CN109447966A - 医学图像的病灶定位识别方法、装置、设备及存储介质 - Google Patents
医学图像的病灶定位识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109447966A CN109447966A CN201811256253.XA CN201811256253A CN109447966A CN 109447966 A CN109447966 A CN 109447966A CN 201811256253 A CN201811256253 A CN 201811256253A CN 109447966 A CN109447966 A CN 109447966A
- Authority
- CN
- China
- Prior art keywords
- lesion
- image
- classification
- target image
- lesions position
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种医学图像的病灶定位识别方法、装置、设备及存储介质，方法包括：获取目标图像，目标图像为待定位识别的医学图像；对目标图像进行预处理，获得预处理图像；将预处理图像输入预先建立的病灶定位识别模型，获得目标图像对应的病灶位置指示图以及目标图像中病灶的类别，病灶定位识别模型采用标注有病灶类别的训练医学图像训练得到。本申请基于病灶定位识别模型能够自动从医学图像中检测出病灶，并给出病灶的位置，不但节省了人力，减少了病灶识别定位的耗时，而且避免了人工定位识别病灶所造成的误诊、漏诊，定位和识别出的病灶还能辅助医生进行快速准确的分析，提高了医生的诊断效率以及诊断准确率。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种医学图像的病灶定位识别方法、装置、设备及存储介质。
背景技术
医学领域的实际临床诊断中，需要从医学图像(如DR图像、X光片、CT光片、MRI等)中定位和识别出病灶。现有技术中的诊断方式为人工诊断，即需要医生通过肉眼对医学图像中的病灶进行定位和识别。然而，在某些情况下，医生需要对大量的医学图像进行筛查，医生的工作量会更大，因此，人工诊断的方式费时费力，且人工筛查主观性较强，很容易由于疲劳造成漏诊、误诊。
发明内容
有鉴于此，本申请提供了一种医学图像的病灶定位识别方法，用以解决现有技术中，人工定位和识别病灶费时费力，且主观性较强，很容易由于疲劳造成漏诊、误诊等问题，其技术方案如下：
获取目标图像，所述目标图像为待定位识别的医学图像；
对所述目标图像进行预处理，获得预处理图像；
将所述预处理图像输入预先建立的病灶定位识别模型，获得所述目标图像对应的病灶位置指示图以及所述目标图像中病灶的类别，所述病灶定位识别模型采用标注有病灶类别的训练医学图像训练得到。
其中，所述将所述预处理图像输入预先建立的病灶定位识别模型，获得所述目标图像对应的病灶位置指示图以及所述目标图像中病灶的类别，包括：
通过所述病灶定位识别模型中的特征提取模块，从所述预处理图像中提取特征作为目标特征；
通过所述病灶定位识别模型中的病灶类别确定模块，基于所述目标特征确定所述目标图像中病灶的类别；
通过所述病灶定位识别模型中的注意力机制响应模块，基于所述目标特征和所述目标图像中病灶的类别，确定每个类别的病灶对应的病灶位置指示图；
通过所述病灶定位识别模型中的病灶位置确定模块，基于所述每个类别的病灶对应的病灶位置指示图，确定所述目标图像对应的病灶位置指示图，所述目标图像对应的病灶位置指示图用于指示所述目标图像中各类病灶的位置。
其中，所述基于所述每个类别的病灶对应的病灶位置指示图，确定所述目标图像对应的病灶位置指示图，包括：
将所述每个类别的病灶对应的病灶位置指示图与所述目标图像进行融合，融合得到的图像作为所述目标图像对应的病灶位置指示图。
其中，所述将所述每个类别的病灶对应的病灶位置指示图与所述目标图像进行融合，包括：
分别对所述每个类别的病灶对应的病灶位置指示图进行上采样，获得每个类别的病灶对应的、病灶位置指示图的上采样图，所述病灶位置指示图的上采样图与所述目标图像尺寸相同；
将每个类别的病灶对应的、病灶位置指示图的上采样图与所述目标图像进行融合，融合后的图像作为所述目标图像对应的病灶位置指示图。
其中，一个类别的病灶对应的病灶位置指示图为能够展示出该类别的病灶的位置的热图，该热图中的高亮区域为该类别的病灶的位置；
所述目标图像对应的病灶位置指示图为能够展示出目标图像中各类病灶的位置的热图，该热图中的高亮区域为所述目标图像中各类病灶的位置。
其中，所述病灶定位识别模型的训练过程包括：
获取标注有病灶类别的训练医学图像，并对所述训练医学图像进行预处理，获得预处理训练图像；
将所述预处理训练图像输入所述病灶定位识别模型进行训练，以使所述病灶定位识别模型输出与输入图像标注的病灶类别一致的病灶类别，且输出标注的病灶类别的病灶对应的病灶位置指示图；
其中，在对所述病灶定位识别模型进行训练以确定输入图像的病灶位置时，基于设定的注意力机制损失函数，以使所述病灶定位识别模型输出的病灶类别得分逐渐变低直至收敛为目标，逐渐获取每个类别对应的病灶位置指示图，在每获得一病灶位置指示图时，基于该病灶位置指示图所指示的病灶位置覆盖所述预处理训练图像，以便基于覆盖后的图像获取下一病灶位置指示图，该病灶位置指示图中所指示的病灶位置为之前未确定出的病灶位置。
一种医学图像的病灶定位识别装置，包括：图像获取模块、图像预处理模块和病灶定位识别模块；
所述图像获取模块，用于获取目标图像，所述目标图像为待定位识别的医学图像；
所述图像预处理模块，用于对所述目标图像进行预处理，获得预处理图像；
所述病灶定位识别模块，用于将所述预处理图像输入预先建立的病灶定位识别模型，获得所述目标图像对应的病灶位置指示图以及所述目标图像中病灶的类别，所述病灶定位识别模型采用标注有病灶类别的训练医学图像训练得到。
其中，所述病灶定位识别模块，具体用于通过所述病灶定位识别模型中的特征提取模块，从所述预处理图像中提取特征作为目标特征；通过所述病灶定位识别模型中的病灶类别确定模块，基于所述目标特征确定所述目标图像中病灶的类别；通过所述病灶定位识别模型中的注意力机制响应模块，基于所述目标特征和所述目标图像中病灶的类别，确定每个类别的病灶对应的病灶位置指示图；通过所述病灶定位识别模型中的病灶位置确定模块，基于所述每个类别的病灶对应的病灶位置指示图，确定所述目标图像对应的病灶位置指示图，所述目标图像对应的病灶位置指示图用于指示所述目标图像中各类病灶的位置。
其中，所述病灶定位识别模块，在基于所述每个类别的病灶对应的病灶位置指示图，确定所述目标图像对应的病灶位置指示图时，具体用于将所述每个类别的病灶对应的病灶位置指示图与所述目标图像进行融合，融合得到的图像作为所述目标图像对应的病灶位置指示图。
所述医学图像的病灶定位识别装置还包括：训练模块；
所述训练模块，用于获取标注有病灶类别的训练医学图像，并对所述训练医学图像进行预处理，获得预处理训练图像；将所述预处理训练图像输入所述病灶定位识别模型进行训练，以使所述病灶定位识别模型输出与输入图像标注的病灶类别一致的病灶类别，且输出标注的病灶类别的病灶对应的病灶位置指示图；
其中，所述训练模块在对所述病灶定位识别模型进行训练以确定输入图像的病灶位置时，基于设定的注意力机制损失函数，以使所述病灶定位识别模型输出的病灶类别得分逐渐变低直至收敛为目标，逐渐获取每个类别对应的病灶位置指示图，在每获得一病灶位置指示图时，基于该病灶位置指示图所指示的病灶位置覆盖所述预处理训练图像，以便基于覆盖后的图像获取下一病灶位置指示图，该病灶位置指示图中所指示的病灶位置为之前未确定出的病灶位置。
一种医学图像的病灶定位识别设备，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，所述程序具体用于：
获取目标图像，所述目标图像为待定位识别的医学图像；
对所述目标图像进行预处理，获得预处理图像；
将所述预处理图像输入预先建立的病灶定位识别模型，获得所述目标图像对应的病灶位置指示图以及所述目标图像中病灶的类别，所述病灶定位识别模型采用标注有病灶类别的训练医学图像训练得到。
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述医学图像的病灶定位识别方法的各个步骤。
上述技术方案具有如下有益效果：
本发明实施例提供的医学图像的病灶定位识别方法、装置、设备及存储介质，首先获取待定位识别的医学图像，然后对待定位识别的医学图像进行预处理，最后将预处理图像输入采用标注有病灶类别的训练医学图像训练得到的病灶定位识别模型，获得待定位识别的医学图像对应的病灶位置指示图以及目标图像中病灶的类别，由此可见，本申请能够基于病灶定位识别模型自动从待定位识别的医学图像中检测出病灶，并给出病灶的位置，本申请相较于人工定位识别病灶的方式，不但节省了人力，减少了病灶定位的耗时，而且避免了人工定位病灶所造成的误诊、漏诊，定位和识别出的病灶还能辅助医生进行快速准确的分析，提高了医生的诊断效率以及诊断准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的医学图像的病灶定位识别方法的流程示意图；
图2为本申请实施例提供的医学图像的病灶定位识别方法中，将预处理图像输入预先建立的病灶定位识别模型，获得所述目标图像对应的病灶位置指示图以及目标图像中病灶的类别的实现过程的流程示意图；
图3为本申请实施例提供的医学图像的病灶定位识别方法中，将每个类别的病灶对应的病灶位置指示图与目标图像进行融合的实现过程的流程示意图；
图4为本申请实施例提供的医学图像的病灶定位识别装置的结构示意图；
图5为本申请实施例提供的医学图像的病灶定位识别设备的结构示意图。
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，本领域普通技术人员在没有做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。
医学图像是通过成像技术获得的、能够反映人体的不同组织结构和病理状态的图像，比如DR(digitalradiography)图像，DR图像是X线透过人体而形成的模拟灰度图像，这种灰度图像通过影像的密度及变化来反映人体的不同组织结构和病理状态，DR图像呈现的是X线穿过人体某一区域内不同密度和厚度投影的总和，如此叠加的结果可以使一些组织结构或病灶的投影增强以获得更好的显示结果，许多肺部疾病都能在胸部DR图像中被发现，常见的疾病包括：肺炎、肺结核、肺结节、陈旧性病灶、主动脉硬化、心影增大、肺气肿、气胸等，有别于自然图像的检测与识别，DR图像中病灶的检测与识别需要对肺部DR图像中病灶的成像有一个清晰的认识，例如肺炎的征象为云絮状密度增高影，密度中等而均匀，边缘模糊不清楚。
医院每天有大量的病人拍摄医学图像如胸部DR图像，但是，由于影像科医生培养的长周期性和困难性(培养一位高水平的影像科医生往往需要10年时间)，现有的影像科医生每天面临着大量的工作压力。当面临大规模筛查时，需要医生处理分析的数据量非常大，人工诊断方法既费时又费力，且人工筛查主观性较强，很容易由于疲劳造成漏诊、误诊。
为了解决人工诊断所存在的问题，本案发明人进行了深入研究：
初始阶段的思路是，采用对比度增强等算法对医学图像进行预处理，以提高各器官区域、组织间的对比度，在此基础上人为的选择特征并用机器学习方法进行训练。
然而，上述思路存在如下缺陷：
其一，生成候选框的方法较为耗时，模型训练需要大量的时间；其二，人为选取特征具有较大的局限性，无法较好的分析提取中医学图像中的信息，导致在实际场景中使用效果较差；其三，算法是静态的，即算法的准确性无法随着获取的有效数据的增加而提高。
鉴于上述问题，发明人继续进行深入研究，最终提出了一种解决方案，完美解决了上述研发过程中各个问题。接下来通过下述实施例对本申请提供的医学图像的病灶定位识别方法进行介绍。
请参阅图1，示出了该医学图像的病灶定位识别方法的流程示意图，该方法可以包括：
步骤S101：获取目标图像。
其中，目标图像为待定位识别的医学图像，待定位识别的医学图像可以但不限定为DR图像、X光片、CT光片、MRI图像。待定位识别的医学图像可由专业的成像设备获得，比如DR图像可由DR拍摄设备获得。
步骤S102：对目标图像进行预处理，获得预处理图像。
对目标图像进行预处理指的是将目标图像处理成便于定位识别的规范图像，具体可以包括：将待定位识别的医学图像的所有像素调整至预设像素范围，获得调整后的图像，基于基准图像对调整后的图像中指定对象的位置和/或大小进一步进行调整。
可以理解的是，拍摄设备的不同、人体器官的构成差异等因素会造成医学图像像素值范围不一样，比如，病人a的胸部DR图像的像素范围可能为0-4096，而病人b的胸部DR图像的像素范围可能为400-2000。鉴于上述情况的存在，本实施例可将待定位识别的医学图像的所有像素调整至预设像素范围。在一种可能的实现方式中，可使用窗宽窗位对待定位识别的医学图像进行线性映射，使待定位识别的医学图像的像素分布在一预设像素范围内。
另外，由于拍摄医学图像时，不同人的器官大小不一，以及不同人的拍摄站位不一，因此，拍摄出的图像中器官的尺寸、位置均不同，为了使不同人的医学图像中器官的位置大致对齐，以便于后续的定位，本实施例可对待定位识别的医学图像基于配准技术(比如，医学图像领域常用的非刚性配准技术)配准到一基准图像，即，将待定位识别的医学图像中各个器官的位置和大小变换至与基准图像类似的分布。
步骤S103：将预处理图像输入预先建立的病灶定位识别模型，获得目标图像对应的病灶位置指示图以及目标图像中病灶的类别。
其中，病灶定位识别模型采用标注有病灶类别的训练医学图像训练得到。
需要说明的是，训练医学图像可以为来自医院的真实医学图像，也可以为通过各种途径搜集的医学图像，训练医学图像的病灶类别可由专业医学专家标注。
鉴于医学图像标注的困难性和昂贵性，本实施例采用的是基于弱监督学习的病灶定位识别方案，即病灶定位识别模型采用仅标注有病灶类别的训练医学图像训练得到。本实施例提供的基于弱监督学习的病灶识别定位方案，不但能够从待定位识别的医学图像中检测出病灶，还能给出病灶的位置。
本申请实施例提供的医学图像的病灶定位识别方法，基于病灶定位识别模型能够自动从医学图像中检测出病灶，并给出病灶的位置，这种方式不但节省了人力，减少了病灶定位识别的耗时，而且避免了人工定位识别病灶所造成的误诊、漏诊，定位和识别出的病灶能够辅助医生进行快速准确的分析，提高了医生的诊断效率以及诊断准确率。
在本申请的另一个实施例中，对前述实施例中步骤S102：将预处理图像输入预先建立的病灶定位识别模型，获得目标图像对应的病灶位置指示图以及目标图像中病灶的类别进行介绍。
请参阅图2，示出了将预处理图像输入预先建立的病灶定位识别模型，获得目标图像对应的病灶位置指示图以及目标图像中病灶的类别的实现过程的流程示意图，可以包括:
步骤S201：通过病灶定位识别模型中的特征提取模块，从预处理图像中提取特征作为目标特征。
步骤S202：通过病灶定位识别模型中的病灶类别确定模块，基于目标特征确定目标图像中病灶的类别。
在一种可能的实现方式中，本实施例中可使用基于深度学习的深度卷积神经网络对图像进行特征层提取、多标签分类，即本实施例中的病灶定位识别模型可以为基于多任务学习的多标签分类的卷积神经网络，卷积神经网络的主网络可以为深度残差网络(Deepresidualnetwork,ResNet，ResNet)，当然也可以为其它网络结构，本实施例对此不作具体限定，另外，病灶定位识别模型的损失函数为多标签分类损失函数。本实施例通过病灶定位识别模型可从目标图像中识别出多种类型的病灶。
步骤S203：通过病灶定位识别模型中的注意力机制响应模块，基于目标特征和目标图像中病灶的类别，确定每个类别的病灶对应的病灶位置指示图。
其中，一个类别的病灶对应的病灶位置指示图，用于指示该类病灶的位置，在一种可能的实现方式中，一个类别的病灶对应的病灶位置指示图可以为能够展示出该类别的病灶的位置的热图，该热图中的高亮区域为该类别的病灶的位置。
步骤S204：通过病灶定位识别模型中的病灶位置确定模块，基于每个类别的病灶对应的病灶位置指示图，确定目标图像对应的病灶位置指示图。
其中，目标图像对应的病灶位置指示图用于指示目标图像中各类病灶的位置。
当每个类别的病灶对应的病灶位置指示图为能够展示相应类别病灶的位置的热图时，基于每个类别的病灶对应的病灶位置指示图确定的、目标图像对应的病灶位置指示图为能够展示目标图像中各类病灶的位置的热图，该热图中的高亮区域为目标图像中各类病灶的位置。
上述步骤S204中，基于每个类别的病灶对应的病灶位置指示图，确定目标图像对应的病灶位置指示图的过程可以包括：将每个类别的病灶对应的病灶位置指示图与目标图像进行融合，融合得到的图像作为目标图像对应的病灶位置指示图。
请参阅图3，示出了将每个类别的病灶对应的病灶位置指示图与目标图像进行融合的实现过程的流程示意图，可以包括：
步骤S301：分别对每个类别的病灶对应的病灶位置指示图进行上采样，获得每个类别的病灶对应的病灶位置指示图的上采样图。
需要说明的是，若病灶定位识别模型为卷积神经网络，则每个类别的病灶对应的病灶位置指示图是经过卷积神经网络多次卷积过后的，尺寸较小，为了使其能够与目标图像进行融合，达到可视化效果，本实施例分别对每个类别的病灶对应的病灶位置指示图进行上采样，以使上采样后的图像与目标图像的尺寸相同。
步骤S302：将每个类别的病灶对应的病灶位置指示图的上采样图与目标图像进行融合，融合后的图像作为目标图像对应的病灶位置指示图。
将每个类别的病灶对应的病灶位置指示图的上采样图与目标图像进行融合的方式有多种，在一种可能的实现方式中，可直接将每个类别的病灶对应的病灶位置指示图的上采样图与目标图像进行融合，即直接将各个图像进行叠加。在另一种可能的实现方式中，可为每个类别的病灶对应的病灶位置指示图的上采样图赋予权重，该权重为病灶定位识别模型中的病灶类别确定模块确定出的每个病灶类别对应的权重，基于每个病灶类别对应的权重，将每个类别的病灶对应的、病灶位置指示图的上采样图与目标图像进行融合，即将各个上采样图加权后再与目标图像叠加。
以下对病灶定位识别模型的训练过程进行介绍。
病灶定位识别模型的训练过程包括：获取标注有病灶类别的训练医学图像；对训练医学图像进行预处理，获得预处理训练图像；将预处理训练图像输入病灶定位识别模型进行训练，以使病灶定位识别模型输出的病灶类别与输入图像标注的病灶类别一致，且输出标注的病灶类别的病灶对应的病灶位置指示图。
其中，在对病灶定位识别模型进行训练以确定输入图像的病灶位置时，基于设定的注意力机制损失函数，以使病灶类别得分逐渐变低直至收敛为目标，逐渐获取每个类别对应的病灶位置指示图，在每获得一病灶位置指示图时，基于该病灶位置指示图所指示的病灶位置覆盖预处理训练图像，以便基于覆盖后的图像获取下一病灶位置指示图，该病灶位置指示图中所指示的病灶位置为之前未确定出的病灶位置。
需要说明的是，本申请实施例在训练病灶定位识别模型获得病灶位置时，采用逐渐覆盖目标(已确定出的病灶位置)，直至病灶定位识别模型输出的病灶类别得分收敛，即病灶类别得分变得很低。
比如，一张医学图像，在没有强监督信号的情况下，即没有标注出病灶的具体位置，在大数据的前提下，病灶定位识别模型能够学习到数据的共同点，假设模型首先可以获得病灶A的位置，即获得的病灶位置指示图中高亮区域为病灶A的位置，但是，医学图像中不单有病灶A，还有病灶B、病灶C，因此，希望模型能够将病灶B、病灶C均定位出来，基于此，将高亮区域生成掩码，即，基于掩码将定位出的病灶A掩盖，如此，模型便可学习到病灶B的信息，从而可获得高亮区域集中在病灶B的位置指示图，接着再将高亮区域生成掩码，即，基于掩码将定位出的病灶B掩盖，模型便可学习到病灶C的信息，从而可获得高亮区域集中病灶C的病灶位置指示图，当图像中所有病灶都被掩盖后，模型将无法分辨，病灶类别得分就会变得很低。
另一个形象的例子是：一张人物的图像，在没有强监督信号的情况下，即没有标注出人的具体位置，在大数据的前提下，用于对人进行定位的模型能够学习到数据的共同点，对人而言，首先可以获得的是人的头部位置，那么位置指示图中高亮区域为人的头部，但是，人不单有头部，还有身体，因此，希望模型能够将人的头部和身体均定位出来，基于此，将高亮区域生成掩码，即，基于掩码将定位出的头部掩盖，如此，模型便可学习到上半身的信息，从而可获得高亮区域集中在上半身体的位置指示图，接着再把上半身掩盖，模型便可学习到下半身的信息，从而可获得高亮区域集中在下半身体的位置指示图，当图像中人的所有特征都被掩盖后，模型将无法分辨，类别得分就会变得很低。
本申请实施例提供的基于弱监督学习的病灶识别定位方法，不但能够自动从待定位识别的医学图像中检测出病灶，还能给出病灶的位置。与现有技术中的人工定位识别病灶相比，不但节省了人力，减少了病灶定位识别的耗时，而且避免了人工定位识别病灶所造成的误诊、漏诊，定位和识别出的病灶还能辅助医生进行快速准确的分析，提高了医生的诊断效率以及诊断准确率。
与上述医学图像的病灶定位识别方法相对应，本申请实施例还提供了一种医学图像的病灶定位识别装置，请参阅图4，示出了该装置的结构示意图，可以包括：图像获取模块401、图像预处理模块402和病灶定位识别模块403。
图像获取模块401，用于获取目标图像。
其中，目标图像为待定位识别的医学图像。
图像预处理模块402，用于对目标图像进行预处理，获得预处理图像。
病灶定位识别模块403，用于将预处理图像输入预先建立的病灶定位识别模型，获得所述目标图像对应的病灶位置指示图以及所述目标图像中病灶的类别。
其中，病灶定位识别模型采用标注有病灶类别的训练医学图像训练得到。
本申请实施例提供的医学图像的病灶定位识别装置，首先获取待定位识别的医学图像，然后对待定位识别的医学图像进行预处理，最后将预处理图像输入采用标注有病灶类别的训练医学图像训练得到的病灶定位识别模型，获得待定位识别的医学图像对应的病灶位置指示图以及目标图像中病灶的类别，由此可见，本申请实施例提供的医学图像的病灶定位识别装置，能够基于病灶定位识别模型自动从待定位识别的医学图像中检测出病灶，并给出病灶的位置，相较于人工定位识别病灶的方式，不但节省了人力，减少了病灶定位的耗时，而且避免了人工定位病灶所造成的误诊、漏诊，定位和识别出的病灶还能辅助医生进行快速准确的分析，提高了医生的诊断效率以及诊断准确率。
优选地，上述实施例提供的医学图像的病灶定位识别装置中，病灶定位识别模块403，具体用于通过所述病灶定位识别模型中的特征提取模块，从所述预处理图像中提取特征作为目标特征；通过所述病灶定位识别模型中的病灶类别确定模块，基于所述目标特征确定所述目标图像中病灶的类别；通过所述病灶定位识别模型中的注意力机制响应模块，基于所述目标特征和所述目标图像中病灶的类别，确定每个类别的病灶对应的病灶位置指示图；通过所述病灶定位识别模型中的病灶位置确定模块，基于所述每个类别的病灶对应的病灶位置指示图，确定所述目标图像对应的病灶位置指示图，所述目标图像对应的病灶位置指示图用于指示所述目标图像中各类病灶的位置。
优选地，病灶定位识别模块403，在基于所述每个类别的病灶对应的病灶位置指示图，确定所述目标图像对应的病灶位置指示图时，具体用于将所述每个类别的病灶对应的病灶位置指示图与所述目标图像进行融合，融合得到的图像作为所述目标图像对应的病灶位置指示图。
进一步地，病灶定位识别模块403在将所述每个类别的病灶对应的病灶位置指示图与所述目标图像进行融合时，具体用于分别对所述每个类别的病灶对应的病灶位置指示图进行上采样，获得每个类别的病灶对应的、病灶位置指示图的上采样图，所述病灶位置指示图的上采样图与所述目标图像尺寸相同；将每个类别的病灶对应的、病灶位置指示图的上采样图与所述目标图像进行融合，融合后的图像作为所述目标图像对应的病灶位置指示图。
优选地，一个类别的病灶对应的病灶位置指示图为能够展示出该类别的病灶的位置的热图，该热图中的高亮区域为该类别的病灶的位置；所述目标图像对应的病灶位置指示图为能够展示出目标图像中各类病灶的位置的热图，该热图中的高亮区域为所述目标图像中各类病灶的位置。
上述实施例提供的医学图像的病灶定位识别装置还包括：训练模块；
所述训练模块，用于获取标注有病灶类别的训练医学图像，并对所述训练医学图像进行预处理，获得预处理训练图像；将所述预处理训练图像输入所述病灶定位识别模型进行训练，以使所述病灶定位识别模型输出与输入图像标注的病灶类别一致的病灶类别，且输出标注的病灶类别的病灶对应的病灶位置指示图。
其中，所述训练模块在对所述病灶定位识别模型进行训练以确定输入图像的病灶位置时，基于设定的注意力机制损失函数，以使所述病灶定位识别模型输出的病灶类别得分逐渐变低直至收敛为目标，逐渐获取每个类别对应的病灶位置指示图，在每获得一病灶位置指示图时，基于该病灶位置指示图所指示的病灶位置覆盖所述预处理训练图像，以便基于覆盖后的图像获取下一病灶位置指示图，该病灶位置指示图中所指示的病灶位置为之前未确定出的病灶位置。
本申请实施例还提供了一种医学图像的病灶定位识别设备，请参阅图5，示出了该病灶定位识别设备的结构示意图，该病灶定位识别设备可以包括：存储器501和处理器502；
所述存储器501，用于存储程序；
所述处理器502，用于执行所述程序，所述程序具体用于：
获取目标图像，所述目标图像为待定位识别的医学图像；
对所述目标图像进行预处理，获得预处理图像；
将所述预处理图像输入预先建立的病灶定位识别模型，获得所述目标图像对应的病灶位置指示图以及所述目标图像中病灶的类别，所述病灶定位识别模型采用标注有病灶类别的训练医学图像训练得到。
病灶定位识别设备还可以包括：总线和通信接口503。
处理器502、存储器501、通信接口503通过总线相互连接。其中：
总线可包括一通路，在计算机系统各个部件之间传送信息。
处理器502可以是通用处理器，例如通用中央处理器(CPU)、微处理器等，也可以是特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制本发明方案程序执行的集成电路。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
处理器502可包括主处理器，还可包括基带芯片、调制解调器等。
存储器501中保存有执行本发明技术方案的程序，还可以保存有操作系统和其他关键业务。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。更具体的，存储器501可以包括只读存储器(read-only memory，ROM)、可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(randomaccess memory，RAM)、可存储信息和指令的其他类型的动态存储设备、磁盘存储器、flash等等。
通信接口503可包括使用任何收发器一类的装置，以便与其他设备或通信网络通信，如以太网，无线接入网(RAN)，无线局域网(WLAN)等。
处理器502执行存储器501中所存放的程序，以及调用其他设备，可用于实现本申请实施例所提供的医学图像的病灶定位识别方法的各个步骤。
本申请还提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例提供的医学图像的病灶定位识别方法的各个步骤。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种医学图像的病灶定位识别方法，其特征在于，包括：
获取目标图像，所述目标图像为待定位识别的医学图像；
对所述目标图像进行预处理，获得预处理图像；
将所述预处理图像输入预先建立的病灶定位识别模型，获得所述目标图像对应的病灶位置指示图以及所述目标图像中病灶的类别，所述病灶定位识别模型采用标注有病灶类别的训练医学图像训练得到。
2.根据权利要求1所述的医学图像的病灶定位识别方法，其特征在于，所述将所述预处理图像输入预先建立的病灶定位识别模型，获得所述目标图像对应的病灶位置指示图以及所述目标图像中病灶的类别，包括：
通过所述病灶定位识别模型中的特征提取模块，从所述预处理图像中提取特征作为目标特征；
通过所述病灶定位识别模型中的病灶类别确定模块，基于所述目标特征确定所述目标图像中病灶的类别；
通过所述病灶定位识别模型中的注意力机制响应模块，基于所述目标特征和所述目标图像中病灶的类别，确定每个类别的病灶对应的病灶位置指示图；
通过所述病灶定位识别模型中的病灶位置确定模块，基于所述每个类别的病灶对应的病灶位置指示图，确定所述目标图像对应的病灶位置指示图，所述目标图像对应的病灶位置指示图用于指示所述目标图像中各类病灶的位置。
3.根据权利要求2所述的医学图像的病灶定位识别方法，其特征在于，所述基于所述每个类别的病灶对应的病灶位置指示图，确定所述目标图像对应的病灶位置指示图，包括：
将所述每个类别的病灶对应的病灶位置指示图与所述目标图像进行融合，融合得到的图像作为所述目标图像对应的病灶位置指示图。
4.根据权利要求3所述的医学图像的病灶定位识别方法，其特征在于，所述将所述每个类别的病灶对应的病灶位置指示图与所述目标图像进行融合，包括：
分别对所述每个类别的病灶对应的病灶位置指示图进行上采样，获得每个类别的病灶对应的、病灶位置指示图的上采样图，所述病灶位置指示图的上采样图与所述目标图像尺寸相同；
将每个类别的病灶对应的、病灶位置指示图的上采样图与所述目标图像进行融合，融合后的图像作为所述目标图像对应的病灶位置指示图。
5.根据权利要求2所述的医学图像的病灶定位识别方法，其特征在于，一个类别的病灶对应的病灶位置指示图为能够展示出该类别的病灶的位置的热图，该热图中的高亮区域为该类别的病灶的位置；
所述目标图像对应的病灶位置指示图为能够展示出目标图像中各类病灶的位置的热图，该热图中的高亮区域为所述目标图像中各类病灶的位置。
6.根据权利要求1～5中任意一项所述的医学图像中病灶定位识别方法，其特征在于，所述病灶定位识别模型的训练过程包括：
获取标注有病灶类别的训练医学图像，并对所述训练医学图像进行预处理，获得预处理训练图像；
将所述预处理训练图像输入所述病灶定位识别模型进行训练，以使所述病灶定位识别模型输出与输入图像标注的病灶类别一致的病灶类别，且输出标注的病灶类别的病灶对应的病灶位置指示图；
其中，在对所述病灶定位识别模型进行训练以确定输入图像的病灶位置时，基于设定的注意力机制损失函数，以使所述病灶定位识别模型输出的病灶类别得分逐渐变低直至收敛为目标，逐渐获取每个类别对应的病灶位置指示图，在每获得一病灶位置指示图时，基于该病灶位置指示图所指示的病灶位置覆盖所述预处理训练图像，以便基于覆盖后的图像获取下一病灶位置指示图，该病灶位置指示图中所指示的病灶位置为之前未确定出的病灶位置。
7.一种医学图像的病灶定位识别装置，其特征在于，包括：图像获取模块、图像预处理模块和病灶定位识别模块；
所述图像获取模块，用于获取目标图像，所述目标图像为待定位识别的医学图像；
所述图像预处理模块，用于对所述目标图像进行预处理，获得预处理图像；
所述病灶定位识别模块，用于将所述预处理图像输入预先建立的病灶定位识别模型，获得所述目标图像对应的病灶位置指示图以及所述目标图像中病灶的类别，所述病灶定位识别模型采用标注有病灶类别的训练医学图像训练得到。
8.根据权利要求7所述的医学图像的病灶定位识别装置，其特征在于，所述病灶定位识别模块，具体用于通过所述病灶定位识别模型中的特征提取模块，从所述预处理图像中提取特征作为目标特征；通过所述病灶定位识别模型中的病灶类别确定模块，基于所述目标特征确定所述目标图像中病灶的类别；通过所述病灶定位识别模型中的注意力机制响应模块，基于所述目标特征和所述目标图像中病灶的类别，确定每个类别的病灶对应的病灶位置指示图；通过所述病灶定位识别模型中的病灶位置确定模块，基于所述每个类别的病灶对应的病灶位置指示图，确定所述目标图像对应的病灶位置指示图，所述目标图像对应的病灶位置指示图用于指示所述目标图像中各类病灶的位置。
9.一种医学图像的病灶定位识别设备，其特征在于，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，所述程序具体用于：
获取目标图像，所述目标图像为待定位识别的医学图像；
对所述目标图像进行预处理，获得预处理图像；
将所述预处理图像输入预先建立的病灶定位识别模型，获得所述目标图像对应的病灶位置指示图以及所述目标图像中病灶的类别，所述病灶定位识别模型采用标注有病灶类别的训练医学图像训练得到。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1～6中任一项所述的医学图像的病灶定位识别方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811256253.XA CN109447966A (zh) | 2018-10-26 | 2018-10-26 | 医学图像的病灶定位识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811256253.XA CN109447966A (zh) | 2018-10-26 | 2018-10-26 | 医学图像的病灶定位识别方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109447966A true CN109447966A (zh) | 2019-03-08 |
Family
ID=65548646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811256253.XA Pending CN109447966A (zh) | 2018-10-26 | 2018-10-26 | 医学图像的病灶定位识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447966A (zh) |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110013264A (zh) * | 2019-04-29 | 2019-07-16 | 北京青燕祥云科技有限公司 | X光图像识别方法、装置、电子设备及存储介质 |
| CN110097952A (zh) * | 2019-05-10 | 2019-08-06 | 图兮深维医疗科技（苏州）有限公司 | 一种医学图像显示处理装置及设备 |
| CN110136103A (zh) * | 2019-04-24 | 2019-08-16 | 平安科技（深圳）有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
| CN110176002A (zh) * | 2019-06-05 | 2019-08-27 | 深圳大学 | 一种x射线图像的病灶检测方法及终端设备 |
| CN110175993A (zh) * | 2019-05-27 | 2019-08-27 | 西安交通大学医学院第一附属医院 | 一种基于FPN的Faster R-CNN肺结核征象检测系统及方法 |
| CN110223289A (zh) * | 2019-06-17 | 2019-09-10 | 上海联影医疗科技有限公司 | 一种图像处理方法和系统 |
| CN110287970A (zh) * | 2019-06-25 | 2019-09-27 | 电子科技大学 | 一种基于cam与掩盖的弱监督物体定位方法 |
| CN110390351A (zh) * | 2019-06-24 | 2019-10-29 | 浙江大学 | 一种基于深度学习的致痫灶三维自动定位系统 |
| CN110415792A (zh) * | 2019-05-31 | 2019-11-05 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
| CN110503642A (zh) * | 2019-08-23 | 2019-11-26 | 强联智创（北京）科技有限公司 | 一种基于dsa图像的定位方法及系统 |
| CN110599483A (zh) * | 2019-09-19 | 2019-12-20 | 慧影医疗科技（北京）有限公司 | 肺部病灶检测装置、检测设备及可读存储介质 |
| CN110647947A (zh) * | 2019-09-30 | 2020-01-03 | 杭州依图医疗技术有限公司 | 一种病灶融合的方法及装置 |
| CN110838103A (zh) * | 2019-10-29 | 2020-02-25 | 重庆金山医疗技术研究院有限公司 | 一种图像处理方法、装置、诊断设备及计算机存储介质 |
| CN110930378A (zh) * | 2019-11-18 | 2020-03-27 | 上海体素信息科技有限公司 | 基于低数据需求的肺气肿影像处理方法及系统 |
| CN111078346A (zh) * | 2019-12-19 | 2020-04-28 | 北京市商汤科技开发有限公司 | 一种目标对象显示方法及装置、电子设备和存储介质 |
| CN111341441A (zh) * | 2020-03-02 | 2020-06-26 | 刘四花 | 一种肠胃科病模型构建方法及诊断系统 |
| CN111353975A (zh) * | 2020-02-24 | 2020-06-30 | 北京推想科技有限公司 | 网络模型训练方法及装置、病灶定位方法及装置 |
| CN111476783A (zh) * | 2020-04-13 | 2020-07-31 | 腾讯科技（深圳）有限公司 | 基于人工智能的图像处理方法、装置、设备及存储介质 |
| CN111583184A (zh) * | 2020-04-14 | 2020-08-25 | 上海联影智能医疗科技有限公司 | 图像分析方法、网络、计算机设备和存储介质 |
| CN111696083A (zh) * | 2020-05-20 | 2020-09-22 | 平安科技（深圳）有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN111933274A (zh) * | 2020-07-15 | 2020-11-13 | 平安科技（深圳）有限公司 | 疾病分类诊断方法、装置、电子设备及存储介质 |
| CN111986189A (zh) * | 2020-08-27 | 2020-11-24 | 上海市公共卫生临床中心 | 一种基于ct影像的多类别肺炎筛查深度学习装置 |
| WO2020233272A1 (zh) * | 2019-05-22 | 2020-11-26 | 腾讯科技（深圳）有限公司 | 一种医疗图像处理方法、装置、电子医疗设备和存储介质 |
| WO2022062590A1 (zh) * | 2020-09-24 | 2022-03-31 | 上海商汤智能科技有限公司 | 图像识别方法及装置、设备、存储介质和程序 |
| WO2023198166A1 (zh) * | 2022-04-14 | 2023-10-19 | 北京联影智能影像技术研究院 | 图像检测方法、系统、装置及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
| CN106097335A (zh) * | 2016-06-08 | 2016-11-09 | 安翰光电技术（武汉）有限公司 | 消化道病灶图像识别系统及识别方法 |
| CN106682435A (zh) * | 2016-12-31 | 2017-05-17 | 西安百利信息科技有限公司 | 一种多模型融合自动检测医学图像中病变的系统及方法 |
| CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术（北京）有限公司 | 用于标注医学图像的方法和装置 |
-
2018
- 2018-10-26 CN CN201811256253.XA patent/CN109447966A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
| CN106097335A (zh) * | 2016-06-08 | 2016-11-09 | 安翰光电技术（武汉）有限公司 | 消化道病灶图像识别系统及识别方法 |
| CN106682435A (zh) * | 2016-12-31 | 2017-05-17 | 西安百利信息科技有限公司 | 一种多模型融合自动检测医学图像中病变的系统及方法 |
| CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术（北京）有限公司 | 用于标注医学图像的方法和装置 |
Cited By (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136103B (zh) * | 2019-04-24 | 2024-05-28 | 平安科技（深圳）有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
| CN110136103A (zh) * | 2019-04-24 | 2019-08-16 | 平安科技（深圳）有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
| CN110013264A (zh) * | 2019-04-29 | 2019-07-16 | 北京青燕祥云科技有限公司 | X光图像识别方法、装置、电子设备及存储介质 |
| CN110097952A (zh) * | 2019-05-10 | 2019-08-06 | 图兮深维医疗科技（苏州）有限公司 | 一种医学图像显示处理装置及设备 |
| WO2020233272A1 (zh) * | 2019-05-22 | 2020-11-26 | 腾讯科技（深圳）有限公司 | 一种医疗图像处理方法、装置、电子医疗设备和存储介质 |
| US11984225B2 (en) | 2019-05-22 | 2024-05-14 | Tencent Technology (Shenzhen) Company Limited | Medical image processing method and apparatus, electronic medical device, and storage medium |
| CN110175993A (zh) * | 2019-05-27 | 2019-08-27 | 西安交通大学医学院第一附属医院 | 一种基于FPN的Faster R-CNN肺结核征象检测系统及方法 |
| CN110415792A (zh) * | 2019-05-31 | 2019-11-05 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
| CN110415792B (zh) * | 2019-05-31 | 2022-03-25 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
| CN110176002A (zh) * | 2019-06-05 | 2019-08-27 | 深圳大学 | 一种x射线图像的病灶检测方法及终端设备 |
| CN110176002B (zh) * | 2019-06-05 | 2022-04-01 | 深圳大学 | 一种x射线图像的病灶检测方法及终端设备 |
| CN110223289A (zh) * | 2019-06-17 | 2019-09-10 | 上海联影医疗科技有限公司 | 一种图像处理方法和系统 |
| CN110390351A (zh) * | 2019-06-24 | 2019-10-29 | 浙江大学 | 一种基于深度学习的致痫灶三维自动定位系统 |
| WO2020224123A1 (zh) * | 2019-06-24 | 2020-11-12 | 浙江大学 | 一种基于深度学习的致痫灶三维自动定位系统 |
| CN110287970A (zh) * | 2019-06-25 | 2019-09-27 | 电子科技大学 | 一种基于cam与掩盖的弱监督物体定位方法 |
| CN110287970B (zh) * | 2019-06-25 | 2021-07-27 | 电子科技大学 | 一种基于cam与掩盖的弱监督物体定位方法 |
| CN110503642A (zh) * | 2019-08-23 | 2019-11-26 | 强联智创（北京）科技有限公司 | 一种基于dsa图像的定位方法及系统 |
| CN110503642B (zh) * | 2019-08-23 | 2021-10-29 | 强联智创（北京）科技有限公司 | 一种基于dsa图像的定位方法及系统 |
| CN110599483A (zh) * | 2019-09-19 | 2019-12-20 | 慧影医疗科技（北京）有限公司 | 肺部病灶检测装置、检测设备及可读存储介质 |
| CN110647947A (zh) * | 2019-09-30 | 2020-01-03 | 杭州依图医疗技术有限公司 | 一种病灶融合的方法及装置 |
| CN110838103B (zh) * | 2019-10-29 | 2023-05-16 | 重庆金山医疗技术研究院有限公司 | 一种图像处理方法、装置、诊断设备及计算机存储介质 |
| CN110838103A (zh) * | 2019-10-29 | 2020-02-25 | 重庆金山医疗技术研究院有限公司 | 一种图像处理方法、装置、诊断设备及计算机存储介质 |
| CN110930378A (zh) * | 2019-11-18 | 2020-03-27 | 上海体素信息科技有限公司 | 基于低数据需求的肺气肿影像处理方法及系统 |
| CN110930378B (zh) * | 2019-11-18 | 2023-05-16 | 上海体素信息科技有限公司 | 基于低数据需求的肺气肿影像处理方法及系统 |
| TWI759004B (zh) * | 2019-12-19 | 2022-03-21 | 大陸商北京市商湯科技開發有限公司 | 一種目標對象顯示方法、電子設備和電腦可讀儲存介質 |
| CN111078346B (zh) * | 2019-12-19 | 2022-08-02 | 北京市商汤科技开发有限公司 | 一种目标对象显示方法及装置、电子设备和存储介质 |
| CN111078346A (zh) * | 2019-12-19 | 2020-04-28 | 北京市商汤科技开发有限公司 | 一种目标对象显示方法及装置、电子设备和存储介质 |
| WO2021120603A1 (zh) * | 2019-12-19 | 2021-06-24 | 北京市商汤科技开发有限公司 | 一种目标对象显示方法及装置、电子设备和存储介质 |
| CN111353975A (zh) * | 2020-02-24 | 2020-06-30 | 北京推想科技有限公司 | 网络模型训练方法及装置、病灶定位方法及装置 |
| CN111341441A (zh) * | 2020-03-02 | 2020-06-26 | 刘四花 | 一种肠胃科病模型构建方法及诊断系统 |
| CN111476783A (zh) * | 2020-04-13 | 2020-07-31 | 腾讯科技（深圳）有限公司 | 基于人工智能的图像处理方法、装置、设备及存储介质 |
| CN111583184A (zh) * | 2020-04-14 | 2020-08-25 | 上海联影智能医疗科技有限公司 | 图像分析方法、网络、计算机设备和存储介质 |
| CN111696083A (zh) * | 2020-05-20 | 2020-09-22 | 平安科技（深圳）有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN111696083B (zh) * | 2020-05-20 | 2024-05-14 | 平安科技（深圳）有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN111933274A (zh) * | 2020-07-15 | 2020-11-13 | 平安科技（深圳）有限公司 | 疾病分类诊断方法、装置、电子设备及存储介质 |
| CN111986189B (zh) * | 2020-08-27 | 2022-12-27 | 上海市公共卫生临床中心 | 一种基于ct影像的多类别肺炎筛查深度学习装置 |
| CN111986189A (zh) * | 2020-08-27 | 2020-11-24 | 上海市公共卫生临床中心 | 一种基于ct影像的多类别肺炎筛查深度学习装置 |
| WO2022062590A1 (zh) * | 2020-09-24 | 2022-03-31 | 上海商汤智能科技有限公司 | 图像识别方法及装置、设备、存储介质和程序 |
| WO2023198166A1 (zh) * | 2022-04-14 | 2023-10-19 | 北京联影智能影像技术研究院 | 图像检测方法、系统、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447966A (zh) | 医学图像的病灶定位识别方法、装置、设备及存储介质 | |
| US11478226B2 (en) | System and method for ultrasound analysis | |
| CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
| WO2019062846A1 (zh) | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 | |
| CN107622492A (zh) | 肺裂分割方法及系统 | |
| CN109616195A (zh) | 基于深度学习的纵隔超声内镜图像实时辅助诊断系统及方法 | |
| Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
| Nurmaini et al. | Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation | |
| JP2016116774A (ja) | 画像処理装置、画像処理方法、画像処理システム、及びプログラム | |
| CN110838140A (zh) | 基于混合监督学习的超声和核磁图像配准融合方法及装置 | |
| CN113855079A (zh) | 基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法 | |
| US11996182B2 (en) | Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network | |
| Hsieh et al. | Combining VGG16, Mask R-CNN and Inception V3 to identify the benign and malignant of breast microcalcification clusters | |
| CN109919912A (zh) | 一种医学影像的质量评价方法和装置 | |
| CN109801276A (zh) | 一种计算心胸比的方法及装置 | |
| CN114343604A (zh) | 基于医学影像的肿瘤检测及诊断装置 | |
| CN112349391A (zh) | 一种优化肋骨自动标号方法 | |
| CN110013264A (zh) | X光图像识别方法、装置、电子设备及存储介质 | |
| CN112419246B (zh) | 量化食管粘膜IPCLs血管形态分布的深度检测网络 | |
| CN116452579B (zh) | 一种基于胸片图像的肺动脉高压智能评估方法和系统 | |
| Jiang et al. | GlanceSeg: Real-time microaneurysm lesion segmentation with gaze-map-guided foundation model for early detection of diabetic retinopathy | |
| CN113197549A (zh) | 一种通过人脸识别技术诊断疾病的系统 | |
| CN116823701A (zh) | 基于ai的医学影像分析处理方法 | |
| CN116205929A (zh) | 一种超声融合成像方法及设备、存储介质 | |
| CN114332858A (zh) | 病灶检测方法及装置、病灶检测模型获取方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190820 Address after: 230088 Room 288, H2 Building, Phase II, Innovation Industrial Park, 2800 Innovation Avenue, Hefei High-tech Zone, Anhui Province Applicant after: IFLYTEK Anhui Medical Information Technology Co. Ltd. Address before: 230088 No. 666 Wangjiangxi Road, Hefei High-tech Zone, Anhui Province Applicant before: Iflytek Co., Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |