CN109993733A - 肺部病灶的检测方法、系统、存储介质、终端及显示系统 - Google Patents
肺部病灶的检测方法、系统、存储介质、终端及显示系统 Download PDFInfo
- Publication number
- CN109993733A CN109993733A CN201910239154.9A CN201910239154A CN109993733A CN 109993733 A CN109993733 A CN 109993733A CN 201910239154 A CN201910239154 A CN 201910239154A CN 109993733 A CN109993733 A CN 109993733A
- Authority
- CN
- China
- Prior art keywords
- image
- lesion
- thoracic cavity
- pulmonary lesions
- patient
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种肺部病灶的检测方法、系统、存储介质、终端及显示系统,肺部病灶的检测方法包括:获取已标注病灶的病人影像;识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取关键特征点;从病人的全身影像中提取胸腔影像,并判断提取的胸腔影像是否属于胸腔;若是,执行下一步骤;若否,重新提取胸腔影像;读取提取到的胸腔影像,将该胸腔影像的像素值进行转换,并生成医学图像文件及具有掩膜的医学图像;通过病灶的关键特征点对具有掩膜的医学图像进行病灶检测;将检测出的病灶映射至提取到的胸腔影像上,实现肺部病灶的可视化,并形成肺部3D模型。本发明为医生提供一种医疗辅助手段,辅助医生精确诊断影像里的肺部病灶的位置。
Description
技术领域
本发明属于医学图像处理技术领域,涉及一种检测方法和系统,特别是涉及一种肺部病灶的检测方法、系统、存储介质、终端及显示系统。
背景技术
肺部是人体重要的一个呼吸器官,也承担着造血的功能。肺与人体的气管、支气管、喉、鼻是相连起来的,其中任何一个部位出现问题,都会影响到我们的呼吸系统。那么,肺部有病灶是什么意思呢?其实,这就提示我们肺部出现病变了,可能是肺炎、肺结节、肺纤维化等问题。但是,现有技术是通过医生肉眼来判断医学图像上的病灶,导致检测不准确。
因此,如何提供一种肺部病灶的检测方法、系统、存储介质、终端及显示系统,以解决现有技术缺乏肺部病灶的医疗辅助手段,无法辅助医生诊断,导致可能会出现肺部病灶位置检测不精确等缺陷,实已成为本领域技术人员亟待解决的技术手段。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种肺部病灶的检测方法、系统、存储介质及设备,用于解决现有技术缺乏肺部病灶的医疗辅助手段,无法辅助医生诊断,导致可能会出现肺部病灶位置检测不精确的问题。
为实现上述目的及其他相关目的,本发明一方面提供一种肺部病灶的检测方法,包括:获取已标注病灶的病人影像;从该已标注病灶的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取用于预测病灶的关键特征点;从病人的全身影像中提取胸腔影像,并判断所提取的胸腔影像是否属于胸腔;若是,执行下一步骤;若否,重新提取胸腔影像;读取提取到的胸腔影像,将该胸腔影像的像素值进行转换,并生成医学图像文件及具有掩膜的医学图像;通过病灶的关键特征点对具有掩膜的医学图像进行病灶检测;将检测出的病灶映射至提取到的胸腔影像上,以实现肺部病灶的可视化,形成肺部3D模型。
于本发明的一实施例中,所述获取已标注病灶的病人影像,从该已标注病灶的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取病灶的关键特征点的步骤包括:将已标注病灶的病人影像的图片数据转换为二维数组;遍历整个已标注病灶的病人影像,识别白色像素点所围绕的区域轮廓;利用预存的训练模型对识别的区域轮廓进行训练,获取用于预测病灶的关键特征点。
于本发明的一实施例中,利用训练所得的胸腔关键特征参数,来判断所提取的胸腔影像是否属于胸腔;所述胸腔关键特征参数是通过过预存的训练模型进行训练所得。
于本发明的一实施例中,将该胸腔影像的像素值转换为CT值;其中,所述CT值等于胸腔影像的像素值乘以从医学图像文件中读取到的斜率再与从医学图像文件中读取到的截距相加。
于本发明的一实施例中,所述影像里肺部病灶的检测方法还包括将所述医学图像文件转化为用于存储医学图像文件的数据头部信息的头部信息存储文件和用于存储所述医学图像文件中像素信息的像素信息存储文件,及根据头部信息存储文件生成具有掩膜的医学图像。
于本发明的一实施例中,所述通过病灶的关键特征点对具有掩膜的医学图像进行病灶检测的步骤包括:根据病灶的关键特征点从具有掩膜的医学图像提取病灶的候选区域;使用卷积神经网络来提取病灶特征;利用预存的双通道网络模型对提取的病灶特征进行分类;使用多任务损失函数,将边框回归加入至卷积神经网络中训练,以检测出病灶位置。
于本发明的一实施例中,所述肺部病灶的检测方法还包括:将检测出的病灶位置转换到三维坐标系上,并获取病灶的三维坐标。
本发明另一方面提供一种肺部病灶的检测系统,包括:获取模块,用于获取已标注病灶的病人影像;识别模块,用于从该已标注病灶的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取用于预测病灶的关键特征点;处理模块,用于从病人的全身影像中提取胸腔影像,并判断所提取的胸腔影像是否属于胸腔;若是,读取提取到的胸腔影像,将该胸腔影像的像素值进行转换,并生成医学图像文件及具有掩膜的医学图像;若否,重新提取胸腔影像;检测模块,用于通过病灶的关键特征点对具有掩膜的医学图像进行病灶检测;映射模块,用于将检测出的病灶映射至提取到的胸腔影像上,以实现肺部病灶的可视化;3D模型生成模块,用于形成肺部3D模型。
本发明又一方面提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述肺部病灶的检测方法。
本发明最后一方面提供一种设备,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述设备执行如所述影像里肺部病灶的检测方法。
如上所述,本发明所述的肺部病灶的检测方法、系统、存储介质、终端及显示系统,具有以下有益效果:
本发明所述肺部病灶的检测方法、系统、存储介质及设备为医生提供一种医疗辅助手段,辅助医生精确诊断影像里的肺部病灶的位置。
附图说明
图1显示为本发明的肺部病灶的检测方法于一实施例中的流程示意图。
图2显示为本发明的肺部病灶的检测方法于一实施例中的原理结构示意图。
元件标号说明
2 | 肺部病灶的检测系统 |
21 | 获取模块 |
22 | 识别模块 |
23 | 处理模块 |
24 | 检测模块 |
25 | 转换模块 |
26 | 映射模块 |
27 | 3D模型生成模块 |
S11~S17 | 步骤 |
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明所述影像里肺部病灶的检测方法、系统、存储介质及设备技术原理如下:
1.医生用画图软件对病人的影像进行病灶的标注并将标注图片导出保存,再通过程序处理将图片上的标注坐标提出来并进行模型训练。该训练出来的模型主要是用于后面的算法预测中使用。
2.在检测影像里的病灶时,需要做以下的预处理步骤:
首先利用TensorFlow将影像筛选出来胸腔部分,并且排除掉不符合要求的(例如缺失、错误、无法读取),同时要求胸腔部分的影像是连续的
遍历筛选后的影像文件,读取图像数据,并做像素值到HU值得转化,并生成mhd文件和raw文件,最后根据mhd文件生成图像mask。
3.影像预处理后再用基于深度学习的目标检测技术--3D Faster R-CNN做病灶检测,再用DPN网络模型做病灶分类。
4.将检测出来得病灶位置转换成x、y、z的坐标。
5.将检测出来的病灶坐标可视化到原始影像上,并将医生画的结节标注也可视化在影像上,方便对比查看,医生对于正确的检测结果进行打勾确认,方便后期进行算法参数迭代更新优化。
实施例一
本实施例提供一种影像里肺部病灶的检测方法,包括:
获取已标注病灶的病人影像;从该已标注病灶的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取用于预测病灶的关键特征点;
从病人的全身影像中提取胸腔影像,并判断所提取的胸腔影像是否属于胸腔;若是,执行下一步骤;若否,重新提取胸腔影像;
读取提取到的胸腔影像,将该胸腔影像的像素值进行转换,并生成医学图像文件及具有掩膜的医学图像;
通过病灶的关键特征点对具有掩膜的医学图像进行病灶检测;
将检测出的病灶映射至提取到的胸腔影像上,以实现肺部病灶的可视化,形成肺部3D模型,并予以输出。
以下将结合图示对本实施例所提供的影像里肺部病灶的检测方法进行详细描述。请参阅图1,显示为影像里肺部病灶的检测方法于一实施例中的流程示意图。如图1所示,所述影像里肺部病灶的检测方法具体包括以下几个步骤:
S11,获取已标注病灶的病人影像。在本实施例中,已标注病灶的病人影像是医生通过画图软件对一病人的CT图像上的病灶进行标注。在本实施例中,病人影像为CT影像。
在本实施例中,所述S11包括:
通过openCV读取病人影像,将已标注病灶的病人影像的图片数据转换为二维数组,其中,图片的rows则是对应y轴,columns则是对应x轴。
遍历整个已标注病灶的病人影像,识别白色像素点所围绕的区域轮廓。
具体地,通过x,y的坐标就能定位到图片上的某一点的RGB像素值,通常情况下图像的背景是黑色RGB(0,0,0),标注点是红色RGB(255,0,0),只需遍历整个图片的像素值,就能查找出标注的坐标(x,y),而医生的标注通常都是一个区域轮廓,该区域轮廓呈有圆形、矩形和不规则多边形等形状。
利用预存的训练模型对识别的区域轮廓进行训练,获取用于预测病灶的关键特征点。在本实施例中,利用pytorch实现网络模型ResNet-18,即所述训练模型。该网络模型ResNet-18主要用于实现图像分类。第一训练模型便是针对区域轮廓的图像进行分类,例如根据颜色、大小、轮廓曲线等类别对图像进行分类。在训练过程中,可设置一些超参数,例如遍历数据集的次数,批处理尺寸、学习率等等。训练结果的好坏,都是通过调整超参数实现。
S12,从病人的全身影像中提取胸腔影像,并判断所提取的胸腔影像是否属于胸腔;若是,执行下一步骤;若否,重新提取胸腔影像。
在本实施例中,从病人的全身影像里识别出胸腔起始结束位置(因为在全身影像里胸腔的影像都是连续的,所以只要记下起始结束位置即可)。
在本实施例中,利用训练所得的胸腔关键特征参数,来判断所提取的胸腔影像是否属于胸腔;所述胸腔关键特征参数是通过预存的训练模型进行训练所得,以排除不符合要求的图像,例如,缺失,错误,无法读取的。在本实施例中,所述训练模型为DPN网络模型。
S13,读取提取到的胸腔影像,将该胸腔影像的像素值进行转换,并生成医学图像文件及具有掩膜的医学图像。
在本实施中,将该胸腔影像的像素值进行转换为将该胸腔影像的像素值转换为CT值(CT值的单位是Hounsfield,简称为Hu,范围是-1024-3071,用于衡量人体组织对X射线的吸收率),以生成医学图像文件,即DICOM图像。
在DICOM图像读取的过程中,会发现图像的像素值有可能不是这个范围,通常是0-4096,这就需要将图像像素值(灰度值)转换为CT值。
因此,首先,需要读取两个DICOM Tag信息,(0028|1052):rescale intercept(截距)和(0028|1053):rescale slope(斜率)。
在本实施例中,CT值等于胸腔影像的像素值乘以从医学图像文件中读取到的斜率再与从医学图像文件中读取到的截距相加,CT值的公式表示如下:
Hu=pixel*slope+intercept
在本实施例中,将所述医学图像文件(DICOM)转化为用于存储医学图像文件的数据头部信息的头部信息存储文件(mhd文件)和用于存储所述医学图像文件中像素信息的像素信息存储文件(raw文件),及根据头部信息存储文件生成具有掩膜的医学图像(图像mask)。
具体地,mhd里面包含raw图像的索引,透过mhd就能找到raw图像,然后根据raw图像可视化为我们通常所见的图像,例如jpg、png之类。接着进行肺部区域提取。使用图像分割算法生成肺部区域的mask图,然后根据mask图生成肺部区域图像。最后在这里区域里找肺部病灶,相当于把搜索范围缩小了。
S14,通过病灶的关键特征点对具有掩膜的医学图像进行病灶检测。
在本实施例中,基于深度学习的目标检测技术--3D Faster R-CNN对具有掩膜的医学图像进行病灶检测。
具体地,深度学习的目标检测技术--3D Faster R-CNN的检测步骤如下:
根据病灶的关键特征点从具有掩膜的医学图像提取病灶的候选区域;
使用卷积神经网络(CNN)来提取病灶特征;
利用预存的双通道网络模型(DPN网络模型)对提取的病灶特征进行分类。
在本实施例,DPN网络模型可以理解为在ResNeXt的基础上引入了DenseNet的核心内容,使得模型对特征的利用更加充分。病灶本质上就是图像上的一个区域,可能存在各种形状、大小,虽然医疗影像只有黑白两色,但是也有颜色深浅之分,而DPN的图像分类,就是对病灶的形状大小颜色进行分类。
使用多任务损失函数,将边框回归加入至卷积神经网络中训练,以检测出病灶位置。
S15,将检测出的病灶位置转换到三维坐标系上,并获取病灶的三维坐标。
例如,检测出来的病灶为图像上的一个圆形区域,X,Y值就是圆形的圆心点,其中,X就是图像的X轴的坐标,Y就是图像的Y轴的坐标,Z值可以直接从Dicom信息里的切片位置(slice location)计算出来,把切片号记录成Z值。在本实施例中,所述Dicom信息存了影像检查的信息。该信息主要可以分为Patient,Study,Series和Image四类。每一个DICOM Tag都是由两个十六进制数的组合来确定的,分别为Group和Element。例如,(0010,0010)这个Tag表示的是Patient’s Name,它存储着这张DICOM图像的患者姓名。
当前切片位置=原点+切片厚度*当前第几张切片+切片层距*(当前第几张切片-1)。
因此,病灶的三维坐标为图像的X轴的坐标,图像的Y轴的坐标,当前切片位置。
S16,将检测出的病灶映射至提取到的胸腔影像上,以实现肺部病灶的可视化,并予以输出。在本实施例中,可视化在CT影像上,方便对比查看,医生对于正确的检测结果进行打勾确认,方便后期进行算法参数迭代更新优化。在本实施例中,可视化就是将医生标注出的区域重新映射到原始CT图像上。
具体地,再次利用MASK图像里白色区域的边缘点取出来,进行z轴方向叠加,形成3D图像。由于mask图像是2D图片,在z轴叠加,那就成为了3D图像(于实际中,3D图像为obj文件。所述obj格式的文件就是3D软件能处理的文件格式。然后在3D软件里进行模型贴图,给肺部贴上肺的纹理,在第3步里可以知道肺部病灶的XYZ坐标,通过XYZ坐标就能在3D模型找到对应的位置,然后在该位置上描绘病灶的模型。完成后将整个模型导入到VR设备里。用户/病人带上VR设备就能看到自己的肺部模型,以及病灶位置)。
在本实施例中,标注区域就是一系列的点[x1,y1],[x2,y2],[x3,y3]……,原始图像是一个行列组成的二维数组,映射的意思就是在二维数组里找到[x1,y1],[x2,y2],[x3,y3]……,然后把[x1,y1],[x2,y2],[x3,y3]……对应的RGB值改成我想要的颜色,这个项目里是红色。因为CT图像都是黑白的,标注区域改成红色。
S17,再次利用肺部的掩膜图像,形成一个3D图像。因为所有的CT图像都是横截面的图像,如果把每一张原始图像的掩膜图像里白色区域的边缘点取出来,进行z轴方向叠加,以形成一个3D图像。因为mask图像是2D图片,在z轴叠加,以形成肺部的3D图像。
在本实施例中,先将mask图像的边缘点取出来,然后放入meshlab里进行3D图像生成,以生成obj文件。所述obj格式的文件就是3D软件能处理的文件格式。然后在3D软件里进行模型贴图,给肺部贴上肺的纹理,通过XYZ坐标就能在3D模型找到对应的位置,然后在该位置上描绘病灶的模型。完成后将整个肺部的3D图像导入到VR设备里。用户/病人带上VR设备就能看到自己的肺部模型,以及病灶位置。
本实施例还提供一种存储介质(亦称为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上述肺部病灶的检测方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例所述肺部病灶的检测方法为医生提供一种医疗辅助手段,辅助医生精确诊断影像里的肺部病灶的位置。
实施例二
本实施例提供一种肺部病灶的检测系统,包括:
获取模块,用于获取已标注病灶的病人影像;
识别模块,用于从该已标注病灶的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取用于预测病灶的关键特征点;
处理模块,用于从病人的全身影像中提取胸腔影像,并判断所提取的胸腔影像是否属于胸腔;若是,读取提取到的胸腔影像,将该胸腔影像的像素值进行转换,并生成医学图像文件及具有掩膜的医学图像;若否,重新提取胸腔影像;
检测模块,用于通过病灶的关键特征点对具有掩膜的医学图像进行病灶检测;
映射模块,用于将检测出的病灶映射至提取到的胸腔影像上,以实现肺部病灶的可视化;
3D模型生成模块,用于形成肺部3D模型。
以下将结合图示对本实施例所提供的肺部病灶的检测系统进行详细描述。请参阅图2,显示为肺部病灶的检测系统于一实施例中的原理结构示意图。如图2所示,所述肺部病灶的检测系统2包括:获取模块21、识别模块22、处理模块23、检测模块24、转换模块25、映射模块26及3D模型生成模块。
所述获取模块21用于获取已标注病灶的病人影像。在本实施例中,已标注病灶的病人影像是医生通过画图软件对一病人的图像上的病灶进行标注。在本实施例中,病人图像为CT影像。
所述识别模块22用于从该已标注病灶的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取用于预测病灶的关键特征点。
具体地,所述识别模块22通过openCV读取病人影像,将已标注病灶的病人影像的图片数据转换为二维数组,遍历整个已标注病灶的病人影像,识别白色像素点所围绕的区域轮廓;利用预存的训练模型对识别的区域轮廓进行训练,获取用于预测病灶的关键特征点。
与所述获取模块21和识别模块22耦合的处理模块23用于从病人的全身影像中提取胸腔影像,并判断所提取的胸腔影像是否属于胸腔;若是,读取提取到的胸腔影像,将该胸腔影像的像素值进行转换,并生成医学图像文件及具有掩膜的医学图像;若否,重新提取胸腔影像。
在本实施例中,从病人的全身影像里识别出胸腔起始结束位置(因为在全身影像里胸腔的影像都是连续的,所以只要记下起始结束位置即可)。
在本实施例中,利用训练所得的胸腔关键特征参数,来判断所提取的胸腔影像是否属于胸腔;所述胸腔关键特征参数是通过过预存的训练模型进行训练。
排除不符合要求的图像,例如,缺失,错误,无法读取的。
在本实施例中,所述处理模块23还用于读取提取到的胸腔影像,将该胸腔影像的像素值进行转换,并生成医学图像文件及具有掩膜的医学图像。
在本实施中,将该胸腔影像的像素值进行转换为将该胸腔影像的像素值转换为CT值(CT值的单位是Hounsfield,简称为Hu,范围是-1024-3071,用于衡量人体组织对X射线的吸收率),以生成医学图像文件,即DICOM图像。
在DICOM图像读取的过程中,会发现图像的像素值有可能不是这个范围,通常是0-4096,这就需要将图像像素值(灰度值)转换为CT值。
因此,首先,需要读取两个DICOM Tag信息,(0028|1052):rescale intercept(截距)和(0028|1053):rescale slope(斜率)。
在本实施例中,CT值等于胸腔影像的像素值乘以从医学图像文件中读取到的斜率再与从医学图像文件中读取到的截距相加,CT值的公式表示如下:
Hu=pixel*slope+intercept
在本实施例中,将所述医学图像文件(DICOM)转化为用于存储医学图像文件的数据头部信息的头部信息存储文件(mhd文件)和用于存储所述医学图像文件中像素信息的像素信息存储文件(raw文件),及根据头部信息存储文件生成具有掩膜的医学图像(图像mask)。
与所述识别模块22和处理模块23耦合的检测模块24用于通过病灶的关键特征点对具有掩膜的医学图像进行病灶检测。
在本实施例中,所述检测模块24基于深度学习的目标检测技术--3D Faster R-CNN对具有掩膜的医学图像进行病灶检测。
具体地,所述检测模块24用于根据病灶的关键特征点从具有掩膜的医学图像提取病灶的候选区域;使用卷积神经网络(CNN)来提取病灶特征;利用预存的双通道网络模型(DPN网络模型)对提取的病灶特征进行分类。
在本实施例,DPN网络模型可以理解为在ResNeXt的基础上引入了DenseNet的核心内容,使得模型对特征的利用更加充分。病灶本质上就是图像上的一个区域,可能存在各种形状、大小,虽然医疗影像只有黑白两色,但是也有颜色深浅之分,而DPN的图像分类,就是对病灶的形状大小颜色进行分类;使用多任务损失函数,将边框回归加入至卷积神经网络中训练,以检测出病灶位置。
与所述检测模块24耦合的转换模块25用于将检测出的病灶位置转换到三维坐标系上,并获取病灶的三维坐标。
例如,检测出来的病灶为图像上的一个圆形区域,X,Y值就是圆形的圆心点,其中,X就是图像的X轴的坐标,Y就是图像的Y轴的坐标,Z值可以直接从Dicom信息里的切片位置(slice location)计算出来,把切片号记录成Z值。
当前切片位置=原点+切片厚度*当前第几张切片+切片层距*(当前第几张切片-1)。
因此,病灶的三维坐标为图像的X轴的坐标,图像的Y轴的坐标,当前切片位置。
与所述获取模块21和转换模块25耦合的映射模块26用于将检测出的病灶映射至提取到的胸腔影像上,以实现肺部病灶的可视化,形成肺部3D模型,并予以输出。在本实施例中,可视化在CT影像上,方便对比查看,医生对于正确的检测结果进行打勾确认,方便后期进行算法参数迭代更新优化。在本实施例中,可视化就是将医生标注出的区域重新映射到原始CT图像上。在本实施例中,可视化在CT影像上,方便对比查看,医生对于正确的检测结果进行打勾确认,方便后期进行算法参数迭代更新优化。
与所述获取模块21和映射模块26耦合的3D模型生成模块27用于形成肺部3D模型。具体地,所述3D模型生成模块27利用肺部的掩膜图像,形成一个3D图像。因为所有的CT图像都是横截面的图像,如果把每一张原始图像的掩膜图像里白色区域的边缘点取出来,进行z轴方向叠加,以形成一个3D图像。因为mask图像是2D图片,在z轴叠加,以形成肺部的3D图像。
在本实施例中,所述3D模型生成模块27先将mask图像的边缘点取出来,然后放入meshlab里进行3D图像生成,以生成obj文件。所述obj格式的文件就是3D软件能处理的文件格式。然后在3D软件里进行模型贴图,给肺部贴上肺的纹理,通过XYZ坐标就能在3D模型找到对应的位置,然后在该位置上描绘病灶的模型。完成后将整个肺部的3D图像导入到VR设备里。用户/病人带上VR设备就能看到自己的肺部模型,以及病灶位置
需要说明的是,应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现,也可以全部以硬件的形式实现,还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如:x模块可以为单独设立的处理元件,也可以集成在上述系统的某一个芯片中实现。此外,x模块也可以以程序代码的形式存储于上述系统的存储器中,由上述系统的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),一个或多个微处理器(Digital Singnal Processor,简称DSP),一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。这些模块可以集成在一起,以片上系统(System-on-a-chip,简称SOC)的形式实现。
实施例三
本实施例提供一种终端,包括:处理器、存储器、收发器、通信接口或/和系统总线;存储器和通信接口通过系统总线与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于和其他设备进行通信,处理器和收发器用于运行计算机程序,使设备执行如上肺部病灶的检测方法的各个步骤。
上述提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconne,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchiteure,简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。通信接口用于实现数据库访问装置与其他设备(如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称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。
实施例四
本实施例提供一种显示系统,该显示系统包括实施例三所述的终端,所述终端用于输出肺部3D模型;及VR设备,用于展示所述肺部3D模型。
本发明所述的肺部病灶的检测方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明还提供一种肺部病灶的检测系统,所述肺部病灶的检测系统可以实现本发明所述的肺部病灶的检测方法,但本发明所述的肺部病灶的检测方法的实现装置包括但不限于本实施例列举的肺部病灶的检测系统的结构,凡是根据本发明的原理所做的现有技术的结构变形和替换,都包括在本发明的保护范围内。
综上所述,本发明所述肺部病灶的检测方法、系统、存储介质、终端及显示系统为医生提供一种医疗辅助手段,辅助医生精确诊断影像里的肺部病灶的位置。本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (11)
1.一种肺部病灶的检测方法,其特征在于,包括:
获取已标注病灶的病人影像;从该已标注病灶的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取用于预测病灶的关键特征点;
从病人的全身影像中提取胸腔影像,并判断所提取的胸腔影像是否属于胸腔;若是,执行下一步骤;若否,重新提取胸腔影像;
读取提取到的胸腔影像,将该胸腔影像的像素值进行转换,并生成医学图像文件及具有掩膜的医学图像;
通过病灶的关键特征点对具有掩膜的医学图像进行病灶检测;
将检测出的病灶映射至提取到的胸腔影像上,以实现肺部病灶的可视化,形成肺部3D模型。
2.根据权利要求1所述的肺部病灶的检测方法,其特征在于,所述获取已标注病灶的病人影像,从该已标注病灶的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取病灶的关键特征点的步骤包括:
将已标注病灶的病人影像的图片数据转换为二维数组;
遍历整个已标注病灶的病人影像,识别红色像素点所围绕的区域轮廓;
利用预存的训练模型对识别的区域轮廓进行训练,获取用于预测病灶的关键特征点。
3.根据权利要求2所述的肺部病灶的检测方法,其特征在于,利用训练所得的胸腔关键特征参数,来判断所提取的胸腔影像是否属于胸腔;所述胸腔关键特征参数是通过过预存的训练模型进行训练所得。
4.根据权利要求2所述的肺部病灶的检测方法,其特征在于,将该胸腔影像的像素值转换为CT值;其中,所述CT值等于胸腔影像的像素值乘以从医学图像文件中读取到的斜率再与从医学图像文件中读取到的截距相加。
5.根据权利要求4所述的肺部病灶的检测方法,其特征在于,所述肺部病灶的检测方法还包括将所述医学图像文件转化为用于存储医学图像文件的数据头部信息的头部信息存储文件和用于存储所述医学图像文件中像素信息的像素信息存储文件,及根据头部信息存储文件生成具有掩膜的医学图像。
6.根据权利要求4所述的肺部病灶的检测方法,其特征在于,所述通过病灶的关键特征点对具有掩膜的医学图像进行病灶检测的步骤包括:
根据病灶的关键特征点从具有掩膜的医学图像提取病灶的候选区域;
使用卷积神经网络来提取病灶特征;
利用预存的双通道网络模型对提取的病灶特征进行分类;
使用多任务损失函数,将边框回归加入至卷积神经网络中训练,以检测出病灶位置。
7.根据权利要求6所述的肺部病灶的检测方法,其特征在于,所述影像里肺部病灶的检测方法还包括:
将检测出的病灶位置转换到三维坐标系上,并获取病灶的三维坐标。
8.一种肺部病灶的检测系统,其特征在于,包括:
获取模块,用于获取已标注病灶的病人影像;
识别模块,用于从该已标注病灶的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取用于预测病灶的关键特征点;
处理模块,用于从病人的全身影像中提取胸腔影像,并判断所提取的胸腔影像是否属于胸腔;若是,读取提取到的胸腔影像,将该胸腔影像的像素值进行转换,并生成医学图像文件及具有掩膜的医学图像;若否,重新提取胸腔影像;
检测模块,用于通过病灶的关键特征点对具有掩膜的医学图像进行病灶检测;
映射模块,用于将检测出的病灶映射至提取到的胸腔影像上,以实现肺部病灶的可视化;
3D模型生成模块,用于形成肺部3D模型。
9.一种存储介质,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7中任一项所述肺部病灶的检测方法。
10.一种终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至7中任一项所述肺部病灶的检测方法。
11.一种显示系统,其特征在于,包括:
如权利要求10所述的终端,用于输出肺部3D模型;及
VR设备,用于展示所述肺部3D模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910239154.9A CN109993733A (zh) | 2019-03-27 | 2019-03-27 | 肺部病灶的检测方法、系统、存储介质、终端及显示系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910239154.9A CN109993733A (zh) | 2019-03-27 | 2019-03-27 | 肺部病灶的检测方法、系统、存储介质、终端及显示系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109993733A true CN109993733A (zh) | 2019-07-09 |
Family
ID=67131612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910239154.9A Pending CN109993733A (zh) | 2019-03-27 | 2019-03-27 | 肺部病灶的检测方法、系统、存储介质、终端及显示系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993733A (zh) |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517253A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于3d多目标特征学习的肺结节良恶性分类的方法 |
CN110570390A (zh) * | 2019-07-22 | 2019-12-13 | 无锡北邮感知技术产业研究院有限公司 | 一种图像检测方法及装置 |
CN110766701A (zh) * | 2019-10-31 | 2020-02-07 | 北京推想科技有限公司 | 网络模型训练方法及装置、区域划分方法及装置 |
CN110880169A (zh) * | 2019-10-16 | 2020-03-13 | 平安科技(深圳)有限公司 | 病灶区域标注方法、装置、计算机系统及可读存储介质 |
CN110930414A (zh) * | 2019-10-17 | 2020-03-27 | 平安科技(深圳)有限公司 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
CN111214255A (zh) * | 2020-01-12 | 2020-06-02 | 刘涛 | 一种医学超声图像计算机辅助诊断方法 |
CN111528907A (zh) * | 2020-05-07 | 2020-08-14 | 万东百胜(苏州)医疗科技有限公司 | 一种超声影像肺炎辅助诊断方法及系统 |
CN111612755A (zh) * | 2020-05-15 | 2020-09-01 | 科大讯飞股份有限公司 | 肺部病灶分析方法、装置、电子设备和存储介质 |
CN111657985A (zh) * | 2020-06-30 | 2020-09-15 | 杭州依图医疗技术有限公司 | 肺部影像信息的处理方法、显示方法及可读存储介质 |
CN111667903A (zh) * | 2020-04-24 | 2020-09-15 | 杭州深睿博联科技有限公司 | 医学图像处理方法和装置 |
CN111724356A (zh) * | 2020-06-04 | 2020-09-29 | 杭州健培科技有限公司 | 一种用于ct影像肺炎识别的图像处理方法和系统 |
CN111724361A (zh) * | 2020-06-12 | 2020-09-29 | 深圳技术大学 | 实时显示病灶的方法及装置、电子设备和存储介质 |
CN111768878A (zh) * | 2020-06-30 | 2020-10-13 | 杭州依图医疗技术有限公司 | 可视化指引病灶的方法及计算机可读存储介质 |
CN111862001A (zh) * | 2020-06-28 | 2020-10-30 | 微医云(杭州)控股有限公司 | Ct影像的半自动标注方法及装置、电子设备、存储介质 |
CN111861984A (zh) * | 2020-06-08 | 2020-10-30 | 上海依智医疗技术有限公司 | 一种确定肺部区域的方法及装置、计算机设备及存储介质 |
CN111932495A (zh) * | 2020-06-30 | 2020-11-13 | 数坤(北京)网络科技有限公司 | 一种医学图像检测方法、装置及存储介质 |
CN112037218A (zh) * | 2020-09-15 | 2020-12-04 | 嘉兴市第一医院 | 一种基于ct影像的新冠肺炎量化分析方法 |
CN112053400A (zh) * | 2020-09-09 | 2020-12-08 | 北京柏惠维康科技有限公司 | 数据处理方法及机器人导航系统 |
CN112561908A (zh) * | 2020-12-24 | 2021-03-26 | 北京医准智能科技有限公司 | 乳腺图像病灶匹配方法、装置及存储介质 |
CN112634309A (zh) * | 2020-11-30 | 2021-04-09 | 上海联影医疗科技股份有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN112686865A (zh) * | 2020-12-31 | 2021-04-20 | 重庆西山科技股份有限公司 | 一种3d视图辅助检测方法、系统、装置及存储介质 |
CN112734707A (zh) * | 2020-12-31 | 2021-04-30 | 重庆西山科技股份有限公司 | 一种3d内窥镜辅助检测方法、系统、装置及存储介质 |
CN112767233A (zh) * | 2021-01-07 | 2021-05-07 | 中电云脑(天津)科技有限公司 | 基于Dicom3d播放器的病灶三维成像方法、系统及存储介质 |
CN112884820A (zh) * | 2019-11-29 | 2021-06-01 | 杭州三坛医疗科技有限公司 | 一种影像初始配准及神经网络的训练方法、装置和设备 |
CN113012249A (zh) * | 2021-03-02 | 2021-06-22 | 大连东软教育科技集团有限公司 | 一种在ct图像上生成病灶的方法、装置及存储介质 |
CN113343999A (zh) * | 2021-06-15 | 2021-09-03 | 萱闱(北京)生物科技有限公司 | 基于目标检测的目标边界记录方法、装置和计算设备 |
CN113674838A (zh) * | 2020-05-15 | 2021-11-19 | 佳能医疗系统株式会社 | 医学图像处理装置、医学图像处理方法和记录介质 |
CN113706541A (zh) * | 2020-05-20 | 2021-11-26 | 青岛海信医疗设备股份有限公司 | 一种图像处理方法及装置 |
CN113724827A (zh) * | 2021-09-03 | 2021-11-30 | 上海深至信息科技有限公司 | 一种超声报告中病灶区域自动标注的方法和系统 |
CN113763352A (zh) * | 2021-09-06 | 2021-12-07 | 杭州类脑科技有限公司 | 一种腹腔积液图像处理方法和系统 |
WO2022141882A1 (zh) * | 2020-12-30 | 2022-07-07 | 上海睿刀医疗科技有限公司 | 一种基于历史病理信息的病灶识别模型构建装置及系统 |
CN115115738A (zh) * | 2022-08-29 | 2022-09-27 | 威海市博华医疗设备有限公司 | 一种对肺癌影像成像的修正方法及装置 |
CN115132328A (zh) * | 2022-08-31 | 2022-09-30 | 安徽影联云享医疗科技有限公司 | 信息可视化方法、装置、设备及存储介质 |
CN116188469A (zh) * | 2023-04-28 | 2023-05-30 | 之江实验室 | 一种病灶检测方法、装置、可读存储介质及电子设备 |
CN116974369A (zh) * | 2023-06-21 | 2023-10-31 | 广东工业大学 | 术中医学影像操作方法、系统、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8811724B2 (en) * | 2010-05-11 | 2014-08-19 | The University Of Copenhagen | Classification of medical diagnostic images |
CN106530296A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种基于pet/ct图像特征的肺部检测方法和装置 |
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 |
CN107808377A (zh) * | 2017-10-31 | 2018-03-16 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位方法及装置 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN109523521A (zh) * | 2018-10-26 | 2019-03-26 | 复旦大学 | 基于多切片ct图像的肺结节分类和病灶定位方法和系统 |
-
2019
- 2019-03-27 CN CN201910239154.9A patent/CN109993733A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8811724B2 (en) * | 2010-05-11 | 2014-08-19 | The University Of Copenhagen | Classification of medical diagnostic images |
CN106530296A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种基于pet/ct图像特征的肺部检测方法和装置 |
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 |
CN107808377A (zh) * | 2017-10-31 | 2018-03-16 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位方法及装置 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN109523521A (zh) * | 2018-10-26 | 2019-03-26 | 复旦大学 | 基于多切片ct图像的肺结节分类和病灶定位方法和系统 |
Cited By (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570390B (zh) * | 2019-07-22 | 2022-04-15 | 无锡北邮感知技术产业研究院有限公司 | 一种图像检测方法及装置 |
CN110570390A (zh) * | 2019-07-22 | 2019-12-13 | 无锡北邮感知技术产业研究院有限公司 | 一种图像检测方法及装置 |
CN110517253A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于3d多目标特征学习的肺结节良恶性分类的方法 |
CN110517253B (zh) * | 2019-08-29 | 2023-04-07 | 电子科技大学 | 基于3d多目标特征学习的肺结节良恶性分类的方法 |
CN110880169A (zh) * | 2019-10-16 | 2020-03-13 | 平安科技(深圳)有限公司 | 病灶区域标注方法、装置、计算机系统及可读存储介质 |
CN110930414A (zh) * | 2019-10-17 | 2020-03-27 | 平安科技(深圳)有限公司 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
CN110766701A (zh) * | 2019-10-31 | 2020-02-07 | 北京推想科技有限公司 | 网络模型训练方法及装置、区域划分方法及装置 |
CN110766701B (zh) * | 2019-10-31 | 2020-11-06 | 北京推想科技有限公司 | 网络模型训练方法及装置、区域划分方法及装置 |
CN112884820A (zh) * | 2019-11-29 | 2021-06-01 | 杭州三坛医疗科技有限公司 | 一种影像初始配准及神经网络的训练方法、装置和设备 |
CN111214255A (zh) * | 2020-01-12 | 2020-06-02 | 刘涛 | 一种医学超声图像计算机辅助诊断方法 |
CN111214255B (zh) * | 2020-01-12 | 2023-07-25 | 刘涛 | 一种医学超声图像计算机辅助方法 |
CN111667903A (zh) * | 2020-04-24 | 2020-09-15 | 杭州深睿博联科技有限公司 | 医学图像处理方法和装置 |
CN111528907A (zh) * | 2020-05-07 | 2020-08-14 | 万东百胜(苏州)医疗科技有限公司 | 一种超声影像肺炎辅助诊断方法及系统 |
CN111612755A (zh) * | 2020-05-15 | 2020-09-01 | 科大讯飞股份有限公司 | 肺部病灶分析方法、装置、电子设备和存储介质 |
CN113674838A (zh) * | 2020-05-15 | 2021-11-19 | 佳能医疗系统株式会社 | 医学图像处理装置、医学图像处理方法和记录介质 |
CN113706541A (zh) * | 2020-05-20 | 2021-11-26 | 青岛海信医疗设备股份有限公司 | 一种图像处理方法及装置 |
CN113706541B (zh) * | 2020-05-20 | 2024-04-19 | 青岛海信医疗设备股份有限公司 | 一种图像处理方法及装置 |
CN111724356A (zh) * | 2020-06-04 | 2020-09-29 | 杭州健培科技有限公司 | 一种用于ct影像肺炎识别的图像处理方法和系统 |
CN111724356B (zh) * | 2020-06-04 | 2023-08-18 | 杭州健培科技有限公司 | 一种用于ct影像肺炎识别的图像处理方法和系统 |
CN111861984A (zh) * | 2020-06-08 | 2020-10-30 | 上海依智医疗技术有限公司 | 一种确定肺部区域的方法及装置、计算机设备及存储介质 |
CN111861984B (zh) * | 2020-06-08 | 2023-12-22 | 北京深睿博联科技有限责任公司 | 一种确定肺部区域的方法及装置、计算机设备及存储介质 |
CN111724361A (zh) * | 2020-06-12 | 2020-09-29 | 深圳技术大学 | 实时显示病灶的方法及装置、电子设备和存储介质 |
CN111724361B (zh) * | 2020-06-12 | 2023-08-01 | 深圳技术大学 | 实时显示病灶的方法及装置、电子设备和存储介质 |
CN111862001A (zh) * | 2020-06-28 | 2020-10-30 | 微医云(杭州)控股有限公司 | Ct影像的半自动标注方法及装置、电子设备、存储介质 |
CN111862001B (zh) * | 2020-06-28 | 2023-11-28 | 微医云(杭州)控股有限公司 | Ct影像的半自动标注方法及装置、电子设备、存储介质 |
CN111657985A (zh) * | 2020-06-30 | 2020-09-15 | 杭州依图医疗技术有限公司 | 肺部影像信息的处理方法、显示方法及可读存储介质 |
CN111932495A (zh) * | 2020-06-30 | 2020-11-13 | 数坤(北京)网络科技有限公司 | 一种医学图像检测方法、装置及存储介质 |
CN111768878A (zh) * | 2020-06-30 | 2020-10-13 | 杭州依图医疗技术有限公司 | 可视化指引病灶的方法及计算机可读存储介质 |
CN112053400A (zh) * | 2020-09-09 | 2020-12-08 | 北京柏惠维康科技有限公司 | 数据处理方法及机器人导航系统 |
CN112037218A (zh) * | 2020-09-15 | 2020-12-04 | 嘉兴市第一医院 | 一种基于ct影像的新冠肺炎量化分析方法 |
CN112037218B (zh) * | 2020-09-15 | 2022-08-09 | 嘉兴市第一医院 | 一种基于ct影像的新冠肺炎量化分析方法 |
CN112634309B (zh) * | 2020-11-30 | 2023-08-15 | 上海联影医疗科技股份有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN112634309A (zh) * | 2020-11-30 | 2021-04-09 | 上海联影医疗科技股份有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN112561908A (zh) * | 2020-12-24 | 2021-03-26 | 北京医准智能科技有限公司 | 乳腺图像病灶匹配方法、装置及存储介质 |
WO2022141882A1 (zh) * | 2020-12-30 | 2022-07-07 | 上海睿刀医疗科技有限公司 | 一种基于历史病理信息的病灶识别模型构建装置及系统 |
CN112734707B (zh) * | 2020-12-31 | 2023-03-24 | 重庆西山科技股份有限公司 | 一种3d内窥镜辅助检测方法、系统、装置及存储介质 |
CN112686865A (zh) * | 2020-12-31 | 2021-04-20 | 重庆西山科技股份有限公司 | 一种3d视图辅助检测方法、系统、装置及存储介质 |
CN112734707A (zh) * | 2020-12-31 | 2021-04-30 | 重庆西山科技股份有限公司 | 一种3d内窥镜辅助检测方法、系统、装置及存储介质 |
CN112767233A (zh) * | 2021-01-07 | 2021-05-07 | 中电云脑(天津)科技有限公司 | 基于Dicom3d播放器的病灶三维成像方法、系统及存储介质 |
CN113012249A (zh) * | 2021-03-02 | 2021-06-22 | 大连东软教育科技集团有限公司 | 一种在ct图像上生成病灶的方法、装置及存储介质 |
CN113012249B (zh) * | 2021-03-02 | 2024-02-06 | 东软教育科技集团有限公司 | 一种在ct图像上生成病灶的方法、装置及存储介质 |
CN113343999B (zh) * | 2021-06-15 | 2022-04-08 | 萱闱(北京)生物科技有限公司 | 基于目标检测的目标边界记录方法、装置和计算设备 |
CN113343999A (zh) * | 2021-06-15 | 2021-09-03 | 萱闱(北京)生物科技有限公司 | 基于目标检测的目标边界记录方法、装置和计算设备 |
CN113724827A (zh) * | 2021-09-03 | 2021-11-30 | 上海深至信息科技有限公司 | 一种超声报告中病灶区域自动标注的方法和系统 |
CN113763352A (zh) * | 2021-09-06 | 2021-12-07 | 杭州类脑科技有限公司 | 一种腹腔积液图像处理方法和系统 |
CN113763352B (zh) * | 2021-09-06 | 2024-04-02 | 杭州类脑科技有限公司 | 一种腹腔积液图像处理方法和系统 |
CN115115738A (zh) * | 2022-08-29 | 2022-09-27 | 威海市博华医疗设备有限公司 | 一种对肺癌影像成像的修正方法及装置 |
CN115115738B (zh) * | 2022-08-29 | 2022-11-15 | 威海市博华医疗设备有限公司 | 一种对肺癌影像成像的修正方法及装置 |
CN115132328A (zh) * | 2022-08-31 | 2022-09-30 | 安徽影联云享医疗科技有限公司 | 信息可视化方法、装置、设备及存储介质 |
CN115132328B (zh) * | 2022-08-31 | 2022-11-25 | 安徽影联云享医疗科技有限公司 | 信息可视化方法、装置、设备及存储介质 |
CN116188469A (zh) * | 2023-04-28 | 2023-05-30 | 之江实验室 | 一种病灶检测方法、装置、可读存储介质及电子设备 |
CN116974369A (zh) * | 2023-06-21 | 2023-10-31 | 广东工业大学 | 术中医学影像操作方法、系统、设备及存储介质 |
CN116974369B (zh) * | 2023-06-21 | 2024-05-17 | 广东工业大学 | 术中医学影像操作方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993733A (zh) | 肺部病灶的检测方法、系统、存储介质、终端及显示系统 | |
CN109978850B (zh) | 一种多模态医学影像半监督深度学习分割系统 | |
CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
CN110506278A (zh) | 隐空间中的目标检测 | |
CN110232383A (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN108961274B (zh) | 一种mri图像中自动头颈肿瘤分割方法 | |
US20220198230A1 (en) | Auxiliary detection method and image recognition method for rib fractures based on deep learning | |
Zhang et al. | Automated semantic segmentation of red blood cells for sickle cell disease | |
CN110197492A (zh) | 一种心脏mri左心室分割方法及系统 | |
Lee et al. | Robust tumor localization with pyramid grad-cam | |
Du et al. | Identification of COPD from multi-view snapshots of 3D lung airway tree via deep CNN | |
CN109003269A (zh) | 一种能提高医生效率的医学影像病灶的标注提取方法 | |
CN110717905B (zh) | 脑部图像检测方法、计算机设备和存储介质 | |
US11756199B2 (en) | Image analysis in pathology | |
CN114612318B (zh) | 基于文物ct图像轮廓线的三维建模方法、系统及设备 | |
CN111128349A (zh) | 基于gan的医学影像病灶检测标记数据增强方法及装置 | |
Chen et al. | Application of artificial intelligence in tongue diagnosis of traditional Chinese medicine: a review | |
CN109934841A (zh) | 肝部轮廓的检测方法、系统、存储介质、终端及显示系统 | |
Dai et al. | Mutual attention-based hybrid dimensional network for multimodal imaging computer-aided diagnosis | |
CN104106096B (zh) | 层析图像中的器官的分类方法 | |
CN112837283B (zh) | 一种肺栓塞检测系统、介质及电子设备 | |
CN113643263A (zh) | 一种上肢骨定位与前臂骨融合畸形的识别方法及系统 | |
Miao et al. | Visual quantification of the circle of willis: An automated identification and standardized representation | |
CN113222887A (zh) | 基于深度学习的纳米铁标记神经干细胞示踪的方法 | |
Lacerda et al. | A parallel method for anatomical structure segmentation based on 3d seeded region growing |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190709 |
|
RJ01 | Rejection of invention patent application after publication |