CN115311302B - 股骨头缺血坏死分期诊断***和存储介质 - Google Patents
股骨头缺血坏死分期诊断***和存储介质 Download PDFInfo
- Publication number
- CN115311302B CN115311302B CN202211248759.2A CN202211248759A CN115311302B CN 115311302 B CN115311302 B CN 115311302B CN 202211248759 A CN202211248759 A CN 202211248759A CN 115311302 B CN115311302 B CN 115311302B
- Authority
- CN
- China
- Prior art keywords
- femoral head
- necrosis
- avascular necrosis
- staging
- model
- 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
- 208000030016 Avascular necrosis Diseases 0.000 title claims abstract description 32
- 206010031264 Osteonecrosis Diseases 0.000 title claims abstract description 32
- 238000003745 diagnosis Methods 0.000 claims abstract description 34
- 210000004394 hip joint Anatomy 0.000 claims abstract description 28
- 206010028851 Necrosis Diseases 0.000 claims abstract description 20
- 230000017074 necrotic cell death Effects 0.000 claims abstract description 20
- 230000000302 ischemic effect Effects 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 6
- 208000034133 primary 1 avascular necrosis of femoral head Diseases 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 3
- 208000007875 Femur Head Necrosis Diseases 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013399 early diagnosis Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000000399 orthopedic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010057178 Osteoarthropathies Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20084—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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于医学图像处理技术领域，具体涉及一种股骨头缺血坏死分期特征构建方法、诊断***和存储介质。本发明的特征构建方法包括如下步骤：步骤1，输入X片图像数据，分割得到髋关节的区域；步骤2，从所述区域中分别同时提取高通量影像组学特征和深度学习特征；步骤3，将高通量影像组学特征和深度学习特征融合后，得到用于输入股骨头缺血坏死分期模型的混合特征数据集。本发明还进一步提供用于股骨头缺血坏死分期的诊断***。本发明通过对特征的选择和模型种类的选择，能够有效提高股骨头缺血坏死分期结果的准确性，能够满足临床的应用需求，具有很好的应用前景。
Description
技术领域
本发明属于医学图像处理技术领域，具体涉及一种股骨头缺血坏死分期诊断***和存储介质。
背景技术
股骨头缺血性坏死（avascular necrosis of the femoral head，FHN）是由于股骨头部分性或完全性缺血导致骨和骨髓细胞成分坏死。它是临床常见的骨关节病之一，具有较高的发病率，成人股骨头缺血性坏死诱因较多，发病率呈逐年上升趋势，并逐渐年轻化。而对该病早期诊断、早期治疗能有效预防或延缓疾病的进一步发展，改善髋关节的功能，提高患者的生活质量。目前影像学检查已成为诊断本病重要手段。虽然现在有X线片、CT和MRI等多种筛查和诊断方法，但在股骨头缺血坏死的早期，患者往往没有症状或症状较轻，影像学特征也没有太明显改变；同时，一些地区特别是基层地区医疗水平存在明显差异，往往缺少专业的骨科及影像科医师，仍会有大量患者被漏诊。若没有得到及时治疗，大多数患者会在发病后1-2年内症状逐渐加重，最后造成股骨头塌陷，需要行髋关节置换治疗。因此，临床亟待需要一种便于使用的工具来实现股骨头缺血坏死早期分期诊断，防止漏诊。
根据国际骨科诊断标准，Ficat分期和ARCO分期是股骨头坏死最常用的诊断指南，Ficat分期的使用约占到63%的比例。其中，X片、MRI是最常用的影像学评估工具，用于评估分期。
目前较多的研究关注于MRI图像的股骨头缺血坏死分期，且较多依靠ARCO分期作为评估指南，单纯依靠X片的Ficat分期诊断研究技术相对较少。主要是因为X片本身没有MRI图像显像清晰，通常诊断敏感度较低，但是人工智能相关技术可以通过有效的训练来解决这些临床问题；同时，X片本身相比于MRI扫描价格低廉，若能实现精准的股骨头缺血坏死分期早期诊断，将降低患者的诊断成本，实现更多的临床增益。
因此，设计出基于X片的股骨头缺血坏死分期智能诊断***及方法对于临床早期诊断和早期治疗具有重要的意义。然而，由于X片图像清晰度不足，通过机器学习模型基于X片进行股骨头缺血坏死分期的诊断准确性仍然不够理想，难以满足临床的应用需求。
发明内容
针对现有技术的问题，本发明提供一种用于股骨头缺血坏死分期的特征构建方法、诊断***和存储介质，目的在于优化特征的构建方法和模型算法，实现准确的基于X片的股骨头缺血坏死分期的智能诊断。
一种股骨头缺血坏死分期特征构建方法，包括如下步骤：
步骤1，输入X片图像数据，分割得到髋关节的区域；
步骤2，从所述区域中分别同时提取高通量影像组学特征和深度学习特征；
步骤3，将高通量影像组学特征和深度学习特征融合后，得到用于输入股骨头缺血坏死分期模型的混合特征数据集。
优选的，步骤1中，用于分割任务的模型是基于nnU-Net网络，通过弱监督学习构建的。
优选的，步骤2中，提取高通量影像组学特征基于PyRadiomics工具实现。
优选的，步骤2中，提取深度学习特征基于ImageNet迁移学习的ResNet预训练模型实现。
优选的，步骤2中，所述高通量影像组学特征和深度学习特征分别为1000个。
优选的，步骤3中，所述股骨头缺血坏死分期模型基于Transformer神经网络算法构建。
本发明还提供一种股骨头缺血坏死分期诊断***，包括：
髋关节X片获取和存储模块，用于获取和存储髋关节X片图像数据；
髋关节自动分割和混合特征提取模块，用于按照上述特征构建方法构建混合特征数据集；
股骨头缺血坏死分期诊断模块，用于学习所述混合特征数据集，实现股骨头缺血坏死分期的智能诊断。
优选的，所述股骨头缺血坏死分期诊断模块集成有股骨头缺血坏死分期模型，所述股骨头缺血坏死分期模型基于Transformer神经网络算法构建。
本发明还提供一种计算机可读存储介质，其上存储有用于实现上述股骨头缺血坏死分期特征构建方法的计算机程序，或用于实现上述股骨头缺血坏死分期诊断***的计算机程序。
本发明基于Ficat分期，实现了基于X片的髋关节区域自动分割、混合特征提取和股骨头缺血坏死分期智能诊断。通过优化特征的构建方式和模型的算法，本发明对股骨头缺血坏死分期的准确性有效提升，能够满足临床的应用需求，可以帮助解决不同医院和医生之间的诊断差异，极大降低漏诊率，降低患者的诊断成本，为该类疾病的早期诊断和早期治疗提供技术支持。考虑到X片的检测成本相对更低，因此，本发明在基层地区具有很好的应用前景。
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1为本发明实施例1的流程示意图。
图2为本发明实施例2的流程示意图。
具体实施方式
需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
实施例1 用于股骨头缺血坏死分期的特征构建并利用得到的特征进行股骨头缺血坏死分期的方法
如图1所示，本实施例提供了基于X片的股骨头缺血坏死分期智能诊断方法，包括：
S1，收集和构建髋关节X片数据库，由经验丰富的医师完成股骨头缺血坏死分期诊断，以及部分X片髋关节区域的标注；为了减少标注工作量 ，本实施例采用弱监督学习进行分割模型的训练，仅标注了部分X片髋关节区域；
具体的，所构建的多中心髋关节X片数据库，达到两万例，股骨头缺血坏死分期根据Ficat分期标准进行；由多位具有十年以上工作经验的医师手工标注X片上的髋关节区域，所标注的X片数量为四千例。
S2，构建基于X片的髋关节区域自动分割模型，自动分割全部X片的感兴趣区域；
具体的，基于nnU-Net网络，通过弱监督学习，构建X片髋关节区域的自动分割模型。
S3，分别提取X片髋关节区域的影像组学特征和深度学习特征，并进行融合，得到混合特征数据集；
具体包括如下步骤：
S31，基于PyRadiomics工具，实现分割区域的高通量影像组学特征提取，提取特征数量为1000；
S32，基于ImageNet迁移学习的ResNet预训练模型，实现分割区域的深度学习特征提取，提取特征数量为1000。
S33，融合两类特征，构建X片髋关节区域的混合特征数据集。
S4，学习X片髋关节区域的混合特征数据集，构建股骨头缺血坏死分期模型。具体的，将两万例数据的混合特征数据集，按照7:3比例随机分为独立的训练集和测试集，本发明的股骨头缺血坏死分期模型以及对比实验的模型，均在训练集上进行学习、优化和建模，并均在测试集上进行性能验证和评估。
其中，股骨头缺血坏死分期模型通过Transformer神经网络算法构建。
实施例2 用于股骨头缺血坏死分期的诊断***
如图2所示，本实施例提供了基于X片的股骨头缺血坏死分期智能诊断***，包括：
髋关节X片获取和存储模块，用于获取和存储髋关节X线片数据；
髋关节自动分割和混合特征提取模块，具体包括髋关节自动分割子模块和混合特征提取子模块；所述髋关节自动分割子模块集成了nnU-Net模型，用于自动分割髋关节区域；所述混合特征提取子模块，用于提取分割区域的影像组学特征和深度学习特征，并进行特征融合；
股骨头缺血坏死分期诊断模块，用于分析混合特征，实现股骨头缺血坏死分期的智能诊断。
下面通过实验对本发明的技术方案做进一步的说明。
实验例1 特征选择和模型种类对股骨头缺血坏死分期准确性的影响
一、实验方法
本实验例构建四个实验组：
混合特征+Transformer组：特征选择和模型种类均与实施例1相同；
混合特征+CNN组：智能诊断模型替换为CNN算法构建的模型，特征选择方式和其他实验步骤均与实施例1相同；
图像+Transformer组：特征选择方式替换为直接将图像输入智能诊断模型，模型种类和其他实验步骤均与实施例1相同；
图像+CNN组：特征选择方式替换为直接将图像输入智能诊断模型，智能诊断模型替换为CNN算法构建的模型，其他实验步骤与实施例1相同。
二、实验结果
以上四个实验组的股骨头缺血坏死分期准确性结果如下表所示：
从上表数据中可以看到，本发明通过对特征的选择和模型种类的选择，能够有效提高股骨头缺血坏死分期结果的准确性，能够满足临床的应用需求，具有很好的应用前景。
Claims (6)
1.一种股骨头缺血坏死分期诊断***，其特征在于，包括：
髋关节X片获取和存储模块，用于获取和存储髋关节X片图像数据；
髋关节自动分割和混合特征提取模块，用于按照股骨头缺血坏死分期特征构建方法构建混合特征数据集；
股骨头缺血坏死分期诊断模块，用于学习所述混合特征数据集，实现股骨头缺血坏死分期的智能诊断；所述股骨头缺血坏死分期诊断模块集成有股骨头缺血坏死分期模型，所述股骨头缺血坏死分期模型基于Transformer神经网络算法构建；
所述股骨头缺血坏死分期特征构建方法包括如下步骤：
步骤1，输入X片图像数据，分割得到髋关节的区域；
步骤2，从所述区域中分别同时提取高通量影像组学特征和深度学习特征；
步骤3，将高通量影像组学特征和深度学习特征融合后，得到用于输入股骨头缺血坏死分期模型的混合特征数据集。
2.按照权利要求1所述的股骨头缺血坏死分期诊断***，其特征在于：步骤1中，用于分割任务的模型是基于nnU-Net网络，通过弱监督学习构建的。
3.按照权利要求1所述的股骨头缺血坏死分期诊断***，其特征在于：步骤2中，提取高通量影像组学特征基于PyRadiomics工具实现。
4.按照权利要求1所述的股骨头缺血坏死分期诊断***，其特征在于：步骤2中，提取深度学习特征基于ImageNet迁移学习的ResNet预训练模型实现。
5.按照权利要求1所述的股骨头缺血坏死分期诊断***，其特征在于：步骤2中，所述高通量影像组学特征和深度学习特征分别为1000个。
6.一种计算机可读存储介质，其特征在于：其上存储有用于实现权利要求1-5任一项所述的股骨头缺血坏死分期诊断***的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211248759.2A CN115311302B (zh) | 2022-10-12 | 2022-10-12 | 股骨头缺血坏死分期诊断***和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211248759.2A CN115311302B (zh) | 2022-10-12 | 2022-10-12 | 股骨头缺血坏死分期诊断***和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115311302A CN115311302A (zh) | 2022-11-08 |
| CN115311302B true CN115311302B (zh) | 2022-12-23 |
Family
ID=83867762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211248759.2A Active CN115311302B (zh) | 2022-10-12 | 2022-10-12 | 股骨头缺血坏死分期诊断***和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115311302B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117635546B (zh) * | 2023-11-14 | 2024-07-23 | 北京长木谷医疗科技股份有限公司 | 基于对比学习及弱监督的股骨头坏死区域识别方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114332577A (zh) * | 2021-12-31 | 2022-04-12 | 福州大学 | 结合深度学习与影像组学的结直肠癌图像分类方法及*** |
| CN114419000A (zh) * | 2022-01-20 | 2022-04-29 | 哈尔滨工业大学 | 基于多尺度几何嵌入卷积神经网络的股骨头坏死指标预测*** |
| CN115170469A (zh) * | 2022-05-26 | 2022-10-11 | 浙江柏视医疗科技有限公司 | 一种基于层间多模态特征融合的鼻咽癌坏死预测方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6956373B1 (en) * | 2002-01-02 | 2005-10-18 | Hugh Keith Brown | Opposed orthogonal fusion system and method for generating color segmented MRI voxel matrices |
| CN201814684U (zh) * | 2010-07-14 | 2011-05-04 | 中国人民解放军第四军医大学 | 一种股骨头早期坏死的修复装置 |
| CN111553882A (zh) * | 2020-03-31 | 2020-08-18 | 江苏广宇淘璞网络科技有限公司 | Mr图像股骨头缺血型坏死识别方法及装置 |
| CN111653355B (zh) * | 2020-04-16 | 2023-12-26 | 中山大学附属第六医院 | 肠癌腹膜转移人工智能预测模型及该模型的构建方法 |
| CN111881724B (zh) * | 2020-06-12 | 2022-06-28 | 山东师范大学 | 一种基于LightGBM和特征融合的食管静脉曲张分类*** |
| CN113516653B (zh) * | 2021-08-11 | 2024-03-15 | 中科(厦门)数据智能研究院 | 一种多特征融合计算识别胶质瘤复发与坏死的方法 |
| CN113706518A (zh) * | 2021-09-01 | 2021-11-26 | 吉林大学 | 一种基于人工智能的股骨头坏死分期分析方法及*** |
| CN114863165B (zh) * | 2022-04-12 | 2023-06-16 | 南通大学 | 一种基于影像组学与深度学习特征融合的椎体骨密度分类方法 |
| CN114795258B (zh) * | 2022-04-18 | 2022-10-21 | 浙江大学 | 一种儿童髋关节发育不良诊断*** |
-
2022
- 2022-10-12 CN CN202211248759.2A patent/CN115311302B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114332577A (zh) * | 2021-12-31 | 2022-04-12 | 福州大学 | 结合深度学习与影像组学的结直肠癌图像分类方法及*** |
| CN114419000A (zh) * | 2022-01-20 | 2022-04-29 | 哈尔滨工业大学 | 基于多尺度几何嵌入卷积神经网络的股骨头坏死指标预测*** |
| CN115170469A (zh) * | 2022-05-26 | 2022-10-11 | 浙江柏视医疗科技有限公司 | 一种基于层间多模态特征融合的鼻咽癌坏死预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115311302A (zh) | 2022-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10755413B1 (en) | Method and system for medical imaging evaluation | |
| JP5128154B2 (ja) | レポート作成支援装置、レポート作成支援方法およびそのプログラム | |
| US7065235B2 (en) | Radiographic scoring method | |
| US10733727B2 (en) | Application of deep learning for medical imaging evaluation | |
| US11393579B2 (en) | Methods and systems for workflow management | |
| US20070269089A1 (en) | Medical image part recognition apparatus and medical image part recognition program | |
| CN105678052B (zh) | Dicom 文件的管理方法及管理*** | |
| Ma et al. | Developing and verifying automatic detection of active pulmonary tuberculosis from multi-slice spiral CT images based on deep learning | |
| CN113222951B (zh) | 一种识别髋关节x线的骨质疏松人工智能诊断装置 | |
| CN112699868A (zh) | 一种基于深度卷积神经网络的图像识别方法、设备 | |
| CN115311302B (zh) | 股骨头缺血坏死分期诊断***和存储介质 | |
| CN111986182A (zh) | 辅助诊断方法、***、电子设备及存储介质 | |
| JP7102999B2 (ja) | 情報収集処理装置、情報収集処理方法及びプログラム | |
| CN112241961A (zh) | 基于深度卷积神经网络的胸部x光片辅助诊断方法及*** | |
| US8331635B2 (en) | Cartesian human morpho-informatic system | |
| EP1525559A2 (en) | System and method for assigning a computer aided detection application to a digital image | |
| JP2009059381A (ja) | 医療診断支援方法および装置並びに診断支援情報記録媒体 | |
| US20100042434A1 (en) | System and method for discovering information in medical image database | |
| CN110916695A (zh) | 确定脊柱扫描视野的方法、装置及图像处理设备 | |
| EP3467770B1 (en) | Method for analysing a medical imaging data set, system for analysing a medical imaging data set, computer program product and a computer-readable medium | |
| Zhang et al. | Multistep Automated Data Labelling Procedure (MADLaP) for thyroid nodules on ultrasound: An artificial intelligence approach for automating image annotation | |
| Kolarik et al. | Detecting the absence of lung sliding in ultrasound videos using 3d convolutional neural networks | |
| CN1820274A (zh) | 使用机器学习来利用cad***的常规使用期间所收集到的知识适配cad过程以对医学成像提供cad(计算机辅助决策 )支持 | |
| White et al. | Modeling human eye behavior during mammographic scanning: Preliminary results | |
| Lou et al. | Study of saccadic eye movements in diagnostic imaging |
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 |