CN110013264A - X光图像识别方法、装置、电子设备及存储介质 - Google Patents
X光图像识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110013264A CN110013264A CN201910359705.5A CN201910359705A CN110013264A CN 110013264 A CN110013264 A CN 110013264A CN 201910359705 A CN201910359705 A CN 201910359705A CN 110013264 A CN110013264 A CN 110013264A
- Authority
- CN
- China
- Prior art keywords
- ray image
- image data
- disease
- lesion
- disease type
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 201000010099 disease Diseases 0.000 claims abstract description 123
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 123
- 230000003902 lesion Effects 0.000 claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 26
- 238000012545 processing Methods 0.000 abstract description 2
- 210000000038 chest Anatomy 0.000 description 20
- 238000010586 diagram Methods 0.000 description 18
- 208000019693 Lung disease Diseases 0.000 description 8
- 206010003598 Atelectasis Diseases 0.000 description 7
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 7
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 7
- 201000005202 lung cancer Diseases 0.000 description 7
- 208000020816 lung neoplasm Diseases 0.000 description 7
- 206010030113 Oedema Diseases 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 208000006029 Cardiomegaly Diseases 0.000 description 2
- 206010014561 Emphysema Diseases 0.000 description 2
- 206010019909 Hernia Diseases 0.000 description 2
- 241000521257 Hydrops Species 0.000 description 2
- 208000002151 Pleural effusion Diseases 0.000 description 2
- 206010035600 Pleural fibrosis Diseases 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 208000002454 Nasopharyngeal Carcinoma Diseases 0.000 description 1
- 206010061306 Nasopharyngeal cancer Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 208000015486 malignant pancreatic neoplasm Diseases 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 201000011216 nasopharynx carcinoma Diseases 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 201000003144 pneumothorax Diseases 0.000 description 1
- 208000008128 pulmonary tuberculosis Diseases 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Optics & Photonics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physiology (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供一种X光图像识别方法、装置、电子设备及存储介质，涉及医学图像处理技术领域。本申请实施例通过获取X光图像数据和对各病灶参数信息进行训练后的预设识别模型，并根据预设识别模型对X光图像数据进行识别，生成X光图像数据对应的疾病类型和疾病的发生概率，可以为医师提供诊断X光图像数据的参考信息，辅助医师对X光图像数据中可能存在的疾病类型进行更加全面、准确地识别，从而有效减少误诊、漏诊等现象。
Description
技术领域
本申请涉及医学图像处理技术领域，具体而言，涉及一种X光图像识别方法、装置、电子设备及存储介质。
背景技术
随着雾霾等环境因素的恶化，肺不张、肺癌等肺部疾病的发病率逐渐攀升，如不能及时发现病灶，将延误最佳治疗时机，给患者造成不可逆的损害。
目前，对肺部疾病的诊断主要依靠放射科医师对X光胸片进行人工排查，识别X光胸片中所包含的病灶信息，如：病灶的类型、位置等，进而实现诊断分析。
但是，上述现有通过人工排查识别X光胸片中病灶信息的方式，由于医师在对X光胸片进行人工排查时人眼识别能力有限，从而导致误诊或漏诊现象频出。
发明内容
本申请的目的在于，提供一种X光图像识别方法，用于解决现有通过人工排查识别X光胸片中病灶信息的方式，由于医师在对X光胸片进行人工排查时人眼识别能力有限，而导致误诊或漏诊现象频出的问题。
为实现上述目的，本申请实施例所采用的技术方案如下：
第一方面，本申请实施例提供一种X光图像识别方法，该方法包括：
获取X光图像数据；
获取对各病灶参数信息进行训练后的预设识别模型；
根据预设识别模型对X光图像数据进行识别，生成X光图像数据对应的疾病类型和疾病的发生概率。
可选地，在获取对各病灶参数信息进行训练后的预设识别模型的步骤之前，该X光图像识别方法还包括：
获取各疾病类型对应的X光图像数据；
根据各疾病类型对X光图像数据标注对应的病灶参数信息；
根据神经网络算法对标注后的X光图像数据进行训练，得到预设识别模型。
可选地，在根据预设识别模型对X光图像数据进行识别，生成X光图像数据对应的疾病类型和疾病的发生概率之后，该X光图像识别方法还包括：
根据预设分割模型生成X光图像数据各个疾病对象对应的位置信息；
根据疾病类型确定各疾病对象中病灶的位置信息。
可选地，该X光图像识别方法还包括：
通过热力图展示X光图像数据对应的疾病类型、疾病的发生概率和病灶的位置信息。
第二方面，本申请实施例提供一种X光图像识别装置，包括：
第一获取模块，用于获取X光图像数据；
第二获取模块，用于获取对各病灶参数信息进行训练后的预设识别模型；
识别模块，用于根据预设识别模型对X光图像数据进行识别，生成X光图像数据对应的疾病类型和疾病的发生概率。
可选地，该X光图像识别装置还包括：
第三获取模块，用于获取各疾病类型对应的X光图像数据；
标注模块，用于根据各疾病类型对X光图像数据标注对应的病灶参数信息；
训练模块，用于根据神经网络算法对标注后的X光图像数据进行训练，得到预设识别模型。
可选地，该X光图像识别装置还包括：
生成模块，用于根据预设分割模型生成X光图像数据各个疾病对象对应的位置信息；
确定模块，用于根据疾病类型确定各疾病对象中病灶的位置信息。
可选地，该X光图像识别装置还包括：
展示模块，用于通过热力图展示X光图像数据对应的疾病类型、疾病的发生概率和病灶的位置信息。
第三方面，本申请实施例提供一种电子设备，包括：存储介质、处理器和总线，存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行如第一方面所述的X光图像识别方法。
第四方面，本申请实施例提供一种存储介质，存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如第一方面所述的X光图像识别方法。
基于上述任一方面，本申请的有益效果是：
本申请实施例通过获取X光图像数据、和对各病灶参数信息进行训练后的预设识别模型，并根据预设识别模型对X光图像数据进行识别，生成X光图像数据对应的疾病类型和疾病的发生概率，可以为医师提供诊断X光图像数据的参考信息，辅助医师对X光图像数据中可能存在的疾病类型进行更加全面、准确地识别，从而有效减少误诊、漏诊等现象。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的X光图像识别方法的流程示意图；
图2示出了本申请实施例提供的另一X光图像识别方法的流程示意图；
图3示出了本申请实施例提供的又一X光图像识别方法的流程示意图；
图4示出了本申请实施例提供的热力图一的示意图；
图5示出了本申请实施例提供的热力图二的示意图；
图6示出了本申请实施例提供的X光图像识别装置的结构示意图；
图7示出了本申请实施例提供的另一X光图像识别装置的结构示意图；
图8示出了本申请实施例提供的又一X光图像识别装置的结构示意图；
图9示出了本申请实施例提供的又一X光图像识别装置的结构示意图；
图10示出了本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
随着雾霾等环境因素的恶化，肺不张、肺癌等肺部疾病的发病率逐渐攀升。例如，肺癌作为全球第一大癌症，发病率正在逐年提升，而肺癌的生存率与首次确诊时所处的病程阶段高度相关，因此，通过肺癌影像学诊断是发现早期肺癌的重要手段。
以肺癌、肺不张等肺部疾病为例，目前对于肺部疾病的影像学诊断主要依靠放射科医师对X光胸片进行人工排查，识别X光胸片中所包含的病灶信息，如：病灶的类型、位置等，进而实现诊断分析。其中，病灶是指集体上发生病变的部分，如肺的某一部分被结核菌破坏，则破坏的部分即为肺结核病灶。如果不能及时、准确地发现病灶，将延误最佳治疗时机，给患者造成不可逆的损害。
但是，现有通过人工排查识别X光图像数据中病灶信息的方式，由于医师在对X光图像数据进行人工排查时人眼识别能力有限，且医师在观测时对于一些实际存在而人眼无法分辨的图像信息得不到充分应用，造成大量有用信息的浪费，从而导致误诊或漏诊现象频出。根据全国首个《中国医学误诊文献数据库》资料显示，中国临床医疗每年的误诊人数约为5700万人，总误诊率为27.8％，恶性肿瘤如鼻咽癌、白血病、胰腺癌等，平均误诊率高达到40％。
基于此，本申请实施例提供一种X光图像识别方法。该方法可以应用于计算机、服务器等设备，能够更加准确地识别到X光图像数据中所包含的病灶信息，为医师诊断X光图像数据提供参考，从而减少医师的误诊或漏诊现象。
图1示出了本申请实施例提供的X光图像识别方法的流程示意图。如图1所示，该方法包括：
S101、获取X光图像数据。
具体地，X光图像数据为通过X光成像技术所获得的人体的图像数据，例如，X光图像数据可以是X光片、计算机断层扫描(Computed Tomography，CT)数据、直接数字平板X线成像(Digital Radiography，DR)数据等。
以DR数据为例，若需要获取胸部X光图像数据时，可以直接从DR设备中获取的医学数字成像和通信(Digital Imaging and Communications in Medicine，DICOM)影像数据，并从DICOM影像数据中调取格式(Modality)字段值为DR和身体部位(Body Part)字段值为胸部(Chest)的数据，即可得到胸部X光图像数据。其中，DCIOM定义了能满足临床需要的可用于数据交换的医学图像格式，是部署最为广泛的医疗信息标准之一。
S102、获取对各病灶参数信息进行训练后的预设识别模型。
具体地，预设识别模型为对各病灶参数信息进行训练所得。其中，病灶参数信息用于指示不同疾病类型对应的疾病对象发生病变或异常的参数。例如，病灶参数信息可以是病灶的病变程度、病灶占所在疾病对象的比例等。
可选地，本申请部分实施方式中，病灶参数信息可以包括肺不张、变实、浸润、气胸、水肿、肺气肿、纤维变性、积液、肺炎、胸膜增厚、心脏肥大、结节、肿块和疝气等14种不同肺部疾病所对应的参数信息。
需要说明的是，上述步骤S101和S102也可以是同时执行，或者先执行S102、再执行S101的顺序，本申请在此不作限定。
S103、根据预设识别模型对X光图像数据进行识别，生成X光图像数据对应的疾病类型和疾病的发生概率。
具体地，可以将所获取到X光图像数据输入该预设识别模型进行识别，该预设识别模型可以根据输入的X光图像数据，确定所输入的X光图像数据中所包含的病灶参数信息，进而生成X光图像数据对应的疾病类型和疾病的发生概率。
以胸部X光图像数据为例，对于胸部X光图像数据而言，将其输入预设识别模型后，可以得到该胸部X光图像数据中所包含的病灶的参数信息，从而确定该胸部X光图像数据中存在哪些疾病类型，以及每种类型的疾病可能的发生概率。例如，若确定该胸部X光图像数据中胸腔和肺部对应的区域存在病灶，则通过对病灶参数信息进行分析，可以确定病灶所对应的疾病类型可能为胸腔积液和肺不张，胸腔积液的发生概率可能为93.3％，肺不张的发生概率可能为48.5％。
由上所述，本申请实施例通过获取X光图像数据、和对各病灶参数信息进行训练后的预设识别模型，并根据预设识别模型对X光图像数据进行识别，生成X光图像数据对应的疾病类型和疾病的发生概率，可以为医师提供诊断X光图像数据的参考信息，辅助医师对X光图像数据中可能存在的疾病类型进行更加全面、准确地识别，从而有效减少误诊、漏诊等现象。
图2示出了本申请实施例提供的另一X光图像识别方法的流程示意图。
可选地，如图2所示，在上述获取对各病灶参数信息进行训练后的预设识别模型的步骤之前，该X光图像识别方法还包括：
S201、获取各疾病类型对应的X光图像数据。
具体地，各疾病类型对应的X光图像数据是指已经确诊得到具体疾病类型的X光图像数据，即，所获取到的各疾病类型对应的X光图像数据已经经过医师确认无误，可以明确知道该X光图像数据中包括哪些疾病类型。
可选地，可以获取大量已经确诊为肺不张、变实、浸润、气胸、水肿、肺气肿、纤维变性、积液、肺炎、胸膜增厚、心脏肥大、结节、肿块和疝气等14种不同肺部疾病类型所对应的X光图像数据，对于疾病类型的数量及X光图像数据的数量，本申请在此不作限定。
S202、根据各疾病类型对X光图像数据标注对应的病灶参数信息。
具体地，在获取到各疾病类型对应的X光图像数据后，可以对每种疾病类型对应的X光图像数据进行标注相应的病灶参数信息。病灶参数信息可以包括疾病对象的发生病变的程度、病灶占疾病对象的比例等，在标注病灶参数信息时，可以通过将已经确诊得到疾病类型的X光图像数据与正常X光图像数据进行比较，得到病灶对应的参数信息，并将其标注在该X光图像数据。
例如，医师可以通过Dicom文件标注软件打开X光图像，当发现疾病病灶后，可以根据医师的经验判断病灶的类型，并使用Dicom文件标注软件中的画笔在病灶的外围勾勒出轮廓，同时在位置和病灶类型菜单中选择对应的位置和类型并保存，从而实现将病灶位置和病灶类型标注在该X光图像中。
S203、根据神经网络算法对标注后的X光图像数据进行训练，得到预设识别模型。
可选地，可以根据神经网络对上述标注有病灶参数信息的大量X光图像数据进行训练，得到预设识别模型，该预设识别模型的输入可以为“X光图像数据”，输出可以为X光图像数据中所包括的疾病类型及每种疾病类型的疾病发生概率。其中，神经网络可以包括卷积神经网络、循环神经网络、深度置信网络等中的任一种，也可以是多种神经网络的组合。
可选地，对于疾病发生概率，可以通过对大量已经确诊同一疾病类型的X光图像数据以及可能存在该疾病类型的X光图像数据进行比较分析，进而确定不同的X光图像数据中该疾病类型可能的发生概率。例如，可以比较同一疾病类型对应的多组X光图像数据，根据不同X光图像数据中该疾病类型的病灶的严重程度(即发生病变的程度)，确定该疾病类型可能发生的概率。
图3示出了本申请实施例提供的又一X光图像识别方法的流程示意图。
可选地，如图3所示，在上述根据预设识别模型对X光图像数据进行识别，生成X光图像数据对应的疾病类型和疾病的发生概率之后，该X光图像识别方法还包括：
S301、根据预设分割模型生成X光图像数据各个疾病对象对应的位置信息。
具体地，预设分割模型可以对X光图像数据进行分割，得到X光图像数据中每个区域的位置信息，例如，可以对X光胸片进行分割，将X光胸片中左右肺、心影、肋骨等对应的区域分割出来，对左右肺还可以再细分为上中下野和内中外带等，并对每个区域标上相应的位置信息。
举例说明，上述预设分割模型可以是密集卷积网络(Densenet)121分割模型，将X光图像数据输入到Densenet121分割模型后，Densenet121分割模型可以将X光图像数据划分为不同的区域，如：左右肺区域、上中下野区域、上中下带区域等，并将病灶所处的区域作为病灶的位置信息。
在得到X光图像数据中每个区域的位置信息后，可以将X光图像数据中各个疾病对象与所其所在区域的位置信息相对应。疾病对象是指可能存在病灶、发生疾病的器官，如左肺、右肺、肋骨都可以是疾病对象。
S302、根据疾病类型确定各疾病对象中病灶的位置信息。
具体地，在确定了不同疾病对象对应的位置信息后，可以判断上述预设识别模型识别得到的疾病类型发生于哪个疾病对象，并根据该疾病对象对应区域的位置信息，确认病灶的位置信息。
例如，若上述预设分割模型对X光图像数据进行分割，建立与X光图像数据中的所有区域对应的坐标系，则所确定的病灶的位置信息可以通过该坐标系中的坐标进行表示。
可选地，该X光图像识别方法还包括：
通过热力图展示X光图像数据对应的疾病类型、疾病的发生概率和病灶的位置信息。
具体地，热力图能够以不同深度的颜色对不同区域进行区分表示，将信息进行更加直观的呈现。可选地，在通过预设识别模型和预设分割模型得到所获取X光图像数据所对应的疾病类型、疾病的发生概率和病灶的位置信息后，可以生成关于该X光图像数据的热力图，并在热力图中展示该X光图像数据所对应的疾病类型、疾病的发生概率和病灶的位置信息。
如图4和图5所示，通过本申请实施例提供的该X光图像数据识别方法所得到的热力图，可以将X光图像数据中存在的疾病类型、每种疾病类型的位置、以及疾病的发生概率进行直观地展示。
本申请实施例提供一种X光图像识别装置，用于执行前述实施例所述的X光图像识别方法。
图6示出了本申请实施例提供的X光图像识别装置的结构示意图。
如图6所示，该X光图像识别装置包括：
第一获取模块11，用于获取X光图像数据；第二获取模块12，用于获取对各病灶参数信息进行训练后的预设识别模型；识别模块13，用于根据预设识别模型对X光图像数据进行识别，生成X光图像数据对应的疾病类型和疾病的发生概率。
图7示出了本申请实施例提供的另一X光图像识别装置的结构示意图。
可选地，如图7所示，该X光图像识别装置还包括：
第三获取模块14，用于获取各疾病类型对应的X光图像数据；标注模块15，用于根据各疾病类型对X光图像数据标注对应的病灶参数信息；训练模块16，用于根据神经网络算法对标注后的X光图像数据进行训练，得到预设识别模型。
图8示出了本申请实施例提供的又一X光图像识别装置的结构示意图。
可选地，如图8所示，该X光图像识别装置还包括：
生成模块17，用于根据预设分割模型生成X光图像数据各个疾病对象对应的位置信息；确定模块18，用于根据疾病类型确定各疾病对象中病灶的位置信息。
图9示出了本申请实施例提供的又一X光图像识别装置的结构示意图。
可选地，如图9所示，该X光图像识别装置还包括：
展示模块19，用于通过热力图展示X光图像数据对应的疾病类型、疾病的发生概率和病灶的位置信息。
图10示出了本申请实施例提供的电子设备的结构示意图。
如图10所示，本申请实施例提供一种电子设备，包括：存储介质21、处理器22和总线，存储介质21存储有处理器22可执行的机器可读指令，当电子设备运行时，处理器22与存储介质21之间通过总线通信，处理器22执行机器可读指令，以执行如前述方法实施例所述的X光图像识别方法。
本申请实施例还提供一种存储介质，存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如前述方法实施例所述的X光图像识别方法。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种X光图像识别方法，其特征在于，所述方法包括：
获取X光图像数据；
获取对各病灶参数信息进行训练后的预设识别模型；
根据所述预设识别模型对所述X光图像数据进行识别，生成所述X光图像数据对应的疾病类型和疾病的发生概率。
2.根据权利要求1所述的方法，其特征在于，在获取对各病灶参数信息进行训练后的预设识别模型的步骤之前，所述方法还包括：
获取各疾病类型对应的X光图像数据；
根据各疾病类型对所述X光图像数据标注对应的病灶参数信息；
根据神经网络算法对标注后的X光图像数据进行训练，得到预设识别模型。
3.根据权利要求1所述的方法，其特征在于，在根据所述预设识别模型对所述X光图像数据进行识别，生成所述X光图像数据对应的疾病类型和疾病的发生概率之后，所述方法还包括：
根据预设分割模型生成所述X光图像数据各个疾病对象对应的位置信息；
根据所述疾病类型确定各疾病对象中病灶的位置信息。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
通过热力图展示所述X光图像数据对应的疾病类型、疾病的发生概率和病灶的位置信息。
5.一种X光图像识别装置，其特征在于，包括：
第一获取模块，用于获取X光图像数据；
第二获取模块，用于获取对各病灶参数信息进行训练后的预设识别模型；
识别模块，用于根据所述预设识别模型对所述X光图像数据进行识别，生成所述X光图像数据对应的疾病类型和疾病的发生概率。
6.根据权利要求5所述的装置，其特征在于，还包括：
第三获取模块，用于获取各疾病类型对应的X光图像数据；
标注模块，用于根据各疾病类型对所述X光图像数据标注对应的病灶参数信息；
训练模块，用于根据神经网络算法对标注后的X光图像数据进行训练，得到预设识别模型。
7.根据权利要求5所述的装置，其特征在于，还包括：
生成模块，用于根据预设分割模型生成所述X光图像数据各个疾病对象对应的位置信息；
确定模块，用于根据所述疾病类型确定各疾病对象中病灶的位置信息。
8.根据权利要求7所述的装置，其特征在于，还包括：
展示模块，用于通过热力图展示所述X光图像数据对应的疾病类型、疾病的发生概率和病灶的位置信息。
9.一种电子设备，其特征在于，包括：存储介质、处理器和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-4任一项所述的X光图像识别方法。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1-4任一项所述的X光图像识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910359705.5A CN110013264A (zh) | 2019-04-29 | 2019-04-29 | X光图像识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910359705.5A CN110013264A (zh) | 2019-04-29 | 2019-04-29 | X光图像识别方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110013264A true CN110013264A (zh) | 2019-07-16 |
Family
ID=67192935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910359705.5A Pending CN110013264A (zh) | 2019-04-29 | 2019-04-29 | X光图像识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110013264A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110689112A (zh) * | 2019-09-02 | 2020-01-14 | 杭州深睿博联科技有限公司 | 数据处理的方法及装置 |
| 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 |
| WO2020207377A1 (zh) * | 2019-04-10 | 2020-10-15 | 腾讯科技（深圳）有限公司 | 一种图像识别模型训练及图像识别方法、装置及系统 |
| CN113143300A (zh) * | 2020-01-22 | 2021-07-23 | 上海西门子医疗器械有限公司 | X-射线医学成像系统和方法以及计算机存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109363699A (zh) * | 2018-10-16 | 2019-02-22 | 杭州依图医疗技术有限公司 | 一种乳腺影像病灶识别的方法及装置 |
| CN109447966A (zh) * | 2018-10-26 | 2019-03-08 | 科大讯飞股份有限公司 | 医学图像的病灶定位识别方法、装置、设备及存储介质 |
-
2019
- 2019-04-29 CN CN201910359705.5A patent/CN110013264A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109363699A (zh) * | 2018-10-16 | 2019-02-22 | 杭州依图医疗技术有限公司 | 一种乳腺影像病灶识别的方法及装置 |
| CN109447966A (zh) * | 2018-10-26 | 2019-03-08 | 科大讯飞股份有限公司 | 医学图像的病灶定位识别方法、装置、设备及存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020207377A1 (zh) * | 2019-04-10 | 2020-10-15 | 腾讯科技（深圳）有限公司 | 一种图像识别模型训练及图像识别方法、装置及系统 |
| US11967414B2 (en) | 2019-04-10 | 2024-04-23 | Tencent Technology (Shenzhen) Company Limited | Image recognition model training method and apparatus, and image recognition method, apparatus, and system |
| CN110689112A (zh) * | 2019-09-02 | 2020-01-14 | 杭州深睿博联科技有限公司 | 数据处理的方法及装置 |
| 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 |
| CN113143300A (zh) * | 2020-01-22 | 2021-07-23 | 上海西门子医疗器械有限公司 | X-射线医学成像系统和方法以及计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | Deep learning applications in chest radiography and computed tomography: current state of the art | |
| Sim et al. | Deep convolutional neural network–based software improves radiologist detection of malignant lung nodules on chest radiographs | |
| Signoroni et al. | BS-Net: Learning COVID-19 pneumonia severity on a large chest X-ray dataset | |
| CN110013264A (zh) | X光图像识别方法、装置、电子设备及存储介质 | |
| US10282840B2 (en) | Image reporting method | |
| US6697506B1 (en) | Mark-free computer-assisted diagnosis method and system for assisting diagnosis of abnormalities in digital medical images using diagnosis based image enhancement | |
| Yoo et al. | AI-based improvement in lung cancer detection on chest radiographs: results of a multi-reader study in NLST dataset | |
| JP2009157527A (ja) | 医用画像処理装置、医用画像処理方法ならびにプログラム | |
| CN111080583B (zh) | 医学图像检测方法、计算机设备和可读存储介质 | |
| JP6945474B2 (ja) | 学習用データ作成支援装置、学習用データ作成支援方法、および学習用データ作成支援プログラム | |
| Regge et al. | CAD: how it works, how to use it, performance | |
| US20180220985A1 (en) | Classification of a health state of tissue of interest based on longitudinal features | |
| CN111709950A (zh) | 一种乳腺钼靶ai辅助筛查方法 | |
| CN111062947A (zh) | 一种基于深度学习的x光胸片病灶定位方法及系统 | |
| US20210151171A1 (en) | Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network | |
| JP2017534316A (ja) | 画像レポート注釈同定 | |
| US20210313045A1 (en) | Automatic Bounding Region Annotation for Localization of Abnormalities | |
| CN111986182A (zh) | 辅助诊断方法、系统、电子设备及存储介质 | |
| WO2020110774A1 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| Guo et al. | DeepLN: an artificial intelligence-based automated system for lung cancer screening | |
| Chen et al. | Enhancement of chest radiographs obtained in the intensive care unit through bone suppression and consistent processing | |
| Kelahan et al. | The radiologist’s gaze: mapping three-dimensional visual search in computed tomography of the abdomen and pelvis | |
| Nijiati et al. | Artificial intelligence assisting the early detection of active pulmonary tuberculosis from chest X-rays: A population-based study | |
| US11935234B2 (en) | Method for detecting abnormality, non-transitory computer-readable recording medium storing program for detecting abnormality, abnormality detection apparatus, server apparatus, and method for processing information | |
| Prabha et al. | A big wave of deep learning in medical imaging-analysis of theory and applications |
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: 20190716 |
|
| RJ01 | Rejection of invention patent application after publication |