CN116167957A - cTTE图像处理方法、计算机设备、系统和存储介质 - Google Patents
cTTE图像处理方法、计算机设备、系统和存储介质 Download PDFInfo
- Publication number
- CN116167957A CN116167957A CN202111350414.3A CN202111350414A CN116167957A CN 116167957 A CN116167957 A CN 116167957A CN 202111350414 A CN202111350414 A CN 202111350414A CN 116167957 A CN116167957 A CN 116167957A
- Authority
- CN
- China
- Prior art keywords
- ctte
- data
- frame
- network
- image processing
- 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
- 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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
Abstract
本发明属于医学图像分析软件和设备技术领域,具体涉及一种cTTE图像处理方法、计算机设备、系统和存储介质。本发明的cTTE图像处理方法、计算机设备、系统和存储介质能够实现如下心脏分流预测的方法:提取单帧cTTE数据,采用分割网络进行语义分割,得到所述单帧cTTE数据中可能存在微泡的区域;对该区域进行特征提取,得到该区域内的像素语义信息特征;提取单帧cTTE数据的前后数据组成待检测序列,利用光流网络得到运动特征图;将像素语义信息特征和运动特征图进行特征融合;进行分类,得到单帧cTTE数据的RLS程度估计。本发明具有流程简单、全程端到端、泛用性和鲁棒性好的特点,且能够限制降低了医生的工作量,具有很好的应用前景。
Description
技术领域
本发明属于医学图像分析软件和设备技术领域,具体涉及一种cTTE图像处理方法、计算机设备、系统和存储介质。
背景技术
卵圆孔是房间隔中部的一个开放区,位于胚胎期原发间隔与继发间隔的交界处。卵圆孔通常由原发间隔的一个薄片所覆盖。出生前,由于血流是从右到左,使卵圆孔持续开放。出生后,建立了正常的肺循环,由于心房内压力的增加,迫使原发房间隔的薄片压在卵圆孔的表面,而使卵圆孔闭合。若年龄>3岁的幼儿卵圆孔仍不闭合称为卵圆孔未闭(PatentForamen Ovale,PFO)。
近年来越来越多的研究表明PFO与隐源性脑卒中、偏头痛、减压病、原因不明的外周动脉栓塞、斜卧呼吸-直立性低氧血症等疾病相关。当患者出现原因不明的脑卒中、外周动脉栓塞或难以缓解的偏头痛、斜卧呼吸-直立性低氧血症时,应考虑PFO病变的存在并进行检查。
PFO临床上常用超声心动图,由临床医生依据右向左分流(RLS)的程度进行诊断。包括经胸超声心动图(TTE)、经食管超声心动图(TEE)和经颅多普勒超声声学造影(cTCD)。TEE是诊断PFO的金标准和首选方法,但是它也存在一些缺陷,如从食管插入超声探头时会造成患者痛苦难受,依从性差,声学造影时左侧卧位难以完成标准瓦氏(Valsalva)动作,评价RLS不准确。常规TTE发现PFO敏感性较低,一旦怀疑PFO可进行经胸超声心动图声学造影(cTTE),即发泡实验,敏感性可达63%~100%。在进行cTTE检查时,先制备激活盐水,静息时静脉注入盐水观察右心微泡显影后左心有无显影及显影时间,然后患者进行Valsalva动作,呼气时观察左心有无微泡显影,显影时间在3~5个心动周期,可较准确地评估RLS程度。目前一种常用的RLS程度的分级方案通常依据静止的单帧图像上左心房内出现的微泡数量将RLS进行分级:0级:左心房内无微泡,无RLS;I级:左心房内1~9个微泡,少量RLS;II级:左心房内11~30个微泡,中量RLS;III级:左心房内>30个微泡,大量RLS。通过对cTTE图像中微泡的识别和计数可以有效进行RLS程度估计,辅助医生进行临床诊断。
目前利用TTE和cTTE诊断PFO或RLS程度大多是医生人工对影响数据进行辨认和识别。此外,为了提高效率,降低医生的工作量,中国发明专利申请“CN112435247A一种卵圆孔未闭检测方法、系统、终端以及存储介质”提出了一种利用人工智能检测PFO的方法。该方案如下:对心尖四腔心切面视角动态影像数据中的每一帧图像分别进行左心房ROI分割;其中,心尖四腔心切面视角动态影像数据包括设定数量的心动周期内的TTE影像数据和cTTE影像数据;计算TTE影像数据中每一帧图像的左心房ROI的灰度,并筛选出TTE影像数据的最小灰度分布区间,根据TTE影像数据的最小灰度分布区间筛选出cTTE影像数据中对应区间的cTTE图像;对筛选的cTTE图像进行微泡检测和特征提取,并输入训练好的预测模型,通过预测模型输出卵圆孔闭合状态检测结果。
然而,上述方法只是对卵圆孔闭合/未闭合判断做出简单的判断,而无法进行RLS程度的估计。不利于医生获得病变严重程度的信息。此外,其需要输入TTE和cTTE两种图像序列进行比对,并进行人工校验,对齐心动周期,该过程仍然需要人工校验;且还包括超像素处理、阈值方法、筛选灰度区间及其他手工特征设计,未能完全实现自动的检测过程。
发明内容
针对现有技术的缺陷,本发明提供一种cTTE图像处理方法、计算机设备、系统和存储介质,目的在于:基于语义分割和光流网络,对cTTE图像进行处理,实现利用任意心动周期内cTTE图像预测RLS程度。
一种cTTE图像处理方法,包括如下步骤:
步骤1,输入cTTE数据序列,提取单帧cTTE数据,采用分割网络进行语义分割,得到所述单帧cTTE数据中可能存在微泡的区域;
步骤2,利用神经网络模型对步骤1得到的区域进行特征提取,得到该区域内的像素语义信息特征;
步骤3,提取所述单帧cTTE数据的前后数据组成待检测序列,利用光流网络对所述待检测序列的像素运动状态进行预测,得到运动特征图;
步骤4,将步骤2得到的像素语义信息特征和步骤3得到的运动特征图进行特征融合,得到语义-运动融合特征。
优选的,步骤1中,所述分割网络由四种分割网络模型组成,四种所述分割网络模型分别用于对剑突下双房心切面、胸骨旁大动脉短轴切面、胸骨旁四腔心切面及其他标准切面的单帧cTTE数据进行语义分割;
步骤1具体包括如下步骤:
步骤1.1,从所述cTTE数据序列中提取单帧cTTE数据,将所述单帧cTTE数据输入单帧切面分类模型,对所述单帧cTTE数据的切面类型进行分类;
步骤1.2,根据步骤1.1的分类结果,选择四种所述分割网络模型中对应的一种进行语义分割,得到所述单帧cTTE数据中可能存在微泡的区域。
优选的,步骤1.1中,所述单帧切面分类模型选自ResNet-18、ResNet-50或Inception-v3。
优选的,步骤1中,所述分割网络基于PointRend实现,骨干网络选自ResNet-101、ResNeXt-101或ResNeSt-101;
所述分割网络的具体流程为:通过骨干网络得到不同粒度的特征图,然后在所述不同粒度的特征图上分别提取得到表征向量,将所述表征向量合并后送入分类器进行像素分类,最终得到可能存在微泡的区域的交界面。
优选的,步骤2中,所述神经网络模型选择EfficientNet、ResNet或Inception作为骨干网络,并加入辅助监督层。
优选的,步骤3中,所述待检测序列由5-9帧数据组成。
优选的,步骤3中,所述光流网络的训练过程中,采用平滑损失监督、前向/反向一致性损失监督和数据一致性损失监督对编码器/解码器组进行监督。
本发明还提供一种计算机设备,用于心脏分流预测,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,将上述cTTE图像处理方法得到的语义-运动融合特征送入网络分类器进行分类,得到单帧cTTE数据的RLS程度估计。
优选的,所述网络分类器为CNN、SVM或Random Forest分类器。。
本发明还提供一种用于心脏分流预测的系统,包括通过数据传输装置连接的如下设备:
cTTE数据采集或输入设备;
上述计算机设备。
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,所述计算机程序用于实现上述cTTE图像处理方法。
本发明中,“RLS程度”按照现有技术中的方法进行分级,具体为:0级:左心房内无微泡,无RLS;I级:左心房内1~9个微泡,少量RLS;II级:左心房内11~30个微泡,中量RLS;III级:左心房内>30个微泡,大量RLS。
发明的技术方案处理cTTE图像,并将其进一步用于心脏分流的RLS程度预测,具有如下有益效果:
1、本发明能够基于cTTE数据对患者的RLS程度进行预测,相比于只给出卵圆孔闭合/未闭合的判断结果,可以直接估计患者的病变严重程度。
2、使用基于深度学习的语义分割技术进行微泡区域检出,只需输入任意心动周期内cTTE数据,无需进行序列对齐等人工操作的步骤;使用光流网络进行像素动态估计,能够通过临床医生实际判断的方法,即序列前后帧像素运动轨迹分辨微泡和腱索、瓣膜和伪影等易混淆样本,无需手动去除伪影。这些特点使得本发明的技术方案大大降低了医生的工作量。
3、在优选方案中,前置单帧切面分类模型可以预先判断切面类型,对于不同切面类型针对性训练分割网络模型,使得本发明的技术方案的应用场景得到扩展,更具泛化性和鲁棒性。
显然,根据本发明的上述内容,按照本领域的普通技术知识和惯用手段,在不脱离本发明上述基本技术思想前提下,还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式,对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1为本发明实施例1中cTTE图像处理的流程示意图;
图2为本发明实施例1中进行RLS程度预测的流程示意图;
图3为本发明实施例1中分割网络的流程示意图;
图4为本发明实施例1中分割出来的可能存在微泡的区域的三个实例的cTTE图像;
图5为本发明实施例1中光流网络的流程示意图。
具体实施方式
需要特别说明的是,实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法,以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
实施例1
本实施例提供一种用于心脏分流预测的系统,它包括通过数据传输装置连接的如下设备:cTTE数据采集或输入设备;计算机设备。所述数据传输装置可基于现有技术实现,其可以是数据线、数据接口或无线模块等。cTTE数据采集或输入设备可采用现有技术中的超声心动图采集设备或用于储存超声心动图数据的服务器等。计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如图1、2所示的流程步骤,具体的:
步骤1,输入cTTE数据序列,提取单帧cTTE数据,采用分割网络进行语义分割,得到所述单帧cTTE数据中可能存在微泡的区域。
作为一种优选的方案,所述分割网络由四种分割网络模型组成,四种分割网络模型分别对应处理不同类型的切面(剑突下双房心切面、胸骨旁大动脉短轴切面、胸骨旁四腔心切面和除了上述三种切面之外的其他标准切面)的cTTE数据。每个分割网络模型由单种切面类别数据进行训练,由于不同切面情况下微泡、腱索、伪影等样本表征状态不同,这样可以降低预测难度,有效提升分割准确性。输入cTTE数据序列后,采用一个轻量级网络(本实施例采用ResNet-18,也可选择其他全卷积网络)对cTTE数据序列中的单帧图像所属切面进行分类,更具分类结果选择对应的分割网络模型。
对于一个cTTE序列数据,可以多次提取其中的单帧图像进行切面类别的预测,综合多次结果后对整个序列进行切面类别的标定,这样能够避免模型出现偶然误判。
得到序列切面类别后,提取序列中的目标帧,即当前需要进行RLS程度估计的单帧cTTE数据,送入对应切面的语义分割网络模型进行微泡区域识别分割。本实施例中分割网络基于PointRend,骨干网络(backbone)为ResNet-101。由于心脏超声图像的精细分割标注较为困难,标注成本较大,实际标注为存在微泡的大致区域,在数据输入分割网络前会进行一步预处理进行优化,通过简单阈值方法去除标注区域内较大块的背景区域。为了更加准确地对较难的边缘区域等部位的像素进行分类,本实施例的分割网络进行语义分割的具体流程如图3所示,通过骨干网络得到不同粒度的特征图,然后在所述不同粒度的特征图上分别提取得到表征向量,将所述表征向量合并后送入分类器进行像素分类,最终得到可能存在微泡的区域的交界面。
本实施例中,按照步骤1分割出来的可能存在微泡的区域的三个实例的结果如图4所示。
步骤2,利用神经网络模型对步骤1得到的区域进行特征提取,得到该区域内的像素语义信息特征。
获取微泡区域后将原图中的该区域进行切割,切割后图像进行尺寸变换,缩放成380*380后送入CNN进行特征提取,用于特征提取的神经网络模型采用EfficientNet作为骨干网络,加入额外的辅助监督层用于提取不同层级的图像特征,最终得到所需的像素语义信息特征。此外,所述神经网络模型也可以选择其他CNN特征提取网络或Transformer。
步骤3,提取所述单帧cTTE数据的前后数据组成待检测序列,利用光流网络对所述待检测序列的像素运动状态进行预测,得到运动特征图。
所述光流网络是通过训练得到的编码器/解码器组对待检测序列进行处理后得到前向和反向像素运动特征图。
所述光流网络训练过程的具体框架结构如图5所示,具体的,在目标帧前后提取连续图像帧组成共包含5至9帧的短序列,进行无监督光流网络训练。训练时,取其中相邻两帧图像帧I和图像帧II,分别以(I,II)和(II,I)的顺序送入CNN编码器/解码器组得到前向光流图和反向光流图,计算两种光流图用到的编码器/解码器组共享权重。此处用一个平滑损失函数(smoothness loss)进行监督,用于避免相邻像素光流值相差过大,使光流图符合平滑性假设。对于未被遮挡的像素,其前向光流应该是第二帧中对应像素反向光流的逆流,即前向后再反向可以回到原位置。如果出现较大的匹配误差,则认为该像素被遮挡。经过前向/反向一致性检验后,可以判断图中像素被遮挡状态,从而得到前向遮挡图和反向遮挡图,这两张图可以视为一个掩码图(mask),用于标明此位置像素是否被遮挡,这一信息可以用于辅助监督。此处用一个前向/反向一致性损失(forward-backward consistency loss)进行监督,使得对于未被遮挡部分的像素,前向光流图和反向光流图趋于满足相互映射条件和亮度一致性假设,被遮挡部分的像素不参与损失计算。此外,对于前述得到的前向光流图和反向光流图,根据光流可逆及亮度一致性假设,可经过双线性采样反向映射得到映射帧,此处施加一个数据一致性损失监督(data consistency loss),对映射帧和原图像帧的差异进行惩罚,使得两者的对应图像趋于一致,同样地,只有未被遮挡部分像素参与损失计算。
步骤4,将步骤2得到的像素语义信息特征和步骤3得到的运动特征图进行特征融合,得到语义-运动融合特征。
具体地,根据分割网络结果在运动特征图上找到对应区域进行切割和尺寸变换,将该部分图像特征嵌入(embedding)至与语义信息向量同维的高维空间中,将两种特征向量进行拼接(concatenation)后即可用于进行RLS程度分类估计。
步骤5,将步骤4得到的语义-运动融合特征送入网络分类器进行分类,得到所述单帧cTTE数据的RLS程度估计。本实施例的网络分类器选择CNN分类器。RLS程度按照现有技术中的方法进行分级,具体为:0级:左心房内无微泡,无RLS;I级:左心房内1~9个微泡,少量RLS;II级:左心房内11~30个微泡,中量RLS;III级:左心房内>30个微泡,大量RLS。
具体的,本实施例以已标注的73个病例的15585帧cTTE序列数据为研究对象,将73个病例随机分为训练集(56个病例)和测试集(17个病历)。数据的标注结果如下下表所示:
表1研究数据
本实施例的方法对测试集进行测试的准确率、灵敏度和特异性分别为0.848、0.772和0.924。能够很好地满足临床应用的需求。
通过上述实施例可以看到,本发明的技术方案成功地利用cTTE数据实现了RLS程度的预测,具有流程简单、全程端到端、泛用性和鲁棒性好的特点。由于无需cTTE和TTE序列对齐、阈值处理和去除伪影等人工操作,本发明方法能够限制降低了医生的工作量,具有很好的应用前景。
Claims (10)
1.一种cTTE图像处理方法,其特征在于,包括如下步骤:
步骤1,输入cTTE数据序列,提取单帧cTTE数据,采用分割网络进行语义分割,得到所述单帧cTTE数据中可能存在微泡的区域;
步骤2,利用神经网络模型对步骤1得到的区域进行特征提取,得到该区域内的像素语义信息特征;
步骤3,提取所述单帧cTTE数据的前后数据组成待检测序列,利用光流网络对所述待检测序列的像素运动状态进行预测,得到运动特征图;
步骤4,将步骤2得到的像素语义信息特征和步骤3得到的运动特征图进行特征融合,得到语义-运动融合特征。
2.按照权利要求1所述的cTTE图像处理方法,其特征在于:步骤1中,所述分割网络由四种分割网络模型组成,四种所述分割网络模型分别用于对剑突下双房心切面、胸骨旁大动脉短轴切面、胸骨旁四腔心切面及其他标准切面的单帧cTTE数据进行语义分割;
步骤1具体包括如下步骤:
步骤1.1,从所述cTTE数据序列中提取单帧cTTE数据,将所述单帧cTTE数据输入单帧切面分类模型,对所述单帧cTTE数据的切面类型进行分类;
步骤1.2,根据步骤1.1的分类结果,选择四种所述分割网络模型中对应的一种进行语义分割,得到所述单帧cTTE数据中可能存在微泡的区域。
3.按照权利要求2所述的cTTE图像处理方法,其特征在于:步骤1.1中,所述单帧切面分类模型选自ResNet-18、ResNet-50或Inception-v3。
4.按照权利要求1-3任一项所述的cTTE图像处理方法,其特征在于:步骤1中,所述分割网络基于PointRend实现,骨干网络选自ResNet-101、ResNeXt-101或ResNeSt-101;
所述分割网络的具体流程为:通过骨干网络得到不同粒度的特征图,然后在所述不同粒度的特征图上分别提取得到表征向量,将所述表征向量合并后送入分类器进行像素分类,最终得到可能存在微泡的区域的交界面。
5.按照权利要求1所述的cTTE图像处理方法,其特征在于:步骤2中,所述神经网络模型选择EfficientNet、ResNet或Inception作为骨干网络,并加入辅助监督层。
6.按照权利要求1所述的cTTE图像处理方法,其特征在于:步骤3中,所述待检测序列由5-9帧数据组成。
7.按照权利要求1所述的cTTE图像处理方法,其特征在于:步骤3中,所述光流网络的训练过程中,采用平滑损失监督、前向/反向一致性损失监督和数据一致性损失监督对编码器/解码器组进行监督。
8.一种计算机设备,用于心脏分流预测,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,将权利要求1-7任一项所述的cTTE图像处理方法得到的语义-运动融合特征送入网络分类器进行分类,得到单帧cTTE数据的RLS程度估计。
9.一种用于心脏分流预测的系统,其特征在于,包括通过数据传输装置连接的如下设备:
cTTE数据采集或输入设备;
权利要求8所述的计算机设备。
10.一种计算机可读存储介质,其特征在于:其上存储有计算机程序,所述计算机程序用于实现权利要求1-7任一项所述的cTTE图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111350414.3A CN116167957A (zh) | 2021-11-15 | 2021-11-15 | cTTE图像处理方法、计算机设备、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111350414.3A CN116167957A (zh) | 2021-11-15 | 2021-11-15 | cTTE图像处理方法、计算机设备、系统和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116167957A true CN116167957A (zh) | 2023-05-26 |
Family
ID=86409926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111350414.3A Pending CN116167957A (zh) | 2021-11-15 | 2021-11-15 | cTTE图像处理方法、计算机设备、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167957A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197594A (zh) * | 2023-11-07 | 2023-12-08 | 西南石油大学 | 一种基于深度神经网络的心脏分流分类系统 |
-
2021
- 2021-11-15 CN CN202111350414.3A patent/CN116167957A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197594A (zh) * | 2023-11-07 | 2023-12-08 | 西南石油大学 | 一种基于深度神经网络的心脏分流分类系统 |
CN117197594B (zh) * | 2023-11-07 | 2024-01-02 | 西南石油大学 | 一种基于深度神经网络的心脏分流分类系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Torrents-Barrena et al. | Segmentation and classification in MRI and US fetal imaging: recent trends and future prospects | |
Carrer et al. | Automatic pleural line extraction and COVID-19 scoring from lung ultrasound data | |
Fiorentino et al. | A review on deep-learning algorithms for fetal ultrasound-image analysis | |
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 | |
Saini et al. | Ultrasound imaging and image segmentation in the area of ultrasound: a review | |
Loizou et al. | An integrated system for the segmentation of atherosclerotic carotid plaque | |
CN111000590B (zh) | 超声心脏多普勒研究自动化 | |
Meng et al. | Weakly supervised estimation of shadow confidence maps in fetal ultrasound imaging | |
CN110197713B (zh) | 一种医疗影像的处理方法、装置、设备和介质 | |
Yang et al. | Renal compartment segmentation in DCE-MRI images | |
CN109620293B (zh) | 一种图像识别方法、装置以及存储介质 | |
CN112435247B (zh) | 一种卵圆孔未闭检测方法、系统、终端以及存储介质 | |
EP3964136A1 (en) | System and method for guiding a user in ultrasound assessment of a fetal organ | |
CN111681210A (zh) | 基于深度学习的剪切波弹性图鉴别乳腺结节良恶性的方法 | |
US10460166B2 (en) | Robust segmentation of retinal pigment epithelium layer | |
Wang et al. | Deep learning based fetal middle cerebral artery segmentation in large-scale ultrasound images | |
CN116167957A (zh) | cTTE图像处理方法、计算机设备、系统和存储介质 | |
Podder et al. | Deep learning-based middle cerebral artery blood flow abnormality detection using flow velocity waveform derived from transcranial Doppler ultrasound | |
Jafari et al. | Deep bayesian image segmentation for a more robust ejection fraction estimation | |
CN112741651B (zh) | 一种内窥镜超声影像的处理方法及系统 | |
CN117017347B (zh) | 超声设备的图像处理方法、系统及超声设备 | |
Matsakou et al. | Automated detection of the carotid artery wall in longitudinal B-mode images using active contours initialized by the Hough transform | |
CN116433649A (zh) | 一种卵圆孔未闭的微泡计数方法及智能诊断装置 | |
CN115760851B (zh) | 一种基于机器学习的超声图像数据处理设备、系统及计算机可读存储介质 | |
Smistad et al. | Real-time 3D left ventricle segmentation and ejection fraction using deep learning |
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 |