CN115345858A - 一种超声心动图质量评价方法、系统及终端设备 - Google Patents
一种超声心动图质量评价方法、系统及终端设备 Download PDFInfo
- Publication number
- CN115345858A CN115345858A CN202210991916.2A CN202210991916A CN115345858A CN 115345858 A CN115345858 A CN 115345858A CN 202210991916 A CN202210991916 A CN 202210991916A CN 115345858 A CN115345858 A CN 115345858A
- Authority
- CN
- China
- Prior art keywords
- echocardiogram
- quality evaluation
- quality
- network model
- detected
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013441 quality evaluation Methods 0.000 claims abstract description 83
- 238000003908 quality control method Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 32
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000002592 echocardiography Methods 0.000 claims description 9
- 238000001303 quality assessment method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种超声心动图质量评价方法、系统及终端设备,方法包括构建超声心动图质量评价网络模型,采集待检测的超声心动图,将待检测的超声心动图输入至超声心动图质量评价网络模型中,超声心动图质量评价网络模型输出若干个超声心动图质控数据,对所述若干个超声心动图质控数据进行加权计算,得到超声心动图的质量评估得分;通过构建超声心动图质量评价网络模型对超声心动图进行质量评估,并通过对所述若干个超声心动图质控数据进行加权计算,能够增加质量评估的客观性和效率,从而解决现有技术所存在的主观性强和效率低的缺陷。
Description
技术领域
本发明涉及超声心动图技术领域,尤其涉及一种超声心动图质量评价方法、系统及终端设备。
背景技术
在超声心动图的教学、考试或疾病初筛的场景中,需要对超声心动图进行质量控制的过程和评价,目前在超声心动图成像质量评价的方向上,主要还是以人工的方式对超声心动图成像质量进行评价,让被评价者根据质量评价反馈,进行优化的学习与训练,然而,通过人工的方式对超声心动图成像质量进行评价依赖于不同评价者的个体认知,会导致主观性比较强,并不能做出客观的超声心动图成像质量的评价,而且效率也比较低。
发明内容
有鉴于此,本发明提出一种超声心动图质量评价方法、系统及终端设备,可以解决现有通过人工的方式对超声心动图成像质量进行评价所存在的主观性强和效率低的缺陷。
本发明的技术方案是这样实现的:
一种超声心动图质量评价方法,具体包括:
构建超声心动图质量评价网络模型,所述超声心动图质量评价网络模型输入为超声心动图,输出为若干个超声心动图质控数据;
采集待检测的超声心动图;
将待检测的超声心动图输入至超声心动图质量评价网络模型中,超声心动图质量评价网络模型输出若干个超声心动图质控数据;
对所述若干个超声心动图质控数据进行加权计算,得到超声心动图的质量评估得分。
作为所述超声心动图质量评价方法的进一步可选方案,所述超声心动图质控数据包括超声心动图的切面类型及其置信度、超声心动图内的组织结构获得对应框标签坐标点及其置信度。
作为所述超声心动图质量评价方法的进一步可选方案,所述构建超声心动图质量评价网络模型,具体包括:
建立超声心动图数据集;
将超声心动图数据集作为训练样本输入至深度卷积神经网络中进行训练,得到超声心动图质量评价网络模型。
作为所述超声心动图质量评价方法的进一步可选方案,所述将超声心动图数据集作为训练样本输入至深度卷积神经网络中进行训练之前,还包括:
对超声心动图数据集进行数据增强。
作为所述超声心动图质量评价方法的进一步可选方案,所述采集待检测的超声心动图,具体包括:
接入超声机获取超声心动图待检测实时视频流;
通过对超声心动图待检测实时视频流进行逐帧读取得到待检测的超声心动图。
作为所述超声心动图质量评价方法的进一步可选方案,所述方法还包括:
将超声心动图质控数据和超声心动图的质量评估得分进行可视化展示。
一种超声心动图质量评价系统,包括:
构建模块,用于构建超声心动图质量评价网络模型,所述超声心动图质量评价网络模型输入为超声心动图,输出为若干个超声心动图质控数据;
采集模块,用于采集待检测的超声心动图;
图像处理模块,用于将待检测的超声心动图输入至超声心动图质量评价网络模型中,超声心动图质量评价网络模型输出若干个超声心动图质控数据;
质量评估得分模块,用于对所述若干个超声心动图质控数据进行加权计算,得到超声心动图的质量评估得分;
显示模块,用于将超声心动图质控数据和超声心动图的质量评估得分进行可视化展示。
作为所述超声心动图质量评价系统的进一步可选方案,所述构建模块包括:
建立模块,用于建立超声心动图数据集;
数据增强模块,用于对超声心动图数据集进行数据增强;
训练模块,用于将超声心动图数据集作为训练样本输入至深度卷积神经网络中进行训练,得到超声心动图质量评价网络模型。
作为所述超声心动图质量评价系统的进一步可选方案,所述采集模块包括:
获取模块,用于接入超声机获取超声心动图待检测实时视频流;
读取模块,用于对超声心动图待检测实时视频流进行逐帧读取得到待检测的超声心动图。
一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一种超声心动图质量评价方法的步骤。
本发明的有益效果是:通过构建超声心动图质量评价网络模型对超声心动图进行质量评估,并通过对所述若干个超声心动图质控数据进行加权计算,能够增加质量评估的客观性和效率,从而解决现有技术所存在的主观性强和效率低的缺陷。
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,下面将对实施例或现有技术描述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为本发明一种超声心动图质量评价方法的流程示意图;
图2为本发明一种超声心动图质量评价系统的组成示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,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它实施例,都属于本发明保护的范围。
参考图1-2,一种超声心动图质量评价方法,具体包括:
构建超声心动图质量评价网络模型,所述超声心动图质量评价网络模型输入为超声心动图,输出为若干个超声心动图质控数据;
采集待检测的超声心动图;
将待检测的超声心动图输入至超声心动图质量评价网络模型中,超声心动图质量评价网络模型输出若干个超声心动图质控数据;
对所述若干个超声心动图质控数据进行加权计算,得到超声心动图的质量评估得分。
在本实施例中,通过构建超声心动图质量评价网络模型对超声心动图进行质量评估,并通过对所述若干个超声心动图质控数据进行加权计算,能够增加质量评估的客观性和效率,从而解决现有技术所存在的主观性强和效率低的缺陷;需要说明的是,对不同的超声心动图质控数据进行权重分配,依据权重分配进行质量评估,能够进一步提高质量评估的准确性。
优选的,所述超声心动图质控数据包括超声心动图的切面类型及其置信度、超声心动图内的组织结构获得对应框标签坐标点及其置信度。
在本实施例中,通过超声心动图的切面类型及其置信度、超声心动图内的组织结构获得对应框标签坐标点及其置信度组成四类超声心动图质控数据,相比于现有技术,能够直接在原图输出结果与数据标签对应,使得结果更加准确和直观。
优选的,所述构建超声心动图质量评价网络模型,具体包括:
建立超声心动图数据集;
将超声心动图数据集作为训练样本输入至深度卷积神经网络中进行训练,得到超声心动图质量评价网络模型。
优选的,所述将超声心动图数据集作为训练样本输入至深度卷积神经网络中进行训练之前,还包括:
对超声心动图数据集进行数据增强。
在本实施例中,建立超声心动图数据集,数据集中包含超声心动图图像,切面分类标签及组织结构标签及目标检测框坐标数据,收集患者的超声心动图图像,由具有医学背景相关人员选出高质量的超声心动图视频,在提取出图像后,对图像先进行切面分类,再进行组织结构类型及坐标标注工作;
创建数据集后,对数据集进行数据增强,以增加后续模型训练的鲁棒性和泛化能力,使用预处理后的数据集,可以对图像使用多种数据增强方法,对数据集进行数据量上的扩充,提高模型的鲁棒性和泛化能力,所述数据增强方法包括随机缩放、随机旋转、随机色块覆盖等,所述数据集可以划分为训练集、验证集和测试集;
将数据集中的图像作为深度卷积神经网络的输入,根据深度卷积神经网络输出、数据集中对应图像的切面分类,组织结构类型及坐标以及损失函数,对深度卷积神经网络进行训练,在验证集下的损失函数的值不再降低时,停止训练,得到训练好的超声心动图质量评价网络模型;需要说明的是,将数据集中的图像作为深度卷积神经网络的输入之前,调整图像的尺寸至深度卷积神经网络的固定输入图像尺寸,并根据图像缩放比例修改图像上的组织结构坐标数值,此外,将数据集中的图像作为深度卷积神经网络的输入,将切面分类,组织结构类型及坐标作为质控评价网络输出的标签,深度卷积神经网络包括多个卷积层、多个深度可分卷积层、多个上采样层、全连接层等。可采用的深度卷积神经网络的主干网络可以是残差网络、DarkNet网络、EfficientNet网络、MobileNet网络等网络结构,深度卷积神经网络输入样本图像,输出切面分类,组织结构类型及坐标,实现了端到端的多任务训练。
优选的,所述采集待检测的超声心动图,具体包括:
接入超声机获取超声心动图待检测实时视频流;
通过对超声心动图待检测实时视频流进行逐帧读取得到待检测的超声心动图。
在本实施例中,由图像采集卡对实时从超声机输出的视频流进行采集,然后由OpenCV通过逐帧读取的方式得到了实时的逐帧超声心动图图像帧,对图像进行reshape的操作,使得图像从800*600或1080*720转换为640*640的固定宽度和高度的图像,从而得到待检测的超声心动图,利用对视频流中每帧的超声心动图进行包含具体细则的评估,能在2-3个心动周期内获得足够样本的统计评分,进一步提高了效率。
优选的,所述方法还包括:
将超声心动图质控数据和超声心动图的质量评估得分进行可视化展示。
一种超声心动图质量评价系统,包括:
构建模块,用于构建超声心动图质量评价网络模型,所述超声心动图质量评价网络模型输入为超声心动图,输出为若干个超声心动图质控数据;
采集模块,用于采集待检测的超声心动图;
图像处理模块,用于将待检测的超声心动图输入至超声心动图质量评价网络模型中,超声心动图质量评价网络模型输出若干个超声心动图质控数据;
质量评估得分模块,用于对所述若干个超声心动图质控数据进行加权计算,得到超声心动图的质量评估得分;
显示模块,用于将超声心动图质控数据和超声心动图的质量评估得分进行可视化展示。
在本实施例中,通过构建超声心动图质量评价网络模型对超声心动图进行质量评估,并通过对所述若干个超声心动图质控数据进行加权计算,能够增加质量评估的客观性和效率,从而解决现有技术所存在的主观性强和效率低的缺陷。
优选的,所述构建模块包括:
建立模块,用于建立超声心动图数据集;
数据增强模块,用于对超声心动图数据集进行数据增强;
训练模块,用于将超声心动图数据集作为训练样本输入至深度卷积神经网络中进行训练,得到超声心动图质量评价网络模型。
在本实施例中,建立超声心动图数据集,数据集中包含超声心动图图像,切面分类标签及组织结构标签及目标检测框坐标数据,收集患者的超声心动图图像,由具有医学背景相关人员选出高质量的超声心动图视频,在提取出图像后,对图像先进行切面分类,再进行组织结构类型及坐标标注工作;
创建数据集后,对数据集进行数据增强,以增加后续模型训练的鲁棒性和泛化能力,使用预处理后的数据集,可以对图像使用多种数据增强方法,对数据集进行数据量上的扩充,提高模型的鲁棒性和泛化能力,所述数据增强方法包括随机缩放、随机旋转、随机色块覆盖等,所述数据集可以划分为训练集、验证集和测试集;
将数据集中的图像作为深度卷积神经网络的输入,根据深度卷积神经网络输出、数据集中对应图像的切面分类,组织结构类型及坐标以及损失函数,对深度卷积神经网络进行训练,在验证集下的损失函数的值不再降低时,停止训练,得到训练好的超声心动图质量评价网络模型;需要说明的是,将数据集中的图像作为深度卷积神经网络的输入之前,调整图像的尺寸至深度卷积神经网络的固定输入图像尺寸,并根据图像缩放比例修改图像上的组织结构坐标数值,此外,将数据集中的图像作为深度卷积神经网络的输入,将切面分类,组织结构类型及坐标作为质控评价网络输出的标签,深度卷积神经网络包括多个卷积层、多个深度可分卷积层、多个上采样层、全连接层等。可采用的深度卷积神经网络的主干网络可以是残差网络、DarkNet网络、EfficientNet网络、MobileNet网络等网络结构,深度卷积神经网络输入样本图像,输出切面分类,组织结构类型及坐标,实现了端到端的多任务训练。
优选的,所述采集模块包括:
获取模块,用于接入超声机获取超声心动图待检测实时视频流;
读取模块,用于对超声心动图待检测实时视频流进行逐帧读取得到待检测的超声心动图。
在本实施例中,由图像采集卡对实时从超声机输出的视频流进行采集,然后由OpenCV通过逐帧读取的方式得到了实时的逐帧超声心动图图像帧,对图像进行reshape的操作,使得图像从800*600或1080*720转换为640*640的固定宽度和高度的图像,从而得到待检测的超声心动图,利用对视频流中每帧的超声心动图进行包含具体细则的评估,能在2-3个心动周期内获得足够样本的统计评分,进一步提高了效率。
一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一种超声心动图质量评价方法的步骤。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种超声心动图质量评价方法,其特征在于,具体包括:
构建超声心动图质量评价网络模型,所述超声心动图质量评价网络模型输入为超声心动图,输出为若干个超声心动图质控数据;
采集待检测的超声心动图;
将待检测的超声心动图输入至超声心动图质量评价网络模型中,超声心动图质量评价网络模型输出若干个超声心动图质控数据;
对所述若干个超声心动图质控数据进行加权计算,得到超声心动图的质量评估得分。
2.根据权利要求1所述的一种超声心动图质量评价方法,其特征在于,所述超声心动图质控数据包括超声心动图的切面类型及其置信度、超声心动图内的组织结构获得对应框标签坐标点及其置信度。
3.根据权利要求2所述的一种超声心动图质量评价方法,其特征在于,所述构建超声心动图质量评价网络模型,具体包括:
建立超声心动图数据集;
将超声心动图数据集作为训练样本输入至深度卷积神经网络中进行训练,得到超声心动图质量评价网络模型。
4.根据权利要求3所述的一种超声心动图质量评价方法,其特征在于,所述将超声心动图数据集作为训练样本输入至深度卷积神经网络中进行训练之前,还包括:
对超声心动图数据集进行数据增强。
5.根据权利要求4所述的一种超声心动图质量评价方法,其特征在于,所述采集待检测的超声心动图,具体包括:
接入超声机获取超声心动图待检测实时视频流;
通过对超声心动图待检测实时视频流进行逐帧读取得到待检测的超声心动图。
6.根据权利要求5所述的一种超声心动图质量评价方法,其特征在于,所述方法还包括:
将超声心动图质控数据和超声心动图的质量评估得分进行可视化展示。
7.一种超声心动图质量评价系统,其特征在于,包括:
构建模块,用于构建超声心动图质量评价网络模型,所述超声心动图质量评价网络模型输入为超声心动图,输出为若干个超声心动图质控数据;
采集模块,用于采集待检测的超声心动图;
图像处理模块,用于将待检测的超声心动图输入至超声心动图质量评价网络模型中,超声心动图质量评价网络模型输出若干个超声心动图质控数据;
质量评估得分模块,用于对所述若干个超声心动图质控数据进行加权计算,得到超声心动图的质量评估得分;
显示模块,用于将超声心动图质控数据和超声心动图的质量评估得分进行可视化展示。
8.根据权利要求7所述的一种超声心动图质量评价系统,其特征在于,所述构建模块包括:
建立模块,用于建立超声心动图数据集;
数据增强模块,用于对超声心动图数据集进行数据增强;
训练模块,用于将超声心动图数据集作为训练样本输入至深度卷积神经网络中进行训练,得到超声心动图质量评价网络模型。
9.根据权利要求8所述的一种超声心动图质量评价系统,其特征在于,所述采集模块包括:
获取模块,用于接入超声机获取超声心动图待检测实时视频流;
读取模块,用于对超声心动图待检测实时视频流进行逐帧读取得到待检测的超声心动图。
10.一种终端设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-6中任意一种超声心动图质量评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210991916.2A CN115345858A (zh) | 2022-08-17 | 2022-08-17 | 一种超声心动图质量评价方法、系统及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210991916.2A CN115345858A (zh) | 2022-08-17 | 2022-08-17 | 一种超声心动图质量评价方法、系统及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115345858A true CN115345858A (zh) | 2022-11-15 |
Family
ID=83951843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210991916.2A Pending CN115345858A (zh) | 2022-08-17 | 2022-08-17 | 一种超声心动图质量评价方法、系统及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115345858A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452899A (zh) * | 2023-06-20 | 2023-07-18 | 四川省医学科学院·四川省人民医院 | 一种基于深度学习的超声心动图标准切面识别及评分方法 |
CN116563294A (zh) * | 2023-07-11 | 2023-08-08 | 深圳微创心算子医疗科技有限公司 | 图像质量的确定方法、装置、计算机设备和存储介质 |
-
2022
- 2022-08-17 CN CN202210991916.2A patent/CN115345858A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452899A (zh) * | 2023-06-20 | 2023-07-18 | 四川省医学科学院·四川省人民医院 | 一种基于深度学习的超声心动图标准切面识别及评分方法 |
CN116563294A (zh) * | 2023-07-11 | 2023-08-08 | 深圳微创心算子医疗科技有限公司 | 图像质量的确定方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115345858A (zh) | 一种超声心动图质量评价方法、系统及终端设备 | |
CN107591200B (zh) | 基于深度学习及影像组学的骨龄标记识别评估方法及系统 | |
CN109523535B (zh) | 一种病变图像的预处理方法 | |
CN111493935B (zh) | 基于人工智能的超声心动图自动预测识别方法及系统 | |
KR20220111634A (ko) | 온라인 오프라인 결합형 다차원 교육 ai 학교 시스템 | |
CN107993221B (zh) | 心血管光学相干断层oct图像易损斑块自动识别方法 | |
CN110543912B (zh) | 自动获取胎儿关键切面超声视频中心动周期视频的方法 | |
CN111462049B (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
CN106408566B (zh) | 一种胎儿超声图像质量控制方法及系统 | |
CN108846828A (zh) | 一种基于深度学习的病理图像目标区域定位方法及系统 | |
CN110729045A (zh) | 一种基于上下文感知残差网络的舌图像分割方法 | |
CN111583250B (zh) | 一种基于深度学习的超声图像二尖瓣的定位方法及系统 | |
CN111062953A (zh) | 一种超声图像中甲状旁腺增生的识别方法 | |
CN111685740B (zh) | 一种心脏功能参数检测方法及装置 | |
CN111242921A (zh) | 一种医学超声图像辅助诊断系统自动更新的方法及系统 | |
CN109858430A (zh) | 一种基于强化学习优化的多人姿态检测方法 | |
CN111275020A (zh) | 一种房间状态识别方法 | |
CN112488165A (zh) | 一种基于深度学习模型的红外行人识别方法及系统 | |
CN106355578B (zh) | 基于卷积神经网络的超声颈动脉远端识别装置和方法 | |
CN116229236A (zh) | 一种基于改进YOLO v5模型的结核杆菌检测方法 | |
CN114010227B (zh) | 一种右心室特征信息识别方法及装置 | |
CN113808105B (zh) | 一种基于超声扫查的病灶检测方法 | |
CN115439650A (zh) | 基于ct图像跨模态迁移学习的肾脏超声图像分割方法 | |
CN114998440A (zh) | 基于多模态的测评方法、装置、介质及设备 | |
CN114332858A (zh) | 病灶检测方法及装置、病灶检测模型获取方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230414 Address after: No.107, Yanjiang West Road, Guangzhou, Guangdong 510000 Applicant after: SUN YAT-SEN MEMORIAL HOSPITAL, SUN YAT-SEN University Applicant after: Guangzhou Kangyuan image intelligent Research Institute Address before: A909, No. 3, Juquan Road, Huangpu District, Guangzhou, Guangdong 510670 Applicant before: Guangzhou Kangyuan image intelligent Research Institute |