CN112907551B - 一种基于超声检测图像的疾病演化方法及装置 - Google Patents

一种基于超声检测图像的疾病演化方法及装置 Download PDF

Info

Publication number
CN112907551B
CN112907551B CN202110246955.5A CN202110246955A CN112907551B CN 112907551 B CN112907551 B CN 112907551B CN 202110246955 A CN202110246955 A CN 202110246955A CN 112907551 B CN112907551 B CN 112907551B
Authority
CN
China
Prior art keywords
disease
data
evolution
case
gene
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
Application number
CN202110246955.5A
Other languages
English (en)
Other versions
CN112907551A (zh
Inventor
陆飞
史振江
黄昊晶
曹德安
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.)
Guangdong Polytechnic Institute
Original Assignee
Guangdong Polytechnic Institute
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 Guangdong Polytechnic Institute filed Critical Guangdong Polytechnic Institute
Priority to CN202110246955.5A priority Critical patent/CN112907551B/zh
Publication of CN112907551A publication Critical patent/CN112907551A/zh
Application granted granted Critical
Publication of CN112907551B publication Critical patent/CN112907551B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10132—Ultrasound 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种基于超声检测图像的疾病演化方法及装置，所述方法包括：获取超声检测图像和疾病数据；从所述超声检测图像中确定病灶区域；根据所述疾病数据确定所述病灶区域的演化成因数据；根据所述演化成因数据确定所述病灶区域的演化结果。本发明可以基于用户的先天基因数据或后天环境数据与用户当前的病灶确定用户的患病成因，并基于患病成因进行演化推算，确定用户疾病的演化结果并供医护人员作参考，从而提高医护人员对用户疾病诊断和医疗的效率和准确率。

Description

一种基于超声检测图像的疾病演化方法及装置
技术领域
本发明涉及医疗辅助的技术领域，尤其涉及一种基于超声检测图像的疾病演化方法及装置。
背景技术
超声波检查(US检查)是利用人体对超声波的反射进行观察。一般的超声波检查是用弱超声波照射到身体上，将组织的反射波进行图像化处理。由于，医用超声设备造价低廉，是的超声检查费用较低，超声波检查已成为多种疾病早期筛查诊断的重要手段。
其中一种利用超声波仪器进行诊断的方法是通过超声波检查采集患者的身体图像，然后将患者的身体图像传输至计算机，由计算机对患者的身体图像进行智能分析，并将分析结果返回给医生，供医生参考。
但常用的析方法具有以下问题：由于医生处理的病人数量众多，医生只能根据病人的当前症状进行诊断治疗，难以对每个病人作详细的病理和诊断分析。
发明内容
本发明提出一种基于超声检测图像的疾病演化方法及装置，所述方法可以结合用户的疾病历史与基因序列对超声检测数据进行演化处理，得到演化结果供医生参考，从而提高诊断的效率与准确率。
本发明实施例的第一方面提供了一种基于超声检测图像的疾病演化方法，所述方法包括：
获取超声检测图像和疾病数据；
从所述超声检测图像中确定病灶区域；
根据所述疾病数据确定所述病灶区域的演化成因数据；
根据所述演化成因数据确定所述病灶区域的演化结果。
在第一方面的一种可能的实现方式中，所述根据所述疾病数据确定所述病灶区域的演化成因数据，包括：
所述疾病数据包括基因数据；
采用所述基因数据进行基因演化推算，得到基因推算结果；
判断所述基因推算结果是否包含所述病灶区域对应的疾病；
若所述基因推算结果包含所述病灶区域对应的疾病，则从所述基因数据中截取对应的疾病基因序列，以所述疾病基因序列为演化成因数据。
在第一方面的一种可能的实现方式中，所述根据所述疾病数据确定所述病灶区域的演化成因数据，包括：
所述疾病数据包括病例数据；
将所述病例数据与预设的病例数据库进行病例相似度计算，得到病例相似值；
判断所述病例相似值是否大于预设病例值；
若所述病例相似值大于预设病例值，则以所述病例数据为演化成因数据。
在第一方面的一种可能的实现方式中，所述根据所述演化成因数据确定所述病灶区域的演化结果，包括：
根据所述演化成因数据确定用户的疾病类型；
将所述疾病类型输入至演化算法中，得到演化结果。
在第一方面的一种可能的实现方式中，所述从所述超声检测图像中确定病灶区域，包括：
对所述超声检测图像进行灰度化、二值化处理，得到灰度图像；
将所述灰度图像划分成多个边框图像，并分别采集每个边框图像内的图像纹路；
计算每个所述图像纹路的纹路面积；
当所述纹路面积大于预设面积时，确定所述纹路面积所在的边框图像为病灶区域。
本发明实施例的第二方面提供了一种基于超声检测图像的疾病演化装置，所述装置包括：
采集模块，用于获取超声检测图像和疾病数据；
确定模块，用于从所述超声检测图像中确定病灶区域；
成因模块，用于根据所述疾病数据确定所述病灶区域的演化成因数据；
演化模块，用于根据所述演化成因数据确定所述病灶区域的演化结果。
在第二方面的一种可能的实现方式中，所述成因模块还用于：
所述疾病数据包括基因数据；
采用所述基因数据进行基因演化推算，得到基因推算结果；
判断所述基因推算结果是否包含所述病灶区域对应的疾病；
若所述基因推算结果包含所述病灶区域对应的疾病，则从所述基因数据中截取对应的疾病基因序列，以所述疾病基因序列为演化成因数据。
在第二方面的一种可能的实现方式中，所述成因模块还用于：
所述疾病数据包括病例数据；
将所述病例数据与预设的病例数据库进行病例相似度计算，得到病例相似值；
判断所述病例相似值是否大于预设病例值；
若所述病例相似值大于预设病例值，则以所述病例数据为演化成因数据。
相比于现有技术，本发明实施例提供的基于超声检测图像的疾病演化方法及装置，其有益效果在于：本发明可以基于用户的先天基因数据或后天环境数据与用户当前的病灶确定用户的患病成因，并基于患病成因进行演化推算，确定用户疾病的演化结果并供医护人员作参考，从而提高医护人员对用户疾病诊断和医疗的效率和准确率。
附图说明
图1是本发明一实施例提供的一种基于超声检测图像的疾病演化方法的流程示意图；
图2是本发明一实施例提供的一种基于超声检测图像的疾病演化装置的结构示意图。
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作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。
目前常用的析方法具有以下问题：由于医生处理的病人数量众多，医生只能根据病人的当前症状进行诊断治疗，难以对每个病人作详细的病理和诊断分析。
为了解决上述问题，下面将通过以下具体的实施例对本申请实施例提供的一种基于超声检测图像的疾病演化方法进行详细介绍和说明。
参照图1，示出了本发明一实施例提供的一种基于超声检测图像的疾病演化方法的流程示意图。
其中，作为示例的，所述方法可以包括：
S11、获取超声检测图像和疾病数据。
在实际操作中，所述方法可以应用于云端、服务器或服务器群组，可以通过服务器进行数据和图像的处理。
该服务器可以与医院的后台服务器连接，可以通过后台服务器获取疾病数据和超声检测图像。
S12、从所述超声检测图像中确定病灶区域。
由于超声检测图像包含用户体内某一区域的图像，而患病区域只是图像中的一小部分，需要从超声检测图像中确定具体的病灶区域，再对病灶区域进行详细的处理。
为了提高识别准确率，其中，作为示例的，步骤S12可以包括以下子步骤：
子步骤S121、对所述超声检测图像进行灰度化、二值化处理，得到灰度图像。
在本实施例中，可以先对超声检测图像进行灰度化处理，在灰度化处理后再进行二值化处理，得到灰度图像。
子步骤S122、将所述灰度图像划分成多个边框图像，并分别采集每个边框图像内的图像纹路。
具体地，可以先判断灰度图像的面积大小，根据面积确定划分边框图像的数量，再按照边框图像的数量将灰度图像划分成多个边框图像。每个面积范围可以对应一个边框图像的数量，例如，0.5至1平方米的灰度图像，对应100个边框图像，1至2平方米可以对应300个边框图像等等。
边框的大小也可以根据实际需要进行调整。
将灰度图像划分成多个边框图像后，可以分别采集每个边框图像内的图像纹路，在实际操作中，可以通过图像训练模型进行图像纹路采集。
子步骤S123、计算每个所述图像纹路的纹路面积。
子步骤S124、当所述纹路面积大于预设面积时，确定所述纹路面积所在的边框图像为病灶区域。
图像在进行灰度化处理后，由于病灶区域与正常区域形成的纹路完全不同，在正常区域一般没有较为平整，而病灶区域会有特殊的纹路。
产生纹路的原因可能是病灶的阴影，也可能是检测时图像采集角度所产生的阴影。而若纹路面积较大，该区域可能是病灶区域，若纹路面积较小，则不是病灶区域。
S13、根据所述疾病数据确定所述病灶区域的演化成因数据。
造成疾病的原因可能是多种，而不同的原因可能对疾病造成的影响也不同，为了能进一步确定疾病的演化，以为后续医生作诊断和治疗提供参考，可以根据用户的疾病数据确定病灶区域的成因。
该演化成因数据为形成该病灶区域的成因信息。
在一种可选的实施例中，造成用户患病或形成病灶的原因是用户包含的患病基因，在该患病基因发病后形成病灶，具体地，所述疾病数据包括基因数据。该基因数据具体为用户的基因序列。
其中，作为示例的，步骤S13可以包括以下子步骤：
子步骤S131、采用所述基因数据进行基因演化推算，得到基因推算结果。
在实际操作中，可以将基因数据输入至演化算法(evolutionary algorithms)中进行基因演化推算，得到基因推算结果。该基因推算结果具体为基因在生成细胞后，该细胞生长所产出的结果。
子步骤S132、判断所述基因推算结果是否包含所述病灶区域对应的疾病；
子步骤S133、若所述基因推算结果包含所述病灶区域对应的疾病，则从所述基因数据中截取对应的疾病基因序列，以所述疾病基因序列为演化成因数据。
判断细胞生长后会否包含病灶区域对应的疾病。若包含病灶区域对应的疾病，则确定该疾病是基因决定生成，可以从基因数据中提取该疾病对应的疾病基因序列，以该疾病基因序列为演化成因数据；若不包含病灶区域对应的疾病，则确定该疾病不是基因决定生成，可以停止检测。
在另一可选的实施例中，造成用户疾病的原因可能是后天因素，例如用户的生活习惯或者所处的环境或者在先的疾病演变成。具体地，该所述疾病数据包括病例数据，该病例数据为用户的个人生活信息以及以往的患病信息；
其中，作为示例的，步骤S13可以包括以下子步骤：
子步骤S134、将所述病例数据与预设的病例数据库进行病例相似度计算，得到病例相似值。
该预设的病例数据库可以存有医院在先记录的形成病灶区域对应疾病的成因数据，可以将用户的病例数据与预设的病例数据库内的各个成因数据进行相似度计算，计算病例相似值。
例如，用户的病例数据包括10项，其中8项与预设的病例数据库内的成因数据相同，则病例相似值为80％。
子步骤S135、判断所述病例相似值是否大于预设病例值。
子步骤S136、若所述病例相似值大于预设病例值，则以所述病例数据为演化成因数据。
判断用户的病例相似值是否大于预设病例值，若病例相似值大于预设病例值，可以确定是后天因素造成该病灶区域，则以所述病例数据为演化成因数据。若病例相似值小于预设病例值时，可以确定不是后天因素造成该病灶区域。
S14、根据所述演化成因数据确定所述病灶区域的演化结果。
在确定造成用户患病的成因后，可以采用该演化成因数据对病灶区域在进行一次演化，得到演化结果。
具体地，为了提高演化的准确率，其中，作为示例的，步骤S14可以包括以下子步骤：
子步骤S141、根据所述演化成因数据确定用户的疾病类型。
可以确定演化成因数据的类型确定用户的疾病类型，例如，演化成因数据是病例数据，则确定疾病类型为后天疾病类型，演化成因数据是疾病基因序列，则确定疾病类型为先天疾病类型。
子步骤S142、将所述疾病类型输入至演化算法中，得到演化结果。
再将疾病类型和病灶区域同时输入至演化算法中进行演化，得到演化结果。该演化结果可以为严重、轻微、加剧或康复等等。
最后可以将演化结果发送给医护人员，供医护人员进行参考使用。
在本实施例中，本发明实施例提供了一种基于超声检测图像的疾病演化方法，其有益效果在于：本发明可以基于用户的先天基因数据或后天环境数据与用户当前的病灶确定用户的患病成因，并基于患病成因进行演化推算，确定用户疾病的演化结果并供医护人员作参考，从而提高医护人员对用户疾病诊断和医疗的效率和准确率。
本发明实施例还提供了一种基于超声检测图像的疾病演化装置，参见图2，示出了本发明一实施例提供的一种基于超声检测图像的疾病演化装置的结构示意图。
其中，作为示例的，所述基于超声检测图像的疾病演化装置可以包括：
采集模块201，用于获取超声检测图像和疾病数据；
确定模块202，用于从所述超声检测图像中确定病灶区域；
成因模块203，用于根据所述疾病数据确定所述病灶区域的演化成因数据；
演化模块204，用于根据所述演化成因数据确定所述病灶区域的演化结果。
进一步的，所述成因模块还用于：
所述疾病数据包括基因数据；
采用所述基因数据进行基因演化推算，得到基因推算结果；
判断所述基因推算结果是否包含所述病灶区域对应的疾病；
若所述基因推算结果包含所述病灶区域对应的疾病，则从所述基因数据中截取对应的疾病基因序列，以所述疾病基因序列为演化成因数据。
进一步的，所述成因模块还用于：
所述疾病数据包括病例数据；
将所述病例数据与预设的病例数据库进行病例相似度计算，得到病例相似值；
判断所述病例相似值是否大于预设病例值；
若所述病例相似值大于预设病例值，则以所述病例数据为演化成因数据。
进一步的，所述演化模块还用于：
根据所述演化成因数据确定用户的疾病类型；
将所述疾病类型输入至演化算法中，得到演化结果。
进一步的，所述确定模块还用于：
对所述超声检测图像进行灰度化、二值化处理，得到灰度图像；
将所述灰度图像划分成多个边框图像，并分别采集每个边框图像内的图像纹路；
计算每个所述图像纹路的纹路面积；
当所述纹路面积大于预设面积时，确定所述纹路面积所在的边框图像为病灶区域。
进一步的，本申请实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例所述的基于超声检测图像的疾病演化方法。
进一步的，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述实施例所述的基于超声检测图像的疾病演化方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (6)

1.一种基于超声检测图像的疾病演化方法，其特征在于，所述方法包括：
获取超声检测图像和疾病数据；
从所述超声检测图像中确定病灶区域；
根据所述疾病数据确定所述病灶区域的演化成因数据；
根据所述演化成因数据确定所述病灶区域的演化结果；
所述根据所述疾病数据确定所述病灶区域的演化成因数据，包括：
所述疾病数据包括基因数据；
采用所述基因数据进行基因演化推算，得到基因推算结果；
判断所述基因推算结果是否包含所述病灶区域对应的疾病；
若所述基因推算结果包含所述病灶区域对应的疾病，则从所述基因数据中截取对应的疾病基因序列，以所述疾病基因序列为演化成因数据；
所述根据所述疾病数据确定所述病灶区域的演化成因数据，包括：
所述疾病数据包括病例数据；
将所述病例数据与预设的病例数据库进行病例相似度计算，得到病例相似值；
判断所述病例相似值是否大于预设病例值；
若所述病例相似值大于预设病例值，则以所述病例数据为演化成因数据。
2.根据权利要求1所述的基于超声检测图像的疾病演化方法，其特征在于，所述根据所述演化成因数据确定所述病灶区域的演化结果，包括：
根据所述演化成因数据确定用户的疾病类型；
将所述疾病类型输入至演化算法中，得到演化结果。
3.根据权利要求1所述的基于超声检测图像的疾病演化方法，其特征在于，所述从所述超声检测图像中确定病灶区域，包括：
对所述超声检测图像进行灰度化、二值化处理，得到灰度图像；
将所述灰度图像划分成多个边框图像，并分别采集每个边框图像内的图像纹路；
计算每个所述图像纹路的纹路面积；
当所述纹路面积大于预设面积时，确定所述纹路面积所在的边框图像为病灶区域。
4.一种基于超声检测图像的疾病演化装置，其特征在于，所述装置包括：
采集模块，用于获取超声检测图像和疾病数据；
确定模块，用于从所述超声检测图像中确定病灶区域；
成因模块，用于根据所述疾病数据确定所述病灶区域的演化成因数据；
演化模块，用于根据所述演化成因数据确定所述病灶区域的演化结果；
所述成因模块还用于：
所述疾病数据包括基因数据；
采用所述基因数据进行基因演化推算，得到基因推算结果；
判断所述基因推算结果是否包含所述病灶区域对应的疾病；
若所述基因推算结果包含所述病灶区域对应的疾病，则从所述基因数据中截取对应的疾病基因序列，以所述疾病基因序列为演化成因数据；
所述成因模块还用于：
所述疾病数据包括病例数据；
将所述病例数据与预设的病例数据库进行病例相似度计算，得到病例相似值；
判断所述病例相似值是否大于预设病例值；
若所述病例相似值大于预设病例值，则以所述病例数据为演化成因数据。
5.一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-3任意一项所述的基于超声检测图像的疾病演化方法。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-3任意一项所述的基于超声检测图像的疾病演化方法。
CN202110246955.5A 2021-03-05 2021-03-05 一种基于超声检测图像的疾病演化方法及装置 Active CN112907551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110246955.5A CN112907551B (zh) 2021-03-05 2021-03-05 一种基于超声检测图像的疾病演化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110246955.5A CN112907551B (zh) 2021-03-05 2021-03-05 一种基于超声检测图像的疾病演化方法及装置

Publications (2)

Publication Number Publication Date
CN112907551A CN112907551A (zh) 2021-06-04
CN112907551B true CN112907551B (zh) 2023-03-28

Family

ID=76107860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110246955.5A Active CN112907551B (zh) 2021-03-05 2021-03-05 一种基于超声检测图像的疾病演化方法及装置

Country Status (1)

Country Link
CN (1) CN112907551B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003325458A (ja) * 2002-05-14 2003-11-18 Fuji Photo Film Co Ltd 疾患候補情報出力システム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5222082B2 (ja) * 2008-09-25 2013-06-26 キヤノン株式会社 情報処理装置およびその制御方法、データ処理システム
US9053534B2 (en) * 2011-11-23 2015-06-09 The Regents Of The University Of Michigan Voxel-based approach for disease detection and evolution
CN111462909B (zh) * 2020-03-30 2024-04-05 讯飞医疗科技股份有限公司 疾病演化跟踪和病情提示方法、装置及电子设备
CN111462203B (zh) * 2020-04-07 2021-08-10 广州柏视医疗科技有限公司 Dr病灶演化分析装置和方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003325458A (ja) * 2002-05-14 2003-11-18 Fuji Photo Film Co Ltd 疾患候補情報出力システム

Also Published As

Publication number Publication date
CN112907551A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN106682435B (zh) 一种多模型融合自动检测医学图像中病变的系统及方法
JP2009072593A (ja) ３次元心臓エコーグラフデータからの平面の自動検出方法
JP2016531709A (ja) 疾患を診断するための画像解析技術
CN111553892A (zh) 基于深度学习的肺结节分割计算方法、装置及系统
CN111951219B (zh) 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备
Gunasekaran Leveraging object detection for the identification of lung cancer
Tang et al. TS-DSANN: Texture and shape focused dual-stream attention neural network for benign-malignant diagnosis of thyroid nodules in ultrasound images
KR20190059440A (ko) 유사환자 자동검색을 통한 진단 보조 시스템 및 방법
CN112907551B (zh) 一种基于超声检测图像的疾病演化方法及装置
CN111528918A (zh) 消融术后肿瘤体积变化趋势图生成装置、设备及存储介质
Bhandary et al. Early Diagnosis of Lung Cancer Using Computer Aided Detection via Lung Segmentation Approach
Nagaraj et al. Optimized TSA ResNet Architecture with TSH—Discriminatory Features for Kidney Stone Classification from QUS Images
Benrabha et al. Automatic ROI detection and classification of the achilles tendon ultrasound images
US20220036558A1 (en) Method and system for predicting expression of biomarker from medical image
KR20230094855A (ko) 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법
Li et al. Structure regularized attentive network for automatic femoral head necrosis diagnosis and localization
Chin et al. CWD2GAN: Generative adversarial network of chronic wound depth detection for predicting chronic wound depth
Amiya et al. Assertion of Low Bone Mass in Osteoporotic X-ray images using Deep Learning Technique
KR20210054140A (ko) 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법
Povoroznyuk et al. Formalisation of the problem of the matched morphological filtering of biomedical signals and images
Valarmathi et al. Automatic localization and classification of intervertebral disc herniation using hybrid classifier
Nguyen et al. Anomalies Detection in Chest X-Rays Images Using Faster R-CNN and YOLO.
Zair et al. An automated segmentation of coronary artery calcification using deep learning in specific region limitation
Kanwal et al. IA2SKAbs: Intelligent automated and accurate system for classification of kidney abnormalities
Nugroho et al. Deep Learning for Analyzing Thyroid Nodule Malignancy Based on the Composition Characteristic of the Ultrasonography Images

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