CN111223579A - 一种基于人工智能的远程医学影像增强系统及方法 - Google Patents
一种基于人工智能的远程医学影像增强系统及方法 Download PDFInfo
- Publication number
- CN111223579A CN111223579A CN201911297085.3A CN201911297085A CN111223579A CN 111223579 A CN111223579 A CN 111223579A CN 201911297085 A CN201911297085 A CN 201911297085A CN 111223579 A CN111223579 A CN 111223579A
- Authority
- CN
- China
- Prior art keywords
- module
- remote
- artificial intelligence
- image
- algorithm
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属于一种医学技术的改进,具体为一种基于人工智能的远程医学影像增强系统及方法,利用超分辨率影像重建技术提高医疗影像分辨率,从而提高医疗图像质量,通过人工智能方法提高医疗图像分辨率,可以有效的降低昂贵的医疗硬件成本。其包括远程终端和中央服务器,远程终端包括影像采集模块和远程处理器模块,所述中央服务器模块包括业务处理器模块、影像大数据集模块、GPU集群模块和人工智能算法模块,远程处理器模块包括增强算法模块和预测模型模块,图像采集模块与远程处理器信号连接,所述远程处理器与业务处理器信号连接,影像大数据集模块、GPU集群模块和人工智能算法模块均与业务处理器信号连接,所述增强算法模块与预测模型模块信号连接。
Description
技术领域
本发明属于一种医学技术的改进,具体为一种基于人工智能的远程医学影像增强系统及方法。
背景技术
随着医学图像分析技术在医学领域的迅速发展与普及,在医生做诊断分析时医学影像信息起到越来越重要的作用,医生可以从CT、MRI等图像中获取病人病情更直观的信息,如病灶的位置、大小、形状等信息。因此医学影像的质量直接关系着医生对病情的分析与诊断,提高影像的质量可以有效的提高诊断的准确度。因为受到医疗图像采集设备性能的原因,医学图像成像过程会受到噪音影像,从而导致图像质量欠佳。提高医学影像分辨率的质量,往往需要通过昂贵的硬件技术提高系统的带宽空间和采样频率,利用人工智能技术提高医疗图像质量,对病情的诊断分析以及治疗都具有重要意义。这种通过软件方法提高医疗图像质量,可以有效的降低昂贵的医疗硬件成本。由于目前人工智能算法对数据量和计算资源有很强的依赖,也就是说想要有高质量的医学影像增强效果,需要采集大规模的医学影像数据,并且通过高性能的GPU处理器做计算。
目前高质量的医疗资源集中在少数医院中,大多数患者无法享受国家高质量的医疗资源,远程医疗是通过远程技术,将高质量的医疗资源覆盖国内所有医疗机构。人工智能影像增强方法同样也可以采用远程医疗的方法,将高性能的计算资源和海量的数据资源服务于每一个患者。在患者端建立医学影像采集和增强结果展示系统,而远程服务器端做大规模的数据收集、标准数据集建立与算法运算。这样大幅度的节省了人工智能医疗成本,所以如何有效的大规模、低成本、全覆盖的实现医学影像的增强是一个有待解决的技术问题。
发明内容
为了解决这一问题,本发明提供了一种基于人工智能的远程医学影像增强系统及方法,利用超分辨率影像重建技术提高医疗影像分辨率,从而提高医疗图像质量,通过人工智能方法提高医疗图像分辨率,可以有效的降低昂贵的医疗硬件成本。
为解决上述技术问题,本发明所采用的技术方案为:一种基于人工智能的远程医学影像增强系统,包括远程终端和中央服务器,所述远程终端包括影像采集模块和远程处理器模块,所述中央服务器模块包括业务处理器模块、影像大数据集模块、GPU集群模块和人工智能算法模块,所述远程处理器模块包括增强算法模块和预测模型模块,所述图像采集模块与远程处理器信号连接,所述远程处理器与业务处理器信号连接,所述影像大数据集模块、GPU集群模块和人工智能算法模块均与业务处理器信号连接,所述增强算法模块与预测模型模块信号连接。
作为优选,所述影像采集模块与远程处理器信号连接具体是指所述影像采集模块与远程处理器的增强算法模块信号连接。
作为优选,所述远程处理器与业务处理器信号连接具体是指远程处理器中的预测模型模块与业务处理器信号连接。
为解决上述技术问题,本发明所采用的技术方案为:一种基于人工智能的远程医学影像增强方法,其特征在于:包括如下步骤:步骤一、通过中央服务器模块的影像大数据集模块、GPU集群模块和人工智能算法模块构建人工智能算法,设置递归残差网络结构,并初始化网络结构参数;
步骤二:通过远程终端中的影像采集模块输入标定数据,并发送中央服务器的训练递归残差网络;
步骤三:中央服务器将训练好的递归残差网络传输给远程终端;
步骤四:远程终端通过人工智能网络算法对远程终端中影像采集模块采集的影像进行增强处理。
作为优选,所述的递归残差网络结构包括六层递归残差网络单元层,其中每一层递归残差网络单元层包括多个卷积层。
作为优选,所述的递归残差网络单元层的算法为:若将输入设为X,将某一有参网络层设为F,那么以X为输入的此层的输出将为F(X)。
本发明所达到的有益效果:本发明的基于人工智能的远程医学影像增强系统及方法是基于学习的医学影像分辨率重建不会因为影像放大而产生的模糊和锯齿现象。
通过服务器训练后,新采集的影像数据可以实时得到高质量的高分辨率影像重建结果;通过中央训练服务器与终端服务器分离开,节省了大量的硬件资源与人力资源。
低分辨率图像和待重建的高分辨率图像基本上是相似的,高分辨率图像仅仅存储更多细节信息,也就是说两张图像中的低分辨率信息几乎一样,而两张图像的主要差别在高频信息中。所以在深度学习训练中,我们只需要学习高分辨率图像和低分辨率图像之间的高频部分的残差即可,不需要花费大量的时间训练两张图像间的低频信息的残差,使训练节省了时间,提高了算法效果。
本系统可通过人工智能算法提高医学影像的质量有助于帮助医生对病情的分析与诊断,提高影像的质量可以有效的提高诊断的准确度。因为受到医疗图像采集设备性能的限制,医学图像成像过程会受到噪音影响,从而导致图像质量欠佳。提高医学影像分辨率的质量,往往需要通过昂贵的硬件技术提高系统的带宽空间和采样频率,利用人工智能技术提高医疗图像质量,对病情的诊断分析以及治疗都具有重要意义。这种通过软件方法提高医疗图像质量,可以有效的降低昂贵的医疗硬件成本。
远程医疗系统大幅度简化了远程终端对医疗质量与硬件设备的依赖,每个远程终端仅需要配置消费级的计算机即可进行人工智能医疗影像的增强处理,大幅度增加了医疗资源的利用率,同时大幅度降低了城镇乡村的医疗成本。
通过远程医疗可以大规模搜集规范的医学影像数据,为医疗仍共智能提供影像大数据集。数据集、GPU集群和人工算法工程师可以集中在同一个医疗机构环境内,软硬件资源调度方便,同时也节省了人力和硬件成本。
附图说明
图1是本发明的基于人工智能的远程医学影像增强系统的系统架构示意图;
图2是本发明的基于人工智能的远程医学影像增强方法的流程示意图;
图3是本发明的基于人工智能的远程医学影像增强系统的递归残差网络结构;
图4是本发明的基于人工智能的远程医学影像增强系统的残差网络结构的算法示意图;
图5是本发明的基于人工智能的远程医学影像增强系统的残差网络结构的递归残差网络单元的结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
一种基于人工智能的远程医学影像增强系统,包括远程终端和中央服务器,所述远程终端包括影像采集模块和远程处理器模块,所述中央服务器模块包括业务处理器模块、影像大数据集模块、GPU集群模块和人工智能算法模块,所述远程处理器模块包括增强算法模块和预测模型模块,所述图像采集模块与远程处理器信号连接,所述远程处理器与业务处理器信号连接,所述影像大数据集模块、GPU集群模块和人工智能算法模块均与业务处理器信号连接,所述增强算法模块与预测模型模块信号连接;所述影像采集模块与远程处理器信号连接具体是指所述影像采集模块与远程处理器的增强算法模块信号连接;所述远程处理器与业务处理器信号连接具体是指远程处理器中的预测模型模块与业务处理器信号连接。
一种基于人工智能的远程医学影像增强方法,包括如下步骤:步骤一、通过中央服务器模块的影像大数据集模块、GPU集群模块和人工智能算法模块构建人工智能算法,设置递归残差网络结构,并初始化网络结构参数;
步骤二:通过远程终端中的影像采集模块输入标定数据,并发送中央服务器的训练递归残差网络;
步骤三:中央服务器将训练好的递归残差网络传输给远程终端;
步骤四:远程终端通过人工智能网络算法对远程终端中影像采集模块采集的影像进行增强处理。
所述的递归残差网络结构包括六层递归残差网络单元层,其中每一层递归残差网络单元层包括多个卷积层。
所述的递归残差网络单元层的算法为:若将输入设为X,将某一有参网络层设为F,那么以X为输入的此层的输出将为F(X)。
传统的CNN网络如VGG网络其目标是参数函数F的表达式,通过直接对网络的训练学习得到X->F(X)。残差学习目标是学习得到输入图像X与输出F(X)之间的残差F(X)-X,也就是说通过多个有参数的网络层学习X->(F(X)-X)+X。
本发明方法希望通过人工智能算法对患者检查医学影像(如CT、MRI等)进行增强处理(如去噪、超分辨率重建等)。本发明将人工智能医学影像应用在远程医疗方面,由于地市级医院无法拥有高质量的医师、人工智能算法工程师、大规模影像数据集、GPU集群服务器,所以本方法建立两个主要模块:远程终端和中央服务器。远程终端由医学影像采集设备和消费级计算机组成,主要工作是采集医学影像数据,并将数据上传中央服务器,从中央服务器获取预测模型,对采集的影像数据做增强处理。中央服务器主要由业务处理服务器、存储服务器、GPU集群、人工智能开发平台组成,主要工作是收集所有终端上传的影像数据建立数据集,通过人工智能算法在GPU集群服务器上运算得到人工智能算法预测模型,将模型传递到远程终端上。
远程终端设备安放在医疗资源较薄弱的医疗机构,本发明系统可以同时服务于大规模远程终端,也就是服务于大规模的医疗机构。远程终端仅由一台影像采集仪器(如CT、MRI)和一台消费级电脑组成。远程终端中的处理器仅存储人工智能预测模型和医学影像增强算法,该人工智能算法可以实时对采集医学影像进行增强处理。同时,影像数据上传中央服务器,为服务器组建影像大数据集。预测模型和影像增强算法都是由中央服务中获取,获取方式有两种:一、中央服务器定时更新每个远程终端中的模型与算法;二、如果终端得到的增强算法没有达到医疗机构的期望,终端主动向中央服务器请求更新远程终端的模型与算法。
中央服务器设备安放在医疗资源充足的医疗机构,需要具有专业临床医师、医疗人工算法工程师和服务器硬件设备。其硬件设备包括业务处理器、影像数据存储器和GPU集群。业务流程:业务处理器将采集得到的医学影像存储在影像数据存储器中,构成影像大数据集;临床医师和医疗人工算法工程师共同开发人工智能医学影像增强算法,上传至业务处理器;业务处理器将人工智能算法和影像大数据上传至GPU集群进行人工智能算法训练,得到医学影像预测模型;最后业务处理器将预测模型和增强算法传递到每个远程终端,更新每个远程终端的模型和算法。构建影像大数据集:影像数据需要分类,通过采集方式不同分为CT、MRI、PET-CT等,不同的影像数据存入不同的影像数据集。远程终端上传的影像数据众多,当达到一定的阈值后,舍去冗余的影像数据,保存的数据随时间变化而定,越早期的数据被舍去的概率越高。GPU集群:根据影像数据和人工智能算法动态分配GPU运算资源,通过GPU集群计算得到人工智能算法和预测模型,通过业务处理器上传至每个远程终端。人工智能算法模块:临床医师和人工智能通过对影像大数据的分析、标定和设计,开发出针对影像数据增强的人工智能算法,上传至业务处理器,通过GPU集群进行大数据运算。
本发明提出一种递归残差网络结构,如图3所示,整体网络结构包含6层残差网络,如图3中递归残差网络单元层所示,每一网络递归残差网络单元层包含1.2节所述的单元层,输入图像x经过6层递归残差网络单元层处理,再通过一层卷积操作,与输入图像进行叠加,得到最终的输出结果。该网络总共分为三个层次,首先是输入的低分辨率图像的特征提取,然后将提取的特征进入递归残差网络层,进行残差函数的非线性映射,最终将映射后的特征与输入图像进行叠加操作,得到输出的高分辨率图像。
残差网络,是将输入的图像跳跃连接到网络结构中,如图4所示。若将输入设为X,将某一有参网络层设为F,那么以X为输入的此层的输出将为F(X)。
传统的CNN网络如VGG网络其目标是参数函数F的表达式,通过直接对网络的训练学习得到X->F(X)。残差学习目标是学习得到输入图像X与输出F(X)之间的残差F(X)-X,也就是说通过多个有参数的网络层学习X->(F(X)-X)+X。
虽然根据经验,算法效果会随着网络层数地增加越来越好,但是,随着层数的增加,网络参数也随之增大,导致算法的计算量和训练优化时的存储空间也急剧增大,最终导致梯度消失等问题。为了解决这些问题,本文将递归网络结构引入到残差网络中,提出了一种三层递归残差网络结构,如图5所示。每一次迭代中,将输入图像做两次卷积操作,卷积后的结果与输入图像进行叠加操作。对于每一个递归残差网络单元,做三次迭代残差操作。每次迭代间的卷积操作共享卷积权重,如图5中,三次网络卷积层共享相同的卷积权重,其他卷积层操作也相同,相同的卷积层极大得减少了因网络深度增加带来的训练参数的增加,从而解决了训练梯度消失的问题。
以上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来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于人工智能的远程医学影像增强系统,其特征在于:包括远程终端和中央服务器,所述远程终端包括影像采集模块和远程处理器模块,所述中央服务器模块包括业务处理器模块、影像大数据集模块、GPU集群模块和人工智能算法模块,所述远程处理器模块包括增强算法模块和预测模型模块,所述图像采集模块与远程处理器信号连接,所述远程处理器与业务处理器信号连接,所述影像大数据集模块、GPU集群模块和人工智能算法模块均与业务处理器信号连接,所述增强算法模块与预测模型模块信号连接。
2.根据权利要求1所述的基于人工智能的远程医学影像增强系统,其特征在于:所述影像采集模块与远程处理器信号连接具体是指所述影像采集模块与远程处理器的增强算法模块信号连接。
3.根据权利要求1所述的基于人工智能的远程医学影像增强系统,其特征在于:所述远程处理器与业务处理器信号连接具体是指远程处理器中的预测模型模块与业务处理器信号连接。
4.一种基于人工智能的远程医学影像增强方法,其特征在于:包括如下步骤:步骤一、通过中央服务器模块的影像大数据集模块、GPU集群模块和人工智能算法模块构建人工智能算法,设置递归残差网络结构,并初始化网络结构参数;
步骤二:通过远程终端中的影像采集模块输入标定数据,并发送中央服务器的训练递归残差网络;
步骤三:中央服务器将训练好的递归残差网络传输给远程终端;
步骤四:远程终端通过工智能网络算法对远程终端中影像采集模块采集的影像进行增强处理。
5.根据权利要求4所述的基于人工智能的远程医学影像增强方法,其特征在于:所述的递归残差网络结构包括六层递归残差网络单元层,其中每一层递归残差网络单元层包括多个卷积层。
6.根据权利要求5所述的基于人工智能的远程医学影像增强方法,其特征在于:所述的递归残差网络单元层的算法为:若将输入设为X,将某一有参网络层设为F,那么以X为输入的此层的输出将为F(X)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911297085.3A CN111223579A (zh) | 2019-12-16 | 2019-12-16 | 一种基于人工智能的远程医学影像增强系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911297085.3A CN111223579A (zh) | 2019-12-16 | 2019-12-16 | 一种基于人工智能的远程医学影像增强系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111223579A true CN111223579A (zh) | 2020-06-02 |
Family
ID=70810311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911297085.3A Pending CN111223579A (zh) | 2019-12-16 | 2019-12-16 | 一种基于人工智能的远程医学影像增强系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111223579A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777905A (zh) * | 2016-11-25 | 2017-05-31 | 苏州国科康成医疗科技有限公司 | 远程医疗多影像中心服务系统及其终端获取数据的方法 |
CN107358055A (zh) * | 2017-07-21 | 2017-11-17 | 湖州师范学院 | 智能辅助诊断系统 |
CN108460726A (zh) * | 2018-03-26 | 2018-08-28 | 厦门大学 | 一种基于增强递归残差网络的磁共振图像超分辨重建方法 |
CN108510495A (zh) * | 2018-04-09 | 2018-09-07 | 沈阳东软医疗系统有限公司 | 一种基于人工智能的肺部影像数据处理方法、装置及系统 |
WO2019189971A1 (ko) * | 2018-03-30 | 2019-10-03 | 주식회사 홍복 | 당뇨병 및 전조 증상을 진단하기 위해 홍채 영상 및 망막 영상을 인공지능으로 분석하는 방법 |
US20190348181A1 (en) * | 2018-05-10 | 2019-11-14 | Mohamed Anver Jameel | Method, apparatus, and computer readible media for artificial intelligence-based treatment guidance for the neurologically impaired patient who may need neurosurgery |
-
2019
- 2019-12-16 CN CN201911297085.3A patent/CN111223579A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777905A (zh) * | 2016-11-25 | 2017-05-31 | 苏州国科康成医疗科技有限公司 | 远程医疗多影像中心服务系统及其终端获取数据的方法 |
CN107358055A (zh) * | 2017-07-21 | 2017-11-17 | 湖州师范学院 | 智能辅助诊断系统 |
CN108460726A (zh) * | 2018-03-26 | 2018-08-28 | 厦门大学 | 一种基于增强递归残差网络的磁共振图像超分辨重建方法 |
WO2019189971A1 (ko) * | 2018-03-30 | 2019-10-03 | 주식회사 홍복 | 당뇨병 및 전조 증상을 진단하기 위해 홍채 영상 및 망막 영상을 인공지능으로 분석하는 방법 |
CN108510495A (zh) * | 2018-04-09 | 2018-09-07 | 沈阳东软医疗系统有限公司 | 一种基于人工智能的肺部影像数据处理方法、装置及系统 |
US20190348181A1 (en) * | 2018-05-10 | 2019-11-14 | Mohamed Anver Jameel | Method, apparatus, and computer readible media for artificial intelligence-based treatment guidance for the neurologically impaired patient who may need neurosurgery |
Non-Patent Citations (1)
Title |
---|
王爱丽等: "基于递归残差网络的遥感图像超分辨率重建" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697741B (zh) | 一种pet图像重建方法、装置、设备及介质 | |
WO2021036695A1 (zh) | 一种待标注图像确定的方法、模型训练的方法及装置 | |
CN110414631B (zh) | 基于医学图像的病灶检测方法、模型训练的方法及装置 | |
CN111292314B (zh) | 冠脉分段方法、装置、图像处理系统和存储介质 | |
CN112368738B (zh) | 用于图像优化的系统和方法 | |
CN110517238B (zh) | Ct医学影像ai三维重建与人机交互可视化网络系统 | |
CN111325714B (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
CN117115045B (zh) | 基于互联网生成式人工智能提升医学影像数据质量的方法 | |
CN114387317B (zh) | Ct图像和mri三维图像的配准方法、装置 | |
KR102108418B1 (ko) | 재구성된 영상군에 기초한 영상 제공 방법 및 이를 이용한 장치 | |
CN117009924B (zh) | 电子病历引导的多模态自适应多中心数据融合方法及系统 | |
CN111369562A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
WO2019037654A1 (zh) | 3d图像检测方法、装置、电子设备及计算机可读介质 | |
CN111968110A (zh) | Ct成像方法、装置、存储介质及计算机设备 | |
CN115994902A (zh) | 医学图像分析方法、电子设备及存储介质 | |
WO2021184799A1 (zh) | 医学图像处理方法、装置、设备及存储介质 | |
CN111968108B (zh) | 基于智能扫描协议的ct智能成像方法、装置及系统 | |
CN111209946B (zh) | 三维图像处理方法、图像处理模型训练方法及介质 | |
CN117911432A (zh) | 图像分割方法、装置及存储介质 | |
CN112164447A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN111223579A (zh) | 一种基于人工智能的远程医学影像增强系统及方法 | |
CN115953420A (zh) | 深度学习网络模型以及医疗图像分割方法、装置和系统 | |
WO2022193378A1 (zh) | 图像重建模型生成方法及装置、图像重建方法及装置、设备、介质 | |
CN115908438A (zh) | 基于深度监督集成学习的ct影像病灶分割方法、系统和设备 | |
CN109377477A (zh) | 一种图像分类的方法、装置及计算机可读存储介质 |
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 |
Application publication date: 20200602 |
|
RJ01 | Rejection of invention patent application after publication |