CN110148192A - 医学影像成像方法、装置、计算机设备和存储介质 - Google Patents
医学影像成像方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110148192A CN110148192A CN201910313993.0A CN201910313993A CN110148192A CN 110148192 A CN110148192 A CN 110148192A CN 201910313993 A CN201910313993 A CN 201910313993A CN 110148192 A CN110148192 A CN 110148192A
- Authority
- CN
- China
- Prior art keywords
- image
- interest
- area
- prediction
- medical image
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 62
- 239000003814 drug Substances 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 54
- 238000000638 solvent extraction Methods 0.000 claims description 42
- 230000003902 lesion Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 14
- 238000012952 Resampling Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 210000002307 prostate Anatomy 0.000 description 16
- 238000002597 diffusion-weighted imaging Methods 0.000 description 15
- 238000002595 magnetic resonance imaging Methods 0.000 description 14
- 206010028980 Neoplasm Diseases 0.000 description 13
- 201000011510 cancer Diseases 0.000 description 13
- 238000009792 diffusion process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000002059 diagnostic imaging Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910052688 Gadolinium Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000004089 microcirculation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 201000001514 prostate carcinoma Diseases 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种医学影像成像方法、装置、计算机设备和存储介质。所述方法包括：获取原始医学影像和分割信息；将原始医学影像进行灰度校正和图像增强，得到待分割图像；基于分割信息，从待分割图像中分割出多个感兴趣区域；将各感兴趣区域输入组合预测模型，得到各感兴趣区域对应的预测概率；根据各预测概率生成目标医学影像。采用本方法能够缩短时间且不会对病患产生副作用。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种医学影像成像方法、装置、计算机设备和存储介质。
背景技术
磁共振成像(Magnetic Resonance Imaging，MRI)通过磁场能够得知原子位置绘制物体内部结构，具有非侵入性、无电离、辐射等特定，其所获得的图像清晰、精细、分辨率高且对比度好，尤其是对软组织层次显示非常好。因此，通常使用MRI作为器官癌症影像学诊断手段，尤其是前列腺。前列腺是威胁全球数百万男性生命的最常见的癌症类型，是导致男性死亡的第二大癌症，MRI是很重要的前列腺癌症影像学诊断手段。MRI包括多种模态成像，例如T1加权像(T1W)、T2加权像(T2W)、扩散加权成像(Diffusion Weighted Imaging,DWI)、表现弥散系数(Apparent Diffusion Coefficient,ADC)以及动态增强扫描(DCE-MRI)等。其中，T1W和T2W都能良好的反映组织结构，T2W还能够反映组织内的病变区域。DWI则是侧重反映组织间水分子扩散情况的对比，ADC是反映水分子的弥散强度的弥散系数，同时ADC和DWI是从不同角度对器官病灶进行表现。动态增强扫描则扫描病变形态学信息，也可以反映内部微循环改变情况。
然而，针对不能明确判断病变、病变界限不清或者有进一步需求的癌症病人，不仅需要提高MR影像对病变区域的检出率，还需要更清晰地显示病灶。传统是通过对病人增加进行动态增强扫描从而对病灶部位进行确定，但是动态增强扫描不仅扫描时间长，还需要提前通过静脉注射造影剂。造影剂不仅含有顺磁性物质钆，且排出速度还与人体的代谢能力有关系，从而导致对病患产生一定的副作用。
发明内容
基于此，有必要针对上述技术问题，提供一种能够快速且无副作用的医学影像成像方法、装置、计算机设备和存储介质。
一种医学影像成像方法，所述方法包括：
获取原始医学影像和分割信息；
将所述原始医学影像进行灰度校正和图像增强，得到待分割图像；
基于所述分割信息，从所述待分割图像中分割出多个感兴趣区域；
将各所述感兴趣区域输入组合预测模型，得到各所述感兴趣区域对应的预测概率；
根据各所述预测概率生成目标医学影像。
在其中一个实施例中，所述基于所述分割信息，从所述待分割图像中分割出多个感兴趣区域包括：
从所述分割信息中获取分割数量和分割算法；
基于所述分割算法和分割数量，从所述待分割图像中提取感兴趣区域。
在其中一个实施例中，所述组合预测模型包括多个预测模型；将各所述感兴趣区域输入所述组合预测模型，得到各所述感兴趣区域对应的预测概率包括：
各所述预测模型分别对所述感兴趣区域进行预测，得到至少一个预测概率；
根据各所述预测概率计算得到感兴趣区域对应的最终预测概率。
在其中一个实施例中，所述根据各所述预测概率生成目标医学影像包括：
获取所述原始医学影像中每个像素对应的所述预测概率；
计算各所述像素对应的所述预测概率的均值，并根据所述均值生成概率图；
将所述概率图和所述原始医学图像叠加生成目标医学影像，或确定所述概率图为目标医学影像。
在其中一个实施例中，所述将各所述感兴趣区域输入组合预测模型，得到各所述感兴趣区域对应的预测概率之前包括：
获取预设尺寸；
根据所述预设尺寸将各所述感兴趣区域进行尺寸填充。
在其中一个实施例中，获取预设分割信息和预设组合预测模型；或
获取终端发送的分割信息和预测模型，根据所述预测模型确定组合预测模型。
在其中一个实施例中，所述获取医学影像和分割信息之前还包括训练组合预测模型；所述训练组合预测模型包括：
获取医学影像样本和病灶标注样本；
将所述医学影像样本进行重采样，并根据所述病灶标注样本随机裁剪，得到正样本和负样本；
将所述正样本和所述负样本和输入至所述组合预测模型中进行训练。
一种医学影像成像装置，所述装置包括：
获取模块，用于获取原始医学影像和分割信息；
预处理模块，用于将所述原始医学影像进行灰度校正和图像增强，得到待分割图像；
分割模块，用于基于所述分割信息，从所述待分割图像中分割出多个感兴趣区域；
预测模块，将各所述感兴趣区域输入组合预测模型，得到各所述感兴趣区域对应的预测概率；
生成模块，用于根据各所述预测概率生成目标医学影像。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项所述的医学影像成像方法。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述任一项所述的医学影像成像方法。
上述医学影像成像方法、装置、计算机设备和存储介质，获取原始医学影像和分割信息后，将原始医学影像进行灰度校正和图像增强得到待分割图像，从而避免待分割图像产生较多的癌症疑似区域。然后将基于分割信息从待分割图像中提取出的感兴趣区域输入至组合预测模型，得到预测概率。从而根据预测概率生成目标医学影像，帮助影像科医生进行癌症病灶的预判。无需病患进一步进行动态增强扫描，不仅成像时间快，还不会对病患产生副作用。
附图说明
图1为一个实施例中医学影像成像方法的应用环境图；
图2为一个实施例医学影像成像方法的流程示意图；
图3为一个实施例中不同尺寸感兴趣区域示意图；
图4为一个实施例中基于分割信息从待分割图像中分割出多个感兴趣区域步骤的流程示意图；
图5为一个实施例中根据预测概率生成目标医学影像步骤的流程示意图；
图6为一个实施例中组合预测模型结构示意图；
图7为一个实施例中医学影像成像装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处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。
本申请提供的医学影像成像方法，可以应用于如图1所示的应用环境中。其中，计算机设备102通过网络与医学成像设备104进行通信。计算机设备102获取原始医学影像和分割信息，原始医学影像从医学成像设备104获取。计算机设备102将原始医学影像进行灰度校正和图像增强，得到待分割图像。计算机设备102基于分割信息，从待分割图像中分割出多个感兴趣区域。计算机设备102将各感兴趣区域输入组合预测模型，得到各感兴趣区域对应的预测概率。计算机设备102根据各预测概率生成目标医学影像。其中，计算机设备102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，医学成像设备104包括但不限于CT设备、PET设备、MRI设备、PET/CT设备，PET/MR设备。
在一个实施例中，如图2所示，提供了一种医学影像成像方法，以该方法应用于图1中的计算机设备102为例进行说明，包括以下步骤：
步骤S202，获取原始医学影像和分割信息。
其中，原始医学影像是由医学成像设备对被扫描物体进行扫描得到的包含目标扫描部位的医学图像。分割信息是指当医学影像进行分割时所用到的与分割相关联的信息数据，例如分割使用的算法以及分割数量等。
具体地，计算机设备与医学成像设备连接，当医学成像设备扫描得到原始医学影像后，计算机从医学成像设备中获取原始医学影像。例如，以MRI设备，以及目标扫描部位为前列腺为例，由于MRI设备的扩散加权成像DWI和表现弥散系数ADC能够描述水分子的弥散强度，从而能够表示水分子较多的癌症区域。因此，若对前列腺进行癌症诊断扫描时，MRI设备可以通过外部梯度线圈施加一个梯度场获取扩散加权成像DWI和表现弥散系数ADC。当MRI设备扫描获取到扩散加权成像DWI和表现弥散系数ADC后，即可将扩散加权成像DWI和表现弥散系数ADC发送至计算机设备，或者由计算设备主动向MRI设备获取。计算机设备所得到的扩散加权成像DWI和表现弥散系数ADC即为原始医学影像。而分割信息即可由用户，例如用户通过计算机设备的输入装置输入，或者获取预先存储好的分割信息。
步骤S204，将原始医学影像进行灰度校正和图像增强，得到待分割图像。
其中，待分割图像是指经过预处理后的原始医学影像，即经过预处理后同样包括目标扫描部位的图像。预处理则是指灰度校正和图像增强。
具体地，由于病灶区域在原始医学影像上表现为不同的信号值，例如，病灶区域在扩散加权成像DWI上表现为高信号值，而在表现弥散系数ADC上表现则为低信号值。因此，需要对获取的原始医学影像进行度校正和图像增强，由此能够避免原始医学影像产生过多的癌症疑似候选区域，而影响后续对癌症区域的判断。即当计算机设备获取到原始医学影像后，对原始医学影像进行灰度校正和图像增强得到的图像即为待分割图像。
步骤S206，基于分割信息，从待分割图像中分割出多个感兴趣区域。
其中，分割信息包括分割数量和分割算法。分割数量是指对待分割图像进行分割时应该分割的数量，分割算法则是分割所使用的算法。感兴趣区域是待分割图像上目标扫描部位所在的区域。具体地，当计算机设备对获取的原始医学影像进行预处理得到待分割图像后，根据分割数量和分割算法对待分割图像进行分割，得到多个包含目标扫描部位，且尺寸不同的感兴趣区域。
如图3所示，为不同尺寸感兴趣区域示意图。以目标扫描部位为前列腺体为例，计算机设备根据分割数量和分割算法将包括前列腺体的待分割图像进行分割，得到多个尺寸不同的感兴趣区域。每个感兴趣区域均是包含前列腺体的图像。但是，由于感兴趣区域尺寸不同，并不是每个感兴趣区域都是包括整个前列腺体的图像，还有包括部分前列腺体的感兴趣区域。
步骤S208，将各感兴趣区域输入组合预测模型，得到各感兴趣区域对应的预测概率。
其中，组合预测模型是由多个预测模型组合而成的模型，组合预测模型至少包括一个预测模型。预测概率即为组合预测模型对感兴趣区域中进行预测所得到的该感兴趣区域可能为癌症病灶的概率。
具体地，组合预测模型为深度学习网络模型，该组合预测模型为提前训练完成之后部署在计算机设备中。由于组合预测模型包括多个预测模型，即将多个预测模型进行组合训练，预测模型包括但不限于VGG(Visual Geometry Group Network，视觉几何组网络)模型，ResNet(Residual Neural Network，残差网络)模型，InceptionNet模型，SENet(Squeeze-and-Excitation Networks，挤压激励网络)模型，DenseNet(Dense connection，密集网络)模型等。通过融合多个网络模型从而避免单一模型对结果形成偏差，且进行组合训练时采用多个网络模型并行训练方法，保证各网络模型不相互干扰。最后输出时利用集成方法对最终的预测概率结果进行集成，集成方法包括但不限于加权集成、均值融合、投票法等。
由于很多网络模型使用softmax函数回归输出是归一化的，所以每个网络模型在学习过程中会认为该层的输出就是样本属于某类别的概率。以及当使用one-shot编码时则认为该数据只能属于某一类的概率是为1，其他类则为0，这样又将会导致训练所得的网络模型过于倾向于正确标签和错误标签差值大的方向学习，从而对于不同感兴趣区域中的疑似癌症病灶的置信度不一样。因此，在本实施例中，各预测模型的one-shot编码进行标签平滑处理，使得网络模型预测更能拟合真实的预测概率。防止模型把预测值过度集中在概率较大类别上，把一些概率分到其他概率较小类别上。以及，网络训练选择随机梯度下降法进行参数更新。
步骤S210，根据各预测概率生成目标医学影像。
由于不同预测概率对应的感兴趣区域可能是由不同的分割算法所提取，并且各感兴趣区域的尺寸不一致。当多个分割算法分割提取感兴趣区域时，每个分割算法都会提取到同一个像素点，即每个分割算法提取的该像素点都被分割提取到不同的感兴趣区域中。因此，原始医学影像中的同一像素点可能被提取到多个不同的感兴趣区域中。也就是说，当一个像素点被提取到不同的感兴趣区域中，而包含该像素点的感兴趣区域又有不同的预测概率，即需要将该像素点所对应的预测概率做均值处理，所得到的均值概率为该像素点的预测概率，然后根据所有像素点的均值概率生成目标医学影像。
上述医学影像成像方法，通过获取原始医学影像和分割信息后，将原始医学影像进行灰度校正和图像增强得到待分割图像，从而避免待分割图像产生较多的癌症疑似区域。然后将基于分割信息从待分割图像中提取出的感兴趣区域输入至组合预测模型，得到预测概率。从而根据预测概率生成目标医学影像，帮助影像科医生进行癌症病灶的预判。无需病患进一步进行动态增强扫描，不仅成像时间快，还不会对病患产生副作用。
在一个实施例中，如图4所示，基于分割信息，从待分割图像中分割出多个感兴趣区域具体包括以下步骤：
步骤S402，从分割信息中获取分割数量和分割算法；
步骤S404，基于分割算法和分割数量，从待分割图像中提取感兴趣区域。
由于分割信息中包括分割数量和分割算法，即当计算机设备对的待分割图像进行图像分割时，首先从分割信息中获取分割数量和分割算法。然后根据分割算法和分割数量进行图像分割得到多个感兴趣区域。其中，分割数量是指每个分割算法应分割提取的感兴趣区域数量。即，当只有一个分割算法时，根据该分割算法对待分割图像进行分割提取得到的感兴趣区域数量等于分割数量。而当包括多个分割算法时，根据各分割算法分别对待分割图像进行分割提取，而所得到的感兴趣区域数量则是分割算法和分割数量的乘积。例如，若分割算法为三个，而分割数量为1000个，则该三个分割算法分别进行分割，每个算法都有1000个对应的感兴趣区域，三个算法一共3000个感兴趣区域。其中，分割算法可采用水平集分割算法和超像素分割算法，超像素分割算法包括但不限于SLIC(simple lineariterative clustering，迭代聚类算法)，Watershed(Watershed algorithm，分水岭算法)，GraphCut(图形切割算法)，PMCut等。
在一个实施例中，组合预测模型包括多个预测模型，则将各感兴趣区域输入组合预测模型，得到各感兴趣区域对应的预测概率具体包括：各预测模型分别对感兴趣区域进行预测，得到至少一个预测概率；根据各预测概率计算得到感兴趣区域对应的最终的预测概率。
组合预测模型是一个由多个预测模型组合而成的神经网络模型，当计算机设备调用组合预测模型进行预测时，所使用的预测模型可以为预设值，也可以根据用户的选择所确定，即组合预测模型中的预测模型类型和数量均是不固定的，但是至少包括一个预测模型。而无论组合预测模型中包括多少个预测模型，当组合预测模型被调用时，其所包含的预测模型均需要进行预测。也就是说，每个预测模型都需要对感兴趣区域进行预测，该感兴趣区域对应的预测概率的数量取决于预测模型的数量。即，若组合预测模型包括三个预测模型，则同一感兴趣区域有三个预测概率。若组合预测模型只有一个预测模型，即该感兴趣区域只有一个预测概率。
而当组合预测模型中的预测模型的数量大于1时，即感兴趣区域有多个对应的预测概率，则需要对得到多个预测概率进行计算得到感兴趣区域对应的最终的预测概率。计算方法包括但不限于加权集成、均值融合、投票法等。其中，加权集成则获取预测模型预设的权重，通过将每个预测模型对应的权重和预测概率进行加权求和得到概率为最终的预测概率。均值融合则是将各预测模型所得的预测概率求均值，该均值为最终的预测概率。而投票法则是根据预测模型的预测概率进行投票，依据少数服从多数的原则确定最终的预测概率。
在一个实施例中，如图5所示，根据各预测概率生成目标医学影像包括以下步骤：
步骤S502，获取原始医学影像中每个像素对应的预测概率。
具体地，首先确定原始医学影像中每个像素对应的感兴趣区域，然后获取该感兴趣区域对应的预测概率即为每个像素点对应的预测概率。
步骤S504，计算各像素对应的预测概率的均值，并根据均值生成概率图。
具体地，将各像素对应的预测概率求平均值，所得到预测概率为各像素对应的均值概率。根据均值生成概率图时，不同均值概率利用不同的颜色表示，从而生成包含颜色分布的概率图，便于用户查看。
步骤S506，将概率图和原始医学图像叠加生成目标医学影像，或确定概率图为目标医学影像。
具体地，目标医学影像可以根据用户的需求生成，当计算机设备生成概率图时即将该概率图显示在计算机设备的显示装置上。当用户请求将概率图叠加至原始医学图像时，可以通过计算机设备的输入装置发送图像叠加请求。当计算机设备接收到该图像叠加请求时，则将包含颜色分布的概率图叠加至原始医学图像上生成目标医学图像再返回至显示装置上。若用户没有通过输入装置向计算机设备发送图像叠加请求，则显示在该显示装置上的概率图即为目标医学影像。在本实施例中，根据用户方的指令确定目标医学影像，满足用户需求。其中，叠加可以通过将概率图与原始医学图像进行相加，也就是说，将概率图与原始医学图像的图像像素进行加法运算。但是，为了防止叠加之后原始医学图像的显示比例高于概率图的显示比例，而导致概率图无法清晰的显示出来，则通过可视化占比系数相乘之后再进行加法运算。叠加图像计算公式如下：
Iout＝(1-α)I+α*P
其中，Iout为目标医学影像，α为可视化占比系数，P为概率图，I为原始医学图像。可视化占比系数可提前预设，计算机设备通过直接获取预设的可视化占比系数进行计算，或者根据用户需求接收用户输入的可视化占比系数。可视化占比系数α的取值为0-1之间，即大于0小于1。在本实施例中，可视化占比系数取值优选0.2或者0.3。
在一个实施例中，在将感兴趣区域输入组合预测模型之前还包括：获取预设尺寸，根据预设尺寸将各感兴趣区域进行尺寸填充。
具体地，由于组合预测模型接收的输入图像为固定尺寸，则在将感兴趣区域输入至组合预测模型之前，根据预设的该组合预测模型的固定尺寸将感兴趣区域进行填充，得到与该预设尺寸相同尺寸的感兴趣区域之后再将该感兴趣区域输入至组合预测模型中进行预测。
在一个实施例中，训练组合预测模型具体包括：获取医学影像样本和病灶标注样本；将医学影像样本进行重采样，并根据病灶标注样本随机裁剪，得到正样本和负样本；将正样本和负样本输入至组合预测模型中进行训练。
其中，医学影像样本为预先采集的包含目标扫描部位的医学影像，是没有进行标注的样本，病灶标注样本是与医学影像样本对应，同样包含目标扫描部位但是已经人工标注好的样本，标注即是将目标扫描部位进行标注。
具体地，将医学影像样本进行重采样，保证间距一致。然后根据病灶标注样本对医学影像样本中癌症区域进行不同尺寸的随机裁剪，生成正样本。而负样本即同样是根据病灶标注样本对医学影像样本中健康部位进行不同尺寸的随机裁剪生成。
以磁共振成像和前列腺为例，预先采集的医学影像样本则是多张包括前列腺体的扩散加权成像DWI和表现弥散系数ADC，而病灶标注样本则是对应的已经将前列腺体标注出来的图像。也就是说，包含相同前列腺体的扩散加权成像DWI和表现弥散系数ADC对应同一张病灶标注样本，而包含不同前列腺体医学影像样本对应不同的病灶标注样本。即，首先对扩散加权成像DWI和表现弥散系数ADC进行重采样，然后根据该扩散加权成像DWI和表现弥散系数ADC对应的病灶标注样本中标注出来的前列腺体的患癌症区域进行不同尺寸的随机裁剪生成正样本。同样根据该扩散加权成像DWI和表现弥散系数ADC对应的病灶标注样本中标注出来的前列腺体的健康部位进行不同尺寸的随机裁剪生成负样本。当生成正负样本后，对正负样本进行翻转、旋转等操作完成训练数据增广，然后将数据增广后的训练数据输入至组合预测模型中进行训练，训练方法采用梯度下降法对网络进行优化。
如图6所示，为本实施例中的组合预测模型。组合预测模型包括多个预测模型，例如，Network1、Network2、Network3……NetworkN。将训练数据输入组合预测模型，即分别输入至各个预测模型中。每个Network都有一个对应的结果，分别为Result1、Result2、Result3……ResultN。当各预测模型输出预测结果后，经过损失函数(loss function)计算得到多个预测结果，将该些预测结果进行组合(ensemble)训练得到最终的结果。
在一个实施例中，一种医学影像成像方法包括：计算机设备获取原始医学影像和分割信息，将原始医学影像进行灰度校正和图像增强后得到待分割图像。基于分割信息中的分割算法和分割数量，从待分割图像中分割提取出多个感兴趣区域。获取预设填充尺寸，根据预设填充尺寸将感兴趣区域进行尺寸填充后输入至组合预测模型中，组合预测模型中的预测模型对感兴趣区域进行预测，得到感兴趣区域对应的预测概率。根据预测概率生成目标医学影像。
分割信息和组合预测模型为预设值，或者获取用户输入的分割信息和预测模型。用户可以通过计算机设备的输入装置输入或者选择分割信息和预测模型，当计算机设备接收到用户输入或者选择的分割信息时，根据接收的分割信息和预测模型进行图像分割和概率预测。例如，分割信息包括分割数量和分割算法，计算机设备将预设的分割数量和分割算法显示在显示装置上，用户通过输入装置点击需要的分割数量和分割算法，或者通过在对应的输入框输入分割数量和分割算法。若为用户选择的分割算法，而每个分割算法都有一个对应的算法标识，计算机则根据该算法标识获取对应的算法。同样的，每个预测模型都有对应模型标识，根据模型标识获取对应的预测模型，将多个预测模型合并成组合预测模型为当前用户所需的组合预测模型。
当获取到分割信息后，根据分割数量和分割算法对待分割图像进行分割得到多个感兴趣区域。根据分割算法数量的不同，所得到感兴趣区域的数量不同。感兴趣区域的数量是分割算法的数量与分割数量的乘积。然后获取预设尺寸，根据尺寸将所有的感兴趣区域进行尺寸填充，直到所有感兴趣区域的尺寸与预设尺寸相同。将进行尺寸填充后的感兴趣区域输入至组合预测模型中，由组合预测模型中的多个预测模型分别对感兴趣区域进行预测，得到与预测模型数量相同的预测概率，计算该些预测概率的均值为该感兴趣区域最终的预测概率。每个感兴趣区域都输入至组合预测模型进行预测，即每个感兴趣区域都有对应的最终的预测概率。最后获取原始医学图像中每个像素点所在的感兴趣区域，由于同一个像素点可能被分割到多个感兴趣区域，因此当同一个像素点存在于多个对应的感兴趣区域中时，获取该像素点存在的所有的感兴趣区域对应的预测概率。同样将该些预测概率进行均值计算，得到每个像素点对应的均值概率。而若同一像素点只存在于一个感兴趣区域中，则该感兴趣区域对应的预测概率为该像素点对应的预测概率。根据每个像素点的不同的预测概率生成概率图，不同预测概率的像素点用不同的颜色表示。将该概率图返回至计算机设备的显示装置上，当用户请求图像叠加时，将概率图叠加至原始医学影响上得到的医学影像为目标医学影像并再次返回给显示装置。反之，若用户未发送图像叠加请求，则显示在显示装置上的概率图为目标医学影像。
应该理解的是，虽然图2、图4和图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图4和图5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种医学影像成像装置，包括：获取模块702、预处理模块704、分割模块706、预测模块708和生成模块710，其中：
获取模块702，用于获取原始医学影像和分割信息。
预处理模块704，用于将原始医学影像进行灰度校正和图像增强，得到待分割图像。
分割模块706，用于基于分割信息，从待分割图像中分割出多个感兴趣区域。
预测模块708，用于将各感兴趣区域输入组合预测模型，得到各感兴趣区域对应的预测概率。
生成模块710，用于根据各预测概率生成目标医学影像。
在一个实施例中，分割模块706还用于从分割信息中获取分割数量和分割算法；基于分割算法和分割数量，从待分割图像中提取感兴趣区域。
在一个实施例中，组合预测模型包括多个预测模型，预测模块708还用于各预测模型分别对感兴趣区域进行预测，得到至少一个预测概率；根据各预测概率计算得到感兴趣区域对应的最终预测概率。
在一个实施例中，生成模块710还用于获取原始医学影像中每个像素对应的预测概率；计算各像素对应的预测概率的均值，并根据均值生成概率图；将概率图和原始医学图像叠加生成目标医学影像，或确定概率图为目标医学影像。
在一个实施例中，医学影像成像装置还包括填充模块，用于获取预设尺寸，根据预设尺寸将各感兴趣区域进行尺寸填充。
在一个实施例中，医学影像成像装置还包括训练模块，用于获取医学影像样本和病灶标注样本；将医学影像样本进行重采样，并根据病灶标注样本随机裁剪，得到正样本和负样本；将正样本和负样本输入至组合预测模型中进行训练。
关于医学影像成像装置的具体限定可以参见上文中对于医学影像成像方法的限定，在此不再赘述。上述医学影像成像装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、数据库、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医学影像成像方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取原始医学影像和分割信息；
将原始医学影像进行灰度校正和图像增强，得到待分割图像；
基于分割信息，从待分割图像中分割出多个感兴趣区域；
将各感兴趣区域输入组合预测模型，得到各感兴趣区域对应的预测概率；
根据各预测概率生成目标医学影像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
分割信息中获取分割数量和分割算法；基于分割算法和分割数量，从待分割图像中提取感兴趣区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
各预测模型分别对感兴趣区域进行预测，得到至少一个预测概率；根据各预测概率计算得到感兴趣区域对应的最终预测概率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取原始医学影像中每个像素对应的预测概率；计算各像素对应的预测概率的均值，并根据均值生成概率图；将概率图和原始医学图像叠加生成目标医学影像，或确定概率图为目标医学影像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取预设尺寸；
根据预设尺寸将各感兴趣区域进行尺寸填充。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取医学影像样本和病灶标注样本；将医学影像样本进行重采样，并根据病灶标注样本随机裁剪，得到正样本和负样本；将正样本和负样本输入至组合预测模型中进行训练。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取原始医学影像和分割信息；
将原始医学影像进行灰度校正和图像增强，得到待分割图像；
基于分割信息，从待分割图像中分割出多个感兴趣区域；
将各感兴趣区域输入组合预测模型，得到各感兴趣区域对应的预测概率；
根据各预测概率生成目标医学影像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
分割信息中获取分割数量和分割算法；基于分割算法和分割数量，从待分割图像中提取感兴趣区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
各预测模型分别对感兴趣区域进行预测，得到至少一个预测概率；根据各预测概率计算得到感兴趣区域对应的最终预测概率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取原始医学影像中每个像素对应的预测概率；计算各像素对应的预测概率的均值，并根据均值生成概率图；将概率图和原始医学图像叠加生成目标医学影像，或确定概率图为目标医学影像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取预设尺寸；根据预设尺寸将各感兴趣区域进行尺寸填充。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取医学影像样本和病灶标注样本；将医学影像样本进行重采样，并根据病灶标注样本随机裁剪，得到正样本和负样本；将正样本和负样本输入至组合预测模型中进行训练。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学影像成像方法，所述方法包括：
获取原始医学影像和分割信息；
将所述原始医学影像进行灰度校正和图像增强，得到待分割图像；
基于所述分割信息，从所述待分割图像中分割出多个感兴趣区域；
将各所述感兴趣区域输入组合预测模型，得到各所述感兴趣区域对应的预测概率；
根据各所述预测概率生成目标医学影像。
2.根据权利要求1所述的方法，其特征在于，所述基于所述分割信息，从所述待分割图像中分割出多个感兴趣区域包括：
从所述分割信息中获取分割数量和分割算法；
基于所述分割算法和分割数量，从所述待分割图像中提取感兴趣区域。
3.根据权利要求1所述的方法，其特征在于，所述组合预测模型包括多个预测模型；将各所述感兴趣区域输入组合预测模型，得到各所述感兴趣区域对应的预测概率包括：
各所述预测模型分别对所述感兴趣区域进行预测，得到至少一个预测概率；
根据各所述预测概率计算得到所述感兴趣区域对应的最终预测概率。
4.根据权利要求1所述的方法，其特征在于，所述根据各所述预测概率生成目标医学影像包括：
获取所述原始医学影像中每个像素对应的所述预测概率；
计算各所述像素对应的所述预测概率的均值，并根据所述均值生成概率图；
将所述概率图和所述原始医学图像叠加生成目标医学影像，或确定所述概率图为目标医学影像。
5.根据权利要求1所述的方法，其特征在于，所述将各所述感兴趣区域输入组合预测模型，得到各所述感兴趣区域对应的预测概率之前包括：
获取预设尺寸；
根据所述预设尺寸将各所述感兴趣区域进行尺寸填充。
6.根据权利要求1所述的方法，其特征在于，获取预设分割信息和预设组合预测模型；或
获取终端发送的分割信息和预测模型，根据所述预测模型确定组合预测模型。
7.根据权利要求1所述的方法，其特征在于，所述获取医学影像和分割信息之前还包括训练组合预测模型；所述训练组合预测模型包括：
获取医学影像样本和病灶标注样本；
将所述医学影像样本进行重采样，并根据所述病灶标注样本随机裁剪，得到正样本和负样本；
将所述正样本和所述负样本输入至所述组合预测模型中进行训练。
8.一种医学影像成像装置，其特征在于，所述装置包括：
获取模块，用于获取原始医学影像和分割信息；
预处理模块，用于将所述原始医学影像进行灰度校正和图像增强，得到待分割图像；
分割模块，用于基于所述分割信息，从所述待分割图像中分割出多个感兴趣区域；
预测模块，将各所述感兴趣区域输入组合预测模型，得到各所述感兴趣区域对应的预测概率；
生成模块，用于根据各所述预测概率生成目标医学影像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910313993.0A CN110148192B (zh) | 2019-04-18 | 2019-04-18 | 医学影像成像方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910313993.0A CN110148192B (zh) | 2019-04-18 | 2019-04-18 | 医学影像成像方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110148192A true CN110148192A (zh) | 2019-08-20 |
| CN110148192B CN110148192B (zh) | 2023-05-30 |
Family
ID=67589600
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910313993.0A Active CN110148192B (zh) | 2019-04-18 | 2019-04-18 | 医学影像成像方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110148192B (zh) |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110580728A (zh) * | 2019-09-16 | 2019-12-17 | 中南大学 | 基于结构特征自增强的ct-mr模态迁移方法 |
| CN110619639A (zh) * | 2019-08-26 | 2019-12-27 | 苏州同调医学科技有限公司 | 一种结合深度神经网络和概率图模型分割放疗影像的方法 |
| CN110766659A (zh) * | 2019-09-24 | 2020-02-07 | 西人马帝言(北京)科技有限公司 | 医学图像识别方法、装置、设备和介质 |
| CN110807788A (zh) * | 2019-10-21 | 2020-02-18 | 腾讯科技（深圳）有限公司 | 医学图像处理方法、装置、电子设备及计算机存储介质 |
| CN111145152A (zh) * | 2019-12-24 | 2020-05-12 | 上海联影智能医疗科技有限公司 | 图像检测方法、计算机设备和存储介质 |
| CN111179231A (zh) * | 2019-12-20 | 2020-05-19 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、设备和存储介质 |
| CN111192356A (zh) * | 2019-12-30 | 2020-05-22 | 上海联影智能医疗科技有限公司 | 感兴趣区域的显示方法、装置、设备和存储介质 |
| CN111192269A (zh) * | 2020-01-02 | 2020-05-22 | 腾讯科技（深圳）有限公司 | 模型训练、医学影像分割方法和装置 |
| CN111325714A (zh) * | 2020-01-21 | 2020-06-23 | 上海联影智能医疗科技有限公司 | 感兴趣区域的处理方法、计算机设备和可读存储介质 |
| CN111340820A (zh) * | 2020-02-10 | 2020-06-26 | 中国科学技术大学 | 图像分割方法、装置、电子设备及存储介质 |
| CN111341438A (zh) * | 2020-02-25 | 2020-06-26 | 中国科学技术大学 | 图像处理、装置、电子设备及介质 |
| CN111428812A (zh) * | 2020-04-14 | 2020-07-17 | 沈阳先进医疗设备技术孵化中心有限公司 | 医学图像数据的构造方法及装置 |
| CN111626257A (zh) * | 2020-06-03 | 2020-09-04 | 兰波(苏州)智能科技有限公司 | 硅藻检测识别用多概率组合预测后处理方法、系统及存储介质 |
| CN112381811A (zh) * | 2020-11-20 | 2021-02-19 | 沈阳东软智能医疗科技研究院有限公司 | 一种实现医学影像数据标注的方法、装置及设备 |
| CN112488118A (zh) * | 2020-12-18 | 2021-03-12 | 哈尔滨工业大学（深圳） | 一种目标检测方法及相关装置 |
| CN112541907A (zh) * | 2020-12-17 | 2021-03-23 | 推想医疗科技股份有限公司 | 一种图像识别方法、装置、服务器及介质 |
| CN112545479A (zh) * | 2019-09-26 | 2021-03-26 | 北京赛迈特锐医疗科技有限公司 | 在mpMRI上分割前列腺和精囊分带解剖的系统及方法 |
| CN112545484A (zh) * | 2020-12-01 | 2021-03-26 | 上海联影医疗科技股份有限公司 | 医学成像系统校准时间确定方法、装置和计算机设备 |
| CN113139381A (zh) * | 2021-04-29 | 2021-07-20 | 平安国际智慧城市科技股份有限公司 | 不均衡样本分类方法、装置、电子设备及存储介质 |
| CN113160199A (zh) * | 2021-04-29 | 2021-07-23 | 武汉联影医疗科技有限公司 | 影像识别方法、装置、计算机设备和存储介质 |
| CN113298831A (zh) * | 2021-06-30 | 2021-08-24 | 上海联影医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
| CN113393477A (zh) * | 2020-03-13 | 2021-09-14 | 上海哔哩哔哩科技有限公司 | 图像处理方法和系统 |
| CN113808068A (zh) * | 2020-11-09 | 2021-12-17 | 北京京东拓先科技有限公司 | 图像检测方法及装置 |
| CN114219813A (zh) * | 2021-12-16 | 2022-03-22 | 数坤(北京)网络科技股份有限公司 | 一种影像处理方法、智能终端及存储介质 |
| CN114697455A (zh) * | 2020-12-29 | 2022-07-01 | 中国电信股份有限公司 | 语音应答系统控制方法及装置 |
| CN114708282A (zh) * | 2022-04-20 | 2022-07-05 | 推想医疗科技股份有限公司 | 图像分割方法及其装置、电子设备和计算机可读存储介质 |
| CN115240014A (zh) * | 2022-09-21 | 2022-10-25 | 山东大学齐鲁医院 | 基于残差神经网络的医学图像分类系统 |
| CN116468654A (zh) * | 2023-02-01 | 2023-07-21 | 北京纳通医用机器人科技有限公司 | 图像处理方法、装置、设备及存储介质 |
| WO2023169578A1 (zh) * | 2022-03-11 | 2023-09-14 | 武汉联影智融医疗科技有限公司 | 一种用于介入手术的图像处理方法、系统和装置 |
| CN117611926A (zh) * | 2024-01-22 | 2024-02-27 | 重庆医科大学绍兴柯桥医学检验技术研究中心 | 一种基于ai模型的医学影像识别方法及系统 |
| CN118628875A (zh) * | 2024-08-12 | 2024-09-10 | 陕西麦克斯农业科技股份有限公司 | 一种基于机器学习的水果病害检测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1502310A (zh) * | 2002-11-27 | 2004-06-09 | 通用电气公司 | 用于测量与疾病相关的组织变化的方法和系统 |
| CN103608842A (zh) * | 2011-06-22 | 2014-02-26 | 皇家飞利浦有限公司 | 用于处理医学图像的系统和方法 |
| CN106709907A (zh) * | 2016-12-08 | 2017-05-24 | 上海联影医疗科技有限公司 | Mr图像的处理方法及装置 |
| CN106875401A (zh) * | 2017-01-10 | 2017-06-20 | 中国科学院深圳先进技术研究院 | 多模态影像组学的分析方法、装置及终端 |
| US20180168554A1 (en) * | 2015-06-18 | 2018-06-21 | Sogang University Research Foundation | Adaptive medical image transmission device and method |
| CN108830835A (zh) * | 2018-05-25 | 2018-11-16 | 北京长木谷医疗科技有限公司 | 识别脊柱矢状位图像异常的方法及计算设备 |
| CN108922599A (zh) * | 2018-06-27 | 2018-11-30 | 西南交通大学 | 一种基于mil的医学图像病灶点精确标注方法 |
| CN108961296A (zh) * | 2018-07-25 | 2018-12-07 | 腾讯科技（深圳）有限公司 | 眼底图像分割方法、装置、存储介质和计算机设备 |
| CN109003260A (zh) * | 2018-06-28 | 2018-12-14 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
| CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 上海联影智能医疗科技有限公司 | 一种医学图像分析系统、装置及存储介质 |
-
2019
- 2019-04-18 CN CN201910313993.0A patent/CN110148192B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1502310A (zh) * | 2002-11-27 | 2004-06-09 | 通用电气公司 | 用于测量与疾病相关的组织变化的方法和系统 |
| CN103608842A (zh) * | 2011-06-22 | 2014-02-26 | 皇家飞利浦有限公司 | 用于处理医学图像的系统和方法 |
| US20180168554A1 (en) * | 2015-06-18 | 2018-06-21 | Sogang University Research Foundation | Adaptive medical image transmission device and method |
| CN106709907A (zh) * | 2016-12-08 | 2017-05-24 | 上海联影医疗科技有限公司 | Mr图像的处理方法及装置 |
| CN106875401A (zh) * | 2017-01-10 | 2017-06-20 | 中国科学院深圳先进技术研究院 | 多模态影像组学的分析方法、装置及终端 |
| CN108830835A (zh) * | 2018-05-25 | 2018-11-16 | 北京长木谷医疗科技有限公司 | 识别脊柱矢状位图像异常的方法及计算设备 |
| CN108922599A (zh) * | 2018-06-27 | 2018-11-30 | 西南交通大学 | 一种基于mil的医学图像病灶点精确标注方法 |
| CN109003260A (zh) * | 2018-06-28 | 2018-12-14 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
| CN108961296A (zh) * | 2018-07-25 | 2018-12-07 | 腾讯科技（深圳）有限公司 | 眼底图像分割方法、装置、存储介质和计算机设备 |
| CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 上海联影智能医疗科技有限公司 | 一种医学图像分析系统、装置及存储介质 |
Cited By (48)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619639A (zh) * | 2019-08-26 | 2019-12-27 | 苏州同调医学科技有限公司 | 一种结合深度神经网络和概率图模型分割放疗影像的方法 |
| CN110580728B (zh) * | 2019-09-16 | 2022-11-25 | 中南大学 | 基于结构特征自增强的ct-mr模态迁移方法 |
| CN110580728A (zh) * | 2019-09-16 | 2019-12-17 | 中南大学 | 基于结构特征自增强的ct-mr模态迁移方法 |
| CN110766659A (zh) * | 2019-09-24 | 2020-02-07 | 西人马帝言(北京)科技有限公司 | 医学图像识别方法、装置、设备和介质 |
| CN112545479A (zh) * | 2019-09-26 | 2021-03-26 | 北京赛迈特锐医疗科技有限公司 | 在mpMRI上分割前列腺和精囊分带解剖的系统及方法 |
| CN112545479B (zh) * | 2019-09-26 | 2022-08-16 | 北京赛迈特锐医疗科技有限公司 | 在mpMRI上分割前列腺和精囊分带解剖的系统及方法 |
| CN110807788B (zh) * | 2019-10-21 | 2023-07-21 | 腾讯科技（深圳）有限公司 | 医学图像处理方法、装置、电子设备及计算机存储介质 |
| CN110807788A (zh) * | 2019-10-21 | 2020-02-18 | 腾讯科技（深圳）有限公司 | 医学图像处理方法、装置、电子设备及计算机存储介质 |
| CN111179231B (zh) * | 2019-12-20 | 2024-05-28 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、设备和存储介质 |
| CN111179231A (zh) * | 2019-12-20 | 2020-05-19 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、设备和存储介质 |
| CN111145152A (zh) * | 2019-12-24 | 2020-05-12 | 上海联影智能医疗科技有限公司 | 图像检测方法、计算机设备和存储介质 |
| CN111145152B (zh) * | 2019-12-24 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 图像检测方法、计算机设备和存储介质 |
| CN111192356B (zh) * | 2019-12-30 | 2023-04-25 | 上海联影智能医疗科技有限公司 | 感兴趣区域的显示方法、装置、设备和存储介质 |
| CN111192356A (zh) * | 2019-12-30 | 2020-05-22 | 上海联影智能医疗科技有限公司 | 感兴趣区域的显示方法、装置、设备和存储介质 |
| CN111192269B (zh) * | 2020-01-02 | 2023-08-22 | 腾讯科技（深圳）有限公司 | 模型训练、医学影像分割方法和装置 |
| CN111192269A (zh) * | 2020-01-02 | 2020-05-22 | 腾讯科技（深圳）有限公司 | 模型训练、医学影像分割方法和装置 |
| CN111325714A (zh) * | 2020-01-21 | 2020-06-23 | 上海联影智能医疗科技有限公司 | 感兴趣区域的处理方法、计算机设备和可读存储介质 |
| CN111325714B (zh) * | 2020-01-21 | 2024-03-26 | 上海联影智能医疗科技有限公司 | 感兴趣区域的处理方法、计算机设备和可读存储介质 |
| CN111340820B (zh) * | 2020-02-10 | 2022-05-17 | 中国科学技术大学 | 图像分割方法、装置、电子设备及存储介质 |
| CN111340820A (zh) * | 2020-02-10 | 2020-06-26 | 中国科学技术大学 | 图像分割方法、装置、电子设备及存储介质 |
| CN111341438A (zh) * | 2020-02-25 | 2020-06-26 | 中国科学技术大学 | 图像处理、装置、电子设备及介质 |
| CN113393477A (zh) * | 2020-03-13 | 2021-09-14 | 上海哔哩哔哩科技有限公司 | 图像处理方法和系统 |
| CN111428812B (zh) * | 2020-04-14 | 2024-03-08 | 东软医疗系统股份有限公司 | 医学图像数据的构造方法及装置 |
| CN111428812A (zh) * | 2020-04-14 | 2020-07-17 | 沈阳先进医疗设备技术孵化中心有限公司 | 医学图像数据的构造方法及装置 |
| CN111626257A (zh) * | 2020-06-03 | 2020-09-04 | 兰波(苏州)智能科技有限公司 | 硅藻检测识别用多概率组合预测后处理方法、系统及存储介质 |
| CN111626257B (zh) * | 2020-06-03 | 2023-06-06 | 兰波(苏州)智能科技有限公司 | 硅藻检测识别用多概率组合预测后处理方法、系统及存储介质 |
| CN113808068A (zh) * | 2020-11-09 | 2021-12-17 | 北京京东拓先科技有限公司 | 图像检测方法及装置 |
| CN112381811B (zh) * | 2020-11-20 | 2024-05-28 | 沈阳东软智能医疗科技研究院有限公司 | 一种实现医学影像数据标注的方法、装置及设备 |
| CN112381811A (zh) * | 2020-11-20 | 2021-02-19 | 沈阳东软智能医疗科技研究院有限公司 | 一种实现医学影像数据标注的方法、装置及设备 |
| CN112545484B (zh) * | 2020-12-01 | 2023-08-08 | 上海联影医疗科技股份有限公司 | 医学成像系统校准时间确定方法、装置和计算机设备 |
| CN112545484A (zh) * | 2020-12-01 | 2021-03-26 | 上海联影医疗科技股份有限公司 | 医学成像系统校准时间确定方法、装置和计算机设备 |
| CN112541907A (zh) * | 2020-12-17 | 2021-03-23 | 推想医疗科技股份有限公司 | 一种图像识别方法、装置、服务器及介质 |
| CN112488118B (zh) * | 2020-12-18 | 2023-08-08 | 哈尔滨工业大学（深圳） | 一种目标检测方法及相关装置 |
| CN112488118A (zh) * | 2020-12-18 | 2021-03-12 | 哈尔滨工业大学（深圳） | 一种目标检测方法及相关装置 |
| CN114697455A (zh) * | 2020-12-29 | 2022-07-01 | 中国电信股份有限公司 | 语音应答系统控制方法及装置 |
| CN113139381B (zh) * | 2021-04-29 | 2023-11-28 | 平安国际智慧城市科技股份有限公司 | 不均衡样本分类方法、装置、电子设备及存储介质 |
| CN113160199A (zh) * | 2021-04-29 | 2021-07-23 | 武汉联影医疗科技有限公司 | 影像识别方法、装置、计算机设备和存储介质 |
| CN113139381A (zh) * | 2021-04-29 | 2021-07-20 | 平安国际智慧城市科技股份有限公司 | 不均衡样本分类方法、装置、电子设备及存储介质 |
| CN113298831B (zh) * | 2021-06-30 | 2022-03-29 | 上海联影医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
| CN113298831A (zh) * | 2021-06-30 | 2021-08-24 | 上海联影医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
| CN114219813A (zh) * | 2021-12-16 | 2022-03-22 | 数坤(北京)网络科技股份有限公司 | 一种影像处理方法、智能终端及存储介质 |
| WO2023169578A1 (zh) * | 2022-03-11 | 2023-09-14 | 武汉联影智融医疗科技有限公司 | 一种用于介入手术的图像处理方法、系统和装置 |
| CN114708282A (zh) * | 2022-04-20 | 2022-07-05 | 推想医疗科技股份有限公司 | 图像分割方法及其装置、电子设备和计算机可读存储介质 |
| CN115240014A (zh) * | 2022-09-21 | 2022-10-25 | 山东大学齐鲁医院 | 基于残差神经网络的医学图像分类系统 |
| CN116468654A (zh) * | 2023-02-01 | 2023-07-21 | 北京纳通医用机器人科技有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN117611926A (zh) * | 2024-01-22 | 2024-02-27 | 重庆医科大学绍兴柯桥医学检验技术研究中心 | 一种基于ai模型的医学影像识别方法及系统 |
| CN117611926B (zh) * | 2024-01-22 | 2024-04-23 | 重庆医科大学绍兴柯桥医学检验技术研究中心 | 一种基于ai模型的医学影像识别方法及系统 |
| CN118628875A (zh) * | 2024-08-12 | 2024-09-10 | 陕西麦克斯农业科技股份有限公司 | 一种基于机器学习的水果病害检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110148192B (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148192A (zh) | 医学影像成像方法、装置、计算机设备和存储介质 | |
| Hu et al. | Bidirectional mapping generative adversarial networks for brain MR to PET synthesis | |
| Liu et al. | CT synthesis from MRI using multi-cycle GAN for head-and-neck radiation therapy | |
| US11610308B2 (en) | Localization and classification of abnormalities in medical images | |
| CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
| Men et al. | Automatic segmentation of the clinical target volume and organs at risk in the planning CT for rectal cancer using deep dilated convolutional neural networks | |
| Dai et al. | Multimodal MRI synthesis using unified generative adversarial networks | |
| Zhao et al. | CT synthesis from MR in the pelvic area using Residual Transformer Conditional GAN | |
| Parekh et al. | Multiparametric deep learning tissue signatures for a radiological biomarker of breast cancer: Preliminary results | |
| Feng et al. | A knowledge-driven feature learning and integration method for breast cancer diagnosis on multi-sequence MRI | |
| Lei et al. | Male pelvic multi‐organ segmentation on transrectal ultrasound using anchor‐free mask CNN | |
| Sanders et al. | Machine segmentation of pelvic anatomy in MRI-assisted radiosurgery (MARS) for prostate cancer brachytherapy | |
| CN113129418A (zh) | 基于三维影像的目标表面重建方法、装置、设备和介质 | |
| Wong et al. | Brain image segmentation of the corpus callosum by combining Bi-Directional Convolutional LSTM and U-Net using multi-slice CT and MRI | |
| Tummala et al. | Liver tumor segmentation from computed tomography images using multiscale residual dilated encoder‐decoder network | |
| Anand et al. | Residual u-network for breast tumor segmentation from magnetic resonance images | |
| Gheorghiță et al. | Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data | |
| Amirkolaee et al. | Development of a GAN architecture based on integrating global and local information for paired and unpaired medical image translation | |
| Park et al. | 3D Breast Cancer Segmentation in DCE‐MRI Using Deep Learning With Weak Annotation | |
| Gu et al. | Cross-modality image translation: CT image synthesis of MR brain images using multi generative network with perceptual supervision | |
| Amirkolaee et al. | Medical image translation using an edge-guided generative adversarial network with global-to-local feature fusion | |
| Li et al. | Breast MRI Segmentation and Ki‐67 High‐and Low‐Expression Prediction Algorithm Based on Deep Learning | |
| Liu et al. | CT synthesis from CBCT using a sequence-aware contrastive generative network | |
| Shang et al. | Short‐Axis PET Image Quality Improvement by Attention CycleGAN Using Total‐Body PET | |
| Lei et al. | Generative adversarial networks for medical image synthesis |
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 | ||
| TG01 | Patent term adjustment | ||
| TG01 | Patent term adjustment |