CN108710901B - 一种基于深度学习的脊柱畸形筛查系统及方法 - Google Patents

一种基于深度学习的脊柱畸形筛查系统及方法 Download PDF

Info

Publication number
CN108710901B
CN108710901B CN201810434100.3A CN201810434100A CN108710901B CN 108710901 B CN108710901 B CN 108710901B CN 201810434100 A CN201810434100 A CN 201810434100A CN 108710901 B CN108710901 B CN 108710901B
Authority
CN
China
Prior art keywords
deep learning
spine
deformity
learning model
screening
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
Application number
CN201810434100.3A
Other languages
English (en)
Other versions
CN108710901A (zh
Inventor
杨军林
林浩添
张凯
范恒伟
黄紫房
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Xinmiao Technology Co ltd
Original Assignee
Guangzhou Xinmiao Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Xinmiao Technology Co ltd filed Critical Guangzhou Xinmiao Technology Co ltd
Priority to CN201810434100.3A priority Critical patent/CN108710901B/zh
Publication of CN108710901A publication Critical patent/CN108710901A/zh
Application granted granted Critical
Publication of CN108710901B publication Critical patent/CN108710901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)

Abstract

本发明具体涉及了一种基于深度学习的脊柱畸形筛查分类系统及方法，可将获取的人体外观照片进行自动分析从而实现脊柱畸形筛查分类。该系统是由深度学习框架自主学习由医学专家根据对应的X线结果注释分类的正常群体和脊柱畸形群体的外观图片，得到训练完成的深度学习模型。用户可运用各类终端在联机或脱机状态下使用该系统自动提取上传的外观图片信息、判别是否存在脊柱畸形并评价其严重程度，最终给出风险报告及相应医疗建议。现行的脊柱畸形筛查方法需要训练专业人员操作，且存在成本高、耗时长及阳性预测率不理想等问题，本筛查系统及方法弥补了现行筛查方法的缺陷，简单易行，无需训练专业人员操作，可解决大规模脊柱畸形筛查难以施行的困境。

Description

一种基于深度学习的脊柱畸形筛查系统及方法
技术领域
本发明涉及脊柱畸形筛查领域，具体涉及一种基于深度学习的脊柱畸形筛查系统及方法。
背景技术
脊柱畸形是骨科最常见的致残性畸形，该病早期隐匿但发展迅速，引起明显的外观畸形。文献报道其发病率为2-4％，申请人对广州市部分学校的筛查结果显示其发病率达5.14％，全国中小学生人数共超过20000万人，若按此发病率计算横断面患儿人数将达到1103.87万人。然而，由于缺乏明显症状且学校体检不包括骨骼系统，患儿在疾病初期常被忽视；一旦延误诊治致畸形进展只能通过手术治疗来降低并发症及死亡风险，不仅导致患者术后脊柱活动度永久丢失，还给家庭和社会带来重担。故脊柱畸形的早期筛查诊断具有重要意义，也是当前迫切需要解决的问题。
现行的脊柱畸形筛查方法主要有两种，1)双层人工筛查：第一层通过可疑体征及脊柱畸形测量尺上的读数综合判断，将可疑患者送至第二层筛查，再次使用上述方法检查后仍可疑的患者建议拍摄X线确诊，代表性文献中该方法对于20度以上脊柱畸形的阳性预测率为17.4％；2)人工加云纹图筛查：第一层通过可疑体征及脊柱畸形测量尺上的读数综合判断，将可疑患者送至第二层筛查进行云纹图筛查，二次筛查后仍可疑的患者建议拍摄X线确诊，代表性文献中该方法对于20度以上脊柱畸形的阳性预测率为36.5％。两种方法在大范围筛查时都需要大量的人力物力成本，操作人员均需经过专业培训，较低的阳性预测率意味着大量本无需拍摄X线的受试者也受到了射线辐射，复杂的流程意味着医疗资源的分配也会对筛查的可行性造成影响。一个理想的脊柱畸形筛查方法需要具备以下要素：安全、方便、敏感、有效、效价比高，现行的两种方法显然不能满足以上要求。
发明内容
为了克服现有技术的缺陷，本发明提供一种基于深度学习的脊柱畸形筛查系统及方法，可自动分析获取到的人体外观照片进行从而实现脊柱畸形筛查分类，弥补了现行筛查方法的缺陷，简单易行，无需训练专业人员操作，提高了筛查效率，大大降低了人群受到的无效辐射，解决大规模脊柱畸形筛查难以施行的困境。
为了达到上述目的，本发明是这样加以解决的：一种基于深度学习的脊柱畸形筛查系统，至少包括：
处理分析模块，其中预置有若干深度学习模型，通过该深度学习模型对脊柱外观图片进行分析处理，得出分析结果。
深度学习能够非常有效地从大量有标签数据中自动深度提取数据的特征信息，充分挖掘数据的内在属性和有价值的表征数据，然后组合低层特征为更加抽象的高层特征，而高级特征则是数据更高级、更本质的描述，由此可以在分类问题上得到更优的结果，这为我们提供了一种利用大量临床样本来训练高敏感性、特异性及一致性的脊柱畸形筛查工具，可以用于解决目前脊柱畸形筛查中的困境。相比于现有技术中通过人工筛查，提高了筛查效率，而且人工筛查为了确保较高的预测率，需要更多疑似患病的患者拍摄X线确诊，深度学习能够达到更高的预测率，所以需要拍摄X线确诊的人数会更少，大大降低了人群受到的无效辐射。其中的分析结果可包括：是否有脊柱畸形、畸形严重程度、脊柱畸形风险报告及相应的医疗建议，指导用户合理转诊及随诊。
进一步地，所述处理分析模块中预置有若干深度学习模型，处理分析模块包括：
处理模块，用于通过深度学习模型对脊柱外观图片进行预处理；
分析模块，通过深度学习模型对预处理后的脊柱外观图片进行分析处理，得出分析结果。
预处理过程具体可为：通过深度学习模型，从脊柱外观图片中截取颈部和背部这两个跟脊柱有关的部分。预处理过程有利于去除背景或杂物，提高预测率和筛查效率。
进一步地，还包括接收模块，用于接收脊柱外观图片。
接收模块可接收各类终端发送的脊柱外观图片，各类终端可以是但不限于是智能手机、平板电脑、手提及台式电脑等各类设备。
进一步地，还包括发送模块，用于向外发送分析结果。
同样，发送模块可向各类终端发送分析结果，以便于医护人员或患者确认具体情况。
进一步地，还包括模型更新模块，用于通过自适应学习更新预置的深度学习模型。
通过自适应更新，能够让深度学习模型积累更多的经验，得出更准确的预测率。
一种基于深度学习的脊柱畸形筛查方法，包括如下步骤：
预先训练得到若干深度学习模型；
S1.通过深度学习模型对脊柱外观图片进行分析处理，得出分析结果。
进一步地，步骤S1中先通过深度学习模型对脊柱外观图片进行预处理，再通过深度学习模型对脊柱外观图片进行分析处理，得出分析结果。
进一步地，预处理过程为：通过深度学习模型提取脊柱外观图片中相应的颈部及背部部分。
进一步地，深度学习模型有三个，一个用于判定是否存在脊柱畸形，另一个用于判定脊柱畸形的严重程度，还有一个用于提取脊柱外观图片中相应的颈部及背部部分；
先将脊柱外观图片输入到用于提取脊柱外观图片中相应的颈部及背部部分的深度学习模型进行预处理，然后将预处理后的脊柱外观图片输入到用于判定是否存在脊柱畸形的深度学习模型中，若判定是，则将预处理后的脊柱外观图片输入到用于判定脊柱畸形的严重程度的深度学习模型中。
进一步地，通过带有标注的脊柱外观图片训练得出若干深度学习模型。具体为标注有
进一步地，还通过自适应学习更新预置的深度学习模型。
进一步地，步骤S1中，脊柱外观图片从终端获取得到。
进一步地，还包括步骤S2：
S2.将分析结果发送给终端。
相比于现有技术，本发明的有益效果在于：由深度学习框架自主学习由医学专家根据对应的X线结果注释分类的脊柱外观图片，得到训练完成的深度学习模型。用户可运用各类终端在联机或脱机状态下使用该系统自动提取上传的外观图片信息、判别是否存在脊柱畸形并评价其严重程度，最终给出风险报告及相应医疗建议。
附图说明
图1是本发明系统的结构示意图。
图2是本发明方法的流程图。
图3-1A至图3-1C是脊柱侧方弯曲10度以下个体外观及影像信息示例图。
图3-2A至图3-2C是脊柱侧方弯曲10-20度个体外观及影像信息示例图。
图3-3A至图3-3C是脊柱侧方弯曲20-40度个体外观及影像信息示例图。
图3-4A至图3-4C是脊柱侧方弯曲40度以上个体外观及影像信息示例图。
具体实施方式
为使得本发明专利的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明专利中的附图，对本发明专利中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明专利，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明专利保护的范围。
下面结合附图对本发明作进一步描述：
实施例1：
参阅图1，本发明系统基于各类在接入或非接入网络的情况下可连接到服务器的终端及服务器实现，其中各类终端可以是但不限于是智能手机、平板电脑、手提及台式电脑等各类设备，也即有电脑端、移动端或便携筛查设备，便携筛查设备指的是能够直接拍摄脊柱外观图片进行筛查的设备，系统所包括的各个模块均设于服务器中运行。
一种基于深度学习的脊柱畸形筛查系统，包括处理分析模块、接收模块、发送模块和模型更新模块；
接收模块，其用于接收从各类终端在联机或脱机状态下发送的脊柱外观图片及受试者信息，，脊柱外观图片如图3-1B、3-2B、3-3B和3-4B；
处理分析模块，预置有若干深度学习模型，其包括处理模块、分析模块，处理模块用于通过深度学习模型对脊柱外观图片进行预处理；分析模块，分析模块用于通过该深度学习模型对预处理后的脊柱外观图片进行分析处理，得出分析结果；
发送模块，其用于向终端发送分析结果；
模型更新模块，用于通过自适应学习更新预置的深度学习模型。
预处理过程具体可为：通过深度学习模型从脊柱外观图片中截取颈部和背部这两个跟脊柱有关的部分，即从图3-1B、3-2B、3-3B和3-4B中提取出图3-1C、3-2C、3-3C和3-4C。预处理过程有利于去除背景或杂物，提高预测率和筛查效率。
其中的分析结果可包括：是否有脊柱畸形、畸形严重程度等，在得到分析结果后，分析模块还能结合受试者信息生成脊柱畸形风险报告及相应的医疗建议如观察随访或拍摄X线，拍摄X线所得的图像如图3-1A、3-2A、3-3A和3-4A所示，指导用户合理转诊及随诊。
深度学习模型有三个，一个用于判定是否存在脊柱畸形，另一个用于判定脊柱畸形的严重程度，还有一个用于提取脊柱外观图片中相应的颈部及背部部分；
在得出分析结果前，先在处理模块中，将脊柱外观图片输入到用于提取脊柱外观图片中相应的颈部及背部部分的深度学习模型进行预处理；然后在分析模块中，将预处理后的脊柱外观图片输入到用于判定是否存在脊柱畸形的深度学习模型中，若判定是，则在分析模块中，将预处理后的脊柱外观图片输入到用于判定脊柱畸形的严重程度的深度学习模型中，得出分析结果。
在得出分析结果后，对于建议拍摄X线的受试者，在拍摄X线后确诊，将确诊结果发送到模型更新模块中，对用于判定脊柱畸形严重程度的深度学习模型，以及判定是否存在脊柱畸形的深度学习模型进行自适应学习更新。
由深度学习框架自主学习，并由医学专家根据对应的X线结果注释分类的正常和畸形的脊柱外观图片，得到训练完成的用于判定脊柱畸形严重程度的深度学习模型，以及判定是否存在脊柱畸形的深度学习模型。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明专利技术方案的精神和范围。
实施例2：
参阅图2，一种基于深度学习的脊柱畸形筛查方法，包括如下步骤：
预先训练得到若干深度学习模型；
S1.接收各类终端在联网或非联网状态下发送的受试者信息及脊柱外观图片，如图3-1B、3-2B、3-3B和3-4B，先通过深度学习模型对脊柱外观图片进行预处理，再通过深度学习模型对预处理后的脊柱外观图片进行分析处理，得出分析结果；
S2.将分析结果发送给终端。
预处理过程为：通过深度学习模型提取脊柱外观图片中相应的颈部及背部部分，即从图3-1B、3-2B、3-3B和3-4B中提取出图3-1C、3-2C、3-3C和3-4C。
其中的分析结果可包括：是否有脊柱畸形、畸形严重程度等，在得到分析结果后，还能结合受试者信息生成脊柱畸形风险报告及相应的医疗建议如观察随访或拍摄X线，拍摄X线所得的图像如图3-1A、3-2A、3-3A和3-4A所示，指导用户合理转诊及随诊。
深度学习模型有三个，一个用于判定是否存在脊柱畸形，另一个用于判定脊柱畸形的严重程度，还有一个用于提取脊柱外观图片中相应的颈部及背部部分；
先将脊柱外观图片输入到用于提取脊柱外观图片中相应的颈部及背部部分的深度学习模型进行预处理，然后将预处理后的脊柱外观图片输入到用于判定是否存在脊柱畸形的深度学习模型中，若判定是，则将预处理后的脊柱外观图片输入到用于判定脊柱畸形的严重程度的深度学习模型中。
在得出分析结果后，对于建议拍摄X线受试者，在拍摄X线进行确诊后，将确诊结果发送到模型更新模块中，对用于判定脊柱畸形严重程度的深度学习模型，以及判定是否存在脊柱畸形的深度学习模型进行自适应学习更新。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明专利技术方案的精神和范围。

Claims (6)

1.一种基于深度学习的脊柱畸形筛查系统，其特征在于，至少包括：
处理分析模块，其中预置有若干深度学习模型，通过该深度学习模型对脊柱外观图片进行分析处理，得出分析结果；
深度学习模型有三个，一个用于判定是否存在脊柱畸形，另一个用于判定脊柱畸形的严重程度，还有一个用于提取脊柱外观图片中相应的颈部及背部部分；
先将脊柱外观图片输入到用于提取脊柱外观图片中相应的颈部及背部部分的深度学习模型进行预处理，然后将预处理后的脊柱外观图片输入到用于判定是否存在脊柱畸形的深度学习模型中，若判定是，则将预处理后的脊柱外观图片输入到用于判定脊柱畸形的严重程度的深度学习模型中。
2.根据权利要求1所述的一种基于深度学习的脊柱畸形筛查系统，其特征在于，还包括接收模块，用于接收脊柱外观图片。
3.根据权利要求1所述的一种基于深度学习的脊柱畸形筛查系统，其特征在于，还包括发送模块，用于向外发送分析结果。
4.根据权利要求1所述的一种基于深度学习的脊柱畸形筛查系统，其特征在于，还包括模型更新模块，用于通过自适应学习更新预置的深度学习模型。
5.一种基于深度学习的脊柱畸形筛查方法，包括如下步骤：
预先训练得到若干深度学习模型；
S1.通过深度学习模型对脊柱外观图片进行分析处理，得出分析结果；
深度学习模型有三个，一个用于判定是否存在脊柱畸形，另一个用于判定脊柱畸形的严重程度，还有一个用于提取脊柱外观图片中相应的颈部及背部部分；
先将脊柱外观图片输入到用于提取脊柱外观图片中相应的颈部及背部部分的深度学习模型进行预处理，然后将预处理后的脊柱外观图片输入到用于判定是否存在脊柱畸形的深度学习模型中，若判定是，则将预处理后的脊柱外观图片输入到用于判定脊柱畸形的严重程度的深度学习模型中。
6.根据权利要求5所述的一种基于深度学习的脊柱畸形筛查方法，其特征在于，通过带有标注的脊柱外观图片预先训练得出深度学习模型。
CN201810434100.3A 2018-05-08 2018-05-08 一种基于深度学习的脊柱畸形筛查系统及方法 Active CN108710901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810434100.3A CN108710901B (zh) 2018-05-08 2018-05-08 一种基于深度学习的脊柱畸形筛查系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810434100.3A CN108710901B (zh) 2018-05-08 2018-05-08 一种基于深度学习的脊柱畸形筛查系统及方法

Publications (2)

Publication Number Publication Date
CN108710901A CN108710901A (zh) 2018-10-26
CN108710901B true CN108710901B (zh) 2022-03-01

Family

ID=63867821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810434100.3A Active CN108710901B (zh) 2018-05-08 2018-05-08 一种基于深度学习的脊柱畸形筛查系统及方法

Country Status (1)

Country Link
CN (1) CN108710901B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109427060A (zh) * 2018-10-30 2019-03-05 腾讯科技（深圳）有限公司 一种影像识别的方法、装置、终端设备和医疗系统
CN109636796A (zh) * 2018-12-19 2019-04-16 中山大学中山眼科中心 一种人工智能眼部图片分析方法、服务器和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1795823A (zh) * 2004-12-23 2006-07-05 香港理工大学 一种早期检测特发性脊柱侧凸的智能增强系统及其方法
CN107684430A (zh) * 2017-09-29 2018-02-13 上海市上海中学 基于Curie模块人体姿态检测纠正装置及其使用方法
CN107977971A (zh) * 2017-11-09 2018-05-01 哈尔滨理工大学 基于卷积神经网络的椎骨定位的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130131486A1 (en) * 2010-02-26 2013-05-23 Spontech Spine Intelligence Group Ag Computer program for spine mobility simulation and spine simulation method
US9324140B2 (en) * 2013-08-29 2016-04-26 General Electric Company Methods and systems for evaluating bone lesions

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1795823A (zh) * 2004-12-23 2006-07-05 香港理工大学 一种早期检测特发性脊柱侧凸的智能增强系统及其方法
CN107684430A (zh) * 2017-09-29 2018-02-13 上海市上海中学 基于Curie模块人体姿态检测纠正装置及其使用方法
CN107977971A (zh) * 2017-11-09 2018-05-01 哈尔滨理工大学 基于卷积神经网络的椎骨定位的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Automatic judgment of spinal deformity based on back propagation on neural network;KIM H S, et.al;《International Journal of Innovative Computing, Information and Control》;20061231;1271-1279 *
KIM H S, et.al.Automatic judgment of spinal deformity based on back propagation on neural network.《International Journal of Innovative Computing, Information and Control》.2006, *
图像处理技术在脊柱侧弯检查中的应用;吕东辉，等;《生物医学工程学杂志》;20120825;全文 *

Also Published As

Publication number Publication date
CN108710901A (zh) 2018-10-26

Similar Documents

Publication Publication Date Title
WO2019105218A1 (zh) 图像特征的识别方法和装置、存储介质、电子装置
CN106529555B (zh) 一种基于全卷积网络的dr片肺轮廓提取方法
CN111325745B (zh) 骨折区域分析方法和装置、电子设备及可读存储介质
Hariri et al. Deep neural networks for COVID-19 detection and diagnosis using images and acoustic-based techniques: a recent review
CN109460717B (zh) 消化道共聚焦激光显微内镜病变图像识别方法及装置
Aslam et al. Neurological Disorder Detection Using OCT Scan Image of Eye
CN108710901B (zh) 一种基于深度学习的脊柱畸形筛查系统及方法
CN117238452B (zh) 一种区域医学影像云及检查检验结果互认共享平台
Asare et al. Iron deficiency anemia detection using machine learning models: A comparative study of fingernails, palm and conjunctiva of the eye images
US11721023B1 (en) Distinguishing a disease state from a non-disease state in an image
Masadeh et al. An efficient machine learning-based COVID-19 identification utilizing chest X-ray images
Darji et al. Feature extraction with capsule network for the COVID-19 disease prediction though X-ray images
Lee et al. Assessment of diagnostic image quality of computed tomography (CT) images of the lung using deep learning
KR102036052B1 (ko) 인공지능 기반으로 비규격화 피부 이미지의 의료 영상 적합성을 판별 및 변환하는 장치
CN112397195B (zh) 用于生成体格检查模型的方法、装置、电子设备和介质
Willingham Jr et al. The potential of using artificial intelligence to improve skin cancer diagnoses in Hawai ‘i’s multiethnic population
Alagarsamy et al. Classification of covid patient image dataset using modified deep convolutional neural network system
Mahapatra et al. Deploying Deep Transfer Learning Models to a Web-App for Sars-Cov-2 Detection Using Chest Radiography Images
Krones et al. From theoretical models to practical deployment: A perspective and case study of opportunities and challenges in AI-driven healthcare research for low-income settings
Zhang et al. A clinical classification for radiation-less monitoring of scoliosis based on deep learning of back photographs
CN110445954A (zh) 图像采集方法、装置及电子设备
SV et al. Detection of COVID-19 from Chest X-ray Images using Concatenated Deep Learning Neural Networks
Bhatnagar et al. A Review on the Use of Artificial Intelligence in Fracture Detection
Suwandi et al. A Systematic Literature Review: Diabetic Retinopathy Detection Using Deep Learning
Srirangam Artificial Intelligence Based Hyper-parameter Adjustment on Deep Neural Networks: An Application of Detection and Classification of COVID-19 Diseases

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