CN111951950A - 基于深度学习的三维数据医疗分类系统、方法和装置 - Google Patents
基于深度学习的三维数据医疗分类系统、方法和装置 Download PDFInfo
- Publication number
- CN111951950A CN111951950A CN201910410962.7A CN201910410962A CN111951950A CN 111951950 A CN111951950 A CN 111951950A CN 201910410962 A CN201910410962 A CN 201910410962A CN 111951950 A CN111951950 A CN 111951950A
- Authority
- CN
- China
- Prior art keywords
- dimensional data
- medical
- medical classification
- dimensional
- pathological
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000001575 pathological effect Effects 0.000 claims abstract description 53
- 238000013145 classification model Methods 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 21
- 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 abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000003902 lesion Effects 0.000 claims description 17
- 239000008155 medical solution Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 4
- 238000013501 data transformation Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005286 illumination Methods 0.000 abstract description 3
- 230000036285 pathological change Effects 0.000 abstract 1
- 231100000915 pathological change Toxicity 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010012688 Diabetic retinal oedema Diseases 0.000 description 1
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011190 diabetic macular edema Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于人工智能与医疗领域,具体涉及一种基于深度学习的三维数据医疗分类系统和方法,旨在为了解决现有计算机方法进行病变部位病理特征分类准确性低的问题。本发明对获取的患者病变部位的三维数据通过三维空间仿射变换,得到三维数据特征向量,基于神经网络构建的医疗分类模型对三维数据特征向量进行病理特征类别的判断,进而得到病理特征分类。本发明基于三维数据,丰富了输入数据所包含的信息量,且降低了光照等自然因素影响,并基于训练后的医疗分类模型进行病理特征分类的分配,提高了病变部位病理特征分类准确性。
Description
技术领域
本发明属于人工智能与医疗领域,具体涉及一种基于深度学习的三维数据医疗分类系统、方法和装置。
背景技术
在医学领域,疾病的早期诊断以及治疗对其治疗结果是至关重要的。例如特纳疾病,如果早期介入治疗不仅会最大化病人的身高,而且对病人的心理健康也会有所帮助。采用人工智能进行医疗诊断将降低诊断门槛,使潜在的患者在偏远地区或者不方便寻找医师的情况下也可以自行诊断,大大的提高了诊断的及时性。
疾病诊断的准确与否和医生的个人经验、工作状态等自然因素密切相关。有些疾病仅仅是靠有经验的医生进行肉眼诊断,这样可能会对病人的诊断造成误差;经验不足的医生也可能会误诊、漏诊某些疾病。此外培养一名经验丰富的医师大约需要8到10年,培养周期长。因此采用人工智能技术对患者进行诊断,不仅会大幅度减少时间成本,而且降低医师的漏诊、误诊率。
2016年Google的研究者Varun Gulshan和他的同事使用深度学习创建了一种能够检测糖尿病视网膜病变和黄斑水肿的算法,它能够通过扫描眼部的二维图像判断患者的视网膜是否发生了病变。
因二维图像信息表达内容少,图像采集易受到光照等自然因素影响,导致医疗诊断的准确率低,因此,近年来机器学习的应用从二维图像识别逐渐转移到三维图像的模型识别,使用基于深度学习的三维数据医疗分类系统能够大幅度提高病理特征分类的准确率。
发明内容
为了解决现有技术中的上述问题,即为了解决现有计算机方法进行病变部位病理特征分类准确性低的问题,本发明的第一方面,提出了基于深度学习的三维数据医疗分类系统100,如图1所示,该系统包括输入数据获取模块110、病理特征类别识别模块120、输出模块130;
所述输入数据获取模块110,配置为获取病变部位的三维数据,通过三维空间仿射变换,得到三维数据特征向量,并将所述三维数据特征向量作为输入数据;
所述病理特征类别识别模块120,配置为基于所述输入数据,通过医疗分类模型进行病理特征类别的判断;所述医疗分类模型基于神经网络构建,用于判断输入数据是否具有特定分类的病理特征;
所述输出模块130,配置为将医疗分类模型的输出的病理特征分类作为识别结果,并输出。
在一些优选的实施方式中,所述医疗分类模型为一个或多个,每一个医疗分类模型对应一个医疗分类;所述医疗分类模型,其获取方法为:
基于多种神经网络结构分别构建初始医疗分类模型;
基于特定医疗分类的训练样本,分别对各初始医疗分类模型进行训练;
基于与训练样本对应医疗分类的测试样本,对训练好的各初始医疗分类模型进行测试得到对应的多个准确率;选取准确率最高的训练好的初始医疗分类模型作为选定的医疗分类模型。
在一些优选的实施方式中,所述训练样本、所述测试样本均包括由病变部位的三维数据通过三维空间仿射变换得到的三维数据特征向量、对应三维数据的标注信息;所述标注信息包括对应三维数据是否为特定医疗分类的标识。
在一些优选的实施方式中,所述输入数据获取模块110包括三维数据变换模块112,该模块配置为将所述三维数据通过三维空间仿射变换,得到所述三维数据特征向量。
在一些优选的实施方式中,所述输入数据获取模块110还包括三维数据获取模块111,该模块配置为通过三维扫描设备获取病变部位的点云数据。
在一些优选的实施方式中,所述医疗分类系统100还包括医疗解决方案匹配模块140,该模块配置为:
在获取病变部位的三维数据对应的病理特征分类后,通过预设的病理特征-医疗解决方案库匹配对应的医疗解决方案。
本发明的第二方面提出了一种基于深度学习的三维数据医疗分类方法,该医疗分类方法包括以下步骤:
获取病变部位的三维数据,通过三维空间仿射变换,得到三维数据特征向量,并将所述三维数据特征向量作为输入数据;
基于输入数据,通过医疗分类模型进行病理特征类别的判断;所述医疗分类模型基于神经网络构建,用于判断输入数据是否具有特定分类的病理特征;
将所述医疗分类模型的输出的病理特征分类作为识别结果,并输出。
在一些优选的实施方式中,所述医疗分类方法还包括:
在获取病变部位的三维数据对应的病理特征分类后,通过预设的病理特征-医疗解决方案库匹配对应的医疗解决方案。
本发明的第三方面提出了一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行以实现上述的基于深度学习的三维数据医疗分类方法。
本发明的第四方面提出了一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于深度学习的三维数据医疗分类方法。
本发明的有益效果:
本发明系统中将所采集的病变部位的三维数据通过三维空间仿射变换,得到三维数据特征向量,丰富了输入数据所包含的信息量,并且降低了光照等自然因素影响,并基于训练后的医疗分类模型进行病理特征分类的分配,提高了病变部位病理特征分类准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1基于深度学习的三维数据医疗分类系统系统框架图;
图2医疗分类模型搭建训练流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合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。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明的基于深度学习的三维数据医疗分类系统100,如图1所示,该系统包括输入数据获取模块110、病理特征类别识别模块120、输出模块130。
输入数据获取模块110,配置为获取病变部位的三维数据,通过三维空间仿射变换,得到三维数据特征向量,并将所述三维数据特征向量作为输入数据。
病理特征类别识别模块120,配置为基于输入数据,通过医疗分类模型进行病理特征类别的判断;医疗分类模型基于神经网络构建,用于判断输入数据是否具有特定分类的病理特征。
输出模块130,配置为将医疗分类模型的输出的病理特征分类作为识别结果,并输出。
为了更清晰地对本发明进行说明,下面结合图1对本发明系统一种实施例中各步骤进行展开详述。
输入数据获取模块110包括三维数据获取模块111和三维数据变换模块112,三维数据获取模块111通过三维扫描设备获取病变部位的点云数据,以三维人脸数据为例,由于获取的三维人脸数据存在很多无用成分,例如衣领等部分,因此,需要使用鼻尖点检测,提取关键人脸部分。之后由于数据采集时产生噪声等问题会导致三维数据不能满足神经网络模型进行分类的需求,因此需要对点云数据滤波去除噪声,之后对去除噪声的三维数据通过填洞插值进行孔洞修补,以用来提升三维数据的完整度。三维数据变换模块112基于预处理的三维数据通过三维空间仿射变换模型得到三维数据特征向量;三维空间仿射变换模型由5层神经网络构成,每层均包括Conv1d,BN和ReLU函数,目的是为了训练9个仿射参数进而对三维数据进行空间仿射变换,以达到医疗分类模型可识别的目的。
病理特征类别识别模块120基于输入数据,通过基于神经网络构建的医疗分类模型进行病理特征类别的判断,确定输入数据是否具有特定分类的病理特征。
输出模块130将医疗分类模型的输出的病理特征分类作为识别结果,并输出。
医疗解决方案匹配模块140根据获取的病变部位的三维数据对应的病理特征分类,通过预设的病理特征-医疗解决方案库匹配对应的医疗解决方案。对于容易治疗的疾病,直接给出切实可行的医疗解决方案,例如可直接给出药方供病人使用,对于复杂疾病提供就诊医院供病人参考并进行进一步的治疗。
为了更好的对本发明基于深度学习的三维数据医疗分类方法实施例进行说明,以“特纳”病为例,对本实施例从模型的获取、病理特征分类两个部分进行描述。
1、模型的获取
(1)基于多种神经网络结构分别构建初始医疗分类模型。
分别搭建三种卷积神经网络模型ResNet、GoogLeNet、DenseNet。
ResNet网络模型由6层神经网络构成,其中第一层均为卷积层包括卷积、池化、批标准化、以及激活函数(ReLU);二至四层为残差层,每个残差层有多个DropBlock模块组成,每个DropBlock由卷积层,Dropout层以及下采样层构成;最后采用全连接层对采集的特征进行分类。
GoogLeNet网络模型由11层模块化结构构成,其中首层都由基本的卷积、池化、批标准化以及激活函数构成(ReLU)构成。二至十层均由inception模块化结构构成,每个Inception模块使用三种不同尺寸的卷积核和一个最大池化同时对图像特征的提取然后再进行聚合,并使用1*1的卷积核进行降维减少计算成本。最后再用全连接层对采集的特征进行分类。
DenseNet网络模型主要由9层模块化结构构成,其中首层也是有基本的卷积层和池化构成,二至八层分别由DenseBlock模块和Transition模块叠加构成。其中DenseBlock模块由BN+ReLU+Conv和BottleBlock模块组合而成;BottleBlock模块由BN+ReLU+Conv+BN+ReLU+Conv组成;Transition模块由BN+ReLU+Conv+AvgPooling构成。最后使用全连接层对采集的特征进行分类。
(2)基于特纳病症训练样本,分别对这三种神经网络模型采用反向传播算法和随机梯度下降方法减小偏差,根据前向传播的损失函数值的大小,来进行反向传播迭代更新每一层的权重,直至收敛,完成模型的训练。
使用高精度三维扫描仪获得三维人脸数据共1200余例,其中特纳患者500余例,正常对照为700余例。按照7:3的比例采用随机分配的形式将其分成训练样本和测试样本,采集得到的数据为点云。
将采集到的训练样本和测试样本的三维人脸数据进行标注,根据患者病例中医师的诊断结果,人工将其分成特纳和非特纳两类,然后对分好类的数据进行重命名和编号,以达到为每个数据标记分类标签的目的。
由于获取的三维人脸数据存在很多无用成分,例如衣领等部分,因此,需要使用鼻尖点检测,提取关键人脸部分。之后由于数据采集时产生噪声等问题会导致三维数据不能满足神经网络模型进行分类的需求,因此需要对点云数据滤波去除噪声,之后对去除噪声的三维数据通过填洞插值进行孔洞修补,以用来提升三维数据的完整度,并基于预处理的三维数据通过三维空间仿射变换,得到三维数据特征向量。
训练时采用正向传播、获得单次迭代结果、计算损失函数,结合损失函数采用梯度下降方法对函数公式中的系数进行调整、重复上述过程,当代价损失函数减少到理想程度且训练达到所要求的最大迭代次数时,生成初始医疗分类模型。
(3)基于与训练样本对应医疗分类的测试样本,对训练好的各初始医疗分类模型进行测试得到对应的多个准确率;选取准确率最高的训练好的初始医疗分类模型作为选定的医疗分类模型。
三种卷积神经网络模型(ResNet、GoogLeNet、DenseNet)进行训练完成后,采用测试样本对此模型进行测试,根据测试结果得到采用ResNet模型训练准确率最好,作为最终医疗分类模型。若测试出现过拟合状况,则对参数继续调整,直至得到最优模型。
2、病理特征分类
将获取的病变部位的三维数据,通过三维空间仿射变换,得到三维数据特征向量,输入训练好的医疗分类模型。
医疗分类模型对输入数据进行识别,提取患者的病理特征,进行病理特征类别的判断,得到分类结果。
将经过医疗分类模型处理得到病理特征分类作为识别结果输出。
需要说明的是,上述实施例提供的基于深度学习的三维数据医疗分类系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明实施例的一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行以实现上述的基于深度学习的三维数据医疗分类方法。
本发明实施例的一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于深度学习的三维数据医疗分类方法。
Claims (10)
1.基于深度学习的三维数据医疗分类系统,其特征在于,该系统包括输入数据获取模块、病理特征类别识别模块、输出模块;
所述输入数据获取模块,配置为获取病变部位的三维数据,通过三维空间仿射变换得到三维数据特征向量,并将所述三维数据特征向量作为输入数据;
所述病理特征类别识别模块,配置为基于所述输入数据,通过医疗分类模型进行病理特征类别的判断;所述医疗分类模型基于神经网络构建,用于判断输入数据是否具有特定分类的病理特征;
所述输出模块,配置为将所述医疗分类模型的输出的病理特征分类作为识别结果,并输出。
2.根据权利要求1所述的基于深度学习的三维数据医疗分类系统,其特征在于,所述医疗分类模型为一个或多个,每一个医疗分类模型对应一个医疗分类;所述医疗分类模型,其获取方法为:
基于多种神经网络结构分别构建初始医疗分类模型;
基于特定医疗分类的训练样本,分别对各初始医疗分类模型进行训练;
基于与训练样本对应医疗分类的测试样本,对训练好的各初始医疗分类模型进行测试得到对应的多个准确率;选取准确率最高的训练好的初始医疗分类模型作为选定的医疗分类模型。
3.根据权利要求2所述的基于深度学习的三维数据医疗分类系统,其特征在于,所述训练样本、所述测试样本均包括由病变部位的三维数据通过三维空间仿射变换得到的三维数据特征向量、对应三维数据的标注信息;所述标注信息包括对应三维数据是否为特定医疗分类的标识。
4.根据权利要求1-3任一项所述的基于深度学习的三维数据医疗分类系统,其特征在于,所述输入数据获取模块包括三维数据变换模块,该模块配置为将所述三维数据通过三维空间仿射变换,得到所述三维数据特征向量。
5.根据权利要求1-3任一项所述的基于深度学习的三维数据医疗分类系统,其特征在于,所述输入数据获取模块还包括三维数据获取模块,该模块配置为通过三维扫描设备获取病变部位的点云数据。
6.根据权利要求1-3任一项所述的基于深度学习的三维数据医疗分类系统,其特征在于,所述医疗分类系统还包括医疗解决方案匹配模块,该模块配置为:
在获取病变部位的三维数据对应的病理特征分类后,通过预设的病理特征-医疗解决方案库匹配对应的医疗解决方案。
7.一种基于深度学习的三维数据医疗分类方法,其特征在于,该医疗分类方法包括以下步骤:
获取病变部位的三维数据,通过三维空间仿射变换,得到三维数据特征向量,并将所述三维数据特征向量作为输入数据;
基于输入数据,通过医疗分类模型进行病理特征类别的判断;所述医疗分类模型基于神经网络构建,用于判断输入数据是否具有特定分类的病理特征;
将所述医疗分类模型的输出的病理特征分类作为识别结果,并输出。
8.根据权利要求7所述的基于深度学习的三维数据医疗分类方法,其特征在于,所述医疗分类方法还包括:
在获取病变部位的三维数据对应的病理特征分类后,通过预设的病理特征-医疗解决方案库匹配对应的医疗解决方案。
9.一种存储装置,其中存储有多条程序,其特征在于,所述程序适于由处理器加载并执行以实现权利要求7或8所述的基于深度学习的三维数据医疗分类方法。
10.一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;其特征在于,所述程序适于由处理器加载并执行以实现权利要求7或8所述的基于深度学习的三维数据医疗分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910410962.7A CN111951950B (zh) | 2019-05-16 | 2019-05-16 | 基于深度学习的三维数据医疗分类系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910410962.7A CN111951950B (zh) | 2019-05-16 | 2019-05-16 | 基于深度学习的三维数据医疗分类系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951950A true CN111951950A (zh) | 2020-11-17 |
CN111951950B CN111951950B (zh) | 2023-11-24 |
Family
ID=73336699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910410962.7A Active CN111951950B (zh) | 2019-05-16 | 2019-05-16 | 基于深度学习的三维数据医疗分类系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951950B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949761A (zh) * | 2021-03-31 | 2021-06-11 | 东莞中国科学院云计算产业技术创新与育成中心 | 三维图像神经网络模型的训练方法、装置和计算机设备 |
CN115361424A (zh) * | 2022-10-21 | 2022-11-18 | 新亿成科技(江苏)有限公司 | 一种基于物联网数据分析的医疗设备监控方法和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160191879A1 (en) * | 2014-12-30 | 2016-06-30 | Stephen Howard | System and method for interactive projection |
CN106874687A (zh) * | 2017-03-03 | 2017-06-20 | 深圳大学 | 病理切片图像智能分类方法及装置 |
CN108717869A (zh) * | 2018-05-03 | 2018-10-30 | 中国石油大学(华东) | 基于卷积神经网络的糖尿病视网膜并发症诊断辅助系统 |
CN108806792A (zh) * | 2017-05-03 | 2018-11-13 | 金波 | 深度学习面诊系统 |
CN109165667A (zh) * | 2018-07-06 | 2019-01-08 | 中国科学院自动化研究所 | 基于自注意力机制的脑疾病分类系统 |
CN109378068A (zh) * | 2018-08-21 | 2019-02-22 | 深圳大学 | 一种鼻咽癌疗效的自动评测方法及系统 |
CN110503630A (zh) * | 2019-07-19 | 2019-11-26 | 江苏师范大学 | 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 |
DE202020101691U1 (de) * | 2019-04-01 | 2020-07-09 | Canon Medical Systems Corporation | Medizinisches Bildverarbeitungsgerät und Programm |
CN112382384A (zh) * | 2020-11-10 | 2021-02-19 | 中国科学院自动化研究所 | 特纳综合征诊断模型训练方法、诊断系统及相关设备 |
CN114048806A (zh) * | 2021-11-09 | 2022-02-15 | 安徽大学 | 一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法 |
-
2019
- 2019-05-16 CN CN201910410962.7A patent/CN111951950B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160191879A1 (en) * | 2014-12-30 | 2016-06-30 | Stephen Howard | System and method for interactive projection |
CN106874687A (zh) * | 2017-03-03 | 2017-06-20 | 深圳大学 | 病理切片图像智能分类方法及装置 |
CN108806792A (zh) * | 2017-05-03 | 2018-11-13 | 金波 | 深度学习面诊系统 |
CN108717869A (zh) * | 2018-05-03 | 2018-10-30 | 中国石油大学(华东) | 基于卷积神经网络的糖尿病视网膜并发症诊断辅助系统 |
CN109165667A (zh) * | 2018-07-06 | 2019-01-08 | 中国科学院自动化研究所 | 基于自注意力机制的脑疾病分类系统 |
CN109378068A (zh) * | 2018-08-21 | 2019-02-22 | 深圳大学 | 一种鼻咽癌疗效的自动评测方法及系统 |
DE202020101691U1 (de) * | 2019-04-01 | 2020-07-09 | Canon Medical Systems Corporation | Medizinisches Bildverarbeitungsgerät und Programm |
CN110503630A (zh) * | 2019-07-19 | 2019-11-26 | 江苏师范大学 | 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 |
CN112382384A (zh) * | 2020-11-10 | 2021-02-19 | 中国科学院自动化研究所 | 特纳综合征诊断模型训练方法、诊断系统及相关设备 |
CN114048806A (zh) * | 2021-11-09 | 2022-02-15 | 安徽大学 | 一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法 |
Non-Patent Citations (2)
Title |
---|
李宜鹏: "三维CT图像肝脏自动分割方法的研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, no. 4, pages 076 - 32 * |
郭超: "基于深度学习的视网膜分支动脉阻塞分割", 《软件导刊》, no. 11, pages 5 - 10 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949761A (zh) * | 2021-03-31 | 2021-06-11 | 东莞中国科学院云计算产业技术创新与育成中心 | 三维图像神经网络模型的训练方法、装置和计算机设备 |
CN115361424A (zh) * | 2022-10-21 | 2022-11-18 | 新亿成科技(江苏)有限公司 | 一种基于物联网数据分析的医疗设备监控方法和系统 |
CN115361424B (zh) * | 2022-10-21 | 2023-02-03 | 新亿成科技(江苏)有限公司 | 一种基于物联网数据分析的医疗设备监控方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111951950B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tong et al. | Application of machine learning in ophthalmic imaging modalities | |
CN107358605B (zh) | 用于识别糖尿病视网膜病变的深度神经网络装置及系统 | |
JP6947759B2 (ja) | 解剖学的対象物を自動的に検出、位置特定、及びセマンティックセグメンテーションするシステム及び方法 | |
CN107492099B (zh) | 医学图像分析方法、医学图像分析系统以及存储介质 | |
Zhang et al. | Development of an automated screening system for retinopathy of prematurity using a deep neural network for wide-angle retinal images | |
CN108416776A (zh) | 图像识别方法、图像识别装置、计算机产品和可读存储介质 | |
CN110517238B (zh) | Ct医学影像ai三维重建与人机交互可视化网络系统 | |
Skandarani et al. | Generative adversarial networks in cardiology | |
CN110246109A (zh) | 融合ct影像和个性化信息的分析系统、方法、装置及介质 | |
CN113096137B (zh) | 一种oct视网膜图像领域适应分割方法及系统 | |
JP2022545355A (ja) | 医療機器を識別、ラベル付け、及び追跡するためのシステム及び方法 | |
CN108877923A (zh) | 一种基于深度学习的舌苔生成中药处方的方法 | |
CN110321827A (zh) | 一种基于人脸疼痛表情视频的疼痛水平评估方法 | |
CN106127783A (zh) | 一种基于深度学习的医疗影像识别系统 | |
WO2022027084A1 (en) | Deriving target data from selected brain data | |
CN111951950A (zh) | 基于深度学习的三维数据医疗分类系统、方法和装置 | |
Zhang et al. | A human-in-the-loop deep learning paradigm for synergic visual evaluation in children | |
Zia et al. | A multilevel deep feature selection framework for diabetic retinopathy image classification | |
CN112967786A (zh) | 基于多模影像与交互设备的解剖导航的构建方法及系统 | |
CN110503636B (zh) | 参数调整方法、病灶预测方法、参数调整装置及电子设备 | |
CN113256638A (zh) | 基于卷积神经网络模型的眼球角膜神经分割方法及装置 | |
Smith et al. | Automated torso contour extraction from clinical cardiac MR slices for 3D torso reconstruction | |
Ou et al. | M 2 LC-Net: A multi-modal multi-disease long-tailed classification network for real clinical scenes | |
Jabbar et al. | Deep learning based classification of wrist cracks from X-ray imaging | |
CN116309346A (zh) | 医学图像的检测方法、装置、设备、存储介质及程序产品 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |