CN110600107B - 医学图像的筛选方法、计算机设备及可读存储介质 - Google Patents
医学图像的筛选方法、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN110600107B CN110600107B CN201910806591.4A CN201910806591A CN110600107B CN 110600107 B CN110600107 B CN 110600107B CN 201910806591 A CN201910806591 A CN 201910806591A CN 110600107 B CN110600107 B CN 110600107B
- Authority
- CN
- China
- Prior art keywords
- image
- medical image
- medical
- classification
- screened
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及一种医学图像的筛选方法、计算机设备及可读存储介质，该方法包括：从医学图像管理系统中获取满足预设条件的医学图像，预设条件表征医学图像的生成时间、图像模式和图像数量中的一种或多种；从满足预设条件的医学图像中选择至少一个医学图像，并根据标签数据对至少一个医学图像进行筛选，得到筛选医学图像；采用人工智能分类网络对筛选医学图像进行分类操作，得到筛选医学图像的分类结果。由于该方法在根据标签数据得到筛选医学图像后，再利用人工智能分类网络对筛选医学图像进行分类操作，该分类操作是基于图像像素内容所进行的，得到的分类结果较准确，因此大大提高了医学图像的分类筛选结果。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种医学图像的筛选方法、计算机设备及可读存储介质。
背景技术
在当前医疗的临床应用上，为减小医生的日常工作量及提高医学图像检测诊断的准确性，会使用人工智能软件系统来辅助医生的工作，人工智能软件系统从影像归档和通信系统(Picture Archiving and Communication Systems，PACS)中获取对应的医学图像进行检测，并将检测结果展示给医生，医生根据检测结果撰写临床报告。通常不同科室的医生会撰写不同类型医学图像的临床报告，检测不同病灶也会需要不同特征的医学图像，那么从PACS系统中获取医学图像时就要对大量的医学图像进行分类筛选，以提高人工智能软件系统的工作效率。
传统技术对医学图像进行分类筛选时，通常是根据PACS系统提供的医学数字成像和通信协议(Digital Imaging and Communications in Medicine，DICOM)中的标签(TAG)数据进行筛选。
但是，上述TAG数据一般是医疗技师在采集医学图像时所输入的，其具有一定的误差率，因此，传统技术对医学图像分类筛选的结果准确率较低。
发明内容
基于此，有必要针对传统技术对医学图像分类筛选的结果准确率较低的问题，提供一种医学图像的筛选方法、计算机设备及可读存储介质。
第一方面，本申请实施例提供一种医学图像的筛选方法，包括：
从医学图像管理系统中获取满足预设条件的医学图像，预设条件表征医学图像的生成时间、图像模式和图像数量中的一种或多种；
从满足预设条件的医学图像中选择至少一个医学图像，并根据标签数据对至少一个医学图像进行筛选，得到筛选医学图像；
采用人工智能分类网络对筛选医学图像进行分类操作，得到筛选医学图像的分类结果。
第二方面，本申请实施例提供一种医学图像的筛选装置，包括：
获取模块，用于从医学图像管理系统中获取满足预设条件的医学图像，预设条件表征医学图像的生成时间、图像模式和图像数量中的一种或多种；
筛选模块，用于从满足预设条件的医学图像中选择至少一个医学图像，并根据标签数据对至少一个医学图像进行筛选，得到筛选医学图像；
分类模块，用于采用人工智能分类网络对筛选医学图像进行分类操作，得到筛选医学图像的分类结果。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
从医学图像管理系统中获取满足预设条件的医学图像，预设条件表征医学图像的生成时间、图像模式和图像数量中的一种或多种；
从满足预设条件的医学图像中选择至少一个医学图像，并根据标签数据对至少一个医学图像进行筛选，得到筛选医学图像；
采用人工智能分类网络对筛选医学图像进行分类操作，得到筛选医学图像的分类结果。
第四方面，本申请实施例提供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：
从医学图像管理系统中获取满足预设条件的医学图像，预设条件表征医学图像的生成时间、图像模式和图像数量中的一种或多种；
从满足预设条件的医学图像中选择至少一个医学图像，并根据标签数据对至少一个医学图像进行筛选，得到筛选医学图像；
采用人工智能分类网络对筛选医学图像进行分类操作，得到筛选医学图像的分类结果。
上述医学图像的筛选方法、计算机设备及可读存储介质，首先从医学图像管理系统中获取满足预设条件的医学图像，预设条件表征医学图像的生成时间、图像模式和图像数量；再从满足预设条件的医学图像中选择至少一个医学图像，并根据标签数据对至少一个医学图像进行筛选，得到筛选医学图像；最后采用人工智能分类网络对筛选医学图像进行分类操作，得到筛选医学图像的分类结果。由于该方法在根据标签数据得到筛选医学图像后，再利用人工智能分类网络对筛选医学图像进行分类操作，该分类操作是基于图像像素内容所进行的，得到的分类结果较准确，因此大大提高了医学图像的分类筛选结果。
附图说明
图1为一个实施例提供的医学图像的筛选方法的流程示意图；
图1a为一个实施例提供的人工智能分类网络的处理流程示意图；
图2为另一个实施例提供的医学图像的筛选方法的流程示意图；
图3为又一个实施例提供的医学图像的筛选方法的流程示意图；
图4为一个实施例提供的医学图像的筛选装置的结构示意图；
图5为另一个实施例提供的医学图像的筛选装置的结构示意图；
图6为又一个实施例提供的医学图像的筛选装置的结构示意图；
图7为一个实施例提供的计算机设备的内部结构示意图。
具体实施方式
本实施例提供的医学图像的筛选方法，可以适用于从医学管理系统中获取不同类型的医学图像的过程，该医学图像管理系统可以为医院信息管理系统(HospitalInformation System，HIS)、临床信息系统(Clinical Information System，CIS)、影像归档和通信系统(Picture Archiving and Communication Systems，PACS)、放射科信息管理系统(Radiology Information System，RIS)以及电子病历(Electronic Medical Record，EMR)等等，通常医学图像以DICOM格式存储在医学图像管理系统中，当然也可以以其他格式进行存储，本实施例对此不做限定。
为了使本申请的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本申请实施例中的技术方案进行进一步的详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，下述方法实施例的执行主体可以是医学图像的筛选装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
图1为一个实施例提供的医学图像的筛选方法的流程示意图。本实施例涉及的是计算机设备从医学图像管理系统中获取医学图像并进行筛选，以及得到筛选医学图像的分类结果的具体过程。如图1所示，该方法包括：
S101，从医学图像管理系统中获取满足预设条件的医学图像，预设条件表征医学图像的生成时间、图像模式和图像数量中的一种或多种。
具体的，计算机设备首先从医学图像管理系统中获取满足预设条件的医学图像，可以根据医学图像的生成时间、图像模式和图像数量中的一种或多种进行选择。在实际应用中，由于医学图像管理系统中的数据是海量的，要满足筛选数据的实时性，设置的预设条件中的生成时间通常为当天的日期以及当前时间半小时或一小时内；图像模式表征生成医学图像的设备模态类型，可以为电子计算机断层扫描(Computed Tomography，CT)设备、核磁共振(Nuclear Magnetic Resonance Imaging，MRI)设备、正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET)设备以及直接数字平板X线(DigitalRadiography，DR)设备等医学成像设备，可以根据需要筛选的图像模式进行选择；图像数量表征生成的医学图像中每个序列包含的图像数量，通常对于不同的疾病筛查所需的图像数量不同，如CT肺结节筛查要求图像数量大于40张。
计算机设备根据上述预设条件获取的医学图像，可以包括检查ID、检查描述、序列ID、序列描述、图像数量等信息。可选的，在得到这些信息后，计算机设备还可以根据不同检查的应用要求从上述医学图像中再次进行筛选，示例性的，CT肺结节检查的应用要求为薄层数据优先、肺窗重建数据优先、相同层厚的检查中图像数量最多的序列优先、图像数量大于40张等；CT肋骨骨折检查的应用要求为层厚度小于等于5毫米、图像层间距小于等于5毫米、同一检查中选择最薄层序列、相同层厚时选择图像数量最多的序列、图像数量大于40张等等。
可选的，上述医学图像管理系统可以为HIS系统、CIS系统、PACS系统、RIS系统以及EMR等，本实施例对此不做限制。
S102，从满足预设条件的医学图像中选择至少一个医学图像，并根据标签数据对至少一个医学图像进行筛选，得到筛选医学图像。
具体的，计算机设备获取了满足预设条件的医学图像后，可以下载该医学图像，通常为DICOM格式的数据文件，但因每个DICOM文件中的医学图像数量为多个，为提高后续筛选医学图像的效率以及减少下载医学图像时的网络传输功耗，计算机设备可以从满足预设条件的医学图像中选择至少一个医学图像，然后根据标签数据对该至少一个医学图像进行筛选。
在实际应用中，若医学图像携带的标签数据中检查描述为肺部检查，那么计算机设备会将该医学图像筛选给肺部筛查组的医生做后续诊断；若检查描述为肋骨检查，那么计算机设备会将该医学图像筛选给肋骨筛查组的医生做后续诊断，但由于上述标签数据为采集患者医学图像的医疗技师填写或所采用的医疗设备内部软件决定的，因此其具有一定的误差率，那么计算机设备所筛选的医学图像也会存在误差。本实施例中，为减少这种误差率，计算机设备将采用S103步骤对得到的筛选医学图像再次进行分类。
S103，采用人工智能分类网络对筛选医学图像进行分类操作，得到筛选医学图像的分类结果。
具体的，计算机设备采用人工智能分类网络对上述筛选医学图像进行分类操作，该分类操作是针对筛选医学图像的图像像素数据内容所进行的分类，其准确度较高。可选的，上述人工智能分类网络可以为卷积神经网络(Convolutional Neural Networks，CNN)、全卷积网络(Fully Convolutional Networks，FCN)，也可以为其他神经网络，本实施例对此不做限制。优选的，该人工智能分类网络为视觉几何组网络(Visual Geometry GroupNetwork，VGG)。
可选的，上述筛选医学图像的分类结果可以包括部位名称、部位编码或部位结构信息中的一个或多个。其中，部位名称可以为头部图像、胸部图像、腹部图像、下肢图像等，也可以为图像中包含头部区域、胸部区域、腹部区域、下肢区域等；部位编码为对不同部位所进行的不同编码，如头部区域编码为1，腹部区域编码为2等；部位结构信息为部位中所包括的特有结构，如头部包括的大脑、小脑、脑干，肺部包括的肺叶、肺泡等。当然，上述筛选医学图像的分类结果还可以是其他形式，只要能区分出不同分类即可，本实施例对分类结果的形式不做限制。
可选的，在计算机设备得到筛选医学图像的准确分类结果后，可以对S102得到的筛选医学图像的错误标签数据进行矫正，例如，标签数据中的检查描述为肺部检查，但得到的分类结果为肋骨图像，那么计算机设备可以对标签数据进行矫正，以供后续使用标签数据做其他应用时检查差错。
关于采用人工智能分类网络对筛选医学图像进行分类的流程可以参见图1a所示。其中，图像的预处理可以为对筛选医学图像进行平滑、中值滤波处理、增强、去燥以及归一化等，输出的图像识别结果可以为部位编号，然后根据编号进行后处理和判断得到最终分类结果。
本实施例提供的医学图像的筛选方法，计算机设备首先从医学图像管理系统中获取满足预设条件的医学图像，然后从满足预设条件的医学图像中选择至少一个医学图像，并根据标签数据对至少一个医学图像进行筛选，得到筛选医学图像，最后采用人工智能分类网络对筛选医学图像进行分类操作，得到筛选医学图像的分类结果。由于该方法在根据标签数据得到筛选医学图像后，再利用人工智能分类网络对筛选医学图像进行分类操作，该分类操作是基于图像像素内容所进行的，得到的分类结果较准确，因此大大提高了医学图像的分类筛选结果。
可选的，在其中一些实施例中，在得到上述筛选医学图像的分类结果之后，计算机设备还可以对筛选医学图像进行检测，如图2所示，在上述实施例的基础上，该方法还包括：
S201，根据筛选医学图像的分类结果，确定与筛选医学图像的分类结果相对应的人工智能检测算法。
具体的，由于对不同的部位进行疾病检测需要不同的检测算法，例如利用肺结节筛查算法进行肺结节检测、利用脑出血分割算法进行出血点检测，那么计算机设备便可以根据筛选医学图像的分类结果，从人工智能检测算法中匹配该与分类结果相对应的人工智能检测算法，并同时调用匹配到的人工智能检测算法。
可选的，上述人工智能检测算法可以为卷积神经网络算法、循环神经网络算法、全卷积网络算法等，具体可以包括分类算法、分割算法、定位算法等。
S202，根据人工智能检测算法对筛选医学图像进行检测，得到检测结果。
具体的，当调用到与筛选医学图像的分类结果对应的人工智能检测算法后，计算机设备便利用该人工智能检测算法对该筛选医学图像进行检测，得到检测结果。可选的，人工智能检测算法可以利用一系列的卷积、反卷积、特征提取与映射、全连接等操作对筛选医学图像进行检测。
本实施例提供的医学图像的筛选方法，计算机设备可以根据筛选医学图像的分类结果，利用匹配到的人工智能检测算法对筛选医学图像进行检测，得到检测结果。由于上述得到的筛选医学图像的分类结果比较准确，因此也提高了匹配到的人工智能检测算法的准确度，为辅助医生进行疾病诊断提供了很大的便利。
可选的，在其中一些实施例中，上述满足预设条件的医学图像为至少一组断层图像，每组断层图像中包括同一部位的多层医学图像，那么从满足预设条件的医学图像中选择至少一个医学图像，包括：从每组断层图像中选择至少一层医学图像。可选的，至少一层医学图像可以为首/尾层图像、中间层图像或其他层图像的组合，只要通过选择的医学图像中可以得到筛选医学图像的分类结果即可，本实施例对此不做限制。
可选的，在其中一些实施例中，计算机设备获取到上述至少一层医学图像之后，可以根据标签数据中的身体部位数据、图像序列描述数据、图像检查描述数据、协议名称以及执行过程描述数据对任意一层医学图像进行筛选，得到筛选医学图像。
其中，身体部位数据为检查的身体部位，如头部、胸部、腹部、盆腔等；图像序列描述数据为每个序列的特征信息，如序列ID、序列种类、序列包含多少张图像等；图像检查描述数据为所执行的部位检查的详细描述，如头部出血点检查；协议名称为检查过程中所设置的协议参数，如层距、层厚等；执行过程描述数据为检查过程中依次执行的过程描述。本实施例中为提高得到的筛选医学图像的准确性，可以同时使用上述几种标签数据同时对至少一层医学图像进行筛选，并且为提高标签数据的识别度，可以同时兼容英文字母和中文汉字的识别，如CT肺结节应用中的标签数据可以包含(THORAX|CHEST|胸|LUNG)。
可选的，在其中一些实施例中，计算机设备获取到上述至少一层医学图像之后，还可以根据标签数据、断层图像的层数、断层图像的层厚、断层图像中目标对象的方位及断层图像的窗宽窗位对至少一层医学图像进行筛选，得到筛选医学图像。
具体的，计算机设备除了根据上述的标签数据对至少一层医学图像进行筛选之外，还可以同时根据断层图像的层数、断层图像的层厚、断层图像中目标对象的方位及断层图像的窗宽窗位对至少一层医学图像进行筛选。其中，如肺结节检测所需的最少层数为40层，脑部分割所需的最少层数为20层，因此对不满足最少层数的数据，计算机设备会先将其过滤；厚层数据和薄层数据对于不同的应用影响也不一样，对于有层厚限制的应用，计算机设备也会根据断层图像的层厚进行筛选；对于CT图像和MR图像，通常一个序列中目标对象的方位是相同的，但是有时会存在将定位片混淆在正常的序列中，此时计算机设备可以根据方位信息进行分组，再执行筛选步骤；再者，对于一些检测应用，如肺结节检测，其图像的窗宽窗位影响较大，肺窗重建数据优先考虑，则计算机设备还可以根据窗宽窗位对医学图像进行筛选。另一方面，由于医学成像设备的硬件故障或其他原因，还可能导致医学图像缺层的情况，对于此情况计算机设备可以将该组医学图像过滤或利用插值算法补充缺层数据。
本实施例提供的医学图像的筛选方法，计算机设备可以根据标签数据、断层图像的层数、断层图像的层厚、断层图像中目标对象的方位及断层图像的窗宽窗位对至少一层医学图像进行筛选，由此根据多种筛选条件对医学图像进行筛选，可以进一步提高筛选出的医学图像的准确性。
通常，上述使用的人工智能分类网络为训练收敛的网络模型，那么在使用之前，计算机设备还需对人工智能分类网络进行训练。可选的，在上述实施例的基础上，如图3所示，人工智能分类网络的训练方式可以包括：
S301，将训练样本图像输入初始人工智能分类网络进行分类操作，得到训练样本图像的预测分类编码。
具体的，训练样本图像中包括已进行标注的标注分类编码，相同的分类编码可以表示相似的部位结构或图像内容。计算机设备将训练样本图像输入初始人工智能分类网络后，可以得到训练样本图像的预测分类编码。可选的，该初始人工智能分类网络可以为新搭建的神经网络。
S302，计算训练样本图像的预测分类编码与训练样本图像的标注分类编码之间的损失，并根据损失对初始人工智能分类网络进行训练，得到人工智能分类网络。
具体的，计算机设备可以计算训练样本图像的预测分类编码与上述标注分类编码之间的损失，可选的，可以利用交叉熵损失函数计算两者之间的损失，也可以利用其它损失函数计算两者之间的损失。然后根据该损失调整初始人工智能分类网络中的网络参数，以此循环训练，直至得到收敛的人工智能分类网络。
本实施例提供的医学图像的筛选方法，计算机设备首先基于训练样本图像的标注分类编码对初始人工智能分类网络进行训练，以得到收敛的人工智能分类网络，由此训练得到的人工智能分类网络在对上述医学图像进行分类时具有较好的分类性能，进一步提高了筛选得到的医学图像的准确性。
应该理解的是，虽然图1-图3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1-图3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。
图4为一个实施例提供的医学图像的筛选装置的结构示意图。如图4所示，该装置包括：获取模块11、筛选模块12和分类模块13。
具体的，获取模块11，用于从医学图像管理系统中获取满足预设条件的医学图像，预设条件表征医学图像的生成时间、图像模式和图像数量中的一种或多种。
筛选模块12，用于从满足预设条件的医学图像中选择至少一个医学图像，并根据标签数据对至少一个医学图像进行筛选，得到筛选医学图像。
分类模块13，用于采用人工智能分类网络对筛选医学图像进行分类操作，得到筛选医学图像的分类结果。
本实施例提供的医学图像的筛选装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图5为另一个实施例提供的医学图像的筛选装置的结构示意图。在上述图4所示实施例的基础上，如图5所示，上述装置还包括：确定模块14和检测模块15。
具体的，确定模块14，用于根据筛选医学图像的分类结果，确定与筛选医学图像的分类结果相对应的人工智能检测算法。
检测模块15，用于根据人工智能检测算法对筛选医学图像进行检测，得到检测结果。
本实施例提供的医学图像的筛选装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，筛选医学图像的分类结果包括：部位名称、部位编码或部位结构信息中的一个或多个。
在其中一个实施例中，满足预设条件的医学图像为至少一组断层图像；上述筛选模块12，具体用于从每组断层图像中选择至少一层医学图像。
在其中一个实施例中，上述筛选模块12，具体用于根据标签数据中的身体部位数据、图像序列描述数据、图像检查描述数据、协议名称以及执行过程描述数据对至少一层医学图像进行筛选，得到筛选医学图像。
在其中一个实施例中，上述筛选模块12，具体用于根据标签数据、断层图像的层数、断层图像的层厚、断层图像中目标对象的方位及断层图像的窗宽窗位对至少一层医学图像进行筛选，得到筛选医学图像。
图6为又一个实施例提供的医学图像的筛选装置的结构示意图。在上述图4或图5所示实施例的基础上，如图6所示，上述装置还包括：预测模块16和训练模块17。
具体的，预测模块16，用于将训练样本图像输入初始人工智能分类网络进行分类操作，得到训练样本图像的预测分类编码。
训练模块17，用于计算训练样本图像的预测分类编码与训练样本图像的标注分类编码之间的损失，并根据损失对初始人工智能分类网络进行训练，得到人工智能分类网络。
本实施例提供的医学图像的筛选装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，上述人工智能分类网络为VGG卷积神经网络。
关于医学图像的筛选装置的具体限定可以参见上文中对于医学图像的筛选方法的限定，在此不再赘述。上述医学图像的筛选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终端，其内部结构图可以如图7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、显示屏和输入装置。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医学图像的筛选方法。该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，该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7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：
从医学图像管理系统中获取满足预设条件的医学图像，预设条件表征医学图像的生成时间、图像模式和图像数量中的一种或多种；
从满足预设条件的医学图像中选择至少一个医学图像，并根据标签数据对至少一个医学图像进行筛选，得到筛选医学图像；
采用人工智能分类网络对筛选医学图像进行分类操作，得到筛选医学图像的分类结果。
本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
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：
根据筛选医学图像的分类结果，确定与筛选医学图像的分类结果相对应的人工智能检测算法；
根据人工智能检测算法对筛选医学图像进行检测，得到检测结果。
在一个实施例中，筛选医学图像的分类结果包括：部位名称、部位编码或部位结构信息中的一个或多个。
在一个实施例中，满足预设条件的医学图像为至少一组断层图像；处理器执行计算机程序时还实现以下步骤：
从每组断层图像中选择至少一层医学图像。
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：
根标签数据中的身体部位数据、图像序列描述数据、图像检查描述数据、协议名称以及执行过程描述数据对至少一层医学图像进行筛选，得到筛选医学图像。
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：
根据标签数据、断层图像的层数、断层图像的层厚、断层图像中目标对象的方位及断层图像的窗宽窗位对至少一层医学图像进行筛选，得到筛选医学图像。
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：
将训练样本图像输入初始人工智能分类网络进行分类操作，得到训练样本图像的预测分类编码；
计算训练样本图像的预测分类编码与训练样本图像的标注分类编码之间的损失，并根据损失对初始人工智能分类网络进行训练，得到人工智能分类网络。
在一个实施例中，上述人工智能分类网络为VGG卷积神经网络。
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：
从医学图像管理系统中获取满足预设条件的医学图像，预设条件表征医学图像的生成时间、图像模式和图像数量中的一种或多种；
从满足预设条件的医学图像中选择至少一个医学图像，并根据标签数据对至少一个医学图像进行筛选，得到筛选医学图像；
采用人工智能分类网络对筛选医学图像进行分类操作，得到筛选医学图像的分类结果。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
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：
根据筛选医学图像的分类结果，确定与筛选医学图像的分类结果相对应的人工智能检测算法；
根据人工智能检测算法对筛选医学图像进行检测，得到检测结果。
在一个实施例中，筛选医学图像的分类结果包括：部位名称、部位编码或部位结构信息中的一个或多个。
在一个实施例中，满足预设条件的医学图像为至少一组断层图像；计算机程序被处理器执行时还实现以下步骤：
从每组断层图像中选择至少一层医学图像。
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：
根标签数据中的身体部位数据、图像序列描述数据、图像检查描述数据、协议名称以及执行过程描述数据对至少一层医学图像进行筛选，得到筛选医学图像。
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：
根据标签数据、断层图像的层数、断层图像的层厚、断层图像中目标对象的方位及断层图像的窗宽窗位对至少一层医学图像进行筛选，得到筛选医学图像。
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：
将训练样本图像输入初始人工智能分类网络进行分类操作，得到训练样本图像的预测分类编码；
计算训练样本图像的预测分类编码与训练样本图像的标注分类编码之间的损失，并根据损失对初始人工智能分类网络进行训练，得到人工智能分类网络。
在一个实施例中，上述人工智能分类网络为VGG卷积神经网络。
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)
1.一种医学图像的筛选方法，其特征在于，包括：
从医学图像管理系统中获取满足预设条件的医学图像，所述预设条件表征所述医学图像的生成时间、图像模式和图像数量中的一种或多种；
从所述满足预设条件的医学图像中选择至少一个医学图像，并根据标签数据对所述至少一个医学图像进行筛选，得到筛选医学图像；
采用人工智能分类网络对所述筛选医学图像进行分类操作，得到所述筛选医学图像的分类结果，所述分类结果包括部位名称、部位编码或部位结构信息中的一个或多个。
2.根据权利要求1所述的方法，其特征在于，在得到所述筛选医学图像的分类结果之后，所述方法还包括：
根据所述筛选医学图像的分类结果，确定与所述筛选医学图像的分类结果相对应的人工智能检测算法；
根据所述人工智能检测算法对所述筛选医学图像进行检测，得到检测结果。
3.根据权利要求1所述的方法，其特征在于，所述满足预设条件的医学图像为至少一组断层图像；
所述从所述满足预设条件的医学图像中选择至少一个医学图像，包括：
从每组断层图像中选择至少一层医学图像。
4.根据权利要求3所述的方法，其特征在于，所述根据标签数据对所述至少一个医学图像进行筛选，得到筛选医学图像，包括：
根据所述标签数据中的身体部位数据、图像序列描述数据、图像检查描述数据、协议名称以及执行过程描述数据对所述至少一层医学图像进行筛选，得到所述筛选医学图像。
5.根据权利要求3所述的方法，其特征在于，所述根据标签数据对所述至少一个医学图像进行筛选，得到筛选医学图像，包括：
根据所述标签数据、所述断层图像的层数、所述断层图像的层厚、所述断层图像中目标对象的方位及所述断层图像的窗宽窗位对所述至少一层医学图像进行筛选，得到所述筛选医学图像。
6.根据权利要求1所述的方法，其特征在于，所述人工智能分类网络的训练方式包括：
将训练样本图像输入初始人工智能分类网络进行分类操作，得到所述训练样本图像的预测分类编码；
计算所述训练样本图像的预测分类编码与所述训练样本图像的标注分类编码之间的损失，并根据所述损失对所述初始人工智能分类网络进行训练，得到所述人工智能分类网络。
7.根据权利要求1所述的方法，其特征在于，所述人工智能分类网络为VGG卷积神经网络。
8.根据权利要求1-7任一项所述的方法，其特征在于，所述方法还包括：
根据所述筛选医学图像的分类结果，对所述筛选医学图像的标签数据进行校正。
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1-8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1-8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910806591.4A CN110600107B (zh) | 2019-08-29 | 2019-08-29 | 医学图像的筛选方法、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910806591.4A CN110600107B (zh) | 2019-08-29 | 2019-08-29 | 医学图像的筛选方法、计算机设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110600107A CN110600107A (zh) | 2019-12-20 |
| CN110600107B true CN110600107B (zh) | 2022-07-26 |
Family
ID=68856201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910806591.4A Active CN110600107B (zh) | 2019-08-29 | 2019-08-29 | 医学图像的筛选方法、计算机设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110600107B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111415726A (zh) * | 2020-03-13 | 2020-07-14 | 远影医疗信息科技（北京）有限公司 | 医疗数据信息数字影像数据云存储方法 |
| CN111612863A (zh) * | 2020-04-26 | 2020-09-01 | 数坤（北京）网络科技有限公司 | 一种cta影像处理方法、装置及存储介质 |
| CN112017763B (zh) * | 2020-09-03 | 2023-02-03 | 深圳平安智慧医健科技有限公司 | 医疗影像数据传输方法、装置、设备及介质 |
| CN113096775A (zh) * | 2021-03-26 | 2021-07-09 | 上海联影医疗科技股份有限公司 | 图像保存方法、装置、计算机设备和存储介质 |
| CN114782321B (zh) * | 2022-03-24 | 2022-12-06 | 北京医准智能科技有限公司 | 胸部ct影像选择方法、装置、设备及存储介质 |
| CN116434919A (zh) * | 2023-04-27 | 2023-07-14 | 富士胶片（中国）投资有限公司 | 采集医学影像的方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术（北京）有限公司 | 用于分析医学影像的方法和装置 |
| 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 |
| CN108960260A (zh) * | 2018-07-12 | 2018-12-07 | 东软集团股份有限公司 | 一种分类模型生成方法、医学影像图像分类方法及装置 |
| 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 |
| CN109949288A (zh) * | 2019-03-15 | 2019-06-28 | 上海联影智能医疗科技有限公司 | 肿瘤类型确定系统、方法及存储介质 |
-
2019
- 2019-08-29 CN CN201910806591.4A patent/CN110600107B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术（北京）有限公司 | 用于分析医学影像的方法和装置 |
| CN108960260A (zh) * | 2018-07-12 | 2018-12-07 | 东软集团股份有限公司 | 一种分类模型生成方法、医学影像图像分类方法及装置 |
| 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 |
| CN109949288A (zh) * | 2019-03-15 | 2019-06-28 | 上海联影智能医疗科技有限公司 | 肿瘤类型确定系统、方法及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110600107A (zh) | 2019-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110600107B (zh) | 医学图像的筛选方法、计算机设备及可读存储介质 | |
| CN110121749B (zh) | 用于图像采集的深度学习医疗系统和方法 | |
| US20210158531A1 (en) | Patient Management Based On Anatomic Measurements | |
| KR101818074B1 (ko) | 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템 | |
| CN109754447B (zh) | 图像生成方法、装置、设备和存储介质 | |
| CN111160367B (zh) | 图像分类方法、装置、计算机设备和可读存储介质 | |
| US10304198B2 (en) | Automatic medical image retrieval | |
| CN107004043B (zh) | 优化检测和标记感兴趣解剖结构的系统和方法 | |
| CN111161270A (zh) | 医学影像的血管分割方法、计算机设备和可读存储介质 | |
| EP3611699A1 (en) | Image segmentation using deep learning techniques | |
| US20170372497A1 (en) | Systems and methods for translation of medical imaging using machine learning | |
| US11170499B2 (en) | Method and device for the automated evaluation of at least one image data record recorded with a medical image recording device, computer program and electronically readable data carrier | |
| JP6460636B2 (ja) | 読影レポート作成装置、読影レポート作成システムおよび読影レポート作成プログラム | |
| US11327773B2 (en) | Anatomy-aware adaptation of graphical user interface | |
| JP7101809B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| US20210217166A1 (en) | Automated screening of medical data | |
| CN111080583B (zh) | 医学图像检测方法、计算机设备和可读存储介质 | |
| JP2023503610A (ja) | 医療スキャン映像の相互位置合わせおよびそれとともに使用する方法 | |
| CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
| CN110490841B (zh) | 计算机辅助影像分析方法、计算机设备和存储介质 | |
| CN111128348A (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| JP7170000B2 (ja) | 学習システム、方法及びプログラム | |
| US20190198159A1 (en) | Method and system for validating parameters in a medical study | |
| CN113989110A (zh) | 肺部图像配准方法、装置、计算机设备和存储介质 | |
| WO2021112141A1 (ja) | 文書作成支援装置、方法およびプログラム |
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 |