CN108171696A - 一种胎盘检测方法及装置 - Google Patents
一种胎盘检测方法及装置 Download PDFInfo
- Publication number
- CN108171696A CN108171696A CN201711482417.6A CN201711482417A CN108171696A CN 108171696 A CN108171696 A CN 108171696A CN 201711482417 A CN201711482417 A CN 201711482417A CN 108171696 A CN108171696 A CN 108171696A
- Authority
- CN
- China
- Prior art keywords
- placenta
- pixel
- edge
- ultrasonography
- image
- 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.)
- Granted
Links
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30044—Fetus; Embryo
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical 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)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种胎盘检测方法及装置,用于提高胎盘检测的准确性及检测效率。本发明实施例方法包括:获取胎盘的超声波图像;利用图像边缘检测算法识别超声波图像中胎盘的边缘;根据胎盘的边缘确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板。本发明实施例还提供了一种胎盘检测装置,用于提高胎盘检测的准确性及检测效率。
Description
技术领域
本发明涉及医疗技术领域,尤其涉及一种胎盘检测方法及装置。
背景技术
胎儿发育所需要的营养物质都是通过胎盘来获取,所以胎盘功能的好坏直接影响着胎儿的健康。胎盘会随着孕期的进行而逐渐成熟,成熟到一定程度时功能就会减退,无法正常给胎儿提供营养和氧气,而胎盘成熟度分级就是用来衡量胎盘成熟程度的一项标准。
胎盘超声分级是评价胎盘功能的重要指标之一,即根据妊娠各期胎盘绒毛膜板、胎盘实质及基底板的回声和形态把胎盘分为4级,即0、I、II、III级。而现有技术在对胎盘功能评价前,主要依靠肉眼识别胎盘中的胎盘绒毛膜板、胎盘实质及基底板,并人为的根据胎盘绒毛膜板、胎盘实质及基底板的回声和形态将胎盘进行分级。
而目前这种通过人眼识别胎盘图像灰阶,而达到识别胎盘图像中胎盘绒毛膜板、胎盘实质及基底板的方式,有一定的主观性,且不同操作者之间存在一定的差异,很容易造成误判。
发明内容
本发明提供了一种胎盘检测的方法及装置,用于解决现有技术中对胎盘检测准确率较低的问题。
本发明第一方面提供了一种胎盘检测的方法,包括:
获取胎盘的超声波图像;
利用图像边缘检测算法识别超声波图像中胎盘的边缘;
根据胎盘的边缘确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板。
优选的,该方法还包括:
根据胎盘实质的边缘轮廓,获取胎盘实质的最大直径,以用来确定胎盘厚度。
优选的,在确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板之后,该方法还包括:
分别对超声波图像中的胎盘绒毛膜板、胎盘实质及基底板进行评级;
根据评级结果确定胎盘的成熟度级别。
优选的,对超声波图像中的胎盘绒毛膜板进行评级包括:
计算胎盘绒毛膜板图像中每个像素点灰度值的梯度值,获取每个像素点与相邻像素点的梯度差,将梯度差进行累加,根据累加值对胎盘绒毛模板进行评级;
对超声波图像中的胎盘实质进行评级包括:
获取胎盘实质图像中每个像素点的灰度值,计算所有像素点灰度值的平均值和标准差,并将平均值和标准差分别与第一灰度阈值及第一差异阈值进行比较,根据比较结果对胎盘实质进行评级;
对超声波图像中的基底板进行评级包括:
获取基底板图像中每个像素点的灰度值,计算所有像素点灰度值的平均值和标准差,并将平均值和标准差分别与第二灰度阈值及第二差异阈值进行比较,根据比较结果对基底板进行评级。
优选的,利用图像边缘检测算法识别超声波图像中胎盘的边缘,包括:
对胎盘的超声波图像进行高斯滤波,以滤除图像中的高斯噪声,使得图像更加平滑;
计算图像中每个像素点的梯度值和梯度方向;
将每个像素点的梯度值沿梯度方向进行非极大值抑制,以去掉图像中的非边缘像素点;
利用双阈值边缘检测算法对进行非极大值抑制后的像素点进行处理,得到图像中胎盘的边缘像素点,将边缘像素点进行连接,得到胎盘的边缘。
优选的,该方法还包括:
对胎盘厚度和/或胎盘的成熟度级别进行显示。
本发明第二方面提供了一种胎盘检测装置,包括:
获取单元,用于获取胎盘的超声波图像;
识别单元,用于利用图像边缘检测算法识别超声波图像中胎盘的边缘;
第一确定单元,用于根据胎盘的边缘确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板。
优选的,该装置还包括:
第二确定单元,用于根据胎盘实质的边缘轮廓,获取胎盘实质的最大直径,以用来确定胎盘厚度。
优选的,该装置还包括:
评级单元,用于分别对超声波图像中的胎盘绒毛膜板、胎盘实质及基底板进行评级;
第三确定单元,用于根据评级结果确定胎盘的成熟度级别。
优选的,评级单元,包括:
第一评级模块,用于计算胎盘绒毛膜板图像中每个像素点灰度值的梯度值,获取每个像素点与相邻像素点的梯度差,将梯度差进行累加,根据累加值对胎盘绒毛模板进行评级;
第二评级模块,用于获取胎盘实质图像中每个像素点的灰度值,计算所有像素点灰度值的平均值和标准差,并将平均值和标准差分别与第一灰度阈值及第一差异阈值进行比较,根据比较结果对胎盘实质进行评级;
第三评级模块,用于获取基底板图像中每个像素点的灰度值,计算所有像素点灰度值的平均值和标准差,并将平均值和标准差分别与第二灰度阈值及第二差异阈值进行比较,根据比较结果对基底板进行评级。
优选的,该装置还包括:
显示单元,用于对胎盘厚度和/或胎盘的成熟度级别进行显示。
本发明还提供了一种计算机装置,包括处理器,该处理器在处理存储于存储器上的计算机程序时,用于实现以下的步骤:
获取胎盘的超声波图像;
利用图像边缘检测算法识别超声波图像中胎盘的边缘;
根据胎盘的边缘确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板。
本发明还提供了一种可读存储介质,其上存储有计算机程序,计算机程序被执行时,用于实现以下的步骤:
获取胎盘的超声波图像;
利用图像边缘检测算法识别超声波图像中胎盘的边缘;
根据胎盘的边缘确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明中,在获取胎盘的超声波图像后,通过图像边缘检测算法自动识别胎盘的边缘,并根据胎盘边缘确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板,这种通过图像边缘识别算法来确定胎盘超声波图像中绒毛膜板、胎盘实质及基底板的方式,是通过精确的算法的识别胎盘的边缘,提高了胎盘检测的准确性。
附图说明
图1为本发明实施例中胎盘检测方法的一个实施例示意图;
图2为本发明实施例中胎盘结构示意图;
图3为本发明实施例中利用图像识别算法识别胎盘边缘方法的一个实施例示意图;
图4为本发明实施例中胎盘检测方法的另一个实施例示意图;
图5为本发明实施例中对超声波图像中胎盘绒毛膜板、胎盘实质及基底板评级方法的一个实施例示意图;
图6为本发明实施例中像素邻接关系示意图;
图7为本发明实施例中胎盘检测装置的一个实施例示意图;
图8为本发明实施例中胎盘检测装置的另一个实施例示意图。
具体实施方式
本发明实施例提供了一种胎盘检测的方法及装置,用于通过图像边缘检测算法自动识别胎盘的边缘,从而根据胎盘的边缘自动将胎盘分割为绒毛膜板、胎盘实质及基底板,提高了胎盘检测的准确率。
为方便理解,下面详细描述本发明中的胎盘检测方法,请参阅图1,本发明实施例中胎盘检测方法的一个实施例,包括:
101、获取胎盘的超声波图像;
超声波成像通常被应用在医学领域,以获取人体内不同位的声像图,其中B型超声诊断仪在临床中应用回声原理,通过探头发射的声束进行扫查,逐次得到不同位置沿深度方向所有界面的回波,以得到人体不同位置的切面声像图。
当通过超声波探头发射的声束扫查胎儿的胎盘时,可以得到胎盘切面的超声波图像,需要说明的是,胎盘的组织构成可以分为胎盘绒毛膜板、胎盘实质及基底板,故胎盘切面的超声波图像中包括胎盘绒毛模板、胎盘实质及基底板三个部分,而本实施例中胎盘切面指的是包含胎盘实质最大横截面的切面。其中胎盘的结构示意图可以参照图2所示。
102、利用图像边缘检测算法识别超声波图像中胎盘的边缘;
如图2所示,胎盘结构中胎盘绒毛模板为胎盘的胎儿面,位于羊水和胎盘实质之间,胎盘实质位于胎盘绒毛模板及基底板之间,基底板在胎盘实质中与绒毛模板的对应的另一侧,即胎盘实质在胎盘中位于绒毛模板及基底板的中间层。
容易理解的是,在胎盘的超声波图像中,只要确定胎盘的边缘轮廓,根据胎盘的结构,可以很容易识别胎盘中的胎盘绒毛膜板及基底板。本实施例中,在得到胎盘的超声波图像后,通过图像边缘检测算法自动识别胎盘中的胎盘边缘,比现有技术中通过人眼识别图像灰阶而识别胎盘结构的方式,更加的准确,且识别效率更高。
103、根据胎盘的边缘确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板。
在根据图像边缘检测算法识别胎盘超声波图像中的胎盘边缘后,根据胎盘的结构组成,很容易确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板。
本发明中,在获取胎盘的超声波图像后,通过图像边缘检测算法自动识别胎盘的边缘,并根据胎盘边缘确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板,这种通过图像边缘识别算法来确定胎盘超声波图像中绒毛膜板、胎盘实质及基底板的方式,是通过精确的算法的识别胎盘的边缘,提高了胎盘检测的准确性。
基于图1所述的实施例,下面详细描述利用图像识别算法来识别胎盘边缘的方法,请参阅图3,本发明实施例中利用图像识别算法识别胎盘边缘方法的一个实施例,包括:
301、对胎盘的超声波图像进行高斯滤波,以滤除图像中的高斯噪声,使得图像更加平滑;
可以理解的是,在采集和传输图像的过程中往往会存在一定程度的噪声干扰,该噪声会恶化图像的质量,使图像模糊,淹没图像的特征,给图像分析带来一定的困难,而图像平滑是一种图像处理技术,可以消除图像采集、传输过程中的噪声,高斯滤波是一种常用的平滑函数。
具体的,高斯滤波是将图像中的每个像素点的灰度值与高斯核卷积,并将卷积和作为输出像素值,其中,高斯核相当于是对输出像素的邻域赋予不同的权值,输出像素点所在位置的权重最大。
一般,高斯滤波采用线性滤波器,其统一形式如下所示:
其中,h为滤波器的核函数,也即为权值。
若使3*3的高斯核,则h为:
则计算公式如下:
g(x,y)={f(x-1,y-1)+f(x-1,y+1)+f(x+1,y-1)+f(x+1,y+1)+[f(x-1,y)+f(x,y-1)+f(x+1,y)+f(x,y+1)]*2+f(x,y)*4}/16;
其中,f(x,y)为图像中(x,y)点的灰度值,g(x,y)为该点经过高斯滤波后的值。
故将胎盘图像中每个像素点的灰度值与高斯核函数卷积,并将卷积和作为每个像素点的输出灰度值,这样就可以滤除图像中的高斯噪声,使得胎盘图像变的平滑。
302、计算图像中每个像素点灰度值的梯度值和梯度方向;
对胎盘的超声波图像高斯滤波后,去除胎盘图像中的高斯噪声,得到平滑的胎盘图像,然后使用一阶导数算子计算胎盘图像中每个像素点灰度值在水平和垂直方向上的导数Gx、Gy,得到梯度向量(Gx,Gy),则该像素点灰度值的梯度G和相位角D分别为:
其中,一阶导数算子采用sobel算子,具体的sobel算子如下所示:
具体每个像素点灰度值的梯度值的计算,是在算法过程中将每个像素点的灰度值与sobel算子做卷积和运算。其中,Gx、Gy可通过sobel算子与像素点的灰度值做卷积而获得,一般在图像处理中,图像模板邻域如下表所示:
Z1 | Z2 | Z3 |
Z4 | (X,Y) | Z6 |
Z7 | Z8 | Z9 |
则胎盘图像中每个像素点灰度值在水平和垂直方向上的导数Gx、Gy可以如下计算:
Gx=(Z1+2Z2+Z3)-(Z7+2Z8+Z9)
Gy=(Z1+2Z4+Z7)-(Z3+2Z6+Z9)
由此可知,在用sobel算子对每个像素点的灰度值做卷积后,便可以得到每个像素点的灰度值在水平和垂直方向上的导数Gx、Gy,进而得到该像素点灰度值的的梯度和相位角。其中,该梯度角表示像素点的灰度值沿该方向变化最快,梯度值为像素点方向导数的最大值。
303、将每个像素点的梯度值沿梯度方向进行非极大值抑制,以去掉图像中的非边缘像素点;
可以理解是,获得胎盘图像中每个像素点的梯度值后,还不能确定胎盘图像中的胎盘的边缘,因此,为了确定胎盘的边缘,必须保留局梯度最大的点,而抑制非极大值。
具体的,在图像模板邻域中,是将邻域中心像素点灰度值M的梯度G与沿梯度方向(即相位角D方向)上相邻像素点灰度值的梯度做比较,若中心像素点灰度值M的梯度G小于沿梯度方向上相邻像素点灰度值的梯度,则令中心像素点灰度值M等于0,从而对胎盘图像中每个像素点沿其梯度方向进行非极大值抑制,以去除胎盘图像中的非边缘像素点。
304、利用双阈值边缘检测算法对进行非极大值抑制后的像素点进行处理,得到图像中胎盘的边缘像素点,将边缘像素点进行连接,得到胎盘的边缘。
由步骤303得到胎盘图像的边缘像素点后,其中该边缘像素点中存在一些伪边缘像素点,为了更准确的获得胎盘图像中的边缘像素点,需要进一步去除步骤303中获得的伪边缘像素点。
具体的,是利用双阈值边缘检测算法对进行非极大值抑制后的像素点进行处理,即选取阈值th1和th2,其中th1=0.4th2,然后把胎盘边缘中的每个像素点灰度值对应的梯度值小于th1的像素点的灰度值设为0,得到图像1,然后把胎盘边缘中的每个像素点灰度值对应的梯度值小于th2的像素的灰度值设为0,得到图像2。由于图像2的阈值较高,去除大分噪音,但同时也损失了有用的边缘信息。而图像1的阈值较低,保留了较多的信息,我们可以以图像2为基础,以图像1为补充来连结图像的边缘,从而得到胎盘的边缘。
需要说明的是,本实施例只给出了识别胎盘边缘的一种算法,除此以外,还可以通过Reborts算子、Prewitt算子、Laplace算子来识别胎盘的边缘,此处对识别胎盘边缘的算法不做具体限制。
可以理解的是,本实施例中是采用图像边缘检测算法来识别胎盘的边缘,较现有技术中通过人眼来识别胎盘的边缘,准确性更高,误差更小。
基于图1所述的实施例,在识别胎盘中的胎盘绒毛膜板、胎盘实质及基底板后,可以根据不同位的形态特征及回声特征,获取胎盘的厚度及成熟级别,下面详细描述本发明实施例中胎盘检测方法的另一个实施例,请参阅图4,本发明实施例中胎盘检测方法的另一个实施例,包括:
401、获取胎盘的超声波图像;
402、利用图像边缘检测算法识别超声波图像中胎盘的边缘;
403、根据胎盘的边缘确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板;
需要说明的是,本发明实施例中的步骤401至403与图1所述的实施例中的步骤101至103类似,此处不再赘述。
404、根据胎盘实质的边缘轮廓,获取胎盘实质的最大直径,以用来确定胎盘厚度;
在步骤402中,利用图像边缘检测算法识别胎盘切面中胎盘的边缘后,根据胎盘的结构即可确定胎盘中的胎盘绒毛膜板、胎盘实质及基底板,然后获取到胎盘实质的边缘轮廓。
然后可以调用MATLAB函数绘制胎盘实质边缘轮廓的最小外接矩形,通过函数计算出最小外接矩形的像素长度,再将像素长度转换为实际物理长度,即为胎盘实质的最大直径,该最大直径即为胎盘的厚度。
405、分别对超声波图像中的胎盘绒毛膜板、胎盘实质及基底板进行评级;
根据胎盘边缘确定了胎盘中的胎盘绒毛膜板,胎盘实质及基底板后,可以根据各部分的评级方法依次对各部分进行评级,具体各部分的评级方法在下面的实施例中详细描述。
406、根据评级结果确定所述胎盘的成熟度级别;
步骤405中获得胎盘绒毛膜板、胎盘实质及基底板各分的评级后,然后分别将各部分中同一级别的分数相加,分数最高的级别即为胎盘的成熟度级别。
具体的,以下面图表来进行说明:
表1
如图表1所示,若胎盘绒毛膜板为Ⅰ级,则相应的给胎盘的Ⅰ级+1分;若胎盘实质为Ⅰ级,则相应的给胎盘的Ⅰ级+1分;若基底板为Ⅱ级,则相应的给胎盘的Ⅱ级+1分,由此可知,该胎盘中Ⅰ级的得分最高,则该胎盘的成熟级别为Ⅰ级。
407、对胎盘厚度和/或胎盘的成熟度级别进行显示。
通过上述步骤得出胎盘的厚度和成熟级别后,在胎盘的图像上对该胎盘的厚度和/或胎盘的成熟级别进行显示。
本发明中,在获取胎盘的超声波图像后,通过图像边缘检测算法自动识别胎盘的边缘,并根据胎盘边缘确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板,这种通过图像边缘识别算法来确定胎盘超声波图像中绒毛膜板、胎盘实质及基底板的方式,是通过精确的算法的识别胎盘的边缘,提高了胎盘检测的准确性。
其次,本发明在获取胎盘中的胎盘绒毛膜板、胎盘实质及基底板后,通过图像算法自动计算胎盘的厚度,并对胎盘中的各部分依次自动评级,且根据各部分的评级结果自动获得胎盘的成熟级别,较现有技术识别效率高,且识别准确性较高。
基于图4所述的实施例,下面详细描述对超声波图像中胎盘绒毛膜板、胎盘实质及基底板的评级方法,请参阅图5,本发明实施例中对超声波图像中胎盘绒毛膜板、胎盘实质及基底板的评级方法的一个实施例,包括:
501、计算胎盘绒毛膜板图像中每个像素点的梯度值,获取每个像素点与相邻像素点的梯度差,将梯度差进行累加,并根据累加值对所述胎盘绒毛模板进行评级;
具体的,确定了胎盘绒毛膜板后,对胎盘绒毛膜板上每个像素点的灰度值利用sobel算子,计算每个像素点灰度值与sobel算子的卷积,该卷积即为每个像素点灰度值的梯度值,具体的计算方法如图3所述实施例中的步骤302所示,此处不再赘述。
获得胎盘绒毛膜板上每个像素点的灰度值后,计算每个像素点与相邻像素点的梯度差,具体的,在图像处理中,像素作为图像的最小单位,每个像素都有8个邻接像素,常见的邻接关系为4邻接或8邻接,如图6所示,4邻接一共4个点,即上下左右,8邻接一共8个点,即上下左右加上对角线上的4个点。本实施中以4邻接来举例说明,计算胎盘绒毛膜板中每个中心像素点的梯度值后,依次计算每个中心像素点与相邻4个像素点的梯度差,并将该4个梯度差累加,得出的每个像素点的边缘梯度差W,再通过函数找出所有像素点中边缘梯度差的最大值Wmax。
根据临床需求,设置不同的阈值,分别标记为第一阈值X1,第二阈值X2,第三阈值X3,若Wmax<X1,则将胎盘绒毛膜板评为0级,即胎盘绒毛膜板0级+1分;若X1≤Wmax<X2,,则将胎盘绒毛膜板评为Ⅰ级,即胎盘绒毛膜板Ⅰ级+1分;若X2≤Wmax<X3,则将胎盘绒毛膜板评为Ⅱ级,即胎盘绒毛膜板Ⅱ级+1分;若X3≥Wmax,则将胎盘绒毛膜板评为Ⅲ级,即胎盘绒毛膜板Ⅲ级+1分。
502、获取胎盘实质图像中每个像素点的灰度值,计算所有像素点灰度值的平均值和标准差,并将平均值和标准差分别与与第一灰度阈值及第一差异阈值进行比较,根据比较结果对胎盘实质进行评级;
一般的,在临床中,对胎盘实质的评级方法如下:若胎盘实质回声均匀,未出现高亮的回声,则对应胎盘实质0级评分+1;若胎盘实质出现增强回声光点,直径2mm-4mm,则对应胎盘实质的I级评分+1;若胎盘实质出现逗点状增强光点,则对应胎盘实质II级评分+1;若胎盘实质出现强回声和不规则的强光点和光团,则对应胎盘实质III级评分+1。
对应在图像处理中,可以通过不同程序中的不同函数获取胎盘实质中每个像素点的灰度值,如在MATLAB程序中,可以通过调用matlab的图像读取函数imread读取某个路径下的胎盘实质图片,假如把图片放在work文件夹下,则可以通过I=imread('胎盘实质.jpg'),读取出work文件夹下的胎盘实质图片,进一步通过G=rgb2gray(I),将胎盘实质图片转化为灰度图,最终即可通过workspace中的G项,在弹出的array edit中就看到了胎盘实质的灰度矩阵,继而通过函数计算出灰度矩阵中所有灰度值的平均值H和标准差σ,然后将该灰度值的平均值H和标准差σ与预设的第一灰度阈值th(H)及第一差异阈值th(σ)进行比较,若H<th(H),σ<th(σ),则说明胎盘实质的灰度值均匀,未出现高亮回声,则胎盘实质的评为0级,即胎盘0级+1分;若H≥th(H),σ≥th(σ),则说明胎盘实质的灰度值不均匀,可能是在胎盘实质上出现了不同强度的光点,则需要对胎盘实质上的光点大小进行测量。
具体的,光点大小的测量可以通过以下步骤来实现:
1、将胎盘实质图像转换为二值图像;
通过matlab中的imread函数从某个位置读取出胎盘实质的图像,通过imshow函数将胎盘实质图像展示出来,然后将本实施例中的第一灰度阈值赋值给Thresh,再通过im2bw将胎盘实质图像根据二值化阈值转换为二值图像。以下为二值化图像的转换程序:
I=imread('胎盘实质.jpg');
Imshow(I);
Thresh=th(H);
I2=im2bw(I,Thresh);
可以理解的是,将胎盘实质图像转换为二值图像后,则胎盘实质图像中灰度值低于第一灰度阈值th(H)的像素点,像素值全被赋值为0,而灰度值高于第一灰度阈值th(H)的像素点,像素值全被赋值为1。
2、二值图像连通区域的标记;
在图像处理中,连通区域是是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域,而连通区域标记是指将图像中的所有连通区域找出并标记,本实施例是通过连通区域的标记来实现对胎盘实质中具有相同像素值的像素点的标记,即实现对前景像素点(像素值为1)的像素点的连通区域的标记,而连通区域标记常用的算法为Two-pass(两遍扫描法),在现有技术中有详细描述,此处不再赘述。
3、计算二值图像中像素值为1的像素和;
在步骤2中,标记出所有像素值为1的连通区域后,可以计算出所有被标记的连通区域中的像素和,即像素值为1的像素点的个数。
4、根据每个像素的物理尺寸,将连通区域中像素值为1的像素和,转换为实际物理尺寸。
计算出像素值为1的像素点的个数,即像素值为1的连通区域中的像素和后,可以根据每个像素的物理尺寸,将连通区域中像素值为1的像素和转换为实际物理尺寸,即可得到胎盘实质中光点的大小。
若胎盘实质中出现单个光点,且单个光点的直径为2mm-4mm,则胎盘实质评为I级,即胎盘I级+1分;若胎盘实质中出现多个光点,且多个光点中最大光点的直径为2mm-4mm,则胎盘实质评为II级,即胎盘II级+1分;若胎盘实质中存在光点直径大于4mm的光团,则胎盘实质评为III级,即胎盘III级+1分。
503、获取基底板中每个像素点的灰度值,计算所有像素点灰度值的平均值和标准差,并将平均值和标准差分别与第二灰度阈值及第二差异阈值进行比较,根据比较结果对基底板进行评级。
一般的,在临床中,对基底板的评级方法如下:若基底板回声均匀,未出现高亮的回声,则基底板评为I级,即对应胎盘的I级评分+1;若基底板出现线状排列的增强小光点,则基底板评为II级,则对应胎盘的II级评分+1;若基底板光点增大,融合相连,则基底板评为III级,则对应胎盘III级评分+1。
对应在图像处理上,也是计算基底板上所有像素点灰度值的平均值H1和标准差σ1,并将平均值H1和标准差σ1与第二灰度阈值th(H1)和第二差异阈值th(σ1)进行比较,若H1<th(H1),σ1<th(σ1),则说明基底板的灰度值均匀,未出现高亮回声,则对应胎盘的I级评分+1,若H1≥th(H1),σ1≥th(σ1),则说明基底板的灰度值可能出现光点,则需要对光点的位置和大小进行测量,具体的灰度值的计算步骤如502所述,此处不再赘述。
下面描述如何测量光点的位置和大小:
1、将基底板图像转换为二值图像;
通过matlab中的imread函数从某个位置读取出基底板的图像,通过imshow函数将基底板图像展示出来,然后将本实施例中的第二灰度阈值赋值给Thresh,再通过im2bw将基底板图像根据二值化阈值转换为二值图像。以下为二值化图像的转换程序:
I=imread('基底板.jpg');
Imshow(I);
Thresh=th(H1);
I2=im2bw(I,Thresh);
可以理解的是,将基底板图像转换为二值图像后,则基底板图像中灰度值低于第二灰度阈值th(H)的像素点,像素值全被赋值为0,而灰度值高于第二灰度阈值th(H)的像素点,像素值全被赋值为1。
2、二值图像连通区域的标记;
需要说明的是,该步骤与502中描述的步骤类似,此处不再赘述。
3、提取出像素值为1连通区域中中心像素点的位置坐标;
在步骤2中,标记出所有像素值为1的连通区域后,可以通过MATLAB函数提取出连通区域中中心像素点的位置坐标,并通过各连通区域中中心像素点的位置坐标判断各连通区域是否位于同一条直线上。
4、计算二值图像中像素值为1的像素和;
5、根据每个像素的物理尺寸,将连通区域中像素值为1的像素和,转换为实际物理尺寸。
其中,步骤4和5与步骤502中描述的步骤类似,此处不再赘述。
根据步骤3,可以判断基底板中的增强光点是否成线状排列,若是,则对应基底板为II级,即胎盘的II级评分+1;根据步骤5可以计算出光点的直径,若光点的直径大于临床上规定的某个阈值,则说明光点融合增大,则对应基底板为III级,即胎盘的III级评分+1。
需要说明的是,图5实施例中的步骤501至503为相互独立的步骤,之间没有严格的顺序限制,根据步骤501至503即可完成对胎盘中胎盘绒毛膜板、胎盘实质及基底板的评级。
本实施例是通过图像识别算法根据灰度值和光点直径,对胎盘绒毛膜板、胎盘实质及胎盘基底板分别进行评级,较现有技术中通过肉眼对胎盘绒毛膜板、胎盘实质及胎盘基底板进行评级的方法更为准确,且评级效率更高。
上面描述了本发明实施例中的胎盘检测方法,下面来描述本发明实施例中的胎盘检测装置,请参阅图7,本发明实施例中的胎盘检测装置的一个实施例,包括:
获取单元701,获取胎盘的超声波图像;
识别单元702,利用图像边缘检测算法识别超声波图像中胎盘的边缘;
第一确定单元703,根据胎盘的边缘确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板。
需要说明的是,上述各单元的作用与图1所述实施例中胎盘检测装置的作用类似,此处不再赘述。
基于图7所述的实施例,下面详细描述本发明中的胎盘检测装置,请参阅图8,本发明实施例中的胎盘检测装置的另一个实施例,包括:
获取单元801,获取胎盘的超声波图像;
识别单元802,利用图像边缘检测算法识别超声波图像中胎盘的边缘;
第一确定单元803,根据胎盘的边缘确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板。
优选的,该装置还包括:
第二确定单元804,用于根据胎盘实质的边缘轮廓,获取胎盘实质的最大直径,以用来确定胎盘厚度。
评级单元805,用于分别对超声波图像中的胎盘绒毛膜板、胎盘实质及基底板进行评级;
第三确定单元806,用于根据评级结果确定胎盘的成熟度级别;
显示单元807,用于对胎盘厚度和/或胎盘的成熟度级别进行显示。
需要说明的是,上述各单元的作用与图4所述的胎盘检测装置中各单元的作用类似,此处不再赘述。
优选的,评级单元805,具体包括:
第一评级模块8051,用于计算胎盘绒毛膜板图像中每个像素点灰度值的梯度值,获取每个像素点与相邻像素点的梯度差,将梯度差进行累加,根据累加值对胎盘绒毛模板进行评级;
第二评级模块8052,用于获取胎盘实质图像中每个像素点的灰度值,计算所有像素点灰度值的平均值和标准差,并将平均值和标准差分别与第一灰度阈值及第一差异阈值进行比较,根据比较结果对胎盘实质进行评级;
第三评级模块8053,用于获取基底板图像中每个像素点的灰度值,计算所有像素点灰度值的平均值和标准差,并将平均值和标准差分别与第二灰度阈值及第二差异阈值进行比较,根据比较结果对基底板进行评级。
需要说明的是,上述各模块的作用与图5所述实施例中胎盘检测装置的作用类似,此处不再赘述。
本发明中,通过获取单元801获取胎盘的超声波图像后,通过识别单元802利用图像边缘检测算法自动识别胎盘的边缘,并根据胎盘边缘确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板,这种通过图像边缘识别算法来确定胎盘超声波图像中绒毛膜板、胎盘实质及基底板的方式,是通过精确的算法的识别胎盘的边缘,提高了胎盘检测的准确性。
其次,本发明在获取胎盘中的胎盘绒毛膜板、胎盘实质及基底板后,利用图像算法自动计算胎盘的厚度,并通过通过第一评级模块8051、第二评级模块8052及第三评级模块8053对胎盘中的各部分依次自动评级,且根据各部分的评级结果自动获得胎盘的成熟级别,较现有技术识别效率高,且识别准确性较高。
上面从模块化功能实体的角度对本发明实施例中的胎盘检测装置进行了描述,下面从硬件处理的角度对本发明实施例中的计算机装置进行描述:
该计算机装置用于实现胎盘检测装置的功能,本发明实施例中计算机装置一个实施例包括:
处理器以及存储器;
存储器用于存储计算机程序,处理器用于执行存储器中存储的计算机程序时,可以实现如下步骤:
获取胎盘的超声波图像;
利用图像边缘检测算法识别超声波图像中胎盘的边缘;
根据胎盘的边缘确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板。
在本发明的一些实施例中,处理器,还可以用于实现如下步骤:
根据胎盘实质的边缘轮廓,获取胎盘实质的最大直径,以用来确定胎盘厚度。
在本发明的一些实施例中,处理器,还可以用于实现如下步骤:
分别对超声波图像中的胎盘绒毛膜板、胎盘实质及基底板进行评级;
根据评级结果确定胎盘的成熟度级别。
在本发明的一些实施例中,处理器,还可以具体用于实现如下步骤:
计算胎盘绒毛膜板图像中每个像素点灰度值的梯度值,获取每个像素点与相邻像素点的梯度差,将梯度差进行累加,根据累加值对胎盘绒毛模板进行评级;
获取胎盘实质图像中每个像素点的灰度值,计算所有像素点灰度值的平均值和标准差,并将平均值和标准差分别与第一灰度阈值及第一差异阈值进行比较,根据比较结果对胎盘实质进行评级;
获取基底板图像中每个像素点的灰度值,计算所有像素点灰度值的平均值和标准差,并将平均值和标准差分别与第二灰度阈值及第二差异阈值进行比较,根据比较结果对基底板进行评级。
在本发明的一些实施例中,处理器,还可以具体用于实现如下步骤:
对胎盘的超声波图像进行高斯滤波,以滤除图像中的高斯噪声,使得图像更加平滑;
计算图像中每个像素点的梯度值和梯度方向;
将每个像素点的梯度值沿梯度方向进行非极大值抑制,以去掉图像中的非边缘像素点;
利用双阈值边缘检测算法对进行非极大值抑制后的像素点进行处理,得到图像中胎盘的边缘像素点,将边缘像素点进行连接,得到胎盘的边缘。
在本发明的一些实施例中,处理器,还可以用于实现如下步骤:
对胎盘厚度和/或胎盘的成熟度级别进行显示。
可以理解的是,上述说明的计算机装置中的处理器执行所述计算机程序时,也可以实现上述对应的各装置实施例中各单元的功能,此处不再赘述。示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述胎盘检测装置的执行过程。例如,所述计算机程序可以被分割成上述胎盘检测装置中的各单元,各单元可以实现如上述相应胎盘检测装置说明的具体功能。
所述计算机装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机装置可包括但不仅限于处理器、存储器。本领域技术人员可以理解,处理器、存储器仅仅是计算机装置的示例,并不构成对计算机装置的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述计算机装置还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质用于实现胎盘检测装置的功能,其上存储有计算机程序,计算机程序被处理器执行时,处理器,可以用于执行如下步骤:
获取胎盘的超声波图像;
利用图像边缘检测算法识别超声波图像中胎盘的边缘;
根据胎盘的边缘确定超声波图像中的胎盘绒毛膜板、胎盘实质及基底板。
在本发明的一些实施例中,计算机可读存储介质存储的计算机程序被处理器执行时,处理器,还可以用于执行如下步骤:
根据胎盘实质的边缘轮廓,获取胎盘实质的最大直径,以用来确定胎盘厚度。
在本发明的一些实施例中,计算机可读存储介质存储的计算机程序被处理器执行时,处理器,还可以用于执行如下步骤:
分别对超声波图像中的胎盘绒毛膜板、胎盘实质及基底板进行评级;
根据评级结果确定胎盘的成熟度级别。
在本发明的一些实施例中,计算机可读存储介质存储的计算机程序被处理器执行时,处理器,可以具体用于执行如下步骤:
计算胎盘绒毛膜板图像中每个像素点灰度值的梯度值,获取每个像素点与相邻像素点的梯度差,将梯度差进行累加,根据累加值对胎盘绒毛模板进行评级;
获取胎盘实质图像中每个像素点的灰度值,计算所有像素点灰度值的平均值和标准差,并将平均值和标准差分别与第一灰度阈值及第一差异阈值进行比较,根据比较结果对胎盘实质进行评级;
获取基底板图像中每个像素点的灰度值,计算所有像素点灰度值的平均值和标准差,并将平均值和标准差分别与第二灰度阈值及第二差异阈值进行比较,根据比较结果对基底板进行评级。
在本发明的一些实施例中,计算机可读存储介质存储的计算机程序被处理器执行时,处理器,可以具体用于执行如下步骤:
对胎盘的超声波图像进行高斯滤波,以滤除图像中的高斯噪声,使得图像更加平滑;
计算图像中每个像素点的梯度值和梯度方向;
将每个像素点的梯度值沿梯度方向进行非极大值抑制,以去掉图像中的非边缘像素点;
利用双阈值边缘检测算法对进行非极大值抑制后的像素点进行处理,得到图像中胎盘的边缘像素点,将边缘像素点进行连接,得到胎盘的边缘。
在本发明的一些实施例中,计算机可读存储介质存储的计算机程序被处理器执行时,处理器,还可以用于执行如下步骤:
对胎盘厚度和/或胎盘的成熟度级别进行显示。
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***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的分或者全单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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分或者该技术方案的全或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或分步骤。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,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (13)
1.一种胎盘检测方法,其特征在于,包括:
获取胎盘的超声波图像;
利用图像边缘检测算法识别所述超声波图像中胎盘的边缘;
根据所述胎盘的边缘确定所述超声波图像中的胎盘绒毛膜板、胎盘实质及基底板。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据胎盘实质的边缘轮廓,获取所述胎盘实质的最大直径,以用来确定胎盘厚度。
3.根据权利要求2所述的方法,其特征在于,在所述确定所述超声波图像中的胎盘绒毛膜板、胎盘实质及基底板之后,所述方法还包括:
分别对所述超声波图像中的胎盘绒毛膜板、胎盘实质及基底板进行评级;
根据评级结果确定所述胎盘的成熟度级别。
4.根据权利要求3所述的方法,其特征在于,所述对所述超声波图像中的胎盘绒毛膜板进行评级包括:
计算胎盘绒毛膜板图像中每个像素点灰度值的梯度值,获取每个像素点与相邻像素点的梯度差,将所述梯度差进行累加,根据累加值对所述胎盘绒毛模板进行评级;
所述对所述超声波图像中的胎盘实质进行评级包括:
获取胎盘实质图像中每个像素点的灰度值,计算所有像素点灰度值的平均值和标准差,并将所述平均值和所述标准差分别与第一灰度阈值及第一差异阈值进行比较,根据比较结果对所述胎盘实质进行评级;
所述对所述超声波图像中的基底板进行评级包括:
获取基底板图像中每个像素点的灰度值,计算所有像素点灰度值的平均值和标准差,并将所述平均值和所述标准差分别与第二灰度阈值及第二差异阈值进行比较,根据比较结果对所述基底板进行评级。
5.根据权利要求1所述的方法,其特征在于,所述利用图像边缘检测算法识别超声波图像中胎盘的边缘,包括:
对所述胎盘的超声波图像进行高斯滤波,以滤除所述图像中的高斯噪声,使得所述图像更加平滑;
计算所述图像中每个像素点的梯度值和梯度方向;
将每个像素点的所述梯度值沿所述梯度方向进行非极大值抑制,以去掉所述图像中的非边缘像素点;
利用双阈值边缘检测算法对进行非极大值抑制后的像素点进行处理,得到所述图像中胎盘的边缘像素点,将所述边缘像素点进行连接,得到所述胎盘的边缘。
6.根据权利要求2至4中任一项所述的方法,其特征在于,所述方法还包括:
对所述胎盘厚度和/或所述胎盘的成熟度级别进行显示。
7.一种胎盘检测装置,其特征在于,包括:
获取单元,用于获取胎盘的超声波图像;
识别单元,用于利用图像边缘检测算法识别所述超声波图像中胎盘的边缘;
第一确定单元,用于根据所述胎盘的边缘确定所述超声波图像中的胎盘绒毛膜板、胎盘实质及基底板。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第二确定单元,用于根据胎盘实质的边缘轮廓,获取所述胎盘实质的最大直径,以用来确定胎盘厚度。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
评级单元,用于分别对所述超声波图像中的胎盘绒毛膜板、胎盘实质及基底板进行评级;
第三确定单元,用于根据评级结果确定所述胎盘的成熟度级别。
10.根据权利要求9所述的装置,其特征在于,所述评级单元,包括:
第一评级模块,用于计算胎盘绒毛膜板图像中每个像素点灰度值的梯度值,获取每个像素点与相邻像素点的梯度差,将所述梯度差进行累加,根据累加值对所述胎盘绒毛模板进行评级;
第二评级模块,用于获取胎盘实质图像中每个像素点的灰度值,计算所有像素点灰度值的平均值和标准差,并将所述平均值和所述标准差分别与第一灰度阈值及第一差异阈值进行比较,根据比较结果对所述胎盘实质进行评级;
第三评级模块,用于获取基底板图像中每个像素点的灰度值,计算所有像素点灰度值的平均值和标准差,并将所述平均值和所述标准差分别与第二灰度阈值及第二差异阈值进行比较,根据比较结果对所述基底板进行评级。
11.根据权利要求8至10中任一项所述的装置,其特征在于,所述装置还包括:
显示单元,用于对所述胎盘厚度和/或所述胎盘的成熟度级别进行显示。
12.一种计算机装置,包括处理器,其特征在于,所述处理器在处理存储于存储器上的计算机程序时,用于实现如权利要求1至6中任一项所述的胎盘检测方法。
13.一种可读存储介质,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,用于实现如权利要求1至6中任一项所述的胎盘检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711482417.6A CN108171696B (zh) | 2017-12-29 | 2017-12-29 | 一种胎盘检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711482417.6A CN108171696B (zh) | 2017-12-29 | 2017-12-29 | 一种胎盘检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108171696A true CN108171696A (zh) | 2018-06-15 |
CN108171696B CN108171696B (zh) | 2020-12-18 |
Family
ID=62516548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711482417.6A Active CN108171696B (zh) | 2017-12-29 | 2017-12-29 | 一种胎盘检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171696B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109671092A (zh) * | 2018-11-10 | 2019-04-23 | 江苏网进科技股份有限公司 | 一种改进的Canny图像分割方法和*** |
CN110772281A (zh) * | 2019-10-23 | 2020-02-11 | 哈尔滨工业大学(深圳) | 基于改进射线追踪法的超声ct成像*** |
CN112426170A (zh) * | 2020-11-19 | 2021-03-02 | 深圳开立生物医疗科技股份有限公司 | 一种胎盘厚度确定方法、装置、设备及存储介质 |
CN112587089A (zh) * | 2020-11-19 | 2021-04-02 | 新希望六和股份有限公司 | 基于人工智能的妊娠检测方法、装置、计算机设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043950A (zh) * | 2010-12-30 | 2011-05-04 | 南京信息工程大学 | 基于canny算子和边缘点统计的车辆轮廓识别方法 |
US20130302793A1 (en) * | 2006-07-31 | 2013-11-14 | Harvey J. Kliman | Method of making and using a library of biological material |
CN103732151A (zh) * | 2011-08-19 | 2014-04-16 | 株式会社日立医疗器械 | 医用图像装置以及医用图像构成方法 |
CN103932738A (zh) * | 2014-04-29 | 2014-07-23 | 深圳大学 | 胎盘成熟度分级方法及*** |
-
2017
- 2017-12-29 CN CN201711482417.6A patent/CN108171696B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130302793A1 (en) * | 2006-07-31 | 2013-11-14 | Harvey J. Kliman | Method of making and using a library of biological material |
CN102043950A (zh) * | 2010-12-30 | 2011-05-04 | 南京信息工程大学 | 基于canny算子和边缘点统计的车辆轮廓识别方法 |
CN103732151A (zh) * | 2011-08-19 | 2014-04-16 | 株式会社日立医疗器械 | 医用图像装置以及医用图像构成方法 |
CN103932738A (zh) * | 2014-04-29 | 2014-07-23 | 深圳大学 | 胎盘成熟度分级方法及*** |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109671092A (zh) * | 2018-11-10 | 2019-04-23 | 江苏网进科技股份有限公司 | 一种改进的Canny图像分割方法和*** |
CN110772281A (zh) * | 2019-10-23 | 2020-02-11 | 哈尔滨工业大学(深圳) | 基于改进射线追踪法的超声ct成像*** |
CN110772281B (zh) * | 2019-10-23 | 2022-03-22 | 哈尔滨工业大学(深圳) | 基于改进射线追踪法的超声ct成像*** |
CN112426170A (zh) * | 2020-11-19 | 2021-03-02 | 深圳开立生物医疗科技股份有限公司 | 一种胎盘厚度确定方法、装置、设备及存储介质 |
CN112587089A (zh) * | 2020-11-19 | 2021-04-02 | 新希望六和股份有限公司 | 基于人工智能的妊娠检测方法、装置、计算机设备和介质 |
CN112587089B (zh) * | 2020-11-19 | 2023-04-21 | 新希望六和股份有限公司 | 基于人工智能的妊娠检测方法、装置、计算机设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108171696B (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
US20210366122A1 (en) | Method and apparatus for segmenting G-banded adhered chromosome based on geometrical characteristic and regional fusion, and chromosome karyotype analysis device | |
CN108171696A (zh) | 一种胎盘检测方法及装置 | |
US8831311B2 (en) | Methods and systems for automated soft tissue segmentation, circumference estimation and plane guidance in fetal abdominal ultrasound images | |
EP3474191A1 (en) | Method and device for constructing a table including information on a pooling type and testing method and testing device using the same | |
CN108186051B (zh) | 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理*** | |
CN111507965A (zh) | 新型冠状病毒肺炎病灶检测方法、***、装置和存储介质 | |
CN109801308B (zh) | 粘连类圆形目标图像的分割方法 | |
CN107993228B (zh) | 一种基于心血管oct影像的易损斑块自动检测方法和装置 | |
CN111325728B (zh) | 产品缺陷检测方法、装置、设备及存储介质 | |
CN108052909B (zh) | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 | |
CN109035227A (zh) | 对ct图像进行肺部肿瘤检测与诊断的*** | |
CN108171694A (zh) | 基于卷积神经网络的结节检测方法、***及设备 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN104574312A (zh) | 标靶图像求圆心的方法和装置 | |
CN103984964A (zh) | 一种试纸条图像识别方法及*** | |
CN104463240A (zh) | 一种控制列表界面的方法及装置 | |
US20220314113A1 (en) | Generating point cloud completion network and processing point cloud data | |
CN110059573A (zh) | 基于图像识别的野山参分级检定方法 | |
CN108416769A (zh) | 基于预处理的ivoct图像易损斑块自动检测方法 | |
CN109389644A (zh) | 基于方向梯度增强的车位线检测方法 | |
CN116778559A (zh) | 基于高斯过程与随机变换的面部皱纹三维评价方法及*** | |
CN111325282A (zh) | 适应多机型的乳腺x射线影像识别方法和装置 | |
CN113408595B (zh) | 病理图像处理的方法、装置、电子设备及可读存储介质 | |
CN114118127B (zh) | 一种视觉场景标志检测与识别方法及装置 |
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 |