RU2017116859A - Классификация состояния исследуемой ткани на основании лонгитудинальных признаков - Google Patents

Классификация состояния исследуемой ткани на основании лонгитудинальных признаков Download PDF

Info

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
Application number
RU2017116859A
Other languages
English (en)
Inventor
Лилла БОРОЦКИ
Рафаэль ВИМКЕР
Original Assignee
Конинклейке Филипс Н.В.
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 Конинклейке Филипс Н.В. filed Critical Конинклейке Филипс Н.В.
Publication of RU2017116859A publication Critical patent/RU2017116859A/ru

Links

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.
RU2017116859A 2014-10-13 2015-09-29 Классификация состояния исследуемой ткани на основании лонгитудинальных признаков RU2017116859A (ru)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

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