CN108846840B - 肺部超声图像分析方法、装置、电子设备及可读存储介质 - Google Patents
肺部超声图像分析方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN108846840B CN108846840B CN201810673907.2A CN201810673907A CN108846840B CN 108846840 B CN108846840 B CN 108846840B CN 201810673907 A CN201810673907 A CN 201810673907A CN 108846840 B CN108846840 B CN 108846840B
- Authority
- CN
- China
- Prior art keywords
- lung
- network model
- convolution network
- ultrasonic images
- ultrasound
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 250
- 238000003703 image analysis method Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 208000004852 Lung Injury Diseases 0.000 claims abstract description 23
- 206010069363 Traumatic lung injury Diseases 0.000 claims abstract description 23
- 231100000515 lung injury Toxicity 0.000 claims abstract description 23
- 238000002604 ultrasonography Methods 0.000 claims description 136
- 238000012549 training Methods 0.000 claims description 50
- 238000012360 testing method Methods 0.000 claims description 25
- 201000003144 pneumothorax Diseases 0.000 claims description 15
- 239000007788 liquid Substances 0.000 claims description 10
- 230000002685 pulmonary effect Effects 0.000 claims description 10
- 208000002151 Pleural effusion Diseases 0.000 claims description 8
- 238000010191 image analysis Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 241000083513 Punctum Species 0.000 claims 2
- 208000027418 Wounds and injury Diseases 0.000 claims 2
- 230000006378 damage Effects 0.000 claims 2
- 208000014674 injury Diseases 0.000 claims 2
- 238000002372 labelling Methods 0.000 claims 2
- 239000007787 solid Substances 0.000 claims 2
- 230000036541 health Effects 0.000 abstract description 6
- 208000024891 symptom Diseases 0.000 abstract description 3
- 230000003862 health status Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 239000000523 sample Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000003550 marker Substances 0.000 description 4
- 206010003598 Atelectasis Diseases 0.000 description 3
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 210000000779 thoracic wall Anatomy 0.000 description 3
- 206010010071 Coma Diseases 0.000 description 2
- 206010025080 Lung consolidation Diseases 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000007596 consolidation process Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000022553 Parenchymal lung disease Diseases 0.000 description 1
- 206010037423 Pulmonary oedema Diseases 0.000 description 1
- 206010069351 acute lung injury Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000004856 capillary permeability Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002489 hematologic effect Effects 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 210000004224 pleura Anatomy 0.000 description 1
- 210000003281 pleural cavity Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 208000005333 pulmonary edema Diseases 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明实施例提供一种肺部超声图像分析方法、装置、电子设备及可读存储介质，该方法通过获取肺超声图像，然后对所述肺超声图像基于肺超声征象进行标记，然后将标记好的肺超声图像输入至预先训练好的密集卷积网络模型中，利用所述密集卷积网络模型对所述肺超声图像进行分析，获得表征所述肺超声图像对应的肺损伤程度的分析结果，通过预先训练好的密集卷积网络模型来对获取的肺超声图像进行分析，自动获得的分析结果可以反映获取的肺超声图像对应的肺损伤程度，由此，可根据分析结果来表征肺部健康状况的目的，进而缓解了现有技术中无法对超声图像进行分析处理，从而基于分析结果来对患者的健康状态进行研究的技术问题。
Description
技术领域
本发明涉及数据处理领域，具体而言，涉及一种肺部超声图像分析方法、装置、电子设备及可读存储介质。
背景技术
临床科室应用超声技术技能日益成为临床医生关心的基本技能，在众多临床科室，特别是在围手术期相关科室及急危重症相关科室，超声检查已经逐步成为临床医生的常规技能。肺部超声检查是急危重症的超声检查的核心。有别于其他传统超声检查，肺部超声成像大多数情况下反映的不是肺部组织的直接影像，而是一系列伪像。这些伪像是根据肺部超声图像的显示特点来定义的。
但是超声检查也有不足之处。超声检查结果很大程度上受到操作医师水平的影响。目前常规的超声检查探头单次扫描的成像范围有限。完成一个靶器官的检查，需要操作者从不同部位、角度等进行多次扫描，这使得超声检查结果受到很大影响。
针对上述问题，还未提出有效的解决方案。
发明内容
有鉴于此，本发明实施例的目的在于提供一种肺部超声图像分析方法、装置、电子设备及可读存储介质，以改善上述问题。
第一方面，本发明实施例提供了一种肺部超声图像分析方法，所述方法包括：
获取肺超声图像；
对所述肺超声图像基于肺超声征象进行标记；
将标记好的肺超声图像输入至预先训练好的密集卷积网络模型中，利用所述密集卷积网络模型对所述肺超声图像进行分析，获得表征所述肺超声图像对应的肺损伤程度的分析结果。
进一步地，所述获取肺超声图像之前，所述方法还包括：
对预先建立的密集卷积网络模型按照肺超声图像的标记不同进行训练，获得训练后的密集卷积网络模型。
进一步地，对预先建立的密集卷积网络模型按照肺超声图像的标记不同进行训练，获得训练后的密集卷积网络模型，包括：
获取多张肺超声图像；
对所述多张肺超声图像基于不同的肺超声征象进行不同标记；
将标记好的多张肺超声图像输入至预先建立的密集卷积网络模型进行训练，获得训练后的密集卷积网络模型。
进一步地，将标记好的多张肺超声图像输入至预先建立的密集卷积网络模型进行训练，以获得训练后的密集卷积网络模型，包括：
将标记好的多张肺超声图像输入至预先建立的密集卷积网络模型进行训练，获得训练后的初始密集卷积网络模型；
获取多张测试肺超声图像，输入至所述初始密集卷积网络模型中，获得输出的测试结果，所述测试结果用于表征所述肺超声图像对应的肺损伤程度；
将所述测试结果与预设的预期结果进行比对，若比对不一致时，则继续将所述标记好的多张肺超声图像输入至所述初始密集卷积网络模型中进行训练，获得训练后的所述密集卷积网络模型。
第二方面，本发明实施例提供了一种肺部超声图像分析装置，所述装置包括：
图像获取模块，用于获取肺超声图像；
标记模块，用于对所述肺超声图像基于肺超声征象进行标记；
分析模块，用于将标记好的肺超声图像输入至预先训练好的密集卷积网络模型中，利用所述密集卷积网络模型对所述肺超声图像进行分析，获得表征所述肺超声图像对应的肺损伤程度的分析结果。
进一步地，所述装置还包括：
训练模块，用于对预先建立的密集卷积网络模型按照肺超声图像的标记不同进行训练，获得训练后的密集卷积网络模型。
进一步地，所述训练模块，包括：
图像获取单元，用于获取多张肺超声图像；
标记单元，用于对所述多张肺超声图像基于不同的肺超声征象进行不同标记；
训练单元，用于将标记好的多张肺超声图像输入至预先建立的密集卷积网络模型进行训练，获得训练后的密集卷积网络模型。
进一步地，所述训练单元，用于将标记好的多张肺超声图像输入至预先建立的密集卷积网络模型进行训练，获得训练后的初始密集卷积网络模型；获取多张测试肺超声图像，输入至所述初始密集卷积网络模型中，获得输出的测试结果，所述测试结果用于表征所述肺超声图像对应的肺损伤程度；将所述测试结果与预设的预期结果进行比对，若比对不一致时，则继续将所述标记好的多张肺超声图像输入至所述初始密集卷积网络模型中进行训练，获得训练后的所述密集卷积网络模型。
第三方面，本发明实施例提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
第四方面，本发明实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
本发明实施例的有益效果是：
本发明实施例提供一种肺部超声图像分析方法、装置、电子设备及可读存储介质，该方法通过获取肺超声图像，然后对所述肺超声图像基于肺超声征象进行标记，然后将标记好的肺超声图像输入至预先训练好的密集卷积网络模型中，利用所述密集卷积网络模型对所述肺超声图像进行分析，获得表征所述肺超声图像对应的肺损伤程度的分析结果，通过预先训练好的密集卷积网络模型来对获取的肺超声图像进行自动分析，获得的分析结果可以反映获取的肺超声图像对应的肺损伤程度，由此，可根据分析结果来表征肺部健康状况的目的，进而减少不同医生对超声图像解读的主观差异性，缓解了现有技术中无法对超声图像进行分析处理，从而基于分析结果来对患者的健康状态进行研究的技术问题。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了一种可应用于本申请实施例中的电子设备的结构框图；
图2为本发明实施例提供的一种肺部超声图像分析方法的流程图；
图3为本发明实施例提供的一种肺部分区示意图；
图4为本发明实施例提供的一种超声探头的结构示意图；
图5为本发明实施例提供的一种肺部超声图像分析装置的结构框图；
图6为本发明实施例提供的另一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例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例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例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
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。同时，在本发明的描述中，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。
请参照图1，图1示出了一种可应用于本申请实施例中的电子设备100的结构框图。电子设备100可以包括肺部超声图像分析装置、存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、音频单元106、显示单元107。
所述存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、音频单元106、显示单元107各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述肺部超声图像分析装置包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中或固化在所述肺部超声图像分析装置的操作系统(operating system，OS)中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块，例如所述肺部超声图像分析装置包括的软件功能模块或计算机程序。
其中，存储器101可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器101用于存储程序，所述处理器103在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器103中，或者由处理器103实现。
处理器103可以是一种集成电路芯片，具有信号的处理能力。上述的处理器103可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器103也可以是任何常规的处理器等。
所述外设接口104将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中，外设接口104，处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
输入输出单元105用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元105可以是，但不限于，鼠标和键盘等。
音频单元106向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元107在所述电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元107可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器103进行计算和处理。
所述外设接口104将各种输入/输入装置耦合至处理器103以及存储器101。在一些实施例中，外设接口104，处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
输入输出单元105用于提供给用户输入数据实现用户与处理终端的交互。所述输入输出单元105可以是，但不限于，鼠标和键盘等。
可以理解，图1所示的结构仅为示意，所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参照图2，图2为本发明实施例提供的一种肺部超声图像分析方法的流程图，所述方法包括如下步骤：
步骤S110：获取肺超声图像。
目前，对肺部的检查一般是将肺部分成12区，以分区的形式获得肺部超声图像，也就是获取的肺超声图像包括有12区的肺超声图像，其中，12区是指患者的左右前胸壁、侧胸壁及后胸壁的上、下共12个肺区，若采用1-6数字进行编号，可参照如图3所示的分区示意图。
肺超声图像的获得主要是通过超声探头进行超声图像采集的，可采用如图4所示的超声探头来采集肺超声图像，该超声探头包括探头本体及手柄，所述手柄上对应设置有用于触发采集12区肺超声图像的按钮，并且，肺分为左肺和右肺，其中，左肺和右肺分别划分为6区，手柄上可设置有对应左肺右肺的按钮，如“左”、“右”按钮，在手柄上设置有6个按钮，其按钮采用1-6数字进行编号，如若要采集左肺的肺超声图像时，可以按下手柄上的按钮“左”，然后再依次按下按钮1-6，从而采集左肺6个区的肺超声图像，若要采集右肺的肺超声图像，则再按下手柄上的按钮“右”，然后再依次按下按钮1-6，从而采集右肺6个区的肺超声图像，以此采集完整个肺部的12区的肺超声图像。
超声探头在分区采集后的肺超声图像可以通过无线方式发送至终端设备，由于超声探头是按区采集的肺超声图像，所以，终端设备获取到的肺超声图像是分区的，也就是每个区的肺超声图像设置有该区的标识，例如，对于1区的肺超声图像标识为1，对于2区的肺超声图像标识为2，由此可对肺超声图像进行分区辨识。
步骤S120：对所述肺超声图像基于肺超声征象进行标记。
肺超声征象是指用于表征肺特异性的特征，例如，常见的肺超声征象有：蝙蝠征、肺滑移征、沙滩征、平流层征、彗星尾征、肺点征、实性组织征、液性暗区等等。
对上述获取到的肺超声图像进行分析，从所述肺超声图像中获得肺超声征象，然后基于肺超声征象进行标记。本实施例中，为了描述的简洁，以肺超声征象以下面几种进行说明，如肺超声征象包括：正常征象、B线(也称彗尾征)、肺实变三种征象，肺超声征象可以用于表征肺部的病变程度。
对肺超声图像的获取主要起自胸膜线，因此肺部检查要首先找到胸膜线，蝙蝠征的发现有助于对胸膜线的确认，超声探头垂直于人体肋骨方向扫查，位于2根肋骨阴影之间的高回声亮线，是两层胸膜在超声影像中的表现。另外，从胸膜线开始可以观察到与胸膜线平行、重复的数条高回声线，即A线，其间距等于皮肤到胸膜线的距离，A线可见于正常肺组织或气胸。
正常肺组织由于充满气体，声波完全散射，超声下只能看到胸膜线和A线，当肺实质疾病(如肺水肿、肺炎或急性肺损伤)引发静水压增高或毛细血管通透性增加导致小叶隔增宽时，可使声波传播而形成伪像，即B线，也称为彗尾征。B线是从胸膜线垂直发出的窄条、激光束样的高回声条，无衰减的直达屏幕边缘，随呼吸而运动并可抹掉A线。此外，正常肺组织在同一视野内也可看见0-3条B线。其中，需要注意B线和Z线的鉴别，Z线在正常人中经常出现，Z线也是彗尾样伪影，但与B线不同的是其到达屏幕边缘前有衰减，回声比胸膜线低，且不能掩盖A线。
肺炎或肺不张导致肺实变征象时，肺泡内填有液体或细胞碎片甚至肺泡塌陷，由于胸膜下气体减少，声波得到有效传播，使得肺成像。大片肺实变时，实变组织呈现类似肝实质样软组织回声，即“肝样变”，小片肺实变表现为不规则的碎片状强回声，即“碎片征”。
液体可以无衰减地传播声波，因此超声可以清晰地看到胸腔中的液性暗区，即胸腔积液。此外，医师还可以根据液体的回声性质、液性暗区大小对胸腔积液进行定性和定量，并进行标记(如：血性胸腔积液100ml)。
超声下肺滑移征消失，肺搏动消失，B线消失可高度怀疑气胸的存在。气胸时空气在胸膜腔聚集，空气完全反射超声而形成气体的伪影，所有正常起源于胸膜线的超声征象消失，因此超声检查中如果有B线、白肺或者肺实变时可排除气胸的可能。气胸的另一个特异性表现为“肺点”，肺点是诊断气胸的确认性征象，随呼吸运动，在气胸与正常肺组织交界处探查：在M型超声模式下可见，吸气时肺滑行表现以及呼气时的气胸表现。根据肺点进行轮廓描记法还可以半定量地诊断气胸的范围和程度。另外，超声扫查到肺点有利于对患者使用超声引导置管。
所以，可以通过对上述A线、B线、胸膜线、液性暗区、肺滑移征、肺点等的辨识，从而可以对肺超声图像针对不同的肺超声征象进行标记。例如，将肺超声征象为正常的标记为0，出现轻度渗出、B线增多(B1)的标记为1，出现弥漫融合B线增多(B2)的标记为2，肺不张或实变的标记为3；出现液性暗区标记为性质和体积(如血性100ml)；B线消失、肺滑移征消失、肺搏动消失、肺点出现标记为气胸。
所以，可以针对上述的12区肺超声图像基于不同的肺超声征象分别进行标记。
步骤S130：将标记好的肺超声图像输入至预先训练好的密集卷积网络模型中，利用所述密集卷积网络模型对所述肺超声图像进行分析，获得表征所述肺超声图像对应的肺损伤程度的分析结果。
密集卷积网络模型是将网络中的所有层两两都进行了连接，使得网络中每一层都接受它前面所有层的特征作为输入。由于网络中存在着大量密集的连接，所以，将这种网络结构称为DenseNet，即密集卷积网络。该密集卷积网络可以一定程度上减轻在训练过程中梯度消散的问题，因为在反传时每一层都会接受其后所有层的梯度信号，所以不会随着网络深度的增加，靠近输入层的梯度会变得越来越小。
在密集卷积网络模型中，包括数据输入层、卷积计算层、激励层、池化层以及全连接层，其中，数据输入层用于将输入的原始图像进行预处理，包括去均值、归一化及PCA/白化。卷积计算层用于进行卷积计算，在卷积层中每个神经元连接数据窗的权重是固定的，每个神经元只关注一个特性，神经元就是图像处理中的滤波器，比如边缘检测专用的Sobel滤波器，即卷积层的每个滤波器都会有自己所关注的一个图像特征，比如垂直边缘、水平边缘、颜色、纹理等等，这些所有神经元加起来就好比就是整张图像的特征提取器集合。激励层是把卷积层和数据输入层的输出结果作为输入，做非线性映射。池化层夹在连续的卷积层中间，用于压缩数据和参数的量，减小过拟合，例如压缩图像。全连接层是指两层之间所有神经元都有权重连接，通常全连接层在密集卷积网络尾部。
为了对肺超声图像进行准确的分析，获得准确的分析结果，在上述步骤S110之前，该方法还包括：对密集卷积网络模型按照肺超声图像的标记不同进行训练，获得训练后的密集卷积网络模型。
具体地，首先获取多张肺超声图像，例如对于每种征象或评分的肺超声图像均获取上千张，然后由超声专家进行一一解读标记和评分，再将标记好的多张肺超声图像输入至预先建立的密集卷积网络模型进行训练，获得训练后的密集卷积网络模型。
也就是，在训练密集卷积网络模型时，将标记好的肺超声图像作为输入，并且对每张肺超声图像基于肺超声征象进行评分来作为密集卷积网络模型的输出，以对密集卷积网络模型进行训练，其中，其评分的规则为：正常肺超声征象0分，轻度渗出、B线增多1分，弥漫融合B线增多2分，肺不张或实变3分；得到每个区的评分以及胸腔积液和气胸情况。最后肺超声图像的评分结果为12区肺超声图像的评分结果之和、胸腔积液性质和体积、气胸范围，并将该评分结果、胸腔积液性质和体积、气胸范围作为肺损伤程度的分析结果。
其中，训练过程中，可以使用split dropout、batch normalization等算法来使得训练的过程更快、解决过拟合等问题，使实验结果更好。
另外，作为一种实施方式，为了实现对密集网络模型的训练，使得输出结果更加准确，还可将标记好的多张肺超声图像输入至预先建立的密集卷积网络模型进行训练，获得训练后的初始密集卷积网络模型，再获取多张测试肺超声图像，输入至所述初始密集卷积网络模型中，获得输出的测试结果，所述测试结果用于表征所述肺超声图像对应的肺损伤程度，然后将所述测试结果与预设的预期结果进行比对，若比对不一致时，则继续将所述标记好的多张肺超声图像输入至所述初始密集卷积网络模型中进行训练，获得训练后的所述密集卷积网络模型。
最开始训练得出的初始密集网络模型很可能因为训练样本数据不多，导致训练结果不理想，而使得最后的训练结果不理想。为了实现输出结果的准确性，在所述测试结果与预期结果不一致时，获取测试结果与预期结果之间的差值超出预设范围时，则继续将所述获取的多张测试肺超声图像输入至初始密集网络模型进行训练，最后获得训练后的所述密集卷积网络模型。其中，预设范围可以自行定义，表示预期结果与测试结果之间的误差范围，若所述测试结果与所述预期结果之间的差值超出预设范围，则表示训练获得的初始密集网络模型不理想，则还需对初始密集网络模型继续进行训练，最后获得的初始密集网络模型输出的测试结果与预期结果一致，或者预期结果与测试结果的差值处于上述的预设范围内，表示初始密集网络模型输出的结果与实际预期结果的误差不大，输出结果较为接近，密集网络模型的预测结果较为准确。
所以，在对密集网络模型进行训练好后，即可进行肺超声图像分析了，在获得训练后的密集网络模型后，则将步骤S120中标记后的肺超声图像输入至该密集网络模型中，密集网络模型对所述肺超声图像进行分析，获得表征所述肺超声图像对应的肺损伤程度的分析结果，即上述的评分结果。
最后得出的分析结果可用于帮助医生对患者的肺损伤程度进行初步判断，并且分析结果可用于对患者的肺进行初步检查的结果，并减少不同医生对超声图像解读的主观差异性，有助于医生对患者后续的针对性治疗，医生可根据分析结果对患者的健康状态进行监测的目的，进而缓解了现有技术中无法对超声图像进行分析处理，从而基于分析结果来对患者的健康状态进行研究的技术问题。
请参照图5，图5为本发明实施例提供的一种肺部超声图像分析装置200的结构框图，所述装置包括：
图像获取模块210，用于获取肺超声图像；
标记模块220，用于对所述肺超声图像基于肺超声征象进行标记；
分析模块230，用于将标记好的肺超声图像输入至预先训练好的密集卷积网络模型中，利用所述密集卷积网络模型对所述肺超声图像进行分析，获得表征所述肺超声图像对应的肺损伤程度的分析结果。
进一步地，所述装置还包括：
训练模块，用于对预先建立的密集卷积网络模型按照肺超声图像的标记不同进行训练，获得训练后的密集卷积网络模型。
进一步地，所述训练模块，包括：
图像获取单元，用于获取多张肺超声图像；
标记单元，用于对所述多张肺超声图像基于不同的肺超声征象进行不同标记；
训练单元，用于将标记好的多张肺超声图像输入至预先建立的密集卷积网络模型进行训练，获得训练后的密集卷积网络模型。
进一步地，所述训练单元，用于将标记好的多张肺超声图像输入至预先建立的密集卷积网络模型进行训练，获得训练后的初始密集卷积网络模型；获取多张测试肺超声图像，输入至所述初始密集卷积网络模型中，获得输出的测试结果，所述测试结果用于表征所述肺超声图像对应的肺损伤程度；将所述测试结果与预设的预期结果进行比对，若比对不一致时，则继续将所述标记好的多张肺超声图像输入至所述初始密集卷积网络模型中进行训练，获得训练后的所述密集卷积网络模型。
请参照图6，图6为本发明实施例提供的另一种电子设备的结构示意图，该电子设备可以包括：至少一个处理器410，例如CPU，至少一个通信接口420，至少一个存储器430和至少一个通信总线440。其中，通信总线440用于实现这些组件直接的连接通信。其中，本发明实施例中设备的通信接口420用于与其他节点设备进行信令或数据的通信。存储器430可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器430可选的还可以是至少一个位于远离前述处理器的存储装置。存储器430中存储有计算机可读取指令，且处理器410执行存储器430中有计算机可读取指令时运行上述的肺部超声图像分析方法中的步骤。
本发明实施例还提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述的肺部超声图像分析方法中的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
综上所述，本发明实施例提供一种肺部超声图像分析方法、装置、电子设备及可读存储介质，该方法通过获取肺超声图像，然后对所述肺超声图像基于肺超声征象进行标记，然后将标记好的肺超声图像输入至预先训练好的密集卷积网络模型中，利用所述密集卷积网络模型对所述肺超声图像进行分析，获得表征所述肺超声图像对应的肺损伤程度的分析结果，通过预先训练好的密集卷积网络模型来对获取的肺超声图像进行分析，获得的分析结果可以反映获取的肺超声图像对应的肺损伤程度，由此，可根据分析结果来表征肺部健康状况的目的，进而缓解了现有技术中无法对超声图像进行分析处理，从而基于分析结果来对患者的健康状态进行研究的技术问题。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (4)
1.一种肺部超声图像分析方法，其特征在于，所述方法包括：
对预先建立的密集卷积网络模型按照肺超声图像的标记不同进行训练，获得训练后的密集卷积网络模型，包括：获取多张肺超声图像；对所述多张肺超声图像基于不同的肺超声征象进行不同标记；将标记好的多张肺超声图像输入至预先建立的密集卷积网络模型进行训练，获得训练后的密集卷积网络模型；
其中，所述将标记好的多张肺超声图像输入至预先建立的密集卷积网络模型进行训练，获得训练后的初始密集卷积网络模型，包括：获取多张测试肺超声图像，输入至所述初始密集卷积网络模型中，获得输出的测试结果，所述测试结果用于表征所述肺超声图像对应的肺损伤程度；将所述测试结果与预设的预期结果进行比对，若比对不一致时，则继续将所述标记好的多张肺超声图像输入至所述初始密集卷积网络模型中进行训练，获得训练后的所述密集卷积网络模型；
获取12区的肺超声图像；
对所述肺超声图像基于肺超声征象进行标记，所述肺超声征象用于表征肺特异性的特征，所述肺超声征象包括蝙蝠征、肺滑移征、沙滩征、平流层征、彗星尾征、肺点征、实性组织征和液性暗区；对肺超声图像的肺超声征象的标记通过对A线、B线、胸膜线、液性暗区、肺滑移征和肺点进行辨识确定；
将标记好的肺超声图像输入至预先训练好的密集卷积网络模型中，利用所述密集卷积网络模型对所述肺超声图像进行分析，获得表征所述肺超声图像对应的肺损伤程度的分析结果，以根据12区的肺超声图像的分析结果确定肺的损伤程度，肺损伤程度的分析结果包括12区肺超声图像的评分结果之和、胸腔积液性质和体积、气胸范围。
2.一种肺部超声图像分析装置，其特征在于，所述装置包括：
训练模块，用于对预先建立的密集卷积网络模型按照肺超声图像的标记不同进行训练，获得训练后的密集卷积网络模型；
所述训练模块，包括：图像获取单元，用于获取多张肺超声图像；标记单元，用于对所述多张肺超声图像基于不同的肺超声征象进行不同标记；训练单元，用于将标记好的多张肺超声图像输入至预先建立的密集卷积网络模型进行训练，获得训练后的密集卷积网络模型；
所述训练单元，用于将标记好的多张肺超声图像输入至预先建立的密集卷积网络模型进行训练，获得训练后的初始密集卷积网络模型；获取多张测试肺超声图像，输入至所述初始密集卷积网络模型中，获得输出的测试结果，所述测试结果用于表征所述肺超声图像对应的肺损伤程度；将所述测试结果与预设的预期结果进行比对，若比对不一致时，则继续将所述标记好的多张肺超声图像输入至所述初始密集卷积网络模型中进行训练，获得训练后的所述密集卷积网络模型；
图像获取模块，用于获取12区的肺超声图像；
标记模块，用于对所述肺超声图像基于肺超声征象进行标记，所述肺超声征象用于表征肺特异性的特征，所述肺超声征象包括蝙蝠征、肺滑移征、沙滩征、平流层征、彗星尾征、肺点征、实性组织征和液性暗区；对肺超声图像的肺超声征象的标记通过对A线、B线、胸膜线、液性暗区、肺滑移征和肺点进行辨识确定；
分析模块，用于将标记好的肺超声图像输入至预先训练好的密集卷积网络模型中，利用所述密集卷积网络模型对所述肺超声图像进行分析，获得表征所述肺超声图像对应的肺损伤程度的分析结果，以根据12区的肺超声图像的分析结果确定肺的损伤程度，肺损伤程度的分析结果包括12区肺超声图像的评分结果之和、胸腔积液性质和体积、气胸范围。
3.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1所述方法中的步骤。
4.一种可读存储介质，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运行如权利要求1中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810673907.2A CN108846840B (zh) | 2018-06-26 | 2018-06-26 | 肺部超声图像分析方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810673907.2A CN108846840B (zh) | 2018-06-26 | 2018-06-26 | 肺部超声图像分析方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108846840A CN108846840A (zh) | 2018-11-20 |
| CN108846840B true CN108846840B (zh) | 2021-11-09 |
Family
ID=64203743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810673907.2A Active CN108846840B (zh) | 2018-06-26 | 2018-06-26 | 肺部超声图像分析方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108846840B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023215190A1 (en) * | 2022-05-02 | 2023-11-09 | Fujifilm Sonosite, Inc. | Automated detection of lung slide to aid in diagnosis of pneumothorax |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109658399A (zh) * | 2018-12-13 | 2019-04-19 | 深圳先进技术研究院 | 一种头颈斑块图像识别方法及装置 |
| CN109712119B (zh) * | 2018-12-13 | 2020-07-03 | 深圳先进技术研究院 | 一种磁共振成像及斑块识别方法和装置 |
| CN109859210B (zh) * | 2018-12-25 | 2021-08-06 | 上海联影智能医疗科技有限公司 | 一种医学数据处理装置及方法 |
| CN109589142A (zh) * | 2019-01-07 | 2019-04-09 | 北京市朝阳区妇幼保健院 | 一种对新生儿肺不张的超声诊断控制系统及方法 |
| WO2021087687A1 (zh) * | 2019-11-04 | 2021-05-14 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像分析方法、超声成像系统和计算机存储介质 |
| CN111260641A (zh) * | 2020-01-21 | 2020-06-09 | 珠海威泓医疗科技有限公司 | 一种基于人工智能的掌上超声成像系统及其方法 |
| CN111696085B (zh) * | 2020-05-26 | 2023-08-25 | 中国人民解放军陆军特色医学中心 | 一种肺冲击伤伤情现场快速超声评估方法及设备 |
| CN111643118B (zh) * | 2020-06-10 | 2020-11-06 | 北京核信锐视安全技术有限公司 | 基于超声成像的新冠肺炎风险提示装置、系统 |
| CN111887849B (zh) * | 2020-06-22 | 2022-08-05 | 广州医科大学附属第一医院（广州呼吸中心） | 基于肺图像的曲线处理装置、电子设备和存储介质 |
| CN111803123B (zh) * | 2020-07-14 | 2022-11-15 | 北京市朝阳区妇幼保健院 | 肺部超声检测中肺水含量定量的评价系统 |
| CN112951412A (zh) * | 2021-03-11 | 2021-06-11 | 深圳大学 | 一种辅助诊断方法及其应用 |
| CN113658175B (zh) * | 2021-09-02 | 2023-08-18 | 数坤(北京)网络科技股份有限公司 | 一种征象数据的确定方法及装置 |
| CN113763353A (zh) * | 2021-09-06 | 2021-12-07 | 杭州类脑科技有限公司 | 一种肺部超声图像检测系统 |
| CN114529759B (zh) * | 2022-01-25 | 2023-01-17 | 北京医准智能科技有限公司 | 一种甲状腺结节的分类方法、装置及计算机可读介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001026026A2 (en) * | 1999-10-04 | 2001-04-12 | University Of Florida | Local diagnostic and remote learning neural networks for medical diagnosis |
| CN105636519A (zh) * | 2013-09-06 | 2016-06-01 | 柯惠有限合伙公司 | 用于利用超声进行肺部可视化的系统和方法 |
| CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
| CN107818821A (zh) * | 2016-09-09 | 2018-03-20 | 西门子保健有限责任公司 | 在医学成像中的基于机器学习的组织定征 |
| CN108038875A (zh) * | 2017-12-07 | 2018-05-15 | 浙江大学 | 一种肺部超声图像识别方法和装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11020095B2 (en) * | 2015-01-14 | 2021-06-01 | Echosense Jersey Limited | Data compression to facilitate remote medical analysis and diagnosis |
| US9792531B2 (en) * | 2015-09-16 | 2017-10-17 | Siemens Healthcare Gmbh | Intelligent multi-scale medical image landmark detection |
| TWI765895B (zh) * | 2016-06-20 | 2022-06-01 | 美商蝴蝶網路公司 | 用於協助使用者操作超音波裝置的自動化影像獲取之系統和方法 |
-
2018
- 2018-06-26 CN CN201810673907.2A patent/CN108846840B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001026026A2 (en) * | 1999-10-04 | 2001-04-12 | University Of Florida | Local diagnostic and remote learning neural networks for medical diagnosis |
| CN105636519A (zh) * | 2013-09-06 | 2016-06-01 | 柯惠有限合伙公司 | 用于利用超声进行肺部可视化的系统和方法 |
| CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
| CN107818821A (zh) * | 2016-09-09 | 2018-03-20 | 西门子保健有限责任公司 | 在医学成像中的基于机器学习的组织定征 |
| CN108038875A (zh) * | 2017-12-07 | 2018-05-15 | 浙江大学 | 一种肺部超声图像识别方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| End-to-end breast ultrasound lesions recognition with a deep learning approach;Moi Hoon Yap 等;《Medical Imaging 2018: Biomedical Applications in Molecular, Structural,and Functional Imaging》;20180312;第1057819-1-1057819-8页第3节、图1-2 * |
| Multi-Scale DenseNet-Based Electricity Theft Detection;Bo Li 等;《arXiv:1805.09591v1》;20180524;第1-12页 * |
| 超声在肺部疾病诊断中的应用;樊伟 等;《中华临床医师杂志》;20161031;第10卷(第19期);第2954-2957页 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023215190A1 (en) * | 2022-05-02 | 2023-11-09 | Fujifilm Sonosite, Inc. | Automated detection of lung slide to aid in diagnosis of pneumothorax |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108846840A (zh) | 2018-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108846840B (zh) | 肺部超声图像分析方法、装置、电子设备及可读存储介质 | |
| CN109788939B (zh) | 用于通过自动检测b线和对超声扫描的图像进行评分来增强代表性超声图像的可视化和选择的方法和系统 | |
| JP6265909B2 (ja) | 名前による自動血管識別 | |
| US20190105013A1 (en) | Ultrasound system and method for detecting lung sliding | |
| EP1913874B1 (en) | Ultrasound diagnostic apparatus and method for measuring a size of a target object | |
| WO2010052929A1 (en) | Image processing apparatus, image processing method, program, and program recording medium | |
| JP7266523B2 (ja) | 出産前超音波イメージング | |
| CN108038875B (zh) | 一种肺部超声图像识别方法和装置 | |
| RU2677191C2 (ru) | Установление границ блокирования ребром в анатомически интеллектуальной эхокардиографии | |
| CN111275755B (zh) | 基于人工智能的二尖瓣瓣口面积检测方法、系统和设备 | |
| JP6648587B2 (ja) | 超音波診断装置 | |
| JP7550178B2 (ja) | 医療処置中のガイダンスの提供 | |
| Torres et al. | Delineation of human carotid plaque features in vivo by exploiting displacement variance | |
| US11532084B2 (en) | Gating machine learning predictions on medical ultrasound images via risk and uncertainty quantification | |
| CN113040823A (zh) | 一种超声成像设备及超声图像的分析方法 | |
| CN114375179B (zh) | 超声图像分析方法、超声成像系统和计算机存储介质 | |
| CN112750099A (zh) | 卵泡测量方法、超声设备以及计算机可读存储介质 | |
| EP4149363A1 (en) | Automatic evaluation of ultrasound protocol trees | |
| Leote et al. | Influence of ultrasound settings on laboratory vertical artifacts | |
| WO2021003711A1 (zh) | 超声成像设备及检测b线的方法、装置、存储介质 | |
| EP4268729A1 (en) | Method for the automated assessment of lung ultrasound scans and ultrasound machine which implements said method | |
| CN110097502B (zh) | 眼底无灌注区的测量方法及装置及图像处理方法 | |
| Mihăilescu et al. | Automatic evaluation of steatosis by ultrasound image analysis | |
| CN114652353A (zh) | 超声成像系统以及颈动脉斑块稳定性评估方法 | |
| JP6286926B2 (ja) | 超音波診断装置、画像処理方法、およびプログラム |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220113 Address after: 310000 Yuhang Tang Road, Xihu District, Hangzhou, Zhejiang 866 Patentee after: ZHEJIANG University Address before: No.88 Jiefang Road, Shangcheng District, Hangzhou, Zhejiang 310000 Patentee before: Zhang Mao Patentee before: Wu chunshuang |
|
| TR01 | Transfer of patent right |