CN111882544A - 基于人工智能的医学影像显示方法及相关装置 - Google Patents
基于人工智能的医学影像显示方法及相关装置 Download PDFInfo
- Publication number
- CN111882544A CN111882544A CN202010751564.4A CN202010751564A CN111882544A CN 111882544 A CN111882544 A CN 111882544A CN 202010751564 A CN202010751564 A CN 202010751564A CN 111882544 A CN111882544 A CN 111882544A
- Authority
- CN
- China
- Prior art keywords
- information
- medical image
- contour
- user
- body part
- 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 claims abstract description 49
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 32
- 238000012937 correction Methods 0.000 claims abstract description 76
- 230000002159 abnormal effect Effects 0.000 claims abstract description 70
- 208000024891 symptom Diseases 0.000 claims abstract description 49
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000003709 image segmentation Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 230000003902 lesion Effects 0.000 abstract description 8
- 238000003384 imaging method Methods 0.000 abstract description 7
- 230000011218 segmentation Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20081—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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请是关于一种基于人工智能的医学影像显示方法及相关装置，属于人工智能技术领域，该方法包括：获取第一医学影像各区域的第一深度轮廓坐标数据；获取第一医学影像所来源的用户信息、身体部位名称以及用户临床症状信息；将各区域的深度轮廓坐标数据、用户信息、身体部位名称及用户临床症状信息输入异常识别模型，得到各所述区域的轮廓异常信息；获取所述轮廓异常信息对应的修正信息，以根据所述修正信息对所述第一医学影像进行修正得到第二医学影像进行显示。本申请有效提升医学影像的进行各区域的绘制显示时的精度，保证各影像学部位的绘制准确性和可靠性，进而有效提升进而医生定位的病变区域准确性、辨识效率，减小出错率。
Description
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种基于人工智能的医学影像显示方法及相关装置。
背景技术
Cornerstonejs库是一个开源的项目，主要用于对医学影像文件(dicom,图片)进行解析并通过js操作HTML5 canvas元素在现代浏览器上显示医学影像的轻量级的JavaScript库，其结合cornerstoneToolsJS库可以对呈现出来的影像进行移动，翻转，放大，缩小，旋转，绘制坐标点，显示标注,设置窗宽窗位来显示不同影像学区域，方便医生快速浏览查看医学影像，快速定位病变区域，大大的提高医生的辨识效率，减小出错率，提高工作效率。
但是Cornerstonejs与cornerstoneToolsJS库只是支持医学影像文件(dicom,图片)在网页里画出医学影像进行显示。由于医学问题与医学影像中特征对应关系的复杂性，对采集的医学影像的进行各区域的绘制显示时精度难以保证，不同影像学部位的绘制显示准确性和可靠性难以保证，进而医生定位的病变区域准确性、辨识效率、减小的出错率有限。
发明内容
本申请的目的在于提供一种基于人工智能的医学影像显示方案，进而至少在一定程度上可以有效提升医学影像的进行各区域的绘制显示时的精度，保证各影像学部位的绘制准确性和可靠性，进而有效提升进而医生定位的病变区域准确性、辨识效率，减小出错率。
根据本申请的一个方面，提供一种基于人工智能的医学影像显示方法，包括：
获取第一医学影像各区域的第一深度轮廓坐标数据，所述第一深度轮廓坐标数据通过预设深度网络模型对所述第一医学影像进行图像分割得到；
获取所述第一医学影像所来源的用户信息、身体部位名称以及用户临床症状信息；
将各区域的所述深度轮廓坐标数据、所述用户信息、所述身体部位名称及所述用户临床症状信息输入异常识别模型，得到各所述区域的轮廓异常信息，其中，所述异常识别模型与所述预设深度网络模型相对应；
获取所述轮廓异常信息对应的修正信息，以根据所述修正信息对所述第一医学影像进行修正得到第二医学影像进行显示。
在本申请的一种示例性实施方式中，异常识别模型的训练方法，包括：
将信息样本集合中的信息样本输入所述异常识别模型，控制所述异常识别模型输出信息样本对应的轮廓异常信息的预测标签，所述信息样本包括所述预设深度网络模型对医学影像样本分割得到的深度轮廓坐标数据、所述医学影像样本对应的用户信息、身体部位名称及用户临床症状信息；
将所述预测标签与信息样本的专家标定标签进行比较，如果不一致，则调整所述异常识别模型中的系数，直到所述所述预测标签与所述专家标定标签一致。
在本申请的一种示例性实施方式中，所述将各区域的所述深度轮廓坐标数据、所述用户信息、所述身体部位名称及所述用户临床症状信息输入异常识别模型，包括：
从预设临床知识图谱中，根据所述用户临床症状信息搜索与所述身体部位名称关联的其它身体部位名称，并获取所述其它身体部位名称与所述身体部位名称之间的所有连接边所对应的所有用户临床症状信息；
将各区域的所述深度轮廓坐标数据、所述用户信息、所述身体部位名称、所述其它身体部位名称及所述所有用户临床症状信息输入异常识别模型。
在本申请的一种示例性实施方式中，还包括：
以所述身体部位名称样本为顶点且各顶点之间通过用户临床症状信息样本作为连接边，构建所述预设临床知识图谱。
在本申请的一种示例性实施方式中，获取所述轮廓异常信息对应的修正信息，包括：
获取修正信息表，所述修正信息表中保存轮廓异常信息样本及所述轮廓异常信息样本对应的修正信息样本；
获取与所述轮廓异常信息的相似度超过预定阈值的所述轮廓异常信息样本对应的修正信息样本。
在本申请的一种示例性实施方式中，根据所述修正信息对所述第一医学影像进行修正得到第二医学影像进行显示，包括：
根据所述修正信息对所述第一医学影像进行修正得到第二医学影像；
利用所述预设深度网络模型对所述第二医学影像进行图像分割，得到所述第二医学影像各区域的第二深度轮廓坐标数据；
根据所述第二深度轮廓坐标数据绘制包含各所述区域的影像进行显示。
在本申请的一种示例性实施方式中，根据所述修正信息对所述第一医学影像进行修正得到第二医学影像，包括：
确定所述修正信息指示的修正方式类别；
将所述修正信息及所述第一医学影像发送至所述修正方式类别对应的修正终端，得到第二医学影像。
根据本申请的一个方面，一种基于人工智能的医学影像显示装置，其特征在于，包括：
第一获取模块，用于获取第一医学影像各区域的第一深度轮廓坐标数据，所述第一深度轮廓坐标数据通过预设深度网络模型对所述第一医学影像进行图像分割得到；
第二获取模块，用于获取所述第一医学影像所来源的用户信息、身体部位名称以及用户临床症状信息；
识别模块，用于将各区域的所述深度轮廓坐标数据、所述用户信息、所述身体部位名称及所述用户临床症状信息输入异常识别模型，得到各所述区域的轮廓异常信息，其中，所述异常识别模型与所述预设深度网络模型相对应；
显示模块，用于获取所述轮廓异常信息对应的修正信息，以根据所述修正信息对所述第一医学影像进行修正得到第二医学影像进行显示。
根据本申请的一个方面，提供一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现上述任一项所述的方法。
根据本申请的一个方面，提供一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的程序指令；其中，所述处理器配置为经由执行所述程序指令来执行上述任一项所述的方法。
本申请一种基于人工智能的医学影像显示方法及相关装置。
首先，通过预设深度网络模型对第一医学影像进行图像分割得到，实现各区域的人工智能分割，得到各区域的第一深度轮廓坐标数据。然后，获取第一医学影像所来源的用户信息、身体部位名称以及用户临床症状信息；可以用来指示用户临床症状信息在第一医学影像中各区域的体现情况。
进而，将各区域的深度轮廓坐标数据、用户信息、身体部位名称及用户临床症状信息输入异常识别模型，得到各区域的轮廓异常信息，其中，异常识别模型与预设深度网络模型相对应；可以可靠地基于输入的用户相关信息识别预设深度网络模型分隔的各区域的轮廓异常信息。
最后，获取轮廓异常信息对应的修正信息，以根据修正信息对第一医学影像进行修正得到第二医学影像进行显示，这样可以对第一医学影像在人工智能分割的基础上进行修正后进行显示，有效提升医学影像的进行各区域的绘制显示时的精度，保证各影像学部位的绘制准确性和可靠性，进而有效提升进而医生定位的病变区域准确性、辨识效率，减小出错率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出一种基于人工智能的医学影像显示方法的流程图。
图2示意性示出一种基于人工智能的医学影像显示方法的应用场景示例图。
图3示意性示出一种异常识别模型的训练方法流程图。
图4示意性示出一种基于人工智能的医学影像显示装置的方框图。
图5示意性示出一种用于实现上述基于人工智能的医学影像显示方法的电子设备示例框图。
图6示意性示出一种用于实现上述基于人工智能的医学影像显示方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本申请的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本申请的各方面变得模糊。
此外，附图仅为本申请的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了基于人工智能的医学影像显示方法，该基于人工智能的医学影像显示方法可以运行于服务器，也可以运行于服务器集群或云服务器等，当然，本领域技术人员也可以根据需求在其他平台运行本发明的方法，本示例性实施例中对此不做特殊限定。参考图1所示，该基于人工智能的医学影像显示方法可以包括以下步骤：
步骤S110，获取第一医学影像各区域的第一深度轮廓坐标数据，所述第一深度轮廓坐标数据通过预设深度网络模型对所述第一医学影像进行图像分割得到；
步骤S120，获取所述第一医学影像所来源的用户信息、身体部位名称以及用户临床症状信息；
步骤S130，将各区域的所述深度轮廓坐标数据、所述用户信息、所述身体部位名称及所述用户临床症状信息输入异常识别模型，得到各所述区域的轮廓异常信息，其中，所述异常识别模型与所述预设深度网络模型相对应；
步骤S140，获取所述轮廓异常信息对应的修正信息，以根据所述修正信息对所述第一医学影像进行修正得到第二医学影像进行显示。
上述基于人工智能的医学影像显示方法中，首先，通过预设深度网络模型对第一医学影像进行图像分割得到，实现各区域的人工智能分割，得到各区域的第一深度轮廓坐标数据。然后，获取第一医学影像所来源的用户信息、身体部位名称以及用户临床症状信息；可以用来指示用户临床症状信息在第一医学影像中各区域的体现情况。进而，将各区域的深度轮廓坐标数据、用户信息、身体部位名称及用户临床症状信息输入异常识别模型，得到各区域的轮廓异常信息，其中，异常识别模型与预设深度网络模型相对应；可以可靠地基于输入的用户相关信息识别预设深度网络模型分隔的各区域的轮廓异常信息。最后，获取轮廓异常信息对应的修正信息，以根据修正信息对第一医学影像进行修正得到第二医学影像进行显示，这样可以对第一医学影像在人工智能分割的基础上进行修正后进行显示，有效提升医学影像的进行各区域的绘制显示时的精度，保证各影像学部位的绘制准确性和可靠性，进而有效提升进而医生定位的病变区域准确性、辨识效率，减小出错率。
下面，将结合附图对本示例实施方式中上述基于人工智能的医学影像显示方法中的各步骤进行详细的解释以及说明。
在步骤S110，获取第一医学影像各区域的第一深度轮廓坐标数据，所述第一深度轮廓坐标数据通过预设深度网络模型对所述第一医学影像进行图像分割得到。
在本示例的实施方式中，参考图2所示，服务器210可以从服务器220获取第一医学影像，然后，服务器210可以通过预设深度网络模型对第一医学影像进行图像分割得到第一医学影像各区域的第一深度轮廓坐标数据。其中，服务器210、服务器220可以是电脑、手机等各种具有指令处理功能、数据存储功能的终端设备，在此不做特殊限定。
第一医学影像例如脑部、或者腿部等各身体部位的MRI、CT、X射线等影像。
各区域包括医学影像中的不同影像学部位的区域，例如，病灶点区域、小脑部位的区域等，这些区域内部有相似的图像性质，可以相互划分开进行观察。
预设深度网络模型可以是全卷积神经网络模型或者循环神经网络模型等，可以实现对第一医学影像的人工智能分割，得到各区域的第一深度轮廓坐标数据，基于各区域的第一深度轮廓坐标数据可以绘制各区域的图像。
预设深度网络模型的训练方法包括：收集医学影像样本集，其中每个样本由专家标定了各区域的轮廓信息(轮廓坐标数据)；然后，将样本集中每个样本作为输入，每个样本对应的轮廓信息作为期望输出，训练深度网络模型对每个样本进行深度学习分割样本，使得分割的轮廓信息与预先标定的轮廓信息的误差在预定范围内，得到满足需求的预设深度网络模型，用于对医学影像进行智能分割。
预设深度网络模型的训练需要大量的数据集，由于医学图像的复杂性(例如，病例多样性以及图像质量等)以及样本有限性，预设深度网络模型标注的第一深度轮廓坐标数据在一定程度上实现智能分割，但是准确性较难以保证，因此，在后续步骤中，进一步进行第一深度轮廓坐标数据的异常分析。
在步骤S120，获取所述第一医学影像所来源的用户信息、身体部位名称以及用户临床症状信息。
在本示例的实施方式中，用户信息可以包括用户年龄、性别以及身高、体重等信息，可以在一定程度上反映用户的身体情况；
身体部位名称为第一医学影像所来源的身体具体部位，例如，脑部等。
用户临床症状信息为用户身体检查得到的临床症状数据，例如，头疼、发热以及其它详细的诊断信息，可以在一定程度上反映在第一医学影像上用户可能病变的区域。
上述用户信息、身体部位名称以及用户临床症状信息可以从医疗数据库中自动爬取，也可以是用户输入的。
在步骤S130，将各区域的所述深度轮廓坐标数据、所述用户信息、所述身体部位名称及所述用户临床症状信息输入异常识别模型，得到各所述区域的轮廓异常信息，其中，所述异常识别模型与所述预设深度网络模型相对应。
在本示例的实施方式中，异常识别模型可以是预先训练好的多分类模型或者决策树模型等机器学习模型。
可以对深度轮廓坐标数据、用户信息、身体部位名称及用户临床症状信息等进行分析识别，根据用户特征及临床病症特征及轮廓数据特征本身进行分析验证，一方面可以验证病症与深度轮廓是否匹配，是否分割不匹配；另一方面可以验证分割出来的轮廓根据病症特征是否过小或过大，因为会由于医学影像采集质量等问题，虽然分割到位了，由于像素点不清晰等影响轮廓变形或错位，会导致医护人员诊断出错；进而，可以分析验证得到轮廓异常信息，例如，不匹配或者过大、过小等。
异常识别模型与预设深度网络模型相对应，即异常识别模型与预设深度网络模型一一对应。也就是异常识别模型的训练是基于训练好的深度网络模型的分割得到的数据进行训练的，可以保证异常识别模型与预设深度网络模型本身的特征相适应，进而保证识别准确性。
一种实施例中，参考图3所示，异常识别模型的训练方法，包括：
步骤S310，将信息样本集合中的信息样本输入所述异常识别模型，控制所述异常识别模型输出信息样本对应的轮廓异常信息的预测标签，所述信息样本包括所述预设深度网络模型对医学影像样本分割得到的深度轮廓坐标数据、所述医学影像样本对应的用户信息、身体部位名称及用户临床症状信息；
步骤S320，将所述预测标签与信息样本的专家标定标签进行比较，如果不一致，则调整所述异常识别模型中的系数，直到所述所述预测标签与所述专家标定标签一致。
这样可以保证异常识别模型与预设深度网络模型相对应，使得异常识别模型与预设深度网络模型一一对应。也就是异常识别模型的训练是基于训练好的深度网络模型的分割得到的数据进行训练的，可以保证异常识别模型与预设深度网络模型本身的特征相适应，进而保证异常识别模型的可靠性。
一种实施例中，将各区域的所述深度轮廓坐标数据、所述用户信息、所述身体部位名称及所述用户临床症状信息输入异常识别模型，包括：
从预设临床知识图谱中，根据所述用户临床症状信息搜索与所述身体部位名称关联的其它身体部位名称，并获取所述其它身体部位名称与所述身体部位名称之间的所有连接边所对应的所有用户临床症状信息；
将各区域的所述深度轮廓坐标数据、所述用户信息、所述身体部位名称、所述其它身体部位名称及所述所有用户临床症状信息输入异常识别模型。
此时，异常识别模型的训练时，输入异常识别模型中的信息样本包括上述各区域的深度轮廓坐标数据、用户信息、身体部位名称、其它身体部位名称及所有用户临床症状信息。
通常某个病症会有多个身体部位共同作用导致，例如，胸腔和大脑共同起作用的临床病症。这样基于预设临床知识图谱可以获得完整的临床症状信息及所有关联的身体部位信息，对第一医学影像上最有可能出现的病症区域进行分析，进一步保证异常分析的准确性。
一种实施例中，预设临床知识图谱是以身体部位名称样本为顶点且各顶点之间通过用户临床症状信息样本作为连接边，构建的知识图谱。知识图谱是一种基于图的数据结构，由顶点(point)和边(Edge)组成，每个顶点表示一个身体部位名称，每条边为顶点与顶点之间的用户临床症状信息样本。这样通过收集身体部位名称样本与对应的用户临床症状信息样本，可以构建得到全面的用户临床症状信息关系网络，保证异常分析的全面性。
在步骤S140，获取所述轮廓异常信息对应的修正信息，以根据所述修正信息对所述第一医学影像进行修正得到第二医学影像进行显示。
在本示例的实施方式中，修正信息可以包括影像去噪处理的方式以及影像需要重新获取等信息。
获取轮廓异常信息对应的修正信息，可以从预设的修正信息表中根据轮廓异常信息查找到；修正信息表中保存了实验发现的轮廓异常信息与修正信息的关联关系。
根据修正信息对第一医学影像进行修正，得到第二医学影像，可以是将修正信息及第一医学影像发送至影像采取终端，由影像采取终端的相关用户根据修正信息对第一医学影像进行修正(例如重新采集)，得到第二医学影像；或者，将修正信息及第一医学影像发送至后处理终端，由后处理终端中预设的神经网络模型根据修正信息对第一医学影像进行修正(例如，进行去燥或者区域像素加深等)，得到第二医学影像。
这样可以对第一医学影像在人工智能分割的基础上进行修正后进行显示，有效提升医学影像的进行各区域的绘制显示时的精度，保证各影像学部位的绘制准确性和可靠性，进而有效提升进而医生定位的病变区域准确性、辨识效率，减小出错率。
一种实施例中，获取所述轮廓异常信息对应的修正信息，包括：
获取修正信息表，所述修正信息表中保存轮廓异常信息样本及所述轮廓异常信息样本对应的修正信息样本；
获取与所述轮廓异常信息的相似度超过预定阈值的所述轮廓异常信息样本对应的修正信息样本。
获取与轮廓异常信息的相似度超过预定阈值的轮廓异常信息样本，可以是通过对轮廓异常信息与轮廓异常信息样本进行相似度计算，得到相似度，将相似度超过预定阈值的轮廓异常信息样本确定为相似的轮廓异常信息样本，进而得到对应的修正信息样本作为轮廓异常信息的修正信息。
一种实施例中，根据所述修正信息对所述第一医学影像进行修正得到第二医学影像进行显示，包括：
根据所述修正信息对所述第一医学影像进行修正得到第二医学影像；
利用所述预设深度网络模型对所述第二医学影像进行图像分割，得到所述第二医学影像各区域的第二深度轮廓坐标数据；
根据所述第二深度轮廓坐标数据绘制包含各所述区域的影像进行显示。
利用预设深度网络模型对修正后的第二医学影像进行图像分割，可以保证第二深度轮廓坐标数据的准确性，进而，根据第二深度轮廓坐标数据绘制包含各区域的影像进行显示时，可以保证显示的医学影像各影像学部位的绘制准确性和可靠性，进而有效提升进而医生定位的病变区域准确性、辨识效率，减小出错率。
一种实施例中，根据所述修正信息对所述第一医学影像进行修正得到第二医学影像，包括：
确定所述修正信息指示的修正方式类别；
将所述修正信息及所述第一医学影像发送至修正方式类别对应的修正终端，得到第二医学影像。
修正信息指示的修正方式类别可以包括重新采集或者影像修复两种类别。进而，根据修正信息对第一医学影像进行修正，得到第二医学影像，可以是将修正信息及第一医学影像发送至影像采取终端(重新采集类别对应的修正终端)，由影像采取终端的相关用户根据修正信息对第一医学影像进行重新采集，得到第二医学影像；或者，将修正信息及第一医学影像发送至后处理终端(影像修复类别对应的修正终端)，由后处理终端中预设的神经网络模型根据修正信息对第一医学影像进行修正(例如，进行去燥或者区域像素加深等)，得到第二医学影像。这样可以对第一医学影像进行分类修正，保证修正的效率及有效性。
一种实施例中，Cornerstonejs与cornerstoneToolsJS库只是支持根据医学影像文件(dicom,图片)在网页里画出影像，里面的标注，位置坐标都要经过人工操作画上去的，并不支持根据现有数据进行自动绘制。
本申请的实施例中，通过拿到第二深度轮廓坐标的数组(例如：“x,y,x,y,x,y”，每两个连续数据就代表一个位置坐标点(x,y)，可以通过循环遍历第二深度轮廓坐标的数组，解析每一项的字符串生成二维数组，例如：[[x,y],[x,y]]。然后，引入组件markPlatform/manipulators使Cornerstonejs与cornerstoneToolsJS库支持通过传递坐标参数的方式画出医学影像轮廓图；然后，在markBrush.js文件里引入参数fillStyle，可以通过配置参数fillStyle传入填充颜色，绘制医学影像各区域。
在用户浏览医学影像时，通过上述的解析生成二维数组，画出轮廓；然后，通过配置参数fillStyle传入填充颜色，实现自动绘制各区域。用户可以快捷高效的浏览医学影像文件，找出有病灶的影像，直观精准的发现病灶部位及病灶大小和形状，提高用户的辨识和阅片能力，提高工作效率。
本申请还提供了一种基于人工智能的医学影像显示装置。参考图4所示，该基于人工智能的医学影像显示装置可以包括第一获取模块410、第二获取模块420、识别模块430、以及显示模块440。其中：
第一获取模块，用于获取第一医学影像各区域的第一深度轮廓坐标数据，所述第一深度轮廓坐标数据通过预设深度网络模型对所述第一医学影像进行图像分割得到；
第二获取模块，用于获取所述第一医学影像所来源的用户信息、身体部位名称以及用户临床症状信息；
识别模块，用于将各区域的所述深度轮廓坐标数据、所述用户信息、所述身体部位名称及所述用户临床症状信息输入异常识别模型，得到各所述区域的轮廓异常信息，其中，所述异常识别模型与所述预设深度网络模型相对应；
显示模块，用于获取所述轮廓异常信息对应的修正信息，以根据所述修正信息对所述第一医学影像进行修正得到第二医学影像进行显示。
上述基于人工智能的医学影像显示装置中各模块的具体细节已经在对应的基于人工智能的医学影像显示方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本申请实施方式的方法。
在本申请的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1中所示的步骤。
存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得客户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行，还可以包括与输入/输出(I/O)接口550连接的显示单元540。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请实施方式的方法。
在本申请的示例性实施例中，参考图6所示，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在客户计算设备上执行、部分地在客户设备上执行、作为一个独立的软件包执行、部分在客户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到客户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其他实施例。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求指出。
Claims (10)
1.一种基于人工智能的医学影像显示方法，其特征在于，包括：
获取第一医学影像各区域的第一深度轮廓坐标数据，所述第一深度轮廓坐标数据通过预设深度网络模型对所述第一医学影像进行图像分割得到；
获取所述第一医学影像所来源的用户信息、身体部位名称以及用户临床症状信息；
将各区域的所述深度轮廓坐标数据、所述用户信息、所述身体部位名称及所述用户临床症状信息输入异常识别模型，得到各所述区域的轮廓异常信息，其中，所述异常识别模型与所述预设深度网络模型相对应；
获取所述轮廓异常信息对应的修正信息，以根据所述修正信息对所述第一医学影像进行修正得到第二医学影像进行显示。
2.根据权利要求1所述的方法，其特征在于，所述异常识别模型的训练方法，包括：
将信息样本集合中的信息样本输入所述异常识别模型，控制所述异常识别模型输出信息样本对应的轮廓异常信息的预测标签，所述信息样本包括所述预设深度网络模型对医学影像样本分割得到的深度轮廓坐标数据、所述医学影像样本对应的用户信息、身体部位名称及用户临床症状信息；
将所述预测标签与信息样本的专家标定标签进行比较，如果不一致，则调整所述异常识别模型中的系数，直到所述所述预测标签与所述专家标定标签一致。
3.根据权利要求1所述的方法，其特征在于，所述将各区域的所述深度轮廓坐标数据、所述用户信息、所述身体部位名称及所述用户临床症状信息输入异常识别模型，包括：
从预设临床知识图谱中，根据所述用户临床症状信息搜索与所述身体部位名称关联的其它身体部位名称，并获取所述其它身体部位名称与所述身体部位名称之间的所有连接边所对应的所有用户临床症状信息；
将各区域的所述深度轮廓坐标数据、所述用户信息、所述身体部位名称、所述其它身体部位名称及所述所有用户临床症状信息输入异常识别模型。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
以所述身体部位名称样本为顶点且各顶点之间通过用户临床症状信息样本作为连接边，构建所述预设临床知识图谱。
5.根据权利要求1所述的方法，其特征在于，所述获取所述轮廓异常信息对应的修正信息，包括：
获取修正信息表，所述修正信息表中保存轮廓异常信息样本及所述轮廓异常信息样本对应的修正信息样本；
获取与所述轮廓异常信息的相似度超过预定阈值的所述轮廓异常信息样本对应的修正信息样本。
6.根据权利要求1所述的方法，其特征在于，所述根据所述修正信息对所述第一医学影像进行修正得到第二医学影像进行显示，包括：
根据所述修正信息对所述第一医学影像进行修正得到第二医学影像；
利用所述预设深度网络模型对所述第二医学影像进行图像分割，得到所述第二医学影像各区域的第二深度轮廓坐标数据；
根据所述第二深度轮廓坐标数据绘制包含各所述区域的影像进行显示。
7.根据权利要求6所述的方法，其特征在于，所述根据所述修正信息对所述第一医学影像进行修正得到第二医学影像，包括：
确定所述修正信息指示的修正方式类别；
将所述修正信息及所述第一医学影像发送至所述修正方式类别对应的修正终端，得到第二医学影像。
8.一种基于人工智能的医学影像显示装置，其特征在于，包括：
第一获取模块，用于获取第一医学影像各区域的第一深度轮廓坐标数据，所述第一深度轮廓坐标数据通过预设深度网络模型对所述第一医学影像进行图像分割得到；
第二获取模块，用于获取所述第一医学影像所来源的用户信息、身体部位名称以及用户临床症状信息；
识别模块，用于将各区域的所述深度轮廓坐标数据、所述用户信息、所述身体部位名称及所述用户临床症状信息输入异常识别模型，得到各所述区域的轮廓异常信息，其中，所述异常识别模型与所述预设深度网络模型相对应；
显示模块，用于获取所述轮廓异常信息对应的修正信息，以根据所述修正信息对所述第一医学影像进行修正得到第二医学影像进行显示。
9.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1-7任一项所述的方法。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的程序指令；其中，所述处理器配置为经由执行所述程序指令来执行权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010751564.4A CN111882544B (zh) | 2020-07-30 | 2020-07-30 | 基于人工智能的医学影像显示方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010751564.4A CN111882544B (zh) | 2020-07-30 | 2020-07-30 | 基于人工智能的医学影像显示方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111882544A true CN111882544A (zh) | 2020-11-03 |
| CN111882544B CN111882544B (zh) | 2024-05-14 |
Family
ID=73205703
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010751564.4A Active CN111882544B (zh) | 2020-07-30 | 2020-07-30 | 基于人工智能的医学影像显示方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111882544B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113342271A (zh) * | 2021-06-04 | 2021-09-03 | 上海蓝色帛缔智能工程有限公司 | 一种智能化区域采集医疗数据储存的方法及电子设备 |
| CN113920068A (zh) * | 2021-09-23 | 2022-01-11 | 北京医准智能科技有限公司 | 一种基于人工智能的身体部位检测方法、装置及电子设备 |
| CN115482181A (zh) * | 2021-05-31 | 2022-12-16 | 数坤(北京)网络科技股份有限公司 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
| CN115482181B (zh) * | 2021-05-31 | 2024-05-24 | 数坤(北京)网络科技股份有限公司 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104933729A (zh) * | 2014-03-18 | 2015-09-23 | 上海联影医疗科技有限公司 | 一种颅内脑组织的提取方法和装置 |
| CN109190631A (zh) * | 2018-08-31 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 图片的目标对象标注方法及装置 |
| CN109830284A (zh) * | 2017-11-23 | 2019-05-31 | 天启慧眼(北京)信息技术有限公司 | 医学影像的分析方法及装置 |
| CN109887077A (zh) * | 2019-03-07 | 2019-06-14 | 百度在线网络技术（北京）有限公司 | 用于生成三维模型的方法和装置 |
| CN109997197A (zh) * | 2016-08-31 | 2019-07-09 | 国际商业机器公司 | 基于对医学图像的注释更新症状的概率 |
| CN110739049A (zh) * | 2019-10-10 | 2020-01-31 | 上海联影智能医疗科技有限公司 | 图像勾画方法、装置、存储介质及计算机设备 |
-
2020
- 2020-07-30 CN CN202010751564.4A patent/CN111882544B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104933729A (zh) * | 2014-03-18 | 2015-09-23 | 上海联影医疗科技有限公司 | 一种颅内脑组织的提取方法和装置 |
| CN109997197A (zh) * | 2016-08-31 | 2019-07-09 | 国际商业机器公司 | 基于对医学图像的注释更新症状的概率 |
| CN109830284A (zh) * | 2017-11-23 | 2019-05-31 | 天启慧眼(北京)信息技术有限公司 | 医学影像的分析方法及装置 |
| CN109190631A (zh) * | 2018-08-31 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 图片的目标对象标注方法及装置 |
| CN109887077A (zh) * | 2019-03-07 | 2019-06-14 | 百度在线网络技术（北京）有限公司 | 用于生成三维模型的方法和装置 |
| CN110739049A (zh) * | 2019-10-10 | 2020-01-31 | 上海联影智能医疗科技有限公司 | 图像勾画方法、装置、存储介质及计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 张美云 等: "基于图像序列上下文关联的肝脏器官分割方法", 生物医学工程学杂志, vol. 32, no. 05, pages 1125 - 1130 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115482181A (zh) * | 2021-05-31 | 2022-12-16 | 数坤(北京)网络科技股份有限公司 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
| CN115482181B (zh) * | 2021-05-31 | 2024-05-24 | 数坤(北京)网络科技股份有限公司 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
| CN113342271A (zh) * | 2021-06-04 | 2021-09-03 | 上海蓝色帛缔智能工程有限公司 | 一种智能化区域采集医疗数据储存的方法及电子设备 |
| CN113920068A (zh) * | 2021-09-23 | 2022-01-11 | 北京医准智能科技有限公司 | 一种基于人工智能的身体部位检测方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111882544B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109961491B (zh) | 多模态图像截断补偿方法、装置、计算机设备和介质 | |
| US10810735B2 (en) | Method and apparatus for analyzing medical image | |
| EP3483895A1 (en) | Detecting and classifying medical images based on continuously-learning whole body landmarks detections | |
| CN109460756B (zh) | 医学影像处理方法、装置、电子设备及计算机可读介质 | |
| CN109191451B (zh) | 异常检测方法、装置、设备和介质 | |
| US10949966B2 (en) | Detecting and classifying medical images based on continuously-learning whole body landmarks detections | |
| WO2021189848A1 (zh) | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 | |
| CN111882544B (zh) | 基于人工智能的医学影像显示方法及相关装置 | |
| EP3304425A1 (en) | Medical pattern classification using non-linear and nonnegative sparse representations | |
| CN112509661B (zh) | 用于识别体检报告的方法、计算设备和介质 | |
| US11837346B2 (en) | Document creation support apparatus, method, and program | |
| US10398385B2 (en) | Brain wave processing for diagnosis of a subject | |
| CN112613425B (zh) | 一种面向小样本水下图像的目标识别系统 | |
| CN112420150B (zh) | 医学影像报告的处理方法、装置、存储介质及电子设备 | |
| US20230334698A1 (en) | Methods and systems for positioning in an medical procedure | |
| CN116091522A (zh) | 医学图像分割方法、装置、设备及可读存储介质 | |
| CN111785353B (zh) | 数字病理切片的处理方法、装置、存储介质及电子设备 | |
| CN113240638B (zh) | 基于深度学习的目标检测方法、设备及介质 | |
| CN111968112B (zh) | Ct三维定位图像的获取方法、装置和计算机设备 | |
| US11200676B2 (en) | Shift invariant loss for deep learning based image segmentation | |
| CN111863206A (zh) | 一种图像预处理方法、装置、设备及存储介质 | |
| CN113990432A (zh) | 基于rpa和ai的影像报告推送方法、装置及计算设备 | |
| CN113112463A (zh) | 医学图像质量评估方法、电子设备及存储介质 | |
| CN111311587A (zh) | 医学影像数据处理方法、装置、医学信息系统及介质 | |
| CN112465834B (zh) | 一种血管分割方法及装置 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220915 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
| GR01 | Patent grant |