CN117243637B - 一种超声心动图图像识别方法 - Google Patents
一种超声心动图图像识别方法 Download PDFInfo
- Publication number
- CN117243637B CN117243637B CN202311355696.5A CN202311355696A CN117243637B CN 117243637 B CN117243637 B CN 117243637B CN 202311355696 A CN202311355696 A CN 202311355696A CN 117243637 B CN117243637 B CN 117243637B
- Authority
- CN
- China
- Prior art keywords
- micro
- grid
- image
- area
- parameters
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000002592 echocardiography Methods 0.000 title abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012790 confirmation Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 210000000779 thoracic wall Anatomy 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 22
- 230000000694 effects Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000005246 left atrium Anatomy 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 210000005245 right atrium Anatomy 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种超声心动图图像识别方法，本发明涉及图像识别技术领域，解决了未对图像之间的虚拟轮廓线进行确定，便会导致所分割识别的图像并不完整的问题，本发明通过采用超声波测距对心脏模型进行搭建，随后，对搭建的模型进行图像识别，优先采用调整亮度的方式，选定初始的轮廓线，将存在阴影的区域进行标定，再对所标定的区域进行线路规划，锁定伪中心线，再一一确认垂线锁定对位点，在根据所确认的对位点锁定中心点，根据中心点以及待定点，完成对应区域的整个虚拟轮廓的搭建，便可对指定区域的内部图像进行提取，此种提取方式，可针对于不同角度不同状态下的心脏模型，同时锁定对应的模型图像，提升图像的整体识别效果，缩短识别时间。
Description
技术领域
本发明涉及图像识别技术领域，具体为一种超声心动图图像识别方法。
背景技术
超声心动图是指应用超声短波测距原理脉冲超声波透过胸壁、软组织测量其下各心壁、心室及瓣膜等结构的周期性活动,在显示器上显示为各结构相应的活动和时间之间的关系曲线,用记录仪记录这些曲线,即为超声心动图。
专利公开号为CN109620293B的申请公开了一种图像识别方法、装置以及存储介质，其中，本申请实施例获取心脏的超声心动图像、以及心动周期区域参考尺寸信息，根据心动周期检测网络模型和心动周期区域参考尺寸信息，对超声心动图像进行心动周期检测，得到若干心动周期区域的区域信息，从若干心动周期区域的区域位置信息中，确定目标区域位置信息，根据目标区域位置信息从超声心动图像中提取待检测的心动周期区域图像，采用定位点检测网络模型对心动周期区域图像进行心室壁内外层定位点检测，得到心室壁内外层定位点的位置信息。该方案可以提高图像识别的效率和准确率。
对应超声心动数据产生时，便可根据超声心动图搭建对应的心脏模型，随后，根据心脏模型的具体参数，对内部的图像进行分割提取并识别，原始的方式，一般是通过设定模板的方式，来确定待识别图像，随后进行识别，但此种方式，并未对图像之间的虚拟轮廓线进行确定，便会导致所分割识别的图像并不完整，从而会影响后续的分析结果。
发明内容
针对现有技术的不足，本发明提供了一种超声心动图图像识别方法，解决了未对图像之间的虚拟轮廓线进行确定，便会导致所分割识别的图像并不完整的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种超声心动图图像识别方法，包括以下步骤：
S1、通过利用超声短波测距原理脉冲超声波透过胸壁，对整个心室的超声波心脏模型进行构建，同时，记录测试过程中的测试参数；
S2、根据测试过程中所产生的测试参数构建不同的波动波形，随后结合特征模板对不同的波动波形进行分析，对超声波心脏模型内不同区域进行标定，具体方式为：
S21、根据所构建的波动波形，确定此波动波形的波形特征，确定此波动波形的最大波动值BDi以及最大斜率Xi，其中i代表不同的波动波形，其中斜率表示两个点位之间的倾斜程度的量；
S22、采用BDi×C1+Xi×C2＝TZi锁定对应波形的波形特征TZi，随后结合特征模板，特征模板为预设模板，根据不同波动波形的波形特征TZi，确定此数值位于特征模板的所属分类，随后对指定区域进行标定；
S3、对已经完成标定的超声波心脏模型进行轮廓初确认，同时在确认过程中，锁定不同区域相交的阴影区域，根据阴影区域的辐射宽度，构建虚拟轮廓填补线，具体方式为：
S31、对超声波心脏模型内相邻区域的亮度进行反向调节，将一侧区域的亮度向上进行调节时，另一侧区域的亮度则向下进行调节，在调节过程中，确定相邻区域之间的分界线，从而将此分界线拟定为初步轮廓线，针对于未存在分界线的区域，直接锁定调节过程中所产生的阴影区域；
S32、确定阴影区域上下两侧分界线的断点，将其标定为待定点；
S33、对阴影区域进行伪镜像处理，随机选定一组对称线，使阴影区域根据此对称线进行左右重合比对，将两个区域所产生的重合度参数最大的一组对称线标定为伪中心线，随后，在阴影区域内构建此伪中心线的垂线，其垂线穿过阴影区域，每个垂线之间间隔X1m，其中X1为预设值，再依次对每个垂线的中心点进行确认，将相邻的点位依次连接，同时，上下两组垂线的中心点分别与两个待定点相连，以此构建对应区域的虚拟轮廓，随后根据此虚拟轮廓，直接提取对应区域的内部图像；
S4、对指定区域的内部图像进行像素优化，优先将此内部图像划分为若干个微宫格图像，随后再依次确认每个不同微宫格图像的像素点参数，根据像素点参数之间的差异，锁定异常微区，具体方式为：
S41、采用预设的微宫格模板，将内部图像划分为若干个微宫格图像，其中，微宫格模板为预设模板，且微宫格模板的参数为A1×A1，其中A1为预设值，其具体取值由操作人员根据经验拟定；
S42、对每个微宫格图像内部的像素点参数标定为XSk，其中k代表不同的微宫格图像，选定一组微宫格图像，将此微宫格图像周边的微宫格图像拟定为待定图像，并将若干组待定图像的像素点参数进行均值处理，确定均值参数JC，再采用CZk＝|XSk-JC|得到核对差值CZk，判断核对差值CZk是否满足：CZk＞Y1，若满足，代表此微宫格图像内部像素点参数与周边图像的像素点参数相差过大，存在较大差异，故将此微宫格图像标定为异常微区，若不满足CZk＞Y1，则不进行任何处理；
S43、依次对每个微宫格图像进行分析处理，对每个微宫格图像是否属于异常宫格进行判定，并在原始图像内进行标定；
S5、对内部图像内所标定的异常微区进行确定，并选定此异常微区周边宫格的像素点参数，将若干组像素点参数进行均值处理，作为本异常宫格的修正值，对异常宫格的像素进行优化调整。
有益效果
本发明提供了一种超声心动图图像识别方法。与现有技术相比具备以下
有益效果：
本发明通过采用超声波测距对心脏模型进行搭建，随后，对搭建的模型进行图像识别，优先采用调整亮度的方式，选定初始的轮廓线，将存在阴影的区域进行标定，再对所标定的区域进行线路规划，锁定伪中心线，随后，再一一通过确认垂线，锁定对位点，在根据所确认的对位点锁定中心点，根据中心点以及待定点，便可确定对应区域的虚拟轮廓，从而完成对应区域的整个虚拟轮廓的搭建，便可对指定区域的内部图像进行提取，此种提取方式，可针对于不同角度、不同状态下的心脏模型进行识别操作，同时锁定对应的模型图像，提升图像的整体识别效果，缩短识别时间，提升识别效率；
后续，对内部图像内所标定的异常微区进行确定，并选定此异常微区周边宫格的像素点参数，将若干组像素点参数进行均值处理，作为本异常宫格的修正值，对异常宫格的像素进行优化调整，使整个内部图像得到充分优化调整，且内部被优化的区域也不会过于突兀，提升整个图像的整体优化调整效果。
附图说明
图1为本发明方法流程示意图。
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。
实施例一
请参阅图1，本申请提供了一种超声心动图图像识别方法，包括以下步骤：
S1、通过利用超声短波测距原理脉冲超声波透过胸壁，对整个心室的超声波心脏模型进行构建，同时，记录测试过程中的测试参数；
S2、根据测试过程中所产生的测试参数构建不同的波动波形，随后结合特征模板对不同的波动波形进行分析，对超声波心脏模型内不同区域进行标定，其中，进行分析的具体方式为：
S21、根据所构建的波动波形，确定此波动波形的波形特征，确定此波动波形的最大波动值BDi以及最大斜率Xi，其中i代表不同的波动波形，其中斜率表示两个点位之间的倾斜程度的量，且斜率的计算方式为：k＝Δy/Δx，Δy为两个点位的竖向差值，Δx为两个点位的横向差值；
S22、采用BDi×C1+Xi×C2＝TZi锁定对应波形的波形特征TZi，随后结合特征模板，特征模板为预设模板，内部参数由操作人员根据经验拟定，根据不同波动波形的波形特征TZi，确定此数值位于特征模板的所属分类，随后对指定区域进行标定，因心脏由四个腔室组成，分别为：左心房、左心室、右心房、右心室，每个区域均不一致，故所产生的波动波形也不一致，便会造成对应的波形特征也不一致，通过预设的特征模板与对应的波形特征，便可锁定对应波形的所属类别，便于后续进行图像区分；
S3、对已经完成标定的超声波心脏模型进行轮廓初确认，同时在确认过程中，锁定不同区域相交的阴影区域，根据阴影区域的辐射宽度，构建虚拟轮廓填补线，其中，进行轮廓初确认的具体方式为：
S31、对超声波心脏模型内相邻区域的亮度进行反向调节，将一侧区域的亮度向上进行调节时，另一侧区域的亮度则向下进行调节，在调节过程中，确定相邻区域之间的分界线，从而将此分界线拟定为初步轮廓线，针对于未存在分界线的区域，直接锁定调节过程中所产生的阴影区域；
S32、确定阴影区域上下两侧分界线的断点，将其标定为待定点，具体的，当分界线出现断层时，才会选取中间的阴影区域，故阴影区域前后两侧肯定是存在对应分界线断点的，根据断点的具体位置，便可对后续阴影区域内部的路径进行规划；
S33、对阴影区域进行伪镜像处理，随机选定一组对称线，使阴影区域根据此对称线进行左右重合比对，将两个区域所产生的重合度参数最大的一组对称线标定为伪中心线，随后，在阴影区域内构建此伪中心线的垂线，其垂线穿过阴影区域，每个垂线之间间隔X1m，其中X1为预设值，其具体取值由操作人员根据经验拟定，再依次对每个垂线的中心点进行确认，将相邻的点位依次连接，同时，上下两组垂线的中心点分别与两个待定点相连，以此构建对应区域的虚拟轮廓，随后根据此虚拟轮廓，直接提取对应区域的内部图像；
具体的，阴影区域确定后，其上下的两个待定点作为一个基准，在阴影区域内从上至下设定对应的对称线，通过大量的数据计算，当某组对称线所产生的两个区域面积重合度参数最大时，那么此对称线就是伪中心线，因阴影区域并不归整，导致内部可能不存在中心线，只能通过确定伪中心线的方式来锁定，随后，通过设置垂线便就是为了确定阴影区域两侧的对位点，通过对位点便可锁定中心点，通过若干个中心点，便可生成轮廓线段，从而再结合上下两侧的待定点，便可形成对应阴影区域的整体轮廓，再进行统一连接，便可确定属于此区域的虚拟轮廓，根据此虚拟轮廓，便可提取属于此区域的内部图像。
根据中心点以及待定点，便可确定对应区域的虚拟轮廓，从而完成对应区域的整个虚拟轮廓的搭建，便可对指定区域的内部图像进行提取，此种提取方式，可针对于不同角度、不同状态下的心脏模型进行识别操作，同时锁定对应的模型图像，提升图像的整体识别效果，缩短识别时间，提升识别效率；
S4、对指定区域的内部图像进行像素优化，优先将此内部图像划分为若干个微宫格图像，随后再依次确认每个不同微宫格图像的像素点参数，根据像素点参数之间的差异，锁定异常微区，其中，锁定异常微区的具体方式为：
S41、采用预设的微宫格模板，将内部图像划分为若干个微宫格图像，其中，微宫格模板为预设模板，由操作人员提前根据经验拟定，且微宫格模板的参数为A1×A1，其中A1为预设值，其具体取值由操作人员根据经验拟定；
S42、对每个微宫格图像内部的像素点参数标定为XSk，其中k代表不同的微宫格图像，选定一组微宫格图像，将此微宫格图像周边的微宫格图像拟定为待定图像，并将若干组待定图像的像素点参数进行均值处理，确定均值参数JC，再采用CZk＝|XSk-JC|得到核对差值CZk，判断核对差值CZk是否满足：CZk＞Y1，若满足，代表此微宫格图像内部像素点参数与周边图像的像素点参数相差过大，存在较大差异，故将此微宫格图像标定为异常微区，若不满足，则不进行任何处理；
S43、依次对每个微宫格图像进行分析处理，对每个微宫格图像是否属于异常宫格进行判定，并在原始图像内进行标定；
具体的，一组内部图像，可以将其划分为若干个微图像，为了识别对应图像的像素点是否处于正常状态，首先需要将此图像的像素点进行确认，随后再依次确认周边图像的像素点，根据所确认的像素点参数的均值，对本图像进行自适应调整修正，从而使整个内部图像均能得到像素优化，提升整个内部图像的整体展示效果，便于外部人员对其进行识别。
实施例二
本实施例在具体实施过程中，还包括对异常宫格像素的调整优化过程，主要针对于异常宫格，具体方式还包括以下步骤：
S5、对内部图像内所标定的异常微区进行确定，并选定此异常微区周边宫格的像素点参数，将若干组像素点参数进行均值处理，作为本异常宫格的修正值，对异常宫格的像素进行优化调整；
对内部图像内所标定的异常微区进行确定，并选定此异常微区周边宫格的像素点参数，将若干组像素点参数进行均值处理，作为本异常宫格的修正值，对异常宫格的像素进行优化调整，使整个内部图像得到充分优化调整，且内部被优化的区域也不会过于突兀，提升整个图像的整体优化调整效果。
上述公式中的部分数据均是去其纲量进行数值计算，同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (2)
1.一种超声心动图图像识别方法，其特征在于，包括以下步骤：
S1、通过利用超声短波测距原理脉冲超声波透过胸壁，对整个心室的超声波心脏模型进行构建，同时，记录测试过程中的测试参数；
S2、根据测试过程中所产生的测试参数构建不同的波动波形，随后结合特征模板对不同的波动波形进行分析，对超声波心脏模型内不同区域进行标定，具体方式为：
S21、根据所构建的波动波形，确定此波动波形的波形特征，确定此波动波形的最大波动值BDi以及最大斜率Xi，其中i代表不同的波动波形，其中斜率表示两个点位之间的倾斜程度的量；
S22、采用BDi×C1+Xi×C2＝TZi锁定对应波形的波形特征TZi，随后结合特征模板，特征模板为预设模板，根据不同波动波形的波形特征TZi，确定此数值位于特征模板的所属分类，随后对指定区域进行标定；
S3、对已经完成标定的超声波心脏模型进行轮廓初确认，同时在确认过程中，锁定不同区域相交的阴影区域，根据阴影区域的辐射宽度，构建虚拟轮廓填补线，具体方式为：
S31、对超声波心脏模型内相邻区域的亮度进行反向调节，将一侧区域的亮度向上进行调节时，另一侧区域的亮度则向下进行调节，在调节过程中，确定相邻区域之间的分界线，从而将此分界线拟定为初步轮廓线，针对于未存在分界线的区域，直接锁定调节过程中所产生的阴影区域；
S32、确定阴影区域上下两侧分界线的断点，将其标定为待定点；
S33、对阴影区域进行伪镜像处理，随机选定一组对称线，使阴影区域根据此对称线进行左右重合比对，将两个区域所产生的重合度参数最大的一组对称线标定为伪中心线，随后，在阴影区域内构建此伪中心线的垂线，其垂线穿过阴影区域，每个垂线之间间隔X1m，其中X1为预设值，再依次对每个垂线的中心点进行确认，将相邻的点位依次连接，同时，上下两组垂线的中心点分别与两个待定点相连，以此构建对应区域的虚拟轮廓，随后根据此虚拟轮廓，直接提取对应区域的内部图像；
S4、对指定区域的内部图像进行像素优化，优先将此内部图像划分为若干个微宫格图像，随后再依次确认每个不同微宫格图像的像素点参数，根据像素点参数之间的差异，锁定异常微区，具体方式为：
S41、采用预设的微宫格模板，将内部图像划分为若干个微宫格图像，其中，微宫格模板为预设模板，且微宫格模板的参数为A1×A1，其中A1为预设值，其具体取值由操作人员根据经验拟定；
S42、对每个微宫格图像内部的像素点参数标定为XSk，其中k代表不同的微宫格图像，选定一组微宫格图像，将此微宫格图像周边的微宫格图像拟定为待定图像，并将若干组待定图像的像素点参数进行均值处理，确定均值参数JC，再采用CZk＝|XSk-JC|得到核对差值CZk，判断核对差值CZk是否满足：CZk＞Y1，若满足，代表此微宫格图像内部像素点参数与周边图像的像素点参数相差过大，存在较大差异，故将此微宫格图像标定为异常微区；
S43、依次对每个微宫格图像进行分析处理，对每个微宫格图像是否属于异常宫格进行判定，并在原始图像内进行标定；
S5、对内部图像内所标定的异常微区进行确定，并选定此异常微区周边宫格的像素点参数，将若干组像素点参数进行均值处理，作为本异常宫格的修正值，对异常宫格的像素进行优化调整。
2.根据权利要求1所述的一种超声心动图图像识别方法，其特征在于，所述步骤S4中，锁定异常微区的具体方式还包括：若不满足CZk＞Y1，则不进行任何处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311355696.5A CN117243637B (zh) | 2023-10-19 | 2023-10-19 | 一种超声心动图图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311355696.5A CN117243637B (zh) | 2023-10-19 | 2023-10-19 | 一种超声心动图图像识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117243637A CN117243637A (zh) | 2023-12-19 |
| CN117243637B true CN117243637B (zh) | 2024-04-19 |
Family
ID=89129360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311355696.5A Active CN117243637B (zh) | 2023-10-19 | 2023-10-19 | 一种超声心动图图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117243637B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648296B (zh) * | 2024-01-29 | 2024-04-09 | 北京惠朗时代科技有限公司 | 一种图形数据的读取装置及使用方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0990922A2 (en) * | 1998-09-30 | 2000-04-05 | Matsushita Electric Industrial Co., Ltd. | System for accurately obtaining a contour and/or quantitative information from an echo image with reduced manual operation |
| CN101273382A (zh) * | 2005-09-28 | 2008-09-24 | 皇家飞利浦电子股份有限公司 | 基准轮廓线传播和优化的方法 |
| CN101504727A (zh) * | 2008-01-31 | 2009-08-12 | 株式会社东芝 | 图像处理设备及其方法 |
| CN101919707A (zh) * | 2009-06-09 | 2010-12-22 | 株式会社东芝 | 超声波诊断装置、医用图像处理装置以及图像处理方法 |
| EP2645329A1 (en) * | 2012-03-27 | 2013-10-02 | Westfälische Wilhelms-Universität Münster | Method and system for image segmentation |
| WO2017193251A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
| CN108013904A (zh) * | 2017-12-15 | 2018-05-11 | 无锡祥生医疗科技股份有限公司 | 心脏超声成像方法 |
| CN109620293A (zh) * | 2018-11-30 | 2019-04-16 | 腾讯科技（深圳）有限公司 | 一种图像识别方法、装置以及存储介质 |
| CN110664435A (zh) * | 2019-09-23 | 2020-01-10 | 东软医疗系统股份有限公司 | 心脏数据的获取方法、装置及超声成像设备 |
| CN111105427A (zh) * | 2019-12-31 | 2020-05-05 | 佛山科学技术学院 | 一种基于连通区域分析的肺部图像分割方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2421468A1 (en) * | 2002-03-14 | 2003-09-14 | Matsushita Electric Industrial Co., Ltd. | Image processing device and ultrasonic diagnostic device |
-
2023
- 2023-10-19 CN CN202311355696.5A patent/CN117243637B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0990922A2 (en) * | 1998-09-30 | 2000-04-05 | Matsushita Electric Industrial Co., Ltd. | System for accurately obtaining a contour and/or quantitative information from an echo image with reduced manual operation |
| CN101273382A (zh) * | 2005-09-28 | 2008-09-24 | 皇家飞利浦电子股份有限公司 | 基准轮廓线传播和优化的方法 |
| CN101504727A (zh) * | 2008-01-31 | 2009-08-12 | 株式会社东芝 | 图像处理设备及其方法 |
| CN101919707A (zh) * | 2009-06-09 | 2010-12-22 | 株式会社东芝 | 超声波诊断装置、医用图像处理装置以及图像处理方法 |
| EP2645329A1 (en) * | 2012-03-27 | 2013-10-02 | Westfälische Wilhelms-Universität Münster | Method and system for image segmentation |
| WO2017193251A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
| CN108013904A (zh) * | 2017-12-15 | 2018-05-11 | 无锡祥生医疗科技股份有限公司 | 心脏超声成像方法 |
| CN109620293A (zh) * | 2018-11-30 | 2019-04-16 | 腾讯科技（深圳）有限公司 | 一种图像识别方法、装置以及存储介质 |
| CN110664435A (zh) * | 2019-09-23 | 2020-01-10 | 东软医疗系统股份有限公司 | 心脏数据的获取方法、装置及超声成像设备 |
| CN111105427A (zh) * | 2019-12-31 | 2020-05-05 | 佛山科学技术学院 | 一种基于连通区域分析的肺部图像分割方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117243637A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117243637B (zh) | 一种超声心动图图像识别方法 | |
| US5457754A (en) | Method for automatic contour extraction of a cardiac image | |
| US9186062B2 (en) | System and method for providing 2-dimensional computerized- tomography image corresponding to 2-dimensional ultrasound image | |
| CN106846344A (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
| CN105678746B (zh) | 一种医学图像中肝脏范围的定位方法及装置 | |
| CN106529591A (zh) | 一种基于改进的mser图像匹配算法 | |
| JP2013081824A (ja) | 超音波診断システム及び方法 | |
| US11504085B2 (en) | Method for calibrating defective channels of a CT device | |
| WO2008065598A2 (en) | A method, an apparatus and a computer program for data processing | |
| CN106097320B (zh) | 水下海参图像自动分割方法及装置 | |
| KR20200115488A (ko) | 심장 벽의 운동을 기록하기 위한 이미지 분석 | |
| CN104240226B (zh) | 一种心脏图像的配准方法 | |
| CN114842337A (zh) | 基于深度学习与多维信息融合聚类的果实采摘点识别方法 | |
| CN106600615B (zh) | 一种图像边缘检测算法评价系统及方法 | |
| CN116309806A (zh) | 一种基于CSAI-Grid RCNN的甲状腺超声图像感兴趣区域定位方法 | |
| JP2022507770A (ja) | 熱焼灼領域の時間的マッピング | |
| CN107330948A (zh) | 一种基于流行学习算法的fMRI数据二维可视化方法 | |
| CN117058338A (zh) | 基于cad的三维建筑模型构建方法、系统、设备及介质 | |
| CN114419003B (zh) | 一种用于保胆取石的结石多定位管理方法 | |
| CN108875825A (zh) | 一种基于图像分块的粮仓害虫检测方法 | |
| CN103886614B (zh) | 基于网络节点分形维数的图像边缘检测方法 | |
| CN113470034A (zh) | 一种自动测量离体植物软腐病斑面积的装置 | |
| CN105719288A (zh) | 基于二叉树的单目图像中物体深度次序估计方法 | |
| CN110175989A (zh) | 影像数据处理方法及其装置 | |
| CN113642650B (zh) | 一种基于多尺度模板匹配和自适应颜色筛选的多波束声呐的沉船检测方法 |
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 |