CN109583440A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN109583440A
CN109583440A CN201710895420.4A CN201710895420A CN109583440A CN 109583440 A CN109583440 A CN 109583440A CN 201710895420 A CN201710895420 A CN 201710895420A CN 109583440 A CN109583440 A CN 109583440A
Authority
CN
China
Prior art keywords
image
region
lesion
interest
focus
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.)
Granted
Application number
CN201710895420.4A
Other languages
English (en)
Other versions
CN109583440B (zh
Inventor
陶鹏
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.)
Suzhou Navitas Space Time Information Technology Co Ltd
Original Assignee
Beijing Sigma Lieduen Information Technology Co Ltd
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 Beijing Sigma Lieduen Information Technology Co Ltd filed Critical Beijing Sigma Lieduen Information Technology Co Ltd
Priority to CN201710895420.4A priority Critical patent/CN109583440B/zh
Priority to PCT/CN2018/108311 priority patent/WO2019062846A1/zh
Publication of CN109583440A publication Critical patent/CN109583440A/zh
Priority to US16/833,512 priority patent/US11101033B2/en
Application granted granted Critical
Publication of CN109583440B publication Critical patent/CN109583440B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • 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
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种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。该医学影像辅助诊断方法包括如下步骤：S 1，建立医学影像的图像语义表达知识图谱；S2，获取患者医学影像，确定在二维影像上的感兴趣区域，根据图像语义表达知识图谱以及所述感兴趣区域提供患者的候选病灶选项；S3，根据所述感兴趣区域和所述候选病灶选项确定病灶类型；根据所述病灶类型分割出病变区域，生成与患者医学影像的感兴趣区域相关联的结构化报告，同时将所述病变区域和对应的影像语义的表达内容加入到对应的病灶图像库中。本发明以图像语义表达知识图谱结合各类机器学习进行医疗影像识别，可以深入累积样本图像，不断完善图像语义表达知识图谱，增强医学影像的辅助诊断能力。

Description

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
技术领域
本发明涉及一种医学影像辅助诊断方法，尤其涉及一种结合影像识别与报告编辑的医学影像辅助诊断方法，同时涉及相应的医学影像辅助诊断系统，属于医学影像辅助诊断技术领域。
背景技术
众所周知，影像科的普通医生虽然在课堂上经过大量学习，在实习及后续的住院医师临床实践中，仍然要持续地接受资深专家的指点。而这些指点，无一不是在发生在具体的诊疗实践中。资深专家需要结合具体的医学影像，针对普通医生的影像报告进行修改指正。
但是，目前针对医学影像的诊断工作存在如下问题：
1)医学影像中展示的各个器官、病灶跟影像报告中对应的描述内容之间高度隔离，相互的关联完全没有系统级的支持。两部分内容之间的对应和关联，完全依赖阅读及审核人员的眼睛和专业知识。这样导致，高级医生审核低级医生报告时，及会诊转诊中需要审核之前的报告时，难以从报告中的病灶描述找到对应的影像表现，耗时长效率低。
2)医学影像协会推动的结构化报告，具有对病灶描述精准、描述规范统一等优点，但是在实践中较为繁琐、效率低下，导致难以应用推广。
3)现有应用于医学影像领域的深度学习方法，需要进行大量的病灶标注工作，而且大量的标注样本没有得到充分利用，缺乏可解释性。另外，传统的PACS系统(图片存档及通信系统)的标注及医学影像中的标注，需要额外耗费大量人工，而且不能与现有影像科医生的日常工作进行有机结合。
为了解决上述问题，很多机构进行了大量的研究和探索，但是，对于现有技术中大量的标注样本没有得到充分利用，不能与影像科医生的日常工作有机结合等问题，现有技术方案并没有有效解决，而且生成系统的扩展性不强，不能及时对动态诊断报告的准确性进行完善。另一方面，影像领域的结构化报告是医学影像管理领域的必然发展方向。没有基于专业化、结构化的报告，大数据的概念就是虚假的，数据挖掘和在线决策支持就不能实现，也无法基于“诊断金标准”给出诊断的分级，更不可能对临床科室提供面向治疗方案的实用报告。
发明内容
针对现有技术的不足，本发明所要解决的首要技术问题在于提供一种结合影像识别与报告编辑的医学影像辅助诊断方法；
本发明所要解决的另一技术问题在于提供一种结合影像识别与报告编辑的医学影像辅助诊断系统。
为实现上述发明目的，本发明采用下述的技术方案：
根据本发明实施例的第一方面，提供一种结合影像识别与报告编辑的医学影像辅助诊断方法，包括如下步骤：
S1，建立医学影像的图像语义表达知识图谱；
S2，获取患者医学影像，确定在二维影像上的感兴趣区域，根据图像语义表达知识图谱以及所述感兴趣区域提供患者的候选病灶选项；
S3，根据所述感兴趣区域和所述候选病灶选项确定病灶类型；根据所述病灶类型分割出病变区域，生成与患者医学影像的感兴趣区域相关联的结构化报告，同时将所述病变区域和对应的影像语义的表达内容加入到对应的病灶图像库中。
其中较优地，在步骤S1中，进一步包括如下步骤：
S11，基于医学影像领域的标准化词典库，形成基础的命名实体列表；
S12，通过对病灶图像库中的历史积累的医学影像报告进行分析，形成命名实体的特性描述文字规范；
S13，基于专家知识及特定病灶类型对应的局部病灶影像，将获得的命名实体的特性描述文字规范转变为影像语义的表达内容，将每个命名实体以及所述命名实体对应的影像、影像语义的表达内容共同建立所述图像语义表达知识图谱。
其中较优地，在步骤S3中，进一步包括如下步骤：
S301，基于所述感兴趣区域所属的病灶类型，对所述感兴趣区域进行定位分析，计算所述感兴趣区域的空间位置，并分割出病变区域。
其中较优地，在步骤S3中，进一步包括如下步骤：
S311，基于所述感兴趣区域所属的病灶类型，对确定的感兴趣区域进行定位分析，确定感兴趣区域所属的病灶类型；对确定的感兴趣区域从二维影像延伸到三维立体影像或者二维动态影像，并分割出整体图像的病变区域。
其中较优地，当图像类型为三维影像时，在步骤S311中，进一步包括如下步骤：
步骤1：基于专家确定的病灶类型，结合所述病灶类型对应的形状和纹理特征，调用二维影像的灰度值，根据器官的连接关系对病变区域进行分割，获得在二维影像截面中对应所述病变区域的闭合核心病灶区域的主要闭合区域；
步骤2：基于所述主要闭合区域，向二维影像的空间序列的上一幅及后一幅延伸，基于病灶类型对应的形状和纹理特征，根据器官的连接关系对病变区域进行分割，获得符合病灶类型描述的闭合区域；
步骤3：继续步骤2的操作，并进行三维空间的数学形态学的闭运算，除掉三维空间与闭合核心病灶区域连接的其他区域，直到闭合核心病灶区域不再生长；勾画出闭合核心病灶区域边缘；
步骤4：计算闭合核心病灶区域的边缘像素点坐标中的X、Y、Z轴的最大值及最小值，由此构成三维立方体区域。
其中较优地，当图像类型为二维动态影像时，在步骤S311中，进一步包括如下步骤：
步骤1：对动态影像中的各帧进行预处理，输出相对固定的人体器官区域的图像；
步骤2：获得动态影像中探头位置相对固定的完整的观察帧序列；
步骤3：基于所述感兴趣区域、确定的所述病灶类型，以及确定所述感兴趣区域时所处的观察帧序列，完整获取感兴趣区域对应的完整的观察帧系列。
其中较优地，当扫描探头自带位置移动感应器时，步骤2中所述获得动态影像中探头位置相对固定的完整观察帧序列，包括如下步骤：
基于位置移动感应器，确定探头是否在快速移动；
如果探头在快速移动，则认为检测仪器在寻找感兴趣区域；否则，认为探头基本静止，正在重点关注某个区域内的图像随时间的变化；
基于位置随时间的变化，确定探头位置相对固定的完整的观察帧序列。
其中较优地，当扫描探头自身不带有位置移动感应器时，步骤2中所述获得动态影像中探头位置相对固定的完整的观察帧序列，包括如下步骤：
实时分析动态影像，确定探头是否在快速移动；
如果探头在快速移动，则认为在寻找感兴趣区域；否则，认为探头基本静止，正在重点关注某个区域内的图像随时间的变化；
基于相邻帧及相似场景的分析确定同样场景的完整的观察帧序列。
其中较优地，所述结构化报告中包含确定的病变区域对应的影像语义的表达内容与所述病变区域关联的超链接；通过点击超链接，可以同时查看影像展示的病变区域以及与所述病变区域对应的影像语义的表达内容。
其中较优地，当所述候选病灶选项均与所述感兴趣区域不相符时，输入与所述感兴趣区域对应的影像语义的表达内容，发送给其他专家进行验证，验证通过后，将所述病变区域和对应的影像语义的表达内容加入到对应的病灶图像库中。
根据本发明实施例的第二方面，提供一种结合影像识别与报告编辑的医学影像辅助诊断系统，包括知识图谱建立模块、信息获取模块、感兴趣区域确定模块、候选病灶选项生成模块、病变区域确定模块、报告生成模块和修正模块；
其中，所述知识图谱建立模块用于根据影像领域的标准化词典库和历史积累的医学影像报告分析建立图像语义表达知识图谱；
所述信息获取模块用于获取患者医学影像；
所述感兴趣区域确定模块用于确定患者医学影像的感兴趣区域；
所述候选病灶选项生成模块用于根据图像语义表达知识图谱以及感兴趣区域提供患者的候选病灶选项；
所述病变区域确定模块用于根据所述感兴趣区域和所述候选病灶选项确定病灶类型；并根据所述病灶类型分割出病变区域；
所述报告生成模块用于根据分割出病变区域以及对应的影像语义的表达内容生成与患者医学影像的感兴趣区域相关联的结构化报告；
所述修正模块用于将所述病变区域和对应的影像语义的表达内容加入到对应的病灶图像库中。
其中较优地，所述病变区域确定模块包括病灶类型确定单元和病变区域确定单元；其中，
所述病灶类型确定单元用于根据所述感兴趣区域，在提供的所述候选病灶选项中确定病灶类型；
所述病变区域确定单元用于对所述感兴趣区域进行定位分析，分割出病变区域，根据所述图像语义表达知识图谱确定病变区域对应的病变类型；
病变区域确定模块用于对所述感兴趣区域进行定位分析，计算所述感兴趣区域的空间位置，并分割出病变区域。
本发明所提供的结合影像识别与报告编辑的医学影像辅助诊断方法以图像语义表达知识图谱结合各类机器学习，进行医疗影像识别，可以有计划地深入地累积样本图像，并不断完善图像语义表达知识图谱，使很多图像的标注病灶可以被不断汇集在同一个子标签下。除此之外，越来越多标注病灶的积累，通过机器学习手段，结合人工的深入研究，可以不断细化病灶的标签标注，进一步丰富影像组学的测度，增强医学影像的辅助分析能力。
附图说明
图1为本发明所提供的结合影像识别与报告编辑的医学影像辅助诊断方法的流程图；
图2为本发明所提供的实施例中，实性结节的影像示意图；
图3为本发明所提供的实施例中，完全型磨玻璃密度影的影像示意图；
图4为本发明所提供的实施例中，混合型磨玻璃密度影的影像示意图；
图5为本发明所提供的实施例中，无壁空洞的影像示意图；
图6为本发明所提供的实施例中，薄壁空洞的影像示意图；
图7为本发明所提供的实施例中，厚壁空洞的影像示意图；
图8为本发明所提供的实施例中，人体上半部躯干部位的器官分布图；
图9为本发明所提供的实施例中，人体胸肺CT的一个具体二维截面及其对应的一系列较易识别的器官结构示意图；
图10a为本发明所提供的实施例中，人体胸肺CT的一个具体二维截面图及对应的肺内空气部分标注结构示意图；
图10b为10a所示的结构示意图经过阈值处理及连通分析后，标注出肺内空气部分的示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
本发明所提供的结合影像识别与报告编辑的医学影像辅助诊断方法，是在医学影像中初步的医学解剖结构表达及初步的病灶识别能力的基础上，改变目前医生制作、编辑及审核影像报告的流程，通过医生对属于特定的影像区域(无论该区域是属于二维影像、三维影像中的二维切片或动态影像中的某个特定截图的某个部分)的某个生理结构(器官、组织或病灶)进行勾画或指点，自动或半自动地生成对应于该生理结构的影像报告描述内容条目(即影像语义的表达内容)，并且将该条目内的命名实体与所对应的影像的特定区域对应链接。
与现有技术相比较，本发明是一个模拟互动式训练的医疗影像读片机器学习方法及系统。它通过对影像科医生常用的读片报告流程的再造，可以大大提升读片及报告生成效率，以及报告编辑和审核效率，同时构造一个可以持续与高端医生沟通，不断学习提升阅片能力和报告能力的人工智能阅片技术体系。
如图1所示，本发明所提供的结合影像识别与报告编辑的医学影像辅助诊断方法，主要包括如下步骤：首先，根据影像领域的标准化词典库和病灶图像库中的历史积累的医学影像报告分析建立图像语义表达知识图谱；然后，获取患者医学影像，确定在二维影像上的感兴趣区域，根据图像语义表达知识图谱以及所述感兴趣区域提供患者的候选病灶选项。最后，根据所述感兴趣区域和所述候选病灶选项确定病灶类型；根据所述病灶类型分割出病变区域，生成与患者医学影像的感兴趣区域相关联的结构化报告，同时将所述病变区域和对应的影像语义的表达内容加入到对应的病灶图像库中，并将结构化报告发放给患者。下面对这一过程做详细具体的说明。
S1，根据影像领域的标准化词典库和病灶图像库中的历史积累的医学影像报告分析建立图像语义表达知识图谱；这里的图像语义表达知识图谱是医疗影像报告知识图谱及影像语义体系的统称。
根据影像领域的标准化词典库和历史积累的医学影像报告分析建立各类器官、各类病灶及其病变描述的图像语义表达知识图谱，具体包括如下步骤：
S11，基于影像领域的标准化词典库，形成基础的命名实体列表。
基于影像领域的标准化词典库(在本发明所提供的实施例中，基于标准化词典库RADELX)，形成基础的命名实体列表；命名实体包括各类器官、病灶等。
S12，通过对病灶图像库中的历史积累的医学影像报告进行分析，形成各个命名实体的特性描述文字规范。
通过对不同类型的医学影像(包括但不限于肺部CT、钼靶、脑血管MRI、心血管超声等)的海量医学影像报告进行分析以及专家知识，形成对应各类器官病变及病灶的各类特性描述的文字规范。
医学影像报告包含各类器官的状态描述及内部的某些局部的病灶描述。当前的一个趋势是基于影像领域的标准化词典库RADELX，建立覆盖RSNA(北美放射学会)和ACR(美国放射学院)的RADS(影像报告和数据系统)结构化报告。该结构化报告会明确地描述影像中病变的位置、性质及等级。一般来说，特定类型的病灶与器官的空间位置关系比较明确，也有相对特定的灰度分布(包括灰度在空间位置上的分布)及纹理结构，因而在影像上有较为明确的语义表达。
S13，基于专家知识，将获得的各个命名实体的特性描述文字规范转变为影像语义的表达，将每个命名实体以及所述命名实体对应的影像、影像语义的表达内容共同创建医学影像的图像语义表达知识图谱。
基于专家知识，将获得的命名实体的特性描述文字规范转变为影像语义的表达内容，包括空间属性、灰度分布、纹理结构描述等，从而构成影像报告涉及的医疗本体中的图像语义表达知识图谱。图像语义表达知识图谱，除了文字及数据的结构化描述，还包含每个命名实体(包括易于识别的基本组成部分及病灶)类型对应的那些图像(多为局部图像)标注样本。
下面以几个具体实施例来说明图像语义表达知识图谱的结构和内容。例如：
1.如图2所示，为实性结节(Solid Nodule)的影像图，其对应的影像语义的表达为：
位置-被包含于：1)左右肺内；2)气管、支气管内。
位置-邻居：1)被肺内空气包围，或2)连接肺壁，或3)连接血管，或4)连接支气管。
形状：近圆形(三维：球形)或卵圆形(三维：鹅卵石状)。
大小分类：
微结节：直径<5mm；
小结节：直径5～10mm；
结节：直径10～20mm；
肿块：直接>20mm。
密度-空间分布：
边界：清晰(即灰度变化锐利)，毛刺有或无。
对应病变：
微结节恶性几率<1％，随访间隔6～12月确认；
小结节恶性几率25％～30％，随访间隔3～6个月CT复查(建议LDCT)；
随访中若某肺结节增长较快，则活检或手术(基于增长速度)；
结节及肿块恶性几率大，直接活检或手术。
2.磨玻璃密度影(GGO：Ground Gloss Opacity)：别称毛玻璃结节，其对应的影像语义的表达为；
位置-被包含于：1)左右肺内；2)气管、支气管内。
位置-邻居：1)被肺内空气包围，2)连接肺壁，3)连接血管，4)连接支气管。
类型：完全型(PGGO)、混合型(MGGO)分别如图3和图4所示；
密度-空间分布：肺野低密度背景上略高密度影(磨玻璃状)，或部分高密度影(实性成分，其密度分布类似于实性结节)。其中完全型无实性成分(不含高密度影)，混合型含有高密度影部分。
形状：块状堆积。
边界：清晰或不清晰，多有毛刺。
3.空洞(Cavity)，其对应的影像语义的表达为：
位置-被包含于：1)左右肺内。
密度-空间分布：
虫蚀样：无壁空洞，周围被略高密度影包围的低密度影部分；
薄壁：薄壁(高密度影)包围的低密度影像部分；
厚壁：厚壁(高密度影)包围的低密度影像部分。
对应病变：
虫蚀样空洞：大叶干酪性肺炎等，如图5所示；
薄壁空洞：继发性肺结核等，如图6所示；
厚壁空洞：结核球、肺鳞癌等，如图7所示。
经过初始化，本医学影像辅助诊断系统初步构建了图像语义表达知识图谱，对应于不同类型、不同目的、不同部位扫描的医疗影像中对应的器官、病变、病灶形成了不同的属性描述，并且其属性描述(定性或定量)均可计算，即在医疗影像中的具体的物体(Object)识别后对应的特征提取中计算获得其属性描述，例如具体病灶在该影像中的相对的空间位置范围、密度平均值、标准偏差、熵、圆度或球形度、边缘毛刺度、边缘清晰度、直方图、围绕中心的距离的密度分布图、纹理表达的相关性矩阵等。
S2，获取患者医学影像，系统预处理识别定位出患者医学图像的一些基本的易于识别的组成部分，并以这些基本信息，结合专家在二维影像上划出的感兴趣区域，根据图像语义表达知识图谱以及所述感兴趣区域提供患者的候选病灶选项。
要生成结构化报告，需要先获取患者的个人信息以及患者的医学影像。在本发明中，获取患者医学影像的技术手段包括但不限于胸肺CT、腹部CT、脑血管MRI、乳腺MRI、腹部超声等。获取患者医学影像之后，系统预处理识别定位出患者医学图像的一些基本的易于识别的组成部分，就是需要先识别出一些基本组成部分-如肺内空气、骨骼、椎骨等，然后结合这些基本组成部分的识别和定位，再结合专家手动画的ROI(感兴趣区域)与这些识别出的基本组成部分的空间位置关系，来初步确定可能ROI内部的病灶选项列表，然后进一步进行筛选。人体器官普遍有相对固定的位置，其在医学影像中的位置及图像显示(图像上的灰度值等)一般较为明显，容易识别、定位、解构。图8为人体上半部躯干部位的器官分布图。以肺部CT(平扫或增强)为例，可以较为容易区分出其中的椎骨、气管、支气管、淋巴、肺内空气、血管等部分，以及其中的一些大的变异现象，如胸肺积液、大的占位等。MRI影像及超声动态影像中，运用人眼或者计算机的图像诊断系统也同样容易识别并准确定位这些器官部分。这些器官部分相对容易利用图像识别算法，通过阈值分析、边缘检测、结合位置信息来进行初步的病灶识别及定位。图9为三维CT胸肺影像的某个横截面图。高亮度部分是骨骼，底部中间三角形(中间灰色)部分是椎骨，内部左右两边的黑色(HU低密度)部分大型连通区域是肺内空气，中央部分的几个黑色圆形区域是支气管的截面图。血管是肺内空气环绕的那些比较亮的线段或圆形椭圆形截面。图10b显示了原始的肺部CT图像(图10a为其二维截图)经过阈值处理及连通分析后，标注出(红色部分)的肺内空气部分。这部分的识别定位，对于专家在该区域内划出感兴趣区域时，系统分析推理出可能的病灶类型，有很强的辅助限制意义；暨，仅处于该区域包围或邻接的病灶类型需要被进一步分析(纹理分析、密度-空间分析、卷积神经网络匹配等)，其中高可能性的病灶类型被系统推出，供专家选择。
在获取患者医学影像之后，专家根据患者医学影像确定在二维影像上的感兴趣区域，即专家认为可能存在病变的区域。例如：如果放射科医生在肺部CT检查图像中，勾画的感兴趣区域主体在肺内，连着血管，同时该区域为肺内空气环绕(其中肺内空气的识别定位见图10)，本医学影像辅助诊断系统可以自动分析出这些位置特征，并通过感兴趣区域(ROI)内的分割算法及HU密度分布和纹理分析，推算出此处大概率为连接血管的结节，实性度不高也可能是毛玻璃结节，大片出现纹理杂乱则有可能是肺部感染。基于这些特性，以及图像语义表达知识图谱、专家勾画的感兴趣区域，本医学影像辅助诊断系统在初步计算后，可以自动弹出一个选项列表，基于可能性排列出多个描述选项，即患者的候选病灶选项，该候选病灶选项可以为一项，也可以为多项。
具体的，当专家勾画出感兴趣区域之后，对感兴趣区域进行初步的定位分析，基于感兴趣区域的二维影像截面上的位置、纹理、灰度分布等特征，根据图像语义表达知识图谱中的命名实体(如某些病灶)对应的影像特征模型，确定在二维影像截面上所标的感兴趣区域可能包含的特征相似的命名实体类型(具体的某几类病灶)，通过交互界面(可以图形界面的选项形式，或语音问答形式)推送给专家，供专家选择。
这里的确定感兴趣区域可以是通过专家手动点击计算机完成或者通过图像识别算法完成。专家手动完成是医生通过PACS等医学影像展示系统进行浏览及观察，并发现部分疑似病变区域的，在二维影像截面上进行手工勾画，画出闭合曲线的形式，即在一个二维截面上定位一个感兴趣区域。
通过图像识别算法完成是由具有一定程度的读片(影像读取)能力的计算机通过某些类型的病灶识别算法(例如：传统的基于特征或规则的图像识别算法；或者深度学习算法如CNN、RNN等；辅助以迁移学习或增强学习)进行识别定位并自动提示。或者，通过与同类型的正常医学影像进行对比，找到患者医学影像与正常医学影像存在区别的区域，确定为感兴趣区域。
S3，根据所述感兴趣区域和所述候选病灶选项确定病灶类型；根据所述病灶类型分割出病变区域，生成与患者医学影像的感兴趣区域相关联的结构化报告，同时将所述病变区域和对应的影像语义的表达内容加入到对应的病灶图像库中。
S301，基于确定的感兴趣区域所属的病灶类型，对感兴趣区域进行定位分析，计算感兴趣区域的空间位置，并分割出病变区域。
根据专家确定的感兴趣区域和提供的候选病灶选项确定病灶选项，进而确定病灶类型；对感兴趣区域进行定位分析，计算感兴趣区域的空间位置，并分割出病变区域，生成与患者医学影像的感兴趣区域相关联的结构化报告，同时将病变区域和对应的影像语义的表达内容加入到对应的病灶图像库中。其中，确定感兴趣区域之后，基于确定的感兴趣区域所属的病灶类型，对感兴趣区域进行定位分析，计算所述感兴趣区域的空间位置，并分割出病变区域，具体包括如下步骤：
S3011，根据感兴趣区域和候选病灶选项确定感兴趣区域所属的病灶类型。
前已述及，人体器官普遍有相对固定的位置，其在医学影像中的位置及图像显示(图像上的灰度值等)一般较为明显，容易识别、定位、解构。针对患者医学影像，对勾画出的感兴趣区域进行定位分析，根据勾画的感兴趣区域以及选择的病灶选项确定感兴趣区域所属的病灶类型。
S3012，基于该感兴趣区域确定的病灶类型，计算该感兴趣区域的空间位置，并分割出病变区域。
每类器官都有它独特的空间位置、灰度空间分布及纹理属性。例如：孤立的肺小结节都孤立地被肺内空气包围，在三维影像上表现为阈值处理及连通分支分析后，周边均为空气分支(HU密度低于某阈值且在肺内)包围。且该结节分支内部的HU密度值随分支中心的分布，符合某特定分布。连通血管的肺小结节周围基本被肺内空气包围，但可以通过一条或多条血管(高密度)连通到气管/支气管、胸膜、肺叶。在三维影像上表现为通过阈值处理及连通分支分析后，周边均为空气分支(HU密度低于某阈值且在肺内)包围，但有高密度窄通道血管分支(HU密度高于某阈值且在肺内)连接出去。高密度窄通道血管分支经过Morphological Analysis的Opening算子(以不同尺度的球形结构元素)，可以在影像中被过滤。其内部的HU密度-空间分布与孤立结节有些差异。而连接肺壁的肺小结节周围部分被肺内空气包围，但有一边紧贴肺壁。在三维影像上表现为通过阈值处理及连通分支分析后，经过Morphological Analysis的Opening算子(以不同尺度的球形结构元素)，可以影像中被过滤，分割出病灶。还有毛玻璃结节等其他类型结节。
基于该患者医学影像所确定的病灶类型计算该区域的空间位置、周边区域，即确定感兴趣区域是否在某个部位、器官内与某些器官邻接，并在该感兴趣区域内采用多种方法(例如阈值计算、边缘提取、纹理分析等)进行分割，进一步划分出其中可能的病灶或病变区域。在该感兴趣区域内分割出病变区域，可以使用二维影像的灰度值，基于该类型病灶的阈值或纹理等特征，将不符合阈值要求或者纹理特征要求的区域分割出来作为病变区域。即通过计算感兴趣区域与已知的病灶类型的匹配度，得到可能的病灶或病变区域。
将分割出的病变区域以及病变区域对应的影像语义的表达内容添加到报告中，连同患者信息一起生成结构化报告。其中，病变区域对应的影像语义的表达内容为一种结构化的病灶描述条目，它将确定的病灶选项及其属性(包括该病灶的大小、毛刺度、清晰度、密度平均值、HU的直方图分布等等)生成与该医学影像的感兴趣区域(或判定为病灶区域)相关联。在本发明所提供的实施例中，结构化报告中确定的病灶选项的命名实体部分为一个与感兴趣区域关联的超链接。具体的，该超链接为确定的病变区域对应的影像语义的表达内容与该病变区域关联的超链接；通过点击超链接，可以同时查看病变区域以及与该病变区域(二维影像的感兴趣区域，或其在三维影像和二维动态影像分割出的时空片段)对应的影像语义的表达内容。有效的解决了现有报告中需要根据病变区域对应的影像语义的表达内容再去图库中寻找相应影像的繁琐，提高了查看报告的效率。
生成结构化报告之后，将病变区域和对应的影像语义的表达内容加入到对应的病灶图像库中，作为样本积累，供后续对图像语义表达知识图谱进行更新和补充时使用，这样专家可以在工作过程中完成样本的积累，不需要耗费额外的人力财力专门去进行数据挖掘，提高了结构化报告的使用效率。
在本发明中，以图像语义表达知识图谱结合各类机器学习，尤其深度学习、强化学习进行医疗影像识别，一个好处是可以有计划地深入地累积样本图像，很多图像的标注病灶可以被不断汇集在同一个子标签下。所谓进化，一方面是一种量的积累。同一标签的病灶的样本影像积累越来越多，必然导致深度学习可使用的样本不断增加，因而无论使用CNN、RNN、DNN，或是LSTM等算法，样本的增多一般会导致识别能力的增强，识别敏感度和特异度的提高。这点是显而易见的。另一方面，越来越多的标注病灶的积累，通过机器学习手段，结合人工的深入研究，可以不断细化病灶的标签标注，进一步丰富影像组学的测度，从而不断细化病灶的影像表现类型。也就是说，原有的病症的属性描述，类型会进一步增加，或者量化描述点会进一步增加。前者，如可能发现空间-密度分布有所不同的MGGO及结节，即增加的新的子类型；后者，如对病灶的边缘，或许会增加新的测度，例如边缘的毛刺度，并且该参数的增加，或许会增强基于CT或MRI的影像，预测病灶恶性程度的精度。
进一步地，结合图像语义表达知识图谱的病灶类型描述，参考已经获得的识别良好的病灶识别模型，本医学影像辅助诊断系统将易于采用迁移学习等手段，快速学习一些新生的或者样本较少的病灶。例如乳腺MRI的肿块及非肿样强化病灶与肺部CT的结节及GGO病灶，有很多空间-密度分布的相似性，然而在具体的参数上又有所不同，这些特点很适合在某个类别或标签的病灶样本不够多时，进行跨域的迁移学习(使用其他有一定影像表现相似性的病灶样本获取的参数模型应用于该病灶样本进行参数调整)，或者BorrowedStrength参数估计。
第二实施例
本发明的第二实施例提供了一种结合影像识别与报告编辑的医学影像辅助诊断方法，与上述第一实施例的不同之处在于：
一.在第一实施例的步骤S3中，获取患者医学影像之后，对确定的感兴趣区域从二维影像延伸到三维立体影像或者二维动态影像(随时间变动的类视频影像)，基于感兴趣区域所包含的病灶类型，对感兴趣区域进行定位分析，计算所述感兴趣区域的空间位置，并分割出整体图像的病变区域。
具体地说，在确定感兴趣区域之后，对感兴趣区域进行定位分析，分割出整体图像的病变区域，具体包括如下步骤：
对确定的感兴趣区域进行定位分析，确定感兴趣区域所属的病灶类型；
对确定的感兴趣区域从二维影像延伸到三维立体影像或者二维动态影像，并分割出整体图像的病变区域。
一般而言，考虑到操作的便捷性，用户都是在二维影像截面上进行初步勾画的。对于二维形式的患者医学影像，进一步从勾画出的感兴趣区域形成对应的矩形区域或者立方体区域(通过CT、MRI等获得)，或者动态影像(通过超声获得)，通过计算感兴趣区域与已知的病灶类型的匹配度，得到可能的病灶或病变区域。
接下来进行定位分析，确定感兴趣区域所属的病灶类型。
对于基于CT或MRI获得的三维影像中的某个感兴趣区域或病灶的标注勾画定位，一般局限于在某个空间截面的二维影像，对于该截面的感兴趣区域进行勾画，基于相似的纹理灰度分布，进一步外推到其前后(上下)的其它相邻的多个二维帧。具体说明如下：
步骤1：基于专家确定的病灶类型，及该病灶类型对应的形状和纹理特征，使用二维影像的灰度值，基于该病灶类型的阈值或纹理等特征进行分割；在某些情况下，并进一步使用二维影像的数学形态学算子或其他分割算子将某些跟器官某部分连接的病灶(例如，连接肺壁的实性结节和连接腺体的肿块，相连的两者的像素灰度及纹理特征很像)进行分割，获得在这个二维子影像(帧)截面的一个或几个对应于这个病灶(即病变区域)的闭合核心病灶区域的主要闭合区域。
闭合核心病灶区域必须满足下述两点：
(1)该闭合核心病灶区域完全包含在所画的感兴趣区域内(不会连向外部)；
(2)该闭合核心病灶区域所占像素数在该感兴趣区域的比例不得低于某个数字(如30％)。
步骤2：基于此主要闭合区域，向该影像的空间序列的上一幅及后一幅延伸，基于该病灶类型的阈值或纹理等特征进行分割；在某些情况下，并进一步使用二维影像的数学形态学算子或其他分割算子将某些跟器官某部分连接的病灶进行分割，获得一个或数个符合病灶类型描述的闭合区域。这些区域中，仅与前述已认定之主要闭合区域在三维上连接(一般按照6-邻域连接处理)的闭环区域，被归并到闭合核心病灶区域。
步骤3：继续上述步骤2的操作，并进行三维空间的数学形态学的闭运算，以滤除掉三维空间与闭合核心病灶区域连接的其他区域(就肿块和结节而言，是一些导管、血管及一些器官腺体)，直到闭合核心病灶区域不再生长。
步骤4：这样，闭合核心病灶区域边缘被勾画出并进行像素级标注。同时，计算闭合核心病灶区域的边缘像素点坐标中的X、Y、Z轴的最大值及最小值，构成空间的立方体，即包含病变区域的三维立方体区域。
对于基于超声(B超)的动态影像，用户对某个感兴趣区域或病灶的标注勾画定位，一般局限于某个特定时间片段的一个静态影像(在超声中往往是固定于某个点的一个时间片段的扫描图像帧中的某一个或几个帧)。完整的感兴趣区域或病灶的勾画，是基于计算机通过算法(空间相邻、纹理、灰度等)将用户对截面的感兴趣区域的勾画，进一步外推到这个动态影像的其它相邻二维帧。
B超的特点是医生也在不断移动检测仪器的探头，而且检测仪器探头监测的部位的图像中，也有一部分是随时间不断变化的(如心脏、血流)。一般而言，医生操作探头，一般会处于两种状态：快速移动探头，寻找可疑区域状态；基本静止或含轻微滑动，重点关注某个区域内的超声图像随时间的变化(如血流变化)状态。医生一般在后一种状态时，会使用本医学影像辅助诊断系统在主机显示器呈现的动态影像上画出感兴趣区域。本医学影像辅助诊断系统将通过如下步骤，以确定感兴趣区域对应的动态影像的时间序列。具体说明如下：
步骤1：对动态影像中的各帧进行预处理，输出相对固定的人体器官区域，如骨骼、肌肉、心脏核心区域(收缩/舒张共有部分)、肺区域(呼吸共有部分)等，实时获得处理后的动态影像。
步骤2：获得动态影像中的探头位置相对固定的完整观察帧序列，具体实现方法有下述两种：
(1)基于位置移动感应器，确定探头是否在快速移动-寻找感兴趣区域，还是基本静止(含轻微移动)-已经在重点关注某个区域内的图像随时间的变化(如血流变化)，并基于探头位置随时间的变化，直接确定探头位置相对固定的完整的观察帧序列。
(2)基于MPEG4压缩算法中的相邻帧间的预测编码及帧间相关性计算部分算法，实时分析处理后的动态影像(步骤1的输出图像)，确定探头是否在快速移动-寻找感兴趣区域，还是基本静止(含轻微移动)-已经在重点关注某个区域内的图像随时间的变化(如血流变化)，并基于相邻帧及相似场景的分析(这类算法在MPEG4中早已成熟)确定同样场景的完整的观察帧序列。
其中，在该第二实施例中提供的基于MPEG4压缩算法，带有检测场景是否改变的算法模块((包括检测到场景的伸缩变换-即同一场景的细节放大或场景扩张)，场景平移，及场景彻底切换)。医学的动态影像一般主要是场景平移。场景彻底切换较少，一般发生于探头放到人体上和移走时。在此便不在赘述了。
步骤3：基于前述的感兴趣区域及专家确定的病灶类型，以及专家确定感兴趣区域时其所处的观察帧序列，完整获取其所处的完整的观察帧系列。
其中，专家确定感兴趣区域时其所处的帧序列，指专家确定感兴趣区域时，对应的具体一幅或数幅连续的二维图像(帧)。系统将感兴趣区域对应的二维图像或部分二维动态图像系列，在时间上向前后扩展到完整的观察帧系列(整个的探头位置相对固定的时间段)。此时，每一幅被扩展帧的感兴趣区域，可以简单处理，仍被限定于所述的二维感兴趣区域周围；也可以进一步处理，基于原先确定的二维感兴趣区域，及最后专家确定的病灶类型，进行图像分析，在扩展的帧中，重新分割出更精准的病灶部分。
二.根据感兴趣区域和候选病灶选项确定病灶类型；根据病灶类型分割出病变区域，生成与患者医学影像的感兴趣区域相关联的结构化报告，同时将所述病变区域和对应的影像语义的表达内容加入到对应的病灶图像库中。其中，当候选病灶选项均与感兴趣区域不相符时，需要专家手动输入与感兴趣区域对应的影像语义的表达内容，发送给其他专家进行验证，验证通过后，将该病变区域和对应的影像语义的表达内容加入到对应的病灶图像库中。
其中，候选病灶选项均与感兴趣区域不相符包括候选病灶选项中不包含感兴趣区域对应的病灶选项或者病灶选项对感兴趣区域的描述不准确。具体说明如下：
在生成的报告中存在一种可能性，推送的病灶类型存在遗漏，即专家认为报告中记录的所有候选病灶选项均不能准确描述该病变区域，需手工输入对应的(已知)病灶名称，及对应的一些属性，并插入到报告中。该种可能性尤其存在于系统尚未完备时。
此时，该病灶的属性及其对应的病灶局部影像，将被记录补充到此病灶影像库中，并作为与系统判断不一致的新发现，提交给其他专家进行交叉验证，一旦该新发现被人为确证，则相应的知识(包括病变区域以及对应的影像语义的表达内容)会补充到病灶图像库中，作为新增训练样本加入训练集，当系统定时或不定时更新时，将该新知识补充到图像语义表达知识图谱。如被其他专家证伪，则纠正此专家的手工录入结果，采用系统的识别结果。
在生成的报告中还存在一种可能性，即报告中记录的候选病灶选项存在遗漏，需输入对应的(未知)病灶名称及对应的一些属性，并插入到报告中。该种可能性可能发生在本医学影像辅助诊断系统尚未完备时，也可能发生在新类型病灶发现时。
此时，新类型病灶连同属性及其对应的病灶局部影像，将被记录补充到新增的病灶类型的临时病灶影像库中，并作为新发现病灶，提交给其他专家进行交叉验证，一旦该新发现被人为确证，则相应的知识会补充到图像语义表达知识图谱中，且该病灶影像被补充到对应的病灶影像库，作为新增训练样本加入训练集。如被其他专家证伪，则纠正此专家的手工录入结果，采用本医学影像辅助诊断系统先前的识别结果。
一般而言，本医学影像辅助诊断系统可以等待此类新增样本积累到一定程度时，进行训练。当发现此类样本时，本医学影像辅助诊断系统也可以基于专家对这类新增样本的研究及其他知识，结合GAN-生成对抗网络-生成更多类似样本等，在样本较少时进行学习。第三实施例
本发明提供的第三实施例提供了一种结合影像识别与报告编辑的医学影像辅助诊断系统。该系统包括知识图谱建立模块、信息获取模块、感兴趣区域确定模块、候选病灶选项生成模块、病变区域确定模块、报告生成模块和修正模块。其中，知识图谱建立模块用于根据影像领域的标准化词典库和历史积累的医学影像报告分析建立图像语义表达知识图谱。信息获取模块用于获取患者医学影像。感兴趣区域确定模块用于专家根据信息获取模块传送来的患者医学影像确定患者医学影像的感兴趣区域。候选病灶选项生成模块用于根据知识图谱建立模块传送来的图像语义表达知识图谱以及感兴趣区域确定模块传送来的感兴趣区域提供患者的候选病灶选项。病变区域确定模块用于根据感兴趣区域确定模块传送来的感兴趣区域和候选病灶选项生成模块传送来的候选病灶选项确定病灶类型；并根据所述病灶类型分割出病变区域。报告生成模块用于根据分割出病变区域以及对应的影像语义的表达内容生成与患者医学影像的感兴趣区域相关联的结构化报告。修正模块用于将病变区域和对应的影像语义的表达内容加入到对应的病灶图像库中。
其中，病变区域确定模块包括病灶类型确定单元和病变区域确定单元。其中，病灶类型确定单元用于根据感兴趣区域确定模块传送的感兴趣区域，在候选病灶选项生成模块提供的候选病灶选项中确定病灶类型；病变区域确定单元用于对感兴趣区域确定模块传送的感兴趣区域进行定位分析，分割出病变区域，根据知识图谱建立模块传送的图像语义表达知识图谱确定病变区域对应的病灶选项，进而确定病变类型。
综上所述，本发明所提供的结合影像识别与报告编辑的医学影像辅助诊断方法以图像语义表达知识图谱结合各类机器学习，进行医疗影像识别，可以有计划地深入地累积样本图像，并不断完善图像语义表达知识图谱，使很多图像的标注病灶被不断汇集在同一个子标签下。另一方面，随着同一标签的病灶的样本影像积累越来越多，导致深度学习可使用的样本不断增加，样本的增多一般会导致识别能力的增强，识别敏感度和特异度的提高。除此之外，越来越多的标注病灶的积累，通过机器学习手段，结合人工的深入研究，可以不断细化病灶的标签标注，进一步丰富影像组学的测度，从而不断细化病灶的影像表现类型，增强医学影像的辅助诊断能力。
上面对本发明所提供的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进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质精神的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。

Claims (12)

1.一种结合影像识别与报告编辑的医学影像辅助诊断方法，其特征在于包括如下步骤：
S1，建立医学影像的图像语义表达知识图谱；
S2，获取患者医学影像，确定在二维影像上的感兴趣区域，根据图像语义表达知识图谱以及所述感兴趣区域提供患者的候选病灶选项；
S3，根据所述感兴趣区域和所述候选病灶选项确定病灶类型；根据所述病灶类型分割出病变区域，生成与患者医学影像的感兴趣区域相关联的结构化报告，同时将所述病变区域和对应的影像语义的表达内容加入到对应的病灶图像库中。
2.如权利要求1所述的医学影像辅助诊断方法，其特征在于在步骤S1中，建立医学影像的图像语义表达知识图谱进一步包括如下步骤：
S11，基于医学影像领域的标准化词典库，形成基础的命名实体列表；
S12，通过对病灶图像库中的历史积累的医学影像报告进行分析，形成命名实体的特性描述文字规范；
S13，基于专家知识及特定病灶类型对应的局部病灶影像，将获得的命名实体的特性描述文字规范转变为影像语义的表达内容，将每个命名实体以及所述命名实体对应的影像、影像语义的表达内容共同建立所述图像语义表达知识图谱。
3.如权利要求1所述的医学影像辅助诊断方法，其特征在于在步骤S3中，进一步包括如下步骤：
S301，基于所述感兴趣区域所属的病灶类型，对所述感兴趣区域进行定位分析，计算所述感兴趣区域的空间位置，并分割出病变区域。
4.如权利要求1所述的医学影像辅助诊断方法，其特征在于在步骤S3中，进一步包括如下步骤：
S311，基于所述感兴趣区域所属的病灶类型，对确定的感兴趣区域进行定位分析，确定感兴趣区域所属的病灶类型；对确定的感兴趣区域从二维影像延伸到三维立体影像或者二维动态影像，并分割出整体图像的病变区域。
5.如权利要求4所述的医学影像辅助诊断方法，其特征在于当图像类型为二维动态影像时，在步骤S311中，进一步包括如下步骤：
步骤1：基于专家确定的病灶类型，结合所述病灶类型对应的形状和纹理特征，调用二维影像的灰度值，根据器官的连接关系对病变区域进行分割，获得在二维影像截面中对应所述病变区域的闭合核心病灶区域的主要闭合区域；
步骤2：基于所述主要闭合区域，向二维影像的空间序列的上一幅及后一幅延伸，基于病灶类型对应的形状和纹理特征，根据器官的连接关系对病变区域进行分割，获得符合病灶类型描述的闭合区域；
步骤3：继续步骤2的操作，并进行三维空间的数学形态学的闭运算，除掉三维空间与闭合核心病灶区域连接的其他区域，直到闭合核心病灶区域不再生长；勾画出闭合核心病灶区域边缘；
步骤4：计算闭合核心病灶区域的边缘像素点坐标中的X、Y、Z轴的最大值及最小值，由此构成三维立方体区域。
6.如权利要求4所述的医学影像辅助诊断方法，其特征在于当图像类型为二维动态影像时，在步骤S311中，进一步包括如下步骤：
步骤1：对动态影像中的各帧进行预处理，输出相对固定的人体器官区域的图像；
步骤2：获得动态影像中探头位置相对固定的完整的观察帧序列；
步骤3：基于所述感兴趣区域、确定的所述病灶类型，以及确定所述感兴趣区域时所处的观察帧序列，完整获取感兴趣区域对应的完整的观察帧系列。
7.如权利要求6所述的医学影像辅助诊断方法，其特征在于当扫描探头自身不带有位置移动感应器时，步骤2中所述获得动态影像中探头位置相对固定的完整的观察帧序列，包括如下步骤：
基于位置移动感应器，确定探头是否在快速移动；
如果探头在快速移动，则认为检测仪器在寻找感兴趣区域；否则，认为探头基本静止，正在重点关注某个区域内的图像随时间的变化；
基于位置随时间的变化，确定探头位置相对固定的完整的观察帧序列。
8.如权利要求6所述的医学影像辅助诊断方法，其特征在于当扫描探头自身不带有位置移动感应器时，步骤2中所述获得动态影像中探头位置相对固定的完整的观察帧序列，包括如下步骤：
实时分析动态影像，确定探头是否在快速移动；
如果探头在快速移动，则认为在寻找感兴趣区域；否则，认为探头基本静止，正在重点关注某个区域内的图像随时间的变化；
基于相邻帧及相似场景的分析确定同样场景的完整的观察帧序列。
9.如权利要求1所述的医学影像辅助诊断方法，其特征在于：
所述结构化报告中包含确定的病变区域对应的影像语义的表达内容与所述病变区域关联的超链接；通过点击超链接，可以同时查看影像展示的病变区域以及与所述病变区域对应的影像语义的表达内容。
10.如权利要求1所述的医学影像辅助诊断方法，其特征在于：
当所述候选病灶选项均与所述感兴趣区域不相符时，输入与所述感兴趣区域对应的影像语义的表达内容，发送给其他专家进行验证，验证通过后，将所述病变区域和对应的影像语义的表达内容加入到对应的病灶图像库中。
11.一种结合影像识别与报告编辑的医学影像辅助诊断系统，其特征在于包括知识图谱建立模块、信息获取模块、感兴趣区域确定模块、候选病灶选项生成模块、病变区域确定模块、报告生成模块和修正模块；
其中，所述知识图谱建立模块用于根据影像领域的标准化词典库和历史积累的医学影像报告分析建立图像语义表达知识图谱；
所述信息获取模块用于获取患者医学影像；
所述感兴趣区域确定模块用于确定患者医学影像的感兴趣区域；
所述候选病灶选项生成模块用于根据图像语义表达知识图谱以及感兴趣区域提供患者的候选病灶选项；
所述病变区域确定模块用于根据所述感兴趣区域和所述候选病灶选项确定病灶类型；并根据所述病灶类型分割出病变区域；
所述报告生成模块用于根据分割出病变区域以及对应的影像语义的表达内容生成与患者医学影像的感兴趣区域相关联的结构化报告；
所述修正模块用于将所述病变区域和对应的影像语义的表达内容加入到对应的病灶图像库中。
12.如权利要求11所述的医学影像辅助诊断系统，其特征在于所述病变区域确定模块包括病灶类型确定单元和病变区域确定单元；其中，
所述病灶类型确定单元用于根据所述感兴趣区域，在提供的所述候选病灶选项中确定病灶类型；
所述病变区域确定单元用于对所述感兴趣区域进行定位分析，分割出病变区域，根据所述图像语义表达知识图谱确定病变区域对应的病变类型；
病变区域确定模块用于对所述感兴趣区域进行定位分析，计算所述感兴趣区域的空间位置，并分割出病变区域。
CN201710895420.4A 2017-09-28 2017-09-28 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 Active CN109583440B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201710895420.4A CN109583440B (zh) 2017-09-28 2017-09-28 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
PCT/CN2018/108311 WO2019062846A1 (zh) 2017-09-28 2018-09-28 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
US16/833,512 US11101033B2 (en) 2017-09-28 2020-03-28 Medical image aided diagnosis method and system combining image recognition and report editing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710895420.4A CN109583440B (zh) 2017-09-28 2017-09-28 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

Publications (2)

Publication Number Publication Date
CN109583440A true CN109583440A (zh) 2019-04-05
CN109583440B CN109583440B (zh) 2021-12-17

Family

ID=65900854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710895420.4A Active CN109583440B (zh) 2017-09-28 2017-09-28 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

Country Status (3)

Country Link
US (1) US11101033B2 (zh)
CN (1) CN109583440B (zh)
WO (1) WO2019062846A1 (zh)

Cited By (65)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097969A (zh) * 2019-05-10 2019-08-06 安徽科大讯飞医疗信息技术有限公司 一种诊断报告的分析方法、装置及设备
CN110111864A (zh) * 2019-04-15 2019-08-09 中山大学 一种基于关系模型的医学报告生成模型及其生成方法
CN110162639A (zh) * 2019-04-16 2019-08-23 深圳壹账通智能科技有限公司 识图知意的方法、装置、设备及存储介质
CN110223761A (zh) * 2019-06-13 2019-09-10 上海联影医疗科技有限公司 一种勾勒数据导入方法、装置、电子设备及存储介质
CN110379492A (zh) * 2019-07-24 2019-10-25 复旦大学附属中山医院青浦分院 一种全新的ai+pacs系统及其检查报告构建方法
CN110600122A (zh) * 2019-08-23 2019-12-20 腾讯医疗健康(深圳)有限公司 一种消化道影像的处理方法、装置、以及医疗系统
CN110610181A (zh) * 2019-09-06 2019-12-24 腾讯科技（深圳）有限公司 医学影像识别方法及装置、电子设备及存储介质
CN110738655A (zh) * 2019-10-23 2020-01-31 腾讯科技（深圳）有限公司 影像报告生成方法、装置、终端及存储介质
CN110853743A (zh) * 2019-11-15 2020-02-28 杭州依图医疗技术有限公司 医学影像的显示方法、信息处理方法及存储介质
CN110946615A (zh) * 2019-11-19 2020-04-03 苏州佳世达电通有限公司 超声波诊断装置及使用其的操作方法
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
CN111047609A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 肺炎病灶分割方法和装置
CN111179227A (zh) * 2019-12-16 2020-05-19 西北工业大学 基于辅助诊断和主观美学的乳腺超声图像质量评价方法
CN111275707A (zh) * 2020-03-13 2020-06-12 北京深睿博联科技有限责任公司 肺炎病灶分割方法和装置
CN111311705A (zh) * 2020-02-14 2020-06-19 广州柏视医疗科技有限公司 基于webgl的高适应性医学影像多平面重建方法及系统
CN111339076A (zh) * 2020-03-16 2020-06-26 北京大学深圳医院 肾脏病理报告镜检数据处理方法、装置及相关设备
CN111369532A (zh) * 2020-03-05 2020-07-03 北京深睿博联科技有限责任公司 乳腺x射线影像的处理方法和装置
CN111430014A (zh) * 2020-03-31 2020-07-17 杭州依图医疗技术有限公司 腺体医学影像的显示方法、交互方法及存储介质
CN111476775A (zh) * 2020-04-07 2020-07-31 广州柏视医疗科技有限公司 Dr征象识别装置和方法
CN111507978A (zh) * 2020-05-08 2020-08-07 延安大学 一种泌尿外科用智能数字影像处理系统
CN111507979A (zh) * 2020-05-08 2020-08-07 延安大学 一种医学影像计算机辅助分析方法
CN111528907A (zh) * 2020-05-07 2020-08-14 万东百胜(苏州)医疗科技有限公司 一种超声影像肺炎辅助诊断方法及系统
CN111554369A (zh) * 2020-04-29 2020-08-18 杭州依图医疗技术有限公司 医学数据的处理方法、交互方法及存储介质
CN111563876A (zh) * 2020-03-24 2020-08-21 上海依智医疗技术有限公司 一种医学影像的获取方法、显示方法
CN111563877A (zh) * 2020-03-24 2020-08-21 上海依智医疗技术有限公司 一种医学影像的生成方法及装置、显示方法及存储介质
CN111640503A (zh) * 2020-05-29 2020-09-08 上海市肺科医院 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法
CN111667897A (zh) * 2020-04-24 2020-09-15 杭州深睿博联科技有限公司 一种影像诊断结果的结构化报告系统
CN111681737A (zh) * 2020-05-07 2020-09-18 陈�峰 用于建设肝癌影像数据库的结构化报告系统及方法
CN111681730A (zh) * 2020-05-22 2020-09-18 上海联影智能医疗科技有限公司 医学影像报告的分析方法和计算机可读存储介质
CN111768844A (zh) * 2020-05-27 2020-10-13 中国科学院大学宁波华美医院 用于ai模型训练的肺部ct影像标注方法
CN111933251A (zh) * 2020-06-24 2020-11-13 安徽影联云享医疗科技有限公司 一种医学影像标注方法及系统
CN111951952A (zh) * 2020-07-17 2020-11-17 北京欧应信息技术有限公司 一种基于医疗影像信息自动诊断骨科疾病的装置
CN111986137A (zh) * 2019-05-21 2020-11-24 梁红霞 生物器官病变检测方法、装置、设备及可读存储介质
WO2020233272A1 (zh) * 2019-05-22 2020-11-26 腾讯科技（深圳）有限公司 一种医疗图像处理方法、装置、电子医疗设备和存储介质
CN112365436A (zh) * 2020-01-09 2021-02-12 西安邮电大学 一种针对ct影像的肺结节恶性度分级方法
CN112419340A (zh) * 2020-12-09 2021-02-26 沈阳先进医疗设备技术孵化中心有限公司 脑脊液分割模型的生成方法、应用方法及装置
CN112401915A (zh) * 2020-11-19 2021-02-26 华中科技大学同济医学院附属协和医院 一种新冠肺炎ct复查的图像融合比对方法
CN112420150A (zh) * 2020-12-02 2021-02-26 沈阳东软智能医疗科技研究院有限公司 医学影像报告的处理方法、装置、存储介质及电子设备
CN112530550A (zh) * 2020-12-10 2021-03-19 武汉联影医疗科技有限公司 影像报告生成方法、装置、计算机设备和存储介质
CN112599216A (zh) * 2020-12-31 2021-04-02 四川大学华西医院 脑肿瘤mri多模态标准化报告输出系统及方法
CN112669925A (zh) * 2020-12-16 2021-04-16 华中科技大学同济医学院附属协和医院 一种新冠肺炎ct复查的报告模板及形成方法
US20210150712A1 (en) * 2018-07-31 2021-05-20 Olympus Corporation Image analysis device and image analysis method
CN112863649A (zh) * 2020-12-31 2021-05-28 四川大学华西医院 玻璃体内肿瘤影像结果输出系统及方法
WO2021102844A1 (zh) * 2019-11-28 2021-06-03 华为技术有限公司 处理图像的方法、装置及系统
CN113254608A (zh) * 2020-02-07 2021-08-13 台达电子工业股份有限公司 通过问答生成训练数据的系统及其方法
CN113314202A (zh) * 2020-02-26 2021-08-27 张瑞明 基于大数据来处理医学影像的系统
CN113486195A (zh) * 2021-08-17 2021-10-08 深圳华声医疗技术股份有限公司 超声图像处理方法、装置、超声设备及存储介质
CN113592857A (zh) * 2021-08-25 2021-11-02 桓由之 医学影像中图形要素的识别、提取和标注的方法
CN113658107A (zh) * 2021-07-21 2021-11-16 杭州深睿博联科技有限公司 一种基于ct图像的肝脏病灶诊断方法及装置
CN113763345A (zh) * 2021-08-31 2021-12-07 苏州复颖医疗科技有限公司 医学影像病灶位置查看方法、系统、设备及存储介质
CN113838560A (zh) * 2021-09-09 2021-12-24 王其景 一种基于医学影像的远程诊断系统及方法
CN113889213A (zh) * 2021-12-06 2022-01-04 武汉大学 超声内镜报告的生成方法、装置、计算机设备及存储介质
WO2022012687A1 (zh) * 2020-07-17 2022-01-20 武汉联影医疗科技有限公司 医疗数据处理方法与系统
CN114463323A (zh) * 2022-02-22 2022-05-10 数坤(北京)网络科技股份有限公司 一种病灶区域识别方法、装置、电子设备和存储介质
CN114530224A (zh) * 2022-01-18 2022-05-24 深圳市智影医疗科技有限公司 基于医学影像的诊断报告辅助生成方法及系统
CN114565582A (zh) * 2022-03-01 2022-05-31 佛山读图科技有限公司 一种医学图像分类和病变区域定位方法、系统及存储介质
CN114724670A (zh) * 2022-06-02 2022-07-08 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种医学报告生成方法、装置、存储介质和电子设备
CN114972806A (zh) * 2022-05-12 2022-08-30 上海工程技术大学 一种基于计算机视觉的医学图像分析方法
CN115062165A (zh) * 2022-08-18 2022-09-16 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于读片知识图谱的医学影像诊断方法及装置
CN115063425A (zh) * 2022-08-18 2022-09-16 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于读片知识图谱的结构化检查所见生成方法及系统
CN115295125A (zh) * 2022-08-04 2022-11-04 天津市中西医结合医院（天津市南开医院） 一种基于人工智能的医学影像文件管理系统及方法
WO2022252107A1 (zh) * 2021-06-01 2022-12-08 眼灵(上海)智能科技有限公司 一种基于眼部图像的疾病检测系统及方法
CN116779093A (zh) * 2023-08-22 2023-09-19 青岛美迪康数字工程有限公司 一种医学影像结构化报告的生成方法、装置和计算机设备
CN116797889A (zh) * 2023-08-24 2023-09-22 青岛美迪康数字工程有限公司 医学影像识别模型的更新方法、装置和计算机设备
CN117457142A (zh) * 2023-11-17 2024-01-26 浙江飞图影像科技有限公司 用于报告生成的医学影像处理系统及方法

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201817049D0 (en) * 2018-10-19 2018-12-05 Mirada Medical Ltd System and method for automatic delineation of medical images
CN111028173B (zh) * 2019-12-10 2023-11-17 北京百度网讯科技有限公司 图像增强方法、装置、电子设备及可读存储介质
CN111325767B (zh) * 2020-02-17 2023-06-02 杭州电子科技大学 基于真实场景的柑橘果树图像集合的合成方法
TWI783219B (zh) * 2020-04-01 2022-11-11 緯創資通股份有限公司 醫學影像辨識方法及醫學影像辨識裝置
US11883687B2 (en) 2020-09-08 2024-01-30 Shanghai United Imaging Healthcare Co., Ltd. X-ray imaging system for radiation therapy
EP3985679A1 (en) * 2020-10-19 2022-04-20 Deepc GmbH Technique for providing an interactive display of a medical image
US20220284542A1 (en) * 2021-03-08 2022-09-08 Embryonics LTD Semantically Altering Medical Images
CN113160166B (zh) * 2021-04-16 2022-02-15 宁波全网云医疗科技股份有限公司 通过卷积神经网络模型进行医学影像数据挖掘工作方法
CN114708952B (zh) * 2022-06-02 2022-10-04 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种图像标注方法、装置、存储介质和电子设备
JP2024032079A (ja) * 2022-08-29 2024-03-12 富士通株式会社 病変検出方法および病変検出プログラム
CN117476163B (zh) * 2023-12-27 2024-03-08 万里云医疗信息科技（北京）有限公司 用于确定疾病结论的方法、装置以及存储介质
CN118334017B (zh) * 2024-06-12 2024-09-10 中国人民解放军总医院第八医学中心 一种面向呼吸道传染病的风险辅助评估方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156715A (zh) * 2011-03-23 2011-08-17 中国科学院上海技术物理研究所 面向医学影像数据库的基于多病灶区域特征的检索系统
CN102365641A (zh) * 2009-03-26 2012-02-29 皇家飞利浦电子股份有限公司 基于诊断信息自动检索报告模板的系统
CN102428469A (zh) * 2009-05-19 2012-04-25 皇家飞利浦电子股份有限公司 检索和查看医疗图像
CN103220974A (zh) * 2010-07-21 2013-07-24 阿敏·E·莫尔勒 图像报告方法
KR20150085943A (ko) * 2014-01-17 2015-07-27 주식회사 인피니트헬스케어 의료 영상 판독 과정에서 구조화된 관심 영역 정보 생성 방법 및 그 장치
US9349186B2 (en) * 2013-02-11 2016-05-24 General Electric Company Systems and methods for image segmentation using target image intensity
US20160203599A1 (en) * 2013-08-13 2016-07-14 H. Lee Moffitt Cancer Center And Research Institute, Inc. Systems, methods and devices for analyzing quantitative information obtained from radiological images
CN106021281A (zh) * 2016-04-29 2016-10-12 京东方科技集团股份有限公司 医学知识图谱的构建方法、其装置及其查询方法
CN106295186A (zh) * 2016-08-11 2017-01-04 中国科学院计算技术研究所 一种基于智能推理的辅助疾病诊断的方法与系统
CN106776711A (zh) * 2016-11-14 2017-05-31 浙江大学 一种基于深度学习的中文医学知识图谱构建方法
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
CN106909778A (zh) * 2017-02-09 2017-06-30 北京市计算中心 一种基于深度学习的多模态医学影像识别方法及装置
CN106933994A (zh) * 2017-02-27 2017-07-07 广东省中医院 一种基于中医药知识图谱的核心症证关系构建方法
CN107145744A (zh) * 2017-05-08 2017-09-08 合肥工业大学 医学知识图谱的构建方法、装置及辅助诊断方法
CN107209809A (zh) * 2015-02-05 2017-09-26 皇家飞利浦有限公司 用于放射学报告的报告内容的背景创建

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8799013B2 (en) * 2009-11-24 2014-08-05 Penrad Technologies, Inc. Mammography information system
US8311303B2 (en) * 2010-01-12 2012-11-13 Siemens Corporation Method and system for semantics driven image registration
US10282840B2 (en) * 2010-07-21 2019-05-07 Armin Moehrle Image reporting method
CN103793611B (zh) * 2014-02-18 2017-01-18 中国科学院上海技术物理研究所 医学信息的可视化方法和装置
KR20150108701A (ko) * 2014-03-18 2015-09-30 삼성전자주식회사 의료 영상 내 해부학적 요소 시각화 시스템 및 방법
CN105184074B (zh) * 2015-09-01 2018-10-26 哈尔滨工程大学 一种基于多模态医学影像数据模型的医学数据提取和并行加载方法
US10169873B2 (en) * 2017-03-23 2019-01-01 International Business Machines Corporation Weakly supervised probabilistic atlas generation through multi-atlas label fusion
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

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102365641A (zh) * 2009-03-26 2012-02-29 皇家飞利浦电子股份有限公司 基于诊断信息自动检索报告模板的系统
CN102428469A (zh) * 2009-05-19 2012-04-25 皇家飞利浦电子股份有限公司 检索和查看医疗图像
CN103220974A (zh) * 2010-07-21 2013-07-24 阿敏·E·莫尔勒 图像报告方法
CN102156715A (zh) * 2011-03-23 2011-08-17 中国科学院上海技术物理研究所 面向医学影像数据库的基于多病灶区域特征的检索系统
US9349186B2 (en) * 2013-02-11 2016-05-24 General Electric Company Systems and methods for image segmentation using target image intensity
US20160203599A1 (en) * 2013-08-13 2016-07-14 H. Lee Moffitt Cancer Center And Research Institute, Inc. Systems, methods and devices for analyzing quantitative information obtained from radiological images
KR20150085943A (ko) * 2014-01-17 2015-07-27 주식회사 인피니트헬스케어 의료 영상 판독 과정에서 구조화된 관심 영역 정보 생성 방법 및 그 장치
CN107209809A (zh) * 2015-02-05 2017-09-26 皇家飞利浦有限公司 用于放射学报告的报告内容的背景创建
CN106021281A (zh) * 2016-04-29 2016-10-12 京东方科技集团股份有限公司 医学知识图谱的构建方法、其装置及其查询方法
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
CN106295186A (zh) * 2016-08-11 2017-01-04 中国科学院计算技术研究所 一种基于智能推理的辅助疾病诊断的方法与系统
CN106776711A (zh) * 2016-11-14 2017-05-31 浙江大学 一种基于深度学习的中文医学知识图谱构建方法
CN106909778A (zh) * 2017-02-09 2017-06-30 北京市计算中心 一种基于深度学习的多模态医学影像识别方法及装置
CN106933994A (zh) * 2017-02-27 2017-07-07 广东省中医院 一种基于中医药知识图谱的核心症证关系构建方法
CN107145744A (zh) * 2017-05-08 2017-09-08 合肥工业大学 医学知识图谱的构建方法、装置及辅助诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
俞思伟 等: "基于知识图谱的智能医疗研究", 《医疗卫生装备》 *
王洋: "基于多图谱的人脑MR图像的分析与可视化", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *

Cited By (96)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210150712A1 (en) * 2018-07-31 2021-05-20 Olympus Corporation Image analysis device and image analysis method
CN110111864A (zh) * 2019-04-15 2019-08-09 中山大学 一种基于关系模型的医学报告生成模型及其生成方法
CN110111864B (zh) * 2019-04-15 2023-05-26 中山大学 一种基于关系模型的医学报告生成系统及其生成方法
CN110162639A (zh) * 2019-04-16 2019-08-23 深圳壹账通智能科技有限公司 识图知意的方法、装置、设备及存储介质
CN110097969A (zh) * 2019-05-10 2019-08-06 安徽科大讯飞医疗信息技术有限公司 一种诊断报告的分析方法、装置及设备
CN111986137A (zh) * 2019-05-21 2020-11-24 梁红霞 生物器官病变检测方法、装置、设备及可读存储介质
WO2020233272A1 (zh) * 2019-05-22 2020-11-26 腾讯科技（深圳）有限公司 一种医疗图像处理方法、装置、电子医疗设备和存储介质
US11984225B2 (en) 2019-05-22 2024-05-14 Tencent Technology (Shenzhen) Company Limited Medical image processing method and apparatus, electronic medical device, and storage medium
CN110223761A (zh) * 2019-06-13 2019-09-10 上海联影医疗科技有限公司 一种勾勒数据导入方法、装置、电子设备及存储介质
CN110223761B (zh) * 2019-06-13 2023-08-22 上海联影医疗科技股份有限公司 一种勾勒数据导入方法、装置、电子设备及存储介质
CN110379492A (zh) * 2019-07-24 2019-10-25 复旦大学附属中山医院青浦分院 一种全新的ai+pacs系统及其检查报告构建方法
CN110600122A (zh) * 2019-08-23 2019-12-20 腾讯医疗健康(深圳)有限公司 一种消化道影像的处理方法、装置、以及医疗系统
CN110600122B (zh) * 2019-08-23 2023-08-29 腾讯医疗健康(深圳)有限公司 一种消化道影像的处理方法、装置、以及医疗系统
CN110610181A (zh) * 2019-09-06 2019-12-24 腾讯科技（深圳）有限公司 医学影像识别方法及装置、电子设备及存储介质
CN110738655A (zh) * 2019-10-23 2020-01-31 腾讯科技（深圳）有限公司 影像报告生成方法、装置、终端及存储介质
CN110738655B (zh) * 2019-10-23 2024-04-26 腾讯科技（深圳）有限公司 影像报告生成方法、装置、终端及存储介质
CN110853743A (zh) * 2019-11-15 2020-02-28 杭州依图医疗技术有限公司 医学影像的显示方法、信息处理方法及存储介质
CN110946615A (zh) * 2019-11-19 2020-04-03 苏州佳世达电通有限公司 超声波诊断装置及使用其的操作方法
CN110946615B (zh) * 2019-11-19 2023-04-25 苏州佳世达电通有限公司 超声波诊断装置及使用其的操作方法
WO2021102844A1 (zh) * 2019-11-28 2021-06-03 华为技术有限公司 处理图像的方法、装置及系统
CN113261012A (zh) * 2019-11-28 2021-08-13 华为技术有限公司 处理图像的方法、装置及系统
CN111179227B (zh) * 2019-12-16 2022-04-05 西北工业大学 基于辅助诊断和主观美学的乳腺超声图像质量评价方法
CN111179227A (zh) * 2019-12-16 2020-05-19 西北工业大学 基于辅助诊断和主观美学的乳腺超声图像质量评价方法
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
CN112365436B (zh) * 2020-01-09 2023-04-07 西安邮电大学 一种针对ct影像的肺结节恶性度分级系统
CN112365436A (zh) * 2020-01-09 2021-02-12 西安邮电大学 一种针对ct影像的肺结节恶性度分级方法
CN113254608A (zh) * 2020-02-07 2021-08-13 台达电子工业股份有限公司 通过问答生成训练数据的系统及其方法
TWI832032B (zh) * 2020-02-07 2024-02-11 台達電子工業股份有限公司 透過問答生成訓練資料的系統及其方法
CN111311705A (zh) * 2020-02-14 2020-06-19 广州柏视医疗科技有限公司 基于webgl的高适应性医学影像多平面重建方法及系统
CN111311705B (zh) * 2020-02-14 2021-06-04 广州柏视医疗科技有限公司 基于webgl的高适应性医学影像多平面重建方法及系统
CN113314202A (zh) * 2020-02-26 2021-08-27 张瑞明 基于大数据来处理医学影像的系统
CN111369532A (zh) * 2020-03-05 2020-07-03 北京深睿博联科技有限责任公司 乳腺x射线影像的处理方法和装置
CN111275707A (zh) * 2020-03-13 2020-06-12 北京深睿博联科技有限责任公司 肺炎病灶分割方法和装置
CN111047609A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 肺炎病灶分割方法和装置
CN111275707B (zh) * 2020-03-13 2023-08-25 北京深睿博联科技有限责任公司 肺炎病灶分割方法和装置
CN111339076A (zh) * 2020-03-16 2020-06-26 北京大学深圳医院 肾脏病理报告镜检数据处理方法、装置及相关设备
CN111563877A (zh) * 2020-03-24 2020-08-21 上海依智医疗技术有限公司 一种医学影像的生成方法及装置、显示方法及存储介质
CN111563877B (zh) * 2020-03-24 2023-09-26 北京深睿博联科技有限责任公司 一种医学影像的生成方法及装置、显示方法及存储介质
CN111563876A (zh) * 2020-03-24 2020-08-21 上海依智医疗技术有限公司 一种医学影像的获取方法、显示方法
CN111563876B (zh) * 2020-03-24 2023-08-25 北京深睿博联科技有限责任公司 一种医学影像的获取方法、显示方法
CN111430014B (zh) * 2020-03-31 2023-08-04 杭州依图医疗技术有限公司 腺体医学影像的显示方法、交互方法及存储介质
CN111430014A (zh) * 2020-03-31 2020-07-17 杭州依图医疗技术有限公司 腺体医学影像的显示方法、交互方法及存储介质
CN111476775B (zh) * 2020-04-07 2021-11-16 广州柏视医疗科技有限公司 Dr征象识别装置和方法
CN111476775A (zh) * 2020-04-07 2020-07-31 广州柏视医疗科技有限公司 Dr征象识别装置和方法
CN111667897A (zh) * 2020-04-24 2020-09-15 杭州深睿博联科技有限公司 一种影像诊断结果的结构化报告系统
CN111554369B (zh) * 2020-04-29 2023-08-04 杭州依图医疗技术有限公司 医学数据的处理方法、交互方法及存储介质
CN111554369A (zh) * 2020-04-29 2020-08-18 杭州依图医疗技术有限公司 医学数据的处理方法、交互方法及存储介质
CN111681737B (zh) * 2020-05-07 2023-12-19 陈�峰 用于建设肝癌影像数据库的结构化报告系统及方法
CN111681737A (zh) * 2020-05-07 2020-09-18 陈�峰 用于建设肝癌影像数据库的结构化报告系统及方法
CN111528907A (zh) * 2020-05-07 2020-08-14 万东百胜(苏州)医疗科技有限公司 一种超声影像肺炎辅助诊断方法及系统
CN111507978A (zh) * 2020-05-08 2020-08-07 延安大学 一种泌尿外科用智能数字影像处理系统
CN111507979A (zh) * 2020-05-08 2020-08-07 延安大学 一种医学影像计算机辅助分析方法
CN111681730A (zh) * 2020-05-22 2020-09-18 上海联影智能医疗科技有限公司 医学影像报告的分析方法和计算机可读存储介质
CN111681730B (zh) * 2020-05-22 2023-10-27 上海联影智能医疗科技有限公司 医学影像报告的分析方法和计算机可读存储介质
CN111768844B (zh) * 2020-05-27 2022-05-13 中国科学院大学宁波华美医院 用于ai模型训练的肺部ct影像标注方法
CN111768844A (zh) * 2020-05-27 2020-10-13 中国科学院大学宁波华美医院 用于ai模型训练的肺部ct影像标注方法
CN111640503B (zh) * 2020-05-29 2023-09-26 上海市肺科医院 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法
CN111640503A (zh) * 2020-05-29 2020-09-08 上海市肺科医院 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法
CN111933251A (zh) * 2020-06-24 2020-11-13 安徽影联云享医疗科技有限公司 一种医学影像标注方法及系统
WO2022012687A1 (zh) * 2020-07-17 2022-01-20 武汉联影医疗科技有限公司 医疗数据处理方法与系统
EP4170670A4 (en) * 2020-07-17 2023-12-27 Wuhan United Imaging Healthcare Co., Ltd. METHOD AND SYSTEM FOR PROCESSING MEDICAL DATA
CN111951952A (zh) * 2020-07-17 2020-11-17 北京欧应信息技术有限公司 一种基于医疗影像信息自动诊断骨科疾病的装置
CN112401915A (zh) * 2020-11-19 2021-02-26 华中科技大学同济医学院附属协和医院 一种新冠肺炎ct复查的图像融合比对方法
CN112420150A (zh) * 2020-12-02 2021-02-26 沈阳东软智能医疗科技研究院有限公司 医学影像报告的处理方法、装置、存储介质及电子设备
CN112420150B (zh) * 2020-12-02 2023-11-14 沈阳东软智能医疗科技研究院有限公司 医学影像报告的处理方法、装置、存储介质及电子设备
CN112419340A (zh) * 2020-12-09 2021-02-26 沈阳先进医疗设备技术孵化中心有限公司 脑脊液分割模型的生成方法、应用方法及装置
CN112530550A (zh) * 2020-12-10 2021-03-19 武汉联影医疗科技有限公司 影像报告生成方法、装置、计算机设备和存储介质
CN112669925A (zh) * 2020-12-16 2021-04-16 华中科技大学同济医学院附属协和医院 一种新冠肺炎ct复查的报告模板及形成方法
CN112863649A (zh) * 2020-12-31 2021-05-28 四川大学华西医院 玻璃体内肿瘤影像结果输出系统及方法
CN112599216A (zh) * 2020-12-31 2021-04-02 四川大学华西医院 脑肿瘤mri多模态标准化报告输出系统及方法
CN112863649B (zh) * 2020-12-31 2022-07-19 四川大学华西医院 玻璃体内肿瘤影像结果输出系统及方法
WO2022252107A1 (zh) * 2021-06-01 2022-12-08 眼灵(上海)智能科技有限公司 一种基于眼部图像的疾病检测系统及方法
CN113658107A (zh) * 2021-07-21 2021-11-16 杭州深睿博联科技有限公司 一种基于ct图像的肝脏病灶诊断方法及装置
CN113486195A (zh) * 2021-08-17 2021-10-08 深圳华声医疗技术股份有限公司 超声图像处理方法、装置、超声设备及存储介质
CN113592857A (zh) * 2021-08-25 2021-11-02 桓由之 医学影像中图形要素的识别、提取和标注的方法
CN113763345A (zh) * 2021-08-31 2021-12-07 苏州复颖医疗科技有限公司 医学影像病灶位置查看方法、系统、设备及存储介质
CN113838560A (zh) * 2021-09-09 2021-12-24 王其景 一种基于医学影像的远程诊断系统及方法
CN113889213A (zh) * 2021-12-06 2022-01-04 武汉大学 超声内镜报告的生成方法、装置、计算机设备及存储介质
CN114530224A (zh) * 2022-01-18 2022-05-24 深圳市智影医疗科技有限公司 基于医学影像的诊断报告辅助生成方法及系统
CN114463323A (zh) * 2022-02-22 2022-05-10 数坤(北京)网络科技股份有限公司 一种病灶区域识别方法、装置、电子设备和存储介质
CN114463323B (zh) * 2022-02-22 2023-09-08 数坤(上海)医疗科技有限公司 一种病灶区域识别方法、装置、电子设备和存储介质
CN114565582A (zh) * 2022-03-01 2022-05-31 佛山读图科技有限公司 一种医学图像分类和病变区域定位方法、系统及存储介质
CN114565582B (zh) * 2022-03-01 2023-03-10 佛山读图科技有限公司 一种医学图像分类和病变区域定位方法、系统及存储介质
CN114972806A (zh) * 2022-05-12 2022-08-30 上海工程技术大学 一种基于计算机视觉的医学图像分析方法
CN114724670A (zh) * 2022-06-02 2022-07-08 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种医学报告生成方法、装置、存储介质和电子设备
CN115295125B (zh) * 2022-08-04 2023-11-17 天津市中西医结合医院（天津市南开医院） 一种基于人工智能的医学影像文件管理系统及方法
CN115295125A (zh) * 2022-08-04 2022-11-04 天津市中西医结合医院（天津市南开医院） 一种基于人工智能的医学影像文件管理系统及方法
CN115062165A (zh) * 2022-08-18 2022-09-16 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于读片知识图谱的医学影像诊断方法及装置
CN115063425A (zh) * 2022-08-18 2022-09-16 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于读片知识图谱的结构化检查所见生成方法及系统
CN115063425B (zh) * 2022-08-18 2022-11-11 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于读片知识图谱的结构化检查所见生成方法及系统
CN115062165B (zh) * 2022-08-18 2022-12-06 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于读片知识图谱的医学影像诊断方法及装置
CN116779093B (zh) * 2023-08-22 2023-11-28 青岛美迪康数字工程有限公司 一种医学影像结构化报告的生成方法、装置和计算机设备
CN116779093A (zh) * 2023-08-22 2023-09-19 青岛美迪康数字工程有限公司 一种医学影像结构化报告的生成方法、装置和计算机设备
CN116797889B (zh) * 2023-08-24 2023-12-08 青岛美迪康数字工程有限公司 医学影像识别模型的更新方法、装置和计算机设备
CN116797889A (zh) * 2023-08-24 2023-09-22 青岛美迪康数字工程有限公司 医学影像识别模型的更新方法、装置和计算机设备
CN117457142A (zh) * 2023-11-17 2024-01-26 浙江飞图影像科技有限公司 用于报告生成的医学影像处理系统及方法

Also Published As

Publication number Publication date
WO2019062846A1 (zh) 2019-04-04
CN109583440B (zh) 2021-12-17
US20200303062A1 (en) 2020-09-24
US11101033B2 (en) 2021-08-24

Similar Documents

Publication Publication Date Title
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
US11488306B2 (en) Immediate workup
US8355553B2 (en) Systems, apparatus and processes for automated medical image segmentation using a statistical model
US9218661B2 (en) Image analysis for specific objects
CN112086197B (zh) 基于超声医学的乳腺结节检测方法及系统
Bhadoria et al. Comparison of segmentation tools for multiple modalities in medical imaging
CN101103924A (zh) 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统
CN114782307A (zh) 基于深度学习的增强ct影像直肠癌分期辅助诊断系统
Yao et al. Advances on pancreas segmentation: a review
Zhou et al. Detection and semiquantitative analysis of cardiomegaly, pneumothorax, and pleural effusion on chest radiographs
Peña-Solórzano et al. Findings from machine learning in clinical medical imaging applications–Lessons for translation to the forensic setting
Fan et al. Research on abnormal target detection method in chest radiograph based on YOLO v5 algorithm
Lacerda et al. A parallel method for anatomical structure segmentation based on 3d seeded region growing
Tan et al. A segmentation method of lung parenchyma from chest CT images based on dual U-Net
WO2022112731A1 (en) Decision for double reader
Mamatha Detection of Brain Tumor in MR images using hybrid Fuzzy C-mean clustering with graph cut segmentation technique
CN117218419B (zh) 一种胰胆肿瘤分型分级分期的评估系统和评估方法
Cao et al. An adaptive pulmonary nodule detection algorithm
Zhang et al. Research on hybrid segmentation technologies for postprocessing the lung and trachea CT images
Akmakchi et al. Geometric Analysis Of Brain Pathology Using MRI For Tumor Diagnosis
Sajid et al. Spatial Awareness of Cancer Cells Using Segmentation Process
Sathe An improved architecture for lung cancer segmentation using deep learning
Sineglazov et al. A Three-Stage 2D–3D Convolutional Network Ensemble for Segmenting Malignant Brain Tumors on MRI Images
Tahir et al. A Methodical Review on the Segmentation Types and Techniques of Medical Images
Fu et al. Non-same-scale feature attention network based on BPD for medical image segmentation

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: 1506-311, floor 15, No. 1, Zhongguancun Street, Haidian District, Beijing 100086

Applicant after: Beijing sigma Information Technology Co.,Ltd.

Address before: 100094 0691, floor 1, Block E, building 24, yard 68, Beiqing Road, Haidian District, Beijing

Applicant before: BEIJING SIGMA LIEDUN INFORMATION TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
CI03 Correction of invention patent

Correction item: change of bibliographic data

Correct: Beijing sigma Information Technology Co.,Ltd.

False: Beijing sigma Information Technology Co.,Ltd.

Number: 51-02

Volume: 37

CI03 Correction of invention patent
TR01 Transfer of patent right

Effective date of registration: 20220817

Address after: Room 1101-61, No. 379 Tayuan Road, Suzhou High-tech Zone, Suzhou City, Jiangsu Province 215129

Patentee after: Suzhou Navitas Space-Time Information Technology Co., Ltd.

Address before: 1506-311, floor 15, No. 1, Zhongguancun Street, Haidian District, Beijing 100086

Patentee before: Beijing sigma Information Technology Co.,Ltd.

TR01 Transfer of patent right