CN110767293B - 一种脑部辅助诊断系统 - Google Patents
一种脑部辅助诊断系统 Download PDFInfo
- Publication number
- CN110767293B CN110767293B CN201911080177.6A CN201911080177A CN110767293B CN 110767293 B CN110767293 B CN 110767293B CN 201911080177 A CN201911080177 A CN 201911080177A CN 110767293 B CN110767293 B CN 110767293B
- Authority
- CN
- China
- Prior art keywords
- module
- image
- file
- database
- similar
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 21
- 238000003745 diagnosis Methods 0.000 title claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 230000003902 lesion Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012546 transfer Methods 0.000 claims abstract description 6
- 238000007405 data analysis Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 208000014644 Brain disease Diseases 0.000 abstract description 4
- 238000010422 painting Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000036285 pathological change Effects 0.000 description 4
- 231100000915 pathological change Toxicity 0.000 description 4
- 206010019005 Haemorrhagic cerebral infarction Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 206010066296 Cerebral calcification Diseases 0.000 description 2
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 2
- 230000002308 calcification Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 208000018389 neoplasm of cerebral hemisphere Diseases 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 208000031104 Arterial Occlusive disease Diseases 0.000 description 1
- 206010051290 Central nervous system lesion Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 238000011166 aliquoting Methods 0.000 description 1
- 208000021328 arterial occlusion Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002000 scavenging effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种脑部辅助诊断系统。其有效辅助基层医生诊断专科化的脑部疾病,包括:医学影像浏览模块,负责存储并显示脑部CT图像文件,并提供画笔工具,用于医生标注疑似病灶点区域;数据预处理模块,负责拼接建立该像文件的唯一的特征指纹,同时将标注区域的坐标点;网络中转模块,负责将相似数据集C发送给医学影像浏览模块;数据解析模块,负责对接收到的信息载体进行解析,获得疑似病变文件指纹指令及坐标指令;匹配模型模块,负责建立特征指纹数据库、医学信息数据库及影像图像数据库,计算相似度,确定相似目标集B;数据库查找映射模块,获得病情数据和图像文件,确定相对B的相似目标集C;并将C作为网络中转模块的输入。
Description
技术领域
本发明涉及一种医疗设备,尤其涉及一种脑部辅助诊断系统。
背景技术
随着电子计算机技术,特别是可视化技术的不断发展,现代医学已越来越离不开医学图像的信息,医学图像的存储和传送也有了进一步的提高,在临床诊断、医学科研等方面正发挥着极其重要的作用,基层影像科医生在使用影像诊断软件时,对于某些脑部病变的图像,基于自身所掌握的知识和信息有限,尤其是偏远地区的基层医生,从而不能准确判断该脑部疾病。
所以亟待出现一种脑部辅助诊断系统,提升医生工作效率。
现有技术中,有使用AI深度学习的解决方案来对病患图片的疑似病灶点进行智能判断标注,但当前的系统大多利用公开数据集或者单中心数据集进行训练,模型的泛化性和鲁棒性需要检验,而且数据质量参差不齐等等,要解决这些问题前期会增加了投入成本,同时该方案对机器算法依赖性太强,一旦机器出现问题,不能进行正确识别,或者发生错误识别点,将会产生医疗事故。其次,即使机器学习的算法识别率很高,但也会让医生对机器产生依赖,无法从医生自身提高专业技能。
发明内容
本发明就是针对现有技术存在的缺陷,提供一种脑部辅助诊断系统,其主要目的是基于医生在图像上标注的区域,针对脑部的出血,钙化,肿瘤等疾病,通过本系统的算法进行查找类似的病变图片,推荐给医生做参考,帮助医生进一步进行判断,有效辅助基层医生诊断专科化的脑部疾病,扩展医生所掌握的医学资源,提升医生自身的素养。
为实现上述目的,本发明采用如下技术方案,包括:
医学影像浏览模块(医学影像浏览器),负责存储并显示脑部CT图像文件,并提供画笔工具,用于医生标注疑似病灶点区域;
数据预处理模块,负责将所述图像文件的灰度值,分为4-16等分;(基于物理硬件的考虑,目前暂做4等分考虑,记为X1,X2,X3,X4;)按照转换算法,获取各个等分区域的字符串指纹,再拼接建立该文件的唯一的特征指纹finger_print,同时将标注区域的坐标点,一并记录下来,输出源医学信息载体;
网络中转模块,负责将源医学信息载体发送给后台及负责将相似数据集C发送给医学影像浏览模块;
数据解析模块,负责对接收到的信息载体进行解析,获得疑似病变文件指纹指令及坐标指令;
匹配模型模块,负责建立特征指纹数据库、医学信息数据库及影像图像数据库,(按照相似匹配算法,)计算源文件特征指纹和目标特征指纹之间的汉明距离,从而计算相似度,单一等分大于95%,整体大于80%则认为相似,确定相似目标集,称为A;再基于坐标指令对A进行二次匹配,整体大于95%的文件,确定相似目标集,称为B;
数据库查找映射模块,按照数据库的映射关系,通过特性指纹数据库,查找其他数据库,获得病情数据和图像文件,确定相对B的相似目标集,输出该数据集,称为C;并将C作为网络中转模块的输入。
进一步地,基于脑部辅助诊断系统的辅助判断过程步骤包括:
步骤1、通过医学影像浏览器,获取标有疑似病灶点的影像文件;
步骤2、按照解析算法,解析源文件得到文件四到十六等分指纹,以及标准区域信息;并发送到中台;
步骤3、按照相似匹配算法,用源文件的相应等分指纹去特征指纹库检索目标文件,依据源文件和目标文件的汉明距离大小,第一次匹配中,每部分相似度大于95%,整体相似度大于80%,获得相似数据集A;
步骤4、根据标注区域信息坐标点,获得该区域的灰度值指纹,对相似数据集A二次匹配,整体相似度大于95%的,获得相似级B;
步骤5、根据相似集B中包含的每张图像的特征指纹,通过数据库查找映射模块。获得相似数据集C;并发送给前台医学影像浏览器展示浏览,供医生参考判断。
与现有技术相比本发明有益效果。
本发明是基于医生在图像上标注的区域,针对脑部的出血、钙化、肿瘤等疾病,查找类似的病变图片,推荐给医生做参考,帮助医生进一步进行判断。
本发明不仅帮助医生对图像怀疑区域辅助诊断,同时解决了偏远地区的基层医生获取资料有限的问题,形成了专科化的脑部辅助诊断,帮助医生正确解读脑部图像。
附图说明
下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。
图1是本发明辅助系统模块图。
图2是本发明辅助系统流程图。
图3是本发明数据库映射查找模块流程图。
图4是实施例中CT影像文件。
图5-1是区域坐标点图。
图5-2是数据预处理模块示意图。
图6是匹配算法流程图。
图7-8是出血性脑梗死在影像数据库存放的图像文件。
图9是查找映射单元连接框图。
具体实施方式
符号说明:babel_print:标注区域指纹;finger_print:图像文件的特征指纹;X1,X2,X3,X4:源文件四等分时各个部分的灰度值数据集。
如图1-9所示,作为一种具体的实施例,本发明一种脑部辅助诊断系统的处理过程如下.
1、基层医生使用医学影像浏览器浏览患者脑部CT影像文件,进行诊断处理,对疑似病灶点进行操作。
2、数据预处理模块:主要用于CT图像文件进行降噪和归一化处理,特征提取值更精准;针对某一CT影像文件,比如反色,调节窗宽窗位,标注等,进行病变标注和分割;如图4所示。
采用高斯滤波的方式,消除图像在数字化过程中产生或者混入的噪声,以提取有效组织区域,设定模糊半径为1,σ=1.5,对像素点的灰度值进行高斯滤波计算,获得过滤后的图像灰度值,公式如下:
其中G(x,y)是中心点的高斯滤波值;使用高斯滤波计算属于成熟的预处理技术,不做过多解释。
3、指纹提取:按照解析算法,解析源文件得到文件四等分指纹X1,X2,X3,X4,以及标注区域信息,具体操作如下:
3.1、获取经过预处理的的灰度值信息,以200x200像素点的图像文件说明为例,灰度值为由0-256数组成的长度为40000的一个源文件数组,称为I,表示如:
I=[200,230,4,100....254],长度为40000;
3.2、为了提高计算速度,平均分为四个部分,以第一部分100x100进行说明,该区域的灰度值可以根据坐标点(100,100)对I进行截取,称为A11,表示如:
A11=[200,230,4,100....154],长度为10000;
3.3、对A11计算灰度值的平均值avg,表示如:
3.4、对A11中的灰度值进行遍历,大于平均值的设定为1,小于平均值的设为0,这样就组成了一个由1和0组成的长度为100的字符串,称为该区域的特征指纹X1,如‘10011000111...’
3.5、同理,如图5-1所示,对医生标注的区域进行计算,根据绘制区域的坐标点,截取灰度值数组,一般而言,医生对病灶区域的标注面积比病灶都大,通过双线性插值改变区域大小,减少计算量,得到更进一步的灰度值数据,公式如下;
其中P点为所求的点,f(Q11)等几个点为P点4个近邻像素的灰度值
得到更进一步的病灶区域灰度值数据集,再按照上述算法计算,得到标注区域指纹babel_print。
4、按照形成特征指纹的算法过程,依次对其他区域进行计算,然后进行拼接,则建立了该图像文件的特征指纹finger_print,如‘10011000111...00001....11110111.....000000’;至此,如图5-2所示,该图像文件的特征指纹形成计算结束,获得该文件的四等分指纹,特征指纹和病变区域的特征指纹。
5、将特征指纹信息以JSON形式通过网络中转模块发送给数据解析模块,进行二次解析,获得指纹信息。
6、匹配模型模块,从网络中转模块获得的指纹信息作为输入信息,按照相似匹配算法,输出相似目标数据集。
在该模块中,建立有特征指纹数据库,存放的是海量的病灶图像指纹信息,比如:
‘1001111...111000111...111111....000000’
‘1001111...111000111...111111....000000’
‘1001111...111000111...111111....000000’
·······
‘1001111...111000111...111111....000000’
‘1001111...111000111...111111....000000’
‘1001111...111000111...111111....000000’
说明:录入的病灶图像指纹形成,参照如上解析算法。
通过计算源文件和目标文件汉明距离大小,确定相似度,每部分匹配的相似度大于95%,整体相似度大于80%,则匹配成功,放入相似数据集A。
说明:汉明距离--在信息论中,两个等长字符串之间的汉明距离是两个字符串对应位置的不同字符的个数n。
6.1依据汉明距离的定义,计算相似度。
6.2用源文件四等分指纹对目标文件的四等分指纹同时匹配,以第一等分100X100为例:
m为相似度,n为汉明距离。
匹配算法流程如图6所示。
6.3将单个等分相似度大于95%,整体相似度大于80%,匹配成功文件的特征指纹依次放入相似数据集A中,使用病变区域的特征指纹babel_print,按照同样的匹配算法进行二次匹配,依次放入数组,相似数据集B
6.4查找映射单元,按照数据库的对应关系,从B中获取的所有文件的特征指纹去依次查找医学信息库单元和影像数据库单元,医学信息库中存放的是以教科书,学术期刊等作为数据来源建立的数据库,获得相关信息,依次放入数组,形成相似数据集C,以出血性脑梗死疾病为例,数据格式大致如下:
{
“id”:“123456”,
“pathogenesis”:”脑动脉闭塞远侧血管壁因缺血收到损坏.....侧支循环建立形成再灌注......常位于皮层”,
“imagingPerformance”:“CT示低密度梗死区内斑片状高密度影.....MRI可为低信号”,
“imgUrl”:’https://www.xxx.com/dfefef333egeg’
“advice”:’以脱水降颅内压、调节和控制血压、血糖,清除自由基,维持水与电解质平衡’
}
以出血性脑梗死疾病为例,影像数据库单元存放的图像文件如7-8所示。查找映射单元连接如图9。
7将匹配模块的查找结果通过网络中转模块以json或者xml数据格式推送到脑部医学影像浏览器,浏览器进行数据显示,再结合患者病灶影像,进行辅助确诊。
本发明针对某一脑部疾病,医学信息库和影像数据库收录了大量权威的病灶词义信息和影像数据,免去了医生医学信息检索,同时基于患者病灶影像文件,精准匹配高达95%以上相似度的数据库文件,临床辅助价值高,而且该发明所需物理环境简单,不需要复杂配置。
以脑部CT图为例,临床医生在医学图像工作站上使用诊断软件浏览断层图像时,会根据病灶的特征及位置,使用一些标注工具或者其他操作,对图像上怀疑是病灶点的区域标注出来,然后选择脑部医学影像浏览器上的一键辅助按钮,系统将有标注的图像发送到后台数据库,后台数据库基于该图像的信息,按照一定的算法,去智能匹配相似度高达95%以上的图片,而后台数据库里存储了海量的的脑部图像文件,这些文件都附带了脑部病变疾病的标签,匹配成功以后,从而向前台推送疑似病变图像文件,进而供医生判断参考。
可以理解的是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。
Claims (2)
1.一种脑部辅助诊断系统,其特征在于,包括医学影像浏览模块,负责存储并显示脑部CT图像文件,并提供画笔工具,用于医生标注疑似病灶点区域;
数据预处理模块,负责将所述图像文件的灰度值,分为4-16等分;按照转换算法,获取各个等分区域的字符串指纹,再拼接建立该文件的唯一的特征指纹finger_print,同时将标注区域的坐标点,一并记录下来,输出源医学信息载体;
网络中转模块,负责将源医学信息载体发送给后台及负责将相似数据集C发送给医学影像浏览模块;
数据解析模块,负责对接收到的源医学信息载体进行解析,获得疑似病变文件指纹指令及坐标指令;
匹配模型模块,负责建立特征指纹数据库、医学信息数据库及影像图像数据库,计算源文件特征指纹和目标特征指纹之间的汉明距离,从而计算相似度,单一等分大于95%,整体大于80%则认为相似,确定相似目标集,称为A;再基于坐标指令对A进行二次匹配,整体大于95%的文件,确定相似目标集,称为B;
数据库查找映射模块,按照数据库的映射关系,通过特征指纹数据库,查找其他数据库,获得病情数据和图像文件,确定相对B的相似目标集,输出该相似数据集,称为C;并将C作为网络中转模块的输入。
2.根据权利要求1所述的一种脑部辅助诊断系统,其特征在于:基于脑部辅助诊断系统的辅助判断过程步骤包括:
步骤1、通过医学影像浏览器,获取标有疑似病灶点的影像文件;
步骤2、按照解析算法,解析源文件得到文件四到十六等分指纹,以及标准区域信息;并发送到中台;
步骤3、按照相似匹配算法,用源文件的相应等分指纹去特征指纹库检索目标文件,依据源文件和目标文件的汉明距离大小,第一次匹配中,每部分相似度大于95%,整体相似度大于80%,获得相似目标集A;
步骤4、根据标注区域信息坐标点,获得该区域的灰度值指纹,对相似目标集A二次匹配,整体相似度大于95%的,获得相似目标集B;
步骤5、根据相似目标集B中包含的每张图像的特征指纹,通过数据库查找映射模块;获得相似数据集C;并发送给前台医学影像浏览器展示浏览,供医生参考判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911080177.6A CN110767293B (zh) | 2019-11-07 | 2019-11-07 | 一种脑部辅助诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911080177.6A CN110767293B (zh) | 2019-11-07 | 2019-11-07 | 一种脑部辅助诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110767293A CN110767293A (zh) | 2020-02-07 |
CN110767293B true CN110767293B (zh) | 2023-11-21 |
Family
ID=69336680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911080177.6A Active CN110767293B (zh) | 2019-11-07 | 2019-11-07 | 一种脑部辅助诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110767293B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462101A (zh) * | 2020-04-07 | 2020-07-28 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎ct检测的分期设备及其使用方法 |
CN111640480B (zh) * | 2020-05-21 | 2023-09-26 | 上海联影智能医疗科技有限公司 | 医学报告生成方法、计算机设备和存储介质 |
CN114783575B (zh) * | 2022-04-20 | 2023-09-29 | 广州唯顶软件科技有限公司 | 一种医疗用图像处理系统及方法 |
CN115330775B (zh) * | 2022-10-13 | 2023-01-17 | 佛山科学技术学院 | 一种脑卒中ct和mri影像征象定量评估方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009060355A1 (en) * | 2007-11-08 | 2009-05-14 | Philips Intellectual Property & Standards Gmbh | Computer-aided diagnosis with queries based on regions of interest |
CN103324853A (zh) * | 2013-06-25 | 2013-09-25 | 上海交通大学 | 基于医学图像特征的相似度计算系统及方法 |
CN108805858A (zh) * | 2018-04-10 | 2018-11-13 | 燕山大学 | 基于数据挖掘的肝病ct图像计算机辅助诊断系统及方法 |
KR101929953B1 (ko) * | 2017-06-27 | 2018-12-19 | 고려대학교 산학협력단 | 환자 맞춤형 진단 보조 정보 제공 시스템, 장치 및 방법 |
CN110335665A (zh) * | 2019-04-01 | 2019-10-15 | 佛山原子医疗设备有限公司 | 一种应用于医学图像辅助诊断分析的以图搜图方法及系统 |
-
2019
- 2019-11-07 CN CN201911080177.6A patent/CN110767293B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009060355A1 (en) * | 2007-11-08 | 2009-05-14 | Philips Intellectual Property & Standards Gmbh | Computer-aided diagnosis with queries based on regions of interest |
CN103324853A (zh) * | 2013-06-25 | 2013-09-25 | 上海交通大学 | 基于医学图像特征的相似度计算系统及方法 |
KR101929953B1 (ko) * | 2017-06-27 | 2018-12-19 | 고려대학교 산학협력단 | 환자 맞춤형 진단 보조 정보 제공 시스템, 장치 및 방법 |
CN108805858A (zh) * | 2018-04-10 | 2018-11-13 | 燕山大学 | 基于数据挖掘的肝病ct图像计算机辅助诊断系统及方法 |
CN110335665A (zh) * | 2019-04-01 | 2019-10-15 | 佛山原子医疗设备有限公司 | 一种应用于医学图像辅助诊断分析的以图搜图方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于图像特征检索和识别的医学影像辅助诊断系统;刘俊 等;中国科技信息;166-167 * |
Also Published As
Publication number | Publication date |
---|---|
CN110767293A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110767293B (zh) | 一种脑部辅助诊断系统 | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN110335665B (zh) | 一种应用于医学图像辅助诊断分析的以图搜图方法及系统 | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
WO2022036968A1 (zh) | 心电图数据增广方法、装置、电子设备及介质 | |
CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
CN111508016B (zh) | 一种基于图像处理的白癜风区域色度值和面积计算的方法 | |
CN111430025B (zh) | 一种基于医疗影像数据扩增的疾病诊断模型训练方法 | |
CN111797901A (zh) | 一种基于拓扑结构估计的视网膜动静脉分类方法及装置 | |
CN114841320A (zh) | 一种基于喉镜医学影像的器官自动分割方法 | |
WO2022086910A1 (en) | Anatomically-informed deep learning on contrast-enhanced cardiac mri | |
CN113159223A (zh) | 一种基于自监督学习的颈动脉超声图像识别方法 | |
CN112164447B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN109949299A (zh) | 一种心脏医学图像自动分割方法 | |
WO2020007026A1 (zh) | 分割模型训练方法、装置及计算机可读存储介质 | |
CN113538363A (zh) | 一种基于改进U-Net的肺部医学影像分割方法及装置 | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
CN113989269B (zh) | 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法 | |
CN115760745A (zh) | 一种三叉神经痛疾病预测模型的构建方法和装置 | |
CN116468923A (zh) | 一种基于加权重采样聚类不稳定性的图像强化方法及装置 | |
CN115409812A (zh) | 一种基于融合时间注意机制的ct图像自动分类方法 | |
CN111768845B (zh) | 一种基于最优多尺度感知的肺结节辅助检测方法 | |
CN114119688A (zh) | 基于深度学习的冠状动脉造影前后单模医学图像配准方法 | |
CN114343693A (zh) | 一种主动脉夹层诊断方法和装置 | |
CN113936006A (zh) | 一种处理高噪低质医学图像的分割方法及装置 |
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 |