CN109509183A - 医学图像的筛选方法、装置、医学设备、医学影像系统及存储介质 - Google Patents

医学图像的筛选方法、装置、医学设备、医学影像系统及存储介质 Download PDF

Info

Publication number
CN109509183A
CN109509183A CN201811288756.5A CN201811288756A CN109509183A CN 109509183 A CN109509183 A CN 109509183A CN 201811288756 A CN201811288756 A CN 201811288756A CN 109509183 A CN109509183 A CN 109509183A
Authority
CN
China
Prior art keywords
image
medical
effective
images
data model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811288756.5A
Other languages
English (en)
Inventor
谢凌钦
蒋慧芳
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 Healthcare Co Ltd
Original Assignee
Shanghai United Imaging 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 Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201811288756.5A priority Critical patent/CN109509183A/zh
Publication of CN109509183A publication Critical patent/CN109509183A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请涉及一种医学图像的筛选方法、装置、医学设备、医学影像系统及存储介质，一种医学图像的筛选方法，包括：获取训练数据；基于所述训练数据训练神经网络；得到训练后的目标图像的数据模型；获取扫描对象的多张医学图像；在所述多张医学图像中筛选出符合所述数据模型的医学图像作为有效图像；其中，所述训练数据包括人体各部位的正常状态图像和病变状态图像，所述有效图像为目标部位的病变状态图像。上述方法建立了扫描部位病变状态图像的数据模型，在扫描的到的医学图像中筛选出符合该数据模型的图像，从而得到符合医生需求的有效图像，有效提高了扫描流程的工作效率，且筛选结果不依赖于技师的知识经验和技术水平。

Description

医学图像的筛选方法、装置、医学设备、医学影像系统及存储 介质
技术领域
本发明涉及医疗器械领域，特别是涉及一种医学图像的筛选方法、装置、医学设备、医学影像系统及存储介质。
背景技术
在通过一些医学影像设备例如正电子发射计算机断层显像(Positron EmissionComputed Tomography，简称PET)等进行扫描成像时，一般需要拍摄较多数量的图像，技师在这些图像中筛选出具有代表性或质量较好的图像，从而给医生进行查看。
传统的筛选医学图像的方法一般是需要凭借技师的知识和经验进行判断，效率较低，且容易受到技师的技术水平的影响，筛选出的图像如果不符合需求，可能会对医生后续的工作造成影响。
发明内容
基于此，有必要针对上述技术问题，提供一种医学图像的筛选方法、装置、医学设备、医学影像系统及计算机存储介质，可以自动对医学图像进行筛选，提高扫描流程的工作效率。
一种医学图像的筛选方法，包括：
获取训练数据；
基于所述训练数据训练神经网络；
得到训练后的目标图像的数据模型；
获取扫描对象的多张医学图像；
在所述多张医学图像中筛选出符合所述数据模型的医学图像作为有效图像；
其中，所述训练数据包括人体各部位的正常状态图像和病变状态图像，所述有效图像为目标部位的病变状态图。
上述医学图像的筛选方法，建立了扫描部位病变状态图像的数据模型，在扫描的到的医学图像中筛选出符合该数据模型的图像，从而得到符合医生需求的有效图像，有效提高了扫描流程的工作效率，且筛选结果不依赖于技师的知识经验和技术水平。
在其中一个实施例中，所述方法还包括：
判断所述有效图像的数量是否超过预设的目标数量；
在所述有效图像的数量超过所述目标数量的情况下，在所述有效图像中筛选出所述目标数量的图像作为目标图像；
其中，所述目标图像与预设条件的差异小于所述有效图像中的其他图像。
在其中一个实施例中，所述预设条件包括期望图像质量和/或所述目标部位在图像中的期望位置。
在其中一个实施例中，所述方法还包括：
对所述扫描对象的多张医学图像进行排版和/或打印。
在其中一个实施例中，所述对所述扫描对象的多张医学图像进行排版和/或打印包括：
按照预设的比例在所述有效图像和所述目标部位的正常状态图像中分别进行筛选以得到待排版图像，所述待排版图像中所述有效图像所占的比例高于所述正常状态图像所占的比例；
将所述待排版图像按照扫描顺序或图像在所述目标部位的位置顺序进行排版。
一种医学图像的筛选装置，包括：
数据获取模块，用于获取训练数据；
网络训练模块，用于基于所述训练数据训练神经网络；
模型获取模块，用于得到训练后的目标图像的数据模型；
图像获取模块，用于获取扫描对象的多张医学图像；
图像筛选模块，用于在所述多张医学图像中筛选出符合所述数据模型的医学图像作为有效图像；
其中，所述训练数据包括人体各部位的正常状态图像和病变状态图像，所述有效图像为目标部位的病变状态图像。
上述获取扫描协议的装置，建立了扫描部位病变状态图像的数据模型，在扫描的到的医学图像中筛选出符合该数据模型的图像，从而得到符合医生需求的有效图像，有效提高了扫描流程的工作效率，且筛选结果不依赖于技师的知识经验和技术水平。
一种医学设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
一种医学影像系统，包括：
医学影像设备，用于对扫描对象进行扫描成像以获取医学图像；
上述医学设备，用于在所述医学图像中筛选出有效图像。
上述医学影像系统，建立了扫描部位病变状态图像的数据模型，在扫描的到的医学图像中筛选出符合该数据模型的图像，从而得到符合医生需求的有效图像，有效提高了扫描流程的工作效率，且筛选结果不依赖于技师的知识经验和技术水平。
在其中一个实施例中，所述医学影像设备包括正电子发射断层扫描设备、计算机断层扫描设备、磁共振设备、X射线设备、超声图像设备以及多模态融合成像设备中的至少一种。
附图说明
图1为一个实施例中医学图像的筛选方法的流程示意图；
图2为另一个实施例中医学图像的筛选方法的流程示意图；
图3为一个实施例中医学图像的筛选装置的结构示意图；
图4为一个实施例中医学影像系统的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
图1为一个实施例中医学图像的筛选方法的流程示意图，如图1所示，一种医学图像的筛选方法，包括：
步骤S110：获取训练数据。其中，训练数据包括人体各部位的正常状态图像和病变状态图像。
具体地，对于扫描得到的医学图像，技师一般要筛选出目标部位的病变图像作为有效图像供给医生观看，因此可以将人体各部位的正常状态图像和病变状态图像作为训练数据来训练相应神经网络数据模型。训练数据的具体数量可以根据数据模型的需求确定，训练数据可以来源于医院或科研机构的历史扫描数据等，训练数据可以为同一个扫描对象身体各部位不同状态的医学图像，训练数据也可以包括多个扫描对象的身体各个部位的医学图像。训练数据可以为某些设定模态的医学图像，例如正电子发射计算机断层显像(Positron Emission Computed Tomography，简称PET)、计算机断层扫描(ComputedTomography，简称CT)、磁共振成像(Magnetic Resonance，简称MR)、X射线、超声成像(Ultrasonic，简称US)以及多模态融合成像等各类医学图像，也可以同时包括多种上述模态的医学图像。
步骤S120：基于训练数据训练神经网络。
具体地，针对目标图像的数据模型可以通过深度学习的方式得到，例如通过训练相应的神经网络。建立神经网络后输入步骤S110获取的训练数据进行训练，通过训练数据对神经网络的训练，使神经网络提取人体各个部位的病变状态的图像特征，能够准确地输出包括病变状态图像的目标图像。神经网络的具体种类可以根据实际情况确定，例如可以采用卷积网络等，对于神经网络的训练可以通过方向传播等方式。
步骤S130：得到训练后的目标图像的数据模型。
具体地，神经网络训练完毕后得到目标图像的数据模型，数据模型中包括目标部位病变状态的图像特征，可以作为判断医学图像中是否包括病变状态的目标部位的标准。可以针对每种模态的医学扫描建立独立的数据模型，在对扫描对象进行扫描成像前选择对应模态种类的数据模型，也可以将多种模态医学扫描的有效图像的图像特征汇总在同一个数据模型中，在扫描对象进行扫描成像的过程中自动进行识别和匹配。同样，可以针对人体每个部位得到独立的相应数据模型，也可以得到能够输出人体各个部位目标图像的数据模型。
进一步地，上述数据模型一般可以预先存储在硬盘或闪存等存储介质中，也可以在线存储在云端，在需要筛选医学图像时自动获取数据模型。针对人体的不同部位，可以建立相应的数据模型库，其中包括每个部位有效图像的数据模型，在扫描对象进行扫描成像后，可以由医生或技师手动选择目标部位的数据模型，也可以是自动根据扫描对象的病历信息以及扫描协议等等自动确定目标部位和扫描图像的模态种类，从而在数据模型库中选出相应的数据模型，以提高筛选效率的筛选结果的准确性。
步骤S140：获取扫描对象的多张医学图像。
具体地，在对扫描对象进行扫描成像时，一般需要对目标部位拍摄多张医学图像，这些图像一般通过不同角度或不同位置进行拍摄，以获得目标部位的各个方位的医学图像，例如对扫描对象的多个不同站位进行拍摄。对于扫描对象拍摄医学图像的数量可以根据实际的扫描情况确定，对于某些范围较大的部位例如下肢或脊柱等，获取的也可以是多张拼接形成的全景图像。在得到的多张医学图像中，拍摄到扫描对象病变状态的目标部位的图像为有效图像，但当对扫描对象获取的图像较多时，这些医学图像中可能存在一些没有拍摄到病变状态的目标部位的图片，例如拍摄到的是没有发生病变的临界部位，这样的医学图像对于医生的参考意义较小，即可认为是无效图像。
步骤S150：在多张医学图像中筛选出符合数据模型的医学图像作为有效图像。其中，有效图像为目标部位的病变状态图像
具体地，根据有效图像的数据模型，在扫描对象的多张医学图像中进行筛选，对比每张医学图像与有效图像数据模型的图像特征，筛选出符合该数据模型的图像，即拍摄到病变状态的目标部位的医学图像，从而可以将筛选出的有效图像上传至医院系统，以供医生查看。对于筛选出的有效图像，还可以由技师对其进行检查和确定，防止筛选出不符合需求的图像，并可以根据检查结果对数据模型进行优化，使数据模型更加完善，使之后的筛选结果更加准确。可以理解的是，若获取的医学图像中没有符合数据模型的图像，则说明对扫描对象的扫描成像过程中可能存在问题，导致没有获取到有效图像，则可以对医学影像设备或扫描协议等进行检查，以重新获取扫描对象的医学对象并再次对其进行筛选。
上述获取扫描协议的方法，建立了扫描部位病变状态图像的数据模型，在扫描的到的医学图像中筛选出符合该数据模型的图像，从而得到符合医生需求的有效图像，有效提高了扫描流程的工作效率，且筛选结果不依赖于技师的知识经验和技术水平。
图2为另一个实施例中医学图像的筛选方法的流程示意图，如图2所示，其中步骤S210、S220、S230、S240以及S250可以与以上实施例中的相应步骤分别相同。该实施例的医学图像的筛选方法还包括：
步骤S260：判断有效图像的数量是否超过预设的目标数量；
具体地，在技师筛选有效图像时，一般给医生筛选出确定数量的图像，防止图像过多没有参考性。目标数量也可以根据后续的排版打印所需要的图像数量确定。因此在筛选出有效图像后可以对其数量进行判断，判断其是否超过预设的目标数量。其中，目标数量可以由实际的扫描需求确定，当有效图像的数量超过目标数量时，说明有效图像的数量过多，可以进入步骤S270进行进一步的筛选。当有效图像的数量等于目标数量时，则可以进入步骤S280对有效图像进行排版打印，或上传至医院系统以供医生观看。当有效图像的数量少于目标数量时，可以由技师进行判断，如果不影响医生观看，则可以仍然进入步骤S280，若判断有效图像数量过少影响医生观看，则可以再对扫描对象进行扫描成像，以获取更多医学图像并重新筛选，以得到符合数量需求的有效图像。
步骤S270：在有效图像的数量超过目标数量的情况下，在有效图像中筛选出目标数量的图像作为目标图像。其中，目标图像与预设条件的差异小于有效图像中的其他图像。
具体地，如果有效图像的数量超过目标数量，则可以在有效图像中筛选出目标数量的图像作为目标图像，目标图像的筛选可以依据预设条件，预设条件可以根据医生观看医学图像的需求确定，与该预设条件越接近，则越符合医生对于医学图像的可观看需求，则根据各个有效图像与预设条件的差异情况，在其中选出目标数量个与预设条件的差异小于其他图像的作为目标图像。
进一步地，在一个实施例中，上述预设条件包括期望图像质量和/或目标部位在图像中的期望位置。预设条件可以是医学图像的图像质量，图像质量越高越便于医生观看，因此可以在有效图像中筛选出目标数量个图像质量高于其他图像的医学图像作为目标图像。图像质量具体可以包括分辨率、对比度以及信噪比等图像参数。预设条件还可以是目标部位在图像中的位置，例如在有效图像中筛选出目标数量个与图像中央的距离近于其他图像的医学图像作为目标图形，从而使得到的目标图像中目标部位的位置较为接近，便于医生对比观看。可以理解的是，预设条件也可以是其他对于医生观看有影响的因素，也可以将多种因素按影响程度的权重量化作为预设条件，使目标图像更加符合医生的观看需求。
在一个实施例中，上述方法还包括：
步骤S280：对扫描对象的多张医学图像进行排版和/或打印。
具体地，在经过筛选得到有效图像后，可以对扫描图像进行排版，可以只针对有效图像进行排版，也可以将有效图像和其他图像按照一定比例进行排版。排版的形式可以根据医生的阅片习惯或相应的扫描规范确定，排版的图像数量可以为上述目标数量，当有效图像超过目标数量时，则在其中筛选出目标数量的目标图像，并对目标图像进行排版。如果有效图像的数量等于目标数量，则可以直接对其进行排版。如果有效图像的数量少于目标数量，如不影响医生观看，可以正常进行排版并加入目标部位正常状态的图像，或在不足于目标数量的位置留出相应空位，如数量过少影响医生观看，则可以重新对扫描对象进行扫描成像和图像筛选，以获取到满足目标数量的有效图像后再进行排版。完成图像排版后可以进行打印或上传至医院系统，以供医生观看。
在一个实施例中，上述步骤S280具体还包括：
按照预设的比例在有效图像和目标部位的正常状态图像中分别进行筛选以得到待排版图像，待排版图像中有效图像所占的比例高于正常状态图像所占的比例；
将待排版图像按照扫描顺序或图像在目标部位的位置顺序进行排版。
具体地，在得到有效图像后还可以将其进行排版以方便医生观看，排版所需的图像为待排版图像，待排版图像的数量可以根据扫描图像数量以及医生观片需求而确定。待排版图像中包括有效图像以及目标部位的正常状态图像，有效图像与正常状态图像的比例可以由医生或操作人员预先设定，一般为方便卫生观察目标部位的病变部分，待排版图像中有效图像所占的比例可以高于正常状态图像所占的比例。待排版图像中的在有效图像与正常状态图像可以按照图像质量等参数进行筛选，也可以为分别按照所需数量随机抽取得到。
例如在一次扫描中，得到目标部位的医学图像24张，其中包括10张病变状态部分的有效图像以及14张正常状态图像。若需要进行排版的图像数量为12，设定的有效图像与正常状态图像的比例为2:1，则可以在上述图像中筛选出8张有效图像以及4张正常状态图像作为待排版图像。若扫描图像中有效图像的数量不满足排版所需，则可以针对病变状态部分所在位置重新进行扫描，以得到更多有效图像再进行排版，或者修改有效图像与正常状态图像的比例。可以理解的是，若在扫描中没有得到有效图像，则也可以在目标部位的正常状态图像中筛选出所需数量的图像作为待排版图像。
在得到待排版图像后，可以根据设定的顺序对其进行排序，具体可以根据待排版图像的扫描顺序或图像在目标部位的位置顺序进行排列。例如，可以将有效图像按照扫描时拍摄的先后顺序依此排列，以令医生可以对照扫描过程观看有效图像。或者按照目标部位的由上至下，由左至右的位置顺序进行排列，例如扫描的目标部位为头颅，则可以按照从颅顶到颅底的顺序进行排版。可以理解的是，除了以上述排版方式，还可以按照医生的观片习惯以其他的顺序进行排版，例如按照人体解剖顺序进行排序，将待排版图像按照由浅层器官结构向深层器官结构的解剖顺序依次排列，使医生按照人体生理结构观看有效图像，或者按照图片质量、目标部位面积占图像的比例等方式进行待排版图像的排版。完成排版后可以进行打印或上传至医院系统以供医生观看。
图3为一个实施例中医学图像的筛选装置的结构示意图，如图3所示，在一个实施例中，医学图像的筛选装置300包括：数据获取模块310，用于获取训练数据；网络训练模块320，用于基于训练数据训练神经网络；模型获取模块330，用于得到训练后的目标图像的数据模型；图像获取模块340，用于获取扫描对象的多张医学图像；图像筛选模块350，用于在多张医学图像中筛选出符合数据模型的医学图像作为有效图像；其中，训练数据包括人体各部位的正常状态图像和病变状态图像，有效图像为目标部位的病变状态图像。
具体地，数据获取模块310获取人体各部位的正常状态图像和病变状态图像作为训练数据，训练数据的图像可以来源于医院或科研机构的历史扫描数据等；数据获取模块将获取到的训练数据发送给网络训练模块320。网络训练模块320建立神经网络并将接收的训练数据输入神经网络中进行训练，使神经网络提取人体各个部位的病变状态的图像特征，从而能够准确地输出包括病变状态图像的目标图像，训练完毕后将得到目标图像的数据模型，并将该数据模型存储在硬盘或闪存等存储介质或在线存储在云端中。模型获取模块330可以读取上述数据模型的存储路径，从而获取数据模型，并将数据模型发送给图像筛选模块350使其进行有效图像的筛选。图像获取模块340获取扫描对象的医学图像，图像获取模块340可以与对扫描对象进行扫描成像的医学影像设备通信连接，在医学影像设备对扫描对象进行扫描直接获取得到的医学图像，并将医学图像发送给图像筛选模块350。
图像筛选模块350根据模型获取模块330获取的有效图像的数据模型，在图像获取模块340获取的医学图像中查找符合该数据模型的图像，从而得到符合医生需要的有效图像。还可以对有效图像的数量进行判断，如果筛选出的有效图像的数量超过需要的目标数量，则可以再对有效图像进行筛选，从中筛选出目标数量的目标图像，筛选可以根据图像质量或目标部位再图像中的位置等作为依据，之后可对筛选出的图像进行排版打印，或者上传至医院系统，以供医生进行查看。
上述获取扫描协议的装置300，建立了扫描部位病变状态图像的数据模型，在扫描的到的医学图像中筛选出符合该数据模型的图像，从而得到符合医生需求的有效图像，有效提高了扫描流程的工作效率，且筛选结果不依赖于技师的知识经验和技术水平。
在一个实施例中，提供一种医学设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行该程序时执行如下步骤：获取训练数据；基于训练数据训练神经网络；得到训练后的目标图像的数据模型；获取扫描对象的多张医学图像；在多张医学图像中筛选出符合数据模型的医学图像作为有效图像；其中，训练数据包括人体各部位的正常状态图像和病变状态图像，有效图像为目标部位的病变状态图像。
在一个实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时可使得处理器执行如下步骤：获取训练数据；基于训练数据训练神经网络；得到训练后的目标图像的数据模型；获取扫描对象的多张医学图像；在多张医学图像中筛选出符合数据模型的医学图像作为有效图像；其中，训练数据包括人体各部位的正常状态图像和病变状态图像，有效图像为目标部位的病变状态图像。
图4为一个实施例中医学影像系统的结构示意图，如图4所示，在一个实施例中，医学影像系统500包括：医学影像设备520，用于对扫描对象进行扫描成像以获取医学图像；上述的医学设备540，用于在医学图像中筛选出有效图像。
具体地，在医学影像系统500中包括相互通信连接的医学影像设备520以及上述医学设备540。医学影像设备520具体可以包括PET设备、CT设备、MR设备、X射线设备、超声图像设备以及多模态融合成像设备等。医学影像设备520对扫描对象进行扫描成像，以获取扫描对象的医学图像，并将得到的医学图像发送给医学设备540。医学设备540在所接受的医学图像中，查找符合有效图像的数据模型的图像，从而筛选出其中的有效图像。
医生或操作人员还可以对医学设备540筛选出的有效图像进行判断，判断其是否达到预设的要求，如符合要求，则可以对有效图像进行排版打印或上传医院系统以供医生观看。若不符合要求，则可以去除其中不符合要求的图像，并据此对该数据模型进行调整优化，从而使之后的图像筛选结果更加准确。
上述医学影像系统500，建立了扫描部位病变状态图像的数据模型，在扫描的到的医学图像中筛选出符合该数据模型的图像，从而得到符合医生需求的有效图像，有效提高了扫描流程的工作效率，且筛选结果不依赖于技师的知识经验和技术水平。
上述对于计算机可读存存储介质及计算机设备的限定可以参见上文中对于方法的具体限定，在此不再赘述。
需要说明的是，本领域普通技术人员可以理解实现上述方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该程序可存储于一计算机可读取存储介质中；上述的程序在执行时，可包括如上述各方法的实施例的流程。其中，上述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，简称ROM)或随机存储记忆体(Random Access Memory，简称RAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种医学图像的筛选方法，其特征在于，包括：
获取训练数据；
基于所述训练数据训练神经网络；
得到训练后的目标图像的数据模型；
获取扫描对象的多张医学图像；
在所述多张医学图像中筛选出符合所述数据模型的医学图像作为有效图像；
其中，所述训练数据包括人体各部位的正常状态图像和病变状态图像，所述有效图像为目标部位的病变状态图像。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
判断所述有效图像的数量是否超过预设的目标数量；
在所述有效图像的数量超过所述目标数量的情况下，在所述有效图像中筛选出所述目标数量的图像作为目标图像；
其中，所述目标图像与预设条件的差异小于所述有效图像中的其他图像。
3.根据权利要求2所述的方法，其特征在于，所述预设条件包括期望图像质量和/或所述目标部位在图像中的期望位置。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述扫描对象的多张医学图像进行排版和/或打印。
5.根据权利要求4所述的方法，其特征在于，所述对所述扫描对象的多张医学图像进行排版和/或打印包括：
按照预设的比例在所述有效图像和所述目标部位的正常状态图像中分别进行筛选以得到待排版图像，所述待排版图像中所述有效图像所占的比例高于所述正常状态图像所占的比例；
将所述待排版图像按照扫描顺序或图像在所述目标部位的位置顺序进行排版。
6.一种医学图像的筛选装置，其特征在于，包括：
数据获取模块，用于获取训练数据；
网络训练模块，用于基于所述训练数据训练神经网络；
模型获取模块，用于得到训练后的目标图像的数据模型；
图像获取模块，用于获取扫描对象的多张医学图像；
图像筛选模块，用于在所述多张医学图像中筛选出符合所述数据模型的医学图像作为有效图像；
其中，所述训练数据包括人体各部位的正常状态图像和病变状态图像，所述有效图像为目标部位的病变状态图像。
7.一种医学设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5中任意一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5中任意一项所述方法的步骤。
9.一种医学影像系统，其特征在于，包括：
医学影像设备，用于对扫描对象进行扫描成像以获取医学图像；
权利要求7中所述的医学设备，用于在所述医学图像中筛选出有效图像。
10.根据权利要求9中所述的医学影像系统，其特征在于，所述成像设备包括正电子发射断层扫描设备、计算机断层扫描设备、磁共振设备、X射线设备、超声图像设备以及多模态融合成像设备中的至少一种。
CN201811288756.5A 2018-10-31 2018-10-31 医学图像的筛选方法、装置、医学设备、医学影像系统及存储介质 Pending CN109509183A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811288756.5A CN109509183A (zh) 2018-10-31 2018-10-31 医学图像的筛选方法、装置、医学设备、医学影像系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811288756.5A CN109509183A (zh) 2018-10-31 2018-10-31 医学图像的筛选方法、装置、医学设备、医学影像系统及存储介质

Publications (1)

Publication Number Publication Date
CN109509183A true CN109509183A (zh) 2019-03-22

Family

ID=65747298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811288756.5A Pending CN109509183A (zh) 2018-10-31 2018-10-31 医学图像的筛选方法、装置、医学设备、医学影像系统及存储介质

Country Status (1)

Country Link
CN (1) CN109509183A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977905A (zh) * 2019-04-04 2019-07-05 北京百度网讯科技有限公司 用于处理眼底图像的方法和装置
CN110090037A (zh) * 2019-04-22 2019-08-06 深圳安泰创新科技股份有限公司 医学影像胶片排版方法、装置、电子设备及可读存储介质
CN110189324A (zh) * 2019-06-05 2019-08-30 桂林电子科技大学 一种医学图像处理方法及处理装置
CN110610756A (zh) * 2019-07-26 2019-12-24 赛诺威盛科技（北京）有限公司 基于dicom图像信息实现胶片自动分类打印的方法
CN113450296A (zh) * 2021-07-12 2021-09-28 首都医科大学附属北京天坛医院 一种医学图像生成方法、装置、电子设备及存储介质
CN113554628A (zh) * 2021-07-27 2021-10-26 苏州微景医学科技有限公司 图像处理方法、装置及计算机可读存储介质
CN113674254A (zh) * 2021-08-25 2021-11-19 上海联影医疗科技股份有限公司 医学图像异常点识别方法、设备、电子装置和存储介质
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
CN113808125A (zh) * 2021-04-23 2021-12-17 数坤(北京)网络科技股份有限公司 医学影像处理方法、病灶类型识别方法以及相关产品
CN116563299A (zh) * 2023-07-12 2023-08-08 之江实验室 医学图像筛选方法、装置、电子装置和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101480331A (zh) * 2009-01-13 2009-07-15 深圳先进技术研究院 胶囊内窥镜及其图像处理方法
CN102722735A (zh) * 2012-05-24 2012-10-10 西南交通大学 一种融合全局和局部特征的内镜图像病变检测方法
CN103377375A (zh) * 2012-04-12 2013-10-30 中国科学院沈阳自动化研究所 一种胃窥镜图像的处理方法
CN105640577A (zh) * 2015-12-16 2016-06-08 深圳市智影医疗科技有限公司 一种自动检测放射影像中局部性病变的方法和系统
CN107644419A (zh) * 2017-09-30 2018-01-30 百度在线网络技术（北京）有限公司 用于分析医学影像的方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101480331A (zh) * 2009-01-13 2009-07-15 深圳先进技术研究院 胶囊内窥镜及其图像处理方法
CN103377375A (zh) * 2012-04-12 2013-10-30 中国科学院沈阳自动化研究所 一种胃窥镜图像的处理方法
CN102722735A (zh) * 2012-05-24 2012-10-10 西南交通大学 一种融合全局和局部特征的内镜图像病变检测方法
CN105640577A (zh) * 2015-12-16 2016-06-08 深圳市智影医疗科技有限公司 一种自动检测放射影像中局部性病变的方法和系统
CN107644419A (zh) * 2017-09-30 2018-01-30 百度在线网络技术（北京）有限公司 用于分析医学影像的方法和装置

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977905A (zh) * 2019-04-04 2019-07-05 北京百度网讯科技有限公司 用于处理眼底图像的方法和装置
CN109977905B (zh) * 2019-04-04 2021-08-06 北京百度网讯科技有限公司 用于处理眼底图像的方法和装置
CN110090037A (zh) * 2019-04-22 2019-08-06 深圳安泰创新科技股份有限公司 医学影像胶片排版方法、装置、电子设备及可读存储介质
CN110189324A (zh) * 2019-06-05 2019-08-30 桂林电子科技大学 一种医学图像处理方法及处理装置
CN110189324B (zh) * 2019-06-05 2023-09-08 桂林电子科技大学 一种医学图像处理方法及处理装置
CN110610756A (zh) * 2019-07-26 2019-12-24 赛诺威盛科技（北京）有限公司 基于dicom图像信息实现胶片自动分类打印的方法
CN113808125A (zh) * 2021-04-23 2021-12-17 数坤(北京)网络科技股份有限公司 医学影像处理方法、病灶类型识别方法以及相关产品
CN113450296A (zh) * 2021-07-12 2021-09-28 首都医科大学附属北京天坛医院 一种医学图像生成方法、装置、电子设备及存储介质
CN113554628A (zh) * 2021-07-27 2021-10-26 苏州微景医学科技有限公司 图像处理方法、装置及计算机可读存储介质
CN113674254A (zh) * 2021-08-25 2021-11-19 上海联影医疗科技股份有限公司 医学图像异常点识别方法、设备、电子装置和存储介质
CN113674254B (zh) * 2021-08-25 2024-05-14 上海联影医疗科技股份有限公司 医学图像异常点识别方法、设备、电子装置和存储介质
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
CN116563299A (zh) * 2023-07-12 2023-08-08 之江实验室 医学图像筛选方法、装置、电子装置和存储介质
CN116563299B (zh) * 2023-07-12 2023-09-26 之江实验室 医学图像筛选方法、装置、电子装置和存储介质

Similar Documents

Publication Publication Date Title
CN109509183A (zh) 医学图像的筛选方法、装置、医学设备、医学影像系统及存储介质
US7672517B2 (en) Method for encoding image pixels a method for processing images and a method for processing images aimed at qualitative recognition of the object reproduced by one or more image pixels
US10997466B2 (en) Method and system for image segmentation and identification
EP3610456A1 (en) Recist assessment of tumour progression
CN111507381A (zh) 图像识别方法及相关装置、设备
JP7081680B2 (ja) 学習済みモデルの製造方法、輝度調整方法および画像処理装置
US20050154292A1 (en) Method and control device to operate a magnetic resonance tomography apparatus
CN105719324A (zh) 图像处理装置以及图像处理方法
CN101332085B (zh) 医用图像诊断装置及医用图像处理方法
CN103514597A (zh) 图像处理装置
US5509084A (en) Method and apparatus for postprocessing medical images
US20200124691A1 (en) Method to modify imaging protocols in real time through implementation of artificial intelligence
CN107802265A (zh) 扫描参数复用方法、装置及系统
CN111815735B (zh) 一种人体组织自适应的ct重建方法及重建系统
CN110223279A (zh) 一种图像处理方法和装置、电子设备
CN111340859A (zh) 用于图像配准的方法、学习装置和医学成像装置
US20210059758A1 (en) System and Method for Identification, Labeling, and Tracking of a Medical Instrument
CN110097128A (zh) 医学图像分类装置及系统
CN114332132A (zh) 图像分割方法、装置和计算机设备
JP4869223B2 (ja) 医療画像の利用可能性を自動的に改善するための方法およびシステム
CN114881848A (zh) 一种多序列mr转ct的方法
KR102034648B1 (ko) 의료영상 관리 시스템, 방법 및 컴퓨터 판독 가능한 기록매체
JP2018528826A (ja) 体の部位の医療像データを表示するための装置
CN114565582B (zh) 一种医学图像分类和病变区域定位方法、系统及存储介质
CN111223103A (zh) 医用图像诊断装置以及医用摄像装置

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
CB02 Change of applicant information

Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant after: Shanghai Lianying Medical Technology Co., Ltd

Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20190322

RJ01 Rejection of invention patent application after publication