CN111798437A - 一种基于ct影像的新型冠状病毒肺炎ai快速诊断方法 - Google Patents

一种基于ct影像的新型冠状病毒肺炎ai快速诊断方法 Download PDF

Info

Publication number
CN111798437A
CN111798437A CN202010655400.1A CN202010655400A CN111798437A CN 111798437 A CN111798437 A CN 111798437A CN 202010655400 A CN202010655400 A CN 202010655400A CN 111798437 A CN111798437 A CN 111798437A
Authority
CN
China
Prior art keywords
lung
patient
diagnosis
image
coronavirus pneumonia
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
Application number
CN202010655400.1A
Other languages
English (en)
Inventor
杨昆
杨莹莉
廖香君
何茂秋
阮毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
XINGYI NORMAL UNIVERSITY FOR NATIONALITIES
Original Assignee
XINGYI NORMAL UNIVERSITY FOR NATIONALITIES
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by XINGYI NORMAL UNIVERSITY FOR NATIONALITIES filed Critical XINGYI NORMAL UNIVERSITY FOR NATIONALITIES
Priority to CN202010655400.1A priority Critical patent/CN111798437A/zh
Publication of CN111798437A publication Critical patent/CN111798437A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (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)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于CT影像的新型冠状病毒肺炎AI快速诊断方法，涉及核医学影像诊断领域，诊断步骤包括载入患者肺部CT影像、肺部分割、患者ROI检测模块、肺实质特性模块、新型冠状病毒肺炎患者诊断模块、写入诊断结果记录与等待下一个患者肺部CT影像，所述载入患者肺部CT影像与肺部分割相连接，所述肺部分割与患者ROI检测模块及肺实质特性模块相连接，所述患者ROI检测模块及肺实质特性模块与新型冠状病毒肺炎患者诊断模块相连接，所述新型冠状病毒肺炎患者诊断模块与写入诊断结果记录相连接，所述写入诊断结果记录与等待下一个患者肺部CT影像相连接。本发明对新型冠状病毒肺炎患者CT影像进行快速自动定量分析，能缩短病人确诊时间并可判别病人病情严重程度，降低疫区医生压力，提升隔断阻隔效果。

Description

一种基于CT影像的新型冠状病毒肺炎AI快速诊断方法
技术领域
本发明涉及核医学影像诊断领域，具体为一种基于CT影像的新型冠状病毒肺炎AI快速诊断方法。
背景技术
相比而言肺部CT检查具有实时、快捷、高阳性率、肺部病变区域与临床症状高度关联等优势，很多医生呼吁流行病爆发期应采用CT检查作为主要诊断依据，避免遗漏和延迟诊断而贻误隔离时机，方能达到切断传染源的防控效果。
CT影像技术成熟，新型冠状病毒肺炎CT影像学表现为单发或双肺多发磨玻璃密度影，纹理呈网格状，早期以局部斑片状亚段分布为主，进展期双肺多发并出现部分实变，重症期双肺弥散性实变“白肺”，经验丰富的医生可对患者CT影像作出精确的解读，现在当务之急是找到一个可以减少医务工作者的压力同时快速准确地诊断患者肺部CT影像的方法。
发明内容
本发明的目的在于：为了对新型冠状病毒肺炎患者进行快速自动定量分析，缩短病人确诊时间，降低疫区医生压力，提供一种基于CT影像的新型冠状病毒肺炎AI快速诊断方法。
为实现上述目的，本发明提供如下技术方案：一种基于CT影像的新型冠状病毒肺炎AI快速诊断方法，包括载入患者肺部CT影像、肺部分割、患者 ROI检测模块、肺实质特性模块、新型冠状病毒肺炎患者诊断模块、写入诊断结果记录与等待下一个患者肺部CT影像，所述载入患者肺部CT影像与肺部分割相连接，所述肺部分割与患者ROI检测模块及肺实质特性模块相连接，所述患者ROI检测模块及肺实质特性模块与新型冠状病毒肺炎患者诊断模块相连接，所述新型冠状病毒肺炎患者诊断模块与写入诊断结果记录相连接，所述写入诊断结果记录与等待下一个患者肺部CT影像相连接。
一种基于CT影像的新型冠状病毒肺炎AI快速诊断方法，其特征在于：包括以下几个步骤：
步骤一、载入患者肺部CT影像，进行数据预处理；
步骤二、构建肺分割3D Mask-RCNN模型提取肺部实质部分；
步骤三、利用肺部影像特征检测模型提取肺部特征；
步骤四、利用肺部影像特征检测模型对预处理后的CT影像进行扫描检测，标记患者ROI区域；
步骤五、根据上述提取的肺实质和ROI区域特征进行分类，对疑似新型冠状病毒肺炎患者情况进行诊断并对其分级；
步骤六、将诊断结果写入存档，等待下一次诊断开始。
优选地，所述步骤一中，所述载入患者肺部CT影像为AI快速诊断系统入口，疑似病人的CT影像从这里导入到系统。
优选地，所述步骤二中，采用Tensorflow Object Detection API训练 LUNA数据库生成用于肺分割的Mask；
优选地，所述步骤三中使用的肺部影像特征检测模型为端到端定量分析，对肺实质进行多次3D卷积操作，提取512个肺实质特征，该模型综合了 GoogleNet中Inception结构和ResNet中残差结构的优点，并拓展到对三维物体操作，共包含17个卷积层/池化层，前7层为基于Inception-v1的STEM 部分修正并拓展到三维的卷积层/池化层，其后连接2个Inception-ResNet i3D结构，其后连接1个Inception-v1 i3D结构，其后连接3个Inception-ResNet i3D结构，其后连接1个Inception-v1 i3D结构，其后连接2个Inception-ResNet i3D结构，其后为平均池化层。为防止过拟合，该模型采用Dropout技术，训练过程中随机丢弃20％的训练参数；
优选地，所述步骤四中肺部影像特征检测模型中的特征提取部分与步骤三共用，分别检测3个可能已发生病变的ROI区域，每个ROI区域，提取512 个特征，若没有ROI区域则网络模型提取的特征输出为零张量；
优选地，所述步骤五中新冠病毒肺炎诊断模型组合了肺实质和3个ROI 区域共计2048个特征，最后连接Softmax分类器，输出患者被2019-nCov感染的几率，并将诊断结果分成四个类别。
本发明公布的一种基于CT影像的新型冠状病毒肺炎AI快速诊断方法，与现有技术相比，其有益效果为：在10秒内对患者肺部CT影像进行自动定量分析，大幅缩短新冠病毒肺炎疑似患者的确诊时间，减少疫区医生工作量并降低诊断假阳性率，可在疫情爆发期对大量疑似患者进行自动、快速、准确、便捷的诊断分析，便于进一步对疫情采取有效的阻断隔离。
附图说明
图1为本发明新型冠状病毒肺炎AI快速诊断方法流程图
图2为本发明肺部影像特征检测模型结构图
图3为Inception-v1 i3D结构图
图4为Inception-ResNet i3D结构图
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，所描述的实施例仅仅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做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。
图1中为新型冠状病毒肺炎AI快速诊断方法流程图，主要包括以下四个步骤：
步骤一中，以一套病人完整的肺部CT影像作为输入数据，输入切片数量超过100张，每张像素为512×512，数据可以为标准的dicom、mhd或raw 格式。
步骤一中，采用一系列图像处理方法对CT影像进行预处理。采用高斯滤波器和阈值法二值化去掉一些尖锐毛刺和小区域。采用偏心率去掉一些气管。将CT影像像素归一化到[0,1]
步骤二中，Mask-RCNN实现肺实质分割后重新采样为1.6×0.8×0.8mm3和1.5mm3固定体素大小肺实质，其中采样为1.6×0.8×0.8mm3体素的肺实质影像作为患者ROI检测模型的输入，而采样为1.5mm3体素的肺实质影像作为肺实质特性模型的输入。
步骤三中，Inception-v1 i3D基于GoogleNet中Inception模块微调并拓展到3D，该结构中由大小不同的卷积核对输入影像进行3D卷积，可以提取肺部影像不同尺度的特征。四条通路上都设置了1×1×1的三维卷积核，对于具有多个特征图时可实现降维从而降低整体计算压力，四条通路提取的特征经过融合Concatenation后传递到下一层。该算法具有极深的网络，具备很强的特征提取和表达能力。并采用ResNet残差网络结构解决因网络加深而带来的梯度弥散问题，采用Dropout技术防止模型过拟合。
步骤四中，肺部影像特征模型检测患者肺部发生病变概率最大的前三个 ROI区域。
步骤五中，计算每个标记ROI区域为新型冠状病毒肺炎感染的概率分别为p1、p2和p3，诊断为新型肺炎病人的总概率为1-(1-p1)(1-p2)(1-p3)。根据诊断概率将诊断结果分为“可能性大”、“可能”、“病原体待查”和“不可能”四类。其中，诊断概率大于80％的诊断结果为“感染性病变，病原性肺炎可能性大”；诊断概率50％到80％的诊断结果为“感染性病变，病原性肺炎可能”；诊断概率20％到50％的诊断结果为“感染性病变，病原体待查”；诊断概率小于20％的诊断结果为“感染性病变，非病原性肺炎可能大，建议结合相关实验室检查及抗炎治疗后复查”。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (5)

1.一种基于CT影像的新型冠状病毒肺炎AI快速诊断方法，其特征在于：包括以下几个步骤：
步骤一、载入患者肺部CT影像，进行数据预处理；
步骤二、构建肺分割Mask-RCNN模型提取肺部实质部分；
步骤三、利用肺部影像特征检测模型提取肺部特征；
步骤四、利用肺部影像特征检测模型对预处理后的CT影像进行扫描检测，标记患者ROI区域；
步骤五、根据上述提取的肺实质和ROI区域特征进行分类，对疑似新型冠状病毒肺炎患者病情进行诊断并对恶性程度分级；
步骤六、将诊断结果写入存档，等待下一次诊断开始。
2.根据权利要求1所述的一种基于CT影像的新型冠状病毒肺炎AI快速诊断方法，其特征在于，所述步骤二中，采用Tensorflow Object Detection API中的3D Mask R-CNN训练LUNA数据库生成用于肺实质Mask，用于对患者三维CT重构影像进行分割，得到肺实质部分。
3.根据权利要求1所述的一种基于CT影像的新型冠状病毒肺炎AI快速诊断方法，其特征在于，所述步骤三中使用的肺部影像特征检测模型为端到端定量分析，对肺实质进行多次3D卷积操作，提取512个肺实质特征，该模型综合了GoogleNet中Inception结构和ResNet中残差结构的优点，并拓展到对三维物体操作，共包含17个卷积层/池化层，前7层为基于Inception-v1的STEM部分并拓展修订到三维的卷积层/池化层，其后连接2个Inception-ResNet i3D结构，其后连接1个Inception-v1 I3D结构，其后连接3个Inception-ResNeti3D结构，其后连接1个Inception-v1 I3D结构，其后连接2个Inception-ResNet i3D结构，其后为平均池化层。为防止过拟合，该模型采用Dropout技术，训练过程中随机丢弃20％的训练参数。
4.根据权利要求1所述的一种基于CT影像的新型冠状病毒肺炎AI快速诊断方法，其特征在于，所述步骤四中肺部影像特征检测模型中的特征提取部分与步骤二共用，分别检测3个最有可能已发生病变的ROI区域，对每个ROI区域提取512个特征，若没有ROI区域则网络模型提取的特征输出为零张量。
5.根据权利要求1所述的一种基于CT影像的新型冠状病毒肺炎AI快速诊断方法，其特征在于，所述步骤五中新冠病毒肺炎诊断模型融合了肺实质和3个ROI区域共计2048个特征，最后连接Softmax分类器，输出患者被2019-nCov感染的概率，并将诊断结果按恶性程度分成四个类别。
CN202010655400.1A 2020-07-09 2020-07-09 一种基于ct影像的新型冠状病毒肺炎ai快速诊断方法 Pending CN111798437A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010655400.1A CN111798437A (zh) 2020-07-09 2020-07-09 一种基于ct影像的新型冠状病毒肺炎ai快速诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010655400.1A CN111798437A (zh) 2020-07-09 2020-07-09 一种基于ct影像的新型冠状病毒肺炎ai快速诊断方法

Publications (1)

Publication Number Publication Date
CN111798437A true CN111798437A (zh) 2020-10-20

Family

ID=72811362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010655400.1A Pending CN111798437A (zh) 2020-07-09 2020-07-09 一种基于ct影像的新型冠状病毒肺炎ai快速诊断方法

Country Status (1)

Country Link
CN (1) CN111798437A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112530578A (zh) * 2020-12-02 2021-03-19 中国科学院大学宁波华美医院 基于多模态信息融合的病毒性肺炎智能诊断系统
CN112807008A (zh) * 2021-01-27 2021-05-18 山东大学齐鲁医院 基于影像组学的鉴别实性小儿肺炎支原体肺炎与肺炎链球菌肺炎的方法和系统
CN112819819A (zh) * 2021-02-26 2021-05-18 泰康保险集团股份有限公司 基于深度学习的尘肺分级方法、装置、介质及设备
RU2783364C1 (ru) * 2021-11-17 2022-11-11 Общество с ограниченной ответственостью "БИОКОМ М" Устройство создания многомерных виртуальных изображений органов дыхания человека и способ создания объёмных изображений с применением устройства
CN116523840A (zh) * 2023-03-30 2023-08-01 苏州大学 一种基于深度学习的肺部ct图像检测系统以及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105705098A (zh) * 2013-09-20 2016-06-22 透壁生物技术公司 用于诊断疾病的图像分析技术
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
CN107301640A (zh) * 2017-06-19 2017-10-27 太原理工大学 一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法
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
CN108670285A (zh) * 2018-06-05 2018-10-19 胡晓云 一种ct肺结核检测人工智能诊疗系统
CN109559297A (zh) * 2018-11-15 2019-04-02 大连大学 一种基于三维区域生成网络的肺结节检测的方法
CN109765333A (zh) * 2018-12-05 2019-05-17 国网辽宁省电力有限公司信息通信分公司 一种基于GoogleNet模型的变压器故障诊断方法
US20200005460A1 (en) * 2018-06-28 2020-01-02 Shenzhen Imsight Medical Technology Co. Ltd. Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium
US20200074622A1 (en) * 2018-08-30 2020-03-05 Topcon Corporation Multivariate and multi-resolution retinal image anomaly detection system
CN110969622A (zh) * 2020-02-28 2020-04-07 南京安科医疗科技有限公司 用于辅助肺炎诊断的图像处理方法和系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105705098A (zh) * 2013-09-20 2016-06-22 透壁生物技术公司 用于诊断疾病的图像分析技术
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
CN107301640A (zh) * 2017-06-19 2017-10-27 太原理工大学 一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法
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
CN108670285A (zh) * 2018-06-05 2018-10-19 胡晓云 一种ct肺结核检测人工智能诊疗系统
US20200005460A1 (en) * 2018-06-28 2020-01-02 Shenzhen Imsight Medical Technology Co. Ltd. Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium
US20200074622A1 (en) * 2018-08-30 2020-03-05 Topcon Corporation Multivariate and multi-resolution retinal image anomaly detection system
CN109559297A (zh) * 2018-11-15 2019-04-02 大连大学 一种基于三维区域生成网络的肺结节检测的方法
CN109765333A (zh) * 2018-12-05 2019-05-17 国网辽宁省电力有限公司信息通信分公司 一种基于GoogleNet模型的变压器故障诊断方法
CN110969622A (zh) * 2020-02-28 2020-04-07 南京安科医疗科技有限公司 用于辅助肺炎诊断的图像处理方法和系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JUN XIANG等: "Clothing Attribute Recognition Based on RCNN Framework Using L-Softmax Loss", 《IEEE ACCESS》, vol. 8, pages 48299 - 48313, XP011778914, DOI: 10.1109/ACCESS.2020.2979164 *
李欣菱等: "人工智能在肺结节检测与诊断中的应用及发展", 《新发传染病电子杂志》, vol. 4, no. 3, pages 185 - 189 *
王梦松: "基于深度神经网络的CT影像肺结节检测与诊断研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 1, pages 061 - 121 *
祖莅惠等: "基于深度学习的新型冠状病毒肺炎CT征象检测研究", 《中国医疗设备》, vol. 35, no. 6, pages 89 - 92 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112530578A (zh) * 2020-12-02 2021-03-19 中国科学院大学宁波华美医院 基于多模态信息融合的病毒性肺炎智能诊断系统
CN112807008A (zh) * 2021-01-27 2021-05-18 山东大学齐鲁医院 基于影像组学的鉴别实性小儿肺炎支原体肺炎与肺炎链球菌肺炎的方法和系统
CN112819819A (zh) * 2021-02-26 2021-05-18 泰康保险集团股份有限公司 基于深度学习的尘肺分级方法、装置、介质及设备
RU2783364C1 (ru) * 2021-11-17 2022-11-11 Общество с ограниченной ответственостью "БИОКОМ М" Устройство создания многомерных виртуальных изображений органов дыхания человека и способ создания объёмных изображений с применением устройства
CN116523840A (zh) * 2023-03-30 2023-08-01 苏州大学 一种基于深度学习的肺部ct图像检测系统以及方法
CN116523840B (zh) * 2023-03-30 2024-01-16 苏州大学 一种基于深度学习的肺部ct图像检测系统以及方法

Similar Documents

Publication Publication Date Title
Ouyang et al. Dual-sampling attention network for diagnosis of COVID-19 from community acquired pneumonia
CN111798437A (zh) 一种基于ct影像的新型冠状病毒肺炎ai快速诊断方法
WO2022063199A1 (zh) 一种肺结节自动检测方法、装置及计算机系统
CN108133476B (zh) 一种肺结节自动检测方法及系统
CN112365973B (zh) 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统
US20230154006A1 (en) Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis
CN113223005B (zh) 一种甲状腺结节自动分割及分级的智能系统
Li et al. Computer-aided diagnosis of COVID-19 CT scans based on spatiotemporal information fusion
CN105956386A (zh) 基于健康人胸片的健康指标指数分类系统和方法
Yang et al. Towards unbiased COVID-19 lesion localisation and segmentation via weakly supervised learning
Kumar et al. Deep learning approach for analysis and characterization of COVID-19
Xu et al. Severity assessment of COVID-19 using a CT-based radiomics model
Jain et al. Deep learning-aided automated pneumonia detection and classification using CXR scans
CN110782441A (zh) 一种基于深度学习的dr影像肺结核智能分割与检测方法
CN111724356B (zh) 一种用于ct影像肺炎识别的图像处理方法和系统
CN116934683A (zh) 人工智能辅助超声诊断脾创伤的方法
CN111444969A (zh) 一种弱监督的ivoct图像异常区域检测方法
AU2021103578A4 (en) A Novel Method COVID -19 infection using Deep Learning Based System
Hasan et al. Semantic Lung Segmentation from Chest X-Ray Images Using Seg-Net Deep CNN Model
Yıldırım et al. Development of an artificial intelligence method to detect covid-19 pneumonia in computed tomography images
TWI797767B (zh) 基於評估腦中風之血管造影方法及血管造影裝置
Krishnan et al. A Comparative Analysis of Chest X-Rays and CT Scans Towards COVID-19 Detection
Surya et al. Automatic tuberculosis detection using chest radiographs using its features abnormality analysis
US11983871B2 (en) Automated system for rapid detection and indexing of critical regions in non-contrast head CT
KR102448680B1 (ko) 이미지 기반 코로나바이러스감염증 정량 분류 방법 및 시스템

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