CN116188499A - 一种用于肺部超声图像的分割方法 - Google Patents
一种用于肺部超声图像的分割方法 Download PDFInfo
- Publication number
- CN116188499A CN116188499A CN202310483774.3A CN202310483774A CN116188499A CN 116188499 A CN116188499 A CN 116188499A CN 202310483774 A CN202310483774 A CN 202310483774A CN 116188499 A CN116188499 A CN 116188499A
- Authority
- CN
- China
- Prior art keywords
- gray value
- line
- change curve
- point
- value change
- 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
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及图像数据处理领域,具体涉及一种用于肺部超声图像的分割方法。获取肺部超声灰度图像;获取每行像素点的灰度值变化曲线;获取灰度值变化曲线的比例参数;依次获取每一行灰度值变化曲线的极大值点在下一行灰度值变化曲线中对应的极大值点,得到第一行灰度值变化曲线中极大值点对应的极大值点序列;获取每行灰度值变化曲线中极大值点的B线概率;获取每个极大值点序列的B线程度;将B线程度大于阈值的极大值点序列中的极大值点在图像中进行标记。本发明通过筛选图像中每行灰度值变化曲线中的极大值点进行标记,从而根据对应的标记像素点对图像进行分割,能够准确的分割出图像中的B线区域。
Description
技术领域
本发明涉及图像数据处理领域,具体涉及一种用于肺部超声图像的分割方法。
背景技术
随着现代超声医学的不断发展进步,曾经被视作超声盲区的肺脏超声检查也由于其无辐
射、可床旁诊断等优点成为临床上检测肺脏疾病、监测重症病人生理指标的重要手段。B线是超声检测、诊断肺部疾病的一种重要超声伪影,在超声影像上表现为从胸膜线产生并延伸至屏幕底部的离散、激光样垂直高回声伪影,并与肺滑动同步移动,肺超声影像中B线数量的增加与肺水肿、肺纤维化、肺炎等肺病变之间显著的相关性已经成为临床上对患者进行床旁无创、快速诊断的重要依据,医生可以按照肺超声检查国际推荐标准,快速评估患者的病情,并做出相应的诊断,因此需要将肺部超声图像中的B线分割出来,从而辅助医生对肺超声进行评估。
现有医学影像处理中存在通过神经网络对肺部超声图像中的B线进行检测,从而实现辅助观察的技术手段,而神经网络需要大量的训练数据,而且对于不同成像情况的B超检测器,需要使用不同的训练数据,前期训练成本过高;现有的图像处理算法多是先利用阈值分割、区域增长、边缘检测等方法得到肺部超声图像中B线的大致范围,然后对分割结果进行修正来弥补不同成像情况下对图像处理造成的影响,然而通过这种方法得到的B线不够准确,无法满足辅助观察的实际需求。
发明内容
为了解决现有技术中对B线的分割精度不够,无法满足辅助观察的实际需求的问题,本发明提供一种用于肺部超声图像的分割方法,该方案包括:获取肺部超声灰度图像;获取每行像素点的灰度值变化曲线;获取灰度值变化曲线的比例参数;依次获取每一行灰度值变化曲线的极大值点在下一行灰度值变化曲线中对应的极大值点,得到第一行灰度值变化曲线中极大值点对应的极大值点序列;获取每行灰度值变化曲线中极大值点的B线概率;获取每个极大值点序列的B线程度;将B线程度大于阈值的极大值点序列中的极大值点在图像中进行标记。本发明通过筛选图像中每行像素点进行标记,从而根据标记后的像素点分割,能够准确的分割出图像中的B线区域。
本发明采用如下技术方案,一种用于肺部超声图像的分割方法,包括:
获取肺部超声灰度图像;根据肺部超声灰度图像中每行像素点的灰度值获取肺部超声图像中每行像素点的灰度值变化曲线。
根据肺部超声灰度图像中任意两行灰度值变化曲线中波动起始点的坐标获取灰度值变化曲线的比例参数。
获取肺部超声灰度图像中第一行灰度值变化曲线中的极大值点,利用灰度值变化曲线的比例参数获取第一行灰度值变化曲线的下一行灰度值变化曲线中与第一行灰度值变化曲线中的每个极大值点位置相对应的下一行灰度值变化曲线中的极大值点。
依次获取所有行灰度值变化曲线中与第一行灰度值变化曲线中每个极大值点位置对应的极大值点;并将第一行灰度值变化曲线中每个极大值点及在其它行灰度值变化曲线中位置对应的点组成第一行灰度值变化曲线中每个极大值点位置对应的极大值点序列。
根据每行灰度值变化曲线中的每个极大值点的灰度值、波动幅度以及波动宽度,获取每行灰度值变化曲线中每个极大值点的B线概率。
根据第一行灰度值变化曲线中每个极大值点对应的极大值点序列中,所有极大值点的B线概率均值获取每个极大值点序列的B线程度。
获取B线程度大于阈值的极大值点序列,并对B线程度大于阈值的极大值点序列中的极大值点进行标记。
根据标记后的每个极大值点序列中的极大值点对肺部超声图像进行分割,得到肺部超声图像中的B线。
进一步的,一种用于肺部超声图像的分割方法,获取每行像素点灰度值变化曲线中的每个极大值点的B线概率的方法为:
获取每行像素点的灰度变化曲线中每个极大值点的灰度值与该极大值点对应波动幅度的乘积;
根据该乘积与对应极大值点波动宽度的比值,得到每行像素点的灰度值变化曲线中每个极大值点的B线概率。
进一步的,一种用于肺部超声图像的分割方法,获取灰度值变化曲线的比例参数的方法为:
获取每一行像素点灰度值变化曲线中的波动起始点;
根据任意两行像素点灰度值变化曲线中波动起始点的坐标获取对应两个波动起始点所在直线的斜率;
将该斜率作为肺部超声图像中所有行灰度值变化曲线的比例参数。
进一步的,一种用于肺部超声图像的分割方法,获取每一行像素点灰度值变化曲线中的波动起始点的方法为:
获取每一行像素点的灰度值差分序列;
将每一行像素点的灰度值差分序列中最小值对应的像素点,将该像素点作为每一行像素点灰度值变化曲线中的波动起始点。
进一步的,一种用于肺部超声图像的分割方法,获取灰度值变化曲线的比例参数之后,还包括:
进一步的,一种用于肺部超声图像的分割方法,获取第一行灰度值变化曲线的下一行灰度值变化曲线中与第一行灰度值变化曲线中的每个极大值点位置相对应的下一行灰度值变化曲线中的极大值点的方法为:
从第一行灰度值变化曲线开始,根据灰度值变化曲线的比例参数,获取第一行灰度值变化曲线中每个极大值点在第下一行灰度值变化曲线中的位置判断区间;
获取第一行灰度值变化曲线的下一行灰度值变化曲线中,位置处于第一行灰度值变化曲线中对应极大值点的位置判断区间的极大值点,作为第一行灰度值变化曲线中每个极大值点在下一行灰度值变化曲线中对应的极大值点。
进一步的,一种用于肺部超声图像的分割方法,获取第一行灰度值变化曲线的下一行灰度值变化曲线中与第一行灰度值变化曲线中的每个极大值点位置相对应的下一行灰度值变化曲线中的极大值点的方法,还包括:
若第一行灰度值变化曲线的下一行灰度值变化曲线中不存在与第一行灰度值变化曲线中第j个极大值点对应的极大值点,继续向下获取下一行灰度值变化曲线中与第一行灰度值曲线中第j个极大值点对应的极大值。
本发明的有益效果是:本方法通过采集肺部超声图像,并通过图像中每一行的灰度值波动状态来获取B线程度,可以在不同的成像条件下区别出更有可能属于B线的区域,优点是对于各种成像情况的B超检测器都可以很好地适配与使用;进一步通过筛选灰度值变化曲线中的极大值点进行B线程度的计算,能够作为判断图像中出现B线的依据,从而通过筛选出的极大值点能够对肺部超声图像进行分割时,能够得到图像中准确的B线区域,并且不需要采集大量数据进行训练,能够满足实际应用时的检测效率同时还能够保证检测的精度。
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为本发明实施例的一种用于肺部超声图像的分割方法结构示意图;
图2为本发明实施例的一种灰度值变化曲线示意图。
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。
如图1所示,给出了本发明实施例的一种用于肺部超声图像的分割方法结构示意图,包括:
101.获取肺部超声灰度图像,获取肺部超声图像中每行像素点的灰度值变化曲线。
本发明通过图像采集器动态获取肺部超声图像,即在B超检查设备中通过图像采集卡获取肺部超声图像,并将获取到的肺部超声图像并转换为灰度图像。
肺部超声图像中的B线有如下几种特征:1.起自胸膜线;2.边缘清晰,呈激光样;3.长度很长,衰减很弱。
本发明首先获取图像中每一行的灰度变化曲线,因图像中每一行像素点的灰度值变化都会有一个曲线,如图2所示,给出了本发明实施例的一种灰度值变化曲线,其中横轴为图像的宽度,纵轴表示灰度值,在实际计算分析中可以根据B线特征以及实际需求选取一些行像素点用以分析判断,本发明通过S-G滤波器进行曲线拟合,同时消除折线中的噪声高频信息,保留波动低频信息。
102.获取灰度值变化曲线的比例参数。
在肺部超声图像中,因其检测原理,成像形状为扇形区域,如果存在B线,那么其B线也是呈不同角度向外发散的,因为本发明是通过图像中不同行中的灰度变化来确定B线出现的可能,所以需要提前考虑图像中扇形的角度,从而在之后的分析根据比例信息得到不同行中B线位置的对应关系,因此,需要获取灰度值变化曲线之间的比例参数,通过选取对应两行像素点中的波动起始点用以计算扇形两边的斜率,本发明称为扇形比例参数,在肺部超声中因为胸膜线是明显的,所以在选取灰度曲线计算比例参数时选择位于图像中的前几行像素点中的两行进行计算,可以保证数据计算的精确度。
本发明通过选取图像中初始行,即第0行以及第20行像素点的灰度值变化序列进
行比例参数的计算,根据每行像素点的灰度序列的差分序列中数值最小的第一个点,获取
图像中第0行以及第20行像素点灰度值变化序列中的波动起始点,记第0行灰度值变化序列
中波动起始点的序号为波动起始点序号为,第20行灰度值变化序列中波动起始点的序
号为,则获取灰度值变化序列的比例参数使用表示:
其中,表示第0行灰度值变化序列中波动起始点的序号,表示第20行灰度
值变化序列中波动起始点的序号,表示第20行灰度值变化序列的行数,即,表
示第0行灰度值变化序列的行数,即,该表达式中波动起始点之间横纵坐标差值的比
值实际为获取两行灰度值变化曲线中波动起始点所在直线的斜率,本发明中通过该斜率来
表示灰度值变化序列的比例参数。
获取灰度值变化曲线的比例参数的方法为:
获取每一行像素点灰度值变化曲线中的波动起始点;
根据任意两行像素点灰度值变化曲线中波动起始点的坐标获取对应两个波动起始点所在直线的斜率;
将该斜率作为肺部超声图像中所有行灰度值变化曲线的比例参数。
获取每一行像素点灰度值变化曲线中的波动起始点的方法为:
获取每一行像素点的灰度值差分序列;
将每一行像素点的灰度值差分序列中最小值对应的像素点,将该像素点作为每一行像素点灰度值变化曲线中的波动起始点。
至此,通过选取不同行的灰度值变化曲线,得到可以表示肺部超声图像中灰度值变化曲线的比例参数,
103.获取第一行灰度值变化曲线中每个极大值点位置对应的极大值点序列。
进一步本发明通过波动起始点与终点的位置与比例参数的限制进行确定,选取波峰的位置进行对应,每个波峰都包含对应的波动信息(如每个波峰的波动幅度与波动宽度),本发明将每个波峰的位置信息表示为:
获取每一行灰度值变化曲线中每个极大值点在下一行灰度值变化曲线的位置判断区间的方法为:
对于寻找对应波动的区间范围,假设存在一条B线,那么这条B线的斜率一定是在之间,当在其中一行中找到一个波峰特征,想要找到其他行的与其对应的波峰特征
则需要在斜率范围内的区域进行寻找,通过比例参数可得对应的点为,因为这个
比例参数是固定的,在此基础上根据常规B线宽度给其一个宽容区间也就是,由此构建位
置判断区间。
获取第一行灰度值变化曲线的每个极大值点在每一行灰度值变化曲线中对应的极大值点的方法为:
根据第i行灰度值变化曲线中第j个极大值点在第i+1行灰度值变化曲线中的位置判断区间,获取第i+1行灰度值变化区间中位置属于该位置判断区间的极大值点,作为第i行灰度值变化曲线中第j个极大值点在第i+1行灰度值变化曲线中对应的极大值点。
获取第一行灰度值变化曲线的每个极大值点在每一行灰度值变化曲线中对应的极大值点的方法,还包括:
若第i+1行灰度值变化曲线中不存在与第i行灰度值变化曲线中第j个极大值点对应的极大值点,获取第i行灰度值变化曲线中第j个极大值点在第i+2行灰度值变化曲线中对应的极大值点。
对于第行中的每个波峰,本发明需要在第行中寻找能与其对应的波峰,如果
第行中的第t个波峰的位置处于对应的位置判断区间中,那么就认为与是
对应关系,如果相邻行没有对应波峰,那么就在第一行灰度值变化曲线波峰的波峰序列中
对应位置上以0填充,如果出现多个波峰,则对比两个波峰之间的距离,选择距离最近的波
峰点(在存在B线的情况中,距离越近说明越符合可能在同一个B线中);本发明在判断的过
程中从开始判断,如果没有找到对应点才考虑及后面的行,直到找到一个最近
的对应点,再从新的对应点继续寻找其相邻行的对应点。
则在完成寻找之后,得到第一行灰度值变化曲线中每个极大值点对应的极大值点序列,即第一行灰度值变化曲线中每个波峰对应的波峰序列。
104.获取每个极大值点序列的B线程度。
对于一个大小为的图像中,其中第行灰度序列为:,
本发明获取每一行序列中的极大值集合,从而构建每一行灰度值变化曲线中的极大值序列,其中,为图像的行数;为图像的列数,为当前灰度序列
的行号,如,计算的是第7行灰度值变化曲线,此时,k为当前行的极大值数量,表示
第i行灰度值变化曲线的极大值集合。
将极大值集合中的每一个点都看作是一个波峰,(因为极大值是局域极值,局域极
大值必然会处于一个波动顶端),此时的数量也就是此序列中波动的数量,(因为B线存在
会出现灰度值升高的情况,局域极小值的波动无需考虑)。
对于波动的幅度与宽度可以在通过差分序列判断局域极大值时就得到(常规计算方法,幅度通过波峰两侧的均值得出),对于表示波峰的极大值集合可以将其看作包含每个波动信息的一个集合:
对于B线在超声图像行序列中的特征,波动幅度越高越好说明B线边缘清晰的特征,波峰越高越好说明B线呈激光样高亮的特征,同时波动宽度越低越好说明B线边缘清晰的特征,将三个数值进行归一化:
获取每行像素点灰度值变化曲线中的每个极大值点的B线概率的方法为:
根据每行像素点的灰度值获取每行像素点的差分序列,根据每行像素点的差分序列获取每行像素点的灰度变化曲线中每个极大值点对应的波动幅度和波动宽度;
获取每行像素点的灰度变化曲线中每个极大值点的灰度值与该极大值点对应波动幅度的乘积;
根据该乘积与对应极大值点波动宽度的比值,得到每行像素点的灰度值变化曲线中每个极大值点的B线概率,表达式为:
其中,表示第i行灰度值变化曲线中每个极大值点的B线概率,其为一个概率集
合,位置与极大值点序列对应:,为第i行灰度值变化
曲线的归一化波峰序列;为第i行灰度值变化曲线的归一化幅度序列;为第i行灰
度值变化曲线的归一化宽度序列,i的取值范围为,由于B线特征为起自胸膜线,长度
很长,衰减很弱,对于B线行序列波动在大多数行中会根据偏移比例参数有一个对应的关
系,由此本发明通过B线概率来进行像素点的筛选。
对于每一个波峰点,都具有一个B线概率,在每个波峰序列中将所有波峰的B线概率进行累加,其中波峰点少的对应集合中大部分为0,本发明综合每个波峰序列中所有波峰的B线概率均值获取每个波峰序列的B线程度。
105.对肺部超声图像进行分割,得到肺部超声图像中的B线。
在获取了每个波峰序列的B线程度之后,本发明通过函数对所有波动的
可能性进行映射,根据归一化函数指数拉伸的特征,归一化之前的数值越大,归一
化后数值越大,归一化之前数值越小,归一化数值后越小。根据此特征获取B线程度大于阈
值对应的波峰序列,将该序列中每个波峰在肺部超声灰度图像中对应的像素点进行标记,
本发明中将B线阈值设置为0.6。
本发明所记载的方法主要用于B超诊断中针对肺部超声图像中B线的辅助观察,用
以辅助观测肺部超声中的异常情况,通过获取肺部超声图像中每个波峰序列的B线程度,并
将B线程度大于阈值对应的波峰序列中,每个波峰在肺部超声灰度图像中对应的像素点进
行标注,从而根据肺部超声图像中标记的像素点利用聚类算法对图像进行分
割,得到肺部超声图像中的B线区域,并将图像中的B线区域显示在B超诊断仪中的B线辅助
观测功能中,用以辅助医生对肺部超声图像进行诊断。
本方法通过采集肺部超声图像,并通过图像中每一行的灰度值波动状态来获取B线程度,可以在不同的成像条件下区别出更有可能属于B线的区域,优点是对于各种成像情况的B超检测器都可以很好地适配与使用;进一步通过筛选灰度值变化曲线中的极大值点进行B线程度的计算,能够作为判断图像中出现B线的依据,从而通过筛选出的极大值点能够对肺部超声图像进行分割时,能够得到图像中准确的B线区域,并且不需要采集大量数据进行训练,能够满足实际应用时的检测效率同时还能够保证检测的精度。
以上所述仅为本发明的较佳实施例而已,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 (7)
1.一种用于肺部超声图像的分割方法,其特征在于,包括:
获取肺部超声灰度图像;根据肺部超声灰度图像中每行像素点的灰度值获取肺部超声图像中每行像素点的灰度值变化曲线;
根据肺部超声灰度图像中任意两行灰度值变化曲线中波动起始点的坐标获取灰度值变化曲线的比例参数;
获取肺部超声灰度图像中第一行灰度值变化曲线中的极大值点,利用灰度值变化曲线的比例参数获取第一行灰度值变化曲线的下一行灰度值变化曲线中与第一行灰度值变化曲线中的每个极大值点位置相对应的下一行灰度值变化曲线中的极大值点;
依次获取所有行灰度值变化曲线中与第一行灰度值变化曲线中每个极大值点位置对应的极大值点;并将第一行灰度值变化曲线中每个极大值点及在其它行灰度值变化曲线中位置对应的点组成第一行灰度值变化曲线中每个极大值点位置对应的极大值点序列;
根据每行灰度值变化曲线中的每个极大值点的灰度值、波动幅度以及波动宽度,获取每行灰度值变化曲线中每个极大值点的B线概率;
根据第一行灰度值变化曲线中每个极大值点对应的极大值点序列中,所有极大值点的B线概率均值获取每个极大值点序列的B线程度;
获取B线程度大于阈值的极大值点序列,并对B线程度大于阈值的极大值点序列中的极大值点进行标记;
根据标记后的每个极大值点序列中的极大值点对肺部超声图像进行分割,得到肺部超声图像中的B线。
2.根据权利要求1所述的一种用于肺部超声图像的分割方法,其特征在于,获取每行像素点灰度值变化曲线中的每个极大值点的B线概率的方法为:
获取每行像素点的灰度变化曲线中每个极大值点的灰度值与该极大值点对应波动幅度的乘积;
根据该乘积与对应极大值点波动宽度的比值,得到每行像素点的灰度值变化曲线中每个极大值点的B线概率。
3.根据权利要求1所述的一种用于肺部超声图像的分割方法,其特征在于,获取灰度值变化曲线的比例参数的方法为:
获取每一行像素点灰度值变化曲线中的波动起始点;
根据任意两行像素点灰度值变化曲线中波动起始点的坐标获取对应两个波动起始点所在直线的斜率;
将该斜率作为肺部超声图像中所有行灰度值变化曲线的比例参数。
4.根据权利要求3所述的一种用于肺部超声图像的分割方法,其特征在于,获取每一行像素点灰度值变化曲线中的波动起始点的方法为:
获取每一行像素点的灰度值差分序列;
将每一行像素点的灰度值差分序列中最小值对应的像素点,将该像素点作为每一行像素点灰度值变化曲线中的波动起始点。
6.根据权利要求1所述的一种用于肺部超声图像的分割方法,其特征在于,获取第一行灰度值变化曲线的下一行灰度值变化曲线中与第一行灰度值变化曲线中的每个极大值点位置相对应的下一行灰度值变化曲线中的极大值点的方法为:
从第一行灰度值变化曲线开始,根据灰度值变化曲线的比例参数,获取第一行灰度值变化曲线中每个极大值点在第下一行灰度值变化曲线中的位置判断区间;
获取第一行灰度值变化曲线的下一行灰度值变化曲线中,位置处于第一行灰度值变化曲线中对应极大值点的位置判断区间的极大值点,作为第一行灰度值变化曲线中每个极大值点在下一行灰度值变化曲线中对应的极大值点。
7.根据权利要求1所述的一种用于肺部超声图像的分割方法,其特征在于,获取第一行灰度值变化曲线的下一行灰度值变化曲线中与第一行灰度值变化曲线中的每个极大值点位置相对应的下一行灰度值变化曲线中的极大值点的方法,还包括:
若第一行灰度值变化曲线的下一行灰度值变化曲线中不存在与第一行灰度值变化曲线中第j个极大值点对应的极大值点,继续向下获取下一行灰度值变化曲线中与第一行灰度值曲线中第j个极大值点对应的极大值点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483774.3A CN116188499B (zh) | 2023-05-04 | 2023-05-04 | 一种用于肺部超声图像的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483774.3A CN116188499B (zh) | 2023-05-04 | 2023-05-04 | 一种用于肺部超声图像的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188499A true CN116188499A (zh) | 2023-05-30 |
CN116188499B CN116188499B (zh) | 2023-06-30 |
Family
ID=86446645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310483774.3A Active CN116188499B (zh) | 2023-05-04 | 2023-05-04 | 一种用于肺部超声图像的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188499B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017126753A1 (ko) * | 2016-01-21 | 2017-07-27 | 서울대학교병원 (분사무소) | 폐 상태의 지속적인 모니터링 위한 초음파 시스템 및 모니터링 방법 |
CN108038875A (zh) * | 2017-12-07 | 2018-05-15 | 浙江大学 | 一种肺部超声图像识别方法和装置 |
CN108537751A (zh) * | 2018-03-31 | 2018-09-14 | 华南理工大学 | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 |
CN111419283A (zh) * | 2020-04-08 | 2020-07-17 | 上海长征医院 | 一种用于评估新冠肺炎患者病情严重程度的超声分析系统 |
CN112819773A (zh) * | 2021-01-28 | 2021-05-18 | 清华大学 | 一种超声图像定量评估方法 |
CN113040823A (zh) * | 2019-12-27 | 2021-06-29 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像设备及超声图像的分析方法 |
CN114271850A (zh) * | 2021-08-27 | 2022-04-05 | 深圳迈瑞生物医疗电子股份有限公司 | 超声检测数据的处理方法及超声检测数据的处理装置 |
CN114492519A (zh) * | 2022-01-14 | 2022-05-13 | 西安交通大学 | 一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法 |
-
2023
- 2023-05-04 CN CN202310483774.3A patent/CN116188499B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017126753A1 (ko) * | 2016-01-21 | 2017-07-27 | 서울대학교병원 (분사무소) | 폐 상태의 지속적인 모니터링 위한 초음파 시스템 및 모니터링 방법 |
CN108038875A (zh) * | 2017-12-07 | 2018-05-15 | 浙江大学 | 一种肺部超声图像识别方法和装置 |
CN108537751A (zh) * | 2018-03-31 | 2018-09-14 | 华南理工大学 | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 |
CN113040823A (zh) * | 2019-12-27 | 2021-06-29 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像设备及超声图像的分析方法 |
CN111419283A (zh) * | 2020-04-08 | 2020-07-17 | 上海长征医院 | 一种用于评估新冠肺炎患者病情严重程度的超声分析系统 |
CN112819773A (zh) * | 2021-01-28 | 2021-05-18 | 清华大学 | 一种超声图像定量评估方法 |
CN114271850A (zh) * | 2021-08-27 | 2022-04-05 | 深圳迈瑞生物医疗电子股份有限公司 | 超声检测数据的处理方法及超声检测数据的处理装置 |
CN114492519A (zh) * | 2022-01-14 | 2022-05-13 | 西安交通大学 | 一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116188499B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734757B (zh) | 一种脊柱X光图像cobb角测量方法 | |
EP2578163A1 (en) | Malignant tissue tumor detection method and malignant tissue tumor detection device | |
CN103054563B (zh) | 一种血管壁图像纹理特征的量化和提取方法 | |
US7929741B2 (en) | System and method for automated detection of mucus plugs within bronchial tree in MSCT images | |
CN113066064B (zh) | 基于人工智能的锥束ct图像生物结构识别及三维重建系统 | |
Maaliw et al. | A deep learning approach for automatic scoliosis Cobb Angle Identification | |
US11455720B2 (en) | Apparatus for ultrasound diagnosis of liver steatosis using feature points of ultrasound image and remote medical-diagnosis method using the same | |
WO2012064986A2 (en) | System and method of ultrasound image processing | |
CN103249358A (zh) | 医用图像处理装置 | |
CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及系统 | |
CN104546000B (zh) | 一种基于形状特征的超声图像膀胱容积测量方法及装置 | |
CN111598868B (zh) | 一种肺部超声图像识别方法和系统 | |
Supriyanto et al. | Ultrasonic marker pattern recognition and measurement using artificial neural network | |
US8073229B2 (en) | Image analysis of tube tip positioning | |
KR101251822B1 (ko) | 동적조영증강 폐 전산화단층촬영 영상에서 관류 분석 시스템 및 방법 | |
CN116188499B (zh) | 一种用于肺部超声图像的分割方法 | |
CN111724357B (zh) | 基于数字放射图像及支持向量回归的手臂骨密度测量方法 | |
CN110648333B (zh) | 基于中智学理论的乳腺超声视频图像实时分割系统 | |
KR101162599B1 (ko) | 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체 | |
CN111513743A (zh) | 一种骨折检测方法及装置 | |
KR102384083B1 (ko) | 자기공명영상을 이용한 천장관절염 진단 및 염증 정도를 평가하기 위한 장치 및 방법 | |
CN113469942B (zh) | 一种ct图像病变检测方法 | |
CN114240893A (zh) | 一种外像图像中脊柱Cobb角的测算方法 | |
CN110647870B (zh) | 一种基于滑动窗计算静息态fMRI数据近似熵的方法 | |
CN113409319A (zh) | 肋骨骨折检测模型训练系统、方法、检测系统和检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |