CN110490841A - 计算机辅助影像分析方法、计算机设备和存储介质 - Google Patents

计算机辅助影像分析方法、计算机设备和存储介质 Download PDF

Info

Publication number
CN110490841A
CN110490841A CN201910650614.7A CN201910650614A CN110490841A CN 110490841 A CN110490841 A CN 110490841A CN 201910650614 A CN201910650614 A CN 201910650614A CN 110490841 A CN110490841 A CN 110490841A
Authority
CN
China
Prior art keywords
image
morphosis
medical image
target
transaxial
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
CN201910650614.7A
Other languages
English (en)
Other versions
CN110490841B (zh
Inventor
曹晓欢
薛忠
高菲菲
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 CN202210823460.9A priority Critical patent/CN115063397A/zh
Priority to CN201910650614.7A priority patent/CN110490841B/zh
Publication of CN110490841A publication Critical patent/CN110490841A/zh
Application granted granted Critical
Publication of CN110490841B publication Critical patent/CN110490841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种计算机辅助影像分析方法、计算机设备和存储介质。所述方法包括：对目标医学影像进行影像识别，确定目标医学影像中包括的部位或形态结构；基于部位或形态结构，匹配并调用与部位或形态结构对应的分析算法；根据分析算法对目标医学影像进行分析，得到分析结果。采用本方法能够实现计算机辅助影像分析的完全自动化和智能化。

Description

计算机辅助影像分析方法、计算机设备和存储介质
技术领域
本申请涉及计算机辅助系统技术领域，特别是涉及一种计算机辅助影像分析方法、计算机设备和存储介质。
背景技术
计算机辅助影像分析是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段，结合计算机的分析计算辅助发现病灶的技术。由于人体部位大致可分为头颈部、胸肺部与腹腔盆腔三大部分，因此现有的计算机辅助影像分析系统通常是针对特定部位开发设计的，如果无法确认影像所覆盖的身体部位，就无法调用相关的分析算法。例如，肺结节辅助筛查软件中，调用肺结节检测算法前需要判断影像是否为胸肺部影像，如果没有对影像进行判断就盲目调用肺结节检测算法，会导致算法检查结果无效、浪费运算时间、以及对临床诊疗造成误导等问题。
在现有的计算机辅助影像分析工作流中，影像身体部位的识别通常通过两种方式实现。一种是用户人工判断，虽然通过用户人工判断的结果比较准确，用户可根据不同检查部位使用不同的辅助影像分析算法。然而，在这种情况下，虽然很多影像分析算法都已经向智能化和自动化的方向发展，但是仍然无法避免手动工作，无法实现完全的自动化与智能化。并且当有大批量影像数据需要进行处理时，会大大降低处理效率。而另一种则是通过自动读取DICOM(Digital Imaging and Communications in Medicine，医学数字成像和通信)的头文件的信息获取。虽然DICOM的头文件中包含人体部位的信息，在实际应用中也可通过读取这一信息进行解析，从而实现人体部位的自动识别。但是由于文化和语言的差异，DICOM头文件中的这一信息并没有统一标准，因此精确识别DICOM头文件信息比较困难，直接使用DICOM信息进行识别会在实际工作流中造成一定的干扰。
发明内容
基于此，有必要针对上述技术问题，提供一种能够简单无干扰且能够自动化分析的计算机辅助影像分析方法、计算机设备和存储介质。
一种计算机辅助影像分析方法，所述方法包括：
对目标医学影像进行影像识别，确定所述目标医学影像中包括的部位或形态结构；
基于所述部位或形态结构，匹配并调用与所述部位或形态结构对应的分析算法；
根据所述分析算法对所述目标医学影像进行分析，得到分析结果。
在其中一个实施例中，所述对所述目标医学影像进行影像识别，确定所述目标医学影像中包括的部位或形态结构的步骤，包括：
利用神经网络对所述目标医学影像进行影像识别，确定所述目标医学影像中包括的部位或形态结构；所述神经网络根据已标注的医学影像训练所得。
在其中一个实施例中，所述已标注的医学影像根据预设的标准影像所获取。
在其中一个实施例中，所述已标注的医学影像根据预设的标准影像所获取，包括：
获取预设的标准影像，确定所述标准影像上已划分部位的编号；
确定训练样本中包括的横断层影像的数量；
基于所述已划分部位的编号和所述横断层影像的数量进行计算，分别得到各所述横断层影像的编号；
基于各所述横断层影像的编号对所述训练样本中的各横断层影像进行标注，得到已标注的医学影像。
在其中一个实施例中，所述基于所述部位或形态结构，匹配并调用与所述部位或形态结构对应的分析算法的步骤，包括：
判断所述部位或形态结构是否包含目标部位或目标形态结构；
当确定所述部位或形态结构包含目标部位或目标形态结构时，调用与所述目标部位或目标形态结构对应的分析算法。
在其中一个实施例中，根据所述分析算法对所述目标医学影像进行分析，得到分析结果，包括：
确定所述目标医学影像中各横断层影像包括的部位或形态结构；
获取各所述横断层影像包括的部位或形态结构对应的分析算法；
分别将各所述横断层影像输入至对应的分析算法，以利用所述对应的分析算法对所述横断层影像进行分析，得到分析结果。
在其中一个实施例中，所述目标医学影像包括至少两层横断层影像，包括识别层以及与所述识别层对应的相邻层。
在其中一个实施例中，所述至少两层横断层影像为连续的三层横断层影像，包括识别层以及与所述识别层对应的上相邻层与下相邻层。
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任意一项所述的计算机辅助影像分析方法。
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任意一项所述的计算机辅助影像分析方法。
上述计算机辅助影像分析方法、计算机设备和存储介质，对目标医学影像进行影像识别，确定目标医学影像中包括的部位或形态结构，无需人工对医学影像进行判断，并且无需调用医学影像的头文件就能够得到医学影像中的部位或形态结构。基于该部位或形态结构匹配以及调用与部位或形态结构对应的分析算法，根据该分析算法对目标医学影像进行分析，从而能够根据识别确定的部位或形态结构自动调用分析算法完成辅助分析，实现计算机辅助影像分析的完全自动化和智能化。
附图说明
图1为一个实施例中计算机辅助影像分析方法的应用环境图；
图2为一个实施例中计算机辅助影像分析方法的流程示意图；
图3为一个实施例中影像识别的处理流程图；
图4为一个实施例中已划分部位的编号的示意图；
图5为一个实施例中基于部位或形态结构，匹配并调用与部位或形态结构对应的分析算法方法步骤的流程示意图；
图6为另一个实施例中基于部位或形态结构，匹配并调用与部位或形态结构对应的分析算法方法步骤的流程示意图；
图7为一个实施例中计算机辅助影像分析装置的结构框图；
图8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。
本申请提供的计算机辅助影像分析方法，可以应用于如图1所示的应用环境中。其中，医学扫描设备102通过网络与服务器104进行通信。医学扫描设备102获取原始影像数据，服务器104从原始医学影像中提取目标医学影像。服务器104对目标医学影像进行影像识别，确定目标医学影像中包括的部位或形态结构。服务器104基于部位或形态结构，匹配并调用与部位或形态结构对应的分析算法。服务器104根据分析算法对目标医学影像进行分析，得到分析结果。其中，医学扫描设备102可以但不限于单模态的CT(ComputedTomography，计算机断层显像)设备、PET(Positron Emission Computed Tomography，正电子发射型计算机断层显像)设备、MRI(Magnetic Resonance Imaging，磁共振成像)设备、以及多模态的PET/CT设备，PET/MR设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种计算机辅助影像分析方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S202，对目标医学影像进行影像识别，确定目标医学影像中包括的部位或形态结构。
其中，目标医学影像是指进行进行影像识别的医学图像，包括但不限于CT影像、MRI影像，目标医学影像根据原始影像得到。部位可以理解为人体部位，例如脚部、手部等。形态结构可以理解为人体器官结构，例如肺部结构等。在本实施例中，目标医学影像包括至少两层的医学影像，分别为识别层和与识别层对应的相邻层。相邻层则是识别层对应的上相邻层和下相邻层，即可以理解为目标医学影像一共有三层。
具体地，医学扫描设备通过对目标扫描物进行扫描，获取目标扫描物对应的原始医学影像，原始医学影像为3D体数据。医学扫描设备将原始医学影像发送至服务器。当服务器接收到原始医学影像后，从该原始医学影像中提取至少两层的医学影像作为目标医学影像。即，从3D体数据的原始医学影像中提取需要进行识别的层作为识别层，并将该识别层的对应的相邻层提取出来，将识别层与相邻层作为目标医学影像。通过对目标医学影像进行影像识别，得到目标医学影像中包括的部位或形态结构。
步骤S204，基于部位或形态结构，匹配并调用与部位或形态结构对应的分析算法。
其中，分析算法为医学影像分析算法，是指用于对医学影像中包含的部位或形态结构进行分析的算法。可以理解为，不同的部位或形态结构有不同的分析算法。
具体地，当服务器通过对目标医学影像进行影像识别，确定了目标医学影像中包括的部位或形态结构之后，从医学影像分析算法中匹配该部位或形态结构对应的分析算法，并同时调用匹配到的分析算法。
步骤S206，根据分析算法对目标医学影像进行分析，得到分析结果。
具体地，当调用到部位或形态结构对应的分析算法后，利用该分析算法对该部位或形态结构对应的目标医学影像进行分析，得到分析结果。
在一个实施例中，根据分析算法对目标医学影像进行分析，得到分析结果，具体包括：确定目标医学影像中各横断层影像包括的部位或形态结构；获取各横断层影像包括的部位或形态结构对应的分析算法；将各横断层影像分别输入至对应的分析算法，以利用对应的分析算法对各横断层影像进行分析，得到分析结果。
具体地，目标医学影像包括多个横断层影像，即将不同的横断层影像输入至对应的分析算法中。首先确定目标医学影像中各横断层影像包括的部位或形态结构，获取与其包括的部位或形态结构所对应的分析算法，即为各横断层影像对应的分析算法。因此，通过确定横断层影像中包括的部位或形态结构所对应的分析算法，从而确定横断层影像对应的分析算法。当确定对应的分析算法后，通过将横断层影像输入至对应的分析算法进行分析。
上述计算机辅助影像分析方法，对目标医学影像进行影像识别，确定目标医学影像中包括的部位或形态结构，无需人工对医学影像进行判断，并且无需调用医学影像的头文件就能够得到医学影像中的形态结构。基于该部位或形态结构匹配以及调用与部位或形态结构对应的分析算法，根据该分析算法对目标医学影像进行分析，从而能够根据识别确定的部位或形态结构自动调用分析算法完成辅助分析，实现计算机辅助影像分析的完全自动化和智能化。
在一个实施例中，对目标医学影像进行影像识别，确定目标医学影像中包括的部位或形态结构，具体包括：利用神经网络对目标医学影像进行影像识别，确定目标医学影像中包括的部位或形态结构。其中，该神经网络是根据已标注的医学影像训练所得。
其中，已标注的医学影像是指已经标注标志的医学影像，标志可以理解为编号、名称和字符中的任意一种或多种。
具体地，以编号为例，则通过神经网络对目标医学影像中的部位或形态结构进行编号的映射，得到目标医学影像中部位或形态结构所对应的编号。通过编号即可确定目标医学影像中包括的部位或形态结构。例如，当训练神经网络时，编号A用于表示肺部结构，则当神经网络对目标医学影像中的部位或者形态结构进行编号映射时，得到了编号A，则可确定目标医学影像中包括肺部结构。其中，若神经网络用B表示，输入的目标医学影像用(Vi-1,Vi,Vi+1)表示，(Vi-1,Vi,Vi+1)表示连续的三层横断层影像，Vi为识别层，Vi-1和Vi+1为相邻两层。标志用N表示，则编号映射关系可以表示为：
而当目标医学影像包括多个横断层影像时，利用神经网络对目标医学影像中的各横断层影像进行影像识别，分别得到各横断层影像对应的编号，根据编号即可确定横断层影像包括的部位或形态结构。
进一步的，获取到目标医学影像时，为了保证输入神经网络中的图像的质量，即通过消除图像中的无关信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据。在目标医学影像输入神经网络之前，对目标神经网络进行预处理，例如，预处理包括但不限于是对图像进行平滑、中值滤波处理、增强、去燥以及归一化等。以及，当利用该神经网络进行影像识别时，所使用的神经网络需要预先根据已标注的医学影像进行训练，使得其能够对影像进行识别。可以理解为，用于对目标医学影像进行影像识别的神经网络为预先训练好，具备对目标医学影像进行影像识别功能的神经网络。其中，若使用编号作为标志，则使用预先标注了编号的医学图像进行训练。神经网络的结构包括但不限于是CNN(Convolutional Neural Networks，卷积神经网络)结构、FCN(Fully ConvolutionalNetworks，全卷积网络)结构、VGG(Visual Geometry Group Network，视觉几何组网络)结构等。
在一个实施例中，参考图3，提供一种影像识别的处理流程图。在本实施例中，神经网络优选为CNN(Convolutional Neural Networks，卷积神经网络)。标志优选为编号。具体地，通过将三层连续横断层影像的目标医学影像进行影像的预处理，将影像预处理后的目标医学影像输入至卷积神经网络。卷积神经网络通过对预处理后的目标医学影像进行卷积、池化等操作，映射得到预处理后的目标医学影像中所包括的部位或形态结构对应的编号，并将编号输出。根据编号进行后处理和判断得到最终结果，即得到将预处理后的目标医学影像中包括的部位和形态结构。
在一个实施例中，神经网络训练过程包括：首先获取训练样本，训练样本为训练所用的医学影像，通过对训练样本进行标注，获取已标注的医学影像。根据已标注的医学影像和预设的损失函数对神经网络进行迭代训练，直到模型稳定为止，也就是说等到模型的损失函数收敛为止，即神经网络训练完成。其中，训练样本中用于训练的医学影像包括不同数量的横断面层影像。当进行训练时，输入至神经网络的已标注的医学影像同样为包括识别层和与识别层对应的相邻层。可以理解为，已标注的医学影像包括不同数量的横断面层影像，训练时取其中任意一层横断面层影像以及与该层相邻的横断面层影像一并输入至神经网络进行训练，即是以该层为中间层的三层横断层影像。连续的医学影像可以保证人体结构信息的连续性，使得获得到结果更加平滑准确。并且，相比传统利用单张图像来说，连续三层图像能够增加第三个维度的语义信息，能够提高人体相似结构的区分度，从而通过语义感知实现更加准确鲁棒的识别效果。以及，在本实施例中，优选采用均方误差MSE作为训练的损失函数。
在一个实施例中，根据预设的标准影像获取已标注的医学影像，具体包括：获取预设的标准影像，确定标准影像上已划分部位的编号；确定训练样本中包括的横断层影像的数量；基于已划分部位的编号和横断层影像的数量进行计算，分别得到各横断层影像的编号；基于各横断层影像的编号对训练样本中的各横断层影像进行标注，得到已标注的医学影像。
其中，标准影像是指已经标注了编号的医学影像，且标准影像中被标注的部位或形态结构是处于平均状态的部位或形态结构。假设是对整个人体结构进行影像识别，即训练时所用到的已标注的医学影像就需要有包括整个人体结构的医学影像，那对应的需要有包括整个人体结构的标准影像。而该标准影像中的人体结构应当是一个体型适中的影像，即上述说的标准影像中的部位或形态结构应处于平均状态。通过对标准影像中的人体结构进行标注后，根据已标注的标准影像对其他的训练医学图像进行标注。即，根据已标注的标准影像对训练样本进行标注，若训练样本中包括多张训练医学图像，则根据已标注的标准影像分别对所有训练医学图像进行标注。
具体地，参考图4，以标准影像包括整个人体结构、标志以编号为例进行标注说明：根据实际所需精细度程度，可将人体结构分为N个部分，例如头部、颈部、胸部、腹部等，即人体结构标注的编号为0～N。也就是说，若分为头颈部、胸肺部、腹腔盆部以及其他部位等4个部位，则人体结构的编号即0～4。若分为头部、颈部、胸部、肺部、腹部、盆腔部以及其他部位等7个部位，人体结构的编号即0～7。而由此可得，当N较大时，对人体结构的部位划分比较精细，而当N较小时，对人体结构的部位划分的较为粗略概括。N的值可根据实际情况设定，同样可以设定为N＝100，N＝200等。根据设定的编号对标准影像中的人体结构进行编号的标注后，根据标准影像中所标注的编号对训练所用的医学影像进行编号的标注，标注完成得到标注影像即可输入至神经网络进行训练。
例如，同样以标准影像包括整个人体结构、标志以编号为例进行标注说明：若标准影像是将人体结构分为头颈部、胸肺部与腹腔盆部三大部位。即，人体结构包括头颈部R1、胸肺部R2、腹盆腔R3及其他未提及的部位R4，之后，再对每一部分中的部位再次进行细致划分并标注编号。其中，头颈部R1划分为N1个部分，编号为0～N1；胸肺部R2划分为N2个部分，编号为N1～N1+N2，腹盆腔R3划分为N3个部分，编号为N2～N1+N2+N3。其中，N1＝30，N2＝30，N3＝40，那么，总编号数N即为100，N1+N2+N3＝N，也就是说，在头颈部R1范围内给定的编号为0～30，只要神经网络识别到的编号属于0～30，则可以表示对应的部位为头颈部。同样的，在胸肺部R2范围内给定的编号为30～60，只要神经网络识别到的编号属于30～60，则可以表示对应的部位为胸肺部。以及在腹盆腔R3范围内给定的编号为60～100，只要神经网络识别到的编号属于60～100，则可以表示对应的部位为腹盆腔。这种在已经对人体结构进行部位划分后，再对每个部分进行细致的划分是因为不同个体之间，人体部位的长度比例不会完全一致。因此采用这种分段线性的方法能够增加算法的泛化性。
而当根据标准影像对训练样本进行标注时，首先确定训练样本所包括的横断层影像的数量，例如，根据扫描探测器的不同一般可分为32层、64层、128层等。然后基于预设标准中已划分部位的编号和医学影像所包括的横断层影像的数量进行计算，得到训练样本中各横断层影像的编号。假设，当人体结构包括M层横断影像时，任意一层m(0＜m＜M)的横断面影像中的编号n可通过以下公式计算得到：
同样的，若单独以头颈部R1为例，即单独对头颈部R1进行标注，假设头颈部R1的医学影像同样包括64层横断面影像，以及根据标准影像已经确定将头颈部设为30个编号，即N1＝30，则上述公式中的N为N1。通过上述公式进行计算，头颈部R1的64层横断面影像的编号分别为n＝0.46875、0.9375、1.40625等等64个编号，在此不再赘述。然而，由以上公式可以看出，若横断影像的数量不与设定的编号总数N相等的话，得到的编号n即不一定为整数。那么，除了直接利用不为整数的编号之外，还可以将编号值相近的编号表示同一个部位或形态结构。因此，通过预设的规则将64个编号进行编号合并，例如采用四舍五入等规则。以使得相近的编号可以表示相同的部位或形态结构，通过这种设计可以简化标注过程，使得多样化数据可以同时应用于一个神经网络中进行训练。可以理解为，根据设定的规则将编号0.9375和1.40625表明为同一个部位或形态结构，即1.40625等同于0.9375，可以理解为0.9375和1.40625等同于编号1。即编号为1.40625的横断影像与编号为0.9375的横断影像所表示的部位或形态结构一致。例如1.40625表示头颈部R1区域的鼻子，则0.9375也表示是鼻子。那么，当需要对编号为0.9375的这一层横断面影像进行识别时，即编号为0.9375的这一层为识别层，获取其对应的相邻层，即编号为0.46875和编号为1.40625的横断面影像。将该三层横断面影像输入至神经网络中进行识别，则神经网络能够得到编号0.46875、0.9375和1.40625，而0.9375和1.40625表示同一部位或形态结构，则根据编号0.46875、0.9375和1.40625只能得到头颈部区域的两个部位或形态结构。
在一个实施例中，如图5所示，基于部位或形态结构，匹配并调用与部位或形态结构对应的分析算法，包括以下步骤：
步骤S502，判断部位或形态结构是否包含目标部位或目标形态结构。
步骤S504，当确定部位或形态结构包含目标部位或目标形态结构时，调用与目标部位或目标形态结构对应的分析算法。
其中，目标部位或目标结构是指某一特指部位，可以理解为，本次对影像进行辅助分析是需要从目标医学影像中确定是否包括特定的部位或形态结构，即目标部位或目标结构。
具体地，当得到部位或者形态结构后，获取预先设定的目标部位或目标形态结构。将部位或者形态结构与目标部位或目标形态结构进行匹配，若该目标部位或目标形态结构中有与获取的部位或者形态结构对应的目标部位或目标形态结构，则确定部位或形态结构包含目标部位或目标形态结构。则调用目标部位或目标形态结构对应的分析算法，将该分析算法作为获取到的部位或形态结构对应的分析算法。例如，目标部位中包括部位1、部位2，本次获取到的部位为部位2，则将目标部位与本次获取到的部位进行匹配时，可以确定目标部位中的部位2是本次获取到的部位2的匹配部位，即调用部位2对应的分析算法。而若目标部位中包括部位1、部位2，本次获取到的部位包括部位1、部位2和部位3，则只能在目标部位中匹配部位1和部位2，则同时调用部位1和部位2对应的分析算法。在本实施例中，根据判断调用特指部位的分析算法，针对性对影像进行分析，节约资源。
在另一个实施例中，如图6所示，基于部位或形态结构，匹配并调用与部位或形态结构对应的分析算法，包括以下步骤：
步骤S602，根据部位或形态结构确定可调用的分析算法。
步骤S604，将可调用的分析算法作为部位或形态结构对应的分析算法。
具体地，在本实施例中，无需判断部位或形态结构是否包括特定部位，直接根据获取到的部位和形态结构确定可以调用的分析算法。可以理解为，所获取到的部位或形态结构中包括多少部位或形态结构，就调用多少个对应的分析算法对目标医学影像进行分析。例如，部位中若包括部位1和部位2，则直接调用部位1和部位2对应的分析算法，从而加快计算机辅助分析的速度。
应该理解的是，虽然图2、5-6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2、5-6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7所示，提供了一种计算机辅助影像分析装置，包括：影像识别模块702、算法匹配模块704和影像分析模块706，其中：
影像识别模块702，用于对目标医学影像进行影像识别，确定目标医学影像中包括的部位或形态结构。
算法匹配模块704，用于基于部位或形态结构，匹配并调用与部位或形态结构对应的分析算法。
影像分析模块706，用于根据分析算法对目标医学影像进行分析，得到分析结果。
在一个实施例中，影像识别模块702还用于利用神经网络对目标医学影像进行影像识别，确定目标医学影像中包括的部位或形态结构；神经网络根据已标注的医学影像训练所得。
在一个实施例中，影像识别模块702还用于利用神经网络对目标医学影像中的各横断层影像进行影像识别，分别得到各横断层影像对应的编号；根据编号确定横断层影像包括的部位或形态结构。
在一个实施例中，影像分析模块706还用于确定目标医学影像中各横断层影像包括的部位或形态结构；获取各横断层影像包括的部位或形态结构对应的分析算法；将各横断层影像分别输入至对应的分析算法，以利用对应的分析算法对所述横断层影像进行分析，得到分析结果。
在一个实施例中，计算机辅助影像分析装置还包括标注模块，用于获取预设的标准影像，确定标准影像上已划分部位的编号；确定训练样本包括的横断层影像的数量；基于已划分部位的编号和横断层影像的数量进行计算，分别得到各横断层影像的编号；基于各横断层影像的编号对训练样本的各横断层影像进行标注，得到已标注的医学影像。
在一个实施例中，算法匹配模块704还用于根据部位或形态结构确定可调用的分析算法，将可调用的分析算法作为部位或形态结构对应的分析算法。
关于计算机辅助影像分析装置的具体限定可以参见上文中对于计算机辅助影像分析方法的限定，在此不再赘述。上述计算机辅助影像分析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，该计算机设备可以是服务器，其内部结构图可以如图8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、网络接口和数据库。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、计算机程序和数据库。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。该计算机设备的数据库用于存储数据。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计算机辅助影像分析方法。
本领域技术人员可以理解，图8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：
对目标医学影像进行影像识别，确定目标医学影像中包括的部位或形态结构；
基于部位或形态结构，匹配并调用与部位或形态结构对应的分析算法；
根据分析算法对目标医学影像进行分析，得到分析结果。
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：利用神经网络对目标医学影像进行影像识别，确定目标医学影像中包括的部位或形态结构；神经网络根据已标注的医学影像训练所得。
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：
利用神经网络对目标医学影像中的各横断层影像进行影像识别，分别得到各横断层影像对应的编号；根据编号确定横断层影像包括的部位或形态结构。
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：
利用神经网络对目标医学影像中的各横断层影像进行影像识别，分别得到各横断层影像对应的编号；根据编号确定横断层影像包括的部位或形态结构。
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：
获取预设的标准影像，确定标准影像上已划分的编号；确定训练样本包括的横断层影像的数量；基于已划分部位的编号和横断层影像的数量进行计算，分别得到各横断层影像的编号；基于各横断层影像的编号对医学影像的各横断层影像进行标注，得到已标注的医学影像。
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：判断部位或形态结构是否包含目标部位或目标形态结构；当确定部位或形态结构包含目标部位或目标形态结构时，调用与目标部位或目标形态结构对应的分析算法。
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：
对目标医学影像进行影像识别，确定目标医学影像中包括的部位或形态结构；
基于部位或形态结构，匹配并调用与部位或形态结构对应的分析算法；
根据分析算法对目标医学影像进行分析，得到分析结果。
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：
利用神经网络对目标医学影像进行影像识别，确定目标医学影像中包括的部位或形态结构；神经网络根据已标注的医学影像训练所得。
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：
利用神经网络对目标医学影像中的各横断层影像进行影像识别，分别得到各横断层影像对应的编号；根据编号确定横断层影像包括的部位或形态结构。
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：
确定目标医学影像中各横断层影像包括的部位或形态结构；获取各横断层影像包括的部位或形态结构对应的分析算法；将各横断层影像分别输入至对应的分析算法，以利用对应的分析算法对所述横断层影像进行分析，得到分析结果。
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：
获取预设的标准影像，确定标准影像上已划分的编号；确定训练样本包括的横断层影像的数量；基于已划分部位的编号和横断层影像的数量进行计算，分别得到各横断层影像的编号；基于各横断层影像的编号对医学影像的各横断层影像进行标注，得到已标注的医学影像。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：判断部位或形态结构是否包含目标部位或目标形态结构；当确定部位或形态结构包含目标部位或目标形态结构时，调用与目标部位或目标形态结构对应的分析算法。
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：确定目标医学影像中包括的部位或形态结构所对应的分析算法；将目标医学影像输入至对应的分析算法，以利用对应的分析算法对目标医学影像进行分析，得到分析结果。
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申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种计算机辅助影像分析方法，所述方法包括：
对目标医学影像进行影像识别，确定所述目标医学影像中包括的部位或形态结构；
基于所述部位或形态结构，匹配并调用与所述部位或形态结构对应的分析算法；
根据所述分析算法对所述目标医学影像进行分析，得到分析结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述目标医学影像进行影像识别，确定所述目标医学影像中包括的部位或形态结构的步骤，包括：
利用神经网络对所述目标医学影像进行影像识别，确定所述目标医学影像中包括的部位或形态结构；所述神经网络根据已标注的医学影像训练所得。
3.根据权利要求2所述的方法，其特征在于，所述利用神经网络对所述目标医学影像进行影像识别，确定所述目标医学影像中包括的部位或形态结构，包括：
利用神经网络对所述目标医学影像中的各横断层影像进行影像识别，分别得到各所述横断层影像对应的编号；
根据所述编号确定所述横断层影像包括的部位或形态结构。
4.根据权利要求3所述的方法，其特征在于，所述根据所述分析算法对所述目标医学影像进行分析，得到分析结果，包括：
确定所述目标医学影像中各横断层影像包括的部位或形态结构；
获取各所述横断层影像包括的部位或形态结构对应的分析算法；
将各所述横断层影像分别输入至对应的分析算法，以利用所述对应的分析算法对所述横断层影像进行分析，得到分析结果。
5.根据权利要求2所述的方法，其特征在于，所述已标注的医学影像根据预设的标准影像所获取，根据预设的标准影像获取所述已标注的医学影像的步骤，包括：
获取预设的标准影像，确定所述标准影像上已划分部位的编号；
确定训练样本中包括的横断层影像的数量；
基于所述已划分的部位的编号和所述横断层影像的数量进行计算，分别得到各所述横断层影像的编号；
基于各所述横断层影像的编号对所述训练样本中的各横断层影像进行标注，得到已标注的医学影像。
6.根据权利要求1所述的方法，其特征在于，所
述基于所述部位或形态结构，匹配并调用与所述部位或形态结构对应的分析算法的步骤，包括：
判断所述部位或形态结构是否包含目标部位或目标形态结构；
当确定所述部位或形态结构包含目标部位或目标形态结构时，调用与所述目标部位或目标形态结构对应的分析算法。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述目标医学影像包括至少两层横断层影像，包括识别层以及与所述识别层对应的相邻层。
8.根据权利要求7所述的方法，其特征在于，所述至少两层横断层影像为连续的三层横断层影像，包括识别层以及与所述识别层对应的上相邻层与下相邻层。
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。
CN201910650614.7A 2019-07-18 2019-07-18 计算机辅助影像分析方法、计算机设备和存储介质 Active CN110490841B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210823460.9A CN115063397A (zh) 2019-07-18 2019-07-18 计算机辅助影像分析方法、计算机设备和存储介质
CN201910650614.7A CN110490841B (zh) 2019-07-18 2019-07-18 计算机辅助影像分析方法、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910650614.7A CN110490841B (zh) 2019-07-18 2019-07-18 计算机辅助影像分析方法、计算机设备和存储介质

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202210823460.9A Division CN115063397A (zh) 2019-07-18 2019-07-18 计算机辅助影像分析方法、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN110490841A true CN110490841A (zh) 2019-11-22
CN110490841B CN110490841B (zh) 2022-07-05

Family

ID=68547363

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201910650614.7A Active CN110490841B (zh) 2019-07-18 2019-07-18 计算机辅助影像分析方法、计算机设备和存储介质
CN202210823460.9A Pending CN115063397A (zh) 2019-07-18 2019-07-18 计算机辅助影像分析方法、计算机设备和存储介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202210823460.9A Pending CN115063397A (zh) 2019-07-18 2019-07-18 计算机辅助影像分析方法、计算机设备和存储介质

Country Status (1)

Country Link
CN (2) CN110490841B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027469A (zh) * 2019-12-09 2020-04-17 上海联影智能医疗科技有限公司 人体部位识别方法、计算机设备和可读存储介质
CN111161239A (zh) * 2019-12-27 2020-05-15 上海联影智能医疗科技有限公司 医学图像分析方法、装置、存储介质及计算机设备
CN112766314A (zh) * 2020-12-31 2021-05-07 上海联影智能医疗科技有限公司 解剖结构的识别方法、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
US20180032801A1 (en) * 2016-07-27 2018-02-01 International Business Machines Corporation Inferring body position in a scan
CN107767928A (zh) * 2017-09-15 2018-03-06 深圳市前海安测信息技术有限公司 基于人工智能的医学影像报告生成系统及方法
CN107767935A (zh) * 2017-09-15 2018-03-06 深圳市前海安测信息技术有限公司 基于人工智能的医学影像分类处理系统及方法
CN108172275A (zh) * 2016-12-05 2018-06-15 北京东软医疗设备有限公司 一种医学影像处理方法及装置
CN108288499A (zh) * 2018-01-22 2018-07-17 沈阳东软医疗系统有限公司 一种自动分诊方法及装置
CN108665963A (zh) * 2018-05-15 2018-10-16 上海商汤智能科技有限公司 一种影像数据分析方法及相关设备
CN109658377A (zh) * 2018-10-31 2019-04-19 泰格麦迪(北京)医疗科技有限公司 一种基于多维度信息融合的乳腺mri病变区域检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180032801A1 (en) * 2016-07-27 2018-02-01 International Business Machines Corporation Inferring body position in a scan
CN108172275A (zh) * 2016-12-05 2018-06-15 北京东软医疗设备有限公司 一种医学影像处理方法及装置
CN107767928A (zh) * 2017-09-15 2018-03-06 深圳市前海安测信息技术有限公司 基于人工智能的医学影像报告生成系统及方法
CN107767935A (zh) * 2017-09-15 2018-03-06 深圳市前海安测信息技术有限公司 基于人工智能的医学影像分类处理系统及方法
CN108288499A (zh) * 2018-01-22 2018-07-17 沈阳东软医疗系统有限公司 一种自动分诊方法及装置
CN108665963A (zh) * 2018-05-15 2018-10-16 上海商汤智能科技有限公司 一种影像数据分析方法及相关设备
CN109658377A (zh) * 2018-10-31 2019-04-19 泰格麦迪(北京)医疗科技有限公司 一种基于多维度信息融合的乳腺mri病变区域检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEI MU，AND ETC: "A new Pansharp based method for PET/CT image fusion", 《2014 IEEE 11TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI)》 *
赵海清等: "透明细胞型脑膜瘤 MＲ 影像特征分析", 《临床放射学杂志》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027469A (zh) * 2019-12-09 2020-04-17 上海联影智能医疗科技有限公司 人体部位识别方法、计算机设备和可读存储介质
CN111027469B (zh) * 2019-12-09 2024-03-01 上海联影智能医疗科技有限公司 人体部位识别方法、计算机设备和可读存储介质
CN111161239A (zh) * 2019-12-27 2020-05-15 上海联影智能医疗科技有限公司 医学图像分析方法、装置、存储介质及计算机设备
CN111161239B (zh) * 2019-12-27 2024-02-27 上海联影智能医疗科技有限公司 医学图像分析方法、装置、存储介质及计算机设备
CN112766314A (zh) * 2020-12-31 2021-05-07 上海联影智能医疗科技有限公司 解剖结构的识别方法、电子设备及存储介质
CN112766314B (zh) * 2020-12-31 2024-05-28 上海联影智能医疗科技有限公司 解剖结构的识别方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN110490841B (zh) 2022-07-05
CN115063397A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
Tellez et al. Whole-slide mitosis detection in H&E breast histology using PHH3 as a reference to train distilled stain-invariant convolutional networks
CN111402228B (zh) 图像检测方法、装置和计算机可读存储介质
Selvan et al. Lung segmentation from chest X-rays using variational data imputation
WO2023060777A1 (zh) 一种基于深度学习的猪只体尺体重估测方法
CN110490841A (zh) 计算机辅助影像分析方法、计算机设备和存储介质
CN110288597B (zh) 基于注意力机制的无线胶囊内窥镜视频显著性检测方法
CN111429474B (zh) 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法
CN110084237A (zh) 肺结节的检测模型构建方法、检测方法和装置
CN110415792B (zh) 图像检测方法、装置、计算机设备和存储介质
CN112150442A (zh) 基于深度卷积神经网络及多实例学习的新冠诊断系统
CN109727197B (zh) 一种医学图像超分辨率重建方法
CN111488912B (zh) 一种基于深度学习神经网络的喉部疾病诊断系统
EP4046061A1 (en) Weakly supervised multi-task learning for cell detection and segmentation
Saidy et al. Chest X-ray image segmentation using encoder-decoder convolutional network
CN109949288A (zh) 肿瘤类型确定系统、方法及存储介质
CN115410046A (zh) 基于深度学习的皮肤病舌象分类模型、建立方法及应用
Li et al. Cow individual identification based on convolutional neural network
CN113674228B (zh) 颅脑供血区的识别方法、装置、存储介质和电子设备
CN117975170A (zh) 基于大数据的医疗信息处理方法及系统
Li et al. Ct scan synthesis for promoting computer-aided diagnosis capacity of covid-19
Furtado et al. Segmentation of Diabetic Retinopathy Lesions by Deep Learning: Achievements and Limitations.
Liu et al. A multi-stage attentive transfer learning framework for improving COVID-19 diagnosis
Gaggion et al. Multi-center anatomical segmentation with heterogeneous labels via landmark-based models
CN116703837B (zh) 一种基于mri图像的肩袖损伤智能识别方法及装置
Astono et al. [Regular Paper] Adjacent Network for Semantic Segmentation of Liver CT Scans

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