CN115393295A - 一种出血点评估方法、装置、设备及存储介质 - Google Patents
一种出血点评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115393295A CN115393295A CN202210969916.2A CN202210969916A CN115393295A CN 115393295 A CN115393295 A CN 115393295A CN 202210969916 A CN202210969916 A CN 202210969916A CN 115393295 A CN115393295 A CN 115393295A
- Authority
- CN
- China
- Prior art keywords
- bleeding point
- image
- severity
- evaluated
- bleeding
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Endoscopes (AREA)
Abstract
本申请提供一种出血点评估方法、装置、设备及存储介质,涉及图像处理技术领域,可以自动且准确地判断出血点的严重程度。该方法包括:获取第一出血点的区域图像,第一出血点的区域图像是包含第一出血点的图像;基于第一出血点的区域图像,确定第一出血点的严重程度;提示第一出血的严重程度。本申请可用于出血点评估的过程中。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种出血点评估方法、装置、设备及存储介质。
背景技术
现如今胃肠道疾病多发,其往往还伴随着内部出血,及时了解内部出血的情况,有利于进行有针对性的制定护理方案。
医护人员一般通过借助内窥镜进行检测,对目标对象的内部进行拍摄,以使得医护人员基于拍摄的原始图像进行分析,确定出血点的位置以进行伤口缝合等处理方案。但是当目标对象的内部出血点较多的情况,则需要医护人员分析出血点的严重程度,以确定出血点的处理优先级。但是快速且准确地判断出血点的严重程度比较困难,需要较高的专业知识和大量的实操经验,对医护人员的要求门槛较高。
发明内容
本申请提供一种出血点评估方法、装置、设备及存储介质,可以自动且准确地判断出血点的严重程度。
第一方面,本申请提供一种出血点评估方法,该方法包括:获取第一出血点的区域图像,所述第一出血点的区域图像是包含所述第一出血点的图像;基于所述第一出血点的区域图像,确定所述第一出血点的严重程度;提示所述第一出血点的严重程度。
本申请提供的出血点评估方法,在获取包含第一出血点的区域图像后,可以基于第一出血点的区域图像,确定第一出血点的严重程度并提示。相较于传统的人工评估的方式,该方法可以自动准确的确定出血点的严重程度并提示,大幅度降低医护人员的经验门槛要求,并且方便医护人员可以直接基于出血点的严重情况制定相关治疗计划,提高用户的使用体验。
一种可能的实现方式中,所述第一出血点的严重程度通过所述第一出血点的严重等级或分值来表征;或者,所述第一出血点的严重程度通过所述第一出血点的伤口大小、所述第一出血点的出血量中的至少一项来表征。
另一种可能的实现方式中,所述提示所述第一出血点的严重程度,包括:显示待评估图像;其中,所述待评估图像是包含所述第一出血点的区域图像的图像,所述待评估图像上标注了所述第一出血点的区域图像的位置和所述第一出血点的严重程度。
又一种可能的实现方式中,上述方法还包括:所述提示所述第一出血点的严重程度,包括:显示待评估图像和目标区域;其中,所述待评估图像是包含所述第一出血点的区域图像的图像,所述待评估图像上标注了所述第一出血点的区域图像的位置,所述目标区域中显示了所述第一出血点的严重程度。
又一种可能的实现方式中,所述获取第一出血点的区域图像,包括:获取待评估图像,所述待评估图像是针对包含所述第一出血点的目标场景采集的图像;从所述待评估图像中识别所述第一出血点的区域图像。
又一种可能的实现方式中,所述待评估图像还包括第二出血点,所述方法还包括:以第一显示方式,显示所述第一出血点的严重程度,并以第二显示方式,显示所述第二出血点的严重程度;其中,当所述第一出血点的严重程度与所述第二出血点的严重程度相同时,所述第一显示方式与所述第二显示方式相同;当所述第一出血点的严重程度与所述第二出血点的严重程度不同时,所述第一显示方式与所述第二显示方式不同。
又一种可能的实现方式中,所述方法还包括:输出所述待评估图像上的出血点的数量,和/或所述待评估图像上的出血点的最高严重程度中的至少一种。
又一种可能的实现方式中,从所述待评估图像中识别所述第一出血点的区域图像,包括:从所述待评估图像中识别所述第一出血点的区域信息,所述第一出血点的区域信息用于指示所述第一出血点在所述待评估图像中的位置;基于所述第一出血点的区域信息,从所述待评估图像中确定所述第一出血点的区域图像。
第二方面,本申请提供一种出血点评估装置,该装置包括获取模块,确定模块和提示模块;获取模块用于,获取第一出血点的区域图像,第一出血点的区域图像是包含第一出血点的图像;确定模块用于,基于第一出血点的区域图像,确定第一出血点的严重程度;提示模块用于,提示第一出血点的严重程度。
一种可能的实现方式中,第一出血点的严重程度通过第一出血点的严重等级或分值来表征;或者,第一出血点的严重程度通过第一出血点的伤口大小、第一出血点的出血量中的至少一项来表征。
另一种可能的实现方式中,提示模块具体用于,显示待评估图像;其中,待评估图像是包含第一出血点的区域图像的图像,待评估图像上标注了第一出血点的区域图像的位置和第一出血点的严重程度。
又一种可能的实现方式中,显示待评估图像和目标区域;其中,待评估图像是包含第一出血点的区域图像的图像,待评估图像上标注了第一出血点的区域图像的位置,目标区域中显示了第一出血点的严重程度。
又一种可能的实现方式中,获取模块具体用于,获取待评估图像,待评估图像是针对包含第一出血点的目标场景采集的图像;从待评估图像中识别第一出血点的区域图像。
又一种可能的实现方式中,待评估图像还包括第二出血点,提示模块还用于,以第一显示方式,显示第一出血点的严重程度,并以第二显示方式,显示第二出血点的严重程度;其中,当第一出血点的严重程度与第二出血点的严重程度相同时,第一显示方式与第二显示方式相同;当第一出血点的严重程度与第二出血点的严重程度不同时,第一显示方式与第二显示方式不同。
又一种可能的实现方式中,提示模块还用于,输出待评估图像上的出血点的数量,和/或待评估图像上的出血点的最高严重程度中的至少一种。
又一种可能的实现方式中,获取模块具体用于,从待评估图像中识别第一出血点的区域信息,第一出血点的区域信息用于指示第一出血点在待评估图像中的位置;基于第一出血点的区域信息,从待评估图像中确定第一出血点的区域图像。
第三方面,本申请提供一种出血点评估设备,该出血点评估设备包括:处理器和存储器;存储器存储有处理器可执行的指令;处理器被配置为执行指令时,使得出血点评估设备实现上述第一方面的方法。
第四方面,本申请提供一种计算机可读存储介质,该计算机可读存储介质包括:计算机软件指令;当计算机软件指令在计算机中运行时,使得计算机实现上述第一方面的方法。
第五方面,本申请提供一种计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行上述第一方面描述的相关方法的步骤,以实现上述第一方面的方法。
上述第二方面至第五方面的有益效果可以参考第一方面的对应描述,不再赘述。
附图说明
图1为本申请提供的一种出血点评估方法的应用环境示意图;
图2为本申请提供的一种出血点评估方法所涉及的实施环境示意图;
图3为本申请实施例提供的一种内镜装置的结构示意图;
图4为本申请提供的一种出血点评估方法的流程示意图;
图5为本申请提供的一种出血点显示效果的示意图;
图6为本申请提供的另一种出血点显示效果的示意图;
图7为本申请提供的另一种出血点评估方法的流程示意图;
图8为本申请提供的一种多个出血点显示效果的示意图;
图9为本申请提供的一种深度学习算法模型获取方法的流程示意图;
图10为本申请提供的一种检测网络模型的获取步骤的流程示意图;
图11为本申请提供的一种分类网络模型的获取步骤的流程示意图;
图12为本申请提供的一种总体方案的结构示意图;
图13为本申请提供的一种出血点评估装置的组成示意图;
图14为本申请提供的一种出血点评估设备的组成示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明的是,本申请实施例中,“示例性地”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性地”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性地”或者“例如”等词旨在以具体方式呈现相关概念。
为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分,本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。
内窥镜(Endoscopes)是一种常用的医疗器械,由导光束结构及一组镜头组成。内窥镜经人体的天然孔道或经小切口进入目标对象内部后,可以采集目标对象内部的图像,并基于采集的图像对目标对象进行检查或手术治疗。
医护人员在使用内窥镜进行检查或手术时,经常会遇到目标对象内部存在出血情况。此时需要及时找到出血点,并对出血点进行处理。当目标对象内部出血点较多时,则需要医护人员分析出血点的严重程度,并判断出血点处理的优先级,先对较为严重的出血点进行处理。然而,找到出血点并判断出血严重等级,需要较高的专业知识和大量实操经验,对于经验不够丰富的医护人员来说,可能无法发现出血点,且容易对出血点的严重程度发生误判。而且,这种人工判断的效率太低,极大影响治疗进度,容易导致意外情况发生。
综上所述,如何快速准确地确定出血点的严重程度是一个亟需解决的问题。
基于此,本申请实施例提供一种出血点评估方法,该方法在获取包含第一出血点的区域图像后,可以基于该区域图像,确定第一出血点的严重程度,进而提升第一出血点的严重程度。该方法可以大幅度降低对医护人员的经验要求门槛,并且有效地提高出血点评估的准确度和效率。
本申请提供的出血点评估方法,可以应用于如图1所示的应用环境中。如图1所示,该应用环境可以包括:检测装置101和分类装置102。检测装置101和分类装置102之间互相连接。
其中,上述检测装置101可以应用于服务器中。这里所说的服务器可以是多个服务器组成的服务器集群、或者单个服务器、又或者计算机。检测装置101具体可以是服务器中的处理器或处理芯片等。本申请实施例对上述服务器的具体设备形态不作限制。图1中以应用签名装置101应用于单个服务器为例示出。在本申请实施例中,检测装置用于对原始检测图像(也可称之为待评估图像)进行识别,得到包括出血点的位置的出血点的区域图像。
上述分类装置102也可以应用于服务器中。本申请实施例对该服务器的具体设备形态也不作限制。图1中以分类装置102应用于单个服务器为例示出。在本申请实施例中,分类装置102用于对出血点的区域图像进行分类,确定出血点的严重程度。
在一些实施例中,在需要对出血点进行评估时,可以将对出血点拍摄的待评估图像输入检测装置101进行识别,圈选出待评估图像中的出血点位置得到出血点的区域信息,进一步输入分类装置102中,分类装置102提取图像中语义信息进行分类,得到出血点的严重程度。
需要说明的是,上述实施例以检测装置与分类装置是两个不同的设备为例进行说明的,在另一些实施例中,上述检测装置和分类装置可以是同一个设备,如称为出血点评估装置,可以先后执行图像的检测和分类方法。本申请实施例对此不作具体限制。下述以出血点评估装置为例进行说明。
另外,如图2所示,本申请实施例提供一种出血点评估方法所涉及的实施环境示意图。如图2所示,该实施环境可以包括:内镜装置210和显示装置220。
其中,内镜装置210,用于获取目标场景的图像信息。其中,目标场景可以为生物体内部的场景。
在一些实施例中,如图3所示,内镜装置210包括:内窥镜211、光源装置212和摄像系统主机213。
其中,内窥镜211,用于经生物体的天然孔道导入生物体内部,以拍摄生物体内部的图像信息。
光源装置212与内窥镜211相连,用于发出照明光,以便内窥镜211拍摄出清晰的图像。可选地,光源装置212可以发出白光,以进行可见光成像。
摄像系统主机213用于接收内窥镜211的发送的图像,并对该图像进行处理,将处理后的图像发送给显示装置220。可选地,摄像系统主机213还用于控制内窥镜211将所采集的图像发送给摄像系统主机213;摄像系统主机213还用于控制光源装置212开启或关闭光源等。应理解,摄像系统主机213可以根据指令操作码和时序信号,产生操作控制信号,指示实施环境中的其他装置执行控制指令。此外,摄像系统主机213本身具有图像处理功能,或者,摄像系统主机213与其他具有图像处理的装置集成在一起。在本申请实施例中,摄像系统主机213可以是上述出血点评估装置。
在一些实施例中,摄像系统主机213可以接收显示装置220回传的显示参数;或者,摄像系统主机213可以接收显示装置220回传的显示画面。
可以理解的是,图3中所示的摄像系统主机213仅为示例,本申请对摄像系统主机213的具体存在形式不作限制。示例性地,摄像系统主机213可以为服务器;或者,摄像系统主机213可以为中央处理器(central processing unit,CPU)、图像处理单元(GraphicsProcessing Unit,GPU)、通用处理器网络处理器(network processor,NP)、数字信号处理器(digital signal processing,DSP)、微处理器、微控制器、可编程逻辑器件(programmable logic device,PLD)或它们的任意组合。摄像系统主机213还可以是其它具有处理功能的装置,例如电路、器件或软件模块,本申请对此不做任何限制。
显示装置220用于接收摄像系统主机213发送的处理后的图像信息,并将处理后的图像信息显示在显示装置220上。
图4为本申请实施例提供的一种出血点评估方法的流程示意图。示例性的,本申请提供的出血点评估方法,可以应用于图1所示的应用环境中,或者图2所示的实施环境中。
如图4所示,本申请提供的出血点评估方法具体可以包括以下步骤:
S401、出血点评估装置获取第一出血点的区域图像。
其中,第一出血点的区域图像是包含第一出血点的图像。
在一些实施例中,在需要进行出血点评估时,出血点评估装置可以获取包含需要评估的出血点(如称为第一出血点)的区域图像,以后续对待评估图像进行出血点评估。
具体的,获取第一出血点的区域图像,包括如下S401a-S401b:
S401a、获取待评估图像,待评估图像是针对包含第一出血点的目标场景采集的图像。
出血点评估装置可以通过拍摄设备获取对出血点拍摄的待评估图像。其中,该待评估图像可以是内窥镜对目标场景拍摄采集得到的原始检测图像。需要说明的是,该待评估图像可以是单个的一张图像,也可以是内窥镜拍摄采集的视频流中的一帧图像。
S401b、从待评估图像中识别第一出血点的区域图像。
在获取待评估图像后,出血点评估装置可以从待评估图像中识别第一出血点的区域图像。具体的,出血点评估装置可以从待评估图像中识别第一出血点的区域信息,第一出血点的区域信息用于指示第一出血点在待评估图像中的位置。进一步的,基于第一出血点的区域信息,从待评估图像中确定第一出血点的区域图像。
示例性的,在获取待评估图像后,出血点评估装置可以将待评估图像输入至事先准备的检测网络模型中,以确定待评估图像中的第一出血点的位置,进而输出第一出血点的区域信息。其中,检测网络模型用于识别图像中的出血点位置。区域信息包括出血点的位置坐标。
需要说明的是,出血点评估装置在将待评估图像输入检测网络模型之前,可以先对待评估图像进行图像预处理,以方便检测网格模型可以更好地对图像进行识别。其中,图像处理过程可以包括图像的平移、大小缩放、阈值处理、边缘检测、图像降采样等等,本申请实施例对此不作具体限定。
S402、出血点评估装置基于第一出血点的区域图像,确定第一出血点的严重程度。
在一些实施例中,出血点评估在获取第一出血点的区域图像后,可以基于第一出血点的区域图像,确定第一出血点的严重程度。
其中,第一出血点的严重程度通过第一出血点的严重等级或分值来表征。或者,第一出血点的严重程度通过第一出血点的伤口大小、第一出血点的出血量中的至少一项来表征。
具体的,出血点评估装置可以将第一出血点的区域图像输入预先训练好的分类网络模型中,以输出得到区域图像中第一出血点的严重程度。其中,分类网络模型用于评估区域图像中出血点的严重程度。
需要说明的是,可以采用对大量的训练区域图像进行打标后得到训练数据集,以使用训练数据集训练得到分类网络模型,进而可以使用分类网络模型预测输入的区域图像中出血点的严重程度。当严重程度通过严重等级或分值来表征时,则对训练区域图像打标的数据即为出血点的严重等级或分值。当严重程度通过伤口大小或者出血量等来表征时,则打标的数据为出血点的伤口大小或者出血量等特征。其中,出血量与伤口大小有关,出血量的多少与伤口大小呈正比关系。具体模型的训练过程参见下述图9所示的实施例,在此不作详细赘述。以下严重程度为严重等级为例进行说明。
另外,区域图像在输入分类网络模型之前,也可以进行上述预处理的操作,以方便分类网格模型可以更好地对图像进行识别,在此不再重复赘述。
S403、出血点评估装置提示第一出血点的严重程度。
在一些实施例中,出血点评估装置可以提示第一出血点的严重程度,以使得医护人员可以快速了解出血点的伤口情况,制定相应的治疗计划。提示的方式可以是在显示装置上显示的方式,以实现提示效果。其中,提示的方式可以是图像显示的提示方式,也可以是语音播报的提示方式,以或者是文字显示的提示方法,本申请实施例对具体的提示方式不作限制。以下以图像显示的提示方式为例进行说明。
在一种可能的实现方式中,提示第一出血点的严重程度的具体方式为,出血点评估装置在显示屏上显示待评估图像。其中,待评估图像是包含第一出血点的区域图像的图像,待评估图像上标注了第一出血点的区域图像的位置和第一出血点的严重程度。
示例性的,第一出血点的区域图像的位置可以在待评估图像上以高亮显示,区域框圈选等形式以突出显示第一出血点的位置。另外,第一出血点的严重程度,可以是以文字标注的形式,显示在第一出血点的区域图像的位置处。也可以是以不同颜色显示的区域框,实现区分不同的严重程度。
例如,如图5所示,显示屏上显示待评估图像,待评估图像中存在一个出血点,出血点评估装置以区域框(图中以方框为例)圈选的形式,突出该出血点的在待评估图像中的显示位置。另外,严重程度以文字显示形式显示在上述区域框的右下角,用于指示该出血点的严重程度为中度的严重等级。
在另一种可能的实现方式中,提示第一出血点的严重程度的具体方式为,出血点评估装置显示待评估图像和目标区域。其中,如前,待评估图像是包含第一出血点的区域图像的图像,待评估图像上标注了第一出血点的区域图像的位置,目标区域中显示了第一出血点的严重程度。
示例性的,第一出血点的区域图像的位置可以在待评估图像上以高亮显示,区域框圈选等形式以突出显示第一出血点的位置。另外,出血点评估装置还显示目标区域,目标区域用于显示第一出血点的严重程度,例如以文字显示的形式表示出血点的严重程度。
例如,如图6所示,显示屏上左边部分显示待评估图像,右边部分显示目标区域。待评估图像上存在一个出血点1,同样的,出血点评估装置以方框圈选的形式,突出显示该出血点1的在待评估图像中的位置。另外,出血点评估装置在显示屏右侧的目标区域部分,以文字显示的形式标注该出血点1的严重程度,描述为“出血点1:中度”。
在另一些实施例中,上述待评估图像中还包括第二出血点。第二出血点的区域图像以及严重程度的确定方式等同于上述S401-S403的描述,在此不再重复赘述。可以理解,内窥镜拍摄得到的待评估图像中,可能存在多个出血点。因此,可以在待评估图像中可以识别处每个出血点的区域图像,依次将每个出血点的区域图像输入至分类网络模型中,可以得到每个出血点的严重等级。
在待评估图像好包括第二出血点的情况下,如图7所示,出血点评估装置还执行如下S404和S405。
S404、出血点评估装置以第一显示方式,显示第一出血点的严重程度,并以第二显示方式,显示第二出血点的严重程度。
在一些实施例中,在待评估图像还包括第二出血点的情况下,出血点评估装置可以以第一显示方式,显示第一出血点的严重程度,并以第二显示方式,显示第二出血点的严重程度。其中,当第一出血点的严重程度与第二出血点的严重程度相同时,第一显示方式与第二显示方式相同;当第一出血点的严重程度与第二出血点的严重程度不同时,第一显示方式与第二显示方式不同。应理解,使用不同的显示方式能够区分出血点不同的严重等级程度即可,本申请实施例对具体的显示方式不作限制。
示例性的,若以区域框显示方式为例,可以通过显示不同颜色的区域框,区别不同的严重程度。如严重程度分为轻中高三个严重等级(可以根据实际场景进行调整,并不构成限定),则第一类颜色的区域框圈选出的出血点为轻度严重等级的出血点,第二类颜色的区域框圈选出的出血点为中度严重等级的出血点,第三类颜色的区域框圈选出的出血点为高度严重等级的出血点。另外,也可以使得区域框以不同的频率闪烁以表征不同的严重等级。轻度严重等级的区域框闪烁频率较慢,中度严重等级的区域框闪烁频率不快不慢,中度严重等级的闪烁频率较快。而且,当严重程度以伤口大小或者出血量来表征时,可以定量显示具体的参数。如区域框圈选出血点后,可以在区域框的右下角标注对应出血点的伤口大小或者出血量,以使得医护人员可以直观了解出血点的情况。
例如,结合上述实施例,可以以不同的颜色的方框圈选出血点,以实现区分出血点不同的严重等级。例如出血点的严重等级为轻度等级,则使用绿色的方框进行圈选。出血点的严重等级为中度等级,则使用蓝色的方框进行圈选。出血点的严重等级为重度等级,则使用黄色的方框进行圈选,以不同的显示方式,提示医护人员出血点不同的严重等级。
可以理解,对出血点严重程度进行等级划分,可以有效帮助医护人员确定哪些出血点比较严重,需要及时处理,哪些出血点问题较小,处理优先级可以低一些,保证严重的地方优先得到处理,更为符合实际条件下的医疗场景流程。
S405、出血点评估装置输出待评估图像上的出血点的数量,和/或待评估图像上的出血点的最高严重程度中的至少一种。
在一些实施例中,出血点评估装置还可以输出待评估图像上的出血点的数量,和/或待评估图像上的出血点的最高严重等级。其中,出血点的数量可以通过前述检测网络模型识别待评估图像中出血点的个数进行确定。进一步的,通过分类网络模型确定每个出血点的严重程度,即可确定最高严重等级。
例如,图8为本申请实施例提供的一种多个出血点显示效果示意图。图8中待处理图像有两个出血点,出血点评估装置以方框圈选的形式,将这两个出血点分别圈选出来,用于提示医护人员出血点在待评估图像中的位置。图8中待处理图像左侧的出血点较为严重,使用黄色的方框进行圈选。右侧的出血点较轻,使用绿色的方框进行圈选,用于提示医护人员每个出血点不同的严重等级。另外,在图8中待处理图像的右上角,还以文字显示的形式显示出待评估图像中出血点的数量以及出血点的最高严重程度,即出血点数量:2,严重等级:重度。
以下结合具体的实施例对检测网络模型或分类网络模型(可统称为深度学习算法模型)的获取进行说明。如图9所示,深度学习算法模型的获取过程具体包括如下步骤:
S901、出血点评估装置获取训练数据集。
其中,训练数据集包括一组或多组训练数据;训练数据包括训练图像以及训练图像对应的真实输出值。
在一些实施例中,若深度学习算法模型为检测网络模型,构成训练数据集的训练图像为对出血点拍摄的原始图像。另外,还对每个原始图像进行打标,得到训练图像对应的真实输出值,该真实输出值为出血点的区域信息。
在另一些实施例中,若深度学习算法模型为分类网络模型,构成训练数据集的训练图像为出血点的区域图像。出血点的区域图像可以将原始图像通过上述检测网络模型识别输出后得到。另外,还对每个区域图像进行打标,打标的真实输出值为出血点的严重信息。
S902、出血点评估装置将训练数据集,输入深度学习算法模型,得到目标损失值。
其中,深度学习算法模型包括检测网络模型或者分类网络模型。目标损失值为训练数据集输入深度学习算法模型进行多次训练得到的损失值中的最小值。
在一些实施例中,在获取训练数据集后,出血点评估装置可以将训练数据集输入深度学习算法模型中进行训练,每次训练都会得到损失值。该损失值用于表示训练图像经深度学习算法模型识别输出的预测值,与打标的真实输出值直接的差值。因此,损失值越小,则说明预测值与真实输出值越接近,即模型的识别效果越好。所以,目标损失值是可以使得该深度学习算法模型收敛的损失值,也即多次训练得到的损失值中的最小值。
S903、出血点评估装置基于目标损失值利用反向传播算法,调整深度学习算法模型的网络参数,直至深度学习算法模型收敛。
在一些实施例中,出血点评估装置可以基于目标损失值,利用反向传播算法对深度学习算法模型的网络参数进行调整,重复上述步骤S502-S503,直至深度学习算法模型收敛,即得到的损失值小于预设阈值时,可以认为此时深度学习算法模型的预测值与真实输出值的差异可以忽略不计,即得到训练好的模型。具体的,训练检测网络模型,可以采用yolo-v5模型进行训练。训练分类网络模型,可以采用Resnet-50模型进行训练。
需要说明的是,深度学习算法模型的使用包括训练阶段和应用阶段。训练阶段即上述图9所示的S901-S903,采用初始的网络参数配置初始网络模型,然后采用训练数据集进行训练得到损失值,以不断调整该网络参数,使得网络模型收敛,得到训练好的网络模型(如检测网络模型或分类网络模型),进而进行上述S401-S403的应用阶段。在另一种方案中,为保证模型的效果不断完善,在应用阶段,其输入的图像以及对应输出的结果,可以作为新的训练数据,继续对网络模型进行调整,使得网络模型的预测结果更为准确。
以下结合完整的流程对检测网络模型的获取进行说明。如图10所示,检测网络模型的获取过程具体包括如下步骤:
(1)通过内窥镜采集目标对象内部的大量原始训练图像,该原始训练图像为内窥镜对出血点拍摄的图像。
(2)对每张原始训练图像中出血点区域进行标定,得到出血点标定的位置坐标。
出血点标定的位置坐标(即前述实施例中真实输出值)即出血点出外接矩形的4个角的位置坐标,原始训练图像和其对应的出血点的位置坐标组成一组训练数据,即第一训练数据集可以包括多组训练数据,每组训练数据包括原始训练图像和出血点的位置坐标。
(3)将原始训练图像输入第一初始网络模型,输出出血点预测的位置坐标。
首先为第一初始网络模型配置网络参数为θa0,并对训练相关的高层参数(如学习率、梯度下降算法的相关参数等)进行设置。其中,该第一初始网络模型可以为yolo-v5模型。进一步的,基于网络参数为θa0的第一初始网络模型,对第一训练数据集进行前向计算,得到第一训练数据集中的原始训练图像对应出血点预测的位置坐标。
(4)基于出血点预测的位置坐标和出血点标定的位置坐标,确定损失值,该损失在即反映了预测值和标定的真实输出值之间的差值。
(5)基于损失值对第一初始网络模型进行训练,得到检测网络模型。
基于损失值利用反向传播算法对θa0进行调整,获得θai,使用θai配置第一初始网络模型,继续对第一训练数据集进行前向计算。重复上述步骤(4)和步骤(5),直至第一初始网络模型收敛,输出参数θafinal,而基于参数θafinal组成的网络模型,就是训练好的检测网络模型。
以下结合完整的流程对分类网络模型的获取进行说明。如图11所示,分类网络模型的获取过程具体包括如下步骤:
(1)通过内窥镜采集目标对象内部的大量原始训练图像。
(2)提取原始训练图像中每一个出血点区域,得到出血点区域图像。
(3)对出血点区域图像进行标定,得到出血点区域标定的严重等级。
出血点区域图像和出血点区域标定的严重等级组成一组训练数据,即第二训练数据集可以包括多组训练数据,每组训练数据包括出血点区域图像和出血点区域标定的严重等级。
(4)将出血点区域图像输入第二初始网络模型,输出出血点预测的严重等级。
首先,为第二初始网络模型配置网络参数为θb0,并对训练相关的高层参数(如学习率、梯度下降算法的相关参数等)进行设置。其中,该第二初始网络模型可以为yolo-v5模型。
基于网络参数为θb0的第二初始网络模型,对第二训练数据集进行前向计算,得到第二训练数据集中的出血点区域图像对应的出血点预测的严重等级。
(5)基于出血点预测的严重等级和第二训练数据集中的出血点标定的严重等级,确定损失值。
(6)基于损失值对第二初始网络模型进行训练,得到分类网络模型。
基于损失值利用反向传播算法对θb0进行调整,获得θbi,利用θbi配置第二初始网络模型,继续对第二训练数据集进行前向计算。重复步骤(5)至步骤(6),直至第二初始网络模型收敛,输出参数θbfinal,而基于参数θbfinal组成的网络模型,就是训练好的分类网络模型。
图12为本申请实施例提供的一种总体方案结构图。如图12所示,针对通过内窥镜采集得到的原始检测图像(即前述待评估图像),首先经过预处理模块处理,对抽出的图片帧进行降采样等一些图像预处理操作。然后检测模块提取原始检测图像的语义信息,根据语义信息生成多个出血点区域框,根据出血点区域框在原始检测图像上提取多张出血点区域图像,其中使用的检测网络模型由第一预训练模块生成。分类模块依次对得到的多个出血点区域图像按照出血点严重程度进行分类,得到每个出血点区域图像的严重程度评估结果,出血点的严重等级包括Ⅰ级、Ⅱ级和Ⅲ级,分别对应轻度、中度和重度,其中使用的分类网络模型由第二预训练模块生成;最后显示模块将得到的信息叠加显示在显示页面上,起到提醒医生的功能。
上述实施例提供的技术方案至少带来以下有益效果,本申请实施例提供的出血点评估方法,在获取包含第一出血点的区域图像后,可以基于第一出血点的区域图像,确定第一出血点的严重程度并提示。相较于传统的人工评估的方式,该方法可以自动准确的确定出血点的严重程度并提示,大幅度降低医护人员的经验门槛要求,并且方便医护人员可以直接基于出血点的严重情况制定相关治疗计划,提高用户的使用体验。
进一步的,该方案采用深度学习算法,训练检测网络模型和分类网络模型,分别识别出血点的位置以及严重程度。深度学习算法较为成熟,其识别效果也更为准确,可以完全代替人工实现自动化。且模型在不断的使用过程中,随着数据量的增大,其模型也会随之不断完善,识别效果越来越好。另外,本方案可以在医疗过程中,显示出血点的数量以及严重等级,方便医护人员基于此确定治疗优先级,进而保证医疗效果与效率。
可以看出,上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能,本申请实施例提供了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的模块及算法步骤,本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在示例性的实施例中,本申请还提供一种出血点评估装置。该出血点评估装置可以包括一个或多个功能模块,用于实现以上方法实施例的出血点评估方法。
例如,图13为本申请实施例提供的一种出血点评估装置的组成示意图。如图13所示,该出血点评估装置包括:获取模块1301,确定模块1302和提示模块1303。获取模块1301,确定模块1302和提示模块1303之间互相连接。
获取模块1301用于,获取第一出血点的区域图像,第一出血点的区域图像是包含第一出血点的图像。
确定模块1302用于,基于第一出血点的区域图像,确定第一出血点的严重程度。
提示模块1303用于,提示第一出血点的严重程度。
在一些实施例中,第一出血点的严重程度通过第一出血点的严重等级或分值来表征;或者,第一出血点的严重程度通过第一出血点的伤口大小、第一出血点的出血量中的至少一项来表征。
在一些实施例中,提示模块1303具体用于,显示待评估图像;其中,待评估图像是包含第一出血点的区域图像的图像,待评估图像上标注了第一出血点的区域图像的位置和第一出血点的严重程度。
在一些实施例中,显示待评估图像和目标区域;其中,待评估图像是包含第一出血点的区域图像的图像,待评估图像上标注了第一出血点的区域图像的位置,目标区域中显示了第一出血点的严重程度。
在一些实施例中,获取模块1301具体用于,获取待评估图像,待评估图像是针对包含第一出血点的目标场景采集的图像;从待评估图像中识别第一出血点的区域图像。
在一些实施例中,待评估图像还包括第二出血点,提示模块1303还用于,以第一显示方式,显示第一出血点的严重程度,并以第二显示方式,显示第二出血点的严重程度;其中,当第一出血点的严重程度与第二出血点的严重程度相同时,第一显示方式与第二显示方式相同;当第一出血点的严重程度与第二出血点的严重程度不同时,第一显示方式与第二显示方式不同。
在一些实施例中,提示模块1303还用于,输出待评估图像上的出血点的数量,和/或待评估图像上的出血点的最高严重程度中的至少一种。
在一些实施例中,获取模块1301具体用于,从待评估图像中识别第一出血点的区域信息,第一出血点的区域信息用于指示第一出血点在待评估图像中的位置;基于第一出血点的区域信息,从待评估图像中确定第一出血点的区域图像。
在采用硬件的形式实现上述集成的模块的功能的情况下,本申请实施例提供了一种出血点评估设备的结构示意图,该出血点评估设备可以是上述出血点评估装置。如图14所示,该出血点评估设备1400包括:处理器1402,通信接口1403,总线1404。可选的,出血点评估设备还可以包括存储器1401。
处理器1402,可以是实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。该处理器1402可以是中央处理器,通用处理器,数字信号处理器,专用集成电路,现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器1402也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
通信接口1403,用于与其他设备通过通信网络连接。该通信网络可以是以太网,无线接入网,无线局域网(wireless local area networks,WLAN)等。
存储器1401,可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
作为一种可能的实现方式,存储器1401可以独立于处理器1402存在,存储器1401可以通过总线1404与处理器1402相连接,用于存储指令或者程序代码。处理器1402调用并执行存储器1401中存储的指令或程序代码时,能够实现本申请实施例提供的出血点评估方法。
另一种可能的实现方式中,存储器1401也可以和处理器1402集成在一起。
总线1404,可以是扩展工业标准结构(extended industry standardarchitecture,EISA)总线等。总线1404可以分为地址总线、数据总线、控制总线等。为便于表示,图14中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将出血点评估装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
本申请实施例还提供了一种计算机可读存储介质。上述方法实施例中的全部或者部分流程可以由计算机指令来指示相关的硬件完成,该程序可存储于上述计算机可读存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。计算机可读存储介质可以是前述任一实施例的或内存。上述计算机可读存储介质也可以是上述出血点评估装置的外部存储设备,例如上述出血点评估装置上配备的插接式硬盘,智能存储卡(smart mediacard,SMC),安全数字(secure digital,SD)卡,闪存卡(flash card)等。进一步地,上述计算机可读存储介质还可以既包括上述出血点评估装置的内部存储单元也包括外部存储设备。上述计算机可读存储介质用于存储上述计算机程序以及上述出血点评估装置所需的其他程序和数据。上述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供一种计算机程序产品,该计算机产品包含计算机程序,当该计算机程序产品在计算机上运行时,使得该计算机执行上述实施例中所提供的任一项出血点评估方法。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看附图、公开内容、以及所附权利要求书,可理解并实现公开实施例的其他变化。在权利要求中,“包括”(Comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (12)
1.一种出血点评估方法,其特征在于,所述方法包括:
获取第一出血点的区域图像;所述第一出血点的区域图像是包含所述第一出血点的图像;
基于所述第一出血点的区域图像,确定所述第一出血点的严重程度;
提示所述第一出血点的严重程度。
2.根据权利要求1所述的方法,其特征在于,
所述第一出血点的严重程度通过所述第一出血点的严重等级或分值来表征;
或者,所述第一出血点的严重程度通过所述第一出血点的伤口大小、所述第一出血点的出血量中的至少一项来表征。
3.根据权利要求2所述的方法,其特征在于,所述提示所述第一出血点的严重程度,包括:
显示待评估图像,其中,所述待评估图像是包含所述第一出血点的区域图像的图像,所述待评估图像上标注了所述第一出血点的区域图像的位置和所述第一出血点的严重程度。
4.根据权利要求1或2所述的方法,其特征在于,所述提示所述第一出血点的严重程度,包括:
显示待评估图像和目标区域;其中,所述待评估图像是包含所述第一出血点的区域图像的图像,所述待评估图像上标注了所述第一出血点的区域图像的位置,所述目标区域中显示了所述第一出血点的严重程度。
5.根据权利要求1或2所述的方法,其特征在于,所述获取第一出血点的区域图像,包括:
获取待评估图像,所述待评估图像是针对包含所述第一出血点的目标场景采集的图像;
从所述待评估图像中识别所述第一出血点的区域图像。
6.根据权利要求5所述的方法,其特征在于,所述待评估图像还包括第二出血点,所述方法还包括:
以第一显示方式,显示所述第一出血点的严重程度,并以第二显示方式,显示所述第二出血点的严重程度;其中,当所述第一出血点的严重程度与所述第二出血点的严重程度相同时,所述第一显示方式与所述第二显示方式相同;当所述第一出血点的严重程度与所述第二出血点的严重程度不同时,所述第一显示方式与所述第二显示方式不同。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
输出所述待评估图像上的出血点的数量,和/或所述待评估图像上的出血点的最高严重程度中的至少一种。
8.根据权利要求5所述的方法,其特征在于,所述从所述待评估图像中确定所述第一出血点的区域图像,包括:
从所述待评估图像中识别所述第一出血点的区域信息,所述第一出血点的区域信息用于指示所述第一出血点在所述待评估图像中的位置;
基于所述第一出血点的区域信息,从所述待评估图像中确定所述第一出血点的区域图像。
9.一种出血点评估装置,其特征在于,所述装置包括获取模块,确定模块和提示模块;
所述获取模块用于,获取第一出血点的区域图像,所述第一出血点的区域图像是包含所述第一出血点的图像;
所述确定模块用于,基于所述第一出血点的区域图像,确定所述第一出血点的严重程度;
所述提示模块用于,提示所述第一出血点的严重程度。
10.根据权利要求9所述的装置,其特征在于,
所述第一出血点的严重程度通过所述第一出血点的严重等级或分值来表征;或者,所述第一出血点的严重程度通过所述第一出血点的伤口大小、所述第一出血点的出血量中的至少一项来表征;
所述提示模块具体用于,显示待评估图像;其中,所述待评估图像是包含所述第一出血点的区域图像的图像,所述待评估图像上标注了所述第一出血点的区域图像的位置和所述第一出血点的严重程度;
所述提示模块具体用于,显示待评估图像和目标区域;其中,所述待评估图像是包含所述第一出血点的区域图像的图像,所述待评估图像上标注了所述第一出血点的区域图像的位置,所述目标区域中显示了所述第一出血点的严重程度;
所述获取模块具体用于,获取待评估图像,所述待评估图像是针对包含所述第一出血点的目标场景采集的图像;从所述待评估图像中识别所述第一出血点的区域图像;
所述待评估图像还包括第二出血点,所述提示模块还用于,以第一显示方式,显示所述第一出血点的严重程度,并以第二显示方式,显示所述第二出血点的严重程度;其中,当所述第一出血点的严重程度与所述第二出血点的严重程度相同时,所述第一显示方式与所述第二显示方式相同;当所述第一出血点的严重程度与所述第二出血点的严重程度不同时,所述第一显示方式与所述第二显示方式不同;
所述提示模块还用于,输出所述待评估图像上的出血点的数量,和/或所述待评估图像上的出血点的最高严重程度中的至少一种;
所述获取模块具体用于,从所述待评估图像中识别所述第一出血点的区域信息,所述第一出血点的区域信息用于指示所述第一出血点在所述待评估图像中的位置;基于所述第一出血点的区域信息,从所述待评估图像中确定所述第一出血点的区域图像。
11.一种出血点评估设备,其特征在于,所述出血点评估设备包括:处理器和存储器;
所述存储器存储有所述处理器可执行的指令;
所述处理器被配置为执行所述指令时,使得所述出血点评估设备实现如权利要求1-8任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括:计算机软件指令;
当所述计算机软件指令在计算机中运行时,使得所述计算机实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210969916.2A CN115393295A (zh) | 2022-08-12 | 2022-08-12 | 一种出血点评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210969916.2A CN115393295A (zh) | 2022-08-12 | 2022-08-12 | 一种出血点评估方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115393295A true CN115393295A (zh) | 2022-11-25 |
Family
ID=84117918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210969916.2A Pending CN115393295A (zh) | 2022-08-12 | 2022-08-12 | 一种出血点评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115393295A (zh) |
-
2022
- 2022-08-12 CN CN202210969916.2A patent/CN115393295A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5871325B2 (ja) | 情報処理装置、情報処理システム、情報処理方法、プログラム及び記録媒体 | |
JP6799301B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN107273658B (zh) | 对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置 | |
US8442280B2 (en) | Method and system for intelligent qualitative and quantitative analysis of digital radiography softcopy reading | |
US20170270350A1 (en) | Method and system for assessing facial skin health from a mobile selfie image | |
WO2023103467A1 (zh) | 图像处理方法、装置及设备 | |
CN110929728B (zh) | 一种图像感兴趣区域划分方法、图像分割方法及装置 | |
US20150230875A1 (en) | Method and system for providing recommendation for optimal execution of surgical procedures | |
US10169641B2 (en) | Apparatus and method for visualization of region of interest | |
WO2020022027A1 (ja) | 学習装置及び学習方法 | |
CN109859168A (zh) | 一种x射线胸片图像质量确定方法及装置 | |
CN110600122A (zh) | 一种消化道影像的处理方法、装置、以及医疗系统 | |
JP6716853B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
WO2021147429A1 (zh) | 内窥镜图像展示方法、装置、计算机设备及存储介质 | |
CN109002846B (zh) | 一种图像识别方法、装置和存储介质 | |
CN109684981A (zh) | 青光眼图像识别方法、设备和筛查系统 | |
JP7305046B2 (ja) | 画像分類方法及び装置並びに機器 | |
CN102567734A (zh) | 基于比值的视网膜细小血管分割方法 | |
CN109978895A (zh) | 一种舌体图像分割方法和装置 | |
JP6647703B2 (ja) | 手術トレーニングプログラム | |
CN117524441A (zh) | 一种手术质量的检测方法、装置 | |
CN115393295A (zh) | 一种出血点评估方法、装置、设备及存储介质 | |
US20220114729A1 (en) | X-ray imaging apparatus, image processing method, and generation method of trained model | |
CN109919935B (zh) | 一种头颈体血管分割方法及设备 | |
CN111403007B (zh) | 一种超声成像的优化方法、超声成像系统和计算机可读存储介质 |
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 |