CN112633342B - 一种基于深度学习的人体超声检测实时引导策略 - Google Patents

一种基于深度学习的人体超声检测实时引导策略 Download PDF

Info

Publication number
CN112633342B
CN112633342B CN202011486938.0A CN202011486938A CN112633342B CN 112633342 B CN112633342 B CN 112633342B CN 202011486938 A CN202011486938 A CN 202011486938A CN 112633342 B CN112633342 B CN 112633342B
Authority
CN
China
Prior art keywords
neural network
real
human body
ultrasonic
ultrasonic 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.)
Active
Application number
CN202011486938.0A
Other languages
English (en)
Other versions
CN112633342A (zh
Inventor
李淼
邓旭畑
王熠
雷自伟
邓智峰
张鼎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202011486938.0A priority Critical patent/CN112633342B/zh
Publication of CN112633342A publication Critical patent/CN112633342A/zh
Application granted granted Critical
Publication of CN112633342B publication Critical patent/CN112633342B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的人体超声检测实时引导策略，包括人体超声检测的示教器、基于深度学习的技能评估策略和基于采样原理的实时调整策略。示教器用于采集检测过程中的压力信号和姿态信号；技能评估策略将人体超声图像依据所包含信息有效程度进行划分，制作训练集并用于分类神经网络的训练，由此得到能够判断超声图像是否符合诊断需求的神经网络；实时调整策略在技能评估策略的基础上，将示教器所采集的多模态信息加入到深度学习的过程中，训练出多模态信息融合神经网络，制作采样集并结合采样原理以实现指导超声探头实时调整的功能。本发明能够帮助完成医学超声检测，极大推动了人工智能在超声检测领域的运用。

Description

一种基于深度学习的人体超声检测实时引导策略
技术领域
本发明属于数据采集和深度学习领域，涉及一种人体超声检测的数据采集、技能评估与实时调整策略，具体涉及一种采集人体超声检测数据，将数据用于深度学习并结合采样原理，以实现技能评估与实时调整的策略。
背景技术
近年来，深度学习作为一种迅速发展的机器学习方式，强调从海量数据中进行学习，解决大数据中存在的高维、冗杂以及高噪声等传统机器学习算法难以处理的问题，在各领域的应用场景逐渐拓展，例如生物识别、智能驾驶、金融电商、工业制造等等。医学超声成像一直是机器学习的研究热点与难点：医学超声成像具有非常强的专业性，其成像质量依赖于操作者的经验和手法，且需要操作者掌握诸多医学知识。常用的图像识别方式包括：统计决策方法、结构模式识别方式、模糊模式识别方法、支持向量机和人工神经网络，这些方式可以做到一定程度的超声图像识别工作，同时也具有明显的缺点：只考虑了超声图像，而忽视了医生操作超声探头过程中的诸多信息，包括探头压力和姿态等信号。如何获取医生操作超声探头的数据，如何依据成像效果对庞杂的超声图像进行区分，如何将操作数据与超声图像结合进行深度学习，如何进一步指导探头的调整，这些问题均缺少一种具有参考性、***化的解决方式。
发明内容
鉴于上述现有技术存在的诸多未能解决问题，本发明的目的在于提供一种基于深度学习的人体超声检测实时引导策略，该模式设计了用于采集数据的示教器，依据成像效果对庞杂的超声图像进行区分，将采集的数据与深度学习、采样原理相结合，实现超声检测技能评估与实时调整的功能。
本发明是通过以下技术实现的：
一种基于深度学习的人体超声检测实时引导策略，其特征在于：包括人体超声检测的示教器、基于深度学习的技能评估策略和基于采样原理的实时调整策略。
所述示教器用于获取人体超声检测过程中，医生操作探头所产生的压力信号和姿态信号。
所述基于深度学习的技能评估策略，是将人体超声图像依据所包含信息有效程度进行划分，制作训练集并用于分类神经网络的训练，由此得到的神经网络能够判断人体超声检测过程中的超声图像是否符合诊断需求。
所述基于采样原理的实时调整策略，是在技能评估策略的基础上，将示教器所采集的多模态信息(即上述压力信号和姿态信号)加入到深度学习的过程中，训练出多模态信息融合神经网络，制作采样集并结合采样原理以实现指导超声探头实时调整的功能。
进一步地，所述示教器包括：握持部分，IMU姿态传感器，力传感器，夹持部分。握持部分由操作者握持，IMU姿态传感器能输出整个装置姿态信息，力传感器用于连接握持部分和夹持部分，并输出其下端夹持部分和超声探头所受力与力矩信号，夹持部分用于夹持超声探头。
进一步地，所述握持部分的上部分为圆柱握把结构，方便操作者握持，下部分为圆形端面。圆形端面的外侧周向开有八个通孔，靠近中心的周向开有四个通孔，分别用于固定力传感器和IMU姿态传感器。圆形端面中心开有圆形凹槽，用于放置IMU姿态传感器。同时，IMU姿态传感器的接线口方向开有导线槽，用于传感器接线。
优选地，所述IMU姿态传感器至少包括三个加速度计、三个陀螺仪和三个磁力计，能够获取并输出整个示教器的姿态信号。
进一步地，所述力传感器的上端面有八个周向螺纹孔，可以与握持部分相固定。下端面有四个周向螺纹孔，可以与夹持部分相固定。
优选地，所述力传感器选用六维力/力矩传感器，能够获取其下端面所受的力和力矩。
进一步地，所述夹持部分由活动夹块、固定夹块和连接螺栓组成。固定夹块上端面周向开有四个通孔，能够固定在力传感器下端面。活动夹块和固定夹块的下部分结构相同：开有两对相同的通孔，且相对面为带有凹槽的曲面。连接螺栓穿过通孔并拧紧，以实现夹持功能。带有凹槽的曲面一方面保证夹块与探头有较大接触面积，使夹持更加稳定；另一方面通过凹槽加装粘性软质材料，保证探头与夹块为柔性接触，从而起到增大摩擦力并保护探头的作用。
优选地，在夹块的带凹槽曲面上加装一层软质硅胶材料，可以起到较好的夹持效果和保护效果。软质硅胶由两种液体混合后逐渐凝固而成，在尚未完全凝固时，将硅胶液体倾倒在凹槽曲面，待其凝固后有较好的固定效果。
进一步地，所述基于深度学习的技能评估策略包括：人体超声图像训练集和分类神经网络。
进一步地，所述人体超声图像训练集由超声图像和评价标签组成，超声图像为超声仪器屏幕上的实时图像，评价标签由人工标记，能够定性地描述超声图像的成像效果。
进一步地，评价标签的具体判断指标包括：超声图像是否清晰，超声图像中是否含有所检查器官，图像中器官位置是否居中，图像中是否有遮挡物或干扰物等等。
进一步地，所述分类神经网络为卷积神经网络模型，包含卷积层、激活层、池化层和全连接层。将人体超声图像训练集用于训练分类神经网络，得到的网络可判断人体超声检测过程中的超声图像是否符合诊断需求。
进一步地，所述基于采样原理的实时调整策略包括：多模态信息融合神经网络和超声探头实时调整方式。
进一步地，所述多模态信息融合神经网络能够同时对多种类型的数据进行计算，将多种信息进行融合处理，而不局限于单一的图像和传感器信号的计算、识别和预测。该神经网络最终输出超声图像评价标签的预测结果，该结果受多种信号数值权重的影响。
进一步地，所述多模态信息融合神经网络为卷积神经网络模型，包含卷积层、激活层、池化层和全连接层。
进一步地，所述多模态信息融合神经网络是在分类神经网络的基础上改进的。在特征层提取出超声图像的特征之后，将其与传感器信号拼接，再通过多层池化层、卷积层、激活层和全连接层，最终输出超声图像评价标签的预测结果。
进一步地，所述超声探头实时调整方式，首先对已采集数据进行筛选和划分，建立采样集。在完成多模态信息融合神经网络的训练之后，每一次读取实时超声图像，都结合采样集进行多次预测，取效果最为理想的采样结果，并判断是否符合医生操作要求。如果该预测结果符合要求，则作为超声探头的调节策略，否则重复采样的过程。
优选地，采样集不仅包含采集到的所有信号，可结合随机函数在信号波动范围内进行采样。
本发明有益效果是：
本发明设计了用于采集数据的示教器，依据成像效果对庞杂的超声图像进行区分，将采集的数据与深度学习、采样原理相结合，实现超声检测技能评估与实时调整的功能。示教器包括握持部分、IMU姿态传感器、力传感器和夹持部分，基于深度学习的技能评估策略包括人体超声图像训练集和分类神经网络，基于采样原理的实时调整策略包括多模态信息融合神经网络和超声探头实时调整方式。通过带有IMU姿态传感器和力传感器的示教器，获取姿态和接触力信号，建立采样集。同时通过超声图像和人工标记的评价指标，建立人体超声图像训练集，训练分类神经网络，实现超声检测技能评估。在此基础上，将姿态和接触力信号融入分类神经网络中，得到多模态信息融合神经网络，结合采样集和神经网络实现指导超声探头实时调整的功能。本发明主要面向医疗超声成像领域，内容涵盖了结构设计、数据采集、深度学习和采样预测等方面，具有一套较为完整的模式。同时，这一模式具有较好的参考性、可行性和可移植性，可运用到其他领域，应用前景广阔。
附图说明
图1为本发明***流程图。
图2为本发明数据采集过程的概念图。
图3为本发明示教器的整体结构示意图。
图4为本发明示教器的握持部分结构示意图。
图5为本发明示教器的握持部分仰视图。
图6为本发明示教器的力传感器结构示意图。
图7为本发明示教器的夹持部分结构示意图。
图8为本发明示教器的夹持部分固定夹块结构示意图。
图9为本发明分类神经网络的结构示意图。
图10为本发明人体超声图像训练集的评价标签判断指标。
图11为本发明多模态信息融合神经网络的结构示意图。
图12为本发明超声探头实时调整方式的流程图。
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，下面结合附图和实施例来对本发明提供的一种基于深度学习的人体超声检测实时引导策略进行详细说明。显然，所述的实施例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他实施例，都属于本发明保护的范围。
如图1所示，为本发明一种基于深度学习的人体超声检测实时引导策略的***流程图。在医学超声检测的过程中，我们主要考虑的信息包括：超声图像、探头姿态信号和探头接触力信号。通过带有IMU姿态传感器和力传感器的示教器，获取姿态和接触力信号，建立采样集。同时通过超声图像和人工标记的评价指标，建立人体超声图像训练集，训练分类神经网络，实现超声检测技能评估。在此基础上，将姿态和接触力信号融入分类神经网络中，得到多模态信息融合神经网络，结合采样集和神经网络实现超声探头实时调整的功能。所述技能评估指评判超声图像是否符合诊断需求，并由此判断医生操作是否符合要求。所述超声探头实时调整指调整超声探头的姿态，以及探头和人体皮肤的接触力，以获得效果更好的超声图像。
如图2所示，为本发明数据采集过程的概念图。在医学超声检测的过程中，医生握持示教器进行定点检测，获取探头姿态和接触力信号。如图3所示，为本发明示教器的整体结构示意图。所述示教器包括握持部分1、IMU姿态传感器2、力传感器3、夹持部分4。所述握持部分1由操作者握持，所述IMU姿态传感器2能输出整个装置姿态信息，所述力传感器3用于连接握持部分1和夹持部分4，并输出其下端夹持部分4和超声探头5所受力与力矩信号，所述夹持部分4用于夹持超声探头5。
如图4所示，为本发明示教器的握持部分结构示意图。所述握持部分1的上部分为圆柱形握把结构11，方便操作者握持。如图5所示，为本发明示教器的握持部分仰视图，握持部分圆形端面的外侧周向开有八个通孔13，靠近中心的周向开有四个通孔14，分别用于固定力传感器3和IMU姿态传感器2。圆形端面中心开有圆形凹槽，用于放置IMU姿态传感器2。同时，IMU姿态传感器2的接线口方向开有导线槽12，用于传感器接线。
如图6所示，为本发明示教器的力传感器结构示意图。所述力传感器3的上端面有八个周向螺纹孔32，可以与握持部分1相固定。下端面有四个周向螺纹孔31，可以与夹持部分4相固定。力传感器3可选用六维力/力矩传感器，能够获取其下端面所受的力和力矩信号。
如图7所示，为本发明示教器的夹持部分结构示意图。所述夹持部分4由活动夹块43、固定夹块41和连接螺栓42组成。如图8所示，为本发明示教器的夹持部分固定夹块结构示意图。所述固定夹块41上端面周向开有四个通孔411，能够固定在力传感器3下端面。活动夹块43和固定夹块41的下部分结构相同：开有两对相同的通孔413，且相对面为带有凹槽的曲面412。连接螺栓42穿过通孔并拧紧，以实现夹持功能。带有凹槽的曲面412一方面保证夹块与探头有较大接触面积，使夹持更加稳定；另一方面通过凹槽加装粘性软质材料，保证超声探头5与夹块为柔性接触，从而起到增大摩擦力并保护探头的作用。可在夹块的带凹槽曲面412上加装一层软质硅胶材料，可以起到较好的夹持效果和保护效果。软质硅胶由两种液体混合后逐渐凝固而成，在尚未完全凝固时，将硅胶液体倾倒在凹槽曲面，待其凝固后有较好的固定效果。
如图9所示，为本发明分类神经网络的结构示意图。所述分类神经网络为卷积神经网络模型，包含卷积层、激活层、池化层和全连接层。将人体超声图像训练集用于训练分类神经网络，得到的网络可判断人体超声检测过程中的超声图像是否符合诊断需求。所述人体超声图像训练集由超声图像和评价标签组成，超声图像为超声仪器屏幕上的实时图像，评价标签由人工标记，能够定性地描述超声图像的成像效果。
如图10所示，为本发明人体超声图像训练集的评价标签判断指标。所述评价标签的具体判断指标包括：超声图像是否清晰，超声图像中是否含有所检查器官，图像中器官位置是否居中，图像中是否有遮挡物或干扰物等等。
如图11所示，为本发明多模态信息融合神经网络的结构示意图。所述多模态信息融合神经网络能够同时对多种类型的数据进行计算，将多种信息进行融合处理，而不局限于单一的图像和传感器信号的计算、识别和预测。多模态信息融合神经网络最终输出超声图像标签的预测结果，该结果受多种信号数值权重的影响。该神经网络为卷积神经网络模型，包含卷积层、激活层、池化层和全连接层。所述多模态信息融合神经网络是在分类神经网络的基础上改进的，在特征层提取出超声图像的特征之后，将其与传感器信号拼接，再通过多层池化层、卷积层、激活层和全连接层，最终输出超声图像评价标签的预测结果。
如图12所示，为本发明超声探头实时调整方式的流程图。所述超声探头实时调整方式，首先对已采集数据进行筛选和划分，建立采样集。在完成多模态信息融合神经网络的训练之后，每一次读取实时超声图像，都结合采样集进行多次预测，取效果最为理想的采样结果，并判断是否符合医生操作要求。如果该预测结果符合要求，则作为超声探头的调整策略，否则重复采样的过程。所述采样集不仅包含采集到的所有信号，也可结合随机函数在信号波动范围内进行采样。

Claims (7)

1.一种基于深度学习的人体超声检测实时引导策略，其特征在于：包括人体超声检测的示教器、基于深度学习的技能评估策略和基于采样原理的实时调整策略；
所述示教器用于获取人体超声检测过程中，医生操作探头所产生的压力信号和姿态信号；
所述基于深度学习的技能评估策略，是将人体超声图像依据所包含信息有效程度进行划分，制作训练集并用于分类神经网络的训练，由此得到能够判断人体超声检测过程中超声图像是否符合诊断需求的神经网络；
所述基于采样原理的实时调整策略，是在技能评估策略的基础上，将示教器所采集的多模态信息加入到深度学习的过程中，训练出多模态信息融合神经网络，制作采样集并结合采样原理以实现指导超声探头实时调整的功能；
所述示教器包括握持部分、IMU姿态传感器、力传感器和夹持部分，握持部分由操作者握持，IMU姿态传感器能输出整个装置姿态信息，力传感器用于连接握持部分和夹持部分，并输出其下端夹持部分和超声探头所受力与力矩信号，夹持部分用于夹持超声探头；
所述基于采样原理的实时调整策略包括：多模态信息融合神经网络和超声探头实时调整方式；
所述多模态信息融合神经网络能够同时对多种类型的数据进行计算，将多种信息进行融合处理，而不局限于单一的图像和传感器信号的计算、识别和预测；所述多模态信息融合神经网络为卷积神经网络模型，包含卷积层、激活层、池化层和全连接层；所述多模态信息融合神经网络是在分类神经网络的基础上改进的，在特征层提取出超声图像的特征之后，将其与传感器信号拼接，再通过多层池化层、卷积层、激活层和全连接层，最终输出超声图像评价标签的预测结果。
所述超声探头实时调整方式，首先对已采集数据进行筛选和划分，建立采样集；在完成多模态信息融合神经网络的训练之后，每一次读取实时超声图像，都结合采样集进行多次预测，取效果最为理想的采样结果，并判断是否符合医生操作要求；如果该预测结果符合要求，则作为超声探头的调节策略，否则重复采样的过程。
2.如权利要求1所述的人体超声检测实时引导策略，其特征在于：所述握持部分的上部分为方便操作者握持的圆柱握把结构，下部分为圆形端面，所述圆形端面上设有用于放置IMU姿态传感器的圆形凹槽，所述圆形凹槽内设有用于固定IMU姿态传感器的通孔，圆形凹槽四周的圆形端面上设有用于固定力传感器的通孔，所述圆形凹槽一侧的圆形端面设有用于布线的导线槽。
3.如权利要求2所述的人体超声检测实时引导策略，其特征在于：所述力传感器的上端面设有与握持部分相固定的周向螺纹孔，下端面设有与夹持部分相固定的周向螺纹孔。
4.如权利要求3所述的人体超声检测实时引导策略，其特征在于：所述夹持部分由活动夹块、固定夹块和连接螺栓组成，固定夹块上端面周向开有能够固定在力传感器下端面的通孔，活动夹块和固定夹块的下部分结构相同：开有两对相同的通孔，且相对面为带有凹槽的曲面，连接螺栓穿过成对的通孔并拧紧，以实现夹持功能。
5.如权利要求1所述的人体超声检测实时引导策略，其特征在于：所述基于深度学习的技能评估策略包括人体超声图像训练集和分类神经网络，所述人体超声图像训练集由超声图像和评价标签组成，超声图像为超声仪器屏幕上的实时图像，评价标签由人工标记，能够定性地描述超声图像的成像效果。
6.如权利要求5所述的人体超声检测实时引导策略，其特征在于：所述评价标签的具体判断指标包括：超声图像是否清晰，超声图像中是否含有所检查器官，图像中器官位置是否居中，图像中是否有遮挡物或干扰物。
7.如权利要求5所述的人体超声检测实时引导策略，其特征在于：所述分类神经网络为卷积神经网络模型，包含卷积层、激活层、池化层和全连接层，将人体超声图像训练集用于训练分类神经网络，得到可判断人体超声检测过程中超声图像是否符合诊断需求的神经网络。
CN202011486938.0A 2020-12-16 2020-12-16 一种基于深度学习的人体超声检测实时引导策略 Active CN112633342B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011486938.0A CN112633342B (zh) 2020-12-16 2020-12-16 一种基于深度学习的人体超声检测实时引导策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011486938.0A CN112633342B (zh) 2020-12-16 2020-12-16 一种基于深度学习的人体超声检测实时引导策略

Publications (2)

Publication Number Publication Date
CN112633342A CN112633342A (zh) 2021-04-09
CN112633342B true CN112633342B (zh) 2022-08-16

Family

ID=75313846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011486938.0A Active CN112633342B (zh) 2020-12-16 2020-12-16 一种基于深度学习的人体超声检测实时引导策略

Country Status (1)

Country Link
CN (1) CN112633342B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113288204B (zh) * 2021-04-21 2023-09-29 佛山纽欣肯智能科技有限公司 一种机器人半自主b超检测***
EP4250311A1 (en) * 2022-03-24 2023-09-27 Koninklijke Philips N.V. Ultrasound system with customization unit
WO2023180167A1 (en) * 2022-03-24 2023-09-28 Koninklijke Philips N.V. Ultrasound system with customization unit

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109199445A (zh) * 2018-11-14 2019-01-15 中聚科技股份有限公司 一种智能超声胎心监测***
CN109512461A (zh) * 2018-11-14 2019-03-26 中聚科技股份有限公司 一种医用超声胎心监测探头位置调整方法及探头保持装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160206292A1 (en) * 2008-08-05 2016-07-21 Guardsman Scientific, Inc. Systems and methods for managing a patient
US9538982B2 (en) * 2010-12-18 2017-01-10 Massachusetts Institute Of Technology User interface for ultrasound scanning system
KR102328269B1 (ko) * 2014-10-23 2021-11-19 삼성전자주식회사 초음파 영상 장치 및 그 제어 방법
US20200069285A1 (en) * 2018-08-31 2020-03-05 General Electric Company System and method for ultrasound navigation
CN109674494B (zh) * 2019-01-29 2021-09-14 深圳瀚维智能医疗科技有限公司 超声扫查实时控制方法、装置、存储介质及计算机设备
CN109602451B (zh) * 2019-02-16 2021-08-10 河南科技大学第一附属医院（河南省显微外科研究所） 一种医学超声辅助自动诊断***
CN110675398B (zh) * 2019-10-22 2022-05-17 深圳瀚维智能医疗科技有限公司 乳腺超声筛查方法、装置及计算机设备
CN110974294A (zh) * 2019-12-19 2020-04-10 上海尽星生物科技有限责任公司 超声扫描方法及装置
CN111260786B (zh) * 2020-01-06 2023-05-23 南京航空航天大学 一种智能超声多模态导航***及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109199445A (zh) * 2018-11-14 2019-01-15 中聚科技股份有限公司 一种智能超声胎心监测***
CN109512461A (zh) * 2018-11-14 2019-03-26 中聚科技股份有限公司 一种医用超声胎心监测探头位置调整方法及探头保持装置

Also Published As

Publication number Publication date
CN112633342A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN112633342B (zh) 一种基于深度学习的人体超声检测实时引导策略
Karmore et al. IoT-based humanoid software for identification and diagnosis of COVID-19 suspects
CN111046823A (zh) 基于课堂视频的学生课堂参与度分析***
CN112155729A (zh) 手术穿刺路径智能自动化规划方法及***和医疗***
DE10032363A1 (de) An einer Fingerspitze angebrachter Sechs-Achsen-Kraftsensor
CN112206006A (zh) 自主评估甲状腺结节良恶性的智能辅助识别设备及方法
CN113423341A (zh) 用于可穿戴电极传感器***的自动校准的方法和装置
CN110505383B (zh) 一种图像获取方法、图像获取装置及内窥镜***
CN107307870A (zh) 一种基于近红外光谱的驾驶状态脑监测***及方法
CN106767750A (zh) 一种用于智能机器人的导航方法及***
Huve et al. Online recognition of the mental states of drivers with an fnirs-based brain-computer interface using deep neural network
Almanza et al. Robotic hex-nut sorting system with deep learning
CN116486182A (zh) 一种基于DenseNet网络的医学图像分类方法及***
CN113171118B (zh) 一种基于生成式对抗网络的超声检查操作引导方法
CN112936259B (zh) 一种适用于水下机器人的人机协作方法
CN114878087A (zh) 一种基于人工智能的压力容器气密性的检测方法及装置
CN113520473A (zh) 基于柔性传感的智能无人核酸采样***
CN114093488A (zh) 一种基于骨骼识别的医生技能水平评判方法和装置
Astudillo et al. Cost-efficient brainwave controller for automated vehicles route decisions
Tian et al. Automated analysis of seizure behavior in video: methods and challenges
Jain et al. EEG Cortical Source Feature based Hand Kinematics Decoding using Residual CNN-LSTM Neural Network
Choi et al. Prediction of four degrees of freedom arm movement using EMG signal
Takahashi et al. Remarks on fuzzy reasoning-based brain activity recognition with a compact near infrared spectroscopy device and its application to robot control interface
Zammouri et al. Prototype of a BCI-Based Autonomous Communicating Robot for Disability Assessment
CN216365098U (zh) 一种变应原皮肤点刺风团辅助诊断装置

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