CN117115045A - 基于互联网生成式人工智能提升医学影像数据质量的方法 - Google Patents
基于互联网生成式人工智能提升医学影像数据质量的方法 Download PDFInfo
- Publication number
- CN117115045A CN117115045A CN202311376454.4A CN202311376454A CN117115045A CN 117115045 A CN117115045 A CN 117115045A CN 202311376454 A CN202311376454 A CN 202311376454A CN 117115045 A CN117115045 A CN 117115045A
- Authority
- CN
- China
- Prior art keywords
- medical image
- data
- image data
- algorithm
- health
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 230000036541 health Effects 0.000 claims abstract description 111
- 238000005516 engineering process Methods 0.000 claims abstract description 47
- 238000004171 remote diagnosis Methods 0.000 claims abstract description 35
- 230000009467 reduction Effects 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 17
- 238000003066 decision tree Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 24
- 238000003745 diagnosis Methods 0.000 claims description 19
- 238000002372 labelling Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 16
- 230000001360 synchronised effect Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 4
- 238000013144 data compression Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000011425 standardization method Methods 0.000 claims description 4
- 208000024891 symptom Diseases 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000002864 sequence alignment Methods 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000007726 management method Methods 0.000 abstract description 3
- 238000013523 data management Methods 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 abstract 1
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000003902 lesion Effects 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- 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
- G06N3/0475—Generative networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及医学影像处理技术领域,具体为基于互联网生成式人工智能提升医学影像数据质量的方法,包括以下步骤,基于物联网技术,采用数据采集算法,收集多模态医学影像数据,生成原始医学影像数据集;基于所述原始医学影像数据集,采用图像预处理算法,得到预处理后的医学影像数据集。本发明中,引入生成式AI和工业互联网技术改进传统医学影像质量提升方法。多模态医学影像数据更精确融合,生成对抗网络实现数据增强和多样性保持。深度学习降噪提升影像质量,增强后续分析准确性。卷积神经网络自动标注加速数据标记。分布式存储和云端医学数据仓库简化数据管理与共享,支持远程诊断和智慧健康管理。决策树算法确保高效准确的健康数据分析。
Description
技术领域
本发明涉及医学影像处理技术领域,尤其涉及基于互联网生成式人工智能提升医学影像数据质量的方法。
背景技术
医学影像处理是一门涉及获取、分析和解释医学图像的学科。它结合了计算机科学、医学工程学和影像学等多个领域,旨在提高对医学影像的理解和诊断。
其中,基于互联网生成式人工智能提升医学影像数据质量的方法是一种利用工业互联网和生成式人工智能(AI)技术来提升医学影像数据质量的方法。该方法的主要目的是改善医学影像的质量,以使医生和医疗专业人员能够更准确、更可靠地进行诊断。通过应用工业互联网和生成式AI,可以有效地处理医学影像数据,减少噪音、增加清晰度,并提高影像的对比度和分辨率。为了达成这一目标,通常采用生成式AI算法,例如生成对抗网络(GAN),用于学习和生成更高质量、更真实的医学影像。同时,利用工业互联网技术对医学影像数据进行清洗,去除噪音和不良数据,通过数据增强技术提高数据的多样性和质量。此外,利用工业互联网的自动化能力,实现对大规模医学影像数据的快速处理和分析,提高处理效率。最后,通过实时监控和反馈机制,确保处理的准确性和可靠性,为医疗诊断提供更可靠的支持。这一方法的核心目的是提升医学影像数据质量,以改善诊断准确性。
在现有方法中,在多模态医学影像融合方面较为单一和传统,未充分考虑到数据的多样性和真实性,导致融合后的数据在一定程度上失去原有模态的特定信息。传统的影像降噪方法受限于技术的局限性,不能有效地去除各种复杂的噪声,从而在一定程度上影响到后续的影像分析效果。现有方法在数据标注环节过于依赖人工操作,耗费大量的人力物力,且易出错,尤其在大规模数据标注场景下,效率极其有限。在数据存储和共享方面,传统方法较为封闭和局限,未能充分发挥云计算和大数据技术的优势,这在一定程度上限制了数据的利用价值。对于医学数据的深入分析,现有的方法往往只能做到表面的分析,缺乏足够的深度和广度,未能从大数据中挖掘出更有价值的健康信息和趋势。
发明内容
本发明的目的是解决现有技术中存在的缺点,而提出的基于互联网生成式人工智能提升医学影像数据质量的方法。
为了实现上述目的,本发明采用了如下技术方案:基于互联网生成式人工智能提升医学影像数据质量的方法,包括以下步骤:
S1:基于物联网技术,采用数据采集算法,收集多模态医学影像数据,生成原始医学影像数据集;
S2:基于所述原始医学影像数据集,采用图像预处理算法,实现图像质量的提升,得到预处理后的医学影像数据集;
S3:基于所述预处理后的医学影像数据集,采用生成对抗网络算法,进行多模态影像的融合,得到融合增强后的医学影像数据集;
S4:基于所述融合增强后的医学影像数据集,应用深度学习降噪方法,优化影像质量,产生优化后的医学影像数据集;
S5:基于所述优化后的医学影像数据集,利用卷积神经网络算法,进行自动标注操作,得到自动标注的医学影像数据;
S6:基于所述自动标注的医学影像数据,采用分布式存储技术,上传数据到云端,形成云端医学数据仓库;
S7:基于所述云端医学数据仓库,应用深度学习技术,为医生提供远程诊断建议,生成远程诊断报告;
S8:基于所述云端医学数据仓库,使用决策树算法,进行健康数据分析,得到智慧健康报告;
S9:整合所述远程诊断报告和智慧健康报告,采用工业互联网技术,实现数据多端共享,建立多场景智慧健康服务体系。
作为本发明的进一步方案,基于物联网技术,采用数据采集算法,收集多模态医学影像数据,生成原始医学影像数据集的步骤具体为:
S101:基于物联网设备,采用传感器校准算法,形成实时数据流;
S102:基于所述实时数据流,采用时间序列对齐算法,对传感器数据进行时间同步,生成同步后的影像数据;
S103:基于所述同步后的影像数据,使用SVM异常检测算法,筛选数据异常值,得到筛选后的医学影像数据;
S104:基于所述筛选后的医学影像数据,采用多源数据融合方法,形成原始医学影像数据集。
作为本发明的进一步方案,基于所述原始医学影像数据集,采用图像预处理算法,实现图像质量的提升,得到预处理后的医学影像数据集的步骤具体为:
S201:基于所述原始医学影像数据集,应用直方图均衡化算法,进行亮度调整,得到亮度均衡化后的影像数据;
S202:基于所述亮度均衡化后的影像数据,采用中值滤波算法,消除图像中的噪声,生成去噪后的医学影像数据;
S203:基于所述去噪后的医学影像数据,使用Laplacian锐化算法,增强图像细节,获得细节增强的医学影像数据;
S204:基于所述细节增强的医学影像数据,采用Z-score标准化方法,进行尺度和范围调整,形成预处理后的医学影像数据集。
作为本发明的进一步方案,基于所述预处理后的医学影像数据集,采用生成对抗网络算法,进行多模态影像的融合,得到融合增强后的医学影像数据集的步骤具体为:
S301:基于所述预处理后的医学影像数据集,利用随机抽样算法,选取部分数据作为生成对抗网络的训练数据,形成GAN训练数据集;
S302:基于所述GAN训练数据集,应用深度卷积生成对抗网络模型结构,对多模态数据进行特征提取并融合,形成初步融合影像;
S303:基于所述初步融合影像,利用损失函数优化算法,对生成器和判别器进行交替训练,优化融合效果,形成优化后的融合影像;
S304:基于所述优化后的融合影像,采用图像后处理算法,提高图像的对比度和清晰度,生成融合增强后的医学影像数据集。
作为本发明的进一步方案,基于所述融合增强后的医学影像数据集,应用深度学习降噪方法,优化影像质量,产生优化后的医学影像数据集的步骤具体为:
S401:基于所述融合增强后的医学影像数据集,采用自编码器方法,对原始图像进行编码解码处理,获取初步降噪图像;
S402:基于所述初步降噪图像,利用泊松去噪算法,消除图像中的噪点和伪影,得到进阶降噪图像;
S403:基于所述进阶降噪图像,应用卷积自编码器进行特征抽取和重建,增强图像的细节部分,形成细节增强的降噪图像;
S404:在所述细节增强的降噪图像基础上,采用U-Net网络结构进行影像分割,区分感兴趣区域,最终形成优化后的医学影像数据集。
作为本发明的进一步方案,基于所述优化后的医学影像数据集,利用卷积神经网络算法,进行自动标注操作,得到自动标注的医学影像数据的步骤具体为:
S501:基于所述优化后的医学影像数据集,利用图像增强技术,扩充训练样本,获取增强的训练数据集;
S502:基于所述增强的训练数据集,应用卷积神经网络进行特征提取,获取图像特征;
S503:通过所述图像特征,利用全连接网络层进行特征映射,确定每个像素的标签,获取初步标注图像;
S504:基于所述初步标注图像,利用条件随机场算法优化像素标签分配,形成自动标注的医学影像数据。
作为本发明的进一步方案,基于所述自动标注的医学影像数据,采用分布式存储技术,上传数据到云端,形成云端医学数据仓库的步骤具体为:
S601:基于所述自动标注的医学影像数据,利用数据压缩算法减小数据体积,得到压缩后的医学影像数据;
S602:基于所述压缩后的医学影像数据,采用安全加密算法,生成加密的医学影像数据;
S603:基于所述加密的医学影像数据,运用分布式存储技术,将数据均匀分布存储在不同的物理节点上,获得分布式医学影像数据;
S604:利用所述分布式医学影像数据,应用云存储服务上传并管理数据,形成云端医学数据仓库。
作为本发明的进一步方案,基于所述云端医学数据仓库,应用深度学习技术,为医生提供远程诊断建议,生成远程诊断报告的步骤具体为:
S701:基于所述云端医学数据仓库,采用卷积神经网络对医学影像进行特征提取,得到医学影像特征;
S702:基于所述医学影像特征,应用循环神经网络对患者历史数据和当前病状进行分析,得到患者健康状态特征;
S703:将所述医学影像特征和患者健康状态特征进行融合,利用深度信度网络进行诊断建议预测,得到初步远程诊断建议;
S704:基于所述初步远程诊断建议,结合医学知识库和专家经验进行修正和完善,形成远程诊断报告。
作为本发明的进一步方案,基于所述云端医学数据仓库,使用决策树算法,进行健康数据分析,得到智慧健康报告的步骤具体为:
S801:基于所述云端医学数据仓库,提取患者的基本信息和历史健康记录,得到健康数据集;
S802:基于所述健康数据集,采用决策树算法,对健康数据进行模式识别和分类,得到初步健康分析结果;
S803:根据所述初步健康分析结果,与健康知识库比对,细化健康建议,形成智慧健康报告草稿;
S804:对所述智慧健康报告草稿进行人工校验和修订,得到智慧健康报告。
作为本发明的进一步方案,整合所述远程诊断报告和智慧健康报告,采用工业互联网技术,实现数据多端共享,建立多场景智慧健康服务体系的步骤具体为:
S901:将所述远程诊断报告与智慧健康报告进行数据整合,形成统一健康数据结构;
S902:基于所述统一健康数据结构,采用数据同步技术,生成同步后的健康数据;
S903:根据所述同步后的健康数据,应用工业互联网的数据分发技术,产生分发至多端的健康数据;
S904:基于所述分发至多端的健康数据,结合用户行为和场景需求,采用场景分析算法,形成多场景智慧健康服务体系。
与现有技术相比,本发明的优点和积极效果在于:
本发明中,通过引入生成式AI和工业互联网技术在多个环节上改进了传统的医学影像质量提升方法,将多模态的医学影像数据进行了更精确的融合,利用生成对抗网络算法不仅实现了数据增强,也保证了在融合过程中数据的多样性和真实性得以保持。深度学习降噪方法进一步确保了影像数据质量的优化,提升了后续影像分析的准确度。而基于卷积神经网络的自动标注,加速了数据标记过程。分布式存储技术及云端医学数据仓库的应用,强化了数据管理和共享的便捷性,为远程诊断和智慧健康管理提供了实时、高效的数据支持。决策树算法在健康数据分析环节,保证了数据分析的高效与准确。
附图说明
图1为本发明的主步骤示意图;
图2为本发明的S1细化示意图;
图3为本发明的S2细化示意图;
图4为本发明的S3细化示意图;
图5为本发明的S4细化示意图;
图6为本发明的S5细化示意图;
图7为本发明的S6细化示意图;
图8为本发明的S7细化示意图;
图9为本发明的S8细化示意图;
图10为本发明的S9细化示意图。
实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例一
请参阅图1,本发明提供一种技术方案:基于互联网生成式人工智能提升医学影像数据质量的方法,包括以下步骤:
S1:基于物联网技术,采用数据采集算法,收集多模态医学影像数据,生成原始医学影像数据集;
S2:基于原始医学影像数据集,采用图像预处理算法,实现图像质量的提升,得到预处理后的医学影像数据集;
S3:基于预处理后的医学影像数据集,采用生成对抗网络算法,进行多模态影像的融合,得到融合增强后的医学影像数据集;
S4:基于融合增强后的医学影像数据集,应用深度学习降噪方法,优化影像质量,产生优化后的医学影像数据集;
S5:基于优化后的医学影像数据集,利用卷积神经网络算法,进行自动标注操作,得到自动标注的医学影像数据;
S6:基于自动标注的医学影像数据,采用分布式存储技术,上传数据到云端,形成云端医学数据仓库;
S7:基于云端医学数据仓库,应用深度学习技术,为医生提供远程诊断建议,生成远程诊断报告;
S8:基于云端医学数据仓库,使用决策树算法,进行健康数据分析,得到智慧健康报告;
S9:整合远程诊断报告和智慧健康报告,采用工业互联网技术,实现数据多端共享,建立多场景智慧健康服务体系。
通过采用生成对抗网络算法,S3步骤实现多模态医学影像的融合,这将有益于医生更全面地了解患者病情,提高诊断的准确性。
S2步骤中的图像预处理算法和S4步骤中的深度学习降噪方法,有效提高医学影像的质量,有益于医生更清晰地观察图像,减少误诊。
S5步骤中的卷积神经网络算法可以自动为医学影像添加标注,减轻医生的工作负担,提高工作效率,有助于更准确的诊断和治疗规划。
S7和S8步骤结合深度学习和决策树算法,为医生提供远程诊断建议和智慧健康报告。这将加速医疗决策流程,降低等待时间,特别对于远程地区或紧急情况下有益。
S6步骤将医学数据上传到云端,而S9步骤通过工业互联网技术实现数据多端共享,建立多场景智慧健康服务体系。这有益于医生、患者、研究人员和决策者,促进协作和数据共享,从而改善医疗服务的质量。
请参阅图2,基于物联网技术,采用数据采集算法,收集多模态医学影像数据,生成原始医学影像数据集的步骤具体为:
S101:基于物联网设备,采用传感器校准算法,形成实时数据流;
S102:基于实时数据流,采用时间序列对齐算法,对传感器数据进行时间同步,生成同步后的影像数据;
S103:基于同步后的影像数据,使用SVM异常检测算法,筛选数据异常值,得到筛选后的医学影像数据;
S104:基于筛选后的医学影像数据,采用多源数据融合方法,形成原始医学影像数据集。
采用传感器校准算法,确保物联网设备准确捕捉数据。这一步骤的效果是提高了数据采集的可信度和准确性。准确的传感器数据是后续分析的基础,可以降低错误诊断的风险。
通过时间序列对齐算法,将不同传感器的数据进行同步。这样的效果是确保数据的时序关联性,为后续的数据分析提供一致的时间框架,使医学影像数据更有价值。
使用SVM异常检测算法,筛选数据异常值。这一步骤的效果是排除可能的噪音和错误数据,提高了数据的质量和可信度。这对于确保后续医学影像分析的准确性至关重要。
通过多源数据融合方法,将各个传感器的数据整合成原始医学影像数据集。这一步骤的效果是综合多模态数据,使医学影像更丰富和全面。医生可以从不同角度和模态来评估患者的情况,提高了诊断的准确性和可信度。
请参阅图3,基于原始医学影像数据集,采用图像预处理算法,实现图像质量的提升,得到预处理后的医学影像数据集的步骤具体为:
S201:基于原始医学影像数据集,应用直方图均衡化算法,进行亮度调整,得到亮度均衡化后的影像数据;
S202:基于亮度均衡化后的影像数据,采用中值滤波算法,消除图像中的噪声,生成去噪后的医学影像数据;
S203:基于去噪后的医学影像数据,使用Laplacian锐化算法,增强图像细节,获得细节增强的医学影像数据;
S204:基于细节增强的医学影像数据,采用Z-score标准化方法,进行尺度和范围调整,形成预处理后的医学影像数据集。
通过直方图均衡化算法,对医学影像进行亮度调整。这一步骤的效果是增加影像的对比度,使细节更加突出。这将有助于医生更清晰地识别病变和解剖结构,提高了诊断的准确性。
应用中值滤波算法,可以有效地消除图像中的噪声,提高了影像的质量。这有助于医生更准确地分析影像,减少了误诊和漏诊的风险。
使用Laplacian锐化算法,增强影像的细节。这一步骤的效果是使图像中的微小结构和特征更加清晰可见,有助于医生更准确地识别病变或异常情况。
采用Z-score标准化方法,对图像进行尺度和范围调整,以确保影像的一致性和可比性。这将有益于不同设备、不同时间点采集的影像数据之间的比较和分析。
请参阅图4,基于预处理后的医学影像数据集,采用生成对抗网络算法,进行多模态影像的融合,得到融合增强后的医学影像数据集的步骤具体为:
S301:基于预处理后的医学影像数据集,利用随机抽样算法,选取部分数据作为生成对抗网络的训练数据,形成GAN训练数据集;
S302:基于GAN训练数据集,应用深度卷积生成对抗网络模型结构,对多模态数据进行特征提取并融合,形成初步融合影像;
S303:基于初步融合影像,利用损失函数优化算法,对生成器和判别器进行交替训练,优化融合效果,形成优化后的融合影像;
S304:基于优化后的融合影像,采用图像后处理算法,提高图像的对比度和清晰度,生成融合增强后的医学影像数据集。
S301阶段通过随机抽样算法形成GAN训练数据集,增强了数据多样性和规模,为模型提供了更多信息。S302阶段使用深度卷积生成对抗网络模型对多模态数据进行特征提取和融合,进一步提高了图像的信息性和质量。S303阶段通过损失函数优化算法对生成器和判别器进行训练,优化了图像融合效果,提高了图像质量和减少了伪影。最后,在S304阶段,采用图像后处理算法进一步提高了图像的对比度和清晰度,增强了诊断可靠性。
请参阅图5,基于融合增强后的医学影像数据集,应用深度学习降噪方法,优化影像质量,产生优化后的医学影像数据集的步骤具体为:
S401:基于融合增强后的医学影像数据集,采用自编码器方法,对原始图像进行编码解码处理,获取初步降噪图像;
S402:基于初步降噪图像,利用泊松去噪算法,消除图像中的噪点和伪影,得到进阶降噪图像;
S403:基于进阶降噪图像,应用卷积自编码器进行特征抽取和重建,增强图像的细节部分,形成细节增强的降噪图像;
S404:在细节增强的降噪图像基础上,采用U-Net网络结构进行影像分割,区分感兴趣区域,最终形成优化后的医学影像数据集。
首先,在S401阶段,自编码器方法用于初步降噪。这一步骤有助于去除一部分噪声,提高了图像的清晰度,同时保留了关键的医学信息。
接着,在S402阶段,泊松去噪算法进一步减少了噪点和伪影。这有助于显著提高图像的质量和可信度,减少了医生在诊断中的误导。
S403阶段的卷积自编码器应用有助于进一步增强图像的细节部分,并提高了图像的可解释性。医生能够更清晰地识别和分析病变或结构,提高了临床诊断的准确性。
最后,在S404阶段,使用U-Net网络进行影像分割,准确地分割出感兴趣的区域,有助于医生更精确地定位和识别病变。此外,分割还可以减少冗余信息,简化医生的诊断任务,提高效率。
请参阅图6,基于优化后的医学影像数据集,利用卷积神经网络算法,进行自动标注操作,得到自动标注的医学影像数据的步骤具体为:
S501:基于优化后的医学影像数据集,利用图像增强技术,扩充训练样本,获取增强的训练数据集;
S502:基于增强的训练数据集,应用卷积神经网络进行特征提取,获取图像特征;
S503:通过图像特征,利用全连接网络层进行特征映射,确定每个像素的标签,获取初步标注图像;
S504:基于初步标注图像,利用条件随机场算法优化像素标签分配,形成自动标注的医学影像数据。
首先,在S501阶段,通过图像增强技术扩充训练样本,获得了更多多样化的数据。这丰富了训练数据,增强了模型的泛化能力,使其能够适应不同临床场景,从而提高了模型的鲁棒性和可靠性。
接着,在S502阶段,利用CNN进行特征提取,使模型能够自动学习医学影像中的重要特征。这样的特征提取方式消除了对手动特征工程的依赖,有效提高了标注的准确性,为自动标注奠定了基础。
S503阶段通过全连接网络层将卷积神经网络提取的特征映射到每个像素的标签,实现了像素级别的标注,使医学影像的每个像素都与特定标签相关联。这不仅提供了更为详细的信息,也考虑了全局信息,全面优化了标签分配,进一步增强了标注的准确性和可信度。
最终,在S504阶段,应用条件随机场算法对初步标注图像进行优化,充分考虑了像素间的上下文关系,减少了标注中的误差。通过这种优化,获得了更一致、更可靠的自动标注的医学影像数据。
请参阅图7,基于自动标注的医学影像数据,采用分布式存储技术,上传数据到云端,形成云端医学数据仓库的步骤具体为:
S601:基于自动标注的医学影像数据,利用数据压缩算法减小数据体积,得到压缩后的医学影像数据;
S602:基于压缩后的医学影像数据,采用安全加密算法,生成加密的医学影像数据;
S603:基于加密的医学影像数据,运用分布式存储技术,将数据均匀分布存储在不同的物理节点上,获得分布式医学影像数据;
S604:利用分布式医学影像数据,应用云存储服务上传并管理数据,形成云端医学数据仓库。
首先,通过S601和S602阶段的数据压缩和安全加密,医学影像数据得以高效压缩,隐私得以有效保护,不仅减少了存储成本,还确保了数据的机密性和完整性。
其次,在S603阶段的分布式存储,数据变得高度可用且容错性强,分布在不同物理节点上,提高了数据的冗余性和访问速度,确保了数据的可靠性和快速检索。
最后,通过S604,将数据上传至云端医学数据仓库,实现了数据的灵活性和可扩展性,同时也实现了远程访问,加速了数据共享和医疗协作。
请参阅图8,基于云端医学数据仓库,应用深度学习技术,为医生提供远程诊断建议,生成远程诊断报告的步骤具体为:
S701:基于云端医学数据仓库,采用卷积神经网络对医学影像进行特征提取,得到医学影像特征;
S702:基于医学影像特征,应用循环神经网络对患者历史数据和当前病状进行分析,得到患者健康状态特征;
S703:将医学影像特征和患者健康状态特征进行融合,利用深度信度网络进行诊断建议预测,得到初步远程诊断建议;
S704:基于初步远程诊断建议,结合医学知识库和专家经验进行修正和完善,形成远程诊断报告。
首先,通过S701,卷积神经网络能够自动提取医学影像的关键特征,这不仅节省了医生的时间,还提高了诊断的准确性。同时,在S702阶段,循环神经网络分析患者历史数据和当前病状,实现了个性化的健康状态特征提取,进一步提高了诊断的针对性和精确性。
S703中的深度信度网络将医学影像特征和患者健康状态特征融合,为医生提供初步的远程诊断建议。这一步骤不仅综合了多源信息,还能够快速响应,适用于紧急情况,提供了及时的医疗支持。
最后,S704中,专家修正远程诊断报告,结合医学知识库和专业经验,确保了诊断的准确性和可信度。这种深度学习与专家知识相结合的方法,最大程度地减少了误诊和漏诊的可能性。
请参阅图9,基于云端医学数据仓库,使用决策树算法,进行健康数据分析,得到智慧健康报告的步骤具体为:
S801:基于云端医学数据仓库,提取患者的基本信息和历史健康记录,得到健康数据集;
S802:基于健康数据集,采用决策树算法,对健康数据进行模式识别和分类,得到初步健康分析结果;
S803:根据初步健康分析结果,与健康知识库比对,细化健康建议,形成智慧健康报告草稿;
S804:对智慧健康报告草稿进行人工校验和修订,得到智慧健康报告。
首先,在S801阶段,通过云端数据仓库提取患者的全面健康数据,不仅节省了医疗专业人员的时间,还为后续的分析提供了数据基础。这有助于医生更全面地了解患者的健康状况,推动了个性化医疗的发展。
接着,在S802,决策树算法自动进行健康数据的模式识别和分类,快速生成初步健康分析结果,提高了诊断的速度和准确性。这种自动化分析有助于早期发现潜在的健康问题,使医生能够更早地采取干预措施,提升了患者的治疗效果。
在S803,通过与健康知识库的比对,进一步细化健康建议,确保了报告的准确性和完整性。这也有助于患者更好地理解和管理自己的健康状况,促进了患者教育的开展。
最后,在S804,经过专业医疗人员的人工校验和修订,确保了智慧健康报告的可信度和专业性。这种结合自动化分析和人工审核的方式,综合了计算机的高效性和医疗专业人员的专业判断,提供了高质量的智慧健康报告。
请参阅图10,整合远程诊断报告和智慧健康报告,采用工业互联网技术,实现数据多端共享,建立多场景智慧健康服务体系的步骤具体为:
S901:将远程诊断报告与智慧健康报告进行数据整合,形成统一健康数据结构;
S902:基于统一健康数据结构,采用数据同步技术,生成同步后的健康数据;
S903:根据同步后的健康数据,应用工业互联网的数据分发技术,产生分发至多端的健康数据;
S904:基于分发至多端的健康数据,结合用户行为和场景需求,采用场景分析算法,形成多场景智慧健康服务体系。
在S901阶段,将两种报告的数据整合成统一健康数据结构,确保数据一致性和全面性。这一整合不仅消除了数据不匹配的问题,还提供了更全面的健康信息,有益于医疗专业人员全面评估患者的状况。
S902中,数据同步技术保证了健康数据的实时性和准确性。这不仅使数据可在任何时刻访问,还减少了数据冗余和错误,提高了数据的质量。随后,S903阶段应用工业互联网的数据分发技术,将健康数据分发至多个端口,增加了数据的可访问性和移动性。患者和医生能够更便捷地获取所需信息,支持了实时决策和自我管理。
最后,在S904中,结合用户行为和场景需求,采用场景分析算法,形成多场景智慧健康服务体系。这个体系为用户提供了个性化服务,根据不同场景和需求满足了患者的特定需求。同时,它也支持预防和干预,通过多场景数据实现更好的健康监测和风险预防。
以上,仅是本发明的较佳实施例而已,并非对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (10)
1.基于互联网生成式人工智能提升医学影像数据质量的方法,其特征在于,包括以下步骤:
基于物联网技术,采用数据采集算法,收集多模态医学影像数据,生成原始医学影像数据集;
基于所述原始医学影像数据集,采用图像预处理算法,实现图像质量的提升,得到预处理后的医学影像数据集;
基于所述预处理后的医学影像数据集,采用生成对抗网络算法,进行多模态影像的融合,得到融合增强后的医学影像数据集;
基于所述融合增强后的医学影像数据集,应用深度学习降噪方法,优化影像质量,产生优化后的医学影像数据集;
基于所述优化后的医学影像数据集,利用卷积神经网络算法,进行自动标注操作,得到自动标注的医学影像数据;
基于所述自动标注的医学影像数据,采用分布式存储技术,上传数据到云端,形成云端医学数据仓库;
基于所述云端医学数据仓库,应用深度学习技术,为医生提供远程诊断建议,生成远程诊断报告;
基于所述云端医学数据仓库,使用决策树算法,进行健康数据分析,得到智慧健康报告;
整合所述远程诊断报告和智慧健康报告,采用工业互联网技术,实现数据多端共享,建立多场景智慧健康服务体系。
2.根据权利要求1所述的基于互联网生成式人工智能提升医学影像数据质量的方法,其特征在于,基于物联网技术,采用数据采集算法,收集多模态医学影像数据,生成原始医学影像数据集的步骤具体为:
基于物联网设备,采用传感器校准算法,形成实时数据流;
基于所述实时数据流,采用时间序列对齐算法,对传感器数据进行时间同步,生成同步后的影像数据;
基于所述同步后的影像数据,使用SVM异常检测算法,筛选数据异常值,得到筛选后的医学影像数据;
基于所述筛选后的医学影像数据,采用多源数据融合方法,形成原始医学影像数据集。
3.根据权利要求1所述的基于互联网生成式人工智能提升医学影像数据质量的方法,其特征在于,基于所述原始医学影像数据集,采用图像预处理算法,实现图像质量的提升,得到预处理后的医学影像数据集的步骤具体为:
基于所述原始医学影像数据集,应用直方图均衡化算法,进行亮度调整,得到亮度均衡化后的影像数据;
基于所述亮度均衡化后的影像数据,采用中值滤波算法,消除图像中的噪声,生成去噪后的医学影像数据;
基于所述去噪后的医学影像数据,使用Laplacian锐化算法,增强图像细节,获得细节增强的医学影像数据;
基于所述细节增强的医学影像数据,采用Z-score标准化方法,进行尺度和范围调整,形成预处理后的医学影像数据集。
4.根据权利要求1所述的基于互联网生成式人工智能提升医学影像数据质量的方法,其特征在于,基于所述预处理后的医学影像数据集,采用生成对抗网络算法,进行多模态影像的融合,得到融合增强后的医学影像数据集的步骤具体为:
基于所述预处理后的医学影像数据集,利用随机抽样算法,选取部分数据作为生成对抗网络的训练数据,形成GAN训练数据集;
基于所述GAN训练数据集,应用深度卷积生成对抗网络模型结构,对多模态数据进行特征提取并融合,形成初步融合影像;
基于所述初步融合影像,利用损失函数优化算法,对生成器和判别器进行交替训练,优化融合效果,形成优化后的融合影像;
基于所述优化后的融合影像,采用图像后处理算法,提高图像的对比度和清晰度,生成融合增强后的医学影像数据集。
5.根据权利要求1所述的基于互联网生成式人工智能提升医学影像数据质量的方法,其特征在于,基于所述融合增强后的医学影像数据集,应用深度学习降噪方法,优化影像质量,产生优化后的医学影像数据集的步骤具体为:
基于所述融合增强后的医学影像数据集,采用自编码器方法,对原始图像进行编码解码处理,获取初步降噪图像;
基于所述初步降噪图像,利用泊松去噪算法,消除图像中的噪点和伪影,得到进阶降噪图像;
基于所述进阶降噪图像,应用卷积自编码器进行特征抽取和重建,增强图像的细节部分,形成细节增强的降噪图像;
在所述细节增强的降噪图像基础上,采用U-Net网络结构进行影像分割,区分感兴趣区域,最终形成优化后的医学影像数据集。
6.根据权利要求1所述的基于互联网生成式人工智能提升医学影像数据质量的方法,其特征在于,基于所述优化后的医学影像数据集,利用卷积神经网络算法,进行自动标注操作,得到自动标注的医学影像数据的步骤具体为:
基于所述优化后的医学影像数据集,利用图像增强技术,扩充训练样本,获取增强的训练数据集;
基于所述增强的训练数据集,应用卷积神经网络进行特征提取,获取图像特征;
通过所述图像特征,利用全连接网络层进行特征映射,确定每个像素的标签,获取初步标注图像;
基于所述初步标注图像,利用条件随机场算法优化像素标签分配,形成自动标注的医学影像数据。
7.根据权利要求1所述的基于互联网生成式人工智能提升医学影像数据质量的方法,其特征在于,基于所述自动标注的医学影像数据,采用分布式存储技术,上传数据到云端,形成云端医学数据仓库的步骤具体为:
基于所述自动标注的医学影像数据,利用数据压缩算法减小数据体积,得到压缩后的医学影像数据;
基于所述压缩后的医学影像数据,采用安全加密算法,生成加密的医学影像数据;
基于所述加密的医学影像数据,运用分布式存储技术,将数据均匀分布存储在不同的物理节点上,获得分布式医学影像数据;
利用所述分布式医学影像数据,应用云存储服务上传并管理数据,形成云端医学数据仓库。
8.根据权利要求1所述的基于互联网生成式人工智能提升医学影像数据质量的方法,其特征在于,基于所述云端医学数据仓库,应用深度学习技术,为医生提供远程诊断建议,生成远程诊断报告的步骤具体为:
基于所述云端医学数据仓库,采用卷积神经网络对医学影像进行特征提取,得到医学影像特征;
基于所述医学影像特征,应用循环神经网络对患者历史数据和当前病状进行分析,得到患者健康状态特征;
将所述医学影像特征和患者健康状态特征进行融合,利用深度信度网络进行诊断建议预测,得到初步远程诊断建议;
基于所述初步远程诊断建议,结合医学知识库和专家经验进行修正和完善,形成远程诊断报告。
9.根据权利要求1所述的基于互联网生成式人工智能提升医学影像数据质量的方法,其特征在于,基于所述云端医学数据仓库,使用决策树算法,进行健康数据分析,得到智慧健康报告的步骤具体为:
基于所述云端医学数据仓库,提取患者的基本信息和历史健康记录,得到健康数据集;
基于所述健康数据集,采用决策树算法,对健康数据进行模式识别和分类,得到初步健康分析结果;
根据所述初步健康分析结果,与健康知识库比对,细化健康建议,形成智慧健康报告草稿;
对所述智慧健康报告草稿进行人工校验和修订,得到智慧健康报告。
10.根据权利要求1所述的基于互联网生成式人工智能提升医学影像数据质量的方法,其特征在于,整合所述远程诊断报告和智慧健康报告,采用工业互联网技术,实现数据多端共享,建立多场景智慧健康服务体系的步骤具体为:
将所述远程诊断报告与智慧健康报告进行数据整合,形成统一健康数据结构;
基于所述统一健康数据结构,采用数据同步技术,生成同步后的健康数据;
根据所述同步后的健康数据,应用工业互联网的数据分发技术,产生分发至多端的健康数据;
基于所述分发至多端的健康数据,结合用户行为和场景需求,采用场景分析算法,形成多场景智慧健康服务体系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376454.4A CN117115045B (zh) | 2023-10-24 | 2023-10-24 | 基于互联网生成式人工智能提升医学影像数据质量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376454.4A CN117115045B (zh) | 2023-10-24 | 2023-10-24 | 基于互联网生成式人工智能提升医学影像数据质量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117115045A true CN117115045A (zh) | 2023-11-24 |
CN117115045B CN117115045B (zh) | 2024-01-09 |
Family
ID=88800572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311376454.4A Active CN117115045B (zh) | 2023-10-24 | 2023-10-24 | 基于互联网生成式人工智能提升医学影像数据质量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115045B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117370878A (zh) * | 2023-12-07 | 2024-01-09 | 山东第一医科大学第一附属医院(山东省千佛山医院) | 一种基于脊柱关节振动信息的表皮提取定位方法及系统 |
CN117422936A (zh) * | 2023-12-15 | 2024-01-19 | 广州蓝图地理信息技术有限公司 | 一种遥感图像分类方法及系统 |
CN117635616A (zh) * | 2024-01-26 | 2024-03-01 | 江西科技学院 | 用于医学检查结果互认的影像诊断系统 |
CN117671463A (zh) * | 2023-12-07 | 2024-03-08 | 上海万怡医学科技股份有限公司 | 一种多模态医学数据质量校准方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243736A (zh) * | 2011-04-28 | 2011-11-16 | 大连亿创天地科技发展有限公司 | 基于互联网和视频电子病历的健康管理系统 |
CN102332162A (zh) * | 2011-09-19 | 2012-01-25 | 西安百利信息科技有限公司 | 基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法 |
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 |
CN111145908A (zh) * | 2019-12-26 | 2020-05-12 | 糖医生健康管理南京有限公司 | 一种健康评估综合信息服务平台 |
CN112349369A (zh) * | 2020-11-27 | 2021-02-09 | 广州瀚信通信科技股份有限公司 | 医疗影像大数据智能分析方法、系统及存储介质 |
CN112802000A (zh) * | 2021-02-06 | 2021-05-14 | 上海集迈实业有限公司 | 多模态医学影像智能辅助诊疗系统 |
CN112951449A (zh) * | 2021-03-30 | 2021-06-11 | 江苏贝泰福医疗科技有限公司 | 针对神经功能障碍疾病的云端ai调控诊疗系统及其方法 |
CN113223734A (zh) * | 2021-06-17 | 2021-08-06 | 梅里医疗科技(洋浦)有限责任公司 | 基于算法、医学影像和大数据的疾病诊断和大健康管理平台 |
CN115587915A (zh) * | 2022-09-16 | 2023-01-10 | 郑州大学 | 基于康复医联网和医联体的智慧网络平台及使用方法 |
CN116433605A (zh) * | 2023-03-16 | 2023-07-14 | 重庆邮电大学 | 基于云智能的医学影像分析移动增强现实系统和方法 |
-
2023
- 2023-10-24 CN CN202311376454.4A patent/CN117115045B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243736A (zh) * | 2011-04-28 | 2011-11-16 | 大连亿创天地科技发展有限公司 | 基于互联网和视频电子病历的健康管理系统 |
CN102332162A (zh) * | 2011-09-19 | 2012-01-25 | 西安百利信息科技有限公司 | 基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法 |
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 |
CN111145908A (zh) * | 2019-12-26 | 2020-05-12 | 糖医生健康管理南京有限公司 | 一种健康评估综合信息服务平台 |
CN112349369A (zh) * | 2020-11-27 | 2021-02-09 | 广州瀚信通信科技股份有限公司 | 医疗影像大数据智能分析方法、系统及存储介质 |
CN112802000A (zh) * | 2021-02-06 | 2021-05-14 | 上海集迈实业有限公司 | 多模态医学影像智能辅助诊疗系统 |
CN112951449A (zh) * | 2021-03-30 | 2021-06-11 | 江苏贝泰福医疗科技有限公司 | 针对神经功能障碍疾病的云端ai调控诊疗系统及其方法 |
CN113223734A (zh) * | 2021-06-17 | 2021-08-06 | 梅里医疗科技(洋浦)有限责任公司 | 基于算法、医学影像和大数据的疾病诊断和大健康管理平台 |
CN115587915A (zh) * | 2022-09-16 | 2023-01-10 | 郑州大学 | 基于康复医联网和医联体的智慧网络平台及使用方法 |
CN116433605A (zh) * | 2023-03-16 | 2023-07-14 | 重庆邮电大学 | 基于云智能的医学影像分析移动增强现实系统和方法 |
Non-Patent Citations (2)
Title |
---|
许杰等: "基于人工智能的远程肺结核影像辅助 诊断应用研究", 《智能医学与数字诊疗》, vol. 16, no. 8, pages 98 - 100 * |
邹仁耀等: "远程医疗类信息产品设计的研究现状及发展趋势综述", 《包装工程》, vol. 43, no. 1, pages 1 - 9 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117370878A (zh) * | 2023-12-07 | 2024-01-09 | 山东第一医科大学第一附属医院(山东省千佛山医院) | 一种基于脊柱关节振动信息的表皮提取定位方法及系统 |
CN117370878B (zh) * | 2023-12-07 | 2024-03-05 | 山东第一医科大学第一附属医院(山东省千佛山医院) | 一种基于脊柱关节振动信息的表皮提取定位方法及系统 |
CN117671463A (zh) * | 2023-12-07 | 2024-03-08 | 上海万怡医学科技股份有限公司 | 一种多模态医学数据质量校准方法 |
CN117422936A (zh) * | 2023-12-15 | 2024-01-19 | 广州蓝图地理信息技术有限公司 | 一种遥感图像分类方法及系统 |
CN117422936B (zh) * | 2023-12-15 | 2024-04-02 | 广州蓝图地理信息技术有限公司 | 一种遥感图像分类方法及系统 |
CN117635616A (zh) * | 2024-01-26 | 2024-03-01 | 江西科技学院 | 用于医学检查结果互认的影像诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117115045B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117115045B (zh) | 基于互联网生成式人工智能提升医学影像数据质量的方法 | |
US20230033601A1 (en) | Dynamic self-learning medical image method and system | |
CN108446730B (zh) | 一种基于深度学习的ct肺结节检测装置 | |
CN110909780B (zh) | 一种图像识别模型训练和图像识别方法、装置及系统 | |
Yue et al. | Cardiac segmentation from LGE MRI using deep neural network incorporating shape and spatial priors | |
WO2020151536A1 (zh) | 一种脑部图像分割方法、装置、网络设备和存储介质 | |
CN113724880A (zh) | 一种异常脑连接预测系统、方法、装置及可读存储介质 | |
CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
CN111402254A (zh) | 一种ct图像肺结节高性能自动检测方法及装置 | |
Djavanshir et al. | A Review of artificial intelligence's neural networks (deep learning) applications in medical diagnosis and prediction | |
US20210326653A1 (en) | Systems, methods, and apparatuses for the generation of self-taught models genesis absent manual labeling for the processing of medical imaging | |
CN112686899B (zh) | 医学图像分析方法和装置、计算机设备及存储介质 | |
CN114283406A (zh) | 细胞图像识别方法、装置、设备、介质及计算机程序产品 | |
CN117237351B (zh) | 一种超声图像分析方法以及相关装置 | |
CN114463320B (zh) | 一种磁共振成像脑胶质瘤idh基因预测方法及系统 | |
CN115018874A (zh) | 一种基于频域分析的眼底血管分割域泛化方法 | |
CN111881979B (zh) | 多模态数据标注装置及包含程序的计算机可读存储介质 | |
CN113409293A (zh) | 一种基于深度学习的病理学图像自动分割系统 | |
CN113160261A (zh) | 一种用于oct图像角膜层分割的边界增强卷积神经网络 | |
Jalali et al. | VGA‐Net: Vessel graph based attentional U‐Net for retinal vessel segmentation | |
Xu et al. | Lung segmentation in chest X‐ray image using multi‐interaction feature fusion network | |
CN116721117A (zh) | 一种肿瘤分割方法 | |
CN111860618B (zh) | 用于病理数据转换的双向gan模型及其构建和应用方法 | |
CN113592766B (zh) | 一种基于深度序列信息融合的冠脉造影图像分割方法 | |
Akella et al. | A novel hybrid model for automatic diabetic retinopathy grading and multi-lesion recognition method based on SRCNN & YOLOv3 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |