CN109712705A - 一种基于深度学习的胆石病智能诊断app - Google Patents
一种基于深度学习的胆石病智能诊断app Download PDFInfo
- Publication number
- CN109712705A CN109712705A CN201811554740.4A CN201811554740A CN109712705A CN 109712705 A CN109712705 A CN 109712705A CN 201811554740 A CN201811554740 A CN 201811554740A CN 109712705 A CN109712705 A CN 109712705A
- Authority
- CN
- China
- Prior art keywords
- cholelithiasis
- medical image
- data
- deep learning
- intelligent diagnostics
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 201000001883 cholelithiasis Diseases 0.000 title claims abstract description 150
- 238000013135 deep learning Methods 0.000 title claims abstract description 45
- 238000003745 diagnosis Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000002708 enhancing effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000013519 translation Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000003252 repetitive effect Effects 0.000 claims description 5
- 210000000232 gallbladder Anatomy 0.000 claims description 3
- 239000004575 stone Substances 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 9
- 238000003759 clinical diagnosis Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000315 carcinogenic Toxicity 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 208000010643 digestive system disease Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Landscapes
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的胆石病智能诊断APP,涉及图像处理、医疗大数据、深度学习领域。包括:1)通过CT扫描仪进行数据采集,获取胆石病CT医疗图像;2)数据传输数据分析单元,进行胆石病CT医疗图像的预处理;3)经过预处理之后的数据经过智能辅助诊断单元,采用基于深度卷积神经网络的图像标记算法对图像进行标记,并用降维之后的卷积神经网络对标记后的图像数据进行自动特征提取与识别,分析病情;4)诊断结果以电子医疗报告的形式反馈给患者,并将诊断记录传输到云端服务器进行存储、建档,以提供给相关机构与指定医院作为临床参考;5)经过医生确诊后的图像数据可以扩充数据集,对模型进行参数调优,不断提升胆石病的诊断准确率。
Description
技术领域
本发明涉及胆石病诊断设备技术领域,具体涉及一种基于深度学习的胆石病智能诊断APP。
背景技术
胆石病是一种常见的消化系统疾病,病种繁多,发病因素错综复杂,具有发病率高,溶排石困难等特点。此外,胆石病的种类以及形态多种多样,部分胆石病的病灶形态也是非常相似,这大大阻碍了胆石病的正确诊疗。在这种情况下,一些年轻的肝胆科医师需要长时间的学习才能够熟练的掌握诊断胆石病的技能,这给肝胆科医师的临床诊断带来了巨大的挑战。而对于患者来说,胆石病不能根据自身病症在网上查阅资料,如不能及时得到治疗,有诱发癌变的危险。
借助人工智能深度学习,同时结合医疗大数据和知识等,创造出安全、高效的辅助医师的诊断工具,进而为胆石病的正确诊疗提供更有效的帮助,这便是基于深度学习的胆石病智能诊断APP。
胆石病种类以及形态多种多样,使得在模型训练过程中需要非常多的胆石病医疗图像数据。通常的做法是首先对胆石病CT医疗图像进行对比度增强预处理和胆石病病灶区域的标记,再使用深度学习的方法利用神经网络模型对大量的图像数据集进行训练,随后得到相应的识别结果并反馈给用户。但是胆石病的种类与形态多种多样以至于其临床诊断过程非常困难,给胆石病的临床诊断带来了极大的挑战。当医生在观察胆石病的医疗图像时,需要花费大量时间去观察、检查,确定胆石病的种类、形态以及位置。据调查,目前市场上绝大部分的深度学习模型还不能完成上述的任务。
发明内容
本发明的目的是为了解决上述肝胆疾病领域所存在的困难,提供一种基于深度学习的胆石病智能诊断APP,能够帮助胆石病临床的医生进行正确的诊疗,提高胆石病诊断的准确率。本发明的技术方案如下:
一种基于深度学习的胆石病智能诊断APP,其包括分析组件、服务器组件以及智能诊断组件;
分析组件,主要是用于处理患者用户的胆石病CT医疗图像数据,将通过CT扫描仪采集到的数据进行图像灰度值的预处理,使一定灰度范围内的像素数量大致相同,实现图像对比度的增强;
智能诊断组件,主要用于对经过预处理的胆石病CT医疗图像进行标记与识别,使用基于深度学习的胆石病智能诊断算法,分析病情并将以电子版医疗报告形式的诊断结果反馈给患者用户,同时将数据与诊断结果通过互联网或者移动网络传输至云端服务器;
服务器组件,主要用于胆石病CT医疗图像数据以及诊断结果的存储,对信息进行整理与分析,建立用户胆石病数据库,以提供给相关机构和指定医院作为患者用户的胆石病临床病史作为参考。
进一步的,所述基于深度学习的胆石病智能诊断算法包括训练阶段、诊断阶段以及数据扩充阶段三个阶段,通过卷积神经网络对胆石病医疗图像数据库中的CT医疗图像自动提取特征和智能诊断,通过和专业医生标记的胆石病标签进行比较,不断迭代训练模型从而提高识别准确率,最终学习到一个用于诊断的神经网络模型,将这个训练好的神经网络模型用于对患者用户新上传的胆石病CT医疗图像数据进行诊断,继而得到新的诊断结果并反馈给患者用户,患者用户新上传的胆石病CT医疗图像数据和胆石病智能辅助诊断系统的诊断结果由专业医生进行分析确诊后,可以作为胆石病医疗图像数据库的扩充数据。
进一步的,所述基于深度学习的胆石病智能诊断算法的训练阶段具体包括:
1)利用基于深度学习的数据增强算法对胆石病医疗图像数据库中的CT医疗图像进行旋转、放缩以及平移等处理,进行图像灰度值的预处理,实现图像对比度的增强;
2)利用基于深度学习的胆石病标记算法将上一步预处理过的胆石病CT医疗图像的病灶区域进行标记;
3)将包含标记区域的胆石病CT医疗图像数据输入到一个多通道的卷积神经网络进行训练,不断迭代训练并对参数进行调优,最终学习到一个可以识别胆石病的神经网络模型。
进一步的,所述基于深度学习的胆石病智能诊断算法的诊断阶段具体包括:
1)利用基于深度学习的数据增强算法对患者用户新上传的胆石病CT医疗图像进行旋转、放缩以及平移等处理,进行图像灰度值的预处理,实现图像对比度的增强;
2)利用基于深度学习的胆石病标记算法将上一步预处理过的胆石病CT医疗图像的病灶区域进行标记;
3)将包含标记区域的胆石病CT医疗图像数据输入已经训练好的卷积神经网络模型中,识别得到胆石病CT医疗图像的诊断结果。
进一步的,所述基于深度学习的胆石病智能诊断算法中的卷积神经网络结构包括数据预处理阶段、局部卷积阶段和全局卷积阶段,所述数据预处理阶段包括对胆石病CT医疗图像的旋转、放缩以及平移等数据增强操作;局部卷积阶段包括一维的卷积和池化等操作,对胆石病CT医疗图像的对比度增强处理和胆石病CT医疗图像的病灶区域的标记操作;全局卷积阶段包含多维的卷积与池化操作,对包含标记区域的胆石病CT医疗图像进行特征提取,然后在传输到网络末层的全连接层进行最后的识别处理。
一种所述的基于深度学习的胆石病智能诊断APP的诊断方法,其包括以下步骤:
1)首先通过医院内部的CT扫描仪采集到用户的胆石病CT医疗图像作为系统进行智能诊断的数据源,利用基于深度学习的数据分析算法对数据进行旋转、放缩以及平移等数据增强操作,然后进行图像对比度增强的预处理,最后对经过预处理的胆石病CT医疗图像进行病灶区域的标记,
2)将经过分析组件处理之后胆石病CT医疗图像数据传输给智能诊断组件,利用已经训练好的多通道卷积神经网络进行识别,最终生成诊断结果并反馈给用户,同时处理之后的胆石病CT医疗图像数据和诊断结果通过互联网或移动网络传输至服务器;
3)服务器将接收到的数据进行整理与分析,建立用户胆石病数据库,保存用户的胆石病CT医疗图像数据和诊断记录,以提供给相关机构和指定医院作为患者用户的胆石病临床病史作为参考。
本发明的有益效果如下:
本发明针对我国胆石病患病率不断上升、专业医疗资源供给不足、传统胆石病医疗图像分析效果不佳等问题,提供了一种基于深度学习的胆石病智能诊断APP,利用胆石病医疗图像数据以及深度学习等技术,实现了对胆石病医疗图像的特征自动提取和智能诊断,整个诊断过程实现了自动化,无需专业医生的介入。该基于深度学习的胆石病智能诊断APP既可用于对患者的胆石病自我诊断、自我识别,也可用作计算机辅助诊断工具为医生提供临床参考,还能够将用户数据以及诊断记录作为历史参考数据存入胆石病医疗图像标准数据库,供相关机构和医院在临床诊断时调出查看、分析。
本发明具有如下有点:
1)采用深度学习技术,可完成特征区域的自动标记、提取以及智能诊断,具有较高的准确性,并且随着胆石病CT医疗图像数据的增加,其诊断效果会随之不断提升;
2)诊断的过程无需专业医生的介入,具有一般经验的实习生可以简单方便地完成胆石病的智能诊断,同时也可以作为计算机辅助诊断系统离线部署在偏远地区的患者的移动终端设备上;
3)所采集的胆石病CT医疗图像数据和最终的诊断结果保存在云端服务器的数据库中,相关机构和指定医院可以通过访问数据库查看历史的数据及诊断情况,具备一定的临床参考价值。
附图说明
图1是本发明的系统主题方案图
图2是基于深度学习的胆石病诊断过程
具体实施方式
以下结合具体实施方式进一步对本发明的技术方案进行阐述。
本系统主题方案主要体现了智能诊断、无需专业医生介入诊断过程的基本思想。如图1所示:一种基于深度学习的胆石病智能诊断APP:包括分析组件、服务器组件以及智能诊断组件,基本步骤如下:
1)首先通过医院内部的CT扫描仪采集到用户的胆石病CT医疗图像作为系统进行智能诊断的数据源,利用基于深度学习的数据分算法对数据进行旋转、放缩以及平移等数据增强操作,然后进行图像对比度增强的预处理,最后对经过预处理的胆石病CT医疗图像进行病灶区域的标记,
2)将经过分析单元组件之后胆石病CT医疗图像数据传输给智能辅助组件,利用已经训练好的多通道卷积神经网络进行识别,最终生成诊断结果并反馈给用户,同时处理之后的胆石病CT医疗图像数据和诊断结果通过互联网或移动网络传输至服务器;
3)服务器将接收到的数据进行整理与分析,建立用户胆石病数据库,保存用户的胆石病CT医疗图像数据和诊断记录,以提供给相关机构和指定医院作为患者用户的胆石病临床病史作为参考。
基于深度学习的胆石病智能诊断APP的诊断过程是一个不断训练学习的过程,其中的胆石病智能诊断算法的卷积神经网络结构包括数据预处理阶段、局部卷积阶段和全局卷积阶段,所述数据预处理阶段包括对胆石病CT医疗图像的旋转、放缩以及平移等数据增强操作;局部卷积阶段包括一维的卷积和池化等操作,对胆石病CT医疗图像的对比度增强处理和胆石病CT医疗图像的病灶区域的标记操作;全局卷积阶段包含多维的卷积与池化操作,对包含标记区域的胆石病CT医疗图像进行特征提取,然后在传输到网络末层的全连接层进行最后的识别处理。
具体的,基于深度学习的胆石病智能诊断算法的训练阶段具体包括:
1)利用基于深度学习的数据增强算法对胆石病医疗图像数据库中的CT医疗图像进行旋转、放缩以及平移等处理,进行图像灰度值的预处理,实现图像对比度的增强;
2)利用基于深度学习的胆石病标记算法将上一步预处理过的胆石病CT医疗图像的病灶区域进行标记;
3)将包含标记区域的胆石病CT医疗图像数据输入到一个多通道的卷积神经网络进行训练,不断迭代训练并对参数进行调优,最终学习到一个可以识别胆石病的神经网络模型。
具体的,基于深度学习的胆石病智能诊断算法的诊断阶段具体包括:
1)利用基于深度学习的数据增强算法对患者用户新上传的胆石病CT医疗图像进行旋转、放缩以及平移等处理,进行图像灰度值的预处理,实现图像对比度的增强;
3)利用基于深度学习的胆石病标记算法将上一步预处理过的胆石病CT医疗图像的病灶区域进行标记;
4)将包含标记区域的胆石病CT医疗图像数据输入已经训练好的卷积神经网络模型中,识别得到胆石病CT医疗图像的诊断结果。
我们会将产品引入到各大主流医院,由各大医院常年工作在一线的多位肝胆科领域专家对系统所需的胆石病CT医疗图像数据进行监督与评估,去除患者隐私相关信息,从而提高胆石病诊断的准确率,同时将新的胆石病CT医疗图像存入云端服务器中的胆石病医疗图像数据库。随着云端服务器的数据库的不断扩大,卷积神经网络模型的网络参数被不断调优和更新,本套系统对于胆石病诊断的正确率将会不断提高,最终会大于肝胆科领域专家医生的平均水平。通过对海量病例的学习并挖掘出其中的重要信息和疾病内在规律,建立起一套完善的胆石病特征归纳和疾病诊断模型,最终实现对胆石病的人工智能辅助诊断。
以上所述仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载内容之后,技术人员可以对本发明作各种改动与修改,这些等效变化和修饰同样落入本发明权利要求所定的范围。
Claims (6)
1.一种基于深度学习的胆石病智能诊断APP,其特征在于:包括分析组件、服务器组件以及智能诊断组件;
分析组件,主要是用于处理患者用户的胆石病CT医疗图像数据,将采集到的数据进行旋转、放缩以及平移等数据增强操作,进而进行图像灰度值的预处理,使一定灰度范围内的像素数量大致相同,实现图像对比度的增强;
智能诊断组件,主要用于对经过预处理的胆石病CT医疗图像进行标记与识别,使用基于深度学习的胆石病智能诊断算法,分析病情并将以电子版医疗报告形式的诊断结果反馈给患者用户,同时将数据与诊断结果通过互联网或者移动网络传输至云端服务器;
服务器组件,主要用于胆石病CT医疗图像数据以及诊断结果的存储,对信息进行整理与分析,建立用户胆石病数据库,以提供给相关机构和指定医院作为患者用户的胆石病临床病史作为参考。
2.根据权利要求1所述的基于深度学习的胆石病智能诊断APP,其特征在于,基于深度学习的胆石病智能诊断算法包括训练阶段、诊断阶段以及数据扩充阶段三个阶段,通过卷积神经网络对胆石病医疗图像数据库中的CT医疗图像自动提取特征和智能诊断,通过和专业医生标记的胆石病标签进行比较,不断迭代训练模型从而提高识别准确率,最终学习到一个用于诊断的神经网络模型,将这个训练好的神经网络模型用于对患者用户新上传的胆石病CT医疗图像数据进行诊断,继而得到新的诊断结果并反馈给患者用户,患者用户新上传的胆石病CT医疗图像数据和胆石病智能诊断APP的诊断结果由专业医生进行分析确诊后,可以作为胆石病医疗图像数据库的扩充数据。
3.根据权利要求2所述的基于深度学习的胆石病智能诊断APP,其特征在于,胆石病智能诊断算法的训练阶段具体包括:
1)利用基于深度学习的数据增强算法对胆石病医疗图像数据库中的CT医疗图像进行旋转、放缩以及平移等操作,进行图像灰度值的预处理,实现图像对比度的增强;
2)利用基于深度学习的胆石病标记算法将上一步预处理过的胆石病CT医疗图像的病灶区域进行标记;
3)将包含标记区域的胆石病CT医疗图像数据输入到一个多通道的卷积神经网络进行训练,不断迭代训练并对参数进行调优,最终学习到一个可以识别胆石病的神经网络模型。
4.根据权利要求2所述的基于深度学习的胆石病智能诊断APP,其特征在于,胆石病智能辅助诊断算法的诊断步骤具体包括:
1)利用基于深度学习的数据增强算法对患者用户新上传的胆石病CT医疗图像进行旋转、放缩以及平移等处理,进行图像灰度值的预处理,实现图像对比度的增强;
3)利用基于深度学习的胆石病标记算法将上一步预处理过的胆石病CT医疗图像的病灶区域进行标记;
4)将包含标记区域的胆石病CT医疗图像数据输入已经训练好的多通道卷积神经网络模型中,识别得到胆石病CT医疗图像的诊断结果。
5.根据权利要求3和4所述的基于深度学习的胆石病智能诊断APP,其特征在于,胆石病智能诊断算法中的多通道卷积神经网络结构包括数据预处理阶段、局部卷积阶段和全局卷积阶段,所述数据预处理阶段包括对胆石病CT医疗图像的旋转、放缩以及平移等数据增强操作;局部卷积阶段包括一维的卷积和池化等操作,对胆石病CT医疗图像的对比度增强处理和胆石病CT医疗图像的病灶区域的标记操作;全局卷积阶段包含多维的卷积与池化操作,对包含标记区域的胆石病CT医疗图像进行特征提取,然后在传输到网络末层的全连接层进行最后的识别处理。
6.根据权利要求5所述的基于深度学习的胆石病智能诊断APP,其特征在于,包括以下步骤:
1)首先通过医院内部的CT扫描仪采集到用户的胆石病CT医疗图像作为系统进行智能诊断的数据源,利用基于深度学习的数据分析算法对数据进行旋转、放缩以及平移等数据增强操作,然后进行图像对比度增强的预处理,最后对经过预处理的胆石病CT医疗图像进行病灶区域的标记;
2)将经过分析组件处理之后胆石病CT医疗图像数据传输给智能诊断组件,利用已经训练好的多通道卷积神经网络进行识别,最终生成诊断结果并反馈给用户,同时处理之后的胆石病CT医疗图像数据和诊断结果通过互联网或移动网络传输至服务器;
3)服务器将接收到的数据进行整理与分析,建立用户胆石病数据库,保存用户的胆石病CT医疗图像数据和诊断记录,以提供给相关机构和指定医院作为患者用户的胆石病临床病史作为参考。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811554740.4A CN109712705A (zh) | 2018-12-19 | 2018-12-19 | 一种基于深度学习的胆石病智能诊断app |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811554740.4A CN109712705A (zh) | 2018-12-19 | 2018-12-19 | 一种基于深度学习的胆石病智能诊断app |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109712705A true CN109712705A (zh) | 2019-05-03 |
Family
ID=66256832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811554740.4A Pending CN109712705A (zh) | 2018-12-19 | 2018-12-19 | 一种基于深度学习的胆石病智能诊断app |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109712705A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110265142A (zh) * | 2019-06-11 | 2019-09-20 | 透彻影像(北京)科技有限公司 | 一种用于病变区域复原图的辅助诊断系统和方法 |
CN110473157A (zh) * | 2019-08-14 | 2019-11-19 | 首都医科大学附属北京天坛医院 | 一种二维断层图像校正方法、移动终端及电子设备 |
CN110491503A (zh) * | 2019-08-21 | 2019-11-22 | 山东大学第二医院 | 一种基于深度学习的胆石症智能辅助系统 |
CN110809037A (zh) * | 2019-10-29 | 2020-02-18 | 华南理工大学 | 一种基于深度多元特征的物联网皮肤镜系统 |
CN111000569A (zh) * | 2019-11-29 | 2020-04-14 | 中润普达(十堰)大数据中心有限公司 | 一种异常血糖智能认知的监护系统 |
CN111351831A (zh) * | 2020-02-26 | 2020-06-30 | 西安交通大学医学院第二附属医院 | 基于质谱分析组织术中检测、标记设备及其检测方法 |
CN111358573A (zh) * | 2020-02-26 | 2020-07-03 | 西安交通大学医学院第二附属医院 | 高光谱成像的术区快速检测、标记的设备及检测方法 |
CN111477323A (zh) * | 2020-04-03 | 2020-07-31 | 无锡新智微信息科技有限公司 | 基于人工智能的重大疾病机器识别系统 |
CN112133426A (zh) * | 2020-09-11 | 2020-12-25 | 上海朔茂网络科技有限公司 | 一种基于深度学习的呼吸系统疾病辅助诊断方法 |
CN112489751A (zh) * | 2020-11-27 | 2021-03-12 | 大连东软教育科技集团有限公司 | 一种混合增强的体检报告自动生成方法、装置及存储介质 |
CN114093505A (zh) * | 2021-11-17 | 2022-02-25 | 山东省计算中心(国家超级计算济南中心) | 一种基于云边端架构的病理检测系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100250275A1 (en) * | 2007-10-18 | 2010-09-30 | Canon Kabushiki Kaisha | Diagnosis support apparatus, method of controlling diagnosis support apparatus, and program therefor |
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 |
CN107529645A (zh) * | 2017-06-29 | 2018-01-02 | 重庆邮电大学 | 一种基于深度学习的心音智能诊断系统及方法 |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技(上海)有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
CN108805858A (zh) * | 2018-04-10 | 2018-11-13 | 燕山大学 | 基于数据挖掘的肝病ct图像计算机辅助诊断系统及方法 |
-
2018
- 2018-12-19 CN CN201811554740.4A patent/CN109712705A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100250275A1 (en) * | 2007-10-18 | 2010-09-30 | Canon Kabushiki Kaisha | Diagnosis support apparatus, method of controlling diagnosis support apparatus, and program therefor |
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 |
CN107529645A (zh) * | 2017-06-29 | 2018-01-02 | 重庆邮电大学 | 一种基于深度学习的心音智能诊断系统及方法 |
CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技(上海)有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN108805858A (zh) * | 2018-04-10 | 2018-11-13 | 燕山大学 | 基于数据挖掘的肝病ct图像计算机辅助诊断系统及方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110265142B (zh) * | 2019-06-11 | 2020-06-09 | 透彻影像(北京)科技有限公司 | 一种用于病变区域复原图的辅助诊断系统 |
CN110265142A (zh) * | 2019-06-11 | 2019-09-20 | 透彻影像(北京)科技有限公司 | 一种用于病变区域复原图的辅助诊断系统和方法 |
CN110473157A (zh) * | 2019-08-14 | 2019-11-19 | 首都医科大学附属北京天坛医院 | 一种二维断层图像校正方法、移动终端及电子设备 |
CN110491503A (zh) * | 2019-08-21 | 2019-11-22 | 山东大学第二医院 | 一种基于深度学习的胆石症智能辅助系统 |
CN110809037B (zh) * | 2019-10-29 | 2020-09-22 | 华南理工大学 | 一种基于深度多元特征的物联网皮肤镜系统 |
CN110809037A (zh) * | 2019-10-29 | 2020-02-18 | 华南理工大学 | 一种基于深度多元特征的物联网皮肤镜系统 |
CN111000569A (zh) * | 2019-11-29 | 2020-04-14 | 中润普达(十堰)大数据中心有限公司 | 一种异常血糖智能认知的监护系统 |
CN111351831A (zh) * | 2020-02-26 | 2020-06-30 | 西安交通大学医学院第二附属医院 | 基于质谱分析组织术中检测、标记设备及其检测方法 |
CN111358573A (zh) * | 2020-02-26 | 2020-07-03 | 西安交通大学医学院第二附属医院 | 高光谱成像的术区快速检测、标记的设备及检测方法 |
CN111358573B (zh) * | 2020-02-26 | 2023-06-20 | 西安交通大学医学院第二附属医院 | 高光谱成像的术区快速检测、标记的设备及检测方法 |
CN111477323A (zh) * | 2020-04-03 | 2020-07-31 | 无锡新智微信息科技有限公司 | 基于人工智能的重大疾病机器识别系统 |
CN112133426A (zh) * | 2020-09-11 | 2020-12-25 | 上海朔茂网络科技有限公司 | 一种基于深度学习的呼吸系统疾病辅助诊断方法 |
CN112489751A (zh) * | 2020-11-27 | 2021-03-12 | 大连东软教育科技集团有限公司 | 一种混合增强的体检报告自动生成方法、装置及存储介质 |
CN114093505A (zh) * | 2021-11-17 | 2022-02-25 | 山东省计算中心(国家超级计算济南中心) | 一种基于云边端架构的病理检测系统及方法 |
CN114093505B (zh) * | 2021-11-17 | 2022-06-17 | 山东省计算中心(国家超级计算济南中心) | 一种基于云边端架构的病理检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109712705A (zh) | 一种基于深度学习的胆石病智能诊断app | |
CN109872814A (zh) | 一种基于深度学习的胆石病智能辅助诊断系统 | |
JP6947759B2 (ja) | 解剖学的対象物を自動的に検出、位置特定、及びセマンティックセグメンテーションするシステム及び方法 | |
Scebba et al. | Detect-and-segment: A deep learning approach to automate wound image segmentation | |
CN110121749A (zh) | 用于图像采集的深度学习医疗系统和方法 | |
Tao et al. | Improving deep lesion detection using 3D contextual and spatial attention | |
CN1830380A (zh) | 中医舌像分析与诊断系统 | |
CN109215021A (zh) | 一种基于深度学习的胆石病ct医疗图像快速识别方法 | |
CN112085113B (zh) | 一种重症肿瘤影像识别系统及方法 | |
CN108922602A (zh) | 基于大数据分析mri图像的直肠癌术前同期新辅助放化疗疗效评估系统和方法 | |
CN110930373A (zh) | 一种基于神经网络的肺炎识别装置 | |
CN109712706A (zh) | 一种基于深度学习的望诊方法及装置 | |
CN103116626A (zh) | 一种医学影像的匹配方法 | |
Bansal et al. | An improved hybrid classification of brain tumor MRI images based on conglomeration feature extraction techniques | |
CN106897564A (zh) | 一种基于医学影像的病案图像建模系统 | |
CN117237351B (zh) | 一种超声图像分析方法以及相关装置 | |
CN106887180A (zh) | 一种基于医学影像经典病案库的教学系统 | |
Hasan et al. | Dental impression tray selection from maxillary arch images using multi-feature fusion and ensemble classifier | |
Sujatha et al. | Densenet201: a customized DNN model for multi-class classification and detection of tumors based on brain MRI Images | |
CN109886285A (zh) | 一种基于轻量化卷积神经网络的胆石病ct医疗图像快速识别方法 | |
Nour | Artificial intelligence (AI) for improving performance at the cutting edge of medical imaging | |
JP7097794B2 (ja) | 情報処理システム及び情報処理方法 | |
CN109817310A (zh) | 一种基于yolo卷积神经网络的胆石病ct医疗图像数据增强方法 | |
Kalaivani et al. | A Deep Ensemble Model for Automated Multiclass Classification Using Dermoscopy Images | |
Xing et al. | An Enhanced Vision Transformer Model in Digital Twins Powered Internet of Medical Things for Pneumonia Diagnosis |
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 |