CN109830284A - 医学影像的分析方法及装置 - Google Patents
医学影像的分析方法及装置 Download PDFInfo
- Publication number
- CN109830284A CN109830284A CN201711182655.5A CN201711182655A CN109830284A CN 109830284 A CN109830284 A CN 109830284A CN 201711182655 A CN201711182655 A CN 201711182655A CN 109830284 A CN109830284 A CN 109830284A
- Authority
- CN
- China
- Prior art keywords
- medical image
- image
- target
- analysing computer
- target medical
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 230000001225 therapeutic effect Effects 0.000 claims description 37
- 238000003745 diagnosis Methods 0.000 claims description 31
- 239000003814 drug Substances 0.000 claims description 22
- 238000012986 modification Methods 0.000 claims description 18
- 230000004048 modification Effects 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 9
- 238000010191 image analysis Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003703 image analysis method Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000002059 diagnostic imaging Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000007596 consolidation process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000002421 finishing Substances 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010014561 Emphysema Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了一种医学影像的分析方法及装置。该方法包括：获取目标医学影像，其中，目标医学影像为待阅片的医学影像；使用医学影像识别模型对目标医学影像进行分析，识别目标医学影像对应的影像分析结果，其中，医学影像识别模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：医学影像和医学影像对应的影像分析结果；显示目标医学影像对应的影像分析结果。通过本申请，解决了相关技术中对医学影像的分析效率较低的问题。
Description
技术领域
本申请涉及医学影像的分析领域，具体而言，涉及一种医学影像的分析方法及装置。
背景技术
近年来，随着计算机技术的迅猛发展，与之关系度密切的医学影像技术已成为现代医疗诊治中不可或缺的手段，特别在中国，随着老龄化程度不断加深，医学影像服务需求不断增长。但医学影像技术人才培养需要时间，现阶段人才的输出速度远跟不上医学影像服务需求的增长速度，有经验、有资历的阅片医生数量不足，基层医院的优质人才更是匮乏，大量患者要做医学影像检查不得不涌向城市大医院，越来越多的医学影像检查需要排长队，甚至提前很长时间预约。
有数据显示，有些三甲医院一年产生的影像数据在10T以上，并且全部通过人力阅片，这就意味着影像科医生每天需要与数以千计、甚至万计的影像图片打交道。据不完全统计，当前医学影像数据占医院医疗大数据的85％～90％，随着医学影像设备精度的提高，密度更大、像素更高的影像在带来更高诊断精确度的同时，也意味着影像科医生日渐繁重的阅片工作量。
每个影像科医生的技术和经验各不相同，阅片工作又采取随机分配模式，有经验的医生看到的不一定都是问题复杂的片子，同样，缺乏经验的医生也不一定看到的都是问题简单的片子。通常来说，医生阅片就是面对一个患者的影像图片逐幅观察，每张片子的阅片时间从10分钟到半小时不等，其中只有小部分工作是在确认有效病症，其余大部分的工作则集中在是筛查早期症状。越是早期的症状就越容易被遗漏，医生疲于应付如此庞杂重复的阅片工作，就很有可能会忽略掉影像中重要的医疗信息，导致漏诊事件的发生。
针对相关技术中对医学影像的分析效率较低的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种医学影像的分析方法及装置，以解决相关技术中对医学影像的分析效率较低的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种医学影像的分析方法。该方法包括：获取目标医学影像，其中，所述目标医学影像为待阅片的医学影像；使用医学影像识别模型对所述目标医学影像进行分析，识别所述目标医学影像对应的影像分析结果，其中，所述医学影像识别模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：医学影像和所述医学影像对应的影像分析结果；显示所述目标医学影像对应的影像分析结果。
进一步地，在使用医学影像识别模型对所述目标医学影像进行分析，识别所述目标医学影像对应的影像分析结果之前，所述方法还包括：从医学影像信息系统中获取多张医学影像；提取每张医学影像对应的疾病特征信息；通过提取出的疾病特征信息确定每张医学影像对应的影像分析结果；对所述多张医学影像中每张医学影像和每张医学影像对应的影像分析结果通过机器学习训练，创建所述医学影像识别模型。
进一步地，在显示所述目标医学影像对应的影像分析结果之后，所述方法还包括：检测是否接收到外部输入的修改指令；若接收到所述修改指令，对所述目标医学影像对应的影像分析结果进行修改，得到修改后的影像分析结果；显示所述目标医学影像对应的修改后的影像分析结果。
进一步地，在对所述目标医学影像对应的影像分析结果进行修改，得到修改后的影像分析结果之后，所述方法还包括：对所述目标医学影像和所述目标医学影像对应的修改后的影像分析结果进行学习，以更新所述医学影像识别模型。
进一步地，在显示所述目标医学影像对应的影像分析结果之后，所述方法还包括：基于所述目标医学影像对应的影像分析结果，评估所述目标医学影像中部位的异常程度；基于所述目标医学影像中部位的异常程度，确定是否发送所述目标医学影像至目标地址，其中，在所述目标地址上通过影像阅片者对所述目标医学影像进行阅片分析。
进一步地，在显示所述目标医学影像对应的影像分析结果之后，所述方法还包括：对所述目标医学影像对应的影像分析结果进行语义识别，判断所述目标医学影像对应的影像分析结果中是否存在目标信息，其中，所述目标信息为用于指示所述目标医学影像中部位出现异常的信息；若所述目标医学影像对应的影像分析结果中不存在目标信息，基于所述目标医学影像对应的影像分析结果生成所述目标医学影像对应的诊断报告。
进一步地，在判断所述目标医学影像对应的影像分析结果中是否存在目标信息之后，所述方法还包括：若所述目标医学影像对应的影像分析结果中存在所述目标信息，在目标区域显示影像报告提示信息和影像提示信息，其中，所述影像报告提示信息用于描述所述目标医学影像对应的影像表现，所述影像提示信息用于提示所述目标医学影像中需要注意的信息；在预设时间内检测是否接收到外部输入的编辑指令；若在预设时间内未检测到外部输入的编辑指令，基于所述影像报告提示信息和所述影像提示信息，生成所述目标医学影像对应的诊断报告。
进一步地，在显示所述目标医学影像对应的影像分析结果之后，所述方法还包括：获取所述目标医学影像对应的影像分析结果对应的治疗方案，得到多种治疗方案；从所述多种治疗方案中筛选出目标治疗方案；显示所述目标治疗方案。
为了实现上述目的，根据本申请的另一方面，提供了一种医学影像的分析装置。该装置包括：第一获取单元，用于获取目标医学影像，其中，所述目标医学影像为待阅片的医学影像；识别单元，用于使用医学影像识别模型对所述目标医学影像进行分析，识别所述目标医学影像对应的影像分析结果，其中，所述医学影像识别模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：医学影像和所述医学影像对应的影像分析结果；第一显示单元，用于显示所述目标医学影像对应的影像分析结果。
进一步地，所述装置还包括：第二获取单元，用于在使用医学影像识别模型对所述目标医学影像进行分析，识别所述目标医学影像对应的影像分析结果之前，从医学影像信息系统中获取多张医学影像；提取单元，用于提取每张医学影像对应的疾病特征信息；第一确定单元，用于通过提取出的疾病特征信息确定每张医学影像对应的影像分析结果；创建单元，用于对所述多张医学影像中每张医学影像和每张医学影像对应的影像分析结果通过机器学习训练，创建所述医学影像识别模型。
进一步地，所述装置还包括：第一检测单元，用于在显示所述目标医学影像对应的影像分析结果之后，检测是否接收到外部输入的修改指令；修改单元，用于在接收到所述修改指令的情况下，对所述目标医学影像对应的影像分析结果进行修改，得到修改后的影像分析结果；第二显示单元，用于显示所述目标医学影像对应的修改后的影像分析结果。
进一步地，所述装置还包括：更新单元，用于在对所述目标医学影像对应的影像分析结果进行修改，得到修改后的影像分析结果之后，对所述目标医学影像和所述目标医学影像对应的修改后的影像分析结果进行学习，以更新所述医学影像识别模型。
进一步地，所述装置还包括：评估单元，用于在显示所述目标医学影像对应的影像分析结果之后，基于所述目标医学影像对应的影像分析结果，评估所述目标医学影像中部位的异常程度；第二确定单元，用于基于所述目标医学影像中部位的异常程度，确定是否发送所述目标医学影像至目标地址，其中，在所述目标地址上通过影像阅片者对所述目标医学影像进行阅片分析。
进一步地，所述装置还包括：判断单元，用于在显示所述目标医学影像对应的影像分析结果之后，对所述目标医学影像对应的影像分析结果进行语义识别，判断所述目标医学影像对应的影像分析结果中是否存在目标信息，其中，所述目标信息为用于指示所述目标医学影像中部位出现异常的信息；第一生成单元，用于若所述目标医学影像对应的影像分析结果中不存在目标信息，基于所述目标医学影像对应的影像分析结果生成所述目标医学影像对应的诊断报告。
进一步地，所述装置还包括：第三显示单元，用于在判断所述目标医学影像对应的影像分析结果中是否存在目标信息之后，在所述目标医学影像对应的影像分析结果中不存在所述目标信息的情况下，在目标区域显示影像报告提示信息和影像提示信息，其中，所述影像报告提示信息用于描述所述目标医学影像对应的影像表现，所述影像提示信息用于提示所述目标医学影像中需要注意的信息；第二检测单元，用于在预设时间内检测是否接收到外部输入的编辑指令；第二生成单元，用于在预设时间内未检测到外部输入的编辑指令的情况下，基于所述影像报告提示信息和所述影像提示信息，生成所述目标医学影像对应的诊断报告。
进一步地，所述装置还包括：第三获取单元，用于在显示所述目标医学影像对应的影像分析结果之后，获取所述目标医学影像对应的影像分析结果对应的治疗方案，得到多种治疗方案；筛选单元，用于从所述多种治疗方案中筛选出目标治疗方案；第四显示单元，用于显示所述目标治疗方案。
为了实现上述目的，根据本申请的另一方面，提供了一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行上述任意一项所述的医学影像的分析方法。
为了实现上述目的，根据本申请的另一方面，提供了一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的医学影像的分析方法。
通过本申请，采用以下步骤：获取目标医学影像，其中，所述目标医学影像为待阅片的医学影像；使用医学影像识别模型对所述目标医学影像进行分析，识别所述目标医学影像对应的影像分析结果，其中，所述医学影像识别模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：医学影像和所述医学影像对应的影像分析结果；显示所述目标医学影像对应的影像分析结果，解决了相关技术中对医学影像的分析效率较低的问题。通过预先创建的医学影像识别模型自动对待阅片的医学影像进行识别对应的影像分析结果，从而达到了提升医学影像分析效率，大幅削减了影像科医生的阅片时间的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的医学影像的分析方法的流程图；以及
图2是根据本申请实施例提供的医学影像的分析装置的示意图。
具体实施方式
本申请的实施例提供了一种医学影像的分析方法实施例，该医学影像的分析方法可以辅助影像科医生阅片，例如，辅助影像科医生阅片，快速判断影像的影像分析结果(例如，为“异常”或“未见异常”)，明显减轻医生阅片的工作强度；初步评估影像的问题程度，并匹配给相应的影像科医生进行复检；采用人机互检机制，构建漏检事故安全防火墙，降低漏诊的可能性；通过深度学习，可在特定病种方面辅助医生诊断，实现了辅助医生分析疾病，减轻医生的工作强度，使其能有更多的精力专注于疾病的诊断与治疗中，有助于提高诊疗效率和准确率；还可缓解医护人员紧缺，降低医疗成本、助推医疗事业的健康发展。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请的实施例，提供了一种医学影像的分析方法。
图1是根据本申请实施例的医学影像的分析方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，获取目标医学影像，其中，目标医学影像为待阅片的医学影像。
步骤S102，使用医学影像识别模型对目标医学影像进行分析，识别目标医学影像对应的影像分析结果，其中，医学影像识别模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：医学影像和医学影像对应的影像分析结果。
在本申请的实施例中，在对患者进行拍片之后，得到患者的医学影像，为了对患者进行疾病诊断，需要对其拍摄的医学影像进行阅片分析。在本申请实施例中将患者的医学影像存储到预设数据库后，自动触发识别指令，智能医学影像系统启动阅片工作。具体地，在智能医学影像系统中使用医学影像识别模型对目标医学影像进行分析，识别目标医学影像对应的影像分析结果。
为了保证识别医学影像对应的影像分析结果的准确性，在本申请实施例提供的医学影像的分析方法中，在使用医学影像识别模型对目标医学影像进行分析，识别目标医学影像对应的影像分析结果之前，该方法还包括：从医学影像信息系统中获取多张医学影像；提取每张医学影像对应的疾病特征信息；通过提取出的疾病特征信息确定每张医学影像对应的影像分析结果；对多张医学影像中每张医学影像和每张医学影像对应的影像分析结果通过机器学习训练，构建医学影像识别模型。
需要说明的是，人工智能在医学影像领域的应用主要分为两个部分：第一个部分是图像识别，第二个部分是深度学习。作为深度学习具代表性的网络，卷积神经网络(Convolutional Neural Network，简称CNN)是基于多层神经网络针对图像分类和识别而设计的一种深度学习方法，能够更真实地模拟了人体大脑对图像的识别过程，拥有自主学习特征的能力。CNN最特别之处在于通过感受野和权值共享减少了神经网络需要训练参数的个数，从而实现了超越传统方法的图像识别性能，目前CNN已被证明是可用于执行计算机视觉任务的有利工具。
本申请实施例中，在构建上述的医学影像识别模型时，采用了全新的多层卷积神经网络结构，结合图形处理器服务器架构的超计算能力，通过大量带有标签的医学影像数据对医学影像识别模型进行训练，并自主学习各类医学影像中的疾病特征信息，出现误差自动调整模型参数，无需人为干涉，构建一个精准的医学影像识别模型。
步骤S103，显示目标医学影像对应的影像分析结果。
将上述所述识别出的目标医学影像对应的影像分析结果进行显示，以便医生能直观的获取到信息。
本申请实施例中的医学影像识别模型充分发挥了深度学习方法的优势，能自动完成对影像分析，识别出医学影像对应的影像分析结果、还可以对目标识别、图像分割和检索工作，快速检出病灶并对病灶进行描述界定，对医学影片的阅片时间提升至秒级，从而大幅削减了影像科医生的阅片时间，从而保证了医生将有更多的时间用于病人的沟通和临床科研，有助于优化医疗资源配置，实现分级诊疗工作开展。
综上所述，本申请实施例提供的医学影像的分析方法，通过获取目标医学影像，其中，所述目标医学影像为待阅片的医学影像；使用医学影像识别模型对所述目标医学影像进行分析，识别所述目标医学影像对应的影像分析结果，其中，所述医学影像识别模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：医学影像和所述医学影像对应的影像分析结果；显示所述目标医学影像对应的影像分析结果，解决了相关技术中对医学影像的分析效率较低的问题。通过预先创建的医学影像识别模型自动对待阅片的医学影像进行识别对应的影像分析结果，从而达到了提升医学影像分析效率，大幅削减了影像科医生的阅片时间的效果。
为了保证对医学影像对应的影像分析结果的准确性，可选地，在本申请实施例提供的医学影像的分析方法中，在显示目标医学影像对应的影像分析结果之后，该方法还包括：检测是否接收到外部输入的修改指令；若接收到修改指令，对目标医学影像对应的影像分析结果进行修改，得到修改后的影像分析结果；显示目标医学影像对应的修改后的影像分析结果。
例如，使用医学影像识别模型识别出的目标医学影像对应的影像分析结果为：两侧胸廓基本对称，纵膈未见明显增宽，气管居中，肺门未见明显增大，两肺纹理增强，未见明显实变影，两膈光整，肋膈角锐利，心影未见明显增大。在将该影像分析结果显示之后，若该影像分析结果不够准确或信息不足，医生可以对该影像分析结果的编辑修改，也即会检测到外部输入的修改指令，基于医生对该影像分析结果的编辑对该影像分析结果进行修改，显示修改后的影像分析结果。
为了保证医学影像识别模型是一个精准的模型，可选地，在本申请实施例提供的医学影像的分析方法中，在对目标医学影像对应的影像分析结果进行修改，得到修改后的影像分析结果之后，该方法还包括：对目标医学影像和目标医学影像对应的修改后的影像分析结果进行学习，以更新医学影像识别模型。
当检测到对目标医学影像对应的影像分析结果进行修改后，本申请实施例中的医学影像识别模型通过对目标医学影像和目标医学影像对应的修改后的影像分析结果进行学习或者自动调整模型参数，从而保证医学影像识别模型的精准性。
为了在保证提升医学影像的分析效率的同时保证对医学影像的影像分析结果的准确性，在本申请实施例提供的医学影像的分析方法中，在显示目标医学影像对应的影像分析结果之后，该方法还包括：基于目标医学影像对应的影像分析结果，评估目标医学影像中部位的异常程度；基于目标医学影像中部位的异常程度，确定是否发送目标医学影像至目标地址，其中，在目标地址上通过影像阅片者对目标医学影像进行阅片分析。
例如，对使用医学影像识别模型识别出的目标医学影像对应的影像分析结果进行评估，评估出该患者的肺部为严重异常，将该医学影像发送至影像阅片者进行分析，从而实现人机互检机制，保证对医学影像诊断的准确性。
在本申请实施例中也可依据影像存在问题的异常程度，智能匹配相应水平的医生分配阅片任务，例如，异常程度超过一定程度的医学影片分配给阅片经验丰富的医生进行阅片，异常程度较为轻的医学影片分配给阅片经验稍弱一点的医生进行阅片。
在保证提升医学影像的分析效率的基础上，为了进一步地自动生成目标医学影像对应的诊断报告以缩短医生的撰写诊断报告的时间，可选地，在本申请实施例提供的医学影像的分析方法中，在显示目标医学影像对应的影像分析结果之后，该方法还包括：对目标医学影像对应的影像分析结果进行语义识别，判断目标医学影像对应的影像分析结果中是否存在目标信息，其中，目标信息为用于指示目标医学影像中部位出现异常的信息；若目标医学影像对应的影像分析结果中不存在目标信息，基于目标医学影像对应的影像分析结果生成目标医学影像对应的诊断报告。
例如，对目标医学影像对应的影像分析结果为：两侧胸廓基本对称，纵膈未见明显增宽，气管居中，肺门未见明显增大，两肺纹理增强，未见明显实变影，两膈光整，肋膈角锐利，心影未见明显增大。通过对影像分析结果进行语义识别，判断上述影像分析结果中存在指示医学影像中不存在指示医学影像中患者的身体部位出现异常的信息，也即，从医学影像中显示该患者的身体部位未见异常，在这种情况下，自动的生成目标医学影像对应的诊断报告，从而缩短医生的撰写诊断报告的时间。
另一方面，若目标医学影像对应的影像分析结果中存在目标信息，在目标区域显示影像报告提示信息和影像提示信息，其中，影像报告提示信息用于描述目标医学影像对应的影像表现，影像提示信息用于提示目标医学影像中需要注意的信息；在预设时间内检测是否接收到外部输入的编辑指令；若在预设时间内未检测到外部输入的编辑指令，基于影像报告提示信息和影像提示信息，生成目标医学影像对应的诊断报告。
若目标医学影像对应的影像分析结果中存在目标信息，也即，从医学影像中显示该患者的身体部位出现异常，在这种情况下，基于影像分析结果在目标区域显示用于描述目标医学影像对应的影像表现的影像报告提示信息和用于提示目标医学影像中需要注意的影像提示信息，例如，影像报告提示信息为：两侧胸廓基本对称，纵膈未见明显增宽，气管居中，肺门未见明显增大，两肺影像表现异常。影像提示信息可以为提示医生需要注意对该患者的观察项等等。若医生在输入编辑指令，也即，默认该影像报告提示信息和影像提示信息为正确的分析，基于影像报告提示信息和影像提示信息，生成目标医学影像对应的诊断报告，从而也缩短医生的撰写诊断报告的时间。
在保证提升医学影像的分析效率的基础上，为了进一步地提升医生的工作效率，在本申请实施例提供的医学影像的分析方法中，在显示目标医学影像对应的影像分析结果之后，该方法还包括：获取目标医学影像对应的影像分析结果对应的治疗方案，得到多种治疗方案；从多种治疗方案中筛选出目标治疗方案；显示目标治疗方案。
需要说明的是，在本申请实施例中的获取到的目标医学影像对应的影像分析结果对应的治疗方案，可以从医院的数据库存储的影像分析结果及其对应的治疗方案中调取，在某一种影像分析结果对应多种治疗方案的情况下，医生可以从多种治疗方案中筛选适合该患者的治疗方案，同时，医生还可以在该治疗方案上进行编辑修改，以制定出适合该患者病情的治疗方案，通过上述方案，提升了医生的工作效率。
上述本申请实施例提供的医学影像的分析方法，通过实践证明，在筛查速度和准确性上都有很大优势，分析速度1800张/分钟，准确率超过97％，远高于大多数医生的阅片水平，并且随着不断的深度学习，其阅片准确率将不断攀升，在为影像科医生减负的同时，可明显提高诊疗的效率。进一步地，根据影像问题的复杂程度及医生的业务水平，能够有针对性地分配阅片任务，可做到有的放矢、人事匹配，有利于最大限度地发挥科室团队的协同效应；通过人机互检，构建漏检事故安全防火墙，可明显降低因影像科医生疲劳等原因造成的漏诊、误诊可能性；本申请实施例提供的医学影像的分析方法，在肺炎、肺气肿、肺癌等多类特定病种方面辅助医生进行精准判断，并可通过深度学习不断提高识别种类和水平；同时在一定程度上可改善基层医疗服务能力不足的现状，为广泛提升基层医院诊断水平提供了技术支撑。申请实施例提供的医学影像的分析方法，不影响医院影像科室已建系统的工作流程，让医生的阅片工作更高效、更便利，大大的提升了医生的工作效率。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种医学影像的分析装置，需要说明的是，本申请实施例的医学影像的分析装置可以用于执行本申请实施例所提供的用于医学影像的分析方法。以下对本申请实施例提供的医学影像的分析装置进行介绍。
图2是根据本申请实施例的医学影像的分析装置的示意图。如图2所示，该装置包括：第一获取单元10、识别单元20和第一显示单元30。
具体地，第一获取单元10，用于获取目标医学影像，其中，目标医学影像为待阅片的医学影像。
识别单元20，用于使用医学影像识别模型对目标医学影像进行分析，识别目标医学影像对应的影像分析结果，其中，医学影像识别模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：医学影像和医学影像对应的影像分析结果。
第一显示单元30，用于显示目标医学影像对应的影像分析结果。
本申请实施例提供的医学影像的分析装置，通过第一获取单元10获取目标医学影像，其中，目标医学影像为待阅片的医学影像；识别单元20使用医学影像识别模型对目标医学影像进行分析，识别目标医学影像对应的影像分析结果，其中，医学影像识别模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：医学影像和医学影像对应的影像分析结果；第一显示单元30显示目标医学影像对应的影像分析结果，解决了相关技术中对医学影像的分析效率较低的问题，通过预先创建的医学影像识别模型自动对待阅片的医学影像进行识别对应的影像分析结果，从而达到了提升医学影像分析效率，大幅削减了影像科医生的阅片时间的效果。
可选地，在本申请实施例提供的医学影像的分析装置中，该装置还包括：第二获取单元，用于在使用医学影像识别模型对目标医学影像进行分析，识别目标医学影像对应的影像分析结果之前，从医学影像信息系统中获取多张医学影像；提取单元，用于提取每张医学影像对应的疾病特征信息；第一确定单元，用于通过提取出的疾病特征信息确定每张医学影像对应的影像分析结果；创建单元，用于对多张医学影像中每张医学影像和每张医学影像对应的影像分析结果通过机器学习训练，构建医学影像识别模型。
可选地，在本申请实施例提供的医学影像的分析装置中，该装置还包括：第一检测单元，用于在显示目标医学影像对应的影像分析结果之后，检测是否接收到外部输入的修改指令；修改单元，用于在接收到修改指令的情况下，对目标医学影像对应的影像分析结果进行修改，得到修改后的影像分析结果；第二显示单元，用于显示目标医学影像对应的修改后的影像分析结果。
可选地，在本申请实施例提供的医学影像的分析装置中，该装置还包括：更新单元，用于在对目标医学影像对应的影像分析结果进行修改，得到修改后的影像分析结果之后，对目标医学影像和目标医学影像对应的修改后的影像分析结果进行学习，以更新医学影像识别模型。
可选地，在本申请实施例提供的医学影像的分析装置中，该装置还包括：评估单元，用于在显示目标医学影像对应的影像分析结果之后，基于目标医学影像对应的影像分析结果，评估目标医学影像中部位的异常程度；第二确定单元，用于基于目标医学影像中部位的异常程度，确定是否发送目标医学影像至目标地址，其中，在目标地址上通过影像阅片者对目标医学影像进行阅片分析。
可选地，在本申请实施例提供的医学影像的分析装置中，该装置还包括：判断单元，用于在显示目标医学影像对应的影像分析结果之后，对目标医学影像对应的影像分析结果进行语义识别，判断目标医学影像对应的影像分析结果中是否存在目标信息，其中，目标信息为用于指示目标医学影像中部位出现异常的信息；第一生成单元，用于若目标医学影像对应的影像分析结果中不存在目标信息，基于目标医学影像对应的影像分析结果生成目标医学影像对应的诊断报告。
可选地，在本申请实施例提供的医学影像的分析装置中，该装置还包括：第三显示单元，用于在判断目标医学影像对应的影像分析结果中是否存在目标信息之后，在目标医学影像对应的影像分析结果中不存在目标信息的情况下，在目标区域显示影像报告提示信息和影像提示信息，其中，影像报告提示信息用于描述目标医学影像对应的影像表现，影像提示信息用于提示目标医学影像中需要注意的信息；第二检测单元，用于在预设时间内检测是否接收到外部输入的编辑指令；第二生成单元，用于在预设时间内未检测到外部输入的编辑指令的情况下，基于影像报告提示信息和影像提示信息，生成目标医学影像对应的诊断报告。
可选地，在本申请实施例提供的医学影像的分析装置中，该装置还包括：第三获取单元，用于在显示目标医学影像对应的影像分析结果之后，获取目标医学影像对应的影像分析结果对应的治疗方案，得到多种治疗方案；筛选单元，用于从多种治疗方案中筛选出目标治疗方案；第四显示单元，用于显示目标治疗方案。
所述医学影像的分析装置包括处理器和存储器，上述第一获取单元10、识别单元20和第一显示单元30等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来分析医学影像。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述医学影像的分析方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述医学影像的分析方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取目标医学影像，其中，目标医学影像为待阅片的医学影像；使用医学影像识别模型对目标医学影像进行分析，识别目标医学影像对应的影像分析结果，其中，医学影像识别模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：医学影像和医学影像对应的影像分析结果；显示目标医学影像对应的影像分析结果。
进一步地，在使用医学影像识别模型对目标医学影像进行分析，识别目标医学影像对应的影像分析结果之前，该方法还包括：从医学影像信息系统中获取多张医学影像；提取每张医学影像对应的疾病特征信息；通过提取出的疾病特征信息确定每张医学影像对应的影像分析结果；对多张医学影像中每张医学影像和每张医学影像对应的影像分析结果通过机器学习训练，构建医学影像识别模型。
进一步地，在显示目标医学影像对应的影像分析结果之后，该方法还包括：检测是否接收到外部输入的修改指令；若接收到修改指令，对目标医学影像对应的影像分析结果进行修改，得到修改后的影像分析结果；显示目标医学影像对应的修改后的影像分析结果。
进一步地，在对目标医学影像对应的影像分析结果进行修改，得到修改后的影像分析结果之后，该方法还包括：对目标医学影像和目标医学影像对应的修改后的影像分析结果进行学习，以更新医学影像识别模型。
进一步地，在显示目标医学影像对应的影像分析结果之后，该方法还包括：基于目标医学影像对应的影像分析结果，评估目标医学影像中部位的异常程度；基于目标医学影像中部位的异常程度，确定是否发送目标医学影像至目标地址，其中，在目标地址上通过影像阅片者对目标医学影像进行阅片分析。
进一步地，在显示目标医学影像对应的影像分析结果之后，该方法还包括：对目标医学影像对应的影像分析结果进行语义识别，判断目标医学影像对应的影像分析结果中是否存在目标信息，其中，目标信息为用于指示目标医学影像中部位出现异常的信息；若目标医学影像对应的影像分析结果中不存在目标信息，基于目标医学影像对应的影像分析结果生成目标医学影像对应的诊断报告。
进一步地，在判断目标医学影像对应的影像分析结果中是否存在目标信息之后，该方法还包括：若目标医学影像对应的影像分析结果中存在目标信息，在目标区域显示影像报告提示信息和影像提示信息，其中，影像报告提示信息用于描述目标医学影像对应的影像表现，影像提示信息用于提示目标医学影像中需要注意的信息；在预设时间内检测是否接收到外部输入的编辑指令；若在预设时间内未检测到外部输入的编辑指令，基于影像报告提示信息和影像提示信息，生成目标医学影像对应的诊断报告。
在显示目标医学影像对应的影像分析结果之后，该方法还包括：获取目标医学影像对应的影像分析结果对应的治疗方案，得到多种治疗方案；从多种治疗方案中筛选出目标治疗方案；显示目标治疗方案。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取目标医学影像，其中，目标医学影像为待阅片的医学影像；使用医学影像识别模型对目标医学影像进行分析，识别目标医学影像对应的影像分析结果，其中，医学影像识别模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：医学影像和医学影像对应的影像分析结果；显示目标医学影像对应的影像分析结果。
进一步地，在使用医学影像识别模型对目标医学影像进行分析，识别目标医学影像对应的影像分析结果之前，该方法还包括：从医学影像信息系统中获取多张医学影像；提取每张医学影像对应的疾病特征信息；通过提取出的疾病特征信息确定每张医学影像对应的影像分析结果；对多张医学影像中每张医学影像和每张医学影像对应的影像分析结果通过机器学习训练，构建医学影像识别模型。
进一步地，在显示目标医学影像对应的影像分析结果之后，该方法还包括：检测是否接收到外部输入的修改指令；若接收到修改指令，对目标医学影像对应的影像分析结果进行修改，得到修改后的影像分析结果；显示目标医学影像对应的修改后的影像分析结果。
进一步地，在对目标医学影像对应的影像分析结果进行修改，得到修改后的影像分析结果之后，该方法还包括：对目标医学影像和目标医学影像对应的修改后的影像分析结果进行学习，以更新医学影像识别模型。
进一步地，在显示目标医学影像对应的影像分析结果之后，该方法还包括：基于目标医学影像对应的影像分析结果，评估目标医学影像中部位的异常程度；基于目标医学影像中部位的异常程度，确定是否发送目标医学影像至目标地址，其中，在目标地址上通过影像阅片者对目标医学影像进行阅片分析。
进一步地，在显示目标医学影像对应的影像分析结果之后，该方法还包括：对目标医学影像对应的影像分析结果进行语义识别，判断目标医学影像对应的影像分析结果中是否存在目标信息，其中，目标信息为用于指示目标医学影像中部位出现异常的信息；若目标医学影像对应的影像分析结果中不存在目标信息，基于目标医学影像对应的影像分析结果生成目标医学影像对应的诊断报告。
进一步地，在判断目标医学影像对应的影像分析结果中是否存在目标信息之后，该方法还包括：若目标医学影像对应的影像分析结果中存在目标信息，在目标区域显示影像报告提示信息和影像提示信息，其中，影像报告提示信息用于描述目标医学影像对应的影像表现，影像提示信息用于提示目标医学影像中需要注意的信息；在预设时间内检测是否接收到外部输入的编辑指令；若在预设时间内未检测到外部输入的编辑指令，基于影像报告提示信息和影像提示信息，生成目标医学影像对应的诊断报告。
在显示目标医学影像对应的影像分析结果之后，该方法还包括：获取目标医学影像对应的影像分析结果对应的治疗方案，得到多种治疗方案；从多种治疗方案中筛选出目标治疗方案；显示目标治疗方案。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (18)
1.一种医学影像的分析方法，其特征在于，包括：
获取目标医学影像，其中，所述目标医学影像为待阅片的医学影像；
使用医学影像识别模型对所述目标医学影像进行分析，识别所述目标医学影像对应的影像分析结果，其中，所述医学影像识别模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：医学影像和所述医学影像对应的影像分析结果；
显示所述目标医学影像对应的影像分析结果。
2.根据权利要求1所述的方法，其特征在于，在使用医学影像识别模型对所述目标医学影像进行分析，识别所述目标医学影像对应的影像分析结果之前，所述方法还包括：
从医学影像信息系统中获取多张医学影像；
提取每张医学影像对应的疾病特征信息；
通过提取出的疾病特征信息确定每张医学影像对应的影像分析结果；
对所述多张医学影像中每张医学影像和每张医学影像对应的影像分析结果通过机器学习训练，创建所述医学影像识别模型。
3.根据权利要求1所述的方法，其特征在于，在显示所述目标医学影像对应的影像分析结果之后，所述方法还包括：
检测是否接收到外部输入的修改指令；
若接收到所述修改指令，对所述目标医学影像对应的影像分析结果进行修改，得到修改后的影像分析结果；
显示所述目标医学影像对应的修改后的影像分析结果。
4.根据权利要求3所述的方法，其特征在于，在对所述目标医学影像对应的影像分析结果进行修改，得到修改后的影像分析结果之后，所述方法还包括：
对所述目标医学影像和所述目标医学影像对应的修改后的影像分析结果进行学习，以更新所述医学影像识别模型。
5.根据权利要求1所述的方法，其特征在于，在显示所述目标医学影像对应的影像分析结果之后，所述方法还包括：
基于所述目标医学影像对应的影像分析结果，评估所述目标医学影像中部位的异常程度；
基于所述目标医学影像中部位的异常程度，确定是否发送所述目标医学影像至目标地址，其中，在所述目标地址上通过影像阅片者对所述目标医学影像进行阅片分析。
6.根据权利要求1所述的方法，其特征在于，在显示所述目标医学影像对应的影像分析结果之后，所述方法还包括：
对所述目标医学影像对应的影像分析结果进行语义识别，判断所述目标医学影像对应的影像分析结果中是否存在目标信息，其中，所述目标信息为用于指示所述目标医学影像中部位出现异常的信息；
若所述目标医学影像对应的影像分析结果中不存在目标信息，基于所述目标医学影像对应的影像分析结果生成所述目标医学影像对应的诊断报告。
7.根据权利要求6所述的方法，其特征在于，在判断所述目标医学影像对应的影像分析结果中是否存在目标信息之后，所述方法还包括：
若所述目标医学影像对应的影像分析结果中存在所述目标信息，在目标区域显示影像报告提示信息和影像提示信息，其中，所述影像报告提示信息用于描述所述目标医学影像对应的影像表现，所述影像提示信息用于提示所述目标医学影像中需要注意的信息；
在预设时间内检测是否接收到外部输入的编辑指令；
若在预设时间内未检测到外部输入的编辑指令，基于所述影像报告提示信息和所述影像提示信息，生成所述目标医学影像对应的诊断报告。
8.根据权利要求1所述的方法，其特征在于，在显示所述目标医学影像对应的影像分析结果之后，所述方法还包括：
获取所述目标医学影像对应的影像分析结果对应的治疗方案，得到多种治疗方案；
从所述多种治疗方案中筛选出目标治疗方案；
显示所述目标治疗方案。
9.一种医学影像的分析装置，其特征在于，包括：
第一获取单元，用于获取目标医学影像，其中，所述目标医学影像为待阅片的医学影像；
识别单元，用于使用医学影像识别模型对所述目标医学影像进行分析，识别所述目标医学影像对应的影像分析结果，其中，所述医学影像识别模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：医学影像和所述医学影像对应的影像分析结果；
第一显示单元，用于显示所述目标医学影像对应的影像分析结果。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括：
第二获取单元，用于在使用医学影像识别模型对所述目标医学影像进行分析，识别所述目标医学影像对应的影像分析结果之前，从医学影像信息系统中获取多张医学影像；
提取单元，用于提取每张医学影像对应的疾病特征信息；
第一确定单元，用于通过提取出的疾病特征信息确定每张医学影像对应的影像分析结果；
创建单元，用于对所述多张医学影像中每张医学影像和每张医学影像对应的影像分析结果通过机器学习训练，创建所述医学影像识别模型。
11.根据权利要求9所述的装置，其特征在于，所述装置还包括：
第一检测单元，用于在显示所述目标医学影像对应的影像分析结果之后，检测是否接收到外部输入的修改指令；
修改单元，用于在接收到所述修改指令的情况下，对所述目标医学影像对应的影像分析结果进行修改，得到修改后的影像分析结果；
第二显示单元，用于显示所述目标医学影像对应的修改后的影像分析结果。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括：
更新单元，用于在对所述目标医学影像对应的影像分析结果进行修改，得到修改后的影像分析结果之后，对所述目标医学影像和所述目标医学影像对应的修改后的影像分析结果进行学习，以更新所述医学影像识别模型。
13.根据权利要求9所述的装置，其特征在于，所述装置还包括：
评估单元，用于在显示所述目标医学影像对应的影像分析结果之后，基于所述目标医学影像对应的影像分析结果，评估所述目标医学影像中部位的异常程度；
第二确定单元，用于基于所述目标医学影像中部位的异常程度，确定是否发送所述目标医学影像至目标地址，其中，在所述目标地址上通过影像阅片者对所述目标医学影像进行阅片分析。
14.根据权利要求9所述的装置，其特征在于，所述装置还包括：
判断单元，用于在显示所述目标医学影像对应的影像分析结果之后，对所述目标医学影像对应的影像分析结果进行语义识别，判断所述目标医学影像对应的影像分析结果中是否存在目标信息，其中，所述目标信息为用于指示所述目标医学影像中部位出现异常的信息；
第一生成单元，用于若所述目标医学影像对应的影像分析结果中不存在目标信息，基于所述目标医学影像对应的影像分析结果生成所述目标医学影像对应的诊断报告。
15.根据权利要求14所述的装置，其特征在于，所述装置还包括：
第三显示单元，用于在判断所述目标医学影像对应的影像分析结果中是否存在目标信息之后，在所述目标医学影像对应的影像分析结果中不存在所述目标信息的情况下，在目标区域显示影像报告提示信息和影像提示信息，其中，所述影像报告提示信息用于描述所述目标医学影像对应的影像表现，所述影像提示信息用于提示所述目标医学影像中需要注意的信息；
第二检测单元，用于在预设时间内检测是否接收到外部输入的编辑指令；
第二生成单元，用于在预设时间内未检测到外部输入的编辑指令的情况下，基于所述影像报告提示信息和所述影像提示信息，生成所述目标医学影像对应的诊断报告。
16.根据权利要求9所述的装置，其特征在于，所述装置还包括：
第三获取单元，用于在显示所述目标医学影像对应的影像分析结果之后，获取所述目标医学影像对应的影像分析结果对应的治疗方案，得到多种治疗方案；
筛选单元，用于从所述多种治疗方案中筛选出目标治疗方案；
第四显示单元，用于显示所述目标治疗方案。
17.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至8中任意一项所述的医学影像的分析方法。
18.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至8中任意一项所述的医学影像的分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711182655.5A CN109830284A (zh) | 2017-11-23 | 2017-11-23 | 医学影像的分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711182655.5A CN109830284A (zh) | 2017-11-23 | 2017-11-23 | 医学影像的分析方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109830284A true CN109830284A (zh) | 2019-05-31 |
Family
ID=66858498
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711182655.5A Pending CN109830284A (zh) | 2017-11-23 | 2017-11-23 | 医学影像的分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109830284A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110349653A (zh) * | 2019-07-15 | 2019-10-18 | 杭州依图医疗技术有限公司 | 影像分析数据的显示方法、设备和存储介质 |
| CN110364249A (zh) * | 2019-07-15 | 2019-10-22 | 杭州依图医疗技术有限公司 | 用于影像分析的信息显示方法、设备和存储介质 |
| CN110853737A (zh) * | 2019-10-15 | 2020-02-28 | 吉林大学 | 一种医疗影像识别模型的更新方法及系统 |
| CN111192660A (zh) * | 2019-12-24 | 2020-05-22 | 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 |
| CN111223076A (zh) * | 2019-12-30 | 2020-06-02 | 北京深睿博联科技有限责任公司 | 神经系统影像分析方法和装置 |
| CN111242893A (zh) * | 2019-12-30 | 2020-06-05 | 北京深睿博联科技有限责任公司 | 神经系统影像分析方法和装置 |
| CN111311587A (zh) * | 2020-02-26 | 2020-06-19 | 北京推想科技有限公司 | 医学影像数据处理方法、装置、医学信息系统及介质 |
| CN111681730A (zh) * | 2020-05-22 | 2020-09-18 | 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 |
| CN111882544A (zh) * | 2020-07-30 | 2020-11-03 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医学影像显示方法及相关装置 |
| CN112037164A (zh) * | 2019-06-03 | 2020-12-04 | 睿传数据股份有限公司 | 医学影像中身体部位识别方法及装置 |
| CN112530580A (zh) * | 2020-12-03 | 2021-03-19 | 上海联影智能医疗科技有限公司 | 医疗影像图片的处理方法和计算机可读存储介质 |
| CN113113118A (zh) * | 2021-03-31 | 2021-07-13 | 上海深至信息科技有限公司 | 一种远程阅片系统及方法 |
| CN113254608A (zh) * | 2020-02-07 | 2021-08-13 | 台达电子工业股份有限公司 | 通过问答生成训练数据的系统及其方法 |
| CN113485555A (zh) * | 2021-07-14 | 2021-10-08 | 上海联影智能医疗科技有限公司 | 医学影像阅片方法、电子设备和存储介质 |
| CN114585297A (zh) * | 2019-09-20 | 2022-06-03 | 佳能美国公司 | 包括机器学习并使用其结果的人工智能配准和标记检测 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060274928A1 (en) * | 2005-06-02 | 2006-12-07 | Jeffrey Collins | System and method of computer-aided detection |
| JP2016206693A (ja) * | 2015-04-15 | 2016-12-08 | 東芝メディカルシステムズ株式会社 | 医用情報処理システム |
| CN106355022A (zh) * | 2016-08-31 | 2017-01-25 | 陕西渭南神州德信医学成像技术有限公司 | 显示方法和装置 |
| CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
| CN106777953A (zh) * | 2016-12-09 | 2017-05-31 | 江西中科九峰智慧医疗科技有限公司 | 医学影像数据的分析方法及系统 |
| CN107145910A (zh) * | 2017-05-08 | 2017-09-08 | 京东方科技集团股份有限公司 | 医学影像的表现生成系统、其训练方法及表现生成方法 |
| CN107273657A (zh) * | 2017-05-15 | 2017-10-20 | 慧影医疗科技（北京）有限公司 | 影像诊断图文报告的生成方法及存储设备 |
-
2017
- 2017-11-23 CN CN201711182655.5A patent/CN109830284A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060274928A1 (en) * | 2005-06-02 | 2006-12-07 | Jeffrey Collins | System and method of computer-aided detection |
| JP2016206693A (ja) * | 2015-04-15 | 2016-12-08 | 東芝メディカルシステムズ株式会社 | 医用情報処理システム |
| CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
| CN106355022A (zh) * | 2016-08-31 | 2017-01-25 | 陕西渭南神州德信医学成像技术有限公司 | 显示方法和装置 |
| CN106777953A (zh) * | 2016-12-09 | 2017-05-31 | 江西中科九峰智慧医疗科技有限公司 | 医学影像数据的分析方法及系统 |
| CN107145910A (zh) * | 2017-05-08 | 2017-09-08 | 京东方科技集团股份有限公司 | 医学影像的表现生成系统、其训练方法及表现生成方法 |
| CN107273657A (zh) * | 2017-05-15 | 2017-10-20 | 慧影医疗科技（北京）有限公司 | 影像诊断图文报告的生成方法及存储设备 |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037164A (zh) * | 2019-06-03 | 2020-12-04 | 睿传数据股份有限公司 | 医学影像中身体部位识别方法及装置 |
| CN112037164B (zh) * | 2019-06-03 | 2024-03-15 | 睿传数据股份有限公司 | 医学影像中身体部位识别方法及装置 |
| CN110364249A (zh) * | 2019-07-15 | 2019-10-22 | 杭州依图医疗技术有限公司 | 用于影像分析的信息显示方法、设备和存储介质 |
| CN110349653A (zh) * | 2019-07-15 | 2019-10-18 | 杭州依图医疗技术有限公司 | 影像分析数据的显示方法、设备和存储介质 |
| CN114585297A (zh) * | 2019-09-20 | 2022-06-03 | 佳能美国公司 | 包括机器学习并使用其结果的人工智能配准和标记检测 |
| CN110853737A (zh) * | 2019-10-15 | 2020-02-28 | 吉林大学 | 一种医疗影像识别模型的更新方法及系统 |
| CN110853737B (zh) * | 2019-10-15 | 2023-05-23 | 吉林大学 | 一种医疗影像识别模型的更新方法及系统 |
| CN111192660A (zh) * | 2019-12-24 | 2020-05-22 | 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 |
| 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 |
| CN111242893A (zh) * | 2019-12-30 | 2020-06-05 | 北京深睿博联科技有限责任公司 | 神经系统影像分析方法和装置 |
| CN111223076B (zh) * | 2019-12-30 | 2023-12-15 | 北京深睿博联科技有限责任公司 | 神经系统影像分析方法和装置 |
| CN111223076A (zh) * | 2019-12-30 | 2020-06-02 | 北京深睿博联科技有限责任公司 | 神经系统影像分析方法和装置 |
| CN111242893B (zh) * | 2019-12-30 | 2023-12-15 | 北京深睿博联科技有限责任公司 | 神经系统影像分析方法和装置 |
| CN113254608A (zh) * | 2020-02-07 | 2021-08-13 | 台达电子工业股份有限公司 | 通过问答生成训练数据的系统及其方法 |
| CN111311587A (zh) * | 2020-02-26 | 2020-06-19 | 北京推想科技有限公司 | 医学影像数据处理方法、装置、医学信息系统及介质 |
| CN111681730A (zh) * | 2020-05-22 | 2020-09-18 | 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 |
| 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 |
| CN111882544A (zh) * | 2020-07-30 | 2020-11-03 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医学影像显示方法及相关装置 |
| CN111882544B (zh) * | 2020-07-30 | 2024-05-14 | 深圳平安智慧医健科技有限公司 | 基于人工智能的医学影像显示方法及相关装置 |
| CN112530580A (zh) * | 2020-12-03 | 2021-03-19 | 上海联影智能医疗科技有限公司 | 医疗影像图片的处理方法和计算机可读存储介质 |
| CN113113118A (zh) * | 2021-03-31 | 2021-07-13 | 上海深至信息科技有限公司 | 一种远程阅片系统及方法 |
| CN113485555A (zh) * | 2021-07-14 | 2021-10-08 | 上海联影智能医疗科技有限公司 | 医学影像阅片方法、电子设备和存储介质 |
| CN113485555B (zh) * | 2021-07-14 | 2024-04-26 | 上海联影智能医疗科技有限公司 | 医学影像阅片方法、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109830284A (zh) | 医学影像的分析方法及装置 | |
| Padoy | Machine and deep learning for workflow recognition during surgery | |
| Kushniruk et al. | Participatory design, user involvement and health IT evaluation | |
| Ramalingam et al. | Principles to guide adaptive leadership | |
| CN110301012A (zh) | 使用增强现实提供关于医疗保健程序和系统性能的辅助信息 | |
| CN107845091B (zh) | 基于预筛查的快速标注方法和系统 | |
| Neumuth | Surgical process modeling | |
| WO2019180742A1 (en) | System and method for retinal fundus image semantic segmentation | |
| Sao Pedro et al. | Using text replay tagging to produce detectors of systematic experimentation behavior patterns | |
| CN106796696A (zh) | 基于凝视信息的朝向刺激的关注的确定 | |
| Pereira et al. | Process mining project methodology in healthcare: a case study in a tertiary hospital | |
| Erturk et al. | Quality management in radiology: historical aspects and basic definitions | |
| Santos et al. | Exploring decision drivers on god class detection in three controlled experiments | |
| Michalik et al. | Requirements and tasks of cohorts and registers, the German KoRegIT project | |
| Barra et al. | Automating mockup-based usability testing on the mobile device | |
| Jalali | Evaluating perceived usefulness and ease of use of cmmn and dcr | |
| Mohamadipanah et al. | Can deep learning algorithms help identify surgical workflow and techniques? | |
| Oniga et al. | Applications of ai and hpc in the health domain | |
| Chiu et al. | Design Progress Dashboard: Visualising a quantitative divergent/convergent pattern of design team progress through Natural Language Processing | |
| Griffin et al. | Object detection and segmentation in chest x-rays for tuberculosis screening | |
| Li et al. | VRPTEST: Evaluating Visual Referring Prompting in Large Multimodal Models | |
| ROCHON et al. | Using artificial intelligence to improve wound image quality: a feasibility study. | |
| Mohamadipanah et al. | Artificial intelligence in surgery: A research team perspective | |
| Adigwe et al. | Exploring the matrix: knowledge, perceptions and prospects of artificial intelligence and machine learning in Nigerian healthcare | |
| Griffin | Deep Learning Applied to Tuberculosis Screening |
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 |