CN110348477A - 医疗图像处理方法、存储介质及计算机设备 - Google Patents

医疗图像处理方法、存储介质及计算机设备 Download PDF

Info

Publication number
CN110348477A
CN110348477A CN201910479414.XA CN201910479414A CN110348477A CN 110348477 A CN110348477 A CN 110348477A CN 201910479414 A CN201910479414 A CN 201910479414A CN 110348477 A CN110348477 A CN 110348477A
Authority
CN
China
Prior art keywords
image
difficult
medical image
reference picture
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
Application number
CN201910479414.XA
Other languages
English (en)
Other versions
CN110348477B (zh
Inventor
伍吉兵
郑介志
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.)
Wuhan Zhongke Medical Technology Industrial Technology Research Institute 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 CN201910479414.XA priority Critical patent/CN110348477B/zh
Publication of CN110348477A publication Critical patent/CN110348477A/zh
Application granted granted Critical
Publication of CN110348477B publication Critical patent/CN110348477B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种医疗图像处理方法、存储介质及计算机设备，在获取待处理的医疗图像之后，通过相似度网络模型将医疗图像与参考图像进行相似度匹配处理，根据匹配处理结果自动确定医疗图像是否为疑难病症图像，从而可以自动从医疗图像中筛选疑难图像，相比于人工筛选的方式，可以大大提高图像处理效率，并且，通过相似度网络模型进行相似度匹配处理，可以提高确定疑难病例的准确性。

Description

医疗图像处理方法、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、存储介质及计算机设备。
背景技术
乳腺癌是指发生在乳腺腺上皮组织的恶性肿瘤，其主要发病人群为女性，全球乳腺癌发病率自20世纪70年代末开始一直呈上升趋势，现已成为当前社会的重大公共卫生问题。随着人民生活水平的提高和女性乳腺疾病宣传工作的深入，较多女性群众越来越重视乳腺的定期检查和保养。
乳腺钼靶检查是目前诊断乳腺疾病的首选和最简便、最可靠的无创性检测手段，然而，由于当前国内医疗资源分布不均，普通人群在较小医院进行乳腺检查后，需要通过医联体对较小医院无法确诊的医疗图像进行观察筛选，以确定该被检对象的病变程度，以确定是否为疑难病例。然而，现有技术中，上述过程均是通过医生以及技术手动筛选，容易出错，且效率较低。
发明内容
基于此，有必要针对现有技术存在的问题，提供一种效率及准确性更高的医疗图像处理方法、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；
通过相似度网络模型对所述医疗图像以及参考图像进行相似度匹配处理，得到匹配处理结果，所述参考图像包括疑难病症图像；
根据所述匹配处理结果确定所述医疗图像是否为疑难病症图像。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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、存储介质及计算机设备，在获取待处理的医疗图像之后，通过相似度网络模型将医疗图像与参考图像进行相似度匹配处理，根据匹配处理结果自动确定医疗图像是否为疑难病症图像，从而可以自动从医疗图像中筛选疑难图像，相比于人工筛选的方式，可以大大提高图像处理效率，并且，通过相似度网络模型进行相似度匹配处理，可以提高确定疑难病例的准确性。
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为另一个实施例中医疗图像处理方法的流程示意图；
图3为一个实施例中孪生神经网络模型的结构示意图；
图4为一个实施例中得到匹配处理结果的流程示意图；
图5为再一个实施例中医疗图像处理方法的流程示意图；
图6为一个实施例中根据匹配处理结果确定医疗图像的疑难等级的流程示意图；
图7为一个实施例中乳腺图像处理方法的流程示意图；
图8为一个实施例中医疗图像处理装置的结构示意图；
图9为另一个实施例中医疗图像处理装置的结构示意图；
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
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供一种医疗图像处理方法，用以确定医疗图像是否为疑难病症图像。但是需要说明的是，本申请各实施例中提供的医疗图像处理方法仅用于提供中间临床指示，并不提供相应的诊断方法。例如，当本申请中的方法应用于乳腺检查时，得到的结果可以帮助评估乳腺健康情况，当结果为确定乳腺图像为疑难病症图像时，该结果表示受检者的乳腺系统中一些地方出现了问题，但不必要表明发生了什么具体问题或者引起了什么疾病。可以理解，引起这些具体问题或者疾病的原因是多种多样的，只有通过进一步的具体检查，才能确定针对某一或几个疾病而言是否患病或者具体健康状况如何。本申请的方法只产生中间临床指示，在识别出具体病理之前，医生必须利用其自身的医疗知识来执行更多的检查工作或者分析工作以获得某些病理类型是否存在的结果。
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。
在进行医疗图像处理时，处理器首先获取待处理的医疗图像，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(Positron Emission ComputedTomography，正电子发射型计算机断层显像)图像、CT(Computed Tomography，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。另外，处理器在获取医疗图像时，可以是直接获取通过医疗成像系统实时扫描得到的医疗图像，也可以是通过网络访问、数据读取等方式获取保存于服务器、存储介质等中的已生成的医疗图像。
可以理解，医疗图像并不仅仅是指代单独一张图像，医疗图像也可以是指代一个图像集，例如，由同一被检查对象对应的、不同成像扫描参数(不同扫描序列、不同模态、不同拍摄体位等)的多张医疗图像组成的图像集等。
步骤300，通过相似度网络模型对医疗图像以及参考图像进行相似度匹配处理，得到匹配处理结果。
处理器在获取待处理的医疗图像之后，通过相似度网络模型(SimilarityLearning Architectures Or Models)得到医疗图像以及参考图像的相似度匹配处理结果。相似度网络模型是指可以用于检测两个或多个事物的相似度的模型，在本步骤中，相似度网络模型具体用于对医疗图像以及参考图像进行相似度匹配处理，对应的匹配处理结果包括医疗图像与参考图像匹配，以及医疗图像与参考图像不匹配等。
本步骤中，参考图像包括疑难病症图像，疑难病症图像具体是指由医生根据相关的判断标准确定为疑难病症的医疗图像。处理器通过相似度网络模型对医疗图像以及参考图像进行相似度匹配，当医疗图像与参考图像匹配，即医疗图像与参考图像中的疑难病症图像相似度较高时，说明该医疗图像同样属于疑难病症图像的概率较大，从而，可以认为，当医生对该医疗图像进行判断时，也同样会认为该医疗图像属于疑难病症图像。因此，处理器通过相似度网络模型可以“代替”医生来确定医疗图像是否为疑难病症图像，从而可以减少医生的工作量，提高疑难病症图像的识别效率。
另外，不同的医生对于疑难病症图像的判断标准可能存在一定的差异，因此，在确定参考图像中的疑难病症图像时，可以充分参考多位医生的意见，当所有医生或者绝大部分医生都认为某一张图像为疑难病症图像时，则确定该图像为疑难病症图像，可以作为参考图像，使得参考图像中的疑难病症图像的判断标准“满足”所有或者绝大部分医生的认可，从而在提高疑难病症图像判断准确率的同时，也能对不同医生的判断标准进行统一，减少或者避免出现争议的情况。
可以理解，对于本步骤中的“参考图像”，可以是直接指代具体的图像(如原图等)，即处理器通过相似度网络模型对两种具体图像进行相似度匹配处理；另外，也可以是指代图像所包含的图像特征，即处理器通过相似度网络模型对两种图像特征进行相似度匹配处理，在此不作限定。
步骤S400，根据匹配处理结果确定医疗图像是否为疑难病症图像。
处理器在通过相似度网络模型得到医疗图像以及参考图像的相似度匹配处理结果后，根据该匹配处理结果确定医疗图像是否为疑难病症图像。具体地，当医疗图像与参考图像的相似度较高时，可以认为医疗图像与参考图像匹配，此时，可以根据该判断依据，或者，结合其他判断依据，确定该医疗图像为疑难病症图像；当医疗图像与参考图像的相似度较低时，可以认为医疗图像与参考图像不匹配，此时，可以根据该判断依据，或者，结合其他判断依据，确定该医疗图像不属于疑难病症图像。
本实施例提供一种医疗图像处理方法，在获取待处理的医疗图像之后，通过相似度网络模型将医疗图像与参考图像进行相似度匹配处理，根据匹配处理结果自动确定医疗图像是否为疑难病症图像，从而可以自动从医疗图像中筛选疑难图像，相比于人工筛选的方式，可以大大提高图像处理效率，并且，通过相似度网络模型进行相似度匹配处理，可以提高确定疑难病例的准确性，同时，也能对不同医生的判断标准进行统一，减少或者避免出现争议的情况。
在一个实施例中，如图2所示，该医疗图像处理方法还包括：步骤S200，提取医疗图像中的目标检测物的图像特征。
处理器提取的图像特征用于作为相似度网络模型的输入以进行医疗图像以及参考图像的相似度匹配处理。处理器在获取医疗图像之后，提取医疗图像中的目标检测物的图像特征。图像特征包括形状、大小、颜色、纹理等特征。处理器在进行图像特征提取时，并不限定处理器所采用的具体图像特征提取方法，例如：图像特征提取方法可以是例如：基于深度学习神经网络模型的图像特征提取方法、HOG(Histogram Of Oriented Gradient,方向梯度直方图)、SIFT(Scale-Invariant Features Transform,尺度不变特征变换)、SURF(Speeded Up Robust Features,加速稳健特征)、DOG(Difference Of Gaussian，高斯函数差分)、LBP(Local Binary Pattern,局部二值模式)等方法，或者是其他图像特征提取方法，或者是其他可以提取到图像特征(即包含图像特征提取这一处理步骤)的处理方法，只要处理器可以通过所采用的处理方法提取医疗图像中的目标检测物的图像特征即可。另外，处理器可以是只采取单独的一种处理方法，也可以是综合采用多种处理方法。本实施例将图像特征作为相似度网络模型的输入，可以有效提高相似度匹配处理结果的准确性。
在一个实施例中，相似度网络模型的输入至少包括第一输入以及第二输入，第一输入用于输入参考图像的图像特征或输入参考图像，第二输入用于输入医疗图像中的目标检测物的图像特征或输入医疗图像。
相似度网络模型可以根据两个或多个事物进行相似度对比。具体地，当相似度网络模型对两个事物(如本实施例中的参考图像以及医疗图像)进行相似度对比时，相似度网络模型的输入包括第一输入以及第二输入；当相似度网络模型对两个以上事物进行相似度对比时，相似度网络模型的输入至少包括第一输入以及第二输入，其他例如可以是第三输入、第四输入等，具体可以根据实际情况进行选择。例如，以相似度网络模型对参考图像以及医疗图像进行相似度对比为例进行解释说明，处理对象为两个，因此可以采用只包括第一输入以及第二输入的相似度网络模型。
在进行数据输入时，可以是直接输入待匹配的图像，即第一输入对应的输入为参考图像，第二输入对应的输入为医疗图像。直接将图像作为相似度网络模型的输入，可以减少图像处理步骤，缩短处理时间，提高处理效率。
进一步地，在进行数据输入时，也可以是输入待匹配的图像特征。即第一输入对应的输入为参考图像的图像特征，第二输入对应的输入为医疗图像中的目标检测物的图像特征。参考图像的图像特征以及医疗图像中的图像特征可以是实时提取得到，也可以是预先已经提取出来的图像特征，在此不做限定。将图像特征作为相似度网络模型的输入，可以有效提高相似度对比精度，提高图像处理的准确性，使得相似度匹配效果更好。
需要说明的是，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”、“第二”等来区分相似度网络模型的输入，但是相似度网络模型的输入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，“第一输入”也可以被称为“第二输入”，“第二输入”也可以被称为“第一输入”；或者，“第一输入”也可以被称为“第三输入”，“第二输入”也可以被称为“第四输入”等。这些术语仅用来将相似度网络模型的输入彼此区分开。
在一个实施例中，相似度网络模型包括孪生神经网络模型、三胞胎网络模型以及四胞胎网络模型中的至少一种。
相似度网络模型可以根据两个或多个事物进行相似度对比，具体地，当相似度网络模型的输入为两个，即包括第一输入以及第二输入时，该相似度网络模型可以是孪生神经网络模型(Siamese Network)；当相似度网络模型的输入为三个，即包括第一输入、第二输入以及第三输入时，该相似度网络模型可以是三胞胎网络模型(Triplet Network)；当相似度网络模型的输入为四个，即包括第一输入、第二输入、第三输入以及第四输入时，该相似度网络模型可以是四胞胎网络模型(Quadruplet Network)。本实施例中，在进行参考图像以及医疗图像的相似度对比时，可以通过上述网络模型中的一种或者多种实现。
以相似度网络模型为孪生神经网络模型为例，如图3所示，为孪生神经网络模型的结构示意图，孪生神经网络可以理解为“连体的神经网络”，神经网络的“连体”通过共享权值(Weights)来实现。在通过孪生神经网络进行参考图像以及医疗图像的相似度对比时，将参考图像的图像特征作为第一输入进入神经网络1，将医疗图像的图像特征作为第二输入进入神经网络2，神经网络1以及神经网络2分别将对应的输入映射到新的空间，并分别形成对应的、在新的空间中的新的表示，然后通过对新的表示进行损失值(Loss)计算，通过Loss评价两个输入的相似度。其中，神经网络1和神经网络2可以是相同的神经网络，也可以是不同的神经网络，例如，神经网络1和神经网络2可以都是LSTM(Long Short-Term Memory，长短期记忆网络)，也可以都是CNN(Convolutional Neural Networks，卷积神经网络)，还可以是一个为CNN，另一个为LSTM等。
另外，对于孪生神经网络模型中的神经网络1以及神经网络2，也可以是不共享权值，此时，孪生神经网络可以称为伪孪生神经网络(Pseudo-Siamese Network)，神经网络1以及神经网络2可以是相同的神经网络，也可以是不同的神经网络。
需要说明的是，三胞胎网络模型以及四胞胎网络模型可以认为是孪生神经网络模型的延伸，其要解决的问题与孪生神经网络模型基本一致，因此，对于三胞胎网络模型以及四胞胎网络模型的具体模型结构以及工作原理，在此不再赘述。
本实施例通过孪生神经网络模型、三胞胎网络模型以及四胞胎网络模型中的至少一种网络模型对参考图像以及医疗图像的相似度对比，并通过网络模型的损失值判断两种图像的相似度，从而可以提高判断结果的准确性。
在一个实施例中，如图4所示，步骤S300，通过相似度网络模型对医疗图像以及参考图像进行相似度匹配处理，得到匹配处理结果，包括步骤S310至步骤S330。
步骤S310，提取参考图像中目标检测物的参考图像特征；
步骤S320，将医疗图像的目标检测物的图像特征，以及参考图像特征，分别作为相似度网络模型的输入，通过相似度网络模型对目标检测物的图像特征以及参考图像特征进行相似度匹配；
步骤S330，当相似度网络模型的损失值低于阈值时，确定医疗图像与参考图像匹配。
具体地，为了提高相似度匹配结果的准确性，采用图像特征作为相似度网络模型的输入，本实施例中首先对参考图像中的目标检测物进行特征提取，得到参考图像特征，然后将医疗图像的图像特征以及参考图像的参考图像特征分别输入相似度网络模型以进行相似度匹配，相似度网络模型中的网络将图像特征以及参考图像特征分别映射到新的空间，得到对应的新的第一表示以及第二表示，然后通过损失函数计算对应的损失值，当损失值低于预设的阈值时，即可确定医疗图像与参考图像匹配；当损失值等于或者高于预设的阈值时，确定医疗图像与参考图像不匹配。
本实施例通过将图像特征作为相似度网络模型的输入，可以提高相似度匹配结果的准确性；另外，通过设置损失值的判断阈值，从而可以根据实际情况对医疗图像与参考图像的匹配条件进行调整，增大适用范围。
在一个实施例中，根据匹配处理结果确定医疗图像是否为疑难病症图像，包括：当参考图像中存在与医疗图像匹配的匹配图像时，确定医疗图像为疑难病症图像。
具体地，在通过相似度网络模型进行参考图像以及医疗图像的相似度对比时，若满足相应的判断要求，则认为医疗图像与参考图像匹配。由于参考图像中包括疑难病症图像，因此，可以认为，医疗图像与疑难病症图像匹配，从而可以确定医疗图像也同样为疑难病症图像。
本实施例提供一种根据匹配处理结果确定医疗图像是否为疑难病症图像的方法，当参考图像中存在与医疗图像匹配的匹配图像时，即确定医疗图像为疑难病症图像，从而可以缩短确定疑难病症图像的处理时间，提高处理效率。
在一个实施例中，根据匹配处理结果确定医疗图像是否为疑难病症图像，包括：当参考图像中存在与医疗图像匹配的匹配图像，且匹配图像的数量达到预设数量时，确定医疗图像为疑难病症图像。
具体地，当参考图像中存在与医疗图像匹配的匹配图像时，并不是立即确定该医疗图像为疑难病症图像，而是继续将该医疗图像与其他参考图像进行相似度匹配，并统计与医疗图像匹配的匹配图像的数量。当匹配图像的数量达到预设数量时，才确定该医疗图像为疑难病症图像，即通过多张匹配图像来“认定”该医疗图像为疑难病症图像。
本实施例提供另一种根据匹配处理结果确定医疗图像是否为疑难病症图像的方法，当参考图像中存在与医疗图像匹配的匹配图像，且匹配图像的数量达到预设数量时，确定医疗图像为疑难病症图像，从而可以进一步提高疑难病症图像确定结果的准确性；另外，通过设置匹配图像数量的判断阈值(即预设数量)，从而可以根据实际情况对医疗图像为疑难病症图像的确定条件进行调整，增大适用范围。
在一个实施例中，如图5所示，该医疗图像处理方法还包括：步骤S500，当根据匹配处理结果确定医疗图像为疑难病症图像时，根据匹配处理结果确定医疗图像的疑难等级。
具体地，在根据匹配处理结果确定医疗图像为疑难病症图像时，为了使得图像处理结果内容更加丰富，可以进一步根据匹配处理结果确定医疗图像的疑难等级，另外也有助于后续分配相应的医生进行进一步的分析工作。例如，对于疑难等级较高的医疗图像，可以分配给医疗知识更丰富、经验更多的医生进行分析处理，疑难等级较低的医疗图像可以分配给知识以及经验一般的医生进行处理。
在一个实施例中，参考图像包括各个疑难等级的疑难病症图像，且各个疑难等级的疑难病症图像的数量为至少一个。在医生确定参考图像时，除了确定图像为疑难病症图像以外，还可以根据相应的级别分类标准，和/或，根据自身的医疗知识及经验，确定疑难病症图像对应的疑难等级。另外，为了保证能够得到医疗图像对应的疑难等级，需保证参考图像中包括所有疑难等级的疑难病症图像，并且各个疑难等级的疑难病症图像的数量为至少一个。
如图6所示，根据匹配处理结果确定医疗图像的疑难等级，包括步骤S510至步骤S520。
步骤S510，根据匹配处理结果中与医疗图像匹配的各匹配图像，统计各个疑难等级的匹配图像的图像数量；
步骤S520，将图像数量最多的匹配图像的疑难等级，作为医疗图像的疑难等级。
例如，当采用“参考图像中存在与医疗图像匹配的匹配图像，且匹配图像的数量达到预设数量”的标准确定疑难病症图像时，假设预设数量为20，疑难等级总共分为5级，在当前得到的匹配处理结果中，1-5级的匹配图像数量分别为1、3、11、4、1(张)，此时，匹配图像的数量达到了20(张)，因此可以认为该医疗图像为疑难病症图像。进一步地，由于3级疑难病症图像的数量最多，因此，可以将该医疗图像的疑难等级定为3级。
本实施例提供一种确定医疗图像疑难等级的方法，通过根据各个疑难等级的匹配图像的图像数量来确定疑难等级，可以提高疑难等级确定结果的准确度和可信度。
在一个实施例中，参考图像还包括非疑难病症图像。在确定参考图像时，也可以将医生认定为非疑难病症图像作为参考图像，即参考图像中同时包含疑难病症图像和非疑难病症图像。在通过相似度网络模型进行相似度匹配时，匹配处理结果包括：医疗图像与疑难病症图像匹配、医疗图像与疑难病症图像不匹配、医疗图像与非疑难病症图像匹配、医疗图像与非疑难病症图像不匹配等。
当参考图像还包括非疑难病症图像时，根据匹配处理结果确定医疗图像是否为疑难病症图像，包括：根据匹配处理结果，得到与医疗图像匹配的疑难病症图像的第一图像数量，以及与医疗图像匹配的非疑难病症图像的第二图像数量；当第一图像数量大于或者等于第二图像数量时，确定医疗图像为疑难病症图像。
具体地，根据匹配处理结果分别统计与医疗图像匹配的疑难病症图像以及非疑难病症图像的图像数量，并进行对比，当第一图像数量大于或者等于第二图像数量时，确定医疗图像为疑难病症图像；当第一图像数量小于第二图像数量时，确定医疗图像为非疑难病症图像。
本实施例提供一种根据匹配处理结果确定医疗图像是否为疑难病症图像的方法，通过对匹配图像中的疑难病症图像以及非疑难病症图像的图像数量进行大小对比，可以进一步地提高疑难病症图像确定结果的准确性。
在另一个实施例中，当参考图像还包括非疑难病症图像时，根据匹配处理结果确定医疗图像是否为疑难病症图像，包括：根据匹配处理结果，得到与医疗图像匹配的疑难病症图像的第一图像数量，以及与医疗图像匹配的非疑难病症图像的第二图像数量；根据第一图像数量以及第二图像数量得到图像数量总和；当第一图像数量与图像数量总和的比值达到预设阈值时，确定医疗图像为疑难病症图像。
具体地，根据匹配处理结果分别统计与医疗图像匹配的疑难病症图像以及非疑难病症图像的图像数量，通过第一图像数量以及第二图像数量可以得到与医疗图像匹配的匹配图像的图像数量总和。本实施例中，根据匹配图像中疑难病症图像所占的比例来判断医疗图像是否为疑难病症图像。
例如，当与医疗图像匹配的疑难病症图像的第一图像数量为7(张)，与医疗图像匹配的非疑难病症图像的第二图像数量为14(张)时，疑难病症图像占所有匹配图像的比例为7/20＝35％。此时，若对应的预设阈值设置为30％，由于35％>30％，则可以认为该医疗图像为疑难病症图像；若对应的预设阈值设置为40％，由于35％<40％，则可以认为该医疗图像不属于疑难病症图像。
本实施例提供一种根据匹配处理结果确定医疗图像是否为疑难病症图像的方法，通过疑难病症图像占所有匹配图像的比例来确定疑难病症图像，由于可以设置相应的判断比例(即预设阈值)，从而可以根据实际情况对医疗图像为疑难病症图像的确定条件进行调整，增大适用范围。
在一个实施例中，以医疗图像为乳腺图像为例，对本申请的医疗图像处理方法进行解释说明。如图7所示，乳腺图像的处理方法主要包括以下步骤：
(1)获取待处理的初始乳腺图像。
待处理的初始乳腺图像具体可以是通过Mammography(乳腺钼靶检查系统)得到的图像，Mammography是一种低剂量乳腺X光(X-Ray)拍摄乳房的技术，能够清晰显示乳腺各层组织，可以发现各种良恶性肿瘤以及乳腺增生和乳腺组织结构紊乱，是早期诊断乳腺癌的最有效和可靠的方式，能够对于彩超无法辨别的乳腺病变钙化点进行准确判断和鉴别，被誉为国际乳腺疾病检查的“金标准”。
可选地，对于同一受检对象，对应的初始乳腺图像包括不同拍摄体位得到的图像，例如MLO(Mediolateral Oblique，侧斜位)图像和CC(轴位)图像等。
进一步地，对于获取的初始乳腺图像，可以进行图像预处理，例如，对初始乳腺图像进行大小改变(Resize)处理，以及采用随机切割(Crop)策略以及随机旋转(Rotate)策略对初始图像数据进行增强等。另外，由于初始乳腺X-Ray图像的对比度较低，因此需要对初始图像数据调节窗宽窗位后统一进行归一化操作和标准化操作，以提高对比度。
(2)对预处理后的乳腺图像进行图像分割处理。
具体地，可以使用训练好的深度学习图像分割模型(Deep LearningSegmentation Network)对乳腺X-Ray图像的乳腺部分进行分割，去除乳腺之外的胸大肌等部分。深度学习图像分割模型可以通过带有乳腺分割掩膜的样本图像数据进行训练，具体地，经过预处理后的样本图像数据输入深度学习图像分割模型后，得到对应的输出，将该输出与样本图像数据的乳腺分割掩膜比较并计算损失值(Loss)，反向传播更新深度学习图像分割模型的权重，经过不断迭代即可得到训练好的深度学习图像分割模型。深度学习图像分割模型包括但不限于V-Net，U-Net，Link-Net等网络模型。
在通过图像分割处理得到乳腺部分后，将分割后的图像转为二值图像，再映射到乳腺图像上，从而，乳腺图像中仅保留了乳腺部分，未包含乳腺的其他部分为黑色，从而可以排除其他部分所产生的干扰。
(3)对分割后的乳腺图像进行图像分类处理，并获取乳腺腺体的图像特征。
具体地，可以使用训练好的深度学习分类模型(Deep Learning ClassificationNetwork)对于乳腺图像进行分类。例如，可以是按照BI-RADS标准(Breast ImagingReporting And Data System，乳腺成像报告和数据系统)确定的类别进行分类。其中，对于乳腺病变的良恶性程度，BI-RADS共分为0～6级，一般来说，级别越高，恶性的可能性越大。而对于乳腺组织的密度，BI-RADS共分为4个等级，等级越高表示乳腺的密度越高，这两种BI-RADS的分类对于乳腺疾病的临床诊断具有重要的意义。
深度学习分类模型可以通过带有病变良恶性BI-RADS分类标注的样本图像数据进行训练，具体地，经过预处理后的样本图像数据输入深度学习分类模型后，得到对应的输出，将该输出与样本图像数据的病变良恶性BI-RADS分类标注比较并计算损失值(Loss)，反向传播更新深度学习分类模型的权重，经过不断迭代即可得到训练好的深度学习分类模型。深度学习分类模型包括但不限于Resnet,Densenet,Resnext,Senet等网络模型。
另外，在通过深度学习分类模型对乳腺图像进行图像分类处理的过程中，模型的中间层的输出包括有乳腺图像的图像特征，因此，可以将通过深度学习分类模型得到的图像特征作为乳腺腺体的图像特征。
进一步地，当同一受检对象的乳腺图像包括不同拍摄体位的图像时，可以对不同拍摄体位的图像对应的图像特征进行特征融合处理，得到融合的图像特征，以该融合的图像特征作为乳腺腺体的图像特征。特征融合的方法包括但不限于特征谱加权相加。
(4)根据乳腺腺体的图像特征，通过孪生神经网络对医疗图像以及参考图像进行相似度匹配处理，当孪生神经网络的损失值低于阈值时，确定医疗图像与参考图像匹配。
在进行相似度匹配处理时，可以首先通过上述步骤中的处理过程得到参考图像的参考图像特征，以医疗图像的乳腺腺体的图像特征以及参考图像特征作为训练好的孪生神经网络的输入，可以提高相似度匹配处理结果的精度。孪生神经网络可以通过具有相似度判定结果的多对样本图像数据进行训练，具体地，将样本图像数据的图像特征分别输入孪生神经网络后，得到对应的输出，将该输出与样本图像数据的相似度判定结果比较并计算损失值(Loss)，反向传播更新孪生神经网络的权重，经过不断迭代即可得到训练好的孪生神经网络。
(5)根据匹配处理结果确定乳腺图像是否为疑难病症图像。
确定方法包括以下几种方法中的任一种：(a)当参考图像中存在与乳腺图像匹配的匹配图像时，确定乳腺图像为疑难病症图像；(b)当参考图像中存在与乳腺图像匹配的匹配图像，且匹配图像的数量达到预设数量时，确定乳腺图像为疑难病症图像；(c)根据匹配处理结果，得到与乳腺图像匹配的疑难病症图像的第一图像数量，以及与乳腺图像匹配的非疑难病症图像的第二图像数量；当第一图像数量大于或者等于第二图像数量时，确定乳腺图像为疑难病症图像；(d)根据匹配处理结果，得到与乳腺图像匹配的疑难病症图像的第一图像数量，以及与乳腺图像匹配的非疑难病症图像的第二图像数量；根据第一图像数量以及第二图像数量得到图像数量总和；当第一图像数量与图像数量总和的比值达到预设阈值时，确定乳腺图像为疑难病症图像。在得到匹配处理结果后，根据上述任意一种方式即可确定乳腺图像是否为疑难病症图像。
(6)在确定乳腺图像为疑难病症图像之后，根据匹配处理结果确定乳腺图像的疑难等级。
具体地，确定疑难等级的步骤包括：根据匹配处理结果中与乳腺图像匹配的各匹配图像，统计各个疑难等级的匹配图像的图像数量，并将图像数量最多的匹配图像的疑难等级，作为乳腺图像的疑难等级。
(7)将乳腺图像以及对应的疑难等级上传至相应的系统或者数据库。
普通人群在乡镇医院或者二级医院进行乳腺检查后，由于当前国内医疗资源分布不均，某些病例可能无法确诊，对于乡镇医院或者二级医院无法确诊的病例，可以通过本申请各实施例中的医疗图像处理方法进行处理，并确定是否为疑难病症图像，对于确定为疑难病症图像的医疗图像，可以通过医联体上传至数据库中，从而可以通过医疗条件更好的三级医院让病人得到更好的诊断及治疗。其中，医联体是指区域医疗联合体，是将同一个区域内的医疗资源整合在一起，通常由一个区域内的三级医院与二级医院、社区医院、村医院组成一个医疗联合体，用于解决普通人群看病难的问题。
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8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、图像匹配模块300以及疑难确定模块400。
图像获取模块100，用于获取待处理的医疗图像；
图像匹配模块300，通过相似度网络模型对医疗图像以及参考图像进行相似度匹配处理，得到匹配处理结果，参考图像包括疑难病症图像；
疑难确定模块400，根据匹配处理结果确定医疗图像是否为疑难病症图像。
在一个实施例中，图像匹配模块300还用于：提取参考图像中目标检测物的参考图像特征；将医疗图像的目标检测物的图像特征，以及参考图像特征，分别作为相似度网络模型的输入，通过相似度网络模型对目标检测物的图像特征以及参考图像特征进行相似度匹配；当相似度网络模型的损失值低于阈值时，确定医疗图像与参考图像匹配。
在一个实施例中，疑难确定模块400还用于：当参考图像中存在与医疗图像匹配的匹配图像时，确定医疗图像为疑难病症图像。
在一个实施例中，疑难确定模块400还用于：当参考图像中存在与医疗图像匹配的匹配图像，且匹配图像的数量达到预设数量时，确定医疗图像为疑难病症图像。
在一个实施例中，如图9所示，该医疗图像处理装置还包括：特征提取模块200，用于提取医疗图像中的目标检测物的图像特征。
在一个实施例中，参考图9，医疗图像处理装置还包括：疑难等级确定模块500，用于当根据匹配处理结果确定医疗图像为疑难病症图像时，根据匹配处理结果确定医疗图像的疑难等级。
在一个实施例中，疑难等级确定模块500还用于：根据匹配处理结果中与医疗图像匹配的各匹配图像，统计各个疑难等级的匹配图像的图像数量；将图像数量最多的匹配图像的疑难等级，作为医疗图像的疑难等级。
在一个实施例中，疑难确定模块400还用于：根据匹配处理结果，得到与医疗图像匹配的疑难病症图像的第一图像数量，以及与医疗图像匹配的非疑难病症图像的第二图像数量；当第一图像数量大于或者等于第二图像数量时，确定医疗图像为疑难病症图像。
在一个实施例中，疑难确定模块400还用于：根据匹配处理结果，得到与医疗图像匹配的疑难病症图像的第一图像数量，以及与医疗图像匹配的非疑难病症图像的第二图像数量；根据第一图像数量以及第二图像数量得到图像数量总和；当第一图像数量与图像数量总和的比值达到预设阈值时，确定医疗图像为疑难病症图像。
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；通过相似度网络模型对医疗图像以及参考图像进行相似度匹配处理，得到匹配处理结果，参考图像包括疑难病症图像；根据匹配处理结果确定医疗图像是否为疑难病症图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：提取医疗图像中的目标检测物的图像特征，图像特征用于作为相似度网络模型的输入以进行医疗图像以及参考图像的相似度匹配处理。
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：提取参考图像中目标检测物的参考图像特征；将医疗图像的目标检测物的图像特征，以及参考图像特征，分别作为相似度网络模型的输入，通过相似度网络模型对目标检测物的图像特征以及参考图像特征进行相似度匹配；当相似度网络模型的损失值低于阈值时，确定医疗图像与参考图像匹配。
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：当参考图像中存在与医疗图像匹配的匹配图像时，确定医疗图像为疑难病症图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当参考图像中存在与医疗图像匹配的匹配图像，且匹配图像的数量达到预设数量时，确定医疗图像为疑难病症图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当根据匹配处理结果确定医疗图像为疑难病症图像时，根据匹配处理结果确定医疗图像的疑难等级。
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：根据匹配处理结果中与医疗图像匹配的各匹配图像，统计各个疑难等级的匹配图像的图像数量；将图像数量最多的匹配图像的疑难等级，作为医疗图像的疑难等级。
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：根据匹配处理结果，得到与医疗图像匹配的疑难病症图像的第一图像数量，以及与医疗图像匹配的非疑难病症图像的第二图像数量；当第一图像数量大于或者等于第二图像数量时，确定医疗图像为疑难病症图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据匹配处理结果，得到与医疗图像匹配的疑难病症图像的第一图像数量，以及与医疗图像匹配的非疑难病症图像的第二图像数量；根据第一图像数量以及第二图像数量得到图像数量总和；当第一图像数量与图像数量总和的比值达到预设阈值时，确定医疗图像为疑难病症图像。
图10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10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；通过相似度网络模型对医疗图像以及参考图像进行相似度匹配处理，得到匹配处理结果，参考图像包括疑难病症图像；根据匹配处理结果确定医疗图像是否为疑难病症图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：提取医疗图像中的目标检测物的图像特征，图像特征用于作为相似度网络模型的输入以进行医疗图像以及参考图像的相似度匹配处理。
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：提取参考图像中目标检测物的参考图像特征；将医疗图像的目标检测物的图像特征，以及参考图像特征，分别作为相似度网络模型的输入，通过相似度网络模型对目标检测物的图像特征以及参考图像特征进行相似度匹配；当相似度网络模型的损失值低于阈值时，确定医疗图像与参考图像匹配。
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：当参考图像中存在与医疗图像匹配的匹配图像时，确定医疗图像为疑难病症图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当参考图像中存在与医疗图像匹配的匹配图像，且匹配图像的数量达到预设数量时，确定医疗图像为疑难病症图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当根据匹配处理结果确定医疗图像为疑难病症图像时，根据匹配处理结果确定医疗图像的疑难等级。
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：根据匹配处理结果中与医疗图像匹配的各匹配图像，统计各个疑难等级的匹配图像的图像数量；将图像数量最多的匹配图像的疑难等级，作为医疗图像的疑难等级。
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：根据匹配处理结果，得到与医疗图像匹配的疑难病症图像的第一图像数量，以及与医疗图像匹配的非疑难病症图像的第二图像数量；当第一图像数量大于或者等于第二图像数量时，确定医疗图像为疑难病症图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据匹配处理结果，得到与医疗图像匹配的疑难病症图像的第一图像数量，以及与医疗图像匹配的非疑难病症图像的第二图像数量；根据第一图像数量以及第二图像数量得到图像数量总和；当第一图像数量与图像数量总和的比值达到预设阈值时，确定医疗图像为疑难病症图像。
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 (10)

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；
通过相似度网络模型对所述医疗图像以及参考图像进行相似度匹配处理，得到匹配处理结果，所述参考图像包括疑难病症图像；
根据所述匹配处理结果确定所述医疗图像是否为疑难病症图像。
2.根据权利要求1所述的方法，其特征在于，获取待处理的医疗图像之后，通过相似度网络模型对所述医疗图像以及参考图像进行相似度匹配处理之前，还包括：
提取所述医疗图像中的目标检测物的图像特征，所述图像特征用于作为所述相似度网络模型的输入以进行所述医疗图像以及所述参考图像的相似度匹配处理。
3.根据权利要求1或2所述的方法，其特征在于，包括以下各项中的任一项：
第一项：所述相似度网络模型的输入至少包括：用于输入所述参考图像的图像特征或输入所述参考图像的第一输入；以及，用于输入所述医疗图像中的目标检测物的图像特征或输入所述医疗图像第二输入；
第二项：所述相似度网络模型包括孪生神经网络模型、三胞胎网络模型以及四胞胎网络模型中的至少一种。
4.根据权利要求2所述的方法，其特征在于，通过相似度网络模型对所述医疗图像以及参考图像进行相似度匹配处理，得到匹配处理结果，包括：
提取所述参考图像中目标检测物的参考图像特征；
将所述医疗图像的目标检测物的图像特征，以及所述参考图像特征，分别作为所述相似度网络模型的输入，通过所述相似度网络模型对所述目标检测物的图像特征以及所述参考图像特征进行相似度匹配；
当所述相似度网络模型的损失值低于阈值时，确定所述医疗图像与所述参考图像匹配。
5.根据权利要求1所述的方法，其特征在于，根据所述匹配处理结果确定所述医疗图像是否为疑难病症图像，包括以下各项中的任一项：
第一项：当所述参考图像中存在与所述医疗图像匹配的匹配图像时，确定所述医疗图像为疑难病症图像；
第二项：当所述参考图像中存在与所述医疗图像匹配的匹配图像，且所述匹配图像的数量达到预设数量时，确定所述医疗图像为疑难病症图像。
6.根据权利要求1所述的方法，其特征在于，还包括：
当根据所述匹配处理结果确定所述医疗图像为疑难病症图像时，根据所述匹配处理结果确定所述医疗图像的疑难等级。
7.根据权利要求6所述的方法，其特征在于，所述参考图像包括各个疑难等级的疑难病症图像，且各个疑难等级的疑难病症图像的数量为至少一个；
根据所述匹配处理结果确定所述医疗图像的疑难等级，包括：
根据所述匹配处理结果中与所述医疗图像匹配的各匹配图像，统计各个疑难等级的匹配图像的图像数量；
将图像数量最多的匹配图像的疑难等级，作为所述医疗图像的疑难等级。
8.根据权利要求1所述的方法，其特征在于，所述参考图像还包括非疑难病症图像；
根据所述匹配处理结果确定所述医疗图像是否为疑难病症图像，包括以下各项中的任一项：
第一项：
根据所述匹配处理结果，得到与所述医疗图像匹配的疑难病症图像的第一图像数量，以及与所述医疗图像匹配的非疑难病症图像的第二图像数量；
当所述第一图像数量大于或者等于所述第二图像数量时，确定所述医疗图像为疑难病症图像；
第二项：
根据所述匹配处理结果，得到与所述医疗图像匹配的疑难病症图像的第一图像数量，以及与所述医疗图像匹配的非疑难病症图像的第二图像数量；
根据所述第一图像数量以及所述第二图像数量得到图像数量总和；
当所述第一图像数量与所述图像数量总和的比值达到预设阈值时，确定所述医疗图像为疑难病症图像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN201910479414.XA 2019-06-04 2019-06-04 医疗图像处理方法、存储介质及计算机设备 Active CN110348477B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910479414.XA CN110348477B (zh) 2019-06-04 2019-06-04 医疗图像处理方法、存储介质及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910479414.XA CN110348477B (zh) 2019-06-04 2019-06-04 医疗图像处理方法、存储介质及计算机设备

Publications (2)

Publication Number Publication Date
CN110348477A true CN110348477A (zh) 2019-10-18
CN110348477B CN110348477B (zh) 2021-10-22

Family

ID=68181451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910479414.XA Active CN110348477B (zh) 2019-06-04 2019-06-04 医疗图像处理方法、存储介质及计算机设备

Country Status (1)

Country Link
CN (1) CN110348477B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112069338A (zh) * 2020-09-03 2020-12-11 Oppo广东移动通信有限公司 图片处理方法、装置、电子设备及存储介质
CN113222989A (zh) * 2021-06-09 2021-08-06 联仁健康医疗大数据科技股份有限公司 一种图像分级方法、装置、存储介质及电子设备
CN113283552A (zh) * 2021-07-22 2021-08-20 深圳百胜扬工业电子商务平台发展有限公司 图像的分类方法、装置、存储介质及电子设备
CN113658146A (zh) * 2021-08-20 2021-11-16 合肥合滨智能机器人有限公司 一种结节分级方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324852A (zh) * 2013-06-25 2013-09-25 上海交通大学 基于特征匹配的四模态医学影像诊断系统
CN103324853A (zh) * 2013-06-25 2013-09-25 上海交通大学 基于医学图像特征的相似度计算系统及方法
CN106031644A (zh) * 2015-03-11 2016-10-19 青岛海信医疗设备股份有限公司 一种超声检测方法及主控制器
CN107016708A (zh) * 2017-03-24 2017-08-04 杭州电子科技大学 一种基于深度学习的图像哈希编码方法
CN107220523A (zh) * 2017-07-25 2017-09-29 青岛大学附属医院 一种数字化病理分析系统及方法
CN107274404A (zh) * 2017-07-25 2017-10-20 青岛大学附属医院 一种基于影像的病理分析系统及方法
CN108095683A (zh) * 2016-11-11 2018-06-01 北京羽医甘蓝信息技术有限公司 基于深度学习的处理眼底图像的方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324852A (zh) * 2013-06-25 2013-09-25 上海交通大学 基于特征匹配的四模态医学影像诊断系统
CN103324853A (zh) * 2013-06-25 2013-09-25 上海交通大学 基于医学图像特征的相似度计算系统及方法
CN106031644A (zh) * 2015-03-11 2016-10-19 青岛海信医疗设备股份有限公司 一种超声检测方法及主控制器
CN108095683A (zh) * 2016-11-11 2018-06-01 北京羽医甘蓝信息技术有限公司 基于深度学习的处理眼底图像的方法和装置
CN107016708A (zh) * 2017-03-24 2017-08-04 杭州电子科技大学 一种基于深度学习的图像哈希编码方法
CN107220523A (zh) * 2017-07-25 2017-09-29 青岛大学附属医院 一种数字化病理分析系统及方法
CN107274404A (zh) * 2017-07-25 2017-10-20 青岛大学附属医院 一种基于影像的病理分析系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112069338A (zh) * 2020-09-03 2020-12-11 Oppo广东移动通信有限公司 图片处理方法、装置、电子设备及存储介质
CN113222989A (zh) * 2021-06-09 2021-08-06 联仁健康医疗大数据科技股份有限公司 一种图像分级方法、装置、存储介质及电子设备
CN113283552A (zh) * 2021-07-22 2021-08-20 深圳百胜扬工业电子商务平台发展有限公司 图像的分类方法、装置、存储介质及电子设备
CN113658146A (zh) * 2021-08-20 2021-11-16 合肥合滨智能机器人有限公司 一种结节分级方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN110348477B (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN109583440B (zh) 结合影像识别与报告编辑的医学影像辅助诊断方法及系统
CN110348477A (zh) 医疗图像处理方法、存储介质及计算机设备
US11488306B2 (en) Immediate workup
Zhang et al. Effective staging of fibrosis by the selected texture features of liver: Which one is better, CT or MR imaging?
Balasooriya et al. Intelligent brain hemorrhage diagnosis using artificial neural networks
Yoon et al. Medical image analysis using artificial intelligence
CN110189293A (zh) 细胞图像处理方法、装置、存储介质及计算机设备
CN110246109A (zh) 融合ct影像和个性化信息的分析系统、方法、装置及介质
Sahran et al. Machine learning methods for breast cancer diagnostic
CN114332132A (zh) 图像分割方法、装置和计算机设备
Ortiz-Rodriguez et al. Breast cancer detection by means of artificial neural networks
Zahedi et al. Classification of Breast Cancer Tumors Using Mammography Images Processing Based on Machine Learning.
CN111128348A (zh) 医学图像处理方法、装置、存储介质及计算机设备
Gupta et al. Implementation of classification system for brain cancer using backpropagation network and MRI
Srivastav et al. Breast cancer detection in mammogram images using machine learning methods and clahe algorithm
CN111784652B (zh) 基于强化学习多尺度神经网络的mri分割方法
WO2022153100A1 (en) A method for detecting breast cancer using artificial neural network
Munasinghe et al. Yuwathi: early detection of breast cancer and classification of mammography images using machine learning
CN113920100A (zh) 基于知识蒸馏的弱监督骨扫描图像热点分割方法及系统
Logeswaran Cholangiocarcinoma—An automated preliminary detection system using MLP
Balasooriya et al. Intelligent brain hemorrhage diagnosis system
Kumar Delineation of Lung Tumor with Neural Networks
Hsu et al. A comprehensive study of age-related macular degeneration detection
Ramkumar Identification and Classification of Breast Cancer using Multilayer Perceptron Techniques for Histopathological Image
Qvarnlöf The accuracy, reliability, and practicality of Convolutional Neural Networks in classifying ultrasound images for improved breast cancer diagnosis

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
TR01 Transfer of patent right

Effective date of registration: 20220110

Address after: 430206 22 / F, building C3, future science and technology building, 999 Gaoxin Avenue, Donghu New Technology Development Zone, Wuhan, Hubei Province

Patentee after: Wuhan Zhongke Medical Technology Industrial Technology Research Institute Co.,Ltd.

Address before: Room 3674, 3 / F, 2879 Longteng Avenue, Xuhui District, Shanghai, 200232

Patentee before: SHANGHAI UNITED IMAGING INTELLIGENT MEDICAL TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right