CN209770401U - 医学图像快速分析处理系统 - Google Patents
医学图像快速分析处理系统 Download PDFInfo
- Publication number
- CN209770401U CN209770401U CN201920302475.4U CN201920302475U CN209770401U CN 209770401 U CN209770401 U CN 209770401U CN 201920302475 U CN201920302475 U CN 201920302475U CN 209770401 U CN209770401 U CN 209770401U
- Authority
- CN
- China
- Prior art keywords
- module
- image
- analysis processing
- processing system
- rapid analysis
- 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.)
- Active
Links
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本实用新型涉及一种医学图像快速分析处理系统,属于检测技术领域。本实用新型所解决的技术问题提供了一种医学图像快速分析处理系统,可快速获得检测结果。本实用新型医学图像快速分析处理系统,包括:识别模块,比对模块,判断模块,报警模块,人工分析处理模块,数据库模块。本实用新型医学图像快速分析处理系统,可以实现医学图像的快速分析处理,获得检测结果,减少了病人等待时间;解决了由于建模能力等原因导致CAD技术无法扩大应用的难题。
Description
技术领域
本实用新型涉及一种医学图像快速分析处理系统,属于检测技术领域。
背景技术
随着科技的发展,以DR、CT、MRI和PET为代表的现代高清晰影象设备为临床疾病的诊断提供了极大方便。然而,由于条件限制,在更多的情况下医生仍是依据现代影象提供的形态信息,根据自己的临床经验做出判断。由于病人的个体差异以及医生对影象信息观察掌握的局限性,有时不免会产生判断的失误或错误。根据现代影象提供的信息,按照不同疾病的临床影象特征,用“智能机器人”的视觉——计算机对病变的特征进行量化分析处理并做出判断,从而来避免因“人”对事物判断的局限性带来的失误,这就产生了医学CAD概念。
计算机辅助检测(CAD)是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段,结合计算机的分析计算,辅助影像科医师发现病灶,提高诊断准确率的技术。简单地说,CAD就是将大批专家阅片的技能和知识建立数学模型,导入数据库中,使用人工智能的方法对图像进行自动化的加工和处理,以便为临床医生提供更多的诊断信息和数据。但是,由于病灶特征的多样性、建模难度等各种原因,目前CAD技术仅在乳腺和肺部等疾病的诊断方面较为成熟,或者用于潜在患病区域的标识,方便放射医生读片,大多数图像还是要放射医生人工读片并撰写检测结果。
实用新型内容
本实用新型所要解决的技术问题提供一种医学图像快速分析处理系统,可快速获得检测结果。
本实用新型医学图像快速分析处理系统,包括:
识别模块,用于通过人工智能网络识别待分析图像中的病灶特征,提交给比对模块;
比对模块,用于将识别出来的待分析图像中的病灶特征与数据库中的图像的病灶特征进行比对,比对结果提交给判断模块;
判断模块,用于根据比对结果判断待分析图像与数据库中的相应图像的相似度是否≥90%,若是,则触发检测输出模块,否则,触发报警模块和人工分析处理模块;
检测输出模块,用于自动生成相应检测结果并输出;
报警模块,用于进行报警提示;
人工分析处理模块,用于供人工对待分析图像进行分析处理,并将人工分析处理后的图像和相应检测结果存储至数据库模块;
数据库模块,用于基于病灶特征关联存储不同医学图像和对应的检测结果。
本实用新型医学图像快速分析处理系统,通过其判断模块可以将与数据库中的相应图像的相似度小于90%的待分析图像筛选出来,提高了检测结果的准确性;另外,筛选出来的待分析图像经过人工分析处理后,将人工分析处理后的图像和相应检测结果存储至数据库模块,可以逐步提高系统的处理能力,随着数据库图像数据的增加,需要人工分析处理的图像将越来越少,解决了由于建模能力等原因导致CAD技术无法扩大应用的难题。
其中,为了提高检测结果的准确性,本实用新型医学图像快速分析处理系统,还包括图像预处理模块,待分析图像先通过图像预处理模块进行预处理,然后进入识别模块。进一步的,所述图像预处理模块可以包括灰度处理模块、滤波处理模块和增强处理模块等;
所述灰度处理模块可自由调节图像灰度值;
所述滤波处理模块用于平滑降噪,保持图像清晰度;
所述增强处理模块用于改善图像质量,便于图像提取。
进一步的,为了提高检测结果的准确性,上述识别模块可以包括常规的图像特征提取模块,如:灰度特征提取模块、形态特征提取模块和纹理特征提取模块等。
进一步的,为了使检测结果准确性更高,本实用新型医学图像快速分析处理系统,所述判断模块,用于根据比对结果判断待分析图像与数据库中的相应图像的相似度是否≥95%,若是,则触发检测输出模块,否则,触发报警模块和人工分析处理模块。
其中,本医学图像快速分析处理系统,所述的图像可以为常规的医学图像,如:超声图像、CT图像、MRI图像、DSA图像或PET图像等。
本实用新型医学图像快速分析处理系统,可以实现医学图像的快速分析处理,获得检测结果,减少了病人等待时间;通过设置判断模块,将与数据库中医学图像差异较大的图像筛选出来,进行人工分析处理,然后将人工分析处理后的图像和相应检测结果存储至数据库模块,可以逐步提高系统的处理能力,随着数据库图像数据的增加,需要人工分析处理的图像将越来越少,解决了由于建模能力等原因导致CAD技术无法扩大应用的难题。
附图说明
图1为本实用新型实施例1的示意图;
图2为本实用新型实施例2的示意图。
具体实施方式
下面结合实施例对本实用新型的具体实施方式做进一步的描述,并不因此将本实用新型限制在所述的实施例范围之中。
实施例1
参见图1,其为本实施例提供的医学图像快速分析处理系统的示意图。由图可知,本医学图像快速分析处理系统包括识别模块、比对模块、判断模块、检测输出模块、报警模块、人工分析处理模块和数据库模块。
其中,识别模块,用于通过人工智能网络识别待分析图像中的病灶特征,提交给比对模块;
比对模块,用于将识别出来的待分析图像中的病灶特征与数据库中的图像的病灶特征进行比对,比对结果提交给判断模块;
判断模块,用于根据比对结果判断待分析图像与数据库中的相应图像的相似度是否≥90%,若是,则触发检测输出模块,否则,触发报警模块和人工分析处理模块;
检测输出模块,用于自动生成相应检测结果并输出;
报警模块,用于进行报警提示;
人工分析处理模块,用于供人工对待分析图像进行分析处理,并将人工分析处理后的图像和相应检测结果存储至数据库模块;
数据库模块,用于基于病灶特征关联存储不同医学图像和对应的检测结果。
本实施例方案中,通过其判断模块可以将与数据库中的相应图像的相似度小于90%的待分析图像筛选出来,提高检测结果的准确性;另外,筛选出来的待分析图像经过人工分析处理后,将人工分析处理后的图像和相应检测结果存储至数据库模块,可以逐步提高系统的处理能力。
实施例2
参见图2,其为本实施例提供的医学图像快速分析处理系统的示意图。由图可知,本医学图像快速分析处理系统包括识别模块、图像预处理模块、比对模块、判断模块、检测输出模块、报警模块、人工分析处理模块和数据库模块。
其中,识别模块,用于通过人工智能网络识别待分析图像中的病灶特征,提交给比对模块;
图像预处理模块,待分析图像先通过图像预处理模块进行预处理,然后进入识别模块。进一步的,所述图像预处理模块可以包括灰度处理模块、滤波处理模块和增强处理模块等;所述灰度处理模块可自由调节图像灰度值;所述滤波处理模块用于平滑降噪,保持图像清晰度;所述增强处理模块用于改善图像质量,便于图像提取;
比对模块,用于将识别出来的待分析图像中的病灶特征与数据库中的图像的病灶特征进行比对,比对结果提交给判断模块;
判断模块,用于根据比对结果判断待分析图像与数据库中的相应图像的相似度是否≥95%,若是,则触发检测输出模块,否则,触发报警模块和人工分析处理模块;
检测输出模块,用于自动生成相应检测结果并输出;
报警模块,用于进行报警提示;
人工分析处理模块,用于供人工对待分析图像进行分析处理,并将人工分析处理后的图像和相应检测结果存储至数据库模块;
数据库模块,用于基于病灶特征关联存储不同医学图像和对应的检测结果。
Claims (6)
1.医学图像快速分析处理系统,其特征在于包括:
识别模块,用于通过人工智能网络识别待分析图像中的病灶特征,提交给比对模块;
比对模块,用于将识别出来的待分析图像中的病灶特征与数据库中的图像的病灶特征进行比对,比对结果提交给判断模块;
判断模块,用于根据比对结果判断待分析图像与数据库中的相应图像的相似度是否≥90%,若是,则触发检测输出模块,否则,触发报警模块和人工分析处理模块;
检测输出模块,用于自动生成相应检测结果并输出;
报警模块,用于进行报警提示;
人工分析处理模块,用于供人工对待分析图像进行分析处理,并将人工分析处理后的图像和相应检测结果存储至数据库模块;
数据库模块,用于基于病灶特征关联存储不同医学图像和对应的检测结果。
2.根据权利要求1所述的医学图像快速分析处理系统,其特征在于:还包括图像预处理模块,待分析图像先通过图像预处理模块进行预处理,然后进入识别模块。
3.根据权利要求2所述的医学图像快速分析处理系统,其特征在于:所述图像预处理模块包括灰度处理模块、滤波处理模块和增强处理模块;
所述灰度处理模块可自由调节图像灰度值;
所述滤波处理模块用于平滑降噪,保持图像清晰度;
所述增强处理模块用于改善图像质量,便于图像提取。
4.根据权利要求1所述的医学图像快速分析处理系统,其特征在于:所述识别模块包括灰度特征提取模块、形态特征提取模块和纹理特征提取模块。
5.根据权利要求1所述的医学图像快速分析处理系统,其特征在于:所述判断模块,用于根据比对结果判断待分析图像与数据库中的相应图像的相似度是否≥95%,若是,则触发检测输出模块,否则,触发报警模块和人工分析处理模块。
6.根据权利要求1~5任一项所述的医学图像快速分析处理系统,其特征在于:所述的图像为超声图像、CT图像、MRI图像、DSA图像或PET图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201920302475.4U CN209770401U (zh) | 2019-03-11 | 2019-03-11 | 医学图像快速分析处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201920302475.4U CN209770401U (zh) | 2019-03-11 | 2019-03-11 | 医学图像快速分析处理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN209770401U true CN209770401U (zh) | 2019-12-13 |
Family
ID=68797130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201920302475.4U Active CN209770401U (zh) | 2019-03-11 | 2019-03-11 | 医学图像快速分析处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN209770401U (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112057048A (zh) * | 2020-09-11 | 2020-12-11 | 河南医学高等专科学校 | 一种基础医学与医学影像结合用检测装置 |
US11494905B2 (en) | 2020-04-01 | 2022-11-08 | Wistron Corp. | Medical image recognition method and medical image recognition device |
-
2019
- 2019-03-11 CN CN201920302475.4U patent/CN209770401U/zh active Active
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11494905B2 (en) | 2020-04-01 | 2022-11-08 | Wistron Corp. | Medical image recognition method and medical image recognition device |
TWI783219B (zh) * | 2020-04-01 | 2022-11-11 | 緯創資通股份有限公司 | 醫學影像辨識方法及醫學影像辨識裝置 |
CN112057048A (zh) * | 2020-09-11 | 2020-12-11 | 河南医学高等专科学校 | 一种基础医学与医学影像结合用检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chawla et al. | A method for automatic detection and classification of stroke from brain CT images | |
CN110060774B (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
Niemeijer et al. | Information fusion for diabetic retinopathy CAD in digital color fundus photographs | |
US7236619B2 (en) | System and method for computer-aided detection and characterization of diffuse lung disease | |
Azhari et al. | Tumor detection in medical imaging: a survey | |
WO2021209887A1 (en) | Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis | |
CN110910404B (zh) | 一种抗噪声数据的乳腺超声结节分割方法 | |
WO2014115065A1 (en) | Medical image processing | |
EP3786881A1 (en) | Image processing for stroke characterization | |
CN209770401U (zh) | 医学图像快速分析处理系统 | |
Nayan et al. | A deep learning approach for brain tumor detection using magnetic resonance imaging | |
Irene et al. | Segmentation and approximation of blood volume in intracranial hemorrhage patients based on computed tomography scan images using deep learning method | |
Xing et al. | Automatic detection of A‐line in lung ultrasound images using deep learning and image processing | |
Jabbar et al. | Deep learning based classification of wrist cracks from X-ray imaging | |
Abd Hamid et al. | Incorporating attention mechanism in enhancing classification of alzheimer’s disease | |
Gayathri et al. | An automatic identification of lung cancer from different types of medical images | |
Caban et al. | Monitoring pulmonary fibrosis by fusing clinical, physiological, and computed tomography features | |
Hasan et al. | Lung Segmentation from Chest X-Ray Images Using Deeplabv3plus-Based CNN Model | |
Sridar et al. | An automated framework for large scale retrospective analysis of ultrasound images | |
Shaharuddin et al. | Development of computer aided diagnosis system (CAD) for detection of kidney ultrasound images | |
Rajasekaran Subramanian et al. | Breast cancer lesion detection and classification in radiology images using deep learning | |
Moh'd Rasoul et al. | Pneumonia identification using organizing map algorithm | |
KR102632864B1 (ko) | 의미론적 분할을 이용한 3차원 골절 골편 분할 시스템 및 그 방법 | |
Singh et al. | COVID-19 Diagnosis using Laplacian Edge Detection & Morphological Dilation | |
Ejaz et al. | Lungs Tuberculosis (TB) Identification in Computed Tomography (CT) Images Using Automatic Image Segmentation & Artificial Neural Network (ANN) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant |