CN110675464A - 一种医疗影像的处理方法、装置、服务器及存储介质 - Google Patents
一种医疗影像的处理方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN110675464A CN110675464A CN201910897614.7A CN201910897614A CN110675464A CN 110675464 A CN110675464 A CN 110675464A CN 201910897614 A CN201910897614 A CN 201910897614A CN 110675464 A CN110675464 A CN 110675464A
- Authority
- CN
- China
- Prior art keywords
- medical image
- region
- image
- medical
- interest
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000013508 migration Methods 0.000 claims description 8
- 230000005012 migration Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 230000003902 lesion Effects 0.000 description 11
- 238000009877 rendering Methods 0.000 description 10
- 238000003709 image segmentation Methods 0.000 description 6
- 230000000877 morphologic effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007630 basic procedure Methods 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种医疗影像的处理方法、装置、服务器及存储介质,所述方法包括:获取医疗影像设备输出的扫描数据;在云端根据所述扫描数据重建原始医疗影像;通过分割模型,获得所述原始医疗影像中的感兴趣区域及对应的区域轮廓;通过识别模型,对所述感兴趣区域进行识别,获得感兴趣区域的指示信息;将所述感兴趣区域的指示信息、及区域轮廓的图像,融合至所述原始医疗影像,得到目标医疗影像。本发明能够提高医疗影像的重建效率,并能够准确地筛选感兴趣区域和标注指示,提高医疗诊断效率。
Description
技术领域
本发明涉及医疗技术领域,尤其涉及一种医疗影像的处理方法、装置、服务器及存储介质。
背景技术
目前,医疗设备是指单独或者组合使用于用户的仪器、器具、材料或者其他物品,也包括所需要的软件。而医疗影像设备则是通过扫描用户等方式来获得医疗影像的医疗设备。
现在的医疗影像设备,以计算机断层扫描仪(CT)为例,仅仅由本机提供医疗影像的重建及存储,重建效率抵下。
随着计算机技术的发展,计算机技术逐渐应用于医疗影像分析,以辅助医生进行医疗诊断。这样,医生可以根据输出结果,进行进一步地诊断分析,进而制定相应的治疗方案,这提高了医疗诊断的精确度和效率。
现有技术下,关于医疗影像中病变区域的识别及筛选误差较大,仍需要依赖大量的专业技术人员进行识别。
发明内容
本发明所要解决的技术问题在于,提供一种医疗影像的处理方法、装置、服务器及存储介质,能够提高医疗影像的重建效率,并能够准确地筛选感兴趣区域和标注指示,提高医疗诊断效率。
本发明一实施例提供一种医疗影像的处理方法,包括:
获取医疗影像设备输出的扫描数据;
在云端根据所述扫描数据重建原始医疗影像;
通过分割模型,获得所述原始医疗影像中的感兴趣区域及对应的区域轮廓;
通过识别模型,对所述感兴趣区域进行识别,获得感兴趣区域的指示信息;
将所述感兴趣区域的指示信息、及区域轮廓的图像,融合至所述原始医疗影像,得到目标医疗影像。
其中,所述扫描数据为医学影像设备输出的二维切片图像序列。
其中,所述在云端根据所述扫描数据重建原始医疗影像,为将医学影像设备输出的二维切片图像序列重新组合重建为三维图像模型。
其中,所述分割模型是基于卷积神经网络训练获得的;
其中,在对所述分割模型进行训练的过程中,依次通过自然图像样本和普通医疗影像样本对所述分割模型进行权重初始化,并通过标注了感兴趣区域的区域轮廓的医疗影像样本,对权重初始化后的分割模型进行迁移学习。
其中,所述识别模型是基于深度神经网络或卷积神经网络训练获得的;
其中,在对所述识别模型进行训练的过程中,依次通过包含图像分类信息的分类图像样本和普通医疗影像样本对所述识别模型进行权重初始化,并通过标注了感兴趣区域的指示信息的医疗影像样本,对权重初始化后的识别模型进行迁移学习。
其中,在云端根据所述扫描数据重建原始医疗影像之后,还包括:
对所述原始医疗影像进行归一化、二值化操作、形态学开操作、直方图均衡处理以及双边滤波中的任意一种或任意组合方式处理。
本发明一实施例还提供一种医疗影像的处理装置,包括:
数据获取单元,用于获取医疗影像设备输出的扫描数据;
影像重建单元,用于在云端根据所述扫描数据重建原始医疗影像;
分割单元,用于通过分割模型,获得所述原始医疗影像中的感兴趣区域及对应的区域轮廓;
识别单元,用于通过识别模型,对所述感兴趣区域进行识别,获得感兴趣区域的指示信息;
融合单元,用于将所述感兴趣区域的指示信息、及区域轮廓的图像,融合至所述原始医疗影像,得到目标医疗影像。
本发明一实施例还提供一种医疗影像的处理服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述的医疗影像的处理方法。
本发明一实施例还提供一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行如上述的医疗影像的处理方法。
根据上述实施例的教导,本发明通过脱离医疗影像设备在云端重建医疗影像,能够提高医疗影像的重建效率,并能够准确地筛选感兴趣区域和标注指示,提高医疗诊断效率。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式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方式,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是本发明一实施例提供的医疗影像的处理方法的流程示意图;
图2是本发明一优选实施例提供的医疗影像的处理方法的流程示意图;
图3是本发明一实施例提供的医疗影像的处理装置的结构示意图;
图4是本发明一优选实施例提供的医疗影像的处理装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,本发明一实施例提供一种医疗影像的处理方法,包括:
S100、获取医疗影像设备输出的扫描数据。
其中,所述扫描数据为医学影像设备输出的二维切片图像序列。
S200、在云端根据所述扫描数据重建原始医疗影像。
其中,所述在云端根据所述扫描数据重建原始医疗影像,为将医学影像设备输出的二维切片图像序列重新组合重建为三维图像模型。
在具体的实施例当中,
重建为三维图像模型的基本流程:
获得和封装体数据、模型的建立、映射体数据、三维图形绘制。
体数据分类(根据三维空间上每个数据点之间的相互关系):结构化体数据、非结构化体数据、结构化和非结构化混合型体数据。
a.面绘制:表面重建,即从医学影像设备输出的切片数据集构造出三维数据,然后在三维数据中抽取出等值面,然后进行三角剖分,获得三角形面片,再用图形学中的图元绘制技术将三角形面片绘制出来实现表面绘制。
根据用户需要提取的目标物体的属性设定一个特定的阈值,从体数据中提取到与该阈值相同的数据点,并根据三角剖分分为若干个三角面片集,在利用图形学中基本的三角形图元的绘制方法对三角面片进行渲染,形成三维图像。
常用的面绘制算法有:移动立方体算法,剖分立方体算法,立方体算法。
b.体绘制:将体数据中的“体素”作为基本的绘制单位。把体数据中的每个体素看成是可以接收或发出光线的点,选择光照模型,对体素进行分类并根据其实际的介质属性分配不同的颜色和不透明度,并沿着视线观察的方向进行合成,在视点所在的位置形成具有一定颜色和透明度的三维投射图像。
常用的体绘制算法有:光线投射算法、错切变形法、和基于硬件的3D纹理映射算法。
S300、通过分割模型,获得所述原始医疗影像中的感兴趣区域及对应的区域轮廓。
其中,所述分割模型是基于卷积神经网络训练获得的;
在对所述分割模型进行训练的过程中,依次通过自然图像样本和普通医疗影像样本对所述分割模型进行权重初始化,并通过标注了感兴趣区域的区域轮廓的医疗影像样本,对权重初始化后的分割模型进行迁移学习。
在具体的实施例当中,医学图像分割是医学图像处理与分析领域的复杂而关键的步骤,其目的是将医学图像中具有某些特殊含义的部分分割出来,并提取相关特征,为临床诊疗和病理学研究提供可靠的依据,辅助医生做出更为准确的诊断。图像分割过程是把图像分割成多个区域,这些区域内部有类似的性质,如灰度、颜色、纹理、亮度、对比度等。
所指的感兴趣区域为病变区域,为从原始医疗影像中分割出的包含病变部分以及部分背景的区域块,病变区域块通常为矩形。病变轮廓为:从原始医疗影像中提取的病变的轮廓(如,肿块的形状),通常为封闭的多边形。
图像分割常用的一些方法有:基于阈值、基于区域、基于形变模型、基于模糊及基于神经网络。
S400、通过识别模型,对所述感兴趣区域进行识别,获得感兴趣区域的指示信息。
其中,所述识别模型是基于深度神经网络或卷积神经网络训练获得的;
在对所述识别模型进行训练的过程中,依次通过包含图像分类信息的分类图像样本和普通医疗影像样本对所述识别模型进行权重初始化,并通过标注了感兴趣区域的指示信息的医疗影像样本,对权重初始化后的识别模型进行迁移学习。
S500、将所述感兴趣区域的指示信息、及区域轮廓的图像,融合至所述原始医疗影像,得到目标医疗影像。
请参阅图2,在一优选实施例当中,在云端根据所述扫描数据重建原始医疗影像之后,还包括:
S210、对所述原始医疗影像进行归一化、二值化操作、形态学开操作、直方图均衡处理以及双边滤波中的任意一种或任意组合方式处理。
二值化操作:按图像的灰度特性,将图像分成背景和前景两部分。
形态学操作:包括形态学开操作和形态学关操作。形态学开操作和形态学关操作就是把腐蚀和膨胀结合起来,先腐蚀后膨胀就是开,膨胀后腐蚀就是关。形态学开操作一般使对象的轮廓变得光滑,断开狭窄的间断和消除细的突出物。形态学关操作可以去掉目标内的孔。
其中,针对二值化的图像来说,膨胀是指将把二值化的图像中的各1像素连接成分的边界扩大一层(填充边缘或0像素内部的孔)。腐蚀是指把二值化的图像中的各1像素连接成分的边界点去掉从而缩小一层(可提取骨干信息,去掉毛刺,去掉孤立的0像素)。
直方图均衡处理:是图像处理领域中利用图像直方图将对比度进行调整的方法。又称直方图平坦化,实质上是对图像进行非线性拉伸,重新分配图像象元值,使一定灰度范围内象元值的数量大致相等。直方图是表示数字图像中每一灰度出现频率的统计关系。
双边滤波处理:是采用加权平均的方法,用周边像素亮度值的加权平均代表某个像素的强度,是一种非线性的滤波方法,是结合图像的空间邻近度和像素值相似度的一种折衷处理,同时考虑空域信息和灰度相似性,达到保边去噪的目的。
根据上述实施例的教导,本发明通过脱离医疗影像设备在云端重建医疗影像,能够提高医疗影像的重建效率,并能够准确地筛选感兴趣区域和标注指示,提高医疗诊断效率。
请参阅图3,本发明一实施例还提供一种医疗影像的处理装置,包括:
数据获取单元10,用于获取医疗影像设备输出的扫描数据。
其中,所述扫描数据为医学影像设备输出的二维切片图像序列。
影像重建单元20,用于在云端根据所述扫描数据重建原始医疗影像。
其中,所述在云端根据所述扫描数据重建原始医疗影像,为将医学影像设备输出的二维切片图像序列重新组合重建为三维图像模型。
在具体的实施例当中,
重建为三维图像模型的基本流程:
获得和封装体数据、模型的建立、映射体数据、三维图形绘制。
体数据分类(根据三维空间上每个数据点之间的相互关系):结构化体数据、非结构化体数据、结构化和非结构化混合型体数据。
a.面绘制:表面重建,即从医学影像设备输出的切片数据集构造出三维数据,然后在三维数据中抽取出等值面,然后进行三角剖分,获得三角形面片,再用图形学中的图元绘制技术将三角形面片绘制出来实现表面绘制。
根据用户需要提取的目标物体的属性设定一个特定的阈值,从体数据中提取到与该阈值相同的数据点,并根据三角剖分分为若干个三角面片集,在利用图形学中基本的三角形图元的绘制方法对三角面片进行渲染,形成三维图像。
常用的面绘制算法有:移动立方体算法,剖分立方体算法,立方体算法。
b.体绘制:将体数据中的“体素”作为基本的绘制单位。把体数据中的每个体素看成是可以接收或发出光线的点,选择光照模型,对体素进行分类并根据其实际的介质属性分配不同的颜色和不透明度,并沿着视线观察的方向进行合成,在视点所在的位置形成具有一定颜色和透明度的三维投射图像。
常用的体绘制算法有:光线投射算法、错切变形法、和基于硬件的3D纹理映射算法。
分割单元30,用于通过分割模型,获得所述原始医疗影像中的感兴趣区域及对应的区域轮廓。
其中,所述分割模型是基于卷积神经网络训练获得的;
在对所述分割模型进行训练的过程中,依次通过自然图像样本和普通医疗影像样本对所述分割模型进行权重初始化,并通过标注了感兴趣区域的区域轮廓的医疗影像样本,对权重初始化后的分割模型进行迁移学习。
在具体的实施例当中,医学图像分割是医学图像处理与分析领域的复杂而关键的步骤,其目的是将医学图像中具有某些特殊含义的部分分割出来,并提取相关特征,为临床诊疗和病理学研究提供可靠的依据,辅助医生做出更为准确的诊断。图像分割过程是把图像分割成多个区域,这些区域内部有类似的性质,如灰度、颜色、纹理、亮度、对比度等。
所指的感兴趣区域为病变区域,为从原始医疗影像中分割出的包含病变部分以及部分背景的区域块,病变区域块通常为矩形。病变轮廓为:从原始医疗影像中提取的病变的轮廓(如,肿块的形状),通常为封闭的多边形。
图像分割常用的一些方法有:基于阈值、基于区域、基于形变模型、基于模糊及基于神经网络。
识别单元40,用于通过识别模型,对所述感兴趣区域进行识别,获得感兴趣区域的指示信息。
其中,所述识别模型是基于深度神经网络或卷积神经网络训练获得的;
在对所述识别模型进行训练的过程中,依次通过包含图像分类信息的分类图像样本和普通医疗影像样本对所述识别模型进行权重初始化,并通过标注了感兴趣区域的指示信息的医疗影像样本,对权重初始化后的识别模型进行迁移学习。
融合单元50,用于将所述感兴趣区域的指示信息、及区域轮廓的图像,融合至所述原始医疗影像,得到目标医疗影像。
请参阅图4,在一优选实施例当中,所述医疗影像的处理装置,还包括:
预处理单元60,用于对所述原始医疗影像进行归一化、二值化操作、形态学开操作、直方图均衡处理以及双边滤波中的任意一种或任意组合方式处理。
根据上述实施例的教导,本发明通过脱离医疗影像设备在云端重建医疗影像,能够提高医疗影像的重建效率,并能够准确地筛选感兴趣区域和标注指示,提高医疗诊断效率。
本发明一实施例还提供一种医疗影像的处理服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述的医疗影像的处理方法。
本发明一实施例还提供一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行如上述的医疗影像的处理方法。
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,所述的程序可存储于一计算机可监听存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种医疗影像的处理方法,其特征在于,包括:
获取医疗影像设备输出的扫描数据;
在云端根据所述扫描数据重建原始医疗影像;
通过分割模型,获得所述原始医疗影像中的感兴趣区域及对应的区域轮廓;
通过识别模型,对所述感兴趣区域进行识别,获得感兴趣区域的指示信息;
将所述感兴趣区域的指示信息、及区域轮廓的图像,融合至所述原始医疗影像,得到目标医疗影像。
2.根据权利要求1所述的医疗影像的处理方法,其特征在于,所述扫描数据为医学影像设备输出的二维切片图像序列。
3.根据权利要求2所述的医疗影像的处理方法,其特征在于,所述在云端根据所述扫描数据重建原始医疗影像,为将医学影像设备输出的二维切片图像序列重新组合重建为三维图像模型。
4.根据权利要求1所述的医疗影像的处理方法,其特征在于,所述分割模型是基于卷积神经网络训练获得的;
其中,在对所述分割模型进行训练的过程中,依次通过自然图像样本和普通医疗影像样本对所述分割模型进行权重初始化,并通过标注了感兴趣区域的区域轮廓的医疗影像样本,对权重初始化后的分割模型进行迁移学习。
5.根据权利要求1所述的医疗影像的处理方法,其特征在于,所述识别模型是基于深度神经网络或卷积神经网络训练获得的;
其中,在对所述识别模型进行训练的过程中,依次通过包含图像分类信息的分类图像样本和普通医疗影像样本对所述识别模型进行权重初始化,并通过标注了感兴趣区域的指示信息的医疗影像样本,对权重初始化后的识别模型进行迁移学习。
6.根据权利要求1所述的医疗影像的处理方法,其特征在于,在云端根据所述扫描数据重建原始医疗影像之后,还包括:
对所述原始医疗影像进行归一化、二值化操作、形态学开操作、直方图均衡处理以及双边滤波中的任意一种或任意组合方式处理。
7.一种医疗影像的处理装置,其特征在于,包括:
数据获取单元,用于获取医疗影像设备输出的扫描数据;
影像重建单元,用于在云端根据所述扫描数据重建原始医疗影像;
分割单元,用于通过分割模型,获得所述原始医疗影像中的感兴趣区域及对应的区域轮廓;
识别单元,用于通过识别模型,对所述感兴趣区域进行识别,获得感兴趣区域的指示信息;
融合单元,用于将所述感兴趣区域的指示信息、及区域轮廓的图像,融合至所述原始医疗影像,得到目标医疗影像。
8.一种医疗影像的处理服务器,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至6任一项所述的医疗影像的处理方法。
9.一种存储介质,其特征在于,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至6任一项所述的医疗影像的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910897614.7A CN110675464A (zh) | 2019-09-20 | 2019-09-20 | 一种医疗影像的处理方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910897614.7A CN110675464A (zh) | 2019-09-20 | 2019-09-20 | 一种医疗影像的处理方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110675464A true CN110675464A (zh) | 2020-01-10 |
Family
ID=69077160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910897614.7A Pending CN110675464A (zh) | 2019-09-20 | 2019-09-20 | 一种医疗影像的处理方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675464A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311705A (zh) * | 2020-02-14 | 2020-06-19 | 广州柏视医疗科技有限公司 | 基于webgl的高适应性医学影像多平面重建方法及系统 |
CN111402406A (zh) * | 2020-03-23 | 2020-07-10 | 南京景三医疗科技有限公司 | 血管三维重建方法、装置及医疗设备 |
CN111462115A (zh) * | 2020-04-27 | 2020-07-28 | 上海联影医疗科技有限公司 | 医学图像显示方法、装置和计算机设备 |
CN112330822A (zh) * | 2020-11-04 | 2021-02-05 | 复旦大学附属中山医院 | 实时三维心脏图像自动靶目标区域追踪识别系统 |
CN112541907A (zh) * | 2020-12-17 | 2021-03-23 | 推想医疗科技股份有限公司 | 一种图像识别方法、装置、服务器及介质 |
CN113129418A (zh) * | 2021-03-02 | 2021-07-16 | 武汉联影智融医疗科技有限公司 | 基于三维影像的目标表面重建方法、装置、设备和介质 |
CN114219792A (zh) * | 2021-12-17 | 2022-03-22 | 深圳市铱硙医疗科技有限公司 | 一种颅脑穿刺前影像处理方法与系统 |
CN114266856A (zh) * | 2021-10-08 | 2022-04-01 | 上海应用技术大学 | 一种便携式ct可视化设备 |
CN114649083A (zh) * | 2022-03-25 | 2022-06-21 | 上海联影医疗科技股份有限公司 | 一种三维模型处理方法、系统、装置及存储介质 |
CN117059235A (zh) * | 2023-08-17 | 2023-11-14 | 经智信息科技(山东)有限公司 | 一种ct图像的自动渲染方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934841A (zh) * | 2017-03-07 | 2017-07-07 | 上海联影医疗科技有限公司 | 生成彩色医学影像的方法及医学系统 |
CN108038904A (zh) * | 2017-12-20 | 2018-05-15 | 四川纵横睿影医疗技术有限公司 | 医学影像三维重建系统 |
CN108182726A (zh) * | 2017-12-29 | 2018-06-19 | 努比亚技术有限公司 | 三维重建方法、云端服务器及计算机可读存储介质 |
US20180350075A1 (en) * | 2017-06-01 | 2018-12-06 | Siemens Healthcare Gmbh | Comparing medical images |
CN110033456A (zh) * | 2019-03-07 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 一种医疗影像的处理方法、装置、设备和系统 |
-
2019
- 2019-09-20 CN CN201910897614.7A patent/CN110675464A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934841A (zh) * | 2017-03-07 | 2017-07-07 | 上海联影医疗科技有限公司 | 生成彩色医学影像的方法及医学系统 |
US20180350075A1 (en) * | 2017-06-01 | 2018-12-06 | Siemens Healthcare Gmbh | Comparing medical images |
CN108038904A (zh) * | 2017-12-20 | 2018-05-15 | 四川纵横睿影医疗技术有限公司 | 医学影像三维重建系统 |
CN108182726A (zh) * | 2017-12-29 | 2018-06-19 | 努比亚技术有限公司 | 三维重建方法、云端服务器及计算机可读存储介质 |
CN110033456A (zh) * | 2019-03-07 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 一种医疗影像的处理方法、装置、设备和系统 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311705A (zh) * | 2020-02-14 | 2020-06-19 | 广州柏视医疗科技有限公司 | 基于webgl的高适应性医学影像多平面重建方法及系统 |
CN111311705B (zh) * | 2020-02-14 | 2021-06-04 | 广州柏视医疗科技有限公司 | 基于webgl的高适应性医学影像多平面重建方法及系统 |
CN111402406A (zh) * | 2020-03-23 | 2020-07-10 | 南京景三医疗科技有限公司 | 血管三维重建方法、装置及医疗设备 |
CN111462115A (zh) * | 2020-04-27 | 2020-07-28 | 上海联影医疗科技有限公司 | 医学图像显示方法、装置和计算机设备 |
CN112330822A (zh) * | 2020-11-04 | 2021-02-05 | 复旦大学附属中山医院 | 实时三维心脏图像自动靶目标区域追踪识别系统 |
CN112541907A (zh) * | 2020-12-17 | 2021-03-23 | 推想医疗科技股份有限公司 | 一种图像识别方法、装置、服务器及介质 |
CN113129418A (zh) * | 2021-03-02 | 2021-07-16 | 武汉联影智融医疗科技有限公司 | 基于三维影像的目标表面重建方法、装置、设备和介质 |
CN114266856A (zh) * | 2021-10-08 | 2022-04-01 | 上海应用技术大学 | 一种便携式ct可视化设备 |
CN114219792A (zh) * | 2021-12-17 | 2022-03-22 | 深圳市铱硙医疗科技有限公司 | 一种颅脑穿刺前影像处理方法与系统 |
CN114219792B (zh) * | 2021-12-17 | 2022-08-16 | 深圳市铱硙医疗科技有限公司 | 一种颅脑穿刺前影像处理方法与系统 |
CN114649083A (zh) * | 2022-03-25 | 2022-06-21 | 上海联影医疗科技股份有限公司 | 一种三维模型处理方法、系统、装置及存储介质 |
CN117059235A (zh) * | 2023-08-17 | 2023-11-14 | 经智信息科技(山东)有限公司 | 一种ct图像的自动渲染方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675464A (zh) | 一种医疗影像的处理方法、装置、服务器及存储介质 | |
US11776216B2 (en) | System and method for extracting a region of interest from volume data | |
Sluimer et al. | Toward automated segmentation of the pathological lung in CT | |
CN110050281B (zh) | 学习图像中的对象的注释 | |
Sun et al. | Automated 3-D segmentation of lungs with lung cancer in CT data using a novel robust active shape model approach | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
Ma et al. | Two graph theory based methods for identifying the pectoral muscle in mammograms | |
US20040175034A1 (en) | Method for segmentation of digital images | |
CN110992377B (zh) | 图像分割方法、装置、计算机可读存储介质和设备 | |
EP2869261B1 (en) | Method for processing image data representing a three-dimensional volume | |
US20090252429A1 (en) | System and method for displaying results of an image processing system that has multiple results to allow selection for subsequent image processing | |
WO2006024974A1 (en) | Feature weighted medical object contouring using distance coordinates | |
JP2005518893A (ja) | 非管理データセグメンテーション | |
Zimmerman-Moreno et al. | Automatic detection of specular reflections in uterine cervix images | |
EP1755457A1 (en) | Nodule detection | |
CN111462115B (zh) | 医学图像显示方法、装置和计算机设备 | |
CN110517273B (zh) | 基于动态梯度阈值的细胞学图像分割方法 | |
Russ | Image analysis of foods | |
Kronman et al. | A geometric method for the detection and correction of segmentation leaks of anatomical structures in volumetric medical images | |
CN106780718A (zh) | 一种古生物化石的三维重建方法 | |
Soni et al. | CT scan based brain tumor recognition and extraction using Prewitt and morphological dilation | |
Gómez et al. | A comparative study of automatic thresholding approaches for 3D x‐ray microtomography of trabecular bone | |
CN117274278A (zh) | 基于模拟感受野的视网膜图像病灶部位分割方法及系统 | |
Khan et al. | Segmentation of single and overlapping leaves by extracting appropriate contours | |
Staal et al. | Automatic rib segmentation in CT data |
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: 20200110 |
|
RJ01 | Rejection of invention patent application after publication |