CN115439445A - 一种肝血管及肝肿瘤识别系统 - Google Patents
一种肝血管及肝肿瘤识别系统 Download PDFInfo
- Publication number
- CN115439445A CN115439445A CN202211079581.3A CN202211079581A CN115439445A CN 115439445 A CN115439445 A CN 115439445A CN 202211079581 A CN202211079581 A CN 202211079581A CN 115439445 A CN115439445 A CN 115439445A
- Authority
- CN
- China
- Prior art keywords
- image
- hepatic
- tumor
- liver
- blood vessel
- 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
- 230000002440 hepatic effect Effects 0.000 title claims abstract description 115
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 65
- 206010019695 Hepatic neoplasm Diseases 0.000 title claims abstract description 35
- 208000014018 liver neoplasm Diseases 0.000 title claims abstract description 35
- 208000006288 Vascular Tissue Neoplasms Diseases 0.000 title claims description 14
- 208000029185 blood vessel neoplasm Diseases 0.000 title claims description 14
- 201000011531 vascular cancer Diseases 0.000 title claims description 14
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 28
- 210000004185 liver Anatomy 0.000 claims abstract description 27
- 238000013135 deep learning Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000003628 erosive effect Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005553 drilling Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002792 vascular Effects 0.000 claims 2
- 208000019423 liver disease Diseases 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pulmonology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Vascular Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供了一种肝血管及肝肿瘤识别系统，该系统包括：图像获取模块，用于获取待检测医疗图像，所述待检测医疗图像为病人的肝脏图像；图像处理模块，用于对所述待检测医疗图像预处理，得到增强图像；识别模块，用于利用深度学习网络模型对所述增强图像进行识别，确定识别结果，所述识别结果为肝血管或者肝肿瘤的轮廓信息。本发明实施例能够在保证肝血管及肝肿瘤的识别精确度的同时提升识别效率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种肝血管及肝肿瘤识别系统。
背景技术
在肝疾病的发现阶段，可以通过手术切除肿瘤或局部治疗来减少肝疾病的恶化，精确识别肝部的病灶、定位肿瘤区域和动脉血管的情况对病人的预后和手术规划具有重要意义。
随着人工智能特别是深度学习领域研究的不断推进，以及医疗大数据的不断完善，这为创造出准确、快速的智能辅助识别工具提供了良好的条件，进而为及时的肝疾病临床治疗提供有效帮助。
当肝疾病发生时，通常会伴随着肝肿瘤的形状不均匀、边缘不明显，而肝血管通常血管细小、分支众多，为此，肝部CT影像的背景复杂、受噪声影响严重，利用人工对肝血管及肝肿瘤划分费时费力，需要专业人员具有极高的专业度，为此，亟须一种肝血管及肝肿瘤识别系统以保证肝血管及肝肿瘤的识别精确度的同时提升识别效率。
发明内容
本发明的目的在于提供一种肝血管及肝肿瘤识别系统，能够保证肝血管及肝肿瘤的识别精确度的同时提升识别效率。
为实现上述目的，本发明提供了一种肝血管及肝肿瘤识别系统，包括：
图像获取模块，用于获取待检测医疗图像，所述待检测医疗图像为病人的肝脏图像；
图像处理模块，用于对所述待检测医疗图像预处理，得到增强图像；
识别模块，用于利用深度学习网络模型对所述增强图像进行识别，确定识别结果，所述识别结果为肝血管或者肝肿瘤的轮廓信息。
可选的，还包括：
报告生成模块，基于所述识别结果生成医疗报告，并将其发送给处理模块。
可选的，还包括：处理模块，所述处理模块用于处理所述医疗报告。
可选的，所述识别模块，包括：
切片单元，用于对所述增强图像进行腐蚀操作，确定增强图像中的初始肝血管图像或者初始肝肿瘤图像；
边缘提取单元，用于利用深度学习网络模型对所述初始肝血管图像或者初始肝肿瘤图像提取边缘；
边缘优化单元，用于利用水平集演练方法处理所述初始肝血管图像或者初始肝肿瘤图像的边缘，以得到肝血管或者肝肿瘤的轮廓信息，将所述肝血管或者肝肿瘤的轮廓信息作为识别结果。
可选的，所述深度学习网络模型基于肝血管及肝肿瘤数据集训练得到，用于识别肝血管及肝肿瘤中的轮廓信息。
可选的，所述图像处理模块，用于对所述待检测医疗图像平滑处理，得到增强图像，或者，所述图像处理模块，用于对所述待检测医疗图像锐化处理，得到增强图像。
可选的，所述处理模块包括：
医疗报告整理单元，用于对所述医疗报告进行整理，得到整理数据；
数据分析单元，用于对所述整理数据进行分析，得到分析数据；
数据库建立单元，用于建立数据库；
储存单元，用于将所述分析数据储存在所述数据库中。
本发明实施例提供的一种肝血管及肝肿瘤识别系统，包括：图像获取模块，用于获取待检测医疗图像，所述待检测医疗图像为病人的肝脏图像；图像处理模块，用于对所述待检测医疗图像预处理，得到增强图像；识别模块，用于利用深度学习网络模型对所述增强图像进行识别，确定识别结果，所述识别结果为肝血管或者肝肿瘤的轮廓信息。本发明实施例中使用深度学习网络模型可实现对复杂的肝肿瘤进行精确识别，避免了人工对肝血管及肝肿瘤划分，解放了双手，能够在保证肝血管及肝肿瘤的识别精确度的同时提升识别效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种肝血管及肝肿瘤识别系统的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
参考图1，图1为本发明实施例中一种肝血管及肝肿瘤识别系统的结构框图。参考图1所示，肝血管及肝肿瘤识别系统的步骤具体包括：
图像获取模块100，用于获取待检测医疗图像，所述待检测医疗图像为病人的肝脏图像。
所述肝脏图像可以为肝脏CT扫描图像，由于病人出现的肝疾病可能不同，需要获取病人的肝脏的图像，进而基于肝脏图像识别出肝血管或者肝肿瘤。
具体的，肝脏CT扫描图像可以由CT扫描仪扫描获取，通过医院内部的CT扫描仪采集到用户的肝血管及肝肿瘤CT医疗图像作为系统进行识别的数据源，得到待检测医疗图像。
图像处理模块200，用于对所述待检测医疗图像预处理，得到增强图像。
在可选实施例中，所述图像处理模块，用于对所述待检测医疗图像平滑处理，得到增强图像，或者，所述图像处理模块，用于对所述待检测医疗图像锐化处理，得到增强图像。
本申请实施例中通过对所述待检测医疗图像处理得到增强图像，能够较为突出的显示出肝血管或者肝肿瘤。
识别模块300，用于利用深度学习网络模型对所述增强图像进行识别，确定识别结果，所述识别结果为肝血管或者肝肿瘤的轮廓信息。
在一种实施例中，所述识别模块300包括：
切片单元310，用于对所述增强图像进行腐蚀操作，确定增强图像中的初始肝血管图像或者初始肝肿瘤图像，
所述腐蚀操作是指增强图像中一些毛刺去除，使图像更柔和。
边缘提取单元320，用于利用深度学习网络模型对所述初始肝血管图像或者初始肝肿瘤图像提取边缘。
所述深度学习网络模型基于肝血管及肝肿瘤数据集训练得到，用于识别肝血管及肝肿瘤中的轮廓信息。
边缘优化单元330，用于利用水平集演练方法处理所述初始肝血管图像或者初始肝肿瘤图像的边缘，以得到肝血管或者肝肿瘤的轮廓信息，将所述肝血管或者肝肿瘤的轮廓信息作为识别结果。
所述肝血管及肝肿瘤数据集为历史的肝疾病数据集，可以基于历史的肝疾病数据对深度学习网络模型训练，使其具有识别待检测医疗图像中的肝血管及肝肿瘤的能力。
在一种实施例中，所述深度学习网络模型的训练阶段具体包括：
1)利用数据增强算法对医疗图像数据库中的肝血管及肝肿瘤数据集进行旋转、放缩以及平移等处理，进行图像灰度值的预处理，实现图像对比度的增强；
2)利用肝血管及肝肿瘤标记算法将上一步预处理过的CT医疗图像的病灶区域进行病灶区域标记；
3)将包含标记区域的肝血管及肝肿瘤CT医疗图像数据输入到一个全局特征提取和局部特征提取的双通道深度学习模型中进行预训练和迁移学习训练，不断迭代训练并对双通道深度学习模型的参数进行调优，最终学习到一个可以识别肝血管及肝肿瘤的深度学习模型。
进一步的，所述深度学习网络模型的识别阶段具体包括：
1)对图像处理模块处理得到的增强图像进行腐蚀操作，确定增强图像中的初始肝血管图像或者初始肝肿瘤图像，
2)利用深度学习网络模型对所述初始肝血管图像或者初始肝肿瘤图像提取边缘。
3)利用水平集演练方法处理所述初始肝血管图像或者初始肝肿瘤图像的边缘，以得到肝血管或者肝肿瘤的轮廓信息，将所述肝血管或者肝肿瘤的轮廓信息作为识别结果。
所述水平集演练方法相对于初始肝血管图像或者初始肝肿瘤图像能够提取到更加平滑且精细的肝血管或者肝肿瘤的轮廓信息，从而将肝血管或者肝肿瘤的轮廓信息作为识别结果。
在获取到识别结果之后，还可以将识别结果输入到报告生成模块400，基于所述识别结果生成医疗报告。
进一步的，为了方便对病人的肝疾病的诊治，还可以将其发送至处理模块500，所述处理模块用于处理所述医疗报告。
具体的是，所述处理模块500分析所述医疗报告的过程可以是：
医疗报告整理单元510，用于对所述医疗报告进行整理，得到整理数据；
数据分析单元520，用于对所述整理数据进行分析，得到分析数据；
数据库建立单元530，用于建立数据库；
储存单元540，用于将所述分析数据储存在所述数据库中。
具体的，医疗报告整理单元510对所述医疗报告进行整理，得到整理数据；数据分析单元520对所述整理数据进行分析，得到分析数据；所述数据库建立单元530建立数据库；储存单元540将所述分析数据储存在所述数据库中。
在一些实施例中，数据库可以为云端服务器的数据库，从而所采集的肝血管及肝肿瘤的医疗图像和分析数据均保存在云端服务器的数据库中，相关机构和指定医院可以通过访问该数据库查看历史的数据及诊断情况，具备一定的临床参考价值。
本发明实施例提供的一种肝血管及肝肿瘤识别系统，包括：图像获取模块，用于获取待检测医疗图像，所述待检测医疗图像为病人的肝脏图像；图像处理模块，用于对所述待检测医疗图像预处理，得到增强图像；识别模块，用于利用深度学习网络模型对所述增强图像进行识别，确定识别结果，所述识别结果为肝血管或者肝肿瘤的轮廓信息。本发明实施例中使用深度学习网络模型可实现对复杂的肝肿瘤进行精确识别，避免了人工对肝血管及肝肿瘤划分，解放了双手，能够在保证肝血管及肝肿瘤的识别精确度的同时提升识别效率。
另外，本申请中还可以将识别出的肝血管或者肝肿瘤的轮廓信息保存至数据库中，方便医生后续直接拿取病人的肝疾病数据的同时，还能为深度学习网络模型增加训练样本。即，将当前病人的肝血管或者肝肿瘤的轮廓信息保存到数据库后，将当前病人的肝血管或者肝肿瘤的轮廓信息作为下一次深度学习网络模型训练时的样本，增加样本的数量，提升深度学习网络模型训练效果，使得深度学习网络模型能够更加精准地识别病人的病灶信息。
针对我国肝疾病患病率不断上升、专业医疗资源供给不足、传统肝血管及肝肿瘤医疗图像分析效果不佳等问题，病人可以利用上述系统，自行识别自己的肝脏图像，具体的，通过上述系统中深度学习网络模型的识别作用，对肝血管或者肝肿瘤的特征自动提取和识别，整个识别过程实现了自动化，无需专业医生的介入，病人能够方便了解到自己的肝血管或者肝肿瘤的轮廓信息。
在可选实施例中，上述系统可以作为计算机辅助诊断系统离线部署在偏远地区的病人的移动终端设备上，方便病人及时了解自己的身体健康信息。
进一步的，本申请实施例中的肝血管及肝肿瘤识别系统操作简单，只需要上传病人的肝脏图像即可得到肝血管或者肝肿瘤的轮廓信息，过程方便快捷，具有一般经验的实习生可以简单方便地完成肝血管及肝肿瘤的识别。
上文描述了本发明实施例提供的多个实施例方案，各实施例方案介绍的各可选方式可在不冲突的情况下相互结合、交叉引用，从而延伸出多种可能的实施例方案，这些均可认为是本发明实施例披露、公开的实施例方案。
虽然本发明实施例披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (7)
1.一种肝血管及肝肿瘤识别系统，其特征在于，包括：
图像获取模块，用于获取待检测医疗图像，所述待检测医疗图像为病人的肝脏图像；
图像处理模块，用于对所述待检测医疗图像预处理，得到增强图像；
识别模块，用于利用深度学习网络模型对所述增强图像进行识别，确定识别结果，所述识别结果为肝血管或者肝肿瘤的轮廓信息。
2.如权利要求1所述的肝血管及肝肿瘤识别系统，其特征在于，还包括：
报告生成模块，基于所述识别结果生成医疗报告，并将其发送给处理模块。
3.如权利要求2所述的肝血管及肝肿瘤识别系统，其特征在于，还包括：处理模块，所述处理模块用于处理所述医疗报告。
4.如权利要求1所述的肝血管及肝肿瘤识别系统，其特征在于，所述识别模块，包括：
切片单元，用于对所述增强图像进行腐蚀操作，确定增强图像中的初始肝血管图像或者初始肝肿瘤图像；
边缘提取单元，用于利用深度学习网络模型对所述初始肝血管图像或者初始肝肿瘤图像提取边缘；
边缘优化单元，用于利用水平集演练方法处理所述初始肝血管图像或者初始肝肿瘤图像的边缘，以得到肝血管或者肝肿瘤的轮廓信息，将所述肝血管或者肝肿瘤的轮廓信息作为识别结果。
5.如权利要求4所述的肝血管及肝肿瘤识别系统，其特征在于，所述深度学习网络模型基于肝血管及肝肿瘤数据集训练得到，用于识别肝血管及肝肿瘤中轮廓信息。
6.如权利要求1所述的肝血管及肝肿瘤识别系统，其特征在于，所述图像处理模块，用于对所述待检测医疗图像平滑处理，得到增强图像，或者，所述图像处理模块，用于对所述待检测医疗图像锐化处理，得到增强图像。
7.如权利要求3所述的肝血管及肝肿瘤识别系统，其特征在于，所述处理模块包括：
医疗报告整理单元，用于对所述医疗报告进行整理，得到整理数据；
数据分析单元，用于对所述整理数据进行分析，得到分析数据；
数据库建立单元，用于建立数据库；
储存单元，用于将所述分析数据储存在所述数据库中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211079581.3A CN115439445A (zh) | 2022-09-05 | 2022-09-05 | 一种肝血管及肝肿瘤识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211079581.3A CN115439445A (zh) | 2022-09-05 | 2022-09-05 | 一种肝血管及肝肿瘤识别系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115439445A true CN115439445A (zh) | 2022-12-06 |
Family
ID=84246798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211079581.3A Pending CN115439445A (zh) | 2022-09-05 | 2022-09-05 | 一种肝血管及肝肿瘤识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115439445A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993628A (zh) * | 2023-09-27 | 2023-11-03 | 四川大学华西医院 | 一种用于肿瘤射频消融引导的ct图像增强系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104766340A (zh) * | 2015-04-30 | 2015-07-08 | 上海联影医疗科技有限公司 | 一种图像分割方法 |
| CN108352062A (zh) * | 2015-09-23 | 2018-07-31 | 皇家飞利浦有限公司 | 用于组织识别的方法和设备 |
| CN109685809A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于神经网络的肝包虫病灶分割方法及系统 |
-
2022
- 2022-09-05 CN CN202211079581.3A patent/CN115439445A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104766340A (zh) * | 2015-04-30 | 2015-07-08 | 上海联影医疗科技有限公司 | 一种图像分割方法 |
| CN108352062A (zh) * | 2015-09-23 | 2018-07-31 | 皇家飞利浦有限公司 | 用于组织识别的方法和设备 |
| CN109685809A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于神经网络的肝包虫病灶分割方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| YUE ZHANG ET AL.: "Deep Learning Initialized and Gradient Enhanced Level-Set Based Segmentation for Liver Tumor From CT Images" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993628A (zh) * | 2023-09-27 | 2023-11-03 | 四川大学华西医院 | 一种用于肿瘤射频消融引导的ct图像增强系统 |
| CN116993628B (zh) * | 2023-09-27 | 2023-12-08 | 四川大学华西医院 | 一种用于肿瘤射频消融引导的ct图像增强系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108171692B (zh) | 一种肺部影像检索方法及装置 | |
| CN110956635A (zh) | 一种肺段分割方法、装置、设备及存储介质 | |
| CN111476774B (zh) | 基于新型冠状病毒肺炎ct检测的智能征象识别装置 | |
| CN102737379A (zh) | 一种基于自适应学习的ct图像分割方法 | |
| CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
| CN111584046B (zh) | 一种医学影像数据ai处理方法 | |
| CN111612752A (zh) | 基于Faster-RCNN的超声图像甲状腺结节智能检测系统 | |
| CN111882538A (zh) | 一种区分肺结核与肿瘤信息的处理系统及信息处理方法 | |
| Canham et al. | Automated scoring of a neuropsychological test: the rey osterrieth complex figure | |
| CN115439445A (zh) | 一种肝血管及肝肿瘤识别系统 | |
| CN113160153A (zh) | 一种基于深度学习技术的肺结节筛查方法及筛查系统 | |
| CN114757960A (zh) | 一种基于cbct图像的牙齿分割与重建方法及存储介质 | |
| CN112561917A (zh) | 图像的分段方法、系统、电子设备及可读存储介质 | |
| CN113706559A (zh) | 基于医学图像的血管分段提取方法和装置 | |
| CN111027548A (zh) | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统 | |
| CN115206478A (zh) | 医学报告生成方法以及装置、电子设备、可读存储介质 | |
| CN112288752B (zh) | 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法 | |
| CN115471512A (zh) | 一种基于自监督对比学习的医学影像分割方法 | |
| CN116580801A (zh) | 一种基于大型语言模型的超声检查方法 | |
| AU2021102129A4 (en) | Automatic labeling method of emphysema in CT image based on image report | |
| CN109509189B (zh) | 一种基于多个子区域模板的腹部肌肉标注方法及标注装置 | |
| CN114757894A (zh) | 一种骨肿瘤病灶分析系统 | |
| CN113658198A (zh) | 交互式肺气肿病灶分割方法、装置、存储介质及设备 | |
| Ejaz et al. | Implementation of computer aided diagnosis system for lung cancer detection | |
| CN112950578A (zh) | 基于二维图像增强的血管识别与定位方法及装置 |
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: 20221206 |