CN108230289A - 基于x线体检正位胸片的计算机辅助诊断系统和方法 - Google Patents
基于x线体检正位胸片的计算机辅助诊断系统和方法 Download PDFInfo
- Publication number
- CN108230289A CN108230289A CN201611194927.9A CN201611194927A CN108230289A CN 108230289 A CN108230289 A CN 108230289A CN 201611194927 A CN201611194927 A CN 201611194927A CN 108230289 A CN108230289 A CN 108230289A
- Authority
- CN
- China
- Prior art keywords
- rabat
- physical examination
- normotopia
- diagnosis
- image
- 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
Links
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及医学诊断领域,尤其涉及到一种基于X线体检正位胸片的计算机辅助诊断系统和方法;包括:依次连接的输入单元、特征提取单元、存储单元、对比单元、诊断单元;本发明能大幅度提高放射科医师对体检胸片诊断的效率和速度,节省写诊断报告的时间和人员,经计算机诊断后医生只要复审一下即可,可更快速有效地辅助放射科医师处理体检胸片报告。
Description
技术领域
本发明涉及医学诊断领域,尤其涉及到一种基于X线体检正位胸片的计算机辅助诊断系统和方法。
背景技术
肺癌是中老年男、女最常见的恶性肿瘤,在中国已居男、女性恶性肿瘤的首位,并且有逐年上升的趋势。目前对肺癌的预防尚无良策,早期诊断是降低发病率和死亡率及提高肺癌治愈率的最有效途径。研究表明,胸部x线摄片(现在一般均为胸部DR拍片)是一种有效的进行早期临床初步筛查肺癌的检查方法,有着价格便宜,操作方便的优势。加上临床上医疗常规中的胸片,每天在各级医疗单位有大量的正位胸片报告需要放射科医生来做出诊断报告。
近年来,计算机辅助诊断技术(ComputerAidedDiagnosis,CAD)系统迅速发展,其能够检测病灶并将诊断结果图形化展现给医生,支持医生对图像中的病灶(如肺结节等)进行定位、诊断及定量分析,从而达到减少医生对病灶的误诊和漏诊,提高医生的诊断率。实际上,医学影像中各种影像检查技术包括平片、CT、MRI、超声及PET等,均可引入计算机辅助诊断系统;其中胸部肺结节CAD检测效果较好,另外CT虚拟结肠内镜(CTC)、肝脏疾病CT诊断、脑肿瘤MRI诊断等也有一定的研究和应用。但是有人工智能的计算机辅助诊断系统对大量的同一部位图像进行诊断处理的应用还没有见到。临床上有海量的正位胸片诊断报告工作需要处理,尤其是体检胸片的诊断工作,主要是量的问题,不是难度问题,因为体检胸片的功能主要是发现胸片中的异常影像,它的作用主要是发现问题。进一步定性诊断还需进一步CT检查。因此,如何利用计算机人工智能系统处理海量的主要是正常的胸片是一现实问题。
发明内容
鉴于上述临床实际问题,本发明提供了一种基于X线体检正位胸片的计算机辅助诊断系统和方法,本发明能大幅度提高放射科医师对体检胸片诊断的效率和速度,节省写诊断报告的时间和人员,经计算机诊断后医生只要复审一下即可,可更快速有效地辅助放射科医师处理体检胸片报告。
本发明解决上述技术问题所采用的技术方案为:
一种基于X线体检正位胸片的计算机辅助诊断系统,用于对正位体检胸片进行快速诊断,其特征在于,所述系统包括:
输入单元,用于接收拍好的体检胸片;
特征提取单元,与所述输入单元连接;用于提取所述获取体检胸片的特征,并形成特征池;
存储单元,与所述特征提取单元连接;用于在所述特征提取单元获取的特征池中提取若干体检胸片的特征,并存于正常胸片的数据库分类器中;
对比单元,与所述存储单元连接;用于将数据库分类器和特征池中图像特征进行比对分析,比对结果正常的作为正常胸片;比对异常则输入至存有多种胸部疾病谱平片影像数据的数据库中;
诊断单元,与所述对比单元连接,用于对结果异常的体检胸片进行定位和定性诊断。
上述的基于X线体检正位胸片的计算机辅助诊断系统,其特征在于,所述系统还包括人工复审系统,所述人工复审系统与所述诊断单元连接;用于对系统诊断后的体检胸片图像进行人工复审,最后形成正位体检胸片诊断报告。
上述的基于X线体检正位胸片的计算机辅助诊断系统,其特征在于,所述特征池包括有心脏影像、主动脉影像、右肺(上、中、下叶)、左肺(上、下叶)影像、胸椎影像、双膈肌、双侧肋膈角区域的影像。
上述系统的诊断方法,其特征在于,所述诊断方法包括:
步骤S1、通过输入单元输入一幅待诊断的体检正位胸部x线平片;
步骤S2、通过特征提取单元对正位胸部体检摄片的主要区域进行提取,形成包括有心脏影像、主动脉影像、右肺(上、中、下叶)、左肺(上、下叶)影像、胸脊椎影像、双膈肌、双侧肋膈角区域的影像的特征池;
步骤S3、通过存储单元将输入的待诊体检正位胸片存储于有正常的正位胸片数据库分类器中,通过对比单元将待诊的体检正位胸片与数据中的正常胸片数据进行比对分析,比对结果正常的作为正常胸片;比对结果异常的则输入至存有异常疾病的胸部正位胸片的数据库分类器中;
步骤S4、通过诊断单元对比对结果有异常的正位胸片DR图像进行定位和定性诊断,得出诊断报告;
步骤S5、对系统得出的诊断报告进行人工复审,形成胸部体检正位胸片的诊断报告。
上述技术方案具有如下优点或有益效果:
本发明能大幅度提高放射科医师对体检胸片诊断的效率和速度,节省写诊断报告的时间和人员,经计算机诊断过的胸片医生只要复审一下即可,可更快速有效地辅助放射科医师处理海量的体检胸片诊断报告工作。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明及其特征、外形和优点将会变得更加明显。在全部附图中相同的标记指示相同的部分。并未可以按照比例绘制附图,重点在于示出本发明的主旨。
图1是本发明中基于X线体检正位胸片的计算机辅助诊断系统的结构示意图;
图2是本发明中基于X线体检正位胸片的计算机辅助诊断系统中的诊断方法流程示意图。
具体实施方式
下面结合附图和具体的实施例对本发明作进一步的说明,但是不作为本发明的限定。
如图1所示,本发明基于X线体检正位胸片的计算机辅助诊断系统,具体包括有:
输入单元,用于获取医学图像;
特征提取单元,与所述输入单元连接;用于提取所述获取医学图像特征,并形成特征池;
存储单元,与所述特征提取单元连接;用于在所述特征提取单元获取的特征池中提取若干医学图像特征,并存于正常胸片的数据库分类器中;
对比单元,与所述存储单元连接;用于将数据库分类器和特征池中图像特征进行比对分析,比对结果正常的作为正常胸片;比对异常则输入至存有多种胸部疾病谱平片影像数据的数据库中;
诊断单元,与所述对比单元连接;用于对结果异常图像进行定位和诊断。
在本发明一可选但非限制性的实施例中,计算机辅助诊断系统还包括人工复审系统,人工复审系统与所述诊断单元连接;用于对诊断后的图像进行人工复审,形成胸部DR-X线诊断报告。
优选的,特征池包括有心脏影像、主动脉影像、右肺(上、中、下叶)、左肺(上、下叶)影像、胸脊椎影像、双膈肌、双侧肋膈角区域的影像。
本发明基于上述计算机辅助诊断系统还提供了一种诊断方法,具体的如图2所示:
步骤S1、通过输入单元输入一幅待诊断的体检正位胸部x线平片;步骤S2、通过特征提取单元对正位胸部正位体检摄片的主要区域进行提取,形成包括有心脏影像、主动脉影像、右肺(上、中、下叶)、左肺(上、下叶)影像、胸脊椎影像、双膈肌、双侧肋膈角区域的影像的特征池;
步骤S3、通过存储单元将输入的待诊体检正位胸片存储于有正常的正位胸片数据库分类器中,通过对比单元将待诊的体检正位胸片与数据中的正常胸片数据进行比对分析,比对结果正常的作为正常胸片;比对结果异常的则输入至存有异常疾病的胸部正位胸片的数据库分类器中;
步骤S4、通过诊断单元对比对结果有异常的正位胸片DR图像进行定位和定性诊断,得出诊断报告;
步骤S5、对系统得出的诊断报告进行人工复审,形成胸部体检正位胸片的诊断报告。
综上所述,本发明能大幅度提高放射科医师对体检胸片诊断的效率和速度,节省写诊断报告的时间和人员,经计算机诊断过的胸片医生只要复审一下即可,可更快速有效地辅助放射科医师处理海量的体检胸片报告工作。
本领域技术人员应该理解,本领域技术人员在结合现有技术以及上述实施例可以实现所述变化例,在此不做赘述。这样的变化例并不影响本发明的实质内容,在此不予赘述。
以上对本发明的较佳实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施;任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案作出许多可能的变动和修饰,或修改为等同变化的等效实施例,这并不影响本发明的实质内容。因此,凡是未脱离本发明技术方案的内容,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、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (4)
1.一种基于X线体检正位胸片的计算机辅助诊断系统,用于对正位体检胸片进行快速诊断,其特征在于,所述系统包括:
输入单元,用于接收拍好的体检胸片;
特征提取单元,与所述输入单元连接;用于提取所述获取体检胸片的特征,并形成特征池;
存储单元,与所述特征提取单元连接;用于在所述特征提取单元获取的特征池中提取若干体检胸片的特征,并存于正常胸片的数据库分类器中;
对比单元,与所述存储单元连接;用于将数据库分类器和特征池中图像特征进行比对分析,比对结果正常的作为正常胸片;比对异常则输入至存有多种胸部疾病谱平片影像数据的数据库中;
诊断单元,与所述对比单元连接,用于对结果异常的体检胸片进行定位和定性诊断。
2.根据权利要求1所述的基于X线体检正位胸片的计算机辅助诊断系统,其特征在于,所述系统还包括人工复审系统,所述人工复审系统与所述诊断单元连接;用于对系统诊断后的体检胸片图像进行人工复审,最后形成正位体检胸片诊断报告。
3.根据权利要求1所述的基于X线体检正位胸片的计算机辅助诊断系统,其特征在于,所述特征池包括有心脏影像、主动脉影像、右肺(上、中、下叶)、左肺(上、下叶)影像、胸椎影像、双膈肌、双侧肋膈角区域的影像。
4.根据权利要求1所述系统的诊断方法,其特征在于,所述诊断方法包括:
步骤S1、通过输入单元输入一幅待诊断的体检正位胸部x线平片;
步骤S2、通过特征提取单元对正位胸部体检摄片的主要区域进行提取,形成包括有心脏影像、主动脉影像、右肺(上、中、下叶)、左肺(上、下叶)影像、胸脊椎影像、双膈肌、双侧肋膈角区域的影像的特征池;
步骤S3、通过存储单元将输入的待诊体检正位胸片存储于有正常的正位胸片数据库分类器中,通过对比单元将待诊的体检正位胸片与数据中的正常胸片数据进行比对分析,比对结果正常的作为正常胸片;比对结果异常的则输入至存有异常疾病的胸部正位胸片的数据库分类器中;
步骤S4、通过诊断单元对比对结果有异常的正位胸片DR图像进行定位和定性诊断,得出诊断报告;
步骤S5、对系统得出的诊断报告进行人工复审,形成胸部体检正位胸片的诊断报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611194927.9A CN108230289A (zh) | 2016-12-22 | 2016-12-22 | 基于x线体检正位胸片的计算机辅助诊断系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611194927.9A CN108230289A (zh) | 2016-12-22 | 2016-12-22 | 基于x线体检正位胸片的计算机辅助诊断系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108230289A true CN108230289A (zh) | 2018-06-29 |
Family
ID=62655968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611194927.9A Pending CN108230289A (zh) | 2016-12-22 | 2016-12-22 | 基于x线体检正位胸片的计算机辅助诊断系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108230289A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652837A (zh) * | 2020-04-16 | 2020-09-11 | 上海长征医院 | 基于ai的甲状腺结节左右叶定位与超声报告纠错方法 |
WO2020253048A1 (zh) * | 2019-06-18 | 2020-12-24 | 平安科技(深圳)有限公司 | 基于深度学习的影像识别方法、装置、设备及存储介质 |
CN112382360A (zh) * | 2020-12-03 | 2021-02-19 | 卫宁健康科技集团股份有限公司 | 一种诊断报告自动生成系统、存储介质及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521476A (zh) * | 2011-11-03 | 2012-06-27 | 丁国成 | 基于成人x线正位胸片的异常心脏大血管计算机筛选系统及筛选方法 |
-
2016
- 2016-12-22 CN CN201611194927.9A patent/CN108230289A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521476A (zh) * | 2011-11-03 | 2012-06-27 | 丁国成 | 基于成人x线正位胸片的异常心脏大血管计算机筛选系统及筛选方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253048A1 (zh) * | 2019-06-18 | 2020-12-24 | 平安科技(深圳)有限公司 | 基于深度学习的影像识别方法、装置、设备及存储介质 |
CN111652837A (zh) * | 2020-04-16 | 2020-09-11 | 上海长征医院 | 基于ai的甲状腺结节左右叶定位与超声报告纠错方法 |
CN111652837B (zh) * | 2020-04-16 | 2022-09-09 | 上海长征医院 | 基于ai的甲状腺结节左右叶定位与超声报告纠错方法 |
CN112382360A (zh) * | 2020-12-03 | 2021-02-19 | 卫宁健康科技集团股份有限公司 | 一种诊断报告自动生成系统、存储介质及电子设备 |
CN112382360B (zh) * | 2020-12-03 | 2024-05-31 | 卫宁健康科技集团股份有限公司 | 一种诊断报告自动生成系统、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Van Rikxoort et al. | Automated segmentation of pulmonary structures in thoracic computed tomography scans: a review | |
Linguraru et al. | Automated segmentation and quantification of liver and spleen from CT images using normalized probabilistic atlases and enhancement estimation | |
US20190021677A1 (en) | Methods and systems for classification and assessment using machine learning | |
US12008759B2 (en) | Method and system for identifying pathological changes in follow-up medical images | |
JP6220310B2 (ja) | 医用画像情報システム、医用画像情報処理方法及びプログラム | |
US20100128953A1 (en) | Method and system for registering a medical image | |
US8588498B2 (en) | System and method for segmenting bones on MR images | |
WO2018205922A1 (en) | Methods and systems for pulmonary function test based on diagnostic medical imaging and machine learning | |
He et al. | Automatic segmentation and quantification of epicardial adipose tissue from coronary computed tomography angiography | |
CN110023995A (zh) | 用于心脏运动校正的心脏分割方法 | |
JP6981940B2 (ja) | 画像診断支援装置、方法及びプログラム | |
Slomka et al. | Application and translation of artificial intelligence to cardiovascular imaging in nuclear medicine and noncontrast CT | |
WO2022164374A1 (en) | Automated measurement of morphometric and geometric parameters of large vessels in computed tomography pulmonary angiography | |
CN108230289A (zh) | 基于x线体检正位胸片的计算机辅助诊断系统和方法 | |
Li et al. | Automatic quantification of epicardial adipose tissue volume | |
EP4150569A1 (en) | Functional imaging features from computed tomography images | |
Petibon et al. | Detecting lumbar lesions in 99mTc‐MDP SPECT by deep learning: Comparison with physicians | |
Kularathne et al. | Liver Tumor Identification GUI using MATLAB Image Processing | |
SATOH et al. | Computer-aided diagnosis system for comparative reading of helical CT images for the detection of lung cancer | |
Mouton et al. | Computer-aided detection of pulmonary pathology in pediatric chest radiographs | |
Tozaki et al. | Extraction and visualization of structural information based on FDG-PET images | |
Skurski et al. | Image processing methods for diagnostic and simulation applications in cardiology | |
Swarnambiga | Medical Image Processing for Improved Clinical Diagnosis | |
JP7515502B2 (ja) | 陽電子放射断層撮影を用いた腫瘍セグメンテーションのための深層畳み込みニューラルネットワーク | |
Sinha et al. | An Introduction to Medical Image Analysis in 3D |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |