CN105512473A - 一种阴道镜图像的智能识别方法及装置 - Google Patents
一种阴道镜图像的智能识别方法及装置 Download PDFInfo
- Publication number
- CN105512473A CN105512473A CN201510870263.2A CN201510870263A CN105512473A CN 105512473 A CN105512473 A CN 105512473A CN 201510870263 A CN201510870263 A CN 201510870263A CN 105512473 A CN105512473 A CN 105512473A
- Authority
- CN
- China
- Prior art keywords
- image
- gynecatoptron
- standard
- lesion region
- lesion
- 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.)
- Withdrawn
Links
Classifications
-
- G06F19/321—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种阴道镜图像的智能识别方法,其特征在于,采集阴道镜图像,在所述阴道镜图像中选取疑似病变区域;提取所述疑似病变区域图像特征;从标准阴道镜图库中搜索与所述疑似病变区域图像特征相似的若干标准阴道镜图像;同时标识每张所述标准阴道镜图像的确诊病变类型和病变区域;同屏对比显示选取的所述疑似病变区域的图像与所述标准阴道镜图像确诊病变区域的图像。本发明提出的阴道镜图像的智能识别,仅选取疑似病变区域的图像进行特征提取,图像识别更加具有针对性,速度更快;借助计算机辅助诊断技术和标准阴道镜图库同屏对比,可以有效提高不同医生对同副图像的诊断相符性;亦可作为一种阴道镜学习培训工具,帮助提高医疗界对阴道镜图像的整体认知水平。
Description
技术领域
本发明涉及妇科医疗设备技术领域,尤其涉及一种阴道镜图像的智能识别方法及装置。
背景技术
宫颈癌是目前人类所有癌症病变中唯一病因明确的癌症,也是唯一可以有望通过人为预防减少或消灭的癌症。阴道镜检查可以发现宫颈糜烂、宫颈息肉、宫颈上皮内瘤样病变、宫颈癌、阴道炎、外阴、阴道或宫颈肉头瘤病、毒感染和亚临床乳头瘤病毒感染。阴道镜检查不仅在诊断子宫颈早期癌变和辨别肿瘤与炎症等方面有应用价值,而且在治疗方面,特别在宫颈上皮内瘤样病变的治疗有特殊应用价值。因为阴道镜可以看到宫颈上皮变化的位置和范围,阴道镜的视频图像或计算机视频图像采集和存储对宫颈病变的追踪观察非常重要。
在阴道镜检查过程中,现有技术就是医生根据采集的阴道镜所采集的图像,用肉眼去观察宫颈上皮在使用生理盐水、5%醋酸溶液和5%复方碘溶液后的变化,对阴道镜所采集的图像进行判读和评估。但是,目前懂得阴道镜检查和诊断的妇科医生不足,同时在宫颈癌检查中,缺失规范的诊断标准,因而,无法保证基层医务人员正确的检查操作,错误的图像分析会导致错误的异常部位活检,因而会误诊、漏诊或过度活检。另外,由于没有量化标准,没有统一的评估标准,即便汇集专家对所检查和采集的图像进行评估,对于同一患者的图像,可能不同的专家都会有不同的评估结果(受到主观因素的影响),从而影响评估的准确性和一致性。
发明内容
有鉴于此,本发明旨在提供一种阴道镜图像的智能识别方法及装置,能够协助医生对阴道镜图像的病变类型进行更准确的评估。
为了达到上述目的,本发明通过以下技术方案来实现:一种阴道镜图像的智能识别方法,其特征在于,包括以下步骤;
步骤A1、采集阴道镜图像,在所述阴道镜图像中选取疑似病变区域;
步骤A2、提取所述疑似病变区域图像特征;
步骤A3、从标准阴道镜图库中搜索与所述疑似病变区域图像特征相似的若干标准阴道镜图像;
所述标准阴道镜图库中的阴道镜图像属性包括:
确诊的病变类型;
确诊的病变区域。
进一步,步骤A3之后还包括:
步骤A4、同时标识每张所述标准阴道镜图像的确诊病变类型和病变区域。
进一步,步骤A4之后还包括:
步骤A5、同屏对比显示选取的所述疑似病变区域的图像与所述标准阴道镜图像确诊的病变区域的图像。
优先的,步骤A1中所述选取疑似病变区域的方式包括以下方式的任意组合:
由操作人员手工选取;
由计算机智能选取。
进一步,还包括:
依次处理目标对象的若干副阴道镜图像,然后对目标对象的若干副阴道镜图像进行综合对比分析,得出最终目标对象的病变类型和发生概率。
进一步,所述目标对象的若干副阴道镜图像包括以下宫颈图像的任意组合:原始宫颈图像、醋酸试验后每间隔预定时间后采集的宫颈图像、碘试验后每间隔预定时间后采集的宫颈图像。
为了达到上述目的,本发明还提供一种阴道镜图像的智能识别装置,其特征在于,包括阴道镜图像显示单元、疑似病变区域选取单元、疑似病变区域分析单元、标准阴道镜图像显示单元;
所述阴道镜图像显示单元用于显示采集的阴道镜图像;
所述疑似病变区域选取单元用于接收操作者输入的区域选取信息;
所述疑似病变区域分析单元用于分析所述疑似病变区域的图像特征信息,并从标准阴道镜图库中搜索与所述疑似病变区域图像特征相似的若干标准阴道镜图像;
所述标准阴道镜图像显示单元用于显示与所述疑似病变区域的图像特征信息相似的标准阴道镜图像,还用于显示所述标准阴道镜图像的病变类型和病变区域。
进一步,还包括标准阴道镜图像存储单元;
所述标准阴道镜图库中的阴道镜图像属性包括:
确诊病变类型;
确诊病变区域。
进一步,还包括图像对比单元;
所述图像对比单元用于同屏对比显示选取的所述疑似病变区域与所述标准阴道镜图像的确诊的病变区域的图像。
(1)本发明提出的阴道镜图像的智能识别,仅选取疑似病变区域的图像进行特征提取,图像识别更加具有针对性,速度更快。
(2)本发明提出的阴道镜图像的智能识别,选取疑似病变区域时可由操作者自行选取和计算机智能选取相结合,与仅由计算机智能选取相比,可以最大限度的减少疑似病变区域选取误差,避免漏诊。
(3)本发明提出的阴道镜图像的智能识别方法及装置,借助计算机辅助诊断技术和标准阴道镜图库同屏对比,可以有效提高不同医生对同副图像的诊断相符性;亦可作为一种阴道镜学习培训工具,帮助提高医疗界对阴道镜图像的整体认知水平。
附图说明
为了易于说明,本发明由下述的较佳实施例及附图作以详细描述。
图1为实施例阴道镜图像智能识别方法流程示意图;
图2为改进的实施例阴道镜图像智能识别方法流程示意图;;
图3为待检阴道镜图像及疑似病变区域示意图;
图4为标准阴道镜图像及病变区域1示意图;
图5为标准阴道镜图像及病变区域2示意图;
图6为同屏对比显示疑似病变区域与确诊病变区域的图像示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例一
参照图1所示,一种阴道镜图像的智能识别方法,其特征在于,包括以下步骤;
步骤A1、采集阴道镜图像,在所述阴道镜图像中选取疑似病变区域;
步骤A2、提取所述疑似病变区域图像特征;
步骤A3、从标准阴道镜图库中搜索与所述疑似病变区域图像特征相似的若干标准阴道镜图像;
所述标准阴道镜图库中的阴道镜图像属性包括:
确诊的病变类型;
确诊的病变区域。
需要说明的是,本实施例的创新点在于步骤A1~A2所述:从阴道镜图像中选取疑似病变区域后再进行图像特征提取,与传统方法对整幅图像处理方法相比,这种方法提高了图像识别的准确度和效率。本实施例的创新点还在于步骤A3所述:从标准阴道镜图库中搜索与所述疑似病变区域图像特征相似的若干标准阴道镜图像,标准阴道镜图像属性包括确诊的病变类型及病变区域,以及病变区域的图像特征,一方面有助于通过疑似病变区域的图像特征快速、准确匹配到标准阴道镜图库的图像,另一方面可以将标准阴道镜病变区域的图像与疑似病变区域的图像进行对照,协助医生对病变类型进行准确评估。
参照图2所示,进一步,步骤A3之后还包括:
步骤A4、同时标识每张所述标准阴道镜图像的确诊病变类型和病变区域。
进一步,步骤A4之后还包括:
步骤A5、同屏对比显示选取的所述疑似病变区域的图像与所述标准阴道镜图像确诊的病变区域的图像。
步骤A4、A5是为了更便于操作者对疑似病变区域的病变确认。在现有技术中,阴道镜图像之间的对比往往是整幅阴道镜图像的对比,而对感兴趣的病变部位在整幅图像中所占的比例相对较小,这样就容易被忽略或不方便对比。本实施例将感兴趣的病变部位提取出来单独显示,有助于对疑似病变区域的病变快速、准确的确认。
参照图3~6所示,图3是待检的阴道镜图像,其图内所述虚线矩形框为选取的疑似病变区域,经过分析疑似病变为网状血管,图4、5是经过特征对比搜索的标准阴道镜图像1、2,确诊病变类型似均为网状血管,其图内所述虚线矩形框为确诊病变区域。图6是提取疑似病变区域与确诊的网状血管图像1、2的病变区域图像进行单独对比,这样可以提高病变类型确诊的效率和准确度。
优先的,步骤A1中所述选取疑似病变区域的方式包括以下方式的任意组合:
由操作人员手工选取;
由计算机智能选取。
在本实施例中,由于仅仅分析对比疑似病变区域,因此如何准确选取疑似病变区域,决定了病变能否准确、快速的确诊,既不能漏诊,也不能误诊。本实施例提供了两种方式:(1)由操作人员手工选取;(2)由计算机智能选取。首先,对于阴道镜图像而言,由于其专业性,以及固有的解剖生理特点,疑似的病变区域往往有其特有的规律,而这种规律如果单用传统的图像处理方法来处理,识别算法就过于复杂,运算效率也低。如果由具备专业知识的操作人员来选取,可以很快的找到疑似病变区域,而且在操作人员在使用设备采集阴道镜图像时顺便就可以选取疑似病变区域,这对医务人员来讲,不会产生太多的不便。更有意义的是,医务人员可根据需要选取非常典型的疑似病变区域,也就更容易从阴道镜图库中找到最相似的标准阴道镜图像,更快的进行确认。
先由医务人员主观性选取疑似病变区域,再经标准阴道镜图像的对比,可以明显降低阴道镜图像诊断的假阳性率,即误诊率。但是正是由于医务人员的主观性选取在前,可能会提高阴道镜图像诊断的“假阴性率”,即漏诊率。为此,本实施例还提供一种由计算机智能选取疑似病变区域的方式,可以借助现有的区域特征匹配算法,当然这需要更复杂的运算。需要指出的是,利用手工或计算机智能这两种选取疑似病变区域的方式,可以弥补两者的不足。但至于选择哪一种或两种都选,操作人员可根据实际需求进行选择。
作为优先的实施例,所述阴道镜图像的智能识别方法,还包括依次处理目标对象的若干副阴道镜图像,然后对目标对象的若干副阴道镜图像进行综合对比分析,得出最终目标对象的病变类型和发生概率。
进一步,所述目标对象的若干副阴道镜图像包括以下宫颈图像的任意组合:原始宫颈图像、醋酸试验后每间隔预定时间后采集的宫颈图像、碘试验后每间隔预定时间后采集的宫颈图像。
在现有阴道镜检查中,往往都要进行一些试验,比如醋酸试验、碘试验等,同时采集不同试验条件下的阴道镜图像,从而更准确分析病变类型。因为目前阴道镜图像检查仅仅是一项辅助手段,还不能对病变类型进行确诊。但是,本实施例对更多宫颈图像的分析,可以提高病变类型判断的收敛性,即给出更准确的“病变类型的发生概率”。
本实施例还提供一种阴道镜图像的智能识别装置,其特征在于,包括阴道镜图像显示单元、疑似病变区域选取单元、疑似病变区域分析单元、标准阴道镜图像显示单元;
所述阴道镜图像显示单元用于显示采集的阴道镜图像;
所述疑似病变区域选取单元用于接收操作者输入的区域选取信息;
所述疑似病变区域分析单元用于分析所述疑似病变区域的图像特征信息,并从标准阴道镜图库中搜索与所述疑似病变区域图像特征相似的若干标准阴道镜图像;
所述标准阴道镜图像显示单元用于显示与所述疑似病变区域的图像特征信息相似的标准阴道镜图像,还用于显示所述标准阴道镜图像的病变类型和病变区域。
进一步,还包括标准阴道镜图像存储单元;
所述标准阴道镜图库中的阴道镜图像属性包括:
确诊病变类型;
确诊病变区域。
进一步,还包括图像对比单元;
所述图像对比单元用于同屏对比显示选取的所述疑似病变区域与所述标准阴道镜图像的确诊的病变区域的图像。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种阴道镜图像的智能识别方法,其特征在于,包括以下步骤;
步骤A1、采集阴道镜图像,在所述阴道镜图像中选取疑似病变区域;
步骤A2、提取所述疑似病变区域图像特征;
步骤A3、从标准阴道镜图库中搜索与所述疑似病变区域图像特征相似的若干标准阴道镜图像;
所述标准阴道镜图库中的阴道镜图像属性包括:
确诊的病变类型;
确诊的病变区域。
2.根据权利要求1所述阴道镜图像的智能识别方法,其特征在于,步骤A3之后还包括:
步骤A4、同时标识每张所述标准阴道镜图像的确诊病变类型和病变区域。
3.根据权利要求2所述阴道镜图像的智能识别方法,其特征在于,步骤A4之后还包括:
步骤A5、同屏对比显示选取的所述疑似病变区域的图像与所述标准阴道镜图像确诊的病变区域的图像。
4.根据权利要求1-3任一项所述阴道镜图像的智能识别方法,其特征在于,步骤A1中所述选取疑似病变区域的方式包括以下方式的任意组合:
由操作人员手工选取;
由计算机智能选取。
5.根据权利要求4所述阴道镜图像的智能识别方法,其特征在于,还包括:
依次处理目标对象的若干副阴道镜图像,然后对目标对象的若干副阴道镜图像进行综合对比分析,得出最终目标对象的病变类型和发生概率。
6.根据权利要求5所述阴道镜图像的智能识别方法,其特征在于,所述目标对象的若干副阴道镜图像包括以下宫颈图像的任意组合:原始宫颈图像、醋酸试验后每间隔预定时间后采集的宫颈图像、碘试验后每间隔预定时间后采集的宫颈图像。
7.一种阴道镜图像的智能识别装置,其特征在于,包括阴道镜图像显示单元、疑似病变区域选取单元、疑似病变区域分析单元、标准阴道镜图像显示单元;
所述阴道镜图像显示单元用于显示采集的阴道镜图像;
所述疑似病变区域选取单元用于接收操作者输入的区域选取信息;
所述疑似病变区域分析单元用于分析所述疑似病变区域的图像特征信息,并从标准阴道镜图库中搜索与所述疑似病变区域图像特征相似的若干标准阴道镜图像;
所述标准阴道镜图像显示单元用于显示与所述疑似病变区域的图像特征信息相似的标准阴道镜图像,还用于显示所述标准阴道镜图像的病变类型和病变区域。
8.根据权利要求7所述的阴道镜图像的智能识别装置,其特征在于,还包括标准阴道镜图像存储单元;
所述标准阴道镜图库中的阴道镜图像属性包括:
确诊病变类型;
确诊病变区域。
9.根据权利要求8所述的阴道镜图像的智能识别装置,其特征在于,还包括图像对比单元;
所述图像对比单元用于同屏对比显示选取的所述疑似病变区域与所述标准阴道镜图像的确诊的病变区域的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510870263.2A CN105512473A (zh) | 2015-11-30 | 2015-11-30 | 一种阴道镜图像的智能识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510870263.2A CN105512473A (zh) | 2015-11-30 | 2015-11-30 | 一种阴道镜图像的智能识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105512473A true CN105512473A (zh) | 2016-04-20 |
Family
ID=55720450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510870263.2A Withdrawn CN105512473A (zh) | 2015-11-30 | 2015-11-30 | 一种阴道镜图像的智能识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105512473A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220975A (zh) * | 2017-07-31 | 2017-09-29 | 合肥工业大学 | 宫颈图像智能辅助判断系统及其处理方法 |
CN109543719A (zh) * | 2018-10-30 | 2019-03-29 | 浙江大学 | 基于多模态注意力模型的宫颈非典型病变诊断模型和装置 |
CN110662477A (zh) * | 2017-05-25 | 2020-01-07 | 日本电气株式会社 | 信息处理装置、控制方法和程序 |
CN114283661A (zh) * | 2021-08-05 | 2022-04-05 | 安保文 | 一种阴道镜诊断技能模拟培训方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615224A (zh) * | 2008-06-27 | 2009-12-30 | 西门子公司 | 一种计算机辅助识别装置和系统 |
CN103325128A (zh) * | 2013-05-16 | 2013-09-25 | 深圳市理邦精密仪器股份有限公司 | 一种智能识别阴道镜所采集的图像特征的方法及装置 |
CN104331694A (zh) * | 2014-04-02 | 2015-02-04 | 上海齐正微电子有限公司 | 医疗影像特征区域实时提取和标示方法 |
-
2015
- 2015-11-30 CN CN201510870263.2A patent/CN105512473A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615224A (zh) * | 2008-06-27 | 2009-12-30 | 西门子公司 | 一种计算机辅助识别装置和系统 |
CN103325128A (zh) * | 2013-05-16 | 2013-09-25 | 深圳市理邦精密仪器股份有限公司 | 一种智能识别阴道镜所采集的图像特征的方法及装置 |
CN104331694A (zh) * | 2014-04-02 | 2015-02-04 | 上海齐正微电子有限公司 | 医疗影像特征区域实时提取和标示方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110662477A (zh) * | 2017-05-25 | 2020-01-07 | 日本电气株式会社 | 信息处理装置、控制方法和程序 |
CN110662477B (zh) * | 2017-05-25 | 2022-06-28 | 日本电气株式会社 | 信息处理装置、控制方法和程序 |
CN107220975A (zh) * | 2017-07-31 | 2017-09-29 | 合肥工业大学 | 宫颈图像智能辅助判断系统及其处理方法 |
CN107220975B (zh) * | 2017-07-31 | 2018-03-09 | 合肥工业大学 | 宫颈图像智能辅助判断系统及其处理方法 |
US10127665B1 (en) | 2017-07-31 | 2018-11-13 | Hefei University Of Technology | Intelligent assistant judgment system for images of cervix uteri and processing method thereof |
CN109543719A (zh) * | 2018-10-30 | 2019-03-29 | 浙江大学 | 基于多模态注意力模型的宫颈非典型病变诊断模型和装置 |
CN109543719B (zh) * | 2018-10-30 | 2020-09-08 | 浙江大学 | 基于多模态注意力模型的宫颈非典型病变诊断模型和装置 |
CN114283661A (zh) * | 2021-08-05 | 2022-04-05 | 安保文 | 一种阴道镜诊断技能模拟培训方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9107569B2 (en) | Medical instrument for examining the cervix | |
US10127665B1 (en) | Intelligent assistant judgment system for images of cervix uteri and processing method thereof | |
Qian et al. | M $^ 3$ Lung-Sys: A deep learning system for multi-class lung pneumonia screening from CT imaging | |
CN109117890B (zh) | 一种图像分类方法、装置和存储介质 | |
Chen et al. | Deep learning prediction of ovarian malignancy at US compared with O-RADS and expert assessment | |
CN103975364B (zh) | 针对宫颈的光学检查的图像选择 | |
CN105512473A (zh) | 一种阴道镜图像的智能识别方法及装置 | |
CN108257129A (zh) | 基于多模态检测网络的宫颈活检区域辅助识别方法及装置 | |
TWI810498B (zh) | 肝腫瘤智慧分析裝置 | |
Bai et al. | Detection of cervical lesion region from colposcopic images based on feature reselection | |
Ma et al. | Developing and verifying automatic detection of active pulmonary tuberculosis from multi-slice spiral CT images based on deep learning | |
CN109460717A (zh) | 消化道共聚焦激光显微内镜病变图像识别方法及装置 | |
Hunt et al. | Cervical lesion assessment using real‐time microendoscopy image analysis in Brazil: the CLARA study | |
Liu et al. | Intelligent detection for CT image of COVID-19 using deep learning | |
CN112801958A (zh) | 超声内镜、人工智能辅助鉴别方法、系统、终端、介质 | |
Kim et al. | Asbestosis diagnosis algorithm combining the lung segmentation method and deep learning model in computed tomography image | |
CN111462201A (zh) | 基于新型冠状病毒肺炎ct影像的随访分析系统及方法 | |
CN115019049A (zh) | 基于深度神经网络的骨显像骨病灶分割方法、系统及设备 | |
Yin et al. | Laryngoscope8: Laryngeal image dataset and classification of laryngeal disease based on attention mechanism | |
Wang et al. | Localizing and identifying intestinal metaplasia based on deep learning in oesophagoscope | |
CN105520712B (zh) | 一种阴道镜图像智能采集评估方法及装置 | |
CN112002407A (zh) | 一种基于超声视频的乳腺癌诊断装置及其方法 | |
Liu et al. | Automatic measurement of endometrial thickness from transvaginal ultrasound images | |
Lan et al. | Deep learning-based artificial intelligence improves accuracy of error-prone lung nodules | |
JP2012101088A (ja) | 医用画像検索システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20160420 |
|
WW01 | Invention patent application withdrawn after publication |