CN110322444B - 医疗图像处理方法、装置、存储介质及计算机设备 - Google Patents

医疗图像处理方法、装置、存储介质及计算机设备 Download PDF

Info

Publication number
CN110322444B
CN110322444B CN201910471485.5A CN201910471485A CN110322444B CN 110322444 B CN110322444 B CN 110322444B CN 201910471485 A CN201910471485 A CN 201910471485A CN 110322444 B CN110322444 B CN 110322444B
Authority
CN
China
Prior art keywords
image
type
medical image
lesion
segmentation
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.)
Active
Application number
CN201910471485.5A
Other languages
English (en)
Other versions
CN110322444A (zh
Inventor
徐小栋
廖术
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN201910471485.5A priority Critical patent/CN110322444B/zh
Publication of CN110322444A publication Critical patent/CN110322444A/zh
Application granted granted Critical
Publication of CN110322444B publication Critical patent/CN110322444B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种医疗图像处理方法、装置、存储介质及计算机设备，在获取病人的医疗图像后，自动进行图像分割以及病灶检测处理，从而可以确定对应的病变级别，提高医疗图像处理效率以及准确性。另外，在确定病变级别之后，结合临床信息自动生成对应的医学影像报告，从而可以大大减少医生的工作量，并且可以避免出错。

Description

医疗图像处理方法、装置、存储介质及计算机设备
技术领域
本申请涉及医疗图像技术领域，特别是涉及一种医疗图像处理方法、装置、存储介质及计算机设备。
背景技术
近年来前列腺癌发病率呈上升趋势，现已成为老年男性最常见的恶性肿瘤之一。前列腺磁共振(Magnetic Resonance Imaging，MRI)检查作为前列腺癌的分期手段和诊断方法，越来越多的受到临床医师重视。
现有的前列腺磁共振检查过程中，在得到病人的列腺MR影像后，都是由医生通过PACs系统(Picture Archiving and Communication Systems，影像归档和通信系统)对不同模态的前列腺MR影像进行判读，对前列腺以及病灶进行定位，以及对病灶的影像学特征进行判读，并给出PI-RADs评分，最后填写结构式影像学报告，然而，现有医疗图像处理以及得到结构式影像学报告的过程中，医生往往需要进行大量的重复性劳动，且需要手动填写多份影像学报告，工作量大，处理效率较低，容易出错。
发明内容
基于此，有必要针对现有技术存在的问题，提供一种处理效率及准确性更高的医疗图像处理方法、装置、存储介质及计算机设备。
一种医疗图像处理方法，包括：
获取待处理的医疗图像，所述医疗图像包括第一类图像以及第二类图像，所述第一类图像包含的边界信息优于所述第二类图像包含的边界信息，所述第二类图像包含的病灶信息优于所述第一类图像包含的病灶信息；
对所述第一类图像进行图像分割处理，得到分割结果；
根据所述分割结果、所述第一类图像以及所述第二类图像进行病灶检测，得到病灶信息；
根据所述分割结果以及所述病灶信息，确定所述医疗图像的病变级别；
根据所述医疗图像的病变级别以及所述医疗图像对应的临床信息，通过报告生成模型生成对应的医学影像报告。
在其中一个实施例中，对所述第一类图像进行图像分割处理，得到分割结果，包括：
对所述第一类图像进行图像分割处理，并确定目标检测物；
根据所述目标检测物确定第一感兴趣区域。
在其中一个实施例中，根据所述分割结果、所述第一类图像以及所述第二类图像进行病灶检测，得到病灶信息，包括：
根据所述第一感兴趣区域在所述第二类图像中的对应位置，对所述第二类图像进行图像裁剪，得到第二感兴趣区域；
根据所述第一感兴趣区域以及所述第二感兴趣区域进行病灶检测，得到病灶信息。
在其中一个实施例中，根据所述第一感兴趣区域以及所述第二感兴趣区域进行病灶检测之前，还包括：
对所述第一感兴趣区域以及所述第二感兴趣区域进行图像配准处理。
在其中一个实施例中，所述医疗图像为前列腺MRI图像；
所述第一类图像包括T1加权图像以及T2加权图像中的至少一种；
所述第二类图像包括表观弥散系数图像以及弥散加权图像中的至少一种。
在其中一个实施例中，所述病灶信息包括：病灶数量、病灶体积、包膜突破信息、灰度值均值、灰度值方差中的至少一项，所述灰度值均值为病灶区域和健康区域的灰度值均值，所述灰度值方差为病灶区域和健康区域的灰度值方差；
根据所述分割结果以及所述病灶信息，确定所述医疗图像对应的病变级别，包括：
根据所述分割结果，确定目标检测对象体积；
根据所述病灶数量、所述病灶体积、所述包膜突破信息、所述灰度值均值、所述灰度值方差中的至少一项，以及所述目标检测对象体积，确定所述医疗图像对应的病变级别。
在其中一个实施例中，所述目标检测对象体积为根据所述目标检测对象的最大前后径、最大横径以及最大上下径计算得到。
一种医疗图像处理装置，包括：
图像获取模块，用于获取待处理的医疗图像，所述医疗图像包括不同模态的第一图像以及第二类图像，所述第一类图像包含的边界信息优于所述第二类图像包含的边界信息，所述第二类图像包含的病灶信息优于所述第一类图像包含的病灶信息；
图像分割模块，用于对所述第一类图像进行图像分割处理，得到分割结果；
病灶检测模块，用于根据所述分割结果、所述第一类图像以及所述第二类图像进行病灶检测，得到病灶信息；
级别确定模块，用于根据所述分割结果以及所述病灶信息，确定所述医疗图像的病变级别；
报告生成模块，用于根据所述医疗图像的病变级别以及所述医疗图像对应的临床信息，通过报告生成模型生成对应的医学影像报告。
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，所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
上述医疗图像处理方法、装置、存储介质及计算机设备，在获取病人的医疗图像后，自动进行图像分割以及病灶检测处理，从而可以确定对应的病变级别，提高医疗图像处理效率以及准确性。另外，在确定病变级别之后，结合临床信息自动生成对应的医学影像报告，从而可以大大减少医生的工作量，并且可以避免出错。
附图说明
图1为一个实施例中医疗图像处理方法的流程示意图；
图2为一个实施例中对第一类图像进行图像分割处理得到分割结果的流程示意图；
图3为一个实施例中根据分割结果、第一类图像以及第二类图像进行病灶检测得到病灶信息的流程示意图；
图4为一个实施例中采用的S2S模型的结构示意图；
图5为一个实施例中前列腺MRI图像处理方法的流程示意图；
图6为一个实施例中医疗图像处理装置的结构示意图；
图7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。
在一个实施例中，如图1所示，提供一种医疗图像处理方法，以该方法应用于可以进行医疗图像处理的处理器为例进行解释说明，该方法包括以下步骤：
步骤S100，获取待处理的医疗图像，医疗图像包括第一类图像以及第二类图像。
待处理的医疗图像可以是通过医疗成像系统得到的图像，例如，PET(PositronEmission Computed Tomography，正电子发射型计算机断层显像)图像、CT(ComputedTomography，电子计算机断层扫描)图像、MRI(Magnetic Resonance Imaging，磁共振成像)图像等，在此不做具体的类型限定。
本步骤中，处理器获取的医疗图像包括第一类图像以及第二类图像，第一类图像与第二类图像的图像信息质量不相同，其中，第一类图像包含的边界信息优于第二类图像包含的边界信息，第二类图像包含的病灶信息优于第一类图像包含的病灶信息。其中，“更优”可以理解为“更明显”、“更容易检测”、“更有助于提高检测准确度”等意思。通过边界信息更优的第一类图像，可以更好地得到医疗图像中目标检测物的边界轮廓，从而更准确地确定目标检测物；通过病灶信息更优的第二类图像，可以更好地进行病灶检测，从而，结合第一类图像以及第二类图像，可以提高医疗图像处理结果的准确性。
需要说明的是，第一类图像和第二类图像并不仅仅是分别指代单独一张图像，第一类图像和第二类图像也可以是分别指代一个图像集，只要第一类图像和第二类图像分别指代的图像集满足“第一类图像的边界信息更优、第二类图像的病灶信息更优”即可。
进一步地，本申请中所使用的“第一”、“第二”等术语是用于区分不同对象，而不是用于描述特定顺序。具体地，在本申请各实施例中，采用“第一类”、“第二类”等来区分图像，但是这些图像并不限定于一定采用这些术语，例如，在不脱离本申请各实施例范围的情况下，“第一类图像”也可以被称为“第二类图像”，“第二类图像”也可以被称为“第一类图像”；或者，“第一类图像”也可以被称为“第三类图像”，“第二类图像”也可以被称为“第四类图像”等。这些术语仅用来将这些图像彼此区分开。
另外，第一类图像和第二类图像可以是相同模态的图像，也可以是不同模态的图像，同样只要第一类图像和第二类图像满足上述图像信息质量要求即可，在此不做限定。例如，当第一类图像与第二类图像的模态相同时，可以通过对成像参数进行调整，以使得得到的“第一类图像的边界信息更优、第二类图像的病灶信息更优”；当第一类图像与第二类图像的模态不同时，可以通过边界信息更优的第一成像模态得到第一类图像，通过病灶信息更优的第二成像模态得到第一类图像。
步骤S200，对第一类图像进行图像分割处理，得到分割结果。
图像分割是指将图像分成一个或多个特定的、具有独特性质的区域并提出感兴趣目标的过程。本步骤中，处理器在得到待处理的医疗图像之后，由于医疗图像中第一类图像的边界信息更优，因此，处理器首先对第一类图像进行图像分割处理，得到包含目标检测物的分割结果，以用于根据该目标检测物进行病灶检测。
需要说明的是，在处理器执行图像分割处理时，并不限定处理器所采用的具体图像分割处理方法，例如：图像分割处理方法可以是神经网络分割方法、灰度阀值分割法、边界分割法、基于纹理的分割法、区域生长法等，或者是其他图像分割方法，只要处理器可以通过该图像分割处理方法得到包含目标检测物的分割结果即可。另外，处理器可以是只采取单独的一种图像分割方法，也可以是综合采用多种图像分割方法。
步骤S300，根据分割结果、第一类图像以及第二类图像进行病灶检测，得到病灶信息。
病灶是指一个局限的、具有病原微生物的病变组织，通过进行病灶检测，可以确定病灶的位置、大小等信息。本步骤中，处理器在通过图像分割处理得到包含目标检测物的分割结果之后，根据得到的分割结果、第一类图像以及病灶信息更优的第二类图像进行病灶检测，从而确定病灶的位置、大小、发育情况等信息。
步骤S400，根据分割结果以及病灶信息，确定医疗图像的病变级别。
医疗图像的病变级别，即医疗图像中目标检测物的病变级别。处理器在通过图像分割处理得到分割结果、以及通过病灶检测得到病灶信息之后，根据得到的分割结果中目标检测物的信息以及病灶信息中病灶的位置、大小、发育情况等信息，结合对应的级别判断标准，确定医疗图像的病变级别，从而提高病情判断的准确性。
步骤S500，根据医疗图像的病变级别以及医疗图像对应的临床信息，通过报告生成模型生成对应的医学影像报告。
处理器在确定医疗图像的病变级别之后，根据该病变级别，以及医疗图像对应的病人的临床信息，通过报告生成模型即可自动生成对应的医学影像报告。其中，病变级别以及临床信息等通常包含多个量化数据，通过报告生成模型可以将量化数据转换为描述性的文字信息，从而自动生成结构式报告，减少报告的出错率，并且可以避免用词不规范的问题。
本实施例提供一种医疗图像处理方法，在获取病人的医疗图像后，自动进行图像分割以及病灶检测处理，从而可以确定对应的病变级别，提高医疗图像处理效率以及准确性。另外，在确定病变级别之后，结合临床信息自动生成对应的医学影像报告，从而可以大大减少医生的工作量，并且可以避免出错以及用词不规范等问题。
在一个实施例中，如图2所示，步骤S200，对第一类图像进行图像分割处理，得到分割结果，包括步骤S210至步骤S220。
步骤S210，对第一类图像进行图像分割处理，并确定目标检测物。由于第一类图像包含的边界信息优于第二类图像，因此，处理器对第一类图像进行图像分割处理以确定目标检测物，从而可以使得得到目标检测物更加精确。
步骤S220，根据目标检测物确定第一感兴趣区域。感兴趣区域(Region ofInterest，ROI)是指包含感兴趣对象的区域，第一感兴趣区域即第一类图像中选择的、包含目标检测物的图像区域，通过确定感兴趣区域，可以定位包含目标检测物的关注区域，去除其他不包含目标检测物的非关注区域，从而进行进一步处理，以减少处理时间，增加处理精度。
具体地，处理器在通过上述步骤对第一类图像进行图像分割处理时，具体可以是通过分割网络实现，例如，U-net、V-net等，其中，U-net是基于FCN(Fully ConvolutionalNetworks，全卷积网络)的一个语义分割网络，采用的是一个包含下采样和上采样的网络结构。V-Net是另一种版本的3D U-Net,其网络结构主要特点是3D卷积，引入残差模块和U-Net的框架。
本实施例通过分割网络对图像进行分割，可以提高图像分割处理结果的准确性，从而有助于提高后续病灶检测等处理过程的准确性。
在一个实施例中，如图3所示，步骤S300，根据分割结果、第一类图像以及第二类图像进行病灶检测，得到病灶信息，包括步骤S310以及步骤S330。
步骤S310，根据第一感兴趣区域在第二类图像中的对应位置，对第二类图像进行图像裁剪，得到第二感兴趣区域；
由于第二类图像包含的病灶信息优于第一类图像，因此，处理器在进行病灶检测时，还需要使用第二类图像，以使得得到的病灶信息更加准确。同样，为了减少处理时间，增加处理精度，需要对第二类图像进行感兴趣区域的定位(Bounding Box)。由于已经在第一类图像中定位了第一感兴趣区域，在定位第二类图像中的感兴趣区域时，可以根据第一感兴趣区域在第二类图像中的对应位置，对第二类图像进行图像裁剪，从而得到第二类图像中的第二感兴趣区域。
步骤S330，根据第一感兴趣区域以及第二感兴趣区域进行病灶检测，得到病灶信息。
处理器在得到第一感兴趣区域以及第二感兴趣区域之后，根据第一感兴趣区域以及第二感兴趣区域对目标检测物的病灶进行检测，从而得到各个病灶的位置、大小、发育情况等信息。
在一个实施例中，在根据第一感兴趣区域以及第二感兴趣区域进行病灶检测，得到病灶信息之后，医疗图像处理方法还包括：计算病灶的连通域数量，并筛选预设数量的连通域。
具体地，处理器根据第一感兴趣区域以及第二感兴趣区域进行病灶检测得到的病灶的数量可能是多个，并且不同病灶之间可能存在连通的情况，为了减少数据处理量，需要过滤掉较小的病灶，针对较大的病灶进行进一步处理。因此，本实施例中，在得到多个病灶之后，还需要计算病灶的连通域数量，连通的病灶可以认为是同一个连通域。在进行连通域筛选时，可以是根据连通域的大小进行筛选，也可以是根据其他筛选条件进行筛选。预设数量可以根据具体情况确定。例如，当筛选条件为根据连通域的大小进行筛选，预设数量为3时，即表示从所有病灶的连通域中选择前3个最大的连通域，作为用于进行下一步处理的病灶。
在一个实施例中，参考图3，根据第一感兴趣区域以及第二感兴趣区域进行病灶检测之前，还包括步骤S320，对第一感兴趣区域以及第二感兴趣区域进行图像配准处理。
图像配准是指对于一幅医学图像寻求一种(或一系列)空间变换，使它与另一幅医学图像上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两张匹配图像上有相同的空间位置。配准的结果应使两幅图像上所有的解剖点，或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。
在本实施例中，图像配准的目的在于使得第一感兴趣区域以及第二感兴趣区域上的特征点一致，从而便于进行病灶检测。需要说明的是，处理器在进行图像配准处理时，并不限定处理器所采用的图像配准方法，例如：图像配准方法可以是基于灰度信息的图像配准方法(如互相关法、序贯相似度检测匹配法等)、变换域法(如傅氏变换方法)和基于特征法等，或者是其他图像配准方法，只要处理器可以通过该图像配准方法可以对第一感兴趣区域以及第二感兴趣区域进行图像配准处理即可。另外，处理器可以是只采取单独的一种图像配准方法，也可以是综合采用多种图像配准方法。
在一个实施例中，在确定医疗图像的病变级别时，可以参考行业内的“金标准”进行级别判断。金标准，是指当前临床医学界公认的诊断疾病的最可靠、最准确、最好的诊断方法，临床上常用的黄金标准有组织病理学检查(活检、尸检)、手术发现、影像诊断(CT、核磁共振、彩色B超)、病原体的分离培养以及长期随访所得的结论。金标准一般是特异性诊断方法，可以正确区分为“有病”和“无病”。通过“金标准”进行级别判断，可以提高级别判断的准确性。
在一个实施例中，报告生成模型可以选择Sequence-to-Sequence(S2S)模型。S2S模型一般是通过Encoder-Decoder(编码-解码)框架实现，属于从输入序列到输出序列的转换模型框架，Encoder和Decoder部分可以是任意的文字，语音，图像，视频数据，模型可以采用CNN(卷积神经网络)、RNN(Recurrent Neural Network，递归神经网络)、LSTM(LongShort-Term Memory，长短期记忆网络)、GRU(Gated Recurrent Unit，门控循环单元)、BLSTM(bidirectional long short-term memory，双向长短时记忆网络)等等。
如图4所示，为本实施例中采用的S2S模型的结构示意图，其中，X表示输入序列，具体可以是根据分割结果以及病灶信息得到的量化数据，C表示语义向量编码(Code)，Y表示输出序列，具体可以是描述性的文字信息。
本实施例采用S2S模型生成对应的医学影像报告，由于S2S属于Encoder-Decoder模型的一种，能够利用更长范围的序列全局的信息，并且综合序列上下文判断，推断出与序列相对应的另一种表述序列，从而实现将量化数据转换为描述性的文字，自动生成对应的结构式报告。
在一个实施例中，在生成对应的医学影像报告之后，还包括：对医学影像报告进行优化处理，例如，可以对报告中的重复性语句进行剔除或者合并处理。通过优化处理，可以提高报告的可读性，更便于阅读和理解。
在一个实施例中，以医疗图像为前列腺MRI图像为例，对本申请的医疗图像处理方法进行解释说明。如图5所示，前列腺MRI图像的处理方法主要包括以下步骤：
(1)获取待处理的前列腺MRI图像。
前列腺MRI图像可以是直接从PACs(Picture Archiving and CommunicationSystems，影像归档和通信系统)系统中获取，也可以是直接获取通过MRI成像设备得到的前列腺MRI图像。前列腺MRI图像包括第一类图像以及第二类图像，第一类图像包括T1加权图像(T1W)以及T2加权图像(T2W)中的至少一种；第二类图像包括表观弥散系数(ApparentDiffusion Coefficient，ADC)图像以及弥散加权(Diffusion Weighted Imaging，DWI)图像中的至少一种。例如，第一类图像可以是T1W，可以是T2W，也可以是T1W和T2W；第二类图像可以是ADC，可以是DWI，也可以是ADC和DWI。
为了便于理解，以使用T2W为第一类图像，使用ADC以及DWI为第二类图像为例，对本申请的技术方案进行解释说明，其中，T2W能够提供最好的解剖带和包膜腔，提供较为清晰的边界，用于前列腺腺体分割。而ADC和DWI，能够提供更丰富的病灶信息。可以理解，第一类图像也可以是包含其他模态的前列腺MRI图像。
(2)通过分割网络对前列腺MRI图像中的T2加权图像进行前列腺腺体分割，确定第一感兴趣区域。具体地，可以采用V-Net作为前列腺腺体分割的网络模型，将T2W影像输入第一个V-Net腺体分割网络进行腺体分割，得到腺体分割结果，并将前列腺腺体以及腺体周围的区域作为第一感兴趣区域。
可选地，在对T2加权图像进行前列腺腺体分割之前，还包括：将T2W，ADC，DWI重采样至预设的空间采样间距(Spacing)，目的是为了使以上图像的分辨率大小一致，提高图像处理的准确性。
(3)根据T2W的第一感兴趣区域在ADC、DWI中的对应位置，对ADC、DWI进行图像裁剪，分别得到对应的第二感兴趣区域。
(4)对T2W的第一感兴趣区域以及ADC、DWI的第二感兴趣区域进行图像配准处理，得到配准影像。
(5)根据由T2W的第一感兴趣区域以及ADC、DWI的第二感兴趣区域得到的配准影像进行病灶检测，得到病灶信息。同样，在进行病灶检测时，也可以采用V-Net作为病灶检测的网络模型，将配准影像输入第二个V-Net病灶检测网络，得到病灶区域以及对应的病灶信息。
可选地，在得到病灶区域以及对应的病灶信息之后，还包括：计算病灶的连通域数量，并筛选预设数量的连通域。
(6)对分割结果以及病灶信息进行量化处理，得到量化结果。
量化处理包括：根据分割结果确定前列腺腺体体积。具体地，前列腺腺体体积为根据前列腺腺体的最大前后径、最大横径以及最大上下径计算得到。
可选地，可以按照以下公式计算前列腺腺体体积：V＝AP*LR*SI*0.52，其中，V表示前列腺腺体体积，AP表示前列腺腺体的最大前后径，LR表示前列腺腺体的最大横径，SI表示最大上下径。
另外，量化结果还包括：病灶数量、病灶体积、包膜突破信息、灰度值均值、灰度值方差中的至少一项，所述灰度值均值为病灶区域和健康区域的灰度值均值，所述灰度值方差为病灶区域和健康区域的灰度值方差。
其中，包膜突破信息可以通过以下步骤确定：计算各个病灶的体积和质心，并通过质心判断病灶位于前列腺的位置，以及判断其是否已突破包膜。
可选地，质心可以通过以下公式计算得到：
Figure BDA0002080961080000131
其中，(cx,cy,cz)表示质心坐标，N为体素个数，(xi,yi,zi)为体素坐标，wi为体素权重。
(7)根据量化结果进行病变级别分级，确定前列腺MRI图像的病变级别。
在确定前列腺MRI图像的病变级别时，可以参考前列腺影像报告数据系统指南(Prostate Imaging Reporting and Data System，PI-RADS)的级别标准。对于前列腺MRI图像，欧洲泌尿生殖放射学会(European Society of Urogenital Radiology，ESUR)发表了前列腺的磁共振诊断指南，其中重点论述了前列腺影像报告数据系统指南，PI-RADS旨在规范前列腺MRI报告，减少易混淆的影像描述和模糊的诊断结果，指导临床医生对前列腺疾病诊断和监测。具体地，PI-RADS评分系统使用5分制标准：1分，临床表现与前列腺疾病极不相似；2分，临床表现不可能是PCa(Prostate Cancer，前列腺癌)；3分，临床表现为PCa可疑；4分，临床表现与PCa相似；5分，临床表现与PCa高度相似。
在根据分割结果以及病灶信息确定前列腺MRI图像的病变级别时，可以根据PI-RADS评分系统、采用分类方法(如决策树等)对病灶结果进行分级，以增加结果的可解释性。选择决策树的主要原因是由于其能够同时处理不同类型的数据，且对不同特征的数据不敏感，相对处理速度较快。具体地，将得到的量化结果作为特征属性输入决策树，输出为对应的PI-RADS评分，量化结果包括：病灶数量、病灶体积、包膜突破信息、灰度值均值、灰度值方差中的至少一项，以及前列腺腺体体积。另外，除了决策树，也可以采用其他方法，如SVR(Support Vector Regression，支持向量回归)、线性回归等。
本步骤通过根据PI-RADS评分系统确定前列腺MRI图像的病变级别，可以规范前列腺MRI报告，减少易混淆的影像描述和模糊的诊断结果，指导临床医生对前列腺癌的恶性程度做出准确分级。
可选地，在进行PI-RADS分级时，也可以结合病人的其他临床信息，如年龄、PSA(Prostate Specific Antigen，前列腺特异抗原)值、病史等，通过结合其他临床信息利用决策树对病灶进行PI-RADS分级，可以进一步提高分级结果的准确性。
(8)根据前列腺MRI图像的病变级别以及前列腺MRI图像对应的临床信息，通过S2S模型生成对应的结构化报告。
具体地，前列腺MRI图像的病变级别即对应的PI-RADS评分，临床信息还包括：年龄、PSA值、FPSA(游离前列腺特异性抗原)值、是否进行前列腺活检及其日期与结果、Gleason评分、既往病史、病灶大小等。根据上述信息生成进行整合，通过S2S模型生成对应的结构化报告。
可选地，在生成对应的结构化报告之后，还包括：对结构化报告进行优化处理，例如，可以对报告中的重复性语句进行剔除或者合并处理等,从而提高报告的可读性。
本实施例提供一种前列腺MRI图像的处理方法，在获取病人的前列腺MRI图像后，自动进行图像分割以及病灶检测处理，从而可以确定对应的病变级别，提高处理效率以及准确性。另外，在确定病变级别之后，结合临床信息自动生成对应的医学影像报告，从而可以大大减少医生的工作量，并且可以避免出错以及用词不规范等问题。
在合理条件下应当理解，虽然前文各实施例涉及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，各流程图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6所示，提供一种医疗图像处理装置，该装置包括：图像获取模块100、图像分割模块200、病灶检测模块300、级别确定模块400以及报告生成模块500。
图像获取模块100用于获取待处理的医疗图像，医疗图像包括不同模态的第一图像以及第二类图像，第一类图像包含的边界信息优于第二类图像包含的边界信息，第二类图像包含的病灶信息优于第一类图像包含的病灶信息；
图像分割模块200用于对第一类图像进行图像分割处理，得到分割结果；
病灶检测模块300用于根据分割结果、第一类图像以及第二类图像进行病灶检测，得到病灶信息；
级别确定模块400用于根据分割结果以及病灶信息，确定医疗图像的病变级别；
报告生成模块500用于根据医疗图像的病变级别以及医疗图像对应的临床信息，通过报告生成模型生成对应的医学影像报告。
在一个实施例中，图像分割模块200还用于：对所述第一类图像进行图像分割处理，并确定目标检测物；根据所述目标检测物确定第一感兴趣区域。
在一个实施例中，病灶检测模块300还用于：根据所述第一感兴趣区域在所述第二类图像中的对应位置，对所述第二类图像进行图像裁剪，得到第二感兴趣区域；根据所述第一感兴趣区域以及所述第二感兴趣区域进行病灶检测，得到病灶信息。
在一个实施例中，病灶检测模块300还用于：对所述第一感兴趣区域以及所述第二感兴趣区域进行图像配准处理。
在一个实施例中，级别确定模块400还用于：根据所述分割结果，确定目标检测对象体积；根据所述病灶数量、所述病灶体积、所述包膜突破信息、所述灰度值均值、所述灰度值方差中的至少一项，以及所述目标检测对象体积，确定所述医疗图像对应的病变级别。
关于医疗图像处理装置的具体限定可以参见上文中对于医疗图像处理方法的限定，在此不再赘述。上述医疗图像处理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，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：获取待处理的医疗图像，医疗图像包括第一类图像以及第二类图像，第一类图像包含的边界信息优于第二类图像包含的边界信息，第二类图像包含的病灶信息优于第一类图像包含的病灶信息；对第一类图像进行图像分割处理，得到分割结果；根据分割结果、第一类图像以及第二类图像进行病灶检测，得到病灶信息；根据分割结果以及病灶信息，确定医疗图像的病变级别；根据医疗图像的病变级别以及医疗图像对应的临床信息，通过报告生成模型生成对应的医学影像报告。
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：对第一类图像进行图像分割处理，并确定目标检测物；根据目标检测物确定第一感兴趣区域。
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：根据第一感兴趣区域在第二类图像中的对应位置，对第二类图像进行图像裁剪，得到第二感兴趣区域；根据第一感兴趣区域以及第二感兴趣区域进行病灶检测，得到病灶信息。
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：对第一感兴趣区域以及第二感兴趣区域进行图像配准处理。
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：根据分割结果，确定目标检测对象体积；根据所述病灶数量、所述病灶体积、所述包膜突破信息、所述灰度值均值、所述灰度值方差中的至少一项，以及所述目标检测对象体积，确定所述医疗图像对应的病变级别。
图7示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端(或服务器)。如图7所示，该计算机设备包括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、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现视频码率控制方法以及视频转码方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行视频码率控制方法以及视频转码方法。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，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7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：获取待处理的医疗图像，医疗图像包括第一类图像以及第二类图像，第一类图像包含的边界信息优于第二类图像包含的边界信息，第二类图像包含的病灶信息优于第一类图像包含的病灶信息；对第一类图像进行图像分割处理，得到分割结果；根据分割结果、第一类图像以及第二类图像进行病灶检测，得到病灶信息；根据分割结果以及病灶信息，确定医疗图像的病变级别；根据医疗图像的病变级别以及医疗图像对应的临床信息，通过报告生成模型生成对应的医学影像报告。
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：对第一类图像进行图像分割处理，并确定目标检测物；根据目标检测物确定第一感兴趣区域。
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：根据第一感兴趣区域在第二类图像中的对应位置，对第二类图像进行图像裁剪，得到第二感兴趣区域；根据第一感兴趣区域以及第二感兴趣区域进行病灶检测，得到病灶信息。
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：对第一感兴趣区域以及第二感兴趣区域进行图像配准处理。
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：根据分割结果，确定目标检测对象体积；根据所述病灶数量、所述病灶体积、所述包膜突破信息、所述灰度值均值、所述灰度值方差中的至少一项，以及所述目标检测对象体积，确定所述医疗图像对应的病变级别。
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，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。
以上所述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发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (14)

1.一种医疗图像处理方法，其特征在于，包括：
获取待处理的医疗图像，所述医疗图像包括第一类图像以及第二类图像，所述第一类图像包含的边界信息优于所述第二类图像包含的边界信息，所述第二类图像包含的病灶信息优于所述第一类图像包含的病灶信息；
对所述第一类图像进行图像分割处理，得到分割结果，所述分割结果包括第一感兴趣区域；
根据所述第一感兴趣区域在所述第二类图像中的对应位置，对所述第二类图像进行图像裁剪，得到第二感兴趣区域；
对所述第一感兴趣区域以及所述第二感兴趣区域进行图像配准处理；
将图像配准处理后的所述第一感兴趣区域和所述第二感兴趣区域输入病灶检测网络，得到病灶区域以及对应的病灶信息；
根据所述分割结果以及所述病灶信息，确定所述医疗图像的病变级别；
根据所述医疗图像的病变级别以及所述医疗图像对应的临床信息，通过报告生成模型生成对应的医学影像报告；所述病变级别以及所述医疗图像对应的临床信息中均包含多个量化数据。
2.根据权利要求1所述的医疗图像处理方法，其特征在于，对所述第一类图像进行图像分割处理，得到分割结果，包括：
对所述第一类图像进行图像分割处理，并确定目标检测物；
根据所述目标检测物确定所述第一感兴趣区域。
3.根据权利要求1所述的医疗图像处理方法，其特征在于，对所述第一类图像进行图像分割处理，得到分割结果，包括：通过分割网络对所述第一类图像进行图像分割处理，得到所述分割结果。
4.根据权利要求1所述的医疗图像处理方法，其特征在于，在得到病灶区域以及对应的病灶信息之后，所述方法还包括：
计算病灶的连通域数量，并筛选预设数量的连通域。
5.根据权利要求1所述的医疗图像处理方法，其特征在于，所述医疗图像为前列腺MRI图像；
所述第一类图像包括T1加权图像以及T2加权图像中的至少一种；
所述第二类图像包括表观弥散系数图像以及弥散加权图像中的至少一种。
6.根据权利要求1所述的医疗图像处理方法，其特征在于，所述病灶信息包括：病灶数量、病灶体积、包膜突破信息、灰度值均值、灰度值方差中的至少一项，所述灰度值均值为病灶区域和健康区域的灰度值均值，所述灰度值方差为病灶区域和健康区域的灰度值方差；
根据所述分割结果以及所述病灶信息，确定所述医疗图像对应的病变级别，包括：
根据所述分割结果，确定目标检测对象体积；
根据所述病灶数量、所述病灶体积、所述包膜突破信息、所述灰度值均值、所述灰度值方差中的至少一项，以及所述目标检测对象体积，确定所述医疗图像对应的病变级别。
7.根据权利要求6所述的医疗图像处理方法，其特征在于，所述目标检测对象体积为根据所述目标检测对象的最大前后径、最大横径以及最大上下径计算得到。
8.一种医疗图像处理装置，其特征在于，包括：
图像获取模块，用于获取待处理的医疗图像，所述医疗图像包括不同模态的第一类图像以及第二类图像，所述第一类图像包含的边界信息优于所述第二类图像包含的边界信息，所述第二类图像包含的病灶信息优于所述第一类图像包含的病灶信息；
图像分割模块，用于对所述第一类图像进行图像分割处理，得到分割结果，所述分割结果包括第一感兴趣区域；
病灶检测模块，用于根据所述第一感兴趣区域在所述第二类图像中的对应位置，对所述第二类图像进行图像裁剪，得到第二感兴趣区域；对所述第一感兴趣区域以及所述第二感兴趣区域进行图像配准处理，将图像配准处理后的所述第一感兴趣区域和所述第二感兴趣区域输入病灶检测网络，得到病灶区域以及对应的病灶信息；
级别确定模块，用于根据所述分割结果以及所述病灶信息，确定所述医疗图像的病变级别；
报告生成模块，用于根据所述医疗图像的病变级别以及所述医疗图像对应的临床信息，通过报告生成模型生成对应的医学影像报告；所述病变级别以及所述医疗图像对应的临床信息包含多个量化数据。
9.根据权利要求8所述的装置，其特征在于，所述图像分割模块，还用于：对所述第一类图像进行图像分割处理，并确定目标检测物；根据所述目标检测物确定所述第一感兴趣区域。
10.根据权利要求9所述的装置，其特征在于，所述图像分割模块，通过分割网络对所述第一类图像进行图像分割处理，得到所述分割结果。
11.根据权利要求10所述的装置，其特征在于：
所述病灶检测模块，还用于计算病灶的连通域数量，并筛选预设数量的连通域。
12.根据权利要求8所述的装置，其特征在于，所述病灶信息包括：病灶数量、病灶体积、包膜突破信息、灰度值均值、灰度值方差中的至少一项，所述级别确定模块还用于：根据所述分割结果，确定目标检测对象体积；根据所述病灶数量、所述病灶体积、所述包膜突破信息、所述灰度值均值、所述灰度值方差中的至少一项，以及所述目标检测对象体积，确定所述医疗图像对应的病变级别。
13.一种计算机设备，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。
14.一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。
CN201910471485.5A 2019-05-31 2019-05-31 医疗图像处理方法、装置、存储介质及计算机设备 Active CN110322444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910471485.5A CN110322444B (zh) 2019-05-31 2019-05-31 医疗图像处理方法、装置、存储介质及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910471485.5A CN110322444B (zh) 2019-05-31 2019-05-31 医疗图像处理方法、装置、存储介质及计算机设备

Publications (2)

Publication Number Publication Date
CN110322444A CN110322444A (zh) 2019-10-11
CN110322444B true CN110322444B (zh) 2021-11-23

Family

ID=68119209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910471485.5A Active CN110322444B (zh) 2019-05-31 2019-05-31 医疗图像处理方法、装置、存储介质及计算机设备

Country Status (1)

Country Link
CN (1) CN110322444B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127467B (zh) * 2020-03-31 2020-07-14 上海联影智能医疗科技有限公司 图像量化方法、计算机设备和存储介质
CN113555088A (zh) * 2020-04-23 2021-10-26 上海联影智能医疗科技有限公司 图像处理方法、装置、系统和存储介质
CN111640480B (zh) * 2020-05-21 2023-09-26 上海联影智能医疗科技有限公司 医学报告生成方法、计算机设备和存储介质
CN112263269B (zh) * 2020-09-22 2024-04-19 北京赛迈特锐医疗科技有限公司 泌尿系x线平片结石智能检测系统及方法
CN112168193B (zh) * 2020-10-14 2024-04-23 北京赛迈特锐医疗科技有限公司 基于髌骨轴位x线图像获取髌骨解剖参数的系统及方法
CN112365473A (zh) * 2020-11-12 2021-02-12 同心医联科技（北京）有限公司 一种ai医学影像处理系统、设备及存储介质
CN113077887B (zh) * 2021-03-24 2022-09-02 四川大学华西医院 大脑白质病变自动化定量分析系统与判读方法
CN113160947A (zh) * 2021-05-18 2021-07-23 上海商汤智能科技有限公司 医学图像的展示方法及装置、电子设备和存储介质
CN114500498B (zh) * 2021-12-28 2023-12-08 武汉联影医疗科技有限公司 Dicom文件传输与存储方法、系统、设备及存储介质
CN113538606B (zh) * 2021-08-17 2022-07-22 数坤(北京)网络科技股份有限公司 图像关联方法、装置、计算机可读存储介质及电子设备
CN113627564A (zh) * 2021-08-23 2021-11-09 李永鑫 基于深度学习的ct医学影像处理模型训练方法及诊疗系统
WO2023115345A1 (zh) * 2021-12-21 2023-06-29 深圳先进技术研究院 前列腺患者分类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573490A (zh) * 2018-04-25 2018-09-25 王成彦 一种针对肿瘤影像数据的智能读片系统
CN108596894A (zh) * 2018-04-25 2018-09-28 王成彦 一种用于多参数磁共振影像的前列腺自动分区方法
CN109741343A (zh) * 2018-12-28 2019-05-10 浙江工业大学 一种基于3D-Unet和图论分割的T1WI-fMRI图像肿瘤协同分割方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10540570B2 (en) * 2017-03-21 2020-01-21 Case Western Reserve University Predicting prostate cancer recurrence in pre-treatment prostate magnetic resonance imaging (MRI) with combined tumor induced organ distension and tumor radiomics
CN111344801B (zh) * 2017-11-22 2023-10-27 通用电气公司 针对前列腺癌的多模态计算机辅助诊断系统和方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573490A (zh) * 2018-04-25 2018-09-25 王成彦 一种针对肿瘤影像数据的智能读片系统
CN108596894A (zh) * 2018-04-25 2018-09-28 王成彦 一种用于多参数磁共振影像的前列腺自动分区方法
CN109741343A (zh) * 2018-12-28 2019-05-10 浙江工业大学 一种基于3D-Unet和图论分割的T1WI-fMRI图像肿瘤协同分割方法

Also Published As

Publication number Publication date
CN110322444A (zh) 2019-10-11

Similar Documents

Publication Publication Date Title
CN110322444B (zh) 医疗图像处理方法、装置、存储介质及计算机设备
US10769791B2 (en) Systems and methods for cross-modality image segmentation
CN109993726B (zh) 医学图像的检测方法、装置、设备和存储介质
JP7448476B2 (ja) 高速ニューラルネットワークベースの画像セグメント化および放射性医薬品摂取判定のためのシステムおよび方法
US11937962B2 (en) Systems and methods for automated and interactive analysis of bone scan images for detection of metastases
US8391574B2 (en) Method and system of computer-aided quantitative and qualitative analysis of medical images from multiple modalities
CN102855618B (zh) 用于图像产生和图像分析的方法
US10997475B2 (en) COPD classification with machine-trained abnormality detection
JP5468905B2 (ja) 神経変性疾患の診断を支援するためのツール
US7792778B2 (en) Knowledge-based imaging CAD system
CN111325714B (zh) 感兴趣区域的处理方法、计算机设备和可读存储介质
JP2023540910A (ja) 病変検出のための共同訓練を伴う接続機械学習モデル
CN110751187B (zh) 异常区域图像生成网络的训练方法和相关产品
CN110956634A (zh) 一种基于深度学习的脑微出血自动检测方法及系统
KR102328228B1 (ko) 의료 영상 기반 종양 검출 및 진단 방법
CN112700451A (zh) 用于自动分割3d医学图像的方法、系统和计算机可读介质
US20220028510A1 (en) Medical document creation apparatus, method, and program
CN110910335B (zh) 一种图像处理方法、图像处理设备及计算机可读存储介质
US11837346B2 (en) Document creation support apparatus, method, and program
CN113192031A (zh) 血管分析方法、装置、计算机设备和存储介质
US7961923B2 (en) Method for detection and visional enhancement of blood vessels and pulmonary emboli
CN114066798A (zh) 一种基于深度学习的脑肿瘤核磁共振影像数据合成方法
WO2020056196A1 (en) Fully automated personalized body composition profile
CN111971751A (zh) 用于评估动态数据的系统和方法
CN109447974A (zh) 体数据处理方法、装置、图像处理工作站和可读存储介质

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