CN1914641A - 基于样本的诊断决策支持 - Google Patents

基于样本的诊断决策支持 Download PDF

Info

Publication number
CN1914641A
CN1914641A CNA200580003148XA CN200580003148A CN1914641A CN 1914641 A CN1914641 A CN 1914641A CN A200580003148X A CNA200580003148X A CN A200580003148XA CN 200580003148 A CN200580003148 A CN 200580003148A CN 1914641 A CN1914641 A CN 1914641A
Authority
CN
China
Prior art keywords
group
bit string
tumour
images
distance
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
Application number
CNA200580003148XA
Other languages
English (en)
Inventor
L·赵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN1914641A publication Critical patent/CN1914641A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • 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)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Processing Or Creating Images (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种计算机辅助诊断(CAD)技术将未确诊肿瘤的图像与一组已知恶性病变或良性病变(104、208)的肿瘤的各幅图像进行匹配。指定恶性肿瘤图像的数据库，或者指定良性肿瘤的数据库(112)。从指定的数据库中查找就相似性而言最相近的一组参考肿瘤图像(228)。测试图像和参考图像组之间的相似性是由测试图像与参考图像之间的最小马哈拉诺比斯距离来确定的(216)。利用遗传算法变动该组以包含不同图像，继而对距离进行测试，在停止标准的控制下重复地执行这一过程(216、220、224、228)。

Description

基于样本的诊断决策支持
本发明涉及自动诊断支持，更具体而言，涉及提供相似的已知病例的样本的支持。
保健诊断决策支持系统或计算机辅助诊断(CAD)系统是用于将数字图像上所检测出的未明肿瘤分类成不同的类别，例如恶性的或良性的。通常，使用机器学习技术，比如决策树和神经网络，来根据具备真实状况的大量已知病例(即，诊断已经得到病变的证实的病例)来构造分类器。一旦创建了用于接受特征集合作为输入的分类器，就通过从未明肿瘤病例中提取上述特征以供输入到分类器中来执行诊断。所述分类器输出表示未明肿瘤的估计性质(例如，恶性的/良性的)可选的还有置信值。随着医学成像设备的精确度提高，这类计算机辅助诊断作为供医生用的工具，变得越来越重要。
Giger(在下文中称″Giger″)等人的美国专利公开2001/0043729 A1，其名称为″Method，System and ComputerReadable Medium for an Intelligent Search Workstation forComputer Assisted Interpretationof Medical Images(用于医学图像的计算机辅助解释的智能搜索工作站的方法、系统和计算机可读介质)″，将该篇公开的全部内容引入于此以供参考，该公开内容披露了用以自动确定包含病变可能性的诊断的分类器的使用，所述设备还从数据库中检索出已被确定与正在诊断的病例相类似的已知病例或样本并将其显示在屏幕上。所取出的病例在显示器中经过颜色编码，以表明肿瘤是恶性的还是良性的。
根据两个病例之间的欧几里德距离，来评定测试病例和已知病例之间的相似性。具体来讲，视为与存在/不存在病变有关的特征，比如边缘、形状、密度和肿瘤图像中的可辨毛刺征，每一个特征都在n维空间中被分配了维度。对应测试病例和已知病例的每一个特征的数值差确定了一个n维标量，其长度为测试病例和已知病例之间的欧几里德距离。选择具有最小欧几里德距离的预定数量的病例，恶性的或良性的，来充满显示器以便由放射科医师或医生查看。
然而，在以一对一基础上评估相似性的过程中，Giger专利公开没有解决特征之间的相互影响，因此传递给显示器一组并非最优的病例。
另外，如在Giger中那样将恶性和良性的病例紧挨着分散显示，可能会混淆和限制用于显示期望数量的相同类型的相似病例(即，恶性的或良性的)的屏幕区的总量。
提出本发明来解决现有技术中的上述缺陷。本发明的一个目的是，选择已知病例的图像来显示，以作为将肿瘤自动诊断为恶性或良性的补充，所述已知病例的相似性是利用一对多度量评定的，所述一对多度量提供了比能利用欧几里德距离得到的相似性更大的相似性。
简言之，将肿瘤的测试医学多特征化图像同确定为恶性肿瘤的参考医学多特征化图像的集合进行比较，或者同相似的非恶性肿瘤图像的集合进行比较，以辨认同测试图像有相似特征的参考图像。参考图像是从指定的集合中选出来的以形成各组被选图像。将遗传算法应用于变动组，并且根据测试图像的特征值以及该组的那些参考图像的特征值来判断这些组中的哪一组与测试图像处于最小距离。
将借助于下列附图描述在这里所公开的本发明的细节，其中：
图1是示出根据本发明的系统综述的流程图；
图2是举例说明根据本发明的过程示例的流程图；
图3是根据本发明的图像搜索过程的示意图；和
图4是根据本发明的另一个图像搜索过程的示意图。
图1示出了根据本发明的示例性的基于样本的诊断决策支持系统100中的处理流程。所述系统100可以作为运行根据本发明的软件的Giger(美国专利公开2001/0043729 A1)的图9中所示的通用计算机来实现，或者作为选择，作为同样并入本发明的相应专用处理器来实现。
如图1所示，所述系统100包括：分类器104、已知病例的数据库108和输入/输出模块112，所述输入/输出模块包括诸如显示屏和键盘(未示出)之类的应用逻辑和元件。所述分类器104是按照来自于数据库108或其它数据库中的大量已知肿瘤病例来训练的。学习过程可以利用许多现有机器学习方法中的任何一种来实施，比如那些采用决策树、人工神经网络或强化神经网络的机器学习方法等。
为了分析新的肿瘤，利用输入/输出模块112提取特征并将其馈送到分类器104。分类结果可能是恶性的、良性的或者确定的恶性可能性。
当接收到这个结果时，输入/输出模块112就向数据库108发送请求，所述请求包括新肿瘤的每一个所提取出的特征的数值、肿瘤的性质(即，恶性的或良性的)，以及所需的实例数量。如果分类结果是大于50％的可能性，则肿瘤的性质就是恶性的；否则，它是良性的。数据库108被分成两个集合，一个仅仅具有恶性的病例，而另一个仅仅具有良性的病例。如果新肿瘤的性质是恶性的，则搜索具有恶性病例的集合以查找相似的病例；否则，搜索另一个集合。
一旦相似的病例被检索出来，所述输入/输出模块112就向用户显示分类结果，以及新肿瘤的图像和最相似的病例的图像。
图2借助于非限定的示例举例说明了根据本发明的过程。在使用系统100来查找与新肿瘤相似的病例之前，对数据库108做准备工作，通过根据病变划分数据库108来将它划分成恶性的集合和良性的集合。这优选是通过独立地对每个集合中的病例进行连续编号来实现。所以，如果存在1000个恶性的病例，则例如它们可能被编号为从0到999(步骤204)。
在处理新肿瘤的过程中，从指定的集合中，即从按分类器104根据新肿瘤所确定的分类结果而命名的集合中，检索出相似的病例。
将检索限制到一类病例增加了可能被同时显示给医生的病例的数量。病例数量的增加及其单一的类型，即恶性的或良性的，提高了本发明所采用的一对多距离度量的效率。通过使用如下面更详细描述的遗传算法，克服了查找适合于一对多距离度量的病例组的困难。
根据本发明的方法，所述检索首先涉及从指定的集合中选择预定数目的病例的初始选择。这一选择可以是随机的，因为本发明的遗传算法将经过选择方面的迭代变换，不论最初选择了哪些病例都将传送最终的最优病例组。为此，可以将随机数发生器包含在系统100中。尽管如此，为了更快速的结果，可以根据相对粗糙的相似性测量来选择最初的病例组。例如可以采用诸如欧几里德距离之类的一对一度量。
最初选择的病例被分配到组或″基因″中。因此，例如n×m个被选病例可以被划分成n个基因的集合，每个基因都由m幅参考图像组成(步骤208)。最初选择的病例的数量优选基于由放射科医师或医生指定的期望的实例数目，并且可以为其提供缺省值。每个基因优选通过将分别对应于该基因的m幅图像的病例编号连在一起来形成。在图3中示出了一个例子，为示范简明起见，假定给所指定的集合仅有16幅参考图像，编号为0-15。由于m设置等于4，因而最初为基因304选择编号为9、1、11和3的图像，所述基因是通过将对应于那些图像9、1、11、13的位308连在一起而形成的。实际上，所述连接将对应于四个图像编号9、1、11、13的四个位串集合成一个复合的位串308。通常，如果在一个集合中有N幅参考图像，则最好给图像编号配置以取顶(LOG2(N))位，取顶函数上舍入获得下一个最大的整数。因此，利用每一个具有10位的图像编号来索引1000幅图像的集合。
现在返回图2，为刚根据遗传算法所形成的n个基因集合中的每一个确定马哈拉诺比斯距离(Mahalanobis)(步骤216、220)。正如将进一步在下面更详细论述的那样，根据本发明的一个方面所述遗传算法重复地计算马哈拉诺比斯距离，除非它早已为所述基因被计算出来。马哈拉诺比斯距离(或″度量″)是未知样本与一组已知样本之间的相似性的测量，每一个样本都具有其数值依样本而不同的匹配特征。所述度量在部分上是基于组内方差和协方差的，其使马哈拉诺比斯距离变为一对多相似性的更严密的测量。当应用在这个发明中时，计算测试图像(即，新肿瘤的测试图像)和一组参考图像或基因之间的马哈拉诺比斯距离。优选地，那一组的图像都是相同类型的已知病变，要么是恶性的要么是良性的。与一对一相似性技术相比，这允许马哈拉诺比斯度量传送所述组与测试图像之间的更合理的相似性评估，即根据其能够推断相似病变。在操作上，为利用遗传算法重复改变后的基因计算马哈拉诺比斯距离，以达到最小距离，因此是最佳的基因。马哈拉诺比斯距离的标准公式为：
D2 G(T)＝(T-μG)SG -1(T-μG)’
其中D是马哈拉诺比斯距离，T是测试图像的特征值的行矩阵，SG组内协方差矩阵，μG是组特征值均值的行矩阵。
起先，根据马哈拉诺比斯距离来查找最优参考图像组的任务不是一个简单明了的问题，并且如果数据库包含大量已知的病例，则尝试所请求数量的参考图像的所有可能组合的蛮干手段就时间和处理资源而言是不可行的。
遗传算法是一类适合于解决如下问题的方法，即不知道其求解方法但是很容易评价所提出的解决方案的问题。补充一组问题解决器以便每一个都提供对所述问题的各自的解决方案。针对优点评定解决方案，并且选择提供最佳解决方案的问题解决器以便将它们的遗传物质传递给下一代的问题解决器，从而随时间反复以达到能合人意地良好的最终解决方案。用于传递遗传物质的遗传算法中所运用的技术是随机突变的并且相互交叉的，其中例如将随机波动限制在性能最佳的问题解决器，以便偶然地产生更好的问题解决器。可以随着一次迭代到下一次迭代丢弃所识别的低性能问题解决器。照此，演化出越来越好的解决方案。
根据本发明，并且再次参照图2，一旦为每个基因确定了马哈拉诺比斯距离(步骤216、220)，就判断是否已经满足停止标准(步骤224)。停止标准可以是诸如预定的马哈拉诺比斯距离或处理期限之类的阈值。
如果尚未满足停止阈值，则可以将一个或多个随机交叉和/或突变应用于具有到测试图像的最小马哈拉诺比斯距离的基因(步骤228)。随着交叉和/或突变，产生新的基因，并且优选丢弃那些具有最大马哈拉诺比斯距离的基因，并且优选地丢弃的范围保持基因总体的恒定数目。
再次返回到图3，对基因308的零位312执行了一个示例性的突变，以将该位改变为1位316。实际上，1位取代了0位，以使1的图像编号320变成了5的图像编号324。换言之，参考图像1被参考图像5代替，以便优选地创建一个新的额外基因328作为正在利用遗传算法处理的基因集合的额外成员。突变不必发生在算法的每一次迭代中，并且最好是被随机地应用到基因的所述位。重要的是，任何给定的突变一般都影响基因的不超过一个图像，并且非常优选是小于基因的所有图像，因为所述遗传算法是以传递遗传物质为基础的。
图4示范了两个交叉的例子。如第一个例子所示，在一次对换中，图4中标识为深色的基因404的其中三位被调换到基因408中，同样，标识为浅色的基因408的其中三位被调换到基因404中。在第二个例子中对基因412和416所做的对换是针对不完全连续的三个位进行的。优选地，随机地将对换应用于所述位并且以比突变应用地更频繁。所对换的位的数目，像所述算法的其它参数一样，可以被设置成在查找最大相似性的精确度和按经验确定的处理时间和资源之间达到期望的折中。
正如上面已经示范的那样，本发明给用户提供了自动诊断决策支持，其包括显示更相似的已知肿瘤病例并且提供比已知的一对一相似性度量所提供的更可靠的病变预测器。
虽然已经示出并描述了所认为的本发明的优选实施例，但是显然应理解在不脱离本发明的精神的前提下可以容易地作出形式或细节上的各种修改和变化。例如，用户可以忽略分类结果以令系统100根据相反结果进行搜索，从而医生能够首先看到相似的恶性病例然后看到相似的良性病例，或者反之亦然。因此，本发明不限于所描述和举例说明的确切形式，而是应该被认为涵盖可能落入所附权利要求范围内的所有修改。

Claims (19)

1.一种设备，用于将肿瘤的测试医学多特征化图像同确定为恶性的肿瘤的参考医学多特征化图像的集合(204)进行比较或者同确定为非恶性的肿瘤的参考医学多特征化图像的集合(204)进行比较(112、220)，以便识别与该测试图像特征相似的一些参考图像，测试和医学图像的每一个特征都具有各自的数值，所述设备包括处理器(100)，其被配置用于：指定所述两个集合中的一个，从指定的一个集合中选择参考图像以形成相应的被选图像组(208)，应用遗传算法来改变所述组中的一些组(228)并且根据所述数值来确定哪一个组处于到测试图像的最小距离(216、220)。
2.根据权利要求1所述的设备，其中所述选择形成所述组的集合，并且其中所述应用根据从测试图像到所述集合的组中各组的距离，从所述集合的组迭代地导出(228)所述集合的新组，直至满足停止标准为止(224)。
3.根据权利要求2所述的设备，所述处理器被配置用来计算像马哈拉诺比斯距离这样的距离(216)。
4.根据权利要求2所述的设备，所述设备被配置用来执行迭代导出，其是通过以下步骤来完成：根据所述数值并针对尚未计算马哈拉诺比斯距离的每一个组来计算测试图像和那个组之间的马哈拉诺比斯距离，判断是否已经满足停止标准，并且如果尚未满足该标准(224)，在所述至少一个组中用指定集合中的不同图像替换至少其中一个所述被选图像(228)并且重复所述计算以开始另一次迭代(216、220)。
5.根据权利要求4所述的设备，所述设备被配置用于执行以下步骤：
为指定集合中每一个所述图像分配各自的编号(204)；
从所述编号中进行选择(208)；以及
将表示被选编号的位串进行组合以形成与所述组的各组相对应的多个复合位串(212、304、308)。
6.根据权利要求5所述的设备，所述处理器被配置成在执行所述替换的过程中改变所述多个复合位串中至少一个位串的至少一位，以便以不改变在所述组合中作为分量的至少一个位串的形式，来形成至少一个额外的复合位串(312、316)。
7.根据权利要求5所述的设备，其中在形成复合位串的过程中，所述组合将代表性的位连接起来(304、308)。
8.根据权利要求5所述的设备，其中所述替换包括从复合位串中进行选择，并且改变被选的其中一个复合位串的至少其中一位，以形成至少一个额外的复合位串(228、312、316)。
9.根据权利要求5所述的设备，其中所述替换包括在一对复合位串(404、408、412、416)之间对换位的步骤。
10.根据权利要求5所述的设备，其中在至少其中一个所述组中的替换包括为所述替换随机地选择至少其中一个参考图像的步骤(228)。
11.根据权利要求1所述的设备，所述处理器被配置为计算像马哈拉诺比斯距离这样的距离(216)。
12.根据权利要求1所述的设备，包括随机数发生器，用于在参考图像中进行选择的过程中进行随机选择(208)。
13.一种方法，用于将肿瘤的测试医学多特征化图像同确定为恶性的肿瘤的参考医学多特征化图像的集合(204)进行比较或者同确定为非恶性的肿瘤的参考医学多特征化图像的集合(204)进行比较(112、220)，以便识别与测试图像特征相似的一些参考图像，测试和医学图像的每一个特征都具有各自的数值，所述方法包括下列步骤：
a)指定两个集合中的一个(204)；
b)从指定的一个集合中选择参考图像以形成相应的被选图像组(208)；以及
c)应用遗传算法来改变其中一些组并且根据所述数值来确定哪一个组处于到测试图像的最小距离(216、220、224、228)。
14.根据权利要求13所述的方法，其中所述距离是马哈拉诺比斯距离(216)。
15.根据权利要求13所述的方法，其中步骤b)形成所述组(212)的集合，并且其中所述步骤c)根据从测试图像到所述集合的各组的距离来迭代地从所述集合的组中导出(228)所述集合的新组直至满足停止标准为止(224)。
16.根据权利要求13所述的方法，还包括下列步骤：
给指定集合中的每一个所述图像分配各自的编号(204)；
从所述编号中进行选择(208)；以及
将表示被选编号的位串进行组合以形成与所述组中各组相对应的多个复合位串(212、304、308)。
17.根据权利要求13所述的方法，其中所述步骤c)还包括下列步骤：
d)根据所述数值并且针对尚未计算马哈拉诺比斯距离的每一个组来计算测试图像和那个组之间的马哈拉诺比斯距离(216、220)；
e)判断是否已经满足停止标准(224)；以及
f)如果尚未满足该标准，在至少一个所述组中用指定集合中的一个不同图像来替换至少一个参考图像(228)，并且返回到步骤d)(216)。
18.根据权利要求17所述的方法，还包括下列步骤：
给指定集合中的每一个所述图像分配各自的编号(204)；
从所述编号中进行选择(208)；以及
将表示被选编号的位串进行组合以形成与所述组中各组相对应的多个复合位串(212、304、308)；
其中所述替换步骤f)包括改变多个复合位串的至少其中一个的至少其中一位，以便以不改变在所述组合中作为分量的至少一个位串的方式来形成至少一个额外的复合位串的步骤(312、316)。
19.一种计算机程序产品，具有包含可由处理器(100)执行的计算机程序的计算机可读介质，所述程序用于将肿瘤的测试医学多特征化图像同确定为恶性的肿瘤的参考医学多特征化图像的集合(204)进行比较或者同确定为非恶性的肿瘤的参考医学多特征化图像的集合(204)进行比较(112、220)，以便识别与测试图像特征相似的一些参考图像，测试和医学图像的每一个特征都具有各自的数值，所述程序包括：
a)用于指定两个集合中的一个(204)的指令序列；
b)用于从指定的一个集合中选择参考图像以形成各个被选图像组(208)的指令序列；以及
c)用于应用遗传算法来改变其中一些组并且根据所述数值来确定哪一个组处于到测试图像的最小距离(216、220、224、228)的指令序列。
CNA200580003148XA 2004-01-26 2005-01-21 基于样本的诊断决策支持 Pending CN1914641A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US53930304P 2004-01-26 2004-01-26
US60/539,303 2004-01-26

Publications (1)

Publication Number Publication Date
CN1914641A true CN1914641A (zh) 2007-02-14

Family

ID=34826058

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA200580003148XA Pending CN1914641A (zh) 2004-01-26 2005-01-21 基于样本的诊断决策支持

Country Status (5)

Country Link
US (1) US20080192995A1 (zh)
EP (1) EP1711919A1 (zh)
JP (1) JP2007520278A (zh)
CN (1) CN1914641A (zh)
WO (1) WO2005073916A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103168305A (zh) * 2010-10-19 2013-06-19 皇家飞利浦电子股份有限公司 利用表现出特殊特性的病例使患者数据库动态生长的系统与方法
CN104036109A (zh) * 2014-03-14 2014-09-10 上海大图医疗科技有限公司 基于图像的病例检索、勾画及治疗计划系统和方法
CN104281630A (zh) * 2013-07-12 2015-01-14 上海联影医疗科技有限公司 一种基于云计算的医学影像数据挖掘方法
CN101903883B (zh) * 2007-12-20 2017-02-15 皇家飞利浦电子股份有限公司 用于基于病例的决策支持的方法和装置
CN112890774A (zh) * 2021-01-18 2021-06-04 吾征智能技术(北京)有限公司 一种基于唇部图像的疾病辅助预测系统、设备、存储介质
CN113269868A (zh) * 2021-04-30 2021-08-17 哈雷医用(广州)智能技术有限公司 一种人体肿瘤三维虚拟模型的建立方法和装置

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200817956A (en) 2006-06-16 2008-04-16 Koninkl Philips Electronics Nv Clinician-driven example-based computer-aided diagnosis
WO2010119356A2 (en) 2009-04-15 2010-10-21 Koninklijke Philips Electronics N.V. Clinical decision support systems and methods
US20130212053A1 (en) * 2010-10-18 2013-08-15 Takeshi Yagi Feature extraction device, feature extraction method and program for same
SG11201507611UA (en) 2013-03-15 2015-10-29 Synaptive Medical Barbados Inc Intramodal synchronization of surgical data
CN103489057A (zh) * 2013-08-19 2014-01-01 泸州医学院 人乳腺癌组织资源库管理系统
EP3264322A1 (en) * 2016-06-30 2018-01-03 Deutsches Krebsforschungszentrum Stiftung des Öffentlichen Rechts Machine learning-based quantitative photoacoustic tomography (pat)
GB201903514D0 (en) * 2019-03-14 2019-05-01 Hgf Ltd Method of and system for performing taxon identification on a morphological sample/specimen

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1156828A (ja) * 1997-08-27 1999-03-02 Fuji Photo Film Co Ltd 異常陰影候補検出方法および装置
US6901156B2 (en) * 2000-02-04 2005-05-31 Arch Development Corporation Method, system and computer readable medium for an intelligent search workstation for computer assisted interpretation of medical images
US7187789B2 (en) * 2000-08-31 2007-03-06 Fuji Photo Film Co., Ltd. Prospective abnormal shadow detecting system, and method of and apparatus for judging whether prospective abnormal shadow is malignant or benignant
JP2004135868A (ja) * 2002-10-17 2004-05-13 Fuji Photo Film Co Ltd 異常陰影候補検出処理システム
JP2005040490A (ja) * 2003-07-25 2005-02-17 Fuji Photo Film Co Ltd 異常陰影検出方法および装置並びにプログラム
JP2005253685A (ja) * 2004-03-11 2005-09-22 Konica Minolta Medical & Graphic Inc 画像診断支援装置及び画像診断支援プログラム
JP2005334298A (ja) * 2004-05-27 2005-12-08 Fuji Photo Film Co Ltd 異常陰影検出方法および装置並びにプログラム
US7430321B2 (en) * 2004-09-09 2008-09-30 Siemens Medical Solutions Usa, Inc. System and method for volumetric tumor segmentation using joint space-intensity likelihood ratio test
CN101061510B (zh) * 2004-11-19 2010-09-08 皇家飞利浦电子股份有限公司 检测和识别医学图像数据内所关心部位和/或体积的方法和系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101903883B (zh) * 2007-12-20 2017-02-15 皇家飞利浦电子股份有限公司 用于基于病例的决策支持的方法和装置
CN103168305A (zh) * 2010-10-19 2013-06-19 皇家飞利浦电子股份有限公司 利用表现出特殊特性的病例使患者数据库动态生长的系统与方法
CN104281630A (zh) * 2013-07-12 2015-01-14 上海联影医疗科技有限公司 一种基于云计算的医学影像数据挖掘方法
CN104036109A (zh) * 2014-03-14 2014-09-10 上海大图医疗科技有限公司 基于图像的病例检索、勾画及治疗计划系统和方法
CN112890774A (zh) * 2021-01-18 2021-06-04 吾征智能技术(北京)有限公司 一种基于唇部图像的疾病辅助预测系统、设备、存储介质
CN113269868A (zh) * 2021-04-30 2021-08-17 哈雷医用(广州)智能技术有限公司 一种人体肿瘤三维虚拟模型的建立方法和装置

Also Published As

Publication number Publication date
US20080192995A1 (en) 2008-08-14
WO2005073916A1 (en) 2005-08-11
EP1711919A1 (en) 2006-10-18
JP2007520278A (ja) 2007-07-26

Similar Documents

Publication Publication Date Title
CN1914641A (zh) 基于样本的诊断决策支持
KR101388638B1 (ko) 이미지에 주석 달기
US7254266B2 (en) Method and apparatus for generating special-purpose image analysis algorithms
CN101523412B (zh) 基于人脸的图像聚类
CN106815492B (zh) 一种用于16S rRNA基因的细菌群落组成和多样性分析的自动化方法
Tatu et al. Visual quality metrics and human perception: an initial study on 2D projections of large multidimensional data
CN110689081A (zh) 一种基于分歧学习的弱监督目标分类和定位方法
CN1303061A (zh) 用于排序分类属性以更好地可视化多维数据的系统和方法
CN101438296A (zh) 用于在非-计量相似性空间中群集模板的方法和设施
Jaskowiak et al. On strategies for building effective ensembles of relative clustering validity criteria
CN107016416B (zh) 基于邻域粗糙集和pca融合的数据分类预测方法
Hodgetts et al. Transformation and alignment in similarity
Bittmann et al. Decision‐making method using a visual approach for cluster analysis problems; indicative classification algorithms and grouping scope
Yang et al. fullROC: An R package for generating and analyzing eyewitness-lineup ROC curves
CN112506930B (zh) 一种基于机器学习技术的数据洞察系统
Piccolotto et al. Visual parameter space exploration in time and space
US8725724B2 (en) Method for efficient association of multiple distributions
Manco et al. Eureka!: an interactive and visual knowledge discovery tool
Varde et al. Learning the relative importance of features in image data
US8774530B1 (en) Automated diagnostic analysis of image data
Koskela et al. Evaluating the performance of content-based image retrieval systems
US6629088B1 (en) Method and apparatus for measuring the quality of descriptors and description schemes
CN116701962B (zh) 边缘数据处理方法、装置、计算设备及存储介质
Wilhelm Data and knowledge mining
Žilinskas On dimensionality of embedding space in multidimensional scaling

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication