TWI705458B - 一種醫療影像辨識的方法與系統 - Google Patents
一種醫療影像辨識的方法與系統 Download PDFInfo
- Publication number
- TWI705458B TWI705458B TW108133858A TW108133858A TWI705458B TW I705458 B TWI705458 B TW I705458B TW 108133858 A TW108133858 A TW 108133858A TW 108133858 A TW108133858 A TW 108133858A TW I705458 B TWI705458 B TW I705458B
- Authority
- TW
- Taiwan
- Prior art keywords
- image data
- medical image
- operation layer
- disease
- convolution operation
- Prior art date
Links
Images
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06T2207/10081—Computed x-ray tomography [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
- G06T2207/10116—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
- G06T2207/10—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
- G06T2207/20—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
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
一種醫療影像辨識的方法與系統,本發明利用不同疾病標記的影像資料進行運算分析建立預訓練模型,在醫療影像辨識技術領域常見的有效資料數量不足的情況下對於提昇影像辨識準確率有明顯助益,本發明可適用在醫療影像辨識技術的領域,包括X-ray、CT、MRI、超音波、病理切片攝影或眼底攝影等的影像辨識技術領域。
Description
本發明係關於醫療影像辨識的方法與系統,特別是關於可應用於X光(X-ray)、電腦斷層掃描(Computed Tomography, CT)、核磁共振造影(Magnetic Resonance Imaging, MRI)、超音波、病理切片攝影或眼底攝影的醫療影像辨識的方法與系統,該方法與系統係利用建立以醫療影像為主的預訓練模型,以進一步提昇醫療影像的影像分類、目標檢測、分割等應用的準確率。
近年來,由於ImageNet提供了數百萬張以上的圖片資料庫,例如:貓、狗、飛機、自行車等不同種類的物件圖片,使人工智慧的圖片辨識技術得以建立以大數據資料驅動的深度學習類神經網路技術,並使目前人工智慧的深度學習技術在應用於自然界的大部份物件的辨識時,能具有與人類能力相近的辨識率。
利用ImageNet所建立的類神經網路進行預訓練模型(Pre-Train Model)日益成熟,如第1圖所示,習知的預訓練模型係利用如ImageNet所提供的大量影像資料庫經由第一卷積運算層(Convolution Layer)42、第二卷積運算層44與第三卷積運算層46的卷積神經網路(Convolution Neural Network,CNN)進行運算分析後所建立的模型做為骨幹(Base Structure)40,將其接近最終辨識輸出結果的最後數層更改為適合的應用方面的全連接層(Full Connection Layer)48,可應用於相關物件影像辨識技術領域的影像分類、預測數值(回歸)、目標檢測、分割等應用。
然而,由於個人醫療資訊的保密性,ImageNet這類的公開資料庫缺乏大量的醫療影像可供醫療影像辨識技術使用,並且由於單一病例的影像數量有限,難以提高醫療影像預訓練模型的準確率。因此,建立以醫療影像為主的預訓練模型,以進一步提昇醫療影像的影像分類、目標檢測、分割等應用的準確率,就成為目前人工智慧技術領域的重要目標。
本發明係關於醫療影像辨識的方法與系統,特別是關於可應用於X光(X-ray)、電腦斷層掃描(Computed Tomography, CT)、核磁共振造影(Magnetic Resonance Imaging, MRI)、超音波、病理切片攝影或眼底攝影的醫療影像辨識的方法與系統,該方法與系統係利用建立以醫療影像為主的預訓練模型,以進一步提昇醫療影像的影像分類、目標檢測、分割等應用的準確率。
本發明提供一種醫療影像辨識的方法,包括步驟:
步驟一:輸入具有複數類疾病標記的複數個影像資料,每個影像資料至少具有一種疾病標記;
步驟二:建立一第一預訓練模型,並將該具有複數類疾病標記的複數個影像資料以混合方式同時對該第一預訓練模型進行訓練;
步驟三:將具有第一疾病標記的影像資料輸入至該第一預訓練模型;
步驟四:以該第一預訓練模型為骨幹,建立一第二預訓練模型;及
步驟五:使用該具有第一疾病標記的影像資料對該第二預訓練模型進行訓練與驗證。
本發明之醫療影像辨識的方法中,其中,該步驟四進一步包括步驟:凍結該第一預訓練模型至少一個卷積運算層的參數。
本發明之醫療影像辨識的方法中,其中,在該步驟一之該複數類疾病標記至少包括三類疾病標記。
本發明之醫療影像辨識的方法中,其中該複數個影像資料為相同格式的影像資料。
本發明之醫療影像辨識的方法中,其中該影像資料的格式為X光(X-ray)、電腦斷層掃描(Computed Tomography, CT)、核磁共振造影(Magnetic Resonance Imaging, MRI)、超音波、病理切片攝影或眼底攝影的其中一種。
本發明另提供一種醫療影像辨識的系統,包括:一骨幹,該骨幹包括第一卷積運算層、第二卷積運算層與第三卷積運算層,該第一卷積運算層、該第二卷積運算層與該第三卷積運算層用以至少對具有第一疾病標記的影像資料與具有第一疾病標記的影像資料進行運算分析後建立一預訓練模型;一第四卷積運算層或全連接層用以對該骨幹所建立的該預訓練模型所輸出的數據資料訓練其辨識有無第一疾病特徵;以及一第五卷積運算層或全連接層用以對該骨幹所建立的該預訓練模型所輸出的數據資料訓練其辨識有無第二疾病特徵。
本發明之醫療影像辨識的系統中,其中該系統另包括一第六卷積運算層或全連接層,該第六卷積運算層或全連接層用以在該預訓練模型經過該第一疾病標記的影像資料與該第二疾病標記的影像資料的預訓練後,對一具有第三疾病標記的影像資料進行辨識。
本發明之醫療影像辨識的系統中,其中該系統在進行該具有第三疾病標記的影像資料的辨識時,凍結該該骨幹中至少一個卷積運算層的參數。
本發明之醫療影像辨識的系統中,其中該第一疾病標記、該第二疾病標記與該第三疾病標記的影像資料為相同格式的影像資料。
本發明之醫療影像辨識的系統中,其中該影像資料的格式為X光、電腦斷層掃描、核磁共振造影、超音波、病理切片攝影或眼底攝影的其中一種。
本發明可適用在醫療影像辨識技術的領域,包括X-ray、CT、MRI、超音波、病理切片攝影或眼底攝影等的影像辨識技術領域,本發明也可以應用於醫療影像的分類、預測數值(回歸)、目標檢測、分割等需求。本發明利用不同疾病標記的影像資料進行運算分析建立預訓練模型,在醫療影像辨識技術領域常見的有效資料數量不足的情況下對於提昇影像辨識準確率有明顯助益。
在發展醫療影像的人工智慧辨識技術時,最常遇到的問題通常是在需要判斷某種疾病病徵的情況時,該疾病的可供參考的有效資料數量與其他自然界領域的有效資料數量相比非常少,在大數量資料驅動的模型下,有效資料數量是模型準確度重要的因素之一。而在醫療影像的人工智慧辨識技術中,也常用ImageNet這類通用的影像資料庫當作預訓練模型的骨幹(Base Structure),但醫療影像並不是通常可見的自然界的影像資料,其與通常可見的自然界的影像資料存在較大的差異。使用不同疾病所建立的多任務(Multi-task)的預訓練模型的辨識準確度會比僅使用ImageNet這類通用的影像資料庫當作預訓練模型來的更高。因此本發明係利用大量不同疾病但都是在相同的某種情境下(例如:X-ray、CT、MRI、超音波、病理切片攝影或眼底攝影等)的影像,以多任務(Multi-task)的方式建立一個預訓練模型,再將此預訓練模型當作骨幹應用於某種疾病下。根據本發明所揭示的具體實施例,請參閱第2圖所示的第一實施例的醫療影像辨識的系統,以北美放射科協會 (Radiological Society of North America, RSNA)與美國史丹佛大學(Leland Stanford Junior University in United States, 以下簡稱“史丹佛大學”)所提供的數萬張醫療影像資料庫為例,RSNA提供約3萬餘張胸腔X-ray的影像,其中皆有標示(Label)正常或肺炎之標記,史丹佛大學提供名為MURA(Musculoskeletal Radiographs)的1萬餘張的骨科X-ray影像資料庫,其中皆有標示正常或不正常之標記。我們將這兩個完全不同疾病和不同部位的X-ray的醫療影像資料,建立一個多任務(Multi-task)的訓練模型。第一實施例中的骨幹10係利用經由第一卷積運算層(Convolution Layer)102、第二卷積運算層104與第三卷積運算層106的卷積神經網路(Convolution Neural Network,CNN)對RSNA提供的3萬餘張胸腔X-ray影像與史丹佛大學的MURA提供的1萬餘張的骨科X-ray影像進行運算分析後所建立的模型,通過骨幹10運算分析後所輸出的數據資料分別通過第四卷積運算層或全連接層(Full Connection Layer)108與第五卷積運算層或全連接層110以分別訓練其辨識有無肺炎特徵或骨骼異常特徵的結果。本實施例中的卷積運算層數量可視實際應用需求進行調整。本實施例的實際應用時亦可視不同需求加入其他運算層,例如:非線性層(Rectified Linear Layer)、降採樣層(Pooling Layer)等。本發明可適用的影像辨識領域並不僅限於本實施例中所例示的肺炎或骨骼影像辨識領域。
在上述預訓練完成後,再將此預訓練模型的骨幹10部分應用於RSNA提供的骨齡預測的影像資料庫,建立可辨識骨齡的模型。請參閱第3圖所示的第二實施例的醫療影像辨識的系統,骨幹10對RSNA提供的骨齡預測的影像資料庫經由第一卷積運算層102、第二卷積運算層104與第三卷積運算層106進行運算分析後,所輸出的數據資料通過第六卷積運算層或全連接層202以進行辨識骨齡的結果。本實施例中的卷積運算層數量可視實際應用需求進行調整。本實施例的實際應用時亦可視不同需求加入其他運算層,例如:非線性層(Rectified Linear Layer)、降採樣層(Pooling Layer)等。本發明可適用的影像辨識領域並不僅限於本實施例中所例示的骨齡影像辨識領域。
請參閱第4圖,經過實驗證實,在不同數量級的資料下,使用本發明的預訓練模型所得到的影像辨識準確率比使用ImageNet所建立的模型更高,尤其在資料比較少的情況下,改善的幅度更為明顯,在醫療影像辨識技術領域常見的有效資料數量不足的情況下對於提昇影像辨識準確率有明顯助益。
請參閱第5圖所示的第三實施例,第三實施例為建立醫學影像的預訓練模型的方法流程,其包括以下步驟:
步驟302:輸入具有D0疾病標記的影像資料;
步驟304:輸入具有D1疾病標記的影像資料;
步驟306:輸入具有D2疾病標記的影像資料;
步驟308:建立multi-task的模型M0,並將D0、D1、D2等疾病標記的影像資料以混合方式同時對模型M0進行訓練;
步驟310:將具有D3疾病標記的影像資料輸入至模型M0;
步驟312:以模型M0為骨幹,建立新的模型M1,使用具有D3疾病標記的影像資料對模型M1進行訓練與驗證;
步驟314:得到D3疾病特徵判讀的模型M1。
上述第三實施例中的預訓練模型的訓練過程中,在步驟302、步驟304、步驟306所使用的不同疾病標記的種類總數至少為2類以上,每個影像資料至少具有一種疾病標記,可以根據實際應用的需求進行增加。
由於在相同的影像辨識應用情境下,預訓練模型在最前面幾層的特徵是類似的,因此訓練時可以凍結前面幾層的參數,以提高影像辨識的準確率。請參閱第6圖所示的第四實施例,第四實施例為建立醫學影像的預訓練模型的方法流程,其中凍結至少骨幹中一個卷積運算層的參數,第四實施例的方法流程包括以下步驟:
步驟402:輸入具有D0疾病標記的影像資料;
步驟404:輸入具有D1疾病標記的影像資料;
步驟406:輸入具有D2疾病標記的影像資料;
步驟408:建立multi-task的模型M0,並將D0、D1、D2等疾病標記的影像資料以混合方式同時對模型M0進行訓練;
步驟410:將具有D3疾病標記的影像資料輸入至模型M0;
步驟412:以模型M0為骨幹,建立新的模型M1,凍結M0至少一個卷積運算層的參數,使用具有D3疾病標記的影像資料對模型M1進行訓練與驗證;
步驟414:得到D3疾病特徵判讀的模型M1。
上述第四實施例中的預訓練模型的訓練過程中,在步驟402、步驟404、步驟406所使用的不同疾病標記的種類總數至少為2類以上,每個影像資料至少具有一種疾病標記,可以根據實際應用的需求進行增加。
請參閱第7圖,經過實驗證實,在相同的影像辨識應用情境下,進行不同數量級的實驗分析,凍結前面幾層的卷積運算層參數而只訓練之後的卷積運算層,所得到的預訓練模型可以增加預測的準確率,在資料比較少的情況下,改善的幅度更為明顯。使用本發明的凍結前面幾層的預訓練模型所得到的影像辨識準確率也比使用ImageNet所建立的模型更高,尤其在資料比較少的情況下,改善的幅度更為明顯,在醫療影像辨識技術領域常見的有效資料數量不足的情況下對於提昇影像辨識準確率有明顯助益。
上述實施例僅為例示本發明之實施方式,本發明可適用的領域不僅限於上述實施例所例示的特定醫療影像領域,本發明亦可使用其他疾病在相同的情境下(例如:X-ray、CT、MRI、超音波、病理切片攝影或眼底攝影等)的影像辨識技術領域,本發明也可以應用於醫療影像的分類、預測數值(回歸)、目標檢測、分割等需求。
10:骨幹
102:第一卷積運算層
104:第二卷積運算層
106:第三卷積運算層
108:第四卷積運算層或全連接層
110:第五卷積運算層或全連接層
202:第六卷積運算層或全連接層
302:步驟
304:步驟
306:步驟
308:步驟
310:步驟
312:步驟
314:步驟
402:步驟
404:步驟
406:步驟
408:步驟
410:步驟
412:步驟
414:步驟
第1圖係習知技術的示意圖。
第2圖係本發明之第一實施例的醫療影像辨識的系統示意圖。
第3圖係本發明之第二實施例的醫療影像辨識的系統示意圖。
第4圖係本發明之第二實施例的實驗準確率分析圖。
第5圖係本發明之第三實施例的方法流程圖。
第6圖係本發明之第四實施例的方法流程圖。
第7圖係本發明之第四實施例的實驗準確率分析圖。
302:步驟
304:步驟
306:步驟
308:步驟
310:步驟
312:步驟
314:步驟
Claims (10)
- 一種醫療影像辨識的方法,包括步驟: 步驟一:輸入具有複數類疾病標記的複數個影像資料,每個影像資料至少具有一種疾病標記; 步驟二:建立一第一預訓練模型,並將該具有複數類疾病標記的複數個影像資料以混合方式同時對該第一預訓練模型進行訓練; 步驟三:將具有第一疾病標記的影像資料輸入至該第一預訓練模型; 步驟四:以該第一預訓練模型為骨幹,建立一第二預訓練模型;及 步驟五:使用該具有第一疾病標記的影像資料對該第二預訓練模型進行訓練與驗證。
- 如申請專利範圍第1項之醫療影像辨識的方法,其中,該步驟四進一步包括步驟:凍結該第一預訓練模型至少一個卷積運算層的參數。
- 如申請專利範圍第1項之醫療影像辨識的方法,其中,在該步驟一之該複數類疾病標記至少包括三類疾病標記。
- 如申請專利範圍第1項之醫療影像辨識的方法,其中該複數個影像資料為相同格式的影像資料。
- 如申請專利範圍第4項之醫療影像辨識的方法,其中該影像資料的格式為X光(X-ray)、電腦斷層掃描(Computed Tomography, CT)、核磁共振造影(Magnetic Resonance Imaging, MRI)、超音波、病理切片攝影或眼底攝影的其中一種。
- 一種醫療影像辨識的系統,包括: 一骨幹,該骨幹包括第一卷積運算層、第二卷積運算層與第三卷積運算層,該第一卷積運算層、該第二卷積運算層與該第三卷積運算層用以至少對具有第一疾病標記的影像資料與具有第二疾病標記的影像資料進行運算分析後建立一預訓練模型; 一第四卷積運算層或全連接層用以對該骨幹所建立的該預訓練模型所輸出的數據資料訓練其辨識有無第一疾病特徵;以及 一第五卷積運算層或全連接層用以對該骨幹所建立的該預訓練模型所輸出的數據資料訓練其辨識有無第二疾病特徵。
- 如申請專利範圍第6項之醫療影像辨識的系統,該系統另包括一第六卷積運算層或全連接層,該第六卷積運算層或全連接層用以在該預訓練模型經過該第一疾病標記的影像資料與該第二疾病標記的影像資料的預訓練後,對一具有第三疾病標記的影像資料進行辨識。
- 如申請專利範圍第7項之醫療影像辨識的系統,其中該系統在進行該具有第三疾病標記的影像資料的辨識時,凍結該骨幹中至少一個卷積運算層的參數。
- 如申請專利範圍第7項之醫療影像辨識的系統,其中該第一疾病標記、該第二疾病標記與該第三疾病標記的影像資料為相同格式的影像資料。
- 如申請專利範圍第9項之醫療影像辨識的系統,其中該影像資料的格式為X光(X-ray)、電腦斷層掃描(Computed Tomography, CT)、核磁共振造影(Magnetic Resonance Imaging, MRI)、超音波、病理切片攝影或眼底攝影的其中一種。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108133858A TWI705458B (zh) | 2019-09-19 | 2019-09-19 | 一種醫療影像辨識的方法與系統 |
CN202010013881.6A CN112530548A (zh) | 2019-09-19 | 2020-01-02 | 一种医疗影像辨识的方法与系统 |
US17/022,126 US11282200B2 (en) | 2019-09-19 | 2020-09-16 | Method for recognizing medical image and system of same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108133858A TWI705458B (zh) | 2019-09-19 | 2019-09-19 | 一種醫療影像辨識的方法與系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI705458B true TWI705458B (zh) | 2020-09-21 |
TW202113868A TW202113868A (zh) | 2021-04-01 |
Family
ID=74091530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108133858A TWI705458B (zh) | 2019-09-19 | 2019-09-19 | 一種醫療影像辨識的方法與系統 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11282200B2 (zh) |
CN (1) | CN112530548A (zh) |
TW (1) | TWI705458B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201839634A (zh) * | 2017-04-24 | 2018-11-01 | 太豪生醫股份有限公司 | 雲端醫療影像分析系統與方法 |
CN109670530A (zh) * | 2018-11-15 | 2019-04-23 | 首都医科大学附属北京友谊医院 | 一种萎缩性胃炎图像识别模型的构建方法及其应用 |
CN110223289A (zh) * | 2019-06-17 | 2019-09-10 | 上海联影医疗科技有限公司 | 一种图像处理方法和系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10417788B2 (en) * | 2016-09-21 | 2019-09-17 | Realize, Inc. | Anomaly detection in volumetric medical images using sequential convolutional and recurrent neural networks |
WO2019024568A1 (zh) * | 2017-08-02 | 2019-02-07 | 上海市第六人民医院 | 眼底图像处理方法、装置、计算机设备和存储介质 |
US10565708B2 (en) * | 2017-09-06 | 2020-02-18 | International Business Machines Corporation | Disease detection algorithms trainable with small number of positive samples |
US20210042916A1 (en) * | 2018-02-07 | 2021-02-11 | Ai Technologies Inc. | Deep learning-based diagnosis and referral of diseases and disorders |
CN108389614B (zh) * | 2018-03-02 | 2021-01-19 | 西安交通大学 | 基于图像分割与卷积神经网络构建医学影像图谱的方法 |
EP3783533A1 (en) * | 2018-04-17 | 2021-02-24 | BGI Shenzhen | Artificial intelligence-based ophthalmic disease diagnostic modeling method, apparatus, and system |
CN109389587B (zh) * | 2018-09-26 | 2021-07-16 | 上海联影智能医疗科技有限公司 | 一种医学图像分析系统、装置及存储介质 |
CN109427060A (zh) * | 2018-10-30 | 2019-03-05 | 腾讯科技(深圳)有限公司 | 一种影像识别的方法、装置、终端设备和医疗系统 |
-
2019
- 2019-09-19 TW TW108133858A patent/TWI705458B/zh active
-
2020
- 2020-01-02 CN CN202010013881.6A patent/CN112530548A/zh active Pending
- 2020-09-16 US US17/022,126 patent/US11282200B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201839634A (zh) * | 2017-04-24 | 2018-11-01 | 太豪生醫股份有限公司 | 雲端醫療影像分析系統與方法 |
CN109670530A (zh) * | 2018-11-15 | 2019-04-23 | 首都医科大学附属北京友谊医院 | 一种萎缩性胃炎图像识别模型的构建方法及其应用 |
CN110223289A (zh) * | 2019-06-17 | 2019-09-10 | 上海联影医疗科技有限公司 | 一种图像处理方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112530548A (zh) | 2021-03-19 |
US20210090258A1 (en) | 2021-03-25 |
TW202113868A (zh) | 2021-04-01 |
US11282200B2 (en) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gozes et al. | Coronavirus detection and analysis on chest ct with deep learning | |
US8126242B2 (en) | Computer program products and methods for detection and tracking of rheumatoid arthritis | |
Yoon et al. | Medical image analysis using artificial intelligence | |
US20240127436A1 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
CN115496732B (zh) | 一种半监督心脏语义分割算法 | |
Feng et al. | Deep learning for chest radiology: a review | |
Hržić et al. | XAOM: A method for automatic alignment and orientation of radiographs for computer-aided medical diagnosis | |
Zhang et al. | CdcSegNet: automatic COVID-19 infection segmentation from CT images | |
prasad Koyyada et al. | An explainable artificial intelligence model for identifying local indicators and detecting lung disease from chest X-ray images | |
Irene et al. | Segmentation and approximation of blood volume in intracranial hemorrhage patients based on computed tomography scan images using deep learning method | |
Subudhi et al. | Application of machine learning techniques for characterization of ischemic stroke with MRI images: a review | |
US20220083878A1 (en) | Label inference system | |
CN113313699B (zh) | 基于弱监督学习的x光胸部疾病分类及定位方法、电子设备 | |
Patel et al. | PTXNet: An extended UNet model based segmentation of pneumothorax from chest radiography images | |
Dong et al. | A novel end‐to‐end deep learning solution for coronary artery segmentation from CCTA | |
Fan et al. | Graph Reasoning Module for Alzheimer’s Disease Diagnosis: A Plug-and-Play Method | |
Chaisangmongkon et al. | External validation of deep learning algorithms for cardiothoracic ratio measurement | |
TWI705458B (zh) | 一種醫療影像辨識的方法與系統 | |
JP2023034089A (ja) | 学習装置、方法およびプログラム、並びに情報処理装置、方法およびプログラム | |
Kurasova et al. | Semi-Supervised Learning with Pseudo-Labeling for Pancreatic Cancer Detection on CT Scans | |
CN117393100B (zh) | 诊断报告的生成方法、模型训练方法、系统、设备及介质 | |
Jain et al. | SumNet Convolution Neural network based Automated pulmonary nodule detection system | |
Zhang et al. | Ultrasonic Image's Annotation Removal: A Self-supervised Noise2Noise Approach | |
Zhan | Precision Monitoring for Disease Progression in Patients with Multiple Sclerosis: A Deep Learning Approach | |
WO2023276432A1 (ja) | 画像検索装置、方法およびプログラム |