CN111126502B - 一种面向人工智能辅助诊断的dicom医疗影像序列分类方法 - Google Patents
一种面向人工智能辅助诊断的dicom医疗影像序列分类方法 Download PDFInfo
- Publication number
- CN111126502B CN111126502B CN201911369590.4A CN201911369590A CN111126502B CN 111126502 B CN111126502 B CN 111126502B CN 201911369590 A CN201911369590 A CN 201911369590A CN 111126502 B CN111126502 B CN 111126502B
- Authority
- CN
- China
- Prior art keywords
- classifier
- sequence
- classification
- user
- dicom
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000013507 mapping Methods 0.000 claims description 18
- 239000002872 contrast media Substances 0.000 claims description 8
- 238000013136 deep learning model Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000005266 casting Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 7
- 238000002597 diffusion-weighted imaging Methods 0.000 description 15
- 238000003384 imaging method Methods 0.000 description 13
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种面向人工智能辅助诊断的DICOM医疗影像序列分类方法，其将一个DICOM数据依次通过5层分类器，最终得到特定序列的分类结果，通过多种序列分类器的混合策略，让用户操作一段时间，每次结果都是对分类器的更新和补充，实现了对辅助诊断系统进行学习训练，以纠正单一方法的识别错误。
Description
技术领域
本发明涉及一种面向人工智能辅助诊断的DICOM医疗影像序列分类方法。
背景技术
基于深度神经网络等人工智能相关技术进行医疗影像的辅助诊断，可以有效提升影像科医生、临床医生和医学研究在诊疗中的正确性和效率。这些人工智能技术的基本原理是：选定MRI和CT等医疗影像数据(遵循DICOM数据格式规范)的特定序列(例如T1、T2、DWIseries)进行人工智能模型的训练，然后基于训练所得模型对其他医疗影像数据进行分析预测。但是，DICOM协议中对于医疗影像序列的命名规则也没有给出强制要求，医生和制造商可以自由给序列描述命名。即，不同设备厂家的不同型号生成的医疗影像设备生成的序列名称是不同的，即便是相同的设备上相同的影像序列也可能会配置成不同的序列名。而且医生在拍摄医疗影像过程中会灵活的把多类影像实例合并入一个或者多个序列。人工智能在辅助诊断时候会分析DICOM影像数据中特定序列或者特定序列的集合，如果选择了错误的序列通常会导致生成的结果错误或者不具备参考价值。
应用实践证明，采用一些基于日常经验的单一方法(比如基于序列名字的字符串比较，或者基于DICOM中元数据标签判断)来对DICOM序列进行分类，经常导致人工智能辅助诊断生成假阳性结果。因此，自动从DICOM数据中对序列进行精确的分类和识别，是决定人工智能技术在医疗影像辅助诊断场景中有效性的关键技术。
发明内容
本文提出了一种适用于人工智能正确识别DICOM序列的分类法。这种分类方法允许用户根据需要针对不同种类(不同医院，不同影像设备和命名方法生成)的DICOM来处理序列分类。通过多种序列分类器的混合策略，让用户操作一段时间，每次结果都会是对分类器的更新和补充，即是对辅助诊断系统进行学习训练，以纠正单一方法的识别错误。本方法具体包括5层分类器，一个DICOM数据依次通过5层分类器，最终得到特定序列的分类结果。所述方法包括：
1)获取待分类的DICOM数据；
2)将所述数据依次通过预定义分类器、积极投票分类器、特殊案例分类器、消极投票分类器，以及，用户选择分类器进行分类；
3)输出分类结果。
其中，所述预定义分类器，采用预定义的映射表将序列名称映射为标准序列名称。
所述积极投票分类器用于将DICOM数据中的原序列名称和其他的元数据标签组拼接成唯一键值，配置该键值和序列所属分类的映射关系，并保存到序列分类映射表中。所述其他的元数据标签组包括以下各项中的至少一个：解剖平面，扫描变量，协议名称、切片厚度。
所述特殊案例分类器，是一个细粒度分类器，可以实现对特殊DICOM数据的处理，其包括DWI分类器、造影剂分类器和/或AI影像分类器。
所述DWI分类器，用于将同一个DWI序列中进行图像直方图的具体峰值分析以对不同的b-value分组分类。
所述造影剂分类器，用于根据不同影像实例的创建时长进行分类筛选。
所述AI影像分类器，用于使用深度学习模型进行分类。
所述消极投票分类器，其通过投反对票的方法，允许用户来修正其他分类器生成的错误的分类结果。
所述用户选择分类器，用于根据用户的操作，把真实序列影像拖拽并分配至指定序列名称上，作为最终的分类结果。
本发明的有益效果是，本发明的提供的面向人工智能辅助诊断的DICOM医疗影像序列分类方法，将一个DICOM数据依次通过这5层分类器，最终得到特定序列的分类结果，通过多种序列分类器的混合策略，让用户操作一段时间，每次结果都会是对分类器的更新和补充，实现了对辅助诊断系统进行学习训练，以纠正单一方法的识别错误。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的优选实施例的DICOM医疗影像序列分类方法示意图；
图2是本发明的优选实施例的预定义分类器示例。
具体实施方式
现在结合附图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。
本文提出了一种适用于人工智能正确识别DICOM序列的分类法。这种分类方法允许用户根据需要针对不同种类(不同医院，不同影像设备和命名方法生成)的DICOM来处理序列分类。通过多种序列分类器的混合策略，让用户操作一段时间，每次结果都会是对分类器的更新和补充，即是对辅助诊断系统进行学习训练，以纠正单一方法的识别错误。本方法具体包括5层分类器，一个DICOM数据依次通过这5层分类器，最终得到特定序列的分类结果。
为便于方案的理解，首先对出现的英文缩写进行说明：
MRI：全称magnetic resonance imaging(中文释义：磁共振成像)；
CT：全称computed tomography(中文释义：计算机断层扫描)；
DICOM：全称：Digital Imaging and Communications in Medicine(中文释义：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)；
T1：又叫T1WI，全称T1 weightedimaging，中文释义：T1加权成像。是磁共振的一种成像序列；
T2：又叫T2WI，全称T2 weightedimaging，中文释义：T2加权成像。是磁共振的一种成像序列；
DWI：全称：Diffusion Weighted Imaging，中文释义：弥散加权成像。是磁共振的一种呈现序列；
Series：中文释义：序列；
b-value值：中文释义：b值。是DWI成像序列中的一个成像指标；
AI：artificial intelligence中文释义：人工智能。
如图1所示，本发明涉及的5层分类器依次连接；所述方法包括：
1)获取待分类的DICOM数据；
2)将所述数据依次通过预定义分类器、积极投票分类器、特殊案例分类器、消极投票分类器，以及用户选择分类器进行分类；
3)输出分类结果。
其中，所述预定义分类器，采用预定义的映射表将序列名称映射为标准序列名称。对于一些常见的DICOM序列名称，采用预定义的映射表，将常见序列名称映射为标准序列名称。如AX_T1 FLAIR，AX_T1+C，t1，OAxT1FLAIR等都是标准序列名称AX_T1的不同表达方式，将这些常见序列名称添加至AX_T1的映射表中。详情参见图2。此映射查找表可以根据具体应用场景进行人工设定，并会在人工智能软件启动时加载。该分类器可以解决当前DICOM序列命名比较规范和医疗影像设备规模较小的应用场景。
所述积极投票分类器用于将DICOM数据中的原序列名称和其他的元数据标签组拼接成唯一键值，配置该键值和序列所属分类的映射关系，并保存到序列分类映射表中。所述其他的元数据标签组包括以下各项中的至少一个：解剖平面，扫描变量，协议名称、切片厚度。该分类器通过将DICOM中原序列名称和其他的元数据标签组(如解剖平面，扫描变量，协议名称及切片厚度等)拼接成唯一键值，通过用户手动方式配置该键值和序列所属分类的映射关系，并保存到序列分类映射表中。该分类器适合于序列中多种图像实例混杂的情况，比如对一类序列在不同时间点上对同一个病人的同一个检查部位进行多次扫描生成个的单个序列。
所述特殊案例分类器，是一个细粒度分类器，可以实现对特殊DICOM数据的处理，即对一些特殊的不常见的DICOM案例进行分类。其可以包括DWI分类器、造影剂分类器和/或AI影像分类器。
所述DWI分类器，所述DWI分类器，用于基于图像直方图对不同的序列分组分类。将同一个DWI序列中进行图像直方图的具体峰值分析以对不同的b-value分组分类(b0和b1000)。
所述造影剂分类器，用于根据不同影像实例的创建时长进行分类筛选。示例性的，对于两个同类序列(比如T1)，它们是对同一检查部位在注射造影剂前后多次拍摄的，有着相同的DICOM元数据，但没有加ContrastBolusAgent标签作区分,这时我们可以用不同影像实例的创建时长进行分类筛选。
所述AI影像分类器，用于使用深度学习模型进行分类。具体的，使用深度学习模型如MRI sequences classifier的预测影像结果作为额外的分类方法。因为DICOM序列种类繁多，无法对所有常见序列进行深度模型训练，所以这种AI影像分类器通常处理一些特定边缘情况。
所述消极投票分类器，其通过投反对票的方法，允许用户来修正其他分类器生成的错误的分类结果。当用户选择分类器(第5层的分类器)产生的结果与前面3层分类器的结果不一致时候，会产生过一个反对票来修正分类结果。
所述用户选择分类器，用于根据用户的操作，把真实序列影像拖拽并分配至指定序列名称上，作为最终的分类结果。在实际操作中用户可以主动把真实序列影像拖拽并分配至指定序列名称上。该分类结果会覆盖前面4层可能产生的分类器结果，作为最终的分类结果。用户选择分类器也可以用来更新主动投票分类器和消极投票分类器的投票，进一步提升自动分类结果的正确性。
举例来说，如果一名患者的DICOM检查含有多个非标准名称的序列，使用该序列分类器，经过层层过滤会得到一下结果：
1.通过预定义分类器，自动得出Ax T1 Flair为AX_T1标准序列；
2.通过积极投票分类器，自动得出epi_dwi_tra_adc为ADC标准序列；
3.通过特殊案例分类器，自动在DWI分类器中将DWI序列分为DWI_B0和DWI_B1000两个标准序列，如没有符合造影剂分类器、AI影像分类器的序列则直接通过；
4.如有剩余未匹配序列，用户可手动选择序列拖拽至指定序列名称上，在界面上将Ax T2 PROPELLER拖拽至AX_T2框内。如用户手动选择得出的分类结果与前面三个分类器得出的结果产生不一致，将一切按照用户选择的结果为准，并且会在消极投票分类器产生一个反对票来修正结果。
至此所有即将进入人工智能辅助诊断的指定序列都已匹配为标准序列。
其中，作为可选的实施例，本发明还可以包括一种面向人工智能辅助诊断的DICOM医疗影像序列分类系统，该系统包括依次连接的多层分类器，所述多层分类器包括预定义分类器、积极投票分类器、特殊案例分类器、消极投票分类器，以及，用户选择分类器，各层分类器依次连接，如图1所示，并在接收到数据后，进行数据分类。
本发明的提供的面向人工智能辅助诊断的DICOM医疗影像序列分类方法，将一个DICOM数据依次通过这5层分类器，最终得到特定序列的分类结果，通过多种序列分类器的混合策略，让用户操作一段时间，每次结果都会是对分类器的更新和补充，实现了对辅助诊断系统进行学习训练，以纠正单一方法的识别错误。
以上述依据本发明的理想实施例为启示，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 (3)
1.一种面向人工智能辅助诊断的DICOM医疗影像序列分类方法，其特征在于，所述方法包括：
1)获取待分类的DICOM数据；
2)将所述数据依次通过预定义分类器、积极投票分类器、特殊案例分类器、消极投票分类器，以及用户选择分类器进行分类；
3)输出分类结果；
所述预定义分类器，采用预定义的映射表将序列名称映射为标准序列名称；
所述积极投票分类器用于将DICOM数据中的原序列名称和其他的元数据标签组拼接成唯一键值，配置该键值和序列所属分类的映射关系，并保存到序列分类映射表中；
所述特殊案例分类器为细粒度分类器，实现对特殊DICOM数据的处理；
所述消极投票分类器，其通过投反对票的方法，允许用户来修正其他分类器生成的错误的分类结果；
所述用户选择分类器，用于根据用户的操作，把真实序列影像拖拽并分配至指定序列名称上，作为最终的分类结果；
当所述待分类的DICOM数据依次通过所述预定义分类器、积极投票分类器、特殊案例分类器后，如仍有剩余未匹配序列，用户可在所述用户选择分类器中手动选择序列拖拽至指定序列名称上，如用户手动选择得出的分类结果与前面三个分类器得出的结果产生不一致，将一切按照用户选择的结果为准，并且会在消极投票分类器产生一个反对票来修正结果。
2.如权利要求1所述的方法，其特征在于，所述其他的元数据标签组包括以下各项中的至少一个：解剖平面，扫描变量，协议名称、切片厚度。
3.如权利要求1所述的方法，其特征在于，
所述特殊案例分类器包括DWI分类器、造影剂分类器和/或AI影像分类器，
所述DWI分类器，用于基于图像直方图实现分组分类；
所述造影剂分类器，用于根据不同影像实例的创建时长进行分类筛选；
所述AI影像分类器，用于使用深度学习模型进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911369590.4A CN111126502B (zh) | 2019-12-26 | 2019-12-26 | 一种面向人工智能辅助诊断的dicom医疗影像序列分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911369590.4A CN111126502B (zh) | 2019-12-26 | 2019-12-26 | 一种面向人工智能辅助诊断的dicom医疗影像序列分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111126502A CN111126502A (zh) | 2020-05-08 |
| CN111126502B true CN111126502B (zh) | 2020-11-10 |
Family
ID=70503416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911369590.4A Active CN111126502B (zh) | 2019-12-26 | 2019-12-26 | 一种面向人工智能辅助诊断的dicom医疗影像序列分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111126502B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326416A (zh) * | 2016-08-24 | 2017-01-11 | 青岛海信医疗设备股份有限公司 | Dicom图像显示方法及装置 |
| CN106339571A (zh) * | 2015-07-10 | 2017-01-18 | 西门子保健有限责任公司 | 用于分类医学图像数据组的人工神经网络 |
| CN110321952A (zh) * | 2019-07-02 | 2019-10-11 | 腾讯医疗健康(深圳)有限公司 | 一种图像分类模型的训练方法及相关设备 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551854B (zh) * | 2009-05-13 | 2011-08-24 | 西安电子科技大学 | 不平衡医学影像处理系统及其处理方法 |
| US9466012B2 (en) * | 2013-07-11 | 2016-10-11 | Radiological Imaging Technology, Inc. | Phantom image classification |
| CN104715260B (zh) * | 2015-03-05 | 2016-06-01 | 中南大学 | 基于rls-elm的多模态融合图像分类方法 |
| US10671896B2 (en) * | 2017-12-04 | 2020-06-02 | International Business Machines Corporation | Systems and user interfaces for enhancement of data utilized in machine-learning based medical image review |
| CN108364016A (zh) * | 2018-01-12 | 2018-08-03 | 华南理工大学 | 基于多分类器的渐进式半监督分类方法 |
| CN109872803B (zh) * | 2019-01-28 | 2020-01-14 | 透彻影像(北京)科技有限公司 | 一种人工智能病理标注系统 |
| CN109858562A (zh) * | 2019-02-21 | 2019-06-07 | 腾讯科技（深圳）有限公司 | 一种医学影像的分类方法、装置和存储介质 |
| CN110459302A (zh) * | 2019-08-05 | 2019-11-15 | 苏州米特希赛尔人工智能有限公司 | 超声医疗影像ai辅助标注系统 |
-
2019
- 2019-12-26 CN CN201911369590.4A patent/CN111126502B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339571A (zh) * | 2015-07-10 | 2017-01-18 | 西门子保健有限责任公司 | 用于分类医学图像数据组的人工神经网络 |
| CN106326416A (zh) * | 2016-08-24 | 2017-01-11 | 青岛海信医疗设备股份有限公司 | Dicom图像显示方法及装置 |
| CN110321952A (zh) * | 2019-07-02 | 2019-10-11 | 腾讯医疗健康(深圳)有限公司 | 一种图像分类模型的训练方法及相关设备 |
Non-Patent Citations (1)
| Title |
|---|
| 二维医学图像的特征提取与模式分类的研究;贺川斌;《中国优秀博士学位论文全文数据库（硕士）信息科技辑》;20060215(第2期);正文全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111126502A (zh) | 2020-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11497557B2 (en) | Method for generating a 3D physical model of a patient specific anatomic feature from 2D medical images | |
| US11288865B2 (en) | Method for generating a 3D physical model of a patient specific anatomic feature from 2D medical images | |
| CN106339571B (zh) | 用于分类医学图像数据组的人工神经网络 | |
| CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
| CN111161822A (zh) | 医学影像人工智能诊断数据管理系统及其管理方法 | |
| US20140341449A1 (en) | Computer system and method for atlas-based consensual and consistent contouring of medical images | |
| JP2009157527A (ja) | 医用画像処理装置、医用画像処理方法ならびにプログラム | |
| JP6768620B2 (ja) | 学習支援装置、学習支援装置の作動方法、学習支援プログラム、学習支援システム、端末装置及びプログラム | |
| EP3191991B1 (en) | Image report annotation identification | |
| US11113577B1 (en) | Systems and methods for detecting laterality of a medical image | |
| WO2020110774A1 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| US10600136B2 (en) | Identification of medical concepts for imaging protocol selection | |
| CN113808125A (zh) | 医学影像处理方法、病灶类型识别方法以及相关产品 | |
| US20090067696A1 (en) | Automated robust learning of geometries for mr-examinations | |
| CN113656706A (zh) | 基于多模态深度学习模型的信息推送方法及装置 | |
| CN110706200A (zh) | 数据预测的方法及装置 | |
| WO2022247007A1 (zh) | 医学图像分级方法、装置、电子设备及可读存储介质 | |
| CN117237351A (zh) | 一种超声图像分析方法以及相关装置 | |
| CN111126502B (zh) | 一种面向人工智能辅助诊断的dicom医疗影像序列分类方法 | |
| CN113903433B (zh) | 一种图像处理方法、装置和电子设备 | |
| CA3154486A1 (en) | System and methods for classifying magnetic resonance imaging (mri) image characteristics | |
| CN115100103A (zh) | 基于细菌数据的肿瘤预测方法及装置 | |
| CN111223555A (zh) | 一种面向医学影像人工智能辅助诊断结果表征的dicom扩展方法 | |
| CN101196962A (zh) | 一种医学成像系统的图像信息显示方法 | |
| US20230368895A1 (en) | Device at the point of imaging for integrating training of ai algorithms into the clinical workflow |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A DICOM medical image sequence classification method for AI aided diagnosis Effective date of registration: 20220715 Granted publication date: 20201110 Pledgee: Su Qiwen Pledgor: BEIJING ANDE YIZHI TECHNOLOGY Co.,Ltd. Registration number: Y2022990000432 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20201110 Pledgee: Su Qiwen Pledgor: BEIJING ANDE YIZHI TECHNOLOGY Co.,Ltd. Registration number: Y2022990000432 |