CN111144506A - 基于超声图像的肝包虫识别方法、存储介质及超声设备 - Google Patents
基于超声图像的肝包虫识别方法、存储介质及超声设备 Download PDFInfo
- Publication number
- CN111144506A CN111144506A CN201911396204.0A CN201911396204A CN111144506A CN 111144506 A CN111144506 A CN 111144506A CN 201911396204 A CN201911396204 A CN 201911396204A CN 111144506 A CN111144506 A CN 111144506A
- Authority
- CN
- China
- Prior art keywords
- hydatid
- liver
- ultrasound
- image
- focus
- 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
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 54
- 210000004185 liver Anatomy 0.000 claims abstract description 107
- 241000415078 Anemone hepatica Species 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 41
- 208000009366 Echinococcosis Diseases 0.000 claims description 48
- 206010014096 Echinococciasis Diseases 0.000 claims description 45
- 230000003902 lesion Effects 0.000 claims description 39
- 238000001514 detection method Methods 0.000 claims description 37
- 238000004891 communication Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 3
- 241000244160 Echinococcus Species 0.000 claims 4
- 241000254043 Melolonthinae Species 0.000 description 44
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 10
- 244000128884 Zier Kohl Species 0.000 description 10
- 201000003808 Cystic echinococcosis Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 206010019659 Hepatic echinococciasis Diseases 0.000 description 3
- 201000003894 alveolar echinococcosis Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000019423 liver disease Diseases 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241000254173 Coleoptera Species 0.000 description 1
- 208000030852 Parasitic disease Diseases 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 206010048282 zoonosis Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06T7/97—Determining parameters from multiple pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30204—Marker
Abstract
本发明公开了一种基于超声图像的肝包虫识别方法、存储介质及超声设备,所述识别方法包括获取超声图像集,并获取所述超声图像集对应的肝包虫病灶图集;基于获取到的肝包虫病灶图集,通过已训练的分类网络模型提取所述肝包虫病灶图对应的肝包虫类型集,所述分类网络模型为基于训练肝包虫病灶图以及训练肝包虫病灶图对应的真实肝包虫类型训练得到的。本发明是通过超声图像确定肝包虫病灶,再通过已训练的分类网络模型确定肝包虫类型,这样不但可以减少医生的工作量,通过还可以提高肝包虫类型确定准确性,从而为肝包虫病的临床治疗提高准确依据。
Description
技术领域
本发明涉及超声技术领域,特别涉及一种基于超声图像的肝包虫识别方法、存储介质及超声设备。
背景技术
包虫病是一种严重的人畜共患寄生虫病,在全球各大洲广泛分布,每年造成大量经济损失。我国的包虫病受威胁人口数量巨大,且多集中在青藏高原等牧区,相对海拔较高,自然环境恶劣,医疗资源匮乏,医疗水平相对较落后。包虫病长期没有得到医疗领域的重点关注,对应的医学专家缺乏,不能满足临床需求。
包虫病主要分为囊型包虫病(CE)和泡型包虫病(AE)两大类型,其中,囊性包虫病分为CE1-CE5五种子类型,泡型包虫病分为AE1-AE3三种子类型,而不同的类型包虫病对应不同的临床治疗方案。由此,包虫病的类型筛查成为治疗包虫病的关键。目前包虫病的筛查的主要医学成像方法包括超声,X光以及CT等,其中,超声成像技术因具有安全无辐射、便捷及实时等优势,而成为肝包虫病诊断的首选工具。然而,传统超声诊断高度依赖医生临床经验,容易造成肝包虫病的误诊或漏诊。
发明内容
本发明要解决的技术问题在于,针对现有技术的不足,提供一种基于超声图像的肝包虫识别方法、存储介质及超声设备。
为了解决上述技术问题,本发明所采用的技术方案如下:
一种基于超声图像的肝包虫识别方法,所述方法包括:
获取超声图像集,并获取所述超声图像集对应的肝包虫病灶图集;
基于获取到的肝包虫病灶图集,通过已训练的分类网络模型提取所述肝包虫病灶图对应的肝包虫类型集,其中,所述分类网络模型为基于训练肝包虫病灶图以及训练肝包虫病灶图对应的真实肝包虫类型训练得到的。
所述基于超声图像的肝包虫识别方法,其中,所述超声图像集包括若干超声图像,所述若干超声图像为若干连续帧超声图像。
所述基于超声图像的肝包虫识别方法,其中,其特征在于,所述获取所述超声图像集对应的肝包虫病灶图具体包括:
针对于超声图像集中的每张超声图像,将该超声图像输入至已训练的检测网络模型,其中,所述检测网络模型为基于训练超声图像以及训练超声图像对应的真实病灶框训练得到的;
通过所述检测网络模型提取该超声图像对应的肝包虫病灶图。
所述基于超声图像的肝包虫识别方法,其中,所述通过所述检测网络模型提取该超声图像对应的肝包虫病灶图具体包括:
通过所述检测网络模型输出该超声图像对应的生成图像;
根据所述生成图生成所述超声图像对应的肝包虫病灶图。
所述基于超声图像的肝包虫识别方法,其中,所述基于获取到的肝包虫病灶图集,通过已训练的分类网络模型提取所述肝包虫病灶图对应的肝包虫类型集具体包括:
判断获取到的肝包虫病灶图集是否包含肝包虫病灶图;
若包含肝包虫病灶图,则基于获取到的肝包虫病灶图集,通过已训练的分类网络模型提取所述肝包虫病灶图对应的肝包虫类型集;
若不包含肝包虫病灶图,则判定所述超声图像集不包含肝包虫。
所述基于超声图像的肝包虫识别方法,其中,所述基于获取到的肝包虫病灶图集,通过已训练的分类网络模型提取所述肝包虫病灶图对应的肝包虫类型集之后,所述方法还包括:
根据肝包虫类型集在超声图像中选取超声图像,并根据选取到的超声图像肝包虫类型集对应的肝包虫病灶图集生成识别报告。
所述基于超声图像的肝包虫识别方法,其中,所述肝包虫类型集包括多个肝包虫类型;所述根据肝包虫类型集在超声图像中选取超声图像,并根据选取到的超声图像肝包虫类型集对应的肝包虫病灶图集生成识别报告具体包括:
针对于每个肝包虫类型,获取该肝包虫类型对应的超声图像以及肝包虫病灶图;
将该肝包虫病灶图映射至该超声图像上,并将该肝包虫病灶图对应的肝包虫类型标注于所述超声图像中的该肝包虫病灶图上以生成病灶图;
生成识别报告,其中,所述识别报告包括该超声图像以及该病灶图。
所述基于超声图像的肝包虫识别方法,其中,当肝包虫类型集未包括肝包虫类型,所述识别报告中显示肝包虫病阴性,以提示超声图像集不包含肝包虫。
一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任一所述的基于超声图像的肝包虫识别方法中的步骤。
一种超声设备,其包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如上任一所述的基于超声图像的肝包虫识别方法中的步骤。
有益效果:与现有技术相比,本发明提供了一种基于超声图像的肝包虫识别方法、存储介质及超声设备,所述识别方法包括获取超声图像集,并获取所述超声图像集对应的肝包虫病灶图集;基于获取到的肝包虫病灶图集,通过已训练的分类网络模型提取所述肝包虫病灶图对应的肝包虫类型集,所述分类网络模型为基于训练肝包虫病灶图以及训练肝包虫病灶图对应的真实肝包虫类型训练得到的。本发明是通过超声图像确定肝包虫病灶,再通过已训练的分类网络模型确定肝包虫类型,这样不但可以减少医生的工作量,通过还可以提高肝包虫类型确定准确性,从而为肝包虫病的临床治疗提高准确依据。
附图说明
图1为本发明提供的基于超声图像的肝包虫识别方法的流程图。
图2为本发明提供的基于超声图像的肝包虫识别方法的流程图示意图。
图3为本发明提供的基于超声图像的肝包虫识别方法中分类网络模型的结构原理图。
图4为本发明提供的基于超声图像的肝包虫识别方法中标注有肝包虫病灶框以及肝包虫类型的超声图像的示例图。
图5为本发明提供的基于超声图像的肝包虫识别方法中识别报告的示例图。
图6为本发明提供的超声设备的结构原理图。
具体实施方式
本发明提供一种基于超声图像的肝包虫识别方法、存储介质及超声设备,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
下面结合附图,通过对实施例的描述,对发明内容作进一步说明。
本实施例提供的一种基于超声图像的肝包虫识别方法。该方法可以由识别装置来执行,所述装置可以由软件实现或硬件实现,应用于诸如PC机、超声设备或服务器等之类的智能设备上。参见图1和图2,本实施例提供的基于超声图像的肝包虫识别方法具体包括:
S10、获取超声图像集,并获取所述超声图像集对应的肝包虫病灶图集。
具体地,所述超声图像集中的超声图像可以是通过超声设备采集的超声图像,其中,所述超声采集设备可以为手持式超声探头、便携式超声设备、家庭式超声设备以及远程超声设备等。所述超声图像集可以包括一张超声图像,也可以包括多张超声图像,当超声图像集包括多张超声图像时,所述多张超声图像可以多张连续超声图像帧,也可以是在一段超声数据中选取到的多张超声图像帧。
在本实施例的一个实现方式中,所述多张超声图像为在一段超声数据中选取到的多张超声图像帧,可以理解的是,在对患者进行超声采集时,可以获取该患者的一段超声数据,并在这段超声数据中选取多张超声图像,以形成超声图像集。这样通过获取一个患者的多张超声图像,并分别对各张超声图像进行肝包虫病灶检测,可以提高肝包虫病灶检测更全面更准确,提高了肝包虫病灶检测的准确率,相应的,也会提高肝包虫类型检测的全面性和准确率,进而避免肝包虫的漏诊以及错诊。
此外,值得说明的是,这段超声数据包括的超声图像的第一数量大于或者等于超声图像包括的超声图像的第二数量,而当第一数量大于第二数量时,可以在这段超声数据中随机选取第二数量张超声图像,也可以按照预设规则选取第二数量张超声图像,其中,所述预设规则可以为按照超声图像的清晰度由高到低进行选择等。
进一步,在本实施例的一个实现方式中,所述获取所述超声图像集对应的肝包虫病灶图具体包括:
S11、针对于超声图像集中的每张超声图像,将该超声图像输入至已训练的检测网络模型,其中,所述检测网络模型为基于训练超声图像以及训练超声图像对应的真实病灶框训练得到的;
S12、通过所述检测网络模型提取该超声图像对应的肝包虫病灶图。
具体地,在所述步骤S11中,所述超声图像集至少包括一张超声图像,当超声图像集包括多张超声图像时,对于超声图像集中的每一张超声图像均进行肝包虫病灶检测。所述检测网络模型可以预先训练的,用于定位超声图像中肝包虫的病灶区域的,可以理解的是,通过检测网络模型可以提取超声图像携带肝包虫病灶区域;当超声图像携带肝包虫病灶时,所述检测网络模型输出的生成图像中携带肝包虫病灶框;当超声图像未携带肝包虫病灶时,所述检测网络模型输出的生成图中未携带肝包虫病灶框。当然,值得说明的是,当超声图像集中包含多张超声图像时,依次通过检测网络模型对超声图像集中的各超声图像进行肝包虫病灶定位,其中,超声图像集中各超声图像的定位顺序可以为超声图像的采集顺序等。
进一步,在本实施例的一个实现方式中,所述检测网络模型可以是基于预设的第一训练样本集训练得到,第一训练样本集中包括若干训练样本,每个训练样本均包括训练超声图像以及真实病灶框,基于训练样本集对第一网络模型进行训练,以得到所述检测网络模型。在本实施的一个可能实现方式中,所述第一网络模型可以采用YOLO3检测网络框架可以提高肝包虫病灶的检测速度,使得检测网络模型对超声图像的检测速度,从而提高了肝包虫识别的实时性。
进一步,在本实施例的一个实现方式中,由于获取到的超声图像集中的超声图像的图像尺寸与检测网络模型的输入图像的图像尺寸可能不同,从而在获取到超声图像集后,可以对超声图像集中的每个超声图像进行预处理,以使得预处理得到的超声图像的图像尺寸满足检测网络模型的需求。所述预处理可以包括正则化以及缩放处理,其中,正则化可以为向将超声图像减去预设均值,在减去预设均方差后再除以预设方差,其中,所述预设均值和预设方差可以是在检测网络模型训练过程中根据所有训练样本计算得到,即所述预设均值和预设方差为所有训练样本的均值和方差。缩放处理为将正则化后的超声图像缩放至预设尺寸,所述预设尺寸为检测网络模型输入图像的图像尺寸。
进一步,在所述步骤S12中,所述肝包虫病灶图为通过检测网络模型得到的携带肝包虫病灶框的生成图像中截取的,所述肝包虫病灶图中包含所述携带肝包虫病灶框以及携带肝包虫病灶框内的图像区域。相应的,在本实施例的一个实现方式中,所述通过所述检测网络模型提取该超声图像对应的肝包虫病灶图具体包括:
通过所述检测网络模型输出该超声图像对应的生成图像;
根据所述生成图生成所述超声图像对应的肝包虫病灶图。
具体地,所述生成图像的图像内容与输入检测网络模型的超声图像的图像内容相同,所述生成图像与该超声图像的区别在于:当超声图像携带肝包虫病灶时,生成图像中标注有肝包虫病灶框。其中,当超声图像携带肝包虫病灶时,所述肝包虫病灶为一个,也可以为多个,当肝包虫病灶为一个时,生成图像标注有一个肝包虫病灶框,当肝包虫病灶为多个时,生成图像标注有多个肝包虫病灶框。此外,肝包虫病灶图的数量与生成图像中标注的肝包虫病灶框的数量相等,肝包虫病灶图与肝包虫病灶框一一对应。当然,值得说明的是,为了便于后续分类网络模型基于肝包虫病灶图进行分类,所述肝包虫病灶图的图像尺寸可以大于肝包虫病灶框的尺寸,例如,在生成图像中截取肝包虫病灶框对应的肝包虫病灶图时,使得截取到的肝包虫病灶图的边缘与肝包虫病灶框的边缘相对应位置的距离为预设数值,例如,10个像素点等。
S20、基于获取到的肝包虫病灶图集,通过已训练的分类网络模型提取所述肝包虫病灶图对应的肝包虫类型集。
具体地,所述分类网络模型为预先训练的,用于确定肝包虫病灶图对应的肝包虫类型,其中,所述分类网络模型为基于训练肝包虫病灶图以及训练肝包虫病灶图对应的真实肝包虫类型训练得到的。可以理解的是,用于训练分类网络模型的训练样本包括训练肝包虫病灶图以及真实肝包虫类型,采用所述训练样本对第二网络模型进行训练,当第二网络模型的训练状态满足预设条件时,得到分类网络模型,其中,所述第二网络模型可以采用如图3所示的VGG16模型。
进一步,在本实施例的一个实现方式中,由于超声图像集中可以不携带肝包虫病灶,从而肝包虫病灶图集中可能为空。相应的,所述基于获取到的肝包虫病灶图集,通过已训练的分类网络模型提取所述肝包虫病灶图对应的肝包虫类型集具体包括:
判断获取到的肝包虫病灶图集是否包含肝包虫病灶图;
若包含肝包虫病灶图,则基于获取到的肝包虫病灶图集,通过已训练的分类网络模型提取所述肝包虫病灶图对应的肝包虫类型集;
若不包含肝包虫病灶图,则判定所述超声图像集不包含肝包虫。
具体地,所述判断获取到的肝包虫病灶图集是否包含肝包虫病灶图指的是检测所述肝包虫病灶图集是否为空,当肝包虫病灶图集为空时,说明肝包虫病灶图集不包含肝包虫病灶图;当肝包虫病灶图集不为空时,说明肝包虫病灶图集包含肝包虫病灶图。而当肝包虫病灶图集不包含肝包虫病灶图时,则直接判断超声图像集不包含肝包虫,即超声图像集对应的患者为携带肝包虫;当肝包虫病灶图集包含肝包虫病灶图时,肝包虫病灶图集可以包括一张肝包虫病灶图,也可以包括多张肝包虫病灶图;当肝包虫病灶图集包括多张肝包虫病灶图时,可以分别将肝包虫病灶图集中的各张肝包虫病灶图输入至分类网络模型,以通过分类网络模型确定各肝包虫病灶图对应的肝包虫类型,最后,根据获取到所有肝包虫类型形成肝包虫类型集。
进一步,在本实施例的一个实现方式中,当超声图像集包含多张超声图像时,可以先通过检测网络模型获取到每张超声图像对应的肝包虫病灶图,以形成肝包虫病灶图集;然后在基于肝包虫病灶图集,通过分类网络模型获取超声图像集对应的肝包虫类型。当然,在实际应用中,如图4所示,当超声图像集包含多张超声图像时,依次确定每个超声图像对应的肝包虫病灶图集,并通过分类网络模型确定每个超声图像对应的肝包虫病灶图集对应的肝包虫类型,直至超声图像集中的所有超声图像均完成检测与分离,再根据获取到的各张超声图像对应的肝包虫类型,确定超声图像集对应的肝包虫类型。
综上,本实施例提供了一种基于超声图像的肝包虫识别方法,所述识别方法包括获取超声图像集,并获取所述超声图像集对应的肝包虫病灶图集;基于获取到的肝包虫病灶图集,通过已训练的分类网络模型提取所述肝包虫病灶图对应的肝包虫类型集,所述分类网络模型为基于训练肝包虫病灶图以及训练肝包虫病灶图对应的真实肝包虫类型训练得到的。本发明是通过已训练的检测网络模型确定是否含有肝包虫病病灶,再通过已训练的分类网络模型确定肝包虫类型,这样不但可以减少医生的工作量,通过还可以提高肝包虫类型确定准确性,从而为肝包虫病的临床治疗提高准确依据。
进一步,在本申请的一个实施例中,所述基于获取到的肝包虫病灶图集,通过已训练的分类网络模型提取所述肝包虫病灶图对应的肝包虫类型集之后,所述方法还包括:
根据肝包虫类型集在超声图像中选取超声图像,并根据选取到的超声图像肝包虫类型集对应的肝包虫病灶图集生成识别报告。
具体地,所述识别报告中可以包括有携带肝包虫的超声图像,以及标注有肝包虫病灶框以及肝包虫类型的该病灶图,其中病灶图可以通过将肝包虫病灶框以及肝包虫类型标注于超声图像上形成的。其中,所述超声图像为肝包虫类型对应的肝包虫病灶图对应的超声图像,并且当超声图像携带多个肝包虫时,如图5所示,该超声图像上标注有多个肝包虫病灶框。
进一步,在本实施例的一个实现方式中,所述肝包虫类型集中可以包括多个肝包虫类型,并且多个肝包虫类型可以对应多张超声图像。由此,所述根据肝包虫类型集在超声图像中选取超声图像,并根据选取到的超声图像肝包虫类型集对应的肝包虫病灶图集生成识别报告具体包括:
针对于每个肝包虫类型,获取该肝包虫类型对应的超声图像以及肝包虫病灶图;
将该肝包虫病灶图映射至该超声图像上,并将该肝包虫病灶图对应的肝包虫类型标注于所述超声图像中的该肝包虫病灶图上,以生成病灶图;
生成识别报告,其中,所述识别报告包括该超声图像以及该病灶图。
具体地,所述肝包虫类型包含于肝包虫类型集,所述肝包虫类型可以对应多张肝包虫病灶图,相应的,肝包虫类型对应多张超声图像。而当肝包虫类型对应多张超声图像时,获取肝包虫类型对应的所有超声图像,对每张超声图像进行肝包虫病灶框以及肝包虫类型标注,将标注得到多张病灶图以及多张病灶图对应的超声图像对应显示于报告中,例如,如图5所示的识别报告。这样可以是通过多张病灶图来显示肝包虫病灶,这样可以给临床应用带来方便。此外,对于肝包虫类型集的每个肝包虫类型,均将肝包虫类型对应的超声图像以及根据该超声图像、该肝包虫类型以及肝包虫类型在该超声图像上对应的肝包虫病灶框生成的病灶图显示于识别报告中,这样识别报告中可以显示所有肝包虫类型,并且可以显示每个肝包虫类型对应的所有超声图像。当然,值得说明的是,当多个肝包虫类型对应一张超声图像时,将多个肝包虫类型均标注于该超声图像上,例如,如图4所示将CE3型的肝包虫病灶框以及CE5型的肝包虫病灶框显示于一张超声图像内。可以理解的是,当肝包虫类型集包含多种肝包虫类型时,识别报告中显示每种类型的肝包虫超声图像。此外,在本实施例的一个可能实现方式中,当肝包虫类型集未包括肝包虫类型,则判定肝包虫病阴性,即未患肝包虫病,此时报告内显示阴性。
基于上述基于超声图像的肝包虫识别方法,本实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上述实施例所述的基于超声图像的肝包虫识别方法中的步骤。
基于上述基于超声图像的肝包虫识别方法,本发明还提供了一种超声设备,如图6所示,其包括至少一个处理器(processor)20;显示屏21;以及存储器(memory)22,还可以包括通信接口(Communications Interface)23和总线24。其中,处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器22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超声设备的使用所创建的数据等。此外,存储器22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,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,上述存储介质以及超声设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于超声图像的肝包虫识别方法,其特征在于,所述方法包括:
获取超声图像集,并获取所述超声图像集对应的肝包虫病灶图集;
基于获取到的肝包虫病灶图集,通过已训练的分类网络模型提取所述肝包虫病灶图对应的肝包虫类型集,其中,所述分类网络模型为基于训练肝包虫病灶图以及训练肝包虫病灶图对应的真实肝包虫类型训练得到的。
2.根据权利要求1所述基于超声图像的肝包虫识别方法,其特征在于,所述超声图像集包括若干超声图像,所述若干超声图像为若干连续帧超声图像。
3.根据权利要求1或2所述基于超声图像的肝包虫识别方法,其特征在于,所述获取所述超声图像集对应的肝包虫病灶图具体包括:
针对于超声图像集中的每张超声图像,将该超声图像输入至已训练的检测网络模型,其中,所述检测网络模型为基于训练超声图像以及训练超声图像对应的真实病灶框训练得到的;
通过所述检测网络模型提取该超声图像对应的肝包虫病灶图。
4.根据权利要求3所述基于超声图像的肝包虫识别方法,其特征在于,所述通过所述检测网络模型提取该超声图像对应的肝包虫病灶图具体包括:
通过所述检测网络模型输出该超声图像对应的生成图像;
根据所述生成图生成所述超声图像对应的肝包虫病灶图。
5.根据权利要求1所述基于超声图像的肝包虫识别方法,其特征在于,所述基于获取到的肝包虫病灶图集,通过已训练的分类网络模型提取所述肝包虫病灶图对应的肝包虫类型集具体包括:
判断获取到的肝包虫病灶图集是否包含肝包虫病灶图;
若包含肝包虫病灶图,则基于获取到的肝包虫病灶图集,通过已训练的分类网络模型提取所述肝包虫病灶图对应的肝包虫类型集;
若不包含肝包虫病灶图,则判定所述超声图像集不包含肝包虫。
6.根据权利要求1所述基于超声图像的肝包虫识别方法,其特征在于,所述基于获取到的肝包虫病灶图集,通过已训练的分类网络模型提取所述肝包虫病灶图对应的肝包虫类型集之后,所述方法还包括:
根据肝包虫类型集在超声图像中选取超声图像,并根据选取到的超声图像肝包虫类型集对应的肝包虫病灶图集生成识别报告。
7.根据权利要求6所述基于超声图像的肝包虫识别方法,其特征在于,所述肝包虫类型集包括多个肝包虫类型;所述根据肝包虫类型集在超声图像中选取超声图像,并根据选取到的超声图像肝包虫类型集对应的肝包虫病灶图集生成识别报告具体包括:
针对于每个肝包虫类型,获取该肝包虫类型对应的超声图像以及肝包虫病灶图;
将该肝包虫病灶图映射至该超声图像上,并将该肝包虫病灶图对应的肝包虫类型标注于所述超声图像中的该肝包虫病灶图上以生成病灶图;
生成识别报告,其中,所述识别报告包括该超声图像以及该病灶图。
8.根据权利要求6所述基于超声图像的肝包虫识别方法,其特征在于,当肝包虫类型集未包括肝包虫类型,所述识别报告中显示肝包虫病阴性,以提示超声图像集不包含肝包虫。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1~8任意一项所述的基于超声图像的肝包虫识别方法中的步骤。
10.一种超声设备,其特征在于,包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如权利要求1-8任意一项所述的基于超声图像的肝包虫识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911396204.0A CN111144506B (zh) | 2019-12-30 | 2019-12-30 | 基于超声图像的肝包虫识别方法、存储介质及超声设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911396204.0A CN111144506B (zh) | 2019-12-30 | 2019-12-30 | 基于超声图像的肝包虫识别方法、存储介质及超声设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111144506A true CN111144506A (zh) | 2020-05-12 |
CN111144506B CN111144506B (zh) | 2024-01-23 |
Family
ID=70522090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911396204.0A Active CN111144506B (zh) | 2019-12-30 | 2019-12-30 | 基于超声图像的肝包虫识别方法、存储介质及超声设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144506B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330731A (zh) * | 2020-11-30 | 2021-02-05 | 深圳开立生物医疗科技股份有限公司 | 图像处理装置、方法、设备、超声系统及可读存储介质 |
CN114066875A (zh) * | 2021-11-25 | 2022-02-18 | 数坤(北京)网络科技股份有限公司 | 切片图像处理方法、装置、存储介质及终端设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685810A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于深度学习的肝包虫病灶识别方法及系统 |
CN109727243A (zh) * | 2018-12-29 | 2019-05-07 | 无锡祥生医疗科技股份有限公司 | 乳腺超声图像识别分析方法及系统 |
-
2019
- 2019-12-30 CN CN201911396204.0A patent/CN111144506B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685810A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于深度学习的肝包虫病灶识别方法及系统 |
CN109727243A (zh) * | 2018-12-29 | 2019-05-07 | 无锡祥生医疗科技股份有限公司 | 乳腺超声图像识别分析方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330731A (zh) * | 2020-11-30 | 2021-02-05 | 深圳开立生物医疗科技股份有限公司 | 图像处理装置、方法、设备、超声系统及可读存储介质 |
CN114066875A (zh) * | 2021-11-25 | 2022-02-18 | 数坤(北京)网络科技股份有限公司 | 切片图像处理方法、装置、存储介质及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111144506B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10755411B2 (en) | Method and apparatus for annotating medical image | |
US11024066B2 (en) | Presentation generating system for medical images, training method thereof and presentation generating method | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN102138827B (zh) | 图像显示装置 | |
WO2018205232A1 (zh) | 一种针对拼接结果自动精确定位参考线的方法 | |
US20170262584A1 (en) | Method for automatically generating representations of imaging data and interactive visual imaging reports (ivir) | |
JP2021535484A (ja) | 自動的な腫瘍検出及び分類のためのシステム | |
CN111986182A (zh) | 辅助诊断方法、系统、电子设备及存储介质 | |
CN111144506A (zh) | 基于超声图像的肝包虫识别方法、存储介质及超声设备 | |
KR102537214B1 (ko) | 자기 공명 이미지들에서 정중시상 평면을 결정하기 위한 방법 및 장치 | |
CN112614573A (zh) | 基于病理图像标注工具的深度学习模型训练方法及装置 | |
CN109509541B (zh) | 基于医学图像的报告签发方法及装置 | |
CN112862955A (zh) | 建立三维模型的方法、装置、设备、存储介质和程序产品 | |
CN112862752A (zh) | 一种图像处理显示方法、系统电子设备及存储介质 | |
US11978274B2 (en) | Document creation support apparatus, document creation support method, and document creation support program | |
CN106204623A (zh) | 多对比度图像同步显示和定位标定的方法及装置 | |
CN115631152A (zh) | 超声图像截取方法及装置、电子设备和存储介质 | |
CN113693625B (zh) | 超声成像方法和超声成像设备 | |
CN111062935B (zh) | 一种乳腺肿瘤检测方法、存储介质及终端设备 | |
CN111863206A (zh) | 一种图像预处理方法、装置、设备及存储介质 | |
CN111612755A (zh) | 肺部病灶分析方法、装置、电子设备和存储介质 | |
CN110660479A (zh) | 一种动态医学影像ai训练诊断系统 | |
CN111062977B (zh) | 样本数据生成方法、装置、计算机设备及存储介质 | |
CN112950582B (zh) | 一种基于深度学习的3d肺部病灶分割方法、装置 | |
CN111476768B (zh) | 图像配准方法、装置、路径规划方法、装置、系统及介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211220 Address after: 518000 Complex Building and 11 2nd Floors of Beishan Industrial Zone, Yantian District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Huada Zhizao Technology Co.,Ltd. Address before: 518060 No. 3688 Nanhai Road, Shenzhen, Guangdong, Nanshan District Applicant before: SHENZHEN University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |