CN110379492A - 一种全新的ai+pacs系统及其检查报告构建方法 - Google Patents
一种全新的ai+pacs系统及其检查报告构建方法 Download PDFInfo
- Publication number
- CN110379492A CN110379492A CN201910672105.4A CN201910672105A CN110379492A CN 110379492 A CN110379492 A CN 110379492A CN 201910672105 A CN201910672105 A CN 201910672105A CN 110379492 A CN110379492 A CN 110379492A
- Authority
- CN
- China
- Prior art keywords
- lesion
- module
- completely new
- model
- report
- 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
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
- G06N3/08—Learning methods
-
- 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
-
- 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
- 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种全新的AI+PACS系统,目的是利用AI技术自动分析处理医疗图像,构建医院影像检查报告。上述全新的AI+PACS系统包括第一AI模型、第二AI模型、检查报告构建模块,上述第一AI模型用于对医疗图像后处理,包括器官分割、图像重建;上述第二AI模型用于对医疗图像进行自动筛查、勾画并定量评估病灶;上述检查报告构建模块用于根据医疗图像头文件包含的技术参数和所述第一AI模型、第二AI模型的处理结果自动生成本次检查的技术和方法报告。本发明还涉及一种全新的AI+PACS系统检查报告构建方法。
Description
【技术领域】
本发明涉及医疗信息技术领域,具体涉及一种全新的AI+PACS系统及其检查报告构建方法。
【背景技术】
到目前为止,"AI+医疗"的应用远远没有到达所谓的深水区,以"AI+医学影像"为例,目前各家公司的研发主要着眼在医学影像工作流的最下游,即检查完成后通过AI筛查病灶,如肺结节、肋骨骨折、脑血肿等。AI设备的接入方式包括连接RIS/PACS数据库、设备直连,运算结果只能通过"插件"的方式展示,相当于在原有基础上增加了一个PACS,而不是跟现有RIS/PACS系统进行整合,这种方式在单病种如肺结节筛查阶段,基本能满足应用要求,但随着筛查病种模型和应用场景的增加,其遭遇的瓶颈越来越明显,表现在且并不局限于以下方面:
1.图像数据传输量成倍增加,给设备、网络和PACS服务器造成很大的负担,当病人流量大时,甚至可能造成网络拥堵,从而间接影响到工作效率。
2.对医生工作效率的提高帮助有限,因为"插件方式"没有和现有RIS/PACS整合,相当于另一个"信息孤岛",增加了影像科医师查看的窗口和鼠标键盘动作,这也成为少数医生不接受AI产品的原因。
3.不利于模型的训练和迭代,现有模式如果发现假阳和漏诊,不容易得到反馈,因为每个操作都会增加一线医生的工作量,而回顾性去比较影像报告和模型预测结果的差异则要花费更多的人力和物力。
4.潜在的质量控制风险,插件方式所用的OCR技术稳定性和可靠性欠佳,可能会把错误的影像展示给医生,无法满足医疗安全和质量控制要求。
5.现有工作流对数据的规范程度很难满足多病种模型的需求,作为北京推想科技有限公司全球第一家上线脑卒中、肺结节、肋骨骨折和胸片DR多模型的单位,我们发现插件这种方式面临很多不可逾越的障碍。
6.最后,由于病灶筛查位于医学影像诊断流程的最下游,上游临床医师开检查单,病人信息登记,技师完成检查的每个环节的任何失误都有可能误导AI,每个质量瑕疵都可能削弱AI的作用,从而影响AI产品的整体表现。
只有把AI产品深度融合到现有医学影像诊断工作流的各个环节,才能解决传统医学影像检查和报告不规范、质控难度大等诸多难题和痛点,才能突破医学影像AI产品研发端的数据困境和应用端的体验瓶颈,从而打造出医学影像AI产品研发与应用的一体化平台,实现真正的"医工结合"以促进医学影像AI事业的长足进展,最终真正实现"人脑+AI"的诊断模式,解放医学影像诊断医师的生产力,帮助缓解"看病难"的世纪难题。
北京推想科技有限公司在医疗图像数据的深度学习,病灶筛查、定量评估分析,以及检查报告等方面都有专利申请。发明专利《一种对医疗图像进行转换学习的方法和装置》、《一种分析高维医疗数据的深度学习方法和装置》就涉及到CT、PET、SPECT、MRI、fMRI等多维数据,利用AI技术基于深度学习的分析方法可以大大减少医生的工作量,辅助医生更有效地完成病人的诊断。发明专利《基于3D卷积神经网络与深度学习的肺结节良恶性分类方法》、《一种基于深度学习的CT肺结节检测方法》、《一种基于深度学习的计算脑出血量的方法》就涉及利用AI技术进行病灶筛查、定量评估分析,辅助医生进行诊断。发明专利《一种医学影像诊断报告辅助生成方法及其装置》涉及基于神经网络技术在医生进行撰写诊断意见时自动辅助生成诊断报告。
上海联影医疗科技有限公司在医疗图像的器官分割、图像重建,病灶筛查、定量评估分析等方面都有专利申请。发明专利《磁共振图像重建方法、装置和计算机可读存储介质》、《肋骨标记方法、装置、设备以及图像分割模型的训练方法》、《医学影像配准方法、装置、计算机设备和存储介质》、《血管分割方法、装置、医疗影像设备及存储介质》、《一种定量肺部病症分割的系统、方法和设备》、《心脏与肺叶分割的方法和系统》、《图像分割方法以及图像的相似度计算方法、装置》、《一种医学图像的处理方法及医学图像处理系统》就涉及利用AI技术进行医疗图像的器官分割、图像重建。发明专利《一种病灶图像检测装置、方法和计算机可读存储介质》就涉及利用AI技术进行病灶筛查、定量评估分析,辅助医生进行诊断。
另外西门子保健有限责任公司的发明专利《用于基于人工智能的医学图像分割的方法和系统》,电子科技大学的发明专利《一种基于人工智能的医学图像分割方法及系统》也涉及利用AI技术进行医疗图像的器官分割、图像重建。
本发明针对上述现有技术,提出了应用于医院的AI+PACS系统以及方法。
【发明内容】
本发明的目的是,提供一款利用AI技术自动分析处理医疗图像,构建医院发射科检查报告的全新的AI+PACS系统。
为实现上述目的,本发明采取的技术方案是一种全新的AI+PACS系统,上述全新的AI+PACS系统包括第一AI模型、第二AI模型、检查报告构建模块,上述第一AI模型用于对医疗图像后处理,包括器官分割、图像重建;上述第二AI模型用于对医疗图像进行自动筛查、勾画并定量评估病灶;上述检查报告构建模块用于根据医疗图像头文件包含的技术参数和所述第一AI模型、第二AI模型的处理结果自动生成本次检查的技术和方法报告。
进一步的优选技术方案,上述全新的AI+PACS系统还包括阅片模块、显示操作模块,上述阅片模块用于将上述第一AI模块、第二AI模块处理过的医疗图像进行展示,并勾画、和/或凸显出疑似病灶;上述阅片模块还用于接受上述显示操作模块在图像界面上针对疑似病灶、病变的处理;上述显示操作模块用于显示上述阅片模块展示的医疗图像;上述显示操作模块还用于对疑似病灶按照一定的诊断思维在图像界面上接受正确的、和/或编辑不完善的、和/或舍弃假阳的疑似病灶、和/或补充上述第二AI模型还不能识别的病变;上述检查报告构建模块还用于自动生成结构化图文报告。
进一步的技术效果是方便放射科医生沉浸式程序化阅片,提高检查报告的质量。
进一步的优选技术方案,上述全新的AI+PACS系统还包括比较报告构建模块,上述比较报告构建模块用于自动检索历史检查,智能匹配多次检查中的同一病灶,智能筛选出新增病灶和消失病灶,生成准确量化的比较报告。
进一步的技术效果是使病灶的变化趋势和治疗效果一目了然。
进一步的优选技术方案,上述全新的AI+PACS系统还包括病灶危急值判断模块,上述病灶危急值判断模块用于通过上述第二AI模型进行病灶危急值判断;上述阅片模块还用于展示病灶危急值;上述显示操作模块还用于确认病灶危急值、和/或发布危急信息。
进一步的技术效果是及时提醒,方便医院联动,提升重症病种的抢救效率。
进一步的优选技术方案,上述全新的AI+PACS系统还包括病例/病变数字化模块,上述病例/病变数字化模块用于实现病例/病灶医疗图像数字化,方便检索和提取,用于科研、和/或教学、和/或AI新产品的模型训练和测试。
进一步的技术效果是产生的高质量数据可进一步用于科研、教学和AI新产品的研发和测试,从而实现临床应用、科研教学与AI研发相互促进,共同进步的良好局面。
本发明的再一目的是,提供一款利用AI技术自动分析处理医疗图像,构建医院影像检查报告的全新的AI+PACS检查报告构建方法。
为实现上述目的,本发明采取的技术方案是一种全新的AI+PACS系统检查报告构建方法,应用于上述的一种全新的AI+PACS系统,包括如下步骤:
S1、上述PACS系统提高检查图像Dicom头文件的标准性和规范性,和/或统一不同厂家CT设备的扫描参数和序列定义,和/或CT全部常规重建1mm或1mm以下等体素薄层图像;
S2、上述第一AI模型对医疗图像后处理,器官分割、图像重建;
S3、上述第二AI模型对后处理的医疗图像进行自动筛查、勾画并定量评估病灶;
S4、上述检查报告构建模块根据医疗图像头文件包含的技术参数和所述第一AI模型、第二AI模型的处理结果自动生成本次检查的技术和方法报告。
进一步的优选技术方案,上述的一种全新的AI+PACS系统检查报告构建方法,还包括如下步骤:
S5、上述阅片模块将上述第一AI模块、第二AI模块处理过的医疗图像进行展示,并勾画、和/或凸显出疑似病灶;上述阅片模块接受所述显示操作模块在图像界面上针对疑似病灶、病变的处理;
S6、上述显示操作模块显示上述阅片模块展示的医疗图像;上述显示操作模块对疑似病灶按照一定的诊断思维在图像界面上接受正确的、和/或编辑不完善的、和/或舍弃假阳的疑似病灶、和/或补充上述第二AI模型还不能识别的病变;
上述S4检查报告构建模块自动生成结构化图文报告。
进一步的优选技术方案,上述的一种全新的AI+PACS系统检查报告构建方法,还包括如下步骤:
S7、上述比较报告构建模块自动检索历史检查,智能匹配多次检查中的同一病灶,智能筛选出新增病灶和消失病灶,生成准确量化的比较报告。
进一步的优选技术方案,上述的一种全新的AI+PACS系统检查报告构建方法,还包括如下步骤:
S8、上述病灶危急值判断模块通过上述第二AI模型进行病灶危急值判断;
上述S5阅片模块展示病灶危急值;
上述S6显示操作模块确认病灶危急值、和/或发布危急信息。
进一步的优选技术方案,上述的一种全新的AI+PACS系统检查报告构建方法,还包括如下步骤:
S9、上述病例/病变数字化模块实现病例/病灶医疗图像数字化,方便检索和提取,用于科研、和/或教学、和/或AI新产品的模型训练和测试。
本发明有如下有益效果:1、借助AI技术,自动分析处理医疗图像,实现了医院影像检查报告自动输出,提高了放射科检查报告的输出效率;2、通过第一AI模型自动器官分割和图像重建,可以减少技师工作量,提升重建图像质量,避免不同技师的操作差异,实现检查的标准化;3、通过第二AI模型智能病灶分割、智能量化评估能提高检查报告的客观性,提高影像诊断医师前后片对比的效率和准确性;4、沉浸式阅片可以提高自动生成结构化报告的可行性,而通过AI+PACS自动生成详细的检查方法报告恰恰能弥补现有的RIS/PACS系统整合的不足,最终提高医学影像和报告的规范性和可用性;5、通过对现有影像诊断模式的改造,可以实现标准化的检查图像、结构化的诊断报告为AI研发和临床研究所用。
【附图说明】
图1是一种全新的AI+PACS系统实施例1结构示意图。
图2是一种全新的AI+PACS系统实施例2结构示意图。
图3是一种全新的AI+PACS系统实施例3结构示意图。
图4是一种全新的AI+PACS系统检查报告构建方法1步骤图。
图5是一种全新的AI+PACS系统检查报告构建方法2步骤图。
图6是一种全新的AI+PACS系统检查报告构建方法3步骤图。
【具体实施方式】
下面结合实施例并参照附图对本发明作进一步描述。
实施例1
本实施例实现一种全新的AI+PACS系统。
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
PACS:医疗图像管理与通信系统Picture Archiving and CommunicationsSystem主要功能是图像信息的获取、传输与存档和处理。
RIS:放射科信息系统Radiology Information System主要功能和应用包括:病人检查预约,影像设备管理与预定,医嘱的输入与管理,病人与设备预约的管理,影像诊断报告和生成与管理,划价,收费。
医院管理信息系统(Hospital Management Information System,HMIS、HIS)的主要目标是支持医院的行政管理与事务处理业务,减轻事务处理人员劳动强度,辅助医院管理,辅助高层领导决策,提高医院工作效率,从而使医院能够以少的投入获得更好的社会效益与经济效益,像财务管理系统、人事管理系统、住院病人管理系统、药品库存管理系统等均属于HMIS的范围。
DICOM(Digital Imaging and Communications in Medicine)即医学数字成像和通信,是医学图像和相关信息的国际标准(ISO 12052)。它定义了质量能满足临床需要的可用于数据交换的医学图像格式。
附图1所述一种全新的AI+PACS系统实施例1结构示意图,图中的功能模块,可以基于本地的服务器,也可以是基于云计算的服务;具体实现的程序可以是基于JAVA高级程序语言的微服务。一种全新的AI+PACS系统,上述全新的AI+PACS系统包括第一AI模型、第二AI模型、检查报告构建模块,上述第一AI模型用于对医疗图像后处理,包括器官分割、图像重建;上述第二AI模型用于对后处理的医疗图像进行自动筛查、勾画并定量评估病灶;上述检查报告构建模块用于根据医疗图像头文件包含的技术参数和所述第一AI模型、第二AI模型的处理结果自动生成本次检查的技术和方法报告。
第一AI模型自动器官分割和图像重建,其可以是背景技术所提到任意一种或者多种AI模型,其可以完成放射科所有医疗图像的自动器官分割和图像重建;第二AI模型自动检测、勾画并量化评估病灶,其可以是背景技术所提到任意一种或者多种AI模型,其可以完成对医疗图像进行自动筛查、勾画并定量评估病灶。以脑出血、肺结节、肋骨骨折为实施例,检查原始图像传输到AI服务器,先对图像自动进行部位识别,然后使用分割引擎将体部分割成若干器官或解剖单元(如肺部、脊柱、肋骨、心脏和纵膈等),再自动重建出特定器官和解剖单元的标准化多平面和三维图像,最后再通过多种人工智能模型,自动筛查、勾画并定量评估病灶。
检查报告构建模块自动生成检查方法报告:检查原始图像传输到AI+PACS完成识别、分割和重建后,根据Dicom头文件包含的技术参数和AI引擎的处理结果,自动生成本次检查的技术和方法报告,包括检查部位、扫描范围、扫描参数和后处理方法等,以供后续会诊、随访复查参考。
实施例2
本实施例实现一种全新的AI+PACS系统。
附图2所述一种全新的AI+PACS系统实施例2结构示意图,本实施例在实施例1的基础上进行改进。
进一步的优选技术方案,上述全新的AI+PACS系统还包括阅片模块、显示操作模块,上述阅片模块用于将上述第一AI模块、第二AI模块处理过的医疗图像进行展示,并勾画、和/或凸显出疑似病灶;上述阅片模块还用于接受上述显示操作模块在图像界面上针对疑似病灶、病变的处理;上述显示操作模块用于显示上述阅片模块展示的医疗图像;上述显示操作模块还用于对疑似病灶按照一定的诊断思维在图像界面上接受正确的、和/或编辑不完善的、和/或舍弃假阳的疑似病灶、和/或补充上述第二AI模型还不能识别的病变;上述检查报告构建模块还用于自动生成结构化图文报告。
沉浸式程序化阅片和自动结构化图文报告:以脑部和胸部CT为例,AI+PACS将分割、自动重建的器官或解剖单元按序列展示的同时勾画、凸显出疑似病灶供医师参考,影像诊断医生按照一定的诊断思维在图像界面上接受正确的、编辑不完善的、舍弃假阳的AI预测结果,补充AI还不能识别的病变,然后在后台自动生成结构化的报告。从而改变传统的RIS与PACS并排分屏,影像医生"看图说话"式阅片的模式。
为适应AI+PACS的新工作模式,本实施例升级所有影像诊断工作站的内存至8G或16G,配置彩色6M医学影像专业显示屏。
实施例3
本实施例实现一种全新的AI+PACS系统。
附图3所述一种全新的AI+PACS系统实施例2结构示意图,本实施例在实施例2的基础上进行改进。
进一步的优选技术方案,上述全新的AI+PACS系统还包括比较报告构建模块,上述比较报告构建模块用于自动检索历史检查,智能匹配多次检查中的同一病灶,生成准确量化的比较报告。
量化的病灶评估和智能化随访:对重点病灶如脑血肿和疑似肿瘤进行量化的评估,如体积、形态、组织密度。自动检索历史检查,智能匹配多次检查中的同一病灶,智能筛选出新增病灶和消失病灶,生成准确量化的比较报告,使病灶的变化趋势和/或治疗效果一目了然。
进一步的优选技术方案,上述全新的AI+PACS系统还包括病灶危急值判断模块,上述病灶危急值判断模块用于通过上述第二AI模型进行病灶危急值判断;上述阅片模块还用于展示病灶危急值;上述显示操作模块还用于确认病灶危急值、和/或发布危急信息。
智能危急分层与预警:在AI+PACS上用多种人工智能病灶检测模型对多种危急值(如脑卒中,脑外伤性血肿,气胸、多发骨折等)进行判断,并前置到待诊断报告流的顶部,影像诊断医师确认后,自动通过平台将危急信息发布给相关临床医师以便紧急处理,提升卒中病人、创伤病人的抢救效率。
进一步的优选技术方案,上述全新的AI+PACS系统还包括病例/病变数字化模块,上述病例/病变数字化模块用于实现病例/病灶医疗图像数字化,方便检索和提取,用于科研、和/或教学、和/或AI新产品的模型训练和测试。
同类病例/病变数字化并可检索,用于科研、教学和AI模训练:由于采用和现有RIS/PACS完全不同的数据生成和存储方式,AI+PACS可以实现所有病例/病灶数字化,并可以很方便的检索和提取,从而用于科研、教学和AI新产品的模型训练和测试。
实施例4
本实施例实现一种全新的AI+PACS系统检查报告构建方法。
附图4所述一种全新的AI+PACS系统检查报告构建方法1步骤图,一种全新的AI+PACS系统检查报告构建方法,应用于上述的实施例1的一种全新的AI+PACS系统,包括如下步骤:
S1、上述PACS系统提高检查图像Dicom头文件的标准性和规范性,和/或统一不同厂家CT设备的扫描参数和序列定义,和/或CT全部常规重建1mm或1mm以下等体素薄层图像;
S2、上述第一AI模型对医疗图像后处理,器官分割、图像重建;
S3、上述第二AI模型对医疗图像进行自动筛查、勾画并定量评估病灶;
S4、上述检查报告构建模块根据医疗图像头文件包含的技术参数和所述第一AI模型、第二AI模型的处理结果自动生成本次检查的技术和方法报告。
为了实现上述一种全新的AI+PACS系统检查报告构建方法,步骤S1需要做以下准备工作:
1.对RIS系统的Worklist系统进行一些基础改造,实现检查项目和设备扫描协议的一一对应的精准匹配(Code Mapping),提高检查图像Dicom头文件的标准性和规范性,以提高AI服务器的部位识别效率。
2.统一不同厂家CT设备的扫描参数和序列定义。
3.所有CT全部常规重建1mm或1mm以下等体素薄层图像,为实现器官自动分割算法和训练自动重建模型打下基础。
本实施例步骤S2前可以进一步包括智能图像质量评价系统。优质的扫描或拍摄图像质量是高质量影像诊断的重要前提,尽管各个厂家开发了一系列在射线剂量和图像质量之间达到平衡的技术和重建算法,但检查过程中,患者偏胖的体型、较差的肺功能、紧张的情绪以及模糊的意识都会降低图像质量,尤其是胸部和腹部的扫描期间需要摒住呼吸,较差的图像质量会明显降低肺结节筛查模型的表现,增加假阳和漏诊。从质控管理和医疗安全的角度,在进行病灶筛查前进行图像质量评估是非常必要的。
可以通过深度学习算法构建智能影像质控模块,对图像是否存在体外异物、移动伪影和呼吸伪影,以及体位是否符合质控标准进行检测,然后对图像质量进行评级,作为技师绩效和是否需要重新检查的参考,实现检查质控的自动化和智能化。该模块可以部署在设备端,实时将结果反馈给操作技师,也可以部署在AI服务器,在图像分割、重建和病灶筛查前运行,评级低的检查直接反馈诊断医师或质控人员,由工作人员决定是否需要重新检查,从而实现质控的智能化管理。
本实施例步骤S2自动器官分割和图像重建,检查原始图像可以在设备端或传输到AI服务器后,使用经过大量数据集训练的AI算法或AI算法与传统CAD算法混合技术对图像进行部位识别,并使用分割引擎将扫描所得的体部图像中的器官或解剖单元的位置、轮廓和边界进行区分(如将胸部分割为肺、脊柱、肋骨、胸骨、锁骨、心脏、食管和纵膈等),再按照规范自动重建出特定器官和解剖单元的标准化多平面和三维图像,图像重建规则可以遵照专家指南或质控部门、行业协会制定的检查规范。该步骤的意义在于:在确定各个器官的边界范围之后,可以在此范围内检测特定的病灶,减少计算量,也不至于像目前某些AI产品在结肠里检测到高危肺结节这样的情况;另外,自动重建可以减少技师和医师的后处理工作量,提升重建图像质量,减少因操作者水平差异导致的异质性,实现检查的标准化。
本实施例S4步骤自动生成检查和图像后处理方法报告。检查结束,原始图像生成,并在设备端或传输到AI+PACS完成识别、分割和重建后,根据Dicom头文件包含的技术参数和自动重建的处理结果,自动生成本次检查的技术和方法报告,包括检查部位、扫描范围、扫描参数和后处理方法等,以结构化方式存储和输出,以供后续会诊、科研和随访复查参考。其价值在于不同的医院或同一医院的不同设备,对于同一病灶的扫描参数和方法可能会因为设备性能特点不同而有所区别,而这些区别可能会影响对结果的判断,因此检查设备和方法是一份影像诊断报告不可分割的一部分,而目前这部分内容只能通过预先设定模板或医师手工输入,很难做到完整、准确,是目前医学影像质控最大的痛点,也是质控管理最困难的环节之一。
作为对本实施例的进一步改进的考虑,可先对弥漫性病变进行量化评估,再检测、勾画、定性局灶性病灶。目前主流的医学影像AI产品在设计算法和模型时一般都是基于单一病种或病灶的,比如肺结节一个模型,肺结核是另外一个模型,而实际上肺结节也可能是肿瘤也可能是肺结核,而很多病变如脂肪肝、肺气肿并不是局灶性的,而是整个或某叶器官整体质地的改变,而一个器官可能发生的常见病变会有数种甚至数十种,因此现有技术路线使AI只能局限在特定的病种如肺结节、脑血肿等,其发展不具有可持续性和拓展性。作为本实施例的改进在实现了步骤S2器官分割后,应该先对器官是否存在形态学改变和弥漫性病变进行检测,比如骨骼有没有变形,其密度有没有降低是否存在骨质疏松,肺有没有被压缩,其通透性有无增高或减低,是否存在肺气肿或肺水肿,脑沟是否有增宽或变浅,是否存在脑肿胀或萎缩,等等。这些弥漫性病变是可以通过深度学习算法检测,也可以通过传统CAD算法量化评估的。检测到或排除了弥漫性病变之后,再通过另一层算法去检测局灶性病灶,而且这层算法应该仅限于判断是否存在异常病灶且病灶的特征:位置、形态、大小和边界,以及成分特性,如在CT或X线影像上是高密度的还是低密度的,在MRI影像是高信号还是低信号的,质地是均匀还是混杂。最后再用一层算法对病灶可能是什么病变进行分类,比如是炎症或者肿瘤,概率是多大。如此一来,才有可能使用若干模型和算法生成针对某个器官的可以解读的结构化报告,真正成为取代影像诊断医生的人工智能。
实施例5
本实施例实现一种全新的AI+PACS系统检查报告构建方法。
附图5所述一种全新的AI+PACS系统检查报告构建方法2步骤图,本实施例在实施例4的基础上进行改进,应用于实施例2的一种全新的AI+PACS系统。
进一步的优选技术方案,上述的一种全新的AI+PACS系统检查报告构建方法,还包括如下步骤:
S5、上述阅片模块将上述第一AI模块、第二AI模块处理过的医疗图像进行展示,并勾画、和/或凸显出疑似病灶;上述阅片模块接受所述显示操作模块在图像界面上针对疑似病灶、病变的处理;
S6、上述显示操作模块显示上述阅片模块展示的医疗图像;上述显示操作模块对疑似病灶按照一定的诊断思维在图像界面上接受正确的、和/或编辑不完善的、和/或舍弃假阳的疑似病灶、和/或补充上述第二AI模型还不能识别的病变;
上述S4检查报告构建模块自动生成结构化图文报告。
本实施例实现了沉浸式程序化阅片、自动结构化报告的同时实现诊断与标记的同时进行。所谓沉浸式程序化阅片是本实施例构想的一种全新的,交互式的影像阅片模式。传统的医生影像工作站是在一组专业医学影像屏上显示PACS系统中患者的影像,在另一个屏幕上显示RIS系统里患者的病史和待输入报告界面,医师在PACS系统里浏览测量影像,把疾病相关信息转化为文字输入到RIS系统的报告界面(类似于看图说话),经过一个医师书写报告,一个高年资医师复核报告后再发送到HIS或打印给患者,临床医师根据文字报告对照图像解读关于病变的信息。这种诊断和沟通模式的效率极低,存在诸多弊端,经常被广大影像医师和临床各科医师所诟病。沉浸式阅片系统需要将RIS和PACS合并为一个整体的系统,读片和报告界面也需要重新打造,还需要配备AI和传统CAD算法构建具备强大分析和处理功能的后台。
本实施例阅片系统首先将设备或AI+PACS服务器分割、自动重建的器官或解剖单元的图像按序列展示,一方面在图像上对病灶进行编号,并用轮廓线勾画器官和病灶的边界供医师判断勾画是否准确,也可以通过热图或色块渲染的方法标记那些不是局灶分布的病变,这些轮廓线、热图、渲染图可以通过快捷键隐藏或恢复,也可以通过将不带标记的原始图像和带标记图像并排或并列展示供医师比对。另一方面按序列生成关于器官和病灶测量和诊断等信息的列表,列表内的信息都是在后台结构化存储的,在前端允许医师修改编辑且留记录的。
影像诊断医生的阅片模式:按照自己习惯的诊断思维按序列浏览图像,在图像界面上判断AI的是否正确,接受正确的、舍弃假阳的AI预测结果,而对于AI勾画、处理不完善的病灶或漏诊的病变,医师在界面上手工勾画、处理后,将病灶位置信息反馈到服务器端,由AI算法在后台进行再次计算分析和预测,然后在自动生成结构化的报告并展示到前端,由医师再次判断是否准确,是否需要再次进行反馈。
这份结构化报告包含对整个器官质地和是否存在弥漫性病变的描述和量化的测量信息,对局灶性的病变按照特定顺序进行编号,且包含各种形态、大小、密度等量化的测量信息,并可以按照既定模板直接转化为方便他人浏览、打印的文字或图文报告。
本实施例能从根本上改变传统的RIS与PACS并排分屏,影像医生根据PACS展示图像在RIS用文字表达病变的“看图说话式”阅片模式,解决传统阅片模式下结构化报告无法推进的问题。也把困扰AI模型发展的标记工作融入到日常诊断中。
实施例6
本实施例实现一种全新的AI+PACS系统检查报告构建方法。
附图6所述一种全新的AI+PACS系统检查报告构建方法3步骤图,本实施例在实施例5的基础上进行改进,应用于实施例3的一种全新的AI+PACS系统。
进一步的优选技术方案,上述的一种全新的AI+PACS系统检查报告构建方法,还包括如下步骤:
S7、上述比较报告构建模块自动检索历史检查,智能匹配多次检查中的同一病灶,智能筛选出新增病灶和消失病灶,生成准确量化的比较报告。
进一步的优选技术方案,上述的一种全新的AI+PACS系统检查报告构建方法,还包括如下步骤:
S8、上述病灶危急值判断模块通过上述第二AI模型进行病灶危急值判断;
上述S5阅片模块展示病灶危急值;
上述S6显示操作模块确认病灶危急值、和/或发布危急信息。
进一步的优选技术方案,上述的一种全新的AI+PACS系统检查报告构建方法,还包括如下步骤:
S9、上述病例/病变数字化模块实现病例/病灶医疗图像数字化,方便检索和提取,用于科研、和/或教学、和/或AI新产品的模型训练和测试。
本实施例先后上线了肺结节、肋骨骨折和脑分割等模型;部署了肺结节、肋骨骨折、脑卒中智能筛查系统和胸部X线自动诊断系统;本实施例是"驾驭"所有预测模型的多产品线应用;本实施例无需"OCR插件",所有模型的运行结果自动弹出供医师浏览,且每次弹出一个新病人自动覆盖上一例已经打开的影像,不存在目前主流模式下因OCR插件不稳定导致看错影像的问题,。
本实施例实现了量化的病灶评估和智能化随访。实际工作中需要对需重点关注的病灶如脑血肿和疑似肿瘤病灶的变化趋势进行随访,比如历次肺结节CT检查比对,可以用于判断结节的良恶性,又比如多次脑CT扫描结果比对可以判断脑血肿的扩大趋势和吸收情况,其他场景还包括肺炎、肿瘤治疗后效果的评价等。这就需要系统自动检索历史检查,智能匹配多次检查中的同一病灶并同层展示,对病灶进行量化的评估,如体积、形态、组织密度,从而生成准确量化的比较报告,并用图表的形式使病灶的变化趋势一目了然。
为了实现这点,要预先对历史的检查数据进行清洗整理,实际工作中,同一病人的多次就诊可能存在就诊卡不同,身份信息不准确或不完整的情况,因此有必要对现有数据库中的病人信息进行整理和归一,比如根据名字、生日、联系电话等多重信息进行匹配,尽可能使每个病人的每次历史检查可检索。
又因为我国病人就诊并不是强制实名制,冒用医保卡的现象时有发生,因此在前后片对比之前,有必要使用类似人脸识别身份验证的深度学习算法,对两次或多次检查的图像的一致性进行判定,只有判定结果一致才能进行多次检查比对。
另外为提升体验,还有必要通过层面和位置矫正,检索定位同一个病灶,在多个窗口同步展示同一病灶不同时期的影像和测量信息,以供医师判断、修正。
本实施例实现了智能危急判断、分层与预警。在AI+PACS上用多种人工智能病灶检测模型对多种危急值(如脑卒中,动脉夹层、脑外伤性血肿,气胸、多发骨折等)进行判断,一旦发现可疑危急值,立即在医师工作站前端发出警示,并前置到待诊断报告流的顶部,影像诊断医师确认接收并诊断完成后,自动通过平台接口将危急病人信息、诊断信息发布给相关临床医师以便紧急处理,提升卒中中心、创伤中心、胸痛中心等急重症病人的抢救效率。
本实施例实现了诊断报告实时反馈,患者离院打印临床终审报告,减少医疗纠纷和差错。现有影像诊断流程的弊端在于,临床医师负责采集病史和体检,但不可能完整准确转达给影像医师,影像医师在读片室诊断不接触病人,单凭影像和申请上有限的病史信息很难充分诊断,所以经常是临床医师或病人到外院发现了报告的纰漏之后,再反馈给放射科,由放射科将报告召回,这过程包含了各方大量沟通成本,难免产生医疗纠纷甚至医疗事故。本实施例对该模式进行重新设计:影像医师在AI+PACS处理的诊断报告,通过网络传输到临床医师工作站,临床医师工作站配备专门浏览器的终端,通过包含病灶标记和报告信息的结构化图文报告高效看诊,而不是当前根据报告文字描述再去图像上找病灶的低效率重复,如发现报告有误诊、漏诊,还可以在浏览器上直接标记疑问病灶、补充病史和留言,通过平台反馈给影像诊断医师,影像医师在诊断工作站接收到反馈后再基于临床医师的标记痕迹,修订自己的报告,解答临床疑问,然后系统再次生成结构化图文报告并发布,直至临床医师确认并同意影像医师诊断为止,从而实现高效沟通。患者只在离院时打印经过AI筛查、影像科室审核、临床医师确认同意接收的报告,也可以把临床医师确认接收的报告作为可以发布到云端供患者和外院同行浏览的一个标志。这相当于增加了一道影像诊断报告安全防火墙,在病人离院前就诊断报告的不足弥补掉,从而减少医疗差错和纠纷。
本实施例实现了影像和诊断报告上云端,智能随访提醒。诊疗结束后,通过云端发布管理模块,按照预先定义的策略,自动将“AI+报告医师+审核医师+临床医师”多重把关的图文化结构化诊断报告上传至云端,实现电子报告和云影像,方便转诊和司法鉴定时参考。同时对于影像报告建议或临床医嘱建议需要定期随访的病人,通过对报告中定期随访信息的解读,在恰当的时间节点通过短信、App或微信公众号、小程序等网络平台自动提醒患者进行随访。
本实施例实现了同类病例/病灶数字化并可检索,用于科研、教学和AI模型训练。采用和现有RIS/PACS完全不同的数据存储方式,AI+PACS可以实现所有病例/病灶数字化和结构化存储,同时可以将随访到的活检、手术病理、分子分型、基因分型和患者治疗结局等随访信息回输到数据库。通过搜索引擎,可以很方便的检索和提取的需要的完整病例信息,从而用于科研、教学和AI新产品的模型训练和测试。
本实施例与现行技术路线的区别在于,在AI还只能诊断识别一部分病变的初级阶段,不要求AI实现各种病变的诊断,而是强调器官和解剖单元的分割,在AI实现对器官和解剖单元(如肝、肺的叶和段、血管)的准确分割识别后,再依赖医师在诊断过程中,在传统CAD算法和AI模型的辅助下实现对器官或器官局部整体形态和功能、弥漫性病变的特征和范围检测和标记,累积了足够大的训练数据后,最终通过AI模型不断训练和迭代实现对弥漫性病变的检测;再通过在诊断过程中对局灶性病变的形态学和功能学特征进行标记,实现通过AI对局灶性病变的形态学和功能学特征进行解读,然后通过反复临床研究,验证对AI诊断结果的准确性,帮助医师在临床工作中解读AI的结论。实现本实施例的关键:首先要对医学影像AI算法系统、PACS系统和RIS系统进行深度整合,改变现有的数据存储方式,使器官和病灶的信息存储结构化;其次是,在实现对病灶检测前,大力优先发展器官和解剖单元的分割和识别模型;再次是将传统CAD算法和AI算法融合,取长补短,开发多种类型的病灶和病变标记、测量工具,实现将AI训练集的标记过程融入到医师日常的诊断工作中;最终形成医学影像AI研发,应用测试,效能验证,错误检测和反馈,重新迭代的闭环。
本实施例的先进性在于:通过流程各环节的质控管理,解决了阻碍AI发展的数据质量差和不标准问题;通过将标记过程融合到日常诊断工作中,解决了AI研发团队缺乏专业医师辅助准确标记的难题;通过传统CAD和AI技术融合辅助医师诊断,实现了器官和病灶信息的数字化结构化存储,减轻医生工作负担的同时,又给临床科研和教学以及AI模型的训练和迭代提供了源源不断的高质量的可检索的结构化数据。
综上所述,本实施例通过将人工智能技术渗透到医学影像检查和诊断的每个环节,颠覆了医学影像身份核对、图像处理、疾病诊断、报告发布模式所构建全新的AI+RIS/PACS系统,有望提高技师检查效率、医师的诊断效率以报告规范性和可读性,更解决了医学影像大量不规范数据无法挖掘利用的难题,通过构建该一体化平台有望实现真正的医工结合,形成临床、科研和教学、医学影像AI研发和迭代相互促进,共同发展提高的良好局面。
本领域普通技术人员可以理解,实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Acess Memory,RAM)等。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。
Claims (10)
1.一种全新的AI+PACS系统,所述全新的AI+PACS系统包括第一AI模型、第二AI模型、检查报告构建模块,其特征在于所述第一AI模型用于对医疗图像后处理,包括器官分割、图像重建;所述第二AI模型用于对医疗图像进行自动筛查、勾画并定量评估病灶;所述检查报告构建模块用于根据医疗图像头文件包含的技术参数和所述第一AI模型、第二AI模型的处理结果自动生成本次检查的技术和方法报告。
2.根据权利要求1所述的一种全新的AI+PACS系统,其特征在于所述全新的AI+PACS系统还包括阅片模块、显示操作模块,所述阅片模块用于将所述第一AI模块、第二AI模块处理过的医疗图像进行展示,并勾画、和/或凸显出疑似病灶;所述阅片模块还用于接受所述显示操作模块在图像界面上针对疑似病灶、病变的处理;所述显示操作模块用于显示所述阅片模块展示的医疗图像;所述显示操作模块还用于对疑似病灶按照一定的诊断思维在图像界面上接受正确的、和/或编辑不完善的、和/或舍弃假阳的疑似病灶、和/或补充所述第二AI模型还不能识别的病变;所述检查报告构建模块还用于自动生成结构化图文报告。
3.根据权利要求2所述的一种全新的AI+PACS系统,其特征在于所述全新的AI+PACS系统还包括比较报告构建模块,所述比较报告构建模块用于自动检索历史检查,智能匹配多次检查中的同一病灶,生成准确量化的比较报告。
4.根据权利要求2所述的一种全新的AI+PACS系统,其特征在于所述全新的AI+PACS系统还包括病灶危急值判断模块,所述病灶危急值判断模块用于通过所述第二AI模型进行病灶危急值判断;所述阅片模块还用于展示病灶危急值;所述显示操作模块还用于确认病灶危急值、和/或发布危急信息。
5.根据权利要求2所述的一种全新的AI+PACS系统,其特征在于所述全新的AI+PACS系统还包括病例/病变数字化模块,所述病例/病变数字化模块用于实现病例/病灶医疗图像数字化,方便检索和提取,用于科研、和/或教学、和/或AI新产品的模型训练和测试。
6.一种全新的AI+PACS系统检查报告构建方法,应用于权利要求1所述的一种全新的AI+PACS系统,其特征在于包括如下步骤:
S1、所述PACS系统提高检查图像Dicom头文件的标准性和规范性,和/或统一不同厂家CT设备的扫描参数和序列定义,和/或CT全部常规重建1mm或1mm以下等体素薄层图像;
S2、所述第一AI模型对医疗图像后处理,器官分割、图像重建;
S3、所述第二AI模型对医疗图像进行自动筛查、勾画并定量评估病灶;
S4、所述检查报告构建模块根据医疗图像头文件包含的技术参数和所述第一AI模型、第二AI模型的处理结果自动生成本次检查的技术和方法报告。
7.根据权利要求6所述的一种全新的AI+PACS系统检查报告构建方法,应用于权利要求2所述的一种全新的AI+PACS系统,其特征在于还包括如下步骤:
S5、所述阅片模块将所述第一AI模块、第二AI模块处理过的医疗图像进行展示,并勾画、和/或凸显出疑似病灶;所述阅片模块接受所述显示操作模块在图像界面上针对疑似病灶、病变的处理;
S6、所述显示操作模块显示所述阅片模块展示的医疗图像;所述显示操作模块对疑似病灶按照一定的诊断思维在图像界面上接受正确的、和/或编辑不完善的、和/或舍弃假阳的疑似病灶、和/或补充所述第二AI模型还不能识别的病变;
所述S4检查报告构建模块自动生成结构化图文报告。
8.根据权利要求7所述的一种全新的AI+PACS系统检查报告构建方法,应用于权利要求3所述的一种全新的AI+PACS系统,其特征在于还包括如下步骤:
S7、所述比较报告构建模块自动检索历史检查,智能匹配多次检查中的同一病灶,生成准确量化的比较报告。
9.根据权利要求8所述的一种全新的AI+PACS系统检查报告构建方法,应用于权利要求4所述的一种全新的AI+PACS系统,其特征在于还包括如下步骤:
S8、所述病灶危急值判断模块通过所述第二AI模型进行病灶危急值判断;
所述S5阅片模块展示病灶危急值;
所述S6显示操作模块确认病灶危急值、和/或发布危急信息。
10.根据权利要求9所述的一种全新的AI+PACS系统检查报告构建方法,应用于权利要求5所述的一种全新的AI+PACS系统,其特征在于还包括如下步骤:
S9、所述病例/病变数字化模块实现病例/病灶医疗图像数字化,方便检索和提取,用于科研、和/或教学、和/或AI新产品的模型训练和测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910672105.4A CN110379492A (zh) | 2019-07-24 | 2019-07-24 | 一种全新的ai+pacs系统及其检查报告构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910672105.4A CN110379492A (zh) | 2019-07-24 | 2019-07-24 | 一种全新的ai+pacs系统及其检查报告构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110379492A true CN110379492A (zh) | 2019-10-25 |
Family
ID=68255544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910672105.4A Pending CN110379492A (zh) | 2019-07-24 | 2019-07-24 | 一种全新的ai+pacs系统及其检查报告构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110379492A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706815A (zh) * | 2019-11-26 | 2020-01-17 | 北京推想科技有限公司 | 一种影像报告的评估方法、装置及电子设备 |
CN111142758A (zh) * | 2019-12-26 | 2020-05-12 | 嘉兴太美医疗科技有限公司 | 医学影像阅片交互方法、系统和计算机可读介质 |
CN111223554A (zh) * | 2019-12-26 | 2020-06-02 | 四川大学华西医院 | 一种智能ai pacs系统及其检查报告信息处理方法 |
CN111223085A (zh) * | 2020-01-09 | 2020-06-02 | 北京安德医智科技有限公司 | 一种基于神经网络的头部医疗影像辅助判读报告生成方法 |
CN111276219A (zh) * | 2020-01-16 | 2020-06-12 | 上海联影医疗科技有限公司 | 一种医疗成像处理方法、装置、设备和介质 |
CN111667897A (zh) * | 2020-04-24 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种影像诊断结果的结构化报告系统 |
CN111739617A (zh) * | 2020-06-15 | 2020-10-02 | 中国医学科学院医学信息研究所 | 医疗影像人工智能质控标注方法、装置、设备及存储介质 |
CN111938702A (zh) * | 2020-07-23 | 2020-11-17 | 上海市同仁医院 | 一种基于乳腺超声扫查的可视化随访系统及方法 |
CN111986756A (zh) * | 2020-08-27 | 2020-11-24 | 浙江大学医学院附属第四医院(浙江省义乌医院、浙江大学医学院附属第四医院医共体) | 一种眼科检查仪器的医疗数据采集分析方法 |
CN111986182A (zh) * | 2020-08-25 | 2020-11-24 | 卫宁健康科技集团股份有限公司 | 辅助诊断方法、系统、电子设备及存储介质 |
CN112071387A (zh) * | 2020-09-04 | 2020-12-11 | 中山仰视科技有限公司 | 一种自动化医学影像的电子胶片和检查报告获取方法及系统 |
CN112509660A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 体检报告生成方法、装置、设备和存储介质 |
CN112669925A (zh) * | 2020-12-16 | 2021-04-16 | 华中科技大学同济医学院附属协和医院 | 一种新冠肺炎ct复查的报告模板及形成方法 |
WO2021081839A1 (zh) * | 2019-10-30 | 2021-05-06 | 未艾医疗技术(深圳)有限公司 | 基于vrds 4d的病情分析方法及相关产品 |
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 |
CN113270168A (zh) * | 2021-05-19 | 2021-08-17 | 中科芯未来微电子科技成都有限公司 | 一种提高医学图像处理能力的方法及系统 |
CN113378560A (zh) * | 2021-07-02 | 2021-09-10 | 贵州电网有限责任公司 | 一种基于自然语言处理的试验报告智能诊断分析方法 |
CN113509193A (zh) * | 2021-04-22 | 2021-10-19 | 北京赛迈特锐医疗科技有限公司 | 非创伤性急诊头部ct影像诊断方法和装置 |
CN113628711A (zh) * | 2021-08-06 | 2021-11-09 | 浙江海心智惠科技有限公司 | 一种用于生成患者医疗报告的方法 |
WO2022061787A1 (en) * | 2020-09-25 | 2022-03-31 | Shanghai United Imaging Healthcare Co., Ltd. | Medical systems and methods |
CN114298974A (zh) * | 2021-11-30 | 2022-04-08 | 北京赛迈特锐医疗科技有限公司 | 胎儿头mr影像智能诊断方法及系统 |
CN114360693A (zh) * | 2021-12-16 | 2022-04-15 | 四川大学华西医院 | 医疗影像处理系统的监控方法和装置 |
CN115762722A (zh) * | 2022-11-22 | 2023-03-07 | 南方医科大学珠江医院 | 一种基于人工智能的影像复查系统 |
CN115798725A (zh) * | 2022-10-27 | 2023-03-14 | 佛山读图科技有限公司 | 用于核医学的带病灶人体仿真影像数据制作方法 |
CN116072255A (zh) * | 2023-04-07 | 2023-05-05 | 北京大学第三医院(北京大学第三临床医学院) | 基于人工智能的颈椎退行性疾病ct检查结构化报告系统 |
WO2023087641A1 (zh) * | 2021-11-22 | 2023-05-25 | 上海商汤智能科技有限公司 | 图像检测方法及相关装置、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 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 |
CN108573490A (zh) * | 2018-04-25 | 2018-09-25 | 王成彦 | 一种针对肿瘤影像数据的智能读片系统 |
CN109544550A (zh) * | 2018-12-05 | 2019-03-29 | 易必祥 | 基于ct影像智能检测和识别方法及系统 |
CN109559295A (zh) * | 2018-06-04 | 2019-04-02 | 新影智能科技(昆山)有限公司 | 图像分析系统、方法、计算机可读存储介质、及电子终端 |
CN109583440A (zh) * | 2017-09-28 | 2019-04-05 | 北京西格码列顿信息技术有限公司 | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 |
-
2019
- 2019-07-24 CN CN201910672105.4A patent/CN110379492A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN109583440A (zh) * | 2017-09-28 | 2019-04-05 | 北京西格码列顿信息技术有限公司 | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 |
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 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 |
CN108573490A (zh) * | 2018-04-25 | 2018-09-25 | 王成彦 | 一种针对肿瘤影像数据的智能读片系统 |
CN109559295A (zh) * | 2018-06-04 | 2019-04-02 | 新影智能科技(昆山)有限公司 | 图像分析系统、方法、计算机可读存储介质、及电子终端 |
CN109544550A (zh) * | 2018-12-05 | 2019-03-29 | 易必祥 | 基于ct影像智能检测和识别方法及系统 |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021081839A1 (zh) * | 2019-10-30 | 2021-05-06 | 未艾医疗技术(深圳)有限公司 | 基于vrds 4d的病情分析方法及相关产品 |
CN110706815A (zh) * | 2019-11-26 | 2020-01-17 | 北京推想科技有限公司 | 一种影像报告的评估方法、装置及电子设备 |
CN111142758A (zh) * | 2019-12-26 | 2020-05-12 | 嘉兴太美医疗科技有限公司 | 医学影像阅片交互方法、系统和计算机可读介质 |
CN111223554A (zh) * | 2019-12-26 | 2020-06-02 | 四川大学华西医院 | 一种智能ai pacs系统及其检查报告信息处理方法 |
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 |
CN111223085A (zh) * | 2020-01-09 | 2020-06-02 | 北京安德医智科技有限公司 | 一种基于神经网络的头部医疗影像辅助判读报告生成方法 |
CN111276219A (zh) * | 2020-01-16 | 2020-06-12 | 上海联影医疗科技有限公司 | 一种医疗成像处理方法、装置、设备和介质 |
CN111667897A (zh) * | 2020-04-24 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种影像诊断结果的结构化报告系统 |
CN111739617A (zh) * | 2020-06-15 | 2020-10-02 | 中国医学科学院医学信息研究所 | 医疗影像人工智能质控标注方法、装置、设备及存储介质 |
CN111938702A (zh) * | 2020-07-23 | 2020-11-17 | 上海市同仁医院 | 一种基于乳腺超声扫查的可视化随访系统及方法 |
CN111986182A (zh) * | 2020-08-25 | 2020-11-24 | 卫宁健康科技集团股份有限公司 | 辅助诊断方法、系统、电子设备及存储介质 |
CN111986756A (zh) * | 2020-08-27 | 2020-11-24 | 浙江大学医学院附属第四医院(浙江省义乌医院、浙江大学医学院附属第四医院医共体) | 一种眼科检查仪器的医疗数据采集分析方法 |
CN112071387A (zh) * | 2020-09-04 | 2020-12-11 | 中山仰视科技有限公司 | 一种自动化医学影像的电子胶片和检查报告获取方法及系统 |
WO2022061787A1 (en) * | 2020-09-25 | 2022-03-31 | Shanghai United Imaging Healthcare Co., Ltd. | Medical systems and methods |
CN116325009A (zh) * | 2020-09-25 | 2023-06-23 | 上海联影医疗科技股份有限公司 | 医疗系统和方法 |
CN112509660A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 体检报告生成方法、装置、设备和存储介质 |
CN112669925A (zh) * | 2020-12-16 | 2021-04-16 | 华中科技大学同济医学院附属协和医院 | 一种新冠肺炎ct复查的报告模板及形成方法 |
CN113509193A (zh) * | 2021-04-22 | 2021-10-19 | 北京赛迈特锐医疗科技有限公司 | 非创伤性急诊头部ct影像诊断方法和装置 |
CN113270168A (zh) * | 2021-05-19 | 2021-08-17 | 中科芯未来微电子科技成都有限公司 | 一种提高医学图像处理能力的方法及系统 |
CN113270168B (zh) * | 2021-05-19 | 2024-01-02 | 中科芯未来微电子科技成都有限公司 | 一种提高医学图像处理能力的方法及系统 |
CN113378560A (zh) * | 2021-07-02 | 2021-09-10 | 贵州电网有限责任公司 | 一种基于自然语言处理的试验报告智能诊断分析方法 |
CN113628711A (zh) * | 2021-08-06 | 2021-11-09 | 浙江海心智惠科技有限公司 | 一种用于生成患者医疗报告的方法 |
WO2023087641A1 (zh) * | 2021-11-22 | 2023-05-25 | 上海商汤智能科技有限公司 | 图像检测方法及相关装置、电子设备和存储介质 |
CN114298974A (zh) * | 2021-11-30 | 2022-04-08 | 北京赛迈特锐医疗科技有限公司 | 胎儿头mr影像智能诊断方法及系统 |
CN114360693A (zh) * | 2021-12-16 | 2022-04-15 | 四川大学华西医院 | 医疗影像处理系统的监控方法和装置 |
CN115798725A (zh) * | 2022-10-27 | 2023-03-14 | 佛山读图科技有限公司 | 用于核医学的带病灶人体仿真影像数据制作方法 |
CN115798725B (zh) * | 2022-10-27 | 2024-03-26 | 佛山读图科技有限公司 | 用于核医学的带病灶人体仿真影像数据制作方法 |
CN115762722B (zh) * | 2022-11-22 | 2023-05-09 | 南方医科大学珠江医院 | 一种基于人工智能的影像复查系统 |
CN115762722A (zh) * | 2022-11-22 | 2023-03-07 | 南方医科大学珠江医院 | 一种基于人工智能的影像复查系统 |
CN116072255A (zh) * | 2023-04-07 | 2023-05-05 | 北京大学第三医院(北京大学第三临床医学院) | 基于人工智能的颈椎退行性疾病ct检查结构化报告系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110379492A (zh) | 一种全新的ai+pacs系统及其检查报告构建方法 | |
US11462309B2 (en) | Automated electrocardiogram interpretation system and methods for use therewith | |
US20210158531A1 (en) | Patient Management Based On Anatomic Measurements | |
CN109817304A (zh) | 针对放射学发现物传送现场护理警报的系统和方法 | |
EP0616290B1 (en) | Medical information processing system for supporting diagnosis. | |
US8334878B2 (en) | Medical image processing apparatus and medical image processing program | |
US10733727B2 (en) | Application of deep learning for medical imaging evaluation | |
US20210398655A1 (en) | Machine learning algorithms for detecting medical conditions, related systems, and related methods | |
US20110066635A1 (en) | Medical image information display apparatus, medical image information display method, and recording medium on which medical image information display program is recorded | |
JP2008259682A (ja) | 部位認識結果修正装置、方法、およびプログラム | |
US20210174503A1 (en) | Method, system and storage medium with a program for the automatic analysis of medical image data | |
KR20140096092A (ko) | 의료 진단 절차들에 관한 정보를 수집하고 보고하고 관리하는 방법들 및 기법들 | |
CN105359161A (zh) | 用于医学图像分析和概率诊断的系统和方法 | |
JP2007528746A (ja) | Cad(コンピュータ援用決定)プロセスを日常的なcadシステム利用から得られた知識に適合させるために機械学習を利用する医用画像診断用のcad支援 | |
JP2009516551A (ja) | 医用画像の定量的および定性的なコンピュータ支援分析方法およびシステム | |
US11462315B2 (en) | Medical scan co-registration and methods for use therewith | |
JPH04333972A (ja) | 医用診断支援システム | |
US11969265B2 (en) | Neural network classification of osteolysis and synovitis near metal implants | |
WO2008135740A2 (en) | Scanner data collection | |
US8331635B2 (en) | Cartesian human morpho-informatic system | |
CN109937433A (zh) | 用于x射线图像中的不透明区的检测的装置 | |
JP7102999B2 (ja) | 情報収集処理装置、情報収集処理方法及びプログラム | |
CN114999638B (zh) | 基于人工智能医疗诊断用的大数据可视化处理方法及系统 | |
Dubey et al. | Integration of CAD into PACS | |
JP7097794B2 (ja) | 情報処理システム及び情報処理方法 |
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 |