CN117653206A - 羊水深度测量方法、装置、计算机设备和存储介质 - Google Patents
羊水深度测量方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117653206A CN117653206A CN202311570305.1A CN202311570305A CN117653206A CN 117653206 A CN117653206 A CN 117653206A CN 202311570305 A CN202311570305 A CN 202311570305A CN 117653206 A CN117653206 A CN 117653206A
- Authority
- CN
- China
- Prior art keywords
- amniotic fluid
- video frame
- section
- target
- depth measurement
- 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
- 210000004381 amniotic fluid Anatomy 0.000 title claims abstract description 292
- 238000005259 measurement Methods 0.000 title claims abstract description 162
- 238000000691 measurement method Methods 0.000 title claims abstract description 17
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000001605 fetal effect Effects 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012216 screening Methods 0.000 claims abstract description 28
- 238000004590 computer program Methods 0.000 claims abstract description 23
- 238000002604 ultrasonography Methods 0.000 claims description 40
- 230000011218 segmentation Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 25
- 238000013145 classification model Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 11
- 210000003754 fetus Anatomy 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 235000012149 noodles Nutrition 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 210000003815 abdominal wall Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000032170 Congenital Abnormalities Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000007698 birth defect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004578 fetal growth Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种羊水深度测量方法、装置、计算机设备、存储介质和计算机程序产品。方法包括:获取胎儿超声视频帧,并对胎儿超声视频帧进行切面分类,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧,即筛除不包含羊水切面的视频帧以及虽然包含有羊水切面但是并不适合用来测量羊水深度的视频帧。然后,对初始视频帧进行目标区域检测,定位出初始视频帧中的羊水切面测量区域,得到目标视频帧,并根据目标视频帧中的羊水切面测量区域,确定羊水深度测量值。采用本方法能够提高羊水深度测量效率。
Description
技术领域
本申请涉及超声检查技术领域,特别是涉及一种羊水深度测量方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着超声检查技术的发展,超声已经成为普遍、常规、不可或缺的一种影像学检查手段。由于妊娠期的特殊性,常见的具有辐射的检查方式不适用于胎儿检查,而超声诊断安全无辐射,且可以穿透很多不透光的物体,所以利用超声波可以获得这些物体内部结构声学特性的信息。例如,超声成像技术将这些信息变成人眼可见的图像,故超声检查是产前出生缺陷筛查的首选影像检查方法。
在传统的产前超声检查中,主要依赖人工观察和解释超声图像,需要超声医生丰富的经验和专业知识,并且标准化程度较低。以羊水深度测量为例,采集到的羊水超声数据通常是实时的动态图像,需要超声医生判断适合测量羊水深度的最佳羊水切面视频帧,确定最佳羊水切面后,需要超声医生操作超声设备画出最大垂直深度测量线,以测量羊水垂直深度。
然而,上述传统产前超声检查操作较为繁琐耗时,较大地依赖于超声医师的经验和技术,还可能存在主观判断和诊断误差的风险,即传统的羊水深度测量方式效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高羊水深度测量效率的羊水深度测量方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种羊水深度测量方法。所述方法包括:
获取胎儿超声视频帧;
对所述胎儿超声视频帧进行切面分类,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧;
对所述初始视频帧进行目标区域检测,定位出所述初始视频帧中的羊水切面测量区域,得到目标视频帧;
根据所述目标视频帧中的羊水切面测量区域,确定羊水深度测量值。
在其中一个实施例中,所述根据所述目标视频帧中的羊水切面测量区域,确定羊水深度测量值包括:
以所述目标视频帧为输入,调用已训练的语义分割模型对所述目标视频帧进行二值化处理,得到所述目标视频帧的二值图像,所述已训练的语义分割模型基于携带有二值标签的历史羊水切面测量区域训练得到;
根据所述二值图像,确定羊水深度测量值。
在其中一个实施例中,所述以所述目标视频帧为输入,调用已训练的语义分割模型对所述目标视频帧进行二值化处理,得到所述目标视频帧的二值图像包括:
对所述目标视频帧进行深度可分离卷积处理操作,提取所述目标视频帧的特征,得到所述目标视频帧的特征图;
对所述目标视频帧的特征图进行反卷积处理,得到目标特征图;
为所述目标特征图的每一像素分配二值标签,得到所述目标视频帧的二值图像。
在其中一个实施例中,所述根据所述二值图像,确定羊水深度测量值包括:
对所述二值图像的每一列像素点进行逐像素值做差,根据像素值差值,确定所述二值图像的每一列像素点的边界像素点;
针对所述二值图像的每一列像素点,获取边界像素点的像素距离;
将所述二值图像中的像素距离最大值确定为所述羊水深度测量值。
在其中一个实施例中,所述将所述二值图像中的像素距离最大值确定为所述羊水深度测量值还包括:
若所述二值图像表征存在多个羊水测量区域,获取各羊水测量区域的像素距离最大值;
将各羊水测量区域的像素距离最大值的平均值确定为所述羊水深度测量值。
在其中一个实施例中,所述对所述胎儿超声视频帧进行切面分类,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧包括:
以所述胎儿超声视频帧为输入,调用已训练的切面分类模型对所述胎儿超声视频帧进行切面分类,筛选出携带羊水切面标签的视频帧;
确定所述视频帧的置信度;
从所述携带羊水切面标签的视频帧中,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧;
所述已训练的切面分类模型基于携带切面分类标签的历史胎儿超声视频帧训练得到。
在其中一个实施例中,所述已训练的切面分类模型包括特征提取器以及特征映射器;
所述以所述胎儿超声视频帧为输入,调用已训练的切面分类模型对所述胎儿超声视频帧进行切面分类,筛选出携带羊水切面标签的视频帧包括:
以所述胎儿超声视频帧为输入,调用所述特征提取器对所述胎儿超声视频帧进行特征提取,得到所述胎儿超声视频帧的类别特征数据;
以所述类别特征数据为输入,调用所述特征映射器将所述类别特征数据映射至预设的类别标签,筛选出携带有羊水切面标签的视频帧。
第二方面,本申请还提供了一种羊水深度测量装置。所述装置包括:
数据获取模块,用于获取胎儿超声视频帧;
切面分类模块,用于对所述胎儿超声视频帧进行切面分类,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧;
区域检测模块,用于对所述初始视频帧进行目标区域检测,定位出所述初始视频帧中的羊水切面测量区域,得到目标视频帧;
深度测量模块,用于根据所述目标视频帧中的羊水切面测量区域,确定羊水深度测量值。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上所述的方法的步骤。
上述羊水深度测量方法、装置、计算机设备、存储介质和计算机程序产品,获取胎儿超声视频帧,对胎儿超声视频帧进行切面分类,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧,即筛除不包含羊水切面的视频帧以及虽然包含有羊水切面但是并不适合用来测量羊水深度的视频帧。然后对初始视频帧进行目标区域检测,定位出初始视频帧中的羊水切面测量区域,得到目标视频帧,并根据目标视频帧中的羊水切面测量区域,确定羊水深度测量值。如此,能够快速又准确从超声视频流数据中筛选出适合羊水测量的最佳羊水切面视频帧,并测量羊水深度,提高了羊水深度测量的效率。
附图说明
图1为一个实施例中羊水深度测量方法的应用环境图;
图2为一个实施例中羊水深度测量方法的流程示意图;
图3为一个实施例中确定羊水深度测量值的流程示意图;
图4为一个实施例中确定羊水深度测量值的流程示意图;
图5为另一个实施例中确定羊水深度测量值的流程示意图;
图6为一个实施例中对视频帧进行切面分类的流程示意图;
图7为另一个实施例中对视频帧进行切面分类的流程示意图;
图8为一个实施例中羊水深度测量装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的羊水深度测量方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。通过终端102获取胎儿超声视频帧,并发送至服务器104,服务器104对胎儿超声视频帧进行切面分类,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧。然后服务器104对初始视频帧进行目标区域检测,定位出目标视频帧中的羊水切面测量区域,得到目标视频帧,并根据目标视频帧中的羊水切面测量区域,确定羊水深度测量值。其中,终端102可以但不限于是各种型号的超声检查仪。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种羊水深度测量方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
S200,获取胎儿超声视频帧。
胎儿超声视频帧是由原始胎儿超声视频流经过预处理后得到的。超声医生使用超声仪或超声探头等超声采集设备对胎儿进行超声扫描,并通过超声设备查看实时的超声图像,此外,超声设备通常具有视频记录功能,允许超声医生保存整个超声采集过程得到的原始胎儿超声视频流。
得到原始胎儿超声视频流后,超声设备可以自动将原始胎儿超声视频流上传至服务器,也可以由超声医生通过手动上传,之后在对其进行后续的处理操作。服务器接收到原始胎儿超声视频流之后,首先需要对其进行预处理,以从原始胎儿超声视频流中提取出帧图像,并且去除该帧图像的冗余信息与噪声,得到胎儿超声视频帧。示例性地,可以是先从原始胎儿超声视频流中提取出帧图像,并根据实际需要,执行裁剪操作以去除帧图像中的菜单栏、边框等冗余信息,以便于后续仅针对超声图像区域进行处理,节省资源。然后,应用去噪技术,如使用平滑滤波器或者小波去噪方式,减少帧图像的噪声,提高图像质量,得到胎儿超声视频帧。此外,还可以对帧图像进行亮度、对比度的调整,以使得超声图像更清晰,还可以使用空间滤波技术,对帧图像进行细微噪声的去除,增强帧图像的质量。
S400,对胎儿超声视频帧进行切面分类,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧。
胎儿超声视频帧中通常包括多个结构和区域,如胎儿头部、四肢等,对胎儿超声视频帧进行切面分类,可以筛除那些不包含羊水切面的视频帧,以便于后续对胎儿超声视频帧的进一步分析。此外,对分类结果进行进一步的置信度筛选,使用预设的置信度阈值可以筛选出高置信度的含有羊水切面的初始视频帧,高置信度意味着筛选出的初始视频帧内所包含的羊水切面更适合用于后续羊水深度的测量。
示例性地,可以采用传统的图像处理方法,例如边缘检测、轮廓提取等操作,来识别并提取胎儿超声视频帧中各个组织的边缘轮廓,然后针对羊水切面的特定形状,使用特定的图像处理技术或设定规则对各个视频帧所包含边缘轮廓进行检测,以筛选出包含有羊水切面边缘轮廓的视频帧。也可以采用机器学习、深度学习模型等方法对胎儿超声视频帧进行切面分类,结合置信度计算,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧。
S600,对初始视频帧进行目标区域检测,定位出初始视频帧中的羊水切面测量区域,得到目标视频帧。
目标区域检测是指在图像或者视频中准确定位或标定所感兴趣的目标区域。对已经包含了标准羊水切面的初始视频帧进行目标区域检测,可以定位初始视频帧中的羊水切面测量区域,为后续羊水深度测量过程提供更为精准和集中的图像特征信息。实际测量时,一个初始视频帧需要测量的可能地方不止一个,可能出现四个象限都需要测量的情况,因此需要对测量区域进行检测,以划分出具体的测量区域。
示例性地,可以结合使用图像处理和计算机视觉技术对已经包含了标准羊水切面的初始视频帧进行目标区域检测。先对初始视频帧进行边缘检测、轮廓提取等操作,以提取出可能包含羊水切面的区域,进而提取出包含羊水切面的区域的图像纹理或关键点特征。然后,采用模板匹配或基于相关特征的分类器,对可能包含羊水切面的区域进行检测,得到区域检测结果后,采取适当的后处理方法,例如非极大值抑制等方式,处理区域检测结果,以去除冗余区域,最终得到目标视频帧。还可以结合深度学习技术对初始视频帧进行目标区域检测,以提高上述特征提取过程的精确度,例如将初始视频帧送入深度学习方法训练的区域检测模型,如yolov8(统一的实时目标检测)模型,进行目标区域检测,输出为当前初始视频帧中的羊水切面测量区域的包围盒坐标,得到目标视频帧。
S800,根据目标视频帧中的羊水切面测量区域,确定羊水深度测量值。
得到羊水切面测量区域之后,可以依此对羊水深度测量值进行估算。示例性地,可以将带有羊水切面测量区域的目标视频帧处理成为灰度图像,在测量羊水深度时,可以利用灰度图像的像素值进行分析,例如使用梯度算法分析每一列的像素点灰度值变化,以定位羊水切面的边缘,从而估算得出羊水深度测量值。此外,还可以使用更为精确的边缘检测算法,定位羊水切面的边缘,而后沿着羊水区域边缘进行羊水深度的估算测量。在本实施例中,测量得到的羊水深度仅仅只是一个测量值,并不是诊断结果,而是作为辅助手段以辅助医生进行后续的医学判断,超声医生可以根据羊水深度和实际临床情况给出诊断结果。
上述羊水深度测量方法,获取胎儿超声视频帧,并对胎儿超声视频帧进行切面分类,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧,即筛除不包含羊水切面的视频帧以及虽然包含有羊水切面但是并不适合用来测量羊水深度的视频帧。然后对初始视频帧进行目标区域检测,定位出初始视频帧中的羊水切面测量区域,得到目标视频帧,并根据目标视频帧中的羊水切面测量区域,确定羊水深度测量值。如此,能够快速又准确从超声视频流数据中筛选出适合羊水测量的最佳羊水切面视频帧,并测量羊水深度,提高了羊水深度测量的效率。
在一个实施例中,如图3所示,S800包括:
S820,以目标视频帧为输入,调用已训练的语义分割模型对目标视频帧进行二值化处理,得到目标视频帧的二值图像,已训练的语义分割模型基于携带有二值标签的历史羊水切面测量区域训练得到。
其中,语义分割模型结合了图像分类、目标检测和图像分割,通过一定的方法将图像分割成具有一定语义含义的区域块,并识别出每个区域块的语义类别,实现从底层到高层的语义推理过程,最终得到一幅具有逐像素语义标注的分割图像。在本实施例中,使用已训练的语义分割模型对目标视频帧进行二值化处理,为目标视频帧中的每个像素分配相应的二值标签,从而得到目标视频帧的二值图像。其中,已训练的语义分割模型基于携带有二值标签的历史羊水切面测量区域训练得到。
示例性地,本实施例中所使用的语义分割模型的训练数据可以是由多家医院提供的不同分辨率、不同超声设备采集到的羊水切面测量区域数据。此外,还需要对该羊水切面测量区域数据进行手动或自动标记二值标签,即标记出每个像素是否属于羊水切面测量区域,例如羊水切面测量区域像素值标记为255,非羊水切面测量区域像素值标记为0。目标视频帧中已经包含有初步定位得到的羊水测量区域,例如可以是使用包围盒标记出羊水测量区域,并携带羊水包围盒坐标。
以目标视频帧为输入,调用已训练的语义分割模型对目标视频帧进行二值化处理,该模型已经在训练阶段已经学会将图像中的羊水切面测量区域与其他区域进行区分。其中,目标视频帧可以经过如去噪、调整图片大小等预处理操作后再输入已训练的语义分割模型,例如去除羊水包围盒以外的非羊水切面测量区域,为语义分割模型提供更为精确的特征信息。已训练的语义分割模型为包含有羊水切面测量区域的目标视频帧的每一个像素分配一个二值标签,以指示该像素是否属于羊水切面测量区域,进而根据上述二值标签,对目标视频帧进行二值化,得到目标视频帧的二值图像。目标视频帧的二值图像可以用于表征语义分割模型所识别出的羊水测量区域,该羊水测量区域可以用于后续羊水深度的测算。
S840,根据二值图像,确定羊水深度测量值。
针对上述已训练的语义分割模型所输出的二值图像,可以先进行去噪、平滑等预处理操作,以供进行深度测量,测量方式可以与目标视频帧各个像素所携带的二值标签有关。例如,若目标视频帧中的羊水切面测量区域被标记为1,非羊水切面测量区域被标记为0,此时可以将二值图像中的每一列像素点的像素值进行相加,得到列像素值之和,可以将该二值图像中的最大列像素值之和作为羊水深度测量值。若目标视频帧中的羊水切面测量区域被标记为255,非羊水切面测量区域被标记为0,此时可以通过确定边缘像素点的方式来估算羊水深度测量值,例如找到相邻像素点的像素值之和为255的像素点。
在本实施例中,调用已训练的语义分割模型对目标视频帧进行二值化处理,得到目标视频帧的二值图像,并根据二值图像,确定羊水深度测量值,通过使用深度学习技术对羊水切面深度测量,能够有效地保证羊水深度的测量精度,同时提高测量效率。
在一个实施例中,如图4所示,S820包括:
S822,对目标视频帧进行深度可分离卷积处理操作,提取目标视频帧的特征,得到目标视频帧的特征图。
深度可分离卷积是一种卷积神经网络的操作,相比于普通卷积操作,可以有效地降低操作复杂度同时还能够保持对图像的有效特征的提取。在本实施例中,使用深度可分离卷积,能够在提取目标视频帧的特征时,降低计算复杂度,提高了特征提取效率,进而提高羊水深度测量效率。
示例性地,深度可分离卷积操作包括深度卷积和逐点卷积。首先对目标视频帧进行深度卷积操作,即独立地对每个通道进行卷积操作,可以在每个通道上提取出局部特征。然后,对目标视频帧进行逐点卷积操作,即使用1*1的卷积核将深度卷积的输出映射到新的特征空间,以结合深度卷积所产生的特征,进而形成更高层次的抽象特征表示。以深度学习模型MobileNetV2(轻量级神经网络)为例,需要先对该模型进行预训练,预训练的数据可以是多家医院提供的超声图像以及相关的特征标签,以供该模型学习到多种丰富的特征。MobileNetV2引入了参数量更加轻量级的深度可分离卷积,因而可以在不增加过多计算量的情况下,有效地捕捉到目标视频帧中的特征信息以及不同通道之间的特征关系,并输出目标视频帧的特征图,提高了特征提取过程中的效率。
S824,对目标视频帧的特征图进行反卷积处理,得到目标特征图。得到目标视频帧的特征图之后,由于目标视频帧的特征图相比于输入的目标视频帧来说尺寸变小,而后续的语义分割阶段要求将目标视频帧的特征图恢复到原来的尺寸以便进行进一步的计算,因而还需要对目标视频帧的特征图进行缩放处理,实现图像从当前尺寸到目标尺寸的映射。深度学习模型例如MobileUnet(语义分割网络)添加了多个反卷积层,反卷积层将对目标视频帧的特征图进行上采样,实现图像由小分辨率到大分辨率的映射的同时,将目标视频帧的特征图中的每个元素映射回目标视频帧的像素空间,以说明目标视频帧中的哪些像素参与激活了该特征,并输出目标特征图,提高了深度学习模型在小样本上的表达能力,从而提高了羊水深度测量效率。
S826,为目标特征图的每一像素分配二值标签,得到目标视频帧的二值图像。
承接上述步骤,可以调用语义分割模型为目标特征图的每一像素分配二值标签,其中二值标签用于指示该像素是否属于羊水切面测量区域,最终该模型输出为目标视频帧的二值图像。示例性地,语义分割模型可以是MobileUnet,该模型是一种高效的端到端分割网络,结合了预训练阶段、特征提取阶段以及语义分割阶段。在特征提取阶段,该模型引入了深度可分离卷积,可以降低网络的复杂性成本和模型大小。使用该模型之前需要对其进行预训练,在训练阶段,考虑到超声图像与自然图像不同,自然图像中的颜色特征可以用于区分不同的物体,但是超声图像中呈现的颜色特征并非判断超声标准切面的基础,因此颜色特征在超声图像中被视为影响模型判断的噪声元素,因此采用了一种特征融合策略来抑制这种噪声。上述特征融合策略即将一张超声图像转为灰度图之后,分别对图像采取平滑操作以获得较小的噪声的图像以及锐化操作以获得具有强边界特征的图像,并且上述图像按通道拼接起来后作为训练数据输入语义分割模型中。
预训练之后,即得到了已训练的语义分割模型,在语义分割阶段,以目标特征图为输入,调用该模型,可以预先设置特征阈值,将目标特征图中的原本连续的像素值映射为二值标签,例如大于该特征阈值的像素点的像素值被设置为255,反之像素值被设置为0,即在一定程度上对目标特征图进行了分割,该模型最终的输出是目标视频帧的二值图像,以便于后续羊水深度的测量。
在本实施例中,通过引入深度可分离卷积,可以在不增加过多计算量的情况下,有效地捕捉到目标视频帧中的特征信息以及不同通道之间的特征关系,并输出目标视频帧的特征图,提高了特征提取过程中的效率,从而提高了羊水深度测量的效率。
在一个实施例中,如图5所示,S840包括:
S842,对二值图像的每一列像素点进行逐像素值做差,根据像素值差值,确定二值图像的每一列像素点的边界像素点。
对于分割出来的二值图像,可以看作为一个二维的矩阵,但只具有两种元素,示例性地,其元素只有0和255。为测量羊水深度,需要先确定该二值图像边界像素点,即对该二值图像的每一列像素点进行逐像素值做差,根据像素值差值,确定二值图像的每一列像素点的边界像素点。
示例性地,将二值图像看做一个矩阵,元素为0和255,对每一列的像素点进行逐像素作差,由后一个像素值减去前一个像素值(如:[0,255,0], 255-0 = 255, 0-255 = -255),即可确定哪个像素处于交界处,即边界,进而标记该像素点并确定该边界像素点在该矩阵的坐标。
S844,针对二值图像的每一列像素点,获取边界像素点的像素距离。
确定边界像素点后,对于每一列像素的边界像素点,进行像素坐标的计算,以获取边界像素点的像素距离。此外,考虑到可能会存在孤立单独的像素点,被误判为边界像素点,可以设置一个像素距离阈值,仅考虑在阈值范围内的边界像素点。
S846,将二值图像中的像素距离最大值确定为羊水深度测量值。
获取到每一列像素的边检像素点的像素距离后,可以对其进行大小的对比,并将像素距离最大值确定为羊水深度测量值。
此时得到的羊水深度测量值依赖于像素的物理尺寸,若希望获取相对实际胎儿生长参数的参考更加直观的羊水深度实际值,可以将像素级别的羊水深度测量值进行标准比例尺的映射,转化为羊水深度实际值。具体来说,对于医生所用的超声检查仪,不同的型号具有不同的标准比例尺长度,即一个像素距离代表实际长度的比例,经过换算后即可得出胎儿实羊水深度实际值。
在本实施例中,对二值图像的每一列像素点进行逐像素值做差,由于在二值图像中,相邻像素值不同意味着该像素点处于目标的边缘,因此根据像素值差值,即可确定二值图像的每一列像素点的边界像素点。针对二值图像的每一列像素点,获取边界像素点的像素距离,并将二值图像中的像素距离最大值确定为羊水深度测量值。上述方案允许从像素级别进行羊水深度的测量,提高了羊水深度测量值的精确度。
在一个实施例中,如图5所示,S840还包括:
S847,若二值图像表征存在多个羊水测量区域,获取各羊水测量区域的像素距离最大值。
在实际获取胎儿超声视频帧的过程中,让孕妇仰卧位,以腹中线和脐水平为纵横坐标,将母体腹部分为4个象限,因此最后的二值图像中可能会出现多个象限存在羊水测量区域的情况。此时需要对每一个象限内的羊水测量区域进行边界点像素的判定以及像素距离最大值的测算。
S848,将各羊水测量区域的像素距离最大值的平均值确定为羊水深度测量值。
承接上述步骤,此时将多个象限内的羊水测量区域的像素距离最大值的平均值确定为羊水深度测量值即可。
在本实施例中,若二值图像表征存在多个羊水测量区域,则对每个羊水测量区域都进行像素测量操作,并获取各羊水测量区域的像素距离最大值。然后,对各羊水测量区域的像素距离最大值求平均值,并且将该平均值确定为羊水深度测量值。也就是说,即使存在多个羊水测量区域,也依然可以结合深度学习技术确定羊水深度测量值,提高了羊水深度测量的效率。
在一个实施例中,如图6所示,S400包括:
S420,以胎儿超声视频帧为输入,调用已训练的切面分类模型对胎儿超声视频帧进行切面分类,筛选出携带羊水切面标签的视频帧,已训练的切面分类模型基于携带切面分类标签的历史胎儿超声视频帧训练得到。
由于胎儿超声视频帧中可能包含有多种组织,如羊水、胎儿躯干等,因此还需要对胎儿超声视频帧进行一次粗粒度分类,以筛选出携带羊水切面标签的视频帧,即包含有羊水切面的视频帧。例如,调用已训练的切面分类模型对胎儿超声视频帧进行切面分类,切面分类模型可以是swinTransformerV2(移动窗口的层次化视觉自注意力模型)。在使用该模型之前,需要对其进行预训练,训练数据可以是由多家医院提供的携带有切面分类标签的历史胎儿超声视频帧,以供该模型学习到多种丰富的特征。
示例性地,在实际应用过程中,可以是医生超声探头扫描到孕妇腹壁并垂直于腹壁平行移动时,系统自动判断当前切面是属于羊水切面,并自动筛除不包含有羊水切面的视频帧。
S440,确定视频帧的置信度。
得到携带有羊水切面标签的视频帧之后,还需要做出进一步筛选,因为上述视频帧中的羊水切面并不一定适用于后续对于羊水深度的测量。由于是使用已训练的切面分类模型对胎儿超声视频帧进行切面分类以筛选出携带羊水切面标签的视频帧,因而引入置信度计算,可以衡量筛选出的视频帧中羊水切面的质量。
其中,置信度是指切面分类模型对其所预测的标签的置信水平,若置信度较高,则表明该视频帧更有可能携带的是标准羊水切面,置信度较低则表明该视频帧可能携带的是非标准羊水切面。示例性地,可以调用置信度计算函数对各视频帧进行置信度计算,以预测视频帧所携带的标签对应的概率值。
S460,从携带羊水切面标签的视频帧中,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧。
承接上述步骤,计算得到了各个携带羊水切面标签的视频帧对应的置信度,将上述置信度于预设置信度阈值进行比较,置信度高于预设置信度阈值的视频帧,可以认为其所携带的羊水切面标签可信度较高,其所包含的羊水切面更适用于后续的羊水深度测量环节。因此,从携带羊水切面标签的视频帧中,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧,以供后续羊水深度测量。
示例性地,可以根据置信度和预设置信度阈值将羊水且面分为标准羊水切面、基本标准羊水切面以及非标准羊水切面,包含有非标准羊水切面的视频帧的置信度较低,因此需要筛除包含有非标准羊水切面的视频帧,以减小羊水深度测量误差。
在本实施例中,以胎儿超声视频帧为输入,调用已训练的切面分类模型对胎儿超声视频帧进行切面分类,并筛选出携带羊水切面标签的视频帧。然后,计算视频帧的置信度,并从携带羊水切面标签的视频帧中,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧。其中,已训练的切面分类模型基于携带切面分类标签的历史胎儿超声视频帧训练得到。通过本实施例中的方案,结合切面分类模型和置信度,可以有效地从胎儿超声视频帧中筛选出包含有标准羊水切面的初始视频帧,以减小后续羊水深度测量过程中的误差,提升了羊水深度测量的精确度。
在一个实施例中,如图7所示,已训练的切面分类模型包括特征提取器以及特征映射器,S420包括:
S422,以胎儿超声视频帧为输入,调用特征提取器对胎儿超声视频帧进行特征提取,得到胎儿超声视频帧的类别特征数据。
由于超声视频帧中包含的特定胎儿组织的超声切面的图像特征是相似的,因此若需要根据切面类别对胎儿超声视频帧进行分类,需要使用特征提取器先从胎儿超声视频帧中提取出类别特征数据,其中类别特征数据用于表征该视频帧中所包含的切面属于胎儿的哪一部分组织。示例性地,特征提取器可以是卷积神经网络,用于提取类别特征数据,该特征类别数据可以以特征向量的形式存在,以供后续分类使用。
S424,以类别特征数据为输入,调用特征映射器将类别特征数据映射至预设的类别标签,筛选出携带有羊水切面标签的视频帧。
承接上述步骤,从胎儿超声视频帧中提取得到类别特征数据之后,以类别特征数据为输入,调用特征映射器将类别特征数据映射至预设的类别标签,可以筛选出携带有羊水切面标签的视频帧。
示例性地,类别特征数据可以指示对应胎儿超声视频帧中所包含的切面属于胎儿的哪个部位,如羊水切面、躯干切面等。特征映射器可以将不同的类别特征数据映射至不同的类别标签,例如输入的是包含有羊水切面的胎儿超声视频帧,经过特征提取器后,可以得到羊水特征数据,以羊水特征向量的形式存在,该羊水特征向量被传递给特征映射器,特征映射器将该羊水特征向量映射至羊水切面标签,最终输出携带有羊水切面标签的视频帧。
在本实施例中,切面分类模型包括特征提取器以及特征映射器,以胎儿超声视频帧为输入,调用特征提取器对胎儿超声视频帧进行特征提取,得到胎儿超声视频帧的类别特征数据。然后以类别特征数据为输入,调用特征映射器将类别特征数据映射至预设的类别标签,可以筛选出携带有羊水切面标签的视频帧。上述方案完成了对胎儿超声视频帧的粗粒度分类,将不包含有羊水切面的视频帧筛除,从而便于后续对包含有羊水切面的视频帧的进一步处理,降低后续的工作量,从而提高了羊水深度测量精度。
为了对本申请提供的羊水深度测量方法做出更为清楚的说明,下面结合一个具体实施例和附图7进行说明,该具体实施例包括以下步骤:
S200,获取胎儿超声视频帧。
S422,以胎儿超声视频帧为输入,调用特征提取器对胎儿超声视频帧进行特征提取,得到胎儿超声视频帧的类别特征数据。
S424,以类别特征数据为输入,调用特征映射器将类别特征数据映射至预设的类别标签,筛选出携带有羊水切面标签的视频帧。
S440,确定视频帧的置信度。
S460,从携带羊水切面标签的视频帧中,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧。
S600,对初始视频帧进行目标区域检测,定位出初始视频帧中的羊水切面测量区域,得到目标视频帧。
S822,对目标视频帧进行深度可分离卷积处理操作,提取目标视频帧的特征,得到目标视频帧的特征图。
S824,对目标视频帧的特征图进行反卷积处理,得到目标特征图。
S826,为目标特征图的每一像素分配二值标签,得到目标视频帧的二值图像。
S842,对二值图像的每一列像素点进行逐像素值做差,根据像素值差值,确定二值图像的每一列像素点的边界像素点。
S844,针对二值图像的每一列像素点,获取边界像素点的像素距离。
S846,将二值图像中的像素距离最大值确定为羊水深度测量值。
S847,若二值图像表征存在多个羊水测量区域,获取各羊水测量区域的像素距离最大值。
S848,将各羊水测量区域的像素距离最大值的平均值确定为羊水深度测量值。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的羊水深度测量方法的羊水深度测量装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个羊水深度测量装置实施例中的具体限定可以参见上文中对于羊水深度测量方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种羊水深度测量装置900,包括:数据获取模块920、切面分类模块940、区域检测模块960和深度测量模块980,其中:
数据获取模块920,用于获取胎儿超声视频帧。
切面分类模块940,用于对胎儿超声视频帧进行切面分类,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧;
区域检测模块960,用于对初始视频帧进行目标区域检测,定位出初始视频帧中的羊水切面测量区域,得到目标视频帧。
深度测量模块980,用于根据目标视频帧中的羊水切面测量区域,确定羊水深度测量值。
在一个实施例中,深度测量模块980还用于以目标视频帧为输入,调用已训练的语义分割模型对目标视频帧进行二值化处理,得到目标视频帧的二值图像,已训练的语义分割模型基于携带有二值标签的历史羊水切面测量区域训练得到,根据二值图像,确定羊水深度测量值。
在一个实施例中,深度测量模块980还用于对目标视频帧进行深度可分离卷积处理操作,提取目标视频帧的特征,得到目标视频帧的特征图,对目标视频帧的特征图进行反卷积处理,得到目标特征图;为目标特征图的每一像素分配二值标签,得到目标视频帧的二值图像。
在一个实施例中,深度测量模块980还用于对二值图像的每一列像素点进行逐像素值做差,根据像素值差值,确定二值图像的每一列像素点的边界像素点,针对二值图像的每一列像素点,获取边界像素点的像素距离,将二值图像中的像素距离最大值确定为羊水深度测量值。
在一个实施例中,深度测量模块980还用于若二值图像表征存在多个羊水测量区域,获取各羊水测量区域的像素距离最大值,将各羊水测量区域的像素距离最大值的平均值确定为羊水深度测量值。
在一个实施例中,切面分类模块940还用于以胎儿超声视频帧为输入,调用已训练的切面分类模型对胎儿超声视频帧进行切面分类,筛选出携带羊水切面标签的视频帧;确定视频帧的置信度,从携带羊水切面标签的视频帧中,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧,已训练的切面分类模型基于携带切面分类标签的历史胎儿超声视频帧训练得到。
在一个实施例中,切面分类模块940还用于以胎儿超声视频帧为输入,调用特征提取器对胎儿超声视频帧进行特征提取,得到胎儿超声视频帧的类别特征数据,以类别特征数据为输入,调用特征映射器将类别特征数据映射至预设的类别标签,筛选出携带有羊水切面标签的视频帧。
上述羊水深度测量装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储羊水深度测量数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种羊水深度测量方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各羊水深度测量方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各羊水深度测量方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各羊水深度测量方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种羊水深度测量方法,其特征在于,所述方法包括:
获取胎儿超声视频帧;
对所述胎儿超声视频帧进行切面分类,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧;
对所述初始视频帧进行目标区域检测,定位出所述初始视频帧中的羊水切面测量区域,得到目标视频帧;
根据所述目标视频帧中的羊水切面测量区域,确定羊水深度测量值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标视频帧中的羊水切面测量区域,确定羊水深度测量值包括:
以所述目标视频帧为输入,调用已训练的语义分割模型对所述目标视频帧进行二值化处理,得到所述目标视频帧的二值图像,所述已训练的语义分割模型基于携带有二值标签的历史羊水切面测量区域训练得到;
根据所述二值图像,确定羊水深度测量值。
3.根据权利要求2所述的方法,其特征在于,所述以所述目标视频帧为输入,调用已训练的语义分割模型对所述目标视频帧进行二值化处理,得到所述目标视频帧的二值图像包括:
对所述目标视频帧进行深度可分离卷积处理操作,提取所述目标视频帧的特征,得到所述目标视频帧的特征图;
对所述目标视频帧的特征图进行反卷积处理,得到目标特征图;
为所述目标特征图的每一像素分配二值标签,得到所述目标视频帧的二值图像。
4.根据权利要求2或3所述的方法,其特征在于,所述根据所述二值图像,确定羊水深度测量值包括:
对所述二值图像的每一列像素点进行逐像素值做差,根据像素值差值,确定所述二值图像的每一列像素点的边界像素点;
针对所述二值图像的每一列像素点,获取边界像素点的像素距离;
将所述二值图像中的像素距离最大值确定为所述羊水深度测量值。
5.根据权利要求4所述的方法,其特征在于,所述将所述二值图像中的像素距离最大值确定为所述羊水深度测量值还包括:
若所述二值图像表征存在多个羊水测量区域,获取各羊水测量区域的像素距离最大值;
将各羊水测量区域的像素距离最大值的平均值确定为所述羊水深度测量值。
6.根据权利要求1所述的方法,其特征在于,所述对所述胎儿超声视频帧进行切面分类,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧包括:
以所述胎儿超声视频帧为输入,调用已训练的切面分类模型对所述胎儿超声视频帧进行切面分类,筛选出携带羊水切面标签的视频帧;
确定所述视频帧的置信度;
从所述携带羊水切面标签的视频帧中,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧;
所述已训练的切面分类模型基于携带切面分类标签的历史胎儿超声视频帧训练得到。
7.根据权利要求6所述的方法,其特征在于,所述已训练的切面分类模型包括特征提取器以及特征映射器;
所述以所述胎儿超声视频帧为输入,调用已训练的切面分类模型对所述胎儿超声视频帧进行切面分类,筛选出携带羊水切面标签的视频帧包括:
以所述胎儿超声视频帧为输入,调用所述特征提取器对所述胎儿超声视频帧进行特征提取,得到所述胎儿超声视频帧的类别特征数据;
以所述类别特征数据为输入,调用所述特征映射器将所述类别特征数据映射至预设的类别标签,筛选出携带有羊水切面标签的视频帧。
8.一种羊水深度测量装置,其特征在于,所述装置包括:
数据获取模块,用于获取胎儿超声视频帧;
切面分类模块,用于对所述胎儿超声视频帧进行切面分类,筛选出包含置信度高于预设置信度阈值的标准羊水切面的初始视频帧;
区域检测模块,用于对所述初始视频帧进行目标区域检测,定位出所述初始视频帧中的羊水切面测量区域,得到目标视频帧;
深度测量模块,用于根据所述目标视频帧中的羊水切面测量区域,确定羊水深度测量值。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311570305.1A CN117653206A (zh) | 2023-11-23 | 2023-11-23 | 羊水深度测量方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311570305.1A CN117653206A (zh) | 2023-11-23 | 2023-11-23 | 羊水深度测量方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117653206A true CN117653206A (zh) | 2024-03-08 |
Family
ID=90072499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311570305.1A Pending CN117653206A (zh) | 2023-11-23 | 2023-11-23 | 羊水深度测量方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117653206A (zh) |
-
2023
- 2023-11-23 CN CN202311570305.1A patent/CN117653206A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
CN109978037B (zh) | 图像处理方法、模型训练方法、装置、和存储介质 | |
US8498480B2 (en) | Computationally efficient method for image segmentation with intensity and texture discrimination | |
CN110992377B (zh) | 图像分割方法、装置、计算机可读存储介质和设备 | |
CN112132166B (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
CN111462049B (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
JP2012512672A (ja) | 医用画像内病変自動検出方法およびシステム | |
CN113077479A (zh) | 急性缺血性脑卒中病灶自动分割方法、系统、终端及介质 | |
Ryou et al. | Automated 3D ultrasound biometry planes extraction for first trimester fetal assessment | |
CN111681230A (zh) | 脑白质高信号评分系统及其评分方法 | |
CN113066093A (zh) | 一种基于子宫内膜超声图像的自动分割分型及厚度测量方法 | |
CN111325754B (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
CN110163907B (zh) | 胎儿颈部透明层厚度测量方法、设备及存储介质 | |
CN111754485A (zh) | 一种用于肝脏的人工智能超声辅助系统 | |
Nurmaini et al. | An improved semantic segmentation with region proposal network for cardiac defect interpretation | |
Ramana | Alzheimer disease detection and classification on magnetic resonance imaging (MRI) brain images using improved expectation maximization (IEM) and convolutional neural network (CNN) | |
CN116612126B (zh) | 基于人工智能的集装箱病媒生物检测预警方法 | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
CN115661152B (zh) | 基于模型预测的目标发展情况分析方法 | |
CN110991408B (zh) | 基于深度学习方法分割脑白质高信号的方法和装置 | |
EP4167184A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
CN116416221A (zh) | 一种超声图像分析方法 | |
CN117653206A (zh) | 羊水深度测量方法、装置、计算机设备和存储介质 | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
Jacop et al. | Fetal cardiac structure detection from ultrasound sequences |
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 |