CN117122350A - 一种基于超声影像实时监护心脏状态的方法 - Google Patents
一种基于超声影像实时监护心脏状态的方法 Download PDFInfo
- Publication number
- CN117122350A CN117122350A CN202311113581.5A CN202311113581A CN117122350A CN 117122350 A CN117122350 A CN 117122350A CN 202311113581 A CN202311113581 A CN 202311113581A CN 117122350 A CN117122350 A CN 117122350A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- real time
- training
- image
- 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 26
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000010009 beating Methods 0.000 claims abstract description 14
- 238000003709 image segmentation Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 210000005242 cardiac chamber Anatomy 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012285 ultrasound imaging Methods 0.000 claims 4
- 230000000747 cardiac effect Effects 0.000 abstract description 4
- 230000008602 contraction Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000010247 heart contraction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000001746 atrial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Geometry (AREA)
- Cardiology (AREA)
- Quality & Reliability (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于超声影像实时监护心脏状态的方法，S1：构建临床超声数据集，并进行标注；S2：将标注的数据改为图片；S3：导入深度卷积模型推理训练；S4：通过训练得到模型参数文件，并在安卓系统识别运行；S5：通过安卓系统进行模型分割推理，得到图像分割数据，并进行蒙特卡洛算法计算面积；S6：通过方差法、跳动阈值和跳动频率评估获得心脏状况，当超出频率阈值或跳动阈值，开始音频告警。通过将超声数据标注训练后，传输到安卓系统显示，通过分割推理得到图像分割数据，实时计算腔室面积，显示腔室体积，当获取腔室最大值时输出高音量，当腔室收缩最小值时输出底沉音，实现心动音频输出，从而避免医生长时间观察监测设备。
Description
技术领域
本发明涉及心脏监护技术领域，特别是一种基于超声影像实时监护心脏状态的方法。
背景技术
在一些情况下如果心脏跳动的特别微弱，心电图和一些传统的监护设备一起都无法有效的分析出心脏的状况，也就无法给医生提供最准确的心脏情况。
随着围术期医学进展，先进的计算机和电子信息等技术，深度学习开始大规模应用与图像分割处理方面，而医学图像分割又是深度学习图像处理的一个重要分支，通过深度学习图像分割与超声相互结合在可穿戴超声仪器上实现实时追踪心脏左房收缩和全天候检测追踪心脏情况。现有的超声设备只能实时的显示心脏运动的图像，医生需要长时间观察心动图显示设备，而监护仪中心脏监测只能反映心跳节律的改变，对于心脏收缩舒张的力度无法进行判断。
发明内容
本发明的目的在于克服现有技术的缺点，提供一种基于超声影像实时监护心脏状态的方法。
本发明的目的通过以下技术方案来实现：一种基于超声影像实时监护心脏状态的方法，包括以下步骤：
S1：构建临床超声数据集，并对其进行标注；
S2：根据标注的原始数据，将标注的数据改为图片，将数据整合在train、test、mask文件夹内训练图片与mask文件一一对应；
S3：导入深度卷积模型推理训练；
S4：通过训练得到模型参数文件，使用tensorflow转换为中间件统一的模型格式，并在安卓系统识别运行；
S5：通过安卓系统进行模型分割推理，得到图像分割数据，并每个图像分割数据进行一次蒙特卡洛算法计算面积，实现一个心脏腔室缩放显示；
S6：通过方差法、跳动阈值和跳动频率评估获得心脏状况，当超出频率阈值或跳动阈值，系统开始音频告警。
优选的，步骤S1中，还包括以下步骤：
S11：采集心脏短轴切面数据视频；
S12：通过ffmpeg开源包切分数据视频，将视频分割为频率为10hz的图片；
S13：通过第三方分割标注程序labelme对图片上的短轴区域进行标注；
S14：通过图像卷积分割模型将图片上的超声短轴切面分割出来。
优选的，步骤S3中，还包括以下步骤：
S31：数据处理，格式归一化，获取图片数据和标签算法显示定义；
S32：通过定义深度卷积模型并调用，同时建立输入接口和输出接口，数据通过输入接口输入训练；
S33：通过tensorflow进行前向推理，并反向传播修正训练，分批读取图片数据，导入深度卷积模型迭代训练。
优选的，步骤S5中，还包括以下步骤：
S51：调用tensorflow模型在图片中生成均匀分布在图像上的随机点；
S52：检查每个随机点是否在像素范围内部，并统计在像素点范围内的随机点数量；
S53：计算不规则图像点占整个图像的所有随机点的比例，并乘以整个图像的面积得到分割图像的面积。
优选的，步骤S52中，图片上面积的像素值RGB为0，0，255，背景为0，0，0。
本发明具有以下优点：本发明通过将超声数据标注训练后，传输到安卓系统显示，通过分割推理得到图像分割数据，实时计算腔室面积，显示腔室体积，当获取腔室最大值时输出高音量，当腔室收缩最小值时输出底音量，实现心动音频输出，从而避免医生长时间观察监测设备。
附图说明
图1为实时监护心脏状态方法流程的结构示意图；
图2为深度卷积模型推理训练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，一种基于超声影像实时监护心脏状态的方法，包括以下步骤：
S1：构建临床超声数据集，并对其进行标注；
S2：根据标注的原始数据，将标注的数据改为图片，将数据整合在train、test、mask文件夹内训练图片与mask文件一一对应；
S3：导入深度卷积模型推理训练；
S4：通过训练得到模型参数文件，使用tensorflow转换为中间件统一的模型格式，并在安卓系统识别运行；具体地说，模型格式为pb转tflite格式，以便于在安卓系统识别运行，android接口与调用模型相互连接，使android前端可以显示两个图片窗口的功能，以实时显示原始超声图片和通过分割后的效果。
S5：通过安卓系统进行模型分割推理，得到图像分割数据，并每个图像分割数据进行一次蒙特卡洛算法计算面积，实现一个心脏腔室缩放显示；
S6：通过方差法、跳动阈值和跳动频率评估获得心脏状况，当超出频率阈值或跳动阈值，系统开始音频告警。通过将超声数据标注训练后，传输到安卓系统显示，通过分割推理得到图像分割数据，实时计算腔室面积，显示腔室体积，当获取腔室最大值时输出高音量，当腔室收缩最小值时输出底音量，实现心动音频输出，从而避免医生长时间观察监测设备。
进一步的，步骤S1中，还包括以下步骤：
S11：采集心脏短轴切面数据视频；
S12：通过ffmpeg开源包切分数据视频，将视频分割为频率为几十hz的图片；
S13：通过第三方分割标注程序labelme对图片上的短轴区域进行标注；
S14：通过图像卷积分割模型将图片上的超声短轴切面分割出来。具体地说，采集的心脏短轴切面数据视频去除病人个人信息，将视频分割为频率为几十hz的图片，如10hz，并以png格式保存，统一调整大小为800*600像素的图片，进行标注时，使用python环境运行部署，通过labelme对图片上的短轴区域进行标注，使其呈一个闭环圆，标注信息统一保存下来。步骤S14中，模型采用卷积层叠方式的上下采样和直连方式，卷积层叠方式能每层提取不同图片的细节的信息，直连方式能有效减少模型梯度爆炸。
再进一步的，步骤S3中，还包括以下步骤：
S31：数据处理，格式归一化，获取图片数据和标签算法显示定义；
S32：通过定义深度卷积模型并调用，同时建立输入接口和输出接口，数据通过输入接口输入训练；
S33：通过tensorflow进行前向推理，并反向传播修正训练，分批读取图片数据，导入深度卷积模型迭代训练。
在本实施例中，步骤S5中，还包括以下步骤：
S51：调用tensorflow模型在图片中生成均匀分布在图像上的随机点；
S52：检查每个随机点是否在像素范围内部，并统计在像素点范围内的随机点数量；优选的，步骤S52中，图片上面积的像素值RGB为0，0，255，背景为0，0，0。
S53：计算不规则图像点占整个图像的所有随机点的比例，并乘以整个图像的面积得到分割图像的面积。具体地说，计算原理为获取2～3秒推理后分割图片的面积大小，将分割的多个不连接的面积都纳入计算，通过计算不连接的点位置的像素数量，同时将几个最大的分割图像按照距离聚类的方式，一定范围内的不连续面聚合到统计值中为计算面积，最大面积的作为心脏腔室放开最大面积，最小的时候作为心脏收缩的最小面积，实时输出，达到腔室最大值输出高音量，达到腔室收缩最小值时输出底音量，以10～25HZ频率输出一小段音频，这里的超声采样频率为几十ms，如10ms，实现输出跳动周期音频，当超出频率阈值或跳动阈值，系统即开始音频高频告警，实现心脏房室收缩实时心动音频输出和告警，从而避免医生长时间观察监测设备。
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)
1.一种基于超声影像实时监护心脏状态的方法，其特征在于：包括以下步骤：
S1：构建临床超声数据集，并对其进行标注；
S2：根据标注的原始数据，将标注的数据改为图片，将数据整合在train、test、mask文件夹内训练图片与mask文件一一对应；
S3：导入深度卷积模型推理训练；
S4：通过训练得到模型参数文件，使用tensorflow转换为中间件统一的模型格式，并在安卓系统识别运行；
S5：通过安卓系统进行模型分割推理，得到图像分割数据，并每个图像分割数据进行一次蒙特卡洛算法计算面积，实现一个心脏腔室缩放显示；
S6：通过方差法、跳动阈值和跳动频率评估获得心脏状况，当超出频率阈值或跳动阈值，系统开始音频告警。
2.根据权利要求1所述的基于超声影像实时监护心脏状态的方法，其特征在于：所述步骤S1中，还包括以下步骤：
S11：采集心脏短轴切面数据视频；
S12：通过ffmpeg开源包切分数据视频，将视频分割为频率为10hz的图片；
S13：通过第三方分割标注程序labelme对图片上的短轴区域进行标注；
S14：通过图像卷积分割模型将图片上的超声短轴切面分割出来。
3.根据权利要求2所述的基于超声影像实时监护心脏状态的方法，其特征在于：所述步骤S3中，还包括以下步骤：
S31：数据处理，格式归一化，获取图片数据和标签算法显示定义；
S32：通过定义深度卷积模型并调用，同时建立输入接口和输出接口，数据通过输入接口输入训练；
S33：通过tensorflow进行前向推理，并反向传播修正训练，分批读取图片数据，导入深度卷积模型迭代训练。
4.根据权利要求3所述的基于超声影像实时监护心脏状态的方法，其特征在于：所述步骤S5中，还包括以下步骤：
S51：调用tensorflow模型在图片中生成均匀分布在图像上的随机点；
S52：检查每个随机点是否在像素范围内部，并统计在像素点范围内的随机点数量；
S53：计算不规则图像点占整个图像的所有随机点的比例，并乘以整个图像的面积得到分割图像的面积。
5.根据权利要求4所述的基于超声影像实时监护心脏状态的方法，其特征在于：所述步骤S52中，图片上面积的像素值RGB为0，0，255，背景为0，0，0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311113581.5A CN117122350A (zh) | 2023-08-31 | 2023-08-31 | 一种基于超声影像实时监护心脏状态的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311113581.5A CN117122350A (zh) | 2023-08-31 | 2023-08-31 | 一种基于超声影像实时监护心脏状态的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117122350A true CN117122350A (zh) | 2023-11-28 |
Family
ID=88861044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311113581.5A Pending CN117122350A (zh) | 2023-08-31 | 2023-08-31 | 一种基于超声影像实时监护心脏状态的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117122350A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118154614A (zh) * | 2024-05-13 | 2024-06-07 | 江苏艾玮得生物科技有限公司 | 一种跳动信息分析方法、装置、存储介质及电子设备 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110262018A1 (en) * | 2010-04-27 | 2011-10-27 | MindTree Limited | Automatic Cardiac Functional Assessment Using Ultrasonic Cardiac Images |
| CN103222876A (zh) * | 2012-01-30 | 2013-07-31 | 株式会社东芝 | 医用图像处理装置、图像诊断装置、计算机系统以及医用图像处理方法 |
| WO2019178404A1 (en) * | 2018-03-14 | 2019-09-19 | The Regents Of The University Of California | Automated cardiac function assessment by echocardiography |
| CN111784721A (zh) * | 2020-07-01 | 2020-10-16 | 华南师范大学 | 基于深度学习的超声内窥图像智能分割与量化方法及系统 |
| WO2021082272A1 (zh) * | 2019-10-31 | 2021-05-06 | 无锡祥生医疗科技股份有限公司 | 心动周期的确定方法及超声设备 |
| CN113168689A (zh) * | 2018-10-25 | 2021-07-23 | 医科达有限公司 | 用于实时患者运动监测的机器学习方法 |
| CN113298773A (zh) * | 2021-05-20 | 2021-08-24 | 山东大学 | 基于深度学习的心脏视图识别与左心室检测装置、系统 |
| US20210369243A1 (en) * | 2020-05-29 | 2021-12-02 | Dyad Medical, Inc. | Systems and methods for estimating cardiac function and providing cardiac diagnoses |
| CN114693706A (zh) * | 2022-06-01 | 2022-07-01 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种内窥镜息肉图像分割方法、装置及存储介质 |
| US20220335615A1 (en) * | 2021-04-19 | 2022-10-20 | Fujifilm Sonosite, Inc. | Calculating heart parameters |
| CN115587971A (zh) * | 2022-09-21 | 2023-01-10 | 四川大学华西医院 | 基于心脏超声节段活动的机体反应及血流动力学监测方法及系统 |
| CN116524001A (zh) * | 2023-04-28 | 2023-08-01 | 深圳微创心算子医疗科技有限公司 | 超声心动图特征图滤波的射血分数自动评估方法及装置 |
| CN116597093A (zh) * | 2023-06-12 | 2023-08-15 | 苏州阿尔忒计算技术有限公司 | 一种基于蒙特卡洛算法的3d模型图像重构方法 |
-
2023
- 2023-08-31 CN CN202311113581.5A patent/CN117122350A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110262018A1 (en) * | 2010-04-27 | 2011-10-27 | MindTree Limited | Automatic Cardiac Functional Assessment Using Ultrasonic Cardiac Images |
| CN103222876A (zh) * | 2012-01-30 | 2013-07-31 | 株式会社东芝 | 医用图像处理装置、图像诊断装置、计算机系统以及医用图像处理方法 |
| WO2019178404A1 (en) * | 2018-03-14 | 2019-09-19 | The Regents Of The University Of California | Automated cardiac function assessment by echocardiography |
| CN113168689A (zh) * | 2018-10-25 | 2021-07-23 | 医科达有限公司 | 用于实时患者运动监测的机器学习方法 |
| WO2021082272A1 (zh) * | 2019-10-31 | 2021-05-06 | 无锡祥生医疗科技股份有限公司 | 心动周期的确定方法及超声设备 |
| US20210369243A1 (en) * | 2020-05-29 | 2021-12-02 | Dyad Medical, Inc. | Systems and methods for estimating cardiac function and providing cardiac diagnoses |
| CN111784721A (zh) * | 2020-07-01 | 2020-10-16 | 华南师范大学 | 基于深度学习的超声内窥图像智能分割与量化方法及系统 |
| US20220335615A1 (en) * | 2021-04-19 | 2022-10-20 | Fujifilm Sonosite, Inc. | Calculating heart parameters |
| CN113298773A (zh) * | 2021-05-20 | 2021-08-24 | 山东大学 | 基于深度学习的心脏视图识别与左心室检测装置、系统 |
| CN114693706A (zh) * | 2022-06-01 | 2022-07-01 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种内窥镜息肉图像分割方法、装置及存储介质 |
| CN115587971A (zh) * | 2022-09-21 | 2023-01-10 | 四川大学华西医院 | 基于心脏超声节段活动的机体反应及血流动力学监测方法及系统 |
| CN116524001A (zh) * | 2023-04-28 | 2023-08-01 | 深圳微创心算子医疗科技有限公司 | 超声心动图特征图滤波的射血分数自动评估方法及装置 |
| CN116597093A (zh) * | 2023-06-12 | 2023-08-15 | 苏州阿尔忒计算技术有限公司 | 一种基于蒙特卡洛算法的3d模型图像重构方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118154614A (zh) * | 2024-05-13 | 2024-06-07 | 江苏艾玮得生物科技有限公司 | 一种跳动信息分析方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111227864B (zh) | 使用超声图像利用计算机视觉进行病灶检测的装置 | |
| CN109616195A (zh) | 基于深度学习的纵隔超声内镜图像实时辅助诊断系统及方法 | |
| WO2020121308A9 (en) | Systems and methods for diagnosing a stroke condition | |
| CN110838118A (zh) | 用于医疗过程中异常检测的系统和方法 | |
| EP3432803A1 (en) | Ultrasound system and method for detecting lung sliding | |
| CN108618749B (zh) | 基于便携式数字化眼底照相机的视网膜血管三维重建方法 | |
| JP2005000656A (ja) | 生理学的構造及び事象の標識付けの方法及びシステム | |
| US10376166B2 (en) | Method and apparatus for non-invasive assessment of intracranial pressure | |
| CN114782358A (zh) | 一种血管形变自动计算的方法、装置及存储介质 | |
| CN114898882B (zh) | 基于超声对右心功能进行评估的方法和系统 | |
| US10750959B2 (en) | Heart rate estimation from face videos using quality based fusion | |
| CN111862090A (zh) | 一种基于人工智能的食管癌术前管理的方法和系统 | |
| Moshavegh et al. | Novel automatic detection of pleura and B-lines (comet-tail artifacts) on in vivo lung ultrasound scans | |
| CN106343986A (zh) | 一种基于摄像头的动态血压非接触监测装置 | |
| CN111797900A (zh) | 一种oct-a图像的动静脉分类方法及装置 | |
| CN117122350A (zh) | 一种基于超声影像实时监护心脏状态的方法 | |
| CN112641466A (zh) | 一种超声人工智能辅助诊断方法及装置 | |
| CN111144163B (zh) | 基于神经网络的静脉与动脉识别系统 | |
| WO2023187828A1 (en) | System and method to detect presence of skin abnormalities | |
| CN111062979A (zh) | 基于医学影像获取血栓物理特性参数的可视化方法和可视化系统 | |
| CN116098596A (zh) | 一种基于深度学习的生命体征监测方法与装置 | |
| CN113907729A (zh) | 一种基于医疗机器人的科技数据采集方法 | |
| CN115337038A (zh) | 超声波诊断装置以及诊断辅助方法 | |
| CN113873119A (zh) | 一种基于医疗机器人的科技检测方法 | |
| CN114708283A (zh) | 图像目标的分割方法、装置、电子设备及存储介质 |
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 |