CN116912239B - 基于工业互联网的医学成像全流程质控管理方法及*** - Google Patents
基于工业互联网的医学成像全流程质控管理方法及*** Download PDFInfo
- Publication number
- CN116912239B CN116912239B CN202311160084.0A CN202311160084A CN116912239B CN 116912239 B CN116912239 B CN 116912239B CN 202311160084 A CN202311160084 A CN 202311160084A CN 116912239 B CN116912239 B CN 116912239B
- Authority
- CN
- China
- Prior art keywords
- quality control
- data
- result
- module
- medical imaging
- 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
- 238000003908 quality control method Methods 0.000 title claims abstract description 330
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 110
- 238000007726 management method Methods 0.000 title claims abstract description 67
- 238000005516 engineering process Methods 0.000 claims abstract description 105
- 238000003745 diagnosis Methods 0.000 claims abstract description 81
- 238000001514 detection method Methods 0.000 claims abstract description 69
- 238000010191 image analysis Methods 0.000 claims abstract description 34
- 238000003384 imaging method Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000003070 Statistical process control Methods 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 61
- 238000011156 evaluation Methods 0.000 claims description 44
- 238000007639 printing Methods 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000013500 data storage Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 15
- 230000008713 feedback mechanism Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013441 quality evaluation Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 5
- 238000013179 statistical model Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 3
- 238000011017 operating method Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000000275 quality assurance Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 11
- 230000006872 improvement Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000011282 treatment Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000001225 therapeutic effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20208—High dynamic range [HDR] image processing
-
- 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
- G06T2207/30168—Image quality inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及医学影像处理技术领域,具体为基于工业互联网的医学成像全流程质控管理方法及***,包括以下步骤:运用自适应噪声降低算法和深度学习技术,对医学成像设备进行质量检测和校准,包括成像质量和参数设置,生成设备质控检测结果。本发明中,通过自适应噪声降低算法和深度学习技术,提高了医学成像的准确性,模型预测控制技术和操作指南算法能够自动化调整扫描参数,提高流程效率,采用高动态范围技术和颜色校正算法,优化了图像的可视性和可读性,深度神经网络用于影像分析,提高诊断质量,通过统计过程控制整合各个环节的质控,实现全流程的优化和质量保证,促进数据的标准化和互认,使得多个机构可以更容易地共享和利用医学成像数据。
Description
技术领域
本发明涉及医学影像处理技术领域,尤其涉及基于工业互联网的医学成像全流程质控管理方法及***。
背景技术
医学影像处理,是指应用计算机科学和工程技术来处理、分析和改善医学图像的一门技术领域。这些图像包括X射线、计算机断层扫描(CT)、磁共振成像(MRI)、超声波、核磁共振成像(NMR)等各种医学成像技术生成的图像。医学影像处理的主要目标是提高医学图像的质量、可视化、分析和诊断能力,以帮助医生做出更准确的诊断和治疗决策。
其中,医学成像全流程质控管理方法是一种管理技术,旨在确保整个医学影像流程中的质量控制。这个方法的主要目的是确保整个医学影像流程的质量控制,其主要目的包括质量保证、一致性和合规性。为了实现这些目标,通常采用标准化操作流程、设备校准与维护、数据管理、培训与认证以及自动化工具等手段。这一方法的实施有助于提高医学影像的准确性和可靠性,从而提高医疗诊断和治疗的质量,减少潜在的医疗风险。
在现有的医学成像全流程质控管理方法中,医学成像领域虽然已相当成熟,但仍需提升准确性。在高噪声或特殊条件下,影像质量可能受影响。现有方法多需医务人员手动调整扫描参数和设备设置,耗时且易引入误差。设备标准或显示不始终最优,尤其在对比度和颜色方面。当前质控多集中在单一环节(如设备或影像),缺乏全流程覆盖。医学影像数据应用受限,缺少统一标准和共享机制,导致数据仅局限于特定场景或机构内部。需要进行改进,以提高医学影像的质量和可靠性。
发明内容
本发明的目的是解决现有技术中存在的缺点,而提出的基于工业互联网的医学成像全流程质控管理方法及***。
为了实现上述目的,本发明采用了如下技术方案:基于工业互联网的医学成像全流程质控管理方法,包括以下步骤:
S1:运用自适应噪声降低算法和深度学习技术,对医学成像设备进行质量检测和校准,包括成像质量和参数设置,生成设备质控检测结果;
S2:基于所述设备质控检测结果,利用模型预测控制技术和操作指南算法,对扫描参数设置和操作方法进行校准,生成操作技术质控结果;
S3:基于所述操作技术质控结果,采用高动态范围技术和颜色校正算法,对打印胶片和屏幕显示进行调窗校准,生成显示存储质控结果;
S4:基于所述显示存储质控结果,应用深度神经网络进行影像分析,同时评估和校准基层诊断医生的诊断水平,生成影像诊断质控结果;
S5:综合所述设备质控检测结果、操作技术质控结果、显示存储质控结果和影像诊断质控结果,运用统计过程控制方法进行全流程质控,生成全流程质控管理结果;
S6:基于全流程质控管理结果,运用数据清洗和转换技术以及分布式数据存储方案,对医学成像数据进行标准化处理,并进行数据的互认和共享,生成标准化和共享的医学成像数据。
作为本发明的进一步方案,运用自适应噪声降低算法和深度学习技术,对医学成像设备进行质量检测和校准,包括成像质量和参数设置,生成设备质控检测结果的步骤具体为:
S101:采用图像增强和噪声滤波算法对医学成像设备的原始图像数据进行预处理,生成预处理后的图像数据;
S102:基于所述预处理后的图像数据,运用自适应噪声降低算法进行设备成像质量的检测,得到设备质量检测数据;
S103:基于所述设备质量检测数据,使用线性回归算法进行初步的参数校准,生成初步参数校准数据;
S104:基于所述初步参数校准数据,使用深度学习算法进行参数校准的优化,得到设备参数校准数据;
S105:整合所述设备质量检测数据和设备参数校准数据,生成设备质控检测结果。
作为本发明的进一步方案,基于所述设备质控检测结果,利用模型预测控制技术和操作指南算法,对扫描参数设置和操作方法进行校准,生成操作技术质控结果的步骤具体为:
S201:基于所述设备质控检测结果,使用模型预测控制技术进行扫描参数设置的初步校准,得到初步的扫描参数设置;
S202:基于所述初步的扫描参数设置,利用模型预测控制技术进行参数优化,得到优化后的扫描参数设置;
S203:基于所述优化后的扫描参数设置,运用操作指南算法生成操作方法指南;
S204:整合所述优化后的扫描参数设置和操作方法指南,生成操作技术质控结果。
作为本发明的进一步方案,基于所述操作技术质控结果,采用高动态范围技术和颜色校正算法,对打印胶片和屏幕显示进行调窗校准,生成显示存储质控结果的步骤具体为:
S301:基于所述操作技术质控结果,利用高动态范围技术进行打印胶片的调窗校准,生成高动态范围应用后的打印胶片;
S302:基于所述高动态范围应用后的打印胶片,进行色彩平衡的调整,得到色彩平衡调整后的打印胶片;
S303:基于所述色彩平衡调整后的打印胶片,应用颜色校正算法进行屏幕显示的调窗,生成调窗后的屏幕显示;
S304:整合所述调窗后的屏幕显示和打印胶片,生成显示存储质控结果。
作为本发明的进一步方案,基于所述显示存储质控结果,应用深度神经网络进行影像分析,同时评估和校准基层诊断医生的诊断水平,生成影像诊断质控结果的步骤具体为:
S401:基于显示存储质控结果,利用深度神经网络进行图像特征提取,得到特征提取结果;
S402:基于特征提取结果,进行图像分析,得到影像分析结果;
S403:基于影像分析结果,进行基层诊断医生的诊断水平评估,生成诊断水平评估数据;
S404:整合影像分析结果和诊断水平评估数据,生成影像诊断质控结果。
作为本发明的进一步方案,综合所述设备质控检测结果、操作技术质控结果、显示存储质控结果和影像诊断质控结果,运用统计过程控制方法进行全流程质控,生成全流程质控管理结果的步骤具体为:
S501:整合设备质控检测结果、操作技术质控结果、显示存储质控结果和影像诊断质控结果,得到全流程质控数据;
S502:基于所述全流程质控数据,应用统计模型进行质控评估,得到质控评估数据;
S503:基于所述质控评估数据,建立质控反馈机制,将评估数据反馈到子模块以进行优化,生成质控反馈报告;
S504:基于所述质控评估数据和质控反馈报告,生成全流程质控管理结果。
作为本发明的进一步方案,基于全流程质控管理结果,运用数据清洗和转换技术以及分布式数据存储方案,对医学成像数据进行标准化处理,并进行数据的互认和共享,生成标准化和共享的医学成像数据的步骤具体为:
S601:对医学成像数据进行数据质量的评估,识别异常值、重复值、缺失值,进行清洗,获取清洗后医学成像数据;
S602:根据所述全流程质控管理结果的建议,运用数据转换技术将所述清洗后医学成像数据转换成统一的格式,进行数据归一化、量化处理,得到标准格式的医学成像数据;
S603:采用分布式数据存储方案,将所述标准化的医学成像数据存储在分布式环境中;
S604:建立数据访问和共享的协议或平台,整理和汇总标准格式的医学成像数据,生成标准化和共享的医学成像数据。
基于工业互联网的医学成像全流程质控管理***用于执行上述基于工业互联网的医学成像全流程质控管理方法,所述基于工业互联网的医学成像全流程质控管理***是由设备质控模块、操作技术质控模块、显示存储质控模块、影像诊断质控模块、全流程质控管理模块、数据标准化与共享模块组成。
作为本发明的进一步方案,所述设备质控模块对医学成像设备的原始图像数据进行预处理,进行设备成像质量的检测和参数校准,生成设备质控检测结果;
所述操作技术质控模块基于设备质控检测结果,进行扫描参数设置的校准和优化,生成操作技术质控结果;
所述显示存储质控模块基于操作技术质控结果,对打印胶片进行调窗校准和色彩平衡的调整,进行屏幕显示的调窗,生成显示存储质控结果;
所述影像诊断质控模块基于显示存储质控结果,进行图像特征提取和分析,进行诊断水平评估,生成影像诊断质控结果;
所述全流程质控管理模块整合上述质控结果,进行质控评估,然后建立质控反馈机制,生成全流程质控管理结果;
所述数据标准化与共享模块对医学成像数据进行评估和清洗,进行数据转换和存储,实现数据的共享,生成标准化和共享的医学成像数据。
作为本发明的进一步方案,所述设备质控模块包括图像预处理子模块、设备质量检测子模块、初步参数校准子模块、参数优化子模块;
所述操作技术质控模块包括扫描参数设置子模块、参数优化子模块、操作方法指南子模块;
所述显示存储质控模块包括打印胶片调窗子模块、色彩平衡调整子模块、屏幕显示调窗子模块;
所述影像诊断质控模块包括图像特征提取子模块、影像分析子模块、诊断水平评估子模块;
所述全流程质控管理模块包括质控数据整合子模块、质控评估子模块、质控反馈子模块;
所述数据标准化与共享模块包括数据质量评估子模块、数据清洗子模块、数据转换子模块、数据存储子模块、数据共享子模块。
与现有技术相比,本发明的优点和积极效果在于:
本发明中,通过自适应噪声降低算法和深度学习技术,提高了医学成像的准确性,从而加强了诊断的可靠性。模型预测控制技术和操作指南算法能够自动化调整扫描参数,减少人工干预,提高流程效率。采用高动态范围技术和颜色校正算法,优化了图像的可视性和可读性。深度神经网络用于影像分析,可以自动检测可能被人眼忽略的病变,从而提高诊断质量。通过统计过程控制整合各个环节的质控,实现全流程的优化和质量保证。该方法促进了数据的标准化和互认,使得多个机构可以更容易地共享和利用医学成像数据。
附图说明
图1为本发明的工作流程示意图;
图2为本发明的S1细化流程图;
图3为本发明的S2细化流程图;
图4为本发明的S3细化流程图;
图5为本发明的S4细化流程图;
图6为本发明的S5细化流程图;
图7为本发明的S6细化流程图;
图8为本发明的***流程图;
图9为本发明的***框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例一
请参阅图1,本发明提供一种技术方案:基于工业互联网的医学成像全流程质控管理方法,包括以下步骤:
S1:运用自适应噪声降低算法和深度学习技术,对医学成像设备进行质量检测和校准,包括成像质量和参数设置,生成设备质控检测结果;
S2:基于设备质控检测结果,利用模型预测控制技术和操作指南算法,对扫描参数设置和操作方法进行校准,生成操作技术质控结果;
S3:基于操作技术质控结果,采用高动态范围技术和颜色校正算法,对打印胶片和屏幕显示进行调窗校准,生成显示存储质控结果;
S4:基于显示存储质控结果,应用深度神经网络进行影像分析,同时评估和校准基层诊断医生的诊断水平,生成影像诊断质控结果;
S5:综合设备质控检测结果、操作技术质控结果、显示存储质控结果和影像诊断质控结果,运用统计过程控制方法进行全流程质控,生成全流程质控管理结果;
S6:基于全流程质控管理结果,运用数据清洗和转换技术以及分布式数据存储方案,对医学成像数据进行标准化处理,并进行数据的互认和共享,生成标准化和共享的医学成像数据。
首先,通过设备质量检测和校准,成像设备的质量和参数设置得到有效控制,确保了成像结果的准确性和可靠性。其次,操作技术的校准和标准化促进了操作人员的一致性,减少了人为误差和重复扫描,提高了成像质量。通过调窗校准和颜色校正,图像的准确性和一致性得以保证,提供了更可靠的影像结果。采用深度神经网络对影像进行分析和诊断水平的评估,提高了诊断的准确性和一致性。通过全流程质控管理的统计过程控制方法,问题和风险能够及早发现和纠正,***的稳定性和可控性得到提升。最后,通过数据标准化和共享,医学成像数据可在不同***和机构间交换和共享,促进了医学影像科学的发展和合作。综合这些有益效果,该方法有助于提高医学成像的质量和一致性,促进了临床决策的支持和病患护理体验的提升,推动了医学成像领域的进步和发展。
请参阅图2,运用自适应噪声降低算法和深度学习技术,对医学成像设备进行质量检测和校准,包括成像质量和参数设置,生成设备质控检测结果的步骤具体为:
S101:采用图像增强和噪声滤波算法对医学成像设备的原始图像数据进行预处理,生成预处理后的图像数据;
S102:基于预处理后的图像数据,运用自适应噪声降低算法进行设备成像质量的检测,得到设备质量检测数据;
S103:基于设备质量检测数据,使用线性回归算法进行初步的参数校准,生成初步参数校准数据;
S104:基于初步参数校准数据,使用深度学习算法进行参数校准的优化,得到设备参数校准数据;
S105:整合设备质量检测数据和设备参数校准数据,生成设备质控检测结果。
首先,通过图像预处理和噪声滤波算法的应用,可以提高图像的质量和清晰度,减少噪声对成像结果的干扰,从而使得医学影像更加清晰和可靠。其次,通过自适应噪声降低算法进行设备成像质量检测,可以及时发现并评估图像中的质量问题,为后续校准和优化提供有价值的数据。然后,通过线性回归和深度学习算法对设备参数进行校准,可以使成像参数更加准确地符合要求,提高成像的一致性和可比性。最后,整合设备质量检测数据和参数校准数据,生成质控检测结果,能够提供全面的质量评估和校准数据,为医学影像的准确诊断和治疗决策提供重要的依据。综合而言,该方法能够提高医学成像的质量和可靠性,提升医疗服务的精确性和效果,改善患者的治疗体验和结果。
请参阅图3,基于设备质控检测结果,利用模型预测控制技术和操作指南算法,对扫描参数设置和操作方法进行校准,生成操作技术质控结果的步骤具体为:
S201:基于设备质控检测结果,使用模型预测控制技术进行扫描参数设置的初步校准,得到初步的扫描参数设置;
S202:基于初步的扫描参数设置,利用模型预测控制技术进行参数优化,得到优化后的扫描参数设置;
S203:基于优化后的扫描参数设置,运用操作指南算法生成操作方法指南;
S204:整合优化后的扫描参数设置和操作方法指南,生成操作技术质控结果。
首先,在S201和S202步骤中,通过模型预测控制技术对扫描参数进行初步校准和优化,可以有效提高扫描的准确性和一致性,从而得到更可靠的成像结果。其次,在S203步骤中,通过操作指南算法生成操作方法指南,标准化操作流程和技术要点,有助于提高操作人员的一致性,减少人为误差和不必要的重复扫描,进一步提高成像质量。最后,在S204步骤中,整合优化后的扫描参数设置和操作方法指南,生成操作技术质控结果,为操作质量管理提供依据。综合而言,该方法能够提高医学成像的质量和一致性,提升操作人员的技术水平,减少误差和重复工作,从而为临床决策和病患护理提供更可靠和准确的成像结果,提高医疗服务的质量。
请参阅图4,基于操作技术质控结果,采用高动态范围技术和颜色校正算法,对打印胶片和屏幕显示进行调窗校准,生成显示存储质控结果的步骤具体为:
S301:基于操作技术质控结果,利用高动态范围技术进行打印胶片的调窗校准,生成高动态范围应用后的打印胶片;
S302:基于高动态范围应用后的打印胶片,进行色彩平衡的调整,得到色彩平衡调整后的打印胶片;
S303:基于色彩平衡调整后的打印胶片,应用颜色校正算法进行屏幕显示的调窗,生成调窗后的屏幕显示;
S304:整合调窗后的屏幕显示和打印胶片,生成显示存储质控结果。
首先,在S301和S302步骤中,通过高动态范围技术和色彩平衡的调整对打印胶片进行校准,在显示过程中提升图像的清晰度、对比度和视觉感知范围。这将使医学图像更加清晰可见,突出细节,提高图像的诊断可靠性和准确性。其次,在S303步骤中,应用颜色校正算法对屏幕显示进行调窗。通过根据打印胶片的色彩信息和调窗要求对屏幕进行适当的色彩和亮度调整,确保屏幕上显示出与打印胶片一致的图像。这有助于医学图像在不同显示设备上得到一致的表现,提供准确的图像解读和诊断结果。最后,在S304步骤中,整合调窗后的屏幕显示和打印胶片,生成显示存储质控结果。通过综合考虑打印胶片和屏幕显示的质控指标和调整参数,可以评估显示质量和校准效果,为医学图像的诊断和解读提供准确和可靠的依据。
请参阅图5,基于显示存储质控结果,应用深度神经网络进行影像分析,同时评估和校准基层诊断医生的诊断水平,生成影像诊断质控结果的步骤具体为:
S401:基于显示存储质控结果,利用深度神经网络进行图像特征提取,得到特征提取结果;
S402:基于特征提取结果,进行图像分析,得到影像分析结果;
S403:基于影像分析结果,进行基层诊断医生的诊断水平评估,生成诊断水平评估数据;
S404:整合影像分析结果和诊断水平评估数据,生成影像诊断质控结果。
首先,在S401步骤中,通过深度神经网络进行图像特征提取,可以从医学影像中提取出关键的特征信息。这有助于医生准确发现病变、异常区域和其他重要视觉特征,为对图像进行进一步分析提供可靠的基础。其次,在S402步骤中,基于特征提取结果进行影像分析。深度神经网络能够有效处理提取的特征,并自动执行诸如病变定位、关键指标量化等任务。这将提高图像分析的准确性和精确度,为医生提供更全面、可靠的影像分析结果。接着,在S403步骤中,对基层诊断医生的诊断水平进行评估。结合影像诊断质控结果和深度神经网络分析结果,能够量化地评估医生的诊断能力,并提供个性化的反馈和指导。这将帮助医生提高诊断水平,减少误诊和漏诊的风险,并提供培训和支持,以增强整个医疗团队的诊断能力。最后,在S404步骤中,整合影像分析结果和诊断水平评估数据,生成影像诊断质控结果。这将提供全面的影像分析结果和医生评估数据,用于质量管理、绩效评估和医学教育。通过及时的诊断质控和个性化的医生校准,可以提高影像诊断的准确性、一致性和效率,最终改善患者的治疗结果和医疗服务的质量。
请参阅图6,综合设备质控检测结果、操作技术质控结果、显示存储质控结果和影像诊断质控结果,运用统计过程控制方法进行全流程质控,生成全流程质控管理结果的步骤具体为:
S501:整合设备质控检测结果、操作技术质控结果、显示存储质控结果和影像诊断质控结果,得到全流程质控数据;
S502:基于全流程质控数据,应用统计模型进行质控评估,得到质控评估数据;
S503:基于质控评估数据,建立质控反馈机制,将评估数据反馈到子模块以进行优化,生成质控反馈报告;
S504:基于质控评估数据和质控反馈报告,生成全流程质控管理结果。
首先,在S501步骤中,整合多个质控结果得到全流程质控数据,这将提供全面的质控信息,帮助发现并解决设备故障、操作技术不当、存储失真和诊断错误等问题,进一步优化全流程的运作和质量。其次,在S502步骤中,应用统计模型对全流程质控数据进行评估,这有助于识别潜在的变异和异常情况。通过统计分析和建模,可以建立可靠的质量评估指标和阈值,及时发现质量问题并采取措施进行干预和改进。这将减少误差和不一致性,提高质控的稳定性和一致性,从而提升整体质量水平。接下来,在S503步骤中,建立质控反馈机制,将评估数据反馈到相应的子模块中。这将促进及时的问题解决和改善措施的落实。质控反馈报告将提供具体的指导和建议,帮助优化设备维护、操作培训、存储***和影像诊断流程,进一步提高全流程的质控效果。最后,在S504步骤中,基于质控评估数据和质控反馈报告,生成全流程质控管理结果。这将为医疗机构提供全面的质量管理指导和决策依据。全流程质控管理结果将涵盖质量改进计划、培训措施、设备更新等方面,从而推进全流程质量的提升和持续改进。
请参阅图7,基于全流程质控管理结果,运用数据清洗和转换技术以及分布式数据存储方案,对医学成像数据进行标准化处理,并进行数据的互认和共享,生成标准化和共享的医学成像数据的步骤具体为:
S601:对医学成像数据进行数据质量的评估,识别异常值、重复值、缺失值,进行清洗,获取清洗后医学成像数据;
S602:根据全流程质控管理结果的建议,运用数据转换技术将清洗后医学成像数据转换成统一的格式,进行数据归一化、量化处理,得到标准格式的医学成像数据;
S603:采用分布式数据存储方案,将标准化的医学成像数据存储在分布式环境中;
S604:建立数据访问和共享的协议或平台,整理和汇总标准格式的医学成像数据,生成标准化和共享的医学成像数据。
首先,在S601步骤中,对医学成像数据进行质量评估和清洗。通过识别和处理异常值、重复值和缺失值等问题,可以提高医学成像数据的质量和准确性,确保后续数据处理的有效性和可靠性。其次,在S602步骤中,根据全流程质控管理结果的建议,运用数据转换技术将清洗后的医学成像数据转换成统一的格式。这包括数据归一化和量化处理,确保不同来源和设备的数据都符合同一标准,从而提高数据的一致性和可比性。标准格式的医学成像数据将为后续的分析和应用提供统一的基础。接着,在S603步骤中,采用分布式数据存储方案将标准化的医学成像数据存储在分布式环境中。这种存储方式能够分散数据存储的压力,提高数据的可靠性和可用性,同时支持数据的远程访问和共享,便于不同机构或研究团队之间的数据交流和合作。最后,在S604步骤中,建立数据访问和共享的协议或平台,整理和汇总标准格式的医学成像数据。这将为研究人员、医生和决策者提供方便的数据访问和共享机制,促进跨机构、跨领域的合作与研究。共享的医学成像数据将极大地促进医学研究和诊断的进展,加速疾病的理解和治疗方案的制定,为患者提供更好的医疗服务。
请参阅图8,基于工业互联网的医学成像全流程质控管理***用于执行上述基于工业互联网的医学成像全流程质控管理方法,基于工业互联网的医学成像全流程质控管理***是由设备质控模块、操作技术质控模块、显示存储质控模块、影像诊断质控模块、全流程质控管理模块、数据标准化与共享模块组成。
设备质控模块对医学成像设备的原始图像数据进行预处理,进行设备成像质量的检测和参数校准,生成设备质控检测结果;
操作技术质控模块基于设备质控检测结果,进行扫描参数设置的校准和优化,生成操作技术质控结果;
显示存储质控模块基于操作技术质控结果,对打印胶片进行调窗校准和色彩平衡的调整,进行屏幕显示的调窗,生成显示存储质控结果;
影像诊断质控模块基于显示存储质控结果,进行图像特征提取和分析,进行诊断水平评估,生成影像诊断质控结果;
全流程质控管理模块整合上述质控结果,进行质控评估,然后建立质控反馈机制,生成全流程质控管理结果;
数据标准化与共享模块对医学成像数据进行评估和清洗,进行数据转换和存储,实现数据的共享,生成标准化和共享的医学成像数据。
首先,通过设备质控模块和操作技术质控模块的应用,医学成像设备的准确性和稳定性将得到提高,操作技术的一致性和标准化将得到保证,从而获得更可靠、准确的医学成像数据。这将有助于医生做出更准确的诊断和治疗决策,提高患者的医疗结果和治疗效果。
其次,通过显示存储质控模块和影像诊断质控模块的应用,影像的观看和展示的准确性和一致性将得到保证,医生或专业人员能够获得清晰、准确的图像信息,从而提高影像诊断的准确性和可靠性。这有助于减少误诊和漏诊的风险,提高患者的诊断准确率和治疗效果。
此外,全流程质控管理模块的应用可以监控和改进医学成像的全流程,提高质量控制的效率和精度,减少质量问题的发生。通过及时的质控评估和反馈机制,可以快速发现和解决质量问题,并持续优化医学成像的质量和流程。
最后,通过数据标准化与共享模块的应用,医学成像数据的一致性和可比性将得到提高,方便不同机构和研究团队之间的数据交流、合作和共享。这将促进医学研究的进展和知识的共享,加速疾病的理解和治疗方案的制定,为患者提供更好的医疗服务。
请参阅图9,设备质控模块包括图像预处理子模块、设备质量检测子模块、初步参数校准子模块、参数优化子模块;
操作技术质控模块包括扫描参数设置子模块、参数优化子模块、操作方法指南子模块;
显示存储质控模块包括打印胶片调窗子模块、色彩平衡调整子模块、屏幕显示调窗子模块;
影像诊断质控模块包括图像特征提取子模块、影像分析子模块、诊断水平评估子模块;
全流程质控管理模块包括质控数据整合子模块、质控评估子模块、质控反馈子模块;
数据标准化与共享模块包括数据质量评估子模块、数据清洗子模块、数据转换子模块、数据存储子模块、数据共享子模块。
首先,设备质控模块的应用可以提高成像设备的质量和稳定性,确保高质量的医学图像数据。操作技术质控模块的应用能够实现技术标准化,减少人为误差,提高成像质量。显示存储质控模块的应用可以保证影像的准确展示,提高医生对图像的解读和诊断的可靠性。影像诊断质控模块的应用可以提高图像分析和诊断的准确性,辅助医生做出正确的诊断决策。全流程质控管理模块的应用加强了质控管理和持续改进,确保医学成像的质量和可靠性。数据标准化与共享模块的应用促进了数据的一致性和可比性,方便不同机构之间的数据交流和合作。综合以上效果,基于工业互联网的医学成像全流程质控管理***的应用将提高医学成像的质量和准确性,加强医学影像诊断的可靠性和效率,促进医学研究和临床实践的发展,提升患者的医疗服务和健康成果。
工作原理:在设备质控模块中,***运用自适应噪声降低算法和深度学习技术,对医学成像设备进行质量检测和校准。首先,对设备的原始图像数据进行预处理,包括图像增强和噪声滤波。然后,运用自适应噪声降低算法进行设备成像质量的检测,得到设备质量检测数据。根据检测数据,***使用线性回归算法进行初步的参数校准,生成初步参数校准数据。进一步,利用深度学习算法对参数进行优化,得到设备参数校准数据。最后,将设备质量检测数据和设备参数校准数据整合,生成设备质控检测结果。
在操作技术质控模块中,***利用设备质控检测结果,使用模型预测控制技术和操作指南算法对扫描参数设置和操作方法进行校准。根据设备质控检测结果,进行扫描参数设置的初步校准,并利用模型预测控制技术进行参数优化,得到优化后的扫描参数设置。同时,根据优化后的参数设置和操作指南算法生成操作方法指南。最后,整合参数设置和操作方法指南,生成操作技术质控结果。
在显示存储质控模块中,***基于操作技术质控结果,采用高动态范围技术和颜色校正算法,对打印胶片和屏幕显示进行调窗校准。利用高动态范围技术对打印胶片进行调窗校准,得到高动态范围应用后的打印胶片。然后,进行色彩平衡的调整,得到色彩平衡调整后的打印胶片。基于色彩平衡调整后的打印胶片,使用颜色校正算法对屏幕显示进行调窗,生成调窗后的屏幕显示。最后,整合调窗后的屏幕显示和打印胶片,生成显示存储质控结果。
在影像诊断质控模块中,***基于显示存储质控结果,应用深度神经网络进行影像分析,并对基层诊断医生的诊断水平进行评估和校准。首先,利用深度神经网络进行图像特征提取,得到特征提取结果。然后,进行影像分析,得到影像分析结果。基于影像分析结果,对基层诊断医生的诊断水平进行评估,并生成诊断水平评估数据。最后,整合影像分析结果和诊断水平评估数据,生成影像诊断质控结果。
在全流程质控管理模块中,***综合设备质控检测结果、操作技术质控结果、显示存储质控结果和影像诊断质控结果,运用统计过程控制方法进行全流程质控。首先,整合质控结果,得到全流程质控数据。然后,应用统计模型进行质控评估,得到质控评估数据。基于质控评估数据,建立质控反馈机制,将评估数据反馈到子模块以进行优化,并生成质控反馈报告。最后,综合质控评估数据和质控反馈报告,生成全流程质控管理结果。
在数据标准化与共享模块中,***对医学成像数据进行评估和清洗,并采用数据转换和分布式数据存储方案实现数据的标准化和共享。首先,对医学成像数据进行质量评估,识别异常值、重复值和缺失值,并进行数据清洗,得到清洗后的医学成像数据。根据全流程质控管理结果的建议,利用数据转换技术将清洗后的数据转换为统一的格式,并进行数据归一化和量化处理,得到标准格式的医学成像数据。采用分布式数据存储方案,将标准化的医学成像数据存储在分布式环境中。最后,建立数据访问和共享的协议或平台,整理和汇总标准格式的医学成像数据,实现数据的互认和共享。
以上,仅是本发明的较佳实施例而已,并非对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.基于工业互联网的医学成像全流程质控管理方法,其特征在于,包括以下步骤:
运用自适应噪声降低算法和深度学习技术,对医学成像设备进行质量检测和校准,包括成像质量和参数设置,生成设备质控检测结果;
基于所述设备质控检测结果,利用模型预测控制技术和操作指南算法,对扫描参数设置和操作方法进行校准,生成操作技术质控结果;
基于所述操作技术质控结果,采用高动态范围技术和颜色校正算法,对打印胶片和屏幕显示进行调窗校准,生成显示存储质控结果;
基于所述显示存储质控结果,应用深度神经网络进行影像分析,同时评估和校准基层诊断医生的诊断水平,生成影像诊断质控结果;
综合所述设备质控检测结果、操作技术质控结果、显示存储质控结果和影像诊断质控结果,运用统计过程控制方法进行全流程质控,生成全流程质控管理结果;
基于全流程质控管理结果,运用数据清洗和转换技术以及分布式数据存储方案,对医学成像数据进行标准化处理,并进行数据的互认和共享,生成标准化和共享的医学成像数据;
基于所述设备质控检测结果,利用模型预测控制技术和操作指南算法,对扫描参数设置和操作方法进行校准,生成操作技术质控结果的步骤具体为:
基于所述设备质控检测结果,使用模型预测控制技术进行扫描参数设置的初步校准,得到初步的扫描参数设置;
基于所述初步的扫描参数设置,利用模型预测控制技术进行参数优化,得到优化后的扫描参数设置;
基于所述优化后的扫描参数设置,运用操作指南算法生成操作方法指南;
整合所述优化后的扫描参数设置和操作方法指南,生成操作技术质控结果;
基于所述操作技术质控结果,采用高动态范围技术和颜色校正算法,对打印胶片和屏幕显示进行调窗校准,生成显示存储质控结果的步骤具体为:
基于所述操作技术质控结果,利用高动态范围技术进行打印胶片的调窗校准,生成高动态范围应用后的打印胶片;
基于所述高动态范围应用后的打印胶片,进行色彩平衡的调整,得到色彩平衡调整后的打印胶片;
基于所述色彩平衡调整后的打印胶片,应用颜色校正算法进行屏幕显示的调窗,生成调窗后的屏幕显示;
整合所述调窗后的屏幕显示和打印胶片,生成显示存储质控结果。
2.根据权利要求1所述的基于工业互联网的医学成像全流程质控管理方法,其特征在于,运用自适应噪声降低算法和深度学习技术,对医学成像设备进行质量检测和校准,包括成像质量和参数设置,生成设备质控检测结果的步骤具体为:
采用图像增强和噪声滤波算法对医学成像设备的原始图像数据进行预处理,生成预处理后的图像数据;
基于所述预处理后的图像数据,运用自适应噪声降低算法进行设备成像质量的检测,得到设备质量检测数据;
基于所述设备质量检测数据,使用线性回归算法进行初步的参数校准,生成初步参数校准数据;
基于所述初步参数校准数据,使用深度学习算法进行参数校准的优化,得到设备参数校准数据;
整合所述设备质量检测数据和设备参数校准数据,生成设备质控检测结果。
3.根据权利要求1所述的基于工业互联网的医学成像全流程质控管理方法,其特征在于,基于所述显示存储质控结果,应用深度神经网络进行影像分析,同时评估和校准基层诊断医生的诊断水平,生成影像诊断质控结果的步骤具体为:
基于显示存储质控结果,利用深度神经网络进行图像特征提取,得到特征提取结果;
基于特征提取结果,进行图像分析,得到影像分析结果;
基于影像分析结果,进行基层诊断医生的诊断水平评估,生成诊断水平评估数据;
整合影像分析结果和诊断水平评估数据,生成影像诊断质控结果。
4.根据权利要求1所述的基于工业互联网的医学成像全流程质控管理方法,其特征在于,综合所述设备质控检测结果、操作技术质控结果、显示存储质控结果和影像诊断质控结果,运用统计过程控制方法进行全流程质控,生成全流程质控管理结果的步骤具体为:
整合设备质控检测结果、操作技术质控结果、显示存储质控结果和影像诊断质控结果,得到全流程质控数据;
基于所述全流程质控数据,应用统计模型进行质控评估,得到质控评估数据;
基于所述质控评估数据,建立质控反馈机制,将评估数据反馈到子模块以进行优化,生成质控反馈报告;
基于所述质控评估数据和质控反馈报告,生成全流程质控管理结果。
5.根据权利要求1所述的基于工业互联网的医学成像全流程质控管理方法,其特征在于,基于全流程质控管理结果,运用数据清洗和转换技术以及分布式数据存储方案,对医学成像数据进行标准化处理,并进行数据的互认和共享,生成标准化和共享的医学成像数据的步骤具体为:
对医学成像数据进行数据质量的评估,识别异常值、重复值、缺失值,进行清洗,获取清洗后医学成像数据;
根据所述全流程质控管理结果的建议,运用数据转换技术将所述清洗后医学成像数据转换成统一的格式,进行数据归一化、量化处理,得到标准格式的医学成像数据;
采用分布式数据存储方案,将所述标准化的医学成像数据存储在分布式环境中;
建立数据访问和共享的协议或平台,整理和汇总标准格式的医学成像数据,生成标准化和共享的医学成像数据。
6.基于工业互联网的医学成像全流程质控管理***,其特征在于,所述基于工业互联网的医学成像全流程质控管理***用于执行权利要求1-5任一所述的基于工业互联网的医学成像全流程质控管理方法,所述基于工业互联网的医学成像全流程质控管理***是由设备质控模块、操作技术质控模块、显示存储质控模块、影像诊断质控模块、全流程质控管理模块、数据标准化与共享模块组成。
7.根据权利要求6所述的基于工业互联网的医学成像全流程质控管理***,其特征在于,所述设备质控模块对医学成像设备的原始图像数据进行预处理,进行设备成像质量的检测和参数校准,生成设备质控检测结果;
所述操作技术质控模块基于设备质控检测结果,进行扫描参数设置的校准和优化,生成操作技术质控结果;
所述显示存储质控模块基于操作技术质控结果,对打印胶片进行调窗校准和色彩平衡的调整,进行屏幕显示的调窗,生成显示存储质控结果;
所述影像诊断质控模块基于显示存储质控结果,进行图像特征提取和分析,进行诊断水平评估,生成影像诊断质控结果;
所述全流程质控管理模块整合上述质控结果,进行质控评估,然后建立质控反馈机制,生成全流程质控管理结果;
所述数据标准化与共享模块对医学成像数据进行评估和清洗,进行数据转换和存储,实现数据的共享,生成标准化和共享的医学成像数据。
8.根据权利要求7所述的基于工业互联网的医学成像全流程质控管理***,其特征在于,所述设备质控模块包括图像预处理子模块、设备质量检测子模块、初步参数校准子模块、参数优化子模块;
所述操作技术质控模块包括扫描参数设置子模块、参数优化子模块、操作方法指南子模块;
所述显示存储质控模块包括打印胶片调窗子模块、色彩平衡调整子模块、屏幕显示调窗子模块;
所述影像诊断质控模块包括图像特征提取子模块、影像分析子模块、诊断水平评估子模块;
所述全流程质控管理模块包括质控数据整合子模块、质控评估子模块、质控反馈子模块;
所述数据标准化与共享模块包括数据质量评估子模块、数据清洗子模块、数据转换子模块、数据存储子模块、数据共享子模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311160084.0A CN116912239B (zh) | 2023-09-11 | 2023-09-11 | 基于工业互联网的医学成像全流程质控管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311160084.0A CN116912239B (zh) | 2023-09-11 | 2023-09-11 | 基于工业互联网的医学成像全流程质控管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912239A CN116912239A (zh) | 2023-10-20 |
CN116912239B true CN116912239B (zh) | 2023-11-21 |
Family
ID=88365344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311160084.0A Active CN116912239B (zh) | 2023-09-11 | 2023-09-11 | 基于工业互联网的医学成像全流程质控管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912239B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711578B (zh) * | 2024-02-06 | 2024-04-30 | 重庆医科大学绍兴柯桥医学检验技术研究中心 | 一种医学影像数据分析管理*** |
CN117912665B (zh) * | 2024-03-18 | 2024-06-07 | 大连经典牙科科技有限公司 | 一种基于口腔扫描数据的远程管理*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110581948A (zh) * | 2018-06-07 | 2019-12-17 | 三星电子株式会社 | 提供质量定制图像的电子装置及其控制方法、服务器 |
CN113748443A (zh) * | 2019-04-24 | 2021-12-03 | 普罗热尼奇制药公司 | 用于交互式调整核医学图像中的强度窗口设定的***和方法 |
CN114343555A (zh) * | 2021-12-24 | 2022-04-15 | 中尚医疗仪器(深圳)有限公司 | 一种***镜人工智能辅助质控管理方法和装置 |
CN114519705A (zh) * | 2022-02-16 | 2022-05-20 | 中国人民解放军空军特色医学中心 | 一种用于医学选拔与鉴定的超声标准数据处理方法及*** |
CN114795915A (zh) * | 2022-05-05 | 2022-07-29 | 中国人民解放军陆军军医大学第二附属医院 | 一体式心肺复苏机计量校准装置 |
CN115862801A (zh) * | 2022-11-22 | 2023-03-28 | 四川大学华西医院 | 基于影像结构化报告评估审核医师诊断能力的方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7082993B2 (ja) * | 2018-01-24 | 2022-06-09 | 富士フイルム株式会社 | 医療画像処理装置、方法及びプログラム、診断支援装置、方法及びプログラム並びに医療支援システム及び方法 |
-
2023
- 2023-09-11 CN CN202311160084.0A patent/CN116912239B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110581948A (zh) * | 2018-06-07 | 2019-12-17 | 三星电子株式会社 | 提供质量定制图像的电子装置及其控制方法、服务器 |
CN113748443A (zh) * | 2019-04-24 | 2021-12-03 | 普罗热尼奇制药公司 | 用于交互式调整核医学图像中的强度窗口设定的***和方法 |
CN114343555A (zh) * | 2021-12-24 | 2022-04-15 | 中尚医疗仪器(深圳)有限公司 | 一种***镜人工智能辅助质控管理方法和装置 |
CN114519705A (zh) * | 2022-02-16 | 2022-05-20 | 中国人民解放军空军特色医学中心 | 一种用于医学选拔与鉴定的超声标准数据处理方法及*** |
CN114795915A (zh) * | 2022-05-05 | 2022-07-29 | 中国人民解放军陆军军医大学第二附属医院 | 一体式心肺复苏机计量校准装置 |
CN115862801A (zh) * | 2022-11-22 | 2023-03-28 | 四川大学华西医院 | 基于影像结构化报告评估审核医师诊断能力的方法及*** |
Non-Patent Citations (1)
Title |
---|
江苏省妇女" 两癌" 检查质量控制的实施与思考;刘 娜 等;中国妇幼卫生杂志;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116912239A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116912239B (zh) | 基于工业互联网的医学成像全流程质控管理方法及*** | |
CN102855618B (zh) | 用于图像产生和图像分析的方法 | |
JP7357927B2 (ja) | 診断支援システムおよび方法 | |
CN104424385B (zh) | 一种医学影像的评价方法和装置 | |
CN107464231B (zh) | 用于确定医学成像的最佳操作参数的***和方法 | |
CN110503652B (zh) | 下颌智齿与邻牙及下颌管关系确定方法、装置、存储介质及终端 | |
EP3346297B1 (en) | Image analysis approach for assessing image data | |
US20080120372A1 (en) | Systems and methods for image sharing in a healthcare setting while maintaining diagnostic image quality | |
JP2011200613A (ja) | 磁気共鳴イメージング装置 | |
US20230352147A1 (en) | System and method for image quality review of medical images | |
EP4248456A1 (en) | Technologist assessments for professional growth and operational improvement | |
CN116912247A (zh) | 医疗图像处理方法、装置、存储介质及电子设备 | |
EP3048968B1 (en) | System and method for context-aware imaging | |
CN116777837A (zh) | 一种甲状腺超声影像扫查标准的质控***及方法 | |
JP6980785B2 (ja) | マンモグラフィ品質分析を提供する装置 | |
JP4475054B2 (ja) | ***画像処理方法及び***画像出力システム | |
CN102103745A (zh) | 一种数字减影的软件实现方法 | |
US20230059667A1 (en) | Storage medium and case search apparatus | |
CN117788461B (zh) | 一种基于图像分析的磁共振图像质量评估*** | |
US11335453B1 (en) | Systems and methods for displaying hubs in brain data | |
LU505019B1 (en) | A rapid assessment method for multi-area risk of stroke | |
TWI698887B (zh) | 腦功能影像數據擴增方法 | |
CN107563126A (zh) | 医学成像方法及装置 | |
KR20230162281A (ko) | 의료데이터 객체 인식을 통한 질환 진단 방법 및 질병진단 분산 구조 시스템 | |
US20240169537A1 (en) | Methods and systems for automatic ct image quality assessment |
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 |