CN101615224A - 一种计算机辅助识别装置和系统 - Google Patents
一种计算机辅助识别装置和系统 Download PDFInfo
- Publication number
- CN101615224A CN101615224A CN200810131764A CN200810131764A CN101615224A CN 101615224 A CN101615224 A CN 101615224A CN 200810131764 A CN200810131764 A CN 200810131764A CN 200810131764 A CN200810131764 A CN 200810131764A CN 101615224 A CN101615224 A CN 101615224A
- Authority
- CN
- China
- Prior art keywords
- image
- computer aided
- area
- scan
- acupuncture point
- 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
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种计算机辅助识别装置以及相应的计算机辅助识别系统。所述装置中包括一个扫描数据获取模块,用于接收被检者的病变部位的扫描信号,并根据所述扫描信号获取所述病变部位的扫描数据;一个扫描图像生成模块,用于根据所述扫描数据生成所述病变部位的扫描图像;一个穴位信息获取模块,用于接收被检者的至少一个穴位处的检测信号,并根据所述检测信号获取所述至少一个穴位处的穴位信息;一个病变类型识别模块,用于根据所述扫描图像中的图像信息以及所述至少一个穴位处的穴位信息识别所述病变部位的病变类型。由此可以将传统中医领域中的经络理论研究成果有效地应用于现代的医学影像技术之中,从而提高病变的正确诊断概率。
Description
技术领域
本发明涉及医学影像的图像分析和识别技术,特别涉及一种计算机辅助识别装置和系统。
背景技术
癌症是严重危害人类生命和健康的疾病之一,癌症的早期发现和诊断是癌症医疗研究领域中的一个重要课题,同时对于癌症的后期治疗和治愈也有着非常重要的作用。
随着物理学和医学越来越多的结合,多种医学影像技术得到了快速发展,X光透视、计算机断层成像(CT)、红外透视、超声波扫描和核磁共振成像(MRI)等各种人体成像工具也被越来越广泛的应用于癌症的诊断当中。这些人体成像工具一方面大大拓展了医生的检查手段,并且相比于一些传统的检查手段,可以为医生提供更加丰富以及更为直观的病变信息,同时减小对患者的创伤;但是在另一方面,在对患者进行检查的过程中所产生的大量影像也为医生的诊断工作带来了更大的压力,根据这些影像做出正确的诊断不仅要求医生具有医学影像的专业知识,同时还要求医生具有大量的临床经验。由于癌症发病率的提高和患者的增加,以及医生的医学影像专业知识和临床经验的不足,癌症的误诊和漏诊现象时有发生。
针对这样的问题,医学研究人员提出了多种计算机辅助诊断(CAD)方案来帮助医生在诊断过程中快速、正确的对可疑的病变做出判断。这类计算机辅助诊断方案的主要内容是图像的分析和识别,在这类计算机辅助诊断方案中,一般包括如下的图像处理过程:图像数据的采集,图像的重建,图像的分割,图像特征的提取,以及图像特征的分类。例如,在Aoyama M.等作者的论文“Automated computerized scheme for distinction betweenbenign and malignant solitary pulmonary nodules on chest images”(Medical Physics.2002,29(5):701-708)中提出了一种单发肺部结节的计算机自动分类方案。在该方案中,针对被检者的胸部CT图像,首先使用了基于灰度级别分布的自动分割方法对图像中的结节区域进行分割;然后在2个临床参数和从分割后的图像中所提取出的75个图像特征的基础上,使用线性判别分析(LDA)方法对特征组合进行选择;最后以选择出的7个特征作为输入通过人工神经元网络(ANN)对良性结节和恶性结节进行分类。该论文中的性能分析结果表明,该论文中所提出的计算机自动分类方案与医生人工分类方案相比,对于单发肺部结节的良、恶性分类性能有所改进,正确诊断的概率得到提高。
尽管通过上述的计算机辅助诊断方案可以帮助医生提高正确诊断的概率,但是这类方案中所使用的图像分析和识别等处理手段仍主要是基于形态学范畴的图像数据,这种图像处理方式将在很大程度上依赖于图像的高分辨率和有效的图像形态特征的提取。而在实际的临床诊断中,在很多情况下仅根据病变区域的形态特征并不能对病变类型做出正确的诊断,如何将图像的形态特征与其它信息有效地结合并用于计算机自动分类过程中仍是当前需要研究的问题之一。
发明内容
有鉴于此,本发明的一个目的在于提供一种计算机辅助识别装置,该装置可以提高对医学影像中的病变类型进行正确分类的概率。
在本发明的计算机辅助识别装置的基础上,本发明的另一个目的在于提供一种计算机辅助识别系统,该系统中包括本发明的计算机辅助识别装置,可以应用于现有的多种医学影像系统当中。
针对所述第一目的,本发明提供的技术方案为:一种计算机辅助识别装置,包括:
一个扫描数据获取模块,用于接收被检者的病变部位的扫描信号,并根据所述扫描信号获取所述病变部位的扫描数据;
一个扫描图像生成模块,用于根据所述扫描数据生成所述病变部位的扫描图像;
一个穴位信息获取模块,用于接收被检者的至少一个穴位处的检测信号,并根据所述检测信号获取所述至少一个穴位处的穴位信息;
一个病变类型识别模块,用于根据所述扫描图像中的图像信息以及所述至少一个穴位处的穴位信息识别所述病变部位的病变类型。
根据本发明的计算机辅助识别装置,其中,当所述扫描信号为模拟信号时,所述扫描数据获取模块还用于对所述扫描信号进行数字化处理以获取所述病变部位的扫描数据。
根据本发明的计算机辅助识别装置,其中,所述病变类型识别模块中包括:
一个扫描图像分割单元,用于对所述扫描图像进行分割,以将所述扫描图像中的病变区域与其它区域分割开来;
一个图像特征提取单元,用于在经分割后的所述扫描图像中提取所述病变区域的图像特征;
一个病变类型分类单元,用于根据所述病变区域的图像特征和所述至少一个穴位处的穴位信息对所述病变区域的病变类型进行分类。
根据本发明的计算机辅助识别装置,其中,还包括一个临床参数输入模块,用于输入被检者的临床参数;
所述病变类型识别模块还进一步用于根据所述扫描图像中的图像信息、所述至少一个穴位处的穴位信息以及所述临床参数识别所述病变部位的病变类型。
根据本发明的计算机辅助识别装置,其中,所述病变类型识别模块中包括:
一个扫描图像分割单元,用于对所述扫描图像进行分割,以将所述扫描图像中的病变区域与其它区域分割开来;
一个图像特征提取单元,用于在经分割后的所述扫描图像中提取所述病变区域的图像特征;
一个病变类型分类单元,用于根据所述病变区域的图像特征、所述至少一个穴位处的穴位信息以及所述临床参数对所述病变区域的病变类型进行分类。
根据本发明的计算机辅助识别装置,其中,
所述病变类型分类单元为人工神经元网络分类器、贝叶思法则分类器、支持向量机分类器或线性判别分析分类器。
根据本发明的计算机辅助识别装置,其中,
所述病变区域的图像特征包括:病变区域的长度、病变区域的宽度、病变区域的形态、病变区域的边界清晰程度、病变区域边缘的光滑程度、病变区域的密度、病变区域的均匀性;
所述穴位信息包括:所述各穴位处的电阻值、所述各穴位处的温度;
所述临床参数包括:被检者的年龄、被检者的性别。
根据本发明的计算机辅助识别装置,其中,
所述病变类型分类单元为人工神经元网络分类器,该人工神经元网络分类器使用三层前馈网络反向传播算法。
根据本发明的计算机辅助识别装置,其中,
所述人工神经元网络分类器使用留一法进行训练和测试。
针对所述另一目的,本发明提供的技术方案为:一种计算机辅助识别系统,包括:
一个扫描装置,用于对被检者的病变部位进行扫描,并输出所述病变部位的扫描信号;
至少一个穴位检测装置,用于对被检者的至少一个穴位处的穴位信息进行检测,并输出所述至少一个穴位处的检测信号;
一个根据本发明的计算机辅助识别装置,所述计算机辅助识别装置分别与所述扫描装置和所述至少一个穴位检测装置相连。
根据本发明的计算机辅助识别系统,其中,
所述扫描装置为X光扫描装置、超声波扫描装置、红外线扫描装置、CT扫描装置或MRI扫描装置。
根据本发明的计算机辅助识别系统,其中,还包括,
一个显示装置,与所述计算机辅助识别装置相连,用于对所述病变部位的扫描图像和/或所述病变类型的分类结果进行显示。
本发明的计算机辅助识别装置和系统通过将传统中医领域中利用穴位点诊断疾病这一手段与现代医学影像技术中的计算机自动分类方案进行有机地结合,既有效利用了穴位点上的物理信息参数对于病变的较为正确的内在表征作用,又很好地利用了医学影像对于病变位置和外在形态的直观观察解决了穴位诊断中不能对病变位置进行定位的问题,从而可以使得本发明的计算机辅助识别方案与现有的仅根据病变区域的形态特征进行计算机自动分类的方案相比,具有更高的正确诊断概率,并且为计算机辅助识别的技术研究开辟了一种新思路。
附图说明
以下将结合附图并通过具体实施例对本发明的目的和特征进行详细说明,这些实施例是说明性的,不具有限制性。
图1为根据本发明的计算机辅助识别装置的结构示意图;
图2为根据本发明的计算机辅助识别装置的实施例中病变类型识别模块的结构示意图;
图3为根据本发明的计算机辅助识别装置的实施例中病变类型识别模块的另一种结构示意图;
图4为三层前馈网络反向传播算法人工神经元网络分类器的示意图;
图5为根据本发明的计算机辅助识别系统的系统示意图。
具体实施方式
本发明的发明人在针对如何将图像的形态特征与其它信息有效地结合并用于计算机自动分类过程的研究中,产生了将传统中医领域中的经络理论研究成果应用于计算机辅助诊断方案之中的技术构思。发明人在其研究过程中注意到传统的中医经络理论认为:经络的作用主要是沟通表里内外,通行营卫气血,而穴位就是经络上的功能点,身体各部分的疾病可以由经络上的的穴位点反应出来。在这样的经络理论基础之上,在传统的中医领域中存在通过穴位点诊断疾病的方法。一些中医研究人员也不断地在进行通过穴位点诊断肿瘤的研究和探索,并取得了一些研究成果。例如,在王建璋和史光辉两位作者的论文“华雄肿瘤测定仪在肿瘤诊断中的应用”(中国医疗器械信息1998,4(1):37-39)中提出了一种利用穴位的物理信息参数来测定肿瘤的仪器。这种肿瘤测定仪主要是利用在人体中的3组共10个肿瘤奇穴上测定的温度的微小差异,来判断是否患有肿瘤,并分析肿瘤的良性或恶性。在该篇论文中的临床试验结果表明,通过该肿瘤测定仪诊断恶性肿瘤的临床诊断符合率为94.8%,诊断良性肿瘤的临床诊断符合率为88.83%,总符合率为93.57%。与北京市结核病、胸部肿瘤研究所报道的借助X光片、胸部CT、支气管镜、痰脱落细胞及血液生化等检查手段,有经验的临床医生术前诊断正确率约为85%这一数字相比,该肿瘤测定仪可以获得较高的临床诊断符合率。但是,在该篇论文中也同时指出,该仪器只能测出有无肿瘤信息,而不能查出肿瘤部位,因而不能替代细胞学、病理学检查。
由此,如图1所示,本发明提供了一种计算机辅助识别装置1,该装置中包括:一个扫描数据获取模块2,用于接收被检者的病变部位的扫描信号,并根据所述扫描信号获取所述病变部位的扫描数据;一个扫描图像生成模块3,用于根据所述扫描数据生成所述病变部位的扫描图像;一个穴位信息获取模块4,用于接收被检者的至少一个穴位处的检测信号,并根据所述检测信号获取所述至少一个穴位处的穴位信息;一个病变类型识别模块5,用于根据所述扫描图像中的图像信息以及所述至少一个穴位处的穴位信息识别所述病变部位的病变类型。
本发明的计算机辅助识别装置将传统中医领域中通过穴位点诊断疾病这一手段与现代医学影像技术中的计算机自动分类方案进行了有机地结合,既有效利用了穴位点上的物理信息参数对于病变的较为正确的内在表征作用,又很好地利用了医学影像对于病变位置和外在形态的直观观察解决了穴位诊断中不能对病变位置进行定位的问题,从而使得本发明的计算机辅助识别装置与现有的仅根据病变区域的形态特征进行计算机自动分类的方案相比,具有更高的正确诊断概率,并且为计算机辅助识别的技术研究开辟了一种新思路。
在根据本发明的计算机辅助识别装置1的实施例中,所述扫描信号可以为数字信号或模拟信号。当所述扫描信号为数字信号时,扫描数据获取模块2可以直接根据所述数字信号获取所述病变部位的扫描数据。当所述扫描信号为来自于模拟扫描装置的模拟信号时,扫描数据获取模块2还用于对所述模拟信号进行数字化处理,并根据该经数字化处理后的扫描信号获取所述病变部位的扫描数据。
在本实施例中,如图2中的结构示意图所示,病变类型识别模块5中可以进一步包括如下功能单元以实现病变类型识别模块5的上述功能:一个扫描图像分割单元51,用于对所述扫描图像进行分割,以将所述扫描图像中的病变区域与其它区域分割开来;一个图像特征提取单元52,用于在经分割后的所述扫描图像中提取所述病变区域的图像特征;一个病变类型分类单元53,用于根据所述病变区域的图像特征和所述至少一个穴位处的穴位信息对所述病变区域的病变类型进行分类。也就是说,与现有的图像分析和识别的一般处理过程相同,针对所述扫描图像,病变类型识别模块5在对病变部位的病变类型进行识别的过程中,首先利用扫描图像分割单元51对所述扫描图像进行图像分割,以确定病变区域的位置和范围;然后利用图像特征提取单元52提取所述病变区域的图像特征。但是,与现有的图像分析和识别处理过程不同的是,病变类型分类单元53将不仅仅根据图像特征提取单元52提取出的图像特征对所述病变区域的病变类型进行分类,而是会将所述图像特征与所述穴位信息一同用于病变类型的分类。这样,在病变类型识别模块5识别病变类型的过程中,就可以利用所述病变区域的病变位置和外在形态信息并同时结合穴位点上的穴位物理信息来确定病变类型,从而提高了对于病变类型的正确诊断概率。
在本实施例中,根据本发明的计算机辅助识别装置1中也可以进一步包括一个临床参数输入模块(图1中未显示),用于输入被检者的临床参数。则病变类型识别模块5还进一步用于根据所述扫描图像中的图像信息、所述至少一个穴位处的穴位信息以及所述临床参数识别所述病变部位的病变类型。
相应的,在图2中所示的结构基础之上,病变类型识别模块5’中的病变类型分类单元53’可以进一步用于根据所述病变区域的图像特征、所述至少一个穴位处的穴位信息以及所述临床参数对所述病变区域的病变类型进行分类。在这种具体实施方式之下,病变类型识别模块5’的结构示意图如图3所示。
图2和图3中所示的病变类型分类单元53和53’在具体实施当中可以使用人工神经元网络分类器。例如,可以使用如图4中所示的三层前馈网络反向传播算法人工神经元网络分类器。在这种分类器中,所述病变区域的图像特征、所述至少一个穴位处的穴位信息、所述临床参数被归一化并被作为分类器的输入参数,即作为图4所示输入层中的神经元。这些输入参数通过隐藏层中的神经元以及输入层和隐藏层、隐藏层和输出层之间的连接权值被前向传递给输出层中的神经元。输出层中的不同神经元分别计算并输出所述输入参数属于不同类别的概率。
在上述分类器中,输入层中的神经元的数量由所述输入参数的数量决定。例如,所述病变区域的图像特征可以是从病变区域的长度、病变区域的宽度、病变区域的形态、病变区域的边界清晰程度、病变区域边缘的光滑程度、病变区域的密度、病变区域的均匀性等图像特征中选取的一个或两个以上的特征;所述穴位信息可以包括所述各穴位处的电阻值和/或所述各穴位处的温度;所述临床参数可以包括被检者的年龄和/或被检者的性别。隐藏层中的神经元的数量可以为一经验值或者根据现有的优化算法确定。输出层中包括两个神经元,分别计算并输出所述输入参数属于良性和恶性的概率。输入层和隐藏层、隐藏层和输出层之间的连接权值通过反向传播算法进行调整和确定。在使用所述分类器对所述输入参数分类之前,可以使用留一法(Leave One Out method)对所述分类器的性能进行训练和测试。
此外,在本实施例中,除了所述的人工神经元网络分类器,病变类型分类单元53和53’在具体实施时还可以根据实际的应用环境使用贝叶思法则(Bayes theorem)分类器、支持向量机(SVM)分类器或线性判别分析分类器等其它具体的分类器形式。
在本发明的计算机辅助识别装置的基础之上,本发明进一步提供了一种计算机辅助扫描系统,该系统中包括本发明的计算机辅助识别装置,以及一个扫描装置和至少一个穴位检测装置,所述计算机辅助识别装置分别与所述扫描装置和所述至少一个穴位检测装置相连。其中,所述扫描装置用于对被检者的病变部位进行扫描,并输出所述病变部位的扫描信号;所述至少一个穴位检测装置用于对被检者的至少一个穴位处的穴位信息进行检测,并输出所述至少一个穴位处的检测信号。
图5中示出了根据本发明的计算机辅助系统S1的系统示意图,其中包括计算机辅助识别装置1、扫描装置6以及至少一个穴位检测装置7。在计算机辅助系统S1的具体实施过程中,计算机辅助识别装置1可以采用上述实施例中的具体实施方式,在此不再赘述。扫描装置6可以根据实际的应用环境采用X光扫描装置、超声波扫描装置、红外线扫描装置、CT扫描装置或MRI扫描装置等具体形式,由此可以使根据本发明的计算机辅助系统S1方便地应用于现有的多种医学影像系统当中。
此外,在图5所示的计算机辅助系统S1中还可以包括一个显示装置(图5中未示出),该显示装置与计算机辅助识别装置1相连,用于对所述病变部位的扫描图像和/或所述病变类型的分类结果进行显示,以便于医生在实际的临床诊断中对被检者的病变部位进行观察和诊断。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。
Claims (12)
1、一种计算机辅助识别装置,包括:
一个扫描数据获取模块,用于接收被检者的病变部位的扫描信号,并根据所述扫描信号获取所述病变部位的扫描数据;
一个扫描图像生成模块,用于根据所述扫描数据生成所述病变部位的扫描图像;
一个穴位信息获取模块,用于接收被检者的至少一个穴位处的检测信号,并根据所述检测信号获取所述至少一个穴位处的穴位信息;
一个病变类型识别模块,用于根据所述扫描图像中的图像信息以及所述至少一个穴位处的穴位信息识别所述病变部位的病变类型。
2、根据权利要求1所述的计算机辅助识别装置,其中,
当所述扫描信号为模拟信号时,所述扫描数据获取模块还用于对所述扫描信号进行数字化处理以获取所述病变部位的扫描数据。
3、根据权利要求1所述的计算机辅助识别装置,其中,所述病变类型识别模块中包括:
一个扫描图像分割单元,用于对所述扫描图像进行分割,以将所述扫描图像中的病变区域与其它区域分割开来;
一个图像特征提取单元,用于在经分割后的所述扫描图像中提取所述病变区域的图像特征;
一个病变类型分类单元,用于根据所述病变区域的图像特征和所述至少一个穴位处的穴位信息对所述病变区域的病变类型进行分类。
4、根据权利要求1所述的计算机辅助识别装置,其中,还包括一个临床参数输入模块,用于输入被检者的临床参数;
所述病变类型识别模块还进一步用于根据所述扫描图像中的图像信息、所述至少一个穴位处的穴位信息以及所述临床参数识别所述病变部位的病变类型。
5、根据权利要求4所述的计算机辅助识别装置,其中,所述病变类型识别模块中包括:
一个扫描图像分割单元,用于对所述扫描图像进行分割,以将所述扫描图像中的病变区域与其它区域分割开来;
一个图像特征提取单元,用于在经分割后的所述扫描图像中提取所述病变区域的图像特征;
一个病变类型分类单元,用于根据所述病变区域的图像特征、所述至少一个穴位处的穴位信息以及所述临床参数对所述病变区域的病变类型进行分类。
6、根据权利要求3或5所述的计算机辅助识别装置,其中,
所述病变类型分类单元为人工神经元网络分类器、贝叶思法则分类器、支持向量机分类器或线性判别分析分类器。
7、根据权利要求6所述的计算机辅助识别装置,其中,
所述病变区域的图像特征包括:病变区域的长度、病变区域的宽度、病变区域的形态、病变区域的边界清晰程度、病变区域边缘的光滑程度、病变区域的密度、病变区域的均匀性;
所述穴位信息包括:所述各穴位处的电阻值、所述各穴位处的温度;
所述临床参数包括:被检者的年龄、被检者的性别。
8、根据权利要求3或5所述的计算机辅助识别装置,其中,
所述病变类型分类单元为人工神经元网络分类器,该人工神经元网络分类器使用三层前馈网络反向传播算法。
9、根据权利要求8所述的计算机辅助识别装置,其中,
所述人工神经元网络分类器使用留一法进行训练和测试。
10、一种计算机辅助识别系统,包括:
一个扫描装置,用于对被检者的病变部位进行扫描,并输出所述病变部位的扫描信号;
至少一个穴位检测装置,用于对被检者的至少一个穴位处的穴位信息进行检测,并输出所述至少一个穴位处的检测信号;
一个根据权利要求1、3、5、7、8或9所述的计算机辅助识别装置,所述计算机辅助识别装置分别与所述扫描装置和所述至少一个穴位检测装置相连。
11、根据权利要求10所述的计算机辅助识别系统,其中,
所述扫描装置为X光扫描装置、超声波扫描装置、红外线扫描装置、CT扫描装置或MRI扫描装置。
12、根据权利要求10或11所述的计算机辅助识别系统,其中,还包括,
一个显示装置,与所述计算机辅助识别装置相连,用于对所述病变部位的扫描图像和/或所述病变类型的分类结果进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810131764A CN101615224A (zh) | 2008-06-27 | 2008-06-27 | 一种计算机辅助识别装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810131764A CN101615224A (zh) | 2008-06-27 | 2008-06-27 | 一种计算机辅助识别装置和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101615224A true CN101615224A (zh) | 2009-12-30 |
Family
ID=41494861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200810131764A Pending CN101615224A (zh) | 2008-06-27 | 2008-06-27 | 一种计算机辅助识别装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101615224A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243569A (zh) * | 2010-05-14 | 2011-11-16 | 株式会社东芝 | 图像诊断装置、超声波诊断装置以及医用图像显示装置 |
CN102456133A (zh) * | 2010-10-18 | 2012-05-16 | 索尼公司 | 信息处理设备和信息处理方法及用于它们的程序 |
CN103679770A (zh) * | 2013-11-14 | 2014-03-26 | 青岛安信医疗器械有限公司 | 一种ct成像方法 |
CN105512473A (zh) * | 2015-11-30 | 2016-04-20 | 广州三瑞医疗器械有限公司 | 一种阴道镜图像的智能识别方法及装置 |
CN106326856A (zh) * | 2016-08-18 | 2017-01-11 | 厚凯(天津)医疗科技有限公司 | 一种手术图像处理方法及装置 |
CN106371145A (zh) * | 2015-07-23 | 2017-02-01 | 中云智慧(北京)科技有限公司 | 基于svm的x光图像空箱检测方法 |
CN107485387A (zh) * | 2017-09-21 | 2017-12-19 | 桂林电子科技大学 | 穴位自动跟踪系统以及方法 |
CN109285152A (zh) * | 2018-09-26 | 2019-01-29 | 上海联影智能医疗科技有限公司 | 一种医学图像处理系统、装置和计算机可读存储介质 |
CN110868909A (zh) * | 2017-07-03 | 2020-03-06 | 富士胶片株式会社 | 医疗图像处理装置、内窥镜装置、诊断支持装置、医疗业务支持装置及报告书制作支持装置 |
US11227390B2 (en) | 2018-09-26 | 2022-01-18 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image processing |
CN114949577A (zh) * | 2022-07-28 | 2022-08-30 | 北京神州汉方医药科技有限公司 | 皮肤给药控制方法和装置 |
-
2008
- 2008-06-27 CN CN200810131764A patent/CN101615224A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243569A (zh) * | 2010-05-14 | 2011-11-16 | 株式会社东芝 | 图像诊断装置、超声波诊断装置以及医用图像显示装置 |
CN102243569B (zh) * | 2010-05-14 | 2016-04-06 | 株式会社东芝 | 图像诊断装置、超声波诊断装置以及医用图像显示装置 |
CN102456133A (zh) * | 2010-10-18 | 2012-05-16 | 索尼公司 | 信息处理设备和信息处理方法及用于它们的程序 |
CN103679770A (zh) * | 2013-11-14 | 2014-03-26 | 青岛安信医疗器械有限公司 | 一种ct成像方法 |
CN106371145A (zh) * | 2015-07-23 | 2017-02-01 | 中云智慧(北京)科技有限公司 | 基于svm的x光图像空箱检测方法 |
CN105512473A (zh) * | 2015-11-30 | 2016-04-20 | 广州三瑞医疗器械有限公司 | 一种阴道镜图像的智能识别方法及装置 |
CN106326856A (zh) * | 2016-08-18 | 2017-01-11 | 厚凯(天津)医疗科技有限公司 | 一种手术图像处理方法及装置 |
CN110868909B (zh) * | 2017-07-03 | 2022-07-12 | 富士胶片株式会社 | 医疗图像处理装置、内窥镜装置、诊断支持装置、医疗业务支持装置及报告书制作支持装置 |
CN110868909A (zh) * | 2017-07-03 | 2020-03-06 | 富士胶片株式会社 | 医疗图像处理装置、内窥镜装置、诊断支持装置、医疗业务支持装置及报告书制作支持装置 |
US11450425B2 (en) | 2017-07-03 | 2022-09-20 | Fujifilm Corporation | Medical image processing apparatus, endoscope apparatus, diagnostic support apparatus, medical service support apparatus, and report creation support apparatus |
CN107485387A (zh) * | 2017-09-21 | 2017-12-19 | 桂林电子科技大学 | 穴位自动跟踪系统以及方法 |
CN107485387B (zh) * | 2017-09-21 | 2024-03-29 | 桂林电子科技大学 | 穴位自动跟踪系统以及方法 |
CN109285152A (zh) * | 2018-09-26 | 2019-01-29 | 上海联影智能医疗科技有限公司 | 一种医学图像处理系统、装置和计算机可读存储介质 |
CN109285152B (zh) * | 2018-09-26 | 2021-11-09 | 上海联影智能医疗科技有限公司 | 一种医学图像处理系统、装置和计算机可读存储介质 |
US11227390B2 (en) | 2018-09-26 | 2022-01-18 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image processing |
US11615535B2 (en) | 2018-09-26 | 2023-03-28 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image processing |
CN114949577A (zh) * | 2022-07-28 | 2022-08-30 | 北京神州汉方医药科技有限公司 | 皮肤给药控制方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101615224A (zh) | 一种计算机辅助识别装置和系统 | |
KR101993716B1 (ko) | 카테고리별 진단 모델을 이용한 병변 진단 장치 및 방법 | |
Al Mubarok et al. | Pneumonia detection with deep convolutional architecture | |
Ma et al. | Developing and verifying automatic detection of active pulmonary tuberculosis from multi-slice spiral CT images based on deep learning | |
Nayan et al. | A deep learning approach for brain tumor detection using magnetic resonance imaging | |
Zahedi et al. | Classification of Breast Cancer Tumors Using Mammography Images Processing Based on Machine Learning. | |
Sahoo et al. | Efficient simultaneous segmentation and classification of brain tumors from MRI scans using deep learning | |
CN112545479B (zh) | 在mpMRI上分割前列腺和精囊分带解剖的系统及方法 | |
Zhang et al. | An intelligent decision-making support system for the detection and staging of prostate cancer in developing countries | |
CN104809331A (zh) | 一种计算机辅助诊断技术(cad)检测放射图像发现病灶的方法和系统 | |
Lashkari et al. | Developing a toolbox for clinical preliminary breast cancer detection in different views of thermogram images using a set of optimal supervised classifiers | |
Saglam et al. | COVID-19 Detection from X-ray Images Using a New CNN Approach | |
Sari et al. | Best performance comparative analysis of architecture deep learning on ct images for lung nodules classification | |
CN113393938B (zh) | 一种融合影像和临床特征信息的乳腺癌风险预测系统 | |
Sailaja et al. | Effective Brain Stroke Prediction with Deep Learning Model by Incorporating YOLO_5 and SSD. | |
Gowri et al. | An improved classification of MR images for cervical cancer using convolutional neural networks | |
Shehzad et al. | Breast Cancer CT-Scan Image Classification Using Transfer Learning | |
Janapati et al. | A Brief Survey on Feature Extraction Models for Brain Tumor Detection | |
Kaur et al. | Lung Cancer Detection Extraction and Classification Using Digital Image Processing and Machine Learning | |
Nannapaneni et al. | Enhanced Image-based Histopathology Lung Cancer Detection | |
Naveen et al. | Deep Learning Technique to Detect and Classify Brain Tumor | |
Hussein et al. | Brain Tumor Classification using hybrid algorithms (VGG19) and Light (GBM) | |
Kabir et al. | A Traditional Machine Learning Approach for COVID-19 Detection from CT Images | |
Wen et al. | Computer-aided image analysis aids early diagnosis of connective-tissue diseases | |
Wang et al. | A deep learning pipeline for localization, differentiation, and uncertainty estimation of liver lesions using multi-phasic and multi-sequence MRI |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20091230 |