CN118039088B - 一种人工智能辅助诊断数据处理*** - Google Patents
一种人工智能辅助诊断数据处理*** Download PDFInfo
- Publication number
- CN118039088B CN118039088B CN202410446277.0A CN202410446277A CN118039088B CN 118039088 B CN118039088 B CN 118039088B CN 202410446277 A CN202410446277 A CN 202410446277A CN 118039088 B CN118039088 B CN 118039088B
- Authority
- CN
- China
- Prior art keywords
- focus
- voice
- sub
- image
- marking
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 71
- 238000012545 processing Methods 0.000 title claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 63
- 230000003902 lesion Effects 0.000 claims abstract description 33
- 230000010354 integration Effects 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 230000017531 blood circulation Effects 0.000 claims description 17
- 238000005452 bending Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 11
- 230000001174 ascending effect Effects 0.000 claims description 10
- 238000002604 ultrasonography Methods 0.000 claims description 8
- 238000003058 natural language processing Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 208000031513 cyst Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及数据处理技术领域,本发明公开了一种人工智能辅助诊断数据处理***;包括超声图像进行划分,生成子图像,标记出病灶区域,获取病灶区域的病灶特征和病灶语音,并判定是否发出子图像整合提示,将病灶特征和病灶语音整合到目标子图像中,生成超声诊断图像;相对于现有技术,能够从超声图像中剔除掉无关的正常组织对应的区域,实现了病灶区域的精准识别,同时利用病灶特征和病灶语音的匹配组合,可以对病灶区域的病变信息进行文字数据和语音数据上的双重表示,形成具有语音批注的超声诊断图像,避免了医疗人员的视角在超声图像和文字信息之间反复切换而导致的疲惫感,进而为医疗人员的后续诊断提供了便利。
Description
技术领域
本发明涉及数据处理技术领域,更具体地说,本发明涉及一种人工智能辅助诊断数据处理***。
背景技术
随着信息技术的发展和医疗信息化的建设,已经有很多医疗机构安装部署了医学影像人工智能诊断***,使得医疗人员可以借助人工智能技术对诊断数据进行处理和分析,尤其在超声图像的处理当中,需要通过人工智能技术对超声图像中病灶区域的病变信息进行准确的识别,从而为医疗人员提供精确的辅助诊断依据。
参考公开号为CN114491072A的专利申请公开了一种中医数据处理***、方法、存储介质及终端,其通过患者动态问卷采集患者的作答信息,动态问卷基于患者的作答信息实时更新,更具有专业性和针对性,使得预测结果更加准确;并且所获得的预测结果可有效辅助医生进行疾病和证型的诊断,提高诊断的准确性以及诊断效率;进一步地,基于所构建的中医知识图谱获取疾病与证型的相关条件信息,并结合预设规则模板生成问卷,进一步提高问卷内容的关联性和中医领域的适用性;可选择地采集用户的开放文本信息,用户更具有选择自主性,提高用户的使用体验,照顾到存在就医情绪或可能文本描述能力优先的用户;具有较强的拟合能力,尤其适用于提高问卷内容的专业性和预测的准确性;
现有技术存在以下不足:
现有的诊断数据处理***在对超声图像内的诊断数据处理时,通过医学影像处理技术识别到病灶区域的病灶信息,并将病灶信息通过文字记载在超声图像上,提供给医疗人员了解,由于超声图像中病灶区域与记载的病灶信息并不处于同一位置,使得病灶区域与病灶信息之间存在一定的距离,当医疗人员想要全面且准确的了解病灶区域时,医疗人员的视角需要在病灶区域和病灶信息之间来回往复的切换和比对,既增大了医疗人员对超声图像的诊断工作时间,也加剧了医疗人员的视觉疲劳,进而会在长时间的医疗诊断工作后,增大了超声图像误诊断的概率。
鉴于此,本发明提出一种人工智能辅助诊断数据处理***以解决上述问题。
发明内容
为了克服现有技术的上述缺陷,为实现上述目的,本发明提供如下技术方案:一种人工智能辅助诊断数据处理***,应用于人工智能服务器,包括:
子图像划分模块,用于基于图像划分准则,对超声图像进行划分,生成子图像;
病灶区域标记模块,用于从子图像中筛选出目标子图像,并基于标记准则,在目标子图像内标记出病灶区域;
语音数据录入模块,用于获取病灶区域的病灶特征,并基于病灶特征,生成病灶语音;
匹配判定模块,用于将病灶特征与病灶语音进行一致性匹配,基于匹配结果,生成成功匹配值,并判定是否发出子图像整合提示;
图像整合模块,用于将病灶特征和病灶语音整合到目标子图像中,生成超声诊断图像。
进一步的,图像划分准则为:处于水平相邻位置的两个子图像的面积大小一致,且任意子图像内均包含部分超声区域;
子图像的生成方法包括:
扫描患者的超声图像,获得扫描图像;
标记出扫描图像中两个水平边界的中点,并将两个中点连线后,获得竖直分割线;
通过计算机视觉技术识别扫描图像中的背景区域,并在背景区域的内侧边界绘制出封闭结构的虚线,将虚线内的区域标记为超声区域;
在扫描图像的一侧竖直边界上随机标记个基点,并以基点为起点,绘制出垂直于竖直分割线的/>个水平分割线;
通过个水平分割线和竖直分割线,将扫描图像划分为/>个子图像;
沿竖直方向不断调整个水平分割线的位置,直至/>个子图像内均包含超声区域时停止调整。
进一步的,目标子图像的筛选方法包括:
分别在个子图像内随机标记/>个标记点,并以标记点为圆心,以标记点所在子图像对角线长度的五分之一为半径,绘制出/>个互不相邻的标记圆;
通过医学影像处理技术分别测量个标记圆的扫描回声数据,获得/>个圆回声值;
将个子图像的/>个圆回声值分别累加后求平均,获得/>个子回声值;
子回声值的表达式为:
;
式中,为第/>个子回声值,/>为第/>个子图像的第/>个圆回声值;
将大于预设回声阈值的子回声值标记为目标子回声值,并将目标子回声值所在的子图像标记为目标子图像,获得个目标子图像。
进一步的,标记准则为:任意相邻两个子边界线的弯折夹角的度数均小于45度;
病灶区域的标记方法包括:
以预设长度为半径,在个目标子图像中的超声区域内绘制出/>个检测单位圆;
逐一测量个检测单位圆的扫描回声数据,获得/>个检测回声值;
将大于预设回声安全值的检测回声值对应的检测单位圆标记为异常单位圆,获得个异常单位圆;
在个异常单位圆中构建XY坐标轴,且XY坐标轴的第一象限、第二象限、第三象限和第四象限中异常单位圆的数量均大于预设异常最小值;
以XY坐标轴的原点为基点,以15度的偏转角为标准,依次向第一象限、第二象限、第三象限和第四象限内绘制出射线;
将第一象限、第二象限、第三象限和第四象限内的射线上,且距离XY坐标轴的原点间距最大值对应的异常单位圆标记为边界圆,获得个边界圆;
将个边界圆的圆心标记为边界点,获得/>个边界点,依次将/>个边界点连线,获得/>个子边界线;
分别测量任意相邻两个子边界线之间的弯折夹角的度数;
当任意相邻两个子边界线之间的弯折夹角的度数大于等于45度时,向XY坐标轴的原点所在方向调整其中一个边界点,直至任意相邻两个子边界线之间的弯折夹角的度数小于45度;
将个子边界线依次连接,形成边界线,则边界线内的超声区域标记为病灶区域。
进一步的,病灶特征包括病灶范围、病灶形状、病灶尖锐度、病灶血流信号和病灶回声强度;
病灶尖锐度的获取方法包括:
标记病灶区域的边界线上的尖锐角,并统计尖锐角的总量;
通过比例尺依次测量尖锐角的凸起高度,记为凸起值;
将大于预设凸起高度的凸起值标记为目标凸起值,并将目标凸起值对应的尖锐角标记为目标尖锐角,统计目标尖锐角的数量;
将小于预设凸起下限值的凸起值标记为无效凸起值,并将无效凸起值对应的尖锐角标记为无效尖锐角,统计无效尖锐角的数量;
将尖锐角的总量与无效尖锐角的数量作差比较后,与目标尖锐角的数量比较,获得病灶尖锐度;
病灶尖锐度的表达式为:
;
式中,为病灶尖锐度,/>为目标尖锐角的数量,/>为尖锐角的总量,为无效尖锐角的数量。
进一步的,病灶回声强度的获取方法包括:
按预设边长将病灶区域划分为个小方格;
在个小方格中分别随机标记/>个节点,并测量/>个节点的回声值;
将回声值大于预设回声高值的节点标记为目标节点,并统计目标节点的数量;
将个小方格中目标节点的数量与分别与/>个小方格中节点的数量比较,获得/>个子强度;
子强度的表达式为:
;
式中,为第/>个子强度,/>为第/>个小方格中目标节点的数量,/>为第/>个小方格中节点的数量;
去掉子强度的最大值和最小值,将余下的个子强度累加后求平均,获得病灶回声强度;
病灶回声强度的表达式为:
;
式中,为病灶回声强度,/>为第/>个子强度。
进一步的,病灶语音包括语音1、语音2、语音3、语音4、语音5和语音6;
语音1、语音2、语音3、语音4、语音5和语音6的生成方法包括:
将病灶范围、病灶形状、病灶尖锐度、病灶血流信号和病灶回声强度依次编号,将编号后的病灶范围、病灶形状、病灶尖锐度、病灶血流信号和病灶回声强度分别标记为特征1、特征2、特征3、特征4、特征5和特征6;
识别通过自然语言处理技术逐一识别特征1、特征2、特征3、特征4、特征5和特征6的语义;
通过语音设备分别向特征1、特征2、特征3、特征4、特征5和特征6输入与之语义一致的语音数据;
将输入的语音数据依次升序编号,获得语音1、语音2、语音3、语音4、语音5和语音6。
进一步的,成功匹配值的生成方法包括:
通过自然语言处理技术分别识别语音1、语音2、语音3、语音4、语音5和语音6的语义,获得语音关键字,并以语音数据的编号为基准对语音关键字进行编号;
分别标记出特征1、特征2、特征3、特征4、特征5和特征6的关键字,获得文字关键字,并以病灶特征的编号为基准对文字关键字进行编号;
将编号一致的语音关键字与对应的文字关键字进行编号一致性匹配;
将编号一致的语音关键字与文字关键字标记为成功匹配组,并统计成功匹配组的数量,获得成功匹配值。
进一步的,是否发出目标子图像整合提示的判定方法包括:
当成功匹配值为6时,判定发出目标子图像整合提示;
当成功匹配值小于6时,判定不发出目标子图像整合提示。
进一步的,超声诊断图像的生成方法包括:
构建六个具有第一单元和第二单元的数据集合,并对六个数据集合依次升序编号;
将特征1、特征2、特征3、特征4、特征5和特征6分别导入到与之对应编号的数据集合的第一单元中;
将语音1、语音2、语音3、语音4、语音5和语音6分别导入到与之对应编号的数据集合的第二单元中;
将六个数据集合按照编号升序方式环形排列,并在六个数据集合上分别标记出首连接点和尾连接点;
将位于相邻位置的首连接点和尾连接点连接,生成诊断数据集合;
在诊断数据集合上备注上病灶区域的边界线所在位置,并整合到目标子图像中,获得超声诊断图像。
本发明一种人工智能辅助诊断数据处理***的技术效果和优点:
本发明通过基于图像划分准则,对超声图像进行划分,生成子图像,从子图像中筛选出目标子图像,并基于标记准则,在目标子图像内标记出病灶区域,获取病灶区域的病灶特征,并基于病灶特征,生成病灶语音,将病灶特征与病灶语音进行一致性匹配,基于匹配结果,生成成功匹配值,并判定是否发出子图像整合提示,将病灶特征和病灶语音整合到目标子图像中,生成超声诊断图像;相对于现有技术,能够从超声图像中剔除掉无关的正常组织对应的区域,获取到小面积且精准的病灶区域,避免了无关数据对病灶区域的诊断带来的负面影响,实现了病灶区域的精准识别,同时利用病灶特征和病灶语音的匹配组合,可以对病灶区域的病变信息进行文字数据和语音数据上的双重表示,形成具有语音批注的超声诊断图像,使得医疗人员能够在观察超声诊断图像的同时,通过病灶语音数据了解病灶区域的病变信息,避免了医疗人员的视角在超声图像和文字信息之间反复切换而导致的疲惫感,进而为医疗人员的后续诊断提供了便利。
附图说明
图1为本发明实施例1提供的一种人工智能辅助诊断数据处理***的示意图;
图2为本发明实施例2提供的一种人工智能辅助诊断数据处理方法的流程示意图;
图3为本发明实施例2提供的一种人工智能辅助诊断数据处理方法的逻辑示意图。
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。
实施例1:请参阅图1所示,本实施例所述一种人工智能辅助诊断数据处理***,应用于人工智能服务器,包括:
子图像划分模块,用于基于图像划分准则,对超声图像进行划分,生成子图像;
图像划分准则是用于对超声图像进行小区域独立划分的依据,可以将超声图像划分成多个相对独立且存在关联的子图像,从而实现了超声图像化整为零的操作效果,避免了大面积且整体的超声图像在后续诊断数据处理时带来的计算负担,进而提高了诊断数据处理的速率;
而为了将超声图像进行快速、准确划分,就需要确保子图像之间保持位置和面积的合理和有序,并使得每一个子图像内均包含部分超声区域,进而提高子图像划分的效果;
图像划分准则为:处于水平相邻位置的两个子图像的面积大小一致,且任意子图像内均包含部分超声区域;
子图像的生成方法包括:
扫描患者的超声图像,获得扫描图像;
标记出扫描图像中两个水平边界的中点,并将两个中点连线后,获得竖直分割线;
通过计算机视觉技术识别扫描图像中的背景区域,并在背景区域的内侧边界绘制出封闭结构的虚线,将虚线内的区域标记为超声区域;背景区域是指扫描图像中没有组织参数的区域,通常背景区域为黑色;
在扫描图像的一侧竖直边界上随机标记个基点,并以基点为起点,绘制出垂直于竖直分割线的/>个水平分割线;
通过个水平分割线和竖直分割线,将扫描图像划分为/>个子图像;
沿竖直方向不断调整个水平分割线的位置,直至/>个子图像内均包含超声区域时停止调整;通过调整水平分割线的位置,可以确保划分后的每一个子图像内均含有超声区域,从而保证每一个子图像都能够作为后续目标子图像的筛选依据,避免划分出无用的子图像,提高了子图像的划分精度;
在扫描图像被划分为个子图像后,为了后续方便对/>个子图像进行识别和定位,需要对/>个子图像进行编号标记,而在编号标记时,从扫描图像的左上角对应的子图像作为起点,以扫描图像的右下角对应的子图像为终点,依次对/>个子图像进行升序编号。
病灶区域标记模块,用于从子图像中筛选出目标子图像,并基于标记准则,在目标子图像内标记出病灶区域;
目标子图像是指子图像中超声区域与正常超声区域对比后,对比结果存在异常的子图像,通过筛选出目标子图像,即可获取到病灶区域所处的子图像的初始位置,从而缩小病灶区域的所处范围,剔除掉超声区域为正常状态的子图像,进而降低数据计算量;
目标子图像的筛选方法包括:
分别在个子图像内随机标记/>个标记点,并以标记点为圆心,以标记点所在子图像对角线长度的五分之一为半径,绘制出/>个互不相邻的标记圆;互不相邻的方式可以确保任意标记圆之间不会出现相互干涉的现象,提高每一个标记圆的独立性,从而防止标记圆之间出现数据重合或干涉现象;
通过医学影像处理技术分别测量个标记圆的扫描回声数据,获得/>个圆回声值;
将个子图像的/>个圆回声值分别累加后求平均,获得/>个子回声值;
子回声值的表达式为:
;
式中,为第/>个子回声值,/>为第/>个子图像的第/>个圆回声值;
将大于预设回声阈值的子回声值标记为目标子回声值,并将目标子回声值所在的子图像标记为目标子图像,获得个目标子图像;预设回声阈值是用于对子图像内最大回声值的限定,即可对子图像的属性进行目标子图像和非目标子图像的区分;
当筛选出目标子图像时,需要对目标子图像内的超声区域进行进一步的识别和判断,从而在超声区域中将正常区域与病灶区域进行准确的识别,获得能够直接且直观表示病灶位置的病灶区域,而在对正常区域与病灶区域进行识别时,需要在特定的准则下进行识别和标记,即标记准则;
标记准则为:任意相邻两个子边界线的弯折夹角的度数均小于45度;
病灶区域是指目标子图像内的超声区域中发生病变的区域所在位置,用来对患者的病灶位置进行精准的表示,并可以对患者的病变情况进行精准且详细的表示;
病灶区域的标记方法包括:
以预设长度为半径,在个目标子图像中的超声区域内绘制出/>个检测单位圆;预设长度是用于对目标子图像中检测单位圆半径的限制,确保目标子图像中能够绘制出足量的检测单位圆,从而为后续提供足量的数据支持;预设长度根据实际目标子图像中的长度或宽度制定;示例性的,预设长度为目标子图像中长度的十分之一;
逐一测量个检测单位圆的扫描回声数据,获得/>个检测回声值;
将大于预设回声安全值的检测回声值对应的检测单位圆标记为异常单位圆,获得个异常单位圆;预设回声安全值是指超声区域内属于正常人体组织的最大回声值,即可对子图像内超声区域的回声值进行大小区分,从而为目标子图像的筛选提供数据支持;预设回声安全值通过采集历史大量的超声区域内被判定为正常人员组织的最大回声值后,求其平均值获得的;
在个异常单位圆中构建XY坐标轴,且XY坐标轴的第一象限、第二象限、第三象限和第四象限中异常单位圆的数量均大于预设异常最小值;
以XY坐标轴的原点为基点,以15度的偏转角为标准,依次向第一象限、第二象限、第三象限和第四象限内绘制出射线;
将第一象限、第二象限、第三象限和第四象限内的射线上,且距离XY坐标轴的原点间距最大值对应的异常单位圆标记为边界圆,获得个边界圆;
将个边界圆的圆心标记为边界点,获得/>个边界点,依次将/>个边界点连线,获得/>个子边界线;
分别测量任意相邻两个子边界线之间的弯折夹角的度数;
当任意相邻两个子边界线之间的弯折夹角的度数大于等于45度时,向XY坐标轴的原点所在方向调整其中一个边界点,直至任意相邻两个子边界线之间的弯折夹角的度数小于45度;通过任意相邻两个子边界线之间的弯折夹角的度数小于45度的方式,能够确保获得的病灶区域不会出现弯折幅度过大的现象,确保病灶区域的边界能够保持在合理角度范围下,从而为后续病灶区域的数据采集和计算提供准确的基础;
将个子边界线依次连接,形成边界线,则边界线内的超声区域标记为病灶区域。
语音数据录入模块,用于获取病灶区域的病灶特征,并基于病灶特征,生成病灶语音;
病灶特征是指病灶区域内病变组织的相关超声扫描参数,用来对病灶区域对应的病变组织进行准确的特征表示,从而表示出病变组织的整体大小、形状等性质,进而便于对病灶区域进行全面的数据表示;
病灶特征包括病灶范围、病灶形状、病灶尖锐度、病灶血流信号和病灶回声强度;
病灶范围是指病灶区域对应位置所占据的区域面积,当病灶范围越大,说明病灶区域所占据的区域面积也越大;病灶范围由病灶长度、病灶宽度和病灶厚度组成,病灶长度、病灶宽度和病灶厚度均通过比例尺测量病灶区域的长度、宽度和厚度获得;示例性的,病灶范围为病灶长度32mm、病灶宽度22mm和病灶厚度15mm;
病灶形状是指病灶区域的整体形状所类似的图像形状,用来对病灶区域的整体形状进行表示,病灶形状包括但不限于圆形、椭圆形和长方形;囊肿通常呈圆形或椭圆形,边界清晰;肿瘤可能呈现不规则形状,边界模糊;病灶形状通过计算机视觉技术识别获得;
病灶尖锐度是指病灶区域对应的边界线中出现大于预设凸起高度的尖锐角的数量与所有尖锐角数量的占比大小,当病灶尖锐度越大,说明病灶区域对应的边界线中大于预设凸起高度的尖锐角的数量越多;
病灶尖锐度的获取方法包括:
标记病灶区域的边界线上的尖锐角,并统计尖锐角的总量;
通过比例尺依次测量尖锐角的凸起高度,记为凸起值;
将大于预设凸起高度的凸起值标记为目标凸起值,并将目标凸起值对应的尖锐角标记为目标尖锐角,统计目标尖锐角的数量;预设凸起高度是用于对目标尖锐角的凸起高度的最低限制,从而将尖锐角进行目标尖锐角和非目标尖锐角的有效区分;预设凸起高度通过采集历史大量的被标记为目标尖锐角的凸起高度的最低值后,经由系数优化得到的;
将小于预设凸起下限值的凸起值标记为无效凸起值,并将无效凸起值对应的尖锐角标记为无效尖锐角,统计无效尖锐角的数量;预设凸起下限值是用于对尖锐角能否纳入计算的凸起高度的最低限制,即可将尖锐角进行无效尖锐角的准确区分;预设凸起下限值通过采集历史大量的无效尖锐角的最大凸起高度后,求其平均值获得的;
将尖锐角的总量与无效尖锐角的数量作差比较后,与目标尖锐角的数量比较,获得病灶尖锐度;
病灶尖锐度的表达式为:
;
式中,为病灶尖锐度,/>为目标尖锐角的数量,/>为尖锐角的总量,为无效尖锐角的数量;
病灶血流信号是指病灶区域对应位置中组织内的血流信号的强弱程度,肿瘤通常有增强的血流信号,而囊肿则通常无明显血流;病灶血流信号包括但不限于血流速度、血流分布和血流方向;
病灶回声强度是指病灶区域对应位置的病变组织中目标节点的数量与所有节点数量的占比大小,即可对病灶区域中存在高回声值的组织位置进行识别;
病灶回声强度的获取方法包括:
按预设边长将病灶区域划分为个小方格;预设边长是用于对小方格边长的限制,以确保病灶区域可以划分成足量的小方格,并提供给后续足量的计算基础;预设边长根据实际病灶区域的宽度进行制定,示例性的,预设边长为病灶区域宽度的十二分之一;
在个小方格中分别随机标记/>个节点,并测量/>个节点的回声值;
将回声值大于预设回声高值的节点标记为目标节点,并统计目标节点的数量;预设回声高值是用于对目标节点的回声值的最低限定,即可将节点划分为目标节点和非目标节点;预设回声高值通过采集历史大量的目标节点对应的回声值的最小值后,经由系数优化得到的;
将个小方格中目标节点的数量与分别与/>个小方格中节点的数量比较,获得/>个子强度;
子强度的表达式为:
;
式中,为第/>个子强度,/>为第/>个小方格中目标节点的数量,/>为第个小方格中节点的数量;
去掉子强度的最大值和最小值,将余下的个子强度累加后求平均,获得病灶回声强度;
病灶回声强度的表达式为:
;
式中,为病灶回声强度,/>为第/>个子强度;
当获取到病灶区域的病灶特征后,需要根据获取到的病灶特征,生成与之相适应的病灶语音,从而使得病灶语音能够从语音数据上对病灶区域的病灶特征进行表示,弥补了文字数据对病灶特征表示导致的不足;
病灶语音包括语音1、语音2、语音3、语音4、语音5和语音6;
语音1、语音2、语音3、语音4、语音5和语音6的生成方法包括:
将病灶范围、病灶形状、病灶尖锐度、病灶血流信号和病灶回声强度依次编号,将编号后的病灶范围、病灶形状、病灶尖锐度、病灶血流信号和病灶回声强度分别标记为特征1、特征2、特征3、特征4、特征5和特征6;
识别通过自然语言处理技术逐一识别特征1、特征2、特征3、特征4、特征5和特征6的语义;
通过语音设备分别向特征1、特征2、特征3、特征4、特征5和特征6输入与之语义一致的语音数据;
将输入的语音数据依次升序编号,获得语音1、语音2、语音3、语音4、语音5和语音6。
匹配判定模块,用于将病灶特征与病灶语音进行一致性匹配,基于匹配结果,生成成功匹配值,并判定是否发出目标子图像整合提示;
当生成病灶特征和病灶语音后,需要将病灶特征和病灶语音进行一致性匹配,一致性匹配是用于将不同编号的病灶特征和病灶语音进行编号一致对比的操作,从而能够判断病灶特征和病灶语音的编号是否一致,进而对病灶特征和病灶语音的表示意思进行匹配;
匹配指数是用于对病灶特征和病灶语音一致性匹配结果的数值表示,可以能够对病灶特征和病灶语音匹配成功的数量进行直观了解,并作为后续是否发出目标子图像整合提示的基础;
成功匹配值的生成方法包括:
通过自然语言处理技术分别识别语音1、语音2、语音3、语音4、语音5和语音6的语义,获得语音关键字,并以语音数据的编号为基准对语音关键字进行编号;语音关键字包括第一语音关键字、第二语音关键字、第三语音关键字、第四语音关键字、第五语音关键字和第六语音关键字;
分别标记出特征1、特征2、特征3、特征4、特征5和特征6的关键字,获得文字关键字,并以病灶特征的编号为基准对文字关键字进行编号;文字关键字包括第一文字关键字、第二文字关键字、第三文字关键字、第四文字关键字、第五文字关键字和第六文字关键字;
将编号一致的语音关键字与对应的文字关键字进行编号一致性匹配;
将编号一致的语音关键字与文字关键字标记为成功匹配组,并统计成功匹配组的数量,获得成功匹配值;
而当病灶特征和病灶语音进行编号一致性匹配后,需要根据成功匹配值的大小,判断病灶特征和病灶语音是否进行了匹配,并根据成功匹配值的结果,判定是否发出目标子图像整合提示;
是否发出目标子图像整合提示的判定方法包括:
当成功匹配值为6时,说明所有的病灶语音和病灶特征的编号匹配结果均一致,此时所有的病灶语音和病灶特征均匹配一致,则判定发出目标子图像整合提示;
当成功匹配值小于6时,说明存在病灶语音和病灶特征的编号匹配结果不一致的情况,此时并不是所有的病灶语音和病灶特征均匹配一致,则判定不发出目标子图像整合提示;
图像整合模块,用于将病灶特征和病灶语音整合到目标子图像中,生成超声诊断图像;
当发出子图像整合提示时,说明所有的病灶语音和病灶特征的编号匹配结果均一致,此时针对病灶区域的病灶特征和病灶语音都已经具备且完善,则需要将病灶特征和病灶语音整合到目标子图像中,即可获得超声诊断图像,使得超声诊断图像能够在文字和语音对病灶区域进行表示,为后续医疗人员的诊断提供便捷且准确的依据;
超声诊断图像的生成方法包括:
构建六个具有第一单元和第二单元的数据集合,并对六个数据集合依次升序编号;
将特征1、特征2、特征3、特征4、特征5和特征6分别导入到与之对应编号的数据集合的第一单元中;
将语音1、语音2、语音3、语音4、语音5和语音6分别导入到与之对应编号的数据集合的第二单元中;
将六个数据集合按照编号升序方式环形排列,并在六个数据集合上分别标记出首连接点和尾连接点;
将位于相邻位置的首连接点和尾连接点连接,生成诊断数据集合;首连接点和尾连接点连接的方式,可以在相邻位置的数据集合之间构建数据传输的通道,使得相邻数据集合之间能够保持数据的交互,从而可以通过其中任何一个数据集合查询到与之相关联的其他数据集合,提高了数据集合内数据查询的便捷性;
在诊断数据集合上备注上病灶区域的边界线所在位置,并整合到目标子图像中,获得超声诊断图像。
将上述实施例1的技术方案应用到实际的医疗超声图像的诊断当中,并针对100张超声图像进行了100组的医疗诊断实验,通过100组的医疗诊断实验的实验数据,获得100组第一医疗诊断时间和第一医疗诊断准确度,同时采用现有技术中对相同100张超声图像进行100组的医疗诊断实验,获得100组第二医疗诊断时间和第二医疗诊断准确度,将100组第一医疗诊断时间和第一医疗诊断准确度和100组第二医疗诊断时间和第二医疗诊断准确度比对后可知,第一医疗诊断时间小于第二医疗诊断时间的组数为99组,第一医疗诊断准确度大于第二医疗诊断准确度的组数为100组,则表明采用本实施例1中的技术方案后,能够降低医疗人员对超声图像的医疗诊断时间,同时提高医疗诊断准确度。
本实施例中,通过基于图像划分准则,对超声图像进行划分,生成子图像,从子图像中筛选出目标子图像,并基于标记准则,在目标子图像内标记出病灶区域,获取病灶区域的病灶特征,并基于病灶特征,生成病灶语音,将病灶特征与病灶语音进行一致性匹配,基于匹配结果,生成成功匹配值,并判定是否发出目标子图像整合提示,将病灶特征和病灶语音整合到目标子图像中,生成超声诊断图像;相对于现有技术,能够从超声图像中剔除掉无关的正常组织对应的区域,获取到小面积且精准的病灶区域,避免了无关数据对病灶区域的诊断带来的负面影响,实现了病灶区域的精准识别,同时利用病灶特征和病灶语音的匹配组合,可以对病灶区域的病变信息进行文字数据和语音数据上的双重表示,形成具有语音批注的超声诊断图像,使得医疗人员能够在观察超声诊断图像的同时,通过病灶语音数据了解病灶区域的病变信息,避免了医疗人员的视角在超声图像和文字信息之间反复切换而导致的疲惫感,进而为医疗人员的后续诊断提供了便利,降低了误诊的概率。
实施例2:请参阅图2-图3所示,本实施例未详细叙述部分见实施例1描述内容,提供一种人工智能辅助诊断数据处理方法,应用于人工智能服务器,基于一种人工智能辅助诊断数据处理***实现,包括:
S1:基于图像划分准则,对超声图像进行划分,生成子图像;
S2:从子图像中筛选出目标子图像,并基于标记准则,在目标子图像内标记出病灶区域;
S3:获取病灶区域的病灶特征,并基于病灶特征,生成病灶语音;
S4:将病灶特征与病灶语音进行一致性匹配,基于匹配结果,生成成功匹配值,并判定是否发出目标子图像整合提示;若发出目标子图像整合提示,执行S5;若不发出目标子图像整合提示,重复执行S4;
S5:将病灶特征和病灶语音整合到目标子图像中,生成超声诊断图像。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种人工智能辅助诊断数据处理***,应用于人工智能服务器,其特征在于,包括:
子图像划分模块,用于基于图像划分准则,对超声图像进行划分,生成子图像;
图像划分准则为:处于水平相邻位置的两个子图像的面积大小一致,且任意子图像内均包含部分超声区域;
子图像的生成方法包括:
扫描患者的超声图像,获得扫描图像;
标记出扫描图像中两个水平边界的中点,并将两个中点连线后,获得竖直分割线;
通过计算机视觉技术识别扫描图像中的背景区域,并在背景区域的内侧边界绘制出封闭结构的虚线,将虚线内的区域标记为超声区域;
在扫描图像的一侧竖直边界上随机标记个基点,并以基点为起点,绘制出垂直于竖直分割线的/>个水平分割线;
通过个水平分割线和竖直分割线,将扫描图像划分为/>个子图像;
沿竖直方向不断调整个水平分割线的位置,直至/>个子图像内均包含超声区域时停止调整;
病灶区域标记模块,用于从子图像中筛选出目标子图像,并基于标记准则,在目标子图像内标记出病灶区域;
标记准则为:任意相邻两个子边界线的弯折夹角的度数均小于45度;
病灶区域的标记方法包括:
以预设长度为半径,在个目标子图像中的超声区域内绘制出/>个检测单位圆;
逐一测量个检测单位圆的扫描回声数据,获得/>个检测回声值;
将大于预设回声安全值的检测回声值对应的检测单位圆标记为异常单位圆,获得个异常单位圆;
在个异常单位圆中构建XY坐标轴,且XY坐标轴的第一象限、第二象限、第三象限和第四象限中异常单位圆的数量均大于预设异常最小值;
以XY坐标轴的原点为基点,以15度的偏转角为标准,依次向第一象限、第二象限、第三象限和第四象限内绘制出射线;
将第一象限、第二象限、第三象限和第四象限内的射线上,且距离XY坐标轴的原点间距最大值对应的异常单位圆标记为边界圆,获得个边界圆;
将个边界圆的圆心标记为边界点,获得/>个边界点,依次将/>个边界点连线,获得个子边界线;
分别测量任意相邻两个子边界线之间的弯折夹角的度数;
当任意相邻两个子边界线之间的弯折夹角的度数大于或等于45度时,向XY坐标轴的原点所在方向调整其中一个边界点,直至任意相邻两个子边界线之间的弯折夹角的度数小于45度;
将个子边界线依次连接,形成边界线,则边界线内的超声区域标记为病灶区域;
语音数据录入模块,用于获取病灶区域的病灶特征,并基于病灶特征,生成病灶语音;
匹配判定模块,用于将病灶特征与病灶语音进行一致性匹配,基于匹配结果,生成成功匹配值,并判定是否发出子图像整合提示;
图像整合模块,用于将病灶特征和病灶语音整合到目标子图像中,生成超声诊断图像。
2.根据权利要求1所述的一种人工智能辅助诊断数据处理***,其特征在于,所述目标子图像的筛选方法包括:
分别在个子图像内随机标记/>个标记点,并以标记点为圆心,以标记点所在子图像对角线长度的五分之一为半径,绘制出/>个互不相邻的标记圆;
通过医学影像处理技术分别测量个标记圆的扫描回声数据,获得/>个圆回声值;
将个子图像的/>个圆回声值分别累加后求平均,获得/>个子回声值;
子回声值的表达式为:
;
式中,为第/>个子回声值,/>为第/>个子图像的第/>个圆回声值;
将大于预设回声阈值的子回声值标记为目标子回声值,并将目标子回声值所在的子图像标记为目标子图像,获得个目标子图像。
3.根据权利要求2所述的一种人工智能辅助诊断数据处理***,其特征在于,所述病灶特征包括病灶范围、病灶形状、病灶尖锐度、病灶血流信号和病灶回声强度;
病灶尖锐度的获取方法包括:
标记病灶区域的边界线上的尖锐角,并统计尖锐角的总量;
通过比例尺依次测量尖锐角的凸起高度,记为凸起值;
将大于预设凸起高度的凸起值标记为目标凸起值,并将目标凸起值对应的尖锐角标记为目标尖锐角,统计目标尖锐角的数量;
将小于预设凸起下限值的凸起值标记为无效凸起值,并将无效凸起值对应的尖锐角标记为无效尖锐角,统计无效尖锐角的数量;
将尖锐角的总量与无效尖锐角的数量作差比较后,与目标尖锐角的数量比较,获得病灶尖锐度;
病灶尖锐度的表达式为:
;
式中,为病灶尖锐度,/>为目标尖锐角的数量,/>为尖锐角的总量,/>为无效尖锐角的数量。
4.根据权利要求3所述的一种人工智能辅助诊断数据处理***,其特征在于,所述病灶回声强度的获取方法包括:
按预设边长将病灶区域划分为个小方格;
在个小方格中分别随机标记/>个节点,并测量/>个节点的回声值;
将回声值大于预设回声高值的节点标记为目标节点,并统计目标节点的数量;
将个小方格中目标节点的数量与分别与/>个小方格中节点的数量比较,获得/>个子强度;
子强度的表达式为:
;
式中,为第/>个子强度,/>为第/>个小方格中目标节点的数量,/>为第/>个小方格中节点的数量;
去掉子强度的最大值和最小值,将余下的个子强度累加后求平均,获得病灶回声强度;
病灶回声强度的表达式为:
;
式中,为病灶回声强度,/>为第/>个子强度。
5.根据权利要求4所述的一种人工智能辅助诊断数据处理***,其特征在于,所述病灶语音包括语音1、语音2、语音3、语音4、语音5和语音6;
语音1、语音2、语音3、语音4、语音5和语音6的生成方法包括:
将病灶范围、病灶形状、病灶尖锐度、病灶血流信号和病灶回声强度依次编号,将编号后的病灶范围、病灶形状、病灶尖锐度、病灶血流信号和病灶回声强度分别标记为特征1、特征2、特征3、特征4、特征5和特征6;
识别通过自然语言处理技术逐一识别特征1、特征2、特征3、特征4、特征5和特征6的语义;
通过语音设备分别向特征1、特征2、特征3、特征4、特征5和特征6输入与之语义一致的语音数据;
将输入的语音数据依次升序编号,获得语音1、语音2、语音3、语音4、语音5和语音6。
6.根据权利要求5所述的一种人工智能辅助诊断数据处理***,其特征在于,所述成功匹配值的生成方法包括:
通过自然语言处理技术分别识别语音1、语音2、语音3、语音4、语音5和语音6的语义,获得语音关键字,并以语音数据的编号为基准对语音关键字进行编号;
分别标记出特征1、特征2、特征3、特征4、特征5和特征6的关键字,获得文字关键字,并以病灶特征的编号为基准对文字关键字进行编号;
将编号一致的语音关键字与对应的文字关键字进行编号一致性匹配;
将编号一致的语音关键字与文字关键字标记为成功匹配组,并统计成功匹配组的数量,获得成功匹配值。
7.根据权利要求6所述的一种人工智能辅助诊断数据处理***,其特征在于,所述是否发出目标子图像整合提示的判定方法包括:
当成功匹配值为6时,判定发出目标子图像整合提示;
当成功匹配值小于6时,判定不发出目标子图像整合提示。
8.根据权利要求7所述的一种人工智能辅助诊断数据处理***,其特征在于,所述超声诊断图像的生成方法包括:
构建六个具有第一单元和第二单元的数据集合,并对六个数据集合依次升序编号;
将特征1、特征2、特征3、特征4、特征5和特征6分别导入到与之对应编号的数据集合的第一单元中;
将语音1、语音2、语音3、语音4、语音5和语音6分别导入到与之对应编号的数据集合的第二单元中;
将六个数据集合按照编号升序方式环形排列,并在六个数据集合上分别标记出首连接点和尾连接点;
将位于相邻位置的首连接点和尾连接点连接,生成诊断数据集合;
在诊断数据集合上备注上病灶区域的边界线所在位置,并整合到目标子图像中,获得超声诊断图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410446277.0A CN118039088B (zh) | 2024-04-15 | 2024-04-15 | 一种人工智能辅助诊断数据处理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410446277.0A CN118039088B (zh) | 2024-04-15 | 2024-04-15 | 一种人工智能辅助诊断数据处理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118039088A CN118039088A (zh) | 2024-05-14 |
CN118039088B true CN118039088B (zh) | 2024-06-07 |
Family
ID=90991817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410446277.0A Active CN118039088B (zh) | 2024-04-15 | 2024-04-15 | 一种人工智能辅助诊断数据处理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118039088B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961207A (zh) * | 2018-05-02 | 2018-12-07 | 上海大学 | 基于多模态超声图像的***良恶性病变辅助诊断方法 |
CN113034489A (zh) * | 2021-04-16 | 2021-06-25 | 南方医科大学第五附属医院 | 基于深度学习的人工智能鼻窦ct图像处理*** |
CN114491072A (zh) * | 2022-01-28 | 2022-05-13 | 上海国民集团健康科技有限公司 | 一种中医数据处理***、方法、存储介质及终端 |
CN117150057A (zh) * | 2022-05-15 | 2023-12-01 | 曹庆恒 | 一种医学影像存储方法、装置、计算机设备和存储介质 |
CN117274603A (zh) * | 2023-10-12 | 2023-12-22 | 飞依诺科技股份有限公司 | 基于语义分割网络的肝脏病灶图像描述方法 |
CN117438056A (zh) * | 2023-12-20 | 2024-01-23 | 达州市中心医院(达州市人民医院) | 用于消化内镜影像数据的编辑筛选与存储控制方法和*** |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2589250B (en) * | 2018-06-15 | 2023-03-08 | Canon Kk | Medical image processing apparatus, medical image processing method and program |
JP7229881B2 (ja) * | 2018-08-14 | 2023-02-28 | キヤノン株式会社 | 医用画像処理装置、学習済モデル、医用画像処理方法及びプログラム |
US11375984B2 (en) * | 2018-08-31 | 2022-07-05 | Seno Medical Instruments, Inc. | Method and system for managing feature reading and scoring in ultrasound and/or optoacoustic images |
CN109872312B (zh) * | 2019-02-15 | 2022-12-20 | 腾讯科技(深圳)有限公司 | 医学图像分割方法、装置、***及图像分割方法 |
EP3751582B1 (en) * | 2019-06-13 | 2024-05-22 | Canon Medical Systems Corporation | Radiotherapy system, and therapy planning method |
CN110211171A (zh) * | 2019-06-18 | 2019-09-06 | 华志微创医疗科技(北京)有限公司 | 从医学影像中提取病灶区域的方法及装置 |
EP4038622A4 (en) * | 2019-10-01 | 2023-11-01 | Sirona Medical, Inc. | AI-ASSISTED MEDICAL IMAGE INTERPRETATION AND REPORT GENERATION |
US11969280B2 (en) * | 2020-01-07 | 2024-04-30 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
JP2023519878A (ja) * | 2020-03-27 | 2023-05-15 | ホロジック, インコーポレイテッド | 複数のイメージングモダリティにおける関心領域を相関させるためのシステムおよび方法 |
KR102150647B1 (ko) * | 2020-04-16 | 2020-09-02 | 주식회사 딥노이드 | 의료영상 판독을 위한 인공지능 기반의 클라우드 플랫폼 시스템 |
CN114068002A (zh) * | 2020-08-07 | 2022-02-18 | 四川医枢科技股份有限公司 | 乳腺及甲状腺肿瘤临床决策、教学、科研辅助支持***及方法 |
CN112401915A (zh) * | 2020-11-19 | 2021-02-26 | 华中科技大学同济医学院附属协和医院 | 一种新冠肺炎ct复查的图像融合比对方法 |
WO2022212771A2 (en) * | 2021-03-31 | 2022-10-06 | Sirona Medical, Inc. | Systems and methods for artificial intelligence-assisted image analysis |
CN117836870A (zh) * | 2021-07-04 | 2024-04-05 | Ai瓦力股份有限公司 | 用于实时处理医学图像的***和方法 |
CN116128783A (zh) * | 2021-11-08 | 2023-05-16 | 海信集团控股股份有限公司 | 一种超声图像的病灶识别方法及相关装置 |
CN115619760A (zh) * | 2022-11-02 | 2023-01-17 | 北京医银人工智能科技有限公司 | 人工智能甲状腺超声诊断***及装置 |
CN116740041B (zh) * | 2023-06-27 | 2024-04-26 | 新疆生产建设兵团医院 | 基于机器视觉的cta扫描图像分析***及其方法 |
CN117727300A (zh) * | 2023-12-13 | 2024-03-19 | 四川大学华西医院 | 语音信息处理方法及装置 |
CN117454856B (zh) * | 2023-12-22 | 2024-04-16 | 达州爱迦飞诗特科技有限公司 | 基于线上点对点模式的医疗诊断数据编辑方法和*** |
CN117496277B (zh) * | 2024-01-02 | 2024-03-12 | 达州市中心医院(达州市人民医院) | 基于人工智能的直肠癌影像数据建模处理方法和*** |
-
2024
- 2024-04-15 CN CN202410446277.0A patent/CN118039088B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961207A (zh) * | 2018-05-02 | 2018-12-07 | 上海大学 | 基于多模态超声图像的***良恶性病变辅助诊断方法 |
CN113034489A (zh) * | 2021-04-16 | 2021-06-25 | 南方医科大学第五附属医院 | 基于深度学习的人工智能鼻窦ct图像处理*** |
CN114491072A (zh) * | 2022-01-28 | 2022-05-13 | 上海国民集团健康科技有限公司 | 一种中医数据处理***、方法、存储介质及终端 |
CN117150057A (zh) * | 2022-05-15 | 2023-12-01 | 曹庆恒 | 一种医学影像存储方法、装置、计算机设备和存储介质 |
CN117274603A (zh) * | 2023-10-12 | 2023-12-22 | 飞依诺科技股份有限公司 | 基于语义分割网络的肝脏病灶图像描述方法 |
CN117438056A (zh) * | 2023-12-20 | 2024-01-23 | 达州市中心医院(达州市人民医院) | 用于消化内镜影像数据的编辑筛选与存储控制方法和*** |
Non-Patent Citations (6)
Title |
---|
Dai Fei,等.Deep Learning Based Real-time Segmentation in Ultrasonic Imaging Following the Doctor's Voice Guide.INTERNATIONAL ULTRASONICS SYMPOSIUM (IEEE IUS 2021).2022,1-4. * |
TBUnet: A Pure Convolutional U-Net Capable of Multifaceted Feature Extraction for Medical Image Segmentation;Chen LiFang,等;JOURNAL OF MEDICAL SYSTEMS;20231214;第47卷(第1期);1-16 * |
医学超声图像分割技术的研究及发展趋势;王琳璐,等;影像研究与医学应用;20181215;第2卷(第24期);252-254 * |
基于深度学习的肝小叶自动分割及定量分析;曾凡新;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20230115(第01期);E064-118 * |
甲状腺、乳腺超声影像自动分析技术综述;龚勋;杨菲;杜章锦;师恩;赵绪;杨子奇;邹海鹏;罗俊;;软件学报;20200715(第07期);2245-2282 * |
肖俊杰.《生命智能》.上海大学出版社,2022,128-129. * |
Also Published As
Publication number | Publication date |
---|---|
CN118039088A (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060774B (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
CN106909778B (zh) | 一种基于深度学习的多模态医学影像识别方法及装置 | |
CN109190540B (zh) | 活检区域预测方法、图像识别方法、装置和存储介质 | |
CN109858540B (zh) | 一种基于多模态融合的医学图像识别***及方法 | |
CN110338844A (zh) | 三维成像数据的显示处理方法和三维超声成像方法及*** | |
CN111227864A (zh) | 使用超声图像利用计算机视觉进行病灶检测的方法与装置 | |
WO2021208739A1 (zh) | 眼底彩照图像血管评估方法、装置、计算机设备和介质 | |
Turuwhenua et al. | Fully automated montaging of laser scanning in vivo confocal microscopy images of the human corneal subbasal nerve plexus | |
CN111340827A (zh) | 一种肺部ct影像数据处理分析方法及*** | |
CN109117890A (zh) | 一种图像分类方法、装置和存储介质 | |
CN113040823B (zh) | 一种超声成像设备及超声图像的分析方法 | |
CN113485555A (zh) | 医学影像阅片方法、电子设备和存储介质 | |
US20080273775A1 (en) | Cartesian human morpho-informatic system | |
CN112863699B (zh) | 一种基于移动端的esd术前讨论*** | |
CN118039088B (zh) | 一种人工智能辅助诊断数据处理*** | |
US20230214970A1 (en) | Skin surface analysis device and skin surface analysis method | |
CN110403631A (zh) | 一种基于连续超声图像的无创颅内压测量方法 | |
Zhou et al. | Computer aided diagnosis for diabetic retinopathy based on fundus image | |
CN112037218B (zh) | 一种基于ct影像的新冠肺炎量化分析方法 | |
CN115063395A (zh) | 一种超声图像处理方法、装置、设备及介质 | |
CN106204609B (zh) | 共聚焦激光显微内镜肺部影像的处理和分析***及方法 | |
CN117982106B (zh) | 一种基于mri图像的乳腺癌化疗疗效预测***及方法 | |
US11839428B1 (en) | Method for analyzing distribution of retinal lesions in mouse model | |
CN116188499B (zh) | 一种用于肺部超声图像的分割方法 | |
CN116196034B (zh) | 一种超声成像方法及*** |
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 |