CN110364248A - 基于深度学习的多模态成像扫描协议推荐方法及系统 - Google Patents
基于深度学习的多模态成像扫描协议推荐方法及系统 Download PDFInfo
- Publication number
- CN110364248A CN110364248A CN201910590796.3A CN201910590796A CN110364248A CN 110364248 A CN110364248 A CN 110364248A CN 201910590796 A CN201910590796 A CN 201910590796A CN 110364248 A CN110364248 A CN 110364248A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- training set
- scan protocols
- prescan
- modality imaging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 56
- 238000003384 imaging method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 29
- 210000000056 organ Anatomy 0.000 claims description 10
- 230000003902 lesion Effects 0.000 claims description 9
- 210000004556 brain Anatomy 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 210000002216 heart Anatomy 0.000 claims description 4
- 210000004185 liver Anatomy 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 3
- 230000035479 physiological effects, processes and functions Effects 0.000 claims 1
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 201000007270 liver cancer Diseases 0.000 description 3
- 208000014018 liver neoplasm Diseases 0.000 description 3
- 210000004197 pelvis Anatomy 0.000 description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 206010027476 Metastases Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的多模态成像扫描协议推荐方法及系统，所述基于深度学习的多模态成像扫描协议推荐方法通过构建训练集，对所述训练集进行深度学习，获得对应所述预扫描区域的优化的扫描协议组合作为扫描协议推荐结果。通过深度学习技术，学习专业医师的扫描协议设定和操作方式，指导操作人员根据扫描历史合理推荐设定扫描协议，降低了技术门槛，减小了操作难度和时间，提升了扫描结果的一致性。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种基于深度学习的多模态成像扫描协议推荐方法及系统。
背景技术
在单模态医学成像系统或者多模态医学成像系统中，医学成像系统扫描图像时需根据采集和诊断需求设定扫描协议。这一过程往往涉及相对复杂的扫描流程和方案。在多模态医学成像系统中，需要同时设定多种协议，如此会增加使用者的操作难度和设备使用门槛。目前，扫描协议的设定很大程度上基于医生的经验和习惯方式进行，但是，这种方法会导致扫描不精确，且容易扫描过多无用的信息或者丢失重要信息。
针对现有技术中扫描协议的设定依赖操作者的经验和习惯，导致扫描不精确，且容易扫描过多无用的信息或者丢失重要信息的问题，本领域技术人员一直在寻找解决的方法。
发明内容
本发明的目的在于提供一种基于深度学习的多模态成像扫描协议推荐方法及系统，以解决扫描协议的设定依赖操作者的经验和习惯，导致扫描不精确，且容易扫描过多无用的信息或者丢失重要信息的问题。
为解决上述技术问题，本发明提供一种基于深度学习的多模态成像扫描协议推荐方法，所述基于深度学习的多模态成像扫描协议推荐方法包括如下步骤：
构建训练集，所述训练集包括的元素为：预扫描对象、预扫描区域、病史信息及生理信号；
对所述训练集进行深度学习，获得对应所述预扫描区域的优化的扫描协议组合作为扫描协议推荐结果。
可选的，在所述的基于深度学习的多模态成像扫描协议推荐方法中，所述对所述训练集进行深度学习过程中，通过神经网络分类判断获得对应所述预扫描区域的优化的扫描协议组合。
可选的，在所述的基于深度学习的多模态成像扫描协议推荐方法中，所述预扫描对象为人体各个器官中的一种或多种。
可选的，在所述的基于深度学习的多模态成像扫描协议推荐方法中，所述器官为肝，心，脑或盆腔。
可选的，在所述的基于深度学习的多模态成像扫描协议推荐方法中，所述预扫描区域为半身或全身。
可选的，在所述的基于深度学习的多模态成像扫描协议推荐方法中，所述病史信息包括：病灶发展和病灶位置。
可选的，在所述的基于深度学习的多模态成像扫描协议推荐方法中，所述生理信号包括呼吸信号和心跳信号。
本发明还提供一种基于深度学习的多模态成像扫描协议推荐系统，所述基于深度学习的多模态成像扫描协议推荐系统包括：
训练集构建模块，用于构建训练集，所述训练集包括的元素为：预扫描对象、预扫描区域、病史信息及生理信号；
深度学习模块，用于对所述训练集进行深度学习，获得对应所述预扫描区域的优化的扫描协议组合。
可选的，在所述的基于深度学习的多模态成像扫描协议推荐系统中，所述预扫描对象为人体各个器官中的一种或多种。
可选的，在所述的基于深度学习的多模态成像扫描协议推荐系统中，所述预扫描区域为半身或全身。
在本发明所提供的基于深度学习的多模态成像扫描协议推荐方法及系统中，所述基于深度学习的多模态成像扫描协议推荐方法通过构建训练集，对所述训练集进行深度学习，获得对应所述预扫描区域的优化的扫描协议组合作为扫描协议推荐结果。通过深度学习技术，学习专业医师的扫描协议设定和操作方式，指导操作人员根据扫描历史合理推荐设定扫描协议，降低了技术门槛，减小了操作难度和时间，提升了扫描结果的一致性。
附图说明
图1是本发明一实施例中基于深度学习的多模态成像扫描协议推荐方法的流程图；
图2是本发明一实施例中基于深度学习的多模态成像扫描协议推荐系统的结构示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
请参考图1，其为本发明的基于深度学习的多模态成像扫描协议推荐方法的流程图，如图1所示，所述的基于深度学习的多模态成像扫描协议推荐方法包括如下步骤：
首先，执行步骤S1，构建训练集，所述训练集包括的元素为：预扫描对象、预扫描区域、病史信息及生理信号；
接着，执行步骤S2，对所述训练集进行深度学习，获得对应所述预扫描区域的优化的扫描协议组合作为扫描协议推荐结果。
具体的，所述对所述训练集进行深度学习过程中，通过神经网络分类判断获得对应所述预扫描区域的优化的扫描协议组合。
进一步地，所述预扫描对象为人体各个器官中的一种或多种，所述器官可以为肝，心，脑或盆腔；所述预扫描区域为半身或全身；所述病史信息包括：病灶发展和病灶位置，例如，若病灶为肝癌，则病史信息为肝癌程度和肝癌转移位置；所述生理信号包括呼吸信号和心跳信号。
在另一实施例中，本发明还提供了一种基于深度学习的多模态成像扫描协议推荐系统，所述基于深度学习的多模态成像扫描协议推荐系统包括：训练集构建模块和深度学习模块，所述训练集构建模块用于构建训练集，所述训练集包括的元素为：预扫描对象、预扫描区域、病史信息及生理信号；所述深度学习模块用于对所述训练集进行深度学习，获得对应所述预扫描区域的优化的扫描协议组合。
其中，所述预扫描对象为人体各个器官中的一种或多种，所述器官可以为肝，心，脑或盆腔；所述预扫描区域为半身或全身；所述病史信息包括：病灶发展和病灶位置；所述生理信号包括呼吸信号和心跳信号。
对于实施例公开的方法而言，由于与实施例公开的结构相对应，所以描述的比较简单，相关之处参见结构部分说明即可。
综上，在本发明所提供的基于深度学习的多模态成像扫描协议推荐方法及系统中，所述基于深度学习的多模态成像扫描协议推荐方法通过构建训练集，对所述训练集进行深度学习，获得对应所述预扫描区域的优化的扫描协议组合作为扫描协议推荐结果。通过深度学习技术，学习专业医师的扫描协议设定和操作方式，指导操作人员根据扫描历史合理推荐设定扫描协议，降低了技术门槛，减小了操作难度和时间，提升了扫描结果的一致性。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
Claims (10)
1.一种基于深度学习的多模态成像扫描协议推荐方法，其特征在于，包括如下步骤：
构建训练集，所述训练集包括的元素为：预扫描对象、预扫描区域、病史信息及生理信号；
对所述训练集进行深度学习，获得对应所述预扫描区域的优化的扫描协议组合作为扫描协议推荐结果。
2.如权利要求1所述的基于深度学习的多模态成像扫描协议推荐方法，其特征在于，所述对所述训练集进行深度学习过程中，通过神经网络分类判断获得对应所述预扫描区域的优化的扫描协议组合。
3.如权利要求1所述的基于深度学习的多模态成像扫描协议推荐方法，其特征在于，所述预扫描对象为人体各个器官中的一种或多种。
4.如权利要求1所述的基于深度学习的多模态成像扫描协议推荐方法，其特征在于，所述器官为肝，心，脑或盆腔。
5.如权利要求1所述的基于深度学习的多模态成像扫描协议推荐方法，其特征在于，所述预扫描区域为半身或全身。
6.如权利要求1所述的基于深度学习的多模态成像扫描协议推荐方法，其特征在于，所述病史信息包括：病灶发展和病灶位置。
7.如权利要求1所述的基于深度学习的多模态成像扫描协议推荐方法，其特征在于，所述生理信号包括呼吸信号和心跳信号。
8.一种基于深度学习的多模态成像扫描协议推荐系统，其特征在于，包括：
训练集构建模块，用于构建训练集，所述训练集包括的元素为：预扫描对象、预扫描区域、病史信息及生理信号；
深度学习模块，用于对所述训练集进行深度学习，获得对应所述预扫描区域的优化的扫描协议组合。
9.如权利要求8所述的基于深度学习的多模态成像扫描协议推荐系统，其特征在于，所述预扫描对象为人体各个器官中的一种或多种。
10.如权利要求8所述的基于深度学习的多模态成像扫描协议推荐系统，其特征在于，所述预扫描区域为半身或全身。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910590796.3A CN110364248A (zh) | 2019-07-02 | 2019-07-02 | 基于深度学习的多模态成像扫描协议推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910590796.3A CN110364248A (zh) | 2019-07-02 | 2019-07-02 | 基于深度学习的多模态成像扫描协议推荐方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110364248A true CN110364248A (zh) | 2019-10-22 |
Family
ID=68217798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910590796.3A Pending CN110364248A (zh) | 2019-07-02 | 2019-07-02 | 基于深度学习的多模态成像扫描协议推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110364248A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130311472A1 (en) * | 2011-02-04 | 2013-11-21 | Koninklijke Philips N.V. | Imaging protocol update and/or recommender |
| US20170311921A1 (en) * | 2016-04-29 | 2017-11-02 | Siemens Healthcare Gmbh | Defining scanning parameters of a ct scan using external image capture |
| US20170372476A1 (en) * | 2014-01-10 | 2017-12-28 | Heartflow, Inc. | Systems and methods for identifying medical image acquisition parameters |
| CN108877911A (zh) * | 2017-05-12 | 2018-11-23 | 三星电子株式会社 | 向医疗设备提供扫描协议信息的方法和电子设备 |
| CN109938764A (zh) * | 2019-02-28 | 2019-06-28 | 佛山原子医疗设备有限公司 | 一种基于深度学习的自适应多部位扫描成像方法及其系统 |
-
2019
- 2019-07-02 CN CN201910590796.3A patent/CN110364248A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130311472A1 (en) * | 2011-02-04 | 2013-11-21 | Koninklijke Philips N.V. | Imaging protocol update and/or recommender |
| US20170372476A1 (en) * | 2014-01-10 | 2017-12-28 | Heartflow, Inc. | Systems and methods for identifying medical image acquisition parameters |
| US20170311921A1 (en) * | 2016-04-29 | 2017-11-02 | Siemens Healthcare Gmbh | Defining scanning parameters of a ct scan using external image capture |
| CN108877911A (zh) * | 2017-05-12 | 2018-11-23 | 三星电子株式会社 | 向医疗设备提供扫描协议信息的方法和电子设备 |
| CN109938764A (zh) * | 2019-02-28 | 2019-06-28 | 佛山原子医疗设备有限公司 | 一种基于深度学习的自适应多部位扫描成像方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
| CN107330949B (zh) | 一种伪影校正方法及系统 | |
| CN107492097B (zh) | 一种识别mri图像感兴趣区域的方法及装置 | |
| WO2019178237A1 (en) | Methods and apparatuses for generating and displaying ultrasound images using an explaining model | |
| JP4450973B2 (ja) | 診断支援装置 | |
| US9652872B2 (en) | System and method of medical imaging | |
| JP6448356B2 (ja) | 画像処理装置、画像処理方法、画像処理システム、及びプログラム | |
| WO2021039339A1 (ja) | 情報処理装置、情報処理方法、情報処理システム及びプログラム | |
| CN104424385B (zh) | 一种医学影像的评价方法和装置 | |
| WO2019037676A1 (zh) | 图像处理方法及装置 | |
| JP2021039748A (ja) | 情報処理装置、情報処理方法、情報処理システム及びプログラム | |
| JP4451460B2 (ja) | 内視鏡診断支援装置 | |
| KR102338018B1 (ko) | 초음파 이미지상의 특징점들을 이용한 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법 | |
| CN107527361B (zh) | 基于磁共振影像融合显示的图像显示系统及显示方法 | |
| CN111242921B (zh) | 一种医学超声图像辅助诊断系统自动更新的方法及系统 | |
| Tunçay et al. | Realistic microwave breast models through T1-weighted 3-D MRI data | |
| CN107644411A (zh) | 超声宽景成像方法及装置 | |
| CN110811663A (zh) | 一种多区域扫描的方法、装置、设备及存储介质 | |
| JP4938427B2 (ja) | 脳出血部位体積計算装置 | |
| CN108710890A (zh) | 脑胶质瘤术前分级方法、装置、设备及存储介质 | |
| Loizou et al. | Despeckle Filtering for Ultrasound Imaging and Video, Volume II: Selected Applications | |
| CN114119491B (zh) | 一种基于医学图像分析的数据处理系统 | |
| CN110811662A (zh) | 一种扫描剂量调制的方法、装置、设备及存储介质 | |
| CN110364248A (zh) | 基于深度学习的多模态成像扫描协议推荐方法及系统 | |
| JP2007236956A (ja) | 内視鏡診断支援装置及び内視鏡画像処理方法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191022 Assignee: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. Assignor: Zhongshan Hospital, Fudan University Contract record no.: X2020980004123 Denomination of invention: Multi-mode imaging scanning protocol recommending method based on deep learning, and system License type: Exclusive License Record date: 20200716 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |
|
| RJ01 | Rejection of invention patent application after publication |