CN108877927A - 一种医学图像诊断方法 - Google Patents
一种医学图像诊断方法 Download PDFInfo
- Publication number
- CN108877927A CN108877927A CN201810538078.7A CN201810538078A CN108877927A CN 108877927 A CN108877927 A CN 108877927A CN 201810538078 A CN201810538078 A CN 201810538078A CN 108877927 A CN108877927 A CN 108877927A
- Authority
- CN
- China
- Prior art keywords
- medical image
- medical
- diagnosis method
- tissue
- neural networks
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 230000001537 neural effect Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000010835 comparative analysis Methods 0.000 claims abstract description 8
- 210000000056 organ Anatomy 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 238000013461 design Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 2
- 201000010099 disease Diseases 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 2
- 210000001519 tissue Anatomy 0.000 description 21
- 238000002604 ultrasonography Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000004165 myocardium Anatomy 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 210000003470 mitochondria Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种医学图像诊断方法,包括以下步骤:采集医学图像‑医学图像预处理‑分级分析‑获取精准医学图像‑对比评估。本发明使用二重卷积神经网络对医学图像进行分批次勾画,可以广泛应用于较小的图像数据集,降低计算资源的消耗并且获得非常高的准确性;采用现场可编辑门阵列(FPGA)实现本医学诊断工具的整体设计,其目的在于FPGA的功耗较低,符合节能减排的绿色经济发展理念;用不同疾病种类、不同区域人群和不同医学技术设备的医学图像来获取对应的二级神经网络模型参数,极大方便了医生的使用,提升了诊断效果;基于FPGA的神经网络计算单元经济造价低,适用于综合性医院的各科室,又方便应用于乡镇级医疗机构。
Description
技术领域
本发明涉及一种医学图像诊断方法,属于人工智能、医学图像处理及定制化计算交叉技术领域。
背景技术
医学图像是诊断疾病的重要工具,然而,现阶段对医学图像还缺乏可靠的定量分析工具,大部分的医疗诊断依然依赖医生的经验及人为判断。因此,一种精准可靠的自动化医学图像定量分析的方法和工具是迫切需要的。然而,要实现自动化定量分析,首先要实现的就是医学图像中的器官及组织的轮廓勾画。在这方面,目前主流的方法包括传统的轮廓寻找法和机器学习法。
传统轮廓勾画法又包括Active Contour Selection(ACS),离散主动轮廓,先验经验,level sets等方法。ACS整个过程由三部分组成:首先,轮廓将通过滤波器和形态学操作进行估计;其次,使用generic算法找到轮廓的最优解;最后,求解的轮廓将被用于下次的轮廓勾画。离散主动轮廓方法采用统计外部参数进而对医学图像进行分割,基于先验经验的分割方法可以提高特征内的同质性,帮助改善分割过程;Level sets则是另一种用来代替ACS的方法,它也广泛用于医学图像识别,Level sets方法主要是基于平均强度梯度,其结果只能进行定性分析。
对于某些重要器官,例如心脏,为了更好的监测其功能,需要在整个心脏周期内分析超声心动图,心脏病专家利用医学图像可以更加准确和方便地做出决定。因此,越来越多的研究人员将心脏图像分割视为时空问题利用Deriche边缘检测器的时空定位方法可以追踪心脏轮廓,但这种方法在临床实践中尚未得到充分验证,所以研究者又提出了一种基于局部相位的方法来进行时空心内膜轮廓检测,局部相位在理论上不受强度影响,因此对于超声图像分割更好。
但是以上方法都耗时长且不能重复使用,进而医疗成本较高。为了降低人工识别检测的成本及提高治疗效率,一些基于机器学习的算法受到了业界关注。最早提出的是一种模仿人类视觉的系统,它被提议用于自动检测器官内腔和外膜边界。随后,随机森林被提出用于检测医学图像中的器官轮廓。结果表明,树结构可以简单地提供在较小深度加速训练和测试的优点,但是对于较大的深度而言,它仍有一些地方需要改进。此外,支持向量机也被用来计算线粒体分类的一元和二元项。
为了识别数以百万计的图像中的数千个对象/特征,卷积神经网络(CNN)具有大量的学习能力。他们的能力可以通过改变CNN的深度和广度来加以控制。另外,CNN有可能对图像中的特征做出最正确的假设。随后,深度神经网络(DNN)被提出来作为像素分类器。DNN计算了一个像素的概率,即像素属于某个组织或器官的概率,用于通过对图像的所有像素进行分类来分割图像。通常,基于原始像素值的特征选择被用于绕过研究者的镜像,因为图像的特征与分类密切相关,并因此高度影响分割精度。
近几年,深度学习,特别是卷积神经网络广泛应用于图像识别领域,它可以分析及提取医学图像的特征,自动分析图像的有效信息,帮助医生进行诊断。目前,为解决这一问题,深度学习算法主要采用图形处理器(GPU)。该类技术由于其运行功耗过高,消耗大量的计算资源以及较高的经济成本,使其大范围的实地部署及应用严重受限。现场可编辑门阵列(Field Programmable Gate Array,FPGA)作为一种高性能、低功耗以及经济成本较低的硬件加速平台越来越多的受到研究人员的青睐。
发明内容
为解决上述技术问题,本发明提供了一种医学图像诊断方法,该医学图像诊断方法采用二重卷积神经网络和FPGA的硬件,通过算法优化降低了计算资源的消耗,并且提高了对图像分割的准确性。
本发明通过以下技术方案得以实现。
本发明提供的一种医学图像诊断方法,包括以下步骤:
①采集医学图像:从医疗设备中采集医学图像;
②医学图像预处理:对步骤①中采集到的医学图像进行格式处理以及医学图像特征预处理;
③分级分析:利用二重卷积神经网络对预处理后的医学图像进行分级分析,并将分级分析后的二级神经网络模型参数存储到计算机中;
④获取精准医学图像:根据步骤③中所得二级神经网络模型参数,在FPGA上设置神经网络计算单元,获取精准医学图像;
⑤对比评估:将步骤①中的医学图像与经过步骤④精准医学图像进行对比评估,生成评估报告。
所述步骤①中,医学图像上设有医学专家标注的目标器官、组织像素点以及背景噪声像素点。
所述步骤②中,医学图像特征预处理为提取医学图像标注的目标器官、组织的像素点和背景噪声的像素点。
所述步骤③中的分级分析分为以下步骤:
(3.1)使用一级卷积神经网络勾勒出医学图像中目标器官的最小外接矩形区域或组织的最小外接矩形区域;
(3.2)截取步骤(3.1)中的目标器官区域或组织区域,进入二级单像素分类卷积神经网络,对目标器官区域二值图或组织区域二值图进行分类识别和精准定位。
所述步骤④中,神经网络计算单元包括数据存储模块和与数据存储模块连接的计算机;所述数据存储模块包括FPGA,在FPGA中设有控制模块、神经网络计算模块、BRAM和DDR;所述控制模块分别与神经网络计算模块、BRAM、DDR和计算机连接;所述神经网络计算模块与BRAM连接。
所述计算机中设有用于获取医学图像的医学图像获取接口,和用于获取二级神经网络模型参数的参数获取接口。
所述步骤⑤分为以下步骤:
(5.1)从医疗设备中采集对应的医学图像,并提取医学图像中由医学专家标注的像素点以及背景噪声像素;
(5.2)采集步骤④中的精准医学图像;
(5.3)使用识别准确率和平均绝对差离两个指标,对比评估步骤(5.2)中的医学图像与步骤(5.1)中的医学图像,生成评估报告;
(5.4)若评估报告结果达不到指标,可重复步骤②~⑤,直至评估报告达到指标。
所述识别准确率为目标器官与组织的分类识别准确程度;所述平均绝对离差为所勾画的目标器官位置或组织与实际位置的偏差程度。
所述神经网络计算模块中有若干个子层计算单元。
所述若干个子层计算单元有两种设置方式:
a.分布式:将每个子层计算单元单独设置为一个独立的单元;
b.整体式:将若干个子层计算单元设置为一个整体的单元。
本发明的有益效果在于:
1.使用二重卷积神经网络对医学图像进行分批次勾画,可以广泛应用于较小的图像数据集,降低计算资源的消耗并且获得非常高的准确性;
2.采用多种数据增强变换技术,如旋转、缩放、尺度变换等,减少了对大量训练数据的依赖,使原本需要成千上万病例的训练数据才能达到的高准确率的图像识别模型,现只需要数百病例就可以达到很好的效果;
3.减少了计算资源/存储资源的消耗,进而减小成本和能耗;第一级神经网络仅需勾勒出最小外接矩形区域,不对整幅原始图像进行每个像素识别;第二级神经网络仅对前一级识别出的矩形区域进行单像素识别,最终给出目标器官及组织的准确位置;
4.采用低功耗的FPGA加速平台实现精准医学图像的设计,其目的在于FPGA的功耗较低,符合节能减排的绿色经济发展理念,其次,用不同疾病种类、不同区域人群和不同医学技术设备的医学图像来获取对应的二级神经网络模型参数,由于FPGA的可编程特性,使得该发明可以针对不同科室的医学图像,定制化配置特定的双重神经网络参数,这极大方便了医生的使用,提升了诊断效果,最后,基于神经网络计算单元经济造价低,适用于综合性医院的各科室,又方便应用于乡镇级医疗机构,并为后者提供远程医疗诊断提供了技术和设备支持。
附图说明
图1是本发明的流程图;
图2是本发明神经网络计算单元的结构示意图;
图3是本发明医学图像分类识别流程图。
具体实施方式
下面进一步描述本发明的技术方案,但要求保护的范围并不局限于所述。
如图1所示,一种医学图像诊断方法,包括以下步骤:
①采集医学图像:从医疗设备中采集医学图像,使用Python脚本程序完成该步骤,其中医学图像可来自于超声(包括B超和MCE等)、MRI、CT、PET-CT以及X射线以及显微照片等医学图像;
②医学图像预处理:对步骤①中采集到的医学图像进行格式处理以及医学图像特征预处理;
③分级分析:利用二重卷积神经网络对预处理后的医学图像进行分级分析,并将分级分析后的二级神经网络模型参数存储到计算机中;由于第一级卷积神经网络只需划分目标器官或组织的区域,第二级卷积神经网络对已划分的部分图像进行单像素分类识别,所以减少了计算资源/存储资源的消耗,进而减小成本和能耗;
④获取精准医学图像:根据步骤③中所得二级神经网络模型参数,在FPGA上设置神经网络计算单元(利用硬件编程语言(Verilog/VHDL)),获取精准医学图像;这是一种简化了的神经网络模型,减少了对大量数据的依赖性,使原本需要成千上万病例的数据才能达到的高准确率的图像识别模型,现只需要数百病例就可以达到很好的识别效果;
⑤对比评估:将步骤①中的医学图像与经过步骤④精准医学图像(即已标记目标器官/组织准确位置信息)进行对比评估,生成评估报告。
所述步骤①中,医学图像上设有医学专家标注的目标器官、组织像素点以及背景噪声像素点。
所述步骤②中,医学图像特征预处理为提取医学图像标注的目标器官、组织的像素点和背景噪声的像素点。
所述步骤③中的分级分析分为以下步骤,如图3所示:
(3.1)使用一级卷积神经网络勾勒出医学图像中目标器官的最小外接矩形区域或组织的最小外接矩形区域,并将其存为二值图;
(3.2)截取步骤(3.1)中的目标器官区域或组织区域,进入二级单像素分类卷积神经网络,对每个目标器官区域二值图或组织区域二值图进行分类识别和精准定位。
所述步骤④中,神经网络计算单元包括数据存储模块和与数据存储模块连接的计算机;所述数据存储模块包括FPGA,在FPGA中设有控制模块、神经网络计算模块、BRAM和DDR;所述控制模块分别与神经网络计算模块、BRAM、DDR和计算机连接;所述神经网络计算模块与BRAM连接;FPGA与计算机连接可以实现数据的传输和交互,如图2所示。
所述计算机中设有用于获取医学图像的医学图像获取接口,和用于获取二级神经网络模型参数的参数获取接口。
所述步骤⑤分为以下步骤:
(5.1)从医疗设备中采集对应的医学图像,并提取医学图像中由医学专家标注的像素点以及背景噪声像素;
(5.2)采集步骤④中的精准医学图像;
(5.3)使用识别准确率和平均绝对差离两个指标,对比评估步骤(5.2)中的医学图像与步骤(5.1)中的医学图像,生成评估报告;
(5.4)若评估报告结果达不到指标,可重复步骤②~⑤,直至评估报告达到指标。
所述识别准确率为目标器官与组织的分类识别准确程度;所述平均绝对离差为所勾画的目标器官位置或组织与实际位置的偏差程度。
所述神经网络计算模块中有若干个子层计算单元,如卷积层和全连接层等。
所述若干个子层计算单元有两种设置方式,在步骤④中可以随机选取一种,目的是为了获取最佳的二级神经网络模型参数:
a.分布式:将每个子层计算单元单独设置为一个独立的单元,可以灵活配置不同的二级神经网络模型参数,即自动级联不同种类及不同数量的子层计算单元;
b.整体式:将若干个子层计算单元设置为一个整体的单元。
进一步地,分布式比较适合差别较大的二级神经网络模型,整体式比较适合结构接近的二级神经网络模型。
实施例1
如上所述,以心肌灌注造影心动图(MCE)为例,随机选取64个病例医学图像,按照上述步骤来实现自动心肌轮廓勾画。在本实施例中,采用心脏超声图像,目的是对心肌位置进行精准识别勾画,处理后的图像供医生进行心肌缺血诊断,需要强调的是,在一些实施方式中,该发明的方法适用于MRI、PET/CT、超声、X射线、显微照片或者其他医学影像。此外,在一些实施方式中,可以使用已公开的各类医学图像数据集进行测试,比如MedPix和生物医学成像国际研讨会(ISBI)的开源数据集。下表是本发明与其他方法对比的结果:
方法 | 准确率 | MAD(毫米) |
主动形状模型 | 92% | 2.23 |
经典随机森林模型 | 91% | 2.46 |
纠缠随机森林模型 | 91% | 2.43 |
本发明 | 92% | 1.92 |
从上表可以看出,本发明可以达到92%的识别准确率,勾画效果与实际心脏位置变差MAD指标仅1.92毫米,可以达到降低人工识别检测的成本及提高治疗效率的效果。
实施例2
如上所述,一种医学图像诊断方法,包括以下步骤:
①采集医学图像:从各类医疗设备中采集相关医学图像,包括MRI、超声、CT及X射线等;
②医学图像预处理:对步骤①中采集到的医学图像进行格式处理以及医学图像特征预处理;
③基于二重卷积神经网络的图像分级勾画:通过二重卷积神经网络对预处理后的医学图像进行分级勾画,并将分级分析后的模型参数存储到计算机中,所述模型参数可以应用于较小的数据集,并且达到很好的识别效果;
④硬件电路设计:根据步骤③中所得二级神经网络模型参数,在FPGA上该神经网络模型的硬件设计。因为第一级神经网络只需划分目标器官或组织的区域,第二级神经网络对已划分的部分图像进行单像素分类识别,所以所述二重神经网络模型所需计算资源较小。此外,该硬件设计可以在较小的图像数据集中使用,并且得到很好的分类识别效果。
⑤对比评估将步骤①中的医学图像与经过步骤④精准医学图像(已标记目标器官/组织准确位置信息)进行对比评估,生成评估报告。
Claims (10)
1.一种医学图像诊断方法,其特征在于:包括以下步骤:
①采集医学图像:从医疗设备中采集医学图像;
②医学图像预处理:对步骤①中采集到的医学图像进行格式处理以及医学图像特征预处理;
③分级分析:利用二重卷积神经网络对预处理后的医学图像进行分级分析,并将分级分析后的二级神经网络模型参数存储到计算机中;
④获取精准医学图像:根据步骤③中所得二级神经网络模型参数,在FPGA上设置神经网络计算单元,获取精准医学图像;
⑤对比评估:将步骤①中的医学图像与经过步骤④精准医学图像进行对比评估,生成评估报告。
2.如权利要求1所述的医学图像诊断方法,其特征在于:所述步骤①中,医学图像上设有医学专家标注的目标器官、组织像素点以及背景噪声像素点。
3.如权利要求1所述的医学图像诊断方法,其特征在于:所述步骤②中,医学图像特征预处理为提取医学图像标注的目标器官、组织的像素点和背景噪声的像素点。
4.如权利要求1所述的医学图像诊断方法,其特征在于:所述步骤③中的分级分析分为以下步骤:
(3.1)使用一级卷积神经网络勾勒出医学图像中目标器官的最小外接矩形区域或组织的最小外接矩形区域;
(3.2)截取步骤(3.1)中的目标器官区域或组织区域,进入二级单像素分类卷积神经网络,对目标器官区域二值图或组织区域二值图进行分类识别和精准定位。
5.如权利要求1所述的医学图像诊断方法,其特征在于:所述步骤④中,神经网络计算单元包括数据存储模块和与数据存储模块连接的计算机;所述数据存储模块包括FPGA,在FPGA中设有控制模块、神经网络计算模块、BRAM和DDR;所述控制模块分别与神经网络计算模块、BRAM、DDR和计算机连接;所述神经网络计算模块与BRAM连接。
6.如权利要求5所述的医学图像诊断方法,其特征在于:所述计算机中设有用于获取医学图像的医学图像获取接口,和用于获取二级神经网络模型参数的参数获取接口。
7.如权利要求1所述的医学图像诊断方法,其特征在于:所述步骤⑤分为以下步骤:
(5.1)从医疗设备中采集对应的医学图像,并提取医学图像中由医学专家标注的像素点以及背景噪声像素;
(5.2)采集步骤④中的精准医学图像;
(5.3)使用识别准确率和平均绝对差离两个指标,对比评估步骤(5.2)中的医学图像与步骤(5.1)中的医学图像,生成评估报告;
(5.4)若评估报告结果达不到指标,可重复步骤②~⑤,直至评估报告达到指标。
8.如权利要求7所述的医学图像诊断方法,其特征在于:所述识别准确率为目标器官与组织的分类识别准确程度;所述平均绝对离差为所勾画的目标器官位置或组织与实际位置的偏差程度。
9.如权利要求5所述的医学图像诊断方法,其特征在于:所述神经网络计算模块中有若干个子层计算单元。
10.如权利要求9所述的医学图像诊断方法,其特征在于:所述若干个子层计算单元有两种设置方式:
a.分布式:将每个子层计算单元单独设置为一个独立的单元;
b.整体式:将若干个子层计算单元设置为一个整体的单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810538078.7A CN108877927A (zh) | 2018-05-30 | 2018-05-30 | 一种医学图像诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810538078.7A CN108877927A (zh) | 2018-05-30 | 2018-05-30 | 一种医学图像诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108877927A true CN108877927A (zh) | 2018-11-23 |
Family
ID=64335578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810538078.7A Pending CN108877927A (zh) | 2018-05-30 | 2018-05-30 | 一种医学图像诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108877927A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111048170A (zh) * | 2019-12-23 | 2020-04-21 | 山东大学齐鲁医院 | 基于图像识别的消化内镜结构化诊断报告生成方法与系统 |
CN111145876A (zh) * | 2019-12-27 | 2020-05-12 | 四川大学 | 一种牙科图片排列方法、系统、设备及存储介质 |
CN111724893A (zh) * | 2019-03-20 | 2020-09-29 | 宏碁股份有限公司 | 医疗影像辨识装置及医疗影像辨识方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897573A (zh) * | 2016-08-01 | 2017-06-27 | 12西格玛控股有限公司 | 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 |
CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于标注医学图像的方法和装置 |
-
2018
- 2018-05-30 CN CN201810538078.7A patent/CN108877927A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897573A (zh) * | 2016-08-01 | 2017-06-27 | 12西格玛控股有限公司 | 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 |
CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于标注医学图像的方法和装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724893A (zh) * | 2019-03-20 | 2020-09-29 | 宏碁股份有限公司 | 医疗影像辨识装置及医疗影像辨识方法 |
CN111724893B (zh) * | 2019-03-20 | 2024-04-09 | 宏碁股份有限公司 | 医疗影像辨识装置及医疗影像辨识方法 |
CN111048170A (zh) * | 2019-12-23 | 2020-04-21 | 山东大学齐鲁医院 | 基于图像识别的消化内镜结构化诊断报告生成方法与系统 |
CN111145876A (zh) * | 2019-12-27 | 2020-05-12 | 四川大学 | 一种牙科图片排列方法、系统、设备及存储介质 |
CN111145876B (zh) * | 2019-12-27 | 2023-12-29 | 成都牙讯科技有限公司 | 一种牙科图片排列方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10614573B2 (en) | Method for automatically recognizing liver tumor types in ultrasound images | |
CN111047594B (zh) | 肿瘤mri弱监督学习分析建模方法及其模型 | |
CN108364006B (zh) | 基于多模式深度学习的医学图像分类装置及其构建方法 | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
Lin et al. | Automatic retinal vessel segmentation via deeply supervised and smoothly regularized network | |
CN106340021B (zh) | 血管提取方法 | |
Jafarzadeh Ghoushchi et al. | An extended approach to the diagnosis of tumour location in breast cancer using deep learning | |
CN109447998A (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
CN106204587A (zh) | 基于深度卷积神经网络和区域竞争模型的多器官分割方法 | |
CN106097298A (zh) | 基于球空间划分的冠状动脉自动分段与解剖学标记方法 | |
CN104217213B (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
CN109512464A (zh) | 一种疾病筛查和诊断系统 | |
CN101111865A (zh) | 用于在心脏图像中分割左心室的系统和方法 | |
CN102737379A (zh) | 一种基于自适应学习的ct图像分割方法 | |
CN109925002A (zh) | 人工智能超声心动图数据采集系统及其数据采集方法 | |
Shrivastava et al. | Automatic seeded region growing image segmentation for medical image segmentation: a brief review | |
CN108877927A (zh) | 一种医学图像诊断方法 | |
CN104616289A (zh) | 一种3d ct图像中骨组织的移除方法及系统 | |
CN110689521A (zh) | 一种医学影像所属人体部位的自动识别方法及系统 | |
CN112820399A (zh) | 自动诊断甲状腺结节良恶性的方法及装置 | |
Kaldera et al. | MRI based glioma segmentation using deep learning algorithms | |
CN103839048B (zh) | 基于低秩分解的胃部ct图像淋巴结识别系统和方法 | |
Bansal et al. | An improved hybrid classification of brain tumor MRI images based on conglomeration feature extraction techniques | |
Yong et al. | Automatic ventricular nuclear magnetic resonance image processing with deep learning | |
Cao et al. | 3D convolutional neural networks fusion model for lung nodule detection onclinical CT scans |
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 |