CN108305671A - 由计算机实现的医学图像调度方法、调度系统及存储介质 - Google Patents

由计算机实现的医学图像调度方法、调度系统及存储介质 Download PDF

Info

Publication number
CN108305671A
CN108305671A CN201810194503.5A CN201810194503A CN108305671A CN 108305671 A CN108305671 A CN 108305671A CN 201810194503 A CN201810194503 A CN 201810194503A CN 108305671 A CN108305671 A CN 108305671A
Authority
CN
China
Prior art keywords
medical image
image
related data
data
diagnostic result
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.)
Granted
Application number
CN201810194503.5A
Other languages
English (en)
Other versions
CN108305671B (zh
Inventor
陈翰博
陈浩
尹游兵
孙善辉
宋麒
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.)
Shenzhen Ke Ya Medical Technology Co Ltd
Original Assignee
Shenzhen Ke Ya 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 Shenzhen Ke Ya Medical Technology Co Ltd filed Critical Shenzhen Ke Ya Medical Technology Co Ltd
Priority to CN202011412540.2A priority Critical patent/CN112466439A/zh
Publication of CN108305671A publication Critical patent/CN108305671A/zh
Application granted granted Critical
Publication of CN108305671B publication Critical patent/CN108305671B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G06F18/21342—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis using statistical independence, i.e. minimising mutual information or maximising non-gaussianity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • 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
    • G06V10/87—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using selection of the recognition techniques, e.g. of a classifier in a multiple classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/987—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns with the intervention of an operator
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)

Abstract

本公开涉及一种由计算机实现的医学图像调度方法、调度系统及存储介质。该方法包括以下步骤：获取医学图像相关数据；利用处理器，对所述医学图像相关数据进行处理，以至少得到医学图像相关数据的优先级参数；利用处理器，至少根据医学图像相关数据的优先级参数，对医学图像相关数据进行排序；以及利用处理器，根据排序来呈现医学图像相关数据及其处理结果的队列。该方法基于人工智能对医学图像进行初步判断并据此优化调度，这种医学图像调度方法准确、可靠且迅速，需要时还能够将人工智能的判断结果、医学图像的属性信息(例如数据采集时间)和临床医生的诊断结果综合起来对病例进行精确排序。

Description

由计算机实现的医学图像调度方法、调度系统及存储介质
技术领域
本发明涉及一种基于人工智能的工作流优化方法，具体来说涉及一种由计算机实现的医学图像调度方法。本发明还涉及一种医学图像调度系统和存储有能够执行该方法的计算机可读存储介质。
背景技术
随着技术的不断发展，医学图像在临床诊断的过程中正起着不可或缺的作用。这些图像在采集之后大多需要经由影像科医生(例如放射科医生)检阅标注并完成病理报告以供临床医生参考。由于每名影像科医生一天需要处理大量的图像，大多数医院或者基于互联网的远程诊断平台都会采用排队系统来管理这些图像,然后影像科医生会根据队列中病例的优先级选择病例的医学图像进行处理。
一般情况下，传统系统会根据图像的采集时间进行排序，这样可以保证每例病人的图像在队列中的停留时间不会太久，即先来的病人的排位要高于后来的病人。更先进的系统则应该综合考虑数据采集时间、病情的时间紧迫性以及医生的工作量对医学相关数据进行合理的调度和分配。例如，脑出血和脑血栓是两种常见的急性疾病。尽管都是大脑血液疾病，但这两种疾病的救治方法完全不同。如果医生能在病发的数小时内做出正确的判断并立即进行救助，则病情的危险性将会大大降低，病人的康复将会有保证。对于这类图像，队列管理系统则需要将这些病例的图像进行插队并放在队列的最顶端，标注为紧急病例，以对影像科医生进行提醒。如果发现队列中出现了需要立即处理的紧急病例，则影像科医生需要放下手中的非紧急工作立即进行处理。
需要指出的是，当前允许病例按紧急性排序的系统中，病例的医学图像的优先级源于其病情的优先级，而病情的优先级仅由该病例的临床医生根据病人的表征情况判断得出。对于这种系统，不能排除在病人表征不明显的情况下临床医生可能做出误判，导致低估病例的优先级，从而减慢了病例的处理速度从而耽误最佳治疗时间窗口。再者，临床医生经常需要参考影像科医生对病例的医学图像的处理结果才能做出准确判断，有时对病例的医学图像进行排序时，尚未对该病例的患者做出准确的医学诊断，导致排序缺乏准确的优先级依据。此外，临床医生面临繁重的诊断和治疗工作，过度依赖于其对病例的人为诊断结果来对病例的医学图像进行排序是有风险的，效率较低，也不够智能化。以上仅仅作为示例，目前的允许病例按紧急性排序的系统中存在众多因素会导致病例的优先级不准确或不可靠、减慢病例(包括其医学图像)的处理速度甚至耽误最佳治疗时间窗口。
发明内容
鉴于现有技术存在的上述问题，本发明的目的是提供一种能够确保病情紧急重要的病例能被及早及时地处理的由计算机实现的医学图像调度方法，该方法基于人工智能对医学图像进行初步判断并据此优化调度，这种医学图像调度方法准确、可靠且迅速，需要时还能够将人工智能的判断结果、医学图像的属性信息(例如数据采集时间)和临床医生的诊断结果综合起来对病例进行精确排序。进一步地，该方法还能够随着新的医学图像的引入而近乎实时地提供动态的排序，从而使得呈现的医学图像的队列顺序顺应并满足所有病例当时的真实处理需求。
为了实现上述目的，本发明的实施例一个方面提供了一种医学图像调度方法，其由计算机实现，且其特征在于，所述医学图像调度方法包括以下步骤：
获取医学图像相关数据；
利用处理器，对所述医学图像相关数据进行处理，以至少得到医学图像相关数据的优先级参数；
利用处理器，至少根据医学图像相关数据的优先级参数，对医学图像相关数据进行排序；以及
利用处理器，根据排序来呈现医学图像相关数据及其处理结果的队列。
优选地，所述对所述医学图像相关数据进行处理以得到医学图像相关数据的优先级参数的步骤包括：
对所述医学图像相关数据就模态以及成像部位进行分类；
根据该分类结果，应用相应的图像分析器对所述医学图像进行分析，以至少得到医学图像相关数据的优先级参数。
优选地，所述对所述医学图像相关数据就模态以及成像部位进行分类的步骤至少基于所述医学图像的图像特征来执行。
优选地，对所述医学图像相关数据就模态以及成像部位进行分类通过图像检索算法和/或图像分类算法来实现。
优选地，所述图像分析器包括多个图像分析器，每个图像分析器被设计针对特定的模态和成像部位进行计算。
优选地，所述图像分析器利用深度神经网络、随机森林、梯度提升决策树中的一种或多种算法来实现。
优选地，对所述医学图像相关数据处理的结果包括所述医学图像的诊断结果、相关区域和优先级参数。
优选地，所述医学图像相关数据的所述优先级参数基于所述医学图像的诊断状况根据预定规则来获得。
优选地，所述预定规则包括：在所述医学图像相关数据进入队列之后，其优先级参数以一定速率随时间增长，所述一定速率基于所述医学图像相关数据的初始的优先级参数以及其规定的处理时间。
优选地，所述医学图像相关数据的所述优先级参数基于所述医学图像的图像特征利用回归算法得到。
优选地，对所述医学图像相关数据进行处理以至少得到医学图像相关数据的优先级参数的步骤包括：
在处理器处理所得到的诊断结果存在问题的情况下，对所得到的诊断结果进行修正。
优选地，所述修正包括：
将所述医学图像相关数据发送给第一医生并获取第一医生的诊断结果；
将处理器处理所得到的诊断结果与第一医生的诊断结果进行对比；以及
基于对比结果，来得到医学图像相关数据的诊断结果、相关区域和优先级参数。
优选地，基于对比结果来得到医学图像相关数据的诊断结果、相关区域和优先级参数的步骤包括：
当对比结果不一致时，将两者的诊断结果发送给其他医生；以及
基于医生的综合诊断结果，来得到医学图像相关数据的诊断结果、相关区域和优先级参数。
优选地，所述医学图像调度方法包括：
利用所述处理器，响应于获取医学图像相关数据，对所获取的医学图像相关数据进行筛选，筛选出的可处理数据供所述处理器进行后续处理。
优选地，所述至少根据医学图像相关数据的优先级参数对医学图像相关数据进行排序的步骤包括：
根据医学图像相关数据的优先级参数，以及还根据医生的诊断结果和数据采集时间中的至少一种，对医学图像相关数据进行排序。
优选地，所述医学图像调度方法还包括：
响应于根据该分类结果应用相应的图像分析器对所述医学图像进行分析，对图像分析器的分析结果进行综合分析，以得到医学图像相关数据的优先级参数和诊断结果。
优选地，综合分析步骤包括：
在用户具有不同医学图像相关数据的情况下，对不同数据经由图像分析器的分析结果进行综合分析。
优选地，综合分析步骤包括：
对所述医学图像相关数据的诊断结果、所述医学图像的图像特征和所述医学图像的患者的属性信息进行综合分析。
根据本发明的第二方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时，实现上述的由计算机实现的医学图像调度方法中的任何一种。
根据本发明的第三方面，提供了一种医学图像调度系统，该系统通信地连接到影像采集部，以从其获取医学图像相关数据，其特征在于，所述系统包括：
数据处理部，其配置为对所获取的医学图像相关数据进行处理，以至少得到医学图像相关数据的优先级参数；
数据存储调度部，其配置为至少根据医学图像相关数据的优先级参数，对医学图像相关数据进行排序；以及
数据浏览部，其配置为根据排序来呈现医学图像相关数据及其处理结果的队列。
优选地，所述数据处理部包括：
图像分拣器，其配置为对所述医学图像相关数据就模态以及成像部位进行分类；
图像分析模块，包括多个图像分析器，每个图像分析器被设计针对特定的模态和成像部位进行计算；
其中，所述数据处理部根据图像分拣器的分类结果，应用相应的图像分析器对所述医学图像进行分析，以至少得到医学图像相关数据的优先级参数。
优选地，对所述医学图像相关数据就模态以及成像部位进行分类至少基于所述医学图像的图像特征来执行。
优选地，对所述医学图像相关数据就模态以及成像部位进行分类通过图像检索算法和/或图像分类算法来实现。
优选地，所述图像分析器利用深度神经网络、随机森林、梯度提升决策树中的一种或多种算法来实现。
优选地，对所述医学图像相关数据处理的结果包括所述医学图像的诊断结果、相关区域和优先级参数。
优选地，所述数据处理部还配置为：基于所述医学图像的诊断结果根据预定规则，来得到医学图像相关数据的优先级参数。
优选地，所述预定规则包括：在所述医学图像相关数据进入队列之后，其优先级参数以一定速率随时间增长，所述一定速率基于所述医学图像相关数据的初始的优先级参数以及其规定的处理时间。
优选地，所述图像分析器配置为：基于所述医学图像的图像特征利用回归算法，来得到医学图像相关数据的优先级参数。
优选地，所述数据处理部还包括综合分析模块，其配置为：在图像分析模块所得到的诊断结果存在问题的情况下，对所得到的诊断结果进行修正。
优选地，所述综合分析模块进一步配置为：
将所述医学图像相关数据发送给第一医生并获取第一医生的诊断结果；
将图像分析模块所得到的诊断结果与第一医生的诊断结果进行对比；以及
基于对比结果，来得到医学图像相关数据的诊断结果、相关区域和优先级参数。
优选地，所述综合分析模块进一步配置为：
当对比结果不一致时，将两者的诊断结果发送给其他医生；以及
基于医生的综合诊断结果，来得到医学图像相关数据的诊断结果、相关区域和优先级参数。
优选地，所述医学图像调度系统包括图像筛选器，其配置为：
响应于获取医学图像相关数据，对所获取的医学图像相关数据进行筛选，筛选出的可处理数据供所述图像分拣器进行后续处理。
优选地，所述数据存储调度部还配置为：
根据医学图像相关数据的优先级参数，以及还根据医生的诊断结果和数据采集时间中的至少一种，对医学图像相关数据进行排序。
优选地，所述综合分析模块还配置为：
响应于由所述数据处理部根据该分类结果应用相应的图像分析器对所述医学图像进行分析，对图像分析器的分析结果进行综合分析，以至少得到医学图像相关数据的优先级参数。
优选地，所述综合分析模块还配置为：
在用户具有不同医学图像相关数据的情况下，对不同数据经由图像分析器的分析结果进行综合分析。
优选地，所述综合分析模块还配置为：
对所述医学图像相关数据的诊断结果、所述医学图像的图像特征和所述医学图像的患者的属性信息进行综合分析。
本发明提供的由计算机实现的医学图像调度方法和系统，在具体实施时可以由一个统一的医学图像平台系统用来对等待影像科医生浏览的医学图像进行传输、存储、预诊断、排序、调度、记录结果。对于非紧急的病例，在调度分配病例的过程中系统还会综合考虑影像科医生的工作量。如此一方面通过利用人工智能向影像科医生建议医学图像的先后处理顺序，确保病情紧急重要的病例能被及早及时地处理；另一方面也可以优化影像科医生的工作量分配，均衡各位影像科医生之间的工作量分配，并为各张医学图像分配胜任的影像科医生，以避免因分配不当导致对医学图像相关数据的处理延误。
附图说明
将在下文参照附图描述本发明的示范性实施例的特征、优势以及技术和工业意义，在附图中，相同附图标记指代相同的元件，并且其中：
图1为根据本发明一个实施例的由计算机实现的医学图像调度方法的流程示意图；
图2为根据本发明一个实施例的由计算机实现的医学图像调度系统的结构示意图。
图3为根据本发明另一实施例的影像科医生用户界面，其中，医学图像数据采用本发明一个实施例的由计算机实现的医学图像调度方法按优先级排序并呈现。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。
此处参考附图描述本发明的各种方案以及特征。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本发明的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本发明进行了描述，但本领域技术人员能够确定地实现本发明的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时，鉴于以下详细说明，本发明的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本发明的具体实施例；然而，应当理解，所发明的实施例仅仅是本发明的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以根据用户的历史的操作，判明真实的意图，避免不必要或多余的细节使得本发明模糊不清。因此，本文所发明的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本发明。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本发明的相同或不同实施例中的一个或多个。文中所使用的技术术语“医学图像相关数据”包括但不限于医学图像数据，还可以包括与之相关的其他数据，例如医学图像的属性信息(采集时间、上传时间、数据来源等)，例如医学图像归属的检查类型，还例如医学图像的受检者属性信息(例如受检者的年龄、身高、体重、性别、病史等)。
如前所述，目前传统的医学图像调度系统，要么只能依照时间现有顺序排列优先级。要么就只能由临床医生根据病人的表征情况进行判断得出。除了可能产生医生的误判情况外，还可能由于较慢的处理流程而使本身应处于紧急状况(例如脑出血)的病人失去最佳的治疗时机。针对这一情况，本发明提出的由计算机实现的医学图像调度方法，在获取医学图像相关数据之后，可以进一步通过对医学图像相关数据进行处理，进而进行分析以得到医学图像相关数据的优先级参数，这一分析过程可以采用人工智能模块进行初步的判断以评估该病人的病情。而最终的排序则可以依赖优先级参数来进行，当然也可以进一步综合考虑临床医生的判断、包括数据采集时间在内的医学图像的属性信息、以及人工智能模块的判断对病例进行排序。另外，对于非紧急的病例，在调度的过程中系统还会综合考虑医生的工作量。在下面的描述中，使用优先级分数作为优先级参数的直观示例，但须知优先级参数并不限于此，而是可以采用各种方式，例如优先级水平、优先级级别、优先级序号，等等。
具体地，如图1所示，本发明的一种实施例中，提供了一种由计算机实现的医学图像调度方法100，包括以下步骤：
获取医学图像相关数据(步骤101)；
利用处理器，对所述医学图像相关数据进行处理，以至少得到医学图像相关数据的优先级分数(步骤102)；
利用处理器，至少根据医学图像相关数据的优先级分数，对医学图像相关数据进行排序(步骤103)；以及
利用处理器，根据排序来呈现医学图像相关数据及其处理结果的队列(步骤104)。
上述处理器可以是包括诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等一个或更多个通用处理设备的处理设备。更具体地，所述处理器可以是复杂指令集运算(CISC)微处理器、精简指令集运算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。所述处理器还可以是诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等一个或更多个专用处理设备。
所述处理器可以通信地联接到存储器并且被配置为执行存储在其中的计算机可执行指令，上文中的各个步骤都可以计算机可执行指令的形式存储在所述存储器上。所述存储器可以包括只读存储器(ROM)、闪存、随机存取存储器(RAM)、静态存储器等。在一些实施例中，存储器可以存储诸如步骤101-步骤104中的任何一个的计算机可执行指令以及在执行计算机可执行指令时使用或生成的诸如优先级分数、医学图像相关数据的顺序及其处理结果等数据。
在本发明实施例提供的方法中，所涉及的优先级分数主要用于评估病人的病情的紧急程度，也即该病人的医学图像数据在医生的处理队列中的优先级。利用上述方法，可以利用处理器而非人力对医学图像相关数据进行处理以得到优先级分数，据此对医学图像相关数据进行排序，并向影像科医生呈现待处理的所有医学图像相关数据的实时顺序。不同于对人力的依赖，处理器能够对新引入的医学图像相关数据进行实时响应，其能够高效准确地对所有待处理的医学图像相关数据进行近乎实时的排序并显示给影像科医生，从而避免现有技术中因为人力的缺乏或不稳定性所导致的相对于真实情况的排序的延迟和误差。
图2示出根据本发明一个实施例的由计算机实现的整个医学图像调度系统的结构示意图，下面参考图2中所示的系统中的各个模块对上文中所述的计算机实现的医学图像调度方法的各个优选实施例进行具体说明。要注意，与各个模块结合进行说明仅仅为了使该方法的优选实施例的各个步骤更容易理解，并不意味着所述方法的执行必须依赖这样的系统和模块设置。实际上，除了影像采集部110之外的各个部、模块和平台，都是以执行的功能来界定的软件部、软件模块和软件平台，因此根据需求，根据执行的功能可以改变对相应部、模块和平台的物理界定，而不仅仅限于图2所示的结构示例。
如图2所示，所述医学图像调度系统100包括：影像采集部110，用于获取医学图像相关数据并上传给数据存储调度部130；所述数据存储调度部130，其通信地连接到影像采集部110和数据处理部120，并进行数据的传输、存储、排序(基于数据处理部120的分析结果)、调度并记录结果；所述数据处理部120，其接收从所述数据存储调度部130传输的医学图像相关数据，并对其进行处理和分析，并将分析结果反馈给所述数据存储调度部130以进行相应的排序和调度；以及数据浏览部140，其通信地连接到所述数据存储调度部130，并根据其所进行的排序和调度，向可能的用户，包括普通影像科医生、影像科管理者和开发人员等，提供各种显示内容的各种浏览界面，显示内容包括医学图像相关数据的队列呈现。注意，影像采集部110未必包括在整个系统100中，该系统100可以通信连接到影像采集部110，以从其获取医学图像相关数据并上传给数据存储调度部130。
下面分别对各个部中执行的步骤细节进行一一说明。
1、数据存储调度部130
优选地，所述数据存储调度部130负责医学图像相关数据的接收、传输、存储、排序和调度。
接收、传输和存储
可以从影像采集部110将医学图像相关数据直接上传给数据存储调度部130，影像采集部110是本地或远程的影像工作台。所采集的医学图像包括但不限于核磁共振成像(MRI)图像、3D MRI、2D流化MRI、4D容积MRI、计算机断层摄影(CT)图像、锥形束CT、正电子发射断层摄影(PET)图像、功能MRI图像(例如，fMRI、DCE-MRI和扩散MRI)、X射线图像、荧光图像、超声图像、放射治疗射野图像、单光子发射计算机断层摄影(SPECT)图像等)。例如，影像采集部110可以是MRI成像装置、CT成像装置、PET成像装置、超声装置、荧光镜装置、SPECT成像装置、或用于获得患者的一个或更多医学图像的其他医学成像装置。所采集的图像可以作为成像数据和/或医学图像相关数据而被存储在数据库内，所述数据存储调度部130可以通信地连接到该数据库，以调取其中存储的医学图像相关数据。作为示例，所采集的图像也可以存储在所述医学图像调度系统100中所包含的存储器中，以供包含数据存储调度部130的各个软件模块调取和使用。
除了影像采集部110以外，数据存储调度部130还可以从其他部或系统获取其他的医学图像相关数据，例如，可以从医院管理信息(HIS)系统和电子病历系统等获取医学图像采集归属于的检查类型、受检者的年龄、身高、体重、性别、病史等。
接收医学图像相关数据可设计为基于B/S(Browser/Server,即浏览器和服务器架构,用户工作界面主要通过浏览器来实现)结构的服务，用户只需要使用自己的用户名和密码登录后即可进行数据上传操作。该服务在数据上传之后将为每个数据打上标签，标签包括但不限于数据采集时间、上传时间、数据来源等。打完标签之后，数据进入等待队列，准备由所述数据存储调度部130依序馈送进入数据处理部120，以进行分析计算并获得分析结果。
根据数据处理部120反馈的分析结果，所述数据存储调度部130执行相应的数据传输和调度。举例说来，在反馈的结果是影像质量不达标的情况下，所述数据存储调度部130会将反馈结果转发给影像采集部110。例如，对于可处理数据，数据存储调度部130会接收来自数据处理部120的自动诊断结果。根据排序以及调度规则，在自动诊断结果存在问题的情况下，数据存储调度部130会将数据(可包含自动诊断结果)发送给第一医生并等待第一医生的结果。当收到第一医生的结果后，可将自动诊断结果和第一医生的诊断结果进行对比。如果结果不一致，数据存储调度部130会将该结果交由另一名/或者多名医生进行综合诊断以降低误诊的可能性。注意，对于诊断结果是否存在问题的判定可由下文中的数据处理部120中的综合分析模块124来执行，综合分析模块124可根据判定结果指示数据存储调度部130进行数据的相应传输，例如将数据(可包含自动诊断结果)发送给第一医生、接收来自第一医生的诊断结果，并且可由综合分析模块124对自动诊断结果和第一医生的诊断结果进行对比，并根据对比结果指示数据存储调度部130进行数据的相应传输，例如将该结果交由另一名/或者多名医生以进行综合诊断，随后对来自各个医生的诊断结果进行综合分析，来得到最终的数据处理结果，包括诊断结果、优先级分数等。
所述数据存储调度部130会将最终的诊断结果返回给相关医院科室的医生和/或病人。优选地，对于错误的诊断结果，数据存储调度部130会进行记录供后续开发参考。
优选地，在自动诊断结果与最终的诊断结果不一致时，所述数据存储调度部130将最终的诊断结果数据传输给数据处理部120，所述数据处理部120可以利用最终的诊断结果数据作为训练数据，对其中的人工智能分析模块进行训练，以对其进行修正和改进，从而提高人工智能分析模块的分析的准确度。
所述医学图像调度系统100可以根据在等待队列中的病例(医学图像相关数据)数量动态地启动/关闭运算节点，以兼顾节省计算资源和确保运算效率。例如，当较多病例在等待队列中时，系统100可以启动新的节点以提高运算效率；当没有病例需要处理时，系统100可以关闭闲置节点以节约资源。
排序管理
所述数据存储调度部130还执行序列管理的操作，通常会利用优先级列表对医学图像相关数据的优先级进行动态的排序。列表的排序依据为数据的优先级分数。通常来说，该分数可设置为一个拥有固定范围的分数(如0～100分)。分值越高，队列中排序顺序越高。对于新进入列表的数据，其经由所述数据存储调度部130传输给数据处理部120，而数据处理部120会计算返回图像相关数据的优先级分数。可以直接根据数据处理部120返回的处理器经由图像处理计算的优先级分数来对医学图像相关数据进行排序。此外，也可以辅以基于其他方式得到的其他优先级分数来对医学图像相关数据进行排序。例如，也可接受人工设定的打分规则，再生成一个处理优先级分数。表1给出了一个打分规则的具体示例(总分数超过100分则设为100分)：
表1打分规则的示例
如表1中所示，按照检查类型是紧急病情、病因筛查还是常规体检，得分不同；不同加分项对应不同的加分，表1中没有穷举打分规则，打分规则还可以考虑其他的项。在数据处理部120经由图像处理得到的优先级分数和根据人工预定的规则打出的优先级分数中，可以取高的一个分数作为排队分数。注意，根据人工预定的规则打分的步骤未必在所述数据存储调度部130中执行，也可以在数据处理部120中执行并在其中取高的一个分数作为最终的优先级分数传输给所述数据存储调度部130。
在实际操作过程中，对于数据处理部120不能进行图像处理的医学图像相关数据可直接设定为采用预定规则来打分，可确保每个医学图像相关数据都在队列中得到妥善及时的处理。
在实际的队列调度过程中，医学图像相关数据会根据优先级分数被插入列表中对应的位置。在另一个优选的实施方案中，在医学图像相关数据进入队列之后，可设定为优先级分数会随着时间增长。这样可以确保没有数据永远处于被插队的状态，即，一直处于低优先级的状态，这也可以在一定程度上降低因为由于处理时效长而带给病人额外的风险。当然，在这一具体应用中，优先级分数的增长速度可取决于医学图像相关数据的初始分数以及医院规定的数据处理速度区间。这样的设计也可以保证所有的数据在规定的期限内都能处理完成。具体地，例如规定的期限为120分钟，数据的初始优先级分数为40分，满分为100分，处理该数据的时间小于10分钟，则该数据的分数可以每秒钟增长(100-40)/(120-10)/60＝0.009。为了确保紧急的病例会永远在队列的顶端，当分数增长接近到满分时增长速度会变为一个非常小的值，保证非紧急的病例分值不会超过100分。例如，当分值增长到99分时，增长速率会降低为1e-5。而对于情况紧急的病例，其初始分值为100分，增长速率也为1e-5。保持一个很小的增长速率是为了保证数据在队列中的相对位置稳定不变。
调度匹配
上述基于优先级分数的队列调整，其目的是使病情较为紧急的病人的医学图像相关数据能够较优先的被医生看到并处理，这一过程实际上也与实际处理这一队列的医生数量有关联。
具体来说，对于较小的医院或医学影像处理部门，在实施本发明上述方法时，完整的医学图像相关数据的队列可以设置为对所有的医生都可见。这样每名医生都可以从队列中根据情况挑选数据进行处理。
然而，对于人数众多的部门这样的系统会不利于管理。例如，有的数据可能会一直在队列中没人处理，耽误了病人救治的时间。对于这种情况可以将系统设置成分配到个人。系统会将数据自动分配给不同的医生，每个医生都拥有自己的待处理数据队列并负责及时将数据处理完成。所述数据存储调度部130则负责将数据与医生进行匹配，将特定的数据传送给最合适的影像科医生进行后续处理。
例如，可以通过如下的步骤来将数据与医生进行匹配。
例如，根据医生当前的工作进度来分配医学图像相关数据。紧急(优先级分数较高)的数据会分配给手上紧急病例最少的医生；普通的数据会优先分配给最擅长的医生进行处理。如果擅长该类数据的医生工作量太大不能接受更多的数据，则会将该数据分配给任务最轻的医生来完成。优选地，所述数据存储调度部130还可以监控数据的处理情况，当数据的规定期限迫近而所分配的医生尚未处理，则数据存储调度部130会以例如高亮的可视形式向所分配的医生提供提醒。优选地，这种情况下，数据存储调度部130会将所分配的医生尚未处理期限迫近的数据的情况呈现在影像科管理者的界面上。优选地，这种情况下，数据存储调度部130可以自动将任务以当前的优先级分派给另一名影像科医生，以保证能按时获得处理结果。
2、数据处理部120
医学图像相关数据经由所述数据存储调度部130传输给数据处理部120，其中，利用处理器对所述医学图像相关数据进行处理，以至少得到医学图像相关数据的优先级分数。数据处理部120可以包括图像分析模块123，用于对所述医学图像相关数据进行处理，以至少得到医学图像相关数据的优先级分数。优选地，如图2所示，数据处理部120可以包括图像筛选器121，以在对医学图像相关数据进行处理之前进行筛选，以确保不同类别的数据都能分别得到妥善高效的处理，并避免在不可处理的数据上浪费计算资源和时间导致耽误治疗进程。更优选地，数据处理部120还可以包括图像分拣器122，用于根据模态以及成像部位，对所述医学图像相关数据进行分类，从而选择出图像分析模块123中合适的图像分析器对数据进行处理，以至少得到医学图像相关数据的优先级分数。更优选地，数据处理部120还可以包括综合分析模块124，以将图像分析模块123的处理结果与其他信息进行综合分析，以得到更可靠的最终优先级分数，并且减小误诊的可能性。
图2示出了数据处理部120包括图像筛选器121、图像分拣器122、图像分析模块123和综合分析模块124，须知数据处理部120的架构不限于此，图像筛选器121、图像分拣器123和综合分析模块124都是优选地而非必需的模块。下面分别对各个单元执行的步骤进行详细说明。
图像筛选器121
优选地，首先通过图像筛选器121对所获取的医学图像相关数据进行筛选，筛选出的可处理数据才利用处理器(例如图像分拣器122、图像分析模块123和综合分析模块124)进行后续处理。
具体说来，通过图像筛选器121对获取的医学图像相关数据进行筛选，通常会将数据分为几类：无效数据、可处理数据、质量不合格数据、和未知数据。无效数据为影像不存在或数据不完整的数据，质量不合格数据为如空白或者信噪比过低的数据。遇到这类数据，数据处理部120将马上通知用户，以便用户进行及时处理。如短时间内无更新数据从影像采集部传回，则会根据提前制定好的规则将该数据放入列表中等待影像科医生确认处理。未知数据是指数据处理部120中的分类器(例如可能用于图像分拣器122，也可能用于图像分析模块123)的训练数据集中类型从未出现过的数据。例如，如果分类器的训练数据集为各类人体CT图像，则对于该分类器，其他模态的图像或者动物的医学图像都将被视为未知数据。未知数据会根据提前制定好的规则放入待处理数据列表中等待影像科医生处理。同时，该数据也会被记录下来为后续开发提供参考。可处理数据会直接传递给后续数据自动处理单元，例如图像分拣器122、图像分析模块123和综合分析模块124，进行后续处理。
图像筛选器121可以基于多种不同的算法来实现。
例如，可以通过对比原始图像和平滑过后的图像来计算图像的信噪比以排除噪音过大的图像。
例如，可以通过计算(平滑处理)图像的熵值来排除不包含有效信息的噪音图像(比如空白图像)。
再例如，可以通过对训练数据集应用单类支持向量机来获取训练数据的分布。单类支持向量机是一种基于支持向量机算法的非监督学习算法。该算法会针对我们所有的训练数据进行学习，通过计算得到数据的特征分布区间。对于待处理的数据，训练好的单类支持向量机通过判断新的数据是否符合已有数据的分布从而确定该数据是属于可处理数据还是属于未知数据。
图像分拣器122
优选地，被图像筛选器121标注为可处理的数据会传送给图像分拣器122进行自动分拣。本发明中提到的图像分拣器是122用于实现对医学图像相关数据根据图像的特征对图像的模态以及成像器官进行分类的模块。实际上，由于不同的模态及不同的成像部位，其图像数据本身存在规律性差异，适合于某个模态(例如CT)某个成像部位(例如乳腺)的图像分析器未必适合于其他模态(例如MR)其他成像部位(例如脑部)的图像分析。针对此问题，优选地，图像分析器实际上可设置有多个，分别与医学图像的模态和成像部位相对应。因此，在这一过程中，需要选择最合适的图像分析器对该图像进行分析。
另外，在传统的医学图像分析流程中，对应于上述提到的图像分类往往是依赖于图像采集装置生成的元信息以及采集人员输入的文字信息进行判断。由于不同的仪器设备厂商会采用不同的元信息生成标准，不同的采集人员也会有不同的文本输入习惯，同时也会出现不同类型的数据混合在一起的情况(如脑CT影像与胸腔CT影像会混合在一起)，这类基于非图像信息的预分类方法并不可靠。而依照本发明提供的实施例中的方法所涉及的图像分拣器122，在具体执行时，将基于图像特征判断图像的模态和成像的器官。同时，我们设计的图像分拣器122可以根据器官部位将图像分成不同的子图交由不同的图像分析器进行处理。例如，胸腔CT影像中往往会包含肺部、脊椎、肋骨、心脏等不同器官的3D影像。此时，作为进一步优选，可以通过将原始图片先进行分割以得到不同器官的图像块，再将各个器官的图像块交由相应的不同图像分析器进行针对性的分析。
图像分拣器122可由不同的计算机程序算法实现，包括但不限于图像检索算法以及图像分类算法等。
例如，图像分拣器122具体由图像检索算法来实现。这一算法的基本流程为：对每一张样本图像以及待处理的图像都生成一组特征值，通过匹配待处理图像的特征值和样本图像的特征值从而找到最接近的样本图像从而达到分类的目的。再进一步地，上述图像特征值的提取可以使用传统的如方向梯度直方图(HOG)特征算法、局部二值(LBP)特征算法、哈尔(Haar)特征算法，也可以采用基于多层卷积的深度卷积网络。具体地，深度卷积网络既可以通过有监督的分类任务训练得到，也可以通过无监督的自动编码机训练得到。优选地，为了有效的降低特征维度以提高匹配效率，可以采用特征降温的算法。传统的算法有如主成份分析法(PCA)、独立成份分析法(ICA)、字典学习结合稀疏加密算法(dictionarylearning and sparse coding)等，更先进的机器学习的算法则包括词袋模型(bag-of-words)、词向量模型(诸如word2vec)等。
作为替代，在本发明实施例中所设计的图像分拣器，也可以采用图像分类算法来实现。例如，可以通过训练一个深度卷积网络对图像进行分类，将图像分类成不同的器官以及不同的模态。这类深度卷积网络的输入为原始图像，输出为该图像属于每一个指定类型的概率值。深度卷积网络先通过多个卷积层的组合来提取图像特征信息，再通过多个全连接层来计算最终的概率值。网络中的卷积核以及连接权重则通过计算机优化得到。深度卷积网络还可以在一张图像中同时预测多个目标的存在并找到相对应的子区域。针对每个子区域则可以产生不同的子图从而对原始图片更进一步的分拣。注意，这类深度卷积网络也可以实现为全卷积网络，利用卷积的高速运算特点来加快运算速度。
图像分析模块123
优选地，在本发明实施例的方法中所涉及的图像分析模块123由多个图像分析器构成。每个图像分析器都被设计出来针对特定的模态和特定的器官进行计算。图像分析器可以为基于深度学习(神经网络的)的人工智能算法，也可以为其他人工智能算法，例如利用深度神经网络、随机森林(Random Forest)、梯度提升决策树(Gradient BoostingDecision Tree)中的一种或多种算法来实现。图像分析器对医学图像相关数据进行处理的结果包括医学图像的诊断结果、相关区域、优先级分数。诊断结果指基于影像所得的相关病理分析以及生理指标的测量。例如，诊断结果可以是影像特征显示某种疾病特征的概率，也可以是特定器官的大小体积、形态分析、以及组织结构分析。相关区域指的是感兴趣区域。相关区域可以由一张或多张图像标注。图像中的每个像素可以是针对不同区域的编号值也可以是该像素属于某一区域的概率值。相关区域也可以是由一个或多个计算机图形(如直线、曲线、方框、圆圈)所围成的区域。优先级分数则反映了受检者的病情时间急迫性。对于病情紧急需要立马救助的病人(如脑溢血)，图像分析器会生成高的优先级分数，而对于无明显病症的影像则会给予较低的优先级分数。
作为示例，处理结果中的诊断结果可以采用与图像筛选器121相类似的图像分类算法来得到。当采用基于深度卷积网络进行分类计算的时候，还可以通过网络逆向算法来反推图像中带来决策的区域从而定位病灶潜在的区域。网络逆向算法是通过将用于网络参数优化的下降梯度值反向作用于网络中传递的变量值，从而推测出对某一决策起到正向影响的区域(如潜在病灶区域)。
作为示例，处理结果中的相关区域可以采用图像分割算法来得到，例如通过图像分割算法来检测病灶并分割出相关区域。这种算法可以是采用全卷积网络的深度学习算法。算法的输入为原始图像，输出为分割对象的概率分布图像。中间采用了多层卷积层的计算，从而提取出相关的图像特征，以便基于图像特征作出最终的判断。该算法不光可用来分割病灶区域，还可以用来分割图像中人体器官的区域。
作为示例，处理结果中的优先级分数可以基于医学图像的诊断状况(例如上文中提及由图像分析器得到的诊断结果，或者例如表1中所示的诊断分类)根据事先制定好的规则获得。具体说来，对于每种状况，比如80％概率发生脑内血管梗阻的诊断结果，或者脑图片的紧急病情检查(例如急诊检查)，都会有对应的分数。作为替代，也可以采用回归算法从图像特征中直接计算得到优先级分数。回归算法可以采用基于深度卷积网络的算法，既将原先的训练输出替换成了优先级分数。也可以采用如线性回归树一类的算法进行计算，既将卷积得到的图像特征作为输入，通过对特征进行组合运算从而最终得到对应的分数。相比于使用制定好的规则，线性回归算法更灵活一些。
优先级分数的打分规则可以由医生来规定，例如，对于急救的病例(入院后立马接收治疗)，优先级为100分。对于检查结果健康无病的病人，优先级为0分。对于存在慢性病的病人，则可通过是否手术、用药情况、康复效果来确定病情的严重性从而打分。
综合分析模块124
作为进一步优选，可以进一步对图像分析模块123的分析结果进行进一步的综合分析，这可以由综合分析模块124来实现。具体来说，这一过程针对所述医学图像相关数据的诊断结果、所述医学图像的图像特征和所述医学图像的患者的属性信息进行综合分析。如果同一病人存在不同的数据，综合分析模块会综合不同的数据进行最终的诊断。举例来说，如果同个病人存在不同模态和不同部位的医学图像相关数据，可以对这些数据的处理结果进行综合来进行最终的诊断，例如超声图像显示某处存在发散状且活跃的血流，而CT图像显示同处存在异质结构，则综合起来可得到该处大概率存在肿瘤的诊断。再例如，如果该同个病人的其他器官的CT图像和超声图像也发现多处血流活跃的异质结构，则综合起来可得到存在肿瘤转移的诊断，相应地，优先级分数较高。
另一方面，综合分析模块124也可以综合其他的信息来减小误诊的可能性。例如，图像分析器通过处理大脑MRI图像判断病人有患老年痴呆的风险，但根据病例信息发现病人只有18岁，则该诊断结果并不可靠，需要进一步修正。这一病历信息可以来源于医学图像相关数据。
优选地，综合分析模块124可以对不同方式得到的同个医学图像相关数据的各个优先级分数进行综合分析，所述不同方式例如利用经由各种人工智能算法针对图像特征计算出的优先级分数，根据人工规定的规则针对医学图像的属性信息确定的优先级分数，由不同医生人工诊断打出的优先级分数，以及基于医学图像的诊断结果根据预定规则确定的优先级分数，等等。所述综合分析可以包括抛弃偏离值、取最高值、取平均值等中的任何一种或多种。
以上所提到的基于医学图像的诊断结果，可以通过如贝叶斯网络、隐式马尔科夫模型、随机森林算法来综合其他信息从而得到最终患病的概率值。这些算法将基于图像的诊断结果以及用于计算诊断结果的图像特征与其他的非图像信息(如年龄、身高、体重、性别等)放在一起作为计算输入的特征值。输出则为该病人患有某一种(或多种)疾病的判断结果或概率值。贝叶斯网络和隐式马尔科夫模型通过训练数据计算出相对应的概率模型从而得到最终的输出概率值。随机森林算法则通过对特征值和样本进行随机采样生成多个决策树进行投票生成最终的判断结果。
作为进一步优选，本发明实施例提供的调度方法，优先级分数为动态调整队列顺序的主要参考。在具体实施时，可主要采取基于人工智能的手段对所述医学图像相关数据进行处理以得到医学图像相关数据的优先级分数、诊断结果和相关区域等。但必要时，也可引入修正机制，即在综合分析模块124综合分析发现诊断结果存在问题的情况下，可以采用各种方式对所得到的诊断结果进行修正。具体地，所述修正包括：将所述医学图像相关数据发送给第一医生并获取第一医生的诊断结果；将图像分析模块123所得到的诊断结果与第一医生的诊断结果进行对比；以及基于对比结果，来得到医学图像相关数据的诊断结果、相关区域和优先级分数。在这一过程中，基于对比结果来得到医学图像相关数据的诊断结果、相关区域和优先级分数的步骤具体包括：当对比结果不一致时，将两者的诊断结果发送给其他医生；以及基于医生的综合诊断结果，来得到医学图像相关数据的诊断结果、相关区域和优先级分数。
3、数据浏览部140
根据数据存储调度部130完成的排序，来在数据浏览部140上呈现医学图像相关数据及其处理结果的队列。如图3所示，数据浏览部140可以提供多个用户界面，以为不同用户提供相应的显示。
影像科医生用户界面141
优选地，影像科医生用户界面141中会显示一系列经过排序的病人影像缩略图。图3示出了根据本发明另一实施例的影像科医生用户界面141，如图3所示，影像科医生可以通过各种分类模式，包括但不限于模态分类、器官分类、年龄分类、任务难度等，对待处理病例进行分类显示。每个影像科医生有不同的偏好，有些擅长于某个部位或器官的诊断，例如肺部，所以倾向于将待处理病例按照器官分类，有些对成像模态有选择性，例如不擅长CT图像处理的影像科医生通过模态分类，发现分给自己大量任务紧急的CT图像时，可以通过该用户界面141反馈或提交给更高级别的医生，以进行再分配或处理，以实现人力资源的自主优化配置。
例如选择了模态分类，则如图3所示，待处理病例分为CT影像、MRI影像、X光影像等各种模态来显示，在每个模态中，医学图像相关数据从左到右按照优先级分数从高到低来排序，例如，在CT影像一栏中，最左侧的是“紧急！！！”病例，其右侧的是优先级较高的病例，每幅医学图像下方显示动态的优先级分数，优选地，在优先级项附近显示条形，该条形的长度表征优先级分数的大小，以使得影像科医生能够更直观地把握待处理病例的优先级情况。优选地，影像科医生通过点击缩略图打开相对应的病例进行诊断。缩略图由数据处理部120基于病人的待诊断的医学影像生成，例如，数据处理部120可以选择最优对比度、关键图层等等，来对医学图像进行显示。优选地，数据处理部120会根据计算处理结果调整影像亮度并选择显示的区域，如果检测到了某种病症，则会对相关区域进行高亮显示。如图3中X光影像栏中所示，由数据处理部120对肺部中的相关区域生成高亮标注，以为影像科医生提供诊断辅助。优选的，当鼠标悬停在某张图像上时该图像会进行动态显示，自动的在不同的病症图像上进行切换显示。优选地，影像科医生可以选择显示数据处理系统的计算结果，以缩小范围、提高工作效率、减小误诊率。如果医生在处理该数据时遇到困难，可以通过该用户界面141提交给更高级别的医生进行处理。则该数据会以当前优先级分数进入更高级别医生的待处理数据队列。
影像科管理者用户界面142
影像科管理者用户界面142让部门管理者可以通过该用户界面监督和调度数据进度。管理者可以通过该用户界面查看各个影像科医生待处理的数据、处理完的数据、以及处理完数据的统计。管理者可以调出处理完的数据进行抽检，也可以在不同医生待处理的数据之间进行手动调配。
结果浏览用户界面143
结果浏览用户界面可供非影像科医生查看诊断结果。同时，在医院规定允许的范围内，患者也可以通过结果浏览用户界面，例如在自己的移动终端上，方便地访问查看他们自己的影像数据、数据处理进度、以及数据处理结果报告。
开发人员用户界面144
优选地，开发人员可以通过开发人员用户界面144查看人工智能模块的错误诊断结果统计，从而为系统纠错并为后续的系统升级提供参考。另外，本发明的实施例的还提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述方法的任何示例，该方法的基本实施例包括：
获取医学图像相关数据；
利用处理器，对所述医学图像相关数据进行处理，以至少得到医学图像相关数据的优先级分数；
利用处理器，至少根据医学图像相关数据的优先级分数，对医学图像相关数据进行排序；以及
利用处理器，根据排序来呈现医学图像相关数据及其处理结果的队列。
上文中所描述的方法的各种具体实施例，包括各种软件模块，都可以在所述计算机可读存储介质上实现。
以上，本文描述了各种操作或功能，其可以被作为软件代码或指令实现或定义为软件代码或指令。这样的内容可以是可直接执行的(“对象”或“可执行”形式)源代码或差分代码(“增量”或“补丁”代码)。本文所述的实施例的软件实现可以经由其中存储有代码或指令的制品或者经由操作通信接口以经由通信接口发送数据的方法来提供。机器或计算机可读存储介质可以使机器执行所描述的功能或操作，并且包括以可由机器(例如，计算设备、电子系统等等)访问的形式存储信息的任何机制，诸如可记录/不可记录介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质、闪存设备、等等)。通信接口包括接合到硬连线、无线、光学等介质中的任何一个以与另一设备通信的任何机制，诸如存储器总线接口、处理器总线接口、互联网连接、磁盘控制器等。可以通过提供配置参数和/或发送信号来将通信接口配置成将该通信接口准备好以提供描述软件内容的数据信号。可以经由发送到通信接口的一个或更多个命令或信号来访问通信接口。
本发明还涉及一种用于执行本文的操作的系统。该系统可以是为了所需目的而特别构造的，或者该系统可以包括由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算机。这样的计算机程序可以存储在计算机可读存储介质中，所述计算机可读存储介质诸如但并不限于包括软盘、光盘、CDROM、磁光盘等任何类型的盘、只读存储器(ROM)、随机存取存储器(RAM)、EPROM、EEPROM、磁卡或光卡、或适于存储电子指令的任何类型的介质，其中每个介质耦合到计算机系统总线。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (36)

1.一种医学图像调度方法，其由计算机实现，且其特征在于，所述医学图像调度方法包括以下步骤：
获取医学图像相关数据；
利用处理器，对所述医学图像相关数据进行处理，以至少得到医学图像相关数据的优先级参数；
利用处理器，至少根据医学图像相关数据的优先级参数，对医学图像相关数据进行排序；以及
利用处理器，根据排序来呈现医学图像相关数据及其处理结果的队列。
2.根据权利要求1所述的医学图像调度方法，其特征在于，所述对所述医学图像相关数据进行处理以得到医学图像相关数据的优先级参数的步骤包括：
对所述医学图像相关数据就模态以及成像部位进行分类；
根据该分类结果，应用相应的图像分析器对所述医学图像相关数据所包含的医学图像进行分析，以至少得到医学图像相关数据的优先级参数。
3.根据权利要求2所述的医学图像调度方法，其特征在于，对所述医学图像相关数据就模态以及成像部位进行分类的步骤至少基于所述医学图像的图像特征来执行。
4.根据权利要求3所述的医学图像调度方法，其特征在于，对所述医学图像相关数据就模态以及成像部位进行分类的步骤通过图像检索算法和/或图像分类算法来实现。
5.根据权利要求3所述的医学图像调度方法，其特征在于，所述图像分析器包括多个图像分析器，每个图像分析器被设计针对特定的模态和成像部位进行计算。
6.根据权利要求5所述的医学图像调度方法，其特征在于，所述图像分析器利用深度神经网络、随机森林、梯度提升决策树中的一种或多种算法来实现。
7.根据权利要求3所述的医学图像调度方法，其特征在于，对所述医学图像相关数据处理的结果包括所述医学图像的诊断结果、相关区域和优先级参数。
8.根据权利要求7所述的医学图像调度方法，其特征在于，所述医学图像相关数据的所述优先级参数基于所述医学图像的诊断状况根据预定规则来获得。
9.根据权利要求8所述的医学图像调度方法，其特征在于，所述预定规则包括：在所述医学图像相关数据进入队列之后，其优先级参数以一定速率随时间增长，所述一定速率基于所述医学图像相关数据的初始的优先级参数以及其规定的处理时间。
10.根据权利要求3所述的医学图像调度方法，其特征在于，所述医学图像相关数据的所述优先级参数基于所述医学图像的图像特征利用回归算法得到。
11.根据权利要求8所述的医学图像调度方法，其特征在于，对所述医学图像相关数据进行处理以至少得到医学图像相关数据的优先级参数的步骤包括：
在处理器处理所得到的诊断结果存在问题的情况下，对所得到的诊断结果进行修正。
12.根据权利要求11所述的医学图像调度方法，其特征在于，所述修正包括：
将所述医学图像相关数据发送给第一医生并获取第一医生的诊断结果；
将处理器处理所得到的诊断结果与第一医生的诊断结果进行对比；以及
基于对比结果，来得到医学图像相关数据的诊断结果、相关区域和优先级参数。
13.根据权利要求12所述的医学图像调度方法，其特征在于，基于对比结果来得到医学图像相关数据的诊断结果、相关区域和优先级参数的步骤包括：
当对比结果不一致时，将两者的诊断结果发送给其他医生；以及
基于医生的综合诊断结果，来得到医学图像相关数据的诊断结果、相关区域和优先级参数。
14.根据权利要求1所述的医学图像调度方法，其特征在于，所述医学图像调度方法包括：
利用所述处理器，响应于获取医学图像相关数据，对所获取的医学图像相关数据进行筛选，筛选出的可处理数据供所述处理器进行后续处理。
15.根据权利要求1所述的医学图像调度方法，其特征在于，所述至少根据医学图像相关数据的优先级参数对医学图像相关数据进行排序的步骤包括：
根据医学图像相关数据的优先级参数，以及还根据医生的诊断结果和数据采集时间中的至少一种，对医学图像相关数据进行排序。
16.根据权利要求7所述的医学图像调度方法，其特征在于，所述医学图像调度方法还包括：
响应于根据该分类结果应用相应的图像分析器对所述医学图像进行分析，对图像分析器的分析结果进行综合分析，以得到医学图像相关数据的优先级参数和诊断结果。
17.根据权利要求16所述的医学图像调度方法，其特征在于，综合分析步骤包括：
在用户具有不同医学图像相关数据的情况下，对不同数据经由图像分析器的分析结果进行综合分析。
18.根据权利要求16所述的医学图像调度方法，其特征在于，综合分析步骤包括：
对所述医学图像相关数据的诊断结果、所述医学图像的图像特征和所述医学图像的患者的属性信息进行综合分析。
19.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时，实现根据权利要求1-18中的任何一项所述的由计算机实现的医学图像调度方法。
20.一种医学图像调度系统，该系统通信地连接到影像采集部，以从其获取医学图像相关数据，其特征在于，所述系统包括：
数据处理部，其配置为对所获取的医学图像相关数据进行处理，以至少得到医学图像相关数据的优先级参数；
数据存储调度部，其配置为至少根据医学图像相关数据的优先级参数，对医学图像相关数据进行排序；以及
数据浏览部，其配置为根据排序来呈现医学图像相关数据及其处理结果的队列。
21.根据权利要求20所述的医学图像调度系统，其特征在于，所述数据处理部包括：
图像分拣器，其配置为对所述医学图像相关数据就模态以及成像部位进行分类；
图像分析模块，包括多个图像分析器，每个图像分析器被设计针对特定的模态和成像部位进行计算；
其中，所述数据处理部根据图像分拣器的分类结果，应用相应的图像分析器对所述医学图像相关数据包含的医学图像进行分析，以至少得到医学图像相关数据的优先级参数。
22.根据权利要求21所述的医学图像调度系统，其特征在于，对所述医学图像相关数据就模态以及成像部位进行分类至少基于所述医学图像的图像特征来执行。
23.根据权利要求22所述的医学图像调度系统，其特征在于，对所述医学图像相关数据就模态以及成像部位进行分类通过图像检索算法和/或图像分类算法来实现。
24.根据权利要求21所述的医学图像调度系统，其特征在于，所述图像分析器利用深度神经网络、随机森林、梯度提升决策树中的一种或多种算法来实现。
25.根据权利要求22所述的医学图像调度系统，其特征在于，对所述医学图像相关数据处理的结果包括所述医学图像的诊断结果、相关区域和优先级参数。
26.根据权利要求25所述的医学图像调度系统，其特征在于，所述数据处理部还配置为：基于所述医学图像的诊断结果根据预定规则，来得到医学图像相关数据的优先级参数。
27.根据权利要求26所述的医学图像调度系统，其特征在于，所述预定规则包括：在所述医学图像相关数据进入队列之后，其优先级参数以一定速率随时间增长，所述一定速率基于所述医学图像相关数据的初始的优先级参数以及其规定的处理时间。
28.根据权利要求22所述的医学图像调度系统，其特征在于，所述图像分析器配置为：基于所述医学图像的图像特征利用回归算法，来得到医学图像相关数据的优先级参数。
29.根据权利要求26所述的医学图像调度系统，其特征在于，所述数据处理部还包括综合分析模块，其配置为：在图像分析模块所得到的诊断结果存在问题的情况下，对所得到的诊断结果进行修正。
30.根据权利要求29所述的医学图像调度系统，其特征在于，所述综合分析模块进一步配置为：
将所述医学图像相关数据发送给第一医生并获取第一医生的诊断结果；
将图像分析模块所得到的诊断结果与第一医生的诊断结果进行对比；以及
基于对比结果，来得到医学图像相关数据的诊断结果、相关区域和优先级参数。
31.根据权利要求30所述的医学图像调度系统，其特征在于，所述综合分析模块进一步配置为：
当对比结果不一致时，将两者的诊断结果发送给其他医生；以及
基于医生的综合诊断结果，来得到医学图像相关数据的诊断结果、相关区域和优先级参数。
32.根据权利要求21所述的医学图像调度系统，其特征在于，所述医学图像调度系统包括图像筛选器，其配置为：
响应于获取医学图像相关数据，对所获取的医学图像相关数据进行筛选，筛选出的可处理数据供所述图像分拣器进行后续处理。
33.根据权利要求20所述的医学图像调度系统，其特征在于，所述数据存储调度部还配置为：
根据医学图像相关数据的优先级参数，以及还根据医生的诊断结果和数据采集时间中的至少一种，对医学图像相关数据进行排序。
34.根据权利要求29所述的医学图像调度系统，其特征在于，所述综合分析模块还配置为：
响应于由所述数据处理部根据该分类结果应用相应的图像分析器对所述医学图像进行分析，对图像分析器的分析结果进行综合分析，以至少得到医学图像相关数据的优先级参数。
35.根据权利要求29所述的医学图像调度系统，其特征在于，所述综合分析模块还配置为：
在用户具有不同医学图像相关数据的情况下，对不同数据经由图像分析器的分析结果进行综合分析。
36.根据权利要求29所述的医学图像调度系统，其特征在于，所述综合分析模块还配置为：
对所述医学图像相关数据的诊断结果、所述医学图像的图像特征和所述医学图像的患者的属性信息进行综合分析。
CN201810194503.5A 2018-01-23 2018-03-09 由计算机实现的医学图像调度方法、调度系统及存储介质 Active CN108305671B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011412540.2A CN112466439A (zh) 2018-01-23 2018-03-09 由计算机实现的医学图像调度方法、调度系统及存储介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862620689P 2018-01-23 2018-01-23
US62/620,689 2018-01-23

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202011412540.2A Division CN112466439A (zh) 2018-01-23 2018-03-09 由计算机实现的医学图像调度方法、调度系统及存储介质

Publications (2)

Publication Number Publication Date
CN108305671A true CN108305671A (zh) 2018-07-20
CN108305671B CN108305671B (zh) 2021-01-01

Family

ID=62849784

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011412540.2A Pending CN112466439A (zh) 2018-01-23 2018-03-09 由计算机实现的医学图像调度方法、调度系统及存储介质
CN201810194503.5A Active CN108305671B (zh) 2018-01-23 2018-03-09 由计算机实现的医学图像调度方法、调度系统及存储介质

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202011412540.2A Pending CN112466439A (zh) 2018-01-23 2018-03-09 由计算机实现的医学图像调度方法、调度系统及存储介质

Country Status (2)

Country Link
US (1) US10573000B2 (zh)
CN (2) CN112466439A (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109686444A (zh) * 2018-12-27 2019-04-26 上海联影智能医疗科技有限公司 用于医学图像分级的系统和方法
CN110176293A (zh) * 2019-05-29 2019-08-27 数坤（北京）网络科技有限公司 一种影像加载方法、装置及计算机存储介质
CN110378876A (zh) * 2019-06-18 2019-10-25 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
CN110517745A (zh) * 2019-08-15 2019-11-29 中山大学肿瘤防治中心 医疗检查结果的展示方法、装置、电子设备及存储介质
CN111048185A (zh) * 2019-12-25 2020-04-21 长春理工大学 基于机器学习的感兴趣区域参数博弈分析方法
CN111192679A (zh) * 2019-12-25 2020-05-22 上海联影智能医疗科技有限公司 一种影像数据异常的处理方法、装置及存储介质
CN111242085A (zh) * 2020-01-21 2020-06-05 上海商汤智能科技有限公司 一种重排序处理装置
CN111415725A (zh) * 2020-03-05 2020-07-14 北京深睿博联科技有限责任公司 一种应用于ai医疗影像诊断算法调度方法、系统、终端及存储介质
CN111436215A (zh) * 2018-11-14 2020-07-21 库雷人工智能科技私人有限公司 用于医学成像评估的深度学习的应用
CN112100629A (zh) * 2019-06-17 2020-12-18 阿里健康信息技术有限公司 一种医疗数据处理方法、装置以及系统
CN112514352A (zh) * 2018-09-28 2021-03-16 西门子股份公司 更新调度规则的方法、设备、系统、存储介质和终端
CN112567471A (zh) * 2018-08-07 2021-03-26 皇家飞利浦有限公司 处理医学图像
CN113056794A (zh) * 2018-10-23 2021-06-29 皇家飞利浦有限公司 医学图像设备和操作方法
CN113100742A (zh) * 2021-03-05 2021-07-13 北京赛迈特锐医疗科技有限公司 乳腺mr影像智能诊断方法、装置及设备
CN113113133A (zh) * 2021-03-31 2021-07-13 上海深至信息科技有限公司 一种医疗服务提供系统及方法
CN113284598A (zh) * 2021-07-26 2021-08-20 深圳理邦智慧健康发展有限公司 诊断请求消息的提醒方法、设备及可读存储介质
CN113365557A (zh) * 2019-01-30 2021-09-07 富士胶片株式会社 医用图像分析装置、方法及程序
CN113366580A (zh) * 2018-12-31 2021-09-07 通用电气精准医疗有限责任公司 使用分布式学习平台促进将人工智能集成到系统中
CN113744845A (zh) * 2021-09-17 2021-12-03 平安好医投资管理有限公司 基于人工智能的医学影像处理方法、装置、设备及介质
CN113778580A (zh) * 2021-07-28 2021-12-10 赤子城网络技术（北京）有限公司 模态用户界面显示方法、电子设备及存储介质
WO2022061787A1 (en) * 2020-09-25 2022-03-31 Shanghai United Imaging Healthcare Co., Ltd. Medical systems and methods
WO2022134032A1 (zh) * 2020-12-25 2022-06-30 京东方科技集团股份有限公司 一种体检信息分配方法、装置、电子设备、计算机可读存储介质以及计算机程序产品
CN114783575A (zh) * 2022-04-20 2022-07-22 北京中捷互联信息技术有限公司 一种医疗用图像处理系统及方法

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11416513B2 (en) * 2018-06-27 2022-08-16 Universal Research Solutions, Llc Searching data structures maintained by distributed data sources
US10964095B1 (en) * 2020-04-07 2021-03-30 Robert Edwin Douglas Method and apparatus for tandem volume rendering
US10776989B1 (en) * 2019-05-13 2020-09-15 Robert Edwin Douglas Method and apparatus for prioritized volume rendering
US20210027885A1 (en) * 2018-10-26 2021-01-28 MDWeb, LLC Method of facilitating imaging study interpretations between healthcare facilities and physicians including customization of imaging studies
JP7109345B2 (ja) * 2018-11-20 2022-07-29 富士フイルム株式会社 優先度判定装置、方法およびプログラム
JP7064430B2 (ja) * 2018-11-20 2022-05-10 富士フイルム株式会社 優先度判定装置、方法およびプログラム
US20200373003A1 (en) * 2018-11-21 2020-11-26 Enlitic, Inc. Automatic medical scan triaging system and methods for use therewith
JP7255328B2 (ja) * 2019-04-09 2023-04-11 コニカミノルタ株式会社 医用情報処理システム
BR112021023713A2 (pt) 2019-05-31 2022-02-01 Paige Ai Inc Sistemas e métodos para processamento de imagens de lâminas para priorizar automaticamente as imagens processadas de lâminas para patologia digital
ES2815623A1 (es) * 2019-09-27 2021-03-30 Delgado Oscar Ruesga PROCEDIMIENTO PARA LA REALIZACION DE UN DIAGNOSTICO y PRONOSTICO MEDICO DIGITAL BASADO EN ANATOMIA DIGITAL
CN110946615B (zh) * 2019-11-19 2023-04-25 苏州佳世达电通有限公司 超声波诊断装置及使用其的操作方法
JP7349345B2 (ja) * 2019-12-23 2023-09-22 富士フイルムヘルスケア株式会社 画像診断支援装置、画像診断支援プログラム、及び、それを備えた医用画像取得装置
CN111324761B (zh) * 2020-02-25 2023-10-13 平安科技（深圳）有限公司 图像标注管理方法、装置、计算机系统及可读存储介质
KR102240932B1 (ko) * 2020-03-23 2021-04-15 한승호 구강 데이터 관리 방법, 장치, 및 시스템
US20220188281A1 (en) * 2020-12-10 2022-06-16 Cerner Innovation, Inc. Automated transformation documentation of medical data
JP2022114195A (ja) * 2021-01-26 2022-08-05 キヤノンメディカルシステムズ株式会社 医用情報処理装置、及び医用情報処理システム
CN113688266A (zh) * 2021-09-13 2021-11-23 上海联影医疗科技股份有限公司 图像优先级确定方法和图像处理方法、装置、设备、介质
WO2023070157A1 (en) * 2021-10-27 2023-05-04 Annalise-Ai Pty Ltd Methods and systems for automated analysis of medical images with injection of clinical ranking
CN114224369B (zh) * 2021-12-21 2022-12-13 深圳市医未医疗科技有限公司 一种医学影像自动诊断系统
CN114822779A (zh) * 2022-03-07 2022-07-29 数坤(北京)网络科技股份有限公司 征象信息影像展示方法、装置、存储介质及计算机设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101969409A (zh) * 2010-11-05 2011-02-09 南京邮电大学 一种基于定时器和mdrr的队列调度方法
CN102163302A (zh) * 2010-02-24 2011-08-24 北大方正集团有限公司 环节任务处理方法及装置
US20120113239A1 (en) * 2010-11-08 2012-05-10 Hagai Krupnik System and method for displaying an image stream
US20120316421A1 (en) * 2009-07-07 2012-12-13 The Johns Hopkins University System and method for automated disease assessment in capsule endoscopy
CN102918558A (zh) * 2010-01-28 2013-02-06 拉德罗吉克斯公司 用于对医学图像进行分析、优先级划分、显现和报告的方法和系统
CN107038521A (zh) * 2016-01-21 2017-08-11 埃森哲环球解决方案有限公司 智能调度和工作项分配
CN107463786A (zh) * 2017-08-17 2017-12-12 王卫鹏 基于结构化报告模板的医学影像知识库建立方法
CN107492099A (zh) * 2017-08-28 2017-12-19 京东方科技集团股份有限公司 医学图像分析方法、医学图像分析系统以及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002329190A (ja) * 2001-04-26 2002-11-15 Doctor Net:Kk 遠隔読影システム、遠隔読影方法、医用画像保存管理方法、及び医用画像サーバ
CN1639721A (zh) * 2002-04-04 2005-07-13 佳能株式会社 协作诊断系统
US20070273926A1 (en) * 2006-05-25 2007-11-29 Matsushita Electric Industrial Co., Ltd. Device and method for switching between image data objects
US8799046B2 (en) * 2006-12-27 2014-08-05 Verizon Patent And Licensing Inc. Dispatching prioritized jobs at multiple locations to workers
US8233965B2 (en) * 2007-03-08 2012-07-31 Oslo Universitetssykehus Hf Tumor grading from blood volume maps
US8976190B1 (en) * 2013-03-15 2015-03-10 Pme Ip Australia Pty Ltd Method and system for rule based display of sets of images
CN103440421B (zh) * 2013-08-30 2017-07-25 上海普之康健康管理有限公司 医学数据处理方法和系统
US10452813B2 (en) * 2016-11-17 2019-10-22 Terarecon, Inc. Medical image identification and interpretation
US11664114B2 (en) * 2017-05-25 2023-05-30 Enlitic, Inc. Medical scan assisted review system

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120316421A1 (en) * 2009-07-07 2012-12-13 The Johns Hopkins University System and method for automated disease assessment in capsule endoscopy
CN102918558A (zh) * 2010-01-28 2013-02-06 拉德罗吉克斯公司 用于对医学图像进行分析、优先级划分、显现和报告的方法和系统
CN102163302A (zh) * 2010-02-24 2011-08-24 北大方正集团有限公司 环节任务处理方法及装置
CN101969409A (zh) * 2010-11-05 2011-02-09 南京邮电大学 一种基于定时器和mdrr的队列调度方法
US20120113239A1 (en) * 2010-11-08 2012-05-10 Hagai Krupnik System and method for displaying an image stream
CN107038521A (zh) * 2016-01-21 2017-08-11 埃森哲环球解决方案有限公司 智能调度和工作项分配
CN107463786A (zh) * 2017-08-17 2017-12-12 王卫鹏 基于结构化报告模板的医学影像知识库建立方法
CN107492099A (zh) * 2017-08-28 2017-12-19 京东方科技集团股份有限公司 医学图像分析方法、医学图像分析系统以及存储介质

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112567471A (zh) * 2018-08-07 2021-03-26 皇家飞利浦有限公司 处理医学图像
CN112514352A (zh) * 2018-09-28 2021-03-16 西门子股份公司 更新调度规则的方法、设备、系统、存储介质和终端
CN113056794A (zh) * 2018-10-23 2021-06-29 皇家飞利浦有限公司 医学图像设备和操作方法
CN111436215A (zh) * 2018-11-14 2020-07-21 库雷人工智能科技私人有限公司 用于医学成像评估的深度学习的应用
CN109686444A (zh) * 2018-12-27 2019-04-26 上海联影智能医疗科技有限公司 用于医学图像分级的系统和方法
US11742073B2 (en) 2018-12-27 2023-08-29 Shanghai United Imaging Intelligence Co., Ltd. Methods and devices for grading a medical image
US11145405B2 (en) 2018-12-27 2021-10-12 Shanghai United Imaging Intelligence Co., Ltd. Methods and devices for grading a medical image
CN113366580A (zh) * 2018-12-31 2021-09-07 通用电气精准医疗有限责任公司 使用分布式学习平台促进将人工智能集成到系统中
CN113365557B (zh) * 2019-01-30 2024-05-14 富士胶片株式会社 医用图像分析装置、方法及计算机可读存储介质
CN113365557A (zh) * 2019-01-30 2021-09-07 富士胶片株式会社 医用图像分析装置、方法及程序
CN110176293A (zh) * 2019-05-29 2019-08-27 数坤（北京）网络科技有限公司 一种影像加载方法、装置及计算机存储介质
CN112100629A (zh) * 2019-06-17 2020-12-18 阿里健康信息技术有限公司 一种医疗数据处理方法、装置以及系统
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
CN110378876A (zh) * 2019-06-18 2019-10-25 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
CN110517745A (zh) * 2019-08-15 2019-11-29 中山大学肿瘤防治中心 医疗检查结果的展示方法、装置、电子设备及存储介质
CN111192679A (zh) * 2019-12-25 2020-05-22 上海联影智能医疗科技有限公司 一种影像数据异常的处理方法、装置及存储介质
CN111192679B (zh) * 2019-12-25 2024-04-19 上海联影智能医疗科技有限公司 一种影像数据异常的处理方法、装置及存储介质
CN111048185B (zh) * 2019-12-25 2023-03-28 长春理工大学 基于机器学习的感兴趣区域参数博弈分析方法
CN111048185A (zh) * 2019-12-25 2020-04-21 长春理工大学 基于机器学习的感兴趣区域参数博弈分析方法
CN111242085A (zh) * 2020-01-21 2020-06-05 上海商汤智能科技有限公司 一种重排序处理装置
CN111415725B (zh) * 2020-03-05 2023-09-26 北京深睿博联科技有限责任公司 一种应用于ai医疗影像诊断算法调度方法、系统、终端及存储介质
CN111415725A (zh) * 2020-03-05 2020-07-14 北京深睿博联科技有限责任公司 一种应用于ai医疗影像诊断算法调度方法、系统、终端及存储介质
WO2022061787A1 (en) * 2020-09-25 2022-03-31 Shanghai United Imaging Healthcare Co., Ltd. Medical systems and methods
WO2022134032A1 (zh) * 2020-12-25 2022-06-30 京东方科技集团股份有限公司 一种体检信息分配方法、装置、电子设备、计算机可读存储介质以及计算机程序产品
CN114981803A (zh) * 2020-12-25 2022-08-30 京东方科技集团股份有限公司 一种体检信息分配方法、装置、电子设备、计算机可读存储介质以及计算机程序产品
CN113100742B (zh) * 2021-03-05 2023-09-26 北京赛迈特锐医疗科技有限公司 乳腺mr影像智能诊断方法、装置及设备
CN113100742A (zh) * 2021-03-05 2021-07-13 北京赛迈特锐医疗科技有限公司 乳腺mr影像智能诊断方法、装置及设备
CN113113133A (zh) * 2021-03-31 2021-07-13 上海深至信息科技有限公司 一种医疗服务提供系统及方法
CN113284598B (zh) * 2021-07-26 2022-03-15 深圳理邦智慧健康发展有限公司 诊断请求消息的提醒方法、设备及可读存储介质
CN113284598A (zh) * 2021-07-26 2021-08-20 深圳理邦智慧健康发展有限公司 诊断请求消息的提醒方法、设备及可读存储介质
CN113778580A (zh) * 2021-07-28 2021-12-10 赤子城网络技术（北京）有限公司 模态用户界面显示方法、电子设备及存储介质
CN113778580B (zh) * 2021-07-28 2023-12-08 赤子城网络技术（北京）有限公司 模态用户界面显示方法、电子设备及存储介质
CN113744845A (zh) * 2021-09-17 2021-12-03 平安好医投资管理有限公司 基于人工智能的医学影像处理方法、装置、设备及介质
CN114783575A (zh) * 2022-04-20 2022-07-22 北京中捷互联信息技术有限公司 一种医疗用图像处理系统及方法
CN114783575B (zh) * 2022-04-20 2023-09-29 广州唯顶软件科技有限公司 一种医疗用图像处理系统及方法

Also Published As

Publication number Publication date
CN112466439A (zh) 2021-03-09
US20190228524A1 (en) 2019-07-25
CN108305671B (zh) 2021-01-01
US10573000B2 (en) 2020-02-25

Similar Documents

Publication Publication Date Title
CN108305671A (zh) 由计算机实现的医学图像调度方法、调度系统及存储介质
US20190220978A1 (en) Method for integrating image analysis, longitudinal tracking of a region of interest and updating of a knowledge representation
US20220020213A1 (en) Method for generating a 3d physical model of a patient specific anatomic feature from 2d medical images
US9514416B2 (en) Apparatus and method of diagnosing a lesion using image data and diagnostic models
US20200219260A1 (en) Cancer Detection Systems and Methods
US20170011185A1 (en) Artificial neural network and a method for the classification of medical image data records
CN1977283B (zh) 用于医疗诊断的智能定性和定量分析的系统
CN108784655A (zh) 针对医疗患者的快速评估和后果分析
US20170018075A1 (en) Method and apparatus for adaptive Computer-Aided Diagnosis
CN102483815A (zh) 临床决策支持
JP2022525256A (ja) デジタル病理学のためのスライドの画像を処理し、スライドの処理された画像を自動的に優先順位付けするためのシステムおよび方法
CN113841171A (zh) 用于使临床工作流程决策自动化并生成优先读取指示符的系统和方法
JP2022036125A (ja) 検査値のコンテキストによるフィルタリング
Chan et al. Deep learning for mammographic breast density assessment and beyond
Brown et al. Database design and implementation for quantitative image analysis research
US20220392595A1 (en) Information processing apparatus, information processing method, and information processing program
CN116524248A (zh) 医学数据处理装置、方法及分类模型训练装置
Hao et al. Skeletal bone age assessment based on deep convolutional neural networks
CN115482936A (zh) 用于评估医学图像数据的方法和设备
US11869654B2 (en) Processing medical images
CN113178254A (zh) 基于5g的智慧医疗数据分析方法、装置及计算机设备
CN112447287A (zh) 自动化的临床工作流程
US20240127917A1 (en) Method and system for providing a document model structure for producing a medical findings report
US20230245430A1 (en) Systems and methods for processing electronic images for auto-labeling for computational pathology
US20230118546A1 (en) High-definition labeling system for medical imaging AI algorithms

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