CN108335732A - 一种oct影像的病例推荐方法及其系统 - Google Patents

一种oct影像的病例推荐方法及其系统 Download PDF

Info

Publication number
CN108335732A
CN108335732A CN201711463430.7A CN201711463430A CN108335732A CN 108335732 A CN108335732 A CN 108335732A CN 201711463430 A CN201711463430 A CN 201711463430A CN 108335732 A CN108335732 A CN 108335732A
Authority
CN
China
Prior art keywords
case
image
oct
pathological diagnosis
cloud processor
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
Application number
CN201711463430.7A
Other languages
English (en)
Inventor
朱锐
李嘉男
曹挥
曹一挥
薛婷
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.)
Xi'an Zhongke Low Light Imaging Technology Co Ltd
Original Assignee
Xi'an Zhongke Low Light Imaging 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 Xi'an Zhongke Low Light Imaging Technology Co Ltd filed Critical Xi'an Zhongke Low Light Imaging Technology Co Ltd
Priority to CN201711463430.7A priority Critical patent/CN108335732A/zh
Publication of CN108335732A publication Critical patent/CN108335732A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及一种OCT影像的病例推荐方法及其系统，该方法包括：将注册信息上传至云端处理器；将图像或病例上传至病例推荐系统和所述云端处理器；所述云端处理器提取所述图像或病例中的OCT图像；根据所述OCT图像的第一病理诊断特征与所述云端处理器中的病例图像的第二病理诊断特征的相似度关系获得病例推荐图像；根据所述病例推荐图像推荐临床治疗方案。本发明的病例推荐系统为一种自动对OCT图像进行分析并自动推荐相应的治疗方案的系统，只需要将含有OCT图像的病历或者图片上传至病例推荐系统中，即可获得与之相关的病历以及文献内容，通过这些病例以及文献内容可以获取相应的治疗方案，便于使用者及时获取相关诊疗信息。

Description

一种OCT影像的病例推荐方法及其系统
技术领域
本发明涉及病例推荐技术领域，特别是涉及一种OCT影像的病例推荐方法及其系统。
背景技术
光学相干断层成像术(Optical Coherence Tomography，OCT)是一种高分辨率，非接触性、无创的生物组织成像技术。OCT成像的原理与超声波类似，是运用反射的近红外线作为成像媒介形成影像，而非运用反射的音波。近红外线(一般为800～1300nm)来源分为两个途径，其中一个途径用于组织取样；另一个则用于参考反射镜。取样手臂扫描经过组织时，可运用干涉仪，以参考臂的光线持续阻绝取样组织后端发出的反射。对于持续阻绝的光线，会执行数字信号处理算法，以达到深度解析的轴状扫描。将这些扫描相互堆栈即可形成2D或3D的组织影像。
目前，用于检测急性冠脉综合征等疾病的方法很多，包括冠状动脉造影、血管内超声、光学相干断层等，这些都需要人工分辨图像中是否用于诊断的信息，并对诊断信息进行临床分析确定治疗方案。到目前为止，临床医生对OCT影像(即OCT图像)的判断大多数是基于其临床经验以及相关共识标准。
然而，由于现存病例以及文献数量庞大，导致医生需要花费大量的时间以及精力从中找出与其需要相契合的内容，并且因庞大的病例以及文献数量导致所找出的内容并非最佳方案，由此会延误病人的治疗。
发明内容
因此，为解决现有技术存在的技术缺陷和不足，本发明提出一种OCT 影像的病例推荐方法及其系统。
具体地，本发明一个实施例提出的一种OCT影像的病例推荐方法及其系统，包括：
步骤1、将注册信息上传至云端处理器；
步骤2、将图像或病例上传至病例推荐系统和所述云端处理器；
步骤3、所述云端处理器提取所述图像或病例中的OCT图像；
步骤4、根据所述OCT图像的第一病理诊断特征与所述云端处理器中的病例图像的第二病理诊断特征的相似度关系获得病例推荐图像；
步骤5、根据所述病例推荐图像推荐临床治疗方案。
在本发明的一个实施例中，所述第一病理诊断特征或所述第二病理诊断特征包括支架特征、易损斑块特征、血管直径特征或易损斑块种类特征中的任一项。
在本发明的一个实施例中，在步骤1之前，还包括：
通过病例推荐系统进行信息注册以获得注册信息，所述注册信息包括用户名和登录密码。
在本发明的一个实施例中，在步骤1之后，还包括：
在所述病例推荐系统和所述云端处理器中分别生成一个以所述用户名命名的文件夹；
利用所述注册信息登录所述病例推荐系统。
在本发明的一个实施例中，在步骤2之后，还包括：
将所述图像或所述病例保存于所述文件夹中。
在本发明的一个实施例中，步骤4包括：
判断所述OCT图像中是否含有所述第一病理诊断特征；
若是，则提取含有所述第一病理诊断特征的所述OCT图像；
确定所述第一病理诊断特征的特征信息；
判断所述第一病理诊断特征与所述第二病理诊断特征的相似度是否大于设定阈值；
若是，则提取相似度大于所述设定阈值的所述病例图像作为病例推荐图像。
在本发明的一个实施例中，步骤5包括：
根据相似度关系将所述病例推荐图像进行相似度排序；
对所述病例推荐图像进行关键词提取；
根据所述关键词推荐所述病例推荐图像对应的临床治疗方案。
在本发明的一个实施例中，在根据所述关键词推荐所述病例推荐图像对应的临床治疗方案之后，还包括：
将所述OCT图像和所述临床治疗方案上传至所述云端处理器和所述用户名对应的文件夹下。
一种OCT影像的病例推荐系统，包括数字信号处理单元及存储单元，所述存储单元用于存储处理指令，所述处理指令被所述数字信号处理单元执行时实现上述实施例中任一项方法中的步骤。
本发明实施例，具备如下优点：
1、本发明的病例推荐系统为一种自动对OCT图像进行分析并自动推荐相应的治疗方案的系统，使用者只需要将含有OCT图像的病历或者图片上传至病例推荐系统中，即可获得与之相关的病历以及文献内容，通过这些病例以及文献内容可以获取相应的治疗方案，便于使用者及时获取相关诊疗信息。
2、本发明的云端处理器中存储有大量的病例信息和文献信息，利用本病例推荐系统能够及时、准确的获取到与其输入的图像或病历相匹配的结果。
通过以下参考附图的详细说明，本发明的其它方面和特征变得明显。但是应当知道，该附图仅仅为解释的目的设计，而不是作为本发明的范围的限定，这是因为其应当参考附加的权利要求。还应当知道，除非另外指出，不必要依比例绘制附图，它们仅仅力图概念地说明此处描述的结构和流程。
附图说明
下面将结合附图，对本发明的具体实施方式进行详细的说明。
图1为本发明实施例提供的一种OCT影像的病例推荐方法的流程示意图；
图2为本发明实施例提供的一种注册界面示意图；
图3为本发明实施例提供的一种登录界面示意图；
图4为本发明实施例提供的一种病例推荐结果示意图；
图5为本发明实施例提供的一种推荐结果显示界面示意图；
图6是本发明实施例提供的一种支架特征检测的流程图；
图7a是笛卡尔坐标空间下的心血管OCT图像；
图7b是图7a中的心血管OCT图像在极坐标空间下的图像；
图8是本发明实施例的一种即刻支架特征和随访支架特征形成的3D支架特征模型图，其中，实心点表示的为即刻支架特征，空心点表示的为随访支架特征；
图9是本发明实施例提供的一种支架特征对齐方法在第一次循环后得到的支架特征对齐结果的模型图；
图10是本发明实施例提供的一种支架特征对齐方法最终得到的支架特征对齐结果的模型图；
图11是支架特征对齐过程中偏移量ER随迭代次数的变化趋势图；
图12是本发明实施例提供的一种图像显示界面的示意图；
图13为本发明实施例提供的一种OCT影像的病例推荐系统的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
实施例一
请参见图1～图5，图1为本发明实施例提供的一种OCT影像的病例推荐方法的流程示意图，图2为本发明实施例提供的一种注册界面示意图，图3为本发明实施例提供的一种登录界面示意图，图4为本发明实施例提供的一种病例推荐结果示意图，图5为本发明实施例提供的一种推荐结果显示界面示意图。
如图1所示，该推荐方法包括：
步骤1、将注册信息上传至云端处理器；
步骤2、将图像或病例上传至病例推荐系统和云端处理器；
步骤3、云端处理器提取图像或病例中的OCT图像；
步骤4、根据OCT图像的第一病理诊断特征与云端处理器中的病例图像的第二病理诊断特征的相似度关系获得病例推荐图像；
步骤5、根据病例推荐图像推荐临床治疗方案。
该病例推荐系统为一种自动对OCT图像进行分析并自动推荐相应的治疗方案的系统，使用者只需要将含有OCT图像的病历或者图片上传至病例推荐系统中，即可获得与之相关的病历以及文献内容，通过这些病例以及文献内容可以获取相应的治疗方案，便于使用者及时获取相关诊疗信息。
其中，注册信息可以包括用户名、登录密码、姓名、身份证号、性别、科室、电子邮箱、联系电话等信息。
其中，第一病理诊断特征或第二病理诊断特征包括支架特征、易损斑块特征、血管直径特征或易损斑块种类特征中的任一项。
其中，病例图像为第二病理诊断特征信息已经确定的OCT图像。
其中，云端处理器中的所有病例图像已进行过分析，云端处理器所有的病例图像可以是通过病例推荐系统上传的，也可以是可以通过网络检索到的，其每个病例图像对应的第二病理诊断特征的信息特征均已确定，所说的信息特征包括支架特征、易损斑块特征、血管直径特征或易损斑块种类特征中的任一项。
具体地，该实施例的推荐方法具体包括：
步骤1、用户通过病例推荐系统进行信息注册以获得注册信息，信息注册界面如图2所示，其中，注册信息包括用户名和登录密码。
步骤2、该用户的注册信息将同步上传至云端处理器。
步骤3、在病例推荐系统和云端处理器中分别生成一个以该用户名命名的文件夹，文件夹用于存储属于该用户的所有文件。
步骤4、在登录界面输入注册信息登录到病例推荐系统上，登录界面如图3所示。
步骤5、将图像或病例上传至病例推荐系统和云端处理器。
步骤5.1、用户通过点击病例推荐系统的导入图像按键或导入病例按键将图像或病例导入至病例推荐系统，其中，导入的图像或病例是用户需要通过病例推荐系统进行临床治疗方案推荐的文件，目的是使用户可以在病例推荐系统程序中读取并查看导入的图像或病例。
优选地，图像格式为DICOM或JPEG。
优选地，病例包括电子病历、病理报告、实验室报告和医师笔记。
步骤6、将导入的图像或病例同步保存于云端处理器中，并同时保存于该用户对应的所有文件夹中，以便于用户可以在不同的终端登录病例推荐系统查看用户已上传过的病例或图像。
步骤7、云端处理器提取图像或病例中的OCT图像。
步骤8、根据第一病理诊断特征与第二病理诊断特征的相似度关系获得病例推荐图像；
步骤8.1、判断OCT图像中是否含有第一病理诊断特征；
步骤8.2、若是，则云端处理器将自动提取含有第一病理诊断特征的 OCT图像；
步骤8.3、确定第一病理诊断特征的特征信息；
优选地，确定第一病理诊断特征是否为支架特征，并判断支架特征是否对齐；
优选地，确定第一病理诊断特征是否为易损斑块特征；
优选地，确定第一病理诊断特征是否为血管直径特征。
步骤8.4、判断第一病理诊断特征与第二病理诊断特征的相似度是否大于设定阈值，其中，第二病理诊断特征用于与图像或病例中的OCT图像的第一病理诊断特征进行相似度分析，以便于确定第一病理诊断特征的信息，近而通过病例推荐系统推荐临床治疗方案；
优选地，设定阈值为相似度高于70％。
优选地，用户可以手动的调节设定阈值。
步骤8.5、若是，则提取相似度大于所述设定阈值的所述病例图像作为病例推荐图像，其中，病例推荐图像用于利用其含有的第二病理诊断特征确定临床治疗方案，并根据病例推荐图像向用户推荐存储于云端处理器中的所有病例信息或文献信息。
步骤9、根据相似度关系将病例推荐图像进行相似度排序；
优选地，按相似度由高到低将病例推荐图像进行排序；
步骤10、对所有的病例推荐图像进行关键词提取。
优选地，关键词包括支架、破裂斑块、薄纤维帽斑块、浅表钙化结节、巨噬细胞、红血栓、混合血栓或血管。
优选地，若与用户上传的OCT图像的第一病理诊断特征相似度较高的第二病理诊断特征为易损斑块特征时，则关键词显示为易损斑块。
若与用户上传的OCT图像的第一病理诊断特征相似度较高的第二病理诊断特征为支架特征时，则关键词显示为支架特征。
步骤11、根据关键词推荐病例推荐图像对应的临床治疗方案，并生成病例推荐结果，其中，病例推荐结果如图4所示。
优选地，临床治疗方案可以为电子病历、病理报告、实验室报告、医师笔记或文献。
步骤12、将OCT图像和临床治疗方案上传至云端处理器和用户对应的文件夹下，用户通过点击病例推荐系统中的推荐结果按键后，便可以直接查看病例推荐结果，如图5所示为一种推荐结果显示界面。
实施例二
请参见图6～图12，图6是本发明实施例提供的一种支架特征检测的流程图，图7a是笛卡尔坐标空间下的心血管OCT图像，图7b是图7a中的心血管OCT图像在极坐标空间下的图像，图8是本发明实施例的一种即刻支架特征和随访支架特征形成的3D支架特征模型图，其中，实心点表示的为即刻支架特征，空心点表示的为随访支架特征，图9是本发明实施例提供的一种支架特征对齐方法在第一次循环后得到的支架特征对齐结果的模型图，图10是本发明实施例提供的一种支架特征对齐方法最终得到的支架特征对齐结果的模型图，图11是支架特征对齐过程中偏移量ER随迭代次数的变化趋势图，图12是本发明实施例提供的一种图像显示界面的示意图。在上述实施例的基础上本实施例将对确定第一病理诊断特征是否为支架特征和支架特征是否对齐进行详细介绍，具体包括：
S1：载入相同血管段处采集的多张OCT图像，其中OCT图像包括多张即刻OCT图像和多张随访OCT图像；
S2：分别基于即刻OCT图像和随访OCT图像检测血管中支架特征的位置；
S3：对基于即刻OCT图像得到的支架特征与基于随访OCT图像得到的支架特征进行对齐；
S4：输出两个支架特征的对齐图像。
整个支架特征检测步骤S2是在极坐标下进行的，如图6所示，具体包括：
S21：分别将即刻OCT图像和随访OCT图像进行极坐标变换以分别得到极坐标即刻OCT图像和极坐标随访OCT图像；
S22：利用贝叶斯网络分别检测极坐标即刻OCT图像和极坐标随访 OCT图像中所有A线上的点含有支架特征的概率值，在本实施例中，主要依据三个性质：血管轮廓距导管距离、血管轮廓下1.5mm范围内的灰度均值以及支架特征距血管轮廓的距离；
S23：提取概率值大于0.5的点，利用最小生成树将概率值大于0.5的点根据权重相连，形成连接路径；
S24：根据连接路径得到最终含支架特征的A线数据，具体地，判断步骤S22中通过贝叶斯网络得到的概率值大于0.1的点是否包含于连接路径中，若包含在此连接路径中，则判断该点为支架点，保留该点所在的A线；若不包括在此连接路径中，则判断该点不是支架点，去除该点所在的A线，得到最终含支架特征的A线数据，此步骤将去掉一些错误检验的支架点，与S22中得到的结果进行结合，得到更加准确的检测结果；通过此步骤的支架点位置确定用户上传的OCT图像中含有支架特征，即第一病理诊断特征为支架特征。
S25：通过三维图形搜索算法分别确定极坐标即刻OCT图像和极坐标随访OCT图像上前景与后景的阈值，分别得到极坐标即刻OCT图像和极坐标随访OCT图像中的支架特征的位置，其中，前景部分指的是OCT图像中的血管段，后景部分指的是图像中的其他背景区域。在本实施例中，阈值是通过最大流最小割算法确定的，根据三维图像搜索算法，我们可以构造出一个基于权重的支架点3D模型，根据权重通过最大流最小割算法，确定阈值，使得目标和背景分割。
如图7a所示，其示出了血管内壁轮廓、位于血管内壁轮廓中心处的导丝和紧靠血管内壁形成支架特征的多个支架支柱；通过步骤S2检测出该心血管OCT图像中的支架支柱的位置，并通过明亮的十字形(+)进行标记，标记结果如图7b所示。
在本实施例中，在支架特征检测过程中，在极坐标空间通过贝叶斯网络检测OCT图像含有支架特征的概率，并通过最小生成树算法此步骤将去掉一些错误检验的支架点，因此，通过贝叶斯网络与最小生成树算法的结合，提高了支架特征检测的准确性。
在本实施例中，所述S3包括：
S31：分别对检测到的随访OCT图像中的支架特征和即刻OCT图像中的支架特征构建3D模型；
在本实施例中，步骤S31中构建3D支架特征模型的过程主要依据(极坐标系下)：
其中，zstrut为3D模型中支架特征的z轴值，zplane为纵轴位置，θstrut为极坐标中包含支架特征的A线的角度，Df为相邻两帧的获取间距，A线指的是笛卡尔坐标空间OCT图像中从血管轮廓中心点向外辐射的所有轴向线，对应于极坐标OCT图像中的所有竖向线。将从每幅OCT图像中检测到的支架点的数据通过上述公式进行变换，最终得到该血管段整个支架特征的3D 模型。
如图8所示，其中，实心点表示的为即刻支架特征，空心点表示的为随访支架特征，三个轴的单位均为像素。如图8可知，此时即刻支架特征的3D模型和随访支架特征的3D模型在3D模型空间中分开布置，为了能够方便地对比即刻支架特征与随访支架特征的结构差异，需要对两个支架特征的3D模型进行对齐，接下来进行步骤S32。
S32：对随访OCT图像的支架特征3D模型与即刻OCT图像的支架特征 3D模型中对应支架点进行匹配并计算对应支架点的偏移量ER；
在本实施例中，步骤S32包括：
利用公式进行两个支架特征的3D模型最近支架点搜索，从而匹配随访支架特征的支架点与相应的即刻支架特征的支架点，其中，A(xa,ya,za)表示的是随访支架点的坐标，B(xb,yb,zb)表示即刻支架点的坐标；
利用公式计算随访支架特征的支架点与相应即刻支架特征的支架点之间偏移量ER，其中，d(A,B)为随访数据的支架点与相匹配的即刻数据的支架点之间的距离，N为支架点的个数。
在本实施例中，利用公式
进行最近点搜索，包括：
利用公式并且利用Kd树加速算法对随访OCT图像的支架特征3D模型与即刻OCT图像的支架特征3D模型中对应支架点进行加速搜索，以减少匹配两组数据中支架点所需的时间。
S33：比较偏移量ER与预先设定的偏移量阈值，若偏移量ER小于偏移量阈值，则匹配过程结束，输出最终旋转角度和最终平移参数；若偏移量 ER大于偏移量阈值，则进入S34；
在步骤S33的一个实施例中，设定偏移量阈值＝10，偏移量阈值若设定的过大，则意味着允许两个3D模型支架点间的差异增大，反之，偏移量阈值设定过小，则意味两个3D模型支架点间的差异很小。因为随访支架特征相对于即刻支架特征存在形变，因此即刻支架特征与随访支架特征完全匹配可能性较低，因此我们允许两者存在一定的差异，因此可以根据实际需要灵活地设定偏移量阈值，一般根据经验值设定为8-20。
S34：利用SVD算法计算即刻支架点移动至随访支架点所需的旋转角度 R和平移参数并计算旋转之后的偏移量ER；
在本实施例中，假设pi和qi分别为即刻支架特征和随访支架特征两组数据集中的一对匹配的支架点，由于对于匹配支架点距离的平方和有闭式解，因此求解时不需要迭代。在这里我们利用SVD算法，直接求出旋转角度R和偏移量SVD算法是目标函数最小化，从而得到最佳的旋转角度R和平移参数
SVD算法的具体方法：计算匹配支架点的中心坐标： 其中，m为即刻支架点的个数，n为随访支架点的个数。
每个支架点到中心的偏差为：
定义并对G进行奇异值分解G＝U∑VT，则可以得出：
S35：对S34得到的旋转角度R和平移参数进行计算，判断是否满足 ICP加速算法的条件，若满足，则执行S36；若不满足，则执行37；
S36：进行加速迭代并更新旋转角度R和平移参数随后执行S37；
S37：根据旋转角度R和平移参数更新即刻支架特征3D模型中的支架特征中心点数据；
S38：再次对随访OCT图像的支架特征3D模型和即刻OCT图像的支架特征3D模型中的对应支架点进行匹配并计算偏移量ER，并返回执行S33，直到偏移量ER小于阈值，则匹配过程结束，输出最终旋转角度和最终平移参数。
如图9和图10所示，其中，图7中的黑框表示支架特征未匹配处，经过多次旋转角度和平移参数的计算和更新，随访支架特征和即刻支架特征最终实现对齐。
如图11所示，随着迭代次数的增大，偏移量ER不断减小，最终趋于零，此时，随访支架特征和即刻支架特征完成对齐过程。
在本实施例中，所述S4具体包括：
S41：根据最终旋转角度和最终平移参数进行即刻OCT图像的整体变换，使得随访OCT图像的支架特征与即刻OCT图像的支架特征整体对齐；
S42：输出两个支架特征的对齐图像。
如图12所示，在本实施例中，支架特征对齐图像的图像显示界面包括如图所示的A、B、C、D、E五个区域，其中，区域A显示的是即刻OCT 图像，区域B显示的是与区域A中的即刻OCT图像位于血管相同位置处的随访OCT图像，区域C显示的是在某一血管段采集的所有即刻OCT图像的纵向横截面示意图，区域D显示的是在相同血管段采集的所有随访OCT 图像的纵向横截面示意图，区域E显示的是随访支架特征与即刻支架特征的对齐图像。
区域C、区域D中的黑色直线表示区域A的即刻OCT图像和区域B 中的随访OCT图像在所有OCT图像集中所处的位置，区域E中的黑色直线表示区域A的即刻OCT图像和区域B中的随访OCT图像在对齐支架特征中的位置，也就是说，五个区域中所显示的图像具有相互对应关系，当拖动C、D、E任一区域中的黑色直线移动时，另外两个区域的黑色直线位置也随之移动，与此同时，A、B区域中的OCT图像也会相应的变化，这样的界面布置有利于更加清楚的对比支架特征对齐结果，至此完成支架特征是否对齐的检测。
在本实施例中，该基于心血管OCT图像的支架特征对齐方法在支架特征匹配过程中，使用Kd树加速算法进行加速搜索，减小了支架特征匹配步骤所用的时间。此外，该基于心血管OCT图像的支架特征对齐方法在支架特征对齐步骤中利用SVD算法计算即刻支架点所需的旋转角度和平移参数，求解过程不需要迭代，减小了整个步骤的完成时间，从而减小了支架特征匹配的时间。
实施例三
请参见图13，图13为本发明实施例提供的一种OCT影像的病例推荐系统的结构示意图。在上述实施例的基础上，本实施例将对本发明的病例推荐系统进行介绍。该系统包括：
依次电连接的接收单元、数字信号处理单元、存储单元、推荐单元、及显示单元；其中，接收单元用于接收用户上传的图像或病例，数字信号处理单元包括数据分析模块，数据分析模块用于对相似度比较结果进行分析处理，存储单元用于存储处理指令，推荐单元用于根据推荐结果进行临床治疗方案的推荐。
综上所述，本文中应用了具体个例对本发明实施例的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制，本发明的保护范围应以所附的权利要求为准。

Claims (9)

1.一种OCT影像的病例推荐方法，其特征在于，包括：
步骤1、将注册信息上传至云端处理器；
步骤2、将图像或病例上传至病例推荐系统和所述云端处理器；
步骤3、所述云端处理器提取所述图像或病例中的OCT图像；
步骤4、根据所述OCT图像的第一病理诊断特征与所述云端处理器中的病例图像的第二病理诊断特征的相似度关系获得病例推荐图像；
步骤5、根据所述病例推荐图像推荐临床治疗方案。
2.根据权利要求1所述的推荐方法，其特征在于，所述第一病理诊断特征或所述第二病理诊断特征包括支架特征、易损斑块特征、血管直径特征或易损斑块种类特征中的任一项。
3.根据权利要求1所述的推荐方法，其特征在于，在步骤1之前，还包括：
通过病例推荐系统进行信息注册以获得注册信息，所述注册信息包括用户名和登录密码。
4.根据权利要求3所述的推荐方法，其特征在于，在步骤1之后，还包括：
在所述病例推荐系统和所述云端处理器中分别生成一个以所述用户名命名的文件夹；
利用所述注册信息登录所述病例推荐系统。
5.根据权利要求4所述的推荐方法，其特征在于，在步骤2之后，还包括：
将所述图像或所述病例保存于所述文件夹中。
6.根据权利要求2所述的推荐方法，其特征在于，步骤4包括：
判断所述OCT图像中是否含有所述第一病理诊断特征；
若是，则提取含有所述第一病理诊断特征的所述OCT图像；
确定所述第一病理诊断特征的特征信息；
判断所述第一病理诊断特征与所述第二病理诊断特征的相似度是否大于设定阈值；
若是，则提取相似度大于所述设定阈值的所述病例图像作为病例推荐图像。
7.根据权利要求1所述的推荐方法，其特征在于，步骤5包括：
根据相似度关系将所述病例推荐图像进行相似度排序；
对所述病例推荐图像进行关键词提取；
根据所述关键词推荐所述病例推荐图像对应的临床治疗方案。
8.根据权利要求7所述的推荐方法，其特征在于，在根据所述关键词推荐所述病例推荐图像对应的临床治疗方案之后，还包括：
将所述OCT图像和所述临床治疗方案上传至所述云端处理器和所述用户名对应的文件夹下。
9.一种OCT影像的病例推荐系统，包括数字信号处理单元及存储单元，所述存储单元用于存储处理指令，其特征在于，所述处理指令被所述数字信号处理单元执行时实现如权利要求1-8任一项方法中的步骤。
CN201711463430.7A 2017-12-28 2017-12-28 一种oct影像的病例推荐方法及其系统 Pending CN108335732A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711463430.7A CN108335732A (zh) 2017-12-28 2017-12-28 一种oct影像的病例推荐方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711463430.7A CN108335732A (zh) 2017-12-28 2017-12-28 一种oct影像的病例推荐方法及其系统

Publications (1)

Publication Number Publication Date
CN108335732A true CN108335732A (zh) 2018-07-27

Family

ID=62923815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711463430.7A Pending CN108335732A (zh) 2017-12-28 2017-12-28 一种oct影像的病例推荐方法及其系统

Country Status (1)

Country Link
CN (1) CN108335732A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109346188A (zh) * 2018-10-19 2019-02-15 刘瑞红 一种医学统计数据处理方法
CN109785922A (zh) * 2018-12-14 2019-05-21 平安万家医疗投资管理有限责任公司 一种病历资料的上传方法与系统
CN115253090A (zh) * 2022-09-30 2022-11-01 北京心联光电科技有限公司 一种在体细胞水平的光动力治疗设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345576A (zh) * 2013-06-25 2013-10-09 上海交通大学 基于四模态医学影像的病例库诊断系统
US20160364539A1 (en) * 2015-06-12 2016-12-15 Merge Healthcare Incorporated Methods and Systems for Automatically Determining Diagnosis Discrepancies for Clinical Images
CN106780495A (zh) * 2017-02-15 2017-05-31 深圳市中科微光医疗器械技术有限公司 基于oct的心血管植入支架自动检测与评估方法及系统
CN107194158A (zh) * 2017-05-04 2017-09-22 深圳美佳基因科技有限公司 一种基于图像识别的疾病辅助诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345576A (zh) * 2013-06-25 2013-10-09 上海交通大学 基于四模态医学影像的病例库诊断系统
US20160364539A1 (en) * 2015-06-12 2016-12-15 Merge Healthcare Incorporated Methods and Systems for Automatically Determining Diagnosis Discrepancies for Clinical Images
CN106780495A (zh) * 2017-02-15 2017-05-31 深圳市中科微光医疗器械技术有限公司 基于oct的心血管植入支架自动检测与评估方法及系统
CN107194158A (zh) * 2017-05-04 2017-09-22 深圳美佳基因科技有限公司 一种基于图像识别的疾病辅助诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
谭建豪: "《数字图像处理与移动机器人路径规划》", 30 April 2013 *
金永杰: "《核医学仪器与方法》", 30 January 2010 *
阿兰巴西斯: "冠状动脉介入治疗辅助技术", 《冠状动脉粥样硬化当代管理与治疗》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109346188A (zh) * 2018-10-19 2019-02-15 刘瑞红 一种医学统计数据处理方法
CN109785922A (zh) * 2018-12-14 2019-05-21 平安万家医疗投资管理有限责任公司 一种病历资料的上传方法与系统
CN115253090A (zh) * 2022-09-30 2022-11-01 北京心联光电科技有限公司 一种在体细胞水平的光动力治疗设备

Similar Documents

Publication Publication Date Title
CN110326024B (zh) 用于处理由医学成像装置捕获的组织学图像的方法和装置
Schirner et al. An automated pipeline for constructing personalized virtual brains from multimodal neuroimaging data
NL2010613C2 (en) Systems, apparatus and processes for automated medical image segmentation using a statistical model field of the disclosure.
CN1869996B (zh) 医疗测量数据的后处理
Gan et al. Extracting three-dimensional orientation and tractography of myofibers using optical coherence tomography
CN105103163A (zh) 血管内图像中的多模态分割
CN111462264B (zh) 医学图像重建方法、医学图像重建网络训练方法和装置
CN107209092A (zh) 用于中间解剖的系统和方法
CN109498046A (zh) 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法
CN109493334A (zh) 测量脊柱弯曲的方法及装置
CN108335732A (zh) 一种oct影像的病例推荐方法及其系统
Díez-Sotelo et al. A novel automatic method to estimate visual acuity and analyze the retinal vasculature in retinal vein occlusion using swept source optical coherence tomography angiography
Vaiyapuri et al. Design of Metaheuristic Optimization‐Based Vascular Segmentation Techniques for Photoacoustic Images
Oliver-Gelabert et al. Automatic quantification of cardiomyocyte dimensions and connexin 43 lateralization in fluorescence images
KR101863227B1 (ko) 디지털 병리 시스템의 환자 케이스 동일성 판단 방법
CN112529919A (zh) 用于生成受试者的心脏的牛眼图生成的系统和方法
Nazarudin et al. Performance analysis of a novel hybrid segmentation method for polycystic ovarian syndrome monitoring
Kawale et al. Automated identification of fiducial points on 3D torso images
CN108198210B (zh) 一种基于移动设备的oct影像判图方法及其系统
Liu et al. A lung-parenchyma-contrast hybrid network for egfr gene mutation prediction in lung cancer
Luo et al. Resliced image space construction for coronary artery collagen fibers
CN114266848A (zh) 医学图像三维重建方法和装置
Jiang et al. DeepRayburst for automatic shape analysis of tree-like structures in biomedical images
Wu et al. Artificial neural network: border detection in echocardiography
Lakman et al. Detection of lipid and fibrous plaques in optical coherence tomography images using deep learning

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhu Rui

Inventor after: Cao Yihui

Inventor after: Xue Ting

Inventor before: Zhu Rui

Inventor before: Li Jianan

Inventor before: Cao Yihui

Inventor before: Xue Ting

CB02 Change of applicant information
CB02 Change of applicant information

Address after: 710119 Room 101, building 11, new industrial park, No. 60, West Avenue, high tech Zone, Xi'an, Shaanxi Province

Applicant after: Zhongke low light medical research center (Xi'an) Co.,Ltd.

Address before: Room 303, floor 3, Zhongke Chuangxing, southwest corner of bianjia village, 322 Youyi West Road, Xi'an, Shaanxi 710068

Applicant before: XI'AN VIVOLIGHT IMAGING TECHNOLOGY Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180727