CN116758336A - 一种基于人工智能的医学图像智能分析*** - Google Patents

一种基于人工智能的医学图像智能分析*** Download PDF

Info

Publication number
CN116758336A
CN116758336A CN202310606560.0A CN202310606560A CN116758336A CN 116758336 A CN116758336 A CN 116758336A CN 202310606560 A CN202310606560 A CN 202310606560A CN 116758336 A CN116758336 A CN 116758336A
Authority
CN
China
Prior art keywords
image
module
medical image
unit
images
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
Application number
CN202310606560.0A
Other languages
English (en)
Inventor
刘雪花
刘润颜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Yida Medical Technology Co ltd
Original Assignee
Guangdong Yida Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Yida Medical Technology Co ltd filed Critical Guangdong Yida Medical Technology Co ltd
Priority to CN202310606560.0A priority Critical patent/CN116758336A/zh
Publication of CN116758336A publication Critical patent/CN116758336A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)

Abstract

本发明涉及医学图像智能分析技术领域，具体地说，涉及一种基于人工智能的医学图像智能分析***，其包括图像采集单元、预处理单元、特征提取单元、分类识别单元、诊断输出单元，图像采集单元用于采集患者的病理位置，得出病理位置的医学图像；预处理单元用于接收图像采集单元输出的医学图像进行预处理，得到去噪、增强、平滑、对比度增强的医学图像，特征提取单元用于将接收预处理图像进行分割形成特征图像，同时对特征图像进行提取，减少非必要图像的识别分析，分类识别单元用于分类和识别特征图像，通过深度卷积神经网络对从大量的医学图像数据中学习到图像的特征和模式，并进行准确的分类和识别。

Description

一种基于人工智能的医学图像智能分析***
技术领域
本发明涉及医学图像智能分析技术领域，具体地说，涉及一种基于人工智能的医学图像智能分析***。
背景技术
随着科技发展，医学图像智能分析是一种旨在通过图像处理、计算机视觉及机器学习等技术，通过对医学图像进行分析，来帮助医生进行疾病诊断和治疗的技术，随着人工智能技术的不断发展，医学图像智能分析技术受到越来越多的关注和应用，但是，现有的医学图像智能分析***往往因图像识别准确度不高，导致分析***对表征病灶、生理结构进行提取分析判断时，容易误判，而且，现有的诊断***在对医学图像进行分类和识别时，***诊断效率低下，患者等待诊断结果时间较长，诊断效率低下。
为了应对上述问题，现亟需基于人工智能的医学图像智能分析***。
发明内容
本发明的目的在于提供基于人工智能的医学图像智能分析***，以解决上述背景技术中提出的问题。
为实现上述目的，提供了基于人工智能的医学图像智能分析***，包括图像采集单元、预处理单元、特征提取单元、分类识别单元、诊断输出单元；
所述图像采集单元用于采集患者的病理位置，得出病理位置的医学图像；所述预处理单元用于接收图像采集单元输出的医学图像进行预处理，得到去噪、增强、平滑、对比度增强的医学图像；所述特征提取单元用于将接收预处理图像进行分割形成特征图像，同时对特征图像进行提取，减少非必要图像的识别分析；所述分类识别单元用于分类和识别特征图像，通过深度卷积神经网络对从大量的医学图像数据中学习到图像的特征和模式，并进行准确的分类和识别；所述诊断输出单元用于接收分类识别单元的分析诊断结果，通过文字或图像的形式输出。
作为本技术方案的进一步改进，所述图像采集单元包括有角度调节模块和影像采集模块；
所述角度调节模块用于调节图像采集装置的角度，精准采集患者病理部位的医学图像；
所述影像采集模块用于采集病患病理位置进行图像，通过角度调节模块对影像角度的调节，使影像采集模块采集的图像清晰完整。
作为本技术方案的进一步改进，所述预处理单元包括有轮廓扫描模块和图像优化模块；
所述轮廓扫描模块用于扫描医学图像整体轮廓，对医学图像处理范围进行确定；
所述图像优化模块用于对医学图像去噪、增强、平滑、对比度增强、提高医学图像清晰度。
作为本技术方案的进一步改进，所述特征提取单元包括有图像分割模块和信息提取模块；
所述图像分割模块用于分割医学图像区域；
所述信息提取模块用于提取出图像分割模块分割的表征病灶、生理结构或解剖结构的定量化特征。
作为本技术方案的进一步改进，所述信息提取模块采用局部二值模式进行提取定量化特征，提取公式如下：
LBP_{P,R}＝\sum_{n＝0}^{P-1}s(g_n-g_c)2^n
其中，P代表邻域点的数量，R代表邻域半径，gc为中心像素点的灰度值，g_n为邻域中第n个像素点的灰度值，s(x)为符号函数，具体来说，局部二值模式算法首先将中心像素点与邻域像素点进行比较，将邻域像素点的灰度值与中心像素点的灰度值进行差值计算，得到一个二进制序列，然后将该二进制序列转换为十进制数值，该十进制数值即为局部二值模式值。
作为本技术方案的进一步改进，所述分类识别单元包括有特征选择模块和训练测试模块；
所述特征选择模块用于选择具有表征病灶、生理结构或解剖结构的定量化特征的医学图像；
所述训练测试模块用于训练和测试特征选择模块选择的医学图像，并针对特定的医学图像分类任务进行优化，训练过程采用深度卷积神经网络模型进行模型训练，测试过程采用训练模型进行分类和识别，通过训练测试模块可以在短时间内对大量图像数据进行准确的分析。
作为本技术方案的进一步改进，所述训练测试模块训练过程采用的深度卷积神经网络模型，深度卷积神经网络模型包括、卷积层、激活函数、池化层和全连接层。
作为本技术方案的进一步改进，所述分类识别单元还包括智能分析模块，所述智能分析模块用于整理训练测试模块总结的数据信息，同时对医学图像病理问题进行自动诊断。
作为本技术方案的进一步改进，所述诊断输出单元包括有文字整理模块和图像处理模块；所述文字整理模块用于输出诊断中的文字；所述图像处理模块用于输出诊断中的图像。
与现有技术相比，本发明的有益效果：
1、该基于人工智能的医学图像智能分析***中，通过图像采集单元对患者身体姿势进行调节并进行医学图像采集，通过预处理单元对采集的医学图像进行预处理，得到去噪、增强、平滑、对比度增强的医学图像，提高图像清晰度，便于***对医学图像表征病灶、生理结构进行精准分析，通过特征提取单元接收预处理图像将其进行分割，将分割的图像特征部分进行提取，通过分类识别单元对特征部位图像进行分类和识别，快速对病理部位进行分析诊断，将诊断结果通过文字或图像的形式输出，医学图像智能分析***可以快速地进行图像预处理、特征提取和分类识别等操作，降低了患者的等待时间，提高了诊断效率。
附图说明
图1为本发明的整体结构示意图；
图2为本发明的图像采集单元示意图；
图3为本发明的预处理单元示意图；
图4为本发明的特征提取单元示意图；
图5为本发明的分类识别单元示意图；
图6为本发明的诊断输出单元示意图。
图中各个标号意义为：
100、图像采集单元；110、角度调节模块；120、影像采集模块；
200、预处理单元；210、轮廓扫描模块；220、图像优化模块；
300、特征提取单元；310、图像分割模块；320、信息提取模块；
400、分类识别单元；410、特征选择模块；420、训练测试模块；430、智能分析模块；500、诊断输出单元；510、文字整理模块；520、图像处理模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-图6所示，提供了基于人工智能的医学图像智能分析***，包括图像采集单元100、预处理单元200、特征提取单元300、分类识别单元400、诊断输出单元500；
图像采集单元100用于采集患者的病理位置，得出病理位置的医学图像；图像采集单元100包括有角度调节模块110和影像采集模块120；
角度调节模块110用于调节图像采集装置的角度，精准采集患者病理部位的医学图像，通过调节图像采集装置角度，使影像采集模块120采集的医学图像清晰完整，提高图像采集效率。
预处理单元200用于接收图像采集单元100输出的医学图像进行预处理，得到去噪、增强、平滑、对比度增强的医学图像；预处理单元200包括有轮廓扫描模块210和图像优化模块220；
轮廓扫描模块210用于扫描医学图像整体轮廓，对医学图像处理范围进行确定；图像优化模块220用于对医学图像去噪、增强、平滑、对比度增强、提高医学图像清晰度。
具体使用时，轮廓扫描模块210对对医学图像进扫描，确定医学图像轮廓范围，图像优化模块220通过滤波器对医学图像进行滤波操作，使图像变得更加清晰、鲜明或减少噪声。滤波器工作原理：在图像中，不同的物体和组织具有不同的纹理和颜色分布，这些分布包含了各种信息，但也伴随着噪声，图像滤波器可以通过去掉这些噪声，并强化目标区域的信号，来提高图像的清晰度和准确性。
其中，特征提取单元300用于将接收预处理图像进行分割形成特征图像，同时对特征图像进行提取，减少非必要图像的识别分析；特征提取单元300包括有图像分割模块310和信息提取模块320；
图像分割模块310用于分割医学图像区域；
信息提取模块320用于提取出图像分割模块310分割的表征病灶、生理结构或解剖结构的定量化特征；信息提取模块320采用局部二值模式进行提取定量化特征，提取公式如下：
LBP_{P,R}＝\sum_{n＝0}^{P-1}s(g_n-g_c)2^n
其中，P代表邻域点的数量，R代表邻域半径，gc为中心像素点的灰度值，g_n为邻域中第n个像素点的灰度值，s(x)为符号函数，具体来说，局部二值模式算法首先将中心像素点与邻域像素点进行比较，将邻域像素点的灰度值与中心像素点的灰度值进行差值计算，得到一个二进制序列，然后将该二进制序列转换为十进制数值，该十进制数值即为局部二值模式值。
具体使用时，图像分割模块310对医学图像进行分割，通过信息提取模块320对图像分割模块310分割的医学图像进行信息提取，提取过程中采用局部二值模式技术，能够提取出图像的关键特征，作为分类和识别的依据，同时，可以根据具体情况进行特征的选择和优化，以提高分类和识别的准确率。
其中，分类识别单元400用于分类和识别特征图像，通过深度卷积神经网络对从大量的医学图像数据中学习到图像的特征和模式，并进行准确的分类和识别；分类识别单元400包括有特征选择模块410和训练测试模块420；
特征选择模块410用于选择具有表征病灶、生理结构或解剖结构的定量化特征的医学图像；
训练测试模块420用于训练和测试特征选择模块410选择的医学图像，并针对特定的医学图像分类任务进行优化，训练过程采用深度卷积神经网络模型进行模型训练，测试过程采用训练模型进行分类和识别，通过训练测试模块420可以在短时间内对大量图像数据进行准确的分析；训练测试模块420训练过程采用的深度卷积神经网络模型，深度卷积神经网络模型包括、卷积层、激活函数、池化层和全连接层，技术原理如下：
卷积层：卷积层是深度卷积神经网络的基础，它利用卷积核对输入特征图进行卷积操作，从而提取输入数据的局部特征，这些局部特征同时也是整体特征的组成部分。同时，使用卷积核可以实现参数共享，大大减少了需要训练的参数数量。
激活函数：在每一个卷积层和全连接层后面都会添加激活函数，这个函数的作用是对网络的输出数据进行非线性变换，增加模型的非线性特征表达能力，常用的激活函数有ReLU、sigmoid、tanh等。
池化层：池化层主要用于对卷积层的输出进行降维，从而减少模型复杂度和减少出现过拟合的可能性。
全连接层：全连接层是神经网络中的常用层次，它利用矩阵乘法将特征图中的不同特征进行全连接，得到最终的分类输出，全连接层可以看作是将特征图中的特征向量进行组合的一个过程，从而获得输入数据所对应的分类概率。
分类识别单元400还包括智能分析模块430，智能分析模块430用于整理训练测试模块420总结的数据信息，同时对医学图像病理问题进行自动诊断。
具体使用时，通过特征选择模块410对分割的医学图像病理位置进行选择，通过训练测试模块420对医学图像进行训练和测试，提高对病理信息分析的准确性，同时，训练测试模块420采用采用深度卷积神经网络模型进行模型训练，提高对医学图像诊断效率，从而节约了患者等待的时间。
深度卷积神经网络工作原理：通过对输入图像进行多层卷积和池化操作，将图像转换成更高级别的特征表示，再将这些特征经过全连接层进行分类或者回归等任务，深度卷积神经网络是神经网络的核心部分，它通过卷积操作提取图像的特征，卷积层由一组可学习的滤波器或卷积核组成，每个卷积核对输入图像进行一次卷积操作并产生一个特征图，每个特征图都是由若干个二维卷积核对输入图像进行卷积后得到的，并且所有卷积核参数都在训练过程中被优化学习得到，从而提高对医学图像分析效率。
其中，诊断输出单元500包括有文字整理模块510和图像处理模块520；文字整理模块510用于对文字进行整理进行输出；图像处理模块520用于对图像整理进行输出，为了便于将诊断内部详细输出，快速对医学图像病理进行分析，因此，通过文字整理模块510和图像处理模块520对诊断结果以图文结合进行输出，便于理解诊断结果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种基于人工智能的医学图像智能分析***，其特征在于：包括图像采集单元(100)、预处理单元(200)、特征提取单元(300)、分类识别单元(400)、诊断输出单元(500)；
所述图像采集单元(100)用于采集患者的病理位置，得出病理位置的医学图像；所述预处理单元(200)用于接收图像采集单元(100)输出的医学图像进行预处理，得到去噪、增强、平滑、对比度增强的医学图像；所述特征提取单元(300)用于将接收预处理图像进行分割形成特征图像，同时对特征图像进行提取，减少非必要图像的识别分析；所述分类识别单元(400)用于分类和识别特征图像，通过深度卷积神经网络对从大量的医学图像数据中学习到图像的特征和模式，并进行准确的分类和识别；所述诊断输出单元(500)用于接收分类识别单元(400)的分析诊断结果，通过文字或图像的形式输出。
2.根据权利要求1所述的基于人工智能的医学图像智能分析***，其特征在于：所述图像采集单元(100)包括有角度调节模块(110)和影像采集模块(120)；
所述角度调节模块(110)用于调节图像采集装置的角度，精准采集患者病理部位的医学图像；
所述影像采集模块(120)用于采集病患病理位置进行图像，通过角度调节模块(110)对影像角度的调节，使影像采集模块(120)采集的图像清晰完整。
3.根据权利要求1所述的基于人工智能的医学图像智能分析***，其特征在于：所述预处理单元(200)包括有轮廓扫描模块(210)和图像优化模块(220)；
所述轮廓扫描模块(210)用于扫描医学图像整体轮廓，对医学图像处理范围进行确定；
所述图像优化模块(220)用于对医学图像去噪、增强、平滑、对比度增强、提高医学图像清晰度。
4.根据权利要求1所述的基于人工智能的医学图像智能分析***，其特征在于：所述特征提取单元(300)包括有图像分割模块(310)和信息提取模块(320)；
所述图像分割模块(310)用于分割医学图像区域；
所述信息提取模块(320)用于提取出图像分割模块(310)分割的表征病灶、生理结构或解剖结构的定量化特征。
5.根据权利要求4所述的基于人工智能的医学图像智能分析***，其特征在于：所述信息提取模块(320)采用局部二值模式进行提取定量化特征，提取公式如下：
LBP_{P,R}＝\sum_{n＝0}^{P-1}s(g_n-g_c)2^n
其中，P代表邻域点的数量，R代表邻域半径，gc为中心像素点的灰度值，g_n为邻域中第n个像素点的灰度值，s(x)为符号函数，具体来说，局部二值模式算法首先将中心像素点与邻域像素点进行比较，将邻域像素点的灰度值与中心像素点的灰度值进行差值计算，得到一个二进制序列，然后将该二进制序列转换为十进制数值，该十进制数值即为局部二值模式值。
6.根据权利要求1所述的基于人工智能的医学图像智能分析***，其特征在于：所述分类识别单元(400)包括有特征选择模块(410)和训练测试模块(420)；
所述特征选择模块(410)用于选择具有表征病灶、生理结构或解剖结构的定量化特征的医学图像；
所述训练测试模块(420)用于训练和测试特征选择模块(410)选择的医学图像，并针对特定的医学图像分类任务进行优化，训练过程采用深度卷积神经网络模型进行模型训练，测试过程采用训练模型进行分类和识别，通过训练测试模块(420)可以在短时间内对大量图像数据进行准确的分析。
7.根据权利要求6所述的基于人工智能的医学图像智能分析***，其特征在于：所述训练测试模块(420)训练过程采用的深度卷积神经网络模型，深度卷积神经网络模型包括、卷积层、激活函数、池化层和全连接层。
8.根据权利要求6所述的基于人工智能的医学图像智能分析***，其特征在于：所述分类识别单元(400)还包括智能分析模块(430)，所述智能分析模块(430)用于整理训练测试模块(420)总结的数据信息，同时对医学图像病理问题进行自动诊断。
9.根据权利要求1所述的基于人工智能的医学图像智能分析***，其特征在于：所述诊断输出单元(500)包括有文字整理模块(510)和图像处理模块(520)；所述文字整理模块(510)用于输出诊断中的文字；所述图像处理模块(520)用于输出诊断中的图像。
CN202310606560.0A 2023-05-26 2023-05-26 一种基于人工智能的医学图像智能分析*** Pending CN116758336A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310606560.0A CN116758336A (zh) 2023-05-26 2023-05-26 一种基于人工智能的医学图像智能分析***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310606560.0A CN116758336A (zh) 2023-05-26 2023-05-26 一种基于人工智能的医学图像智能分析***

Publications (1)

Publication Number Publication Date
CN116758336A true CN116758336A (zh) 2023-09-15

Family

ID=87948814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310606560.0A Pending CN116758336A (zh) 2023-05-26 2023-05-26 一种基于人工智能的医学图像智能分析***

Country Status (1)

Country Link
CN (1) CN116758336A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116958128A (zh) * 2023-09-18 2023-10-27 中南大学 基于深度学习的医学图像自动定位方法
CN117398231A (zh) * 2023-11-30 2024-01-16 西安好博士医疗科技有限公司 一种基于数据分析的医学储液装置温度控制***及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116958128A (zh) * 2023-09-18 2023-10-27 中南大学 基于深度学习的医学图像自动定位方法
CN116958128B (zh) * 2023-09-18 2023-12-26 中南大学 基于深度学习的医学图像自动定位方法
CN117398231A (zh) * 2023-11-30 2024-01-16 西安好博士医疗科技有限公司 一种基于数据分析的医学储液装置温度控制***及方法

Similar Documents

Publication Publication Date Title
CN109886273B (zh) 一种cmr图像分割分类***
Xiuqin et al. A fundus retinal vessels segmentation scheme based on the improved deep learning U-Net model
CN107644420B (zh) 基于中心线提取的血管图像分割方法、核磁共振成像***
CN108985345B (zh) 一种基于肺部医学图像融合分类的检测装置
CN108154519A (zh) 眼底图像中血管的分割方法、装置及存储介质
CN116758336A (zh) 一种基于人工智能的医学图像智能分析***
CN112862808A (zh) 一种基于深度学习的乳腺癌超声图像的可解释性识别方法
CN112348059A (zh) 基于深度学习的多种染色病理图像分类方法及***
CN114758137B (zh) 超声图像分割方法、装置及计算机可读存储介质
Hermawati et al. Combination of aggregated channel features (ACF) detector and faster R-CNN to improve object detection performance in fetal ultrasound images
CN115359066B (zh) 用于内窥镜的病灶检测方法、装置、电子设备及存储介质
Zhao et al. Attention residual convolution neural network based on U-net (AttentionResU-Net) for retina vessel segmentation
CN113344933B (zh) 一种基于多层次特征融合网络的腺体细胞分割方法
CN108230341B (zh) 一种基于分层抠图算法的眼底图像血管分割方法
CN116188786B (zh) 一种肝胆管及胆道结石的图像分割***
CN111899272A (zh) 基于耦合神经网络和线连接器的眼底图像血管分割方法
Parraga et al. A review of image-based deep learning algorithms for cervical cancer screening
CN115689993A (zh) 基于注意力与多特征融合的皮肤癌图像分割方法及***
CN115239695A (zh) 一种基于时序图像的肺结节识别***及方法
CN114140830A (zh) 一种基于循环肿瘤细胞图像的重复识别抑制方法
CN116524315A (zh) 一种基于Mask R-CNN的肺癌病理组织切片识别及分割方法
Mahmoud et al. Novel feature extraction methodology based on histopathalogical images and subsequent classification by Support Vector Machine
Arroyo et al. 5 Comparison of Image Processing Techniques for Reticular Pattern
Kurian et al. An improved deep neural learning classifier for brain tumor detection
Pavel et al. Cancer detection using image processing techniques based on cell counting, cell area measurement and clump detection

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