CN109829889A - 一种超声图像处理方法及其系统、设备、存储介质 - Google Patents
一种超声图像处理方法及其系统、设备、存储介质 Download PDFInfo
- Publication number
- CN109829889A CN109829889A CN201811612467.6A CN201811612467A CN109829889A CN 109829889 A CN109829889 A CN 109829889A CN 201811612467 A CN201811612467 A CN 201811612467A CN 109829889 A CN109829889 A CN 109829889A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- convolutional neural
- tissue
- abnormal
- 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
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 56
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 70
- 230000005856 abnormality Effects 0.000 claims abstract description 56
- 238000007635 classification algorithm Methods 0.000 claims abstract description 46
- 238000010801 machine learning Methods 0.000 claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims description 110
- 238000004422 calculation algorithm Methods 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 230000010354 integration Effects 0.000 claims description 10
- 210000000481 breast Anatomy 0.000 abstract description 18
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000011179 visual inspection Methods 0.000 abstract 1
- 210000001519 tissue Anatomy 0.000 description 66
- 238000012549 training Methods 0.000 description 7
- 230000003211 malignant effect Effects 0.000 description 5
- 238000002372 labelling Methods 0.000 description 4
- 210000005075 mammary gland Anatomy 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 210000001685 thyroid gland Anatomy 0.000 description 3
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种超声图像处理方法及其系统、设备、存储介质，本发明通过从受测机体组织的超声视频中获取多张超声图像，再根据第一机器学习分类算法对超声图像进行图像分类，利用第二机器学习分类算法对组织异常图像再获取异常类别，最后利用第三机器学习分类算法对组织异常图像进行异常区域定位；克服现有技术中存在依靠医生进行肉眼检查无法满足乳腺检查的需求，检查准确率和效率低下的技术问题，实现对受测机体组织的超声图像的自动处理，提高处理效率和准确率，有效辅助医生进行机体组织检查，可以缓解医生空缺，提高检测效率和准确率。
Description
技术领域
本发明涉及超声领域，尤其是一种超声图像处理方法及其系统、设备、存储介质。
背景技术
据美国癌症协会(ACS)发布的数据，乳腺癌是女性第一大发病癌症，比例占30％。世界卫生组织(WHO)明确指出：早期发现是提高癌症治疗率的关键，由于早期筛查在美国的开展，早期乳腺癌的5年生存率已达到70％～90％。而超声检查是适合中国女性乳房特质的检测方法，现有检测方式是依靠医生进行乳腺超声检查，但是利用肉眼阅片的准确率仅60-70％，每次的阅片时间约10分钟，阅片效率低下；此外，传统肉眼阅片由于受医生经验和工作状态等因素影响，检查结果的一致性较差；而且传统阅片受医生数量及每日工作时间限制较高，难以满足乳腺检查的需求。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的是提供一种超声图像处理方法及其系统、设备、存储介质，用于提高对超声图像的处理效率，进而提高对受测机体组织的检查效率，以满足机体组织的检查需求，本发明可适用于乳腺和甲状腺等的检查需求。
本发明所采用的技术方案是：
第一方面，本发明提供一种超声图像处理方法，包括：
超声图像获取步骤：根据受测机体组织的超声视频获取多张超声图像；
图像分类步骤：根据所述超声图像和第一机器学习分类算法获取所述超声图像的图像类别，所述图像类别包括组织正常图像和组织异常图像；
异常分类步骤：根据所述组织异常图像和第二机器学习分类算法获取组织异常图像的异常类别，所述异常类别包括第一组织异常图像和第二组织异常图像；
异常定位步骤：根据经过异常分类的所述组织异常图像和第三机器学习分类算法获取所述组织异常图像的异常区域。
进一步地，所述超声图像处理方法还包括：
图像整合步骤：根据经过所述图像分类步骤、所述异常分类步骤和所述异常定位步骤处理后的多张超声图像整合成处理反馈视频进行输出。
进一步地，所述图像分类步骤之前还包括：
图像归一化处理步骤：将所述超声图像的格式进行归一化处理。
进一步地，所述第一机器学习分类算法和/或所述第二机器学习分类算法和/或所述第三机器学习分类算法包括VGG16卷积神经网络算法、VGG19卷积神经网络算法、MSRANet卷积神经网络算法、ResNet卷积神经网络算法、Inception ResNet卷积神经网络算法、Inception v1卷积神经网络算法、Inception v2卷积神经网络算法、Inception v3卷积神经网络算法、Inception v4卷积神经网络算法、NIN卷积神经网络算法或GoogLeNet卷积神经网络算法。
第二方面，本发明提供一种超声图像处理系统，包括：
超声图像获取单元，用于执行超声图像获取步骤，根据受测机体组织的超声视频获取多张超声图像；
图像分类单元，用于执行图像分类步骤，根据所述超声图像和第一机器学习分类算法获取所述超声图像的图像类别，所述图像类别包括组织正常图像和组织异常图像；
异常分类单元，用于执行异常分类步骤，根据所述组织异常图像和第二机器学习分类算法获取组织异常图像的异常类别，所述异常类别包括第一组织异常图像和第二组织异常图像；
异常定位单元，用于执行异常定位步骤，根据经过异常分类的所述组织异常图像和第三机器学习分类算法获取所述组织异常图像的异常区域。
进一步地，所述超声图像处理系统还包括：
图像整合单元，用于执行图像整合步骤，根据经过所述图像分类步骤、所述异常分类步骤和所述异常定位步骤处理后的多张超声图像整合成处理反馈视频进行输出。
进一步地，所述超声图像处理系统还包括：
图像归一化处理单元，用于执行图像归一化处理步骤，将所述超声图像的格式进行归一化处理。
进一步地，所述第一机器学习分类算法和/或所述第二机器学习分类算法和/或所述第三机器学习分类算法包括VGG16卷积神经网络算法、VGG19卷积神经网络算法、MSRANet卷积神经网络算法、ResNet卷积神经网络算法、Inception ResNet卷积神经网络算法、Inception v1卷积神经网络算法、Inception v2卷积神经网络算法、Inception v3卷积神经网络算法、Inception v4卷积神经网络算法、NIN卷积神经网络算法或GoogLeNet卷积神经网络算法。
第三方面，本发明提供一种超声图像处理设备，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的超声图像处理方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行所述的超声图像处理方法。
本发明的有益效果是：
本发明通过从受测机体组织的超声视频中获取多张超声图像，再根据第一机器学习分类算法对超声图像进行图像分类，利用第二机器学习分类算法对组织异常图像再获取异常类别，最后利用第三机器学习分类算法对组织异常图像进行异常区域定位；克服现有技术中存在依靠医生进行肉眼检查无法满足乳腺检查的需求，检查准确率和效率低下的技术问题，实现对受测机体组织的超声图像的自动处理，提高处理效率和准确率，有效辅助医生进行机体组织检查，可以缓解医生空缺，提高检测效率和准确率。
另外，本发明还将经过图像分类、异常分类和异常定位后的多张超声图像整合成处理反馈视频进行输出，医生可以通过观看处理反馈视频直接进行机体组织检查，进一步提高检测效率。
附图说明
图1是本发明中一种超声图像处理方法的一具体实施例流程图；
图2是本发明中一种超声图像处理方法的一具体实施例样本训练流程图；
图3是本发明中一种超声图像处理系统的一具体实施例工作流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1
一种超声图像处理方法，参考图1，图1是本发明中一种超声图像处理方法的一具体实施例流程图，包括以下步骤：
(1)超声图像获取步骤：根据受测机体组织的超声视频获取多张超声图像，从动态的超声视频中提取多帧图像作为超声图像，其中，受测机体组织包括乳腺和甲状腺；
(2)图像归一化处理步骤：将超声图像的格式进行归一化处理，由于超声设备的参数不同，获取的超声视频的质量也不同，因此，设置这一步骤可以解决不同超声设备的图像差异导致处理结果不准确的问题，提高后续处理结果的准确率。
(3)图像分类步骤：根据超声图像和第一机器学习分类算法获取超声图像的图像类别，图像类别包括组织正常图像(表示受测机体组织为正常的组织)和组织异常图像(表示受测机体组织为异常的组织)；本实施例中，第一机器学习分类算法可以采用VGG16卷积神经网络、VGG19卷积神经网络、MSRANet卷积神经网络、ResNet卷积神经网络、InceptionResNet卷积神经网络、Inception v1卷积神经网络、Inception v2卷积神经网络、Inception v3卷积神经网络、Inception v4卷积神经网络、NIN卷积神经网络、GoogLeNet卷积神经网络中的一种卷积神经网络来实现，先利用已标注好图像类别的正异常样本集训练对应的卷积神经网络，再利用训练好的网络处理每张超声图像，获取其图像类别，根据图像类别可以辅助医生判断机体组织正常或者机体组织异常。
(4)异常分类步骤：根据经过图像分类步骤获得的组织异常图像和第二机器学习分类算法获取组织异常图像的异常类别，异常类别包括第一组织异常图像和第二组织异常图像；本实施例中，以受测机体组织为乳腺为例，第一组织异常图像为良性乳腺异常，第二组织异常图像为恶性乳腺异常；另外，第二机器学习分类算法可以采用VGG16卷积神经网络、VGG19卷积神经网络、MSRANet卷积神经网络、ResNet卷积神经网络、Inception ResNet卷积神经网络、Inception v1卷积神经网络、Inception v2卷积神经网络、Inception v3卷积神经网络、Inception v4卷积神经网络、NIN卷积神经网络、GoogLeNet卷积神经网络中的一种卷积神经网络来实现，先利用已标注好异常类别(以良性乳腺异常和恶性乳腺异常为例)的良恶性样本集训练对应的卷积神经网络，再利用训练好的网络处理每张组织异常图像，获取其异常类别，对组织异常图像进行更细致的分类，可以辅助医生进行病情诊断。
(5)异常定位步骤：根据经过异常分类步骤的组织异常图像和第三机器学习分类算法获取组织异常图像的异常区域，定位组织异常图像的异常区域，也即病灶区域；本实施例中，第三机器学习分类算法可以采用VGG16卷积神经网络、VGG19卷积神经网络、MSRANet卷积神经网络、ResNet卷积神经网络、Inception ResNet卷积神经网络、Inception v1卷积神经网络、Inception v2卷积神经网络、Inception v3卷积神经网络、Inception v4卷积神经网络、NIN卷积神经网络、GoogLeNet卷积神经网络中的一种卷积神经网络来实现，先利用已标注好病灶区域的病灶区域样本集训练对应的卷积神经网络，再利用训练好的网络处理每张组织异常图像获取对应的异常区域，并将异常区域进行标注，帮助医生更好地区分组织异常图像的正、异常区域，有效辅助医生快速对受测机体组织的超声图像进行诊断，提高诊断效率。
(6)图像整合步骤：根据经过图像分类步骤、异常分类步骤和异常定位步骤处理后的多张超声图像整合成处理反馈视频进行输出。将经过步骤(2)-(5)处理后的多帧超声图像重新整合成动态的处理反馈视频，在动态的处理反馈视频中对图像类别、异常类别和异常区域进行了标注，医生通过观看动态的处理反馈视频即可以对病人的受测机体组织进行诊断，即利用本发明的方法，将实时的动态超声视频处理成动态的处理反馈视频输出，可辅助医生进行实时诊断，进一步提高对机体组织的检测效率。
本发明的处理方法，通过智能算法自动处理超声视频和超声图像，计算速度快，可以提高超声图像的处理速度，并且处理结果的精度高，利用处理反馈视频辅助医生进行机体组织检查诊断，提高检测效率和准确率；克服现有技术中存在依靠医生进行肉眼检查无法满足乳腺检查的需求，检查准确率和效率低下的技术问题。另外，处理方法还可以包括处理结果输出步骤，将个体的受测机体组织的超声视频的处理结果，包括超声图像、超声图像对应的图像类别、异常类别和异常区域等信息进行输出，可以打印成处理报告，方便医生进行查阅。
在利用第一机器学习分类算法、第二机器学习分类算法和第三机器学习分类算法之前，需要对其对应的神经网络进行训练，对应的网络分别为第一卷积神经网络、第二卷积神经网络和第三卷积神经网络三个卷积神经网络。参考图2，图2是本发明中一种超声图像处理方法的一具体实施例样本训练流程图；以乳腺组织为例进行说明，以超过万例个体的乳腺超声视频影像数据和专业医师标注信息进行训练、评估、测试所选择的卷积神经网络以提高网络的实用性和准确性。具体地，以10个个体的乳腺超声视频的训练过程进行具体说明，首先，从10个个体动态的乳腺超声视频中分别捕捉到多张乳腺超声B-Mode图像构成乳腺超声图像集合，对乳腺超声图像集合进行初步预处理，包括标注信息与图像格式归一化处理，标注信息包括标注图像类别(正异常)、异常类别(良恶性)以及异常区域(即病灶区域)；再对已标注信息的乳腺超声图像集合进行三层划分，将图像集合划分为正异常样本集、良恶性样本集以及病灶区域样本集，将三个样本集作为训练样本分别对应训练三个卷积神经网络。
实施例2
一种超声图像处理系统，包括：
超声图像获取单元，用于执行超声图像获取步骤，根据受测机体组织的超声视频获取多张超声图像，受测机体组织包括乳腺和甲状腺；
图像归一化处理单元，用于执行图像归一化处理步骤，将超声图像的格式进行归一化处理；
图像分类单元，用于执行图像分类步骤，根据超声图像和第一机器学习分类算法获取超声图像的图像类别，图像类别包括组织正常图像和组织异常图像；本实施例中，第一机器学习分类算法可以采用VGG16卷积神经网络、VGG19卷积神经网络、MSRANet卷积神经网络、ResNet卷积神经网络、Inception ResNet卷积神经网络、Inception v1卷积神经网络、Inception v2卷积神经网络、Inception v3卷积神经网络、Inception v4卷积神经网络、NIN卷积神经网络、GoogLeNet卷积神经网络中的一种卷积神经网络来实现；
异常分类单元，用于执行异常分类步骤，根据组织异常图像和第二机器学习分类算法获取组织异常图像的异常类别，异常类别包括第一组织异常图像和第二组织异常图像；本实施例中，第二机器学习分类算法可以采用VGG16卷积神经网络、VGG19卷积神经网络、MSRANet卷积神经网络、ResNet卷积神经网络、Inception ResNet卷积神经网络、Inception v1卷积神经网络、Inception v2卷积神经网络、Inception v3卷积神经网络、Inception v4卷积神经网络、NIN卷积神经网络、GoogLeNet卷积神经网络中的一种卷积神经网络来实现；
异常定位单元，用于执行异常定位步骤，根据经过异常分类的组织异常图像和第三机器学习分类算法获取组织异常图像的异常区域；本实施例中，第三机器学习分类算法可以采用VGG16卷积神经网络、VGG19卷积神经网络、MSRANet卷积神经网络、ResNet卷积神经网络、Inception ResNet卷积神经网络、Inception v1卷积神经网络、Inception v2卷积神经网络、Inception v3卷积神经网络、Inception v4卷积神经网络、NIN卷积神经网络、GoogLeNet卷积神经网络中的一种卷积神经网络来实现；
图像整合单元，用于执行图像整合步骤，根据经过图像分类步骤、异常分类步骤和异常定位步骤处理后的多张超声图像整合成处理反馈视频进行输出。
另外，处理系统还包括处理结果输出单元，用于执行处理结果输出步骤，将个体的超声视频的处理结果，包括超声图像、超声图像对应的图像类别、异常类别和异常区域等信息进行输出，可以打印成处理报告，方便医生进行查阅。关于处理系统的具体工作过程参照实施例1的描述，不再赘述。
参考图3，图3是本发明中一种超声图像处理系统的一具体实施例工作流程图，本实施例中，超声图像处理系统包括智能运算服务器、图像存储服务器和打印机，其中，智能运算服务器包括超声图像获取单元、图像归一化处理单元、图像分类单元、异常分类单元、异常定位单元和图像整合单元，在智能运算服务器上运行如实施例1所述的人工智能算法以辅助医生进行诊断，超声图像获取单元从受测机体组织的超声视频中获取到超声图像后将其存储在图像存储服务器中，智能运算服务器与图像存储器、打印机均连接，智能运算服务器可以控制打印机将处理报告打印出来。实际使用时，在获取到患者的受测机体组织的超声影像后，医院工作人员导入患者信息后将超声影像与相应的患者进行绑定，并将超声影像上传至智能运算服务器进行处理，在高性能的智能运算服务器内自动对超声影像进行智能分析，能获取到超声图像的图像类别、异常类别和异常区域，并生成处理反馈视频，同时医生可以对处理得到的超声图像的图像类别、异常类别和异常区域进行复核，复核通过后，可以将处理报告打印出来，处理报告包括超声图像、超声图像对应的图像类别、异常类别和异常区域等信息。超声图像处理系统采用软硬件一体化，可以实现受测机体组织的超声视频端到端的获取、分析以及报告打印，动静态结合，计算速度快，识别精度高，运行稳定可靠，有效辅助医生进行机体组织检查，可以提高诊断的准确率，减少医生的工作量，可以优化医生的临床使用体验。
实施例3
一种超声图像处理设备，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的超声图像处理方法。关于超声图像处理方法的具体描述参照实施例1的描述，不再赘述。
实施例4
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行所述的超声图像处理方法。关于超声图像处理方法的具体描述参照实施例1的描述，不再赘述。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种超声图像处理方法，其特征在于，包括：
超声图像获取步骤：根据受测机体组织的超声视频获取多张超声图像；
图像分类步骤：根据所述超声图像和第一机器学习分类算法获取所述超声图像的图像类别，所述图像类别包括组织正常图像和组织异常图像；
异常分类步骤：根据所述组织异常图像和第二机器学习分类算法获取组织异常图像的异常类别，所述异常类别包括第一组织异常图像和第二组织异常图像；
异常定位步骤：根据经过异常分类的所述组织异常图像和第三机器学习分类算法获取所述组织异常图像的异常区域。
2.根据权利要求1所述的超声图像处理方法，其特征在于，所述超声图像处理方法还包括：
图像整合步骤：根据经过所述图像分类步骤、所述异常分类步骤和所述异常定位步骤处理后的多张超声图像整合成处理反馈视频进行输出。
3.根据权利要求1所述的超声图像处理方法，其特征在于，所述图像分类步骤之前还包括：
图像归一化处理步骤：将所述超声图像的格式进行归一化处理。
4.根据权利要求1至3任一项所述的超声图像处理方法，其特征在于，所述第一机器学习分类算法和/或所述第二机器学习分类算法和/或所述第三机器学习分类算法包括VGG16卷积神经网络算法、VGG19卷积神经网络算法、MSRANet卷积神经网络算法、ResNet卷积神经网络算法、Inception ResNet卷积神经网络算法、Inception v1卷积神经网络算法、Inception v2卷积神经网络算法、Inception v3卷积神经网络算法、Inception v4卷积神经网络算法、NIN卷积神经网络算法或GoogLeNet卷积神经网络算法。
5.一种超声图像处理系统，其特征在于，包括：
超声图像获取单元，用于执行超声图像获取步骤，根据受测机体组织的超声视频获取多张超声图像；
图像分类单元，用于执行图像分类步骤，根据所述超声图像和第一机器学习分类算法获取所述超声图像的图像类别，所述图像类别包括组织正常图像和组织异常图像；
异常分类单元，用于执行异常分类步骤，根据所述组织异常图像和第二机器学习分类算法获取组织异常图像的异常类别，所述异常类别包括第一组织异常图像和第二组织异常图像；
异常定位单元，用于执行异常定位步骤，根据经过异常分类的所述组织异常图像和第三机器学习分类算法获取所述组织异常图像的异常区域。
6.根据权利要求5所述的超声图像处理系统，其特征在于，所述超声图像处理系统还包括：
图像整合单元，用于执行图像整合步骤，根据经过所述图像分类步骤、所述异常分类步骤和所述异常定位步骤处理后的多张超声图像整合成处理反馈视频进行输出。
7.根据权利要求5所述的超声图像处理系统，其特征在于，所述超声图像处理系统还包括：
图像归一化处理单元，用于执行图像归一化处理步骤，将所述超声图像的格式进行归一化处理。
8.根据权利要求5至7任一项所述的超声图像处理系统，其特征在于，所述第一机器学习分类算法和/或所述第二机器学习分类算法和/或所述第三机器学习分类算法包括VGG16卷积神经网络算法、VGG19卷积神经网络算法、MSRANet卷积神经网络算法、ResNet卷积神经网络算法、Inception ResNet卷积神经网络算法、Inception v1卷积神经网络算法、Inception v2卷积神经网络算法、Inception v3卷积神经网络算法、Inception v4卷积神经网络算法、NIN卷积神经网络算法或GoogLeNet卷积神经网络算法。
9.一种超声图像处理设备，其特征在于，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4任一项所述的超声图像处理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至4任一项所述的超声图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811612467.6A CN109829889A (zh) | 2018-12-27 | 2018-12-27 | 一种超声图像处理方法及其系统、设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811612467.6A CN109829889A (zh) | 2018-12-27 | 2018-12-27 | 一种超声图像处理方法及其系统、设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109829889A true CN109829889A (zh) | 2019-05-31 |
Family
ID=66861329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811612467.6A Pending CN109829889A (zh) | 2018-12-27 | 2018-12-27 | 一种超声图像处理方法及其系统、设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109829889A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111292298A (zh) * | 2020-01-21 | 2020-06-16 | 无锡祥生医疗科技股份有限公司 | 乳腺癌病理分型确定方法、装置和存储介质 |
| CN111860268A (zh) * | 2020-07-13 | 2020-10-30 | 江西中医药大学 | 基于机器学习的伪造图像检测识别方法 |
| CN112862752A (zh) * | 2020-12-31 | 2021-05-28 | 北京小白世纪网络科技有限公司 | 一种图像处理显示方法、系统电子设备及存储介质 |
| CN112950573A (zh) * | 2021-02-26 | 2021-06-11 | 上海商汤智能科技有限公司 | 医学图像检测方法及相关装置、设备、存储介质 |
| CN114037647A (zh) * | 2020-11-18 | 2022-02-11 | 清佑（上海）计算机科技有限公司 | 胃镜图像处理方法、系统、设备及可读存储介质 |
| CN114219807A (zh) * | 2022-02-22 | 2022-03-22 | 成都爱迦飞诗特科技有限公司 | 乳腺超声检查图像分级方法、装置、设备和存储介质 |
| US11334759B2 (en) * | 2019-01-31 | 2022-05-17 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and medium |
| CN115086773A (zh) * | 2021-03-11 | 2022-09-20 | 通用电气精准医疗有限责任公司 | 使用图像循环内关键帧的标识对超声图像循环进行的增强可视化和回放 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003000575A (ja) * | 2001-06-14 | 2003-01-07 | Ge Medical Systems Global Technology Co Llc | 画像診断支援システム |
| CN105654490A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 一种基于超声弹性图像的病变区域提取方法及装置 |
| 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 |
| CN106951928A (zh) * | 2017-04-05 | 2017-07-14 | 广东工业大学 | 一种甲状腺乳头状癌的超声图像识别方法及装置 |
| CN108268897A (zh) * | 2018-01-19 | 2018-07-10 | 北京工业大学 | 一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法 |
| CN108665456A (zh) * | 2018-05-15 | 2018-10-16 | 广州尚医网信息技术有限公司 | 基于人工智能的乳腺超声病灶区域实时标注的方法及系统 |
-
2018
- 2018-12-27 CN CN201811612467.6A patent/CN109829889A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003000575A (ja) * | 2001-06-14 | 2003-01-07 | Ge Medical Systems Global Technology Co Llc | 画像診断支援システム |
| 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 |
| CN105654490A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 一种基于超声弹性图像的病变区域提取方法及装置 |
| CN106951928A (zh) * | 2017-04-05 | 2017-07-14 | 广东工业大学 | 一种甲状腺乳头状癌的超声图像识别方法及装置 |
| CN108268897A (zh) * | 2018-01-19 | 2018-07-10 | 北京工业大学 | 一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法 |
| CN108665456A (zh) * | 2018-05-15 | 2018-10-16 | 广州尚医网信息技术有限公司 | 基于人工智能的乳腺超声病灶区域实时标注的方法及系统 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11334759B2 (en) * | 2019-01-31 | 2022-05-17 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and medium |
| CN111292298A (zh) * | 2020-01-21 | 2020-06-16 | 无锡祥生医疗科技股份有限公司 | 乳腺癌病理分型确定方法、装置和存储介质 |
| CN111860268A (zh) * | 2020-07-13 | 2020-10-30 | 江西中医药大学 | 基于机器学习的伪造图像检测识别方法 |
| CN114037647A (zh) * | 2020-11-18 | 2022-02-11 | 清佑（上海）计算机科技有限公司 | 胃镜图像处理方法、系统、设备及可读存储介质 |
| CN112862752A (zh) * | 2020-12-31 | 2021-05-28 | 北京小白世纪网络科技有限公司 | 一种图像处理显示方法、系统电子设备及存储介质 |
| CN112950573A (zh) * | 2021-02-26 | 2021-06-11 | 上海商汤智能科技有限公司 | 医学图像检测方法及相关装置、设备、存储介质 |
| CN115086773A (zh) * | 2021-03-11 | 2022-09-20 | 通用电气精准医疗有限责任公司 | 使用图像循环内关键帧的标识对超声图像循环进行的增强可视化和回放 |
| CN115086773B (zh) * | 2021-03-11 | 2024-04-16 | 通用电气精准医疗有限责任公司 | 使用图像循环内关键帧的标识对超声图像循环进行的增强可视化和回放 |
| CN114219807A (zh) * | 2022-02-22 | 2022-03-22 | 成都爱迦飞诗特科技有限公司 | 乳腺超声检查图像分级方法、装置、设备和存储介质 |
| CN114219807B (zh) * | 2022-02-22 | 2022-07-12 | 成都爱迦飞诗特科技有限公司 | 乳腺超声检查图像分级方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829889A (zh) | 一种超声图像处理方法及其系统、设备、存储介质 | |
| US11937973B2 (en) | Systems and media for automatically diagnosing thyroid nodules | |
| US7664300B2 (en) | Uterine cervical cancer computer-aided-diagnosis (CAD) | |
| WO2018155765A1 (ko) | 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치 | |
| US11478163B2 (en) | Image processing and emphysema threshold determination | |
| CN111462049A (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
| US20210217166A1 (en) | Automated screening of medical data | |
| Lucassen et al. | Deep learning for detection and localization of B-lines in lung ultrasound | |
| CN112802000A (zh) | 多模态医学影像智能辅助诊疗系统 | |
| US12026872B2 (en) | Diagnosis assisting system, diagnosis assisting method and diagnosis assisting program | |
| CN117672470B (zh) | 一种基于Web浏览器的医学影像辅助诊断装置 | |
| WO2022033598A1 (zh) | 乳房x射线图像获取方法、装置、计算机设备和存储介质 | |
| WO2018176717A1 (zh) | 基于医疗云平台的乳腺筛查影像分析系统及方法 | |
| CN110232408A (zh) | 一种内镜图像处理方法及相关设备 | |
| Lange et al. | Computer-aided-diagnosis (CAD) for colposcopy | |
| CN104809331A (zh) | 一种计算机辅助诊断技术(cad)检测放射图像发现病灶的方法和系统 | |
| KR20200010661A (ko) | 딥러닝 알고리즘을 이용한 자궁 병변 진단 장치 및 방법 | |
| Li et al. | Computer-aided Diagnosis (CAD) for cervical cancer screening and diagnosis: a new system design in medical image processing | |
| CN112862752A (zh) | 一种图像处理显示方法、系统电子设备及存储介质 | |
| CN112308888A (zh) | 基于深度学习体征结构的全模态医学影像序列分组方法 | |
| WO2017193581A1 (zh) | 乳腺筛查图像自动处理系统及方法 | |
| WO2013150419A1 (en) | Quality-check during medical imaging procedure | |
| Alshbishiri et al. | Adenoid segmentation in X-ray images using U-Net | |
| KR102136107B1 (ko) | 뼈 감쇄된 x-선 영상의 정합 장치 및 방법 | |
| CN108280832A (zh) | 医学图像分析方法、医学图像分析系统以及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190531 |