CN115588504A - 一种基于分子影像成像技术的监测管理系统 - Google Patents
一种基于分子影像成像技术的监测管理系统 Download PDFInfo
- Publication number
- CN115588504A CN115588504A CN202211338177.3A CN202211338177A CN115588504A CN 115588504 A CN115588504 A CN 115588504A CN 202211338177 A CN202211338177 A CN 202211338177A CN 115588504 A CN115588504 A CN 115588504A
- Authority
- CN
- China
- Prior art keywords
- module
- medical image
- monitoring
- data
- unit
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000003384 imaging method Methods 0.000 title claims abstract description 29
- 238000005516 engineering process Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013135 deep learning Methods 0.000 claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 18
- 201000010099 disease Diseases 0.000 claims abstract description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 15
- 230000003902 lesion Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000009877 rendering Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 231100000915 pathological change Toxicity 0.000 claims description 5
- 230000036285 pathological change Effects 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 210000003484 anatomy Anatomy 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 210000004185 liver Anatomy 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 description 15
- 241000282414 Homo sapiens Species 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000011282 treatment Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010008631 Cholera Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 206010035148 Plague Diseases 0.000 description 1
- 206010040047 Sepsis Diseases 0.000 description 1
- 241000700647 Variola virus Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009169 immunotherapy Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000013223 septicemia Diseases 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 201000008827 tuberculosis Diseases 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于分子影像成像技术的监测管理系统，包括：基础数据库模块：用于获取病症实例数据并对所述病症实例数据进行预处理，构建知识库；医学影像获取模块：用于获取医学影像信息并提取特征信息；训练学习模块：用于搭建基于深度学习的训练模型，并对所述医学影像进行判识；监测诊断模块：用于通过识别模型对所述医学影像进行识别监测和辅助诊断；图像引导模块：用于根据预测诊断结果，确定影像中的病变位置；其中，基础数据库模块、医学影像获取模块分别与训练学习模块连接，训练学习模块、监测诊断模块和图像引导模块依次连接。本发明能够方便的对医学影像信息进行分类管理，便于后期进行查找，提高了管理效率和管理质量。
Description
技术领域
本发明涉及分子成像技术领域，特别是涉及一种基于分子影像成像技术的监测管理系统。
背景技术
健康、疾病等与人类生命相关的问题是伴随人类发展过程中不可避免，并且困扰着人们生活的主题。随着社会的发展和科学技术的不断进步，特别是医疗卫生事业的发展，有些疾病，如天花、霍乱已销声匿迹，有些疾病，如败血病、结核病已得到控制。但也有一些疾病如恶性肿瘤作为人类健康的杀手，是导致人类死亡率最高的疾病之一。特别是恶性肿瘤在当今医学界已成为除心脑血管疾病以外严重困扰人类的一大难题，被称为“21世纪的瘟疫”。而对肿瘤的治疗，早期的诊断非常重要，它是提高患者治愈率和病人生存率的关键所在。
分子成像技术在疾病的早期诊断中发挥着非常重要的作用。分子成像技术是指利用一定的体外成像检则装置在细胞和分子层次上对活体动物和人体的生物学过程进行的成像。
目前，医学影像成像技术主要包括超声成像(ultrasound)、X-射线计算机断层成像(X-ray computed tomography)、光学成像(optical imaging)、核磁共振成像(magneticresonance imaging)、核医学成像(nuclear medicine imaging)。这几种影像技术在成像灵敏度、空间和时间分辨率等性能方面各有自己的优缺点。
针对上述现有技术的缺陷，本发明提供了一种基于分子影像成像技术的监测管理系统。
发明内容
本发明的目的是提出一种基于分子影像成像技术的监测管理系统，监测分子成像技术的准确度，提高工作人员工作效率与诊断的正确率，若发生异常，患者可以及时采取措施。
为实现上述目的，本发明提供了如下方案：
一种基于分子影像成像技术的监测管理系统，包括：
基础数据库模块：用于获取病症实例数据并对所述病症实例数据进行预处理，构建知识库；
医学影像获取模块：用于获取医学影像信息并提取特征信息；
训练学习模块：用于搭建基于深度学习的训练模型，并对所述医学影像进行判识；
监测诊断模块：用于通过识别模型对所述医学影像进行识别监测和辅助诊断；
图像引导模块：用于根据预测诊断结果，确定影像中的病变位置；
其中，所述基础数据库模块、所述医学影像获取模块分别与所述训练学习模块连接，所述训练学习模块、所述监测诊断模块和所述图像引导模块依次连接。
优选地，所述基础数据模块包括：
数据采集单元：用于采集公开的病症实例及对应的增强CT检查图像；
数据处理单元：用于对采集的数据进行清洗、分类、语义转换和标注处理，并通过处理后的数据构建所述知识库，并基于所述知识库挖掘出病变相关的知识数据。
优选地，所述基础数据模块还包括知识融合单元，所述知识融合单元用于通过本体对齐和实体匹配的方法将基础数据与挖掘出的所述知识数据进行融合。
优选地，所述医学影像获取模块包括特征提取单元，所述特征提取单元与所述数据处理单元连接，所述特征提取单元用于对所述医学影像标注数据集，通过图像分割和AI算法识别，标注所述数据集，获得所述医学影像的特征信息。
优选地，所述训练学习模块包括：
模型训练单元：用于搭建学习训练模型来训练数据库中存储的病变数据；
深度学习单元：用于搭建人工智能深度学习算法并基于所述人工智能深度算法来对所述训练模型进行深度学习；
应用单元：用于根据应用病变部位的不同对所述知识库进行检测分类并设定不同的预测结果的展示方式。
优选地，所述监测诊断模块包括：
类型预测单元：用于将经过标注后的医学影像导入预先训练好的识别模型中，产生预测结果，并将所述预测结果传输至所述图像引导模块。
优选地，所述图像引导模块，包括：
位置确定单元，所述位置确定单元用于通过所述预测结果，经过体绘制显示可视化的肝脏与邻近重要解剖结构，对获取的所述预测结果通过面绘制可视化显示病变区域的大小、形状和空间位置。
优选地，所述系统还包括管理模块，所述管理模块用于对所述医学影像获取模块中储存的影像进行定期管理。
优选地，所述管理模块包括监测单元，所述监测单元用于根据数据更新策略对所述医学影像进行更新，并实时监测更新的速度。
本发明的有益效果为：
本发明能够方便的对医学影像信息进行分类管理，便于后期进行查找，提高了管理效率和管理质量。本发明能够精确的定位发生病变的区域，实现快速自动化三维分割，提高了治疗的精度和效果。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于分子影像成像技术的监测管理系统结构示意图。
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。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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明实施例提供一种基于分子影像成像技术的监测管理系统，包括：
基础数据库模块：用于获取病症实例数据并对所述病症实例数据进行预处理，构建知识库；
医学影像获取模块：用于获取医学影像信息并提取特征信息；
训练学习模块：用于搭建基于深度学习的训练模型，并对所述医学影像进行判识；
监测诊断模块：用于通过识别模型对所述医学影像进行识别监测和辅助诊断；
图像引导模块：用于根据预测诊断结果，确定影像中的病变位置；
其中，所述基础数据库模块、所述医学影像获取模块分别与所述训练学习模块连接，所述训练学习模块、所述监测诊断模块和所述图像引导模块依次连接。
所述基础数据模块包括：
数据采集单元：用于采集获取各医疗机构公开的大量肿瘤病症实例及对应的增强CT检查图像信息；
数据处理单元：用于对采集的数据进行清洗、分类、语义转换和标注处理，并通过处理后的数据构建所述知识库，并基于所述知识库挖掘出病变相关的知识数据。将图像通过全域直方图均衡方法来对获取的患者增强CT图像进行灰度均衡、对比增强等预处理操作来实现图像的直方图均衡。
知识库是通过患者肿瘤图像、病历数据等完成目标分类，以各种分类标签来对目标进行标注，再对患者进行肿瘤CT图像、以往病历文档数据及其他相似患者的图像特征和联系进行关联，知识库就能够通过不同的肿瘤特征对其进行聚类与关联分析。知识库的构建分为两部分，第一部分就是知识库搭建和影像数据应用场景，对结构化和非结构化的数据源进行整理和分析，对各种肿瘤进行标注；第二部分是将已知的数据按特性分类概述并整理，进而建立一个数据挖掘和知识图库的框架。
基础数据模块还包括知识融合单元，将知识库和人工智能深度学习算法结合提取肿瘤影像数据的特征并实现分类，建立一个知识图谱和人工智能算法的系统框架，并建立智能知识和传统知识结构之间的逻辑关系，通过本体对齐和实体匹配的方法将基础数据与挖掘出的所述知识数据进行融合。
进一步优化方案，医学影像获取模块包括特征提取单元，所述特征提取单元用于对所述医学影像标注数据集，通过图像分割和AI算法识别，标注所述数据集，获得所述医学影像的特征信息。
建立全模态深度学习AI序列匹配系统，对医学影像标注数据集；进行图像分割、AI算法识别；进行分割、识别测试数据；完成全模态AI融合匹配；将处理后的医学影像序列分组传输到显示单元；显示单元进行全模态医学影像序列分组显示，获得所述医学影像的特征信息。
训练学习模块包括：
模型训练单元：用于用于搭建学习训练模型来训练数据库中存储的病变数据；
深度学习单元：用于搭建人工智能深度学习算法并基于所述人工智能深度算法来对所述训练模型进行深度学；
将同一个患者的同时段的PET/CT、PET/MR图像导入到模型训练单元中，经过第一次理单元提取出50个相应的数据集，将数据集传输到第二处理单元，对整张CT和MR进行固定肿瘤部位分割区域图像提取，所采取的肿瘤部分利用AI识别该两部分的图像，并进行匹配，之后利用全模态AI智能匹配导入PET图像，匹配PET/CT/MR图像，依据调用需求，如关注病灶在腹部，快速显示出相应部位的PET/CT/MR，模态组合可以任意调整，大大提高诊断效能和避免图像错配的失误。
利用深度学习神经网络，依据CT、MR精准解剖信息，肿瘤区域被精准识别分割为相对固定的局部区域，根据检查要求，明确感兴趣部位，依据分子影像双模态中的CT或MR影像精准定位，转换到全模态影像的相应层面，进行自动精准配准显示，大幅减少医师手动匹配图层，减少技术水平差异造成的诊断误差，同时提高医师的工作效率。
应用单元：用于根据应用病变部位的不同对知识库进行检测分类并设定不同的预测结果的展示方式。本发明采用分子影像特殊模态影像识别配准功能，如SPECT定量重建影像、SPECT-RAWDATA，真正实现全模态影像配准浏览。
进一步优化方案，监测诊断模块包括：
类型预测单元：用于将经过标注后的医学影像导入预先训练好的识别模型中，产生预测结果。
图像引导模块，包括：
通过预测结果，经过体绘制显示可视化的肝脏与邻近重要解剖结构，对获取的所述预测结果通过面绘制可视化显示病变区域的大小、形状和空间位置。
进一步优化方案，系统还包括管理模块，所述管理模块用于对所述医学影像获取模块中储存的影像进行定期管理。
优选地，所述管理模块包括监测单元，所述监测单元用于根据数据更新策略对所述影像进行更新，并实时监测更新的速度。
本系统还包括病历存档模块用于通过将该系统与医院的信息管理系统连接以便直接将对患者的病情诊断直接更新到患者的电子病历中并及时进行存档。
医生可以根据预测的肿瘤的分类来制定诊疗策略，诸如手术的入路方式及切术术式、术前是否采用新辅助放化疗、是否需要接受免疫治疗等，避免了不必要的手术，肿瘤的准确预测也能为患者日常的生活指导提供支持。通过知识库与挖掘学习实体之间的隐含关系来发现潜在的关联与协同动作，当检测到患者的肿瘤分类时，可以依据肿瘤的分类结果，在知识图谱的位置追溯其异动产生的根源，医生可据此及时调整治疗方案。
本发明能够方便的对医学影像信息进行分类管理，便于后期进行查找，提高了管理效率和管理质量。本发明能够精确的定位发生病变的区域，实现快速自动化三维分割，提高了治疗的精度和效果。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (9)
1.一种基于分子影像成像技术的监测管理系统，其特征在于，包括：
基础数据库模块：用于获取病症实例数据并对所述病症实例数据进行预处理，构建知识库；
医学影像获取模块：用于获取医学影像信息并提取特征信息；
训练学习模块：用于搭建基于深度学习的训练模型，并对所述医学影像进行判识；
监测诊断模块：用于通过识别模型对所述医学影像进行识别监测和辅助诊断；
图像引导模块：用于根据预测诊断结果，确定影像中的病变位置；
其中，所述基础数据库模块、所述医学影像获取模块分别与所述训练学习模块连接，所述训练学习模块、所述监测诊断模块和所述图像引导模块依次连接。
2.根据权利要求1所述的基于分子影像成像技术的监测管理系统，其特征在于，所述基础数据模块包括：
数据采集单元：用于采集公开的病症实例及对应的增强CT检查图像；
数据处理单元：用于对采集的数据进行清洗、分类、语义转换和标注处理，并通过处理后的数据构建所述知识库，并基于所述知识库挖掘出病变相关的知识数据。
3.根据权利要求2所述的基于分子影像成像技术的监测管理系统，其特征在于，所述基础数据模块还包括知识融合单元，所述知识融合单元用于通过本体对齐和实体匹配的方法将基础数据与挖掘出的所述知识数据进行融合。
4.根据权利要求3所述的基于分子影像成像技术的监测管理系统，其特征在于，所述医学影像获取模块包括特征提取单元，所述特征提取单元与所述数据处理单元连接，所述特征提取单元用于对所述医学影像标注数据集，通过图像分割和AI算法识别，标注所述数据集，获得所述医学影像的特征信息。
5.根据权利要求1所述的基于分子影像成像技术的监测管理系统，其特征在于，所述训练学习模块包括：
模型训练单元：用于搭建学习训练模型来训练数据库中存储的病变数据；
深度学习单元：用于搭建人工智能深度学习算法并基于所述人工智能深度算法来对所述训练模型进行深度学习；
应用单元：用于根据应用病变部位的不同对所述知识库进行检测分类并设定不同的预测结果的展示方式。
6.根据权利要求1所述的基于分子影像成像技术的监测管理系统，其特征在于，所述监测诊断模块包括：
类型预测单元：用于将经过标注后的医学影像导入预先训练好的识别模型中，产生预测结果，并将所述预测结果传输至所述图像引导模块。
7.根据权利要求1所述的基于分子影像成像技术的监测管理系统，其特征在于，所述图像引导模块，包括：
位置确定单元，所述位置确定单元用于通过所述预测结果，经过体绘制显示可视化的肝脏与邻近重要解剖结构，对获取的所述预测结果通过面绘制可视化显示病变区域的大小、形状和空间位置。
8.根据权利要求1所述的基于分子影像成像技术的监测管理系统，其特征在于，所述系统还包括管理模块，所述管理模块用于对所述医学影像获取模块中储存的影像进行定期管理。
9.根据权利要求8所述的基于分子影像成像技术的监测管理系统，其特征在于，所述管理模块包括监测单元，所述监测单元用于根据数据更新策略对所述医学影像进行更新，并实时监测更新的速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211338177.3A CN115588504A (zh) | 2022-10-28 | 2022-10-28 | 一种基于分子影像成像技术的监测管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211338177.3A CN115588504A (zh) | 2022-10-28 | 2022-10-28 | 一种基于分子影像成像技术的监测管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115588504A true CN115588504A (zh) | 2023-01-10 |
Family
ID=84781474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211338177.3A Pending CN115588504A (zh) | 2022-10-28 | 2022-10-28 | 一种基于分子影像成像技术的监测管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115588504A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170357844A1 (en) * | 2016-06-09 | 2017-12-14 | Siemens Healthcare Gmbh | Image-based tumor phenotyping with machine learning from synthetic data |
| CN108389614A (zh) * | 2018-03-02 | 2018-08-10 | 西安交通大学 | 基于图像分割与卷积神经网络构建医学影像图谱的方法 |
| CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
| CN110580695A (zh) * | 2019-08-07 | 2019-12-17 | 深圳先进技术研究院 | 一种多模态三维医学影像融合方法、系统及电子设备 |
| CN113469229A (zh) * | 2021-06-18 | 2021-10-01 | 中山大学孙逸仙纪念医院 | 一种基于深度学习的乳腺癌病灶自动标注方法及装置 |
| CN114782307A (zh) * | 2022-02-11 | 2022-07-22 | 安徽医科大学第一附属医院 | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 |
-
2022
- 2022-10-28 CN CN202211338177.3A patent/CN115588504A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170357844A1 (en) * | 2016-06-09 | 2017-12-14 | Siemens Healthcare Gmbh | Image-based tumor phenotyping with machine learning from synthetic data |
| CN108389614A (zh) * | 2018-03-02 | 2018-08-10 | 西安交通大学 | 基于图像分割与卷积神经网络构建医学影像图谱的方法 |
| CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
| CN110580695A (zh) * | 2019-08-07 | 2019-12-17 | 深圳先进技术研究院 | 一种多模态三维医学影像融合方法、系统及电子设备 |
| CN113469229A (zh) * | 2021-06-18 | 2021-10-01 | 中山大学孙逸仙纪念医院 | 一种基于深度学习的乳腺癌病灶自动标注方法及装置 |
| CN114782307A (zh) * | 2022-02-11 | 2022-07-22 | 安徽医科大学第一附属医院 | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110335665B (zh) | 一种应用于医学图像辅助诊断分析的以图搜图方法及系统 | |
| Tagaris et al. | Machine learning for neurodegenerative disorder diagnosis—survey of practices and launch of benchmark dataset | |
| Yousef et al. | A holistic overview of deep learning approach in medical imaging | |
| CN100481096C (zh) | 心脏成像的自动区域心肌评定的方法 | |
| US7912528B2 (en) | Systems and methods for automated diagnosis and decision support for heart related diseases and conditions | |
| JP6220310B2 (ja) | 医用画像情報システム、医用画像情報処理方法及びプログラム | |
| US8588495B2 (en) | Systems and methods for computer aided diagnosis and decision support in whole-body imaging | |
| ES2914873T3 (es) | Sugerencia de segunda lectura | |
| CN112927187A (zh) | —种自动识别定位局灶性皮质发育不良癫痫病灶的方法 | |
| 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 | |
| CN112802000A (zh) | 多模态医学影像智能辅助诊疗系统 | |
| CN111079901A (zh) | 基于小样本学习的急性脑卒中病变分割方法 | |
| CN112200810B (zh) | 多模态的自动化脑室分割系统及其使用方法 | |
| CN116844733B (zh) | 一种基于人工智能的医疗数据完整性分析方法 | |
| Zhang et al. | Multistep Automated Data Labelling Procedure (MADLaP) for thyroid nodules on ultrasound: An artificial intelligence approach for automating image annotation | |
| CN115588504A (zh) | 一种基于分子影像成像技术的监测管理系统 | |
| CN115409812A (zh) | 一种基于融合时间注意机制的ct图像自动分类方法 | |
| Ji et al. | ResDSda_U-Net: A novel U-Net based residual network for segmentation of pulmonary nodules in lung CT images | |
| Wang et al. | Exploration of the efficacy of radiomics applied to left ventricular tomograms obtained from D-SPECT MPI for the auxiliary diagnosis of myocardial ischemia in CAD | |
| CN114757894A (zh) | 一种骨肿瘤病灶分析系统 | |
| Sun et al. | [Retracted] Application of Artificial Intelligence Nuclear Medicine Automated Images Based on Deep Learning in Tumor Diagnosis | |
| Dharwadkar et al. | Right ventricle segmentation of magnetic resonance image using the modified convolutional neural network | |
| CN117322865B (zh) | 基于深度学习的颞下颌关节盘移位mri检查诊断系统 | |
| Kumar et al. | Medical imaging: Challenges and future directions in AI-Based systems | |
| Sreelekshmi et al. | A Review on Multimodal Medical Image Fusion |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230110 |