CN106875384B - 一种通用智能自动化读片方法 - Google Patents
一种通用智能自动化读片方法 Download PDFInfo
- Publication number
- CN106875384B CN106875384B CN201710062763.2A CN201710062763A CN106875384B CN 106875384 B CN106875384 B CN 106875384B CN 201710062763 A CN201710062763 A CN 201710062763A CN 106875384 B CN106875384 B CN 106875384B
- Authority
- CN
- China
- Prior art keywords
- structure image
- image
- geodesic structure
- brain
- masking
- 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
Classifications
-
- 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
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30016—Brain
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)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种通用智能自动化读片方法,获得检测影像的基础结构影像与待测结构影像;对待测结构影像进行数据处理,找出异常信号点,绘制蒙版;将蒙版基于待测结构影像刚体变换到基础结构影像之上;将蒙版覆盖后的样本大脑基础结构影像与标准空间进行配准,获得转换矩阵,从而将样本大脑根据转换矩阵映射至标准脑模板;将样本大脑分为灰质、白质和脑脊液;利用所得的转换矩阵,将待测结构影像映射至标准脑模板;提取每个样本大脑在神经通路蒙版内的待检测信号,并计算异常信号值的体素数量。本发明的准确率可以达到90%的水平,大大提高医生的效率。
Description
技术领域
本发明涉及影像学技术领域,具体地,涉及一种通用智能自动化读片方法。
背景技术
随着影像学技术的进展,无创性神经影像在诊疗中发挥重要作用。在脑部病变,如脑血管病、外伤、炎症、肿瘤、发育畸形等性质的判断,同时对于脑部病变情况变化的随访中均发挥重要作用。
对于影像学结果的判断,目前常采用目测法,也即传统的人工读片。具体流程是医师开具检测要求,影像学医师完成检测并读片,出具读片报告,临床医师再依据报告建立诊疗方案。随着中国医疗条件的发展,X线、CT等基本检查早已普及到县级基层医院,而近几年基层医院也纷纷引进了MRI诊断设备,为基层医院提高疾病的诊断水平、普及放射科相关治疗技术提供了可能。但另一方面,各级医师专业教育水平判断水平不尽相同,神经系统病例及病种丰富,传统人工影像读片存在诊断规范化,病变随访可比较性差等问题。临床医师在建立诊疗方案时迫切需要规范化的结果和可视化的功能分析,以建立正确及时的诊疗方案。同时,为避免对患者的过度诊疗,需要建立能够分析归纳各个系统检测结果的系统。
由于目前读片方案都采用目测方法,对特定病变的大小、特定解剖结构的受累,常依据个人经验评定结果,存在较大随意性和不确定性。随着计算机技术的发展,已经有基于体素的计算机分析方案,如VBM分析等,然而,上述分析方法需要磁共振扫描参数的一致性,以及一定样本量的受试者数量始可分析,常受限在单个中心研究,难以推广,所需分析需要专业技术人员,难以在临床上广泛应用。目前也有计算机网络上提供公开的可以下载的软件系统用于分析脑片,如brain image等,然而,具体解剖结构需要使用者自己判断,脑片分析的结果也缺少可靠性,缺少大样本量的分析验证。
目前没有发现同本发明类似技术的说明或报道,也尚未收集到国内外类似的资料。
发明内容
针对现有技术中存在的上述不足,本发明的目的是提供一种应用于影像学结果判断的通用智能自动化读片方法。该方法可针对不同扫描参数所得到的影像,自动获取异常信号体积、比值等数据,可简便用于临床判断病情严重程度及随访。
为实现上述目的,本发明是通过以下技术方案实现的。
一种通用智能自动化读片方法,包括如下步骤:
步骤S1,获取样本大脑检测影像的基础结构影像与待测结构影像;
步骤S2,对步骤S1中获取的待测结构影像进行数据处理,找出待测结构影像上的异常信号点,分析并绘制蒙版;
步骤S3,将蒙版基于待测结构影像刚体变换到基础结构影像之上;
步骤S4,将蒙版覆盖后的样本大脑基础结构影像与标准空间进行配准,获得转换矩阵,从而将样本大脑根据转换矩阵映射至标准脑模板;
步骤S5,将样本大脑分为灰质、白质和脑脊液;
步骤S6,在步骤S5的基础上,利用步骤S4中所得的转换矩阵,将待测结构影像映射至标准脑模板;
步骤S7,提取每个样本大脑在神经通路蒙版内的待测信号,并计算异常信号值的体素数量。
优选地,所述步骤S2采用基于影像信号强度的自动化算法,针对待测结构影像上的异常信号点进行分析,具体包括如下子步骤:
步骤S21,通过样本大脑待测结构影像的影像扫描值大小将样本大脑与周边背景噪音区分并提取;
步骤S22,将样本大脑的二维分层扫描的待测结构影像合并为三维待测结构影像;
步骤S23,将三维待测结构影像粗略地线性刚体与标准待测结构影像进行比较;
步骤S24,找出标准待测结构影像上面皮层、神经核团、神经通路的位置;
步骤S25,通过标准待测结构影像上步骤S24所给出的特定区域位置的影像扫描值大小,找出三维待测结构影像异常信号点,绘制蒙版。
优选地,所述步骤S4基于Cost function算法,实现将样本大脑根据转换矩阵映射至标准脑模板。
优选地,所述步骤S4中,重采样分辨率至1×1×1mm3。
优选地,所述步骤S5采用SPM软件自带的Segmentation算法完成。
优选地,还包括:
步骤S8,在一组训练集上比较步骤S7中得到的异常信号值的体素数量与多名神经科医生手动得出的异常信号值的体素数量,并进行拟合。
优选地,所述步骤S4和步骤S6中还包括对映射结果逐一检查的过程,以确保映射结果正确。
优选地,所述检测影像包括如下任一种或任多种:
CT影像;
MRI影像。
与现有技术相比,本发明具有如下有益效果:
1、相较于之前通过神经科医生手动观测待测结构影像数据来得出样本信息的做法,本发明创造性地利用大数据算法将这一过程完全的自动化呈现。在初步的结果中,可以得出,我们的准确率可以达到90%的水平,达到世界先进水平,另外,本发明可以大大提高医生的效率,分析不同来源的片子,从而能够造福更多的病人。
2、本发明利用类脑人工智能算法,在影像数据的基础上,实现了一种针对卒中病人磁共振(MRI)和/或电脑扫描(CT)数据神经通路指标分数自动提取的自动化读片方法,其中的核心方法包括脑白质、灰质、脑脊液的自动分割以及不同区域的脑白质损伤体积的自动测算。
3、本发明提供的方法可以融入软硬件开发,制成智能读片机器人、APP,进而可以大幅度提升脑卒中的诊断水平和预防水平,将以大数据智能运算整合脑影像特征、基因信息、生理指标与脑卒中高危险因子,建立脑卒中的预防管理机制,并适度给予干预与治疗,以预防及降低脑卒中的发生。这必将降低脑卒中的致残率、复发率与死亡率,提升医疗时效,并建立脑卒中病患族群的医疗、康复与愈后大数据库,建立医疗规范与最佳康复策略,提升脑卒中的治愈率;以上内容可以在脑卒中以及未来其他重大脑疾病的智能诊疗中发挥巨大的作用,具备极大的市场潜力,经济与社会效益。
4、本发明利用成像体素变化的特点,结合特定神经解剖的结构,利用智能化方法可以比目测法更好的分辨效果,能够自动化对不同解剖结构放射学表现异常部位自动归纳分析,得到具体数值。可供临床医师判断并定期随访损伤部位、严重程度。
5、在每个变换步骤均由神经科医师对结果进行逐一检查,确保映射结果正确,进一步提高本发明的准确率,最终提出高智能自动化得到神经通路异常值的读片方法。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为脑卒中智能读片示意图,其中,画圈处为识别出的脑白质发生损伤的部位;
图2为本发明流程演示图;
图3为本发明与人工读片的结果评分比较图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
实施例
本实施例提供了一种通用智能自动化读片方法,包括如下步骤:
步骤S1,首先获得样本大脑检测影像(如CT影像和/或MRI影像)的基础结构影像与待测结构影像数据。
步骤S2,在对待测结构影像的数据处理过程中,采用一套基于影像信号强度的自动化算法,将待测结构影像上的异常信号点找出,绘制蒙版;
具体为,针对待测结构影像上的异常信号值进行分析,包括:
步骤S21,通过样本大脑待测结构影像的影像扫描值大小将人脑(样本大脑)与周边背景噪音区分并提取;
步骤S22,将样本大脑的二维分层扫描的待测结构影像合并为三维待测结构影像;
步骤S23,将三维待测结构影像粗略地线性刚体与标准待测结构影像进行比较;
步骤S24,找出标准待测结构影像上面皮层、神经核团、神经通路(卒中常发区域)的位置;
步骤S25,通过标准待测结构影像上S24所给出的特定区域位置的影像扫描值大小,将三维待测结构影像异常信号点找出,绘制蒙版。
步骤S3,之后将蒙版基于待测结构影像刚体变换到基础结构影像之上。
步骤S4,之后基于Cost function(损失函数)的算法,将蒙版覆盖后的样本大脑基础结构影像与标准空间(Montreal Neurological Institute,MNI)进行配准,获得转换矩阵(Transformation matrix),从而将样本大脑根据转换矩阵映射至标准脑模板(MNItemplate),重采样分辨率至1×1×1mm3。
步骤S5,采用SPM软件自带的Segmentation(分割)算法,将大脑分为灰质(greymatter)、白质(white matter)和脑脊液(CSF)。
步骤S6,在步骤S5的基础上,同样利用步骤S4所得的转换矩阵,也将待测结构影像映射至标准脑模板。
步骤S7,提取每个样本大脑在神经通路蒙版内的待测信号,并计算异常高信号值的体素数量。
进一步地,每个变换步骤均由神经科医师对映射结果进行逐一检查,确保映射结果正确。
进一步地,还包括如下步骤:
在一组训练集上比较步骤S7提取的信息(异常高信号值的体素数量)与多名神经科医生手动得出的信息,并进行拟合,从而可以最终得出神经通路待测异常值的通用智能自动化读片方法。
下面结合附图对本实施例进一步描述。
卒中(Stroke),又称作脑血管事件(Cerebrovascular Event、CVE)、脑血管意外(Cerebrovascular Accident、CVA)、脑血管病变(Cerebrovascular Insult、CVI)或脑病突发(Brain Attack),是指脑部缺血造成的脑细胞死亡。卒中分为两种类型:一种是由血管阻塞所造成的缺血性脑卒中;一种是由出血所造成的出血性脑卒中。不论是缺血性或是出血性脑卒中都会造成脑功能异常。常见的卒中症状包括无法移动单侧的肢体或者是一边的身体没有感觉、无法理解别人的话、不能说话、感觉天旋地转、其中一边的视野看不到等等。卒中的症状通常在发生后很快就会出现,如果症状在一两小时内消失,我们有时会称它为“暂时性脑缺血(Transient ischemic attack、TIA)”。出血性卒中的患者可能会伴随着突发而严重的头痛。卒中的症状有可能会成为永久性的后遗症,卒中的患者也可能会有肺炎、尿失禁等长期后遗症。卒中患者如果能尽快接受治疗,可以减少留下永久损伤的机会。
在磁共振影像中,有一种特殊的扫描序列,被称之为,FLAIR序列,也就是通俗所说的压水像,在这个序列中,脑灰质是高信号,也就是亮一些的,脑白质是低信号--这些类似于T2WI序列--但是在压水像上,脑脊液的信号是低的,也就是黑色的。这也是之所以称之为压水像的原因。FLAIR序列可发现验证脑小血管病等隐匿性卒中。
胆碱通路(神经通路)白质上的异常FLAIR高信号是一个甄别卒中早期认知功能下降高风险病人的良好手段,但受限于熟练影像科医生的数量不足,这项指标迟迟得不到大量推广。本实施例利用类脑人工智能算法,在影像数据的基础上,实现了针对卒中病人磁共振数据胆碱通路指标分数的自动提取。
如图2所示,选取具有不同胆碱通路白质异常FLAIR高信号评分(熟练影像科医生人工识别得出)的四个样本。之后,通过通用智能自动化读片方法对其进行分析,具体为:
首先针对CT和/或MRI影像上的异常信号值进行分析。第一步先是通过CT和/或MRI影像的影像扫描值大小将人脑与周边背景噪音区分并提取。第二步将二维分层扫描的CT和/或MRI影像合并为三维CT和/或MRI影像。第三步将三维CT和/或MRI影像粗略地线性刚体与标准CT和/或MRI影像进行比较。第四步找出标准CT和/或MRI上面诸如基底节等部分的区域位置。第五步通过标准CT和/或MRI影像特定部分的影像扫描值大小将CT和/或MRI影像异常信号点找出,绘制蒙版。之后将蒙版基于CT和/或MRI影像刚体变换到T1-weighted结构影像(基础结构影像)之上。之后基于Cost function的算法,将蒙版覆盖后的样本个体脑T1-weighted结构影像(基础结构影像)与(Montreal Neurological Institute,MNI)标准空间进行配准,获得转换矩阵(Transformation matrix),从而将样本大脑根据转换矩阵映射至标准脑模板(MNI template),重采样分辨率至1×1×1mm3。采用SPM软件自带的Segmentation算法,将大脑分为灰质(grey matter)、白质(white matter)和脑脊液(CSF)。同样利用所得的转换矩阵,也将FLAIR结构影像(待测结构影像)映射至标准脑模板。最后,提取了每个样本大脑在胆碱通路蒙版内的FLAIR信号(待测信号),并计算了异常高信号值的体素数量。如此可以发现,通过本实施例提供的通用智能自动化读片方法找出的FLAIR信号异常的白质体积确实随着人工识别的评分升高而升高。从而说明了通用智能自动化读片方法的可行性。
如图3所示,在300例病人上面,通过通用智能自动化读片方法得出的分数与人工得出的评分高度相关。并且它们之间的误差不到15%。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (8)
1.一种通用智能自动化读片方法,其特征在于,包括如下步骤:
步骤S1,获取样本大脑检测影像的基础结构影像与待测结构影像;
步骤S2,对步骤S1中获取的待测结构影像进行数据处理,找出待测结构影像上的异常信号点,分析并绘制蒙版;
步骤S3,将蒙版基于待测结构影像刚体变换到基础结构影像之上;
步骤S4,将蒙版覆盖后的样本大脑基础结构影像与标准空间进行配准,获得转换矩阵,从而将样本大脑根据转换矩阵映射至标准脑模板;
步骤S5,将样本大脑分为灰质、白质和脑脊液;
步骤S6,在步骤S5的基础上,利用步骤S4中所得的转换矩阵,将待测结构影像映射至标准脑模板;
步骤S7,提取每个样本大脑在神经通路蒙版内的待测信号,并计算异常信号值的体素数量。
2.根据权利要求1所述的通用智能自动化读片方法,其特征在于,所述步骤S2采用基于影像信号强度的自动化算法,针对待测结构影像上的异常信号点进行分析,具体包括如下子步骤:
步骤S21,通过样本大脑待测结构影像的影像扫描值大小将样本大脑与周边背景噪音区分并提取;
步骤S22,将样本大脑的二维分层扫描的待测结构影像合并为三维待测结构影像;
步骤S23,将三维待测结构影像粗略地线性刚体与标准待测结构影像进行比较;
步骤S24,找出标准待测结构影像上面皮层、神经核团、神经通路的位置;
步骤S25,通过标准待测结构影像上步骤S24所给出的特定区域位置的影像扫描值大小,找出三维待测结构影像异常信号点,绘制蒙版。
3.根据权利要求1所述的通用智能自动化读片方法,其特征在于,所述步骤S4基于Costfunction算法,实现将样本大脑根据转换矩阵映射至标准脑模板。
4.根据权利要求1或3所述的通用智能自动化读片方法,其特征在于,所述步骤S4中,重采样分辨率至1×1×1mm3。
5.根据权利要求1所述的通用智能自动化读片方法,其特征在于,所述步骤S5采用SPM软件自带的Segmentation算法完成。
6.根据权利要求1所述的通用智能自动化读片方法,其特征在于,还包括如下步骤:
步骤S8,在一组训练集上比较步骤S7中得到的异常信号值的体素数量与多名神经科医生手动得出的异常信号值的体素数量,并进行拟合。
7.根据权利要求1、3或5所述的通用智能自动化读片方法,其特征在于,所述步骤S4和步骤S6中还包括对映射结果逐一检查的过程,以确保映射结果正确。
8.根据权利要求1或2所述的通用智能自动化读片方法,其特征在于,所述检测影像包括如下任一种或任多种:
CT影像;
MRI影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710062763.2A CN106875384B (zh) | 2017-01-25 | 2017-01-25 | 一种通用智能自动化读片方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710062763.2A CN106875384B (zh) | 2017-01-25 | 2017-01-25 | 一种通用智能自动化读片方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106875384A CN106875384A (zh) | 2017-06-20 |
CN106875384B true CN106875384B (zh) | 2019-06-04 |
Family
ID=59165823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710062763.2A Active CN106875384B (zh) | 2017-01-25 | 2017-01-25 | 一种通用智能自动化读片方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106875384B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681230A (zh) * | 2020-06-10 | 2020-09-18 | 华中科技大学同济医学院附属同济医院 | 脑白质高信号评分系统及其评分方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463840A (zh) * | 2014-09-29 | 2015-03-25 | 北京理工大学 | 基于pet/ct影像的发热待查计算机辅助诊断方法 |
CN105989371A (zh) * | 2015-03-03 | 2016-10-05 | 香港中文大学深圳研究院 | 一种核磁共振影像的灰度标准化方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040218794A1 (en) * | 2003-05-01 | 2004-11-04 | Yi-Hsuan Kao | Method for processing perfusion images |
US8600135B2 (en) * | 2007-06-28 | 2013-12-03 | Mayo Foundation For Medical Education And Research | System and method for automatically generating sample points from a series of medical images and identifying a significant region |
WO2016179585A1 (en) * | 2015-05-07 | 2016-11-10 | The Cleveland Clinic Foundation | Motion corrected imaging system |
-
2017
- 2017-01-25 CN CN201710062763.2A patent/CN106875384B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463840A (zh) * | 2014-09-29 | 2015-03-25 | 北京理工大学 | 基于pet/ct影像的发热待查计算机辅助诊断方法 |
CN105989371A (zh) * | 2015-03-03 | 2016-10-05 | 香港中文大学深圳研究院 | 一种核磁共振影像的灰度标准化方法和装置 |
Non-Patent Citations (3)
Title |
---|
"A reliable spatially normalized template of the human spinal cord — Applications to automated white matter/gray matter segmentation and tensor-based morphometry (TBM) mapping of gray matter alterations occurring with age";ManuelTaso et al.;《NeuroImage》;20150521;第117卷;全文 * |
"Automatic Segmentation of MR Brain Images With a Convolutional Neural Network";Pim Moeskops et al.;《IEEEXplore》;20160303;全文 * |
"基于MRI脑肿瘤分割技术研究进展";万俊 等;《中国医学物理学杂志》;20130731;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106875384A (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104414636B (zh) | 基于磁共振图像的脑微出血计算机辅助检测系统 | |
CN1663530B (zh) | 用于处理图像数据以帮助检测疾病的方法和装置 | |
CN109741346A (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
CN112086197B (zh) | 基于超声医学的乳腺结节检测方法及系统 | |
Ng et al. | Application of infrared to biomedical sciences | |
CN103142229B (zh) | 扩散峭度张量成像的高阶张量特征参数提取方法 | |
KR102166647B1 (ko) | 블록 기반 유연한 ai 모델을 이용한 지능형 의료 진단 및 진료 시스템 | |
CN108151670B (zh) | 一种后背三维对称度评价装置及方法 | |
Tang et al. | CNN-based qualitative detection of bone mineral density via diagnostic CT slices for osteoporosis screening | |
CN106898044A (zh) | 一种基于医学影像并利用vr技术的器官拆分和操作方法及系统 | |
KR20170033771A (ko) | 생체의 화상 검사를 위한 roi의 설정 기술 | |
CN108961259A (zh) | 基于静息态功能磁共振的大脑功能区对侧定位方法 | |
US20110052024A1 (en) | method of analysing stroke images | |
CN114419181A (zh) | Cta图像的重建方法及重建装置、显示方法及显示装置 | |
CN106875384B (zh) | 一种通用智能自动化读片方法 | |
Xu et al. | RUnT: A network combining residual U-Net and transformer for vertebral edge feature fusion constrained spine CT image segmentation | |
CN113349806A (zh) | 一种脊柱侧弯Cobb角测量的方法 | |
KR102186893B1 (ko) | 인공지능 기반 커리큘럼 학습 방법을 이용한 의료 영상 처리 시스템 및 지능형 의료 진단 및 진료 시스템 | |
CN111227834A (zh) | 静息态脑功能连接的自动化快速可视化方法 | |
WO2022006917A1 (zh) | 基于人工智能的磁共振肺部影像识别装置及方法 | |
CN109242816A (zh) | 基于静息态脑功能对侧定位的脑胶质瘤病理级别影像学辅助判定方法 | |
CN108280832A (zh) | 医学图像分析方法、医学图像分析系统以及存储介质 | |
Sun et al. | [Retracted] Application of Artificial Intelligence Nuclear Medicine Automated Images Based on Deep Learning in Tumor Diagnosis | |
CN114494132A (zh) | 基于深度学习和纤维束空间统计分析的疾病分类系统 | |
CN114201459A (zh) | 一种改进的放疗结构标准化命名方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |