CN110459302A - 超声医疗影像ai辅助标注系统 - Google Patents
超声医疗影像ai辅助标注系统 Download PDFInfo
- Publication number
- CN110459302A CN110459302A CN201910717762.6A CN201910717762A CN110459302A CN 110459302 A CN110459302 A CN 110459302A CN 201910717762 A CN201910717762 A CN 201910717762A CN 110459302 A CN110459302 A CN 110459302A
- Authority
- CN
- China
- Prior art keywords
- medical imaging
- labeling system
- mark
- medical
- image
- 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
- 238000002372 labelling Methods 0.000 title claims abstract description 48
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 127
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 238000000034 method Methods 0.000 description 16
- 238000010801 machine learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开超声医疗影像AI辅助标注系统，所述系统首先用医生标注的有限医疗影像训练集训练一个AI目标检测系统，然后再用该训练好的AI目标检测系统去标注相应的医疗影像，被标注的医疗影像通过其病历所著的诊断结论或由医疗专家确认或修正，从而得到新的医疗影像训练集。该训练集与原医疗影像训练集随机混合成新的医疗影像训练集，用所述新的医疗影像训练集重新训练所述的AI目标检测系统，如此反复多次不断增加训练数据，提高所述系统的标注精度。所述的系统解决了医疗影像标注所需大量投入专家资源和成本高昂的问题。
Description
技术领域
本发明涉及人工智能、医疗影像和深度学习，特别是涉及一种超声医疗影像AI（人工智能）辅助标注系统。
背景技术
目前医疗数据中有超过90％来自医疗影像，医疗影像数据已经成为医生诊断必不可少的“证据”之一。人工智能和医疗影像的结合，能够为医生阅片和勾画提供辅助和参考，大大节约医生时间，提高诊断效率和精度。特别是能够为基层医院，提供高质量的医疗影像诊断服务，解决其影像诊疗质量较低或者不能提供的问题。
大数据推动了机器学习的迅速发展和广泛应用。在机器学习中需要大量的标注数据来训练模型，这种机器学习过程也称为监督学习。然而，大量标注数据是一个非常繁重的任务和繁杂的处理过程。特别是医疗影像的机器学习，需要大量的医疗专家来精准的标注用于训练的医疗数据，这将使得研究和开发一个医疗影像机器处理模型需要投入大量的人力和物力。
希望发明一种方法和工具解决上述问题，在训练医疗影像诊断系统时，减少专家们的繁重工作，节省人力物力和投资。
发明内容
本发明公开一种超声医疗影像AI辅助标注系统，解决上述问题。所述的医疗影像AI医疗影像标注系统由医疗影像标注终端、互联网和AI服务器等组成：
所述医疗影像标注终端是一台普通电脑，包括台式或笔记本电脑，用于运行AI医疗影像标注系统的浏览器客户端；
所述互联网用于将所述的医疗影像标注终端与AI服务器连接，传输数据和指令；
所述AI服务器用来运行AI医疗影像标注软件，自动标注所述的医疗影像图片。
作为优选方案之一，首先用医生标注的有限医疗影像图片训练一个用于特定医疗影像标注的AI目标检测系统，然后再用该训练好的AI目标检测系统去标注相应的医疗影像，被标注的医疗影像通过其病历所著的诊断结论或由专业医生确认或修正，从而得到新的医疗影像训练集。该训练集与训练正在使用系统的医疗影像集随机混合成新的医疗影像集，用所述新的医疗影像集重新训练所述的系统，通过反复多次不断增加训练数据，提高所述系统的标注精度。
优选地，所述的AI目标检测系统可以是任何能够根据标注区域特征训练和识别相应特征的AI目标检测系统，例如：R-CNN、Fast R-CNN、Faster R-CNN、YOLO (v1 & v2)、G-CNN、SSD、U-Net等。
进一步，所述的AI目标检测系统采用FasterR-CNN目标检测算法，在较少训练数据情况下，取得较好训练精度，并且收敛比较块。
优选地，所述医疗影像AI医疗影像标注系统，要针对每一种医疗影像进行分别训练，例如，训练一个乳腺癌超声医疗影像AI医疗影像标注系统，需要用乳腺癌超声医疗影像图片进行训练。本发明所述的医疗影像AI医疗影像标注系统，实际使用的是经过特定医疗影像训练的，特定的医疗影像AI医疗影像标注系统。
作为优选方案之二，所述的医疗影像AI医疗影像标注系统的医疗影像标注终端，运行APP或客户端，将需要标注的医疗影像图片通过所述医疗影像标注终端上载到所述的AI服务器上，在AI服务器上运行特定的医疗影像AI标注模型，对所述需要标注的医疗影像图片进行标注后，再将机器标注的医疗影像图片和标注文件送回所述医疗影像标注终端分别存储。
优选地，所述的所述医疗影像标注终端可以将一批需要标注的医疗影像图片集送给AI服务器进行批量标注，再接收机器标注结果并将其存储到所述医疗影像标注终端。
优选地，医疗专家可以运行所述医疗影像标注终端上的标注软件，检查机器标注的正确性和改正标注结果，并将正确标注的医疗影像图片放入训练集，非正确标注医疗影像图片放入原始数据集用来重新标注。
优选地，专业人员可以通过被标注医疗影像的标注结果与其病历所著的诊断结论比对，确定该医疗影像机器标注结果是否正确，并将正确标注的医疗影像图片放入训练集，非正确标注医疗影像图片放入原始数据集用来重新标注。
进一步，所述医疗影像标注终端运行的软件是一个用于医疗影像标注的软件，只需要拖动标注框到正确的标注位置和将目标放入框内就可以自动生成标注文件。
作为优选方案之三，所述的医疗影像AI医疗影像标注系统，采用多种图像预处理方法将有限训练数据集扩展，提高所述AI医疗影像标注系统的训练精度，包括：图像大小缩放、图像归一化、图像仿射变换、图像随机裁剪、随机旋转。
优选地，图像大小缩放用于将不同尺寸的图片，缩放成所述特定的医疗影像AI标注模型定义的图片尺寸大小。
优选地，图像归一化处理是将数据向量数值压缩到 [0,1]或[ − 1,1] 的区间内（根据数据情况而定），以满足应用需求。
优选地，图像仿射变换完成图像的形状位置角度的变化，包括：图像的旋转、剪切、翻转和平移等处理。
进一步，图像随机裁剪处理是在保证标注目标在内时，围绕其周围随机截取图像并将其填补到所述特定的医疗影像AI标注模型定义图片尺寸大小。
进一步，图像随机旋转是在保证标注目标在内时，随机旋转图像，并用一个与所述特定的医疗影像AI标注模型定义图片尺寸大小的矩形框进行截取。
作为优选方案之四，所述的医疗影像AI医疗影像标注系统，通过不断标注所述的医疗影像数据，增加训练数据集的医疗影像数据，并用新的训练数据集对正在使用的AI医疗影像标注系统再训练，得到标注精准度更高的新AI医疗影像标注系统，如此反复，最终训练出可以对所述医疗影像进行精确标注的AI医疗影像标注系统。
优选地，在用AI医疗影像标注系统标注特定的医疗影像图片时，经医疗专家或病历资料确认的正确标注图片放入新的训练集，不正确标注的图片以原始图片方式放回待标注医疗影像图片集，这样可以标注更多的医疗影像图片。
本发明的有益效果是：
在医疗影像标注时，采用本发明可以大大减少所需医疗专家资源的投入，节约成本，提高标注精度和效率。对应推动人工智能医疗影像诊断有重大意义。
附图说明
图1是本发明优选实施例的医疗影像AI医疗影像标注系统原理图；
图2是本发明优选实施例的医疗影像AI标注流程图；
图3是本发明优选实施例的医疗影像AI医疗影像标注系统精度提高原理；
图4是本发明优选实施例的医疗影像AI医疗影像标注系统图像预处理流程图。
具体实施方式
现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1，本发明优选实施例的医疗影像AI医疗影像标注系统原理图所示：1是标注终端，在此，优选PC作为标注终端，运行调用客户端，完成机器标注、结果检查、比对和标注结果分类存储（正确结果分类存储和不正确结果图片分别存储）等功能；2是互联网，通过互联网将1和3连接，将1的数据和指令送给3，并将3的标注结果送回给1，在所述例中，只有一个标注终端1，在实际工作系统中，可以有多个标注中端1同时工作；3是AI服务器，用于运行医疗影像AI标注软件，完成对特定种类医疗影像的自动标注。
如图2，本发明优选实施例的医疗影像AI标注流程图所示：启动所述医疗影像标注终端，流程S11，点击PC端医疗影像AI标注图标，打开客户端；流程S12，点击客户端图片选择键，在PC文件夹或者在移动盘中选择所要标注的医疗影像图片（点击所述图片），再点击确认键；流程S13，客户端通过互联网将所选择的图片送给AI服务器3；流程S14，AI服务器3运行AI标注软件，对所述图片进行自动标注；流程S15，图片标注完成后，将标注结果反回给PC客户端；流程S16，PC客户端显示标注结果；流程S7，医疗专家检查或专职人员比对病历确定所述图片标注是否正确；流程S18，如果正确，将图片按照分类存储到新的训练数据集；流程S19，如果不正确，将所述标注图片的原始图片放回待标注数据集，等待新训练的AI医疗影像标注系统再重新标注；流程S20，如果还要继续标注新的医疗影像图片，返回流程S12。
如图3，本发明优选实施例的医疗影像AI医疗影像标注系统精度提高原理所示，S31，调入一个已标注训练数据集，用于训练AI医疗影像标注系统；S32，用已标注训练数据集，对所选定AI医疗影像标注系统进行训练；S33，用训练好的AI医疗影像标注系统标注待标注数据集中的图片；S34，通过医疗专家检查修正或者所述图片对应的病历比对修正，确定所述标注是否正确，如果正确，将标注正确的图片放入已标注训练集，用于再次训练新的AI医疗影像标注系统，提高AI医疗影像标注系统的标注精度；S36，如果所述标注不正确，将该标注图片的原始图片放回待标注数据集，用于重新标注。通过不断重复以上步骤，所述的AI医疗影像标注系统精度将逐步到达预定精度。
如图4，本发明优选实施例的医疗影像AI医疗影像标注系统图像预处理流程图所示：首先进入步骤S41，进行图像裁剪，通过缩放将不同尺寸的图片，缩放成所述特定的医疗影像AI标注模型定义的图片尺寸大小；步骤S42，对图像数据做归一化处理，将数据向量数值压缩到 [0,1]或[ − 1,1] 的区间内（根据数据情况而定），以满足应用需求；步骤S43，进行图像仿射变换，完成图像的形状位置角度的变化，包括：图像的旋转、剪切、翻转和平移等处理；步骤S44，进行图像随机裁剪处理，在保证标注目标在内时，围绕其周围随机截取图像并将其填补到所述特定的医疗影像AI标注模型定义图片尺寸大小；步骤S45，进行图像随机旋转，在保证标注目标在内时，随机旋转图像，并用一个与所述特定的医疗影像AI标注模型定义图片尺寸大小的矩形框进行截取。经过以上图像预处理，可以大大增加训练图像数据集，使得AI医疗影像标注系统的训练精度提高。
以上述依据本发明的实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (7)
1.超声医疗影像AI（人工智能）辅助标注系统，其特征在于，其由医疗影像标注终端、互联网和AI服务器等组成：
所述医疗影像标注终端是一台普通电脑，包括台式或笔记本电脑，用于运行AI医疗影像标注系统的客户端；
所述互联网用于将所述的医疗影像标注终端与AI服务器连接，传输数据和指令；
所述AI服务器用来运行AI医疗影像标注软件，自动标注所述的医疗影像图片。
2.如权利要求1所述的医疗影像AI标注系统，其特征在于，针对特定种类的医疗影像，设计特定的AI目标检测算法，并先用医疗专家标注的少量数据训练所述的医疗影像AI标注系统。
3.如权利要求1所述的医疗影像AI标注系统，其特征在于，用针对特定种类医疗影像数据训练好的医疗影像AI标注系统，对待标注数据集中的特定种类医疗影像进行机器自动标注。
4.如权利要求1所述的医疗影像AI标注系统，其特征在于，所述机器自动标的医疗影像，由医疗专家在所述标注终端上检查和修正，或根据被标注医疗影像对应的病历进行比对修正，得到正确标注的医疗影像。
5.如权利要求1所述的医疗影像AI标注系统，其特征在于，所述正确标注的医疗影像加入到原来的标注医疗影像训练集，逐步增加用于训练所述医疗影像AI标注系统的训练数据量，进一步训练和提高所述医疗影像AI标注系统的标注精度，标注不正确的数据放回待标注数据集。
6.如权利要求1所述的医疗影像AI标注系统，其特征在于，所述AI标注系统通过图像预处理来增加训练数据量，提高所述AI标注系统的精度；所述的图像预处理包括：图像缩放、图像归一化、图像仿射变换、图像随机裁剪、随机旋转等。
7.如权利要求1所述的医疗影像AI标注系统，其特征在于，可以有多个所述的标注终端同时使用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910717762.6A CN110459302A (zh) | 2019-08-05 | 2019-08-05 | 超声医疗影像ai辅助标注系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910717762.6A CN110459302A (zh) | 2019-08-05 | 2019-08-05 | 超声医疗影像ai辅助标注系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110459302A true CN110459302A (zh) | 2019-11-15 |
Family
ID=68484922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910717762.6A Pending CN110459302A (zh) | 2019-08-05 | 2019-08-05 | 超声医疗影像ai辅助标注系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110459302A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126502A (zh) * | 2019-12-26 | 2020-05-08 | 北京安德医智科技有限公司 | 一种面向人工智能辅助诊断的dicom医疗影像序列分类方法 |
| CN111429412A (zh) * | 2020-03-17 | 2020-07-17 | 北京青燕祥云科技有限公司 | 肝包虫超声ai辅助诊断方法及系统 |
| 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 |
| CN111816284A (zh) * | 2020-09-04 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 医疗测试数据的批量生成方法、装置、设备及存储介质 |
| CN111863205A (zh) * | 2020-07-23 | 2020-10-30 | 山东协和学院 | 一种精准图像识别系统及图像识别方法 |
| 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 |
| CN115879004A (zh) * | 2022-12-21 | 2023-03-31 | 北京百度网讯科技有限公司 | 目标模型的训练方法、装置、电子设备、介质和程序产品 |
| CN116092645A (zh) * | 2023-02-02 | 2023-05-09 | 中南大学湘雅三医院 | 一种基于大数据的医疗辅助ai智能化管理系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109448822A (zh) * | 2018-09-21 | 2019-03-08 | 沈阳医学院附属中心医院 | 基于影像报告的ct图像肺气肿自动标注方法 |
| CN109686423A (zh) * | 2018-11-06 | 2019-04-26 | 众安信息技术服务有限公司 | 一种医疗影像标注方法及系统 |
| CN109872803A (zh) * | 2019-01-28 | 2019-06-11 | 透彻影像(北京)科技有限公司 | 一种人工智能病理标注系统 |
-
2019
- 2019-08-05 CN CN201910717762.6A patent/CN110459302A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109448822A (zh) * | 2018-09-21 | 2019-03-08 | 沈阳医学院附属中心医院 | 基于影像报告的ct图像肺气肿自动标注方法 |
| CN109686423A (zh) * | 2018-11-06 | 2019-04-26 | 众安信息技术服务有限公司 | 一种医疗影像标注方法及系统 |
| CN109872803A (zh) * | 2019-01-28 | 2019-06-11 | 透彻影像(北京)科技有限公司 | 一种人工智能病理标注系统 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126502A (zh) * | 2019-12-26 | 2020-05-08 | 北京安德医智科技有限公司 | 一种面向人工智能辅助诊断的dicom医疗影像序列分类方法 |
| 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 |
| 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 |
| CN111429412A (zh) * | 2020-03-17 | 2020-07-17 | 北京青燕祥云科技有限公司 | 肝包虫超声ai辅助诊断方法及系统 |
| CN111429412B (zh) * | 2020-03-17 | 2023-11-03 | 北京青燕祥云科技有限公司 | 肝包虫超声ai辅助诊断方法及系统 |
| 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 |
| CN111863205A (zh) * | 2020-07-23 | 2020-10-30 | 山东协和学院 | 一种精准图像识别系统及图像识别方法 |
| CN111816284A (zh) * | 2020-09-04 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 医疗测试数据的批量生成方法、装置、设备及存储介质 |
| CN111816284B (zh) * | 2020-09-04 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 医疗测试数据的批量生成方法、装置、设备及存储介质 |
| CN115879004A (zh) * | 2022-12-21 | 2023-03-31 | 北京百度网讯科技有限公司 | 目标模型的训练方法、装置、电子设备、介质和程序产品 |
| CN116092645A (zh) * | 2023-02-02 | 2023-05-09 | 中南大学湘雅三医院 | 一种基于大数据的医疗辅助ai智能化管理系统及方法 |
| CN116092645B (zh) * | 2023-02-02 | 2023-08-18 | 中南大学湘雅三医院 | 一种基于大数据的医疗辅助ai智能化管理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110459302A (zh) | 超声医疗影像ai辅助标注系统 | |
| Nishimoto et al. | Personal computer-based cephalometric landmark detection with deep learning, using cephalograms on the internet | |
| CN111192356B (zh) | 感兴趣区域的显示方法、装置、设备和存储介质 | |
| US9972093B2 (en) | Automated region of interest detection using machine learning and extended Hough transform | |
| CN110189323B (zh) | 一种基于半监督学习的乳腺超声图像病灶分割方法 | |
| Xie et al. | Statistical karyotype analysis using CNN and geometric optimization | |
| WO2019068741A2 (en) | AUTOMATED CLASSIFICATION AND TAXONOMY OF 3D TEXT DATA USING DEEP LEARNING PROCESSES | |
| CN110189306B (zh) | 脑图像中异常区域对应的责任血管确定方法和设备 | |
| CN111062947B (zh) | 一种基于深度学习的x光胸片病灶定位方法及系统 | |
| Yan et al. | Symmetric convolutional neural network for mandible segmentation | |
| Gao et al. | A deep convolutional network for medical image super-resolution | |
| CN109919037A (zh) | 一种文本定位方法及装置、文本识别方法及装置 | |
| CN110859642B (zh) | 一种基于AlexNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质 | |
| CN110364250B (zh) | 乳腺钼靶图像的自动标注方法、系统及存储介质 | |
| Li et al. | AGMB-transformer: Anatomy-guided multi-branch transformer network for automated evaluation of root canal therapy | |
| CN110084868A (zh) | 图像校正方法、装置、计算机设备和可读存储介质 | |
| JP6916849B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
| CN110458852A (zh) | 基于胶囊网络的肺组织分割方法、装置、设备及存储介质 | |
| KR102580419B1 (ko) | 병리 슬라이드 이미지 내의 관심 영역을 검출하기 위한 방법 및 시스템 | |
| CN111161240A (zh) | 血管分类方法、计算机设备和可读存储介质 | |
| CN115966309A (zh) | 复发位置预测方法、装置、非易失性存储介质及电子设备 | |
| CN111738975A (zh) | 图像辨识方法及图像辨识装置 | |
| WO2022267447A1 (zh) | 一种病理图像处理系统、方法及介质 | |
| Mikhailov et al. | A deep learning-based interactive medical image segmentation framework | |
| CN110222741A (zh) | 医学图像的预测方法、模型、装置、设备和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |