CN110889836A - 一种影像数据分析方法、装置、终端设备及存储介质 - Google Patents
一种影像数据分析方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN110889836A CN110889836A CN201911155554.8A CN201911155554A CN110889836A CN 110889836 A CN110889836 A CN 110889836A CN 201911155554 A CN201911155554 A CN 201911155554A CN 110889836 A CN110889836 A CN 110889836A
- Authority
- CN
- China
- Prior art keywords
- image data
- model
- normalized
- digital
- digital features
- 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
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
Abstract
本发明公开了一种影像数据分析方法、装置、终端设备及存储介质,该方法包括:获取影像数据;对所述影像数据进行预处理,得到对应所述影像数据的数字特征;将所述数字特征输入训练后的确定模型,确定所述影像数据对应的分析结果。该方法有效的对影像数据进行分析,提升确定影像数据的分析结果的效率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种影像数据分析方法、装置、终端设备及存储介质。
背景技术
随着科技的发展,越来越多的医用设备投入使用,如磁共振设备。磁共振设备是利用核磁共振现象制成的一类用于医学检查的成像设备。磁共振设备的成像是断层成像的一种,它利用磁共振现象从人体中获得电磁信号,并重建出人体信息。
然而,目前仅能通过临床医生依据经验对医用设备的成像进行查看,并确定对应的分析结果,分析效率较低。
发明内容
本发明提供的一种影像数据分析方法、装置、终端设备及存储介质,有效的对影像数据进行分析,提升确定影像数据的分析结果的效率。
第一方面,本发明实施例提供了一种影像数据分析方法,包括:
获取影像数据;
对所述影像数据进行预处理,得到对应所述影像数据的数字特征;
将所述数字特征输入训练后的确定模型,确定所述影像数据对应的分析结果。
可选的,所述对所述影像数据进行预处理,得到对应所述影像数据的数字特征,包括:
将所述影像数据输入训练后的规范化模型,得到规范化后的影像数据;
确定所述规范化后的影像数据的数字特征。
可选的,在所述影像数据为一个用户的数据时,所述规范化后的影像数据为三维矩阵形式的数据。
可选的,该方法,还包括:
采用第一样本对训练规范化模型,得到训练后的规范化模型,所述第一样本对包括第一预设数量的历史影像数据和对应的历史规范化后的影像数据。
可选的,该方法,还包括:
采用第二样本对训练确定模型,得到训练后的确定模型,所述第二样本对包括第二预设数量的历史数字特征和对应的历史分析结果。
可选的,所述确定模型由逻辑回归模型和支持向量机模型整合得到。
可选的,所述将所述数字特征输入训练后的确定模型,确定所述影像数据对应的分析结果,包括:
所述逻辑回归模型对所述数字特征进行降维处理,得到降维后的数字特征;
所述支持向量机模型对所述降维后的数字特征进行分类得到诊断指标数据;
生成对应所述诊断指标数据的分析结果。
第二方面,本发明实施例还提供了一种影像数据分析装置,包括:
获取模块,用于获取影像数据;
处理模块,用于对所述影像数据进行预处理,得到对应所述影像数据的数字特征;
确定模块,用于将所述数字特征输入训练后的确定模型,确定所述影像数据对应的分析结果。
第三方面,本发明实施例还提供了一种终端设备,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;
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本发明实施例提供的方法。
第四方面,本发明实施例还提供了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本发明实施例提供的方法。
本发明实施例提供了一种影像数据分析方法、装置、终端设备及存储介质,首先获取影像数据;然后对所述影像数据进行预处理,得到对应所述影像数据的数字特征;最后将所述数字特征输入训练后的确定模型,确定所述影像数据对应的分析结果。利用上述技术方案,有效的对影像数据进行自动分析,提升影像数据分析结果的效率。
附图说明
图1是本发明实施例一中的一种影像数据分析方法的流程示意图;
图1a为本发明实施例提供的另一种影像数据分析方法的流程示意图;
图2是本发明实施例二中的一种影像数据分析装置的结构示意图;
图3为本发明实施例三提供的一种终端设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中的一种影像数据分析方法的流程示意图,本实施例可适用于对影像数据分析的情况。该方法可以由本发明实施例提供的影像数据分析装置来执行,该装置可以由软件和/或硬件实现,并一般集成在终端设备上,在本实施例中终端设备包括但不限于:计算机、个人数字助理等设备。
对影像数据的分析结果可以包括精神分裂症。精神分裂症是由一组症状群所组成的临床综合征,多起病于青壮年,常有感知,思维,情感,行为等方面的障碍和精神活动的不协调,病程迁延,常可发展为精神活动衰退等特征。
精神分裂症常用的诊断标准为中国精神障碍分类与诊断标准CCMD-3。目前,临床医生在诊断精神分裂症时,需要通过问卷调查完成,花费至少1.5小时,此外还需要主任医师和副主任医师依次决策才能得出结果,故在精神分裂症诊断过程中会消耗临床医生大量的时间,这一情况导致了精神分裂症的诊断效率较低也无法给出量化的患病概率。
本发明通过终端设备对影像数据进行分析,自动确定影像数据对应的分析结果。本发明可以应用至分析系统,分析系统,包括磁共振设备和终端设备,磁共振设备用于采集影像数据,终端设备可以执行本申请所述的影像数据分析方法。具体的,如图1所示,本发明实施例一提供的一种影像数据分析方法,包括:
S110、获取影像数据。
本实施例中的影像数据可以均来自于临床磁共振扫描序列。其中,临床磁共振扫描序列可以通过核磁共振设备采集获得。本发明中的影像数据可以为磁共振高分辨影像数据,磁共振高分辨影像数据已被广泛应用于探索大脑连接图谱。使用脑网络联接图谱确定情绪障碍类影像数据的分析结果,通过提取磁共振高分辨影像数据特征,结合影像组学的分类处理,提升了分析结果的确定效率。
S120、对所述影像数据进行预处理,得到对应所述影像数据的数字特征。
预处理手段包括用头骨剥离算法去除影像数据中的头骨、基于头动6参数对头动进行矫正、用线性配准将影像数据配准到标准蒙特利尔神经科学研究所模板、用高分辨影像分割算法对影像数据进行分割得到68个脑区,并且提取68个脑区对应脑组织数字特征(提取数字特征的手段包括但不限于一阶统计特征、二阶纹理特征及高阶小波特征)。
数字特征可以理解为将脑区的影像数据转换为数字,如脑区的均值、方差、标准差等统计特征。
S130、将所述数字特征输入训练后的确定模型,确定所述影像数据对应的分析结果。
数字特征输入确定模型后,确定模型可以对数字特征进行特征提取,即对数字特征计算每个脑区的影像组学特征,并对提取后的特征进行生理标签标记及识别诊断。然后对生理标签进行逻辑回归实现对数字特征的降维处理,并通过支持向量机对降维后的特征进行分类,以生成诊断指标数据,将诊断指标数据与预定的诊断指标进行比较,生成影像数据对应的分析结果。其中预定的诊断指标可以为对确定模型训练后得到。
输入的数字特征经过逻辑回归和支持向量机进行特征选择和降维,输出是降维后的数字特征。基于逻辑回归算法将数字特征进行特征降维,去除不相关特征。对于逻辑回归后的特征利用支持向量机进行分类分析,然后将分类后得到的诊断指标与预定的诊断指标比较,确定分析结果。其中,分析结果可以表示用户是否患有精神分裂症,或者用户患有精神分裂症的概率。分析结果表示是否患有精神分裂症还是患有精神分裂症的概率是由训练分析结果的第二样本对所包括的内容确定此处不作限定。示例性的,在第二样本中的历史分析结果为患有精神分裂症的概率的情况下,本步骤确定的分析结果为患有精神分裂症的概率。
本发明通过终端设备确定影像数据对应的分析结果,有效解决了诊断精神分裂症没有量化指标、消耗时间长的问题,提升了对精神分裂症的分析结果的确定的效率,提升了分析时间及精度,有效的辅助临床医生对精神分裂症进行诊断。
本发明实施例一提供的一种影像数据分析方法,首先获取影像数据;然后对所述影像数据进行预处理,得到对应所述影像数据的数字特征;最终将所述数字特征输入训练后的确定模型,确定所述影像数据对应的分析结果。利用上述方法,有效的对影像数据进行分析,提升确定影像数据的分析结果的效率。
可选的,所述对所述影像数据进行预处理,得到对应所述影像数据的数字特征,包括:
将所述影像数据输入训练后的规范化模型,得到规范化后的影像数据;
确定所述规范化后的影像数据的数字特征。
规范化模型可以用于将影像数据进行规范化处理,当影像数据为一个用户的数据时,可以将影像数据规范化为2维矩阵,当影像数据为多个用户时,可以将影像数据规范化为3维矩阵,从而更加便捷快速的实现了对多个用户的影像数据进行分析。
规范化模型可以通过矩阵实现对影像数据的格式转换。影像数据与矩阵做运算可以得到规范化后的影像数据。
本发明得到规范化后的影像数据的目的在于便于后续分析使用。确定规范化后的影像数据后,本发明可以提取该规范化后的影像数据中的数字特征,该数字特征的具体内容可以基于待确定的分析结果所需确定的结果决定。示例性的,在分析结果为确定是否患有精神分裂症的情况下,数字特征可以为脑组织的数字特征。通过对脑组织的数字特征进行分析,得到对应的分析结果。
可选的,在所述影像数据为一个用户的数据时,所述规范化后的影像数据为三维矩阵形式的数据。
可选的,该方法,还包括:
采用第一样本对训练规范化模型,得到训练后的规范化模型,所述第一样本对包括第一预设数量的历史影像数据和对应的历史规范化后的影像数据。
第一样本可以为对现有数据库整理分析获得。具体的,提取现有数据库中的历史影像数据,确定各历史影像数据历史规范化后的影像数据。确定历史规范化的影像数据的手段不作限定,可以由开发人员人工确定,也可以通过矩阵确定。
第一预设数量的数值不作限定,本领域技术人员可以根据实际情况确定。可以理解的是,第一预设数量的数值越大,得到的训练后的规范化模型越准确。
得到第一样本后,可以将第一样本输入待训练的规范化模型,训练得到训练后的规范化模型。
可选的,该方法,还包括:
采用第二样本对训练确定模型,得到训练后的确定模型,所述第二样本对包括第二预设数量的历史数字特征和对应的历史分析结果。
第二样本对可以通过对现有数据库整理分析获得,现有数据库中可以存储有多个历史影像数据和对应的历史分析结果。开发人员可以在提取多个历史影像数据后,确定对应的历史数字特征和对应的历史分析结果,该历史数字特征可以为对历史影像数据规范化后,并提取规范化后的历史影像数据的数字特征的数据。
将历史数字特征和历史分析结果作为第二样本,将第二样本输入待训练的确定模型,得到训练后的确定模型。
可选的,所述确定模型由逻辑回归模型和支持向量机模型整合得到。
可选的,所述将所述数字特征输入训练后的确定模型,确定所述影像数据对应的分析结果包括:
所述逻辑回归模型对所述数字特征进行降维处理,得到降维后的数字特征;
所述支持向量机模型对所述降维后的数字特征进行分类得到诊断指标数据;
生成对应所述诊断指标数据的分析结果。
以下对本发明进行示例性描述,本发明中的影像数据分析方法可以认为是一种基于核共振高分辨影像数据的辅助诊断方法,该方法包括如下步骤:
Step1:获取采集的磁共振高分辨影像数据(即影像数据),将所述高分辨影像样本数据整合至预设的规范化模型中,得到规范化的高分辨影像数据(即规范化后的影像数据);
Step2:根据系统设定的高分辨影像数据处理方法,将所述规范化高分辨影像数据转换为数字特征;
Step3:根据系统设定的高分辨影像组学模型(即确定模型)对所述数字特征进行特征提取,并对提取后的特征进行生理标签标记以及识别诊断;
Step4:根据所述生理标签标记以及识别诊断,输出样本分类指标,并将所述分类指标与系统设定的既有指标进行分类,即确定分析结果。
其中高分辨组学模型可以认为是确定模型,该模型中可以整合逻辑回归模型和支持向量机模型。Step3和Step4可以认为是确定模型确定对应的分析结果的过程。进行生理标签标记及识别诊断的手段可以通过对第二样本对学习确定,训练后的确定模型可以基于输入的数字特征,确定对应的分析结果
可选的,所述Step1具体包括步骤:
Step1-1:将所述高分辨影像数据按系统预定模板存入系统并转换为矩阵大小为68×68的二维矩阵中;其中,预定模板可以理解为对影像数据进行格式转换的模板,其可以理解为一个矩阵,影像数据与该矩阵做运算,如相乘,可以得到规范化后的影像数据。该过程即将所述影像数据输入训练后的规范化模型,得到规范化后的影像数据的具体过程。
Step1-2:对所述二维矩阵进行整合处理得到三维数据矩阵,并生成规范化的高分辨影像数据。
如果一次性输入多个人的数据,可以将多个人的数据放到三维矩阵中。示例性的,三维矩阵包括x、y和z维度,则可以将不同用户的规范化后的影像数据对应的z维度的取值不同,通过x和y维度可以表示一个用户的规范化后的影像数据。
可选的,所述Step2具体包括步骤:
Step2-1:所述高分辨影像数据处理方法,包括头骨剥离、配准到标准模板、矫正、分割和提取对应脑组织数字特征。
即将规范化后的影像数据进行高分辨率影像数据处理,得到对应的数字特征。高分辨影像数据处理方法所包括的具体内容不作限定,可以根据所需确定的分析结果的内容确定。在分析结果是针对脑组织的分析结果的情况下,高分辨影像数据处理方法可以将规范化后的影像数据进行脑组织的数字特征的提取,具体过程包括头骨特征的剥离,然后将剥离后的数据配准到标准模板。其中头骨特征的确定手段不作限定,只要能够表示头骨即可。如通过大数据统计确定头骨特征。
由于人脑存在个体差异,扫描时候的图像在空间中的坐标也不同,研究时必须要首先消除个体差异,统一坐标,也就是需要将被试人员的大脑全部“订正/配准”到标准模板上,这样后续才能进行统计分析。此处不对标准模板进行限定,本领域技术人员可以根据实际情况设定。
矫正可以为对磁场不均匀引起的信号偏差进行校正,矫正的具体手段不作限定。最后分割并提取脑组织的数字特征,以得到规范化后的影像数据对应的数字特征。
可选的,所述Step3具体包括步骤:
Step3-1:对所述数字特征进行特征提取,对所述数字特征进行计算每个脑区的影像组学特征;
Step3-2:所述影像组学特征,包括一阶基础统计特征、二阶形状纹理特征和高阶小波特征。
可选的,所述Step4具体包括步骤:
Step4-1:对所述生理标签标记以及识别诊断的处理可以为:对生理标签进行逻辑回归对特征进行降维并通过支持向量机对降维后的特征进行分类并自动生成诊断指标;
Step4-2:对所述自动生成诊断指标与系统预定的诊断指标进行比较,并生成分类结论,即确定对应的分析结果。
可选的,图1a为本发明实施例提供的另一种影像数据分析方法的流程示意图,参见图1a,在进行分析结果确定时,包括:
高分辨影像数据输入模块11:用于获取采集的高分辨影像数据,将所述高分辨影像数据规范化并生成三维矩阵,即规范化后的影像数据;
高分辨影像数据处理模块12:用于对所述生成的三维矩阵进行处理得到高分辨影像数据特征,即对应的数字特征;
高分辨影像数据学习模块13:用于对所述高分辨影像数据特征进行影像组学学习,并对提取后的影像组学特征进行识别诊断与系统预定特征进行区分;
分类结果输出模块14:用于根据所述区分后的结果进行整合输出,输出符合精神分裂症症状的概率,即分析结果。其中,高分辨影像数据学习模块13和分类结果输出模块14实现了将数字特征输入训练后的确定模型,确定对应的分析结果。
实施例二
图2是本发明实施例二中的一种影像数据分析装置的结构示意图,该装置可适用于对影像数据分析的情况,其中该装置可由软件和/或硬件实现,并一般集成在终端设备上。
如图2所示,该装置包括:获取模块21、处理模块22和确定模块23;
其中,获取模块21,用于获取影像数据;
处理模块22,用于对所述影像数据进行预处理,得到对应所述影像数据的数字特征;
确定模块23,用于将所述数字特征输入训练后的确定模型,确定所述影像数据对应的分析结果。
在本实施例中,该影像数据分析装置首先通过获取模块21获取影像数据;然后通过处理模块22对所述影像数据进行预处理,得到对应所述影像数据的数字特征;最后通过确定模块23将所述数字特征输入训练后的确定模型,确定所述影像数据对应的分析结果。
本实施例提供了一种影像数据分析装置,能够有效的对影像数据进行自动分析,提升影像数据分析结果的效率。
可选的,处理模块22,具体用于:
将所述影像数据输入训练后的规范化模型,得到规范化后的影像数据;
确定所述规范化后的影像数据的数字特征。
可选的,在所述影像数据为一个用户的数据时,所述规范化后的影像数据为三维矩阵形式的数据。
可选的,该装置,还包括:
第一训练模块,用于采用第一样本对训练规范化模型,得到训练后的规范化模型,所述第一样本对包括第一预设数量的历史影像数据和对应的历史规范化后的影像数据。
可选的,该装置,还包括:
第二训练模块,用于采用第二样本对训练确定模型,得到训练后的确定模型,所述第二样本对包括第二预设数量的历史数字特征和对应的历史分析结果。
可选的,确定模型23由逻辑回归模型和支持向量机模型整合得到。
可选的,确定模块23,具体用于:
所述逻辑回归模型对所述数字特征进行降维处理,得到降维后的数字特征;
所述支持向量机模型对所述降维后的数字特征进行分类得到诊断指标数据;
生成对应所述诊断指标数据的分析结果。
上述影像数据分析装置可执行本发明任意实施例所提供的影像数据分析方法,具备执行方法相应的功能模块和有益效果。
实施例三
图3为本发明实施例三提供的一种终端设备的结构示意图。如图3所示,本发明实施例三提供的设备包括:一个或多个处理器31和存储装置32;该设备中的处理器31可以是一个或多个,图3中以一个处理器31为例;存储装置32用于存储一个或多个程序;所述一个或多个程序被所述一个或多个处理器31执行,使得所述一个或多个处理器31实现如本发明实施例中任一项所述的影像数据分析方法。
所述终端设备还可以包括:输入装置33和输出装置34。
终端设备中的处理器31、存储装置32、输入装置33和输出装置34可以通过总线或其他方式连接,图3中以通过总线连接为例。
该设备中的存储装置32作为一种计算机可读存储介质,可用于存储一个或多个程序,所述程序可以是软件程序、计算机可执行程序以及模块,如本发明实施例一所提供影像数据分析方法对应的程序指令/模块(例如,附图2所示的影像数据分析装置中的模块,包括:获取模块21、处理模块22和确定模块23)。处理器31通过运行存储在存储装置32中的软件程序、指令以及模块,从而执行终端设备的各种功能应用以及数据处理,即实现上述方法实施例中影像数据分析方法。
存储装置32可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储装置32可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储装置32可进一步包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置33可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置34可包括显示屏等显示设备。
并且,当上述设备所包括一个或者多个程序被所述一个或者多个处理器31执行时,程序进行如下操作:
获取影像数据;
对所述影像数据进行预处理,得到对应所述影像数据的数字特征;
将所述数字特征输入训练后的确定模型,确定所述影像数据对应的分析结果。
实施例四
本发明实施例四提供了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用于执行影像数据分析方法,该方法包括:
获取影像数据;
对所述影像数据进行预处理,得到对应所述影像数据的数字特征;
将所述数字特征输入训练后的确定模型,确定所述影像数据对应的分析结果。
可选的,该程序被处理器执行时还可以用于执行本发明任意实施例所提供的影像数据分析方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read Only Memory,ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于:电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、无线电频率(Radio Frequency,RF)等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种影像数据分析方法,其特征在于,包括:
获取影像数据;
对所述影像数据进行预处理,得到对应所述影像数据的数字特征;
将所述数字特征输入训练后的确定模型,确定所述影像数据对应的分析结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述影像数据进行预处理,得到对应所述影像数据的数字特征,包括:
将所述影像数据输入训练后的规范化模型,得到规范化后的影像数据;
确定所述规范化后的影像数据的数字特征。
3.根据权利要求2所述的方法,其特征在于,所述规范化后的影像数据为三维矩阵形式的数据。
4.根据权利要求1所述的方法,其特征在于,还包括:
采用第一样本对训练规范化模型,得到训练后的规范化模型,所述第一样本对包括第一预设数量的历史影像数据和对应的历史规范化后的影像数据。
5.根据权利要求1所述的方法,其特征在于,还包括:
采用第二样本对训练确定模型,得到训练后的确定模型,所述第二样本对包括第二预设数量的历史数字特征和对应的历史分析结果。
6.根据权利要求1所述的方法,所述确定模型由逻辑回归模型和支持向量机模型整合得到。
7.根据权利要求6所述的方法,其特征在于,所述将所述数字特征输入训练后的确定模型,确定所述影像数据对应的分析结果,确定模型包括:
所述逻辑回归模型对所述数字特征进行降维处理,得到降维后的数字特征;
所述支持向量机模型对所述降维后的数字特征进行分类得到诊断指标数据;
生成对应所述诊断指标数据的分析结果。
8.一种影像数据分析装置,其特征在于,包括:
获取模块,用于获取影像数据;
处理模块,用于对所述影像数据进行预处理,得到对应所述影像数据的数字特征;
确定模块,用于将所述数字特征输入训练后的确定模型,确定所述影像数据对应的分析结果。
9.一种终端设备,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1-7中任一所述的方法。
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,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911155554.8A CN110889836A (zh) | 2019-11-22 | 2019-11-22 | 一种影像数据分析方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911155554.8A CN110889836A (zh) | 2019-11-22 | 2019-11-22 | 一种影像数据分析方法、装置、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110889836A true CN110889836A (zh) | 2020-03-17 |
Family
ID=69748447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911155554.8A Pending CN110889836A (zh) | 2019-11-22 | 2019-11-22 | 一种影像数据分析方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889836A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709946A (zh) * | 2020-07-27 | 2020-09-25 | 南方医科大学南方医院 | 一种影像数据分析方法、装置、终端设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180225823A1 (en) * | 2017-02-09 | 2018-08-09 | Siemens Healthcare Gmbh | Adversarial and Dual Inverse Deep Learning Networks for Medical Image Analysis |
CN109523546A (zh) * | 2018-12-21 | 2019-03-26 | 杭州依图医疗技术有限公司 | 一种肺结节分析的方法及装置 |
CN109636819A (zh) * | 2018-12-17 | 2019-04-16 | 郑州云海信息技术有限公司 | 一种基于深度学习的肺结节生长速率预测装置 |
CN109770903A (zh) * | 2018-12-29 | 2019-05-21 | 中国科学院自动化研究所 | 功能磁共振影像的分类预测方法、系统、装置 |
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 |
CN110246109A (zh) * | 2019-05-15 | 2019-09-17 | 清华大学 | 融合ct影像和个性化信息的分析系统、方法、装置及介质 |
-
2019
- 2019-11-22 CN CN201911155554.8A patent/CN110889836A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180225823A1 (en) * | 2017-02-09 | 2018-08-09 | Siemens Healthcare Gmbh | Adversarial and Dual Inverse Deep Learning Networks for Medical Image Analysis |
CN109636819A (zh) * | 2018-12-17 | 2019-04-16 | 郑州云海信息技术有限公司 | 一种基于深度学习的肺结节生长速率预测装置 |
CN109523546A (zh) * | 2018-12-21 | 2019-03-26 | 杭州依图医疗技术有限公司 | 一种肺结节分析的方法及装置 |
CN109770903A (zh) * | 2018-12-29 | 2019-05-21 | 中国科学院自动化研究所 | 功能磁共振影像的分类预测方法、系统、装置 |
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 |
CN110246109A (zh) * | 2019-05-15 | 2019-09-17 | 清华大学 | 融合ct影像和个性化信息的分析系统、方法、装置及介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709946A (zh) * | 2020-07-27 | 2020-09-25 | 南方医科大学南方医院 | 一种影像数据分析方法、装置、终端设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zaharchuk et al. | Deep learning in neuroradiology | |
US9886758B2 (en) | Annotation of skin image using learned feature representation | |
CN109271969B (zh) | 一种脑胶质瘤分级评价方法及其装置 | |
US10733727B2 (en) | Application of deep learning for medical imaging evaluation | |
US20120051608A1 (en) | System and method for analyzing and visualizing local clinical features | |
JP2014505950A (ja) | 撮像プロトコルの更新及び/又はリコメンダ | |
CN109191451B (zh) | 异常检测方法、装置、设备和介质 | |
CN112334070B (zh) | 医用图像处理装置和方法、机器学习系统以及存储介质 | |
CN104424386A (zh) | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 | |
CN109545387B (zh) | 一种基于神经网络的异常病例识别方法及计算设备 | |
Menaouer et al. | Diabetic retinopathy classification using hybrid deep learning approach | |
CN110648318A (zh) | 用于皮肤病的辅助分析方法及装置、电子设备、存储介质 | |
CN111667891A (zh) | 应用于专病临床试验的队列识别方法及装置 | |
US20110022355A1 (en) | Network Characterization, Feature Extraction and Application to Classification | |
CN109147927B (zh) | 一种人机交互方法、装置、设备及介质 | |
EP3467770B1 (en) | Method for analysing a medical imaging data set, system for analysing a medical imaging data set, computer program product and a computer-readable medium | |
Dillard et al. | Insights into conducting audiological research with clinical databases | |
CN110889836A (zh) | 一种影像数据分析方法、装置、终端设备及存储介质 | |
CN111709946A (zh) | 一种影像数据分析方法、装置、终端设备及存储介质 | |
CN115937129B (zh) | 基于多模态磁共振影像的左右半脑关系的处理方法及装置 | |
Deng et al. | Learning‐based 3T brain MRI segmentation with guidance from 7T MRI labeling | |
WO2023110477A1 (en) | A computer implemented method and a system | |
CN112052882B (zh) | 磁共振脑结构影像的分类模型构建、分类与可视化方法 | |
CN113948180A (zh) | 实现精神疾病影像报告生成处理的方法、装置、处理器及其计算机可读存储介质 | |
US9646138B2 (en) | Bioimaging grid |
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 |