CN110033456A - 一种医疗影像的处理方法、装置、设备和系统 - Google Patents
一种医疗影像的处理方法、装置、设备和系统 Download PDFInfo
- Publication number
- CN110033456A CN110033456A CN201910173138.4A CN201910173138A CN110033456A CN 110033456 A CN110033456 A CN 110033456A CN 201910173138 A CN201910173138 A CN 201910173138A CN 110033456 A CN110033456 A CN 110033456A
- Authority
- CN
- China
- Prior art keywords
- lesion
- image
- region block
- lesion region
- grade
- 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.)
- Granted
Links
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 64
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 230000003902 lesion Effects 0.000 claims abstract description 289
- 238000003745 diagnosis Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 42
- 231100000915 pathological change Toxicity 0.000 claims abstract description 41
- 230000036285 pathological change Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims description 31
- 238000001914 filtration Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 201000010099 disease Diseases 0.000 claims description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000002146 bilateral effect Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000013526 transfer learning Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 229910052750 molybdenum Inorganic materials 0.000 description 11
- 239000011733 molybdenum Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000011218 segmentation Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000002708 enhancing effect Effects 0.000 description 6
- 230000003211 malignant effect Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 210000005075 mammary gland Anatomy 0.000 description 5
- 238000009607 mammography Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010827 pathological analysis Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000001629 suppression Effects 0.000 description 4
- 210000000481 breast Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 210000004907 gland Anatomy 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 235000000751 Chenopodium murale Nutrition 0.000 description 1
- 244000191502 Chenopodium murale Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000006071 cream Substances 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 206010033675 panniculitis Diseases 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 210000004304 subcutaneous tissue Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请属于图像处理技术领域,公开了一种医疗影像的处理方法、装置、设备和系统,本申请公开的一种医疗影像的处理方法包括,通过分割模型获得原始医疗影像中的病变区域块和病变区域块中的病变轮廓,并通过识别模型识别出病变区域块的病变等级指示信息,以及在原始医疗影像上合成病变区域块的病变等级指示信息以及病变轮廓,输出病变诊断图像。这样,可以确定病变轮廓的精确边界,对病变位置进行精确定位,降低了病变识别的误报率,实现了病变识别的精确判定。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种医疗影像的处理方法、装置、设备和系统。
背景技术
随着计算机技术的发展,计算机技术逐渐应用于医疗影像(如,钼靶图片)分析,以辅助医生进行医疗诊断。例如,终端设备通过计算机技术可以根据钼靶图片判断患者的乳房是否发生病变。这样,医生可以根据输出结果,进行进一步地诊断分析,进而制定相应的治疗方案,这提高了医疗诊断的精确度和效率。
现有技术下,通过医疗影像进行疾病分析时,通常采用以下方式:
使用小波变换和基因算法对医疗影像进行异常区域分割,并根据异常区域的面积、中心和周长,分别与相应的设定阈值之间的差值,筛选出病变区域。进而通过专家判断病变区域的病变状况。
但是,一方面,由于肿块具有多样性,因此,难以设置可以广泛应用的设定阈值,使得病变区域的筛选误差较大,并且无法对病变轮廓进行精确定位。另一方面,需要大量的专业技术人才进行人工识别,疾病诊断的效率较低。
发明内容
本申请实施例提供一种医疗影像的处理方法、装置、设备和系统,用以在根据医疗影像进行病理诊断时,对病变进行精确定位,以及提高病理诊断的精确度和效率。
一方面,提供一种医疗影像的处理方法,包括:
获取待识别的原始医疗影像;
通过分割模型获得原始医疗影像中的病变区域块和病变区域块中的病变轮廓;
通过识别模型对病变区域块进行识别,获得病变等级指示信息;
生成病变诊断图像,病变诊断图像是在原始医疗影像上合成病变区域块的病变等级指示信息以及病变轮廓的图像。
一方面,提供一种医疗影像的处理装置,包括:
获取单元,用于获取待识别的原始医疗影像;
分割单元,用于通过分割模型获得原始医疗影像中的病变区域块和病变区域块中的病变轮廓;
识别单元,用于通过识别模型对病变区域块进行识别,获得病变等级指示信息;
合成单元,用于生成病变诊断图像,病变诊断图像是在原始医疗影像上合成病变区域块的病变等级指示信息以及病变轮廓的图像。
一方面,提供一种控制设备,包括:
至少一个存储器,用于存储程序指令;
至少一个处理器,用于调用存储器中存储的程序指令,按照获得的程序指令执行上述任一种医疗影像的处理方法的步骤。
一方面,提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一种医疗影像的处理方法的步骤。
一方面,提供一种医疗系统,包括影像采集装置、影像识别装置和显示装置,影像识别装置分别通信连接影像采集装置和显示装置,其中:
影像识别装置,用于采集病人的原始医疗影像;
影像识别装置,用于通过分割模型获得原始医疗影像中的病变区域块和病变区域块中的病变轮廓,并通过识别模型对病变区域块进行识别,获得病变等级指示信息,以及生成病变诊断图像,病变诊断图像是在原始医疗影像上合成病变区域块的病变等级指示信息以及病变轮廓的图像;
显示装置,用于呈现病变诊断图像。
本申请实施例提供的一种医疗影像的处理方法、装置、设备和系统中,通过分割模型获得原始医疗影像中的病变区域块和病变区域块中的病变轮廓,并通过识别模型识别出病变区域块的病变等级指示信息,以及在原始医疗影像上合成病变区域块的病变等级指示信息以及病变轮廓,输出病变诊断图像。这样,可以确定病变轮廓的精确边界,对病变进行精确定位,降低病变识别的误报率,实现病变识别的精确判定。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,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为本申请实施方式中提供的一种医疗影像的处理系统的架构示意图;
图2为本申请实施方式中提供的一种医疗影像的处理方法的实施流程图;
图3为本申请实施方式中一种病变诊断图像示例图;
图4为本申请实施方式中一种医疗影像处理的应用场景示意图;
图5为本申请实施方式中一种医疗影像的处理装置的结构示意图;
图6为本申请实施方式中一种控制设备的结构示意图;
图7为本申请实施方式中一种医疗系统的架构示意图。
具体实施方式
为了使本申请的目的、技术方案及有益效果更加清楚明白,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。
首先,对本申请实施例中涉及的部分用语进行说明,以便于本领域技术人员理解。
1、控制设备:可以安装各类应用程序,并且能够将已安装的应用程序中提供的实体进行显示的设备,该电子设备可以是移动的,也可以是固定的。例如,服务器、手机、平板电脑、车载设备、个人数字助理(personal digital assistant,PDA)或其它能够实现上述功能的电子设备等。
2、钼靶图片:采用钼靶摄影装置利用软射线穿透乳腺软组织获得的乳腺图像,可以清晰显示乳腺的腺体、导管、纤维间隔、皮肤、皮下组织、血管结构和病变的肿块、细微钙化等。通过钼靶图片可以对乳腺增生、乳腺囊肿以及乳腺癌等进行诊断,实现乳腺外科检查。
3、医疗影像:是人对视觉感知的物质再现,可以由光学设备获取,如照相机、镜子、望远镜及显微镜等;也可以人为创作,如,手工绘画图像等。病理可以记录、保存在纸质媒介、胶片等对光信号敏感的介质上。随着信号处理和数字采集技术的发展,越来越多的医疗影像以数字形式存储,如,钼靶图片。
4、卷积神经网络(Convolutional Neural Network,CNN):在本质上是一种输入到输出的映射,它能够学习大量的输入与输出之间的映射关系,而不需要任何输入和输出之间的精确的数学表达式,只要用已知的模式对卷积网络加以训练,网络就具有输入输出对之间的映射能力。
5、深度神经网络:是一种具备至少一个隐层的神经网络。与浅层神经网络类似,深度神经网络也能够为复杂非线性系统提供建模,但多出的层次为模型提供了更高的抽象层次,因而提高了模型的能力。深度神经网络通常都是前馈神经网络,但也有语言建模等方面的研究将其拓展到递归神经网络。
6、分割模型:采用标注了病变轮廓的医疗影像样本,对基于卷积神经网络建立的模型进行训练后获得的。
7、识别模型:采用标注了病变区域块的病变等级的医疗影像样本,对基于深度神经网络或卷积神经网络建立的模型进行训练获得的。
8、病变轮廓:从原始医疗影像中提取的病变的轮廓(如,肿块的形状),通常为封闭的多边形。
9、病变区域块:从原始医疗影像中分割出的包含病变部分以及部分背景的区域块。病变区域块通常为矩形。
10、鲁棒性:是反应控制系统抗干扰能力的参数,是指控制系统在一定(结构,大小)的参数摄动下,维持其它某些性能的特性。用以表征控制系统对特性或参数摄动的不敏感性。
11、迁移学习:是运用已存有的知识对不同但相关领域问题进行求解的新的一种机器学习方法。它放宽了传统机器学习中的两个基本假设,目的是迁移已有的知识来解决目标领域中仅有少量有标签样本数据甚至没有的学习问题。
12、二值化操作:按图像的灰度特性,将图像分成背景和前景两部分。
13、形态学操作:包括形态学开操作和形态学关操作。形态学开操作和形态学关操作就是把腐蚀和膨胀结合起来,先腐蚀后膨胀就是开,膨胀后腐蚀就是关。形态学开操作一般使对象的轮廓变得光滑,断开狭窄的间断和消除细的突出物。形态学关操作可以去掉目标内的孔。
其中,针对二值化的图像来说,膨胀是指将把二值化的图像中的各1像素连接成分的边界扩大一层(填充边缘或0像素内部的孔)。腐蚀是指把二值化的图像中的各1像素连接成分的边界点去掉从而缩小一层(可提取骨干信息,去掉毛刺,去掉孤立的0像素)。
14、直方图均衡处理:是图像处理领域中利用图像直方图将对比度进行调整的方法。又称直方图平坦化,实质上是对图像进行非线性拉伸,重新分配图像象元值,使一定灰度范围内象元值的数量大致相等。直方图是表示数字图像中每一灰度出现频率的统计关系。
15、双边滤波处理:是采用加权平均的方法,用周边像素亮度值的加权平均代表某个像素的强度,是一种非线性的滤波方法,是结合图像的空间邻近度和像素值相似度的一种折衷处理,同时考虑空域信息和灰度相似性,达到保边去噪的目的。
16、非极大值抑制算法:本质是搜索局部极大值,抑制非极大值元素,物体检测中主要目的是消除多余(交叉重复)的窗口,找到最佳物体检测位置。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,在不做特别说明的情况下,一般表示前后关联对象是一种“或”的关系。
下面介绍本申请实施例的设计思想。
随着计算机技术的发展,计算机技术逐渐应用于医疗影像分析,以辅助医生进行病理诊断。例如,终端设备通过计算机技术可以根据钼靶图片判断患者的乳房是否发生病变。
传统技术中,通常将医疗影像进行形态自动筛选,获得病变区域,并通过专业技术人员判断病变区域的病变状况。所谓形态自动筛选,即使用小波变换和基因算法对医疗影像进行异常区域分割,并根据异常区域的面积、中心和周长,分别与相应的设定阈值之间的差值,筛选出病变区域。
申请人对传统技术进行分析后发现,传统技术中筛选出的病变区域误差较大,适用范围较小,并且需要专业技术人员进行人工识别,因此,亟待需要一种可以对病变区域进行精确定位,减少人工操作,提高病理诊断的精确度和效率的技术方案。鉴于此,申请人考虑到可以采用基于卷积神经网络获得的分割模型,分割出病变区域块以及病变轮廓,并通过基于用于分类的深度神经网络或卷积神经网络获得的识别模型,识别病变区域块的病变等级,进而输出包含病变轮廓以及病变等级指示信息的病变诊断图像。
鉴于以上分析和考虑,本申请实施例中提供了一种医疗影像的处理技术方案。该方案中,通过分割模型获得原始医疗影像中的病变区域块和病变区域块中的病变轮廓,并通过识别模型识别出病变区域块的病变等级指示信息,以及在原始医疗影像上合成病变区域块的病变等级指示信息以及病变轮廓,输出病变诊断图像。这样,可以对病变区域进行精确定位,并获得精确的病变等级指示信息。
在介绍完本申请实施例的设计思想之后,下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍,需要说明的是,以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施过程中,可以根据实际需要灵活地应用本申请实施例提供的技术方案。
为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。方法在实际的处理过程中或者装置执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行。
参阅图1所示,为一种医疗影像的处理系统的架构示意图。医疗影像的处理系统包括输入模块100、预处理模块110、分割模块120、识别模块130以及输出模块140。
输入模块100:用于输入待识别的原始医疗影像。原始医疗影像可以为任意需要区域分割以及病变识别的影像。
例如,原始医疗影像可以为钼靶图片。钼靶图片是采用钼靶摄影装置利用软射线穿透乳腺软组织获得的乳腺图像,可以清晰显示乳腺的腺体、导管、纤维间隔、皮肤、皮下组织、血管结构和病变的肿块、细微钙化等。
预处理模块110:用于依次通过归一化模块111、形态学操作和二值化操作模块112、直方图均衡模块113,以及双边滤波模块114,对通过输入模块100获得的原始医疗影像进行预处理。
归一化模块111:用于对原始影像的灰度范围进行归一化。
形态学操作和二值化操作模块112:用于将归一化后的原始医疗影像执行二值化操作以及形态学开操作。
其中,二值化操作用于按图像的灰度特性,将图像分成背景和前景两部分。可选的,二值化操作可以采用最大类间差法(OTSU)。形态学开操作一般使对象的轮廓变得光滑,断开狭窄的间断和消除细的突出物。
直方图均衡模块113:用于对形态学开操作后的原始医疗影像进行直方图均衡处理。
其中,直方图均衡处理是指图像处理领域中利用图像直方图将对比度进行调整的方法,又称直方图平坦化。直方图均衡处理实质上是对图像进行非线性拉伸,重新分配图像象元值,使一定灰度范围内象元值的数量大致相等。
这样,原来直方图中间的峰顶部分对比度得到增强,而两侧的谷底部分对比度降低,输出图像的直方图是一个较平的分段直方图。如果输出数据分段值较小的话,会产生粗略分类的视觉效果。
双边滤波模块114:用于对直方图均衡处理后的原始医疗影像进行双边滤波处理。
其中,双边滤波处理:是采用加权平均的方法,用周边像素亮度值的加权平均代表某个像素的强度。所用的加权平均基于高斯分布。双边滤波是一种非线性的滤波方法,是结合图像的空间邻近度和像素值相似度的一种折衷处理,同时考虑空域信息和灰度相似性,达到保边去噪的目的。双边滤波的权重不仅考虑了像素的欧氏距离(如,普通的高斯低通滤波,只考虑了位置对中心像素的影响),还考虑了像素范围域中的辐射差异(例如,卷积核中像素与中心像素之间相似程度、颜色强度,深度距离等),具有简单、非迭代、局部的特点。
分割模块120:模型训练时,用于通过分割模型模块122采用训练样本模块121的训练样本进行训练,获得训练后的分割模型;模型应用时,通过分割模型模块122对通过预处理模块110获得的预处理后的原始医疗影像进行分割,获得原始医疗影像中的病变区域块和病变区域块中的病变轮廓,并通过区域块过滤模块123对病变区域块进行过滤。
区域块过滤模块123:用于对病变区域块进行形态学操作。
识别模块130:模型训练时,通过识别模型模块132采用训练样本模块131的训练样本进行训练,获得识别模型;模型应用时,通过识别模型模块132识别通过分割模块120获得的病变区域块的病变等级指示信息,并通过非极大值抑制模块133对病变区域块进行去重处理,以及通过融合模块134在原始医疗影像上合成病变区域块的病变等级指示信息以及分割模型模块122输出的相应病变轮廓,获得病变诊断图像。
非极大值抑制模块133:用于若存在多个相同病变等级的病变区域块,则控制设备确定相同病变等级的各病变区域块之间的重叠度,并根据获得的重叠度,对病变区域块进行去重。
融合模块134,用于在原始医疗影像上合成病变区域块的病变等级指示信息以及病变轮廓,输出病变诊断图像。
输出模块140:用于输出病变诊断图像。
参阅图2所示,为本申请提供的一种医疗影像的处理方法的实施流程图。该方法的具体实施流程如下:
步骤200:控制设备获取待识别的原始医疗影像。
具体的,原始医疗影像可以为任意需要区域分割以及病变识别的影像。为便于后续的医疗影像处理,控制设备对待识别的原始医疗影像进行预处理。
其中,预处理包括以下方式中的任意一种或任意组合:归一化、二值化操作、形态学开操作、直方图均衡处理以及双边滤波处理。
一种实施方式中,控制设备对待识别的原始医疗影像进行预处理时,执行以下步骤:
S2001:将原始医疗影像进行归一化。
具体的,控制设备通过线性拉伸,将原始医疗影像的图像灰度范围拉伸到指定范围。可选的,指定范围可以设置为0-255。
这样,通过归一化,可以提高后续医疗影像处理的鲁棒性。所谓鲁棒性是反应控制系统抗干扰能力的参数,是指控制系统在一定(结构,大小)的参数摄动下,维持其它某些性能的特性。用以表征控制系统对特性或参数摄动的不敏感性。
S2002:将归一化后的原始医疗影像执行二值化操作以及形态学开操作。
具体的,控制设备先将归一化后的原始医疗影像进行二值化操作,然后,通过形态学开操作去除二值化操作后的原始医疗影像的细碎组织和噪声(如,标签等)等。
这样,通过二值化操作以及形态学开操作,可以在后续医疗影像处理时有效提取特定组织区域,如,乳房组织区域。
S2003:对形态学开操作的原始医疗影像进行直方图均衡处理。
这样,对原始医疗影像进行直方图均衡处理,使得后续对医疗影像进行分割处理时,提高鲁棒性。
S2004:对直方图均衡处理后的原始医疗影像进行双边滤波处理。
这样,通过双边滤波处理可以去除可能存在的噪声,在一定程度上提高区域同质性,并且不会破坏分割边缘。
步骤201:控制设备通过分割模型获得原始医疗影像中的病变区域块和病变区域块中的病变轮廓。
具体的,执行步骤201时,病变区域块以及相应的病变轮廓可以为一个或多个。病变区域块是从原始医疗影像中分割出的包含病变部分以及部分背景的区域块。病变区域块通常为矩形。病变轮廓是从原始医疗影像中提取的病变的轮廓(如,肿块的形状),通常为封闭的多边形。
分割模型是采用标注了病变轮廓的医疗影像样本,对基于卷积神经网络建立的模型进行训练后获得的。
可选的,分割模型可以基于全卷积网络(Fully Convolutional Networks,FCN)获得。输入的原始医疗影像尺寸可以为1600*1600像素,批处理大小为2,学习率0.00001,最大迭代次数10000。
其中,FCN用于对图像进行像素级的分类,解决语义级别的图像分割问题。FCN可以接受任意尺寸的输入图像,采用反卷积层对最后一个卷积层的特征图(feature map)进行上采样,使它恢复到输入图像相同的尺寸,从而可以对每个像素都产生了一个预测,同时保留了原始输入图像中的空间信息,最后在上采样的特征图上进行逐像素分类。
对病变区域块以及病变轮廓的医疗影像样本进行标注时,需要大量的专业技术人员(如,医学专家)进行像素级标注,以将肿块区域作为检测目标,将其它区域作为背景。这会耗费大量的人力成本和时间成本,获得的标注了病变轮廓的医疗影像样本也较少。
为增多标注了病变轮廓的医疗影像样本的数据量,本申请实施例中,将标注了病变轮廓的医疗影像样本进行数据增强。
其中,数据增强是指对(有限)训练数据通过某种变换操作,从而生成新数据的过程。数据增强常用的方式为:旋转图像,剪切图像,改变图像色差,扭曲图像特征,改变图像尺寸大小,增强图像噪音(一般使用高斯噪音,盐椒噪音)等。
由于标注了病变轮廓的医疗影像样本较少,而模型训练需要大量的训练数据,因此,本申请实施例中,在对分割模型进行训练的过程中,依次通过自然图像样本和普通医疗影像样本对分割模型进行权重初始化,然后,通过标注了病变轮廓的医疗影像样本,对权重初始化后的分割模型进行迁移学习。
其中,迁移学习是运用已存有的知识对不同但相关领域问题进行求解的新的一种机器学习方法。它放宽了传统机器学习中的两个基本假设,目的是迁移已有的知识来解决目标领域中仅有少量有标签样本数据甚至没有的学习问题。
可选的,自然图像样本可以采用Pascal VOC数据集。普通医疗影像样本可以采用乳腺钼靶摄影数字化数据库(The Digital Database for Screening Mammography,)DDSM。标注了病变轮廓的医疗影像样本的数量可以为1000+。
这样,就可以通过分割模型分割出病变区域,以及对病变区域的边界进行精确定位。
步骤202:控制设备对病变区域块进行形态学操作,获得操作后的病变区域块。
这样,通过形态学操作可以使得相邻区域进行整合,并填充较小空洞,以及去除面积较小的离散区域,以便后续病变等级识别,减少误报率。
可选的,根据实际应用场景的不同,步骤202也可以不执行,在此不做限制。
步骤203:控制设备通过识别模型对病变区域块进行识别,获得病变等级指示信息。
具体的,识别模型采用标注了病变区域块的病变等级的医疗影像样本,对基于深度神经网络或卷积神经网络建立的模型进行训练获得的,用于确定每一病变等级的概率,进而根据获得的概率确定相应的病变等级指示信息。
可选的,识别模型可以基于卷积神经网络inceptionV3,或者,残差网络Resnet获得。模型训练时,可以采用下降算法RMSprop,批处理大小可以为64,初始学习率为0.01,最大迭代次数为100000。识别模型的输出类型可以设置为2。标注了病变区域块的病变等级的医疗影像样本的数量通常为2000+。
其中,病变等级指示信息用于指示病变的程度,即等级。可选的,病变等级可以包括恶性肿块以及良性肿块。
在对病变区域块的病变等级的医疗影像样本进行标注时,需要大量的专业技术人员(如,医学专家)进行标注,以指示病变等级(如,将疑似恶性肿块作为正样本,将良性肿块作为负样本)。这会耗费大量的人力成本和时间成本,获得的标注了病变区域块的病变等级的医疗影像样本也较少。
其中,为便于精确识别,非良性肿块的医疗影像样本需要包含整个肿块区域以及少量背景区域。
为增多标注了病变区域块的病变等级的医疗影像样本的数据量,本申请实施例中,将标注了病变区域块的病变等级的医疗影像样本进行数据增强。
若医疗影像样本为钼靶图片,则数据增强主要采用翻转和裁剪的方式,无须进行颜色空间的数据增强。实际应用中,可以根据实际需求对数据增强的具体实施方式进行调整,在此不做限制。
由于标注了病变区域块的病变等级的医疗影像样本较少,而模型训练需要大量的训练数据,因此,本申请实施例中,在对识别模型进行训练的过程中,依次通过包含图像分类信息的分类图像样本和普通医疗影像样本对识别模型进行权重初始化,接着,通过标注了病变区域块的病变等级的医疗影像样本,对权重初始化后的识别模型进行迁移学习。
可选的,包含图像分类信息的分类图像样本可以采用图像网络集合(ImageNet)数据集。ImageNet是一个计算机视觉系统识别项目名称,是目前世界上图像识别最大的数据库,模拟人类的识别系统建立的。普通医疗影像样本可以采用DDSM。
这样,通过识别模型可以提高病变识别的精度,减少误报率。
步骤204:控制设备在原始医疗影像上合成病变区域块的病变等级指示信息以及病变轮廓,获得病变诊断图像。
具体的,执行步骤204时,可以采用以下几种方式:
第一种方式为:控制设备根据病变区域块的病变等级指示信息,在原始医疗影像上合成指定病变等级的病变区域块的病变等级指示信息以及病变轮廓,输出获得的病变诊断图像。
例如,控制设备获得3个病变区域块的病变等级指示信息以及相应的病变轮廓。病变区域块a的病变等级指示信息为恶性肿块。病变区域块b和病变区域块c的病变等级指示信息为良性肿块。指定病变等级为恶性肿块,则控制设备在原始医疗影像上合成病变区域块a的病变等级指示信息以及病变轮廓,输出病变诊断图像。
第二种方式为:控制设备在原始医疗影像上合成所有病变区域块的病变等级指示信息以及病变轮廓,输出病变诊断图像。
可选的,病变诊断图像中呈现病变轮廓后,可以根据病变等级指示信息,采用高亮、不同颜色或者文字描述的方式呈现病变等级。在此不作限制。
例如,用红色表示病变等级为恶性肿块,用蓝色表示病变等级为良性肿块。又例如,通过文字描述的方式,指示病变等级为恶性肿块或良性肿块。
参阅图3所示,为一种病变诊断图像示例图。图3中的a-f为各病变诊断图像。个病变诊断图像中均合成有病变轮廓以及病变等级指示信息。其中,各病变诊断图像中均采用颜色(图3中以白色为例)指示病变等级。
参阅图4所示,为一种医疗影像处理的应用场景示意图。控制设备对输入的原始医疗影像进行医疗影像处理,输出病变诊断图像。为便于与原始医疗影像区分,图4中的病变诊断图像中虚线矩形框内包含的白色区域为病变轮廓,并且病变轮廓对应的病变等级为恶性肿块。
这样,通过病变诊断图像,用户可以直观的了解患者的病变轮廓以及病变等级,提高了用户的体验。
进一步地,若存在多个相同病变等级的病变区域块,则确定相同病变等级的各病变区域块之间的重叠度,并根据获得的重叠度,对重复的病变区域块进行去重。
可选的,控制设备对病变区域块去重时,可以采用非极大值抑制算法。所谓非极大值抑制算法本质是搜索局部极大值,抑制非极大值元素,物体检测中主要目的是消除多余(交叉重复)的窗口,找到最佳物体检测位置。
这样,就可以去除重叠的病变区域块。可选的,重叠度阈值可以设置为50%,目的是降低误报率,以及提高病变区域定位的准确性。
本申请实施例中,通过分割模型获得原始医疗影像中的病变区域块,以及病变区域块中的病变轮廓,通过识别模型识别出病变区域块的病变等级指示信息。最后,在原始医疗影像上合成病变区域块的病变等级指示信息以及病变轮廓,输出病变诊断图像。这样,可以确定病变区域的精确边界,对病变进行精确定位,降低了病变识别的误报率,实现病变识别的精确判定。
基于同一发明构思,本申请实施例中还提供了一种医疗影像的处理装置,由于上述装置及设备解决问题的原理与一种医疗影像的处理方法相似,因此,上述装置的实施可以参见方法的实施,重复之处不再赘述。
如图5示,其为本申请实施例提供的一种医疗影像的处理装置的结构示意图。一种医疗影像的处理装置包括:
获取单元501,用于获取待识别的原始医疗影像;
分割单元502,用于通过分割模型获得原始医疗影像中的病变区域块和病变区域块中的病变轮廓;
识别单元503,用于通过识别模型对病变区域块进行识别,获得病变等级指示信息;
合成单元504,用于生成病变诊断图像,病变诊断图像是在原始医疗影像上合成病变区域块的病变等级指示信息以及病变轮廓的图像。
较佳的,分割模型是基于卷积神经网络训练获得的;
其中,在对分割模型进行训练的过程中,依次通过自然图像样本和普通医疗影像样本对分割模型进行权重初始化,并通过标注了病变轮廓的医疗影像样本,对权重初始化后的分割模型进行迁移学习。
较佳的,识别模型是基于深度神经网络或卷积神经网络训练获得的;
其中,在对识别模型进行训练的过程中,依次通过包含图像分类信息的分类图像样本和普通医疗影像样本对识别模型进行权重初始化,并通过标注了病变区域块的病变等级的医疗影像样本,对权重初始化后的识别模型进行迁移学习。
较佳的,获取单元501还用于:
对原始医疗影像进行预处理,其中,预处理包括以下方式中的任意一种或任意组合:
归一化、二值化操作、形态学开操作、直方图均衡处理以及双边滤波处理。
较佳的,分割单元502还用于:
对病变区域块进行形态学操作,获得操作后的病变区域块。
较佳的,识别单元503还用于:
若存在多个相同病变等级的病变区域块,则确定相同病变等级的各病变区域块之间的重叠度;
根据获得的重叠度,对病变区域块进行去重。
本申请实施例提供的一种医疗影像的处理方法、装置、设备和系统中,通过分割模型获得原始医疗影像中的病变区域块和病变区域块中的病变轮廓,并通过识别模型识别出病变区域块的病变等级指示信息,以及在原始医疗影像上合成病变区域块的病变等级指示信息以及病变轮廓,输出病变诊断图像。这样,可以确定病变轮廓的精确边界,对病变进行精确定位,降低病变识别的误报率,实现病变识别的精确判定。
参阅图6所示,为一种控制设备的结构示意图。基于同一技术构思,本申请实施例还提供了一种控制设备,可以包括存储器601和处理器602。
所述存储器601,用于存储处理器602执行的计算机程序。存储器601可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。处理器602,可以是一个中央处理单元(central processing unit,CPU),或者为数字处理单元等。本申请实施例中不限定上述存储器601和处理器602之间的具体连接介质。本申请实施例在图6中以存储器601和处理器602之间通过总线603连接,总线603在图6中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。所述总线603可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器601可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储器601也可以是非易失性存储器(non-volatilememory),例如只读存储器,快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)、或者存储器601是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器601可以是上述存储器的组合。
处理器602,用于调用所述存储器601中存储的计算机程序时执行如图2中所示的实施例提供的医疗影像的处理方法。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任意方法实施例中的医疗影像的处理方法。
参阅图7所示,为一种医疗系统的架构示意图。基于同一技术构思,本申请实施例还提供了一种医疗系统,包括影像采集装置701、影像识别装置702和显示装置703。
医疗系统主要应用于医院,将医学和计算机等多种学科相融合,辅助医疗工作人员的疾病诊断。
其中,影像采集装置701主要用于采集病人的原始医疗影像,如,用于采集钼靶图片的钼靶摄影装置,以及用于采集食管影像的内窥镜等。
影像识别装置702,用于通过分割模型获得原始医疗影像中的病变区域块和病变区域块中的病变轮廓,并通过识别模型对病变区域块进行识别,获得病变等级指示信息,以及生成病变诊断图像,从而可以辅助医疗工作人员的疾病诊断。具体的,影像识别装置702根据原始医疗影像生成病变诊断图像的具体步骤,参见上述实施例。影像识别装置702为可以安装各类应用程序以及数据处理的电子设备,该电子设备可以是移动的,也可以是固定的。例如,服务器、手机、平板电脑、车载设备、PDA或其它能够实现上述功能的电子设备等。
显示装置703,用于呈现病变诊断图像。显示装置703可用于显示由用户输入的信息、接收的信息以及装置显示界面等,可以包括显示面板。显示面板可以采用液晶显示屏(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置。影像识别装置702和显示装置703可以分开设置,也可以合并设置,合并设置例如手机、笔记本电脑或平板电脑等。
可选的,医疗系统还可以包括打印机、电源等设备,以便为医疗工作人员提供更加便利的服务。
医疗系统中的影像识别装置702从影像采集装置701中获取原始医疗影像,并根据原始医疗影像生成病变诊断图像,以及将病变诊断图像传输给显示装置703显示。影像识别装置702通信连接影像采集装置701,并通信连接显示装置703,一般情况下,影像采集装置701和影像识别装置702之间可能会有一定的距离,可以采用通信电缆的方式实现通信连接。影像采集装置701和影像识别装置702之间也可能通过互联网实现通信连接,影像识别装置702远程接收原始医疗影像。影像识别装置702和显示装置703之间也可能通过互联网实现远程的通信连接,实现远程显示会诊等。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台控制设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (14)
1.一种医疗影像的处理方法,其特征在于,包括:
获取待识别的原始医疗影像;
通过分割模型获得所述原始医疗影像中的病变区域块和病变区域块中的病变轮廓;
通过识别模型对所述病变区域块进行识别,获得病变等级指示信息;
生成病变诊断图像,所述病变诊断图像是在所述原始医疗影像上合成所述病变区域块的病变等级指示信息以及病变轮廓的图像。
2.如权利要求1所述的方法,其特征在于,所述分割模型是基于卷积神经网络训练获得的;
其中,在对所述分割模型进行训练的过程中,依次通过自然图像样本和普通医疗影像样本对所述分割模型进行权重初始化,并通过标注了病变轮廓的医疗影像样本,对权重初始化后的分割模型进行迁移学习。
3.如权利要求1所述的方法,其特征在于,所述识别模型是基于深度神经网络或卷积神经网络训练获得的;
其中,在对所述识别模型进行训练的过程中,依次通过包含图像分类信息的分类图像样本和普通医疗影像样本对所述识别模型进行权重初始化,并通过标注了病变区域块的病变等级的医疗影像样本,对权重初始化后的识别模型进行迁移学习。
4.如权利要求1-3任一项所述的方法,其特征在于,在通过分割模型获得所述原始医疗影像中的病变区域块和病变区域块中的病变轮廓之前,进一步包括:
对所述原始医疗影像进行预处理,其中,所述预处理包括以下方式中的任意一种或任意组合:
归一化、二值化操作、形态学开操作、直方图均衡处理以及双边滤波处理。
5.如权利要求1-3任一项所述的方法,其特征在于,在通过识别模型对所述病变区域块进行识别,获得病变等级指示信息之前,进一步包括:
对病变区域块进行形态学操作,获得操作后的病变区域块。
6.如权利要求1-3任一项所述的方法,其特征在于,在生成病变诊断图像之前,进一步包括:
若存在多个相同病变等级的病变区域块,则确定相同病变等级的各病变区域块之间的重叠度;
根据获得的重叠度,对病变区域块进行去重。
7.一种医疗影像的处理装置,其特征在于,包括:
获取单元,用于获取待识别的原始医疗影像;
分割单元,用于通过分割模型获得所述原始医疗影像中的病变区域块和病变区域块中的病变轮廓;
识别单元,用于通过识别模型对所述病变区域块进行识别,获得病变等级指示信息;
合成单元,用于生成病变诊断图像,所述病变诊断图像是在所述原始医疗影像上合成所述病变区域块的病变等级指示信息以及病变轮廓的图像。
8.如权利要求7所述的装置,其特征在于,所述分割模型是基于卷积神经网络训练获得的;
其中,在对所述分割模型进行训练的过程中,依次通过自然图像样本和普通医疗影像样本对所述分割模型进行权重初始化,并通过标注了病变轮廓的医疗影像样本,对权重初始化后的分割模型进行迁移学习。
9.如权利要求7所述的装置,其特征在于,所述识别模型是基于深度神经网络或卷积神经网络训练获得的;
其中,在对所述识别模型进行训练的过程中,依次通过包含图像分类信息的分类图像样本和普通医疗影像样本对所述识别模型进行权重初始化,并通过标注了病变区域块的病变等级的医疗影像样本,对权重初始化后的识别模型进行迁移学习。
10.如权利要求7-9任一项所述的装置,其特征在于,所述获取单元还用于:
对所述原始医疗影像进行预处理,其中,所述预处理包括以下方式中的任意一种或任意组合:
归一化、二值化操作、形态学开操作、直方图均衡处理以及双边滤波处理。
11.如权利要求7-9任一项所述的装置,其特征在于,所述分割单元还用于:
对病变区域块进行形态学操作,获得操作后的病变区域块。
12.如权利要求7-9任一项所述的装置,其特征在于,所述识别单元还用于:
若存在多个相同病变等级的病变区域块,则确定相同病变等级的各病变区域块之间的重叠度;
根据获得的重叠度,对病变区域块进行去重。
13.一种控制设备,其特征在于,包括:
至少一个存储器,用于存储程序指令;
至少一个处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行上述权利要求1-6任一项所述的方法的步骤。
14.一种医疗系统,其特征在于,包括影像采集装置、影像识别装置和显示装置,所述影像识别装置分别通信连接所述影像采集装置和所述显示装置,其中:
所述影像识别装置,用于采集病人的原始医疗影像;
所述影像识别装置,用于通过分割模型获得所述原始医疗影像中的病变区域块和病变区域块中的病变轮廓,并通过识别模型对所述病变区域块进行识别,获得病变等级指示信息,以及生成病变诊断图像,所述病变诊断图像是在所述原始医疗影像上合成所述病变区域块的病变等级指示信息以及病变轮廓的图像;
所述显示装置,用于呈现所述病变诊断图像。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910173138.4A CN110033456B (zh) | 2019-03-07 | 2019-03-07 | 一种医疗影像的处理方法、装置、设备和系统 |
CN201910755558.3A CN110458883B (zh) | 2019-03-07 | 2019-03-07 | 一种医疗影像的处理系统、方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910173138.4A CN110033456B (zh) | 2019-03-07 | 2019-03-07 | 一种医疗影像的处理方法、装置、设备和系统 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910755558.3A Division CN110458883B (zh) | 2019-03-07 | 2019-03-07 | 一种医疗影像的处理系统、方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110033456A true CN110033456A (zh) | 2019-07-19 |
CN110033456B CN110033456B (zh) | 2021-07-09 |
Family
ID=67235135
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910755558.3A Active CN110458883B (zh) | 2019-03-07 | 2019-03-07 | 一种医疗影像的处理系统、方法、装置和设备 |
CN201910173138.4A Active CN110033456B (zh) | 2019-03-07 | 2019-03-07 | 一种医疗影像的处理方法、装置、设备和系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910755558.3A Active CN110458883B (zh) | 2019-03-07 | 2019-03-07 | 一种医疗影像的处理系统、方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN110458883B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675464A (zh) * | 2019-09-20 | 2020-01-10 | 和宇健康科技股份有限公司 | 一种医疗影像的处理方法、装置、服务器及存储介质 |
CN110827958A (zh) * | 2019-11-01 | 2020-02-21 | 越亮传奇科技股份有限公司 | 一种医疗影像数据及时采集系统与方法 |
CN111260648A (zh) * | 2020-05-06 | 2020-06-09 | 杭州迪英加科技有限公司 | 胃粘膜esd切除标本图像的病变区域测量方法、装置 |
CN111340805A (zh) * | 2020-04-16 | 2020-06-26 | 张东 | B超图像处理装置、脂肪肝b超图像处理装置及b超系统 |
CN111402252A (zh) * | 2020-04-02 | 2020-07-10 | 杨仙莲 | 精准医疗图像分析方法及机器人手术系统 |
CN111863204A (zh) * | 2020-07-22 | 2020-10-30 | 北京青燕祥云科技有限公司 | 基于钼靶x线摄影检查的乳腺疾病ai辅助诊断方法及系统 |
CN112396589A (zh) * | 2020-11-24 | 2021-02-23 | 上海联影智能医疗科技有限公司 | 基于医疗影像识别的疾病检测方法、电子设备及可读介质 |
CN112489799A (zh) * | 2020-12-02 | 2021-03-12 | 深圳市罗湖医院集团 | 社区居民健康辅助诊断方法、平台及终端 |
WO2021082691A1 (zh) * | 2019-10-30 | 2021-05-06 | 平安科技(深圳)有限公司 | 眼部oct图像病灶区域的分割方法、装置及终端设备 |
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 |
TWI735187B (zh) * | 2020-03-22 | 2021-08-01 | 萬里雲互聯網路有限公司 | 影像識別方法及其系統 |
CN113450305A (zh) * | 2020-03-26 | 2021-09-28 | 太原理工大学 | 医疗图像的处理方法、系统、设备及可读存储介质 |
US11379980B2 (en) | 2020-06-24 | 2022-07-05 | Beijing Baidu Netcom Science Technology Co., Ltd. | Image processing method, apparatus, electronic device and storage medium |
CN115019972A (zh) * | 2022-06-09 | 2022-09-06 | 雅图(重庆)医疗器械有限公司 | 一种基于大数据分析的医疗影像数据共享系统 |
US11984225B2 (en) | 2019-05-22 | 2024-05-14 | Tencent Technology (Shenzhen) Company Limited | Medical image processing method and apparatus, electronic medical device, and storage medium |
CN118247273A (zh) * | 2024-05-28 | 2024-06-25 | 深圳市安立信电子有限公司 | 一种内窥镜图像检测方法、系统、设备及介质 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111341419A (zh) * | 2020-02-19 | 2020-06-26 | 京东方科技集团股份有限公司 | 医学图像的处理方法、装置、系统、控制系统及存储介质 |
CN111407450B (zh) * | 2020-03-02 | 2021-12-17 | 宁波市兰隆光电科技有限公司 | 利用区块链的洗牙需求解析平台 |
US11610306B2 (en) | 2020-12-16 | 2023-03-21 | Industrial Technology Research Institute | Medical image analysis method and device |
CN112911165B (zh) * | 2021-03-02 | 2023-06-16 | 杭州海康慧影科技有限公司 | 内窥镜曝光方法、装置及计算机可读存储介质 |
CN113553460B (zh) * | 2021-08-13 | 2022-06-28 | 北京安德医智科技有限公司 | 影像检索方法及装置、电子设备和存储介质 |
CN113592027B (zh) * | 2021-08-16 | 2024-07-23 | 南京工程学院 | 一种基于迁移学习的医疗图像分类方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101061513A (zh) * | 2004-11-22 | 2007-10-24 | 伊斯曼柯达公司 | 超声图像中病变的检测和分类 |
CN101103924A (zh) * | 2007-07-13 | 2008-01-16 | 华中科技大学 | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 |
CN101546430A (zh) * | 2009-04-30 | 2009-09-30 | 上海大学 | 基于简化型脉冲耦合神经网络的边缘提取方法 |
CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的系统和方法 |
US8488863B2 (en) * | 2008-11-06 | 2013-07-16 | Los Alamos National Security, Llc | Combinational pixel-by-pixel and object-level classifying, segmenting, and agglomerating in performing quantitative image analysis that distinguishes between healthy non-cancerous and cancerous cell nuclei and delineates nuclear, cytoplasm, and stromal material objects from stained biological tissue materials |
CN103679685A (zh) * | 2012-09-11 | 2014-03-26 | 北京三星通信技术研究有限公司 | 图像处理系统和图像处理方法 |
CN104268873A (zh) * | 2014-09-25 | 2015-01-07 | 南京信息工程大学 | 基于核磁共振图像的乳腺肿瘤分割方法 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
CN106780436A (zh) * | 2016-11-18 | 2017-05-31 | 北京郁金香伙伴科技有限公司 | 一种医疗影像显示参数确定方法及装置 |
CN107657602A (zh) * | 2017-08-09 | 2018-02-02 | 武汉科技大学 | 基于两次迁移卷积神经网络的乳腺结构紊乱识别方法 |
CN108510482A (zh) * | 2018-03-22 | 2018-09-07 | 姚书忠 | 基于阴道镜图像的宫颈癌检测方法、装置、设备及介质 |
CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10521902B2 (en) * | 2015-10-14 | 2019-12-31 | The Regents Of The University Of California | Automated segmentation of organ chambers using deep learning methods from medical imaging |
-
2019
- 2019-03-07 CN CN201910755558.3A patent/CN110458883B/zh active Active
- 2019-03-07 CN CN201910173138.4A patent/CN110033456B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101061513A (zh) * | 2004-11-22 | 2007-10-24 | 伊斯曼柯达公司 | 超声图像中病变的检测和分类 |
CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的系统和方法 |
CN101103924A (zh) * | 2007-07-13 | 2008-01-16 | 华中科技大学 | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 |
US8488863B2 (en) * | 2008-11-06 | 2013-07-16 | Los Alamos National Security, Llc | Combinational pixel-by-pixel and object-level classifying, segmenting, and agglomerating in performing quantitative image analysis that distinguishes between healthy non-cancerous and cancerous cell nuclei and delineates nuclear, cytoplasm, and stromal material objects from stained biological tissue materials |
CN101546430A (zh) * | 2009-04-30 | 2009-09-30 | 上海大学 | 基于简化型脉冲耦合神经网络的边缘提取方法 |
CN103679685A (zh) * | 2012-09-11 | 2014-03-26 | 北京三星通信技术研究有限公司 | 图像处理系统和图像处理方法 |
CN104268873A (zh) * | 2014-09-25 | 2015-01-07 | 南京信息工程大学 | 基于核磁共振图像的乳腺肿瘤分割方法 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
CN106780436A (zh) * | 2016-11-18 | 2017-05-31 | 北京郁金香伙伴科技有限公司 | 一种医疗影像显示参数确定方法及装置 |
CN107657602A (zh) * | 2017-08-09 | 2018-02-02 | 武汉科技大学 | 基于两次迁移卷积神经网络的乳腺结构紊乱识别方法 |
CN108510482A (zh) * | 2018-03-22 | 2018-09-07 | 姚书忠 | 基于阴道镜图像的宫颈癌检测方法、装置、设备及介质 |
CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11984225B2 (en) | 2019-05-22 | 2024-05-14 | Tencent Technology (Shenzhen) Company Limited | Medical image processing method and apparatus, electronic medical device, and storage medium |
CN110675464A (zh) * | 2019-09-20 | 2020-01-10 | 和宇健康科技股份有限公司 | 一种医疗影像的处理方法、装置、服务器及存储介质 |
WO2021082691A1 (zh) * | 2019-10-30 | 2021-05-06 | 平安科技(深圳)有限公司 | 眼部oct图像病灶区域的分割方法、装置及终端设备 |
CN110827958A (zh) * | 2019-11-01 | 2020-02-21 | 越亮传奇科技股份有限公司 | 一种医疗影像数据及时采集系统与方法 |
CN110827958B (zh) * | 2019-11-01 | 2023-04-25 | 越亮传奇科技股份有限公司 | 一种医疗影像数据及时采集系统与方法 |
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 |
TWI735187B (zh) * | 2020-03-22 | 2021-08-01 | 萬里雲互聯網路有限公司 | 影像識別方法及其系統 |
CN113450305A (zh) * | 2020-03-26 | 2021-09-28 | 太原理工大学 | 医疗图像的处理方法、系统、设备及可读存储介质 |
CN111402252A (zh) * | 2020-04-02 | 2020-07-10 | 杨仙莲 | 精准医疗图像分析方法及机器人手术系统 |
CN111340805A (zh) * | 2020-04-16 | 2020-06-26 | 张东 | B超图像处理装置、脂肪肝b超图像处理装置及b超系统 |
CN111260648A (zh) * | 2020-05-06 | 2020-06-09 | 杭州迪英加科技有限公司 | 胃粘膜esd切除标本图像的病变区域测量方法、装置 |
US11379980B2 (en) | 2020-06-24 | 2022-07-05 | Beijing Baidu Netcom Science Technology Co., Ltd. | Image processing method, apparatus, electronic device and storage medium |
CN111863204A (zh) * | 2020-07-22 | 2020-10-30 | 北京青燕祥云科技有限公司 | 基于钼靶x线摄影检查的乳腺疾病ai辅助诊断方法及系统 |
CN112396589A (zh) * | 2020-11-24 | 2021-02-23 | 上海联影智能医疗科技有限公司 | 基于医疗影像识别的疾病检测方法、电子设备及可读介质 |
CN112489799A (zh) * | 2020-12-02 | 2021-03-12 | 深圳市罗湖医院集团 | 社区居民健康辅助诊断方法、平台及终端 |
CN115019972A (zh) * | 2022-06-09 | 2022-09-06 | 雅图(重庆)医疗器械有限公司 | 一种基于大数据分析的医疗影像数据共享系统 |
CN115019972B (zh) * | 2022-06-09 | 2024-03-15 | 韦涛 | 一种基于大数据分析的医疗影像数据共享系统 |
CN118247273A (zh) * | 2024-05-28 | 2024-06-25 | 深圳市安立信电子有限公司 | 一种内窥镜图像检测方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110458883B (zh) | 2021-07-13 |
CN110033456B (zh) | 2021-07-09 |
CN110458883A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033456A (zh) | 一种医疗影像的处理方法、装置、设备和系统 | |
US11984217B2 (en) | Method and apparatus for processing histological image captured by medical imaging device | |
Qureshi et al. | Medical image segmentation using deep semantic-based methods: A review of techniques, applications and emerging trends | |
RU2765619C1 (ru) | Компьютерная классификация биологической ткани | |
Orlando et al. | An ensemble deep learning based approach for red lesion detection in fundus images | |
CN110337258B (zh) | 使用可编程光源对图像进行多类分类的系统和方法 | |
Pogorelov et al. | Deep learning and hand-crafted feature based approaches for polyp detection in medical videos | |
CN112041912A (zh) | 用于诊断肠胃肿瘤的系统和方法 | |
CN109191476A (zh) | 基于U-net网络结构的生物医学图像自动分割新方法 | |
CN110363768A (zh) | 一种基于深度学习的早期癌病灶范围预测辅助系统 | |
CN111954805A (zh) | 用于光学组织学图像的分析和远程解译的系统和方法 | |
Joshi et al. | Glaucoma detection using image processing and supervised learning for classification | |
CN110517256A (zh) | 一种基于人工智能的早期癌辅助诊断系统 | |
Shanthini et al. | Threshold segmentation based multi-layer analysis for detecting diabetic retinopathy using convolution neural network | |
US20230368379A1 (en) | Image processing method and apparatus | |
CN110974179A (zh) | 一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统 | |
Sornapudi et al. | Automated cervical digitized histology whole-slide image analysis toolbox | |
Gupta et al. | Optimized feature selection approach for smartphone based diabetic retinopathy detection | |
CN114372985B (zh) | 适应多中心图像的糖尿病视网膜病变病灶分割方法及系统 | |
Zhou et al. | Anterior chamber angle classification in anterior segment optical coherence tomography images using hybrid attention based pyramidal convolutional network | |
Seoni et al. | All you need is data preparation: A systematic review of image harmonization techniques in Multi-center/device studies for medical support systems | |
Li et al. | A deep-learning-enabled monitoring system for ocular redness assessment | |
Rao et al. | OTONet: Deep Neural Network for Precise Otoscopy Image Classification | |
To et al. | MetaAttention model: a new approach for skin lesion diagnosis using AB features and attention mechanism | |
Park et al. | Diabetic retinopathy classification using c4. 5 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |