CN105938513A - 为计算机辅助诊断提供可靠性的装置和方法 - Google Patents
为计算机辅助诊断提供可靠性的装置和方法 Download PDFInfo
- Publication number
- CN105938513A CN105938513A CN201610114893.1A CN201610114893A CN105938513A CN 105938513 A CN105938513 A CN 105938513A CN 201610114893 A CN201610114893 A CN 201610114893A CN 105938513 A CN105938513 A CN 105938513A
- Authority
- CN
- China
- Prior art keywords
- reliability
- image
- information
- level
- diagnostic
- 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.)
- Withdrawn
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
- A61B8/4444—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device related to the probe
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/54—Control of the diagnostic device
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种为计算机辅助诊断提供可靠性的装置和方法。一种为计算机辅助诊断(CAD)提供可靠性的装置,包括:原始数据收集器,被配置为收集包括由探头获取的图像的原始数据;图像可靠性确定器,被配置为利用所收集的原始数据确定图像的可靠性水平;可靠性提供器,被配置为为用户提供所确定的图像的可靠性。
Description
相关申请的交叉引用
本申请要求于2015年3月4日提交到韩国知识产权局的第10-2015-0030384号韩国专利申请的权益,其全部公开内容通过引用包含于此。
技术领域
下面的描述涉及计算机辅助诊断(CAD),更具体地说,涉及为CAD提供可靠性的装置和方法。
背景技术
在医疗行业,作为诊断患者的方法,计算机辅助诊断(CAD)已被用于分析医学图像。具体地说,CAD技术可用于分析各种医学图像来检测病变、对所检测到的病变是良性还是恶性进行分类并且为医生提供结果。例如,在超声波诊断的情况下,医生通过移动与患者的身体接触的探头而实时获取超声波图像,并且通过裸眼检查显示在屏幕上的超声波图像而检测和确定病变或可疑区域。然而,取决于环境(诸如医生在患者身体上移动探头的速度以及探头与患者身体接触的程度),通过探头可获得不同的医学图像,从而导致不同的CAD结果。
发明内容
根据示例性实施例的一方面,为计算机辅助诊断(CAD)提供可靠性信息的装置包括:原始数据收集器,被配置为收集原始数据,原始数据包括由探头获取的图像;图像可靠性确定器,被配置为用利用所收集的原始数据确定图像的可靠性水平;可靠性提供器,被配置为为用户提供对应于确定的图像可靠性水平的可靠性信息。
原始数据收集器可以被进一步配置为从安装在探头或诊断设备中的传感器、用户穿戴的可穿戴装置以及安装在诊断筛查室内的设备中的至少一种中收集原始数据。
图像可靠性确定器还可以被配置为基于所收集的原始数据产生分析信息,并基于所产生的分析信息确定图像的可靠性水平。
分析信息可以包括探头的移动速度、图像的模糊程度、探头的测量深度以及探头的角速度中的至少一种。
图像可靠性确定器还可以被配置为基于所述图像和先前图像之间的差异而产生分析信息。
图像可靠性确定器还可以被配置为通过将所产生的分析信息应用到计算算法而计算图像的可靠性水平。
图像可靠性确定器可以被进一步配置为通过利用分析信息搜索可靠性数据库而确定图像的可靠性水平。
可靠性信息可以包括视觉信息或非视觉信息中的至少一个,可靠性提供器还可以被配置为将可靠性信息输出到输出设备。
视觉信息可以进一步包括对应于确定的图像可靠性水平的颜色信息、对应于确定的图像可靠性水平的图表(graph)信息以及具有指示确定的图像可靠性水平的数值的数字信息中的至少一种。
非视觉信息还可以包括对应于确定的图像可靠性水平的预限定的听觉信号、对应于确定的图像可靠性水平的预限定的振动信号以及与指示确定的图像可靠性的数值有关的语音信号中的至少一类。
输出装置还可以包括探头、诊断设备、诊断显示设备、定向扬声器、可穿戴设备和触觉设备中的至少一个。
根据示例性实施例的另一方面,为计算机辅助诊断(CAD)提供可靠性信息的方法包括:收集原始数据,原始数据包括由探头获取的图像;基于所收集的原始数据确定图像的可靠性水平;为用户提供对应于确定的图像的可靠性水平的可靠性信息。
确定图像的可靠性水平可以包括基于所收集的原始数据产生分析信息以及基于所产生的分析信息确定图像的可靠性水平。
分析信息可以包括探头的移动速度、图像的模糊程度、探头的测量深度以及探头的角速度中的至少一种。
可靠性信息还可以包括视觉信息或非视觉信息中的至少一种;提供可靠性信息还可以包括将可靠性信息输出到输出设备。
根据示例性实施例的另一方面,为计算机辅助诊断(CAD)提供诊断可靠性信息的装置包括:原始数据收集器,被配置为收集原始数据,原始数据包括由探头获取的图像;诊断可靠性确定器,被配置为利用所收集的原始数据确定对应于由诊断设备执行的诊断的诊断可靠性水平;可靠性提供器,被配置为给用户提供对应于所确定的诊断可靠性水平的诊断可靠性信息。
所述装置还可以包括:图像可靠性确定器,被配置为基于所收集的原始数据而产生分析信息,并基于所产生的分析信息确定图像的图像可靠性水平。
所述装置还可以包括诊断算法选择器,诊断算法选择器被配置为选择应用到图像的诊断算法。
诊断的诊断可靠性水平可以包括应用到图像的诊断算法的可靠性水平和诊断结果的可靠性水平中的至少一种。
诊断可靠性信息可以进一步包括视觉信息或非视觉信息中的至少一种,可靠性提供器还可以被配置为将诊断可靠性信息输出到输出设备。
根据示例性实施例的又一方面,一种为计算机辅助诊断(CAD)提供诊断可靠性信息的方法包括:收集原始数据,原始数据包括由探头获取的图像;基于所收集的原始数据而确定由诊断设备执行的诊断的诊断可靠性水平;为用户提供对应于所确定的诊断可靠性水平的诊断可靠性信息。
所述方法可以进一步包括:基于所收集的原始数据产生分析信息;基于所产生的分析信息确定图像的图像可靠性水平。
所述方法可以进一步包括基于确定的图像可靠性水平选择应用到图像的诊断算法。
根据示例性实施例的又一方面,为计算机辅助诊断(CAD)提供诊断可靠性信息的方法包括:收集原始数据,原始数据包括由探头获取的图像;基于所收集的原始数据确定图像可靠性水平;基于图像可靠性水平和所收集的原始数据中的至少一种而确定诊断可靠性水平;为用户提供对应于诊断可靠性水平的诊断可靠性信息以及对应于图像可靠性水平的图像可靠性信息中的至少一种。
确定诊断可靠性水平还可以包括:基于图像可靠性水平选择诊断算法;通过将选择的诊断算法应用到图像可靠性水平和原始数据中的至少一种而确定诊断可靠性水平。
从下面的具体实施方式、附图和权利要求书中,其它特征和方面可以是明显的。
附图说明
图1是示出了根据示例性实施例的提供可靠性的装置的框图。
图2A和图2B是示出了根据示例性实施例的示出在图1中的图像可靠性确定器的框图。
图3A至图3D示出了根据示例性实施例的可靠性提供器显示可靠性的示例。
图4是示出了根据另一示例性实施例的提供可靠性的装置的框图。
图5A和图5B是示出了根据示例性实施例的诊断可靠性确定器的框图。
图6是示出了根据又一示例性实施例的提供可靠性的装置的框图。
图7是示出了根据又一示例性实施例的提供可靠性的装置的框图。
图8是示出了根据示例性实施例的提供可靠性的方法的流程图。
图9是示出了根据另一示例性实施例的提供可靠性的方法的流程图。
图10是示出了根据又一示例性实施例的提供可靠性的方法的流程图。
图11是示出了根据又一示例性实施例的提供可靠性的方法的流程图。
图12是示出了根据又一示例性实施例的提供可靠性的方法的流程图。
在整个附图和具体实施方式中,除非另外描述,否则相同的附图标号将被理解为指代相同的元件、特征和结构。为了清楚、说明和方便起见,这些元件的相对尺寸和描绘可以被夸大。
具体实施方式
提供以下描述以帮助读者获得对在此描述的方法、装置以及***的全面理解。因此,在此所描述的方法、装置和/或***的各种改变、变型和等同物将被建议给本领域的普通技术人员。而且,为了更加清楚和简要,公知的功能和结构的描述可以省略。
在下文中,将参考附图描述为计算机辅助诊断(CAD)提供可靠性的装置和方法的示例性实施例。
图1是示出了根据示例性实施例的提供可靠性的装置的框图。
根据示例性实施例,用于提供可靠性的装置100可以被包括在利用医学图像执行CAD的诊断设备中,或者可被包括在附加的外部设备中以便通过有线/无线通信连接到诊断设备。
医学图像可以是由探头获得的超声波图像,并且这个假设适用于下面的描述。然而,本公开的各个方面不限于此,并且在一些示例性实施例中,医学图像可以包括由计算机断层扫描(CT)设备、磁共振成像(MRI)设备、X射线设备、正电子发射断层扫描(PET)设备、单光子发射计算机断层扫描(SPECT)设备等获得的图像。
参照图1,根据示例性实施例,装置100包括原始数据收集器110、图像可靠性确定器120和可靠性提供器130。
原始数据收集器110收集分析通过探头获得的图像的可靠性水平所需的数据。
原始数据可以包括由探头获得的超声波图像。此外,所述数据可包括为通过各种传感器获得的测量的各种类型的传感器数据,所述各种传感器包括速度传感器、位置传感器、语音传感器、触觉传感器、张量传感器(tensorsensor)、温度传感器和照相机模块,它们安装在探头、诊断设备、诊断显示设备、用户的可穿戴设备以及诊断筛查室中。
基于所收集的原始数据,图像可靠性确定器120可确定通过探头获得的图像的可靠性水平。
图2A和图2B是示出了根据示例性实施例的图像可靠性确定器120的框图。参照图2A和图2B,详细描述了图像可靠性确定器120的示例210和220。
参照图2A,根据示例性实施例的图像可靠性确定器210包括分析信息产生器211和可靠性计算器212。
分析信息产生器211基于所收集的原始数据产生分析图像可靠性水平所需的分析信息。分析信息可以是被输入到预限定的计算算法的参数信息,并且可以包括以下信息中的一种或更多种:探头的移动速度,图像的失真程度(degree of artifact),图像的模糊程度,探头的测量深度,探头的角速度。然而,本公开的各方面不限于此,并且可以调整由计算算法产生的分析信息的类型。
例如,分析信息产生器211可以基于由探头连续获取的图像中的当前图像和先前图像之间的差异产生诸如探头的移动速度的分析信息。当前图像和先前图像之间的差异可以包括当前图像和先前图像之间每个像素的图像强度的差异、当前图像和先前图像之间直方图的差异、当前图像和先前图像之间直方图的相似性水平以及当前图像和先前图像之间主要信息的差异。例如,如果指示图像的暗度的像素值大于特定阈值,则有可能确定探头离开了接触表面并基于所述确定而获取关于探头的测量深度的信息。
在另一个示例中,在用户操纵探头的图像由安装在诊断设备或诊断筛查室中的相机模块获取的情况下,分析信息产生器211可以通过分析图像而获取探头的移动速度。
在又一个示例中,分析信息产生器211可以利用诸如计算机视觉和机器学习的各种方案来产生分析信息。
在从各种传感器接收的原始数据中存在必要的分析信息的情况下,分析信息产生器211可以省略计算分析信息的操作,但使用收集的原始数据作为分析信息。
例如,在将从安装在探头中的速度传感器收集的关于探头的移动速度的信息作为原始数据的情况下,分析信息产生器211可能不会基于由探头获取的图像或从外部相机模块所收集的图像而计算探头的移动速度。此外,探头中默认设置的深度模式可被收集并被选择为原始数据,在这种情况下,分析信息产生器211可以省略计算关于探头的测量深度信息的信息的操作。
图像可靠性计算器212可以通过将分析信息应用到计算算法而计算图像可靠性水平。计算算法可以是各种算法中的一种,各种算法包括但不限于:计算机视觉、机器学习、线性函数、非线性函数和回归分析。
例如,下面的方程式1是用于通过使用各种类型的分析信息而计算图像可靠性水平而使用的算法的示例。
方程式1
Y=af(速度)+bf(模糊程度)+cf(深度)+…
在方程式1中,Y表示图像可靠性水平,f表示用于分析信息(即,速度、模糊程度及深度)的线性或非线性函数。此外,a、b和c是指示分别对应于速度、模糊程度及深度的权重的预限定的常量。如果必要,可以调整每个分析信息的权重。可预先确定在图像可靠性水平的计算中使用的分析信息的类型。例如,图像可靠性水平可以仅使用探头的移动速度确定,如下面的方程式2所示。
方程式2
Y=af(速度)+c
图像可靠性水平可以以从通过计算算法算出的值转换成的百分点(例如,85%)表示。可替代地,在多个预先限定的水平(例如,水平1到水平10)中,由计算算法计算出的值可被表示为任一水平(例如,水平8)。然而,示例性实施例的各个方面不限于此,并且图像可靠性水平可以以各种方式来表示。
参照图2B,根据另一示例性实施例的图像可靠性确定器220包括分析信息产生器221、可靠性提取器222以及可靠性数据库223。
分析信息产生器221执行与图2A中的分析信息产生器211相同的功能。因此,其详细描述被省略。
当产生分析信息时,可靠性提取器222可从可靠性数据库223中提取对应于分析信息的图像可靠性水平。
如表1或表2所示,可靠性数据库223可以存储信息,其中,图像可靠性水平以表格形式被映射到分析信息。可靠性数据库223可通过预处理过程预先产生,所述预处理过程是通过将各种类型的分析信息应用到各种计算算法、分析计算结果然后确定最佳的图像可靠性水平而实现的。
例如,表1示出了被预先映射到分析信息(即速度、模糊程度和深度)的图像可靠性水平。参照表1,如果由分析信息产生器221产生的分析信息显示探头的移动速度为35ms、模糊程度为7%且深度为85%,则可靠性提取器222可以从可靠性数据库223中提取90%的图像可靠性水平。
表1
探头速度(v) | 模糊程度 | 深度 | 图像可靠性 |
0≤v<10ms | 1% | 小于75% | 60% |
10ms≤v≤20ms | <2% | 小于80% | 70% |
20ms≤v≤30ms | <5% | 小于90% | 80% |
30ms≤v≤40ms | <10% | 小于95% | 90% |
40ms≤v≤50ms | <15% | 小于100% | 100% |
表2示出了被预先映射到探头的速度的图像可靠性水平的示例。例如,如果由分析信息产生器221产生的分析信息显示探头的速度为27ms,则可靠性提取器222可提取80%的图像可靠性水平。
表2
探头速度(v) | 图像可靠性 |
0≤v<10ms | 60% |
10ms≤v≤20ms | 70% |
20ms≤v≤30ms | 80% |
30ms≤v≤40ms | 90% |
40ms≤v≤50ms | 100% |
再次参照图1,可靠性提供器130为用户提供了由图像可靠性确定器120确定的图像可靠性水平。可靠性提供器130产生确定的图像可靠性水平的视觉信息或非视觉信息,并通过将所产生的信息输出到输出设备而为用户提供所产生的信息。
视觉信息可包括对应于图像可靠性水平的颜色或图表信息和对应于图像可靠性水平的数字或字符信息中的至少一类。
如表3中所示,图像可靠性水平可以被划分为多个部分,每个部分可以通过不同的颜色来限定。如果图像可靠性被详细地划分,则颜色信息可以以从暗红色无缝地变为深绿色的方式来限定。
表3
图像可靠性 | 颜色信息 |
小于50% | 红色 |
大于50%,小于80% | 橙色 |
大于80%并直到100% | 绿色 |
在图像可靠性确定器120分别为连续地从探头接收的图像(例如,图像1、2和3)确定79%、40%和85%的图像可靠性水平的示例情况下,可靠性提供器130可以例如按照橙色、红色和绿色的顺序将颜色信息输出到输出设备。
此外,非视觉信息可以包括对应于图像可靠性水平的听觉或振动信号以及对应于图像可靠性水平的语音信号中的至少一类。
例如,听觉信号(即,蜂鸣声)或振动信号的强度和其发生次数可根据图像可靠性部分被预先设置,如表4的示例所示。如上所述,图像可靠性水平可以被分成不同的部分。部分之间的间隔越窄,听觉信号或振动信号的强度越可连续地增加到更大或减少到更小。在一些示例性实施例中,信号的强度或信号的发生次数可被限定为不与图像可靠性水平成比例。然而,本公开的各方面并不限于此。
表4
输出设备可以包括探头、诊断设备、诊断显示设备、定向扬声器、用户穿戴的可穿戴装置和安装在诊断筛查室内特定位置的设备。
图3A至图3D是图1中示出的可靠性提供器显示图像可靠性水平的示例。
参照图1和图3A至图3D,提供了可靠性提供器130将确定的图像可靠性水平输出到输出设备的示例。
图3A示出了用户在诊断筛查室检查患者的过程。用户通过移动与患者的身体接触的探头311而连续地从探头311获取图像。在这种情况下,诊断设备312通过将诊断算法应用到获取的图像进行诊断,然后将获得的图像和其诊断结果输出到诊断显示设备313。
因此,当用户开展检查过程时,装置100的原始数据收集器110收集患者检查过程中产生的各种类型的信息作为分析信息。例如,检查过程中产生的信息可以包括通过探头311获取的图像和从传感器接收的传感器数据,传感器被嵌入或附接在探头311、诊断设备312和诊断显示设备313等中。
图像可靠性确定器120基于所收集的原始数据而确定通过探头311获取的图像的可靠性水平。
可靠性提供器130将所确定的图像可靠性水平输出到输出设备。参照图3A,输出设备可以是探头311、诊断设备312和诊断显示装置313。
在一些示例性实施例中,在诊断过程中,当图像可靠性水平被显示在输出设备上时,用户可调整探头的速度、探头与患者身体的***位接触的程度、测量深度模式以及探头与患者身体的***位接触的区域的位置。作为结果,可以获得更准确的图象。
图3B示出了图像可靠性水平在探头中输出的情况。如图3B所示,根据确定的图像可靠性水平,不同的颜色321、322或323可以在探头320的特定部分输出。然而,这仅是示例性的,颜色321、322和323可以在诊断设备的特定部分或诊断筛查室的特定位置输出。
图3C示出了示例,其中,图像可靠性水平被以图表的形式显示在诊断显示设备中。
参照图3C,红色、橙色、黄色和绿色都以图表形式331显示在视觉信息中,但是显示的颜色可以根据连续接收的图像而改变。例如,在对应于先前图像的可靠性水平的颜色是红色而对应于当前图像的可靠性水平的颜色为绿色的情况下,当先前图像被切换到当前图像时,红色可能变得模糊,而绿色变浓。然而,这仅是示例性的,图像的可靠性水平可以以各种方式显示。
图3D示出了图像可靠性水平的图表信息331和数字信息332一起显示在诊断显示设备330中的情况。
图4是示出了根据另一示例性实施例的提供可靠性的装置的框图。
参照图4,提供可靠性的装置400包括原始数据收集器410、诊断可靠性确定器420和可靠性提供器430。
如上所述,原始数据收集器410收集各种类型的原始数据。
基于所收集的原始数据,诊断可靠性确定器420可确定由诊断设备执行的诊断的可靠性水平(以下简称为诊断可靠性水平)。诊断可靠性水平可以包括诊断算法的可靠性水平或通过利用诊断算法得到的诊断结果的可靠性水平。诊断算法的可靠性水平可以指示当前应用于诊断设备的诊断算法是否适合于当前图像。诊断算法可以是AdaBoost、可变形的零件模型(DPM)、支持向量机(SVM)、决策树、深度信念网络(DBN)和卷积神经网络(CNN)中的一个。
可靠性提供器430提供了由诊断可靠性确定器420确定的诊断可靠性水平。可靠性提供器430可以产生所确定的诊断可靠性水平的视觉信息或非视觉信息,并将产生的信息输出到输出设备。
视觉信息可包括对应于图像可靠性水平的颜色或图表信息和对应于图像可靠性水平的数字或字符信息中的至少一类。关于颜色信息,图像可靠性水平的多个部分可被划分为多个部分,每个部分可以通过不同的颜色限定,如上述的表3所示。部分之间的间隔可按需要被不同地设置。
如图3A至图3D所示,可靠性提供器430可以将产生的视觉信息或非视觉信息输出到诸如探头、诊断设备和诊断显示设备的输出设备。其详细描述被省略。
图5A至图5B是示出了根据示例性实施例的诊断可靠性确定器420的详细框图。
参照图5A,根据示例性实施例的诊断可靠性确定器510包括分析信息产生器511和诊断可靠性计算器512。
分析信息产生器511可以通过使用由原始数据收集器410收集的原始数据生成分析信息。分析信息可以包括探头的速度、模糊程度、深度信息以及关于兴趣区域(ROI)的尺寸的信息。
如上所述,分析信息产生器511可以基于当前图像和先前图像之间的差异而产生分析信息。或者,在对应于分析信息的原始数据由安装在探头、诊断设备、诊断显示设备、可佩戴设备等中的各种传感器收集的情况下,分析信息可以包括探头的移动速度、模糊程度、深度信息和关于ROI的尺寸的信息。产生分析信息的操作可被省略。例如,关于ROI的尺寸的信息可以是关于从当前图像上由诊断设备检测的ROI的尺寸的信息。
诊断可靠性计算器512可以通过将预限定的计算算法应用到所产生的分析信息而计算诊断可靠性水平。在一些示例性实施例中,预限定的计算算法可以以与方程式1或方程式2相同或类似的方式进行限定。
参照图5B,根据另一示例性实施例的诊断可靠性确定器520包括分析信息产生器521、诊断可靠性提取器522和可靠性数据库523。
分析信息产生器521执行与在图5A中包括的分析信息产生器511的功能相同的功能。因此,其详细描述被省略。
基于所产生的分析信息,诊断可靠性提取器522可从可靠性数据库523中提取对应于所产生的分析信息的诊断可靠性水平。诊断可靠性水平可以包括诊断算法的可靠性水平或诊断结果的可靠性水平。
表5是将根据探头的速度的诊断算法(即,CNN)的可靠性水平预先存储在可靠性数据库523中的示例。参照表5,探头移动得越慢,CNN的可靠性水平越高。CNN是分析速度缓慢但是分析的精度相对高的算法。然而,这仅是示例性的,由于诊断算法的特性,可以根据分析信息而不同地限定诊断算法的可靠性水平。
表5
探头速度(v) | 诊断算法(CNN) |
0≤v<10ms | 100% |
10ms≤v≤20ms | 90% |
20ms≤v≤30ms | 80% |
30ms≤v≤40ms | 70% |
40ms≤v≤50ms | 60% |
类似地,诊断结果的可靠性水平可以作为表格形式的信息预先存储在可靠性数据库523中,其中,诊断结果的可靠性水平映射到分析信息。通过参考存储在可靠性数据库523中的映射信息,诊断可靠性提取器522可提取诊断结果的可靠性水平。
可靠性提取器522可以提取诊断算法的可靠性水平,然后基于所提取的诊断算法的可靠性水平提取诊断结果的可靠性水平。可靠性数据库523可能已经存储了诊断算法的可靠性水平和诊断结果的可靠性水平被映射的信息。
图6是示出了根据另一示例性实施例的提供可靠性的装置的框图。
参照图6,装置600包括原始数据收集器610、图像可靠性确定器620、诊断可靠性确定器630和可靠性提供器640。
原始数据收集器610执行与装置100中所包括的原始数据收集器110和装置400中所包括的原始数据收集器410相同的功能。因此,原始数据收集器610的详细描述被省略。
当原始数据被原始数据收集器610收集时,图像可靠性确定器可基于所收集的原始数据产生分析信息。产生的分析信息的类型可以根据需要进行预定。如果存在对应于分析信息的原始数据,可以省略产生分析信息的操作。
当产生分析信息时,图像可靠性确定器620可基于所产生的分析信息确定通过探头获取的图像的可靠性水平。
在一个实施例中,图像可靠性确定器620可以通过将所产生的分析信息应用到预限定的计算算法而计算图像可靠性水平。在另一个实施例中,图像可靠性水平被映射到分析信息的表格形式的信息可以通过预处理过程而存储在可靠性数据库中。当产生分析信息时,图像可靠性确定器620可以从可靠性数据库中提取映射到所产生的分析信息的图像可靠性水平。
当图像可靠性水平由图像可靠性确定器620确定时,诊断可靠性确定器630可基于所确定的图像可靠性水平而确定诊断可靠性水平。诊断可靠性水平被映射到图像可靠性水平的信息可以被预先存储在可靠性数据库中,诊断可靠性确定器630可通过参考可靠性数据库而确定诊断可靠性水平。
尽管在一些示例性实施例中,根据图像可靠性水平的诊断可靠性水平(例如,诊断算法的可靠性水平)等于确定的图像可靠性水平,但是诊断可靠性水平可以根据当前应用的诊断算法的类型和特性而不同地限定。
可靠性提供器640可以将所确定的图像可靠性水平或诊断可靠性水平输出到输出设备。如上所述,可靠性提供器640可以生成图像可靠性水平或诊断可靠性水平的视觉信息或非视觉信息,并将产生的信息输出到输出设备。
在一些示例性实施例中,可靠性提供器640可将图像可靠性水平和诊断可靠性水平同时输出到单个输出设备。例如,当当前图像显示在诊断显示设备上时,可靠性提供器640可以将图像可靠性水平输出在诊断显示设备上的特定位置。此外,如果例如诊断设备从当前图像检测到ROI,产生关于ROI被分类为良性还是恶性的诊断结果,并将诊断结果输出在诊断显示设备上,则可靠性提供器640可以将诊断可靠性水平连同图像可靠性水平同时输出。
在其它示例性实施例中,可靠性提供器640可将图像可靠性水平以及诊断可靠性水平输出到不同的输出设备。例如,当图像由探头获得并输出到诊断显示设备时,可靠性提供器640可以在探头中显示图像可靠性水平,如图3B的示例所示。然后,当图像的诊断结果被输出到诊断显示设备时,可靠性提供器640可以将诊断可靠性水平显示在诊断显示设备中。
然而,输出图像可靠性水平和诊断可靠性水平的示例不限于此。例如,图像可靠性水平可以以颜色信息的形式输出,诊断可靠性可以以图表的形式输出。在另一示例中,图像可靠性水平可以以非视觉信息的形式输出,诊断可靠性水平可以以视觉信息的形式输出。因此,每一项的可靠性水平可以通过将两种或更多种类型的视觉信息或非视觉信息进行组合而输出,或者可以输出到两个或更多个输出设备。
图7是示出了根据另一示例性实施例的提供可靠性的装置的框图。
参照图7,提供可靠性的装置700包括原始数据收集器710、图像可靠性确定器720、诊断算法选择器730、诊断可靠性确定器740和可靠性提供器750。即,除了图6中所示的装置600的元件,装置700还包括诊断算法选择器730。装置700所包括的每一元件执行与装置600所包括的对应元件相同的功能,因此,省略其详细的描述。
原始数据收集器710可以收集在诊断过程中产生的各种数据。例如,原始数据可包括由探头获取的图像、从安装在各种设备中的传感器接收的传感器数据和关于由捕获诊断筛查室的内部情况的相机模块捕获的图像的信息。
基于原始数据,图像可靠性确定器720可以产生分析可靠性所必要的分析信息。分析信息可以是用于计算图像可靠性水平的计算算法的参数值。在其它示例性实施例中,分析信息可以是先前存储在可靠性数据库中的分析信息或者可以是参考表格所需要的属性值,在表格中图像可靠性水平被映射到分析信息。
在存在可靠性数据库的情况下,当产生分析信息时,图像可靠性确定器720可以从可靠性数据库中提取对应于所产生的分析信息的图像可靠性水平。在这种情况下,图像可靠性水平可以非常快速地被确定。在其它示例性实施例中,在没有可靠性数据库的情况下,图像可靠性确定器720可以通过将所产生的分析信息应用到计算算法而计算图像可靠性水平。
当从探头当前接收的图像的可靠性水平被确定时,根据所确定的可靠性水平,诊断算法选择器730可以选择适合于在诊断设备中进行诊断的诊断算法。
在CAD中,有用于分析图像并执行诊断的各种诊断算法,诸如检测、跟踪和确定。诊断算法可以包括,例如,AdaBoost、可变形的零件模型(DPM)、支持向量机(SVM)、决策树、深度信念网络(DBN)、卷积神经网络(CNN)等。每种诊断算法具有各种特性。例如,CNN算法会显示出相对慢的诊断速度,但可以产生相对准确的诊断结果,因此,当通过缓慢移动的探头所捕获的图像之间仅有小差异时,这种算法可能更有用。
当图像被连续地从探头接收时,图像可靠性水平每次都会改变,诊断算法选择器730可以基于每次确定的图像可靠性水平而选择合适的诊断算法,以便产生更准确的诊断结果。在这种情况下,可以预限定图像可靠性水平分别映射到对其合适的诊断算法的信息。在这种情况下,基于映射信息,诊断算法选择器730可确定将会在诊断算法中所使用的对应于图像可靠性水平的诊断算法。
表6
图像可靠性 | 诊断算法 |
小于50% | CNN |
大于50%,小于80% | SVM |
大于80%,直到100% | DPM |
例如,参照表6,在由探头获得的当前图像的可靠性水平被确定为49%的情况下,诊断算法选择器730选择CNN。然后,诊断设备可以通过将CNN应用到当前图像而产生诊断结果。持续使用CNN直到图像可靠性水平被改变为属于不同的部分。然后,如果由于用户改变探头的速度或抵靠患者身体的***位而按压探头导致所获取的图像的可靠性水平上升到75%,则诊断算法选择器730可以将诊断算法从CNN改变为SVM,然后诊断设备可以通过将SVM应用到所获取的图像而进行诊断。
诊断可靠性确定器740可以确定通过使用由诊断算法选择器730选择的诊断算法得到每个诊断结果的可靠性水平。通过不仅考虑上述分析信息而且还考虑图像可靠性水平和所选择的诊断算法的可靠性水平,诊断可靠性确定器740可以确定每个诊断结果的可靠性水平。
例如,通过将指示分析信息、图像可靠性水平、诊断算法的可靠性水平的参数值分别输入到例如前述的方程式1的计算算法中可以计算诊断结果的可靠性水平。然而,本公开的各方面不限于此,并且,如果可靠性数据库中存在预限定的映射表,则可以通过参照映射表而提取诊断结果的可靠性水平。
可靠性提供器750可以产生图像可靠性水平、诊断算法和诊断可靠性水平的视觉信息或非视觉信息,并将所产生的信息输出到各种输出设备。
图8是示出了根据示例性实施例的提供可靠性的方法的流程图。图8可以是由图1中所示的装置实施的提供可靠性的方法的示例。
参照图8,在810中,装置100收集原始数据。原始数据可以包括由探头获取的图像和诊断过程中产生的各种类型的传感器数据,诸如探头的速度、照相深度模式信息、角速度等。
然后,在820中,可以使用所收集的原始数据确定图像可靠性水平。装置100可以使用预限定的计算算法计算图像可靠性水平。或者,设备100可通过参考可靠性数据库提取图像可靠性水平。
然后,在830中,将确定的图像可靠性水平提供给用户。装置100产生所确定的图像可靠性的视觉信息或非视觉信息,并且将产生的信息输出到输出设备。例如,在输出设备是探头的情况下,在对于不同的可靠性的部分预限定的颜色中,指示对应于820中确定的图像可靠性水平的部分的颜色可以在探头上的特定位置输出。在其它示例性实施例中,在显示从探头接收的图像的诊断设备的屏幕上,装置100可以以图表形式显示所确定的图像可靠性水平或可以显示指示所确定的图像可靠性水平的值。
图9是示出了根据另一示例性实施例的提供可靠性的方法的流程图。
参照图9,在911中,装置100收集包括通过探头获取的图像的原始数据。
然后,在912中,设备100确定所收集的原始数据是否包括分析图像可靠性水平所需的所有分析信息。如果收集的原始数据中不存在部分或全部的必要的分析信息,则在913中,装置100基于原始数据产生不存在的分析信息。或者,如果所有必要的分析信息存在,则装置100进行到下一个操作914,而不执行操作913。
例如,假设探头的速度、模糊程度、深度和角速度是分析图像可靠性水平必要的分析信息。在这种情况下,如果速度传感器安装在探头中,则探头的速度可以被收集作为原始数据。即,装置100不产生探头的速度信息,但是基于原始数据(例如,连续地从探头接收的图像之间的差异)产生模糊程度、深度和角速度。类似地,如果位置传感器或深度传感器安装在探头中,则装置100可以收集深度信息和角速度信息作为原始数据。
在914中,当产生分析信息时,设备100确定是否存在存储图像可靠性水平被映射到所产生的分析信息的信息的可靠性数据库。
在914中,如果存在可靠性数据库,则装置100从可靠性数据库中提取对应于产生的分析信息的图像可靠性水平。在915中,如果不存在可靠性数据库,则装置100通过将所产生的分析信息作为参数输入到预限定的计算算法中而计算图像可靠性水平。
在917中,装置100通过将图像可靠性水平输出到各种输出设备而为用户提供在914或915中确定的图像可靠性水平。
图10是示出了根据另一示例性实施例的提供可靠性的方法的流程图。图10可以是通过图4中所示的装置400实施的提供可靠性的方法的示例。
参照图10,在1010中,装置400收集各种类型的原始数据。
在1020中,基于所收集的原始数据,装置100确定由诊断设备执行的诊断的可靠性水平。诊断可靠性水平可以包括诊断算法的可靠性水平和通过使用诊断算法获得的诊断结果的可靠性水平中的至少一种。诊断算法的可靠性水平可以指示在诊断设备中执行诊断的诊断算法是否适合于由探头获得的当前图像。
可靠性提供器400可通过将分析信息应用到可靠性计算算法或通过参考存储在可靠性数据库中的信息而确定诊断可靠性水平。
然后,在1030中,装置100为用户提供所确定的诊断可靠性水平。所确定的诊断可靠性水平可以以视觉或非视觉的方式输出到输出设备。
图11是示出了根据另一示例性实施例的提供可靠性的方法的流程图。图11是由图6中所示的装置600实施的提供可靠性的方法的示例。
参照图11,在1110中,装置600收集原始数据。
在1120中,基于所收集的原始数据,装置600确定图像可靠性水平。具体地,装置600可基于原始数据产生分析信息,并使用分析信息确定图像可靠性水平。
在1130中,当通过探头获取的当前图像的可靠性水平被确定时,装置100可通过分析和诊断当前图像而确定诊断可靠性水平。诊断可靠性水平不仅可以包括通过分析和诊断当前图像而产生的诊断结果的可靠性水平,而且还包括在诊断设备中进行诊断的当前诊断算法的可靠性水平。
然后,在1140中,装置600为用户提供所确定的诊断算法的可靠性水平。
尽管对同一图像进行分析,但是根据所使用的诊断算法的特性,诊断结果也可以不同。因此,根据接收的图像的可靠性水平,通过使用诊断算法获得的诊断结果可以不同。根据本公开的示例性实施例,可以为用户提供这样的信息,即,根据当前接收的图像的可靠性水平,当前诊断算法是否适合。其结果是,用户能够根据图像可靠性水平而改变诊断算法。
图12是示出了根据另一示例性实施例的提供可靠性的方法的流程图。图12可以是通过图7的示例中所示的装置700实施的提供可靠性的方法的示例。
参照图12,在1210中,装置700收集包括通过探头获取的图像的原始数据。
在1220中,当原始数据被收集时,装置700使用所收集的原始数据产生图像可靠性水平。在这一点上,如上所述,装置700可基于原始数据产生分析信息,并基于所产生的分析信息确定图像可靠性水平。可以通过将分析信息应用到计算算法或通过参考预先产生的可靠性数据库而确定图像可靠性水平。
在1230中,基于针对当前接收的图像所确定的确定的图像可靠性水平,装置700选择适于当前接收的图像的诊断算法。
一般地,各种诊断算法可用于计算机辅助诊断(CAD),并且根据诊断算法的特性,它们在诊断时间和诊断结果的准确性方面彼此不同。在分析当前接收的图像具有低可靠性水平的情况下,如果使用具有高诊断速度但诊断结果的准确性相对低的诊断算法,则诊断结果的可靠性水平会低得多。因此,通过根据当前接收的图像的可靠性水平选择适合的诊断算法并利用该诊断算法分析当前接收的图像,装置700可以提高诊断结果的准确性或诊断结果的可靠性水平。
然后,在1240中,装置700通过应用所选择的诊断算法而确定诊断可靠性水平。在这种情况下,尽管根据当前图像的可靠性水平而选择了适合的诊断算法,但是因为诊断算法的特性,可能不能得到图像可靠性水平相同的的诊断结果。因此,通过应用诊断算法产生的诊断结果的可靠性水平可以通过考虑所产生的分析信息、图像可靠性水平和所选择的诊断算法的可靠性水平来确定。
在1250中,装置700可将图像可靠性水平、所选择的诊断算法的可靠性水平以及通过使用所选择的诊断算法获得的诊断结果的可靠性水平输出到诸如探头、诊断设备、诊断显示设备等的输出设备。
上述方法和操作可被记录、存储或固定在一个或更多个计算机可读存储介质中,计算机可读存储介质包括被计算机实现的程序指令以使得处理器运行或执行程序指令。介质还可以包括单独或组合的程序指令、数据文件、数据结构等。计算机可读存储介质的示例包括:诸如硬盘、软盘和磁带的磁介质;诸如CD ROM盘和DVD的光学介质;诸如光盘的磁光介质;诸如只读存储器(ROM)、随机存取存储器(RAM)、闪存等专门配置为存储和执行程序指令的硬件设备。程序指令的示例包括诸如由编译器产生的机器代码和包含可以由计算机使用解释器执行的更高级代码的文件。所描述的硬件设备可被配置为用作一个或更多个软件模块以执行上述的操作和方法,反之亦然。此外,计算机可读存储介质可以分布在通过网络连接的计算机***之间,计算机可读代码或程序指令可以以分散的方式被存储并执行。
上面已经描述了若干实施例。然而,应该理解的是,可以做出各种修改。例如,如果以不同的顺序执行描述的技术,和/或如果描述的***、架构、设备或电路中的组件被以不同的方式组合和/或由其他组件或其等同物替代或补充,可实现合适的结果。因此,其他实施在以下权利要求的范围之内。
Claims (15)
1.一种为计算机辅助诊断提供可靠性信息的装置,包括:
原始数据收集器,被配置为收集原始数据,所述原始数据包括由探头获取的图像;
图像可靠性确定器,被配置为利用所收集的原始数据确定图像的可靠性水平;以及
可靠性提供器,被配置为为用户提供对应于所确定的图像的可靠性水平的可靠性信息。
2.根据权利要求1所述的装置,其中,所述原始数据收集器被进一步配置为从安装在探头或诊断设备中的传感器、由用户穿戴的可穿戴装置和安装在诊断筛查室内的设备中的至少一种收集原始数据。
3.根据权利要求1所述的装置,其中,所述图像可靠性确定器被进一步配置为基于所收集的原始数据产生分析信息,并基于所产生的分析信息确定图像的可靠性水平。
4.根据权利要求3所述的装置,其中,所述分析信息包括所述探头的移动速度、图像的模糊程度、所述探头的测量深度和所述探头的角速度中的至少一种。
5.根据权利要求3所述的装置,其中,所述图像可靠性确定器被进一步配置为基于所述图像和先前图像之间的差异而产生分析信息。
6.根据权利要求3所述的装置,其中,所述图像可靠性确定器被进一步配置为通过将所产生的分析信息应用到计算算法而计算图像的可靠性水平。
7.根据权利要求3所述的装置,其中,所述图像可靠性确定器被进一步配置为通过利用所述分析信息搜索可靠性数据库而确定所述图像的可靠性水平。
8.根据权利要求1所述的装置,其中,所述可靠性信息包括视觉信息或非视觉信息中的至少一种,并且所述可靠性提供器被进一步配置为将可靠性信息输出到输出设备,
其中,所述视觉信息包括对应于确定的图像的可靠性水平的颜色信息、对应于确定的图像的可靠性水平的图表信息以及具有指示确定的图像的可靠性水平的数值的数字信息中的至少一种,
其中,所述非视觉信息包括对应于确定的图像的可靠性水平的预限定的听觉信号、对应于确定的图像的可靠性水平的预限定的振动信号以及关于指示确定的图像的可靠性的数值的语音信号中的至少一类。
9.一种为计算机辅助诊断提供可靠性信息的方法,包括:
收集原始数据,所述原始数据包括由探头获取的图像;
基于所收集的原始数据确定图像的可靠性水平;
为用户提供对应于确定的图像的可靠性水平的可靠性信息。
10.根据权利要求9所述的方法,其中,确定图像的可靠性水平包括基于所收集的原始数据产生分析信息以及基于所产生的分析信息确定图像的可靠性水平。
11.根据权利要求10所述的方法,其中,所述分析信息包括所述探头的移动速度、图像的模糊程度、探头的测量深度以及探头的角速度中的至少一种。
12.根据权利要求9所述的方法,其中,所述可靠性信息还包括视觉信息或非视觉信息中的至少一种;
提供可靠性信息还包括将可靠性信息输出到输出设备。
13.一种具有为计算机辅助诊断提供诊断可靠性信息的指令的计算机可读介质,当所述指令被处理器执行时,使处理器执行以下步骤:
收集原始数据,所述原始数据包括由探头获取的图像;
基于所收集的原始数据确定由诊断设备执行的诊断的诊断可靠性水平;
为用户提供对应于所确定的诊断可靠性水平的诊断可靠性信息。
14.根据权利要求13所述的计算机可读介质,其中,所述处理器被配置为执行以下步骤:
基于所收集的原始数据产生分析信息;
基于所产生的分析信息确定图像的图像可靠性水平。
15.根据权利要求14所述的计算机可读介质,其中,所述处理器被配置为执行以下步骤:
基于确定的图像的可靠性水平选择被应用到图像的诊断算法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2015-0030384 | 2015-03-04 | ||
KR1020150030384A KR20160107528A (ko) | 2015-03-04 | 2015-03-04 | 컴퓨터 보조 진단을 위한 신뢰도 제공 장치 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105938513A true CN105938513A (zh) | 2016-09-14 |
Family
ID=55450999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610114893.1A Withdrawn CN105938513A (zh) | 2015-03-04 | 2016-03-01 | 为计算机辅助诊断提供可靠性的装置和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20160259898A1 (zh) |
EP (1) | EP3065072A1 (zh) |
KR (1) | KR20160107528A (zh) |
CN (1) | CN105938513A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109758178A (zh) * | 2017-11-10 | 2019-05-17 | 美国西门子医疗解决公司 | 超声成像中的机器辅助工作流 |
CN111513754A (zh) * | 2019-09-16 | 2020-08-11 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像设备、超声图像的质量评估方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6663035B2 (ja) * | 2016-03-09 | 2020-03-11 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 胎児撮像システムおよび方法 |
CA3040703A1 (en) * | 2016-10-17 | 2018-04-26 | Context Ai, Llc | Systems and methods for medical diagnosis and biomarker identification using physiological sensors and machine learning |
US11832969B2 (en) * | 2016-12-22 | 2023-12-05 | The Johns Hopkins University | Machine learning approach to beamforming |
EP3631808A1 (en) * | 2017-05-31 | 2020-04-08 | Koninklijke Philips N.V. | Machine learning on raw medical imaging data for clinical decision support |
US10691975B2 (en) * | 2017-07-19 | 2020-06-23 | XNOR.ai, Inc. | Lookup-based convolutional neural network |
CN110432928B (zh) * | 2019-08-22 | 2021-11-26 | 深圳瀚维智能医疗科技有限公司 | 超声图像扫查方法、装置及设备 |
EP3910644A1 (en) | 2020-05-12 | 2021-11-17 | Koninklijke Philips N.V. | Quality control in medical imaging |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040019270A1 (en) * | 2002-06-12 | 2004-01-29 | Takashi Takeuchi | Ultrasonic diagnostic apparatus, ultrasonic probe and navigation method for acquisition of ultrasonic image |
CN101283929A (zh) * | 2008-06-05 | 2008-10-15 | 华北电力大学 | 一种血管三维模型的重建方法 |
CN101422352A (zh) * | 2008-12-10 | 2009-05-06 | 华北电力大学(保定) | 一种交互式冠状动脉虚拟血管镜的实现方法 |
US20110079082A1 (en) * | 2008-06-05 | 2011-04-07 | Koninklijke Philips Electronics N.V. | Extended field of view ultrasonic imaging with a two dimensional array probe |
WO2014149496A1 (en) * | 2013-03-15 | 2014-09-25 | Heartflow, Inc. | Image quality assessment for simulation accuracy and performance |
WO2014179277A1 (en) * | 2013-04-30 | 2014-11-06 | Tractus Corporation | Hand-held imaging devices with position and/or orientation sensors for complete examination of tissue |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100415171C (zh) * | 2003-07-31 | 2008-09-03 | 株式会社东芝 | 使扫描图像中的模糊最小化的方法和设备 |
US20110246521A1 (en) * | 2007-08-06 | 2011-10-06 | Hui Luo | System and method for discovering image quality information related to diagnostic imaging performance |
US9392995B2 (en) * | 2012-07-25 | 2016-07-19 | General Electric Company | Ultrasound imaging system and method |
KR20150144233A (ko) * | 2014-06-16 | 2015-12-24 | 삼성전자주식회사 | 영상 샘플링 시스템 및 방법 |
KR102294193B1 (ko) * | 2014-07-16 | 2021-08-26 | 삼성전자주식회사 | 프로브 속도에 기초한 컴퓨터 보조 진단 지원 장치 및 방법 |
KR20160066927A (ko) * | 2014-12-03 | 2016-06-13 | 삼성전자주식회사 | 컴퓨터 보조 진단 지원 장치 및 방법 |
KR102307356B1 (ko) * | 2014-12-11 | 2021-09-30 | 삼성전자주식회사 | 컴퓨터 보조 진단 장치 및 방법 |
-
2015
- 2015-03-04 KR KR1020150030384A patent/KR20160107528A/ko not_active Application Discontinuation
-
2016
- 2016-02-22 EP EP16156616.1A patent/EP3065072A1/en not_active Withdrawn
- 2016-02-24 US US15/052,455 patent/US20160259898A1/en not_active Abandoned
- 2016-03-01 CN CN201610114893.1A patent/CN105938513A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040019270A1 (en) * | 2002-06-12 | 2004-01-29 | Takashi Takeuchi | Ultrasonic diagnostic apparatus, ultrasonic probe and navigation method for acquisition of ultrasonic image |
CN101283929A (zh) * | 2008-06-05 | 2008-10-15 | 华北电力大学 | 一种血管三维模型的重建方法 |
US20110079082A1 (en) * | 2008-06-05 | 2011-04-07 | Koninklijke Philips Electronics N.V. | Extended field of view ultrasonic imaging with a two dimensional array probe |
CN101422352A (zh) * | 2008-12-10 | 2009-05-06 | 华北电力大学(保定) | 一种交互式冠状动脉虚拟血管镜的实现方法 |
WO2014149496A1 (en) * | 2013-03-15 | 2014-09-25 | Heartflow, Inc. | Image quality assessment for simulation accuracy and performance |
WO2014179277A1 (en) * | 2013-04-30 | 2014-11-06 | Tractus Corporation | Hand-held imaging devices with position and/or orientation sensors for complete examination of tissue |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109758178A (zh) * | 2017-11-10 | 2019-05-17 | 美国西门子医疗解决公司 | 超声成像中的机器辅助工作流 |
CN111513754A (zh) * | 2019-09-16 | 2020-08-11 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像设备、超声图像的质量评估方法 |
Also Published As
Publication number | Publication date |
---|---|
US20160259898A1 (en) | 2016-09-08 |
KR20160107528A (ko) | 2016-09-19 |
EP3065072A1 (en) | 2016-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105938513A (zh) | 为计算机辅助诊断提供可靠性的装置和方法 | |
US10650518B2 (en) | Computer aided diagnosis (CAD) apparatus and method | |
US10039501B2 (en) | Computer-aided diagnosis (CAD) apparatus and method using consecutive medical images | |
KR101993716B1 (ko) | 카테고리별 진단 모델을 이용한 병변 진단 장치 및 방법 | |
US20190311478A1 (en) | System and Method for Automatic Detection, Localization, and Semantic Segmentation of Anatomical Objects | |
CN105701331A (zh) | 计算机辅助诊断设备和计算机辅助诊断方法 | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
JP6885517B1 (ja) | 診断支援装置及びモデル生成装置 | |
CN107993221B (zh) | 心血管光学相干断层oct图像易损斑块自动识别方法 | |
WO2017009812A1 (en) | System and method for structures detection and multi-class image categorization in medical imaging | |
US20130188878A1 (en) | Image analysis systems having image sharpening capabilities and methods using same | |
EP3981012A1 (en) | Systems and methods to process images for skin analysis and to visualize skin analysis | |
EP2987114B1 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
JP2020010805A (ja) | 特定装置、プログラム、特定方法、情報処理装置及び特定器 | |
CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及*** | |
Bourbakis | Detecting abnormal patterns in WCE images | |
Rajathi et al. | Varicose ulcer (C6) wound image tissue classification using multidimensional convolutional neural networks | |
CN105468891A (zh) | 用于支持计算机辅助诊断的设备和方法 | |
CN110136153A (zh) | 一种图像处理方法、设备及存储介质 | |
CN111127400A (zh) | 一种乳腺病变检测方法和装置 | |
Kundu et al. | Probability density function based modeling of spatial feature variation in capsule endoscopy data for automatic bleeding detection | |
CN111275754B (zh) | 一种基于深度学习的脸部痘印比例计算方法 | |
CN105551042A (zh) | 一种扫描床标记点位置的确定方法和装置 | |
CN111325282A (zh) | 适应多机型的乳腺x射线影像识别方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20160914 |