CN109685798A - 一种确定有效医学图像的方法及装置 - Google Patents
一种确定有效医学图像的方法及装置 Download PDFInfo
- Publication number
- CN109685798A CN109685798A CN201811603409.7A CN201811603409A CN109685798A CN 109685798 A CN109685798 A CN 109685798A CN 201811603409 A CN201811603409 A CN 201811603409A CN 109685798 A CN109685798 A CN 109685798A
- Authority
- CN
- China
- Prior art keywords
- image
- user terminal
- target
- medical image
- size
- 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
Links
Classifications
-
- 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
- G06T7/10—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
- 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
- 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
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明实施例提供的一种确定有效医学图像的方法及装置,方法包括:通过将从所述用户终端接收的医学图像按照目标模板大小进行切分,获得两个以上切分后的块图像;在所述切分后的块图像中选择清晰度超过清晰度阈值的图像作为第一目标图像;确定所述第一目标图像的细胞区域大小,将细胞区域大小超过阈值的第一目标图像确定为有效医学图像。相比于现有技术,本发明实施例通过确定清晰度超过清晰度阈值且细胞区域大小超过阈值的医学图像为有效医疗图像,减少了医生从众多的医学图像中确定清晰可辨的医学图像的时间,因此可以提升医生获取医疗信息的效率。
Description
技术领域
本发明涉及图像识别技术领域,特别是涉及一种确定有效医学图像的方法及装置。
背景技术
在医生日常工作过程中,医学图像对于医生的帮助不可或缺,医生常常借助于医学图像确定治疗方案,因此清晰可辨的医学图像对于医生来说至关重要。
现有技术中利用显微镜或者玻片扫描仪对病理切片扫描获得医学图像,然后将医学图像传输至电脑上,医生通过电脑查看医学图像,根据从业经验从医学图像中确定有效的医学图像,以便获取医疗信息。
由于病理切片较多,显微镜或者玻片扫描仪对病理切片扫描获得医学图像众多,很多医学图像并不满足人体肉眼的视觉效果,医生需要花较长的时间从众多的医学图像中确定清晰可辨的医学图像,然后从这些清晰可辨的医学图像查看细胞的特征,才能获取医疗信息。因此,现有技术获取医疗信息的效率较低。
发明内容
本发明实施例的目的在于提供一种确定有效医学图像的方法及装置,减少医生从众多的医学图像中确定清晰可辨的医学图像的时间,因此可以提升医生获取医疗信息的效率。具体技术方案如下:
第一方面,本发明实施例提供了一种确定有效医学图像的方法,应用于与用户终端通信的云端服务器,包括:
将从用户终端接收的医学图像按照目标模板大小进行切分,获得两个以上切分后的块图像;目标模板大小与人眼查看医学图像的平均距离相关;
在切分后的块图像中选择清晰度超过清晰度阈值的图像作为第一目标图像;
确定第一目标图像的细胞区域大小,将细胞区域大小超过阈值的第一目标图像确定为有效医学图像。
可选的,将从用户终端接收的医学图像按照目标模板大小进行切分,获得两个以上切分后的块图像,包括:
确定医学图像的尺寸大小与目标模板大小的倍数关系,对与目标模板大小呈整数倍的医学图像,按照目标模板大小进行切分,其中,医学图像的尺寸大小与目标模板大小的倍数关系包括:医学图像的宽和与目标模板的宽的倍数关系,以及医学图像的高和与目标模板的高的倍数关系;
对与目标模板大小呈非整数倍的医学图像使用空白图像进行填补,将填补后的医学图像按照目标模板大小进行划分,填补后的医学图像的尺寸大小是目标模板大小的整倍数。
可选的,确定第一目标图像的细胞区域大小,将第一目标图像的细胞区域大小超过阈值的第一目标图像确定为有效医学图像,包括:
确定第一目标图像的特征点;
在特征点包围的各个区域中,将最大区域的尺寸大小确定为第一目标图像的细胞区域大小;
将细胞区域大小超过阈值的第一目标图像确定为有效医学图像。
本发明第一方面实施例提供的一种确定有效医学图像的方法还包括:
根据用于获取有效医学图像的请求,确定请求中携带的就诊信息,就诊信息包括:用户终端ID、患者ID及检查部位;
基于就诊信息,在有效医学图像中查找满足患者ID及检查部位的第二目标图像,按照用户终端ID,向与用户终端ID对应的用户终端发送第二目标图像。
可选的,基于就诊信息,在有效医学图像中查找满足患者ID及检查部位的第二目标图像,按照用户终端ID,向与用户终端ID对应的用户终端发送第二目标图像,包括:
基于就诊信息,在有效医学图像中查找满足患者ID及检查部位的第二目标图像;
将第二目标图像输入预设的预测模型,利用预测模型输出第二目标图像的诊断结果;第二目标图像的诊断结果表示第二目标图像中病理组织的类别;
基于第二目标图像的诊断结果,生成第二目标图像的辅助诊断报告;
基于就诊信息,按照用户终端ID,向与用户终端ID对应的用户终端发送第二目标图像的辅助诊断报告。
可选的,将第二目标图像输入预设的预测模型,利用预测模型输出第二目标图像的诊断结果,包括:
将第二目标图像对应的医学图像缩放至与样本图像大小相同,将缩放后的医学图像输入预测模型,利用预测模型输出第二目标图像的诊断结果;样本图像为训练得到预测模型所使用的图像。
可选的,在基于就诊信息,按照用户终端ID,向与用户终端ID对应的用户终端发送第二目标图像的辅助诊断报告的步骤之前,本发明第一方面实施例提供的一种确定有效医学图像的方法还包括:
判断是否接收到用户终端发送的所述第二目标图像的诊断结果,如果接收到用户终端发送的所述第二目标图像的诊断结果,则判断用户终端发送的第二目标图像的诊断结果与预测模型输出的第二目标图像的诊断结果是否相同;
如果用户终端发送的第二目标图像的诊断结果与预测模型输出第二目标图像的诊断结果不相同,则向用户终端发送警告;
如果用户终端发送的第二目标图像的诊断结果与预测模型输出第二目标图像的诊断结果相同,则保存预测模型输出的第二目标图像的诊断结果;
如果未接收到用户终端发送的第二目标图像的诊断结果,则继续执行基于就诊信息,按照用户终端ID,向与用户终端ID对应的用户终端发送第二目标图像的辅助诊断报告的步骤。
本发明第一方面实施例提供的一种确定有效医学图像的方法还包括:
将从用户终端接收的医学图像及有效医学图像分开存储在病理影像数据库中的不同存储区域,并保存已接收的医学图像及有效医学图像的存储路径、采集时间及图像大小;
接收用户终端发送的针对病理影像数据库的操作命令对病理影像数据库中的医学图像及有效医学图像进行浏览、编辑及/或删除。
第二方面,本发明实施例提供了一种确定有效医学图像的装置,应用于与用户终端通信的云端服务器,包括:
切分模块,用于将从用户终端接收的医学图像按照目标模板大小进行切分,获得两个以上切分后的块图像;
选择模块,用于在切分后的块图像中选择清晰度超过清晰度阈值的图像作为第一目标图像;
确定模块,用于确定第一目标图像的细胞区域大小,将细胞区域大小超过阈值的第一目标图像确定为有效医学图像;目标模板大小与人眼查看医学图像的平均距离相关。
可选的,切分模块具体用于:
确定医学图像的尺寸大小与目标模板大小的倍数关系,对与目标模板大小呈整数倍的医学图像,按照目标模板大小进行切分,其中,医学图像的尺寸大小与目标模板大小的倍数关系包括:医学图像的宽和与目标模板的宽的倍数关系,以及医学图像的高和与目标模板的高的倍数关系;
对与目标模板大小呈非整数倍的医学图像使用空白图像进行填补,将填补后的医学图像按照目标模板大小进行划分,填补后的医学图像的尺寸大小是目标模板大小的整倍数。
可选的,确定模块具体用于:
确定第一目标图像的细胞区域大小,将第一目标图像的细胞区域大小超过阈值的第一目标图像确定为有效医学图像,包括:
确定第一目标图像的特征点;
在特征点包围的各个区域中,将最大区域的尺寸大小确定为第一目标图像的细胞区域大小;
将细胞区域大小超过阈值的第一目标图像确定为有效医学图像。
本发明第二方面实施例提供的一种确定有效医学图像的装置还包括:
请求模块,用于根据用于获取有效医学图像的请求,确定请求中携带的就诊信息,就诊信息包括:用户终端ID、患者ID及检查部位;
发送模块,用于基于就诊信息,在有效医学图像中查找满足患者ID及检查部位的第二目标图像,按照用户终端ID,向与用户终端ID对应的用户终端发送第二目标图像。
可选的,发送模块具体用于:
基于就诊信息,在有效医学图像中查找满足患者ID及检查部位的第二目标图像;
将第二目标图像输入预设的预测模型,利用预测模型输出第二目标图像的诊断结果;第二目标图像的诊断结果表示第二目标图像中病理组织的类别;
基于第二目标图像的诊断结果,生成第二目标图像的辅助诊断报告;
基于就诊信息,按照用户终端ID,向与用户终端ID对应的用户终端发送第二目标图像的辅助诊断报告。
可选的,将第二目标图像输入预设的预测模型,利用预测模型输出第二目标图像的诊断结果,包括:
将第二目标图像对应的医学图像缩放至与样本图像大小相同,将缩放后的医学图像输入预测模型,利用预测模型输出第二目标图像的诊断结果;样本图像为训练得到预测模型所使用的图像。
本发明第二方面实施例提供的一种确定有效医学图像的装置还包括:
判断模块,用于判断是否接收到用户终端发送的第二目标图像的诊断结果,如果接收到用户终端发送的第二目标图像的诊断结果,则判断用户终端发送的第二目标图像的诊断结果与预测模型输出的第二目标图像的诊断结果是否相同;
如果用户终端发送的第二目标图像的诊断结果与预测模型输出第二目标图像的诊断结果不相同,则向用户终端发送警告;
如果用户终端发送的第二目标图像的诊断结果与预测模型输出第二目标图像的诊断结果相同,则保存预测模型输出的第二目标图像的诊断结果;
如果未接收到用户终端发送的第二目标图像的诊断结果,则继续执行基于就诊信息,按照用户终端ID,向与用户终端ID对应的用户终端发送第二目标图像的辅助诊断报告的步骤。
本发明第二方面实施例提供的一种确定有效医学图像的装置还包括:
操作模块,用于将从用户终端接收的医学图像及有效医学图像分开存储在病理影像数据库中的不同存储区域,并保存已接收的医学图像及有效医学图像的存储路径、采集时间及图像大小;
接收用户终端发送的针对病理影像数据库的操作命令对病理影像数据库中的医学图像及有效医学图像进行浏览、编辑及/或删除。
在本发明实施的又一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述任一所述的一种确定有效医学图像的方法。
在本发明实施的又一方面,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的一种确定有效医学图像的方法。
本发明实施例提供的一种确定有效医学图像的方法及装置,通过将从所述用户终端接收的医学图像按照目标模板大小进行切分,获得两个以上切分后的块图像;在所述切分后的块图像中选择清晰度超过清晰度阈值的图像作为第一目标图像;确定所述第一目标图像的细胞区域大小,将细胞区域大小超过阈值的第一目标图像确定为有效医学图像。相比于现有技术,本发明实施例通过确定清晰度超过清晰度阈值且细胞区域大小超过阈值的医学图像为有效医疗图像,减少了医生从众多的医学图像中确定清晰可辨的医学图像的时间,因此可以提升医生获取医疗信息的效率。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的一种确定有效医学图像的方法的流程图;
图2为本发明实施例提供的医学图像的示意图;
图3为本发明实施例提供的一种切分医疗图像的示意图;
图4为本发明实施例提供的另一种切分医疗图像的示意图;
图5为本发明实施例提供的一种确定细胞区域大小的示意图;
图6为本发明实施例提供的一种确定有效医学图像的装置的结构图;
图7为本发明实施例提供的一种确定有效医学图像的系统的结构图;
图8为本发明实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
本发明实施例提供的一种确定有效医学图像的方法及装置,通过将从所述用户终端接收的医学图像按照目标模板大小进行切分,获得两个以上切分后的块图像;在所述切分后的块图像中选择清晰度超过清晰度阈值的图像作为第一目标图像;确定所述第一目标图像的细胞区域大小,将细胞区域大小超过阈值的第一目标图像确定为有效医学图像,减少医生从众多的医学图像中确定清晰可辨的医学图像的时间,因此可以提升医生获取医疗信息的效率。
第一方面,如图1所示,本发明实施例提供了一种确定有效医学图像的方法,应用于与用户终端通信的云端服务器,包括:
S101,将从用户终端接收的医学图像按照目标模板大小进行切分,获得两个以上切分后的块图像;
其中,目标模板大小与人眼查看医学图像的平均距离相关;
例如:人眼在正常照度下瞳孔的直径约为3mm,在可见光中人眼最灵敏波长为550nm,若人眼查看医学图像的平均距离为30cm,根据瑞利判据,当两个点光源分开的角度,能使得两个光源衍射后的爱丽斑中心最大值错开到对方的一级暗纹的时候,认为可以分辨。两个点光源分开的角度:θ=1.22λ/D。所以θ=d/f=1.22λ/D,其中d是两物点间距,λ是波长,D是眼睛孔径。所以d=1.22×550nm×30cm/0.3cm=67.1um。因此目标模板中像素点间距小于67.1um。当需要医学图像的像素点个数与目标模板中像素点间距的乘积作为目标模板的面积,当需要医学图像的行像素点个数与目标模板中像素点间距的乘积,作为目标模板的宽的大小,当需要医学图像的列像素点个数与目标模板中像素点间距的乘积为目标模板的高的大小。
为了提高提升医生获取医疗信息的效率,S101可以采用如下至少一种可能的实现方式,对接收的医学图像进行切分:
在一种可能的实施方式中,通过以下步骤对接收的医学图像进行切分:
步骤一:确定医学图像的尺寸大小与目标模板大小的倍数关系,对与目标模板大小呈整数倍的医学图像,按照目标模板大小进行切分,
其中,医学图像的尺寸大小与目标模板大小的倍数关系包括:医学图像的宽和与目标模板的宽的倍数关系,以及医学图像的高和与目标模板的高的倍数关系;
步骤二:对与目标模板大小呈非整数倍的医学图像使用空白图像进行填补,将填补后的医学图像按照目标模板大小进行划分,填补后的医学图像的尺寸大小是目标模板大小的整倍数。
参考图2、图3及图4,假设目标模板大小为3cm*3cm,假设医学图像的尺寸大小为9cm*6cm,医学图像的宽与高的分别是为目标模板宽与高的整数倍,则将医学图像按照目标模板大小且分为6份块图像;假设医学图像的尺寸大小为10cm*6cm,医学图像的宽为目标模板宽的非整数倍,医学图像的高为目标模板高的非整数倍,将医学图像用空白图像填补为12*6,使得填补后的医学图像的宽为目标模板的宽的整数倍,将填补后的医学图像按照目标模板大小为3cm*3cm分为8块。
其中,得到填补后的医学图像的一种实现方式是但不限于此:直接确定出医学图像高与目标模板高的倍数关系,以及医学图像宽与目标模板宽的倍数关系;对与目标模板的高及宽呈整数倍的医学图像,按照目标模板的高及宽进行切分;
步骤二:对与目标模板的高及宽呈非整数倍的医学图像使用空白图像进行填补,得到填补后的医学图像。
参考图2、图3及图4,假设目标模板大小为3cm*3cm,假设医学图像的尺寸大小为10cm*6cm,医学图像的宽为目标模板宽的非整数倍,医学图像的高为目标模板高的非整数倍,则将医学图像且分为8块图像,边缘两块图像的宽小于目标模板的宽,将小于目标模板宽的块图像填补空白图像,得到填补后的与目标模板宽相同的块图像。
S102,在切分后的块图像中选择清晰度超过清晰度阈值的图像作为第一目标图像;
其中,清晰度阈值为预先设定的数值。
S103,确定第一目标图像的细胞区域大小,将细胞区域大小超过阈值的第一目标图像确定为有效医学图像;
其中,阈值为预先设定的值。
在一种可能的实施方式中,通过以下步骤确定有效医学图像:
步骤一:确定第一目标图像的特征点;
步骤二:在特征点包围的各个区域中,将最大区域的尺寸大小确定为第一目标图像的细胞区域大小;
步骤三:将细胞区域大小超过阈值的第一目标图像确定为有效医学图像。
参考图5,假设块图像a、b、c、d的清晰度都超过清晰度阈值,则块图像a、b、c、d为第一目标图像,以b为例,b中特征点包围的各个区域为1及2,在区域1及区域2中选择最大区域2的尺寸大小为b的细胞区域尺寸。
相比于现有技术,本发明实施例通过确定清晰度超过清晰度阈值且细胞区域大小超过阈值的医学图像为有效医疗图像,减少了医生从众多的医学图像中确定清晰可辨的医学图像的时间,因此可以提升医生获取医疗信息的效率。
本发明第一方面实施例提供的一种确定有效医学图像的方法还包括:
步骤一:根据用于获取有效医学图像的请求,确定请求中携带的就诊信息,就诊信息包括:用户终端ID、患者ID及检查部位;
步骤二:基于就诊信息,在有效医学图像中查找满足患者ID及检查部位的第二目标图像,按照用户终端ID,向与用户终端ID对应的用户终端发送第二目标图像。
例如:假设患者的ID为0012,检查的部位为肺部,则在有效的医学图像中查找患者ID为0012,且有效的医学图像为肺部细胞的图像,按照用户终端ID,向与用户终端ID对应的用户终端发送。
从用户终端接收的医学图像会按照患者的ID进行标记,在将医学图像进行切分及确定有效医疗图像后,患者的ID依然标记在有效医疗图像中。本发明实施例通过患者ID及检查部位查找用户终端所需的有效医疗图像,可以提高服务器查找用户终端所需有效医疗图像的效率,提高用户体验。
可选的,上述步骤二中,向基于就诊信息,在有效医学图像中查找满足患者ID及检查部位的第二目标图像,按照用户终端ID,向与用户终端ID对应的用户终端发送第二目标图像,包括:
步骤一:基于就诊信息,在有效医学图像中查找满足患者ID及检查部位的第二目标图像;
步骤二:将第二目标图像输入预设的预测模型,利用预测模型输出第二目标图像的诊断结果;第二目标图像的诊断结果表示第二目标图像中病理组织的类别;
其中,预设的预测模型用于预测第二目标图像中病理组织的类别,预测模型可以为:卡尔曼滤波预测模型、BP神经网络预测模型、组合预测模型。病理组织的类别可以为:病变的组织和未病变组织,病变组织可以为:良性肿瘤或恶性肿瘤,病变组织不限于以上两种。
在一种可能的实施方式中,将第二目标图像对应的医学图像缩放至与样本图像大小相同,将缩放后的医学图像输入预测模型,利用预测模型输出第二目标图像的诊断结果,以便提高第二目标图像的诊断结果的准确率。
其中,样本图像为训练得到预测模型所使用的图像。
步骤三:基于第二目标图像的诊断结果,生成第二目标图像的辅助诊断报告;
其中,辅助诊断报告包括:患者的ID、检查部位、年龄、性别、病理组织的类别、治疗该病理组织时经常使用的药物名称及备注部分。
步骤四:基于就诊信息,按照用户终端ID,向与用户终端ID对应的用户终端发送第二目标图像的辅助诊断报告。
用户终端接收第二目标图像的辅助诊断报告后可以对辅助报告中治疗该细胞时经常使用的药物名称进行修改,在备注部分添加注意事项,以完善辅助诊断报告,将完善后的辅助诊断报告发送给云端服务器,云端服务器存储该完善后的辅助诊断报告,以便为下次预测提供参考数据。
本发明实施例,通过预测模型预测第二目标图像的细胞类别,以便生产辅助诊断报告发送给用户终端,以便提高用户的感受。
在一种可能的实时方式中,在基于就诊信息,按照用户终端ID,向与用户终端ID对应的用户终端发送第二目标图像的辅助诊断报告的步骤之前,本发明第一方面实施例提供的一种确定有效医学图像的方法还包括:
判断是否接收到用户终端发送的第二目标图像的诊断结果,如果接收到用户终端发送的第二目标图像的诊断结果,则判断用户终端发送的第二目标图像的诊断结果与预测模型输出的第二目标图像的诊断结果是否相同;
如果用户终端发送的第二目标图像的诊断结果与预测模型输出第二目标图像的诊断结果不相同,则向用户终端发送警告;
如果用户终端发送的第二目标图像的诊断结果与预测模型输出第二目标图像的诊断结果相同,则保存预测模型输出的第二目标图像的诊断结果;
如果未接收到用户终端发送的第二目标图像的诊断结果,则继续执行基于就诊信息,按照用户终端ID,向与用户终端ID对应的用户终端发送第二目标图像的辅助诊断报告的步骤。
本发明实施例在未向用户终端发送辅助诊断报告之前,通过将预测模型输出的第二目标图像的诊断结果与用户终端发送的诊断结果比较,确定是否存在异常,向用户终端发送警告,可以提高诊断第二目标图像的准确率,同时如果未接收到用户终端发送的第二目标图像的诊断结果,表示用户终端未得出第二目标图像的诊断结果,则继续向用户终端提供第二目标图像的辅助诊断报告,以提高用户的感受。
本发明第一方面实施例提供的一种确定有效医学图像的方法还包括:
将从用户终端接收的医学图像及有效医学图像分开存储在病理影像数据库中的不同存储区域,并保存已接收的医学图像及有效医学图像的存储路径、采集时间及图像大小;
接收用户终端发送的针对病理影像数据库的操作命令对病理影像数据库中的医学图像及有效医学图像进行浏览、编辑及/或删除。
本发明实施例通过将接收的医学图像及有效医学图像分开存储在病理影像数据库中的不同存储区域,以方便查找用户终端所需图像,同时在接收用户终端发送的针对病理影像数据库的操作命令后,对病理影像数据库进行浏览、编辑及/或删除,可以提高用户感受。
第二方面,如图6所示,本发明实施例提供了一种确定有效医学图像的装置,应用于与用户终端通信的云端服务器,包括:
切分模块601,用于将从用户终端接收的医学图像按照目标模板大小进行切分,获得两个以上切分后的块图像;
选择模块602,用于在切分后的块图像中选择清晰度超过清晰度阈值的图像作为第一目标图像;
确定模块603,用于确定第一目标图像的细胞区域大小,将细胞区域大小超过阈值的第一目标图像确定为有效医学图像;目标模板大小与人眼查看医学图像的平均距离相关。
可选的,切分模块具体用于:
确定医学图像的尺寸大小与目标模板大小的倍数关系,对与目标模板大小呈整数倍的医学图像,按照目标模板大小进行切分,其中,医学图像的尺寸大小与目标模板大小的倍数关系包括:医学图像的宽和与目标模板的宽的倍数关系,以及医学图像的高和与目标模板的高的倍数关系;
对与目标模板大小呈非整数倍的医学图像使用空白图像进行填补,将填补后的医学图像按照目标模板大小进行划分,填补后的医学图像的尺寸大小是目标模板大小的整倍数。
可选的,确定模块具体用于:
确定第一目标图像的细胞区域大小,将第一目标图像的细胞区域大小超过阈值的第一目标图像确定为有效医学图像,包括:
确定第一目标图像的特征点;
在特征点包围的各个区域中,将最大区域的尺寸大小确定为第一目标图像的细胞区域大小;
将细胞区域大小超过阈值的第一目标图像确定为有效医学图像。
本发明第二方面实施例提供的一种确定有效医学图像的装置还包括:
请求模块,用于根据用于获取有效医学图像的请求,确定请求中携带的就诊信息,就诊信息包括:用户终端ID、患者ID及检查部位;
发送模块,用于基于就诊信息,在有效医学图像中查找满足患者ID及检查部位的第二目标图像,按照用户终端ID,向与用户终端ID对应的用户终端发送第二目标图像。
可选的,发送模块具体用于:
基于就诊信息,在有效医学图像中查找满足患者ID及检查部位的第二目标图像;
将第二目标图像输入预设的预测模型,利用预测模型输出第二目标图像的诊断结果;第二目标图像的诊断结果表示第二目标图像中病理组织的类别;
基于第二目标图像的诊断结果,生成第二目标图像的辅助诊断报告;
基于就诊信息,按照用户终端ID,向与用户终端ID对应的用户终端发送第二目标图像的辅助诊断报告。
可选的,将第二目标图像输入预设的预测模型,利用预测模型输出第二目标图像的诊断结果,包括:
将第二目标图像对应的医学图像缩放至与样本图像大小相同,将缩放后的医学图像输入预测模型,利用预测模型输出第二目标图像的诊断结果;样本图像为训练得到预测模型所使用的图像。
本发明第二方面实施例提供的一种确定有效医学图像的装置还包括:
判断模块,用于判断是否接收到用户终端发送的第二目标图像的诊断结果,如果接收到用户终端发送的第二目标图像的诊断结果,则判断用户终端发送的第二目标图像的诊断结果与预测模型输出的第二目标图像的诊断结果是否相同;
如果用户终端发送的第二目标图像的诊断结果与预测模型输出第二目标图像的诊断结果不相同,则向用户终端发送警告;
如果用户终端发送的第二目标图像的诊断结果与预测模型输出第二目标图像的诊断结果相同,则保存预测模型输出的第二目标图像的诊断结果;
如果未接收到用户终端发送的第二目标图像的诊断结果,则继续执行基于就诊信息,按照用户终端ID,向与用户终端ID对应的用户终端发送第二目标图像的辅助诊断报告的步骤。
本发明第二方面实施例提供的一种确定有效医学图像的装置还包括:
操作模块,用于将从用户终端接收的医学图像及有效医学图像分开存储在病理影像数据库中的不同存储区域,并保存已接收的医学图像及有效医学图像的存储路径、采集时间及图像大小;
接收用户终端发送的针对病理影像数据库的操作命令对病理影像数据库中的医学图像及有效医学图像进行浏览、编辑及/或删除。
本发明实施例还提供了一种确定有效医学图像的系统,包括:电子目镜701、病理切片扫描仪702、数据采集接口703、云端服务器704及用户终端705,其中,电子目镜701及病理切片扫描仪702通过数据采集接口703向云端服务器704传输医学图像,
电子目镜701及病理切片扫描仪702,用于扫描病理切片,获得医学图像;
数据采集接口703,用于采集医学图像,传输至云端服务器704;
云端服务器704实现如下步骤:
将从用户终端接收的医学图像按照目标模板大小进行切分,获得两个以上切分后的块图像;目标模板大小与人眼查看医学图像的平均距离相关;
在切分后的块图像中选择清晰度超过清晰度阈值的图像作为第一目标图像;
确定第一目标图像的细胞区域大小,将细胞区域大小超过阈值的第一目标图像确定为有效医学图像;
用户终端705,用于发送请求,获得有效医学图像。
本发明实施例还提供了一种电子设备,如图8所示,包括处理器801、通信接口802、存储器803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信,
存储器803,用于存放计算机程序;
处理器801,用于执行存储器803上所存放的程序时,实现如下步骤:
将从用户终端接收的医学图像按照目标模板大小进行切分,获得两个以上切分后的块图像;目标模板大小与人眼查看医学图像的平均距离相关;
在切分后的块图像中选择清晰度超过清晰度阈值的图像作为第一目标图像;
确定第一目标图像的细胞区域大小,将细胞区域大小超过阈值的第一目标图像确定为有效医学图像。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的一种确定有效医学图像的方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的一种确定有效医学图像的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置/电子设备/计算机可读存储介质/计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (10)
1.一种确定有效医学图像的方法,其特征在于,应用于与用户终端通信的云端服务器,所述方法包括:
将从所述用户终端接收的医学图像按照目标模板大小进行切分,获得两个以上切分后的块图像;所述目标模板大小与人眼查看医学图像的平均距离相关;
在所述切分后的块图像中选择清晰度超过清晰度阈值的图像作为第一目标图像;
确定所述第一目标图像的细胞区域大小,将细胞区域大小超过阈值的第一目标图像确定为有效医学图像。
2.根据权利要求1所述的方法,其特征在于,所述将从所述用户终端接收的医学图像按照目标模板大小进行切分,获得两个以上切分后的块图像,包括:
确定所述医学图像的尺寸大小与所述目标模板大小的倍数关系,对与目标模板大小呈整数倍的医学图像,按照目标模板大小进行切分,其中,所述医学图像的尺寸大小与所述目标模板大小的倍数关系包括:所述医学图像的宽和与所述目标模板的宽的倍数关系,以及所述医学图像的高和与所述目标模板的高的倍数关系;
对与目标模板大小呈非整数倍的医学图像使用空白图像进行填补,将所述填补后的医学图像按照所述目标模板大小进行划分,所述填补后的医学图像的尺寸大小是所述目标模板大小的整倍数。
3.根据权利要求1所述的方法,其特征在于,所述确定所述第一目标图像的细胞区域大小,将第一目标图像的细胞区域大小超过阈值的第一目标图像确定为有效医学图像,包括:
确定第一目标图像的特征点;
在特征点包围的各个区域中,将最大区域的尺寸大小确定为所述第一目标图像的细胞区域大小;
将细胞区域大小超过阈值的第一目标图像确定为有效医学图像。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据用于获取有效医学图像的请求,确定所述请求中携带的就诊信息,所述就诊信息包括:用户终端ID、患者ID及检查部位;
基于所述就诊信息,在所述有效医学图像中查找满足患者ID及检查部位的第二目标图像,按照所述用户终端ID,向与所述用户终端ID对应的用户终端发送所述第二目标图像。
5.根据权利要求4所述的方法,其特征在于,所述基于所述就诊信息,在所述有效医学图像中查找满足患者ID及检查部位的第二目标图像,按照所述用户终端ID,向与所述用户终端ID对应的用户终端发送所述第二目标图像,包括:
基于所述就诊信息,在所述有效医学图像中查找满足患者ID及检查部位的第二目标图像;
将所述第二目标图像输入预设的预测模型,利用所述预测模型输出所述第二目标图像的诊断结果;所述第二目标图像的诊断结果表示所述第二目标图像中病理组织的类别;
基于所述第二目标图像的诊断结果,生成所述第二目标图像的辅助诊断报告;
基于所述就诊信息,按照所述用户终端ID,向与用户终端ID对应的用户终端发送所述第二目标图像的辅助诊断报告。
6.根据权利要求5所述的方法,其特征在于,所述将所述第二目标图像输入预设的预测模型,利用所述预测模型输出所述第二目标图像的诊断结果,包括:
将所述第二目标图像对应的医学图像缩放至与样本图像大小相同,将缩放后的医学图像输入预测模型,利用所述预测模型输出所述第二目标图像的诊断结果;所述样本图像为训练得到所述预测模型所使用的图像。
7.根据权利要求5所述的方法,其特征在于,在基于所述就诊信息,按照所述用户终端ID,向与用户终端ID对应的用户终端发送所述第二目标图像的辅助诊断报告的步骤之前,所述方法还包括:
判断是否接收到用户终端发送的所述第二目标图像的诊断结果,如果接收到用户终端发送的所述第二目标图像的诊断结果,则判断用户终端发送的所述第二目标图像的诊断结果与所述预测模型输出的所述第二目标图像的诊断结果是否相同;
如果用户终端发送的所述第二目标图像的诊断结果与所述预测模型输出所述第二目标图像的诊断结果不相同,则向用户终端发送警告;
如果用户终端发送的所述第二目标图像的诊断结果与所述预测模型输出所述第二目标图像的诊断结果相同,则保存所述预测模型输出的第二目标图像的诊断结果;
如果未接收到用户终端发送的所述第二目标图像的诊断结果,则继续执行基于所述就诊信息,按照所述用户终端ID,向与用户终端ID对应的用户终端发送所述第二目标图像的辅助诊断报告的步骤。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将从所述用户终端接收的医学图像及所述有效医学图像分开存储在病理影像数据库中的不同存储区域,并保存已接收的医学图像及所述有效医学图像的存储路径、采集时间及图像大小;
接收用户终端发送的针对所述病理影像数据库的操作命令对所述病理影像数据库中的医学图像及有效医学图像进行浏览、编辑及/或删除。
9.一种确定有效医学图像的装置,其特征在于,应用于与用户终端通信的云端服务器,所述装置包括:
切分模块,用于将从所述用户终端接收的医学图像按照目标模板大小进行切分,获得两个以上切分后的块图像;所述目标模板大小与人眼查看医学图像的平均距离相关;
选择模块,用于在所述切分后的块图像中选择清晰度超过清晰度阈值的图像作为第一目标图像;
确定模块,用于确定所述第一目标图像的细胞区域大小,将细胞区域大小超过阈值的第一目标图像确定为有效医学图像。
10.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-8任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811603409.7A CN109685798B (zh) | 2018-12-26 | 2018-12-26 | 一种确定有效医学图像的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811603409.7A CN109685798B (zh) | 2018-12-26 | 2018-12-26 | 一种确定有效医学图像的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685798A true CN109685798A (zh) | 2019-04-26 |
CN109685798B CN109685798B (zh) | 2021-02-23 |
Family
ID=66189702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811603409.7A Active CN109685798B (zh) | 2018-12-26 | 2018-12-26 | 一种确定有效医学图像的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685798B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335256A (zh) * | 2019-06-18 | 2019-10-15 | 广州智睿医疗科技有限公司 | 一种病理辅助诊断方法 |
CN112735565A (zh) * | 2020-10-30 | 2021-04-30 | 衡阳市大井医疗器械科技有限公司 | 检测结果获取方法、电子设备及服务器 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968792A (zh) * | 2012-10-29 | 2013-03-13 | 中国科学院自动化研究所 | 显微视觉下多焦面物体成像的方法 |
WO2015189303A1 (en) * | 2014-06-12 | 2015-12-17 | Koninklijke Philips N.V. | Optimization of parameters for segmenting an image |
CN107122612A (zh) * | 2017-05-04 | 2017-09-01 | 王恩亭 | 慢性非传染性疾病智能诊疗辅助分析系统 |
CN107622485A (zh) * | 2017-08-15 | 2018-01-23 | 中国科学院深圳先进技术研究院 | 一种融合深度张量神经网络的医学影像数据分析方法和系统 |
CN107767928A (zh) * | 2017-09-15 | 2018-03-06 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像报告生成系统及方法 |
CN108932973A (zh) * | 2018-07-25 | 2018-12-04 | 南京鼓楼医院 | 一种肾癌病例数字化信息管理系统及管理方法、终端 |
-
2018
- 2018-12-26 CN CN201811603409.7A patent/CN109685798B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968792A (zh) * | 2012-10-29 | 2013-03-13 | 中国科学院自动化研究所 | 显微视觉下多焦面物体成像的方法 |
WO2015189303A1 (en) * | 2014-06-12 | 2015-12-17 | Koninklijke Philips N.V. | Optimization of parameters for segmenting an image |
CN107122612A (zh) * | 2017-05-04 | 2017-09-01 | 王恩亭 | 慢性非传染性疾病智能诊疗辅助分析系统 |
CN107622485A (zh) * | 2017-08-15 | 2018-01-23 | 中国科学院深圳先进技术研究院 | 一种融合深度张量神经网络的医学影像数据分析方法和系统 |
CN107767928A (zh) * | 2017-09-15 | 2018-03-06 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像报告生成系统及方法 |
CN108932973A (zh) * | 2018-07-25 | 2018-12-04 | 南京鼓楼医院 | 一种肾癌病例数字化信息管理系统及管理方法、终端 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335256A (zh) * | 2019-06-18 | 2019-10-15 | 广州智睿医疗科技有限公司 | 一种病理辅助诊断方法 |
WO2020253886A1 (zh) * | 2019-06-18 | 2020-12-24 | 广州智睿医疗科技有限公司 | 一种病理辅助诊断方法 |
CN112735565A (zh) * | 2020-10-30 | 2021-04-30 | 衡阳市大井医疗器械科技有限公司 | 检测结果获取方法、电子设备及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN109685798B (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11430113B2 (en) | Cancer detection systems and methods | |
CN107644419A (zh) | 用于分析医学影像的方法和装置 | |
Ørting et al. | A survey of crowdsourcing in medical image analysis | |
WO2016057960A1 (en) | Apparatus, system and method for cloud based diagnostics and image archiving and retrieval | |
US10140710B2 (en) | Automatic key frame detection | |
Rania et al. | Semantic segmentation of diabetic foot ulcer images: dealing with small dataset in DL approaches | |
Junior et al. | A mass classification using spatial diversity approaches in mammography images for false positive reduction | |
CN109685798A (zh) | 一种确定有效医学图像的方法及装置 | |
WO2021126562A1 (en) | Systems and methods for processing electronic images for health monitoring and forecasting | |
Selva Bhuvaneswari et al. | Segmentation and classification of brain images using firefly and hybrid kernel-based support vector machine | |
Banumathy et al. | Breast Calcifications and Histopathological Analysis on Tumour Detection by CNN. | |
Zywica et al. | Improving medical decisions under incomplete data using interval–valued fuzzy aggregation | |
Panigrahi et al. | Evaluation of image features within and surrounding lesion region for risk stratification in breast ultrasound images | |
Sendra-Balcells et al. | Generalisability of fetal ultrasound deep learning models to low-resource imaging settings in five African countries | |
Nanthagopal et al. | A region-based segmentation of tumour from brain CT images using nonlinear support vector machine classifier | |
Nizarudeen et al. | Multi-Layer ResNet-DenseNet architecture in consort with the XgBoost classifier for intracranial hemorrhage (ICH) subtype detection and classification | |
JP7380668B2 (ja) | 表示制御装置、表示制御システム、表示制御方法及びプログラム | |
CN110852384A (zh) | 医学影像质量检测方法、装置和存储介质 | |
US11944486B2 (en) | Analysis method for breast image and electronic apparatus using the same | |
CN107633882B (zh) | 混合云架构下的微创医疗服务系统及其辅助决策方法 | |
Nallasivan et al. | Liver Tumors Segmentation Using 3D SegNet Deep Learning Approach. | |
CN111383323B (zh) | 一种超声成像方法和系统以及超声图像处理方法和系统 | |
Sakthivel et al. | A Wrapper based feature extraction framework based on AlexNet deep convolutional neural network parameters optimized using gradient‐based optimizer for mammogram images | |
Habchi et al. | Machine learning and vision transformers for thyroid carcinoma diagnosis: A review | |
Munasinghe et al. | Yuwathi: early detection of breast cancer and classification of mammography images using machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |