CN110111305B - 处理方案的生成方法、装置、设备和存储介质 - Google Patents
处理方案的生成方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110111305B CN110111305B CN201910285164.6A CN201910285164A CN110111305B CN 110111305 B CN110111305 B CN 110111305B CN 201910285164 A CN201910285164 A CN 201910285164A CN 110111305 B CN110111305 B CN 110111305B
- Authority
- CN
- China
- Prior art keywords
- calculus
- diagnosis
- stone
- processing scheme
- treatment
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种处理方案的生成方法、装置、设备和存储介质,终端根据医学图像和预设的结石成分模型,获取结石成分的预测结果,并根据预测结果和诊疗信息,确定结石成分,其中诊疗信息包括诊疗对象的身体指标和结石的物理特征,进而采用预设的人工智能方法,根据诊疗信息和结石成分,生成结石处理方案。本申请中,由于诊疗信息包括了诊疗对象的身体指标和结石的物理特征,结石成分是根据结石成分的预测结果和上述诊疗信息确定的,因此,使得该结石处理方案是根据结石成分指标确定的,大大提高了生成结石处理方***度。
Description
技术领域
本发明涉及深度学习技术领域,特别是涉及了一种处理方案的生成方法、装置、设备和存储介质。
背景技术
结石的成分存在多种类型,而且大多数结石是混合性的结石,结石分析不仅可以确定结石成分,也为制定结石合理的防治措施和选择溶石疗法提供重要依据,对诊疗对象饮食、生活习惯等方面进行指导,有助于预防结石的复发。
通常采用电子计算机断层扫描(Computed Tomography,CT)对结石部位进行检测,获取结石部位影像信息,根据该影像信息获得结石的成分、硬度和脆性,进而医务人员根据结石的成分、硬度和脆性,人为确定结石处理方案。
然而,采用上述方法确定的结石处理方案缺乏结石成分指标使得结石处理方案准确度不高。
发明内容
基于此,有必要针对结石处理方案准确度不高的问题,提供了一种处理方案的生成方法、装置、设备和存储介质。
第一方面,一种处理方案的生成方法,该方法包括:
根据医学图像和预设的结石成分模型,获取结石成分的预测结果;
根据预测结果和诊疗信息,确定结石成分;其中诊疗信息包括诊疗对象的身体指标和结石的物理特征;
采用预设的人工智能方法,根据诊疗信息和结石成分,生成结石处理方案。
在其中一个实施例中,上述采用预设的人工智能方法,根据诊疗信息和结石成分,得到结石处理方案,包括:
根据预设的权重系数,对诊疗信息和结石成分进行加权处理,得到加权后的诊疗信息和加权后的结石成分;
将加权后的诊疗信息和加权后的结石成分,输入预设的结石处理模型,生成结石处理方案。
在其中一个实施例中,该方法还包括:
获取诊疗对象的历史结石处理方案;
将历史结石处理方案进行加权处理,获得加权后的历史结石处理方案;
则上述将加权后的诊疗信息和加权后的结石成分,输入预设的结石处理模型,生成结石处理方案,包括:
将加权后的诊疗信息、加权后的结石成分和加权后的历史结石处理方案,输入预设的结石处理模型,生成结石处理方案。
在其中一个实施例中,结石的物理特征包括结石的大小、体积、表面积、块数和结石对应的CT值。
在其中一个实施例中,上述根据医学图像和预设的结石成分模型,获取结石成分的预测结果,包括:
获取医学图像;
对医学图像进行标注,得到结石粗选区域;
从结石粗选区域中提取结石中心区域;
将结石中心区域输入结石成分模型,输出结石成分的预测结果。
在其中一个实施例中,上述从结石粗选区域中提取结石中心区域,包括:
提取结石粗选区域中扫描图像像素大于预设阈值范围的区域为结石中心区域。
在其中一个实施例中,该方法还包括:
获取多个医学图像;
分别获取对多个医学图像进行标注后得到的多个结石粗选区域;
分别从多个结石粗选区域中提取多个结石中心区域;
将多个结石中心区域作为输入,将多个结石中心区域分别对应的多个结石成分的预测结果作为输出,对结石成分模型进行训练。
第二方面,一种处理方案的生成装置,该装置包括:
预测模块,用于根据医学图像和预设的结石成分模型,获取结石成分的预测结果;
确定模块,用于根据预测结果和诊疗信息,确定结石成分;诊疗信息包括诊疗对象的身体指标和结石的物理特征;
生成模块,用于采用预设的人工智能方法,根据诊疗信息和结石成分,生成结石处理方案。
第三方面,一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面任一项方法的步骤。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一项方法的步骤。
上述处理方案的生成方法、装置、设备和存储介质,终端根据医学图像和预设的结石成分模型,获取结石成分的预测结果,并根据预测结果和诊疗信息确定结石成分,进而采用预设的人工智能方法根据诊疗信息和结石成分,生成结石处理方案。本申请中,由于诊疗信息包括了诊疗对象的身体指标和结石的物理特征,结石成分是根据结石成分的预测结果和上述诊疗信息确定的,因此,根据诊疗信息和结石成分生成的结石处理方案是结合了多个客观因素得到的,使得该结石处理方案是根据结石成分指标确定的,大大提高了结石处理方***度。
附图说明
图1为一个实施例中处理方案的生成方法的应用环境的示意图;
图2为一个实施例中处理方案的生成方法的流程示意图;
图3为另一个实施例中处理方案的生成方法的流程示意图;
图4为另一个实施例中处理方案的生成方法的流程示意图;
图5为另一个实施例中处理方案的生成方法的流程示意图;
图6为另一个实施例中处理方案的生成方法的流程示意图;
图7为一个实施例中提供的处理方案的生成装置的结构示意图;
图8为另一个实施例中提供的处理方案的生成装置的结构示意图;
图9为另一个实施例中提供的处理方案的生成装置的结构示意图;
图10为另一个实施例中提供的处理方案的生成装置的结构示意图。
具体实施方式
本申请提供的处理方案的生成方法、装置、设备和存储介质,旨在解决确定结石处理方案不准确的问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
本实施例提供的处理方案的生成方法,可以适用于如图1所示的应用环境中。处理方案的生成终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
需要说明的是,本申请实施例提供的处理方案的生成方法,其执行主体可以是处理方案的生成装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为处理方案的生成终端的部分或者全部。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。
图2为一个实施例中处理方案的生成方法的流程示意图。本实施例涉及的是通过诊疗信息和结石成分,自动生成结石处理方案的具体过程。如图2所示,该方法包括以下步骤:
S101、根据医学图像和预设的结石成分模型,获取结石成分的预测结果。
具体地,医学图像可以是电子计算机断层扫描(Computed Tomography,CT)图像,也可以是其他医学图像,本申请实施例对此不做限制。预设的结石成分模型可以是通过对上述医学图像进行深度学习,获得结石成分的预测结果的神经网络算法。从结石的组成成分上,结石可以包括草酸钙结石、磷酸钙结石、尿酸(尿酸盐)结石、磷酸铵镁结石、胱氨酸结石及嘌呤结石。常见的结石多包括多种组成成分,其可以是上述多种成分组成混合形成的,同时,结石的形状、体积、个数、位置之间也存在较大的个体差别。上述结石成分的预测结果可以包括上述结石的组成成分、结石的形状、体积、个数、位置等信息,本申请实施例对此不做限制。具体地,终端根据医学图像和预设的结石成分模型获取结石成分的预测结果的方式,可以是将医学图像输入预设的结石成分模型,通过深度学习,获得该结石成分的预测结果;也可以是终端先对医学图像进行预处理,获得处理后的医学图像,将处理后的医学图像输入预设的结石分析模型,通过深度学习,获得该结石成分的预测结果;当然还可以是其他方式,本申请实施例对此不作限制。
S102、根据预测结果和诊疗信息,确定结石成分;其中诊疗信息包括诊疗对象的身体指标和结石的物理特征。
具体地,诊疗信息可以包括诊疗对象的身体指标和结石的物理特征。诊疗对象的身体指标可以是诊疗对象的临床身体指标。例如,其可以是通过对诊疗对象进行尿化验、血液检查、体格检查以及影像学检查,得到诊疗对象的身体指标,以及不同医疗影像。结石成分可以是根据上述的结石成分的预测结果和诊疗信息,进一步地处理得到的更加准确的结石成分。在具体的根据预测结果和诊疗信息,确定结石成分的过程中,可以将上述预设的结石成分模型获得的结石成分预测结果,以及诊疗对象的身体指标作为全连接网络(Net_FC1)的输入,获得结石成分。还可以将通过深度学习获得的结石的三维纹理特征作为卷积神经网络(Net_CNN)的输入,进行若干层卷积神经网络卷积操作,获得三维结石特征;并通过上述预设的结石成分模型获得的结石成分预测结果,以及诊疗对象的身体指标作为全连接网络(Net_FC1)的输入,进行若干层全连接操作,获得一维结石特征;进而根据一维结石特征和三维结石特征,获得上述结石成分。本申请实施例对此不作限制。
S103、采用预设的人工智能方法,根据诊疗信息和结石成分,生成结石处理方案。
具体地,预设的人工智能方法可以是训练好的神经网络模型,可以通过将上述诊疗信息和结石成分输入该训练好的神经网络模型中,输出结石处理方案,其中,该结石处理方案可以是通过神经网络模型输出的建议方案。终端可以是采用预设的人工智能方法,根据诊疗信息和结石成分,先输出结石类型,进而根据结石的类型,确定结石处理方法,例如,结石类型可以包括:结石为尿酸结石、结石的尺寸小于4mm、结石的尺寸为4mm-6mm、结石的尺寸为6mm-10mm、结石的尺寸大于10mm和结石伴远端尿路狭窄。结石处理方案可以包括观察处理方案、可进行治疗、水化处理方案、药物处理方案、体外冲击波碎石(ESWL)处理方案、经皮肾取石(PCNL)处理方案和开放治疗处理方案。当结石为尿酸结石时,可以自行排出,不进行处理;当结石类型为结石的尺寸小于4mm时,结石的尺寸为4mm-6mm或结石的尺寸为6mm-10mm,可以先采用观察处理方案,若结石自行排出,则可执行水化处理方案或药物处理方案,若结石未自行排出,则可执行体外冲击波碎石(ESWL)处理方案、经皮肾取石(PCNL)处理方案或开放治疗处理方案;当结石类型为结石的尺寸大于10mm,则可执行体外冲击波碎石(ESWL)处理方案、经皮肾取石(PCNL)处理方案或开放治疗处理方案;当结石类型为结石伴远端尿路狭窄,则可执行开放治疗处理方案。
上述处理方案的生成方法,终端根据医学图像和预设的结石成分模型,获取结石成分的预测结果,并根据预测结果和诊疗信息,确定结石成分,其中诊疗信息包括诊疗对象的身体指标和结石的物理特征,进而采用预设的人工智能方法,根据诊疗信息和结石成分,生成结石处理方案。本实施例中,由于诊疗信息包括了诊疗对象的身体指标和结石的物理特征,结石成分是根据结石成分的预测结果和上述诊疗信息确定的,因此,根据诊疗信息和结石成分生成的结石处理方案是结合了多个客观因素得到的,使得该结石处理方案受客观因素影响更大,避免了得到的结石处理方案受主观的人为因素影响,大大提高了生成结石处理方***度。
可选地,结石的物理特征包括结石的大小、体积、表面积、块数和结石对应的CT值。
图3为另一个实施例中处理方案的生成方法的流程示意图。本实施例涉及的是终端如何根据诊疗信息和结石成分,生成结石处理方案的具体过程。如图3所示,上述S103“采用预设的人工智能方法,根据诊疗信息和结石成分,生成结石处理方案”一种可能的实现方法包括以下步骤:
S201、根据预设的权重系数,对诊疗信息和结石成分进行加权处理,得到加权后的诊疗信息和加权后的结石成分。
具体地,预设的权重系数可以是根据历史数据确定的诊疗信息和结石成分对应的系数,预设的权重***可以是可调整的系数。在上述实施例的基础上,诊疗信息可以包括诊疗对象的身体指标和结石的物理特征。根据预设的权重系数,对诊疗信息和结石成分进行加权处理可以是对上述诊疗对象的身体指标、结石的物理特征及结石成分,分别乘以相应的系数,得到加权后的诊疗对象的身体指标、加权后的结石的物理特征及加权后的结石成分。
S202、将加权后的诊疗信息和加权后的结石成分,输入预设的结石处理模型,生成结石处理方案。
具体地,在上述实施例的基础上,获得了加权后的诊疗信息和加权后的结石成分,可以将加权后的诊疗信息和加权后的结石成分,输入预设的结石处理模型,生成结石处理方案。其中,加权后的诊疗信息包括加权后的诊疗对象的身体指标和加权后的结石的物理特征,则终端可以是将加权后的诊疗对象的身体指标、加权后的结石的物理特征和和加权后的结石成分,输入预设的结石处理模型,生成结石处理方案。在上述实施例的基础上,预设的权重***可以是可调整的系数,其可以根据生成的结石处理方***度来调整。例如,初始的预设权重系数为:诊疗信息对应的系数为0.3,结石成分对应的系数0.5。当根据该权重系数获得加权后的诊疗对象的身体指标和加权后的结石的物理特征,生成的结石处理方案,与最优的结石处理方法存在一定的差异,则可以通过调整该预设的权重系数,假设是将诊疗信息对应的系数调整为0.4,结石成分对应的系数调整为0.4,使得根据调整后的预设的权重系数,获得加权后的诊疗对象的身体指标和加权后的结石的物理特征,生成的结石处理方案更加接近最优的结石处理方案。其中,最优的结石处理方案可以是诊疗对象在接受结石处理方案之后,通过相关检查,确定无复发和其他症状,则可认为该结石处理方案为最优的结石处理方案。
上述处理方案的生成方法,终端根据预设的权重系数,对诊疗信息和结石成分进行加权处理,得到加权后的诊疗信息和加权后的结石成分,并将加权后的诊疗信息和加权后的结石成分,输入预设的结石处理模型,生成结石处理方案。使得生成的结石处理方案是根据不同权重的诊疗信息和结石成分的获得的,提高了重要特征对生成结石处理方案的影响,进而提高了生成结石处理方***度。
在上述实施例的基础上,终端生成了诊疗对象的结石处理方案之后,可以将该结石处理方案记录为该诊疗对象的历史结石处理方案。当需要对该诊疗对象再次生成结石处理方案时,可以根据上述历史结石处理方案,生成该诊疗对象的结石处理方案。
图4为另一个实施例中处理方案的生成方法的流程示意图。本实施例涉及的是终端如何根据历史结石处理方案,生成结石处理方案的具体过程。如图4所示,该方法包括以下步骤:
S301、获取诊疗对象的历史结石处理方案。
具体地,历史结石处理方案可以是该诊疗对象历史生成的结石处理方案,也可以是与该诊疗对象的特征类似的诊疗信息对应的历史结石处理方案,本申请实施例对此不作限制。当获取了诊疗对象的结石处理方案时,可以将诊疗对象的结石处理方案和诊疗对象的信息存储,当该诊疗对象需要再次生成结石处理方案时,可以调用该存储的结石处理方案,即获取了该诊疗对象的历史处理方案;也可以是获取诊疗对象的诊疗信息,进而从数据库中搜索与该诊疗信息类似的诊疗信息对应的结石处理方案,为该诊疗对象的历史结石处理方案;本申请实施例对此不作限制。
S302、将历史结石处理方案进行加权处理,获得加权后的历史结石处理方案。
S303、将加权后的诊疗信息、加权后的结石成分和加权后的历史结石处理方案,输入预设的结石处理模型,生成结石处理方案。
上述处理方案的生成方法,终端通过获取诊疗对象的历史结石处理方案,并对历史结石处理方案进行加权处理,获得加权后的历史结石处理方案,进而将加权后的诊疗信息、加权后的结石成分和加权后的历史结石处理方案,输入预设的结石处理模型,生成结石处理方案,使得生成的结石处理方案是根据历史结石处理方案生成的,进一步地提高了生成结石处理方***度。
上述实施例重点描述了终端如何根据诊疗信息和结石成分生成结石处理方案的过程,下面通过图5-图6所示实施例来详细描述,终端是如何根据医学图像和预设的结石成分模型,获取结石成分的预测结果的具体过程。
图5为另一个实施例中处理方案的生成方法的流程示意图。本实施例涉及的是终端如何根据医学图像和预设的结石成分模型,获取结石成分的预测结果的具体过程。如图5所示,上述S101“根据医学图像和预设的结石成分模型,获取结石成分的预测结果”一种可能的实现方法包括以下步骤:
S401、获取医学图像。
其中,医学图像可以是通过扫描仪扫描人体组织,不同的人体组织在通过扫描仪扫描,获得像素值不同的图像,即为医学图像。其可以是局部的扫描图像,也可以是全身的扫描图像,本申请实施例对此不做限制。例如,腹部医学图像可以包括肝部医学图像、胆囊医学图像、胰腺医学图像和脾脏医学图像。在具体获取医学图像时,可以通过医学扫描仪器,例如,非增强单源CT、显微CT、双能量CT或双源双能量CT等,对人体组织进行扫描,获得的医学图像。
S402、对医学图像进行标注,得到结石粗选区域。
其中,结石粗选区域可以包括去除掉背景区域的医学图像,在上述实施例的基础上,在获取医学图像时,由于器官在体内存在一定程度的重叠,因此医学图像中可以包括除结石所在器官之外的其他器官。例如,对肾部医学图像可以包括肾扫描图像和输尿管扫描图像,其中输尿管扫描图像即为肾部医学图像中的背景区域,肾部结石粗选区域可以是去除输尿管区域的医学图像。
在具体获取对医学图像进行标注后得到的结石粗选区域时,可以是获取用户对医学图像中背景区域的进行标注,获得标注后的医学图像;也可以是用户对医学图像中非背景区域进行标注,获得标注后的医学图像;本申请实施例对此不做限制。以肾部医学图像为例,用户可以对输尿管区域进行标注,或者,也可以对肾部区域进行标注,获得标注的医学图像。
进一步地,终端根据标注后的医学图像获取结石粗选区域时,可以是根据标注去除背景区域,得到结石粗选区域。继续以肾部医学图像为例,若标注的医学图像为对输尿管区域(背景区域)进行标注的医学图像,则终端可以删除标注的输尿管区域,获得结石粗选区域。
S403、从结石粗选区域中提取结石中心区域。
其中,在上述实施例的基础上,结石中心区域可以是结石在医学图像中的区域,其可以是一部分医学图像。结石中心区域可以是根据结石尺寸调整的医学图像区域,也可以是固定设置大小的医学图像区域,本申请实施例对此不做限制。结石中心区域中可以包括1个结石对应的医学图像,也可以包括多个结石对应的医学图像,本申请实施例对此不做限制。
在具体地从结石粗选区域中提取结石中心区域时,可以通过分割算法,提取结石中心区域。例如,在上述实施例的基础上,确定了结石的粗选区域后,通过分割算法分割该结石粗选区域,其可以是通过基于阈值的分割算法、基于区域的分割算法、基于边缘的分割算法以及基于特定理论的分割算法中的任一种,分割该结石粗选区域,获得多个区域,假设为左肾区域和右肾区域;从中提取根据结石所在的左肾区域为结石中心区域。
可选地,提取结石粗选区域中扫描图像像素大于预设阈值范围的区域为结石中心区域。具体地,由于结石与器官或组织的密度不同,因此,结石与器官或组织在扫描图像中的像素不同。在上述实施例的基础上,获取了已知结石的扫描图像,根据已知结石在扫描图像中的像素,确定预设阈值范围,其中,预设阈值范围为76-376亨氏单位(HounsfieldUnit,HU)。终端通过提取结石粗选区域内像素大于预设阈值范围的区域,即为结石中心区域。
S404、将结石中心区域输入预设的结石成分模型,输出结石成分的预测结果。
具体地,在将结石中心区域输入预设的结石成分模型,输出结石成分的预测结果的过程中,其可以是将一个结石中心区域输入预设的结石成分模型,输出其对应的结石成分的预测结果;也可以是将一组结石中心区域输入预设的结石成分模型,分别输出每一个结石中心区域对应的结石成分的预测结果;本申请实施例对比不做限制。当预设的结石成分模型输出结石中心区域对应的结石成分的预测结果后,还可以将该结石中心区域与结石成分的预测结果之间的映射关系,作为训练样本,训练该结石成分模型。
上述处理方案的生成方法,终端通过获取医学图像,并获取对医学图像进行标注后得到的结石粗选区域,进而从结石粗选区域中提取结石中心区域,将结石中心区域输入预设的结石成分模型,输出结石成分的预测结果。本实施例中,终端通过获取对医学图像进行标注后得到的结石粗选区域得到结石中心区域,并将结石中心区域输入预设的结石成分模型,输出结石成分的预测结果,使得在获取结石成分的预测结果的过程中,是通过对结石中心区域进行深度学习获得的,避免了在获取结石成分的预测结果的过程中引入非结石区域,使得获得的结石成分的预测结果更加准确。
图6为另一个实施例中处理方案的生成方法的流程示意图。本实施例涉及的是终端如何训练结石成分模型的具体过程。如图6所示,该方法包括以下步骤:
S501、获取多个医学图像。
具体地,获取多个医学图像,其中,多个医学图像可以是历史医学图像,也可以是实时获取多个医学图像,还可以是获取部分历史医学图像和部分实时医学图像,本申请实施例对此不做限制。
S502、分别获取对多个医学图像进行标注后得到的多个结石粗选区域。
S503、分别从多个结石粗选区域中提取多个结石中心区域。
S504、将多个结石中心区域作为输入,将多个结石中心区域分别对应的多个结石成分的预测结果作为输出,对结石成分模型进行训练。
具体地,在上述实施例的基础上,可以将多个结石中心区域分别作为输入,也可以对多个结石中心区域进行分组,获得一个或多个结石中心区域集合作为输入,本申请实施例对此不过限制。在具体对结石成分模型进行训练的过程中,可以是预先设置一组训练参数,输入多个结石中心区域,通过预先设置的一组训练参数的模型,获得对应的结石成分的预测结果,将该结石成分的预测结果与对应的结石中心区域对应的实际的结石成分的预测结果进行对比,根据该对比结果,调整训练参数,直至通过结石成分模型获得的结石成分的预测结果与结石中心区域对应的实际的结石成分的预测结果,满足预设的要求,即为目标训练参数,根据该目标训练参数,确定预设的结石成分模型。
上述处理方案的生成方法,终端获取多个医学图像,并分别获取对多个医学图像进行标注后得到的多个结石粗选区域,分别从多个结石粗选区域中提取多个结石中心区域,进而将多个结石中心区域作为输入,将多个结石中心区域分别对应的多个结石类型作为输出,对结石成分模型进行训练。本实施例中,终端在通过预设的结石成分模型输出结石类型结果之前,通过将多个结石中心区域作为输入,将多个结石中心区域分别对应的多个结石类型作为输出,对结石成分模型进行训练,获得预设的结石成分模型,提高了预设的结石成分模型的准确度,进而提高了获得结石成分的预测结果的准确度,提高了根据结石成分的预测结果获得结石成分的准确度,进而提高了根据结石成分和诊疗信息生成结石处理方***度。
应该理解的是,虽然图2-6的流程图中的各个步骤按照箭头的指示,依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图7为一个实施例中提供的处理方案的生成装置的结构示意图,如图7所示,该处理方案的生成装置包括:预测模块10、确定模块20和生成模块30,其中:
预测模块10,用于根据医学图像和预设的结石成分模型,获取结石成分的预测结果;
确定模块20,用于根据预测结果和诊疗信息,确定结石成分;诊疗信息包括诊疗对象的身体指标和结石的物理特征;
生成模块30,用于采用预设的人工智能方法,根据诊疗信息和结石成分,生成结石处理方案。
在一个实施例中,生成模块30具体用于根据预设的权重系数,对诊疗信息和结石成分进行加权处理,得到加权后的诊疗信息和加权后的结石成分;将加权后的诊疗信息和加权后的结石成分,输入预设的结石处理模型,生成结石处理方案。
本发明实施例提供的处理方案的生成装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图8为另一个实施例中提供的处理方案的生成装置的结构示意图,在图7所示实施例的基础上,如图8所示,处理方案的生成装置还包括:历史生成模块40,其中:
历史生成模块40具体用于获取诊疗对象的历史结石处理方案;将历史结石处理方案进行加权处理,获得加权后的历史结石处理方案;将加权后的诊疗信息、加权后的结石成分和加权后的历史结石处理方案,输入预设的结石处理模型,生成结石处理方案。
在一个实施例中,结石的物理特征包括结石的大小、体积、表面积、块数和结石对应的CT值。
本发明实施例提供的处理方案的生成装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图9为另一个实施例中提供的处理方案的生成装置的结构示意图,在图7或图8所示实施例的基础上,如图9所示,预测模块10包括:获取单元101、标注单元102、提取单元103和输出模块104,其中:
获取单元101,用于获取医学图像;
标注单元102,用于对医学图像进行标注,得到结石粗选区域;
提取单元103,用于从结石粗选区域中提取结石中心区域;
输出单元104,用于将结石中心区域输入结石成分模型,输出结石成分的预测结果。
在一个实施例中,提取单元103具体用于提取结石粗选区域中扫描图像像素大于预设阈值范围的区域为结石中心区域。
需要说明的是,图9是基于图8的基础上进行示出的,当然图9也可以基于图7的结构进行示出,这里仅是一种示例。
本发明实施例提供的处理方案的生成装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图10为另一个实施例中提供的处理方案的生成装置的结构示意图,在图7-图9任一项所示实施例的基础上,如图10所示,处理方案的生成装置还包括:训练模块50,其中:
训练模块50具体用于获取多个医学图像;分别获取对多个医学图像进行标注后得到的多个结石粗选区域;分别从多个结石粗选区域中提取多个结石中心区域;将多个结石中心区域作为输入,将多个结石中心区域分别对应的多个结石成分的预测结果作为输出,对结石成分模型进行训练。
需要说明的是,图10是基于图9的基础上进行示出的,当然图10也可以基于图7或图8的结构进行示出,这里仅是一种示例。
本发明实施例提供的处理方案的生成装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于一种处理方案的生成装置的具体限定可以参见上文中对处理方案的生成方法的限定,在此不再赘述。上述处理方案的生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端设备,其内部结构图可以如图1所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种处理方案的生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种终端设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据医学图像和预设的结石成分模型,获取结石成分的预测结果;
根据预测结果和诊疗信息,确定结石成分;其中诊疗信息包括诊疗对象的身体指标和结石的物理特征;
采用预设的人工智能方法,根据诊疗信息和结石成分,生成结石处理方案。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据预设的权重系数,对诊疗信息和结石成分进行加权处理,得到加权后的诊疗信息和加权后的结石成分;将加权后的诊疗信息和加权后的结石成分,输入预设的结石处理模型,生成结石处理方案。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取诊疗对象的历史结石处理方案;将历史结石处理方案进行加权处理,获得加权后的历史结石处理方案;将加权后的诊疗信息、加权后的结石成分和加权后的历史结石处理方案,输入预设的结石处理模型,生成结石处理方案。
在一个实施例中,结石的物理特征包括结石的大小、体积、表面积、块数和结石对应的CT值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取医学图像;对医学图像进行标注,得到结石粗选区域;从结石粗选区域中提取结石中心区域;将结石中心区域输入结石成分模型,输出结石成分的预测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:提取结石粗选区域中扫描图像像素大于预设阈值范围的区域为结石中心区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取多个医学图像;分别获取对多个医学图像进行标注后得到的多个结石粗选区域;分别从多个结石粗选区域中提取多个结石中心区域;将多个结石中心区域作为输入,将多个结石中心区域分别对应的多个结石成分的预测结果作为输出,对结石成分模型进行训练。
本实施例提供的终端设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据医学图像和预设的结石成分模型,获取结石成分的预测结果;
根据预测结果和诊疗信息,确定结石成分;其中诊疗信息包括诊疗对象的身体指标和结石的物理特征;
采用预设的人工智能方法,根据诊疗信息和结石成分,生成结石处理方案。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:根据预设的权重系数,对诊疗信息和结石成分进行加权处理,得到加权后的诊疗信息和加权后的结石成分;将加权后的诊疗信息和加权后的结石成分,输入预设的结石处理模型,生成结石处理方案。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:获取诊疗对象的历史结石处理方案;将历史结石处理方案进行加权处理,获得加权后的历史结石处理方案;将加权后的诊疗信息、加权后的结石成分和加权后的历史结石处理方案,输入预设的结石处理模型,生成结石处理方案。
在一个实施例中,结石的物理特征包括结石的大小、体积、表面积、块数和结石对应的CT值。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:获取医学图像;对医学图像进行标注,得到结石粗选区域;从结石粗选区域中提取结石中心区域;将结石中心区域输入结石成分模型,输出结石成分的预测结果。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:提取结石粗选区域中扫描图像像素大于预设阈值范围的区域为结石中心区域。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:获取多个医学图像;分别获取对多个医学图像进行标注后得到的多个结石粗选区域;分别从多个结石粗选区域中提取多个结石中心区域;将多个结石中心区域作为输入,将多个结石中心区域分别对应的多个结石成分的预测结果作为输出,对结石成分模型进行训练。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种处理方案的生成方法,其特征在于,所述方法包括:
根据医学图像和预设的结石成分模型,获取结石成分的预测结果;
根据所述预测结果和诊疗信息确定结石成分;所述诊疗信息包括诊疗对象的身体指标和结石的物理特征;
根据预设的权重系数,分别对所述诊疗信息以及所述结石成分进行加权处理,得到加权后的诊疗信息、加权后的结石成分;获取所述诊疗对象的历史结石处理方案,将所述历史结石处理方案进行加权处理,获得加权后的历史结石处理方案;其中,所述预设的权重系数为所述诊疗信息、所述结石成分对应的系数和所述历史结石处理方案对应的系数;
将所述加权后的诊疗信息、所述加权后的结石成分以及所述加权后的历史结石处理方案,输入预设的结石处理模型,生成结石处理方案。
2.根据权利要求1所述方法,其特征在于,所述方法还包括:
确定所述结石处理方***度,根据所述结石处理方***度调整所述预设的权重系数。
3.根据权利要求1所述的方法,其特征在于,所述根据所述预测结果和诊疗信息确定结石成分,包括:
根据所述预测结果和所述诊疗信息获得一维结石特征;
根据所述医学图像确定结石的三维纹理特征,根据所述三维纹理特征确定三维结石特征;
根据所述一维结石特征和所述三维结石特征确定所述结石成分。
4.根据权利要求1-3任一项所述方法,其特征在于,所述结石的物理特征包括所述结石的大小、体积、表面积、块数和所述结石对应的CT值。
5.根据权利要求1-3任一项所述方法,其特征在于,所述根据医学图像和预设的结石成分模型,获取结石成分的预测结果,包括:
获取所述医学图像;
对所述医学图像进行标注,得到结石粗选区域;
从所述结石粗选区域中提取结石中心区域;
将所述结石中心区域输入所述结石成分模型,输出所述结石成分的预测结果。
6.根据权利要求5所述方法,其特征在于,所述从所述结石粗选区域中提取结石中心区域,包括:
提取所述结石粗选区域中扫描图像像素大于预设阈值范围的区域为所述结石中心区域。
7.根据权利要求5所述方法,其特征在于,所述方法还包括:
获取多个所述医学图像;
分别获取对多个所述医学图像进行标注后得到的多个结石粗选区域;
分别从多个所述结石粗选区域中提取多个结石中心区域;
将所述多个结石中心区域作为输入,将多个所述结石中心区域分别对应的多个所述结石成分的预测结果作为输出,对结石成分模型进行训练。
8.一种处理方案的生成装置,其特征在于,所述装置包括:
预测模块,用于根据医学图像和预设的结石成分模型,获取结石成分的预测结果;
确定模块,用于根据所述预测结果和诊疗信息,确定结石成分;所述诊疗信息包括诊疗对象的身体指标和结石的物理特征;
生成模块,用于根据预设的权重系数,分别对所述诊疗信息、所述结石成分进行加权处理,得到加权后的诊疗信息、加权后的结石成分;获取所述诊疗对象的历史结石处理方案,将所述历史结石处理方案进行加权处理,获得加权后的历史结石处理方案,将所述加权后的诊疗信息、所述加权后的结石成分以及所述加权后的历史结石处理方案,输入预设的结石处理模型,生成结石处理方案;其中,所述预设的权重系数为所述诊疗信息、所述结石成分对应的系数和所述历史结石处理方案对应的系数。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910285164.6A CN110111305B (zh) | 2019-04-10 | 2019-04-10 | 处理方案的生成方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910285164.6A CN110111305B (zh) | 2019-04-10 | 2019-04-10 | 处理方案的生成方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110111305A CN110111305A (zh) | 2019-08-09 |
CN110111305B true CN110111305B (zh) | 2021-08-13 |
Family
ID=67484106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910285164.6A Active CN110111305B (zh) | 2019-04-10 | 2019-04-10 | 处理方案的生成方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110111305B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570407B (zh) * | 2019-08-29 | 2022-10-28 | 上海联影智能医疗科技有限公司 | 图像处理方法、存储介质及计算机设备 |
CN110867226A (zh) * | 2019-11-08 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 处理方案生成方法、装置、计算机设备和存储介质 |
CN112656483A (zh) * | 2020-12-21 | 2021-04-16 | 中南大学湘雅医院 | 一种可视化便携式胆道镜取石钳 |
CN113241194B (zh) * | 2021-04-30 | 2022-09-09 | 上海市儿童医院 | 一种智能医疗问答的方法、***、终端以及存储介质 |
CN114419003B (zh) * | 2022-01-21 | 2022-10-21 | 黑龙江中医药大学 | 一种用于保胆取石的结石多定位管理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持***和方法 |
CN109493972A (zh) * | 2018-10-30 | 2019-03-19 | 平安医疗健康管理股份有限公司 | 基于预测模型的数据处理方法、装置、服务器及存储介质 |
CN109523056A (zh) * | 2018-10-12 | 2019-03-26 | 中国平安人寿保险股份有限公司 | 对象能力分类预测方法及装置、电子设备、存储介质 |
-
2019
- 2019-04-10 CN CN201910285164.6A patent/CN110111305B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持***和方法 |
CN109523056A (zh) * | 2018-10-12 | 2019-03-26 | 中国平安人寿保险股份有限公司 | 对象能力分类预测方法及装置、电子设备、存储介质 |
CN109493972A (zh) * | 2018-10-30 | 2019-03-19 | 平安医疗健康管理股份有限公司 | 基于预测模型的数据处理方法、装置、服务器及存储介质 |
Non-Patent Citations (1)
Title |
---|
影像学预测尿石成分的探讨;叶素芬;《现代实用医学》;20090531;第515-518页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110111305A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111305B (zh) | 处理方案的生成方法、装置、设备和存储介质 | |
CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
CN111932520A (zh) | 医学图像显示方法、查看设备以及计算机设备 | |
CN110415792B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN109754396A (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
CN111161216A (zh) | 基于深度学习的血管内超声图像处理方法、装置、设备和存储介质 | |
CN110570407B (zh) | 图像处理方法、存储介质及计算机设备 | |
JP2010119850A (ja) | 統計モデルを用いた医療画像自動セグメンテーションシステム、装置並びにプロセッサ | |
CN110473226B (zh) | 图像处理网络的训练方法、计算机设备及可读存储介质 | |
CN114092475B (zh) | 病灶长径确定方法、图像标注方法、装置及计算机设备 | |
CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN110706207A (zh) | 图像量化方法、装置、计算机设备和存储介质 | |
CN113112559A (zh) | 一种超声图像的分割方法、装置、终端设备和存储介质 | |
CN111754534A (zh) | 基于深度神经网络的ct左心室短轴图像分割方法、装置、计算机设备和存储介质 | |
CN111815597A (zh) | 基于ct影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质 | |
Wang et al. | Robust real-time bone surfaces segmentation from ultrasound using a local phase tensor-guided CNN | |
CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
CN112967386A (zh) | 生物力学建模方法、装置、电子设备及存储介质 | |
CN110490841B (zh) | 计算机辅助影像分析方法、计算机设备和存储介质 | |
CN109685796B (zh) | 医学图像处理方法、装置、设备和存储介质 | |
WO2014013285A1 (en) | Apparatus and method for determining optimal positions of a hifu probe | |
CN113989231A (zh) | 动力学参数的确定方法、装置、计算机设备和存储介质 | |
CN113515875A (zh) | 基于多模态图像的骨生物力学建模方法、***及装置 | |
CN111528918A (zh) | 消融术后肿瘤体积变化趋势图生成装置、设备及存储介质 | |
CN115690063A (zh) | 骨密度参数检测方法、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |