TWI811129B - 兒童先天性心臟超音波影像目標檢測系統及其方法 - Google Patents
兒童先天性心臟超音波影像目標檢測系統及其方法 Download PDFInfo
- Publication number
- TWI811129B TWI811129B TW111138113A TW111138113A TWI811129B TW I811129 B TWI811129 B TW I811129B TW 111138113 A TW111138113 A TW 111138113A TW 111138113 A TW111138113 A TW 111138113A TW I811129 B TWI811129 B TW I811129B
- Authority
- TW
- Taiwan
- Prior art keywords
- ultrasound image
- module
- heart
- cardiac
- cardiac ultrasound
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 206010010356 Congenital anomaly Diseases 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 11
- 238000002604 ultrasonography Methods 0.000 claims abstract description 180
- 230000000747 cardiac effect Effects 0.000 claims abstract description 144
- 238000013135 deep learning Methods 0.000 claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 201000003130 ventricular septal defect Diseases 0.000 claims description 22
- 208000001910 Ventricular Heart Septal Defects Diseases 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 3
- 210000000596 ventricular septum Anatomy 0.000 claims description 3
- 208000029078 coronary artery disease Diseases 0.000 abstract description 13
- 210000003754 fetus Anatomy 0.000 abstract description 3
- 238000009432 framing Methods 0.000 description 5
- 230000017531 blood circulation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000001605 fetal effect Effects 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本發明為一種兒童先天性心臟超音波影像目標檢測系統及其方法，包
含一心臟超音波影像資料庫包含有複數心臟超音波影像；一移除模組移除心臟超音波影像的病患資訊；一加密模組將一加密鑰匙賦予給心臟超音波影像；一深度學習模組區分該心臟超音波影像；以及一標示模組將心臟超音波影像標示出至少一感興趣位置。本發明利用卷積神經網路與深度學習，以迅速且準確地透過心臟超音波影像，找出胎兒或新生兒的冠心症，藉以降低人為的誤判。
Description
本發明為一種兒童先天性心臟超音波影像目標檢測系統及其方法，尤其指一種能夠檢測胎兒或新生兒心臟超音波檢測系統及其方法。
每年約有千分之13新生嬰兒具有冠心病(Coronary Heart Disease，CHD)。五歲幼兒相關於CHD的死亡率為5%。醫療科技的進步，使用超音波影像可於18~25周妊娠相關於CHD能被偵測。心臟超音波影像未涉及放射性，放射性會對胎兒或新生兒造成些許的危害，以及成本效益高。
另外，大部分的病患與醫生會於在18至22周妊娠開始醫療計畫，但早期使用超音波影像偵測CHD會有難度。
現有的診斷新生兒或幼兒冠心病的方式是由醫生傳統地分析心臟超音波影像。這方式為人工，並要依賴醫生的經驗。
綜合上述，現有的心臟超音波影像仍由醫生依據經驗判斷，進而使得心臟超音波影像的誤判機率產生，如何改善/降低誤判率，乃成為目前業界亟思改良創新的項目。
本發明創作人鑑於上述先前技術的各項缺點，經多年的研究實驗後，終於成功研發完成本發明之兒童先天性心臟超音波影像目標檢測系統。
本發明揭露一種兒童心臟超音波波影像檢測系統，包含：一心臟超音波影像資料庫，包含複數心臟超音波影像，各心臟超音波影像包含一病患資訊；一移除模組，電性連接心臟超音波影像資料庫，移除模組接收來自心臟超音波影像資料庫的心臟超音波影像，並移除心臟超音波影像的病患資訊；一加密模組，電性連接移除模組，加密模組接收來自移除模組的心臟超音波影像，再將一加密鑰匙賦予給心臟超音波影像；一深度學習模組，電性連接加密模組，深度學習模組接收來自加密模組的心臟超音波影像，並區分心臟超音波影像；以及一標示模組，電性連接深度學習模組，標示模組接收來自深度學習模組的心臟超音波影像，並將心臟超音波影像標示出至少一感興趣位置。
在一實施例中，兒童先天性心臟超音波影像目標檢測系統為一卷積神經網路；深度學習模組為YOLOv3、YOLOv4、YOLOv3-SPP、YOLOv3-DenseNet或YOLOv4-DenseNet之架構。
在一實施例中，心臟超音波影像係選自診斷有心室中膈缺損的病患。
在一實施例中，一框架模組電性連接心臟超音波影像資料庫與移除模組，框架模組接收來自心臟超音波影像，並將心臟超音波影像予以框架化。
於一實施例中，一顯示模組電性連接標示模組，顯示模組接收心臟超音波影像，並顯示心臟超音波影像。
於一實施例中，密鑰匙係為高級加密標準演算並結合影像與架構碼。
本發明亦揭露一種兒童先天性心臟超音波影像目標檢測方法，其步驟包含：選取心臟超音波影像：於一心臟超音波影像資料庫中選出診斷有心室中膈缺損的至少一病患的心臟超音波影像，心臟超音波影像包含一病患資訊；移除心臟超音波影像中的病患資訊：一移除模組接收來自心臟超音波影像資料庫的心臟超音波影像，並移除心臟超音波影像的病患資訊；加密心臟超音波影像：一加密模組接收來自移除模組的心臟超音波影像，再將一加密鑰匙賦予給心臟超音波影像；分類心臟超音波影像；一深度學習模組接收來自加密模組的心臟超音波影像，並將心臟超音波影像分為真陽性、真陰性、假陽性與假陰性；以及測試分類結果，以及標示心臟超音波影像：深度學習模組測試已被分類的心臟超音波影像，並將通過測試的心臟超音波影像提供給一標示模組，標示模組將心臟超音波影像標示出至少一感興趣位置。
於一實施例中，一顯示心臟超音波影像的步驟，標示模組提供心臟超波影像給一顯示模組。
於一實施例中，一框架所選取的心臟超音波影像之步驟，一框架模組接收來自心臟超音波影像資料庫的心臟超音波影像，並將心臟超音波影像予以框架化，框架模組將心臟超音波影像提供給移除模組。
於一實施例中，加密模組接將心臟超音波影像轉換為PNG格式；深度學習模組為YOLOv3、YOLOv4、YOLOv3-SPP、YOLOv3-DenseNet或YOLOv4-DenseNet之架構；心臟超音波影像係選自診斷有心室中膈缺損的病患；病患資訊為為姓名、案號、生日或診斷有心室中膈缺損的資訊；心臟超音波影
像為黑白影像或彩色多普勒影像；深度學習模組以一初始模型區分心臟超音波影像。
藉由如上的本發明之本發明的兒童先天性心臟超音波影像目標檢測系統及其方法係利用卷積神經網路與深度學習，以迅速且準確地透過心臟超音波影像，找出胎兒或新生兒的CHD，藉以降低人為的誤判。
10:心臟超音波影像資料庫
11:框架模組
12:移除模組
13:加密模組
14:深度學習模組
15:標示模組
16:顯示模組
S1,S2,S3,S4,S5,S6,S7:步驟
圖1為本發明的兒童先天性心臟超音波影像目標檢測系統之示意圖；圖2為本發明的兒童先天性心臟超音波影像目標檢測方法之流程示意圖。
為了使所屬技術領域中具有通常識者能夠充分瞭解本發明之技術特徵、內容與優點及其所能達到之功效，茲將本發明配合圖式，並以實施例之表達形式詳細說明如下，而其中所使用之圖式，其主旨僅為示意及輔助說明書之用，未必為本發明實施後之真實比例與精準配置，故不應就所附之圖式的比例與配置關係解讀、侷限本發明於實際實施上的權利範圍，合先敘明。
請參閱圖1，本發明之兒童先天性心臟超音波影像目標檢測系統之示意圖。如圖所示，本發明為一種兒童先天性心臟超音波影像目標檢測系統，包含有一心臟超音波影像資料庫10、一框架模組11、一移除模組12、一加密模組13、一深度學習模組14、一標示模組15與一顯示模組16。兒童先天性心臟超音波影像目標檢測系統為一卷積神經網路(Convolutional Neural Networks，CNN)的架構。
卷積神經網路為CSPDenseNet，透過DenseNet取代Darknet，藉此提取更多資訊。於CSPDenseNet的主幹區域中，將ZCRn塊替換為CSPDn塊，n的值為6、16與24。CSPDn包含有兩個子塊，即重複的Dense Block(blk)與過渡塊，Dense blk重複的次數基於n的值。卷積神經網路包含了骨幹(backbone)、頸部(neck)與頂部(head)。在頸部區域刪除了SPP(spatial pyramid pooling layer，空間金字塔池)，因為SPP於先前的測試中降低了mAP(mean Average Precision，評估物體偵測模型好壞的指標)的數值。其次，由於刪除了SPP，因為CBL(卷積神經網路及雙向長短期記憶單元(Bidirectional LSTM,BL))的數值為六個，而不是頂部分支中的七個。於修改後的頂部區域，並決定兩個特徵圖數量相應輸出分辨率為26X26/1024與13X13/1024。
心臟超音波影像資料庫10包含有複數心臟超音波影像，各心臟超音波影像的解析度為800X600像素。各心臟超音波影像包含有病患資訊，病患資訊為為姓名、案號、生日或診斷有心室中膈缺損的資訊。
心臟超音波影像為黑白影像或彩色多普勒影像(Color Dopper echocardiographic images)。彩色多普勒影像能夠提供血液流速、血液加速度、心臟血流方向(分別用紅色與藍色表示，其他可用於表示的顏色亦可使用，但不限制)、血液流量，以及血壓是舒張壓或收縮壓的資訊。紅色與藍色分別代表血液流向或遠離超音波探頭的血液。金黃色表示快速的血流。彩色多普勒影像提供了CHD的基本特徵。
框架模組11電性連接心臟超音波影像資料庫10。框架模組11接收來自心臟超音波影像資料庫10的心臟超音波影像，並將心臟超音波影像予以框架化。心臟超音波影像係選自診斷有心室中膈缺損(Ventricular Septal Defect，
VSD)的病患。框架為心臟超音波影像的基本單位，其為每一格心臟超音波影像，框架每格時間長度為一預定時間，舉例而言，可為1/24秒或1/48秒。各心臟超音波影像包含有複數個框架。框架的解析度為706X532像素。心室中膈缺損是最常見的冠心病與約佔冠心病30%。心室中膈缺損可分為出口型VSD(conal-septal VSD或supracristal VSD)、膜周部心室中隔缺損(perimembranous VSD)或肌肉型VSD(muscular type VSD)。
移除模組12電性連接框架模組11。框架模組11將包含有框架的心臟超音波影像提供給移除模組12。移除模組12移除心臟超音波影像的病患資訊。
加密模組13電性連接移除模組12。加密模組接收來自移除模組12的心臟超音波影像，並將心臟超音波影像轉換為PNG格式，再以一加密鑰匙賦予給心臟超音波影像。加密鑰匙係為高級加密標準演算並結合影像與架構碼。轉換為PNG格式的心臟超音波影像係以原始心臟超音波影像之檔名進行加密。PNG格式是一種支援無失真壓縮的點陣圖圖形格式。轉換為PNG格式的心臟超音波影像可以確保壓縮時不會失去任何資訊。
深度學習模組14依據多個測試數據進行學習/訓練，以建立一初始模型。深度學習模組14電性連接加密模組13。深度學習模組14接收來自加密模組13的心臟超音波影像。深度學習模組14依據初始模組，以分類心臟超音波影像。深度學習模組14進一步測試已被分類的心臟超音波影像。深度學習模組13可為YOLOv3、YOLOv4、YOLOv3-SPP、YOLOv3-DenseNet或YOLOv4-DenseNet之架構。較佳為YOLOv4-DenseNet。YOLO(You Only Look Once)是one stage的物件偵測方法，也就是只需要對圖片作一次CNN架構便能
夠判斷圖形內的物體位置與類別，因此提升辨識速度。One-stage Learning是物件位置偵測和物件辨識一步到位，也就是一個神經網路能同時偵測物件位置也可以辨識物件。
YOLOv4-DenseNet包含了三個部分backbone(骨幹)、neck(頸部)與head(頂部)。於head區域，使用較小的輸入分辨率。輸入比例為52X52、26X26與13X13，並確定輸出特徵圖的數量可能不是對本發明的問題有用。為了解決這個問題，添加了更多YOLO頂部的特徵圖。對應的輸出分辨率特徵圖的數量為52X52/512、26X26/1024與13X13/1024。所提出的損失函數是相同於原始YOLOv4的算法。
未深度學習的心臟超音波影像是測試的目標。聯合交集的閥值(門檻值)被設置為50。如果預測框與基本事實相交的未深度學習的心臟超音波影像少於閥值，則預測失敗。分類的四個條件為：真陽性(TP)、真陰性(TN)、假陽性(FP)和假陰性(FN)。
根據準確性(公式1)、平均精度(公式2)、平均召回率(公式3)與F1-Score(公式4)。並使用了Pascal VOC 2012的平均精度指標，計算分類以獲得mAP。然而，確定適當的圖像數據是耗時的。將深度學習法用於複雜心臟超音波心動圖的檢測與分割結構可以快速地檢測感興趣位置。
其中，T(True)為正確；P(Positive)為陽性；N(Negative)為陰性；F(Fault)為錯誤。
F1-Score是統計學中用來衡量二分類模型精確度的一種指標。它同時兼顧了分類模型的精確率(精度)與召回率。
Pascal VOC 2012是對真實場景中的物體進行識別，這是一個監督學習問題，即提供圖片以及對應的標籤，利用這些資料，實現圖像的分類、目標檢測識別、圖像分割三種任務。
標示模組15電性連接深度學習模組14。深度學習模組14將通過測試的心臟超音波影像提供給標示模組15。標示模組15將心臟超音波影像標示出至少一感興趣位置(region of interest，ROI)。感興趣位置為心室中膈。未通過測試的心臟超音波影像被心臟超音波影像資料10儲存。
顯示模組16電性連接標示模組15。標示模組15提供包含有感興趣位置的心臟超音波影像給顯示模組16，以使顯示模組16顯示心臟超音波影像。至少一心臟病醫生確認上述之已分類的心臟超音波影像與心臟超音波影像中的感興趣位置。包含有感興趣位置的心臟超音波影像被儲存於心臟超音波影像資料庫10。
請參閱圖2，本發明之兒童先天性心臟超音波影像目標檢測方法之流程示意圖。如圖所示，本發明為一種兒童先天性心臟超音波影像目標檢測方法，其步驟如下：
步驟一S1，選取心臟超音波影像：於心臟超音波影像資料庫10中選出診斷有心室中膈缺損的病患之心臟超音波影像。心臟超音波影像包含有病患資訊，病患資訊為姓名、案號、生日或診斷有心室中膈缺損的資訊。
步驟二S2，框架所選取的心臟超音波影像：框架模組11接收來自心臟超音波影像資料庫10的心臟超音波影像，並將心臟超音波影像予以框架化。框架每格時間長度為一預定時間。框架模組11於框架化心臟超音波影像時會縮減心臟超音波影像的像素。
步驟三S3，移除心臟超音波影像中的病患資訊：移除模組12接收來自框架模組11的心臟超音波影像，移除模組12移除心臟超音波影像的病患資訊。
步驟四S4，加密心臟超音波影像：加密模組接收來自移除模組12的心臟超音波影像，並將心臟超音波影像轉換為PNG格式，再將一加密鑰匙賦予給心臟超音波影像。
步驟五S5，分類心臟超音波影像：深度學習模組14接收來自加密模組13的心臟超音波影像。深度學習模組14依據初始模組，以分類心臟超音波影像。
未深度學習的心臟超音波影像是測試的目標。聯合交集的閥值(門檻值)被設置為50。如果預測框與基本事實相交的未深度學習的心臟超音波影像少於閥值，則預測失敗。分類的四個條件為：真陽性(TP)、真陰性(TN)、假陽性(FP)和假陰性(FN)。
步驟六S6，測試分類結果，以及標示心臟超音波影像：深度學習模組14測試已被分類的心臟超音波影像。深度學習模組14將通過測試的心臟超音波影像提供給標示模組15。標示模組15將心臟超音波影像標示出至少一感興趣位置。未通過測試的心臟超音波影像則回到步驟一S1。
步驟七S7，顯示心臟超音波影像：標示模組15提供心臟超音波影像給顯示模組16，以使顯示模組16顯示心臟超音波影像。至少一心臟病醫生確認上述之已分類的心臟超音波影像與心臟超音波影像中的感興趣位置。
綜上所述，本發明的兒童先天性心臟超音波影像目標檢測系統及其方法係利用卷積神經網路與深度學習，以迅速且準確地透過心臟超音波影像，找出胎兒或新生兒的CHD，藉以降低人為的誤判。
以上所述僅為舉例性，用以說明本發明之技術內容的可行具體實施例，而非用於限制本發明。本發明所屬技領域具有通常知識者基於說明書中所揭示內容之教示所為的等效置換、修改或變更，均包含於本發明之申請專利範圍中，未脫離本發明的權利範疇。
10:心臟超音波影像資料庫
11:框架模組
12:移除模組
13:加密模組
14:深度學習模組
15:標示模組
16:顯示模組
Claims (8)
- 一種兒童先天性心臟超音波影像目標檢測系統，包含：一心臟超音波影像資料庫，包含複數心臟超音波影像，各該心臟超音波影像包含一病患資訊；一框架模組，該框架模組電性連接該心臟超音波影像資料庫與該移除模組，該框架模組接收來自該心臟超音波影像，並將該心臟超音波影像予以框架化；一移除模組，電性連接該框架模組，該移除模組接收來自該框架模組的該心臟超音波影像，並移除該心臟超音波影像的該病患資訊；一加密模組，電性連接該移除模組，該加密模組接收來自該移除模組的該心臟超音波影像，再將一加密鑰匙賦予給該心臟超音波影像；一深度學習模組，電性連接該加密模組，該深度學習模組接收來自該加密模組的該心臟超音波影像，並區分該心臟超音波影像，以將該心臟超音波影像分為真陽性、真陰性、假陽性與假陰性；以及一標示模組，電性連接該深度學習模組，該標示模組接收來自該深度學習模組的該心臟超音波影像，並將該心臟超音波影像標示出至少一感興趣位置，該感興趣位置為心室中膈。
- 如請求項1所述之兒童先天性心臟超音波影像目標檢測系統，其為一卷積神經網路；該深度學習模組為YOLOv3、YOLOv4、YOLOv3-SPP、YOLOv3-DenseNet或YOLOv4-DenseNet之架構。
- 如請求項1所述之兒童先天性心臟超音波影像目標檢測系統，其中該心臟超音波影像係選自診斷有心室中膈缺損的病患。
- 如請求項1所述之兒童先天性心臟超音波影像目標檢測系統，其更包含一顯示模組，該顯示模組電性連接該標示模組，該顯示模組接收包含該心臟超音波影像，並顯示該心臟超音波影像。
- 如請求項1所述之兒童先天性心臟超音波影像目標檢測系統，其中該加密鑰匙係為高級加密標準演算並結合影像與架構碼。
- 一種兒童先天性心臟超音波影像目標檢測方法，其步驟包含：選取心臟超音波影像：於一心臟超音波影像資料庫中選出診斷有心室中膈缺損的至少一病患的心臟超音波影像，該心臟超音波影像包含一病患資訊；框架所選取的該心臟超音波影像，一框架模組接收來自該心臟超音波影像資料庫的該心臟超音波影像，並將該心臟超音波影像予以框架化，該框架模組將該心臟超音波影像提供給該移除模組；移除該心臟超音波影像中的該病患資訊：一移除模組接收來自該框架模組的該心臟超音波影像，並移除該心臟超音波影像的該病患資訊； 加密該心臟超音波影像：一加密模組接收來自該移除模組的該心臟超音波影像，再將一加密鑰匙賦予給該心臟超音波影像；分類該心臟超音波影像；一深度學習模組接收來自該加密模組的該心臟超音波影像，並將該心臟超音波影像分為真陽性、真陰性、假陽性與假陰性；以及測試分類結果，以及標示該心臟超音波影像：該深度學習模組測試已被分類的該心臟超音波影像，並將通過測試的該心臟超音波影像提供給一標示模組，該標示模組將該心臟超音波影像標示出至少一感興趣位置，該感興趣位置為心室中膈。
- 如請求項6所述之兒童先天性心臟超音波影像目標檢測方法，其更包含一顯示心臟超音波影像的步驟，該標示模組提供該心臟超波影像給一顯示模組。
- 如請求項6所述之兒童先天性心臟超音波影像目標檢測方法，其中該加密模組接將該心臟超音波影像轉換為PNG格式；該深度學習模組為YOLOv3、YOLOv4、YOLOv3-SPP、YOLOv3-DenseNet或YOLOv4-DenseNet之架構；該心臟超音波影像係選自診斷有心室中膈缺損的病患；該病患資訊為為姓名、案號、生日或診斷有心室中膈缺損的資訊；該心臟超音波影像為黑白影像或彩色多普勒影像；該深度學習模組以一初始模型區分該心臟超音波影像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111138113A TWI811129B (zh) | 2022-10-07 | 2022-10-07 | 兒童先天性心臟超音波影像目標檢測系統及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111138113A TWI811129B (zh) | 2022-10-07 | 2022-10-07 | 兒童先天性心臟超音波影像目標檢測系統及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI811129B true TWI811129B (zh) | 2023-08-01 |
| TW202416294A TW202416294A (zh) | 2024-04-16 |
Family
ID=88585450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111138113A TWI811129B (zh) | 2022-10-07 | 2022-10-07 | 兒童先天性心臟超音波影像目標檢測系統及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI811129B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW202022713A (zh) * | 2018-12-05 | 2020-06-16 | 宏碁股份有限公司 | 心臟狀態評估方法與系統、電子裝置及超音波掃描裝置 |
-
2022
- 2022-10-07 TW TW111138113A patent/TWI811129B/zh active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW202022713A (zh) * | 2018-12-05 | 2020-06-16 | 宏碁股份有限公司 | 心臟狀態評估方法與系統、電子裝置及超音波掃描裝置 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202416294A (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230104045A1 (en) | System and method for ultrasound analysis | |
| CN111310851B (zh) | 一种人工智能超声辅助系统及其应用 | |
| CN109035187B (zh) | 一种医学图像的标注方法及装置 | |
| WO2018074739A1 (ko) | 뇌졸중 진단 및 예후 예측 방법 및 시스템 | |
| US20220039768A1 (en) | Method and system for diagnosis of covid-19 using artificial intelligence | |
| US20220012875A1 (en) | Systems and Methods for Medical Image Diagnosis Using Machine Learning | |
| WO2023155488A1 (zh) | 基于多源多尺度特征融合的眼底图像质量评价方法和装置 | |
| US20220354466A1 (en) | Automated Maternal and Prenatal Health Diagnostics from Ultrasound Blind Sweep Video Sequences | |
| CN111462049A (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
| Tobias et al. | CNN-based deep learning model for chest X-ray health classification using tensorflow | |
| CN115063425B (zh) | 基于读片知识图谱的结构化检查所见生成方法及系统 | |
| CN114565572A (zh) | 一种基于图像序列分析的脑出血ct图像分类方法 | |
| CN111524093A (zh) | 一种异常舌象的智能筛查方法及其系统 | |
| CN114694236A (zh) | 一种基于循环残差卷积神经网络的眼球运动分割定位方法 | |
| Roshankhah et al. | Investigating training-test data splitting strategies for automated segmentation and scoring of COVID-19 lung ultrasound images | |
| CN112635067A (zh) | 基于深度学习的核素骨显像中骨转移瘤的诊断方法 | |
| Liu et al. | Automated classification and measurement of fetal ultrasound images with attention feature pyramid network | |
| Qiao et al. | SPReCHD: Four-chamber semantic parsing network for recognizing fetal congenital heart disease in medical metaverse | |
| CN113516639B (zh) | 基于全景x光片的口腔异常检测模型的训练方法及装置 | |
| CN117322865B (zh) | 基于深度学习的颞下颌关节盘移位mri检查诊断系统 | |
| TWI811129B (zh) | 兒童先天性心臟超音波影像目標檢測系統及其方法 | |
| CN111429412B (zh) | 肝包虫超声ai辅助诊断方法及系统 | |
| Lin et al. | Echocardiography-based AI for detection and quantification of atrial septal defect | |
| CN113052227A (zh) | 一种基于SE-ResNet的肺结核识别方法 | |
| CN116934683A (zh) | 人工智能辅助超声诊断脾创伤的方法 |