CN106897573A - 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统 - Google Patents
使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统 Download PDFInfo
- Publication number
- CN106897573A CN106897573A CN201710163688.9A CN201710163688A CN106897573A CN 106897573 A CN106897573 A CN 106897573A CN 201710163688 A CN201710163688 A CN 201710163688A CN 106897573 A CN106897573 A CN 106897573A
- Authority
- CN
- China
- Prior art keywords
- image
- convolutional neural
- neural networks
- medical image
- neutral net
- 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.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 130
- 238000004195 computer-aided diagnosis Methods 0.000 title description 11
- 238000000034 method Methods 0.000 claims abstract description 115
- 230000007935 neutral effect Effects 0.000 claims description 48
- 201000010099 disease Diseases 0.000 claims description 47
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 47
- 238000003745 diagnosis Methods 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 31
- 230000011218 segmentation Effects 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 26
- 238000003709 image segmentation Methods 0.000 claims description 19
- 238000012805 post-processing Methods 0.000 claims description 19
- 210000000056 organ Anatomy 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 238000002591 computed tomography Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000001727 in vivo Methods 0.000 claims description 10
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 8
- 238000002604 ultrasonography Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 5
- 206010028980 Neoplasm Diseases 0.000 claims 1
- 238000002955 isolation Methods 0.000 claims 1
- 238000010408 sweeping Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 19
- 238000012549 training Methods 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 16
- 238000012216 screening Methods 0.000 description 11
- 208000020816 lung neoplasm Diseases 0.000 description 9
- 210000001519 tissue Anatomy 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013500 data storage Methods 0.000 description 6
- 238000002059 diagnostic imaging Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004883 computer application Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000001000 micrograph Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000010979 ruby Substances 0.000 description 2
- 229910001750 ruby Inorganic materials 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002052 colonoscopy Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/56—Details of data transmission or power supply, e.g. use of slip rings
- A61B6/563—Details of data transmission or power supply, e.g. use of slip rings involving image data transmission via a network
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/56—Details of data transmission or power supply
- A61B8/565—Details of data transmission or power supply involving data transmission via a network
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4887—Locating particular structures in or on the body
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
- A61B5/748—Selection of a region of interest, e.g. using a graphics tablet
- A61B5/7485—Automatic selection of region of interest
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and 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
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Epidemiology (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
- Nuclear Medicine (AREA)
- Gynecology & Obstetrics (AREA)
- Reproductive Health (AREA)
- Vascular Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
Abstract
描述了用于对医学图像应用深度卷积神经网络以生成实时或近实时诊断的系统、介质和方法。
Description
背景技术
疾病诊断是健康检查中的重要步骤。医学成像是用于诊断很多疾病和提供非侵入性诊断的有用工具,非侵入性诊断比其他工具拥有更大优势。然而,医学成像生成大量数据,并且分析医学图像需要较长的过程。在疾病诊断的早期阶段,即使在高分辨率成像模式下,异常组织也可能并不突出。由此,解决问题的新技术是必要的。
发明内容
用于医学图像的计算机辅助诊断(CAD)系统目的是帮助医生通过减少检查时间,增加诊断准确度,并且减少由于经验和个人条件造成的诊断变化而更加有效地诊断疾病。使用先进的计算机技术,CAD系统为医生突出潜在医疗状况的区域,以便详细检查并且做出最后的诊断决策。本公开内容提供了一种具有高灵敏度和选择性的成功的CAD系统,使得在不包括很多错误分类的区域的情况下,检测到所有可能的异常。
CAD系统可以依赖于手工制作的特征来描述不健康的组织。此类特征的一些示例包括强度、边缘、2D/3D曲率、形状和其他2D/3D几何特性。设计此类特征可能涉及对具体问题的许多领域知识,虽然其大部分仍然是非常启发式的。一旦考虑到某个特征,就难以适应新的数据和情况。因此,系统经常经受低的检测率和高的假阳性,并且无法满足临床使用的需要。另外,传统的CAD系统的另一问题是慢的处理速度。很多传统的CAD系统花费很长时间用于数据处理。然而,一些应用和医学处理(例如,计算机引导的外科手术)需要获得实时或近实时结果。
本公开内容通过实时自动图像分析而解决了这些困难。为了创建较快的处理,本文公开的技术将感兴趣的区域分割,并且将以下处理应用于该区域而不是整个图像域。另外,在各2D切片而不是3D体空间(3D volumetric space)上执行初始筛选,以节约计算资源。接下来,对初始筛选结果应用精细检测步骤。分割和级联的处理允许快速处理,并且获得了实时或近实时结果。另一方面,为了获得高准确度,所公开的技术使用具有随机优化的卷积神经网络。所公开的技术包括基于深度学习的解决方案,诸如深度(多层)卷积神经网络(DCNN),以通过扫描大量的专家标注的医学图像来自动学习关于疾病的关键特征及其特性。自动学习的特征比手动选择的特征更加具有判别力,并且可以更加容易地适应新的数据/情况。
在一个方面,本文公开了一种计算机实现的系统,包括数字处理设备,该数字处理设备包括:至少一个处理器,配置用于执行可执行指令的操作系统,存储器和包括指令的计算机程序,所述指令由所述数字处理设备可执行以创建应用,所述应用对医学图像应用深度卷积神经网络以生成实时或近实时诊断或诊断建议,所述应用包括:a)执行多个医学图像的图像分割的软件模块,所述图像分割包括从每个图像中隔离感兴趣的区域;b)对分割的图像应用级联深度卷积神经网络检测结构的软件模块,所述检测结构包括:(1)采用第一卷积神经网络的第一级,其用于通过滑动窗口方法来筛选分割的医学图像的每个2D切片中的所有可能位置,以标识一个或多个候选位置;以及(2)采用第二卷积神经网络的第二级,其用于通过利用随机尺度(random scale)和随机视角在每个体内选择至少一个随机位置来筛选由所述候选位置构造的3D体,以标识一个或多个精细位置,并且对所述精细位置进行分类;以及c)自动生成包括诊断或诊断建议的报告的软件模块。在一些实施方式中,所述医学图像来自于CT扫描、PET/CT扫描、SPECT扫描、MRI、超声、X射线、乳房X线照片、血管造影片、荧光照片、显微照片或者其组合。在一些实施方式中,所述应用还包括执行图像预处理的软件模块,所述图像预处理包括所述多个医学图像的归一化。在一些实施方式中,所述归一化包括图像格式、图像切片间距、图像强度、图像对比度和图像取向的归一化。在一些实施方式中,所述图像被归一化为DICOM格式、NIfTI格式或者原始二进制格式。在一些实施方式中,所述感兴趣的区域是器官、器官的一部分或者组织。在一些实施方式中,所述候选位置包括所述分割的医学图像的2D切片中的少于10%的位置。在一些实施方式中,所述第一卷积神经网络具有2-20个卷积层和1-10个完全连接层。在一些实施方式中,所述第一卷积神经网络具有3-8个卷积层和3-5个完全连接层。在一些实施方式中,所述滑动窗口是小于100像素×小于100像素的窗口。在一些实施方式中,所述滑动窗口是10-40像素×10-40像素的窗口。在一些实施方式中,所述滑动窗口是约31像素×约31像素的窗口。在一些实施方式中,所述滑动窗口是约16像素×约16像素的窗口。在一些实施方式中,所述第一卷积神经网络包括从多个神经网络实例中随机选择的至少一个神经网络实例。在一些实施方式中,所述第二卷积神经网络具有五个或更多个卷积和完全连接层。在一些实施方式中,所述3D体在每个方向少于100个像素。在进一步的实施方式中,所述3D体在每个方向10-40个像素。在又一些实施方式中,所述3D体在每个方向约32个像素。在一些实施方式中,所述3D体在每个方向约16个像素。在一些实施方式中,所述第二卷积神经网络在每个体内选择多个随机位置。在一些实施方式中,所述第二卷积神经网络在每个位置处选择多个随机尺度。在一些实施方式中,所述第二卷积神经网络针对每个位置选择多个随机视角。在一些实施方式中,所述第二卷积神经网络包括从多个神经网络实例中随机选择的至少一个神经网络实例。在一些实施方式中,所述应用还包括执行所述精细位置的后处理的软件模块。在另一些实施方式中,所述后处理包括表征以下中的一个或多个:质心位置(centroid location)、体积(volume)、形状、强度、密度、透明度和规则性。在又一些实施方式中,所述后处理包括确定两个或更多个精细位置是否是相同疾病部位的部分。在一些实施方式中,其中所述应用实时地或近实时地运行,并且生成实时或近实时诊断或诊断建议。在一些实施方式中,所述诊断或诊断建议包括确定任何位置是否是疾病部位。在一些实施方式中,所述报告包括所述医学图像中的一个或多个上的信息叠加。在进一步的实施方式中,所述叠加包括点位置指示符、区域指示符或轮廓指示符。在一些实施方式中,所述报告包括被颜色编码以指示疾病类型的一个或多个医学图像。在一些实施方式中,所述报告包括被热映射以指示诊断置信水平一个或多个医学图像。在一些实施方式中,所述报告包括通过对在两个或更多个时间点捕获的医学图像施加所述应用而生成的时间进程。在一些实施方式中,所述第一卷积神经网络和所述第二卷积神经网络被训练成标识疾病的关键临床征象。在进一步的实施方式中,所述第一卷积神经网络和所述第二卷积神经网络是使用由人类专家标注并且经过预处理以归一化图像格式、图像切片间距、图像间距、图像对比度和图像取向的医学图像来训练的。在一些实施方式中,所述第一卷积神经网络和所述第二卷积神经网络是使用针对正常和疾病位置进行均衡的医学图像来训练的。
在另一方面,本文公开了编码有计算机程序的非暂时性计算机可读存储介质,所述计算机程序包括用于创建应用的处理器可执行的指令,所述应用对医学图像应用深度卷积神经网络以生成实时或近实时诊断或诊断建议,所述应用包括:(a)执行多个医学图像的图像分割的软件模块,所述图像分割包括从每个图像隔离感兴趣的区域;(b)对分割的图像应用级联深度卷积神经网络检测结构的软件模块,所述检测结构包括:(1)采用第一卷积神经网络的第一级,其用于通过滑动窗口方法来筛选分割的医学图像的每个2D切片中的所有可能位置,以标识一个或多个候选位置;以及(2)采用第二卷积神经网络的第二级,其用于通过利用随机尺度和随机视角在每个体内选择至少一个随机位置来筛选由所述候选位置构造的3D体,以标识一个或多个精细位置,并且对所述精细位置进行分类;以及(c)自动生成包括诊断或诊断建议的报告的软件模块。在一些实施方式中,所述医学图像来自于CT扫描、PET/CT扫描、SPECT扫描、MRI、超声、X射线、乳房X线照片、血管造影片、荧光照片、显微照片或者其组合。在一些实施方式中,所述应用还包括执行图像预处理的软件模块,所述图像预处理包括所述多个医学图像的归一化。在一些实施方式中,所述归一化包括图像格式、图像切片间距、图像强度、图像对比度和图像取向的归一化。在一些实施方式中,所述图像被归一化为DICOM格式、NIfTI格式或者原始二进制格式。在一些实施方式中,所述感兴趣的区域是器官、器官的一部分或者组织。在一些实施方式中,所述候选位置包括所述分割的医学图像的2D切片中的少于10%的位置。在一些实施方式中,所述第一卷积神经网络具有2-20个卷积层和1-10个完全连接层。在一些实施方式中,所述第一卷积神经网络具有3-8个卷积层和3-5个完全连接层。在一些实施方式中,所述滑动窗口是小于100像素×小于100像素的窗口。在一些实施方式中,所述滑动窗口是10-40像素×10-40像素的窗口。在进一步的实施方式中,所述滑动窗口是约31像素×约31像素的窗口。在进一步的实施方式中,所述滑动窗口是约16像素×约16像素的窗口。在一些实施方式中,所述第一卷积神经网络包括从多个神经网络实例中随机选择的至少一个神经网络实例。在一些实施方式中,所述第二卷积神经网络具有五个或更多个卷积和完全连接层。在一些实施方式中,所述3D体是在每个方向少于100个立体像素(voxel)。在一些实施方式中,所述3D体是在每个方向10-40个立体像素。在一些实施方式中,所述3D体是在每个方向约32个立体像素。在一些实施方式中,所述3D体是在每个方向约16个立体像素。在一些实施方式中,所述第二卷积神经网络在每个体内选择多个随机位置。在一些实施方式中,所述第二卷积神经网络在每个位置处选择多个随机尺度。在一些实施方式中,所述第二卷积神经网络针对每个位置选择多个随机视角。在一些实施方式中,所述第二卷积神经网络包括从多个神经网络实例中随机选择的至少一个神经网络实例。在一些实施方式中,所述应用还包括执行所述精细位置的后处理的软件模块。在一些实施方式中,所述后处理包括表征以下中的一个或多个:质心位置、体积、形状、强度、密度、透明度和规则性。在一些实施方式中,所述后处理包括确定两个或更多个精细位置是否是相同疾病部位的部分。在一些实施方式中,所述应用实时地或近实时地运行,并且生成实时或近实时诊断或诊断建议。在一些实施方式中,所述诊断或诊断建议包括确定任何位置是否是疾病部位。在一些实施方式中,所述报告包括所述医学图像中的一个或多个上的信息叠加。在一些实施方式中,所述叠加包括点位置指示符、区域指示符或轮廓指示符。在一些实施方式中,所述报告包括被颜色编码以指示疾病类型的一个或多个医学图像。在一些实施方式中,所述报告包括被热映射以指示诊断置信水平一个或多个医学图像。在一些实施方式中,所述报告包括通过对在两个或更多个时间点捕获的医学图像施加所述应用而生成的时间进程。在一些实施方式中,所述第一卷积神经网络和所述第二卷积神经网络被训练成标识疾病的关键临床征象。在进一步的实施方式中,所述第一卷积神经网络和所述第二卷积神经网络是使用由人类专家标注并且经过预处理以归一化图像格式、图像切片间距、图像间距、图像对比度和图像取向的医学图像来训练的。在一些实施方式中,所述第一卷积神经网络和所述第二卷积神经网络是使用针对正常和疾病位置进行均衡的医学图像来训练的。
在又一方面,公开了一种计算机实现的方法,所述方法对医学图像应用深度卷积神经网络以生成实时或近实时诊断或诊断建议,所述方法包括:a)由计算机执行多个医学图像的图像分割,所述图像分割包括从每个图像隔离感兴趣的区域;b)由所述计算机对分割的图像应用级联深度卷积神经网络检测结构,所述检测结构包括:(1)采用第一卷积神经网络的第一级,其用于通过滑动窗口方法来筛选分割的医学图像的每个2D切片中的所有可能位置,以标识一个或多个候选位置;以及(2)采用第二卷积神经网络的第二级,其用于通过利用随机尺度和随机视角在每个体内选择至少一个随机位置来筛选由所述候选位置构造的3D体,以标识一个或多个精细位置,并且对所述精细位置进行分类;以及(c)由所述计算机自动生成包括诊断或诊断建议的报告。在一些实施方式中,所述医学图像来自于CT扫描、PET/CT扫描、SPECT扫描、MRI、超声、X射线、乳房X线照片、血管造影片、荧光照片、显微照片或者其组合。在一些实施方式中,所述方法还包括由所述计算机执行图像预处理,所述图像预处理包括所述多个医学图像的归一化。在一些实施方式中,所述归一化包括图像格式、图像切片间距、图像强度、图像对比度和图像取向的归一化。在一些实施方式中,所述图像被归一化为DICOM格式、NIfTI格式或者原始二进制格式。在一些实施方式中,所述感兴趣的区域是器官、器官的一部分或者组织。在一些实施方式中,所述候选位置包括所述分割的医学图像的2D切片中的少于10%的位置。在一些实施方式中,所述第一卷积神经网络具有2-20个卷积层和1-10个完全连接层。在一些实施方式中,所述第一卷积神经网络具有3-8个卷积层和3-5个完全连接层。在一些实施方式中,所述滑动窗口是小于100像素×小于100像素的窗口。在进一步的实施方式中,所述滑动窗口是10-40像素×10-40像素的窗口。在一些实施方式中,所述滑动窗口是约31像素×约31像素的窗口。在一些实施方式中,所述滑动窗口是约16像素×约16像素的窗口。在一些实施方式中,所述第一卷积神经网络包括从多个神经网络实例中随机选择的至少一个神经网络实例。在一些实施方式中,所述第二卷积神经网络具有五个或更多个卷积和完全连接层。在一些实施方式中,所述3D体是在每个方向少于100个立体像素。在一些实施方式中,所述3D体是在每个方向10-40个立体像素。在一些实施方式中,所述3D体是在每个方向约32个立体像素。在一些实施方式中,所述3D体是在每个方向约16个立体像素。在一些实施方式中,所述第二卷积神经网络在每个体内选择多个随机位置。在一些实施方式中,所述第二卷积神经网络在每个位置处选择多个随机尺度。在一些实施方式中,所述第二卷积神经网络针对每个位置选择多个随机视角。在一些实施方式中,所述第二卷积神经网络包括从多个神经网络实例中随机选择的至少一个神经网络实例。在一些实施方式中,所述方法还包括由所述计算机执行所述精细位置的后处理。在一些实施方式中,所述后处理包括表征以下中的一个或多个:质心位置、体积、形状、强度、密度、透明度和规则性。在一些实施方式中,所述后处理包括确定两个或更多个精细位置是否是相同疾病部位的部分。在一些实施方式中,所述方法实时地或近实时地执行,并且生成实时或近实时诊断或诊断建议。在一些实施方式中,所述诊断或诊断建议包括确定任何位置是否是疾病部位。在一些实施方式中,所述报告包括所述医学图像中的一个或多个上的信息叠加。在一些实施方式中,所述叠加包括点位置指示符、区域指示符或轮廓指示符。在一些实施方式中,所述报告包括被颜色编码以指示疾病类型的一个或多个医学图像。在一些实施方式中,所述报告包括被热映射以指示诊断置信水平一个或多个医学图像。在一些实施方式中,所述报告包括通过对在两个或更多个时间点捕获的医学图像施加所述应用而生成的时间进程。在一些实施方式中,所述方法还包括训练所述第一卷积神经网络和所述第二卷积神经网络以标识疾病的关键临床征象。在一些实施方式中,使用由人类专家标注并且经过预处理以归一化图像格式、图像切片间距、图像间距、图像对比度和图像取向的医学图像来训练所述第一卷积神经网络和所述第二卷积神经网络。在一些实施方式中,使用针对正常和疾病位置进行均衡的医学图像来训练所述第一卷积神经网络和所述第二卷积神经网络。
附图说明
图1示出了处理流程图的一个非限制性示例;在这种情况下,图示出了用于将深度卷积神经网络应用于医学图像以生成实时或近实时诊断的整体处理。
图2示出了处理流程图的一个非限制性示例;在这种情况下,图示出了用于将深度卷积神经网络应用于医学图像以生成实时或近实时诊断的初始筛选处理。
图3示出了处理流程图的一个非限制性示例;在这种情况下,图示出了用于将深度卷积神经网络应用于医学图像以生成实时或近实时诊断的精细筛选处理。
图4示出了本文描述的报告的一个非限制性示例;在这种情况下,报告包括肺结节分析。
图5示出了本文描述的报告的一个非限制性示例;在这种情况下,报告包括检测到的肺结节的图像。
图6示出了数据图表的一个非限制性示例;在这种情况下,图表示出了本文所描述的技术相比较于现有技术的性能。
图7示出了数字处理设备的一个非限制性示例;在这种情况下,设备具有一个或多个CPU、存储器、通信接口和显示器。
具体实施方式
现有的CAD系统依赖于手工制作的特征来描述不健康的组织。然而,手工工作涉及对具体问题的大量领域知识,虽然其大部分仍然是非常启发式的。一旦考虑了某个特征,就难以适应新的数据和情况。因此,系统经常遭受低检测率和高的假阳性,并且无法满足临床使用的需要。本文公开的技术采用人工智能算法来自动地分析医学图像以标识疾病特征。所标识的特征基本被用于具有高准确度的疾病诊断。
另一方面,现有的CAD系统面临较慢的处理时间。医学成像生成大量图像数据,其处理和分析通常需要很长的时间。在一些应用中,处理太过复杂以致于无法实时执行。本文公开的技术包括实时自动图像分析。为了创建较快的处理,本文公开的技术开始于分隔感兴趣的区域,并且将以下处理应用于该区域而不是整个图像域。另外,对个体2D切片而不是3D体空间执行初始筛选,以节约计算资源。接下来,对初始筛选结果应用精细检测步骤。分割和级联的处理允许快速处理,并且获得了实时或近实时结果。另一方面,为了获得高准确度,所公开的技术使用具有随机优化的卷积神经网络。所公开的技术包括基于深度学习的解决方案,诸如深度(多层)卷积神经网络(DCNN),以通过扫描大量的专家标注的医学图像来自动学习关于疾病的关键特征及其特性。自动学习的特征比手动选择的特征更加具有判别力,并且可以更加容易地适应新的数据/情况。
本文所描述的在特定实施方式中是一种计算机实现的系统,包括:数字处理设备,其包括:至少一个处理器,配置用于执行可执行指令的操作系统,存储器以及计算机程序,所述计算机程序包括用于创建应用的、由数字处理设备可执行的指令,所述应用对医学图像应用深度卷积神经网络以生成实时或近实时诊断或诊断建议,所述应用包括:(a)执行多个医学图像的图像分割的软件模块,图像分割包括从每个图像隔离感兴趣的区域;(b)对分割的图像应用级联深度卷积神经网络检测结构的软件模块,检测结构包括:(1)采用第一卷积神经网络的第一级,其用于通过滑动窗口方法来筛选分割的医学图像的每个2D切片中所有可能的位置,以标识一个或多个候选位置;以及(2)采用第二卷积神经网络的第二级,其用于通过利用随机尺度和随机视角来选择每个体内的至少一个随机位置来筛选由候选位置构造的3D体,以标识一个或多个精细位置,并且对精细位置进行分类;以及(c)自动生成包括诊断或者诊断建议的报告的软件模块。在一些实施方式中,医学图像来自CT扫描、PET/CT扫描、SPECT扫描、MRI、超声、X射线、乳房X线照片、血管造影片、荧光照片、显微照片或者其组合。在一些实施方式中,应用还包括执行图像预处理的软件模块,图像预处理包括多个医学图像的归一化。在一些实施方式中,归一化包括图像格式、图像切片间距、图像强度、图像对比度和图像取向的归一化。在一些实施方式中,图像被归一化为DICOM格式、NIfTI格式或者原始二进制格式。在一些实施方式中,感兴趣的区域是器官、器官的一部分或者组织。在一些实施方式中,候选位置包括分割的医学图像的2D切片中的少于10%的位置。在一些实施方式中,第一卷积神经网络具有2-20个卷积层和1-10个完全连接层。在一些实施方式中,第一卷积神经网络具有3-8个卷积层和3-5个完全连接层。在一些实施方式中,滑动窗口是小于100像素×小于100像素的窗口。在一些实施方式中,滑动窗口是10-40像素×10-40像素的窗口。在一些实施方式中,滑动窗口是约31像素×约31像素的窗口。在一些实施方式中,滑动窗口是约16像素×约16像素的窗口。在一些实施方式中,第一卷积神经网络包括从多个神经网络实例中随机选择的至少一个神经网络实例。在一些实施方式中,第二卷积神经网络具有五个或更多个卷积和完全连接层。在一些实施方式中,3D体是在每个方向小于100个立体像素。在另一些实施方式中,3D体是在每个方向10-40个立体像素。在又一些实施方式中,3D体是在每个方向约30个立体像素。在一些实施方式中,3D体是在每个方向约16个立体像素。在一些实施方式中,第二卷积神经网络选择每个体内的多个随机位置。在一些实施方式中,第二卷积神经网络在每个位置处选择多个随机尺度。在一些实施方式中,第二卷积神经网络针对每个位置选择多个随机视角。在一些实施方式中,第二卷积神经网络包括从多个神经网络实例中随机选择的至少一个神经网络实例。在一些实施方式中,应用还包括执行对精细位置的后处理的软件模块。在另一些实施方式中,后处理包括表征以下中的一个或多个:质心位置、体积、形状、强度、密度、透明度和规则性。在又一些实施方式中,后处理包括确定两个或更多个精细位置是否是相同疾病部位的部分。在一些实施方式中,其中应用实时地或近实时地运行,并且生成实时或近实时诊断或诊断建议。在一些实施方式中,诊断或者诊断建议包括确定任何位置是否是疾病部位。在一些实施方式中,报告包括医学图像中的一个或多个上的信息叠加。在另一些实施方式中,叠加包括点位置指示符、区域指示符或者轮廓指示符。在一些实施方式中,报告包括被颜色编码以指示疾病类型的一个或多个医学图像。在一些实施方式中,报告包括被映射以指示诊断置信水平的一个或多个医学图像。在一些实施方式中,报告包括通过对在两个或更多个时间点捕获的医学图像施加应用而生成的时间进程。在一些实施方式中,第一卷积神经网络和第二卷积神经网络被训练成标识疾病的关键临床征象。在另一些实施方式中,第一卷积神经网络和第二卷积神经网络是使用由人类专家标注并且经过预处理以归一化图像格式、图像切片间距、图像强度、图像对比度和图像取向的医学图像来训练的。在一些实施方式中,第一卷积神经网络和第二卷积神经网络是使用针对正常和疾病位置而进行均衡的医学图像来训练的。
在某些实施方式中,本文还描述了一种编码有计算机程序的非暂时性计算机可读存储介质,计算机程序包括用以创建应用的处理器可执行的指令,该应用对医学图像应用深度卷积神经网络以生成实时或近实时诊断或诊断建议,该应用包括:(a)执行多个医学图像的图像分割的软件模块,图像分割包括从每个图像隔离感兴趣的区域;(b)对分割的图像应用级联深度卷积神经网络检测结构的软件模块,该检测结构包括:(1)采用第一卷积神经网络的第一级,其用于通过滑动窗口方法来筛选分割的医学图像的每个2D切片中的所有可能位置,以标识一个或多个候选位置;以及(2)采用第二卷积神经网络的第二级,其用于通过利用随机尺度和随机视角来选择每个体内的至少一个随机位置而筛选由候选位置构造的3D体,以标识一个或多个精细位置,并且对精细位置进行分类;以及(c)自动生成包括诊断或者诊断建议的报告的软件模块。在一些实施方式中,医学图像来自CT扫描、PET/CT扫描、SPECT扫描、MRI、超声、X射线、乳房X线照片、血管造影片、荧光照片、显微照片或者其组合。在一些实施方式中,应用还包括执行图像预处理的软件模块,图像预处理包括多个医学图像的归一化。在一些实施方式中,归一化包括图像格式、图像切片间距、图像强度、图像对比度和图像取向的归一化。在一些实施方式中,图像被归一化为DICOM格式、NIfTI格式或者原始二进制格式。在一些实施方式中,感兴趣的区域是器官、器官的一部分或者组织。在一些实施方式中,候选位置包括分割的医学图像的2D切片中的少于10%的位置。在一些实施方式中,第一卷积神经网络具有2-20个卷积层和1-10个完全连接层。在一些实施方式中,第一卷积神经网络具有3-8个卷积层和3-5个完全连接层。在一些实施方式中,滑动窗口是少于100像素×小于100像素的窗口。在一些实施方式中,滑动窗口是10-40像素×10-40像素的窗口。在另一些实施方式中,滑动窗口是约31像素×约31像素的窗口。在另一些实施方式中,滑动窗口是约16像素×约16像素的窗口。在一些实施方式中,第一卷积神经网络包括从多个神经网络实例中随机选择的至少一个神经网络实例。在一些实施方式中,第二卷积神经网络具有五个或更多个卷积和完全连接层。在一些实施方式中,3D体是每个方向小于100个立体像素。在一些实施方式中,3D体是每个方向10-40个立体像素。在一些实施方式中,3D体是每个方向约32个立体像素。在一些实施方式中,3D体是每个方向约16个立体像素。在一些实施方式中,第二卷积神经网络选择每个体内的多个随机位置。在一些实施方式中,第二卷积神经网络在每个位置处选择多个随机尺度。在一些实施方式中,第二卷积神经网络针对每个位置选择多个随机视角。在一些实施方式中,第二卷积神经网络包括从多个神经网络实例中随机选择的至少一个神经网络实例。在一些实施方式中,应用还包括执行精细位置的后处理的软件模块。在一些实施方式中,后处理包括表征以下中的一个或多个:质心位置、体积、形状、强度、密度、透明度和规则性。在一些实施方式中,后处理包括确定两个或更多个精细位置是否是相同疾病部位的部分。在一些实施方式中,应用实时地或近实时地运行,并且生成实时或近实时诊断或诊断建议。在一些实施方式中,诊断或诊断建议包括确定任何位置是否是疾病部位。在一些实施方式中,报告包括医学图像中的一个或多个上的信息叠加。在一些实施方式中,叠加包括点位置指示符、区域指示符或者轮廓指示符。在一些实施方式中,报告包括被颜色编码以指示疾病类型的一个或多个医学图像。在一些实施方式中,报告包括被热映射以指示诊断置信水平的一个或多个医学图像。在一些实施方式中,报告包括通过对在两个或更多个时间点捕获的医学图像施加应用而生成的时间进程。在一些实施方式中,第一卷积神经网络和第二卷积神经网络被训练成标识疾病的关键临床征象。在一些实施方式中,第一卷积神经网络和第二卷积神经网络是使用由人类专家标注并且经过预处理以归一化图像格式、图像切片间距、图像强度、图像对比度和图像取向的医学图像来训练的。在一些实施方式中,第一卷积神经网络和第二卷积神经网络是使用针对正常和疾病位置而进行平衡的医学图像来训练的。
在某些实施方式中,本文还描述了一种对医学图像应用深度卷积神经网络以生成实时或近实时诊断或诊断建议的计算机实现的方法,包括:(a)由计算机执行多个医学图像的图像分割,图像分割包括从每个图像隔离感兴趣的区域;(b)由计算机对分割的图像应用级联深度卷积神经网络检测结构,该检测结构包括:(1)采用第一卷积神经网络的第一级,其用于通过滑动窗口方法来筛选分割的医学图像的每个2D切片中的所有可能位置,以标识一个或多个候选位置;以及(2)采用第二卷积神经网络的第二级,其用于通过利用随机尺度和随机视角来选择每个体内的至少一个随机位置来筛选由候选位置构造的3D体,以标识一个或多个精细位置,并且对精细位置进行分类;以及(c)由计算机自动生成包括诊断或诊断建议的报告。在一些实施方式中,医学图像来自CT扫描、PET/CT扫描、SPECT扫描、MRI、超声、X射线、乳房X线照片、血管造影片、荧光照片、显微照片或者其组合。在一些实施方式中,方法还包括由计算机执行图像预处理,图像预处理包括多个医学图像的归一化。在一些实施方式中,归一化包括图像格式、图像切片间距、图像强度、图像对比度和图像取向的归一化。在一些实施方式中,图像被归一化为DICOM格式、NIfTI格式或者原始二进制格式。在一些实施方式中,感兴趣的区域是器官、器官的一部分或者组织。在一些实施方式中,候选位置包括分割的医学图像的2D切片中少于10%的位置。在一些实施方式中,第一卷积神经网络具有2-20个卷积层和1-10个完全连接层。在一些实施方式中,第一卷积神经网络具有3-8个卷积层和3-5个完全连接层。在一些实施方式中,滑动窗口是小于100像素×小于100像素的窗口。在另一些实施方式中,滑动窗口是10-40像素×10-40像素的窗口。在一些实施方式中,滑动窗口是约31像素×约31像素的窗口。在一些实施方式中,滑动窗口是约16像素×约16像素的窗口。在一些实施方式中,第一卷积神经网络包括从多个神经网络实例中随机选择的至少一个神经网络实例。在一些实施方式中,第二卷积神经网络具有五个或更多个卷积和完全连接层。在一些实施方式中,3D体是每个方向少于100个立体像素。在一些实施方式中,3D体是每个方向10-40个立体像素。在一些实施方式中,3D体是每个方向约32个立体像素。在一些实施方式中,3D体是每个方向约16个立体像素。在一些实施方式中,第二卷积神经网络选择每个体内的多个随机位置。在一些实施方式中,第二卷积神经网络在每个位置处选择多个随机尺度。在一些实施方式中,第二卷积神经网络针对每个位置选择多个随机视角。在一些实施方式中,第二卷积神经网络包括从多个神经网络实例随机选择的至少一个神经网络实例。在一些实施方式中,方法还包括由计算机执行精细位置的后处理。在一些实施方式中,后处理包括表征以下中的一个或多个:质心位置、体积、形状、强度、密度、透明度和规则性。在一些实施方式中,后处理包括确定两个或更多个精细位置是否是相同疾病部位的部分。在一些实施方式中,方法实时地或近实时地执行,并且生成实时或近实时诊断或诊断建议。在一些实施方式中,诊断或诊断建议包括确定任何位置是否是疾病部位。在一些实施方式中,报告包括医学图像中的一个或多个上的信息叠加。在一些实施方式中,叠加包括点位置指示符、区域指示符或者轮廓指示符。在一些实施方式中,报告包括被颜色编码以指示疾病类型的一个或多个医学图像。在一些实施方式中,报告包括被热映射以指示诊断置信水平的一个或多个医学图像。在一些实施方式中,报告包括通过对在两个或更多个时间点捕获的医学图像施加应用而生成的时间进程。在一些实施方式中,方法还包括训练第一卷积神经网络和第二卷积神经网络以标识疾病的关键临床征象。在一些实施方式中,第一卷积神经网络和第二卷积神经网络是使用由人类专家标注并且经过预处理以归一化图像格式、图像切片间距、图像强度、图像对比度和图像取向的医学图像来训练的。在一些实施方式中,第一卷积神经网络和第二卷积神经网络是使用针对正常和疾病位置而进行平衡的医学图像来训练的。
特定定义
除非另外定义,否则本文使用的所有技术术语都具有如本发明所属领域技术人员所普遍理解的相同的意义。如本说明书和所附权利要求书中所使用的,单数形式“一”、“一个”和“该”包括复数引用,除非上下文另外明确指出。本文对“或者”的任何引用都旨在包括“和/或”,除非另外陈述。
医学图像
在各种实施方式中,本文描述的平台、系统、介质和方法包括医学图像。参考图1,医学成像机扫描主体并且生成对系统的输入扫描105。扫描的示例包括但不限于CT扫描、SPECT扫描、MRI、X射线、超声、内窥镜检查、结肠镜检查、乳房X线照片、血管造影片、荧光照片、显微照片或者其组合。
图像预处理
在各种实施方式中,本文描述的平台、系统、介质和方法包括图像预处理。再次参考图1,系统还执行预处理步骤100。在一些实施方式中,预处理100包括格式转换110。在一些实施方式中,预处理100包括多个医学图像的归一化。在一些实施方式中,归一化包括在x轴、y轴和z轴上的归一化采样空间(115)。在一些实施方式中,归一化包括图像格式、图像切片间距、图像强度、图像对比度和图像取向的归一化。在一些实施方式中,归一化包括将图像归一化为DICOM或NIfTI格式。在一些实施方式中,预处理100包括强度和对比度归一化120。
图像分割
再次参考图1,当预处理100完成时,执行对感兴趣的区域的分割125。在另一些实施方式中,感兴趣的区域是器官、腔、组织结构、器官的组成或者器官的一部分。在又一些实施方式中,在用于初始筛选的第一级DCNN 130下,处理分割的图像。在又一些实施方式中,在用于精细检测的第二级DCNN 135下,处理分割的图像。DCNN的分析结果经过用于统计分析的后处理140,例如肺结节标识。最后的步骤145包括可定制的结果呈现。
在一些实施方式中,感兴趣的区域包括用于进一步分析的候选位置。在一些实施方式中,候选位置包括分割的医学图像的2D切片中的少于5%、10%、15%、20%、25%、30%、35%或40%(包括其中的增量)的位置。
级联深度卷积神经网络检测结构
在各种实施方式中,本文描述的平台、系统、介质和方法包括级联深度卷积神经网络(DCNN)检测结构或其使用。在一些实施方式中,检测结构在两个级中包括两个或更多个深度卷积神经网络。再次参考图1,级联DCNN检测结构包括用于初始筛选的第一级DCNN 130和用于精细检测的第二级DCNN 135。
参考图2,第一级开始于步骤200,其获取预处理之后的3D扫描的医学图像。另一方面,一个或多个离线训练的DCNN模型205被馈送至分析中。步骤210使用DCNN模型在个体2D横向切片上处理分割的区域。在一些实施方式中,基于滑动窗口方法来应用DCNN。在各种另一些实施方式中,滑动窗口包括以下的窗口:小于10像素×小于10像素,小于20像素×小于20像素、小于30像素×小于30像素、小于50像素×小于50像素、小于100像素×小于100像素或者小于200像素×小于200像素,包括其中的增量。在特定实施方式中,滑动窗口是约31像素×约31像素的窗口。在该特定实施方式中,DCNN具有三个卷积层和两个完全连接层。另外,在该实施方式中,步骤220将每个切片的网络输出的大小调整为原始图像大小。在另一些实施方式中,步骤230应用阈值以生成二元掩模(binary mask),从而标识诊断特征的候选位置。在一些情况下,候选位置包括分割的医学图像的2D切片中的少于10%位置。在一些实施方式中,基于第一级DCNN的受试者操作特性(ROC)分析来选择步骤230中的阈值。在各种其他实施方式中,阈值选择为使得候选位置包括训练集中的多于约90%、多于约91%、多于约92%、多于约93%、多于约94%、多于约95%、多于约96%、多于约97%、多于约98%或者多于约99%的病灶部位。在特定实施方式中,阈值选择为使得候选位置包括训练集中的多于约95%的病灶位置。最后,二元掩模被传播至第二级检测。
在一些实施方式中,第二级分析采用第二DCNN,以通过利用随机尺度和随机视角来选择每个体内的至少一个随机位置,来筛选由候选位置构造的3D体,以标识一个或多个精细位置,并且对精细位置进行分类。在一些实施方式中,3D体是每个方向少于50个立体像素、100个立体像素、200个立体像素或300个立体像素,包括其中的增量。在特定实施方式中,3D体是每个方向约8个、16个、32个、48个或64个立体像素,包括其中的增量。在一些实施方式中,第二DCNN在每个体内选择多个随机位置。在一些实施方式中,第二DCNN在每个位置处选择多个随机尺度。在一些实施方式中,第二DCNN针对每个位置选择多个随机视角。
在一些实施方式中,第一级中的卷积神经网络包括3-8个卷积层和3-5个完全连接层。在一些实施方式中,该第一卷积神经网络包括从多个神经网络实例中随机选择的至少一个神经网络实例。多个神经网络实例具有不同的参数,或者具有不同的网络结构。
以下描述第二级分析的实施方式。参考图3,由第一级筛选生成的候选位置300被馈送到第二级分析中。在步骤305中,针对每个位置,系统利用随机选择的尺度和视角来提取一个或多个样本。另一方面,离线训练的第二级DCNN模型310被馈送到分析。在步骤315中,针对每个样本,应用一个或多个DCNN实例。在一些实施方式中,第二DCNN具有五个或更多个卷积和完全连接层。在步骤320中,系统继而收集具有正DCNN响应的所有位置,以及尺度和DCNN分类置信度(由A表示)。在步骤325中,系统在A中找到具有最大置信度的位置L。在步骤330中,系统组合位置L的邻区内的所有正响应。另外,步骤335确定是否检测到异常(例如,肺结节)。如果检测到了,则步骤345记录异常的位置及其尺度和置信度,随后是步骤350,其中系统从集合A中移除位置L和其邻区内的所有位置。如果在步骤335没有检测到异常,则系统从集合A中移除位置L。继而,系统在步骤355中检查集合A是否为空。如果集合A为空,则第二级终止,并且输出具有异常的所有记录位置360。如果在步骤355中集合A不为空,则系统利用A中的另一元素重复分析开始步骤325。
在一些实施方式中,致力于第二级分析,以通过利用随机尺度和随机视角来选择每个体内的至少一个随机位置而筛选由候选位置构造的3D体,从而标识一个或多个精细位置,并且对精细位置进行分类。在一些实施方式中,3D体在每个方向包括少于100个立体像素。在一些实施方式中,3D体在每个方向包括10-40个立体像素。在一些实施方式中,3D体在每个方向包括约32个立体像素。在一些实施方式中,3D体在每个方向包括约16个立体像素。
在一些实施方式中,第二级中的DCNN在每个体内选择多个随机位置。在一些实施方式中,第二级中的DCNN在每个位置处选择多个随机尺度。在一些实施方式中,第二级中的DCNN针对每个位置选择多个随机视角。在一些实施方式中,随机化算法基于概率建模;例如,位置基于均匀分布或正态分布。
在一些实施方式中,第二级中的卷积神经网络包括至少1个、2个、3个、4个、5个、6个、7个、8个、9个或10个卷积或完全连接层。在一些实施方式中,该卷积神经网络包括从多个神经网络实例中随机选择的至少一个神经网络实例。多个神经网络实例具有不同的参数,或者具有不同的网络结构。
后处理和报告
在各种实施方式中,本文描述的平台、系统、介质和方法包括精细位置的后处理或其使用。在一些实施方式中,后处理包括表征以下中的一个或多个:质心位置、体积、形状、强度、密度、透明度和规则性。在一些实施方式中,后处理包括确定两个或更多个精细位置是否是相同疾病部位的部分。
在各种实施方式中,本文描述的平台、系统、介质和方法包括报告生成或其使用。在自动检测之后,向用户呈现候选异常位置(例如,肺结节)以用于最后的审阅。取决于用户偏好,可以按照不同的方式呈现结果。
在一些实施方式中,报告包括医学图像中的一个或多个上的信息叠加。在一些实施方式中,报告包括被颜色编码以指示疾病类型的一个或多个医学图像。在一些实施方式中,报告包括被热映射以指示诊断置信水平的一个或多个医学图像。在一些实施方式中,报告包括通过对在两个或更多个时间点捕获的医学图像施加应用而生成的时间进程。在另一些实施方式中,叠加包括点位置指示符、区域指示符或者轮廓指示符。在又一些实施方式中,叠加包括针对分割的区域和/或异常位置的颜色编码。
在一些实施方式中,报告包括基于信息文本的报告。参考图4,在具有检测到的肺结节的2D或3D图像之上呈现肺结节检测的汇总报告。在附加实施方式中,基于文本的报告包括测量结果(例如,大小、体、长度、快递、深度、尺寸、位置和直径)。在附加实施方式中,基于文本的报告包括置信水平,诸如概率或统计测量。
在一些实施方式中,报告包括来自回顾扫描的生物标志物跟踪。系统寄存先前扫描中检测到的损伤,并且呈现该损伤的进展。在一些实施方式中,报告包括动画可视化。
本文公开的技术分割感兴趣的区域,并且对感兴趣的区域而不是整个图像域应用以下级联检测结构。另外,对个体2D切片而不是3D体积空间执行初始筛选,以便节约计算资源。接下来,对初始筛选结果应用精细检查步骤。分割和级联检测处理允许较少的数据加载在存储器中,并且分析较小的分割数据的体需要较少的用于计算的CPU周期。消耗较少存储器和CPU周期的总体效果导致快速的处理,并且实现了实时或近实时的图像处理和报告生成。在另一些实施方式中,报告包括诊断建议或诊断,例如,任何位置是否是疾病部位的指示/概率。
卷积神经网络训练
在一些实施方式中,在训练步骤中训练DCNN。在一些实施方式中,训练步骤开始于如上所述的预处理。在另一些实施方式中,训练收集样本来执行对多个尺度、多个角度/视野、多个位置、随机位置的分析。此外,训练步骤包括针对不同分类对数据进行均衡。
在一些实施方式中,第一卷积神经网络和第二卷积神经网络被训练成标识疾病的关键临床征象。在一些实施方式中,使用由人类专家标注并且经过预处理以归一化图像格式、图像切片间距、图像强度、图像对比度和图像取向的医学图像来训练第一卷积神经网络和第二卷积神经网络。在一些实施方式中,使用针对正常和疾病位置而进行均衡的医学图像来训练第一卷积神经网络和第二卷积神经网络。
在一些实施方式中,DCNN设计和训练包括在学习率和/或迭代方面的考虑。在一些实施方式中,训练步骤包括考虑性能(例如,ROC分析)或者操作点选择。
数字处理设备
在一些实施方式中,本文描述的平台、系统、介质和方法包括数字处理设备或其使用。在另一些实施方式中,数字处理设备包括实现该设备的功能的一个或多个硬件中央处理单元(CPU)或通用图形处理单元(GPGPU)。在又一些实施方式中,数字处理设备还包括配置用于执行可执行指令的操作系统。在一些实施方式中,数字处理设备可选地连接计算机网络。在另一些实施方式中,数字处理设备可选地连接至因特网,使得其访问万维网。在又一些实施方式中,数字处理设备可选地连接至云计算基础架构。在其他实施方式中,数字处理设备可选地连接至内联网。在其他实施方式中,数字处理设备可选地连接至数据存储设备。
根据本文的描述,适合的数字处理设备以非限制性示例的方式包括服务器计算机、台式计算机、膝上型计算机、笔记本计算机、次笔记本计算机、上网本计算机、上网平板计算机、手持式计算机和平板计算机。合适的平板计算机包括本领域技术人员已知的具有小册子、平台和可转换配置的那些平台计算机。
在一些实施方式中,数字处理设备包括配置用于执行可执行指令的操作系统。操作系统例如是软件,其包括程序和数据,管理设备的硬件并且提供用于应用的执行的服务。本领域技术人员将认识到,合适的服务器操作系统以非限制性示例的方式包括FreeBSD、OpenBSD、Linux、Mac OS XWindows和本领域技术人员将认识到,合适的个人计算机操作系统以非限制性示例的方式包括 Mac OS和诸如的类UNIX操作系统。在一些实施方式中,操作系统通过云计算来提供。
在一些实施方式中,设备包括存储和/或存储器设备。存储和/或存储器设备是用于在临时或永久的基础上存储数据或程序的一个或多个物理装置。在一些实施方式中,设备是易失性存储器,并且需要电力来维持所存储的信息。在一些实施方式中,设备是非易失性存储器,并且在数字处理设备不供电时保持所存储的信息。在另一些实施方式中,非易失性存储器包括闪速存储器。在一些实施方式中,非易失性存储器包括动态随机存取存储器(DRAM)。在一些实施方式中,非易失性存储器包括铁电随机存取存储器(FRAM)。在一些实施方式中,非易失性存储器包括相变随机存取存储器(PRAM)。在其他实施方式中,设备是存储设备,以非限制性示例的方式包括CD-ROM、DVD、闪速存储器设备、磁盘驱动器、磁带、光盘驱动器和基于存储的云计算。在另一些实施方式中,存储和/或存储器设备是诸如本文所公开的那些设备的组合。
在一些实施方式中,数字处理设备包括显示器,用于向用于发送视觉信息。在一些实施方式中,显示器是阴极射线管(CRT)。在一些实施方式中,显示器是液晶显示器(LCD)。在另一些实施方式中,显示器是薄膜晶体管液晶显示器(TFT-LCD)。在一些实施方式中,显示器是有机发光二极管(OLED)显示器。在各种其他实施方式中,OLED显示器是无源矩阵OLED(PMOLED)或有源矩阵OLED(AMOLED)显示器。在一些实施方式中,显示器是等离子体显示器。在其他实施方式中,显示器是视频投影仪。在又一些实施方式中,显示器是诸如本文所公开的那些设备的组合。
在一些实施方式中,数字处理设备包括用于从用户接收信息的输入设备。在一些实施方式中,输入设备是键盘。在一些实施方式中,输入设备是定点设备,以非限制性示例的方式包括鼠标、轨迹球、跟踪板、操纵杆、游戏控制器或者触笔。在一些实施方式中,输入设备是触摸屏幕或者多点触摸屏幕。在其他实施方式中,输入设备是用于捕获语音或其他声音输入的麦克风。在其他实施方式中,输入设备是摄影机或者用于捕获动作或视觉输入的其他传感器。在又一些实施方式中,输入设备是本文所公开的那些设备的组合。
在各种实施方式中,本文描述的平台、系统、介质和方法包括云计算环境。在一些实施方式中,云计算环境包括多个计算处理器。云计算环境位于一个或多个地理定位中。云计算环境经由网络与医学扫描仪耦合。在一些实施方式中,扫描仪生成图像集合,并且将图像传输至云计算环境。图像的传输可以是串行模式或者批处理模式。一旦云计算环境接收到一个或多个图像,系统就执行分割、级联检测、报告生成等等。
参考图7,在特定实施方式中,示例性数字处理设备701被编程或者以其他方式被配置用于执行图像处理。设备701可以调节本公开内容的图像处理的各个方面,例如,分割,检测,DCNN,报告生成和训练。在该实施方式中,数字处理设备701包括中央处理单元(CPU,本文也称“处理器”和“计算机处理器”)705,其可以是单核处理器或多核处理器,或者用于并行处理的多个处理器。如本文描述的,促进并行处理的图形处理单元(GPU)也是合适的。数字处理设备701还包括存储器或存储器位置710(例如,随机存取存储器、只读存储器、闪速存储器)、电子存储单元715(例如,硬盘)、用于与一个或多个其他系统通信的通信接口720(例如,网络适配器)以及外围设备725,诸如高速缓冲存储器、其他存储器、数据存储和/或电子显示器适配器。存储器710、存储单元715、接口720和外围设备725通过诸如母板的通信总线(实线)与CPU 705通信。存储单元715可以是用于存储数据的数据存储单元(或数据储存库)。数字处理设备701可以借助于通信接口720而可操作地耦合至计算机网络(“网络”)730。网络730可以是因特网、互联网和/或外联网,或者与互联网通信的内联网和/或外联网。在一些情况下,网络730是电信和/或数据网络。网络730可以包括一个或多个计算机服务器,其可以实现分布式计算,诸如云计算。在一些情况下,网络730借助于设备701可以实现对等网络,其可以使得耦合至设备701的设备能够充当客户端或服务器。
继续参考图7,CPU 705可以执行机器可读指令序列,其可以在程序或软件中具体化。指令可以存储在存储器位置中,诸如存储器710。指令可以被引导至CPU 705,其随后可以编程或者以其他方式配置CPU 705实现本公开内容的方法。由CPU 705执行的操作的示例可以包括取得、解码、执行和写回。CPU 705可以是诸如集成电路的电路的一部分。设备701的一个或多个其他组件可以包括在电路中。在一些情况下,电路可以是专用集成电路(ASIC)或者现场可编程门阵列(FPGA)。
继续参考图7,存储单元715可以存储文件,诸如驱动程序、库和保存的程序。存储单元715可以存储用户数据,例如用户偏好和用户程序。在一些情况下,数字处理设备701可以包括外部的一个或多个附加数据存储单元,诸如位于通过内联网或因特网通信的远程服务器上。
继续参考图7,数字处理设备701可以通过网络730与一个或多个远程计算机系统通信。例如,设备701可以与用户的远程计算机系统735通信。远程计算机系统的示例包括个人计算机(例如,便携式PC)、板或平板PC(例如,iPad、Galaxy Tab)、电话、智能电话(例如,iPhone、支持Android的设备、)或者个人数字助理。
本文描述的方法能够以存储在数字处理设备101的电子存储位置上的机器(例如,计算机处理器)可执行代码的形式实现,电子存储位置例如存储器710或者电子存储单元715。机器可执行代码或者机器可读代码能够以软件的形式提供。在使用期间,代码可以由处理器705来执行。在一些情况下,可以从存储单元715取回代码并且存储在存储器710上,以便处理器705容易存取。在一些情况下,可以排除电子存储单元715,并且机器可执行指令存储在存储器710上。
非暂时性计算机可读存储介质
在一些实施方式中,本文公开的平台、系统、介质和方法包括利用程序编码的一个或多个计算机可读存储介质,程序包括可选地联网的数字处理设备的操作系统可执行的指令。在另一些实施方式中,计算机可读存储介质是数字处理设备的有形组件。在又一些实施方式中,计算机可读存储介质可选地从数字处理设备可移除。在一些实施方式中,计算机可读存储介质以非限制性示例的方式包括CD-ROM、DVD、闪速存储器设备、固态存储器、磁盘驱动器、磁带驱动器、光盘驱动器、云计算系统和服务等等。在一些情况下,程序和指令是永久地、基本永久地、半永久地或者非暂时性地编码在介质上。
计算机程序
在一些实施方式中,本文公开的平台、系统、介质和方法包括至少一个计算机程序或其使用。计算机程序包括被编写为执行指定任务的、在数字处理设备的CPU中可执行的指令序列。计算机可读指令可以实现为程序模块,诸如功能、对象、应用编程接口(API)、数据结构等,其执行特定任务或者实现特定抽象数据类型。根据本文提供的公开内容,本领域技术人员将认识到,计算机程序能够以各种语言的各种版本来编写。
计算机可读指令的功能性可以按照各种环境中的期望来组合或分布。在一些实施方式中,计算机程序包括一个指令序列。在一些实施方式中,计算机程序包括多个指令序列。在一些实施方式中,从一个位置提供计算机程序。在其他实施方式中,从多个位置提供计算机程序。在各种实施方式中,计算机程序包括一个或多个软件模块。在各种实施方式中,计算机程序部分或全部地包括一个或多个网络应用、一个或多个独立应用、一个或多个网络浏览器插件、扩展件、添加插件或加载项,或者其组合。
网络应用
在一些实施方式中,计算机程序包括网络应用。根据本文提供的公开内容,本领域技术人员将认识到,在各种实施方式中,网络应用使用一个或多个软件框架和一个或多个数据库系统。在一些实施方式中,在诸如.NET或Ruby on Rails(RoR)的软件框架上创建网络应用。在一些实施方式中,网络应用使用一个或多个数据库系统,以非限制性示例的方式包括关系型、非关系型、面向对象的、关联和XML数据库系统。在另一些实施方式中,合适的关系型数据库系统以非限制性示例的方式包括SQL Server、MySQLTM和本领域技术人员将认识到,在各种实施方式中,网络应用以一种或多种语言的一个或多个版本来编写。网络应用能够以一种或多种标记语言、表示定义语言、客户端脚本语言、服务器端编码语言、数据库查询语言或者其组合来编写。在一些实施方式中,网络应用在一定程度上以标记语言来编写,诸如超文本标记语言(HTML)、可扩展超文本标记语言(XHTML)或可扩展标记语言(XML)。在一些实施方式中,网络应用在一定程度上以表示定义语言来编写,诸如层叠样式表(CSS)。在一些实施方式中,网络应用在一定程度上以客户端脚本语言来编写,诸如异步Javascript和XML(AJAX)、ActionScript、Javascript或在一些实施方式中,网络应用在一定程度上以服务器端编码语言来编写,诸如动态服务器页面(ASP)、Perl、JavaTM、Java服务器页面(JSP)、超文本预处理器(PHP)、PythonTM、Ruby、Tcl、Smalltalk、或Groovy。在一些实施方式中,网络应用在一定程度上以数据库查询语言来编写,诸如结构化查询语言(SQL)。在一些实施方式中,网络应用集成了企业服务器产品,诸如Lotus在一些实施方式中,网络应用包括媒体播放器元素。在各种其他实施方式中,媒体播放器元素使用很多合适的多媒体技术中的一种或多种,以非限制性示例的方式包括HTML 5、 JavaTM和
独立应用
在一些实施方式中,计算机程序包括独立应用(standalone application),其是作为独立的计算机程序而不是对已有程序的加载项(例如,不是插件)而运行的。本领域技术人员将认识到,独立应用经常被编译。编译器是将以编程语言编写的源代码转换为二进制对象代码(诸如汇编语言或机器代码)的计算机程序。合适的编译编程语言以非限制性示例的方式包括C、C++、Objective-C、COBOL、Delphi、Eiffel、JavaTM、Lisp、PythonTM、VisualBasic和VB.NET,或者其组合。经常或者至少部分地执行编译,以创建可执行的程序。在一些实施方式中,计算机程序包括一个或多个可执行编译应用。
软件模块
在一些实施方式中,本文公开的平台、系统、介质和方法包括软件、服务器和/或数据库模块或其使用。考虑到本文提供的公开内容,通过本领域技术人员已知的技术使用本领域已知的机器、软件和语言来创建软件模块。本文公开的软件模块以多种方式实现。在各种实施方式中,软件模块包括文件、代码段、编程对象、编程结构,或者其组合。在另外的各种实施方式中,软件模块包括多个文件、多个代码段、多个编程对象、多个编程结构或者其组合。在各种实施方式中,一个或多个软件模块以非限制性示例的方式包括网络应用、移动应用和独立应用。在一些实施方式中,软件模块在一个计算机程序或应用中。在其他实施方式中,软件模块在不止一个计算机程序或应用中。在一些实施方式中,软件模块在一个机器上托管。在其他实施方式中,软件模块在不止一个机器上托管。在另一些实施方式中,软件模块在云计算平台上托管。在一些实施方式中,软件模块在一个位置的一个或多个机器上托管。在其他实施方式中,软件模块在不止一个位置的一个或多个机器上托管。
数据库
在一些实施方式中,本文公开的平台、系统、介质和方法包括一个或多个数据库或其使用。考虑到本文提供的公开内容,本领域技术人员将认识到,很多数据库适合于个人(例如,患者)、医学图像和神经网络/训练信息的存储和取回。在各种实施方式中,合适的数据库以非限制性示例的方式包括关系型数据库、非关系型数据库、面向对象的数据库、对象数据库、实体关系模型数据库、关联数据库和XML数据库。另外的非限制性示例包括SQL、PostgreSQL、MySQL、Oracle、DB2和Sybase。在一些实施方式中,数据库是基于互联网的。在另一些实施方式中,数据库是基于网络的。在又一些实施方式中,数据库是基于云计算的。在其他实施方式中,数据库基于一个或多个本地计算机存储设备。
实施例
以下说明性实施例是本文描述的软件应用、系统和方法的实施方式的代表,并且不是为了以任何方式进行限制。
实施例1-报告的生成
图4示出了分析包括的实施例。系统标识的结节位置处于右上肺。结节被确定为非实心和毛玻璃样的。结节的质心的x-y-z坐标是195-280-43。结节沿长轴的直径是11mm,而沿短轴的直径是7mm。结节的边界形状是不规则的。恶性的概率是84%。
图5示出了诊断报告的实施例。在该实施例中,报告包括用户界面。向用户呈现了肺CT扫描的三个投影视图501、502和503。视图501、502和503包括光标以允许用户精确指明某个位置。窗口504示出了分割的肺和检测到的结节候选(正方形点)的3D模型。3D模型叠加在投影的视图501、502和503中。
实施例2-肺结节检测的验证
本文公开的技术被应用于由国家卫生研究院(NIH)提供的公开可用的肺结节数据库(LIDC-IDRI)。该数据库包括来自1012名患者的1018个CT肺扫描。扫描是使用多种CT机和多种参数设置集合而捕获的。已经由四名放射科医生将扫描内的每个立体像素仔细地注释为正常(非结节)或异常(结节)。在训练步骤中,采用五重交叉验证来用于评估。所有的扫描首先被分为五个集合,每个集合包含大约相同数目的扫描。每个扫描被随机指派给五个集合之一。每次评估迭代使用五个集合中的四个来训练肺结节检测器,并且剩余的集合用于评估经训练的检测器。在训练迭代中,向数据库应用分割和级联检测。评估重复五次,使得五个集合中的每一个都被用作测试集合。
针对每次评估,以下两个度量用于测量检测准确度:灵敏度(或者检测率):成功检测到的被标注结节的百分比;选择性(或每检测到的结节的假阳性):每检测到的真正结节的错误检测到的候选结节的数目。来自5轮评估的检测准确度被平均,以产生整个数据库上的总体检测准确度。
再次参考图6,基于本文公开的技术的总体检测准确度在图中被绘制为正方形点,并且基于传统方法的准确度被绘制为圆形。相比较于现有系统,所公开的技术实现了98.5%的更好灵敏度(结节检测率)和4的选择性(每真正结节的假阳性)。被比较的系统来自过去10年中的学术出版物,并且图中报告的其检测准确度直接引用自其原始出版物。
虽然本文已经示出和描述了本发明的优选实施方式,但是对于本领域技术人员明显的是,这样的实施方式仅是以示例的方式提供的。在不脱离本发明的情况下,本领域技术人员现在将想到多种变体、改变和替换。应当理解,在实践本发明中可以采用对本文描述的本发明的实施方式的各种替代物。
Claims (30)
1.一种计算机实现的系统,包括数字处理设备,该数字处理设备包括:至少一个处理器,配置用于执行可执行指令的操作系统,存储器和包括指令的计算机程序,所述指令由所述数字处理设备可执行以创建应用,所述应用对医学图像应用深度卷积神经网络以生成实时或近实时诊断或诊断建议,所述应用包括:
a)执行多个医学图像的图像分割的软件模块,所述图像分割包括从每个图像中隔离感兴趣的区域;
b)对分割的图像应用级联深度卷积神经网络检测结构的软件模块,所述检测结构包括:
i)采用第一卷积神经网络的第一级,其用于通过滑动窗口方法来筛选分割的医学图像的每个2D切片中的所有可能位置,以标识一个或多个候选位置;以及
ii)采用第二卷积神经网络的第二级,其用于通过利用随机尺度和随机视角在每个3D体内选择至少一个随机位置来筛选由所述候选位置构造的多个所述3D体,以标识一个或多个精细位置,并且对所述精细位置进行分类;以及
c)自动生成包括诊断或诊断建议的报告的软件模块。
2.如权利要求1所述的系统,其中所述应用实时地或近实时地运行,并且生成实时或近实时诊断或诊断建议。
3.如权利要求1所述的系统,其中所述诊断或诊断建议包括确定任何位置是否是疾病部位。
4.如权利要求1所述的系统,其中所述医学图像来自于CT扫描、PET/CT扫描、SPECT扫描、MRI、超声、X射线、乳房X线照片、血管造影片、荧光照片、显微照片或者其组合。
5.如权利要求1所述的系统,其中所述应用还包括执行图像预处理的软件模块,所述图像预处理包括所述多个医学图像的归一化。
6.如权利要求5所述的系统,其中所述归一化包括图像格式、图像切片间距、图像强度、图像对比度和图像取向的归一化。
7.如权利要求1所述的系统,其中所述感兴趣的区域是器官、器官的一部分或者组织。
8.如权利要求1所述的系统,其中所述候选位置包括所述分割的医学图像的2D切片中的少于10%的位置。
9.如权利要求1所述的系统,其中所述第一卷积神经网络具有2-20个卷积层和1-10个完全连接层。
10.如权利要求1所述的系统,其中所述滑动窗口包括小于100像素×小于100像素的窗口。
11.如权利要求10所述的系统,其中所述滑动窗口包括约31像素×约31像素或者约16像素×约16像素的窗口。
12.如权利要求1所述的系统,其中所述第一卷积神经网络包括从多个神经网络实例中随机选择的至少一个神经网络实例,并且其中所述第二卷积神经网络包括从多个神经网络实例中随机选择的至少一个神经网络实例。
13.如权利要求1所述的系统,其中所述第二卷积神经网络具有五个或更多个卷积和完全连接层。
14.如权利要求1所述的系统,其中所述3D体在每个方向少于100个立体像素。
15.如权利要求1所述的系统,其中所述第二卷积神经网络在每个3D体内选择多个随机位置。
16.如权利要求1所述的系统,其中所述第二卷积神经网络在每个位置处选择多个随机尺度。
17.如权利要求1所述的系统,其中所述第二卷积神经网络针对每个位置选择多个随机视角。
18.如权利要求1所述的系统,其中所述应用还包括执行所述精细位置的后处理的软件模块。
19.如权利要求18所述的系统,其中所述后处理包括表征以下项中的一个或多个:质心位置、体积、形状、强度、密度、透明度和规则性。
20.如权利要求18所述的系统,其中所述后处理包括确定两个或更多个精细位置是否是相同疾病部位的部分。
21.如权利要求1所述的系统,其中所述报告包括所述医学图像中的一个或多个上的信息叠加。
22.如权利要求21所述的系统,其中所述叠加包括点位置指示符、区域指示符或轮廓指示符。
23.如权利要求1所述的系统,其中所述报告包括被颜色编码以指示疾病类型的一个或多个医学图像。
24.如权利要求1所述的系统,其中所述报告包括被热映射以指示诊断置信水平一个或多个医学图像。
25.如权利要求1所述的系统,其中所述报告包括时间进程,该时间进程是通过对在两个或更多个时间点捕获的医学图像施加所述应用而生成的,用以测量疾病的进展或者肿瘤随时间的生长和移动。
26.如权利要求1所述的系统,其中所述第一卷积神经网络和所述第二卷积神经网络被训练成标识疾病的关键临床征象。
27.如权利要求26所述的系统,其中所述第一卷积神经网络和所述第二卷积神经网络是使用由人类专家标注并且经过预处理以归一化图像格式、图像切片间距、图像间距、图像对比度和图像取向的医学图像来训练的。
28.如权利要求26所述的系统,其中所述第一卷积神经网络和所述第二卷积神经网络是使用针对正常位置和疾病位置进行均衡的医学图像来训练的。
29.编码有计算机程序的非暂时性计算机可读存储介质,所述计算机程序包括用于创建应用的处理器可执行的指令,所述应用对医学图像应用深度卷积神经网络以生成实时或近实时诊断或诊断建议,所述应用包括:
a)执行多个医学图像的图像分割的软件模块,所述图像分割包括从每个图像隔离感兴趣的区域;
b)对分割的图像应用级联深度卷积神经网络检测结构的软件模块,所述检测结构包括:
i)采用第一卷积神经网络的第一级,其用于通过滑动窗口方法来筛选分割的医学图像的每个2D切片中的所有可能位置,以标识一个或多个候选位置;以及
ii)采用第二卷积神经网络的第二级,其用于通过利用随机尺度和随机视角在每个3D体内选择至少一个随机位置来筛选由所述候选位置构造的多个所述3D体,以标识一个或多个精细位置,并且对所述精细位置进行分类;以及
c)自动生成包括诊断或诊断建议的报告的软件模块。
30.一种计算机实现的方法,所述方法对医学图像应用深度卷积神经网络以生成实时或近实时诊断或诊断建议,所述方法包括:
a)由计算机执行多个医学图像的图像分割,所述图像分割包括从每个图像隔离感兴趣的区域;
b)由所述计算机对分割的图像应用级联深度卷积神经网络检测结构,所述检测结构包括:
i)采用第一卷积神经网络的第一级,其用于通过滑动窗口方法来筛选分割的医学图像的每个2D切片中的所有可能位置,以标识一个或多个候选位置;以及
ii)采用第二卷积神经网络的第二级,其用于通过利用随机尺度和随机视角在每个3D体内选择至少一个随机位置来筛选由所述候选位置构造的多个所述3D体,以标识一个或多个精细位置,并且对所述精细位置进行分类;以及
c)由所述计算机自动生成包括诊断或诊断建议的报告。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/225,597 US9589374B1 (en) | 2016-08-01 | 2016-08-01 | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
US15/225,597 | 2016-08-01 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106897573A true CN106897573A (zh) | 2017-06-27 |
CN106897573B CN106897573B (zh) | 2018-04-20 |
Family
ID=58163576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710163688.9A Expired - Fee Related CN106897573B (zh) | 2016-08-01 | 2017-03-17 | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US9589374B1 (zh) |
EP (1) | EP3491625A4 (zh) |
JP (1) | JP2019530488A (zh) |
CN (1) | CN106897573B (zh) |
WO (1) | WO2018026431A1 (zh) |
Cited By (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451609A (zh) * | 2017-07-24 | 2017-12-08 | 上海交通大学 | 基于深度卷积神经网络的肺结节图像识别系统 |
CN107578416A (zh) * | 2017-09-11 | 2018-01-12 | 武汉大学 | 一种由粗到精级联深度网络的心脏左心室全自动分割方法 |
CN107610773A (zh) * | 2017-09-12 | 2018-01-19 | 北京即刻叁维数据科技股份有限公司 | 一种基于主动脉医学影像的血管夹层辅助诊断方法 |
CN107945173A (zh) * | 2017-12-11 | 2018-04-20 | 深圳市宜远智能科技有限公司 | 一种基于深度学习的皮肤疾病检测方法以及系统 |
CN107977958A (zh) * | 2017-11-21 | 2018-05-01 | 郑州云海信息技术有限公司 | 一种图像诊断方法和装置 |
CN108133476A (zh) * | 2017-12-26 | 2018-06-08 | 安徽科大讯飞医疗信息技术有限公司 | 一种肺结节自动检测方法及系统 |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN108549850A (zh) * | 2018-03-27 | 2018-09-18 | 联想(北京)有限公司 | 一种图像识别方法及电子设备 |
CN108630303A (zh) * | 2018-04-28 | 2018-10-09 | 江苏医像信息技术有限公司 | 云标注系统 |
CN108648183A (zh) * | 2018-05-04 | 2018-10-12 | 北京雅森科技发展有限公司 | 一种对spect脑部三维图像分析的方法 |
CN108665950A (zh) * | 2018-04-16 | 2018-10-16 | 首都医科大学附属北京同仁医院 | 基于卷积神经网络生成结构化医学影像报告的方法和系统 |
CN108765409A (zh) * | 2018-06-01 | 2018-11-06 | 电子科技大学 | 一种基于ct图像的候选结节的筛选方法 |
CN108877927A (zh) * | 2018-05-30 | 2018-11-23 | 李鹤 | 一种医学图像诊断方法 |
CN108876791A (zh) * | 2017-10-23 | 2018-11-23 | 北京旷视科技有限公司 | 图像处理方法、装置和系统及存储介质 |
CN109166107A (zh) * | 2018-04-28 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种医学图像分割方法及装置、电子设备和存储介质 |
CN109377496A (zh) * | 2017-10-30 | 2019-02-22 | 北京昆仑医云科技有限公司 | 用于分割医学图像的系统和方法及介质 |
CN109411084A (zh) * | 2018-11-28 | 2019-03-01 | 武汉大学人民医院(湖北省人民医院) | 一种基于深度学习的肠结核辅助诊断系统及方法 |
CN109447185A (zh) * | 2018-11-28 | 2019-03-08 | 中国科学院自动化研究所 | 基于深度学习的显微荧光图像分类方法 |
CN109493347A (zh) * | 2017-09-12 | 2019-03-19 | 深圳科亚医疗科技有限公司 | 在图像中对稀疏分布的对象进行分割的方法和系统 |
CN109545380A (zh) * | 2019-01-10 | 2019-03-29 | 上海联影医疗科技有限公司 | 人体结构生长健康状况确定方法、装置、存储介质及设备 |
CN109583440A (zh) * | 2017-09-28 | 2019-04-05 | 北京西格码列顿信息技术有限公司 | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 |
CN109635812A (zh) * | 2018-11-29 | 2019-04-16 | 中国科学院空间应用工程与技术中心 | 图像的实例分割方法及装置 |
CN109712705A (zh) * | 2018-12-19 | 2019-05-03 | 中国石油大学(华东) | 一种基于深度学习的胆石病智能诊断app |
CN109754361A (zh) * | 2017-11-02 | 2019-05-14 | 西门子保健有限责任公司 | 3d各向异性的混合网络:将来自2d图像的卷积特征传递到3d各向异性体积 |
CN109758178A (zh) * | 2017-11-10 | 2019-05-17 | 美国西门子医疗解决公司 | 超声成像中的机器辅助工作流 |
CN109813276A (zh) * | 2018-12-19 | 2019-05-28 | 五邑大学 | 一种基站天线下倾角测量方法及其系统 |
CN109965905A (zh) * | 2019-04-11 | 2019-07-05 | 复旦大学 | 一种基于深度学习的造影区域检测成像方法 |
CN110033019A (zh) * | 2019-03-06 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 人体部位的异常检测方法、装置和存储介质 |
CN110070546A (zh) * | 2019-04-18 | 2019-07-30 | 山东师范大学 | 一种基于深度学习的多目标危及器官的自动分割方法、装置及系统 |
CN110136137A (zh) * | 2019-04-02 | 2019-08-16 | 成都真实维度科技有限公司 | 一种基于断层扫描图数据集进行血管区域分割的方法 |
CN110279433A (zh) * | 2018-09-21 | 2019-09-27 | 四川大学华西第二医院 | 一种基于卷积神经网络的胎儿头围自动精确测量方法 |
CN110310287A (zh) * | 2018-03-22 | 2019-10-08 | 北京连心医疗科技有限公司 | 基于神经网络的危及器官自动勾画方法、设备和存储介质 |
CN110555825A (zh) * | 2019-07-23 | 2019-12-10 | 北京赛迈特锐医疗科技有限公司 | 胸部x线影像智能诊断系统及其诊断方法 |
CN110570407A (zh) * | 2019-08-29 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 图像处理方法、存储介质及计算机设备 |
CN110751621A (zh) * | 2019-09-05 | 2020-02-04 | 五邑大学 | 基于深度卷积神经网络的乳腺癌辅助诊断方法及装置 |
WO2020078252A1 (en) * | 2018-10-16 | 2020-04-23 | The Chinese University Of Hong Kong | Method, apparatus and system for automatic diagnosis |
CN111095426A (zh) * | 2017-08-10 | 2020-05-01 | 艾登斯有限公司 | 使用深度神经网络的计算机辅助诊断 |
TWI694414B (zh) * | 2018-12-18 | 2020-05-21 | 國立成功大學 | 卷積神經網路分析方法、電腦程式產品與電子裝置 |
WO2020107167A1 (zh) * | 2018-11-26 | 2020-06-04 | 深圳先进技术研究院 | 乳腺密度自动分级方法及装置 |
CN111311536A (zh) * | 2018-11-22 | 2020-06-19 | 西门子医疗有限公司 | 医学图像数据 |
CN111415352A (zh) * | 2020-04-03 | 2020-07-14 | 南京信息工程大学 | 一种基于深度级联网络的癌转移全景病理切片分析方法 |
CN112005313A (zh) * | 2018-04-13 | 2020-11-27 | 通用电气公司 | 用于向成像系统部署深度学习应用程序的系统和方法 |
US10918346B2 (en) | 2017-09-06 | 2021-02-16 | General Electric Company | Virtual positioning image for use in imaging |
CN112638279A (zh) * | 2018-10-22 | 2021-04-09 | 百合医疗科技株式会社 | 超声波诊断系统 |
CN112823396A (zh) * | 2018-10-02 | 2021-05-18 | 翰林大学产学合作团 | 基于实时获得的胃内窥镜图像诊断胃病变的内窥镜装置及方法 |
US11017207B2 (en) | 2018-08-30 | 2021-05-25 | Applied Materials, Inc. | System for automatic tumor detection and classification |
CN113039578A (zh) * | 2018-11-16 | 2021-06-25 | 医科达有限公司 | 利用深度神经网络的实时运动监测 |
CN113168912A (zh) * | 2018-09-04 | 2021-07-23 | 艾登斯 Ip 有限公司 | 使用深度学习确定3d数据集中对象的增长速度 |
CN113244009A (zh) * | 2021-06-17 | 2021-08-13 | 深圳市弘玉信息技术有限公司 | 基于人工智能图像识别调整电动牙刷的口腔健康管理系统 |
CN113366580A (zh) * | 2018-12-31 | 2021-09-07 | 通用电气精准医疗有限责任公司 | 使用分布式学习平台促进将人工智能集成到系统中 |
CN113506288A (zh) * | 2021-07-28 | 2021-10-15 | 中山仰视科技有限公司 | 基于transform注意力机制的肺结节检测方法及装置 |
CN113614744A (zh) * | 2019-03-18 | 2021-11-05 | 辉达公司 | 使用一个或多个神经网络的诊断 |
Families Citing this family (135)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE202007019497U1 (de) | 2006-02-15 | 2013-03-06 | Hologic, Inc. | Brustbiopsie und Nadellokalisierung unter Verwendung von Tomosynthesesystemen |
WO2011043838A1 (en) | 2009-10-08 | 2011-04-14 | Hologic, Inc . | Needle breast biopsy system and method of use |
US9075903B2 (en) | 2010-11-26 | 2015-07-07 | Hologic, Inc. | User interface for medical image review workstation |
CN103477346A (zh) | 2011-03-08 | 2013-12-25 | 霍洛吉克公司 | 用于筛查、诊断和活检的双能和/或造影增强乳房成像的系统和方法 |
JP2014534042A (ja) | 2011-11-27 | 2014-12-18 | ホロジック, インコーポレイテッドHologic, Inc. | マンモグラフィーおよび/またはトモシンセシス画像データを使用して2d画像を生成するためのシステムおよび方法 |
ES2641456T3 (es) | 2012-02-13 | 2017-11-10 | Hologic, Inc. | Sistema y método para navegar por una pila de tomosíntesis usando datos de imágenes sintetizadas |
JP6388347B2 (ja) | 2013-03-15 | 2018-09-12 | ホロジック, インコーポレイテッドHologic, Inc. | 腹臥位におけるトモシンセシス誘導生検 |
EP4278977A3 (en) | 2013-10-24 | 2024-02-21 | Hologic, Inc. | System and method for navigating x-ray guided breast biopsy |
WO2015109254A2 (en) | 2014-01-17 | 2015-07-23 | Morpheus Medical, Inc. | Apparatus, methods and articles for four dimensional (4d) flow magnetic resonance imaging |
US10331852B2 (en) | 2014-01-17 | 2019-06-25 | Arterys Inc. | Medical imaging and efficient sharing of medical imaging information |
WO2015130916A1 (en) | 2014-02-28 | 2015-09-03 | Hologic, Inc. | System and method for generating and displaying tomosynthesis image slabs |
EP3273852B1 (en) | 2015-03-23 | 2021-06-30 | Repono Pty Ltd | Muscle activity monitoring |
CN108603922A (zh) | 2015-11-29 | 2018-09-28 | 阿特瑞斯公司 | 自动心脏体积分割 |
US10853449B1 (en) | 2016-01-05 | 2020-12-01 | Deepradiology, Inc. | Report formatting for automated or assisted analysis of medical imaging data and medical diagnosis |
US20170277955A1 (en) * | 2016-03-23 | 2017-09-28 | Le Holdings (Beijing) Co., Ltd. | Video identification method and system |
US10210613B2 (en) * | 2016-05-12 | 2019-02-19 | Siemens Healthcare Gmbh | Multiple landmark detection in medical images based on hierarchical feature learning and end-to-end training |
DE102016221220B4 (de) * | 2016-10-27 | 2023-09-28 | Siemens Healthcare Gmbh | Verfahren zur Ermittlung eines darzustellenden Überlagerungsbildes, Darstellungseinrichtung, Computerprogramm und Datenträger |
WO2018091486A1 (en) | 2016-11-16 | 2018-05-24 | Ventana Medical Systems, Inc. | Convolutional neural networks for locating objects of interest in images of biological samples |
US10657424B2 (en) * | 2016-12-07 | 2020-05-19 | Samsung Electronics Co., Ltd. | Target detection method and apparatus |
US10957045B2 (en) * | 2016-12-12 | 2021-03-23 | University Of Notre Dame Du Lac | Segmenting ultrasound images |
US10902598B2 (en) | 2017-01-27 | 2021-01-26 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
JP7194691B2 (ja) * | 2017-03-28 | 2022-12-22 | コーニンクレッカ フィリップス エヌ ヴェ | 超音波臨床特徴検出及び関連する装置、システム、及び方法 |
US11445993B2 (en) | 2017-03-30 | 2022-09-20 | Hologic, Inc. | System and method for targeted object enhancement to generate synthetic breast tissue images |
JP7169986B2 (ja) | 2017-03-30 | 2022-11-11 | ホロジック, インコーポレイテッド | オブジェクトグリッド増強を用いて高次元画像データから低次元画像データを合成するためのシステムおよび方法 |
JP7277053B2 (ja) | 2017-03-30 | 2023-05-18 | ホロジック, インコーポレイテッド | 階層式マルチレベル特徴画像合成および提示のためのシステムおよび方法 |
GB201705876D0 (en) | 2017-04-11 | 2017-05-24 | Kheiron Medical Tech Ltd | Recist |
GB201705911D0 (en) | 2017-04-12 | 2017-05-24 | Kheiron Medical Tech Ltd | Abstracts |
CN106886801B (zh) * | 2017-04-14 | 2021-12-17 | 北京图森智途科技有限公司 | 一种图像语义分割方法及装置 |
TWI614624B (zh) | 2017-04-24 | 2018-02-11 | 太豪生醫股份有限公司 | 雲端醫療影像分析系統與方法 |
EP3629898A4 (en) * | 2017-05-30 | 2021-01-20 | Arterys Inc. | AUTOMATED LESION DETECTION, SEGMENTATION AND LONGITUDINAL IDENTIFICATION |
RU2667879C1 (ru) * | 2017-05-30 | 2018-09-24 | Общество с ограниченной ответственностью "Аби Продакшн" | Обработка и анализ данных на изображениях компьютерной томографии |
US11403483B2 (en) * | 2017-06-20 | 2022-08-02 | Hologic, Inc. | Dynamic self-learning medical image method and system |
US10019654B1 (en) * | 2017-06-28 | 2018-07-10 | Accenture Global Solutions Limited | Image object recognition |
EP3655748B1 (en) | 2017-07-18 | 2023-08-09 | Perimeter Medical Imaging, Inc. | Sample container for stabilizing and aligning excised biological tissue samples for ex vivo analysis |
CN109300166B (zh) * | 2017-07-25 | 2023-04-25 | 同方威视技术股份有限公司 | 重建ct图像的方法和设备以及存储介质 |
US10751548B2 (en) * | 2017-07-28 | 2020-08-25 | Elekta, Inc. | Automated image segmentation using DCNN such as for radiation therapy |
CN108022238B (zh) * | 2017-08-09 | 2020-07-03 | 深圳科亚医疗科技有限公司 | 对3d图像中对象进行检测的方法、计算机存储介质和系统 |
US20200265578A1 (en) * | 2017-09-08 | 2020-08-20 | The General Hospital Corporation | System and method for utilizing general-purpose graphics processing units (gpgpu) architecture for medical image processing |
US10692602B1 (en) | 2017-09-18 | 2020-06-23 | Deeptradiology, Inc. | Structuring free text medical reports with forced taxonomies |
US10499857B1 (en) * | 2017-09-19 | 2019-12-10 | Deepradiology Inc. | Medical protocol change in real-time imaging |
US10496884B1 (en) | 2017-09-19 | 2019-12-03 | Deepradiology Inc. | Transformation of textbook information |
CN109543139B (zh) * | 2017-09-22 | 2021-09-17 | 杭州海康威视数字技术股份有限公司 | 卷积运算方法、装置、计算机设备及计算机可读存储介质 |
JP6984010B2 (ja) | 2017-09-28 | 2021-12-17 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 深層学習ベースの散乱補正 |
US20190122104A1 (en) | 2017-10-19 | 2019-04-25 | General Electric Company | Building a binary neural network architecture |
US10460440B2 (en) * | 2017-10-24 | 2019-10-29 | General Electric Company | Deep convolutional neural network with self-transfer learning |
CN111655116A (zh) * | 2017-10-30 | 2020-09-11 | 公益财团法人癌研究会 | 图像诊断辅助装置、资料收集方法、图像诊断辅助方法及图像诊断辅助程序 |
US10535001B2 (en) | 2017-11-06 | 2020-01-14 | International Business Machines Corporation | Reducing problem complexity when analyzing 3-D images |
TWI683276B (zh) * | 2017-11-10 | 2020-01-21 | 太豪生醫股份有限公司 | 病灶偵測裝置及其方法 |
WO2019103912A2 (en) | 2017-11-22 | 2019-05-31 | Arterys Inc. | Content based image retrieval for lesion analysis |
EP3489861A1 (en) * | 2017-11-24 | 2019-05-29 | Siemens Healthcare GmbH | Computer-based diagnostic system |
CN108171694B (zh) * | 2017-12-28 | 2021-05-14 | 开立生物医疗科技(武汉)有限公司 | 基于卷积神经网络的结节检测方法、系统及设备 |
KR20200119250A (ko) * | 2018-01-10 | 2020-10-19 | 앵스티튜 드 흐쉑쉐 쉬르 레 캉세흐 드 라파헤이 디제스티프 - 이흐카드 | 3d 의료용 이미지의 기하학적 구조에 따른 구조화된 콘볼루션을 통한, 여러 신경망에 의한 3d 의료용 이미지의 자동 세그멘트화 프로세스 |
CN108269272B (zh) * | 2018-01-31 | 2019-03-22 | 北京青燕祥云科技有限公司 | 肝部ct配准方法和系统 |
US11728035B1 (en) * | 2018-02-09 | 2023-08-15 | Robert Edwin Douglas | Radiologist assisted machine learning |
WO2019160557A1 (en) | 2018-02-16 | 2019-08-22 | Google Llc | Automated extraction of structured labels from medical text using deep convolutional networks and use thereof to train a computer vision model |
JP6906462B2 (ja) * | 2018-02-28 | 2021-07-21 | 富士フイルム株式会社 | 医用画像表示装置、方法およびプログラム |
US10902585B2 (en) * | 2018-03-19 | 2021-01-26 | General Electric Company | System and method for automated angiography utilizing a neural network |
WO2019180056A1 (en) * | 2018-03-21 | 2019-09-26 | Koninklijke Philips N.V. | Incidental finding augmentation system for medical radiology |
WO2019191059A1 (en) * | 2018-03-26 | 2019-10-03 | The General Hospital Corporation | Method for objective, noninvasive staging of diffuse liver disease from ultrasound shear-wave elastography |
RU2684181C1 (ru) * | 2018-03-27 | 2019-04-04 | Общество с ограниченной ответственностью "ФтизисБиоМед" | Способ автоматизированного анализа цифровых флюорографических снимков |
US10878569B2 (en) | 2018-03-28 | 2020-12-29 | International Business Machines Corporation | Systems and methods for automatic detection of an indication of abnormality in an anatomical image |
US11176441B2 (en) | 2018-05-01 | 2021-11-16 | International Business Machines Corporation | Neural network architecture for performing medical coding |
US11435460B2 (en) * | 2018-05-07 | 2022-09-06 | Fujifilm Sonosite, Inc. | Ultrasound imaging system with style transfer image enhancement |
WO2019222135A1 (en) | 2018-05-16 | 2019-11-21 | Benevis Informatics, Llc | Systems and methods for review of computer-aided detection of pathology in images |
CN108806785A (zh) * | 2018-05-29 | 2018-11-13 | 四川长虹电器股份有限公司 | 一种基于卷积神经网络的诊疗科室推荐方法及系统 |
US20190370956A1 (en) | 2018-05-30 | 2019-12-05 | General Electric Company | Contrast imaging system and method |
US11937973B2 (en) | 2018-05-31 | 2024-03-26 | Mayo Foundation For Medical Education And Research | Systems and media for automatically diagnosing thyroid nodules |
US11455723B2 (en) | 2018-06-14 | 2022-09-27 | Kheiron Medical Technologies Ltd | Second reader suggestion |
US20190392265A1 (en) | 2018-06-22 | 2019-12-26 | Siemens Medical Solutions Usa, Inc. | Patient-Adaptive Nuclear Imaging |
CN108899087A (zh) * | 2018-06-22 | 2018-11-27 | 中山仰视科技有限公司 | 基于深度学习的x光片智能诊断方法 |
WO2020028352A1 (en) * | 2018-07-31 | 2020-02-06 | Washington University | Methods and systems for segmenting organs in images using a cnn-based correction network |
KR102185893B1 (ko) * | 2018-08-07 | 2020-12-02 | 주식회사 딥바이오 | 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 방법 |
US10902588B2 (en) | 2018-08-13 | 2021-01-26 | International Business Machines Corporation | Anatomical segmentation identifying modes and viewpoints with deep learning across modalities |
US10304193B1 (en) * | 2018-08-17 | 2019-05-28 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
US12080404B2 (en) | 2018-09-05 | 2024-09-03 | Translational Imaging Innovations, Inc. | Methods, systems and computer program products for retrospective data mining |
GB2591643A (en) | 2018-09-05 | 2021-08-04 | Translational Imaging Innovations Llc | Methods, systems and computer program products for retrospective data mining |
EP3620984B1 (en) | 2018-09-06 | 2024-04-10 | Accenture Global Solutions Limited | Digital quality control using computer visioning with deep learning |
WO2020054188A1 (ja) | 2018-09-14 | 2020-03-19 | 富士フイルム株式会社 | 医用画像処理装置、方法およびプログラム |
CN109272048B (zh) * | 2018-09-30 | 2022-04-12 | 北京工业大学 | 一种基于深度卷积神经网络的模式识别方法 |
DE102018216864B4 (de) * | 2018-10-01 | 2020-04-09 | Siemens Healthcare Gmbh | Verfahren und Vorrichtung zur Lungenuntersuchung |
AU2019357949B2 (en) | 2018-10-09 | 2022-09-29 | Light AI Inc. | Image processing of streptococcal infection in pharyngitis subjects |
WO2020079696A1 (en) | 2018-10-19 | 2020-04-23 | Given Imaging Ltd. | Systems and methods for generating and displaying a study of a stream of in vivo images |
US20210407078A1 (en) * | 2018-10-30 | 2021-12-30 | Perimeter Medical Imaging Inc. | Method and systems for medical image processing using a convolutional neural network (cnn) |
US11132771B2 (en) | 2018-11-07 | 2021-09-28 | Spectrum Optix Inc. | Bright spot removal using a neural network |
EP3887841A4 (en) | 2018-11-20 | 2022-07-27 | Emory University | SYSTEMS AND METHODS FOR RAPIDLY DETERMINING ONE OR MORE METABOLITE MEASUREMENTS FROM MAGNETIC RESONANCE SPECTROSCOPY DATA |
CN109544534B (zh) * | 2018-11-26 | 2020-10-16 | 上海联影智能医疗科技有限公司 | 一种病灶图像检测装置、方法和计算机可读存储介质 |
JP7114737B2 (ja) * | 2018-11-30 | 2022-08-08 | 富士フイルム株式会社 | 画像処理装置、画像処理方法、及びプログラム |
US10963757B2 (en) | 2018-12-14 | 2021-03-30 | Industrial Technology Research Institute | Neural network model fusion method and electronic device using the same |
US11514571B2 (en) * | 2018-12-17 | 2022-11-29 | Siemens Healthcare Gmbh | Hierarchical analysis of medical images for identifying and assessing lymph nodes |
US11557107B2 (en) | 2019-01-02 | 2023-01-17 | Bank Of America Corporation | Intelligent recognition and extraction of numerical data from non-numerical graphical representations |
CN110613480B (zh) * | 2019-01-14 | 2022-04-26 | 广州爱孕记信息科技有限公司 | 基于深度学习的胎儿超声动态影像检测方法及系统 |
US10789462B2 (en) | 2019-01-15 | 2020-09-29 | International Business Machines Corporation | Weakly and fully labeled mammogram classification and localization with a dual branch deep neural network |
CN113632178A (zh) | 2019-01-25 | 2021-11-09 | 沃德诺希斯医疗技术有限公司 | 用于中耳炎诊断的机器学习 |
CN109872334A (zh) * | 2019-02-26 | 2019-06-11 | 电信科学技术研究院有限公司 | 一种图像分割方法及装置 |
US10957043B2 (en) | 2019-02-28 | 2021-03-23 | Endosoftllc | AI systems for detecting and sizing lesions |
US11832872B2 (en) | 2019-04-01 | 2023-12-05 | Anya L. Getman | Resonating probe with optional sensor, emitter, and/or injection capability |
US11164309B2 (en) * | 2019-04-10 | 2021-11-02 | International Business Machines Corporation | Image analysis and annotation |
BR102019009693A2 (pt) * | 2019-05-13 | 2020-11-24 | Dl4Med Inteligencia Artificial Para Medicina Ltda | sistema e método automático de análise de imagem de mamografia e uso do sistema |
JP7138869B2 (ja) * | 2019-06-19 | 2022-09-20 | 国立大学法人信州大学 | 特徴量抽出装置、特徴量抽出方法、識別装置、識別方法及びプログラム |
CN110458833B (zh) * | 2019-08-15 | 2023-07-11 | 腾讯科技(深圳)有限公司 | 基于人工智能的医学图像处理方法、医学设备和存储介质 |
US12014823B2 (en) | 2019-08-30 | 2024-06-18 | GE Precision Healthcare LLC | Methods and systems for computer-aided diagnosis with deep learning models |
ES2815623A1 (es) * | 2019-09-27 | 2021-03-30 | Delgado Oscar Ruesga | PROCEDIMIENTO PARA LA REALIZACION DE UN DIAGNOSTICO y PRONOSTICO MEDICO DIGITAL BASADO EN ANATOMIA DIGITAL |
CN110838100A (zh) * | 2019-10-11 | 2020-02-25 | 浙江大学 | 一种基于滑动窗口的结肠镜病理切片筛查与分割系统 |
US11538576B2 (en) * | 2019-10-15 | 2022-12-27 | International Business Machines Corporation | Illustrative medical imaging for functional prognosis estimation |
US11645791B2 (en) * | 2019-10-17 | 2023-05-09 | Rutgers, The State University Of New Jersey | Systems and methods for joint reconstruction and segmentation of organs from magnetic resonance imaging data |
RU2716914C1 (ru) * | 2019-10-22 | 2020-03-17 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет" (ЮЗГУ) | Способ автоматической классификации рентгеновских изображений с использованием масок прозрачности |
US11593932B2 (en) | 2019-10-25 | 2023-02-28 | Merative Us L.P. | Loading deep learning network models for processing medical images |
US11341635B2 (en) | 2019-10-31 | 2022-05-24 | Tencent America LLC | Computer aided diagnosis system for detecting tissue lesion on microscopy images based on multi-resolution feature fusion |
US11763932B2 (en) * | 2019-11-14 | 2023-09-19 | International Business Machines Corporation | Classifying images using deep neural network with integrated acquisition information |
KR102325555B1 (ko) * | 2019-11-27 | 2021-11-12 | 주식회사 에프앤디파트너스 | 의료 영상에 대한 의사 소견 자동추천장치 |
US11682135B2 (en) * | 2019-11-29 | 2023-06-20 | GE Precision Healthcare LLC | Systems and methods for detecting and correcting orientation of a medical image |
US11651850B2 (en) * | 2019-12-20 | 2023-05-16 | The Regents Of The University Of Michigan | Computer vision technologies for rapid detection |
EP3839884A1 (en) | 2019-12-20 | 2021-06-23 | Fundación Tecnalia Research & Innovation | Method, system and computer program product for image transformation |
JP2023513470A (ja) | 2020-01-30 | 2023-03-31 | プログノミック インコーポレイテッド | 肺バイオマーカーおよびそれらの使用方法 |
US11222425B2 (en) * | 2020-02-11 | 2022-01-11 | DeepVoxel, Inc. | Organs at risk auto-contouring system and methods |
KR102408405B1 (ko) * | 2020-03-19 | 2022-06-15 | 주식회사 아이도트 | 경동맥 초음파 진단 시스템 |
CN113470037A (zh) * | 2020-03-31 | 2021-10-01 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及系统 |
US11282193B2 (en) * | 2020-03-31 | 2022-03-22 | Ping An Technology (Shenzhen) Co., Ltd. | Systems and methods for tumor characterization |
WO2021209867A1 (ja) * | 2020-04-17 | 2021-10-21 | 株式会社半導体エネルギー研究所 | 分類装置、画像分類方法、およびパターン検査装置 |
US11532084B2 (en) | 2020-05-11 | 2022-12-20 | EchoNous, Inc. | Gating machine learning predictions on medical ultrasound images via risk and uncertainty quantification |
US11523801B2 (en) | 2020-05-11 | 2022-12-13 | EchoNous, Inc. | Automatically identifying anatomical structures in medical images in a manner that is sensitive to the particular view in which each image is captured |
US11636638B2 (en) | 2020-07-30 | 2023-04-25 | International Business Machines Corporation | Systems and methods for generating summary medical images |
KR102250219B1 (ko) * | 2020-09-15 | 2021-05-11 | 주식회사 아이도트 | 초음파 진단 시스템 |
US11636593B2 (en) | 2020-11-06 | 2023-04-25 | EchoNous, Inc. | Robust segmentation through high-level image understanding |
KR102499143B1 (ko) * | 2020-11-27 | 2023-02-14 | (의)삼성의료재단 | 동맥의 내막-중막 두께 측정 방법 및 그 장치 |
CN112699868A (zh) * | 2020-12-17 | 2021-04-23 | 深圳视见医疗科技有限公司 | 一种基于深度卷积神经网络的图像识别方法、设备 |
CN112258530A (zh) * | 2020-12-21 | 2021-01-22 | 四川大学 | 基于神经网络的计算机辅助肺结节自动分割方法 |
WO2022203660A1 (en) * | 2021-03-24 | 2022-09-29 | Taipei Medical University | Method and system for diagnosing nodules in mammals with radiomics features and semantic imaging descriptive features |
JP2022172565A (ja) * | 2021-05-06 | 2022-11-17 | コニカミノルタ株式会社 | 超音波画像診断装置、識別器変更方法および識別器変更プログラム |
CA3231038A1 (en) | 2021-09-13 | 2023-03-16 | Bruce Wilcox | Enhanced detection and quantitation of biomolecules |
US20230108955A1 (en) * | 2021-10-05 | 2023-04-06 | Yoy Ishta Nem, Inc. | Deep-learning-based medical image interpretation system for animals |
JP7418018B2 (ja) * | 2021-11-12 | 2024-01-19 | iSurgery株式会社 | 診断支援装置、およびコンピュータプログラム |
US20230197248A1 (en) * | 2021-12-21 | 2023-06-22 | Optellum Limited | System and method for processing medical images |
US12062169B2 (en) | 2022-04-25 | 2024-08-13 | Hong Kong Applied Science and Technology Research Institute Company Limited | Multi-functional computer-aided gastroscopy system optimized with integrated AI solutions and method |
CN114818837B (zh) * | 2022-06-29 | 2022-10-14 | 电子科技大学 | 基于多级神经网络和分块计算的脑电信号智能处理电路 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101084501A (zh) * | 2004-11-29 | 2007-12-05 | 医学视像上市公司 | 数字医学图像分析 |
US20160078614A1 (en) * | 2014-09-16 | 2016-03-17 | Samsung Electronics Co., Ltd. | Computer aided diagnosis apparatus and method based on size model of region of interest |
US20160174902A1 (en) * | 2013-10-17 | 2016-06-23 | Siemens Aktiengesellschaft | Method and System for Anatomical Object Detection Using Marginal Space Deep Neural Networks |
CN106537398A (zh) * | 2014-07-16 | 2017-03-22 | 皇家飞利浦有限公司 | Irecon:具有预估运行的智能图像重建系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7912528B2 (en) * | 2003-06-25 | 2011-03-22 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automated diagnosis and decision support for heart related diseases and conditions |
JP2005245830A (ja) * | 2004-03-05 | 2005-09-15 | Jgs:Kk | 腫瘍検出方法、腫瘍検出装置及びプログラム |
CN103679185B (zh) * | 2012-08-31 | 2017-06-16 | 富士通株式会社 | 卷积神经网络分类器系统、其训练方法、分类方法和用途 |
US9076227B2 (en) * | 2012-10-01 | 2015-07-07 | Mitsubishi Electric Research Laboratories, Inc. | 3D object tracking in multiple 2D sequences |
US9668699B2 (en) * | 2013-10-17 | 2017-06-06 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
US9202144B2 (en) * | 2013-10-30 | 2015-12-01 | Nec Laboratories America, Inc. | Regionlets with shift invariant neural patterns for object detection |
WO2015112932A1 (en) * | 2014-01-25 | 2015-07-30 | Handzel Amir Aharon | Automated histological diagnosis of bacterial infection using image analysis |
US9373059B1 (en) * | 2014-05-05 | 2016-06-21 | Atomwise Inc. | Systems and methods for applying a convolutional network to spatial data |
JP6539901B2 (ja) * | 2015-03-09 | 2019-07-10 | 学校法人法政大学 | 植物病診断システム、植物病診断方法、及びプログラム |
US10157462B2 (en) * | 2016-06-27 | 2018-12-18 | University Of Central Florida Research Foundation, Inc. | System and method for image-based quantification of white and brown adipose tissue at the whole-body, organ and body-region levels |
-
2016
- 2016-08-01 US US15/225,597 patent/US9589374B1/en not_active Expired - Fee Related
-
2017
- 2017-03-17 CN CN201710163688.9A patent/CN106897573B/zh not_active Expired - Fee Related
- 2017-05-30 WO PCT/US2017/035052 patent/WO2018026431A1/en unknown
- 2017-05-30 EP EP17837353.6A patent/EP3491625A4/en not_active Withdrawn
- 2017-05-30 JP JP2019505259A patent/JP2019530488A/ja not_active Ceased
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101084501A (zh) * | 2004-11-29 | 2007-12-05 | 医学视像上市公司 | 数字医学图像分析 |
US20160174902A1 (en) * | 2013-10-17 | 2016-06-23 | Siemens Aktiengesellschaft | Method and System for Anatomical Object Detection Using Marginal Space Deep Neural Networks |
CN106537398A (zh) * | 2014-07-16 | 2017-03-22 | 皇家飞利浦有限公司 | Irecon:具有预估运行的智能图像重建系统 |
US20160078614A1 (en) * | 2014-09-16 | 2016-03-17 | Samsung Electronics Co., Ltd. | Computer aided diagnosis apparatus and method based on size model of region of interest |
Cited By (75)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451609A (zh) * | 2017-07-24 | 2017-12-08 | 上海交通大学 | 基于深度卷积神经网络的肺结节图像识别系统 |
CN111095426A (zh) * | 2017-08-10 | 2020-05-01 | 艾登斯有限公司 | 使用深度神经网络的计算机辅助诊断 |
US11783936B2 (en) | 2017-08-10 | 2023-10-10 | Aidence B.V. | Computer-aided diagnostics using deep neural networks |
US10918346B2 (en) | 2017-09-06 | 2021-02-16 | General Electric Company | Virtual positioning image for use in imaging |
CN107578416A (zh) * | 2017-09-11 | 2018-01-12 | 武汉大学 | 一种由粗到精级联深度网络的心脏左心室全自动分割方法 |
CN107578416B (zh) * | 2017-09-11 | 2020-03-24 | 武汉大学 | 一种由粗到精级联深度网络的心脏左心室全自动分割方法 |
CN110838124B (zh) * | 2017-09-12 | 2021-06-18 | 深圳科亚医疗科技有限公司 | 用于分割具有稀疏分布的对象的图像的方法、系统和介质 |
CN107610773A (zh) * | 2017-09-12 | 2018-01-19 | 北京即刻叁维数据科技股份有限公司 | 一种基于主动脉医学影像的血管夹层辅助诊断方法 |
CN109493347B (zh) * | 2017-09-12 | 2021-03-23 | 深圳科亚医疗科技有限公司 | 在图像中对稀疏分布的对象进行分割的方法和系统 |
CN109493347A (zh) * | 2017-09-12 | 2019-03-19 | 深圳科亚医疗科技有限公司 | 在图像中对稀疏分布的对象进行分割的方法和系统 |
CN110838124A (zh) * | 2017-09-12 | 2020-02-25 | 深圳科亚医疗科技有限公司 | 用于分割具有稀疏分布的对象的图像的方法、系统和介质 |
CN109583440B (zh) * | 2017-09-28 | 2021-12-17 | 北京西格码列顿信息技术有限公司 | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 |
CN109583440A (zh) * | 2017-09-28 | 2019-04-05 | 北京西格码列顿信息技术有限公司 | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 |
CN108876791B (zh) * | 2017-10-23 | 2021-04-09 | 北京旷视科技有限公司 | 图像处理方法、装置和系统及存储介质 |
CN108876791A (zh) * | 2017-10-23 | 2018-11-23 | 北京旷视科技有限公司 | 图像处理方法、装置和系统及存储介质 |
CN109377496A (zh) * | 2017-10-30 | 2019-02-22 | 北京昆仑医云科技有限公司 | 用于分割医学图像的系统和方法及介质 |
CN109377496B (zh) * | 2017-10-30 | 2020-10-02 | 北京昆仑医云科技有限公司 | 用于分割医学图像的系统和方法及介质 |
CN109754361A (zh) * | 2017-11-02 | 2019-05-14 | 西门子保健有限责任公司 | 3d各向异性的混合网络:将来自2d图像的卷积特征传递到3d各向异性体积 |
CN109754361B (zh) * | 2017-11-02 | 2023-09-22 | 西门子保健有限责任公司 | 3d各向异性的混合网络:将来自2d图像的卷积特征传递到3d各向异性体积 |
CN109758178A (zh) * | 2017-11-10 | 2019-05-17 | 美国西门子医疗解决公司 | 超声成像中的机器辅助工作流 |
CN107977958A (zh) * | 2017-11-21 | 2018-05-01 | 郑州云海信息技术有限公司 | 一种图像诊断方法和装置 |
CN107945173A (zh) * | 2017-12-11 | 2018-04-20 | 深圳市宜远智能科技有限公司 | 一种基于深度学习的皮肤疾病检测方法以及系统 |
CN107945173B (zh) * | 2017-12-11 | 2022-05-24 | 深圳市宜远智能科技有限公司 | 一种基于深度学习的皮肤疾病检测方法以及系统 |
CN108133476B (zh) * | 2017-12-26 | 2022-02-01 | 安徽科大讯飞医疗信息技术有限公司 | 一种肺结节自动检测方法及系统 |
CN108133476A (zh) * | 2017-12-26 | 2018-06-08 | 安徽科大讯飞医疗信息技术有限公司 | 一种肺结节自动检测方法及系统 |
CN110310287B (zh) * | 2018-03-22 | 2022-04-19 | 北京连心医疗科技有限公司 | 基于神经网络的危及器官自动勾画方法、设备和存储介质 |
CN110310287A (zh) * | 2018-03-22 | 2019-10-08 | 北京连心医疗科技有限公司 | 基于神经网络的危及器官自动勾画方法、设备和存储介质 |
CN108549850B (zh) * | 2018-03-27 | 2021-07-16 | 联想(北京)有限公司 | 一种图像识别方法及电子设备 |
CN108549850A (zh) * | 2018-03-27 | 2018-09-18 | 联想(北京)有限公司 | 一种图像识别方法及电子设备 |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN112005313A (zh) * | 2018-04-13 | 2020-11-27 | 通用电气公司 | 用于向成像系统部署深度学习应用程序的系统和方法 |
CN108665950A (zh) * | 2018-04-16 | 2018-10-16 | 首都医科大学附属北京同仁医院 | 基于卷积神经网络生成结构化医学影像报告的方法和系统 |
CN108630303A (zh) * | 2018-04-28 | 2018-10-09 | 江苏医像信息技术有限公司 | 云标注系统 |
CN109166107A (zh) * | 2018-04-28 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种医学图像分割方法及装置、电子设备和存储介质 |
CN108648183A (zh) * | 2018-05-04 | 2018-10-12 | 北京雅森科技发展有限公司 | 一种对spect脑部三维图像分析的方法 |
CN108648183B (zh) * | 2018-05-04 | 2021-07-27 | 北京雅森科技发展有限公司 | 一种对spect脑部三维图像分析的方法 |
CN108877927A (zh) * | 2018-05-30 | 2018-11-23 | 李鹤 | 一种医学图像诊断方法 |
CN108765409A (zh) * | 2018-06-01 | 2018-11-06 | 电子科技大学 | 一种基于ct图像的候选结节的筛选方法 |
US11017207B2 (en) | 2018-08-30 | 2021-05-25 | Applied Materials, Inc. | System for automatic tumor detection and classification |
US11688188B2 (en) | 2018-08-30 | 2023-06-27 | Applied Materials, Inc. | System for automatic tumor detection and classification |
TWI743544B (zh) * | 2018-08-30 | 2021-10-21 | 美商應用材料股份有限公司 | 用於自動腫瘤偵測和分類的方法及系統 |
CN113168912A (zh) * | 2018-09-04 | 2021-07-23 | 艾登斯 Ip 有限公司 | 使用深度学习确定3d数据集中对象的增长速度 |
CN113168912B (zh) * | 2018-09-04 | 2023-12-01 | 艾登斯 Ip 有限公司 | 使用深度学习确定3d数据集中对象的增长速度 |
CN110279433A (zh) * | 2018-09-21 | 2019-09-27 | 四川大学华西第二医院 | 一种基于卷积神经网络的胎儿头围自动精确测量方法 |
CN110279433B (zh) * | 2018-09-21 | 2020-03-27 | 四川大学华西第二医院 | 一种基于卷积神经网络的胎儿头围自动精确测量方法 |
CN112823396A (zh) * | 2018-10-02 | 2021-05-18 | 翰林大学产学合作团 | 基于实时获得的胃内窥镜图像诊断胃病变的内窥镜装置及方法 |
WO2020078252A1 (en) * | 2018-10-16 | 2020-04-23 | The Chinese University Of Hong Kong | Method, apparatus and system for automatic diagnosis |
CN112638279A (zh) * | 2018-10-22 | 2021-04-09 | 百合医疗科技株式会社 | 超声波诊断系统 |
CN113039578A (zh) * | 2018-11-16 | 2021-06-25 | 医科达有限公司 | 利用深度神经网络的实时运动监测 |
CN111311536A (zh) * | 2018-11-22 | 2020-06-19 | 西门子医疗有限公司 | 医学图像数据 |
WO2020107167A1 (zh) * | 2018-11-26 | 2020-06-04 | 深圳先进技术研究院 | 乳腺密度自动分级方法及装置 |
CN109447185A (zh) * | 2018-11-28 | 2019-03-08 | 中国科学院自动化研究所 | 基于深度学习的显微荧光图像分类方法 |
CN109411084A (zh) * | 2018-11-28 | 2019-03-01 | 武汉大学人民医院(湖北省人民医院) | 一种基于深度学习的肠结核辅助诊断系统及方法 |
CN109635812A (zh) * | 2018-11-29 | 2019-04-16 | 中国科学院空间应用工程与技术中心 | 图像的实例分割方法及装置 |
TWI694414B (zh) * | 2018-12-18 | 2020-05-21 | 國立成功大學 | 卷積神經網路分析方法、電腦程式產品與電子裝置 |
CN109813276A (zh) * | 2018-12-19 | 2019-05-28 | 五邑大学 | 一种基站天线下倾角测量方法及其系统 |
CN109712705A (zh) * | 2018-12-19 | 2019-05-03 | 中国石油大学(华东) | 一种基于深度学习的胆石病智能诊断app |
CN113366580B (zh) * | 2018-12-31 | 2024-07-26 | 通用电气精准医疗有限责任公司 | 图像处理系统、方法和机器可读存储介质 |
CN113366580A (zh) * | 2018-12-31 | 2021-09-07 | 通用电气精准医疗有限责任公司 | 使用分布式学习平台促进将人工智能集成到系统中 |
CN109545380A (zh) * | 2019-01-10 | 2019-03-29 | 上海联影医疗科技有限公司 | 人体结构生长健康状况确定方法、装置、存储介质及设备 |
CN110033019B (zh) * | 2019-03-06 | 2021-07-27 | 腾讯科技(深圳)有限公司 | 人体部位的异常检测方法、装置和存储介质 |
CN110033019A (zh) * | 2019-03-06 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 人体部位的异常检测方法、装置和存储介质 |
CN113614744A (zh) * | 2019-03-18 | 2021-11-05 | 辉达公司 | 使用一个或多个神经网络的诊断 |
CN110136137A (zh) * | 2019-04-02 | 2019-08-16 | 成都真实维度科技有限公司 | 一种基于断层扫描图数据集进行血管区域分割的方法 |
CN109965905A (zh) * | 2019-04-11 | 2019-07-05 | 复旦大学 | 一种基于深度学习的造影区域检测成像方法 |
CN110070546B (zh) * | 2019-04-18 | 2021-08-27 | 山东师范大学 | 一种基于深度学习的多目标危及器官的自动分割方法、装置及系统 |
CN110070546A (zh) * | 2019-04-18 | 2019-07-30 | 山东师范大学 | 一种基于深度学习的多目标危及器官的自动分割方法、装置及系统 |
CN110555825A (zh) * | 2019-07-23 | 2019-12-10 | 北京赛迈特锐医疗科技有限公司 | 胸部x线影像智能诊断系统及其诊断方法 |
CN110570407A (zh) * | 2019-08-29 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 图像处理方法、存储介质及计算机设备 |
CN110751621B (zh) * | 2019-09-05 | 2023-07-21 | 五邑大学 | 基于深度卷积神经网络的乳腺癌辅助诊断方法及装置 |
CN110751621A (zh) * | 2019-09-05 | 2020-02-04 | 五邑大学 | 基于深度卷积神经网络的乳腺癌辅助诊断方法及装置 |
CN111415352A (zh) * | 2020-04-03 | 2020-07-14 | 南京信息工程大学 | 一种基于深度级联网络的癌转移全景病理切片分析方法 |
CN113244009B (zh) * | 2021-06-17 | 2021-11-09 | 深圳市弘玉信息技术有限公司 | 基于人工智能图像识别调整电动牙刷的口腔健康管理系统 |
CN113244009A (zh) * | 2021-06-17 | 2021-08-13 | 深圳市弘玉信息技术有限公司 | 基于人工智能图像识别调整电动牙刷的口腔健康管理系统 |
CN113506288A (zh) * | 2021-07-28 | 2021-10-15 | 中山仰视科技有限公司 | 基于transform注意力机制的肺结节检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US9589374B1 (en) | 2017-03-07 |
WO2018026431A1 (en) | 2018-02-08 |
EP3491625A1 (en) | 2019-06-05 |
JP2019530488A (ja) | 2019-10-24 |
CN106897573B (zh) | 2018-04-20 |
EP3491625A4 (en) | 2020-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897573B (zh) | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统 | |
Aggarwal et al. | COVID-19 image classification using deep learning: Advances, challenges and opportunities | |
CN112992308B (zh) | 医学图像报告生成模型的训练方法及图像报告生成方法 | |
US10950026B2 (en) | Systems and methods for displaying a medical image | |
Pfaehler et al. | A systematic review and quality of reporting checklist for repeatability and reproducibility of radiomic features | |
US20170004619A1 (en) | System and method for automatic pulmonary embolism detection | |
Rudie et al. | Three-dimensional U-Net convolutional neural network for detection and segmentation of intracranial metastases | |
CN108369642A (zh) | 根据头部计算机断层摄影解释和量化急症特征 | |
Tu et al. | Automatic categorization and scoring of solid, part-solid and non-solid pulmonary nodules in CT images with convolutional neural network | |
CN108230311A (zh) | 一种乳腺癌检测方法及装置 | |
CN102483761B (zh) | 对基于内容的图像检索的相关性的可视化 | |
Freiman et al. | Improving CCTA‐based lesions' hemodynamic significance assessment by accounting for partial volume modeling in automatic coronary lumen segmentation | |
EP3944253A1 (en) | Machine learning from noisy labels for abnormality assessment in medical imaging | |
Chaddad et al. | Deep radiomic analysis for predicting coronavirus disease 2019 in computerized tomography and X-ray images | |
Li et al. | Semantic characteristics prediction of pulmonary nodule using artificial neural networks | |
WO2022056297A1 (en) | Method and apparatus for analyzing medical image data in a latent space representation | |
Kuo et al. | Fast fully automatic detection, classification and 3D reconstruction of pulmonary nodules in CT images by local image feature analysis | |
CN112367905A (zh) | 基于脉管化模式的诊断、预测、确定预后、监测或分期疾病的方法 | |
US20190295255A1 (en) | Identification of areas of interest in imaging applications | |
Nigudgi et al. | Lung cancer CT image classification using hybrid-SVM transfer learning approach | |
Kolossváry et al. | Deep learning analysis of chest radiographs to triage patients with acute chest pain syndrome | |
Gaber et al. | Comprehensive assessment of facial paralysis based on facial animation units | |
Ahamad et al. | Deep Learning-Based Cancer Detection Technique | |
Wang et al. | [Retracted] Student Physical Fitness Test System and Test Data Analysis System Based on Computer Vision | |
US20220005190A1 (en) | Method and system for generating a medical image with localized artifacts using machine learning |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20180807 Address after: Unit 405, B1 building, biological nano Park, 218 Xing Hu Street, Suzhou Industrial Park, Jiangsu. Patentee after: Shenzhen Shen Wei medical technology (Suzhou) Co., Ltd. Address before: Grand Cayman, Cayman Islands Patentee before: 12 sigma Holdings Limited |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180420 Termination date: 20200317 |
|
CF01 | Termination of patent right due to non-payment of annual fee |