CN111754485A - 一种用于肝脏的人工智能超声辅助系统 - Google Patents
一种用于肝脏的人工智能超声辅助系统 Download PDFInfo
- Publication number
- CN111754485A CN111754485A CN202010584021.8A CN202010584021A CN111754485A CN 111754485 A CN111754485 A CN 111754485A CN 202010584021 A CN202010584021 A CN 202010584021A CN 111754485 A CN111754485 A CN 111754485A
- Authority
- CN
- China
- Prior art keywords
- module
- liver
- image
- ultrasonic
- classification
- 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
- 210000004185 liver Anatomy 0.000 title claims abstract description 90
- 238000013473 artificial intelligence Methods 0.000 title claims description 7
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012795 verification Methods 0.000 claims abstract description 11
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000002604 ultrasonography Methods 0.000 claims description 5
- 238000009432 framing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 12
- 238000012937 correction Methods 0.000 abstract description 4
- 230000003187 abdominal effect Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000002440 hepatic effect Effects 0.000 description 3
- 208000019423 liver disease Diseases 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000000496 pancreas Anatomy 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30056—Liver; Hepatic
Abstract
本发明涉及超声医学影像领域,尤其涉及一种用于肝脏的人工智能超声辅助系统,包括肝脏影像收集模块、肝脏影像传输模块、肝脏影像处理模块、图片分类模块、二次校验模块、自动选片模块和提示模块;其中二次校验模块会对被判断为疑似病例的图像进行再次特征比对和分类,如果特征比对和分类的结果与图片分类模块得到的结果相同,则疑似病例的分类被确认为阳性病例,如果结果不同,则其被确认为疑似病例,并最终提供给超声医生;本申请能够的超声图片分类经过了初步的判断与二次校正两次计算过程,并且两次计算过程采用的计算方式或者模型都不相同,所以能够尽量的保证结果的准确性,能够尽量的消除到由于算法单一的原因造成的结果不准确的问题。
Description
技术领域
本发明涉及超声医学影像领域,尤其涉及一种用于肝脏的人工智能超声辅助系统。
背景技术
超声筛查技术是腹部器官检查的首选检查方法,二维实时超声显像主要用于肝胆胰形态的变化。目前腹部超声筛查领域中,存在一个普遍的问题,特别是基层医生并非专业超声医生,无法对采集图像进行腹部器官准确识别,从而对分析腹部器官病变无法提供有效参考。
现有专利如申请号为申请号为201810658611.3,申请日为2018-06-22,名称为《一种基于超声图像的多模型肝脏弥漫性疾病智能诊断方法及系统》的中国发明专利,其技术方案为:一种基于超声图像的多模型肝脏弥漫性疾病智能诊断方法及系统,具体涉及利用深度学习算法提取图像特征与图像纹理特征相结合并应用XGBoost算法在超声图像上实现肝脏弥漫性疾病智能诊断的方法,它是人工智能方法在基于超声图像的诊断中的应用,可以为医生的疾病诊断提供辅助建议。本发明的步骤为:一、对肝脏超声图像进行预处理;二、基于卷积神经网络实现肝脏弥漫性疾病的初步分类;三、将卷积神经网络特征和图像纹理特征相结合形成多模型特征,应用XGBoost算法实现肝脏弥漫性疾病的最终分类。上述专利虽然提出了一种基于超声图像的肝脏诊断系统,但是其系统其仍然存在超声图片分类不准确,算法容易受到其他条件的影响等问题。
发明内容
基于此,针对上述技术问题,本发明提出一种针对肝脏人工智能超声辅助系统。
为实现上述技术效果,本申请的技术方案如下:
一种用于肝脏的人工智能超声辅助系统,包括肝脏影像收集模块、肝脏影像传输模块、肝脏影像处理模块、图片分类模块、二次校验模块、自动选片模块和提示模块;
肝脏影像收集模块:在超声检查过程中,用于获取被检查者的肝脏超声视频;
肝脏影像传输模块:通过有线网络传输或者无线网络传输把肝脏影像收集模块获取的肝脏超声影像传输到肝脏影像处理模块;
肝脏影像处理模块:用于将收到的肝脏超声视频进行自动分帧,将肝脏超声视频分为逐帧的肝脏超声切面图像;
图片分类模块:用于将分帧的肝脏超声切面图像通过特征匹配进行病例分类,分为疑似病例和阴性病例;
二次校验模块,所述二次校验模块会对被判断为疑似病例的图像进行再次特征比对和分类,如果特征比对和分类的结果与图片分类模块得到的结果相同,则疑似病例的分类被确认为阳性病例,如果特征比对和分类的结果与图片分类模块得到的结果不同,则其结果被确认为疑似病例,并最终提供给超声医生;
自动选片模块:针对待确诊阴性病例超声影像,进入自动选片模块,抽取与标准切面匹配率大于95%的超声影像作为标准切面,与标准切面匹配率介于80-95%作为及格切面,匹配率低于80%的作为非标准切面,优先抽取匹配率大于95%的超声影像提供给超声医生,其次是匹配率介于80-95%之间的及格切面,不及格切面不提供给医生。
自动选片模块在进行自动选片时,适用于超声影像切面自动选片范围包括,左肝矢状切面、工字部切面、第二肝门切面、右肝最大斜径切面、飞鸟症切面和右肝厚径切面。
提示模块:将最终的结果向医生进行提示。
进一步地,二次校验模块的与图片分类模块所采用的图像处理方法不同。
进一步地,图片分类模块包含以下工作步骤:
1)前处理模块:输入图像预处理,通过仿射变换去除无关区域与中值滤波消除噪声;
2)像素初分模块:通过多隐藏层的注意力机制将图像的基本待选区域确定下来并裁剪成统一尺寸;
3)特征融合模块:对卷积后的张量进行池化并放入下一个通道数更多的卷积层 重复这一步骤3次,将低中高不同层次的特征进行融合;
4)计算待选区域与标准训练数据之间的差值;
5)权中分享连接模块:通过路由连接的方式在不同的卷积层中分享信息,利用上采样的编码解码将恢复到原来的大小尺寸并生成iou区域;
6)判别模块:计算iou区域与待检测区域的相交面积,大于0.92为疑似病例,否则为待确诊阴性病例。
进一步地,针对阴性病例自动选片,首先对图像进行中值滤波,得到有用信息,再针对时序排列的图片进行特征提取,将每帧的编码进行深度卷积神经网络判别,将输出得到最终的判别依据来对输入超声影像做对比。
本发明的有益效果如下:
本申请能够的超声图片分类经过了初步的判断与二次校正两次计算过程,并且两次计算过程采用的计算方式或者模型都不相同,所以能够尽量的保证结果的准确性,能够尽量的消除到由于算法单一的原因造成的结果不准确的问题。并且本系统能够实现超声过程中智能辅助的效果,方便超声医生进行后续工作,减轻了现有技术中大部分情况都需要超声医生人工进行判断的情况,医生只需要对最后进行提示的一些图片进行人工判断,就能完成最终的病理判断。
附图说明
图1为本申请的结构示意图。
图2为图片分类模块流程示意图。
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。
实施例1
一种用于肝脏的人工智能超声辅助系统,包括肝脏影像收集模块、肝脏影像传输模块、肝脏影像处理模块、图片分类模块、二次校验模块、自动选片模块和提示模块;
肝脏影像收集模块:在超声检查过程中,用于获取被检查者的肝脏超声视频;
肝脏影像传输模块:通过有线网络传输或者无线网络传输把肝脏影像收集模块获取的肝脏超声影像传输到肝脏影像处理模块;
肝脏影像处理模块:用于将收到的肝脏超声视频进行自动分帧,将肝脏超声视频分为逐帧的肝脏超声切面图像;
图片分类模块:用于将分帧的肝脏超声切面图像通过特征匹配进行病例分类,分为疑似病例和阴性病例;
二次校验模块,所述二次校验模块会对被判断为疑似病例的图像进行再次特征比对和分类,如果特征比对和分类的结果与图片分类模块得到的结果相同,则疑似病例的分类被确认为阳性病例,如果特征比对和分类的结果与图片分类模块得到的结果不同,则其结果被确认为疑似病例,并最终提供给超声医生;
自动选片模块:针对待确诊阴性病例超声影像,进入自动选片模块,抽取与标准切面匹配率大于95%的超声影像作为标准切面,与标准切面匹配率介于80-95%作为及格切面,匹配率低于80%的作为非标准切面,优先抽取匹配率大于95%的超声影像提供给超声医生,其次是匹配率介于80-95%之间的及格切面,不及格切面不提供给医生。
自动选片模块在进行自动选片时,适用于超声影像切面自动选片范围包括,左肝矢状切面、工字部切面、第二肝门切面、右肝最大斜径切面、飞鸟症切面和右肝厚径切面。
提示模块:将最终的结果向医生进行提示。
本申请能够的超声图片分类经过了初步的判断与二次校正两次计算过程,并且两次计算过程采用的计算方式或者模型都不相同,所以能够尽量的保证结果的准确性,能够尽量的消除到由于算法单一的原因造成的结果不准确的问题。并且本系统能够实现超声过程中智能辅助的效果,方便超声医生进行后续工作,减轻了现有技术中大部分情况都需要超声医生人工进行判断的情况,医生只需要对最后进行提示的一些图片进行人工判断,就能完成最终的病理判断。
实施例2
一种用于肝脏的人工智能超声辅助系统,包括肝脏影像收集模块、肝脏影像传输模块、肝脏影像处理模块、图片分类模块、二次校验模块、自动选片模块和提示模块;
肝脏影像收集模块:在超声检查过程中,用于获取被检查者的肝脏超声视频;
肝脏影像传输模块:通过有线网络传输或者无线网络传输把肝脏影像收集模块获取的肝脏超声影像传输到肝脏影像处理模块;
肝脏影像处理模块:用于将收到的肝脏超声视频进行自动分帧,将肝脏超声视频分为逐帧的肝脏超声切面图像;
图片分类模块:用于将分帧的肝脏超声切面图像通过特征匹配进行病例分类,分为疑似病例和阴性病例;
二次校验模块,所述二次校验模块会对被判断为疑似病例的图像进行再次特征比对和分类,如果特征比对和分类的结果与图片分类模块得到的结果相同,则疑似病例的分类被确认为阳性病例,如果特征比对和分类的结果与图片分类模块得到的结果不同,则其结果被确认为疑似病例,并最终提供给超声医生;
自动选片模块:针对待确诊阴性病例超声影像,进入自动选片模块,抽取与标准切面匹配率大于95%的超声影像作为标准切面,与标准切面匹配率介于80-95%作为及格切面,匹配率低于80%的作为非标准切面,优先抽取匹配率大于95%的超声影像提供给超声医生,其次是匹配率介于80-95%之间的及格切面,不及格切面不提供给医生。
自动选片模块在进行自动选片时,适用于超声影像切面自动选片范围包括,左肝矢状切面、工字部切面、第二肝门切面、右肝最大斜径切面、飞鸟症切面和右肝厚径切面。
提示模块:将最终的结果向医生进行提示。
二次校验模块的与图片分类模块所采用的图像处理方法不同。
图片分类模块包含以下工作步骤:
1)前处理模块:输入图像预处理,通过仿射变换去除无关区域与中值滤波消除噪声;
2)像素初分模块:通过多隐藏层的注意力机制将图像的基本待选区域确定下来并裁剪成统一尺寸;
3)特征融合模块:对卷积后的张量进行池化并放入下一个通道数更多的卷积层 重复这一步骤3次,将低中高不同层次的特征进行融合;
4)计算待选区域与标准训练数据之间的差值;
5)权中分享连接模块:通过路由连接的方式在不同的卷积层中分享信息,利用上采样的编码解码将恢复到原来的大小尺寸并生成iou区域;
6)判别模块:计算iou区域与待检测区域的相交面积,大于0.92为疑似病例,否则为待确诊阴性病例。
针对阴性病例自动选片,首先对图像进行中值滤波,得到有用信息,再针对时序排列的图片进行特征提取,将每帧的编码进行深度卷积神经网络判别,将输出得到最终的判别依据来对输入超声影像做对比。
本申请能够的超声图片分类经过了初步的判断与二次校正两次计算过程,并且两次计算过程采用的计算方式或者模型都不相同,所以能够尽量的保证结果的准确性,能够尽量的消除到由于算法单一的原因造成的结果不准确的问题。并且本系统能够实现超声过程中智能辅助的效果,方便超声医生进行后续工作,减轻了现有技术中大部分情况都需要超声医生人工进行判断的情况,医生只需要对最后进行提示的一些图片进行人工判断,就能完成最终的病理判断。
Claims (4)
1.一种用于肝脏的人工智能超声辅助系统,其特征在于:包括肝脏影像收集模块、肝脏影像传输模块、肝脏影像处理模块、图片分类模块、二次校验模块、自动选片模块和提示模块;
肝脏影像收集模块:在超声检查过程中,用于获取被检查者的肝脏超声视频;
肝脏影像传输模块:通过有线网络传输或者无线网络传输把肝脏影像收集模块获取的肝脏超声影像传输到肝脏影像处理模块;
肝脏影像处理模块:用于将收到的肝脏超声视频进行自动分帧,将肝脏超声视频分为逐帧的肝脏超声切面图像;
图片分类模块:用于将分帧的肝脏超声切面图像通过特征匹配进行病例分类,分为疑似病例和阴性病例;
二次校验模块,所述二次校验模块会对被判断为疑似病例的图像进行再次特征比对和分类,如果特征比对和分类的结果与图片分类模块得到的结果相同,则疑似病例的分类被确认为阳性病例,如果特征比对和分类的结果与图片分类模块得到的结果不同,则其结果被确认为疑似病例,并最终提供给超声医生;
自动选片模块:针对待确诊阴性病例超声影像,进入自动选片模块,抽取与标准切面匹配率大于95%的超声影像作为标准切面,与标准切面匹配率介于80-95%作为及格切面,匹配率低于80%的作为非标准切面,优先抽取匹配率大于95%的超声影像提供给超声医生,其次是匹配率介于80-95%之间的及格切面,不及格切面不提供给医生;
自动选片模块在进行自动选片时,适用于超声影像切面自动选片范围包括,左肝矢状切面、工字部切面、第二肝门切面、右肝最大斜径切面、飞鸟症切面和右肝厚径切面;
提示模块:将最终的结果向医生进行提示。
2.根据权利要求1所述的一种用于肝脏的人工智能超声辅助系统,其特征在于:二次校验模块的与图片分类模块所采用的图像处理方法不同。
3.根据权利要求1所述的一种用于肝脏的人工智能超声辅助系统,其特征在于:图片分类模块包含以下工作步骤:
1)前处理模块:输入图像预处理,通过仿射变换去除无关区域与中值滤波消除噪声;
2)像素初分模块:通过多隐藏层的注意力机制将图像的基本待选区域确定下来并裁剪成统一尺寸;
3)特征融合模块:对卷积后的张量进行池化并放入下一个通道数更多的卷积层 重复这一步骤3次,将低中高不同层次的特征进行融合;
4)计算待选区域与标准训练数据之间的差值;
5)权中分享连接模块:通过路由连接的方式在不同的卷积层中分享信息,利用上采样的编码解码将恢复到原来的大小尺寸并生成iou区域;
6)判别模块:计算iou区域与待检测区域的相交面积,大于0.92为疑似病例,否则为待确诊阴性病例。
4.根据权利要求1所述的一种用于肝脏的人工智能超声辅助系统,其特征在于:针对阴性病例自动选片,首先对图像进行中值滤波,得到有用信息,再针对时序排列的图片进行特征提取,将每帧的编码进行深度卷积神经网络判别,将输出得到最终的判别依据来对输入超声影像做对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010584021.8A CN111754485A (zh) | 2020-06-24 | 2020-06-24 | 一种用于肝脏的人工智能超声辅助系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010584021.8A CN111754485A (zh) | 2020-06-24 | 2020-06-24 | 一种用于肝脏的人工智能超声辅助系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111754485A true CN111754485A (zh) | 2020-10-09 |
Family
ID=72676699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010584021.8A Pending CN111754485A (zh) | 2020-06-24 | 2020-06-24 | 一种用于肝脏的人工智能超声辅助系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754485A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112641466A (zh) * | 2020-12-31 | 2021-04-13 | 北京小白世纪网络科技有限公司 | 一种超声人工智能辅助诊断方法及装置 |
CN113436158A (zh) * | 2021-06-21 | 2021-09-24 | 遂宁市中心医院 | 一种基于深度学习的肝脏肿块辅助鉴别方法 |
CN116521912A (zh) * | 2023-07-04 | 2023-08-01 | 广东恒腾科技有限公司 | 一种基于人工智能的超声数据存储管理系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050049497A1 (en) * | 2003-06-25 | 2005-03-03 | Sriram Krishnan | Systems and methods for automated diagnosis and decision support for breast imaging |
CN107610773A (zh) * | 2017-09-12 | 2018-01-19 | 北京即刻叁维数据科技股份有限公司 | 一种基于主动脉医学影像的血管夹层辅助诊断方法 |
CN108805858A (zh) * | 2018-04-10 | 2018-11-13 | 燕山大学 | 基于数据挖掘的肝病ct图像计算机辅助诊断系统及方法 |
CN110969613A (zh) * | 2019-12-06 | 2020-04-07 | 广州柏视医疗科技有限公司 | 一种具有影像征象解释的肺结核智能识别方法及系统 |
CN111310851A (zh) * | 2020-03-03 | 2020-06-19 | 四川大学华西第二医院 | 一种人工智能超声辅助系统及其应用 |
-
2020
- 2020-06-24 CN CN202010584021.8A patent/CN111754485A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050049497A1 (en) * | 2003-06-25 | 2005-03-03 | Sriram Krishnan | Systems and methods for automated diagnosis and decision support for breast imaging |
CN107610773A (zh) * | 2017-09-12 | 2018-01-19 | 北京即刻叁维数据科技股份有限公司 | 一种基于主动脉医学影像的血管夹层辅助诊断方法 |
CN108805858A (zh) * | 2018-04-10 | 2018-11-13 | 燕山大学 | 基于数据挖掘的肝病ct图像计算机辅助诊断系统及方法 |
CN110969613A (zh) * | 2019-12-06 | 2020-04-07 | 广州柏视医疗科技有限公司 | 一种具有影像征象解释的肺结核智能识别方法及系统 |
CN111310851A (zh) * | 2020-03-03 | 2020-06-19 | 四川大学华西第二医院 | 一种人工智能超声辅助系统及其应用 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112641466A (zh) * | 2020-12-31 | 2021-04-13 | 北京小白世纪网络科技有限公司 | 一种超声人工智能辅助诊断方法及装置 |
CN113436158A (zh) * | 2021-06-21 | 2021-09-24 | 遂宁市中心医院 | 一种基于深度学习的肝脏肿块辅助鉴别方法 |
CN113436158B (zh) * | 2021-06-21 | 2023-04-18 | 遂宁市中心医院 | 一种基于深度学习的肝脏肿块辅助鉴别方法 |
CN116521912A (zh) * | 2023-07-04 | 2023-08-01 | 广东恒腾科技有限公司 | 一种基于人工智能的超声数据存储管理系统及方法 |
CN116521912B (zh) * | 2023-07-04 | 2023-10-27 | 广东恒腾科技有限公司 | 一种基于人工智能的超声数据存储管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
CN111754485A (zh) | 一种用于肝脏的人工智能超声辅助系统 | |
CN109346159B (zh) | 病例图像分类方法、装置、计算机设备及存储介质 | |
CN110889853A (zh) | 基于残差-注意力深度神经网络的肿瘤分割方法 | |
CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
CN110503630A (zh) | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 | |
CN111462049B (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
CN112365973B (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
CN110544534B (zh) | 一种皮肤病治疗效果自动评估方法与系统 | |
CN113129287A (zh) | 一种针对上消化道内镜影像的病灶自动留图方法 | |
CN111598868B (zh) | 一种肺部超声图像识别方法和系统 | |
CN113343755A (zh) | 红细胞图像中的红细胞分类系统及方法 | |
CN113034528A (zh) | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 | |
CN113569724A (zh) | 基于注意力机制和扩张卷积的道路提取方法及系统 | |
CN117152433A (zh) | 一种基于多尺度跨层注意力融合网络的医学图像分割方法 | |
CN111340760B (zh) | 基于多任务两级卷积神经网络的膝关节定位方法 | |
CN112085742A (zh) | 一种基于上下文注意力的nafld超声视频诊断方法 | |
CN115661185A (zh) | 一种眼底图像血管分割方法及系统 | |
CN115311491A (zh) | 一种基于课程学习及空间注意力的骨折假阳性筛除方法 | |
CN112598633A (zh) | 基于暗通道和亮通道的眼底图像质量评估方法 | |
CN112766333B (zh) | 医学影像处理模型训练方法、医学影像处理方法及装置 | |
CN113808105B (zh) | 一种基于超声扫查的病灶检测方法 | |
CN117934926A (zh) | 一种基于深度学习的氟斑牙图像处理识别方法 |
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 |