TWI711050B - 醫療影像辨識裝置及醫療影像辨識方法 - Google Patents

醫療影像辨識裝置及醫療影像辨識方法 Download PDF

Info

Publication number
TWI711050B
TWI711050B TW108108138A TW108108138A TWI711050B TW I711050 B TWI711050 B TW I711050B TW 108108138 A TW108108138 A TW 108108138A TW 108108138 A TW108108138 A TW 108108138A TW I711050 B TWI711050 B TW I711050B
Authority
TW
Taiwan
Prior art keywords
image
disease
organ
medical image
processor
Prior art date
Application number
TW108108138A
Other languages
English (en)
Other versions
TW202034346A (zh
Inventor
黃士龢
劉書承
Original Assignee
宏碁股份有限公司
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 宏碁股份有限公司 filed Critical 宏碁股份有限公司
Priority to TW108108138A priority Critical patent/TWI711050B/zh
Publication of TW202034346A publication Critical patent/TW202034346A/zh
Application granted granted Critical
Publication of TWI711050B publication Critical patent/TWI711050B/zh

Links

Images

Landscapes

  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本揭露提出一種醫療影像辨識裝置及醫療影像辨識方法。醫療影像辨識裝置包括處理器及記憶體耦接到處理器。處理器接收第一影像；辨識第一影像中的至少一器官；辨識至少一器官是否具有對應至少一器官的至少一疾病；以及輸出對應第一影像的診斷報告。

Description

醫療影像辨識裝置及醫療影像辨識方法
本揭露是有關於一種醫療影像辨識裝置及醫療影像辨識方法，且特別是有關於一種判斷醫療影像中的器官及疾病的醫療影像辨識裝置及醫療影像辨識方法。
超音波是目前常用的臨床診斷工具。相較於其他醫學影像診斷技術(例如，核磁共振、斷層掃瞄等)，超音波具有非侵入式、不具輻射性、系統價格及診斷費用低、患者無痛、安全性高、即時影像顯示、檢查方便且快速等優點。然而，超音波影像的判讀即使是對於經驗較不足的年輕醫師也是難度較高，一般民眾更是不可能對器官與病症進行解讀。因此，如何開發一套能輔助診斷的自動化系統並對醫療影像(例如，超音波影像、核磁共振影像或斷層掃瞄影像等)進行自動判斷，是本領域技術人員應致力的目標。
本揭露提供一種醫療影像辨識裝置及醫療影像辨識方法，能判斷醫療影像中的器官及疾病。
本揭露提出一種醫療影像辨識裝置，包括處理器及記憶體耦接到處理器。處理器接收第一影像；辨識第一影像中的至少一器官；辨識至少一器官是否具有對應至少一器官的至少一疾病；以及輸出對應第一影像的診斷報告。
在本揭露的一實施例中，上述處理器在第一影像之後接收第二影像並比對第二影像與第一影像的影像相似度，若第二影像與第一影像的影像相似度大於相似度門檻值，則處理器輸出對應第一影像的診斷報告。
在本揭露的一實施例中，上述處理器透過器官辨識模型來辨識第一影像中的至少一器官，其中器官辨識模型藉由將多個器官影像及每個器官影像對應的至少一標示器官輸入神經網路來訓練。
在本揭露的一實施例中，當至少一器官的信心指數大於信心門檻值時，處理器判斷至少一器官存在第一影像中。
在本揭露的一實施例中，當對應至少一器官的至少一疾病的信心指數大於信心門檻值時，處理器顯示至少一疾病及信心指數在第一影像中對應至少一疾病的位置上。
在本揭露的一實施例中，上述處理器根據至少一疾病的種類來判斷至少一疾病的有無。
在本揭露的一實施例中，上述處理器根據至少一疾病的種類來判斷至少一疾病的病症分級。
在本揭露的一實施例中，上述處理器根據至少一疾病的種類來標示至少一疾病在至少一器官上的位置。
在本揭露的一實施例中，上述處理器產生至少一方框來標示至少一疾病在至少一器官上的位置、或描繪至少一輪廓來標示至少一疾病在至少一器官上的位置。
在本揭露的一實施例中，上述處理器根據自然語言處理模型及多個病症對應的診斷書來訓練診斷報告產生模型，並根據診斷報告產生模型輸出診斷報告。
在本揭露的一實施例中，上述處理器根據歷史影像及第一影像輸出對應第一影像的診斷報告，其中歷史影像與第一影像對應同一病患。
在本揭露的一實施例中，上述處理器根據歷史影像及第一影像產生病程預測，其中歷史影像與第一影像對應同一病患。
本揭露提出一種醫療影像辨識方法，包括：接收第一影像；辨識第一影像中的至少一器官；辨識至少一器官是否具有對應至少一器官的至少一疾病；以及輸出對應第一影像的診斷報告。
在本揭露的一實施例中，上述醫療影像辨識方法更包括：在第一影像之後接收第二影像並比對第二影像與第一影像的影像相似度，若第二影像與第一影像的影像相似度大於相似度門檻值，則處理器輸出對應第一影像的診斷報告。
在本揭露的一實施例中，上述醫療影像辨識方法更包括：透過器官辨識模型來辨識第一影像中的至少一器官，其中器官辨識模型藉由將多個器官影像及每個器官影像對應的至少一標示器官輸入神經網路來訓練。
在本揭露的一實施例中，上述醫療影像辨識方法更包括：當至少一器官的信心指數大於信心門檻值時，判斷至少一器官存在第一影像中。
在本揭露的一實施例中，上述醫療影像辨識方法更包括：當對應至少一器官的至少一疾病的信心指數大於信心門檻值時，處理器顯示至少一疾病及信心指數在第一影像中對應至少一疾病的位置上。
在本揭露的一實施例中，上述醫療影像辨識方法更包括：根據至少一疾病的種類來判斷至少一疾病的有無。
在本揭露的一實施例中，上述醫療影像辨識方法更包括：根據至少一疾病的種類來判斷至少一疾病的病症分級。
在本揭露的一實施例中，上述醫療影像辨識方法更包括：根據至少一疾病的種類來標示至少一疾病在至少一器官上的位置。
在本揭露的一實施例中，上述醫療影像辨識方法更包括：產生至少一方框來標示至少一疾病在至少一器官上的位置、或描繪至少一輪廓來標示至少一疾病在至少一器官上的位置。
在本揭露的一實施例中，上述醫療影像辨識方法更包括：根據自然語言處理模型及多個病症對應的診斷書來訓練診斷報告產生模型，並根據診斷報告產生模型輸出診斷報告。
在本揭露的一實施例中，上述醫療影像辨識方法更包括：根據歷史影像及第一影像輸出對應第一影像的診斷報告，其中歷史影像與第一影像對應同一病患。
在本揭露的一實施例中，上述醫療影像辨識方法更包括：根據歷史影像及第一影像產生病程預測，其中歷史影像與第一影像對應同一病患。
基於上述，本揭露的醫療影像辨識裝置及醫療影像辨識方法先辨識第一影像中器官，再辨識第一影像中器官是否有疾病，再輸出對應第一影像的診斷報告。醫療影像辨識裝置還可根據疾病的種類來判斷疾病的有無、疾病的病症分級或標示疾病在器官上的位置。
為讓本揭露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為根據本揭露一實施例的醫療影像辨識裝置的方塊圖。
請參照圖1，本揭露一實施例的醫療影像辨識裝置100可包括處理器110及耦接到處理器110的顯示器120及記憶體130。醫療影像辨識裝置100可接收醫療影像150並對醫療影像150進行分析而產生診斷報告160。醫療影像辨識裝置100例如是桌上型電腦(desktop computer)、筆記型電腦(laptop computer)、微電腦(microcomputer)或其他類似元件。處理器110例如是中央處理器(Central Processing Unit，CPU)、微處理器控制單元(Microprocessor Control Unit，MCU)、系統單晶片(System on Chip，SOC)或其他類似元件。記憶體130可包括非揮發性記憶體模組及/或揮發性記憶體模組並對醫療影像150及相關資料進行暫存或長時間儲存。醫療影像150例如是超音波影像、核磁共振影像、斷層掃瞄影像或其他類型影像。
在一實施例中，醫療影像150可由醫療人員在正常狀態使用超音波機會用的到任何角度的照射方法來產生，且超音波機的探頭可以照射器官的縱切面或橫切面。
在一實施例中，處理器110會接收醫療影像150並辨識醫療影像150中的所有器官。在辨識出醫療影像150中器官之後，處理器110會進一步判斷醫療影像150的器官是否具有對應器官的疾病。最後，處理器110才會輸出對應醫療影像150的診斷報告。
請同時參照圖2，圖2為根據本揭露一實施例的醫療影像辨識方法的流程圖。
在步驟S201中，對醫療影像進行影像辨識。具體來說，當超音波機傳送了目前探頭或照射的位置的動態影像到醫療影像辨識裝置100時，處理器110可先比較當前影像與先前影像的影像相似度。若當前影像與先前影像的影像相似度大於相似度門檻值，則處理器110輸出與先前影像相同的診斷報告。若當前影像與先前影像的影像相似度不大於相似度門檻值，則處理器110對當前影像進行後續的醫療影像辨識流程。值得注意的是，當前影像與先前影像可間隔預定框數，例如，當前影像與先前影像可間隔個五個框數(frame)。
在步驟S202中，對醫療影像進行器官辨識。具體來說，處理器110可用以辨識醫療影像150中的肝、膽、腎、脾、胰、腹腔內大血管、淋巴結、心臟、乳房、骨盆腔、頸動脈、攝護腺等器官或重要組織。在一實施例中，處理器110可透過器官辨識模型來辨識醫療影像150中的器官。器官辨識模型可藉由將器官影像及器官影像對應的標示器官(例如，由專業醫學專家對影像內的所有器官進行標示)輸入神經網路來訓練。當器官辨識模型辨識出醫療影像150中的一到多個器官時，器官辨識模型可將器官辨識結果及對應的信心指數加入醫療影像150並將醫療影像150顯示在顯示器120上。圖3為根據本揭露一實施例對醫療影像進行器官辨識的示意圖。請參照圖3，醫療影像150可包括辨識出的肝臟310及膽囊320。器官辨識模型可將肝臟310及膽囊320分別以方框標記出來，並在對應的方框旁顯示「肝臟0.998」及「膽囊0.992」，其中「0.998」及「0.992」分別為醫療影像150中具有肝臟310及膽囊320的信心指數。當醫療影像150中存在特定器官的信心指數大於信心門檻值(例如，0.98)時，器官辨識模型可判斷醫療影像150中存在特定器官。
在步驟S203中，對醫療影像進行疾病切換。具體來說，當判斷出醫療影像150中的器官之後，處理器110可根據不同器官的病症模型來判斷器官中是否存在病症。圖4為根據本揭露一實施例的疾病切換方法的流程圖。請參照圖4，在步驟410中，進行器官辨識。當在步驟S420中辨識出有肝時，處理器110會在步驟S421中呼叫肝病症模型，並在步驟S422中判斷是否有脂肪肝或肝硬化等肝病症。當在步驟S430中辨識出有膽時，處理器110會在步驟S431中呼叫膽病症模型，並在步驟S432中判斷是否有膽囊炎或膽結石等膽病症。當在步驟S440中辨識出有腎時，處理器110會在步驟S441中呼叫腎病症模型，並在步驟S442中判斷是否有腎水腫或腎結石等腎病症。最後在步驟S450中，處理器110可針對器官病症來輸出診斷書。值得注意的是，器官辨識功能與病症偵測功能可實作於相同或不同的硬體電路/軟體模型中，且不同的病症偵測功能也可實作於相同或不同的硬體電路/軟體模型中。本揭露不限制器官辨識功能及病症偵測功能的實作方式。
在一實施例中，處理器110可透過一個聯合特徵擷取器在器官辨識之前擷取對應不同器官的病症特徵。在判斷出醫療影像150中的器官之後，處理器110再將各個病狀特徵傳送到各個器官的病症模型(例如，肝病症模型、膽病症模型、腎病症模型等)來進行特徵分類。在另一實施例中，特徵擷取器也可實作於各個器官的病症模型中，在器官辨識之後才進行辨識出的器官的病症特徵擷取。
在步驟S204中，對醫療影像進行疾病偵測。具體來說，疾病偵測可參考表一來說明。
表一
器官 病症 病症偵測模式
肝臟 脂肪肝 根據嚴重程度分級
肝硬化 有/無
腹水 有/無
肝囊腫 標記囊腫位置
肝腫瘤(癌、血管瘤或其他) 標記腫瘤位置
腎臟 腎水腫 有/無
腎囊腫 標記囊腫位置
腎腫瘤 標記腫瘤位置
腎結石 標記結石位置
膽囊 膽囊炎 有/無
膽囊內結石 標記結石位置
從表一可得知，處理器110可根據病症(疾病)的種類來判斷疾病的有無、判斷疾病的病症嚴重程度分級、或是標示疾病在器官上的位置。舉例來說，當病症是脂肪肝時，處理器110可進行脂肪肝嚴重程度分級。當病症是肝硬化時，處理器110可判斷有無發生肝硬化。當病症是肝囊腫或肝腫瘤時，處理器110可標記囊腫或腫瘤位置。圖5為根據本揭露一實施例標記疾病在器官上的位置的示意圖。請參照圖5，當處理器110辨識出膽囊具有膽結石的信心指數為0.990高於信心度門檻值時，處理器110可以方框標記膽結石530並在膽結石530旁邊註明「膽結石0.990」。值得注意的是，器官或疾病的標記可使用方框來標記或使用輪廓來標記。
在「有」或「無」的病症偵測中，可使用分類型的卷積神經網路(Convolutional Neural Network，CNN)進行病症有無的分類。在判斷疾病的病症嚴重程度分級的病症偵測中，可使用卷積神經網路進行N+1類的分類辨識，其中N為嚴重程度分級的數量。例如，若一病症可分為無病與有病的第一期到第五期，則N=5。在利用方框標記疾病的病症偵測中，可使用物件偵測類型的卷積神經網路進行病症辨識與偵測。在利用輪廓標記疾病的病症偵測中，可使用圖像語意分析(image semantic segmentation)類型的卷積神經網路進行病症辨識與偵測。
圖6為根據本揭露一實施例的標記器官及疾病位置的示意圖。請參照圖6，處理器110可在醫療影像150中以方框標記肝臟610、膽囊620及膽囊620中的膽結石630。
在一實施例中，處理器110還可根據偵測出的疾病有無或其病症嚴重程度分級或病症位置來產生診斷報告。具體來說，處理器110可根據自然語言處理 (Natural Language Processing，NLP)模型及多個病症對應的診斷書來訓練診斷報告產生模型，並根據診斷報告產生模型輸出診斷報告。報告產生模型的訓練可透過大量的病症及對應的診斷書來學習醫師撰寫診斷書的習慣，病透過循環神經網路(Recurrent Neural Network，RNN)或長短期記憶網路(Long Short Term Memory Network，LSTM)等方式來進行診斷報告的處理。舉例來說，在圖6的醫療影像150中，處理器110可產生「膽囊中有膽結石」及「肝臟無病症」的診斷報告。
在一實施例中，處理器110可根據同一病患或不同病患的歷史影像及當前影像來輸出對應病患當前影像的診斷報告。舉例來說，處理器110在判斷病症(即，執行病症模型)時可同時分析同一病患或不同病患在健康時的歷史影像，如此可進一步提升病症判斷的正確性。在另一實施例中，處理器110還可根據同一病患的歷史影像及當前影像來產生病程預測。舉例來說，當病患三個月前的歷史影像為脂肪肝第一級且當前影像為脂肪肝第二級，則可推斷病患可能在三個月之後達到脂肪肝第三級。上述時間間隔僅用以舉例，而實際病程預測需根據不同疾病的臨床資料進行判斷。
綜上所述，本揭露的醫療影像辨識裝置及醫療影像辨識方法先辨識醫療影像中器官，再辨識醫療影像中器官是否有疾病，再輸出對應醫療影像的診斷報告。醫療影像辨識裝置還可根據疾病的種類來判斷疾病的有無、疾病的病症分級或標示疾病在器官上的位置。當判斷出病症之後，病症及器官都可被標記在醫療影像中，並同時在病症及器官旁註記病症及器官的信心指數。此外，本揭露的醫療影像辨識裝置及醫療影像辨識方法還可根據歷史影像來進行病症判斷及病程預測的輔助。
雖然本揭露已以實施例揭露如上，然其並非用以限定本揭露，任何所屬技術領域中具有通常知識者，在不脫離本揭露的精神和範圍內，當可作些許的更動與潤飾，故本揭露的保護範圍當視後附的申請專利範圍所界定者為準。
100：醫療影像辨識裝置 110：處理器 120：顯示器 130：記憶體 150：醫療影像 160：診斷報告 S201~S204：醫療影像辨識方法的步驟 310、610：肝臟 320、620：膽囊 S410、S420~S422、S430~S432、S440~S442、S450：疾病切換方法的步驟 530、630：膽結石
圖1為根據本揭露一實施例的醫療影像辨識裝置的方塊圖。 圖2為根據本揭露一實施例的醫療影像辨識方法的流程圖。 圖3為根據本揭露一實施例對醫療影像進行器官辨識的示意圖。 圖4為根據本揭露一實施例的疾病切換方法的流程圖。 圖5是根據本揭露一實施例標記疾病在器官上的位置的示意圖。 圖6為根據本揭露一實施例的標記器官及疾病位置的示意圖。
S410、S420~S422、S430~S432、S440~S442、S450：疾病切換方法的步驟

Claims (20)

  1. 一種醫療影像辨識裝置，包括：一處理器；以及一記憶體，耦接到該處理器，其中該處理器接收一第一影像；辨識該第一影像中的至少一器官；辨識該至少一器官是否具有對應該至少一器官的一至少一疾病；以及輸出對應該第一影像的一診斷報告，其中該處理器根據該至少一疾病的種類來標示該至少一疾病在該至少一器官上的位置，其中當該至少一器官的一信心指數大於一信心門檻值時，該處理器判斷該至少一器官存在該第一影像中。
  2. 如申請專利範圍第1項所述的醫療影像辨識裝置，其中該處理器在該第一影像之後接收一第二影像並比對該第二影像與該第一影像的一影像相似度，若該第二影像與該第一影像的該影像相似度大於一相似度門檻值，則該處理器輸出對應該第一影像的該診斷報告。
  3. 如申請專利範圍第1項所述的醫療影像辨識裝置，其中該處理器透過一器官辨識模型來辨識該第一影像中的該至少一器官，其中該器官辨識模型藉由將多個器官影像及每個該些器官影像對應的至少一標示器官輸入一神經網路來訓練。
  4. 如申請專利範圍第1項所述的醫療影像辨識裝置，其中當對應該至少一器官的該至少一疾病的一信心指數大於一信心門檻值時，該處理器顯示該至少一疾病及該信心指數在該第一影像中對應該至少一疾病的位置上。
  5. 如申請專利範圍第1項所述的醫療影像辨識裝置，其中該處理器根據該至少一疾病的種類來判斷該至少一疾病的有無。
  6. 如申請專利範圍第1項所述的醫療影像辨識裝置，其中該處理器根據該至少一疾病的種類來判斷該至少一疾病的一病症分級。
  7. 如申請專利範圍第1項所述的醫療影像辨識裝置，其中該處理器產生至少一方框來標示該至少一疾病在該至少一器官上的位置、或描繪至少一輪廓來標示該至少一疾病在該至少一器官上的位置。
  8. 如申請專利範圍第1項所述的醫療影像辨識裝置，其中該處理器根據一自然語言處理模型及多個病症對應的診斷書來訓練一診斷報告產生模型，並根據該診斷報告產生模型輸出該診斷報告。
  9. 如申請專利範圍第1項所述的醫療影像辨識裝置，其中該處理器根據一歷史影像及該第一影像輸出對應該第一影像的該診斷報告，其中該歷史影像與該第一影像對應同一病患。
  10. 如申請專利範圍第1項所述的醫療影像辨識裝置，其中該處理器根據一歷史影像及該第一影像產生一病程預測，其中該歷史影像與該第一影像對應同一病患。
  11. 一種醫療影像辨識方法，包括：接收一第一影像；辨識該第一影像中的至少一器官；辨識該至少一器官是否具有對應該至少一器官的一至少一疾病；輸出對應該第一影像的一診斷報告；根據該至少一疾病的種類來標示該至少一疾病在該至少一器官上的位置；以及當該至少一器官的一信心指數大於一信心門檻值時，判斷該至少一器官存在該第一影像中。
  12. 如申請專利範圍第11項所述的醫療影像辨識方法，更包括：在該第一影像之後接收一第二影像並比對該第二影像與該第一影像的一影像相似度，若該第二影像與該第一影像的該影像相似度大於一相似度門檻值，則輸出對應該第一影像的該診斷報告。
  13. 如申請專利範圍第11項所述的醫療影像辨識方法，更包括：透過一器官辨識模型來辨識該第一影像中的該至少一器官，其中該器官辨識模型藉由將多個器官影像及每個該些器官影像對應的至少一標示器官輸入一神經網路來訓練。
  14. 如申請專利範圍第11項所述的醫療影像辨識方法，更包括：當對應該至少一器官的該至少一疾病的一信心指數大於一信心門檻值時，顯示該至少一疾病及該信心指數在該第一影像中對應該至少一疾病的位置上。
  15. 如申請專利範圍第11項所述的醫療影像辨識方法，更包括：根據該至少一疾病的種類來判斷該至少一疾病的有無。
  16. 如申請專利範圍第11項所述的醫療影像辨識方法，更包括：根據該至少一疾病的種類來判斷該至少一疾病的一病症分級。
  17. 如申請專利範圍第11項所述的醫療影像辨識方法，更包括：產生至少一方框來標示該至少一疾病在該至少一器官上的位置、或描繪至少一輪廓來標示該至少一疾病在該至少一器官上的位置。
  18. 如申請專利範圍第11項所述的醫療影像辨識方法，更包括：根據一自然語言處理模型及多個病症對應的診斷書來訓練一診斷報告產生模型，並根據該診斷報告產生模型輸出該診斷報告。
  19. 如申請專利範圍第11項所述的醫療影像辨識方法，更包括：根據一歷史影像及該第一影像輸出對應該第一影像的該診斷報告，其中該歷史影像與該第一影像對應同一病患。
  20. 如申請專利範圍第11項所述的醫療影像辨識方法，更包括：根據一歷史影像及該第一影像產生一病程預測，其中該歷史影像與該第一影像對應同一病患。
TW108108138A 2019-03-12 2019-03-12 醫療影像辨識裝置及醫療影像辨識方法 TWI711050B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW108108138A TWI711050B (zh) 2019-03-12 2019-03-12 醫療影像辨識裝置及醫療影像辨識方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108108138A TWI711050B (zh) 2019-03-12 2019-03-12 醫療影像辨識裝置及醫療影像辨識方法

Publications (2)

Publication Number Publication Date
TW202034346A TW202034346A (zh) 2020-09-16
TWI711050B true TWI711050B (zh) 2020-11-21

Family

ID=73643488

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108108138A TWI711050B (zh) 2019-03-12 2019-03-12 醫療影像辨識裝置及醫療影像辨識方法

Country Status (1)

Country Link
TW (1) TWI711050B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI771761B (zh) * 2020-09-25 2022-07-21 宏正自動科技股份有限公司 醫療影像處理方法及其醫療影像處理裝置
TWI781721B (zh) * 2021-08-10 2022-10-21 展市華科技有限公司 根據影像的病症判斷方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488977A (zh) * 2013-09-22 2014-01-01 江苏美伦影像系统有限公司 基于svm的医学影像管理系统
CN107582097A (zh) * 2017-07-18 2018-01-16 中山大学附属第医院 一种基于多模态超声组学的智能辅助决策系统
TW201902411A (zh) * 2017-06-09 2019-01-16 多田智裕 藉由消化器官之內視鏡影像之疾病的診斷支援方法、診斷支援系統、診斷支援程式及記憶此診斷支援程式之電腦可讀取之記錄媒體

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488977A (zh) * 2013-09-22 2014-01-01 江苏美伦影像系统有限公司 基于svm的医学影像管理系统
TW201902411A (zh) * 2017-06-09 2019-01-16 多田智裕 藉由消化器官之內視鏡影像之疾病的診斷支援方法、診斷支援系統、診斷支援程式及記憶此診斷支援程式之電腦可讀取之記錄媒體
CN107582097A (zh) * 2017-07-18 2018-01-16 中山大学附属第医院 一种基于多模态超声组学的智能辅助决策系统

Also Published As

Publication number Publication date
TW202034346A (zh) 2020-09-16

Similar Documents

Publication Publication Date Title
US10327712B2 (en) Prediction of diseases based on analysis of medical exam and/or test workflow
US7792778B2 (en) Knowledge-based imaging CAD system
Subramanian et al. Cephalometric analysis in orthodontics using artificial intelligence—A comprehensive review
US20090154785A1 (en) Method and system for dynamic pulmonary trunk modeling in computed tomography and magnetic resonance imaging
Bai et al. Thyroid nodules risk stratification through deep learning based on ultrasound images
US11701066B2 (en) Device and method for detecting clinically important objects in medical images with distance-based decision stratification
TWI711050B (zh) 醫療影像辨識裝置及醫療影像辨識方法
JP2021514773A (ja) 医用画像データの表示
Kisilev et al. Semantic description of medical image findings: structured learning approach.
Lu et al. Multitask Deep Neural Network for the Fully Automatic Measurement of the Angle of Progression.
Lucassen et al. Deep learning for detection and localization of B-lines in lung ultrasound
Prabha et al. A big wave of deep learning in medical imaging-analysis of theory and applications
Fontanella et al. Diffusion models for counterfactual generation and anomaly detection in brain images
Ying et al. Weakly supervised segmentation of uterus by scribble labeling on endometrial cancer MR images
Dossun et al. Evaluation of DIR algorithm performance in real patients for radiotherapy treatments: A systematic review of operator-dependent strategies
WO2024093099A1 (zh) 甲状腺超声图像处理方法、装置、介质及电子设备
KR20190059440A (ko) 유사환자 자동검색을 통한 진단 보조 시스템 및 방법
Vocaturo et al. Artificial intelligence approaches on ultrasound for breast cancer diagnosis
Memiş et al. Computerized 2D detection of the multiform femoral heads in magnetic resonance imaging (MRI) sections with the integro-differential operator
Kofler et al. Approaching peak ground truth
CN111724893B (zh) 医疗影像辨识装置及医疗影像辨识方法
WO2023029348A1 (zh) 基于人工智能的图像实例标注方法及相关设备
Colussi et al. Ultrasound detection of subquadricipital recess distension
Chen et al. A 2-step deep learning approach to splenic injury detection
US20210125706A1 (en) Methods and apparatus for artificial intelligence informed radiological reporting and model refinement