CN111080583A - 医学图像检测方法、计算机设备和可读存储介质 - Google Patents
医学图像检测方法、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111080583A CN111080583A CN201911219184.XA CN201911219184A CN111080583A CN 111080583 A CN111080583 A CN 111080583A CN 201911219184 A CN201911219184 A CN 201911219184A CN 111080583 A CN111080583 A CN 111080583A
- Authority
- CN
- China
- Prior art keywords
- medical image
- detection
- image
- detection results
- result
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 283
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 28
- 238000013139 quantization Methods 0.000 claims description 27
- 238000011002 quantification Methods 0.000 claims description 19
- 238000003745 diagnosis Methods 0.000 claims description 17
- 238000012916 structural analysis Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 14
- 230000003902 lesion Effects 0.000 description 16
- 210000004072 lung Anatomy 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 238000002591 computed tomography Methods 0.000 description 9
- 208000015181 infectious disease Diseases 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 206010056342 Pulmonary mass Diseases 0.000 description 3
- 210000000621 bronchi Anatomy 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 210000001165 lymph node Anatomy 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 210000002345 respiratory system Anatomy 0.000 description 3
- 208000023504 respiratory system disease Diseases 0.000 description 3
- 206010010356 Congenital anomaly Diseases 0.000 description 2
- 208000032376 Lung infection Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 208000037841 lung tumor Diseases 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 210000001370 mediastinum Anatomy 0.000 description 2
- 244000045947 parasite Species 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 231100000216 vascular lesion Toxicity 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 208000024806 Brain atrophy Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010051290 Central nervous system lesion Diseases 0.000 description 1
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 210000000188 diaphragm Anatomy 0.000 description 1
- 239000005337 ground glass Substances 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004324 lymphatic system Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003097 mucus Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 210000004224 pleura Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 208000008128 pulmonary tuberculosis Diseases 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 201000008827 tuberculosis Diseases 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种医学图像检测方法、计算机设备和可读存储介质。该方法包括：在待检测的医学图像被打开时，获取通过多个图像检测模型得到的医学图像的多个检测结果；对多个检测结果进行综合分析，得到医学图像的综合检测结果；在医学图像的展示界面输出综合检测结果。该方法中，多个检测结果为通过多个不同图像检测模型所得到的，可以提高检测结果的全面性，进而不需要医生重新识别可能存在的病灶，提高了检测效率；并通过对多个检测结果再次综合分析，可以提高最终得到的检测结果的准确度；再者，该方法可以与医生阅片并行执行，减小对医生阅片过程的影响。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种医学图像检测方法、计算机设备和可读存储介质。
背景技术
胸部由肺、胸膜、纵隔、横隔和胸廓构成，肺和纵隔以及相关的血管、淋巴系统是呼吸系统生理与病理的主要成分。目前，针对呼吸系统疾病的影像检查技术越来越丰富，如超声、核磁共振成像(Nuclear Magnetic Resonance Imaging，MRI)、正电子发射型计算机断层成像(Positron Emission Computed Tomography，PET)及电子计算机断层扫描成像(Computed Tomography，CT)、直接数字平板X线成像(Digital Radiography，DR)等，医生可以利用影像后处理工作站进行人工阅片，基于个人经验识别影像中的病灶特征，但识别结果因人而异，难以客观量化。
目前，随着深度学习技术的快速发展，可以利用深度学习方法基于输入的医学图像输出病灶的检测结果，但其依然存在检测不全面、检测效率低的问题。
发明内容
基于此，有必要针对传统技术中病灶的检测结果不全面。检测效率低的问题，提供一种医学图像检测方法、计算机设备和可读存储介质。
第一方面，本申请实施例提供一种医学图像检测方法，包括：
在待检测的医学图像被打开时，获取通过多个图像检测模型得到的医学图像的多个检测结果；
对多个检测结果进行综合分析，得到医学图像的综合检测结果；
在医学图像的展示界面输出综合检测结果。
在其中一个实施例中，上述多个检测结果的获取方式，包括：
将医学图像分别输入多个图像检测模型，得到多个检测结果；其中，每个图像检测模型对应一个检测结果，不同图像检测模型的检测结果不同。
在其中一个实施例中，上述方法还包括：
若检测结果中包括感兴趣区域，对每个感兴趣区域进行量化操作，得到每个感兴趣区域的量化结果；
在医学图像的展示界面输出量化结果。
在其中一个实施例中，上述方法还包括：
根据医学图像的多个检测结果和每个感兴趣区域的量化结果，生成结构化分析文件；
将医学图像的标识信息与结构化分析文件进行关联并存储。
在其中一个实施例中，上述获取通过多个图像检测模型得到的医学图像的多个检测结果，包括：
根据医学图像的标识信息，获取医学图像的结构化分析文件；
从结构化分析文件中获取医学图像的多个检测结果。
在其中一个实施例中，上述方法还包括：
根据获取的诊断报告生成指令，将医学图像的综合检测结果和每个感兴趣区域的量化结果生成医学图像的诊断报告。
在其中一个实施例中，在医学图像的展示界面输出综合检测结果，包括：
将综合检测结果标注在医学图像上。
在其中一个实施例中，获取通过多个图像检测模型得到的医学图像的多个检测结果，包括：
根据获取的检测结果查询指令，获取通过多个图像检测模型得到的医学图像的多个检测结果。
第二方面，本申请实施例提供一种医学图像检测装置，包括：
获取模块，用于在待检测的医学图像被打开时，获取通过多个图像检测模型得到的医学图像的多个检测结果；
综合分析模块，用于对多个检测结果进行综合分析，得到医学图像的综合检测结果；
展示模块，用于在医学图像的展示界面输出综合检测结果。
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：
在待检测的医学图像被打开时，获取通过多个图像检测模型得到的医学图像的多个检测结果；
对多个检测结果进行综合分析，得到医学图像的综合检测结果；
在医学图像的展示界面输出综合检测结果。
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：
在待检测的医学图像被打开时，获取通过多个图像检测模型得到的医学图像的多个检测结果；
对多个检测结果进行综合分析，得到医学图像的综合检测结果；
在医学图像的展示界面输出综合检测结果。
上述医学图像检测方法、装置、计算机设备和可读存储介质，能够在待检测的医学图像被打开时，获取通过多个图像检测模型得到的医学图像的多个检测结果；对多个检测结果进行综合分析，得到医学图像的综合检测结果；在医学图像的展示界面输出综合检测结果。该方法中，多个检测结果为通过多个不同图像检测模型所得到的，可以提高检测结果的全面性，进而不需要医生重新识别可能存在的病灶，提高了检测效率；并通过对多个检测结果再次综合分析，可以提高最终得到的检测结果的准确度；再者，该方法可以与医生阅片并行执行，减小对医生阅片过程的影响。
附图说明
图1为一个实施例提供的医学图像检测方法的流程示意图；
图1a为一个实施例提供的综合检测结果的展示示意图；
图1b为另一个实施例提供的综合检测结果的展示示意图；
图2为另一个实施例提供的医学图像检测方法的流程示意图；
图3为又一个实施例提供的医学图像检测方法的流程示意图；
图4为一个实施例提供的医学图像检测装置的结构示意图；
图5为另一个实施例提供的医学图像检测装置的结构示意图；
图6为又一个实施例提供的医学图像检测装置的结构示意图；
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
本申请实施例提供的医学图像检测方法，可以适用于对医学图像进行病灶检测的过程，以辅助医生进行阅片。该医学图像包括但不限于直接数字平板X线图像(DigitalRadiography，DR)、电子计算机断层扫描图像(Computed Tomography，CT)、核磁共振图像(Nuclear Magnetic Resonance Imaging，MRI)、正电子发射型计算机断层图像(PositronEmission Computed Tomography，PET)，所检测的病灶包括但不限于呼吸系统疾病的病灶、脑部疾病的病灶、心脏疾病的病灶。传统技术在利用深度学习方法基于输入的医学图像进行病灶检测时，通常是针对单一病种的检测，不能输出医学图像中可能存在的所有病灶，检测结果不全面，仍需要医生识别其余可能存在的病灶，则检测效率仍较低。本申请实施例提供的医学图像检测方法、计算机设备和可读存储介质，旨在解决上述技术问题。
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检测装置，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，该计算机设备可以是终端，也可以是服务器，可以为单独的计算设备，也可以集成于医学成像设备上，本实施例对此不做限定。
图1为一个实施例提供的医学图像检测方法的流程示意图。本实施例涉及的是计算机设备对医学图像进行检测并展示检测结果的具体过程。如图1所示，上述方法包括：
S101，在待检测的医学图像被打开时，获取通过多个图像检测模型得到的医学图像的多个检测结果。
具体的，在待检测的医学图像被打开时可以理解为医生阅片的过程，即医生打开医学图像时，计算机设备检测到这一动作，可以自动获取该医学图像通过多个图像检测模型得到的多个检测结果。其中，医学图像可以为CT图像、MR图像、PET图像等，该医学图像可以为从后处理工作站或影像归档和通信系统(Picture Archiving and CommunicationSystems，PACS)获取的医学图像。多个图像检测模型分别为检测不同疾病特征的模型，以检测呼吸系统病灶为例，该多个图像检测模型包括但不限于：气道病变检测模型、肺先天性病灶检测模型、肺血管性病灶检测模型、肺部感染检测模型、肺结核检测模型、肺寄生虫检测模型、肺部肿瘤检测模型、淋巴结病变检测模型、间质性肺病灶检测模型。以检测脑部病灶为例，该多个图像检测模型包括但不限于：脑出血检测模型、脑部肿瘤检测模型、脑萎缩检测模型、脑梗检测模型。当然，该多个图像检测模型还可以包括检测其他病灶的模型，本实施例对此不做限制；但需要说明的是，这多个图像检测模型对同一张医学图像进行检测时，通常为针对该医学图像拍摄部位所对应的检测模型。
其中，上述多个检测结果包括了待检测的医学图像中可能存在的全部病灶检测结果，还以检测呼吸系统病灶为例，其检测结果可以为：气道有/无病变、有/无肺先天性疾病、有/无肺血管性病灶、肺部有/无感染、有/无肺结核、有/无肺寄生虫、肺部有/无肿瘤、淋巴结有/无病变、有/无间质性肺病灶等，还可以为更具体的征象结果，如：树芽征、血管显影征、铺路石征、支气管充气征、黏液充填支气管像、磨玻璃样阴影、蜂窝、胸膜下线、磨玻璃密度结节、边缘征象、支气管血管增厚、纵隔增大淋巴结环状增强、肿块增强等。
可选的，本实施例中计算机设备获取多个检测结果可以为打开医学图像时自动获取，这样不影响医生的阅片过程；也可以为根据医生的检测结果查询指令来获取，如医学图像的界面上有类似“获取图像检测结果”的按钮，医生可通过点击该按钮获取检测结果，提高阅片过程的交互性。
可选的，多个检测结果的获取方式可以为：将医学图像分别输入多个图像检测模型，得到上述多个检测结果；其中，每个图像检测模型对应一个检测结果，不同图像检测模型的检测结果不同。可选的，图像检测模型可以为神经网络模型，如卷积神经网络、循环神经网络等，也可以其他深度学习模型，本实施例对此不做限制。可选的，图像检测模型可以在医学图像被打开时对医学图像进行检测，也可以事先将医学图像检测完成，保存检测结果即可。
S102，对多个检测结果进行综合分析，得到医学图像的综合检测结果。
具体的，计算机设备获取到多个检测结果后，可以对多个检测结果进行综合分析，得到该医学图像的综合检测结果。示例性的，假设医学图像中肺部区域上有一块阴影，肺部肿瘤检测模型的检测结果为肺部无肿瘤，肺部感染检测模型的检测结果为肺部有感染，则计算机设备可以综合这两个模型的检测结果得出综合检测结果为：肺部发生感染，由此，可以进一步提高所得到的检测结果的准确度。
可选的，若上述检测结果中有病灶，图像检测模型还可以输出病灶在医学图像中的位置，那么上述示例中，综合检测结果还可以为：肺部发生感染，感染位置在左肺叶。
S103，在医学图像的展示界面输出综合检测结果。
具体的，计算机设备可以在医学图像的展示界面输出上述综合检测结果，即在医生阅片的界面上展示综合检测结果，这样可以辅助医生对医学图像进行分析，以加快医生的阅片进程。可选的，医学图像的展示界面可以为2D或者3D视图界面，可以借助专业影像阅片工具(如MPR、VR)进行展示。可选的，综合检测结果可以以文字形式展示在医学图像的一侧(如图1a所示)，也可以在医学图像的病灶区域上进行标注，同时标注出病灶区域的位置(如图1b所示)，需要说明的是，本实施例对综合检测结果的展示方式不做限制，只要能向医生展示出该综合检测结果即可。
可选的，因计算机设备可以在医学图像被打开时自动获取多个检测结果，那么计算机设备也可以自动将检测结果进行综合分析并展示；还可以根据医生输入的“展示检测结果”指令将综合检测结果进行展示。
本实施例提供的医学图像检测方法，计算机设备在待检测的医学图像被打开时，获取通过多个图像检测模型得到的多个检测结果，对多个检测结果进行综合分析，得到医学图像的综合检测结果，并在医学图像的展示界面输出综合检测结果。该方法中，多个检测结果为通过多个不同图像检测模型所得到的，可以提高检测结果的全面性，进而不需要医生重新识别可能存在的病灶，提高了检测效率；并通过对多个检测结果再次综合分析，可以提高最终得到的检测结果的准确度；再者，该方法可以与医生阅片并行执行，减小对医生阅片过程的影响。
图2为另一个实施例提供的医学图像检测方法的流程示意图。本实施例涉及的是计算机设备对检测结果中的感兴趣区域进行量化操作的具体过程。在上述实施例的基础上，可选的，如图2所示，上述方法还包括：
S201，若检测结果中包括感兴趣区域，对每个感兴趣区域进行量化操作，得到每个感兴趣区域的量化结果。
具体的，感兴趣区域可以为病灶区域或者疑似病灶区域，感兴趣区域可以为一个或多个，若检测结果中包括了感兴趣区域，则计算机设备可以对每个感兴趣区域进行量化操作，如分别计算每个感兴趣区域的体积大小、横断面/矢状面/冠状面的面积大小、感兴趣区域最大最小径、CT值(极值与均值等)、感兴趣区域中心点及边缘的位置信息、直方图分析等量化结果。
可选的，计算机设备可以根据感兴趣区域中的像素点数量、坐标等信息计算上述量化结果。
S202，在医学图像的展示界面输出量化结果。
具体的，计算机设备得到每个感兴趣区域的量化结果后，可以在医学图像的展示界面上输出量化结果。其中，量化结果的展示方式可以参见上述实施例中检测结果的展示方式，在此不再赘述。
本实施例提供的医学图像检测方法，计算机设备可以对检测结果中的感兴趣区域进行量化操作，得到每个感兴趣区域的量化结果并展示。该方法中，通过将感兴趣区域的量化结果进行展示，可以提高检测结果的直观性，更好的对医生阅片过程进行辅助。
图3为又一个实施例提供的医学图像检测方法的流程示意图。本实施例涉及的是计算机设备根据医学图像的多个检测结果和感兴趣区域的量化结果，生成结构化分析文件并存储的具体过程。在上述实施例的基础上，可选的，上述方法还包括：
S301，根据医学图像的多个检测结果和每个感兴趣区域的量化结果，生成结构化分析文件。
具体的，当图像检测模型得到多个检测结果以及计算机设备得到每个感兴趣区域的量化结果后，计算机设备还可以将检测结果和量化结果生成结构化分析文件，该文件可以以固定格式保存每个医学图像的检测结果和感兴趣区域量化结果。示例性的，假设医学图像的检测结果中包括2处肺结节和1处感染，则该结构化文件中包括第1处肺结节的位置、体积大小、最大最小径和CT值等信息，第2处肺结节的位置、体积大小、最大最小径和CT值等信息，1处感染的位置、体积大小、最大最小径和CT值等信息。
S302，将医学图像的标识信息与结构化分析文件进行关联并存储。
具体的，由于医学图像通常具有标识信息，可以用标识信息唯一确定每个医学图像，该标识信息可以为患者的身份信息，也可以检查序列ID。然后，计算机设备以该标识信息为主索引与上述结构化分析文件进行关联并存储，可选的，可以以Jason文件形式进行存储。
在上述结构化分析文件存储之后，可选的，上述获取通过多个图像检测模型得到的医学图像的多个检测结果，包括：根据医学图像的标识信息，获取医学图像的结构化分析文件；从结构化分析文件中获取医学图像的多个检测结果。也即是说，在医学图像被打开时，计算机设备可以从结构化分析文件中直接获取医学图像的多个检测结果，由此可提高获取检测结果的效率，进一步减小对医生阅片过程的影响。并且，将医学图像的多个检测结果和感兴趣区域量化结果进行存储，也可以为后续的其他分析工作提供数据基础。
可选的，在其中一些实施例中，上述方法还包括：根据获取的诊断报告生成指令，将医学图像的综合检测结果和每个感兴趣区域的量化结果生成医学图像的诊断报告。通常在医生阅片后，都需生成一份该医学图像的诊断报告提供给患者，若医学图像中的病灶较多，那么由医生撰写诊断报告会花费较长时间，本实施例中，计算机设备可以自动将上述综合检测结果和感兴趣区域的量化结果生成医学图像的诊断报告。可选的，上述诊断报告生成指令可以为医生输入的指令，如通过“生成诊断报告”按钮输入该指令；也可以为预先设置的在医学图像被打开后的固定时间间隔，自动触发诊断报告生成指令。由此，可实现快速生成医学图像的诊断报告。
可选的，上述医学图像检测方法可以适用于影响设备后处理工作站中、PACS阅片工作站中，也可以嵌入医院的云平台上，可以辅助影像科医生、呼吸内科医生、胸外科医生以及介入科医生进行阅片，为呼吸疾病的检测、多学科会诊、治疗和随访提供了支撑平台。
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检测装置的结构示意图。如图4所示，该装置包括：获取模块11、综合分析模块12和展示模块13。
具体的，获取模块11，用于在待检测的医学图像被打开时，获取通过多个图像检测模型得到的医学图像的多个检测结果。
综合分析模块12，用于对多个检测结果进行综合分析，得到医学图像的综合检测结果。
展示模块13，用于在医学图像的展示界面输出综合检测结果。
本实施例提供的医学图像检测装置，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，上述获取模块11，具体用于将医学图像分别输入多个图像检测模型，得到多个检测结果；其中，每个图像检测模型对应一个检测结果，不同图像检测模型的检测结果不同。
图5为另一个实施例提供的医学图像检测装置的结构示意图。在上述图4所示实施例的基础上，如图5所示，该装置还包括：量化模块14。
具体的，量化模块14，用于若检测结果中包括感兴趣区域，对每个感兴趣区域进行量化操作，得到每个感兴趣区域的量化结果。
展示模块13，还用于在医学图像的展示界面输出量化结果。
本实施例提供的医学图像检测装置，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6为又一个实施例提供的医学图像检测装置的结构示意图。在上述图4或图5所示实施例的基础上，如图6所示，该装置还包括：文件生成模块15。
具体的，文件生成模块15，用于根据医学图像的多个检测结果和每个感兴趣区域的量化结果，生成结构化分析文件；将医学图像的标识信息与结构化分析文件进行关联并存储。
本实施例提供的医学图像检测装置，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，上述获取模块11，具体用于根据医学图像的标识信息，获取医学图像的结构化分析文件；从结构化分析文件中获取医学图像的多个检测结果。
在其中一个实施例中，上述装置还包括诊断报告生成模块，用于根据获取的诊断报告生成指令，将医学图像的综合检测结果和每个感兴趣区域的量化结果生成医学图像的诊断报告。
在其中一个实施例中，上述展示模块13，具体用于将综合检测结果标注在医学图像上。
在其中一个实施例中，上述获取模块11，具体用于根据获取的检测结果查询指令，获取通过多个图像检测模型得到的医学图像的多个检测结果。
关于医学图像检测装置的具体限定可以参见上文中对于医学图像检测方法的限定，在此不再赘述。上述医学图像检测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检测方法。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：
在待检测的医学图像被打开时，获取通过多个图像检测模型得到的医学图像的多个检测结果；
对多个检测结果进行综合分析，得到医学图像的综合检测结果；
在医学图像的展示界面输出综合检测结果。
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：
将医学图像分别输入多个图像检测模型，得到多个检测结果；其中，每个图像检测模型对应一个检测结果，不同图像检测模型的检测结果不同。
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：
若检测结果中包括感兴趣区域，对每个感兴趣区域进行量化操作，得到每个感兴趣区域的量化结果；
在医学图像的展示界面输出量化结果。
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：
根据医学图像的多个检测结果和每个感兴趣区域的量化结果，生成结构化分析文件；
将医学图像的标识信息与结构化分析文件进行关联并存储。
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：
根据医学图像的标识信息，获取医学图像的结构化分析文件；
从结构化分析文件中获取医学图像的多个检测结果。
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：
根据获取的诊断报告生成指令，将医学图像的综合检测结果和每个感兴趣区域的量化结果生成医学图像的诊断报告。
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：
将综合检测结果标注在医学图像上。
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：
根据获取的检测结果查询指令，获取通过多个图像检测模型得到的医学图像的多个检测结果。
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：
在待检测的医学图像被打开时，获取通过多个图像检测模型得到的医学图像的多个检测结果；
对多个检测结果进行综合分析，得到医学图像的综合检测结果；
在医学图像的展示界面输出综合检测结果。
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：
将医学图像分别输入多个图像检测模型，得到多个检测结果；其中，每个图像检测模型对应一个检测结果，不同图像检测模型的检测结果不同。
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：
若检测结果中包括感兴趣区域，对每个感兴趣区域进行量化操作，得到每个感兴趣区域的量化结果；
在医学图像的展示界面输出量化结果。
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：
根据医学图像的多个检测结果和每个感兴趣区域的量化结果，生成结构化分析文件；
将医学图像的标识信息与结构化分析文件进行关联并存储。
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：
根据医学图像的标识信息，获取医学图像的结构化分析文件；
从结构化分析文件中获取医学图像的多个检测结果。
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：
根据获取的诊断报告生成指令，将医学图像的综合检测结果和每个感兴趣区域的量化结果生成医学图像的诊断报告。
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：
将综合检测结果标注在医学图像上。
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：
根据获取的检测结果查询指令，获取通过多个图像检测模型得到的医学图像的多个检测结果。
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)
1.一种医学图像检测方法，其特征在于，所述方法包括：
在待检测的医学图像被打开时，获取通过多个图像检测模型得到的所述医学图像的多个检测结果；
对所述多个检测结果进行综合分析，得到所述医学图像的综合检测结果；
在所述医学图像的展示界面输出所述综合检测结果。
2.根据权利要求1所述的方法，其特征在于，所述多个检测结果的获取方式，包括：
将所述医学图像分别输入所述多个图像检测模型，得到所述多个检测结果；其中，每个图像检测模型对应一个检测结果，不同图像检测模型的检测结果不同。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
若所述检测结果中包括感兴趣区域，对每个感兴趣区域进行量化操作，得到所述每个感兴趣区域的量化结果；
在所述医学图像的展示界面输出所述量化结果。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据所述医学图像的多个检测结果和所述每个感兴趣区域的量化结果，生成结构化分析文件；
将所述医学图像的标识信息与所述结构化分析文件进行关联并存储。
5.根据权利要求4所述的方法，其特征在于，所述获取通过多个图像检测模型得到的所述医学图像的多个检测结果，包括：
根据所述医学图像的标识信息，获取所述医学图像的结构化分析文件；
从所述结构化分析文件中获取所述医学图像的多个检测结果。
6.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据获取的诊断报告生成指令，将所述医学图像的综合检测结果和所述每个感兴趣区域的量化结果生成所述医学图像的诊断报告。
7.根据权利要求1所述的方法，其特征在于，所述在所述医学图像的展示界面输出所述综合检测结果，包括：
将所述综合检测结果标注在所述医学图像上。
8.根据权利要求1所述的方法，其特征在于，所述获取通过多个图像检测模型得到的所述医学图像的多个检测结果，包括：
根据获取的检测结果查询指令，获取通过多个图像检测模型得到的所述医学图像的多个检测结果。
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 |
|---|---|---|---|
| CN201911219184.XA CN111080583B (zh) | 2019-12-03 | 2019-12-03 | 医学图像检测方法、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911219184.XA CN111080583B (zh) | 2019-12-03 | 2019-12-03 | 医学图像检测方法、计算机设备和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111080583A true CN111080583A (zh) | 2020-04-28 |
| CN111080583B CN111080583B (zh) | 2024-02-27 |
Family
ID=70312636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911219184.XA Active CN111080583B (zh) | 2019-12-03 | 2019-12-03 | 医学图像检测方法、计算机设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111080583B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127467A (zh) * | 2020-03-31 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 图像量化方法、计算机设备和存储介质 |
| CN111696086A (zh) * | 2020-05-27 | 2020-09-22 | 梅州市青塘实业有限公司 | 生殖道分泌物的检测方法、装置、控制单元及存储介质 |
| CN112396589A (zh) * | 2020-11-24 | 2021-02-23 | 上海联影智能医疗科技有限公司 | 基于医疗影像识别的疾病检测方法、电子设备及可读介质 |
| CN112420168A (zh) * | 2020-11-12 | 2021-02-26 | 武汉联影医疗科技有限公司 | 数据写入数据库的方法、装置、设备和存储介质 |
| CN113808181A (zh) * | 2020-10-30 | 2021-12-17 | 上海联影智能医疗科技有限公司 | 医学图像的处理方法、电子设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017028047A1 (zh) * | 2015-08-14 | 2017-02-23 | 富士通株式会社 | 背景模型的提取方法、装置以及图像处理设备 |
| CN108830197A (zh) * | 2018-05-31 | 2018-11-16 | 平安医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN109903280A (zh) * | 2019-02-27 | 2019-06-18 | 上海联影智能医疗科技有限公司 | 肿瘤确定系统、方法及存储介质 |
| CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
| CN110415792A (zh) * | 2019-05-31 | 2019-11-05 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
| CN110473167A (zh) * | 2019-07-09 | 2019-11-19 | 哈尔滨工程大学 | 一种基于深度学习的尿沉渣图像识别系统及方法 |
-
2019
- 2019-12-03 CN CN201911219184.XA patent/CN111080583B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017028047A1 (zh) * | 2015-08-14 | 2017-02-23 | 富士通株式会社 | 背景模型的提取方法、装置以及图像处理设备 |
| CN108830197A (zh) * | 2018-05-31 | 2018-11-16 | 平安医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
| CN109903280A (zh) * | 2019-02-27 | 2019-06-18 | 上海联影智能医疗科技有限公司 | 肿瘤确定系统、方法及存储介质 |
| CN110415792A (zh) * | 2019-05-31 | 2019-11-05 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
| CN110473167A (zh) * | 2019-07-09 | 2019-11-19 | 哈尔滨工程大学 | 一种基于深度学习的尿沉渣图像识别系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| HULIN KUANG ET AL: "Multi-class fruit detection based on image region selection and improved object proposals" * |
| 蒋志鹏等: "面向中文电子病历的句法分析融合模型" * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127467A (zh) * | 2020-03-31 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 图像量化方法、计算机设备和存储介质 |
| CN111127467B (zh) * | 2020-03-31 | 2020-07-14 | 上海联影智能医疗科技有限公司 | 图像量化方法、计算机设备和存储介质 |
| CN111696086A (zh) * | 2020-05-27 | 2020-09-22 | 梅州市青塘实业有限公司 | 生殖道分泌物的检测方法、装置、控制单元及存储介质 |
| CN113808181A (zh) * | 2020-10-30 | 2021-12-17 | 上海联影智能医疗科技有限公司 | 医学图像的处理方法、电子设备和存储介质 |
| CN112420168A (zh) * | 2020-11-12 | 2021-02-26 | 武汉联影医疗科技有限公司 | 数据写入数据库的方法、装置、设备和存储介质 |
| CN112420168B (zh) * | 2020-11-12 | 2023-06-23 | 武汉联影医疗科技有限公司 | 数据写入数据库的方法、装置、设备和存储介质 |
| CN112396589A (zh) * | 2020-11-24 | 2021-02-23 | 上海联影智能医疗科技有限公司 | 基于医疗影像识别的疾病检测方法、电子设备及可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111080583B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111080583B (zh) | 医学图像检测方法、计算机设备和可读存储介质 | |
| US10304198B2 (en) | Automatic medical image retrieval | |
| US11862325B2 (en) | System and method for processing medical image data | |
| US20160321427A1 (en) | Patient-Specific Therapy Planning Support Using Patient Matching | |
| US20120250961A1 (en) | Medical report generation apparatus, method and program | |
| US10402976B2 (en) | Isolation of aneurysm and parent vessel in volumetric image data | |
| CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
| CN110600107B (zh) | 医学图像的筛选方法、计算机设备及可读存储介质 | |
| CN114092475B (zh) | 病灶长径确定方法、图像标注方法、装置及计算机设备 | |
| US10977390B2 (en) | Anonymisation of medical patient images using an atlas | |
| JP2019103848A (ja) | 医用画像処理方法、医用画像処理装置、医用画像処理システム及び医用画像処理プログラム | |
| JP2017534316A (ja) | 画像レポート注釈同定 | |
| CN110298820A (zh) | 影像分析方法、计算机设备和存储介质 | |
| US10726548B2 (en) | Confidence determination in a medical imaging video clip measurement based upon video clip image quality | |
| KR101885562B1 (ko) | 제1 의료 영상의 관심 영역을 제2 의료 영상 위에 맵핑하는 방법 및 이를 이용한 장치 | |
| CN114943714A (zh) | 医学图像处理系统、装置、电子设备及存储介质 | |
| CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
| WO2022012541A1 (zh) | 一种医学设备的图像扫描方法和系统 | |
| CN110738639B (zh) | 医学图像检测结果的展示方法、装置、设备及存储介质 | |
| WO2021107098A1 (ja) | 文書作成支援装置、文書作成支援方法及び文書作成支援プログラム | |
| US11501442B2 (en) | Comparison of a region of interest along a time series of images | |
| US9808175B1 (en) | Method and system for analyzing images to quantify brain atrophy | |
| CN111062977B (zh) | 样本数据生成方法、装置、计算机设备及存储介质 | |
| JP7376715B2 (ja) | 経過予測装置、経過予測装置の作動方法および経過予測プログラム | |
| US20240005503A1 (en) | Method for processing medical images |
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 | ||
| TG01 | Patent term adjustment |