CN111340793A - 一种肺部亚实性结节性质检测系统及方法 - Google Patents
一种肺部亚实性结节性质检测系统及方法 Download PDFInfo
- Publication number
- CN111340793A CN111340793A CN202010148256.2A CN202010148256A CN111340793A CN 111340793 A CN111340793 A CN 111340793A CN 202010148256 A CN202010148256 A CN 202010148256A CN 111340793 A CN111340793 A CN 111340793A
- Authority
- CN
- China
- Prior art keywords
- nodule
- hypo
- solidity
- lung
- image
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种肺部亚实性结节性质检测系统及方法,涉及神经网络。包括:获取模块,获取若干患者的断层扫描图像;筛选模块,对断层扫描图像进行筛选得到亚实性结节断层扫描图像,并获取关联的临床性质判定结果;标注模块,分别对亚实性结节断层扫描图像进行人工标注,获得包含肺部亚实性结节区域以及高维特征数据的标注图像;训练数据库,用于根据标注图像构建训练数据库;训练模块,根据训练数据库训练得到亚实性结节模型;检测模块,将待检测患者的断层扫描图像输入到亚实性结节模型,得到恶性结节概率。具有以下有益效果:减轻医生的负担,解决医生人为判断有主观差异的问题,提高了亚实性结节性质判断的准确性。
Description
技术领域
本发明涉及神经网络领域,尤其涉及一种肺部亚实性结节性质检测系统及方法。
背景技术
目前,肺癌发病率逐年增长,已成为全球发病率和死亡率增长最快的恶性肿瘤。在我国,肺癌早诊水平不理想是导致肺癌死亡率高的重要原因。而随着影像学的发展,肺部亚实性结节渐渐引起重视,亚实性结节在影像上多表现为尺寸小,对比度低,不易确诊,对其生长不易评估,给诊治带来了许多困难。另外亚实性结节涵盖范围很广,涉及不同的病理阶段,准确评估结节的病理分类可以判断该结节究竟是早期肺癌还是由于其他因素出现的密度影,医生可以通过这一结果,对症下药。
但大量的带有磨玻璃成分的影像数据增加了人工阅片的不稳定性,因此计算机辅助诊断已被引入该领域。随着人工智能深度学习技术的不断推广,深度学习已广泛应用于计算机辅助诊断。在肺癌的筛查中,使用该技术不仅能够减轻影像科医生的负担,也能最大限度地解决人为判断有主观差异的问题。
发明内容
本发明为了解决上述问题,现提出一种肺部亚实性结节性质检测系统,包括:
获取模块,用于获取若干患者的断层扫描图像;
筛选模块,连接所述获取模块,用于对所述断层扫描图像进行筛选得到包含肺部亚实性结节的所述断层扫描图像作为亚实性结节断层扫描图像,并获取所述亚实性结节断层扫描图像关联的肺部亚实性结节的临床性质判定结果;
标注模块,连接所述筛选模块,用于分别对所述亚实性结节断层扫描图像中的高维特征进行人工标注,获得包含肺部亚实性结节区域以及所述肺部亚实性结节区域对应的高维特征数据的标注图像;
训练数据库,连接所述标注模块,用于根据所述标注图像构建训练数据库;
训练模块,连接所述训练数据库,用于根据所述训练数据库训练得到亚实性结节模型;
检测模块,连接所述训练模块,用于将待检测患者的断层扫描图像输入到所述亚实性结节模型,得到表征所述待检测患者的所述肺部亚实性结节的性质检测结果的恶性结节概率,医生根据所述恶性结节概率并结合临床指南为所述待检测患者提供临床指导意见。
优选的,所述标注模块包括:
标注单元,用于对每个所述亚实性结节断层扫描图像分别进行人工标注,获得第一初步标注和第二初步标注;
复核单元,连接所述标注单元,用于对所述第一初步标注和所述第二初步标注进行复核,获得标注图像。
优选的,所述亚实性结节模型包括结节检测模型和性质判定模型,所述结节检测模型的输出作为所述性质判定模型的输入。
优选的,所述高维特征包括:结节边界清晰度,和/或结节钙化,和/或结节充血。
优选的,所述亚实性结节模型为基于U-NET和RESNET的三维卷积神经网络。
一种肺部亚实性结节性质检测方法,应用于肺部亚实性结节性质检测系统,具体包括:
步骤S1,获取若干患者的断层扫描图像;
步骤S2,对所述断层扫描图像进行筛选得到包含肺部亚实性结节的所述断层扫描图像作为亚实性结节断层扫描图像,并获取所述亚实性结节断层扫描图像关联的肺部亚实性结节的临床性质判定结果;
步骤S3,分别对所述亚实性结节断层扫描图像中的高维特征进行人工标注,获得包含肺部亚实性结节区域以及所述肺部亚实性结节区域对应的高维特征数据的标注图像;
步骤S4,根据所述标注图像构建训练数据库;
步骤S5,根据所述训练数据库训练得到亚实性结节模型;
步骤S6,将待检测患者的断层扫描图像输入到所述亚实性结节模型,得到表征所述待检测患者的所述肺部亚实性结节的性质检测结果的恶性结节概率,医生根据所述恶性结节概率并结合临床指南为所述待检测患者提供临床指导意见。
优选的,所述步骤S3包括:
步骤S31,对每个所述亚实性结节断层扫描图像分别进行人工标注,获得第一初步标注和第二初步标注;
步骤S32,对所述第一初步标注和所述第二初步标注进行复核,获得标注图像。
具有以下有益效果:
本发明不仅能够减轻医生的负担,解决医生人为判断有主观差异的问题,提高了亚实性结节性质判断的准确性。
附图说明
图1为本发明较佳的实施例中,一种肺部亚实性结节性质检测系统的结构示意图;
图2为本发明较佳的实施例中,一种肺部亚实性结节性质检测方法的流程示意图;
图3为本发明较佳的实施例中,人工标注的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
本发明为了解决上述问题,现提出一种肺部亚实性结节性质检测系统,如图1所示,包括:
获取模块1,用于获取若干患者的断层扫描图像;
筛选模块2,连接获取模块1,用于对断层扫描图像进行筛选得到包含肺部亚实性结节的断层扫描图像作为亚实性结节断层扫描图像,并获取亚实性结节断层扫描图像关联的肺部亚实性结节的临床性质判定结果;
标注模块3,连接筛选模块2,用于分别对亚实性结节断层扫描图像中的高维特征进行人工标注,获得包含肺部亚实性结节区域以及肺部亚实性结节区域对应的高维特征数据的标注图像;
训练数据库4,连接标注模块3,用于根据标注图像构建训练数据库;
训练模块5,连接训练数据库4,用于根据训练数据库训练得到亚实性结节模型;
检测模块6,连接训练模块5,用于将待检测患者的断层扫描图像输入到亚实性结节模型,得到表征待检测患者的肺部亚实性结节的性质检测结果的恶性结节概率,医生根据恶性结节概率并结合临床指南为待检测患者提供临床指导意见。
具体地,本实施例中,获取模块1,用于获取若干患者的断层扫描图像,断层扫描图像可以从医院自己历年的病历资料中提取;筛选模块2,对断层扫描图像进行筛选得到包含肺部亚实性结节的断层扫描图像作为亚实性结节断层扫描图像,把其他类型的断层扫描图像剔除,再获取亚实性结节断层扫描图像关联的肺部亚实性结节的临床性质判定结果,获得判定结果用于对获得的断层扫描图像结果认定,用于作为后期学习的基础。标注模块3对亚实性结节断层扫描图像中的高维特征进行人工标注,一般需要经验丰富的临床医生进行标注,所标注的区域对应上述临床性质判定结果,从而实现亚实性结节模型的学习模本;数据库4,用于放入众多标注图像构建训练数据库,给亚实性结节模型提供足够学习的标注图像。训练模块5根据训练数据库训练得到亚实性结节模型,实现对亚实性结节模型的建立。
使用者只要将待检测患者的断层扫描图像输入到亚实性结节模型,可以得到表征待检测患者的肺部亚实性结节的性质检测结果的恶性结节概率,概率越高说明亚实性结节的可能性越高,概率越低说明亚实性结节的可能性越低,以供医生参考和判断。
本发明较佳的实施例中,标注模块3包括:
标注单元31,用于对每个亚实性结节断层扫描图像分别进行人工标注,获得第一初步标注和第二初步标注;
复核单元32,连接标注单元31,用于对第一初步标注和第二初步标注进行复核,获得标注图像。
具体地,本实施例中,人工标注的准确与否关系到最终建立的亚实性结节模型的检测是否准确可靠,所以对亚实性结节断层扫描图像分别请有经验的医生进行人工标注获得第一初步标注和第二初步标注,并对第一初步标注和第二初步标注进行复核得到最终的标注图像,达到标注的准确可靠。
本发明较佳的实施例中,亚实性结节模型包括结节检测模型和性质判定模型,结节检测模型的输出作为性质判定模型的输入。
本发明较佳的实施例中,高维特征包括:结节边界清晰度,和/或结节钙化,和/或结节充血。
本发明较佳的实施例中,亚实性结节模型为基于U-NET和RESNET的三维卷积神经网络。
一种肺部亚实性结节性质检测方法,应用于肺部亚实性结节性质检测系统,如图2所示,具体包括:
步骤S1,获取若干患者的断层扫描图像;
步骤S2,对断层扫描图像进行筛选得到包含肺部亚实性结节的断层扫描图像作为亚实性结节断层扫描图像,并获取亚实性结节断层扫描图像关联的肺部亚实性结节的临床性质判定结果;
步骤S3,分别对亚实性结节断层扫描图像中的高维特征进行人工标注,获得包含肺部亚实性结节区域以及肺部亚实性结节区域对应的高维特征数据的标注图像;
步骤S4,根据标注图像构建训练数据库;
步骤S5,根据训练数据库训练得到亚实性结节模型;
步骤S6,将待检测患者的断层扫描图像输入到亚实性结节模型,得到表征待检测患者的肺部亚实性结节的性质检测结果的恶性结节概率,医生根据恶性结节概率并结合临床指南为待检测患者提供临床指导意见。
具体地,本实施例中,首先,获取若干患者的断层扫描图像,断层扫描图像可以从医院自己历年的病历资料中提取;然后对断层扫描图像进行筛选得到包含肺部亚实性结节的断层扫描图像作为亚实性结节断层扫描图像,把其他类型的断层扫描图像剔除,再获取亚实性结节断层扫描图像关联的肺部亚实性结节的临床性质判定结果,获得判定结果用于对获得的断层扫描图像结果认定,用于作为后期学习的基础。然后对亚实性结节断层扫描图像中的高维特征进行人工标注,一般需要经验丰富的临床医生进行标注,所标注的区域对应上述临床性质判定结果,从而实现亚实性结节模型的学习模本;再将放入的众多标注图像构建训练数据库,给亚实性结节模型提供足够学习的标注图像,再然后根据训练数据库训练得到亚实性结节模型,实现对亚实性结节模型的建立。
使用者只要将待检测患者的断层扫描图像输入到亚实性结节模型,可以得到表征待检测患者的肺部亚实性结节的性质检测结果的恶性结节概率,概率越高说明亚实性结节的可能性越高,概率越低说明亚实性结节的可能性越低,以供医生参考和判断。
本发明较佳的实施例中,如图3所示,步骤S3包括:
步骤S31,对每个亚实性结节断层扫描图像分别进行人工标注,获得第一初步标注和第二初步标注;
步骤S32,对第一初步标注和第二初步标注进行复核,获得标注图像。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (7)
1.一种肺部亚实性结节性质检测系统,其特征在于,包括:
获取模块,用于获取若干患者的断层扫描图像;
筛选模块,连接所述获取模块,用于对所述断层扫描图像进行筛选得到包含肺部亚实性结节的所述断层扫描图像作为亚实性结节断层扫描图像,并获取所述亚实性结节断层扫描图像关联的肺部亚实性结节的临床性质判定结果;
标注模块,连接所述筛选模块,用于分别对所述亚实性结节断层扫描图像中的高维特征进行人工标注,获得包含肺部亚实性结节区域以及所述肺部亚实性结节区域对应的高维特征数据的标注图像;
训练数据库,连接所述标注模块,用于根据所述标注图像构建训练数据库;
训练模块,连接所述训练数据库,用于根据所述训练数据库训练得到亚实性结节模型;
检测模块,连接所述训练模块,用于将待检测患者的断层扫描图像输入到所述亚实性结节模型,得到表征所述待检测患者的所述肺部亚实性结节的性质检测结果的恶性结节概率,医生根据所述恶性结节概率并结合临床指南为所述待检测患者提供临床指导意见。
2.根据权利要求1所述的肺部亚实性结节性质检测系统,其特征在于,所述标注模块包括:
标注单元,用于对每个所述亚实性结节断层扫描图像分别进行人工标注,获得第一初步标注和第二初步标注;
复核单元,连接所述标注单元,用于对所述第一初步标注和所述第二初步标注进行复核,获得标注图像。
3.根据权利要求1所述的肺部亚实性结节性质检测系统,其特征在于,所述亚实性结节模型包括结节检测模型和性质判定模型,所述结节检测模型的输出作为所述性质判定模型的输入。
4.根据权利要求1所述的肺部亚实性结节性质检测系统,其特征在于,所述高维特征包括:结节边界清晰度,和/或结节钙化,和/或结节充血。
5.根据权利要求3所述的肺部亚实性结节性质检测系统,其特征在于,所述亚实性结节模型为基于U-NET和RESNET的三维卷积神经网络。
6.一种肺部亚实性结节性质检测方法,其特征在于,应用于如权利要求1至5中任一项所述的肺部亚实性结节性质检测系统,具体包括:
步骤S1,获取若干患者的断层扫描图像;
步骤S2,对所述断层扫描图像进行筛选得到包含肺部亚实性结节的所述断层扫描图像作为亚实性结节断层扫描图像,并获取所述亚实性结节断层扫描图像关联的肺部亚实性结节的临床性质判定结果;
步骤S3,分别对所述亚实性结节断层扫描图像中的高维特征进行人工标注,获得包含肺部亚实性结节区域以及所述肺部亚实性结节区域对应的高维特征数据的标注图像;
步骤S4,根据所述标注图像构建训练数据库;
步骤S5,根据所述训练数据库训练得到亚实性结节模型;
步骤S6,将待检测患者的断层扫描图像输入到所述亚实性结节模型,得到表征所述待检测患者的所述肺部亚实性结节的性质检测结果的恶性结节概率,医生根据所述恶性结节概率并结合临床指南为所述待检测患者提供临床指导意见。
7.根据权利要求6所述的肺部亚实性结节性质检测方法,其特征在于,所述步骤S3包括:
步骤S31,对每个所述亚实性结节断层扫描图像分别进行人工标注,获得第一初步标注和第二初步标注;
步骤S32,对所述第一初步标注和所述第二初步标注进行复核,获得标注图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148256.2A CN111340793A (zh) | 2020-03-05 | 2020-03-05 | 一种肺部亚实性结节性质检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148256.2A CN111340793A (zh) | 2020-03-05 | 2020-03-05 | 一种肺部亚实性结节性质检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111340793A true CN111340793A (zh) | 2020-06-26 |
Family
ID=71185889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010148256.2A Pending CN111340793A (zh) | 2020-03-05 | 2020-03-05 | 一种肺部亚实性结节性质检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340793A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389201A (zh) * | 2018-03-16 | 2018-08-10 | 北京推想科技有限公司 | 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法 |
CN108805209A (zh) * | 2018-06-14 | 2018-11-13 | 清华大学深圳研究生院 | 一种基于深度学习的肺结节筛查方法 |
CN108898588A (zh) * | 2018-06-22 | 2018-11-27 | 中山仰视科技有限公司 | 基于时间序列的治疗效果评估方法、电子设备 |
CN108986067A (zh) * | 2018-05-25 | 2018-12-11 | 上海交通大学 | 基于跨模态的肺结节检测方法 |
CN110534192A (zh) * | 2019-07-24 | 2019-12-03 | 大连理工大学 | 一种基于深度学习的肺结节良恶性识别方法 |
-
2020
- 2020-03-05 CN CN202010148256.2A patent/CN111340793A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389201A (zh) * | 2018-03-16 | 2018-08-10 | 北京推想科技有限公司 | 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法 |
CN108986067A (zh) * | 2018-05-25 | 2018-12-11 | 上海交通大学 | 基于跨模态的肺结节检测方法 |
CN108805209A (zh) * | 2018-06-14 | 2018-11-13 | 清华大学深圳研究生院 | 一种基于深度学习的肺结节筛查方法 |
CN108898588A (zh) * | 2018-06-22 | 2018-11-27 | 中山仰视科技有限公司 | 基于时间序列的治疗效果评估方法、电子设备 |
CN110534192A (zh) * | 2019-07-24 | 2019-12-03 | 大连理工大学 | 一种基于深度学习的肺结节良恶性识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111933251B (zh) | 一种医学影像标注方法及系统 | |
JP6220310B2 (ja) | 医用画像情報システム、医用画像情報処理方法及びプログラム | |
CN110517238B (zh) | Ct医学影像ai三维重建与人机交互可视化网络系统 | |
CN110232383A (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 | |
WO2015175806A1 (en) | Applications of automatic anatomy recognition in medical tomographic imagery based on fuzzy anatomy models | |
Schreibmann et al. | Multiatlas segmentation of thoracic and abdominal anatomy with level set‐based local search | |
JP2019048114A (ja) | 気管を検出するためのシステムおよび方法 | |
CN108496205A (zh) | 身体部分的三维模型 | |
CN103222876B (zh) | 医用图像处理装置、图像诊断装置、计算机系统以及医用图像处理方法 | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
CN102855618A (zh) | 用于图像产生和图像分析的方法 | |
CN105849773A (zh) | 解剖结构的基于模型的分割 | |
CN109003269A (zh) | 一种能提高医生效率的医学影像病灶的标注提取方法 | |
CN111340128A (zh) | 一种肺癌转移性淋巴结病理图像识别系统及方法 | |
US20210271914A1 (en) | Image processing apparatus, image processing method, and program | |
US20240078676A1 (en) | Interactive coronary labeling using interventional x-ray images and deep learning | |
CN115862819B (zh) | 一种基于图像处理的医学图像管理方法 | |
CN113808125A (zh) | 医学影像处理方法、病灶类型识别方法以及相关产品 | |
Zhou et al. | Detection and semiquantitative analysis of cardiomegaly, pneumothorax, and pleural effusion on chest radiographs | |
CN109035212A (zh) | 一种肺部ct影像特殊组织的标记方法 | |
CN111325754A (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
CN104915989A (zh) | 基于ct影像的血管三维分割方法 | |
CN111340793A (zh) | 一种肺部亚实性结节性质检测系统及方法 | |
CN114757894A (zh) | 一种骨肿瘤病灶分析系统 | |
Nogal et al. | Endoluminal larynx anatomy model–towards facilitating deep learning and defining standards for medical images evaluation with artificial intelligence algorithms |
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 |