CN111415564B - 基于人工智能的胰腺超声内镜检查导航方法及系统 - Google Patents
基于人工智能的胰腺超声内镜检查导航方法及系统 Download PDFInfo
- Publication number
- CN111415564B CN111415564B CN202010134722.1A CN202010134722A CN111415564B CN 111415564 B CN111415564 B CN 111415564B CN 202010134722 A CN202010134722 A CN 202010134722A CN 111415564 B CN111415564 B CN 111415564B
- Authority
- CN
- China
- Prior art keywords
- pancreatic
- station
- artificial intelligence
- sites
- line
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001839 endoscopy Methods 0.000 title claims abstract description 26
- 230000002183 duodenal effect Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 30
- 210000000496 pancreas Anatomy 0.000 claims abstract description 29
- 238000013145 classification model Methods 0.000 claims abstract description 17
- 230000002496 gastric effect Effects 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000002604 ultrasonography Methods 0.000 claims description 27
- 210000000955 splenic vein Anatomy 0.000 claims description 17
- 210000001953 common bile duct Anatomy 0.000 claims description 15
- 210000000702 aorta abdominal Anatomy 0.000 claims description 11
- 210000001758 mesenteric vein Anatomy 0.000 claims description 10
- 210000003240 portal vein Anatomy 0.000 claims description 10
- 210000004204 blood vessel Anatomy 0.000 claims description 9
- 210000001198 duodenum Anatomy 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 210000003734 kidney Anatomy 0.000 claims description 5
- 210000004185 liver Anatomy 0.000 claims description 5
- 210000001363 mesenteric artery superior Anatomy 0.000 claims description 5
- 210000000277 pancreatic duct Anatomy 0.000 claims description 5
- 210000000952 spleen Anatomy 0.000 claims description 5
- 210000001631 vena cava inferior Anatomy 0.000 claims description 5
- 230000002440 hepatic effect Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 108010019160 Pancreatin Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002575 gastroscopy Methods 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 230000008140 language development Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229940055695 pancreatin Drugs 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B23/00—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes
- G09B23/28—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine
- G09B23/285—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine for injections, endoscopy, bronchoscopy, sigmoidscopy, insertion of contraceptive devices or enemas
Abstract
本发明提供一种基于人工智能的胰腺超声内镜检查导航方法，包括以下步骤：获取胰腺超声内镜影像；筛选合格的胰腺超声内镜影像；对筛选出的合格影像利用预先训练好的人工智能网络分类模型进行站点识别；预先生成包含所有站点的引导线，并根据识别出的站点在引导线上显示该站点以及对应站点的操作指示，提示下一步的内镜操作；其中操作指示为预先设置的与不同的站点一一对应的站点操作指示，引导线具体包括胃腔线、胃腔线、十二指肠球部线、十二指肠降部线。可很好地帮助内镜医生特别是初学者在胰腺超声内镜检查时确保胰腺全覆盖，完善培训系统，提高培训的质量。
Description
技术领域
本发明属于医疗技术辅助领域，具体涉及一种基于人工智能的胰腺超声内镜导航方法及系统。
背景技术
由于超声内镜是一个既需要内镜操作能力又需要影像解释能力的技术，所以对于经验丰富专家或者经验缺乏的初学者，超声被认为是最有技术挑战性和最复杂的内镜手术之一。
随着医疗服务的发展，患者复杂性和生产力要求越来越高。在临床环境中，确保内镜医生进行有效的培训面临越来越大的压力。由于超声胃镜的复杂性，研究表明，要精确掌握该技术至少需要12个月的培训时间。然而在临床实践中，有经验的教员的缺乏及患者数目的不足，超声培训的质量和速度往往不尽人意。在教学中缺乏正规的培训一直是临床环境中面临的重要难题。随着内镜实践的快速发展，执业医师的培训需求可能会随着时间的推移而增加，所以迫切需要切实可行的解决方案，确保内镜医生的培训满足临床的需求。
近年来，科技的进步促进了人工智能的快速发展，然而目前还没有人工智能用于对超声内镜医生进行系统的辅助培训，特别是胰腺检查方面。
发明内容
本发明的目的在于，提供一种基于人工智能的胰腺超声内镜检查导航方法及系统，旨在临床环境中对内镜医生进行辅助培训，充分利用培训资源，提高培训的质量。
本发明解决其技术问题所采用的技术方案是：
提供一种基于人工智能的胰腺超声内镜检查导航方法，包括以下步骤：
S1.获取胰腺超声内镜影像；
S2.筛选合格的胰腺超声内镜影像；
S3.对筛选出的合格影像利用预先训练好的人工智能网络分类模型进行站点识别；
S4.预先生成包含所有站点的引导线，并根据识别出的站点在引导线上显示该站点以及对应站点的操作指示，提示下一步的内镜操作；其中操作指示为预先设置的与不同的站点一一对应的站点操作指示，引导线具体包括胃腔线、十二指肠球部线、十二指肠降部线。
接上述技术方案，步骤S1中胰腺超声内镜影像以二进制视频流的方式同步传输。
接上述技术方案，获取视频流后对其进行解析、处理。
接上述技术方案，胃腔线包括肝脏→腹主动脉→腹腔干→肠系膜上动脉→脾静脉→左肾→脾静脉→脾脏→脾静脉→Confluence三角→门静脉→胆总管→Confluence三角→肠系膜上静脉→胰头；十二指肠球部线包括门静脉→胆总管；十二指肠降部线包括十二指肠乳头→肠系膜上静脉→胰头→下腔静脉→钩突→胆总管→胰管→壶腹部。
接上述技术方案，操作指示图片包括左旋进镜、右旋进镜、沿胰体进镜。
接上述技术方案，当步骤S4中显示为达到某站点时，根据引导线提示下一站的路线；当显示未到达某站点时，引导线仍然显示当前站点。
接上述技术方案，所述人工智能网络分类模型指通过收集往年的胰腺超声图片和视频，使用标图软件对八个标准站中的胰腺、胆胰管和血管进行标记，不同结构给予不同标签，用于训练模型分割胰腺、胆胰管和血管，8个标准站指肝窗站、腹主动脉站、胰体站、胰尾站、Confluence三角站，胃腔胰头站、十二指肠球部站、十二指肠降部站。
接上述技术方案，引导线具体采用基于时间序列的站点链接算法进行站与站之间的链接生成。
本发明还提供了一种基于人工智能的胰腺超声内镜检查导航系统，包括：
影像获取模块，用于获取胰腺超声内镜影像；
筛选模块，用于筛选合格的胰腺超声内镜影像；
识别模块，对筛选出的合格影像利用预先训练好的人工智能网络分类模型进行站点识别；
导航模块，用于预先生成包含所有站点的引导线，并根据识别出的站点在引导线上显示该站点以及对应站点的操作指示，提示下一步的内镜操作；其中操作指示为预先设置的与不同的站点一一对应的站点操作指示，引导线具体包括胃腔线、胃腔线、十二指肠球部线、十二指肠降部线。
本发明还提供了一种计算机存储介质，其内存储有可被处理器执行的计算机程序，该计算机程序执行如上述技术方案的基于人工智能的胰腺超声内镜检查导航方法。
本发明产生的有益效果是：本发明预先生成包含所有站点的引导线，当实时识别出胰腺超声内镜影像中的具体胰腺站点时，可在引导线上显示该站点以及对应站点的操作指示，提示下一步的内镜操作，可很好地帮助内镜医生特别是初学者在胰腺超声内镜检查时确保胰腺全覆盖，完善培训系统，提高培训的质量。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例基于人工智能的胰腺超声内镜检查导航方法流程图；
图2是本发明实施例胆胰超声操作的规范过程示意图；
图3是本发明实施例基于人工智能的胰腺超声内镜检查导航系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例的基于人工智能的胰腺超声内镜检查导航方法包括以下步骤：
S1.获取胰腺超声内镜影像；
S2.筛选合格的胰腺超声内镜影像；
S3.对筛选出的合格影像利用预先训练好的人工智能网络分类模型进行站点识别；
S4.预先生成包含所有站点的引导线，并根据识别出的站点在引导线上显示该站点以及对应站点的操作指示图片，提示下一步的内镜操作；其中操作指示图片为预先设置的与不同的站点一一对应的站点操作指示图片，引导线具体包括胃腔线、十二指肠球部线、十二指肠降部线。
可预先建立一个样本数据库，收集往年的胰腺超声图片和视频，可人工对图片进行合格与不合格二分类，将合格的图片用于人工智能网络分类模型的训练，训练好后的模型再识别胰腺超声检查过程中的合格的胰腺超声内镜影像。人工智能网络分类模型主要用于识别胰腺检查过程中的八个标准站点。可使用标图软件对训练样本中的八个标准站中的胰腺、胆胰管和血管进行标记，不同结构给予不同标签，用于训练模型分割胰腺、胆胰管和血管，其中8个标准站指肝窗站、腹主动脉站、胰体站、胰尾站、Confluence三角站，胃腔胰头站、十二指肠球部站、十二指肠降部站。
预先从包括8个站的超声站点地图中生成一条经过所有关键站点的全局引导线，每个站点名称与对应站点操作指示(操作指示为图片指示或者文字指示)一对一“绑定”。可将获取的图片输入预先训练好的人工智能网络模型，模型根据图片特征，识别当前图片所在站点。当识别相应的站点时，该站点可在全局引导线显示，如直接点亮界面上引导线中的该站点，并显示出对应站位的操作指示。如图2所示，本发明实施例中，操作指示为指示图片。操作指示可包括左旋进镜、右旋进镜、沿胰体进镜、左右微旋进境、沿腺体进境、沿脾静脉进境、左旋沿脾静脉进境、打开白光进入降部等。图2显示了胆胰超声操作的规范过程，该过程包括8个站，分别为第一站肝窗，第二站腹主动脉，第三站胰体，第四站胰尾，第五站Confluence三角,第六站胃腔胰头，第七站十二指肠球部和第八站十二指肠降部。两站之间的图为下一步操作提示图。例如：当定位模块识别出“第一站肝窗站”时，该站点会被点亮，引导线生成模块提示下一步需要“右旋进镜”进入“第二站腹主动脉站”。以此类推。
引导线的生成可采用基于时间序列的站点链接算法进行站与站之间的链接。
其中，步骤S1中胰腺超声内镜影像可以二进制视频流的方式同步传输。获取视频流后对其进行解析、处理。
引导线中，胃腔线包括肝脏→腹主动脉→腹腔干→肠系膜上动脉→脾静脉→左肾→脾静脉→脾脏→脾静脉→Confluence三角→门静脉→胆总管→Confluence三角→肠系膜上静脉→胰头；十二指肠球部线包括门静脉→胆总管；十二指肠降部线包括十二指肠乳头→肠系膜上静脉→胰头→下腔静脉→钩突→胆总管→胰管→壶腹部。
当步骤S4中显示为达到某站点时，根据引导线提示下一站的路线；当显示未到达某站点时，引导线仍然显示当前站点。
如图3所示，本发明实施例的基于人工智能的胰腺超声内镜检查导航系统主要用于实现上述实施例的导航方法，具体包括：
影像获取模块，用于获取胰腺超声内镜影像；
筛选模块，用于筛选合格的胰腺超声内镜影像；
识别模块，对筛选出的合格影像利用预先训练好的人工智能网络分类模型进行站点识别；
导航模块，用于预先生成包含所有站点的引导线，并根据识别出的站点在引导线上显示该站点以及对应站点的操作指示图片，提示下一步的内镜操作；其中操作指示图片为预先设置的与不同的站点一一对应的站点操作指示图片，引导线具体包括胃腔线、十二指肠球部线、十二指肠降部线。
系统功能实现与方法部分是一致的，在此不赘述。
本发明还提供一种计算机存储介质，其内存储有可被处理器执行的计算机程序，该计算机程序执行上述实施例的基于人工智能的胰腺超声内镜检查导航方法。
本发明另一实施例的基于人工智能的胰腺超声内镜检查导航系统包括：
图像获取模块，用于在超声内镜检查过程中，获取当前时刻的超声图像，传输给图像处理模块；
图像处理模块，用于根据当前图像获取模块采集的图像，进行合格与否的判断；
定位模块，用于将获取的合格图像作为输入参数，调用基于人工智能的站点地图样数据库，确定当前图片所属的站点位置；
引导线生成模块，用于从超声站点地图中生成一条经过所有关键路点的全局引导线；
实时显示模块，将检查所到的位置进行实时显示，并指导进行下一步的内镜操作；
在上述的基于人工智能的胰腺超声内镜导航系统，图像处理模块具体包括样本数据库和卷积神经网络。
具体的，样本数据库，指通过收集往年的胰腺超声图片和视频，由两名经验丰富的医生，对图片进行合格与不合格二分类，保留两个医生意见一致的图片，用于训练模型识别胰腺超声检查过程中的合格图片；
具体的，卷积神经网络模型，指基于Resnet,Resnaxt等人工智能的分类模型；
在上述的基于人工智能的胰腺超声内镜导航系统，所述的定位模块，包括站点信息处理服务器，基于人工智能的站点地图样数据库；
进一步的，站点信息处理服务器，采用分层站点匹配算法，通过调用所述基于人工智能的卷积神经网络，对获取的超声图像信息进行站点位置识别，将匹配结果输出；
进一步的，基于人工智能的卷积神经网络包括基于深度学习的分类模型和分割模型；
具体的，分类模型指通过收集往年的胰腺超声图片和视频，由两名经验丰富的医生，对图片进行分类，保留两个医生意见一致的图片，用于训练模型识别胰腺检查过程中的八个标准站点；
具体的，分割模型指通过收集往年的胰腺超声图片和视频，由两名经验丰富的医生，使用标图软件Anaconda对八个标准站中的胰腺，胆胰管和血管进行标记，不同结构给予不同标签，用于训练模型分割胰腺，胆胰管和血管；
进一步的，8个分站指肝窗站，腹主动脉站，胰体站，胰尾站，Confluence三角站，胃腔胰头站，十二指肠球部站，十二指肠降部站；
进一步的，引导线生成模块，指用于从超声站点地图中生成一条经过所有关键路点的全局引导线，包括以下步骤：
1、同步传输超声内镜影像，以二进制视频流的方式传输到基于人工智能的站点地图样数据库；
2、地图样数据库接收后对视频流进行解析、处理，之后使用预先训练好的人工智能网络模型进行站位识别；
3、预先将不同站位名称与对应站点操作指示图片进行一对一“绑定”，接着当定位模块将识别结果发送到实时显示模块时，实时显示模块会根据结果中识别出的站位标签点亮界面上的站位，并显示出对应站位的指示图片。
进一步的，该引导线生成模块采用基于时间序列的站点链接算法进行站与站之间的链接；
引导线生成模块生成的引导线具体包括：胃腔线，十二指肠球部线，十二指肠降部线；
胃腔线，肝脏→腹主动脉→腹腔干→肠系膜上动脉→脾静脉→左肾→脾静脉→脾脏→脾静脉→Confluence三角→门静脉→胆总管→Confluence三角→肠系膜上静脉→胰头；
十二指肠球部线，门静脉→胆总管；
十二指肠降部线，十二指肠乳头→肠系膜上静脉→胰头→下腔静脉→钩突→胆总管→胰管→壶腹部；
针对上一实施例的基于人工智能的胰腺超声内镜检查导航方法，包括以下步骤：
图像获取模块同步传输超声内镜影像，以二进制视频流的方式传输到图像处理模块；
图像处理模块接收后对视频流进行解析、处理，进行合格与否的筛选，并将合格图片传输到定位模块；
定位模块接收视频流后进一步解析、处理，之后使用预先训练好的人工智能网络模型进行站位识别；
引导线生成模块预先将不同站位名称与对应站点操作指示图片进行一对一“绑定”，接着当定位模块将识别结果发送到实时显示模块时，实时显示模块会根据结果中识别出的站位标签点亮界面上的站位，并显示出对应站位的指示图片。
实时显示模块将检查所到的位置进行实时显示，并提示下一步的内镜操作；具体的，分类模型选择基于ResNet等的神经网络，分割模型选择基于Unet,Mask-RCNN等神经网络，采用Python语言开发，封装成RESTful API(REST风格的网络接口)后被其他模块调用；
具体的，设计基于人工智能的卷积神经网络，包括以下步骤：
(1)使用ResNet等分类对胰腺EUS图像的8个站点进行分类。将模型的输出通道修改为8类。模型可使用Python(版本3.6.5)编写，使用开源Keras库(版本2.1.5)和开源TensorFlow库(版本1.12.2)作为CNN算法的后端。
(2)将输入的图片沿着黑边裁剪，然后调整为256×256像素，最后裁剪成224×224像素。
(3)卷积神经网络对8个站点进行分类时，相应参数如下：30个迭代收敛，mini-batch size为64，初始化学习率为0.001。分割参数如下：3个epoch收敛，8个epoch没有改善后停止训练。mini-batch size为2，初始化学习率为0.001。为了预测胰腺和血管，我们使用0.7作为阈值来区分背景和阳性样本。
(4)使用了batch-normalization和数据增强、drop out来最小化过拟合风险。
(5)采集各个站的大量超声图片，按一定的比例分为训练集和测试集，输入采集的训练集训练网络，训练结束后使用测试集的图片测试网络，得到最终优化的网络模型。
具体的，当显示为达到某站点时，根据预先设定的引导线提示下一站的路线；当显示未到达某站点时，引导线仍然显示该站点，重复上述步骤。
综上，本发明的基于人工智能的胰腺超声内镜导航方法及系统可直观显示全局引导线，并实时显示内镜位置，可帮助内镜医生特别是初学者在临床环境中快速掌握超声检查的技能，完善培训系统，提高培训的质量。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种基于人工智能的胰腺超声内镜检查导航方法，用于临床环境中对内超声镜医生进行辅助培训，其特征在于，包括以下步骤：
S1.获取胰腺超声内镜影像；
S2.筛选合格的胰腺超声内镜影像；
S3.对筛选出的合格影像利用预先训练好的人工智能网络分类模型进行站点识别；
S4.预先生成包含所有站点的引导线，并根据识别出的站点在引导线上显示该站点以及对应站点的操作指示，提示下一步的内镜操作；其中操作指示为预先设置的与不同的站点一一对应的站点操作指示，引导线具体包括胃腔线、十二指肠球部线、十二指肠降部线；胃腔线包括肝脏→腹主动脉→腹腔干→肠系膜上动脉→脾静脉→左肾→脾静脉→脾脏→脾静脉→Confluence三角→门静脉→胆总管→Confluence三角→肠系膜上静脉→胰头；十二指肠球部线包括门静脉→胆总管；十二指肠降部线包括十二指肠乳头→肠系膜上静脉→胰头→下腔静脉→钩突→胆总管→胰管→壶腹部。
2.根据权利要求1所述的基于人工智能的胰腺超声内镜检查导航方法，其特征在于，步骤S1中胰腺超声内镜影像以二进制视频流的方式同步传输。
3.根据权利要求2所述的基于人工智能的胰腺超声内镜检查导航方法，其特征在于，获取视频流后对其进行解析、处理。
4.根据权利要求1所述的基于人工智能的胰腺超声内镜检查导航方法，其特征在于，操作指示图片包括左旋进镜、右旋进镜、沿胰体进镜。
5.根据权利要求1所述的基于人工智能的胰腺超声内镜检查导航方法，其特征在于，当步骤S4中显示为达到某站点时，根据引导线提示下一站的路线；当显示未到达某站点时，引导线仍然显示当前站点。
6.根据权利要求1所述的基于人工智能的胰腺超声内镜检查导航方法，其特征在于，所述人工智能网络分类模型指通过收集往年的胰腺超声图片和视频，使用标图软件对八个标准站中的胰腺、胆胰管和血管进行标记，不同结构给予不同标签，用于训练模型分割胰腺、胆胰管和血管，8个标准站指肝窗站、腹主动脉站、胰体站、胰尾站、confluence三角站，胃腔胰头站、十二指肠球部站、十二指肠降部站。
7.根据权利要求1所述的基于人工智能的胰腺超声内镜检查导航方法，其特征在于，引导线具体采用基于时间序列的站点链接算法进行站与站之间的链接生成。
8.一种基于人工智能的胰腺超声内镜检查导航系统，其特征在于，包括：
影像获取模块，用于获取胰腺超声内镜影像；
筛选模块，用于筛选合格的胰腺超声内镜影像；
识别模块，对筛选出的合格影像利用预先训练好的人工智能网络分类模型进行站点识别；
导航模块，用于预先生成包含所有站点的引导线，并根据识别出的站点在引导线上显示该站点以及对应站点的操作指示，提示下一步的内镜操作；其中操作指示为预先设置的与不同的站点一一对应的站点操作指示，引导线具体包括胃腔线、十二指肠球部线、十二指肠降部线；胃腔线包括肝脏→腹主动脉→腹腔干→肠系膜上动脉→脾静脉→左肾→脾静脉→脾脏→脾静脉→Confluence三角→门静脉→胆总管→Confluence三角→肠系膜上静脉→胰头；十二指肠球部线包括门静脉→胆总管；十二指肠降部线包括十二指肠乳头→肠系膜上静脉→胰头→下腔静脉→钩突→胆总管→胰管→壶腹部。
9.一种计算机存储介质，其特征在于，其内存储有可被处理器执行的计算机程序，该计算机程序执行如权利要求1-7中任一项所述的基于人工智能的胰腺超声内镜检查导航方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010134722.1A CN111415564B (zh) | 2020-03-02 | 2020-03-02 | 基于人工智能的胰腺超声内镜检查导航方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010134722.1A CN111415564B (zh) | 2020-03-02 | 2020-03-02 | 基于人工智能的胰腺超声内镜检查导航方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111415564A CN111415564A (zh) | 2020-07-14 |
| CN111415564B true CN111415564B (zh) | 2022-03-18 |
Family
ID=71494223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010134722.1A Active CN111415564B (zh) | 2020-03-02 | 2020-03-02 | 基于人工智能的胰腺超声内镜检查导航方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111415564B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114694442A (zh) * | 2020-12-31 | 2022-07-01 | 无锡触典科技有限公司 | 基于虚拟现实的超声培训方法、装置、存储介质及超声设备 |
| WO2022170562A1 (zh) * | 2021-02-10 | 2022-08-18 | 中国科学院深圳先进技术研究院 | 一种消化内镜导航方法和系统 |
| CN112766416B (zh) * | 2021-02-10 | 2023-06-30 | 中国科学院深圳先进技术研究院 | 一种消化内镜导航方法和系统 |
| CN113344926B (zh) * | 2021-08-05 | 2021-11-02 | 武汉楚精灵医疗科技有限公司 | 胆胰超声图像识别方法、装置、服务器及存储介质 |
| CN113889213A (zh) * | 2021-12-06 | 2022-01-04 | 武汉大学 | 超声内镜报告的生成方法、装置、计算机设备及存储介质 |
| CN114224448B (zh) * | 2021-12-21 | 2023-11-10 | 武汉大学 | 穿刺路径规划装置、设备和计算机可读存储介质 |
| CN114913173B (zh) * | 2022-07-15 | 2022-10-04 | 天津御锦人工智能医疗科技有限公司 | 内镜辅助检查系统、方法、装置及存储介质 |
| CN116563216B (zh) * | 2023-03-31 | 2024-02-20 | 河北大学 | 基于标准站点智能识别的内镜超声扫查控制优化系统及方法 |
| CN117438056B (zh) * | 2023-12-20 | 2024-03-12 | 达州市中心医院(达州市人民医院) | 用于消化内镜影像数据的编辑筛选与存储控制方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1957836A (zh) * | 2005-11-02 | 2007-05-09 | 奥林巴斯医疗株式会社 | 内窥镜系统、内窥镜用操作辅助装置 |
| EP2727514A4 (en) * | 2012-03-21 | 2015-06-17 | Olympus Medical Systems Corp | IMAGING DEVICE |
| CN107967946A (zh) * | 2017-12-21 | 2018-04-27 | 武汉大学 | 基于深度学习的胃镜操作实时辅助系统及方法 |
| CN109035339A (zh) * | 2017-10-27 | 2018-12-18 | 重庆金山医疗器械有限公司 | 胶囊内镜系统及其运行区域检测图片的位置识别方法 |
| CN109584229A (zh) * | 2018-11-28 | 2019-04-05 | 武汉大学人民医院（湖北省人民医院） | 一种内镜下逆行胰胆管造影术实时辅助诊断系统及方法 |
| CN109614995A (zh) * | 2018-11-28 | 2019-04-12 | 武汉大学人民医院（湖北省人民医院） | 一种超声内镜下识别胰胆管和胰腺结构的系统及方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7641609B2 (en) * | 2002-07-31 | 2010-01-05 | Olympus Corporation | Endoscope device and navigation method for endoscope device |
| CN201556339U (zh) * | 2009-11-05 | 2010-08-18 | 北京医模科技有限公司 | 胰腺模型 |
| WO2011055613A1 (ja) * | 2009-11-06 | 2011-05-12 | オリンパスメディカルシステムズ株式会社 | 内視鏡システム |
| CN103209634B (zh) * | 2011-04-01 | 2016-02-03 | 奥林巴斯株式会社 | 接收装置和胶囊型内窥镜系统 |
| JP6408838B2 (ja) * | 2014-09-09 | 2018-10-17 | テルモ株式会社 | トレーニング装置 |
| JPWO2017017722A1 (ja) * | 2015-07-24 | 2018-05-24 | オリンパス株式会社 | 処理装置、処理方法及びプログラム |
| CN105231978B (zh) * | 2015-09-14 | 2017-03-22 | 袁非牛 | 一种引导式虚拟内窥镜导航方法 |
| CN206179376U (zh) * | 2016-10-18 | 2017-05-17 | 中国医学科学院北京协和医院 | 一种胰肠吻合手术训练模具 |
| CN209070829U (zh) * | 2018-07-10 | 2019-07-05 | 华东医院 | 一种胰腺脾脏血管及胰管模型 |
| CN109171605B (zh) * | 2018-08-29 | 2020-09-01 | 合肥工业大学 | 带目标定位和腔镜视像增强处理功能的智能边缘计算系统 |
-
2020
- 2020-03-02 CN CN202010134722.1A patent/CN111415564B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1957836A (zh) * | 2005-11-02 | 2007-05-09 | 奥林巴斯医疗株式会社 | 内窥镜系统、内窥镜用操作辅助装置 |
| EP2727514A4 (en) * | 2012-03-21 | 2015-06-17 | Olympus Medical Systems Corp | IMAGING DEVICE |
| CN109035339A (zh) * | 2017-10-27 | 2018-12-18 | 重庆金山医疗器械有限公司 | 胶囊内镜系统及其运行区域检测图片的位置识别方法 |
| CN107967946A (zh) * | 2017-12-21 | 2018-04-27 | 武汉大学 | 基于深度学习的胃镜操作实时辅助系统及方法 |
| CN109584229A (zh) * | 2018-11-28 | 2019-04-05 | 武汉大学人民医院（湖北省人民医院） | 一种内镜下逆行胰胆管造影术实时辅助诊断系统及方法 |
| CN109614995A (zh) * | 2018-11-28 | 2019-04-12 | 武汉大学人民医院（湖北省人民医院） | 一种超声内镜下识别胰胆管和胰腺结构的系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Breather Pathology Detection Using Deep Learning with Non-Medical Training ";Yaniv Bar 等;《2015 IEEE 12th International Symposium on Biomedical Imaging (ISBI)》;20150419;294-297 * |
| "Convolutional neural networks for medical image analysis: full training or Fine tuning";Nima Tajbakhsh 等;《IEEE Transactions on Medical Imaging 》;20160307;第35卷(第5期);1299 - 1312 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111415564A (zh) | 2020-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111415564B (zh) | 基于人工智能的胰腺超声内镜检查导航方法及系统 | |
| Costa et al. | Towards adversarial retinal image synthesis | |
| US20190304098A1 (en) | Segmenting ultrasound images | |
| CN111383214B (zh) | 实时内窥镜肠镜息肉检测系统 | |
| Dong et al. | Parallel processing of the target language during source language comprehension in interpreting | |
| CN112652393B (zh) | 基于深度学习的ercp质控方法、系统、存储介质及设备 | |
| CN111144271B (zh) | 一种内镜下自动识别活检部位及活检数量的方法及系统 | |
| CN116109455B (zh) | 一种基于人工智能的语言教学辅助系统 | |
| CN111080639A (zh) | 基于人工智能的多场景消化道内镜图像识别方法及系统 | |
| CN113662664B (zh) | 一种基于仪器追踪的外科手术质量客观自动化评估方法 | |
| WO2023185391A1 (zh) | 交互式分割模型训练方法、标注数据生成方法及设备 | |
| CN113283438A (zh) | 基于多源显著性和时空榜样适配的弱监督视频目标分割方法 | |
| CN115861181A (zh) | 一种面向ct影像的肿瘤分割方法及其系统 | |
| Yousef et al. | Deep-learning-based representation of vocal fold dynamics in adductor spasmodic dysphonia during connected speech in high-speed videoendoscopy | |
| CN113177957A (zh) | 一种细胞图像的分割方法、装置、电子设备及存储介质 | |
| CN116563216B (zh) | 基于标准站点智能识别的内镜超声扫查控制优化系统及方法 | |
| CN116797889A (zh) | 医学影像识别模型的更新方法、装置和计算机设备 | |
| CN116993699A (zh) | 一种眼动辅助训练下的医学图像分割方法及系统 | |
| Mattos et al. | Multi-view mouth renderization for assisting lip-reading | |
| CN116523926A (zh) | 多任务骨关节ct/mri融合的组织精准分割建模方法及装置 | |
| CN114332858A (zh) | 病灶检测方法及装置、病灶检测模型获取方法 | |
| CN110974121B (zh) | 一种判断消化内窥镜检查是否染色的方法及系统 | |
| Xian et al. | Automatic tongue image quality assessment using a multi-task deep learning model | |
| Liu et al. | An end to end thyroid nodule segmentation model based on optimized U-net convolutional neural network | |
| CN110070869B (zh) | 语音教学互动生成方法、装置、设备和介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240104 Address after: 430000 No. 03, floor 5, building B10, phase I, Wuhan hi tech medical equipment Park, No. 818, Gaoxin Avenue, Wuhan East Lake New Technology Development Zone, Wuhan, Hubei (Wuhan area, free trade zone) Patentee after: Wuhan Chujingling Medical Technology Co.,Ltd. Address before: 430072 No. 299 Bayi Road, Wuchang District, Hubei, Wuhan Patentee before: WUHAN University |