CN113520317A - 基于oct的子宫内膜检测分析方法、装置、设备及存储介质 - Google Patents
基于oct的子宫内膜检测分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113520317A CN113520317A CN202110760679.4A CN202110760679A CN113520317A CN 113520317 A CN113520317 A CN 113520317A CN 202110760679 A CN202110760679 A CN 202110760679A CN 113520317 A CN113520317 A CN 113520317A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- oct
- endometrial
- model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 142
- 230000002357 endometrial effect Effects 0.000 title claims abstract description 70
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 210000004696 endometrium Anatomy 0.000 claims abstract description 57
- 210000004291 uterus Anatomy 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims description 29
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 13
- 238000000034 method Methods 0.000 description 30
- 239000000523 sample Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 210000000981 epithelium Anatomy 0.000 description 5
- 210000003679 cervix uteri Anatomy 0.000 description 4
- 210000005000 reproductive tract Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 210000004907 gland Anatomy 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 210000004877 mucosa Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 210000005081 epithelial layer Anatomy 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000762 glandular Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0062—Arrangements for scanning
- A61B5/0066—Optical coherence imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
- A61B5/0084—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes for introduction into the body, e.g. by catheters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及OCT检测技术领域,公开了一种基于OCT的子宫内膜检测分析方法,包括:获取待检测的子宫内膜OCT图像;将所述子宫内膜OCT图像传输至训练完成的子宫检测模型中来进行识别以得到图像检测信息;根据所述图像检测信息得到子宫内膜检测结果。本发明实施例还公开了一种基于OCT的子宫内膜检测分析装置、电子设备及存储介质。本发明实施例中通过将获取到的OCT图像输入至训练完成的子宫检测模型中进行识别训练,以得到相应的子宫内膜状况;其通过图像识别的方式能够实现快速识别异常情况,辅助医生进行更好的诊断,在提升检测效率的同时降低医生漏诊情况的出现。
Description
技术领域
本发明涉及OCT检测技术领域,具体涉及一种基于OCT的子宫内膜检测分析方法、装置、设备及存储介质。
背景技术
目前,现有子宫内膜检测主要有以下方式:例如,可以通过B超检查来看子宫内膜的厚度以及观察宫腔内是否有病变;还可以通过诊断性***做病理诊断;另外还可以通过宫腔镜进行宫腔表面病变的探查。上述第一种方式得到的信息较少,如果需要获取准确信息,还需要采用第二或第三种方式,但是后两种方式均会对人体造成一定的损伤,而且检测成本较高,检测周期较长。
现在虽然有采用OCT图像进行子宫内膜探测的方式,但是其还是主要停留在医生直接采用人眼进行观测的方式;最终得到的结果主要还是依靠医生的经验来进行判断;并且会使得整个检测过程时长拉长,检测效率降低。因此,设计一种能够更加合理进行子宫内膜检测分析的方案成为本领域技术人员亟待解决的技术问题。
发明内容
针对所述缺陷,本发明实施例公开了一种基于OCT的子宫内膜检测分析方法,其通过图像识别的方式能够实现快速识别异常情况,辅助医生进行更好的诊断,在提升检测效率的同时降低医生漏诊情况的出现。
本发明实施例第一方面公开了基于OCT的子宫内膜检测分析方法,包括:
获取待检测的子宫内膜OCT图像;
将所述子宫内膜OCT图像传输至训练完成的子宫检测模型中来进行识别以得到图像检测信息;
根据所述图像检测信息得到子宫内膜检测结果。
作为一种可选的实施方式,在本发明实施例第一方面中,在所述获取待检测的子宫内膜OCT图像之前,还包括:
接收待检测人员的人员信息,所述人员信息包括年龄以及疾病史。
作为一种可选的实施方式,在本发明实施例第一方面中,在所述获取待检测的子宫内膜OCT图像之后,还包括:
对所述子宫内膜OCT图像进行预处理,所述预处理包括图像校准以及图像增强处理,所述图像校准为将子宫内膜OCT图像转换为标准格式图像;所述图像增强处理为对所述子宫内膜OCT图像使用不同的伪彩色调色板进行RGB三色映射,得到不同色调的伪彩色图像。
作为一种可选的实施方式,在本发明实施例第一方面中,所述图像检测信息包括图像异常区域,所述子宫内膜检测结果包括异常区域面积占比、异常区域亮度、异常区域周长、异常区域面积和平均厚度中的一种或者多种。
作为一种可选的实施方式,在本发明实施例第一方面中,所述子宫内膜图像包括子宫内容图像组,所述子宫内膜图像组包括宫底区内膜图像、子宫体区内膜图像、子宫下段区内膜图像以及宫颈区粘膜图像;
所述子宫内膜图像包括横向图像和纵向图像。
作为一种可选的实施方式,在本发明实施例第一方面中,所述子宫检测模型通过如下步骤训练得到:
将所有经过人工标注的子宫训练图像分为训练集和测试集;
将所述训练集输入至构建的神经网络模型中以进行模型训练以得到子宫检测模型,所述子宫检测模型包括神经网络模型以及模型参数;
将所述测试集输入至训练完成的子宫检测模型中以进行模型测试,如果所述模型测试的准确率超过设定数值,则保存所述子宫检测模型。
作为一种可选的实施方式,在本发明实施例第一方面中,所述子宫检测模型为掩膜局部神经网络模型;所述掩膜局部神经网络模型包括特征提取网络、区域生成网络和语义分割网络;
所述将所述子宫内膜OCT图像传输至训练完成的子宫检测模型中来进行识别以得到图像检测信息,包括:
采用特征提取网络对所述子宫内膜OCT图像进行检测得到相应的特征图;
将所述特征图输入至区域生成网络进行图像扫描得到多个感兴趣区域;
对多个所述感兴趣区域进行分类以及位置回归;
对进行所述分类以及位置回归之后的感兴趣区域执行感兴趣区域校准以得到的识别特征图;所述识别特征图包括固定大小的特征图;
将所述识别特征图输入至语义分割网络进行检测以得到所述子宫内膜OCT图像的语义分割结果。
本发明实施例第二方面公开一种基于OCT的子宫内膜检测分析装置,包括:
获取模块:用于获取待检测的OCT图像,所述OCT图像包括子宫内膜OCT图像;
识别模块:用于将所述子宫内膜OCT图像传输至训练完成的子宫检测模型中来进行识别以得到图像检测信息;
结果模块:用于根据所述图像检测信息得到子宫内膜检测结果。
本发明实施例第三方面公开一种电子设备,包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行本发明实施例第一方面公开的基于OCT的子宫内膜检测分析方法。
本发明实施例第四方面公开一种计算机可读存储介质,其存储计算机程序,其中,所述计算机程序使得计算机执行本发明实施例第一方面公开的基于OCT的子宫内膜检测分析方法。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中通过将获取到的OCT图像输入至训练完成的子宫检测模型中进行识别训练,以得到相应的子宫内膜状况;其通过图像识别的方式能够实现快速识别异常情况,辅助医生进行更好的诊断,在提升检测效率的同时降低医生漏诊情况的出现。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,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是本发明实施例公开的基于OCT的子宫内膜检测分析方法的流程示意图;
图2是本发明实施例公开的子宫检测模型的训练流程示意图;
图3是本发明实施例公开的具体模型构建训练的流程示意图;
图4是本发明实施例公开的特征提取网络的流程示意图;
图5是本发明实施例公开的图像标记的一显示示意图;
图6是本发明实施例公开的图像标记的另一显示示意图;
图7是本发明实施例公开的图像标记的再一显示示意图;
图8是本发明实施例公开的具体模型检测的流程示意图;
图9是本发明实施例公开的图像检测结果的一显示示意图;
图10是本发明实施例公开的图像检测结果的另一显示示意图;
图11是本发明实施例公开的图像检测结果的再一显示示意图;
图12是本发明实施例提供的一种基于OCT的子宫内膜检测分析装置的结构示意图;
图13是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描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。
需要说明的是,本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象,而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,示例性地,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开了基于OCT的子宫内膜检测分析方法、装置、电子设备及存储介质,其通过图像识别的方式能够实现快速识别异常情况,辅助医生进行更好的诊断,在提升检测效率的同时降低医生漏诊情况的出现。
实施例一
请参阅图1,图1是本发明实施例公开的基于OCT的子宫内膜检测分析方法的流程示意图。其中,本发明实施例所描述的方法的执行主体为由软件或/和硬件组成的执行主体,该执行主体可以通过有线或/和无线方式接收相关信息,并可以发送一定的指令。当然,其还可以具有一定的处理功能和存储功能。该执行主体可以控制多个设备,例如远程的物理服务器或云服务器以及相关软件,也可以是对某处安置的设备进行相关操作的本地主机或服务器以及相关软件等。在一些场景中,还可以控制多个存储设备,存储设备可以与设备放置于同一地方或不同地方。如图1所示,该基于OCT的子宫内膜检测分析方法包括以下步骤:
S101:获取待检测的OCT图像,所述OCT图像包括子宫内膜OCT图像;
本步骤主要是为了获取到基础的比对图像信息;这里的待检测的OCT图像来源有多种;一种是直接获取OCT探头拍摄到的图像,也即是将该分析方法内置于检测设备处,来进行实施的检测;还有一种是获取其他设备存储的OCT图像信息。在本发明实施例中,更为优选的是将该方法内置于OCT检测***内,然后通过***实施对图像进行采集辅助判断。
作为一种可选的实施方式,在本发明实施例第一方面中,在所述获取待检测的OCT图像之后,还包括:
S1011:对所述子宫内膜OCT图像进行预处理,所述预处理包括图像校准以及图像增强处理,所述图像校准为将子宫内膜OCT图像转换为标准格式图像;所述图像增强处理为对所述子宫内膜OCT图像使用不同的伪彩色调色板进行RGB三色映射,得到不同色调的伪彩色图像。
这一步也即是为了进行进一步的图像处理,如果没有对输入的做统一的预处理,会使得后续得到的结果存在偏差。因此,在获取到对应的OCT图像之后,对该图像进行图像大小的变换以及色彩的校准与增强;这样会使得最终得到的结果更为的准确。
具体的,本发明实施例中OCT检测***中图像采集装置可以包括光源、分光器以及探测器等。启动图像采集装置,获取多张OCT图像,包括:启动光源,启动光源的方式可以是通过电子设备实现,也可以通过人工实现,光源可以采用扫频激光。光源发出的光被分光器分为参考光和信号光;信号光经由探头发射到图像采集区域,经由图像采集区域反射和散射回来的光返回至探测器,形成信号臂;参考光则直接通过与信号臂相等光程的光路发射到探测器,形成参考臂;相等光程的实现方式,可以在参考臂上可调的光学延迟装置(还可以通过调整激光波长、扫频率和偏振态),通过调节光学延迟装置,使得二者的光程相等,从而产生干涉现象。信号臂和参考臂相互干涉形成干涉光信号,经由探测器进行光电转换成模拟的电信号,通过模数转换以及傅里叶变换,得到OCT图像。
S102:将所述子宫内膜OCT图像传输至训练完成的子宫检测模型中来进行识别以得到图像检测信息;
本步骤为具体的图像识别的步骤,将获取到的图像传输至训练完成的子宫检测模型中则可以实现智能识别检测。这里在进行具体的识别检测的时候,可以有两方面的任务,第一个是可以将检测到的具体的特征进行参数标示,比如识别到的阴影区域,并对阴影区域的大小以及面积占比进行信息标注;具体的,图5中圈划出来的区域就是对应的阴影区域,图像边缘的区域并不属于要指明的阴影区域范围。在本发明实施例中最终输出的也即是一系列监测值以及异常形状等,然后由医生来判断最终的病症结果,其主要是辅助医生来进行判断,并且通过检测具体的数值来帮助医生更好的判断结果;或者是通过识别检测得到对应的特征参数,比如识别得到对应的参数的大小范围,然后在将该范围去进行进一步的数据匹配,判断其所属区间来得到相应的建议结果。
示例性的,图2是本发明实施例公开的子宫检测模型的训练流程示意图,图3是本发明实施例公开的具体模型构建训练的流程示意图,如图2和图3所示,所述子宫检测模型通过如下步骤训练得到:
S100a:将所有经过人工标注的子宫训练图像分为训练集和测试集;具体的,先获取到大量的有病症的图像,然后采用labelme软件对数据集进行数据标注,具体的数据标注方式如图5、图6和图7所示,通过软件圈划出图像出现异常的区域;然后将标注好的训练图像分为训练集和测试集,训练集主要是用于进行模型训练,测试集主要是对模型进行数据测试。具体的,训练集占据数据总量的95%,测试集占据数据总量的5%;也即是将大部分数据均用于进行训练,而预留一部分来进行数据测试。
在数据集生成好之后,可以根据要求修改train.py文件夹下的参数即可训练,具体的在dataset.py内修改自己要分的类,分别是load_shapes函数和load_mask函数内和类有关的内容,即将原有的circle、square等修改成自己要分的类;
在train文件夹下面修改ShapesConfig(Config)的内容,NUM_CLASS等于自己要分的类的数量+1;IMAGE_MAX_DIM、IMAGE_MIN_DIM、BATCH_SIZE和IMAGES_PER_GPU根据电脑的显存情况进行修改。
RPN_ANCHOR_SCALES根据IMAGE_MAX_DIM和IMAGE_MIN_DIM进行修改;STEPS_PER_EPOCH代表每个世代训练多少次;全部修改完成后就可以运行train.py文件进行训练。
S100b:将所述训练集输入至构建的神经网络模型中以进行模型训练以得到子宫检测模型,所述子宫检测模型包括神经网络模型以及模型参数;将步骤S100a中的训练集输入至网络模型中来进行不断训练来得到对应的神经网络模型中的网络结构参数,具体的,在本发明实施例中的,神经网络模型指的是掩膜局部神经网络模型,也即是Mask-Rcnn模型。
S100c:将所述测试集输入至训练完成的子宫检测模型中以进行模型测试,如果所述模型测试的准确率超过设定数值,则保存所述子宫检测模型。
当训练集的数据中的全部数据训练完成之后,则可以采用测试集来对其进行进一步的测试,只有在到的结果准确率高于设定数值时,才可以判断该模型训练完成,并对模型的各项数据进行保存,以便后续进行识别应用。如果没有达到设定值,则需要继续调整网络结果参数,以对模型进行进一步调整。
示例性的,所述子宫检测模型为掩膜局部神经网络模型;所述掩膜局部神经网络模型包括特征提取网络、区域生成网络和语义分割网络;
图8是本发明实施例公开的具体模型检测的流程示意图,如图8所示,所述将所述子宫内膜OCT图像传输至训练完成的子宫检测模型中来进行识别以得到图像检测信息,包括:
S1021:采用特征提取网络对所述子宫内膜OCT图像进行检测得到相应的特征图;
S1022:将所述特征图输入至区域生成网络进行图像扫描得到多个感兴趣区域;
S1023:对多个所述感兴趣区域进行分类以及位置回归;
S1024:对进行所述分类以及位置回归之后的感兴趣区域执行感兴趣区域校准以得到的识别特征图;所述识别特征图包括固定大小的特征图;
S1025:将所述识别特征图输入至语义分割网络进行检测以得到所述子宫内膜OCT图像的语义分割结果。
上述即为Mask-Rcnn的具体实现逻辑;Mask-Rcnn是基于faster-rcnn架构提出的新的卷积网络,该方法在有效地目标识别的同时完成了高质量的语义分割。这里的语义分割指的是将待识别的类从图像中识别分割开来;具体的,也即是将整个图像分成像素组,然后对像素组进行标记和分类。语义分割试图在语义上理解图像中每个像素是什么(人、车、狗、树…);除了识别人、道路、汽车、树木等之外,还必须确定每个物体的边界。
Mask-Rcnn实现的主要思路就是把原有的Faster-RCNN进行扩展,添加一个分支使用现有的检测对目标进行并行预测。同时,这个网络结构比较容易实现和训练,可以很方便的应用到其他的领域,像目标检测、分割和人物关键点检测等。
具体的,Mask-Rcnn使用Resnet101作为主干特征提取网络,对应着图像中的CNN部分,其对输入进来的图片有尺寸要求,需要可以整除2的6次方。在进行特征提取后,利用长宽压缩了两次、三次、四次、五次的特征层来进行特征金字塔结构的构造。ResNet101有两个基本的块,分别名为Conv Block和Identity Block,其中Conv Block输入和输出的维度是不一样的,所以不能连续串联,它的作用是改变网络的维度;Identity Block输入维度和输出维度相同,可以串联,用于加深网络的。
图4是本发明实施例公开的特征提取网络的流程示意图,如图4所示,特征金字塔FPN的构建是为了实现特征多尺度的融合,在Mask-Rcnn当中,模型取出在主干特征提取网络中长宽压缩了两次C2、三次C3、四次C4、五次C5的结果来进行特征金字塔结构的构造。
提取到的P2、P3、P4、P5、P6可以作为RPN网络的有效特征层,利用RPN建议框网络对有效特征层进行下一步的操作,对先验框进行解码获得建议框。提取到的P2、P3、P4、P5可以作为Classifier和Mask网络的有效特征层,利用Classifier预测框网络对有效特征层进行下一步的操作,对建议框解码获得最终预测框;利用Mask语义分割网络对有效特征层进行下一步的操作,获得每一个预测框内部的语义分割结果。
实际上,Mask R-CNN到这里的操作是,通过主干特征提取网络,可以获得多个公用特征层,然后建议框会对这些公用特征层进行截取。其实公用特征层里的每一个点相当于原图片上某个区域内部所有特征的浓缩。建议框会对其对应的公用特征层进行截取,然后将截取的结果进行resize,在classifier模型里,截取后的内容会resize到7x7x256的大小。在mask模型里,截取后的内容会resize到14x14x256的大小。
在利用建议框对公用特征层进行截取的时候要注意,要找到建议框属于那个特征层,这个要从建议框的大小进行判断。在classifier模型里,其会利用一次通道数为1024的7x7的卷积和一次通道数为1024的1x1的卷积对ROIAlign获得的7x7x256的区域进行卷积,两次通道数为1024卷积用于模拟两次1024的全连接,然后再分别全连接到num_classes和num_classes*4上,分别代表这个建议框内的物体,以及这个建议框的调整参数。在mask模型里,其首先会对resize后的局部特征层进行四次3x3的256通道的卷积,再进行一次反卷积,再进行一次通道数为num_classes的卷积,最终结果代表每一个像素点分的类。最终的shape为28x28xnum_classes,代表每个像素点的类别。
通过上述步骤即可识别出来每个图像中各个像素点的类别,这里的类别可以是腺体、囊性改变、红点区域、内膜缺损等等;并同时进行语义分割处理,也即是可以对识别到的区域进行分割以得到图像检测信息。
S103:根据所述图像检测信息得到子宫内膜检测结果。
通过图像检测信息则可以确定对应的子宫内膜检测结果,如图9、图10和图11所示,图中均有出现相应的缺损状况,其缺损情况是通过步骤S102来识别得到的,其中具体的参数则是通过步骤S103计算得到的。
示例性的,所述图像检测信息包括图像异常区域,所述子宫内膜检测结果包括异常区域面积占比、异常区域亮度、异常区域周长、异常区域面积和平均厚度中的一种或者多种。医生可以依据上述具体的参数来进行诊断;甚至于在进行实际操作时,可以设定相应的范围来辅助医生判断,比如当区域面积、亮度、周长等均符合某些病症的数据组合内时,则可以在参数表的下方给出预测判断来给医生做参考意见。并且随着数据的增多,上述识别模型会越来越准确。上述参数主要是通过对对检测到的图像中的各个像素点进行参数计算比对得到的。
示例性的,所述子宫内膜图像包括子宫内膜图像组,所述子宫内膜图像组包括宫底区内膜图像、子宫体区内膜图像、子宫下段区内膜图像以及宫颈区粘膜图像;具体的,上述图像获取通过如下步骤得到:
将OCT探头经宫颈口***宫腔内,直至宫底;
回撤所述OCT探头,并同时启动图像采集装置,获取多张OCT图像;
将所述多张OCT图像分成四个区域,分别为宫底内膜区、子宫体内膜区、子宫下段内膜区以及宫颈粘膜区。
由于在进行图像识别的时候,如果仅仅单一识别某个局部区域的图像,则可以会产生识别偏差的情况出现,故而在本发明实施例中,可以对一组图像进行识别来提供更全面的数据。这里的一组图像并非是同一区域的一组图像,而是对于宫腔内不同区域获取到的图像信息。
具体的上述图像通过如下方式获取得到,OCT设备使用时,从宫底部开始图像采集,因此,需要先将OCT探头推送至宫底部。示例性地,可以通过使用生殖道导引器连接导管,手动或自动控制生殖道导引器带动导管经宫颈口***宫颈内,再通过宫腔直至宫底。手动方式,例如可以手持生殖道导引器手柄,将导管缓慢经宫颈口***宫腔内,自动方式,例如通过伺服电机等控制生殖道导引器带动导管经宫颈口***宫腔内。
为了防止OCT探头对人体造成损伤,在本发明较佳的实施例中,***宫颈后,要缓慢到达宫底,速度优选不大于0.3cm/s。OCT探头回撤过程采用匀速方式实现,例如,通过动力机构匀速带动所述OCT探头匀速从所述宫底回撤到所述宫颈口;在OCT探头回撤的同时,启动图像采集装置以固定频率,也就是固定时间间隔例如10ms等采集回撤过程中的多张OCT图像。该方式下,优选根据需要采集的图像数量确定回撤速度,一般地,回撤速度优选在0.1-0.3cm/s,这样拍摄的图像数量满足需求,同时,在时间和效率上也能达到平衡。
另外,还有一种实施方式,根据不同图像采集位置的权重,即针对需要重点分析的区域,其图像采集频率要高一些,其他区域的频率可以适当降低一些。示例性地,当需要对子宫体区进行重点分析时,则在此阶段回撤的速度可以小于0.1cm/s。例如,如果回撤采用匀速方式实现,且回撤速度在0.1-0.3cm/s范围时,在该阶段回撤速度可以选择0.1cm/s,其他区域可以选择0.3cm/s。
子宫腔长度有多种长度检测方式,如在OCT操作前利用宫腔探针来获得;或者还可以通过回抽计算得到;这两种方式检测到的长度均属于本发明实施例所要保护的范围。具体的,每个区域的实际长度,可以根据总长度以及各个区域的常规长度比例得到,子宫长度通过回抽计算得到,常规长度,可以通过获取不同年龄段的多个人员的测量数据,然后取平均,即可得到各个年龄阶段的各个区域的常规长度比例。针对被检测者,即可根据填写的个人基本信息,结合该常规长度比例得到其子宫长度。
在本发明较佳的实施例中,作为广义的子宫图像,可以划分为四个区域,分别为宫底内膜区、子宫体内膜区、子宫下段内膜区以及宫颈粘膜区,每个区域可以根据被检测者实际情况划分,例如上述的根据常规长度比例划分,当然,在对结果要求并不是太严格的情况下,也可以平均分配。通过对采用上述图像采集方式采集的图像组进行识别,进而可以提供更丰富全面的信息给医生做参考,进一步提升了最终诊断结果的准确性,降低误诊率。当采用图像组进行识别的时候,最终输出的数据表会增加多行表格来对各个图像中的数据进行显示。
可以理解的是,上述划分针对于子宫而言,是呈环形的横向图像的划分,在区域划分前后,还可以将这些OCT图像整合为一张进行方形纵向图像,纵向图像可以划分为第一象限至第四象限四个,通过对纵向图像进行预处理,可以删除横向图像中存在因图像拍摄原因导致的采集存在缺陷的图像。例如,通过上皮层或内膜层的连续性删除未连续部分,为防止误删,可以设置为连续部分在横向图像中的数量,示例性地,当未连续图像超过5张时,认为这些图像存在缺陷,在对子宫内膜进行分析时,放弃采用这些图像。
在一些其他的实施例中,可以通过电子设备对OCT区域图像进行分析,也可以人工对OCT区域图像进行分析。分析时,对于每一个区域,可以选择一定数量例如5张OCT区域图像进行分析,当然,针对较大权重的区域,也可以多选取一些OCT图像作为分析对象。
示例性地,主要分析上皮层和内膜层,例如:
分析上皮层规则性和连续性,如果上皮边缘规整圆滑,则具有规则性,出现凹陷、皱褶或***则为不规则;上皮边缘完整为具有连续性,出现断裂、缺失为不连续;
分析内膜层的腺体大小、囊性改变、是否存在红点区域以及内膜是否存在缺损:观察腺体形态,是否扩大、变多,观察内膜出现囊性特征的区域;当OCT图像的像素值(灰度值)在一定范围内,例如101-255,则这些像素点形成的区域为红点区域,当内膜组织出现暗影或孔洞等低信号区域,则说明内膜存在缺损。上述的各个指标,也可以通过最终以数据表的形式呈现。
示例性的,在所述获取待检测的OCT图像之前,还包括:
接收待检测人员的人员信息,所述人员信息包括年龄以及疾病史。
将人员信息与具体的子宫内膜OCT图像进行信息关联。
本发明实施例中通过将获取到的OCT图像输入至训练完成的子宫检测模型中进行识别训练,以得到相应的子宫内膜状况;其通过图像识别的方式能够实现快速识别异常情况,辅助医生进行更好的诊断,在提升检测效率的同时降低医生漏诊情况的出现。
实施例二
请参阅图12,图12是本发明实施例公开的基于OCT的子宫内膜检测分析装置的结构示意图。如图12所示,该基于OCT的子宫内膜检测分析装置可以包括:
获取模块21:用于获取待检测的子宫内膜OCT图像;
识别模块22:用于将所述子宫内膜OCT图像传输至训练完成的子宫检测模型中来进行识别以得到图像检测信息;
结果模块23:用于根据所述图像检测信息得到子宫内膜检测结果。
示例性的,在所述获取待检测的子宫内膜OCT图像之前,还包括:
接收模块:用于接收待检测人员的人员信息,所述人员信息包括年龄以及疾病史;
所述将所述子宫内膜OCT图像传输至训练完成的子宫检测模型中来进行识别以得到图像检测信息,包括:
将所述年龄、疾病史以及所述子宫内膜OCT图像传输至训练完成的子宫检测模型中来进行识别以得到图像检测信息。
示例性的,在所述获取待检测的子宫内膜OCT图像之后,还包括:
预处理模块:用于对所述子宫内膜OCT图像进行预处理,所述预处理包括图像校准以及图像增强处理,所述图像校准为将子宫内膜OCT图像转换为标准格式图像;所述图像增强处理为对所述子宫内膜OCT图像使用不同的伪彩色调色板进行RGB三色映射,得到不同色调的伪彩色图像。
示例性的,所述图像检测信息包括图像异常区域,所述子宫内膜检测结果包括异常区域面积占比、异常区域亮度、异常区域周长、异常区域面积和平均厚度中的一种或者多种。
示例性的,所述子宫内膜图像包括子宫内膜图像组,所述子宫内膜图像组包括宫底区内膜图像、子宫体区内膜图像、子宫下段区内膜图像以及宫颈区粘膜图像;
所述子宫内膜图像包括横向图像和纵向图像。
示例性的,所述子宫检测模型通过如下步骤训练得到:
划分模块:用于将所有经过人工标注的子宫训练图像分为训练集和测试集;具体的,训练集占据数据总量的95%,测试集占据数据总量的5%;也即是将大部分数据均用于进行训练,而预留一部分来进行数据测试。用户可以依据实际情况来进行调整,但是一般训练集的数据总量设置不低于90%;或者在进行训练量设置时,可以设置训练集里包括有多少条数据,比如训练集包括有1万条标记数据来进行训练。
训练模块:将所述训练集输入至构建的神经网络模型中以进行模型训练以得到子宫检测模型,所述子宫检测模型包括神经网络模型以及模型参数;
测试模块:用于将所述测试集输入至训练完成的子宫检测模型中以进行模型测试,如果所述模型测试的准确率超过设定数值,则保存所述子宫检测模型。
示例性的,所述子宫检测模型为掩膜局部神经网络模型;所述掩膜局部神经网络模型包括特征提取网络、区域生成网络和语义分割网络;
所述将所述子宫内膜OCT图像传输至训练完成的子宫检测模型中来进行识别以得到图像检测信息,包括:
特征检测模块:用于采用特征提取网络对所述子宫内膜OCT图像进行检测得到相应的特征图;
扫描模块:用于将所述特征图输入至区域生成网络进行图像扫描得到多个感兴趣区域;
分类模块:用于对多个所述感兴趣区域进行分类以及位置回归;
校准模块:用于对进行所述分类以及位置回归之后的感兴趣区域执行感兴趣区域校准以得到的识别特征图;所述识别特征图包括固定大小的特征图;
分割模块:用于将所述识别特征图输入至语义分割网络进行检测以得到所述子宫内膜OCT图像的语义分割结果。
本发明实施例中通过将获取到的OCT图像输入至训练完成的子宫检测模型中进行识别训练,以得到相应的子宫内膜状况;其通过图像识别的方式能够实现快速识别异常情况,辅助医生进行更好的诊断,在提升检测效率的同时降低医生漏诊情况的出现。
实施例三
请参阅图13,图13是本发明实施例公开的一种电子设备的结构示意图。电子设备可以是计算机以及服务器等,当然,在一定情况下,还可以是手机、平板电脑以及监控终端等智能设备,以及具有处理功能的图像采集装置。如图..所示,该电子设备可以包括:
存储有可执行程序代码的存储器510;
与存储器510耦合的处理器520;
其中,处理器520调用存储器510中存储的可执行程序代码,执行实施例一中的基于OCT的子宫内膜检测分析方法中的部分或全部步骤。
本发明实施例公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行实施例一中的基于OCT的子宫内膜检测分析方法中的部分或全部步骤。
本发明实施例还公开一种计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行实施例一中的基于OCT的子宫内膜检测分析方法中的部分或全部步骤。
本发明实施例还公开一种应用发布平台,其中,应用发布平台用于发布计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行实施例一中的基于OCT的子宫内膜检测分析方法中的部分或全部步骤。
在本发明的各种实施例中,应理解,所述各过程的序号的大小并不意味着执行顺序的必然先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物单元,即可位于一个地方,或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各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。所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。
所述集成的单元若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获取的存储器中。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部分或者该技术方案的全部或者部分,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器中,包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等,具体可以是计算机设备中的处理器)执行本发明的各个实施例所述方法的部分或全部步骤。
在本发明所提供的实施例中,应理解,“与A对应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。
本领域普通技术人员可以理解所述实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的基于OCT的子宫内膜检测分析方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于OCT的子宫内膜检测分析方法,其特征在于,包括:
获取待检测的子宫内膜OCT图像;
将所述子宫内膜OCT图像传输至训练完成的子宫检测模型中来进行识别以得到图像检测信息;
根据所述图像检测信息得到子宫内膜检测结果。
2.如权利要求1所述的基于OCT的子宫内膜检测分析方法,其特征在于,在所述获取待检测的子宫内膜OCT图像之前,还包括:
接收待检测人员的人员信息,所述人员信息包括年龄以及疾病史。
3.如权利要求1所述的基于OCT的子宫内膜检测分析方法,其特征在于,在所述获取待检测的子宫内膜OCT图像之后,还包括:
对所述子宫内膜OCT图像进行预处理,所述预处理包括图像校准以及图像增强处理,所述图像校准为将子宫内膜OCT图像转换为标准格式图像;所述图像增强处理为对所述子宫内膜OCT图像使用不同的伪彩色调色板进行RGB三色映射,得到不同色调的伪彩色图像。
4.如权利要求1所述的基于OCT的子宫内膜检测分析方法,其特征在于,所述图像检测信息包括图像异常区域,所述子宫内膜检测结果包括异常区域面积占比、异常区域亮度、异常区域周长、异常区域面积和平均厚度中的一种或者多种。
5.如权利要求1所述的基于OCT的子宫内膜检测分析方法,其特征在于,所述子宫内膜图像包括子宫内容图像组,所述子宫内膜图像组包括宫底区图像、子宫上段区图像、子宫下段区图像以及宫颈区图像;
所述子宫内膜图像包括横向图像和纵向图像。
6.如权利要求1-5中任意一项所述的基于OCT的子宫内膜检测分析方法,其特征在于,所述子宫检测模型通过如下步骤训练得到:
将所有经过人工标注的子宫训练图像分为训练集和测试集;
将所述训练集输入至构建的神经网络模型中以进行模型训练以得到子宫检测模型,所述子宫检测模型包括神经网络模型以及模型参数;
将所述测试集输入至训练完成的子宫检测模型中以进行模型测试,如果所述模型测试的准确率超过设定数值,则保存所述子宫检测模型。
7.如权利要求1-5中任意一项所述的基于OCT的子宫内膜检测分析方法,其特征在于,所述子宫检测模型为掩膜局部神经网络模型;所述掩膜局部神经网络模型包括特征提取网络、区域生成网络和语义分割网络;
所述将所述子宫内膜OCT图像传输至训练完成的子宫检测模型中来进行识别以得到图像检测信息,包括:
采用特征提取网络对所述子宫内膜OCT图像进行检测得到相应的特征图;
将所述特征图输入至区域生成网络进行图像扫描得到多个感兴趣区域;
对多个所述感兴趣区域进行分类以及位置回归;
对进行所述分类以及位置回归之后的感兴趣区域执行感兴趣区域校准以得到的识别特征图;所述识别特征图包括固定大小的特征图;
将所述识别特征图输入至语义分割网络进行检测以得到所述子宫内膜OCT图像的语义分割结果。
8.一种基于OCT的子宫内膜检测分析装置,其特征在于,包括:
获取模块:用于获取待检测的子宫内膜OCT图像;
识别模块:用于将所述子宫内膜OCT图像传输至训练完成的子宫检测模型中来进行识别以得到图像检测信息;
结果模块:用于根据所述图像检测信息得到子宫内膜检测结果。
9.一种电子设备,其特征在于,包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行权利要求1至7任一项所述的基于OCT的子宫内膜检测分析方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机程序,其中,所述计算机程序使得计算机执行权利要求1至7任一项所述的基于OCT的子宫内膜检测分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110760679.4A CN113520317A (zh) | 2021-07-05 | 2021-07-05 | 基于oct的子宫内膜检测分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110760679.4A CN113520317A (zh) | 2021-07-05 | 2021-07-05 | 基于oct的子宫内膜检测分析方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113520317A true CN113520317A (zh) | 2021-10-22 |
Family
ID=78097810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110760679.4A Pending CN113520317A (zh) | 2021-07-05 | 2021-07-05 | 基于oct的子宫内膜检测分析方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113520317A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066889A (zh) * | 2022-01-12 | 2022-02-18 | 广州永士达医疗科技有限责任公司 | 一种oct主机的成像质量检测方法及装置 |
CN116128954A (zh) * | 2022-12-30 | 2023-05-16 | 上海强仝智能科技有限公司 | 一种基于生成网络的商品布局识别方法、装置及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150045661A1 (en) * | 2013-08-07 | 2015-02-12 | Samsung Electronics Co., Ltd. | Method of processing optical coherence tomographic image and apparatus for performing the method |
CN107582026A (zh) * | 2017-08-25 | 2018-01-16 | 广州永士达医疗科技有限责任公司 | 一种应用于子宫的导管 |
CN109805963A (zh) * | 2019-03-22 | 2019-05-28 | 深圳开立生物医疗科技股份有限公司 | 一种子宫内膜分型的判定方法及*** |
CN110889826A (zh) * | 2019-10-30 | 2020-03-17 | 平安科技(深圳)有限公司 | 眼部oct图像病灶区域的分割方法、装置及终端设备 |
WO2021055837A1 (en) * | 2019-09-20 | 2021-03-25 | Canon U.S.A., Inc. | Artificial intelligence coregistration and marker detection, including machine learning and using results thereof |
CN112598683A (zh) * | 2020-12-27 | 2021-04-02 | 北京化工大学 | 一种基于扫频光学相干层析成像的扫频oct人眼图像分割方法 |
CN112617799A (zh) * | 2021-01-05 | 2021-04-09 | 上海理工大学 | 一种用于子宫内膜肿瘤分割的网络模型及分割方法 |
CN112672691A (zh) * | 2018-12-29 | 2021-04-16 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像方法及设备 |
CN112949723A (zh) * | 2021-03-08 | 2021-06-11 | 西安美佳家医疗科技有限责任公司 | 一种子宫内膜病理图像分类方法 |
CN113066093A (zh) * | 2021-04-08 | 2021-07-02 | 南华大学附属第一医院 | 一种基于子宫内膜超声图像的自动分割分型及厚度测量方法 |
-
2021
- 2021-07-05 CN CN202110760679.4A patent/CN113520317A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150045661A1 (en) * | 2013-08-07 | 2015-02-12 | Samsung Electronics Co., Ltd. | Method of processing optical coherence tomographic image and apparatus for performing the method |
CN107582026A (zh) * | 2017-08-25 | 2018-01-16 | 广州永士达医疗科技有限责任公司 | 一种应用于子宫的导管 |
CN112672691A (zh) * | 2018-12-29 | 2021-04-16 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像方法及设备 |
CN109805963A (zh) * | 2019-03-22 | 2019-05-28 | 深圳开立生物医疗科技股份有限公司 | 一种子宫内膜分型的判定方法及*** |
WO2021055837A1 (en) * | 2019-09-20 | 2021-03-25 | Canon U.S.A., Inc. | Artificial intelligence coregistration and marker detection, including machine learning and using results thereof |
CN110889826A (zh) * | 2019-10-30 | 2020-03-17 | 平安科技(深圳)有限公司 | 眼部oct图像病灶区域的分割方法、装置及终端设备 |
CN112598683A (zh) * | 2020-12-27 | 2021-04-02 | 北京化工大学 | 一种基于扫频光学相干层析成像的扫频oct人眼图像分割方法 |
CN112617799A (zh) * | 2021-01-05 | 2021-04-09 | 上海理工大学 | 一种用于子宫内膜肿瘤分割的网络模型及分割方法 |
CN112949723A (zh) * | 2021-03-08 | 2021-06-11 | 西安美佳家医疗科技有限责任公司 | 一种子宫内膜病理图像分类方法 |
CN113066093A (zh) * | 2021-04-08 | 2021-07-02 | 南华大学附属第一医院 | 一种基于子宫内膜超声图像的自动分割分型及厚度测量方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066889A (zh) * | 2022-01-12 | 2022-02-18 | 广州永士达医疗科技有限责任公司 | 一种oct主机的成像质量检测方法及装置 |
CN116128954A (zh) * | 2022-12-30 | 2023-05-16 | 上海强仝智能科技有限公司 | 一种基于生成网络的商品布局识别方法、装置及存储介质 |
CN116128954B (zh) * | 2022-12-30 | 2023-12-05 | 上海强仝智能科技有限公司 | 一种基于生成网络的商品布局识别方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146884B (zh) | 内窥镜检查监控方法及装置 | |
CN113011485B (zh) | 多模态多病种长尾分布眼科疾病分类模型训练方法和装置 | |
US20210219944A1 (en) | Systems and Media for Automatically Diagnosing Thyroid Nodules | |
CN109788939B (zh) | 用于通过自动检测b线和对超声扫描的图像进行评分来增强代表性超声图像的可视化和选择的方法和*** | |
JP5980555B2 (ja) | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム | |
CN113520317A (zh) | 基于oct的子宫内膜检测分析方法、装置、设备及存储介质 | |
CN111227864A (zh) | 使用超声图像利用计算机视觉进行病灶检测的方法与装置 | |
EP4198819A1 (en) | Method for detecting and classifying lesion area in clinical image | |
US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
Bai et al. | Automatic segmentation of cervical region in colposcopic images using K-means | |
CN111214255A (zh) | 一种医学超声图像计算机辅助诊断方法 | |
US20210090248A1 (en) | Cervical cancer diagnosis method and apparatus using artificial intelligence-based medical image analysis and software program therefor | |
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 | |
CN117338340A (zh) | 一种超声成像方法及设备 | |
Török et al. | Digital image analysis with fully connected convolutional neural network to facilitate hysteroscopic fibroid resection | |
US9483705B2 (en) | Image processing device, image processing method, and image processing program | |
KR20180045473A (ko) | 이미지 분석을 이용한 흑색종 검사 시스템, 방법 및 컴퓨터 프로그램 | |
CN107767386B (zh) | 超声图像处理方法及装置 | |
WO2020103098A1 (zh) | 超声成像方法、设备、存储介质,处理器及计算机设备 | |
WO2021120065A1 (zh) | 解剖结构的自动测量方法和超声成像*** | |
CN109636843B (zh) | 一种羊水指数的测量方法、超声成像设备及存储介质 | |
CN114631849A (zh) | 腹主动脉成像方法及相关设备 | |
WO2024104388A1 (zh) | 一种超声图像处理方法、装置、电子设备及存储介质 | |
Ibrahim et al. | Multi-level trainable segmentation for measuring gestational and yolk sacs from ultrasound images | |
US20240081725A1 (en) | Detection method and system directly applying noninvasive oct to endometrium, and detection device |
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 |