TWI614624B - 雲端醫療影像分析系統與方法 - Google Patents
雲端醫療影像分析系統與方法 Download PDFInfo
- Publication number
- TWI614624B TWI614624B TW106113572A TW106113572A TWI614624B TW I614624 B TWI614624 B TW I614624B TW 106113572 A TW106113572 A TW 106113572A TW 106113572 A TW106113572 A TW 106113572A TW I614624 B TWI614624 B TW I614624B
- Authority
- TW
- Taiwan
- Prior art keywords
- analysis
- module
- medical image
- electronic device
- cloud
- Prior art date
Links
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/20—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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本發明提出一種雲端醫療影像分析系統與方法。此雲端醫療影像分析系統具有雲端醫療分析平台與電子裝置。電子裝置取得醫療影像。電子裝置對醫療影像進行量化以取得第一特徵值。電子裝置傳送第一特徵值至雲端醫療分析平台。雲端醫療分析平台將第一特徵值輸入至分析模組以取得分析結果,其中分析模組使用自我學習模型且分析模組藉由多個訓練影像進行訓練。雲端醫療分析平台傳送分析結果至電子裝置。
Description
本發明是有關於一種雲端醫療影像分析系統與方法。
一般來說,在醫療的領域中,通常會使用電腦輔助偵測(Computer Aided Detection, CADe)模組來偵測可疑的病灶或使用電腦輔助診斷(Computer Aided Diagnosis, CADx)模組來判斷病灶的特性。然而,執行電腦輔助偵測模組與電腦輔助診斷模組通常需要較大的運算量,因此若要使用電腦輔助偵測模組與電腦輔助診斷模組來取得診斷結果,通常需要耗費許多的運算資源與時間。
本發明提供一種雲端醫療影像分析系統與方法,透過雲端運算的方式,傳送醫療影像的特徵值至雲端醫療分析平台運算,藉此可以降低資料的傳輸量與執行電腦輔助偵測模組與電腦輔助診斷模組的運算時間。
本發明提出一種雲端醫療影像分析系統。此醫療影像分析系統具有雲端醫療分析平台與電子裝置。電子裝置取得醫療影像,電子裝置對醫療影像進行量化以取得第一特徵值,電子裝置傳送第一特徵值至雲端醫療分析平台,雲端醫療分析平台將第一特徵值輸入至分析模組以取得分析結果,雲端醫療分析平台傳送分析結果至電子裝置,其中分析模組使用自我學習模型(例如深度學習模型)且分析模組藉由多個訓練影像進行訓練。
本發明提出一種雲端醫療影像分析方法。此方法用於具有雲端醫療分析平台與電子裝置的雲端醫療影像分析系統。所述方法包括:藉由電子裝置取得醫療影像;藉由電子裝置對醫療影像進行量化以取得第一特徵值;藉由電子裝置傳送第一特徵值至雲端醫療分析平台;藉由雲端醫療分析平台將第一特徵值輸入至分析模組以取得分析結果;以及藉由雲端醫療分析平台傳送分析結果至電子裝置,其中分析模組使用自我學習模型(例如深度學習模型)且分析模組藉由多個訓練影像進行訓練。
基於上述,本發明的雲端醫療影像分析系統與方法可以藉由電子裝置根據醫療影像產生特徵值,而雲端醫療分析平台根據此特徵值來執行電腦輔助偵測模組及/或電腦輔助診斷模組的功能,並回傳腫瘤的位置及/或腫瘤的診斷結果給電子裝置,甚至雲端醫療分析平台亦可基於來自電子裝置的反饋而具有自我學習的機制,從而優化雲端醫療分析平台。藉由此方式,電子裝置可以不用實際執行電腦輔助偵測模組及/或電腦輔助診斷模組,可以有效地降低電子裝置的運算量。此外,由於電子裝置僅需傳送特徵值至雲端醫療分析平台進行分析,電子裝置不需要傳送完整的醫療影像至雲端醫療分析平台,故可以有效地降低資料的傳輸量,並且可以降低系統的回應時間。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
圖1是依據本發明一實施例所繪示的雲端醫療影像分析系統的示意圖。請參照圖1,雲端醫療影像分析系統1000可以包括電子裝置100以及雲端醫療分析平台120。電子裝置100以及雲端醫療分析平台120兩者可以透過有線或無線的網路進行通訊。
圖2是依照本發明一實施例所繪示的電子裝置的方塊圖。請參照圖2,電子裝置100包括處理單元20、通訊單元22以及儲存單元24。其中,通訊單元22以及儲存單元24分別耦接至處理單元20。電子裝置100例如是手機、平板電腦、筆記型電腦、機器人等電子裝置,在此不設限。
處理單元20可以是中央處理單元(Central Processing Unit,CPU),或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、數位信號處理器(Digital Signal Processor,DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuit,ASIC)或其他類似元件或上述元件的組合。
通訊單元22可為支援全球行動通信(global system for mobile communication, GSM)、個人手持式電話系統(personal handy-phone system, PHS)、碼多重擷取(code division multiple access, CDMA)系統、寬頻碼分多址(wideband code division multiple access, WCDMA)系統、長期演進(long term evolution, LTE)系統、全球互通微波存取(worldwide interoperability for microwave access, WiMAX)系統、無線保真(wireless fidelity, Wi-Fi)系統或藍牙的信號傳輸的元件。
儲存單元24可以是任何型態的固定或可移動隨機存取記憶體(random access memory,RAM)、唯讀記憶體(read-only memory,ROM)、快閃記憶體(flash memory)或類似元件或上述元件的組合。
在本範例實施例中,電子裝置100的儲存單元24中儲存有多個程式碼片段,在上述程式碼片段被安裝後,會由處理單元20來執行。例如,儲存單元24中包括影像輸入模組24a以及特徵值取得模組24b,藉由這些模組來分別執行電子裝置100應用於雲端醫療影像分析系統1000中的各個運作,其中各模組是由一或多個程式碼片段所組成。然而本發明不限於此,電子裝置100的各個運作也可以是使用其他硬體形式的方式來實現。
在此須說明的是,電子裝置100可以連接至影像取得(擷取)裝置200,影像取得裝置200例如是超音波掃描裝置、磁共振顯影(Magnetic resonance imaging; MRI)、數位乳房斷層層析(digital breast tomosynthesis; DBT)、手持式超音波掃描器或自動乳房超音波系統(Automated breast ultrasound system, ABUS)來對患者進行掃描並取得醫療影像。然而,在另一實施例中,影像取得裝置200也可以是直接地整合在電子裝置100中,電子裝置100例如可以直接地以超音波掃描裝置、磁共振顯影(Magnetic resonance imaging; MRI)、數位乳房斷層層析(digital breast tomosynthesis; DBT)、手持式超音波掃描器或自動乳房超音波系統(ABUS)的形式實作,並且電子裝置100可以直接地對患者進行掃描以取得醫療影像。而在另一實施例中,電子裝置100也可以是藉由其他的方式來取得上述的醫療影像,本發明並不用於限定電子裝置100取得醫療影像的取得方式。
儲存單元24中的影像輸入模組24a用以取得至少一片段的醫療影像。在本範例實施例中,醫療影像為乳房影像,此乳房影像可以是由上述影像取得裝置200所取得的自動乳房超音波(automated breast ultrasound;ABUS)、數位乳房斷層層析(digital breast tomosynthesis;DBT)、磁共振顯影(magnetic resonance imaging:MRI)等針對乳房部位的二維或三維醫療影像。在篩檢中,三維影像技術可為癌症風險提供更加可靠乳房密度評估,但本發明實施例不僅限於三維影像。而在另一實施例中,影像輸入模組24a也可自儲存單元24、透過通訊單元22(例如,Wi-Fi、乙太網路(Ethernet))、醫學影像掃描器(例如,ABUS掃描儀器、MRI掃描儀器等)或儲存裝置(例如,DVD、隨身碟、硬碟等)取得醫療影像。
圖3是依照本發明一實施例所繪示的雲端醫療分析平台的方塊圖。請參照圖3,本實施例的雲端醫療分析平台120包括處理單元30、通訊單元32以及儲存單元34。其中,通訊單元32以及儲存單元34分別耦接至處理單元30。處理單元30、通訊單元32以及儲存單元34可以分別是與上述處理單元20、通訊單元22以及儲存單元24相類似的元件,在此並再不贅述。此外,雲端醫療分析平台120例如是手機、平板電腦、筆記型電腦、機器人或伺服器等,在此不設限。在本範例實施例中,雲端醫療分析平台120可以是運算能力優於電子裝置100的一伺服器。
在本範例實施例中,雲端醫療分析平台120的儲存單元34中儲存有多個程式碼片段,在上述程式碼片段被安裝後,會由處理單元30來執行。例如,儲存單元34中包括具有電腦輔助偵測模組36a與電腦輔助診斷模組36b的分析模組36,處理單元30會運行分析模組36中的電腦輔助偵測模組36a與電腦輔助診斷模組36b來分別執行雲端醫療分析平台120應用於雲端醫療影像分析系統1000中的各個運作,其中各模組是由一或多個程式碼片段所組成。然而本發明不限於此,雲端醫療分析平台120的各個運作也可以是使用其他硬體形式的方式來實現。
圖4是依照本發明一實施例所繪示的雲端醫療影像分析方法的流程圖。
請同時參照圖1至圖4,圖4的雲端醫療影像分析方法可以應用於上述圖1中的雲端醫療影像分析系統1000。在步驟S401中,電子裝置100的影像輸入模組24a可以取得醫療影像。在本範例實施例中,醫療影像為一超音波影像。然而,在其他範例實施例中,醫療影像也可以是依實際應用需求而為其他類型的影像。
接著,在步驟S403中,電子裝置100可以藉由特徵值取得模組24b對此醫療影像進行量化以取得特徵值(亦稱為,第一特徵值)。
舉例來說,當電子裝置100取得醫療影像後,特徵值取得模組24b例如可以對醫療影像進行前處理(例如:組織分群、像素分群等),並且將經前處理後的醫療影像的特徵進行量化。其中,醫療影像的特徵例如是紋理、亮度或形狀等特徵。然而本發明並不用於限定上述前處理的形式以及醫療影像中的特徵。在另一實施例中,當電腦輔助偵測模組36a與電腦輔助診斷模組36b是使用區域方面(region-wise)的演算法來進行運算時,特徵值取得模組24b可以對應地使用分水嶺(watershed)演算法來對醫療影像作切割以產生多個區域的醫療影像,特徵值取得模組24b可以對該些區域的醫療影像進行量化以產生對應的特徵值。在又一實施例中,當電腦輔助偵測模組36a與電腦輔助診斷模組36b是使用像素方面(pixel-wise)的演算法來進行運算時,特徵值取得模組24b可以對應地對醫療影像中的每個像素進行量化以產生對應的特徵值。
接著,在步驟S405中,電子裝置100傳送此第一特徵值至雲端醫療分析平台120。在步驟S407中,雲端醫療分析平台120會將第一特徵值輸入至分析模組36中的電腦輔助偵測模組36a以及電腦輔助診斷模組36b的至少其中之一以取得一分析結果。最後在步驟S409中,雲端醫療分析平台120會傳送此分析結果至電子裝置100。
在此須說明的是,在本發明的範例實施例中,分析模組36的電腦輔助偵測模組36a以及電腦輔助診斷模組36b可以分別使用自我學習模型(例如深度學習模型,但並不限制於此)來進行實作並藉由多個訓練影像來對深度學習模型進行訓練。在一實施例中,深度學習模型是使用多解析度卷積神經網路(Multi-Resolution Convolutional Neural Network)。一般來說,深度學習模型中會包括多個層,例如多個卷積層(convolution layer)、多個池化層(pooling layer)以及多個全連接層(fully-connected layer)。而上述多個層的運算時常需要使用具有較佳的運算能力的裝置來執行才能有效地降低處理的時間。因此,當雲端醫療分析平台120的運算能力優於電子裝置100的運算能力時,可以讓雲端醫療分析平台120使用深度學習模型來執行電腦輔助偵測模組36a或電腦輔助診斷模組36b的功能。再者,由於電子裝置100僅傳送特徵值至雲端醫療分析平台120進行分析,電子裝置100不需要傳送完整的醫療影像至雲端醫療分析平台120,故可以有效地降低資料的傳輸量,提高系統的效能。
特別是,在一範例實施例中,分析模組36的深度學習模型中部分的層也可以先交由電子裝置100來執行。例如,在上述步驟S403中,電子裝置100的特徵值取得模組24b可以將醫療影像輸入至深度學習模型中一部分的層以取得上述的第一特徵值。當雲端醫療分析平台120取得第一特徵值後,可以在步驟S407中將第一特徵值輸入至深度學習模型中另一部分的層以取得分析結果。藉由此方式,可以提高深度學習模組的運作效能,並且讓雲端醫療影像分析系統1000的運作更有彈性。
然而須注意的是,本發明並不用於限定分析模組36中電腦輔助偵測模組36a以及電腦輔助診斷模組36b的實作方式,在另一實施例中,電腦輔助偵測模組36a以及電腦輔助診斷模組36b也可以依實際應用需求而分別使用機器學習演算法(例如,邏輯迴歸、支援向量機等)來進行實作並藉由多個訓練影像進行訓練。
為了更清楚地描述雲端醫療影像分析系統1000的運作方式,以下分別使用多個實施例來進行說明。
[第一實施例]
請同時參照圖1至圖3,在本發明的第一實施例中,電子裝置100可以藉由影像輸入模組24a取得一醫療影像。之後,電子裝置100可以透過上述產生第一特徵值的方式來根據醫療影像取得特徵值。在取得上述的特徵值後,電子裝置100可以採有線或無線的方式傳送特徵值至雲端醫療分析平台120。雲端醫療分析平台120會將所接收到的特徵值輸入至分析模組36中的電腦輔助偵測模組36a以產生分析結果。其中,電腦輔助偵測模組36a是用以根據上述的特徵值判斷醫療影像中腫瘤的位置並產生對應的分析結果。也就是說,電腦輔助偵測模組36a所產生的分析結果用於表示上述醫療影像中腫瘤的位置。
之後,雲端醫療分析平台120可以傳送分析結果至電子裝置100。電子裝置100可以藉由其本身的人機顯示介面(例如,觸控顯示螢幕(未繪示))來進行顯示以讓使用者(例如,醫生)了解醫療影像中腫瘤的位置。
然而須注意的是,電子裝置100也可以根據分析結果傳送回饋訊息至雲端醫療分析平台120。雲端醫療分析平台120使用此回饋訊息與上述醫療影像的第一特徵值讓電腦輔助偵測模組36a自我學習。例如,分析結果中可能會有誤判的腫瘤位置或未判斷出的腫瘤位置,而電子裝置100的使用者(例如,醫生)可以在回饋訊息中加入關於誤判的腫瘤位置以及圈選出未判斷出的腫瘤位置,雲端醫療分析平台120可以根據此回饋訊息讓電腦輔助偵測模組36a自我學習。
也就是說,在第一實施例中,電子裝置100可以取得特徵值。雲端醫療分析平台120會根據電子裝置100所傳送的特徵值來執行電腦輔助偵測模組36a並產生分析結果。電子裝置100的使用者可以根據分析結果得知醫療影像中腫瘤的位置,並且可以提供回饋訊息給雲端醫療分析平台120以讓電腦輔助偵測模組36a自我學習。
[第二實施例]
請同時參照圖1至圖3,在本發明的第二實施例中,電子裝置100可以藉由影像輸入模組24a取得一醫療影像。特別是,第二實施例中的醫療影像是腫瘤區域的醫療影像。例如,電子裝置100可以藉由第一實施例所回傳的分析結果得知腫瘤的位置,電子裝置100可以根據腫瘤的位置對第一實施例中的醫療影像進行切割以擷取腫瘤區域的醫療影像,以當作第二實施例的醫療影像。
在取得第二實施例的醫療影像後,電子裝置100可以透過上述產生第一特徵值的方式來根據醫療影像取得特徵值並傳送此特徵值至雲端醫療分析平台120。雲端醫療分析平台120會將所接收到的特徵值輸入至分析模組36中的電腦輔助診斷模組36b以產生分析結果。其中,電腦輔助診斷模組36b是用以根據上述的特徵值判斷醫療影像中的腫瘤為良性或惡性,並產生對應的分析結果。也就是說,電腦輔助診斷模組36b所產生的分析結果用於表示第二實施例的醫療影像中的腫瘤為良性或惡性。
之後,雲端醫療分析平台120可以傳送分析結果至電子裝置100。電子裝置100可以藉由其本身的人機顯示介面(例如,觸控顯示螢幕(未繪示))來進行顯示,以讓使用者(例如,醫生)了解醫療影像中的腫瘤為良性或惡性。
然而須注意的是,電子裝置100也可以根據分析結果傳送回饋訊息至雲端醫療分析平台120。雲端醫療分析平台120使用此回饋訊息與上述醫療影像的第一特徵值讓電腦輔助診斷模組36b自我學習。例如,分析結果中可能會有將惡性的腫瘤誤判為良性或將良性的腫瘤誤判為惡性。電子裝置100的使用者(例如,醫生)可以在回饋訊息中加入正確的判斷結果,雲端醫療分析平台120可以根據此回饋訊息讓電腦輔助診斷模組36b自我學習。
也就是說,在第二實施例中,電子裝置100可以取得特徵值。雲端醫療分析平台120會根據電子裝置100所傳送的特徵值來執行電腦輔助診斷模組36b並產生分析結果。電子裝置100的使用者(例如,醫生)可以根據分析結果得知醫療影像中的腫瘤為良性或惡性,並且可以提供回饋訊息給雲端醫療分析平台120讓電腦輔助診斷模組36b自我學習。
[第三實施例]
請同時參照圖1至圖3,在本發明的第三實施例中,電子裝置100可以藉由影像輸入模組24a取得一醫療影像,此醫療影像例如是第一實施例的醫療影像。在取得醫療影像後,電子裝置100可以透過上述產生第一特徵值的方式來根據醫療影像取得特徵值。在取得上述的特徵值後,電子裝置100可以傳送特徵值至雲端醫療分析平台120。雲端醫療分析平台120會將所接收到的特徵值輸入至分析模組36中的電腦輔助偵測模組36a以判斷醫療影像中腫瘤的位置。
舉例來說,當電腦輔助偵測模組36a是使用區域方面(region-wise)的演算法來進行運算時,電腦輔助偵測模組36a可以使用從電子裝置100所取得的特徵值,判斷此特徵值所對應的醫療影像中腫瘤的位置。當電腦輔助偵測模組36a是使用像素方面(pixel-wise)的演算法來進行運算時,電腦輔助偵測模組36a可以使用從電子裝置100所取得的特徵值,判斷此特徵值所對應的醫療影像中的各個像素是否為腫瘤,並進而將可能為腫瘤的像素所組成的區域的位置判斷為腫瘤的位置。
當判斷出醫療影像中腫瘤的位置時,代表醫療影像中可能有腫瘤。此時,電腦輔助偵測模組36a可以根據所接收到的特徵值,再產生一第二特徵值。其中,此第二特徵值例如是相同於電腦輔助偵測模組36a從電子裝置100接收的特徵值或者是另外再經處理後所產生的特徵值,在此並不作限制。
之後,電腦輔助偵測模組36a會將上述的第二特徵值傳送給電腦輔助診斷模組36b。電腦輔助診斷模組36b會根據第二特徵值產生分析結果。其中,電腦輔助診斷模組36b是用以根據上述的第二特徵值判斷醫療影像中的腫瘤為良性或惡性,並產生對應的分析結果。也就是說,電腦輔助診斷模組36b所產生的分析結果用於表示醫療影像中的腫瘤為良性或惡性。
之後,雲端醫療分析平台120可以傳送分析結果至電子裝置100。電子裝置100可以藉由其本身的人機顯示介面(例如,觸控顯示螢幕(未繪示))來進行顯示,以讓使用者(例如,醫生)了解醫療影像中的腫瘤為良性或惡性。
類似地,電子裝置100也可以根據分析結果傳送回饋訊息至雲端醫療分析平台120,以使雲端醫療分析平台120根據此回饋訊息與上述醫療影像的第二特徵值讓電腦輔助診斷模組36b自我學習。
也就是說,在第三實施例中,電子裝置100可以取得特徵值。雲端醫療分析平台120會根據電子裝置100所傳送的特徵值來分別執行電腦輔助偵測模組36a與電腦輔助診斷模組36b並產生分析結果。電子裝置100的使用者(例如,醫生)可以根據分析結果得知醫療影像中的腫瘤為良性或惡性,並且可以提供回饋訊息給雲端醫療分析平台120讓電腦輔助診斷模組36b自我學習。
綜上所述,本發明的雲端醫療影像分析系統與方法可以藉由電子裝置根據醫療影像產生特徵值,而雲端醫療分析平台根據此特徵值來執行電腦輔助偵測模組及/或電腦輔助診斷模組的功能,並回傳腫瘤的位置及/或腫瘤的診斷結果給電子裝置,甚至雲端醫療分析平台亦可基於來自電子裝置的反饋而具有自我學習的機制,從而優化雲端醫療分析平台。藉由此方式,電子裝置可以不用實際執行電腦輔助偵測模組及/或電腦輔助診斷模組,可以有效地降低電子裝置的運算量。此外,由於電子裝置僅需傳送特徵值至雲端醫療分析平台進行分析,電子裝置不需要傳送完整的醫療影像至雲端醫療分析平台,故可以有效地降低資料的傳輸量,並且可以降低系統的回應時間。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
1000‧‧‧雲端醫療影像分析系統
100‧‧‧電子裝置
120‧‧‧雲端醫療分析平台
200‧‧‧影像取得裝置
20、30‧‧‧處理單元
22、32‧‧‧通訊單元
24、34‧‧‧儲存單元
24a‧‧‧影像輸入模組
24b‧‧‧特徵值取得模組
36‧‧‧分析模組
36a‧‧‧電腦輔助偵測模組
36b‧‧‧電腦輔助診斷模組
S401‧‧‧電子裝置取得醫療影像的步驟
S403‧‧‧電子裝置對醫療影像進行量化以取得第一特徵值的步驟
S405‧‧‧電子裝置傳送第一特徵值至雲端醫療分析平台的步驟
S407‧‧‧雲端醫療分析平台將第一特徵值輸入至分析模組以取得分析結果的步驟
S409‧‧‧雲端醫療分析平台傳送分析結果至電子裝置的步驟
圖1是依據本發明一實施例所繪示的雲端醫療影像分析系統的示意圖。 圖2是依照本發明一實施例所繪示的電子裝置的方塊圖。 圖3是依照本發明一實施例所繪示的雲端醫療分析平台的方塊圖。 圖4是依照本發明一實施例所繪示的雲端醫療影像分析方法的流程圖。
S401‧‧‧電子裝置取得醫療影像的步驟
S403‧‧‧電子裝置對醫療影像進行量化以取得第一特徵值的步驟
S405‧‧‧電子裝置傳送第一特徵值至雲端醫療分析平台的步驟
S407‧‧‧雲端醫療分析平台將第一特徵值輸入至分析模組以取得分析結果的步驟
S409‧‧‧雲端醫療分析平台傳送分析結果至電子裝置的步驟
Claims (12)
- 一種雲端醫療影像分析系統,包括:一雲端醫療分析平台,具有一分析模組;以及一電子裝置,其中該電子裝置取得一醫療影像,該電子裝置對該醫療影像進行量化以取得一第一特徵值,該電子裝置傳送該第一特徵值至該雲端醫療分析平台,該雲端醫療分析平台將該第一特徵值輸入至該分析模組以取得一分析結果,以及該雲端醫療分析平台傳送該分析結果至該電子裝置,其中該分析模組使用一自我學習模型且該分析模組藉由多個訓練影像進行訓練,其中該自我學習模型包括一深度學習模型,在該電子裝置對該醫療影像進行量化以取得該第一特徵值的運作中,該電子裝置的一特徵值取得模組將該醫療影像輸入至該深度學習模型中一部分的層(layer)以取得該第一特徵值,在該雲端醫療分析平台將該第一特徵值輸入至該分析模組以取得該分析結果的運作中,該雲端醫療分析平台的該分析模組將該第一特徵值輸入至該深度學習模型中另一部分的層(layer)以取得該分析結果。
- 如申請專利範圍第1項所述的雲端醫療影像分析系統,其中該自我學習模型包括一深度學習模型,該深度學習模型使用一多解析度卷積神經網路(Multi-Resolution Convolutional Neural Network)。
- 如申請專利範圍第1項所述的雲端醫療影像分析系統,其中該分析模組包括一電腦輔助偵測(Computer Aided Detection,CADe)模組,其中該分析結果用於表示該醫療影像中一腫瘤的位置,該腫瘤的位置是經由該電腦輔助偵測模組所判斷出。
- 如申請專利範圍第1項所述的雲端醫療影像分析系統,其中該分析模組包括一電腦輔助診斷(Computer Aided Diagnosis,CADx)模組,其中該分析結果用於表示該醫療影像中的一腫瘤為良性或惡性,該腫瘤為良性或惡性是經由該電腦輔助診斷模組所判斷出。
- 如申請專利範圍第1項所述的雲端醫療影像分析系統,其中該分析模組包括一電腦輔助偵測模組以及一電腦輔助診斷模組,該電腦輔助偵測模組根據該第一特徵值取得一第二特徵值,該電腦輔助診斷模組根據該第二特徵值產生該分析結果,其中該分析結果用於表示該醫療影像中的一腫瘤為良性或惡性。
- 如申請專利範圍第1項所述的雲端醫療影像分析系統,其中 該電子裝置根據該分析結果傳送一回饋訊息至該雲端醫療分析平台,該雲端醫療分析平台使用該回饋訊息與該醫療影像的該第一特徵值讓該分析模組自我學習。
- 一種雲端醫療影像分析方法,用於具有一雲端醫療分析平台與一電子裝置的一雲端醫療影像分析系統,其中該雲端醫療分析平台具有一分析模組,此方法包括:藉由該電子裝置取得一醫療影像;藉由該電子裝置對該醫療影像進行量化以取得一第一特徵值;藉由該電子裝置傳送該第一特徵值至該雲端醫療分析平台;藉由該雲端醫療分析平台將該第一特徵值輸入至該分析模組以取得一分析結果;以及藉由該雲端醫療分析平台傳送該分析結果至該電子裝置,其中該分析模組使用一自我學習模型且該分析模組藉由多個訓練影像進行訓練,其中該自我學習模型包括一深度學習模型,在對該醫療影像進行量化以取得該第一特徵值的步驟包括:藉由該電子裝置的一特徵值取得模組將該醫療影像輸入至該深度學習模型中一部分的層以取得該第一特徵值,在將該第一特徵值輸入至該分析模組以取得該分析結果的步驟包括:藉由該雲端醫療分析平台的該分析模組將該第一特徵值 輸入至該深度學習模型中另一部分的層以取得該分析結果。
- 如申請專利範圍第7項所述的雲端醫療影像分析方法,其中該自我學習模型包括一深度學習模型,該深度學習模型使用一多解析度卷積神經網路(Multi-Resolution Convolutional Neural Network)。
- 如申請專利範圍第7項所述的雲端醫療影像分析方法,其中該分析模組包括一電腦輔助偵測模組,其中該分析結果用於表示該醫療影像中一腫瘤的位置,該腫瘤的位置是經由該電腦輔助偵測模組所判斷出。
- 如申請專利範圍第7項所述的雲端醫療影像分析方法,其中該分析模組包括一電腦輔助診斷模組,其中該分析結果用於表示該醫療影像中的一腫瘤為良性或惡性,該腫瘤為良性或惡性是經由該電腦輔助診斷模組所判斷出。
- 如申請專利範圍第7項所述的雲端醫療影像分析方法,其中該分析模組包括一電腦輔助偵測模組以及一電腦輔助診斷模組,所述方法更包括:藉由該電腦輔助偵測模組根據該第一特徵值取得一第二特徵值;以及藉由該電腦輔助診斷模組根據該第二特徵值產生該分析結果,其中該分析結果用於表示該醫療影像中的一腫瘤為良性或惡性。
- 如申請專利範圍第7項所述的雲端醫療影像分析方法,更包括:藉由該電子裝置根據該分析結果傳送一回饋訊息至該雲端醫療分析平台;以及藉由該雲端醫療分析平台使用該回饋訊息與該醫療影像的該第一特徵值讓該分析模組自我學習。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106113572A TWI614624B (zh) | 2017-04-24 | 2017-04-24 | 雲端醫療影像分析系統與方法 |
US15/948,983 US10769781B2 (en) | 2017-04-24 | 2018-04-09 | System and method for cloud medical image analysis using self-learning model |
JP2018081767A JP6667572B2 (ja) | 2017-04-24 | 2018-04-20 | クラウド型医療画像分析のためのシステムおよび方法 |
EP18168795.5A EP3396675A1 (en) | 2017-04-24 | 2018-04-23 | System and method for cloud medical image analysis |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106113572A TWI614624B (zh) | 2017-04-24 | 2017-04-24 | 雲端醫療影像分析系統與方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI614624B true TWI614624B (zh) | 2018-02-11 |
TW201839634A TW201839634A (zh) | 2018-11-01 |
Family
ID=62014573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106113572A TWI614624B (zh) | 2017-04-24 | 2017-04-24 | 雲端醫療影像分析系統與方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10769781B2 (zh) |
EP (1) | EP3396675A1 (zh) |
JP (1) | JP6667572B2 (zh) |
TW (1) | TWI614624B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018183583A (ja) * | 2017-04-24 | 2018-11-22 | 太豪生醫股▲ふん▼有限公司 | クラウド型医療画像分析のためのシステムおよび方法 |
TWI694414B (zh) * | 2018-12-18 | 2020-05-21 | 國立成功大學 | 卷積神經網路分析方法、電腦程式產品與電子裝置 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI681343B (zh) * | 2018-12-14 | 2020-01-01 | 瑞昱半導體股份有限公司 | 物件追蹤系統、物件追蹤方法與非暫態電腦可讀取媒體 |
CN111401111A (zh) * | 2019-01-03 | 2020-07-10 | 瑞昱半导体股份有限公司 | 物件追踪系统、物件追踪方法与非暂态计算机可读介质 |
CN109994187B (zh) * | 2019-02-14 | 2024-07-02 | 平安科技(深圳)有限公司 | 一种基于患者用户身份的医疗影像信息云存储系统 |
US11037968B2 (en) | 2019-04-05 | 2021-06-15 | Waymo Llc | Image sensor architecture |
JP7219192B2 (ja) * | 2019-08-29 | 2023-02-07 | 株式会社奥村組 | 構造物の劣化状態診断方法 |
JP7323694B2 (ja) * | 2019-08-29 | 2023-08-08 | 株式会社奥村組 | 構造物の劣化状態診断方法 |
TWI705458B (zh) * | 2019-09-19 | 2020-09-21 | 沐恩生醫光電股份有限公司 | 一種醫療影像辨識的方法與系統 |
CN110809037B (zh) * | 2019-10-29 | 2020-09-22 | 华南理工大学 | 一种基于深度多元特征的物联网皮肤镜系统 |
CN113095342B (zh) * | 2019-12-23 | 2024-07-05 | 北京金山云网络技术有限公司 | 基于误判样本图片的审核模型优化方法、装置及服务器 |
US11684333B2 (en) | 2020-01-03 | 2023-06-27 | National Taiwan University | Medical image analyzing system and method thereof |
TWI767439B (zh) * | 2020-01-03 | 2022-06-11 | 國立臺灣大學 | 醫療影像分析系統及其方法 |
KR102320431B1 (ko) * | 2021-04-16 | 2021-11-08 | 주식회사 휴런 | 의료 영상 기반 종양 검출 및 진단 장치 |
CN114582494B (zh) * | 2022-03-03 | 2022-11-15 | 数坤(北京)网络科技股份有限公司 | 诊断结果分析方法、装置、存储介质及电子设备 |
CN118213092B (zh) * | 2024-03-18 | 2024-09-27 | 暨南大学附属第一医院(广州华侨医院) | 一种用于慢性创面疾病的远程医疗监管系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6125194A (en) * | 1996-02-06 | 2000-09-26 | Caelum Research Corporation | Method and system for re-screening nodules in radiological images using multi-resolution processing, neural network, and image processing |
US20040147840A1 (en) * | 2002-11-08 | 2004-07-29 | Bhavani Duggirala | Computer aided diagnostic assistance for medical imaging |
TW201333835A (zh) * | 2012-01-12 | 2013-08-16 | Kofax Inc | 行動影像擷取和處理的系統和方法 |
TW201629487A (zh) * | 2015-02-09 | 2016-08-16 | 南臺科技大學 | 快篩檢測系統 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5799100A (en) * | 1996-06-03 | 1998-08-25 | University Of South Florida | Computer-assisted method and apparatus for analysis of x-ray images using wavelet transforms |
JP2003150714A (ja) | 2001-11-14 | 2003-05-23 | Hitachi Medical Corp | 画像診断支援システム |
CN1839391A (zh) | 2003-06-25 | 2006-09-27 | 美国西门子医疗解决公司 | 用于乳房成像的自动诊断和决策支持的系统和方法 |
EP1780651A1 (en) | 2005-10-25 | 2007-05-02 | Bracco Imaging, S.P.A. | Method and system for automatic processing and evaluation of images, particularly diagnostic images |
US20080281170A1 (en) | 2005-11-08 | 2008-11-13 | Koninklijke Philips Electronics N.V. | Method for Detecting Critical Trends in Multi-Parameter Patient Monitoring and Clinical Data Using Clustering |
US10453182B2 (en) | 2011-12-15 | 2019-10-22 | Koninklijke Philips N.V. | Medical imaging reconstruction optimized for recipient |
JP6112291B2 (ja) | 2012-12-11 | 2017-04-12 | パナソニックIpマネジメント株式会社 | 診断支援装置および診断支援方法 |
WO2015134665A1 (en) | 2014-03-04 | 2015-09-11 | SignalSense, Inc. | Classifying data with deep learning neural records incrementally refined through expert input |
US20170112429A1 (en) | 2014-04-30 | 2017-04-27 | Konica Minolta, Inc. | Level-of-health determining device and level-of-health determining system |
WO2017023569A1 (en) | 2015-08-04 | 2017-02-09 | Siemens Aktiengesellschaft | Visual representation learning for brain tumor classification |
JP6646395B2 (ja) | 2015-09-28 | 2020-02-14 | キヤノン株式会社 | 情報処理装置及びその方法、情報処理システム、コンピュータプログラム |
TWM535807U (zh) | 2016-07-29 | 2017-01-21 | 國立成功大學 | 檢測裝置 |
US9589374B1 (en) | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
CN106355023A (zh) | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与系统 |
TWI614624B (zh) * | 2017-04-24 | 2018-02-11 | 太豪生醫股份有限公司 | 雲端醫療影像分析系統與方法 |
-
2017
- 2017-04-24 TW TW106113572A patent/TWI614624B/zh active
-
2018
- 2018-04-09 US US15/948,983 patent/US10769781B2/en active Active
- 2018-04-20 JP JP2018081767A patent/JP6667572B2/ja active Active
- 2018-04-23 EP EP18168795.5A patent/EP3396675A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6125194A (en) * | 1996-02-06 | 2000-09-26 | Caelum Research Corporation | Method and system for re-screening nodules in radiological images using multi-resolution processing, neural network, and image processing |
US20040147840A1 (en) * | 2002-11-08 | 2004-07-29 | Bhavani Duggirala | Computer aided diagnostic assistance for medical imaging |
TW201333835A (zh) * | 2012-01-12 | 2013-08-16 | Kofax Inc | 行動影像擷取和處理的系統和方法 |
TW201629487A (zh) * | 2015-02-09 | 2016-08-16 | 南臺科技大學 | 快篩檢測系統 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018183583A (ja) * | 2017-04-24 | 2018-11-22 | 太豪生醫股▲ふん▼有限公司 | クラウド型医療画像分析のためのシステムおよび方法 |
TWI694414B (zh) * | 2018-12-18 | 2020-05-21 | 國立成功大學 | 卷積神經網路分析方法、電腦程式產品與電子裝置 |
Also Published As
Publication number | Publication date |
---|---|
US10769781B2 (en) | 2020-09-08 |
JP2018183583A (ja) | 2018-11-22 |
EP3396675A1 (en) | 2018-10-31 |
TW201839634A (zh) | 2018-11-01 |
JP6667572B2 (ja) | 2020-03-18 |
US20180308234A1 (en) | 2018-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI614624B (zh) | 雲端醫療影像分析系統與方法 | |
US11604949B2 (en) | Image processing method and apparatus, computer-readable storage medium, and computer device | |
US10937164B2 (en) | Medical evaluation machine learning workflows and processes | |
JP6700622B2 (ja) | マルチモーダル画像を処理するシステム及び方法 | |
US10628943B2 (en) | Deep learning medical systems and methods for image acquisition | |
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
US10811135B2 (en) | Systems and methods to determine disease progression from artificial intelligence detection output | |
US11488302B2 (en) | Object recognition method and device, and storage medium | |
CN109791692B (zh) | 使用来自感兴趣区域的不同视角的多个图像进行计算机辅助检测以提高检测准确度的系统和方法 | |
Wang et al. | Smartphone-based wound assessment system for patients with diabetes | |
US11227418B2 (en) | Systems and methods for deep learning-based image reconstruction | |
KR20200026071A (ko) | 환자 특정적 딥러닝 이미지 잡음제거 방법들 및 시스템들 | |
KR101991250B1 (ko) | 프랙탈 차원값을 이용한 만성폐질환 예측방법 및 장치 | |
WO2018057984A9 (en) | Mapping of breast arterial calcifications | |
US11010893B2 (en) | Image identifying method and image identifying device | |
CN108733967A (zh) | 云端医疗图像分析系统与方法 | |
CN114051623A (zh) | 使用ai编排进行图像处理和路由 | |
CN111488872A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
WO2019087791A1 (ja) | 診断支援装置、内視鏡装置、管理装置、診断支援方法、管理方法、診断支援プログラム、及び管理プログラム | |
US20210151169A1 (en) | Methods And Systems For Remote Analysis Of Medical Image Records | |
US20160217564A1 (en) | Pacs viewer and a method for identifying patient orientation | |
US20210192717A1 (en) | Systems and methods for identifying atheromatous plaques in medical images | |
CN112515705A (zh) | 用于投影轮廓启用的计算机辅助检测(cad)的方法和系统 | |
WO2020047456A1 (en) | Application of machine learning to iterative and multimodality image reconstruction | |
US11423544B1 (en) | Segmenting medical images |