CN110288577A - 一种3d实现多器官病灶整合的控制方法及控制装置 - Google Patents
一种3d实现多器官病灶整合的控制方法及控制装置 Download PDFInfo
- Publication number
- CN110288577A CN110288577A CN201910538729.7A CN201910538729A CN110288577A CN 110288577 A CN110288577 A CN 110288577A CN 201910538729 A CN201910538729 A CN 201910538729A CN 110288577 A CN110288577 A CN 110288577A
- Authority
- CN
- China
- Prior art keywords
- lesion
- image data
- types
- image
- information
- 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
- 230000003902 lesion Effects 0.000 title claims abstract description 131
- 210000000056 organ Anatomy 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000010354 integration Effects 0.000 title claims abstract description 29
- 241001269238 Data Species 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 210000001835 viscera Anatomy 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种3D实现多器官病灶整合的控制方法，其通过将2D影像转化为3D影像实现多病灶的整合，包括如下步骤：基于一个或多个第一2D影像数据确定以器官为单位的一个或多个第二2D影像数据以及与所述一个或多个第二2D影像数据相对应地一种或多种类型的病灶信息；基于一个或多个第二2D影像数据以及一种或多种类型的病灶信息确定一种或多种类型的病灶信息所对应地3D病灶影像数据，最后基于所述3D病灶影像数据生成报告。本发明使用简单，操作便捷，功能强大，实用性强，学习能力强大，整合高效准确，具有极高的商业价值。
Description
技术领域
本发明属于计算机医学应用领域，具体地，涉及一种3D实现多器官病灶整合的控制方法及控制装置。
背景技术
目前在现有的医学影像病灶整合技术中，会用到许多辅助医生来完成病灶整合的技术方案，其中，包括有医学影像的辅助筛查，影像报告的辅助生成，病历质量控制等等。而将这些技术应用于不同的系统，可以辅助医生完成不同的工作，例如，将其应用于PACS系统时，可辅助医生进行病灶识别；将其应用于RIS系统时，可辅助医生进行影像报告的书写；将其应用于RIS系统，可通过病灶的识别预测能力，有效监控影像报告的书写质量。
在已有的整合方案中，主要是通过高质量的数据集的训练，让模型对一个指定脏器的指定病进行识别预测。目前，在现有技术中，常用的识别模型主要有：SAE、RBM等无监督学习方案，进行逐层训练CNN、RNN、FCNN、FRCNN等各类神经网络。
然而在当前的各种预测模型中，通常只能识别一个指定脏器的指定病灶，在实际的业务场景中泛用性不强，并不能真正有效地帮助医生提高工作效率。同时预测模型的训练需要花费大量的时间准备训练数据集，而高质量的数据集在收集上又面临难度大、成本高，以及患者的隐私等问题。此外在实际的业务场景落地时，模型往往只能帮助医生进行病灶的筛查，在报告书写方面没有提供很大的帮助，医生还是只能使用传统的固定模板方式进行书写，不但工作效率低，而且还要面对繁琐的模板维护工作。
目前在现有的技术中，并没有一种能够解决上述技术问题的技术方案，具体地，缺少一种3D实现多器官病灶整合的控制方法及控制装置。
发明内容
针对现有技术存在的技术缺陷，本发明的目的是提供一种3D实现多器官病灶整合的控制方法，其通过将2D影像转化为3D影像实现多病灶的整合，包括如下步骤：
a.基于一个或多个第一2D影像数据确定以器官为单位的一个或多个第二2D影像数据以及与所述一个或多个第二2D影像数据相对应地一种或多种类型的病灶信息；
b.基于一个或多个第二2D影像数据以及一种或多种类型的病灶信息确定一种或多种类型的病灶信息所对应地3D病灶影像数据。
优选地，在所述步骤a中，所述一种或多种类型的病灶信息通过如下步骤获取：
a1：基于卷积神经网络确定一个或多个第一2D影像数据中的一个或多个特征信息；
a2：基于区域建议网络确定一个或多个特征信息中的一个或多个前景区域；
a3：基于区域分类网络确定一个或多个前景区域中的一种或多种类型的病灶信息。
优选地，在所述步骤a之后，还包括步骤a′：基于一个或多个第二2D影像数据以及一种或多种类型的病灶信息对一个或多个器官外的假阳性进行剔除。
优选地，在所述步骤b之后，还包括步骤c：基于所述3D病灶影像数据生成报告。
优选地，在所述步骤c之前，还包括步骤c′：基于所述3D病灶影像数据对3D假阳性进行筛选。
优选地，在所述步骤c之前，还包括步骤c″：基于所述3D病灶影像数据对相邻位置进行去重处理。
优选地，第一2D影像数据为CT数据。
优选地，病灶信息包括一种或多种类型的病灶以及相对应地边界框。
根据本发明的另一个方面，提供了一种3D实现多器官病灶整合的控制装置，包括：
第一确定装置：基于一个或多个第一2D影像数据确定以器官为单位的一个或多个第二2D影像数据以及与所述一个或多个第二2D影像数据相对应地一种或多种类型的病灶信息；
第二确定装置：基于一个或多个第二2D影像数据以及一种或多种类型的病灶信息确定一种或多种类型的病灶信息所对应地3D病灶影像数据。
优选地，所述第一确定装置包括：
第三确定装置：基于卷积神经网络确定一个或多个第一2D影像数据中的一个或多个特征信息；
第四确定装置：基于区域建议网络确定一个或多个特征信息中的一个或多个前景区域；
第五确定装置：基于区域分类网络确定一个或多个前景区域中的一种或多种类型的病灶信息。
优选地，还包括第一处理装置：基于一个或多个第二2D影像数据以及一种或多种类型的病灶信息对一个或多个器官外的假阳性进行剔除。
优选地，还包括第二处理装置：基于所述3D病灶影像数据生成报告。
优选地，还包括第三处理装置：基于所述3D病灶影像数据对3D假阳性进行筛选。
优选地，还包括第四处理装置：基于所述3D病灶影像数据对相邻位置进行去重处理。
本发明公开了一种3D实现多器官病灶整合的控制方法，其基于一个或多个第一2D影像数据确定以器官为单位的一个或多个第二2D影像数据以及与所述一个或多个第二2D影像数据相对应地一种或多种类型的病灶信息，基于一个或多个第二2D影像数据以及一种或多种类型的病灶信息确定一种或多种类型的病灶信息所对应地3D病灶影像数据，在整合过程中，模型首先通过2D检测模型，对2D平面上的每张影像图片进行自动标注，再通过合并器把标注中连续的2D病灶合并为3D病灶，最后再通过3D去假阳性模型，去除假阳性，最终实现了针对肺部、肝脏等多个脏器内，包括钙化灶、结节灶、含气空腔灶、囊性灶等多个病灶的自动识别，在模型的实际落地运行中，我们发挥“诊断即标注”的设计思路，在提供模型预测功能之外，还提供了标注工具，并且在完成标注后，自动生成标注病灶的信息(如直径)，最终在模型的智能报告功能帮助下，帮助医生生成标准化的影像报告，同时这些标注数据也将作为训练集的一部分补充，帮助模型进一步的迭代优化，极大地降低了数据集收集的难度。本发明使用简单，操作便捷，功能强大，实用性强，学习能力强大，整合高效准确，具有极高的商业价值。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出了本发明的具体实施方式的，一种3D实现多器官病灶整合的控制方法的具体流程示意图；
图2示出了本发明的第一实施例的，基于一个或多个第一2D影像数据确定以器官为单位的一个或多个第二2D影像数据以及一种或多种类型的病灶信息的具体流程示意图；
图3示出了本发明的第二实施例的，一种3D实现多器官病灶整合的控制方法的具体流程示意图；
图4示出了本发明的第三实施例的，一种3D实现多器官病灶整合的控制方法的具体流程示意图；以及
图5示出了本发明的另一具体实施方式的，一种3D实现多器官病灶整合的控制装置的模块连接示意图。
具体实施方式
为了更好的使本发明的技术方案清晰的表示出来，下面结合附图对本发明作进一步说明。
图1示出了本发明的具体实施方式的，一种3D实现多器官病灶整合的控制方法的具体流程示意图,其通过将2D影像转化为3D影像实现多病灶的整合，本领域技术人员理解，本发明中示出的整合方法包括对于病灶在3D影像中的筛查、识别、书写，但这并不代表本发明中采用的控制方法用于疾病的治疗，诊断，而是将诊断结果作为中间步骤，完成对于2D影像转化为3D影像实现多病灶的整合，从而实现多重神经网络的医学影像病灶整合，主要包括如下步骤：
首先，进入步骤S101，基于一个或多个第一2D影像数据确定以器官为单位的一个或多个第二2D影像数据以及与所述一个或多个第二2D影像数据相对应地一种或多种类型的病灶信息，本领域技术人员理解，所述第一2D影像数据优选地为医学使用的CT所获取的影像数据，而在其他的实施例中，还可以为B超、核磁共振或者其他诊断结果，这都不影响本发明的具体实施方案，进一步地，所述第一2D影像数据优选地为多个，连续或不连续的CT影像数据，用以反映患者多个器官的具体图像数据。
在这样的实施例中，所述步骤S101主要用于将多个第一2D影像数据做两种处理，一个是器官分割，即将一个影像数据中所表现出的多个器官进行分割，形成以一个器官为单位的多个第二2D影像数据，进一步地，检测这些第二2D影像数据是否存在病灶，即为2D检测，这些将在后述的具体实施方式中做进一步地描述，在此不予赘述。
然后，进入步骤S102，基于一个或多个第二2D影像数据以及一种或多种类型的病灶信息确定一种或多种类型的病灶信息所对应地3D病灶影像数据，本领域技术人员理解，本步骤主要用于将一个或多个第二2D影像数据以及这些影像数据中存在的病灶信息进行3D整合，在这样的实施例中，多个第二2D影像数据中可以为同一病灶信息的不同视角、角度所拍摄到的画面，而通过判断相邻切片、相似形状、相似角度等等信息，将这些来自于同一病灶信息的多个第二2D影像数据进行合并，从而形成3D病灶影像数据，所述3D病灶影像数据主要为以3D病灶中心点为标准的图像数据，所述图像数据至少包括多个不同病灶的分类、描述等等信息。
图2示出了本发明的第一实施例的，基于一个或多个第一2D影像数据确定以器官为单位的一个或多个第二2D影像数据以及一种或多种类型的病灶信息的具体流程示意图，图2主要用于将步骤S101中如何实现以器官为单位的一个或多个第二2D影像数据以及与所述一个或多个第二2D影像数据相对应地一种或多种类型的病灶信息的确定进行详细描述，具体地，所述一种或多种类型的病灶信息的获取包括如下步骤：
首先，进入步骤S1011，基于卷积神经网络确定一个或多个第一2D影像数据中的一个或多个特征信息，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络中的卷积层和池化层能够响应输入特征的平移不变性，即能够识别位于空间不同位置的相近特征。
在本发明的图像处理问题中，卷积神经网络前部的特征图通常会提取图像中显著的高频和低频特征；随后经过池化的特征图会显示出输入图像的边缘特征；当信号进入更深的隐含层后，其更一般、更完整的特征会被提取。反卷积和向上池化可以对卷积神经网络的隐含层特征进行可视化。对于一般的大规模图像分类问题，卷积神经网络可用于构建阶层分类器，也可以在精细分类识别中用于提取图像的判别特征以供其它分类器进行学习。对于后者，特征提取可以人为地将图像的不同部分分别输入卷积神经网络，也可以由卷积神经网络通过非监督学习自行提取。
然后，进入步骤S1012，基于区域建议网络确定一个或多个特征信息中的一个或多个前景区域，区域建议网络的目标是从特征图上找到被称为前景的区域，区域提议网络是一个典型的全卷积网络，因此在网络的训练过程中，反向传播算法和梯度下降算法同样适用于区域建议网络，采用全卷积网络模型来构建区域建议网络，主要目的是为了便于和全卷积分割网络共享计算资源。区域建议网络将一个图像作为输入，输出矩形目标建议框的集合，每个框有一个objectness得分。我们的最终目标是和Fast R-CNN目标检测网络共享计算，所以假设这两个网络共享一系列卷积层。Zeiler和Fergus的模型，它有5个可共享的卷积层，以及Simonyan和Zisserman的模型，它有13个可共享的卷积层。为了生成区域建议框，在最后一个共享的卷积层输出的卷积特征映射上滑动小网络，这个网络全连接到输入卷积特征映射的nxn的空间窗口上。每个滑动窗口映射到一个低维向量上。这个向量输出给两个同级的全连接的层——包围盒回归层(reg)和包围盒分类层(cls)。
最后，进入步骤S1013，基于区域分类网络确定一个或多个前景区域中的一种或多种类型的病灶信息，区域分类网络的目标是从区域建议网络中找到的前景区域，对前景区域内包含的病灶进行分类，并调整边界框，进而确定一个或多个前景区域中的一种或多种类型的病灶信息。
图3示出了本发明的第二实施例的，一种3D实现多器官病灶整合的控制方法的具体流程示意图，作为本发明的第二实施例，提供了另一个用以实现本发明技术方案的方法，即包括如下步骤：
本领域技术人员理解，所述步骤S201以及步骤S202可以参考图1中示出的步骤S101以及步骤S102，在此不予赘述。
最后，执行步骤S203，基于所述3D病灶影像数据生成报告，本领域技术人员理解，本发明的目的用于医学影像的辅助筛查，影像报告的辅助生成，病例质量控制等，即本发明可以辅助医生识别、发现病灶，辅助医生进行影像报告的书写以及监控报告的书写质量，即通过步骤S203，可实现基于所述3D病灶影像数据而得出的关于患者的报告结果，所述报告结果优选地包括病灶的类别、位置、大小、严重程度、对患者影响程度等等。
更为具体地，本发明实际上采用了一种预测模型，在模型的形成、使用中，优选地最终在模型的智能报告功能帮助下，帮助医生生成标准化的影像报告。同时所述患者所对应地报告结果也将作为训练集的一部分补充，帮助模型进一步的迭代优化，极大地优化了数据集收集的难度。
图4示出了本发明的第三实施例的，一种3D实现多器官病灶整合的控制方法的具体流程示意图，作为本发明的第三实施例，公开了一种实现多器官病灶整合较为完整的实施例，作为本发明的优选实施例，具体包括如下步骤：
首先，进入步骤S301，所述步骤S301可以参考前述步骤S101中示出的具体实施方案，在此不予赘述。
然后，进入步骤S302，基于一个或多个第二2D影像数据以及一种或多种类型的病灶信息对一个或多个器官外的假阳性进行剔除，本领域技术人员理解，在本发明中通过器官分割输出的器官边界以及2D检测模型输出的病灶预测边界框和病灶分类作为输入，经过处理后，获得过滤后的病灶预测边界框和病灶分类同时剔除掉病灶的位置并不在其对应器官中的病灶。
紧接着，进入步骤S303，所述步骤S303可以参考前述步骤S102,在此不予赘述。
再然后，进入步骤S304，基于所述3D病灶影像数据对3D假阳性进行筛选，在这样的实施例中，将病灶的3D中心点和病灶分类，即一种或多种类型的病灶信息所对应地3D病灶影像数据作为输入，根据3D切块的图像特征和3D分类网络对假阳性进行筛选，进而得到筛选后的病灶信息所对应地3D病灶影像数据。
在执行完步骤S304之后，进入步骤S305，基于所述3D病灶影像数据对相邻位置进行去重处理，本领域技术人员理解，此步骤可以在所述步骤S304之后执行，也可以在步骤S304之前执行，此步骤主要通过对相邻位置进行去重处理实现3D病灶影像更为完整、清晰、准确的呈现，减少显示误差，提高识别效率。
进一步地，病灶信息包括一种或多种类型的病灶以及相对应地边界框，优选地，所述边界框通过方位、大小、形状等等确定，所述边界框的大小优选地为直径。
图5示出了本发明的另一具体实施方式的，一种3D实现多器官病灶整合的控制装置的模块连接示意图。
根据本发明的另一个方面，提供了一种3D实现多器官病灶整合的控制装置，包括第一确定装置：基于一个或多个第一2D影像数据确定以器官为单位的一个或多个第二2D影像数据以及与所述一个或多个第二2D影像数据相对应地一种或多种类型的病灶信息，所述第一确定装置的具体工作原理可以参考前述步骤S101，在此不予赘述。
进一步地，还包括第二确定装置：基于一个或多个第二2D影像数据以及一种或多种类型的病灶信息确定一种或多种类型的病灶信息所对应地3D病灶影像数据，所述第二确定装置的具体工作原理可以参考前述步骤S102，在此不予赘述。
进一步地，所述第一确定装置包括第三确定装置：基于卷积神经网络确定一个或多个第一2D影像数据中的一个或多个特征信息，所述第三确定装置的具体工作原理可以参考前述步骤S1011，在此不予赘述。
进一步地，所述第一确定装置还包括第四确定装置：基于区域建议网络确定一个或多个特征信息中的一个或多个前景区域，所述第四确定装置的具体工作原理可以参考前述步骤S1012，在此不予赘述。
进一步地，所述第一确定装置还包括第五确定装置，基于区域分类网络确定一个或多个前景区域中的一种或多种类型的病灶信息，所述第五确定装置的具体工作原理可以参考前述步骤S1013，在此不予赘述。
进一步地，还包括第一处理装置：基于一个或多个第二2D影像数据以及一种或多种类型的病灶信息对一个或多个器官外的假阳性进行剔除，所述第一处理装置的具体工作原理可以参考前述步骤S302，在此不予赘述。
进一步地，还包括第二处理装置：基于所述3D病灶影像数据生成报告，所述第二处理装置的具体工作原理可以参考前述步骤S203，在此不予赘述。
进一步地，还包括第三处理装置：基于所述3D病灶影像数据对3D假阳性进行筛选，所述第三处理装置的具体工作原理可以参考前述步骤S304，在此不予赘述。
进一步地，还包括第四处理装置：基于所述3D病灶影像数据对相邻位置进行去重处理，所述第四处理装置的具体工作原理可以参考前述步骤S305，在此不予赘述。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (14)
1.一种3D实现多器官病灶整合的控制方法，其通过将2D影像转化为3D影像实现多病灶的整合，其特征在于，包括如下步骤：
a.基于一个或多个第一2D影像数据确定以器官为单位的一个或多个第二2D影像数据以及与所述一个或多个第二2D影像数据相对应地一种或多种类型的病灶信息；
b.基于一个或多个第二2D影像数据以及一种或多种类型的病灶信息确定一种或多种类型的病灶信息所对应地3D病灶影像数据。
2.根据权利要求1所述的控制方法，其特征在于，在所述步骤a中，所述一种或多种类型的病灶信息通过如下步骤获取：
a1：基于卷积神经网络确定一个或多个第一2D影像数据中的一个或多个特征信息；
a2：基于区域建议网络确定一个或多个特征信息中的一个或多个前景区域；
a3：基于区域分类网络确定一个或多个前景区域中的一种或多种类型的病灶信息。
3.根据权利要求2所述的控制方法，其特征在于，在所述步骤a之后，还包括步骤a′：基于一个或多个第二2D影像数据以及一种或多种类型的病灶信息对一个或多个器官外的假阳性进行剔除。
4.根据权利要求1所述的控制方法，其特征在于，在所述步骤b之后，还包括步骤c：
基于所述3D病灶影像数据生成报告。
5.根据权利要求4所述的控制方法，其特征在于，在所述步骤c之前，还包括步骤c′：基于所述3D病灶影像数据对3D假阳性进行筛选。
6.根据权利要求4所述的控制方法，其特征在于，在所述步骤c之前，还包括步骤c″：基于所述3D病灶影像数据对相邻位置进行去重处理。
7.根据权利要求2所述的控制方法，其特征在于，第一2D影像数据为CT数据。
8.根据权利要求1所述的控制方法，其特征在于，病灶信息包括一种或多种类型的病灶以及相对应地边界框。
9.一种3D实现多器官病灶整合的控制装置，其特征在于，包括：
第一确定装置(1)：基于一个或多个第一2D影像数据确定以器官为单位的一个或多个第二2D影像数据以及与所述一个或多个第二2D影像数据相对应地一种或多种类型的病灶信息；
第二确定装置(2)：基于一个或多个第二2D影像数据以及一种或多种类型的病灶信息确定一种或多种类型的病灶信息所对应地3D病灶影像数据。
10.根据权利要求9所述的控制装置，其特征在于，所述第一确定装置(1)包括：
第三确定装置(11)：基于卷积神经网络确定一个或多个第一2D影像数据中的一个或多个特征信息；
第四确定装置(12)：基于区域建议网络确定一个或多个特征信息中的一个或多个前景区域；
第五确定装置(13)：基于区域分类网络确定一个或多个前景区域中的一种或多种类型的病灶信息。
11.根据权利要求9所述的控制装置，其特征在于，还包括第一处理装置(4)：基于一个或多个第二2D影像数据以及一种或多种类型的病灶信息对一个或多个器官外的假阳性进行剔除。
12.根据权利要求9所述的控制装置，其特征在于，还包括第二处理装置(3)：
基于所述3D病灶影像数据生成报告。
13.根据权利要求9所述的控制装置，其特征在于，还包括第三处理装置(5)：基于所述3D病灶影像数据对3D假阳性进行筛选。
14.根据权利要求9所述的控制装置，其特征在于，还包括第四处理装置(6)：基于所述3D病灶影像数据对相邻位置进行去重处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910538729.7A CN110288577A (zh) | 2019-06-20 | 2019-06-20 | 一种3d实现多器官病灶整合的控制方法及控制装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910538729.7A CN110288577A (zh) | 2019-06-20 | 2019-06-20 | 一种3d实现多器官病灶整合的控制方法及控制装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110288577A true CN110288577A (zh) | 2019-09-27 |
Family
ID=68004459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910538729.7A Pending CN110288577A (zh) | 2019-06-20 | 2019-06-20 | 一种3d实现多器官病灶整合的控制方法及控制装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110288577A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260618A (zh) * | 2020-01-13 | 2020-06-09 | 北京妙医佳健康科技集团有限公司 | 病灶检测系统构建的方法、装置及电子设备 |
| CN111275719A (zh) * | 2020-01-19 | 2020-06-12 | 北京推想科技有限公司 | 钙化假阳识别及其模型训练的方法、装置、终端及介质 |
| CN111666972A (zh) * | 2020-04-28 | 2020-09-15 | 清华大学 | 基于深度神经网络的肝部病例图像分类方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040086162A1 (en) * | 2002-10-31 | 2004-05-06 | University Of Chicago | System and method for computer-aided detection and characterization of diffuse lung desease |
| CN1759399A (zh) * | 2003-03-11 | 2006-04-12 | 美国西门子医疗解决公司 | 用于确保医学图像中计算机标记的人工审查的计算机辅助检测系统和方法 |
| CN101366059A (zh) * | 2005-12-29 | 2009-02-11 | 卡尔斯特里姆保健公司 | 用于多个器官系统的cad检测系统 |
| CN107296650A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学 | 基于虚拟现实和增强现实的智能手术辅助系统 |
| CN109102490A (zh) * | 2017-06-21 | 2018-12-28 | 国际商业机器公司 | 自动图像注册质量评估 |
| CN109147938A (zh) * | 2018-08-02 | 2019-01-04 | 广东工业大学 | 一种疾病智能诊断装置及设备 |
| CN109801272A (zh) * | 2019-01-07 | 2019-05-24 | 华南师范大学 | 肝脏肿瘤自动分割定位方法、系统及存储介质 |
-
2019
- 2019-06-20 CN CN201910538729.7A patent/CN110288577A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040086162A1 (en) * | 2002-10-31 | 2004-05-06 | University Of Chicago | System and method for computer-aided detection and characterization of diffuse lung desease |
| CN1759399A (zh) * | 2003-03-11 | 2006-04-12 | 美国西门子医疗解决公司 | 用于确保医学图像中计算机标记的人工审查的计算机辅助检测系统和方法 |
| CN101366059A (zh) * | 2005-12-29 | 2009-02-11 | 卡尔斯特里姆保健公司 | 用于多个器官系统的cad检测系统 |
| CN107296650A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学 | 基于虚拟现实和增强现实的智能手术辅助系统 |
| CN109102490A (zh) * | 2017-06-21 | 2018-12-28 | 国际商业机器公司 | 自动图像注册质量评估 |
| CN109147938A (zh) * | 2018-08-02 | 2019-01-04 | 广东工业大学 | 一种疾病智能诊断装置及设备 |
| CN109801272A (zh) * | 2019-01-07 | 2019-05-24 | 华南师范大学 | 肝脏肿瘤自动分割定位方法、系统及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| SHUJUN LIANG 等: "Deep-learning-based detection and segmentation of organs at risk in nasopharyngeal carcinoma computed tomographic images for radiotherapy planning", 《EUROPEAN RADIOLOGY》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260618A (zh) * | 2020-01-13 | 2020-06-09 | 北京妙医佳健康科技集团有限公司 | 病灶检测系统构建的方法、装置及电子设备 |
| CN111260618B (zh) * | 2020-01-13 | 2023-08-25 | 北京妙医佳健康科技集团有限公司 | 病灶检测系统构建的方法、装置及电子设备 |
| CN111275719A (zh) * | 2020-01-19 | 2020-06-12 | 北京推想科技有限公司 | 钙化假阳识别及其模型训练的方法、装置、终端及介质 |
| CN111275719B (zh) * | 2020-01-19 | 2023-04-07 | 推想医疗科技股份有限公司 | 钙化假阳识别及其模型训练的方法、装置、终端及介质 |
| CN111666972A (zh) * | 2020-04-28 | 2020-09-15 | 清华大学 | 基于深度神经网络的肝部病例图像分类方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Halder et al. | Lung nodule detection from feature engineering to deep learning in thoracic CT images: a comprehensive review | |
| Sun et al. | Deep learning-based classification of liver cancer histopathology images using only global labels | |
| Xu et al. | Multi-task joint learning model for segmenting and classifying tongue images using a deep neural network | |
| Khan et al. | Lungs nodule detection framework from computed tomography images using support vector machine | |
| CN110942446A (zh) | 一种基于ct影像的肺结节自动检测方法 | |
| Pan et al. | Cell detection in pathology and microscopy images with multi-scale fully convolutional neural networks | |
| Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
| Jia et al. | Detection of cervical cancer cells in complex situation based on improved YOLOv3 network | |
| CN109978880A (zh) | 采用高维特征选择对肺部肿瘤ct图像进行判别的方法 | |
| CN108549912A (zh) | 一种基于机器学习的医学图像肺结节检测方法 | |
| Bergtholdt et al. | Pulmonary nodule detection using a cascaded SVM classifier | |
| CN110288577A (zh) | 一种3d实现多器官病灶整合的控制方法及控制装置 | |
| Agarwal et al. | Detection of lung cancer using content based medical image retrieval | |
| CN111584046A (zh) | 一种医学影像数据ai处理方法 | |
| CN113096080A (zh) | 图像分析方法及系统 | |
| Hu et al. | A comparative study of gastric histopathology sub-size image classification: From linear regression to visual transformer | |
| Zhao et al. | Pulmonary nodule detection based on multiscale feature fusion | |
| CN113096079A (zh) | 图像分析系统及其构建方法 | |
| Dash et al. | Content-based image retrieval system for HRCT lung images: Assisting radiologists in self-learning and diagnosis of interstitial lung diseases | |
| Asha et al. | Segmentation of Brain Tumors using traditional Multiscale bilateral Convolutional Neural Networks | |
| Xiao et al. | Multi-scale Perception and Feature Refinement Network for multi-class segmentation of intracerebral hemorrhage in CT images | |
| Awang et al. | An overview of segmentation and classification techniques: A survey of brain tumour-related research | |
| Yu et al. | Research on 3D Medical Image Segmentation based on improved 3D-Unet | |
| Tasoulis et al. | Fractal analysis and fuzzy c-means clustering for quantification of fibrotic microscopy images | |
| Zhang | Deep learning frameworks for computer aided diagnosis based on medical images |
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: 20190927 |
|
| RJ01 | Rejection of invention patent application after publication |