CN111429412A - 肝包虫超声ai辅助诊断方法及系统 - Google Patents
肝包虫超声ai辅助诊断方法及系统 Download PDFInfo
- Publication number
- CN111429412A CN111429412A CN202010187431.9A CN202010187431A CN111429412A CN 111429412 A CN111429412 A CN 111429412A CN 202010187431 A CN202010187431 A CN 202010187431A CN 111429412 A CN111429412 A CN 111429412A
- Authority
- CN
- China
- Prior art keywords
- hydatid
- ultrasound
- diagnosis
- model
- auxiliary diagnosis
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 71
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 18
- 241000415078 Anemone hepatica Species 0.000 title claims description 12
- 210000004185 liver Anatomy 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000012805 post-processing Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 241000254173 Coleoptera Species 0.000 claims 2
- 238000002405 diagnostic procedure Methods 0.000 claims 2
- 230000003902 lesion Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 206010014096 Echinococciasis Diseases 0.000 description 1
- 208000009366 Echinococcosis Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种肝包虫超声AI辅助诊断方法,包括以下步骤:S1、标注训练并验证AI辅助诊断模型;S2、获取肝包虫超声影像;S3、图像预处理;S4、诊断,将经过预处理的图像数据,输入AI辅助诊断模型,AI辅助诊断模型通过GPU加速模型或CPU兼容模型,完成诊断,若检测到疑似病灶,则输出预测数据,否则,预测数据为空;S5、输出诊断,将获得的预测数据进行后处理,然后叠加显示在肝包虫超声影像图像上,并展示出肝包虫疑似病灶的评价得分与轮廓。本发明提供的方法及系统,可识别出肝包虫超声图像中是否存在疑似肝包虫病灶,同时精确标识、显示病灶区域,并对疑似病灶进行评分,从而协助医生进行肝包虫的筛查工作,提高了诊断效率和准确率。
Description
技术领域
本发明涉及一种肝包虫诊断技术,尤其涉及一种肝包虫超声AI辅助诊断方法及系统。
背景技术
肝包虫是牧区较常见的寄生虫,在中国主要流行于畜牧业发达的新疆、青海、宁夏、甘肃、内蒙和西藏等省区。现有肝包虫病可以通过超声波检查的方式来进行检查,但由于多发于医疗卫生资源欠发达的边远地区,缺乏足够的影像医生对超声波图像进行诊断。
基于深度学习的图像检测,在当前广泛应用于影像辅助诊断当中,通过输入医学影像数据,输出AI辅助诊断结果。但是当前缺乏针对肝包虫超声图像的检查系统。
发明内容
本发明的目的是提供一种肝包虫超声AI辅助诊断方法及系统,可识别出肝包虫超声图像中是否存在疑似肝包虫病灶,同时精确标识、显示病灶区域,并对疑似病灶进行评分,从而协助医生进行肝包虫的筛查工作,提高了诊断效率和准确率。
为实现上述目的,本发明提供了一种肝包虫超声AI辅助诊断方法,包括以下步骤:
S1、标注训练并验证AI辅助诊断模型;
S2、获取肝包虫超声影像;
S3、图像预处理,将肝包虫超声影像统一成分辨率为512*512的图像;
S4、诊断,将经过预处理的图像数据,输入AI辅助诊断模型,AI辅助诊断模型通过GPU加速模型或CPU兼容模型,完成诊断,若检测到疑似病灶,则输出预测数据,否则,预测数据为空;
S5、输出诊断,将AI辅助诊断模型获得的预测数据进行后处理,然后叠加显示在肝包虫超声影像图像上,并展示出肝包虫疑似病灶的评价得分与轮廓。
优选的,步骤S1的具体步骤包括:
S11、标注训练
通过标注模块,根据轮廓对肝包虫超声影像数据进行标注,使标注轮廓贴合于病灶,其中,对于多发性病灶,独立标识每个病灶;
S12、验证
基于肝包虫超声影像数据、轮廓标注数据与GPU计算资源,根据开发环境调试优化训练参数与评价标准,测试AI辅助诊断模型,直至测试的平均识别准确率达到95%以上,认定模型训练已经完成。
优选的,所述预测数据包括预测区域得分和预测区域轮廓掩码。
一种基于上述肝包虫超声AI辅助诊断方法的辅助诊断系统,包括:
标注模块,用于训练并验证AI辅助诊断模型;
图像输入模块,用于调用存储在系统中的肝包虫超声影像数据或者远程传输肝包虫超声影像数据;
图像预处理模块,用于将肝包虫超声影像统一成分辨率为512*512的图像;
诊断模块,用于将预处理的肝包虫超声影像输入AI辅助诊断模型后得到疑似病灶预测数据;
诊断输出模块,用于将疑似病灶预测数据后处理后,叠加显示在肝包虫超声影像图像上,并展示出肝包虫疑似病灶的评价得分与轮廓。
优选的,所述AI辅助诊断模型为Mask-RCNN深度神经网络。
本发明提供的方法及系统,可识别出肝包虫超声图像中是否存在疑似肝包虫病灶,同时精确标识、显示病灶区域,并对疑似病灶进行评分,从而协助医生进行肝包虫的筛查工作,提高了诊断效率和准确率。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的实施例一种肝包虫超声AI辅助诊断系统的原理框图;
图2为本发明的实施例一种肝包虫超声AI辅助诊断方法及系统的效果图。
具体实施方式
以下将结合附图对本发明作进一步的描述,需要说明的是,本实施例以本技术方案为前提,给出了详细的实施方式和具体的操作过程,但本发明的保护范围并不限于本实施例。
图1为本发明的实施例一种肝包虫超声AI辅助诊断系统的原理框图;图2为本发明的实施例一种肝包虫超声AI辅助诊断方法及系统的效果图,如图1和图2所示,本发明的结构,包括以下步骤:
S1、标注训练并验证AI辅助诊断模型;
步骤S1的具体步骤包括:
S11、标注训练
通过标注模块,根据轮廓对肝包虫超声影像数据进行标注,使标注轮廓贴合于病灶,其中,对于多发性病灶,独立标识每个病灶;
S12、验证
基于肝包虫超声影像数据、轮廓标注数据与GPU计算资源,根据开发环境调试优化训练参数与评价标准,测试AI辅助诊断模型,直至测试的平均识别准确率达到95%以上,认定模型训练已经完成,即可应用于诊断模型模块。
S2、获取肝包虫超声影像;
S3、图像预处理,将肝包虫超声影像统一成分辨率为512*512的图像;
S4、诊断,将经过预处理的图像数据,输入AI辅助诊断模型,AI辅助诊断模型通过GPU加速模型或CPU兼容模型,完成诊断,若检测到疑似病灶,则输出预测数据,否则,预测数据为空;所述预测数据包括预测区域得分和预测区域轮廓掩码。
S5、输出诊断,将AI辅助诊断模型获得的预测数据进行后处理,然后叠加显示在肝包虫超声影像图像上,并展示出肝包虫疑似病灶的评价得分与轮廓。
一种基于上述肝包虫超声AI辅助诊断方法的辅助诊断系统,包括:
标注模块,用于训练并验证AI辅助诊断模型;
图像输入模块,用于调用存储在系统中的肝包虫超声影像数据或者远程传输肝包虫超声影像数据;具体的,从系统文件系统中,选择存储超声影像数据的目录,来将输入图像录入系统。或者,通过网络协议,实现影像数据远程传输。
图像预处理模块,用于将肝包虫超声影像统一成分辨率为512*512的图像;
诊断模块,用于将预处理的肝包虫超声影像输入AI辅助诊断模型后得到疑似病灶预测数据;
诊断输出模块,用于将疑似病灶预测数据后处理后,叠加显示在肝包虫超声影像图像上,并展示出肝包虫疑似病灶的评价得分与轮廓。
需要说明的是本发明的软件界面主要由图像输入与图像展示两部分组成,并通过图像输入部分的“路径选择”导向虚拟键将超声波检查图像录入系统,然后点击“开始检测”导向虚拟键,系统开始智能诊断,检查识别出输入图像中是否存在疑似肝包虫病灶并精确标识出病灶区域,同时对疑似病灶进行评分,而后在图像展示部分显示。
优选的,所述AI辅助诊断模型为Mask-RCNN深度神经网络,在目标检测的同时,实现了目标的像素级实例分割。
本发明提供的方法及系统,可识别出肝包虫超声图像中是否存在疑似肝包虫病灶,同时精确标识、显示病灶区域,并对疑似病灶进行评分,从而协助医生进行肝包虫的筛查工作,提高了诊断效率和准确率。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (5)
1.一种肝包虫超声AI辅助诊断方法,其特征在于:包括以下步骤:
S1、标注训练并验证AI辅助诊断模型;
S2、获取肝包虫超声影像;
S3、图像预处理,将肝包虫超声影像统一成分辨率为512*512的图像;
S4、诊断,将经过预处理的图像数据,输入AI辅助诊断模型,AI辅助诊断模型通过GPU加速模型或CPU兼容模型,完成诊断,若检测到疑似病灶,则输出预测数据,否则,预测数据为空;
S5、输出诊断,将AI辅助诊断模型获得的预测数据进行后处理,然后叠加显示在肝包虫超声影像图像上,并展示出肝包虫疑似病灶的评价得分与轮廓。
2.根据权利要求1所述的一种肝包虫超声AI辅助诊断方法,其特征在于:步骤S1的具体步骤包括:
S11、标注训练
通过标注模块,根据轮廓对肝包虫超声影像数据进行标注,使标注轮廓贴合于病灶,其中,对于多发性病灶,独立标识每个病灶;
S12、验证
基于肝包虫超声影像数据、轮廓标注数据与GPU计算资源,根据开发环境调试优化训练参数与评价标准,测试AI辅助诊断模型,直至测试的平均识别准确率达到95%以上,认定模型训练已经完成。
3.根据权利要求1所述的一种肝包虫超声AI辅助诊断方法,其特征在于:所述预测数据包括预测区域得分和预测区域轮廓掩码。
4.一种基于上述权利要求1-3任一项所述的一种肝包虫超声AI辅助诊断方法的辅助诊断系统,其特征在于:包括:
标注模块,用于训练并验证AI辅助诊断模型;
图像输入模块,用于调用存储在系统中的肝包虫超声影像数据或者远程传输肝包虫超声影像数据;
图像预处理模块,用于将肝包虫超声影像统一成分辨率为512*512的图像;
诊断模块,用于将预处理的肝包虫超声影像输入AI辅助诊断模型后得到疑似病灶预测数据;
诊断输出模块,用于将疑似病灶预测数据后处理后,叠加显示在肝包虫超声影像图像上,并展示出肝包虫疑似病灶的评价得分与轮廓。
5.根据权利要求4所述的一种肝包虫超声AI辅助诊断系统,其特征在于:所述AI辅助诊断模型为Mask-RCNN深度神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010187431.9A CN111429412B (zh) | 2020-03-17 | 2020-03-17 | 肝包虫超声ai辅助诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010187431.9A CN111429412B (zh) | 2020-03-17 | 2020-03-17 | 肝包虫超声ai辅助诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111429412A true CN111429412A (zh) | 2020-07-17 |
CN111429412B CN111429412B (zh) | 2023-11-03 |
Family
ID=71547935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010187431.9A Active CN111429412B (zh) | 2020-03-17 | 2020-03-17 | 肝包虫超声ai辅助诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429412B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111863204A (zh) * | 2020-07-22 | 2020-10-30 | 北京青燕祥云科技有限公司 | 基于钼靶x线摄影检查的乳腺疾病ai辅助诊断方法及系统 |
CN112330731A (zh) * | 2020-11-30 | 2021-02-05 | 深圳开立生物医疗科技股份有限公司 | 图像处理装置、方法、设备、超声系统及可读存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150003677A1 (en) * | 2013-06-28 | 2015-01-01 | Samsung Electronics Co., Ltd. | Apparatus and method for detecting lesion |
WO2017193251A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
CN108960042A (zh) * | 2018-05-17 | 2018-12-07 | 新疆医科大学第附属医院 | 视觉显著性与sift特征的棘球绦虫原头蚴存活率检测方法 |
CN109271969A (zh) * | 2018-10-29 | 2019-01-25 | 北京青燕祥云科技有限公司 | 一种脑胶质瘤分级评价方法及其装置 |
CN109685810A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于深度学习的肝包虫病灶识别方法及系统 |
CN109727243A (zh) * | 2018-12-29 | 2019-05-07 | 无锡祥生医疗科技股份有限公司 | 乳腺超声图像识别分析方法及系统 |
US20190221313A1 (en) * | 2017-08-25 | 2019-07-18 | Medi Whale Inc. | Diagnosis assistance system and control method thereof |
CN110264462A (zh) * | 2019-06-25 | 2019-09-20 | 电子科技大学 | 一种基于深度学习的乳腺超声肿瘤识别方法 |
CN110443781A (zh) * | 2019-06-27 | 2019-11-12 | 杭州智团信息技术有限公司 | 一种肝脏数字病理的ai辅助诊断系统及方法 |
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 |
CN110495906A (zh) * | 2019-08-07 | 2019-11-26 | 苏州米特希赛尔人工智能有限公司 | 乳房超声自动扫描与人工智能诊断系统 |
CN110693529A (zh) * | 2019-10-12 | 2020-01-17 | 深圳度影医疗科技有限公司 | 一种基于二维图像的卵巢和/或卵泡自动测量方法 |
CN110782461A (zh) * | 2019-10-28 | 2020-02-11 | 华北电力大学 | 一种基于Mask-RCNN的电力设备红外图像分割方法 |
-
2020
- 2020-03-17 CN CN202010187431.9A patent/CN111429412B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150003677A1 (en) * | 2013-06-28 | 2015-01-01 | Samsung Electronics Co., Ltd. | Apparatus and method for detecting lesion |
WO2017193251A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
US20190221313A1 (en) * | 2017-08-25 | 2019-07-18 | Medi Whale Inc. | Diagnosis assistance system and control method thereof |
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
CN108960042A (zh) * | 2018-05-17 | 2018-12-07 | 新疆医科大学第附属医院 | 视觉显著性与sift特征的棘球绦虫原头蚴存活率检测方法 |
CN109271969A (zh) * | 2018-10-29 | 2019-01-25 | 北京青燕祥云科技有限公司 | 一种脑胶质瘤分级评价方法及其装置 |
CN109685810A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于深度学习的肝包虫病灶识别方法及系统 |
CN109727243A (zh) * | 2018-12-29 | 2019-05-07 | 无锡祥生医疗科技股份有限公司 | 乳腺超声图像识别分析方法及系统 |
CN110264462A (zh) * | 2019-06-25 | 2019-09-20 | 电子科技大学 | 一种基于深度学习的乳腺超声肿瘤识别方法 |
CN110443781A (zh) * | 2019-06-27 | 2019-11-12 | 杭州智团信息技术有限公司 | 一种肝脏数字病理的ai辅助诊断系统及方法 |
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 |
CN110495906A (zh) * | 2019-08-07 | 2019-11-26 | 苏州米特希赛尔人工智能有限公司 | 乳房超声自动扫描与人工智能诊断系统 |
CN110693529A (zh) * | 2019-10-12 | 2020-01-17 | 深圳度影医疗科技有限公司 | 一种基于二维图像的卵巢和/或卵泡自动测量方法 |
CN110782461A (zh) * | 2019-10-28 | 2020-02-11 | 华北电力大学 | 一种基于Mask-RCNN的电力设备红外图像分割方法 |
Non-Patent Citations (1)
Title |
---|
南嘉格列,李锐等: "基于深度学习的肝包虫病超声图像分型研究", 《深圳大学学报(理工版)》, vol. 36, no. 6, pages 702 - 708 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111863204A (zh) * | 2020-07-22 | 2020-10-30 | 北京青燕祥云科技有限公司 | 基于钼靶x线摄影检查的乳腺疾病ai辅助诊断方法及系统 |
CN112330731A (zh) * | 2020-11-30 | 2021-02-05 | 深圳开立生物医疗科技股份有限公司 | 图像处理装置、方法、设备、超声系统及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111429412B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111227864B (zh) | 使用超声图像利用计算机视觉进行病灶检测的装置 | |
EP4006831A1 (en) | Image processing method and apparatus, server, medical image processing device and storage medium | |
CN111214255B (zh) | 一种医学超声图像计算机辅助方法 | |
CN110458817B (zh) | 医学图像的质量预测方法、装置、设备及存储介质 | |
CN105022719B (zh) | 医学造影系统及方法 | |
CN106909778A (zh) | 一种基于深度学习的多模态医学影像识别方法及装置 | |
CN111429412A (zh) | 肝包虫超声ai辅助诊断方法及系统 | |
CN111462049B (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
CN110200601A (zh) | 一种脉象获取装置及系统 | |
CN109255354A (zh) | 面向医用ct的计算机图像处理方法和装置 | |
CN111863204A (zh) | 基于钼靶x线摄影检查的乳腺疾病ai辅助诊断方法及系统 | |
CN101511271B (zh) | 具有全面报告模拟特征的医学系统 | |
CN112926537A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
WO2022206025A1 (zh) | 生物力学建模方法、装置、电子设备及存储介质 | |
CN111144506B (zh) | 基于超声图像的肝包虫识别方法、存储介质及超声设备 | |
CN113313359A (zh) | 一种影像标注诊断质量的评估方法及装置 | |
CN111739015A (zh) | 基于人体胸部ct扫描序列数据的肋骨骨折ai辅助诊断方法及系统 | |
TW202131351A (zh) | 基於腦影像的神經精神疾病評估方法及系統 | |
CN109171804B (zh) | 多模式超声图像处理系统及方法 | |
CN114565582B (zh) | 一种医学图像分类和病变区域定位方法、系统及存储介质 | |
CN115661037A (zh) | 一种胶囊内镜辅助检测方法、装置、系统、设备及介质 | |
CN210776809U (zh) | 一种望诊图像质量评价系统、设备及存储介质 | |
CN110197722B (zh) | Ai-cpu系统平台 | |
Tang | Heart image digital model building and feature extraction analysis based on deep learning | |
CN113744234A (zh) | 一种基于gan的多模态脑部图像配准方法 |
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 |