CN113972004A - 一种基于深度学习多模型融合肌骨超声诊断系统 - Google Patents

一种基于深度学习多模型融合肌骨超声诊断系统 Download PDF

Info

Publication number
CN113972004A
CN113972004A CN202111220094.XA CN202111220094A CN113972004A CN 113972004 A CN113972004 A CN 113972004A CN 202111220094 A CN202111220094 A CN 202111220094A CN 113972004 A CN113972004 A CN 113972004A
Authority
CN
China
Prior art keywords
musculoskeletal
model
module
diagnosis
medical image
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
Application number
CN202111220094.XA
Other languages
English (en)
Inventor
陈向东
孙树俊
杨东
林云
夏海发
王婷婷
赵帅
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.)
Tongji Medical College of Huazhong University of Science and Technology
Original Assignee
Tongji Medical College of Huazhong University of Science and Technology
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 Tongji Medical College of Huazhong University of Science and Technology filed Critical Tongji Medical College of Huazhong University of Science and Technology
Priority to CN202111220094.XA priority Critical patent/CN113972004A/zh
Publication of CN113972004A publication Critical patent/CN113972004A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种基于深度学习多模型融合肌骨超声诊断系统，诊断管理平台又包括模型库、诊断系统和显示系统，显示系统包括框选矩形模块和病灶信息显示模块，模型库包括数据采集模块和模型建立模块，诊断系统包括诊疗模块、量化对比模块、影像处理模块，本发明涉及医疗技术领域。该基于深度学习多模型融合肌骨超声诊断系统，通过诊疗模块获取待诊断肌骨病灶的医学影像信息发送至模型库，模型库与诊断系统建立通信连接，根据深度卷积神经网络模型得到的输出值确定待诊断肌骨病灶的医学影像的病灶风险的输出值，人工智能帮助医生精准提示超声影像病灶位置及性质，辅助诊断、结论客观，提高医生工作效率同时降低医生人为主观诊断失误风险。

Description

一种基于深度学习多模型融合肌骨超声诊断系统
技术领域
本发明涉及医疗技术领域，具体为一种基于深度学习多模型融合肌骨超声诊断系统。
背景技术
超声技术，由于其具有实时动态显象、无创性、便携性、“可视化”介入操作引导、操作简便、重复性强、检查时间短并能迅速获取结果等优势，在临床中得到广泛应用及推广。肌骨超声是近年来新兴的超声检查技术，应用高频超声来诊断肌肉骨骼系统疾病，能够清晰显示肌肉、肌腱、韧带、周围神经等浅表软组织结构及其发生的病变，如炎症、肿瘤、损伤、畸形引起的结构异常。再结合相关病史及临床症状，大部分病例可得到准确的超声诊断。高频超声对软组织病变的显示能力，可与MRI相媲美。能够精细分辨肌肉、肌腱、浅表神经解剖结构。
但初学者由于对正常的解剖结构不能准确的识别，往往需要较长时间的学习曲线才能熟练使用肌骨超声技术进行医学扫查。此外，即使有一定经验的医师在进行肌骨超声操作时，结果判定也往往受个人经验、影像质量、解剖变异等影响，加之操作医师自身的经验和诊断水平参差不齐，普遍存在发现不了病灶、发现病灶但诊断错误等方面的问题。为此，我们提出一种基于深度学习多模型融合技术的肌骨超声辅助诊断方法，帮助操作医师提高检查效率及诊断准确率、降低漏诊率。
发明内容
针对现有技术的不足，本发明提供了一种基于深度学习多模型融合肌骨超声诊断系统，解决了现有的医师在进行肌骨超声操作时，结果判定也往往受个人经验、影像质量、解剖变异等影响，加之操作医师自身的经验和诊断水平参差不齐，普遍存在发现不了病灶、发现病灶但诊断错误等方面的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于深度学习多模型融合肌骨超声诊断系统，包括诊断管理平台，所述诊断管理平台又包括模型库、诊断系统和显示系统，所述显示系统包括框选矩形模块和病灶信息显示模块；
所述模型库包括以下模块：
数据采集模块：所述数据采集模块采集以往肌骨病灶病例的医学影像；
模型建立模块：将往例肌骨病灶的医学影像输入训练建立深度卷积神经网络模型，并从中得到输出值；
所述诊断系统包括以下模块：
诊疗模块：所述诊疗模块结合超声影像设备，获取待诊断肌骨病灶的医学影像信息；
量化对比模块：所述量化对比模块是对自动提取的区域轮廓进行量化分析，并根据输出值确定所述待诊断肌骨病灶的医学影像的病灶风险；
影像处理模块：用于降低超声影像有较大的散斑噪声，增强影像的区域轮廓。
优选的，将所述医学影像划分为训练集和测试集；
所述训练集用于训练深度卷积神经网络模型；
所述测试集用于测试深度卷积神经网络模型。
优选的，已训练的所述深度卷积神经网络模型通过如下构建：
获取多张肌骨病灶组织的医学影像；
注释医学影像的病灶组织；
根据医学影像和医学影像的病灶组织对应的病灶风险进行训练，得到已训练的深度卷积神经网络模型。
优选的，所述医学影像输入至已训练的深度卷积神经网络模型中得到输出值。
优选的，所述病灶分为低风险病灶和高风险病灶。
本发明还公开了一种基于深度学习多模型融合肌骨超声诊断系统的使用方法，具体包括以下步骤：
步骤一、诊断系统根据诊疗模块获取待诊断肌骨病灶的医学影像信息发送至模型库，并向模型库发起呼叫请求；模型库接收诊断系统发送的呼叫请求，模型库与诊断系统建立通信连接；
步骤二、模型库采集待诊断肌骨病灶的医学影像信息，编码后，输入至已训练的深度卷积神经网络模型，又通过量化对比模块对提取的待诊断肌骨病灶的医学影像区域轮廓进行量化分析；
步骤三、根据深度卷积神经网络模型得到的输出值确定待诊断肌骨病灶的医学影像的病灶风险的输出值，并在显示系统上显示；
优选的，在步骤三中，框选矩形模块出现在待诊断肌骨病灶的医学影像的局部；
当输出值在框选矩形模块上通过蓝色矩形框标记时，确定所述蓝色矩形框对应区域是高风险病灶；
当输出值在框选矩形模块上通过红色矩形框标记时，确定红色矩形框对应区域是低风险病灶。
优选的，低风险病灶表现病症为炎症、损伤、畸形，高风险病灶表现病症为肿瘤。
优选的，量化对比模块在对提取的待诊断肌骨病灶的医学影像区域轮廓进行量化分析过程中，框选矩形模块显示虚线矩形则表现为肌骨检测正常。
有益效果
本发明提供了一种基于深度学习多模型融合肌骨超声诊断系统。与现有技术相比具备以下有益效果：
(1)、该基于深度学习多模型融合肌骨超声诊断系统，通过诊疗模块获取待诊断肌骨病灶的医学影像信息发送至模型库，模型库接收诊断系统发送的呼叫请求，模型库与诊断系统建立通信连接，根据深度卷积神经网络模型得到的输出值确定待诊断肌骨病灶的医学影像的病灶风险的输出值，人工智能帮助医生精准提示超声影像病灶位置及性质，辅助诊断、结论客观，提高医生工作效率同时降低医生人为主观诊断失误风险。
(2)、该基于深度学习多模型融合肌骨超声诊断系统，通过对诊疗模块待诊断肌骨病灶的医学影像信息进行识别，影像处理模块降低待诊断肌骨病灶的医学影像信息的散斑噪声，增强影像的区域轮廓，精确地提取超声影像边界和微结构特征，提高检测的准确性和有效性，简单易用，避免超声影像散斑噪声过大而超声诊断系统的准确性。
(3)、该基于深度学习多模型融合肌骨超声诊断系统，通过构建深度卷积神经网络模型结构，将超声影像边界和微结构特征进行综合分析决策，并通过框选矩形模块上色彩变化，给出病灶类型的明确诊断意见，供医师作参考，有效节约医师和患者大量时间和金钱。
附图说明
图1为本发明的系统框图；
图2为本发明过程描述图；
图3为高风险病灶的系统框图
图4为本发明诊断系统的流程图；
图5为本发明低风险病灶的系统框图；
图6为高风险病灶的系统框图；
图7为本发明冈上肌腱正常的超声形态示意图；
图8为本发明踝前部拇长伸肌腱正常的超声形态示意图；
图9为本发明冈上肌腱撕裂的超声形态示意图；
图10为本发明股髌健病增厚的超声形态示意图；
图11为本发明跟腱病的超声形态示意图。
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。
请参阅图1-6，本发明提供一种技术方案：一种基于深度学习多模型融合肌骨超声诊断系统，包括诊断管理平台，诊断管理平台又包括模型库、诊断系统和显示系统，显示系统包括框选矩形模块和病灶信息显示模块，模型库包括以下模块：数据采集模块、数据采集模块采集以往肌骨病灶病例的医学影像，将医学影像划分为训练集和测试集，训练集用于训练深度卷积神经网络模型，测试集用于测试深度卷积神经网络模型，模型建立模块、将往例肌骨病灶的医学影像输入训练建立深度卷积神经网络模型，已训练的深度卷积神经网络模型通过如下构建：获取多张肌骨病灶组织的医学影像，注释医学影像的病灶组织，根据医学影像和医学影像的病灶组织对应的病灶风险进行训练，得到已训练的深度卷积神经网络模型，医学影像输入至已训练的深度卷积神经网络模型中得到输出值，诊断系统包括以下模块：诊疗模块、诊疗模块结合超声影像设备，获取待诊断肌骨病灶的医学影像信息，病灶分为低风险病灶和高风险病灶，量化对比模块、量化对比模块是对自动提取的区域轮廓进行量化分析，并根据输出值确定待诊断肌骨病灶的医学影像的病灶风险，通过诊疗模块获取待诊断肌骨病灶的医学影像信息发送至模型库，模型库接收诊断系统发送的呼叫请求，模型库与诊断系统建立通信连接，根据深度卷积神经网络模型得到的输出值确定待诊断肌骨病灶的医学影像的病灶风险的输出值，人工智能帮助医生精准提示超声影像病灶位置及性质，辅助诊断、结论客观，提高医生工作效率同时降低医生人为主观诊断失误风险；
影像处理模块：用于降低超声影像有较大的散斑噪声，增强影像的区域轮廓，通过对诊疗模块待诊断肌骨病灶的医学影像信息进行识别，影像处理模块降低待诊断肌骨病灶的医学影像信息的散斑噪声，增强影像的区域轮廓，精确地提取超声影像边界和微结构特征，提高检测的准确性和有效性，简单易用，避免超声影像散斑噪声过大而超声诊断系统的准确性；
其中，图7-图11的出处来源于《肌骨超声诊断》书中，图7的超声影像表示为冈上肌腱正常，图8的超声影像表示为正常踝前部拇长伸肌腱，图9的超声影像表示为冈上肌肌腱撕裂，图10的超声影像表示为髌腱增厚，图11的超声影像表示为跟腱病。图7-图8中无矩形框框选区域表示该影像没有病灶风险，图9-图11系统诊断界面截图中矩形框框选的区域表示该区域有病灶风险，再通过实体系统显示器观察病灶风险的色彩变化，即可确认病灶风险的高低；
本发明还公开了一种基于深度学习多模型融合肌骨超声诊断系统的使用方法，具体包括以下步骤：
步骤一、诊断系统根据诊疗模块获取待诊断肌骨病灶的医学影像信息发送至模型库，并向模型库发起呼叫请求；模型库接收诊断系统发送的呼叫请求，模型库与诊断系统建立通信连接；
步骤二、模型库采集待诊断肌骨病灶的医学影像信息，编码后，输入至已训练的深度卷积神经网络模型，又通过量化对比模块对提取的待诊断肌骨病灶的医学影像区域轮廓进行量化分析；
步骤三、根据深度卷积神经网络模型得到的输出值确定待诊断肌骨病灶的医学影像的病灶风险的输出值，并在显示系统上显示，框选矩形模块出现在待诊断肌骨病灶的医学影像的局部，当输出值在框选矩形模块上通过蓝色矩形框标记时，确定蓝色矩形框对应区域是高风险病灶，当输出值在框选矩形模块上通过红色矩形框标记时，确定红色矩形框对应区域是低风险病灶，低风险病灶表现病症为炎症、损伤、畸形，高风险病灶表现病症为肿瘤，量化对比模块在对提取的待诊断肌骨病灶的医学影像区域轮廓进行量化分析过程中，框选矩形模块显示虚线矩形则表现为肌骨检测正常，通过构建深度卷积神经网络模型结构，将超声影像边界和微结构特征进行综合分析决策，并通过框选矩形模块上色彩变化，给出病灶类型的明确诊断意见，供医师作参考，有效节约医师和患者大量时间和金钱。
深度卷积神经网络模型原理：
输入：原始图像+病灶位置bounding box
输出：框选含有病灶的图像
bounding box为P(x,y,w,h)，ground truth G(x,y,w,h)
直观的变形计算为：
G^x＝Px+dx
G^y＝Py+dy
G^w＝Pw*dw
G′h＝Ph*dh
RCNN变形转换
G^x＝Pwdx(P)+Px
G^y＝Phdy(P)+Py
G^w＝Pwexp(dw(P))
G^h＝Phexp(dh(P))
计算得到dx(P),dy(P),dw(P),dh(P)四个参数
d*(P)＝wT*φ5(P)
目标变成学习wT*参数
w*＝w^*argmin∑Ni(ti*-w^T*φ5(Pi))2+λ||w^*||2
其中ti*和上面定义的转换关系中的di*是对应的，既是：
tx＝(Gx-Px)/Pwty＝(Gy-Py)/Phtw＝log(Gw/Pw)th＝log(Gh/Ph)
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种基于深度学习多模型融合肌骨超声诊断系统，包括诊断管理平台，其特征在于，所述诊断管理平台又包括模型库、诊断系统和显示系统，所述显示系统包括框选矩形模块和病灶信息显示模块；
所述模型库包括以下模块：
数据采集模块：所述数据采集模块采集以往肌骨病灶病例的医学影像；
模型建立模块：将往例肌骨病灶的医学影像输入训练建立深度卷积神经网络模型，并从中得到输出值；
所述诊断系统包括以下模块：
诊疗模块：所述诊疗模块结合超声影像设备，获取待诊断肌骨病灶的医学影像信息；
量化对比模块：所述量化对比模块是对自动提取的区域轮廓进行量化分析，并根据输出值确定所述待诊断肌骨病灶的医学影像的病灶风险；
影像处理模块：降低超声影像有较大的散斑噪声，增强影像的区域轮廓。
2.根据权利要求1所述的一种基于深度学习多模型融合肌骨超声诊断系统，其特征在于：将所述医学影像划分为训练集和测试集；
所述训练集用于训练深度卷积神经网络模型；
所述测试集用于测试深度卷积神经网络模型。
3.根据权利要求1所述的一种基于深度学习多模型融合肌骨超声诊断系统，其特征在于：已训练的所述深度卷积神经网络模型通过如下构建：
获取多张肌骨病灶组织的医学影像；
注释医学影像的病灶组织；
根据医学影像和医学影像的病灶组织对应的病灶风险进行训练，得到已训练的深度卷积神经网络模型。
4.根据权利要求1所述的一种基于深度学习多模型融合肌骨超声诊断系统，其特征在于：所述医学影像输入至已训练的深度卷积神经网络模型中得到输出值。
5.根据权利要求1所述的一种基于深度学习多模型融合肌骨超声诊断系统，其特征在于：所述病灶分为低风险病灶和高风险病灶。
6.根据权利要求1-5所述的一种基于深度学习多模型融合肌骨超声诊断系统的使用方法，其特征在于，具体包括以下步骤：
步骤一、诊断系统根据诊疗模块获取待诊断肌骨病灶的医学影像信息发送至模型库，并向模型库发起呼叫请求；模型库接收诊断系统发送的呼叫请求，模型库与诊断系统建立通信连接；
步骤二、模型库采集待诊断肌骨病灶的医学影像信息，编码后，输入至已训练的深度卷积神经网络模型，又通过量化对比模块对提取的待诊断肌骨病灶的医学影像区域轮廓进行量化分析；
步骤三、根据深度卷积神经网络模型得到的输出值确定待诊断肌骨病灶的医学影像的病灶风险的输出值，并在显示系统上显示。
7.根据权利要求7所述的一种基于深度学习多模型融合肌骨超声诊断系统的使用方法，在步骤三中，框选矩形模块出现在待诊断肌骨病灶的医学影像的局部；
当输出值在框选矩形模块上通过蓝色矩形框标记时，确定蓝色矩形框对应区域是高风险病灶；
当输出值在框选矩形模块上通过红色矩形框标记时，确定红色矩形框对应区域是低风险病灶。
8.根据权利要求8所述的一种基于深度学习多模型融合肌骨超声诊断系统，其特征在于：低风险病灶表现病症为炎症、损伤、畸形，高风险病灶表现病症为肿瘤。
9.根据权利要求8所述的一种基于深度学习多模型融合肌骨超声诊断系统，其特征在于：量化对比模块在对提取的待诊断肌骨病灶的医学影像区域轮廓进行量化分析过程中，框选矩形模块显示虚线矩形则表现为肌骨检测正常。
CN202111220094.XA 2021-10-20 2021-10-20 一种基于深度学习多模型融合肌骨超声诊断系统 Pending CN113972004A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111220094.XA CN113972004A (zh) 2021-10-20 2021-10-20 一种基于深度学习多模型融合肌骨超声诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111220094.XA CN113972004A (zh) 2021-10-20 2021-10-20 一种基于深度学习多模型融合肌骨超声诊断系统

Publications (1)

Publication Number Publication Date
CN113972004A true CN113972004A (zh) 2022-01-25

Family

ID=79587926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111220094.XA Pending CN113972004A (zh) 2021-10-20 2021-10-20 一种基于深度学习多模型融合肌骨超声诊断系统

Country Status (1)

Country Link
CN (1) CN113972004A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115274099A (zh) * 2022-09-26 2022-11-01 之江实验室 一种人与智能交互的计算机辅助诊断系统与方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115274099A (zh) * 2022-09-26 2022-11-01 之江实验室 一种人与智能交互的计算机辅助诊断系统与方法
CN115274099B (zh) * 2022-09-26 2022-12-30 之江实验室 一种人与智能交互的计算机辅助诊断系统与方法

Similar Documents

Publication Publication Date Title
CN111310851B (zh) 一种人工智能超声辅助系统及其应用
CN105513077B (zh) 一种用于糖尿病性视网膜病变筛查的系统
CN111227864B (zh) 使用超声图像利用计算机视觉进行病灶检测的装置
CN111214255B (zh) 一种医学超声图像计算机辅助方法
Fletcher et al. Regional brain tissue composition in children with hydrocephalus: Relationships with cognitive development
Loizou et al. Manual and automated media and intima thickness measurements of the common carotid artery
CN110916606A (zh) 一种基于人工智能的实时肠道清洁度评分系统和方法
CN109615633A (zh) 一种基于深度学习的肠镜下克罗恩病辅助诊断系统及方法
CN109255354B (zh) 面向医用ct的计算机图像处理方法和装置
EP4010874A1 (en) Longitudinal display of coronary artery calcium burden
CN112971844A (zh) 一种超声图像的采集质量的评估方法及超声成像设备
CN113972004A (zh) 一种基于深度学习多模型融合肌骨超声诊断系统
Krausert et al. Spatiotemporal analysis of normal and pathological human vocal fold vibrations
Zita et al. Videokymogram analyzer tool: Human–computer comparison
CN111481233B (zh) 胎儿颈项透明层厚度测量方法
WO2017193581A1 (zh) 乳腺筛查图像自动处理系统及方法
Li et al. Computer-aided Diagnosis (CAD) for cervical cancer screening and diagnosis: a new system design in medical image processing
CN115089112B (zh) 卒中后认知障碍风险评估模型建立方法、装置及电子设备
WO2013150419A1 (en) Quality-check during medical imaging procedure
JP7215053B2 (ja) 超音波画像評価装置、超音波画像評価方法および超音波画像評価プログラム
Berghea et al. Quantitative Doppler in musculoskeletal ultrasonography–suboptimal performance of both experienced and in-training sonographers in selection of the highest Doppler signal image from cine-loops
JP2019107453A (ja) 画像処理装置及び画像処理方法
CN113710166A (zh) 一种颈动脉超声诊断系统
Zhang et al. A machine-learning approach using pubic CT based on radiomics to estimate adult ages
US11369268B2 (en) Brain-function image data augmentation method

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