-
公开(公告)号：CN118334430B
公开(公告)日：2024-10-22
申请号：CN202410465031.8
申请日：2024-04-18
申请人： 西南石油大学 , 四川省医学科学院·四川省人民医院
IPC分类号： G06V10/764 , A61B8/08 , G06V10/80 , G06V10/82 , G06T7/00 , G06N3/0455 , G06N3/08 , G16H50/70
摘要： 本发明公开了一种基于深度神经网络的心肌病分类方法、系统及介质，属于计算机图像处理技术领域。方法包括：S1：超声心动图预处理阶段；S2：视图分类训练阶段；S3：视图分类阶段；S4：特征提取融合阶段，使用第二深度神经网络对五种超声心动视图分别进行特征提取，并将五种特征进行融合得到融合特征数据；S5：疾病分类训练阶段，使用融合特征数据和线性神经网络分类器来训练疾病分类模型；S6：疾病分类阶段，使用疾病分类模型对融合特征数据进行分类。通过使用二维超声心动图图像数据实现肥厚型心肌病和心肌淀粉样变的鉴别与分类，普及度高、操作简单，提高了相应疾病的鉴别效率和准确率。
-
公开(公告)号：CN118334430A
公开(公告)日：2024-07-12
申请号：CN202410465031.8
申请日：2024-04-18
申请人： 西南石油大学 , 四川省医学科学院·四川省人民医院
IPC分类号： G06V10/764 , A61B8/08 , G06V10/80 , G06V10/82 , G06T7/00 , G06N3/0455 , G06N3/08 , G16H50/70
摘要： 本发明公开了一种基于深度神经网络的心肌病分类方法、系统及介质，属于计算机图像处理技术领域。方法包括：S1：超声心动图预处理阶段；S2：视图分类训练阶段；S3：视图分类阶段；S4：特征提取融合阶段，使用第二深度神经网络对五种超声心动视图分别进行特征提取，并将五种特征进行融合得到融合特征数据；S5：疾病分类训练阶段，使用融合特征数据和线性神经网络分类器来训练疾病分类模型；S6：疾病分类阶段，使用疾病分类模型对融合特征数据进行分类。通过使用二维超声心动图图像数据实现肥厚型心肌病和心肌淀粉样变的鉴别与分类，普及度高、操作简单，提高了相应疾病的鉴别效率和准确率。
-
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：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。
-
公开(公告)号：CN102217953B
公开(公告)日：2014-05-07
申请号：CN201110164583.8
申请日：2011-06-17
申请人： 四川省医学科学院(四川省人民医院)
摘要： 本发明设计一种基于多邻域辅助二维超声形变组织图像跟踪方法，该方法首先在高帧频条件下采集受试心脏对象的二维超声心动图用于脱机分析；然后以任意可见图像作为兴趣区域（ROI）选取的初始帧，使ROI包括心肌组织，并同时排除灰度信号干扰；当在原始图像I上的初始帧ROI选取完毕后，设定以原ROI为中心，连同包裹其四周的8个同大小区域作为新的搜索源区域，并通过SAD算法遍历此搜索区域中所有大小为原ROI大小的所有子区域的跟踪矢量，最后将各个跟踪矢量进行加权平均，即得到原ROI的跟踪结果。相比传统SAD跟踪方法，本发明充分考虑了ROI邻域的跟踪结果，具有良好的抗噪性，特别有利于运动组织的运动评估和参数计算。
-
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：CN102217952B
公开(公告)日：2014-05-07
申请号：CN201110163626.0
申请日：2011-06-17
申请人： 四川省医学科学院(四川省人民医院)
摘要： 本发明本公开了一种基于心肌运动轨迹的向量环图生成方法和装置，利用该方法生成的向量环可以用于心肌功能评价。本发明的方法利用斑点跟踪算法，对兴趣区域运动关键点进行捕获，生成运动轨迹向量环。该向量环具有极强的在时间轴上的直观性，通过直观同步显示心肌运动轨迹向量环规律，让医师能够一眼就能判别兴趣区域是否可能存在病变。
-
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：CN102217953A
公开(公告)日：2011-10-19
申请号：CN201110164583.8
申请日：2011-06-17
申请人： 四川省医学科学院(四川省人民医院)
摘要： 本发明设计一种基于多邻域辅助二维超声形变组织图像跟踪方法，该方法首先在高帧频条件下采集受试心脏对象的二维超声心动图用于脱机分析；然后以任意可见图像作为兴趣区域（ROI）选取的初始帧，使ROI包括心肌组织，并同时排除灰度信号干扰；当在原始图像I上的初始帧ROI选取完毕后，设定以原ROI为中心，连同包裹其四周的8个同大小区域作为新的搜索源区域，并通过SAD算法遍历此搜索区域中所有大小为原ROI大小的所有子区域的跟踪矢量，最后将各个跟踪矢量进行加权平均，即得到原ROI的跟踪结果。相比传统SAD跟踪方法，本发明充分考虑了ROI邻域的跟踪结果，具有良好的抗噪性，特别有利于运动组织的运动评估和参数计算。
-
-
-
-
-
-
-
-
-
搜索结果
14 条记录 (耗时 0.048 秒)
