CN111739015A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111739015A CN111739015A CN202010623638.6A CN202010623638A CN111739015A CN 111739015 A CN111739015 A CN 111739015A CN 202010623638 A CN202010623638 A CN 202010623638A CN 111739015 A CN111739015 A CN 111739015A
- Authority
- CN
- China
- Prior art keywords
- data
- rib fracture
- scanning sequence
- auxiliary diagnosis
- fracture
- 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
- 238000002591 computed tomography Methods 0.000 title claims abstract description 80
- 238000003745 diagnosis Methods 0.000 title claims abstract description 70
- 208000027790 Rib fracture Diseases 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000003902 lesion Effects 0.000 claims abstract description 18
- 208000010392 Bone Fractures Diseases 0.000 claims abstract description 15
- 206010017076 Fracture Diseases 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012805 post-processing Methods 0.000 claims abstract description 4
- 210000000038 chest Anatomy 0.000 claims description 38
- 238000012795 verification Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 210000000481 breast Anatomy 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010019027 Haemothorax Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000003144 pneumothorax Diseases 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
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法,包括以下步骤:S1、标注训练并验证AI辅助诊断模型;S2、获取CT扫描序列数据;S3、预处理;S4、诊断,将预处理CT图像数据,输入AI辅助诊断模型RibsNet中,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,将预测数据进行后处理,然后叠加显示在胸部CT扫描序列中,并展示出骨折疑似病灶信息。本发明采用上述基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法,可识别出人体胸部CT扫描序列中是否存在疑似骨折病灶,同时精确标识、显示病灶区域与病灶类型,并对疑似病灶进行评分,从而协助医生进行肋骨骨折的筛查工作,提高了诊断效率和准确率。
Description
技术领域
本发明涉及一种肋骨骨折辅助诊断技术,尤其涉及一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法及系统。
背景技术
由于频繁发生的交通事故等原因造成的肋骨骨折等外伤,会造成患者胸痛、骨折、气胸、血胸等临床表现症状,严重威胁着人们的生命安全。现有的肋骨骨折主要通过CT(计算机断层扫描技术)成像扫描的方式来进行检查,但由于影像科医生数量不足、读片工作量大等因素的制约,肋骨骨折筛查的效率尚不能满足实际的医疗需求。
因基于深度学习的图像中目标检测技术,通过输入医学影像数据,输出AI(人工智能模型)辅助诊断结果,具有准确率高、筛查效率高、运行成本低等显著特点,所以被广泛应用于医疗实践中。但是当前缺乏针对基于胸部CT扫描图像的肋骨骨折检测系统。
发明内容
本发明的目的是提供一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法,可识别出人体胸部CT扫描序列中是否存在疑似骨折病灶,同时精确标识、显示病灶区域与病灶类型,并对疑似病灶进行评分,从而协助医生进行肋骨骨折的筛查工作,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,包括以下步骤:
S1、标注训练并验证基于CT扫描序列的肋骨骨折AI辅助诊断模型RibsNet;
S2、获取人体胸部CT扫描序列数据;
S3、CT扫描序列数据预处理
将不同格式的人体胸部CT扫描序列数据进行归一化处理;
S4、诊断
将经过步骤S3预处理的CT图像数据,输入步骤S1获得的AI辅助诊断模型RibsNet中,然后通过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
将由步骤S4获得的预测数据进行后处理,然后叠加显示在胸部CT扫描序列中,并展示出骨折疑似病灶的位置信息、类型信息与可信度得分。
优选的,步骤S1具体包括以下步骤:
S11、数据标注
标注CT扫描序列中的肋骨骨折病灶,获得位置信息及其类型信息,若为多发性病灶,则独立标识每个病灶获得标准数据集,并将所有标准数据集按比例分为训练集数据和验证集数据;
S12、模型训练
基于训练集数据中的CT扫描序列数据、肋骨骨折位置信息与类型信息,在GPU服务器上训练基于CT扫描序列的肋骨骨折检测的深度卷积神经网络模型RibsNet;
S13、模型验证
基于验证集数据和训练集数据中的CT扫描序列数据、肋骨骨折位置信息以及类型信息,根据可用的开发环境中软硬件资源限制调试优化训练参数与评价标准,测试AI辅助诊断模型,直至测试的平均检测准确率达到90%以上,则认定AI辅助诊断模型训练完成。
优选的,步骤S11中位置信息包含病灶的中心点坐标集合宽度信息和高度信息,类型信息包含新鲜骨折与陈旧骨折两种信息。
优选的,步骤S3中不同格式的人体胸部CT扫描序列数据经数据归一化处理后获得分辨率为512*512的CT图像。
优选的,步骤S4中的预测数据包括给定CT扫描序列中一张或多张图片中存在的一个或多个疑似病灶,每个病灶包含其位置信息、类型信息和可信度得分。
基于CT扫描序列的肋骨骨折AI辅助诊断方法的辅助诊断系统,包括:
数据标注模块,用于标注CT扫描序列中的肋骨骨折位置与类型信息,最终形成用于深度学习模型训练与验证的标准数据集;
图像输入模块,用于调用直接存储在系统中或者远程传输的胸部CT扫描序列数据;
图像预处理模块,用于将不同格式的人体胸部CT扫描序列进行数据归一化处理;
诊断模块,用于将预处理后的CT图片数据输入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,叠加显示在胸部Ct扫描序列数据图像中,并展示出检测到的全部疑似病灶位置信息、类型信息及可信度信息。
优选的,所述AI辅助诊断模型为YOLO深度目标检测神经网络。
因此,本发明采用上述基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法,可识别出人体胸部CT扫描序列中是否存在疑似骨折病灶,同时精确标识、显示病灶区域与病灶类型,并对疑似病灶进行评分,从而协助医生进行肋骨骨折的筛查工作,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辅助诊断方法的系统的结构框图;
图2为本发明的实施例一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法及系统的实现效果图。
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辅助诊断方法的系统的结构框图;图2为本发明的实施例一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法及系统的实现效果图,如图1和图2所示,本发明包括以下步骤:
S1、标注训练并验证基于CT扫描序列的肋骨骨折AI辅助诊断模型RibsNet;
步骤S1具体包括以下步骤:
S11、数据标注
标注CT扫描序列中的肋骨骨折病灶,获得位置信息及其类型信息,若为多发性病灶,则独立标识每个病灶获得标准数据集,并将所有标准数据集按比例分为训练集数据和验证集数据;其中步骤S11中位置信息包含病灶的中心点坐标集合宽度信息和高度信息,类型信息包含新鲜骨折与陈旧骨折两种信息;
S12、模型训练
基于训练集数据中的CT扫描序列数据、肋骨骨折位置信息与类型信息,在GPU服务器上训练基于CT扫描序列的肋骨骨折检测的深度卷积神经网络模型RibsNet;
S13、模型验证
基于验证集数据和训练集数据中的CT扫描序列数据、肋骨骨折位置信息以及类型信息,根据可用的开发环境中软硬件资源限制调试优化训练参数与评价标准,测试AI辅助诊断模型,直至测试的平均检测准确率达到90%以上,则认定AI辅助诊断模型训练完成。
S2、获取人体胸部CT扫描序列数据;
S3、CT扫描序列数据预处理
将不同格式的人体胸部CT扫描序列数据进行归一化处理;步骤S3中不同格式的人体胸部CT扫描序列数据经数据归一化处理后获得分辨率为512*512的CT图像。
S4、诊断
将经过步骤S3预处理的CT图像数据,输入步骤S1获得的AI辅助诊断模型RibsNet中,然后通过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;
步骤S4中的预测数据包括给定CT扫描序列中一张或多张图片中存在的一个或多个疑似病灶,每个病灶包含其位置信息、类型信息和可信度得分。
S5、输出诊断
将由步骤S4获得的预测数据进行后处理,然后叠加显示在胸部CT扫描序列中,并展示出骨折疑似病灶的位置信息、类型信息与可信度得分。
基于CT扫描序列的肋骨骨折AI辅助诊断方法的辅助诊断系统,包括:
数据标注模块,用于标注CT扫描序列中的肋骨骨折位置与类型信息,最终形成用于深度学习模型训练与验证的标准数据集;
图像输入模块,用于调用直接存储在系统中或者远程传输的胸部CT扫描序列数据;
图像预处理模块,用于将不同格式的人体胸部CT扫描序列进行数据归一化处理;
诊断模块,用于将预处理后的CT图片数据输入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,叠加显示在胸部Ct扫描序列数据图像中,并展示出检测到的全部疑似病灶位置信息、类型信息及可信度信息。
优选的,所述AI辅助诊断模型为YOLO深度目标检测神经网络。
还需要说明的是本发明公开系统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″导向虚拟键将胸部CT扫描序列数据导入系统,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肋骨骨折病灶并精确标识出病灶位置和类型信息,同时对疑似病灶进行可信度评分,而后在图像展示部分显示。
因此,本发明采用上述基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法,可识别出人体胸部CT扫描序列中是否存在疑似骨折病灶,同时精确标识、显示病灶区域与病灶类型,并对疑似病灶进行评分,从而协助医生进行肋骨骨折的筛查工作,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 (7)
1.一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法,其特征在于:包括以下步骤:
S1、标注训练并验证基于CT扫描序列的肋骨骨折AI辅助诊断模型RibsNet;
S2、获取人体胸部CT扫描序列数据;
S3、CT扫描序列数据预处理
将不同格式的人体胸部CT扫描序列数据进行归一化处理;
S4、诊断
将经过步骤S3预处理的CT图像数据,输入步骤S1获得的AI辅助诊断模型RibsNet中,然后通过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
将由步骤S4获得的预测数据进行后处理,然后叠加显示在胸部CT扫描序列中,并展示出骨折疑似病灶的位置信息、类型信息与可信度得分。
2.根据权利要求1所述的一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法,其特征在于:步骤S1具体包括以下步骤:
S11、数据标注
标注CT扫描序列中的肋骨骨折病灶,获得位置信息及其类型信息,若为多发性病灶,则独立标识每个病灶获得标准数据集,并将所有标准数据集按比例分为训练集数据和验证集数据;
S12、模型训练
基于训练集数据中的CT扫描序列数据、肋骨骨折位置信息与类型信息,在GPU服务器上训练基于CT扫描序列的肋骨骨折检测的深度卷积神经网络模型RibsNet;
S13、模型验证
基于验证集数据和训练集数据中的CT扫描序列数据、肋骨骨折位置信息以及类型信息,根据可用的开发环境中软硬件资源限制调试优化训练参数与评价标准,测试AI辅助诊断模型,直至测试的平均检测准确率达到90%以上,则认定AI辅助诊断模型训练完成。
3.根据权利要求2所述的一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法,其特征在于:步骤S11中位置信息包含病灶的中心点坐标集合宽度信息和高度信息,类型信息包含新鲜骨折与陈旧骨折两种信息。
4.根据权利要求1所述的一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法,其特征在于:步骤S3中不同格式的人体胸部CT扫描序列数据经数据归一化处理后获得分辨率为512*512的CT图像。
5.根据权利要求1所述的一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法,其特征在于:步骤S4中的预测数据包括给定CT扫描序列中一张或多张图片中存在的一个或多个疑似病灶,每个病灶包含其位置信息、类型信息和可信度得分。
6.一种基于上述权利要求1-5任一项所述的一种基于CT扫描序列的肋骨骨折AI辅助诊断方法的辅助诊断系统,其特征在于:包括:
数据标注模块,用于标注CT扫描序列中的肋骨骨折位置与类型信息,最终形成用于深度学习模型训练与验证的标准数据集;
图像输入模块,用于调用直接存储在系统中或者远程传输的胸部CT扫描序列数据;
图像预处理模块,用于将不同格式的人体胸部CT扫描序列进行数据归一化处理;
诊断模块,用于将预处理后的CT图片数据输入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,叠加显示在胸部Ct扫描序列数据图像中,并展示出检测到的全部疑似病灶位置信息、类型信息及可信度信息。
7.根据权利要求6所述的一种基于人体胸部CT扫描序列数据的肋骨骨折AI辅助诊断方法的系统,其特征在于:所述AI辅助诊断模型为YOLO深度目标检测神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623638.6A CN111739015A (zh) | 2020-06-30 | 2020-06-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623638.6A CN111739015A (zh) | 2020-06-30 | 2020-06-30 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111739015A true CN111739015A (zh) | 2020-10-02 |
Family
ID=72652330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010623638.6A Pending CN111739015A (zh) | 2020-06-30 | 2020-06-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111739015A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187278A (zh) * | 2021-12-14 | 2022-03-15 | 山东众阳健康科技集团有限公司 | 一种肋骨细小骨折检测方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN110458799A (zh) * | 2019-06-24 | 2019-11-15 | 上海皓桦科技股份有限公司 | 基于肋骨展开图的肋骨骨折自动检测方法 |
CN111091559A (zh) * | 2019-12-17 | 2020-05-01 | 山东大学齐鲁医院 | 基于深度学习的小肠镜下淋巴瘤辅助诊断系统 |
CN111242926A (zh) * | 2020-01-13 | 2020-06-05 | 北京妙医佳健康科技集团有限公司 | 病灶检测方法、装置及电子设备 |
-
2020
- 2020-06-30 CN CN202010623638.6A patent/CN111739015A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN110458799A (zh) * | 2019-06-24 | 2019-11-15 | 上海皓桦科技股份有限公司 | 基于肋骨展开图的肋骨骨折自动检测方法 |
CN111091559A (zh) * | 2019-12-17 | 2020-05-01 | 山东大学齐鲁医院 | 基于深度学习的小肠镜下淋巴瘤辅助诊断系统 |
CN111242926A (zh) * | 2020-01-13 | 2020-06-05 | 北京妙医佳健康科技集团有限公司 | 病灶检测方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
QING-QING ZHOU等: "Automatic Detection and Classification of Rib Fractures on Thoracic CT Using Convolutional Neural Network: Accuracy and Feasibility", 《KOREAN JOURNAL OF RIDIOLOGY 》, vol. 21, no. 7, pages 1 - 20 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187278A (zh) * | 2021-12-14 | 2022-03-15 | 山东众阳健康科技集团有限公司 | 一种肋骨细小骨折检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035187B (zh) | 一种医学图像的标注方法及装置 | |
CN108520519B (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
CN111529063B (zh) | 基于三维重建的多模态融合的手术导航系统及方法 | |
CN107123137B (zh) | 医学图像处理方法及设备 | |
CN102138827B (zh) | 图像显示装置 | |
CN111227864B (zh) | 使用超声图像利用计算机视觉进行病灶检测的装置 | |
CN109830289B (zh) | 肋骨图像显示装置 | |
WO2020116991A1 (ko) | 침 시술 가이드 기능을 가진 초음파 영상 기기 | |
CN110189307B (zh) | 一种基于多模型融合的肺结节检测方法及系统 | |
JP2004057804A (ja) | 骨関節評価方法、装置およびそのためのプログラム | |
WO2008001694A1 (fr) | Dispositif de division d'images médicales et programme de division d'images médicales | |
CN114092475B (zh) | 病灶长径确定方法、图像标注方法、装置及计算机设备 | |
US20200334801A1 (en) | Learning device, inspection system, learning method, inspection method, and program | |
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 | |
CN111462100A (zh) | 基于新型冠状病毒肺炎ct检测的检测设备及其使用方法 | |
CN111932492A (zh) | 一种医学图像处理方法、装置及计算机可读存储介质 | |
CN111916186A (zh) | 序贯型ai诊断模型对胸部x线智能诊断系统及方法 | |
CN111080583A (zh) | 医学图像检测方法、计算机设备和可读存储介质 | |
US20090129654A1 (en) | Image analysis of tube tip positioning | |
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 | |
CN111429412B (zh) | 肝包虫超声ai辅助诊断方法及系统 | |
WO2022077858A1 (zh) | 基于深度学习体征结构的全模态医学影像序列分组方法 | |
CN108399354A (zh) | 计算机视觉识别肿瘤的方法和装置 | |
CN113688942A (zh) | 基于深度学习的头侧片腺样体图像自动评估方法和装置 | |
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 |
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: 20201002 |