CN108670285A - 一种ct肺结核检测人工智能诊疗*** - Google Patents
一种ct肺结核检测人工智能诊疗*** Download PDFInfo
- Publication number
- CN108670285A CN108670285A CN201810569856.9A CN201810569856A CN108670285A CN 108670285 A CN108670285 A CN 108670285A CN 201810569856 A CN201810569856 A CN 201810569856A CN 108670285 A CN108670285 A CN 108670285A
- Authority
- CN
- China
- Prior art keywords
- module
- study
- study module
- artificial intelligence
- convolutional neural
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 208000008128 pulmonary tuberculosis Diseases 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000002560 therapeutic procedure Methods 0.000 title claims abstract description 15
- 208000020816 lung neoplasm Diseases 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 230000002685 pulmonary effect Effects 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 210000004204 blood vessel Anatomy 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 210000000621 bronchi Anatomy 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 abstract description 2
- 230000000505 pernicious effect Effects 0.000 abstract description 2
- 210000004072 lung Anatomy 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 4
- 208000015181 infectious disease Diseases 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 206010036790 Productive cough Diseases 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 239000005337 ground glass Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000024794 sputum Diseases 0.000 description 2
- 210000003802 sputum Anatomy 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 201000008827 tuberculosis Diseases 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 241000521257 Hydrops Species 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 241000186359 Mycobacterium Species 0.000 description 1
- 241000187479 Mycobacterium tuberculosis Species 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 208000002151 Pleural effusion Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 235000002493 Salix babylonica Nutrition 0.000 description 1
- 241000734985 Salix x sepulcralis Species 0.000 description 1
- 206010045104 Tuberculous pleurisy Diseases 0.000 description 1
- 208000036981 active tuberculosis Diseases 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000001447 compensatory effect Effects 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 201000010098 pleural tuberculosis Diseases 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002062 proliferating effect Effects 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种CT肺结核检测人工智能诊疗***，包括特征样本库、供神经元网络学习模块、深度卷积神经网络学习模块、输出模块和计算机终端，所述特征样本库内设置有可供神经元网络学习模块以及深度卷积神经网络学习模块学习的大量样本。本发明设计新颖，操作方面，肺结节人工智能诊疗断***使神经元网络学习模块以及深度卷积神经网络学习模块对特征样本库内已有标记的影像进行深度学习，得到精准的肺部结节分类策略，进而实现肺部结节的检测，结节大小形态和良恶性判定，并自动出具结构化报告供医生参考，由此为医师提供基于肺结节影像的智能阅片、辅助诊疗功能，为医师提供诊疗建议。
Description
技术领域
本发明涉及医疗技术领域，尤其涉及一种CT肺结核检测人工智能诊疗***。
背景技术
结核病是由结核分枝杆菌引起的慢性传染病，可侵及许多脏器，以肺部结核感染最为常见。排菌者为其重要的传染源。人体感染结核菌后不一定发病，当抵抗力降低或细胞介导的***反应增高时，才可能引起临床发病。浸润型肺结核，X线常为云絮状或小片状浸润阴影，边缘模糊(渗出性)或结节、索条状(增殖性)病变，大片实变或球形病变(干酪性—可见空洞)或钙化，慢性纤维空洞型肺结核，多在两肺上部，亦为单侧，大量纤维增生，其中空洞形成，呈破棉絮状，肺组织收缩，肺门上提，肺门影呈“垂柳样”改变，胸膜肥厚，胸廓塌陷，局部代偿性肺气肿，结核性胸膜炎(Ⅳ型)病侧胸腔积液，小量为肋膈角变浅，中等量以上积液为致密阴影，上缘呈弧形，按分期划分可以分为进展期、好转期和稳定器，进展期：新发现的活动性肺结核，随访中病灶增多增大，出现空洞或空洞扩大，痰菌检查转阳性，发热等临床症状加重，好转期：随访中病灶吸收好转，空洞缩小或消失，痰菌转阴，临床症状改善，稳定期。
经检索,中国专利公开了一种基于DR的肺结核智能识别方法及***，(授权公告号CN 107729911 A)，该专利技术公开了一种基于DR的肺结核智能识别方法及***，其通过大量人工标注的样本来训练形成深度神经网络，该深度神经网通过自主学习肺结核影像特征，并以此来识别DR图像中肺结核影像特征。由此构成的肺结核智能识别方案能够实现对DR图像中的肺结核影像特征进行自动化识别，可实现基于DR的肺结核自动筛查，有效降低筛查成本。再者，本方案识别效率高，识别精度高，有效避免漏检未识别的现象，有效解决现有技术所存在的问题，但是，没有采用肺实质分割、提取感兴趣区域以及特征参数提取步骤对肺结节进行分类判别不同质量的CT影像和各类结节，且没有采用多通道、异构三维卷积融合算法，不同提高不同尺度、不同形态肺结节的检测敏感性和准确性。因此，本领域技术人员提供了一种CT肺结核检测人工智能诊疗***，以解决上述背景技术中提出的问题。
发明内容
本发明的目的在于提供一种CT肺结核检测人工智能诊疗***，可以解决上述背景技术中提出的问题。
为了实现上述目的，本发明采用了如下技术方案：一种CT肺结核检测人工智能诊疗***，包括特征样本库、供神经元网络学习模块、深度卷积神经网络学习模块、输出模块和计算机终端，所述特征样本库内设置有可供神经元网络学习模块以及深度卷积神经网络学习模块学习的大量样本，神经元网络学习模块通过学习后可对诊断数据与原始影像获取模块的影像进行自动诊断，并将诊断结果传递给输出模块，深度卷积神经网络学习模块通过学习后对原始影像获取模块的影像依次进行肺实质分割、提取感兴趣区域以及特征参数提取步骤后分类判别得到肺结节，并将检测结果传递给输出模块，输出模块将检测数据传递给计算机终端。
作为本发明进一步的方案：所述深度卷积神经网络学习模块包括对CT图像进行预处理的图像预处理单元，预测肺结节分割图像的二维卷积神经网络unet以及预测肺结节真假阳性概率的三维深度残神经网络Resnet3D。
作为本发明再进一步的方案：所述特征样本库包含有大量正常人胸片影像以及肺结节患者的胸片影像，在标注时首先从历史样本数据中筛选出候选样本，再对候选样本进行审核。
作为本发明再进一步的方案：所述神经元网络学习单元采用多通道、异构三维卷积融合算法。
作为本发明再进一步的方案：所述提取感兴趣区域中感兴趣区域指的是结节与结节特征相似的血管和支气管。
作为本发明再进一步的方案：所述输出模块的输入端分别通过数据线与神经元网络学习模块以及深度卷积神经网络学习模块的输出端电性连接，且输出模块的输出端与计算机终端的输入端通过数据线电性连接。
与现有技术相比，本发明的有益效果是：本发明设计新颖，操作方面，肺结节人工智能诊疗断***使神经元网络学习模块以及深度卷积神经网络学习模块对特征样本库内已有标记的影像进行深度学习，得到精准的肺部结节分类策略，进而实现肺部结节的检测，结节大小形态和良恶性判定，并自动出具结构化报告供医生参考，由此为医师提供基于肺结节影像的智能阅片、辅助诊疗功能，为医师提供诊疗建议，从而提升医师诊断的精度和效率，扩大了医师的服务能力，降低了医生的劳动强度，节约了诊断时间，增加了患者日检查人数，为患者的及时治疗提供了宝贵时间，降低了患者痛苦。
附图说明
图1为一种CT肺结核检测人工智能诊疗***的结构示意图。
图2为一种CT肺结核检测人工智能诊疗***深度卷积神经网络学习模块的结构示意图。
具体实施方式
请参阅图1～2，本发明实施例中，一种CT肺结核检测人工智能诊疗***，包括特征样本库、供神经元网络学习模块、深度卷积神经网络学习模块、输出模块和计算机终端，所述特征样本库内设置有可供神经元网络学习模块以及深度卷积神经网络学习模块学习的大量样本，特征样本库包含有大量正常人胸片影像以及肺结节患者的胸片影像，在标注时首先从历史样本数据中筛选出候选样本，再对候选样本进行审核，影像含括有(内窥镜影像、CT、眼底照相、病理、钼靶、MRI)，提高了特征样本库资料的全面性，增加了神经元网络学习模块以及深度卷积神经网络学习模块的学习深度，保障了检查结果的精准性。
神经元网络学习模块通过学习后可对诊断数据与原始影像获取模块的影像进行自动诊断，并将诊断结果传递给输出模块，神经元网络学习单元采用多通道、异构三维卷积融合算法提高了对不同尺度、不同形态肺结节的检测敏感性和准确性，在通过大量的影像以及诊断数据不断的对神经元网络进行深度学习训练，促使其掌握“诊断”的能力，最终全自动的识别CT影像中所有结节，识别率高达98％，并计算出结节的医学特征，协助医生撰写诊断报告并辅助进行最终诊断，降低了医生的劳动强度，节约了诊断时间，增加了患者日检查人数，为患者的及时治疗提供了宝贵时间，降低了患者痛苦。
深度卷积神经网络学习模块通过学习后对原始影像获取模块的影像依次进行肺实质分割、提取感兴趣区域以及特征参数提取步骤后分类判别得到肺结节，并将检测结果传递给输出模块，提取感兴趣区域中感兴趣区域指的是结节与结节特征相似的血管和支气管，深度卷积神经网络学习模块包括对CT图像进行预处理的图像预处理单元，预测肺结节分割图像的二维卷积神经网络unet以及预测肺结节真假阳性概率的三维深度残神经网络Resnet3D，首先图像预处理单元对CT图像进行预处理，使全部CT图像像素间隔统一，图像对比度统一，然后训练二维卷积神经网络unet预测肺结节分割图像，基于肺结节分割图像推荐候选结节，最后训练三维深度残神经网络Resnet3D预测肺结节的真假阳性概率，筛除假阳性结合，以提高肺结节小病情的检出，该技术充分将AL于医疗知识相结合，适应于不同质量的CT影像和各类结节，如：肺壁便于结节，肺底部尖角处结节，磨玻璃结节，边缘小结节，不同体积的肺结节，形状怪异的肺结节，贴近纵膈钙化结节，图像质量差的结节影像，常规肺结节等等，检测正确率可高达98％左右，可以作为影像科医生的得力辅助工具。
输出模块将检测数据传递给计算机终端，输出模块的输入端分别通过数据线与神经元网络学习模块以及深度卷积神经网络学习模块的输出端电性连接，且输出模块的输出端与计算机终端的输入端通过数据线电性连接，便于医生直接从计算机终端观看的自能科技的检测结果。
本发明的工作原理；神经元网络学习模块以及深度卷积神经网络学习模块对特征样本库内已有标记的影像进行深度学习，得到精准的肺部结节分类策略，再对CT影像进行自动检测，实现了人工智能化，首先神经元网络学习单元采用多通道、异构三维卷积融合算法提高了对不同尺度、不同形态肺结节的检测敏感性和准确性，在通过大量的影像以及诊断数据不断的对神经元网络进行深度学习训练，促使其掌握“诊断”的能力，最终全自动的识别CT影像中所有结节，识别率高达98％，并计算出结节的医学特征，协助医生撰写诊断报告并辅助进行最终诊断，降低了医生的劳动强度，节约了诊断时间，增加了患者日检查人数，为患者的及时治疗提供了宝贵时间，降低了患者痛苦，然后深度卷积神经网络学习模块通过学习后对原始影像获取模块的影像依次进行肺实质分割、提取感兴趣区域以及特征参数提取步骤后分类判别得到肺结节，并将检测结果传递给输出模块，提取感兴趣区域中感兴趣区域指的是结节与结节特征相似的血管和支气管，深度卷积神经网络学习模块包括对CT图像进行预处理的图像预处理单元，预测肺结节分割图像的二维卷积神经网络unet以及预测肺结节真假阳性概率的三维深度残神经网络Resnet3D，首先图像预处理单元对CT图像进行预处理，使全部CT图像像素间隔统一，图像对比度统一，然后训练二维卷积神经网络unet预测肺结节分割图像，基于肺结节分割图像推荐候选结节，最后训练三维深度残神经网络Resnet3D预测肺结节的真假阳性概率，筛除假阳性结合，以提高肺结节小病情的检出，该技术充分将AL于医疗知识相结合，适应于不同质量的CT影像和各类结节，如：肺壁便于结节，肺底部尖角处结节，磨玻璃结节，边缘小结节，不同体积的肺结节，形状怪异的肺结节，贴近纵膈钙化结节，图像质量差的结节影像，常规肺结节等等，检测正确率可高达98％左右，可以作为影像科医生的得力辅助工具，最后有输出模块将检测数据传递给计算机终端，便于医生直接从计算机终端观看的自能科技的检测结果。
Claims (6)
1.一种CT肺结核检测人工智能诊疗***，包括特征样本库、供神经元网络学习模块、深度卷积神经网络学习模块、输出模块和计算机终端，其特征在于，所述特征样本库内设置有可供神经元网络学习模块以及深度卷积神经网络学习模块学习的大量样本，神经元网络学习模块通过学习后可对诊断数据与原始影像获取模块的影像进行自动诊断，并将诊断结果传递给输出模块，深度卷积神经网络学习模块通过学习后对原始影像获取模块的影像依次进行肺实质分割、提取感兴趣区域以及特征参数提取步骤后分类判别得到肺结节，并将检测结果传递给输出模块，输出模块将检测数据传递给计算机终端。
2.根据权利要求1所述的一种CT肺结核检测人工智能诊疗***，其特征在于，所述深度卷积神经网络学习模块包括对CT图像进行预处理的图像预处理单元，预测肺结节分割图像的二维卷积神经网络unet以及预测肺结节真假阳性概率的三维深度残神经网络Resnet3D。
3.根据权利要求1所述的一种CT肺结核检测人工智能诊疗***，其特征在于，所述特征样本库包含有大量正常人胸片影像以及肺结节患者的胸片影像，在标注时首先从历史样本数据中筛选出候选样本，再对候选样本进行审核。
4.根据权利要求1所述的一种CT肺结核检测人工智能诊疗***，其特征在于，所述神经元网络学习单元采用多通道、异构三维卷积融合算法。
5.根据权利要求1所述的一种CT肺结核检测人工智能诊疗***，其特征在于，所述提取感兴趣区域中感兴趣区域指的是结节与结节特征相似的血管和支气管。
6.根据权利要求1所述的一种CT肺结核检测人工智能诊疗***，其特征在于，所述输出模块的输入端分别通过数据线与神经元网络学习模块与深度卷积神经网络学习模块的输出端电性连接，且输出模块的输出端与计算机终端的输入端通过数据线电性连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810569856.9A CN108670285A (zh) | 2018-06-05 | 2018-06-05 | 一种ct肺结核检测人工智能诊疗*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810569856.9A CN108670285A (zh) | 2018-06-05 | 2018-06-05 | 一种ct肺结核检测人工智能诊疗*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108670285A true CN108670285A (zh) | 2018-10-19 |
Family
ID=63809782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810569856.9A Pending CN108670285A (zh) | 2018-06-05 | 2018-06-05 | 一种ct肺结核检测人工智能诊疗*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108670285A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109727260A (zh) * | 2019-01-24 | 2019-05-07 | 杭州英库医疗科技有限公司 | 一种基于ct影像的三维肺叶分割方法 |
| CN109727253A (zh) * | 2018-11-14 | 2019-05-07 | 西安大数据与人工智能研究院 | 基于深度卷积神经网络自动分割肺结节的辅助检测方法 |
| CN109785963A (zh) * | 2019-01-16 | 2019-05-21 | 成都蓝景信息技术有限公司 | 基于深度学习技术的肺结节筛查算法 |
| CN110164559A (zh) * | 2019-04-28 | 2019-08-23 | 万达信息股份有限公司 | 一种基于电子病历数据的肺结核患者预警*** |
| CN110782441A (zh) * | 2019-10-22 | 2020-02-11 | 浙江大学 | 一种基于深度学习的dr影像肺结核智能分割与检测方法 |
| CN111179269A (zh) * | 2019-11-11 | 2020-05-19 | 浙江工业大学 | 一种基于多视图和3维卷积融合策略的pet图像分割方法 |
| CN111311589A (zh) * | 2020-03-05 | 2020-06-19 | 上海市肺科医院（上海市职业病防治院） | 一种肺部结节检测及性质判定***及方法 |
| 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 |
| CN111816314A (zh) * | 2020-07-01 | 2020-10-23 | 深圳市职业病防治院 | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 |
| CN112037212A (zh) * | 2020-09-04 | 2020-12-04 | 北京掌引医疗科技有限公司 | 一种基于深度学习的肺结核dr影像识别方法 |
| CN112116603A (zh) * | 2020-09-14 | 2020-12-22 | 中国科学院大学宁波华美医院 | 一种基于多任务学习的肺结节假阳性筛查方法 |
| CN112635069A (zh) * | 2020-12-14 | 2021-04-09 | 内蒙古卫数数据科技有限公司 | 一种基于常规检验数据的肺结核智能识别方法 |
| CN112669320A (zh) * | 2021-03-22 | 2021-04-16 | 四川大学 | 一种基于深度神经网络的spect甲状腺显像智能识别方法 |
| CN112734741A (zh) * | 2021-01-19 | 2021-04-30 | 浙江飞图影像科技有限公司 | 一种肺炎ct影像的图像处理方法和*** |
| CN112950534A (zh) * | 2021-01-22 | 2021-06-11 | 华东师范大学 | 一种基于人工智能的便携式超声肺炎辅助诊断*** |
| CN114255198A (zh) * | 2019-03-28 | 2022-03-29 | 芨影(厦门)科技有限公司 | 一种医学图形影像ai人工智能建模与识别*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700118A (zh) * | 2015-03-18 | 2015-06-10 | 中国科学院自动化研究所 | 基于卷积神经网络的肺结节良恶性预测方法 |
| CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测*** |
| CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
| CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术（北京）有限公司 | 用于标注医学图像的方法和装置 |
-
2018
- 2018-06-05 CN CN201810569856.9A patent/CN108670285A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700118A (zh) * | 2015-03-18 | 2015-06-10 | 中国科学院自动化研究所 | 基于卷积神经网络的肺结节良恶性预测方法 |
| CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测*** |
| CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
| CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术（北京）有限公司 | 用于标注医学图像的方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 科技大兔子: "阿里云人工智能ET夺肺结节诊断世界冠军", 《阿里云人工智能ET夺肺结节诊断世界冠军》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109727253A (zh) * | 2018-11-14 | 2019-05-07 | 西安大数据与人工智能研究院 | 基于深度卷积神经网络自动分割肺结节的辅助检测方法 |
| CN109785963A (zh) * | 2019-01-16 | 2019-05-21 | 成都蓝景信息技术有限公司 | 基于深度学习技术的肺结节筛查算法 |
| CN109727260A (zh) * | 2019-01-24 | 2019-05-07 | 杭州英库医疗科技有限公司 | 一种基于ct影像的三维肺叶分割方法 |
| CN114255198A (zh) * | 2019-03-28 | 2022-03-29 | 芨影(厦门)科技有限公司 | 一种医学图形影像ai人工智能建模与识别*** |
| CN110164559A (zh) * | 2019-04-28 | 2019-08-23 | 万达信息股份有限公司 | 一种基于电子病历数据的肺结核患者预警*** |
| CN110782441A (zh) * | 2019-10-22 | 2020-02-11 | 浙江大学 | 一种基于深度学习的dr影像肺结核智能分割与检测方法 |
| CN111179269A (zh) * | 2019-11-11 | 2020-05-19 | 浙江工业大学 | 一种基于多视图和3维卷积融合策略的pet图像分割方法 |
| CN111179269B (zh) * | 2019-11-11 | 2023-07-11 | 浙江工业大学 | 一种基于多视图和三维卷积融合策略的pet图像分割方法 |
| CN111311589A (zh) * | 2020-03-05 | 2020-06-19 | 上海市肺科医院（上海市职业病防治院） | 一种肺部结节检测及性质判定***及方法 |
| CN111816314A (zh) * | 2020-07-01 | 2020-10-23 | 深圳市职业病防治院 | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 |
| CN111816314B (zh) * | 2020-07-01 | 2023-10-20 | 深圳市职业病防治院 | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 |
| 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 |
| CN112037212A (zh) * | 2020-09-04 | 2020-12-04 | 北京掌引医疗科技有限公司 | 一种基于深度学习的肺结核dr影像识别方法 |
| CN112116603A (zh) * | 2020-09-14 | 2020-12-22 | 中国科学院大学宁波华美医院 | 一种基于多任务学习的肺结节假阳性筛查方法 |
| CN112635069A (zh) * | 2020-12-14 | 2021-04-09 | 内蒙古卫数数据科技有限公司 | 一种基于常规检验数据的肺结核智能识别方法 |
| CN112734741A (zh) * | 2021-01-19 | 2021-04-30 | 浙江飞图影像科技有限公司 | 一种肺炎ct影像的图像处理方法和*** |
| CN112950534A (zh) * | 2021-01-22 | 2021-06-11 | 华东师范大学 | 一种基于人工智能的便携式超声肺炎辅助诊断*** |
| CN112669320A (zh) * | 2021-03-22 | 2021-04-16 | 四川大学 | 一种基于深度神经网络的spect甲状腺显像智能识别方法 |
| CN112669320B (zh) * | 2021-03-22 | 2021-08-13 | 四川大学 | 一种基于深度神经网络的spect甲状腺显像智能识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108670285A (zh) | 一种ct肺结核检测人工智能诊疗*** | |
| CN1663530B (zh) | 用于处理图像数据以帮助检测疾病的方法和装置 | |
| CN111655116A (zh) | 图像诊断辅助装置、资料收集方法、图像诊断辅助方法及图像诊断辅助程序 | |
| CN107730489A (zh) | 无线胶囊内窥镜小肠病变计算机辅助检测***及检测方法 | |
| CN110310281A (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
| CN104414636B (zh) | 基于磁共振图像的脑微出血计算机辅助检测*** | |
| CN112088394A (zh) | 生物组织的计算机分类 | |
| CN104299242B (zh) | 基于ngc‑acm的荧光造影眼底图像提取方法 | |
| CN110991536B (zh) | 原发性肝癌的早期预警模型的训练方法 | |
| Tang et al. | CNN-based qualitative detection of bone mineral density via diagnostic CT slices for osteoporosis screening | |
| Fabijańska | Two-pass region growing algorithm for segmenting airway tree from MDCT chest scans | |
| CN115564741A (zh) | 基于ct图像量化食管胃底静脉曲张的装置 | |
| Li et al. | Preliminary study on artificial intelligence diagnosis of pulmonary embolism based on computer in-depth study | |
| Gao et al. | CCE-Net: A rib fracture diagnosis network based on contralateral, contextual, and edge enhanced modules | |
| CN114332910A (zh) | 一种面向远红外图像的相似特征计算的人体部位分割方法 | |
| Xu et al. | RUnT: A network combining residual U-Net and transformer for vertebral edge feature fusion constrained spine CT image segmentation | |
| CN113763353A (zh) | 一种肺部超声图像检测*** | |
| Hussain et al. | Retracted: An Iris based Lungs Pre-diagnostic System | |
| CN116934683A (zh) | 人工智能辅助超声诊断脾创伤的方法 | |
| CN108596877B (zh) | 肋骨ct数据分析*** | |
| CN116188424A (zh) | 一种人工智能辅助超声诊断脾肝脏创伤模型建立的方法 | |
| KR102384083B1 (ko) | 자기공명영상을 이용한 천장관절염 진단 및 염증 정도를 평가하기 위한 장치 및 방법 | |
| CN115965617A (zh) | 一种基于集成学习的消化道内镜检查辅助*** | |
| WO2019092723A1 (en) | System and method for determining pathological status of a laryngopharyngeal area in a patient | |
| CN115035086A (zh) | 一种基于深度学习的结核皮试智能筛查分析方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181019 |