CN110543894A - 一种医学影像处理方法 - Google Patents
一种医学影像处理方法 Download PDFInfo
- Publication number
- CN110543894A CN110543894A CN201910727638.8A CN201910727638A CN110543894A CN 110543894 A CN110543894 A CN 110543894A CN 201910727638 A CN201910727638 A CN 201910727638A CN 110543894 A CN110543894 A CN 110543894A
- Authority
- CN
- China
- Prior art keywords
- medical
- image
- medical image
- model library
- disease
- 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
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
- G06F18/24—Classification techniques
-
- 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
Abstract
本发明公开了一种医学影像处理方法,包括:1)上传检查设备中的医学影像至影像服务器,筛选所述影像服务器内的医学影像资料,将筛选后的医学影像资料储存于原始影像数据库;2)利用特征识别器,识别所述原始影像数据库中的医学影像的医学特征;3)利用分类器根据所述特征识别器获得的医学特征对疾病进行识别,并根据疾病种类存储在分类影像数据库中。本发明提供的一种医学影响处理方法,先将大量医学影像暂存于影像服务器,并进行匹配处理,最后将只占很小比例的具有诊断意义的影像存储至原始影像数据库,大大地节省了存储成本及存储空间,也减少对医学影像资料识别的工作量,大大地提高了工作效率。
Description
技术领域
本发明涉及医疗技术领域,具体地说是一种医学影像处理方法。
背景技术
医学影像在临床诊断和治疗中的应用日益广泛,如何利用大量的医学影像,辅助医生进行疾病的诊断和治疗是目前业界都在研究的问题。目前国内医院的PACS系统(医学影像存储与传输系统)已逐步向内窥、超声拓展,在内窥、超声的影像中包括大量的动态影像,存储这些动态的影像需要大量的存储空间。然而,在这些影像中具有诊断意义的影像只占很小的比例。因此,如果将这些动态影像直接存储在医院PACS的主存储中将造成高昂的存储成本,并且极大的浪费了主存储空间。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种医学影像处理方法。所述技术方案如下:
一方面,提供了一种医学影像处理方法,包括以下步骤:
1)上传检查设备中的医学影像至影像服务器,筛选所述影像服务器内的医学影像资料,将筛选后的医学影像资料储存于原始影像数据库;
2)利用特征识别器,识别所述原始影像数据库中的医学影像的医学特征;
3)利用分类器根据所述特征识别器获得的医学特征对疾病进行识别,并根据疾病种类存储在分类影像数据库中。
进一步的,所述筛选所述影像服务器内的医学影像资料的具体步骤为:
a.上传检查设备中的医学影像至影像服务器;
b.检测是否全部上传成功,若检测结果为否,则返回步骤a;
c.若步骤b的检测结果为是,则提取医学影像典型数据库中的医学影像数据,与影像服务器中的医学影像进行自动匹配;
d.检测是否自动匹配成功,若检测结果为否,则执行步骤e,若检测结果为是,则执行步骤f;
e.删除自动匹配失败的医学影像,并返回步骤c;
f.将自动匹配成功的医学影像上传至原始影像数据库。
进一步的,所述医学影像典型数据库包括:标准模型库和标准疾病模型库;
所述标准模型库内预设有人体器官标准模型的医学影像;所述标准疾病模型库内预设有标准疾病模型的医学特征。
进一步的,所述利用特征识别器,识别所述原始影像数据库中的医学影像的医学特征的具体步骤为:
2.1)图像预处理,对待识别的所述医学影像进行转正、缩放、滤波、分辨率调整处理;
2.2)器官图像标准化调整,对待识别的所述医学影像进行变形、局部缩放处理,使其中器官图像轮廓线与所述标准模型库中的医学影像的轮廓线趋于重合,所述标准模型库中的医学影像是在所述标准模型库中筛选得到的;
2.3)对步骤2.2)中,器官图像轮廓线与所述标准模型库中的医学影像的轮廓线不重合部分进行疾病特征提取。
进一步的,所述标准模型库存储人体器官标准模型的医学影像根据人体的性别、年龄、人种、身高、体重进行分类。
进一步的,所述步骤2.2)中筛选所述标准模型库中的医学影像的条件包括:人体的性别、年龄、人种、身高、体重。
进一步的,所述特征识别器利用基于Adaboost级联分类器预先训练。
本发明实施例提供的技术方案带来的有益效果是:
本发明提供的一种医学影响处理方法,先将大量医学影像暂存于影像服务器,并进行匹配处理,最后将只占很小比例的具有诊断意义的影像存储至原始影像数据库,大大地节省了存储成本及存储空间,也减少对医学影像资料识别的工作量,大大地提高了工作效率;同时,利用Adaboost级联分类器进行预先训练,针对不同的样本具有较好的识别率和误识率,并且计算速度快,可以快速进行大量的医学影像识别和分类,可用于大规模的医学影像数据库系统。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种医学影像处理方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明提供了提供了一种医学影像处理方法,参见图1,包括以下步骤:
S100:上传检查设备中的医学影像至影像服务器,筛选所述影像服务器内的医学影像资料,将筛选后的医学影像资料储存于原始影像数据库;
S200:利用特征识别器,识别所述原始影像数据库中的医学影像的医学特征;
S300:利用分类器根据所述特征识别器获得的医学特征对疾病进行识别,并根据疾病种类存储在分类影像数据库中。
进一步的,所述筛选所述影像服务器内的医学影像资料的具体步骤为:
a.上传检查设备中的医学影像至影像服务器;
b.检测是否全部上传成功,若检测结果为否,则返回步骤a;
c.若步骤b的检测结果为是,则提取医学影像典型数据库中的医学影像数据,与影像服务器中的医学影像进行自动匹配;
d.检测是否自动匹配成功,若检测结果为否,则执行步骤e,若检测结果为是,则执行步骤f;
e.删除自动匹配失败的医学影像,并返回步骤c;
f.将自动匹配成功的医学影像上传至原始影像数据库。
具体地,本实施例中,对医学影像进行了暂存的处理,先将大量医学影像暂存于影像服务器,并进行匹配处理,最后将只占很小比例的具有诊断意义的影像存储至原始影像数据库,大大地节省了存储成本及存储空间,之后进行的识别和分类变得目的性更明确,也减少对医学影像资料识别的工作量,大大地提高了工作效率。
进一步的,所述医学影像典型数据库包括:标准模型库和标准疾病模型库;
所述标准模型库内预设有人体器官标准模型的医学影像;所述标准疾病模型库内预设有标准疾病模型的医学特征。
进一步的,所述利用特征识别器,识别所述原始影像数据库中的医学影像的医学特征的具体步骤为:
2.1)图像预处理,对待识别的所述医学影像进行转正、缩放、滤波、分辨率调整处理;
2.2)器官图像标准化调整,对待识别的所述医学影像进行变形、局部缩放处理,使其中器官图像轮廓线与所述标准模型库中的医学影像的轮廓线趋于重合,所述标准模型库中的医学影像是在所述标准模型库中筛选得到的;
2.3)对步骤2.2)中,器官图像轮廓线与所述标准模型库中的医学影像的轮廓线不重合部分进行疾病特征提取。
进一步的,所述标准模型库存储人体器官标准模型的医学影像根据人体的性别、年龄、人种、身高、体重进行分类。
进一步的,所述步骤2.2)中筛选所述标准模型库中的医学影像的条件包括:人体的性别、年龄、人种、身高、体重。
进一步的,所述特征识别器利用基于Adaboost级联分类器预先训练。
具体地,特征识别器是利用基于Adaboost级联分类器预先训练好的,用于识别原始影像数据库中的医学影像的医学特征。Adaboost是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器),其是业界业已成熟的技术手段。
而分类器,则利用特征识别器对影像数据库中的医学影像进行识别,获得其医学特征,然后对标准疾病模型库重大疾病模型进行比对,对疾病进行识别,并根据疾病种类存储在分类影像数据库中。
本发明实施例提供的技术方案带来的有益效果是:
本发明提供的一种医学影响处理方法,先将大量医学影像暂存于影像服务器,并进行匹配处理,最后将只占很小比例的具有诊断意义的影像存储至原始影像数据库,大大地节省了存储成本及存储空间,也减少对医学影像资料识别的工作量,大大地提高了工作效率;同时,利用Adaboost级联分类器进行预先训练,针对不同的样本具有较好的识别率和误识率,并且计算速度快,可以快速进行大量的医学影像识别和分类,可用于大规模的医学影像数据库系统。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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计算机可读存储介质中,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)执行各个实施例或者实施例的某些部分所述的方法。
以上仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种医学影像处理方法,其特征在于,包括:
1)上传检查设备中的医学影像至影像服务器,筛选所述影像服务器内的医学影像资料,将筛选后的医学影像资料储存于原始影像数据库;
2)利用特征识别器,识别所述原始影像数据库中的医学影像的医学特征;
3)利用分类器根据所述特征识别器获得的医学特征对疾病进行识别,并根据疾病种类存储在分类影像数据库中。
2.如权利要求1所述的方法,其特征在于,所述筛选所述影像服务器内的医学影像资料的具体步骤为:
a.上传检查设备中的医学影像至影像服务器;
b.检测是否全部上传成功,若检测结果为否,则返回步骤a;
c.若步骤b的检测结果为是,则提取医学影像典型数据库中的医学影像数据,与影像服务器中的医学影像进行自动匹配;
d.检测是否自动匹配成功,若检测结果为否,则执行步骤e,若检测结果为是,则执行步骤f;
e.删除自动匹配失败的医学影像,并返回步骤c;
f.将自动匹配成功的医学影像上传至原始影像数据库。
3.如权利要求2所述的方法,其特征在于,所述医学影像典型数据库包括:标准模型库和标准疾病模型库;
所述标准模型库内预设有人体器官标准模型的医学影像;所述标准疾病模型库内预设有标准疾病模型的医学特征。
4.如权利要求3所述的方法,其特征在于,所述利用特征识别器,识别所述原始影像数据库中的医学影像的医学特征的具体步骤为:
2.1)图像预处理,对待识别的所述医学影像进行转正、缩放、滤波、分辨率调整处理;
2.2)器官图像标准化调整,对待识别的所述医学影像进行变形、局部缩放处理,使其中器官图像轮廓线与所述标准模型库中的医学影像的轮廓线趋于重合,所述标准模型库中的医学影像是在所述标准模型库中筛选得到的;
2.3)对步骤2.2)中,器官图像轮廓线与所述标准模型库中的医学影像的轮廓线不重合部分进行疾病特征提取。
5.如权利要求4所述的方法,其特征在于,所述标准模型库存储人体器官标准模型的医学影像根据人体的性别、年龄、人种、身高、体重进行分类。
6.如权利要求5所述的方法,其特征在于,所述步骤2.2)中筛选所述标准模型库中的医学影像的条件包括:人体的性别、年龄、人种、身高、体重。
7.如权利要求6所述的方法,其特征在于,所述特征识别器利用基于Adaboost级联分类器预先训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910727638.8A CN110543894A (zh) | 2019-07-28 | 2019-07-28 | 一种医学影像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910727638.8A CN110543894A (zh) | 2019-07-28 | 2019-07-28 | 一种医学影像处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110543894A true CN110543894A (zh) | 2019-12-06 |
Family
ID=68710553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910727638.8A Pending CN110543894A (zh) | 2019-07-28 | 2019-07-28 | 一种医学影像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110543894A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101332124A (zh) * | 2007-06-26 | 2008-12-31 | 上海岱嘉医学信息系统有限公司 | 医学影像的暂存处理方法 |
CN103473569A (zh) * | 2013-09-22 | 2013-12-25 | 江苏美伦影像系统有限公司 | 基于svm的医学影像分类方法 |
CN103488977A (zh) * | 2013-09-22 | 2014-01-01 | 江苏美伦影像系统有限公司 | 基于svm的医学影像管理系统 |
-
2019
- 2019-07-28 CN CN201910727638.8A patent/CN110543894A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101332124A (zh) * | 2007-06-26 | 2008-12-31 | 上海岱嘉医学信息系统有限公司 | 医学影像的暂存处理方法 |
CN103473569A (zh) * | 2013-09-22 | 2013-12-25 | 江苏美伦影像系统有限公司 | 基于svm的医学影像分类方法 |
CN103488977A (zh) * | 2013-09-22 | 2014-01-01 | 江苏美伦影像系统有限公司 | 基于svm的医学影像管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111048170B (zh) | 基于图像识别的消化内镜结构化诊断报告生成方法与系统 | |
CN109635846B (zh) | 一种多类医学图像判断方法和系统 | |
CN111259982A (zh) | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 | |
US9171477B2 (en) | Method and system for recognizing and assessing surgical procedures from video | |
Mansour et al. | Internet of things and synergic deep learning based biomedical tongue color image analysis for disease diagnosis and classification | |
CN111598867B (zh) | 用于检测特定面部综合征的方法、装置及计算机可读存储介质 | |
Zhou et al. | Identifying cardiomegaly in ChestX-ray8 using transfer learning | |
KR20170047423A (ko) | Cad기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템 | |
Chen et al. | A task decomposing and cell comparing method for cervical lesion cell detection | |
CN114066884A (zh) | 视网膜血管分割方法及装置、电子设备和存储介质 | |
Aria et al. | ADA-COVID: adversarial deep domain adaptation-based diagnosis of COVID-19 from lung CT scans using triplet embeddings | |
Ghorakavi | TBNet: pulmonary tuberculosis diagnosing system using deep neural networks | |
Manikandan et al. | Segmentation and Detection of Pneumothorax using Deep Learning | |
Hamlili et al. | Transfer learning with Resnet-50 for detecting COVID-19 in chest X-ray images | |
CN110930373A (zh) | 一种基于神经网络的肺炎识别装置 | |
CN117352164A (zh) | 基于人工智能的多模态肿瘤检测诊断平台及其处理方法 | |
Amami et al. | The use of an incremental learning algorithm for diagnosing covid-19 from chest x-ray images | |
CN110543894A (zh) | 一种医学影像处理方法 | |
Wang et al. | A r-cnn based approach for microaneurysm detection in retinal fundus images | |
WO2022252107A1 (zh) | 一种基于眼部图像的疾病检测系统及方法 | |
Schaefer et al. | Scleroderma capillary pattern identification using texture descriptors and ensemble classification | |
CN114066850A (zh) | 一种基于分类框架的图像二值化方法 | |
Abdel-Latif et al. | Achieving Information Security by multi-Modal Iris-Retina Biometric Approach Using Improved Mask R-CNN | |
Oyelade et al. | Deep Learning Model for Improving the Characterization of Coronavirus on Chest X-ray Images Using CNN | |
Arafat et al. | Brain Tumor MRI Image Segmentation and Classification based on Deep Learning Techniques |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191206 |