CN112801957A - 一种基于超声应变成像的气胸自动检测*** - Google Patents
一种基于超声应变成像的气胸自动检测*** Download PDFInfo
- Publication number
- CN112801957A CN112801957A CN202110061483.6A CN202110061483A CN112801957A CN 112801957 A CN112801957 A CN 112801957A CN 202110061483 A CN202110061483 A CN 202110061483A CN 112801957 A CN112801957 A CN 112801957A
- Authority
- CN
- China
- Prior art keywords
- module
- pleural
- pneumothorax
- strain
- electric connection
- 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
- 201000003144 pneumothorax Diseases 0.000 title claims abstract description 68
- 230000015572 biosynthetic process Effects 0.000 title description 2
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000003384 imaging method Methods 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 18
- 239000000523 sample Substances 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000002604 ultrasonography Methods 0.000 claims description 44
- 210000004072 lung Anatomy 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 26
- 230000008034 disappearance Effects 0.000 claims description 21
- 210000004224 pleura Anatomy 0.000 claims description 19
- 238000013500 data storage Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 8
- 208000002151 Pleural effusion Diseases 0.000 claims description 6
- 230000001413 cellular effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 241000204031 Mycoplasma Species 0.000 claims 2
- 206010035664 Pneumonia Diseases 0.000 claims 2
- 201000006509 pleuropneumonia Diseases 0.000 claims 2
- 239000000126 substance Substances 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 13
- 210000000779 thoracic wall Anatomy 0.000 description 7
- 238000006073 displacement reaction Methods 0.000 description 5
- 210000003281 pleural cavity Anatomy 0.000 description 4
- 210000000038 chest Anatomy 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010006458 Bronchitis chronic Diseases 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010035765 Pneumothorax traumatic Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 208000007451 chronic bronchitis Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000008128 pulmonary tuberculosis Diseases 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
Images
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Epidemiology (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供了一种基于超声应变成像的气胸自动检测***，包括图像输入模块、气胸自动检测模块、数据传输模块和显示终端模块。其中，图像输入模块包括超声探头，其输出端与气胸自动检测模块的输入端为单向电连接；气胸自动检测模块的输出端与数据传输模块的输入端为单向电连接；数据传输模块的输出端与显示终端模块的输入端为单向电连接。本发明的基于超声应变成像的气胸自动检测***包括基于应变计算的快速气胸超声检测算法，可集成到手持超声设备中，大大加强了便携性和灵活性，降低了气胸超声诊断对医生经验技能的要求，可以应用在更多的场景，如急诊、ICU、急救现场、战场等。
Description
技术领域
本发明属于医疗器械领域，特别涉及一种基于超声应变成像的气胸自动检测***。
背景技术
气胸(pneumothorax)是指气体进入胸膜腔，造成积气状态，多因肺部疾病或外力影响使肺组织和脏层胸膜破裂或靠近肺表面的细微气肿泡破裂，造成肺和支气管内空气逸入胸膜腔。因胸壁或肺部创伤引起者称为创伤性气胸；因疾病致肺组织自行破裂引起者称自发性气胸；因治疗或诊断所需人为地将空气注入胸膜腔称人工气胸。气胸又可分为闭合性气胸、开放性气胸及张力性气胸。自发性气胸多见于男性青壮年或患有慢支、肺气肿、肺结核者。本病属肺科急症之一，严重者可危及生命，及时处理可治愈。
目前，气胸诊断的影像学手段主要是X线胸片和CT。其中，胸片为投射成像，容易造成漏诊；CT是气胸诊断的金标准，尤其对于小量气胸、局限性气胸以及肺大疱与气胸的鉴别比X线胸片敏感和准确。气胸的基本CT表现为胸膜腔内出现极低密度的气体影，伴有肺组织不同程度的压缩萎陷改变。然而，CT具有较强的放射性，诊断时间长，体积庞大无法大规模普及使用。
近年来，超声被用于气胸诊断，并获得了较好的效果。如图1所示，依据Blue流程，通过观察胸膜滑动、B线、肺点等征象可对气胸进行诊断。然而，由于气胸诊断多在急诊科进行，急诊科医生往往缺乏超声图像解读的基本知识和技能，导致气胸超声诊断率低。因此，开发自动化智能化算法可有效降低超声对医生经验和技能的要求，提高气胸诊断率。
发明内容
有鉴于现有技术的上述缺陷，本发明的目的在于提供一种基于超声应变成像的气胸自动检测***，其包括基于应变计算的快速气胸超声检测算法，可集成到手持超声设备中，大大加强了便携性和灵活性，降低了气胸超声诊断对医生经验技能的要求，可以应用在更多的场景，如急诊、ICU、急救现场、战场等。
为实现上述目的，本发明提供了一种基于超声应变成像的气胸自动检测***，包括图像输入模块、气胸自动检测模块、数据传输模块和显示终端模块。
进一步地，图像输入模块包括超声探头，其输出端与气胸自动检测模块的输入端为单向电连接；气胸自动检测模块的输出端与数据传输模块的输入端为单向电连接；数据传输模块的输出端与显示终端模块的输入端为单向电连接。
进一步地，气胸自动检测模块包括数据库参照模块、应变分析模块、AI分类模块、结果输出模块和数据储存模块。
进一步地，图像输入模块的超声探头的输出端与应变分析模块的输入端为单向电连接；数据库参照模块的输出端与应变分析模块的输入端为单向电连接；应变分析模块的输出端与AI分类模块的输入端为单向电连接；AI分类模块的输出端与结果输出模块的输入端为单向电连接；结果输出模块的输出端与数据储存模块的输入端为单向电连接；结果输出模块的输出端与数据传输模块的输入端为单向电连接。
进一步地，数据库参照模块包括大量胸膜区域的超声图像，这些图像可来源于一家或多家医院的超声图像数据库，并由有经验的医生根据图像中是否出现胸膜滑动征、胸膜滑动消失征及肺点征进行分类，以助于AI分类模块进行机器学习。优选地，数据库参照模块中的超声图像多于100张。更优选地，数据库参照模块中的超声图像多于500张。
进一步地，应变分析模块包括胸膜滑动判定模块、胸膜滑动消失判定模块和肺点判定模块，利用图像处理中的应变成像技术，将其应用到肺部超声图像中，可识别胸膜滑动所产生的局部位移，有效识别胸膜滑动和胸膜滑动消失，同时也可以识别肺点。
进一步地，应变分析模块针对连续两幅超声图像中胸膜区域进行应变计算，主要原理是：正常情况下，胸膜滑动会产生局部应变；而气胸情况下，胸膜滑动消失，全部图像无局部应变。正常情况下，超声图像中，尤其是胸膜线以上的胸壁部分，该区域超声信号在时间维度上的变化很小，比如在超声探头位置保持不变的情况下，胸壁的一些结构如肌肉等也保持位置不变，该区域内固定位置的像素值沿时间维度的变化很小。然而，在气胸的情况下，由于胸膜不滑动，胸膜线以下的区域为气体，此时超声图像上胸膜线以下的区域往往大致是胸膜线以上(至胸壁表面，即超声探头表面)区域的镜面映射，该区域内固定位置的像素值沿时间维度不变，应变近似为零。由此，利用胸膜滑动与否以及超声图像中胸膜区域是否存在局部应变，可以有效判断胸膜滑动，并识别肺点。
进一步地，应变分析模块首先定位出超声图像中的胸膜线位置，进而识别出胸膜区域，然后分别由胸膜滑动判定模块、胸膜滑动消失判定模块及肺点判定模块判定是否存在胸膜滑动征、胸膜滑动消失征及肺点征。
进一步地，胸膜滑动征的判定规则为：胸膜区域中，胸膜线以上区域固定位置的像素值沿时间维度的变化很小，即小于某个阈值；而胸膜线以下区域固定位置的像素值沿时间维度的变化较大，即大于某个阈值。
进一步地，胸膜滑动消失征的判定规则为：胸膜区域中，胸膜线以上区域和胸膜线以下区域固定位置的像素值沿时间维度的变化均很小，即小于某个阈值；且胸膜线以下区域大致是胸膜线以上区域的镜面映射。
进一步地，肺点征的判定规则为：胸膜区域中，同时存在胸膜滑动征及胸膜滑动消失征。
进一步地，AI分类模块可根据数据库参照模块提供的、经应变分析模块处理后的大量超声图像，并结合有经验的医生对这些超声图像的分类结果，进行机器学习及训练，不断改善并调整上述用于判定胸膜滑动征、胸膜滑动消失征及肺点征的阈值，进而可以智能地对经应变分析模块处理的超声图像进行分类，并将分类结果传输给结果输出模块。
进一步地，结果输出模块将超声图像及其分类结果传输给数据储存模块进行储存。
进一步地，数据储存模块的输出端可与数据库参照模块的输入端单向电连接，这样即可将图像输入模块输入的新的超声图像及其分类结果传输给数据库参照模块，以扩充其数据量，从而为AI分类模块的机器学习提供更多数据，改进并完善其智能分类能力。
进一步地，数据传输模块可以通过有线或无线方式将结果输出模块的数据传输给显示终端模块。其中，上述无线方式选自蓝牙、WiFi、Zigbee、蜂窝网络通讯(例如3G、4G、5G)中的一种。
进一步地，显示终端模块包括显示器。
与现有技术相比，本发明的有益效果在于：
1、现有技术对于气胸的影像学诊断往往基于亮度恒定的假设，即同一点随着时间的变化，其亮度不会发生改变。然而对于超声图像，由于斑点噪声的影响，该假设很难完全满足。该假设要求小运动，即时间的变化不会引起位置的剧烈变化，然而胸膜滑动会造成胸膜位置的像素产生较大的位移，导致现有技术计算耗时，实时性和实用性都较差，并不适合移动超声等计算资源有限的便携式终端设备。相对地，本发明采用基于应变计算的快速气胸超声检测算法，计算量小，可以集成到手持超声等计算资源有限的设备；且针对整幅图像数据进行计算，得到的结果更加稳定。
本发明的基于超声应变成像的气胸自动检测***采用应变成像技术，并结合机器学习，使得AI分类模块可智能地识别胸膜滑动所产生的局部位移，有效识别胸膜滑动和胸膜滑动消失，同时也可以识别肺点，降低了气胸超声诊断对医生经验技能的要求，因而可以应用在更多的场景，如急诊、ICU、急救现场、战场等。
附图说明
图1是现有技术的气胸诊断Blue流程示意图；
图2是本发明一个较佳实施例的基于超声应变成像的气胸自动检测***的结构示意图；
图3是本发明一个较佳实施例的存在胸膜滑动征、胸膜滑动消失征及肺点征超声图像示意图。
具体实施方式
下面对本发明的实施例作详细说明，下述的实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图2-3所示，在一个较佳实施例中，本发明的基于超声应变成像的气胸自动检测***包括图像输入模块1、气胸自动检测模块2、数据传输模块3和显示终端模块4。其中，图像输入模块1包括超声探头，其输出端与气胸自动检测模块2的输入端为单向电连接；气胸自动检测模块2的输出端与数据传输模块3的输入端为单向电连接；数据传输模块3的输出端与显示终端模块4的输入端为单向电连接。
气胸自动检测模块2又包括数据库参照模块21、应变分析模块22、AI分类模块23、结果输出模块24和数据储存模块25。其中，图像输入模块1的超声探头的输出端与应变分析模块22的输入端为单向电连接；数据库参照模块21的输出端与应变分析模块22的输入端为单向电连接；应变分析模块22的输出端与AI分类模块23的输入端为单向电连接；AI分类模块23的输出端与结果输出24模块的输入端为单向电连接；结果输出模块24的输出端与数据储存模块25的输入端为单向电连接；结果输出模块24的输出端与数据传输模块3的输入端为单向电连接。
数据库参照模块21包括大量(例如多于500张)胸膜区域的超声图像，这些图像可来源于一家或多家医院的超声图像数据库，并由有经验的医生根据图像中是否出现胸膜滑动征、胸膜滑动消失征及肺点征进行分类，以助于AI分类模块23进行机器学习。
应变分析模块22包括胸膜滑动判定模块、胸膜滑动消失判定模块和肺点判定模块，利用图像处理中的应变成像技术，将其应用到肺部超声图像中，可识别胸膜滑动所产生的局部位移，有效识别胸膜滑动和胸膜滑动消失，同时也可以识别肺点。
应变分析模块22针对连续两幅超声图像中胸膜区域进行应变计算，主要原理是：正常情况下，胸膜滑动会产生局部应变；而气胸情况下，胸膜滑动消失，全部图像无局部应变。正常情况下，超声图像中，尤其是胸膜线以上的胸壁部分，该区域超声信号在时间维度上的变化很小，比如在超声探头位置保持不变的情况下，胸壁的一些结构如肌肉等也保持位置不变，该区域内固定位置的像素值沿时间维度的变化很小，如图3(a)所示。然而，在气胸的情况下，由于胸膜不滑动，胸膜线以下的区域为气体，此时超声图像上胸膜线以下的区域往往大致是胸膜线以上(至胸壁表面，即超声探头表面)区域的镜面映射，该区域内固定位置的像素值沿时间维度不变，应变近似为零，如图3(b)所示。由此，利用胸膜滑动与否以及超声图像中胸膜区域是否存在局部应变，可以有效判断胸膜滑动，并识别肺点。
应变分析模块22首先定位出超声图像中的胸膜线位置，进而识别出胸膜区域，然后分别由胸膜滑动判定模块、胸膜滑动消失判定模块及肺点判定模块判定是否存在胸膜滑动征、胸膜滑动消失征及肺点征。
如图3(a)所示，胸膜滑动征的判定规则为：胸膜区域中，胸膜线以上区域固定位置的像素值沿时间维度的变化很小，即小于某个阈值；而胸膜线以下区域固定位置的像素值沿时间维度的变化较大，即大于某个阈值。该超声图像表明受试者正常，不是气胸。
如图3(b)所示，胸膜滑动消失征的判定规则为：胸膜区域中，胸膜线以上区域和胸膜线以下区域固定位置的像素值沿时间维度的变化均很小，即小于某个阈值；且胸膜线以下区域大致是胸膜线以上区域的镜面映射。该超声图像表明受试者可能患有气胸。
如图3(c)所示，肺点征的判定规则为：胸膜区域中，同时存在胸膜滑动征及胸膜滑动消失征。该超声图像表明受试者患有气胸。
AI分类模块23可根据数据库参照模块21提供的、经应变分析模块22处理后的大量超声图像，并结合有经验的医生对这些超声图像的分类结果，进行机器学习及训练，不断改善并调整上述用于判定胸膜滑动征、胸膜滑动消失征及肺点征的阈值，进而可以对经应变分析模块22处理的超声图像进行自动智能分类，并将分类结果传输给结果输出模块24。
结果输出模块24将超声图像及其分类结果传输给数据储存模块25进行储存。
数据储存模块25的输出端可与数据库参照模块21的输入端单向电连接，这样即可将图像输入模块1输入的新的超声图像及其分类结果传输给数据库参照模块21，以扩充其数据量，从而为AI分类模块23的机器学习提供更多数据，改进并完善其智能分类能力。
数据传输模块3可以通过有线或无线方式将结果输出模块24的数据传输给显示终端模块4。其中，上述无线方式选自蓝牙、WiFi、Zigbee、蜂窝网络通讯(例如3G、4G、5G)中的一种。
显示终端模块4包括显示器。
本发明的工作原理如下：应变(strain)属物理学概念，其定义为物体在受到外力作用下会产生一定的变形，变形的程度称应变。应变有正应变(线应变)、切应变(角应变)及体应变。正应变公式为
式中L是变形的前长度，ΔL是其变形后的伸长量。
本发明将该思路应用于图像处理中，可计算出图像中局部像素移动所产生的应变，即为应变成像(strain imaging)。如图3所示，将应变成像的技术应用到肺部超声图像中，可识别胸膜滑动所产生的局部位移，有效识别胸膜滑动和胸膜滑动消失，同时也可以识别肺点。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的试验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于超声应变成像的气胸自动检测***，其特征在于，包括图像输入模块、气胸自动检测模块、数据传输模块和显示终端模块；其中，
所述图像输入模块包括超声探头，其输出端与所述气胸自动检测模块的输入端为单向电连接；所述气胸自动检测模块的输出端与所述数据传输模块的输入端为单向电连接；所述数据传输模块的输出端与所述显示终端模块的输入端为单向电连接。
2.如权利要求1所述的基于超声应变成像的气胸自动检测***，其特征在于，所述气胸自动检测模块包括数据库参照模块、应变分析模块、AI分类模块、结果输出模块和数据储存模块。
3.如权利要求2所述的基于超声应变成像的气胸自动检测***，其特征在于，所述图像输入模块的超声探头的输出端与所述应变分析模块的输入端为单向电连接；所述数据库参照模块的输出端与所述应变分析模块的输入端为单向电连接；所述应变分析模块的输出端与所述AI分类模块的输入端为单向电连接；所述AI分类模块的输出端与所述结果输出模块的输入端为单向电连接；所述结果输出模块的输出端与所述数据储存模块的输入端为单向电连接；所述结果输出模块的输出端与所述数据传输模块的输入端为单向电连接。
4.如权利要求3所述的基于超声应变成像的气胸自动检测***，其特征在于，所述数据库参照模块包括100张以上的胸膜区域的超声图像，所述超声图像根据是否出现胸膜滑动征、胸膜滑动消失征及肺点征进行分类，以助于所述AI分类模块进行机器学习。
5.如权利要求4所述的基于超声应变成像的气胸自动检测***，其特征在于，所述应变分析模块包括胸膜滑动判定模块、胸膜滑动消失判定模块和肺点判定模块；所述应变分析模块针对连续两幅超声图像中胸膜区域进行应变计算。
6.如权利要求5所述的基于超声应变成像的气胸自动检测***，其特征在于，所述应变分析模块首先定位出所述超声图像中的胸膜线位置，进而识别出胸膜区域，然后分别由所述胸膜滑动判定模块、所述胸膜滑动消失判定模块及所述肺点判定模块判定是否存在胸膜滑动征、胸膜滑动消失征及肺点征。
7.如权利要求6所述的基于超声应变成像的气胸自动检测***，其特征在于，所述胸膜滑动征的判定规则为：所述胸膜区域中，所述胸膜线以上区域固定位置的像素值沿时间维度的变化小于某个阈值；而所述胸膜线以下区域固定位置的像素值沿时间维度的变化大于所述阈值；
所述胸膜滑动消失征的判定规则为：所述胸膜区域中，所述胸膜线以上区域和所述胸膜线以下区域固定位置的像素值沿时间维度的变化均小于所述阈值；且所述胸膜线以下区域大致是所述胸膜线以上区域的镜面映射；
所述肺点征的判定规则为：所述胸膜区域中，同时存在所述胸膜滑动征及所述胸膜滑动消失征。
8.如权利要求7所述的基于超声应变成像的气胸自动检测***，其特征在于，所述结果输出模块将所述超声图像及其分类结果传输给数据储存模块进行储存。
9.如权利要求8所述的基于超声应变成像的气胸自动检测***，其特征在于，所述数据储存模块的输出端可与所述数据库参照模块的输入端单向电连接。
10.如权利要求1-9中任一项所述的基于超声应变成像的气胸自动检测***，其特征在于，所述数据传输模块通过有线或无线方式将所述结果输出模块的数据传输给所述显示终端模块；所述无线方式选自蓝牙、WiFi、Zigbee、蜂窝网络通讯中的一种；所述显示终端模块包括显示器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110061483.6A CN112801957A (zh) | 2021-01-18 | 2021-01-18 | 一种基于超声应变成像的气胸自动检测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110061483.6A CN112801957A (zh) | 2021-01-18 | 2021-01-18 | 一种基于超声应变成像的气胸自动检测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112801957A true CN112801957A (zh) | 2021-05-14 |
Family
ID=75810023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110061483.6A Pending CN112801957A (zh) | 2021-01-18 | 2021-01-18 | 一种基于超声应变成像的气胸自动检测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801957A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114533128A (zh) * | 2022-02-24 | 2022-05-27 | 中国人民解放军海军军医大学 | 一种气胸辅助诊断装置、介质及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106934228A (zh) * | 2017-03-06 | 2017-07-07 | 杭州健培科技有限公司 | 基于机器学习的肺部气胸ct影像分类诊断方法 |
| CN107072637A (zh) * | 2014-09-25 | 2017-08-18 | 皇家飞利浦有限公司 | 用于自动气胸检测的设备和方法 |
| CN109310398A (zh) * | 2016-03-24 | 2019-02-05 | 皇家飞利浦有限公司 | 用于检测肺部滑动的超声***和方法 |
| CN111528907A (zh) * | 2020-05-07 | 2020-08-14 | 万东百胜(苏州)医疗科技有限公司 | 一种超声影像肺炎辅助诊断方法及*** |
| CN112085729A (zh) * | 2020-09-18 | 2020-12-15 | 无锡祥生医疗科技股份有限公司 | 胸膜线区域提取方法、存储介质及超声诊断设备 |
-
2021
- 2021-01-18 CN CN202110061483.6A patent/CN112801957A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107072637A (zh) * | 2014-09-25 | 2017-08-18 | 皇家飞利浦有限公司 | 用于自动气胸检测的设备和方法 |
| CN109310398A (zh) * | 2016-03-24 | 2019-02-05 | 皇家飞利浦有限公司 | 用于检测肺部滑动的超声***和方法 |
| CN106934228A (zh) * | 2017-03-06 | 2017-07-07 | 杭州健培科技有限公司 | 基于机器学习的肺部气胸ct影像分类诊断方法 |
| CN111528907A (zh) * | 2020-05-07 | 2020-08-14 | 万东百胜(苏州)医疗科技有限公司 | 一种超声影像肺炎辅助诊断方法及*** |
| CN112085729A (zh) * | 2020-09-18 | 2020-12-15 | 无锡祥生医疗科技股份有限公司 | 胸膜线区域提取方法、存储介质及超声诊断设备 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114533128A (zh) * | 2022-02-24 | 2022-05-27 | 中国人民解放军海军军医大学 | 一种气胸辅助诊断装置、介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108024791B (zh) | 将肺滑动与外部运动区分 | |
| CN107569257A (zh) | 超声图像处理方法及***、超声诊断设备 | |
| US8515141B2 (en) | Medical image processing apparatus and method for detecting locally protruding lesion | |
| KR102209086B1 (ko) | 요로결석 정보제공 방법, 장치 및 컴퓨터 판독가능 매체 | |
| US10178941B2 (en) | Image processing apparatus, image processing method, and computer-readable recording device | |
| CN112384146B (zh) | 从若干超声图像识别最佳图像 | |
| CN111863209B (zh) | 基于图像识别的结肠镜检查质量评估工作站 | |
| CN110910404B (zh) | 一种抗噪声数据的乳腺超声结节分割方法 | |
| CN116503392B (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
| WO2020215807A1 (zh) | 一种基于深度学习提高结肠镜腺瘤性息肉检出率的方法 | |
| CN113786239B (zh) | 胃部消化道下手术器械追踪和实时预警的方法和*** | |
| CN112801957A (zh) | 一种基于超声应变成像的气胸自动检测*** | |
| CN116542883B (zh) | 一种磁控胶囊胃镜影像病灶粘膜增强*** | |
| CN110648333B (zh) | 基于中智学理论的乳腺超声视频图像实时分割*** | |
| CN116934683A (zh) | 人工智能辅助超声诊断脾创伤的方法 | |
| US11941806B2 (en) | Methods and systems for automatic assessment of fractional limb volume and fat lean mass from fetal ultrasound scans | |
| US11120554B2 (en) | Image diagnosis apparatus, image diagnosis method, and program | |
| US9014440B2 (en) | Dental cysts detector | |
| CN115399840A (zh) | 信息处理方法及相关装置 | |
| Yan et al. | Automatic detection and localization of pulmonary nodules in ct images based on yolov5 | |
| CN113409312B (zh) | 一种用于生物医疗影像的图像处理方法和装置 | |
| US11881301B2 (en) | Methods and systems for utilizing histogram views for improved visualization of three-dimensional (3D) medical images | |
| CN115661096B (zh) | 一种胃食管结合部癌食道下段侵犯长度的影像判断方法 | |
| KR20180114596A (ko) | 얼굴 영상을 이용한 폐기능 측정 장치, 방법 및 이를 기록한 컴퓨터로 판독가능한 기록매체 | |
| Hu et al. | Automatic tracking algorithm in coaxial near-infrared laser ablation endoscope for fetus surgery |
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 |
Application publication date: 20210514 |