CN106887180B - 一种基于医学影像经典病案库的教学系统 - Google Patents
一种基于医学影像经典病案库的教学系统 Download PDFInfo
- Publication number
- CN106887180B CN106887180B CN201710110845.XA CN201710110845A CN106887180B CN 106887180 B CN106887180 B CN 106887180B CN 201710110845 A CN201710110845 A CN 201710110845A CN 106887180 B CN106887180 B CN 106887180B
- Authority
- CN
- China
- Prior art keywords
- organ
- image
- liver
- central platform
- region
- 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
Images
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B23/00—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes
- G09B23/28—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine
-
- G06F19/321—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Computer Graphics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于医学影像经典病案库的教学系统,包括中心平台、和与中心平台连接的多个学习系统;所述的中心平台用于保存已经对器官本身区域进行三维建模与拆分的器官模型、以及对应器官模型病例的手术计划、手术过程以及术前术后的数据;所述的学习系统包括自学模块,所述的自学模块用于获取中心平台的病例及其对应数据、查看器官模型和术前数据并自行设计手术计划、比较自行设计的手术计划与实际手术计划并查看手术过程、查看术前术后的器官模型比较、对手术过程进行质疑与评价。本发明解决规培医生没有临床经验以及方便在岗医生获取类似病例解决方案的问题。
Description
技术领域
本发明涉及一种基于医学影像经典病案库的教学系统。
背景技术
医学影像是指为了医疗或医学研究,对人体或人体某部分,以非侵入方式取得内部组织影像的技术与处理过程。它包含以下两个相对独立的研究方向:医学成像系统(medical imaging system)和医学图像处理(medical image processing)。前者是指图像形成的过程,包括对成像机理、成像设备、成像系统分析等问题的研究;后者是指对已经获得的图像作进一步的处理,其目的是或者是使原来不够清晰的图像复原,或者是为了突出图像中的某些特征信息,或者是对图像做模式分类等等。
现有技术的医学影像的形成方式包括CT(Computed Tomography),即电子计算机断层扫描;MR〔Magnetic Resonance〕,即磁共振;DSA(Digital subtractionangiography),即数字血管造影。上述方式均会先采集多幅图像而后进行处理。在本申请中均称为薄层扫描图像。
专科医师规范化培训,简称“规培”,这是毕业后医学教育的重要组成部分,是在住院医师规范化培训基础上,培养能够独立、规范地从事疾病专科诊疗工作临床医师的可靠途径,主要培训模式是“5+3+X”,即在5年医学类专业本科教育和进行了3年住院医师规范化培训后,再依据各专科培训标准与要求进行2-4年的专科医师规范化培训,成为有良好的医疗保健通识素养,扎实的专业素质能力、基本的专科特长和相应科研教学能力的临床医师。
现有的医学教学系统并不对实际案例进行教学,使得规培医生即使进行了培训也会因为没有临床经验的问题使得教学效果并不明显;同时,对于在岗医生来说,也很难有获得其他医生或者对应病症的临床数据。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于医学影像经典病案库的教学系统,通过对实际病例的学习解决规培医生没有临床经验的问题。
本发明的目的是通过以下技术方案来实现的:一种基于医学影像经典病案库的教学系统,包括中心平台、和与中心平台连接的多个学习系统;所述的中心平台用于保存已经对器官本身区域进行三维建模与拆分的器官模型、以及对应器官模型病例的手术计划、手术过程以及术前术后的数据;所述的学习系统包括自学模块,所述的自学模块用于获取中心平台的病例及其对应数据、查看器官模型和术前数据并自行设计手术计划、比较自行设计的手术计划与实际手术计划并查看手术过程、查看术前术后的器官模型比较、对手术过程进行质疑与评价。
所述的学习系统还包括上课模块,所述的上课模块包括老师终端和学生终端,所述的老师终端用于获取中心平台的病例及其对应数据、对病例中的器官模型的拆分的区域进行包括隐藏和移动在内的操作,所述的学生终端同步老师终端中的所述操作的内容。
所述的中心平台还包括建模拆分模块,用于对医院上传的薄层扫描图像进行建模与器官区域的拆分,并将建模与拆分的器官模型以病例的形式保存至知识库;所述的建模拆分模块包括:
薄层扫描图像获取模块:用于获取待拆分器官的薄层扫描图像;
三维建模模块:用于基于薄层扫描图像,对所述带拆分器官进行三维建模;
器官拆分模块:对三维建模得到的模型进行多区域拆分。
所述的教学系统还包括与中心平台连接的多个医院系统,所述的医院系统包括医生终端,所述的医生终端用于获取待建模与拆分的器官的薄层扫描图像、将待建模与拆分的器官的薄层扫描图像上传至中心平台、接收中心平台发送的建模与拆分完成的器官模型、查询并获取知识库中的器官模型、对接收到的器官模型进行操作。
所述的三维建模模块包括:
器官识别单元:将器官周围的非器官部分进行分离;
器官形态比较与匹配单元:用于与多种该器官的标准模板进行比较,判断器官形态,并匹配该形态的标准模板;
器官三维建模单元:用于对该器官进行三维建模。
当器官形态为坍塌或者萎缩或者不完全,则手动对坍塌或者萎缩或者不完全的器官边界进行划分。
所述的待拆分器官为脑叶,所述的多区域为额叶、颞叶、顶叶、枕叶及小脑;
所述的薄层扫描图像获取模块用于获取脑叶的薄层扫描图像;
所述的三维建模模块包括:
预处理单元:用于对脑叶的薄层扫描图像进行去头皮去骨处理;
头部模型构建单元:用于基于预处理后的薄层扫描图像构建头部模型;所述的构建头部模型采用图像特征算法和定位算法实现;所述的图像特征算法包括对扫描图像的脑部沟壑进行判断,根据灰度的不同得到脑叶的边界;所述的定位算法包括根据对器官的标准模板进行十字交叉定位确认脑叶的边界;
所述的器官拆分模块包括:
器官拆分与空间转换单元:用于针对任意一个图像,将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理,把模板空间的各个脑叶分区图像对应变形到个体脑空间,完成大脑区域分割;
二值化单元:用于将个体空间脑叶图像进行二值化处理,形成脑叶mask矩阵;
转换单元:用于将脑叶mask矩阵进行再转化,转化为系统可识别的区域。
所述的待拆分器官为肝脏,所述的多区域为肝左叶和肝右叶;
所述的薄层扫描图像获取模块用于使用DCMTK读取肝脏的DICOM序列图像;
所述的三维建模模块包括:
预处理单元:采用各向异性扩散滤波算法去掉噪声,强化图像边缘;
图像特征强化单元:采用OTSU算法强化图像特征;
肝脏区域提取单元:采用形态学算法、或者水平集分割算法、或者自适应区域生长算法和BP神经网络算法的结合,提取肝脏区域;
后处理单元:用于对提取的肝脏区域进行腐蚀处理,并采用漫水填充法对图像进行后处理;
肝脏区域确定单元:将后处理单元得到的图像与原始图像相与,得到最终的肝脏区域;
所述的器官拆分模块用于对得到的肝脏区域进行多区域拆分包括:
器官拆分与空间转换单元:用于针对任意一个图像,将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理,把模板空间的各个肝脏分区图像对应变形到个体肝脏空间,完成肝脏区域分割;
二值化单元:用于将个体空间肝脏图像进行二值化处理,形成肝脏mask矩阵;
转换单元:用于将肝脏mask矩阵进行再转化,转化为系统可识别的区域。
所述的中心平台与学习系统之间设置有加密控制装置,所述的加密控制装置用于学习系统发送获取请求时对获取请求进行加密操作;所述的中心平台对经过加密操作的获取请求进行解析,当判断学习系统连接有加密控制装置时才向学习系统发送器官模型。
本发明的有益效果是:
(1)本发明提供了一种基于医学影像经典病案库的教学系统,整个系统基于现有的医学影像,知识库对经过三维建模与拆分的器官模型以及相应资料进行保存,学习系统的自学模块获取病例、进行观察与拆分、设计手术方案、查看对比,解决规培医生没有临床经验以及方便在岗医生获取类似病例解决方案的问题。
(2)本发明学习系统的上课模块解决的是在校学生无法根据实际案例进行学校使得学生观感的问题,并且通过学生终端同步老师终端,使得学生身临其境。
(3)本发明的中心平台将医学图像分割不仅停留在对整个器官与外部非器官部分进行分割,还进一步的对器官的各个区域进行分割以及对病灶/靶区的分割;对病灶(肿瘤)/靶区位置的分析以及手术方式的确定起很大的作用
(4)通过虚拟现实技术对分割的器官进行观察,效果逼真;并且进一步的对于采用虚拟现实设备进行器官模型数据获取的用户需要有得到认证后才能进行数据获取,即构建有加密控制装置。
附图说明
图1为本发明结构方框图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案:
如图1所示,一种基于医学影像经典病案库的教学系统,包括中心平台、和与中心平台连接的多个学习系统;所述的中心平台用于保存已经对器官本身区域进行三维建模与拆分的器官模型、以及对应器官模型病例的手术计划、手术过程以及术前术后的数据;所述的学习系统包括自学模块,所述的自学模块用于获取中心平台的病例及其对应数据、查看器官模型和术前数据并自行设计手术计划、比较自行设计的手术计划与实际手术计划并查看手术过程、查看术前术后的器官模型比较、对手术过程进行质疑与评价。
其中,自学模块是一种主动学习的方式,自学过程解决的是规培医生没有临床经验以及方便在岗医生获取类似病例解决方案的问题。可以是通过PC机或者虚拟现实设备实现的。整个自学包括以下流程:
S11:获取器官模型病例资料;
S12:查看该病例的入院记录,包括入院的基本情况;
S13:查看器官模型,包括对各个拆分的器官区域进行显示/隐藏、移动等;
S14:自行设计手术计划;
S15:自行设计的手术计划与实际手术计划,并查看实际的手术过程,手术过程包括手术视频;
S16:查看术前术后的器官模型的比较;
S17:在对手术过程有质疑的可以提出疑问,或者对手术进行评价。
在本实施例中,所述的学习系统还包括上课模块,所述的上课模块包括老师终端和学生终端,所述的老师终端用于获取中心平台的病例及其对应数据、对病例中的器官模型的拆分的区域进行包括隐藏和移动在内的操作,所述的学生终端同步老师终端中的所述操作的内容。
其中,上课模块是一种被动学习的方式,上课过程解决的是在校学生无法根据实际案例进行学校使得学生观感的问题。也可以是通过PC机或者虚拟现实设备实现的。整个上课模块包括两大部分,第一部分为老师终端,老师终端主要实现的是数据的获取以及对模型的操作;第二部分为学生终端,学生终端主要实现的是与老师终端的同步,使得老师的操作可以让学生方便得到。
在本实施例中,无论是主动学习还是被动学习,都可以连接一个加密控制装置(一体机),该加密控制装置的一端通过接口与学习模块的PC机或者虚拟现实设备连接;另一端通过互联网与中心平台连接。当学习系统发送获取请求时,加密控制装置对获取请求进行加密操作;所述的中心平台对经过加密操作的获取请求进行解析,当判断学习系统连接有加密控制装置时才向学习系统发送器官模型。目的为一个前期的安全考虑,只有连接了加密控制装置的学习系统才能获取中心平台的数据。
在本实施例中,所述的中心平台还包括建模拆分模块,用于对医院上传的薄层扫描图像进行建模与器官区域的拆分,并将建模与拆分的器官模型以病例的形式保存至知识库。即中心平台还完成对器官模型的三维建模与器官本身的区域拆分的工作。所述的薄层扫描图像为CT、MR或DSA中任意一个得到的图像。
具体地,所述的建模拆分模块包括:
薄层扫描图像获取模块:用于获取待拆分器官的薄层扫描图像;
三维建模模块:用于基于薄层扫描图像,对所述带拆分器官进行三维建模;
器官拆分模块:对三维建模得到的模型进行多区域拆分。
其中,由于待拆分器官不一定是通常意义下完整的器官,会与标准模板的器官具有一定差异,因此会有一个预先判断的步骤,具体地:
所述的三维建模模块包括:
器官识别单元:将器官周围的非器官部分进行分离;
器官形态比较与匹配单元:用于与多种该器官的标准模板进行比较,判断器官形态,并匹配该形态的标准模板;
器官三维建模单元:用于对该器官进行三维建模。
当器官形态为坍塌或者萎缩或者不完全,则手动对坍塌或者萎缩或者不完全的器官边界进行划分。
并且进一步地,当器官形态为坍塌或者萎缩或者不完全,则手动对坍塌或者萎缩或者不完全的器官边界进行划分。比如当判断出为颞叶萎缩的脑部,则选择颞叶萎缩的标准模板完成三维建模以及区域划分,对于颞叶的边界则采用手动划分的方式实现。
另外,标准模板的器官为已经划分了区域的模板,便于后期的对照。
在其中一个实施例中,所述的待拆分器官为脑叶,所述的多区域为额叶、颞叶、顶叶、枕叶及小脑;
所述的薄层扫描图像获取模块用于获取脑叶的T1加权成像的薄层扫描图像;
T1加权成像(T1-weighted imaging,T1WI)是指这种成像方法重点突出组织纵向弛豫差别,而尽量减少组织其他特性如横向弛豫等对图像的影响。
所述的三维建模模块包括:
预处理单元:用于对脑叶的薄层扫描图像进行去头皮去骨处理;
头部模型构建单元:用于基于预处理后的薄层扫描图像构建头部模型;所述的构建头部模型采用图像特征算法和定位算法实现;所述的图像特征算法包括对扫描图像的脑部沟壑进行判断,根据灰度的不同得到脑叶的边界;所述的定位算法包括根据对器官的标准模板进行十字交叉定位确认脑叶的边界;
采用两种方式共同对脑叶边界进行划分,得到的效果更好。
所述的器官拆分模块包括:
器官拆分与空间转换单元:用于针对任意一个图像,将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理,把模板空间的各个脑叶分区图像对应变形到个体脑空间,完成大脑区域分割;
二值化单元:用于将个体空间脑叶图像进行二值化处理,形成脑叶mask矩阵;
转换单元:用于将脑叶mask矩阵进行再转化,转化为系统可识别的区域。
在本实施例中,所述的系统可识别的区域为可以通过VR设备或者PC设备识别的区域。其中,对于VR设备,采用Unreal Engine或Unity引擎对模型赋予有物理属性的物体,并添加如拾取、拆分等功能程序模块,实现其可VR内操作的特性。方便后期的操作。
在另外一个实施例中,所述的待拆分器官为肝脏,所述的多区域为肝左叶和肝右叶;
所述的薄层扫描图像获取模块用于使用DCMTK读取肝脏的DICOM序列图像;
由于现在的医学影像设备的图像存储和传输正在逐渐向DICOM标准靠拢,在我们进行医学图像处理的过程中,经常需要自己编写和DICOM格式的图像相关的各种程序模块,以完成自己处理功能。如果从头开始理解DICOM的协议,然后完全自己编写这些代码来实现这些协议,是一件工程浩大的事情。德国offis公司开发的DCMTK,为我们提供了实现DICOM协议的一个平台,使得我们可以在它的基础上轻松的完成自己的主要工作,而不必把太多的精力放在实现DICOM协议的细节问题上。
所述的三维建模模块包括:
预处理单元:采用各向异性扩散滤波算法去掉噪声,强化图像边缘;
图像特征强化单元:采用OTSU算法强化图像特征;
肝脏区域提取单元:采用形态学算法、或者水平集分割算法、或者自适应区域生长算法和BP神经网络算法的结合,提取肝脏区域;
后处理单元:用于对提取的肝脏区域进行腐蚀处理,并采用漫水填充法对图像进行后处理;
肝脏区域确定单元:将后处理单元得到的图像与原始图像相与,得到最终的肝脏区域;
所述的器官拆分模块用于对得到的肝脏区域进行多区域拆分包括:
器官拆分与空间转换单元:用于针对任意一个图像,将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理,把模板空间的各个肝脏分区图像对应变形到个体肝脏空间,完成肝脏区域分割;
二值化单元:用于将个体空间肝脏图像进行二值化处理,形成肝脏mask矩阵;
转换单元:用于将肝脏mask矩阵进行再转化,转化为系统可识别的区域。
在上述任意一个实施例中,当完成了对器官区域的拆分,可以方便后期对病灶(肿瘤)/靶区位置的分析。比如,肝脏的每个区域均分布有血管,肿瘤通常通过血管进行营养物质的获取;而如果采用现有技术的方式,仅仅将器官之间进行划分,会使得肿瘤位置不一定会方便观察。而采用上述实施例的方法,可以在后期进行分析的时候,手动对器官区域进行拆分(VR/电脑的方式实现),方便对病灶(肿瘤)/靶区位置的分析。
因此,进一步地,所述的医生终端还在获取待建模与拆分的器官的薄层扫描图像后,对其中一幅薄层扫描图像的病灶/靶区的外轮廓进行勾画,同时将完成病灶/靶区勾画的待建模与拆分的器官的薄层扫描图像上传至中心平台。所述的中心平台在进行建模时,还单独对病灶/靶区进行建模。
进一步地,在建模与拆分的器官模型以病例的形式保存至知识库中,将病例打上标签进行保存;在所述的查询并获取知识库中的器官模型时,通过对标签的搜索进行查询。
进一步地,所述的教学系统还包括与中心平台连接的多个医院系统,所述的医院系统包括医生终端,所述的医生终端用于获取待建模与拆分的器官的薄层扫描图像、将待建模与拆分的器官的薄层扫描图像上传至中心平台、接收中心平台发送的建模与拆分完成的器官模型、查询并获取知识库中的器官模型、对接收到的器官模型进行操作。
Claims (6)
1.一种基于医学影像经典病案库的教学系统,其特征在于:包括中心平台、和与中心平台连接的多个学习系统;所述的中心平台用于保存已经对器官本身区域进行三维建模与拆分的器官模型、以及对应器官模型病例的手术计划、手术过程以及术前术后的数据;所述的学习系统包括自学模块,所述的自学模块用于获取中心平台的病例及其对应数据、查看器官模型和术前数据并自行设计手术计划、比较自行设计的手术计划与实际手术计划并查看手术过程、查看术前术后的器官模型比较、对手术过程进行质疑与评价;
所述的中心平台还包括建模拆分模块,用于对医院上传的薄层扫描图像进行建模与器官区域的拆分,并将建模与拆分的器官模型以病例的形式保存至知识库;所述的建模拆分模块包括:
薄层扫描图像获取模块:用于获取待拆分器官的薄层扫描图像;
三维建模模块:用于基于薄层扫描图像,对待拆分器官进行三维建模;
器官拆分模块:对三维建模得到的模型进行多区域拆分;
(1)当所述的待拆分器官为脑叶,所述的多区域为额叶、颞叶、顶叶、枕叶及小脑;
所述的薄层扫描图像获取模块用于获取脑叶的薄层扫描图像;
所述的三维建模模块包括:
预处理单元:用于对脑叶的薄层扫描图像进行去头皮去骨处理;
头部模型构建单元:用于基于预处理后的薄层扫描图像构建头部模型;所述的构建头部模型采用图像特征算法和定位算法实现;所述的图像特征算法包括对扫描图像的脑部沟壑进行判断,根据灰度的不同得到脑叶的边界;所述的定位算法包括根据对器官的标准模板进行十字交叉定位确认脑叶的边界;
所述的器官拆分模块包括:
器官拆分与空间转换单元:用于针对任意一个图像,将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理,把模板空间的各个脑叶分区图像对应变形到个体脑空间,完成大脑区域分割;
二值化单元:用于将个体空间脑叶图像进行二值化处理,形成脑叶mask矩阵;
转换单元:用于将脑叶mask矩阵进行再转化,转化为系统可识别的区域;
(2)当所述的待拆分器官为肝脏,所述的多区域为肝左叶和肝右叶;
所述的薄层扫描图像获取模块用于使用DCMTK读取肝脏的DICOM序列图像;
所述的三维建模模块包括:
预处理单元:采用各向异性扩散滤波算法去掉噪声,强化图像边缘;
图像特征强化单元:采用OTSU算法强化图像特征;
肝脏区域提取单元:采用形态学算法、或者水平集分割算法、或者自适应区域生长算法和BP神经网络算法的结合,提取肝脏区域;
后处理单元:用于对提取的肝脏区域进行腐蚀处理,并采用漫水填充法对图像进行后处理;
肝脏区域确定单元:将后处理单元得到的图像与原始图像相与,得到最终的肝脏区域;
所述的器官拆分模块用于对得到的肝脏区域进行多区域拆分包括:
器官拆分与空间转换单元:用于针对任意一个图像,将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理,把模板空间的各个肝脏分区图像对应变形到个体肝脏空间,完成肝脏区域分割;
二值化单元:用于将个体空间肝脏图像进行二值化处理,形成肝脏mask矩阵;
转换单元:用于将肝脏mask矩阵进行再转化,转化为系统可识别的区域。
2.根据权利要求1所述的一种基于医学影像经典病案库的教学系统,其特征在于:所述的学习系统还包括上课模块,所述的上课模块包括老师终端和学生终端,所述的老师终端用于获取中心平台的病例及其对应数据、对病例中的器官模型的拆分的区域进行包括隐藏和移动在内的操作,所述的学生终端同步老师终端中的所述操作的内容。
3.根据权利要求1所述的一种基于医学影像经典病案库的教学系统,其特征在于:所述的教学系统还包括与中心平台连接的多个医院系统,所述的医院系统包括医生终端,所述的医生终端用于获取待建模与拆分的器官的薄层扫描图像、将待建模与拆分的器官的薄层扫描图像上传至中心平台、接收中心平台发送的建模与拆分完成的器官模型、查询并获取知识库中的器官模型、对接收到的器官模型进行操作。
4.根据权利要求1所述的一种基于医学影像经典病案库的教学系统,其特征在于:所述的三维建模模块包括:
器官识别单元:将器官周围的非器官部分进行分离;
器官形态比较与匹配单元:用于与多种该器官的标准模板进行比较,判断器官形态,并匹配该形态的标准模板;
器官三维建模单元:用于对该器官进行三维建模。
5.根据权利要求4所述的一种基于医学影像经典病案库的教学系统,其特征在于:当器官形态为坍塌或者萎缩或者不完全,则手动对坍塌或者萎缩或者不完全的器官边界进行划分。
6.根据权利要求1所述的一种基于医学影像经典病案库的教学系统,其特征在于:所述的中心平台与学习系统之间设置有加密控制装置,所述的加密控制装置用于学习系统发送获取请求时对获取请求进行加密操作;所述的中心平台对经过加密操作的获取请求进行解析,当判断学习系统连接有加密控制装置时才向学习系统发送器官模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710110845.XA CN106887180B (zh) | 2017-02-28 | 2017-02-28 | 一种基于医学影像经典病案库的教学系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710110845.XA CN106887180B (zh) | 2017-02-28 | 2017-02-28 | 一种基于医学影像经典病案库的教学系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106887180A CN106887180A (zh) | 2017-06-23 |
CN106887180B true CN106887180B (zh) | 2020-01-10 |
Family
ID=59180112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710110845.XA Active CN106887180B (zh) | 2017-02-28 | 2017-02-28 | 一种基于医学影像经典病案库的教学系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106887180B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107331272B (zh) * | 2017-08-25 | 2019-07-02 | 福州盛世凌云环保科技有限公司 | 基于仿真技术的医学教学用人体模型使用方法及使用系统 |
CN111798983A (zh) * | 2020-03-27 | 2020-10-20 | 同济大学 | 一种脑功能模型构建及教学系统 |
CN115206146B (zh) * | 2021-04-14 | 2023-09-22 | 北京医智影科技有限公司 | 用于放疗靶区勾画的智能教学方法、系统、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393654A (zh) * | 2008-10-07 | 2009-03-25 | 华南师范大学 | 一种计算机辅助脏器手术仿真系统 |
CN102332217A (zh) * | 2011-10-13 | 2012-01-25 | 纳龙(苏州)信息技术有限公司 | 一种心电图教学系统 |
CN102592310A (zh) * | 2011-12-28 | 2012-07-18 | 中国人民解放军第四军医大学唐都医院 | 一种用于医学影像教学的移动终端影像三维重建方法 |
CN102867436A (zh) * | 2012-10-11 | 2013-01-09 | 宁波江丰生物信息技术有限公司 | 一种共享数字病理切片数据的远程教学方法和系统 |
CN205320195U (zh) * | 2015-11-02 | 2016-06-15 | 成都金盘电子科大多媒体技术有限公司 | 一种基于云服务的影像归档和通信系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9202388B2 (en) * | 2013-03-15 | 2015-12-01 | General Electric Company | Methods and systems for improving patient engagement via medical avatars |
-
2017
- 2017-02-28 CN CN201710110845.XA patent/CN106887180B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393654A (zh) * | 2008-10-07 | 2009-03-25 | 华南师范大学 | 一种计算机辅助脏器手术仿真系统 |
CN102332217A (zh) * | 2011-10-13 | 2012-01-25 | 纳龙(苏州)信息技术有限公司 | 一种心电图教学系统 |
CN102592310A (zh) * | 2011-12-28 | 2012-07-18 | 中国人民解放军第四军医大学唐都医院 | 一种用于医学影像教学的移动终端影像三维重建方法 |
CN102867436A (zh) * | 2012-10-11 | 2013-01-09 | 宁波江丰生物信息技术有限公司 | 一种共享数字病理切片数据的远程教学方法和系统 |
CN205320195U (zh) * | 2015-11-02 | 2016-06-15 | 成都金盘电子科大多媒体技术有限公司 | 一种基于云服务的影像归档和通信系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106887180A (zh) | 2017-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102013806B1 (ko) | 인공데이터 생성 방법 및 장치 | |
CN106887039B (zh) | 一种基于医学影像的器官和病灶的三维成像方法及系统 | |
CN106898044B (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 | |
CN106780728B (zh) | 一种基于医学影像的单个器官拆分方法及系统 | |
CN105011911B (zh) | 一种基于网络的中医健康咨询系统 | |
Beaulieu | From brainbank to database: the informational turn in the study of the brain | |
CN106887180B (zh) | 一种基于医学影像经典病案库的教学系统 | |
CN107368859A (zh) | 病变识别模型的训练方法、验证方法和病变图像识别装置 | |
KR102240485B1 (ko) | 신청자의 심리 상태를 분석하기 위한 영상 이미지 통합 분석 시스템 및 그 분석 방법 | |
CN110175998A (zh) | 基于多尺度深度学习的乳腺癌图像识别方法、装置及介质 | |
CN110648309B (zh) | 基于条件生成对抗网络合成红细胞图像的方法及相关设备 | |
CN112966792B (zh) | 血管图像分类处理方法、装置、设备及存储介质 | |
EP3574837A1 (en) | Medical information virtual reality server system, medical information virtual reality program, medical information virtual reality system, method of creating medical information virtual reality data, and medical information virtual reality data | |
CN106897564B (zh) | 一种基于医学影像的病案图像建模系统 | |
CN111583385A (zh) | 一种可变形数字人解剖学模型的个性化变形方法及系统 | |
Sinha | A symmetry perceiving adaptive neural network and facial image recognition | |
CN117237351B (zh) | 一种超声图像分析方法以及相关装置 | |
CN111260651A (zh) | 一种基于深度迁移学习的胃部低质量mri图像分割方法 | |
CN116747017A (zh) | 脑出血手术规划系统及方法 | |
Villa et al. | Forensic anthropology and archaeology in Denmark | |
Vanezis | Forensic facial reconstruction using 3-D computer graphics: evaluation and improvement of its reliability in identification | |
Subsol et al. | Automatic 3D facial reconstruction by feature-based registration of a reference head | |
CN111768494B (zh) | 一种用于关节脱位的手法复位训练方法 | |
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 | |
Ghosh et al. | An unusual case of cranial image recognition |
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 |