CN116486984A - 一种基于医学影像和在先诊断报告的转诊系统 - Google Patents
一种基于医学影像和在先诊断报告的转诊系统 Download PDFInfo
- Publication number
- CN116486984A CN116486984A CN202310485794.4A CN202310485794A CN116486984A CN 116486984 A CN116486984 A CN 116486984A CN 202310485794 A CN202310485794 A CN 202310485794A CN 116486984 A CN116486984 A CN 116486984A
- Authority
- CN
- China
- Prior art keywords
- lesion
- medical image
- information
- report
- medical
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 93
- 238000012546 transfer Methods 0.000 title description 3
- 230000003902 lesion Effects 0.000 claims abstract description 113
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000003058 natural language processing Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 30
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000013135 deep learning Methods 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 12
- 230000002452 interceptive effect Effects 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000002059 diagnostic imaging Methods 0.000 claims description 2
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000036285 pathological change Effects 0.000 description 4
- 231100000915 pathological change Toxicity 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3335—Syntactic pre-processing, e.g. stopword elimination, stemming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种基于医学影像和在先诊断报告的转诊系统，利用AI自然语言处理技术和AI图像处理技术，根据患者在先诊断报告中记载的病变信息，自动从患者的医学影像中识别病变区域并进行标注，帮助医生从所述医学影像中快速找到在先诊断报告中记载的病变信息所对应的病变区域进行观察，有效提高转诊的诊断效率。
Description
技术领域
本发明涉及医学影像诊断领域，特别涉及一种基于医学影像和在先诊断报告的转诊系统。
背景技术
由于国内医疗资源总量有限，且各医疗机构能力水平存在差异，而患者大多倾向于选择高水平医疗机构就诊，导致高等级医院往往过度拥挤，导致危急病人不能得到及时救治，而基层医疗服务机构不能充分发挥其对轻微病症诊疗的功能。
分级诊疗旨在按照疾病的轻重缓急及治疗的难易程度进行分级，不同级别的医疗机构承担不同疾病的治疗，鼓励常见病、多发病患者首先到基层医疗卫生机构就诊，轻微的疾病可以就近在较低等级的医疗机构实现就医，危重症患者及时向高等级医疗机构转移。通过完善转诊程序，实现不同级别和类别医疗机构之间的有序转诊。在医疗机构之间建立分工协作机制，促进优质医疗资源纵向流动。
在转诊过程中常见如下情形：患者在基层医院已经通过CT、磁共振等影像扫描设备进行扫描获得了医学影像，并获得了基层医院出具的医学影像诊断报告，初步诊断后认为超出基层医院治疗能力，需要到更高级的医院转诊，高级医院的医生通常需要再对医学影像进行仔细观察重新作出诊断。
以上转诊场景中存在的问题是：CT、磁共振等医学影像是多层成像，通常一次扫描可以获得几十幅至几百幅人体不同层面的医学影像，对这些影像逐层仔细观察需要耗费医生大量的时间。在资深医生人手和时间有限的情况下，基层医院已经出具过影像诊断报告的情况下，高级医院完全重新诊断是一种医疗资源的浪费；而如果高级医院想要从基层医院出具的报告中获得一些可供参考信息，同样需要仔细逐层观察医学影像并与基层医院出具的诊断报告内容进行核对，仍然非常耗时。
如何在转诊过程中让高级医院的医生有效地从基层医院的诊断报告中快速获得有用的参考信息，以提高诊断效率，是目前需要解决的问题。
发明内容
针对现有技术中存在的问题，本发明提供一种基于医学影像和在先诊断报告的转诊系统，包括：
诊断报告读取模块，用于读取其他医疗机构根据患者的医学影像出具的在先诊断报告；
诊断报告处理模块，利用AI自然语言处理技术对所述在先诊断报告进行处理，提取所述在先诊断报告中记载的病变信息；
医学影像获取模块，用于获取所述患者的医学影像；
医学影像处理模块，根据所述在先诊断报告中记载的病变信息，利用AI图像处理技术从所述医学影像中识别所述病变信息所对应的病变区域；
位置标注模块，在所述医学影像中对所述病变区域进行标注。
可选的，所述诊断报告读取模块包括OCR识别子模块，用于对在先诊断报告对应的图像文件进行文字识别处理，获取在先诊断报告中的文字信息。
可选的，所述病变信息包括病变类型、病变位置、病变形态中的至少一种。
可选的，所述诊断报告处理模块具体执行以下步骤：对所述在先诊断报告中的文本进行预处理，所述预处理包括分词、去除停用词、词形还原中的至少一种；采用命名实体识别技术和关系抽取技术，从预处理后的文本中识别出与病变相关的实体和关系；根据识别出的所述实体和关系，从文本中提取有关病变的特征信息；将所述有关病变的特征信息输入到经过训练的机器学习模型进行预测得到病变信息，所述病变信息包括病变类型、病变位置、病变形态中的至少一种。
可选的，所述医学影像处理模块包括病变区域分割模型，用于根据所述病变信息对所述医学影像进行图像分割处理，得到所述病变信息对应的图像分割结果；所述病变区域分割模型通过以下方式获得：搭建一个深度学习图像分割模型；利用多组分割训练数据对所述深度学习图像分割模型进行训练得到所述病变区域分割模型；其中，每组所述训练数据都包括：一幅医学影像、该医学影像中的病变信息及其对应的病变区域分割掩膜。
可选的，所述医学影像处理模块包括病变区域检测模型，用于根据所述病变信息对所述医学影像进行目标检测处理，得到所述病变信息对应的目标检测结果；所述病变区域检测模型通过以下方式获得：搭建一个深度学习目标检测模型；利用多组检测训练数据对所述深度学习目标检测模型进行训练得到所述病变区域检测模型；其中，每组所述检测训练数据都包括：一幅医学影像、该医学影像中的病变信息及其对应的病变区域检测框。
可选的，所述转诊系统还包括诊断报告填写模块，用于提供交互界面，供用户填写本院诊断报告；所述本院诊断报告包括患者基本信息部分和医学影像诊断部分。
可选的，所述诊断报告处理模块还用于提取所述在先诊断报告中记载的患者基本信息，并将所述在先诊断报告中记载的患者基本信息预填到所述本院诊断报告中；所述患者基本信息包括姓名、性别、年龄、病史中的至少一种；所述预填到所述本院诊断报告中的患者基本信息可以通过所述交互界面被用户修改。
可选的，所述医学影像处理模块还用于利用AI图像处理技术对所述医学影像进行AI诊断，并将得到的AI医学影像诊断结果预填到所述本院诊断报告中；所述预填到所述本院诊断报告中的AI医学影像诊断结果可以通过所述交互界面被用户修改。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：提供一种基于医学影像和在先诊断报告的转诊系统，利用AI自然语言处理技术和AI图像处理技术，根据患者在先诊断报告中记载的病变信息，自动从患者的医学影像中识别病变区域并进行标注，帮助医生从所述医学影像中快速找到在先诊断报告中记载的病变信息所对应的病变区域进行观察，有效提高转诊的诊断效率。
附图说明
图1是本发明提供的基于医学影像和在先诊断报告的转诊系统示意图。
图2是利用本发明提供转诊系统对患者进行诊断的流程图。
具体实施方式
为了更清楚的说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似场景。除非从语言环境中显而易见或另作说明，途中相同符号代表相同结构或操作。
应当理解，本文使用的“装置”、“单元”、“系统”是用于区分不同的组件、元件、部件、部分或装配的一种方法，然而，如果其他词语可实现相同的目的，则可通过其他表达来替换词语。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”等词并非特指单数，也可包括复数。一般来说，术语“包括”与“包含”仅提示包括已明确标识的步骤或元素，而这些步骤或元素不构成一个排他性的罗列，方法或者装置也可能包含其他的步骤或元素。
本申请中使用了流程图来说明本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒叙或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程中移除某一步或多步操作。
本发明提供一种基于医学影像和在先诊断报告的转诊系统，如图1所示，所述转诊系统包括：诊断报告读取模块、诊断报告处理模块、医学影像获取模块、医学影像处理模块、位置标注模块以及诊断报告填写模块，各个模块具体配置如下：
诊断报告读取模块，用于读取其他医疗机构根据患者的医学影像出具的在先诊断报告。诊断报告读取模块包括OCR识别子模块，用于对在先诊断报告对应的图像文件进行文字识别处理，获取在先诊断报告中的文字信息。在某些转诊的场景中，患者携带社区医院出具的纸质诊断报告到更高级的医院就诊，可以直接对患者携带的纸质报告进行扫描，然后利用OCR技术识别报告的内容。
诊断报告处理模块，利用AI自然语言处理技术对所述在先诊断报告进行处理，提取所述在先诊断报告中记载的病变信息。所述病变信息包括病变类型、病变位置、病变形态中的至少一种。所述诊断报告处理模块具体执行以下步骤：对所述在先诊断报告中的文本进行预处理，所述预处理包括分词、去除停用词、词形还原中的至少一种；采用命名实体识别技术和关系抽取技术，从预处理后的文本中识别出与病变相关的实体和关系；根据识别出的所述实体和关系，从文本中提取有关病变的特征信息；将所述有关病变的特征信息输入到经过训练的机器学习模型进行预测得到病变信息，所述病变信息包括病变类型、病变位置、病变形态中的至少一种。
医学影像获取模块，用于获取所述患者的医学影像。从提高转诊效率和节约医疗资源的角度出发，该医学影像一般是患者到更高级医院就诊前在社区医院或其他较低级医疗机构扫描获得的医学影像。在某些实施例中也可以是患者在更高级医院重新扫描获得的医学影像。
医学影像处理模块，根据所述在先诊断报告中记载的病变信息，利用AI图像处理技术从所述医学影像中识别所述病变信息所对应的病变区域。因为如CT、磁共振等医学影像是多层成像，通常一次扫描可以获得几十幅至几百幅人体不同层面的医学影像，对这些影像逐层仔细观察需要耗费医生大量的时间。如果利用AI图像处理技术从所述医学影像中识别出在先诊断报告中记载的病变信息，并将对应的病变区域标注出来，医生就可以对标注出来的区域重点观察分析，极大提高效率。
作为一种实施例，所述医学影像处理模块包括病变区域分割模型，用于根据所述病变信息对所述医学影像进行图像分割处理，得到所述病变信息对应的图像分割结果。所述病变区域分割模型通过以下方式获得：搭建一个深度学习图像分割模型；利用多组分割训练数据对所述深度学习图像分割模型进行训练得到所述病变区域分割模型；其中，每组所述训练数据都包括：一幅医学影像、该医学影像中的病变信息及其对应的病变区域分割掩膜。
作为另一种实施例，所述医学影像处理模块包括病变区域检测模型，用于根据所述病变信息对所述医学影像进行目标检测处理，得到所述病变信息对应的目标检测结果。所述病变区域检测模型通过以下方式获得：搭建一个深度学习目标检测模型；利用多组检测训练数据对所述深度学习目标检测模型进行训练得到所述病变区域检测模型；其中，每组所述检测训练数据都包括：一幅医学影像、该医学影像中的病变信息及其对应的病变区域检测框。
位置标注模块，在所述医学影像中对所述病变区域进行标注。标注的方式可以是将病变区域的轮廓勾勒出来进行显示，或者将病变区域以不同的颜色显示，或者在病变区域显示一个矩形框，以及通过其他容易观察到的方式重点显示。当医学影像为多层面影像时(如CT影像是对患者检查部位的多个横断面进行断层成像)，对含有病变区域的层面进行标注。医生可以对标注出来的区域重点观察分析，极大提高诊断效率。
诊断报告填写模块，用于提供交互界面，供用户填写本院诊断报告；所述本院诊断报告包括患者基本信息部分和医学影像诊断部分。为了提高本院诊断报告填写效率，系统的诊断报告处理模块还用于提取所述在先诊断报告中记载的患者基本信息，并将所述在先诊断报告中记载的患者基本信息预填到所述本院诊断报告中；所述患者基本信息包括姓名、性别、年龄、病史中的至少一种；所述预填到所述本院诊断报告中的患者基本信息可以通过所述交互界面被用户修改。同时，所述医学影像处理模块还用于利用AI图像处理技术对所述医学影像进行AI诊断，并将得到的AI医学影像诊断结果预填到所述本院诊断报告中；所述预填到所述本院诊断报告中的AI医学影像诊断结果可以通过所述交互界面被用户修改。
如图2所示是利用本发明的转诊系统对患者进行诊断的流程图，诊断流程为：诊断报告读取模块读取其他医疗机构根据患者的医学影像出具的在先诊断报告；诊断报告处理模块利用AI自然语言处理技术对所述在先诊断报告进行处理，提取所述在先诊断报告中记载的病变信息；医学影像获取模块获取所述患者的医学影像；医学影像处理模块根据所述在先诊断报告中记载的病变信息，利用AI图像处理技术从所述医学影像中识别所述病变信息所对应的病变区域；位置标注模块在所述医学影像中对所述病变区域进行标注，以便于本院医生观察诊断；诊断报告填写模块提供交互界面，供用户填写本院诊断报告；系统的诊断报告处理模块还用于提取所述在先诊断报告中记载的患者基本信息，并将所述在先诊断报告中记载的患者基本信息预填到所述本院诊断报告中，所述患者基本信息包括姓名、性别、年龄、病史中的至少一种，所述预填到所述本院诊断报告中的患者基本信息可以通过所述交互界面被用户修改。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：提供一种基于医学影像和在先诊断报告的转诊系统，利用AI自然语言处理技术和AI图像处理技术，根据患者在先诊断报告中记载的病变信息，自动从患者的医学影像中识别病变区域并进行标注，帮助医生从所述医学影像中快速找到在先诊断报告中记载的病变信息所对应的病变区域进行观察，有效提高转诊的诊断效率。
虽然本发明披露根据上，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 (9)
1.一种基于医学影像和在先诊断报告的转诊系统，其特征在于，包括：
诊断报告读取模块，用于读取其他医疗机构根据患者的医学影像出具的在先诊断报告；
诊断报告处理模块，利用AI自然语言处理技术对所述在先诊断报告进行处理，提取所述在先诊断报告中记载的病变信息；
医学影像获取模块，用于获取所述患者的医学影像；
医学影像处理模块，根据所述在先诊断报告中记载的病变信息，利用AI图像处理技术从所述医学影像中识别所述病变信息所对应的病变区域；
位置标注模块，在所述医学影像中对所述病变区域进行标注。
2.根据权利要求1所述的转诊系统，其特征在于，所述诊断报告读取模块包括OCR识别子模块，用于对在先诊断报告对应的图像文件进行文字识别处理，获取在先诊断报告中的文字信息。
3.根据权利要求1所述的转诊系统，其特征在于，所述病变信息包括病变类型、病变位置、病变形态中的至少一种。
4.根据权利要求3所述的转诊系统，其特征在于，所述诊断报告处理模块具体执行以下步骤：
对所述在先诊断报告中的文本进行预处理，所述预处理包括分词、去除停用词、词形还原中的至少一种；
采用命名实体识别技术和关系抽取技术，从预处理后的文本中识别出与病变相关的实体和关系；
根据识别出的所述实体和关系，从文本中提取有关病变的特征信息；
将所述有关病变的特征信息输入到经过训练的机器学习模型进行预测得到病变信息，所述病变信息包括病变类型、病变位置、病变形态中的至少一种。
5.根据权利要求3所述的转诊系统，其特征在于，所述医学影像处理模块包括病变区域分割模型，用于根据所述病变信息对所述医学影像进行图像分割处理，得到所述病变信息对应的图像分割结果；所述病变区域分割模型通过以下方式获得：
搭建一个深度学习图像分割模型；
利用多组分割训练数据对所述深度学习图像分割模型进行训练得到所述病变区域分割模型；
其中，每组所述训练数据都包括：一幅医学影像、该医学影像中的病变信息及其对应的病变区域分割掩膜。
6.根据权利要求3所述的转诊系统，其特征在于，所述医学影像处理模块包括病变区域检测模型，用于根据所述病变信息对所述医学影像进行目标检测处理，得到所述病变信息对应的目标检测结果；所述病变区域检测模型通过以下方式获得：
搭建一个深度学习目标检测模型；
利用多组检测训练数据对所述深度学习目标检测模型进行训练得到所述病变区域检测模型；
其中，每组所述检测训练数据都包括：一幅医学影像、该医学影像中的病变信息及其对应的病变区域检测框。
7.根据权利要求1所述的转诊系统，其特征在于，所述转诊系统还包括诊断报告填写模块，用于提供交互界面，供用户填写本院诊断报告；所述本院诊断报告包括患者基本信息部分和医学影像诊断部分。
8.根据权利要求7所述的转诊系统，其特征在于，所述诊断报告处理模块还用于提取所述在先诊断报告中记载的患者基本信息，并将所述在先诊断报告中记载的患者基本信息预填到所述本院诊断报告中；
所述患者基本信息包括姓名、性别、年龄、病史中的至少一种；
所述预填到所述本院诊断报告中的患者基本信息可以通过所述交互界面被用户修改。
9.根据权利要求7所述的转诊系统，其特征在于，所述医学影像处理模块还用于利用AI图像处理技术对所述医学影像进行AI诊断，并将得到的AI医学影像诊断结果预填到所述本院诊断报告中；
所述预填到所述本院诊断报告中的AI医学影像诊断结果可以通过所述交互界面被用户修改。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310485794.4A CN116486984A (zh) | 2023-05-04 | 2023-05-04 | 一种基于医学影像和在先诊断报告的转诊系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310485794.4A CN116486984A (zh) | 2023-05-04 | 2023-05-04 | 一种基于医学影像和在先诊断报告的转诊系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116486984A true CN116486984A (zh) | 2023-07-25 |
Family
ID=87223032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310485794.4A Pending CN116486984A (zh) | 2023-05-04 | 2023-05-04 | 一种基于医学影像和在先诊断报告的转诊系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116486984A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116797889A (zh) * | 2023-08-24 | 2023-09-22 | 青岛美迪康数字工程有限公司 | 医学影像识别模型的更新方法、装置和计算机设备 |
-
2023
- 2023-05-04 CN CN202310485794.4A patent/CN116486984A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116797889A (zh) * | 2023-08-24 | 2023-09-22 | 青岛美迪康数字工程有限公司 | 医学影像识别模型的更新方法、装置和计算机设备 |
| CN116797889B (zh) * | 2023-08-24 | 2023-12-08 | 青岛美迪康数字工程有限公司 | 医学影像识别模型的更新方法、装置和计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101740464B1 (ko) | 뇌졸중 진단 및 예후 예측 방법 및 시스템 | |
| EP2888686B1 (en) | Automatic detection and retrieval of prior annotations relevant for an imaging study for efficient viewing and reporting | |
| US7593562B2 (en) | Method and system for computer aided detection (CAD) cued reading of medical images | |
| US20210217166A1 (en) | Automated screening of medical data | |
| CN109003269A (zh) | 一种能提高医生效率的医学影像病灶的标注提取方法 | |
| CN116486984A (zh) | 一种基于医学影像和在先诊断报告的转诊系统 | |
| Tang et al. | CNN-based qualitative detection of bone mineral density via diagnostic CT slices for osteoporosis screening | |
| CN101896942A (zh) | 脑图像数据的图像分析 | |
| 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 | |
| CN116152185A (zh) | 一种基于深度学习的胃癌病理诊断系统 | |
| US20040024292A1 (en) | System and method for assigning a computer aided detection application to a digital image | |
| JP7102999B2 (ja) | 情報収集処理装置、情報収集処理方法及びプログラム | |
| Santony et al. | Infiltrate Object Extraction in X-ray Image by using Math-Morphology Method and Feature Region Analysis | |
| CN112950552B (zh) | 一种基于卷积神经网络的肋骨分割标记方法及系统 | |
| US20220139512A1 (en) | Mapping pathology and radiology entities | |
| CN110197722B (zh) | Ai-cpu系统平台 | |
| CN112635067A (zh) | 基于深度学习的核素骨显像中骨转移瘤的诊断方法 | |
| Pham et al. | VinDr-SpineXR: A large annotated medical image dataset for spinal lesions detection and classification from radiographs | |
| CN112530580A (zh) | 医疗影像图片的处理方法和计算机可读存储介质 | |
| CN117672470B (zh) | 一种基于Web浏览器的医学影像辅助诊断装置 | |
| CN112308888B (zh) | 基于深度学习体征结构的全模态医学影像序列分组方法 | |
| CN117153343B (zh) | 一种胎盘多尺度分析系统 | |
| US20230096522A1 (en) | Method and system for annotation of medical images | |
| US20240071604A1 (en) | Artificial intelligence supported reading by redacting of a normal area in a medical image | |
| Stubblefield et al. | Using Large Language Models to Translate Machine Results to Human Results |
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 |