CN113130050A - 一种医学信息显示方法及显示系统 - Google Patents

一种医学信息显示方法及显示系统 Download PDF

Info

Publication number
CN113130050A
CN113130050A CN202110426246.5A CN202110426246A CN113130050A CN 113130050 A CN113130050 A CN 113130050A CN 202110426246 A CN202110426246 A CN 202110426246A CN 113130050 A CN113130050 A CN 113130050A
Authority
CN
China
Prior art keywords
medical
image
organ
comparison
images
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
Application number
CN202110426246.5A
Other languages
English (en)
Other versions
CN113130050B (zh
Inventor
刘冬
鲁玮
靳蓓蓓
朱向明
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.)
Yijishan Hospital of Wannan Medical College
Original Assignee
Yijishan Hospital of Wannan Medical College
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 Yijishan Hospital of Wannan Medical College filed Critical Yijishan Hospital of Wannan Medical College
Priority to CN202110426246.5A priority Critical patent/CN113130050B/zh
Publication of CN113130050A publication Critical patent/CN113130050A/zh
Application granted granted Critical
Publication of CN113130050B publication Critical patent/CN113130050B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06T2207/30008—Bone
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Probability & Statistics with Applications (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种医学信息显示方法及显示系统，涉及医学信息技术领域，获取多帧连续的医学图像进行处理和优化，得到高分辨率的输出图像。建立医学标准图像库，将选取出的高分辨率医学图像与医学标准图像库进行配准、识别和比较，并根据比较后的差异医学图像是否存在疾病特征，并输出显示比较结果。此方法方便医生直观的获知患者的医学图像与医学标准图像之间的差异，快速且准确的进行病症的判断，大大的降低了误诊的概率，提高诊断的准确性。

Description

一种医学信息显示方法及显示系统
技术领域
本发明涉及医学信息技术领域，特别涉及一种医学信息显示方法及显示系统。
背景技术
医学信息学，MI(Medicine information)是医学和计算机科学的结合科学，是医学发展的必经阶段。是一门新兴交叉学科。医学信息学包括下属子领域，如：生物信息学，药物信息学，公共卫生信息学，医学图形信息学等。而在实际生活中，医学图形信息的应用较为广泛，医生可以通过观察患者的医学图形信息进而获知患者的身体状况，方便进行诊断。医学图形信息可以高效的反映人体异常，但现有技术都是由机器获取医学图形，再由医生以肉眼进行观察，判断患者病症，此人工方法的准确性不高，产生误诊的几率较大。为了解决此问题，本申请提供了一种医学信息显示方法及显示系统，采用智能化方法处理识别医学图像，辨别医学图像与标准之间的差异，并输出显示差异结果，方便医生一目了然的了解患者身体的异常。
发明内容
本发明的目的在于提供一种医学信息显示方法及显示系统，采用智能化方法处理识别医学图像，辨别医学图像与标准之间的差异，并输出显示差异结果，方便医生一目了然的了解患者身体的异常。
本发明提供了一种医学信息显示方法，包括以下步骤：
S1、采用医学图像获取装置获取多帧连续的医学图像，通过卷积神经网络进行医学图像的特征提取，并对得到的线性特征图进行修正和优化，选取出一帧高分辨率的医学图像；
S2、建立医学标准图像库，并从中选取训练样本进行特征向量的聚类，得出训练样本与医学图像的相似性排序，进行医学图像所属器官的类别确定，并与训练样本进行器官的差异比较；
S3、根据比较结果判别医学图像是否存在差异特征，并输出显示比较结果。
进一步地，所述步骤S1中从多帧连续的医学图像中获取一张医学图像的方法步骤为：
S1.1、将多帧相邻的医学图像输入到一个通道数为N的卷积层中，其中N为医学图像的帧数，输出线性特征图；
S1.2、将线性特征图输入修正线性单元进行修正，得到非线性的特征图；
S1.3、将非线性特征图输入具有相同结构的残差网络模块进行优化，得到高频细节特征图；
S1.4、将得到的高频细节特征图输入两个亚像素卷积层，提高输出图像的分辨率，得到放大的特征图；
S1.5、将放大的特征图输入到最后一个卷积层，将通道数降到RGB通道，输出最终的高分辨率图像。
进一步地，所述步骤S2中选取的医学图像与医学标准图像库进行配准、识别和比较的步骤如下所示：
S2.1：在医学标准图像库中选取每一类器官图像作为训练样本；
S2.2：采用网格化均匀提取训练样本的Sift特征点，对训练样本中每张图像进行均匀化网格划分，得到若干个图像块，计算每个图像块的中心点sift特征描述向量，得到每张图像的特征描述向量集合Fi；
S2.3：对训练样本中的所有特征描述向量Fi进行K均值聚类，获得聚类中心向量集合；
S2.4：聚类过程得出每个器官包含的特征描述向量集，计算每个器官的特征直方图；
S2.5：基于修正直方图交叉核函数的相似性度量方法计算选出的医学图像与每个训练样本的相似性，得到相似性矩阵I；
S2.6：对相似性矩阵进行降序排序，设置k近邻分类中邻域大小d，基于近邻分类器计算得出医学图像所属的器官类别；
S2.7：根据识别的结果进行医学图像与医学标准图像库中对应器官图像之间的比较，判断两者是否存在差异。
进一步地，器官图像的比较包括：骨头的外观及形状的比较、骨头之间的间隙的比较、脏器的外观及形状的比较、肿瘤的存在及大小的比较。
进一步地，所述步骤S3判别依据为：
若医学图像与医学标准图像库中对应器官图像之间存在差异，则判别医学图像中的该器官存在差异特征，输出显示比较结果和诊断结果；若无差异，则表示医学图像内的器官无异常，输出医学图像和诊断结果。
进一步地，应用一种医学信息显示方法的显示系统，包括信号连接的医学图像采集模块和医学信息处理显示器；
医学图像采集模块：用于采集患者身体部位的连续多帧医学图像；
医学信息处理显示器：接收采集到的连续多帧医学图像，进行图像的优化处理，并与建立的医学标准图像库内的图像进行配准、识别和比较，根据比较结果判别是否存在疾病特征，并进行显示。
进一步地，所述医学信息处理显示器内包括图像处理优化模块、配准识别比较模块和显示中心；
图像处理优化模块：接收采集到的连续多帧医学图像，进行处理和优化，得出一帧高分辨率图像；
配准识别比较模块：将优化后的医学图像与建立的医学标准图像库内的图像进行配准、识别和比较；
显示中心：根据比较结果判别是否存在差异特征，并进行显示。
与现有技术相比，本发明具有如下显著优点：
本发明提出的一种医学信息显示方法及显示系统，获取多帧连续的医学图像进行处理和优化，得到高分辨率的输出图像。建立医学标准图像库，将选取出的高分辨率医学图像与医学标准图像库进行配准、识别和比较，并根据比较后的差异医学图像是否存在疾病特征，并输出显示比较结果。此方法方便医生直观的获知患者的医学图像与医学标准图像之间的差异，快速且准确的进行病症的判断，大大的降低了误诊的概率，提高诊断的准确性。
附图说明
图1为本发明实施例提供的一种医学信息显示方法及显示系统的方法流程图；
图2为本发明实施例提供的一种医学信息显示方法及显示系统的系统构成图。
具体实施方式
下面结合本发明中的附图，对本发明实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
参照图1-2，本发明提供了一种医学信息显示方法，包括以下步骤：
S1、采用医学图像获取装置获取多帧连续的医学图像，通过卷积神经网络进行医学图像的特征提取，并对得到的线性特征图进行修正和优化，选取出一帧高分辨率的医学图像；
S2、建立医学标准图像库，并从中选取训练样本进行特征向量的聚类，得出训练样本与医学图像的相似性排序，进行医学图像所属器官的类别确定，并与训练样本进行器官的差异比较；
S3、根据比较结果判别医学图像是否存在差异特征，并输出显示比较结果。
其中，所述步骤S3判别依据为：
若医学图像与医学标准图像库中对应器官图像之间存在差异，则判别医学图像中的该器官存在疾病特征，输出显示比较结果和诊断结果；若无差异，则表示医学图像内的器官无异常，输出医学图像和诊断结果。
实施例1
所述步骤S1中从多帧连续的医学图像中获取一张医学图像的方法步骤为：
S1.1、将多帧相邻的医学图像输入到一个通道数为N的卷积层中，其中N为医学图像的帧数，输出线性特征图；
S1.2、将线性特征图输入修正线性单元进行修正，得到非线性的特征图；
S1.3、将非线性特征图输入具有相同结构的残差网络模块进行优化，得到高频细节特征图；
S1.4、将得到的高频细节特征图输入两个亚像素卷积层，提高输出图像的分辨率，得到放大的特征图；
S1.5、将放大的特征图输入到最后一个卷积层，将通道数降到RGB通道，输出最终的高分辨率图像。
实施例2
所述步骤S2中选取的医学图像与医学标准图像库进行配准、识别和比较的步骤如下所示：
S2.1：在医学标准图像库中选取每一类器官图像作为训练样本；
S2.2：采用网格化均匀提取训练样本的Sift特征点，对训练样本中每张图像进行均匀化网格划分，得到若干个图像块，计算每个图像块的中心点sift特征描述向量，得到每张图像的特征描述向量集合Fi；
S2.3：对训练样本中的所有特征描述向量Fi进行K均值聚类，获得聚类中心向量集合；
S2.4：聚类过程得出每个器官包含的特征描述向量集，计算每个器官的特征直方图；
S2.5：基于修正直方图交叉核函数的相似性度量方法计算选出的医学图像与每个训练样本的相似性，得到相似性矩阵I；
S2.6：对相似性矩阵进行降序排序，设置k近邻分类中邻域大小d，基于近邻分类器计算得出医学图像所属的器官类别；
S2.7：根据识别的结果进行医学图像与医学标准图像库中对应器官图像之间的比较，判断两者是否存在差异。
其中，器官图像的比较包括：骨头的外观及形状的比较、骨头之间的间隙的比较、脏器的外观及形状的比较、肿瘤的存在及大小的比较。
实施例3
应用一种医学信息显示方法的显示系统，其特征在于，包括信号连接的医学图像采集模块和医学信息处理显示器；
医学图像采集模块：用于采集患者身体部位的连续多帧医学图像；
医学信息处理显示器：接收采集到的连续多帧医学图像，进行图像的优化处理，并与建立的医学标准图像库内的图像进行配准、识别和比较，根据比较结果判别是否存在差异特征，并进行显示。
其中，所述医学信息处理显示器内包括图像处理优化模块、配准识别比较模块和显示中心；
图像处理优化模块：接收采集到的连续多帧医学图像，进行处理和优化，得出一帧高分辨率图像；
配准识别比较模块：将优化后的医学图像与建立的医学标准图像库内的图像进行配准、识别和比较；
显示中心：根据比较结果判别是否存在差异特征，并进行显示。
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (7)

1.一种医学信息显示方法，其特征在于，包括以下步骤：
S1、采用医学图像获取装置获取多帧连续的医学图像，通过卷积神经网络进行医学图像的特征提取，并对得到的线性特征图进行修正和优化，选取出一帧高分辨率的医学图像；
S2、建立医学标准图像库，并从中选取训练样本进行特征向量的聚类，得出训练样本与医学图像的相似性排序，进行医学图像所属器官的类别确定，并与训练样本进行器官的差异比较；
S3、根据比较结果判别医学图像是否存在差异特征，并输出显示比较结果。
2.如权利要求1所述的一种医学信息显示方法，其特征在于，所述步骤S1中从多帧连续的医学图像中获取一张医学图像的方法步骤为：
S1.1、将多帧相邻的医学图像输入到一个通道数为N的卷积层中，其中N为医学图像的帧数，输出线性特征图；
S1.2、将线性特征图输入修正线性单元进行修正，得到非线性的特征图；
S1.3、将非线性特征图输入具有相同结构的残差网络模块进行优化，得到高频细节特征图；
S1.4、将得到的高频细节特征图输入两个亚像素卷积层，提高输出图像的分辨率，得到放大的特征图；
S1.5、将放大的特征图输入到最后一个卷积层，将通道数降到RGB通道，输出最终的高分辨率图像。
3.如权利要求1所述的一种医学信息显示方法，其特征在于，所述步骤S2中选取的医学图像与医学标准图像库进行配准、识别和比较的步骤如下所示：
S2.1：在医学标准图像库中选取每一类器官图像作为训练样本；
S2.2：采用网格化均匀提取训练样本的Sift特征点，对训练样本中每张图像进行均匀化网格划分，得到若干个图像块，计算每个图像块的中心点sift特征描述向量，得到每张图像的特征描述向量集合Fi；
S2.3：对训练样本中的所有特征描述向量Fi进行K均值聚类，获得聚类中心向量集合；
S2.4：聚类过程得出每个器官包含的特征描述向量集，计算每个器官的特征直方图；
S2.5：基于修正直方图交叉核函数的相似性度量方法计算选出的医学图像与每个训练样本的相似性，得到相似性矩阵I；
S2.6：对相似性矩阵进行降序排序，设置k近邻分类中邻域大小d，基于近邻分类器计算得出医学图像所属的器官类别；
S2.7：根据识别的结果进行医学图像与医学标准图像库中对应器官图像之间的比较，判断两者是否存在差异。
4.如权利要求3所述的一种医学信息显示方法，其特征在于，器官图像的比较包括：骨头的外观及形状的比较、骨头之间的间隙的比较、脏器的外观及形状的比较、肿瘤的存在及大小的比较。
5.如权利要求1所述的一种医学信息显示方法，其特征在于，所述步骤S3判别依据为：
若医学图像与医学标准图像库中对应器官图像之间存在差异，则判别医学图像中的该器官存在差异特征，输出显示比较结果和诊断结果；若无差异，则表示医学图像内的器官无异常，输出医学图像和诊断结果。
6.应用如权利要求1所述的一种医学信息显示方法的显示系统，其特征在于，包括信号连接的医学图像采集模块和医学信息处理显示器；
医学图像采集模块：用于采集患者身体部位的连续多帧医学图像；
医学信息处理显示器：接收采集到的连续多帧医学图像，进行图像的优化处理，并与建立的医学标准图像库内的图像进行配准、识别和比较，根据比较结果判别是否存在疾病特征，并进行显示。
7.如权利要求6所述的一种医学信息显示方法的显示系统，其特征在于，所述医学信息处理显示器内包括图像处理优化模块、配准识别比较模块和显示中心；
图像处理优化模块：接收采集到的连续多帧医学图像，进行处理和优化，得出一帧高分辨率图像；
配准识别比较模块：将优化后的医学图像与建立的医学标准图像库内的图像进行配准、识别和比较；
显示中心：根据比较结果判别是否存在差异特征，并进行显示。
CN202110426246.5A 2021-04-20 2021-04-20 一种医学信息显示方法及显示系统 Active CN113130050B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110426246.5A CN113130050B (zh) 2021-04-20 2021-04-20 一种医学信息显示方法及显示系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110426246.5A CN113130050B (zh) 2021-04-20 2021-04-20 一种医学信息显示方法及显示系统

Publications (2)

Publication Number Publication Date
CN113130050A true CN113130050A (zh) 2021-07-16
CN113130050B CN113130050B (zh) 2023-11-24

Family

ID=76778416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110426246.5A Active CN113130050B (zh) 2021-04-20 2021-04-20 一种医学信息显示方法及显示系统

Country Status (1)

Country Link
CN (1) CN113130050B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023246937A1 (en) * 2022-06-24 2023-12-28 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image processing

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324853A (zh) * 2013-06-25 2013-09-25 上海交通大学 基于医学图像特征的相似度计算系统及方法
CN106250906A (zh) * 2016-07-08 2016-12-21 大连大学 基于过采样修正的大规模医学图像聚类方法
CN107492099A (zh) * 2017-08-28 2017-12-19 京东方科技集团股份有限公司 医学图像分析方法、医学图像分析系统以及存储介质
US20180204111A1 (en) * 2013-02-28 2018-07-19 Z Advanced Computing, Inc. System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform
CN108921786A (zh) * 2018-06-14 2018-11-30 天津大学 基于残差卷积神经网络的图像超分辨率重构方法
CN110504029A (zh) * 2019-08-29 2019-11-26 腾讯医疗健康(深圳)有限公司 一种医学图像处理方法、医学图像识别方法及装置
WO2020087960A1 (zh) * 2018-10-30 2020-05-07 腾讯科技（深圳）有限公司 一种影像识别的方法、装置、终端设备和医疗系统
CN111696035A (zh) * 2020-05-21 2020-09-22 电子科技大学 一种基于光流运动估计算法的多帧图像超分辨率重建方法
WO2021017372A1 (zh) * 2019-08-01 2021-02-04 中国科学院深圳先进技术研究院 一种基于生成对抗网络的医学图像分割方法、系统及电子设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180204111A1 (en) * 2013-02-28 2018-07-19 Z Advanced Computing, Inc. System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform
CN103324853A (zh) * 2013-06-25 2013-09-25 上海交通大学 基于医学图像特征的相似度计算系统及方法
CN106250906A (zh) * 2016-07-08 2016-12-21 大连大学 基于过采样修正的大规模医学图像聚类方法
CN107492099A (zh) * 2017-08-28 2017-12-19 京东方科技集团股份有限公司 医学图像分析方法、医学图像分析系统以及存储介质
CN108921786A (zh) * 2018-06-14 2018-11-30 天津大学 基于残差卷积神经网络的图像超分辨率重构方法
WO2020087960A1 (zh) * 2018-10-30 2020-05-07 腾讯科技（深圳）有限公司 一种影像识别的方法、装置、终端设备和医疗系统
WO2021017372A1 (zh) * 2019-08-01 2021-02-04 中国科学院深圳先进技术研究院 一种基于生成对抗网络的医学图像分割方法、系统及电子设备
CN110504029A (zh) * 2019-08-29 2019-11-26 腾讯医疗健康(深圳)有限公司 一种医学图像处理方法、医学图像识别方法及装置
CN111696035A (zh) * 2020-05-21 2020-09-22 电子科技大学 一种基于光流运动估计算法的多帧图像超分辨率重建方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
MALTE BRUNN, NAVEEN HIMTHANI, , , ANDREAS MANG: ""Fast GPU 3D diffeomorphic image registration"", 《JOURNAL OF PARALLEL AND DISTRIBUTED COMPUTING》, vol. 149, pages 149 - 162, XP086441039, DOI: 10.1016/j.jpdc.2020.11.006 *
吴翠颖;周涛;陆惠玲;王媛媛;: ""特征级图像融合及在医学图像中的应用研究"", 《电视技术》, no. 12 *
廖广军: "《公安数字影像处理与分析》", 31 March 2017, pages: 142 - 144 *
相艳;桂鹏;王硕;许春荣;邵党国;刘利军;汤守国;: ""一种改进的条件方差和医学图像配准"", 《生物医学工程研究》, no. 01 *
苏勇刚等: ""基于深度学习的SIFT图像检索算法"", 《计算机系统应用》 *
苏勇刚等: ""基于深度学习的SIFT图像检索算法"", 《计算机系统应用》, 15 September 2020 (2020-09-15), pages 164 - 170 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023246937A1 (en) * 2022-06-24 2023-12-28 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image processing

Also Published As

Publication number Publication date
CN113130050B (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN109583440B (zh) 结合影像识别与报告编辑的医学影像辅助诊断方法及系统
CN108446730B (zh) 一种基于深度学习的ct肺结节检测装置
WO2018074739A1 (ko) 뇌졸중 진단 및 예후 예측 방법 및 시스템
US7979212B2 (en) Method and system for morphology based mitosis identification and classification of digital images
EP3479348B1 (en) Method and apparatus for real-time detection of polyps in optical colonoscopy
Zhang et al. Automated semantic segmentation of red blood cells for sickle cell disease
CN112088394A (zh) 生物组织的计算机分类
CN111227864A (zh) 使用超声图像利用计算机视觉进行病灶检测的方法与装置
CN114664413B (zh) 在治疗前对直肠癌治疗抵抗及其分子机制的预测系统
CN110729045A (zh) 一种基于上下文感知残差网络的舌图像分割方法
CN113744801B (zh) 肿瘤类别的确定方法、装置、系统、电子设备及存储介质
CN111524124A (zh) 炎症性肠病消化内镜影像人工智能辅助系统
CN114782307A (zh) 基于深度学习的增强ct影像直肠癌分期辅助诊断系统
CN109191422B (zh) 基于常规ct图像的缺血性脑卒中早期检测系统和方法
EP4046061A1 (en) Weakly supervised multi-task learning for cell detection and segmentation
CN113130050B (zh) 一种医学信息显示方法及显示系统
Kaya et al. A CNN transfer learning‐based approach for segmentation and classification of brain stroke from noncontrast CT images
CN107590806B (zh) 一种基于大脑医学成像的检测方法和系统
CN112633404A (zh) 基于DenseNet的COVID-19患者的CT影像分类方法及装置
Ji et al. A deep learning method for automatic evaluation of diagnostic information from multi-stained histopathological images
CN114359194A (zh) 基于改进U-Net网络的多模态脑卒中梗死区域图像处理方法
Aravinda et al. A demystifying convolutional neural networks using Grad-CAM for prediction of coronavirus disease (COVID-19) on X-ray images
CN114155561B (zh) 一种幽门螺杆菌定位方法及装置
Dalju et al. Superpixel-based segmentation and classification of gastrointestinal landmarks and diseases
CN115019045B (zh) 一种基于多成分邻域的小数据甲状腺超声图像分割方法

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