CN110335665A - 一种应用于医学图像辅助诊断分析的以图搜图方法及系统 - Google Patents
一种应用于医学图像辅助诊断分析的以图搜图方法及系统 Download PDFInfo
- Publication number
- CN110335665A CN110335665A CN201910257760.3A CN201910257760A CN110335665A CN 110335665 A CN110335665 A CN 110335665A CN 201910257760 A CN201910257760 A CN 201910257760A CN 110335665 A CN110335665 A CN 110335665A
- Authority
- CN
- China
- Prior art keywords
- case
- image
- medical image
- analysis
- medical
- 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
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
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/30061—Lung
-
- 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种应用于医学图像辅助诊断分析的以图搜图方法及系统,包括以下步骤:S1:提取医学图像中病灶解剖位置、形态描述与量化分析信息并组织成格式化数据;S2:将S1所述数据与同一患者格式化、标准化后的病史、检验、病理、治疗等数据合并组成该病例图像的特征标签;S3:采用匹配算法将特征标签与病例数据库中的标签进行匹配,输出匹配程度较高的多个病例信息及其诊断意见。本发明方法以影像学特征数据为核心,以其它病例特征数据为辅助,组织成结构化数据作为病例图像的特征标签,通过搜索最接近的病例,为图像分析人员提供病例诊断和分析的参考思路和提示意见,有助于图像分析人员得出更全面、客观和准确的结论。
Description
技术领域
本发明涉及计算机辅助医学图像分析诊断领域,尤其涉及一种应用于医学图像辅助诊断分析的以图搜图方法及系统。
背景技术
自上世纪70年代起,随着以CT(X射线断层扫描成像)、MRI(磁共振成像)、超声、PET(正电子发射断层成像)、SPECT(单光子发射计算机断层成像)等医学影像技术的飞速进步,医学影像技术在现代临床医学中的地位日趋重要,已经成为常规诊断检查手段,并且在一些重大疾病的诊疗过程中,需要多种模态的医学影像共同发挥作用,才能较好的辅助临床达到精准诊疗的目标。
到目前为止,人工判读一直是医学影像分析诊断的最主要方式,随着计算机技术的发展,计算机辅助医学图像诊断的相关研究和产品也在临床实践中发挥着越来越重要的作用。早期的计算机辅助医学图像诊断软件功能主要局限于辅助人工如滤波、分割、配准以及量化分析等功能,从而帮助图像判读人员从图像中提取更准确、量化、丰富的信息用于诊断。近年来,随着以深度学习为代表人工智能技术的突破和快速发展,计算机辅助医学图像诊断技术在水平和能力上进一步提升,在一定程度上可以完成部分传统上仅能由人工完成的工作,比如CT图像肺结节的良恶性鉴别、眼底光学图像判读、病理图像判读分析等。虽然取得了巨大的进步,但是目前相关技术应用仍主要局限于简单、局部的图像分析判读领域,技术特点偏重于感知,尚无法实现系统性的逻辑思考和判断,因此难以胜任复杂图像(如多部位多模态医学图像)、复杂疾病(如恶性肿瘤分期)的诊断任务,同时此类图像智能分析技术目前最大的局限在于可解释性较差,在临床实践中不可避免的会引入风险和争议。在疾病诊断方面,人工智能的IBM公司的Watson医生,其工作方式是将病例、病史、影像、检验、病理等检查结果和结论输入基于知识库和规则的数据分析系统,进而得出相关疾病诊断结论和治疗方案建议,但是尚未包含如何基于影像数据完成影像分析诊断的功能模块。
在多种复杂、重大疾病的临床实践中,医学影像的分析诊断是一个基于丰富经验的严密逻辑思维过程。该过程大致可以为四个基本环节:1、整体分析影像,准确查找并定位异常影像表现;2、异常影像深入解析;3、构建合理的疾病假设并确定诊断方向;4、综合病史、检验、治疗、病理等多种信息进行验证,寻求最接近的诊断。前文所述的绝大部分计算机辅助医学图像分析诊断技术和产品主要解决的是环节1和部分环节2的问题,而以IBMWatson医生为代表的疾病诊断系统则涵盖了环节4的部分工作。但上述四个环节中,环节3是临床实践中一个承上启下的重要环节,需要图像判断人员有丰富的经验、影像与疾病关系的敏感性以及较好的逻辑思维习惯,可以说,环节3方面的能力,是衡量影像科医生业务水平的重要标准。目前,医生提升环节3方面的能力主要依靠大量阅读典型病例报告,参与实际病例讨论,逐步丰富经验并逐步摸索掌握相关规律,这一过程通常需要较长的时间积累,并且所接触的病例的范围和丰富程度受到医生学习、工作环境的限制。与此同时,在环节3方面的计算机辅助图像分析技术,是一个基本空白的领域。一项能够辅助医生准确完成环节3中由影像特征到疾病假设推理过程并能够通过证据支持推理的技术,将能够有效提升低年资医生的业务水平,在临床实践和教学培训中,发挥重要的作用。
发明内容
本发明的目的在于提出一种应用于医学图像辅助诊断分析的以图搜图方法及系统,旨在至少解决上述问题之一。
为达此目的,本发明采用以下技术方案:
一种应用于医学图像辅助诊断分析的以图搜图方法,其特征在于,包括以下步骤:
S1:导入某一病例的医学图像数据,并对该医学图像数据进行分析,提取医学图像中病灶解剖位置、形态描述与量化分析信息并组织成格式化数据;
S2:接收同一患者其它诊断相关数据并进行格式化与标准化,与S1步骤提取的病例医学图像格式化数据合并组成该病例图像的特征标签;
S3:访问病例数据库,采用匹配算法对特征标签与病例数据库中的标签匹配后,输出匹配程度较高的多个病例信息及其诊断意见。
本发明以影像学特征数据为核心,以其它诊断相关特征数据为辅助,组成结构化的病例特征标签,搜索已有病例数据库库中与当前病例特征标签匹配程度最高的若干个病例,输出相应的病例信息和诊断意见,为图像分析人员提供病例诊断和分析的参考思路和提示意见,有助于图像分析人员得出更全面、客观和准确的结论,能辅助医生准确完成影像特征到疾病假设推理过程,将能够有效提升低年资医生的业务水平,在临床实践和教学培训中,发挥重要的作用。
优选的,所述其它诊断相关特征数据包括病史、检验、病理和治疗记录;所述医学图像包括X光、超声、CT、MRI、PET与SPECT的图像。
优选的,在步骤S1中,对所述病灶解剖位置标记解剖结构名称,所述解剖结构名称通过深度学习、机器学习或模式识别方法得出,并由用户编辑、确认。
用户可在标准解剖结构命名库中选择解剖位置的解剖结构名称,或在三维虚拟数字人模型上标识位置并智能识别转化为标准解剖结构名称,最后由用户编辑、确认,使数据库中同一病灶解剖位置的名称标准化,方便用户使用。
优选的,在步骤S2中,将影像特征信息和病史、检验、病理和治疗信息数据建立初始相关模型;
所述初始相关模型为基于临床统计经验,不同的影像学特征与并病史、检验、病理和治疗特征信息针对不同人群的一组量化相关系数。该初始模型可以提升病例图像标签数据的结构化属性和临床意义。
优选的,在步骤S3中,将输出的病例信息及诊断意见按标签匹配程度由高到低排序,并标注出每个匹配病例与当前病例的不匹配项。
将输出的病例信息及诊断意见按匹配程度按高到低顺序排列,便于用户快速得到匹配程度高的病例信息及诊断意见,由于数据库匹配出病例信息及诊断意见存在的局限性,通过标注当前病例与输出病例信息的差异性,提醒用户注意,便于用户对比分析。
一种应用于医学图像辅助诊断分析的以图搜图系统,其特征在于,包括图像特征提取模块、标签模块和匹配模块;
图像特征提取模块:用于导入某一病例的医学图像数据,并对该医学图像数据进行分析,提取医学图像中病灶解剖位置、形态描述与量化分析信息并组织成格式化数据;
标签模块:用于接收同一患者其它诊断相关数据并进行格式化与标准化,与所述图像特征提取模块提取的病例医学图像格式化数据合并组成该病例图像的特征标签;
匹配模块:访问病例数据库,采用匹配算法对特征标签与病例数据库中的标签匹配后,输出匹配程度较高的多个病例信息及其诊断意见。
本系统以影像学特征数据为核心,以病史、病理、检验、介入检查、治疗情况的特征数据为辅助,结构化为病例图像的特征标签,通过搜索已有病例数据库中病例标签与当前病例最匹配的若干个病例,并输出相应的病例信息和诊断意见,为图像分析人员提供病例诊断和分析的参考思路和提示意见,有助于图像分析人员得出更全面、客观和准确的结论,能辅助医生准确完成影像特征到疾病假设推理过程,将能够有效提升低年资医生的业务水平,在临床实践和教学培训中,发挥了重要的作用。
优选的,所述治疗数据包括病例、病史、检验和病理;所述医学图像包括X光、超声、CT、MRI、PET与SPECT的图像。
病人的其它诊断相关数据包括病人的病史、检验、病理和治疗情况,便于医护人员更了解病人的身体状况;医学图像包括X光、超声、CT、MRI、PET与SPECT的等单一模态或多模态放射及核医学图像。
优选的,所述格式化模块对所述病灶解剖位置标记解剖结构名称,所述解剖结构名称通过深度学习、机器学习和模式识别方法得出,并由用户编辑、确认。
用户可在标准解剖结构命名库中选择解剖位置的解剖结构名称,或在三维虚拟数字人模型上标识位置并智能识别转化为标准解剖结构名称,最后由用户编辑、确认,使数据库中同一病灶解剖位置的名称标准化,方便用户使用。
优选的,所述标签模块将影像特征信息和其他诊断相关信息数据建立初始相关模型;
所述初始相关模型为基于临床统计经验,不同的影像学特征与并病史、检验、病理和治疗特征信息针对不同人群的一组量化相关系数。该初始模型可以提升病例图像标签数据的结构化属性和临床意义。
优选的,所述匹配模块将输出的病例信息及诊断意见按匹配程度由高到低排序,并标注出每个匹配病例与当前病例的不匹配项。
将输出的病例信息及诊断意见按匹配程度按高到低顺序排列,便于用户快速得到匹配程度高的病例信息及诊断意见,由于数据库匹配出病例信息及诊断意见的存在的局限性,通过标注当前病例与输出病例信息的差异性,提醒用户注意,便于用户对比分析。
本发明的有益效果为:本发明以影像学特征数据为核心,以病理、病例、检验、治疗情况的特征数据为辅助,结构化为病例图像的特征标签,通过搜索已有病例数据库中特征标签与当前病例最匹配的若干个病例,并输出相应的病例信息和诊断意见,为图像分析人员提供病例诊断和分析的参考思路和提示意见,有助于图像分析人员得出更全面、客观和准确的结论,能辅助医生准确完成影像特征到疾病假设推理过程,将能够有效提升低年资医生的业务水平,在临床实践和教学培训中,发挥了重要的作用。
附图说明
附图对本发明做进一步说明,但附图中的内容不构成对本发明的任何限制。
图1是本发明其中一个实施例的顺序流程图;
图2是本发明其中一个实施例的针对CT图像实现病灶检测、定位、提取形态描述和量化分析的示例图;
图3是本发明其中一个实施例的针对核医学SPECT图像实现病灶检测、定位、提取形态描述和量化分析的示例图;
图4是本发明其中一个实施例的病例图像特征标签;
图5是本发明其中一个实施例的利用3D数字人解剖模型辅助输入病灶解剖位置的示例图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
实施例1
一种应用于医学图像辅助诊断分析的以图搜图方法,包括以下步骤:
S1:导入某一病例的医学图像数据,并对该医学图像数据进行分析,提取医学图像中病灶解剖位置、形态描述与量化分析信息并组织成格式化数据;
S2:接收同一患者其它诊断相关数据并进行格式化与标准化,与S1步骤提取的病例医学图像格式化数据合并组成该病例图像的特征标签;
S3:访问病例数据库,采用匹配算法将特征标签与病例数据库中的标签进行匹配,输出匹配程度较高的多个病例信息及其诊断意见。
本发明以影像学特征数据为核心,以其它诊断相关特征数据为辅助,组成结构化的病例特征标签,搜索已有病例数据库库中与当前病例特征标签匹配程度最高的若干个病例,输出相应的病例信息和诊断意见,为图像分析人员提供病例诊断和分析的参考思路和提示意见,有助于图像分析人员得出更全面、客观和准确的结论,能辅助医生准确完成影像特征到疾病假设推理过程,将能够有效提升低年资医生的业务水平,在临床实践和教学培训中,发挥重要的作用。
优选的,所述其它诊断相关特征数据包括病史、检验、病理和治疗记录;所述医学图像包括X光、超声、CT、MRI、PET与SPECT的图像。
优选的,在步骤S1中,对所述病灶解剖位置标记解剖结构名称,所述解剖结构名称通过深度学习、机器学习或模式识别方法得出,并由用户编辑、确认。
用户可在标准解剖结构命名库中选择解剖位置的解剖结构名称,或在三维虚拟数字人模型上标识位置并智能识别转化为标准解剖结构名称,最后由用户编辑、确认,使数据库中同一病灶解剖位置的名称标准化,方便用户使用。
优选的,在步骤S2中,将影像特征信息和病史、检验、病理和治疗信息数据建立初始相关模型;
所述初始相关模型为基于临床统计经验,不同的影像学特征与并病史、检验、病理和治疗特征信息针对不同人群的一组量化相关系数。该初始模型可以提升病例图像标签数据的结构化属性和临床意义。
优选的,在步骤S3中,将输出的病例信息及诊断意见按标签匹配程度由高到低排序,并标注出每个匹配病例与当前病例的不匹配项。
将输出的病例信息及诊断意见按匹配程度按高到低顺序排列,便于用户快速得到匹配程度高的病例信息及诊断意见,由于数据库匹配出病例信息及诊断意见存在的局限性,通过标注当前病例与输出病例信息的差异性,提醒用户注意,便于用户对比分析。
本实施例的一种应用于医学图像辅助诊断分析的以图搜图方法的具体工作过程,如下例:
S1:从网络或存储介质中导入某一病例的图像医学图像数据,采用图像处理分析软件辅助用户提取CT、MRI、PET或SPECT等单一或多种模态的医学图像中病灶解剖位置、形态描述与量化分析信息并组织成格式化数据。如图2、3所示,图2所示为三维CT图像中肺癌病灶的检测与定量分析,通过医学图像处理分析软件辅助用户在病灶中心在轴向、冠状位和矢状位三个方向勾画出病灶的位置和范围,并针对此立方体区域进行像素平均值、中值、标准偏差、像素统计直方图等量化分析,还可进一步测量肿瘤病灶在三个方向上的最大尺寸。图3所示为三维SPECT图像中肺癌病灶的检测与定量分析,通过用户操作与半自动图像分割算法相配合,精确分割出病灶在图像中的三维位置和空间形状,在此基础上提取包括像素最大值、肿瘤体积等进一步的量化分析信息。上述肿瘤位置检测、分割和量化分析由基于深度学习等人工智能技术或传统图像处理分析算法的计算机算法软件完成后,用户对其最终结果审核、编辑和确认。
S2:将医学图像格式化数据与同一患者病史、检验、病理、治疗等相关结构化、标准化的数据共同组成该病例图像的特征标签,如图4所示,以恶性肿瘤为例,该标签一般可包括病例基本信息、病史、影像学检查、介入操作、检验信息等5个大项,其中影像学检查大项为核心,其包含上述S1步骤从多种模态的医学图像数据中提取的病灶结构化信息,并且该信息和其它大项的相关信息使用相同或者相对应的结构化方式;
S3:采用匹配算法将特征标签与已有病例数据库中的标签进行匹配,输出匹配程度较高的若干个病例信息及其诊断意见。针对图4所示恶性肿瘤病例标签的匹配算法如下:
CTopt=argmax{P(C∈A,CT∈A)} (1)
其中,公式(1)中的CTopt为当前病例库中匹配程度p(C∈A,CT∈A)最高的已知病例,公式(2)给出匹配程度的定义——病例数据库中已知病例CT与当前待分析病例C诊断结论同为疾病A的概率,该概率包含三项,第一项是待分析病例影像学特征C3与已明确病例的相关性第二项代表诊断假设为疾病A且影像学特征为C3的前提下,病史为C2、介入检查特征为C4,检验数据特征C5为的条件概率p(C2,C4,C5|A,C3);第三项代表对于当前患者所在人群C1,罹患疾病A的条件概率。
在实际公式的实现中,影像学特征的相关性通常采用解剖位置最相近病灶的定量特征的相似性进行评估计算,并归一化,因此影响该相关性数值的主要在于病灶的解剖位置和量化评估的分类与分级。在某一疾病假设条件下病史、介入检查和检验信息的条件概率,可以从当前数据库或相关疾病的临床研究文献与数据库中归纳提取,介入检查、病理的结果特征与病灶的位置、大小与形态高度相关,因此与影像学特征也有很高的相关性,因此也被包含在上述公式模型中。对于影像学特征相似且其它辅助特征信息缺失或难以区分的病例,比如恶性肿瘤转移阶段确认原发灶,还需要考虑比较几种可能潜在疾病模型针对特定人群的发病率,该数据一般也可以从相关文献中获得。在实际应用中,考虑到病例可能存在各种信息缺失,定量分析精度不够的情况,因此搜索结果通常会返回匹配程度最大的前3-5个病例供图像分析判读者参考。同时,考虑病例数据库可能存在的局限性,通过强调标注当前病例与搜索返回病例的差异性,提醒图像分析人员注意。
图5利用3D数字人解剖模型辅助输入病灶解剖位置的示例图,其中图5(a)为3D数字人解剖模型,用户可在模型中输入病灶解剖位置等,图5(b)为3D数字人解剖模型中特征位置的名称。
实施例2
一种应用于医学图像辅助诊断分析的以图搜图系统,其特征在于,包括格式化模块、标签模块和匹配模块;
格式化模块:用于导入某一病例的医学图像数据,并对该医学图像数据进行分析,提取医学图像中病灶解剖位置、形态描述与量化分析信息并组织成格式化数据;
标签模块:用于接收同一患者其它诊断相关数据并进行格式化与标准化,与所述图像特征提取模块提取的病例医学图像格式化数据合并组成该病例图像的特征标签;
匹配模块:访问病例数据库,采用匹配算法对特征标签与病例数据库中的标签匹配后,输出匹配程度较高的多个病例信息及其诊断意见。
本发明以影像学特征数据为核心,以病史、病例、检验、介入检查的特征数据为辅助,结构化为病例图像的特征标签,通过搜索已有病例数据库库中与当前病例最接近的若干个病例,并输出相应的病例信息和诊断意见,为图像分析人员提供病例诊断和分析的参考思路和提示意见,有助于图像分析人员得出更全面、客观和准确的结论,能辅助医生准确完成影像特征到疾病假设推理过程,将能够有效提升低年资医生的业务水平,在临床实践和教学培训中,发挥了重要的作用。
优选的,所述治疗数据包括病例、病史、检验和病理;所述医学图像包括CT、MRI、PET与SPECT的图像。
病人的治疗数据包括病人的病例、病史、检验和病理,便于医护人员更了解病人的身体状况;医学图像包括CT、MRI、PET与SPECT的等单一模态或多模态放射及核医学图像。
优选的,所述格式化模块对所述病灶解剖位置标记解剖结构名称,所述解剖结构名称通过智能识别得出,并由用户确认或编辑。
用户可在标准解剖结构命名库中选择解剖位置的解剖结构名称,或在三维虚拟数字人模型上标识位置并智能识别转化为标准解剖结构名称,最后由用户确认或编辑,使数据库中同一病灶解剖位置的名称标准化,方便用户使用。
优选的,所述标签模块将影像特征信息和病灶信息数据建立初始相关模型;
所述病灶信息数据包括检验和穿刺病理;
所述建立初始相关模型的方法为通过病灶解剖位置对应、病灶性质符合和潜在疾病机制关联建立初始相关模型。
通过对影像特征信息和病灶信息建立模型,从而增强病例图像标签数据的结构化属性和临床意义。
优选的,所述匹配模块将输出的病例信息及诊断意见按匹配程度由高到低排序,并标注出每个匹配病例与当前病例的不匹配项。
将输出的病例信息及诊断意见按匹配程度按高到低顺序排列,便于用户快速得到匹配程度高的病例信息及诊断意见,由于数据库匹配出病例信息及诊断意见的存在的局限性,通过标注当前病例与输出病例信息的差异性,提醒用户注意,便于用户对比分析。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理,而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (10)
1.一种应用于医学图像辅助诊断分析的以图搜图方法,其特征在于,包括以下步骤:
S1:导入某一病例的医学图像数据,并对该医学图像数据进行分析,提取医学图像中病灶解剖位置、形态描述与量化分析信息并组织成格式化数据;
S2:接收同一患者其它诊断相关数据并进行格式化与标准化,与S1步骤提取的病例医学图像格式化数据合并组成该病例图像的特征标签;
S3:访问病例数据库,采用匹配算法对特征标签与病例数据库中的标签匹配后,输出匹配程度较高的多个病例信息及其诊断意见。
2.根据权利要求1所述的一种应用于医学图像辅助诊断分析的以图搜图方法,其特征在于,所述其它诊断相关数据包括病史、检验、病理和治疗情况;所述医学图像包括X光、超声、CT、MRI、PET与SPECT的图像。
3.根据权利要求1所述的一种应用于医学图像辅助诊断分析的以图搜图方法,其特征在于,在步骤S1中,对所述病灶解剖位置标记解剖结构名称,通过深度学习、机器学习或模式识别方法识别得出,并由用户编辑、确认。
4.根据权利要求1所述的一种应用于医学图像辅助诊断分析的以图搜图方法,其特征在于,在步骤S2中,将影像特征信息和病史、检验、病理和治疗信息数据建立初始相关模型;
所述初始相关模型为基于临床统计经验,不同的影像学特征与并病史、检验、病理和治疗特征信息针对不同人群的一组量化相关系数。
5.根据权利要求1所述的一种应用于医学图像辅助诊断分析的以图搜图方法,其特征在于,在步骤S3中,将输出的病例信息及诊断意见按匹配程度由高到低排序,并标注出每个匹配病例与当前病例的不匹配项。
6.一种应用于医学图像辅助诊断分析的以图搜图系统,其特征在于,包括图像特征提取模块、标签模块和匹配模块;
图像特征提取模块:用于导入某一病例的医学图像数据,并对该医学图像数据进行分析,提取医学图像中病灶解剖位置、形态描述与量化分析信息并组织成格式化数据;
标签模块:用于接收同一患者其它诊断相关数据并进行格式化与标准化,与所述图像特征提取模块提取的病例医学图像格式化数据合并组成该病例图像的特征标签;
匹配模块:用于访问病例数据库,采用匹配算法将上述特征标签与病例数据库中的标签进行匹配,输出匹配程度较高的多个病例信息及其诊断意见。
7.根据权利要求6所述的一种应用于医学图像辅助诊断分析的以图搜图系统,其特征在于,所述其它诊断相关数据包括病史、检验、病理和治疗;所述医学图像包括X光、超声、CT、MRI、PET与SPECT的图像。
8.根据权利要求6所述的一种应用于医学图像辅助诊断分析的以图搜图系统,其特征在于,所述图像特征提取模块对所述病灶解剖位置标记解剖结构名称,所述解剖结构名称通过深度学习、机器学习或模式识别方法得出,并由用户编辑、确认。
9.根据权利要求6所述的一种应用与医学图像辅助诊断分析的以图搜图系统,其特征在于,所述标签模块将影像特征信息和病史、检验、病理和治疗信息数据建立初始相关模型;
所述初始相关模型为基于临床统计经验,不同的影像学特征与并病史、检验、病理和治疗特征信息针对不同人群的一组量化相关系数。
10.根据权利要求6所述的一种应用与医学图像辅助诊断分析的以图搜图系统,其特征在于,所述匹配模块将输出的病例信息及诊断意见按匹配程度由高到低排序,并标注出每个匹配病例与当前病例的不匹配项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910257760.3A CN110335665B (zh) | 2019-04-01 | 2019-04-01 | 一种应用于医学图像辅助诊断分析的以图搜图方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910257760.3A CN110335665B (zh) | 2019-04-01 | 2019-04-01 | 一种应用于医学图像辅助诊断分析的以图搜图方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110335665A true CN110335665A (zh) | 2019-10-15 |
CN110335665B CN110335665B (zh) | 2021-07-20 |
Family
ID=68139270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910257760.3A Active CN110335665B (zh) | 2019-04-01 | 2019-04-01 | 一种应用于医学图像辅助诊断分析的以图搜图方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110335665B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648751A (zh) * | 2019-10-30 | 2020-01-03 | 中南大学湘雅三医院 | 一种利用皮肤ct圈定可能疾病的系统及方法 |
CN110706815A (zh) * | 2019-11-26 | 2020-01-17 | 北京推想科技有限公司 | 一种影像报告的评估方法、装置及电子设备 |
CN110767293A (zh) * | 2019-11-07 | 2020-02-07 | 辽宁医汇智健康科技有限公司 | 一种脑部辅助诊断系统 |
CN111445996A (zh) * | 2020-03-31 | 2020-07-24 | 杭州依图医疗技术有限公司 | 医疗信息的处理方法、处理系统及存储介质 |
CN111681737A (zh) * | 2020-05-07 | 2020-09-18 | 陈�峰 | 用于建设肝癌影像数据库的结构化报告系统及方法 |
CN112070731A (zh) * | 2020-08-27 | 2020-12-11 | 佛山读图科技有限公司 | 应用人工智能引导人体模型图集与病例ct图像配准的方法 |
CN112992334A (zh) * | 2020-12-14 | 2021-06-18 | 中国科学院大学宁波生命与健康产业研究院 | 一种基于人工智能的股骨头坏死辅助诊断系统 |
CN113034489A (zh) * | 2021-04-16 | 2021-06-25 | 南方医科大学第五附属医院 | 基于深度学习的人工智能鼻窦ct图像处理系统 |
CN113130087A (zh) * | 2021-03-03 | 2021-07-16 | 聚融医疗科技(杭州)有限公司 | 一种审阅过程标签化存储复现方法及系统 |
CN113270168A (zh) * | 2021-05-19 | 2021-08-17 | 中科芯未来微电子科技成都有限公司 | 一种提高医学图像处理能力的方法及系统 |
CN113393427A (zh) * | 2021-05-28 | 2021-09-14 | 上海联影医疗科技股份有限公司 | 斑块分析方法、装置、计算机设备和存储介质 |
CN114298976A (zh) * | 2021-12-08 | 2022-04-08 | 成都道可名康医学检验实验室有限公司 | 一种用于医学病理图像诊断方法 |
CN114334130A (zh) * | 2021-12-25 | 2022-04-12 | 浙江大学 | 一种基于脑对称性的pet分子影像计算机辅助诊断系统 |
CN114678096A (zh) * | 2022-04-22 | 2022-06-28 | 人民卫生电子音像出版社有限公司 | 一种基于vr的3d可视化病例系统 |
CN114822880A (zh) * | 2022-06-30 | 2022-07-29 | 北京超数时代科技有限公司 | 一种基于国产自主可控的医院诊疗信息系统 |
CN115240844A (zh) * | 2022-07-15 | 2022-10-25 | 北京医准智能科技有限公司 | 辅助诊断模型的训练方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105359161A (zh) * | 2013-04-13 | 2016-02-24 | 宾夕法尼亚大学托管会 | 用于医学图像分析和概率诊断的系统和方法 |
CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与系统 |
CN107016395A (zh) * | 2017-03-18 | 2017-08-04 | 复旦大学 | 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法 |
CN107582097A (zh) * | 2017-07-18 | 2018-01-16 | 中山大学附属第医院 | 一种基于多模态超声组学的智能辅助决策系统 |
CN108335734A (zh) * | 2018-02-07 | 2018-07-27 | 深圳安泰创新科技股份有限公司 | 临床图像记录方法、装置及计算机可读存储介质 |
CN109243618A (zh) * | 2018-09-12 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 医学模型的构建方法、疾病标签构建方法及智能设备 |
-
2019
- 2019-04-01 CN CN201910257760.3A patent/CN110335665B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105359161A (zh) * | 2013-04-13 | 2016-02-24 | 宾夕法尼亚大学托管会 | 用于医学图像分析和概率诊断的系统和方法 |
CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与系统 |
CN107016395A (zh) * | 2017-03-18 | 2017-08-04 | 复旦大学 | 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法 |
CN107582097A (zh) * | 2017-07-18 | 2018-01-16 | 中山大学附属第医院 | 一种基于多模态超声组学的智能辅助决策系统 |
CN108335734A (zh) * | 2018-02-07 | 2018-07-27 | 深圳安泰创新科技股份有限公司 | 临床图像记录方法、装置及计算机可读存储介质 |
CN109243618A (zh) * | 2018-09-12 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 医学模型的构建方法、疾病标签构建方法及智能设备 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648751A (zh) * | 2019-10-30 | 2020-01-03 | 中南大学湘雅三医院 | 一种利用皮肤ct圈定可能疾病的系统及方法 |
CN110767293B (zh) * | 2019-11-07 | 2023-11-21 | 辽宁医汇智健康科技有限公司 | 一种脑部辅助诊断系统 |
CN110767293A (zh) * | 2019-11-07 | 2020-02-07 | 辽宁医汇智健康科技有限公司 | 一种脑部辅助诊断系统 |
CN110706815A (zh) * | 2019-11-26 | 2020-01-17 | 北京推想科技有限公司 | 一种影像报告的评估方法、装置及电子设备 |
CN111445996A (zh) * | 2020-03-31 | 2020-07-24 | 杭州依图医疗技术有限公司 | 医疗信息的处理方法、处理系统及存储介质 |
CN111681737A (zh) * | 2020-05-07 | 2020-09-18 | 陈�峰 | 用于建设肝癌影像数据库的结构化报告系统及方法 |
CN111681737B (zh) * | 2020-05-07 | 2023-12-19 | 陈�峰 | 用于建设肝癌影像数据库的结构化报告系统及方法 |
CN112070731A (zh) * | 2020-08-27 | 2020-12-11 | 佛山读图科技有限公司 | 应用人工智能引导人体模型图集与病例ct图像配准的方法 |
CN112070731B (zh) * | 2020-08-27 | 2021-05-11 | 佛山读图科技有限公司 | 应用人工智能引导人体模型图集与病例ct图像配准的方法 |
CN112992334A (zh) * | 2020-12-14 | 2021-06-18 | 中国科学院大学宁波生命与健康产业研究院 | 一种基于人工智能的股骨头坏死辅助诊断系统 |
CN113130087A (zh) * | 2021-03-03 | 2021-07-16 | 聚融医疗科技(杭州)有限公司 | 一种审阅过程标签化存储复现方法及系统 |
CN113034489A (zh) * | 2021-04-16 | 2021-06-25 | 南方医科大学第五附属医院 | 基于深度学习的人工智能鼻窦ct图像处理系统 |
CN113270168A (zh) * | 2021-05-19 | 2021-08-17 | 中科芯未来微电子科技成都有限公司 | 一种提高医学图像处理能力的方法及系统 |
CN113270168B (zh) * | 2021-05-19 | 2024-01-02 | 中科芯未来微电子科技成都有限公司 | 一种提高医学图像处理能力的方法及系统 |
CN113393427A (zh) * | 2021-05-28 | 2021-09-14 | 上海联影医疗科技股份有限公司 | 斑块分析方法、装置、计算机设备和存储介质 |
CN114298976A (zh) * | 2021-12-08 | 2022-04-08 | 成都道可名康医学检验实验室有限公司 | 一种用于医学病理图像诊断方法 |
CN114334130A (zh) * | 2021-12-25 | 2022-04-12 | 浙江大学 | 一种基于脑对称性的pet分子影像计算机辅助诊断系统 |
CN114334130B (zh) * | 2021-12-25 | 2023-08-22 | 浙江大学 | 一种基于脑对称性的pet分子影像计算机辅助诊断系统 |
CN114678096A (zh) * | 2022-04-22 | 2022-06-28 | 人民卫生电子音像出版社有限公司 | 一种基于vr的3d可视化病例系统 |
CN114822880A (zh) * | 2022-06-30 | 2022-07-29 | 北京超数时代科技有限公司 | 一种基于国产自主可控的医院诊疗信息系统 |
CN115240844A (zh) * | 2022-07-15 | 2022-10-25 | 北京医准智能科技有限公司 | 辅助诊断模型的训练方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110335665B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110335665A (zh) | 一种应用于医学图像辅助诊断分析的以图搜图方法及系统 | |
Danelakis et al. | Survey of automated multiple sclerosis lesion segmentation techniques on magnetic resonance imaging | |
CN108573490B (zh) | 一种针对肿瘤影像数据的智能读片系统 | |
Zhou et al. | Lung cancer cell identification based on artificial neural network ensembles | |
CN1934589A (zh) | 为医学成像提供自动决策支持的系统和方法 | |
Ghosh et al. | Deep transfer learning for automated intestinal bleeding detection in capsule endoscopy imaging | |
Wang et al. | Application of neuroanatomical features to tractography clustering | |
CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
WO2020154562A1 (en) | Method and system for automatic multiple lesion annotation of medical images | |
CN111430025B (zh) | 一种基于医疗影像数据扩增的疾病诊断模型训练方法 | |
CN114693933A (zh) | 基于生成对抗网络和多尺度特征融合的医学影像分割装置 | |
Dong et al. | A novel feature fusion based deep learning framework for white blood cell classification | |
Hu et al. | A GLCM embedded CNN strategy for computer-aided diagnosis in intracerebral hemorrhage | |
CN117237351B (zh) | 一种超声图像分析方法以及相关装置 | |
Dabass et al. | A hybrid U-Net model with attention and advanced convolutional learning modules for simultaneous gland segmentation and cancer grade prediction in colorectal histopathological images | |
CN103262070A (zh) | 解剖结构中病变的图片报告示意图的生成 | |
Kamboj et al. | Deep leaming approaches for brain tumor segmentation: a review | |
Kumaraswamy et al. | Automatic prostate segmentation of magnetic resonance imaging using Res-Net | |
Pallawi et al. | Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey | |
Jiang et al. | Fusion of medical imaging and electronic health records with attention and multi-head machanisms | |
WO2023274599A1 (en) | Methods and systems for automated follow-up reading of medical image data | |
Mani | Deep learning models for semantic multi-modal medical image segmentation | |
Yang et al. | Automatic Segmentation of Cervical Precancerous Lesions in Colposcopy Image Using Pyramid Scene Parsing Network and Transfer Learning. | |
Han et al. | U-CCNet: Brain Tumor MRI Image Segmentation Model with Broader Global Context Semantic Information Abstraction | |
Purnama et al. | Modified 3D U-Net For Brain Tumor Segmentation |
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 |