CN111724893A - 医疗影像辨识装置及医疗影像辨识方法 - Google Patents
医疗影像辨识装置及医疗影像辨识方法 Download PDFInfo
- Publication number
- CN111724893A CN111724893A CN201910212655.8A CN201910212655A CN111724893A CN 111724893 A CN111724893 A CN 111724893A CN 201910212655 A CN201910212655 A CN 201910212655A CN 111724893 A CN111724893 A CN 111724893A
- Authority
- CN
- China
- Prior art keywords
- image
- organ
- disease
- processor
- medical 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title abstract description 28
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 106
- 210000000056 organ Anatomy 0.000 claims abstract description 104
- 201000010099 disease Diseases 0.000 claims abstract description 97
- 230000015654 memory Effects 0.000 claims abstract description 9
- 238000003745 diagnosis Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000003058 natural language processing Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 12
- 210000000232 gallbladder Anatomy 0.000 description 11
- 208000035475 disorder Diseases 0.000 description 9
- 210000004185 liver Anatomy 0.000 description 9
- 238000002604 ultrasonography Methods 0.000 description 8
- 208000001130 gallstones Diseases 0.000 description 7
- 208000004930 Fatty Liver Diseases 0.000 description 6
- 206010019708 Hepatic steatosis Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 208000010706 fatty liver disease Diseases 0.000 description 6
- 231100000240 steatosis hepatitis Toxicity 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 208000019423 liver disease Diseases 0.000 description 4
- 201000001883 cholelithiasis Diseases 0.000 description 3
- 208000019425 cirrhosis of liver Diseases 0.000 description 3
- 208000020694 gallbladder disease Diseases 0.000 description 3
- 208000017169 kidney disease Diseases 0.000 description 3
- 201000006370 kidney failure Diseases 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 206010011732 Cyst Diseases 0.000 description 2
- 206010016654 Fibrosis Diseases 0.000 description 2
- 230000007882 cirrhosis Effects 0.000 description 2
- 208000031513 cyst Diseases 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 208000000913 Kidney Calculi Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010029148 Nephrolithiasis Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 210000000683 abdominal cavity Anatomy 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 201000001352 cholecystitis Diseases 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种医疗影像辨识装置及医疗影像辨识方法。医疗影像辨识装置包括处理器及存储器连接到处理器。处理器接收第一影像;辨识第一影像中的至少一器官;辨识至少一器官是否具有对应至少一器官的至少一疾病;以及输出对应第一影像的诊断报告。
Description
技术领域
本发明是有关于一种医疗影像辨识装置及医疗影像辨识方法,且特别是有关于一种判断医疗影像中的器官及疾病的医疗影像辨识装置及医疗影像辨识方法。
背景技术
超音波是目前常用的临床诊断工具。相较于其他医学影像诊断技术(例如,核磁共振、断层扫描等),超音波具有非侵入式、不具辐射性、系统价格及诊断费用低、患者无痛、安全性高、即时影像显示、检查方便且快速等优点。然而,超音波影像的判读即使是对于经验较不足的年轻医师也是难度较高,一般民众更是不可能对器官与病症进行解读。因此,如何开发一套能辅助诊断的自动化系统并对医疗影像(例如,超音波影像、核磁共振影像或断层扫描影像等)进行自动判断,是本领域技术人员应致力的目标。
发明内容
本发明提供一种医疗影像辨识装置及医疗影像辨识方法,能判断医疗影像中的器官及疾病。
本发明提出一种医疗影像辨识装置,包括处理器及存储器连接到处理器。处理器接收第一影像;辨识第一影像中的至少一器官;辨识至少一器官是否具有对应至少一器官的至少一疾病;以及输出对应第一影像的诊断报告。
在本发明的一实施例中,上述处理器在第一影像之后接收第二影像并比对第二影像与第一影像的影像相似度,若第二影像与第一影像的影像相似度大于相似度阈值,则处理器输出对应第一影像的诊断报告。
在本发明的一实施例中,上述处理器通过器官辨识模型来辨识第一影像中的至少一器官,其中器官辨识模型通过将多个器官影像及每个器官影像对应的至少一标示器官输入神经网络来训练。
在本发明的一实施例中,当至少一器官的信心指数大于信心阈值时,处理器判断至少一器官存在第一影像中。
在本发明的一实施例中,当对应至少一器官的至少一疾病的信心指数大于信心阈值时,处理器显示至少一疾病及信心指数在第一影像中对应至少一疾病的位置上。
在本发明的一实施例中,上述处理器根据至少一疾病的种类来判断至少一疾病的有无。
在本发明的一实施例中,上述处理器根据至少一疾病的种类来判断至少一疾病的病症分级。
在本发明的一实施例中,上述处理器根据至少一疾病的种类来标示至少一疾病在至少一器官上的位置。
在本发明的一实施例中,上述处理器产生至少一方框来标示至少一疾病在至少一器官上的位置、或描绘至少一轮廓来标示至少一疾病在至少一器官上的位置。
在本发明的一实施例中,上述处理器根据自然语言处理模型及多个病症对应的诊断书来训练诊断报告产生模型,并根据诊断报告产生模型输出诊断报告。
在本发明的一实施例中,上述处理器根据历史影像及第一影像输出对应第一影像的诊断报告,其中历史影像与第一影像对应同一患者。
在本发明的一实施例中,上述处理器根据历史影像及第一影像产生病程预测,其中历史影像与第一影像对应同一患者。
本发明提出一种医疗影像辨识方法,包括:接收第一影像;辨识第一影像中的至少一器官;辨识至少一器官是否具有对应至少一器官的至少一疾病;以及输出对应第一影像的诊断报告。
在本发明的一实施例中,上述医疗影像辨识方法还包括:在第一影像之后接收第二影像并比对第二影像与第一影像的影像相似度,若第二影像与第一影像的影像相似度大于相似度阈值,则处理器输出对应第一影像的诊断报告。
在本发明的一实施例中,上述医疗影像辨识方法还包括:通过器官辨识模型来辨识第一影像中的至少一器官,其中器官辨识模型通过将多个器官影像及每个器官影像对应的至少一标示器官输入神经网络来训练。
在本发明的一实施例中,上述医疗影像辨识方法还包括:当至少一器官的信心指数大于信心阈值时,判断至少一器官存在第一影像中。
在本发明的一实施例中,上述医疗影像辨识方法还包括:当对应至少一器官的至少一疾病的信心指数大于信心阈值时,处理器显示至少一疾病及信心指数在第一影像中对应至少一疾病的位置上。
在本发明的一实施例中,上述医疗影像辨识方法还包括:根据至少一疾病的种类来判断至少一疾病的有无。
在本发明的一实施例中,上述医疗影像辨识方法还包括:根据至少一疾病的种类来判断至少一疾病的病症分级。
在本发明的一实施例中,上述医疗影像辨识方法还包括:根据至少一疾病的种类来标示至少一疾病在至少一器官上的位置。
在本发明的一实施例中,上述医疗影像辨识方法还包括:产生至少一方框来标示至少一疾病在至少一器官上的位置、或描绘至少一轮廓来标示至少一疾病在至少一器官上的位置。
在本发明的一实施例中,上述医疗影像辨识方法还包括:根据自然语言处理模型及多个病症对应的诊断书来训练诊断报告产生模型,并根据诊断报告产生模型输出诊断报告。
在本发明的一实施例中,上述医疗影像辨识方法还包括:根据历史影像及第一影像输出对应第一影像的诊断报告,其中历史影像与第一影像对应同一患者。
在本发明的一实施例中,上述医疗影像辨识方法还包括:根据历史影像及第一影像产生病程预测,其中历史影像与第一影像对应同一患者。
基于上述,本发明的医疗影像辨识装置及医疗影像辨识方法先辨识第一影像中器官,再辨识第一影像中器官是否有疾病,再输出对应第一影像的诊断报告。医疗影像辨识装置还可根据疾病的种类来判断疾病的有无、疾病的病症分级或标示疾病在器官上的位置。
为让本发明的上述特征和优点能更明显易懂,下文特举实施例,并配合附图作详细说明如下。
附图说明
图1为根据本发明一实施例的医疗影像辨识装置的方块图。
图2为根据本发明一实施例的医疗影像辨识方法的流程图。
图3为根据本发明一实施例对医疗影像进行器官辨识的示意图。
图4为根据本发明一实施例的疾病切换方法的流程图。
图5是根据本发明一实施例标记疾病在器官上的位置的示意图。
图6为根据本发明一实施例的标记器官及疾病位置的示意图。
其中,100:医疗影像辨识装置
110:处理器
120:显示器
130:存储器
150:医疗影像
160:诊断报告
S201~S204:医疗影像辨识方法的步骤
310、610:肝脏
320、620:胆囊
S410、S420~S422、S430~S432、S440~S442、S450:疾病切换方法的步骤
530、630:胆结石
具体实施方式
图1为根据本发明一实施例的医疗影像辨识装置的方块图。
请参照图1,本发明一实施例的医疗影像辨识装置100可包括处理器110及连接到处理器110的显示器120及存储器130。医疗影像辨识装置100可接收医疗影像150并对医疗影像150进行分析而产生诊断报告160。医疗影像辨识装置100例如是台式机(desktopcomputer)、笔记本电脑(laptop computer)、微电脑(microcomputer)或其他类似元件。处理器110例如是中央处理器(Central Processing Unit,CPU)、微处理器控制单元(Microprocessor Control Unit,MCU)、片上系统(System on Chip,SOC)或其他类似元件。存储器130可包括非挥发性存储器模组及/或挥发性存储器模组并对医疗影像150及相关资料进行暂存或长时间储存。医疗影像150例如是超音波影像、核磁共振影像、断层扫描影像或其他类型影像。
在一实施例中,医疗影像150可由医疗人员在正常状态使用超音波机会用的到任何角度的照射方法来产生,且超音波机的探头可以照射器官的纵切面或横切面。
在一实施例中,处理器110会接收医疗影像150并辨识医疗影像150中的所有器官。在辨识出医疗影像150中器官之后,处理器110会进一步判断医疗影像150的器官是否具有对应器官的疾病。最后,处理器110才会输出对应医疗影像150的诊断报告。
请同时参照图2,图2为根据本发明一实施例的医疗影像辨识方法的流程图。
在步骤S201中,对医疗影像进行影像辨识。具体来说,当超音波机传送了目前探头或照射的位置的动态影像到医疗影像辨识装置100时,处理器110可先比较当前影像与先前影像的影像相似度。若当前影像与先前影像的影像相似度大于相似度阈值,则处理器110输出与先前影像相同的诊断报告。若当前影像与先前影像的影像相似度不大于相似度阈值,则处理器110对当前影像进行后续的医疗影像辨识流程。值得注意的是,当前影像与先前影像可间隔预定框数,例如,当前影像与先前影像可间隔五个框数(frame)。
在步骤S202中,对医疗影像进行器官辨识。具体来说,处理器110可用以辨识医疗影像150中的肝、胆、肾、脾、胰、腹腔内大血管、淋巴结、心脏、乳房、骨盆腔、颈动脉、摄护腺等器官或重要组织。在一实施例中,处理器110可通过器官辨识模型来辨识医疗影像150中的器官。器官辨识模型可通过将器官影像及器官影像对应的标示器官(例如,由专业医学专家对影像内的所有器官进行标示)输入神经网络来训练。当器官辨识模型辨识出医疗影像150中的一到多个器官时,器官辨识模型可将器官辨识结果及对应的信心指数加入医疗影像150并将医疗影像150显示在显示器120上。图3为根据本发明一实施例对医疗影像进行器官辨识的示意图。请参照图3,医疗影像150可包括辨识出的肝脏310及胆囊320。器官辨识模型可将肝脏310及胆囊320分别以方框标记出来,并在对应的方框旁显示“肝脏0.998”及“胆囊0.992”,其中“0.998”及“0.992”分别为医疗影像150中具有肝脏310及胆囊320的信心指数。当医疗影像150中存在特定器官的信心指数大于信心阈值(例如,0.98)时,器官辨识模型可判断医疗影像150中存在特定器官。
在步骤S203中,对医疗影像进行疾病切换。具体来说,当判断出医疗影像150中的器官之后,处理器110可根据不同器官的病症模型来判断器官中是否存在病症。图4为根据本发明一实施例的疾病切换方法的流程图。请参照图4,在步骤410中,进行器官辨识。当在步骤S420中辨识出有肝时,处理器110会在步骤S421中呼叫肝病症模型,并在步骤S422中判断是否有脂肪肝或肝硬化等肝病症。当在步骤S430中辨识出有胆时,处理器110会在步骤S431中呼叫胆病症模型,并在步骤S432中判断是否有胆囊炎或胆结石等胆病症。当在步骤S440中辨识出有肾时,处理器110会在步骤S441中呼叫肾病症模型,并在步骤S442中判断是否有肾水肿或肾结石等肾病症。最后在步骤S450中,处理器110可针对器官病症来输出诊断书。值得注意的是,器官辨识功能与病症检测功能可实作于相同或不同的硬件电路/软件模型中,且不同的病症检测功能也可实作于相同或不同的硬件电路/软件模型中。本发明不限制器官辨识功能及病症检测功能的实作方式。
在一实施例中,处理器110可通过一个联合特征获取器在器官辨识之前获取对应不同器官的病症特征。在判断出医疗影像150中的器官之后,处理器110再将各个病状特征传送到各个器官的病症模型(例如,肝病症模型、胆病症模型、肾病症模型等)来进行特征分类。在另一实施例中,特征获取器也可实作于各个器官的病症模型中,在器官辨识之后才进行辨识出的器官的病症特征获取。
在步骤S204中,对医疗影像进行疾病检测。具体来说,疾病检测可参考表一来说明。
表一
从表一可得知,处理器110可根据病症(疾病)的种类来判断疾病的有无、判断疾病的病症严重程度分级、或是标示疾病在器官上的位置。举例来说,当病症是脂肪肝时,处理器110可进行脂肪肝严重程度分级。当病症是肝硬化时,处理器110可判断有无发生肝硬化。当病症是肝囊肿或肝肿瘤时,处理器110可标记囊肿或肿瘤位置。图5为根据本发明一实施例标记疾病在器官上的位置的示意图。请参照图5,当处理器110辨识出胆囊具有胆结石的信心指数为0.990高于信心度阈值时,处理器110可以方框标记胆结石530并在胆结石530旁边注明“胆结石0.990”。值得注意的是,器官或疾病的标记可使用方框来标记或使用轮廓来标记。
在“有”或“无”的病症检测中,可使用分类型的卷积神经网络(ConvolutionalNeural Network,CNN)进行病症有无的分类。在判断疾病的病症严重程度分级的病症检测中,可使用卷积神经网络进行N+1类的分类辨识,其中N为严重程度分级的数量。例如,若一病症可分为无病与有病的第一期到第五期,则N=5。在利用方框标记疾病的病症检测中,可使用物件检测类型的卷积神经网络进行病症辨识与检测。在利用轮廓标记疾病的病症检测中,可使用图像语意分析(image semantic segmentation)类型的卷积神经网络进行病症辨识与检测。
图6为根据本发明一实施例的标记器官及疾病位置的示意图。请参照图6,处理器110可在医疗影像150中以方框标记肝脏610、胆囊620及胆囊620中的胆结石630。
在一实施例中,处理器110还可根据检测出的疾病有无或其病症严重程度分级或病症位置来产生诊断报告。具体来说,处理器110可根据自然语言处理(Natural LanguageProcessing,NLP)模型及多个病症对应的诊断书来训练诊断报告产生模型,并根据诊断报告产生模型输出诊断报告。报告产生模型的训练可通过大量的病症及对应的诊断书来学习医师撰写诊断书的习惯,病通过循环神经网络(Recurrent Neural Network,RNN)或长短期记忆网络(Long Short Term Memory Network,LSTM)等方式来进行诊断报告的处理。举例来说,在图6的医疗影像150中,处理器110可产生“胆囊中有胆结石”及“肝脏无病症”的诊断报告。
在一实施例中,处理器110可根据同一患者或不同患者的历史影像及当前影像来输出对应患者当前影像的诊断报告。举例来说,处理器110在判断病症(即,执行病症模型)时可同时分析同一患者或不同患者在健康时的历史影像,如此可进一步提升病症判断的正确性。在另一实施例中,处理器110还可根据同一患者的历史影像及当前影像来产生病程预测。举例来说,当患者三个月前的历史影像为脂肪肝第一级且当前影像为脂肪肝第二级,则可推断患者可能在三个月之后达到脂肪肝第三级。上述时间间隔仅用以举例,而实际病程预测需根据不同疾病的临床资料进行判断。
综上所述,本发明的医疗影像辨识装置及医疗影像辨识方法先辨识医疗影像中器官,再辨识医疗影像中器官是否有疾病,再输出对应医疗影像的诊断报告。医疗影像辨识装置还可根据疾病的种类来判断疾病的有无、疾病的病症分级或标示疾病在器官上的位置。当判断出病症之后,病症及器官都可被标记在医疗影像中,并同时在病症及器官旁注记病症及器官的信心指数。此外,本发明的医疗影像辨识装置及医疗影像辨识方法还可根据历史影像来进行病症判断及病程预测的辅助。
虽然本发明已以实施例揭露如上,但是上述实施例并非用以限定本发明,任何本发明所属领域的技术人员在不脱离本发明的精神和范围内,当可作些许的更动与润饰,故本发明的保护范围当视权利要求书所要求保护的范围为准。
Claims (12)
1.一种医疗影像辨识装置,包括:
一处理器;以及
一存储器,连接到该处理器,其中该处理器
接收一第一影像;
辨识该第一影像中的至少一器官;
辨识该至少一器官是否具有对应该至少一器官的一至少一疾病;以及
输出对应该第一影像的一诊断报告。
2.如权利要求1所述的医疗影像辨识装置,其特征在于,该处理器在该第一影像之后接收一第二影像并比对该第二影像与该第一影像的一影像相似度,若该第二影像与该第一影像的该影像相似度大于一相似度阈值,则该处理器输出对应该第一影像的该诊断报告。
3.如权利要求1所述的医疗影像辨识装置,其特征在于,该处理器通过一器官辨识模型来辨识该第一影像中的该至少一器官,其中该器官辨识模型通过将多个器官影像及每个该些器官影像对应的至少一标示器官输入一神经网络来训练。
4.如权利要求1所述的医疗影像辨识装置,其特征在于,当该至少一器官的一信心指数大于一信心阈值时,该处理器判断该至少一器官存在该第一影像中。
5.如权利要求1所述的医疗影像辨识装置,其特征在于,当对应该至少一器官的该至少一疾病的一信心指数大于一信心阈值时,该处理器显示该至少一疾病及该信心指数在该第一影像中对应该至少一疾病的位置上。
6.如权利要求1所述的医疗影像辨识装置,其特征在于,该处理器根据该至少一疾病的种类来判断该至少一疾病的有无。
7.如权利要求1所述的医疗影像辨识装置,其特征在于,该处理器根据该至少一疾病的种类来判断该至少一疾病的一病症分级。
8.如权利要求1所述的医疗影像辨识装置,其特征在于,该处理器根据该至少一疾病的种类来标示该至少一疾病在该至少一器官上的位置。
9.如权利要求8所述的医疗影像辨识装置,其特征在于,该处理器产生至少一方框来标示该至少一疾病在该至少一器官上的位置、或描绘至少一轮廓来标示该至少一疾病在该至少一器官上的位置。
10.如权利要求1所述的医疗影像辨识装置,其特征在于,该处理器根据一自然语言处理模型及多个病症对应的诊断书来训练一诊断报告产生模型,并根据该诊断报告产生模型输出该诊断报告。
11.如权利要求1所述的医疗影像辨识装置,其特征在于,该处理器根据一历史影像及该第一影像输出对应该第一影像的该诊断报告,其中该历史影像与该第一影像对应同一患者。
12.如权利要求1所述的医疗影像辨识装置,其特征在于,该处理器根据一历史影像及该第一影像产生一病程预测,其中该历史影像与该第一影像对应同一患者。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910212655.8A CN111724893B (zh) | 2019-03-20 | 2019-03-20 | 医疗影像辨识装置及医疗影像辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910212655.8A CN111724893B (zh) | 2019-03-20 | 2019-03-20 | 医疗影像辨识装置及医疗影像辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111724893A true CN111724893A (zh) | 2020-09-29 |
CN111724893B CN111724893B (zh) | 2024-04-09 |
Family
ID=72563238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910212655.8A Active CN111724893B (zh) | 2019-03-20 | 2019-03-20 | 医疗影像辨识装置及医疗影像辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724893B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010120061A2 (ko) * | 2009-04-16 | 2010-10-21 | 주식회사 인트로메딕 | 클라이언트 단말의 의료 데이터 프로세싱 장치 및 의료 영상데이터 처리 방법 |
CN103488977A (zh) * | 2013-09-22 | 2014-01-01 | 江苏美伦影像系统有限公司 | 基于svm的医学影像管理系统 |
CN106570866A (zh) * | 2016-11-22 | 2017-04-19 | 青岛大学 | 人体医学影像器官几何比对的检测方法 |
CN107273657A (zh) * | 2017-05-15 | 2017-10-20 | 慧影医疗科技(北京)有限公司 | 影像诊断图文报告的生成方法及存储设备 |
CN107506604A (zh) * | 2017-09-11 | 2017-12-22 | 深圳市前海安测信息技术有限公司 | 基于人工智能的影像识别系统及方法 |
CN107506605A (zh) * | 2017-09-11 | 2017-12-22 | 深圳市前海安测信息技术有限公司 | 基于医疗云平台的影像大数据分析系统及方法 |
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 |
CN108877927A (zh) * | 2018-05-30 | 2018-11-23 | 李鹤 | 一种医学图像诊断方法 |
CN109064443A (zh) * | 2018-06-22 | 2018-12-21 | 哈尔滨工业大学 | 一种基于腹部超声图像的多模型器官分割方法及系统 |
CN109308477A (zh) * | 2018-09-21 | 2019-02-05 | 北京连心医疗科技有限公司 | 一种基于粗分类的医学影像自动分割方法、设备和存储介质 |
-
2019
- 2019-03-20 CN CN201910212655.8A patent/CN111724893B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010120061A2 (ko) * | 2009-04-16 | 2010-10-21 | 주식회사 인트로메딕 | 클라이언트 단말의 의료 데이터 프로세싱 장치 및 의료 영상데이터 처리 방법 |
CN103488977A (zh) * | 2013-09-22 | 2014-01-01 | 江苏美伦影像系统有限公司 | 基于svm的医学影像管理系统 |
CN106570866A (zh) * | 2016-11-22 | 2017-04-19 | 青岛大学 | 人体医学影像器官几何比对的检测方法 |
CN107273657A (zh) * | 2017-05-15 | 2017-10-20 | 慧影医疗科技(北京)有限公司 | 影像诊断图文报告的生成方法及存储设备 |
CN107506604A (zh) * | 2017-09-11 | 2017-12-22 | 深圳市前海安测信息技术有限公司 | 基于人工智能的影像识别系统及方法 |
CN107506605A (zh) * | 2017-09-11 | 2017-12-22 | 深圳市前海安测信息技术有限公司 | 基于医疗云平台的影像大数据分析系统及方法 |
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 |
CN108877927A (zh) * | 2018-05-30 | 2018-11-23 | 李鹤 | 一种医学图像诊断方法 |
CN109064443A (zh) * | 2018-06-22 | 2018-12-21 | 哈尔滨工业大学 | 一种基于腹部超声图像的多模型器官分割方法及系统 |
CN109308477A (zh) * | 2018-09-21 | 2019-02-05 | 北京连心医疗科技有限公司 | 一种基于粗分类的医学影像自动分割方法、设备和存储介质 |
Non-Patent Citations (5)
Title |
---|
B. LAKSHMANA: "Texture based characterization of liver tumor on computed tomography images", ICWET \'11: PROCEEDINGS OF THE INTERNATIONAL CONFERENCE & WORKSHOP ON EMERGING TRENDS IN TECHNOLOGY, 25 February 2011 (2011-02-25) * |
张海涛;刘景鑫;王春月;赵晓晴;李慧盈;: "基于超像素方法的腹部CT影像多目标器官分割研究", 中国医疗设备, no. 01, 10 January 2018 (2018-01-10) * |
李如画;: "医学影像在诊断过程中的作用", no. 01 * |
王传国;: "浅谈医学影像技术在医学影像诊断中的临床应用", no. 67 * |
黄子星;宋彬;: "人工智能在腹部影像的研究现状与展望", no. 11 * |
Also Published As
Publication number | Publication date |
---|---|
CN111724893B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112712879B (zh) | 医学影像报告的信息提取方法、装置、设备及存储介质 | |
Oghli et al. | Automatic fetal biometry prediction using a novel deep convolutional network architecture | |
CN110033859A (zh) | 评估患者的医学检查结果的方法、系统、程序和存储介质 | |
US20100217123A1 (en) | Methods and systems of managing ultrasonographic diagnosis | |
Stember et al. | Integrating eye tracking and speech recognition accurately annotates MR brain images for deep learning: proof of principle | |
KR20200077852A (ko) | 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법 | |
US11701066B2 (en) | Device and method for detecting clinically important objects in medical images with distance-based decision stratification | |
Selvathi et al. | Fetal biometric based abnormality detection during prenatal development using deep learning techniques | |
CN113656706A (zh) | 基于多模态深度学习模型的信息推送方法及装置 | |
US20190272921A1 (en) | Automated Diagnostic Support System for Clinical Documentation Workflows | |
Datta et al. | A hybrid deep learning approach for spatial trigger extraction from radiology reports | |
Bento et al. | Automatic identification of atherosclerosis subjects in a heterogeneous MR brain imaging data set | |
Lin et al. | Using deep learning in ultrasound imaging of bicipital peritendinous effusion to grade inflammation severity | |
US10235360B2 (en) | Generation of pictorial reporting diagrams of lesions in anatomical structures | |
WO2023029348A1 (zh) | 基于人工智能的图像实例标注方法及相关设备 | |
TWI711050B (zh) | 醫療影像辨識裝置及醫療影像辨識方法 | |
US8515213B2 (en) | System, method and computer instructions for aiding image analysis | |
Pham et al. | Ovarian Tumors Detection and Classification from Ultrasound Images Based on YOLOv8 | |
US11386991B2 (en) | Methods and apparatus for artificial intelligence informed radiological reporting and model refinement | |
CN111724893B (zh) | 医疗影像辨识装置及医疗影像辨识方法 | |
Rocha et al. | A speech-to-text interface for mammoclass | |
CN112949306B (zh) | 命名实体识别模型创建方法、装置、设备及可读存储介质 | |
Khosravi et al. | Biopsy-free prediction of prostate cancer aggressiveness using deep learning and radiology imaging | |
Nugroho et al. | Thyroid nodules stratification based on orientation characteristics using machine learning approach | |
CN115148341B (zh) | 一种基于体位识别的ai结构勾画方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |