CN110246109B - 融合ct影像和个性化信息的分析系统、方法、装置及介质 - Google Patents
融合ct影像和个性化信息的分析系统、方法、装置及介质 Download PDFInfo
- Publication number
- CN110246109B CN110246109B CN201910404688.2A CN201910404688A CN110246109B CN 110246109 B CN110246109 B CN 110246109B CN 201910404688 A CN201910404688 A CN 201910404688A CN 110246109 B CN110246109 B CN 110246109B
- Authority
- CN
- China
- Prior art keywords
- image
- personal information
- analysis
- network
- characteristic vector
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明属于图像处理技术领域,公开了一种融合CT影像和个性化信息的分析系统、方法、装置及介质。其中系统包括:影像预处理单元,用于对输入的原始CT影像进行预处理,得到预处理后病灶图像;个性信息整合单元,用于采集、整合患者的个人信息,提取得到个人信息特征向量;影像网络单元,用于将所述预处理后病灶图像输入深度影像网络,进行监督学习,训练提取影像特征向量;融合分析网络单元,用于将所述个人信息特征向量和所述影像特征向量进行拼接,输入融合分析网络,训练输出分析结果。采用本发明,能够解决现有技术中基于CT影像分析系统的分析结果不够准确的问题。
Description
技术领域
本发明涉及影像处理技术领域,特别是涉及一种融合CT影像和个性化信息的分析系统、装置及存储介质。
背景技术
癌症是目前我国导致死亡的各种原因中排名第一的重大复杂疾病。从医学上来说,癌指的是产生于上皮组织的恶性肿瘤。一般来说,我们所说的“癌症”泛指所有恶性肿瘤。癌症具有细胞不受控生长和无限制分裂、对细胞程序性死亡的逃逸、可能侵袭或转移到其他脏器等特征,癌症的产生是一个多种因素影像、多个步骤作用的复杂生理过程。目前人们已知的癌症类型有200种以上,它们所包含的亚型就更多。根据恶性肿瘤的不同发展程度,人们将其分为不同的阶段,目前TNM分期法是世界通用的分期方法。
医生通常通过活体组织切片(biopsy)来对病灶做组织病理学的诊断,但会对人体造成一定的损伤。影像相对活检则是一种对人体损伤小的检测手段,计算机断层成像(Computed Tomography)是一种较为常见的影像诊断学的检查手段,它根据人体不同的组织有着不同的X射线吸收能力,反映人体内部的各种微小病变部位。CT影像技术具有如下的优点:无创无痛、成像时间短、成像分辨率高、图像后续处理手段丰富。人工CT诊断存在两个可能的难题:(1)读片依赖医生经验和水平;(2)如果病灶较小,医生需要长时间仔细观察,加大了医师和患者的时间成本。因此人们急需机器辅助手段来帮助解读CT影像中蕴含的信息,该研究领域被称为计算机辅助诊断(Computer Aided Diagnosis,CAD)。随着计算机视觉的发展研究,人们发现CT影像中还包含了许多肉眼难以解读的信息,这些信息可能与患者的某些临床表现甚至是基因相关联,而机器却可以解读这些信息。
近年来随着大规模数据积累和计算能力的大大提高,卷积神经网络(Convolutional Neural Network,CNN)和深度学习(Deep Learning,DL)获得了突飞猛进的发展,人们在计算机视觉领域取得了一系列卓越的成果。而医疗影像作为数字图像的一种,自2016年以来受到了深度学习技术的极大冲击,人们正在探索深度学习在这个领域的应用潜力,在一些疾病的识别任务上已经取得了很好的效果。
发明内容
本发明的目的在于提供一种融合CT影像和个性化信息的分析系统、方法、装置及介质,以解决现有技术中的分析系统的分析结果不够准确的问题。
上述目的是通过以下技术方案实现的:
根基本发明的一个方面,提供的一种融合CT影像和个性化信息的分析系统,包括:影像预处理单元,用于对输入的原始CT影像进行预处理,得到预处理后病灶图像;个性信息整合单元,用于采集、整合患者的个人信息,并对整合后数据进行处理,提取得到个人信息特征向量;影像网络单元,用于将所述预处理后病灶图像输入深度影像网络,进行监督学习,训练提取影像特征向量;融合分析网络单元,用于将所述个人信息特征向量和所述影像特征向量进行拼接,输入融合分析网络,训练输出分析结果。
优选地,该系统还包括:影像特征可视化单元,用于呈现影像网络单元的中间层输出;个性信息可视化单元,用于呈现训练后的个性信息所占权值。
更优选地,所述影像特征可视化单元中,中间层输出为反应直观征象的卷积核,所述卷积核从影像网络单元的训练过程中得到;所述个性信息可视化单元中,所述个性信息所占权值是通过将不同个人信息的分量置零并观测分析结果的变化得到。
优选地,所述个性信息整合单元包括:采集模块,用于根据患者档案报告或直接的描述,采集患者的个人信息;筛选模块,用于筛选出与分析有关的个人信息;处理模块,对筛选出的个人信息进行数字化、归一化处理;提取模块,用于从处理后的个人信息中提取出个人信息特征向量。
优选地,所述影像网络单元中,深度影像网络包括:卷积层、池化层、全连接层、以及用于用户设定添加的自定义层。
优选地,融合分析网络单元中的所述融合分析网络是普通神经网络,通过监督学习收敛后固定参数得到。
优选地,所述影像预处理单元中包括去噪模块,用于采用阈值法对输入的原始CT影像进行去噪处理。
根据本发明的另一方面,提供的一种融合CT影像和个性化信息的分析方法,该方法包括:将CT影像进行预处理,得到预处理后的病灶图像;采集患者的个人信息并进行整合,对整合后信息进行处理,提取个人信息特征向量;将所述病灶图像输入深度影像网络进行监督学习,提取影像特征向量;拼接所述个人信息特征向量和所述影像特征向量,拼接后输入融合分析网络进行训练,输出分析结果。
根据本发明的再一方面,提供的一种电子装置,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述的分析系统中的各单元或模块的功能,实现如上述的分析方法中的步骤。
根据本发明的还一方面,提供的一种计算机可读存储介质,包括计算机程序,所述计算机程序被处理器执行时,实现如上述的分析系统中的各单元或模块的功能,实现如上述的分析方法中的步骤。
本发明融合CT影像和个性化信息的分析系统、方法、装置及介质与现有技术相比具有如下优点:本发明分析系统将CT影像融合患者的个性化信息,通过融合分析网络进行训练并输出分析结果,使得该系统的分析结果更加准确、更快速,进一步地辅助医生做出更准确的判断。其中,通过个性信息整合单元中的采集、整合及处理,提高了个人信息特征向量的提取准确率,从而使得该系统的最终分析结果更准确。
另外,该系统通过影像特征可视化单元,对中间层卷积核进行可视化,从而增强了深度网络的可解释性;通过个性信息可视化单元,呈现个性信息及其权值,从而让患者对自己的个性信息与肿瘤的关系有了更深的了解。其中,该系统直接通过深度影像网络训练特征,以呈现深度网络的中间层输出。
附图说明
图1是本发明实施例融合CT影像和个性化信息的分析系统结构示意图;
图2是本发明实施例中电子装置的结构示意图。
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:
图1示意性地示出了本发明融合CT影像和个性化信息的分析系统的结构,同时,也示出了分析方法的流程走向。本发明的实施例提供的一种融合CT影像和个性化信息的分析系统,包括:影像预处理单元1、个性信息整合单元2、影像网络单元3、融合分析网络单元4。如图1所示,该系统还包括:影像特征可视化单元5以及个性信息可视化单元6。
采用上述融合CT影像和个性化信息的分析系统进行分析时,包括如下步骤:首先,在影像预处理单元1中,对输入的原始CT影像进行预处理,例如去燥处理等,得到预处理后的病灶图像(矩阵),进行保存。在个性信息整合单元2中采集患者的个人信息并进行整合,对整合后信息进行处理,提取出个人信息特征向量。然后,在影像网络单元3中,将保存的病灶图像输入深度影像网络,进行监督学习、训练得到影像特征向量。接着,在融合分析网络单元4中,将提取得到的个人信息特征向量和影响特征向量进行拼接,将拼接后向量输入训练好的融合分析网络进行训练,输出分析结果。
在一个可选实施例中,该方法还包括:将深度影像网络的中间层学到的特征在影像特征可视化单元5中输出。
在一个可选实施例中,该方法还包括:将训练后的个性信息所占权值在个性信息可视化单元6中可视化呈现给用户,从而使用户了解个性信息在诊断中起到的作用。
上述实施例通过融合CT影像及其他个性化信息来研究分析肿瘤病灶影像,从而提高了该系统的分析结果的准确性,进而使得医生对肿瘤影像的分析结果更加准确。另外,该实施例中影像网络的中间输出可视化,增强了深度网络的可解释性,个性信息的可视化,加深了医生或患者对个性信息与疾病之间关系的了解。
本发明中,所述影像预处理单元1中,可以包括读取模块、去噪模块、分割模块、保存模块等。通过读取原始CT影像,得到三维图像矩阵;然后采用一种或多种去噪算法,对CT影像做预处理,去除一些干扰较大的噪声,优选地,采用系统提供的阈值法进行去噪处理;完成去噪后,通过分割模块,标注出病灶区域图像并统一缩放到相同尺寸,其中,标注病灶区域图像时可以采用系统提供的算法自动标注,和/或采用医生手动进行标注;接着将预处理后的图像进行保存。优选地,在影像预处理单元1中,还包括增强模块,该模块可以对图像进行图像增强处理,以提高病灶图像分割精度。
所述个性信息整合单元2中包括采集模块、筛选模块、处理模块、以及提取模块。通过采集模块采集患者的包括但不限于病历报告、影像报告、化验报告、病理报告等档案,或由患者直接描述输入,收集患者尽可能多的个人信息,例如,病灶大小、年龄性别吸烟史等。通过筛选模块筛掉一些与病灶诊断分析结果较为无关的指标(如部分化验指标)。通过处理模块对留下的指标做数字化、归一化,使之全部归于0-1。具体来说,对任一数值指标N,处理为N’=N*(N-Nmin)/(Nmax-Nmin);对于非数值指标,先数值化再作以上处理。通过提取模块从处理后的个人信息中提取约数十维以内的向量,作为个人信息特征,用于后续输入融合分析网络单元4。
所述影像网络单元3中的深度影像网络通常包含卷积层、池化层、全连接层三种结构,也可由用户设定添加新的结构层,其中,通过卷积层对输入图像进行降维和特征提取;通过池化层进行降维,缩减模型大小,以提高计算速度,降低过拟合概率,提升特征提取的鲁棒性,对平移和旋转不敏感;全连接层在整个网络中起到分类器的作用。影像网络模型以病灶严重程度等目标进行监督学习,待收敛后,固定网络。并取出最后一层的向量(通常在全连接层)作为下一融合分析网络单元4使用的影像特征,且通常该向量不超过100维。
所述融合分析网络单元4中,将步骤二和步骤三中分别得到的个人信息特征与影像特征拼接成一个向量,输入融合分析网络。融合分析网络默认为普通神经网络,通过监督学习收敛后固定参数;输出分析结果。其中,该融合分析网络单元直接输出的结果包括但不限于病灶的严重程度、生存期估计等。在训练时,严重程度由标签的良恶性分级生成,从而辅助医生对良恶性和分析的判断。
所述影像特征可视化单元5将影像网络的中间层学到的特征输出,直接通过深度影像网络训练特征,特征体现为深度网络的中间输出。通常输出为能反映一定直观征象的卷积核,从而对深度网络的学习过程做原理性的解释。在影像网络的训练过程中,可通过对不同层卷积核的中间输出进行扰动来观测获得对每一个样本输入的输出结果影像较大的那些卷积核。在整个训练集的训练中,将这些卷积核收集起来进行排序,获取对网络诊断影响最大的卷积核,例如前10个。原理上认为这些卷积核反映了一定的肿瘤影像征象。当用户输入新图像时,将这前10个卷积核里响应最大的前3个选出来,生成图像展现给用户,这些意为影响患者病理较大的几种图像征象。
所述个性信息可视化单元6中,将在融合分析网络单元4训练后的个性信息所占权值可视化呈现给用户,从而使用户了解个性信息在诊断中起到的作用。其中,不同的个性信息,在获得诊断结果时,起到的作用大小不一。通过将不同个人信息的分量置零并观测诊断结果的变化来获得对患者诊断影响较大的那些个性信息。将这些个性信息及其权值制成普通图表呈现给用户,让用户对自己个性信息与疾病的关系有更深的了解。
本发明实施例通过计算机程序实现,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤或各系统中的单元/模块功能是可以通过程序来指令相关的硬件来完成。在一个实施例中,如图2所示,提供电子装置7,可以是电视机、智能手机、平板电脑、计算机等终端设备。所述电子装置7包括:存储器72、处理器71以及存储在存储器72中并可在所述处理器71上运行的计算机程序73,所述处理器71执行所述计算机程序73时实现本发明融合CT影像和个性化信息的分析系统各单元/模块的功能,实现分析方法中的各步骤。
示例性的,计算机程序73可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器72中,并由处理器71执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序73指令段,该指令段用于描述计算机程序73在电子装置7中的执行过程。例如,分析程序可以被分割成分析系统中的影像预处理单元1、个性信息整合单元2、影像网络单元3、融合分析网络单元4、影像特征可视化单元5、以及个性信息可视化单元6。其功能作用在上文中有详细描述,在此不一一赘述。
处理器71执行计算机程序73时实现融合CT影像和个性化信息的分析系统中各单元/模块的功能,实现分析方法中的各步骤,与上文类似,此处不再详述。所述处理器71可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器71、数字信号处理器71(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器71可以是微处理器或者该处理器71也可以是任何常规的处理器等。
存储器72可以是电子装置7的内部存储单元,例如电子装置7的硬盘或内存。存储器72可以是电子装置7的外部存储设备,例如电子装置7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器72还可以既包括电子装置7的内部存储单元也包括外部存储设备。存储器72用于存储计算机程序73以及电子设备所需的其他程序和数据。存储器72还可以用于暂时地存储已经输出或者将要输出的数据。
一个实施例还提供了计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现本发明上述实施例的融合CT影像和个性化信息的分析系统中各单元/模块的功能或分析方法中各步骤,为避免重复,这里不再赘述。
一个可选实施例中,计算机可读存储介质可以是任何包含或存储程序或指令的有形介质,其中的程序可以被执行,通过存储的程序指令相关的硬件实现相应的功能。例如,计算机可读存储介质可以是计算机磁盘、硬盘、随机存取存储器、只读存储器等。本发明并不限于此,可以是以非暂时性方式存储指令或软件以及任何相关数据文件或数据结构并且可提供给处理器以使处理器执行其中的程序或指令的任何装置。所述计算机可读存储介质中包括分析程序,所述分析程序被处理器执行时,实现上述的分析系统中各单元/模块的功能,为避免重复,在此不再赘述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
Claims (10)
1.一种融合CT影像和个性化信息的分析系统,其特征在于,系统包括:
影像预处理单元,用于对输入的原始CT影像进行预处理,得到预处理后病灶图像;
个性信息整合单元,用于采集患者的个人信息,并进行筛选,数字化和归一化处理,提取得到个人信息特征向量;
影像网络单元,用于将所述预处理后病灶图像输入深度影像网络,进行监督学习,训练提取影像特征向量;
融合分析网络单元,用于将所述个人信息特征向量和所述影像特征向量进行拼接,输入融合分析网络,训练输出分析结果;
影像特征可视化单元,用于呈现影像网络单元的中间层输出。
2.如权利要求1所述的融合CT影像和个性化信息的分析系统,其特征在于,该系统还包括:个性信息可视化单元,用于呈现训练后的个性信息所占权值。
3.如权利要求1所述的融合CT影像和个性化信息的分析系统,其特征在于,所述影像特征可视化单元中,中间层输出为反应直观征象的卷积核,所述卷积核从影像网络单元的训练过程中得到;
个性信息可视化单元中,个性信息所占权值是通过将不同个人信息的分量置零并观测分析结果的变化得到。
4.如权利要求1所述的融合CT影像和个性化信息的分析系统,其特征在于,所述个性信息整合单元包括:采集模块,用于根据患者档案报告或直接的描述,采集患者的个人信息;筛选模块,用于筛选出与分析有关的个人信息;处理模块,对筛选出的个人信息进行数字化、归一化处理;提取模块,用于从处理后的个人信息中提取出个人信息特征向量。
5.如权利要求1所述的融合CT影像和个性化信息的分析系统,其特征在于,所述影像网络单元中,所述深度影像网络包括:卷积层、池化层、全连接层、以及用于用户设定添加的自定义层。
6.如权利要求1所述的融合CT影像和个性化信息的分析系统,其特征在于,融合分析网络单元中的所述融合分析网络通过监督学习收敛后固定参数得到。
7.如权利要求1所述的融合CT影像和个性化信息的分析系统,其特征在于,所述影像预处理单元中包括去噪模块,用于采用阈值法对输入的原始CT影像进行去噪处理。
8.一种融合CT影像和个性化信息的分析方法,其特征在于,包括:
将CT影像进行预处理,得到预处理后的病灶图像;
采集患者的个人信息并进行筛选,数字化和归一化处理,提取个人信息特征向量;
将所述预处理后病灶图像输入深度影像网络进行监督学习,提取影像特征向量,并可视化呈现影像网络的中间层输出;
拼接所述个人信息特征向量和所述影像特征向量,将拼接后向量输入融合分析网络进行训练,输出分析结果。
9.一种电子装置,所述电子装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的分析系统中的各单元或模块的功能。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括计算机程序,所述计算机程序被处理器执行时,实现如权利要求1至7中任一项所述的分析系统中的各单元或模块的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910404688.2A CN110246109B (zh) | 2019-05-15 | 2019-05-15 | 融合ct影像和个性化信息的分析系统、方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910404688.2A CN110246109B (zh) | 2019-05-15 | 2019-05-15 | 融合ct影像和个性化信息的分析系统、方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110246109A CN110246109A (zh) | 2019-09-17 |
CN110246109B true CN110246109B (zh) | 2022-03-18 |
Family
ID=67884402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910404688.2A Active CN110246109B (zh) | 2019-05-15 | 2019-05-15 | 融合ct影像和个性化信息的分析系统、方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110246109B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008957A (zh) * | 2019-11-19 | 2020-04-14 | 北京推想科技有限公司 | 医疗信息处理方法和装置 |
CN110889836A (zh) * | 2019-11-22 | 2020-03-17 | 中国人民解放军第四军医大学 | 一种影像数据分析方法、装置、终端设备及存储介质 |
CN111667460A (zh) * | 2020-04-30 | 2020-09-15 | 清华大学 | Mri影像处理系统、方法、设备及介质 |
CN112365962B (zh) * | 2020-11-17 | 2023-08-18 | 中南大学湘雅二医院 | 基于肺部ct影像和临床信息的医疗资源分配方法及设备 |
CN112991295B (zh) * | 2021-03-12 | 2023-04-07 | 中国科学院自动化研究所 | 基于深度学习的淋巴结转移影像分析系统、方法及设备 |
CN113743414B (zh) * | 2021-08-02 | 2022-08-05 | 清华大学 | 基于语义编码的病灶识别方法、装置及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106686009A (zh) * | 2017-03-03 | 2017-05-17 | 苏州仙度网络科技有限公司 | 身份验证方法、装置及系统 |
CN107704925A (zh) * | 2017-10-16 | 2018-02-16 | 清华大学 | 深度神经网络训练过程的可视分析系统及方法 |
CN108324244A (zh) * | 2018-01-03 | 2018-07-27 | 华东师范大学 | 用于ai+mri影像辅助诊断的自动增广训练样本的构建方法及系统 |
CN109147890A (zh) * | 2018-05-14 | 2019-01-04 | 平安科技(深圳)有限公司 | 一种医学报告的生成方法及设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9155470B2 (en) * | 2012-01-24 | 2015-10-13 | Siemens Aktiengesellschaft | Method and system for model based fusion on pre-operative computed tomography and intra-operative fluoroscopy using transesophageal echocardiography |
US10839956B2 (en) * | 2017-03-03 | 2020-11-17 | University of Maryland Medical Center | Universal device and method to integrate diagnostic testing into treatment in real-time |
CN108985345B (zh) * | 2018-06-25 | 2020-09-18 | 安徽倍泰光电科技有限公司 | 一种基于肺部医学图像融合分类的检测装置 |
CN109493325B (zh) * | 2018-10-23 | 2021-02-26 | 清华大学 | 基于ct影像的肿瘤异质性分析系统 |
-
2019
- 2019-05-15 CN CN201910404688.2A patent/CN110246109B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106686009A (zh) * | 2017-03-03 | 2017-05-17 | 苏州仙度网络科技有限公司 | 身份验证方法、装置及系统 |
CN107704925A (zh) * | 2017-10-16 | 2018-02-16 | 清华大学 | 深度神经网络训练过程的可视分析系统及方法 |
CN108324244A (zh) * | 2018-01-03 | 2018-07-27 | 华东师范大学 | 用于ai+mri影像辅助诊断的自动增广训练样本的构建方法及系统 |
CN109147890A (zh) * | 2018-05-14 | 2019-01-04 | 平安科技(深圳)有限公司 | 一种医学报告的生成方法及设备 |
Non-Patent Citations (3)
Title |
---|
Image Coregistration: Quantitative Processing Framework For the Assessment of Brain Lesions;Huhdanpaa,H等;《Jornal of Digital Imaging》;20140630;第27卷(第3期);摘要 * |
Network embedding-based representation learning for single cell RNA-seq data;Li Xiangyu 等;《Nucleic Acids Research》;20171102;第45卷(第19期);摘要 * |
关于深度学习的综述与讨论;路海明等;《清华大学学报(自然科学版)》;20181208;第01卷(第14期);摘要 * |
Also Published As
Publication number | Publication date |
---|---|
CN110246109A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110246109B (zh) | 融合ct影像和个性化信息的分析系统、方法、装置及介质 | |
US11748889B2 (en) | Brain image segmentation method and apparatus, network device, and storage medium | |
Singh et al. | Shallow 3D CNN for detecting acute brain hemorrhage from medical imaging sensors | |
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
CN107492099B (zh) | 医学图像分析方法、医学图像分析系统以及存储介质 | |
Tang et al. | E 2 Net: An edge enhanced network for accurate liver and tumor segmentation on CT scans | |
CN110008971B (zh) | 图像处理方法、装置、计算机可读存储介质及计算机设备 | |
CN111368849B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
EP3998579B1 (en) | Medical image processing method, apparatus and device, medium and endoscope | |
Sharma et al. | Medical image classification techniques and analysis using deep learning networks: a review | |
CN110276408B (zh) | 3d图像的分类方法、装置、设备及存储介质 | |
Xi et al. | Automated segmentation of choroidal neovascularization in optical coherence tomography images using multi-scale convolutional neural networks with structure prior | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
Hussain et al. | Automatic segmentation of inner ear on CT-scan using auto-context convolutional neural network | |
Yar et al. | Lung nodule detection and classification using 2D and 3D convolution neural networks (CNNs) | |
Marhamati et al. | LAIU-Net: A learning-to-augment incorporated robust U-Net for depressed humans’ tongue segmentation | |
Zhang et al. | LungSeek: 3D Selective Kernel residual network for pulmonary nodule diagnosis | |
Strzelecki et al. | Artificial Intelligence in the detection of skin cancer: state of the art | |
Mahmood et al. | Recent advancements and future prospects in active deep learning for medical image segmentation and classification | |
CN113705595A (zh) | 异常细胞转移程度的预测方法、装置和存储介质 | |
CN112561877A (zh) | 多尺度双通道卷积模型训练方法、图像处理方法及装置 | |
CN116129184A (zh) | 多期相病灶分类方法、装置、设备及可读存储介质 | |
Koshy et al. | Breast cancer image analysis using deep learning techniques–a survey | |
CN113177953B (zh) | 肝脏区域分割方法、装置、电子设备及存储介质 | |
CN112884706B (zh) | 一种基于神经网络模型的图像评估系统和相关产品 |
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 |