CN107644419A - 用于分析医学影像的方法和装置 - Google Patents
用于分析医学影像的方法和装置 Download PDFInfo
- Publication number
- CN107644419A CN107644419A CN201710916007.1A CN201710916007A CN107644419A CN 107644419 A CN107644419 A CN 107644419A CN 201710916007 A CN201710916007 A CN 201710916007A CN 107644419 A CN107644419 A CN 107644419A
- Authority
- CN
- China
- Prior art keywords
- image
- medical image
- diagnostic
- disease
- focal area
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 201000010099 disease Diseases 0.000 claims abstract description 85
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 85
- 230000001537 neural effect Effects 0.000 claims abstract description 46
- 238000003745 diagnosis Methods 0.000 claims abstract description 26
- 230000005856 abnormality Effects 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000012800 visualization Methods 0.000 claims description 15
- 230000007935 neutral effect Effects 0.000 claims description 13
- 230000006854 communication Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 230000003902 lesion Effects 0.000 claims description 10
- 230000000750 progressive effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000008520 organization Effects 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 7
- 238000013523 data management Methods 0.000 claims description 6
- 210000000056 organ Anatomy 0.000 claims description 6
- 238000004445 quantitative analysis Methods 0.000 claims description 6
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 201000011066 hemangioma Diseases 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000005338 frosted glass Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了用于分析医学影像的方法和装置。方法的一具体实施方式包括：获取医学影像数据；基于数据分类神经网络模型，将医学影像数据分类为健康影像和疾病影像；采用病灶区域识别算法识别疾病影像中的疑似病灶区域，得到附标记的疾病影像；将健康影像和附标记的疾病影像发送至显示终端。该实施方式向阅片诊断人员提供了更为准确的辅助诊断图片，从而帮助阅片诊断人员精确、快速和随时随地的完成阅片诊断工作，大大提升了阅片诊断人员的工作效率，并且降低了阅片诊断人员漏诊误诊的概率。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及计算机网络技术领域，尤其涉及用于分析医学影像的方法和装置。
背景技术
在医学领域，如何高效便捷地对各类高维或大尺度医学影像数据(比如三维CT，MRI，PET甚至四维CT影像，以及超大尺度病理图片等)进行诊断是一个亟待解决的难题。
由于医学影像的特殊性，通常只有经过多年专业培养的高年资读片或主管医生才能够准确诊断各种相关病症，青年医生只能通过不断缓慢的学习积累经验才能逐渐上手。另外，由于医学影像数据的敏感性，医生在诊断时往往只能在特定工作环境下(指定阅片室或特定阅片设备)逐图像逐区域的仔细浏览审阅，才能避免漏诊或误诊的发生。
发明内容
本申请的目的在于提出一种用于分析医学影像的方法和装置。
第一方面，本申请实施例提供了一种用于分析医学影像的方法，方法包括：获取医学影像数据；基于数据分类神经网络模型，将医学影像数据分类为健康影像和疾病影像；采用病灶区域识别算法识别疾病影像中的疑似病灶区域，得到附标记的疾病影像；将健康影像和附标记的疾病影像发送至显示终端。
在一些实施例中，方法还包括：接收输入的对于健康影像和附标记的疾病影像的诊断操作；基于诊断操作，确定诊断结果；向显示终端输出诊断结果。
在一些实施例中，将健康影像以及附标记的疾病影像发送至显示终端包括：分割健康影像以及附标记的疾病影像中的目标器官和目标组织，得到目标区域；基于可视化参数，将目标区域的可视化影像发送至显示终端。
在一些实施例中，方法还包括：基于诊断操作，优化数据分类神经网络模型和病灶区域识别算法。
在一些实施例中，基于诊断操作，优化数据分类神经网络模型和病灶区域识别算法包括以下任意一项或多项：响应于诊断操作为对完整医学影像的分类操作和/或分级操作，更正对应分类操作和/或分级操作的医学影像至正确的医学影像类别，并采用更正后的医学影像，优化数据分类神经网络模型；响应于诊断操作为对病灶区域的病灶修正操作，修正对应病灶修正操作的医学影像中标记的疑似病灶区域，并采用修正后的医学影像，优化数据分类神经网络模型。
在一些实施例中，病灶修正操作包括以下一项或多项：对病灶区域的位置、大小信息的标记操作；对病灶区域的分类操作；以及对病灶区域的分割操作。
在一些实施例中，诊断结果包括以下一项或多项：对整体病情的分析结果；对病灶的统计和定量分析结果；典型病灶截图；诊断报告；以及与原数据管理***的通信信息。
在一些实施例中，数据分类神经网络模型基于已标注的医学影像数据集对神经网络进行训练得到；和/或病灶区域识别算法基于已标注的医学影像数据集训练得到。
第二方面，本申请实施例提供了一种用于分析医学影像的装置，装置包括：影像数据获取单元，用于获取医学影像数据；影像数据分类单元，用于基于数据分类神经网络模型，将医学影像数据分类为健康影像和疾病影像；病灶区域识别单元，用于采用病灶区域识别算法识别疾病影像中的疑似病灶区域，得到附标记的疾病影像；分析结果发送单元，用于将健康影像和附标记的疾病影像发送至显示终端。
在一些实施例中，装置还包括：诊断操作接收单元，用于接收输入的对于健康影像和附标记的疾病影像的诊断操作；诊断结果确定单元，用于基于诊断操作，确定诊断结果；诊断结果输出单元，用于向显示终端输出诊断结果。
在一些实施例中，分析结果发送单元包括：目标区域分割单元，用于分割健康影像以及附标记的疾病影像中的目标器官和目标组织，得到目标区域；可视化影像发送单元，用于基于可视化参数，将目标区域的可视化影像发送至显示终端。
在一些实施例中，装置还包括：模型算法优化单元，用于基于诊断操作，优化数据分类神经网络模型和病灶区域识别算法。
在一些实施例中，模型算法优化单元进一步用于以下任意一项或多项：响应于诊断操作为对完整医学影像的分类操作和/或分级操作，更正对应分类操作和/或分级操作的医学影像至正确的医学影像类别，并采用更正后的医学影像，优化数据分类神经网络模型；响应于诊断操作为对病灶区域的病灶修正操作，修正对应病灶修正操作的医学影像中标记的疑似病灶区域，并采用修正后的医学影像，优化数据分类神经网络模型。
在一些实施例中，模型算法优化单元中的病灶修正操作包括以下一项或多项：对病灶区域的位置、大小信息的标记操作；对病灶区域的分类操作；以及对病灶区域的分割操作。
在一些实施例中，诊断结果确定单元中的诊断结果包括以下一项或多项：对整体病情的分析结果；对病灶的统计和定量分析结果；典型病灶截图；诊断报告；以及与原数据管理***的通信信息。
在一些实施例中，影像数据分类单元中的数据分类神经网络模型基于已标注的医学影像数据集对神经网络进行训练得到；和/或病灶区域识别单元中的病灶区域识别算法基于已标注的医学影像数据集训练得到。
第三方面，本申请实施例提供了一种设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上任意一项实施例中所述的用于分析医学影像的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任意一项实施例中所述的用于分析医学影像的方法。
本申请实施例提供的用于分析医学影像的方法和装置，首先获取医学影像数据；之后，基于数据分类神经网络模型，将医学影像数据分类为健康影像和疾病影像；之后，采用病灶区域识别算法识别疾病影像中的疑似病灶区域，得到附标记的疾病影像；最后，将健康影像和附标记的疾病影像发送至显示终端。该实施例可以向阅片诊断人员提供更为准确的辅助诊断图片，从而帮助阅片诊断人员精确、快速和随时随地的完成阅片诊断工作，大大提升了阅片诊断人员的工作效率，并且降低了阅片诊断人员漏诊误诊的概率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是根据本申请的用于分析医学影像的方法的一个实施例的示意性流程图；
图2是根据本申请的用于分析医学影像的方法的又一个实施例的示意性流程图；
图3是根据本申请实施例的用于分析医学影像的方法的一个应用场景的示例性流程图；
图4是根据本申请的用于分析医学影像的装置的一个实施例的示例性结构图；
图5是适于用来实现本申请实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请的用于分析医学影像的方法的一个实施例的流程100。该用于分析医学影像的方法包括：
在步骤110中，获取医学影像数据。
在本实施例中，医学影像数据是指各类高维或大尺度医学影像数据。这里的高维是指二维影像(比如病理，x光图像)，三维影像(比如CT，MRI，PET等)，四维影像(随时间变化的多时相CT，在三维影像的基础上多了时间维度)等。这里的大尺度图像是指分辨率从I万×J万至M百×N百之间的图像，其中，I、J、M、N均为大于0的数字，例如整数或浮点数。
这里的医学影像数据，可以通过多种方式获取，比如通过医生或患者或其它第三方的主动上传获取，或者通过连接医院内或外的数据管理***(比如医院信息***、应用在医院影像科室的影像归档和通信***PACS等)获取，或者通过连接特定数据存储服务器(比如医学影像云等)获取。
在步骤120中，基于数据分类神经网络模型，将医学影像数据分类为健康影像和疾病影像。
在本实施例中，数据分类神经网络模型可以基于已标注健康影像和疾病影像的医学影像数据集对神经网络进行训练得到，进一步地，这里的已标注疾病影像的医学影像数据集可以为已标注病灶区域的医学影像数据集。
数据分类神经网络模型可以采用适用于医学影像数据分类问题的卷积神经网络，例如VGG16、ResNet、Inception、3D CNN等。其中，VGG16卷积神经网络，该结构有13个卷积层，3个全链接层。一共13+3＝16层；ResNet不分解原问题，而是把神经网络分解来降低拟合函数的复杂度，而损失函数是拟合函数的函数，所以降低拟合函数的复杂度也等同于降低了损失函数的复杂度；Inception是谷歌提出的一种比VGG16更深的卷积神经网络，采用不同大小卷积核(例如1×1，3×3，5×5混用的方式)提高网络的宽度和适应性，可以减少网络训练参数，提高泛化能力和精度；3D CNN是三维卷积神经网络，主要用于三维数据训练，采用三维卷积操作。
这里的数据分类神经网络模型，在分类医学影像数据的同时，还可以进一步对分类的医学影像数据分级，得到不同级别的医学影像数据。
在步骤130中，采用病灶区域识别算法识别疾病影像中的疑似病灶区域，得到附标记的疾病影像。
在本实施例中，病灶区域识别算法可以基于已标注的医学影像数据集训练得到。
病灶区域识别算法可以采用适用于病灶区域检测、分割和分类问题的一种或多种卷积神经网络组合，例如FCN，Mask-RCNN，MNC,U-NET，3D CNN，3D U-NET等。其中，FCN为全卷积神经网络，主要用于图像的分割，先降维进行训练拟合，再将结果维度反向增加从而实现图片的像素级分割；Mask-RCNN为一种同时做图片分类、特定对象检测及分割的多任务卷积神经网络；MNC为多任务神经网络级联，一种同时对图像做目标检测和分割的多任务卷积神经网络；U-NET为U型卷积神经网络，一种对图像做分割处理的卷积神经网络，运用与FCN类似的技巧，将浅层特征图和深层特征图结合，生成更准确的分割结果，因其网络结构类似U型而得名；3D CNN为三维卷积神经网络，主要用于三维数据训练，采用三维卷积操作；3D U-NET为三维U型卷积神经网络，一种对三维数据进行分割数据的三维卷积神经网络，与U-NET思想类似，采用三维卷积网络处理并应用在三维数据领域。
病灶区域识别算法在识别出疾病影像中的疑似病灶区域之后，还可以对疑似病灶区域进行标记，从而得到附标记的疾病影像。
在这里，病灶区域识别算法和数据分类神经网络模型所要实现的病灶区域识别功能和数据分类功能，可以采用同一个神经网络模型来实现，也可以采用两个相同或不同的神经网络模型分别实现。
在步骤140中，将健康影像和附标记的疾病影像发送至显示终端。
在本实施例中，在步骤120区分健康影像和疾病影像之后，步骤130对疾病影像的疑似病灶区域进行标记，得到附标记的疾病影像，为了将分类结果和标记结果呈现给相关人员(包括医生、患者、相关诊疗人员等)，可以将健康影像和附标记的疾病影像发送至显示终端。这里的显示终端可以为本地或远程的显示终端，相关人员可以使用电脑，平板或手机等任何固定或移动设备来审阅和判定对各类医学影像数据的自动分类及病灶识别结果。
进一步地，将健康影像和附标记的疾病影像发送至显示终端时，可以将健康影像和附标记的疾病影像直接发送至显示终端，也可以基于医学影像所拍摄的部位(比如胸部，腹部，头部，下肢等)、数据分类神经网络模型对待诊断影像分类得到的健康影像或有疾病影像和病灶区域识别算法检测并分割出的疑似病灶区域的属性(属于肿瘤或结节，病灶的大小和形态学上的分析，病灶所处部位的判断)，综合考虑以不同的可视化方法和参数来进行呈现，给医生或患者最直观有效最容易理解的结果，从而方便诊断和沟通。
因此，上述将健康影像以及附标记的疾病影像发送至显示终端可以包括：分割健康影像以及附标记的疾病影像中的目标器官和目标组织，得到目标区域；基于可视化参数，将目标区域的可视化影像发送至显示终端。
在本实现方式中，可视化参数可以包括全局可视化参数、局部可视化参数以及增强显示参数等。具体的可视化参数可以根据病灶部位和病灶类型确定。
具体地，在一个示例中，对于目标组织为头部血管瘤，相关人员可能希望用算法将头盖骨去掉并且进行血管提取与分割之后再来观察头部血管瘤，以便于设计最佳手术和治疗方案(如何下刀，如何避开主要血管和神经等)。在另一个示例中，对于目标组织为肺部结节，相关人员可能希望根据结节的大小和属性不同(大于5mm直径的结节，或小于3mm直径的结节，比如实性结节和毛玻璃结节)，在可视化的时候能够以不同的可视化方法和参数加以区分以提醒存在不同的病灶类型，以采用不同的治疗方案。
本申请的上述实施例提供的用于分析医学影像的方法，根据数据分类神经网络模型算法和病灶区域识别算法对医学影像进行分析和识别，并通过显示终端向医生提供健康影像和附标记的疾病影像，从而让阅片诊断人员可以精确、快速和随时随地的完成阅片诊断工作，大大提升阅片诊断人员的工作效率，并且降低了阅片诊断人员漏诊误诊的概率。
进一步地，请参考图2，图2示出了根据本申请的用于分析医学影像的方法的又一个实施例的示意性流程图。
如图2所示，该用于分析医学影像的方法200包括：
在步骤210中，获取医学影像数据。
在本实施例中，医学影像数据是指各类高维或大尺度医学影像数据。这里的高维是指二维影像(比如病理，x光图像)，三维影像(比如CT，MRI，PET等)，四维影像(随时间变化的多时相CT，在三维影像的基础上多了时间维度)等。这里的大尺度图像是指分辨率从I万×J万至M百×N百之间的图像，其中，I、J、M、N均为大于0的数字，例如整数或浮点数。
在步骤220中，基于数据分类神经网络模型，将医学影像数据分类为健康影像和疾病影像。
在本实施例中，数据分类神经网络模型可以基于已标注的医学影像数据集对神经网络进行训练得到。数据分类神经网络模型可以采用适用于医学影像数据分类问题的卷积神经网络，例如VGG16、ResNet、Inception、3D CNN等。
在步骤230中，采用病灶区域识别算法识别疾病影像中的疑似病灶区域，得到附标记的疾病影像。
在本实施例中，病灶区域识别算法可以基于已标注的医学影像数据集训练得到。病灶区域识别算法可以采用适用于病灶区域检测、分割和分类问题的一种或多种卷积神经网络组合，例如FCN，Mask-RCNN，MNC,U-NET，3D CNN，3D U-NET等。
在步骤240中，将健康影像和附标记的疾病影像发送至显示终端。
在本实施例中，在步骤120区分健康影像和疾病影像之后，步骤130对疾病影像的疑似病灶区域进行标记，得到附标记的疾病影像，为了将分类结果和标记结果呈现给相关人员(包括医生、患者、相关诊疗人员等)，可以将健康影像和附标记的疾病影像发送至显示终端。这里的显示终端可以为本地或远程的显示终端，相关人员可以使用电脑，平板或手机等任何固定或移动设备对各类医学影像数据的自动分类及病灶识别结果进行审阅和判定。
应当理解，本申请实施例中的步骤210至步骤240，与图1所示的实施例中的步骤110至步骤140相适应，因此，图1中针对步骤110至步骤140所描述的操作和特征同样适用于图2所示的实施例中的步骤210至步骤240，在此不再赘述。
在步骤250中，接收输入的对于健康影像和附标记的疾病影像的诊断操作。
在本实施例中，可以从显示终端或输入终端接收输入的诊断操作，并对诊断操作进行记录。在记录医生或专业诊断人员对健康影像和附标记的疾病影像的诊断操作时，会记录包括但不限于如下诊断信息：整体医学影像的分类和/或分级结果；病灶区域的位置、大小信息；病灶区域的分类结果；以及病灶区域的分割结果等。
在步骤260中，基于诊断操作，确定诊断结果。
在本实施例中，在基于在步骤250中记录的诊断信息生成诊断结果时，可以直接将诊断操作和被诊断的影像合成为诊断结果，也可以根据预设的模板或诊断结果生成规则，得到诊断结果。例如：诊断结果可以为对整体病情的分析结果，对病灶的各种统计和定量分析结果，典型病灶截图，诊断报告，以及与原数据管理***通信信息等。
在步骤270中，向显示终端输出诊断结果。
在本实施例中，向显示终端输出诊断结果可以包括：向显示终端输出以下一项或多项：对整体病情的分析结果；对病灶的统计和定量分析结果；典型病灶截图；诊断报告；以及与原数据管理***的通信信息。
可选地，在步骤280中，基于诊断操作，优化数据分类神经网络模型和病灶区域识别算法。
在本实施例中，若诊断操作为针对分类结果的诊断操作，那么可以将诊断操作修正后的医学影像作为训练样本，优化数据分类神经网络模型。若诊断操作为针对附标记的疾病影像的诊断操作，那么可以将诊断操作修正后的疾病影像作为训练样本，优化病灶区域识别算法。
在本实施例的一些可选实现方式中，优化数据分类神经网络模型和病灶区域识别算法包括以下任意一项或多项：响应于诊断操作为对完整医学影像的分类操作和/或分级操作，更正对应分类操作和/或分级操作的医学影像至正确的医学影像类别，并采用更正后的医学影像，优化数据分类神经网络模型；响应于诊断操作为对病灶区域的病灶修正操作，修正对应病灶修正操作的医学影像中标记的疑似病灶区域，并采用修正后的医学影像，优化数据分类神经网络模型。
在本实现方式中，病灶修正操作可以包括以下一项或多项：对病灶区域的位置、大小信息的标记操作；对病灶区域的分类操作；以及对病灶区域的分割操作。
本申请上述实施例提供的用于分析医学影像的方法，与图1中所示的用于分析医学影像的方法的实施例相比，增加了接收诊断操作并基于诊断操作输出诊断结果，从而专业诊断人员可以精确、快速和随时随地的完成阅片诊断工作，大大提升了阅片诊断的效率。
在本实施例的部分可选实现方式中，还可以基于诊断操作，优化数据分类神经网络模型和病灶区域识别算法，从而提高辅助诊断过程中分类和/或分级以及病灶区域识别的精度，进一步提高采用本方法完成阅片诊断工作的效率。
以下结合图3，描述本申请实施例的用于分析医学影像的方法的示例性应用场景。
如图3所示，图3示出了根据本申请实施例的用于分析医学影像的方法的一个应用场景的示例性流程图。
在图3中，如图3所示，本申请实施例的用于分析医学影像的方法300，运行于电子设备320中。
首先，对于当前获取的医学影像数据301，可以将其输入预先训练好的数据分类神经网络模型302，从而得到健康影像303和疾病影像304；之后，将疾病影像304输入病灶区域识别算法305，识别疑似病灶区域306，得到附标记的疾病影像307，之后，将健康影像303和附标记的疾病影像307发送至显示终端308；之后，经由显示终端308呈现健康影像303和附标记的疾病影像304，并接收输入的诊断操作309，从而可以基于健康影像303、附标记的疾病影像304和诊断操作309，得到诊断结果310；最后，经由显示终端呈现诊断结果310。其中，数据分类神经网络模型和病灶区域识别算法分别经由已标注病灶区域的医学影像数据集330训练得到。
本申请的上述应用场景中提供的用于分析医学影像的方法，可以专业性的输出健康影像和附标记的疾病影像，并且可以基于诊断操作输出诊断结果，从而加速相关人员对于疾病情况的判断，提高疾病判断的效率和准确率。本领域技术人员应当理解，上述应用场景仅为对于本申请实施例的应用场景的示例性描述，并不代表对本申请的限定。例如，本申请还可以基于专业人员输入的诊断操作，来优化数据分类神经网络模型和病灶区域识别算法，从而进一步增强疾病判断的效率和准确率。
进一步参考图4，作为对上述方法的实现，本申请实施例提供了一种用于分析医学影像的装置的一个实施例，该用于分析医学影像的方法的实施例与图1至图3所示的用于分析医学影像的方法的实施例相对应，由此，上文针对图1至图3中用于分析医学影像的方法描述的操作和特征同样适用于用于分析医学影像的装置400及其中包含的单元，在此不再赘述。
如图4所示，该配置用于分析医学影像的装置400包括：影像数据获取单元410、影像数据分类单元420、病灶区域识别单元430和分析结果发送单元440。
其中，影像数据获取单元410，用于获取医学影像数据；影像数据分类单元420，用于基于数据分类神经网络模型，将医学影像数据分类为健康影像和疾病影像；病灶区域识别单元430，用于采用病灶区域识别算法识别疾病影像中的疑似病灶区域，得到附标记的疾病影像；分析结果发送单元440，用于将健康影像和附标记的疾病影像发送至显示终端。
在一些实施例中，装置还包括：诊断操作接收单元450，用于接收输入的对于健康影像和附标记的疾病影像的诊断操作；诊断结果确定单元460，用于基于诊断操作，确定诊断结果；诊断结果输出单元470，用于向显示终端输出诊断结果。
在一些实施例中，分析结果发送单元包括(图中未示出)：目标区域分割单元，用于分割健康影像以及附标记的疾病影像中的目标器官和目标组织，得到目标区域；可视化影像发送单元，用于基于可视化参数，将目标区域的可视化影像发送至显示终端。
在一些实施例中，装置还包括：模型算法优化单元480，用于基于诊断操作，优化数据分类神经网络模型和病灶区域识别算法。
在一些实施例中，模型算法优化单元进一步用于以下任意一项或多项：响应于诊断操作为对完整医学影像的分类操作和/或分级操作，更正对应分类操作和/或分级操作的医学影像至正确的医学影像类别，并采用更正后的医学影像，优化数据分类神经网络模型；响应于诊断操作为对病灶区域的病灶修正操作，修正对应病灶修正操作的医学影像中标记的疑似病灶区域，并采用修正后的医学影像，优化数据分类神经网络模型。
在一些实施例中，模型算法优化单元中的病灶修正操作包括以下一项或多项：对病灶区域的位置、大小信息的标记操作；对病灶区域的分类操作；以及对病灶区域的分割操作。
在一些实施例中，诊断结果确定单元中的诊断结果包括以下一项或多项：对整体病情的分析结果；对病灶的统计和定量分析结果；典型病灶截图；诊断报告；以及与原数据管理***的通信信息。
在一些实施例中，影像数据分类单元中的数据分类神经网络模型基于已标注的医学影像数据集对神经网络进行训练得到；和/或病灶区域识别单元中的病灶区域识别算法基于已标注的医学影像数据集训练得到。
本申请还提供了一种设备的实施例，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上任意一项实施例中所述的用于分析医学影像的方法。
本申请还提供了一种计算机可读存储介质的实施例，其上存储有计算机程序，该程序被处理器执行时实现如上任意一项实施例中所述的用于分析医学影像的方法。
下面参考图5，其示出了适于用来实现本申请实施例的终端设备或服务器的计算机***500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算机***500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有***500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个单元、程序段、或代码的一部分，所述单元、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括影像数据获取单元、影像数据分类单元、病灶区域识别单和分析结果发送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，影像数据获取单元还可以被描述为“获取医学影像数据的单元”。
作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述设备：获取医学影像数据；基于数据分类神经网络模型，将医学影像数据分类为健康影像和疾病影像；采用病灶区域识别算法识别疾病影像中的疑似病灶区域，得到附标记的疾病影像；将健康影像和附标记的疾病影像发送至显示终端。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (18)
1.一种用于分析医学影像的方法，其特征在于，所述方法包括：
获取医学影像数据；
基于数据分类神经网络模型，将所述医学影像数据分类为健康影像和疾病影像；
采用病灶区域识别算法识别所述疾病影像中的疑似病灶区域，得到附标记的疾病影像；
将所述健康影像和所述附标记的疾病影像发送至显示终端。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收输入的对于所述健康影像和所述附标记的疾病影像的诊断操作；
基于所述诊断操作，确定诊断结果；
向所述显示终端输出诊断结果。
3.根据权利要求1所述的方法，其特征在于，所述将所述健康影像以及所述附标记的疾病影像发送至显示终端包括：
分割所述健康影像以及所述附标记的疾病影像中的目标器官和目标组织，得到目标区域；
基于可视化参数，将所述目标区域的可视化影像发送至显示终端。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
基于所述诊断操作，优化所述数据分类神经网络模型和所述病灶区域识别算法。
5.根据权利要求4所述的方法，其特征在于，所述基于所述诊断操作，优化所述数据分类神经网络模型和所述病灶区域识别算法包括以下任意一项或多项：
响应于所述诊断操作为对完整医学影像的分类操作和/或分级操作，更正对应所述分类操作和/或分级操作的医学影像至正确的医学影像类别，并采用更正后的医学影像，优化所述数据分类神经网络模型；
响应于所述诊断操作为对病灶区域的病灶修正操作，修正对应所述病灶修正操作的医学影像中标记的疑似病灶区域，并采用修正后的医学影像，优化所述数据分类神经网络模型。
6.根据权利要求5所述的方法，其特征在于，所述病灶修正操作包括以下一项或多项：
对病灶区域的位置、大小信息的标记操作；
对病灶区域的分类操作；以及
对病灶区域的分割操作。
7.根据权利要求2所述的方法，其特征在于，所述诊断结果包括以下一项或多项：
对整体病情的分析结果；
对病灶的统计和定量分析结果；
典型病灶截图；
诊断报告；以及
与原数据管理***的通信信息。
8.根据权利要求1所述的方法，其特征在于，所述数据分类神经网络模型基于已标注的医学影像数据集对神经网络进行训练得到；和/或
所述病灶区域识别算法基于已标注的医学影像数据集训练得到。
9.一种用于分析医学影像的装置，其特征在于，所述装置包括：
影像数据获取单元，用于获取医学影像数据；
影像数据分类单元，用于基于数据分类神经网络模型，将所述医学影像数据分类为健康影像和疾病影像；
病灶区域识别单元，用于采用病灶区域识别算法识别所述疾病影像中的疑似病灶区域，得到附标记的疾病影像；
分析结果发送单元，用于将所述健康影像和所述附标记的疾病影像发送至显示终端。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括：
诊断操作接收单元，用于接收输入的对于所述健康影像和所述附标记的疾病影像的诊断操作；
诊断结果确定单元，用于基于所述诊断操作，确定诊断结果；
诊断结果输出单元，用于向所述显示终端输出诊断结果。
11.根据权利要求9所述的装置，其特征在于，所述分析结果发送单元包括：
目标区域分割单元，用于分割所述健康影像以及所述附标记的疾病影像中的目标器官和目标组织，得到目标区域；
可视化影像发送单元，用于基于可视化参数，将所述目标区域的可视化影像发送至显示终端。
12.根据权利要求10所述的装置，其特征在于，所述装置还包括：
模型算法优化单元，用于基于所述诊断操作，优化所述数据分类神经网络模型和所述病灶区域识别算法。
13.根据权利要求12所述的装置，其特征在于，所述模型算法优化单元进一步用于以下任意一项或多项：
响应于所述诊断操作为对完整医学影像的分类操作和/或分级操作，更正对应所述分类操作和/或分级操作的医学影像至正确的医学影像类别，并采用更正后的医学影像，优化所述数据分类神经网络模型；
响应于所述诊断操作为对病灶区域的病灶修正操作，修正对应所述病灶修正操作的医学影像中标记的疑似病灶区域，并采用修正后的医学影像，优化所述数据分类神经网络模型。
14.根据权利要求13所述的装置，其特征在于，所述模型算法优化单元中的所述病灶修正操作包括以下一项或多项：
对病灶区域的位置、大小信息的标记操作；
对病灶区域的分类操作；以及
对病灶区域的分割操作。
15.根据权利要求10所述的装置，其特征在于，所述诊断结果确定单元中的所述诊断结果包括以下一项或多项：
对整体病情的分析结果；
对病灶的统计和定量分析结果；
典型病灶截图；
诊断报告；以及
与原数据管理***的通信信息。
16.根据权利要求9所述的装置，其特征在于，所述影像数据分类单元中的数据分类神经网络模型基于已标注的医学影像数据集对神经网络进行训练得到；和/或
所述病灶区域识别单元中的所述病灶区域识别算法基于已标注的医学影像数据集训练得到。
17.一种设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任意一项所述的用于分析医学影像的方法。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任意一项所述的用于分析医学影像的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710916007.1A CN107644419A (zh) | 2017-09-30 | 2017-09-30 | 用于分析医学影像的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710916007.1A CN107644419A (zh) | 2017-09-30 | 2017-09-30 | 用于分析医学影像的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107644419A true CN107644419A (zh) | 2018-01-30 |
Family
ID=61123098
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710916007.1A Pending CN107644419A (zh) | 2017-09-30 | 2017-09-30 | 用于分析医学影像的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107644419A (zh) |
Cited By (72)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108346467A (zh) * | 2018-03-08 | 2018-07-31 | 北京青燕祥云科技有限公司 | 智能辅助处理***及数据查阅*** |
| CN108428229A (zh) * | 2018-03-14 | 2018-08-21 | 大连理工大学 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
| CN108461129A (zh) * | 2018-03-05 | 2018-08-28 | 余夏夏 | 一种基于图像认证的医学影像标注方法、装置和用户终端 |
| CN108492862A (zh) * | 2018-02-01 | 2018-09-04 | 西安大数据与人工智能研究院 | 基于分布式ct终端机的医学影像云成像与判读方法及*** |
| CN108962355A (zh) * | 2018-07-06 | 2018-12-07 | 腾讯科技（深圳）有限公司 | 一种影像的关联显示方法、装置及服务设备、存储介质 |
| CN109003651A (zh) * | 2018-06-29 | 2018-12-14 | 上海联影医疗科技有限公司 | 病灶报告生成装置和方法 |
| CN109190682A (zh) * | 2018-08-13 | 2019-01-11 | 北京安德医智科技有限公司 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
| CN109346159A (zh) * | 2018-11-13 | 2019-02-15 | 平安科技（深圳）有限公司 | 病例图像分类方法、装置、计算机设备及存储介质 |
| CN109473168A (zh) * | 2018-10-09 | 2019-03-15 | 五邑大学 | 一种医学影像机器人及其控制、医学影像识别方法 |
| CN109493330A (zh) * | 2018-11-06 | 2019-03-19 | 电子科技大学 | 一种基于多任务学习的细胞核实例分割方法 |
| CN109509183A (zh) * | 2018-10-31 | 2019-03-22 | 上海联影医疗科技有限公司 | 医学图像的筛选方法、装置、医学设备、医学影像***及存储介质 |
| CN109559295A (zh) * | 2018-06-04 | 2019-04-02 | 新影智能科技(昆山)有限公司 | 图像分析***、方法、计算机可读存储介质、及电子终端 |
| CN109685102A (zh) * | 2018-11-13 | 2019-04-26 | 平安科技（深圳）有限公司 | 胸部病灶图像分类方法、装置、计算机设备及存储介质 |
| CN109741316A (zh) * | 2018-12-29 | 2019-05-10 | 成都金盘电子科大多媒体技术有限公司 | 医学影像智能评片*** |
| CN109741317A (zh) * | 2018-12-29 | 2019-05-10 | 成都金盘电子科大多媒体技术有限公司 | 医学影像智能评价方法 |
| CN109754868A (zh) * | 2018-12-18 | 2019-05-14 | 杭州深睿博联科技有限公司 | 用于医学影像的数据处理方法及装置 |
| CN110097969A (zh) * | 2019-05-10 | 2019-08-06 | 安徽科大讯飞医疗信息技术有限公司 | 一种诊断报告的分析方法、装置及设备 |
| CN110090037A (zh) * | 2019-04-22 | 2019-08-06 | 深圳安泰创新科技股份有限公司 | 医学影像胶片排版方法、装置、电子设备及可读存储介质 |
| CN110163844A (zh) * | 2019-04-17 | 2019-08-23 | 平安科技（深圳）有限公司 | 眼底病灶检测方法、装置、计算机设备及存储介质 |
| CN110265144A (zh) * | 2019-07-01 | 2019-09-20 | 边源医疗科技(杭州)有限公司 | 基于医生反馈的医学人工智能应用评价*** |
| CN110298820A (zh) * | 2019-05-28 | 2019-10-01 | 上海联影智能医疗科技有限公司 | 影像分析方法、计算机设备和存储介质 |
| CN110335250A (zh) * | 2019-05-31 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 网络训练方法、装置、检测方法、计算机设备和存储介质 |
| CN110379492A (zh) * | 2019-07-24 | 2019-10-25 | 复旦大学附属中山医院青浦分院 | 一种全新的ai+pacs***及其检查报告构建方法 |
| CN110459306A (zh) * | 2019-08-16 | 2019-11-15 | 杭州依图医疗技术有限公司 | 医学影像显示方法和显示设备 |
| WO2019223508A1 (zh) * | 2018-05-25 | 2019-11-28 | 深圳市前海安测信息技术有限公司 | 阿尔兹海默病症分级评估模型创建方法及计算机装置 |
| CN110600107A (zh) * | 2019-08-29 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 医学图像的筛选方法、计算机设备及可读存储介质 |
| CN110600122A (zh) * | 2019-08-23 | 2019-12-20 | 腾讯医疗健康(深圳)有限公司 | 一种消化道影像的处理方法、装置、以及医疗*** |
| CN110598782A (zh) * | 2019-09-06 | 2019-12-20 | 上海杏脉信息科技有限公司 | 一种训练用于医学影像的分类网络的方法与装置 |
| CN110610756A (zh) * | 2019-07-26 | 2019-12-24 | 赛诺威盛科技（北京）有限公司 | 基于dicom图像信息实现胶片自动分类打印的方法 |
| CN110689112A (zh) * | 2019-09-02 | 2020-01-14 | 杭州深睿博联科技有限公司 | 数据处理的方法及装置 |
| CN110827958A (zh) * | 2019-11-01 | 2020-02-21 | 越亮传奇科技股份有限公司 | 一种医疗影像数据及时采集***与方法 |
| CN110867233A (zh) * | 2019-11-19 | 2020-03-06 | 西安邮电大学 | 用于生成电子喉镜医学检测报告的***和方法 |
| CN110931112A (zh) * | 2019-12-05 | 2020-03-27 | 电子科技大学中山学院 | 一种基于多维信息融合和深度学习的脑部医学影像分析方法 |
| CN110946615A (zh) * | 2019-11-19 | 2020-04-03 | 苏州佳世达电通有限公司 | 超声波诊断装置及使用其的操作方法 |
| CN111028173A (zh) * | 2019-12-10 | 2020-04-17 | 北京百度网讯科技有限公司 | 图像增强方法、装置、电子设备及可读存储介质 |
| CN111096767A (zh) * | 2020-01-08 | 2020-05-05 | 南京市第一医院 | 基于深度学习的纵膈***超声弹性图像分割分类方法 |
| CN111275558A (zh) * | 2020-01-13 | 2020-06-12 | 上海维跃信息科技有限公司 | 用于确定保险数据的方法和装置 |
| CN111310851A (zh) * | 2020-03-03 | 2020-06-19 | 四川大学华西第二医院 | 一种人工智能超声辅助***及其应用 |
| CN111340828A (zh) * | 2020-01-10 | 2020-06-26 | 南京航空航天大学 | 基于级联卷积神经网络的脑部胶质瘤分割 |
| CN111383211A (zh) * | 2020-03-04 | 2020-07-07 | 深圳大学 | 骨案例识别方法、装置、服务器及存储介质 |
| CN111429412A (zh) * | 2020-03-17 | 2020-07-17 | 北京青燕祥云科技有限公司 | 肝包虫超声ai辅助诊断方法及*** |
| CN111462049A (zh) * | 2020-03-09 | 2020-07-28 | 西南交通大学 | 一种乳腺超声造影视频中病灶区形态自动标注方法 |
| CN111656357A (zh) * | 2018-04-17 | 2020-09-11 | 深圳华大生命科学研究院 | 基于人工智能的眼科疾病诊断建模方法、装置及*** |
| CN111667897A (zh) * | 2020-04-24 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种影像诊断结果的结构化报告*** |
| CN111696640A (zh) * | 2020-06-12 | 2020-09-22 | 上海联影医疗科技有限公司 | 自动获取病历模板的方法、装置和存储介质 |
| CN111709946A (zh) * | 2020-07-27 | 2020-09-25 | 南方医科大学南方医院 | 一种影像数据分析方法、装置、终端设备及存储介质 |
| CN111724893A (zh) * | 2019-03-20 | 2020-09-29 | 宏碁股份有限公司 | 医疗影像辨识装置及医疗影像辨识方法 |
| CN111767929A (zh) * | 2019-03-14 | 2020-10-13 | 上海市第一人民医院 | 黄斑下新生血管模型的构建方法及*** |
| CN111798437A (zh) * | 2020-07-09 | 2020-10-20 | 兴义民族师范学院 | 一种基于ct影像的新型冠状病毒肺炎ai快速诊断方法 |
| CN111816281A (zh) * | 2020-06-23 | 2020-10-23 | 无锡祥生医疗科技股份有限公司 | 超声影像查询装置 |
| CN112037164A (zh) * | 2019-06-03 | 2020-12-04 | 睿传数据股份有限公司 | 医学影像中身体部位识别方法及装置 |
| CN112270974A (zh) * | 2020-09-22 | 2021-01-26 | 视隼智能科技(上海)有限公司 | 一种基于人工智能的智能辅助医学影像工作站 |
| CN112488493A (zh) * | 2020-11-27 | 2021-03-12 | 西安电子科技大学 | 融合位置信息的医学影像医师病灶识别能力评估方法、***及计算机可读介质 |
| CN112702947A (zh) * | 2018-09-12 | 2021-04-23 | 株式会社Ｓｐｌｉｎｋ | 诊断辅助***以及方法 |
| CN113053494A (zh) * | 2019-12-27 | 2021-06-29 | 无锡祥生医疗科技股份有限公司 | 基于人工智能的pacs***及其设计方法 |
| CN113096778A (zh) * | 2019-12-23 | 2021-07-09 | 宏达国际电子股份有限公司 | 影像处理方法、***及非暂态计算机可读存储介质 |
| CN113160307A (zh) * | 2021-04-02 | 2021-07-23 | 上海有临医药科技有限公司 | 一种影像阅片的病灶定位的方法及设备 |
| CN113178254A (zh) * | 2021-04-14 | 2021-07-27 | 中通服咨询设计研究院有限公司 | 基于5g的智慧医疗数据分析方法、装置及计算机设备 |
| CN113272915A (zh) * | 2019-01-11 | 2021-08-17 | 谷歌有限责任公司 | 用于医疗保健应用中的机器学习定位模型的交互式阴性解释的***、用户接口和方法 |
| CN113393921A (zh) * | 2021-06-28 | 2021-09-14 | 杭州太美星程医药科技有限公司 | 一种医学影像阅片***及其运行方法 |
| CN113436707A (zh) * | 2021-06-28 | 2021-09-24 | 杭州太美星程医药科技有限公司 | 一种医学影像阅片***及其交互运行方法 |
| CN113556978A (zh) * | 2018-12-11 | 2021-10-26 | 深圳市智慧健康产业发展有限公司 | 一种b超智能辅助采集方法及*** |
| CN113628187A (zh) * | 2021-08-09 | 2021-11-09 | 中南大学湘雅医院 | 一种自动化可迁移人工智能医学影像识别***及识别方法 |
| CN113707279A (zh) * | 2021-08-31 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 医学影像图片的辅助分析方法、装置、计算机设备及介质 |
| CN113808125A (zh) * | 2021-04-23 | 2021-12-17 | 数坤(北京)网络科技股份有限公司 | 医学影像处理方法、病灶类型识别方法以及相关产品 |
| CN113838560A (zh) * | 2021-09-09 | 2021-12-24 | 王其景 | 一种基于医学影像的远程诊断***及方法 |
| CN114565582A (zh) * | 2022-03-01 | 2022-05-31 | 佛山读图科技有限公司 | 一种医学图像分类和病变区域定位方法、***及存储介质 |
| CN114782323A (zh) * | 2022-03-28 | 2022-07-22 | 数坤(北京)网络科技股份有限公司 | 医学影像获取分析方法、装置、存储介质及电子设备 |
| CN114974522A (zh) * | 2022-07-27 | 2022-08-30 | 中国医学科学院北京协和医院 | 医学影像处理方法、装置、电子设备及存储介质 |
| CN115018795A (zh) * | 2022-06-09 | 2022-09-06 | 北京医准智能科技有限公司 | 医学影像中的病灶的匹配方法、装置、设备及存储介质 |
| CN115311188A (zh) * | 2021-05-08 | 2022-11-08 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
| WO2023178972A1 (zh) * | 2022-03-23 | 2023-09-28 | 康键信息技术（深圳）有限公司 | 智能医疗阅片方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345638A (zh) * | 2013-06-24 | 2013-10-09 | 清华大学深圳研究生院 | 基于医学影像的腔体病灶计算机辅助检测方法 |
| US20160364526A1 (en) * | 2015-06-12 | 2016-12-15 | Merge Healthcare Incorporated | Methods and Systems for Automatically Analyzing Clinical Images Using Models Developed Using Machine Learning Based on Graphical Reporting |
| CN107203995A (zh) * | 2017-06-09 | 2017-09-26 | 合肥工业大学 | 内窥镜影像智能分析方法及*** |
-
2017
- 2017-09-30 CN CN201710916007.1A patent/CN107644419A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345638A (zh) * | 2013-06-24 | 2013-10-09 | 清华大学深圳研究生院 | 基于医学影像的腔体病灶计算机辅助检测方法 |
| US20160364526A1 (en) * | 2015-06-12 | 2016-12-15 | Merge Healthcare Incorporated | Methods and Systems for Automatically Analyzing Clinical Images Using Models Developed Using Machine Learning Based on Graphical Reporting |
| CN107203995A (zh) * | 2017-06-09 | 2017-09-26 | 合肥工业大学 | 内窥镜影像智能分析方法及*** |
Cited By (96)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108492862A (zh) * | 2018-02-01 | 2018-09-04 | 西安大数据与人工智能研究院 | 基于分布式ct终端机的医学影像云成像与判读方法及*** |
| CN108492862B (zh) * | 2018-02-01 | 2019-10-22 | 西安大数据与人工智能研究院 | 基于分布式ct终端机的医学影像云成像与判读方法及*** |
| CN108461129A (zh) * | 2018-03-05 | 2018-08-28 | 余夏夏 | 一种基于图像认证的医学影像标注方法、装置和用户终端 |
| CN108461129B (zh) * | 2018-03-05 | 2022-05-20 | 余夏夏 | 一种基于图像认证的医学影像标注方法、装置和用户终端 |
| CN108346467A (zh) * | 2018-03-08 | 2018-07-31 | 北京青燕祥云科技有限公司 | 智能辅助处理***及数据查阅*** |
| CN108428229A (zh) * | 2018-03-14 | 2018-08-21 | 大连理工大学 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
| CN108428229B (zh) * | 2018-03-14 | 2020-06-16 | 大连理工大学 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
| CN111656357B (zh) * | 2018-04-17 | 2024-05-10 | 深圳华大生命科学研究院 | 眼科疾病分类模型的建模方法、装置及*** |
| CN111656357A (zh) * | 2018-04-17 | 2020-09-11 | 深圳华大生命科学研究院 | 基于人工智能的眼科疾病诊断建模方法、装置及*** |
| WO2019223508A1 (zh) * | 2018-05-25 | 2019-11-28 | 深圳市前海安测信息技术有限公司 | 阿尔兹海默病症分级评估模型创建方法及计算机装置 |
| CN109559295A (zh) * | 2018-06-04 | 2019-04-02 | 新影智能科技(昆山)有限公司 | 图像分析***、方法、计算机可读存储介质、及电子终端 |
| CN109003651A (zh) * | 2018-06-29 | 2018-12-14 | 上海联影医疗科技有限公司 | 病灶报告生成装置和方法 |
| CN108962355A (zh) * | 2018-07-06 | 2018-12-07 | 腾讯科技（深圳）有限公司 | 一种影像的关联显示方法、装置及服务设备、存储介质 |
| CN109190682A (zh) * | 2018-08-13 | 2019-01-11 | 北京安德医智科技有限公司 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
| CN112702947A (zh) * | 2018-09-12 | 2021-04-23 | 株式会社Ｓｐｌｉｎｋ | 诊断辅助***以及方法 |
| CN109473168A (zh) * | 2018-10-09 | 2019-03-15 | 五邑大学 | 一种医学影像机器人及其控制、医学影像识别方法 |
| CN109509183A (zh) * | 2018-10-31 | 2019-03-22 | 上海联影医疗科技有限公司 | 医学图像的筛选方法、装置、医学设备、医学影像***及存储介质 |
| CN109493330A (zh) * | 2018-11-06 | 2019-03-19 | 电子科技大学 | 一种基于多任务学习的细胞核实例分割方法 |
| CN109346159A (zh) * | 2018-11-13 | 2019-02-15 | 平安科技（深圳）有限公司 | 病例图像分类方法、装置、计算机设备及存储介质 |
| CN109685102B (zh) * | 2018-11-13 | 2024-07-09 | 平安科技（深圳）有限公司 | 胸部病灶图像分类方法、装置、计算机设备及存储介质 |
| CN109685102A (zh) * | 2018-11-13 | 2019-04-26 | 平安科技（深圳）有限公司 | 胸部病灶图像分类方法、装置、计算机设备及存储介质 |
| CN109346159B (zh) * | 2018-11-13 | 2024-02-13 | 平安科技（深圳）有限公司 | 病例图像分类方法、装置、计算机设备及存储介质 |
| CN113556978A (zh) * | 2018-12-11 | 2021-10-26 | 深圳市智慧健康产业发展有限公司 | 一种b超智能辅助采集方法及*** |
| CN109754868A (zh) * | 2018-12-18 | 2019-05-14 | 杭州深睿博联科技有限公司 | 用于医学影像的数据处理方法及装置 |
| CN109741317A (zh) * | 2018-12-29 | 2019-05-10 | 成都金盘电子科大多媒体技术有限公司 | 医学影像智能评价方法 |
| CN109741316A (zh) * | 2018-12-29 | 2019-05-10 | 成都金盘电子科大多媒体技术有限公司 | 医学影像智能评片*** |
| CN113272915A (zh) * | 2019-01-11 | 2021-08-17 | 谷歌有限责任公司 | 用于医疗保健应用中的机器学习定位模型的交互式阴性解释的***、用户接口和方法 |
| CN111767929A (zh) * | 2019-03-14 | 2020-10-13 | 上海市第一人民医院 | 黄斑下新生血管模型的构建方法及*** |
| CN111724893B (zh) * | 2019-03-20 | 2024-04-09 | 宏碁股份有限公司 | 医疗影像辨识装置及医疗影像辨识方法 |
| CN111724893A (zh) * | 2019-03-20 | 2020-09-29 | 宏碁股份有限公司 | 医疗影像辨识装置及医疗影像辨识方法 |
| CN110163844A (zh) * | 2019-04-17 | 2019-08-23 | 平安科技（深圳）有限公司 | 眼底病灶检测方法、装置、计算机设备及存储介质 |
| CN110090037A (zh) * | 2019-04-22 | 2019-08-06 | 深圳安泰创新科技股份有限公司 | 医学影像胶片排版方法、装置、电子设备及可读存储介质 |
| CN110097969A (zh) * | 2019-05-10 | 2019-08-06 | 安徽科大讯飞医疗信息技术有限公司 | 一种诊断报告的分析方法、装置及设备 |
| CN110298820A (zh) * | 2019-05-28 | 2019-10-01 | 上海联影智能医疗科技有限公司 | 影像分析方法、计算机设备和存储介质 |
| CN110335250A (zh) * | 2019-05-31 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 网络训练方法、装置、检测方法、计算机设备和存储介质 |
| CN112037164B (zh) * | 2019-06-03 | 2024-03-15 | 睿传数据股份有限公司 | 医学影像中身体部位识别方法及装置 |
| CN112037164A (zh) * | 2019-06-03 | 2020-12-04 | 睿传数据股份有限公司 | 医学影像中身体部位识别方法及装置 |
| CN110265144A (zh) * | 2019-07-01 | 2019-09-20 | 边源医疗科技(杭州)有限公司 | 基于医生反馈的医学人工智能应用评价*** |
| CN110379492A (zh) * | 2019-07-24 | 2019-10-25 | 复旦大学附属中山医院青浦分院 | 一种全新的ai+pacs***及其检查报告构建方法 |
| CN110610756A (zh) * | 2019-07-26 | 2019-12-24 | 赛诺威盛科技（北京）有限公司 | 基于dicom图像信息实现胶片自动分类打印的方法 |
| CN110459306A (zh) * | 2019-08-16 | 2019-11-15 | 杭州依图医疗技术有限公司 | 医学影像显示方法和显示设备 |
| CN110600122A (zh) * | 2019-08-23 | 2019-12-20 | 腾讯医疗健康(深圳)有限公司 | 一种消化道影像的处理方法、装置、以及医疗*** |
| CN110600122B (zh) * | 2019-08-23 | 2023-08-29 | 腾讯医疗健康(深圳)有限公司 | 一种消化道影像的处理方法、装置、以及医疗*** |
| CN110600107A (zh) * | 2019-08-29 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 医学图像的筛选方法、计算机设备及可读存储介质 |
| CN110600107B (zh) * | 2019-08-29 | 2022-07-26 | 上海联影智能医疗科技有限公司 | 医学图像的筛选方法、计算机设备及可读存储介质 |
| CN110689112A (zh) * | 2019-09-02 | 2020-01-14 | 杭州深睿博联科技有限公司 | 数据处理的方法及装置 |
| CN110598782A (zh) * | 2019-09-06 | 2019-12-20 | 上海杏脉信息科技有限公司 | 一种训练用于医学影像的分类网络的方法与装置 |
| CN110827958A (zh) * | 2019-11-01 | 2020-02-21 | 越亮传奇科技股份有限公司 | 一种医疗影像数据及时采集***与方法 |
| CN110827958B (zh) * | 2019-11-01 | 2023-04-25 | 越亮传奇科技股份有限公司 | 一种医疗影像数据及时采集***与方法 |
| CN110946615A (zh) * | 2019-11-19 | 2020-04-03 | 苏州佳世达电通有限公司 | 超声波诊断装置及使用其的操作方法 |
| CN110867233A (zh) * | 2019-11-19 | 2020-03-06 | 西安邮电大学 | 用于生成电子喉镜医学检测报告的***和方法 |
| CN110946615B (zh) * | 2019-11-19 | 2023-04-25 | 苏州佳世达电通有限公司 | 超声波诊断装置及使用其的操作方法 |
| CN110931112B (zh) * | 2019-12-05 | 2023-04-18 | 电子科技大学中山学院 | 一种基于多维信息融合和深度学习的脑部医学影像分析方法 |
| CN110931112A (zh) * | 2019-12-05 | 2020-03-27 | 电子科技大学中山学院 | 一种基于多维信息融合和深度学习的脑部医学影像分析方法 |
| CN111028173B (zh) * | 2019-12-10 | 2023-11-17 | 北京百度网讯科技有限公司 | 图像增强方法、装置、电子设备及可读存储介质 |
| CN111028173A (zh) * | 2019-12-10 | 2020-04-17 | 北京百度网讯科技有限公司 | 图像增强方法、装置、电子设备及可读存储介质 |
| CN113096778A (zh) * | 2019-12-23 | 2021-07-09 | 宏达国际电子股份有限公司 | 影像处理方法、***及非暂态计算机可读存储介质 |
| CN113096778B (zh) * | 2019-12-23 | 2024-05-28 | 宏达国际电子股份有限公司 | 影像处理方法、***及非暂态计算机可读存储介质 |
| CN113053494A (zh) * | 2019-12-27 | 2021-06-29 | 无锡祥生医疗科技股份有限公司 | 基于人工智能的pacs***及其设计方法 |
| CN113053494B (zh) * | 2019-12-27 | 2023-11-21 | 无锡祥生医疗科技股份有限公司 | 基于人工智能的pacs***及其设计方法 |
| CN111096767A (zh) * | 2020-01-08 | 2020-05-05 | 南京市第一医院 | 基于深度学习的纵膈***超声弹性图像分割分类方法 |
| CN111340828A (zh) * | 2020-01-10 | 2020-06-26 | 南京航空航天大学 | 基于级联卷积神经网络的脑部胶质瘤分割 |
| CN111275558B (zh) * | 2020-01-13 | 2024-02-27 | 上海维跃信息科技有限公司 | 用于确定保险数据的方法和装置 |
| CN111275558A (zh) * | 2020-01-13 | 2020-06-12 | 上海维跃信息科技有限公司 | 用于确定保险数据的方法和装置 |
| CN111310851A (zh) * | 2020-03-03 | 2020-06-19 | 四川大学华西第二医院 | 一种人工智能超声辅助***及其应用 |
| CN111383211A (zh) * | 2020-03-04 | 2020-07-07 | 深圳大学 | 骨案例识别方法、装置、服务器及存储介质 |
| CN111462049A (zh) * | 2020-03-09 | 2020-07-28 | 西南交通大学 | 一种乳腺超声造影视频中病灶区形态自动标注方法 |
| CN111462049B (zh) * | 2020-03-09 | 2022-05-17 | 西南交通大学 | 一种乳腺超声造影视频中病灶区形态自动标注方法 |
| CN111429412B (zh) * | 2020-03-17 | 2023-11-03 | 北京青燕祥云科技有限公司 | 肝包虫超声ai辅助诊断方法及*** |
| CN111429412A (zh) * | 2020-03-17 | 2020-07-17 | 北京青燕祥云科技有限公司 | 肝包虫超声ai辅助诊断方法及*** |
| CN111667897A (zh) * | 2020-04-24 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种影像诊断结果的结构化报告*** |
| CN111696640A (zh) * | 2020-06-12 | 2020-09-22 | 上海联影医疗科技有限公司 | 自动获取病历模板的方法、装置和存储介质 |
| CN111816281A (zh) * | 2020-06-23 | 2020-10-23 | 无锡祥生医疗科技股份有限公司 | 超声影像查询装置 |
| CN111816281B (zh) * | 2020-06-23 | 2024-05-14 | 无锡祥生医疗科技股份有限公司 | 超声影像查询装置 |
| CN111798437A (zh) * | 2020-07-09 | 2020-10-20 | 兴义民族师范学院 | 一种基于ct影像的新型冠状病毒肺炎ai快速诊断方法 |
| CN111709946A (zh) * | 2020-07-27 | 2020-09-25 | 南方医科大学南方医院 | 一种影像数据分析方法、装置、终端设备及存储介质 |
| CN112270974A (zh) * | 2020-09-22 | 2021-01-26 | 视隼智能科技(上海)有限公司 | 一种基于人工智能的智能辅助医学影像工作站 |
| CN112488493A (zh) * | 2020-11-27 | 2021-03-12 | 西安电子科技大学 | 融合位置信息的医学影像医师病灶识别能力评估方法、***及计算机可读介质 |
| CN112488493B (zh) * | 2020-11-27 | 2023-06-23 | 西安电子科技大学 | 融合位置信息的医学影像医师病灶识别能力评估方法、***及计算机可读介质 |
| CN113160307A (zh) * | 2021-04-02 | 2021-07-23 | 上海有临医药科技有限公司 | 一种影像阅片的病灶定位的方法及设备 |
| CN113178254A (zh) * | 2021-04-14 | 2021-07-27 | 中通服咨询设计研究院有限公司 | 基于5g的智慧医疗数据分析方法、装置及计算机设备 |
| CN113808125A (zh) * | 2021-04-23 | 2021-12-17 | 数坤(北京)网络科技股份有限公司 | 医学影像处理方法、病灶类型识别方法以及相关产品 |
| CN115311188B (zh) * | 2021-05-08 | 2023-12-22 | 数坤科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
| CN115311188A (zh) * | 2021-05-08 | 2022-11-08 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
| CN113393921A (zh) * | 2021-06-28 | 2021-09-14 | 杭州太美星程医药科技有限公司 | 一种医学影像阅片***及其运行方法 |
| CN113436707A (zh) * | 2021-06-28 | 2021-09-24 | 杭州太美星程医药科技有限公司 | 一种医学影像阅片***及其交互运行方法 |
| CN113628187A (zh) * | 2021-08-09 | 2021-11-09 | 中南大学湘雅医院 | 一种自动化可迁移人工智能医学影像识别***及识别方法 |
| CN113707279A (zh) * | 2021-08-31 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 医学影像图片的辅助分析方法、装置、计算机设备及介质 |
| CN113838560A (zh) * | 2021-09-09 | 2021-12-24 | 王其景 | 一种基于医学影像的远程诊断***及方法 |
| CN114565582A (zh) * | 2022-03-01 | 2022-05-31 | 佛山读图科技有限公司 | 一种医学图像分类和病变区域定位方法、***及存储介质 |
| CN114565582B (zh) * | 2022-03-01 | 2023-03-10 | 佛山读图科技有限公司 | 一种医学图像分类和病变区域定位方法、***及存储介质 |
| WO2023178972A1 (zh) * | 2022-03-23 | 2023-09-28 | 康键信息技术（深圳）有限公司 | 智能医疗阅片方法、装置、设备及存储介质 |
| CN114782323A (zh) * | 2022-03-28 | 2022-07-22 | 数坤(北京)网络科技股份有限公司 | 医学影像获取分析方法、装置、存储介质及电子设备 |
| CN115018795B (zh) * | 2022-06-09 | 2023-04-07 | 北京医准智能科技有限公司 | 医学影像中的病灶的匹配方法、装置、设备及存储介质 |
| CN115018795A (zh) * | 2022-06-09 | 2022-09-06 | 北京医准智能科技有限公司 | 医学影像中的病灶的匹配方法、装置、设备及存储介质 |
| CN114974522A (zh) * | 2022-07-27 | 2022-08-30 | 中国医学科学院北京协和医院 | 医学影像处理方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107644419A (zh) | 用于分析医学影像的方法和装置 | |
| US10937164B2 (en) | Medical evaluation machine learning workflows and processes | |
| US20240225447A1 (en) | Dynamic self-learning medical image method and system | |
| US11069056B2 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
| US10810735B2 (en) | Method and apparatus for analyzing medical image | |
| CN107004043B (zh) | 优化检测和标记感兴趣解剖结构的***和方法 | |
| CN106233322A (zh) | 基于个性化内容的患者检索*** | |
| US20210398650A1 (en) | Medical imaging characteristic detection, workflows, and ai model management | |
| US11893729B2 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
| JP2024019441A (ja) | 人工知能モデルを使用機関に特化させる学習方法、これを行う装置 | |
| KR102531400B1 (ko) | 인공 지능 기반 대장 내시경 영상 진단 보조 시스템 및 방법 | |
| US10957038B2 (en) | Machine learning to determine clinical change from prior images | |
| JP7449077B2 (ja) | 医用撮像における特徴識別 | |
| US20230057933A1 (en) | Storage medium, diagnosis support apparatus and diagnosis support method | |
| US11164309B2 (en) | Image analysis and annotation | |
| CN111226287A (zh) | 用于分析医学成像数据集的方法、用于分析医学成像数据集的***、计算机程序产品以及计算机可读介质 | |
| EP3965117A1 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
| WO2023274599A1 (en) | Methods and systems for automated follow-up reading of medical image data | |
| CN108463853B (zh) | 场景感知的医学推荐引擎 | |
| KR102360615B1 (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
| Mese et al. | ChatGPT-assisted deep learning model for thyroid nodule analysis: beyond artifical intelligence | |
| Pivithuru et al. | E-patient Card: An Integrated Electronic Health Recording System for Patient | |
| US20230386031A1 (en) | Systems and methods to process electronic images for histological morphology trajectory prediction | |
| EP3862922A1 (en) | Explaining the output of a trained model | |
| US20230401697A1 (en) | Radiogenomics for cancer subtype feature visualization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180130 |
|
| RJ01 | Rejection of invention patent application after publication |