CN109326343A - 一种获取病变数据的方法、识别病变方法及计算机设备 - Google Patents
一种获取病变数据的方法、识别病变方法及计算机设备 Download PDFInfo
- Publication number
- CN109326343A CN109326343A CN201811148519.9A CN201811148519A CN109326343A CN 109326343 A CN109326343 A CN 109326343A CN 201811148519 A CN201811148519 A CN 201811148519A CN 109326343 A CN109326343 A CN 109326343A
- Authority
- CN
- China
- Prior art keywords
- lesion
- data
- detected
- identification
- obtains
- 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
- 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
- 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种获取病变数据的方法、识别病变方法及计算机设备,该获取病变数据的方法包括:获取待检测部位的病变图像样本;根据标准病理报告,查找出病变图像样本中的病变位置;根据病变位置对应的病变特征反向追踪电子内窥镜镜下的病变部位。还涉及一种识别病变方法,其包括:获取病变数据,根据病变数据使用人工智能深度学习网络进行训练,得到标准病变识别模型;利用该模型对新的待检测部位的病变数据进行识别,判断出病变状况。还涉及一种计算机别设备,包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序。通过本发明在电子内窥镜镜下可以精确地查找到病变的位置,从而可以大大地提高了提前检测出病变的概率。
Description
技术领域
本发明属于消化道早癌检测的领域,尤其涉及一种获取病变数据的方法、识别病变方法及计算机设备。
背景技术
早癌的识别是通过内镜筛出、检出可疑病变,最终以病理识别作为标准。胃肠镜等消化疫病的图像识别虽有了很大的发展,但要确定肿瘤的性质,仍然主要依赖病理学识别。病理检查是识别肿瘤最标准最可靠的一种方法。它是将患病器官的分泌物制成涂片,或直接取下病灶小块组织制成切片或印片,放置显微镜下观察其细胞形态、结构等,确定肿瘤的性质。
但是这样的识别时间可能会比较长,如果可以直接通过内镜镜下判断预测病理结果,那么可以提前识别病理结果,对早癌的诊治有深远的意义。但目前病理指导后续治疗过程中存在着如何将病理识别与内镜下病变进行位置对应的难题。
发明内容
本发明所要解决的技术问题是:目前的早癌识别没有将病理识别与内镜下病变进行位置对应,使得没有办法提前精确地知道病变的位置。
为解决上面的技术问题,本发明提供了一种获取病变数据的方法,该方法包括:
S1,获取待检测部位的病变图像样本;
S2,根据标准病理报告,查找出所述病变图像样本中的病变位置;
S3,根据所述病变位置对应的病变特征反向追踪电子内窥镜镜下所述待检测部位的病变部位,并获取所述待检测部位的病变数据。
本发明的有益效果:通过上述的方法,结合病变图像样本和标准病理报告,通过反向追踪的路径可以在电子内窥镜镜下可以精确地查找到病变的位置,从而可以大大地提高了提前检测出病变的概率。
进一步地,所述S1中包括:
S11,对所述待检测部位进行NBI高清内镜观测,并采集所述待检测部位的病变组织样本;
S12,对所述病变组织样本进行ESD切除,得到离体病变组织;
S13,利用透光显像法采集所述离体病变组织的所述病变图像样本。
上述进一步地有益效果:通过对病变组织样本进行切除,采用透光显像法进行采集病变图像样本,这样可以提高采集到样本的精度,提高后期识别病变的精度。
进一步地,所述S3中包括:根据所述病变位置对应的病变特征,同时根据所述离体病变组织的血管走向或组织形态反向追踪电子内窥镜镜下所述待检测部位的病变精确位置,并根据所述病变精确位置所述待检测部位的病变数据。
上述进一步地有益效果:通过在离体样本中检测出病变组织位置,查找该位置对应的病变特征,根据这个病变特征,再反向追踪该病变特征在电子内窥镜镜下病变组织的病变数据。
进一步地,所述病变数据包括消化道病变数据、鼻病变数据、咽喉病变数据、肺部病变数据和肾部病变数据。
本发明还涉及一种基于智能识别模型的识别病变方法,该识别病变方法包括:
A1,获取至少1000个待检测部位的病变数据,根据所述病变数据对Faster RCNN网络进行训练,得到标准病变识别模型;
A2,利用所述标准病变识别模型对新的待检测部位的病变数据进行识别,根据识别结果判断出新的待检测部位的病变状况。
本发明的有益效果:通过多个检测到的病变数据,将这些数据进行Faster RCNN网络训练,得到标准病变识别模型,再用得到的这个识别模型进行前期检测,这样不但实现了人工智能的检测目的,提高了检测的效率和检测的准确率。
进一步地,所述步骤A1包括:
A11,获取至少1个待检测部位的病变数据,根据所述病变数据对Faster RCNN网络进行训练,得到病变识别模型;
A12,获取新的病变数据,利用所述新的病变数据对所述病变识别模型进行训练,并调整所述病变识别模型的模型参数;
A13,判断所述病变识别模型输出的识别结果与由标准病理报告得到的结果是否在预设误差阈值内;
A14,若在,则将所述病变识别模型设定为标准病变识别模型。
进一步地,当所述病变识别模型输出的识别结果与由标准病理报告得到的结果是否在预设误差阈值内时,则重复上述步骤A12-A13,直到所述病变识别模型输出的识别结果与由标准病理报告得到的结果在预设误差阈值内时,结束。
本发明还涉及一种计算机设备,该计算机设备包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述各项基于智能识别模型的识别病变方法的步骤。
本发明的有益效果:通过多个检测到的病变数据,将这些数据进行Faster RCNN网络训练,得到标准病变识别模型,再用得到的这个识别模型进行前期检测,这样不但实现了人工智能的检测目的,提高了检测的效率和检测的准确率。
附图说明
图1为本发明的一种获取病变数据的方法的流程图;
图2为本发明的一种基于智能识别模型的识别病变方法的流程图;
图3为本发明的一种计算机设备的示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,本发明实施例1提供的是一种获取病变数据的方法,该方法包括:
S1,获取待检测部位的病变图像样本;
S2,根据标准病理报告,查找出所述病变图像样本中的病变位置;
S3,根据所述病变位置对应的病变特征反向追踪电子内窥镜镜下所述待检测部位的病变部位,并获取所述待检测部位的病变数据。
在本实施例1中是先对待检测部位进行高清内镜和NBI状态的病变检测,获取到一些病变图像样本,然后根据目前现有的标准病理报告,对这些病变图像样本进行分析,查找出病变位置,最后通过这些病变位置对应的病变特征,反向追踪出电子内窥镜镜下其待检测部位的病变部位,获取到这些病变数据。在本实施例1中结合病变图像样本和标准病理报告,通过反向追踪的路径可以在电子内窥镜镜下可以精确地查找到病变的位置,从而可以大大地提高了提前检测出病变的概率。
可选地,在另一实施例2中所述S1中包括:
S11,对所述待检测部位进行NBI高清内镜观测,并采集所述待检测部位的病变组织样本;
S12,对所述病变组织样本进行ESD切除,得到离体病变组织;
S13,利用透光显像法采集所述离体病变组织的所述病变图像样本。
需要说明的是,在本实施例2中是在上述实施例1的基础上更进一步改进得到的,在上述实施例2中的步骤S1中是先对待检测部位进行NBI高清内镜观测,并采集该待检测部位的病变组织,再将病变组织进行ESD切除,得到离体病变组织,然后利用离体组织标本“透光显像法”,协助肉眼定位,采集标本的图像,得到病变图像样本。
在本实施例2中通过对病变组织进行切除,采用透光显像法进行采集病变图像样本,这样可以提高采集到样本的精度,提高后期识别病变的精度。
可选地,在另一实施例3中所述S3中包括:根据所述病变位置对应的病变特征,同时根据所述离体病变组织的血管走向或组织形态反向追踪电子内窥镜镜下所述待检测部位的病变精确位置,并根据所述病变精确位置所述待检测部位的病变数据。
需要说明的是,本实施例3中是在上述实施例2的技术上进一步改进得到的,是将根据病变位置对应的病变特征,以及根据离体病变组织的血管走向或组织形态反向追踪电子内窥镜镜下该待检测部位的病变数据。
在本实施例3中是通过在离体样本中检测出病变组织位置,查找该位置对应的病变特征,根据这个病变特征,再反向追踪该病变特征在电子内窥镜镜下病变组织的病变数据。
可选地,在另一实施例4中所述病变数据包括消化道病变数据、鼻病变数据、咽喉病变数据、肺部病变数据和肾部病变数据。
如图2所示,本发明实施例5提供的是一种基于智能识别模型的识别病变方法,该识别病变方法包括:
A1,获取至少1000个待检测部位的病变数据,根据所述病变数据对Faster RCNN网络进行训练,得到标准病变识别模型;
A2,利用所述标准病变识别模型对新的待检测部位的病变数据进行识别,根据识别结果判断出新的待检测部位的病变状况。
需要说明的是,在本实施例5中是将前面实施例1-4中获取得到的待检测部位的病变数据,根据获取得到的这些病变数据使用人工智能深度学习网络进行训练,标准病变识别模型。在实施例5中人工智能深度学习网络,可以是Faster RCNN网络,包括候选窗口网络(Region Proposal Networks,RPN)和快速区域卷积神经网络(Fast Region-BasedConvolutional Neural Networks,FRCN),该网络将RPN网络和Fast RCNN网络结合到了一起,将RPN获取到的proposal直接连到ROI pooling层,是一个CNN网络实现端到端目标检测的框架。
Faster RCNN的主要贡献是设计了提取建议区域的网络Region ProposalNetwork(RPN)。代替了费时的select search,使检测速度大为提高。RPN的网络结构类似于FR-CNN,连接与最后卷基层输出的feature map,具有一个RoI层,两个输出层,一个输出滑窗为建议区域的概率,另一个输出bbox回归的offset。其训练方式也类似于FR-CNN。注意:RPN与FR-CNN共用卷积层。
应当理解的是,本发明实施例所称的病变,包括但不限于消化道病变、鼻病变、咽喉病变、肺部病变和肾部病变。相对应的,训练模型中使用的样本数据可以是消化道检测图像、鼻腔检测图像、咽喉检测图像、肺部检测图像和肾部检测图像等。为方便描述,在本发明的下述各实施例中,以消化道检测为例进行描述,但本领域技术人员可以理解,下述的各实施例也可以应用到其他病变中。
在本实施例5中通过多个检测到的病变数据,将这些数据进行Faster RCNN网络训练,得到标准病变识别模型,再用得到的这个识别模型进行前期检测,这样不但实现了人工智能的检测目的,提高了检测的效率和检测的准确率。
可选地,在另一实施例6中所述步骤A1包括:
A11,获取至少1000个待检测部位的病变数据,根据所述病变数据对Faster RCNN网络进行训练,得到病变识别模型;
A12,获取新的病变数据,利用所述新的病变数据对所述病变识别模型进行训练,并调整所述病变识别模型的模型参数;
A13,判断所述病变识别模型输出的识别结果与由标准病理报告得到的结果是否在预设误差阈值内;
A14,若在,则将所述病变识别模型设定为标准病变识别模型。
需要说明的是,在本实施例6中在上述实施例5的基础上进一步的改进,在本实施例6中是将病变数据对Faster RCNN网络进行训练,得到病变识别模型,再次获取其他的病变数据对这个模型进行训练,调整这个模型的参数,使得这个模型更加准确,再将这个模型识别结果和根据标准病理报告得到的结果进行参数的调整,使得这个模型检测更加精确。
可选地,在另一实施例7中所述A1中还包括:当所述病变识别模型输出的识别结果与由标准病理报告得到的结果是否在预设误差阈值内时,则重复上述步骤A12-A13,直到所述病变识别模型输出的识别结果与由标准病理报告得到的结果在预设误差阈值内时,结束。
如图3所示,本发明实施例8提供的是一种识别计算机设备,该计算机设备包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现实施例5-7中所述方法的步骤。
利用本实施例8中提供的识别计算机设备识别病变的准确率,能够基本达到医生人工识别的准确率,以胃癌举例,医生判别癌症的准确率平均为84%,人工智能识别模型的准确率为82.5%,基本达到医生的水准。本发明实施例依靠深度学习建立的病变识别模型,为经验不足的医师提供辅助指导,更进一步为科研教学提供图像和数据支撑,尤其对内镜诊断技术在基层医疗的推广具有影响深远。
且在本实施例8中通过多个检测到的病变数据,将这些数据进行Faster RCNN网络训练,得到标准病变识别模型,再用得到的这个识别模型进行前期检测,这样不但实现了人工智能的检测目的,提高了检测的效率和检测的准确率。
在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种获取病变数据的方法,其特征在于,该方法包括:
S1,获取待检测部位的病变图像样本;
S2,根据标准病理报告,查找出所述病变图像样本中的病变位置;
S3,根据所述病变位置对应的病变特征反向追踪电子内窥镜镜下所述待检测部位的病变部位,并获取所述待检测部位的病变数据。
2.根据权利要求1所述的方法,其特征在于,所述S1中包括:
S11,对所述待检测部位进行NBI高清内镜观测,并采集所述待检测部位的病变样本组织;
S12,对所述病变样本组织进行ESD切除,得到离体病变组织;
S13,利用透光显像法采集所述离体病变组织的所述病变图像样本。
3.根据权利要求2所述的方法,其特征在于,所述S3中包括:根据所述病变位置对应的病变特征,同时根据所述离体病变组织的血管走向或组织形态反向追踪电子内窥镜镜下所述待检测部位的病变精确位置,并根据所述病变精确位置所述待检测部位的病变数据。
4.根据权利要求1或2所述的方法,其特征在于,所述病变数据包括消化道病变数据、鼻病变数据、咽喉病变数据、肺部病变数据和肾部病变数据。
5.一种基于智能识别模型的识别病变方法,其特征在于,该识别病变方法包括:
A1,采用权利要求1-4任一所述的方法获取至少1000个待检测部位的病变数据,根据所述病变数据Faster RCNN网络进行训练,得到标准病变识别模型;
A2,利用所述标准病变识别模型对新的待检测部位的病变数据进行识别,根据识别结果判断出新的待检测部位的病变状况。
6.根据权利要求5所述的识别病变方法,其特征在于,所述步骤A1包括:
A11,获取至少1000个待检测部位的病变数据,根据所述病变数据对Faster RCNN网络进行训练,得到病变识别模型;
A12,获取新的病变数据,利用所述新的病变数据对所述病变识别模型进行训练,并调整所述病变识别模型的模型参数;
A13,判断所述病变识别模型输出的识别结果与由标准病理报告得到的结果是否在预设误差阈值内;
A14,若在,则将所述病变识别模型设定为标准病变识别模型。
7.根据权利要求6所述的识别病变方法,其特征在于,所述A1中还包括:当所述病变识别模型输出的识别结果与由标准病理报告得到的结果是否在预设误差阈值内时,则重复上述步骤A12-A13,直到所述病变识别模型输出的识别结果与由标准病理报告得到的结果在预设误差阈值内时,结束。
8.一种计算机设备,该计算机设备包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求5-7中任一项所述方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711008757.5A CN107658028A (zh) | 2017-10-25 | 2017-10-25 | 一种获取病变数据的方法、识别病变方法及计算机设备 |
CN2017110087575 | 2017-10-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109326343A true CN109326343A (zh) | 2019-02-12 |
Family
ID=61118127
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711008757.5A Pending CN107658028A (zh) | 2017-10-25 | 2017-10-25 | 一种获取病变数据的方法、识别病变方法及计算机设备 |
CN201811148519.9A Pending CN109326343A (zh) | 2017-10-25 | 2018-09-29 | 一种获取病变数据的方法、识别病变方法及计算机设备 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711008757.5A Pending CN107658028A (zh) | 2017-10-25 | 2017-10-25 | 一种获取病变数据的方法、识别病变方法及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN107658028A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020215593A1 (zh) * | 2019-04-22 | 2020-10-29 | 武汉楚精灵医疗科技有限公司 | 一种基于人工智能的消化内镜检查质量自动评估方法和系统 |
CN116609534A (zh) * | 2023-04-20 | 2023-08-18 | 绍兴君鸿智能科技有限公司 | 一种自动化检测方法及自动化检测系统 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102168485B1 (ko) * | 2018-10-02 | 2020-10-21 | 한림대학교 산학협력단 | 실시간으로 획득되는 위 내시경 이미지를 기반으로 위 병변을 진단하는 내시경 장치 및 방법 |
CN109146884B (zh) * | 2018-11-16 | 2020-07-03 | 青岛美迪康数字工程有限公司 | 内窥镜检查监控方法及装置 |
CN109670532B (zh) * | 2018-11-23 | 2022-12-09 | 腾讯医疗健康(深圳)有限公司 | 生物体器官组织图像的异常识别方法、装置及系统 |
CN111067473A (zh) * | 2019-11-20 | 2020-04-28 | 于天成 | 胃早癌切除边界标记系统以及方法 |
KR102505791B1 (ko) * | 2021-01-11 | 2023-03-03 | 한림대학교 산학협력단 | 실시간 영상을 통해 획득되는 병변 판단 시스템의 제어 방법, 장치 및 프로그램 |
-
2017
- 2017-10-25 CN CN201711008757.5A patent/CN107658028A/zh active Pending
-
2018
- 2018-09-29 CN CN201811148519.9A patent/CN109326343A/zh active Pending
Non-Patent Citations (3)
Title |
---|
MARC AUBREVILLE: "Automatic Classification of Cancerous Tissue in Laserendomicroscopy Images of the Oral Cavity using Deep Learning", 《SCIENTIFIC REPORTS》 * |
李庆芝: "窄带成像技术对胃砧膜高级别上皮内瘤变患者临床疗效的影响", 《中国内镜杂志》 * |
胡伟俭: "应用于平扫CT图像肺结节检测的深度学习方法综述",胡伟俭", 《浙江大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020215593A1 (zh) * | 2019-04-22 | 2020-10-29 | 武汉楚精灵医疗科技有限公司 | 一种基于人工智能的消化内镜检查质量自动评估方法和系统 |
CN116609534A (zh) * | 2023-04-20 | 2023-08-18 | 绍兴君鸿智能科技有限公司 | 一种自动化检测方法及自动化检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107658028A (zh) | 2018-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109326343A (zh) | 一种获取病变数据的方法、识别病变方法及计算机设备 | |
JP7335552B2 (ja) | 画像診断支援装置、学習済みモデル、画像診断支援装置の作動方法および画像診断支援プログラム | |
US11984217B2 (en) | Method and apparatus for processing histological image captured by medical imaging device | |
RU2765619C1 (ru) | Компьютерная классификация биологической ткани | |
Hwang et al. | Polyp detection in wireless capsule endoscopy videos based on image segmentation and geometric feature | |
EP2305091A1 (en) | Image processing apparatus, image processing program, and image processing method | |
EP2085929A1 (en) | Evaluating optical coherence tomography information for an anatomical structure | |
CN105678746B (zh) | 一种医学图像中肝脏范围的定位方法及装置 | |
CN103327883A (zh) | 医用图像处理装置和医用图像处理方法 | |
CN113379693B (zh) | 基于视频摘要技术的胶囊内镜关键病灶图像检测方法 | |
CN108765392B (zh) | 一种基于滑动窗口的消化道内镜病变检测和识别方法 | |
WO2006062163A1 (ja) | 医用画像処理方法 | |
CN111340128A (zh) | 一种肺癌转移性淋巴结病理图像识别系统及方法 | |
CN110349141A (zh) | 一种乳腺病灶定位方法和系统 | |
CN112823396A (zh) | 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 | |
CN109117890A (zh) | 一种图像分类方法、装置和存储介质 | |
KR20210014267A (ko) | 초음파 이미지상의 특징점들을 이용한 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법 | |
JPWO2012153568A1 (ja) | 医用画像処理装置 | |
CN111862090A (zh) | 一种基于人工智能的食管癌术前管理的方法和系统 | |
CN114627067A (zh) | 一种基于图像处理的伤口面积测量及辅助诊疗方法 | |
CN116745861A (zh) | 通过实时影像获得的病变判断系统的控制方法、装置及程序 | |
CN112863699B (zh) | 一种基于移动端的esd术前讨论系统 | |
CN115460968A (zh) | 图像诊断装置、图像诊断方法、图像诊断程序和学习完毕模型 | |
CN116012328A (zh) | 腔道分支点的检测方法、装置、电子设备及可读存储介质 | |
Cao et al. | Deep learning based lesion detection for mammograms |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190212 |