CN110517239A - 一种医学影像检测方法及装置 - Google Patents
一种医学影像检测方法及装置 Download PDFInfo
- Publication number
- CN110517239A CN110517239A CN201910769034.XA CN201910769034A CN110517239A CN 110517239 A CN110517239 A CN 110517239A CN 201910769034 A CN201910769034 A CN 201910769034A CN 110517239 A CN110517239 A CN 110517239A
- Authority
- CN
- China
- Prior art keywords
- image
- feature extraction
- features
- similarity
- extracting
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 59
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 210000000746 body region Anatomy 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 20
- 201000010099 disease Diseases 0.000 description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 14
- 230000002159 abnormal effect Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
公开了一种医学影像检测方法及装置。所述医学影像检测方法，其特征在于，该方法包括：针对一身体部位预先获得标准影像，并根据预设特征提取规则，从所述标准影像中提取标准特征；获得所述身体部位的待检测影像，并根据所述预设特征提取规则，从所述待检测影像提取目标特征；计算所述标准特征与所述目标特征的相似度；根据所述相似度与预设阈值的数值关系，确定所述待检测影像中的阴性影像。
Description
技术领域
本说明书实施例涉及互联网应用技术领域，尤其涉及一种医学影像检测方法及装置。
背景技术
随着计算机技术的发展，与之关系度密切的医学影像技术已成为现代医疗诊治中不可或缺的手段，医学影像服务需求也不断增长，这同时也意味着影像科医生的阅片工作日益繁重。
现有技术中，可以将机器学习应用于医学影像的辅助诊断，即通过预先训练的模型检测医学影像中是否存在病灶，帮助减轻医生的阅片量。但由于疾病类型多、症状变化多，数据与模型很难全面覆盖各种疾病，出于对误诊、漏诊风险的考量，仍需要由医生进行人工诊断，效率较低。
发明内容
针对上述技术问题，本说明书实施例提供一种医学影像检测方法及装置，技术方案如下：
根据本说明书实施例的第一方面，提供一种医学影像检测方法，该方法包括：
针对一身体部位预先获得标准影像，并根据预设特征提取规则，从所述标准影像中提取标准特征；
获得所述身体部位的待检测影像，并根据所述预设特征提取规则，从所述待检测影像提取目标特征；
计算所述标准特征与所述目标特征的相似度；
根据所述相似度与预设阈值的数值关系，确定所述待检测影像中的阴性影像。
可选的，所述预设特征提取规则包括以下规则中的至少一项：
提取影像中生物组织的物理属性的特征；
提取影像中生物组织的目标域特征；
基于预先训练的特征提取模型提取影像中生物组织的特征。
可选的，提取影像中生物组织的物理属性的特征，包括：
提取影像中生物组织的形状、大小、体积、面积及边缘长度中的至少一项。
可选的，提取影像中生物组织的目标域特征，包括：
提取影像中生物组织的频域特征或空间域特征；其中，
所述频域特征通过小波变换或傅里叶变换提取；
所述空间域特征包括纹理特征。
可选的，所述方法还包括：预先训练所述特征提取模型；
预先训练所述特征提取模型具体包括：
获得训练样本集，所述训练样本集包括多个正常生物组织的医学影像样本；
使用所述训练样本集对所述特征提取模型进行迭代训练，直至满足预设的迭代停止条件，所述迭代停止条件包括：当前的特征提取模型输出的预测值满足预设的性能需求、和/或迭代次数达到预设要求。
可选的，所述特征提取模型为自编码器；
所述使用所述训练样本集对所述特征提取模型进行迭代训练，包括：
将样本影像输入自编码器，得到编码后的特征，所述样本影像中的生物组织为正常生物组织；
对所述编码后的特征进行解码，获得解码后的解码影像；
计算所述样本影像与所述解码影像的相似度，并根据所计算的相似度结果对自编码器的参数进行调整。
可选的，所述计算所提取的标准特征与目标特征的相似度，包括：
获取所述标准特征与所述目标特征的相似度系数，其中，所述相似度系数包括L1范数、L2范数、互相关系数中的一项。
根据本说明书实施例的第二方面，提供一种医学影像检测装置，该装置包括：
特征提取模块，用于针对一身体部位预先获得标准影像，并根据预设特征提取规则，从所述标准影像中提取标准特征；以及，获得所述身体部位的待检测影像，并根据所述预设特征提取规则，从所述待检测影像提取目标特征；
相似度计算模块，用于计算所述标准特征与所述目标特征的相似度；
影像检测模块，用于根据所述相似度与预设阈值的数值关系，确定所述待检测影像中的阴性影像。
可选的，所述预设特征提取规则包括以下规则中的至少一项：
提取影像中生物组织的物理属性的特征；
提取影像中生物组织的目标域特征；
基于预先训练的特征提取模型提取影像中生物组织的特征。
可选的，提取影像中生物组织的物理属性的特征，包括：
提取影像中生物组织的形状、大小、体积、面积及边缘长度中的至少一项。
可选的，提取影像中生物组织的目标域特征，包括：
提取影像中生物组织的频域特征或空间域特征；其中，
所述频域特征通过小波变换或傅里叶变换提取；
所述空间域特征包括纹理特征。
可选的，所述装置还包括：模型训练模块，用于预先训练所述特征提取模型；
所述模型训练模块具体包括：
输入单元，用于获得训练样本集，所述训练样本集包括多个正常生物组织的医学影像样本；
训练单元，用于使用所述训练样本集对所述特征提取模型进行迭代训练，直至满足预设的迭代停止条件，所述迭代停止条件包括：当前的特征提取模型输出的预测值满足预设的性能需求、和/或迭代次数达到预设要求。
可选的，所述特征提取模型为自编码器；
所述训练单元，具体用于：
将样本影像输入自编码器，得到编码后的特征，所述样本影像中的生物组织为正常生物组织；
对所述编码后的特征进行解码，获得解码后的解码影像；
计算所述样本影像与所述解码影像的相似度，并根据所计算的相似度结果对自编码器的参数进行调整。
可选的，所述相似度计算模块，具体用于：
获取所述标准特征与所述目标特征的相似度系数，其中，所述相似度系数包括L1范数、L2范数、互相关系数中的一项。
根据本说明书实施例的第三方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1至7任一项所述的方法。
本说明书实施例所提供的技术方案，提取包括没有病灶的正常生物组织的医学影像的特征，与从待检测影像中提取的特征进行比较，判断待检测影像中是否为正常生物组织，即是否为阴性影像，从而解决疾病类型多、症状变化多，数据与模型很难全面覆盖各种疾病的问题，实现通过辅助诊断减少人工诊断的工作量，提高诊断效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书实施例。
此外，本说明书实施例中的任一实施例并不需要达到上述的全部效果。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本说明书实施例的医学影像检测方法的流程示意图；
图2是本说明书实施例的自编码器编码及解码影像的流程示意图；
图3是本说明书实施例的医学影像检测装置的一种结构示意图；
图4是本说明书实施例的医学影像检测装置的另一种结构示意图；
图5是用于配置本说明书实施例装置的一种设备的结构示意图。
具体实施方式
为了使本领域技术人员更好地理解本说明书实施例中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行详细地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于保护的范围。
为了减轻影像科医生的阅片工作量，提高阅片效率，可以将机器学习应用于医学影像的辅助诊断。
现有技术中，一般预先通过非正常的生物组织的医学影像，训练病灶检测模型。然后使用所训练的模型预测医学影像中是否存在病灶(即非正常的生物组织)。
但是，上述辅助诊断方案存在如下弊端：
首先，由于疾病种类数量很大，所训练的一种或多种病灶检测模型很难覆盖全部病种，因此即使使用模型检测影像，排除了部分疾病的可能性，仍需要人工确定影像中是否存在其他疾病，因而并不能够有效降低医生的工作量；
其次，即使是较为常见的疾病种类，病症在人体仍存在多种表征方式，因此即使是针对某种疾病所训练的病灶检测模型，仍很难覆盖该种疾病的全部症状。
因此，现有技术中通过预先训练的病灶检测模型预测医学影像中是否存在病灶的方案，可能造成误诊、漏诊的情况，因而仍需要由医生人工参与阅片，并不能够有效提高医生的阅片效率。
针对现有技术中的上述问题，本说明书实施例提供一种医学影像检测方法，参见图1所示，该方法可以包括以下步骤：
S101，针对一身体部位预先获得标准影像，并根据预设特征提取规则，从所述标准影像中提取标准特征；
S102，获得所述身体部位的待检测影像，并根据所述预设特征提取规则，从所述待检测影像提取目标特征；
为了便于描述，将S101与S102结合进行说明。
可以理解的是，本说明书实施例中所提及的标准影像与待检测影像，均为针对同一身体部位的影像，非正常生物组织是指包含病灶的生物组织，而正常生物组织是指不包含病灶的生物组织，下面将不再赘述。
本说明书实施例中，可以预先通过人工或机器筛选，得到若干标准影像，构成标准影像库，标准影像库中的影像可以为固定不变的，也可以随着实际应用更新。对应地，可以预先从各标准影像中提取标准特征，构成标准特征集合；也可以在进行各次医学影像检测时，根据当前标准影像库中的影像提取标准特征；还可以在预先提取特征构成标准特征集合后，定期地根据当前标准影像库中的影像更新标准特征集合；等等，本说明书实施例对此均不做限定。
因此，首先需要获得若干标准影像。
本说明书所提供的方案中，为了解决非正常生物组织的影像不足，导致病灶检测模型容易漏诊的问题，通过提取医学影像中正常生物组织的特征，与待检测影像中生物组织的特征进行比较，判断待检测影像中的生物组织是否均为正常组织，从而判断待检测影像是否为阴性影像。
如上面所述，可以通过人工方式筛选得到标准影像，例如，可以人工对一定量的医学影像进行阅片，将其中的阴性影像作为标准影像；也可以通过机器方式筛选得到标准影像，例如，对医生的诊断报告进行语义识别，得到影像中的正常组织区域。
具体地，可以首先获得若干医学影像及对应诊断报告，然后针对任一医学影像及对应诊断报告：对该诊断报告进行语义识别，如识别报告中的“影像中未见病灶”的诊断、或识别报告中“xx处见一xx”的诊断，等等，从而根据语义识别结果确定该影像中是否包括非正常组织。
如果确定该影像中不包括非正常组织，即该影像中的全部生物组织均为正常组织，则可以直接将该影像作为标准影像；
而对于某些类型的医学影像，即使某张影像为阳性影像，但其中的正常生物组织仍可用于特征提取。因此，如果确定该影像中包括非正常组织，可以进一步地根据语义识别结果，区分影像中的非正常组织与正常组织的区域，从而提取该影像中的正常组织区域的影像作为标准影像。
在从影像中提取特征时，影像的质量将影响特征提取结果。例如，不同影响的噪声水平、分辨率等信息可能不一致，而如果将不同质量的影响中提取到的特征进行比较(如计算相似度)，比较结果的准确性可能会因此受到影响。
因此，在从标准影像及待检测影像中提取特征之前，可以首先对影像进行预处理，例如，可以对影像进行噪声去除、分辨率恢复、图像增强、数据归一化等图像域的处理，使得经过处理的各影像具有一致的噪声水平、分辨率等信息，使得从影像中提取的特征的比较结果更准确、有效。
具体地，本说明书实施例中在获得待检测影像时，可以首先获得待检测影像，并确定待检测影像的图像质量是否符合预设要求，如噪声水平、分辨率等是否在预设的数值区间、甚至是否为预设数值；若否，则对待检测影像进行图像处理，得到图像质量符合预设要求的待检测影像。
预设的特征提取规则可以包括一种或多种具体规则，根据规则从影像中提取特征具体也可以通过多种方式实现。
在一个例子中，可以提取影像中生物组织的物理属性的特征，物理属性的特征为：用于描述医学影像中正常生物组织的物理属性的特征，如生物组织的形状、大小、体积、面积及边缘长度等等。因此对应地，根据规则从影像中提取特征时，可以提取影像中正常生物组织的形状、大小、体积、面积及边缘长度中的一项或者多项。
在另一个例子中，可以提取影像中生物组织的目标域特征，其中，目标域特征用于表示：正常生物组织的医学影像在目标域中的图像特征，如在频率域、空间域等目标域中的特征。因此对应地，根据规则从影像中提取特征时，可以提取影像中生物组织的频率域及空间域中至少一个域的特征；例如，可以通过小波变换或傅里叶变换，提取影像中生物组织的频率域特征，或者，可以提取生物组织的纹理特征作为空间域特征，纹理特征具体可以包括灰度共生矩阵、灰度级长矩阵、灰度及带矩阵、邻域灰度差分矩阵中的一个或多个。
在再一个例子中，可以基于预先训练的特征提取模型，从正常生物组织的医学影像中提取特征，如可以预先训练自编码器、受限玻尔兹曼机等模型，用于从医学影像中提取正常生物组织的特征；
等等，当然，预设特征提取规则中还可以包括其他具体规则，并且可以包括上述或其他的一种或多种具体规则，因而针对同一影像，可以结合多种方式进行特征提取，例如，可以结合多种方式提取医学影像的影像组学特征，影像组学特征可以包括描述物理属性的特征、纹理特征、小波特征、等等。
本说明书实施例对此并不做限定，本领域技术人员可以根据实际需求及各特征在实际应用中的效果，灵活地设置特征提取规则与提取方式。
针对特征提取模型，也可以通过多种具体方式进行训练。
在一个例子中，首先，可以获得训练样本集。训练样本集中的各训练样本为正常生物组织的医学影像，可以通过与上述标准影像相同的方式获得。
可以理解的是，虽然同时使用黑样本与白样本训练得到的模型准确度更高，其中，针对医学影像而言，黑样本即包括非正常生物组织的阳性影像，白样本即仅包括正常生物组织的阴性影像。但本说明书所提供方案正是为了解决，当前能够获得的黑样本中所包括的非正常组织，无法覆盖全部非正常组织的可能表现的问题，因此本实施例中仅通过数据量较大的白样本对模型进行训练，使模型能够提取正常组织的特征。
然后，可以使用所述训练样本集对所述特征提取模型进行迭代训练，直至满足预设的迭代停止条件，如直至当前的特征提取模型输出的预测值满足预设的性能需求、和/或迭代次数达到预设要求。
其中，以特征提取模型为自编码器为例，使用所述训练样本集对所述特征提取模型进行迭代训练的过程可以为：
将所包括的生物组织为正常生物组织的样本影像输入自编码器。其中，在第一次迭代训练中，当前的自编码器为所获得的初始的自编码器；在后续的第N次迭代训练在，当前的自编码器为N-1次迭代训练得到的自编码器。
然后可以得到自编码器进行编码后的特征，即为通过编码器提取的正常生物组织的特征。对编码后的特征再进行解码，可以获得解码后的解码影像。计算所述样本影像与所述解码影像的相似度，并根据所计算的相似度结果对自编码器的参数进行调整。其中，对样本影像与解码影像相似度的计算，可以利用现有的图像相似度计算方法进行计算，本说明书实施例在此不做赘述。
S103，计算所提取的标准特征与目标特征的相似度；
本说明书实施例中，可以通过多种具体方式计算标准特征与目标特征的相似度。
在一个例子中，可以通过所述标准特征与所述目标特征的相似度系数，计算所述标准特征与所述目标特征的相似度。
例如，相似度系数可以为两种特征的L1范数、L2范数、或互相关系数等参数；
又如，标准特征与目标特征可以为从影像中提取的灰度共生矩阵特征，则可以如公式(1)所示，分别计算两种灰度共生矩阵的对比度contrast：
其中，(i,j)为影像中的任一点，p(i,j)为该点的归一化共生矩阵的值。
然后可以进一步地计算两种灰度共生矩阵的对比度的L1范数、L2范数、或互相关系数等数值；
等等，当然，两种特征的相似度，可以一种相似度系数获得，也可以通过至少两种相似度系数的加权和求得。
例如，可以如公式(2)所示，计算至少两种特征的L1范数的加权和，作为两种特征的相似度X：
X＝‖A1-B1‖1+α‖Acontrast-Bcontrast‖1 (2)
其中，A1可以为灰度共生矩阵特征之外的其他标准特征、B1可以为灰度共生矩阵特征之外的其他目标特征，Acontrast可以为标准特征中的灰度共生矩阵对比度、Bcontrast可以为目标特征中的灰度共生矩阵对比度，α为一加权系数。
S104，根据所计算的相似度与预设阈值的数值关系，确定所述待检测影像是否为阴性影像。
例如，如果通过公式(2)计算相似度X，则可以在X的值大于预设阈值的情况下，判断待检测影像为阳性影像；反之，在X的值小于或等于预设阈值的情况下，判断待检测影像为阴性影像。
下面结合一个更为具体的实例，对本说明书提供的医学影像检测方法进行说明。
假设将本说明书提供的方法用于对肺部组织CT影像的辅助诊断。
(1)数据准备阶段
首先，获得大量初始的肺部组织CT影像，进行噪声去除、分辨率恢复、图像增强、数据归一化等图像域处理后，得到质量一致的若干CT影像。
此外，还获得医生针对这若干影像的诊断报告，对诊断报告进行语义识别，可以将诊断报告分为确诊为阴性影像的一部分CT影像、及确诊为阳性影像的另一部分CT影像。
将阴性影像作为用于模型训练或特征提取的影像，分别得到训练样本集与标准影像集合。
在进行特征提取模型训练时，首先初始化自编码器，然后将训练样本集中的各影像输入自编码器，进行迭代训练，直至损失函数满足预设条件或迭代次数达到预设要求。
如图2所示，在每次迭代的过程中，自编码器将对影像进行编码，得到编码后的特征，然后对编码后的特征进行解码，得到与输入的样本影像相似的解码影像。
自编码器训练完成后，使用训练得到的自编码器从标准影像中提取标准特征。具体地，可以将各标准影响分别输入自编码器，自编码器对影像编码后，得到降维特征，即所需提取的标准特征。
此外还可以从标准影像中提取空间域中的纹理特征——灰度共生矩阵特征。
根据上述提取的降维特征与灰度共生矩阵特征，得到标准特征集合。
(2)影像检测阶段
首先可以获得初始的待检测影像，并进行与标准影像相同的噪声去除、分辨率恢复、图像增强、数据归一化等图像域处理，得到质量与标准影像一致的待检测影像。
然后获得在阶段(1)中构成的标准特征集合，并基于与上述相同的特征提取方法，从待检测影像中提取目标特征，具体为：使用所训练的自编码器从待检测影像中提取降维特征、及从待检测影像中提取空间域中的灰度共生矩阵特征。
根据公式(3)计算标准影像的灰度共生矩阵特征的对比度Acontrast、及目标影像的灰度共生矩阵特征的对比度Bcontrast：
其中，(i,j)为影像中的任一点，p(i,j)为该点的归一化共生矩阵的值。
然后，根据公式(4)计算标准特征与目标特征的相似度loss：
loss＝‖Aencode-Bencode‖1+α‖Acontrast-Bcontrast‖1 (4)
其中，Aencode为从标准影像中提取的降维特征、Bencode为从待检测影像中提取的降维特征，α为一加权系数。
如果计算得到的loss值大于预设阈值，则判断待检测影像为阳性影像；反之则判断为阴性影像。
可见，应用上述方案，并不需要通过黑样本覆盖全部疾病种类、及每种疾病的全部组织症状，而只需要使用白样本训练得到能够提取医学影像中正常生物组织特征的模型，并将正常组织的标准特征与待检测影像中的目标特征进行比较，如果二者的相似度高于预设阈值，则可以判断待检测影像中为正常组织，从而准确地帮助医生筛掉阴性影像，减少阅片量，提高阅片效率。
相应于上述方法实施例，本说明书实施例还提供一种医学影像检测装置，参见图3所示，该装置可以包括：
特征提取模块310，用于针对一身体部位预先获得标准影像，并根据预设特征提取规则，从所述标准影像中提取标准特征；以及，获得所述身体部位的待检测影像，并根据所述预设特征提取规则，从所述待检测影像提取目标特征；
相似度计算模块320，用于计算所述标准特征与所述目标特征的相似度；
影像检测模块330，用于根据所述相似度与预设阈值的数值关系，确定所述待检测影像中的阴性影像。
在本说明书提供的一种具体实施方式中，所述预设特征提取规则包括以下规则中的至少一项：
提取影像中生物组织的物理属性的特征；
提取影像中生物组织的目标域特征；
基于预先训练的特征提取模型提取影像中生物组织的特征。
在本说明书提供的一种具体实施方式中，提取影像中生物组织的物理属性的特征，包括：
提取影像中生物组织的形状、大小、体积、面积及边缘长度中的至少一项。
在本说明书提供的一种具体实施方式中，提取影像中生物组织的目标域特征，包括：
提取影像中生物组织的频域特征或空间域特征；其中，
所述频域特征通过小波变换或傅里叶变换提取；
所述空间域特征包括纹理特征。
在本说明书提供的一种具体实施方式中，参见图4所示，所述装置还包括：模型训练模块340，用于预先训练所述特征提取模型；
所述模型训练模块具体包括：
输入单元341，用于获得训练样本集，所述训练样本集包括多个正常生物组织的医学影像样本；
训练单元342，用于使用所述训练样本集对所述特征提取模型进行迭代训练，直至满足预设的迭代停止条件，所述迭代停止条件包括：当前的特征提取模型输出的预测值满足预设的性能需求、和/或迭代次数达到预设要求。
在本说明书提供的一种具体实施方式中，所述特征提取模型为自编码器；
所述训练单元342，具体用于：
将样本影像输入自编码器，得到编码后的特征，所述样本影像中的生物组织为正常生物组织；
对所述编码后的特征进行解码，获得解码后的解码影像；
计算所述样本影像与所述解码影像的相似度，并根据所计算的相似度结果对自编码器的参数进行调整。
在本说明书提供的一种具体实施方式中，所述相似度计算模块320，具体用于：
获取所述标准特征与所述目标特征的相似度系数，其中，所述相似度系数包括L1范数、L2范数、互相关系数中的一项。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
本说明书实施例还提供一种计算机设备，其至少包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现前述的医学影像检测方法。该方法至少包括：
一种医学影像检测方法，该方法包括：
针对一身体部位预先获得标准影像，并根据预设特征提取规则，从所述标准影像中提取标准特征；
获得所述身体部位的待检测影像，并根据所述预设特征提取规则，从所述待检测影像提取目标特征；
计算所述标准特征与所述目标特征的相似度；
根据所述相似度与预设阈值的数值关系，确定所述待检测影像中的阴性影像。
图5示出了本说明书实施例所提供的一种更为具体的计算设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述的医学影像检测方法。该方法至少包括：
一种医学影像检测方法，该方法包括：
针对一身体部位预先获得标准影像，并根据预设特征提取规则，从所述标准影像中提取标准特征；
获得所述身体部位的待检测影像，并根据所述预设特征提取规则，从所述待检测影像提取目标特征；
计算所述标准特征与所述目标特征的相似度；
根据所述相似度与预设阈值的数值关系，确定所述待检测影像中的阴性影像。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书实施例可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书实施例各个实施例或者实施例的某些部分所述的方法。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，在实施本说明书实施例方案时可以把各模块的功能在同一个或多个软件和/或硬件中实现。也可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅是本说明书实施例的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本说明书实施例原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本说明书实施例的保护范围。
Claims (15)
1.一种医学影像检测方法，其特征在于，该方法包括：
针对一身体部位预先获得标准影像，并根据预设特征提取规则，从所述标准影像中提取标准特征；
获得所述身体部位的待检测影像，并根据所述预设特征提取规则，从所述待检测影像提取目标特征；
计算所述标准特征与所述目标特征的相似度；
根据所述相似度与预设阈值的数值关系，确定所述待检测影像中的阴性影像。
2.根据权利要求1所述的方法，其特征在于，所述预设特征提取规则包括以下规则中的至少一项：
提取影像中生物组织的物理属性的特征；
提取影像中生物组织的目标域特征；
基于预先训练的特征提取模型提取影像中生物组织的特征。
3.根据权利要求2所述的方法，其特征在于，提取影像中生物组织的物理属性的特征，包括：
提取影像中生物组织的形状、大小、体积、面积及边缘长度中的至少一项。
4.根据权利要求2所述的方法，其特征在于，提取影像中生物组织的目标域特征，包括：
提取影像中生物组织的频域特征或空间域特征；其中，
所述频域特征通过小波变换或傅里叶变换提取；
所述空间域特征包括纹理特征，所述纹理特征包括：灰度共生矩阵、灰度级长矩阵、灰度及带矩阵、邻域灰度差分矩阵中的至少一个。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：预先训练所述特征提取模型；
预先训练所述特征提取模型具体包括：
获得训练样本集，所述训练样本集包括多个正常生物组织的医学影像样本；
使用所述训练样本集对所述特征提取模型进行迭代训练，直至满足预设的迭代停止条件，所述迭代停止条件包括：当前的特征提取模型输出的预测值满足预设的性能需求、和/或迭代次数达到预设要求。
6.根据权利要求5所述的方法，其特征在于，所述特征提取模型为自编码器；
所述使用所述训练样本集对所述特征提取模型进行迭代训练，包括：
将样本影像输入自编码器，得到编码后的特征，所述样本影像中的生物组织为正常生物组织；
对所述编码后的特征进行解码，获得解码后的解码影像；
计算所述样本影像与所述解码影像的相似度，并根据所计算的相似度结果对自编码器的参数进行调整。
7.根据权利要求1所述的方法，其特征在于，所述计算所提取的标准特征与目标特征的相似度，包括：
获取所述标准特征与所述目标特征的相似度系数，其中，所述相似度系数包括L1范数、L2范数、互相关系数中的一项。
8.一种医学影像检测装置，其特征在于，该装置包括：
特征提取模块，用于针对一身体部位预先获得标准影像，并根据预设特征提取规则，从所述标准影像中提取标准特征；以及，获得所述身体部位的待检测影像，并根据所述预设特征提取规则，从所述待检测影像提取目标特征；
相似度计算模块，用于计算所述标准特征与所述目标特征的相似度；
影像检测模块，用于根据所述相似度与预设阈值的数值关系，确定所述待检测影像中的阴性影像。
9.根据权利要求8所述的装置，其特征在于，所述预设特征提取规则包括以下规则中的至少一项：
提取影像中生物组织的物理属性的特征；
提取影像中生物组织的目标域特征；
基于预先训练的特征提取模型提取影像中生物组织的特征。
10.根据权利要求9所述的装置，其特征在于，提取影像中生物组织的物理属性的特征，包括：
提取影像中生物组织的形状、大小、体积、面积及边缘长度中的至少一项。
11.根据权利要求9所述的装置，其特征在于，提取影像中生物组织的目标域特征，包括：
提取影像中生物组织的频域特征或空间域特征；其中，
所述频域特征通过小波变换或傅里叶变换提取；
所述空间域特征包括纹理特征，所述纹理特征包括：灰度共生矩阵、灰度级长矩阵、灰度及带矩阵、邻域灰度差分矩阵中的至少一个。
12.根据权利要求9所述的装置，其特征在于，所述装置还包括：模型训练模块，用于预先训练所述特征提取模型；
所述模型训练模块具体包括：
输入单元，用于获得训练样本集，所述训练样本集包括多个正常生物组织的医学影像样本；
训练单元，用于使用所述训练样本集对所述特征提取模型进行迭代训练，直至满足预设的迭代停止条件，所述迭代停止条件包括：当前的特征提取模型输出的预测值满足预设的性能需求、和/或迭代次数达到预设要求。
13.根据权利要求12所述的装置，其特征在于，所述特征提取模型为自编码器；
所述训练单元，具体用于：
将样本影像输入自编码器，得到编码后的特征，所述样本影像中的生物组织为正常生物组织；
对所述编码后的特征进行解码，获得解码后的解码影像；
计算所述样本影像与所述解码影像的相似度，并根据所计算的相似度结果对自编码器的参数进行调整。
14.根据权利要求8所述的装置，其特征在于，所述相似度计算模块，具体用于：
获取所述标准特征与所述目标特征的相似度系数，其中，所述相似度系数包括L1范数、L2范数、互相关系数中的一项。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910769034.XA CN110517239A (zh) | 2019-08-20 | 2019-08-20 | 一种医学影像检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910769034.XA CN110517239A (zh) | 2019-08-20 | 2019-08-20 | 一种医学影像检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110517239A true CN110517239A (zh) | 2019-11-29 |
Family
ID=68626879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910769034.XA Pending CN110517239A (zh) | 2019-08-20 | 2019-08-20 | 一种医学影像检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110517239A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112642158A (zh) * | 2020-12-31 | 2021-04-13 | 完美世界(北京)软件科技发展有限公司 | 游戏资源地图审核方法及装置、存储介质、计算机设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557746A (zh) * | 2016-11-14 | 2017-04-05 | 福建北极光虚拟视觉展示科技有限公司 | 一种基于图像识别技术的舌像检测方法及系统 |
| CN108664953A (zh) * | 2018-05-23 | 2018-10-16 | 清华大学 | 一种基于卷积自编码器模型的图像特征提取方法 |
| CN109101525A (zh) * | 2018-06-19 | 2018-12-28 | 黑龙江拓盟科技有限公司 | 一种基于图像对比识别的医疗图像比对方法 |
| CN109635846A (zh) * | 2018-11-16 | 2019-04-16 | 哈尔滨工业大学（深圳） | 一种多类医学图像判断方法和系统 |
| CN109948591A (zh) * | 2019-04-01 | 2019-06-28 | 广东安居宝数码科技股份有限公司 | 一种车位检测方法、装置、电子设备及可读取存储介质 |
| CN110070129A (zh) * | 2019-04-23 | 2019-07-30 | 上海联影智能医疗科技有限公司 | 一种图像检测方法、装置及存储介质 |
| CN110101361A (zh) * | 2019-04-23 | 2019-08-09 | 深圳市新产业眼科新技术有限公司 | 基于大数据在线智能诊断平台及其运行方法和存储介质 |
-
2019
- 2019-08-20 CN CN201910769034.XA patent/CN110517239A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557746A (zh) * | 2016-11-14 | 2017-04-05 | 福建北极光虚拟视觉展示科技有限公司 | 一种基于图像识别技术的舌像检测方法及系统 |
| CN108664953A (zh) * | 2018-05-23 | 2018-10-16 | 清华大学 | 一种基于卷积自编码器模型的图像特征提取方法 |
| CN109101525A (zh) * | 2018-06-19 | 2018-12-28 | 黑龙江拓盟科技有限公司 | 一种基于图像对比识别的医疗图像比对方法 |
| CN109635846A (zh) * | 2018-11-16 | 2019-04-16 | 哈尔滨工业大学（深圳） | 一种多类医学图像判断方法和系统 |
| CN109948591A (zh) * | 2019-04-01 | 2019-06-28 | 广东安居宝数码科技股份有限公司 | 一种车位检测方法、装置、电子设备及可读取存储介质 |
| CN110070129A (zh) * | 2019-04-23 | 2019-07-30 | 上海联影智能医疗科技有限公司 | 一种图像检测方法、装置及存储介质 |
| CN110101361A (zh) * | 2019-04-23 | 2019-08-09 | 深圳市新产业眼科新技术有限公司 | 基于大数据在线智能诊断平台及其运行方法和存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112642158A (zh) * | 2020-12-31 | 2021-04-13 | 完美世界(北京)软件科技发展有限公司 | 游戏资源地图审核方法及装置、存储介质、计算机设备 |
| CN112642158B (zh) * | 2020-12-31 | 2021-09-28 | 完美世界(北京)软件科技发展有限公司 | 游戏资源地图审核方法及装置、存储介质、计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6868119B2 (ja) | ホログラフィック偽造防止コードの検査方法及び装置 | |
| US8396303B2 (en) | Method, apparatus and computer program product for providing pattern detection with unknown noise levels | |
| CN110570390B (zh) | 一种图像检测方法及装置 | |
| CN114820584B (zh) | 肺部病灶定位装置 | |
| WO2021232320A1 (zh) | 超声图像处理方法、系统及计算机可读存储介质 | |
| US20210145389A1 (en) | Standardizing breast density assessments | |
| CN115620384B (zh) | 模型训练方法、眼底图像预测方法及装置 | |
| CN110991412A (zh) | 人脸识别的方法、装置、存储介质及电子设备 | |
| CN115601299A (zh) | 基于图像的肝硬化状态智能评估系统及其方法 | |
| CN116580702A (zh) | 基于人工智能的语音识别方法、装置、计算机设备及介质 | |
| CN114926479A (zh) | 图像处理方法及装置 | |
| CN110517239A (zh) | 一种医学影像检测方法及装置 | |
| Yap et al. | Diabetic foot ulcers segmentation challenge report: Benchmark and analysis | |
| CN111507950B (zh) | 图像分割的方法和装置、电子设备及计算机可读存储介质 | |
| CN111815748A (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
| US12112524B2 (en) | Image augmentation method, electronic device and readable storage medium | |
| CN115565186B (zh) | 文字识别模型的训练方法、装置、电子设备和存储介质 | |
| CN114782407A (zh) | 基于卷积神经网络的胎儿超声关键切面识别方法及装置 | |
| CN114331900A (zh) | 视频去噪方法和视频去噪装置 | |
| CN116543246A (zh) | 图像去噪模型的训练方法、图像去噪方法、装置及设备 | |
| CN114331901A (zh) | 模型训练方法和模型训练装置 | |
| CN114187303A (zh) | 口腔图像处理方法、装置、电子设备及计算机存储介质 | |
| CN116128887A (zh) | 目标器官组织感兴趣区域定位方法、电子设备和存储介质 | |
| CN114155567A (zh) | 目标检测方法及装置、存储介质及电子设备 | |
| CN112991266A (zh) | 用于小样本医疗影像的语义分割方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191129 |
|
| RJ01 | Rejection of invention patent application after publication |