CN110660479A - 一种动态医学影像ai训练诊断系统 - Google Patents
一种动态医学影像ai训练诊断系统 Download PDFInfo
- Publication number
- CN110660479A CN110660479A CN201910881810.5A CN201910881810A CN110660479A CN 110660479 A CN110660479 A CN 110660479A CN 201910881810 A CN201910881810 A CN 201910881810A CN 110660479 A CN110660479 A CN 110660479A
- Authority
- CN
- China
- Prior art keywords
- training
- sample
- sample pool
- samples
- temporary
- 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
Images
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
- 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
- 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
-
- 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
- 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
Abstract
本发明提供的一种动态医学影像AI训练诊断系统,适于在计算设备中执行,包括云端服务器,其中:所述云端服务器用于将接收到的影像样本进行识别,之后将得到的识别影像样本进行反馈;同时,云端服务器用于将根据接收到的反馈结果对AI训练模型进行动态训练和更新;该系统基于云端服务器将AI训练、影像自动识别和鉴定结合起来,根据鉴定结果主动对训练样本集和测试样本集进行调整和扩充,从而使系统能够自动提升辨识率;本系统能够对样本有自适应和自成长的特性;节约了人力,缩短了AI训练的迭代周期。
Description
技术领域
本发明属于医疗器械领域,具体涉及一种动态医学影像AI训练诊断系统。
背景技术
现代医学早已不再是“望闻问切”的年代,仅凭观察无法了解病人的情况,没有哪一个临床专业能离得开医学影像。然而,目前在我国仅有八万名影像科医生,他们面临的是几亿人的影像检查与诊断量,许多影像医生每天要阅读上千幅图像,一天工作下来,头昏眼花、疲惫不堪。过大的工作量难免会引起一些漏诊、误诊。依据目前AI(人工智能)的发展水平和在临床上的相关应用研究结果,将AI技术引入影像学,有望解决影像诊断医生的部分常规工作量,提高诊断正确率,减少误诊、漏诊率。
目前,AI在医学影像技术的发展存在以下问题:
(1)影像样本取得的周期比较长,收集比较困难;
(2)验证周期较长,需要大量的人力参与;
(3)AI训练模型迭代更新时间长;
(4)AI训练模型对不同地区采集的样本无自适应能力。
发明内容
本发明的目的在于提供一种动态医学影像AI训练诊断系统,解决了现有的AI诊断模型存在迭代更新时间长的缺陷。
为了达到上述目的,本发明采用的技术方案是:
本发明提供的一种动态医学影像AI训练诊断系统,适于在计算设备中执行,包括云端服务器,其中:
所述云端服务器用于将接收到的影像样本进行识别,之后将得到的识别影像样本进行反馈;
同时,云端服务器用于将根据接收到的反馈结果对AI训练模型进行动态训练和更新。
优选地,云端服务器包括交互模块、识别模块、预处理模块、动态处理模块和训练模块,其中:
交互模块用于接收影像样本,并将接收到的影像样本传输至识别模块;将识别模块传输的识别影像样本进行反馈;同时,用于采集识别影像样本的反馈结果,若反馈结果为不接受,则将该反馈结果传输至动态处理模块;
识别模块用于对接收到的影像样本进行识别,并将得到的识别影像样本传输至交互模块;
预处理模块用于对接收到的反馈识别影像样本依次进行特征标注预处理和影像切割,得到样本数据,之后将得到的样本数据传输至动态处理模块;
动态处理模块用于根据传输得到的样本数据对样本池进行动态更新,得到更新后的样本池;
训练模块用于更新后的样本池对AI训练模型进行训练、测试,同时,将根据所得的测试结果,对更新后的样本池和更新后的AI训练模型进行处理。
优选地,识别模块对接收到的影像样本进行识别,具体方法是:
利用深度学习法对接收到的影像样本进行识别,之后将识别结果显示在所述影像样本上,得到的识别影像样本;其中,所述识别结果包括病灶的位置及病灶信息描述。
优选地,对收到的反馈识别影像样本进行特征标注预处理和影像切割的具体方法是:
首先,将反馈识别影像样本上的影像样本编号与该反馈识别影像样本上的病灶位置及病灶信息描述进行关联,并建立索引、储存;
其次,根据标记的病灶位置对影像进行切割,得到反馈识别影像样本上标记的有效区域;
最后,对得到的有效区域图片进行图像增强处理,得到样本数据。
优选地,动态处理模块用于对样本池进行动态更新,具体方法是:
首先,将得到的样本数据分别存储在临时测试样本池和临时训练样本池,并实时分别统计临时测试样本池和临时训练样本池中的样本个数;
其次,当临时测试样本池或临时训练样本池的样本个数达到预设的阈值时,则分别将临时测试样本池中的样本与测试样本池中的样本、临时训练样本池中的样本与训练样本池中的样本进行合并,得到临时合并测试样本池和临时合并训练样本池。
优选地,分别将临时测试样本池中的样本与测试样本池中的样本、以及临时训练样本池中的样本与训练样本池中的样本进行合并,具体方法是:
当测试样本池或训练样本池中的样本数量小于预设阈值时,将临时测试样本池中的样本直接合并至测试样本池,或将临时训练样本池中的样本直接合并至训练样本池中;
当测试样本池或训练样本池中的样本数量大于预设阈值时,则将从临时测试样本池中随机选取3%~5%的样本替换测试样本池中的同等数量的样本,或从临时训练样本池中随机选取3%~5%的样本替换训练样本池中的同等数量的样本。
优选地,将根据所得的测试结果,对更新后的样本池和更新后的AI训练模型进行处理,具体方法是:
当此次测试结果优于上一次测试结果,则将临时合并测试样本池和临时合并训练样本池中更换为测试样本池和训练样本池,同时将训练好的AI训练模型替换训练之前的AI训练模型;
若此次测试结果劣于上一次测试结果,则恢复测试样本池和训练样本池中的样本数据,同时,保留训练之前的AI训练模型。
与现有技术相比,本发明的有益效果是:
本发明提供的一种动态医学影像AI训练诊断系统,基于云端服务器将AI训练、影像自动识别和鉴定结合起来,根据鉴定结果主动对训练样本集和测试样本集进行调整和扩充,从而使系统能够自动提升辨识率;本系统能够对样本有自适应和自成长的特性;本系统节约了人力,缩短了AI训练的迭代周期;本系统对不同的人种特点有自适应性。
附图说明
图1是本发明涉及的系统结构示意图;
图2是本发明涉及的系统使用流程图。
具体实施方式
下面结合附图,对本发明进一步详细说明。
如图1所示,本发明提供的一种动态医学影像AI训练诊断系统,基于云端服务器将AI训练、影像自动识别和鉴定结合起来,根据鉴定结果主动对训练样本集和测试样本集进行调整和扩充,从而使系统能够自动提升辨识率的动态医学影像AI训练诊断系统。
具体地:
一种动态医学影像AI训练诊断系统,包括云端服务器,以及能够在所述服务器上运行的计算机程序,所述处理器执行的所述计算机程序分割为交互模块、识别模块、预处理模块、动态处理模块和训练模块。
所述云端服务器用于将接收到的影像样本进行识别,之后将得到的识别影像样本进行反馈;
同时,云端服务器用于根据接收到的反馈结果对AI训练模型进行动态训练更新。
云端服务器包括交互模块、识别模块、预处理模块、动态处理模块和训练模块,其中:
交互模块用于接收影像样本,并将接收到的影像样本传输至识别模块;将识别模块传输的识别影像样本进行反馈;同时,用于采集识别影像样本的反馈结果,当反馈结果为接受,则进行报告打印输出;若反馈结果为不接受,则将该反馈结果传输至预处理模块。
当识别影像样本上的识别结果为漏判或误判时,则反馈结果为不接受。
识别模块利用深度学习法对接收到的影像样本进行识别,并将识别结果显示在所述影像样本上,最终将得到的识别影像样本传输至交互模块。
识别结果包括病灶的位置及病灶信息描述。
预处理模块用于对接收到的反馈识别影像样本依次进行特征标注预处理和影像切割,得到样本数据,之后将得到的样本数据传输至动态处理模块。
具体地:
对收到的反馈识别影像样本进行特征标注预处理和影像切割的具体方法是:
首先,将反馈识别影像样本上的影像样本编号与该反馈识别影像样本上的病灶位置及病灶信息描述进行关联,并建立索引、储存;
其次,根据标记的病灶位置对影像进行切割,得到反馈识别影像样本上标记的有效区域;
最后,对得到的有效区域图片进行图像增强处理,得到样本数据。
动态处理模块用于将得到的样本数据存储在临时测试样本池和临时训练样本池,并实时分别统计临时测试样本池和临时训练样本池中的样本个数,当临时测试样本池或临时训练样本池的样本个数达到预设的阈值时,则分别将临时测试样本池中的样本与测试样本池中的样本进行合并,临时训练样本池中的样本与训练样本池中的样本进行合并,之后,将得到的临时合并测试样本池和临时合并训练样本池传输至训练模块。
具体地:
分别将临时测试样本池中的样本与测试样本池中的样本、以及临时训练样本池中的样本与训练样本池中的样本进行合并,具体方法是:
当测试样本池或训练样本池中的样本数量不足时,将临时测试样本池中的样本直接合并至测试样本池,或将临时训练样本池中的样本直接合并至训练样本池中;
当测试样本池和训练样本池中的样本数量超出时,则将从临时测试样本池中随机选取3%~5%的样本替换测试样本池中的同等数量的样本、以及从临时训练样本池中随机选取3%~5%的样本替换训练样本池中的同等数量的样本。
训练模块用于通过基于TensorFlow的3DCNN模型构建AI训练模型,结合临时合并训练样本池中的训练样本对AI训练模型进行训练,得到训练好的AI训练模型,之后利用临时合并测试样本池中的测试样本对训练好的AI训练模型进行测试,得到测试结果,其中,若此次测试结果优于上一次测试结果,则将临时合并测试样本池和临时合并训练样本池中更换为测试样本池和训练样本池,同时将训练好的AI训练模型替换训练之前的AI训练模型;若此次测试结果差于上一次测试结果,则恢复测试样本池和训练样本池中的样本数据,同时,保留训练之前的AI训练模型。
所述一种动态医学影像AI训练诊断系统可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种动态医学影像AI训练诊断系统可包括,但不仅限于,处理器、存储器。……。
所述处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,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。…….。
如图2所示,本发明提供的一种动态医学影像AI训练诊断系统的具体操作步骤包括:
步骤1,用户通过交互模块将获取到影像资料上传至本系统,并提交AI识别申请;
步骤2,识别模块接收到交互模块传递的申请消息,发起执行AI识别。
步骤3,交互模块接收到识别模块的阅片结果后反馈给用户AI读片结果;
步骤4,当用户接受识别影像样本上的识别结果,用户在交互模块中,接受读片结果,打印报告,结束;
步骤5,当用户不接受识别影像样本上的识别结果,用户在交互模块中对影像资料进行更改或添加特征标注,并将反馈影像样本传递给预处理模块,在预处理模块中系统会自动将此样本进行特征标注和影像切割处理,然后将结果同时加入临时训练样本池和临时测试样本池;
步骤6,在动态处理模块中实现,当临时训练样本池或临时测试样本池中的样本积累到一定量的样本时,系统自动更新训练样本池,并向训练模块发起开始训练AI训练模型的消息。
步骤7,在训练模块中发起,通过神经网络算法和训练样本开始训练AI训练模型。
步骤8,当AI训练模型训练完毕,在训练模块中会自动发起对AI训练模型的测试。如果测试结果有提升,则保留更新样本,否则恢复之前AI训练模型和样本池。
本系统不断从客户端接收影像样本,通过以上步骤可以达到动态AI训练,系统能够自动提升辨识率。
(1)本系统通过云端将AI训练、影像自动识别和鉴定结合起来,根据鉴定结果对训练样本集和测试样本集进行调整和扩充,从而使系统能够自动提升辨识率;
(2)使得本系统对样本有自适应和自成长的特性。
(3)本系统节约了人力,缩短了AI训练的迭代周期。
(4)本系统可广泛应用于不同地区,当采集的影像样本集中在某一人种时,会自动提高对改人种的AI诊断识别率,因此本系统对不同的人种特点有自适应性。
(5)少量替换训练样本,能让系统能随着人的疾病的变化,缓慢进化,提高系统对疾病变化的适应性。替换样本的数量较少,又不至于使系统的识别效果发生不良突变,保证系统的相对稳定性,保持用户对系统的信赖。
Claims (7)
1.一种动态医学影像AI训练诊断系统,适于在计算设备中执行,其特征在于,包括云端服务器,其中:
所述云端服务器用于将接收到的影像样本进行识别,之后将得到的识别影像样本进行反馈;
同时,云端服务器用于将根据接收到的反馈结果对AI训练模型进行动态训练和更新。
2.根据权利要求1所述的一种动态医学影像AI训练诊断系统,其特征在于,云端服务器包括交互模块、识别模块、预处理模块、动态处理模块和训练模块,其中:
交互模块用于接收影像样本,并将接收到的影像样本传输至识别模块;将识别模块传输的识别影像样本进行反馈;同时,用于采集识别影像样本的反馈结果,若反馈结果为不接受,则将该反馈结果传输至动态处理模块;
识别模块用于对接收到的影像样本进行识别,并将得到的识别影像样本传输至交互模块;
预处理模块用于对接收到的反馈识别影像样本依次进行特征标注预处理和影像切割,得到样本数据,之后将得到的样本数据传输至动态处理模块;
动态处理模块用于根据传输得到的样本数据对样本池进行动态更新,得到更新后的样本池;
训练模块用于更新后的样本池对AI训练模型进行训练、测试,同时,将根据所得的测试结果,对更新后的样本池和更新后的AI训练模型进行处理。
3.根据权利要求2所述的一种动态医学影像AI训练诊断系统,其特征在于,识别模块对接收到的影像样本进行识别,具体方法是:
利用深度学习法对接收到的影像样本进行识别,之后将识别结果显示在所述影像样本上,得到的识别影像样本;其中,所述识别结果包括病灶的位置及病灶信息描述。
4.根据权利要求2所述的一种动态医学影像AI训练诊断系统,其特征在于,对收到的反馈识别影像样本进行特征标注预处理和影像切割的具体方法是:
首先,将反馈识别影像样本上的影像样本编号与该反馈识别影像样本上的病灶位置及病灶信息描述进行关联,并建立索引、储存;
其次,根据标记的病灶位置对影像进行切割,得到反馈识别影像样本上标记的有效区域;
最后,对得到的有效区域图片进行图像增强处理,得到样本数据。
5.根据权利要求2所述的一种动态医学影像AI训练诊断系统,其特征在于,动态处理模块用于对样本池进行动态更新,具体方法是:
首先,将得到的样本数据分别存储在临时测试样本池和临时训练样本池,并实时分别统计临时测试样本池和临时训练样本池中的样本个数;
其次,当临时测试样本池或临时训练样本池的样本个数达到预设的阈值时,则分别将临时测试样本池中的样本与测试样本池中的样本、临时训练样本池中的样本与训练样本池中的样本进行合并,得到临时合并测试样本池和临时合并训练样本池。
6.根据权利要求5所述的一种动态医学影像AI训练诊断系统,其特征在于,分别将临时测试样本池中的样本与测试样本池中的样本、以及临时训练样本池中的样本与训练样本池中的样本进行合并,具体方法是:
当测试样本池或训练样本池中的样本数量小于预设阈值时,将临时测试样本池中的样本直接合并至测试样本池,或将临时训练样本池中的样本直接合并至训练样本池中;
当测试样本池或训练样本池中的样本数量大于预设阈值时,则将从临时测试样本池中随机选取3%~5%的样本替换测试样本池中的同等数量的样本,或从临时训练样本池中随机选取3%~5%的样本替换训练样本池中的同等数量的样本。
7.根据权利要求2所述的一种动态医学影像AI训练诊断系统,其特征在于,将根据所得的测试结果,对更新后的样本池和更新后的AI训练模型进行处理,具体方法是:
当此次测试结果优于上一次测试结果,则将临时合并测试样本池和临时合并训练样本池中更换为测试样本池和训练样本池,同时将训练好的AI训练模型替换训练之前的AI训练模型;
若此次测试结果劣于上一次测试结果,则恢复测试样本池和训练样本池中的样本数据,同时,保留训练之前的AI训练模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910881810.5A CN110660479A (zh) | 2019-09-18 | 2019-09-18 | 一种动态医学影像ai训练诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910881810.5A CN110660479A (zh) | 2019-09-18 | 2019-09-18 | 一种动态医学影像ai训练诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110660479A true CN110660479A (zh) | 2020-01-07 |
Family
ID=69038287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910881810.5A Pending CN110660479A (zh) | 2019-09-18 | 2019-09-18 | 一种动态医学影像ai训练诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110660479A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112562817A (zh) * | 2020-12-02 | 2021-03-26 | 薛蕴菁 | 将影像结构化报告的标签反馈给影像ai的系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609485A (zh) * | 2009-07-24 | 2009-12-23 | 西安电子科技大学 | 基于迁移核匹配追踪的医学影像诊断系统及诊断方法 |
CN107320115A (zh) * | 2017-07-04 | 2017-11-07 | 重庆大学 | 一种自适应的精神疲劳评估装置及方法 |
CN107728476A (zh) * | 2017-09-20 | 2018-02-23 | 浙江大学 | 一种基于SVM‑forest的从非平衡类数据中提取敏感数据的方法 |
CN108229072A (zh) * | 2018-02-10 | 2018-06-29 | 东北大学 | 基于数据解析的连退均热炉带钢张力在线测量方法 |
CN109074502A (zh) * | 2018-07-26 | 2018-12-21 | 深圳前海达闼云端智能科技有限公司 | 训练人工智能模型的方法、装置、存储介质及机器人 |
CN109492675A (zh) * | 2018-10-22 | 2019-03-19 | 深圳前海达闼云端智能科技有限公司 | 医学影像的识别方法、装置、存储介质和电子设备 |
CN109800805A (zh) * | 2019-01-14 | 2019-05-24 | 上海联影智能医疗科技有限公司 | 基于人工智能的图像处理系统以及计算机设备 |
CN110245721A (zh) * | 2019-06-25 | 2019-09-17 | 深圳市腾讯计算机系统有限公司 | 神经网络模型的训练方法、装置和电子设备 |
-
2019
- 2019-09-18 CN CN201910881810.5A patent/CN110660479A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609485A (zh) * | 2009-07-24 | 2009-12-23 | 西安电子科技大学 | 基于迁移核匹配追踪的医学影像诊断系统及诊断方法 |
CN107320115A (zh) * | 2017-07-04 | 2017-11-07 | 重庆大学 | 一种自适应的精神疲劳评估装置及方法 |
CN107728476A (zh) * | 2017-09-20 | 2018-02-23 | 浙江大学 | 一种基于SVM‑forest的从非平衡类数据中提取敏感数据的方法 |
CN108229072A (zh) * | 2018-02-10 | 2018-06-29 | 东北大学 | 基于数据解析的连退均热炉带钢张力在线测量方法 |
CN109074502A (zh) * | 2018-07-26 | 2018-12-21 | 深圳前海达闼云端智能科技有限公司 | 训练人工智能模型的方法、装置、存储介质及机器人 |
CN109492675A (zh) * | 2018-10-22 | 2019-03-19 | 深圳前海达闼云端智能科技有限公司 | 医学影像的识别方法、装置、存储介质和电子设备 |
CN109800805A (zh) * | 2019-01-14 | 2019-05-24 | 上海联影智能医疗科技有限公司 | 基于人工智能的图像处理系统以及计算机设备 |
CN110245721A (zh) * | 2019-06-25 | 2019-09-17 | 深圳市腾讯计算机系统有限公司 | 神经网络模型的训练方法、装置和电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112562817A (zh) * | 2020-12-02 | 2021-03-26 | 薛蕴菁 | 将影像结构化报告的标签反馈给影像ai的系统及方法 |
CN112562817B (zh) * | 2020-12-02 | 2022-06-21 | 薛蕴菁 | 将影像结构化报告的标签反馈给影像ai的系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110162779B (zh) | 病历质量的评估方法、装置及设备 | |
CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
CN111161822A (zh) | 医学影像人工智能诊断数据管理系统及其管理方法 | |
CN110584618B (zh) | 基于人工智能的传染病机器识别系统 | |
CN112070119A (zh) | 超声切面图像质量控制方法、装置和计算机设备 | |
CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
CN111192660B (zh) | 一种影像报告分析方法、设备及计算机存储介质 | |
CN109460717B (zh) | 消化道共聚焦激光显微内镜病变图像识别方法及装置 | |
CN111986182A (zh) | 辅助诊断方法、系统、电子设备及存储介质 | |
CN111080624B (zh) | 精子运动状态的分类方法、装置、介质及电子设备 | |
CN112309566A (zh) | 影像智能识别与医学智能推理的远程自动诊断系统及方法 | |
CN111524093A (zh) | 一种异常舌象的智能筛查方法及其系统 | |
CN110648318A (zh) | 用于皮肤病的辅助分析方法及装置、电子设备、存储介质 | |
CN113485555B (zh) | 医学影像阅片方法、电子设备和存储介质 | |
CN109949272B (zh) | 识别皮肤病种类采集人体皮肤图片的数据采集方法及系统 | |
CN114757942A (zh) | 一种基于深度学习的多层螺旋ct对活动性肺结核的检测方法 | |
CN110766665A (zh) | 基于强监督算法和深度学习网络的舌象数据分析方法 | |
CN117237351B (zh) | 一种超声图像分析方法以及相关装置 | |
CN110660479A (zh) | 一种动态医学影像ai训练诊断系统 | |
CN112869753B (zh) | 一种针对心电图qrst波形的分析方法、设备、介质和心电图仪 | |
CN112507722B (zh) | 电子病历内涵质控方法和装置 | |
CN113796850A (zh) | 甲状旁腺mibi图像分析系统、计算机设备及存储介质 | |
CN110889836A (zh) | 一种影像数据分析方法、装置、终端设备及存储介质 | |
CN114400089A (zh) | 基于大数据的阅片数据分析方法、装置、设备及存储介质 | |
CN115530830A (zh) | 孤独症早筛眼动仪检测系统、方法、介质、设备及终端 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220706 Address after: 215400 No. 19, Taiping South Road, Chengxiang Town, Taicang City, Suzhou City, Jiangsu Province Applicant after: Suzhou Fuying Medical Technology Co.,Ltd. Address before: Room 2102-31, floor 18 (elevator floor 21), building a, vitality Business Plaza, No. 185 jumao street, Yuanhe street, Xiangcheng District, Suzhou, Jiangsu 215000 Applicant before: Suzhou Hanlin Information Technology Development Co.,Ltd. |
|
TA01 | Transfer of patent application right |