CN109460756B - 医学影像处理方法、装置、电子设备及计算机可读介质 - Google Patents
医学影像处理方法、装置、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN109460756B CN109460756B CN201811330094.3A CN201811330094A CN109460756B CN 109460756 B CN109460756 B CN 109460756B CN 201811330094 A CN201811330094 A CN 201811330094A CN 109460756 B CN109460756 B CN 109460756B
- Authority
- CN
- China
- Prior art keywords
- medical image
- structured text
- model
- information
- focus
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Abstract
本公开涉及一种医学影像处理方法、装置、电子设备及计算机可读介质。涉及医学影像信息处理领域,该方法包括:获取医学影像图片和对应的医学影像报告;通过所述医学影像报告提取结构化文本,所述结构化文本包含多个特征类别;通过所述结构化文本确定区域模板;以及将所述医学影像图片、所述结构化文本、所述区域模板输入到病灶定位模型中以在所述医学影像图片中定位出病灶图像区域,所述病灶定位模型为弱监督学习模型。本公开涉及的医学影像处理方法、装置、电子设备及计算机可读介质,能够提高医学影像中病灶区域定位的准确度。
Description
技术领域
本公开涉及计算机信息处理领域,具体而言,涉及一种医学影像处理方法、装置、电子设备及计算机可读介质。
背景技术
计算机辅助检测是利用先进的计算机软硬件分析和处理数字放射图像,以发现并检出病变特征,其结果作为“第二个意见”供诊断医师参考,帮助放射医师提高病灶检出率,被称为放射科医师的“第二双眼睛”,它可以提高诊断准确性并改良诊断的再现性,缩短读片时间,提高工作效率。借助于计算机辅助检测的医学影像中的病灶进行细致的定位是一个非常重要的研究方向。
现有技术中存在如下两种病灶定位方法:1.使用监督学习的办法,由医生仔细标注病灶位置,模型同时学习类型和位置信息。这种基于监督学习的病灶定位方法,医生标注成本高。2.使用多实例学习的方法,医生只标注图像中是否存在病灶,由模型自动定位病灶位置。这种使用多实例学习的方法,由于标注信息太弱,难以获得准确的位置信息。
因此,需要一种新的医学影像处理方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开提供一种医学影像处理方法、装置、电子设备及计算机可读介质,能够提高医学影像中病灶区域定位的准确度。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一方面,提出一种医学影像处理方法,该方法包括:获取医学影像图片和对应的医学影像报告;通过所述医学影像报告提取结构化文本,所述结构化文本包含多个特征类别;通过所述结构化文本确定区域模板;以及将所述医学影像图片、所述结构化文本、所述区域模板输入到病灶定位模型中以在所述医学影像图片中定位出病灶图像区域,所述病灶定位模型为弱监督学习模型。
在本公开的一种示例性实施例中,通过所述医学影像报告提取结构化文本包括:提取所述医学影像报告中的文字信息;对所述文字信息进行切词处理生成词汇集合;以及由所述词汇集合中提取特征词汇生成结构化文本。
在本公开的一种示例性实施例中,由所述词汇集合中提取特征词汇生成结构化文本包括:由所述词汇集合中提取疾病词汇生成结构化文本中的疾病类型信息;由所述词汇集合中提取位置词汇生成结构化文本中的疾病位置信息;以及由所述词汇集合中提取形状词汇生成结构化文本中的疾病形状信息。
在本公开的一种示例性实施例中,通过所述结构化文本确定区域模板包括:通过所述结构化文本中的所述疾病位置信息与所述疾病形状信息确定区域模板。
在本公开的一种示例性实施例中,将所述医学影像图片、所述结构化文本、所述区域模板输入到病灶定位模型中以在所述医学影像图片中定位出病灶图像区域包括:将所述医学影像图片作为训练数据输入所述病灶定位模型中,将所述结构化文本作为标签信息输入所述病灶定位模型中,训练所述病灶定位模型以以在所述医学影像图片中定位出病灶图像区域。
在本公开的一种示例性实施例中,将所述医学影像图片作为训练数据输入所述病灶定位模型中,将所述结构化文本作为标签信息输入所述病灶定位模型中,训练所述病灶定位模型以以在所述医学影像图片中定位出病灶图像区域包括:所述病灶定位模型中包括卷积神经网络模型的卷积层;所述病灶定位模型的特征通道数由所述结构化文本中的特征词汇数量确定;所述病灶定位模型的输出特征尺寸由所述区域模板确定。
在本公开的一种示例性实施例中,将所述医学影像图片作为训练数据输入所述病灶定位模型中,将所述结构化文本作为标签信息输入所述病灶定位模型中,训练所述病灶定位模型以以在所述医学影像图片中定位出病灶图像区域还包括:通过全局平均池化变换对所述病灶定位模型的输出层进行处理,获取类别向量数据;以及所述类别向量与预定向量进行比较,根据比较结果确定所述病灶图像。
根据本公开的一方面,提出一种医学影像处理装置,该装置包括:信息提取模块,用于获取医学影像图片和对应的医学影像报告;文本提取模块,用于通过所述医学影像报告提取结构化文本,所述结构化文本包含多个特征类别;区域确定模块,用于通过所述结构化文本确定区域模板;以及模型输出模块,用于将所述医学影像图片、所述结构化文本、所述区域模板输入到病灶定位模型中以在所述医学影像图片中定位出病灶图像区域,所述病灶定位模型为弱监督学习模型。
根据本公开的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本公开的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本公开的医学影像处理方法、装置、电子设备及计算机可读介质,通过将医学影像图像以及医学影像报告经过处理之后,输入能弱监督学习模型中,以进行病灶自动定位的方式,能够在不增加医生标准量的情况下,提高医学影像中病灶区域定位的准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例,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获得其他的附图。
图1是根据一示例性实施例示出的一种医学影像处理方法及装置的系统框图。
图2是根据一示例性实施例示出的一种医学影像处理方法的流程图。
图3是根据另一示例性实施例示出的一种医学影像处理方法的中病灶定位模型示意图。
图4是根据一示例性实施例示出的一种医学影像处理装置的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
图6是根据一示例性实施例示出一种计算机可读存储介质示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本公开所必须的,因此不能用于限制本公开的保护范围。
本申请的发明人发现,在基于深度学习的医学图像检测与识别领域,需要大量的标注图像进行模型的训练。标注往往需要医学专家完成,成本非常高。另一方面,医院的历史数据中包含大量对影像进行描述说明的影像报告。有鉴于此,本申请中提出了一种医学影像处理方法,能够在不增加医生对医学影像图像标注量的情况下,提高医学影像中病灶区域定位的准确度。
下面是本申请中的医学影像处理方法的详细内容:
图1是根据一示例性实施例示出的一种医学影像处理方法、装置的系统框图。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如医学知识查询数据库、网页浏览器应用、医学文档搜索类应用、即时通信工具等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的医学服务类网页提供支持的后台管理服务器。后台管理服务器可以对接收到的医学相关信息查询请求等数据进行分析等处理,并将处理结果(例如病灶区域相关信息、医学影像分析结果等)反馈给终端设备。
服务器105可例如获取医学影像图片和对应的医学影像报告;服务器105可例如通过所述医学影像报告提取结构化文本,所述结构化文本包含多个特征类别;服务器105可例如通过所述结构化文本确定区域模板;服务器105可例如将所述医学影像图片、所述结构化文本、所述区域模板输入到病灶定位模型中以在所述医学影像图片中定位出病灶图像区域,所述病灶定位模型为弱监督学习模型。
服务器105可以是一个实体的服务器,还可例如为多个服务器组成,需要说明的是,本公开实施例所提供的医学影像处理方法可以由服务器105执行,相应地,医学影像处理装置可以设置于服务器105中。而提供给用户进行请求提交的网页端与进行医学数据查询的请求端一般位于终端设备101、102、103中。
图2是根据一示例性实施例示出的一种医学影像处理方法的流程图。医学影像处理方法20至少包括步骤S202至S208。
如图2所示,在S202中,获取医学影像图片和对应的医学影像报告。
其中,医学影像是指为了医疗或医学研究,对人体或人体某部分,以非侵入方式取得内部组织影像的技术与处理过程。医学影像属于生物影像,并包含影像诊断学、放射学、内视镜、医疗用热影像技术、医学摄影和显微镜。另外,包括脑波图和脑磁造影等技术,虽然重点在于测量和记录,没有影像呈显,但因所产生的数据俱有定位特性(即含有位置信息),可被看作是另外一种形式的医学影像。
其中,医学影像报告是对医学影像图片的印象和描述。医学影像描述是对基本病变影像学表现的观察和描述,是形成正确“印象”或“诊断”的基础。在描述中可例如包括病变的部位、性质(如渗出、肿块、增生、破坏等)、数目、大小、形态、边缘、密度(CT值)、信号(MR)及与相邻结构的关系,如系造影或CT、MR增强检查,尚应叙述病变的相应表现。
医学影像印象(或“诊断”)是诊断报告书的最终结论,“印象”应与所述内容相符,绝不能相互矛盾和相互混淆。也不应“印象”或“表现”书写时有所遗漏,即“表现”已述,然无相应的“印象”,或反之。若“表现”中发现异常,应在“印象”中指明病变的部位、范围和病变的性质。若“表现”中发现异常,但不能确定病变性质时,“印象”中应说明病变的部位、大小和病变性质待查或几种可能的性质,并依可能性大小进行排序。
在S204中,通过所述医学影像报告提取结构化文本,所述结构化文本包含多个特征类别。
在一个实施例中,通过所述医学影像报告提取结构化文本包括:提取所述医学影像报告中的文字信息;对所述文字信息进行切词处理生成词汇集合;以及由所述词汇集合中提取特征词汇生成结构化文本。
在一个实施例中,由所述词汇集合中提取特征词汇生成结构化文本包括:由所述词汇集合中提取疾病词汇生成结构化文本中的疾病类型信息;由所述词汇集合中提取位置词汇生成结构化文本中的疾病位置信息;以及由所述词汇集合中提取形状词汇生成结构化文本中的疾病形状信息。
在S206中,通过所述结构化文本确定区域模板。
在一个实施例中,通过所述结构化文本确定区域模板包括:通过所述结构化文本中的所述疾病位置信息与所述疾病形状信息确定区域模板。
可例如,影像报告中提取两类信息:疾病大小和肿瘤发病区域(该位置为肿瘤发生的大致区域,在不同的报告中有不同的描述方式,范围的精细度也有很大差异)。根据肿瘤发病区域的文字描述,生成图像的区域模板。区域模板可例如为为0-1模板,发病区域的取值为1,其他像素值为0。
在S208中,将所述医学影像图片、所述结构化文本、所述区域模板输入到病灶定位模型中以在所述医学影像图片中定位出病灶图像区域,所述病灶定位模型为弱监督学习模型。
在一个实施例中,将所述医学影像图片、所述结构化文本、所述区域模板输入到病灶定位模型中以在所述医学影像图片中定位出病灶图像区域,所述病灶定位模型为弱监督学习模型包括:将所述医学影像图片作为训练数据输入所述病灶定位模型中,将所述结构化文本作为标签信息输入所述病灶定位模型中,训练所述病灶定位模型以以在所述医学影像图片中定位出病灶图像区域。
在一个实施例中,将所述医学影像图片作为训练数据输入所述病灶定位模型中,将所述结构化文本作为标签信息输入所述病灶定位模型中,训练所述病灶定位模型以获取所述病灶图像包括:所述病灶定位模型中包括卷积神经网络模型的卷积层;所述病灶定位模型的特征通道数由所述结构化文本中的特征词汇数量确定;所述病灶定位模型的输出特征尺寸由所述区域模板确定。
其中,卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,CNN的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。CNN包括卷积层(convolutional layer)和池化层(pooling layer)。
一般地,CNN的基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。此外,由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构减小了特征分辨率。
在本公开的一种示例性实施例中,将所述医学影像图片作为训练数据输入所述病灶定位模型中,将所述结构化文本作为标签信息输入所述病灶定位模型中,训练所述病灶定位模型以获取所述病灶图像还包括:通过全局平均池化(Global average pooling)变换对所述病灶定位模型的输出层进行处理,获取类别向量数据;以及所述类别向量与预定向量进行比较,根据比较结果确定所述病灶图像。
根据本公开的医学影像处理方法,通过将医学影像图像以及医学影像报告经过处理之后,输入能弱监督学习模型中,以进行病灶自动定位的方式,够提高医学影像中病灶区域定位的准确度。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种医学影像处理方法的中病灶定位模型示意图。图3示例性的说明了“将所述医学影像图片、所述结构化文本、所述区域模板输入到病灶定位模型中以在所述医学影像图片中定位出病灶图像区域”的具体过程。
首先,通过所述结构化文本中的所述疾病位置信息与所述疾病形状信息确定区域模板。区域模板为0-1模板,发病区域的取值为1,其他像素值为0。
然后,将所述医学影像图片作为训练数据输入所述病灶定位模型中,将所述结构化文本作为标签信息输入所述病灶定位模型中,训练所述病灶定位模型以获取所述病灶图像。
如图3所示,原始影像大小为可例如为H*W*c,将原始影像输入一个病灶定位模型(CNN模型)中,使用CNN模型获得的图像特征(仅保留CNN模型中的卷积部分,CNN模型中的全连接部分不需要)。把CNN层的特征输出控制为h*w*class,特征尺寸h*w和区域模板的大小一样,CNN模型的特征通道数class和特征词汇的类别数目一样。
通过线性变换,把CNN层的输出压缩为h*w*1,该输出与区域模板进行比较,损失函数为L_1可以使用多种损失函数,如交叉熵等.对CNN输出层使用GAP变换,得到class*1的向量,得到的向量与类别标签向量进行比较,损失函数为L_2可以使用多种损失函数,如交叉熵等。最后模型的总损失函数为L=a*L_1+L_2.a值根据实验结果调试。在满足总损失函数的情况下,确定模型输出结果。
其中,本方案中CNN模型建立部分、特征压缩方式、损失函数等均可以有不同的实现方式,本申请不以此为限。
其中,所述病灶定位模型中包括卷积神经网络模型的卷积层;所述病灶定位模型的特征通道数由所述结构化文本中的特征词汇数量确定;所述病灶定位模型的输出特征尺寸由所述区域模板确定。
其中,通过全局平均池化变换对所述病灶定位模型的输出层进行处理,获取类别向量数据;以及所述类别向量与预定向量进行比较,根据比较结果确定所述病灶图像。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
根据本公开的医学影像处理方法,使用医院中现有的影响和文本信息,不需要医生在图像上重新标注,减少医生工作量。
根据本公开的医学影像处理方法,通过从影像报告中提取的信息,获得类别丰富的标签信息,可以提高病灶定位的准确度。
根据本公开的医学影像处理方法,通过从影像报告中提取病灶的位置信息与类别信息,把位置信息表示为位置模板。进而结合使用特征压缩和GAP变换分别从CNN层中提取信息,形成多任务学习系统的病灶定位模型的方式,能够提高医学影像图片中病灶定位的准确度与精度。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图4是根据一示例性实施例示出的一种医学影像处理装置的框图。医学影像处理装置40包括:信息提取模块402,文本提取模块404,区域确定模块406,模型输出模块408。
信息提取模块402用于获取医学影像图片和对应的医学影像报告;
文本提取模块404用于通过所述医学影像报告提取结构化文本,所述结构化文本包含多个特征类别;可例如,提取所述医学影像报告中的文字信息;对所述文字信息进行切词处理生成词汇集合;以及由所述词汇集合中提取特征词汇生成结构化文本。
区域确定模块406用于通过所述结构化文本确定区域模板;可例如,通过所述结构化文本中的所述疾病位置信息与所述疾病形状信息确定区域模板。
模型输出模块408用于将所述医学影像图片、所述结构化文本、所述区域模板输入到病灶定位模型中以在所述医学影像图片中定位出病灶图像区域,所述病灶定位模型为弱监督学习模型。可例如,将所述医学影像图片作为训练数据输入所述病灶定位模型中,将所述结构化文本作为标签信息输入所述病灶定位模型中,训练所述病灶定位模型以在所述医学影像图片中定位出病灶图像区域。
在一个实施例中,将所述医学影像图片作为训练数据输入所述病灶定位模型中,将所述结构化文本作为标签信息输入所述病灶定位模型中,训练所述病灶定位模型以在所述医学影像图片中定位出病灶图像区域包括:所述病灶定位模型中包括卷积神经网络模型的卷积层;所述病灶定位模型的特征通道数由所述结构化文本中的特征词汇数量确定;所述病灶定位模型的输出特征尺寸由所述区域模板确定。
根据本公开的医学影像处理装置,通过将医学影像图像以及医学影像报告经过处理之后,输入能弱监督学习模型中,以进行病灶自动定位的方式,够提高医学影像中病灶区域定位的准确度。
图5是根据一示例性实施例示出的一种电子设备的框图。
下面参照图5来描述根据本公开的这种实施方式的电子设备200。图5显示的电子设备200仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元210可以执行如图2中所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且,电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
图6示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
参考图6所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品400,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:通过所述医学影像报告提取结构化文本,所述结构化文本包含多个特征类别;通过所述结构化文本确定区域模板;以及将所述医学影像图片、所述结构化文本、所述区域模板输入到病灶定位模型中获取病灶图像,所述病灶定位模型为弱监督学习模型。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外,本说明书说明书附图所示出的结构、比例、大小等,均仅用以配合说明书所公开的内容,以供本领域技术人员了解与阅读,并非用以限定本公开可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本公开所能产生的技术效果及所能实现的目的下,均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语,也仅为便于叙述的明了,而非用以限定本公开可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当也视为本公开可实施的范畴。
Claims (8)
1.一种医学影像处理方法,其特征在于,包括:
获取医学影像图片和对应的医学影像报告;
对所述医学影像报告中的文字信息进行切词以生成词汇集合,并由所述词汇集合中提取特征词汇生成结构化文本,以用于根据特征词汇数量配置病灶定位模型的特征通道数;所述结构化文本包含多个特征类别;其中,所述特征类别包括疾病类型信息、疾病位置信息和疾病形状信息;
通过所述结构化文本中的所述疾病位置信息与所述疾病形状信息确定区域模板,以用于根据所述区域模板确定所述病灶定位模型的输出特征尺寸;以及
将所述医学影像图片、所述区域模板、作为标签信息的所述结构化文本输入到病灶定位模型中以在所述医学影像图片中定位出病灶图像区域,所述病灶定位模型为弱监督学习模型。
2.如权利要求1所述的方法,其特征在于,由所述词汇集合中提取特征词汇生成结构化文本包括:
由所述词汇集合中提取疾病词汇生成结构化文本中的疾病类型信息;
由所述词汇集合中提取位置词汇生成结构化文本中的疾病位置信息;以及
由所述词汇集合中提取形状词汇生成结构化文本中的疾病形状信息。
3.如权利要求1所述的方法,其特征在于,将所述医学影像图片、所述结构化文本、所述区域模板输入到病灶定位模型中以在所述医学影像图片中定位出病灶图像区域包括:
将所述医学影像图片作为训练数据输入所述病灶定位模型中,将所述结构化文本作为标签信息输入所述病灶定位模型中,训练所述病灶定位模型以在所述医学影像图片中定位出病灶图像区域。
4.如权利要求3所述的方法,其特征在于,将所述医学影像图片作为训练数据输入所述病灶定位模型中,将所述结构化文本作为标签信息输入所述病灶定位模型中,训练所述病灶定位模型以在所述医学影像图片中定位出病灶图像区域包括:
所述病灶定位模型中包括卷积神经网络模型的卷积层;
所述病灶定位模型的特征通道数由所述结构化文本中的特征词汇数量确定;
所述病灶定位模型的输出特征尺寸由所述区域模板确定。
5.如权利要求3所述的方法,其特征在于,将所述医学影像图片作为训练数据输入所述病灶定位模型中,将所述结构化文本作为标签信息输入所述病灶定位模型中,训练所述病灶定位模型以在所述医学影像图片中定位出病灶图像区域还包括:
通过全局平均池化变换对所述病灶定位模型的输出层进行处理,获取类别向量数据;以及
所述类别向量数据与预定向量进行比较,根据比较结果在所述医学影像中进行切割以获取所述病灶图像区域。
6.一种医学影像处理装置,其特征在于,包括:
信息提取模块,用于获取医学影像图片和对应的医学影像报告;
文本提取模块,用于对所述医学影像报告中的文字信息进行切词以生成词汇集合,并由所述词汇集合中提取特征词汇生成结构化文本,以用于根据特征词汇数量配置病灶定位模型的特征通道数;所述结构化文本包含多个特征类别;其中,所述特征类别包括疾病类型信息、疾病位置信息和疾病形状信息;
区域确定模块,用于通过所述结构化文本中的所述疾病位置信息与所述疾病形状信息确定区域模板,以用于根据所述区域模板确定所述病灶定位模型的输出特征尺寸;以及
模型输出模块,用于将所述医学影像图片、所述结构化文本、所述区域模板输入到病灶定位模型中以在所述医学影像图片中定位出病灶图像区域,所述病灶定位模型为弱监督学习模型。
7.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811330094.3A CN109460756B (zh) | 2018-11-09 | 2018-11-09 | 医学影像处理方法、装置、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811330094.3A CN109460756B (zh) | 2018-11-09 | 2018-11-09 | 医学影像处理方法、装置、电子设备及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109460756A CN109460756A (zh) | 2019-03-12 |
CN109460756B true CN109460756B (zh) | 2021-08-13 |
Family
ID=65609838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811330094.3A Active CN109460756B (zh) | 2018-11-09 | 2018-11-09 | 医学影像处理方法、装置、电子设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109460756B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192660B (zh) * | 2019-12-24 | 2023-10-13 | 上海联影智能医疗科技有限公司 | 一种影像报告分析方法、设备及计算机存储介质 |
CN111291825B (zh) * | 2020-02-25 | 2024-05-07 | 平安科技(深圳)有限公司 | 病灶分类模型训练方法、装置、计算机设备和存储介质 |
CN111627508B (zh) * | 2020-04-29 | 2021-05-11 | 数坤(北京)网络科技有限公司 | 一种医学影像的解读方法、装置及计算机可读介质 |
CN111681730B (zh) * | 2020-05-22 | 2023-10-27 | 上海联影智能医疗科技有限公司 | 医学影像报告的分析方法和计算机可读存储介质 |
CN113223674B (zh) * | 2021-05-28 | 2023-10-20 | 卫宁健康科技集团股份有限公司 | 医学图像标记方法、装置、设备及存储介质 |
CN113707279A (zh) * | 2021-08-31 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 医学影像图片的辅助分析方法、装置、计算机设备及介质 |
CN115034204B (zh) * | 2022-05-12 | 2023-05-23 | 浙江大学 | 结构化医学文本的生成方法、计算机设备、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104111933A (zh) * | 2013-04-17 | 2014-10-22 | 阿里巴巴集团控股有限公司 | 获取业务对象标签、建立训练模型的方法及装置 |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN108428229A (zh) * | 2018-03-14 | 2018-08-21 | 大连理工大学 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
CN109065110A (zh) * | 2018-07-11 | 2018-12-21 | 哈尔滨工业大学 | 一种基于深度学习方法的自动生成医学影像诊断报告的方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942274B (zh) * | 2014-03-27 | 2017-11-14 | 东莞中山大学研究院 | 一种基于lda的生物医疗图像的标注系统及方法 |
CN106203432B (zh) * | 2016-07-14 | 2020-01-17 | 杭州健培科技有限公司 | 一种基于卷积神经网显著性图谱的感兴趣区域的定位系统 |
US11195313B2 (en) * | 2016-10-14 | 2021-12-07 | International Business Machines Corporation | Cross-modality neural network transform for semi-automatic medical image annotation |
CN106803247B (zh) * | 2016-12-13 | 2021-01-22 | 上海交通大学 | 一种基于多级筛选卷积神经网络的微血管瘤图像识别方法 |
CN106846306A (zh) * | 2017-01-13 | 2017-06-13 | 重庆邮电大学 | 一种超声图像自动描述方法和系统 |
CN107658004A (zh) * | 2017-09-14 | 2018-02-02 | 武汉互创科技有限公司 | 一种在移动终端上查看云端医学影像信息的方法及系统 |
-
2018
- 2018-11-09 CN CN201811330094.3A patent/CN109460756B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104111933A (zh) * | 2013-04-17 | 2014-10-22 | 阿里巴巴集团控股有限公司 | 获取业务对象标签、建立训练模型的方法及装置 |
CN108428229A (zh) * | 2018-03-14 | 2018-08-21 | 大连理工大学 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN109065110A (zh) * | 2018-07-11 | 2018-12-21 | 哈尔滨工业大学 | 一种基于深度学习方法的自动生成医学影像诊断报告的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109460756A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460756B (zh) | 医学影像处理方法、装置、电子设备及计算机可读介质 | |
US11176188B2 (en) | Visualization framework based on document representation learning | |
US10902588B2 (en) | Anatomical segmentation identifying modes and viewpoints with deep learning across modalities | |
Hauser et al. | Explainable artificial intelligence in skin cancer recognition: A systematic review | |
Sorantin et al. | The augmented radiologist: artificial intelligence in the practice of radiology | |
US20170293725A1 (en) | Image analytics question answering | |
US10692602B1 (en) | Structuring free text medical reports with forced taxonomies | |
US7889898B2 (en) | System and method for semantic indexing and navigation of volumetric images | |
CN112400187A (zh) | 用于检测生物医学图像中的异常的敲除自动编码器 | |
WO2016195683A1 (en) | Medical pattern classification using non-linear and nonnegative sparse representations | |
Leite et al. | Etiology-based classification of brain white matter hyperintensity on magnetic resonance imaging | |
JP2020171687A (ja) | 3d解剖学的ボリュームをその2dスライスの位置特定に基づいて処理するシステムおよび方法 | |
EP3853870A1 (en) | Machine-aided dialog system and medical condition inquiry apparatus and method | |
Katzmann et al. | Explaining clinical decision support systems in medical imaging using cycle-consistent activation maximization | |
CN113656706A (zh) | 基于多模态深度学习模型的信息推送方法及装置 | |
US10235360B2 (en) | Generation of pictorial reporting diagrams of lesions in anatomical structures | |
O’Sullivan et al. | Convolutional mesh autoencoders for the 3-dimensional identification of FGFR-related craniosynostosis | |
Agarwal et al. | Weakly-supervised lesion segmentation on CT scans using co-segmentation | |
Phan et al. | A Hounsfield value-based approach for automatic recognition of brain haemorrhage | |
del Toro et al. | Texture classification of anatomical structures in CT using a context-free machine learning approach | |
Zhan et al. | Cross-modality vertebrae localization and labeling using learning-based approaches | |
Kim et al. | Visual evidence for interpreting diagnostic decision of deep neural network in computer-aided diagnosis | |
Allan et al. | Multi-task deep learning for segmentation and landmark detection in obstetric sonography | |
Mendel et al. | Temporal mammographic registration for evaluation of architecture changes in cancer risk assessment | |
Cardenas et al. | Automated radiographic bone suppression with deep convolutional neural networks |
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 |