CN113393920A - 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 - Google Patents
一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 Download PDFInfo
- Publication number
- CN113393920A CN113393920A CN202110669467.5A CN202110669467A CN113393920A CN 113393920 A CN113393920 A CN 113393920A CN 202110669467 A CN202110669467 A CN 202110669467A CN 113393920 A CN113393920 A CN 113393920A
- Authority
- CN
- China
- Prior art keywords
- pneumoconiosis
- chest
- radiograph
- stage
- artificial intelligence
- 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.)
- Pending
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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法,涉及人工智能筛查尘肺病胸片技术领域,具体为一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法,由人工智能系统运行完成尘肺病胸片遴选、标注或验证,以及人工智能系统包括数据库、中央处理器、IC芯片和控制器,进一步的,包括以下步骤:S1、尘肺病胸片遴选;S2、人工标注;S3、建立基础数据库;S4、人工智能验证。本发明中,人工智能筛查尘肺病胸片对照尘肺病X线诊断标准片对应标注,并可将尘肺病胸片根据《职业性尘肺病的诊断》分期,并挑选出一级优片和二级良片,以及将尘肺病胸片的数据录入人工智能系统,快速建立数据模型,并得出尘肺病胸片的诊断结果,精准度高。
Description
技术领域
本发明涉及人工智能筛查尘肺病胸片技术领域,具体为一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法。
背景技术
尘肺病是在职业活动中长期吸入不同致病性的生产性粉尘并在肺内潴留而引起的以肺组织弥漫性纤维化为主的一组职业性肺部疾病的统称,按我国《职业病分类和目录》,主要包括矽肺、煤工尘肺、石墨尘肺、炭黑尘肺、石棉肺、滑石尘肺、水泥尘肺、云母尘肺、陶工尘肺、铝尘肺、电焊工尘肺、铸工尘肺十二种。
尘肺病的病程和临床表现取决于患者在生产环境中所接触矿物粉尘的性质、浓度、接尘工龄、防护措施、个体特征,以及患者有无合并症等,不同种类的尘肺是有差异的。二氧化硅粉尘(矽尘)致肺纤维化的能力最强,其所致矽肺也是尘肺病中病情最严重的。矽肺一般在接尘后20~45年间均可能发病。接触粉尘浓度高的发病较快,可在5~15年发病,其病程进展也较快。其次是石棉纤维粉尘,它不仅有很强的致肺纤维化的作用,而且可引起肺癌和间皮瘤。一般来说,早期尘肺病多无明显症状和体征,或有轻微症状,往往被患者忽视,肺功能也多无明显变化。随着病情的进展,尘肺病的症状逐渐出现并加重,主要是以呼吸系统为主的咳嗽、咳痰、胸痛、呼吸困难四大症状,以及喘息、咯血和全身症状。尘肺病通常病程较长,患者即使脱离粉尘接触环境,病情仍会进展和加重,是需要终生进行康复治疗的慢性病。
我国尘肺病的诊断依据《职业性尘肺病的诊断》(GBZ 70-2015)标准。尘肺病的诊断原则是根据可靠的生产性矿物性粉尘接触史,以技术质量合格的X射线高千伏或数字X射线摄影(DR)后前位胸片表现为主要依据,结合工作场所职业卫生学、尘肺流行病学调查资料和职业健康监护资料,参考临床表现和实验室检查,排除其他类似肺部疾病后,对照尘肺病诊断标准片,方可诊断。诊断医师应严格按照诊断标准,根据X线胸片小阴影的总体密集度,小阴影分布的肺区范围,有无小阴影聚集、大阴影、胸膜斑等,将尘肺病诊断分为壹期、贰期和叁期。
尘肺患者由于长期接触矿物性粉尘,呼吸系统的清除和防御机制受到严重损害,加之尘肺病慢性、进行性的长期病程,患者的抵抗力明显降低,常常发生各种并发症/合并症,如呼吸系统感染、气胸、肺结核、慢性阻塞性肺疾病和慢性肺源性心脏病(肺心病)等。
人工筛查尘肺病胸片所消耗的时间较长,以及人工感受疲惫,容易导致尘肺病胸片挑选出错,且不便于对比或判断尘肺病胸片的质量的缺点。
发明内容
针对现有技术的不足,本发明提供了一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法,解决了上述背景技术中提出人工筛查尘肺病胸片所消耗的时间较长,以及人工感受疲惫,容易导致尘肺病胸片挑选出错,且不便于对比或判断尘肺病胸片的质量的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法,由人工智能系统运行完成尘肺病胸片遴选、标注或验证,以及人工智能系统包括数据库、中央处理器、IC芯片和控制器,进一步的,包括以下步骤:
S1、尘肺病胸片遴选;
S2、人工标注;
S3、建立基础数据库;
S4、人工智能验证。
可选的,所述步骤S1、尘肺病胸片遴选中,具体包括以下步骤:
S101、尘肺病诊断人员调出尘肺病胸片,并按照选片要求和诊断原则读片;
S102、尘肺病胸片分辨并挑选;
S103、尘肺病胸片对比并归纳。
可选的,所述步骤S101中,调出尘肺病胸片为:若干个标准尘肺病胸片用作对比,以及若干个尘肺壹期胸片、尘肺贰期胸片和尘肺叁期胸片。
可选的,所述步骤S101中,尘肺病诊断人员应通过国家职业病诊断医师资格考核并取得资质证书,以及实行集体诊断原则,读片时按照胸片拍片时间的先后顺序,并观察比较影像的动态变化。
可选的,所述步骤S102中,分辨尘肺病胸片质量,以及尘肺病胸片质量要求:照片无伪影、漏光、污染、划痕、水渍及体外物影像;片号、日期及其它标志应分别置于两肩上方,排列整齐,清晰可见,不与肺野重叠,以及尘肺病胸片质量分为四级,一级片为优片,二级片为良片,三级片为差片,四级片为废片,其中,一级片和二级片可用于尘肺病的初诊,三级片和四级片不达标。
可选的,所述步骤S103、尘肺病胸片对比并归纳中,将肺尖至膈顶的垂直距离等分为三,用等分点的水平线把每侧肺野分为上、中、下,以及诊断肺区中的阴影分布应至少占诊断区域的三分之二,并可根据《职业性尘肺病的诊断》GBZ70-2015(2016.05.01实施),将小阴影密集度分为4大级12小级;4大级分为0、1、2、3,12小级分为0/-,0/0,0/1,1/01/1,1/2,2/1, 2/2,2/3,3/2,3/3,3/+。
可选的,所述步骤S103、尘肺病胸片对比并归纳中,阅读胸片时应记录小阴影的形态和大小,圆形小阴影以字母p、q、r表示,不规则形小阴影以字母s、t、u表示,其中,形态和大小一致,则分子和分母一致,如p/p,s/s 等,形态和大小不一致,则分子和分母不一致,如s/p,p/t等。
可选的,所述步骤S2、人工标注中,根据步骤S102的选片标准,将尘肺壹期胸片、尘肺贰期胸片和尘肺叁期胸片筛选出一级优片和二级优片,以及步骤S103中的《职业性尘肺病的诊断》,将一级优片和二级优片的尘肺壹期胸片、尘肺贰期胸片和尘肺叁期胸片对比标准片人工标注。
可选的,所述步骤S3、建立基础数据库中,将步骤S1、尘肺病胸片遴选中挑选出的若干个标准尘肺病胸片、尘肺壹期胸片、尘肺贰期胸片和尘肺叁期胸片上传至人工智能系统中对应的单元,并将遴选的基本信息与各个标准尘肺病胸片、尘肺壹期胸片、尘肺贰期胸片和尘肺叁期胸片一一对应录入相应的单元,将不同的尘肺病胸片分类,以及构建出不同数据模型,即为标准尘肺病胸片数据模型、尘肺壹期胸片数据模型、尘肺贰期胸片数据模型和尘肺叁期胸片数据模型。
可选的,所述步骤S4、人工智能验证中,具体包括以下步骤:
S401、选取用于验证的尘肺病胸片,并记录尘肺病胸片的特征,并将小阴影形态和大小、密集度、总体密集度、分布范围、大阴影和小阴影聚集及不同部位的胸膜斑分别录入人工智能系统中的数据库内;
S402、将用于验证的尘肺病胸片对比标准尘肺病胸片,并通过数据库建立的不同数据模型将用于验证的尘肺病胸片归纳入与尘肺壹期胸片数据模型、尘肺贰期胸片数据模型和尘肺叁期胸片数据模型其中一种对应的数据模型内;
S403、数据模型计算用于验证的尘肺病胸片的基本数据,进而计算得出结果和诊断报告,并对比标准尘肺病胸片数据模型和人工读片结果,用于验证数据模型结果。
本发明提供了一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法,具备以下有益效果:
人工智能筛查尘肺病胸片可对用于验证的尘肺病胸片一一对应标注,并可将尘肺病胸片根据《职业性尘肺病的诊断》分期,并挑选出一级优片和二级良片,以及将尘肺病胸片的数据录入人工智能系统,快速建立数据模型,并得出尘肺病胸片的诊断结果,精准度高,以及能够提高筛查和诊断的准确率。
附图说明
图1为本发明的方法流程示意图;
图2为本发明的病区诊断划分结构示意图。
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。
请参阅图1-2,本发明提供一种技术方案:一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法,由人工智能系统运行完成尘肺病胸片遴选、标注或验证,以及人工智能系统包括数据库、中央处理器、IC芯片和控制器,进一步的,包括以下步骤:
S1、尘肺病胸片遴选;
S2、人工标注;
S3、建立基础数据库;
S4、人工智能验证。
本发明中:步骤S1、尘肺病胸片遴选中,具体包括以下步骤:
S101、尘肺病诊断人员调出尘肺病胸片,并按照选片要求和诊断原则读片;
S102、尘肺病胸片分辨并挑选;
S103、尘肺病胸片对比并归纳。
本发明中:步骤S101中,调出尘肺病胸片为:若干个标准尘肺病胸片用作对比,以及若干个尘肺壹期胸片、尘肺贰期胸片和尘肺叁期胸片。
本发明中:步骤S101中,尘肺病诊断人员应通过国家职业病诊断医师资格考核并取得资质证书,以及实行集体诊断原则,读片时按照胸片拍片时间的先后顺序,并观察比较影像的动态变化。
本发明中:步骤S102中,分辨尘肺病胸片质量,以及尘肺病胸片质量要求:照片无伪影、漏光、污染、划痕、水渍及体外物影像;片号、日期及其它标志应分别置于两肩上方,排列整齐,清晰可见,不与肺野重叠,以及尘肺病胸片质量分为四级,一级片为优片,二级片为良片,三级片为差片,四级片为废片,其中,一级片和二级片可用于尘肺病的初诊,三级片和四级片不达标。
本发明中:步骤S103、尘肺病胸片对比并归纳中,将肺尖至膈顶的垂直距离等分为三,用等分点的水平线把每侧肺野分为上、中、下,以及诊断肺区中的阴影分布应至少占诊断区域的三分之二,并可根据《职业性尘肺病的诊断》GBZ70-2015(2016.05.01实施),将小阴影密集度分为4大级12小级; 4大级分为0、1、2、3,12小级分为0/-,0/0,0/1,1/01/1,1/2,2/1, 2/2,2/3,3/2,3/3,3/+。
本发明中:步骤S103、尘肺病胸片对比并归纳中,阅读胸片时应记录小阴影的形态和大小,圆形小阴影以字母p、q、r表示,不规则形小阴影以字母s、t、u表示,其中,形态和大小一致,则分子和分母一致,如p/p,s/s 等,形态和大小不一致,则分子和分母不一致,如s/p,p/t等。
本发明中:步骤S2、人工标注中,根据步骤S102的选片标准,将尘肺壹期胸片、尘肺贰期胸片和尘肺叁期胸片筛选出一级优片和二级优片,以及步骤S103中的《职业性尘肺病的诊断》,将一级优片和二级优片的尘肺壹期胸片、尘肺贰期胸片和尘肺叁期胸片对比标准片人工标注。
本发明中:步骤S3、建立基础数据库中,将步骤S1、尘肺病胸片遴选中挑选出的若干个标准尘肺病胸片、尘肺壹期胸片、尘肺贰期胸片和尘肺叁期胸片上传至人工智能系统中对应的单元,并将遴选的基本信息与各个标准尘肺病胸片、尘肺壹期胸片、尘肺贰期胸片和尘肺叁期胸片一一对应录入相应的单元,将不同的尘肺病胸片分类,以及构建出不同数据模型,即为标准尘肺病胸片数据模型、尘肺壹期胸片数据模型、尘肺贰期胸片数据模型和尘肺叁期胸片数据模型。
本发明中:步骤S4、人工智能验证中,具体包括以下步骤:
S401、选取用于验证的尘肺病胸片,并记录尘肺病胸片的特征,并将小阴影形态和大小、密集度、总体密集度、分布范围、大阴影和小阴影聚集及不同部位的胸膜斑分别录入人工智能系统中的数据库内;
S402、将用于验证的尘肺病胸片对比标准尘肺病胸片,并通过数据库建立的不同数据模型将用于验证的尘肺病胸片归纳入与尘肺壹期胸片数据模型、尘肺贰期胸片数据模型和尘肺叁期胸片数据模型其中一种对应的数据模型内;
S403、数据模型计算用于验证的尘肺病胸片的基本数据,进而计算得出结果和诊断报告,并对比标准尘肺病胸片数据模型和人工读片结果,用于验证数据模型结果。
综上,该用于人工智能筛查尘肺病胸片遴选、标注及验证方法,使用时,首先,选取用于验证的尘肺病胸片,将三级片和四级片不达标的尘肺病胸片废弃,并根据《职业性尘肺病的诊断》GBZ70-2015(2009.11.01实施),用于标注尘肺病胸片并分级,以及判断记录小阴影的形态和大小,并记录尘肺病胸片的特征,并将小阴影形态和大小、密集度、总体密集度、分布范围、大阴影和小阴影聚集分别录入人工智能系统中的数据库内,接着,将用于验证的尘肺病胸片对比标准尘肺病胸片,并通过数据库建立的不同数据模型将用于验证的尘肺病胸片归纳入与尘肺壹期胸片数据模型、尘肺贰期胸片数据模型和尘肺叁期胸片数据模型其中一种对应的数据模型内;然后,将用于验证的尘肺病胸片对比标准尘肺病胸片,并通过数据库建立的不同数据模型将用于验证的尘肺病胸片归纳入与尘肺壹期胸片数据模型、尘肺贰期胸片数据模型和尘肺叁期胸片数据模型其中一种对应的数据模型内,接着,数据模型计算用于验证的尘肺病胸片的基本数据,进而计算得出结果和诊断报告,并对比标准尘肺病胸片数据模型和人工读片结果,用于验证数据模型结果。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法,由人工智能系统运行完成尘肺病胸片遴选、标注或验证,以及人工智能系统包括数据库、中央处理器、IC芯片和控制器,进一步的,包括以下步骤:
S1、尘肺病胸片遴选;
S2、人工标注;
S3、建立基础数据库;
S4、人工智能验证。
2.根据权利要求1所述的一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法,其特征在于,所述步骤S1、尘肺病胸片遴选中,具体包括以下步骤:
S101、尘肺病诊断人员调出尘肺病胸片,并按照选片质量要求和诊断原则读片;
S102、尘肺病胸片分辨并挑选;
S103、尘肺病胸片对比并归纳。
3.根据权利要求2所述的一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法,其特征在于:所述步骤S101中,调出尘肺病胸片为:若干个标准尘肺病胸片用作对比,以及若干个尘肺壹期胸片、尘肺贰期胸片和尘肺叁期胸片。
4.根据权利要求2所述的一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法,其特征在于,所述步骤S101中,尘肺病诊断人员应通过国家职业病诊断医师资格考核并取得资质证书,以及实行集体诊断原则,读片时按照胸片拍片时间的先后顺序,并观察比较影像的动态变化。
5.根据权利要求2所述的一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法,其特征在于:所述步骤S102中,分辨尘肺病胸片质量,以及尘肺病胸片质量要求:照片无伪影、漏光、污染、划痕、水渍及体外物影像;片号、日期及其它标志应分别置于两肩上方,排列整齐,清晰可见,不与肺野重叠,以及尘肺病胸片质量分为四级,一级片为优片,二级片为良片,三级片为差片,四级片为废片,其中,一级片和二级片可用于尘肺病的初诊,三级片和四级片不达标。
6.根据权利要求2所述的一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法,其特征在于:所述步骤S103、尘肺病胸片对比并归纳中,将肺尖至膈顶的垂直距离等分为三,用等分点的水平线把每侧肺野分为上、中、下,以及诊断肺区中的阴影分布应至少占诊断区域的三分之二,并可根据《职业性尘肺病的诊断》GBZ70-2015(2016.05.01实施),将小阴影密集度分为4大级12小级;4大级分为0、1、2、3,12小级分为0/-,0/0,0/1,1/01/1,1/2,2/1,2/2,2/3,3/2,3/3,3/+。
7.根据权利要求2所述的一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法,其特征在于:所述步骤S103、尘肺病胸片对比并归纳中,阅读胸片时应记录小阴影的形态和大小,圆形小阴影以字母p、q、r表示,不规则形小阴影以字母s、t、u表示,其中,形态和大小一致,则分子和分母一致,如p/p,s/s等,形态和大小不一致,则分子和分母不一致,如s/p,p/t等。
8.根据权利要求,1所述的一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法,其特征在于:所述步骤S2、人工标注中,根据步骤S102的选片标准,将尘肺壹期胸片、尘肺贰期胸片和尘肺叁期胸片筛选出一级优片和二级优片,以及步骤S103中的《职业性尘肺病的诊断》,将一级优片和二级优片的尘肺壹期胸片、尘肺贰期胸片和尘肺叁期胸片对比标准片人工标注。
9.根据权利要求1所述的一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法,其特征在于:所述步骤S3、建立基础数据库中,将步骤S1、尘肺病胸片遴选中挑选出的若干个标准尘肺病胸片、尘肺壹期胸片、尘肺贰期胸片和尘肺叁期胸片上传至人工智能系统中对应的单元,并将遴选的基本信息与各个标准尘肺病胸片、尘肺壹期胸片、尘肺贰期胸片和尘肺叁期胸片一一对应录入相应的单元,将不同的尘肺病胸片分类,以及构建出不同数据模型,即为标准尘肺病胸片数据模型、尘肺壹期胸片数据模型、尘肺贰期胸片数据模型和尘肺叁期胸片数据模型。
10.根据权利要求1所述的一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法,其特征在于,所述步骤S4、人工智能验证中,具体包括以下步骤:
S401、选取用于验证的尘肺病胸片,并记录尘肺病胸片的特征,并将小阴影形态和大小、密集度、总体密集度、分布范围、大阴影和小阴影聚集及不同部位的胸膜斑分别录入人工智能系统中的数据库内;
S402、将用于验证的尘肺病胸片对比标准尘肺病胸片,并通过数据库建立的不同数据模型将用于验证的尘肺病胸片归纳入与尘肺壹期胸片数据模型、尘肺贰期胸片数据模型和尘肺叁期胸片数据模型其中一种对应的数据模型内;
S403、数据模型计算用于验证的尘肺病胸片的基本数据,进而计算得出结果和诊断报告,并对比标准尘肺病胸片数据模型和人工读片结果,用于验证数据模型结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110669467.5A CN113393920A (zh) | 2021-06-17 | 2021-06-17 | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110669467.5A CN113393920A (zh) | 2021-06-17 | 2021-06-17 | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113393920A true CN113393920A (zh) | 2021-09-14 |
Family
ID=77621514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110669467.5A Pending CN113393920A (zh) | 2021-06-17 | 2021-06-17 | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393920A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111816314A (zh) * | 2020-07-01 | 2020-10-23 | 深圳市职业病防治院 | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 |
CN112037212A (zh) * | 2020-09-04 | 2020-12-04 | 北京掌引医疗科技有限公司 | 一种基于深度学习的肺结核dr影像识别方法 |
-
2021
- 2021-06-17 CN CN202110669467.5A patent/CN113393920A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111816314A (zh) * | 2020-07-01 | 2020-10-23 | 深圳市职业病防治院 | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 |
CN112037212A (zh) * | 2020-09-04 | 2020-12-04 | 北京掌引医疗科技有限公司 | 一种基于深度学习的肺结核dr影像识别方法 |
Non-Patent Citations (1)
Title |
---|
李涛等: "尘肺病数据标注规范与质量控制专家共识(2020年版)", 《环境与职业医学》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Artificial intelligence in digital cariology: a new tool for the diagnosis of deep caries and pulpitis using convolutional neural networks | |
US9687191B2 (en) | Method and device for swallowing impairment detection | |
Désesquelles et al. | Revisiting the mortality of France and Italy with the multiple-cause-of-death approach | |
CN111816314B (zh) | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 | |
Gale | PERFORMS: a self-assessment scheme for radiologists in breast screening | |
CN110660454A (zh) | 一种癌痛实时评估仪及其评估方法 | |
CN116844733B (zh) | 一种基于人工智能的医疗数据完整性分析方法 | |
CN116246778A (zh) | 一种肺功能检测智能诊断平台 | |
Xiao et al. | Deep learning in chest radiography: detection of pneumoconiosis | |
CN103735247B (zh) | 用于健康状态辨识的掌色分析方法 | |
CN113393920A (zh) | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 | |
CN109065165B (zh) | 一种基于重建气道树图像的慢性阻塞性肺病预测方法 | |
CN204744109U (zh) | 一种基于加速度计的咳嗽判别系统 | |
Chen et al. | Performance assessment using standardized data sets: the PERFORMS scheme in breast screening and other domains | |
CN115527670A (zh) | 多模态融合驱动的职业性尘肺病智能筛查方法 | |
CN209676326U (zh) | 一种投影图像信息的大体标本成像设备 | |
Maurya et al. | Computerized approach for dental identification using radiographs | |
WO2022000360A1 (zh) | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 | |
CN102385666A (zh) | 一种慢性阻塞性肺疾病的初步检测系统 | |
CN109717875A (zh) | 一种体检数据自动采集装置 | |
Nixon | Audit in person: Defining essential hospital data. | |
CN213696992U (zh) | 一种神经内科用诊断器械 | |
Schmidt et al. | Mammographic screening: Sensitivity of general radiologists | |
CN215078406U (zh) | 一种通过直肠指检量化前列腺质地的医疗器械 | |
CN207429116U (zh) | 肺纹理角度密度分析辅助器 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210914 |
|
RJ01 | Rejection of invention patent application after publication |