CN117114072A - 一种超声图像用于模拟系统训练应用的方法 - Google Patents
一种超声图像用于模拟系统训练应用的方法 Download PDFInfo
- Publication number
- CN117114072A CN117114072A CN202311118469.0A CN202311118469A CN117114072A CN 117114072 A CN117114072 A CN 117114072A CN 202311118469 A CN202311118469 A CN 202311118469A CN 117114072 A CN117114072 A CN 117114072A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic image
- neural network
- network model
- image
- virtual heart
- 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
- 238000012549 training Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000002604 ultrasonography Methods 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 4
- 238000012285 ultrasound imaging Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种超声图像用于模拟系统训练应用的方法，包括以下步骤：S1：获取超声图像数据并进行拷贝；S2：通过json配置文件，使用unity读取配置文件，并匹配虚拟的心脏位置，在对应位置显示超声图像；S3：通过AI大模型对虚拟心脏的每个部位进行训练，提取图像特征，根据训练结果绑定在对应的虚拟心脏上，得到特定的神经网络模型；S4：将新采集的超声图像输入到神经网络模型，神经网络模型根据内部特征，预测新采集的超声图像对应的虚拟心脏位置。本发明的有益效果是：对超声图像数据进行处理，并通过AI大模型进行训练，得到神经网络模型，当临床医生输入新的超声图像时，神经网络模型根据内部特征，预测其对应的虚拟心脏，降低临床医生的学习量。
Description
技术领域
本发明涉及图像处理技术领域，特别是一种超声图像用于模拟系统训练应用的方法。
背景技术
近年来，超声由于其便携、无创、无辐射等特点，在临床科室的应用越来越广泛。临床科室超声技能已经逐渐成为临床医生关心的基本技能。由于绝大多数在围术期工作的医师没有经过超声训练，掌握超声尚有一定的困难。但是临床医生对于解剖是十分熟悉的，将超声切面与三维解剖模型相结合，可以帮助临床快速掌握切面的获得以及超声图像反应的结构。
现有中国专利CN201210281103.0，专利名称为“用于教学及临床技能培训的经食管超声可视化仿真系统与方法”已经初步实现帮助临床医学学习超声，缩短学习的时间曲线，但是还是需要花费临床医生比较长的时间来理解和记忆超声图像，目前的应用还是基于标准的图像，对于不标准的图像，需要临床医生花大量的时间来建立模型，对于临床工作繁重的医生来说，十分耗时。
发明内容
本发明的目的在于克服现有技术的缺点，提供一种超声图像用于模拟系统训练应用的方法。
本发明的目的通过以下技术方案来实现：一种超声图像用于模拟系统训练应用的方法，包括以下步骤：
S1：获取超声图像数据并进行拷贝；
S2：通过json配置文件，使用unity读取配置文件，并匹配虚拟的心脏位置，在对应位置显示超声图像；
S3：通过AI大模型对虚拟心脏的每个部位进行训练，提取图像特征，根据训练结果绑定在对应的虚拟心脏上，得到特定的神经网络模型；
S4：将新采集的超声图像输入到神经网络模型，神经网络模型根据内部特征，预测新采集的超声图像对应的虚拟心脏位置。
优选的，步骤S1中，通过存储设备拷贝超声图像数据。
优选的，步骤S2中，将每个虚拟心脏唯一命名为point，每个虚拟点ID均对应唯一键值。
优选的，步骤S3中，通过图像识别模型yolo提取图像特征。
优选的，步骤S3中，AI大模型的训练量大于等于十万。
本发明具有以下优点：本发明首先对超声图像数据进行处理，并通过AI大模型进行训练，得到神经网络模型，后续当临床医生输入新的超声图像时，神经网络模型根据内部特征，预测其对应的虚拟心脏，从而降低临床医生的学习量。
附图说明
图1为模拟系统训练应用方法流程的结构示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。通常在此处附图中描述和示出的本发明实施方式的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本实施例中，如图1所示，一种超声图像用于模拟系统训练应用的方法，包括以下步骤：
S1：获取超声图像数据并进行拷贝；
S2：通过json配置文件，使用unity读取配置文件，并匹配虚拟的心脏位置，在对应位置显示超声图像；
S3：通过AI大模型对虚拟心脏的每个部位进行训练，提取图像特征，根据训练结果绑定在对应的虚拟心脏上，得到特定的神经网络模型；优选的，步骤S3中，AI大模型的训练量大于等于十万。
S4：将新采集的超声图像输入到神经网络模型，神经网络模型根据内部特征，预测新采集的超声图像对应的虚拟心脏位置。首先对超声图像数据进行处理，并通过AI大模型进行训练，得到神经网络模型，后续当临床医生输入新的超声图像时，神经网络模型根据内部特征，预测其对应的虚拟心脏，从而降低临床医生的学习量。
进一步的，步骤S1中，通过存储设备拷贝超声图像数据。具体地说，存储设备为U盘或硬盘。
再进一步的，步骤S2中，将每个虚拟心脏唯一命名为point，每个虚拟点ID均对应唯一键值。具体地说，position对应相应点的位置，angle对应相应的角度，deep对应相应的深度，video对应相应的视频，从而可以在模拟模型上实现位置还原。
在本实施例中，步骤S3中，通过图像识别模型yolo提取图像特征。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,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 (5)
1.一种超声图像用于模拟系统训练应用的方法，其特征在于：包括以下步骤：
S1：获取超声图像数据并进行拷贝；
S2：通过json配置文件，使用unity读取配置文件，并匹配虚拟的心脏位置，在对应位置显示超声图像；
S3：通过AI大模型对虚拟心脏的每个部位进行训练，提取图像特征，根据训练结果绑定在对应的虚拟心脏上，得到特定的神经网络模型；
S4：将新采集的超声图像输入到神经网络模型，神经网络模型根据内部特征，预测新采集的超声图像对应的虚拟心脏位置。
2.根据权利要求1所述的超声图像用于模拟系统训练应用的方法，其特征在于：所述步骤S1中，通过存储设备拷贝超声图像数据。
3.根据权利要求2所述的超声图像用于模拟系统训练应用的方法，其特征在于：所述步骤S2中，将每个虚拟心脏唯一命名为point，每个虚拟点ID均对应唯一键值。
4.根据权利要求3所述的超声图像用于模拟系统训练应用的方法，其特征在于：所述步骤S3中，通过图像识别模型yolo提取图像特征。
5.根据权利要求4所述的超声图像用于模拟系统训练应用的方法，其特征在于：所述步骤S3中，AI大模型的训练量大于等于十万。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311118469.0A CN117114072A (zh) | 2023-08-31 | 2023-08-31 | 一种超声图像用于模拟系统训练应用的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311118469.0A CN117114072A (zh) | 2023-08-31 | 2023-08-31 | 一种超声图像用于模拟系统训练应用的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117114072A true CN117114072A (zh) | 2023-11-24 |
Family
ID=88808918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311118469.0A Pending CN117114072A (zh) | 2023-08-31 | 2023-08-31 | 一种超声图像用于模拟系统训练应用的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117114072A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101036585A (zh) * | 2007-04-12 | 2007-09-19 | 中国人民解放军第三军医大学第一附属医院 | 一种虚拟经食道超声心动图系统及其实现方法 |
| CN101916333A (zh) * | 2010-08-12 | 2010-12-15 | 四川大学华西医院 | 经食道心脏超声可视化仿真系统及方法 |
| US20120237102A1 (en) * | 2004-11-30 | 2012-09-20 | Eric Savitsky | System and Method for Improving Acquired Ultrasound-Image Review |
| US20170262982A1 (en) * | 2016-03-09 | 2017-09-14 | EchoNous, Inc. | Ultrasound image recognition systems and methods utilizing an artificial intelligence network |
| CN110264462A (zh) * | 2019-06-25 | 2019-09-20 | 电子科技大学 | 一种基于深度学习的乳腺超声肿瘤识别方法 |
| US20190374165A1 (en) * | 2018-06-07 | 2019-12-12 | Canon Medical Systems Corporation | Image processing apparatus and method |
| CN112270993A (zh) * | 2020-09-22 | 2021-01-26 | 深圳市人工智能与机器人研究院 | 一种以诊断结果为反馈的超声机器人在线决策方法及系统 |
| CN113761796A (zh) * | 2021-08-24 | 2021-12-07 | 中国人民解放军总医院第一医学中心 | 基于虚拟现实的心脏出血与止血模型的仿真系统和方法 |
| WO2022266651A1 (en) * | 2021-06-17 | 2022-12-22 | Cedars-Sinai Medical Center | Precision phenotyping of left ventricular hypertrophy with echocardiographic deep learning |
| CN115546287A (zh) * | 2022-09-28 | 2022-12-30 | 香港中文大学深圳研究院 | 经食管超声心动图的处理方法、系统、终端设备和介质 |
| CN115953532A (zh) * | 2022-12-28 | 2023-04-11 | 北京大学第三医院（北京大学第三临床医学院） | 教学用超声图像的显示方法、装置及超声图像的教学系统 |
| CN116312122A (zh) * | 2023-03-23 | 2023-06-23 | 华南理工大学 | 一种用于医学超声操作训练的虚拟仿真系统及方法 |
| CN116524020A (zh) * | 2023-04-11 | 2023-08-01 | 首都医科大学附属北京安贞医院 | 一种胎儿心脏的虚拟超声图像及其生成方法 |
-
2023
- 2023-08-31 CN CN202311118469.0A patent/CN117114072A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120237102A1 (en) * | 2004-11-30 | 2012-09-20 | Eric Savitsky | System and Method for Improving Acquired Ultrasound-Image Review |
| CN101036585A (zh) * | 2007-04-12 | 2007-09-19 | 中国人民解放军第三军医大学第一附属医院 | 一种虚拟经食道超声心动图系统及其实现方法 |
| CN101916333A (zh) * | 2010-08-12 | 2010-12-15 | 四川大学华西医院 | 经食道心脏超声可视化仿真系统及方法 |
| US20170262982A1 (en) * | 2016-03-09 | 2017-09-14 | EchoNous, Inc. | Ultrasound image recognition systems and methods utilizing an artificial intelligence network |
| US20190374165A1 (en) * | 2018-06-07 | 2019-12-12 | Canon Medical Systems Corporation | Image processing apparatus and method |
| CN110264462A (zh) * | 2019-06-25 | 2019-09-20 | 电子科技大学 | 一种基于深度学习的乳腺超声肿瘤识别方法 |
| CN112270993A (zh) * | 2020-09-22 | 2021-01-26 | 深圳市人工智能与机器人研究院 | 一种以诊断结果为反馈的超声机器人在线决策方法及系统 |
| WO2022266651A1 (en) * | 2021-06-17 | 2022-12-22 | Cedars-Sinai Medical Center | Precision phenotyping of left ventricular hypertrophy with echocardiographic deep learning |
| CN113761796A (zh) * | 2021-08-24 | 2021-12-07 | 中国人民解放军总医院第一医学中心 | 基于虚拟现实的心脏出血与止血模型的仿真系统和方法 |
| CN115546287A (zh) * | 2022-09-28 | 2022-12-30 | 香港中文大学深圳研究院 | 经食管超声心动图的处理方法、系统、终端设备和介质 |
| CN115953532A (zh) * | 2022-12-28 | 2023-04-11 | 北京大学第三医院（北京大学第三临床医学院） | 教学用超声图像的显示方法、装置及超声图像的教学系统 |
| CN116312122A (zh) * | 2023-03-23 | 2023-06-23 | 华南理工大学 | 一种用于医学超声操作训练的虚拟仿真系统及方法 |
| CN116524020A (zh) * | 2023-04-11 | 2023-08-01 | 首都医科大学附属北京安贞医院 | 一种胎儿心脏的虚拟超声图像及其生成方法 |
Non-Patent Citations (1)
| Title |
|---|
| 白晓芳;陈红;董亚玲;尚佳楠;白筠菲;杨锦茹;赵巧玲;宋艳;阮骊韬;: "仿真模拟教学方法在经食管超声心动图培训中的应用价值", 中国医学教育技术, no. 01, 17 January 2020 (2020-01-17), pages 90 - 93 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Tracking-by-detection of surgical instruments in minimally invasive surgery via the convolutional neural network deep learning-based method | |
| CN106102585B (zh) | 三维成像数据的显示处理方法和三维超声成像方法及系统 | |
| Smistad et al. | Highlighting nerves and blood vessels for ultrasound-guided axillary nerve block procedures using neural networks | |
| Nurmaini et al. | Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation | |
| Koehl et al. | Landmark-free geometric methods in biological shape analysis | |
| CN102056547A (zh) | 医用图像处理装置及医用图像处理方法 | |
| EP3191990A1 (en) | Method for automatically generating representations of imaging data and interactive visual imaging reports (ivir). | |
| Maraci et al. | Toward point-of-care ultrasound estimation of fetal gestational age from the trans-cerebellar diameter using CNN-based ultrasound image analysis | |
| CN114881968A (zh) | 基于深度卷积神经网络的octa图像血管分割方法、设备及介质 | |
| CN115994902A (zh) | 医学图像分析方法、电子设备及存储介质 | |
| AlZu'bi et al. | Transferable HMM probability matrices in multi‐orientation geometric medical volumes segmentation | |
| Tenajas et al. | Recent advances in artificial intelligence-assisted ultrasound scanning | |
| WO2021231230A1 (en) | Automatically identifying anatomical structures in medical images in a manner that is sensitive to the particular view in which each image is captured | |
| Jaščur et al. | Detecting the absence of lung sliding in lung ultrasounds using deep learning | |
| Magnuska et al. | Influence of the computer-aided decision support system design on ultrasound-based breast cancer classification | |
| Boice et al. | Training ultrasound image classification deep-learning algorithms for pneumothorax detection using a synthetic tissue phantom apparatus | |
| CN105096306A (zh) | 用于对医学图像进行配准的方法和设备 | |
| CN111145137B (zh) | 基于神经网络的静脉与动脉识别方法 | |
| Snare et al. | Real-time scan assistant for echocardiography | |
| CN111144506B (zh) | 基于超声图像的肝包虫识别方法、存储介质及超声设备 | |
| CN109637629A (zh) | 一种bi-rads分级模型建立方法 | |
| CN103705271A (zh) | 一种用于医学影像诊断的人机交互系统和方法 | |
| Hur et al. | Integration of three‐dimensional echocardiography into the modern‐day echo laboratory | |
| CN112258476A (zh) | 超声心动图心肌异常运动模式分析方法、系统及存储介质 | |
| CN117114072A (zh) | 一种超声图像用于模拟系统训练应用的方法 |
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 |