RU2684181C1 - Способ автоматизированного анализа цифровых флюорографических снимков - Google Patents
Способ автоматизированного анализа цифровых флюорографических снимков Download PDFInfo
- Publication number
- RU2684181C1 RU2684181C1 RU2018110728A RU2018110728A RU2684181C1 RU 2684181 C1 RU2684181 C1 RU 2684181C1 RU 2018110728 A RU2018110728 A RU 2018110728A RU 2018110728 A RU2018110728 A RU 2018110728A RU 2684181 C1 RU2684181 C1 RU 2684181C1
- Authority
- RU
- Russia
- Prior art keywords
- pathologies
- images
- neural networks
- networks
- digital
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 11
- 230000007170 pathology Effects 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 210000004072 lung Anatomy 0.000 abstract description 5
- 239000003814 drug Substances 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000010354 integration Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 210000002569 neuron Anatomy 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 231100001261 hazardous Toxicity 0.000 description 10
- 208000004434 Calcinosis Diseases 0.000 description 4
- 230000002308 calcification Effects 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 3
- 206010003598 Atelectasis Diseases 0.000 description 2
- 206010012713 Diaphragmatic hernia Diseases 0.000 description 2
- 206010016654 Fibrosis Diseases 0.000 description 2
- 206010048612 Hydrothorax Diseases 0.000 description 2
- 206010035600 Pleural fibrosis Diseases 0.000 description 2
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000007882 cirrhosis Effects 0.000 description 2
- 208000019425 cirrhosis of liver Diseases 0.000 description 2
- 201000005890 congenital diaphragmatic hernia Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 201000003144 pneumothorax Diseases 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 201000008827 tuberculosis Diseases 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
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
- A61B6/52—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
-
- 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
-
- 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
- A61B6/56—Details of data transmission or power supply, e.g. use of slip rings
- A61B6/563—Details of data transmission or power supply, e.g. use of slip rings involving image data transmission via a network
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03B—APPARATUS OR ARRANGEMENTS FOR TAKING PHOTOGRAPHS OR FOR PROJECTING OR VIEWING THEM; APPARATUS OR ARRANGEMENTS EMPLOYING ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ACCESSORIES THEREFOR
- G03B42/00—Obtaining records using waves other than optical waves; Visualisation of such records by using optical means
- G03B42/02—Obtaining records using waves other than optical waves; Visualisation of such records by using optical means using X-rays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
-
- 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
- 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
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
Изобретение относится к области обработки цифровых изображений в медицине и предназначено для автоматизированного выполнения флюорографических снимков грудной клетки пациента на предмет наличия изменений или патологий в области легких. Способ анализа цифровых флюорографических снимков для обнаружения патологий содержит этапы, на которых используют исходную базу флюорографических снимков с классификацией каждой области для обучения трех сверточных нейросетей. Загрузку осуществляют с помощью клиентского модуля, после которого выполняют с помощью нейросетей последовательную обработку загруженных снимков для выявления областей интереса в зависимости от отклика каждой нейросети. Полученную обработку передают в модуль анализа и объединения результатов работы сверточных сетей, которой осуществляет обработку и наложение результатов работы ансамбля нейросетей на исходный загруженный цифровой снимок для выявления патологий, причем одна из сверточных нейросетей обучена с возможностью обработки и выявления опасных патологий 1-го рода, а вторая и третья – опасных патологий 1-го рода и неопасных патологий 2-го рода. Каждая сеть обучается применением разных пороговых значений и сегментационных карт. Использование изобретения позволяет минимизировать ошибки ложных срабатываний ансамбля СНС. 3 ил.
Description
ОБЛАСТЬ ТЕХНИКИ
[1] Заявленное техническое решение относится к области обработки цифровых изображений в медицине и предназначено для автоматизированного выполнения анализа флюорографических снимков грудной клетки пациентов на предмет наличия изменений или патологий в области легких. Заявленное решение может применяться в мобильных комплексах для ускорения обработки снимков, в поликлиниках для предобработки снимков, ранжирования по степени важности для чтения снимков врачом.
УРОВЕНЬ ТЕХНИКИ
[2] Известна автоматизированная система диагностики медицинских изображений с использованием глубоких сверточных нейронных сетей (патент США 9,589,374 B1, 07.03.2017). Данное изобретение раскрывает методы применения глубоких сверточных нейронных сетей (СНС) к анализу медицинских изображений для диагностики в режиме реального времени. В приведенном изобретении применяется анализ КТ и МРТ снимков, которые обрабатываются с применением двух сверточных нейронных сетей и других программных модулей, для получения отклика с вероятностью наличия областей интереса на снимках пациента, которые необходимы для дальнейшего анализа лечащим врачом.
[3] В статье «Automatic Liver and Tumor Segmentation of CT and MRI Volumes Using Cascaded Fully Convolutional Neural Networks» (Patrick Ferdinand Christ et al. Computer Vision and Pattern Recognition (cs.CV); Artificial Intelligence (cs.AI). 20.02.2017) рассматриваются подходы к автоматизированному анализу КТ и МРТ снимков для и выявления патологий печени, при этом используется сверточная нейронная сеть U-NET типа.
[4] Известно также применение ансамбля из трех СНС для анализа медицинских изображений на предмет наличия релевантной информации, в зависимости от типа обучения СНС. В совокупности использования ансамбля из трех СНС такой подход позволяет получать более точные данные с минимизацией ошибок распознавания (Костин К.А. Магистерская диссертация «Адаптивный классификатор патологий для компьютерной диагностики заболеваний с использованием сверточных нейронных сетей по медицинским изображениям и видеоданным». 30.05.2017).
[5] Данное решение является, по своей технической сути, наиболее близким аналогом. Основным недостатком данного решения является такая настройка СНС, которая не подразумевает разделения откликов по весомым коэффициентам с их последующим перевзешиванием в слоях каждой СНС и разделением обучающей выборке по типу патологий в процессе обучения ансамбля, что приводит к достаточно высокой степени появления ошибок в ходе распознавания изменений структур на флюорографических снимках. При этом данное решение, как таковое, не используется для анализа флюорографических снимков.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
[6] Решаемой технической проблемой заявленного решения является минимизации ошибки ложных срабатываний ансамбля СНС и, соответственно, увеличение точности распознавания областей интереса при анализе графический информации, за счет нового принципа обучения ансамбля СНС и их последующей работы на основании выполненного обучения.
[7] Технический результат совпадает с решаемой технической проблемой.
[8] Благодаря автоматизированной системе время анализа флюорографических снимков значительно уменьшается, при этом точность обнаружения патологий устанавливается на высоком уровне и снижается влияние человеческого фактора.
ОПИСАНИЕ ЧЕРТЕЖЕЙ
[9] Фиг. 1 иллюстрирует систему автоматизированного анализа флюорографических снимков.
[10] Фиг. 2 иллюстрирует пример входного изображения.
[11] Фиг. 3 иллюстрирует обработанное изображение с помощью заявленной системы.
ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ
[12] Ключевая особенность технического решения заключается в способе обучения и структуре сверточной нейронной сети. Для достижения технического результата применяется:
1. Размеченная специальным образом база флюорографических снимков для обучения с классификацией каждой области.
2. Использование ансамбля из трех сверточных нейронных сетей типа U-NET с разными настройками и организацией входных данных для обучения.
3. Перевзвешивание классов в соответствии с их важностью в выборке.
4. Комбинация выходных изображений для увеличения обучающей базы.
[13] Первая сеть настроена на работу только с опасными областями (патологии 1го рода), вторая и третья сети - со всеми областями, но с разными порогами и архитектурой.
[14] Области разбиты на две группы: опасные и неопасные. Все области в группах классифицированы по типам патологий. Использовалась следующая классификация:
Патологии 1го рода (опасные)
I. Инфильтрация (фокус) – свыше 1,5 см.
II. Полость
III. Пневмоторакс
IV. Гидроторакс
V. Очаг
VI. Патологические изменения корней лёгких
VII. Уровень жидкости
VIII. Очаги
Патологии 2го рода (неопасные)
I. Интерстициальные изменения в лёгочной паренхиме
II. Цирроз
III. Фиброторакс
IV. Изменения плевры
V. Кальцинаты / обызвествления
VI. Диафрагмальная грыжа
VII. Изменения в костях
VIII. Цепочки металлических швов
IX. Инородные тела
X. Участок повышенной прозрачности (не полость)
XI. Ателектаз
XII. Изменения в органах средостения
[15] На Фиг. 1 представлен вид системы по автоматизированному анализу флюорографических снимков.
поз. 1 – входное изображение (цифровой флюорографический снимок)
поз. 2 – клиентский модуль для удаленного анализа изображений (работа возможна и без него)
поз. 3 – модуль загрузки изображений
поз. 4 – сверточная нейронная сеть №1
поз. 5 – сверточная нейронная сеть №2
поз. 6 – сверточная нейронная сеть №3
поз. 7 – модуль анализа и объединения результатов работы сверточных сетей, вывод изображений
поз. 8 – обработанное изображение.
[16] Система автоматизированного анализа флюорографических снимков представляет собой программное обеспечение. Для реализации используются библиотеки для машинного обучения TensorFlow и Keras. ПО может работать на любом современном компьютере с графическим процессором от Nvidia или на мобильных платформах Jetson TX2.
[17] Автоматизированный анализ флюорографических снимков выполняется с помощью трех сверточных нейронных сетей типа U-NET. Для обучения подготовлена специальная база снимков. На снимках отмечены области с изменениями структуры легких, которые свидетельствуют о наличии туберкулеза или других патологиях, как опасных для здоровья человека, так и неопасных. Области разбиты на две группы: опасные и неопасные. Все области в группах классифицированы по типам патологий. Использовалась следующая классификация:
Патологии 1го рода (опасные)
I. Инфильтрация (фокус) – свыше 1,5 см.
II. Полость
III. Пневмоторакс
IV. Гидроторакс
V. Очаг
VI. Патологические изменения корней лёгких
VII. Уровень жидкости
VIII. Очаги
Патологии 2го рода (неопасные)
I. Интерстициальные изменения в лёгочной паренхиме
II. Цирроз
III. Фиброторакс
IV. Изменения плевры
V. Кальцинаты / обызвествления
VI. Диафрагмальная грыжа
VII. Изменения в костях
VIII. Цепочки металлических швов
IX. Инородные тела
X. Участок повышенной прозрачности (не полость)
XI. Ателектаз
XII. Изменения в органах средостения.
[18] На Фиг. 2 представлен пример входного изображения. Для увеличения базы применялись трансформации к входным изображениям. Из отмеченных областей формируются сегментационные карты и подаются на вход обучения вместе с исходными изображениями.
[19] На вход первой сети подаются карты только с опасными областями, на вход второй и третей, карты со всеми областями, но они имеют разные пороги и архитектуру. Архитектура: Unet (8 сфорачивающих слоёв, 8 разворачивающих слоёв, 32 стартовых фильтра, каждый слой x1.5 фильтров на свёртке, x1.5 фильтров на разворачивании. Вход - 1 канал, выход - 1 канал). Подбор пороговых значений осуществляется экспериментально по картине на выходе.
[20] В процессе обучения веса в слоях перевзвешиваются для лучшей сходимости, на основании достоверности того что отмечают врачи (данные от врачей/сравнение разных разметок). Происходит выбор более и менее достоверных классов. В обученную сеть на вход подается исходное изображение, а на выходе получается три сегментационных карты с весами в каждом пикселе всего изображения, но карты активны только в тех местах, где происходит выделение патологий.
[21] В остальных точках вероятность изменений близка к нулю. Данные карты обрабатываются, выделаются области с повышенным откликом, характеризующие в разных слоях, патологии разного типа, их площадь и вес, результаты сравниваются с порогами, которые экспериментально подобраны и установлены для каждой сети.
[22] Обработка отклика нейронной сети происходит без нейронной сети, «вручную». Ищется общая энергетика отклика, максимальный отклик и оценивается площадь превышения пороговых значений. Все пороги и алгоритмы подобранны эмпирически.
[23] Загрузка изображения (цифрового флюорографического снимка) на обработку происходить с помощью специального программного модуля 3. Изображение поочередно обрабатывается каждой сверточной нейронной сетью, каждая из которых на основании полученного в ходе обучения опыта выдает суждение, при наличие подозрительного участка, подсвечивает его. Следующий программный модуль 7 собирает результаты работы всех трех сетей, объединяет их и накладывает на исходное изображение. Модуль вывода изображения 8 выводит обработанный снимок с выделенным патологическим участком, в случае его наличия. Отклик от сетей отображается разным цветом и разной интенсивностью в зависимости от величины отклика.
[24] Фиг. 3 иллюстрирует пример работы системы по обработке изображений. Анализ изображений может выполняться как локально, так и дистанционно. Для дистанционного доступа используется клиентский модуль 2. В качестве модуля 2 может применяться любое пригодное компьютерное устройство (персональный компьютер, ноутбук, планшет и т.п.).
[25] Данный способ возможен только при доступе к сети Интернет. В этом случае клиентская часть программы 2 удаленно подключается к серверу, где развернута система автоматизированного анализа флюорографических снимков и реализует передачу изображения для анализа, а также прием и вывод результата обработки.
Claims (6)
- Способ анализа цифровых флюорографических снимков для обнаружения патологий, содержащий этапы, на которых:
- - используют исходную базу флюорографических снимков с классификацией каждой области для обучения трех сверточных нейросетей,
- - осуществляют с помощью клиентского модуля загрузку по меньшей мере одного цифрового флюорографического снимка в сверточные нейросети;
- - выполняют с помощью упомянутых нейросетей последовательную обработку загруженного одного или более цифровых флюорографических снимков для выявления областей интереса в зависимости от отклика каждой нейросети;
- - полученную обработку в ходе отклика нейросетей передают в модуль анализа и объединения результатов работы сверточных сетей, который осуществляет обработку и наложение результатов работы ансамбля нейросетей на исходный загруженный цифровой снимок для выявления патологий при их наличии;
- отличающийся тем, что одна из сверточных нейросетей обучена с возможностью обработки и выявления опасных патологий 1-го рода, а вторая и третья обучены с возможностью обработки опасных патологий 1-го рода и неопасных патологий 2-го рода, причем каждая сеть обучается с применением разных пороговых значений и сегментационных карт, сформированных из отмеченных областей по меньшей мере одного исходного флюорографического снимка для обучения.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018110728A RU2684181C1 (ru) | 2018-03-27 | 2018-03-27 | Способ автоматизированного анализа цифровых флюорографических снимков |
| PCT/RU2019/050035 WO2019190358A1 (ru) | 2018-03-27 | 2019-03-27 | Способ автоматизированного анализа цифровых флюорографических снимков |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018110728A RU2684181C1 (ru) | 2018-03-27 | 2018-03-27 | Способ автоматизированного анализа цифровых флюорографических снимков |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2684181C1 true RU2684181C1 (ru) | 2019-04-04 |
Family
ID=66089777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2018110728A RU2684181C1 (ru) | 2018-03-27 | 2018-03-27 | Способ автоматизированного анализа цифровых флюорографических снимков |
Country Status (2)
| Country | Link |
|---|---|
| RU (1) | RU2684181C1 (ru) |
| WO (1) | WO2019190358A1 (ru) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1995016247A1 (en) * | 1993-12-09 | 1995-06-15 | The Royal Holloway And Bedford New College | Automatic monitoring system |
| US9589374B1 (en) * | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
| WO2017055412A1 (en) * | 2015-09-30 | 2017-04-06 | Siemens Healthcare Gmbh | Method and system for classification of endoscopic images using deep decision networks |
| US20170286769A1 (en) * | 2005-09-05 | 2017-10-05 | Alpvision S.A. | Means for using microstructure of materials surface as a unique identifier |
| US20180071452A1 (en) * | 2016-09-13 | 2018-03-15 | Siemens Healthcare Gmbh | System and Method for Optimizing Contrast Imaging of a Patient |
-
2018
- 2018-03-27 RU RU2018110728A patent/RU2684181C1/ru active
-
2019
- 2019-03-27 WO PCT/RU2019/050035 patent/WO2019190358A1/ru active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1995016247A1 (en) * | 1993-12-09 | 1995-06-15 | The Royal Holloway And Bedford New College | Automatic monitoring system |
| US20170286769A1 (en) * | 2005-09-05 | 2017-10-05 | Alpvision S.A. | Means for using microstructure of materials surface as a unique identifier |
| WO2017055412A1 (en) * | 2015-09-30 | 2017-04-06 | Siemens Healthcare Gmbh | Method and system for classification of endoscopic images using deep decision networks |
| US9589374B1 (en) * | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
| US20180071452A1 (en) * | 2016-09-13 | 2018-03-15 | Siemens Healthcare Gmbh | System and Method for Optimizing Contrast Imaging of a Patient |
Non-Patent Citations (1)
| Title |
|---|
| Костин К.А. Магистерская диссертация "Адаптивный классификатор патологий для компьютерной диагностики заболеваний с использованием сверточных нейронных сетей по медицинским изображениям и видеоданным" - Томск, 30.05.2017. * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019190358A1 (ru) | 2019-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shaziya et al. | Automatic lung segmentation on thoracic CT scans using U-net convolutional network | |
| CN111325739B (zh) | 肺部病灶检测的方法及装置，和图像检测模型的训练方法 | |
| EP3992851A1 (en) | Image classification method, apparatus and device, storage medium, and medical electronic device | |
| CN109523535B (zh) | 一种病变图像的预处理方法 | |
| Mira et al. | Early Diagnosis of Oral Cancer Using Image Processing and Artificial Intelligence | |
| Murakami et al. | Automatic identification of bone erosions in rheumatoid arthritis from hand radiographs based on deep convolutional neural network | |
| CN110600122A (zh) | 一种消化道影像的处理方法、装置、以及医疗系统 | |
| CN109124662B (zh) | 肋骨中心线检测装置及方法 | |
| JP2002157593A (ja) | 異常陰影検出方法および装置 | |
| US20220301159A1 (en) | Artificial intelligence-based colonoscopic image diagnosis assisting system and method | |
| CN111815766A (zh) | 基于2d-dsa图像重建血管三维模型处理方法及系统 | |
| Goyal et al. | A refined deep learning architecture for diabetic foot ulcers detection | |
| US20230206435A1 (en) | Artificial intelligence-based gastroscopy diagnosis supporting system and method for improving gastrointestinal disease detection rate | |
| CN113450305B (zh) | 医疗图像的处理方法、系统、设备及可读存储介质 | |
| CN110930373A (zh) | 一种基于神经网络的肺炎识别装置 | |
| Kim et al. | Asbestosis diagnosis algorithm combining the lung segmentation method and deep learning model in computed tomography image | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| CN111524109A (zh) | 头部医学影像的评分方法和装置、电子设备及存储介质 | |
| CN111127371B (zh) | 图像增强参数自动优化方法、存储介质和x射线扫描装置 | |
| CN112767403A (zh) | 医学影像分割模型训练方法、医学影像分割方法及装置 | |
| RU2684181C1 (ru) | Способ автоматизированного анализа цифровых флюорографических снимков | |
| Jiang et al. | A hybrid enhanced attention transformer network for medical ultrasound image segmentation | |
| Smith et al. | Detection of fracture and quantitative assessment of displacement measures in pelvic X-RAY images | |
| Ahmed et al. | Deep learning based automated detection of intraretinal cystoid fluid | |
| Dandıl et al. | A Mask R-CNN based Approach for Automatic Lung Segmentation in Computed Tomography Scans |