RU2016114861A - Способы анализа изображений для диагностики заболеваний - Google Patents

Способы анализа изображений для диагностики заболеваний Download PDF

Info

Publication number
RU2016114861A
RU2016114861A RU2016114861A RU2016114861A RU2016114861A RU 2016114861 A RU2016114861 A RU 2016114861A RU 2016114861 A RU2016114861 A RU 2016114861A RU 2016114861 A RU2016114861 A RU 2016114861A RU 2016114861 A RU2016114861 A RU 2016114861A
Authority
RU
Russia
Prior art keywords
tissue
condition
quantitative information
specified
module
Prior art date
Application number
RU2016114861A
Other languages
English (en)
Inventor
СОЛСОНА Эдуард ГРАТАКОС
КАРНЭ Элисенда БОНЭТ
РИЕРА Монтсэ ПАЛАСИО
МОРЕНО Алваро ПЕРЕЗ
КОБО Ма Тереза КОБО
Original Assignee
Трансмурал Биотек, С.Л.
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 Трансмурал Биотек, С.Л. filed Critical Трансмурал Биотек, С.Л.
Publication of RU2016114861A publication Critical patent/RU2016114861A/ru

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0808—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0866—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/523—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for generating planar views from image data in a user selectable plane not corresponding to the acquisition plane
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30044—Fetus; Embryo
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/11—Technique with transformation invariance effect

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Neurology (AREA)
  • Gynecology & Obstetrics (AREA)
  • Pregnancy & Childbirth (AREA)
  • Physiology (AREA)
  • Multimedia (AREA)
  • Vascular Medicine (AREA)
  • Cardiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Claims (101)

1. Устройство, содержащее
модуль формирования изображения, настроенный для получения изображения, содержащего как минимум один участок ткани животного или человека;
модуль очерчивания, настроенный для указания зоны анализа в указанном полученном изображении;
модуль выделения характерных особенностей, настроенный для извлечения количественной информации из указанной зоны анализа;
модуль машинного обучения, настроенный для получения указанной выделенной информации и применения как минимум одного алгоритма обнаружения для оценки состояния указанной ткани,
где модуль выделения характерных особенностей содержит как минимум модуль компенсации поворота для компенсации поворота зоны анализа.
2. Устройство по п. 1, в котором модуль формирования изображения настроен для получения ультразвуковых изображений.
3. Устройство по п. 2, дополнительно содержащее модуль создания ультразвукового изображения.
4. Устройство по п. 3, в котором модуль создания ультразвукового изображения имеет фиксированный диапазон частоты.
5. Устройство по п. 1, в котором для конкретного оцениваемого состояния модуль формирования изображения выполнен с возможностью получения изображений, соответствующих отдельной анатомической плоскости.
6. Устройство по п. 5, в котором модуль формирования изображения приспособлен для обнаружения заранее заданных характерных особенностей на получаемых изображениях для установления соответствия полученного изображения этой отдельной анатомической плоскости.
7. Устройство по п. 1, в котором модуль очерчивания содержит модуль формирования рисунка, настроенный так, чтобы пользователь устройства мог размечать границы зоны анализа.
8. Устройство по п. 7, в котором указанный модуль формирования рисунка содержит модуль рисунка от руки, позволяющий пользователю наносить указанные границы вручную.
9. Устройство по п. 7, в котором указанный модуль формирования рисунка содержит полигональный модуль, позволяющий пользователю наносить указанные границы.
10. Устройство по п. 1, в котором модуль очерчивания содержит определитель границ для автоматического указания зоны анализа.
11. Устройство по п. 1, в котором модуль выделения характерных особенностей приспособлен для извлечения количественной информации, соответствующей характеристикам, рассчитанным по матрице совместной встречаемости, указанной зоны анализа.
12. Устройство по п. 11, в котором указанные характеристики отбираются из списка, включающего статистику первого порядка, угловой момент второго порядка, контрастность, корреляцию, энергию и энтропию указанной зоны анализа.
13. Устройство по п. 1, в котором модуль выделения характерных особенностей приспособлен для извлечения количественной информации, соответствующей статистическим характеристикам первого и второго порядка, зоны анализа.
14. Устройство по п. 13, в котором указанные статистические характеристики отбираются из списка, включающего среднее значение, дисперсию, стандартное отклонение, сдвиг по фазе и коэффициент эксцесса изображения зоны анализа.
15. Устройство по п. 1, в котором модуль выделения характерных особенностей приспособлен для извлечения количественной информации, соответствующей характеристикам, полученным при помощи переходов цветов зоны анализа, либо по всей зоне, либо на ее участках.
16. Устройство по п. 1, в котором модуль выделения характерных особенностей дополнительно приспособлен для извлечения количественной информации, соответствующей характеристикам, полученным путем каскадирования.
17. Устройство по п. 1, в котором модуль выделения характерных особенностей признаков дополнительно приспособлен для извлечения количественной информации, соответствующей характеристике местоположения и локальной фазе как минимум одного участка зоны анализа.
18. Устройство по п. 11, в котором модуль выделения характерных особенностей приспособлен для одновременного извлечения количественной информации, соответствующей ряду характеристик.
19. Устройство по п. 11, в котором модуль машинного обучения настроен на выполнение отбора из ряда алгоритмов в зависимости от характеристик, используемых модулем выделения характерных особенностей.
20. Устройство по п 19, в котором модуль машинного обучения приспособлен для комбинирования нескольких алгоритмов с целью оценки указанного состояния указанной ткани.
21. Устройство по п. 1, в котором модуль машинного обучения содержит запоминающее устройство для хранения количественной информации, соответствующей характеристикам ряда изображений, соответствующих данному состоянию.
22. Устройство по п. 1, в котором данное состояние является состоянием неонатальной респираторной заболеваемости, а указанная ткань является легочной тканью плода.
23. Устройство по п. 1, в котором данное состояние является неврологическим или нейродегенеративным состоянием, а указанная ткань является тканью лобной или височной доли мозга.
24. Устройство по п. 1, в котором данное состояние является сердечно-сосудистым состоянием, а указанная ткань является сердцем или сердечно-сосудистой тканью.
25. Устройство по п. 1, в котором указанное состояние является повреждением мозга, а указанная ткань является тканью мозга.
26. Устройство по п. 1, в котором данное состояние является состоянием опухоли органа, а указанная ткань является тканью органа.
27. Устройство по п. 1, в котором данное состояние является состоянием, относящимся к приживаемости пересаженной ткани, а указанная ткань является тканью пересаженного органа.
28. Устройство по п. 1, где данное состояние является перерождением ткани в паренхиме тела.
29. Способ оценки состояния как минимум одного участка ткани животного или человека, включающий в себя:
получение изображения указанного, как минимум, одного участка ткани животного или человека;
указание зоны анализа на указанном полученном изображении;
извлечение количественной информации из указанной зоны анализа;
применение алгоритма машинного обучения к указанной извлеченной количественной информации для оценки состояния указанной ткани,
где указанное извлечение количественной информации включает в себя как минимум компенсацию поворота зоны анализа.
30. Способ по п. 29, в котором указанное изображение является ультразвуковым изображением.
31. Способ по п. 29, в котором для отдельного оцениваемого состояния полученное изображение соответствует отдельной анатомической плоскости.
32. Способ по п. 31, дополнительно предусматривающий обнаружение заранее заданных местоположений на полученном изображении с целью установления соответствия полученного изображения конкретной анатомической плоскости.
33. Способ по п. 29, в котором указание зоны анализа включает в себя разметку границы зоны анализа.
34. Способ по п. 33, в котором разметка границы включает в себя нанесение данной границы вручную при помощи модуля рисунка от руки.
35. Способ по п. 33, в котором разметка границы включает в себя указание данной границы при помощи полигонального модуля.
36. Способ по п. 29, в котором указание зоны анализа включает в себя автоматическое выявление границы.
37. Способ по п. 29, в котором указанное извлечение количественной информации включает в себя извлечение количественной информации, соответствующей характеристикам, рассчитанным по матрице совместной встречаемости данной зоны анализа.
38. Способ по п. 37, в котором указанные характеристики отбираются из списка, включающего статистику первого порядка, угловой момент второго порядка, контрастность, корреляцию, энергию и энтропию данной зоны анализа.
39. Способ по п. 29, в котором извлечение количественной информации включает в себя извлечение количественной информации, соответствующей статистическим характеристикам первого и второго порядка зоны анализа.
40. Способ по п. 39, в котором отбор указанных статистических характеристик производится из списка, включающего в себя среднее значение, дисперсию, стандартное отклонение, сдвиг по фазе и коэффициент эксцесса изображения зоны анализа.
41. Способ по п. 29, в котором извлечение количественной информации дополнительно включает в себя извлечение количественной информации, соответствующей характеристикам, полученным при помощи переходов цветов зоны анализа, либо по всей зоне либо на ее участках.
42. Способ по п. 29, в котором извлечение количественной информации дополнительно включает в себя извлечение количественной информации, соответствующей характеристикам, полученным путем каскадирования.
43. Способ по п. 29, в котором извлечение количественной информации дополнительно включает в себя извлечение количественной информации, соответствующей характеристике местоположения и локальной фазе как минимум одного участка зоны анализа.
44. Способ по п. 37, в котором извлечение количественной информации включает в себя одновременное извлечение количественной информации, соответствующей ряду характеристик.
45. Способ по п. 37, в котором производится отбор из нескольких алгоритмов машинного обучения в зависимости от извлеченных характеристик.
46. Способ по п. 45, в котором выполняется комбинирование нескольких алгоритмов с целью оценки данного состояния данной ткани.
47. Способ по п. 37, в котором осуществляется хранение количественной информации, соответствующей характеристикам ряда изображений, соответствующих данному состоянию.
48. Способ по п. 29, в котором указанное состояние является состоянием неонатальной респираторной заболеваемости, а указанная ткань является легочной тканью плода.
49. Способ по п. 29, в котором указанное состояние является неврологическим или нейродегенеративным состоянием, а указанная ткань является тканью лобной или височной доли мозга.
50. Способ по п. 29, в котором указанное состояние является сердечно-сосудистым состоянием, а указанная ткань является сердечной или сердечно-сосудистой тканью.
51. Способ по п. 29, в котором указанное состояние является повреждением мозга, а указанная ткань является тканью мозга.
52. Способ по п. 29, в котором указанное состояние является состоянием опухоли органа, а указанная ткань - тканью органа.
53. Способ по п. 29, в котором указанное состояние является состоянием, относящимся к приживаемости пересаженной ткани, а указанная ткань является тканью пересаженного органа.
54. Способ по п. 29, в котором указанное состояние является перерождением ткани в паренхиме тела.
55. Способ диагностирования патологического состояния как минимум одного участка ткани животного или человека, включающий в себя
получение изображения указанного как минимум одного участка ткани животного или человека;
указание зоны анализа на указанном полученном изображении;
извлечение количественной информации из указанной зоны анализа;
применение алгоритма машинного обучения к указанной извлеченной количественной информации для оценки состояния указанной ткани,
где указанное извлечение количественной информации включает в себя как минимум компенсацию поворота зоны анализа, и
где, если извлеченная информация соответствует хранимой в памяти количественной информации, относящейся к ткани животного или человека, указанного патологического состояния, то указанный участок ткани животного или человека диагностируется, как данное патологическое состояние.
56. Способ диагностирования патологического состояния по п. 55, где извлечение количественной информации включает в себя одновременное извлечение количественной информации, соответствующей ряду характеристик.
57. Способ по п. 55, в котором производится отбор из нескольких алгоритмов машинного обучения в зависимости от извлеченных характеристик.
58. Способ по п. 57, в котором выполняется комбинирование нескольких алгоритмов с целью оценки данного состояния указанной ткани.
59. Способ по п. 55, в котором осуществляется хранение количественной информации, соответствующей характеристикам ряда изображений, соответствующих данному состоянию.
60. Способ по п. 55, в котором данное состояние является состоянием неонатальной респираторной заболеваемости, а указанная ткань является легочной тканью плода.
61. Способ по п. 60, в котором указанное извлечение количественной информации включает в себя
применение первого способа извлечения первой серии количественной информации, при этом указанный первый способ включает в себя
расчет переходов цветов для каждого пикселя изображения,
разделение изображения на ячейки,
построение ячеистых гистограмм;
применение второго способа извлечения второй серии количественной информации, при этом указанный второй способ включает в себя
определение локальной характеристик местоположения,
расчет локальной фазы в окрестностях каждой позиции пикселей;
установление гестационного возраста плода.
62. Способ по п. 55, в котором указанное состояние является неврологическим или нейродегенеративным состоянием, а указанная ткань является тканью лобной или височной доли мозга.
63. Способ по п. 55, в котором указанное состояние является сердечно-сосудистым состоянием, а указанная ткань является сердечной или сердечно-сосудистой тканью.
64. Способ по п. 55, в котором указанное состояние является повреждением мозга, а указанная ткань является тканью мозга.
65. Способ по п. 55, в котором указанное состояние является состоянием опухоли органа, а указанная ткань является тканью органа.
66. Способ по п. 55, в котором указанное состояние является состоянием, относящимся к приживаемости пересаженной ткани, а указанная ткань является тканью пересаженного органа.
67. Способ по п. 55, в котором указанное состояние является перерождением ткани в паренхиме тела.
68. Диагностическое устройство, включающее в себя
электронное средство для получения изображения указанного, как минимум, одного участка ткани животного или человека;
электронное средство для указания зоны анализа в указанном полученном изображении;
электронное средство для извлечения количественной информации из указанной зоны анализа;
электронное средство для применения алгоритма машинного обучения к указанной извлеченной количественной информации с целью оценки состояния указанной ткани,
где указанное электронное средство для извлечения количественной информации содержит в себе электронное средство для компенсации поворота зоны анализа.
69. Компьютерное устройство, включающее в себя запоминающее устройство и процессор, где в запоминающем устройстве хранятся указания компьютерной программы, выполняемые процессором, причем в упомянутых указаниях содержатся функциональные средства для исполнения способа оценки состояния, как минимум, одного участка ткани животного или человека, в соответствии с п. 29.
70. Компьютерный программный продукт, содержащий в себе указания для работы диагностического устройства, реализующего способ оценки состояния, как минимум, одного участка ткани животного или человека, в соответствии с п. 29.
71. Компьютерный программный продукт по п. 70, хранимый в записывающем средстве.
72. Компьютерный программный продукт по п. 70, передаваемый сигналоносителем.
RU2016114861A 2013-09-20 2013-09-20 Способы анализа изображений для диагностики заболеваний RU2016114861A (ru)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/IB2013/058696 WO2015040457A1 (en) 2013-09-20 2013-09-20 Image analysis techniques for diagnosing diseases

Publications (1)

Publication Number Publication Date
RU2016114861A true RU2016114861A (ru) 2017-10-25

Family

ID=49817129

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2016114861A RU2016114861A (ru) 2013-09-20 2013-09-20 Способы анализа изображений для диагностики заболеваний

Country Status (14)

Country Link
US (1) US9980704B2 (ru)
EP (1) EP3046478B1 (ru)
JP (1) JP2016531709A (ru)
KR (1) KR20160058812A (ru)
CN (1) CN105705098A (ru)
AU (1) AU2013400936B2 (ru)
BR (1) BR112016006097B1 (ru)
CA (1) CA2921665A1 (ru)
ES (1) ES2704858T3 (ru)
IL (1) IL244627B (ru)
MX (1) MX365951B (ru)
RU (1) RU2016114861A (ru)
SG (1) SG11201601453YA (ru)
WO (1) WO2015040457A1 (ru)

Families Citing this family (60)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10540803B2 (en) * 2013-03-15 2020-01-21 PME IP Pty Ltd Method and system for rule-based display of sets of images
JP6324338B2 (ja) * 2015-03-25 2018-05-16 株式会社日立ハイテクノロジーズ 細胞診断支援装置、細胞診断支援方法、遠隔診断支援システム、及びサービス提供システム
US10430688B2 (en) 2015-05-27 2019-10-01 Siemens Medical Solutions Usa, Inc. Knowledge-based ultrasound image enhancement
KR102545007B1 (ko) * 2015-10-20 2023-06-20 삼성메디슨 주식회사 초음파 영상장치 및 그 제어방법
CN107157511A (zh) * 2016-03-07 2017-09-15 刘江 基于眼科及器官影像融合的疾病诊断或筛查方法及系统
US10984528B2 (en) * 2016-07-19 2021-04-20 Volpara Health Technologies Limited System and apparatus for clinical decision optimisation
KR101880678B1 (ko) * 2016-10-12 2018-07-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR101740464B1 (ko) 2016-10-20 2017-06-08 (주)제이엘케이인스펙션 뇌졸중 진단 및 예후 예측 방법 및 시스템
KR101754291B1 (ko) * 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
EP3435324A1 (en) 2017-07-27 2019-01-30 Koninklijke Philips N.V. Fetal ultrasound image processing
WO2019061148A1 (zh) * 2017-09-28 2019-04-04 北京匡图医疗科技有限公司 超声动态图像处理方法、装置及超声摄像设备
GB2567155B (en) 2017-10-02 2022-03-02 Room4 Group Ltd Histopathological image analysis
KR102044525B1 (ko) * 2017-12-07 2019-11-14 울산대학교 산학협력단 이식 거부반응 판별 모델 생성 방법 및 장치
WO2019118613A1 (en) * 2017-12-12 2019-06-20 Oncoustics Inc. Machine learning to extract quantitative biomarkers from ultrasound rf spectrums
US11080850B2 (en) 2018-01-16 2021-08-03 Electronics And Telecommunications Research Institute Glaucoma diagnosis method using fundus image and apparatus for the same
KR102182641B1 (ko) * 2018-01-16 2020-11-25 한국전자통신연구원 안저영상을 이용한 녹내장 진단 방법 및 이를 위한 장치
KR102099214B1 (ko) 2018-01-29 2020-04-09 건양대학교 산학협력단 생체정보 및 영상정보 연계를 통한 인공지능 질환 진단 시스템
WO2019168280A1 (ko) * 2018-02-28 2019-09-06 이화여자대학교 산학협력단 뉴럴 네트워크를 이용하여 캡슐 내시경 영상으로부터 병변 판독 방법 및 장치
KR20190105461A (ko) * 2018-03-05 2019-09-17 주식회사 인공지능연구원 종양의 악성도와 악성도 추론의 근거를 제공하는 컴퓨터 보조 진단 시스템 및 그 방법
CN108992022A (zh) * 2018-08-06 2018-12-14 广州高通影像技术有限公司 一种应用于智能内窥镜手术时的ai应用系统
CN109035283B (zh) * 2018-09-05 2021-03-30 中国医科大学附属盛京医院 一种基于随机选取分区的肺气肿精准检测与量化分析方法
KR102131687B1 (ko) 2018-09-10 2020-07-08 주식회사 휴런 파킨슨 병 진단 장치 및 방법
US11062459B2 (en) * 2019-02-07 2021-07-13 Vysioneer INC. Method and apparatus for automated target and tissue segmentation using multi-modal imaging and ensemble machine learning models
JP7301562B2 (ja) * 2019-03-14 2023-07-03 キヤノンメディカルシステムズ株式会社 医用画像処理装置、学習用データ作成装置および超音波診断装置
KR102053890B1 (ko) * 2019-03-19 2019-12-09 (주)아이티에프 PCM 기반 양자화를 이용한 X-Ray 영상 기반 장폐색 검출방법
KR102224627B1 (ko) * 2019-04-08 2021-03-09 울산대학교 산학협력단 임신 1분기 초음파 이미지 분석 방법 및 장치
CN110277166B (zh) * 2019-06-28 2020-05-15 屈兴玲 一种宫腹腔镜辅助诊断系统及方法
CN110559164B (zh) * 2019-09-09 2022-06-07 上海电气集团股份有限公司 下肢康复机器人的控制系统
US11399806B2 (en) * 2019-10-22 2022-08-02 GE Precision Healthcare LLC Method and system for providing freehand render start line drawing tools and automatic render preset selections
US11250564B2 (en) * 2019-12-19 2022-02-15 GE Precision Healthcare LLC Methods and systems for automatic measurement of strains and strain-ratio calculation for sonoelastography
US11468347B2 (en) * 2020-01-31 2022-10-11 Kpn Innovations, Llc. Methods and systems for physiologically informed gestational inquiries
CN111339904B (zh) * 2020-02-21 2023-11-03 腾讯科技（深圳）有限公司 动物精子图像识别方法和装置
KR102097738B1 (ko) 2020-03-03 2020-04-06 주식회사 휴런 인공지능 기반 파킨슨 병 진단 장치 및 방법
KR102122073B1 (ko) 2020-03-05 2020-06-11 주식회사 휴런 기계 학습을 통해 검출된 나이그로좀 1 영역을 기초로 파킨슨 병을 진단하는 장치 및 방법
KR102097044B1 (ko) 2020-03-05 2020-04-03 주식회사 휴런 파킨슨 병 진단을 위한 정보제공 방법
KR20210117844A (ko) * 2020-03-20 2021-09-29 삼성메디슨 주식회사 초음파 영상 장치 및 그 동작 방법
KR102144718B1 (ko) 2020-03-31 2020-08-14 주식회사 휴런 기계 학습을 통해 분류된 나이그로좀 1 영역을 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법
KR102144719B1 (ko) 2020-03-31 2020-08-14 주식회사 휴런 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법
KR102144721B1 (ko) 2020-03-31 2020-08-14 주식회사 휴런 파킨슨병이 존재하는 환자군을 선별하여 임상시험 성공 확률을 높이는 방법
CN113470037A (zh) 2020-03-31 2021-10-01 阿里巴巴集团控股有限公司 数据处理方法、装置及系统
KR102144720B1 (ko) 2020-03-31 2020-08-14 주식회사 휴런 기계 학습을 통해 분류된 나이그로좀 1 영역과 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단을 위한 정보제공 방법
CN111419283B (zh) * 2020-04-08 2023-11-14 上海长征医院 一种用于评估新冠肺炎患者病情严重程度的超声分析系统
CN111798437A (zh) * 2020-07-09 2020-10-20 兴义民族师范学院 一种基于ct影像的新型冠状病毒肺炎ai快速诊断方法
KR102241759B1 (ko) 2020-07-22 2021-04-20 (주)엔브레인 인공지능 기반 뇌 정보 제공 장치
US20220218268A1 (en) 2020-07-22 2022-07-14 Actibrain Bio, Inc. Ai (artificial intelligence) based method for providing brain information
KR102288267B1 (ko) 2020-07-22 2021-08-11 액티브레인바이오(주) 인공지능 기반 뇌 정보 제공 방법
US11457891B2 (en) * 2020-08-17 2022-10-04 Clarius Mobile Health Corp. Method and system for defining cut lines to generate a 3D fetal representation
KR102211030B1 (ko) 2020-12-01 2021-02-04 (주)엔브레인 뇌 자극을 이용한 인공지능 기반 뇌 정보 제공 장치
KR102211048B1 (ko) 2020-12-01 2021-02-04 (주)엔브레인 청각 정보를 이용한 인공지능 기반 뇌 정보 제공 장치
KR102211050B1 (ko) 2020-12-01 2021-02-04 (주)엔브레인 의료 영상 정보를 이용한 인공지능 기반 뇌 정보 제공 장치
KR102211049B1 (ko) 2020-12-01 2021-02-04 (주)엔브레인 생체 정보를 이용한 인공지능 기반 뇌 정보 제공 장치
KR102222335B1 (ko) 2020-12-01 2021-03-04 (주)엔브레인 사용자가 움직이는 상태에서 수집된 정보를 기초로 뇌 정보를 제공하는 인공지능 기반 장치
KR102211051B1 (ko) 2020-12-01 2021-02-04 (주)엔브레인 뇌 활성화 개선을 위한 정보를 제공하는 인공지능 기반 장치
CN112582076B (zh) * 2020-12-07 2023-08-04 广州金域医学检验中心有限公司 一种胎盘病理学送检评估方法、装置、系统及存储介质
KR102286190B1 (ko) * 2020-12-11 2021-08-09 한림대학교 산학협력단 조산을 예측하기 위한 전자 장치 및 방법
KR102256345B1 (ko) 2021-02-05 2021-05-28 주식회사 휴런 뉴로멜라닌 영상을 이용한 파킨슨병 정보 제공 장치 및 방법
EP4295307A1 (en) * 2021-02-16 2023-12-27 Verily Life Sciences LLC Systems and methods for biomarker detection in digitized pathology samples
EP4306059A1 (en) * 2021-03-09 2024-01-17 FUJIFILM Corporation Medical image processing device, endoscope system, medical image processing method, and medical image processing program
KR102293945B1 (ko) 2021-04-29 2021-08-26 주식회사 휴런 플로우 포화 펄스를 사용하여 뉴로멜라닌 콘트라스트 정보를 획득할 수 있는 장치 및 방법
KR102379132B1 (ko) 2021-06-30 2022-03-30 액티브레인바이오(주) 디지털 컨텐츠 기반 치료 정보 제공 장치 및 방법

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7158692B2 (en) * 2001-10-15 2007-01-02 Insightful Corporation System and method for mining quantitive information from medical images
US7536044B2 (en) * 2003-11-19 2009-05-19 Siemens Medical Solutions Usa, Inc. System and method for detecting and matching anatomical structures using appearance and shape
US7489825B2 (en) * 2005-07-13 2009-02-10 Ge Medical Systems Method and apparatus for creating a multi-resolution framework for improving medical imaging workflow
JP2010504129A (ja) * 2006-09-22 2010-02-12 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 肺結節の高度コンピュータ支援診断
CN100462054C (zh) * 2007-07-06 2009-02-18 深圳市迈科龙电子有限公司 胎儿图像性别部位识别屏蔽方法
DE102007034953B4 (de) * 2007-07-26 2016-09-22 Siemens Healthcare Gmbh Verfahren zur Bewegungsvorgänge berücksichtigenden Aufnahme von Messdaten eines Patienten und zugehörige medizinische Einrichtung
JP5015688B2 (ja) * 2007-07-30 2012-08-29 富士フイルム株式会社 医用撮像システム
CN101129267A (zh) * 2007-09-26 2008-02-27 刘铁军 非医用胎儿性别超声检测监控系统
CN100500100C (zh) * 2007-11-20 2009-06-17 深圳市迈科龙影像技术有限公司 超声子宫节育环图像智能识别方法及设备
EP2358278B1 (en) * 2008-12-08 2021-05-12 Acist Medical Systems, Inc. System and catheter for image guidance and methods thereof
WO2011027270A1 (en) * 2009-09-03 2011-03-10 Koninklijke Philips Electronics N.V. Ultrasound probe with large field of view and method for fabricating such ultrasound probe
US8532360B2 (en) * 2010-04-20 2013-09-10 Atheropoint Llc Imaging based symptomatic classification using a combination of trace transform, fuzzy technique and multitude of features
CN102727246B (zh) * 2011-03-31 2015-06-24 通用电气公司 用于超声检测系统的学习一键预设的方法与装置
CN102890823B (zh) * 2011-07-19 2016-04-27 株式会社东芝 运动对象轮廓提取及左心室图像分割方法和装置
KR101580254B1 (ko) * 2012-03-14 2015-12-24 삼성전자 주식회사 주파수 영역에서의 의료 영상 진단 장치 및 방법

Also Published As

Publication number Publication date
IL244627A0 (en) 2016-04-21
WO2015040457A1 (en) 2015-03-26
AU2013400936A1 (en) 2016-03-10
EP3046478A1 (en) 2016-07-27
IL244627B (en) 2019-11-28
ES2704858T3 (es) 2019-03-20
MX365951B (es) 2019-06-19
AU2013400936B2 (en) 2017-08-03
EP3046478B1 (en) 2018-10-10
JP2016531709A (ja) 2016-10-13
BR112016006097B1 (pt) 2022-04-19
US9980704B2 (en) 2018-05-29
CN105705098A (zh) 2016-06-22
KR20160058812A (ko) 2016-05-25
SG11201601453YA (en) 2016-03-30
BR112016006097A2 (pt) 2017-08-01
MX2016003368A (es) 2016-08-12
US20160242742A1 (en) 2016-08-25
CA2921665A1 (en) 2015-03-26

Similar Documents

Publication Publication Date Title
RU2016114861A (ru) Способы анализа изображений для диагностики заболеваний
US11191518B2 (en) Ultrasound system and method for detecting lung sliding
RU2481056C2 (ru) Устройство обработки изображений, способ обработки изображений, устройство захвата томограммы, программа и носитель для записи программы
CN105022719B (zh) 医学造影系统及方法
CN101596111B (zh) 在心脏电影磁共振成像中对左心室的自动定位
JP2019511329A5 (ru)
US10002422B2 (en) Ultrasound image processing apparatus and medium
JP6841907B2 (ja) Ｂラインを自動的に検出し、超音波スキャンの画像をスコア付けすることによる代表超音波画像の向上された視覚化および選択のための方法、システム及び非一時的コンピュータ可読媒体
KR101840350B1 (ko) 의료 영상 판독 과정에서 사용자의 시선 정보를 이용한 판독 효율 증대 방법 및 그 장치
JP2005237441A5 (ru)
Wess et al. Comparison of longitudinal myocardial tissue velocity, strain, and strain rate measured by two-dimensional speckle tracking and by color tissue Doppler imaging in healthy dogs
Esposito et al. Nonsymmetric myocardial contribution to supranormal right ventricular function in the athlete's heart: combined assessment by speckle tracking and real time three‐dimensional echocardiography
US20100111380A1 (en) Medical image analysis apparatus and image analysis control program
JP6625504B2 (ja) 情報処理装置、情報処理システム及びプログラム
JP2016531630A5 (ru)
Santra et al. A non-invasive approach for estimation of hemoglobin analyzing blood flow in palm
US20200352547A1 (en) Ultrasonic pulmonary assessment
Gerber et al. Automatic estimation of the optic nerve sheath diameter from ultrasound images
CN114419181A (zh) Cta图像的重建方法及重建装置、显示方法及显示装置
KR102408405B1 (ko) 경동맥 초음파 진단 시스템
Chen et al. Left ventricular diastolic dysfunction in type 2 diabetes patients: A novel 2D strain analysis based on cardiac magnetic resonance imaging
KR102393661B1 (ko) 다중 영상 내시경 시스템, 그 영상 제공 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
JP2006145281A5 (ru)
KR20230118054A (ko) 의료 영상으로부터 바이오마커 발현을 예측하는 방법및 시스템
CN110400499A (zh) 使用超声图像数据的虚拟现实训练的系统和方法