检测网络输出关键点坐标，所述关键点坐标包括第一关键点坐标和第二关键点坐标。
在一种可能的实现方式中，所述关键点检测网络包括soft-argmax层，用于将关键点置信度热力图转化为关键点坐标。由于大部分关键点检测网络的输出是关键点置信度热力图，在后续处理热力图时会产生量化精度损失以及argmax函数造成的误差。本公开在这些网络的最后一层后再添加一个soft-argmax层，替代原本在网络输出后使用的argmax操作。这种方法可以将热力图转化为数值坐标，并可在网络中进行反向传播。
在一种可能的实现方式中，所述将关键点置信度热力图转化为关键点坐标，包括：
对关键点置信度热力图进行归一化操作；
对归一化后的关键点置信度热力图进行分组卷积运算，得到关键点坐标。
所述对关键点置信度热力图进行归一化操作可表示为：
其中，hi，j为关键点置信度热力图h在坐标(i，j)处的值，W表示关键点置信度热力图的宽，H表示关键点置信度热力图的高。
所述对归一化后的关键点置信度热力图进行分组卷积运算，可包括：
对归一化后的关键点置信度热力图使用Wx和Wy两个卷积核进行卷积运算，可表示为：
其中，Wxi，j表示卷积核Wx在坐标(i，j)处的值，Wyi，j表示卷积核Wy在坐标(i，j)处的值，Wxi，j和Wyi，j可表示为：
最终得到的关键点坐标为y＝(Ψx(h)，Ψy(h))T，即(Ψy(h)，Ψx(h))。通过soft-argmax层将关键点置信度热力图转化为关键点坐标，关键点检测网络最终直接输出关键点坐标，由此结合了热力图法和坐标回归法的优点，既保证了空间泛化性，同时也保证了测量精度，降低了精度损失，提升了准确率。
在一种可能的实现方式中，所述关键点检测网络的训练步骤包括：
(1)获取二维超声心动图样本图像，所述样本图像上标记有关键点坐标。
收集大量患者的二维超声心动图图像，可以由具有医学背景的专业人士筛选出高质量图像并选取测量帧，建立样本图像库，并在样本图像中手动标记出关键点坐标，所述关键点坐标包括第一关键点坐标和第二关键点坐标，将坐标数值作为样本图像的真实标签。示例性的，对于胸骨旁左室长轴切面上的主动脉，选取主动脉瓣环和主动脉根部之间管壁内径最大的两个点作为关键点，其关键点选取示意图如图2所示；对于胸骨旁左室长轴切面上的升主动脉，选取主动脉窦右侧2厘米血管壁的两个点作为关键点，其关键点选取示意图如图3所示；对于胸骨旁短轴切面上的肺动脉，选取肺动脉瓣根下1厘米左右血管左壁和右壁两个点作为关键点，其关键点选取示意图如图4所示；对于剑突下下腔静脉长轴切面上的下腔静脉，选取右房开口处左侧2厘米血管壁的两个点作为关键点，其关键点选取示意图如图5所示。
(2)根据所述样本图像及所述关键点坐标创建数据集，使用数据增强方法处理所述样本图像，对所述数据集进行扩充。
可以使用图像处理技术对样本图像进行预处理，例如去除图像上扫面扇区外的文字信息等，从而提高图像质量，提升模型效率。使用预处理过的样本图像及关键点坐标创建数据集，可以对图像使用多种数据增强方法，对数据集进行扩充，提高模型的泛化能力，所述数据增强方法包括随机缩放、随机旋转、随机翻转等。所述数据集可以划分为训练集、验证集和测试集。
(3)将所述数据集中的图像作为所述关键点检测网络的输入，根据所述关键点检测网络输出、所述图像上的关键点坐标以及损失函数，对所述关键点检测网络进行训练。
在一种可能的实现方式中，将所述数据集中的图像作为关键点检测网络的输入之前，可以调整所述图像的尺寸至所述关键点检测网络的固定输入图像尺寸，并根据图像缩放比例修改所述图像上的关键点坐标数值。
将所述数据集中的图像作为关键点检测网络的输入，将所述关键点坐标作为关键点检测网络输出的标签。其中，所述关键点检测网络可以是深度卷积神经网络(Convolutional Neural Networks，CNN)，包括多个卷积层、多个反卷积层、全连接层等。可选地，可采用的关键点检测网络包括但不限于简单基线网络、沙漏网络、高分辨率网络等网络结构。所述关键点检测网络输入样本图像，输出关键点坐标，实现了端到端的训练。
关键点检测模型可以使用修正线性单元(Rectified linear unit，ReLU)作为激活函数，并可以使用批次归一化(Batch Normalization，BN)防止过拟合。
可以基于损失函数，对关键点检测网络进行训练。在一个实施例中，可以使用弹性网络损失函数(Elastic net loss)对关键点检测网络进行训练。Elastic net loss相当于将L1损失函数(L1 loss)和L2损失函数(L2 loss)相加，Elastic net loss可表示为：
其中，yn为第n个关键点的真实数值标签，
为第n个关键点的预测坐标数值，NJ表示关键点个数。
可以设置一个随机数作为网络参数的初始值，通过训练集的样本图像训练关键点检测网络的参数，再由验证集检测关键点检测网络的误差。其中，可以通过梯度下降法来调节关键点检测网络的网络参数，使得网络参数优化，提升关键点检测网络的准确率。
(4)在满足训练条件时，得到训练好的关键点检测网络。
可以在训练迭代次数达到预定值，或当损失函数的值不再降低或低于预定值时，停止训练，得到训练好的关键点检测网络。
在一种可能的实现方式中，所述方法还可包括：在得到训练好的关键点检测网络之后，将测试集的样本图像输入至训练好的关键点检测模型，得到关键点检测网络输出的关键点坐标，其中，所述测试集包括标记有关键点坐标的样本图像，测试集可来自上述数据集，也可以独立于上述数据集。可根据关键点检测网络输出的关键点坐标和测试集中样本图像标记的关键点坐标，得到针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果。
例如，可将所述关键点坐标与测试集样本图像中的关键点坐标进行比对，以评估训练好的关键点检测网络的性能。在评估阶段，可以采用均方误差(mean squared error，MSE)和平均绝对百分比误差(mean absolute percentage error，MAPE)对模型效果进行评估。其中，MSE用于评估关键点坐标数值的预测效果，MAPE用于评估根据预测关键点计算的管径长度的结果。此外，测试样本的绝对百分比误差的分布状况也可以包含在评价范围内。
在一种可能的实现方式中，所述方法还可包括：在针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果二者中的至少一个不满足预设要求的情况下，对关键点检测网络的参数进行调整。例如，可以设置针对评估结果的性能要求，例如针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果两者均要满足预设的要求，在得到网络性能的评估结果后，如果性能未达到要求，可以通过微调超参数的方式对网络重新进行训练，以提高网络性能。预设要求例如可包括针对MSE计算结果的阈值，或针对MAPE计算结果的阈值，本申请对此不作限制。
由此，可以针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果对关键点检测网络进行评估，并根据评估结果对关键点检测网络进行进一步调整，使得最终得到的关键点检测网络对关键点坐标的预测，以及管径长度的预测均达到所需要的精度要求。
S3、根据所述第一关键点坐标、所述第二关键点坐标和所述待测图像的参数，计算所述待测血管的实际径长。
在一种可能的实现方式中，所述待测图像的参数包括所述待测图像的像素间距。
所述计算所述待测血管的实际径长，可以表示为：
D＝(x1-x2)2*dx+(y1-y2)2*dy
其中，D表示待测血管的实际径长，x1和x2分别为第一关键点和第二关键点的横坐标，y1和y2分别为第一关键点和第二关键点的纵坐标，dx为x轴方向的像素间距，dy为y轴方向的像素间距。
由此，可利用第一关键点、第二关键点坐标结合待测图像的像素间距，高效准确地确定待测血管的实际径长。
需要说明的是，尽管以二维超声心动图胸骨旁左室长轴切面主动脉、胸骨旁左室长轴切面升主动脉、胸骨旁短轴切面肺动脉、剑突下下腔静脉长轴切面下腔静脉作为示例介绍了关键点选取方法如上，但本领域技术人员能够理解，本公开应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活选取二维超声心动图待测图像的切面、待测血管和关键点，只要满足需求即可。
这样，通过将二维超声心动图待测图像输入至训练好的关键点检测网络中，输出关键点坐标，根据关键点坐标和待测图像的参数计算出待测血管的实际径长，本公开实施例可以实现二维超声心动图血管内径的全自动测量，不需要提前指定血管区域，无需人工干预。并且，由于关键点检测网络可以将关键点置信度热力图转化为关键点坐标进行输出，既保证了空间泛化性，又降低了精度损失，提升了准确率。
图6示出根据本公开一实施例的基于深度学习的二维超声心动图管径检测装置的框图。本公开实施例所述基于深度学习的二维超声心动图管径检测装置，包括：
获取模块601，用于获取二维超声心动图待测图像，所述待测图像包括待测血管；
关键点检测模块602，用于将所述待测图像输入至训练好的关键点检测网络中，所述关键点检测网络输出关键点坐标，所述关键点坐标包括第一关键点坐标和第二关键点坐标；
参数计算模块603，用于根据所述第一关键点坐标、所述第二关键点坐标和所述待测图像的参数，计算所述待测血管的实际径长；
其中，所述关键点检测网络包括soft-argmax层，用于将关键点置信度热力图转化为关键点坐标。
在一种可能的实现方式中，所述将关键点置信度热力图转化为关键点坐标，包括：
对关键点置信度热力图进行归一化操作；
对归一化后的关键点置信度热力图进行分组卷积运算，得到关键点坐标。
在一种可能的实现方式中，所述关键点检测网络的训练步骤包括：
获取二维超声心动图样本图像，所述样本图像上标记有关键点坐标；
根据所述样本图像及所述关键点坐标创建数据集，使用数据增强方法处理所述样本图像，对所述数据集进行扩充；
将所述数据集中的图像作为所述关键点检测网络的输入，根据所述关键点检测网络输出、所述图像上的关键点坐标以及损失函数，对所述关键点检测网络进行训练；
在满足训练条件时，得到训练好的关键点检测网络。
在一种可能的实现方式中，所述基于深度学习的二维超声心动图管径检测装置，还包括效果评估模块，用于：
在得到训练好的关键点检测网络之后，将测试集中的样本图像输入至训练好的关键点检测网络，得到关键点检测网络输出的关键点坐标，所述测试集包括标记有关键点坐标的样本图像；
根据关键点检测网络输出的关键点坐标和测试集中样本图像标记的关键点坐标，得到针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果。
在一种可能的实现方式中，所述基于深度学习的二维超声心动图管径检测装置，还包括参数调整模块，用于在针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果二者中的至少一个不满足预设要求的情况下，对关键点检测网络的参数进行调整。
在一种可能的实现方式中，所述将所述数据集中的图像作为关键点检测网络的输入之前，还包括：
调整所述图像的尺寸至所述关键点检测网络的固定输入图像尺寸，并根据图像缩放比例修改所述图像上的关键点坐标数值。
在一种可能的实现方式中，所述待测图像的参数包括所述待测图像的像素间距。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
图7是根据一示例性实施例示出的一种电子装置1900的框图。例如，装置1900可以被提供为一服务器或终端设备。参照图7，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于深度学习的二维超声心动图管径检测方法，其特征在于，包括以下步骤：
获取二维超声心动图待测图像，所述待测图像包括待测血管；
将所述待测图像输入至训练好的关键点检测网络中，所述关键点检测网络输出关键点坐标，所述关键点坐标包括第一关键点坐标和第二关键点坐标；
根据所述第一关键点坐标、所述第二关键点坐标和所述待测图像的参数，计算所述待测血管的实际径长；
其中，所述关键点检测网络包括soft-argmax层，用于将关键点置信度热力图转化为关键点坐标。
2.根据权利要求1所述的基于深度学习的二维超声心动图管径检测方法，其特征在于，所述将关键点置信度热力图转化为关键点坐标，包括：
对关键点置信度热力图进行归一化操作；
对归一化后的关键点置信度热力图进行分组卷积运算，得到关键点坐标。
3.根据权利要求1所述的基于深度学习的二维超声心动图管径检测方法，其特征在于，所述关键点检测网络的训练步骤包括：
获取二维超声心动图样本图像，所述样本图像上标记有关键点坐标；
根据所述样本图像及所述关键点坐标创建数据集，使用数据增强方法处理所述样本图像，对所述数据集进行扩充；
将所述数据集中的图像作为所述关键点检测网络的输入，根据所述关键点检测网络输出、所述图像上的关键点坐标以及损失函数，对所述关键点检测网络进行训练；
在满足训练条件时，得到训练好的关键点检测网络。
4.根据权利要求3所述的基于深度学习的二维超声心动图管径检测方法，其特征在于，所述方法还包括：
在得到训练好的关键点检测网络之后，将测试集中的样本图像输入至训练好的关键点检测网络，得到关键点检测网络输出的关键点坐标，所述测试集包括标记有关键点坐标的样本图像；
根据关键点检测网络输出的关键点坐标和测试集中样本图像标记的关键点坐标，得到针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果。
5.根据权利要求4所述的基于深度学习的二维超声心动图管径检测方法，其特征在于，所述方法还包括：
在针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果二者中的至少一个不满足预设要求的情况下，对关键点检测网络的参数进行调整。
6.根据权利要求3所述的基于深度学习的二维超声心动图管径检测方法，其特征在于，所述将所述数据集中的图像作为关键点检测网络的输入之前，还包括：
调整所述图像的尺寸至所述关键点检测网络的固定输入图像尺寸，并根据图像缩放比例修改所述图像上的关键点坐标数值。
7.根据权利要求1-6中任一项所述的基于深度学习的二维超声心动图管径检测方法，其特征在于，所述待测图像的参数包括所述待测图像的像素间距。
8.一种基于深度学习的二维超声心动图管径检测装置，其特征在于，包括：
获取模块，用于获取二维超声心动图待测图像，所述待测图像包括待测血管；
关键点检测模块，用于将所述待测图像输入至训练好的关键点检测网络中，所述关键点检测网络输出关键点坐标，所述关键点坐标包括第一关键点坐标和第二关键点坐标；
参数计算模块，用于根据所述第一关键点坐标、所述第二关键点坐标和所述待测图像的参数，计算所述待测血管的实际径长；
其中，所述关键点检测网络包括soft-argmax层，用于将关键点置信度热力图转化为关键点坐标。
9.一种电子装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为在执行所述存储器存储的指令时，实现权利要求1-7中任意一项所述的方法。
10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1-7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210272944.9A CN114638878B (zh) | 2022-03-18 | 2022-03-18 | 基于深度学习的二维超声心动图管径检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210272944.9A CN114638878B (zh) | 2022-03-18 | 2022-03-18 | 基于深度学习的二维超声心动图管径检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114638878A true CN114638878A (zh) | 2022-06-17 |
| CN114638878B CN114638878B (zh) | 2022-11-11 |
Family
ID=81948954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210272944.9A Active CN114638878B (zh) | 2022-03-18 | 2022-03-18 | 基于深度学习的二维超声心动图管径检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114638878B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115526887A (zh) * | 2022-10-28 | 2022-12-27 | 北京医准智能科技有限公司 | 一种血管管径的预测方法、装置、电子设备及存储介质 |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107705289A (zh) * | 2017-09-05 | 2018-02-16 | 重庆邮电大学 | 一种基于骨架拓扑结构的血管模拟重建方法 |
| CN109190682A (zh) * | 2018-08-13 | 2019-01-11 | 北京安德医智科技有限公司 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
| US20190209245A1 (en) * | 2016-09-26 | 2019-07-11 | Ucl Business Plc | A System And Method For Computer-Assisted Planning Of A Trajectory For A Surgical Insertion Into A Skull |
| US20190303677A1 (en) * | 2018-03-30 | 2019-10-03 | Naver Corporation | System and method for training a convolutional neural network and classifying an action performed by a subject in a video using the trained convolutional neural network |
| CN110400316A (zh) * | 2019-04-19 | 2019-11-01 | 杭州健培科技有限公司 | 一种基于深度学习的骨科影像测量方法及装置 |
| CN111144175A (zh) * | 2018-11-05 | 2020-05-12 | 杭州海康威视数字技术股份有限公司 | 一种图像检测方法及装置 |
| CN111681224A (zh) * | 2020-06-09 | 2020-09-18 | 上海联影医疗科技有限公司 | 获取血管参数的方法和装置 |
| CN111695457A (zh) * | 2020-05-28 | 2020-09-22 | 浙江工商大学 | 一种基于弱监督机制的人体姿态估计方法 |
| CN111815766A (zh) * | 2020-07-28 | 2020-10-23 | 复旦大学附属华山医院 | 基于2d-dsa图像重建血管三维模型处理方法及系统 |
| CN111815598A (zh) * | 2020-06-30 | 2020-10-23 | 上海联影医疗科技有限公司 | 一种血管参数的计算方法、装置、设备及存储介质 |
| CN111860276A (zh) * | 2020-07-14 | 2020-10-30 | 咪咕文化科技有限公司 | 人体关键点检测方法、装置、网络设备及存储介质 |
| CN112446866A (zh) * | 2020-11-25 | 2021-03-05 | 上海联影医疗科技股份有限公司 | 血流参数的计算方法、装置、设备及存储介质 |
| CN112862916A (zh) * | 2021-03-11 | 2021-05-28 | 首都医科大学附属北京天坛医院 | Ct灌注功能图量化参数处理设备及方法 |
| CN112843506A (zh) * | 2019-11-28 | 2021-05-28 | 重庆西山科技股份有限公司 | 手术系统、超声吸引刀系统及其控制方法 |
| CN113040812A (zh) * | 2021-02-03 | 2021-06-29 | 上海联影医疗科技股份有限公司 | 医学图像分析方法、装置、计算机设备和存储介质 |
| CN113435293A (zh) * | 2021-06-23 | 2021-09-24 | 同济大学 | 一种基于关节关系的人体姿态估计方法 |
| CN113688830A (zh) * | 2021-08-13 | 2021-11-23 | 湖北工业大学 | 基于中心点回归的深度学习目标检测方法 |
| CN113706463A (zh) * | 2021-07-22 | 2021-11-26 | 杭州键嘉机器人有限公司 | 基于深度学习的关节影像关键点自动检测方法、装置、设备及存储介质 |
| WO2021249439A1 (en) * | 2020-06-09 | 2021-12-16 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
| CN113870215A (zh) * | 2021-09-26 | 2021-12-31 | 推想医疗科技股份有限公司 | 中线提取方法及装置 |
| CN113887503A (zh) * | 2021-10-22 | 2022-01-04 | 大连工业大学 | 一种基于改进的注意力卷积神经网络白细胞五分类方法 |
| CN114072838A (zh) * | 2019-07-17 | 2022-02-18 | 西门子医疗有限公司 | 根据2d医学图像进行3d血管中心线重建 |
-
2022
- 2022-03-18 CN CN202210272944.9A patent/CN114638878B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190209245A1 (en) * | 2016-09-26 | 2019-07-11 | Ucl Business Plc | A System And Method For Computer-Assisted Planning Of A Trajectory For A Surgical Insertion Into A Skull |
| CN107705289A (zh) * | 2017-09-05 | 2018-02-16 | 重庆邮电大学 | 一种基于骨架拓扑结构的血管模拟重建方法 |
| US20190303677A1 (en) * | 2018-03-30 | 2019-10-03 | Naver Corporation | System and method for training a convolutional neural network and classifying an action performed by a subject in a video using the trained convolutional neural network |
| CN109190682A (zh) * | 2018-08-13 | 2019-01-11 | 北京安德医智科技有限公司 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
| CN111144175A (zh) * | 2018-11-05 | 2020-05-12 | 杭州海康威视数字技术股份有限公司 | 一种图像检测方法及装置 |
| CN110400316A (zh) * | 2019-04-19 | 2019-11-01 | 杭州健培科技有限公司 | 一种基于深度学习的骨科影像测量方法及装置 |
| CN114072838A (zh) * | 2019-07-17 | 2022-02-18 | 西门子医疗有限公司 | 根据2d医学图像进行3d血管中心线重建 |
| CN112843506A (zh) * | 2019-11-28 | 2021-05-28 | 重庆西山科技股份有限公司 | 手术系统、超声吸引刀系统及其控制方法 |
| CN111695457A (zh) * | 2020-05-28 | 2020-09-22 | 浙江工商大学 | 一种基于弱监督机制的人体姿态估计方法 |
| CN111681224A (zh) * | 2020-06-09 | 2020-09-18 | 上海联影医疗科技有限公司 | 获取血管参数的方法和装置 |
| WO2021249439A1 (en) * | 2020-06-09 | 2021-12-16 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
| CN111815598A (zh) * | 2020-06-30 | 2020-10-23 | 上海联影医疗科技有限公司 | 一种血管参数的计算方法、装置、设备及存储介质 |
| CN111860276A (zh) * | 2020-07-14 | 2020-10-30 | 咪咕文化科技有限公司 | 人体关键点检测方法、装置、网络设备及存储介质 |
| CN111815766A (zh) * | 2020-07-28 | 2020-10-23 | 复旦大学附属华山医院 | 基于2d-dsa图像重建血管三维模型处理方法及系统 |
| CN112446866A (zh) * | 2020-11-25 | 2021-03-05 | 上海联影医疗科技股份有限公司 | 血流参数的计算方法、装置、设备及存储介质 |
| CN113040812A (zh) * | 2021-02-03 | 2021-06-29 | 上海联影医疗科技股份有限公司 | 医学图像分析方法、装置、计算机设备和存储介质 |
| CN112862916A (zh) * | 2021-03-11 | 2021-05-28 | 首都医科大学附属北京天坛医院 | Ct灌注功能图量化参数处理设备及方法 |
| CN113435293A (zh) * | 2021-06-23 | 2021-09-24 | 同济大学 | 一种基于关节关系的人体姿态估计方法 |
| CN113706463A (zh) * | 2021-07-22 | 2021-11-26 | 杭州键嘉机器人有限公司 | 基于深度学习的关节影像关键点自动检测方法、装置、设备及存储介质 |
| CN113688830A (zh) * | 2021-08-13 | 2021-11-23 | 湖北工业大学 | 基于中心点回归的深度学习目标检测方法 |
| CN113870215A (zh) * | 2021-09-26 | 2021-12-31 | 推想医疗科技股份有限公司 | 中线提取方法及装置 |
| CN113887503A (zh) * | 2021-10-22 | 2022-01-04 | 大连工业大学 | 一种基于改进的注意力卷积神经网络白细胞五分类方法 |
Non-Patent Citations (4)
| Title |
|---|
| AIDEN NIBALI 等: "Numerical Coordinate Regression with Convolutional Neural Networks", 《ARXIV:1801.07372V2》 * |
| HAIBO JIN 等: "Pixel-in-Pixel Net: Towards Efficient Facial Landmark Detection in the Wild", 《ARXIV:2003.03771V3》 * |
| 李赛: "医学图像解剖点自动检测方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 雷智华: "基于深度学习的医学图像分割技术研究与应用", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115526887A (zh) * | 2022-10-28 | 2022-12-27 | 北京医准智能科技有限公司 | 一种血管管径的预测方法、装置、电子设备及存储介质 |
| CN115526887B (zh) * | 2022-10-28 | 2023-06-30 | 北京医准智能科技有限公司 | 一种血管管径的预测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114638878B (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111012377B (zh) | 超声心动图心脏参数计算以及心肌应变测量方法、装置 | |
| US10452899B2 (en) | Unsupervised deep representation learning for fine-grained body part recognition | |
| JP7102531B2 (ja) | コンピュータ断層撮影血管造影における解剖学的構造のセグメンテーションのための方法、コンピュータ・プログラム、コンピュータ可読記憶媒体、および装置 | |
| TWI832966B (zh) | 用於使用多模態成像和集成機器學習模型的自動靶標和組織分割的方法和設備 | |
| US10614599B2 (en) | Anatomy segmentation through low-resolution multi-atlas label fusion and corrective learning | |
| US20210338179A1 (en) | Mammographic image processing method and apparatus, system and medium | |
| US9430827B2 (en) | Segmentation of a calcified blood vessel | |
| EP3111422B1 (en) | System and method for auto-contouring in adaptive radiotherapy | |
| WO2021259395A2 (zh) | 获得心肌桥图像的方法及装置、电子设备和存储介质 | |
| US9142030B2 (en) | Systems, methods and computer readable storage media storing instructions for automatically segmenting images of a region of interest | |
| EP3975117A1 (en) | Image segmentation method and apparatus, and training method and apparatus for image segmentation model | |
| US11430123B2 (en) | Sampling latent variables to generate multiple segmentations of an image | |
| CN111145160B (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
| CN114638878B (zh) | 基于深度学习的二维超声心动图管径检测方法及装置 | |
| US20230177683A1 (en) | Domain Aware Medical Image Classifier Interpretation by Counterfactual Impact Analysis | |
| US20150325018A1 (en) | Standalone annotations of axial-view spine images | |
| CN112801999B (zh) | 确定心脏冠脉优势型的方法及装置 | |
| CN111862259B (zh) | 医学灌注图像处理方法和医学成像设备 | |
| US20190138694A1 (en) | Automatic characterization of agatston score from coronary computed tomography | |
| Ghrenassia et al. | Interactive segmentation of tongue contours in ultrasound video sequences using quality maps | |
| CN114722925A (zh) | 病灶分类装置与非易失性计算机可读存储介质 | |
| CN111180046B (zh) | 确定用于处理图像的处理序列 | |
| CN112651960A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN115272374B (zh) | 心脏磁共振影像的心室分割方法和装置 | |
| CN117274218B (zh) | 基于脑灌注成像的血管关键点检测方法及装置、介质 |
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 |