RU2017116859A - Классификация состояния исследуемой ткани на основании лонгитудинальных признаков - Google Patents
Классификация состояния исследуемой ткани на основании лонгитудинальных признаков Download PDFInfo
- Publication number
- RU2017116859A RU2017116859A RU2017116859A RU2017116859A RU2017116859A RU 2017116859 A RU2017116859 A RU 2017116859A RU 2017116859 A RU2017116859 A RU 2017116859A RU 2017116859 A RU2017116859 A RU 2017116859A RU 2017116859 A RU2017116859 A RU 2017116859A
- Authority
- RU
- Russia
- Prior art keywords
- tissue
- images
- processor
- state
- pair
- Prior art date
Links
- 239000004744 fabric Substances 0.000 title 1
- 238000012360 testing method Methods 0.000 claims 24
- 238000012549 training Methods 0.000 claims 23
- 238000000034 method Methods 0.000 claims 13
- 230000000007 visual effect Effects 0.000 claims 7
- 201000010099 disease Diseases 0.000 claims 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims 3
- 239000003086 colorant Substances 0.000 claims 2
- 230000002068 genetic effect Effects 0.000 claims 1
- 238000011835 investigation Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 238000001454 recorded image Methods 0.000 claims 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/0035—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
- A61B5/748—Selection of a region of interest, e.g. using a graphics tablet
- A61B5/7485—Automatic selection of region of interest
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
-
- 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
- G06T2207/10072—Tomographic images
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pulmonology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Claims (87)
1. Способ, включающий:
определение, с помощью реализуемого на компьютере классификатора, состояния исследуемой ткани субъекта на по меньшей мере одной паре изображений субъекта на основании заданного набора лонгитудинальных признаков исследуемой ткани субъекта на указанной по меньшей мере одной паре изображений субъекта,
причем указанная по меньшей мере одна пара изображений субъекта содержит первое изображение исследуемой ткани, полученное в первый момент времени, и второе изображение исследуемой ткани, полученное во второй отличный момент времени; и
визуальное отображение знаков, указывающих на определенное состояние.
2. Способ по п. 1, который дополнительно включает:
регистрацию указанной по меньшей мере одной пары изображений субъекта;
распознавание по меньшей мере одного исследуемого объема на зарегистрированной по меньшей мере одной паре изображений, причем исследуемая ткань находится в указанном по меньшей мере одном исследуемом объеме;
извлечение заданного набора лонгитудинальных признаков из распознанного по меньшей мере одного исследуемого объема и
определение состояния исследуемой ткани путем классификации извлеченного набора лонгитудинальных признаков.
3. Способ по п. 2, который дополнительно включает:
получение данных о субъекте, не относящихся к изображению; и
определение состояния исследуемой ткани путем классификации извлеченного набора лонгитудинальных признаков и данных, не относящихся к изображению.
4. Способ по п. 3, в котором данные, не относящиеся к изображению, содержат одно или более из следующего: демографические данные, медицинский анамнез, семейный анамнез, факторы риска, результаты молекулярных тестов или результаты генетических тестов.
5. Способ по любому из пп. 1-4, который дополнительно включает:
определение лонгитудинального признака из заданного набора лонгитудинальных признаков исследуемой ткани из указанной по меньшей мере одной пары изображений.
6. Способ по п. 5, в котором заданный набор лонгитудинальных признаков исследуемой ткани содержит одно или более из следующего: изменение формы исследуемой ткани, изменение очертаний исследуемой ткани, изменение текстуры исследуемой ткани, изменение васкуляризации исследуемой ткани, изменение структуры исследуемой ткани, совместимость исследуемой ткани или сопутствующие медицинские состояния исследуемой ткани.
7. Способ по любому из пп. 1-6, который дополнительно включает:
определение балльной оценки, в заданном диапазоне балльных оценок, на основании определенного состояния, при котором первый балл из диапазона указывает на отсутствие заболевания, а второй балл из диапазона указывает на присутствие заболевания, причем визуальное отображение знаков включает в себя визуальное отображение балльной оценки.
8. Способ по п. 7, в котором балльная оценка указывает на тяжесть заболевания.
9. Способ по любому из пп. 7 и 8, который дополнительно включает:
создание карты, которая осуществляет маппинг различных поддиапазонов заданного диапазона балльных оценок по различным уровням тяжести и различным цветам; и
визуальное отображение графических знаков цветом, указывающим на балл на основании карты.
10. Способ по п. 9, в котором распределение состояния разделено по меньшей мере по географическому региону, возрасту, полу, типу риска или сопутствующим медицинским состояниям.
11. Способ по любому из пп. 1-10, который дополнительно включает:
прием набора обучающих данных пар изображений ткани, причем каждая пара содержит изображения, полученные в различные моменты времени, при этом первый поднабор обучающих данных содержит первое известное состояние ткани, а по меньшей мере второй поднабор обучающих данных содержит по меньшей мере второе известное состояние ткани;
регистрацию изображений в наборе обучающих данных;
распознавание исследуемой ткани на зарегистрированных изображениях в наборе обучающих данных;
отслеживание тенденций в заданном наборе лонгитудинальных признаков исследуемой ткани в зарегистрированных изображениях набора обучающих данных;
выбор поднабора из набора признаков, представляющего набор релевантных признаков; и
создание и обучение классификатора на основании набора обучающих данных и выбранного поднабора из набора признаков, причем классификатор содержит один или более подклассификаторов.
12. Способ по п. 11, который дополнительно включает:
получение данных о субъекте, не относящихся к изображению; и
определение состояния исследуемой ткани путем классификации извлеченного набора лонгитудинальных признаков и данных, не относящихся к изображению.
13. Способ по любому из пп. 11 и 12, который дополнительно включает:
отслеживание тенденций в заданном наборе лонгитудинальных признаков путем определения различия в признаке между парой изображений.
14. Вычислительная система (122), содержащая:
память (126), хранящую инструкций модуля обработки данных изображения; и
процессор (124), выполненный с возможностью выполнения инструкций, обуславливающих осуществление процессором:
классификации состояния исследуемой ткани субъекта на по меньшей мере одной паре изображений на основании заданного набора лонгитудинальных признаков исследуемой ткани субъекта на указанной по меньшей мере одной паре изображений субъекта, причем указанная по меньшей мере одна пара изображений субъекта содержит первое изображение исследуемой ткани, полученное в первый момент времени, и второе изображение исследуемой ткани, полученное во второй отличный момент времени; и
визуального отображения знаков, указывающих на определенное состояние.
15. Система по п. 14, в которой процессор выполнен с возможностью выполнения инструкций, которые дополнительно обуславливают осуществление процессором:
регистрации указанной по меньшей мере одной пары изображений субъекта;
распознавания по меньшей мере одного исследуемого объема на зарегистрированной по меньшей мере одной паре изображений, причем исследуемая ткань находится в указанном по меньшей мере одном исследуемом объеме;
извлечения заданного набора лонгитудинальных признаков из распознанного по меньшей мере одного исследуемого объема и
определения состояния исследуемой ткани путем классификации извлеченного набора лонгитудинальных признаков.
16. Система по п. 15, в которой процессор выполнен с возможностью выполнения инструкций, которые дополнительно обуславливают осуществление процессором:
получения данных о субъекте, не относящихся к изображению; и
определения состояния исследуемой ткани путем классификации извлеченного набора лонгитудинальных признаков и данных, не относящихся к изображению.
17. Система по любому из пп. 14-16, в которой процессор выполнен с возможностью выполнения инструкций, которые дополнительно обуславливают осуществление процессором:
определения балльной оценки, пропорциональной указанному состоянию; и
визуального отображения балльной оценки посредством одного или более средств из буквенно-цифровых знаков или цвета.
18. Система по любому из пп. 14-17, в которой процессор выполнен с возможностью выполнения инструкций, которые дополнительно обуславливают осуществление процессором:
приема набора обучающих данных пар изображений ткани, причем каждая пара содержит изображения, полученные в различные моменты времени, и при этом первый поднабор обучающих данных содержит первое известное состояние ткани, а по меньшей мере второй поднабор обучающих данных содержит по меньшей мере второе известное состояние ткани;
регистрации изображений в наборе обучающих данных;
распознавания исследуемой ткани на зарегистрированных изображениях в наборе обучающих данных;
отслеживания тенденций в заданном наборе лонгитудинальных признаков исследуемой ткани в зарегистрированных изображениях набора обучающих данных;
выбора поднабора из набора признаков, представляющего набор релевантных признаков; и
создания классификатора на основании набора обучающих данных и выбранного поднабора из набора признаков, причем классификатор содержит один или более подклассификаторов.
19. Система по п. 18, в которой процессор выполнен с возможностью выполнения инструкций, которые дополнительно обуславливают осуществление процессором:
получения данных о субъекте, не относящихся к изображению; и
определения состояния исследуемой ткани путем классификации извлеченного набора лонгитудинальных признаков и данных, не относящихся к изображению.
20. Система по любому из пп. 14-19, которая дополнительно содержит:
отслеживание тенденций в заданном наборе лонгитудинальных признаков путем определения различия в признаке между парой изображений.
21. Компьютерочитаемый носитель информации, закодированный компьютерочитаемыми инструкциями, которые, при выполнении процессором, обуславливают осуществление процессором:
обучения классификатора для определения состояния исследуемой ткани на основании изменения признака исследуемой ткани на паре изображений, предварительно полученных в различные моменты времени для множества пар изображений для одного или более субъектов; и
использования классификатора для классификации состояния исследуемой ткани для оцениваемого пациента на основании изменения указанного признака исследуемой ткани на паре изображений для оцениваемого пациента, полученных в различные моменты времени для пациента.
22. Компьютерочитаемый носитель информации по п. 21, в котором компьютерочитаемые инструкции, при выполнении процессором, дополнительно обуславливают осуществление процессором:
приема набора обучающих данных пар изображений ткани, причем каждая пара содержит изображения, полученные в различные моменты времени, и при этом первый поднабор обучающих данных содержит первое известное состояние ткани, а по меньшей мере второй поднабор обучающих данных содержит по меньшей мере второе известное состояние ткани;
регистрации изображений в наборе обучающих данных;
распознавания исследуемой ткани на зарегистрированных изображениях в наборе обучающих данных;
отслеживания тенденций в заданном наборе лонгитудинальных признаков исследуемой ткани в зарегистрированных изображениях набора обучающих данных;
выбора поднабора из набора признаков, представляющего набор релевантных признаков; и
создания классификатора на основании набора обучающих данных и выбранного поднабора из набора признаков, причем классификатор содержит один или более подклассификаторов.
23. Компьютерочитаемый носитель информации по п. 22, в котором компьютерочитаемые инструкции, при выполнении процессором, дополнительно обуславливают осуществление процессором:
получения данных о субъекте, не относящихся к изображению; и
определения состояния исследуемой ткани путем классификации извлеченного набора лонгитудинальных признаков и данных, не относящихся к изображению.
24. Компьютерочитаемый носитель информации по любому из пп. 22-23, в котором компьютерочитаемые инструкции, при выполнении процессором, дополнительно обуславливают осуществление процессором:
отслеживания тенденций в заданном наборе лонгитудинальных признаков путем определения различия в признаке между парой изображений.
25. Компьютерочитаемый носитель информации по любому из пп. 21-24, в котором компьютерочитаемые инструкции, при выполнении процессором, дополнительно обуславливают осуществление процессором:
регистрации указанной по меньшей мере одной пары изображений субъекта;
распознавания по меньшей мере одного исследуемого объема на зарегистрированной по меньшей мере одной паре изображений, причем исследуемая ткань находится в указанном по меньшей мере одном исследуемом объеме;
извлечения заданного набора лонгитудинальных признаков из распознанного по меньшей мере одного исследуемого объема;
определения состояния исследуемой ткани путем классификации извлеченного набора лонгитудинальных признаков и
визуального отображения знаков, указывающих на определенное состояние.
26. Компьютерочитаемый носитель информации по п. 25, в котором компьютерочитаемые инструкции, при выполнении процессором, дополнительно обуславливают осуществление процессором:
получения данных о субъекте, не относящихся к изображению; и
определения состояния исследуемой ткани путем классификации извлеченного набора лонгитудинальных признаков и данных, не относящихся к изображению.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462062977P | 2014-10-13 | 2014-10-13 | |
US62/062,977 | 2014-10-13 | ||
PCT/IB2015/057433 WO2016059493A1 (en) | 2014-10-13 | 2015-09-29 | Classification of a health state of tissue of interest based on longitudinal features |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2017116859A true RU2017116859A (ru) | 2018-11-15 |
Family
ID=54292866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2017116859A RU2017116859A (ru) | 2014-10-13 | 2015-09-29 | Классификация состояния исследуемой ткани на основании лонгитудинальных признаков |
Country Status (7)
Country | Link |
---|---|
US (2) | US10219767B2 (ru) |
EP (1) | EP3206565A1 (ru) |
JP (1) | JP6865678B2 (ru) |
CN (1) | CN107072613B (ru) |
BR (1) | BR112017007383A2 (ru) |
RU (1) | RU2017116859A (ru) |
WO (1) | WO2016059493A1 (ru) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3410393A1 (en) * | 2017-06-01 | 2018-12-05 | Siemens Healthcare GmbH | Comparing medical images |
GB201716890D0 (en) | 2017-10-13 | 2017-11-29 | Optellum Ltd | System, method and apparatus for assisting a determination of medical images |
US11625597B2 (en) * | 2017-11-15 | 2023-04-11 | Canon Medical Systems Corporation | Matching network for medical image analysis |
CN109376419B (zh) * | 2018-10-16 | 2023-12-22 | 北京字节跳动网络技术有限公司 | 一种数据模型的生成方法、装置、电子设备及可读介质 |
US10811135B2 (en) * | 2018-12-27 | 2020-10-20 | General Electric Company | Systems and methods to determine disease progression from artificial intelligence detection output |
DE102019211536A1 (de) * | 2019-08-01 | 2021-02-04 | Siemens Healthcare Gmbh | Automatische Lokalisierung einer Struktur |
CN111784705B (zh) * | 2020-06-24 | 2024-04-02 | 上海联影医疗科技股份有限公司 | 感兴趣区域的勾画方法、装置、设备和存储介质 |
CN112472346B (zh) * | 2020-11-26 | 2021-12-24 | 南通市第二人民医院 | 一种基于大数据的牙龈保护方法和装置 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6466687B1 (en) | 1997-02-12 | 2002-10-15 | The University Of Iowa Research Foundation | Method and apparatus for analyzing CT images to determine the presence of pulmonary tissue pathology |
US7211247B2 (en) | 2001-04-09 | 2007-05-01 | University Of Southern California | Lentivirus vectors for gene transfer to alveolar epithelial cells |
US6992280B2 (en) * | 2002-04-04 | 2006-01-31 | Synarc, Inc. | Test object for calibration of imaging measurements of mammalian skeletal joints |
US7418123B2 (en) | 2002-07-12 | 2008-08-26 | University Of Chicago | Automated method and system for computerized image analysis for prognosis |
US20040122708A1 (en) * | 2002-12-18 | 2004-06-24 | Avinash Gopal B. | Medical data analysis method and apparatus incorporating in vitro test data |
US7912528B2 (en) | 2003-06-25 | 2011-03-22 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automated diagnosis and decision support for heart related diseases and conditions |
US7298881B2 (en) | 2004-02-13 | 2007-11-20 | University Of Chicago | Method, system, and computer software product for feature-based correlation of lesions from multiple images |
CN100435736C (zh) * | 2006-12-13 | 2008-11-26 | 林井副 | 基于多层螺旋ct的人体索条状组织同层显示成像方法 |
RU2009129139A (ru) * | 2006-12-29 | 2011-02-10 | Конинклейке Филипс Электроникс, Н.В. (Nl) | Улучшенная регистрация изображений и способы для компенсировния интраоперационного движения в контролируемых по изображениям процедурах оперативного вмешательства |
US8442285B2 (en) | 2007-04-02 | 2013-05-14 | The Trustees Of The University Of Pennsylvania | Combined feature ensemble mutual information image registration |
WO2009058915A1 (en) | 2007-10-29 | 2009-05-07 | The Trustees Of The University Of Pennsylvania | Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri) |
US20110173027A1 (en) * | 2008-10-10 | 2011-07-14 | Koninklijke Philips Electronics N.V. | Health-risk metric determination and/or presentation |
US8483454B2 (en) * | 2008-10-10 | 2013-07-09 | Sti Medical Systems, Llc | Methods for tissue classification in cervical imagery |
US9526429B2 (en) * | 2009-02-06 | 2016-12-27 | Resmed Sensor Technologies Limited | Apparatus, system and method for chronic disease monitoring |
WO2010115885A1 (en) * | 2009-04-03 | 2010-10-14 | Oslo Universitetssykehus Hf | Predictive classifier score for cancer patient outcome |
WO2010143100A1 (en) * | 2009-06-10 | 2010-12-16 | Koninklijke Philips Electronics N.V. | Visualization apparatus for visualizing an image data set |
US20110129129A1 (en) * | 2009-11-30 | 2011-06-02 | General Electric Company | System and method for integrated quantifiable detection, diagnosis and monitoring of disease using population related data for determining a disease signature |
EP2566384A1 (en) | 2010-05-03 | 2013-03-13 | STI Medical Systems, LLC | Image analysis for cervical neoplasia detection and diagnosis |
US10267882B2 (en) * | 2010-10-13 | 2019-04-23 | Toshiba Medical Systems Corporation | MRI T1 image-guided tissue diagnostics |
US9888876B2 (en) | 2012-03-21 | 2018-02-13 | The Johns Hopkins University | Method of analyzing multi-sequence MRI data for analysing brain abnormalities in a subject |
JP6017284B2 (ja) * | 2012-11-30 | 2016-10-26 | 東芝メディカルシステムズ株式会社 | 医用画像診断装置 |
RU2015130908A (ru) * | 2012-12-27 | 2017-02-01 | Конинклейке Филипс Н.В. | Автоматизированная идентификация интересующей ткани |
-
2015
- 2015-09-29 US US15/516,512 patent/US10219767B2/en active Active
- 2015-09-29 BR BR112017007383A patent/BR112017007383A2/pt not_active Application Discontinuation
- 2015-09-29 EP EP15778756.5A patent/EP3206565A1/en not_active Withdrawn
- 2015-09-29 JP JP2017513516A patent/JP6865678B2/ja active Active
- 2015-09-29 CN CN201580055357.2A patent/CN107072613B/zh active Active
- 2015-09-29 WO PCT/IB2015/057433 patent/WO2016059493A1/en active Application Filing
- 2015-09-29 RU RU2017116859A patent/RU2017116859A/ru unknown
-
2019
- 2019-01-20 US US16/252,664 patent/US20190150870A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
BR112017007383A2 (pt) | 2018-01-16 |
CN107072613A (zh) | 2017-08-18 |
US10219767B2 (en) | 2019-03-05 |
EP3206565A1 (en) | 2017-08-23 |
CN107072613B (zh) | 2021-02-26 |
JP6865678B2 (ja) | 2021-04-28 |
WO2016059493A1 (en) | 2016-04-21 |
US20190150870A1 (en) | 2019-05-23 |
JP2017532998A (ja) | 2017-11-09 |
US20180220985A1 (en) | 2018-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2017116859A (ru) | Классификация состояния исследуемой ткани на основании лонгитудинальных признаков | |
CA2905637C (en) | Systems, methods, and computer-readable media for identifying when a subject is likely to be affected by a medical condition | |
Li et al. | The secrets of salient object segmentation | |
US9510756B2 (en) | Method and system for diagnosis of attention deficit hyperactivity disorder from magnetic resonance images | |
Zhang et al. | Retinal vessel segmentation using multi-scale textons derived from keypoints | |
JP4947589B2 (ja) | 類似画像検索装置 | |
CN106446150B (zh) | 一种车辆精确检索的方法及装置 | |
JP6692049B2 (ja) | 識別装置および識別方法 | |
CN106056071B (zh) | 一种驾驶员打电话行为的检测方法及装置 | |
JP5958534B2 (ja) | 病理診断結果判定システム、病理診断結果判定方法および病理診断結果判定装置 | |
US20190385307A1 (en) | System and method for structures detection and multi-class image categorization in medical imaging | |
RU2017110538A (ru) | Системы и способы сегментации медицинских изображений на основании признаков, основанных на анатомических ориентирах | |
JP2017532998A5 (ru) | ||
RU2016148690A (ru) | Способ и система компьютерной стратификации пациентов на основе сложности случаев заболеваний | |
Casanova et al. | Texture analysis using fractal descriptors estimated by the mutual interference of color channels | |
RU2015124052A (ru) | Интегрированное фенотипирование с использованием признаков текстуры изображения | |
CN105979847A (zh) | 内窥镜图像诊断辅助系统 | |
Tang et al. | Splat feature classification: Detection of the presence of large retinal hemorrhages | |
Hobson et al. | Classifying anti-nuclear antibodies HEp-2 images: A benchmarking platform | |
RU2012103474A (ru) | Система визуализации для оптимального определения стадии рака, основанная на правилах поддержки принятия решений и индивидуальном подходе к пациенту | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
Yu et al. | A framework for hierarchical division of retinal vascular networks | |
CN108986114A (zh) | 一种基于水平集和形状描述符的腹部ct序列图像肝脏自动分割方法 | |
Yanikoglu et al. | Sabanci-Okan System at ImageClef 2012: Combining Features and Classifiers for Plant Identification. | |
Gardezi et al. | Fusion of completed local binary pattern features with curvelet features for mammogram classification |