CN116229140A - 一种脑部医学影像分类方法及装置 - Google Patents
一种脑部医学影像分类方法及装置 Download PDFInfo
- Publication number
- CN116229140A CN116229140A CN202211608649.2A CN202211608649A CN116229140A CN 116229140 A CN116229140 A CN 116229140A CN 202211608649 A CN202211608649 A CN 202211608649A CN 116229140 A CN116229140 A CN 116229140A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- data
- patient
- brain
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 210000004556 brain Anatomy 0.000 title claims abstract description 47
- 238000003745 diagnosis Methods 0.000 claims abstract description 26
- 238000007405 data analysis Methods 0.000 claims abstract description 21
- 201000010099 disease Diseases 0.000 claims abstract description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 12
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 14
- 238000010224 classification analysis Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 12
- 238000005192 partition Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 229940079593 drug Drugs 0.000 claims description 7
- 239000003814 drug Substances 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 abstract description 2
- 230000002349 favourable effect Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 208000014644 Brain disease Diseases 0.000 description 2
- 208000032170 Congenital Abnormalities Diseases 0.000 description 1
- 206010061619 Deformity Diseases 0.000 description 1
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000030852 Parasitic disease Diseases 0.000 description 1
- 208000005374 Poisoning Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000016361 genetic disease Diseases 0.000 description 1
- 208000026278 immune system disease Diseases 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
- G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种脑部医学影像分类方法及装置，涉及医疗器械技术领域。该脑部医学影像分类方法及装置，包括数据采集模块，所述数据采集模块连接有上位机，所述上位机连接有数据处理模块，所述数据处理模块连接有数据分析模块，所述数据分析模块连接有病情诊断模块，所述上位机和病情诊断模块之间双向连接，所述数据采集模块包括影像采集模块和模型建立模块，所述影像采集模块连接有CT扫描仪和核磁共振机。通过在其上位机内设置有数据处理模块，数据处理模块通过TensorFlow系统对患者的脑部图像进行分区标定，并将图像各目标分区进行切割，便于后续对采集的图像进行对比，确定病灶，提升该方法及装置的工作效率，提高该装置的使用效果。
Description
技术领域
本发明涉及医疗器械技术领域，具体为一种脑部医学影像分类方法及装置。
背景技术
脑部疾病是颅内组织器官的炎症、血管病、肿瘤、变性、畸形、遗传病、免疫性疾病、营养代谢性疾病、中毒、外伤、寄生虫病的总称，在现在的治疗过程中，脑部疾病通常需要结合脑部医学影像进行分析判断，这时通常需要使用到脑部医学影像分类方法及装置，现有的脑部医学影像分类方法及装置在进行使用时，大多采用图像叠加对比的方式来实现分类，对比完成后装置不具备学习优化的功能，从而导致现有的装置在进行使用时，整体的对比精度较差，适用范围小，装置的实用性和功能性不佳。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种脑部医学影像分类方法及装置，解决了现有的方法及装置在进行使用时，分析对比精度差，整体的稳定性和使用效果不佳，工作效率不高，整体的适用范围较小，实用性不强的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种脑部医学影像分类方法及装置，包括数据采集模块，所述数据采集模块连接有上位机，所述上位机连接有数据处理模块；
所述数据处理模块连接有数据分析模块，所述数据分析模块连接有病情诊断模块，所述上位机和病情诊断模块之间双向连接。
优选的，所述数据采集模块包括影像采集模块和模型建立模块，所述影像采集模块连接有CT扫描仪和核磁共振机，所述模型建立模块连接有WithinMedical软件。
优选的，所述数据处理模块包括图像标记模块和图像分割模块，所述图像标记模块和图像分割模块连接有TensorFlow系统。
优选的，所述数据分析模块包括分类分析模块和反馈学习模块，所述反馈学习模块连接有深度学习方法、概率统计方法和稀疏数据重构方法。
优选的，所述分类分析模块连接有特征提取模块和特征对比模块，所述特征提取模块连接有PyRadiomics软件，所述特征对比模块连接有DiffImg软件，所述PyRadiomics软件和DiffImg软件连接有数据库。
优选的，所述病情诊断模块包括医师管理模块和患者信息采集模块，所述患者信息采集模块连接有患者身份信息和患者既往病史及病历。
优选的，所述医师管理模块连接有诊疗方案查询、检测报告查询和用药信息查询。
一种脑部医学影像分类方法，其特征在于，具体包括以下步骤：
S1.数据采集
通过CT扫描仪或核磁共振机对患者脑部医学影像进行扫描，扫描后的医学影像可通过WithinMedical软件进行三维模型建立；
S2.数据处理
采集到的影像数据可通过传输器传输到上位机，数据通过上位机传输至数据处理模块，数据处理模块通过TensorFlow系统对患者的脑部影像进行子孔径图像提取，并对图像中的每个目标分区进行标记确定，采用增强差分演化方法，求取每张图像的最佳分块大小，将图像进行分割，每部分只保留一个目标分区；
S3.数据分析
将标记分割完成的图像传输到数据分析模块中，通过PyRadiomics软件，将分割后的每张图像各部分通过图像清晰度评价函数进行求值，并将每张多聚焦图像中函数值最高的部分进行标记提取，通过DiffImg软件，建立图像的mask掩模图像，通过mask掩模图像对每幅图像进行高斯金字塔建立和拉普拉斯金字塔建立，将高斯金字塔和拉普拉斯金字塔进行差分后叠加，得到关键特征图，与数据库图像进行对比，确定病灶；
S4.病情诊断
病灶部位确定后，数据将传输到病情诊断模块，由医师结合患者各项信息以及建立的患者脑部三维模型对患者病情进行综合判断，确定患者的诊疗方案，出具检测报告和用药信息；
S5.反馈学习
将多次不同的分类分析结构进行储存并输入到反馈学习模块，通过深度学习方法和概率统计方法结合稀疏数据重构方法，使反馈学习模块进行深度学习，实现该装置后续使用时的分类分析效果。
(三)有益效果
本发明提供了一种脑部医学影像分类方法及装置。具备以下有益效果：
1、本发明提供了一种脑部医学影像分类方法及装置，相较于现有的脑部医学影像分类方法及装置，该分类方法及装置通过在其上位机内设置有数据处理模块，数据处理模块通过TensorFlow系统对患者的脑部图像进行分区标定，并将图像各目标分区进行切割，便于后续对采集的图像进行对比，确定病灶，提升该方法及装置的工作效率，提高该装置的使用效果。
2、本发明提供了一种脑部医学影像分类方法及装置，相较于现有的脑部医学影像分类方法及装置，该分类方法及装置通过在其上位机内设置有数据分析模块，数据分析模块通过PyRadiomics软件和DiffImg软件对图像中的数据进行提取，并通过上位机内置的数据库，对数据特征进行对比，提升该方法及装置在进行使用时的对比精度，提升该装置的稳定性。
3、本发明提供了一种脑部医学影像分类方法及装置，相较于现有的脑部医学影像分类方法及装置，该分类方法及装置通过在其内部设置有反馈学习模块，装置在使用完成后可以将数据导入到反馈学习模块中，通过深度学习方法和概率统计方法结合稀疏数据重构方法，使反馈学习模块进行深度学习，提升该装置在使用多次后的功能性，增大该装置的适用范围，提升装置的实用性。
附图说明
图1为本发明的工作流程示意图；
图2为本发明的数据采集模块的流程示意图；
图3为本发明的数据处理模块的流程示意图；
图4为本发明的数据分析模块的流程示意图；
图5为本发明的病情诊断模块的流程示意图；
图6为本发明的装置流程示意图。
其中，1、数据采集模块；2、上位机；3、数据处理模块；4、数据分析模块；5、病情诊断模块；101、影像采集模块；102、CT扫描仪；103、核磁共振机；104、模型建立模块；105、WithinMedical软件；301、图像标记模块；302、图像分割模块；303、TensorFlow系统；401、分类分析模块；402、特征提取模块；403、PyRadiomics软件；404、特征对比模块；405、DiffImg软件；406、数据库；407、反馈学习模块；408、深度学习方法；409、概率统计方法；410、稀疏数据重构方法；501、医师管理模块；502、诊疗方案查询；503、检测报告查询；504、用药信息查询；505、患者信息采集模块；506、患者身份信息；507、患者既往病史及病历。
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。
实施例：
如图1-6所示，本发明实施例提供一种脑部医学影像分类方法及装置，包括数据采集模块1，有利于实现该装置对患者的脑部影像进行采集的功能，数据采集模块1连接有上位机2，上位机2连接有数据处理模块3，有利于实现该装置对数据进行预处理的功能，便于后续进行对比分析；
数据处理模块3连接有数据分析模块4，有利于使用者通过该装置实现对患者病灶的对比确定，实现该装置的使用功能，数据分析模块4连接有病情诊断模块5，上位机2和病情诊断模块5之间双向连接，有利于使用者对分析后的数据进行记录并对患者做出诊断。
数据采集模块1包括影像采集模块101和模型建立模块104，影像采集模块101连接有CT扫描仪102和核磁共振机103，有利于实现该装置的图像采集功能，模型建立模块104连接有WithinMedical软件105，有利于实现对患者脑部三维模型的建立，便于使用者进行后续判断，数据处理模块3包括图像标记模块301和图像分割模块302，图像标记模块301和图像分割模块302连接有TensorFlow系统303，有利于实现该装置对图像的标记分割功能。
数据分析模块4包括分类分析模块401和反馈学习模块407，反馈学习模块407连接有深度学习方法408、概率统计方法409和稀疏数据重构方法410，有利于实现该装置进行反馈学习的能力，分类分析模块401连接有特征提取模块402和特征对比模块404，特征提取模块402连接有PyRadiomics软件403，特征对比模块404连接有DiffImg软件405，PyRadiomics软件403和DiffImg软件405连接有数据库406，有利于实现该装置对图像信息进行对比分析。
病情诊断模块5包括医师管理模块501和患者信息采集模块505，患者信息采集模块505连接有患者身份信息506和患者既往病史及病历507，有利于使用者对患者的其他信息进行收集，便于做出更好的判断，医师管理模块501连接有诊疗方案查询502、检测报告查询503和用药信息查询504，有利于使用者后续为患者确定医疗方案。
一种脑部医学影像分类方法，其特征在于，具体包括以下步骤：
S1.数据采集
通过CT扫描仪102或核磁共振机103对患者脑部医学影像进行扫描，扫描后的医学影像可通过WithinMedical软件105进行三维模型建立，有利于为该方法进行使用提供数据基础；
S2.数据处理
采集到的影像数据可通过传输器传输到上位机2，数据通过上位机2传输至数据处理模块3，数据处理模块3通过TensorFlow系统303对患者的脑部影像进行子孔径图像提取，并对图像中的每个目标分区进行标记确定，采用增强差分演化方法，求取每张图像的最佳分块大小，将图像进行分割，每部分只保留一个目标分区，有利于通过该方法对特定目标位置进行精准提取，提升后续进行对比的效率；
S3.数据分析
将标记分割完成的图像传输到数据分析模块4中，通过PyRadiomics软件403，将分割后的每张图像各部分通过图像清晰度评价函数进行求值，并将每张多聚焦图像中函数值最高的部分进行标记提取，通过DiffImg软件405，建立图像的mask掩模图像，通过mask掩模图像对每幅图像进行高斯金字塔建立和拉普拉斯金字塔建立，将高斯金字塔和拉普拉斯金字塔进行差分后叠加，得到关键特征图，与数据库406图像进行对比，确定病灶，有利于实现该方法的高精度对比功能；
S4.病情诊断
病灶部位确定后，数据将传输到病情诊断模块5，由医师结合患者各项信息以及建立的患者脑部三维模型对患者病情进行综合判断，确定患者的诊疗方案，出具检测报告和用药信息，有利于使用者完成对患者的诊疗判断；
S5.反馈学习
将多次不同的分类分析结构进行储存并输入到反馈学习模块，通过深度学习方法408和概率统计方法409结合稀疏数据重构方法410，使反馈学习模块407进行深度学习，实现后续使用时的分类分析效果，有利于提升该方法的学习功能，提高适用范围。
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 (8)
1.一种脑部医学影像分类装置，包括数据采集模块(1)，其特征在于：所述数据采集模块(1)连接有上位机(2)，所述上位机(2)连接有数据处理模块(3)；
所述数据处理模块(3)连接有数据分析模块(4)，所述数据分析模块(4)连接有病情诊断模块(5)，所述上位机(2)和病情诊断模块(5)之间双向连接。
2.根据权利要求1所述的一种脑部医学影像分类装置，其特征在于：所述数据采集模块(1)包括影像采集模块(101)和模型建立模块(104)，所述影像采集模块(101)连接有CT扫描仪(102)和核磁共振机(103)，所述模型建立模块(104)连接有WithinMedical软件(105)。
3.根据权利要求1所述的一种脑部医学影像分类装置，其特征在于：所述数据处理模块(3)包括图像标记模块(301)和图像分割模块(302)，所述图像标记模块(301)和图像分割模块(302)连接有TensorFlow系统(303)。
4.根据权利要求1所述的一种脑部医学影像分类装置，其特征在于：所述数据分析模块(4)包括分类分析模块(401)和反馈学习模块(407)，所述反馈学习模块(407)连接有深度学习方法(408)、概率统计方法(409)和稀疏数据重构方法(410)。
5.根据权利要求4所述的一种脑部医学影像分类装置，其特征在于：所述分类分析模块(401)连接有特征提取模块(402)和特征对比模块(404)，所述特征提取模块(402)连接有PyRadiomics软件(403)，所述特征对比模块(404)连接有DiffImg软件(405)，所述PyRadiomics软件(403)和DiffImg软件(405)连接有数据库(406)。
6.根据权利要求1所述的一种脑部医学影像分类装置，其特征在于：所述病情诊断模块(5)包括医师管理模块(501)和患者信息采集模块(505)，所述患者信息采集模块(505)连接有患者身份信息(506)和患者既往病史及病历(507)。
7.根据权利要求6所述的一种脑部医学影像分类装置，其特征在于：所述医师管理模块(501)连接有诊疗方案查询(502)、检测报告查询(503)和用药信息查询(504)。
8.一种脑部医学影像分类方法，其特征在于，具体包括以下步骤：
S1.数据采集
通过CT扫描仪(102)或核磁共振机(103)对患者脑部医学影像进行扫描，扫描后的医学影像可通过WithinMedical软件(105)进行三维模型建立；
S2.数据处理
采集到的影像数据可通过传输器传输到上位机(2)，数据通过上位机(2)传输至数据处理模块(3)，数据处理模块(3)通过TensorFlow系统(303)对患者的脑部影像进行子孔径图像提取，并对图像中的每个目标分区进行标记确定，采用增强差分演化方法，求取每张图像的最佳分块大小，将图像进行分割，每部分只保留一个目标分区；
S3.数据分析
将标记分割完成的图像传输到数据分析模块(4)中，通过PyRadiomics软件(403)，将分割后的每张图像各部分通过图像清晰度评价函数进行求值，并将每张多聚焦图像中函数值最高的部分进行标记提取，通过DiffImg软件(405)，建立图像的mask掩模图像，通过mask掩模图像对每幅图像进行高斯金字塔建立和拉普拉斯金字塔建立，将高斯金字塔和拉普拉斯金字塔进行差分后叠加，得到关键特征图，与数据库(406)图像进行对比，确定病灶；
S4.病情诊断
病灶部位确定后，数据将传输到病情诊断模块(5)，由医师结合患者各项信息以及建立的患者脑部三维模型对患者病情进行综合判断，确定患者的诊疗方案，出具检测报告和用药信息；
S5.反馈学习
将多次不同的分类分析结构进行储存并输入到反馈学习模块，通过深度学习方法(408)和概率统计方法(409)结合稀疏数据重构方法(410)，使反馈学习模块(407)进行深度学习，实现后续使用时的分类分析效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211608649.2A CN116229140A (zh) | 2022-12-14 | 2022-12-14 | 一种脑部医学影像分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211608649.2A CN116229140A (zh) | 2022-12-14 | 2022-12-14 | 一种脑部医学影像分类方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116229140A true CN116229140A (zh) | 2023-06-06 |
Family
ID=86570554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211608649.2A Withdrawn CN116229140A (zh) | 2022-12-14 | 2022-12-14 | 一种脑部医学影像分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116229140A (zh) |
-
2022
- 2022-12-14 CN CN202211608649.2A patent/CN116229140A/zh not_active Withdrawn
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 | |
| CN106102585B (zh) | 三维成像数据的显示处理方法和三维超声成像方法及系统 | |
| CN112529894B (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
| CN103249358B (zh) | 医用图像处理装置 | |
| CN109389584A (zh) | 基于cnn的多尺度鼻咽肿瘤分割方法 | |
| CN109770943B (zh) | 一种利用计算机视觉定位的超声自动优化方法 | |
| CN112086197B (zh) | 基于超声医学的乳腺结节检测方法及系统 | |
| CN107330263A (zh) | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 | |
| CN114926477A (zh) | 一种基于深度学习的脑肿瘤多模态mri影像分割方法 | |
| CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
| CN110033432B (zh) | 基于机器学习和能谱ct的泌尿结石成分分析方法及系统 | |
| CN101484920B (zh) | 在连续扫描之间传递扫描几何形状的方法、设备和系统 | |
| CN104545792A (zh) | 眼底图像的动静脉视网膜血管视盘定位方法 | |
| CN112767374A (zh) | 基于mri的阿尔茨海默症病灶区域语义分割算法 | |
| CN114494215A (zh) | 基于Transformer的甲状腺结节检测方法 | |
| CN110456050B (zh) | 便携式智能数字化寄生虫体外诊断仪 | |
| CN112200810A (zh) | 多模态的自动化脑室分割系统及其使用方法 | |
| CN116229140A (zh) | 一种脑部医学影像分类方法及装置 | |
| CN114757894A (zh) | 一种骨肿瘤病灶分析系统 | |
| CN114782371A (zh) | 一种基于人工智能的脑区自动分割方法 | |
| CN114708404A (zh) | 基于机器学习的端到端手术穿刺路径自动规划方法及系统 | |
| CN110223760B (zh) | 一种医疗影像信息采集与融合方法及系统 | |
| CN109480842B (zh) | 用于诊断功能性消化不良的系统及设备 | |
| CN117831757B (zh) | 基于病理ct多模态先验知识引导的肺癌诊断方法及系统 | |
| CN117351489B (zh) | 面向全身pet/ct扫描的头颈肿瘤靶区的勾画系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230606 |