TWI795108B - 用於判別醫療影像的電子裝置及方法 - Google Patents

用於判別醫療影像的電子裝置及方法 Download PDF

Info

Publication number
TWI795108B
TWI795108B TW110144968A TW110144968A TWI795108B TW I795108 B TWI795108 B TW I795108B TW 110144968 A TW110144968 A TW 110144968A TW 110144968 A TW110144968 A TW 110144968A TW I795108 B TWI795108 B TW I795108B
Authority
TW
Taiwan
Prior art keywords
image
images
region
training
input
Prior art date
Application number
TW110144968A
Other languages
English (en)
Other versions
TW202324441A (zh
Inventor
劉曉薇
賴程威
周森益
Original Assignee
財團法人工業技術研究院
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 財團法人工業技術研究院 filed Critical 財團法人工業技術研究院
Priority to TW110144968A priority Critical patent/TWI795108B/zh
Priority to US17/563,060 priority patent/US20230178219A1/en
Application granted granted Critical
Publication of TWI795108B publication Critical patent/TWI795108B/zh
Publication of TW202324441A publication Critical patent/TW202324441A/zh

Links

Images

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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

提供一種用於判別醫療影像的電子裝置及方法。所述方法包括：獲得輸入影像；將輸入影像輸入第一機器學習模型，以產生標記影像，其中標記影像包括多個區域影像；將標記影像輸入第二機器學習模型，以產生分別對應於多個區域影像的多個區域判別資料；以及顯示包括多個區域判別資料的判別結果。

Description

用於判別醫療影像的電子裝置及方法
本揭露是有關於一種用於判別醫療影像的電子裝置及判別醫療影像的方法。
目前，醫師在判別（診斷）醫療影像時需以人工方式標記，且需人工觀察醫療影像中的特徵才能進行判別（診斷）。然而，醫療影像可能因為拍攝機台或拍攝角度的差異而導致不易判讀。如何能夠更有效率地判別（診斷）醫療影像，是本領域的重要技術課題。
本揭露提供一種用於判別醫療影像的電子裝置及方法，可提高判別醫療影像的效率。
本揭露的用於判別醫療影像的電子裝置包括儲存裝置、輸入輸出裝置以及處理器。儲存裝置儲存第一機器學習模型以及第二機器學習模型。處理器耦接輸入輸出裝置以及儲存裝置，其中處理器用以通過輸入輸出裝置獲得輸入影像並且將輸入影像輸入第一機器學習模型，以產生標記影像，其中標記影像包括多個區域影像，其中處理器更用以將標記影像輸入第二機器學習模型，以產生分別對應於多個區域影像的多個區域判別資料，並且通過輸入輸出裝置顯示包括多個區域判別資料的判別結果。
本揭露的判別醫療影像的方法包括：獲得輸入影像；將輸入影像輸入第一機器學習模型，以產生標記影像，其中標記影像包括多個區域影像；將標記影像輸入第二機器學習模型，以產生分別對應於多個區域影像的多個區域判別資料；以及顯示包括多個區域判別資料的判別結果。
基於上述，本揭露的用於判別醫療影像的電子裝置及方法可以利用機器學習模型將輸入的醫療影像標記出多個區域，並且利用機器學習模型產生該些區域的區域判別資料。除此之外，若前述標記出的多個區域的存在誤差，還可利用區域修正影像增加後續區域判別資料的可靠性。基此，提高了判別醫療影像的效率。
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是根據本揭露的一範例實施例所繪示的用於判別醫療影像的電子裝置100的方塊圖。
請參照圖1，電子裝置100包括儲存裝置110、輸入輸出裝置120以及處理器130。
儲存裝置110可以是任意型式的固定式或可移動式隨機存取記憶體（Random Access Memory，RAM）、唯讀記憶體（Read-Only Memory，ROM）、快閃記憶體（Flash memory）、硬碟或其他類似裝置或這些裝置的組合。在本範例實施例中，儲存裝置110儲存有第一機器學習模型111以及第二機器學習模型112。第一機器學習模型111及/或第二機器學習模型112例如是用於大規模圖像識別的非常深的卷積網絡（Very Deep Convolutional Networks for Large-Scale Image Recognition，VGG）、卷積神經網路（Convolutional Neural Network，CNN）、遞迴神經網路 （Recurrent Neural Network，RNN）或長短期記憶（Long Short Term Memory，LSTM）遞迴神經網路。
輸入輸出裝置120耦接至處理器130並用以傳遞訊號。處理器130可經由輸入輸出裝置120接收輸入訊號或者傳送輸出訊號。輸入輸出裝置120例如包括滑鼠、鍵盤、螢幕、觸控面板、及/或揚聲器等各式輸入/輸出裝置。
處理器130耦接儲存裝置110以及輸入輸出裝置120，以控制電子裝置100的運作。在本範例實施例中，處理器130例如是一般用途處理器、特殊用途處理器、傳統的處理器、數位訊號處理器、多個微處理器（microprocessor）、一個或多個結合數位訊號處理器核心的微處理器、控制器、微控制器、特殊應用集成電路（Application Specific Integrated Circuit，ASIC）、場可程式閘陣列電路（Field Programmable Gate Array，FPGA）、任何其他種類的積體電路、狀態機、基於進階精簡指令集機器（Advanced RISC Machine，ARM）的處理器以及類似品。
圖2是根據本揭露的一範例實施例所繪示的判別醫療影像的方法的流程圖。在本範例實施例中，圖2所述的方法是由電子裝置100來執行與實施。
在步驟S201中，處理器130通過輸入輸出裝置120獲得輸入影像。本範例實施例的輸入影像可以是X光影像、CT影像或MRI影像。換言之，本範例實施例的輸入影像為待判別（診斷）的醫療影像。
在一範例實施例中，處理器130可利用第一訓練資料集來訓練第一機器學習模型111。第一訓練資料集可包括分別對應於多個訓練影像的多個訓練標記影像。
圖3是根據本揭露的一範例實施例所繪示的第一訓練資料集的示意圖。
第一訓練資料集中的其中一個訓練資料可以是對應於圖3的訓練影像301（脊椎的X光影像）的訓練標記影像302。訓練標記影像302可以是在訓練影像301上以人工標記。
在步驟S202中，處理器130可將輸入影像輸入第一機器學習模型111，以產生標記影像，其中標記影像包括多個區域影像。
圖4A與圖4B是根據本揭露的一範例實施例所繪示的標記影像的示意圖。
處理器130可將圖4A所示的輸入影像401輸入第一機器學習模型111，以產生圖4B所示的標記影像402。標記影像402可包括區域影像4021、區域影像4022、…、區域影像4029。
在一範例實施例中，處理器130可如圖4B所示通過輸入輸出裝置120顯示標記影像402，以供醫師檢視。醫師可檢視標記影像402，並且經由輸出裝置120輸入區域修正影像。舉例來說，若醫師認為標記影像402中的區域影像4022及區域影像4029有誤，醫師可經由輸出裝置120繪製正確的區域影像4022及正確的區域影像4029，並經由輸出裝置120將區域影像4021、正確的區域影像4022、區域影像4023、…、區域影像4028以及正確的區域影像4029做為區域修正影像。
響應於通過輸入輸出裝置120接收對應於標記影像的區域修正影像，處理器130可將區域修正影像做為更新的標記影像。
具體而言，在步驟S203中，處理器130會判斷是否有通過輸入輸出裝置120接收對應於標記影像的區域修正影像。
若處理器130判斷有通過輸入輸出裝置120接收對應於標記影像的區域修正影像（步驟S203的判斷結果為「是」），則在步驟S204中，處理器130可將區域修正影像做為更新的標記影像。接著，在步驟S205中，處理器130可將更新的標記影像輸入第二機器學習模型112，以產生分別對應於多個區域影像的多個區域判別資料。
在一範例實施例中，處理器130可利用第一機器學習模型111產生的標記影像402以及（醫師手動輸入的）區域修正影像獲得標記誤差度，並且比較標記誤差度與預設的標記誤差度門檻值。
響應於標記誤差度大於標記誤差度門檻值，處理器130可將對應於輸入影像的區域修正影像加入第一訓練資料集，以訓練第一機器學習模型111。換言之，由於第一機器學習模型111產生的標記影像402與（醫師手動輸入的）區域修正影像的誤差過大，處理器130可將輸入影像與區域修正影像加入第一訓練資料集，以訓練第一機器學習模型111。
若處理器130判斷沒有通過輸入輸出裝置120接收對應於標記影像的區域修正影像（步驟S203的判斷結果為「否」），則在步驟S205中，處理器130可將標記影像輸入第二機器學習模型112，以產生分別對應於多個區域影像的多個區域判別資料。
在一範例實施例中，處理器130可利用第二訓練資料集來訓練第二機器學習模型112。第二訓練資料集可包括分別對應於多個訓練區域影像的多個訓練區域判別資料。
圖5是根據本揭露的一範例實施例所繪示的訓練區域影像的示意圖。
圖5所示的訓練影像301可包括訓練區域影像3011、訓練區域影像3012、…、訓練區域影像3017。進一步而言，用來訓練第二機器學習模型112的第二訓練資料集可包括分別對應於訓練區域影像3011、訓練區域影像3012、…、訓練區域影像3017的訓練區域判別資料。在本範例實施例中，在處理器130通過輸入輸出裝置120顯示訓練影像301之後，醫師可判定訓練區域影像3011、訓練區域影像3012、…、訓練區域影像3017是否異常（及/或異常等級），並將各訓練區域影像的判定結果做為訓練區域判別資料。舉例來說，對應於訓練區域影像3011的訓練區域判別資料可以是等級2（例如，椎間盤退化的等級/嚴重程度為2級）。
在一範例實施例中，處理器130可計算分別對應多個訓練區域影像的多個訓練區域維度。在將分別對應於多個訓練區域維度的多個訓練區域判別資料加入第二訓練資料集之後，處理器130可利用此第二訓練資料集來訓練第二機器學習模型112。
圖6是根據本揭露的另一範例實施例所繪示的訓練區域影像的示意圖。
圖6所示的標記影像可包括訓練區域影像601、訓練區域影像602、…、訓練區域影像606。處理器130可計算關聯於此些訓練區域影像的訓練區域維度（例如各訓練區域影像的長度與寬度）。接著，處理器130可通過輸入輸出裝置120顯示訓練區域影像601的訓練區域維度601a、訓練區域影像602的訓練區域維度602a…、訓練區域影像606的訓練區域維度606a。在本範例實施例中，在處理器130通過輸入輸出裝置120顯示訓練區域維度601a~訓練區域維度606a之後，醫師可判定訓練區域影像601、訓練區域影像602、…、訓練區域影像606是否異常（及/或異常等級），並經由輸入輸出裝置120將各訓練區域影像的判定結果做為訓練區域判別資料。基此，分別對應於此些訓練區域影像的各訓練區域判別資料可被加入第二訓練資料集，以由處理器130利用此第二訓練資料集來訓練第二機器學習模型112。
請再參考圖2。在產生分別對應於多個區域影像的多個區域判別資料之後，在步驟S206中，處理器130可通過輸入輸出裝置120顯示包括多個區域判別資料的判別結果。
在一範例實施例中，處理器130可計算關聯於多個區域影像的多個區域維度。接著，處理器130可將標記影像以及多個區域維度輸入第二機器學習模型112，以產生分別對應於多個區域影像的多個區域判別資料。換言之，如前述實施例所說明的，由於（用來訓練第二機器學習模型112的）第二訓練資料集中的訓練資料可以是對應於訓練區域維度的訓練區域判別資料，處理器130可利用區域維度及第二機器學習模型112產生區域判別資料。
圖7是根據本揭露的一範例實施例所繪示的人體脊椎骨的示意圖。
圖7所示的人體脊椎骨700可包括頸椎部位701、胸椎部位702、腰椎部位703以及薦椎部位704，其中腰椎703可包括椎節7031、椎節7032、…、椎節7035。
在一範例實施例中，處理器130可根據圖7以及表1來計算關聯於多個區域影像的多個區域維度。以下將進一步說明。 表1
區域維度項目 說明
區域維度L1 椎節7031的上板與下板之夾角
區域維度L2 椎節7032的上板與下板之夾角
區域維度L3 椎節7033的上板與下板之夾角
區域維度L4 椎節7034的上板與下板之夾角
區域維度L5 椎節7035的上板與下板之夾角
區域維度L1-L2 椎節7031的上椎節下板與椎節7032的下椎節上板的夾角
區域維度L2-L3 椎節7032的上椎節下板與椎節7033的下椎節上板的夾角
區域維度L3-L4 椎節7033的上椎節下板與椎節7034的下椎節上板的夾角
區域維度L4-L5 椎節7034的上椎節下板與椎節7035的下椎節上板的夾角
圖8是根據本揭露的另一範例實施例所繪示的判別結果的示意圖。在本範例實施例中，在第一機器學習模型111產生如圖8所示的（人體腰椎的）標記影像之後，處理器130可根據圖7以及表1 計算關聯於區域影像801、區域影像802、…、區域影像805的多個區域維度。舉例來說，處理器130可利用區域影像801（位置對應於椎節7031）計算區域維度L1，利用區域影像802（位置對應於椎節7032）計算區域維度L2，且利用區域影像801與區域影像802計算區域維度L1-L2。
處理器130可通過輸入輸出裝置120顯示計算出的各區域維度。接著，處理器130可將圖8所示包括區域影像801、區域影像802、…、區域影像805的標記影像以及各區域維度輸入第二機器學習模型112，以產生分別對應於多個區域影像的多個區域判別資料，並且通過輸入輸出裝置120顯示包括多個區域判別資料以及多個區域維度的判別結果。
需說明的是，表1所示的區域維度項目僅為示例。區域維度項目還可包括但不限於骨盆入射角（pelvic incidence，PI）、骶骨傾斜角（sacral slope，SS）、骨盆傾斜角（Pelvic Tilt ，PT）等。
在一範例實施例中，在步驟S201中，處理器130可同時獲得多張輸入影像，並經由前述實施例所說明的方式，在針對此些輸入影像分別產生多個區域判別資料之後，通過輸入輸出裝置120同時顯示此些輸入影像的判別結果。舉例來說，處理器130可計算輸入影像1中椎節7031與椎節7032的位移值1，並且計算輸入影像2中椎節7031與椎節7032的位移值2。若位移值1與位移值2的差異大於門檻值，則椎節7031的區域判別資料及椎節7032的區域判別資料為異常。
綜上所述，本揭露的用於判別醫療影像的電子裝置及方法可以利用機器學習模型將輸入的醫療影像標記出多個區域，並且利用機器學習模型產生該些區域的區域判別資料。除此之外，若前述標記出的多個區域的存在誤差，還可利用區域修正影像增加後續區域判別資料的可靠性。基此，提高了判別醫療影像的效率。
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:電子裝置 110:儲存裝置 111:第一機器學習模型 112:第二機器學習模型 120:輸入輸出裝置 130:處理器 S201~S206:步驟 301:訓練影像 3011、3012、…、3017、601、602、…、606:訓練區域影像 302:訓練標記影像 401:輸入影像 402:標記影像 4021、4022、…、4029、801、802、…、805:區域影像 601a、602a、…、606a:訓練區域維度 700:人體脊椎骨 701:頸椎部位 702:胸椎部位 703:腰椎部位 7301、7302、7303、7304、7305:椎節 704:薦椎部位
圖1是根據本揭露的一範例實施例所繪示的用於判別醫療影像的電子裝置的方塊圖。 圖2是根據本揭露的一範例實施例所繪示的判別醫療影像的方法的流程圖。 圖3是根據本揭露的一範例實施例所繪示的第一訓練資料集的示意圖。 圖4A與圖4B是根據本揭露的一範例實施例所繪示的標記影像的示意圖。 圖5是根據本揭露的一範例實施例所繪示的訓練區域影像的示意圖。 圖6是根據本揭露的另一範例實施例所繪示的訓練區域影像的示意圖。 圖7是根據本揭露的一範例實施例所繪示的人體脊椎骨的示意圖。 圖8是根據本揭露的另一範例實施例所繪示的判別結果的示意圖。
S201~S206:步驟

Claims (10)

  1. 一種用於判別醫療影像的電子裝置，包括：一儲存裝置，儲存一第一機器學習模型以及一第二機器學習模型；一輸入輸出裝置；以及一處理器，耦接所述輸入輸出裝置以及所述儲存裝置，其中該處理器用以通過所述輸入輸出裝置獲得一輸入影像並且將所述輸入影像輸入所述第一機器學習模型，以產生一標記影像，其中所述標記影像包括多個區域影像，其中該處理器更用以將所述標記影像輸入所述第二機器學習模型，以產生分別對應於所述多個區域影像的多個區域判別資料，並且通過所述輸入輸出裝置顯示包括所述多個區域判別資料的一判別結果，其中所述處理器更用以計算分別對應多個訓練區域影像的多個訓練區域維度，其中所述第二機器學習模型是利用包括分別對應於所述多個訓練區域維度的多個訓練區域判別資料的一第二訓練資料集所訓練。
  2. 如請求項1所述的用於判別醫療影像的電子裝置，其中所述處理器更用以響應於通過所述輸入輸出裝置接收對應於所述標記影像的一區域修正影像，將所述區域修正影像做為更新的所述標記影像，所述處理器更用以將更新的所述標記影像輸入所述第二機器 學習模型，以產生分別對應於所述多個區域影像的所述多個區域判別資料。
  3. 如請求項2所述的用於判別醫療影像的電子裝置，其中所述處理器更用以利用所述標記影像以及所述區域修正影像獲得一標記誤差度，其中所述處理器更用以響應於所述標記誤差度大於所述標記誤差度門檻值，將對應於所述輸入影像的所述區域修正影像加入一第一訓練資料集。
  4. 如請求項1所述的用於判別醫療影像的電子裝置，其中所述第一機器學習模型是利用包括分別對應於多個訓練影像的多個訓練標記影像的一第一訓練資料集所訓練。
  5. 如請求項1所述的用於判別醫療影像的電子裝置，其中所述處理器更用以計算關聯於所述多個區域影像的多個區域維度，並且將所述標記影像以及所述多個區域維度輸入所述第二機器學習模型，以產生分別對應於所述多個區域影像的多個區域判別資料。
  6. 一種判別醫療影像的方法，包括：獲得一輸入影像；將所述輸入影像輸入一第一機器學習模型，以產生一標記影像，其中所述標記影像包括多個區域影像；將所述標記影像輸入一第二機器學習模型，以產生分別對應於所述多個區域影像的多個區域判別資料；顯示包括所述多個區域判別資料的一判別結果；以及 計算分別對應多個訓練區域影像的多個訓練區域維度，其中所述第二機器學習模型是利用包括分別對應於所述多個訓練區域維度的多個訓練區域判別資料的一第二訓練資料集所訓練。
  7. 如請求項6所述的判別醫療影像的方法，其中將所述標記影像輸入所述第二機器學習模型，以產生分別對應於所述多個區域影像的所述多個區域判別資料的步驟包括：響應於通過所述輸入輸出裝置接收對應於所述標記影像的一區域修正影像，將所述區域修正影像做為更新的所述標記影像；將更新的所述標記影像輸入所述第二機器學習模型，以產生分別對應於所述多個區域影像的所述多個區域判別資料。
  8. 如請求項7所述的判別醫療影像的方法，更包括：利用所述標記影像以及所述區域修正影像獲得一標記誤差度；響應於所述標記誤差度大於所述標記誤差度門檻值，將對應於所述輸入影像的所述區域修正影像加入一第一訓練資料集。
  9. 如請求項6所述的判別醫療影像的方法，其中所述第一機器學習模型是利用包括分別對應於多個訓練影像的多個訓練標記影像的一第一訓練資料集所訓練。
  10. 如請求項6所述的判別醫療影像的方法，其中將所述標記影像輸入所述第二機器學習模型，以產生分別對應於所述多個區域影像的所述多個區域判別資料的步驟包括：計算關聯於所述多個區域影像的多個區域維度；將所述標記影像以及所述多個區域維度輸入所述第二機器學 習模型，以產生分別對應於所述多個區域影像的多個區域判別資料。
TW110144968A 2021-12-02 2021-12-02 用於判別醫療影像的電子裝置及方法 TWI795108B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW110144968A TWI795108B (zh) 2021-12-02 2021-12-02 用於判別醫療影像的電子裝置及方法
US17/563,060 US20230178219A1 (en) 2021-12-02 2021-12-28 Electronic device and method for determining medical images

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110144968A TWI795108B (zh) 2021-12-02 2021-12-02 用於判別醫療影像的電子裝置及方法

Publications (2)

Publication Number Publication Date
TWI795108B true TWI795108B (zh) 2023-03-01
TW202324441A TW202324441A (zh) 2023-06-16

Family

ID=86607982

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110144968A TWI795108B (zh) 2021-12-02 2021-12-02 用於判別醫療影像的電子裝置及方法

Country Status (2)

Country Link
US (1) US20230178219A1 (zh)
TW (1) TWI795108B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180260951A1 (en) * 2017-03-08 2018-09-13 Siemens Healthcare Gmbh Deep Image-to-Image Recurrent Network with Shape Basis for Automatic Vertebra Labeling in Large-Scale 3D CT Volumes
CN112349392A (zh) * 2020-11-25 2021-02-09 北京大学第三医院（北京大学第三临床医学院） 一种人体颈椎医学图像处理系统
TW202110387A (zh) * 2019-09-12 2021-03-16 大陸商上海商湯智能科技有限公司 圖像處理方法、電子設備、電腦可讀儲存介質
CN113516614A (zh) * 2020-07-06 2021-10-19 阿里巴巴集团控股有限公司 脊柱影像的处理方法、模型训练方法、装置及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9863183B2 (en) * 2013-12-09 2018-01-09 Andersen Corporation Anti-sputtering sill system and method
EP3392832A1 (en) * 2017-04-21 2018-10-24 General Electric Company Automated organ risk segmentation machine learning methods and systems
US10832392B2 (en) * 2018-12-19 2020-11-10 Siemens Healthcare Gmbh Method, learning apparatus, and medical imaging apparatus for registration of images
US20230100179A1 (en) * 2021-09-28 2023-03-30 Varian Medical Systems, Inc. Automated, collaborative process for ai model production
US20230153377A1 (en) * 2021-11-12 2023-05-18 Covera Health Re-weighted self-influence for labeling noise removal in medical imaging data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180260951A1 (en) * 2017-03-08 2018-09-13 Siemens Healthcare Gmbh Deep Image-to-Image Recurrent Network with Shape Basis for Automatic Vertebra Labeling in Large-Scale 3D CT Volumes
TW202110387A (zh) * 2019-09-12 2021-03-16 大陸商上海商湯智能科技有限公司 圖像處理方法、電子設備、電腦可讀儲存介質
CN113516614A (zh) * 2020-07-06 2021-10-19 阿里巴巴集团控股有限公司 脊柱影像的处理方法、模型训练方法、装置及存储介质
CN112349392A (zh) * 2020-11-25 2021-02-09 北京大学第三医院（北京大学第三临床医学院） 一种人体颈椎医学图像处理系统

Also Published As

Publication number Publication date
US20230178219A1 (en) 2023-06-08
TW202324441A (zh) 2023-06-16

Similar Documents

Publication Publication Date Title
US10292770B2 (en) Systems, methods, and devices for developing patient-specific spinal treatments, operations, and procedures
US11922654B2 (en) Mammographic image processing method and apparatus, system and medium
CN110634125B (zh) 基于深度学习的胎儿超声图像识别方法及系统
US11328812B2 (en) Medical image processing apparatus, medical image processing method, and storage medium
Malvasi et al. Intrapartum sonographic signs: new diagnostic tools in malposition and malrotation
US10140711B2 (en) Method of analyzing vertebral edges of vertebrae in images acquired from an upright MRI system
TWI795108B (zh) 用於判別醫療影像的電子裝置及方法
BR112020009982A2 (pt) sistema de ultrassom, sistema de imageamento por ultrassom, método e mídia legível por computador não transitória
CN114287915B (zh) 一种基于背部彩色图像的无创脊柱侧弯筛查方法及系统
JP6448588B2 (ja) 医療診断支援装置、医療診断支援システム、情報処理方法及びプログラム
JP2013041428A (ja) 医療診断支援装置及び医療診断支援方法
De Boo et al. Gray-scale reversal for the detection of pulmonary nodules on a PACS workstation
TWI702615B (zh) 視網膜病變評估模型建立方法及系統
WO2023070946A1 (zh) 基于超声图像的测量设备、方法、介质及电子设备
Teshima et al. Magnetic imaging-assisted colonoscopy vs conventional colonoscopy: A randomized controlled trial
US20220287550A1 (en) Endoscopy support apparatus, endoscopy support method, and computer readable recording medium
Guglielmi et al. Comprehensive vertebral deformity and vertebral fracture assessment in clinical practice: intra-and inter-reader agreement of a clinical workflow tool
Karamian et al. Reliability of radiological measurements of type 2 odontoid fracture
CN112991854A (zh) 一种超声教学方法、装置及系统、电子设备
TWI838197B (zh) 於同步顯示之手術動態影像中即時標註提示之系統及方法
WO2023195242A1 (ja) Ｘ線画像処理装置、ｘ線画像処理方法、および、プログラム
WO2023195243A1 (ja) Ｘ線画像処理装置、ｘ線画像処理方法、および、プログラム
JP7396329B2 (ja) 表示方法、プログラム、表示システム、及び、評価システム
EP4272648A1 (en) Method and system for measuring size change of target lesion in x-ray image
TWI828007B (zh) 視力檢測方法及視力檢測系統