CN114170221A - 一种基于图像确认脑部疾病方法与系统 - Google Patents

一种基于图像确认脑部疾病方法与系统 Download PDF

Info

Publication number
CN114170221A
CN114170221A CN202111592856.9A CN202111592856A CN114170221A CN 114170221 A CN114170221 A CN 114170221A CN 202111592856 A CN202111592856 A CN 202111592856A CN 114170221 A CN114170221 A CN 114170221A
Authority
CN
China
Prior art keywords
image
brain
data
layer
features
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
CN202111592856.9A
Other languages
English (en)
Other versions
CN114170221B (zh
Inventor
王思伦
谷静
南雅诗
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.)
Shenzhen Yiwei Medical Technology Co Ltd
Original Assignee
Shenzhen Yiwei Medical Technology Co Ltd
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 Shenzhen Yiwei Medical Technology Co Ltd filed Critical Shenzhen Yiwei Medical Technology Co Ltd
Priority to CN202111592856.9A priority Critical patent/CN114170221B/zh
Publication of CN114170221A publication Critical patent/CN114170221A/zh
Application granted granted Critical
Publication of CN114170221B publication Critical patent/CN114170221B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30016—Brain

Landscapes

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

Abstract

本发明公开了一种基于图像确认脑部疾病方法和系统，其中包括：通过获取患者的多张脑部核磁共振MRI图像，首先提取得到第一局部特征图像，然后基于第一局部特征图像提取脑血管图像的特征，之后基于该脑血管图像的特征在病灶特征数据库中匹配相似的病例，并输出匹配结果，根据匹配结果确认相应的疾病类型。该方法中通过先提取第一局部特征图像，然后基于第一局部图像提取脑血管图像的方式，相对于传统的直接从核磁共振MRI图像进行疾病特征提取的方式，大大提高了比对的准确度，从而提高了疾病确认的准确度。

Description

一种基于图像确认脑部疾病方法与系统
技术领域
本发明属于大数据分析与数据挖掘领域，尤其涉及一种基于图像确认脑部疾病方法与系统。
背景技术
颅内组织器官包括脑膜血管、大脑、小脑、脑干、颅神经等，脑部构造直接或间接处于神经系统的调节控制之下，而神经系统庞大且复杂。
脑部疾病是颅内组织器官引起的一系列病变，病情各异，有的甚至危及生命。脑部疾病的确诊需要做相关脑部项目的检查，医生根据检查结果进行诊断，现实生活中，对大脑疾病的诊断还是依靠医生的固有经验和主观判断，这种方式大大的降低了疾病诊断效率。
近年来，随着图像处理技术的进步，对图像进行特征提取，然后基于提取到的特征来判断脑部疾病的方式越来越得到关注。但是目前基于图像进行脑部疾病，尤其是脑血管之类的疾病，其对病灶部分的比对不够精确，导致疾病确认的准确度比较低。
发明内容
针对上述现有技术中存在的特征提取不够准确的问题，本发明提供一种对图像进行特征提取确认脑部疾病的方法，从而提高疾病确认诊断效率和正确率。
一方面，本发明提供一种基于图像确认脑部疾病方法，包括以下步骤：
S101：获取患者的多张脑部核磁共振MRI图像；
S103：将所述多张脑部MRI图像输入神经网络分解模型以提取第一局部特征图像；
S105：基于所述第一局部特征图像提取患者的脑血管图像的特征；
S107：基于所述脑血管图像的特征在病灶特征数据库中匹配相似的病例，并输出匹配结果；
S109：基于所述匹配结果确认相应的疾病类型。
优选地，其中所述神经网络分解模型由U-Net组成，包括下采样单元、上采样单元和softmax层，其中，下采样单元中的每一层下采样层都由卷积层、Batch Norm层和Relu激活层组成。
优选地，其中所述卷积层通过对图像进行卷积操作从中提取相应的特征，所述下采样单元可对图像逐级进行卷积操作提取下采样中间特征。
优选地，在步骤S103将图像数据输入到神经网络之前，需要通过Batch Norm层对数据进行归一化处理。Batch Norm层的操作包括如下步骤：
假设输入数据是β＝x1→m共m个数据，输出是yi＝BN(x)，Batch Norm层将对数据进行如下操作：
S1031：先求出批量数据β＝x1→m的平均值；
S1033：再根据平均值求出所述批量数据的方差；
S1035：再根据平均值和方差对所述批量数据进行归一化处理；
S1037：最后引入缩放变量和平移变量，并计算归一化后的值。
优选地，其中在步骤S105基于所述第一局部特征图像提取所述患者的脑血管图像的特征之前，还包括构建特征空间，用于计算所述多张脑部MRI图像的极值点。
优选地，所述图像数据经过Batch Norm层的处理后，再通过Relu激活层进行处理，用于增加数据的非线性，把当前特征空间通过一定的线性映射转换到另一个空间。
优选地，其中在对MRI图像进行下采样处理的同时，还将增加卷积核的数量，以增加特征数量。
另一方面，本发明提供一种基于图像确认脑部疾病系统，其包括：
图像获取模块，获取患者的多张脑部核磁共振MRI图像；
特征提取模块，将所述多张脑部MRI图像输入神经网络分解模型以提取第一局部特征图像，并基于所述第一局部特征图像提取所述患者的脑血管图像的特征；
匹配模块，基于所述脑血管图像的特征在病灶特征数据库中匹配相似的病例，并输出匹配结果；
疾病确认模块，基于所述匹配结果确认相应的疾病类型。
优选地，在将所述多张脑部MRI图像输入神经网络之前需要通过Batch Norm层对数据进行归一化处理。
优选地，在基于所述第一局部特征图像提取所述患者的脑血管图像的特征之前，还需要构建特征空间，用于计算所述多张脑部MRI图像的极值点。
与现有技术相比，本发明的有益效果：通过获取患者的多张脑部核磁共振MRI图像，首先提取得到第一局部特征图像，然后基于第一局部特征图像提取脑血管图像的特征，之后基于该脑血管图像的特征在病灶特征数据库中匹配相似的病例，并输出匹配结果，根据匹配结果确认相应的疾病类型。该方法中通过先提取第一局部特征图像，然后基于第一局部图像提取脑血管图像的方式，相对于传统的直接从核磁共振MRI图像进行疾病特征提取的方式，大大提高了比对的准确度，从而提高了疾病确认的准确度。
附图说明
图1是示出根据本发明实施例的一种基于图像确认脑部疾病方法流程图；
图2是示出根据本发明实施例的Batch Norm层对数据进行归一化处理流程图；
图3是示出根据本发明实施例的一种基于图像确认脑部疾病系统的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合附图详细说明本发明的可选实施例。
在本发明某一实施例中，如图1所示，本发明公开了一种基于图像确认脑部疾病方法，包括以下步骤：
S101：获取患者的多张脑部核磁共振MRI图像；
S103：将多张脑部MRI图像输入神经网络分解模型以提取第一局部特征图像；
S105：基于第一局部特征图像提取患者的脑血管图像的特征；
S107：基于脑血管图像的特征在病灶特征数据库中匹配相似的病例，并输出匹配结果；
S109：基于匹配结果确认相应的疾病类型。
先选取特征描述对拍摄的脑部核磁共振MRI图像进行特征提取，建立病灶特征数据库；然后在数据库中依次传入患者脑部核磁共振MRI图像，用相同的方法对其脑血管图像进行特征提取，得到相应的特征向量；最后，选取一种度量两幅图像相似度的标准，如欧氏距离、汉明距离等，计算患者脑血管图像与病灶特征数据库的脑部核磁共振MRI图像的各个特征相似度的大小，并按照相似度的大小进行排序，按照一定的要求输出检索结果图片。
这些图片就是该患者脑血管组织出现病变的地方，根据这些图片就知道该患者脑血管组织病变的程度，如果病变程度小，根据图片可以预估一个下次检测时间，将危险防患于未然。如果脑血管组织已经完全病变，可以根据检测装置里面的行进记录仪和该图片的帧数判断患者脑血管组织出现病变的地方。
与现有技术相比，本发明的有益效果：通过获取患者的多张脑部核磁共振MRI图像，首先提取得到第一局部特征图像，然后基于第一局部特征图像提取脑血管图像的特征，之后基于该脑血管图像的特征在病灶特征数据库中匹配相似的病例，并输出匹配结果，根据匹配结果确认相应的疾病类型。该方法中通过先提取第一局部特征图像，然后基于第一局部图像提取脑血管图像的方式，相对于传统的直接从核磁共振MRI图像进行疾病特征提取的方式，大大提高了特征提取的准确度，从而提高了疾病确认的准确度。
进一步参照图2，在本发明某一实施例中在步骤S103将图像数据输入到神经网络之前，需要通过Batch Norm层对数据进行归一化处理。Batch Norm层的操作包括如下步骤：
假设输入数据是β＝x1→m共m个数据，输出是yi＝BN(x)，Batch Norm层将对数据进行如下操作：
S1031：先求出上述批量数据β＝x1→m的平均值，即
Figure BDA0003430317930000061
S1033：再根据平均值求出所述批量数据的方差，即
Figure BDA0003430317930000062
S1035：再根据平均值和方差对所述批量数据进行归一化处理，得到
Figure BDA0003430317930000063
Figure BDA0003430317930000064
其中∈是为了防止方差为0导致数值计算的不稳定而添加的一个小数，如1e-6。
S1037：最后引入缩放变量和平移变量，并计算归一化后的值，即
Figure BDA0003430317930000065
经过Batch Norm层的处理后，再通过Relu激活层进行处理，可以增加数据的非线性，把当前特征空间通过一定的线性映射转换到另一个空间，让数据能够更好的被分类，同时能在很大程度的解决了神经网络在学习过程梯度耗散的问题。
这样，对MRI图像进行4次下采样，并经过Batch Norm层和Relu层的处理后，可得到一个16倍下采样的特征图像。
在对MRI图像进行下采样处理的同时，还将增加卷积核的数量，以增加特征数量，最终得到的特征数量将增加到512。
本发明还提供一种实施例，在基于第一局部特征图像提取患者的脑血管图像的特征之前，还需要构建特征空间，其包括：
L(x,y,σ)＝G(x,y,σ)×I(x,y)
Figure BDA0003430317930000071
其中L(x,y,σ)是模糊的图像，G(x,y,σ)是高斯模糊算子，I(x,y)是原始图像，(x,y)是特征空间位置坐标，σ为空间参数，也是高斯模糊算子的方差。
σ值越大，图像越粗糙，分辨率低，反之，图像越精细，分辨率越高。
构建完特征空间之后，接下来就进行特征提取。提取步骤如下:
1)特征空间的极值检测。特征空间的构建和高斯差分的计算主要用于确定图像的极值点，首先粗略的计算图像的极大值和极小值。主要通过遍历图像的每一个像素点和其相邻的像素点进行比较，其中相邻的像素点包括图像的8个相邻的像素点和上下相邻尺度图像的9×2个像素点，共26个像素点，确保每一个极值点不仅是二维图像空间中的极值点，也是特征空间中的极值点。
2)除去不好的像素点。通过特征空间检测出的极值点只是“近似的”，因为有的极值点几乎不会完全位于像素点上，可能位于像素之间，但是我们根本无法访问“像素间”的数据，因此我们必须在数学上定义像素的位置。将可用的像素生成子像素值，然后进行泰勒展开。
构建尺度空间保证了特征提取的稳定性和独立性，同时被描述的特征实体只有在确定的尺度空间才会有意义，其具有尺度不变特征变换的优点。
如图3所示，本发明的某一实施例还提出了一种基于图像确认脑部疾病系统，其包括：
图像获取模块，获取患者的多张脑部核磁共振MRI图像；
特征提取模块，将多张脑部MRI图像输入神经网络分解模型以提取第一局部特征图像，并基于第一局部特征图像提取患者的脑血管图像的特征；
匹配模块，基于脑血管图像的特征在病灶特征数据库中匹配相似的病例，并输出匹配结果；
疾病确认模块，基于匹配结果确认相应的疾病类型。
在本发明的某一实施例中，本发明通过图像获取模块获取患者的脑部核磁共振MRI图像，并对图像进行Batch Norm层归一化处理，再进行Relu激活层处理，特征提取模块提取第一局部特征图像后构建特征空间，计算图像极值点，再基于第一局部特征图像提取患者的脑血管图像的特征，匹配模块将脑血管图像的特征与数据库相似病例匹配，疾病确认模块基于匹配结果确认相应疾病类型。
本公开实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行如上实施例所述的方法步骤。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(AN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
以上介绍了本发明的较佳实施方式，旨在使得本发明的精神更加清楚和便于理解，并不是为了限制本发明，凡在本发明的精神和原则之内，所做的修改、替换、改进，均应包含在本发明所附的权利要求概括的保护范围之内。

Claims (10)

1.一种基于图像确认脑部疾病方法，其特征在于，包括以下步骤：
S101：获取患者的多张脑部核磁共振MRI图像；
S103：将所述多张脑部MRI图像输入神经网络分解模型以提取第一局部特征图像；
S105：基于所述第一局部特征图像提取患者的脑血管图像的特征；
S107：基于所述脑血管图像的特征在病灶特征数据库中匹配相似的病例，并输出匹配结果；
S109：基于所述匹配结果确认相应的疾病类型。
2.如权利要求1所述的一种基于图像确认脑部疾病方法，其特征在于，其中所述神经网络分解模型由U-Net组成，包括下采样单元、上采样单元和softmax层，其中，下采样单元中的每一层下采样层都由卷积层、Batch Norm层和Relu激活层组成。
3.如权利要求2所述的一种基于图像确认脑部疾病方法，其特征在于，其中所述卷积层通过对图像进行卷积操作从中提取相应的特征，所述下采样单元可对图像逐级进行卷积操作提取下采样中间特征。
4.如权利要求2所述的一种基于图像确认脑部疾病方法，其特征在于，在步骤S103将图像数据输入到神经网络之前，需要通过Batch Norm层对数据进行归一化处理，Batch Norm层的操作包括如下步骤：
假设输入数据是β＝x1→m共m个数据，输出是yi＝BN(x)，Batch Norm层将对数据进行如下操作：
S1031：先求出批量数据β＝x1→m的平均值；
S1033：再根据平均值求出所述批量数据的方差；
S1035：再根据平均值和方差对所述批量数据进行归一化处理；
S1037：最后引入缩放变量和平移变量，并计算归一化后的值。
5.如权利要求1所述的一种基于图像确认脑部疾病方法，其特征在于，其中在步骤S105基于所述第一局部特征图像提取所述患者的脑血管图像的特征之前，还包括构建特征空间，用于计算所述多张脑部MRI图像的极值点。
6.如权利要求4所述的一种基于图像确认脑部疾病方法，其特征在于，所述图像数据经过Batch Norm层的处理后，再通过Relu激活层进行处理，用于增加数据的非线性，把当前特征空间通过一定的线性映射转换到另一个空间。
7.如权利要求6所述的一种基于图像确认脑部疾病方法，其特征在于，其中在对MRI图像进行下采样处理的同时，还将增加卷积核的数量，以增加特征数量。
8.一种基于图像确认脑部疾病系统，其包括：
图像获取模块，获取患者的多张脑部核磁共振MRI图像；
特征提取模块，将所述多张脑部MRI图像输入神经网络分解模型以提取第一局部特征图像，并基于所述第一局部特征图像提取所述患者的脑血管图像的特征；
匹配模块，基于所述脑血管图像的特征在病灶特征数据库中匹配相似的病例，并输出匹配结果；
疾病确认模块，基于所述匹配结果确认相应的疾病类型。
9.如权利要求8所述的一种基于图像确认脑部疾病系统，其特征在于，在将所述多张脑部MRI图像输入神经网络之前需要通过Batch Norm层对数据进行归一化处理。
10.如权利要求8所述的一种基于图像确认脑部疾病系统，其特征在于，在基于所述第一局部特征图像提取所述患者的脑血管图像的特征之前，还需要构建特征空间，用于计算所述多张脑部MRI图像的极值点。
CN202111592856.9A 2021-12-23 2021-12-23 一种基于图像确认脑部疾病方法与系统 Active CN114170221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111592856.9A CN114170221B (zh) 2021-12-23 2021-12-23 一种基于图像确认脑部疾病方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111592856.9A CN114170221B (zh) 2021-12-23 2021-12-23 一种基于图像确认脑部疾病方法与系统

Publications (2)

Publication Number Publication Date
CN114170221A true CN114170221A (zh) 2022-03-11
CN114170221B CN114170221B (zh) 2023-04-07

Family

ID=80488001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111592856.9A Active CN114170221B (zh) 2021-12-23 2021-12-23 一种基于图像确认脑部疾病方法与系统

Country Status (1)

Country Link
CN (1) CN114170221B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115631370A (zh) * 2022-10-09 2023-01-20 北京医准智能科技有限公司 一种基于卷积神经网络的mri序列类别的识别方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544534A (zh) * 2018-11-26 2019-03-29 上海联影智能医疗科技有限公司 一种病灶图像检测装置、方法和计算机可读存储介质
CN109686440A (zh) * 2018-12-20 2019-04-26 深圳市新产业眼科新技术有限公司 一种在线智能诊断云平台及其运行方法和可读存储介质
CN111091906A (zh) * 2019-10-31 2020-05-01 中电药明数据科技(成都)有限公司 一种基于真实世界数据的辅助医疗诊断方法及系统
CN111783774A (zh) * 2020-06-22 2020-10-16 联想(北京)有限公司 图像处理方法、设备及存储介质
CN111815563A (zh) * 2020-06-10 2020-10-23 三峡大学 一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法
EP3872758A1 (en) * 2020-02-27 2021-09-01 National Yang Ming Chiao Tung University Benign tumor development trend assessment system, server computing device thereof and computer readable storage medium
CN113761999A (zh) * 2020-09-07 2021-12-07 北京京东乾石科技有限公司 一种目标检测方法、装置、电子设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544534A (zh) * 2018-11-26 2019-03-29 上海联影智能医疗科技有限公司 一种病灶图像检测装置、方法和计算机可读存储介质
CN109686440A (zh) * 2018-12-20 2019-04-26 深圳市新产业眼科新技术有限公司 一种在线智能诊断云平台及其运行方法和可读存储介质
CN111091906A (zh) * 2019-10-31 2020-05-01 中电药明数据科技(成都)有限公司 一种基于真实世界数据的辅助医疗诊断方法及系统
EP3872758A1 (en) * 2020-02-27 2021-09-01 National Yang Ming Chiao Tung University Benign tumor development trend assessment system, server computing device thereof and computer readable storage medium
CN111815563A (zh) * 2020-06-10 2020-10-23 三峡大学 一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法
CN111783774A (zh) * 2020-06-22 2020-10-16 联想(北京)有限公司 图像处理方法、设备及存储介质
CN113761999A (zh) * 2020-09-07 2021-12-07 北京京东乾石科技有限公司 一种目标检测方法、装置、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
言有三: "《深度学习之人脸图像处理 核心算法与案例实战》", 31 July 2020 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115631370A (zh) * 2022-10-09 2023-01-20 北京医准智能科技有限公司 一种基于卷积神经网络的mri序列类别的识别方法及装置

Also Published As

Publication number Publication date
CN114170221B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
US10366491B2 (en) Deep image-to-image recurrent network with shape basis for automatic vertebra labeling in large-scale 3D CT volumes
CN112950651B (zh) 基于深度学习网络的纵隔淋巴引流区的自动勾画方法
CN110648331B (zh) 用于医学图像分割的检测方法、医学图像分割方法及装置
Khan et al. PMED-net: Pyramid based multi-scale encoder-decoder network for medical image segmentation
CN112070785A (zh) 一种基于计算机视觉的医学图像分析方法
CN110827335A (zh) 乳腺影像配准方法和装置
KR20210037632A (ko) 생체 검출 방법 및 장치
Wang et al. Context-aware spatio-recurrent curvilinear structure segmentation
Shan et al. SCA-Net: A spatial and channel attention network for medical image segmentation
CN114170221B (zh) 一种基于图像确认脑部疾病方法与系统
CN115330813A (zh) 一种图像处理方法、装置、设备及可读存储介质
Palanivel et al. Mutifractals based multimodal 3D image registration
CN111260670A (zh) 基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统
Lu et al. Two-stage self-supervised cycle-consistency transformer network for reducing slice gap in MR images
CN107590806B (zh) 一种基于大脑医学成像的检测方法和系统
CN112950506A (zh) 一种利用核磁共振的图像数据建立方法及系统
CN112102327B (zh) 一种图像处理方法、装置及计算机可读存储介质
CN113379770B (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置
Mihaylova et al. Multistage approach for automatic spleen segmentation in MRI sequences
CN112801964B (zh) 肺部ct图像的多标签智能检测方法、装置、设备和介质
CN112614092A (zh) 脊柱检测方法和装置
CN113421274B (zh) 一种基于ct影像的胃癌智能分期方法
CN115578285B (zh) 一种乳腺钼靶图像细节增强方法及系统
Nguyen et al. Class Label Conditioning Diffusion Model for Robust Brain Tumor MRI Synthesis
CN115239688B (zh) 基于磁共振对比增强3d-t1wi图像的脑转移瘤识别方法与系统

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