TWI836926B - 應用多面向並聯ai判讀架構判讀卵巢惡性腫瘤之方法 - Google Patents
應用多面向並聯ai判讀架構判讀卵巢惡性腫瘤之方法 Download PDFInfo
- Publication number
- TWI836926B TWI836926B TW112107876A TW112107876A TWI836926B TW I836926 B TWI836926 B TW I836926B TW 112107876 A TW112107876 A TW 112107876A TW 112107876 A TW112107876 A TW 112107876A TW I836926 B TWI836926 B TW I836926B
- Authority
- TW
- Taiwan
- Prior art keywords
- malignant
- benign
- slice
- image data
- section
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 17
- 206010033128 Ovarian cancer Diseases 0.000 title claims description 12
- 230000003211 malignant effect Effects 0.000 claims abstract description 99
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000002360 preparation method Methods 0.000 claims abstract description 5
- 201000011510 cancer Diseases 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 18
- 238000012216 screening Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 8
- 238000005520 cutting process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 206010061535 Ovarian neoplasm Diseases 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002271 resection Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本發明依序包括準備步驟、判斷影像資料有效或無效步驟、有效影像資料分類步驟、依分類進行良惡性判斷步驟及完成步驟，進而設一切片初步處理部接收至少二影像資料，並當判斷影像資料為有效切片資料時，即傳送至一切片分類部。切片分類部將有效切片資料依切片型態分類為橫切、縱切、冠切其中一者，並分別傳送至一橫切良惡性判斷部、一縱切良惡性判斷部及一冠切良惡性判斷部；當橫切、縱切與冠切良惡性判斷部其中任一者之輸出結果為惡性時，則顯示「惡性」之訊號；否則顯示「良性」之訊號。本案兼具利用人工智慧(AI)可以輔助醫師判別、多面向綜合判斷之高準確性，及可進行初步篩檢等優點。
Description
本發明係有關一種應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法，尤指一種兼具利用人工智慧(AI)可以輔助醫師判別，及多面向之綜合判斷可提高準確性之準確性高之應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法。
公知對醫學之影像資料(可包含序列之電腦斷層切片資料、核磁共振切片資料或其他類型影像等)之判讀，多半為醫師人工目視判讀居多，如此，在一天看診人數眾多的情況下，加上影像資料若有影像不清的問題時，即可能造成誤判。此外，前述影像資料中可能有許多細微的影像特徵，人眼目視判別極為困難，也是另一問題。
有鑑於此，必須研發出可解決上述習用缺點之技術。
本發明之目的，在於提供一種應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法，其兼具利用人工智慧(AI)可以輔助醫師判別、多面向綜合判斷之高準確性，及可進行初步篩檢等優點。特別是，本發明所欲解決之問題係在於公知對醫學之影像資料之判讀，多半為醫師人工目視判讀居多，如此，在一天看診人數眾多的情況下，加上影像資料若有影像不清的問題時，即可能造成誤判。
此外，前述影像資料中可能有許多細微的影像特徵，人眼目視判別極為困難，也是另一問題。
解決上述問題之技術手段係提供一種應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法，其包括下列步驟：一、準備步驟；二、判斷影像資料有效或無效步驟；三、有效影像資料分類步驟；四、依分類進行良惡性判斷步驟；及五、完成步驟。
本發明之上述目的與優點，不難從下述所選用實施例之詳細說明與附圖中，獲得深入瞭解。
茲以下列實施例並配合圖式詳細說明本發明於後：
10:切片初步處理部
20:切片分類部
30:橫切良惡性判斷部
40:縱切良惡性判斷部
50:冠切良惡性判斷部
S1:準備步驟
S2:判斷影像資料有效或無效步驟
S3:有效影像資料分類步驟
S4:依分類進行良惡性判斷步驟
S5:完成步驟
M1:橫切
M2:縱切
M3:冠切
L1:曲線
P:參考點
第1圖係本發明之流程圖。
第2圖係本發明之方塊圖。
第3圖係本發明之實驗結果之混淆矩陣圖。
第4圖係第3圖之陽性與陰性之對應關係之混淆矩陣圖。
第5圖係本發明之ROC、TPR及FPR之對應關係之曲線圖。
第6A圖係本發明之橫切良性之影像資料之參考CT片。
第6B圖係本發明之橫切惡性之影像資料之參考CT片。
第7A圖係本發明之縱切良性之影像資料之參考CT片。
第7B圖係本發明之縱切惡性之影像資料之參考CT片。
第8A圖係本發明之冠切良性之影像資料之參考CT片。
第8B圖係本發明之冠切惡性之影像資料之參考CT片。
參閱第1及第2圖，本發明係為一種應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法，其包括下列步驟：
一、準備步驟S1：準備一切片初步處理部10、一切片分類部20、一橫切(Transverse)良惡性判斷部30、一縱切(Sagittal)良惡性判斷部40及一冠切(Coronal)良惡性判斷部50。其中，該切片初步處理部10、該切片分類部20、該橫切良惡性判斷部30、該縱切良惡性判斷部40及該冠切良惡性判斷部50係預先經AI訓練完成者。
已知的AI訓練方式為既有技術(恕不詳述)，簡言之，典型已知的AI訓練過程包括：1.資料收集(例如收集CT資料)；2.資料前處理(資料集切割/影像旋轉)；3.訓練模型；4.成效評估(混淆矩陣/其他評估方式)；5.調整參數，此步驟進一步再細分為：a.會先回到前面步驟，直到得到滿意的成效才進入結果推論、b.調整參數(若前步驟之成效不滿意時)的方法主要是從學習率、一次訓練的量下手；6.結果推論/分析。
更詳細的說，關於前述之AI訓練過程，可使用的模型是VGG16/VGG19，兩者差異只有捲積層數的不同；又，其優化策略函數我們是用Adam，損失函數是用sparse categorical crossentropy，因為是很常見的模型及訓練策略，恕不贅述。關於使用套件，例如可用：Tensorflow(Google)、Keras(François Chollet)、Sklearn(David Cournapeau)、Numpy(Travis Oliphant)等，均為已知技術。
二、判斷影像資料有效或無效步驟S2：該切片初步處理部10係用以接收至少二影像資料，並判斷該至少二影像資料為有效影像資料、無效影像資料其中一者；並將有效影像資料傳送至該切片分類部20。其中，當該影像資料之影像中不包含人體皮膚內之腔體時，則被判斷屬於無效影像資料；反之，則被判斷屬於有效影像資料。
三、有效影像資料分類步驟S3：該切片分類部20係用以接收該有效影像資料，並依切片型態分類為橫切M1、縱切M2、冠切M3其中一者。再分別對應傳送至橫切良惡性判斷部30、該縱切良惡性判斷部40、該冠切良惡性判斷部50其中至少一者。
四、依分類進行良惡性判斷步驟S4：
[a]當該有效影像資料為該橫切M1，則該橫切良惡性判斷部30係用以判斷其為惡性、良性其中一者。
[b]當該有效影像資料為該縱切M2，則該縱切良惡性判斷部40係用以判斷其為惡性、良性其中一者。
[c]當該有效影像資料為該冠切M3，則該冠切良惡性判斷部50係用以判斷其為惡性、良性其中一者。
五、完成步驟S5：當以該橫切良惡性判斷部30、該縱切良惡性判斷部40及該冠切良惡性判斷部50構成『並聯架構』，且其中至少一者之輸出結果為惡性時，則顯示「惡性」之訊號；否則顯示「良性」之訊號。
其中，該切片初步處理部10係用以接收至少二影像資料，其切片型態分類為該橫切M1、該縱切M2、該冠切M3其中之至少二者；當然，若前述之切片型態分類為該橫切M1、該縱切M2及該冠切M3三者則更佳。
實務上，該影像資料可為電腦斷層掃描(英文為Computerized Tomography，簡稱CT)影像資料、核磁共振(英文為Magnetic Resonance Imaging，簡稱MRI)切片資料或其他類型之切片資料。
此外，該橫切良惡性判斷部30之功能是用來判斷某一影像資料是屬於惡性或良性。所以，在預先訓練時，會先由專科醫師挑選出N張橫切良性的影像資料(參考第6A圖)及N張橫切惡性的影像資料(參考第6B圖)，經AI訓練後而得到該橫切良惡性判斷部30。同理，亦由專科醫師挑選出N張縱切良性的影像資料(參考第7A圖)及N張縱切惡性的影像資料(參考第7B圖)，經AI訓練後而得到該縱切良惡性判斷部40。再由專科醫師挑選出N張冠切良性的影像資料(參考第8A圖)及N張冠切惡性的影像資料(參考第8B圖)，經AI訓練後得到該縱切良惡性判斷部50。
當然，關於該切片初步處理部10及該切片分類部20之預先訓練過程，亦可如前述，先提供N張影像資料，接著由專科醫師先區分可用(符合標準)與不可用(模糊或是不符合標準)之影像資料(即為該切片初步處理部10)，再來，亦由專利醫師將可用的N張影像資料區分為該橫切M1、該縱切M2或是該冠切M3(亦即該切片分類部20)，即完成預先訓練。
更詳細的說，當該影像資料之影像中不包含人體皮膚內之腔體時(例如：縱切時僅切到人體皮膚左右兩側之外的空氣、冠切時僅切到人體肚皮上方之空氣、冠切時僅切到人體背部下方之床板或直立背板)，則被判斷屬於無效影像資料；反之，則被判斷屬於有效影像資料。
參閱第3圖，其為上述系統之某一實驗結果後產生之混淆矩陣：其中：
右下為真陰(True Negative，TN)，數值為0.764；左下為偽陽(False Positive，FP)，數值為0.236；右上為偽陰(False Negative，FN)，數值為0.099；及左上為真陽(True Positive，TP)，數值為0.901。
其陰性及陽性之對應關係則可參閱第4圖：當實際值1，則實際上是陽性；當實際值0，則實際上是陰性；當預測值1，則預測是陽性；及當預測值0，則預測是陰性。
接著，參閱下(表一)，此為另一實測結果之舉例數據，以便於理解：
其中：平均率：將所有類別的權重都設相同；及加權平均：是按類別的數量不同給予不同的權重。
進一步，表一配合第3及第4圖，可分別對應下列(公式1)、(公式2)、(公式3)、(公式4)、(公式5)及(公式6)：
其中，精確率愈高，表示模型預測較為保守。
其中，召回率愈高，表示模型在輸入之影像資料中正確預測之比例愈高。
其中，F 1 -計分為精確率與召回率之調和平均數。
錯誤預測率(False predict rate，簡稱FPR)：模型預測為實際陰性中之偽陽(預測陽性實際是陰性)的比率。
真實預測率(True predict rate，簡稱TPR)：模型預測為實際陽性中之真陽(預測陽性實際是陽性)的比率。
參閱第5圖，其為接收者操作特徵(Receiver operating characteristic，簡稱ROC)曲線，其係將同一模型之不同閥值(threshold)得到之結果，繪製於ROC空間中得到的曲線，其中曲線L1上之參考點P顯示越靠近左上角代表效能越好，且該參考點P即為真實預測率扣除錯誤預測率之最大值所在之點，相當於統計學上的約登指數(Youden index)，即為靈敏度(sensitivity)+特異度(specificity)-1最大值所在之點。又，第5圖之結果係在模型之閥值(threshold)定義為0.8時所得的結果；當然，閥值(threshold)係可視情況修改調整，本案之實驗過程中，亦曾有閥值(threshold)為0.314之情形。而曲線下面積(Area Under Curve，簡稱AUC)為模型評估的方式之一，AUC越接近1(AUC只會在0~1之間，本案為0.88)代表正確率越高。
而當其中的虛線L2代表AUC=0.5時，則代表模型沒有預測價值，該虛線L2僅為方便判斷模型的效能之示意而已。
此外，關於本案之並聯架構是採用橫切良惡性判斷部30、縱切良惡性判斷部40與該冠切良惡性判斷部50必須三者並聯(而非兩者並聯)之原因，請參考下表二。
由上(表二)之實驗數據可看出，若只有該橫切良惡性判斷部30及該縱切良惡性判斷部40兩者並聯時，其AUC=0.68；若只有該橫切良惡性判斷部30及該冠切良惡性判斷部40兩者並聯時，其AUC=0.71；都低於該橫切良惡性判斷部30、該縱切良惡性判斷部40與該該冠切良惡性判斷部50三者並聯之AUC=0.8。因此，本案採用三者並聯，而排除兩者並聯之型態。
茲舉例簡單說明本案之辨識方法：
(a)假設某一醫師將病患甲之2張影像資料(例如為該橫切M1及縱切M2之CT片)輸入本發明之系統後，最後會經過該橫切良惡性判斷部30與該縱切良惡性判斷部40之判斷，且若輸出結果為「良性」及「良性」，則代表該影像資料輸入後之結果為良性。
(b)假設某一醫師將病患乙之三張(包括該橫切M1、該縱切M2及該冠切M3)影像資料(例如CT片)輸入本發明之系統後，最後會分別經過相對應之該橫切良惡性判斷部30、該縱切良惡性判斷部40與該冠切良惡性判斷部50之判斷，且
若三個輸出結果均為「良性、良性、良性」，則代表該三張影像資料輸入後之最終結果為良性。
(c)假設某一醫師將病患丙之三張(包括該橫切M1、該縱切M2及該冠切M3)影像資料(例如CT片)輸入本發明之系統後，同樣分別經過相對應之該橫切良惡性判斷部30、該縱切良惡性判斷部40與該冠切良惡性判斷部50之判斷，且若三個輸出結果分別為「良性、惡性、良性」，則代表該三張影像資料輸入後之最終結果為惡性(只要任一輸出結果是惡性，即為惡性)。
換言之，本發明只要發現該橫切良惡性判斷部30、該縱切良惡性判斷部40與該冠切良惡性判斷部50之任一判斷為惡性時，則最終結果就是惡性，並提供一訊息給醫師參考。通常醫師為慎重起見，可能會再安排更精密更詳細的檢測，來確定是否為惡性。
此外，本案之完成步驟S5中，可再增加顯示判斷為良性及惡性之總張數及其比率；例如：
(d)假設某一醫師將病患丁之60張(包括該橫切M1、該縱切M2及該冠切M3各20張)影像資料(例如CT片)輸入本發明之系統後，最後有3張被判斷為惡性而57張為良性，則本系統除顯示「惡性」之外，額外顯示：良性57張(95%)、惡性3張(5%)。
(e)假設某一醫師將病患戊之60張(包括該橫切M1、該縱切M2及該冠切M3各20張)影像資料(例如CT片)輸入本發明之系統後，最後有52張被判斷為惡性而8張為良性，則本系統除顯示「惡性」之外，額外顯示：良性8張(13%)、惡性52張(87%)。
藉此，除了可知道「惡性」之準確度外，還可知道被判斷惡性之比率，供專科醫師參考。
本案之優點及功效可以歸納如下：
[1]利用人工智慧(AI)可以輔助醫師判別。由於本案利用人工智慧(AI)的技術，將已有的大量資料(含良性、惡性之橫切、縱切及冠切三方向)進行訓練，訓練後可以建構出本系統之主要架構，可以應用於婦產科判斷是否有卵巢癌，特別是可以解決人眼不易察覺之某些細部影像特徵，所以本案有很好的輔助判別效果。故，利用人工智慧(AI)可以輔助醫師判別
[2]多面向綜合判斷之高準確性。由於卵巢癌之腫瘤形狀不一，分布狀態也不同，本案以多面向：橫切、縱切及冠切等三方向以並聯架構進行綜合判斷，可提高準確性。故，多面向綜合判斷之高準確性。
[3]可進行初步篩檢。當某些醫院沒有專科醫師可以及時判讀時(例如：檢診所、衛生所，或是偏遠區域的醫院)，本案之系統即可進行初步篩檢。若結果為惡性，則再轉往較大型之醫療院所，經由專科醫師進行更精確的醫療檢查。
以上僅是藉由較佳實施例詳細說明本發明，對於該實施例所做的任何簡單修改與變化，皆不脫離本發明之精神與範圍。
S1:準備步驟
S2:判斷影像資料有效或無效步驟
S3:有效影像資料分類步驟
S4:依分類進行良惡性判斷步驟
S5:完成步驟
Claims (4)
- 一種應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法，係包括下列步驟：一、準備步驟：準備一切片初步處理部、一切片分類部、一橫切良惡性判斷部、一縱切良惡性判斷部及一冠切良惡性判斷部；二、判斷影像資料有效或無效步驟：該切片初步處理部係用以接收至少二影像資料，並判斷該至少二影像資料為有效影像資料、無效影像資料其中一者；並將有效影像資料傳送至該切片分類部；其中，當該影像資料之影像中不包含人體皮膚內之腔體時，則被判斷屬於無效影像資料；反之，則被判斷屬於有效影像資料；三、有效影像資料分類步驟：該切片分類部係用以接收該有效影像資料，並依切片型態分類為橫切、縱切、冠切其中一者；再分別對應傳送至橫切良惡性判斷部、該縱切良惡性判斷部、該冠切良惡性判斷部其中至少一者；四、依分類進行良惡性判斷步驟：[a]當該有效影像資料為該橫切，則該橫切良惡性判斷部係用以判斷其為惡性、良性其中一者；[b]當該有效影像資料為該縱切，則該縱切良惡性判斷部係用以判斷其為惡性、良性其中一者；[c]當該有效影像資料為該冠切，則該冠切良惡性判斷部係用以判斷其為惡性、良性其中一者；及 五、完成步驟：當以該橫切良惡性判斷部、該縱切良惡性判斷部及該冠切良惡性判斷部構成並聯架構，且其中至少一者之輸出結果為惡性時，則顯示「惡性」之訊號；否則顯示「良性」之訊號；其中，該切片初步處理部係用以接收至少二影像資料，其切片型態分類為該橫切、該縱切、該冠切其中之至少二者。
- 如請求項1所述之應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法，其中，該切片初步處理部係用以接收至少三影像資料，其切片型態分類為該橫切、該縱切及該冠切三者。
- 如請求項1或2所述之應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法，其中，在該完成步驟後，又顯示出被判斷為良性、惡性之數量與所佔之百分比。
- 如請求項1所述之應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法，其中，該切片初步處理部、該切片分類部、該橫切良惡性判斷部、該縱切良惡性判斷部及該冠切良惡性判斷部係預先經AI訓練完成者。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112107876A TWI836926B (zh) | 2023-03-03 | 2023-03-03 | 應用多面向並聯ai判讀架構判讀卵巢惡性腫瘤之方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112107876A TWI836926B (zh) | 2023-03-03 | 2023-03-03 | 應用多面向並聯ai判讀架構判讀卵巢惡性腫瘤之方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TWI836926B true TWI836926B (zh) | 2024-03-21 |
Family
ID=91269748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112107876A TWI836926B (zh) | 2023-03-03 | 2023-03-03 | 應用多面向並聯ai判讀架構判讀卵巢惡性腫瘤之方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI836926B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的系统和方法 |
| CN110210519A (zh) * | 2019-05-10 | 2019-09-06 | 上海联影智能医疗科技有限公司 | 分类方法、计算机设备和存储介质 |
| CN113052228A (zh) * | 2021-03-22 | 2021-06-29 | 山西三友和智慧信息技术股份有限公司 | 一种基于SE-Inception的肝癌病理切片分类方法 |
| CN113657479A (zh) * | 2021-08-12 | 2021-11-16 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、系统及介质 |
-
2023
- 2023-03-03 TW TW112107876A patent/TWI836926B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的系统和方法 |
| CN110210519A (zh) * | 2019-05-10 | 2019-09-06 | 上海联影智能医疗科技有限公司 | 分类方法、计算机设备和存储介质 |
| CN113052228A (zh) * | 2021-03-22 | 2021-06-29 | 山西三友和智慧信息技术股份有限公司 | 一种基于SE-Inception的肝癌病理切片分类方法 |
| CN113657479A (zh) * | 2021-08-12 | 2021-11-16 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、系统及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110464380B (zh) | 一种对中晚孕期胎儿的超声切面图像进行质量控制的方法 | |
| Blanchard et al. | Phallometric comparison of pedophilic interest in nonadmitting sexual offenders against stepdaughters, biological daughters, other biologically related girls, and unrelated girls | |
| CN111223092A (zh) | 胎儿超声切面图像自动质控系统及检测方法 | |
| Tang et al. | CNN-based qualitative detection of bone mineral density via diagnostic CT slices for osteoporosis screening | |
| CN107292103A (zh) | 一种预测图像生成方法及装置 | |
| Arthuis et al. | Computed tomographic study of anatomical relationship between pubic symphysis and ischial spines to improve interpretation of intrapartum translabial ultrasound | |
| CN109543623A (zh) | 一种基于核磁共振成像的胎儿发育状况预测装置 | |
| Levine et al. | Frequency and cause of disagreements in diagnoses for fetuses referred for ventriculomegaly | |
| CN113240654A (zh) | 一种多维度特征融合的颅内动脉瘤检测方法 | |
| CN115564741A (zh) | 基于ct图像量化食管胃底静脉曲张的装置 | |
| CN111481233B (zh) | 胎儿颈项透明层厚度测量方法 | |
| Saw et al. | Motorizing and optimizing ultrasound strain elastography for detection of intrauterine growth restriction pregnancies | |
| Bauman et al. | Ultrasonographic determination of pubic symphyseal widening in trauma: the FAST-PS study | |
| TWI836926B (zh) | 應用多面向並聯ai判讀架構判讀卵巢惡性腫瘤之方法 | |
| CN112690815A (zh) | 基于肺部图像报告辅助诊断病变等级的系统和方法 | |
| Li et al. | Effects of osseous structure based on three-dimensional reconstructive imaging evaluation in the assessment of temporomandibular joint disc position | |
| US11734915B2 (en) | Automated and assisted identification of stroke using feature-based brain imaging | |
| Deepika et al. | Deep learning based automated screening for intracranial hemorrhages and grad-cam visualizations on non-contrast head computed tomography volumes | |
| Zalud et al. | Placental and spiral artery volume and gray‐scale value assessment via 3‐dimensional sonography in the second trimester | |
| Zhao et al. | Glenoid segmentation from computed tomography scans based on a 2-stage deep learning model for glenoid bone loss evaluation | |
| Jiang et al. | Development and validation of the diagnostic accuracy of artificial intelligence-assisted ultrasound in the classification of splenic trauma | |
| Calandriello et al. | Quantitative CT analysis in ILD and the use of artificial intelligence on imaging of ILD | |
| Meng et al. | A machine learning approach for preoperatively assessing pulmonary function with computed tomography in patients with lung cancer | |
| Chen et al. | Deep learning to assist composition classification and thyroid solid nodule diagnosis: a multicenter diagnostic study | |
| CN111544021B (zh) | 一种基于胸部ct的covid-19疾病进展评价方法及装置 |