自动识别和量化磁共振图像子宫内膜蠕动的算法的制作方法

1.本发明涉及计算机技术领域，具体为自动识别和量化磁共振图像子宫内膜蠕动的算法。


背景技术：

2.子宫与心脏、肠道等器官一样自身存在运动形式。子宫内膜蠕动的产生是由于子宫内膜下肌层和平滑肌肌层的收缩，从而产生了宫腔内的压力梯度，引起子宫内膜出现类似于肠道蠕动一样的运动方式。子宫内膜蠕动在女性不同月经周期中具有不同的运动规律，起着重要的生理作用。在排卵期，子宫内膜以较高的频率从子宫颈向子宫底部蠕动，有助于帮助精子到达宫底，与卵子结合；女性的黄体期是子宫内膜蠕动频率最少的周期，有利于营造安静的子宫环境，帮助胚胎更好地着床；在处于月经期时，子宫以较大的运动幅度从子宫底部向子宫颈方向进行蠕动，可以将剥脱的子宫内膜结构排出体外，预防子宫内膜异位。因此，规律的子宫内膜蠕动在女性的各个月经周期起着至关重要的作用。
3.然而，临床中研究发现，子宫肌瘤、子宫腺肌症、子宫内膜异位症等妇科疾病会不同程度地破坏患者的子宫内膜蠕动规律，从而引起痛经、不孕、胚胎移植失败、自发性流产、早产等一系列的临床症状。因此，观察和评估女性的子宫内膜蠕动功能就具有很重要的临床意义。
4.传统监测子宫内膜蠕动使用的是宫腔内压力感受器和超声。宫腔内感受器可以探测到宫腔内压力的变化，测量子宫内膜蠕动的幅度、次数。但由于这属于侵入性操作，异物的刺激可以诱发子宫的应激从而产生收缩，因此测量到的结果会出现人为误差，已经几乎不使用。经腹部超声可以动态连续观察到子宫内膜蠕动情况，并且是非侵入性，但是由于腹部探头的压迫，同样会诱发子宫收缩，或者抑制原本有的子宫内膜蠕动，无法准确探测到子宫内膜蠕动固有的规律。
5.近些年，由于磁共振成像技术的革新，磁共振逐渐成为观察子宫内膜蠕动的主要方式。磁共振可以快速地动态采集子宫内膜蠕动的图像，生成子宫内膜蠕动电影，可以直观观察到子宫内膜蠕动的情况。由于磁共振较高的软组织对比度，能够清晰显示子宫结合带，并且不会像腹部超声那样加压探头引起宫腔内压力增大，破坏子宫内膜蠕动固有的规律性，磁共振动态电影序列逐渐成为观察子宫内膜蠕动的主要方式。磁共振动态序列间断采集和生成子宫内膜蠕动的电影，通过有经验的放射科医师肉眼观察，只能评估子宫内膜蠕动的方向和次数。但是这种评估方式具有主观性，无法得出客观量化的子宫内膜蠕动相关指标。因而，临床亟需一种能够自动客观评估和量化子宫内膜蠕动的算法，基于该算法开发相关软件，从而实现客观评估女性的子宫运动能力以及监测临床治疗后患者子宫运动能力的恢复情况。


技术实现要素：

6.本发明的目的在于提供自动识别和量化磁共振图像子宫内膜蠕动的算法，以解决
上述背景技术中提出的问题。
7.为实现上述目的，本发明提供如下技术方案：自动识别和量化磁共振图像子宫内膜蠕动的算法，包括以下步骤：步骤一，构建3d-unet网络模型；步骤二，识别子宫内膜剥离运动；步骤三，识别子宫结合带蠕动波传导；步骤四，量化子宫内膜蠕动的幅度；步骤五，判断子宫内膜蠕动方向；
8.其中在上述步骤一中，建立初始3d-unet网络模型，获取子宫内膜轮廓磁共振图像数据集，并利用该数据集训练3d-unet网络模型，得到最终模型；
9.其中在上述步骤二中，利用步骤一中所得到的最终模型识别子宫内膜剥离运动，固定一个子宫内膜轮廓作为基准轮廓，以监测不同时刻轮廓灰度强度；当蠕动波到基准轮廓上某点时，子宫内膜变薄，此处内膜像素的信号强度降低；当蠕动波离开此处时，信号强度恢复，利用以上特点，根据数据即可判断子宫内膜轮廓上的像素强度是否有周期性规律，即子宫内膜是否存在周期性蠕动，并计算蠕动次数等参数；
10.其中在上述步骤三中，利用步骤一中所得到的最终模型识别子宫结合带蠕动波传导，对于子宫结合带上某一点，当蠕动波到达时强度最小，蠕动波离开时强度恢复，利用该特点即可判断子宫结合带是否存在周期性规律，并计算其蠕动次数；
11.其中在上述步骤四中，计算子宫内膜蠕动幅度，即计算子宫内膜厚度差异，计算子宫内膜轮廓上下两侧各自运动范围；
12.其中在上述步骤五中，判断蠕动在图像上的方向以及宫底的朝向，以获取子宫蠕动方向。
13.优选的，所述步骤一中，训练3d-unet网络模型的具体方法为：将数据集分成训练集、验证集和测试集，利用训练集训练初始3d-unet网络模型，完成训练后再将验证集代入训练好的3d-unet网络模型中，调整模型参数并挑出最高精度的模型，将测试集代入最高精度的模型中测试模型识别精度，若识别精度大于等于设定阈值，则将该模型作为最终模型，若识别精度小于设定阈值，则重新进行模型训练，直至识别精度大于等于设定阈值。
14.优选的，所述步骤二中，具体包括以下步骤：
15.2.1子宫内膜分割：将扫描采集到的女性盆腔磁共振图像导入步骤一中所得到的最终模型，分割出子宫内膜，获取子宫roi区域，得到的子宫内膜轮廓；
16.2.2确定基准轮廓：旋转子宫roi区域，使得宫底和宫颈的连线与平面横轴近似平行，求取所得轮廓的最小邻接矩形，以获得旋转角度；求得角度后，将三维图像绕冠状轴旋转相应角度，随后取基准轮廓上的每一个点作为采样点；
17.2.3统计各个采样点在不同时刻的像素强度：监测不同时刻轮廓灰度强度，各采样点在不同时刻t的灰度值(0《t《60)，为提高准确性，实际评估的是每个采样点竖直方向上三个像素的灰度值的平均值；
18.2.4利用fft变换计算蠕动周期：每一个采样点对应60个灰度值，即一个长度为60的灰度序列，对每个采样点对应的灰度序列进行fft分析，对该序列进行fft变换得到频率(样本中周期的个数)和对应幅值，假设样本基准轮廓上有n个点，对应n个序列，将每个序列按此方法进行计算，得到n个对应频率，然后取其中的众数，作为最终蠕动次数结果。
19.优选的，所述步骤三中，具体包括以下步骤：
20.3.1子宫内膜分割：利用步骤一中所得到的最终模型分割每一时刻的子宫内膜，提
取轮廓；
21.3.2统计结合带不同时刻的强度：基于对应子宫内膜轮廓向外拓展3个像素，并计算这三个点的平均强度，视为结合带的强度；
22.3.3利用fft变换计算蠕动周期：采用步骤2.4中提到的方法获取最终蠕动次数结果，同时固定监测范围长度，按照宫底将各片对齐，以减弱受其他器官形态变化对子宫水平方向位置的影响。
23.优选的，所述步骤四中，具体包括以下步骤：
24.4.1子宫内膜厚度差异：在取样时间内宫颈到宫底连线上各点对应的厚度是变化的，记录每个位置厚度的最大值和最小值，最大值和最小值的差值视为该位置的蠕动幅度；同时计算最大幅度、最小幅度和幅度均值；
25.4.2子宫内膜轮廓上下两侧各自运动范围：在取样时间内分别提取子宫内膜轮廓，记录轮廓上侧和下侧各点的纵向坐标位置，提取最大值和最小值，最大值和最小值的差值视为该位置的蠕动幅度；同时计算幅度最大值、幅度最小值和幅度均值。
26.优选的，所述步骤五中，具体包括以下步骤：
27.5.1判断蠕动在样本图像上的方向：对检测结合带的波传导时得到的基带强度图进行处理，求出图中各线段的斜率，若斜率小于0，则说明在图像上蠕动方向从左到右；若斜率大于0，则说明在图像上蠕动方向从左到右；无明显蠕动时，斜率接近于0；
28.5.2判断子宫宫底的方向：通过子宫内膜外接矩形的中心d画一条水平线，分别交身体两侧于点a、b，取ab的中点c，当cd距离》5像素时，若d点在c点右侧，宫底在右侧；若d点在c点左侧，宫底在左侧；当cd距离《＝5像素时，求子宫内膜左右两侧的平均厚度，平均厚度更大的一侧为宫底；
29.5.3获取子宫蠕动方向：若在图像上蠕动方向为从左到右，宫底在右侧，则子宫蠕动方向为从宫颈到宫底；若在图像上蠕动方向为从左到右，宫底在左侧，则子宫蠕动方向为从宫底到宫颈。
30.与现有技术相比，本发明的有益效果是：本发明基于3d-unet网络模型实现对子宫内膜剥离运动和子宫结合带蠕动波传导的自动识别，能够自动量化子宫内膜蠕动的幅度，判断子宫内膜蠕动方向，较之现有的依靠放射科医师肉眼观察的方法，本发明的识别结果具备更好的客观性和可重复性，能够通过扩大数据量获得女性子宫运动相关参数的标准范围，为临床应用提供参考标准，同时拓展子宫内膜蠕动在临床作为子宫功能评估标准的应用。
附图说明
31.图1为子宫内膜轮廓示意图；
32.图2为子宫内膜轮廓的最小邻接矩形示意图；
33.图3为旋转后的图像子宫内膜轮廓示意图；
34.图4为子宫内膜轮廓采样点示意图；
35.图5为不同时刻子宫内膜轮廓灰度强度统计图；
36.图6为采样点像素强度变化折线图；
37.图7为fft变换后的频率折线图；
38.图8为宫颈-宫底或宫底-宫颈方向上的蠕动波传导示意图；
39.图9为子宫内膜轮廓向外拓展3个像素后的示意图；
40.图10为不同时刻结合带信号强度图；
41.图11为子宫内膜厚度变化折线图；
42.图12为子宫内膜纵向蠕动位置折线图；
43.图13为子宫内膜蠕动幅度折线图；
44.图14为结合带的波传导时得到的基带强度图的处理流程图；
45.图15为宫底位置辅助判断图；
46.图16为本发明的算法流程图。
具体实施方式
47.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。
48.请参阅图1-16，本发明提供的一种实施例：自动识别和量化磁共振图像子宫内膜蠕动的算法，包括以下步骤：步骤一，构建3d-unet网络模型；步骤二，识别子宫内膜剥离运动；步骤三，识别子宫结合带蠕动波传导；步骤四，量化子宫内膜蠕动的幅度；步骤五，判断子宫内膜蠕动方向；
49.其中在上述步骤一中，建立初始3d-unet网络模型，获取子宫内膜轮廓磁共振图像数据集，并利用该数据集训练3d-unet网络模型，得到最终模型，具体方法为：将数据集分成训练集、验证集和测试集，利用训练集训练初始3d-unet网络模型，完成训练后再将验证集代入训练好的3d-unet网络模型中，调整模型参数并挑出最高精度的模型，将测试集代入最高精度的模型中测试模型识别精度，若识别精度大于等于设定阈值，则将该模型作为最终模型，若识别精度小于设定阈值，则重新进行模型训练，直至识别精度大于等于设定阈值；
50.其中在上述步骤二中，利用步骤一中所得到的最终模型识别子宫内膜剥离运动，固定一个子宫内膜轮廓作为基准轮廓，以监测不同时刻轮廓灰度强度；当蠕动波到基准轮廓上某点时，子宫内膜变薄，此处内膜像素的信号强度降低；当蠕动波离开此处时，信号强度恢复，利用以上特点，根据数据即可判断子宫内膜轮廓上的像素强度是否有周期性规律，即子宫内膜是否存在周期性蠕动，并计算蠕动次数等参数；具体包括以下步骤：
51.2.1子宫内膜分割：将扫描采集到的女性盆腔磁共振图像导入步骤一中所得到的最终模型，分割出子宫内膜，获取子宫roi区域，得到的子宫内膜轮廓(如图1所示)；
52.2.2确定基准轮廓：旋转子宫roi区域，使得宫底和宫颈的连线与平面横轴近似平行，求取所得轮廓的最小邻接矩形(如图2所示)，以获得旋转角度；求得角度后，将三维图像绕冠状轴旋转相应角度(如图3所示)，随后取基准轮廓上的每一个点作为采样点(如图4所示)；
53.2.3统计各个采样点在不同时刻的像素强度：监测不同时刻轮廓灰度强度(如图5所示)，各采样点在不同时刻t的灰度值(0《t《60)，为提高准确性，实际评估的是每个采样点竖直方向上三个像素的灰度值的平均值；
54.2.4利用fft变换计算蠕动周期：每一个采样点对应60个灰度值，即一个长度为60的灰度序列，对每个采样点对应的灰度序列进行fft分析(如图6所示)，对该序列进行fft变换得到频率(样本中周期的个数)和对应幅值(如图7所示)，假设样本基准轮廓上有n个点，对应n个序列，将每个序列按此方法进行计算，得到n个对应频率，然后取其中的众数，作为最终蠕动次数结果；
55.其中在上述步骤三中，利用步骤一中所得到的最终模型识别子宫结合带蠕动波传导(如图8所示)，对于子宫结合带上某一点，当蠕动波到达时强度最小，蠕动波离开时强度恢复，利用该特点即可判断子宫结合带是否存在周期性规律，并计算其蠕动次数；具体包括以下步骤：
56.3.1子宫内膜分割：利用步骤一中所得到的最终模型分割每一时刻的子宫内膜，提取轮廓；
57.3.2统计结合带不同时刻的强度：基于对应子宫内膜轮廓向外拓展3个像素(如图9所示)，并计算这三个点的平均强度，视为结合带的强度(如图10所示)；
58.3.3利用fft变换计算蠕动周期：采用步骤2.4中提到的方法获取最终蠕动次数结果，同时固定监测范围长度，按照宫底将各片对齐，以减弱受其他器官形态变化对子宫水平方向位置的影响；
59.其中在上述步骤四中，计算子宫内膜蠕动幅度，即计算子宫内膜厚度差异，计算子宫内膜轮廓上下两侧各自运动范围；具体包括以下步骤：
60.4.1子宫内膜厚度差异：在取样时间内宫颈到宫底连线上各点对应的厚度是变化的，记录每个位置厚度的最大值和最小值，最大值和最小值的差值视为该位置的蠕动幅度(如图11所示)；同时计算最大幅度、最小幅度和幅度均值；
61.4.2子宫内膜轮廓上下两侧各自运动范围：在取样时间内分别提取子宫内膜轮廓，记录轮廓上侧和下侧各点的纵向坐标位置，提取最大值和最小值，最大值和最小值的差值视为该位置的蠕动幅度；同时计算幅度最大值、幅度最小值和幅度均值(如图12、13所示，图12横轴表示宫底到宫颈的位置，纵轴表示纵向位置，图13横轴表示宫底到宫颈的位置，纵轴表示上限和下限的差值，即幅度)；
62.其中在上述步骤五中，判断蠕动在图像上的方向以及宫底的朝向，以获取子宫蠕动方向；具体包括以下步骤：
63.5.1判断蠕动在样本图像上的方向：对检测结合带的波传导时得到的基带强度图进行处理，求出图中各线段的斜率，若斜率小于0，则说明在图像上蠕动方向从左到右；若斜率大于0，则说明在图像上蠕动方向从左到右；无明显蠕动时，斜率接近于0；(如图14所示，以检测结合带的波传导时得到的基带强度图14a为例，进行k＝3的聚类得到图14b，对图14b进行轮廓检测并求取轮廓的最小邻接矩形，进行一些高度宽度等限制，筛选出图14b中的线段，筛选结果如图14c所示)；
64.5.2判断子宫宫底的方向：通过子宫内膜外接矩形的中心d画一条水平线，分别交身体两侧于点a、b，取ab的中点c，当cd距离》5像素时，若d点在c点右侧，宫底在右侧；若d点在c点左侧，宫底在左侧；当cd距离《＝5像素时，求子宫内膜左右两侧的平均厚度，平均厚度更大的一侧为宫底；(如图15所示)
65.5.3获取子宫蠕动方向：若在图像上蠕动方向为从左到右，宫底在右侧，则子宫蠕
动方向为从宫颈到宫底；若在图像上蠕动方向为从左到右，宫底在左侧，则子宫蠕动方向为从宫底到宫颈。
66.基于上述，本发明的优点在于，该发明使用时，本发明可以自动识别出磁共振图像上出现的子宫内膜蠕动波，能够自动判断出子宫内膜蠕动方向，并且可以自动量化子宫内膜蠕动次数，这将取代现有的依靠放射科医师肉眼观察的方法，评估结果更加具备客观性和可重复性；本发明基于算法平台能够处理大规模数据，有助于通过扩大数据量，获得女性子宫运动相关参数的标准范围，为临床应用提供参考标准；同时，本发明还可以量化医师肉眼无法观察的子宫运动参数，即子宫内膜蠕动的幅度，一些病理状态下，如子宫腺肌症、子宫肌瘤等，会影响到子宫内膜蠕动的幅度，从而影响女性的相关生理功能，通过实现自动量化子宫内膜蠕动幅度参数，可以进一步拓展子宫内膜蠕动在临床作为子宫功能评估标准的应用。
67.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

技术特征：
1.自动识别和量化磁共振图像子宫内膜蠕动的算法，包括以下步骤：步骤一，构建3d-unet网络模型；步骤二，识别子宫内膜剥离运动；步骤三，识别子宫结合带蠕动波传导；步骤四，量化子宫内膜蠕动的幅度；步骤五，判断子宫内膜蠕动方向；其特征在于：其中在上述步骤一中，建立初始3d-unet网络模型，获取子宫内膜轮廓磁共振图像数据集，并利用该数据集训练3d-unet网络模型，得到最终模型；其中在上述步骤二中，利用步骤一中所得到的最终模型识别子宫内膜剥离运动，固定一个子宫内膜轮廓作为基准轮廓，以监测不同时刻轮廓灰度强度；当蠕动波到基准轮廓上某点时，子宫内膜变薄，此处内膜像素的信号强度降低；当蠕动波离开此处时，信号强度恢复，利用以上特点，根据数据即可判断子宫内膜轮廓上的像素强度是否有周期性规律，即子宫内膜是否存在周期性蠕动，并计算蠕动次数等参数；其中在上述步骤三中，利用步骤一中所得到的最终模型识别子宫结合带蠕动波传导，对于子宫结合带上某一点，当蠕动波到达时强度最小，蠕动波离开时强度恢复，利用该特点即可判断子宫结合带是否存在周期性规律，并计算其蠕动次数；其中在上述步骤四中，计算子宫内膜蠕动幅度，即计算子宫内膜厚度差异，计算子宫内膜轮廓上下两侧各自运动范围；其中在上述步骤五中，判断蠕动在图像上的方向以及宫底的朝向，以获取子宫蠕动方向。2.根据权利要求1所述的自动识别和量化磁共振图像子宫内膜蠕动的算法，其特征在于：所述步骤一中，训练3d-unet网络模型的具体方法为：将数据集分成训练集、验证集和测试集，利用训练集训练初始3d-unet网络模型，完成训练后再将验证集代入训练好的3d-unet网络模型中，调整模型参数并挑出最高精度的模型，将测试集代入最高精度的模型中测试模型识别精度，若识别精度大于等于设定阈值，则将该模型作为最终模型，若识别精度小于设定阈值，则重新进行模型训练，直至识别精度大于等于设定阈值。3.根据权利要求1所述的自动识别和量化磁共振图像子宫内膜蠕动的算法，其特征在于：所述步骤二中，具体包括以下步骤：2.1子宫内膜分割：将扫描采集到的女性盆腔磁共振图像导入步骤一中所得到的最终模型，分割出子宫内膜，获取子宫roi区域，得到的子宫内膜轮廓；2.2确定基准轮廓：旋转子宫roi区域，使得宫底和宫颈的连线与平面横轴近似平行，求取所得轮廓的最小邻接矩形，以获得旋转角度；求得角度后，将三维图像绕冠状轴旋转相应角度，随后取基准轮廓上的每一个点作为采样点；2.3统计各个采样点在不同时刻的像素强度：监测不同时刻轮廓灰度强度，各采样点在不同时刻t的灰度值(0<t<60)，为提高准确性，实际评估的是每个采样点竖直方向上三个像素的灰度值的平均值；2.4利用fft变换计算蠕动周期：每一个采样点对应60个灰度值，即一个长度为60的灰度序列，对每个采样点对应的灰度序列进行fft分析，对该序列进行fft变换得到频率(样本中周期的个数)和对应幅值，假设样本基准轮廓上有n个点，对应n个序列，将每个序列按此方法进行计算，得到n个对应频率，然后取其中的众数，作为最终蠕动次数结果。4.根据权利要求1所述的自动识别和量化磁共振图像子宫内膜蠕动的算法，其特征在于：所述步骤三中，具体包括以下步骤：
3.1子宫内膜分割：利用步骤一中所得到的最终模型分割每一时刻的子宫内膜，提取轮廓；3.2统计结合带不同时刻的强度：基于对应子宫内膜轮廓向外拓展3个像素，并计算这三个点的平均强度，视为结合带的强度；3.3利用fft变换计算蠕动周期：采用步骤2.4中提到的方法获取最终蠕动次数结果，同时固定监测范围长度，按照宫底将各片对齐，以减弱受其他器官形态变化对子宫水平方向位置的影响。5.根据权利要求1所述的自动识别和量化磁共振图像子宫内膜蠕动的算法，其特征在于：所述步骤四中，具体包括以下步骤：4.1子宫内膜厚度差异：在取样时间内宫颈到宫底连线上各点对应的厚度是变化的，记录每个位置厚度的最大值和最小值，最大值和最小值的差值视为该位置的蠕动幅度；同时计算最大幅度、最小幅度和幅度均值；4.2子宫内膜轮廓上下两侧各自运动范围：在取样时间内分别提取子宫内膜轮廓，记录轮廓上侧和下侧各点的纵向坐标位置，提取最大值和最小值，最大值和最小值的差值视为该位置的蠕动幅度；同时计算幅度最大值、幅度最小值和幅度均值。6.根据权利要求1所述的自动识别和量化磁共振图像子宫内膜蠕动的算法，其特征在于：所述步骤五中，具体包括以下步骤：5.1判断蠕动在样本图像上的方向：对检测结合带的波传导时得到的基带强度图进行处理，求出图中各线段的斜率，若斜率小于0，则说明在图像上蠕动方向从左到右；若斜率大于0，则说明在图像上蠕动方向从左到右；无明显蠕动时，斜率接近于0；5.2判断子宫宫底的方向：通过子宫内膜外接矩形的中心d画一条水平线，分别交身体两侧于点a、b，取ab的中点c，当cd距离>5像素时，若d点在c点右侧，宫底在右侧；若d点在c点左侧，宫底在左侧；当cd距离<＝5像素时，求子宫内膜左右两侧的平均厚度，平均厚度更大的一侧为宫底；5.3获取子宫蠕动方向：若在图像上蠕动方向为从左到右，宫底在右侧，则子宫蠕动方向为从宫颈到宫底；若在图像上蠕动方向为从左到右，宫底在左侧，则子宫蠕动方向为从宫底到宫颈。

技术总结
本发明公开了自动识别和量化磁共振图像子宫内膜蠕动的算法，包括以下步骤：步骤一，构建3d-unet网络模型；步骤二，识别子宫内膜剥离运动；步骤三，识别子宫结合带蠕动波传导；步骤四，量化子宫内膜蠕动的幅度；步骤五，判断子宫内膜蠕动方向；本发明基于3d-unet网络模型实现对子宫内膜剥离运动和子宫结合带蠕动波传导的自动识别，能够自动量化子宫内膜蠕动的幅度，判断子宫内膜蠕动方向，较之现有的依靠放射科医师肉眼观察的方法，本发明的识别结果具备更好的客观性和可重复性，能够通过扩大数据量获得女性子宫运动相关参数的标准范围，为临床应用提供参考标准，同时拓展子宫内膜蠕动在临床作为子宫功能评估标准的应用。临床作为子宫功能评估标准的应用。临床作为子宫功能评估标准的应用。


技术研发人员：张琪
受保护的技术使用者：苏州原影医疗科技有限责任公司
技术研发日：2022.11.22
技术公布日：2023/7/25