CN111863204A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111863204A
CN111863204A CN202010712897.6A CN202010712897A CN111863204A CN 111863204 A CN111863204 A CN 111863204A CN 202010712897 A CN202010712897 A CN 202010712897A CN 111863204 A CN111863204 A CN 111863204A
Authority
CN
China
Prior art keywords
molybdenum target
mammary gland
ray
auxiliary diagnosis
data
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
CN202010712897.6A
Other languages
English (en)
Inventor
石发强
胡飞
王方
崔波
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.)
Beijing Peredoc Technology Co ltd
Original Assignee
Beijing Peredoc Technology Co ltd
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 Beijing Peredoc Technology Co ltd filed Critical Beijing Peredoc Technology Co ltd
Priority to CN202010712897.6A priority Critical patent/CN111863204A/zh
Publication of CN111863204A publication Critical patent/CN111863204A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • 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
    • G06T2207/10072—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
    • G06T2207/30068—Mammography; Breast

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (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钼靶X线摄影检查的乳腺疾病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、获取乳腺钼靶X线摄影检查图像；S3、乳腺钼靶X线摄影检查图像预处理；S4、辅助诊断：将图片序列IMGS输入AI辅助诊断模型内，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。本发明采用上述基于钼靶X线摄影检查的乳腺疾病AI辅助诊断方法，可识别出钼靶X线摄影检查图像中是否存在疑似乳腺病变区域，同时精确标识、显示病灶位置与大小、类型，并对疑似病灶进行评分，从而协助医生进行乳腺病变的筛查工作，提高了诊断效率和准确率，平衡我国医疗资源分布不均衡的问题。

Description

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
技术领域
本发明涉及一种乳腺病灶检测技术，尤其涉及一种基于钼靶X线摄影检查的乳腺疾病AI辅助诊断方法及系统。
背景技术
乳腺疾病是指源于乳腺腺体、脂肪、淋巴、血管、乳头等乳腺相关组织的疾病。乳腺疾病包括乳腺炎症性疾病、乳腺良性病变、乳腺恶性肿瘤、先天发育异常及男性乳腺发育等。随着生活压力的逐渐增大，出现乳腺疾病多发、早发等现象，及时发现并治疗有助于患者的康复。
当前疾病的检测或采用X线检查，具体方法是经钼靶X线摄影检查及干板照相，再由影像科一声进行筛选，但由于影像科医生数量不足、读片工作量大等因素的制约，乳腺病变筛查的效率不能满足实际的医疗需求。
发明内容
本发明的目的是提供一种基于钼靶X线摄影检查的乳腺疾病AI辅助诊断方法，可识别出钼靶X线摄影检查图像中是否存在疑似乳腺病变区域，同时精确标识、显示病灶位置与大小、类型，并对疑似病灶进行评分，从而协助医生进行乳腺病变的筛查工作，提高了诊断效率和准确率，平衡我国医疗资源分布不均衡的问题。
为实现上述目的，本发明提供了一种基于钼靶X线摄影检查的乳腺疾病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、获取乳腺钼靶X线摄影检查图像；
S3、乳腺钼靶X线摄影检查图像预处理；
S4、辅助诊断
S41、将经过预处理的乳腺钼靶X线影检查图像IMG，按照100个像素的重复度进行滑动窗口重采样操作形成一个512*512的固定大小图片序列IMGS；
S42、将图片序列IMGS输入经步骤S1标注训练并验证的AI辅助诊断模型内，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，则将图片序列IMGS中的疑似病灶映射到原始的乳腺钼靶X摄影检查图像中，通过非极大值抑制算法合并重复检测到的疑似病灶，最后输出预测数据，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，计算医学参数，然后叠加显示在乳腺钼靶X线摄影检查图像上，并展示出乳腺中疑似病灶的位置、大小和病灶类型。
优选的，步骤S1的具体步骤包括：
S11、数据标注
标注经过归一化预处理后的乳腺钼靶X线摄影检查图像，由医生按照多数投票制原则标注其中的病灶信息，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，并将标注完成的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乳腺钼靶X线检查图像、乳腺病变位置信息与类型信息，在GPU服务器上训练基于乳腺钼靶X射线检查图像的乳腺病变检测的深度卷积神经网络模型；
S13、模型验证
基于验证集数据和训练集数据中的乳腺钼靶X射线检查图像、乳腺病变位置信息与类型信息，根据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，且假阳性率低于15％，则认定AI辅助诊断模型训练完成。
优选的，在步骤S11中位置信息包含标注病灶和疑似病灶的中心点坐标信息、宽度信息以及高度信息，类型信息包含组织钙化与组织肿块、其它乳腺病变。
优选的，步骤S3的具体步骤包括：将乳腺钼靶X线摄影检查数据处理为图片格式，进行数据归一化处理，并检测标定基本信息。
优选的，步骤S3中基本信息包括左侧/右侧乳房信息和轴位/侧斜位信息。
基于钼靶X线摄影检查的乳腺疾病AI辅助诊断方法的辅助诊断系统，包括：
数据标注模块，用于标注乳腺钼靶X线检查摄影图像中的病灶位置与类型信息，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，用于调用存储在系统中的乳腺钼靶X线检查数据或者远程传输的乳腺钼靶X线检查数据；
图像预处理模块，用于将乳腺钼靶X线摄影检查数据处理为图片格式，进行数据归一化处理，并检测标定基本信息；
诊断模块，用于将经过预处理的乳腺钼靶X影检查图像IMG，按照100个像素的重复度进行滑动窗口重采样操作形成一个512*512的固定大小图片序列IMGS，然后将图片序列IMGS输入AI辅助诊断模型获得预测数据；
诊断输出模块，将获得的预测数据进行后处理，计算医学参数，然后叠加显示在乳腺钼靶X线摄影检查图像上，并展示出乳腺中疑似病灶的位置、大小和病灶类型。
优选的，所述AI辅助诊断模型为经过数据类型适应性改进的Faster-RCNN深度卷积神经网络模型。
因此，本发明采用上述基于钼靶X线摄影检查的乳腺疾病AI辅助诊断方法，可识别出钼靶X线摄影检查图像中是否存在疑似乳腺病变区域，同时精确标识、显示病灶位置与大小、类型，并对疑似病灶进行评分，从而协助医生进行乳腺病变的筛查工作，提高了诊断效率和准确率，平衡我国医疗资源分布不均衡的问题。
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钼靶X线摄影检查的乳腺疾病AI辅助诊断方法的辅助系统的原理框图；
图2为本发明的实施例一种基于钼靶X线摄影检查的乳腺疾病AI辅助诊断系统的乳腺病灶检测过程中数据流图与深度学习模型结构；
图3为本发明的实施例一种基于钼靶X线摄影检查的乳腺疾病AI辅助诊断系统的训练诊断模型的样本数据及其标注示意图；
图4为本发明的实施例一种基于钼靶X线摄影检查的乳腺疾病AI辅助诊断系统的效果图。
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基于钼靶X线摄影检查的乳腺疾病AI辅助诊断方法的辅助系统的原理框图；图2为本发明的实施例一种基于钼靶X线摄影检查的乳腺疾病AI辅助诊断系统的乳腺病灶检测过程中数据流图与深度学习模型结构；图3为本发明的实施例一种基于钼靶X线摄影检查的乳腺疾病AI辅助诊断系统的训练诊断模型的样本数据及其标注示意图；图4为本发明的实施例一种基于钼靶X线摄影检查的乳腺疾病AI辅助诊断系统的效果图，如图所示，本发明基于钼靶X线摄影检查的乳腺疾病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；
优选的，步骤S1的具体步骤包括：
S11、数据标注
标注经过归一化预处理后的乳腺钼靶X线摄影检查图像，由医生按照多数投票制原则标注其中的病灶信息，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，并将标注完成的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乳腺钼靶X线检查图像、乳腺病变位置信息与类型信息，在GPU服务器上训练基于乳腺钼靶X射线检查图像的乳腺病变检测的深度卷积神经网络模型；
S13、模型验证
基于验证集数据和训练集数据中的乳腺钼靶X射线检查图像、乳腺病变位置信息与类型信息，根据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，且假阳性率低于15％，则认定AI辅助诊断模型训练完成。
优选的，在步骤S11中位置信息包含标注病灶和疑似病灶的中心点坐标信息、宽度信息以及高度信息，类型信息包含组织钙化与组织肿块、其它乳腺病变。
S2、获取乳腺钼靶X线摄影检查图像；
S3、乳腺钼靶X线摄影检查图像预处理；
优选的，步骤S3的具体步骤包括：将乳腺钼靶X线摄影检查数据处理为图片格式，进行数据归一化处理，并检测标定基本信息。步骤S3中基本信息包括左侧(left)/右侧乳房(right)信息和轴位(CC)/侧斜位(MLO)信息。
S4、辅助诊断
S41、将经过预处理的乳腺钼靶X线影检查图像IMG，按照100个像素的重复度进行滑动窗口重采样操作形成一个512*512的固定大小图片序列IMGS；
S42、将图片序列IMGS输入经步骤S1标注训练并验证的AI辅助诊断模型内，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，则将图片序列IMGS中的疑似病灶映射到原始的乳腺钼靶X摄影检查图像中，通过非极大值抑制算法(Non-Maximum Suppression，NMS)合并重复检测到的疑似病灶，最后输出预测数据，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，计算医学参数，然后叠加显示在乳腺钼靶X线摄影检查图像上，并展示出乳腺中疑似病灶的位置、大小和病灶类型。
需要说明的是本发明的软件界面主要由数据输入与图像展示两部分组成，在导入原始乳腺钼靶X线检查数据后，首先进行数据预处理并检测标定左右乳腺、轴位等基本信息，然后系统开始智能诊断，检查识别出输入图像中是否存在疑似乳腺病灶并精确标识出病灶位置、类型、大小等信息，而后在图像展示部分显示。
基于钼靶X线摄影检查的乳腺疾病AI辅助诊断方法的辅助诊断系统，包括：
数据标注模块，用于标注乳腺钼靶X线检查摄影图像中的病灶位置与类型信息，最终形成用于深度学习模型训练与验证的标准数据集，此标注工作由经验丰富的专业医生协同人工完成；
图像输入模块，用于调用存储在系统中的乳腺钼靶X线检查数据或者远程传输的乳腺钼靶X线检查数据；
图像预处理模块，用于将乳腺钼靶X线摄影检查数据处理为图片格式，进行数据归一化处理，并检测标定基本信息；
诊断模块，用于将经过预处理的乳腺钼靶X影检查图像IMG，按照100个像素的重复度进行滑动窗口重采样操作形成一个512*512的固定大小图片序列IMGS，然后将图片序列IMGS输入AI辅助诊断模型获得预测数据，即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，则将图片序列IMGS中的疑似病灶映射到原始的乳腺钼靶X摄影检查图像中，并通过非极大值抑制算法(Non-Maximum Suppression，NMS)合并重复检测到的疑似病灶，最后输出预测数据，否则，预测数据为空；
诊断输出模块，将获得的预测数据进行后处理，计算医学参数，然后叠加显示在乳腺钼靶X线摄影检查图像上，并展示出乳腺中疑似病灶的位置、大小和病灶类型。
优选的，所述AI辅助诊断模型为经过数据类型适应性改进的Faster-RCNN深度卷积神经网络模型，可以针对经过预处理的乳腺钼靶X射线检查数据检测其中可能存在的疑似乳腺病变区域。
因此，本发明采用上述基于钼靶X线摄影检查的乳腺疾病AI辅助诊断方法，可识别出钼靶X线摄影检查图像中是否存在疑似乳腺病变区域，同时精确标识、显示病灶位置与大小、类型，并对疑似病灶进行评分，从而协助医生进行乳腺病变的筛查工作，提高了诊断效率和准确率，有助于钼靶X线摄影检查技术快速下沉至基层医疗机构，平衡我国医疗资源分布不均衡的问题。
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)

1.一种基于钼靶X线摄影检查的乳腺疾病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、获取乳腺钼靶X线摄影检查图像；
S3、乳腺钼靶X线摄影检查图像预处理；
S4、辅助诊断
S41、将经过预处理的乳腺钼靶X线影检查图像IMG，按照100个像素的重复度进行滑动窗口重采样操作形成一个512*512的固定大小图片序列IMGS；
S42、将图片序列IMGS输入经步骤S1标注训练并验证的AI辅助诊断模型内，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，则将图片序列IMGS中的疑似病灶映射到原始的乳腺钼靶X摄影检查图像中，通过非极大值抑制算法合并重复检测到的疑似病灶，最后输出预测数据，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，计算医学参数，然后叠加显示在乳腺钼靶X线摄影检查图像上，并展示出乳腺中疑似病灶的位置、大小和病灶类型。
2.根据权利要求1所述的一种基于钼靶X线摄影检查的乳腺疾病AI辅助诊断方法，其特征在于：步骤S1的具体步骤包括：
S11、数据标注
标注经过归一化预处理后的乳腺钼靶X线摄影检查图像，由医生按照多数投票制原则标注其中的病灶信息，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，并将标注完成的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乳腺钼靶X线检查图像、乳腺病变位置信息与类型信息，在GPU服务器上训练基于乳腺钼靶X射线检查图像的乳腺病变检测的深度卷积神经网络模型；
S13、模型验证
基于验证集数据和训练集数据中的乳腺钼靶X射线检查图像、乳腺病变位置信息与类型信息，根据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，且假阳性率低于15％，则认定AI辅助诊断模型训练完成。
3.根据权利要求2所述的一种基于钼靶X线摄影检查的乳腺疾病AI辅助诊断方法，其特征在于：在步骤S11中位置信息包含标注病灶和疑似病灶的中心点坐标信息、宽度信息以及高度信息，类型信息包含组织钙化与组织肿块、其它乳腺病变。
4.根据权利要求1所述的一种基于钼靶X线摄影检查的乳腺疾病AI辅助诊断方法，其特征在于：步骤S3的具体步骤包括：将乳腺钼靶X线摄影检查数据处理为图片格式，进行数据归一化处理，并检测标定基本信息。
5.根据权利要求4所述的一种基于钼靶X线摄影检查的乳腺疾病AI辅助诊断方法，其特征在于：步骤S3中基本信息包括左侧/右侧乳房信息和轴位/侧斜位信息。
6.一种基于上述权利要求1-5任一项所述的基于钼靶X线摄影检查的乳腺疾病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，用于标注乳腺钼靶X线检查摄影图像中的病灶位置与类型信息，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，用于调用存储在系统中的乳腺钼靶X线检查数据或者远程传输的乳腺钼靶X线检查数据；
图像预处理模块，用于将乳腺钼靶X线摄影检查数据处理为图片格式，进行数据归一化处理，并检测标定基本信息；
诊断模块，用于将经过预处理的乳腺钼靶X影检查图像IMG，按照100个像素的重复度进行滑动窗口重采样操作形成一个512*512的固定大小图片序列IMGS，然后将图片序列IMGS输入AI辅助诊断模型获得预测数据；
诊断输出模块，将获得的预测数据进行后处理，计算医学参数，然后叠加显示在乳腺钼靶X线摄影检查图像上，并展示出乳腺中疑似病灶的位置、大小和病灶类型。
7.根据权利要求6所述的一种基于钼靶X线摄影检查的乳腺疾病AI辅助诊断方法的辅助诊断系统，其特征在于：所述AI辅助诊断模型为经过数据类型适应性改进的Faster-RCNN深度卷积神经网络模型。
CN202010712897.6A 2020-07-22 2020-07-22 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 Pending CN111863204A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010712897.6A CN111863204A (zh) 2020-07-22 2020-07-22 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010712897.6A CN111863204A (zh) 2020-07-22 2020-07-22 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

Publications (1)

Publication Number Publication Date
CN111863204A true CN111863204A (zh) 2020-10-30

Family

ID=72950610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010712897.6A Pending CN111863204A (zh) 2020-07-22 2020-07-22 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

Country Status (1)

Country Link
CN (1) CN111863204A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344854A (zh) * 2021-05-10 2021-09-03 深圳瀚维智能医疗科技有限公司 基于乳腺超声视频的病灶检测方法、装置、设备及介质
CN114305690A (zh) * 2021-12-31 2022-04-12 杭州三坛医疗科技有限公司 一种手术导航定位方法及装置
TWI805452B (zh) * 2022-07-18 2023-06-11 虹承科技有限公司 空診更新方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881682A (zh) * 2015-05-26 2015-09-02 东南大学 一种基于保局映射与主成分分析的图像分类方法
CN108416360A (zh) * 2018-01-16 2018-08-17 华南理工大学 基于乳腺钼靶钙化特征的癌症诊断系统及方法
CN110033456A (zh) * 2019-03-07 2019-07-19 腾讯科技（深圳）有限公司 一种医疗影像的处理方法、装置、设备和系统
CN110491480A (zh) * 2019-05-22 2019-11-22 腾讯科技（深圳）有限公司 一种医疗图像处理方法、装置、电子医疗设备和存储介质
CN111080660A (zh) * 2019-11-14 2020-04-28 中国科学院深圳先进技术研究院 一种图像分割方法、装置、终端设备及存储介质
CN111429412A (zh) * 2020-03-17 2020-07-17 北京青燕祥云科技有限公司 肝包虫超声ai辅助诊断方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881682A (zh) * 2015-05-26 2015-09-02 东南大学 一种基于保局映射与主成分分析的图像分类方法
CN108416360A (zh) * 2018-01-16 2018-08-17 华南理工大学 基于乳腺钼靶钙化特征的癌症诊断系统及方法
CN110033456A (zh) * 2019-03-07 2019-07-19 腾讯科技（深圳）有限公司 一种医疗影像的处理方法、装置、设备和系统
CN110491480A (zh) * 2019-05-22 2019-11-22 腾讯科技（深圳）有限公司 一种医疗图像处理方法、装置、电子医疗设备和存储介质
CN111080660A (zh) * 2019-11-14 2020-04-28 中国科学院深圳先进技术研究院 一种图像分割方法、装置、终端设备及存储介质
CN111429412A (zh) * 2020-03-17 2020-07-17 北京青燕祥云科技有限公司 肝包虫超声ai辅助诊断方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈珊: "基于钼靶图像的乳腺肿瘤诊断若干关键性技术研究", 中国优秀硕士学位论文全文数据库 信息科技辑(月刊), vol. 2019, no. 1, pages 21 - 44 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344854A (zh) * 2021-05-10 2021-09-03 深圳瀚维智能医疗科技有限公司 基于乳腺超声视频的病灶检测方法、装置、设备及介质
CN114305690A (zh) * 2021-12-31 2022-04-12 杭州三坛医疗科技有限公司 一种手术导航定位方法及装置
CN114305690B (zh) * 2021-12-31 2023-12-26 杭州三坛医疗科技有限公司 一种手术导航定位方法及装置
TWI805452B (zh) * 2022-07-18 2023-06-11 虹承科技有限公司 空診更新方法

Similar Documents

Publication Publication Date Title
US10755411B2 (en) Method and apparatus for annotating medical image
CN109754387B (zh) 一种全身骨显像放射性浓聚灶的智能检测定位方法
EP3021753B1 (en) Systems and methods for determining hepatic function from liver scans
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
CN102138827B (zh) 图像显示装置
WO2021179491A1 (zh) 图像处理方法、装置、计算机设备和存储介质
US10402976B2 (en) Isolation of aneurysm and parent vessel in volumetric image data
CN103886576B (zh) 一种腺体组织特征灰度检测方法及装置
US10916010B2 (en) Learning data creation support apparatus, learning data creation support method, and learning data creation support program
US11996182B2 (en) Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network
CN113855079A (zh) 基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法
CN111080583A (zh) 医学图像检测方法、计算机设备和可读存储介质
KR20200108686A (ko) 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션
CN106446515A (zh) 一种三维医学图像显示方法及装置
Lucassen et al. Deep learning for detection and localization of B-lines in lung ultrasound
CN111513743B (zh) 一种骨折检测方法及装置
IL262027A (en) System and methods for diagnostic image processing and image quality assessment
CN114708283A (zh) 图像目标的分割方法、装置、电子设备及存储介质
CN115035086A (zh) 一种基于深度学习的结核皮试智能筛查分析方法和装置
CN107256544A (zh) 一种基于vcg16的前列腺癌图像诊断方法及系统
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
JP2016142665A (ja) 核医学画像中の腫瘍領域を抽出する技術
Mesanovic et al. Application of lung segmentation algorithm to disease quantification from CT images
US20220273273A1 (en) Systems and methods for identifying biopsy location coordinates
CN111062977B (zh) 样本数据生成方法、装置、计算机设备及存储介质

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