CN111128348A - 医学图像处理方法、装置、存储介质及计算机设备 - Google Patents
医学图像处理方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN111128348A CN111128348A CN201911377092.4A CN201911377092A CN111128348A CN 111128348 A CN111128348 A CN 111128348A CN 201911377092 A CN201911377092 A CN 201911377092A CN 111128348 A CN111128348 A CN 111128348A
- Authority
- CN
- China
- Prior art keywords
- image
- abnormal
- image structure
- classification
- detection 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
- 238000003672 processing method Methods 0.000 title claims description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 214
- 238000001514 detection method Methods 0.000 claims abstract description 160
- 208000024891 symptom Diseases 0.000 claims abstract description 89
- 230000005856 abnormality Effects 0.000 claims abstract description 43
- 238000013145 classification model Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 16
- 210000004072 lung Anatomy 0.000 description 15
- 238000002591 computed tomography Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 201000003144 pneumothorax Diseases 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000002600 positron emission tomography Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 208000027790 Rib fracture Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 206010035664 Pneumonia Diseases 0.000 description 2
- 238000002597 diffusion-weighted imaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000010392 Bone Fractures Diseases 0.000 description 1
- 206010063045 Effusion Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 208000002151 Pleural effusion Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
Abstract
本申请涉及一种医学图像处理方法、装置、存储介质及计算机设备，在对医学图像进行处理时，在检测到第一层级图像结构包含异常征象时，继续对该第一层级图像结构所包含的第二层级图像结构进行异常征象检测，即按照由高层级向低层级的顺序，对各图像结构进行异常征象检测，从而可以使得异常检测更全面；另外，基于检测结果确定包含异常征象的目标图像结构，然后通过至少一种分类模型进行异常分类，从而可以提高异常分类结果的准确性，从而可以得到可靠的异常类别信息以支持医生进行进一步的诊断，有助于医生进行后期的准确确诊。
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处理方法、装置、存储介质及计算机设备。
背景技术
随着医学成像技术的飞速发展，产生了各种医学扫描图像，如PET(PositronEmission Computed Tomography，正电子发射型计算机断层显像)图像、CT(ComputedTomography，电子计算机断层扫描)图像、MRI(Magnetic Resonance Imaging，磁共振成像)图像等。医学图像是医生诊断的重要参考依据，因此，为了提高诊断效率，医学图像的自动化处理具有重要意义。
现有技术中，在自动进行医学图像的处理时，所采用的模型通常是单病种模型，即只能检测单种病况，然而，通过现有的医学图像处理模型得到的图像处理结果存在漏检的风险，因此无法得到可靠的检测数据以支持医生进行进一步的诊断，从而不利于后期的准确确诊。
发明内容
基于此，有必要针对现有技术存在的问题，提供一种检测更全面以支持后期准确确诊的医学图像处理方法、装置、存储介质及计算机设备。
一种医学图像处理方法，包括：
获取待处理的医学图像，所述医学图像至少包含第一层级图像结构以及第二层级图像结构，其中，第一层级高于第二层级；
通过检测模型对所述第一层级图像结构进行异常征象检测，得到第一检测结果；
当所述第一检测结果为所述第一层级图像结构包含异常征象时，通过所述检测模型对所述第一层级图像结构所包含的第二层级图像结构进行异常征象检测，得到第二检测结果；
基于所述第二检测结果，或者，基于所述第一检测结果以及所述第二检测结果，确定包含异常征象的目标图像结构；
通过至少一种分类模型对包含所述目标图像结构的图像进行异常分类，得到所述医学图像对应的异常类别信息。
一种医学图像处理装置，包括：
图像获取模块，用于获取待处理的医学图像，所述医学图像至少包含第一层级图像结构以及第二层级图像结构，其中，第一层级高于第二层级；
图像结构检测模块，用于通过检测模型对所述医学图像中的第一层级图像结构进行异常征象检测，得到第一检测结果；当所述第一检测结果为所述第一层级图像结构包含异常征象时，通过所述检测模型对所述第一层级图像结构所包含的第二层级图像结构进行异常征象检测，得到第二检测结果；
目标结构确定模块，用于基于所述第二检测结果，或者，基于所述第一检测结果以及所述第二检测结果，确定包含异常征象的目标图像结构；
异常分类模块，用于通过至少一种分类模型对包含所述目标图像结构的图像进行异常分类，得到所述医学图像对应的异常类别信息。
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上述方法的步骤。
一种计算机可读存储介质，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上述方法的步骤。
上述医学图像处理方法、装置、存储介质及计算机设备，获取待处理的医学图像，医学图像至少包含第一层级图像结构以及第二层级图像结构，其中，第一层级高于第二层级；通过检测模型对第一层级图像结构进行异常征象检测，得到第一检测结果；当第一检测结果为第一层级图像结构包含异常征象时，通过检测模型对第一层级图像结构所包含的第二层级图像结构进行异常征象检测，得到第二检测结果；基于第二检测结果，或者，基于第一检测结果以及第二检测结果，确定包含异常征象的目标图像结构；通过至少一种分类模型对包含目标图像结构的图像进行异常分类，得到医学图像对应的异常类别信息。在本申请中，在对医学图像进行处理时，在检测到第一层级图像结构包含异常征象时，继续对该第一层级图像结构所包含的第二层级图像结构进行异常征象检测，即按照由高层级向低层级的顺序，对各图像结构进行异常征象检测，从而可以使得异常检测更全面；另外，基于检测结果确定包含异常征象的目标图像结构，然后通过至少一种分类模型进行异常分类，从而可以提高异常分类结果的准确性，从而可以得到可靠的异常类别信息以支持医生进行进一步的诊断，有助于医生进行后期的准确确诊。
附图说明
图1为一个实施例中医学图像处理方法的流程示意图；
图2为另一个实施例中医学图像处理方法的流程示意图；
图3为又一个实施例中医学图像处理方法的流程示意图；
图4为一个实施例中某目标对象肺部医学图像的实例图；
图5为一个实施例中通过至少一种分类模型对包含目标图像结构的图像进行异常分类，得到医学图像对应的异常类别信息的流程示意图；
图6为再一个实施例中医学图像处理方法的流程示意图；
图7为一个实施例中医学图像处理方法的应用实例图；
图8为一个实施例中医学图像处理装置的结构示意图；
图9为另一个实施例中医学图像处理装置的结构示意图；
图10为又一个实施例中医学图像处理装置的结构示意图；
图11为一个实施例中计算机设备的内部结构图。
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。
在一个实施例中，如图1所示，提供一种医学图像处理方法，以该方法应用于可以进行医学图像处理的处理器为例进行解释说明，该方法主要包括以下步骤：
步骤S100，获取待处理的医学图像。
其中，医学图像包含不同层级的图像结构，不同层级具体是指图像结构的范围等级不同。例如，医学图像至少包含第一层级图像结构以及第二层级图像结构，其中，第一层级高于第二层级；可选地，医学图像还可以包含第三层级图像结构，第三层级低于第二层级，本申请对图像结构的层级数量不作具体限定。
具体地，以某一目标对象的医学图像为例，最高层级的图像结构为该目标对象的整体结构，例如人体整体；随后的下一层级可以是按照身体部位划分的图像结构，例如头部、上身部、下身部、脚部等；再随后的下一层级可以是按照具体的器官组织划分的图像结构，例如，对于上身部，下一层级的图像结构包括心脏、肺部等；再随后的下一层级可以是按照器官组织的内部结构划分的图像结构，例如，对于肺部，下一层级的图像结构包括左上叶、左下叶、右上叶、右中叶、右下叶等。低层级的图像结构在对应的高层级图像结构的范围内，单个高层级的图像结构可以是同时包含多个低层级的图像结构。
本步骤中，处理器可以通过对医学扫描设备采集到的扫描数据进行图像重建和校正，从而得到待处理的医学图像。当然，医学图像也可以预先重建和校正好，存储在存储器中，当需要对其进行处理时，处理器直接从存储器中读取医学图像。当然，处理器也可以从外部设备中获取医学图像。比如，将待处理的医学图像存储在云端，当需要进行处理操作时，处理器从云端获取该待处理的医学图像。此外，外部设备也可以是外部的存储介质等，本实施例对获取医学图像的获取方式不做限定。
可以理解，医疗图像具体可以是单模态图像，如PET(Positron EmissionComputed Tomography，正电子发射型计算机断层显像)图像、CT(Computed Tomography，电子计算机断层扫描)图像、MRI(Magnetic Resonance Imaging，磁共振成像)图像等，也可以是多模态图像，如，当医疗图像为MRI图像时，医疗图像可以是T1加权成像(T1WI)、T2加权成像(T2WI)、DWI(diffusion-weighted imaging，扩散加权成像)以及增强T1等。另外，医疗图像并不仅仅是指代单独一张图像，医疗图像也可以是指代一个图像集，例如，由同一被检查对象对应的、不同成像扫描参数(不同扫描序列、不同模态、不同拍摄体位等)的多张医疗图像组成的图像集等。
步骤S200，通过检测模型对第一层级图像结构进行异常征象检测，得到第一检测结果。
处理器在得到待处理的医学图像后，通过检测模型对医学图像中的第一层级图像结构进行异常征象的检测，第一层级图像结构为医学图像中的最高层级的图像结构，因此，本步骤的异常征象检测可以认为是对医学图像整体的异常检测。例如，当待处理的医学图像为目标对象的全身扫描图像时，第一层级图像结构为目标对象的整个身体的异常征象检测；当待处理的医学图像为目标对象的肺部扫描图像时，第一层级图像结构为目标对象的整个肺部的异常征象检测。
步骤S300，当第一检测结果为第一层级图像结构包含异常征象时，通过检测模型对第一层级图像结构所包含的第二层级图像结构进行异常征象检测，得到第二检测结果。
处理器通过对第一层级图像结构进行异常征象检测，得到的第一检测结果包含两种情况：第一层级图像结构包含或者不包含异常征象。当第一层级图像结果不包含异常征象时，可以认为该图像结构为正常的图像结构，从而可以确定目标对象中第一层级图像结构所对应的身体部位为正常状态，此时无需进行下一步的分析处理，从而可以减少图像处理流程。
当第一层级图像结果包含异常征象时，可以认为该图像结构为出现异常的图像结构，从而可以确定目标对象中第一层级图像结构所对应的身体部位为异常状态。由于第一层级图像结构包含多个第二层级图像结构，此时，为了确认第一层级图像结构中具体是何种异常，处理器通过检测模型对第一层级图像结构所包含的所有第二层级图像结构进行异常征象检测，从而确定第一层级图像结构中哪些第二层级图像结构包含异常征象，哪些第二层级图像结构不包含异常征象。
步骤S400，基于第二检测结果，或者，基于第一检测结果以及第二检测结果，确定包含异常征象的目标图像结构。
处理器在对第二层级图像结构进行异常征象检测得到第二检测结果后，进一步确定包含异常征象的目标图像结构。此时，处理器可以是仅根据第二检测结果来确定包含异常征象的目标图像结构，也可以是同时根据第一检测结果以及第二检测结果来确定包含异常征象的目标图像结构。
步骤S600，通过至少一种分类模型对包含目标图像结构的图像进行异常分类，得到医学图像对应的异常类别信息。
处理器在确定包含异常征象的目标图像结构之后，通过分类模型对目标图像结构进行异常分类，从而确定目标图像结构对应的异常信息。通过所有的目标图像结构对应的异常信息，可以确定医学图像对应的异常类别信息。处理器在对目标图像结构进行异常分类时，考虑到分类模型所分的异常类别有限，因此，可以通过至少一种用于进行异常分类的分类模型进行异常分类，从而使得异常类别信息更加全面准确。以肺部为例，肺部常见疾病包括早期肺癌、肺炎、气胸、胸腔积液等，因此，可以通过能够对上述疾病进行分类的至少一种分类模型进行异常分类，从而保证所有的异常类型都可以被检测到。
可选地，在进行异常分类时，若根据当前已确定的目标图像结构无法得到准确的异常类别，还可以进一步通过检测模型对第二层级图像结构所包含的第三层级图像结构、或者更低层级的图像结构进行异常检测，从而可以结合得到的检测结果确定新的目标图像结构，然后通过分类模型对新的目标图像结构进行异常分类。
需要说明的是，本实施例中，所使用的检测模型以及分类模型可以是处理器进行实时训练得到，也可以是直接调用预先训练得到、处理器直接调用即可，在此不作限定。
本实施例提供一种医学图像处理方法，在对医学图像进行处理时，在检测到第一层级图像结构包含异常征象时，继续对该第一层级图像结构所包含的第二层级图像结构进行异常征象检测，即按照由高层级向低层级的顺序，对各图像结构进行异常征象检测，从而可以使得异常检测更全面；另外，基于检测结果确定包含异常征象的目标图像结构，然后通过至少一种分类模型进行异常分类，从而可以提高异常分类结果的准确性，从而可以得到可靠的异常类别信息以支持医生进行进一步的诊断，有助于医生进行后期的准确确诊。
在一个实施例中，基于第二检测结果，或者，基于第一检测结果以及第二检测结果，确定包含异常征象的目标图像结构包括：基于第二检测结果，确定包含异常征象的第二层级图像结构为目标图像结构；或者，基于第一检测结果以及第二检测结果，确定包含异常征象的第一层级图像结构以及包含异常征象的第二层级图像结构为目标图像结构。
具体地，仅根据第二检测结果来确定包含异常征象的目标图像结构时，由于第二检测结果为第二层级图像结构是否包含异常征象，因此，可以确定包含异常征象的第二层级图像结构为目标图像结构。在结合第一检测结果以及第二检测结果来确定包含异常征象的目标图像结构时，由于第一检测结果为第一层级图像结构是否包含异常征象，因此，可以确定包含异常征象的第一层级图像结构以及包含异常征象的第二层级图像结构为目标图像结构。
可以理解，在图像处理过程汇总，若还包含对第三层级图像结构或者更低层级的图像结构的检测征象检测，则还可以结合第三层级图像结构或者更低层级的图像结构的检测结果来确定目标图像结构。
本实施例根据异常征象检测的检测结果来确定包含异常征象的目标图像结构，从而可以准确确定出现异常的图像结构，从而可以提高异常分类处理的效率以及准确性。
在一个实施例中，如图2所示，在步骤S400确定包含异常征象的目标图像结构之后，在步骤S600通过至少一种分类模型对包含目标图像结构的图像进行异常分类之前，医学图像处理方法还包括步骤S510，通过分割模型对包含异常征象的目标图像结构进行分割，得到包含目标图像结构的图像。
处理器在进行异常分类之前，可以首先通过分割模型对包含异常征象的目标图像结构进行图像分割处理，得到仅包含目标图像结构的图像。其中，分割模型具体可以是深度学习模型，例如DNN(Deep Neural Networks，深度神经网络)、CNN(Convolutional NeuralNetworks，卷积神经网络)或RNN(Recurrent Neural Network，循环神经网络)等，其中，CNN模型可以是V-Net分割模型、U-Net分割模型、Link-Net分割模型等。本实施例中，所使用的分割模型可以是处理器进行实时训练得到，也可以是直接调用预先训练得到、处理器直接调用即可，在此不作限定。
本实施例通过对目标图像结构进行分割处理，在进行异常分类时，处理器将仅包含目标图像结构的图像输入分类模型，分类模型可以根据仅包含异常征象的图像结构进行异常分类，从而可以排除其他图像结构的干扰，提高异常分类结果的准确性。
在一个实施例中，如图3所示，在步骤S400确定包含异常征象的目标图像结构之后，在步骤S600通过至少一种分类模型对包含目标图像结构的图像进行异常分类之前，医学图像处理方法还包括步骤S522至步骤S526。
步骤S522，提取医学图像中的图像特征；
步骤S524，分别设定各图像特征对应的注意力权值，其中，包含异常征象的目标图像结构的注意力权值大于不包含异常征象的图像结构的注意力权值；
步骤S526，基于各图像特征以及对应的注意力权值，得到包含目标图像结构的图像。
具体地，处理器可以通过神经网络提取医学图像中的图像特征，并对图像特征做注意力分配处理，也就是attention处理，设定不同图像结构的注意力权值(attentionvalue)；然后，将注意力权值和图像特征结合，得到加权图像特征，最后基于加权图像特征进行图像重建得到包含目标图像结构的图像。
其中，包含异常征象的目标图像结构的注意力权值大于不包含异常征象的图像结构的注意力权值，即本实施例通过进行注意力分配，使得包含异常征象的目标图像结构所占的权重增大，也就是通过注意力机制分配特征向量的注意力权值，让注意力集中在权值较高的特征向量，从而使得在图像处理过程中能聚焦到重要元素(包含异常征象的目标图像结构)，大大提高了图像理解信息的准确性，提高了计算机设备对图像的理解能力。
本实施例通过对医学图像进行注意力分配处理，使得包含异常征象的目标图像结构的注意力权值大于不包含异常征象的图像结构的注意力权值，从而起到凸显包含异常征象的目标图像结构的目的。在进行异常分类时，处理器将进行注意力分配处理后的图像输入分类模型，分类模型可以根据图像中各图像结构的注意力权值确定图像中的重要元素，即可以准确找到权值大的目标图像结构进行异常分类，从而可以排除其他权值较小的正常图像结构的干扰，提高异常分类结果的准确性。
在一个实施例中，至少一种分类模型包括多个用于进行异常分类的分类网络。步骤S600通过至少一种分类模型对包含目标图像结构的图像进行异常分类，得到医学图像对应的异常类别信息包括：
依次通过多个用于进行异常分类的分类网络对包含目标图像结构的图像进行分类判断，得到医学图像对应的异常类别信息。
具体地，在一张医学图像中可能同时存在多种异常征象，多种异常征象可能反映多种异常类别，异常征象所在的图像结构不同，其对应的异常类别也存在较大差别。然而，由于现有的分类网络仅能对较少类别的病况进行分类，从而，仅通过一种分类网络进行异常分类可能会存在遗漏的情况。
例如，如图4所示，为某目标对象肺部医学图像的实例图，可以看出，该目标对象目前存在气胸以及肋骨骨折等异常，此时，若仅使用可以进行气胸分类的第一分类网络进行异常分类，会漏掉肋骨骨折这一异常情况。
本申请通过依次使用多个用于进行异常分类的分类网络对包含目标图像结构的图像进行分类判断，例如，对于图4，依次使用的分类网络至少可以包含可以进行气胸分类的第一分类网络以及可以进行肋骨骨折分类的第二分类网络，从而，可以准确得到医学图像对应的所有异常类别信息，从而使得异常检测结果更加准确全面。
在一个实施例中，如图5所示，步骤S600通过至少一种分类模型对包含目标图像结构的图像进行异常分类，得到医学图像对应的异常类别信息包括步骤S620至步骤S640。
步骤S620，基于单个异常类别与多种异常征象的对应关系，从所有目标图像结构中筛选对应相同异常类别的相关目标图像结构；
步骤S640，通过至少一种分类模型对对应相同异常类别的相关目标图像结构进行异常分类，得到医学图像对应的异常类别信息。
在对医学图像进行处理的过程中，对于部分异常类别，仅仅依靠单种异常征象并不能判断确定，因此，本实施例基于单个异常类别与多种异常征象的对应关系，通过分类网络对存在相关性的异常征象进行异常分类，使用多种异常征象来判断确定具体的异常类别，从而进一步提高网络模型的异常类别分类结果的准确性。
在一个实施例中，如图6所示，步骤S600之后，医学图像处理方法还包括步骤S720至步骤S760。
步骤S720，推送包含目标图像结构的图像以及对应的异常类别信息至第三方校核平台；
步骤S740，接收第三方校核平台反馈的异常类别信息的校核信息；
步骤S760，基于异常类别信息以及校核信息，得到医学图像的最终异常类别信息。
处理器在得到异常类别信息后，进一步将包含目标图像结构的图像以及对应的异常类别信息进行推送，由第三方校核平台进行检验，然后根据接收的校核信息得到最终异常类别信息。
其中，第三方校核平台可以是能够与本申请的处理器进行信息交互、并可以以全自动的工作方式进行图像处理(如基于包含异常征象的图像结构进行异常类别校核等)的平台/设备；第三方校核平台也可以是能够与本申请的处理器进行信息交互、并且配置有人机交互装置从而可以允许用户参与图像处理过程的平台/设备。
本实施例在得到异常类别信息之后，进一步将异常类别信息推送至第三方进行校核，从而可以进一步提高医学图像的异常分类结果的准确性，从而可以得到更加可靠的异常类别信息以支持医生进行进一步的诊断，有助于医生进行后期的准确确诊。
在一个实施例中，提供本申请的医学图像处理方法的应用实例。
如图7所示，处理器获取的医学图像为目标对象的胸部CT图像，在胸部CT图像中，可以认为整个胸部为第一层级图像结构，胸部包含肺部、肋骨等，因此，肺部、肋骨可以认为是属于第二层级的图像结构。
处理器首先对胸部CT图像进行异常征象检测，此时，检测到胸部存在异常征象，因此，进一步对胸部内的所有第二层级图像结构进行异常检测，检测结果为肺部和肋骨存在异常征象。处理器将肺部和肋骨作为目标图像结构，并进行分割处理或者基于注意力机制进行注意力分配，得到包含肺部和肋骨的图像。然后通过至少一种分类模型进行异常分类，例如，可以通过用于对肺炎、结节、肿块、积液、气胸、骨折等异常类别进行分类的分类模型对包含肺部和肋骨的图像进行处理，从而确定目标对象的胸部CT图像所包含的所有异常类别信息。另外，处理器在得到异常类别信息之后，进一步将包含肺部和肋骨的图像以及异常类别信息推送至第三方进行校核，并根据校核结果确定最终的异常分类结果。
本实施例通过对胸部CT图像进行层次化的异常检测及分类处理，可以全面准确地识别出该图像所包含的所有异常类别信息，从而为医生提供准确可靠的辅助诊断信息。
在合理条件下应当理解，虽然前文各实施例涉及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，各流程图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8所示，提供一种医学图像处理装置，该装置主要包括以下模块：
图像获取模块100，用于获取待处理的医学图像，医学图像至少包含第一层级图像结构以及第二层级图像结构，其中，第一层级高于第二层级；
图像结构检测模块200，用于通过检测模型对医学图像中的第一层级图像结构进行异常征象检测，得到第一检测结果；当第一检测结果为第一层级图像结构包含异常征象时，通过检测模型对第一层级图像结构所包含的第二层级图像结构进行异常征象检测，得到第二检测结果；
目标结构确定模块300，用于基于第二检测结果，或者，基于第一检测结果以及第二检测结果，确定包含异常征象的目标图像结构；
异常分类模块500，用于通过至少一种分类模型对包含目标图像结构的图像进行异常分类，得到医学图像对应的异常类别信息。
本实施例提供一种医学图像处理装置，在对医学图像进行处理时，在检测到第一层级图像结构包含异常征象时，继续对该第一层级图像结构所包含的第二层级图像结构进行异常征象检测，即按照由高层级向低层级的顺序，对各图像结构进行异常征象检测，从而可以使得异常检测更全面；另外，基于检测结果确定包含异常征象的目标图像结构，然后通过至少一种分类模型进行异常分类，从而可以提高异常分类结果的准确性，从而可以得到可靠的异常类别信息以支持医生进行进一步的诊断，有助于医生进行后期的准确确诊。
在一个实施例中，目标结构确定模块300还用于：基于第二检测结果，确定包含异常征象的第二层级图像结构为目标图像结构；或者，基于第一检测结果以及第二检测结果，确定包含异常征象的第一层级图像结构以及包含异常征象的第二层级图像结构为目标图像结构。
在一个实施例中，如图9所示，医学图像处理装置还包括：图像处理模块400，用于通过分割模型对包含异常征象的目标图像结构进行分割，得到包含目标图像结构的图像。
在一个实施例中，图像处理模块400还用于：提取医学图像中的图像特征；分别设定各图像特征对应的注意力权值，其中，包含异常征象的目标图像结构的注意力权值大于不包含异常征象的图像结构的注意力权值；基于各图像特征以及对应的注意力权值，得到包含目标图像结构的图像。
在一个实施例中，异常分类模块500还用于：依次通过多个用于进行异常分类的分类网络对包含目标图像结构的图像进行分类判断，得到医学图像对应的异常类别信息。
在一个实施例中，异常分类模块500还用于：基于单个异常类别与多种异常征象的对应关系，从所有目标图像结构中筛选对应相同异常类别的相关目标图像结构；通过至少一种分类模型对对应相同异常类别的相关目标图像结构进行异常分类，得到医学图像对应的异常类别信息。
在一个实施例中，如图10所示，医学图像处理装置还包括：最终确定模块600，用于推送包含目标图像结构的图像以及对应的异常类别信息至第三方校核平台；接收第三方校核平台反馈的异常类别信息的校核信息；基于异常类别信息以及校核信息，得到医学图像的最终异常类别信息。
关于医学图像处理装置的具体限定可以参见上文中对于医学图像处理方法的限定，在此不再赘述。上述医学图像处理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：获取待处理的医学图像，医学图像至少包含第一层级图像结构以及第二层级图像结构，其中，第一层级高于第二层级；通过检测模型对第一层级图像结构进行异常征象检测，得到第一检测结果；当第一检测结果为第一层级图像结构包含异常征象时，通过检测模型对第一层级图像结构所包含的第二层级图像结构进行异常征象检测，得到第二检测结果；基于第二检测结果，或者，基于第一检测结果以及第二检测结果，确定包含异常征象的目标图像结构；通过至少一种分类模型对包含目标图像结构的图像进行异常分类，得到医学图像对应的异常类别信息。
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：基于第二检测结果，确定包含异常征象的第二层级图像结构为目标图像结构；或者，基于第一检测结果以及第二检测结果，确定包含异常征象的第一层级图像结构以及包含异常征象的第二层级图像结构为目标图像结构。
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：通过分割模型对包含异常征象的目标图像结构进行分割，得到包含目标图像结构的图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：提取医学图像中的图像特征；分别设定各图像特征对应的注意力权值，其中，包含异常征象的目标图像结构的注意力权值大于不包含异常征象的图像结构的注意力权值；基于各图像特征以及对应的注意力权值，得到包含目标图像结构的图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：依次通过多个用于进行异常分类的分类网络对包含目标图像结构的图像进行分类判断，得到医学图像对应的异常类别信息。
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：基于单个异常类别与多种异常征象的对应关系，从所有目标图像结构中筛选对应相同异常类别的相关目标图像结构；通过至少一种分类模型对对应相同异常类别的相关目标图像结构进行异常分类，得到医学图像对应的异常类别信息。
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：推送包含目标图像结构的图像以及对应的异常类别信息至第三方校核平台；接收第三方校核平台反馈的异常类别信息的校核信息；基于异常类别信息以及校核信息，得到医学图像的最终异常类别信息。
图11为一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端(或服务器)。如图11所示，该计算机设备包括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、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现医学图像处理方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行医学图像处理方法。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，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11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：获取待处理的医学图像，医学图像至少包含第一层级图像结构以及第二层级图像结构，其中，第一层级高于第二层级；通过检测模型对第一层级图像结构进行异常征象检测，得到第一检测结果；当第一检测结果为第一层级图像结构包含异常征象时，通过检测模型对第一层级图像结构所包含的第二层级图像结构进行异常征象检测，得到第二检测结果；基于第二检测结果，或者，基于第一检测结果以及第二检测结果，确定包含异常征象的目标图像结构；通过至少一种分类模型对包含目标图像结构的图像进行异常分类，得到医学图像对应的异常类别信息。
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：基于第二检测结果，确定包含异常征象的第二层级图像结构为目标图像结构；或者，基于第一检测结果以及第二检测结果，确定包含异常征象的第一层级图像结构以及包含异常征象的第二层级图像结构为目标图像结构。
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：通过分割模型对包含异常征象的目标图像结构进行分割，得到包含目标图像结构的图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：提取医学图像中的图像特征；分别设定各图像特征对应的注意力权值，其中，包含异常征象的目标图像结构的注意力权值大于不包含异常征象的图像结构的注意力权值；基于各图像特征以及对应的注意力权值，得到包含目标图像结构的图像。在一个实施例中，计算机程序被处理器执行时还实现以下步骤：依次通过多个用于进行异常分类的分类网络对包含目标图像结构的图像进行分类判断，得到医学图像对应的异常类别信息。
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：基于单个异常类别与多种异常征象的对应关系，从所有目标图像结构中筛选对应相同异常类别的相关目标图像结构；通过至少一种分类模型对对应相同异常类别的相关目标图像结构进行异常分类，得到医学图像对应的异常类别信息。
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：推送包含目标图像结构的图像以及对应的异常类别信息至第三方校核平台；接收第三方校核平台反馈的异常类别信息的校核信息；基于异常类别信息以及校核信息，得到医学图像的最终异常类别信息。
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，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。
以上所述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发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学图像处理方法，其特征在于，包括：
获取待处理的医学图像，所述医学图像至少包含第一层级图像结构以及第二层级图像结构，其中，第一层级高于第二层级；
通过检测模型对所述第一层级图像结构进行异常征象检测，得到第一检测结果；
当所述第一检测结果为所述第一层级图像结构包含异常征象时，通过所述检测模型对所述第一层级图像结构所包含的第二层级图像结构进行异常征象检测，得到第二检测结果；
基于所述第二检测结果，或者，基于所述第一检测结果以及所述第二检测结果，确定包含异常征象的目标图像结构；
通过至少一种分类模型对包含所述目标图像结构的图像进行异常分类，得到所述医学图像对应的异常类别信息。
2.根据权利要求1所述的方法，其特征在于，所述基于所述第二检测结果，或者，基于所述第一检测结果以及所述第二检测结果，确定包含异常征象的目标图像结构包括：
基于所述第二检测结果，确定包含异常征象的第二层级图像结构为所述目标图像结构；
或者，基于所述第一检测结果以及所述第二检测结果，确定包含异常征象的第一层级图像结构以及包含异常征象的第二层级图像结构为所述目标图像结构。
3.根据权利要求1所述的方法，其特征在于，在确定包含异常征象的目标图像结构之后，在通过至少一种分类模型对包含所述目标图像结构的图像进行异常分类之前，还包括：
通过分割模型对所述包含异常征象的目标图像结构进行分割，得到所述包含所述目标图像结构的图像。
4.根据权利要求1所述的方法，其特征在于，在确定包含异常征象的目标图像结构之后，在通过至少一种分类模型对包含所述目标图像结构的图像进行异常分类之前，还包括：
提取所述医学图像中的图像特征；
分别设定各所述图像特征对应的注意力权值，其中，包含异常征象的目标图像结构的注意力权值大于不包含异常征象的图像结构的注意力权值；
基于各所述图像特征以及对应的注意力权值，得到所述包含所述目标图像结构的图像。
5.根据权利要求1所述的方法，其特征在于，所述至少一种分类模型包括多个用于进行异常分类的分类网络；
所述通过至少一种分类模型对包含所述目标图像结构的图像进行异常分类，得到所述医学图像对应的异常类别信息包括：
依次通过所述多个用于进行异常分类的分类网络对所述包含所述目标图像结构的图像进行分类判断，得到所述医学图像对应的异常类别信息。
6.根据权利要求1所述的方法，其特征在于，所述通过至少一种分类模型对包含所述目标图像结构的图像进行异常分类，得到所述医学图像对应的异常类别信息包括：
基于单个异常类别与多种异常征象的对应关系，从所有目标图像结构中筛选对应相同异常类别的相关目标图像结构；
通过至少一种分类模型对所述对应相同异常类别的相关目标图像结构进行异常分类，得到所述医学图像对应的异常类别信息。
7.根据权利要求1所述的方法，其特征在于，还包括：
推送所述包含所述目标图像结构的图像以及对应的异常类别信息至第三方校核平台；
接收所述第三方校核平台反馈的所述异常类别信息的校核信息；
基于所述异常类别信息以及所述校核信息，得到所述医学图像的最终异常类别信息。
8.一种医学图像处理装置，其特征在于，包括：
图像获取模块，用于获取待处理的医学图像，所述医学图像至少包含第一层级图像结构以及第二层级图像结构，其中，第一层级高于第二层级；
图像结构检测模块，用于通过检测模型对所述医学图像中的第一层级图像结构进行异常征象检测，得到第一检测结果；当所述第一检测结果为所述第一层级图像结构包含异常征象时，通过所述检测模型对所述第一层级图像结构所包含的第二层级图像结构进行异常征象检测，得到第二检测结果；
目标结构确定模块，用于基于所述第二检测结果，或者，基于所述第一检测结果以及所述第二检测结果，确定包含异常征象的目标图像结构；
异常分类模块，用于通过至少一种分类模型对包含所述目标图像结构的图像进行异常分类，得到所述医学图像对应的异常类别信息。
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7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至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911377092.4A CN111128348B (zh) | 2019-12-27 | 2019-12-27 | 医学图像处理方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911377092.4A CN111128348B (zh) | 2019-12-27 | 2019-12-27 | 医学图像处理方法、装置、存储介质及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111128348A true CN111128348A (zh) | 2020-05-08 |
| CN111128348B CN111128348B (zh) | 2024-03-26 |
Family
ID=70503950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911377092.4A Active CN111128348B (zh) | 2019-12-27 | 2019-12-27 | 医学图像处理方法、装置、存储介质及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111128348B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986177A (zh) * | 2020-08-20 | 2020-11-24 | 太原科技大学 | 一种基于注意力卷积神经网络的胸部肋骨骨折检测方法 |
| 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 |
| CN112950573A (zh) * | 2021-02-26 | 2021-06-11 | 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 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030053674A1 (en) * | 1998-02-23 | 2003-03-20 | Arch Development Corporation | Method and system for the automated delineation of lung regions and costophrenic angles in chest radiographs |
| JP2009232450A (ja) * | 2008-03-24 | 2009-10-08 | Fujitsu Ltd | 画像処理方法、画像処理装置及び透かし検出システム |
| US20130184537A1 (en) * | 2012-01-16 | 2013-07-18 | Toshiba Medical Systems Corporation | Medical image diagnosis apparatus and computer-readable medium |
| CN107705305A (zh) * | 2017-10-20 | 2018-02-16 | 上海联影医疗科技有限公司 | 一种医学图像处理的方法及装置 |
| WO2018068416A1 (zh) * | 2016-10-14 | 2018-04-19 | 广州视源电子科技股份有限公司 | 基于神经网络的多层图像特征提取建模、图像识别方法及装置 |
| CN109271992A (zh) * | 2018-09-26 | 2019-01-25 | 上海联影智能医疗科技有限公司 | 一种医学图像处理方法、系统、装置和计算机可读存储介质 |
| CN109308459A (zh) * | 2018-09-05 | 2019-02-05 | 南京大学 | 基于手指注意力模型和关键点拓扑模型的手势估计方法 |
| US20190050982A1 (en) * | 2017-08-09 | 2019-02-14 | Shenzhen Keya Medical Technology Corporation | System and method for automatically detecting a physiological condition from a medical image of a patient |
| CN110189324A (zh) * | 2019-06-05 | 2019-08-30 | 桂林电子科技大学 | 一种医学图像处理方法及处理装置 |
| CN110223289A (zh) * | 2019-06-17 | 2019-09-10 | 上海联影医疗科技有限公司 | 一种图像处理方法和系统 |
| CN110334722A (zh) * | 2019-03-29 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
| WO2019233393A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
| WO2019233394A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
-
2019
- 2019-12-27 CN CN201911377092.4A patent/CN111128348B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030053674A1 (en) * | 1998-02-23 | 2003-03-20 | Arch Development Corporation | Method and system for the automated delineation of lung regions and costophrenic angles in chest radiographs |
| JP2009232450A (ja) * | 2008-03-24 | 2009-10-08 | Fujitsu Ltd | 画像処理方法、画像処理装置及び透かし検出システム |
| US20130184537A1 (en) * | 2012-01-16 | 2013-07-18 | Toshiba Medical Systems Corporation | Medical image diagnosis apparatus and computer-readable medium |
| WO2018068416A1 (zh) * | 2016-10-14 | 2018-04-19 | 广州视源电子科技股份有限公司 | 基于神经网络的多层图像特征提取建模、图像识别方法及装置 |
| US20190050982A1 (en) * | 2017-08-09 | 2019-02-14 | Shenzhen Keya Medical Technology Corporation | System and method for automatically detecting a physiological condition from a medical image of a patient |
| CN107705305A (zh) * | 2017-10-20 | 2018-02-16 | 上海联影医疗科技有限公司 | 一种医学图像处理的方法及装置 |
| WO2019233393A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
| WO2019233394A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
| CN109308459A (zh) * | 2018-09-05 | 2019-02-05 | 南京大学 | 基于手指注意力模型和关键点拓扑模型的手势估计方法 |
| CN109271992A (zh) * | 2018-09-26 | 2019-01-25 | 上海联影智能医疗科技有限公司 | 一种医学图像处理方法、系统、装置和计算机可读存储介质 |
| CN110334722A (zh) * | 2019-03-29 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
| CN110189324A (zh) * | 2019-06-05 | 2019-08-30 | 桂林电子科技大学 | 一种医学图像处理方法及处理装置 |
| CN110223289A (zh) * | 2019-06-17 | 2019-09-10 | 上海联影医疗科技有限公司 | 一种图像处理方法和系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986177A (zh) * | 2020-08-20 | 2020-11-24 | 太原科技大学 | 一种基于注意力卷积神经网络的胸部肋骨骨折检测方法 |
| CN111986177B (zh) * | 2020-08-20 | 2023-06-16 | 太原科技大学 | 一种基于注意力卷积神经网络的胸部肋骨骨折检测方法 |
| 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 |
| CN112950573A (zh) * | 2021-02-26 | 2021-06-11 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111128348B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11610313B2 (en) | Systems and methods for generating normative imaging data for medical image processing using deep learning | |
| CN111160367B (zh) | 图像分类方法、装置、计算机设备和可读存储介质 | |
| CN111080584B (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
| US10997466B2 (en) | Method and system for image segmentation and identification | |
| US11107215B2 (en) | Medical image diagnosis assistant apparatus and method for generating evaluation scores for plurality of medical image diagnosis algorithms | |
| US10984894B2 (en) | Automated image quality control apparatus and methods | |
| CN111128348B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| CN110348477B (zh) | 医疗图像处理方法、存储介质及计算机设备 | |
| JP7350582B2 (ja) | モデル学習用のシステム、装置、及び学習方法 | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| JP7170000B2 (ja) | 学習システム、方法及びプログラム | |
| CN110992312B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| AU2020223750B2 (en) | Method and System for Image Annotation | |
| CN114742836B (zh) | 医学图像的处理方法、装置及计算机设备 | |
| CN116416221A (zh) | 一种超声图像分析方法 | |
| CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
| WO2022033598A1 (zh) | 乳房x射线图像获取方法、装置、计算机设备和存储介质 | |
| US20220036558A1 (en) | Method and system for predicting expression of biomarker from medical image | |
| KR20210054140A (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
| CN109447974A (zh) | 体数据处理方法、装置、图像处理工作站和可读存储介质 | |
| Thool et al. | Artificial Intelligence in Medical Imaging Data Analytics using CT Images | |
| Reddy et al. | Different Algorithms for Lung Cancer Detection and Prediction | |
| US20240087751A1 (en) | Systems and methods for organ shape analysis for disease diagnosis and risk assessment | |
| US20220277452A1 (en) | Methods for analyzing and reducing inter/intra site variability using reduced reference images and improving radiologist diagnostic accuracy and consistency | |
| O'Brien et al. | Machine Learning Based Cardiac Scar Detection in Computed Tomography |
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 |