CN110335251A - 图像分析方法的量化装置、方法、设备和存储介质 - Google Patents

图像分析方法的量化装置、方法、设备和存储介质 Download PDF

Info

Publication number
CN110335251A
CN110335251A CN201910471525.6A CN201910471525A CN110335251A CN 110335251 A CN110335251 A CN 110335251A CN 201910471525 A CN201910471525 A CN 201910471525A CN 110335251 A CN110335251 A CN 110335251A
Authority
CN
China
Prior art keywords
annotation
results
annotation results
user
result
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
Application number
CN201910471525.6A
Other languages
English (en)
Other versions
CN110335251B (zh
Inventor
高耀宗
周翔
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 Healthcare Co Ltd
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 CN201910471525.6A priority Critical patent/CN110335251B/zh
Publication of CN110335251A publication Critical patent/CN110335251A/zh
Application granted granted Critical
Publication of CN110335251B publication Critical patent/CN110335251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/25Determination of region of interest [ROI] or a volume of interest [VOI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请涉及一种图像分析方法的量化装置、方法、设备和存储介质,根据用户标注结果及模型标注结果,对医学图像进行标注得到的第一标注结果,并获取用户根据模型标注结果,对医学图像进行标注得到第二标注结果,进而将用户标注结果、第一标注结果、第二标注结果与标准标注结果进行对比,获得第一标注结果准确度的第一量化结果和第二标注结果准确度的第二量化结果。本申请中,终端将用户标注结果、第一标注结果、第二标注结果与标准标注结果进行对比,使得第一标注模块的准确度,和,第二标注模块的准确度是根据对同一模型标注结果获得的,避免了进行多次临床试验的情况,避免了对不同标注模块的准确度进行评估时成本高的问题。

Description

图像分析方法的量化装置、方法、设备和存储介质
技术领域
本发明涉及深度学习技术领域,特别是涉及了一种图像分析方法的量化装置、方法、设备和存储介质。
背景技术
随着人工智能技术的迅速发展,在对医学图像分析时,常常采用医学图像分析算法对上述医学图像进行机器学习,得到上述医学图像的分析结果。
采用医学图像分析算法对医学图像进行机器学习输出上述医学图像的分析结果之后,通常会通过临床试验数据来对得到的分析结果进行准确度评估。其可以通过标注模块对分析结果进行标注获得标注结果,进而根据标注结果得到标注模块的准确度。然而,采用上述方法,无法对不同的标注模块的准确度进行评估,需要获取多次临床试验数据,导致评估时花费的成本高。
发明内容
基于此,有必要针对无法评估图像分析方法的准确性的问题,提供了一种图像分析方法的量化方法、装置、设备和存储介质。
第一方面,一种图像分析方法的量化装置,该装置包括:
第一标注模块,用于根据用户标注结果及模型标注结果,对医学图像进行标注得到的第一标注结果;用户标注结果为通过用户对医学图像进行标注获得的标注结果;模型标注结果为通过预设的算法模型对医学图像进行标注获得的标注结果;
第二标注模块,用于根据模型标注结果,对医学图像进行标注得到第二标注结果;
量化模块,用于将用户标注结果、第一标注结果、第二标注结果与标准标注结果进行对比,获得所述第一标注结果准确度的第一量化结果和所述第二标注结果准确度的第二量化结果。
在其中一个实施例中,上述量化模块包括:第一量化单元和第二量化单元,其中:
第一量化单元,用于将用户标注结果、第一标注结果与标准标注结果进行对比,获取第一量化结果;
第二量化单元,用于将用户标注结果、第二标注结果与标准标注结果进行对比,获取第二量化结果。
在其中一个实施例中,上述第一量化单元具体用于:
将用户标注结果与标准标注结果进行对比,获得用户差异结果;
将第一标注结果与标准标注结果进行对比,获得第一差异结果;
根据用户差异结果和第一差异结果,确定第一量化结果。
在其中一个实施例中,上述第二量化单元具体用于:
将用户标注结果与标准标注结果进行对比,获得用户差异结果;
将第二标注结果与标准标注结果进行对比,获得第二差异结果;
根据用户差异结果和第二差异结果,确定第二量化结果。
在其中一个实施例中,上述第二标注模块具体用于:
在获取用户标注结果之后,预设的时间段到达时,根据模型标注结果,对医学图像进行标注得到的第二标注结果。
在其中一个实施例中,上述装置还包括获取模块,获取模块具体用于:
获取用户在标注界面上对医学图像的标注操作指令;
根据标注操作指令获取用户标注结果。
在其中一个实施例中,上述获取模块还用于:
将医学图像输入预设的算法模型,获得医学图像对应的模型标注结果。
第二方面,一种图像分析方法的量化方法,该方法包括:
根据用户标注结果及模型标注结果,对医学图像进行标注得到的第一标注结果;用户标注结果包括用户对医学图像进行标注获得的标注结果;模型标注结果包括通过预设的算法模型对医学图像进行标注获得的标注结果;
获取用户根据模型标注结果,对医学图像进行标注得到第二标注结果;
将所述用户标注结果、所述第一标注结果、所述第二标注结果与标准标注结果进行对比,获得所述第一标注结果准确度的第一量化结果和所述第二标注结果准确度的第二量化结果。
在其中一个实施例中,上述将所述用户标注结果、所述第一标注结果、所述第二标注结果与标准标注结果进行对比,获得所述第一标注结果准确度的第一量化结果和所述第二标注结果准确度的第二量化结果,包括:
将用户标注结果、第一标注结果与标准标注结果进行对比,获取第一量化结果;
将用户标注结果、第二标注结果与标准标注结果进行对比,获取第二量化结果。
在其中一个实施例中,上述将用户标注结果、第一标注结果与标准标注结果进行对比,获取第一量化结果,包括:
将用户标注结果与标准标注结果进行对比,获得用户差异结果;
将第一标注结果与标准标注结果进行对比,获得第一差异结果;
根据用户差异结果和第一差异结果,确定第一量化结果。
在其中一个实施例中,上述将用户标注结果、第二标注结果与标准标注结果进行对比,获取第二量化结果,包括:
将用户标注结果与标准标注结果进行对比,获得用户差异结果;
将第二标注结果与标准标注结果进行对比,获得第二差异结果;
根据用户差异结果和第二差异结果,确定第二量化结果。
在其中一个实施例中,上述根据模型标注结果,获取对医学图像进行标注得到的第二标注结果,包括:
在获取用户标注结果之后,预设的时间段到达时,根据模型标注结果,对医学图像进行标注得到的第二标注结果。
在其中一个实施例中,该方法还包括:
获取用户在标注界面上对医学图像的标注操作指令;
根据标注操作指令获取用户标注结果。
在其中一个实施例中,该方法还包括:
将医学图像输入预设的算法模型,获得医学图像对应的模型标注结果。
第三方面,一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第二方面任一项方法的步骤。
第四方面,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第二方面任一项方法的步骤。
上述图像分析方法的量化装置、方法、设备和存储介质,终端根据用户标注结果及模型标注结果,对医学图像进行标注得到的第一标注结果,其中用户标注结果包括用户对医学图像进行标注获得的标注结果,模型标注结果包括通过预设的算法模型对医学图像进行标注获得的标注结果,并获取用户根据模型标注结果,对医学图像进行标注得到第二标注结果,进而将用户标注结果、第一标注结果、第二标注结果与标准标注结果进行对比,获得第一标注结果准确度的第一量化结果和第二标注结果准确度的第二量化结果。本申请中,终端将用户标注结果、第一标注结果、第二标注结果与标准标注结果进行对比,同时获得第一标注结果准确度的第一量化结果,和,第二标注结果准确度的第二量化结果,使得第一标注模块的准确度,和,第二标注模块的准确度是根据对同一模型标注结果获得的,而同一模型标注结果只需要进行一次临床试验即可获得,因此避免了进行多次临床试验的情况,避免了对不同标注模块的准确度进行评估时成本高的问题。
附图说明
图1为一个实施例中提供的图像分析方法的量化装置的结构示意图;
图2为一个实施例中提供的图像分析方法的量化装置的结构示意图;
图3为另一个实施例中提供的图像分析方法的量化装置的结构示意图;
图4为另一个实施例中提供的图像分析方法的量化装置的结构示意图;
图5为一个实施例中图像分析方法的量化方法的流程示意图;
图6为另一个实施例中图像分析方法的量化方法的流程示意图;
图7为另一个实施例中图像分析方法的量化方法的流程示意图;
图8为另一个实施例中图像分析方法的量化方法的流程示意图;
图9为另一个实施例中图像分析方法的量化方法的流程示意图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
本申请提供的图像分析方法的量化方法、装置、设备和存储介质,旨在解决对不同标注模块的准确度进行评估时成本高的问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
本实施例提供的图像分析方法的量化方法,可以适用图像分析方法的量化终端上,图像分析方法的量化终端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,本申请实施例对此不做限制。
需要说明的是,本申请实施例提供的图像分析方法的量化方法,其执行主体可以是图像分析方法的量化装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为图像分析方法的量化终端的部分或者全部。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。
图1为一个实施例中提供的图像分析方法的量化装置的结构示意图,如图1所示,该图像分析方法的量化装置包括:第一标注模块10、第二标注模块20和量化模块30,其中:
第一标注模块10,用于根据用户标注结果及模型标注结果,对医学图像进行标注得到的第一标注结果;用户标注结果为通过用户对医学图像进行标注获得的标注结果;模型标注结果为通过预设的算法模型对医学图像进行标注获得的标注结果。
具体地,医学图像可以是对人体或动物的脑部、心脏、骨骼、血管、肝脏、肾脏、胆囊、胰腺、甲状腺、泌尿系统、子宫及附件、牙齿中的至少一种进行扫描获得的图像。其可以包括电子计算机断层扫描图像(Computed Tomography,CT)、磁共振图像(MagneticResonance Imaging,MRI)、正电子发射型计算机断层图像(Positron Emission ComputedTomography,PET),X光图像、B超图像,本申请实施例对此不做限制。其中,标注结果可以是对上述医学图像中的病灶信息进行标注得到的结果,其中,病灶信息可以包括病灶的位置、类型、尺寸、个数信息。标注结果可以是在医学图像中病灶所在的位置直接标记得到标注结果;也可以是在上述医学图像中空白区域以文字或图像的形式描述病灶信息;还可以是生成单独的报告,该报告中包括上述病灶信息;本申请实施例对此不做限制。用户标注结果可以是根据用户独立在终端上对上述医学图像进行标注操作,获得的标注结果。模型标注结果可以是通过预设的算法模型对医学图像进行自动标注获得的标注结果,其可以是将医学图像输入预设的算法模型,自动获得的标注结果。第一标注结果可以是根据上述用户标注结果和模型标注结果,用户重新在终端上进行标注操作,使得终端根据该标注操作获得的标注结果。在具体的获得第一标注结果时,可以是在获得用户标注结果和模型标注结果之后,用户对上述医学图像进行第二次判断,并在终端上对同一医学图像进行标注操作,获得上述第一标注结果。
第二标注模块20,用于根据模型标注结果,对医学图像进行标注得到第二标注结果。
具体地,第二标注结果可以是根据模型标注结果,对医学图像进行标注得到的标注结果,也就是说,第二标注结果与第一标注结果的区别在于第二标注结果仅参考了模型标注结果,而没有参考用户标注结果。需要说明的是,第一标注结果和第二标注结果是同一医学图像对应的标注结果。在具体获取第二标注结果时,可以是将医学图像输入预设的算法模型,获得模型标注结果之后,用户对该医学图像进行判断,并在终端上进行标注操作,使终端获取用户在终端上对同一医学图像的标注操作,得到第二标注结果;也可以是在获得用户标注结果和模型标注结果后,经过预设的一段时间,使得用户遗忘对上述医学图像的标注操作之后,用户参考模型标注结果,对该医学图像进行判断,并在终端上进行标注操作,使终端获取用户在终端上对同一医学图像的标注操作,得到第二标注结果;本申请实施例对此不做限制。
量化模块30,用于将用户标注结果、第一标注结果、第二标注结果与标准标注结果进行对比,获得第一标注结果准确度的第一量化结果和第二标注结果准确度的第二量化结果。
具体地,标准标注结果可以是通过医学专家团队对上述同一个医学图像的判断,进而在终端上对上述同一个医学图像中的病灶信息进行标注获得的标注结果,其中医学专家团队可以包括至少两个资深的医学专家,也就是说,标准标注结果中的病灶信息,与医学图像实际显示的病灶信息最为接近。需要说明的是,获取标准标注结果的成本高。在获得标准标注结果后,可以将用户标注结果、第一标注结果、第二标注结果和标准标注结果进行对比,分别获得表示第一标注结果准确度的第一量化结果,和表示第二标注结果准确度的第二量化结果。
上述图像分析方法的量化装置,第一标注模块根据用户标注结果及模型标注结果,对医学图像进行标注得到的第一标注结果,其中用户标注结果包括用户对医学图像进行标注获得的标注结果,模型标注结果包括通过预设的算法模型对医学图像进行标注获得的标注结果,第二标注模块获取用户根据模型标注结果,对医学图像进行标注得到第二标注结果,进而将用户标注结果、第一标注结果、第二标注结果与标准标注结果进行对比,获得第一标注结果准确度的第一量化结果和第二标注结果准确度的第二量化结果。本申请中,终端将用户标注结果、第一标注结果、第二标注结果与标准标注结果进行对比,同时获得第一标注结果准确度的第一量化结果,和,第二标注结果准确度的第二量化结果,使得第一标注模块的准确度,和,第二标注模块的准确度是根据对同一模型标注结果获得的,而同一模型标注结果只需要进行一次临床试验即可获得,因此避免了进行多次临床试验的情况,避免了对不同标注模块的准确度进行评估时成本高的问题。
图2为另一个实施例中提供的图像分析方法的量化装置的结构示意图,在图1所示实施例的基础上,如图2所示,量化模块30包括:第一量化单元301和第二量化单元302,其中:
第一量化单元301,用于将用户标注结果、第一标注结果与标准标注结果进行对比,获取第一量化结果。
具体地,第一量化结果可以是将用户标注结果、第一标注结果与标准标注结果进行对比,获得各标注结果之间区别的量化结果。第一量化结果可以是根据用户标注结果中的病灶信息、第一标注结果中的病灶信息与标准标注结果中的病灶信息之间的区别,对第一标注结果的进行评价时得到的量化信息。在上述实施例的基础上,第一标注结果是根据用户标注结果及模型标注结果,对医学图像进行标注得到的标注结果。也即是说,第一量化结果是对根据用户标注结果及模型标注结果,对医学图像进行标注得到的标注结果进行评价时的量化信息。在上述实施例的基础上,病灶信息包括病灶的位置、类型、尺寸、个数信息,则第一量化信息可以是用户标注结果中的病灶位置、类型、尺寸、个数,第一标注结果中的病灶位置、类型、尺寸、个数与标准标注结果中的病灶位置、类型、尺寸、个数之间的区别。例如,第一量化结果可以是用户标注结果中病灶个数、第一标注结果中病灶个数与标准标注结果中病灶个数之间的区别。
第二量化单元302,用于将用户标注结果、第二标注结果与标准标注结果进行对比,获取第二量化结果。
具体地,第二量化结果可以是对用户标注结果、第二标注结果与标准标注结果进行对比,得到的各标注结果之间区别的量化结果。其可以是用户标注结果中的病灶信息、第二标注结果中的病灶信息与标准标注结果中的病灶信息之间的区别信息,是对第二标注结果的进行评价时的量化信息。在上述实施例的基础上,第二标注结果是根据模型标注结果,获取用户对医学图像的标注指令,并根据该标注指令得到对医学图像的标注结果。也即是说,第二量化结果是根据模型标注结果对医学图像进行标注得到的第二标注结果进行评价时的量化信息。在上述实施例的基础上,病灶信息包括病灶的位置、类型、尺寸、个数信息,则第二量化信息可以是用户标注结果中的病灶位置、类型、尺寸、个数,第二标注结果中的病灶位置、类型、尺寸、个数与标准标注结果中的病灶位置、类型、尺寸、个数之间的区别。例如,第二量化结果可以是用户标注结果中病灶尺寸、第二标注结果中病灶尺寸与标准标注结果中病灶尺寸之间的区别。
上述图像分析方法的量化装置,将用户标注结果、第一标注结果与标准标注结果进行对比,获取第一量化结果,并将用户标注结果、第二标注结果与标准标注结果进行对比,获取第二量化结果。本实施例中,分别通过获取户标注结果、第一标注结果与标准标注结果进行对比得到的第一量化结果,和,通过用户标注结果、第二标注结果与标准标注结果进行对比得到的第二量化结果,使得可以同时获得不同的标注结果准确度的量化结果,避免了进行多次临床试验的情况,避免了对不同标注模块的准确度进行评估时成本高的问题。
在一个实施例中,第一量化单元301具体用于将用户标注结果与标准标注结果进行对比,获得用户差异结果;将第一标注结果与标准标注结果进行对比,获得第一差异结果;根据用户差异结果和第一差异结果,确定第一量化结果。
具体地,用户差异结果可以是指用户标注结果与标准标注结果之间的区别。其中,在上述实施例的基础上,用户标注结果可以是根据用户在终端上对医学图像进行相关操作,获得医学图像中病灶信息的标注结果,标准标注结果可以是通过医学专家团队对上述同一个医学图像的判断,进而在终端上对上述同一个医学图像中病灶信息进行标注获得的标注结果。也即是说,用户标注结果和标准标注结果中分别包括了对同一医学图像,通过不同的方式获得的病灶信息。则可以将对同一医学图像中得到的用户标注结果中的病灶信息,和标准标注结果中的病灶信息进行对比,获得两者之间不同的病灶信息,即为用户差异结果。例如,用户标注结果中包括的病灶信息为病灶数量是5个,标准标注结果中包括的病灶信息为病灶数量是6个,则用户差异结果为1个病灶。
第一差异结果可以是指第一标注结果与标准标注结果之间的区别,其中,在上述实施例的基础上,第一标注结果是在获得用户标注结果和模型标注结果之后,用户对医学图像进行第二次的判断,使得终端获取该用户在终端上对同一医学图像进行标注操作,得到的标注结果,标准标注结果可以是通过医学专家团队对上述同一个医学图像的判断,进而在终端上对上述同一个医学图像中的病灶信息进行标注获得的标注结果。也即是说,第一标注结果和标准标注结果中分别包括了对同一医学图像,通过不同的方法获得的病灶信息,则可以将对同一医学图像中的得到的第一标注结果中的病灶信息,和标准标注结果中的病灶信息进行对比,获得两者之间不同的病灶信息,即为第一差异结果。
在上述实施例的基础上,根据用户标注结果和标准标注结果获得用户差异结果,和,根据第一标注结果和标准标注结果获得第一差异结果时,可以将用户差异结果和第一差异结果进行对比,得到用户差异结果和第一差异结果之间的区别,确定第一量化结果。例如,用户标注结果中包括的病灶信息为病灶的数量是5个,标准标注结果中包括的病灶信息为病灶的数量是7个,第一标注结果中包括的病灶信息为病灶的数量是6个,则用户差异结果为2个病灶,第一差异结果为1个病灶,第一量化结果为用户差异结果和第一差异结果之间的区别,为1个病灶。
上述图像分析方法的量化装置,将用户标注结果与标准标注结果进行对比,获得用户差异结果,并将第一标注结果与标准标注结果进行对比,获得第一差异结果,进而根据用户差异结果和第一差异结果,确定第一量化结果,使得第一量化结果是根据用户差异结果和第一差异结果确定的,提高了第一量化结果的准确性,进而提高了通过一次临床试验获得不同标注模块的标注结果的准确度。
在一个实施例中,第二量化单元302具体用于将用户标注结果与标准标注结果进行对比,获得用户差异结果;将第二标注结果与标准标注结果进行对比,获得第二差异结果;根据用户差异结果和第二差异结果,确定第二量化结果。
具体地,第二差异结果可以是指第二标注结果与标准标注结果之间的区别,其中,在上述实施例的基础上,第二标注结果为根据模型标注结果,对医学图像进行标注得到的标注结果,标准标注结果可以是通过医学专家团队对上述同一个医学图像的判断,进而在终端上对上述同一个医学图像中的病灶信息进行标注获得的标注结果。也即是说,第二标注结果和标准标注结果中分别包括了对同一医学图像,通过不同方法获得的病灶信息,将对同一医学图像中得到的第二标注结果中的病灶信息,和标准标注结果中的病灶信息进行对比,获得第二标注结果中的病灶信息与标准标注结果中的病灶信息之间的区别,即为第二差异结果。
在上述实施例的基础上,根据用户标注结果和标准标注结果获得用户差异结果,和,根据第二标注结果和标准标注结果获得第二差异结果时,可以将用户差异结果和第二差异结果进行对比,得到用户差异结果和第二差异结果之间的区别,确定第二量化结果。例如,用户标注结果中包括的病灶信息为病灶的数量是5个,标准标注结果中包括的病灶信息为病灶的数量是7个,第二标注结果中包括的病灶信息为病灶的数量是6个,则用户差异结果为2个病灶,第二差异结果为1个病灶,第二量化结果为用户差异结果和第二差异结果之间的区别,为1个病灶。
上述图像分析方法的量化装置,终端将用户标注结果与标准标注结果进行对比,获得用户差异结果,并将第二标注结果与标准标注结果进行对比,获得第二差异结果,进而根据用户差异结果和第二差异结果,确定第二量化结果,使得第二量化结果是根据用户差异结果和第二差异结果确定的,提高了第二量化结果的准确性,进而提高了通过一次临床试验获得不同标注模块的标注结果的准确度。
在一个实施例中,第二标注模块20具体用于在获取用户标注结果之后,预设的时间段到达时,根据模型标注结果,对医学图像进行标注得到的第二标注结果。
具体地,在上述实施例的基础上,在获取了用户标注结果之后,当预设的时间段到达时,用户遗忘对同一医学图像的标注。例如,可以通过锁定操作屏幕,或者锁定软件的方法,使得用户在预设的时间段内无法对医学图像进行操作,进而使得用户遗忘对同一医学图像的标注。在用户遗忘了对同一医学图像的标注之后,用户对同一医学图像进行判断,使终端获得该用户在终端上对该同一医学图像的标注操作,得到第二标注结果。其中,预设的时间段可以是24小时,也可以是48小时,还可以是更长的时间段,本申请实施例对此不做限制。
图3为另一个实施例中提供的图像分析方法的量化装置的结构示意图,在图1或图2所示实施例的基础上,如图3所示,图像分析方法的量化装置还包括:获取模块40,其中:
获取模块40具体用于获取用户在标注界面上对医学图像的标注操作指令;根据标注操作指令获取用户标注结果。
具体地,标注界面可以是用于获取标注的界面,其上可以全屏显示医学图像,也可以部分显示医学图像,本申请实施例对此不作限制。标注操作指令可以是文字指令、语音指令、触控指令,本申请实施例对此不做限制。标注操作指令中可以包括待标注区域的位置信息,待标记的标记类型信息,本申请实施例对此不作限制。以标注操作指令为触控指令为例,说明如何获取用户在标注界面上对医学图像的标注操作指令,当用户触控标注界面的上一个区域时,终端捕捉到在触控区域的位置坐标,该位置坐标可以是一个坐标范围,例如,该坐标范围是医学图像中坐标在(100,100)至(120,130)之间的区域,则根据该坐标位置获取了上述标注操作指令,该标注操作指令中包括了待标记区域的位置信息。
在上述实施例的基础上,当终端获取了标注操作指令时,可以根据该标注操作指令,获取用户标注结果。例如,标注操作指令中包括了待标记的区域的位置信息,该位置信息为医学图像中坐标在(50,50)至(60,80)之间的区域,根据该位置信息,在医学图像中坐标在(50,50)至(60,80)这个区域显示用户标注信息,即为获取了用户标注结果。
在一个实施例中,获取模块40还用于将医学图像输入预设的算法模型,获得医学图像对应的模型标注结果。
具体地,预设的算法模型可以对各类医学图像进行分析方法,其可以是神经网络模型,通过该神经网络模型,建立医学图像与输出结果之间的映射关系,则当医学图像输入该预设的算法模型时,可以通过预设的算法模型输出该医学图像对应的输出结果,即为本申请实施例中的模型标注结果。
需要说明的是,图3是基于图2的基础上进行示出的,当然图3也可以基于图1的结构进行示出,这里仅是一种示例。
可选地,如图4所示,量化模块30还可以包括第三量化单元303,第三量化单元303用于根据第一量化结果和第二量化结果,得到第一标注模块10相对于第二标注模块20的准确度的第三量化结果。
具体地,在上述实施例的基础上,获得的用于表示第一标注模块10准确度的第一量化结果,和,用于表示第二标注模块20准确度的第二量化结果后,可以根据第一量化结果和第二量化结果获得第一标注模块10相对于第二标注模块20的准确度的第三量化结果。
上述图像分析方法的量化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。
图5为一个实施例中图像分析方法的量化方法的流程示意图。本实施例涉及的是如何一次性得到不同标注模块准确度的具体过程。需要说明的是,图5所示的S101和S102,可以是顺序进行的,也可以是并行的。如图5所示,该方法包括以下步骤:
S101、根据用户标注结果及模型标注结果,对医学图像进行标注得到的第一标注结果;用户标注结果包括用户对医学图像进行标注获得的标注结果;模型标注结果包括通过预设的算法模型对医学图像进行标注获得的标注结果。
S102、获取用户根据模型标注结果,对医学图像进行标注得到第二标注结果。
S103、将用户标注结果、第一标注结果、第二标注结果与标准标注结果进行对比,获得第一标注结果准确度的第一量化结果和第二标注结果准确度的第二量化结果。
在一个实施例中,终端根据模型标注结果,获取对医学图像进行标注得到的第二标注结果时,可以是经过预设的洗脱期之后,再获得第二标注结果。可选地,在获取用户标注结果之后,预设的时间段到达时,根据模型标注结果,对医学图像进行标注得到的第二标注结果。
本发明实施例提供的图像分析方法的量化方法,可以被上述装置实施例执行,其实现原理和技术效果类似,在此不再赘述。
图6为另一个实施例中图像分析方法的量化方法的流程示意图。本实施例涉及的是终端如何将用户标注结果、第一标注结果、第二标注结果与标准标注结果进行对比,获得第一标注结果准确度的第一量化结果和第二标注结果准确度的第二量化结果的具体过程。如图6所示,上述S103“将用户标注结果、第一标注结果、第二标注结果与标准标注结果进行对比,获得第一标注结果准确度的第一量化结果和第二标注结果准确度的第二量化结果”一种可能的实现方法包括以下步骤:
S201、将用户标注结果、第一标注结果与标准标注结果进行对比,获取第一量化结果。
S202、将用户标注结果、第二标注结果与标准标注结果进行对比,获取第二量化结果。
本发明实施例提供的图像分析方法的量化方法,可以被上述装置实施例执行,其实现原理和技术效果类似,在此不再赘述。
图7为另一个实施例中图像分析方法的量化方法的流程示意图。本实施例涉及的是终端如何将用户标注结果、第一标注结果与标准标注结果进行对比,获取第一量化结果的具体过程。如图7所示,S201“将用户标注结果、第一标注结果与标准标注结果进行对比,获取第一量化结果”一种可能的实现方法包括以下步骤:
S301、将用户标注结果与标准标注结果进行对比,获得用户差异结果。
S302、将第一标注结果与标准标注结果进行对比,获得第一差异结果。
S303、根据用户差异结果和第一差异结果,确定第一量化结果。
本发明实施例提供的图像分析方法的量化方法,可以被上述装置实施例执行,其实现原理和技术效果类似,在此不再赘述。
图8为另一个实施例中图像分析方法的量化方法的流程示意图。本实施例涉及的是终端将用户标注结果、第二标注结果与标准标注结果进行对比,获取第二量化结果。如图8所示,上述S202“将用户标注结果、第二标注结果与标准标注结果进行对比,获取第二量化结果”一种可能的实现方法包括以下步骤:
S401、将用户标注结果与标准标注结果进行对比,获得用户差异结果。
S402、将第二标注结果与标准标注结果进行对比,获得第二差异结果。
S403、根据用户差异结果和第二差异结果,确定第二量化结果。
本发明实施例提供的图像分析方法的量化方法,可以被上述装置实施例执行,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,终端可以通过获取标注操作指令,来获取用户标注结果。图9为另一个实施例中图像分析方法的量化方法的流程示意图。本实施例涉及的是终端如何获取用户标注结果的具体过程。如图9所示,该方法包括以下步骤:
S501、获取用户在标注界面上对医学图像的标注操作指令。
S502、根据标注操作指令获取用户标注结果。
可选地,将医学图像输入预设的算法模型,获得医学图像对应的模型标注结果。
本发明实施例提供的图像分析方法的量化方法,可以被上述装置实施例执行,其实现原理和技术效果类似,在此不再赘述。
应该理解的是,虽然图5-9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5-9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,提供了一种计算机设备,该计算机设备可以是终端设备,其内部结构图可以如图10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、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和计算机程序。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图像分析方法的量化方法。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10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,提供了一种终端设备,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以下步骤:
根据用户标注结果及模型标注结果,对医学图像进行标注得到的第一标注结果;用户标注结果包括用户对医学图像进行标注获得的标注结果;模型标注结果包括通过预设的算法模型对医学图像进行标注获得的标注结果;
获取用户根据模型标注结果,对医学图像进行标注得到第二标注结果;
将用户标注结果、第一标注结果、第二标注结果与标准标注结果,进行对比,获得所述第一标注结果准确度的第一量化结果和所述第二标注结果准确度的第二量化结果。
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:将用户标注结果、第一标注结果与标准标注结果进行对比,获取第一量化结果;将用户标注结果、第二标注结果与标准标注结果进行对比,获取第二量化结果。
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:将用户标注结果与标准标注结果进行对比,获得用户差异结果;将第一标注结果与标准标注结果进行对比,获得第一差异结果;根据用户差异结果和第一差异结果,确定第一量化结果。
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:将用户标注结果与标准标注结果进行对比,获得用户差异结果;将第二标注结果与标准标注结果进行对比,获得第二差异结果;根据用户差异结果和第二差异结果,确定第二量化结果。
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:在获取用户标注结果之后,预设的时间段到达时,根据模型标注结果,对医学图像进行标注得到的第二标注结果。
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:获取用户在标注界面上对医学图像的标注操作指令;根据标注操作指令获取用户标注结果。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:将医学图像输入预设的算法模型,获得医学图像对应的模型标注结果。
本实施例提供的终端设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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:
根据用户标注结果及模型标注结果,对医学图像进行标注得到的第一标注结果;用户标注结果包括用户对医学图像进行标注获得的标注结果;模型标注结果包括通过预设的算法模型对医学图像进行标注获得的标注结果;
获取用户根据模型标注结果,对医学图像进行标注得到第二标注结果;
将用户标注结果、第一标注结果、第二标注结果与标准标注结果进行对比,获得所述第一标注结果准确度的第一量化结果和所述第二标注结果准确度的第二量化结果。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:将用户标注结果、第一标注结果与标准标注结果进行对比,获取第一量化结果;将用户标注结果、第二标注结果与标准标注结果进行对比,获取第二量化结果。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:将用户标注结果与标准标注结果进行对比,获得用户差异结果;将第一标注结果与标准标注结果进行对比,获得第一差异结果;根据用户差异结果和第一差异结果,确定第一量化结果。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:将用户标注结果与标准标注结果进行对比,获得用户差异结果;将第二标注结果与标准标注结果进行对比,获得第二差异结果;根据用户差异结果和第二差异结果,确定第二量化结果。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:在获取用户标注结果之后,预设的时间段到达时,根据模型标注结果,对医学图像进行标注得到的第二标注结果。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:获取用户在标注界面上对医学图像的标注操作指令;根据标注操作指令获取用户标注结果。在一个实施例中,计算机程序被处理器执行时实现以下步骤:将医学图像输入预设的算法模型,获得医学图像对应的模型标注结果。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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 (10)

1.一种图像分析方法的量化装置,其特征在于,所述装置包括:
第一标注模块,用于根据用户标注结果及模型标注结果,对医学图像进行标注得到的第一标注结果;所述用户标注结果为通过用户对所述医学图像进行标注获得的标注结果;所述模型标注结果为通过预设的算法模型对所述医学图像进行标注获得的标注结果;
第二标注模块,用于根据所述模型标注结果,对所述医学图像进行标注得到第二标注结果;
量化模块,用于将所述用户标注结果、所述第一标注结果、所述第二标注结果与标准标注结果进行对比,获得所述第一标注结果准确度的第一量化结果和所述第二标注结果准确度的第二量化结果。
2.根据权利要求1所述装置,其特征在于,所述量化模块包括:第一量化单元和第二量化单元,其中:
所述第一量化单元,用于将所述用户标注结果、所述第一标注结果与所述标准标注结果进行对比,获取所述第一量化结果;
所述第二量化单元,用于将所述用户标注结果、所述第二标注结果与所述标准标注结果进行对比,获取所述第二量化结果。
3.根据权利要求2所述装置,其特征在于,所述第一量化单元具体用于:
将所述用户标注结果与所述标准标注结果进行对比,获得用户差异结果;
将所述第一标注结果与所述标准标注结果进行对比,获得第一差异结果;
根据所述用户差异结果和所述第一差异结果,确定所述第一量化结果。
4.根据权利要求2所述装置,其特征在于,所述第二量化单元具体用于:
将所述用户标注结果与所述标准标注结果进行对比,获得用户差异结果;
将所述第二标注结果与所述标准标注结果进行对比,获得第二差异结果;
根据所述用户差异结果和所述第二差异结果,确定所述第二量化结果。
5.根据权利要求1-4任一项所述装置,其特征在于,所述第二标注模块具体用于:
在获取所述用户标注结果之后,预设的时间段到达时,根据所述模型标注结果,对所述医学图像进行标注得到的所述第二标注结果。
6.根据权利要求1-4任一项所述装置,其特征在于,所述装置还包括获取模块,获取模块具体用于:
获取用户在标注界面上对所述医学图像的标注操作指令;
根据所述标注操作指令获取所述用户标注结果。
7.根据权利要求1-4任一项所述装置,其特征在于,所述获取模块还用于:
将所述医学图像输入所述预设的算法模型,获得所述医学图像对应的模型标注结果。
8.一种图像分析方法的量化方法,其特征在于,所述方法包括:
根据用户标注结果及模型标注结果,对医学图像进行标注得到的第一标注结果;所述用户标注结果包括用户对所述医学图像进行标注获得的标注结果;所述模型标注结果包括通过预设的算法模型对所述医学图像进行标注获得的标注结果;
获取用户根据所述模型标注结果,对所述医学图像进行标注得到第二标注结果;
将所述用户标注结果、所述第一标注结果、所述第二标注结果与标准标注结果进行对比,获得所述第一标注结果准确度的第一量化结果和所述第二标注结果准确度的第二量化结果。
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7中所述方法的步骤。
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7中所述方法的步骤。
CN201910471525.6A 2019-05-31 2019-05-31 图像分析方法的量化装置、方法、设备和存储介质 Active CN110335251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910471525.6A CN110335251B (zh) 2019-05-31 2019-05-31 图像分析方法的量化装置、方法、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910471525.6A CN110335251B (zh) 2019-05-31 2019-05-31 图像分析方法的量化装置、方法、设备和存储介质

Publications (2)

Publication Number Publication Date
CN110335251A true CN110335251A (zh) 2019-10-15
CN110335251B CN110335251B (zh) 2021-09-17

Family

ID=68140675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910471525.6A Active CN110335251B (zh) 2019-05-31 2019-05-31 图像分析方法的量化装置、方法、设备和存储介质

Country Status (1)

Country Link
CN (1) CN110335251B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100054525A1 (en) * 2008-08-27 2010-03-04 Leiguang Gong System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans
CN103390282A (zh) * 2013-07-30 2013-11-13 百度在线网络技术(北京)有限公司 图像标注方法及其装置
CN105975980A (zh) * 2016-04-27 2016-09-28 百度在线网络技术(北京)有限公司 监控图像标注质量的方法和装置
CN107633048A (zh) * 2017-09-15 2018-01-26 国网重庆市电力公司电力科学研究院 一种图像标注鉴别方法及系统
CN108053407A (zh) * 2017-12-22 2018-05-18 联想(北京)有限公司 数据处理方法及数据处理系统
CN108427970A (zh) * 2018-03-29 2018-08-21 厦门美图之家科技有限公司 图片标注方法和装置
CN108573279A (zh) * 2018-03-19 2018-09-25 精锐视觉智能科技(深圳)有限公司 图像标注方法及终端设备
CN109035187A (zh) * 2018-07-10 2018-12-18 杭州依图医疗技术有限公司 一种医学图像的标注方法及装置
CN109272495A (zh) * 2018-09-04 2019-01-25 北京慧影明图科技有限公司 图像分析方法及装置、电子设备、存储介质
CN109446370A (zh) * 2018-10-26 2019-03-08 广州金域医学检验中心有限公司 医学图像的病理标注方法及装置、计算机可读存储介质
CN109697537A (zh) * 2017-10-20 2019-04-30 北京京东尚科信息技术有限公司 数据审核的方法和装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100054525A1 (en) * 2008-08-27 2010-03-04 Leiguang Gong System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans
CN103390282A (zh) * 2013-07-30 2013-11-13 百度在线网络技术(北京)有限公司 图像标注方法及其装置
CN105975980A (zh) * 2016-04-27 2016-09-28 百度在线网络技术(北京)有限公司 监控图像标注质量的方法和装置
CN107633048A (zh) * 2017-09-15 2018-01-26 国网重庆市电力公司电力科学研究院 一种图像标注鉴别方法及系统
CN109697537A (zh) * 2017-10-20 2019-04-30 北京京东尚科信息技术有限公司 数据审核的方法和装置
CN108053407A (zh) * 2017-12-22 2018-05-18 联想(北京)有限公司 数据处理方法及数据处理系统
CN108573279A (zh) * 2018-03-19 2018-09-25 精锐视觉智能科技(深圳)有限公司 图像标注方法及终端设备
CN108427970A (zh) * 2018-03-29 2018-08-21 厦门美图之家科技有限公司 图片标注方法和装置
CN109035187A (zh) * 2018-07-10 2018-12-18 杭州依图医疗技术有限公司 一种医学图像的标注方法及装置
CN109272495A (zh) * 2018-09-04 2019-01-25 北京慧影明图科技有限公司 图像分析方法及装置、电子设备、存储介质
CN109446370A (zh) * 2018-10-26 2019-03-08 广州金域医学检验中心有限公司 医学图像的病理标注方法及装置、计算机可读存储介质

Also Published As

Publication number Publication date
CN110335251B (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
CN110148192B (zh) 医学影像成像方法、装置、计算机设备和存储介质
CN111161270B (zh) 医学影像的血管分割方法、计算机设备和可读存储介质
Chen et al. Fully automated multiorgan segmentation in abdominal magnetic resonance imaging with deep neural networks
CN109993726A (zh) 医学图像的检测方法、装置、设备和存储介质
CN111369542B (zh) 血管标记方法、图像处理系统和存储介质
CN111080584B (zh) 医学图像的质控方法、计算机设备和可读存储介质
CN109754447A (zh) 图像生成方法、装置、设备和存储介质
CN110189306B (zh) 脑图像中异常区域对应的责任血管确定方法和设备
CN111325714B (zh) 感兴趣区域的处理方法、计算机设备和可读存储介质
CN109567852B (zh) 扫描范围的确定方法、医学图像的获取方法、装置和设备
CN110827331B (zh) 图像配准模型的训练方法、图像配准方法和计算机设备
Pierre et al. Applications of artificial intelligence in the radiology roundtrip: process streamlining, workflow optimization, and beyond
CN111128345A (zh) 医学图像的获取方法、医学扫描设备和计算机存储介质
CN110415310A (zh) 医学扫描成像方法、装置、存储介质及计算机设备
CN110751187A (zh) 异常区域图像生成网络的训练方法和相关产品
CN111128348B (zh) 医学图像处理方法、装置、存储介质及计算机设备
CN111223158B (zh) 心脏冠脉图像的伪影校正方法和可读存储介质
CN111091539A (zh) 网络模型训练、医学图像处理方法、装置、介质及设备
CN111243052A (zh) 图像重建方法、装置、计算机设备和存储介质
CN110310257A (zh) 医学图像处理方法、装置、计算机设备和存储介质
CN110244249A (zh) 磁共振扫描方法、装置、医学扫描设备和存储介质
CN110738639B (zh) 医学图像检测结果的展示方法、装置、设备及存储介质
CN111161369B (zh) 图像重建存储方法、装置、计算机设备和存储介质
CN110335251A (zh) 图像分析方法的量化装置、方法、设备和存储介质
CN114723723A (zh) 医学影像处理方法、计算机设备和存储介质

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