CN109035234A - 一种结节检测方法、装置和存储介质 - Google Patents

一种结节检测方法、装置和存储介质 Download PDF

Info

Publication number
CN109035234A
CN109035234A CN201810826933.4A CN201810826933A CN109035234A CN 109035234 A CN109035234 A CN 109035234A CN 201810826933 A CN201810826933 A CN 201810826933A CN 109035234 A CN109035234 A CN 109035234A
Authority
CN
China
Prior art keywords
view
tubercle
nodule
nodule detection
target
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
CN201810826933.4A
Other languages
English (en)
Other versions
CN109035234B (zh
Inventor
孙星
张毅
蒋忻洋
郭晓威
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.)
Tencent Technology Shenzhen Co Ltd
Tencent Cloud Computing Beijing Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Tencent Cloud Computing Beijing 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 Tencent Technology Shenzhen Co Ltd, Tencent Cloud Computing Beijing Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201810826933.4A priority Critical patent/CN109035234B/zh
Publication of CN109035234A publication Critical patent/CN109035234A/zh
Application granted granted Critical
Publication of CN109035234B publication Critical patent/CN109035234B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10016Video; Image sequence
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10081Computed x-ray tomography [CT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30061Lung
    • G06T2207/30064Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例公开了一种结节检测方法、装置和存储介质;本发明实施例可以获取生命体组织的电子计算机断层扫描数据,该电子计算机断层扫描数据包括电子计算机断层扫描图像序列;根据电子计算机断层扫描图像序列三维重建生命体组织的多位视图;基于深度神经网络和电子计算机断层扫描数据进行结节检测识别,得到结节检测识别结果;向终端发送结节检测识别结果以及多位视图,以便终端显示;由于该方案可以利用深度神经网络模型进行结节的检测识别,可以提升结节检测的准确性和稳定性,此外,该方案还可以重建生命体组织的多位视图如横断位、冠状位、矢状位视图等,可以便于医生全方位观察结节,提高结节诊断的准确率。

Description

一种结节检测方法、装置和存储介质
技术领域
本发明涉及通信技术领域,具体涉及一种图像识别方法、装置和存储介质。
背景技术
随着人工智能(AI,Artificial Intelligence)的发展,AI在医疗领域上的应用也越来越为广泛。比如,可以通过AI来实现病变诊断或检测等。
目前在医疗领域,可以通过AI实现结节检测如肺结节检测等,比如,可以采集肺部图像,然后,基于肺结节检测模型对肺部图像进行结节检测,得到结节检测结果,展示结节检测结果。
在对现有技术的研究和实践过程中,本发明的发明人发现,在现有方案中,一般都是使用简单的AI模型来进行结节检测,结节的检测准确性不高。
发明内容
本发明实施例提供一种结节检测方法、装置和存储介质,可以提高结节的检测准确性。
本发明实施例提供一种结节检测方法,适用于服务器,包括:
获取生命体组织的电子计算机断层扫描数据,所述电子计算机断层扫描数据包括电子计算机断层扫描图像序列;
根据所述电子计算机断层扫描图像序列三维重建所述生命体组织的多位视图,所述多位视图包括多个预设方位的视图;
基于深度神经网络和所述电子计算机断层扫描数据进行结节检测识别,得到结节检测识别结果;
向终端发送所述结节检测识别结果以及所述多位视图,以便所述终端显示。
本发明实施例还提供了一种结节检测方法,适用于终端,包括:
接收服务器发送的结节检测识别结果以及多位视图,所述结节检测识别结果包括至少一个结节的检测识别信息,所述多位视图包括多个预设方位的视图;
在预设界面中对至少一个结节的检测识别信息进行显示;
基于用户针对预设界面的结节查看操作确定需要查看的目标结节;
根据所述目标结节的检测识别信息从所述预设方位的视图中定位所述目标结节所在的目标视图,得到每个预设方位的目标视图;
在所述预设界面中对每个预设方位的目标视图进行显示。
相应的,本发明实施例还提供一种结节检测装置,适用于服务器,包括:
数据获取单元,用于获取生命体组织的电子计算机断层扫描数据,所述电子计算机断层扫描数据包括电子计算机断层扫描图像序列;
视图获取单元,用于根据所述电子计算机断层扫描图像序列三维重建所述生命体组织的多位视图,所述多位视图包括多个预设方位的视图;
检测识别单元,用于基于深度神经网络和所述电子计算机断层扫描数据进行结节检测识别,得到结节检测识别结果;
发送单元,用于向终端发送所述结节检测识别结果以及所述多位视图,以便所述终端显示。
相应的,本发明实施例还提供另一种结节检测装置,适用于终端,包括:
接收单元,用于接收服务器发送的结节检测识别结果以及多位视图,所述结节检测识别结果包括至少一个结节的检测识别信息,所述多位视图包括多个预设方位的视图;
信息显示单元,用于在预设界面中对至少一个结节的检测识别信息进行显示;
确定单元,用于基于用户针对预设界面的结节查看操作确定需要查看的目标结节;
定位单元,用于根据所述目标结节的检测识别信息从所述预设方位的视图中定位所述目标结节所在的目标视图,得到每个预设方位的目标视图;
视图显示单元,用于在所述预设界面中对每个预设方位的目标视图。
此外,本发明实施例还提供一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本发明实施例所提供的任一种结节检测方法中的步骤。
本发明实施例可以获取生命体组织的电子计算机断层扫描数据,该电子计算机断层扫描数据包括电子计算机断层扫描图像序列;根据电子计算机断层扫描图像序列三维重建生命体组织的多位视图,多位视图包括多个预设方位的视图;基于深度神经网络和电子计算机断层扫描数据进行结节检测识别,得到结节检测识别结果;向终端发送结节检测识别结果以及多位视图,以便终端显示;由于该方案可以利用深度神经网络模型进行结节的检测识别,可以提升结节检测的准确性和稳定性,此外,该方案还可以重建生命体组织的多位视图如横断位、冠状位、矢状位视图等,可以便于医生全方位观察结节,提高结节诊断的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1a是本发明实施例提供的结节检测系统的场景示意图;
图1b是本发明实施例提供的结节检测方法的流程图;
图1c是本发明实施例提供的人体视图切剖示意图;
图2a是本发明实施例提供的结节检测方法的另一流程图;
图2b是本发明实施例提供的界面示意图;
图3a是本发明实施例提供的结节检测系统的另一场景示意图;
图3b是本发明实施例提供的影像工作站系统的架构示意图;
图3c是本发明实施例提供的结节检测方法的另一流程图;
图4a是本发明实施例提供的结节检测装置的第一种结构示意图;
图4b是本发明实施例提供的结节检测装置的第二种结构示意图
图4c是本发明实施例提供的结节检测装置的第三种结构示意图;
图4d是本发明实施例提供的结节检测装置的第四种结构示意图;
图4e是本发明实施例提供的结节检测装置的第五种结构示意图;
图5a是本发明实施例提供的结节检测装置的第六种结构示意图;
图5b是本发明实施例提供的结节检测装置的第七种结构示意图
图5c是本发明实施例提供的结节检测装置的第八种结构示意图;
图6是本发明实施例提供的网络设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种结节检测方法、装置和存储介质。
本发明实施例提供一种结节检测系统,该系统包括本发明实施例任一提供的适用于终端的第二结节检测装置,以及任一提供的适用于服务器的第一结节检测装置;其中,该终端可以包括平板电脑、笔记本电脑或个人计算机(PC,Personal Computer)等。
此外,该系统还可以包括其他设备、或子系统,比如,图像存储设备或存储系统等等。
参考图1a,本发明实施例提供了一种结节检测系统,可以包括:终端、服务器,以及图像存储系统;其中,终端与服务器通过网络连接,服务器与图像存储系统通过连接。如下:
终端可以为医生工作的终端,比如,可以平板电脑、笔记本电脑或个人计算机等等。
图像存储系统,用于存储图像,比如,存储医院中的各种图像数据如CT(ComputedTomography,电子计算机断层扫描)数据等。该图像存储系统可以为医院的PACS(PictureArchiving and Communication Systems,影像归档和通信系统)。
服务器,用于实现结节检测识别以及相关图像处理,比如,服务器可以从图像存储系统如PACS系统获取生命体组织(如肺部)的CT数据,该CT数据可以包括CT图像序列等,服务器可以根据CT序列三维重建生命体组织的多位视图,该多位视图包括多个预设方位的视图(如横断位视图、冠状位视图、矢状位视图);然后,服务器可以基于深度神经网络和电子计算机断层扫描数据进行结节检测识别,得到结节检测识别结果;向终端发送结节检测识别结果以及多位视图;终端可以对检测识别结果以及多位视图进行显示。
其中,结节检测识别结果可以包括至少一个结节的检测识别信息,该检测识别信息可以包括:结节存在指示信息、结节位置信息、结节尺寸信息(如结节直径大小等)等等。
当终端接收到结节检测识别结果和多位视图(如横断位视图、冠状位视图、矢状位视图)时,终端可以在预设界面中对至少一个结节的检测识别信息和多位视图(如横断位视图、冠状位视图、矢状位视图)的进行显示;基于用户的结节查看操作确定需要查看的目标结节;根据目标结节的检测识别信息从预设方位对应的视图(如横断位视图、冠状位视图、矢状位视图)中定位目标结节所在的目标视图,得到每个预设方位的目标视图;在预设界面中对每个预设方位的目标视图。
以下分别进行详细说明。需说明的是,以下实施例的序号不作为对实施例优选顺序的限定。
本实施例将从第一结节检测装置的角度进行描述,该第一结节检测装置具体可以集成在服务器中。
如图1b所示,该图像识别方法的具体流程可以如下:
101、获取生命体组织的电子计算机断层扫描数据,该电子计算机断层扫描数据包括电子计算机断层扫描图像序列。
比如,可以接收图像采集设备发送的待检测的生命体组织的CT数据,其中,该图像采集设备可以包括CT设备,等等。
又比如,为了与医院现有的系统深度融合或结合,还可以从医院的图像存储系统获取CT数据,比如,可以从医院的PACS系统自动读取CT数据。
在一实施例中,为了提升CT数据传输的稳定性和效率,还可以基于DICOM(DigitalImaging and Communications in Medicine,医学数字成像和通信)网络传输协议从图像存储系统获取CT数据。
其中,生命体组织的电子计算机断层扫描数据,指的是生命体(有生命形态的独立个体就是生命体,能对外界刺激做出相应反映)的某组成部分的CT数据,比如人体的肺部、肠胃、心脏、喉咙和阴道等的CT数据,又比如狗的肠胃、甚至口腔或皮肤等的CT数据。
其中,CT即电子计算机断层扫描,它是利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描,具有扫描时间快,图像清晰等特点。
其中,CT数据可以包括CT图像序列、生命体基本信息(如病人基本信息,包括年龄、性别、检查时间等)、CT图像属性信息等等。该CT图像属性信息可以包括CT图像的尺寸、像素、CT图像在序列中的位置信息(如序号、扫描层号等等),等信息。
在一实施例中,还可以对CT数据进行预处理,其中,预处理可以包括:生命体基本信息提取、序列分割等处理,具体可以如下:
生命体基本信息提取,比如,以人体为例,具体地,可以从CT数据中提取病人基本信息,可以包括年龄、性别、检查时间等信息。
序列分割,从同一个生命体组织的CT数据中识别出不同的CT序列数据;比如,实际应用中,同一个病人在一次检查中,可以在不同时间作多次CT检查,此时,获取到病人的CT数据可以包括多个CT序列数据,也即CT数据中有多次CT检查的CT序列数据。为了便于结节检测,可以从CT数据中识别分割出不同的CT序列数据如不同时间的CT序列数据。
102、根据电子计算机断层扫描图像序列三维重建生命体组织的多位视图,多位视图包括多个预设方位的视图。
其中,多位视图包括多个预设方位的视图,也即生命体组织如肺部从不同预设方位的剖面视图。
其中,预设方位为医学中的方位,指的是生命体如人体的切面,比如,可以为水平位(也称为横断位)、冠状位、矢状位等等。
冠状位:额状面,即从左右方向,沿生命体如人体的长轴将人体纵切为前、后两部分的切面或解剖面,也即图1c中的1;
矢状位:即矢状面,生命体如人体分成左右两面的解剖面,与这个面平行的也是矢状面,比如,图1c中的2;
水平位:可以称为横断位,即水平面,生命体如人体分割成上下两部分的切面或解剖面,比如,图1c中的3。
本发明实施例,可以采用三维重建即3D重建方式构建生命体组织的多位视图;具体地,步骤“根据电子计算机断层扫描图像序列三维重建生命体组织的多位视图”,可以包括:
获取电子计算断层扫描图像的二维像素矩阵,得到电子计算机断层扫描图像序列对应的二维像素矩阵序列;
根据二维像素矩阵序列构建三维像素矩阵,得到生命体组织的三维图像;
从多个不同的预设方位对三维图像进行切剖,得到多位视图。
具体地,可以获取CT图像在序列中的位置标识如序列号或层号,然后,基于位置标识对CT图像进行排列,获取排列后CT图像的二维像素矩阵,得到二维像素矩阵序列,根据二维像素矩阵训练构建三维像素矩阵,得到三维图像,然后,从多个不同的预设方位(如水平位、冠状位、矢状位)对三维图像进行切剖,得到多位视图(如水平位视图、冠状位视图、矢状位视图)。
其中,可以将二维像素矩阵在预设方向上进行堆叠,得到三维图像;也即,将预设方向上将CT图像堆叠,从而构建出三维图像。
例如,CT图像序列包括10张肺部的CT图像(20*20pix),可以将10张CT图像在垂直方向上堆叠,便可以得到20*20*10的三维图像。
其中,一个预设方位的视图可以有多张,比如,在冠状面对20*20*10的三维肺部图像切剖,可以得到10张横断位视图;在冠状位视图或矢状面对20*20*10的三维肺部图像切剖,可以得到20张的冠状位视图或矢状面视图。
为了在便于多位视图显示,多位视图的像素值可以在RGB空间,也即,像素值在RGB像素值范围内(如0-255);因此,在一实施例中,还可以对CT图像的像素值进行转换,比如,可以将CT图像的像素值映射或转换到RGB空间,又或者,可以将构建三维图像的像素值映射或转换到RGB空间。
比如,在一实施例中,步骤“获取电子计算断层扫描图像的二维像素矩阵”,可以包括:
对电子计算断层扫描图像的像素值进行转换,得到像素转换后电子计算断层扫描图像;
获取像素值转换后电子计算断层扫描图像的二维像素矩阵。
例如,将CT图像序列中CT图像的像素值转换为RGB值,然后,获取转换后CT图像的二维RGB值矩阵,基于二维RGB值矩阵构建三维像素矩阵,得到生命体组织的三维图像。此时,对三维图像切剖得到的多位视图的像素值即为RGB值,可以提升视图显示效果。
经过上述步骤,可以得到出生命体基本信息如病人信息、多位视图、图像属性信息等信息,在本发明实施例可以将这些信息存储,比如,存储到数据库中便于后续使用。例如,可以将生成的病人信息、序列信息以及多位视图的URL地址保存到数据库中。
103、基于深度神经网络和电子计算机断层扫描数据进行结节检测识别,得到结节检测识别结果。
其中,结节是一种非干酪样坏死性上皮细胞肉芽肿炎症性疾病,以侵犯肺实质为主,并累及全身多脏器,如淋巴结、皮肤、关节、肝、肾及心脏等组织,临床经过较隐袭,病人可因完全性房室传导阻滞和(或)充血性心力衰竭而猝死,甚至以猝死为首发症状。
比如,可以将CT数据发送给AI服务端,AI服务端基于深度神经网络模型和CT数据进行结节检测和识别。该AI服务端可以与结节检测装置集成在同一台服务器中,在一实施例中,AI服务端还可以由其他实体设备实现,比如,另一台服务器实现。
其中,结节检测识别可以包括:结节检测和结节识别,此时,结节检测识别可以包括:结节检测结果、结节识别结果。
具体地,步骤“基于深度神经网络模型和电子计算机断层扫描数据进行结节检测识别,得到结节检测识别结果”,可以包括:
采用基于深度神经网络的结节检测模型和电子计算机断层扫描数据进行结节检测,得到结节检测结果;
采用基于深度神经网络模型的结节假阳性识别模型确定结节检测结果是否为假阳性;
若否,则采用基于深度神经网络模型的结节分类模型对检测出的结节进行分类,得到分类结果。
其中,结节检测结果可以包括:结节存在指示信息、结节位置信息、结节尺寸信息(如结节直径大小等)、结节图像等等。其中,结节分类结果可以包括:结节类型(如恶性、良性等等)、以及结节类型的预测概率(也即风险值)。
比如,可以通过基于深度神经网络的结节检测模型检测CT图中的结节位置,然后,输出结节相应位置以及结节直径大小。
在一实施例中,可以采用基于深度神经网络的结节检测模型对CT图像中的结节进行检测,若检测到结节,则根据CT图像的属性信息(如位置信息、图像尺寸等信息)输出结节位置信息、尺寸信息等。
在一实施例中,可以基于深度神经网络的结节假阳性识别模型如假阳性衰减器对检测出的结节进行假阳性衰减,以确定检测出的结节是否为假阳性。
在一实施例中,为了提升结节检测和识别的效率、准确性,还可以对CT数据进行图像预处理。也即,在基于深度神经网络和电子计算机断层扫描数据进行结节检测识别之前,本发明实施例方法还可以包括:对电子计算机断层扫描数据进行图像预处理,图像预处理包括结节检测区域分割、图像插值、和/或像素值转换;
其中,图像预处理可以如下:
①结节检测区域分割,也即从CT图像中分割中待检测的结节区域,该结节区域为可能存在结节的区域,或者,一般存在结节的区域,也即结节的辨别区域。比如,可以通过预设区域检测模型从CT图像中检测出结节检测区域,等等。
比如,可以采用预设区域检测模型对该生命体组织图像进行关键特征检测,得到至少一个结节检测区域。
例如,具体可以将该CT图像导入该区域检测模型中进行检测,若某个区域的关键特征与结节检测区域的特征相符,则该区域检测模型预测该区域为结节检测区域,并输出相应的预测概率(即结节检测区域的预测概率)。
其中,关键特征指的是结节检测区域(或称为诊断区域、辨别区域)与其他区域相比,所特有的显著性特征,比如,一般将生理性鳞柱交界(位于子宫颈内的柱状上皮和位于宫颈口外围的鳞状上皮,两种上皮的结合处成为鳞柱交界;阴道镜下清晰可见的称为生理性鳞柱交界)和原始鳞柱交界(生理性鳞柱交界向鳞状上皮扩展的外沿,称为原始鳞柱交界)围成的区域称为宫颈转化区,所以,若需要检测出的辨别区域为“宫颈转化区”,则可以将“生理性鳞柱交界”和“原始鳞柱交界”围成的这部分区域作为关键特征,该关键特征可以通过典型局部矩形框来表现,具体信息比如包括该典型局部矩形框的x偏移量(即横坐标偏移量)、y偏移量(即纵坐标偏移量)、宽和高等参数值。
需说明的,不同类型的辨别区域,其关键特征也不同,而通过设置不同的关键特征,也可以找出符合不同应用场景或需求的辨别区域,等等。
②图像插值,指的是将调整构建三维图像的二维图像的数量,比如,当前有10张二维图像时,可以将二维图像的数量更改为20。经过图像差值调整,可以使得构建三维图像可以更加便于结节检测和识别。
③像素值转换,将CT图像序列中CT图像的像素值转换为RGB值,也即RGB空间映射。
在对CT数据进行图像预处理后,便可以基于深度神经网络和预处理后的CT数据进行结节检测。此时,步骤“基于深度神经网络和电子计算机断层扫描数据进行结节检测识别”,可以包括:基于深度神经网络和图像预处理后的电子计算机断层扫描数据进行结节检测识别。
例如,AI服务基于深度神经网络的肺结节检测和识别的过程可如下:
图像预处理,包括肺部区域分割,图片插值和RGB空间映射等。
肺结节检测,通过深度神经网络检测CT图中的结节位置,输出结节相应位置以及结节直径大小。
利用基于深度神经网络的假阳性衰减器对检测出的结节进行假阳性衰减。
当检测出的结节为非假阳性,即阳性时,利用基于深度神经网络的分类器对结节进行分类并预测风险值。
104、向终端发送结节检测识别结果以及多位视图,以便终端显示。
比如,可以主动向终端发送结节检测识别结果以及多位视图,又比如,还可以由终端请求才向终端发送结节检测识别结果以及多位视图等。
例如,医生通过终端向服务器发送数据获取请求(该请求可以携带病人的检查标识如检测号等),此时,服务器可以根据数据获取请求向终端发送病人的结节检测识别结果以及多位视图。
实际应用中,医生通过终端可以请求病人数据,服务器可以将结节检测识别结果和3D重建后的多位视图图像返回给终端,供医生进行查看。医生可以在前端界面观察结节的横断位、冠状位和矢状位视图,以及结节检测识别信息,方便医生全方位观察结节特性,提升结节诊断的准确性。
在一实施例中,还可以接收终端发送的电子病历,并将电子病历更新到放射科信息系统(Radiography Information System,RIS)。由于本发明实施例可以与医院RIS系统对接,能够将自动生成的病历报告保存至RIS系统中,可以与医院的系统深度耦合。
本发明实施的影像工作服务器和医院RIS系统整合方案可以为:
1、影像工作服务器将电子病历推送至RIS系统服务端,RIS系统客户端从服务端提取电子病历。
2、终端生成电子病历后,RIS系统客户端自动从终端提取电子病例,再将电子病历保存至RIS系统服务端。
3、医生将终端的电子病历手动拷贝至RIS客户端,再同步到RIS服务端。
由上可知,本发明实施例获取生命体组织的电子计算机断层扫描数据,电子计算机断层扫描数据包括电子计算机断层扫描图像序列;根据电子计算机断层扫描图像序列三维重建生命体组织的多位视图,多位视图包括多个预设方位的视图;基于深度神经网络和电子计算机断层扫描数据进行结节检测识别,得到结节检测识别结果;向终端发送结节检测识别结果以及多位视图,以便终端显示;由于该方案可以利用深度神经网络模型进行结节的检测识别,可以提升结节检测的准确性和稳定性,此外,该方案还可以重建生命体组织的多位视图如横断位、冠状位、矢状位视图等,可以便于医生全方位观察结节,提高结节诊断的准确率和效率。
此时,本发明实施例提供的方案可以实现了医院PACS系统CT数据的自动提取,优化了数据传输的流程,提高了医生工作效率,可以与医院PACS系统深度结合。并且,该方案还可以与医院RIS系统对接,能够将自动生成的病历报告保存至RIS系统中,与医院的系统深度耦合。
本发明实施例从第二结节检测装置的角度进行描述,该第二结节检测装置具体可以集成在终端中,该终端可以为平板电脑、笔记本电脑或个人计算机等等。
本发明实施例还提供了另一种结节检测方法,适用于终端,可以由终端的处理器执行,参考图2a,该结节检测方法的具体流程如下:
201、接收服务器发送的结节检测识别结果以及多位视图。
结节检测识别结果包括至少一个结节的检测识别信息,多位视图包括多个预设方位的视图。
其中,结节检测识别结果可以包括:至少一个结节的检测识别信息,该检测识别信息可以包括:结节检测信息、结节识别信息。
其中,结节检测信息可以包括结节存在指示信息、结节位置信息、结节尺寸信息(如结节直径大小等)等等信息;结节识别信息可以包括:结节类型(如恶性、良性等等)、结节类型的预测概率(也即风险值)等信息。
其中,多位视图包括多个预设方位的视图,也即生命体组织如肺部从不同预设方位的剖面视图。其中,预设方位为医学中的方位,指的是生命体如人体的切面,比如,可以为水平位(也称为横断位)、冠状位、矢状位等等。
冠状位:额状面,即从左右方向,沿生命体如人体的长轴将人体纵切为前、后两部分的切面或解剖面,也即图1c中的1;
矢状位:即矢状面,生命体如人体分成左右两面的解剖面,与这个面平行的也是矢状面,比如,图1c中的2;
水平位:可以称为横断位,即水平面,生命体如人体分割成上下两部分的切面或解剖面,比如,图1c中的3。
其中,每个预设方式的视图可有多张,比如,多位视图可以包括10张冠状位视图、20张水平位视图、30矢状位视图。
202、在预设界面中对至少一个结节的检测识别信息进行显示。
为了便于观察结节信息,还可以在预设界面中设置结节显示区域,用于显示结节检测识别信息,比如,结节的位置信息、结节的尺寸信息、结节的类型、结节的预测风险值等等等。
也即,预设界面可以包括结节显示区域;在一实施例中,可以在结节显示区域内显示至少一个结节的检测识别信息,比如,可以以列表的形式在结节显示区域内显示至少一个结节的检测识别信息。
在一实施例中,还可以在预设界面中设置预设方位的视图显示区域,用于显示预设方位的视图,比如,可以在预设界面中设置多个视图显示区域,其中,视图显示区域的数量与预设方位的数量相同。
比如,步骤“在预设界面中对至少一个结节的检测识别信息进行显示”可以包括:在结节显示区域中显示至少一个结节的检测识别信息,并在预设方位的视图显示区域显示预设方位的视图。
例如,参考图2b,可以在预设界面中设置横断位视图显示区域、冠状位视图显示区域、矢状位视图显示区域等,分别用于显示横断位视图、冠状位视图、矢状位视图等。其中,预设界面中还设置有结节列表显示区域,在该显示区域内以列表形式显示至少一个结节的检测识别信息。
在初始阶段,各视图显示区域显示的视图可以从相应预设方位的视图中选择,比如,水平位视图显示区域初始显示的视图可以从水平位的视图中选择。初始显示的视图可以由终端选择,也可以由服务器选择,比如,服务器在得到多位视图之后,可以从每个预设方位的视图中选择一个初始显示视图,并保存。当终端请求数据时,可以将每个预设方位的初始显示视图发送给终端。也即,本发明实施例方法还可以包括:接收服务器发送的预设方位的初始显示视图。
显示信息时,可以在预设方位的视图显示区域显示该预设方位的初始显示视图,比如,在冠状位视图显示区域显示冠状位初始显示视图。
可见,本发明实施例提出了CT图3D重建技术,可将CT序列重建后在前端展示为横断位、冠状位和矢状位视图,方便医生全方位观察结节特性。
203、基于用户针对预设界面的结节查看操作确定需要查看的目标结节。
比如,在通过预设界面显示结节的检测识别信息后,用户可以针对预设界面进行结节查看操作,当终端检测到该结节查看操作时,可以基于该操作可确定用户需要查看的目标结节。
在一实施例中,预设界面包括结节显示区域时,用户可以在结节显示区域内进行结节查看操作,当终端检测到该结节查看操作时,可以触发相应结节的查看指令(可以用于指示选择查看的结节),终端便可以基于查看指令可确定用户需要查看的目标结节。
其中,触发查看指令的方式有多种,比如,可以在结节显示区域内设置每个结节对应的结节查看接口,这样后续用户可以通过该结节查看接口触发相应的接口查看指令,其中,结节查看接口的表现形式有多种,比如,图标、按钮、输入框等形式。
比如,参考图2b,可以在结节列表显示区域内以列表形式显示结节的检测识别信息,该显示区域包括至少一个显示表项,终端可以在显示表项中显示结节的检测识别信息,同时该显示表项具有查看接口功能,当用户点击结节列表显示区域内中的显示表项时,触发发送结节查看指令,此时,终端可以基于结节查看指令确定用户需要查看的目标结节。
204、根据目标结节的检测识别信息从预设方位的视图中定位目标结节所在的目标视图,得到每个预设方位的目标视图。
在确定需要查看的目标结节之后,终端可以根据目标结节的检测识别信息从每个预设方位的视图中定位出目标结节所在的每个预设方位的目标视图。比如,可以定位出目标结节所在的横断位视图、冠状位视图、矢状位视图等。
其中,结节的检测识别信息可以包括结节在生命体组织的三维图像中的位置信息,比如,结节的三维空间坐标值(如x、y、z值),或者结节在预设方向(水平、垂直等)上位于三维图像的深度信息;此时,终端可以基于位置信息从各个预设方位的视图中定位中目标结节所在的目标视图。
例如,CT图像序列包括10张肺部的CT图像(20*20pix),可以将10张CT图像在垂直方向上堆叠,便可以得到20*20*10的三维图像。假设某个结节在垂直方向上位于三维图像中的深度值为5毫米,此时,可以基于深度值1毫米可以计算出该结节位于第5张横断位视图中,即确定第五张横断位视图为横断位的目标视图。同理,对于其他方位(如冠状位、矢状位)的目标视图也可以采用类似方式确定。
其中,还可以预先建立不同方向上的深度值与视图之间的映射关系;这样后续,可以基于深度值和该映射关系定位出结节所在的目标视图。
205、在预设界面中对每个预设方位的目标视图进行显示。
比如,预设界面包括预设方位的视图显示区域时,可以在预设方位的视图显示区域更新显示预设方位的目标视图。比如,在横断位视图显示区域更新显示结节所在的目标横断位视图,在冠状位视图显示区域更新显示结节所在的目标冠状位视图,在矢状位视图显示区域更新显示结节所在的目标矢状位视图。
在一实施例中,为了便于医生查看结节,还可以在视图中标注结节的位置,具体地,本发明实施例方法还可以包括:根据目标结节的检测识别信息,在每个预设方位的目标视图中标注目标结节的位置。
比如,可以根据目标结节的位置信息、尺寸信息等在每个预设方位的目标视图中标注目标结节的位置。
其中,标注方式可以包括多种,比如,可以通过图形如矩形框标注、通过颜色标注等等。在实际应用中,采用颜色标注时,对于不同的结节可以采用不同的颜色标注,以便于区分结节。
本发明实施例可以提供给前端展示页面结节快速定位方案,可以帮助医生在各个方位的视图中快速定位出结节,方便医生全方位观察结节特性,提升了结节定位效率、以及结节诊断的准确性等。
在一实施例中,为了提升医生的诊断效率,还可以自动生成电子病历,具体地,还可以包括:获取预设病历模板信息;根据预设病历模板信息、结节检测识别结果以及多位视图,自动生成电子病历;向服务器发送电子病历。
比如,终端可以向服务器请求病人数据,该病人数据可与包括:结节检测识别结果、多位视图、病人基本信息等等;然后,终端可以请求电子病历模板信息,其中,电子病历模板不限于肺结节模板、肺炎模板等肺部疾病模板。
终端可以根据结节检测识别结果、多位视图、病人基本信息以及电子病历模板信息自动生成电子病历,并显示该电子病历。然后,终端向服务器发送生成的电子病历。
在实际应用中,医生还可以对自动生成的电子病历进行修改,然后,当医生在显示界面执行提交操作时,便可以实现电子病历提交发送。具体地,终端可以对电子病历进行修改,当终端检测到用户的病历提交操作时,终端可以将修改后的电子病历发送给服务器,服务器再将该电子病历更新到医院的RIS系统中。
由上可知,本发明实施例可以接收服务器发送的结节检测识别结果以及多位视图;在预设界面中对至少一个结节的检测识别信息进行显示;基于用户针对预设界面的结节查看操作确定需要查看的目标结节;根据目标结节的检测识别信息从预设方位的视图中定位目标结节所在的目标视图,得到每个预设方位的目标视图;在预设界面中对每个预设方位的目标视图进行显示;该方案可以通过多个不同方位的视图展示并标注结节,可以便于医生全方位观察结节特征、提升了结节诊断的准确性和效率。
根据上述的介绍,下面将以第一结节检测装置集成在服务器、第二结节检测装置集成在终端中为例,来详细介绍本发明方法。
参考图3a,本发明实施例还提供了另一结节检测系统,包括影像工作站系统、PACS系统、以及RIS系统;各系统与服务器之间通过网络连接;其中,影像工作站系统可以包括终端、服务器、服务器与终端通过网络连接。
其中,终端可以为影像工作站的前端实现设备,服务器可以影像工作站的后端实现设备。
参考图3b,影像工作站的架构可以包括:前端、后端、AI服务以及数据库;其中,前端可以由终端实现,用于与医生进行交互;后端可以由服务器等设备实现用于3D重建等;AI服务,用于基于深度神经网络进行结节检测识别等,该AI服务可以由后端服务器实现,也可以由其他设备实现。
参考图3c,本发明实施例的结节检测方法的具体流程可以如下:
301、服务器从PACS系统读取生命体组织的CT数据。
比如,影像工作站的后端即服务器,可以通过DICOM网络传输协议后端自动读取PACS中CT数据。
其中,生命体组织的电子计算机断层扫描数据,指的是生命体(有生命形态的独立个体就是生命体,能对外界刺激做出相应反映)的某组成部分的CT数据,比如人体的肺部、肠胃、心脏、喉咙和阴道等的CT数据,又比如狗的肠胃、甚至口腔或皮肤等的CT数据。
其中,CT即电子计算机断层扫描,它是利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描,具有扫描时间快,图像清晰等特点。
其中,CT数据可以包括CT图像序列、生命体基本信息(如病人基本信息,包括年龄、性别、检查时间等)、CT图像属性信息等等。该CT图像属性信息可以包括CT图像的尺寸、像素、CT图像在序列中的位置信息(如序号、扫描层号等等),等信息。
302、服务器对CT数据进行预处理。
其中,预处理可以包括:生命体基本信息提取、序列分割等处理,具体可以如下:
生命体基本信息提取,比如,以人体为例,具体地,可以从CT数据中提取病人基本信息,可以包括年龄、性别、检查时间等信息。
序列分割,从同一个生命体组织的CT数据中识别出不同的CT序列数据;比如,实际应用中,同一个病人在一次检查中,可以在不同时间作多次CT检查,此时,获取到病人的CT数据可以包括多个CT序列数据,也即CT数据中有多次CT检查的CT序列数据。为了便于结节检测,可以从CT数据中识别分割出不同的CT序列数据如不同时间的CT序列数据。
303、服务器根据电子计算机断层扫描图像序列三维重建生命体组织的多位视图。
比如,参考图3a和图3b,影像工作站的后端可以基于CT序列3D重建生命体组织如肺部的多位视图,如,水平位(也称为横断位)、冠状位、矢状位视图等等。
其中,多位视图包括多个预设方位的视图,也即生命体组织如肺部从不同预设方位的剖面视图。
其中,预设方位为医学中的方位,指的是生命体如人体的切面,比如,可以为水平位(也称为横断位)、冠状位、矢状位等等。
冠状位:额状面,即从左右方向,沿生命体如人体的长轴将人体纵切为前、后两部分的切面或解剖面,也即图1c中的1;
矢状位:即矢状面,生命体如人体分成左右两面的解剖面,与这个面平行的也是矢状面,比如,图1c中的2;
水平位:可以称为横断位,即水平面,生命体如人体分割成上下两部分的切面或解剖面,比如,图1c中的3。
本发明实施例,可以采用三维重建即3D重建方式构建生命体组织的多位视图;具体地,服务器可以获取电子计算断层扫描图像的二维像素矩阵,得到电子计算机断层扫描图像序列对应的二维像素矩阵序列;根据二维像素矩阵序列构建三维像素矩阵,得到生命体组织的三维图像;从多个不同的预设方位对三维图像进行切剖,得到多位视图。
比如,可以获取CT图像在序列中的位置标识如序列号或层号,然后,基于位置标识对CT图像进行排列,获取排列后CT图像的二维像素矩阵,得到二维像素矩阵序列,根据二维像素矩阵训练构建三维像素矩阵,得到三维图像,然后,从多个不同的预设方位(如水平位、冠状位、矢状位)对三维图像进行切剖,得到多位视图(如水平位视图、冠状位视图、矢状位视图)。
为了在便于多位视图显示,多位视图的像素值可以在RGB空间,也即,像素值在RGB像素值范围内(如0-255);因此,在一实施例中,还可以对CT图像的像素值进行转换,比如,可以将CT图像的像素值映射或转换到RGB空间,又或者,可以将构建三维图像的像素值映射或转换到RGB空间。
例如,服务器可以对电子计算断层扫描图像的像素值进行转换,得到像素转换后电子计算断层扫描图像;获取像素值转换后电子计算断层扫描图像的二维像素矩阵;然后,根据二维像素矩阵获取多位视图。
304、服务器将预处理得到的生命体基本信息如病人基本信息、多位视图保存到数据库中。
比如,参考图3b,影像工作站的后端可以将病人基本信息、多位视图保存到数据库中,在一实施例中,为了提升保存效率,还可以将多位视图的URL保存到数据库中。
此外,服务器或者后端还可以CT数据中的序列信息(如序列号等)保存到数据库中,以便后续使用。
305、服务器基于深度神经网络和电子计算机断层扫描数据进行结节检测识别,得到结节检测识别结果。
比如,参考图3b,影像工作站的后端可以将CT数据发送给AI服务端,AI服务端可以基于深度神经网络和电子计算机断层扫描数据进行结节检测识别,并向后端返回结节检测识别结果。
其中,AI服务端与影像工作站的后端可以集成在一台设备如服务器中,,也即由一台服务器实现AI服务和后端服务。在一实施例中,AI服务端与也可以影像工作站的后端可以集成在一台设备不集成在一台设备,可以AI服务端可以集成在其他设备中,由其他设备实现。
其中,结节检测识别结果可以包括:结节检测和结节识别,此时,结节检测识别结果可以包括:结节检测结果、结节识别结果。具体地,结节检测识别结果可以包括至少一个结节的的结节检测识别结果,该结节检测识别结果可以包括结节检测结果、结节识别结果。
具体地,AI检测识别过程如下:
采用基于深度神经网络的结节检测模型和电子计算机断层扫描数据进行结节检测,得到结节检测结果;
采用基于深度神经网络模型的结节假阳性识别模型确定结节检测结果是否为假阳性;
若否,则采用基于深度神经网络模型的结节分类模型对检测出的结节进行分类,得到分类结果。
其中,结节检测结果可以包括:至少一个结节的检测信息,比如,包括结节存在指示信息、结节位置信息、结节尺寸信息(如结节直径大小等)、结节图像等等。其中,结节分类结果可以包括:至少一个结节的分类结果,比如,可以包括结节类型(如恶性、良性等等)、以及结节类型的预测概率(也即风险值)。
在一实施例中,为了提升结节检测和识别的效率、准确性,还可以对CT数据进行图像预处理。服务器还可以对电子计算机断层扫描数据进行图像预处理,图像预处理包括结节检测区域分割、图像插值、和/或像素值转换。
其中,图像预处理可以如下:
①结节检测区域分割,也即从CT图像中分割中待检测的结节区域,该结节区域为可能存在结节的区域,或者,一般存在结节的区域,也即结节的辨别区域。比如,可以通过预设区域检测模型从CT图像中检测出结节检测区域,等等。
②图像插值,指的是将调整构建三维图像的二维图像的数量,比如,当前有10张二维图像时,可以将二维图像的数量更改为20。经过图像差值调整,可以使得构建三维图像可以更加便于结节检测和识别。
③像素值转换,将CT图像序列中CT图像的像素值转换为RGB值,也即RGB空间映射。
例如,AI服务基于深度神经网络的肺结节检测和识别的过程可如下:
图像预处理,包括肺部区域分割,图片插值和RGB空间映射等。
肺结节检测,通过深度神经网络检测CT图中的结节位置,输出结节相应位置以及结节直径大小。
利用基于深度神经网络的假阳性衰减器对检测出的结节进行假阳性衰减。
当检测出的结节为非假阳性,即阳性时,利用基于深度神经网络的分类器对结节进行分类并预测风险值。
306、服务器向终端发送结节检测识别结果以及多位视图。
比如,参考图3b,医生可以通过影像工作站的前端即终端向影像工作站的后端即服务器请求结节数据(包括结节检测识别结果、多位视图等),后端可以将结节检测识别结果以及多位视图发送给前端,供医生查看。
其中,结节检测识别结果可以包括:至少一个结节的检测识别结果,该检测识别结果可以包括:结节检测结果、结节识别结果。
其中,结节检测结果可以包括结节存在指示信息、结节位置信息、结节尺寸信息(如结节直径大小等)等等信息;结节识别结果可以包括:结节类型(如恶性、良性等等)、结节类型的预测概率(也即风险值)等信息。
307、终端在预设界面中对至少一个结节的检测识别结果进行显示,并对预设方位的视图进行显示。
为了便于观察结节信息,还可以在预设界面中设置结节显示区域,用于显示结节检测识别信息,比如,结节的位置信息、结节的尺寸信息、结节的类型、结节的预测风险值等等等。此外,还可以在预设界面中设置预设方位的视图显示区域,用于显示预设方位的视图,比如,可以在预设界面中设置多个视图显示区域,其中,视图显示区域的数量与预设方位的数量相同。
例如,参考图2b,终端可以在预设界面中设置横断位视图显示区域、冠状位视图显示区域、矢状位视图显示区域等,分别用于显示横断位视图、冠状位视图、矢状位视图等。其中,预设界面中还设置有结节列表显示区域,在该显示区域内以列表形式显示至少一个结节的检测识别信息。
在初始阶段,各视图显示区域显示的视图可以从相应预设方位的视图中选择,比如,水平位视图显示区域初始显示的视图可以从水平位的视图中选择。初始显示的视图可以由终端选择,也可以由服务器如影响工作站后端选择,比如,服务器在得到多位视图之后,可以从每个预设方位的视图中选择一个初始显示视图,并保存。当终端请求数据时,可以将每个预设方位的初始显示视图发送给终端。
比如,终端可以在预设方位的视图显示区域显示该预设方位的初始显示视图,比如,在冠状位视图显示区域显示冠状位初始显示视图,等等。
308、终端基于用户针对预设界面的结节查看操作确定需要查看的目标结节。
比如,在通过预设界面显示结节的检测识别信息后,用户可以针对预设界面进行结节查看操作,当终端检测到该结节查看操作时,可以基于该操作可确定用户需要查看的目标结节。例如,参考图3b,医生可以与影像工作站前端交互以查看结节。
在一实施例中,预设界面包括结节显示区域时,用户可以在结节显示区域内进行结节查看操作,当终端检测到该结节查看操作时,可以触发相应结节的查看指令(可以用于指示选择查看的结节),终端便可以基于查看指令可确定用户需要查看的目标结节。
其中,触发查看指令的方式有多种,比如,可以在结节显示区域内设置每个结节对应的结节查看接口,这样后续用户可以通过该结节查看接口触发相应的接口查看指令,其中,结节查看接口的表现形式有多种,比如,图标、按钮、输入框等形式。
比如,参考图2b,可以在结节列表显示区域内以列表形式显示结节的检测识别信息,该显示区域包括至少一个显示表项,终端可以在显示表项中显示结节的检测识别信息,同时该显示表项具有查看接口功能,当用户如医生点击结节列表显示区域内中的显示表项时,触发发送结节查看指令,此时,终端可以基于结节查看指令确定用户需要查看的目标结节。
309、终端根据目标结节的检测识别信息从预设方位的视图中定位目标结节所在的目标视图,得到每个预设方位的目标视图。
终端可以根据目标结节的检测识别信息从每个预设方位的视图中定位出目标结节所在的每个预设方位的目标视图。比如,可以定位出目标结节所在的横断位视图、冠状位视图、矢状位视图等。
其中,结节的检测识别信息可以包括结节在生命体组织的三维图像中的位置信息,比如,结节的三维空间坐标值(如x、y、z值),或者结节在预设方向(水平、垂直等)上位于三维图像的深度信息;此时,终端可以基于位置信息从各个预设方位的视图中定位中目标结节所在的目标视图。
例如,CT图像序列包括10张肺部的CT图像(20*20pix),可以将10张CT图像在垂直方向上堆叠,便可以得到20*20*10的三维图像。假设某个结节在垂直方向上位于三维图像中的深度值为5毫米,此时,可以基于深度值1毫米可以计算出该结节位于第5张横断位视图中,即确定第五张横断位视图为横断位的目标视图。同理,对于其他方位(如冠状位、矢状位)的目标视图也可以采用类似方式确定。
310、终端在预设界面中更新显示每个预设方位的目标视图。
比如,预设界面包括预设方位的视图显示区域时,可以在预设方位的视图显示区域更新显示预设方位的目标视图。比如,在横断位视图显示区域更新显示结节所在的目标横断位视图,在冠状位视图显示区域更新显示结节所在的目标冠状位视图,在矢状位视图显示区域更新显示结节所在的目标矢状位视图。
311、终端获取电子病历模板,并根据电子病历模板、结节检测识别结果和多位视图自动生成电子病历。
为了提升医生的诊断效率,本发明实施例中终端还可以自动生成电子病历;具体地,终端可以请求电子病历模板信息,其中,电子病历模板不限于肺结节模板、肺炎模板等肺部疾病模板;终端可以根据电子病历模板以及之前请求的结节数据(包括结节检测识别结果、多位视图等)自动生成电子病历。
在实际应用中,参考图3b,医生还可以根据实际需求在影像工作站前端对结节数据如结节检测识别结果进行修改,比如,修改结节位置、尺寸、类型等等,然后,请求电子病历,此时,终端可以根据多位视图、修改后的结节数据(如修改后的结节检测识别结果)以及电子病历模板自动生成电子病历。
312、终端向服务器发送电子病历,并且服务器将电子病历更新到RIS系统。
在实际应用中,参考图3b,医生还可以根据实际需求在影像工作站前端对自动生成的电子病历进行修改,然后,当医生在显示界面执行提交操作时,便可以实现电子病历提交发送。具体地,终端可以对电子病历进行修改,当终端检测到用户的病历提交操作时,终端可以将修改后的电子病历发送给服务器,服务器再将该电子病历更新到医院的RIS系统中。
由上可知,本发明实施例提供的结节检测方案具有如下效果:
利用本发明方案提出的基于深度神经网络的结节检测识别方法相比于医生进行人工检测分类具有更高的召回率和分类稳定性。
本发明提出的方案能够将基于深度神经网络的结节检测识别方法应用于医生的诊断环境中,提高医生诊断的效率和准确度。
本发明提出的方案实现了医院PACS系统CT数据的自动提取,优化了数据传输的流程,提高了医生工作效率。
本发明提出的方案可以自动病例生成,能够充分整合AI诊断结果和医生诊断结果,自动生成病例模板,优化医生撰写病例流程,提高医生的诊断效率。
本发明提出的方案可以与医院RIS系统耦合,将电子病例自动推送到医院RIS系统中,医生可以通过RIS系统客户端提取影像工作站生成的电子病例报告。
本发明提出的方案采用CT图3D重建技术,可将CT序列重建后在前端展示为横断位、冠状位和矢状位视图,方便医生全方位观察结节特性、结节形态等相关信息,提高医生诊断的准确度。
本发明提出的方案采用前端展示页面结节定位技术能够帮助医生快速定位某个具体结节,提高了医生诊断的效率。
为了更好地实施以上方法,本发明实施例还可以提供一种结节检测装置,可以称为第一结节检测装置,该第一结节检测装置具体可以集成在服务器等设备。
例如,如图4a所示,该结节检测装置可以包括数据获取单元401、视图获取单元402、检测识别单元403和发送单元404,如下:
数据获取单元401,用于获取生命体组织的电子计算机断层扫描数据,所述电子计算机断层扫描数据包括电子计算机断层扫描图像序列;
视图获取单元402,用于根据所述电子计算机断层扫描图像序列三维重建所述生命体组织的多位视图,所述多位视图包括多个预设方位的视图;
检测识别单元403,用于基于深度神经网络和所述电子计算机断层扫描数据进行结节检测识别,得到结节检测识别结果;
发送单元404,用于向终端发送所述结节检测识别结果以及所述多位视图,以便所述终端显示。
在一实施例中,参考图4b,其中,视图获取单元402,可以包括:
矩阵获取子单元4021,用于获取电子计算断层扫描图像的二维像素矩阵,得到所述电子计算机断层扫描图像序列对应的二维像素矩阵序列;
三维矩阵获取子单元4022,用于根据所述二维像素矩阵序列构建三维像素矩阵,得到所述生命体组织的三维图像;
视图获取子单元4023,用于从多个不同的预设方位对所述三维图像进行切剖,得到多位视图。
在一实施例中,矩阵获取子单元4021,可以具体用于:
对所述电子计算断层扫描图像的像素值进行转换,得到像素转换后电子计算断层扫描图像;
获取像素值转换后电子计算断层扫描图像的二维像素矩阵,得到所述电子计算机断层扫描图像序列对应的二维像素矩阵序列。
在一实施例中,参考图4c,检测识别单元403,可以包括:
检测子单元4031,用于采用基于深度神经网络的结节检测模型和所述电子计算机断层扫描数据进行结节检测,得到结节检测结果;
假阳性确定子单元4032,用于采用基于深度神经网络模型的结节假阳性识别模型确定所述结节检测结果是否为假阳性;
分类子单元4033,用于所述假阳性确定子单元确定不是假阳性时,采用基于深度神经网络模型的结节分类模型对检测出的结节进行分类,得到分类结果。
在一实施例中,参考图4d,本发明实施例提供的结节检测装置还可以包括图像预处理单元405;
图像预处理单元405,用于对所述电子计算机断层扫描数据进行图像预处理,所述图像预处理包括结节检测区域分割、图像插值、和/或像素值转换;
所述检测识别单元403,具体用于基于深度神经网络和图像预处理后的电子计算机断层扫描数据进行结节检测识别。
在一实施例中,参考图4e,本发明实施例提供的结节检测装置还可以包括病历处理单元406;
所病历处理单元406,可以用于接收终端发送的电子病历,并将所述电子病历更新到放射科信息系统。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由上可知,本实施例中结节检测装置的数据获取单元401获取生命体组织的电子计算机断层扫描数据,所述电子计算机断层扫描数据包括电子计算机断层扫描图像序列;由视图获取单元402根据所述电子计算机断层扫描图像序列三维重建所述生命体组织的多位视图,所述多位视图包括多个预设方位的视图;由检测识别单元403基于深度神经网络和所述电子计算机断层扫描数据进行结节检测识别,得到结节检测识别结果;由发送单元404向终端发送所述结节检测识别结果以及所述多位视图,以便所述终端显示,以供医疗人员进行参考;由于该方案可以利用深度神经网络模型进行结节的检测识别,可以提升结节检测的准确性和稳定性,此外,该方案还可以重建生命体组织的多位视图如横断位、冠状位、矢状位视图等,可以便于医生全方位观察结节,提高结节诊断的准确率。
为了更好地实施以上方法,本发明实施例还可以提供一种结节检测装置,可以称为第二结节检测装置,该第二结节检测装置具体可以集成在终端,该终端可以平板电脑、笔记本电脑等设备。
例如,如图5a所示,该结节检测装置可以包括接收单元501、信息显示单元502、确定单元503、定位单元504以及视图显示单元505;如下:
接收单元501,用于接收服务器发送的结节检测识别结果以及多位视图,所述结节检测识别结果包括至少一个结节的检测识别信息,所述多位视图包括多个预设方位的视图;
信息显示单元502,用于在预设界面中对至少一个结节的检测识别信息进行显示;
确定单元503,用于基于用户针对预设界面的结节查看操作确定需要查看的目标结节;
定位单元504,用于根据所述目标结节的检测识别信息从所述预设方位的视图中定位所述目标结节所在的目标视图,得到每个预设方位的目标视图;
视图显示单元505,用于在所述预设界面中对每个预设方位的目标视图进行显示。
在一实施例中,参考图5b,本发明实施例提供的结节检测装置还可以包括标注单元506;
所述标注单元506,可以用于根据所述目标结节的检测识别信息,在每个预设方位的目标视图中标注所述目标结节的位置。
在一实施例中,所述预设界面包括:结节显示区域、多个预设方位的视图显示区域;
此时,所述信息显示单元502,可以具体用于:在所述结节显示区域中显示至少一个结节的检测识别信息,并在所述预设方位的视图显示区域显示所述预设方位的视图;
所述确定单元503,可以具体用于:基于用户针对所述结节显示区域的结节查看操作确定需要查看的目标结节;
视图显示单元505,可以具体用于:在所述预设方位的视图显示区域更新显示所述预设方位的目标视图。
在一实施例中,所述检测识别信息包括结节在所述三维图像中的位置信息;定位单元504,可以具体用于根据所述位置信息,从所述预设方位对应的视图中定位所述目标结节所在的目标视图。
在一实施例中,参考图5c,本发明实施例提供的结节检测装置还可以包括病历生成单元507;
病历生成单元507,可以具体用于:
获取预设病历模板信息;
根据所述预设病历模板信息、所述结节检测识别结果以及所述多位视图,自动生成电子病历;
向所述服务器发送电子病历。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由上可知,本发明实施例结节检测装置的接收单元501接收服务器发送的结节检测识别结果以及多位视图,所述结节检测识别结果包括至少一个结节的检测识别信息,所述多位视图包括多个预设方位的视图;由信息显示单元502在预设界面中对至少一个结节的检测识别信息进行显示;由确定单元503基于用户针对预设界面的结节查看操作确定需要查看的目标结节;由定位单元504根据所述目标结节的检测识别信息从所述预设方位的视图中定位所述目标结节所在的目标视图,得到每个预设方位的目标视图;由视图显示单元505在所述预设界面中对每个预设方位的目标视图进行显示。该方案可以通过多个不同方位的视图展示并标注结节,可以便于医生全方位观察结节特征、提升了结节诊断的准确性和效率。
本发明实施例还提供一种网络设备,具体可以为终端,也可以为服务器,该网络设备可以集成本发明实施例所提供的任一种结节检测装置。
例如,如图6所示,其示出了本发明实施例所涉及的网络设备的结构示意图,具体来讲:
该网络设备可以包括一个或者一个以上处理核心的处理器601、一个或一个以上计算机可读存储介质的存储器602、电源603和输入单元604等部件。本领域技术人员可以理解,图6中示出的网络设备结构并不构成对网络设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器601是该网络设备的控制中心,利用各种接口和线路连接整个网络设备的各个部分,通过运行或执行存储在存储器602内的软件程序和/或模块,以及调用存储在存储器602内的数据,执行网络设备的各种功能和处理数据,从而对网络设备进行整体监控。可选的,处理器601可包括一个或多个处理核心;优选的,处理器601可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器601中。
存储器602可用于存储软件程序以及模块,处理器601通过运行存储在存储器602的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器602可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据网络设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器602还可以包括存储器控制器,以提供处理器601对存储器602的访问。
网络设备还包括给各个部件供电的电源603,优选的,电源603可以通过电源管理系统与处理器601逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源603还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该网络设备还可包括输入单元604,该输入单元604可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,网络设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,网络设备中的处理器601会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器602中,并由处理器601来运行存储在存储器602中的应用程序,从而实现各种功能,如下:
获取生命体组织的电子计算机断层扫描数据,所述电子计算机断层扫描数据包括电子计算机断层扫描图像序列;根据所述电子计算机断层扫描图像序列三维重建所述生命体组织的多位视图,所述多位视图包括多个预设方位的视图;基于深度神经网络和所述电子计算机断层扫描数据进行结节检测识别,得到结节检测识别结果;向终端发送所述结节检测识别结果以及所述多位视图,以便所述终端显示。
或者,在一实施例中,络设备中的处理器601会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器602中,并由处理器601来运行存储在存储器602中的应用程序,从而实现各种功能,如下:
接收服务器发送的结节检测识别结果以及多位视图,所述结节检测识别结果包括至少一个结节的检测识别信息,所述多位视图包括多个预设方位的视图;在预设界面中对至少一个结节的检测识别信息进行显示;基于用户针对预设界面的结节查看操作确定需要查看的目标结节;根据所述目标结节的检测识别信息从所述预设方位的视图中定位所述目标结节所在的目标视图,得到每个预设方位的目标视图;在所述预设界面中对每个预设方位的目标视图进行显示。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,本实施例的网络设备可以利用深度神经网络模型进行结节的检测识别,可以提升结节检测的准确性和稳定性,此外,该方案还可以重建生命体组织的多位视图如横断位、冠状位、矢状位视图等,可以便于医生全方位观察结节,提高结节诊断的准确率。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种结节检测方法中的步骤。例如,该指令可以执行如下步骤:
获取生命体组织的电子计算机断层扫描数据,所述电子计算机断层扫描数据包括电子计算机断层扫描图像序列;根据所述电子计算机断层扫描图像序列三维重建所述生命体组织的多位视图,所述多位视图包括多个预设方位的视图;基于深度神经网络和所述电子计算机断层扫描数据进行结节检测识别,得到结节检测识别结果;向终端发送所述结节检测识别结果以及所述多位视图,以便所述终端显示。
又比如,该指令可以执行如下步骤:
接收服务器发送的结节检测识别结果以及多位视图,所述结节检测识别结果包括至少一个结节的检测识别信息,所述多位视图包括多个预设方位的视图;在预设界面中对至少一个结节的检测识别信息进行显示;基于用户针对预设界面的结节查看操作确定需要查看的目标结节;根据所述目标结节的检测识别信息从所述预设方位的视图中定位所述目标结节所在的目标视图,得到每个预设方位的目标视图;在所述预设界面中对每个预设方位的目标视图进行显示。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种结节检测方法中的步骤,因此,可以实现本发明实施例所提供的任一种结节检测方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种结节检测方法、装置和存储介质进行了详细介绍,本文中应用了具体个例对本发明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。

Claims (15)

1.一种结节检测方法,其特征在于,适用于服务器,包括:
获取生命体组织的电子计算机断层扫描数据,所述电子计算机断层扫描数据包括电子计算机断层扫描图像序列;
根据所述电子计算机断层扫描图像序列三维重建所述生命体组织的多位视图,所述多位视图包括多个预设方位的视图;
基于深度神经网络和所述电子计算机断层扫描数据进行结节检测识别,得到结节检测识别结果;
向终端发送所述结节检测识别结果以及所述多位视图,以便所述终端显示。
2.如权利要求1所述的结节检测方法,其特征在于,根据所述电子计算机断层扫描图像序列三维重建所述生命体组织的多位视图,包括:
获取电子计算断层扫描图像的二维像素矩阵,得到所述电子计算机断层扫描图像序列对应的二维像素矩阵序列;
根据所述二维像素矩阵序列构建三维像素矩阵,得到所述生命体组织的三维图像;
从多个不同的预设方位对所述三维图像进行切剖,得到多位视图。
3.如权利要求2所述的结节检测方法,其特征在于,获取电子计算断层扫描图像的二维像素矩阵,包括:
对所述电子计算断层扫描图像的像素值进行转换,得到像素转换后电子计算断层扫描图像;
获取像素值转换后电子计算断层扫描图像的二维像素矩阵。
4.如权利要求1所述的结节检测方法,其特征在于,基于深度神经网络和所述电子计算机断层扫描数据进行结节检测识别,得到结节检测识别结果,包括:
采用基于深度神经网络的结节检测模型和所述电子计算机断层扫描数据进行结节检测,得到结节检测结果;
采用基于深度神经网络模型的结节假阳性识别模型确定所述结节检测结果是否为假阳性;
若否,则采用基于深度神经网络模型的结节分类模型对检测出的结节进行分类,得到分类结果。
5.如权利要求4所述的结节检测方法,其特征在于,基于深度神经网络和所述电子计算机断层扫描数据进行结节检测识别之前,所述结节检测方法还包括:
对所述电子计算机断层扫描数据进行图像预处理,所述图像预处理包括结节检测区域分割、图像插值、和/或像素值转换;
基于深度神经网络和所述电子计算机断层扫描数据进行结节检测识别,包括:基于深度神经网络和图像预处理后的电子计算机断层扫描数据进行结节检测识别。
6.如权利要求1所述的结节检测方法,其特征在于,还包括:
接收终端发送的电子病历,并将所述电子病历更新到放射科信息系统。
7.一种结节检测方法,其特征在于,适用于终端,包括:
接收服务器发送的结节检测识别结果以及多位视图,所述结节检测识别结果包括至少一个结节的检测识别信息,所述多位视图包括多个预设方位的视图;
在预设界面中对至少一个结节的检测识别信息进行显示;
基于用户针对预设界面的结节查看操作确定需要查看的目标结节;
根据所述目标结节的检测识别信息从所述预设方位的视图中定位所述目标结节所在的目标视图,得到每个预设方位的目标视图;
在所述预设界面中对每个预设方位的目标视图进行显示。
8.如权利要求7所述的结节检测方法,其特征在于,还包括:
根据所述目标结节的检测识别信息,在每个预设方位的目标视图中标注所述目标结节的位置。
9.如权利要求7所述的结节检测方法,其特征在于,所述预设界面包括:结节显示区域、多个预设方位的视图显示区域;
在预设界面中对至少一个结节的检测识别信息进行显示,包括:
在所述结节显示区域中显示至少一个结节的检测识别信息,并在所述预设方位的视图显示区域显示所述预设方位的视图;
基于用户针对预设界面的结节查看操作确定需要查看的目标结节,包括:基于用户针对所述结节显示区域的结节查看操作确定需要查看的目标结节;
在所述预设界面中对每个预设方位的目标视图进行显示,包括:在所述预设方位的视图显示区域更新显示所述预设方位的目标视图。
10.如权利要求7所述的结节检测方法,其特征在于,所述检测识别信息包括结节在所述三维图像中的位置信息;
根据所述目标结节的检测识别信息从所述预设方位对应的视图中定位所述目标结节所在的目标视图,包括:根据所述位置信息,从所述预设方位对应的视图中定位所述目标结节所在的目标视图。
11.如权利要求7所述的结节检测方法,其特征在于,还包括:
获取预设病历模板信息;
根据所述预设病历模板信息、所述结节检测识别结果以及所述多位视图,自动生成电子病历;
向所述服务器发送电子病历。
12.一种结节检测装置,其特征在于,适用于服务器,包括:
数据获取单元,用于获取生命体组织的电子计算机断层扫描数据,所述电子计算机断层扫描数据包括电子计算机断层扫描图像序列;
视图获取单元,用于根据所述电子计算机断层扫描图像序列三维重建所述生命体组织的多位视图,所述多位视图包括多个预设方位的视图;
检测识别单元,用于基于深度神经网络和所述电子计算机断层扫描数据进行结节检测识别,得到结节检测识别结果;
发送单元,用于向终端发送所述结节检测识别结果以及所述多位视图,以便所述终端显示。
13.如权利要求12所述的结节检测方法,其特征在于,视图获取单元,包括:
矩阵获取子单元,用于获取电子计算断层扫描图像的二维像素矩阵,得到所述电子计算机断层扫描图像序列对应的二维像素矩阵序列;
三维矩阵获取子单元,用于根据所述二维像素矩阵序列构建三维像素矩阵,得到所述生命体组织的三维图像;
视图获取子单元,用于从多个不同的预设方位对所述三维图像进行切剖,得到多位视图。
14.一种结节检测装置,其特征在于,适用于终端,包括:
接收单元,用于接收服务器发送的结节检测识别结果以及多位视图,所述结节检测识别结果包括至少一个结节的检测识别信息,所述多位视图包括多个预设方位的视图;
信息显示单元,用于在预设界面中对至少一个结节的检测识别信息进行显示;
确定单元,用于基于用户针对预设界面的结节查看操作确定需要查看的目标结节;
定位单元,用于根据所述目标结节的检测识别信息从所述预设方位的视图中定位所述目标结节所在的目标视图,得到每个预设方位的目标视图;
视图显示单元,用于在所述预设界面中对每个预设方位的目标视图。
15.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至11任一项所述的结节检测方法中的步骤。
CN201810826933.4A 2018-07-25 2018-07-25 一种结节检测方法、装置和存储介质 Active CN109035234B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810826933.4A CN109035234B (zh) 2018-07-25 2018-07-25 一种结节检测方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810826933.4A CN109035234B (zh) 2018-07-25 2018-07-25 一种结节检测方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN109035234A true CN109035234A (zh) 2018-12-18
CN109035234B CN109035234B (zh) 2020-12-01

Family

ID=64645058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810826933.4A Active CN109035234B (zh) 2018-07-25 2018-07-25 一种结节检测方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN109035234B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978004A (zh) * 2019-02-21 2019-07-05 平安科技(深圳)有限公司 图像识别方法及相关设备
CN110136253A (zh) * 2019-05-22 2019-08-16 图兮深维医疗科技(苏州)有限公司 一种结节三维立体展示装置及设备
CN110136807A (zh) * 2019-05-22 2019-08-16 图兮深维医疗科技(苏州)有限公司 一种医学图像预加载装置及设备
CN110148114A (zh) * 2019-04-02 2019-08-20 成都真实维度科技有限公司 一种基于2d断层扫描图数据集的深度学习模型训练方法
CN110533120A (zh) * 2019-09-05 2019-12-03 腾讯科技(深圳)有限公司 器官结节的图像分类方法、装置、终端及存储介质
CN110580948A (zh) * 2019-09-12 2019-12-17 杭州依图医疗技术有限公司 医学影像的显示方法及显示设备
CN110738655A (zh) * 2019-10-23 2020-01-31 腾讯科技(深圳)有限公司 影像报告生成方法、装置、终端及存储介质
CN110766735A (zh) * 2019-10-21 2020-02-07 北京推想科技有限公司 一种图像的匹配方法、装置、设备及存储介质
CN110992310A (zh) * 2019-11-09 2020-04-10 杭州依图医疗技术有限公司 一种确定纵隔淋巴结所在分区的方法及装置
CN111666972A (zh) * 2020-04-28 2020-09-15 清华大学 基于深度神经网络的肝部病例图像分类方法及系统
CN112116603A (zh) * 2020-09-14 2020-12-22 中国科学院大学宁波华美医院 一种基于多任务学习的肺结节假阳性筛查方法
CN112669319A (zh) * 2021-03-22 2021-04-16 四川大学 一种多视角多尺度淋巴结假阳性抑制建模方法
CN113034434A (zh) * 2021-02-03 2021-06-25 深圳市第三人民医院(深圳市肝病研究所) 一种预测covid-19严重程度的多因素人工智能分析方法
CN113506289A (zh) * 2021-07-28 2021-10-15 中山仰视科技有限公司 一种利用双流网络进行肺结节假阳性分类的方法
CN114463323A (zh) * 2022-02-22 2022-05-10 数坤(北京)网络科技股份有限公司 一种病灶区域识别方法、装置、电子设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005278690A (ja) * 2004-03-26 2005-10-13 Hiroshima Industrial Promotion Organization コンピュータを用いた3次元胸部ct画像から結節状陰影を検出する方法およびその装置並びにコンピュータプログラム
CN101203747A (zh) * 2004-01-21 2008-06-18 医软信息科技有限公司 用于数字x光影像软拷贝解读的智能化定性与定量分析的方法和系统
CN106846465A (zh) * 2017-01-19 2017-06-13 深圳先进技术研究院 一种ct三维重建方法及系统
CN107016665A (zh) * 2017-02-16 2017-08-04 浙江大学 一种基于深度卷积神经网络的ct肺结节检测方法
CN107280697A (zh) * 2017-05-15 2017-10-24 北京市计算中心 基于深度学习和数据融合的肺结节分级判定方法和系统
CN107845091A (zh) * 2017-10-31 2018-03-27 北京青燕祥云科技有限公司 基于预筛查的快速标注方法和系统
CN107862665A (zh) * 2017-11-22 2018-03-30 北京医拍智能科技有限公司 Ct图像序列的增强方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101203747A (zh) * 2004-01-21 2008-06-18 医软信息科技有限公司 用于数字x光影像软拷贝解读的智能化定性与定量分析的方法和系统
JP2005278690A (ja) * 2004-03-26 2005-10-13 Hiroshima Industrial Promotion Organization コンピュータを用いた3次元胸部ct画像から結節状陰影を検出する方法およびその装置並びにコンピュータプログラム
CN106846465A (zh) * 2017-01-19 2017-06-13 深圳先进技术研究院 一种ct三维重建方法及系统
CN107016665A (zh) * 2017-02-16 2017-08-04 浙江大学 一种基于深度卷积神经网络的ct肺结节检测方法
CN107280697A (zh) * 2017-05-15 2017-10-24 北京市计算中心 基于深度学习和数据融合的肺结节分级判定方法和系统
CN107845091A (zh) * 2017-10-31 2018-03-27 北京青燕祥云科技有限公司 基于预筛查的快速标注方法和系统
CN107862665A (zh) * 2017-11-22 2018-03-30 北京医拍智能科技有限公司 Ct图像序列的增强方法及装置

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020168647A1 (zh) * 2019-02-21 2020-08-27 平安科技(深圳)有限公司 图像识别方法及相关设备
CN109978004B (zh) * 2019-02-21 2024-03-29 平安科技(深圳)有限公司 图像识别方法及相关设备
CN109978004A (zh) * 2019-02-21 2019-07-05 平安科技(深圳)有限公司 图像识别方法及相关设备
CN110148114A (zh) * 2019-04-02 2019-08-20 成都真实维度科技有限公司 一种基于2d断层扫描图数据集的深度学习模型训练方法
CN110136253A (zh) * 2019-05-22 2019-08-16 图兮深维医疗科技(苏州)有限公司 一种结节三维立体展示装置及设备
CN110136807A (zh) * 2019-05-22 2019-08-16 图兮深维医疗科技(苏州)有限公司 一种医学图像预加载装置及设备
CN110533120A (zh) * 2019-09-05 2019-12-03 腾讯科技(深圳)有限公司 器官结节的图像分类方法、装置、终端及存储介质
CN110533120B (zh) * 2019-09-05 2023-12-12 腾讯科技(深圳)有限公司 器官结节的图像分类方法、装置、终端及存储介质
CN110580948A (zh) * 2019-09-12 2019-12-17 杭州依图医疗技术有限公司 医学影像的显示方法及显示设备
CN110766735A (zh) * 2019-10-21 2020-02-07 北京推想科技有限公司 一种图像的匹配方法、装置、设备及存储介质
CN110766735B (zh) * 2019-10-21 2020-06-26 北京推想科技有限公司 一种图像的匹配方法、装置、设备及存储介质
US11954860B2 (en) 2019-10-21 2024-04-09 Infervision Medical Technology Co., Ltd. Image matching method and device, and storage medium
CN110738655A (zh) * 2019-10-23 2020-01-31 腾讯科技(深圳)有限公司 影像报告生成方法、装置、终端及存储介质
CN110738655B (zh) * 2019-10-23 2024-04-26 腾讯科技(深圳)有限公司 影像报告生成方法、装置、终端及存储介质
CN110992310A (zh) * 2019-11-09 2020-04-10 杭州依图医疗技术有限公司 一种确定纵隔淋巴结所在分区的方法及装置
CN111666972A (zh) * 2020-04-28 2020-09-15 清华大学 基于深度神经网络的肝部病例图像分类方法及系统
CN112116603A (zh) * 2020-09-14 2020-12-22 中国科学院大学宁波华美医院 一种基于多任务学习的肺结节假阳性筛查方法
CN113034434B (zh) * 2021-02-03 2022-09-02 深圳市第三人民医院(深圳市肝病研究所) 一种预测covid-19严重程度的多因素人工智能分析方法
CN113034434A (zh) * 2021-02-03 2021-06-25 深圳市第三人民医院(深圳市肝病研究所) 一种预测covid-19严重程度的多因素人工智能分析方法
CN112669319B (zh) * 2021-03-22 2021-11-16 四川大学 一种多视角多尺度淋巴结假阳性抑制建模方法
CN112669319A (zh) * 2021-03-22 2021-04-16 四川大学 一种多视角多尺度淋巴结假阳性抑制建模方法
CN113506289A (zh) * 2021-07-28 2021-10-15 中山仰视科技有限公司 一种利用双流网络进行肺结节假阳性分类的方法
CN113506289B (zh) * 2021-07-28 2024-03-29 中山仰视科技有限公司 一种利用双流网络进行肺结节假阳性分类的方法
CN114463323A (zh) * 2022-02-22 2022-05-10 数坤(北京)网络科技股份有限公司 一种病灶区域识别方法、装置、电子设备和存储介质
CN114463323B (zh) * 2022-02-22 2023-09-08 数坤(上海)医疗科技有限公司 一种病灶区域识别方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN109035234B (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN109035234A (zh) 一种结节检测方法、装置和存储介质
US10631812B2 (en) Apparatus and system for rule based visualization of digital breast tomosynthesis and other volumetric images
US20200321100A1 (en) Systems and methods for improved analysis and generation of medical imaging reports
CN108701370B (zh) 基于机器学习的基于内容的医学成像渲染
CN107403425A (zh) 从图像自动地生成放射学报告并自动排除没有发现的图像
US7961921B2 (en) System and method for medical diagnosis and tracking using three-dimensional subtraction in a picture archiving communication system
US11361530B2 (en) System and method for automatic detection of key images
US7346199B2 (en) Anatomic triangulation
EP3191991B1 (en) Image report annotation identification
CN104750951A (zh) 一种医疗图像数据的分析处理方法及装置
US11093699B2 (en) Medical image processing apparatus, medical image processing method, and medical image processing program
Zou et al. A review of uncertainty estimation and its application in medical imaging
US11574717B2 (en) Medical document creation support apparatus, medical document creation support method, and medical document creation support program
CN112529834A (zh) 病理图像模式在3d图像数据中的空间分布
CN107072613A (zh) 基于纵向特征对感兴趣组织的健康状态的分类
CN102483761A (zh) 对基于内容的图像检索的相关性的可视化
CN110993067A (zh) 医学影像标注系统
KR101196208B1 (ko) 의료 진단 장비 및 데이터 전송방법
US20200349706A1 (en) Method and system for detecting chest x-ray thoracic diseases utilizing multi-view multi-scale learning
CN108876783B (zh) 图像融合方法及系统、医疗设备和图像融合终端
Yang et al. 3D multi‐view squeeze‐and‐excitation convolutional neural network for lung nodule classification
CN116664476A (zh) 确定医学图像数据中描绘的解剖异常的变化的方法和系统
JP7449366B2 (ja) 機械学習システムおよび方法、統合サーバ、情報処理装置、プログラムならびに推論モデルの作成方法
JP7387457B2 (ja) 医用画像処理装置、プログラム、および医用画像処理システム
Zhang et al. Study on Identification Method of Pulmonary Nodules: Improved Random Walk Pulmonary Parenchyma Segmentation and Fusion Multi-Feature VGG16 Nodule Classification

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