TWI836926B - 應用多面向並聯ai判讀架構判讀卵巢惡性腫瘤之方法 - Google Patents
應用多面向並聯ai判讀架構判讀卵巢惡性腫瘤之方法 Download PDFInfo
- Publication number
- TWI836926B TWI836926B TW112107876A TW112107876A TWI836926B TW I836926 B TWI836926 B TW I836926B TW 112107876 A TW112107876 A TW 112107876A TW 112107876 A TW112107876 A TW 112107876A TW I836926 B TWI836926 B TW I836926B
- Authority
- TW
- Taiwan
- Prior art keywords
- malignant
- benign
- slice
- image data
- section
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 17
- 206010033128 Ovarian cancer Diseases 0.000 title claims description 12
- 230000003211 malignant effect Effects 0.000 claims abstract description 99
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000002360 preparation method Methods 0.000 claims abstract description 5
- 201000011510 cancer Diseases 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 18
- 238000012216 screening Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 8
- 238000005520 cutting process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 206010061535 Ovarian neoplasm Diseases 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002271 resection Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本發明依序包括準備步驟、判斷影像資料有效或無效步驟、有效影像資料分類步驟、依分類進行良惡性判斷步驟及完成步驟,進而設一切片初步處理部接收至少二影像資料,並當判斷影像資料為有效切片資料時,即傳送至一切片分類部。切片分類部將有效切片資料依切片型態分類為橫切、縱切、冠切其中一者,並分別傳送至一橫切良惡性判斷部、一縱切良惡性判斷部及一冠切良惡性判斷部;當橫切、縱切與冠切良惡性判斷部其中任一者之輸出結果為惡性時,則顯示「惡性」之訊號;否則顯示「良性」之訊號。本案兼具利用人工智慧(AI)可以輔助醫師判別、多面向綜合判斷之高準確性,及可進行初步篩檢等優點。
Description
本發明係有關一種應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法,尤指一種兼具利用人工智慧(AI)可以輔助醫師判別,及多面向之綜合判斷可提高準確性之準確性高之應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法。
公知對醫學之影像資料(可包含序列之電腦斷層切片資料、核磁共振切片資料或其他類型影像等)之判讀,多半為醫師人工目視判讀居多,如此,在一天看診人數眾多的情況下,加上影像資料若有影像不清的問題時,即可能造成誤判。此外,前述影像資料中可能有許多細微的影像特徵,人眼目視判別極為困難,也是另一問題。
有鑑於此,必須研發出可解決上述習用缺點之技術。
本發明之目的,在於提供一種應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法,其兼具利用人工智慧(AI)可以輔助醫師判別、多面向綜合判斷之高準確性,及可進行初步篩檢等優點。特別是,本發明所欲解決之問題係在於公知對醫學之影像資料之判讀,多半為醫師人工目視判讀居多,如此,在一天看診人數眾多的情況下,加上影像資料若有影像不清的問題時,即可能造成誤判。
此外,前述影像資料中可能有許多細微的影像特徵,人眼目視判別極為困難,也是另一問題。
解決上述問題之技術手段係提供一種應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法,其包括下列步驟:一、準備步驟;二、判斷影像資料有效或無效步驟;三、有效影像資料分類步驟;四、依分類進行良惡性判斷步驟;及五、完成步驟。
本發明之上述目的與優點,不難從下述所選用實施例之詳細說明與附圖中,獲得深入瞭解。
茲以下列實施例並配合圖式詳細說明本發明於後:
10:切片初步處理部
20:切片分類部
30:橫切良惡性判斷部
40:縱切良惡性判斷部
50:冠切良惡性判斷部
S1:準備步驟
S2:判斷影像資料有效或無效步驟
S3:有效影像資料分類步驟
S4:依分類進行良惡性判斷步驟
S5:完成步驟
M1:橫切
M2:縱切
M3:冠切
L1:曲線
P:參考點
第1圖係本發明之流程圖。
第2圖係本發明之方塊圖。
第3圖係本發明之實驗結果之混淆矩陣圖。
第4圖係第3圖之陽性與陰性之對應關係之混淆矩陣圖。
第5圖係本發明之ROC、TPR及FPR之對應關係之曲線圖。
第6A圖係本發明之橫切良性之影像資料之參考CT片。
第6B圖係本發明之橫切惡性之影像資料之參考CT片。
第7A圖係本發明之縱切良性之影像資料之參考CT片。
第7B圖係本發明之縱切惡性之影像資料之參考CT片。
第8A圖係本發明之冠切良性之影像資料之參考CT片。
第8B圖係本發明之冠切惡性之影像資料之參考CT片。
參閱第1及第2圖,本發明係為一種應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法,其包括下列步驟:
一、準備步驟S1:準備一切片初步處理部10、一切片分類部20、一橫切(Transverse)良惡性判斷部30、一縱切(Sagittal)良惡性判斷部40及一冠切(Coronal)良惡性判斷部50。其中,該切片初步處理部10、該切片分類部20、該橫切良惡性判斷部30、該縱切良惡性判斷部40及該冠切良惡性判斷部50係預先經AI訓練完成者。
已知的AI訓練方式為既有技術(恕不詳述),簡言之,典型已知的AI訓練過程包括:1.資料收集(例如收集CT資料);2.資料前處理(資料集切割/影像旋轉);3.訓練模型;4.成效評估(混淆矩陣/其他評估方式);5.調整參數,此步驟進一步再細分為:a.會先回到前面步驟,直到得到滿意的成效才進入結果推論、b.調整參數(若前步驟之成效不滿意時)的方法主要是從學習率、一次訓練的量下手;6.結果推論/分析。
更詳細的說,關於前述之AI訓練過程,可使用的模型是VGG16/VGG19,兩者差異只有捲積層數的不同;又,其優化策略函數我們是用Adam,損失函數是用sparse categorical crossentropy,因為是很常見的模型及訓練策略,恕不贅述。關於使用套件,例如可用:Tensorflow(Google)、Keras(François Chollet)、Sklearn(David Cournapeau)、Numpy(Travis Oliphant)等,均為已知技術。
二、判斷影像資料有效或無效步驟S2:該切片初步處理部10係用以接收至少二影像資料,並判斷該至少二影像資料為有效影像資料、無效影像資料其中一者;並將有效影像資料傳送至該切片分類部20。其中,當該影像資料之影像中不包含人體皮膚內之腔體時,則被判斷屬於無效影像資料;反之,則被判斷屬於有效影像資料。
三、有效影像資料分類步驟S3:該切片分類部20係用以接收該有效影像資料,並依切片型態分類為橫切M1、縱切M2、冠切M3其中一者。再分別對應傳送至橫切良惡性判斷部30、該縱切良惡性判斷部40、該冠切良惡性判斷部50其中至少一者。
四、依分類進行良惡性判斷步驟S4:
[a]當該有效影像資料為該橫切M1,則該橫切良惡性判斷部30係用以判斷其為惡性、良性其中一者。
[b]當該有效影像資料為該縱切M2,則該縱切良惡性判斷部40係用以判斷其為惡性、良性其中一者。
[c]當該有效影像資料為該冠切M3,則該冠切良惡性判斷部50係用以判斷其為惡性、良性其中一者。
五、完成步驟S5:當以該橫切良惡性判斷部30、該縱切良惡性判斷部40及該冠切良惡性判斷部50構成『並聯架構』,且其中至少一者之輸出結果為惡性時,則顯示「惡性」之訊號;否則顯示「良性」之訊號。
其中,該切片初步處理部10係用以接收至少二影像資料,其切片型態分類為該橫切M1、該縱切M2、該冠切M3其中之至少二者;當然,若前述之切片型態分類為該橫切M1、該縱切M2及該冠切M3三者則更佳。
實務上,該影像資料可為電腦斷層掃描(英文為Computerized Tomography,簡稱CT)影像資料、核磁共振(英文為Magnetic Resonance Imaging,簡稱MRI)切片資料或其他類型之切片資料。
此外,該橫切良惡性判斷部30之功能是用來判斷某一影像資料是屬於惡性或良性。所以,在預先訓練時,會先由專科醫師挑選出N張橫切良性的影像資料(參考第6A圖)及N張橫切惡性的影像資料(參考第6B圖),經AI訓練後而得到該橫切良惡性判斷部30。同理,亦由專科醫師挑選出N張縱切良性的影像資料(參考第7A圖)及N張縱切惡性的影像資料(參考第7B圖),經AI訓練後而得到該縱切良惡性判斷部40。再由專科醫師挑選出N張冠切良性的影像資料(參考第8A圖)及N張冠切惡性的影像資料(參考第8B圖),經AI訓練後得到該縱切良惡性判斷部50。
當然,關於該切片初步處理部10及該切片分類部20之預先訓練過程,亦可如前述,先提供N張影像資料,接著由專科醫師先區分可用(符合標準)與不可用(模糊或是不符合標準)之影像資料(即為該切片初步處理部10),再來,亦由專利醫師將可用的N張影像資料區分為該橫切M1、該縱切M2或是該冠切M3(亦即該切片分類部20),即完成預先訓練。
更詳細的說,當該影像資料之影像中不包含人體皮膚內之腔體時(例如:縱切時僅切到人體皮膚左右兩側之外的空氣、冠切時僅切到人體肚皮上方之空氣、冠切時僅切到人體背部下方之床板或直立背板),則被判斷屬於無效影像資料;反之,則被判斷屬於有效影像資料。
參閱第3圖,其為上述系統之某一實驗結果後產生之混淆矩陣:其中:
右下為真陰(True Negative,TN),數值為0.764;左下為偽陽(False Positive,FP),數值為0.236;右上為偽陰(False Negative,FN),數值為0.099;及左上為真陽(True Positive,TP),數值為0.901。
其陰性及陽性之對應關係則可參閱第4圖:當實際值1,則實際上是陽性;當實際值0,則實際上是陰性;當預測值1,則預測是陽性;及當預測值0,則預測是陰性。
其中:平均率:將所有類別的權重都設相同;及加權平均:是按類別的數量不同給予不同的權重。
其中,精確率愈高,表示模型預測較為保守。
其中,召回率愈高,表示模型在輸入之影像資料中正確預測之比例愈高。
其中,F 1 -計分為精確率與召回率之調和平均數。
錯誤預測率(False predict rate,簡稱FPR):模型預測為實際陰性中之偽陽(預測陽性實際是陰性)的比率。
真實預測率(True predict rate,簡稱TPR):模型預測為實際陽性中之真陽(預測陽性實際是陽性)的比率。
參閱第5圖,其為接收者操作特徵(Receiver operating characteristic,簡稱ROC)曲線,其係將同一模型之不同閥值(threshold)得到之結果,繪製於ROC空間中得到的曲線,其中曲線L1上之參考點P顯示越靠近左上角代表效能越好,且該參考點P即為真實預測率扣除錯誤預測率之最大值所在之點,相當於統計學上的約登指數(Youden index),即為靈敏度(sensitivity)+特異度(specificity)-1最大值所在之點。又,第5圖之結果係在模型之閥值(threshold)定義為0.8時所得的結果;當然,閥值(threshold)係可視情況修改調整,本案之實驗過程中,亦曾有閥值(threshold)為0.314之情形。而曲線下面積(Area Under Curve,簡稱AUC)為模型評估的方式之一,AUC越接近1(AUC只會在0~1之間,本案為0.88)代表正確率越高。
而當其中的虛線L2代表AUC=0.5時,則代表模型沒有預測價值,該虛線L2僅為方便判斷模型的效能之示意而已。
此外,關於本案之並聯架構是採用橫切良惡性判斷部30、縱切良惡性判斷部40與該冠切良惡性判斷部50必須三者並聯(而非兩者並聯)之原因,請參考下表二。
由上(表二)之實驗數據可看出,若只有該橫切良惡性判斷部30及該縱切良惡性判斷部40兩者並聯時,其AUC=0.68;若只有該橫切良惡性判斷部30及該冠切良惡性判斷部40兩者並聯時,其AUC=0.71;都低於該橫切良惡性判斷部30、該縱切良惡性判斷部40與該該冠切良惡性判斷部50三者並聯之AUC=0.8。因此,本案採用三者並聯,而排除兩者並聯之型態。
茲舉例簡單說明本案之辨識方法:
(a)假設某一醫師將病患甲之2張影像資料(例如為該橫切M1及縱切M2之CT片)輸入本發明之系統後,最後會經過該橫切良惡性判斷部30與該縱切良惡性判斷部40之判斷,且若輸出結果為「良性」及「良性」,則代表該影像資料輸入後之結果為良性。
(b)假設某一醫師將病患乙之三張(包括該橫切M1、該縱切M2及該冠切M3)影像資料(例如CT片)輸入本發明之系統後,最後會分別經過相對應之該橫切良惡性判斷部30、該縱切良惡性判斷部40與該冠切良惡性判斷部50之判斷,且
若三個輸出結果均為「良性、良性、良性」,則代表該三張影像資料輸入後之最終結果為良性。
(c)假設某一醫師將病患丙之三張(包括該橫切M1、該縱切M2及該冠切M3)影像資料(例如CT片)輸入本發明之系統後,同樣分別經過相對應之該橫切良惡性判斷部30、該縱切良惡性判斷部40與該冠切良惡性判斷部50之判斷,且若三個輸出結果分別為「良性、惡性、良性」,則代表該三張影像資料輸入後之最終結果為惡性(只要任一輸出結果是惡性,即為惡性)。
換言之,本發明只要發現該橫切良惡性判斷部30、該縱切良惡性判斷部40與該冠切良惡性判斷部50之任一判斷為惡性時,則最終結果就是惡性,並提供一訊息給醫師參考。通常醫師為慎重起見,可能會再安排更精密更詳細的檢測,來確定是否為惡性。
此外,本案之完成步驟S5中,可再增加顯示判斷為良性及惡性之總張數及其比率;例如:
(d)假設某一醫師將病患丁之60張(包括該橫切M1、該縱切M2及該冠切M3各20張)影像資料(例如CT片)輸入本發明之系統後,最後有3張被判斷為惡性而57張為良性,則本系統除顯示「惡性」之外,額外顯示:良性57張(95%)、惡性3張(5%)。
(e)假設某一醫師將病患戊之60張(包括該橫切M1、該縱切M2及該冠切M3各20張)影像資料(例如CT片)輸入本發明之系統後,最後有52張被判斷為惡性而8張為良性,則本系統除顯示「惡性」之外,額外顯示:良性8張(13%)、惡性52張(87%)。
藉此,除了可知道「惡性」之準確度外,還可知道被判斷惡性之比率,供專科醫師參考。
本案之優點及功效可以歸納如下:
[1]利用人工智慧(AI)可以輔助醫師判別。由於本案利用人工智慧(AI)的技術,將已有的大量資料(含良性、惡性之橫切、縱切及冠切三方向)進行訓練,訓練後可以建構出本系統之主要架構,可以應用於婦產科判斷是否有卵巢癌,特別是可以解決人眼不易察覺之某些細部影像特徵,所以本案有很好的輔助判別效果。故,利用人工智慧(AI)可以輔助醫師判別
[2]多面向綜合判斷之高準確性。由於卵巢癌之腫瘤形狀不一,分布狀態也不同,本案以多面向:橫切、縱切及冠切等三方向以並聯架構進行綜合判斷,可提高準確性。故,多面向綜合判斷之高準確性。
[3]可進行初步篩檢。當某些醫院沒有專科醫師可以及時判讀時(例如:檢診所、衛生所,或是偏遠區域的醫院),本案之系統即可進行初步篩檢。若結果為惡性,則再轉往較大型之醫療院所,經由專科醫師進行更精確的醫療檢查。
以上僅是藉由較佳實施例詳細說明本發明,對於該實施例所做的任何簡單修改與變化,皆不脫離本發明之精神與範圍。
S1:準備步驟
S2:判斷影像資料有效或無效步驟
S3:有效影像資料分類步驟
S4:依分類進行良惡性判斷步驟
S5:完成步驟
Claims (4)
- 一種應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法,係包括下列步驟:一、準備步驟:準備一切片初步處理部、一切片分類部、一橫切良惡性判斷部、一縱切良惡性判斷部及一冠切良惡性判斷部;二、判斷影像資料有效或無效步驟:該切片初步處理部係用以接收至少二影像資料,並判斷該至少二影像資料為有效影像資料、無效影像資料其中一者;並將有效影像資料傳送至該切片分類部;其中,當該影像資料之影像中不包含人體皮膚內之腔體時,則被判斷屬於無效影像資料;反之,則被判斷屬於有效影像資料;三、有效影像資料分類步驟:該切片分類部係用以接收該有效影像資料,並依切片型態分類為橫切、縱切、冠切其中一者;再分別對應傳送至橫切良惡性判斷部、該縱切良惡性判斷部、該冠切良惡性判斷部其中至少一者;四、依分類進行良惡性判斷步驟:[a]當該有效影像資料為該橫切,則該橫切良惡性判斷部係用以判斷其為惡性、良性其中一者;[b]當該有效影像資料為該縱切,則該縱切良惡性判斷部係用以判斷其為惡性、良性其中一者;[c]當該有效影像資料為該冠切,則該冠切良惡性判斷部係用以判斷其為惡性、良性其中一者;及 五、完成步驟:當以該橫切良惡性判斷部、該縱切良惡性判斷部及該冠切良惡性判斷部構成並聯架構,且其中至少一者之輸出結果為惡性時,則顯示「惡性」之訊號;否則顯示「良性」之訊號;其中,該切片初步處理部係用以接收至少二影像資料,其切片型態分類為該橫切、該縱切、該冠切其中之至少二者。
- 如請求項1所述之應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法,其中,該切片初步處理部係用以接收至少三影像資料,其切片型態分類為該橫切、該縱切及該冠切三者。
- 如請求項1或2所述之應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法,其中,在該完成步驟後,又顯示出被判斷為良性、惡性之數量與所佔之百分比。
- 如請求項1所述之應用多面向並聯AI判讀架構判讀卵巢惡性腫瘤之方法,其中,該切片初步處理部、該切片分類部、該橫切良惡性判斷部、該縱切良惡性判斷部及該冠切良惡性判斷部係預先經AI訓練完成者。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW112107876A TWI836926B (zh) | 2023-03-03 | 2023-03-03 | 應用多面向並聯ai判讀架構判讀卵巢惡性腫瘤之方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW112107876A TWI836926B (zh) | 2023-03-03 | 2023-03-03 | 應用多面向並聯ai判讀架構判讀卵巢惡性腫瘤之方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWI836926B true TWI836926B (zh) | 2024-03-21 |
Family
ID=91269748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112107876A TWI836926B (zh) | 2023-03-03 | 2023-03-03 | 應用多面向並聯ai判讀架構判讀卵巢惡性腫瘤之方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI836926B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的***和方法 |
CN110210519A (zh) * | 2019-05-10 | 2019-09-06 | 上海联影智能医疗科技有限公司 | 分类方法、计算机设备和存储介质 |
CN113052228A (zh) * | 2021-03-22 | 2021-06-29 | 山西三友和智慧信息技术股份有限公司 | 一种基于SE-Inception的肝癌病理切片分类方法 |
CN113657479A (zh) * | 2021-08-12 | 2021-11-16 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、***及介质 |
-
2023
- 2023-03-03 TW TW112107876A patent/TWI836926B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的***和方法 |
CN110210519A (zh) * | 2019-05-10 | 2019-09-06 | 上海联影智能医疗科技有限公司 | 分类方法、计算机设备和存储介质 |
CN113052228A (zh) * | 2021-03-22 | 2021-06-29 | 山西三友和智慧信息技术股份有限公司 | 一种基于SE-Inception的肝癌病理切片分类方法 |
CN113657479A (zh) * | 2021-08-12 | 2021-11-16 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、***及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110464380B (zh) | 一种对中晚孕期胎儿的超声切面图像进行质量控制的方法 | |
Blanchard et al. | Phallometric comparison of pedophilic interest in nonadmitting sexual offenders against stepdaughters, biological daughters, other biologically related girls, and unrelated girls | |
CN111223092A (zh) | 胎儿超声切面图像自动质控***及检测方法 | |
Deutch et al. | Automated assessment of ovarian follicles using a novel three-dimensional ultrasound software | |
Tang et al. | CNN-based qualitative detection of bone mineral density via diagnostic CT slices for osteoporosis screening | |
CN107292103A (zh) | 一种预测图像生成方法及装置 | |
Arthuis et al. | Computed tomographic study of anatomical relationship between pubic symphysis and ischial spines to improve interpretation of intrapartum translabial ultrasound | |
CN113240654A (zh) | 一种多维度特征融合的颅内动脉瘤检测方法 | |
Levine et al. | Frequency and cause of disagreements in diagnoses for fetuses referred for ventriculomegaly | |
Liang et al. | CR-Unet-based ultrasonic follicle monitoring to reduce diameter variability and generate area automatically as a novel biomarker for follicular maturity | |
CN111481233B (zh) | 胎儿颈项透明层厚度测量方法 | |
Saw et al. | Motorizing and optimizing ultrasound strain elastography for detection of intrauterine growth restriction pregnancies | |
Bauman et al. | Ultrasonographic determination of pubic symphyseal widening in trauma: the FAST-PS study | |
TWI836926B (zh) | 應用多面向並聯ai判讀架構判讀卵巢惡性腫瘤之方法 | |
Li et al. | Effects of osseous structure based on three-dimensional reconstructive imaging evaluation in the assessment of temporomandibular joint disc position | |
CN112690815A (zh) | 基于肺部图像报告辅助诊断病变等级的***和方法 | |
Graham | Detecting low bone mineral density from dental radiographs: a mini-review | |
Deepika et al. | Deep learning based automated screening for intracranial hemorrhages and grad-cam visualizations on non-contrast head computed tomography volumes | |
US20230215153A1 (en) | Automated and assisted identification of stroke using feature-based brain imaging | |
Zalud et al. | Placental and spiral artery volume and gray‐scale value assessment via 3‐dimensional sonography in the second trimester | |
Zhao et al. | Glenoid segmentation from computed tomography scans based on a 2-stage deep learning model for glenoid bone loss evaluation | |
Jiang et al. | Development and validation of the diagnostic accuracy of artificial intelligence-assisted ultrasound in the classification of splenic trauma | |
Calandriello et al. | Quantitative CT analysis in ILD and the use of artificial intelligence on imaging of ILD | |
Chen et al. | Deep learning to assist composition classification and thyroid solid nodule diagnosis: a multicenter diagnostic study | |
Xi et al. | Ultrasonographic diagnosis of ovarian tumors through the deep convolutional neural network |