CN112365962B - 基于肺部ct影像和临床信息的医疗资源分配方法及设备 - Google Patents
基于肺部ct影像和临床信息的医疗资源分配方法及设备 Download PDFInfo
- Publication number
- CN112365962B CN112365962B CN202011285827.3A CN202011285827A CN112365962B CN 112365962 B CN112365962 B CN 112365962B CN 202011285827 A CN202011285827 A CN 202011285827A CN 112365962 B CN112365962 B CN 112365962B
- Authority
- CN
- China
- Prior art keywords
- lung
- medical resource
- allocation
- severity
- prediction model
- 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.)
- Active
Links
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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
- G06T2207/30061—Lung
-
- 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)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于肺部CT影像和临床信息的医疗资源分配方法及设备,其方法包括:从肺部CT影像中分割病理区域并生成肺部病灶切片;分别以患者的肺部病灶切片和预设种类的临床诊断信息为输入,均以严重性标签为输出,训练两个不同的学习模型,得到两个相互独立的严重性预测模型;分别以CT影像的特征向量和预设种类的临床诊断信息为输入,均以医疗资源分配标签为输出,训练得到两个基于随机森林的医疗资源预分配模型;对肺炎新患者,基于其CT影像和临床信息,使用两个医疗资源预分配模型分别进行资源预分配,最终融合分配结果作为新患者最终的医疗资源分配方案。本发明可对医疗资源进行合理分配,避免医疗资源的浪费。
Description
技术领域
本发明属于医疗信息技术领域,具体涉及一种基于肺部CT影像和临床信息的医疗资源分配方法及设备。
背景技术
新型冠状病毒(COVID-19)已经蔓延到200多个国家和地区,截至2020年5月30日,全球新冠肺炎死亡率为6.2%,死亡人数超过SARS和中东呼吸综合征的总和。目前能有效控制COVID-19很难的原因之一在于,治疗新冠肺炎的医疗资源有限,包括专科诊断医生、病床、重症监护病房、呼吸机等。因此,在面对当前严重的新冠肺炎疫情以及极其有限的医疗资源条件下,如何根据患者的肺部CT影像和临床信息对有限的医疗资源进行有效分配,提高新冠肺炎疫情整体的治愈率,是目前亟需解决的技术问题。
发明内容
基于当前严重的新冠肺炎疫情以及极其有限的医疗资源,本发明提供一种基于肺部CT影像和临床信息的医疗资源分配方法,可以根据患者的肺部CT影像和临床信息对有限的医疗资源进行有效分配,避免医疗资源的浪费,提高新冠肺炎疫情整体的治愈率。
为实现上述技术目的,本发明采用如下技术方案:
一种基于肺部CT影像和临床信息的医疗资源分配方法,包括以下步骤:
步骤1,针对RT-PCR检测阳性的患者,采集其肺部CT影像和预设种类的临床诊断信息;
步骤2,从肺部CT影像中分割所有病灶;
步骤3,选择已标定严重性标签的若干患者:以其肺部病灶的切片为输入、严重性标签为输出训练第一深度学习模型,得到第一严重性预测模型;以其预设种类的临床诊断信息为输入、严重性标签为输出训练第二深度学习模型,得到第二严重性预测模型;
步骤4,选择已标定医疗资源分配标签的若干患者,将其肺部病灶的切片输入至第一严重性预测模型,由第一严重性预测模型的中间层输出对应患者的CT影像特征向量;然后以所述若干患者的CT影像特征向量为输入、医疗资源分配标签为输出训练第一随机生存森林,得到医疗资源第一预分配模型;同时以所述若干患者的预设种类的临床诊断信息为输入、医疗资源分配标签为输出训练第二随机生存森林,得到医疗资源第二预分配模型;
步骤5,对于RT-PCR检测阳性的新患者,按步骤1和步骤2获取其预设种类的临床诊断信息和肺部病灶,将其肺部病灶的切片输入至第一严重性预测模型,由第一严重性预测模型的中间层输出CT影像特征向量;
将第一严重性预测模型的中间层输出的CT影像特征向量输入至医疗资源第一预分配模型,并将新患者预设种类的临床诊断信息输入至医疗资源第二预分配模型,融合两个医疗资源预分配结果得到新患者最终的医疗资源分配方案。
在更优的技术方案中,从肺部CT影像中分割病灶的方法为:利用肺部CT影像样本以及样本中各像元的病变标签训练深度卷积神经网络,得到的病灶分割网络即可用于对肺部CT影像中各像元进行病变判断,进而根据病变判断结果分割出病灶。
在更优的技术方案中,病灶分割网络对应的深度卷积神经网络,采用3D U-net网络。
在更优的技术方案中,训练深度卷积神经网络得到病灶分割网络的过程,其损失函数采用交叉熵与骰子损失函数的混合损失函数。
在更优的技术方案中,步骤3训练第一深度学习模型和步骤5使用第一严重性预测模型时,输入的肺部病灶切片是患者所有肺部病灶的轴向视图中病变面积最大的前N个肺部病灶切片。
在更优的技术方案中,步骤3训练第一随机生存林和步骤5使用第一进展预测模型时,输入的CT影像特征向量,是第一严重性预测模型的中间层输出N个CT影像特征向量的均值向量。
在更优的技术方案中,所述第一深度学习模型采用时间递归神经网络架构,训练第一深度学习模型和使用第一严重性预测模型时,其输入包括患者不同时间段的肺部病灶切片。
在更优的技术方案中,所述医疗资源分配标签的标定规则为:以住院病床、呼吸机和重症监护病房作为3种医疗资源粗分类型,将每种医疗资源粗分类型与使用时长构建医疗资源细分类型,根据先验知识为患者标定每种医疗资源细分类型的分配概率。
本发明还提供一种设备,包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行上述任一技术方案所述的方法。
有益效果
本发明利用人工智能方法分别从肺炎患者的肺部CT影像和临床诊断信息中,挖掘肺炎患者的肺炎发展趋势特征,从而基于发展趋势特征自动对该肺炎患者进行是否严重性的预后判断;另外,基于肺部CT影像的严重性预测模型,其输出标签为肺炎的严重性,因此其中间层输出是有关于肺炎的症状特征,可利用该症状特征进行肺炎预后预测,从而为患者分配相应的医疗资源,在一定程度实现医疗资源的有效分配,降低医疗资源浪费;除了基于肺部CT影像进行医疗资源分配以外,本发明还基于预设种类的临床诊断信息对患者进行肺炎预后预测,并进一步融合基于肺部CT影像的医疗资源分配结果,相当于基于患者更广泛的数据来对肺炎进行预后预测,更进一步提高有限医疗资源的合理分配,降低医疗资源浪费,提高新冠肺炎疫情整体的治愈率。
附图说明
图1为本发明实施例所述方法的技术线路图。
具体实施方式
下面对本发明的实施例作详细说明。本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
本实施例提供一种基于肺部CT影像和临床信息的医疗资源分配方法,如图1所示,包括以下步骤:
步骤1,针对RT-PCR检测阳性的患者,采集其肺部CT影像和预设种类的临床诊断信息。
本实施例采用的肺部CT影像和预设种类的临床诊断信息,从罗德岛医院的153名患者、宾夕法尼亚大学医院的323名患者和RSNA国际COVID-19放射学数据库(RSNAInternational COVID-19Open Annotated Radiology Database RICORD)的559名患者的数据中筛选得到。其中预设种类的临床诊断信息包括:发热、咳嗽、咽痛、乏力、呼吸困难、寒战、胸痛、恶心、腹泻、腹痛、神经系统症状、RT-PCR检测、其它实验室检测结果(包括:白细胞计数、中性粒细胞计数、淋巴细胞计数、血小板、C反应蛋白、D-二聚体、肌酸激酶、乳酸脱氢酶、谷丙转氨酶、谷草转氨酶、血尿素氮、肌酐)、RT-PCR检测、住院时长、是否进入ICU及时长、是否使用呼吸机及使用时长和最终结局(患者是否死亡)。同一病人的多次相同检查项目,选择时间上与最近一次CT影像最为接近的一次。
步骤2,从肺部CT影像中分割所有病灶,分割方法为:利用肺部CT影像样本以及样本中各像元的病变标签训练深度卷积神经网络,得到的病灶分割网络即可用于对肺部CT影像中各像元进行病变判断,进而根据肺部CT影像中所有像元的病变判断结果分割出病灶区域。
由于CT影像是三维的,同时又能分成多个不同厚度的二维层面,因此病灶分割网络对应的深度卷积神经网络具体可采用3D U-net网络。在将肺部CT影像输入至深度卷积神经网络之前,先对肺部CT影像进行预处理,包括图像归一化以突出肺部区域、调整图像至相同体素等,然后再将预处理得到的肺部CT影像输入至深度卷积神经网络进行训练以及实际使用。由于以上预处理技术均属于现有技术,因此本发明对此不进行具体的阐述。
另外,训练深度卷积神经网络得到病灶分割网络的过程,使用Tensorflow框架,在Nvidia1080Ti GPU上实现。由于肺部CT影像中常出现类别不均衡的问题,由此导致训练会被像素较多的类主导,对于较小的病灶很难学习到其特征,进而降低网络的有效性,因此本实施例为避免该问题,训练深度卷积神经网络的损失函数,采用交叉熵与骰子损失函数的混合损失函数。
在更优的实施例中,所述第一深度学习模型采用时间递归神经网络架构,训练第一深度学习模型和使用第一严重性预测模型时,其输入包括患者不同时间段的肺部病灶切片。从而可以提取到肺炎在肺部多个CT影像之间存在的时间特征,提高第一严重性预测模型的预测精度。
步骤3,选择已标定严重性标签的若干患者,分别基于肺部CT影像和临床诊断信息训练两个并列的严重性预测模型,从而可融合两个预测结果以提高预测精度:
(1)以每个患者所有肺部病灶中的轴向视图中病变面积最大的前10个肺部病灶切片为输入、严重性标签为输出训练第一深度学习模型,得到第一严重性预测模型;
(2)以每个患者预设种类的临床诊断信息为输入、严重性标签为输出训练第二深度学习模型,得到第二严重性预测模型。
步骤4,选择已标定医疗资源分配标签的若干患者,分别基于肺部CT影像和临床诊断信息训练两个并列的医疗资源预分配模型,从而可融合两个预分配结果以对患者提供更合适的医疗资源:
(1)将每个患者所有肺部病灶的轴向视图中病变面积最大的前10个肺部病灶切片输入至第一严重性预测模型,由第一严重性预测模型的中间层输出对应患者的10个CT影像特征向量,以该10个CT影像特征向量的平均值作为对应患者在第二随机生存森林的输入数据;然后以每个患者的10个CT影像特征向量的均值向量为输入、对应的医疗资源分配标签为输出训练第一随机生存森林,得到医疗资源第一预分配模型;
(2)以所述若干患者的预设种类的临床诊断信息为输入、医疗资源分配标签为输出训练第二随机生存森林,得到医疗资源第二预分配模型;
其中的医疗资源分配标签的标定规则为:以住院病床、呼吸机和重症监护病房作为3种医疗资源粗分类型,将每种医疗资源粗分类型与使用时长构建医疗资源细分类型,根据先验知识为患者标定每种医疗资源细分类型的分配概率
步骤5,对于RT-PCR检测阳性的新患者,按步骤1和步骤2获取其预设种类的临床诊断信息和肺部病灶切片,将新患者其肺部病灶切片输入至第一严重性预测模型;另外还将新患者的预设种类的临床诊断信息输入至第二严重性预测模型;然后通过加权求和计算来融合第一和第二严重性预测模型得到的两个严重性预测结果,作为新患者最终的严重性预测结果;
同时将第一严重性预测模型的中间层输出的CT影像特征向量进行平均合并,然后输入至医疗资源第一预分配模型,并将新患者预设种类的临床诊断信息输入至医疗资源第二预分配模型,融合两个医疗资源预分配结果得到新患者最终的医疗资源分配方案。
本发明还提供一种设备实施例,包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,以实现上述方法实施例。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (9)
1.一种基于肺部CT影像和临床信息的医疗资源分配方法,其特征在于,包括:
步骤1,针对RT-PCR检测阳性的患者,采集其肺部CT影像和预设种类的临床诊断信息;
步骤2,从肺部CT影像中分割所有病灶;
步骤3,选择已标定严重性标签的若干患者:以其肺部病灶的切片为输入、严重性标签为输出训练第一深度学习模型,得到第一严重性预测模型;以其预设种类的临床诊断信息为输入、严重性标签为输出训练第二深度学习模型,得到第二严重性预测模型;
步骤4,选择已标定医疗资源分配标签的若干患者,将其肺部病灶的切片输入至第一严重性预测模型,由第一严重性预测模型的中间层输出对应患者的CT影像特征向量;然后以所述若干患者的CT影像特征向量为输入、医疗资源分配标签为输出训练第一随机生存森林,得到医疗资源第一预分配模型;同时以所述若干患者的预设种类的临床诊断信息为输入、医疗资源分配标签为输出训练第二随机生存森林,得到医疗资源第二预分配模型;
步骤5,对于RT-PCR检测阳性的新患者,按步骤1和步骤2获取其预设种类的临床诊断信息和肺部病灶,将其肺部病灶的切片输入至第一严重性预测模型,由第一严重性预测模型的中间层输出CT影像特征向量;
将第一严重性预测模型的中间层输出的CT影像特征向量输入至医疗资源第一预分配模型,并将新患者预设种类的临床诊断信息输入至医疗资源第二预分配模型,融合两个医疗资源预分配结果得到新患者最终的医疗资源分配方案。
2.根据权利要求1所述的方法,其特征在于,从肺部CT影像中分割病灶的方法为:利用肺部CT影像样本以及样本中各像元的病变标签训练深度卷积神经网络,得到的病灶分割网络即可用于对肺部CT影像中各像元进行病变判断,进而根据病变判断结果分割出病灶。
3.根据权利要求2所述的方法,其特征在于,病灶分割网络对应的深度卷积神经网络,采用3D U-net网络。
4.根据权利要求2所述的方法,其特征在于,训练深度卷积神经网络得到病灶分割网络的过程,其损失函数采用交叉熵与骰子损失函数的混合损失函数。
5.根据权利要求1所述的方法,其特征在于,步骤3训练第一深度学习模型和步骤5使用第一严重性预测模型时,输入的肺部病灶切片是患者所有肺部病灶的轴向视图中病变面积最大的前N个肺部病灶切片。
6.根据权利要求5所述的方法,其特征在于,步骤3训练第一随机生存林和步骤5使用第一进展预测模型时,输入的CT影像特征向量,是第一严重性预测模型的中间层输出N个CT影像特征向量的均值向量。
7.根据权利要求1所述的方法,其特征在于,所述第一深度学习模型采用时间递归神经网络架构,训练第一深度学习模型和使用第一严重性预测模型时,其输入包括患者不同时间段的肺部病灶切片。
8.根据权利要求1所述的方法,其特征在于,所述医疗资源分配标签的标定规则为:以住院病床、呼吸机和重症监护病房作为3种医疗资源粗分类型,将每种医疗资源粗分类型与使用时长构建医疗资源细分类型,根据先验知识为患者标定每种医疗资源细分类型的分配概率。
9.一种设备,其特征在于,包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行如权利要求1-8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011285827.3A CN112365962B (zh) | 2020-11-17 | 2020-11-17 | 基于肺部ct影像和临床信息的医疗资源分配方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011285827.3A CN112365962B (zh) | 2020-11-17 | 2020-11-17 | 基于肺部ct影像和临床信息的医疗资源分配方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112365962A CN112365962A (zh) | 2021-02-12 |
CN112365962B true CN112365962B (zh) | 2023-08-18 |
Family
ID=74515799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011285827.3A Active CN112365962B (zh) | 2020-11-17 | 2020-11-17 | 基于肺部ct影像和临床信息的医疗资源分配方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365962B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991320B (zh) * | 2021-04-07 | 2022-04-01 | 德州市人民医院 | 脑出血患者血肿扩大风险预测系统及方法 |
CN116664953A (zh) * | 2023-06-28 | 2023-08-29 | 北京大学第三医院(北京大学第三临床医学院) | 2.5d肺炎医学ct影像分类装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107280697A (zh) * | 2017-05-15 | 2017-10-24 | 北京市计算中心 | 基于深度学习和数据融合的肺结节分级判定方法和系统 |
CN110246109A (zh) * | 2019-05-15 | 2019-09-17 | 清华大学 | 融合ct影像和个性化信息的分析系统、方法、装置及介质 |
CN111598853A (zh) * | 2020-04-30 | 2020-08-28 | 科大讯飞股份有限公司 | 针对肺炎的ct影像评分方法、装置及设备 |
WO2020183230A1 (en) * | 2019-03-14 | 2020-09-17 | Inception Institute of Artificial Intelligence, Ltd. | Medical image segmentation and severity grading using neural network architectures with semi-supervised learning techniques |
-
2020
- 2020-11-17 CN CN202011285827.3A patent/CN112365962B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107280697A (zh) * | 2017-05-15 | 2017-10-24 | 北京市计算中心 | 基于深度学习和数据融合的肺结节分级判定方法和系统 |
WO2020183230A1 (en) * | 2019-03-14 | 2020-09-17 | Inception Institute of Artificial Intelligence, Ltd. | Medical image segmentation and severity grading using neural network architectures with semi-supervised learning techniques |
CN110246109A (zh) * | 2019-05-15 | 2019-09-17 | 清华大学 | 融合ct影像和个性化信息的分析系统、方法、装置及介质 |
CN111598853A (zh) * | 2020-04-30 | 2020-08-28 | 科大讯飞股份有限公司 | 针对肺炎的ct影像评分方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的肺炎病灶分割技术用于新型冠状病毒肺炎的定量分析;潘亚玲等;中国医学计算机成像杂志;第26卷(第6期);578-583 * |
Also Published As
Publication number | Publication date |
---|---|
CN112365962A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292086A (zh) | 图像分析问答 | |
Elgendi et al. | The performance of deep neural networks in differentiating chest X-rays of COVID-19 patients from other bacterial and viral pneumonias | |
CN112365962B (zh) | 基于肺部ct影像和临床信息的医疗资源分配方法及设备 | |
EP3723042A1 (en) | Artifical intelligence-based copd assessment | |
US20070133851A1 (en) | Method and apparatus for selecting computer-assisted algorithms based on protocol and/or parameters of an acquisistion system | |
CN113164142B (zh) | 相似度确定装置、方法及程序 | |
JP6914233B2 (ja) | 類似度決定装置、方法およびプログラム | |
Han et al. | A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images | |
Kassem et al. | Explainable transfer learning-based deep learning model for pelvis fracture detection | |
Bai et al. | Body region localization in whole‐body low‐dose CT images of PET/CT scans using virtual landmarks | |
JP2019512800A (ja) | 医用文書から診断対象を抽出するための方法および装置 | |
Cho et al. | Detection of the location of pneumothorax in chest X-rays using small artificial neural networks and a simple training process | |
EP3164069B1 (en) | Systems and methods for identifying and profiling muscle patterns | |
Jaus et al. | Towards unifying anatomy segmentation: automated generation of a full-body CT dataset via knowledge aggregation and anatomical guidelines | |
Keski-Filppula et al. | Using artificial intelligence to detect chest X-rays with no significant findings in a primary health care setting in Oulu, Finland | |
Badrahadipura et al. | COVID-19 detection in chest X-rays using inception ResNet-v2 | |
Cherezov et al. | Rank acquisition impact on radiomics estimation (AсquIRE) in chest CT imaging: A retrospective multi-site, multi-use-case study | |
ES2799828B2 (es) | Metodo y sistema para identificar anomalias en radiografias | |
WO2020110520A1 (ja) | 類似度決定装置、方法およびプログラム | |
Cicėnas et al. | Investigation of pneumonia detection using convolutional neural networks | |
JP2022133179A (ja) | 画像処理装置及びその画像処理方法 | |
Sevli | A deep learning‐based approach for diagnosing COVID‐19 on chest x‐ray images, and a test study with clinical experts | |
JP2004174220A (ja) | 画像処理装置、画像処理方法、及び当該画像処理方法をコンピュータに実行させるプログラムを格納する記録媒体 | |
Blagojević et al. | Combined machine learning and finite element simulation approach towards personalized model for prognosis of COVID-19 disease development in patients | |
Murillo-Olmos et al. | Thresholding algorithm applied to chest X-ray images with pneumonia |
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 |