-
公开(公告)号：CN101919712A
公开(公告)日：2010-12-22
申请号：CN201010261910.7
申请日：2010-08-25
申请人： 四川省医学科学院(四川省人民医院)
发明人： 谢盛华
摘要： 本发明公开了一种基于多普勒图像信息的心脏流场平面流线可视化描述方法，该方法以二维彩色多普勒超声图像信息为基础提取二维观测平面内沿声束方向的血流速度分量，再通过计算二维探测平面流场的“多普勒流函数”和“多普勒流距离函数”，并用点源和点汇来表示三维流动；采用单位流量q对“多普勒流距离函数”进行量化，根据量化结果和多普勒血流速度分布情况确定点源和点汇的位置；以点源和点汇分别作为平面流线的起点和终点，根据平面流流函数值相等原则连接相应的起点和终点从而绘制出平面流线。该方法能够有效实现在探测平面内对心脏流场运动状态的可视化描述，为心脏流场流体力学状态的有效可视化观察和精确量化评价奠定了坚实的基础。
-
公开(公告)号：CN117994249B
公开(公告)日：2024-06-11
申请号：CN202410395978.6
申请日：2024-04-02
申请人： 四川省医学科学院·四川省人民医院
IPC分类号： G06T7/00 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , A61B8/08
摘要： 本发明涉及图像处理技术领域，提供一种基于深度学习的心脏瓣膜反流严重程度超声评估方法，包括：1：构建数据集，并进行预处理；2：对一部分数据集按照单个完整的心动周期进行框选标注；3：采用目标检测类深度学习模型训练反流频谱图，得到单个心动周期自动识别模型；4：进行心动周期自动标记，然后裁剪，并进行严重程度分级；5：采用分类识别深度学习模型训练，得到基于单个心动周期反流频谱图的心脏瓣膜反流严重程度智能分类模型；6：串联整合，形成心脏瓣膜反流严重程度智能评估模型；7：输入单帧心脏瓣膜反流频谱图，选择严重程度最重的作为心脏瓣膜反流频谱图的评判结果。本发明能较佳地实现心脏瓣膜反流严重程度的自动评估。
-
公开(公告)号：CN102930511A
公开(公告)日：2013-02-13
申请号：CN201210358766.8
申请日：2012-09-25
申请人： 四川省医学科学院(四川省人民医院)
摘要： 本发明公开了一种基于灰阶超声图像的心脏流场速度矢量分析方法，其特征在于，包括如下步骤：首先将灰阶超声图像划分为网格单元，在网格单元的每个单元格内选取像素最接近平均灰度值的像素点为控制点，并利用插值算法更新灰阶超声图像灰度值，达到去除斑点噪声的目的，再对去噪后的图像用光流法计算灰阶超声图像的心脏流场运动矢量。该方法所采用的插值算法过程不需要多次递归计算，可以实时进行斑点去除预处理；并且使运算结果更贴近真实情况，更加准确获取涡流等流体细节信息。
-
公开(公告)号：CN118212153B
公开(公告)日：2024-09-13
申请号：CN202410638731.2
申请日：2024-05-22
申请人： 成都信息工程大学 , 四川省医学科学院·四川省人民医院
IPC分类号： G06T5/70 , G06T5/60 , G06N3/088 , G06N3/0985
摘要： 本发明公开了一种基于无监督学习模型的超声图像去噪方法，属于图像处理技术领域，包括：S1、采集含噪超声图像，对其进行去噪处理，并分别构造含噪超声图像及去噪超声图像的子图像；S2、基于含噪超声图像的子图像及去噪超声图像的子图像，构建损失函数；S3、基于损失函数，确定训练超声图像去噪网络的目标函数，并对其训练；S4、利用训练好的超声图像去噪网络对待去噪超声图像处理，获得去噪超声图像。本发明方法降低了模型对数据样本的依赖并充分发挥深度学习的推理能力，不需要构造Noisy‑Clean图像对，保留了更加细微的特征，在抑制图像斑点噪声的同时增强对比度，取得了更好的去噪效果，对比度更强，细节结构更加明显。
-
公开(公告)号：CN117994249A
公开(公告)日：2024-05-07
申请号：CN202410395978.6
申请日：2024-04-02
申请人： 四川省医学科学院·四川省人民医院
IPC分类号： G06T7/00 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , A61B8/08
摘要： 本发明涉及图像处理技术领域，提供一种基于深度学习的心脏瓣膜反流严重程度超声评估方法，包括：1：构建数据集，并进行预处理；2：对一部分数据集按照单个完整的心动周期进行框选标注；3：采用目标检测类深度学习模型训练反流频谱图，得到单个心动周期自动识别模型；4：进行心动周期自动标记，然后裁剪，并进行严重程度分级；5：采用分类识别深度学习模型训练，得到基于单个心动周期反流频谱图的心脏瓣膜反流严重程度智能分类模型；6：串联整合，形成心脏瓣膜反流严重程度智能评估模型；7：输入单帧心脏瓣膜反流频谱图，选择严重程度最重的作为心脏瓣膜反流频谱图的评判结果。本发明能较佳地实现心脏瓣膜反流严重程度的自动评估。
-
公开(公告)号：CN101919711B
公开(公告)日：2013-03-20
申请号：CN201010261907.5
申请日：2010-08-25
申请人： 四川省医学科学院(四川省人民医院)
IPC分类号： A61B8/06
摘要： 本发明公开了一种基于多普勒图像信息的心脏流场速度矢量场可视化描述方法，该方法以二维彩色多普勒数字图像信息为基础，提取了二维观测平面上声束方向的血流速度分量；根据三维流场中二维观测平面流场的特点，将二维观测平面的流动分解成基本流和涡流，然后分别计算基本流和涡流沿声束方向和垂直声束方向的速度分量；最后通过对各速度分量进行矢量合成，计算出二维观测平面流场中每一质点的真实速度矢量，并在图像中对血流速度矢量场进行可视化描述。本发明首次在彩色多普勒数字图像处理的基础上提供了一种在体心脏流场血流速度矢量场的可视化描述方法，大大提高了在体心脏流体力学状态的可视化量化评价的效率。
-
公开(公告)号：CN101919711A
公开(公告)日：2010-12-22
申请号：CN201010261907.5
申请日：2010-08-25
申请人： 四川省医学科学院(四川省人民医院)
发明人： 谢盛华
IPC分类号： A61B8/06
摘要： 本发明公开了一种基于多普勒图像信息的心脏流场速度矢量场可视化描述方法，该方法以二维彩色多普勒数字图像信息为基础，提取了二维观测平面上声束方向的血流速度分量；根据三维流场中二维观测平面流场的特点，将二维观测平面的流动分解成基本流和涡流，然后分别计算基本流和涡流沿声束方向和垂直声束方向的速度分量；最后通过对各速度分量进行矢量合成，计算出二维观测平面流场中每一质点的真实速度矢量，并在图像中对血流速度矢量场进行可视化描述。本发明首次在彩色多普勒数字图像处理的基础上提供了一种在体心脏流场血流速度矢量场的可视化描述方法，大大提高了在体心脏流体力学状态的可视化量化评价的效率。
-
公开(公告)号：CN101919712B
公开(公告)日：2012-07-25
申请号：CN201010261910.7
申请日：2010-08-25
申请人： 四川省医学科学院(四川省人民医院)
发明人： 谢盛华
摘要： 本发明公开了一种基于多普勒图像信息的心脏流场平面流线可视化描述方法，该方法以二维彩色多普勒超声图像信息为基础提取二维观测平面内沿声束方向的血流速度分量，再通过计算二维探测平面流场的“多普勒流函数”和“多普勒流距离函数”，并用点源和点汇来表示三维流动；采用单位流量q对“多普勒流距离函数”进行量化，根据量化结果和多普勒血流速度分布情况确定点源和点汇的位置；以点源和点汇分别作为平面流线的起点和终点，根据平面流流函数值相等原则连接相应的起点和终点从而绘制出平面流线。该方法能够有效实现在探测平面内对心脏流场运动状态的可视化描述，为心脏流场流体力学状态的有效可视化观察和精确量化评价奠定了坚实的基础。
-
公开(公告)号：CN118212153A
公开(公告)日：2024-06-18
申请号：CN202410638731.2
申请日：2024-05-22
申请人： 成都信息工程大学 , 四川省医学科学院·四川省人民医院
IPC分类号： G06T5/70 , G06T5/60 , G06N3/088 , G06N3/0985
摘要： 本发明公开了一种基于无监督学习模型的超声图像去噪方法，属于图像处理技术领域，包括：S1、采集含噪超声图像，对其进行去噪处理，并分别构造含噪超声图像及去噪超声图像的子图像；S2、基于含噪超声图像的子图像及去噪超声图像的子图像，构建损失函数；S3、基于损失函数，确定训练超声图像去噪网络的目标函数，并对其训练；S4、利用训练好的超声图像去噪网络对待去噪超声图像处理，获得去噪超声图像。本发明方法降低了模型对数据样本的依赖并充分发挥深度学习的推理能力，不需要构造Noisy‑Clean图像对，保留了更加细微的特征，在抑制图像斑点噪声的同时增强对比度，取得了更好的去噪效果，对比度更强，细节结构更加明显。
-
公开(公告)号：CN116452899A
公开(公告)日：2023-07-18
申请号：CN202310732388.3
申请日：2023-06-20
申请人： 四川省医学科学院·四川省人民医院
IPC分类号： G06V10/764 , G06V10/82 , G06V20/70 , G06V10/80 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于深度学习的超声心动图标准切面识别及评分方法，属于图像识别技术领域，包括以下步骤，建立标准图像切面分类数据集，构建超声心动图标准切面识别模型，并建立超声心动图标准切面自动分类识别神经网络；根据标准图像切面分类数据集，建立超声心动图标准切面图像质量评分标注数据集，构建超声心动图标准切面图像质量评分模型，并建立超声心动图标准切面图像质量自动评分神经网络；通过超声心动图标准切面自动分类识别神经网络以及超声心动图标准切面图像质量自动评分神经网络，得到超声心动图标准切面的图像分类以及已分类图像的质量评分，解决了当前超声医学质控过程中图像切面识别和图像质量评分主要依赖人工评价的问题。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.034 秒)
