CN109903839A - 一种基于云平台的医疗影像阅片系统 - Google Patents
一种基于云平台的医疗影像阅片系统 Download PDFInfo
- Publication number
- CN109903839A CN109903839A CN201910135039.7A CN201910135039A CN109903839A CN 109903839 A CN109903839 A CN 109903839A CN 201910135039 A CN201910135039 A CN 201910135039A CN 109903839 A CN109903839 A CN 109903839A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- medical
- analysis
- examination
- 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
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 64
- 238000013135 deep learning Methods 0.000 claims abstract description 52
- 238000012552 review Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 30
- 238000011282 treatment Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 13
- 230000003902 lesion Effects 0.000 claims description 12
- 230000001575 pathological effect Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000004048 modification Effects 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 210000000056 organ Anatomy 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 238000003012 network analysis Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012742 biochemical analysis Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000011221 initial treatment Methods 0.000 claims description 3
- 238000003825 pressing Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 2
- 230000000505 pernicious effect Effects 0.000 claims description 2
- 238000004321 preservation Methods 0.000 claims description 2
- 230000008439 repair process Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000009826 distribution Methods 0.000 abstract description 7
- 238000002405 diagnostic procedure Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 14
- 238000013473 artificial intelligence Methods 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 10
- 238000002595 magnetic resonance imaging Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 208000020816 lung neoplasm Diseases 0.000 description 5
- 238000012550 audit Methods 0.000 description 3
- 238000010186 staining Methods 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 238000007449 liver function test Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明为一种基于云平台的医疗影像阅片系统，该系统包括前期处理模块、文件上传模块、深度学习标准化与分析模块、转诊会诊建议模块、医生复核模块、编辑保存模块和查询模块。该系统通过云服务器规范、系统地收集各地上传来的数据信息文件，先通过调度深度学习系统标准化处理和分析，再由影像科医生进行阅片标注和诊断。同时本系统使用了深度学习超分辨率重建算法，有利于推动医疗影像的标准化，有助于医疗机构间的交流；此外简化了诊断流程，提高了诊断准确率，有助于为基层医生、全科医生提供更加专业的诊断意见；另外，本系统还能依据自动化分析得出的病情分析给予转诊和会诊建议，有助于医疗资源的合理分配。
Description
技术领域
本发明涉及智能医疗领域，尤其是一种可以通过人工智能算法提供患者转诊会诊建议的基于云平台的医疗影像阅片系统，其致力于降低临床医生的阅片负担，提高医疗资源有效利用率提升医学人工智能的数据标准化程度和可及性。
背景技术
一方面，随着我国老龄化问题越发严重，现代环境和国民生活方式的改变，国民对医疗系统，对医疗资源的需求已经越来越迫切。然而我国目前医疗资源的分配仍十分不均衡，且有效利用率低。基层医院的初步诊断、治疗数据，三甲医院难以获取，且存在质量参齐不齐，标准化程度差异大的问题。导致许多病人在更换医院二次就诊时，医生需要耗费大量时间和精力从零开始了解病人病情，耽误了大量时间精力，导致了医疗资源的浪费。不同医疗机构之间的转诊，不同科室之间的会诊能够让医疗资源得到更好的利用，但是由于转诊和会诊信息需要大量的人工精力对病情进行评估，并且存在大量主观判断，缺少一套客观的转诊会诊决策系统。
此外，由于优质医疗资源的聚集，基层医院病人少，而三甲医院常常一号难求，影像科医生在长期面对庞大的工作量和巨大的工作强度后，难以避免出现误诊漏诊的情况。
另一方面，致力于促进医疗行业发展的医学人工智能领域，已经在很多领域获得了十分显著的突破，如阿里云ET在2017年凭借89.7％平均召回率的世界纪录夺得国际权威肺结节检测大赛LUNA16世界冠军。然而，这是基于一部分统一规范的预处理的数据集上得到的结果。实际医疗系统获得的影像数据千差万别，不同的医院，不同的仪器，不同的操作方式，甚至不同的时间点上获得的数据都会有差异，同时由于缺乏一套规范的影像标注系统，不同的医生在标注同一批数据时也会有较大差异，这些都阻碍了医学人工智能的进一步发展。
本发明提供的一种基于云平台的医疗影像阅片系统，通过云服务器系统、规范地提供了一种整理、储存、共享医疗影像数据的平台，调用三甲医院医生的优质标注数据进行训练的深度学习系统进行辅助诊断。对于基层医院和基层医生来说，该系统能够将采集到的无法或者难以诊断的数据上传，由三甲医院有经验的医生给出诊断建议予以反馈，达到医疗资源共享的目的，促使基层患者在基层医院获得及时有效的诊断和治疗意见；另外，我们在基层医院遇到难以应对的病情，或者上级医院遇到较轻的病情时能够及时有效的做出会诊建议说明，在某一科室遇到复杂的多科室疾病时，提供科学有效的科室会诊建议，使得双向转诊和多科室会诊变得有效率，医疗资源能够最大化的利用。此外，我们的深度学习系统具有一套超分辨率标准化算法，可以将不同医院、不同设备采集而来的同种医疗影像数据进行超分辨率重建，提高由于设备、人为操作而造成的分辨率低引起的标准化程度差异问题，该系统能够促进高级医疗机构能够较好利用基层医疗机构的检查结果，促进了医疗信息化和标准化的发展，提高诊疗效率，提高了医疗资源的有效利用率，缓解医生和医院的工作负担，减少漏诊错诊情况。
同时该系统还能利用云服务上获得的海量的数据，为医生提供标准规范的标注工具和标注方法，最终获得医生规范标注的影像数据，提供给医学人工智能学习，解决目前医学人工智能发展的一大瓶颈，进一步促进医学人工智能的发展，使其更好的为医疗行业服务。
发明内容
本发明的内容为一种基于云平台的医疗影像阅片系统，通过降低影像科医生的阅片负担，提高医疗影像的标准化程度，提高医疗资源利用率和提高医学人工智能可用的医疗影像数据的数量和质量，促进医学和人工智能的发展。
为实现以上目的，本发明提供如下技术方案：一种基于云平台的医疗影像阅片系统，该系统主要包括以下模块：
模块1.前期处理模块：将从各医疗机构获得的影像数据处理为云服务器的标准格式；
模块2.文件上传模块：将模块1所述的数据信息文件上传至云服务器；
模块3.深度学习标准化与分析模块：根据所上传的数据类型，调用不同的远程深度学习超分辨率重建系统进行标准化处理，随后调用相应的深度学习分析系统进行数据分析，获得分析结果；
模块4.转诊会诊建议模块：根据模块3所得的分析结果和各医疗机构的相关信息分析，通过本模块给出相关的转诊、会诊建议。
模块5.医生复核模块：将模块3所述的分析结果和模块1获得的医疗图像显示给临床医生，由医生进行标注修改或结果修正；
模块6.编辑保存模块：将模块4中医生复核的最终影像数据保存，供后续查询和深度学习系统继续学习；
模块7.查询模块：供权限用户查询、修改、下载模块5中上传后的数据；
进一步，前期处理模块在处理数据时包括以下步骤：
步骤1.扫描，从各种医疗系统仪器获得相应类别的医疗影像数据；
步骤2.标准化，相同类别，不同标准的数据经过标准化处理得到统一标准；
优选地，步骤1.扫描，从各种医疗系统仪器获得相应类别的医疗影像数据，包括超声波扫描图，核磁共振成像图，眼底图，电子计算机断层扫描图，病理切片染色图，细胞显微镜成像图的一种或者多种。
步骤2.标准化，相同类别，不同标准的数据经过标准化处理得到统一标准；本系统储存绝大部分的医学数据，数据图片格式选自tif/tiff,jpg/jpeg,bmp,png、放射学影像标准数据：dicom的一种或多种。
进一步，文件上传模块在上传数据信息数据时包括以下步骤：
步骤1.通知云服务器有新的上传任务加入，报告云服务器上传内容的类型和上传位置，由云服务器向上传内容分配编号，储存空间等；
步骤2.用户通过登录，向云服务器获取上传权限，云服务器限时开始上传权限，并按时收回权限；
步骤3.在规定时间内上传目标数据文件；
步骤4.通知云服务器目标数据文件上传完成；
步骤5，检查是否有新的上传任务等待，若有，继续执行步骤1；若无，继续等待新的上传任务加入；
在文件上传模块中，进一步优选
步骤1.通知云服务器有新的上传任务加入，报告云服务器上传内容的类型和上传位置，由云服务器向上传内容分配编号，储存空间等。云服务器将根据上传的数据类型，录入一些基本信息，选自图像来源，拍摄时间，拍摄部位，病变器官类型信息中的一种或多种。
步骤2.用户通过登录，向云服务器获取上传权限，云服务器限时开始上传权限，并按时收回权限。只有实现在云服务器上注册通过审核的用户才能获得上传的权限，同时将可以选择单张上传或者批量上传的模式，云服务器根据上传图片的大小规格分配不等的上传权限时间供用户上传数据。
步骤3.在规定时间内上传目标数据文件。若由于网络速度等原因无法在规定时间完整上传目标数据文件，云服务器将自动延长上传权限时间，待全部上传完成后自动收回用户上传权限。同时，如果为批量上传，每上传完成一张图片，云服务器就会进入下一模块，调用深度学习分析系统得到分析结果储存，以节省时间。
进一步，深度学习分析模块在调度深度学习系统分析时包括以下步骤：
步骤1.云平台调度深度学习系统下载云服务器中已上传的影像数据；
步骤2.深度学习系统调用相应的算法进行影像数据标准化处理，根据不同的影像数据类型，如CT图，MRI图等，调用不同的超分辨率重建算法对原始图像进行分辨率提升和优化，主要使用SRGAN算法。
步骤3.深度学习系统开始调用相应的算法进行影像数据分析。从该模块步骤2中获得的分辨率提升和标准化处理后的图像，根据不同的任务，如分类、检测、分割等，调用不同的影像数据分析算法对图像进行分析，获得对应的分类结果、检测目标区域、分割像素点集合等。
步骤4.将数据分析的结果上传至云服务器，并通知云服务器分析完成。
进一步，转诊会诊建议模块在分析转诊会诊建议时包括以下步骤：
步骤1.云平台获取深度学习标准化与分析模块分析所得的医学影像分析结果和云平台中存储的相关医疗机构数据。其中医学影像的分析结果包括但不限于：病理切片的癌变等级、CT图、MRI图的病变类别，病变等级等；医疗机构数据包括但不限于：医疗机构的相对距离、医疗强项、医疗等级、床位余量等。另外，云平台合作的各医疗机构有关该病例的相关检查数据也会被调取，如常规检查、实验室生化检查等非图像数据也会被调取共同分析。
步骤2.转诊会诊建议模块分为转诊建议模块和会诊建议模块。如云平台所得影像及其他医疗数据分析结果认为可能需要多科室会诊的病例，会诊建议模块会被调用，根据涉及不同科室病情的等级打分，如超过某一阈值则会建议联合该科室一同会诊，使用算法为决策树、支持向量机、随机森林等，主要用于针对不同科室的病情相关性的打分，最后使用分数阈值方法进行决策。
步骤3.转诊会诊建议模块分为转诊建议模块和会诊建议模块。如云平台所得影像及其他医疗数据分析结果认为该病例需要上级医疗机构的治疗，或者初步治疗已完全，需要向下级医疗机构转诊康复，转诊建议模块会被调用。同样会使用决策树、支持向量机、随机森林等模型来对该病例各个科室相关的治疗难度进行打分。在向上级或下级转诊时，在能够胜任该病例的医疗机构中以转诊代价最小化为目标进行转诊推荐。评估的相关指标包括但不限于：转诊机构相对距离、转诊紧迫程度、转诊目标机构的容纳能力等。
步骤4.转诊会诊建议模块将建议结果回传云服务器，由云服务器存储和反馈给用户。
进一步，医生复核模块在医生复核时包括以下步骤：
步骤1.提供相应的复核类型选项，如使用固定形状、不规则线条圈划病变区域，修正参考良恶性结果、分级结果等。
步骤2.根据相应的复核选项，提供简单的标注工具辅助医生的复核标注。此外，该模块还提供实时保存功能。
在医生复核模块中，进一步优选：
步骤1.提供相应的复核类型选项，包括但不限于以下几种：分类任务复核、检测任务复核、分割任务复核。
步骤2.根据相应的复核选项，提供简单的标注工具辅助医生的复核标注。如在分类任务复核时，系统提供编辑分类数目以及各个类别名称的功能，同时提供快捷键自定义的方式加快医生的复核操作；在检测任务复核时，系统提供包括但不限于矩形、圆形、椭圆形、三角形等标注形状；在分割任务复核时，系统提供包括但不限于多边形标注、线条标注等标注方法。此外，该模块还提供实时保存功能，能够进一步提高医生标注的效率。
进一步，查询模块在医生查询数据时包括以下步骤：
步骤1.医生或其他有权限人员通过登录账户进入查询界面。
步骤2.查询模块提供多关键词查询，如病历编号，影像类型，来源医院，拍摄器官，病变类型等。
和现存的影像阅片系统相比，该系统由于采取了统一的标准，并且利用了深度学习超分辨率重建的技术，使得来源于不同医院之间的影像能够得到质量的提升和获得相同的记录、存储标准，促进了医疗机构间的数据交流。并且，该系统使用获得的医疗影像数据，经过云服务器调用的远程深度学习系统，返回辅助诊断建议给影像科医生，大大降低了医生的工作负担和简化了诊断流程，提升了影像诊断的效率和准确率。另外，该系统利用影像信息和相关医疗机构信息提出转诊会诊建议，促进了医疗资源的有效利用。和现存的医疗人工智能获取图像数据的途径相比，该系统由于提供了统一的标注工具和标注方法，保证了获得数据的标注统一性，同时，由于该系统的便捷性，多医疗系统的加入也大大降低了医疗人工智能的图像获取成本，进一步促进了医疗人工智能的发展。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明进行进一步的详细描述，其中：
图1.本发明实施例1的流程图和各模块关系
具体实施方法
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清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1请参阅图1，为实现以上目的，本发明提供如下技术方案：一种基于云平台的医疗影像阅片系统，该系统主要包括以下模块：模块1.前期处理模块：将从各医疗机构获得的影像数据处理为云服务器的标准格式；模块2.文件上传模块：将模块1所述的数据信息文件上传至云服务器；模块3.深度学习分析模块：根据所上传的数据类型，调用不同的远程深度学习分析系统获得分析结果；模块4.医生复核模块：将模块3所述的分析结果和模块1获得的医疗图像显示给临床医生，由医生进行标注修改或结果修正；模块5.编辑保存模块：将模块4中医生复核的最终影像数据保存，供后续查询和深度学习系统继续学习；模块6.查询模块：供医生或其他有权限用户查询、修改、下载模块5中上传后的数据；
其中，前期处理模块在处理数据时包括以下步骤：
步骤1.扫描，从各种医疗系统仪器获得相应类别的医疗影像数据，所述医疗影像数据为核磁共振成像图，病理切片染色图，细胞显微镜成像图。
步骤2.标准化，相同类别，不同标准的数据经过标准化处理得到统一标准，放射学影像标准数据：dicom。如有其它类型的数据上传，本系统将自动转换为以上一些标准的通用数据格式再予以上传，保证通用性和统一性。
另外，文件上传模块在上传数据信息数据时包括以下步骤：
步骤1.通知云服务器有新的上传任务加入，报告云服务器上传内容的类型和上传位置，由云服务器向上传内容分配编号，储存空间等。云服务器将根据上传的数据类型，录入图像来源，拍摄时间，病变器官类型基本信息。
步骤2.用户通过登录，向云服务器获取上传权限，云服务器限时开始上传权限，并按时收回权限。只有实现在云服务器上注册通过审核的用户才能获得上传的权限，同时将可以选择单张上传或者批量上传的模式，云服务器根据上传图片的大小规格分配不等的上传权限时间供用户上传数据。
步骤3.在规定时间内上传目标数据文件。若由于网络速度等原因无法在规定时间完整上传目标数据文件，云服务器将自动延长上传权限时间，待全部上传完成后自动收回用户上传权限。同时，如果为批量上传，每上传完成一张图片，云服务器就会进入下一模块，调用深度学习分析系统得到分析结果储存，以节省时间。
步骤4.通知云服务器目标数据文件上传完成。
步骤5，检查是否有新的上传任务等待，若有，继续执行步骤1；若无，继续等待新的上传任务加入。
另外，深度学习分析模块在调度深度学习系统分析时包括以下步骤：
步骤1.云平台调度深度学习系统下载云服务器中已上传的影像数据；
步骤2.深度学习系统开始调用相应的算法进行影像数据标准化处理。深度学习标准化处理将根据需要进行处理的数据类型，如CT图或MRI图等，对于由于设备原因或操作不当造成的分辨率不足图像利用深度学习超分辨率重建算法进行重建，具体使用的算法包括SRGAN、ESPCN、DRCN等；
步骤3.深度学习系统开始调用相应的算法进行影像数据分析，根据不同的分析类型调用不同的深度学习模块进行分析；在分类任务中，如病理组织的类别判断，可调用的分类网络有ResNet,DenseNet等，在分割任务中，如肺结节的分割和病理切片的癌细胞分割，可调用的分割网络有U-net，Link-net,DCAN等，在检测任务中，如异常细胞的检测，可调用的检测网络有：Faster-RCNN,RefineNet,CoupleNet,Cascade-RCNN等。
步骤4.将数据分析的结果上传至云服务器，并通知云服务器分析完成。
另外，医生复核模块在医生复核时包括以下步骤：
步骤1.提供相应的复核类型选项，包括但不限于以下几种：分类任务复核、检测任务复核、分割任务复核等。
步骤2.根据相应的复核选项，提供简单的标注工具辅助医生的复核标注。如在分类任务复核时，系统提供编辑分类数目以及各个类别名称的功能，同时提供快捷键自定义的方式加快医生的复核操作；在检测任务复核时，系统提供包括但不限于矩形、圆形、椭圆形、三角形等标注形状；在分割任务复核时，系统提供包括但不限于多边形标注、线条标注等标注方法。此外，该模块还提供实时保存功能，能够进一步提高医生标注的效率。
另外，查询模块在医生查询数据时包括以下步骤：
步骤1.医生或其他有权限人员通过登录账户进入查询界面。
步骤2.查询模块提供多关键词查询，包括但不限于病历编号，影像类型，来源医院，拍摄器官，病变类型等。
实施例2：一种基于云平台的医疗影像阅片系统，该系统主要包括以下模块：模块1.前期处理模块：将从各医疗机构获得的影像数据处理为云服务器的标准格式；模块2.文件上传模块：将模块1所述的数据信息文件上传至云服务器；模块3.深度学习分析模块：根据所上传的数据类型，调用不同的远程深度学习分析系统获得分析结果；模块4.医生复核模块：将模块3所述的分析结果和模块1获得的医疗图像显示给临床医生，由医生进行标注修改或结果修正；模块5.编辑保存模块：将模块4中医生复核的最终影像数据保存，供后续查询和深度学习系统继续学习；模块6.查询模块：供医生或其他有权限用户查询、修改、下载模块5中上传后的数据；
其中，前期处理模块在处理数据时包括以下步骤：
步骤1.扫描，从各种医疗系统仪器获得相应类别的医疗影像数据，所述医疗影像数据为超声波扫描图，核磁共振成像图，眼底图，电子计算机断层扫描图，病理切片染色图，细胞显微镜成像图。
步骤2.标准化，相同类别，不同标准的数据经过标准化处理得到统一标准，包括jpg/jpeg，放射学影像标准数据：dicom。如有其它类型的数据上传，本系统将自动转换为以上一些标准的通用数据格式再予以上传，保证通用性和统一性。另外，文件上传模块在上传数据信息数据时包括以下步骤：
步骤1.通知云服务器有新的上传任务加入，报告云服务器上传内容的类型和上传位置，由云服务器向上传内容分配编号，储存空间等。云服务器将根据上传的数据类型，录入图像来源，拍摄时间，拍摄部位，病变器官类型基本信息。
步骤2.用户通过登录，向云服务器获取上传权限，云服务器限时开始上传权限，并按时收回权限。只有实现在云服务器上注册通过审核的用户才能获得上传的权限，同时将可以选择单张上传或者批量上传的模式，云服务器根据上传图片的大小规格分配不等的上传权限时间供用户上传数据。
步骤3.在规定时间内上传目标数据文件。若由于网络速度等原因无法在规定时间完整上传目标数据文件，云服务器将自动延长上传权限时间，待全部上传完成后自动收回用户上传权限。同时，如果为批量上传，每上传完成一张图片，云服务器就会进入下一模块，调用深度学习分析系统得到分析结果储存，以节省时间。
步骤4.通知云服务器目标数据文件上传完成。
步骤5，检查是否有新的上传任务等待，若有，继续执行步骤1；若无，继续等待新的上传任务加入。
另外，深度学习分析模块在调度深度学习系统分析时包括以下步骤：
步骤1.云平台调度深度学习系统下载云服务器中已上传的影像数据；
步骤2.深度学习系统开始调用相应的算法进行影像数据标准化处理。深度学习标准化处理将根据需要进行处理的数据类型，如CT图或MRI图等，对于由于设备原因或操作不当造成的分辨率不足图像利用深度学习超分辨率重建算法进行重建，具体使用的算法包括SRGAN、ESPCN、DRCN等，这些算法一方面可以针对质量较差的影像数据，提升其质量，另一方面也可以得到相同标准化程度的影像输出数据。
步骤3.深度学习系统开始调用相应的算法进行影像数据分析，根据不同的分析类型调用不同的深度学习模块进行分析；在分类任务中，如病理组织的类别判断，可调用的分类网络有ResNet,DenseNet等，在分割任务中，如肺结节的分割和病理切片的癌细胞分割，可调用的分割网络有U-net，Link-net,DCAN等，在检测任务中，如异常细胞的检测，可调用的检测网络有：Faster-RCNN,RefineNet,CoupleNet,Cascade-RCNN等。
步骤4.将数据分析的结果上传至云服务器，并通知云服务器分析完成。
另外，深度学习分析模块在调度转诊会诊分析系统分析时包括以下步骤：
步骤1.云平台获取深度学习标准化与分析模块分析所得的医学影像分析结果和云平台中存储的相关医疗机构数据。其中医学影像的分析结果包括但不限于：病理切片的癌变等级、CT图、MRI图的病变类别，病变等级等；医疗机构数据包括但不限于：医疗机构的相对距离、医疗强项、医疗等级、床位余量等。另外，云平台合作的各医疗机构有关该病例的相关检查数据也会被调取，如血压、血常规、心率等常规检查和如血常规、肝功能检查等实验室生化检查和其他非图像数据也会被调取共同分析。
步骤2.转诊会诊建议模块分为转诊建议模块和会诊建议模块。如云平台所得影像及其他医疗数据分析结果认为可能需要多科室会诊的病例，会诊建议模块会被调用，根据涉及不同科室病情的等级打分，该分数会参考医学先验知识和云平台分析得出的相关患病的概率。例如：在肺部CT的科室相关性打分中，完全不被涉及的，如泌尿科、肛肠科、妇产科等科室会首先被排除，其后会根据云平台分析得出的可能患病的种类和概率，参考医生建议，得分算法生成的得分表来进行打分。如分析结果患有肺癌的概率为70％，肺癌和胸外科、肿瘤科的相关性得分均为100分，则最终的得分为70分，如果再合并有其他怀疑疾病，会累加分数，最后分数判别方法会以50分为阈值，将科室相关得分高于50分的科室推荐为会诊参与科室。使用算法为决策树、支持向量机、随机森林等，主要用于针对不同科室的病情相关性的打分，最后使用分数阈值方法进行决策；由于算法生成的得分表可能会有偏差，该表会进一步和医疗机构沟通修正。
步骤3.转诊会诊建议模块分为转诊建议模块和会诊建议模块。如云平台所得影像及其他医疗数据分析结果认为该病例需要上级医疗机构的治疗，或者初步治疗已完全，需要向下级医疗机构转诊康复，转诊建议模块会被调用。同样会使用决策树、支持向量机、随机森林等模型来对该病例各个科室相关的治疗难度进行打分。根据云平台分析得出的患者可能患有的疾病种类和概率，以及参考国家相关医疗评级，得分算法生成的医疗机构的各个疾病处理能力的得分。例如在脑部MRI图中，云平台分析认为患有脑血管瘤的概率为80％，而该医疗机构处理脑血管瘤的得分不足阈值(默认为70分)，则会调用该模块寻找该得分较高的上级医疗机构，同时将转诊代价最小的医疗机构作为推荐转诊对象。在向上级或下级转诊时，在能够胜任该病例的医疗机构中以转诊代价最小化为目标进行转诊推荐。评估的相关指标包括但不限于：转诊机构相对距离、转诊紧迫程度、转诊目标机构的容纳能力等。
步骤4.转诊会诊建议模块将建议结果回传云服务器，由云服务器存储和反馈给用户。
另外，医生复核模块在医生复核时包括以下步骤：
步骤1.提供相应的复核类型选项，包括但不限于以下几种：分类任务复核、检测任务复核、分割任务复核等。
步骤2.根据相应的复核选项，提供简单的标注工具辅助医生的复核标注。如在分类任务复核时，系统提供编辑分类数目以及各个类别名称的功能，同时提供快捷键自定义的方式加快医生的复核操作；在检测任务复核时，系统提供包括但不限于矩形、圆形、椭圆形、三角形等标注形状；在分割任务复核时，系统提供包括但不限于多边形标注、线条标注等标注方法。
另外，查询模块在医生查询数据时包括以下步骤：
步骤1.医生或其他有权限人员通过登录账户进入查询界面。
步骤2.查询模块提供多关键词查询，包括但不限于病历编号，影像类型，来源医院，拍摄器官，病变类型等。
本发明在设计时：首先医疗影像来源于各种医疗机构，主要为医院，从影像科获得医学影像数据，前期处理模块同时获得该数据，转换为数据信息文件，然后文件上传模块从前期处理模块获得数据，检查完整性后向云服务器发送上传请求。云服务器获得请求后，通过分配编号、分配储存空间等准备操作后，接受上传文件并储存。此后云服务器通过深度学习分析模块使用远端深度学习系统进行数据分析后传回，医生使用医生复核模块进行复核，最后通过编辑保存系统进行修改和保存。最后由查询模块进行后期查询。
其中，文件上传模块、深度学习分析模块、医生复核模块、编辑保存模块和查询模块都和云服务器有一个交互的过程，整个系统让影像科医生的诊断流程变得更加简化，而且显著的提高了诊断的准确率，同时消除需求端与服务器的时间隔阂、地域隔阂。与此同时提高了医学人工智能的医疗数据可及性与规范性。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下的可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于云平台的医疗影像阅片系统，其特征在于：该系统主要包括前期处理模块、文件上传模块、深度学习标准化与分析模块、转诊会诊建议模块、医生复核模块、编辑保存模块、查询模块以及云服务器，其中：
模块1.前期处理模块：将从各医疗机构获得的影像数据处理为云服务器的标准格式；
模块2.文件上传模块：将模块1所述的数据信息文件上传至云服务器；
模块3.深度学习标准化与分析模块：根据所上传的数据类型，调用不同的远程深度学习超分辨率重建系统进行标准化处理，随后调用相应的深度学习分析系统进行数据分析，获得分析结果；
模块4.转诊会诊建议模块：根据模块3所得的分析结果和各医疗机构的相关信息分析，通过本模块给出相关的转诊、会诊建议。
模块5.医生复核模块：将模块3所述的分析结果和模块1获得的医疗图像显示给临床医生，由医生进行标注修改或结果修正；
模块6.编辑保存模块：将模块4中医生复核的最终影像数据保存，供后续查询和深度学习系统继续学习；
模块7.查询模块：供权限用户查询、修改、下载模块5中上传后的数据；
文件上传模块、深度学习标准化和分析模块、医生复核模块、编辑保存模块、查询模块均与云服务器交互连接。
2.根据权利要求1中所述的一种基于云平台的医疗影像阅片系统，其特征在于：所述前期处理模块在处理数据时包括以下步骤：
步骤1.扫描，从各种医疗系统仪器获得相应类别的医疗影像数据；
步骤2.标准化，相同类别，不同标准的数据经过标准化处理得到统一标准。
3.根据权利要求1中所述的一种基于云平台的医疗影像阅片系统，其特征在于：所述文件上传模块在上传数据信息数据时包括以下步骤：
步骤1.通知云服务器有新的上传任务加入，报告云服务器上传内容的类型和上传位置，由云服务器向上传内容分配编号，储存空间等；
步骤2.用户通过登录，向云服务器获取上传权限，云服务器限时开始上传权限，并按时收回权限；
步骤3.在规定时间内上传目标数据文件；
步骤4.通知云服务器目标数据文件上传完成；
步骤5，检查是否有新的上传任务等待，若有，继续执行步骤1；若无，继续等待新的上传任务加入。
4.根据权利要求1中所述的一种基于云平台的医疗影像阅片系统，其特征在于：所述深度学习标准化与分析模块在调度深度学习系统分析时包括以下步骤：
步骤1.云平台调度深度学习系统下载云服务器中已上传的影像数据；
步骤2.深度学习系统调用相应的超分辨率重建算法，如SRGAN，进行影像标准化处理，将所得的影像数据优化重建。
步骤3.深度学习系统开始调用相应的算法进行影像数据分析，获得分析结果。
步骤4.将数据分析的结果上传至云服务器，并通知云服务器分析完成。
5.根据权利要求1中所述的一种基于云平台的医疗影像阅片系统，其特征在于：所述转诊会诊建议模块在建议分析时包括以下步骤：
步骤1.云平台获取深度学习标准化与分析模块分析所得的医学影像分析结果和云平台中存储的相关医疗机构数据，其中医学影像的分析结果包括病理切片的癌变等级、CT图、MRI图的病变类别，病变等级，医疗机构数据包括医疗机构的相对距离、医疗强项、医疗等级、床位余量，另外云平台合作的各医疗机构有关该病例的相关检查数据也会被调取，包括常规检查、实验室生化检查，共同分析；
步骤2.转诊会诊建议模块分为转诊建议模块和会诊建议模块，当云平台所得影像及其他医疗数据分析结果认为需要多科室会诊的病例，会诊建议模块会被调用，采用决策树、支持向量机、随机森林的算法，对涉及不同科室病情的等级打分，最后使用分数阈值方法进行决策，当超过某一阈值则会建议联合该科室一同会诊；
步骤3.转诊会诊建议模块分为转诊建议模块和会诊建议模块，当云平台所得影像及其他医疗数据分析结果认为该病例需要上级医疗机构的治疗，或者初步治疗已完全，需要向下级医疗机构转诊康复，转诊建议模块会被调用，采用决策树、支持向量机、随机森林的算法，对该病例各个科室相关的治疗难度进行打分，在向上级或下级转诊时，在能够胜任该病例的医疗机构中以转诊代价最小化为目标进行转诊推荐，评估的相关指标包括转诊机构相对距离、转诊紧迫程度、转诊目标机构的容纳能力；
步骤4.转诊会诊建议模块将建议结果回传云服务器，由云服务器存储和反馈给用户。
6.根据权利要求1中所述的一种基于云平台的医疗影像阅片系统，其特征在于：所述医生复核模块在医生复核时包括以下步骤：
步骤1.提供相应的复核类型选项，如选自使用固定形状、不规则线条圈划病变区域，修正参考良恶性结果、分级结果中的一种或多种。
步骤2.根据相应的复核选项，提供简单的标注工具辅助医生的复核标注。
7.根据权利要求1中所述的一种基于云平台的医疗影像阅片系统，其特征在于：所述医生复核模块还提供实时保存功能。
8.根据权利要求1中所述的一种基于云平台的医疗影像阅片系统，其特征在于：所述查询模块在医生查询数据时包括以下步骤：
步骤1.医生或其他有权限人员通过登录账户进入查询界面。
步骤2.查询模块提供多关键词查询，如病历编号，影像类型，来源医院，拍摄器官，病变类型中的一种或多种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910135039.7A CN109903839A (zh) | 2019-02-22 | 2019-02-22 | 一种基于云平台的医疗影像阅片系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910135039.7A CN109903839A (zh) | 2019-02-22 | 2019-02-22 | 一种基于云平台的医疗影像阅片系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109903839A true CN109903839A (zh) | 2019-06-18 |
Family
ID=66945298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910135039.7A Pending CN109903839A (zh) | 2019-02-22 | 2019-02-22 | 一种基于云平台的医疗影像阅片系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109903839A (zh) |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107845427A (zh) * | 2017-10-18 | 2018-03-27 | 北京航空航天大学 | 一种以甲状腺超声图像自动诊断为特色的医疗社交app |
| CN110265144A (zh) * | 2019-07-01 | 2019-09-20 | 边源医疗科技(杭州)有限公司 | 基于医生反馈的医学人工智能应用评价系统 |
| CN110782960A (zh) * | 2019-10-18 | 2020-02-11 | 宁波江丰生物信息技术有限公司 | 一种数字病理远程会诊系统及方法 |
| CN110957032A (zh) * | 2019-12-31 | 2020-04-03 | 重庆亚德科技股份有限公司 | 一种中医远程医疗诊断系统 |
| CN111091893A (zh) * | 2019-10-31 | 2020-05-01 | 深圳兰丁医学检验实验室 | 一种基于人工智能细胞学辅助诊断系统 |
| CN111105872A (zh) * | 2019-12-06 | 2020-05-05 | 广州柏视医疗科技有限公司 | 医学影像人工智能辅助诊断系统与pacs的交互方法与装置 |
| CN111128346A (zh) * | 2019-11-04 | 2020-05-08 | 宁波江丰生物信息技术有限公司 | 一种数字切片云系统 |
| CN111179252A (zh) * | 2019-12-30 | 2020-05-19 | 山东大学齐鲁医院 | 基于云平台的消化道病灶辅助识别与正反馈系统 |
| CN111415726A (zh) * | 2020-03-13 | 2020-07-14 | 远影医疗信息科技（北京）有限公司 | 医疗数据信息数字影像数据云存储方法 |
| CN111785364A (zh) * | 2020-06-15 | 2020-10-16 | 杭州思柏信息技术有限公司 | 一种互联网+宫颈图像智能辅助阅片方法及辅助阅片系统 |
| CN111899214A (zh) * | 2020-06-12 | 2020-11-06 | 西安交通大学 | 一种病理切片扫描分析装置及病理切片扫描方法 |
| CN112397179A (zh) * | 2020-12-30 | 2021-02-23 | 浙江省肿瘤医院 | 一种医用心电图智能分析系统及分析方法 |
| CN112447280A (zh) * | 2021-01-08 | 2021-03-05 | 深圳坐标软件集团有限公司 | 一种用于医学影像信息管理的智慧医疗系统 |
| WO2021081772A1 (zh) * | 2019-10-29 | 2021-05-06 | 未艾医疗技术(深圳)有限公司 | 基于vrds ai脑部影像的分析方法和相关装置 |
| CN112967253A (zh) * | 2021-03-08 | 2021-06-15 | 中国计量大学 | 一种基于深度学习的宫颈癌细胞检测方法 |
| CN113035324A (zh) * | 2021-03-19 | 2021-06-25 | 重庆金山医疗器械有限公司 | 一种胶囊内镜在线阅片系统及阅片方法 |
| CN113053494A (zh) * | 2019-12-27 | 2021-06-29 | 无锡祥生医疗科技股份有限公司 | 基于人工智能的pacs系统及其设计方法 |
| CN113409953A (zh) * | 2021-06-21 | 2021-09-17 | 数坤(北京)网络科技股份有限公司 | 信息处理方法、装置、存储介质及电子设备 |
| CN113537214A (zh) * | 2021-07-16 | 2021-10-22 | 浙江工业大学 | 一种基于Faster R-CNN和SRGAN的相位奇点自动识别方法 |
| CN113571162A (zh) * | 2021-07-19 | 2021-10-29 | 蓝网科技股份有限公司 | 一种多用户协同操作医学影像的实现方法、装置及系统 |
| CN113570655A (zh) * | 2021-06-22 | 2021-10-29 | 厦门理工学院 | 一种肿瘤恶化程度的识别方法、装置、设备和存储介质 |
| CN113707289A (zh) * | 2021-07-16 | 2021-11-26 | 联影智能医疗科技(北京)有限公司 | 医学人工智能平台及其搭建方法 |
| TWI774982B (zh) * | 2019-09-03 | 2022-08-21 | 宏碁股份有限公司 | 醫療資源整合系統、計算機裝置及醫療資源整合方法 |
| WO2022229968A1 (en) * | 2021-04-29 | 2022-11-03 | Lovely Professional University | A web based framework for easy and fast ai deployment |
| CN115295172A (zh) * | 2022-06-30 | 2022-11-04 | 惠众健康科技(苏州)有限公司 | 一种云加端智能辅助系统及方法 |
| CN115312180A (zh) * | 2022-06-30 | 2022-11-08 | 惠众健康科技(苏州)有限公司 | 肺结节云加端辅助诊疗评估系统及方法 |
| CN115985443A (zh) * | 2022-11-18 | 2023-04-18 | 南方医科大学珠江医院 | 一种适用于影像诊断图像智能分层标签化审核的报告质控系统 |
| CN117238452A (zh) * | 2023-10-08 | 2023-12-15 | 中世康恺科技有限公司 | 一种区域医学影像云及检查检验结果互认共享平台 |
| CN118285846A (zh) * | 2024-06-06 | 2024-07-05 | 之江实验室 | 一种通用的超声ct虚拟孪生成像方法和系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103077494A (zh) * | 2013-01-09 | 2013-05-01 | 北京中科金财科技股份有限公司 | 一种动态数据处理评估方法及系统 |
| CN105138816A (zh) * | 2015-07-23 | 2015-12-09 | 杭州电子科技大学 | 基于云计算的乳腺钼靶计算机辅助检测及远程诊断系统 |
| CN105162880A (zh) * | 2015-09-24 | 2015-12-16 | 江苏大学附属医院 | 一种acs区域化协同救治网络系统及其辅助决策方法 |
| CN106778037A (zh) * | 2017-01-12 | 2017-05-31 | 武汉兰丁医学高科技有限公司 | 一种基于细胞图像云服务器诊断的分析方法 |
| CN107358055A (zh) * | 2017-07-21 | 2017-11-17 | 湖州师范学院 | 智能辅助诊断系统 |
| CN107563383A (zh) * | 2017-08-24 | 2018-01-09 | 杭州健培科技有限公司 | 一种医学影像辅助诊断及半监督样本生成系统 |
| CN108305674A (zh) * | 2018-01-03 | 2018-07-20 | 山西百得科技开发股份有限公司 | 一种基于云计算的医疗转诊平台 |
| CN108630303A (zh) * | 2018-04-28 | 2018-10-09 | 江苏医像信息技术有限公司 | 云标注系统 |
| CN108648786A (zh) * | 2018-05-16 | 2018-10-12 | 上海术木医疗科技有限公司 | 一种基于第三方业务的医疗云平台数据共享系统及方法 |
| CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
-
2019
- 2019-02-22 CN CN201910135039.7A patent/CN109903839A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103077494A (zh) * | 2013-01-09 | 2013-05-01 | 北京中科金财科技股份有限公司 | 一种动态数据处理评估方法及系统 |
| CN105138816A (zh) * | 2015-07-23 | 2015-12-09 | 杭州电子科技大学 | 基于云计算的乳腺钼靶计算机辅助检测及远程诊断系统 |
| CN105162880A (zh) * | 2015-09-24 | 2015-12-16 | 江苏大学附属医院 | 一种acs区域化协同救治网络系统及其辅助决策方法 |
| CN106778037A (zh) * | 2017-01-12 | 2017-05-31 | 武汉兰丁医学高科技有限公司 | 一种基于细胞图像云服务器诊断的分析方法 |
| CN107358055A (zh) * | 2017-07-21 | 2017-11-17 | 湖州师范学院 | 智能辅助诊断系统 |
| CN107563383A (zh) * | 2017-08-24 | 2018-01-09 | 杭州健培科技有限公司 | 一种医学影像辅助诊断及半监督样本生成系统 |
| CN108305674A (zh) * | 2018-01-03 | 2018-07-20 | 山西百得科技开发股份有限公司 | 一种基于云计算的医疗转诊平台 |
| CN108630303A (zh) * | 2018-04-28 | 2018-10-09 | 江苏医像信息技术有限公司 | 云标注系统 |
| CN108648786A (zh) * | 2018-05-16 | 2018-10-12 | 上海术木医疗科技有限公司 | 一种基于第三方业务的医疗云平台数据共享系统及方法 |
| CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
Cited By (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107845427A (zh) * | 2017-10-18 | 2018-03-27 | 北京航空航天大学 | 一种以甲状腺超声图像自动诊断为特色的医疗社交app |
| CN110265144A (zh) * | 2019-07-01 | 2019-09-20 | 边源医疗科技(杭州)有限公司 | 基于医生反馈的医学人工智能应用评价系统 |
| TWI774982B (zh) * | 2019-09-03 | 2022-08-21 | 宏碁股份有限公司 | 醫療資源整合系統、計算機裝置及醫療資源整合方法 |
| CN110782960A (zh) * | 2019-10-18 | 2020-02-11 | 宁波江丰生物信息技术有限公司 | 一种数字病理远程会诊系统及方法 |
| WO2021081772A1 (zh) * | 2019-10-29 | 2021-05-06 | 未艾医疗技术(深圳)有限公司 | 基于vrds ai脑部影像的分析方法和相关装置 |
| CN111091893A (zh) * | 2019-10-31 | 2020-05-01 | 深圳兰丁医学检验实验室 | 一种基于人工智能细胞学辅助诊断系统 |
| CN111128346A (zh) * | 2019-11-04 | 2020-05-08 | 宁波江丰生物信息技术有限公司 | 一种数字切片云系统 |
| CN111105872A (zh) * | 2019-12-06 | 2020-05-05 | 广州柏视医疗科技有限公司 | 医学影像人工智能辅助诊断系统与pacs的交互方法与装置 |
| CN113053494B (zh) * | 2019-12-27 | 2023-11-21 | 无锡祥生医疗科技股份有限公司 | 基于人工智能的pacs系统及其设计方法 |
| CN113053494A (zh) * | 2019-12-27 | 2021-06-29 | 无锡祥生医疗科技股份有限公司 | 基于人工智能的pacs系统及其设计方法 |
| CN111179252A (zh) * | 2019-12-30 | 2020-05-19 | 山东大学齐鲁医院 | 基于云平台的消化道病灶辅助识别与正反馈系统 |
| CN110957032A (zh) * | 2019-12-31 | 2020-04-03 | 重庆亚德科技股份有限公司 | 一种中医远程医疗诊断系统 |
| CN111415726A (zh) * | 2020-03-13 | 2020-07-14 | 远影医疗信息科技（北京）有限公司 | 医疗数据信息数字影像数据云存储方法 |
| CN111899214A (zh) * | 2020-06-12 | 2020-11-06 | 西安交通大学 | 一种病理切片扫描分析装置及病理切片扫描方法 |
| CN111785364A (zh) * | 2020-06-15 | 2020-10-16 | 杭州思柏信息技术有限公司 | 一种互联网+宫颈图像智能辅助阅片方法及辅助阅片系统 |
| CN112397179A (zh) * | 2020-12-30 | 2021-02-23 | 浙江省肿瘤医院 | 一种医用心电图智能分析系统及分析方法 |
| CN112447280A (zh) * | 2021-01-08 | 2021-03-05 | 深圳坐标软件集团有限公司 | 一种用于医学影像信息管理的智慧医疗系统 |
| CN112967253A (zh) * | 2021-03-08 | 2021-06-15 | 中国计量大学 | 一种基于深度学习的宫颈癌细胞检测方法 |
| CN113035324A (zh) * | 2021-03-19 | 2021-06-25 | 重庆金山医疗器械有限公司 | 一种胶囊内镜在线阅片系统及阅片方法 |
| CN113035324B (zh) * | 2021-03-19 | 2024-05-24 | 重庆金山医疗技术研究院有限公司 | 一种胶囊内镜在线阅片系统及阅片方法 |
| WO2022229968A1 (en) * | 2021-04-29 | 2022-11-03 | Lovely Professional University | A web based framework for easy and fast ai deployment |
| CN113409953A (zh) * | 2021-06-21 | 2021-09-17 | 数坤(北京)网络科技股份有限公司 | 信息处理方法、装置、存储介质及电子设备 |
| CN113570655A (zh) * | 2021-06-22 | 2021-10-29 | 厦门理工学院 | 一种肿瘤恶化程度的识别方法、装置、设备和存储介质 |
| CN113707289B (zh) * | 2021-07-16 | 2023-11-10 | 联影智能医疗科技(北京)有限公司 | 医学人工智能平台及其搭建方法 |
| CN113707289A (zh) * | 2021-07-16 | 2021-11-26 | 联影智能医疗科技(北京)有限公司 | 医学人工智能平台及其搭建方法 |
| CN113537214A (zh) * | 2021-07-16 | 2021-10-22 | 浙江工业大学 | 一种基于Faster R-CNN和SRGAN的相位奇点自动识别方法 |
| CN113571162B (zh) * | 2021-07-19 | 2024-02-06 | 蓝网科技股份有限公司 | 一种多用户协同操作医学影像的实现方法、装置及系统 |
| CN113571162A (zh) * | 2021-07-19 | 2021-10-29 | 蓝网科技股份有限公司 | 一种多用户协同操作医学影像的实现方法、装置及系统 |
| CN115312180A (zh) * | 2022-06-30 | 2022-11-08 | 惠众健康科技(苏州)有限公司 | 肺结节云加端辅助诊疗评估系统及方法 |
| CN115295172A (zh) * | 2022-06-30 | 2022-11-04 | 惠众健康科技(苏州)有限公司 | 一种云加端智能辅助系统及方法 |
| CN115985443A (zh) * | 2022-11-18 | 2023-04-18 | 南方医科大学珠江医院 | 一种适用于影像诊断图像智能分层标签化审核的报告质控系统 |
| CN117238452A (zh) * | 2023-10-08 | 2023-12-15 | 中世康恺科技有限公司 | 一种区域医学影像云及检查检验结果互认共享平台 |
| CN117238452B (zh) * | 2023-10-08 | 2024-05-17 | 中世康恺科技有限公司 | 一种区域医学影像云及检查检验结果互认共享平台 |
| CN118285846A (zh) * | 2024-06-06 | 2024-07-05 | 之江实验室 | 一种通用的超声ct虚拟孪生成像方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109903839A (zh) | 一种基于云平台的医疗影像阅片系统 | |
| Christe et al. | Computer-aided diagnosis of pulmonary fibrosis using deep learning and CT images | |
| RU2752463C2 (ru) | Способы и методы сбора, предоставления и управления информацией о медицинских диагностических процедурах | |
| CN112086197B (zh) | 基于超声医学的乳腺结节检测方法及系统 | |
| US20070106533A1 (en) | Medical practice pattern tool | |
| US10977796B2 (en) | Platform for evaluating medical information and method for using the same | |
| Li et al. | Auxiliary diagnosis of developmental dysplasia of the hip by automated detection of Sharp's angle on standardized anteroposterior pelvic radiographs | |
| CN117501375A (zh) | 用于人工智能辅助图像分析的系统和方法 | |
| US11387002B2 (en) | Automated cancer registry record generation | |
| CN110136837A (zh) | 一种医疗数据处理平台 | |
| CN107506585A (zh) | 区域医疗检查影像在线处理系统及方法 | |
| Pavlov et al. | Reference medical datasets (MosMedData) for independent external evaluation of algorithms based on artificial intelligence in diagnostics | |
| CN112802000A (zh) | 多模态医学影像智能辅助诊疗系统 | |
| Zhang et al. | Multistep Automated Data Labelling Procedure (MADLaP) for thyroid nodules on ultrasound: An artificial intelligence approach for automating image annotation | |
| Cheng et al. | Dr. Pecker: A Deep Learning-Based Computer-Aided Diagnosis System in Medical Imaging | |
| CN112397178A (zh) | 一种基于人工智能的医学影像分类处理系统 | |
| CN107610783A (zh) | 一种脑肿瘤信息平台 | |
| Corvò et al. | Visual analytics in digital pathology: Challenges and opportunities | |
| CN116779092A (zh) | 一种医学报告生成方法与系统 | |
| US20200176107A1 (en) | Device, system, and method for optimizing image acquisition workflows | |
| TW201633249A (zh) | 具可擴充性之醫療資料收集系統及其方法 | |
| Dubey et al. | Integration of CAD into PACS | |
| Nour | Artificial intelligence (AI) for improving performance at the cutting edge of medical imaging | |
| Wang et al. | Standardization of AI Products for Medical Imaging Processing | |
| CN112530580A (zh) | 医疗影像图片的处理方法和计算机可读存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190618 |