CN111276254A - 医疗开放平台系统及诊疗数据处理方法 - Google Patents
医疗开放平台系统及诊疗数据处理方法 Download PDFInfo
- Publication number
- CN111276254A CN111276254A CN202010030781.4A CN202010030781A CN111276254A CN 111276254 A CN111276254 A CN 111276254A CN 202010030781 A CN202010030781 A CN 202010030781A CN 111276254 A CN111276254 A CN 111276254A
- Authority
- CN
- China
- Prior art keywords
- data
- diagnosis
- treatment data
- learning model
- user
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/08—Learning methods
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种医疗开放平台系统及诊疗数据处理方法,该医疗开放平台系统包括:数据管理单元、数据标注单元、模型选择单元和模型训练单元。数据管理单元用于根据用户操作指令,上传和整理历史诊疗数据。数据标注单元用于对历史诊疗数据进行标注,获取标注结果,标注结果用于反映历史诊疗数据的分类情况。模型选择单元用于根据用户的任务指令确定历史诊疗数据,并利用历史诊疗数据的分类情况及数据特征选择学习模型;模型训练单元用于对学习模型进行训练,获取训练后的学习模型。本发明操作方便,减少了作业时间,建模过程根据数据特点自动选择最优的模型方案,满足医生的实际诊疗需求,保证了医生后续研发作业的顺利进行。
Description
技术领域
本发明涉及医疗领域,尤其涉及一种医疗开放平台系统及诊疗数据处理方法。
背景技术
目前,大部分医生缺乏强大的数据处理能力,医生如果想开展某项研发作业十分困难,因此,提供一种能够满足实际诊疗需求的医疗平台系统是十分重要的。现有技术目前并没有在医疗领域关于此方面的医疗平台系统。
发明内容
本发明实施例提供一种医疗开放平台系统,用以减少作业时间,同时保证用户后续研发作业的顺利进行,该系统包括:
数据管理单元,用于根据用户操作指令,上传和整理历史诊疗数据;
数据标注单元,用于对历史诊疗数据进行标注,获取标注结果,所述标注结果用于反映历史诊疗数据的分类情况;
模型选择单元,用于根据用户的任务指令确定历史诊疗数据,并利用历史诊疗数据的分类情况及数据特征选择学习模型;
模型训练单元,用于对所述学习模型进行训练,获取训练后的学习模型。
可选的,模型选择单元包括:
调度模块,用于接收用户的任务指令,以及反馈与任务指令对应的任务处理结果;
逻辑处理模块,用于根据用户的任务指令确定历史诊疗数据,并利用历史诊疗数据的分类情况,结合预设算法逻辑和预设迭代逻辑,选择学习模型。
可选的,模型选择单元还包括:
展示模块,用于将所述任务处理结果展示给用户。
可选的,所述系统还包括:
模型应用单元,用于根据训练好的学习模型的应用程序接口调用所述学习模型。
本发明实施例还提供一种诊疗数据处理方法,用以减少作业时间,同时保证用户后续研发作业的顺利进行,该方法包括:
根据用户操作指令,上传和整理历史诊疗数据;
对历史诊疗数据进行标注,获取标注结果,所述标注结果用于反映历史诊疗数据的分类情况;
根据用户的任务指令确定历史诊疗数据,并利用历史诊疗数据的分类情况及数据特征选择学习模型;
对所述学习模型进行训练,获取训练后的学习模型。
可选的,根据用户的任务指令确定待处理诊疗数据,并利用历史诊疗数据的分类情况及数据特征选择学习模型,包括:
接收用户的任务指令,以及反馈与任务指令对应的任务处理结果;
根据用户的任务指令确定历史诊疗数据,并利用历史诊疗数据的分类情况,结合预设算法逻辑和预设迭代逻辑,选择学习模型。
可选的,根据用户的任务指令确定待处理诊疗数据,并利用历史诊疗数据的分类情况及数据特征选择学习模型,还包括:
将所述任务处理结果展示给用户。
可选的,所述方法还包括:
根据训练好的学习模型的应用程序接口调用所述学习模型。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述方法的计算机程序。
本发明实施例中,通过设置数据管理单元、数据标注单元,并利用数据管理单元根据用户操作指令,上传和整理历史诊疗数据,利用数据标注单元对历史诊疗数据进行标注,获取用于反映历史诊疗数据的分类情况,无需医生自己对诊疗数据进行管理,并借助其它的一些标注工具对诊疗数据进行标注,操作方便,减少了作业时间。通过设置模型选择单元103和模型训练单元,并利用模型选择单元根据用户的任务指令确定历史诊疗数据,并利用历史诊疗数据的分类情况及数据特征选择学习模型,对该学习模型进行训练,获取训练后的学习模型,保证了建模过程可以根据数据特征自动选择最优的模型方案,满足用户的实际诊疗需求,保证了用户后续研发作业的顺利进行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中医疗开放平台系统的结构示意图;
图2为本发明实施例中模型训练单元的结构示意图;
图3为本发明实施例中模型训练单元的又一结构示意图;
图4为本发明实施例中医疗开放平台系统的又一结构示意图;
图5为本发明实施例中诊疗数据处理方法的流程图;
图6为本发明实施例中学习模型训练方法的流程图;
图7为本发明实施例中学习模型训练方法的又一流程图;
图8为本发明实施例中诊疗数据处理方法的又一流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
图1是本发明实施例提供的医疗开放平台系统的结构示意图,如图1所示,该平台系统包括:数据管理单元101、数据标注单元102、模型选择单元103和模型训练单元104。其中,数据管理单元101用于根据用户操作指令,上传和整理历史诊疗数据。数据标注单元102用于对历史诊疗数据进行标注,获取标注结果,所述标注结果用于反映历史诊疗数据的分类情况。模型选择单元103用于根据用户的任务指令确定历史诊疗数据,并利用历史诊疗数据的分类情况及数据特征选择学习模型。模型训练单元104用于对所述学习模型进行训练,获取训练后的学习模型。
本发明实施例提供的医疗开放平台系统,通过设置数据管理单元101、数据标注单元102,并利用数据管理单元101根据用户操作指令,上传和整理历史诊疗数据,利用数据标注单元102对历史诊疗数据进行标注,获取用于历史诊疗数据的分类情况的标注结果,无需医生自己对诊疗数据进行管理,并借助其它的一些标注工具对诊疗数据进行标注,操作方便,减少了作业时间。通过设置模型选择单元103和模型训练单元104,并利用模型选择单元103根据用户的任务指令确定历史诊疗数据,并利用历史诊疗数据的分类情况及数据特征选择学习模型,对该学习模型进行训练,获取训练后的学习模型,保证了建模过程可以根据数据特征自动选择最优的模型方案,满足用户的实际诊疗需求,保证了用户后续研发作业的顺利进行。
其中,用户可以为:医生、医疗机构的工作人员等。
数据管理单元101中的“诊疗数据”包括:组织病理、细胞病理、US(Ultrasound,超声波扫描检查)、DR(Digital Radiography,数字X线摄影)、PET(Position EmissionComputed Tomography,正电子发射型计算机断层显像)、造影、医疗图像,如CT(ComputedTomography,电子计算机断层扫描)、MRI(Magnetic Resonance Imaging,磁共振成像)等,以及结构化数据,如基因数据、蛋白表达数据等。
在诊疗数据上传过程中,可以进行断点续传,即中途中断,后续可以继续上传,此外可以采用数据脱敏及分块加密等技术保证数据敏感信息及医疗原始数据的上传和存储安全。且在上传后,用户可以对该诊疗数据进行编辑整理,如对该诊疗数据进行移动、删除、修改等。
此外,数据管理单元101中的诊疗数据依托项目而存在,项目的发起用户创建对应研发任务(如xxx癌的诊断任务),那么该用户则拥有该项目的最高权限,其可以邀请其它用户参与该项目的整个研发工作,并且,用户权限管理,数据的可读、可修改,模型的训练、迭代、删除、发布等都可以分配权限。该项目的发起用户可指定某些用户只有数据查看和勾画权限,某些用户可以训练相关深度学习或机器学习模型。如果是多中心项目,则项目发起用户可以建立多个中心进行管理,同时也由项目发起人分配各个中心的权限,其可以查看并操作所有中心的数据,而其它中心的用户是否可以相互查看或使用相关数据则由项目发起人控制,这样既可以保证多中心数据的安全,也可以保证多中心的协同研究。
数据标注单元102包括预设勾画工具,该勾画工具可以手动完成矩形框勾画、线条勾画、圆形勾画等,同时可借助辅助勾画工具,支持基于区域增长的魔术棒工具,仅需用户点击部分区域,系统会自动勾画出附近同样类型的区域,还可以利用系统提供的基础分割或检测模型自动对同类数据进行勾画,用户可以利用该勾画工具对诊疗数据进行标注。在此过程中,用户可以对同一诊疗数据标注多个维度的标签,用于后续进行不同模型的训练。所建的标签类别(良性、恶性等)可以针对勾画区域打标签,也可以针对整张图像打标签,打完标签后系统会自动保存,保存后的标签即可用于后续的学习模型训练和迭代。
模型建立过程中,系统中每个项目的质控专家可以很方便的对标注结果进行修改,保证数据标注的规范化和高质量。
在本发明实施例中,如附图2所示,模型选择单元103包括:
调度模块201,用于接收用户的任务指令,以及反馈与任务指令对应的任务处理结果。
逻辑处理模块202,用于根据用户的任务指令确定历史诊疗数据,并利用历史诊疗数据的分类情况,结合预设算法逻辑和预设迭代逻辑,选择学习模型。其中,“利用历史诊疗数据的分类情况,结合预设算法逻辑和预设迭代逻辑,选择学习模型”指的是:对历史诊疗数据进行分类,利用分类后得到的具体类别,结合与该类别相匹配的预设算法逻辑和预设迭代逻辑选择学习模型,以便后续对该学习模型进行训练。
具体地,调度模块201用于接收前端用户的任务指令,并针对不同的任务指令分配不同的计算资源,如CPU(Central Processing Unit,中央处理器)和GPU(GraphicsProcessingUnit,图形处理器),然后将任务请求封装后发给不同的任务处理模块,最后还会接收任务处理结果,并将任务处理结果整合后反馈给前端,同时释放上述分配的计算资源。
此外,调度模块201还可以调度不同的模型训练、迭代及验证任务。
逻辑处理模块202用于处理不同任务指令对应的算法调度逻辑及模型迭代逻辑,算法调度逻辑首先针对诊疗数据及标签提取大量的数据特征,然后根据这些数据特征(如数据格式、数据层厚、数据大小、数据像素范围、数据勾画等)的不同给该任务选择一套最适合的训练算法(如根据数据层厚选择基于3D还是2D的模型方案等),包括针对不同数据特点的数据预处理方法和算法模型。迭代逻辑通过分析模型训练的结果以及模型验证的结果提取可行的下一步优化方法,如模型针对小目标的检测效果很差,则可能通过增加小目标的采样频率及调整检测网络的感受野大小来优化模型训练。
此外,为了保证用户上传的诊疗数据能够顺利应用于后续的模型建立中,以及保证对应个性化学习模型的顺利建立,该模型选择单元103还包括:数据处理模块和模型建立模块,其中,数据处理模块为提供数据处理的功能模块库,用于进行数据预处理、特征提取、数据增强等。
模型建立模块为包含很多开源算法及自研算法的方法库,其用于为学习模型的建立提供各种算法,如目标检测算法、区域分割算法、分类算法等。
在本发明实施例中,如附图3所示,模型选择单元103还包括:
展示模块301,用于将所述任务处理结果展示给用户,支持图表展示,如P-R曲线(Precision Recall Curve)、AUC曲线(Area Under Curve)等。
其中,任务处理结果包括:训练好的学习模型,以及生成各种分析图表的方法库,该方法库包括:P-R曲线生成方法、ROC曲线(receiver operating characteristic curve,接受者操作特性曲线)生成方法、校正曲线(calibrationcurve)生成方法等。
此外,为了便于进行系统与用户的交互,客户端包括用户界面,用户的一切操作都是在该客户端上完成的,用户建立的训练任务或验证分析任务的结果也都会通过客户端呈现给用户,同时提供结果或高清图表下载,方便用户使用。
在本发明实施例中,如附图4所示,该系统还包括:
模型应用单元401,用于根据训练好的学习模型的应用程序接口调用所述学习模型。
具体地,用户可以选择将通过临床试验的系统或模型发布出去,这样有相关权限的用户即可在平台上实时上传数据使用发布的模型或系统对数据进行分析并得到分析结果,同时发布出去的模型或系统会对外提供应用程序服务,此外,用户也可以直接调用系统的应用程序服务接口使用对应的模型或系统。
基于同一发明构思,本发明实施例中还提供了一种诊疗数据处理方法,如下面的实施例所述。由于诊疗数据处理方法解决问题的原理与医疗开放平台系统相似,因此,诊疗数据处理方法的实施可以参见医疗开放平台系统的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5为本发明实施例提供的诊疗数据处理方法的流程图,如图5所示,该方法包括:
步骤501、根据用户操作指令,上传和整理历史诊疗数据。
步骤502、对历史诊疗数据进行标注,获取标注结果,所述标注结果用于反映历史诊疗数据的分类情况。
步骤503、根据用户的任务指令确定历史诊疗数据,并利用历史诊疗数据的分类情况及数据特征选择学习模型。
步骤504、对所述学习模型进行训练,获取训练后的学习模型。
图6为本发明实施例中学习模型训练方法的流程图,如图6所示,该方法包括:
步骤601、接收用户的任务指令,以及反馈与任务指令对应的任务处理结果。
步骤602、根据用户的任务指令确定历史诊疗数据,并利用历史诊疗数据的分类情况,结合预设算法逻辑和预设迭代逻辑,选择学习模型。
图7为本发明实施例中学习模型训练方法的又一流程图,如图7所示,该方法包括:
步骤701、将所述任务处理结果展示给用户。
图8为本发明实施例提供的诊疗数据处理的又一流程图,如图8所示,该方法还包括:
步骤801、根据训练好的学习模型的应用程序接口调用所述学习模型。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述方法的计算机程序。
综上所述,本发明相比于现有技术,有益效果如下:
1、本发明给用户提供了一个集数据管理、标注和模型训练为一体的医疗开放平台系统,用户可以在线管理自己的医疗图像数据和结构化数据,同时如果想基于该数据开展人工智能研究,可随时随地登录本发明提供的系统中进行数据勾画,同时通过平台系统中每个项目的质控专家也可以很方便的对标注结果进行修改,保证数据标注的规范化和高质量。
2、用户无需具备强大的数据处理能力,只需明白医疗的临床需求即可一键训练对应的模型或系统,系统会根据数据特点选择最优的数据处理方法和模型方法,并可以对模型进行训练,训练好的模型可在线测试和迭代。
3、本发明打通了数据的互联互通,用户可以开展多人协作项目或多中心项目,这大大方便了医疗人工智能的研发,同时也降低了数据的获取难度。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种医疗开放平台系统,其特征在于,包括:
数据管理单元,用于根据用户操作指令,上传和整理历史诊疗数据;
数据标注单元,用于对历史诊疗数据进行标注,获取标注结果,所述标注结果用于反映历史诊疗数据的分类情况;
模型选择单元,用于根据用户的任务指令确定历史诊疗数据,并利用历史诊疗数据的分类情况及数据特征选择学习模型;
模型训练单元,用于对所述学习模型进行训练,获取训练后的学习模型。
2.如权利要求1所述的系统,其特征在于,模型选择单元包括:
调度模块,用于接收用户的任务指令,以及反馈与任务指令对应的任务处理结果;
逻辑处理模块,用于根据用户的任务指令确定历史诊疗数据,并利用历史诊疗数据的分类情况,结合预设算法逻辑和预设迭代逻辑,选择学习模型。
3.如权利要求2所述的系统,其特征在于,模型选择单元还包括:
展示模块,用于将所述任务处理结果展示给用户。
4.如权利要求1所述的系统,其特征在于,还包括:
模型应用单元,用于根据训练好的学习模型的应用程序接口调用所述学习模型。
5.一种诊疗数据处理方法,其特征在于,包括:
根据用户操作指令,上传和整理历史诊疗数据;
对历史诊疗数据进行标注,获取标注结果,所述标注结果用于反映历史诊疗数据的分类情况;
根据用户的任务指令确定历史诊疗数据,并利用历史诊疗数据的分类情况及数据特征选择学习模型;
对所述学习模型进行训练,获取训练后的学习模型。
6.如权利要求5所述的方法,其特征在于,根据用户的任务指令确定待处理诊疗数据,并利用历史诊疗数据的分类情况及数据特征选择学习模型,包括:
接收用户的任务指令,以及反馈与任务指令对应的任务处理结果;
根据用户的任务指令确定历史诊疗数据,并利用历史诊疗数据对应的诊断类别,结合预设算法逻辑和预设迭代逻辑,选择学习模型。
7.如权利要求6所述的方法,其特征在于,根据用户的任务指令确定待处理诊疗数据,并利用历史诊疗数据的分类情况及数据特征选择学习模型,还包括:
将所述任务处理结果展示给用户。
8.如权利要求5所述的方法,其特征在于,还包括:
根据训练好的学习模型的应用程序接口调用所述学习模型。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求5至8任一所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求5至8任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010030781.4A CN111276254A (zh) | 2020-01-13 | 2020-01-13 | 医疗开放平台系统及诊疗数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010030781.4A CN111276254A (zh) | 2020-01-13 | 2020-01-13 | 医疗开放平台系统及诊疗数据处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111276254A true CN111276254A (zh) | 2020-06-12 |
Family
ID=71001837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010030781.4A Pending CN111276254A (zh) | 2020-01-13 | 2020-01-13 | 医疗开放平台系统及诊疗数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111276254A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113707289A (zh) * | 2021-07-16 | 2021-11-26 | 联影智能医疗科技(北京)有限公司 | 医学人工智能平台及其搭建方法 |
CN114078578A (zh) * | 2020-08-06 | 2022-02-22 | 富泰华工业(深圳)有限公司 | 数据标注模型训练方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于标注医学图像的方法和装置 |
CN107910061A (zh) * | 2017-12-01 | 2018-04-13 | 中南大学 | 一种医疗数据处理方法及系统 |
CN108206056A (zh) * | 2018-01-18 | 2018-06-26 | 中山大学 | 一种鼻咽癌人工智能辅助诊疗决策终端 |
CN109300530A (zh) * | 2018-08-08 | 2019-02-01 | 北京肿瘤医院 | 病理图片的识别方法及装置 |
CN109376844A (zh) * | 2018-10-30 | 2019-02-22 | 银河水滴科技(北京)有限公司 | 基于云平台和模型推荐的神经网络自动训练方法和装置 |
CN109558395A (zh) * | 2018-10-17 | 2019-04-02 | 中国光大银行股份有限公司 | 数据处理系统及数据挖掘方法 |
CN109785300A (zh) * | 2018-12-27 | 2019-05-21 | 华南理工大学 | 一种癌症医学图像数据处理方法、系统、装置和存储介质 |
CN110085314A (zh) * | 2019-04-11 | 2019-08-02 | 上海翼依信息技术有限公司 | 医学检验数据的智能分析方法、系统以及设备 |
-
2020
- 2020-01-13 CN CN202010030781.4A patent/CN111276254A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于标注医学图像的方法和装置 |
CN107910061A (zh) * | 2017-12-01 | 2018-04-13 | 中南大学 | 一种医疗数据处理方法及系统 |
CN108206056A (zh) * | 2018-01-18 | 2018-06-26 | 中山大学 | 一种鼻咽癌人工智能辅助诊疗决策终端 |
CN109300530A (zh) * | 2018-08-08 | 2019-02-01 | 北京肿瘤医院 | 病理图片的识别方法及装置 |
CN109558395A (zh) * | 2018-10-17 | 2019-04-02 | 中国光大银行股份有限公司 | 数据处理系统及数据挖掘方法 |
CN109376844A (zh) * | 2018-10-30 | 2019-02-22 | 银河水滴科技(北京)有限公司 | 基于云平台和模型推荐的神经网络自动训练方法和装置 |
CN109785300A (zh) * | 2018-12-27 | 2019-05-21 | 华南理工大学 | 一种癌症医学图像数据处理方法、系统、装置和存储介质 |
CN110085314A (zh) * | 2019-04-11 | 2019-08-02 | 上海翼依信息技术有限公司 | 医学检验数据的智能分析方法、系统以及设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114078578A (zh) * | 2020-08-06 | 2022-02-22 | 富泰华工业(深圳)有限公司 | 数据标注模型训练方法、装置、电子设备及存储介质 |
CN113707289A (zh) * | 2021-07-16 | 2021-11-26 | 联影智能医疗科技(北京)有限公司 | 医学人工智能平台及其搭建方法 |
CN113707289B (zh) * | 2021-07-16 | 2023-11-10 | 联影智能医疗科技(北京)有限公司 | 医学人工智能平台及其搭建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019257675B2 (en) | Image enhancement using generative adversarial networks | |
US11574406B2 (en) | Systems and methods for image segmentation using a scalable and compact convolutional neural network | |
US10790056B1 (en) | Methods and systems for syncing medical images across one or more networks and devices | |
US11062494B2 (en) | Electronic messaging utilizing animatable 3D models | |
JP6623265B2 (ja) | 偽陽性低減での小結節検出 | |
CN107680684B (zh) | 用于获取信息的方法及装置 | |
CN110728674B (zh) | 图像处理方法及装置、电子设备和计算机可读存储介质 | |
US20200027210A1 (en) | Virtualized computing platform for inferencing, advanced processing, and machine learning applications | |
CN108961369B (zh) | 生成3d动画的方法和装置 | |
CN108701370A (zh) | 基于机器学习的基于内容的医学成像渲染 | |
CN107851312B (zh) | 用于在三维解剖图像中自动分割个别骨骼骨的系统及方法 | |
US20210082107A1 (en) | Manipulable object synthesis in 3d medical images with structured image decomposition | |
KR102108400B1 (ko) | 의료영상 판독을 위한 컨테이너 기반의 인공지능 클라우드 서비스 플랫폼 시스템 | |
CN108778134B (zh) | 用于根据3d解剖图像表征骨骼的中心轴的系统和方法 | |
KR102053527B1 (ko) | 이미지 처리 방법 | |
US20190114770A1 (en) | Systems and methods for detecting cancer metastasis using a neural network | |
WO2018161257A1 (zh) | 生成彩色医学影像的方法及系统 | |
CN111276254A (zh) | 医疗开放平台系统及诊疗数据处理方法 | |
US11042778B2 (en) | Generating realistic organ x-ray angiography (XA) images for deep learning consumption | |
US10896503B2 (en) | Identification of areas of interest in imaging applications | |
CN113424222A (zh) | 用于使用条件生成对抗网络提供中风病灶分割的系统和方法 | |
CN112802036A (zh) | 一种三维医学图像靶区分割的方法、系统和装置 | |
Stojanovic et al. | Service-oriented semantic enrichment of indoor point clouds using octree-based multiview classification | |
US11164309B2 (en) | Image analysis and annotation | |
CN114972729A (zh) | 用于医学图像分析的标注高效学习的方法和系统 |
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: 20200612 |
|
RJ01 | Rejection of invention patent application after publication |