CN109411084A - 一种基于深度学习的肠结核辅助诊断系统及方法 - Google Patents

一种基于深度学习的肠结核辅助诊断系统及方法 Download PDF

Info

Publication number
CN109411084A
CN109411084A CN201811438397.7A CN201811438397A CN109411084A CN 109411084 A CN109411084 A CN 109411084A CN 201811438397 A CN201811438397 A CN 201811438397A CN 109411084 A CN109411084 A CN 109411084A
Authority
CN
China
Prior art keywords
image
module
convolutional neural
neural networks
colonoscopy
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
Application number
CN201811438397.7A
Other languages
English (en)
Inventor
于红刚
胡珊
张军
安萍
吴练练
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.)
Renmin Hospital of Wuhan University
Original Assignee
Renmin Hospital of Wuhan University
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 Renmin Hospital of Wuhan University filed Critical Renmin Hospital of Wuhan University
Priority to CN201811438397.7A priority Critical patent/CN109411084A/zh
Publication of CN109411084A publication Critical patent/CN109411084A/zh
Pending legal-status Critical Current

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
    • G16H50/20—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
    • 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
    • G06T2207/20—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
    • G06T2207/30028—Colon; Small intestine

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的肠结核辅助诊断系统及方法，系统包括肠镜图像自动采集子系统、客户端、数据库；肠镜图像自动采集子系统用于采集肠镜图像；客户端包括图像预处理模块、卷积神经网络模块、图像展示模块、肠镜报告输出模块；卷积神经网络模块，包括图像合格性判别子模型、图像部位判别子模型、图片是否包含病灶判别子模型；数据库，用于保存用于训练卷积神经网络的样本集，保存肠镜报告输出模块输出的信息。本发明利用图像识别技术，实时监测内镜视频，自动采集包含重点器官部位和可疑病灶区域的影像，并按照加权算法全局择优之后，保存到数据库中。本发明能够从全局视频中提取最有价值图像，为医生诊断提供更可靠、高效的支持。

Description

一种基于深度学习的肠结核辅助诊断系统及方法
技术领域
本发明属于图像识别技术领域，涉及一种医疗内窥镜影像识别系统及方法，具体涉及一种基于深度学习的肠结核辅助诊断系统及方法。
背景技术
随着深度学习算法不断发展、日益成熟，已经逐步用于医疗影像分析领域。内窥镜影像是医生分析病人消化道疾病的重要依据，近年来开发出了多种利用深度卷积神经网络模型对病灶的筛选、诊断方法在目前有关肠镜诊断系统在临床上具有重要意义。
肠结核主要累及回盲部及其临近的结肠，其肠镜下表现不呈节段性分布，溃疡多呈横行，表浅而不规则。肠结核与炎症性肠病、缺血性结肠炎、嗜酸性细胞肠炎、淋巴瘤等疾病在内镜下表现非常相似，因而给肠结核的诊断带来很大困难。另外，临床医师在内镜操作中依据自己经验对可疑病灶区域的判断，并将图像抓取下来保存到内镜报告系统中，再由诊断医生根据这些抓取的影像出具诊断报告。肠镜检查退镜观察时间通常只有6～7分钟，受制于操作医师的工作状态、经验影响，容易出现将重点病变部位漏掉情况，这将导致临床医生对病变无法做出全面准确的评估。
目前公开的相关肠镜辅助系统及方法，只关注如何识别已经由操作医师采集的图像中，是否包含病灶及如何提高对单张目标肠结核图像识别的精度，并未能考虑自动采集最有价值影像及防止检查盲点。
发明内容
本发明主要是解决传统肠镜报告系统依赖人工采图，容易出现部位检查盲点和可疑病灶区域漏掉的问题，利用图像识别技术，实时监测内镜视频，自动采集包含重点器官部位和可疑病灶区域的影像，并按照加权算法全局择优之后，保存到肠镜报告系统中。
本发明的系统所采用的技术方案是：一种基于深度学习的肠结核辅助诊断系统，其特征在于：包括肠镜图像自动采集子系统、客户端、数据库；
所述肠镜图像自动采集子系统用于采集肠镜图像；
所述客户端包括图像预处理模块、卷积神经网络模块、图像展示模块、采集报告输出模块；
所述图像预处理模块，用于接受所述肠镜图像自动采集子系统采集的肠镜图像，对图像进行预处理，然后调用卷积神经网络模块；
所述卷积神经网络模块，包括图像合格性判别子模型、图像部位判别子模型、图片是否包含病灶判别子模型；分别用于判断预处理后的图像是否合格、图像部位判别和图片是否包含病灶判别；
所述图像展示模块，用于接收所述卷积神经网络模块的判别结果并展示；
所述采集报告输出模块，用于记录所述卷积神经网络模块的每一次判别结果，当本次肠镜检查完成之后，按照置信度和图片质量加权之后进行排序，输出回盲瓣、阑尾开口部位的图像和N张包含可疑病灶的图像；
所述数据库，用于保存用于训练卷积神经网络的样本集，保存所述采集报告输出模块输出的信息。
本发明的方法所采用的技术方案是：一种基于深度学习的肠结核辅助诊断方法，其特征在于，包括以下步骤：
步骤1：图像预处理模块，接收肠镜图像自动采集子系统采集的肠镜图像，对图像进行预处理，然后送到卷积神经网络模块进行识别；
步骤2：卷积神经网络模块依次调用图像合格性判别子模型、图像部位判别子模型、图片是否包含病灶判别子模型，判断预处理后的图像是否合格、图像部位判别和图片是否包含病灶判别；并将识别结果返回给图像展示模块；
步骤3：图像展示模块接收步骤2返回的识别结果，并显示在图像展示模块上；
步骤4：采集报告输出模块，记录所述卷积神经网络模块的每一次的判别结果，当本次肠镜检查完成之后，按照置信度和图片质量排序，输出阑尾开口、回盲瓣部位的图像和N张包含可疑病灶的图像。
本发明具有如下优点：解决传统肠镜统依赖人工采图，容易出现图像采集不全或者图像模糊不合格，利用神经网络模型对图像进行自动图像筛选后，能够从全局视频中提取最有价值图像，为医生诊断提供更可靠、高效的支持。
附图说明
附图1是本发明实施例的系统结构图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
肠结核多继发于开放性肺结核，世界卫生组织把我国列为结核病高危险性国家，且近年来其发病率有持续增多趋势，肠结核主要累及回盲部及其临近的结肠，其肠镜下表现不呈节段性分布，溃疡多呈横行，表浅而不规则。肠结核与炎症性肠病、缺血性结肠炎、嗜酸性细胞肠炎、淋巴瘤等疾病在内镜下表现非常相似，因而给克罗恩病的诊断带来很大困难。提高肠结核发现比率的关键是肠镜的大面积普查，但是一方面传统的肠镜检查的痛苦是很多人望而生畏，另一方面在做肠镜检查的时候，针对设备传回的连续影像，医生要直接筛选出病灶图片，形成报告。但是这么多图像，医生从中筛选出病灶图片是很需要经验的，而有经验的医生又是缺乏的。
目前有关肠镜诊断系统及应用仅用于收集和管理影像，需要医生对影像进行人工鉴别，对医师的经验、状态都有着极大的依赖，客观上制约了对影像资料的充分利用。而且一名内镜操作经验丰富的医师培养需要较长的时间，也对基层医疗机构承担起分级诊疗政策指导下的疾病初诊都造成了一定压力。
请见图1，本发明提供的一种基于深度学习的肠结核辅助诊断系统，包括肠镜图像自动采集子系统、客户端、数据库；
肠镜图像自动采集子系统用于采集肠镜图像；
客户端包括图像预处理模块、卷积神经网络模块、图像展示模块、采集报告输出模块；
图像预处理模块，用于接收肠镜图像自动采集子系统采集的肠镜图像，对图像进行预处理，然后调用卷积神经网络模块；
卷积神经网络模块，包括图像合格性判别子模型、图像部位判别子模型、图片是否包含病灶判别子模型；分别用于判断预处理后的图像是否合格、图像部位判别和图片是否包含病灶判别；
本实施例的图像合格性判别子模型，用于通过输入的一张图像，判别并输出该图片合格或不合格的概率；图像部位判别子模型，用于通过输入的一张图像，判别并输出包括阑尾开口、回盲瓣典型部位对应的权重；图片是否包含病灶判别子模型，用于通过输入的一张图像，判别并输出该图片是否包含病灶及概率。
图像展示模块，用于接收卷积神经网络模块的判别结果，将判别结果显示以图文信息表达；构建一个结肠的虚拟图像，初始状态下为灰色，将检测是否出现滑镜带来的漏诊，并提示是否成功回镜；
采集报告输出模块，用于记录卷积神经网络模块的每一次判别结果，当本次肠镜检查完成之后，按照置信度和图片质量加权之后进行排序，输出回盲瓣、阑尾开口部位的图像和N张包含可疑病灶的图像；
数据库，用于保存用于训练卷积神经网络的样本集，保存采集报告输出模块输出的信息。
本实施例的用于训练卷积神经网络的样本集，包括医生标注的合格图片集或不合格图片集。病理诊断对肠结核的诊断意义重大，医生在对可疑的部位进行组织活检时往往受到取材广度及深度的影响。医生标注的正常、肠结核易与炎症性肠病、缺血性肠炎、淋巴瘤、嗜酸性细胞肠炎等混淆。
本发明提供的一种基于深度学习的肠结核辅助诊断方法，包括以下步骤：
步骤1：图像预处理模块，将采集卡通过BNC接口连接肠镜图像自动采集子系统，接收肠镜图像自动采集子系统采集的肠镜图像，对图像进行预处理(将图片进行裁切成特定大小(本实施例为240*240))，然后按1帧每秒的速度发送到卷积神经网络模块进行识别；
步骤2：卷积神经网络模块依次调用图像合格性判别子模型、图像部位判别子模型、图片是否包含病灶判别子模型，判断预处理后的图像是否合格、图像部位判别和图片是否包含病灶判别；并将识别结果返回给图像展示模块；
步骤3：图像展示模块接收步骤2返回的识别结果，并显示在图像展示模块上；
步骤4：肠镜报告输出模块，记录卷积神经网络模块的每一次的判别结果，当本次肠镜检查完成之后，按照置信度和图片质量排序，输出阑尾开口、回盲瓣部位的图像和N张包含可疑病灶的图像。
本发明解决了传统肠镜报告系统依赖人工识别，容易出现图像盲点和病灶漏诊断问题，利用神经网络模型对图像进行检测，同时智能识别包含病灶部位，进行主动提示，形成了简单易用的基于人工智能的肠镜图像诊断系统。具有显著的社会及经济价值。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (8)

1.一种基于深度学习的肠结核辅助诊断系统，其特征在于：包括肠镜图像自动采集子系统、客户端、数据库；
所述肠镜图像自动采集子系统用于采集肠镜图像；
所述客户端包括图像预处理模块、卷积神经网络模块、图像展示模块、采集报告输出模块；
所述图像预处理模块，用于接受所述肠镜图像自动采集子系统采集的肠镜图像，对图像进行预处理，然后调用卷积神经网络模块；
所述卷积神经网络模块，包括图像合格性判别子模型、图像部位判别子模型、图片是否包含病灶判别子模型；分别用于判断预处理后的图像是否合格、图像部位判别和图片是否包含病灶判别；
所述图像展示模块，用于接收所述卷积神经网络模块的判别结果并展示；
所述采集报告输出模块，用于记录所述卷积神经网络模块的每一次判别结果，当本次肠镜检查完成之后，按照置信度和图片质量加权之后进行排序，输出回盲瓣、阑尾开口部位的图像和N张包含可疑病灶的图像；
所述数据库，用于保存用于训练卷积神经网络的样本集，保存所述采集报告输出模块输出的信息。
2.根据权利要求1所述的基于深度学习的肠结核辅助诊断系统，其特征在于：所述图像展示模块，将判别结果显示以图文信息表达；构建一个结肠的虚拟图像，初始状态下为灰色，将检测是否出现滑镜带来的漏诊，并提示是否成功回镜。
3.根据权利要求1所述的基于深度学习的肠结核辅助诊断系统，其特征在于：所述图像合格性判别子模型，用于通过输入的一张图像，判别并输出该图片合格或不合格的概率。
4.根据权利要求1所述的基于深度学习的肠结核辅助诊断系统，其特征在于：所述图像部位判别子模型，用于通过输入的一张图像，判别并输出包括阑尾开口、回盲瓣典型部位对应的权重。
5.根据权利要求1所述的基于深度学习的肠结核辅助诊断系统，其特征在于：所述图片是否包含病灶判别子模型，用于通过输入的一张图像，判别并输出该图片是否包含病灶及概率。
6.根据权利要求1-5任意一项所述的基于深度学习的肠结核辅助诊断系统，其特征在于：所述用于训练卷积神经网络的样本集，包括医生标注的合格图片集或不合格图片集。
7.一种基于深度学习的肠结核辅助诊断方法，其特征在于，包括以下步骤：
步骤1：图像预处理模块，接收肠镜图像自动采集子系统采集的肠镜图像，对图像进行预处理，然后送到卷积神经网络模块进行识别；
步骤2：卷积神经网络模块依次调用图像合格性判别子模型、图像部位判别子模型、图片是否包含病灶判别子模型，判断预处理后的图像是否合格、图像部位判别和图片是否包含病灶判别；并将识别结果返回给图像展示模块；
步骤3：图像展示模块接收步骤2返回的识别结果，并显示在图像展示模块上；
步骤4：采集报告输出模块，记录所述卷积神经网络模块的每一次的判别结果，当本次肠镜检查完成之后，按照置信度和图片质量排序，输出阑尾开口、回盲瓣部位的图像和N张包含可疑病灶的图像。
8.根据权利要求7所述的基于深度学习的肠结核辅助诊断方法，其特征在于：步骤1中，所述对图像进行预处理是将图片进行裁切成特定大小，然后将预处理后的图像按1帧每秒的速度发送到卷积神经网络模块进行识别。
CN201811438397.7A 2018-11-28 2018-11-28 一种基于深度学习的肠结核辅助诊断系统及方法 Pending CN109411084A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811438397.7A CN109411084A (zh) 2018-11-28 2018-11-28 一种基于深度学习的肠结核辅助诊断系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811438397.7A CN109411084A (zh) 2018-11-28 2018-11-28 一种基于深度学习的肠结核辅助诊断系统及方法

Publications (1)

Publication Number Publication Date
CN109411084A true CN109411084A (zh) 2019-03-01

Family

ID=65456114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811438397.7A Pending CN109411084A (zh) 2018-11-28 2018-11-28 一种基于深度学习的肠结核辅助诊断系统及方法

Country Status (1)

Country Link
CN (1) CN109411084A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020610A (zh) * 2019-03-16 2019-07-16 复旦大学 基于深度学习的肠镜质量检查控制系统
CN110210234A (zh) * 2019-04-23 2019-09-06 平安科技（深圳）有限公司 转诊时医疗信息的迁移方法、装置、计算机设备和存储介质
CN110335241A (zh) * 2019-05-09 2019-10-15 河南萱闱堂医疗信息科技有限公司 肠镜检查后对肠道准备自动进行评分的方法
CN110555825A (zh) * 2019-07-23 2019-12-10 北京赛迈特锐医疗科技有限公司 胸部x线影像智能诊断系统及其诊断方法
CN110991535A (zh) * 2019-12-04 2020-04-10 中山大学 一种基于多类型医学数据的pCR预测方法
WO2020215806A1 (zh) * 2019-04-25 2020-10-29 天津御锦人工智能医疗科技有限公司 一种基于微探针结构的腔道窄小空间视频采集系统
CN111863234A (zh) * 2019-04-25 2020-10-30 天津御锦人工智能医疗科技有限公司 一种基于深度学习的肠道病变诊疗标定辅助系统
CN111914951A (zh) * 2020-08-21 2020-11-10 安徽省农业科学院农业经济与信息研究所 一种基于图像实时识别的农作物害虫智能诊断系统及方法
CN112215835A (zh) * 2020-10-22 2021-01-12 刘茗露 一种图文系统中模板化报告的信息处理方法及装置
CN112349392A (zh) * 2020-11-25 2021-02-09 北京大学第三医院（北京大学第三临床医学院） 一种人体颈椎医学图像处理系统
CN112597981A (zh) * 2021-03-04 2021-04-02 四川大学 基于深度神经网络的肠镜退镜质量智能监控系统及方法
CN112802599A (zh) * 2021-02-04 2021-05-14 湖南大学 一种基于人工智能的龋病诊断系统
CN113129287A (zh) * 2021-04-22 2021-07-16 武汉楚精灵医疗科技有限公司 一种针对上消化道内镜影像的病灶自动留图方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913075A (zh) * 2016-04-05 2016-08-31 浙江工业大学 一种基于脉冲耦合神经网络的内窥图像中病灶识别方法
US9589374B1 (en) * 2016-08-01 2017-03-07 12 Sigma Technologies Computer-aided diagnosis system for medical images using deep convolutional neural networks
WO2018045363A1 (en) * 2016-09-02 2018-03-08 Gargeya Rishab Screening method for automated detection of vision-degenerative diseases from color fundus images
CN108615037A (zh) * 2018-05-31 2018-10-02 武汉大学人民医院（湖北省人民医院） 基于深度学习的可控胶囊内镜操作实时辅助系统及操作方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913075A (zh) * 2016-04-05 2016-08-31 浙江工业大学 一种基于脉冲耦合神经网络的内窥图像中病灶识别方法
US9589374B1 (en) * 2016-08-01 2017-03-07 12 Sigma Technologies Computer-aided diagnosis system for medical images using deep convolutional neural networks
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
WO2018045363A1 (en) * 2016-09-02 2018-03-08 Gargeya Rishab Screening method for automated detection of vision-degenerative diseases from color fundus images
CN108615037A (zh) * 2018-05-31 2018-10-02 武汉大学人民医院（湖北省人民医院） 基于深度学习的可控胶囊内镜操作实时辅助系统及操作方法

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020610A (zh) * 2019-03-16 2019-07-16 复旦大学 基于深度学习的肠镜质量检查控制系统
CN110210234A (zh) * 2019-04-23 2019-09-06 平安科技（深圳）有限公司 转诊时医疗信息的迁移方法、装置、计算机设备和存储介质
WO2020215806A1 (zh) * 2019-04-25 2020-10-29 天津御锦人工智能医疗科技有限公司 一种基于微探针结构的腔道窄小空间视频采集系统
CN111839443A (zh) * 2019-04-25 2020-10-30 天津御锦人工智能医疗科技有限公司 一种基于微探针结构的腔道窄小空间视频采集系统
CN111863234A (zh) * 2019-04-25 2020-10-30 天津御锦人工智能医疗科技有限公司 一种基于深度学习的肠道病变诊疗标定辅助系统
CN110335241B (zh) * 2019-05-09 2021-04-02 河南萱闱堂医疗信息科技有限公司 肠镜检查后对肠道准备自动进行评分的方法
CN110335241A (zh) * 2019-05-09 2019-10-15 河南萱闱堂医疗信息科技有限公司 肠镜检查后对肠道准备自动进行评分的方法
CN110555825A (zh) * 2019-07-23 2019-12-10 北京赛迈特锐医疗科技有限公司 胸部x线影像智能诊断系统及其诊断方法
CN110991535A (zh) * 2019-12-04 2020-04-10 中山大学 一种基于多类型医学数据的pCR预测方法
CN111914951A (zh) * 2020-08-21 2020-11-10 安徽省农业科学院农业经济与信息研究所 一种基于图像实时识别的农作物害虫智能诊断系统及方法
CN112215835A (zh) * 2020-10-22 2021-01-12 刘茗露 一种图文系统中模板化报告的信息处理方法及装置
CN112349392A (zh) * 2020-11-25 2021-02-09 北京大学第三医院（北京大学第三临床医学院） 一种人体颈椎医学图像处理系统
CN112349392B (zh) * 2020-11-25 2021-08-03 北京大学第三医院（北京大学第三临床医学院） 一种人体颈椎医学图像处理系统
CN112802599A (zh) * 2021-02-04 2021-05-14 湖南大学 一种基于人工智能的龋病诊断系统
CN112597981A (zh) * 2021-03-04 2021-04-02 四川大学 基于深度神经网络的肠镜退镜质量智能监控系统及方法
CN112597981B (zh) * 2021-03-04 2021-06-01 四川大学 基于深度神经网络的肠镜退镜质量智能监控系统及方法
CN113129287A (zh) * 2021-04-22 2021-07-16 武汉楚精灵医疗科技有限公司 一种针对上消化道内镜影像的病灶自动留图方法

Similar Documents

Publication Publication Date Title
CN109411084A (zh) 一种基于深度学习的肠结核辅助诊断系统及方法
CN109615633A (zh) 一种基于深度学习的肠镜下克罗恩病辅助诊断系统及方法
CN109447987A (zh) 基于深度学习的肠镜下溃疡性结肠炎辅助诊断系统及方法
CN109190540B (zh) 活检区域预测方法、图像识别方法、装置和存储介质
Ran et al. Cataract detection and grading based on combination of deep convolutional neural network and random forests
CN109948719B (zh) 一种基于残差密集模块网络结构的眼底图像质量自动分类方法
CN111310851A (zh) 一种人工智能超声辅助系统及其应用
CN109858540B (zh) 一种基于多模态融合的医学图像识别系统及方法
CN109616195A (zh) 基于深度学习的纵隔超声内镜图像实时辅助诊断系统及方法
CN109117890B (zh) 一种图像分类方法、装置和存储介质
CN109102491A (zh) 一种胃镜图像自动采集系统及方法
CN111785363A (zh) 一种基于ai引导的慢性病辅助诊断系统
CN112101424B (zh) 一种视网膜病变识别模型的生成方法、识别装置及设备
CN105809188B (zh) 一种基于ambp改进算法的真菌性角膜炎图像识别方法
WO2019047365A1 (zh) 基于医疗云平台的影像大数据分析系统及方法
CN106821324A (zh) 一种基于舌面和舌下综合分析的舌诊辅助医疗系统
CN112801958A (zh) 超声内镜、人工智能辅助鉴别方法、系统、终端、介质
CN211862821U (zh) 一种基于深度学习的孤独症辅助评估系统
CN116705326A (zh) 一种终末期肾病疗效评估与并发症风险预测系统
CN109493340A (zh) 一种胃镜下食管胃底静脉曲张辅助诊断系统及方法
WO2019189971A1 (ko) 당뇨병 및 전조 증상을 진단하기 위해 홍채 영상 및 망막 영상을 인공지능으로 분석하는 방법
CN110827275A (zh) 基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法
CN114999638B (zh) 基于人工智能医疗诊断用的大数据可视化处理方法及系统
CN116189884A (zh) 一种基于面部视觉的多模态融合中医体质判别方法及系统
KR102418399B1 (ko) 인공지능 기반 치매 조기 진단 플랫폼

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: 20190301