CN116977555A - 影像学检查ai识别及三维动态展示方法及系统 - Google Patents
影像学检查ai识别及三维动态展示方法及系统 Download PDFInfo
- Publication number
- CN116977555A CN116977555A CN202310874441.3A CN202310874441A CN116977555A CN 116977555 A CN116977555 A CN 116977555A CN 202310874441 A CN202310874441 A CN 202310874441A CN 116977555 A CN116977555 A CN 116977555A
- Authority
- CN
- China
- Prior art keywords
- image
- recognition
- imaging
- model
- imaging examination
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003384 imaging method Methods 0.000 title claims abstract description 52
- 201000010099 disease Diseases 0.000 claims abstract description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 210000000056 organ Anatomy 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 230000003902 lesion Effects 0.000 claims description 6
- 238000010146 3D printing Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000003416 augmentation Effects 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000004888 barrier function Effects 0.000 abstract description 3
- 238000000968 medical method and process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000020805 dietary restrictions Nutrition 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G16H50/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了影像学检查AI识别及三维动态展示方法及系统，方法包括：构建基于卷积神经网络的影像识别分层模型；将待解读的影像学检查图像输入至影像识别分层模型中，影像识别分层模型分析图像后提供结果，并动态图像展示3D影像；本发明通过获取目前影像学检查的图像资料，通过人工智能辅助，开发3D重建模块，并进行动态图像展示，所需部位能够选择性分层3D打印，患者可更直观了解自身疾病的情况。结合分层3D模型、可调节三维动态影像学图像展示，更加理解医疗过程中对疾病的治疗方案，减少医患间由于信息不对等产生的沟通障碍，建立更好的医患沟通途径，减少医疗纠纷发生。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及影像学检查AI识别及三维动态展示方法及系统。
背景技术
临床疾病诊治过程中，对影像学的依赖性越来越高，目前临床常用的影像学检查，如超声、CT、MRI检查，均需要专业的影像学专业人员阅读并出具文字版结果报告，非影像专业的临床医生、患者及家属，很难深入了解影像学检查的情况，无法形成直观的感觉和判断：另外，影像学专科人员对于疾病的不同了解，关注点不同，所出具的结果报告，也可能存在一定的偏差，临床应用存在缺陷；
为此，提出影像学检查AI识别及三维动态展示方法及系统。
发明内容
有鉴于此，本发明实施例希望提供影像学检查AI识别及三维动态展示方法及系统，以解决或缓解现有技术中存在的技术问题，至少提供一种有益的选择。
本发明实施例的技术方案是这样实现的：一种影像学检查AI识别及三维动态展示方法，包括：
构建基于卷积神经网络的影像识别分层模型；
将待解读的影像学检查图像输入至影像识别分层模型中，影像识别分层模型分析图像后提供结果，并动态图像展示3D影像；
具体包括：
获取影像学检查图像；
对输入的影像学图像进行预处理，包括图像去噪、对比度增强和图像对齐；
输入影像识别分层模型，输出结果，同时，基于识别结果，构建三维动态影像，分层3D打印。
进一步优选的，所述结果包括自动标注病灶、定位异常区域、计量特定结构、疾病类型和器官结构。
进一步优选的，所述影像识别分层模型训练时，包括以下步骤：
数据准备：将被定义的影像图像数据作为训练数据输入至影像识别分层模型；
数据标注：为训练数据标注相关的标签，所述标签包括疾病类型、器官结构；这样影像识别分层模型在学习过程中可以了解图像中不同区域的含义；
模型训练：采用卷积神经网络，将输入的影像学图像与相应的标签进行关联，影像识别分层模型从图像中提取特征和进行分类。
进一步优选的，所述被定义的影像图像数据包括正常情况和异常情况。
进一步优选的，所述影像识别分层模型构建三维动态影像时，包括以下步骤：
采用计算机图形学和图像处理技术对图像进行三维重建，呈现内部结构的密度、颜色以及显示器官的外部形状；
通过在三维模型上创建切片及投影，将三维重建的结果进行分层展示。
进一步优选的，所述影像识别分层模型构建三维动态影像后，还包括：
用户对分层展示的动态图像交互操作；
所述交互操作包括选择切割的位置和方向、调整切片的厚度和间隔以及通过缩放和旋转来查看不同角度的图像。
进一步优选的，所述采用计算机图形学和图像处理技术对图像进行三维重建时，还包括：
采用可视化增强技术，使用颜色映射来突出显示特定结构或病变，添加标记和注释以提供解释性信息，以及应用虚拟现实和增强现实技术。
另一方面，本发明还提供了一种影像学检查AI识别动态展示系统，包括：
获取模块，用于获取原始的影像学图像；
处理模块，用于对获取到的原始图像进行图像去噪、对比度增强和图像对齐；
识别模块，搭载基于卷积神经网络的影像识别分层模型，用于对处理后的图像分析并提供结果；
重建模块，用于对分析后的图像进行三维重建，动态展示影像学图像,根据识别后图像数据及三维重建结果，可选择不同类型的分层3D打印模式，将图像资料实物化。
另一方面，本发明还提供了一种计算机设备，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如上述所述的影像学检查AI识别及三维动态展示方法的步骤。
另一方面，本发明还提供了一种存储介质，存储有能够实现如上述所述的影像学检查AI识别及三维动态展示方法的程序指令。
本发明实施例由于采用以上技术方案，其具有以下优点：
本发明通过获取目前影像学检查的图像资料，通过人工智能辅助，开发3D重建模块，并进行动态图像展示，所需部位能够选择性分层3D打印，患者可更直观了解自身疾病的情况。结合分层3D模型、可调节三维动态影像学图像展示，更加理解医疗过程中对疾病的治疗方案，减少医患间由于信息不对等产生的沟通障碍，建立更好的医患沟通途径，减少医疗纠纷发生。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或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申请的一些实施例，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为本发明方法的流程图；
图2为本发明系统的模块示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
图1是本发明实施例的影像学检查AI识别及三维动态展示方法的流程示意图。需注意的是，若有实质上相同的结果，本申请的方法并不以图1所示的流程顺序为限。如图1所示其包括：一种影像学检查AI识别及三维动态展示方法，包括：
构建基于卷积神经网络的影像识别分层模型；
将待解读的影像学检查图像输入至影像识别分层模型中，影像识别分层模型分析图像后提供结果，并动态图像展示3D影像；
具体包括：
获取影像学检查图像；
对输入的影像学图像进行预处理，包括图像去噪、对比度增强和图像对齐；
输入影像识别分层模型，输出结果，同时，基于识别结果，构建三维动态影像，分层3D打印。
具体的，结果包括自动标注病灶、定位异常区域、计量特定结构、疾病类型和器官结构。
具体的，影像识别分层模型训练时，包括以下步骤：
数据准备：将被定义的影像图像数据作为训练数据输入至影像识别分层模型，被定义的影像图像数据包括正常情况和异常情况；
数据标注：为训练数据标注相关的标签，标签包括疾病类型、器官结构；这样影像识别分层模型在学习过程中可以了解图像中不同区域的含义；
模型训练：采用卷积神经网络，将输入的影像学图像与相应的标签进行关联，影像识别分层模型从图像中提取特征和进行分类。
具体的，影像识别分层模型构建三维动态影像时，包括以下步骤：
采用计算机图形学和图像处理技术对图像进行三维重建，呈现内部结构的密度、颜色以及显示器官的外部形状；
通过在三维模型上创建切片及投影，将三维重建的结果进行分层展示。
更具体的，影像识别分层模型构建三维动态影像后，还包括：
用户对分层展示的动态图像交互操作；
交互操作包括选择切片的位置和方向、调整切片的厚度和间隔以及通过缩放和旋转来查看不同角度的图像。
具体的，采用计算机图形学和图像处理技术对图像进行三维重建时，还包括：
采用可视化增强技术，使用颜色映射来突出显示特定结构或病变，添加标记和注释以提供解释性信息，以及应用虚拟现实和增强现实技术。
本实施例中：患者影像学检查的图像治疗步骤包括以下几个阶段：
患者准备：患者需要按照医生的要求准备好进行影像学检查，这可能包括禁食、饮食限制、服用对比剂等。
影像获取：医生或技术人员使用相应的设备(如X射线、CT扫描、MRI等)对患者进行影像学检查，以获取相关的图像。
图像解读：虽然提供了结果显示，但为保证准确，也需要医生会仔细阅读和解释所获得的图像，以便诊断和评估患者的疾病或病变。
治疗决策：并且，根据图像结果，医生可以制定治疗计划，包括手术、药物治疗、放射治疗等，同时，医生和影像学专家之间的密切合作可以确保对影像的正确解读和诊断，减少误诊的可能性，可以提高影像学检查的效果，减少患者的风险，并改善临床诊断和治疗的质量。。
并且，为更进一步的保证准确性，影像识别分层模型提供的结果由专业医生或经验丰富的影像学专家进行解释和评估，医生可以结合影像识别分层模型的输出、患者病史和临床数据，做出准确的诊断和治疗建议。
持续改进：影像识别分层模型的性能可以通过持续的反馈和改进来提高，医生的反馈可以用于验证和改进模型的准确性和可靠性。
需要注意的是，影像识别分层模型只能提供辅助解读，不能替代医生的专业判断和临床经验。医生仍然需要对结果进行综合评估，并结合其他临床信息做出最终诊断。
图2是本申请实施例的影像学检查AI识别动态展示系统的功能模块示意图，如图2所示，该一种影像学检查AI识别动态展示系统，包括：
获取模块，用于获取原始的影像学图像；
处理模块，用于对获取到的原始图像进行图像去噪、对比度增强和图像对齐；
识别模块，搭载基于卷积神经网络的影像识别分层模型，用于对处理后的图像分析并提供结果；
重建模块，用于对分析后的图像进行三维重建，动态展示影像学图像。
另一方面，本发明还提供了一种计算机设备，计算机设备包括处理器、与处理器耦接的存储器，存储器中存储有程序指令，程序指令被处理器执行时，使得处理器执行如上述的影像学检查AI识别及三维动态展示方法的步骤。
其中，处理器还可以称为CPU(Central Processing Unit，中央处理单元)。处理器可能是一种集成电路芯片，具有信号的处理能力。处理器还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
另一方面，本发明还提供了一种存储介质，存储有能够实现如上述的影像学检查AI识别及三维动态展示方法的程序指令，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等计算机设备。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
本发明通过获取目前影像学检查的图像资料，通过人工智能辅助，开发3D重建模块，并进行动态图像展示，所需部位能够选择性分层3D打印，患者可更直观了解自身疾病的情况。结合分层3D模型、可调节三维动态影像学图像展示，更加理解医疗过程中对疾病的治疗方案，减少医患间由于信息不对等产生的沟通障碍，建立更好的医患沟通途径，减少医疗纠纷发生。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种影像学检查AI识别及三维动态展示方法，其特征在于，包括：
构建基于卷积神经网络的影像识别分层模型；
将待解读的影像学检查图像输入至影像识别分层模型中，影像识别分层模型分析图像后提供结果，并动态图像展示3D影像；
具体包括：
获取影像学检查图像；
对输入的影像学图像进行预处理，包括图像去噪、对比度增强和图像对齐；
输入影像识别分层模型，输出结果，同时，基于识别结果，构建三维动态影像，分层3D打印。
2.根据权利要求1所述的影像学检查AI识别及三维动态展示方法，其特征在于：所述结果包括自动标注病灶、定位异常区域、计量特定结构、疾病类型和器官结构。
3.根据权利要求1所述的影像学检查AI识别及三维动态展示方法，其特征在于：所述影像识别分层模型训练时，包括以下步骤：
数据准备：将被定义的影像图像数据作为训练数据输入至影像识别分层模型；
数据标注：为训练数据标注相关的标签，所述标签包括疾病类型、器官结构；
模型训练：采用卷积神经网络，将输入的影像学图像与相应的标签进行关联，影像识别分层模型从图像中提取特征和进行分类。
4.根据权利要求3所述的影像学检查AI识别及三维动态展示方法，其特征在于：所述被定义的影像图像数据包括正常情况和异常情况。
5.根据权利要求1所述的影像学检查AI识别及三维动态展示方法，其特征在于：所述影像识别分层模型构建三维动态影像时，包括以下步骤：
采用计算机图形学和图像处理技术对图像进行三维重建，呈现内部结构的密度、颜色以及显示器官的外部形状；
通过在三维模型上创建切片及投影，将三维重建的结果进行分层展示。
6.根据权利要求5所述的影像学检查AI识别及三维动态展示方法，其特征在于：所述影像识别分层模型构建三维动态影像后，还包括：
用户对分层展示的动态图像交互操作；
所述交互操作包括选择切割的位置和方向、调整切片的厚度和间隔以及通过缩放和旋转来查看不同角度的图像。
7.根据权利要求1所述的影像学检查AI识别及三维动态展示方法，其特征在于：所述采用计算机图形学和图像处理技术对图像进行三维重建时，还包括：
采用可视化增强技术，使用颜色映射来突出显示特定结构或病变，添加标记和注释以提供解释性信息，以及应用虚拟现实和增强现实技术。
8.一种影像学检查AI识别动态展示系统，其特征在于，包括：
获取模块，用于获取原始的影像学图像；
处理模块，用于对获取到的原始图像进行图像去噪、对比度增强和图像对齐；
识别模块，搭载基于卷积神经网络的影像识别分层模型，用于对处理后的图像分析并提供结果；
重建模块，用于对分析后的图像进行三维重建，动态展示影像学图像,分层3D打印，图形图像实体化。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如权利要求1-7中任一项权利要求所述的影像学检查AI识别及三维动态展示方法的步骤。
10.一种存储介质，其特征在于，存储有能够实现如权利要求1-7中任一项所述的影像学检查AI识别及三维动态展示方法的程序指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310874441.3A CN116977555A (zh) | 2023-07-17 | 2023-07-17 | 影像学检查ai识别及三维动态展示方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310874441.3A CN116977555A (zh) | 2023-07-17 | 2023-07-17 | 影像学检查ai识别及三维动态展示方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116977555A true CN116977555A (zh) | 2023-10-31 |
Family
ID=88480779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310874441.3A Pending CN116977555A (zh) | 2023-07-17 | 2023-07-17 | 影像学检查ai识别及三维动态展示方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116977555A (zh) |
-
2023
- 2023-07-17 CN CN202310874441.3A patent/CN116977555A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10275877B2 (en) | Methods and systems for automatically determining diagnosis discrepancies for clinical images | |
| US8369585B2 (en) | Automatic classification of information in images | |
| US7599534B2 (en) | CAD (computer-aided decision) support systems and methods | |
| US7747050B2 (en) | System and method for linking current and previous images based on anatomy | |
| EP2380140B1 (en) | Generating views of medical images | |
| US20200342257A1 (en) | Learning system, method, and program | |
| JP7080304B2 (ja) | 学習支援装置、学習支援方法、学習支援プログラム、関心領域判別装置、関心領域判別方法、関心領域判別プログラム及び学習済みモデル | |
| WO2021157705A1 (ja) | 文書作成支援装置、方法およびプログラム | |
| CN117672470A (zh) | 一种基于Web浏览器的医学影像辅助诊断装置 | |
| US10176569B2 (en) | Multiple algorithm lesion segmentation | |
| CN116977555A (zh) | 影像学检查ai识别及三维动态展示方法及系统 | |
| US20110242096A1 (en) | Anatomy diagram generation method and apparatus, and medium storing program | |
| US10741283B2 (en) | Atlas based prior relevancy and relevancy model | |
| Lee et al. | Learning radiologist’s step-by-step skill for cervical spinal injury examination: Line drawing, prevertebral soft tissue thickness measurement, and swelling detection | |
| CN116884557B (zh) | 基于数字孪生的体检报告生成方法、终端设备及介质 | |
| EP4358021A1 (en) | Medical image diagnosis system, medical image diagnosis method, and program | |
| CN116740476B (zh) | 一种基于患者360可视化人体自动标注方法 | |
| EP4358022A1 (en) | Medical image diagnostic system, medical image diagnostic method, and program | |
| CN117455845A (zh) | 一种用于急性脑出血ct影像的智能图像处理方法和系统 | |
| JP2024108638A (ja) | 医用情報処理装置、医用情報処理装置の作動方法及び医用情報処理プログラム |
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 |