CN109003299A - 一种基于深度学习的计算脑出血量的方法 - Google Patents
一种基于深度学习的计算脑出血量的方法 Download PDFInfo
- Publication number
- CN109003299A CN109003299A CN201810730121.XA CN201810730121A CN109003299A CN 109003299 A CN109003299 A CN 109003299A CN 201810730121 A CN201810730121 A CN 201810730121A CN 109003299 A CN109003299 A CN 109003299A
- Authority
- CN
- China
- Prior art keywords
- cerebral hemorrhage
- deep learning
- images data
- calculating
- volume
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Abstract
本发明提供了一种基于深度学习的计算脑出血量的方法,具体步骤为:S1:获取脑出血CT影像数据并进行标记;S2:设计基于深度学习的脑出血区域的分割模型,利用标记好的脑出血CT影像数据来训练所述分割模型;S3:将测试的脑出血CT影像数据输入至训练好的分割模型中,得到分割结果;S4:根据得到的分割结果计算脑出血体积;S5:生成包含脑出血位置和出血体积的结构化报告。本发明可以既准确又快速地计算脑出血量,为临床干预提供重要决策信息。
Description
技术领域
本发明涉及医学影像和人工智能领域,是一种基于深度学习的计算脑出血量的方法。
背景技术
出血性脑卒中在脑卒中各亚型中发病率仅次于缺血性脑卒中,居第2位。人群中脑出血的发病率为(12~15)/10万人年。脑出血具有发病凶险,病情变化快,致死致残率高的特点,超过70%的患者发生早期血肿扩大或累及脑室,3个月内的死亡率为20%-30%。脑出血也导致了沉重的社会经济负担,2003年我国统计显示脑出血的直接医疗费用为137.2亿元/年。早期、积极与合理的救治可以改善患者的临床转归。出血量是预后和死亡率的一个重要影响因子,也是决定是否进行手术干预的关键因素。因此,快速准确地估计出血量便于预后和适当的治疗。
出血量的常见估算方法是ABC/2,这是一种简化的椭球体近似算法。ABC/2这种方法的弊端在于过高估计出血量,尤其是对于形状不规则和/或多部位脑出血。
计算机断层扫描(CT)因其快速、简单、廉价,同时又具备较好的成像质量的特定,几乎在每一家医院使用。此外,CT还可能是第一个被引入到人类大脑研究的成像工具。像素是CT图像中的最小单位,根据脑CT扫描的像素可以更准确地计算脑出血量。然而,由放射科医生手动分割出血区域的时间成本太大,此方法不适用于临床应用。
本申请以CT影像为主要研究对象,为了降低在人工测量过程中可能出现的较大误差,利用深度学习分割算法对脑出血的CT影像数据进行分割和测量进行非监督的自动处理。
深度学习分割算法是实现目标物精确分割、快速量化计算的有效手段。建立基于深度学习的脑出血模型可以既准确又快速地计算脑出血量,为临床干预提供重要决策信息。
发明内容
本发明提供了一种基于深度学习的计算脑出血量的方法,其可以准确快速地计算出脑出血量。
本发明的一种基于深度学习的计算脑出血量的方法,其包括以下步骤:
S1:获取脑出血CT影像数据并进行标记;
S2:设计基于深度学习的脑出血区域的分割模型,利用标记好的脑出血CT影像数据来训练所述分割模型;
S3:将测试的脑出血CT影像数据输入至训练好的分割模型中,得到分割结果;
S4:根据得到的分割结果计算脑出血体积;
S5:生成包含脑出血位置和出血体积的结构化报告。
优选地,在S1步骤:对获取的脑出血CT影像数据进行像素级别的标记,同一个CT影像数据同时由三个人进行出血区域标记,一个像素如果被其中的两个人都认为属于出血区域时才被标记为属于出血区域的像素。
优选地,基于深度学习的脑出血区域的分割模型包含多尺度特征,并且所述多尺度特征被应用于训练的过程中。
优选地,所述多尺度特征是通过融合深度学习模型不同层的响应信息而构建的。
优选地,在S4步骤:根据CT影像数据每个层面的像素级别的分割结果,结合CT的厚度,利用如下公式来计算出血体积:
其中,V为脑出血体积,M为分割得到的CT每个层面的掩膜图,由0和1组成,0表示非出血区域,1表示出血区域,SX和SY分别代表层面中像素间的距离,τ表示CT的单层厚度,i=1至N,N为CT的层数。
本发明提供的技术方案带来的有益效果体现在:
第一,本发明针对现有的脑出血量计算不准确和复杂的情况,建立了基于深度学习的网络结构,以此提取更多更细节的特征信息。
第二,本发明利用基于深度学习的脑出血区域的分割模型,利用卷积神经网络模型进行分割,该分割算法考虑了医学影像DICOM文件中的信息,以像素为单位进行目标物分割,在提高了分割精度的同时具有更快的分割速度。
第三,本发明将提取、检测与识别集成于同一网络结构,实现了端到端的图像级别的医学图像检测。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明的基于深度学习的计算脑出血量的方法的流程图。
图2为根据本发明的基于深度学习的计算脑出血量的方法得出的分割结果的示意图。
图3是根据本发明的基于深度学习的计算脑出血量的方法与传统的ABC/2方法的误差比较示意图。
图4是根据本发明的基于深度学习的计算脑出血量的方法和传统ABC/2出血量计算方法与3个医生联合制定的金标准在不同病例上的比较示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式做进一步地详细描述。
本发明的总体构思为,利用自主构建的基于DenseNet的网络结构,将输入的脑出血CT影像数据进行网络的训练,使网络能够提取出最好的特征向量,并使用此特征向量对测试的脑出血CT影像数据做出分类。
图1是根据本发明的基于深度学习的计算脑出血量的方法的流程图。本发明的基于深度学习的计算脑出血量的方法包括以下步骤:
S1:获取脑出血CT影像数据并进行标记。
本发明收集了3000例CT影像作为CT影像训练集,其中出血类型包括:脑实质内血肿、硬膜外出血和硬膜下出血,并且收集了213例CT影像用于测试,其中脑实质内出血67例,硬膜外出血87例和硬膜下出血59例。
对获取的CT影像训练集进行预处理,即由三位医生对3000例CT影像同时进行标记,以其中至少两人达成的共识为标准。在本发明中,对脑出血CT影像数据进行像素级别的标记,同一个CT影像数据同时由三个人进行出血区域标记,一个像素如果被其中的两个人都认为属于出血区域时才被标记为属于出血区域的像素。医生的标记作为卷积神经网络监督学习的标准答案。
S2:设计基于深度学习的脑出血区域的分割模型,利用标记好的脑出血CT影像数据来训练所述分割模型,得到脑出血区域的分割模型。
在本发明中,预设的深度学习网络是基于密集卷积(Dense ConvolutionalNetwork,DenseNet)和Unet(全卷积神经网络)的网络结构。DenseNet提升了信息和梯度在网络中的传输效率,每层都能直接从损失函数拿到梯度,并且直接得到输入信号,这样就能训练更深的网络,这种网络结构还有正则化的效果。DenseNet还具有网络更窄,参数更少的优点,这很大一部分原因得益于密集块(Dense block)的设计,在密集块中每个卷积层的输出特征的数量都很小。同时这种连接方式使得特征和梯度的传递更加有效,网络也就更加容易训练。Unet适用于医学图像分割、自然图像生成,在医学图像分割表现好,利用了底层的特征(同分辨率级联)改善上采样的信息不足。
在本发明中,对基于DenseNet和UNET的网络结构进行了修改,具体参见下表1:
[表1]
修改的基于DenseNet和Unet的网络结构修改了原始DenseNet的输出尺寸,转换层中的最大池操作,以及每个密集块中的单元块数。
本发明的基于深度学习的脑出血区域的分割模型包含多尺度特征,并且多尺度特征被应用于训练的过程中,多尺度特征是通过融合深度学习模型不同层的响应信息而构建的。
模型训练过程中以DICOM影像横断面二维影像的原始像素信息为输入,特征主干网络是DenseNet,分割网络采用Unet结构,这种DensNet+Unet的整体网络结构保证了多尺度特征的提取和融合。
S3:将测试的脑出血CT影像数据输入至训练好的分割模型中,得到分割结果。
其中,测试的脑出血CT影像数据无需处理,以原始DICOM影像的数值输入分割模型。
图2为根据本发明的基于深度学习的计算脑出血量的方法得出的分割结果的示意图。由图2可以看出,基于DenseNet和Unet的修改的网络结构的脑出血区域的分割模型能够对形状不规则、边界不连续、不明显的CT图像具有较好的分割效果、更好的分割效率和更好的鲁棒性。
S4:根据得到的分割结果计算脑出血体积。
在利用分割模型得到CT每个层面的脑出血区域之后,根据CT的层厚信息,利用如下的公式来最终计算得到出血体积:
其中,V为脑出血体积,M为分割得到的CT每个层面的掩膜(mask)图,由0和1组成,0表示非出血区域,1表示出血区域,SX和SY分别代表层面中像素间的距离,τ表示CT的单层厚度,i=1至N,N为CT的层数。
上述计算公式是计算每个出血层的体积,然后各层体积叠加求和。
S4:生成包含脑出血位置及出血体积的结构化报告。
在本发明中,针对不规则的脑出血区域,给出了基于深度学习的计算脑出血量的方法,基于该方法能够辅助医生准确、快速地得到出血位置和出血体积。
图3是根据本发明的基于深度学习的计算脑出血量的方法与传统的ABC/2方法的误差比较示意图。
1983年Kawk提供出了ABC/2来计算出血体积,实践证明,当血肿为椭圆形时,ABC/2法的估算结果较准确,而对不规则血肿区域测量结果不精确。如图3所示,依据本发明的方法相对于ABC/2更加精准和稳定,能够更加快速、方便、稳定地用于脑部CT前后片出血量的对比观察。
图4是根据本发明的基于深度学习的计算脑出血量的方法和传统ABC/2出血量计算方法与3个医生联合制定的金标准在不同病例上的比较示意图。
对测试集中的50个病例,由3名高年资医生联合标注,形成出血量的金标准,然后本发明的基于深度学习计算脑出血量方法与传统ABC/2的方法进行比较,可以发现本发明所提方法与医生金标准更加接近,进而表面出血量的计算更加精确。
以上详细描述了本发明的具体实施例,但可以理解,在不脱离本发明的精神下可以对其做出修改。本发明的权利要求旨在覆盖这些修改,以保证其落入本发明的真实范围和精神内。
Claims (5)
1.一种基于深度学习的计算脑出血量的方法,其特征在于包括以下步骤:
S1:获取脑出血CT影像数据并进行标记;
S2:设计基于深度学习的脑出血区域的分割模型,利用标记好的脑出血CT影像数据来训练所述分割模型;
S3:将测试的脑出血CT影像数据输入至训练好的分割模型中,得到分割结果;
S4:根据得到的分割结果计算脑出血体积;
S5:生成包含脑出血位置和出血体积的结构化报告。
2.根据权利要求1所述的基于深度学习的计算脑出血量的方法,其特征在于,在S1步骤:
对获取的脑出血CT影像数据进行像素级别的标记,同一个CT影像数据同时由三个人进行出血区域标记,一个像素如果被其中的两个人都认为属于出血区域时才被标记为属于出血区域的像素。
3.根据权利要求1所述的基于深度学习的计算脑出血量的方法,其特征在于,基于深度学习的脑出血区域的分割模型包含多尺度特征,并且所述多尺度特征被应用于训练的过程中。
4.根据权利要求3所述的基于深度学习的计算脑出血量的方法,其特征在于,所述多尺度特征是通过融合深度学习模型不同层的响应信息而构建的。
5.根据权利要求1所述的基于深度学习的计算脑出血量的方法,其特征在于,在S4步骤:
根据CT影像数据每个层面的像素级别的分割结果,结合CT的厚度,利用如下公式来计算出血体积:
利用如下公式来计算出血体积:
其中,V为脑出血体积,M为分割得到的CT每个层面的掩膜图,由0和1组成,0表示非出血区域,1表示出血区域,SX和SY分别代表层面中像素间的距离,τ表示CT的单层厚度,i=1至N,N为CT的层数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810730121.XA CN109003299A (zh) | 2018-07-05 | 2018-07-05 | 一种基于深度学习的计算脑出血量的方法 |
PCT/CN2019/094326 WO2020007277A1 (zh) | 2018-07-05 | 2019-07-02 | 一种基于深度学习的计算脑出血量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810730121.XA CN109003299A (zh) | 2018-07-05 | 2018-07-05 | 一种基于深度学习的计算脑出血量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109003299A true CN109003299A (zh) | 2018-12-14 |
Family
ID=64598702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810730121.XA Pending CN109003299A (zh) | 2018-07-05 | 2018-07-05 | 一种基于深度学习的计算脑出血量的方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109003299A (zh) |
WO (1) | WO2020007277A1 (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785334A (zh) * | 2018-12-17 | 2019-05-21 | 深圳先进技术研究院 | 心脏磁共振图像分割方法、装置、终端设备及存储介质 |
CN110135454A (zh) * | 2019-04-02 | 2019-08-16 | 成都真实维度科技有限公司 | 一种基于3d断层扫描图数据集的深度学习模型训练方法 |
CN110148114A (zh) * | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 一种基于2d断层扫描图数据集的深度学习模型训练方法 |
CN110428432A (zh) * | 2019-08-08 | 2019-11-08 | 梅礼晔 | 结肠腺体图像自动分割的深度神经网络算法 |
WO2020007277A1 (zh) * | 2018-07-05 | 2020-01-09 | 北京推想科技有限公司 | 一种基于深度学习的计算脑出血量的方法 |
CN111402218A (zh) * | 2020-03-11 | 2020-07-10 | 北京深睿博联科技有限责任公司 | 脑出血检测方法和装置 |
CN111445451A (zh) * | 2020-03-20 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 脑图像处理方法、系统、计算机设备和存储介质 |
CN112215797A (zh) * | 2020-09-11 | 2021-01-12 | 嗅元(北京)科技有限公司 | Mri嗅球体积检测方法、计算机装置、计算机可读存储介质 |
CN112435212A (zh) * | 2020-10-15 | 2021-03-02 | 杭州脉流科技有限公司 | 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质 |
CN113768528A (zh) * | 2021-09-26 | 2021-12-10 | 华中科技大学 | 一种ct影像脑出血辅助定位系统 |
CN115187600A (zh) * | 2022-09-13 | 2022-10-14 | 杭州涿溪脑与智能研究所 | 一种基于神经网络的脑部出血体积计算方法 |
CN116245951A (zh) * | 2023-05-12 | 2023-06-09 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
EP3991134A4 (en) * | 2019-06-27 | 2023-07-05 | Viz.ai, Inc. | METHOD AND SYSTEM FOR COMPUTER-ASSISTED TRIAGE IN STROKE |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612739B (zh) * | 2020-04-16 | 2023-11-03 | 杭州电子科技大学 | 一种基于深度学习的脑梗死分类方法 |
CN112348796B (zh) * | 2020-11-06 | 2024-01-30 | 上海应用技术大学 | 基于多模型结合的脑出血分割方法和系统 |
CN114066843B (zh) * | 2021-11-12 | 2023-08-25 | 烟台大学 | 一种ct脑图像分割及血肿测量方法 |
CN114565619B (zh) * | 2022-02-21 | 2024-04-02 | 辽宁师范大学 | 结合脑部解剖学特征的颅内血块能量泛函分割方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013169398A2 (en) * | 2012-05-09 | 2013-11-14 | Georgia Tech Research Corporation | Systems and methods for improving nuclease specificity and activity |
US20160242690A1 (en) * | 2013-12-17 | 2016-08-25 | University Of Florida Research Foundation, Inc. | Brain state advisory system using calibrated metrics and optimal time-series decomposition |
CN106709924A (zh) * | 2016-11-18 | 2017-05-24 | 中国人民解放军信息工程大学 | 基于深度卷积神经网络和超像素的图像语义分割方法 |
CN107909581A (zh) * | 2017-11-03 | 2018-04-13 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割方法、装置、系统、存储介质及设备 |
CN108038879A (zh) * | 2017-12-12 | 2018-05-15 | 众安信息技术服务有限公司 | 一种食品体积估计方法及其装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104414636B (zh) * | 2013-08-23 | 2017-11-17 | 北京大学 | 基于磁共振图像的脑微出血计算机辅助检测系统 |
WO2016001825A1 (en) * | 2014-06-30 | 2016-01-07 | Universität Bern | Method for segmenting and predicting tissue regions in patients with acute cerebral ischemia |
CN107103187B (zh) * | 2017-04-10 | 2020-12-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及系统 |
CN107730497B (zh) * | 2017-10-27 | 2021-09-10 | 哈尔滨工业大学 | 一种基于深度迁移学习的血管内斑块属性分析方法 |
CN109003299A (zh) * | 2018-07-05 | 2018-12-14 | 北京推想科技有限公司 | 一种基于深度学习的计算脑出血量的方法 |
-
2018
- 2018-07-05 CN CN201810730121.XA patent/CN109003299A/zh active Pending
-
2019
- 2019-07-02 WO PCT/CN2019/094326 patent/WO2020007277A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013169398A2 (en) * | 2012-05-09 | 2013-11-14 | Georgia Tech Research Corporation | Systems and methods for improving nuclease specificity and activity |
US20160242690A1 (en) * | 2013-12-17 | 2016-08-25 | University Of Florida Research Foundation, Inc. | Brain state advisory system using calibrated metrics and optimal time-series decomposition |
CN106709924A (zh) * | 2016-11-18 | 2017-05-24 | 中国人民解放军信息工程大学 | 基于深度卷积神经网络和超像素的图像语义分割方法 |
CN107909581A (zh) * | 2017-11-03 | 2018-04-13 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割方法、装置、系统、存储介质及设备 |
CN108038879A (zh) * | 2017-12-12 | 2018-05-15 | 众安信息技术服务有限公司 | 一种食品体积估计方法及其装置 |
Non-Patent Citations (6)
Title |
---|
AI之路: "DenseNet算法详解", 《CSDN博客》 * |
GAO HUANG ET AL.: "Densely Connected Convolutional Networks", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
LEGEND-HUA: "医学肝分割论文H-DenseUnet解析", 《CSDN博客》 * |
XIAOMENG LI ET AL.: "《H-DenseUNet: Hybrid Densely Connected UNet for Liver and Tumor Segmentation From CT Volumes》", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
张逵: "颅内血肿体积的定量方法及研究进展", 《国际神经病学神经外科学杂志》 * |
李雯: "基于深度卷积神经网络的CT图像肝脏肿瘤分割方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020007277A1 (zh) * | 2018-07-05 | 2020-01-09 | 北京推想科技有限公司 | 一种基于深度学习的计算脑出血量的方法 |
CN109785334A (zh) * | 2018-12-17 | 2019-05-21 | 深圳先进技术研究院 | 心脏磁共振图像分割方法、装置、终端设备及存储介质 |
CN110135454A (zh) * | 2019-04-02 | 2019-08-16 | 成都真实维度科技有限公司 | 一种基于3d断层扫描图数据集的深度学习模型训练方法 |
CN110148114A (zh) * | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 一种基于2d断层扫描图数据集的深度学习模型训练方法 |
EP3991134A4 (en) * | 2019-06-27 | 2023-07-05 | Viz.ai, Inc. | METHOD AND SYSTEM FOR COMPUTER-ASSISTED TRIAGE IN STROKE |
CN110428432B (zh) * | 2019-08-08 | 2022-02-01 | 梅礼晔 | 结肠腺体图像自动分割的深度神经网络算法 |
CN110428432A (zh) * | 2019-08-08 | 2019-11-08 | 梅礼晔 | 结肠腺体图像自动分割的深度神经网络算法 |
CN111402218A (zh) * | 2020-03-11 | 2020-07-10 | 北京深睿博联科技有限责任公司 | 脑出血检测方法和装置 |
CN111445451B (zh) * | 2020-03-20 | 2023-04-25 | 上海联影智能医疗科技有限公司 | 脑图像处理方法、系统、计算机设备和存储介质 |
CN111445451A (zh) * | 2020-03-20 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 脑图像处理方法、系统、计算机设备和存储介质 |
CN112215797A (zh) * | 2020-09-11 | 2021-01-12 | 嗅元(北京)科技有限公司 | Mri嗅球体积检测方法、计算机装置、计算机可读存储介质 |
CN112435212A (zh) * | 2020-10-15 | 2021-03-02 | 杭州脉流科技有限公司 | 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质 |
CN113768528A (zh) * | 2021-09-26 | 2021-12-10 | 华中科技大学 | 一种ct影像脑出血辅助定位系统 |
CN115187600A (zh) * | 2022-09-13 | 2022-10-14 | 杭州涿溪脑与智能研究所 | 一种基于神经网络的脑部出血体积计算方法 |
CN116245951A (zh) * | 2023-05-12 | 2023-06-09 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
CN116245951B (zh) * | 2023-05-12 | 2023-08-29 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
Also Published As
Publication number | Publication date |
---|---|
WO2020007277A1 (zh) | 2020-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109003299A (zh) | 一种基于深度学习的计算脑出血量的方法 | |
Su et al. | Lung nodule detection based on faster R-CNN framework | |
Saikumar et al. | A novel implementation heart diagnosis system based on random forest machine learning technique. | |
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
CN109583440B (zh) | 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 | |
CN104992430B (zh) | 基于卷积神经网络的全自动的三维肝脏分割方法 | |
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 | |
CN1663530B (zh) | 用于处理图像数据以帮助检测疾病的方法和装置 | |
US10902596B2 (en) | Tomographic data analysis | |
CN106659424A (zh) | 医用图像显示处理方法、医用图像显示处理装置及程序 | |
Yao et al. | Automated hematoma segmentation and outcome prediction for patients with traumatic brain injury | |
CN111429474B (zh) | 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法 | |
CN104545792B (zh) | 眼底图像的动静脉视网膜血管视盘定位方法 | |
CN110796636A (zh) | 基于卷积神经网络的ct图像骨质状况检测方法及装置 | |
CN110163877A (zh) | 一种mri心室结构分割的方法与系统 | |
CN110458801A (zh) | 一种3d双路径神经网络及基于该网络的肺部结节检测方法 | |
Irene et al. | Segmentation and approximation of blood volume in intracranial hemorrhage patients based on computed tomography scan images using deep learning method | |
Xiaojie et al. | Segmentation of the aortic dissection from CT images based on spatial continuity prior model | |
Singh et al. | Classification of first trimester ultrasound images using deep convolutional neural network | |
CN113920077A (zh) | 一种训练眼底图像分割模型的方法以及动静脉分割方法 | |
CN115690556B (zh) | 一种基于多模态影像学特征的图像识别方法及系统 | |
US11734915B2 (en) | Automated and assisted identification of stroke using feature-based brain imaging | |
Shang et al. | Identification of common oral disease lesions based on U-Net | |
Chen et al. | A devised thyroid segmentation with multi-stage modification based on Super-pixel U-Net under insufficient data | |
Alves et al. | Sex-based approach to estimate human body fat percentage from 2D camera images with deep learning and 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 | ||
CB02 | Change of applicant information |
Address after: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant after: Tuxiang Medical Technology Co., Ltd Address before: 100025 C, Chaoyang District International Ocean Center, Beijing, 807 Applicant before: Beijing Tuoxiang Technology Co.,Ltd. |
|
CB02 | Change of applicant information |