CN112037218B - 一种基于ct影像的新冠肺炎量化分析方法 - Google Patents
一种基于ct影像的新冠肺炎量化分析方法 Download PDFInfo
- Publication number
- CN112037218B CN112037218B CN202010964038.6A CN202010964038A CN112037218B CN 112037218 B CN112037218 B CN 112037218B CN 202010964038 A CN202010964038 A CN 202010964038A CN 112037218 B CN112037218 B CN 112037218B
- Authority
- CN
- China
- Prior art keywords
- focus
- image
- new coronary
- patient
- coronary pneumonia
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种基于CT影像的新冠肺炎量化分析方法,涉及图像处理技术领域,包括以下步骤:S1:建立机器学习模型;S2:输入CT影像进行处理;S3:生成3D病灶数据,计算新冠肺炎量化因子;S4:判断量化因子打分是否高于临界阈值;若是则为新冠患者,并执行S5;反之则病人没有患新冠肺炎;S5:重复执行S2至S4,累计病人多次CT图像量化因子之后,获取病人病情趋势。本发明一种基于CT影像的新冠肺炎量化分析方法简单方便,将CT影像生成3D的病灶数据,通过对病灶进行计算和量化进行打分,医生可以直观的观测到病灶位置、大小和变化等信息,可以有效地判断病人是否患新冠肺炎,并可以进一步判断新冠病人的病情趋势制。
Description
技术领域
本发明涉及图像处理技术领域,
尤其是,本发明涉及一种基于CT影像的新冠肺炎量化分析方法。
背景技术
新冠肺炎病毒具有传播性强、潜伏期长,而且在CT影像上的表现,与其他普通病毒性肺炎表现非常相似,人群的新冠病毒筛查压力大,所以有效快速的筛查技术非常有必要。
现有的用于新型冠状病毒的目标检测方法通常是基于二维图像进行的,因此,在医学图像领域进行的目标检测采用的输入一般是三维CT图像的二维切片,在二维切片上对目标(病灶区域)进行检测。这导致检测过程中只利用到了病灶区域的二维特征,其三维结构信息没有得到充分利用,使得漏检和错检的情况时有发生,从而不能保证检查的检出率、真阳率和准确率。
例如中国专利发明专利CN111462100A提供一种基于新型冠状病毒肺炎CT检测的检测设备及其使用方法,包括:分割模块获取目标对象肺部预处理后的CT图像,并将预处理后的CT图像输入到病灶分割网络中,获取所有病灶;概率模块将预设数值个病灶输入到新型冠状病毒肺炎诊断网络中,获取目标对象感染新型冠状病毒肺炎的概率;输出模块输出目标对象感染新型冠状病毒肺炎的概率。该申请首先利用分割模块中病灶分割网络对目标对象进行病灶分割,然后概率模块根据每个病灶为新型冠状病毒病灶的概率,判断该目标对象患有新型冠状病毒肺炎的概率,并将该概率输出,以供医护人员进行参考,可以有效帮助放射技师对新冠肺炎的诊断,优化诊断流程,节约医疗资源。
但是上述方法依然存在以下缺点:依然采用二维CT图像进行辨识,对于病灶的数据处理不合理,导致病灶的分析不够全面,医生无法直观的观察病灶位置、大小和变化等信息,无法准确有效地判断是否为新冠肺炎,更无法判断新冠病人的病情趋势。
因此为了解决上述问题,设计一种合理的基于CT影像的新冠肺炎量化分析方法对我们来说是很有必要的。
发明内容
本发明的目的在于提供一种简单方便,将CT影像生成3D的病灶数据,通过对病灶进行计算和量化进行打分,医生可以直观的观测到病灶位置、大小和变化等信息,可以准确有效地判断病人是否患新冠肺炎,并可以进一步判断新冠病人的病情趋势的基于CT影像的新冠肺炎量化分析方法。
为达到上述目的,本发明采用如下技术方案得以实现的:
一种基于CT影像的新冠肺炎量化分析方法,包括以下步骤:
S1:建立机器学习模型;
S2:向机器学习模型中输入病人的CT影像进行处理;
S3:生成3D病灶数据,计算新冠肺炎量化因子;
S4:判断新冠肺炎量化因子打分是否高于临界阈值;若是则病人为新冠肺炎患者,并执行步骤S5;反之则病人没有患新冠肺炎;
S5:重复执行步骤S2至S4,累计病人多次的CT图像的量化因子之后,根据量化因子获取病人病情趋势。
作为本发明的优选,执行步骤S1时,建立CT影像数据库,通过ROI Align采用保持预选框边界点为浮点数,在池化时选用双线性内插的方法进行建立机器学习模型。
作为本发明的优选,执行步骤S2时,将CT影像以DCM文件输入,转换成jpg格式,再将jpg格式的CT图像输入机器学习模型,模型对每张CT图像输出为一个类型为json的文件。
作为本发明的优选,执行步骤S2时,进行处理之后的json的文件内容包括CT用Base64编码后的图像、CT的DCM路径、CT图像的宽度、CT图像的高度、每个物体的预测标签、预测物体的轮廓点,预测物体的轮廓类型。
作为本发明的优选,执行步骤S3时,将CT图像处理获得的json文件,转化为3D的病灶信息。
作为本发明的优选,执行步骤S3时,json文件转化为3D的病灶信息的方法为:设定上下层CT有重叠的病灶为同一病灶,其中还可设置间隔N层有重叠的病灶也为同一病灶,获得某次CT扫描的所有DCM文件,根据层厚进行分类,选取最薄的层作为生成3D病灶数据的DCM选用文件。
作为本发明的优选,执行步骤S3时,新冠肺炎量化因子的指标包括:病灶数量、最大病灶长径、病灶密度、病灶边界、病灶边缘距离胸膜距离以及最大3个病灶的形态。
作为本发明的优选,执行步骤S3时,病灶边界获取方式为:先将CT图像处理获得病灶等高线;对每个边缘点检测;判断边缘点是否有相邻等高线,若有则边界清晰;反之则边界不清晰;最后对每一个病灶边缘点进行清晰模糊测试,以输出准确的边界清晰指标,获取量化分数。
作为本发明的优选,执行步骤S3时,病灶的形态获取方式为:先将CT图像处理获得病灶等高线;对每个边缘点检测;判断边缘点是否有相邻等高线,若有则为规则病灶根据病灶最长径画圆,计算病灶和圆的相识度;反之则病灶不规则;最后统计病灶形态,获取量化分数。
作为本发明的优选,执行步骤S4时,新冠肺炎量化因子的各个指标的量化分数进行相加获得新冠肺炎量化因子打分之和,然后判断新冠肺炎量化因子打分之和是否高于临界阈值。
本发明一种基于CT影像的新冠肺炎量化分析方法有益效果在于:简单方便,将CT影像生成3D的病灶数据,通过对病灶进行计算和量化进行打分,医生可以直观的观测到病灶位置、大小和变化等信息,可以准确有效地判断病人是否患新冠肺炎,并可以进一步判断新冠病人的病情趋势。
附图说明
图1为本发明一种基于CT影像的新冠肺炎量化分析方法的流程示意图。
具体实施方式
以下是本发明的具体实施例,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的模块和步骤的相对布置和步骤不限制本发明的范围。
同时,应当明白,为了便于描述,附图中的流程并不仅仅是单独进行,而是多个步骤相互交叉进行。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法可能不作详细讨论,但在适当情况下,技术、方法应当被视为授权说明书的一部分。
实施例:如图1所示,仅仅为本发明的其中一个的实施例,一种基于CT影像的新冠肺炎量化分析方法,包括以下步骤:
一种基于CT影像的新冠肺炎量化分析方法,包括以下步骤:
S1:建立机器学习模型;
在执行步骤S1时,建立CT影像数据库,通过ROI Align采用保持预选框边界点为浮点数,在池化时选用双线性内插的方法进行建立机器学习模型。
Mask R-CNN提出的RoI Align使得像素级目标分割成为可能,相比传统RoIPooling是在池化时对预选框使用最近邻采样方法并将边界点化为整数值,这种方法会造成错位问题,本申请中的ROI Align采用保持预选框边界点为浮点数,在池化时选用双线性内插的方法,保证了掩码的准确度。
本发明中建立的机器学习模型的特点为可以精确的在像素级别输出目标分割掩码图。
还有,CT影像数据库的图像来自国内外医院,小部分来自国外医院传到网络上的图像,大部分来自国内医院提供的普通病人和新冠肺炎病人的CT图像,需要注意的是,数据库标注需要已经得到医生的认可的图像才形。
S2:向机器学习模型中输入病人的CT影像进行处理;
在执行步骤S2时,将CT影像以DCM文件输入,jpg格式,将jpg格式的CT图像输入机器学习模型,模型对每张CT图像输出为一个类型为json的文件。
而且,进行处理之后的json的文件内容包括CT用Base64编码后的图像、CT的DCM路径、CT图像的宽度、CT图像的高度、每个物体的预测标签、预测物体的轮廓点,预测物体的轮廓类型。
S3:生成3D病灶数据,计算新冠肺炎量化因子;
在执行步骤S3时,将CT图像处理获得的json文件,转化为3D的病灶信息,这样医生才可以直观的观察病灶位置、大小和变化等信息。
而且,json文件转化为3D的病灶信息的方法为:设定上下层CT有重叠的病灶为同一病灶,其中还可设置间隔N层有重叠的病灶也为同一病灶,获得某次CT扫描的所有DCM文件,根据层厚进行分类,选取最薄的层作为生成3D病灶数据的DCM选用文件,通过DCM选用文件找到对应的Json文件,用序列号从小到大的顺序对Json文件进行筛选。
在这里,筛选可以分为两道,分别如下:
初步筛选规则:如果某层病灶在上一层并未出现,则算为新增临时病灶。如果某一层病灶和上一层病灶有重叠,则判断为同一病灶。如果某一临时病灶并未在本层找到对应的病灶,则说明这个临时病灶已经到达感染终点,保存为最终病灶。最后,将最终病灶的序号和病灶所在层序号、病灶名做映射,保存在内存里;
二次筛选规则:在初步筛选过后,需要解决两独立病灶逐渐融合的情况,选用病灶序号的映射对病灶信息进行查重处理,如果在不同病灶出现相同层的相同病灶,则两病灶融合。
获取3D的病灶数据之后,需要计算新冠肺炎量化因子,在这里新冠肺炎量化因子的分析指标包括:病灶数量、最大病灶长径、病灶密度、病灶边界、病灶边缘距离胸膜距离以及最大3个病灶的形态,一般来说,新冠肺炎量化因子的分析指标仅为以上六个指标,若是新冠病毒有所变异导致病灶显示不同,则可以新增其它的指标。
第一个指标:病灶数量,根据3D病灶数据计算病灶数量,病灶越多病情越严重;
第二个指标:最大病灶长径,计算每个3D病灶的最大长径。病灶越大病情越严重;
第三个指标:病灶密度,通常病灶密度越不均匀病情越重,密度越大病情越严重;
第四个指标:病灶边界,通常炎症的边界较模糊,癌症等疾病的边界较清晰;
第五个指标:病灶边缘距离胸膜距离,新冠肺炎的特征之一是常发生于胸膜下;
第六个指标:最大3个病灶的形态,通常较安全的病灶为形状规则,即圆形或椭圆形,危险的病灶形状不规则。
最大病灶长径的获取方式如下:最大病灶长径即病灶边缘之间的最大距离,最佳算法复杂度为O(N^2),当病灶很大时运算速度很慢,此处用了凸包检测排除掉不在凸集内的点以加快计算速度,凸包的数学定义如下:在一个实数向量空间V中,对于给定集合X,所有包含X的凸集的交集S被称为X的凸包,X的凸包可以用X内所有点(X1,...Xn)的凸组合来构造,凸包检测采用的Graham扫描法。
其中Graham扫描法如下:选取所有点中最靠左下的点为未检测候选点;对所有未检测候选点,将当前候选点和其他每个点连成线段,计算线段与水平线的夹角,选取最大夹角,将这个点加入未检测候选点,将所有检测过的候选点按顺序连接,所有候选点则为凸包点。
病灶密度的获取方式如下:当病灶密度均匀时,Hu值呈正态分布且方差较小,此处正态分布检测使用的是夏皮罗-威尔克检验(Shapiro–Wilk test)。
病灶边界获取方式为:先将CT图像处理获得病灶等高线,将N个整数值*100设为需要检测的等高线值,根据等高线对病灶原始DCM文件进行切分,获得病灶的等高线分布;对每个边缘点检测;判断边缘点是否有相邻等高线,若有则边界清晰;反之则边界不清晰;最后对每一个病灶边缘点进行清晰模糊测试,以输出准确的边界清晰指标,获取量化分数。
病灶的形态获取方式为:先将CT图像处理获得病灶等高线;对每个边缘点检测;判断边缘点是否有相邻等高线,若有则为规则病灶根据病灶最长径画圆,计算病灶和圆的相识度;反之则病灶不规则;最后统计病灶形态,获取量化分数。
病灶的形态获取方式还可以为:首先进行凸包检测,将突出的点链接,获得一个相对完整的形状,如果发现突出的点数量很多或突出距离很长,则为不规则病灶;反之则为规则病灶;若为规则病灶,则根据病灶最长径画圆,判断和圆的重叠面积。
S4:判断新冠肺炎量化因子打分是否高于临界阈值;若是则病人为新冠肺炎患者,并执行步骤S5;反之则病人没有患新冠肺炎;
在执行步骤S4时,新冠肺炎量化因子的各个指标的量化分数进行相加获得新冠肺炎量化因子打分之和,然后判断新冠肺炎量化因子打分之和是否高于临界阈值。所以量化因子算法可以为医生提供直观的病情现状分析。
S5:重复执行步骤S2至S4,累计病人多次的CT图像的量化因子之后,根据量化因子获取病人病情趋势。
也就是在连续几天里,多次对同一个病人进行获取CT影像,对多次CT影像的数据进行处理获得CT图像的量化因子,根据时间进行排列,医生可以很直观的观测到病人病灶处的变化,从而判断病人的病情趋势。
需要注意的是,多次CT影像的数据进行处理获得CT图像的量化因子中,既可以针对某一个病灶的量化因子的指标(病灶数量、最大病灶长径、病灶密度、病灶边界、病灶边缘距离胸膜距离以及最大3个病灶的形态)进行对比,从而获取病人的病灶是否增多、是否变长、是否更密集、病灶边界的变化以及形态的变化等;也可以根据所有的量化因子的指标打分之和进行对比,获取病人的病情大体趋势。
本发明一种基于CT影像的新冠肺炎量化分析方法简单方便,将CT影像生成3D的病灶数据,通过对病灶进行计算和量化进行打分,医生可以直观的观测到病灶位置、大小和变化等信息,可以准确有效地判断病人是否患新冠肺炎,并可以进一步判断新冠病人的病情趋势。
本发明不局限于上述具体的实施方式,本发明可以有各种更改和变化。凡是依据本发明的技术实质对以上实施方式所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围。
Claims (4)
1.一种基于CT影像的新冠肺炎量化分析方法,其特征在于,包括以下步骤:
S1:建立机器学习模型;
S2:向机器学习模型中输入病人的CT影像进行处理,将CT影像以DCM文件输入,转换为jpg格式,再将jpg格式的CT图像输入机器学习模型,模型对每张CT图像输出为一个类型为json的文件;
S3:生成3D病灶数据,计算新冠肺炎量化因子,将CT图像处理获得的json文件,转化为3D的病灶信息;json文件转化为3D的病灶信息的方法为:设定上下层CT有重叠的病灶为同一病灶,或者设置间隔N层有重叠的病灶为同一病灶,获得某次CT扫描的所有DCM文件,根据层厚进行分类,选取最薄的层作为生成3D病灶数据的DCM选用文件;新冠肺炎量化因子的指标包括:病灶数量、最大病灶长径、病灶密度、病灶边界、病灶边缘距离胸膜距离以及最大3个病灶的形态;其中:
病灶边界获取方式为:先将CT图像处理获得病灶等高线;对每个边缘点检测;判断边缘点是否有相邻等高线,若有则边界清晰;反之则边界不清晰;最后对每一个病灶边缘点进行清晰模糊测试,以输出准确的边界清晰指标,获取量化分数;
病灶的形态获取方式为:先将CT图像处理获得病灶等高线;对每个边缘点检测;判断边缘点是否有相邻等高线,若有则为规则病灶根据病灶最长径画圆,计算病灶和圆的相识度;反之则病灶不规则;最后统计病灶形态,获取量化分数;
S4:判断新冠肺炎量化因子打分是否高于临界阈值;若是则病人为新冠肺炎患者,并执行步骤S5;反之则病人没有患新冠肺炎;
S5:重复执行步骤S2至S4,累计病人多次的CT图像的量化因子之后,根据量化因子获取病人病情趋势。
2.根据权利要求1所述的一种基于CT影像的新冠肺炎量化分析方法,其特征在于:
执行步骤S1时,建立CT影像数据库,通过ROI Align采用保持预选框边界点为浮点数,在池化时选用双线性内插的方法进行建立机器学习模型。
3.根据权利要求1所述的一种基于CT影像的新冠肺炎量化分析方法,其特征在于:
执行步骤S2时,进行处理之后的json的文件内容包括CT用Base64编码后的图像、CT的DCM路径、CT图像的宽度、CT图像的高度、每个物体的预测标签、预测物体的轮廓点,预测物体的轮廓类型。
4.根据权利要求1所述的一种基于CT影像的新冠肺炎量化分析方法,其特征在于:
执行步骤S4时,新冠肺炎量化因子的各个指标的量化分数进行相加获得新冠肺炎量化因子打分之和,然后判断新冠肺炎量化因子打分之和是否高于临界阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010964038.6A CN112037218B (zh) | 2020-09-15 | 2020-09-15 | 一种基于ct影像的新冠肺炎量化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010964038.6A CN112037218B (zh) | 2020-09-15 | 2020-09-15 | 一种基于ct影像的新冠肺炎量化分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112037218A CN112037218A (zh) | 2020-12-04 |
CN112037218B true CN112037218B (zh) | 2022-08-09 |
Family
ID=73589276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010964038.6A Active CN112037218B (zh) | 2020-09-15 | 2020-09-15 | 一种基于ct影像的新冠肺炎量化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037218B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052186A (zh) * | 2021-03-17 | 2021-06-29 | 华中科技大学同济医学院附属协和医院 | 一种基于影像学的新冠肺炎诊断和病情追踪方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767417A (zh) * | 2017-11-10 | 2019-05-17 | 太豪生医股份有限公司 | 病灶检测装置及其方法 |
CN109993733A (zh) * | 2019-03-27 | 2019-07-09 | 上海宽带技术及应用工程研究中心 | 肺部病灶的检测方法、***、存储介质、终端及显示*** |
CN111047611A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 病灶体积测量方法和装置 |
CN111462100A (zh) * | 2020-04-07 | 2020-07-28 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎ct检测的检测设备及其使用方法 |
CN111476774A (zh) * | 2020-04-07 | 2020-07-31 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎ct检测的智能征象识别装置 |
CN111598853A (zh) * | 2020-04-30 | 2020-08-28 | 科大讯飞股份有限公司 | 针对肺炎的ct影像评分方法、装置及设备 |
CN111612900A (zh) * | 2020-04-01 | 2020-09-01 | 北京龙软科技股份有限公司 | 一种回采工作面煤层透明化三维地质模型构建方法及装置 |
-
2020
- 2020-09-15 CN CN202010964038.6A patent/CN112037218B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767417A (zh) * | 2017-11-10 | 2019-05-17 | 太豪生医股份有限公司 | 病灶检测装置及其方法 |
CN109993733A (zh) * | 2019-03-27 | 2019-07-09 | 上海宽带技术及应用工程研究中心 | 肺部病灶的检测方法、***、存储介质、终端及显示*** |
CN111047611A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 病灶体积测量方法和装置 |
CN111612900A (zh) * | 2020-04-01 | 2020-09-01 | 北京龙软科技股份有限公司 | 一种回采工作面煤层透明化三维地质模型构建方法及装置 |
CN111462100A (zh) * | 2020-04-07 | 2020-07-28 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎ct检测的检测设备及其使用方法 |
CN111476774A (zh) * | 2020-04-07 | 2020-07-31 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎ct检测的智能征象识别装置 |
CN111598853A (zh) * | 2020-04-30 | 2020-08-28 | 科大讯飞股份有限公司 | 针对肺炎的ct影像评分方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
基于AI技术的新型冠状病毒肺炎CT影像特点分析;张振华等;《医疗卫生装备》;20200515(第05期);全文 * |
基于等高线形状分析的LIDAR建筑物提取;任自珍等;《西南交通大学学报》;20090215(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112037218A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11101033B2 (en) | Medical image aided diagnosis method and system combining image recognition and report editing | |
Jiang et al. | JointRCNN: a region-based convolutional neural network for optic disc and cup segmentation | |
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
CN106682435A (zh) | 一种多模型融合自动检测医学图像中病变的***及方法 | |
KR101144964B1 (ko) | 간질성 폐질환 검출 시스템 및 그 방법 | |
US20230005140A1 (en) | Automated detection of tumors based on image processing | |
Ma et al. | Developing and verifying automatic detection of active pulmonary tuberculosis from multi-slice spiral CT images based on deep learning | |
WO2021209887A1 (en) | Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis | |
Ribeiro et al. | Handling inter-annotator agreement for automated skin lesion segmentation | |
CN110610472A (zh) | 实现肺结节图像分类检测的计算机装置及方法 | |
CN112365973A (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断*** | |
CN112037218B (zh) | 一种基于ct影像的新冠肺炎量化分析方法 | |
Purnama et al. | Follicle detection on the usg images to support determination of polycystic ovary syndrome | |
Molchanova et al. | Novel structural-scale uncertainty measures and error retention curves: application to multiple sclerosis | |
US20230115927A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
CN115861292A (zh) | 基于ct图像二维投影及深度学习的肺结核传染性判别方法 | |
KR20220141218A (ko) | 자동 알고리즘 기반의 확장성 심근병증 보조진단을 위한 의사결정 시스템 | |
Sui et al. | A novel method for vessel segmentation and automatic diagnosis of vascular stenosis | |
Susomboon et al. | Automatic single-organ segmentation in computed tomography images | |
Vorberg et al. | Detection of Pulmonary Embolisms in NCCT Data Using nnDetection | |
Zhang et al. | Detection of metastatic lymph nodules in gastric cancer using deep convolutional neural networks | |
Fang et al. | A multitarget interested region extraction method for wrist X-ray images based on optimized AlexNet and two-class combined model | |
Yan et al. | Automatic detection and localization of pulmonary nodules in ct images based on yolov5 | |
TWI797767B (zh) | 基於評估腦中風之血管造影方法及血管造影裝置 | |
CN118039088B (zh) | 一种人工智能辅助诊断数据处理*** |
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 |