CN109285152A - 一种医学图像处理系统、装置和计算机可读存储介质 - Google Patents

一种医学图像处理系统、装置和计算机可读存储介质 Download PDF

Info

Publication number
CN109285152A
CN109285152A CN201811125405.2A CN201811125405A CN109285152A CN 109285152 A CN109285152 A CN 109285152A CN 201811125405 A CN201811125405 A CN 201811125405A CN 109285152 A CN109285152 A CN 109285152A
Authority
CN
China
Prior art keywords
subregion
under test
image
person under
morphological feature
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
CN201811125405.2A
Other languages
English (en)
Other versions
CN109285152B (zh
Inventor
霍权
石峰
李青峰
李博恺
詹翊强
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.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare 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 Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN202111633345.7A priority Critical patent/CN114332011A/zh
Priority to CN201811125405.2A priority patent/CN109285152B/zh
Publication of CN109285152A publication Critical patent/CN109285152A/zh
Priority to US16/576,264 priority patent/US11227390B2/en
Priority to PCT/CN2019/107529 priority patent/WO2020063589A1/en
Application granted granted Critical
Publication of CN109285152B publication Critical patent/CN109285152B/zh
Priority to US17/457,443 priority patent/US11615535B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20036—Morphological image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种医学图像处理系统、装置和计算机可读存储介质。所述系统包括：样本数据获取模块，用于获取多个样本图像和年龄信息；待测数据获取模块，用于获取待测者的待测图像和年龄信息；图像分割模块，用于从样本图像中至少分割出第一子区域，以及从所述待测图像中至少分割出待测第一子区域；形态学特征获取模块，用于获取图像中所述第一子区域的形态学特征；分析模块，用于根据至少部分样本图像对应的年龄信息、每个所述至少部分样本图像中所述第一子区域的形态学特征、所述待测者的年龄信息和所述待测图像中所述待测第一子区域的形态学特征，确定所述待测者相应器官或组织的状况。

Description

一种医学图像处理系统、装置和计算机可读存储介质
技术领域
本申请涉及医学图像处理领域，特别涉及一种器官或组织结构的评估系统。
背景技术
目前，我国65岁及以上老人所占比重已经接近10％，是全球人口老龄化发展速度最快的国家之一。老龄化过程伴随着一系列器官或组织的改变，如大脑的功能表现以脑萎缩为主。脑影像上的表现为脑组织结构体积缩小，脑实质减少，脑重量减轻，细胞数目减少，脑回变平，脑沟增宽增深，脑室、脑池和蛛网膜下腔扩大，并有轻度胶质增生及脑动脉不同程度退行性病变，临床主要表现为记忆力减退，情绪不稳，思维能力减退，注意力不能集中，严重时发展为痴呆，终至智力丧失为其临床特征。其病因相当复杂，现在还没完全搞清楚，极大的影响了老年人的生活及家庭生活质量。
阿尔茨海默病(Alzheimer Disease，AD)也被称作老年痴呆，在临床的诊断过程中，如果该病人脑部萎缩达到一定程度，以量表的方式诊断为阿尔茨海默病时，大多已经到了不可治疗的阶段。如果能够早期的诊断出阿尔茨海默病，可以通过药物治疗来延缓其转换为阿尔茨海默病的时间。
在传统的老年人脑萎缩评估诊断中，主要通过以下步骤：(1)数据采集，(2)预处理，(3)医生经验识别，(4)量表测试，(5)诊断结果。数据采集是指通过成像设备采集脑部影像的过程。预处理是指通过重采样、调整方向、去头骨、灰度校正等一系列操作，去除成像设备工作情况对脑部影像质量的影响，为后续分析提供高质量影像。医生经验识别是医生根据脑部影像观察其脑萎缩、白质变形和腔系脑梗塞三个方面的情况进行初步诊断。量表测试是根据影像初步诊断结果对病人进行多量表进行认知评估，主要通过问题询问的方式，耗时大约2～3小时左右，最终根据量表得分结合影像初步诊断给出诊断结果。
传统方法对于老年器官或组织异常如脑萎缩等相关疾病的诊断已经取得了一定的效果，但是存在以下问题：首先，在诊断的过程中主要依靠医生的主观判断，主要包括三个方面：家属的描述、病人的认知评估(量表测试)以及主治医生对相关器官或组织影像的观测。该方法缺乏定量指标参与决策，而且过于依赖医生的先验知识水平。其次，对于器官或组织影像的观测诊断中，如果可以获取相关量化的形态学特征，也没有一个可以参照对应的年龄段的正常人的数据标准，依然靠主治医生的经验积累。最后，随着医疗器械水平的发展，很多器官或组织影像的获得也变得更加方便，病人不同时间段的影像难以进行数据量化对比，不能有效的利用其影像的随访数据，从而难以对照器官或组织变化的趋势。
因此，希望提供一种医学图像处理系统、装置和计算机可读存储介质，一方面可以根据正常人的器官或组织影像，定量地评估病人的相关器官或组织的状况，另一方面也能根据病人器官或组织影像的随访数据，评估其相关器官或组织的发展趋势。
发明内容
本申请采集大量正常人的器官或组织图像，从这些图像中分割出子区域，并从待测者的待测图像中分割出同样的子区域，通过比较正常人的所述子区域与待测者的所述子区域的形态学特征，评估待测者的器官或组织的状况。
本申请的一方面提供一种医学图像处理系统。所述系统包括：样本数据获取模块，用于获取多个样本图像和每个样本图像对应的年龄信息；待测数据获取模块，用于获取待测者的待测图像和待测者的年龄信息；图像分割模块，用于从每个样本图像中至少分割出第一子区域，以及从所述待测图像中至少分割出待测第一子区域；形态学特征获取模块，用于获取每个样本图像中所述第一子区域的形态学特征，以及获取所述待测图像中所述待测第一子区域的形态学特征；分析模块，用于根据至少部分样本图像对应的年龄信息、每个所述至少部分样本图像中所述第一子区域的形态学特征、所述待测者的年龄信息和所述待测图像中所述待测第一子区域的形态学特征，确定所述待测者相应器官或组织的状况。
在一些实施例中，所述确定所述待测者相应器官或组织的状况包括：根据至少部分样本图像对应的年龄信息、每个所述至少部分样本图像中所述第一子区域的形态学特征、所述待测者的年龄信息和所述待测图像中所述待测第一子区域的形态学特征，确定所述待测者的所述待测第一子区域的形态学特征在同龄人中的排序结果；以及根据所述在同龄人中的排序结果确定所述待测者相应器官或组织的状况。
在一些实施例中，所述确定所述待测者相应器官或组织的状况包括：根据每个样本图像对应的年龄信息和每个样本图像中所述第一子区域的形态学特征，将各年龄的样本图像中所述第一子区域的形态学特征按照数值大小进行排序，确定各年龄对应的所述第一子区域的形态学特征的至少一个百分位数；根据所述至少一个百分位数确定所述待测者的所述待测第一子区域的形态学特征在同龄人中的排序结果；根据所述在同龄人中的排序结果确定所述待测者相应器官或组织的状况。
在一些实施例中，所述确定所述待测者的所述器官或组织的状况包括：以年龄为自变量、各年龄对应的所述样本图像中所述第一子区域的形态学特征的至少一个百分位数为因变量，拟合出所述样本图像中所述第一子区域的形态学特征随年龄变化的曲线；将所述待测者的年龄信息、所述待测者的所述待测第一子区域的形态学特征与所述拟合出的曲线进行比较，确定所述待测者的所述待测第一子区域的形态学特征在同龄人中所处的百分位。
在一些实施例中，所述拟合采用以下方法中的至少一种：Loess局部加权回归、多项式回归、岭回归、套索回归。
在一些实施例中，所述样本数据获取模块还用于获取每个样本图像对应的性别信息；所述待测数据获取模块还用于获取所述待测者的性别信息；所述分析模块还用于确定所述待测者的所述待测第一子区域的形态学特征在同龄且同性别人群中的排序结果，以及根据所述在同龄且同性别人群中的排序结果确定所述待测者相应器官或组织的状况。
在一些实施例中，所述待测数据获取模块还用于获取所述待测者的至少两个待测图像，每个待测图像对应不同的年龄；所述图像分割模块用于从每个待测图像中至少分割出待测第一子区域；所述形态学特征获取模块用于至少获取每个待测图像中所述待测第一子区域的形态学特征；所述分析模块用于根据所述待测者在各年龄时所述待测第一子区域的形态学特征，确定所述待测者的所述待测第一子区域的形态学特征随年龄的变化趋势；还用于至少根据部分样本图像对应的年龄信息和每个所述至少部分样本图像中所述第一子区域的形态学特征，确定所述第一子区域的形态学特征的正常变化趋势；还用于通过比较所述待测者的所述待测第一子区域的变化趋势与所述正常变化趋势，确定所述待测者相应器官或组织的状况。
在一些实施例中，所述图像分割模块还用于从每个样本图像中分割出第二子区域，以及从所述待测图像中分割出待测第二子区域；所述形态学特征获取模块还用于获取每个样本图像中所述第二子区域的形态学特征，以及获取所述待测图像中所述待测第二子区域的形态学特征；所述分析模块还用于根据每个样本图像对应的年龄信息、每个样本图像中所述第二子区域的形态学特征、所述待测者的年龄信息和所述待测图像中所述待测第二子区域的形态学特征，确定所述待测者相应器官或组织的状况。
在一些实施例中，所述图像分割模块采用深度学习模型和/或模板配准匹配的分割方法从每个样本图像中至少分割出所述第一子区域和/或从所述待测图像中至少分割出所述待测第一子区域。
在一些实施例中，所述深度学习模型可为基于三维的卷积神经网络，所述基于三维的卷积神经网络可以处理整个器官或组织的图像。
在一些实施例中，所述器官可为脑部，所述基于三维的卷积神经网络可以从脑部图像中分割出多个脑区。
在一些实施例中，所述器官可为脑部，所述脑部的形态学特征包括以下特征中的至少一种：体积、皮层厚度、皮层面积和脑回指数。
本申请的另一方面提供一种医学图像处理装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现以下操作：获取多个样本图像和每个样本图像对应的年龄信息；从每个样本图像中至少分割出第一子区域；获取每个样本图像中所述第一子区域的形态学特征；获取待测者的待测图像和待测者的年龄信息；从所述待测图像中至少分割出待测第一子区域；获取所述待测图像中所述待测第一子区域的形态学特征；根据至少部分样本图像对应的年龄信息、每个所述至少部分样本图像中所述第一子区域的形态学特征、所述待测者的年龄信息和所述待测图像中所述待测第一子区域的形态学特征，确定所述待测者相应器官或组织的状况。
本申请的另一方面提供一种用于医学图像处理的计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现以下操作：获取多个样本图像和每个样本图像对应的年龄信息；从每个样本图像中至少分割出第一子区域；获取每个样本图像中所述第一子区域的形态学特征；获取待测者的待测图像和待测者的年龄信息；从所述待测图像中至少分割出待测第一子区域；获取所述待测图像中所述待测第一子区域的形态学特征；根据至少部分样本图像对应的年龄信息、每个所述至少部分样本图像中所述第一子区域的形态学特征、所述待测者的年龄信息和所述待测图像中所述待测第一子区域的形态学特征，确定所述待测者相应器官或组织的状况。
附图说明
本申请将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1为根据本申请一些实施例所示的医学图像处理系统的应用场景图；
图2为用于实现本申请技术方案的专用系统的示例性计算设备的框图；
图3为用于实现本申请技术方案的专用系统的示例性移动设备300的框图；
图4为根据本申请一些实施例所示的医学图像处理系统的示例性模块图；
图5为根据本申请一些实施例所示的医学图像处理方法的示例性流程图；
图6为根据本申请一些实施例所示的确定待测者的第一子区域的形态学特征在同龄人中的排序结果的方法的示例性流程图；
图7为根据本申请一些实施例所示的通过待测者的子区域的形态学特征的变化趋势确定待测者相应器官或组织的状况的方法的示例性流程图；
图8为根据本申请一些实施例所示的将脑部图像分割成多个脑部子区域的横断位示例图；
图9为根据本申请一些实施例所示的将脑部图像分割成多个脑部子区域的矢状位示例图；
图10为根据本申请一些实施例所示的将脑部图像分割成多个脑部子区域的冠状位示例图；
图11为根据本申请一些实施例所示的拟合出的全脑体积的百分位数随年龄变化的曲线；
图12为根据本申请一些实施例所示的将待测者的脑部灰质体积的变化趋势与正常变化趋势对比的示例图；
图13为根据本申请一些实施例所示的将待测者的脑部白质体积的变化趋势与正常变化趋势对比的示例图；
图14为根据本申请一些实施例所示的将待测者的脑部壳核体积的变化趋势与正常变化趋势对比的示例图；
图15和图16为根据本申请一些实施例所示的医学图像处理软件界面的示意图；
图17为根据本申请一些实施例所示的诊断报告的示意图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”系用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
应当理解的是，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。
图1为根据本申请一些实施例所示的图像处理系统的应用场景图。如图1所示，该图像处理系统100可以包括扫描仪110、网络120、终端130、处理设备140和存储设备150。
扫描仪110可以对检测区域内的对象进行扫描，得到该对象的扫描数据。被扫描对象可以是人体的部分器官或组织，如头部等。在一些实施例中，扫描仪110可以是磁共振(Magnetic Resonance，MR)扫描仪。MR扫描仪可以包括磁体(例如超导磁体)、梯度线圈、射频(RF)线圈(图中未示出)。在一些实施例中，MR扫描仪可以是闭合内腔扫描仪(closed-bore scanner)、开放内腔扫描仪(open-bore scanner)等。
网络120可以包括有助于图像处理系统100交换信息和/或数据的任何适合的网络。在一些实施例中，图像处理系统100的一个或多个其他组件(例如，扫描仪110、终端130、处理设备140、存储设备150等)可以通过网络120相互交换信息和/或数据。例如，处理设备140可以通过网络120从扫描仪110获取图像数据。又例如，处理设备140可以通过网络120获取来自终端130的用户指令。网络120可以是和/或包括公共网络(例如，互联网)、专用网络(例如，局域网(LAN)、广域网(WAN)等)、有线网络(例如，以太网)、无线网络(例如，802.11网络、Wi-Fi网络等)、蜂窝网络(例如，LTE网络)、帧中继网络、虚拟专用网络(“VPN”)、卫星网络、电话网络、路由器、集线器、转换器、服务器计算机和/或其中的一种或多种的组合。例如，网络120可以包括电缆网络、有线网络、光纤网络、电信网络、局域网、无线局域网(WLAN)、城域网(MAN)、公用电话交换网(PSTN)、蓝牙TM网络、ZigBeeTM网络、近场通信网络(NFC)等中的一种或多种的组合。在一些实施例中，网络120可以包括一个或多个网络接入点。例如，网络120可以包括有线和/或无线网络接入点，如基站和/或网络交换点，系统100的一个或多个组件可以通过其接入到网络120以进行数据和/或信息交换。
在一些实施例中，用户可以通过终端130操作图像处理系统100。终端130可以包括移动设备131、平板电脑132、笔记本电脑133等中的一种或多种的组合。在一些实施例中，移动设备131可以包括智能家庭设备、可穿戴设备、移动设备、虚拟现实设备、增强现实设备等中的一种或多种的组合。在一些实施例中，智能家用设备可以包括智能照明装置、智能电器控制装置、智能监控装置、智能电视、智能摄像机、对讲机等中的一种或多种的组合。在一些实施例中，可穿戴设备可以包括手镯、鞋袜、眼镜、头盔、手表、服装、背包、智能配件等一种或多种的组合。在一些实施例中，移动设备可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备、笔记本电脑、平板电脑、台式机等中的一种或多种的组合。在一些实施例中，虚拟现实设备和/或增强现实装置可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等中的一种或多种的组合。例如，虚拟现实设备和/或增强现实设备可以包括Google GlassTM、Oculus RiftTM、HololensTM、Gear VRTM等。在一些实施例中，终端130可以是处理设备140的一部分。
处理设备140可以处理从扫描仪110、终端130和/或存储设备150中获得的数据和/或信息。例如，处理设备140可以处理待测图像，评估待测者的相应器官或组织的状况。在一些实施例中，处理设备140可以是一个服务器或一个服务器群组。服务器群组可以是集中式的或者分布式的。在一些实施例中，处理设备140可以是本地的或远程的。例如，处理设备140可以通过网络120访问存储在扫描仪110、终端130和/或存储设备150的信息和/或数据。例如，处理设备140可以直接与扫描仪110、终端130和/或存储设备150连接从而访问其存储的信息和/或数据。在一些实施例中，处理设备140可以在云平台上被执行。例如，云平台可以包括私有云、公有云、混合云、社区云、分布式云、互联云、多重云等种的一种或多种的组合。在一些实施例中，处理设备140可以由具有一个或多个组件的计算设备200(如图2所述)执行。
存储设备150可以存储数据、指令和/或其他信息。在一些实施例中，存储设备150可以存储从终端130和/或处理设备140中获得的数据。在一些实施例中，存储设备150可以存储处理设备140为执行本申请中描述的示例性方法所执行或使用的数据和/或指令。在一些实施例中，存储设备150可以包括大容量存储器、可移动存储器、易失读写存储器、只读存储器(ROM)等中的一种或多种的组合。示例性的大容量存储器可包括磁盘、光盘、固态驱动器等。示例性的可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、拉链盘、磁带等。示例性的易失读写存储器可以包括随机存取存储器(RAM)。示例性的随机存取存储器RAM可以包括动态随机存储器(DRAM)、双数据率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性的只读存储器(ROM)可以包括掩模只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)，光盘只读存储器(CD-ROM)和数字多用途光盘等。在一些实施例中，存储设备150可以在云平台上被执行。例如，云平台可以包括私有云、公共云、混合云、社区云、分布式云、互联云、多重云等种的一种或多种的组合。
在一些实施例中，存储设备150可以连接到网络120以与系统100中的一个或多个其他组件(例如，处理设备140、终端130等)进行通信。图像处理系统100中的一个或多个组件可以通过网络120访问存储在存储设备150中的数据或指令。在一些实施例中，存储设备150可以直接与系统100中的一种或多个其他组件(例如，处理设备140、终端130等)连接或通信。在一些实施例中，存储设备150可以是处理设备140的一部分。
图2是用于实现本申请技术方案的专用系统的示例性计算设备的框图。
如图2所示，计算设备200可以包括处理器210、存储器220、输入/输出接口230和通信端口240。
处理器210可以执行计算指令(程序代码)并执行本申请描述的按需服务系统100的功能。所述计算指令可以包括程序、对象、组件、数据结构、过程、模块和功能(所述功能指本申请中描述的特定功能)。例如，处理器210可以处理从图像处理系统100的任何组件获得的图像数据。在一些实施例中，处理器210可以包括微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、应用特定指令集处理器(ASIP)、中央处理器(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机(ARM)、可编程逻辑器件以及能够执行一个或多个功能的任何电路和处理器等，或其任意组合。仅为了说明，图2中的计算设备200只描述了一个处理器，但需要注意的是本申请中的计算设备200还可以包括多个处理器。
存储器220可以存储从图像处理系统100的任何其他组件获得的数据/信息。在一些实施例中，存储器220可以包括大容量存储器、可移动存储器、易失性读取和写入存储器和只读存储器(ROM)等，或其任意组合。示例性大容量存储器可以包括磁盘、光盘和固态驱动器等。可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘和磁带等。易失性读取和写入存储器可以包括随机存取存储器(RAM)。RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDRSDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容(Z-RAM)等。ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用盘ROM等。
输入/输出接口230可以用于输入或输出信号、数据或信息。在一些实施例中，输入/输出接口230可以使用户与图像处理系统100进行联系。在一些实施例中，输入/输出接口230可以包括输入装置和输出装置。示例性输入装置可以包括键盘、鼠标、触摸屏和麦克风等中的一种或以上任意组合。示例性输出设备可以包括显示设备、扬声器、打印机、投影仪等，或其任意组合。示例性显示装置可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面显示器、电视设备、阴极射线管(CRT)等中的一种或以上任意组合。通信端口240可以连接到网络以便数据通信。所述连接可以是有线连接、无线连接或两者的组合。有线连接可以包括电缆、光缆或电话线等，或其任意组合。无线连接可以包括蓝牙、Wi-Fi、WiMax、WLAN、ZigBee、移动网络(例如，3G、4G或5G等)等中的一种或以上任意组合。在一些实施例中，通信端口240可以是标准化端口，如RS232、RS485等。在一些实施例中，通信端口240可以是专门设计的端口。例如，通信端口240可以根据数字成像和医学通信协议(DICOM)进行设计。
图3是用于实现本申请技术方案的专用系统的示例性移动设备300的框图。
如图3所示，所述移动设备300可以包括通信单元310、显示单元320、图形处理器(GPU)330、中央处理器(CPU)340、输入/输出单元350、内存360、存储单元370等。在一些实施例中，操作系统361(如，iOS，Android，Windows Phone等)和应用程序362可以从存储单元370加载到内存360中，以便由CPU 340执行。应用程序362可以包括浏览器或用于从图像处理系统100接收成像、图形处理或其他相关信息的应用程序。
图4为根据本申请一些实施例所示的医学图像处理系统的示例性模块图。在一些实施例中，医学图像处理系统400可以包括样本数据获取模块402、待测数据获取模块404、图像分割模块406、形态学特征获取模块408以及分析模块410。
样本数据获取模块402可以获取样本数据。样本数据包括样本图像。在一些实施例中，样本数据获取模块402可以获取多组样本数据，其中包括多个样本图像。在一些实施例中，所述多个样本图像可以是三维图像和/或二维图像。在一些实施例中，所述多个样本图像包括至少一种器官或组织的图像。所述器官包括但不限于脑部、肺部、心脏、肾脏、肝脏等。所述组织包括但不限于上皮组织、结缔组织、神经组织、肌肉组织等。在一些实施例中，所述多个样本图像可以为同一类型的图像，例如都为MR图像、CT图像、PET-CT图像、PET-MR图像等。在一些实施例中，所述多个图像可以为不同类型的图像。以脑部MR样本图像为例，包括但不限于脑部的T1加权图像、T2加权图像、FLAIR序列图像等。样本数据获取模块402还可以获取每个样本图像对应的年龄信息。在一些实施例中，年龄信息可以为整数年龄，例如50岁、60岁、61岁等。在一些实施例中，年龄信息可以精确到小数点后至少一位，例如60.1、60.5岁等。在一些实施例中，样本数据获取模块402还可以获取每个样本图像对应的性别信息。
待测数据获取模块404可以获取待测数据，包括待测者的待测图像和待测者的年龄信息。待测图像可以是某种器官或组织的图像。在一些实施例中，当多个样本图像为同种器官或组织的图像时，待测图像可以也是该种器官或组织的图像。在一些实施例中，当多个样本图像为不同种类的器官或组织的图像时，待测图像中的器官或组织可以与至少部分样本图像中的器官或组织种类相同。例如，样本图像可以包括脑部、肺部、心脏、肾脏、肝脏等器官中至少两种器官的图像，待测图像可以为所述至少两种器官中的任一种器官的图像。在一些实施例中，当多个样本图像为同一类型的图像时，待测图像可以为该类型的图像。在一些实施例中，当多个样本图像为不同类型的图像时，待测图像可以与至少部分样本图像类型相同。例如，样本图像可以包括MR图像、CT图像、PET-CT图像、PET-MR图像等中的至少两种类型，待测图像可以为所述至少两种类型中的任一种类型。在一些实施例中，待测数据获取模块404可以获取待测者的随访数据，所述随访数据包括待测者的多张图像，每张图像在待测者不同的年龄时采集。在一些实施例中，待测数据获取模块404还可以获取待测者的性别信息。
图像分割模块406可以将图像分割成至少一个子区域。例如，对于器官来说，每种器官由不同分区构成。在一些实施例中，图像分割模块406可以按照各器官的分区将器官图像分割成至少一个子区域。图像分割模块404可以采用至少一种图像分割方法对图像进行分割。所述图像分割方法包括但不限于深度学习模型的方法、模板配准匹配的方法等。在一些实施例中，深度学习模型可以为基于三维的卷积神经网络，所述基于三维的卷积神经网络可以处理整个器官或组织的图像。模板配准匹配方法可以包括单模板配准匹配方法、多模板配准匹配方法等。
以脑部图像为例，在一些实施例中，图像分割模块406可以将每个脑部图像分割成多个脑部子区域。例如，脑部子区域可以包括全脑、灰质、白质、杏仁核、壳核、海马、苍白球、核壳、丘脑、前扣带回、中扣带回、后扣带回、岛叶、颞叶上回、颞叶中回、颞极等。图8至图10为将脑部图像分割成多个脑部子区域的示例图，其中图8为横断位图像，图9为矢状位图像，图10为冠状位图像。
形态学特征获取模块408可以获取各子区域的形态学特征。在一些实施例中，可以通过至少一种形态测量学方法获取所述各子区域的形态学特征。例如，形态测量学方法可以包括基于体素的形态测量学方法、基于张量的形态测量学方法、基于形变的形态测量学方法等。以脑部图像为例，所述形态学特征包括但不限于体积、皮层厚度、皮层面积、脑回指数等。
分析模块410可以根据样本数据和待测数据确定待测者的相应器官或组织的状况。在一些实施例中，分析模块410可以根据至少部分样本图像对应的年龄信息、每个所述至少部分样本图像中特定子区域的形态学特征、所述待测者的年龄信息和所述待测图像中特定子区域的形态学特征，确定所述待测者的相应器官或组织的状况。在一些实施例中，分析模块410可以确定待测者的特定子区域的形态学特征在同龄人中的排序结果，并根据所述排序结果确定待测者的相应器官或组织的状况。
在一些实施例中，分析模块410可以根据每个样本图像对应的年龄信息和每个样本图像中特定子区域的形态学特征，将各年龄的样本图像中所述特定子区域的形态学特征按照数值大小进行排序，确定各年龄对应的所述特定子区域的形态学特征的至少一个百分位数；以年龄为自变量、各年龄对应的所述特定子区域的形态学特征的至少一个百分位数为因变量，拟合出所述特定子区域的形态学特征随年龄变化的曲线；将所述待测者的年龄信息、所述待测者的所述特定子区域的形态学特征与所述拟合出的曲线进行比较，确定所述待测者的所述特定子区域的形态学特征在同龄人中所处的百分位。有关通过曲线拟合确定待测者在同龄人中排序的百分位的更多内容可参见图6及其描述。
在一些实施例中，分析模块410还可以确定待测者的特定子区域的形态学特征在同龄且同性别人群中的排序结果，并根据所述排序结果确定待测者的相应器官或组织的状况。在一些实施例中，分析模块410还可以根据待测者的随访数据确定待测者的特定子区域的形态学特征随年龄变化的趋势；根据样本图像和对应的年龄信息确定正常人的该特定子区域的形态学特征随年龄变化的趋势；将待测者的变化趋势与正常人的变化趋势进行比较，确定待测者的相应器官或组织的状况。有关通过比较待测者子区域的形态学特征的变化趋势与正常变化趋势确定待测者相应器官或组织的状况的更多内容可以参见图7、图12至14及其描述。
可以理解，以上医学图像处理系统400可以用于评估待测者相应器官或组织的状况，从而辅助医生进行诊断，提高诊断效率，但该系统本身并不能直接输出诊断结果。
需要注意的是，以上对于医学图像处理系统模块的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，在一些实施例中，样本数据获取模块402、待测数据获取模块404、图像分割模块406、形态学特征获取模块408以及分析模块410可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。在一些实施例中，可以将本系统的原理应用于其他图像处理系统中。
图5为根据本申请一些实施例所示的医学图像处理方法的示例性流程图。在一些实施例中，医学图像处理方法500可以由医学图像处理系统400执行。
步骤501，获取多个样本图像和每个样本图像对应的年龄信息。在一些实施例中，步骤501可以由样本数据获取模块402执行。
在一些实施例中，可以采集多个正常人的图像作为所述样本图像，并获取每个人的年龄信息。例如，可以由至少一家医院挑选志愿者，获取这些志愿者的特定器官或组织图像和年龄。在一些实施例中，可以获取特定年龄段内的人群的特定器官或组织图像作为所述样本图像。例如，可以获取20～90岁年龄段内的人群的特定器官或组织图像作为所述样本图像。在一些实施例中，还可以获取每个样本图像对应的性别信息。在一些实施例中，还可以获取特定性别的人群的特定器官或组织图像作为所述样本图像。以脑部图像为例，在一些实施例中，可以获取多个MR脑部图像作为脑部样本图像。例如，可以获取脑部的T1加权图像、T2加权图像、FLAIR序列图像等中的一种或以上任意组合。
步骤503，从每个样本图像中至少分割出第一子区域。在一些实施例中，步骤503可以由图像分割模块406执行。
在一些实施例中，可以采用至少一种图像分割方法对样本图像进行分割。在一些实施例中，可以采用深度学习模型的方法对样本图像进行分割。在一些实施例中，深度学习模型可以为基于三维的卷积神经网络，所述基于三维的卷积神经网络可以处理整个器官或组织的图像。在一些实施例中，可以采用模板配准匹配方法对样本图像进行分割。模板配准匹配方法可以包括单模板配准匹配方法、多模板配准匹配方法等。
以脑部图像为例，在一些实施例中，可以将每个脑部样本图像分割成至少一个脑部子区域。例如，所述至少一个脑部子区域可以包括全脑、灰质、白质、杏仁核、壳核、海马、苍白球、核壳、丘脑、前扣带回、中扣带回、后扣带回、岛叶、颞叶上回、颞叶中回、颞极等。
步骤505，获取每个样本图像中所述第一子区域的形态学特征。在一些实施例中，步骤505由形态学特征获取模块408执行。
在一些实施例中，可以获取所述第一子区域的至少一个形态学特征。在一些实施例中，可以通过至少一种形态测量学方法获取所述第一子区域的形态学特征。例如，形态测量学方法可以包括基于体素的形态测量学方法、基于张量的形态测量学方法、基于形变的形态测量学方法等。以脑部图像为例，所述至少一个形态学特征包括但不限于体积、皮层厚度、皮层面积、脑回指数等。
步骤507，获取待测者的待测图像和待测者的年龄信息。在一些实施例中，步骤507可以由待测数据获取模块404执行。
在一些实施例中，当多个样本图像为同一类型的图像时，待测图像可以为该类型的图像。在一些实施例中，当多个样本图像为不同类型的图像时，待测图像可以与至少部分样本图像类型相同。在一些实施例中，待测者的年龄信息的精度与样本图像对应的年龄信息的精度一致，例如，都为整数或精确到小数点后一位。在一些实施例中，可以获取待测者的随访数据，所述随访包括待测者的多张图像，每张图像在待测者不同的年龄时采集。
步骤509，从所述待测图像中至少分割出待测第一子区域。在一些实施例中，步骤509可以由图像分割模块406执行。
在一些实施例中，图像分割模块406从待测图像中分割出的子区域与从样本图像中分割出的子区域类型相同。例如，以脑部图为例，图像分割模块406可以从待测图像和样本图像中都分割出全脑、灰质、白质、杏仁核、壳核、海马、苍白球、核壳、丘脑、前扣带回、中扣带回、后扣带回、岛叶、颞叶上回、颞叶中回、颞极等子区域。步骤509与步骤503类似，此处不再赘述。
步骤511，获取所述待测图像中所述待测第一子区域的形态学特征。在一些实施例中，步骤511由形态学特征获取模块408执行。
在一些实施例中，形态学特征获取模块408针对待测图像中第一子区域获取的形态学特征的类型与针对样本图像中第一子区域获取的形态学特征的类型相同。步骤511与步骤505类似，此处不再赘述。
步骤513，根据至少部分样本图像对应的年龄信息、每个所述至少部分样本图像中所述第一子区域的形态学特征、所述待测者的年龄信息和所述待测图像中所述待测第一子区域的形态学特征，确定所述待测者的相应器官或组织的状况。在一些实施例中，步骤513可以由分析模块410执行。
在一些实施例中，可以确定待测者的第一子区域的形态学特征在同龄人中的排序结果，并根据所述排序结果确定待测者的脑萎缩情况。在一些实施例中，同龄是指年龄相同或相近，具体可以指一定年龄范围内的任何年龄。例如，60岁可以指59.5岁至60.5岁之间的任何年龄。在一些实施例中，可以确定待测者的第一子区域的形态学特征在同龄人中的排序名次。例如，可以从所有样本图像中提取出待测者同龄人群的样本图像，按照这些样本图像和待测者的图像中第一子区域的形态学特征的数值大小(由大到小或由小到大)进行排序，从而确定待测者的第一子区域的形态学特征在同龄人中的排序名次。在一些实施例中，可以确定待测者的第一子区域的形态学特征在同龄人中的排序范围。例如，可以将待测者的排序名次除以同龄人的样本图像的总数，得到待测者在同龄人中的排序百分位。
部分子区域的形态学特征数值越小，表明相应人体的器官或组织的状况越糟糕；另一部分子区域的形态学特征数值越大，表明相应人体的器官或组织状况越糟糕。以脑部为例，部分脑部子区域的形态学特征的值越小，表明脑萎缩的程度可能越严重。当第一脑部子区域的形态学特征为这类时，待测者的第一脑部子区域的形态学特征值比越多同龄人小，表明该待测者脑萎缩风险可能越大。如果是按由大到小的顺序进行排序，则待测者排序越靠后，脑萎缩风险可能越大；如果是按由小到大的顺序进行排序，则待测者排序越靠前，脑萎缩风险可能越大。部分脑部子区域的形态学特征的值越大，表明脑萎缩的程度可能越严重。当第一脑部子区域的形态学特征为这类时，待测者的第一脑部子区域的形态学特征值比越多同龄人大，表明该待测者脑萎缩风险可能越大。同样，可根据排序规则及待测者的排序结果确定待测者脑萎缩的风险程度。
在一些实施例中，可以根据样本图像和对应的年龄信息拟合出正常人的第一子区域的形态学特征随年龄变化的趋势，根据所拟合的曲线确定待测者在同龄人中排序的百分位。有关通过曲线拟合确定待测者在同龄人中排序的百分位的更多内容可以参见图6及其描述。
在一些实施例中，还可以确定待测者的特定子区域的形态学特征在同龄且同性别人群中的排序结果，并根据所述排序结果确定待测者的相应器官或组织的状况。
在一些实施例中，还可以根据待测者的随访数据确定待测者的第一子区域的形态学特征随年龄变化的趋势；根据样本图像和对应的年龄信息确定正常人的第一子区域的形态学特征随年龄变化的趋势；将待测者的变化趋势与正常人的变化趋势进行比较，确定待测者的相应器官或组织的状况。有关通过比较待测者子区域的形态学特征的变化趋势与正常变化趋势确定待测者相应器官或组织的状况的更多内容可以参见图7、图12至14及其描述。
需要注意的是，以上对于医学图像处理方法500的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该方法的原理后，可能在不背离这一原理的情况下，对各个步骤进行任意组合，或者可以增加或删减任意步骤，或者可以将本方法的原理应用于其他图像处理中。例如，在一些实施例中，还可以获取待测者的相应器官或组织中其他子区域的形态学特征，并确定其在同龄人中的排序结果。最终，综合各子区域的排序结果，评估待测者的相应器官或组织的状况。特别地，在综合评估时，可以尤其关注排序结果较为异常的子区域。
在一些实施例中，医学图像处理系统400可以通过图像处理装置实现。该装置可以包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如图5所述的医学图像处理方法。
在一些实施例中，医学图像处理系统400可以通过计算机可读存储介质实现，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现如图5所述的医学图像处理方法。
图6为根据本申请一些实施例所示的确定待测者的第一子区域的形态学特征在同龄人中的排序结果的方法的示例性流程图。
步骤601，根据每个样本图像对应的年龄信息和每个样本图像中第一子区域的形态学特征，将各年龄的样本图像中所述第一子区域的形态学特征按照数值大小进行排序，确定各年龄对应的第一子区域的形态学特征的至少一个百分位数。在一些实施例中，对于同龄的样本图像，可以将这些样本图像中第一子区域的形态学特征的数值从大到小排序，并计算相应的百分位，某一百分位对应的形态学特征的具体数值就称为这一百分位的百分位数。例如，以脑部样本图像为例，将60岁的脑部样本图像的全脑体积(TotalIntracranial Volume，TIV)由大到小进行排序，其中某一样本图像的TIV比95％的样本图像的TIV都大，则该样本图像的TIV为60岁人群TIV的第95百分位数。在一些实施例中，针对每个年龄，可以确定第一子区域的形态学特征的多个百分位数。例如，第5百分位数、第25百分位数、第50百分位数、第75百分位数、第95百分位数等。在一些实施例中，同龄是指年龄相同或相近，具体可以指一定年龄范围的任何年龄。例如，60岁可以指59.5岁至60.5岁之间的任何年龄。
步骤603，以年龄为自变量、各年龄对应的所述第一子区域的形态学特征的至少一个百分位数为因变量，拟合出所述第一子区域的形态学特征随年龄变化的曲线。在一些实施例中，可以采用至少一种回归分析方法进行曲线拟合，包括但不限于Loess局部加权回归、多项式回归、岭回归、套索回归等。为了方便描述，下面以Loess局部加权回归为例说明曲线拟合的过程。
对于Loess局部加权回归，定义式(1)为误差函数，通过拟合参数θ使该误差函数值最小，从而得到参数θ；
其中J(θ)为所有年龄的第一子区域的形态学特征的百分位数的预测值与真实值的总误差；m为总的年龄个数；w(i)为第i个年龄的权重，反映该年龄对总误差的贡献程度；y(i)为第i个年龄的第一子区域的形态学特征的百分位数的真实值；x(i)为第i个年龄；θTx(i)为第i个年龄的第一子区域的形态学特征的百分位数的预测值。最终拟合出来的曲线以x(i)为横坐标，θTx(i)为纵坐标。
权重w(i)的计算公式如下：
其中x为因变量，需要预测年龄为x时的第一子区域的形态学特征的百分位数；x(i)为第i个年龄；k是带宽参数，控制w(i)(钟形函数)的宽窄程度。可以理解，距离因变量x越近的年龄，对总误差的贡献越大，距离因变量x越远的年龄，对总误差的贡献越小。在一些实施例中，可以根据经验确定k的大小。
图11为根据本申请一些实施例所示的根据样本图像拟合出的正常女性的全脑体积的百分位数随年龄变化的曲线。如图所示，因变量(横坐标)为年龄，自变量(纵坐标)为全脑体积。1102为正常女性的TIV的第95百分位数随年龄变化的曲线，第95百分位数表示在同龄样本图像中，有95％的样本图像的TIV小于此数值；1104为正常女性的TIV的第75百分位数随年龄变化的曲线，第75百分位数表示在同龄样本图像中，有75％的样本图像的TIV小于此数值；1106为正常女性的TIV的第50百分位数随年龄变化的曲线，第50百分位数表示在同龄样本图像中，有50％的样本图像的TIV小于此数值；1108为正常女性的TIV的第25百分位数随年龄变化的曲线，第25百分位数表示在同龄样本图像中，有25％的样本图像的TIV小于此数值；1110为正常女性的TIV的第5百分位数，第5百分位数表示在同龄样本图像中，有5％的样本图像的TIV小于此数值。由图可见，女性的全脑体积的各百分位数随年龄的增长总体呈下降趋势。
步骤605，将待测者的年龄、待测者的所述第一子区域的形态学特征与所述拟合出的曲线进行比较，确定待测者的第一子区域的形态学特征在同龄人中所处的百分位。
在一些实施例中，可以确定待测者的第一子区域的形态学特征在同龄人中所处的百分位范围。例如，通过将待测者的年龄、待测者的第一子区域的形态学特征与拟合出的曲线放在同一坐标系下，可以直观地得到待测者的第一子区域的形态学特征在同龄人中所处的百分位。在一些实施例中，可以确定待测者的第一子区域的形态学特征在同龄人中所处百分位的具体数值。具体地，可以将待测者与样本图像中同龄人的第一子区域的形态学特征按照数值大小进行排序，根据排序结果确定待测者的第一子区域的形态学特征在同龄人中所处百分位的具体数值。
步骤607，根据所述百分位确定待测者相应器官或组织的状况。
部分子区域的形态学特征数值越小，表明相应人体的器官或组织的状况越糟糕；另一部分子区域的形态学特征数值越大，表明相应人体的器官或组织状况越糟糕。以脑部图像为例，部分脑部子区域的形态学特征的值越小，表明脑萎缩的程度可能越严重，例如全脑体积越小，表明脑萎缩的程度可能越严重。当第一脑部子区域的形态学特征为这类时，如果待测者的第一脑部子区域的形态学特征小于一定比例的同龄人时，表明该待测者脑萎缩风险可能较大。在一些实施例中，对于这类脑部子区域的形态学特征，当待测者的测量值在同龄人中所处的百分位小于等于5％时，即同龄人中只有5％的人的数值比待测者的测量值小，则认为待测者脑萎缩的风险较高；当待测者的测量值在同龄人中所处的百分位大于5％且小于等于25％时，认为待测者脑萎缩的风险中等；当待测者的测量值在同龄人中所处的百分位大于25％时，认为待测者脑萎缩的风险较低。部分脑部子区域的形态学特征的值越大，表明脑萎缩程度可能越严重，例如脑室的体积越大，表明脑萎缩的程度可能越严重。当第一脑部子区域的形态学特征为这类时，如果待测者的第一脑部子区域的形态学特征大于一定比例的同龄人时，表明该待测者脑萎缩风险可能较大。在一些实施例中，对于这类脑部子区域的形态学特征，当待测者的测量值在同龄人中所处的百分位大于等于95％时，即同龄人中只有5％的人的数值比待测者大，其他95％的人的数值比待测者小，则认为待测者脑萎缩的风险较高；当待测者的测量值在同龄人中所处的百分位小于95％且大于等于75％时，认为待测者脑萎缩的风险中等；当待测者的测量值在同龄人中所处的百分位小于75％时，认为待测者脑萎缩的风险较低。
图7为根据本申请一些实施例所示的通过待测者的子区域的形态学特征的变化趋势确定待测者相应器官或组织的状况的方法的示例性流程图。
步骤701，获取待测者的随访数据，所述随访数据包括待测者的至少两个待测图像，每个待测图像对应不同的年龄。年龄的精度可以为整数，也可以精确到小数点后至少一位。在一些实施例中，可以每间隔相同时间(例如，每半年、每一年、每一年半、每两年等)采集一次待测者的图像。
步骤703，从每个待测图像中分割出第一子区域。步骤703与图5中的步骤503类似，此处不再赘述。
步骤705，获取每个待测图像中所述第一子区域的形态学特征。步骤705与图5中的步骤505类似，此处不再赘述。
步骤707，根据待测者在各年龄时的第一子区域的形态学特征，确定待测者的第一子区域的形态学特征随年龄的变化趋势。
在一些实施例中，可以定性地确定待测者的第一子区域的形态学特征随年龄的变化趋势。例如，随年龄的增长而减小，或随年龄的增长而增大。在一些实施例中，可以定量地确定待测者的第一子区域的形态学特征随年龄的变化趋势。例如，可以确定待测者的第一子区域的形态学特征随年龄的变化率。具体地，可以以待测者的年龄为横坐标、待测者的第一子区域的形态学特征为纵坐标绘制曲线，将所述曲线的斜率确定为待测者的第一子区域的形态学特征随年龄的变化率。又例如，可以拟合出在待测者的随访数据对应的年龄范围内，待测者的第一子区域的形态学特征随年龄变化的直线。
步骤709，至少根据部分样本图像对应的年龄信息和每个所述至少部分样本图像中所述第一子区域的形态学特征，确定所述第一子区域的形态学特征的正常变化趋势。
在一些实施例中，可以定性地确定第一子区域的形态学特征的正常变化趋势。在一些实施例中，可以定量地确定第一子区域的形态学特征随年龄的变化趋势。在一些实施例中，可以确定第一子区域的形态学特征随年龄的变化率。在一些实施例中，可以确定第一子区域的形态学特征的各百分位数随年龄的正常变化率。例如，图12至图14中的曲线分别表示灰质体积、白质体积和壳核体积的相应百分位数随年龄的正常变化情况，曲线的斜率可以分别表示灰质体积、白质体积和壳核体积的相应百分位数随年龄的正常变化率。在一些实施例中，可以根据部分脑部样本图像，拟合出在待测者的随访数据对应的年龄范围内，正常情况下第一脑部子区域的形态学特征随年龄变化的直线。
步骤711，通过比较所述待测者的第一子区域的变化趋势与所述正常变化趋势，确定所述待测者的相应器官或组织的状况。
在一些实施例中，可以定性地比较所述待测者的第一子区域的变化趋势与所述正常变化趋势，确定所述待测者的相应器官或组织的状况。例如，对于正常人来说，部分子区域的形态学特征随年龄增长无明显变化，而待测者的相应子区域的形态学特征随着年龄增长发生了显著变化，则可认为待测者的相应器官或组织的状况存在风险。在一些实施例中，可以定量地比较所述待测者的第一子区域的变化趋势与所述正常变化趋势，确定所述待测者的相应器官或组织的状况。例如，可以比较待测者的第一子区域的形态学特征的变化率与第一子区域的形态学特征的正常变化率，根据待测者的变化率与正常变化率的差值确定待测者的相应器官或组织的状况。在一些实施例中，可以针对待测者的变化率与正常变化率的差值设定至少一个阈值，例如第一阈值和第二阈值，所述第一阈值大于第二阈值。如果待测者的变化率超过正常变化率的差值大于第一阈值，则认为待测者相应器官或组织存在较高风险；如果待测者的变化率超过正常变化率的差值大于第二阈值但不大于第一阈值，则认为待测者相应器官或组织存在中等风险；如果待测者的变化率超过正常变化率的差值不大于第二阈值，则认为待测者相应器官或组织存在较低风险。在一些实施例中，可以确定待测者的第一子区域的形态学特征随年龄变化的直线与正常情况下第一子区域的形态学特征随年龄变化的直线之间的夹角，根据所述夹角确定待测者的相应器官或组织的状况。可以理解，夹角越小，表明在待测者的随访数据对应的年龄范围内，待测者的第一子区域的形态学特征的变化趋势与正常人的变化趋势越接近，待测者相应器官或组织越正常；反之，夹角越大，待测者相应器官或组织存在的风险越大。在一些实施例中，可以根据所述夹角的大小量化待测者相应器官或组织的风险程度。例如，夹角为零时，待测者相应器官或组织的风险最低，夹角为90°时，待测者相应器官或组织的风险最高。
可以理解，以上虽然给出了根据待测者的第一子区域的形态学特征的变化趋势确定待测者的相应器官或组织的状况的实施例，但这些实施例并不用于限制本申请。在一些实施例中，还可以确定待测者的其他子区域的形态学特征的变化趋势，并与正常的变化趋势比较。最终，综合各子区域的变化趋势，评估待测者的相应器官或组织的状况。
图12至图14为根据本申请一些实施例所示的将待测者脑部图像中多个子区域的形态学特征的变化趋势与正常变化趋势对比的示例图。分别在60岁、61岁和62岁时采集了待测者的脑部图像，构成随访数据。图12为待测者脑部灰质的体积随年龄的变化趋势与正常变化趋势的对比，横坐标为年龄，纵坐标为灰质体积，其中1202、1204、1206、1208、1210分别为根据样本图像拟合的正常人的灰质体积的第95百分位数、第75百分位数、第50百分位数、第25百分位数、第5百分位数随年龄的变化曲线；1212为待测者脑部灰质体积从60岁到62岁的变化曲线，曲线上的三个点分别表示待测者在60岁、61岁、62岁时的灰质体积。图13为待测者脑部白质的体积随年龄的变化趋势与正常变化趋势的对比，横坐标为年龄，纵坐标为白质体积，其中1302、1304、1306、1308、1310分别为根据样本图像拟合的正常人的白质体积的第95百分位数、第75百分位数、第50百分位数、第25百分位数、第5百分位数随年龄的变化曲线；1312为待测者脑部白质体积从60岁到62岁的变化曲线，曲线上的三个点分别表示待测者在60岁、61岁、62岁时的白质体积。图14为待测者脑部壳核的体积随年龄的变化趋势与正常变化趋势的对比，横坐标为年龄，纵坐标为壳核体积，其中1402、1404、1406、1408、1410分别为根据样本图像拟合的正常人的壳核体积的第95百分位数、第75百分位数、第50百分位数、第25百分位数、第5百分位数随年龄的变化曲线；1412为待测者脑部壳核体积从60岁到62岁的变化曲线，曲线上的三个点分别表示待测者在60岁、61岁、62岁时的壳核体积。可以看出，该待测者脑部灰质、白质、壳核的体积缩小速率均明显大于正常人脑部这三个子区域体积的缩小速率，并且待测者在60岁、61岁、62岁时的壳核体积的百分位均小于5％，表明该待测者的壳核体积明显小于同龄人，该待测者的脑萎缩风险较高。
图15和图16为根据本申请一些实施例所示的医学图像处理软件界面的示意图。
本申请的至少部分功能可以通过一款软件实现。如图15(或图16)所示，在一些实施例中，软件界面包括控制区1502(或1602)，用户(如医生)通过点击控制区1502(或1602)中的相关按钮(如“导入图像”按钮)将待测者相应器官或组织的单组待测数据或包括多组待测数据的随访数据导入软件中，用户还可以通过点击控制区1502(或1602)中的相关按钮(如“脑区分割”按钮)控制软件对导入数据进行分析。在一些实施例中，软件界面还包括分割结果显示区1504(或1604)，用于显示待测者相应器官或组织的分割结果(如脑部图像分割出的脑区)。如图15所示，在一些实施例中，分割结果显示区1504还可以显示图像分割耗时信息1508。如图16所示，在一些实施例中，当导入软件中的数据为待测者的随访数据时，用户可以在分析结果显示区1606上点击一个子区域的分析结果(如“壳核”的分析结果)，分割结果显示区1604随即会显示待测者该子区域的形态学特征随年龄的变化曲线与正常人该子区域的形态学特征的百分位数随年龄的变化曲线的对比1608(1608与图12至图14类似)。
在一些实施例中，软件界面还可以包括分析结果显示区1506(或1606)，用于显示待测者相应器官或组织的至少一个子区域的分析结果，每个子区域的分析结果包括该子区域的名称、待测者该子区域的形态学特征、待测者同龄人群中该子区域的正常形态学特征范围、待测者该子区域的形态学特征在同龄人中所处百分位等。
在一些实施例中，分析结果显示区1506(或1606)可以对风险程度不同的子区域进行区分显示。可以理解，虽然附图15和16为黑白图像，但实际软件界面可以为彩色。在一些实施例中，可以将高风险的子区域的分析结果显示为第一颜色，将中等风险的子区域的分析结果显示为第二颜色，将低风险的子区域的分析结果显示为第三颜色。例如，待测者的海马体和壳核的体积在同龄人中所处百分位均小于5％，为高风险子区域，则海马体分析结果15062和壳核分析结果15063(或16062和16063)可以显示为红色；待测者的杏仁核体积在同龄人中所处百分位在5％至25％之间，为中等风险子区域，则杏仁核分析结果15061(或16061)显示为黄色；待测者的前扣带回和中扣带回体积在同龄人中所处百分位均大于25％，为低风险子区域，则前扣带回分析结果15064和中扣带回分析结果15065(或16064和16065)显示为白色。通过区分显示，可以提示用户(如医生)注意异常子区域。
在一些实施例中，软件界面还包括推荐诊断结果显示区1510(或1610)，用于显示推荐诊断结果。所述推荐诊断结果为软件根据各子区域的分析结果自动生成。用户可以参考推荐诊断结果做出诊断报告。例如，用户可以将推荐诊断结果显示区1510(或1610)中的文字复制粘贴到最终的诊断报告中；或者，用户可以点击相应按钮将该文字导入最终的诊断报告中。
图17为根据本申请一些实施例所示的诊断报告的示意图。
在一些实施例中，诊断报告可以包括待测者信息1702。待测者信息包括但不限于待测者的序号、姓名、性别、年龄、联系电话、诊断医师、检查日期等信息。
在一些实施例中，诊断报告可以包括待测者的待测图像分割结果1704。所述待测图像分割结果可以包括横断位分割图、矢状位分割图、冠状位分割图中的一个或以上任意组合。
在一些实施例中，诊断报告可以包括待测者相应器官或组织的形态学特征信息1706，包括待测者相应器官或组织中至少一个子区域的分析结果。每个子区域的分析结果包括该子区域的名称、待测者该子区域的形态学特征、待测者同龄人群中该子区域的正常形态学特征的范围、待测者该子区域的形态学特征在同龄人中所处百分位等。在一些实施例中，诊断报告中可以只显示待测者风险较高的子区域的分析结果。
在一些实施例中，诊断报告可以包括待测者相应器官或组织中至少一个子区域的形态学特征与正常人的对比图1708。在一些实施例中，诊断报告可以只显示待测者风险较高的子区域的形态学特征与正常人的对比图。
在一些实施例中，诊断报告还可以包括诊断结果1710。在一些实施例中，诊断结果可以为软件自动生成的推荐诊断结果。
在一些实施例中，诊断报告可以完全由软件自动生成。在一些实施例中，诊断报告中的至少部分内容可以由用户人工输入。例如，用户可以将图15(或图16)中分割结果显示区1504(或1604)中的至少一个分割图像导入诊断报告的待测图像分割结果1704中。又例如，用户可以将图16中待测者的高风险子区域与正常人的对比图1608导入诊断报告的1708中。又例如，用户可以将图15(或图16)中分析结果显示区1506(1606)中待测者的高风险子区域的分析结果导入诊断报告的1706中。又例如，用户可以将图15(或图16)中的推荐诊断结果显示区1510(或1610)中的文字复制粘贴或导入到诊断报告的诊断结果1710中；或者，用户可以参考推荐诊断结果人工输入最终的诊断结果。
本申请实施例可能带来的有益效果包括但不限于：(1)首次将三维卷积神经网络用于脑部子结构的分割，从而获取脑区的形态学特征；(2)将医学图像分割成若干子区域，通过比较各子区域的形态学特征，综合评估待测者相应器官或组织的状况；(3)通过比较正常人相应器官或组织的形态学特征与待测者相应器官或组织的形态学特征的具体数值，量化待测者相应器官或组织的风险程度；(4)根据待测者的随访数据确定待测者相应器官或组织的形态学特征的变化趋势，通过与正常人的变化趋势比较，确定待测者相应器官或组织的风险程度。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (10)

1.一种医学图像处理系统，其特征在于，包括：
样本数据获取模块，用于获取多个样本图像和每个样本图像对应的年龄信息；
待测数据获取模块，用于获取待测者的待测图像和待测者的年龄信息；
图像分割模块，用于从每个样本图像中至少分割出第一子区域，以及从所述待测图像中至少分割出待测第一子区域；
形态学特征获取模块，用于获取每个样本图像中所述第一子区域的形态学特征，以及获取所述待测图像中所述待测第一子区域的形态学特征；
分析模块，用于根据至少部分样本图像对应的年龄信息、每个所述至少部分样本图像中所述第一子区域的形态学特征、所述待测者的年龄信息和所述待测图像中所述待测第一子区域的形态学特征，确定所述待测者相应器官或组织的状况。
2.如权利要求1所述的医学图像处理系统，其特征在于，所述确定所述待测者相应器官或组织的状况包括：
根据至少部分样本图像对应的年龄信息、每个所述至少部分样本图像中所述第一子区域的形态学特征、所述待测者的年龄信息和所述待测图像中所述待测第一子区域的形态学特征，确定所述待测者的所述待测第一子区域的形态学特征在同龄人中的排序结果；以及
根据所述在同龄人中的排序结果确定所述待测者相应器官或组织的状况。
3.如权利要求1所述的医学图像处理系统，其特征在于，所述确定所述待测者相应器官或组织的状况包括：
根据每个样本图像对应的年龄信息和每个样本图像中所述第一子区域的形态学特征，将各年龄的样本图像中所述第一子区域的形态学特征按照数值大小进行排序，确定各年龄对应的所述第一子区域的形态学特征的至少一个百分位数；
根据所述至少一个百分位数确定所述待测者的所述待测第一子区域的形态学特征在同龄人中的排序结果；以及
根据所述在同龄人中的排序结果确定所述待测者相应器官或组织的状况。
4.如权利要求1-3任一项所述的医学图像处理系统，其特征在于，所述确定所述待测者相应器官或组织的状况包括：
以年龄为自变量、各年龄对应的所述样本图像中所述第一子区域的形态学特征的至少一个百分位数为因变量，拟合出所述样本图像所述第一子区域的形态学特征随年龄变化的曲线；
将所述待测者的年龄信息、所述待测者的所述待测第一子区域的形态学特征与所述拟合出的曲线进行比较，确定所述待测者的所述待测第一子区域的形态学特征在同龄人中所处的百分位。
5.如权利要求4所述的医学图像处理系统，其特征在于，
所述样本数据获取模块还用于获取每个样本图像对应的性别信息；
所述待测数据获取模块还用于获取所述待测者的性别信息；
所述分析模块还用于确定所述待测者的所述待测第一子区域的形态学特征在同龄且同性别人群中的排序结果，以及根据所述在同龄且同性别人群中的排序结果确定所述待测者相应器官或组织的状况。
6.如权利要求1所述的医学图像处理系统，其特征在于：
所述待测数据获取模块还用于获取所述待测者的至少两个待测图像，每个待测图像对应不同的年龄；
所述图像分割模块用于从每个待测图像中至少分割出待测第一子区域；
所述形态学特征获取模块用于至少获取每个待测图像中所述待测第一子区域的形态学特征；
所述分析模块用于根据所述待测者在各年龄时所述待测第一子区域的形态学特征，确定所述待测者的所述待测第一子区域的形态学特征随年龄的变化趋势；还用于至少根据部分样本图像对应的年龄信息和每个所述至少部分样本图像中所述第一子区域的形态学特征，确定所述第一子区域的形态学特征的正常变化趋势；还用于通过比较所述待测者的所述待测第一子区域的变化趋势与所述正常变化趋势，确定所述待测者相应器官或组织的状况。
7.如权利要求1所述的医学图像处理系统，其特征在于：
所述图像分割模块还用于从每个样本图像中分割出第二子区域，以及从所述待测图像中分割出待测第二子区域；
所述形态学特征获取模块还用于获取每个样本图像中所述第二子区域的形态学特征，以及获取所述待测脑部图像中所述待测第二子区域的形态学特征；
所述分析模块还用于根据每个样本图像对应的年龄信息、每个样本图像中所述第二子区域的形态学特征、所述待测者的年龄信息和所述待测脑部图像中所述待测第二子区域的形态学特征，确定所述待测者相应器官或组织的状况。
8.如权利要求1所述的医学图像处理系统，其特征在于，所述图像分割模块采用深度学习模型和/或模板配准匹配的分割方法从每个样本图像中至少分割出所述第一子区域和/或从所述待测图像中至少分割出所述待测第一子区域。
9.一种医学图像处理装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现以下操作：
获取多个样本图像和每个样本图像对应的年龄信息；
从每个样本图像中至少分割出第一子区域；
获取每个样本图像中所述第一子区域的形态学特征；
获取待测者的待测图像和待测者的年龄信息；
从所述待测图像中至少分割出待测第一子区域；
获取所述待测图像中所述待测第一子区域的形态学特征；以及
根据至少部分样本图像对应的年龄信息、每个所述至少部分样本图像中所述第一子区域的形态学特征、所述待测者的年龄信息和所述待测图像中所述待测第一子区域的形态学特征，确定所述待测者相应器官或组织的状况。
10.一种用于医学图像处理的计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现以下操作：
获取多个样本图像和每个样本图像对应的年龄信息；
从每个样本图像中至少分割出第一子区域；
获取每个样本图像中所述第一子区域的形态学特征；
获取待测者的待测图像和待测者的年龄信息；
从所述待测图像中至少分割出待测第一子区域；
获取所述待测图像中所述待测第一子区域的形态学特征；以及
根据至少部分样本图像对应的年龄信息、每个所述至少部分样本图像中所述第一子区域的形态学特征、所述待测者的年龄信息和所述待测图像中所述待测第一子区域的形态学特征，确定所述待测者相应器官或组织的状况。
CN201811125405.2A 2018-09-26 2018-09-26 一种医学图像处理系统、装置和计算机可读存储介质 Active CN109285152B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202111633345.7A CN114332011A (zh) 2018-09-26 2018-09-26 一种医学图像处理系统、装置和计算机可读存储介质
CN201811125405.2A CN109285152B (zh) 2018-09-26 2018-09-26 一种医学图像处理系统、装置和计算机可读存储介质
US16/576,264 US11227390B2 (en) 2018-09-26 2019-09-19 Systems and methods for image processing
PCT/CN2019/107529 WO2020063589A1 (en) 2018-09-26 2019-09-24 Systems and methods for image processing
US17/457,443 US11615535B2 (en) 2018-09-26 2021-12-03 Systems and methods for image processing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811125405.2A CN109285152B (zh) 2018-09-26 2018-09-26 一种医学图像处理系统、装置和计算机可读存储介质

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202111633345.7A Division CN114332011A (zh) 2018-09-26 2018-09-26 一种医学图像处理系统、装置和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109285152A true CN109285152A (zh) 2019-01-29
CN109285152B CN109285152B (zh) 2021-11-09

Family

ID=65182326

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202111633345.7A Pending CN114332011A (zh) 2018-09-26 2018-09-26 一种医学图像处理系统、装置和计算机可读存储介质
CN201811125405.2A Active CN109285152B (zh) 2018-09-26 2018-09-26 一种医学图像处理系统、装置和计算机可读存储介质

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202111633345.7A Pending CN114332011A (zh) 2018-09-26 2018-09-26 一种医学图像处理系统、装置和计算机可读存储介质

Country Status (1)

Country Link
CN (2) CN114332011A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110379515A (zh) * 2019-07-12 2019-10-25 上海联影智能医疗科技有限公司 用于评估待检测目标的生理参数指标的方法、计算机设备
CN110491481A (zh) * 2019-08-23 2019-11-22 杭州依图医疗技术有限公司 一种用于影像分析的信息显示方法、设备和存储介质
WO2020063589A1 (en) * 2018-09-26 2020-04-02 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for image processing
CN111403032A (zh) * 2020-03-05 2020-07-10 上海市精神卫生中心（上海市心理咨询培训中心） 一种儿童脑发育水平评估方法，系统及存储设备
CN112075927A (zh) * 2020-10-15 2020-12-15 首都医科大学附属北京天坛医院 脑卒中的病因分类方法及装置
CN112329763A (zh) * 2020-02-22 2021-02-05 宋彤云 基于区块链管理的现场警示平台
CN112515684A (zh) * 2020-11-30 2021-03-19 上海交通大学 一种个性化干预音乐推荐系统
CN114677516A (zh) * 2022-05-27 2022-06-28 杭州键嘉机器人有限公司 一种基于深度神经网络的口腔下颌管自动分割方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101615224A (zh) * 2008-06-27 2009-12-30 西门子公司 一种计算机辅助识别装置和系统
KR101111676B1 (ko) * 2010-10-19 2012-03-05 광주과학기술원 친족점 연결을 이용한 수골 및 손목뼈 영상의 분할방법
CN103745227A (zh) * 2013-12-31 2014-04-23 沈阳航空航天大学 一种基于多维信息的肺结节良恶性鉴别方法
US20140234810A1 (en) * 2013-02-15 2014-08-21 Educational Testing Service Systems and Methods for Determining Text Complexity
US20150310628A1 (en) * 2014-04-25 2015-10-29 Xerox Corporation Method for reducing false object detection in stop-and-go scenarios
CN105512493A (zh) * 2015-12-22 2016-04-20 重庆大学 基于脑部病理年龄估计的脑疾病检测系统
CN107767376A (zh) * 2017-11-02 2018-03-06 西安邮电大学 基于深度学习的x线片骨龄预测方法及系统
CN108573490A (zh) * 2018-04-25 2018-09-25 王成彦 一种针对肿瘤影像数据的智能读片系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101615224A (zh) * 2008-06-27 2009-12-30 西门子公司 一种计算机辅助识别装置和系统
KR101111676B1 (ko) * 2010-10-19 2012-03-05 광주과학기술원 친족점 연결을 이용한 수골 및 손목뼈 영상의 분할방법
US20140234810A1 (en) * 2013-02-15 2014-08-21 Educational Testing Service Systems and Methods for Determining Text Complexity
CN103745227A (zh) * 2013-12-31 2014-04-23 沈阳航空航天大学 一种基于多维信息的肺结节良恶性鉴别方法
US20150310628A1 (en) * 2014-04-25 2015-10-29 Xerox Corporation Method for reducing false object detection in stop-and-go scenarios
CN105512493A (zh) * 2015-12-22 2016-04-20 重庆大学 基于脑部病理年龄估计的脑疾病检测系统
CN107767376A (zh) * 2017-11-02 2018-03-06 西安邮电大学 基于深度学习的x线片骨龄预测方法及系统
CN108573490A (zh) * 2018-04-25 2018-09-25 王成彦 一种针对肿瘤影像数据的智能读片系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NADIA BRANCATI等: "Image Segmentation Via Iterative Histogram Thresholding and Morphological Features Analysis", 《SPRINGER-VERLAG BERLIN HEIDELBERG 2008》 *
郑光远等: "医学影像计算机辅助检测与诊断系统综述", 《软件学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020063589A1 (en) * 2018-09-26 2020-04-02 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for image processing
US11227390B2 (en) 2018-09-26 2022-01-18 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for image processing
US11615535B2 (en) 2018-09-26 2023-03-28 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for image processing
CN110379515A (zh) * 2019-07-12 2019-10-25 上海联影智能医疗科技有限公司 用于评估待检测目标的生理参数指标的方法、计算机设备
CN110491481A (zh) * 2019-08-23 2019-11-22 杭州依图医疗技术有限公司 一种用于影像分析的信息显示方法、设备和存储介质
CN112329763A (zh) * 2020-02-22 2021-02-05 宋彤云 基于区块链管理的现场警示平台
CN111403032A (zh) * 2020-03-05 2020-07-10 上海市精神卫生中心（上海市心理咨询培训中心） 一种儿童脑发育水平评估方法，系统及存储设备
CN112075927A (zh) * 2020-10-15 2020-12-15 首都医科大学附属北京天坛医院 脑卒中的病因分类方法及装置
CN112075927B (zh) * 2020-10-15 2024-05-14 首都医科大学附属北京天坛医院 脑卒中的病因分类方法及装置
CN112515684A (zh) * 2020-11-30 2021-03-19 上海交通大学 一种个性化干预音乐推荐系统
CN114677516A (zh) * 2022-05-27 2022-06-28 杭州键嘉机器人有限公司 一种基于深度神经网络的口腔下颌管自动分割方法

Also Published As

Publication number Publication date
CN109285152B (zh) 2021-11-09
CN114332011A (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN109285152A (zh) 一种医学图像处理系统、装置和计算机可读存储介质
CN110298897B (zh) 用于正电子发射断层成像图像重建的系统和方法
US11348233B2 (en) Systems and methods for image processing
CN109242865B (zh) 基于多图谱的医学图像自动分区系统、方法、装置及存储介质
US11615535B2 (en) Systems and methods for image processing
CN109271992A (zh) 一种医学图像处理方法、系统、装置和计算机可读存储介质
CN110060313A (zh) 一种图像伪影校正方法和系统
CN109712217B (zh) 一种医学图像可视化方法和系统
EP3824477A1 (en) Data-driven estimation of predictive digital twin models from medical data
US11468570B2 (en) Method and system for acquiring status of strain and stress of a vessel wall
US11302440B2 (en) Accelerating human understanding of medical images by dynamic image alteration
CN110880366A (zh) 一种医学影像处理系统
CN110335235A (zh) 心脏医学图像的处理装置、处理系统和介质
CN109727223A (zh) 一种医学图像自动融合方法和系统
CN110335236A (zh) 心脏医学图像的处理方法、处理装置、处理系统和介质
CN106663144A (zh) 用于基于相互相关性进行分层数据分析的方法和装置
CN113116297A (zh) 医学成像系统和方法
CN117015801A (zh) 图像分割的系统和方法
Song et al. RAFF-Net: An improved tongue segmentation algorithm based on residual attention network and multiscale feature fusion
US11445989B1 (en) Interfaces for identifying and characterizing tracts in neuro-networks
US20230260173A1 (en) Systems and methods for positron emission tomography image reconstruction
US20240095974A1 (en) Brain tractography by shading fiber bundles
EP4254427A1 (en) Method and data processing system for providing a stroke information
WO2022257154A1 (zh) 参数成像的系统和方法
Jaffré Deep learning-based segmentation of the aorta from dynamic 2D magnetic resonance images

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