CN110136826A - 基于深度学习的智能医疗辅助诊断系统 - Google Patents
基于深度学习的智能医疗辅助诊断系统 Download PDFInfo
- Publication number
- CN110136826A CN110136826A CN201910367719.1A CN201910367719A CN110136826A CN 110136826 A CN110136826 A CN 110136826A CN 201910367719 A CN201910367719 A CN 201910367719A CN 110136826 A CN110136826 A CN 110136826A
- Authority
- CN
- China
- Prior art keywords
- host computer
- blood
- module
- segmentation
- dnn
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 239000008280 blood Substances 0.000 claims abstract description 64
- 210000004369 blood Anatomy 0.000 claims abstract description 64
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000004159 blood analysis Methods 0.000 claims abstract description 23
- 238000004891 communication Methods 0.000 claims abstract description 13
- 239000003814 drug Substances 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 19
- 239000000126 substance Substances 0.000 claims description 19
- 206010011469 Crying Diseases 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000003825 pressing Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
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
- 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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于深度学习的智能医疗辅助诊断系统，涉及智能医疗技术领域。本发明包括会诊室上位机、化验室上位机、阅片室上位机、抽血挂号机、血液化验检测仪以及CT仪器；会诊室上位机分别与化验室上位机、阅片室上位机无线通讯连接；化验室上位机与血液化验检测仪通讯连接；阅片室上位机与CT仪器通讯连接。本发明通过化验室上位机的DNN预测模块采用DNN特征模型获取血检分析结果，同时阅片室上位机U‑net模型分割模块采用U‑net模型对CT影像进行分割处理获取分割图，最后会诊室上位机的辅助诊断模块根据血检分析结果、CT影像及其分割图结合医学知识数据库分析患病概率，减少诊断难度，降低误诊概率，提高诊断正确率。
Description
技术领域
本发明属于智能医疗技术领域，特别是涉及一种基于深度学习的智能医疗辅助诊断系统。
背景技术
近些年来，随着深度学习在人工智能领域掀起一波又一波的浪潮，使得不少其他学科得到可突破性的发展。在医疗领域方面，以往的医疗诊断主要依靠医生的主观判断，诊断准确性取决于医生的知识水平和经验，缺乏精准的量化分析。以医学影像CT为例，即使经验丰富的医生也很难精确的区别所有病患区域和正常区域，给诊断造成困难的同时，也耽误病人后期的治疗甚至影响手术。现在，基于深度学习的分类、检测和分割由于及极高的精准性，已经广泛应用于各种医疗诊断中，为医生的精准治疗提供了有效的帮助。
基于此，本发明提出了一种基于深度学习的智能医疗辅助诊断系统，利用血液检查获得的信息和CT影像，在深度学习框架下搭建DNN神经网络模型和U-net神经网络模型并进行训练，将训练好的模型参数导出，并用患者的血检信息和CT影像作为测试输入进行测试，将测试的结果输入至专家系统进行推断获得诊断结果。相比于传统人工诊断方法，该系统具有自动、快速、高效、精确的特点。使用DNN网络进行血检病患分类，可以获得患病概率的量化信息。U-net网络分割CT影像，可以辅助医生判断病灶区域，避免肉眼判别带来的误差。专家系统能够有效的根据本学科专业知识进行推断和决策，能够弥补医生经验不足的缺点。
发明内容
本发明的目的在于提供基于深度学习的智能医疗辅助诊断系统，通过化验室上位机的DNN预测模块采用DNN特征模型获取血检分析结果，同时阅片室上位机U-net模型分割模块采用U-net模型对CT影像进行分割处理获取分割图，最后会诊室上位机的辅助诊断模块根据血检分析结果、CT影像及其分割图结合医学知识数据库分析患病概率，提高诊断正确率。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为基于深度学习的智能医疗辅助诊断系统，包括：会诊室上位机、化验室上位机、阅片室上位机、抽血挂号机、血液化验检测仪以及CT仪器；
所述会诊室上位机分别与化验室上位机、阅片室上位机无线通讯连接；其中，通过TL-WDR5660千兆版路由器建立会诊室上位机分别与化验室上位机、阅片室上位机之间的无线通讯连接，具有覆盖范围广、传输速度快、信号稳定的优点；所述化验室上位机与血液化验检测仪通讯连接；所述阅片室上位机与CT仪器通讯连接；
所述抽血挂号机分别与语音播报器以及若干LED显示屏通讯连接；其中，所述语音播报器为Yiroka WT-PS型语音播报器；所述抽血挂号机将患者信息存储到挂号队列中并存储；所述抽血挂号机还与若干喊号按钮电性连接；当按下所述喊号按钮后，所述喊号按钮传递喊号信号至抽血挂号机；所述抽血挂号机获取挂号队列的队头序号并传递至语音播报器，所述语音播报器对所述队头序号喊号；其中，所述抽血挂号机采用KER医疗自助挂号机，采用采血针进行抽血并采用真空采血管收集血液；
所述抽血挂号机还传递挂号序列至所述血液化验检测仪；所述血液化验检测仪根据挂号序列依次对患者血液样本化验检测并获得化验检测数据；所述血液化验检测仪传递患者信息及其对应的化验检测数据至化验室上位机，其中，所述血液化验检测仪采用WD-320(吉林维尔)型号的全自动生化分析仪；
所述化验室上位机包括数据预处理模块以及DNN预测模块；所述数据预处理模块对化验检测数据进行特征提取获取特征向量；所述数据预处理模块传递特征向量至所述DNN预测模块；所述DNN预测模块对比血检病例库中的DNN特征模型获取血检分析结果；所述化验室上位机传递患者信息及其对应的血检分析结果至会诊室上位机；
所述CT仪器对患者进行扫描获取CT影像；所述CT仪器将患者信息及其对应的CT影像传递至阅片室上位机；所述阅片室上位机包括图像预处理模块以及U-net模型分割模块；所述图像预处理模块对CT影像进行滤波预处理；所述U-net模型分割模块采用U-net模型对CT影像进行分割处理获取分割图；所述阅片室上位机传递患者信息及其对应的CT影像以及分割图至会诊室上位机；
所述会诊室上位机包括辅助诊断模块；所述辅助诊断模块根据血检分析结果、CT影像及其分割图结合医学知识数据库分析患病概率。
优选地，所述喊号按钮以及LED显示屏与抽血窗口对应；所述抽血挂号机还将挂号队列的队头序号传递至对应窗口的LED显示屏显示。
优选地，所述化验室上位机还包括DNN训练模块；所述数据预处理模块获取训练集中的化验检测数据并进行特征提取获取训练特征向量；所述训练模块对DNN特征模型初始化参数后，通过所述训练特征向量对DNN特征模型训练并存储训练好的DNN特征模型至血检病例库中；所述化验室上位机为一台Dell XPS8930高性能台式主机完成，并配置和编译了Tensorflow深度学习框架，其模型训练速度和测试速度快，能够在极短的时间内获得预测结果。在Dell XPS8930台式机中使用Tensorflow框架建立7层的DNN特征模型，初始化权重、偏置和学习率等参数后；载入化验检测数据作为训练数据对DNN特征模型不断迭代训练直至收敛，获得训练好的网络模型参数。在测试阶段，将患者的化验检测数据作为测试集，加载DNN特征模型和训练好的模型参数，预测出患者的病况将病况概率图显示在显示器上。
优选地，所述阅片室上位机还包括U-net模型训练模块；所述图像预处理模块对CT影像进行预分割获取预分割图；所述图像预处理模块将CT影像作为原图、预分割图作为标签图传递至U-net模型训练模块；所述U-net模型训练模块将原图以及预分割图输入到搭建好的U-net模型进行训练并获得训练好的U-net模型；所述阅片室上位机是由一台配置了Tensorflow环境的Dell XPS8930高性能台式主机过程。在Tensorflow框架下建立U-net模型，所述U-net模型是一种全卷积神经网络，能够高效、精确的进行图像有监督的语义分割，常用于医疗图像分割中；在初始化参数后，将CT影像及对应的分割图分别作为原图和标签图输入到U-net模型不断迭代训练直至收敛，得到训练好的U-net模型。使用训练好的U-net模型对CT仪器传入的CT图像进行分割，并将原CT图像和分割图发送至会诊室上位机。U-net模型具有深层次、高效率、高精度的特点，能够精确的分割出病患区域，为医生诊断提供量化信息，减少诊断难度，降低误诊概率。
本发明具有以下有益效果：
本发明通过化验室上位机的DNN预测模块采用DNN特征模型获取血检分析结果，同时阅片室上位机U-net模型分割模块采用U-net模型对CT影像进行分割处理获取分割图，最后会诊室上位机的辅助诊断模块根据血检分析结果、CT影像及其分割图结合医学知识数据库分析患病概率，减少诊断难度，降低误诊概率，提高诊断正确率。
当然，实施本发明的任一产品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的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于深度学习的智能医疗辅助诊断系统的结构示意图。
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清楚、完整地描述，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
具体实施例一：
请参阅图1所示，本发明为基于深度学习的智能医疗辅助诊断系统，包括：会诊室上位机、化验室上位机、阅片室上位机、抽血挂号机、血液化验检测仪以及CT仪器；
会诊室上位机分别与化验室上位机、阅片室上位机无线通讯连接；其中，通过TL-WDR5660千兆版路由器建立会诊室上位机分别与化验室上位机、阅片室上位机之间的无线通讯连接，具有覆盖范围广、传输速度快、信号稳定的优点；化验室上位机与血液化验检测仪通讯连接；阅片室上位机与CT仪器通讯连接；
抽血挂号机分别与语音播报器以及若干LED显示屏通讯连接；其中，语音播报器为YirokaWT-PS型语音播报器；抽血挂号机将患者信息存储到挂号队列中并存储；抽血挂号机还与若干喊号按钮电性连接；当按下喊号按钮后，喊号按钮传递喊号信号至抽血挂号机；抽血挂号机获取挂号队列的队头序号并传递至语音播报器，语音播报器对队头序号喊号；其中，抽血挂号机采用KER医疗自助挂号机，采用采血针进行抽血并采用真空采血管收集血液；
抽血挂号机还传递挂号序列至血液化验检测仪；血液化验检测仪根据挂号序列依次对患者血液样本化验检测并获得化验检测数据；血液化验检测仪传递患者信息及其对应的化验检测数据至化验室上位机，其中，血液化验检测仪采用WD-320(吉林维尔)型号的全自动生化分析仪；
化验室上位机包括数据预处理模块以及DNN预测模块；数据预处理模块对化验检测数据进行特征提取获取特征向量；数据预处理模块传递特征向量至DNN预测模块；DNN预测模块对比血检病例库中的DNN特征模型获取血检分析结果；化验室上位机传递患者信息及其对应的血检分析结果至会诊室上位机；
CT仪器对患者进行扫描获取CT影像；CT仪器将患者信息及其对应的CT影像传递至阅片室上位机；阅片室上位机包括图像预处理模块以及U-net模型分割模块；图像预处理模块对CT影像进行滤波预处理；U-net模型分割模块采用U-net模型对CT影像进行分割处理获取分割图；阅片室上位机传递患者信息及其对应的CT影像以及分割图至会诊室上位机；
会诊室上位机包括辅助诊断模块；辅助诊断模块根据血检分析结果、CT影像及其分割图结合医学知识数据库分析患病概率。
优选地，喊号按钮以及LED显示屏与抽血窗口对应；抽血挂号机还将挂号队列的队头序号传递至对应窗口的LED显示屏显示。
优选地，化验室上位机还包括DNN训练模块；数据预处理模块获取训练集中的化验检测数据并进行特征提取获取训练特征向量；训练模块对DNN特征模型初始化参数后，通过训练特征向量对DNN特征模型训练并存储训练好的DNN特征模型至血检病例库中；化验室上位机为一台Dell XPS8930高性能台式主机完成，并配置和编译了Tensorflow深度学习框架，其模型训练速度和测试速度快，能够在极短的时间内获得预测结果。在Dell XPS8930台式机中使用Tensorflow框架建立7层的DNN特征模型，初始化权重、偏置和学习率等参数后；载入化验检测数据作为训练数据对DNN特征模型不断迭代训练直至收敛，获得训练好的网络模型参数。在测试阶段，将患者的化验检测数据作为测试集，加载DNN特征模型和训练好的模型参数，预测出患者的病况将病况概率图显示在显示器上。
优选地，阅片室上位机还包括U-net模型训练模块；图像预处理模块对CT影像进行预分割获取预分割图；图像预处理模块将CT影像作为原图、预分割图作为标签图传递至U-net模型训练模块；U-net模型训练模块将原图以及预分割图输入到搭建好的U-net模型进行训练并获得训练好的U-net模型；阅片室上位机是由一台配置了Tensorflow环境的DellXPS8930高性能台式主机过程。在Tensorflow框架下建立U-net模型，U-net模型是一种全卷积神经网络，能够高效、精确的进行图像有监督的语义分割，常用于医疗图像分割中；在初始化参数后，将CT影像及对应的分割图分别作为原图和标签图输入到U-net模型不断迭代训练直至收敛，得到训练好的U-net模型。使用训练好的U-net模型对CT仪器传入的CT图像进行分割，并将原CT图像和分割图发送至会诊室上位机。U-net模型具有深层次、高效率、高精度的特点，能够精确的分割出病患区域，为医生诊断提供量化信息，减少诊断难度，降低误诊概率。
本发明在具体使用过程中，具体如下步骤：
患者使用抽血挂号机挂号，在语音播报器提醒后去指定窗口进行抽血，医院使用血液化验检测仪检测血液并将化验检测数据发送至化验室上位机进行分析；
化验室上位机接收到化验检测数据，在TensorFlow框架下建立神经网络DNN特征模型并进行训练和测试返回患者的病况信息，将病况信息发送至会诊室上位机。
使用CT仪器获取患者的CT影像，并发送至阅片室上位机进行分析；阅片室上位机接收到CT影像，建立卷积神经网络U-net模型并进行训练和分割返回患者的CT分割结果，将CT影像和分割结果发送至会诊室上位机。
会诊室上位机接受化验检测数据和CT影像及其分割结果，通过推断程序和医学数据库判断患者最终情况，返回诊断结果、建议和意见并显示在显示器上，作为辅助参考。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (4)
1.基于深度学习的智能医疗辅助诊断系统，其特征在于，包括：会诊室上位机、化验室上位机、阅片室上位机、抽血挂号机、血液化验检测仪以及CT仪器；
所述会诊室上位机分别与化验室上位机、阅片室上位机无线通讯连接；所述化验室上位机与血液化验检测仪通讯连接；所述阅片室上位机与CT仪器通讯连接；
所述抽血挂号机分别与语音播报器以及若干LED显示屏通讯连接；所述抽血挂号机将患者信息存储到挂号队列中并存储；所述抽血挂号机还与若干喊号按钮电性连接；当按下所述喊号按钮后，所述喊号按钮传递喊号信号至抽血挂号机；所述抽血挂号机获取挂号队列的队头序号并传递至语音播报器，所述语音播报器对所述队头序号喊号；
所述抽血挂号机还传递挂号序列至所述血液化验检测仪；所述血液化验检测仪根据挂号序列依次对患者血液样本化验检测并获得化验检测数据；所述血液化验检测仪传递患者信息及其对应的化验检测数据至化验室上位机；
所述化验室上位机包括数据预处理模块以及DNN预测模块；所述数据预处理模块对化验检测数据进行特征提取获取特征向量；所述数据预处理模块传递特征向量至所述DNN预测模块；所述DNN预测模块对比血检病例库中的DNN特征模型获取血检分析结果；所述化验室上位机传递患者信息及其对应的血检分析结果至会诊室上位机；
所述CT仪器对患者进行扫描获取CT影像；所述CT仪器将患者信息及其对应的CT影像传递至阅片室上位机；所述阅片室上位机包括图像预处理模块以及U-net模型分割模块；所述图像预处理模块对CT影像进行滤波预处理；所述U-net模型分割模块采用U-net模型对CT影像进行分割处理获取分割图；所述阅片室上位机传递患者信息及其对应的CT影像以及分割图至会诊室上位机；
所述会诊室上位机包括辅助诊断模块；所述辅助诊断模块根据血检分析结果、CT影像及其分割图结合医学知识数据库分析患病概率。
2.根据权利要求1所述的基于深度学习的智能医疗辅助诊断系统，其特征在于，所述喊号按钮以及LED显示屏与抽血窗口对应；所述抽血挂号机还将挂号队列的队头序号传递至对应窗口的LED显示屏显示。
3.根据权利要求1所述的基于深度学习的智能医疗辅助诊断系统，其特征在于，所述化验室上位机还包括DNN训练模块；所述数据预处理模块获取训练集中的化验检测数据并进行特征提取获取训练特征向量；所述训练模块对DNN特征模型初始化参数后，通过所述训练特征向量对DNN特征模型训练并存储训练好的DNN特征模型至血检病例库中。
4.根据权利要求1所述的基于深度学习的智能医疗辅助诊断系统，其特征在于，所述阅片室上位机还包括U-net模型训练模块；所述图像预处理模块对CT影像进行预分割获取预分割图；所述图像预处理模块将CT影像作为原图、预分割图作为标签图传递至U-net模型训练模块；所述U-net模型训练模块将原图以及预分割图输入到搭建好的U-net模型进行训练并获得训练好的U-net模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910367719.1A CN110136826A (zh) | 2019-05-05 | 2019-05-05 | 基于深度学习的智能医疗辅助诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910367719.1A CN110136826A (zh) | 2019-05-05 | 2019-05-05 | 基于深度学习的智能医疗辅助诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110136826A true CN110136826A (zh) | 2019-08-16 |
Family
ID=67576133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910367719.1A Pending CN110136826A (zh) | 2019-05-05 | 2019-05-05 | 基于深度学习的智能医疗辅助诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110136826A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114093467A (zh) * | 2021-09-09 | 2022-02-25 | 四川大学华西医院 | 一种脑卒中一站式ct自动结构化报告系统及其方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN2764305Y (zh) * | 2005-01-10 | 2006-03-15 | 上海德安生物医学工程有限公司 | 脑血管系统功能及脑循环动力学分析仪器 |
| 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 |
| CN107680088A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术（北京）有限公司 | 用于分析医学影像的方法和装置 |
| CN108399951A (zh) * | 2018-03-12 | 2018-08-14 | 东南大学 | 呼吸机相关性肺炎决策辅助方法、装置、设备及介质 |
-
2019
- 2019-05-05 CN CN201910367719.1A patent/CN110136826A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN2764305Y (zh) * | 2005-01-10 | 2006-03-15 | 上海德安生物医学工程有限公司 | 脑血管系统功能及脑循环动力学分析仪器 |
| 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 |
| CN107680088A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术（北京）有限公司 | 用于分析医学影像的方法和装置 |
| US20190102878A1 (en) * | 2017-09-30 | 2019-04-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for analyzing medical image |
| CN108399951A (zh) * | 2018-03-12 | 2018-08-14 | 东南大学 | 呼吸机相关性肺炎决策辅助方法、装置、设备及介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114093467A (zh) * | 2021-09-09 | 2022-02-25 | 四川大学华西医院 | 一种脑卒中一站式ct自动结构化报告系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| La Salvia et al. | Deep learning and lung ultrasound for Covid-19 pneumonia detection and severity classification | |
| Tan et al. | Non-invasive continuous blood pressure measurement based on mean impact value method, BP neural network, and genetic algorithm | |
| CN109102491A (zh) | 一种胃镜图像自动采集系统及方法 | |
| CN109920541A (zh) | 一种基于数据分析的病理诊断方法 | |
| CN110097975A (zh) | 一种基于多模型融合的医院感染智能诊断方法及系统 | |
| CN111862020B (zh) | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 | |
| Roshini et al. | Automatic diagnosis of diabetic retinopathy with the aid of adaptive average filtering with optimized deep convolutional neural network | |
| CN109614995A (zh) | 一种超声内镜下识别胰胆管和胰腺结构的系统及方法 | |
| Decaro et al. | Machine learning approach for prediction of hematic parameters in hemodialysis patients | |
| CN110731773A (zh) | 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法 | |
| CN109460717A (zh) | 消化道共聚焦激光显微内镜病变图像识别方法及装置 | |
| CN113080996A (zh) | 一种基于目标检测的心电图分析方法及装置 | |
| CN114707608B (zh) | 医疗质控数据处理方法、装置、设备、介质及程序产品 | |
| CN111028232A (zh) | 基于眼底图像的糖尿病分类方法及设备 | |
| CN110136826A (zh) | 基于深度学习的智能医疗辅助诊断系统 | |
| Parsons et al. | Automatic identification of Chagas disease vectors using data mining and deep learning techniques | |
| CN110097965A (zh) | 基于血液细胞分析仪的结果数据分析方法及装置 | |
| Ghosh et al. | A low-cost test for anemia using an artificial neural network | |
| US20040161851A1 (en) | Clinical examination analyzing device, clinical examination analyzing method and clinical examination analyzing program | |
| CN103745086A (zh) | 一种基于云计算和图像识别的即时体外诊断设备 | |
| CN108335732A (zh) | 一种oct影像的病例推荐方法及其系统 | |
| CN113171102B (zh) | 基于持续深度学习的ecg数据分类方法 | |
| CN115414049A (zh) | 一种基于深度神经网络的可穿戴心电图实时诊断系统 | |
| CN108968975A (zh) | 基于人工智能的血糖值的测量方法及设备 | |
| CN115064261A (zh) | 基于人工智能的血糖统计系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |
|
| RJ01 | Rejection of invention patent application after publication |