CN108733967A - 云端医疗图像分析***与方法 - Google Patents
云端医疗图像分析***与方法 Download PDFInfo
- Publication number
- CN108733967A CN108733967A CN201710270471.8A CN201710270471A CN108733967A CN 108733967 A CN108733967 A CN 108733967A CN 201710270471 A CN201710270471 A CN 201710270471A CN 108733967 A CN108733967 A CN 108733967A
- Authority
- CN
- China
- Prior art keywords
- analysis
- medical image
- clouds
- medical
- eigenvalue
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提出一种云端医疗图像分析***与方法。此云端医疗图像分析***具有云端医疗分析平台与电子装置。电子装置取得医疗图像。电子装置对医疗图像进行量化以取得第一特征值。电子装置传送第一特征值至云端医疗分析平台。云端医疗分析平台将第一特征值输入至分析模块模块以取得分析结果,其中分析模块使用自我学***台传送分析结果至电子装置。
Description
技术领域
本发明涉及一种云端医疗图像分析***与方法。
背景技术
一般来说,在医疗的领域中,通常会使用电脑辅助检测(Computer AidedDetection,CADe)模块来检测可疑的病灶或使用电脑辅助诊断(Computer AidedDiagnosis,CADx)模块来判断病灶的特性。然而,执行电脑辅助检测模块与电脑辅助诊断模块通常需要较大的运算量,因此若要使用电脑辅助检测模块与电脑辅助诊断模块来取得诊断结果,通常需要耗费许多的运算资源与时间。
发明内容
本发明提供一种云端医疗图像分析***与方法,通过云端运算的方式,传送医疗图像的特征值至云端医疗分析平台运算,藉此可以降低数据的传输量与执行电脑辅助检测模块与电脑辅助诊断模块的运算时间。
本发明提出一种云端医疗图像分析***。此医疗图像分析***具有云端医疗分析平台与电子装置。电子装置取得医疗图像,电子装置对医疗图像进行量化以取得第一特征值,电子装置传送第一特征值至云端医疗分析平台,云端医疗分析平台将第一特征值输入至分析模块以取得分析结果,云端医疗分析平台传送分析结果至电子装置,其中分析模块使用自我学习模型(例如深度学习模型)且分析模块通过多个训练图像进行训练。
本发明提出一种云端医疗图像分析方法。此方法用于具有云端医疗分析平台与电子装置的云端医疗图像分析***。所述方法包括:通过电子装置取得医疗图像;通过电子装置对医疗图像进行量化以取得第一特征值;通过电子装置传送第一特征值至云端医疗分析平台;通过云端医疗分析平台将第一特征值输入至分析模块以取得分析结果;以及通过云端医疗分析平台传送分析结果至电子装置,其中分析模块使用自我学习模型(例如深度学习模型)且分析模块通过多个训练图像进行训练。
基于上述,本发明的云端医疗图像分析***与方法可以通过电子装置根据医疗图像产生特征值,而云端医疗分析平台根据此特征值来执行电脑辅助检测模块和/或电脑辅助诊断模块的功能,并回传肿瘤的位置和/或肿瘤的诊断结果给电子装置,甚至云端医疗分析平台亦可基于来自电子装置的反馈而具有自我学***台。通过此方式,电子装置可以不用实际执行电脑辅助检测模块和/或电脑辅助诊断模块,可以有效地降低电子装置的运算量。此外,由于电子装置仅需传送特征值至云端医疗分析平台进行分析,电子装置不需要传送完整的医疗图像至云端医疗分析平台,故可以有效地降低数据的传输量,并且可以降低***的回应时间。
为让本发明的上述特征和优点能更明显易懂,下文特举实施例,并配合附图作详细说明如下。
附图说明
图1是依据本发明一实施例所显示的云端医疗图像分析***的示意图;
图2是依照本发明一实施例所显示的电子装置的方块图;
图3是依照本发明一实施例所显示的云端医疗分析平台的方块图;
图4是依照本发明一实施例所显示的云端医疗图像分析方法的流程图。
附图标记说明:
1000:云端医疗图像分析***
100:电子装置
120:云端医疗分析平台
200:图像取得装置
20、30:处理单元
22、32:通讯单元
24、34:存储单元
24a:图像输入模块
24b:特征值取得模块
36:分析模块
36a:电脑辅助检测模块
36b:电脑辅助诊断模块
S401:电子装置取得医疗图像的步骤
S403:电子装置对医疗图像进行量化以取得第一特征值的步骤
S405:电子装置传送第一特征值至云端医疗分析平台的步骤
S407:云端医疗分析平台将第一特征值输入至分析模块以取得分析结果的步骤
S409:云端医疗分析平台传送分析结果至电子装置的步骤
具体实施方式
图1是依据本发明一实施例所显示的云端医疗图像分析***的示意图。请参照图1,云端医疗图像分析***1000可以包括电子装置100以及云端医疗分析平台120。电子装置100以及云端医疗分析平台120两者可以通过有线或无线的网络进行通讯。
图2是依照本发明一实施例所显示的电子装置的方块图。请参照图2,电子装置100包括处理单元20、通讯单元22以及存储单元24。其中,通讯单元22以及存储单元24分别耦接至处理单元20。电子装置100例如是手机、平板电脑、笔记型电脑、机器人等电子装置,在此不设限。
处理单元20可以是中央处理单元(Central Processing Unit,CPU),或是其他可程序化的一般用途或特殊用途的微处理器(Microprocessor)、数码信号处理器(DigitalSignal Processor,DSP)、可程序化控制器、特殊应用集成电路(Application SpecificIntegrated Circuit,ASIC)或其他类似元件或上述元件的组合。
通讯单元22可为支援全球行动通信(global system for mobilecommunication,GSM)、个人手持式电话***(personal handy-phone system,PHS)、码多重撷取(code division multiple access,CDMA)***、宽频码分多址(wideband codedivision multiple access,WCDMA)***、长期演进(long term evolution,LTE)***、全球互通微波存取(worldwide interoperability for microwave access,WiMAX)***、无线保真(wireless fidelity,Wi-Fi)***或蓝牙的信号传输的元件。
存储单元24可以是任何型态的固定或可移动随机存取存储器(random accessmemory,RAM)、只读存储器(read-only memory,ROM)、快闪存储器(flash memory)或类似元件或上述元件的组合。
在本范例实施例中,电子装置100的存储单元24中存储有多个程序码片段,在上述程序码片段被安装后,会由处理单元20来执行。例如,存储单元24中包括图像输入模块24a以及特征值取得模块24b,通过这些模块来分别执行电子装置100应用于云端医疗图像分析***1000中的各个运作,其中各模块是由一或多个程序码片段所组成。然而本发明不限于此,电子装置100的各个运作也可以是使用其他硬件形式的方式来实现。
在此须说明的是,电子装置100可以连接至图像取得(撷取)装置200,图像取得装置200例如是超音波扫描装置、磁共振显影(Magnetic resonance imaging;MRI)、数码***断层层析(digital breast tomosynthesis;DBT)、手持式超音波扫描器或自动***超音波***(Automated breast ultrasound system,ABUS)来对患者进行扫描并取得医疗图像。然而,在另一实施例中,图像取得装置200也可以是直接地整合在电子装置100中,电子装置100例如可以直接地以超音波扫描装置、磁共振显影(Magnetic resonance imaging;MRI)、数码***断层层析(digital breast tomosynthesis;DBT)、手持式超音波扫描器或自动***超音波***(ABUS)的形式实作,并且电子装置100可以直接地对患者进行扫描以取得医疗图像。而在另一实施例中,电子装置100也可以是通过其他的方式来取得上述的医疗图像,本发明并不用于限定电子装置100取得医疗图像的取得方式。
存储单元24中的图像输入模块24a用以取得至少一片段的医疗图像。在本范例实施例中,医疗图像为***图像,此***图像可以是由上述图像取得装置200所取得的自动***超音波(automated breast ultrasound;ABUS)、数码***断层层析(digital breasttomosynthesis;DBT)、磁共振显影(magnetic resonance imaging:MRI)等针对***部位的二维或三维医疗图像。在筛检中,三维图像技术可为癌症风险提供更加可靠***密度评估,但本发明实施例不仅限于三维图像。而在另一实施例中,图像输入模块24a也可自存储单元24、通过通讯单元22(例如,Wi-Fi、乙太网络(Ethernet))、医学图像扫描器(例如,ABUS扫描仪器、MRI扫描仪器等)或存储装置(例如,DVD、随身盘、硬盘等)取得医疗图像。
图3是依照本发明一实施例所显示的云端医疗分析平台的方块图。请参照图3,本实施例的云端医疗分析平台120包括处理单元30、通讯单元32以及存储单元34。其中,通讯单元32以及存储单元34分别耦接至处理单元30。处理单元30、通讯单元32以及存储单元34可以分别是与上述处理单元20、通讯单元22以及存储单元24相类似的元件,在此并再不赘述。此外,云端医疗分析平台120例如是手机、平板电脑、笔记型电脑、机器人或伺服器等,在此不设限。在本范例实施例中,云端医疗分析平台120可以是运算能力优于电子装置100的一伺服器。
在本范例实施例中,云端医疗分析平台120的存储单元34中存储有多个程序码片段,在上述程序码片段被安装后,会由处理单元30来执行。例如,存储单元34中包括具有电脑辅助检测模块36a与电脑辅助诊断模块36b的分析模块36,处理单元30会运行分析模块36中的电脑辅助检测模块36a与电脑辅助诊断模块36b来分别执行云端医疗分析平台120应用于云端医疗图像分析***1000中的各个运作,其中各模块是由一或多个程序码片段所组成。然而本发明不限于此,云端医疗分析平台120的各个运作也可以是使用其他硬件形式的方式来实现。
图4是依照本发明一实施例所显示的云端医疗图像分析方法的流程图。
请同时参照图1至图4,图4的云端医疗图像分析方法可以应用于上述图1中的云端医疗图像分析***1000。在步骤S401中,电子装置100的图像输入模块24a可以取得医疗图像。在本范例实施例中,医疗图像为一超音波图像。然而,在其他范例实施例中,医疗图像也可以是依实际应用需求而为其他类型的图像。
接着,在步骤S403中,电子装置100可以通过特征值取得模块24b对此医疗图像进行量化以取得特征值(亦称为,第一特征值)。
举例来说,当电子装置100取得医疗图像后,特征值取得模块24b例如可以对医疗图像进行前处理(例如:组织分群、像素分群等),并且将经前处理后的医疗图像的特征进行量化。其中,医疗图像的特征例如是纹理、亮度或形状等特征。然而本发明并不用于限定上述前处理的形式以及医疗图像中的特征。在另一实施例中,当电脑辅助检测模块36a与电脑辅助诊断模块36b是使用区域方面(region-wise)的演算法来进行运算时,特征值取得模块24b可以对应地使用分水岭(watershed)演算法来对医疗图像作切割以产生多个区域的医疗图像,特征值取得模块24b可以对所述些区域的医疗图像进行量化以产生对应的特征值。在又一实施例中,当电脑辅助检测模块36a与电脑辅助诊断模块36b是使用像素方面(pixel-wise)的演算法来进行运算时,特征值取得模块24b可以对应地对医疗图像中的每个像素进行量化以产生对应的特征值。
接着,在步骤S405中,电子装置100传送此第一特征值至云端医疗分析平台120。在步骤S407中,云端医疗分析平台120会将第一特征值输入至分析模块36中的电脑辅助检测模块36a以及电脑辅助诊断模块36b的至少其中之一以取得一分析结果。最后在步骤S409中,云端医疗分析平台120会传送此分析结果至电子装置100。
在此须说明的是,在本发明的范例实施例中,分析模块36的电脑辅助检测模块36a以及电脑辅助诊断模块36b可以分别使用自我学***台120的运算能力优于电子装置100的运算能力时,可以让云端医疗分析平台120使用深度学***台120进行分析,电子装置100不需要传送完整的医疗图像至云端医疗分析平台120,故可以有效地降低数据的传输量,提高***的效能。
特别是,在一范例实施例中,分析模块36的深度学***台120取得第一特征值后,可以在步骤S407中将第一特征值输入至深度学习模型中另一部分的层以取得分析结果。通过此方式,可以提高深度学习模块的运作效能,并且让云端医疗图像分析***1000的运作更有弹性。
然而须注意的是,本发明并不用于限定分析模块36中电脑辅助检测模块36a以及电脑辅助诊断模块36b的实作方式,在另一实施例中,电脑辅助检测模块36a以及电脑辅助诊断模块36b也可以依实际应用需求而分别使用机器学习演算法(例如,逻辑回归、支援向量机等)来进行实作并通过多个训练图像进行训练。
为了更清楚地描述云端医疗图像分析***1000的运作方式,以下分别使用多个实施例来进行说明。
[第一实施例]
请同时参照图1至图3,在本发明的第一实施例中,电子装置100可以通过图像输入模块24a取得一医疗图像。之后,电子装置100可以通过上述产生第一特征值的方式来根据医疗图像取得特征值。在取得上述的特征值后,电子装置100可以采有线或无线的方式传送特征值至云端医疗分析平台120。云端医疗分析平台120会将所接收到的特征值输入至分析模块36中的电脑辅助检测模块36a以产生分析结果。其中,电脑辅助检测模块36a是用以根据上述的特征值判断医疗图像中肿瘤的位置并产生对应的分析结果。也就是说,电脑辅助检测模块36a所产生的分析结果用于表示上述医疗图像中肿瘤的位置。
之后,云端医疗分析平台120可以传送分析结果至电子装置100。电子装置100可以通过其本身的人机显示界面(例如,触控显示荧幕(未显示))来进行显示以让使用者(例如,医生)了解医疗图像中肿瘤的位置。
然而须注意的是,电子装置100也可以根据分析结果传送反馈信息至云端医疗分析平台120。云端医疗分析平台120使用此反馈信息与上述医疗图像的第一特征值让电脑辅助检测模块36a自我学***台120可以根据此反馈信息让电脑辅助检测模块36a自我学习。
也就是说,在第一实施例中,电子装置100可以取得特征值。云端医疗分析平台120会根据电子装置100所传送的特征值来执行电脑辅助检测模块36a并产生分析结果。电子装置100的使用者可以根据分析结果得知医疗图像中肿瘤的位置,并且可以提供反馈信息给云端医疗分析平台120以让电脑辅助检测模块36a自我学习。
[第二实施例]
请同时参照图1至图3,在本发明的第二实施例中,电子装置100可以通过图像输入模块24a取得一医疗图像。特别是,第二实施例中的医疗图像是肿瘤区域的医疗图像。例如,电子装置100可以通过第一实施例所回传的分析结果得知肿瘤的位置,电子装置100可以根据肿瘤的位置对第一实施例中的医疗图像进行切割以撷取肿瘤区域的医疗图像,以当作第二实施例的医疗图像。
在取得第二实施例的医疗图像后,电子装置100可以通过上述产生第一特征值的方式来根据医疗图像取得特征值并传送此特征值至云端医疗分析平台120。云端医疗分析平台120会将所接收到的特征值输入至分析模块36中的电脑辅助诊断模块36b以产生分析结果。其中,电脑辅助诊断模块36b是用以根据上述的特征值判断医疗图像中的肿瘤为良性或恶性,并产生对应的分析结果。也就是说,电脑辅助诊断模块36b所产生的分析结果用于表示第二实施例的医疗图像中的肿瘤为良性或恶性。
之后,云端医疗分析平台120可以传送分析结果至电子装置100。电子装置100可以通过其本身的人机显示界面(例如,触控显示荧幕(未显示))来进行显示,以让使用者(例如,医生)了解医疗图像中的肿瘤为良性或恶性。
然而须注意的是,电子装置100也可以根据分析结果传送反馈信息至云端医疗分析平台120。云端医疗分析平台120使用此反馈信息与上述医疗图像的第一特征值让电脑辅助诊断模块36b自我学***台120可以根据此反馈信息让电脑辅助诊断模块36b自我学习。
也就是说,在第二实施例中,电子装置100可以取得特征值。云端医疗分析平台120会根据电子装置100所传送的特征值来执行电脑辅助诊断模块36b并产生分析结果。电子装置100的使用者(例如,医生)可以根据分析结果得知医疗图像中的肿瘤为良性或恶性,并且可以提供反馈信息给云端医疗分析平台120让电脑辅助诊断模块36b自我学习。
[第三实施例]
请同时参照图1至图3,在本发明的第三实施例中,电子装置100可以通过图像输入模块24a取得一医疗图像,此医疗图像例如是第一实施例的医疗图像。在取得医疗图像后,电子装置100可以通过上述产生第一特征值的方式来根据医疗图像取得特征值。在取得上述的特征值后,电子装置100可以传送特征值至云端医疗分析平台120。云端医疗分析平台120会将所接收到的特征值输入至分析模块36中的电脑辅助检测模块36a以判断医疗图像中肿瘤的位置。
举例来说,当电脑辅助检测模块36a是使用区域方面(region-wise)的演算法来进行运算时,电脑辅助检测模块36a可以使用从电子装置100所取得的特征值,判断此特征值所对应的医疗图像中肿瘤的位置。当电脑辅助检测模块36a是使用像素方面(pixel-wise)的演算法来进行运算时,电脑辅助检测模块36a可以使用从电子装置100所取得的特征值,判断此特征值所对应的医疗图像中的各个像素是否为肿瘤,并进而将可能为肿瘤的像素所组成的区域的位置判断为肿瘤的位置。
当判断出医疗图像中肿瘤的位置时,代表医疗图像中可能有肿瘤。此时,电脑辅助检测模块36a可以根据所接收到的特征值,再产生一第二特征值。其中,此第二特征值例如是相同于电脑辅助检测模块36a从电子装置100接收的特征值或者是另外再经处理后所产生的特征值,在此并不作限制。
之后,电脑辅助检测模块36a会将上述的第二特征值传送给电脑辅助诊断模块36b。电脑辅助诊断模块36b会根据第二特征值产生分析结果。其中,电脑辅助诊断模块36b是用以根据上述的第二特征值判断医疗图像中的肿瘤为良性或恶性,并产生对应的分析结果。也就是说,电脑辅助诊断模块36b所产生的分析结果用于表示医疗图像中的肿瘤为良性或恶性。
之后,云端医疗分析平台120可以传送分析结果至电子装置100。电子装置100可以通过其本身的人机显示界面(例如,触控显示荧幕(未显示))来进行显示,以让使用者(例如,医生)了解医疗图像中的肿瘤为良性或恶性。
类似地,电子装置100也可以根据分析结果传送反馈信息至云端医疗分析平台120,以使云端医疗分析平台120根据此反馈信息与上述医疗图像的第二特征值让电脑辅助诊断模块36b自我学习。
也就是说,在第三实施例中,电子装置100可以取得特征值。云端医疗分析平台120会根据电子装置100所传送的特征值来分别执行电脑辅助检测模块36a与电脑辅助诊断模块36b并产生分析结果。电子装置100的使用者(例如,医生)可以根据分析结果得知医疗图像中的肿瘤为良性或恶性,并且可以提供反馈信息给云端医疗分析平台120让电脑辅助诊断模块36b自我学习。
综上所述,本发明的云端医疗图像分析***与方法可以通过电子装置根据医疗图像产生特征值,而云端医疗分析平台根据此特征值来执行电脑辅助检测模块和/或电脑辅助诊断模块的功能,并回传肿瘤的位置和/或肿瘤的诊断结果给电子装置,甚至云端医疗分析平台亦可基于来自电子装置的反馈而具有自我学***台。通过此方式,电子装置可以不用实际执行电脑辅助检测模块和/或电脑辅助诊断模块,可以有效地降低电子装置的运算量。此外,由于电子装置仅需传送特征值至云端医疗分析平台进行分析,电子装置不需要传送完整的医疗图像至云端医疗分析平台,故可以有效地降低数据的传输量,并且可以降低***的回应时间。
虽然本发明已以实施例揭示如上,然其并非用以限定本发明,任何所属技术领域中技术人员,在不脱离本发明的精神和范围内,当可作些许的更改与润饰,故本发明的保护范围当视后附的申请专利范围所界定的为准。
Claims (14)
1.一种云端医疗图像分析***,其特征在于,包括:
云端医疗分析平台;以及
电子装置,其中
所述电子装置取得一医疗图像,
所述电子装置对所述医疗图像进行量化以取得一第一特征值,
所述电子装置传送所述第一特征值至所述云端医疗分析平台,
所述云端医疗分析平台将所述第一特征值输入至一分析模块以取得一分析结果,以及
所述云端医疗分析平台传送所述分析结果至所述电子装置,
其中所述分析模块使用一自我学习模型且所述分析模块通过多个训练图像进行训练。
2.根据权利要求1所述的云端医疗图像分析***,其特征在于,
所述自我学习模型包括一深度学习模型;
在所述电子装置对所述医疗图像进行量化以取得所述第一特征值的运作中,所述电子装置将所述医疗图像输入至所述深度学习模型中一部分的层以取得所述第一特征值,
在所述云端医疗分析平台将所述第一特征值输入至所述分析模块以取得所述分析结果的运作中,所述云端医疗分析平台将所述第一特征值输入至所述深度学习模型中另一部分的层以取得所述分析结果。
3.根据权利要求1所述的云端医疗图像分析***,其特征在于,所述自我学习模型包括一深度学习模型,所述深度学习模型使用一多解析度卷积神经网络。
4.根据权利要求1所述的云端医疗图像分析***,其特征在于,所述分析模块包括一电脑辅助检测模块,
其中所述分析结果用于表示所述医疗图像中一肿瘤的位置,所述肿瘤的位置是经由所述电脑辅助检测模块所判断出。
5.根据权利要求1所述的云端医疗图像分析***,其特征在于,所述分析模块包括一电脑辅助诊断模块,
其中所述分析结果用于表示所述医疗图像中的一肿瘤为良性或恶性,所述肿瘤为良性或恶性是经由所述电脑辅助诊断模块所判断出。
6.根据权利要求1所述的云端医疗图像分析***,其特征在于,所述分析模块包括一电脑辅助检测模块以及一电脑辅助诊断模块,
所述电脑辅助检测模块根据所述第一特征值取得一第二特征值,
所述电脑辅助诊断模块根据所述第二特征值产生所述分析结果,其中所述分析结果用于表示所述医疗图像中的一肿瘤为良性或恶性。
7.根据权利要求1所述的云端医疗图像分析***,其特征在于,
所述电子装置根据所述分析结果传送一反馈信息至所述云端医疗分析平台,
所述云端医疗分析平台使用所述反馈信息与所述医疗图像的所述第一特征值让所述分析模块自我学习。
8.一种云端医疗图像分析方法,其特征在于,用于具有一云端医疗分析平台与一电子装置的一云端医疗图像分析***,此方法包括:
通过所述电子装置取得一医疗图像;
通过所述电子装置对所述医疗图像进行量化以取得一第一特征值;
通过所述电子装置传送所述第一特征值至所述云端医疗分析平台;
通过所述云端医疗分析平台将所述第一特征值输入至一分析模块以取得一分析结果;以及
通过所述云端医疗分析平台传送所述分析结果至所述电子装置,
其中所述分析模块使用一自我学习模型且所述分析模块通过多个训练图像进行训练。
9.根据权利要求8所述的云端医疗图像分析方法,其特征在于,
所述自我学习模型包括一深度学习模型,
在对所述医疗图像进行量化以取得所述第一特征值的步骤包括:通过所述电子装置将所述医疗图像输入至所述深度学习模型中一部分的层以取得所述第一特征值,
在将所述第一特征值输入至所述分析模块以取得所述分析结果的步骤包括:通过所述云端医疗分析平台将所述第一特征值输入至所述深度学习模型中另一部分的层以取得所述分析结果。
10.根据权利要求8所述的云端医疗图像分析方法,其特征在于,所述自我学习模型包括一深度学习模型,所述深度学习模型使用一多解析度卷积神经网络。
11.根据权利要求8所述的云端医疗图像分析方法,其特征在于,所述分析模块包括一电脑辅助检测模块,
其中所述分析结果用于表示所述医疗图像中一肿瘤的位置,所述肿瘤的位置是经由所述电脑辅助检测模块所判断出。
12.根据权利要求8所述的云端医疗图像分析方法,其特征在于,所述分析模块包括一电脑辅助诊断模块,
其中所述分析结果用于表示所述医疗图像中的一肿瘤为良性或恶性,所述肿瘤为良性或恶性是经由所述电脑辅助诊断模块所判断出。
13.根据权利要求8所述的云端医疗图像分析方法,其特征在于,所述分析模块包括一电脑辅助检测模块以及一电脑辅助诊断模块,所述方法还包括:
通过所述电脑辅助检测模块根据所述第一特征值取得一第二特征值;以及
通过所述电脑辅助诊断模块根据所述第二特征值产生所述分析结果,其中所述分析结果用于表示所述医疗图像中的一肿瘤为良性或恶性。
14.根据权利要求8所述的云端医疗图像分析方法,其特征在于,还包括:
通过所述电子装置根据所述分析结果传送一反馈信息至所述云端医疗分析平台;以及
通过所述云端医疗分析平台使用所述反馈信息与所述医疗图像的所述第一特征值让所述分析模块自我学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710270471.8A CN108733967A (zh) | 2017-04-24 | 2017-04-24 | 云端医疗图像分析***与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710270471.8A CN108733967A (zh) | 2017-04-24 | 2017-04-24 | 云端医疗图像分析***与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108733967A true CN108733967A (zh) | 2018-11-02 |
Family
ID=63933823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710270471.8A Pending CN108733967A (zh) | 2017-04-24 | 2017-04-24 | 云端医疗图像分析***与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108733967A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109512464A (zh) * | 2018-11-23 | 2019-03-26 | 清华大学深圳研究生院 | 一种疾病筛查和诊断*** |
CN111182263A (zh) * | 2019-12-06 | 2020-05-19 | 杭州乔戈里科技有限公司 | 具有云端分析平台的机器人***及视觉分析方法 |
CN112331329A (zh) * | 2019-08-05 | 2021-02-05 | 长佳智能股份有限公司 | 以个人装置进行手骨骨龄即时判读的***及方法 |
WO2021151307A1 (zh) * | 2020-06-09 | 2021-08-05 | 平安科技(深圳)有限公司 | 基于病理切片扫描和分析一体化方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551855A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 自适应核匹配追踪辅助诊断***及其辅助诊断方法 |
CN103841175A (zh) * | 2012-11-23 | 2014-06-04 | ***通信集团公司 | 一种图像特征信息传输方法、装置及*** |
CN104684462A (zh) * | 2012-09-26 | 2015-06-03 | 富士胶片株式会社 | 医用图像管理***以及医用图像管理方法和程序 |
CN106096254A (zh) * | 2016-06-03 | 2016-11-09 | 宁波大红鹰学院 | 一种医疗服务***及方法 |
CN106339571A (zh) * | 2015-07-10 | 2017-01-18 | 西门子保健有限责任公司 | 用于分类医学图像数据组的人工神经网络 |
CN106529137A (zh) * | 2016-10-26 | 2017-03-22 | 象翌微链科技发展有限公司 | 一种基于云端的ct影像共享方法及装置 |
CN106548038A (zh) * | 2016-12-09 | 2017-03-29 | 江西中科九峰智慧医疗科技有限公司 | 一种基于知识的医疗影像采集分析*** |
-
2017
- 2017-04-24 CN CN201710270471.8A patent/CN108733967A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551855A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 自适应核匹配追踪辅助诊断***及其辅助诊断方法 |
CN104684462A (zh) * | 2012-09-26 | 2015-06-03 | 富士胶片株式会社 | 医用图像管理***以及医用图像管理方法和程序 |
CN103841175A (zh) * | 2012-11-23 | 2014-06-04 | ***通信集团公司 | 一种图像特征信息传输方法、装置及*** |
CN106339571A (zh) * | 2015-07-10 | 2017-01-18 | 西门子保健有限责任公司 | 用于分类医学图像数据组的人工神经网络 |
CN106096254A (zh) * | 2016-06-03 | 2016-11-09 | 宁波大红鹰学院 | 一种医疗服务***及方法 |
CN106529137A (zh) * | 2016-10-26 | 2017-03-22 | 象翌微链科技发展有限公司 | 一种基于云端的ct影像共享方法及装置 |
CN106548038A (zh) * | 2016-12-09 | 2017-03-29 | 江西中科九峰智慧医疗科技有限公司 | 一种基于知识的医疗影像采集分析*** |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109512464A (zh) * | 2018-11-23 | 2019-03-26 | 清华大学深圳研究生院 | 一种疾病筛查和诊断*** |
CN112331329A (zh) * | 2019-08-05 | 2021-02-05 | 长佳智能股份有限公司 | 以个人装置进行手骨骨龄即时判读的***及方法 |
CN111182263A (zh) * | 2019-12-06 | 2020-05-19 | 杭州乔戈里科技有限公司 | 具有云端分析平台的机器人***及视觉分析方法 |
WO2021151307A1 (zh) * | 2020-06-09 | 2021-08-05 | 平安科技(深圳)有限公司 | 基于病理切片扫描和分析一体化方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6667572B2 (ja) | クラウド型医療画像分析のためのシステムおよび方法 | |
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
US11488302B2 (en) | Object recognition method and device, and storage medium | |
CN108733967A (zh) | 云端医疗图像分析***与方法 | |
Liu et al. | Automatic detection of pulmonary nodules on CT images with YOLOv3: development and evaluation using simulated and patient data | |
CN111161270A (zh) | 医学影像的血管分割方法、计算机设备和可读存储介质 | |
EP3973539A1 (en) | System and method for interpretation of multiple medical images using deep learning | |
CN111488872B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
KR20150073628A (ko) | 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법 | |
CN111681205B (zh) | 图像分析方法、计算机设备和存储介质 | |
CN112288843A (zh) | 一种病灶的三维构建方法、装置、终端设备及存储介质 | |
JP6810212B2 (ja) | 画像識別方法及び画像識別装置 | |
CN111462139A (zh) | 医学图像显示方法、装置、计算机设备和可读存储介质 | |
CN112200780B (zh) | 骨组织定位方法、装置、计算机设备和存储介质 | |
US9454814B2 (en) | PACS viewer and a method for identifying patient orientation | |
CN111461158A (zh) | 用于识别超声图像中特征的方法、装置、存储介质和*** | |
CN113344926A (zh) | 胆胰超声图像识别方法、装置、服务器及存储介质 | |
CN108742678A (zh) | 图像配准方法、装置及计算机可读存储介质 | |
US20220392619A1 (en) | Information processing apparatus, method, and program | |
CN113674254B (zh) | 医学图像异常点识别方法、设备、电子装置和存储介质 | |
US20210338194A1 (en) | Analysis method for breast image and electronic apparatus using the same | |
CN114360695A (zh) | 乳腺超声扫查分析辅助***、介质及设备 | |
CN113705807A (zh) | 神经网络的训练装置及方法,消融布针规划装置及方法 | |
JP2022117177A (ja) | 情報処理装置、情報処理方法及び情報処理プログラム |
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 |