RU178086U1 - Автоматизированное устройство для диагностики заболеваний сердца - Google Patents
Автоматизированное устройство для диагностики заболеваний сердца Download PDFInfo
- Publication number
- RU178086U1 RU178086U1 RU2017124224U RU2017124224U RU178086U1 RU 178086 U1 RU178086 U1 RU 178086U1 RU 2017124224 U RU2017124224 U RU 2017124224U RU 2017124224 U RU2017124224 U RU 2017124224U RU 178086 U1 RU178086 U1 RU 178086U1
- Authority
- RU
- Russia
- Prior art keywords
- block
- unit
- computed tomography
- chest
- patient
- Prior art date
Links
- 208000019622 heart disease Diseases 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 title claims abstract description 12
- 238000002591 computed tomography Methods 0.000 claims abstract description 20
- 230000002107 myocardial effect Effects 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 11
- 238000009499 grossing Methods 0.000 claims abstract description 7
- 210000004165 myocardium Anatomy 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000000844 transformation Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010061216 Infarction Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
Abstract
Полезная модель относится к специализированным устройствам вычислительной техники и может быть использована для диагностики заболеваний сердца на основе анализа структуры миокарда по аксиальным срезам изображений, полученных при мультиспиральной компьютерной томографии (МСКТ). Требуемый технический результат, заключающийся в расширении функциональных возможностей и повышении точности и достоверности, достигается в устройстве, содержащем первый блок памяти, выполненный с возможностью занесения в него массива последовательности изображений мультиспиральной компьютерной томографии грудной клетки пациента, второй блок памяти, выполненный с возможностью занесения в него массива эталонной последовательности изображений мультиспиральной компьютерной томографии грудной клетки пациента с заболеванием сердца, третий блок памяти, выполненный с возможностью занесения в него массива эталонной последовательности изображений мультиспиральной компьютерной томографии грудной клетки пациента без заболевания сердца, а также блок сегментации миокарда, блок сглаживания шума на изображении, блок кластеризации пикселей изображения миокарда, блок композиции моделей, блок формирования активной модели формы и блок активной модели внешнего вида, блок совмещения, блок построения признакового пространства и блок формирования диагноза заболеваний сердца. 1 ил.
Description
Полезная модель относится к специализированным устройствам вычислительной техники и может быть использована для диагностики заболеваний сердца на основе анализа структуры миокарда по аксиальным срезам изображений, полученных при мультиспиральной компьютерной томографии (МСКТ).
Известны технические решения, используемые для диагностики заболеваний сердца.
В частности, известна система мониторирования ЭКГ, которая определяет инфаркт-зависимую коронарную артерию, связанную с острым инфарктом миокарда, и которая содержит ряд электродов, приспособленных для сбора данных по электрической активности сердца от разных точек наблюдения по отношению к сердцу, модуль сбора данных ЭКГ, связанный с электродами, который обеспечивает образование усиленных сигналов электродов, процессор ЭКГ, реагирующий на сигналы электродов с целью объединения сигналов электродов для образования множества сигналов отведений, измеряющих активность сердца в разных точках наблюдения, причем, процессор ЭКГ обнаруживает подъемы ST в сигналах отведений; дисплей, реагирующий на обнаруженные подъемы ST, который графически отображает каждое множество данных подъема ST по отношению к анатомическим позициям отведений, а графическое изображение на дисплее идентифицирует подозреваемую инфаркт-зависимую коронарную артерию или ветвь, связанную с острым ишемическим приступом.
Недостатком известной системы является ее относительно низкая точность и достоверность, поскольку используются сигналы ЭКГ, а не сигналы более объективного обследования, в частности томографии, а диагноз устанавливается субъективно.
Известно техническое решение [RU 2330069, C1, A61B 055/55, 10.08.2008] заключающееся в том, что после выполнения магнитно-резонансной томографии сердца в T1-взвешенном режиме до и через 5-30 мин после внутривенного введения парамагнетика, 0,25М раствора MnCl2, в количестве 1 мл/10 кг веса тела, рассчитывают для всех областей сердечной мышцы индекс усиления изображения по формуле
где ИУ - индекс усиления изображения;
Недостатком устройства является относительно низкая точность и достоверность, поскольку не учитывается возможное влияние случайных факторов на значение индекса усиления.
Наиболее близким по технической сущности к предложенному является устройство [RU 2503061, C1, G06T 7/00, G06K 9/50, 10.03.2012], содержащее машиночитаемый носитель, содержащий сохраненный на нем компьютерный программный продукт, который при реализации компьютерной системой побуждает компьютерную систему выполнять способ определения границ анатомической структуры в изображении, вычисленном по слою данных изображения, причем, компьютерная система содержит процессорный блок и память, а компьютерный программный продукт, после загрузки, обеспечивает упомянутый процессорный блок функциональной возможностью выполнения следующих задач:
- разбиение изображения на множество участков изображения, каждый участок которого изображает участок анатомической структуры;
- адаптацию эталонного изображения к изображению на основе оценочной функции, причем оценочная функция является функцией параметров эталонного изображения и числовых показателей изображения и их относительных позиций в изображении, и на основе критерия, которому должно удовлетворять вычисленное значение оценочной функции, причем, оценочная функция определена на основании множества участков изображения.
Недостатком устройства является относительно узкие функциональные возможности, ограничивающие его применение сегментацией изображения, а также низкая точность и достоверность при возможном его использовании для диагностики заболеваний, т.к. не производится, в частности, фильтрация шумов при анализе характеристик структуры миокарда.
Задача, которая решается в полезной модели, направлена на создание автоматизированного устройства, позволяющего проводить обработку изображений, полученных при мультиспиральной компьютерной томографии, сегментацию миокарда, определение характеристик структуры миокарда и производить на этой основе диагностику заболеваний сердца.
Требуемый технический результат заключается в расширении функциональных возможностей и повышении точности и достоверности.
Поставленная задача решается, а требуемый технический результат достигается тем, что, в устройство, содержащее первый блок памяти, выполненный с возможностью занесения в него массива последовательности изображений мультиспиральной компьютерной томографии грудной клетки пациента, и блок сегментации миокарда, согласно полезной модели, введены, второй блок памяти, выполненный с возможностью занесения в него массива эталонной последовательности изображений мультиспиральной компьютерной томографии грудной клетки пациента с заболеванием сердца, третий блок памяти, выполненный с возможностью занесения в него массива эталонной последовательности изображений мультиспиральной компьютерной томографии грудной клетки пациента без заболевания сердца, блок сглаживания шума на изображении, вход которого соединен с выходом первого блока памяти, блок кластеризации пикселей изображения миокарда, вход которого соединен с выходом блока сглаживания шума на изображении, а выход - соединен со входом блока сегментации миокарда, блок композиции моделей, блок формирования активной модели формы и блок активной модели внешнего вида, входы которых соединены с выходом блока сегментации миокарда, а выходы - с соответствующими входами блока композиции моделей, блок совмещения, первый и второй входы которого соединены с выходами блока композиции моделей и блока сегментации миокарда, соответственно, блок построения признакового пространства, вход которого соединен с выходом блока совмещения, и блок формирования диагноза заболеваний сердца, первый вход которого соединен с выходом блока построения пространства признаков, а второй и третий входы - соединены с выходами, соответственно, второго и третьего блоков памяти.
На чертеже представлена функциональная схема автоматизированного устройства для диагностики заболеваний сердца.
Автоматизированное устройство для диагностики заболеваний сердца содержит первый блок 1 памяти, выполненный с возможностью занесения в него массива последовательности изображений мультиспиральной компьютерной томографии грудной клетки диагностируемого пациента, второй блок 2 памяти, выполненный с возможностью занесения в него массива эталонной последовательности изображений мультиспиральной компьютерной томографии грудной клетки пациента с заболеванием сердца, третий блок 3 памяти, выполненный с возможностью занесения в него массива эталонной последовательности изображений мультиспиральной компьютерной томографии грудной клетки пациента без заболевания сердца.
Автоматизированное устройство для диагностики заболеваний сердца содержит также блок 4 сегментации миокарда, блок 5 сглаживания шума на изображении, вход которого соединен с выходом первого блока 1 памяти, блок 6 кластеризации пикселей изображения миокарда, вход которого соединен с выходом блока 5 сглаживания шума на изображении, а выход - соединен со входом блока 4 сегментации миокарда, блок 7 композиции моделей, блок 8 формирования активной модели формы и блок 9 активной модели внешнего вида, входы которых соединены с выходом блока 4 сегментации миокарда, а выходы - с соответствующими входами блока 7 композиции моделей.
Кроме того, автоматизированное устройство для диагностики заболеваний сердца содержит блок 10 совмещения, первый и второй входы которого соединены с выходами блока 7 композиции моделей и блока 4 сегментации миокарда, соответственно, блок 11 построения признакового пространства, вход которого соединен с выходом блока 10 совмещения, и блок 12 формирования диагноза заболеваний сердца, первый вход которого соединен с выходом блока 11 построения пространства признаков, а второй и третий входы - соединены с выходами, соответственно, второго 2 и третьего 3 блоков памяти.
Устройство содержит элементы и блоки, охарактеризованные на функциональном уровне, и описываемая форма реализации предполагает использование программируемого (настраиваемого) многофункционального средства, поэтому при описании его работы представляются сведения, подтверждающие возможность выполнения таким средством конкретной предписываемой ему в составе данного устройства функции и математические соотношения, достаточные для его программной реализации.
Работает автоматизированное устройство для диагностики заболеваний сердца следующим образом.
Предварительно, перед началом или в начальный момент работы устройства в первый блок 1 памяти заносится массив из N изображений мультиспиральной компьютерной томографии грудной клетки диагностируемого пациента
Кроме того, также предварительно, перед началом или в начальный момент работы устройства во второй блок 2 памяти заносится массив из M1 изображений мультиспиральной компьютерной томографии грудной клетки диагностируемого пациента с характерными признаками заболевания сердца, как правило, близкого к диагностируемому пациенту по возрасту и антропометрическим данным
Аналогично в третий блок 3 памяти заносится массив из М2 изображений мультиспиральной компьютерной томографии грудной клетки другого пациента без признаков заболевания сердца, как правило, близкого к диагностируемому пациенту по возрасту и антропометрическим данным
В блоке 5 производится сглаживание шума на изображении грудной клетки диагностируемого пациента путем использования метода анизотропной диффузии. Для этого массив из N изображений мультиспиральной компьютерной томографии грудной клетки диагностируемого пациента 
подвергается следующим преобразованиям:
где (х,у) - координаты пикселя на изображении, Δ - оператор Лапласа, ∇ - градиент, div(...) - оператор дивергенции и c(x,y,t) - коэффициент диффузии, который является функцией от градиента изображения в точке, что позволяет не размывать края.
В результате формируется массив изображений грудной клетки диагностируемого пациента со сглаженным шумом. Это позволяет достаточно качественно произвести кластеризацию пикселей изображения миокарда в блоке 6 с помощью алгоритма k-means и сформировать 5 кластеров с центрами ci. i=1...5. Бинарные маски Mi, i=1...5, ci<ci+1, i=1...4. В результате в блоке 4 сегментации может быть выделена область миокарда, как наибольшая компонента связности M4UM5, и мышечная ткань сердца HeartMaskkmeans=M2UM3.
В результате может быть произведено уточнение границ миокарда, для чего в блоке 8 формируется активная модель формы в результате следующих преобразований:
где s - полученная модель, описывающая форму миокарда, заданная совокупностью точек с координатами (х,у), s0 - усредненная модель, построенная по обучающей выборке, Ф - матрица, задающая основные типы преобразований, построенная на основе обучающей выборки, b - вектор параметров преобразований, а блоке 9 формируется активная модель внешнего вида, для чего в этом блоке производятся следующие преобразования:
где s - модель, описывающая форму миокарда, t - модель, описывающаяв текстуру миокарда, Фs - матрица, задающая основные преобразования формы, Фt - матрица, задающая основные преобразования текстуры, Фc -объединенная матрица основных преобразований, c - вектор комбинированных параметров формы и текстуры.
Параметры моделей вычисляются с помощью итеративной процедуры, имея начальное приближение.
Результаты формирования моделей в блоках 8 и 9 используются в блоке 7 для формирования композиции моделей и получения бинарной маски HeartMaskmodel. Итоговая маска получается в блоке 10 совмещением масок HeartMaskmodel и HeartMaskkmeans.
Итоговая маска используется в блоке 11 для построения признакового пространства миокарда, для чего производятся следующие преобразования.
По региону изображения, ограниченного итоговой маской, строится карта изолиний 
, где значения Ii задают разные уровни интенсивности. Изолинии двух последовательных уровней объединяются в группы. Признаковое пространство формируется в виде набора признаков по каждой группе изолиний, в который входят такие признаки как количество изолиний в группе, максимальный, минимальный и средний размеры изолиний, стандартное отклонение размера изолиний. Далее признаки отбираются по метрике прироста информации (Information gain).
Этот набор показателей в блоке 12 используется для формирования диагноза заболевания в виде совокупности или набора показателей с отрицательными значениями
Для показателей с положительными значениями 
формируется сигнал об отсутствии соответствующих заболеваний.
При «обучении» (определении параметров классификации) блока 12 формирования диагноза заболеваний сердца изображения из блоков 2 и 3 могут использоваться при построении признакового пространства с предварительным преобразованием по той же схеме, что и для массива последовательности изображений мультиспиральной компьютерной томографии грудной клетки пациента, заносимых в блок 1.
Для экспериментальной оценки точности и достоверности предложенного устройства использовались 8 наборов срезов МСКТ с пациентов с заболеванием сердца (суммарно 181 изображений), 11 наборов срезов МСКТ пациентов без заболевания сердца (суммарно 127 изображений).
Для подбора параметров использовалась кросс-валидация: 4 набора срезов от пациентов с заболеванием сердца, 5 наборов срезов от пациентов без заболевания сердца, из которых по одному набору использовались для валидации, а остальные для обучения. Для тестирования качества классификации использовалось: 30% случайно выбранных наборов из каждого класса для обучения и 70% наборов из каждого класса для тестирования.
Для оценки точности и достоверности работы предложенного устройства использовались следующие критерии.
В приведенных ниже формулах значения TP, FP, FN и TN соответствуют количеству соответствующих изображений выборки.
Показатель точности: 
Показатель полноты: 
Показатель качества (F-мера):
Показатель ложных срабатываний (False Positive Rate): 
.
По результатам проведенных экспериментов оценка качества (F-мера) оказалась равной 97%.
Таким образом, благодаря введению дополнительных блоков и связей, указанных в отличительной части формулы полезной модели, достигается требуемый технический результат, заключающийся в расширении функциональных возможностей и повышении точности и достоверности.
Claims (1)
- Автоматизированное устройство для диагностики заболеваний сердца, содержащее первый блок памяти, выполненный с возможностью занесения в него массива последовательности изображений мультиспиральной компьютерной томографии грудной клетки пациента, и блок сегментации миокарда, отличающийся тем, что введены второй блок памяти, выполненный с возможностью занесения в него массива эталонной последовательности изображений мультиспиральной компьютерной томографии грудной клетки пациента с заболеванием сердца, третий блок памяти, выполненный с возможностью занесения в него массива эталонной последовательности изображений мультиспиральной компьютерной томографии грудной клетки пациента без заболевания сердца, блок сглаживания шума на изображении, вход которого соединен с выходом первого блока памяти, блок кластеризации пикселей изображения миокарда, вход которого соединен с выходом блока сглаживания шума на изображении, а выход соединен со входом блока сегментации миокарда, блок композиции моделей, блок формирования активной модели формы и блок активной модели внешнего вида, входы которых соединены с выходом блока сегментации миокарда, а выходы - с соответствующими входами блока композиции моделей, блок совмещения, первый и второй входы которого соединены с выходами блока композиции моделей и блока сегментации миокарда, соответственно, блок построения признакового пространства, вход которого соединен с выходом блока совмещения, и блок формирования диагноза заболеваний сердца, первый вход которого соединен с выходом блока построения пространства признаков, а второй и третий входы соединены с выходами, соответственно, второго и третьего блоков памяти.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2017124224U RU178086U1 (ru) | 2017-07-10 | 2017-07-10 | Автоматизированное устройство для диагностики заболеваний сердца |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2017124224U RU178086U1 (ru) | 2017-07-10 | 2017-07-10 | Автоматизированное устройство для диагностики заболеваний сердца |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU178086U1 true RU178086U1 (ru) | 2018-03-22 |
Family
ID=61703782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2017124224U RU178086U1 (ru) | 2017-07-10 | 2017-07-10 | Автоматизированное устройство для диагностики заболеваний сердца |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU178086U1 (ru) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU214975U1 (ru) * | 2022-03-02 | 2022-11-23 | федеральное государственное бюджетное образовательное учреждение высшего образования "Российский государственный университет им. А.Н. Косыгина (Технологии. Дизайн. Искусство)" | Автоматизированное устройство диагностики заболеваний и назначения препаратов при лечении |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2330609C1 (ru) * | 2006-12-26 | 2008-08-10 | Государственное учреждение Научно-исследовательский институт кардиологии Томского научного центра Сибирского отделения Российской академии медицинских наук (ГУ НИИ кардиологии ТНЦ СО РАМН) | Способ магнитно-резонансной томографической диагностики ишемических нарушений коронарного кровообращения |
| RU2010136336A (ru) * | 2008-01-31 | 2012-03-10 | Конинклейке Филипс Электроникс Н.В. (Nl) | Автоматическая трехмерная сегментация изображения сердца по короткой оси, полученного методом магнитно-резонансной томографии с отложенным контрастированием |
| US20150363672A1 (en) * | 2010-06-28 | 2015-12-17 | Ramot At Tel-Aviv University Ltd. | Method and system of classifying medical images |
| US20160180525A1 (en) * | 2014-12-19 | 2016-06-23 | Kabushiki Kaisha Toshiba | Medical image data processing system and method |
| US20160275678A1 (en) * | 2015-03-18 | 2016-09-22 | University Of South Florida | Image-based automated measurement model to predict pelvic organ prolapse |
-
2017
- 2017-07-10 RU RU2017124224U patent/RU178086U1/ru not_active IP Right Cessation
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2330609C1 (ru) * | 2006-12-26 | 2008-08-10 | Государственное учреждение Научно-исследовательский институт кардиологии Томского научного центра Сибирского отделения Российской академии медицинских наук (ГУ НИИ кардиологии ТНЦ СО РАМН) | Способ магнитно-резонансной томографической диагностики ишемических нарушений коронарного кровообращения |
| RU2010136336A (ru) * | 2008-01-31 | 2012-03-10 | Конинклейке Филипс Электроникс Н.В. (Nl) | Автоматическая трехмерная сегментация изображения сердца по короткой оси, полученного методом магнитно-резонансной томографии с отложенным контрастированием |
| US20150363672A1 (en) * | 2010-06-28 | 2015-12-17 | Ramot At Tel-Aviv University Ltd. | Method and system of classifying medical images |
| US20160180525A1 (en) * | 2014-12-19 | 2016-06-23 | Kabushiki Kaisha Toshiba | Medical image data processing system and method |
| US20160275678A1 (en) * | 2015-03-18 | 2016-09-22 | University Of South Florida | Image-based automated measurement model to predict pelvic organ prolapse |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU214975U1 (ru) * | 2022-03-02 | 2022-11-23 | федеральное государственное бюджетное образовательное учреждение высшего образования "Российский государственный университет им. А.Н. Косыгина (Технологии. Дизайн. Искусство)" | Автоматизированное устройство диагностики заболеваний и назначения препаратов при лечении |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6557767B2 (ja) | 多数の画像取得または再構築を使用する画像ベースのオブジェクトモデリングのためのシステム及び方法 | |
| JP5081390B2 (ja) | 腫瘍量を監視する方法及びシステム | |
| US20220142583A1 (en) | Methods and systems to quantify and remove asynchronous noise in biophysical signals | |
| WO2020136569A1 (en) | Method and system to characterize disease using parametric features of a volumetric object and machine learning | |
| CN109285152B (zh) | 一种医学图像处理系统、装置和计算机可读存储介质 | |
| Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
| EP1542589B1 (en) | Display of image data information | |
| JP2015512292A (ja) | マルチプルイメージデータループを獲得して分析する方法及びシステム | |
| JP2006500099A5 (ru) | ||
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| Yang et al. | Multiview sequential learning and dilated residual learning for a fully automatic delineation of the left atrium and pulmonary veins from late gadolinium-enhanced cardiac MRI images | |
| CN115587971A (zh) | 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 | |
| Marin et al. | Numerical surrogates for human observers in myocardial motion evaluation from SPECT images | |
| JP6987721B2 (ja) | 画像処理装置、方法およびプログラム | |
| RU178086U1 (ru) | Автоматизированное устройство для диагностики заболеваний сердца | |
| JP3647970B2 (ja) | 領域抽出装置 | |
| CN111971751A (zh) | 用于评估动态数据的系统和方法 | |
| JP6272065B2 (ja) | Ｎａｓｈ診断プログラム、ｎａｓｈ診断装置の作動方法、及びｎａｓｈ診断装置 | |
| Omar et al. | Improving visual detection of wall motion abnormality with echocardiographic image enhancing methods | |
| CN109394197B (zh) | 一种基于时频分析的心率变异性测量方法、装置及设备 | |
| Vadakkumpadan et al. | Left-ventricular shape analysis for predicting sudden cardiac death risk | |
| KR20210068189A (ko) | 의료 영상을 이용한 병변 여부 판단 방법 | |
| JP6568375B2 (ja) | 眼科情報処理システム、画像処理装置、および画像処理方法 | |
| KR102556432B1 (ko) | 딥러닝 기반의 심장의 해부학적 분할을 위한 기준점 생성 및 분할 방법 | |
| Udrea et al. | Nonlinear deterministic methods for computer aided diagnosis in case of kidney diseases |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM9K | Utility model has become invalid (non-payment of fees) |
Effective date: 20180711 |