CN109214451A - 一种脑部异常的分类方法及设备 - Google Patents
一种脑部异常的分类方法及设备 Download PDFInfo
- Publication number
- CN109214451A CN109214451A CN201810988499.XA CN201810988499A CN109214451A CN 109214451 A CN109214451 A CN 109214451A CN 201810988499 A CN201810988499 A CN 201810988499A CN 109214451 A CN109214451 A CN 109214451A
- Authority
- CN
- China
- Prior art keywords
- mri image
- mode
- cnn algorithm
- brain
- patient
- 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
- 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
- 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
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请提供了一种脑部异常的分类方法及设备,包括:获取该患者的至少一种模态的MRI影像;利用设定的卷积神经网络CNN算法提取各个所述模态的MRI影像的可用特征;基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型。这样借助与计算机的计算能力,不仅能够有效提升诊断效率,还能够提升脑部异常的诊断精度。
Description
技术领域
本申请涉及医疗影像识别、计算机处理技术领域,尤其涉及一种脑部异常的分类方法及设备。
背景技术
随着核磁共振成像(Magnetic Resonance Imaging,简称为MRI)技术的发展,获得病人的多模态MRI影像已经成为一种趋势。
所谓多模态MRI影像,就是在MRI成像过程中利用不同的脉冲序列生成一系列不同的MRI影像。常见的多模态MRI影像包括但不限于T1MRI影像、T1加权MRI影像、T1加权增强MRI影像、T2MRI影像、T2加权MRI影像、弥散加权成像(Diffusion Weighted Imaging,DWI)1000MRI影像、表观弥散系数(Apparent Diffusion Coefficient,ADC)MRI影像等。
这些多模态MRI影像通常根据扫描方式的不同进行区分,大致可以分为常规扫描和功能扫描。所谓常规扫描可以理解为得到的MRI影像主要反映解剖形态,例如:T1加权MRI影像等;所谓功能扫描可以理解为得到的MRI影像主要反映人体新陈代谢、血流状态、病变区域是否有水分子弥散受限的情况等信息,例如:DWI 1000MRI影像等。
在现有的医学实践中,为了精准地对患者的脑部肿瘤进行诊断,医生可能需要通过解读多张MRI影像,而这些MRI影像所反映的信息不尽相同,这样就导致医生诊断的效率比较低,同时诊断的精确度也不高。
发明内容
有鉴于此,本申请实施例提供了一种脑部异常的分类方法及设备,用于解决现有技术中存在的脑部肿瘤诊断准确度低的问题。
本申请的目的是通过以下方案实现:
本申请实施例提供了一种脑部异常的分类方法,包括:
获取患者的至少一种模态的MRI影像;
利用设定的卷积神经网络CNN算法提取各个所述模态的MRI影像的可用特征;
基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型。
本申请实施例还提供了一种脑部异常的分类设备,包括至少一个处理器及存储器,所述存储器存储有程序,并且被配置成由所述至少一个处理器执行以下步骤:
获取患者的至少一种模态的MRI影像;
利用设定的卷积神经网络CNN算法提取各个所述模态的MRI影像的可用特征;
基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型。
本申请提供的至少一个实施例所能够达到的有益效果如下:
本申请实施例提供的技术方案,对于任意脑部肿瘤患者,通过获取该患者的至少一种模态的MRI影像;利用设定的卷积神经网络CNN算法提取各个所述模态的MRI影像的可用特征;基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型。这样借助与计算机的计算能力,不仅能够有效提升诊断效率,还能够提升脑部异常的诊断精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面对实施例描述中所需要使用的说明书附图作简要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种脑部异常的分类方法的流程示意图;
图2为某患者T2加权图像;
图3为该患者T1图像;
图4为本申请实施例提供的一种脑部异常的分类方法的流程示意图;
图5为本申请实施例提供的一种脑部异常的分类设备的结构示意图。
具体实施方式
为了实现本申请的目的,本申请实施例提供了一种脑部异常的分类方法及设备,对于任意脑部肿瘤患者,通过获取该患者的至少一种模态的MRI影像;利用设定的卷积神经网络CNN算法提取各个所述模态的MRI影像的可用特征;基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型。这样借助与计算机的计算能力,不仅能够有效提升诊断效率,还能够提升脑部异常的诊断精度。
需要说明的是,本申请实施例中记载的设定的卷积神经网络CNN算法与训练得到的CNN算法有所区别,主要区别在于计算过程中所使用的卷积层深度不同。至于使用的卷积层深度对应的具体数值这里不做具体限定。较优地,训练得到的CNN算法所使用的卷积层深度高于设定的卷积层神经网络CNN算法所使用的卷积层深度。
下面结合说明书附图对本申请各个实施例作进一步地详细描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
图1为本申请实施例提供的一种脑部异常的分类方法的流程示意图。所述方法可以如下所示。
步骤101:获取患者的至少一种模态的MRI影像。
在本申请实施例中,在患者需要采集MRI影像的时候,通常按照常规扫描方式得到患者的MRI影像。但是,有的时候应患者或者医生的诊断需要,也可以按照功能扫描方式得到患者的MRI影像。
由此可见,对于一名患者,能够得到的MRI影像可以是多模态的。那么本申请实施例提供的技术方案可以基于患者的一个模态的MRI影像进行诊断分析,也可以基于患者得到的多个模态的MRI影像进行诊断分析;还可以基于患者得到的全部模态的MRI影像进行诊断分析。
下面以基于患者得到的多个模态的MRI影像为例进行详细说明。
步骤102:利用设定的卷积神经网络CNN算法提取各个所述模态的MRI影像的可用特征。
在本申请实施例中,针对获取到的各个模态的MRI影像,分别提取每个模态的MRI影像的可用特征。
具体地,针对获取的至少一种模态的MRI影像,分别执行以下操作:
选择其中一种模态的MRI影像;
根据设定的MRI影像的模态类型与设定的CNN算法的映射关系,确定选择的所述模态的MRI影像所对应的CNN算法;
利用确定的所述CNN算法提取选择的所述模态的MRI影像的可用特征。
在本申请实施例中,可以预先根据MRI影像的模态类型,为其设置用于分析该MRI影像的CNN算法,进而建立MRI影像的模态类型与设置的CNN算法之间的映射关系。这样后续可以基于这种映射关系实现对MRI影像的分析。
较优地,不同模态的MRI影像对应设定的CNN算法相同;或者,不同模态的MRI影像对应设定的CNN算法不同。
例如:T1MRI影像和T1加权MRI影像所对应的CNN算法相同;T1加权MRI影像和T2加权MRI影像所对应的CNN算法不同。
那么在获取到患者各个模态的MRI影像的情况下,可以根据MRI影像的模态类型,为每一个MRI影像确定CNN算法;利用确定的CNN算法,对该CNN算法对应的MRI影像进行处理,并提取到该MRI影像的可用特征。
本申请实施例中记载的可用特征可以是指用于表征该MRI影像中能够反映脑部异常的特征。
步骤103:基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型。
在本申请实施例中,将得到的各个所述模态的MRI影像的可用信息输入至脑部异常分类模型中;
利用所述脑部异常分类模型中训练得到的CNN算法,识别所述患者的脑部异常类型。
较优地,在提取得到各个所述模态的MRI影像的可用特征之后,所述方法还包括:
将提取得到的各个所述模态的MRI影像的可用特征进行整合,得到总可用特征。
假设提取得到的各个所述模态的MRI影像的可用特征为V1、V2、V3、……、Vn;那么进行整合后得到的总可用特征为V总,这里的V总={V1、V2、V3、……、Vn}。
具体地,基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型,包括:
基于所述总可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型。
较优地,所述设定的CNN算法与所述训练得到的CNN算法所使用的卷积层深度不同。
以图2中所示的患者的T2加权MRI影像和图3中所示的该患者的T1MRI影像为例,详细说明如何利用本申请实施例提供的技术方案对该患者的脑部异常进行分类。
图4为本申请实施例提供的一种脑部异常的分类方法的流程示意图。
从图4可以看出,在得到患者的T1MRI影像和T2加权MRI影像的情况下,根据上述记载的映射关系,可以确定T1MRI影像和T2加权MRI影像对应的CNN算法为编码器1执行的算法;那么将T1MRI影像对应的序列和T2加权MRI影像对应的序列分别输入编码器1,分别得到T1MRI影像对应的可用特征1,T2加权MRI影像对应的可用特征2。
按照上述实施例中记载的方式可以将可用特征1和可用特征2(或者可用特征1和可用特征2整合的总可用特征)输入编码器2,利用编码器2执行的训练算法进行处理,进而得出脑部异常的异常类型。
较优地,在得到可用特征1和可用特征2的情况下,还可以进一步确定各个可用特征对应的权重值(即可用特征1对应权重值1,可用特征2对应权重值2),进而将可用特征1和权重值1输入编码器21,得到输出结果1;将可用特征2和权重值2输入编码器22,得到输出结果2;最后将输出结果1和输出结果2进行整合,得到脑部异常的分类结果。
需要说明的是,本申请实施例中记载的各个可用特征的权重值可以根据需要通过设置得到,也可以根据实验数据确定,还可以通过算法对MRI影像进行分析计算得到,这里不做具体限定。
通过本申请实施例提供的技术方案,对于任意脑部肿瘤患者,通过获取该患者的至少一种模态的MRI影像;利用设定的卷积神经网络CNN算法提取各个所述模态的MRI影像的可用特征;基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型。这样借助与计算机的计算能力,不仅能够有效提升诊断效率,还能够提升脑部异常的诊断精度。
图5为本申请实施例提供的一种脑部异常的分类设备的结构示意图。所述分类设备包括至少一个处理器501及存储器502,所述存储器502存储有程序,并且被配置成由所述至少一个处理器501执行以下步骤:
获取患者的至少一种模态的MRI影像;
利用设定的卷积神经网络CNN算法提取各个所述模态的MRI影像的可用特征;
基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型。
在本申请的另一个实施例中,所述处理器501利用设定的卷积神经网络CNN算法提取各个所述模态的MRI影像的可用特征,包括:
针对获取的至少一种模态的MRI影像,分别执行以下操作:
选择其中一种模态的MRI影像;
根据设定的MRI影像的模态类型与设定的CNN算法的映射关系,确定选择的所述模态的MRI影像所对应的CNN算法;
利用确定的所述CNN算法提取选择的所述模态的MRI影像的可用特征。
在本申请的另一个实施例中,不同模态的MRI影像对应设定的CNN算法相同;或者,不同模态的MRI影像对应设定的CNN算法不同。
在本申请的另一个实施例中,所述处理器501基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型,包括:
将得到的各个所述模态的MRI影像的可用信息输入至脑部异常分类模型中;
利用所述脑部异常分类模型中训练得到的CNN算法,识别所述患者的脑部异常类型。
在本申请的另一个实施例中,所述处理器501在提取得到各个所述模态的MRI影像的可用特征之后,还将提取得到的各个所述模态的MRI影像的可用特征进行整合,得到总可用特征。
在本申请的另一个实施例中,所述处理器501基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型,包括:
基于所述总可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型。
在本申请的另一个实施例中,所述设定的CNN算法与所述训练得到的CNN算法所使用的卷积层深度不同。
需要说明的是,本申请实施例中记载的处理器501可以是中央处理器,还可以是其他控制器,这里不做具体限定。本申请实施例提供的分类设备可以通过软件方式实现,也可以通过硬件方式实现,这里不做具体限定。分类设备通过获取该患者的至少一种模态的MRI影像;利用设定的卷积神经网络CNN算法提取各个所述模态的MRI影像的可用特征;基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型。这样借助与计算机的计算能力,不仅能够有效提升诊断效率,还能够提升脑部异常的诊断精度。
本领域的技术人员应明白,本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种脑部异常的分类方法,其特征在于,包括:
获取患者的至少一种模态的MRI影像;
利用设定的卷积神经网络CNN算法提取各个所述模态的MRI影像的可用特征;
基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型。
2.根据权利要求1所述的分类方法,其特征在于,利用设定的卷积神经网络CNN算法提取各个所述模态的MRI影像的可用特征,包括:
针对获取的至少一种模态的MRI影像,分别执行以下操作:
选择其中一种模态的MRI影像;
根据设定的MRI影像的模态类型与设定的CNN算法的映射关系,确定选择的所述模态的MRI影像所对应的CNN算法;
利用确定的所述CNN算法提取选择的所述模态的MRI影像的可用特征。
3.根据权利要求1或2所述的分类方法,其特征在于,不同模态的MRI影像对应设定的CNN算法相同;或者,不同模态的MRI影像对应设定的CNN算法不同。
4.根据权利要求1或2所述的分类方法,其特征在于,基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型,包括:
将得到的各个所述模态的MRI影像的可用信息输入至脑部异常分类模型中;
利用所述脑部异常分类模型中训练得到的CNN算法,识别所述患者的脑部异常类型。
5.根据权利要求1或4所述的分类方法,其特征在于,在提取得到各个所述模态的MRI影像的可用特征之后,所述方法还包括:
将提取得到的各个所述模态的MRI影像的可用特征进行整合,得到总可用特征。
6.根据权利要求5所述的分类方法,其特征在于,基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型,包括:
基于所述总可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型。
7.根据权利要求1所述的分类方法,其特征在于,所述设定的CNN算法与所述训练得到的CNN算法所使用的卷积层深度不同。
8.一种脑部异常的分类设备,其特征在于,包括至少一个处理器及存储器,所述存储器存储有程序,并且被配置成由所述至少一个处理器执行以下步骤:
获取患者的至少一种模态的MRI影像;
利用设定的卷积神经网络CNN算法提取各个所述模态的MRI影像的可用特征;
基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型。
9.根据权利要求8所述的分类设备,其特征在于,所述处理器利用设定的卷积神经网络CNN算法提取各个所述模态的MRI影像的可用特征,包括:
针对获取的至少一种模态的MRI影像,分别执行以下操作:
选择其中一种模态的MRI影像;
根据设定的MRI影像的模态类型与设定的CNN算法的映射关系,确定选择的所述模态的MRI影像所对应的CNN算法;
利用确定的所述CNN算法提取选择的所述模态的MRI影像的可用特征。
10.根据权利要求8或9所述的分类设备,其特征在于,所述处理器基于各个所述模态的MRI影像的可用特征和训练得到的CNN算法,识别所述患者的脑部异常类型,包括:
将得到的各个所述模态的MRI影像的可用信息输入至脑部异常分类模型中;
利用所述脑部异常分类模型中训练得到的CNN算法,识别所述患者的脑部异常类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810988499.XA CN109214451A (zh) | 2018-08-28 | 2018-08-28 | 一种脑部异常的分类方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810988499.XA CN109214451A (zh) | 2018-08-28 | 2018-08-28 | 一种脑部异常的分类方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109214451A true CN109214451A (zh) | 2019-01-15 |
Family
ID=64986502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810988499.XA Pending CN109214451A (zh) | 2018-08-28 | 2018-08-28 | 一种脑部异常的分类方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214451A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949288A (zh) * | 2019-03-15 | 2019-06-28 | 上海联影智能医疗科技有限公司 | 肿瘤类型确定系统、方法及存储介质 |
CN110400292A (zh) * | 2019-07-04 | 2019-11-01 | 上海联影智能医疗科技有限公司 | 转移结果评估方法、计算机设备和存储介质 |
WO2021027240A1 (zh) * | 2019-08-09 | 2021-02-18 | 上海依智医疗技术有限公司 | 识别脑萎缩的方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150003677A1 (en) * | 2013-06-28 | 2015-01-01 | Samsung Electronics Co., Ltd. | Apparatus and method for detecting lesion |
CN107145727A (zh) * | 2017-04-26 | 2017-09-08 | 中国人民解放军总医院 | 一种利用卷积神经网络的医学图像处理装置与方法 |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
CN108172275A (zh) * | 2016-12-05 | 2018-06-15 | 北京东软医疗设备有限公司 | 一种医学影像处理方法及装置 |
-
2018
- 2018-08-28 CN CN201810988499.XA patent/CN109214451A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150003677A1 (en) * | 2013-06-28 | 2015-01-01 | Samsung Electronics Co., Ltd. | Apparatus and method for detecting lesion |
CN108172275A (zh) * | 2016-12-05 | 2018-06-15 | 北京东软医疗设备有限公司 | 一种医学影像处理方法及装置 |
CN107145727A (zh) * | 2017-04-26 | 2017-09-08 | 中国人民解放军总医院 | 一种利用卷积神经网络的医学图像处理装置与方法 |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
Non-Patent Citations (1)
Title |
---|
罗蔓: "《中国优秀硕士学位论文全文数据库 医药卫生科技辑》", 15 March 2016 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949288A (zh) * | 2019-03-15 | 2019-06-28 | 上海联影智能医疗科技有限公司 | 肿瘤类型确定系统、方法及存储介质 |
CN110400292A (zh) * | 2019-07-04 | 2019-11-01 | 上海联影智能医疗科技有限公司 | 转移结果评估方法、计算机设备和存储介质 |
CN110400292B (zh) * | 2019-07-04 | 2021-08-13 | 上海联影智能医疗科技有限公司 | 转移结果评估方法、计算机设备和存储介质 |
WO2021027240A1 (zh) * | 2019-08-09 | 2021-02-18 | 上海依智医疗技术有限公司 | 识别脑萎缩的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10909681B2 (en) | Automated selection of an optimal image from a series of images | |
US10076299B2 (en) | Systems and methods for determining hepatic function from liver scans | |
Scannell et al. | Deep‐learning‐based preprocessing for quantitative myocardial perfusion MRI | |
US9928589B2 (en) | Apparatus and method for supporting acquisition of multi-parametric images | |
US20170156630A1 (en) | System and method for adaptive and patient-specific magnetic resonance imaging | |
CN111127467B (zh) | 图像量化方法、计算机设备和存储介质 | |
US11257211B2 (en) | Medical image processing apparatus, medical image processing system, and medical image processing method | |
WO2008018014A2 (en) | Anatomy-related image-context-dependent applications for efficient diagnosis | |
CN109214451A (zh) | 一种脑部异常的分类方法及设备 | |
CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
WO2021209887A1 (en) | Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis | |
CN111325714A (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
CN111640095B (zh) | 脑微出血的量化方法和计算机可读存储介质 | |
Gaur et al. | Cloud driven framework for skin cancer detection using deep CNN | |
CN113192031B (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
Molchanova et al. | Novel structural-scale uncertainty measures and error retention curves: application to multiple sclerosis | |
US20150023574A1 (en) | Apparatus for providing medical image knowledge service and image processing device and method for the same | |
CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
Huynh et al. | Deep Learning Radiographic Assessment of Pulmonary Edema: Optimizing Clinical Performance, Training With Serum Biomarkers | |
Zhang et al. | Image quality assessment for population cardiac magnetic resonance imaging | |
Gonzales et al. | Quality control-driven deep ensemble for accountable automated segmentation of cardiac magnetic resonance LGE and VNE images | |
US20240144469A1 (en) | Systems and methods for automatic cardiac image analysis | |
Ankenbrand et al. | A Deep Learning Based Cardiac Cine Segmentation Framework for Clinicians–Transfer Learning Application to 7T | |
Ye et al. | Discriminative multi-task feature selection for multi-modality based AD/MCI classification | |
CN114359133A (zh) | 基于特征提取的手骨影像分析方法及相关设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190115 |
|
RJ01 | Rejection of invention patent application after publication |