CN110400299A - 一种肺部胸腔积液检出的方法及装置 - Google Patents
一种肺部胸腔积液检出的方法及装置 Download PDFInfo
- Publication number
- CN110400299A CN110400299A CN201910667643.4A CN201910667643A CN110400299A CN 110400299 A CN110400299 A CN 110400299A CN 201910667643 A CN201910667643 A CN 201910667643A CN 110400299 A CN110400299 A CN 110400299A
- Authority
- CN
- China
- Prior art keywords
- pleural effusion
- lung
- region
- image
- area
- 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
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种肺部胸腔积液检出的方法及装置,该方法包括获取肺部影像信息,根据肺部影像信息,确定出胸腔积液区域,确定胸腔积液区域的面积,根据胸腔积液区域的面积和胸腔积液区域的位置,检出肺部的胸腔积液。通过肺部影像信息确定出胸腔积液区域,从而得到胸腔积液区域的面积,再根据胸腔积液区域的位置,确定该胸腔积液区域是否为胸腔积液,相比于传统的医生诊断的方式而言,能够降低因医生水平差异导致的诊断误差率,从而提高胸腔积液检出的准确性。
Description
技术领域
本发明实施例涉及机器学习技术领域,尤其涉及一种肺部胸腔积液检出的方法及装置。
背景技术
随着环境污染的日益严重,越来越多的疾病呈现出高爆发率的趋势。现代医疗技术的发展已经很成熟,医生可以凭借医学知识以及医疗经验诊断出各种疾病。也就是说,现有技术中的确定疾病的大多依靠医生的诊断,然而由于各个地区的医疗水平很不一致,且医生的个人经验水平也参差不齐,因此,传统的医生诊断疾病的方法容易受到地区医疗水平以及医生个人经验水平的影像,导致诊断误差较大的问题。
以肺部胸腔积液为例,医生通常需要人为地观测肺部3D影像,以对患者所患有的胸腔积液进行分析,这一过程难免会出现误诊的情况。
基于此,目前亟需一种检出胸腔积液的方法,用于提高检出胸腔积液的准确率。
发明内容
本发明实施例提供一种肺部胸腔积液检出的方法及装置,用以提高检出胸腔积液的准确率。
第一方面本发明实施例提供的一种肺部胸腔积液检出的方法,包括:
获取肺部影像信息;
根据所述肺部影像信息,确定出胸腔积液区域;
确定所述胸腔积液区域的面积;
根据所述胸腔积液区域的面积和所述胸腔积液区域的位置,检出所述肺部的胸腔积液。
上述技术方案中,通过肺部影像信息确定出胸腔积液区域,从而得到胸腔积液区域的面积,再根据胸腔积液区域的位置,确定该胸腔积液区域是否为胸腔积液,相比于传统的医生诊断的方式而言,能够降低因医生水平差异导致的诊断误差率,从而提高胸腔积液检出的准确性。
可选的,所述肺部影像信息包括肺部3D影像;
所述根据所述肺部影像信息,确定出胸腔积液区域,包括:
将所述肺部3D影像输入至第一胸腔积液分割模型中,得到所述胸腔积液区域;
所述第一胸腔积液分割模型是根据已标记的胸腔积液影像进行训练学习得到的。
可选的,所述肺部影像信息还包括肺分割影像和/或肺裂分割影像;
所述根据所述肺部影像信息,确定出胸腔积液区域,包括:
将所述肺部3D影像以及所述肺分割影像和/或所述肺裂分割影像输入至第二胸腔积液分割模型中,得到所述胸腔积液区域;
所述第二胸腔积液分割模型是根据已标记的胸腔积液影像以及已标记的肺分割影像和/或已标记的肺裂分割影像进行训练学习得到的。
可选的,所述确定所述胸腔积液区域的面积,包括:
根据所述胸腔积液区域的像素点的数量,确定所述胸腔积液区域的面积。
可选的,所述根据所述胸腔积液区域的面积和所述胸腔积液区域的位置,检出所述肺部的胸腔积液,包括:
根据所述胸腔积液区域的面积,确定出面积大于第一阈值的胸腔积液区域;
将所述面积大于第一阈值的胸腔积液区域中位于肺的底部的胸腔积液区域,确定为所述肺部的胸腔积液。
可选的,所述确定为所述肺部的胸腔积液,还包括:
确定出所述肺部胸腔积液位于左肺胸腔积液或右肺胸腔积液。
第二方面,本发明实施例提供一种肺部胸腔积液检出的装置,包括:
获取单元,用于获取肺部影像信息;
处理单元,用于根据所述肺部影像信息,确定出胸腔积液区域;确定所述胸腔积液区域的面积;根据所述胸腔积液区域的面积和所述胸腔积液区域的位置,检出所述肺部的胸腔积液。
可选的,所述处理单元具体用于:
将所述肺部3D影像输入至第一胸腔积液分割模型中,得到所述胸腔积液区域;
所述第一胸腔积液分割模型是根据已标记的胸腔积液影像、已标记的肺分割影像和已标记的肺裂分割影像进行训练学习得到的。
可选的,所述肺部影像信息还包括肺分割影像和/或肺裂分割影像;
所述处理单元具体用于:
将所述肺部3D影像以及所述肺分割影像和/或所述肺裂分割影像输入至第二胸腔积液分割模型中,得到所述胸腔积液区域;
所述第二胸腔积液分割模型是根据已标记的胸腔积液影像以及已标记的肺分割影像和/或已标记的肺裂分割影像进行训练学习得到的。
可选的,所述处理单元具体用于:
根据所述胸腔积液区域的像素点的数量,确定所述胸腔积液区域的面积。
可选的,所述处理单元具体用于:
根据所述胸腔积液区域的面积,确定出面积大于第一阈值的胸腔积液区域;
将所述面积大于第一阈值的胸腔积液区域中位于肺的底部的胸腔积液区域,确定为所述肺部的胸腔积液。
可选的,所述处理单元还用于:
确定出所述肺部胸腔积液位于左肺胸腔积液或右肺胸腔积液。
相应的,本发明实施例还提供了一种计算设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述肺部胸腔积液检出的方法。
相应的,本发明实施例还提供了一种计算机可读非易失性存储介质,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行上述肺部胸腔积液检出的方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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的附图。
图1为本发明实施例提供的一种***架构的示意图;
图2为本发明实施例提供的一种肺部胸腔积液检出的方法的流程示意图;
图3为本发明实施例提供的一种肺部3D影像的示意图;
图4为本发明实施例提供的一种肺部胸腔积液检出的装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种***架构。参考图1所示,该***架构可以为服务器100,包括处理器110、通信接口120和存储器130。
其中,通信接口120用于医生适用的终端设备进行通信,收发该终端设备传输的信息,实现通信。
处理器110是服务器100的控制中心,利用各种接口和线路连接整个服务器100的各个部分,通过运行或执行存储在存储器130内的软件程序/或模块,以及调用存储在存储器130内的数据,执行服务器100的各种功能和处理数据。可选地,处理器110可以包括一个或多个处理单元。
存储器130可用于存储软件程序以及模块,处理器110通过运行存储在存储器130的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器130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业务处理所创建的数据等。此外,存储器130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。
需要说明的是,上述图1所示的结构仅是一种示例,本发明实施例对此不做限定。
基于上述描述,图2示例性的示出了本发明实施例提供的一种肺部胸腔积液检出的方法的流程,该流程可以由肺部胸腔积液检出的装置执行,该装置可以位于图1所示的服务器100内,也可以是该服务器100。
如图2所示,该流程具体包括:
步骤201,获取肺部影像信息。
该肺部影像信息可以包括肺部3D影像。该肺部影像信息也可以包括肺部3D影像和肺分割影像,或该肺部影像信息包括肺部3D影像和肺裂分割影像,或该肺部影像信息包括肺部3D影像、肺分割影像和肺裂分割影像。其中,肺部3D影像为三维图像。肺部3D影像可以是计算机断层摄影(Computed Tomography,CT)影像、磁共振成像(Magnetic ResonanceImaging,MRI)影像等等,为了更清楚的描述肺部3D影像,图3示例性示出了一名患者的肺部CT影像。该肺分割影像是肺部CT的二值化的影像。肺裂分割影像是肺部肺裂CT的二值化的影像,肺裂分割影像用于区分肺部各个肺叶的情况。
步骤202,根据所述肺部影像信息,确定出胸腔积液区域。
具体的,当肺部影像信息为肺部3D影像时,可以将肺部3D影像输入至第一胸腔积液分割模型中,得到胸腔积液区域,其中,第一胸腔积液分割模型是根据已标记的胸腔积液影像进行训练学习得到的。
当肺部影像信息还包括肺分割影像和/或肺裂分割影像时,还可以将肺部3D影像以及肺分割影像和/或肺裂分割影像输入至第二胸腔积液分割模型中,得到胸腔积液区域,其中,第二胸腔积液分割模型是根据已标记的胸腔积液影像以及已标记的肺分割影像和/或已标记的肺裂分割影像进行训练学习得到的。
需要说明的是该第一胸腔积液模型和第二胸腔积液模型都可以称为胸腔积液分割模型,其中,“第一”“第二”是为了区分不同的两个胸腔积液分割模型。在具体应用时,该胸腔积液分割模型可以包括预处理切分模块、全卷积神经网络分割模块和分割结果合并模块。该预处理切分模块将肺部3D影像切分为若干组2D影像层,例如可以沿Z轴方向取各帧图像,对于各帧图像抽取连续的若干帧作为一组影像层。
该全卷积神经网络分割模块可以为全连接卷积神经网络,如FCN,U-NET等。以U-NET为例,其可以包括一个3D卷积特征提取块,三个下采样块和三个上采样块。而3D卷积特征提取块包含两个连续的卷积单元,每个单元包含一个N×N×M的3D卷积层,一个batchnormalization(归一化)层和一个relu激励函数层。下采样块包含一个Y×Y×Y的3D maxpooling(池化)下采样层,以及一个卷积特征提取块。上采样块包含一个Y×Y×Y的反卷积上采样层,一个拼接层,以及一个卷积特征提取块。拼接层拼接前一层的输出结果以及对应下采样层的输出结果。在具体应用过程中,将若干组2D影像层、肺分割影像和肺裂分割影像作为3维单通道像素数组,通过一个卷积特征提取块,再通过三个下采样块得到下采样结果,下采样结果再通过三个上采样块可以得到肺部的胸腔积液区域的分割的概率结果,也就是肺部影像的概率图。需要注意的是,每个上采样块在上采样后,和对应尺寸的下采样块结果连接。
通过给与一阈值(如0.5),可以将概率图进行分割,分为二值图,从而可以得到肺部的胸腔积液区域。例如可以是全白色部分为肺部的胸腔积液区域,或全黑色部分为肺部的胸腔积液区域。
步骤203,确定所述胸腔积液区域的面积。
当得到胸腔积液区域的面积之后,就可以根据胸腔积液区域的像素点的数量,确定胸腔积液区域的面积,也就是计算具有相同像素点的胸腔积液区域的数量,就可以得到胸腔积液区域的面积。
步骤204,根据所述胸腔积液区域的面积和所述胸腔积液区域的位置,检出所述肺部的胸腔积液。
具体的,可以根据胸腔积液区域的面积,确定出面积大于第一阈值的胸腔积液区域,将面积大于第一阈值的胸腔积液区域中位于肺的底部的胸腔积液区域,确定为肺部的胸腔积液。其中,本领域技术人员可以根据经验和实际情况来设定第一阈值的具体数值,此处不做限定。
在确定肺部的胸腔积液的同时还会确定出该肺部胸腔积液位于左肺胸腔积液或右肺胸腔积液,以便于为医生提供诊断思路。
上述实施例表明,获取肺部影像信息,根据肺部影像信息,确定出胸腔积液区域,确定胸腔积液区域的面积,根据胸腔积液区域的面积和胸腔积液区域的位置,检出肺部的胸腔积液。通过肺部影像信息确定出胸腔积液区域,从而得到胸腔积液区域的面积,再根据胸腔积液区域的位置,确定该胸腔积液区域是否为胸腔积液,相比于传统的医生诊断的方式而言,能够降低因医生水平差异导致的诊断误差率,从而提高胸腔积液检出的准确性。
基于相同的技术构思,图4示例性的示出了本发明实施例提供的一种肺部胸腔积液检出的装置的结构,该装置可以执行肺部胸腔积液检出的流程,该装置可以位于图1所示的服务器100内,也可以是该服务器100。
如图4所示,该装置具体包括:
获取单元401,用于获取肺部影像信息;
处理单元402,用于根据所述肺部影像信息,确定出胸腔积液区域;确定所述胸腔积液区域的面积;根据所述胸腔积液区域的面积和所述胸腔积液区域的位置,检出所述肺部的胸腔积液。
可选的,所述肺部影像信息包括肺部3D影像;
所述处理单元402具体用于:
将所述肺部3D影像输入至第一胸腔积液分割模型中,得到所述胸腔积液区域;
所述第一胸腔积液分割模型是根据已标记的胸腔积液影像、已标记的肺分割影像和已标记的肺裂分割影像进行训练学习得到的。
可选的,所述肺部影像信息还包括肺分割影像和/或肺裂分割影像;
所述处理单元402具体用于:
将所述肺部3D影像以及所述肺分割影像和/或所述肺裂分割影像输入至第二胸腔积液分割模型中,得到所述胸腔积液区域;
所述第二胸腔积液分割模型是根据已标记的胸腔积液影像以及已标记的肺分割影像和/或已标记的肺裂分割影像进行训练学习得到的。
可选的,所述处理单元402具体用于:
根据所述胸腔积液区域的像素点的数量,确定所述胸腔积液区域的面积。
可选的,所述处理单元402具体用于:
根据所述胸腔积液区域的面积,确定出面积大于第一阈值的胸腔积液区域;
将所述面积大于第一阈值的胸腔积液区域中位于肺的底部的胸腔积液区域,确定为所述肺部的胸腔积液。
可选的,所述处理单元402还用于:
确定出所述肺部胸腔积液位于左肺胸腔积液或右肺胸腔积液。
基于相同的技术构思,本发明实施例还提供了一种计算设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述肺部胸腔积液检出的方法。
基于相同的技术构思,本发明实施例还提供了一种计算机可读非易失性存储介质,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行上述肺部胸腔积液检出的方法。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种肺部胸腔积液检出的方法,其特征在于,包括:
获取肺部影像信息;
根据所述肺部影像信息,确定出胸腔积液区域;
确定所述胸腔积液区域的面积;
根据所述胸腔积液区域的面积和所述胸腔积液区域的位置,检出所述肺部的胸腔积液。
2.如权利要求1所述的方法,其特征在于,所述肺部影像信息包括肺部3D影像;
所述根据所述肺部影像信息,确定出胸腔积液区域,包括:
将所述肺部3D影像输入至第一胸腔积液分割模型中,得到所述胸腔积液区域;
所述第一胸腔积液分割模型是根据已标记的胸腔积液影像进行训练学习得到的。
3.如权利要求2所述的方法,其特征在于,所述肺部影像信息还包括肺分割影像和/或肺裂分割影像;
所述根据所述肺部影像信息,确定出胸腔积液区域,包括:
将所述肺部3D影像以及所述肺分割影像和/或所述肺裂分割影像输入至第二胸腔积液分割模型中,得到所述胸腔积液区域;
所述第二胸腔积液分割模型是根据已标记的胸腔积液影像以及已标记的肺分割影像和/或已标记的肺裂分割影像进行训练学习得到的。
4.如权利要求1所述的方法,其特征在于,所述确定所述胸腔积液区域的面积,包括:
根据所述胸腔积液区域的像素点的数量,确定所述胸腔积液区域的面积。
5.如权利要求1至4任一项所述的方法,其特征在于,所述根据所述胸腔积液区域的面积和所述胸腔积液区域的位置,检出所述肺部的胸腔积液,包括:
根据所述胸腔积液区域的面积,确定出面积大于第一阈值的胸腔积液区域;
将所述面积大于第一阈值的胸腔积液区域中位于肺的底部的胸腔积液区域,确定为所述肺部的胸腔积液。
6.一种肺部胸腔积液检出的装置,其特征在于,包括:
获取单元,用于获取肺部影像信息;
处理单元,用于根据所述肺部影像信息,确定出胸腔积液区域;确定所述胸腔积液区域的面积;根据所述胸腔积液区域的面积和所述胸腔积液区域的位置,检出所述肺部的胸腔积液。
7.如权利要求6所述的装置,其特征在于,所述肺部影像信息包括肺部3D影像;
所述处理单元具体用于:
将所述肺部3D影像输入至第一胸腔积液分割模型中,得到所述胸腔积液区域;
所述第一胸腔积液分割模型是根据已标记的胸腔积液影像进行训练学习得到的。
8.如权利要求7所述的装置,其特征在于,所述肺部影像信息还包括肺分割影像和/或肺裂分割影像;
所述处理单元具体用于:
将所述肺部3D影像以及所述肺分割影像和/或所述肺裂分割影像输入至第二胸腔积液分割模型中,得到所述胸腔积液区域;
所述第二胸腔积液分割模型是根据已标记的胸腔积液影像以及已标记的肺分割影像和/或已标记的肺裂分割影像进行训练学习得到的。
9.如权利要求6所述的装置,其特征在于,所述处理单元具体用于:
根据所述胸腔积液区域的像素点的数量,确定所述胸腔积液区域的面积。
10.如权利要求6至9任一项所述的装置,其特征在于,所述处理单元具体用于:
根据所述胸腔积液区域的面积,确定出面积大于第一阈值的胸腔积液区域;
将所述面积大于第一阈值的胸腔积液区域中位于肺的底部的胸腔积液区域,确定为所述肺部的胸腔积液。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910667643.4A CN110400299A (zh) | 2019-07-23 | 2019-07-23 | 一种肺部胸腔积液检出的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910667643.4A CN110400299A (zh) | 2019-07-23 | 2019-07-23 | 一种肺部胸腔积液检出的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110400299A true CN110400299A (zh) | 2019-11-01 |
Family
ID=68325791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910667643.4A Pending CN110400299A (zh) | 2019-07-23 | 2019-07-23 | 一种肺部胸腔积液检出的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110400299A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112869758A (zh) * | 2020-12-31 | 2021-06-01 | 杭州依图医疗技术有限公司 | 一种确定胸腔积液的方法及装置 |
CN113017687A (zh) * | 2021-02-19 | 2021-06-25 | 上海长征医院 | 一种腹腔积液b超图像自动识别方法 |
CN113763352A (zh) * | 2021-09-06 | 2021-12-07 | 杭州类脑科技有限公司 | 一种腹腔积液图像处理方法和*** |
CN114931125A (zh) * | 2022-03-16 | 2022-08-23 | 江苏靶标生物医药研究所有限公司 | 一种小鼠肺癌胸腔积液模型的构建方法 |
KR102454374B1 (ko) * | 2021-10-07 | 2022-10-14 | 주식회사 피맥스 | 흉막 삼출의 검출 방법 및 이를 위한 장치 |
KR20230049937A (ko) * | 2021-10-07 | 2023-04-14 | 주식회사 피맥스 | 흉막 삼출의 검출 방법 및 이를 위한 장치 |
CN116137033A (zh) * | 2023-04-20 | 2023-05-19 | 天津医科大学总医院 | 一种基于胸腔影像及引流数据分析的积液评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590809A (zh) * | 2017-06-30 | 2018-01-16 | 上海联影医疗科技有限公司 | 肺分割方法及医学成像*** |
US20180075607A1 (en) * | 2014-07-02 | 2018-03-15 | Covidien Lp | System and method for segmentation of lung |
CN109727251A (zh) * | 2018-12-29 | 2019-05-07 | 上海联影智能医疗科技有限公司 | 一种定量肺部病症分割的***、方法和设备 |
CN109754394A (zh) * | 2018-12-28 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 三维医学图像处理装置及方法 |
-
2019
- 2019-07-23 CN CN201910667643.4A patent/CN110400299A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180075607A1 (en) * | 2014-07-02 | 2018-03-15 | Covidien Lp | System and method for segmentation of lung |
CN107590809A (zh) * | 2017-06-30 | 2018-01-16 | 上海联影医疗科技有限公司 | 肺分割方法及医学成像*** |
CN109754394A (zh) * | 2018-12-28 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 三维医学图像处理装置及方法 |
CN109727251A (zh) * | 2018-12-29 | 2019-05-07 | 上海联影智能医疗科技有限公司 | 一种定量肺部病症分割的***、方法和设备 |
Non-Patent Citations (1)
Title |
---|
于学林: "《现代急诊影像诊断手册》", 30 April 2018 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112869758A (zh) * | 2020-12-31 | 2021-06-01 | 杭州依图医疗技术有限公司 | 一种确定胸腔积液的方法及装置 |
CN113017687A (zh) * | 2021-02-19 | 2021-06-25 | 上海长征医院 | 一种腹腔积液b超图像自动识别方法 |
CN113763352A (zh) * | 2021-09-06 | 2021-12-07 | 杭州类脑科技有限公司 | 一种腹腔积液图像处理方法和*** |
CN113763352B (zh) * | 2021-09-06 | 2024-04-02 | 杭州类脑科技有限公司 | 一种腹腔积液图像处理方法和*** |
KR102454374B1 (ko) * | 2021-10-07 | 2022-10-14 | 주식회사 피맥스 | 흉막 삼출의 검출 방법 및 이를 위한 장치 |
KR20230049937A (ko) * | 2021-10-07 | 2023-04-14 | 주식회사 피맥스 | 흉막 삼출의 검출 방법 및 이를 위한 장치 |
KR102639803B1 (ko) * | 2021-10-07 | 2024-02-22 | 주식회사 피맥스 | 흉막 삼출의 검출 방법 및 이를 위한 장치 |
CN114931125A (zh) * | 2022-03-16 | 2022-08-23 | 江苏靶标生物医药研究所有限公司 | 一种小鼠肺癌胸腔积液模型的构建方法 |
CN116137033A (zh) * | 2023-04-20 | 2023-05-19 | 天津医科大学总医院 | 一种基于胸腔影像及引流数据分析的积液评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400299A (zh) | 一种肺部胸腔积液检出的方法及装置 | |
CN112017189B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN105574513B (zh) | 文字检测方法和装置 | |
CN110490212A (zh) | 钼靶影像处理设备、方法和装置 | |
CN108648178A (zh) | 一种影像结节检测的方法及装置 | |
CN105069453B (zh) | 一种图像校正方法及装置 | |
CN108764039B (zh) | 神经网络、遥感影像的建筑物提取方法、介质及计算设备 | |
CN108491848B (zh) | 基于深度信息的图像显著性检测方法和装置 | |
CN110782446B (zh) | 一种确定肺结节体积的方法及装置 | |
CN108764325A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
US20220383661A1 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN114022718B (zh) | 消化***病理图像识别方法、***及计算机存储介质 | |
CN109523546A (zh) | 一种肺结节分析的方法及装置 | |
CN110136153A (zh) | 一种图像处理方法、设备及存储介质 | |
CN108830319B (zh) | 一种图像分类方法和装置 | |
CN109447963A (zh) | 一种脑部影像识别的方法及装置 | |
CN112101195B (zh) | 人群密度预估方法、装置、计算机设备和存储介质 | |
US11373309B2 (en) | Image analysis in pathology | |
CN111738265A (zh) | Rgb-d图像的语义分割方法、***、介质及电子设备 | |
KR102330263B1 (ko) | 인공신경망을 이용한 핵 영역 검출 방법 및 그 장치 | |
CN109711315A (zh) | 一种肺结节分析的方法及装置 | |
CN117315210B (zh) | 一种基于立体成像的图像虚化方法及相关装置 | |
CN110992310A (zh) | 一种确定纵隔***所在分区的方法及装置 | |
CN107403465B (zh) | 基于结构先验与深度学***面重建方法 | |
CN116228753B (zh) | 肿瘤预后评估方法、装置、计算机设备和存储介质 |
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: 20191101 |