CN105069308B - 医疗设备智能监控系统 - Google Patents
医疗设备智能监控系统 Download PDFInfo
- Publication number
- CN105069308B CN105069308B CN201510513923.1A CN201510513923A CN105069308B CN 105069308 B CN105069308 B CN 105069308B CN 201510513923 A CN201510513923 A CN 201510513923A CN 105069308 B CN105069308 B CN 105069308B
- Authority
- CN
- China
- Prior art keywords
- medical devices
- image
- medical
- management system
- software
- 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.)
- Active
Links
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种医疗设备智能监控系统,包括监控装置和管理系统,所述监控装置连接所述管理系统,所述管理系统连接医院的中央服务器;所述监控装置为多个,每个监控装置对应一台医疗设备,用于收集医疗设备的医学图像并发送到管理系统,接受管理系统的指令智能化地监控医疗设备的使用,并将使用情况实时反馈至管理系统;所述管理系统包括服务器及软件,所述软件包括设备监控软件和诊断结果管理软件。本发明将电子技术、计算机技术与精密传感、医疗设备的运用技术有效地结合,从根本上解决医疗仪器收费管理难的问题,并且能合理整合图像资源,在先进的医学图像处理技术的分析下,有效专业的处理诊断病理,减轻医生工作量,提高诊断效率。
Description
技术领域
本发明属于医疗设备领域,特别是涉及到一种能自动智能识别医院医疗设备的误操作或违规操作并进行管理、并且对医疗设备的影像数据进行智能看诊和结果管理的监控系统。
背景技术
随着医疗机构的改革,医院原有的收入分配格局必将被打破,特别是随着人们健康意思的加强,医疗设备的检查收入占50%以上。随之病人通过医院医疗仪器检查的漏费情况也愈来愈明显,各医院强调管理上的完善来管理此现象,可人为的管理是不能达到预期的目的,所以加强医疗仪器管理、降耗增效不失为院方的最佳选择。医院的诊疗工作越来越多的依赖现代化的检查结果,像X光检查,CT,MRI,超声等影像学检查的应用也越来越普遍。使用传统图像储存介质如胶片或磁带等,无法适应对大量和大范围医学影像管理的要求。
1.医疗影像设备使用混乱
在我国现有68000所医院中,占绝对比例的医院还处于无设备监督管理系统的状态。对于医疗设备使用情况的掌握权主要在操作设备者手中,由于以下现象不易检查和监督,使医疗仪器收费管理出现了许多漏洞,成为医院管理的死角,不仅影响医院院风及精神文明建设,损害了医院的形象,同时将给医院带来巨大的经济损失。经过对一些医院的实际调查表明,医院漏费一般分为以下情况:
a.漏收
亲戚、朋友到科室作检查,操作大夫即使不愿意给他们免费检查,但由于碍于面子、人情,不好意思拒绝。人情检查现象在医院即使被发现,院方有时也不方便去追究。
b.私收
检查科室私收现金现象多为个人行为,但也有科室集体操作的情况。由于院方不可能派专人盯防,所以这种现象在医院比较隐蔽,即使医院了解到某科室或某大夫有私收现金现象,由于缺乏足够的证据,也不可能对他们作出相应的处理。受利益的驱动,这种现象在医院愈演愈烈。私收现金之所以存在,也有它滋生的土壤:首先是患者在检查科室交现金,大多都可以得到很大的优惠;其次是患者由于行动不便或为了节省时间,不愿意到收费室排队交费。
c.合作分成
医生与院外的小诊所合作,他们的病人到医院检查,月底到诊所分成。
此外,以上的漏费情况不仅给医院造成了巨大的经济损失,而且还给医院带来了非常大的安全隐患。医院和漏费的医生可能面临医疗事故纠纷的危险。
2.影像检查图像审阅繁琐
现在绝大多数的PACS(医疗影像检查系统)主要只是针对检查患者的检查影像管理,包括简单的标注定位,影片的电子存档,上传电子病历,以及医生检查站等。当前的PACS系统缺点是不能很快的诊断检查影片。虽然影片已经可以通过PACS第一时间传输到看诊的医生工作站,但是患者还需要到医生工作站那里询问结果,即使是检查影片结果正常。这一现象不仅给医生阅片带来了很大的工作量,影像医生的审阅速度,而且还让患者去排队找医生咨询,浪费了大量的就诊时间。虽然当前的PACS系统在辅助医生能更好的审阅影片细节下了很大功夫,但是在提高医生审阅速度,和使用繁琐的方面依然存在巨大的缺陷。因为庞大的系统和繁琐的功能使得医生需要花费大量的时间学习使用PACS系统的各项功能,影响了系统的前期上手速度和培训成本。
随着计算机技术的发展,计算机和通讯设备的性能价格比迅速提高,采用数字化医学影像管理是大势所趋。
发明内容
有鉴于此,本发明提供一种医疗设备智能监控系统,将电子技术、计算机技术与精密传感、医疗设备的运用技术有效地结合,形成既可独立单机运行,也可实行网络管理,从根本上解决医疗仪器收费管理难的问题,并且能合理整合图像资源,在先进的医学图像处理技术的分析下,有效专业的处理诊断病理,减轻医生工作量,提高诊断效率。
为达到上述目的,本发明的技术方案是这样实现的:
一种医疗设备智能监控系统,包括监控装置和管理系统,所述监控装置连接所述管理系统,所述管理系统连接医院的中央服务器;
所述监控装置为多个,每个监控装置对应一台医疗设备,用于收集医疗设备的医学图像并发送到管理系统,接受管理系统的指令智能化地监控医疗设备的使用,并将使用情况实时反馈至管理系统;
所述管理系统包括服务器及软件,所述软件安装在服务器上;
所述软件包括设备监控软件和诊断结果管理软件;
所述设备监控软件用于通过监控装置对相关医疗设备检查情况进行监控并实时记录工作状况,同时实时接受医院的中央服务器下传的病人信息进行比对,并通过所述监控装置对相关医疗设备进行控制;
所述诊断管理软件用于通过医学图像对病理特征进行提取与分析,并对结果进行分类和管理,简化冗余和无效数据信息。
优选的,所述监控装置设有设备接口、网络接口、核心处理器;所述设备接口与所对应医疗设备相连,用于采集医学图像以及发送控制指令;所述网络接口用于与管理系统连接并通信;所述核心处理器控制网络接口和设备接口,并处理与管理系统、医疗设备之间的通信信息。
进一步的,所述设备接口包括数字化医疗影像设备接口和胶片扫描仪接口;所述数字化医疗影像设备接口直接从数字化医疗影像设备中采集医学图像,所述胶片扫描仪接口连接胶片扫描仪,用于收集胶片图像。
优选的,所述服务器设有硬磁盘阵列,用于存储医学图像数据。
优选的,所述病人信息包括病人缴费信息、检查部位。
优选的,所述设备监控软件通过所述监控装置对相关医疗设备进行分部件、分项目的细化控制。
优选的,所述诊断管理软件包括图像采集模块、图像预处理模块、图像分割模块、特征提取模块、分类模块、结果输出模块;
所述图像采集模块用于接收所述监控装置发送的医学图像,图像预处理模块用于进行医学图像预取,图像分割模块用于进行医学图像分割,特征提取模块用于进行医学图像的特征信息提取,分类模块用于对特征信息进行识别,结果输出模块用于输出识别结果。
进一步的,所述分类模块包括分类器单元和后处理单元,所述分类器单元用于对从图像中获取的所有信息进行识别评估,所述后处理单元用于不能被分类器单元考虑到的额外信息进行最后的类型评估或推翻前级结果。
更进一步的,所述分类器单元包括分类器、加权器、投票器,所述分类器为多个,分别采用不同的分类方法对特征信息进行分类识别,所述加权器用于按照分类器性能效果赋予加权系数,所述投票器综合加权系数最终确定分类。
更进一步的,所述分类器包括决策树分类器,模糊逻辑分类器,支持向量机分类器。
相对于现有技术,本发明所述的医疗设备智能监控系统具有以下优势:
本发明将电子技术、计算机技术与精密传感、医疗设备的运用技术有效地结合,形成了既可独立单机运行,也可实行网络管理,从根本上解决了医疗仪器收费管理难的问题,是管理者可靠助手。本系统的安装使用对医疗设备本身的性能、寿命、使用效果均无任何影响,将给医院带来很好的社会效益和经济效益。避免了医院医疗检查费用的大量流失,可以给医院节约大笔资金,用于购买更新的医疗设备或为职工谋福利等。面对大量的医疗影像结果,利用硬件设施和软件管理的配合,合理整合图像资源,在先进的医学图像处理技术的分析下,有效专业的处理诊断病理,减轻医生工作量,提高诊断效率。
其中,对于医院的设备使用管理的有益效果为:
(1)应用范围广泛。如:DR,彩超,CT、超声等收费医疗设备。
(2)无创式漏费控制系统,不对检查设备增加任意硬件改动与控制设备,而是在最终的图像输出环节,采用旁路监控模式,根据医院信息系统(HIS)、图片存档及通讯系统(PACS)的收费记录和影像设备的使用记录达到控制漏费的目的。
(3)医疗设备预测系统。对医疗设备的实时监控,可建立医疗设备保养预警系统,提前警示使用者医疗设备的运行情况,预防设备损坏的可能,降低了设备损坏率。
对于诊断结果管理的有益效果为:
(1)使用了自动学习机制,系统总结平日经验,在收集大量反馈信息后,应用图像分析,文字识别,病理特征理解等核心技术对大数据进行特征提取和数据挖掘,不断自我完善检测精度和效率。
(2)建立医院的信息数据库包括病理特征信息和病人信息。通过大量信息的数据集成和自我学习的优化,建立医院特有的数据库,根据以往信息和病理特征诊断信息,便于医生的医治工作。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为医学图像处理流程图。
图2为分类器使用示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
本发明主要包含两方面内容,第一,医学影像设备使用管理,这部分主要是针对目前医院医学影像设备使用混乱的现象提供的解决方案,使得医院的影像设备能有规范高效的为患者服务。第二,医学影像设备诊断结果管理,通过系统收集海量的影像数据,提取相应的特征最终实现由机器看诊影像结果的效果,减轻医生的工作量。
本系统的硬件主要有接口设备,储存设备,主机,网络设备和显示输出系统。
医学图像的采集设备是系统的源头,除了像CT、MRI、CR等数字化影像设备的图像可以直接从机器中采集外,目前大量使用的胶片图像需要使用胶片扫描仪输入到系统中。大容量的数据存储设备是重要部件,通常大容量的硬磁盘阵列是进行在线存储的首选设备,一般可以使用RAID方式将数个硬盘组成具有一定冗余的硬盘系统,它具有速度高、存取方便、可靠性好、价格较低的特点。
一:对于设备使用管理部分,主要由监控装置和管理系统组成
·监控装置--医疗设备智能控制器:
根据不同的医疗设备设有不同的接口,与医疗设备相连,具有网络数据接口,与工作站相连,通过接受工作站的指令智能化地监控医疗设备的使用,并将使用情况实时反馈至服务器。
·管理系统--医疗设备管理工作站及软件:
由计算机及监控软件组成,实时接受中央服务器下传的病人缴费信息(包括病人缴费信息,检查部位等),监控软件对检查情况进行监控并实时记录工作状况。
监控软件功能包括通讯,数据库管理,存储管理,任务调度,错误处理和网络监控等。
具体控制功能举例如下:
管理系统通过监控装置,对彩超做到了分探头控制,病人交什么部位的检查,才允许用那个探头。可以设定哪些项目允许复查,哪些不允许。
对CT的控制可以进行分项目,按扫描层数和扫描时间进行细化控制。能区分螺旋扫描和逐层扫,有效的按项目控制。
二:对于影像设备诊断结果管理部分,硬件设备与上部分相似,但核心部分在于软件上对病理特征的提取与分析,并对结果进行分类和管理,简化冗余和无效数据信息。因此,使用了许多应用技术,如图像的预取技术、图像压缩技术等。为了保证图像的可浏览性以及屏蔽系统的复杂性,使得不同地方存储的影响在安全机制认可前提下自由流动,系统提供了专门浏览检索和图像处理的程序,用于在自构的文件系统结构上进行简易操作。面向医学影像学专业医师,用以进行医学影像会诊,保证高质量的影像输出和信息资源,才能确保正确的医疗诊断。面对医疗设备操作者,用于进行辅助诊疗和设备监控的功能,保证设备的违规规避使用和设备状态维修警示等多种功能。
对于医学图像的处理流程,如图1所示。
图1中,关于特征提取的说明如下:
特征提取:
有效的分类特征是字符识别系统的关键之一,良好的特征应该具有较高的稳定性和识别能力,不易受到噪声的该绕,能适应多种字体和字号的变化。字符的特征计算,是可以用数字来表示的,如平均灰度值,大小或宽高比等。
多种特征的意义:
分类理论表明,分类性能(包括峰值性能和泛化能力)随着“显著特征”的增加而增加。在这方面特征的意义不是一个不变的自然常数,而是根据字体类型和应用背景产生显著变化。虽然在字符识别领域已经衍生许多显著特点,但是不是所有的显著特征都是必须的,或者说适用于每个应用产品中。扩展可用的特征组目的是适应多种类型的字体对于给定的应用背景能匹配到完美显著特征组,从而达到辨识效果最大化。
众多特征的使用方法:
软件设计初衷是不需要使用用户成为图像处理专家,因此,用户不必在多种字体和应用背景下进行特征选择,软件内部在分类器训练过程中自动选择最佳的特征组。
特点:
1.易用性:
软件使用概念是在简单的软件工具背后隐藏了强大的分类能力,用户只需要在控制界面中进行操作,不需要成为领域的专家。
2.具有用于分类的字符特征:
用户可以使用更多的特征(不需要用户处理和理解这些特征)
良好的分类性能(最佳特征组集对分类性能至关重要)
不需要用户具有专家特征知识(尤其是相当有效和强大的功能需要模式识别知识)
3.分类器运行时的鲁棒性:
多种分类器的协调合作保证分类器运行的可靠性和稳定性。
在图1中关于字符分类的说明如下:
为了提高字符识别精度、降低误识率、杜绝错误识别而采用多种字符识别方法综合应用并行处理的方式,对字符实行多种方法识别,要求各种识别方法相关性较小,那么协调多种分类器决定了分类精度的优劣。首先对每种分类器的识别结果赋予一定的可信度或加权系数,该数字由先验知识决定,再经过并行分类后投票表决确定输出结果。采用此种模式保证了系统的可扩展性和优化生产分类器的能力。
如图2所示多种分类器的使用举例:
1.基于字符特征的参数应用多种分类器进行分类:决策树,模糊逻辑,支持向量机等等;
2.按照分类器性能效果赋予加权系数:根据各个分类器的性能,设置不同的权重;
3.综合加权系数最终确定分类:最终由投票表决器进行投票,选取投票结果最高的作为最终的分类结果。
多种分类器分类后,还需要进行后处理工作。
分类器对于从图像中获取的所有信息进行评估,然而有更多的信息来自图像的外部,却是分类器无法在运行中处理的,如特定的重新分类,字符的位置,字符的类型等等。这些信息都可能改变之前的分类决策影响使用结果。此时后处理的作用就体现出来:
1.基于一些不能被分类器考虑到的额外信息进行最后的类型评估或推翻前级结果。
2.自主清理冗余信息,减少系统负担。
3.精简,消除,处理,分类数据等功能的一级决策。
经过上述本发明对于设备使用管理部分和影像设备诊断结果管理部分的说明,可以看出:
本发明对医疗设备使用的改进内容:
·应用范围广泛。如:DR,彩超,CT、超声等收费医疗设备。
·使用技术广泛。应用称重系统与模数转换、人体红外感应、无线射频、医疗设备接口标准及数据转换、数据检索、统计及分析、图像识别、病理特征理解等专业技术,智能识别和检测设备的使用情况。
·无创式漏费控制系统。不对检查设备增加任意硬件改动与控制设备,而是在最终的图像输出环节,采用旁路监控模式,根据医院信息系统(HIS)、图片存档及通讯系统(PACS)的收费记录和影像设备的使用记录达到控制漏费的目的。
·医疗设备预测系统。对医疗设备的实时监控,可建立医疗设备保养预警系统,提前警示使用者医疗设备的运行情况,预防设备损坏的可能,降低了设备损坏率。
本发明对诊断结果的改进内容:
·自动学习机制。系统总结平日经验,在收集大量反馈信息后,应用图像分析,文字识别,病理特征理解等核心技术对大数据进行特征提取和数据挖掘,不断自我完善检测精度和效率。
·建立医院的信息数据库包括病理特征信息和病人信息。通过大量信息的数据集成和自我学习的优化,建立医院特有的数据库,根据以往信息和病理特征诊断信息,便于医生的医治工作。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种医疗设备智能监控系统,其特征在于:包括监控装置和管理系统,所述监控装置连接所述管理系统,所述管理系统连接医院的中央服务器;
所述监控装置为多个,每个监控装置对应一台医疗设备,用于收集医疗设备的医学图像并发送到管理系统,接受管理系统的指令智能化地监控医疗设备的使用,并将使用情况实时反馈至管理系统;
所述管理系统包括服务器及软件,所述软件安装在服务器上;
所述软件包括设备监控软件和诊断结果管理软件;
所述设备监控软件用于通过监控装置对相关医疗设备检查情况进行监控并实时记录工作状况,同时实时接受医院的中央服务器下传的病人信息进行比对,并通过所述监控装置对相关医疗设备进行控制;
监控软件功能包括通讯,数据库管理,存储管理,任务调度,错误处理和网络监控;
通过监控装置,对彩超做到分探头控制,病人交什么部位的检查,才允许用那个探头;设定哪些项目允许复查,哪些不允许;
通过监控装置,对CT的控制进行分项目,按扫描层数和扫描时间进行细化控制;能区分螺旋扫描和逐层扫,有效的按项目控制;
所述诊断管理软件用于通过医学图像对病理特征进行提取与分析,并对结果进行分类和管理,简化冗余和无效数据信息;
所述诊断结果管理软件对诊断结果的改进内容包括:
A、自动学习机制,所述诊断结果管理软件在收集大量反馈信息后,应用图像分析,文字识别,病理特征理解等核心技术对大数据进行特征提取和数据挖掘,不断自我完善检测精度和效率;
B、建立医院的信息数据库包括病理特征信息和病人信息,通过大量信息的数据集成和自我学习的优化,建立医院特有的数据库,根据以往信息和病理特征诊断信息,便于医生的医治工作。
2.根据权利要求1所述的一种医疗设备智能监控系统,其特征在于:所述监控装置设有设备接口、网络接口、核心处理器;所述设备接口与所对应医疗设备相连,用于采集医学图像以及发送控制指令;所述网络接口用于与管理系统连接并通信;所述核心处理器控制网络接口和设备接口,并处理与管理系统、医疗设备之间的通信信息。
3.根据权利要求2所述的一种医疗设备智能监控系统,其特征在于:所述设备接口包括数字化医疗影像设备接口和胶片扫描仪接口;所述数字化医疗影像设备接口直接从数字化医疗影像设备中采集医学图像,所述胶片扫描仪接口连接胶片扫描仪,用于收集胶片图像。
4.根据权利要求1所述的一种医疗设备智能监控系统,其特征在于:所述服务器设有硬磁盘阵列,用于存储医学图像数据。
5.根据权利要求1所述的一种医疗设备智能监控系统,其特征在于:所述病人信息包括病人缴费信息、检查部位。
6.根据权利要求1所述的一种医疗设备智能监控系统,其特征在于:所述设备监控软件通过所述监控装置对相关医疗设备进行分部件、分项目的细化控制。
7.根据权利要求1所述的一种医疗设备智能监控系统,其特征在于:所述诊断管理软件包括图像采集模块、图像预处理模块、图像分割模块、特征提取模块、分类模块、结果输出模块;
所述图像采集模块用于接收所述监控装置发送的医学图像,图像预处理模块用于进行医学图像预取,图像分割模块用于进行医学图像分割,特征提取模块用于进行医学图像的特征信息提取,分类模块用于对特征信息进行识别,结果输出模块用于输出识别结果。
8.根据权利要求7所述的一种医疗设备智能监控系统,其特征在于:所述分类模块包括分类器单元和后处理单元,所述分类器单元用于对从图像中获取的所有信息进行识别评估,所述后处理单元用于不能被分类器单元考虑到的额外信息进行最后的类型评估或推翻前级结果。
9.根据权利要求8所述的一种医疗设备智能监控系统,其特征在于:所述分类器单元包括分类器、加权器、投票器,所述分类器为多个,分别采用不同的分类方法对特征信息进行分类识别,所述加权器用于按照分类器性能效果赋予加权系数,所述投票器综合加权系数最终确定分类。
10.根据权利要求9所述的一种医疗设备智能监控系统,其特征在于:所述分类器包括决策树分类器,模糊逻辑分类器,支持向量机分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510513923.1A CN105069308B (zh) | 2015-08-19 | 2015-08-19 | 医疗设备智能监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510513923.1A CN105069308B (zh) | 2015-08-19 | 2015-08-19 | 医疗设备智能监控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069308A CN105069308A (zh) | 2015-11-18 |
CN105069308B true CN105069308B (zh) | 2018-11-27 |
Family
ID=54498673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510513923.1A Active CN105069308B (zh) | 2015-08-19 | 2015-08-19 | 医疗设备智能监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069308B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105635313A (zh) * | 2016-01-26 | 2016-06-01 | 北京惠泽智信科技有限公司 | 医疗设备状态监控系统及方法 |
CN105550529A (zh) * | 2016-01-26 | 2016-05-04 | 北京惠泽智信科技有限公司 | 医疗设备状态监控方法及装置 |
DE102016209032B3 (de) * | 2016-05-24 | 2017-09-14 | Siemens Healthcare Gmbh | Bildbegebendes Verfahren zum Durchführen einer medizinischen Untersuchung nebst zugehörigem Bildgebenden System und zugehörigem Computerprogrammprodukt |
CN107424105B (zh) * | 2016-08-01 | 2023-09-22 | 北京绪水互联科技有限公司 | 医疗影像设备漏费智能管理系统及方法 |
CN106691389A (zh) * | 2017-01-10 | 2017-05-24 | 胡佳 | 一种医疗信息监测方法和系统 |
EP3467770B1 (en) * | 2017-10-05 | 2022-11-23 | Siemens Healthcare GmbH | Method for analysing a medical imaging data set, system for analysing a medical imaging data set, computer program product and a computer-readable medium |
CN108932539B (zh) * | 2018-05-31 | 2021-10-08 | 重庆微标科技股份有限公司 | 医疗检验标本与医疗试管批量识别装置及方法 |
CN109712698A (zh) * | 2018-12-26 | 2019-05-03 | 河南正向电子科技有限公司 | 一种基于图像识别和人像识别的医疗设备管理系统 |
CN109712699A (zh) * | 2018-12-27 | 2019-05-03 | 河南正向电子科技有限公司 | 一种显示器信号切换系统 |
CN110047578A (zh) * | 2019-04-11 | 2019-07-23 | 清华大学 | 病理影像处理装置 |
CN116745860A (zh) * | 2020-12-25 | 2023-09-12 | 深圳迈瑞生物医疗电子股份有限公司 | 医疗设备管理方法及相关设备 |
CN113298071A (zh) * | 2021-07-27 | 2021-08-24 | 四川观想科技股份有限公司 | 一种设备维修的智能辅助方法及系统 |
CN114563991B (zh) * | 2022-02-22 | 2024-03-22 | 中国医学科学院北京协和医院 | 一种智能核医学影像检查的全过程质量管控系统 |
CN117174260B (zh) * | 2023-11-02 | 2024-01-30 | 四川省肿瘤医院 | 医疗影像数据管理系统及数据分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1414512A (zh) * | 2002-11-30 | 2003-04-30 | 王洪烈 | 一种医疗设备工作状态监控方法 |
CN1735031A (zh) * | 2004-08-13 | 2006-02-15 | 贾俊卿 | 医疗设备使用漏费控制的方法及其控制系统 |
CN2884337Y (zh) * | 2006-04-18 | 2007-03-28 | 路向北 | 医疗堵漏费图像识别管理系统 |
CN101118676A (zh) * | 2006-08-03 | 2008-02-06 | 郑州市正向电子科技有限公司 | 医疗设备费用管理方法 |
CN101615228A (zh) * | 2009-07-22 | 2009-12-30 | 湖南科技大学 | 一种基于智能体的医院漏费控制方法 |
CN104414636A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于磁共振图像的脑微出血计算机辅助检测系统 |
-
2015
- 2015-08-19 CN CN201510513923.1A patent/CN105069308B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1414512A (zh) * | 2002-11-30 | 2003-04-30 | 王洪烈 | 一种医疗设备工作状态监控方法 |
CN1735031A (zh) * | 2004-08-13 | 2006-02-15 | 贾俊卿 | 医疗设备使用漏费控制的方法及其控制系统 |
CN2884337Y (zh) * | 2006-04-18 | 2007-03-28 | 路向北 | 医疗堵漏费图像识别管理系统 |
CN101118676A (zh) * | 2006-08-03 | 2008-02-06 | 郑州市正向电子科技有限公司 | 医疗设备费用管理方法 |
CN101615228A (zh) * | 2009-07-22 | 2009-12-30 | 湖南科技大学 | 一种基于智能体的医院漏费控制方法 |
CN104414636A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于磁共振图像的脑微出血计算机辅助检测系统 |
Non-Patent Citations (1)
Title |
---|
"网络版医疗仪器收费智能管理系统的可行性论证";李军义等;《中国医学装备》;20090115;第6卷(第1期);正文第2.1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN105069308A (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069308B (zh) | 医疗设备智能监控系统 | |
US11282198B2 (en) | Heat map generating system and methods for use therewith | |
US20190279363A1 (en) | Medical evaluation machine learning workflows and processes | |
EP1941460B1 (en) | Image processing system, particularly for use with diagnostic images | |
US10504197B2 (en) | Clinical decision support systems and methods | |
CN113808738B (zh) | 一种基于自识别影像的疾病识别系统 | |
Álvarez-Rodríguez et al. | Does imbalance in chest X-ray datasets produce biased deep learning approaches for COVID-19 screening? | |
Sasi Kumar et al. | DeepQ Residue Analysis of Brain Computer Classification and Prediction Using Deep CNN | |
Alnaggar et al. | An IoT-based framework for detecting heart conditions using machine learning | |
CN111226287B (zh) | 用于分析医学成像数据集的方法、系统、程序产品和介质 | |
Novaliendry et al. | Medical Internet-of-Things Based Breast Cancer Diagnosis Using Hyper Parameter-Optimized Neural Networks | |
Huda et al. | Covid-19 Classification using HOG-SVM and deep learning models | |
Nawaz et al. | COVID-ECG-RSNet: COVID-19 classification from ECG images using swish-based improved ResNet model | |
CN114037540A (zh) | 一种医保基金监管系统及其监控方法 | |
Maurya et al. | Detection and Classification of Glioblastoma Brain Tumor | |
Nour | Artificial Intelligence (AI) for Improving Performance at the Cutting Edge of Medical Imaging | |
Munasinghe et al. | Yuwathi: early detection of breast cancer and classification of mammography images using machine learning | |
Pivithuru et al. | E-patient Card: An Integrated Electronic Health Recording System for Patient | |
Monteiro et al. | A cognitive approach to digital health based on deep learning focused on classification and recognition of white blood cells | |
Ahatsham et al. | An efficient system for early diagnosis of breast cancer using support vector machine | |
Patil et al. | Tuberculosis Detection Using a Deep Neural Network | |
US20220327691A1 (en) | Method and system to assess medical images for suitability in clinical interpretation | |
Vishnyakou et al. | Structure and components of internet of things network for it patient diagnostics | |
Aziz Makandar et al. | Classifying and Predictive Analytics for Disease Detection: Empowering Healthcare Decisions with Convolutional Neural Network | |
Khan M | Bone Fracture Identification with Deep Learning Model using Resnet50 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |