CN111127467A - 图像量化方法、计算机设备和存储介质 - Google Patents

图像量化方法、计算机设备和存储介质 Download PDF

Info

Publication number
CN111127467A
CN111127467A CN202010240210.3A CN202010240210A CN111127467A CN 111127467 A CN111127467 A CN 111127467A CN 202010240210 A CN202010240210 A CN 202010240210A CN 111127467 A CN111127467 A CN 111127467A
Authority
CN
China
Prior art keywords
region
interest
image
lung
value
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
Application number
CN202010240210.3A
Other languages
English (en)
Other versions
CN111127467B (zh
Inventor
杨燕平
高耀宗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN202010240210.3A priority Critical patent/CN111127467B/zh
Publication of CN111127467A publication Critical patent/CN111127467A/zh
Application granted granted Critical
Publication of CN111127467B publication Critical patent/CN111127467B/zh
Priority to US17/218,201 priority patent/US20210304896A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种图像量化方法、计算机设备和存储介质。包括：对待检测对象的医学图像进行分割处理，得到第一类分割图像和第二类分割图像；第一类分割图像包括至少一个第一感兴趣区域，第二类分割图像包括各第一感兴趣区域对应的第二感兴趣区域；根据至少一个第一感兴趣区域和各第一感兴趣区域对应的第二感兴趣区域，确定各第二感兴趣区域对应的特征数据；特征数据用于表征各第二感兴趣区域的分布情况；根据各第二感兴趣区域对应的特征数据和待检测对象的临床特征数据，确定医学图像对应的量化值；临床特征数据为对待检测对象进行临床检测后得到的数据，量化值用于指示医学图像上肺部感染的严重程度。采用本方法能够提高检测精度。

Description

图像量化方法、计算机设备和存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种图像量化方法、计算机设备和存储介质。
背景技术
肺炎是由病原微生物、免疫损伤、过敏、理化因素及药物等因素导致的终末气管、肺泡、肺间质炎症，肺炎严重的话可能会危及人体的生命健康，因此，对肺炎进行检测就显得尤为重要。
相关技术中，在对受检者的肺部进行检测时，大多是通过对受检者的医学图像进行分析，得到该受检者的肺部是否出现病灶的结论，但是目前在判断受检者的肺部是否产生肺炎，以及在判断受检者是肺炎时的严重程度时，大多是通过对受检者的意识障碍、血压、呼吸频率等临床表现值进行测量，然后根据这些临床表现值判断受检者是否产生肺炎，以及根据这些临床表现值判断出受检者是肺炎时的严重程度。
然而上述技术存在检测精度不高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高检测精度的图像量化方法、装置、计算机设备和存储介质。
一种图像量化方法，该方法包括：
对待检测对象的医学图像进行分割处理，得到第一类分割图像和第二类分割图像；该第一类分割图像包括至少一个第一感兴趣区域，第一感兴趣区域包括肺部区域、肺叶区域、肺段区域，第二类分割图像包括各第一感兴趣区域对应的第二感兴趣区域，第二感兴趣区域包括肺部上的病灶区域、肺叶上的病灶区域、肺段上的病灶区域；
根据至少一个第一感兴趣区域和各第一感兴趣区域对应的第二感兴趣区域，确定各第二感兴趣区域对应的特征数据；该特征数据用于表征各第二感兴趣区域的分布情况；
根据各第二感兴趣区域的特征数据和待检测对象的临床特征数据，确定医学图像对应的量化值；该临床特征数据为对待检测对象进行临床检测后得到的数据，量化值用于指示医学图像上肺部感染的严重程度。
一种图像量化装置，该装置包括：
分割模块，用于对待检测对象的医学图像进行分割处理，得到第一类分割图像和第二类分割图像；该第一类分割图像包括至少一个第一感兴趣区域，第一感兴趣区域包括肺部区域、肺叶区域、肺段区域，第二类分割图像包括各第一感兴趣区域对应的第二感兴趣区域，第二感兴趣区域包括肺部上的病灶区域、肺叶上的病灶区域、肺段上的病灶区域；
第一确定模块，用于根据至少一个第一感兴趣区域和各第一感兴趣区域对应的第二感兴趣区域，确定各第二感兴趣区域对应的特征数据；该特征数据用于表征各第二感兴趣区域的分布情况；
第二确定模块，用于根据各第二感兴趣区域的特征数据和待检测对象的临床特征数据，确定医学图像对应的量化值；该临床特征数据为对待检测对象进行临床检测后得到的数据，量化值用于指示医学图像上肺部感染的严重程度。
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，所述处理器执行所述计算机程序时实现以下步骤：
对待检测对象的医学图像进行分割处理，得到第一类分割图像和第二类分割图像；该第一类分割图像包括至少一个第一感兴趣区域，第一感兴趣区域包括肺部区域、肺叶区域、肺段区域，第二类分割图像包括各第一感兴趣区域对应的第二感兴趣区域，第二感兴趣区域包括肺部上的病灶区域、肺叶上的病灶区域、肺段上的病灶区域；
根据至少一个第一感兴趣区域和各第一感兴趣区域对应的第二感兴趣区域，确定各第二感兴趣区域对应的特征数据；该特征数据用于表征各第二感兴趣区域的分布情况；
根据各第二感兴趣区域的特征数据和待检测对象的临床特征数据，确定医学图像对应的量化值；该临床特征数据为对待检测对象进行临床检测后得到的数据，量化值用于指示医学图像上肺部感染的严重程度。
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
对待检测对象的医学图像进行分割处理，得到第一类分割图像和第二类分割图像；该第一类分割图像包括至少一个第一感兴趣区域，第一感兴趣区域包括肺部区域、肺叶区域、肺段区域，第二类分割图像包括各第一感兴趣区域对应的第二感兴趣区域，第二感兴趣区域包括肺部上的病灶区域、肺叶上的病灶区域、肺段上的病灶区域；
根据至少一个第一感兴趣区域和各第一感兴趣区域对应的第二感兴趣区域，确定各第二感兴趣区域对应的特征数据；该特征数据用于表征各第二感兴趣区域的分布情况；
根据各第二感兴趣区域的特征数据和待检测对象的临床特征数据，确定医学图像对应的量化值；该临床特征数据为对待检测对象进行临床检测后得到的数据，量化值用于指示医学图像上肺部感染的严重程度。
上述图像量化方法、装置、计算机设备和存储介质，通过对待检测对象的医学图像进行分割处理，得到包括第一感兴趣区域的第一类分割图像和包括第二感兴趣区域的第二类分割图像，第一感兴趣区域包括肺部区域、肺叶区域、肺段区域，第二感兴趣区域包括肺部上的病灶区域、肺叶上的病灶区域、肺段上的病灶区域，根据第一感兴趣区域和第二感兴趣区域确定各第二感兴趣区域对应的特征数据，根据各第二感兴趣区域对应的特征数据和待检测对象的临床特征数据，得到医学图像对应的量化值，该量化值用于指示医学图像上肺部感染的严重程度。在该方法中，由于在得到医学图像的量化值时，是通过结合待检测对象的医学图像上的特征数据以及待检测对象的临床特征数据得到的，相比只是通过受检者的临床表现对受检者的病灶严重程度进行检测，本方法结合的数据信息更多，也更丰富，因此，本方法最终得到的检测结果（即得到的量化值）更加准确，即本方法可以提高检测结果的精度；另外，在该方法中，由于第二感兴趣区域对应的特征数据是通过对待检测对象的医学图像进行分割后，并根据分割结果确定的特征数据，那么在利用第二感兴趣区域对应的特征数据对待检测对象进行检测时，就可以有针对性地对待检测对象进行检测，从而可以避免盲目检测，浪费时间的问题；进一步地，在该方法中，由于可以通过对待检测对象的医学图像进行分割处理，并结合分割结果确定的特征数据以及临床特征数据，就可以得到量化值，这些处理过程相对比较简单，因此本方法在对待检测对象进行检测时，检测速度也比较快，从而可以节省检测时间。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中图像量化方法的流程示意图；
图3为另一个实施例中图像量化方法的流程示意图；
图4为另一个实施例中图像量化方法的流程示意图；
图5为另一个实施例中图像量化方法的流程示意图；
图6为一个实施例中图像量化装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
肺炎指的是由病原微生物、过敏等因素导致的炎症，严重的话可能会危及人体健康，因此对肺炎的检测非常重要。现有技术在对肺炎检测时，一般是通过对受检者的意识障碍、血压等临床参数进行测量，根据测量结果综合考虑受检者是否产生肺以及产生肺炎时的严重程度，然而现有技术在测量过程中容易出现得到的测量结果的检测精度不高的问题。本申请提供一种图像量化方法、装置、计算机设备和存储介质，可以解决上述技术问题。
本申请提供的图像量化方法，可以应用于计算机设备，该计算机设备可以是终端或服务器，该计算机设备可以和医学扫描设备进行有线或无线通信。以计算机设备为终端为例，其内部结构图可以如图1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、通信接口、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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种图像量化方法。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1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。
需要说明的是，本申请实施例的执行主体可以是计算机设备，也可以是图像量化装置，下面就以计算机设备为执行主体进行说明。
在一个实施例中，提供了一种图像量化方法，本实施例涉及的是对医学图像进行分割，根据分割结果得到特征数据，并和临床特征数据结合起来得到医学图像对应的量化值的具体过程。如图2所示，该方法可以包括以下步骤：
S202，对待检测对象的医学图像进行分割处理，得到第一类分割图像和第二类分割图像；该第一类分割图像包括至少一个第一感兴趣区域，第一感兴趣区域包括肺部区域、肺叶区域、肺段区域，第二类分割图像包括各第一感兴趣区域对应的第二感兴趣区域，第二感兴趣区域包括肺部上的病灶区域、肺叶上的病灶区域、肺段上的病灶区域。
其中，待检测对象可以是人类或非人类，是人类时也可以是各种年龄段的人，例如：老人、儿童、成年人等。医学图像可以是CT（computed tomography，电子计算机X射线断层扫描）图像、PET（positron emission tomography，正电子发射计算机断层显像）图像、MR（Magnetic Resonance，核磁共振）图像、X射线图像等；医学图像可以是一维图像、二维图像、三维图像等。
另外，第一类分割图像可以是相同类的分割图像，可以包括一个或多个第一分割图像，该第一类分割图像中每个第一分割图像上都包括至少一个第一感兴趣区域，且每个第一分割图像上所包括的第一感兴趣区域可以相同，也可以不同；同样地，第二类分割图像也可以是相同类的分割图像，可以包括一个或多个第二分割图像，该第二类分割图像中每个第二分割图像上都包括至少一个第二感兴趣区域，且每个第二分割图像上所包括的第二感兴趣区域可以相同，也可以不同；其中，这里的第一感兴趣区域可以是待检测对象的器官，第二感兴趣区域可以是待检测对象的器官上对应的病灶区域。示例地，假设待检测对象的医学图像是胸部图像，所分割的是待检测对象的肺部区域和肺部区域的病灶区域，那么这里第一类分割图像就可以是关于肺部的分割图像，例如可以是肺部区域的第一分割图像，即左右肺的第一分割图像（其对应的第一感兴趣区域就是左右肺区域），也可以是左右肺的肺叶的第一分割图像（其对应的第一感兴趣区域就是左右肺的各肺叶区域），当然还可以是左右肺的肺段的第一分割图像（其对应的第一感兴趣区域就是左右肺的各肺段区域）；相应地，第二类分割图像就可以是关于肺部病灶区域的分割图像，例如可以是左右肺上病灶区域的第二分割图像（其对应的第二感兴趣区域就是左右肺上的病灶区域），还可以是左右肺的肺叶上病灶区域的第二分割图像（其对应的第二感兴趣区域就是左右肺的肺叶上的病灶区域），当然还可以是左右肺的肺段上病灶区域的第二分割图像（其对应的第二感兴趣区域就是左右肺的肺段上的病灶区域）。
除此之外，上述在得到第一类分割图像和第二类分割图像时，可以是先对待检测对象的医学图像进行分割，得到第一类分割图像，然后再对第一类分割图像进行分割，得到第二类分割图像；当然还可以是将待检测对象的医学图像复制一份，两份医学图像同时进行分割处理，同时得到第一类分割图像和第二类分割图像；当然也可以有其他的分割顺序，本实施例对此不作具体限定。另外，对于第一类分割图像和第二类分割图像包括多个分割图像的情况，对于其中每个分割图像得到的顺序也可以不作具体限定；示例地，假设对胸部图像进行分割，可以先得到左右肺的分割图像，再对左右肺的分割图像进行分割，得到左右肺上肺叶的分割图像，之后再对左右肺上肺叶的分割图像进行分割，得到左右肺上肺段的分割图像。
需要说明的是，本实施例在得到肺部区域、肺叶区域、肺段区域时，可以通过待检测对象的医学图像先得到肺部区域的分割图像，然后在肺部区域的分割图像上进行分割再得到肺叶区域的分割图像，之后在肺叶区域的分割图像上再得到肺段的分割图像。这里的肺部可以是左肺和右肺，肺叶可以是左右肺上的多个肺叶，肺段可以是左右肺的肺叶上的多个肺段。
这里将肺部的肺叶和肺段全部分割出来，那么就可以清楚地得到各个肺叶和各个肺段的分布状况，其对于病灶的定位具有很大的临床意义，例如一般的肺部炎症或肺不张病灶大多是呈叶段分布，也就是说，在肺叶或肺段上可以更加清楚或清晰地对某些病灶进行观察和分析，从而可以得出更准确的判断结果。
具体的，计算机设备可以通过与其连接的扫描设备对待检测对象进行扫描，并对扫描数据进行重建和校正等，得到待检测对象的医学图像，还可以是在预先存储好待检测对象的医学图像的数据库中读取得到该医学图像，当然还可以有其他获取方式，本实施例对此不作具体限定。在得到待检测对象的医学图像之后，可以采用图像分割算法、分割模型等来对待检测对象的医学图像进行分割，就可以得到第一类分割图像和第二类分割图像。
S204，根据至少一个第一感兴趣区域和各第一感兴趣区域对应的第二感兴趣区域，确定各第二感兴趣区域对应的特征数据；该特征数据用于表征各第二感兴趣区域的分布情况。
其中，特征数据可以表征第二感兴趣区域在对应的第一感兴趣区域上的分布情况，也可以表征第二感兴趣区域在其自身数据范围内的分布情况（例如，第二感兴趣区域自身图像值取值范围为-100-200，那么可以统计第二感兴趣区域上的点在该取值范围内的分布情况）。可选的，各第二感兴趣区域对应的特征数据可以包括：各第二感兴趣区域在对应的第一感兴趣区域上的体积占比、各第二感兴趣区域在预设的多个HU值区段内的分布概率值，利用体积占比和分布概率值作为特征数据，其计算过程比较简单，同时由于是根据各第二感兴趣区域得到的体积占比和分布概率值，因此该体积占比和分布概率值也可以直观地反映受检者肺炎的真实情况。需要说明的是，这里每个第二感兴趣区域得到的特征数据可以不仅是体积占比和HU值区段内的分布概率值，还可以是其他特征数据。另外，在第二感兴趣区域是肺部上的病灶区域、肺叶上的病灶区域、肺段上的病灶区域时，这里的特征数据就可以是左右肺上的病灶区域对应的特征数据、左右肺的肺叶上的病灶区域对应的特征数据、左右肺的肺段上的病灶区域对应的特征数据等等。
需要说明的是，在S202的基础上，本步骤中各第二感兴趣区域对应的特征数据包括：左右肺部病灶区域对应的特征数据、左右肺上各个肺叶的病灶区域对应的特征数据、左右肺上各个肺段的病灶区域对应的特征数据。这里通过左右肺部病灶区域对应的特征数据、左右肺上各个肺叶的病灶区域对应的特征数据，可以清楚地反映待检测对象肺部感染的严重情况，同时通过左右肺上各个肺段的病灶区域对应的特征数据，可以客观评判待检测对象的肺部受损情况，为是否需要医生后期进行干预提供一个参考依据。由此可见，通过不同病灶区域的特征数据，可以将待检测对象肺部的感染情况一步步细化，同时也可以从不同层面上去评价待检测对象的肺部感染情况，这样最终得到的肺部感染的检测结果就是更加准确的。
具体的，计算机设备在得到第一感兴趣区域和第二感兴趣区域之后，可以将对应的第一感兴趣区域和第二感兴趣区域组合起来，统计得到第二感兴趣区域的分布情况，并将该分布情况用数据（例如分布概率值等）进行表示，作为第二感兴趣区域对应的特征数据；通过对每个第一感兴趣区域和其对应的第二感兴趣区域进行统计，就可以得到每个第二感兴趣区域对应的特征数据。示例地，假设第一感兴趣区域是左肺区域，那么对应的第二感兴趣区域就是左肺上的病灶区域，那么就可以根据左肺区域上点的位置、像素值、体素值等以及左肺上的病灶区域上点的位置、像素值、体素值等，统计得到左肺上的病灶区域的特征数据。同样地，也可以按照此方法统计得到右肺上的病灶区域的特征数据、肺叶上的病灶区域的特征数据以及肺段上的病灶区域的特征数据。
S206，根据各第二感兴趣区域的特征数据和待检测对象的临床特征数据，确定医学图像对应的量化值；该临床特征数据为对待检测对象进行临床检测后得到的数据，量化值用于指示医学图像上肺部感染的严重程度。
其中，临床特征数据在这里可以是CURB-65评分值、CRB-65评分值（其中各字母含义分别为，C：意识障碍，U：尿酸氮，R：呼吸频率，B：血压，65：年龄）和肺炎严重指数（Pneumonia Severity Index，PSI），可以通过询问或采用相应的仪器对待检测对象进行测量，并通过评分机制对测量数据进行评分，得到评分值和指数值等，并将其作为临床特征数据；这里的临床特征数据也可以只是上述提到的某一项或多项或全部，当然也可以包括更多项临床数据。也就是说，这里的临床特征数据不局限于此，可以根据实际情况进行选取，例如也可以包括待检测对象的身高、体重等等，本实施例在此对待检测对象的临床特征数据不作穷举。
需要说明的是，PSI对判断受检者是否需要住院的特异性高，但是采用PSI的评分系统过于复杂，而CURB-65和CRB-65操作比较简洁，敏感性较高，但同时，特异性也比较低。因此，本实施例主要是结合这些参数和病灶的特征数据来进行最终判断，这样不仅可以降低系统复杂度，也可以提高特异性，针对不同受检者均可以适用。
另外，医学图像的量化值可以是量化指数、量化指标值等，示例地，以肺炎为例，这里的量化值可以指示医学图像上肺部的病灶区域的严重程度，即肺部感染的严重程度，对应的医学图像的量化值可以是肺炎的严重程度指数；例如这里医学图像的量化值可以是0-10之间的数字，不同数字代表着不同的肺炎严重程度，例如可以是0级表示肺炎严重程度最低，10表示肺炎严重程度最高，0-10之间的数字依次增加时肺炎严重程度也依次增加，当然也可以有其他表示方式，例如采用字母表示量化值等等。
通常来说，相似的医学图像的征象在人体上的表现也是有差异的，同样对人体造成的伤害也会不一样，例如针对同一严重程度的同一病灶，有的受检者会出现严重反应，但是有的受检者却反应不大。现有技术在临床判断肺部感染的严重程度时，一般是根据受检者的一些身体指标以及症状表现，同时结合一些病史，对受检者作出是否住院的判断，并得到受检者肺部感染的严重程度。本实施例中根据受检者的身体指标和临床症状，同时结合医学图像的征象，一方面对受检者肺部感染的严重程度的评判结果也会较为客观，另外一方面由于结合的数据比较丰富和全面，也是不同层面的数据，那么最终得到的检测结果也会更加准确。
具体的，计算机设备在得到第二感兴趣区域的特征数据和待检测对象的临床特征数据之后，可以对这两部分特征数据分别进行分析，也可以将这两部分特征数据结合起来进行分析，通过分析过程就可以得到该医学图像对应的量化值。
上述图像量化方法中，通过对待检测对象的医学图像进行分割处理，得到包括第一感兴趣区域的第一类分割图像和包括第二感兴趣区域的第二类分割图像，第一感兴趣区域包括肺部区域、肺叶区域、肺段区域，第二感兴趣区域包括肺部上的病灶区域、肺叶上的病灶区域、肺段上的病灶区域，根据第一感兴趣区域和第二感兴趣区域确定各第二感兴趣区域对应的特征数据，根据各第二感兴趣区域对应的特征数据和待检测对象的临床特征数据，得到医学图像对应的量化值，该量化值用于指示医学图像上肺部感染的严重程度。在该方法中，由于在得到医学图像的量化值时，是通过结合待检测对象的医学图像上的特征数据以及待检测对象的临床特征数据得到的，相比只是通过受检者的临床表现对受检者的病灶严重程度进行检测，本方法结合的数据信息更多，也更丰富，因此，本方法最终得到的检测结果（即得到的量化值）更加准确，即本方法可以提高检测结果的精度；另外，在该方法中，由于第二感兴趣区域对应的特征数据是通过对待检测对象的医学图像进行分割后，并根据分割结果确定的特征数据，那么在利用第二感兴趣区域对应的特征数据对待检测对象进行检测时，就可以有针对性地对待检测对象进行检测，从而可以避免盲目检测，浪费时间的问题；进一步地，在该方法中，由于可以通过对待检测对象的医学图像进行分割处理，并结合分割结果确定的特征数据以及临床特征数据，就可以得到量化值，这些处理过程相对比较简单，因此本方法在对待检测对象进行检测时，检测速度也比较快，从而可以节省检测时间。
在另一个实施例中，提供了另一种图像量化方法，本实施例涉及的是如何根据图像分割结果得到的特征数据和临床特征数据，得到医学图像对应的量化值的具体过程。在上述实施例的基础上，如图3所示，上述S206可以包括以下步骤：
S302，将各第二感兴趣区域对应的特征数据和待检测对象的临床特征数据进行拼接，得到拼接后的特征数据。
其中，这里的拼接也可以称为级联，可以先将各第二感兴趣区域对应的特征数据级联起来，然后再将临床特征数据级联在其后，或者，也可以将临床特征数据级联在各第二感兴趣区域对应的特征数据之前，当然还可以是其他级联顺序，本实施例对此不作具体限定。示例地，假设有2个感兴趣区域对应的特征数据，分别为（x1，y1）和（x2，y2），临床特征数据为（x3，y3，z1），那么通过一种拼接顺序，得到的拼接后的特征数据可以为（x1，y1，x2，y2，x3，y3，z1），当然也可以按照其他拼接顺序进行拼接。
S304，将拼接后的特征数据输入至神经网络模型中，得到医学图像对应的量化值；该神经网络模型是基于样本图像的特征数据集进行训练得到的，样本图像的特征数据集包括训练图像的特征数据、样本临床特征数据和训练图像对应的标注量化值，训练图像的特征数据是根据训练图像上标注的感兴趣区域得到的。
在本步骤中，在得到拼接后的特征数据后，可选的，可以对拼接后的特征数据进行特征选择，得到选择后的特征数据；该选择后的特征数据的数量不多于拼接后的特征数据的数量。在这里，特征选择也可以称为特征筛选，进行特征选择或筛选时可以采用低方差特征选择方法、LASSO算法、单变量特征选择方法、多变量特征选择方法、相关系数法、卡方检验法、互信息法等，当然还可以通过降维来进行特征选择，减少特征数目，例如主成分分析法等。另外，在进行特征选择时，可以进行一级特征选择，两级特征选择，也可以进行三级甚至更多级的特征选择等等。通过特征选择或筛选操作，这样可以使选择后的特征数据的精度更高，准确性也更好，从而在利用该选择后的特征数据得到医学图像的量化值时，得到的医学图像的量化值也是更准确的，精度也是更高的。
需要说明的是，本步骤中训练图像上标注的感兴趣区域与上述S202对应，标注的感兴趣区域可以包括标注第一感兴趣区域和标注第二感兴趣区域，标注第一感兴趣区域包括标注肺部区域、标注肺叶区域、标注肺段区域，标注第二感兴趣区域包括肺部上的标注病灶区域、肺叶上的标注病灶区域、肺段上的标注病灶区域。
相应地，在得到特征选择后的特征数据之后，就可以将该特征选择后的特征数据输入至训练好的神经网络模型中去进行处理。在利用训练好的神经网络模型进行处理之前，首先需要对该神经网络模型进行训练，训练过程如下步骤A：
步骤A、获取样本图像的特征数据集，该样本图像的特征数据集包括训练图像的特征数据、样本临床特征数据和训练图像对应的标注量化值，这里训练图像的特征数据可以是根据训练图像上标记的感兴趣区域得到的数据；然后基于样本图像的特征数据集对初始神经网络模型进行训练，得到训练好的神经网络模型。
在步骤A中，训练图像可以是针对不同对象所采集的同一模态的图像，也可以是针对不同对象所采集的不同模态的图像，不同对象的图像的采集时刻可以相同，也可以不同。以肺炎为例，这里采集的训练图像可以包括患有不同程度肺炎的人的胸部图像，也可以包括健康的（即没有肺炎的）人的胸部图像。另外，样本图像的特征数据集中的样本临床特征数据和训练图像的特征数据是对应的，即样本图像的特征数据集中包括多个特征数据对，每个特征数据对包括一组样本临床特征数据和训练图像的特征数据，且每个特征数据对是针对同一对象而言的。
上述在基于样本图像的特征数据集对初始神经网络模型进行训练时，可选的，可以采用如下步骤A1-A3来进行具体训练，如下：
步骤A1，将训练图像的特征数据和样本临床特征数据输入至初始神经网络模型，得到训练图像对应的预测量化值。
步骤A2，根据训练图像对应的预测量化值和训练图像对应的标注量化值，确定预测量化值和标注量化值之间的损失，并将损失作为损失函数的值。
步骤A3，利用损失函数的值对初始神经网络模型进行训练，得到神经网络模型。
在步骤A1-A3中，计算机设备在得到训练图像的特征数据和样本临床特征数据之后，可以将训练图像的特征数据和对应的样本临床特征数据拼接起来，并对拼接后的特征数据进行特征选择，得到选择后的样本特征数据，之后就可以将选择后的样本特征数据输入至初始神经网络模型，得到选择后的样本特征数据对应的预测量化值，并根据上述该训练样本对应的标注量化值和该预测量化值，计算标注量化值和预测量化值之间的损失，并将该损失作为损失函数的值，并利用该损失函数的值对初始神经网络模型进行训练，最终得到训练好的神经网络模型。在这里，损失可以是标注量化值和预测量化值之间的误差、方差、范数等；损失函数在这里可以是Dice损失函数、Focal Loss函数等等；在训练神经网络模型时，当神经网络模型的损失函数的和值小于预设的阈值时，或者当损失函数的和值基本稳定时（即不再发生变化时），则可以确定神经网络模型已经训练好，否则还要继续训练，当训练好时可以固定神经网络模型的参数，便于下一步得到量化值使用。
在神经网络模型训练好之后，就可以将上述特征选择后的特征数据输入至训练好的神经网络模型中去进行处理，就可以得到该特征选择后的特征数据对应的量化值，即上述待检测对象的医学图像对应的量化值，通过该医学图像对应的量化值，就可以得到待检测对象上病灶区域的严重程度。
本实施例提供的图像量化方法，可以将各第二感兴趣区域对应的特征数据和待检测对象的临床特征数据进行拼接，得到拼接后的特征数据，将拼接后的特征数据输入至训练好的神经网络模型中，得到医学图像对应的量化值。在本实施例中，由于可以利用训练后的神经网络模型对拼接后的特征数据进行处理，而训练好的神经网络模型是利用标注量化值和样本特征数据进行训练得到的，那么得到的神经网络模型是比较准确的，进而再利用该准确的神经网络模型对拼接后的特征数据进行处理时，得到的量化值也是更加准确的。
在另一个实施例中，提供了另一种图像量化方法，本实施例涉及的是如何根据第一感兴趣区域和第二感兴趣区域得到第二感兴趣区域对应的特征数据的具体过程。在上述实施例的基础上，如图4所示，上述S204可以包括以下步骤：
S402，根据至少一个第一感兴趣区域和各第一感兴趣区域对应的第二感兴趣区域，确定各第二感兴趣区域在对应的第一感兴趣区域上的体积占比。
在本步骤中，在确定体积占比时，可选的，可以采用如下步骤b1和b2来进行确定，如下：
步骤b1，获取各第二感兴趣区域的体素数量和各第一感兴趣区域的体素数量。
步骤b2，将各第二感兴趣区域的体素数量和对应的第一感兴趣区域的体素数量做比值，得到各第二感兴趣区域在对应的第一感兴趣区域上的体积占比。
具体的，计算机设备在得到第一类分割图像和第二类分割图像之后，利用体素统计工具或者体素统计方法等，对第一类分割图像上每个第一感兴趣区域的体素数量进行统计，以及对第二类分割图像上每个第二感兴趣区域的体素数量进行统计，就可以得到各第一感兴趣区域的体素数量和对应的各第二感兴趣区域的体素数量，之后将各第二感兴趣区域的体素数量和对应的第一感兴趣区域的体素数量作比值，就可以得到各第二感兴趣区域在对应的第一感兴趣区域上的体积占比。
示例地，以待检测对象的医学图像为肺部图像为例，这里第一类分割图像可以包括25个第一分割图像，分别为左右肺的第一分割图像（包括左肺和右肺共2个第一分割图像）、左右肺上的肺叶的第一分割图像（包括左肺上叶、左肺下叶、右肺上叶、右肺中叶、右肺下叶共5个第一分割图像）、左右肺上的肺段的第一分割图像（包括左肺8段和右肺10段共18个第一分割图像），这里器官区域就是第一感兴趣区域；相应地，对每个第一分割图像都进行病灶区域的分割，也可以得到25个第二分割图像，即第二类分割图像也可以包括25个第二分割图像，这里病灶区域就是第二感兴趣区域。之后，就可以计算每个器官上的病灶区域在各自对应的器官上的体积占比，例如计算左肺上的病灶区域在左肺区域上的体积占比和计算右肺上的病灶区域在右肺区域上的体积占比等，这样总共可以得到25个体积占比，这25个体积占比可以反映每个区域的感染情况以及肺炎病灶区域的扩散或吸收情况，这对在后期判断待检测对象的肺炎情况有重要作用。
S404，根据各第二感兴趣区域上每个点的HU值和预设的多个HU值区段，确定各第二感兴趣区域在各HU值区段内的分布概率值。
其中，HU（Hounsfiled Unit）值，一般是作为CT值的单位，反映了组织对X射线吸收程度，即CT图像中各组织与X射线衰减系数相当的对应值，在利用CT等对待检测对象扫描，得到CT图像之后，也就可以得到CT图像上每一点的HU值。
这里的确定各第二感兴趣区域在各HU值区段内的分布概率值时，可选的，可以按照如下步骤c1-c3的方法进行确定，如下：
步骤c1，获取预设的多个HU值区段和各第二感兴趣区域上每个点的HU值。
步骤c2，将各第二感兴趣区域上每个点的HU值和各HU值区段进行匹配，得到各第二感兴趣区域在各HU值区段内的点数量。
步骤c3，对各第二感兴趣区域在各HU值区段内的点数量进行归一化处理，得到各第二感兴趣区域在各HU值区段内的分布概率值。
在步骤c1-c3中，预设的多个HU值区段可以根据实际情况而定，这里多个HU值区段中每个区段的长度可以根据分割图像上的HU值的取值范围而定，示例地，假设第二类分割图像上HU值的取值范围为[-1150,350]，预设均分为30个HU值区段，那么每个HU值区段的长度就为50，第一个HU值区段为[-1150，-1100]，第二个HU值区段为[-1100，-1050]，后面的HU值区段以此类推，这里不进行一一列举，总之可以得到多个HU值区段。
具体的，计算机设备在得到第二类分割图像中各个第二分割图像之后，也就可以得到每个第二分割图像的第二感兴趣区域上各个点的HU值，然后将所有第二分割图像上每个点的HU值分别和预设HU值区段进行匹配，得到落入在每个HU值区段范围内的点数量，这里统计点数量的操作也可以称为是统计得到直方图的操作，然后可以对所有HU值区段内的点数量进行归一化操作，即将所有点数量求和，并将各HU值区段的点数量除以点数量和值，就可以得到每个HU值区段所对应的分布概率值。示例地，假设有3个HU值区段，第一个区段点数量是3，第二个区段的点数量是12，第三个区段的点数量是5，那么这三个区段对应的分布概率值分别为3/20=15%，12/20=60%，5/20=25%。这里通过对HU值范围进行分段，可以将每个第二分割图像上第二感兴趣区域的HU值进行细化，从而可以获得的特征数据更细，也更多，也就更能反映受检者肺炎的真实情况。
S406，将各第二感兴趣区域在对应的第一感兴趣区域上的体积占比，以及各第二感兴趣区域在各HU值区段内的分布概率值，确定为各第二感兴趣区域对应的特征数据。
具体的，可以将上述得到的各第二感兴趣区域在对应的第一感兴趣区域上的体积占比作为第一特征，将各第二感兴趣区域在各HU值区段内的分布概率值作为第二特征，并将第一特征和第二特征一起作为各第二感兴趣区域对应的特征数据。
本实施例提供的图像量化方法，可以通过各第一感兴趣区域和对应的各第二感兴趣区域，得到各第二感兴趣区域在对应的第一感兴趣区域上的体积占比，同时也可以通过各第二感兴趣区域上每个点的HU值和多个HU值区段，得到各第二感兴趣区域在每个HU值区段内的分布概率值，并将所有的体积占比和所有分布概率值作为各第二感兴趣区域对应的特征数据。在本实施例中，由于确定的体积占比和分布概率值可以反映每个区域的感染情况以及肺炎病灶区域的扩散或吸收情况，这样在利用该体积占比和分布概率值和临床特征数据结合得到医学图像的量化值时，得到的量化值也就是可以真实反映肺部肺炎严重程度情况的值，那么也就是说得到的量化值是比较准确的，更接近受检者的真实情况。
在另一个实施例中，提供了另一种图像量化方法，本实施例涉及的是如何对待检测对象的医学图像进行分割处理，得到第一类分割图像和第二类分割图像的具体过程。在上述实施例的基础上，如图5所示，上述S202可以包括以下步骤：
S502，将待检测对象的医学图像输入至第一分割模型，得到第一类分割图像；第一分割模型用于对医学图像上的肺部和肺叶以及肺段进行分割。
S504，基于第一类分割图像对医学图像上肺部的病灶区域进行分割，得到第二类分割图像；第二类分割图像包括肺部上的病灶区域的分割图像和肺叶上的病灶区域的分割图像，以及肺段上的病灶区域的分割图像。
本实施例中，第一分割模型可以包括三个不同的分割模块，第一个分割模块用于对医学图像上的肺部（即左肺和右肺）进行分割，第二个分割模块用于对医学图像上的肺部的肺叶（即左肺上叶、左肺下叶、右肺上叶、右肺中叶、右肺下叶）进行分割，第三个分割模块用于对医学图像上的肺部的肺段（即左肺8段和右肺10段）进行分割；这里在对病灶区域进行分割时，可以是将第一类分割图像输入至第二分割模型，得到第二类分割图像，该第二分割模型也可以包括三个不同的病灶分割模块，第一个病灶分割模块用于对医学图像上的肺部的病灶区域（即左肺和右肺的病灶区域）进行分割，第二个病灶分割模块用于对医学图像上的肺部的肺叶的病灶区域（即左肺上叶、左肺下叶、右肺上叶、右肺中叶、右肺下叶的病灶区域）进行分割，第三个病灶分割模块用于对医学图像上的肺部的肺段的病灶区域（即左肺8段的病灶区域和右肺10段的病灶区域）进行分割。
当然，这里在对病灶区域进行分割时，也可以是将第一类分割图像输入至第三分割模型，得到肺部病灶区域的分割图像，该第三分割模型用于对肺部病灶区域进行分割；然后基于上述得到的第一类分割图像中左右肺的位置，在这里得到的肺部病灶区域的分割图像上对应分割出左肺和右肺的病灶区域，以及基于上述得到的第一类分割图像中肺叶的位置，从肺部病灶区域的分割图像上对应分割出肺叶的病灶区域，以及基于上述得到的第一类分割图像中肺段的位置，从肺部病灶区域的分割图像上对应分割出肺段的病灶区域。
另外，在采用第一分割模型和第二分割模型以及第三分割模型进行图像分割之前，也可以提前对第一分割模型和第二分割模型以及第三分割模型进行训练，这里第一分割模型是基于第一样本图像集进行训练得到的，第一样本图像集包括第一训练图像和第二训练图像对应的标注第一感兴趣区域，第二分割模型是基于第二样本图像集进行训练得到的，第二样本图像集包括第二训练图像和第二训练图像对应的标注第二感兴趣区域，第三分割模型是基于第三样本图像集进行训练得到的，第三样本图像集包括第三训练图像和第三训练图像对应的标注感兴趣区域。示例地，以肺部为例，这里的标注第一感兴趣区域可以是标注左右肺区域、标注左右肺叶区域、标注左右肺段区域等；这里的标注第二感兴趣区域可以是标注左右肺病灶区域、标注左右肺叶病灶区域、标注左右肺段病灶区域等；这里的标注感兴趣区域可以是标注肺部区域（可以是整个肺部区域）。
本实施例提供的图像量化方法，可以将待检测对象的医学图像输入至第一分割模型，得到第一类分割图像，第一分割模型用于对医学图像上的肺部和肺叶以及肺段进行分割，基于第一类分割图像对医学图像上肺部的病灶区域进行分割，得到第二类分割图像；第二类分割图像包括肺部上的病灶区域的分割图像和肺叶上的病灶区域的分割图像，以及肺段上的病灶区域的分割图像。在本实施例中，由于可以对待检测对象的医学图像进行分割，得到包括第一感兴趣区域的第一分割图像和包括第二感兴趣区域的第二分割图像，这样可以为后续确定各第二感兴趣区域对应的特征数据提供一个基础；另外，本实施例利用分割模型得到第一感兴趣区域，进而得到第二感兴趣区域，得到的这两个感兴趣区域相对比较准确，这样后续利用感兴趣区域确定的特征数据也就比较准确，从而再利用该准确的特征数据得到量化值时，得到的量化值也是比较准确的。
在另一个实施例中，为了便于对本申请的技术方案进行更详细的说明，以下结合一个更加详细的实施例加以说明，该方法可以包括以下步骤S1-S7：
S1，对待检测对象的医学图像进行分割处理，得到第一类分割图像和第二类分割图像；该第一类分割图像包括至少一个第一感兴趣区域，第一感兴趣区域包括肺部区域、肺叶区域、肺段区域，第二类分割图像包括各第一感兴趣区域对应的第二感兴趣区域，第二感兴趣区域包括肺部上的病灶区域、肺叶上的病灶区域、肺段上的病灶区域。
S2，获取各第二感兴趣区域的体素数量和各第一感兴趣区域的体素数量，将各第二感兴趣区域的体素数量和对应的第一感兴趣区域的体素数量做比值，得到各第二感兴趣区域在对应的第一感兴趣区域上的体积占比，记为第一特征。
S3，获取预设的多个HU值区段和各第二感兴趣区域上每个点的HU值，将各第二感兴趣区域上每个点的HU值和各HU值区段进行匹配，得到各第二感兴趣区域在各HU值区段内的点数量，对各第二感兴趣区域在各HU值区段内的点数量进行归一化处理，得到各第二感兴趣区域在各HU值区段内的分布概率值，记为第二特征。
S4，获取待检测对象的临床特征数据，记为第三特征。
S5，将第一特征和第二特征以及第三特征进行拼接或级联，得到拼接后的特征数据。
S6，对拼接后的特征数据进行特征选择，得到选择后的特征数据。
S7，将选择后的特征数据输入至训练好的神经网络模型中，得到医学图像对应的量化值。
本实施例在得到医学图像的量化值时，是通过结合待检测对象的医学图像上的体积占比和分布概率值以及待检测对象的临床特征数据得到的，可见本实施例结合的数据信息更多，也更丰富，因此，本实施例最终得到的检测结果（即得到的量化值）更加准确，即本实施例的方法可以提高检测结果的精度；另外，本实施例也可以有针对性地对待检测对象进行检测，从而可以避免盲目检测，浪费时间的问题，进而可以节省检测时间。除此之外，采用体积占比和分布概率值来进行检测，计算过程简单，得到的结果也更加符合待检测对象的真实情况。
应该理解的是，虽然图2-5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2-5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。
在一个实施例中，如图6所示，提供了一种图像量化装置，包括：分割模块10、第一确定模块11和第二确定模块12，其中：
分割模块10，用于对待检测对象的医学图像进行分割处理，得到第一类分割图像和第二类分割图像；该第一类分割图像包括至少一个第一感兴趣区域，第一感兴趣区域包括肺部区域、肺叶区域、肺段区域，第二类分割图像包括各第一感兴趣区域对应的第二感兴趣区域，第二感兴趣区域包括肺部上的病灶区域、肺叶上的病灶区域、肺段上的病灶区域；
第一确定模块11，用于根据至少一个第一感兴趣区域和各第一感兴趣区域对应的第二感兴趣区域，确定各第二感兴趣区域对应的特征数据；该特征数据用于表征各第二感兴趣区域的分布情况；
第二确定模块12，用于根据各第二感兴趣区域的特征数据和待检测对象的临床特征数据，确定医学图像对应的量化值；该临床特征数据为对待检测对象进行临床检测后得到的数据，量化值用于指示医学图像上肺部感染的严重程度。
关于图像量化装置的具体限定可以参见上文中对于图像量化方法的限定，在此不再赘述。
在另一个实施例中，提供了另一种图像量化装置，在上述实施例的基础上，上述第二确定模块12可以包括：拼接单元和第一确定单元，其中：
拼接单元，用于将各第二感兴趣区域对应的特征数据和待检测对象的临床特征数据进行拼接，得到拼接后的特征数据。
第一确定单元，用于将拼接后的特征数据输入至神经网络模型中，得到医学图像对应的量化值；该神经网络模型是基于样本图像的特征数据集进行训练得到的，样本图像的特征数据集包括训练图像的特征数据、样本临床特征数据和训练图像对应的标注量化值，训练图像的特征数据是根据训练图像上标注的感兴趣区域得到的。
可选的，上述第二确定模块12还可以包括选择单元，该选择单元，用于对拼接后的特征数据进行特征选择，得到选择后的特征数据；该选择后的特征数据的数量不多于拼接后的特征数据的数量。相应地，上述第一确定单元，还用于将选择后的特征数据输入至神经网络模型中，得到医学图像对应的量化值。
可选的，上述图像量化装置还可以包括训练模块，该训练模块用于将训练图像的特征数据和样本临床特征数据输入至初始神经网络模型，得到训练图像对应的预测量化值，根据训练图像对应的预测量化值和训练图像对应的标注量化值，确定预测量化值和标注量化值之间的损失，并将损失作为损失函数的值，利用损失函数的值对初始神经网络模型进行训练，得到神经网络模型。
在另一个实施例中，提供了另一种图像量化装置，在上述实施例的基础上，上述第一确定模块11可以包括：占比确定单元、概率确定单元和第二确定单元，其中：
占比确定单元，用于根据至少一个第一感兴趣区域和各第一感兴趣区域对应的第二感兴趣区域，确定各第二感兴趣区域在对应的第一感兴趣区域上的体积占比。
概率确定单元，用于根据各第二感兴趣区域上每个点的HU值和预设的多个HU值区段，确定各第二感兴趣区域在各HU值区段内的分布概率值。
第二确定单元，用于将各第二感兴趣区域在对应的第一感兴趣区域上的体积占比，以及各第二感兴趣区域在各HU值区段内的分布概率值，确定为各第二感兴趣区域对应的特征数据。
可选的，上述占比确定单元，还用于获取各第二感兴趣区域的体素数量和各第一感兴趣区域的体素数量；将各第二感兴趣区域的体素数量和对应的第一感兴趣区域的体素数量做比值，得到各第二感兴趣区域在对应的第一感兴趣区域上的体积占比。
可选的，上述概率确定单元，还用于获取预设的多个HU值区段和各第二感兴趣区域上每个点的HU值；将各第二感兴趣区域上每个点的HU值和各HU值区段进行匹配，得到各第二感兴趣区域在各HU值区段内的点数量；对各第二感兴趣区域在各HU值区段内的点数量进行归一化处理，得到各第二感兴趣区域在各HU值区段内的分布概率值。
在另一个实施例中，提供了另一种图像量化装置，在上述实施例的基础上，上述分割模块10可以包括：第一分割单元和第二分割单元，其中：
第一分割单元，用于将待检测对象的医学图像输入至第一分割模型，得到第一类分割图像；第一分割模型用于对医学图像上的肺部和肺叶以及肺段进行分割；
第二分割单元，用于基于第一类分割图像对医学图像上肺部的病灶区域进行分割，得到第二类分割图像；第二类分割图像包括肺部上的病灶区域的分割图像和肺叶上的病灶区域的分割图像，以及肺段上的病灶区域的分割图像。
关于图像量化装置的具体限定可以参见上文中对于图像量化方法的限定，在此不再赘述。
上述图像量化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，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：
对待检测对象的医学图像进行分割处理，得到第一类分割图像和第二类分割图像；该第一类分割图像包括至少一个第一感兴趣区域，第一感兴趣区域包括肺部区域、肺叶区域、肺段区域，第二类分割图像包括各第一感兴趣区域对应的第二感兴趣区域，第二感兴趣区域包括肺部上的病灶区域、肺叶上的病灶区域、肺段上的病灶区域；
根据至少一个第一感兴趣区域和各第一感兴趣区域对应的第二感兴趣区域，确定各第二感兴趣区域对应的特征数据；该特征数据用于表征各第二感兴趣区域的分布情况；
根据各第二感兴趣区域的特征数据和待检测对象的临床特征数据，确定医学图像对应的量化值；该临床特征数据为对待检测对象进行临床检测后得到的数据，量化值用于指示医学图像上肺部感染的严重程度。
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：
将各第二感兴趣区域对应的特征数据和待检测对象的临床特征数据进行拼接，得到拼接后的特征数据；将拼接后的特征数据输入至神经网络模型中，得到医学图像对应的量化值；该神经网络模型是基于样本图像的特征数据集进行训练得到的，样本图像的特征数据集包括训练图像的特征数据、样本临床特征数据和训练图像对应的标注量化值，训练图像的特征数据是根据训练图像上标注的感兴趣区域得到的。
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：
根据至少一个第一感兴趣区域和各第一感兴趣区域对应的第二感兴趣区域，确定各第二感兴趣区域在对应的第一感兴趣区域上的体积占比；根据各第二感兴趣区域上每个点的HU值和预设的多个HU值区段，确定各第二感兴趣区域在各HU值区段内的分布概率值；将各第二感兴趣区域在对应的第一感兴趣区域上的体积占比，以及各第二感兴趣区域在各HU值区段内的分布概率值，确定为各第二感兴趣区域对应的特征数据。
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：
获取各第二感兴趣区域的体素数量和各第一感兴趣区域的体素数量；将各第二感兴趣区域的体素数量和对应的第一感兴趣区域的体素数量做比值，得到各第二感兴趣区域在对应的第一感兴趣区域上的体积占比。
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：
获取预设的多个HU值区段和各第二感兴趣区域上每个点的HU值；将各第二感兴趣区域上每个点的HU值和各HU值区段进行匹配，得到各第二感兴趣区域在各HU值区段内的点数量；对各第二感兴趣区域在各HU值区段内的点数量进行归一化处理，得到各第二感兴趣区域在各HU值区段内的分布概率值。
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：
对拼接后的特征数据进行特征选择，得到选择后的特征数据；该选择后的特征数据的数量不多于拼接后的特征数据的数量。
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：
将训练图像的特征数据和样本临床特征数据输入至初始神经网络模型，得到训练图像对应的预测量化值，根据训练图像对应的预测量化值和训练图像对应的标注量化值，确定预测量化值和标注量化值之间的损失，并将损失作为损失函数的值，利用损失函数的值对初始神经网络模型进行训练，得到神经网络模型。
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：
将待检测对象的医学图像输入至第一分割模型，得到第一类分割图像；第一分割模型用于对医学图像上的肺部和肺叶以及肺段进行分割；基于第一类分割图像对医学图像上肺部的病灶区域进行分割，得到第二类分割图像；第二类分割图像包括肺部上的病灶区域的分割图像和肺叶上的病灶区域的分割图像，以及肺段上的病灶区域的分割图像。
在一个实施例中，提供了一种可读存储介质，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：
对待检测对象的医学图像进行分割处理，得到第一类分割图像和第二类分割图像；该第一类分割图像包括至少一个第一感兴趣区域，第一感兴趣区域包括肺部区域、肺叶区域、肺段区域，第二类分割图像包括各第一感兴趣区域对应的第二感兴趣区域，第二感兴趣区域包括肺部上的病灶区域、肺叶上的病灶区域、肺段上的病灶区域；
根据至少一个第一感兴趣区域和各第一感兴趣区域对应的第二感兴趣区域，确定各第二感兴趣区域对应的特征数据；该特征数据用于表征各第二感兴趣区域的分布情况；
根据各第二感兴趣区域的特征数据和待检测对象的临床特征数据，确定医学图像对应的量化值；该临床特征数据为对待检测对象进行临床检测后得到的数据，量化值用于指示医学图像上肺部感染的严重程度。
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：
将各第二感兴趣区域对应的特征数据和待检测对象的临床特征数据进行拼接，得到拼接后的特征数据；将拼接后的特征数据输入至神经网络模型中，得到医学图像对应的量化值；该神经网络模型是基于样本图像的特征数据集进行训练得到的，样本图像的特征数据集包括训练图像的特征数据、样本临床特征数据和训练图像对应的标注量化值，训练图像的特征数据是根据训练图像上标注的感兴趣区域得到的。
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：
根据至少一个第一感兴趣区域和各第一感兴趣区域对应的第二感兴趣区域，确定各第二感兴趣区域在对应的第一感兴趣区域上的体积占比；根据各第二感兴趣区域上每个点的HU值和预设的多个HU值区段，确定各第二感兴趣区域在各HU值区段内的分布概率值；将各第二感兴趣区域在对应的第一感兴趣区域上的体积占比，以及各第二感兴趣区域在各HU值区段内的分布概率值，确定为各第二感兴趣区域对应的特征数据。
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：
获取各第二感兴趣区域的体素数量和各第一感兴趣区域的体素数量；将各第二感兴趣区域的体素数量和对应的第一感兴趣区域的体素数量做比值，得到各第二感兴趣区域在对应的第一感兴趣区域上的体积占比。
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：
获取预设的多个HU值区段和各第二感兴趣区域上每个点的HU值；将各第二感兴趣区域上每个点的HU值和各HU值区段进行匹配，得到各第二感兴趣区域在各HU值区段内的点数量；对各第二感兴趣区域在各HU值区段内的点数量进行归一化处理，得到各第二感兴趣区域在各HU值区段内的分布概率值。
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：
对拼接后的特征数据进行特征选择，得到选择后的特征数据；该选择后的特征数据的数量不多于拼接后的特征数据的数量。
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：
将训练图像的特征数据和样本临床特征数据输入至初始神经网络模型，得到训练图像对应的预测量化值，根据训练图像对应的预测量化值和训练图像对应的标注量化值，确定预测量化值和标注量化值之间的损失，并将损失作为损失函数的值，利用损失函数的值对初始神经网络模型进行训练，得到神经网络模型。
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：
将待检测对象的医学图像输入至第一分割模型，得到第一类分割图像；第一分割模型用于对医学图像上的肺部和肺叶以及肺段进行分割；基于第一类分割图像对医学图像上肺部的病灶区域进行分割，得到第二类分割图像；第二类分割图像包括肺部上的病灶区域的分割图像和肺叶上的病灶区域的分割图像，以及肺段上的病灶区域的分割图像。
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)

1.一种图像量化方法，其特征在于，所述方法包括：
对待检测对象的医学图像进行分割处理，得到第一类分割图像和第二类分割图像；所述第一类分割图像包括至少一个第一感兴趣区域，所述第一感兴趣区域包括肺部区域、肺叶区域、肺段区域，所述第二类分割图像包括各所述第一感兴趣区域对应的第二感兴趣区域，所述第二感兴趣区域包括肺部上的病灶区域、肺叶上的病灶区域、肺段上的病灶区域；
根据所述至少一个第一感兴趣区域和各所述第一感兴趣区域对应的第二感兴趣区域，确定各所述第二感兴趣区域对应的特征数据；所述特征数据用于表征各所述第二感兴趣区域的分布情况；
根据各所述第二感兴趣区域对应的特征数据和所述待检测对象的临床特征数据，确定所述医学图像对应的量化值；所述临床特征数据为对所述待检测对象进行临床检测后得到的数据，所述量化值用于指示所述医学图像上肺部感染的严重程度。
2.根据权利要求1所述的方法，其特征在于，所述根据各所述第二感兴趣区域的特征数据和所述待检测对象的临床特征数据，确定所述医学图像对应的量化值，包括：
将各所述第二感兴趣区域对应的特征数据和所述待检测对象的临床特征数据进行拼接，得到拼接后的特征数据；
将所述拼接后的特征数据输入至神经网络模型中，得到所述医学图像对应的量化值；所述神经网络模型是基于样本图像的特征数据集进行训练得到的，所述样本图像的特征数据集包括训练图像的特征数据、样本临床特征数据和所述训练图像对应的标注量化值，所述训练图像的特征数据是根据所述训练图像上标注的感兴趣区域得到的。
3.根据权利要求1所述的方法，其特征在于，所述根据所述至少一个第一感兴趣区域和各所述第一感兴趣区域对应的第二感兴趣区域，确定各所述第二感兴趣区域对应的特征数据，包括：
根据所述至少一个第一感兴趣区域和各所述第一感兴趣区域对应的第二感兴趣区域，确定各所述第二感兴趣区域在对应的第一感兴趣区域上的体积占比；
根据各所述第二感兴趣区域上每个点的HU值和预设的多个HU值区段，确定各所述第二感兴趣区域在各所述HU值区段内的分布概率值；
将各所述第二感兴趣区域在对应的第一感兴趣区域上的体积占比，以及各所述第二感兴趣区域在各所述HU值区段内的分布概率值，确定为各所述第二感兴趣区域对应的特征数据。
4.根据权利要求3所述的方法，其特征在于，所述根据所述至少一个第一感兴趣区域和各所述第一感兴趣区域对应的第二感兴趣区域，确定各所述第二感兴趣区域在对应的第一感兴趣区域上的体积占比，包括：
获取各所述第二感兴趣区域的体素数量和各所述第一感兴趣区域的体素数量；
将各所述第二感兴趣区域的体素数量和对应的第一感兴趣区域的体素数量做比值，得到各所述第二感兴趣区域在对应的第一感兴趣区域上的体积占比。
5.根据权利要求3所述的方法，其特征在于，所述根据各所述第二感兴趣区域上每个点的HU值和预设的多个HU值区段，确定各所述第二感兴趣区域在各所述HU值区段内的分布概率值，包括：
获取预设的多个HU值区段和各所述第二感兴趣区域上每个点的HU值；
将各所述第二感兴趣区域上每个点的HU值和各所述HU值区段进行匹配，得到各所述第二感兴趣区域在各所述HU值区段内的点数量；
对各所述第二感兴趣区域在各所述HU值区段内的点数量进行归一化处理，得到各所述第二感兴趣区域在各所述HU值区段内的分布概率值。
6.根据权利要求2所述的方法，其特征在于，在所述将各所述第二感兴趣区域对应的特征数据和所述待检测对象的临床特征数据进行拼接，得到拼接后的特征数据之后，所述方法还包括：
对所述拼接后的特征数据进行特征选择，得到选择后的特征数据；所述选择后的特征数据的数量不多于所述拼接后的特征数据的数量；
相应地，所述将所述拼接后的特征数据输入至神经网络模型中，得到所述医学图像对应的量化值，包括：
将所述选择后的特征数据输入至神经网络模型中，得到所述医学图像对应的量化值。
7.根据权利要求2所述的方法，其特征在于，所述神经网络模型的训练方法包括：
将所述训练图像的特征数据和所述样本临床特征数据输入至初始神经网络模型，得到所述训练图像对应的预测量化值；
根据所述训练图像对应的预测量化值和所述训练图像对应的标注量化值，确定所述预测量化值和所述标注量化值之间的损失，并将所述损失作为损失函数的值；
利用所述损失函数的值对初始神经网络模型进行训练，得到所述神经网络模型。
8.根据权利要求1-7任意一项所述的方法，其特征在于，所述对待检测对象的医学图像进行分割处理，得到第一类分割图像和第二类分割图像，包括：
将所述待检测对象的医学图像输入至第一分割模型，得到第一类分割图像；所述第一分割模型用于对所述医学图像上的肺部和肺叶以及肺段进行分割；
基于所述第一类分割图像对所述医学图像上肺部的病灶区域进行分割，得到第二类分割图像；所述第二类分割图像包括肺部上的病灶区域的分割图像和肺叶上的病灶区域的分割图像，以及肺段上的病灶区域的分割图像。
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至8中任一项所述的方法的步骤。
10.一种可读存储介质，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至8中任一项所述的方法的步骤。
CN202010240210.3A 2020-03-31 2020-03-31 图像量化方法、计算机设备和存储介质 Active CN111127467B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010240210.3A CN111127467B (zh) 2020-03-31 2020-03-31 图像量化方法、计算机设备和存储介质
US17/218,201 US20210304896A1 (en) 2020-03-31 2021-03-31 Systems and methods for medical diagnosis

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010240210.3A CN111127467B (zh) 2020-03-31 2020-03-31 图像量化方法、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111127467A true CN111127467A (zh) 2020-05-08
CN111127467B CN111127467B (zh) 2020-07-14

Family

ID=70493863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010240210.3A Active CN111127467B (zh) 2020-03-31 2020-03-31 图像量化方法、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111127467B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111640127A (zh) * 2020-05-29 2020-09-08 成都金盘电子科大多媒体技术有限公司 一种用于骨科的精准临床诊断导航方法
CN111932492A (zh) * 2020-06-24 2020-11-13 数坤（北京）网络科技有限公司 一种医学图像处理方法、装置及计算机可读存储介质
CN111951215A (zh) * 2020-06-30 2020-11-17 数坤（北京）网络科技有限公司 一种图像检测方法、装置及计算机可读存储介质
CN112819808A (zh) * 2021-02-23 2021-05-18 上海商汤智能科技有限公司 医学图像检测方法及相关装置、设备、存储介质
CN113077425A (zh) * 2021-03-23 2021-07-06 上海联影智能医疗科技有限公司 目标图像的确定方法、装置、计算机设备和存储介质
CN114022481A (zh) * 2022-01-06 2022-02-08 武汉大学 食管癌乏血管区域大小的确定方法和系统
CN115147359A (zh) * 2022-06-06 2022-10-04 北京医准智能科技有限公司 肺叶分割网络模型训练方法、装置、电子设备及存储介质
JP7414236B2 (ja) 2020-05-22 2024-01-16 富士通株式会社 肺陰影計測プログラム、肺陰影計測方法及び肺陰影計測システム

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110322444A (zh) * 2019-05-31 2019-10-11 上海联影智能医疗科技有限公司 医疗图像处理方法、装置、存储介质及计算机设备
CN110706207A (zh) * 2019-09-12 2020-01-17 上海联影智能医疗科技有限公司 图像量化方法、装置、计算机设备和存储介质
CN110717518A (zh) * 2019-09-10 2020-01-21 北京深睿博联科技有限责任公司 基于3d卷积神经网络的持续性肺结节识别方法及装置
CN110738664A (zh) * 2019-09-12 2020-01-31 上海联影智能医疗科技有限公司 图像定位方法、装置、计算机设备和存储介质
CN110796656A (zh) * 2019-11-01 2020-02-14 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
CN110929789A (zh) * 2019-11-22 2020-03-27 北京理工大学 基于多期ct影像分析的肝肿瘤自动分类方法及装置
CN111080583A (zh) * 2019-12-03 2020-04-28 上海联影智能医疗科技有限公司 医学图像检测方法、计算机设备和可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110322444A (zh) * 2019-05-31 2019-10-11 上海联影智能医疗科技有限公司 医疗图像处理方法、装置、存储介质及计算机设备
CN110717518A (zh) * 2019-09-10 2020-01-21 北京深睿博联科技有限责任公司 基于3d卷积神经网络的持续性肺结节识别方法及装置
CN110706207A (zh) * 2019-09-12 2020-01-17 上海联影智能医疗科技有限公司 图像量化方法、装置、计算机设备和存储介质
CN110738664A (zh) * 2019-09-12 2020-01-31 上海联影智能医疗科技有限公司 图像定位方法、装置、计算机设备和存储介质
CN110796656A (zh) * 2019-11-01 2020-02-14 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
CN110929789A (zh) * 2019-11-22 2020-03-27 北京理工大学 基于多期ct影像分析的肝肿瘤自动分类方法及装置
CN111080583A (zh) * 2019-12-03 2020-04-28 上海联影智能医疗科技有限公司 医学图像检测方法、计算机设备和可读存储介质

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7414236B2 (ja) 2020-05-22 2024-01-16 富士通株式会社 肺陰影計測プログラム、肺陰影計測方法及び肺陰影計測システム
CN111640127A (zh) * 2020-05-29 2020-09-08 成都金盘电子科大多媒体技术有限公司 一种用于骨科的精准临床诊断导航方法
CN111640127B (zh) * 2020-05-29 2023-08-22 成都金盘电子科大多媒体技术有限公司 一种用于骨科的精准临床诊断导航方法
CN111932492A (zh) * 2020-06-24 2020-11-13 数坤（北京）网络科技有限公司 一种医学图像处理方法、装置及计算机可读存储介质
CN111932492B (zh) * 2020-06-24 2021-05-11 数坤（北京）网络科技有限公司 一种医学图像处理方法、装置及计算机可读存储介质
CN111951215A (zh) * 2020-06-30 2020-11-17 数坤（北京）网络科技有限公司 一种图像检测方法、装置及计算机可读存储介质
CN112819808A (zh) * 2021-02-23 2021-05-18 上海商汤智能科技有限公司 医学图像检测方法及相关装置、设备、存储介质
CN113077425A (zh) * 2021-03-23 2021-07-06 上海联影智能医疗科技有限公司 目标图像的确定方法、装置、计算机设备和存储介质
CN114022481A (zh) * 2022-01-06 2022-02-08 武汉大学 食管癌乏血管区域大小的确定方法和系统
CN114022481B (zh) * 2022-01-06 2022-04-19 武汉大学 食管癌乏血管区域大小的确定方法和系统
CN115147359A (zh) * 2022-06-06 2022-10-04 北京医准智能科技有限公司 肺叶分割网络模型训练方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111127467B (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111127467B (zh) 图像量化方法、计算机设备和存储介质
JP5650647B2 (ja) コンピュータ支援診断用に臨床フィーチャと画像フィーチャを融合するシステム及び方法
US8840555B2 (en) System and method of ultrasound image processing
US11915822B2 (en) Medical image reading assistant apparatus and method for adjusting threshold of diagnostic assistant information based on follow-up examination
CN113850753B (zh) 医学图像信息计算方法、装置、边缘计算设备和存储介质
WO2019102829A1 (ja) 画像解析方法、画像解析装置、画像解析システム、画像解析プログラム、記録媒体
Brugnara et al. Automated volumetric assessment with artificial neural networks might enable a more accurate assessment of disease burden in patients with multiple sclerosis
CN103177179A (zh) 诊断因素集合确定设备和方法
CN114298234B (zh) 脑部医学影像分类方法、装置、计算机设备和存储介质
US20230154620A1 (en) Apparatus and method for assisting reading of chest medical images
Liao et al. A linguistic belief-based evidential reasoning approach and its application in aiding lung cancer diagnosis
JP7170747B2 (ja) 類似度決定装置、方法およびプログラム
US20030103663A1 (en) Computerized scheme for distinguishing between benign and malignant nodules in thoracic computed tomography scans by use of similar images
Irene et al. Segmentation and approximation of blood volume in intracranial hemorrhage patients based on computed tomography scan images using deep learning method
CN111402218A (zh) 脑出血检测方法和装置
CN117727441A (zh) 基于临床-融合影像计算机模型预测肺癌免疫疗效方法
CN117253625A (zh) 肺癌筛查模型的构建装置、肺癌筛查装置、设备及介质
GB2594759A (en) Method
US20220398763A1 (en) Systems and methods of volumetrically assessing structures of skeletal cavities
JP2010097476A (ja) 画像検索装置及びその方法
KR102647251B1 (ko) 하지 정렬 평가 방법 및 이를 이용한 하지 정렬 평가용 디바이스
Zerweck et al. An objective, automated and robust scoring using fluorescence optical imaging to evaluate changes in micro-vascularisation indicating early arthritis
Toledano et al. Methods for quantitative imaging biomarker studies
Chen et al. Prediction model based on artificial intelligence for identifying risk of coronary atherosclerotic heart disease in computed tomography
Sadique et al. Brain Tumor Recurrence vs. Radiation Necrosis Classification and Patient Survivability Prediction

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