CN111160812A - 诊断信息评估方法、显示方法及存储介质 - Google Patents

诊断信息评估方法、显示方法及存储介质 Download PDF

Info

Publication number
CN111160812A
CN111160812A CN202010096657.8A CN202010096657A CN111160812A CN 111160812 A CN111160812 A CN 111160812A CN 202010096657 A CN202010096657 A CN 202010096657A CN 111160812 A CN111160812 A CN 111160812A
Authority
CN
China
Prior art keywords
lung
medical image
volume
affected part
image
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
CN202010096657.8A
Other languages
English (en)
Other versions
CN111160812B (zh
Inventor
石磊
臧璇
史晶
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.)
Hangzhou Yitu Medical Technology Co ltd
Original Assignee
Hangzhou Yitu Medical Technology 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 Hangzhou Yitu Medical Technology Co ltd filed Critical Hangzhou Yitu Medical Technology Co ltd
Priority to CN202010096657.8A priority Critical patent/CN111160812B/zh
Publication of CN111160812A publication Critical patent/CN111160812A/zh
Priority to PCT/CN2021/075379 priority patent/WO2021155829A1/zh
Priority to US17/760,185 priority patent/US20230070249A1/en
Priority to EP21751295.3A priority patent/EP4089688A4/en
Application granted granted Critical
Publication of CN111160812B publication Critical patent/CN111160812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Geometry (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明主要公开了一种诊断信息评估方法、显示方法及存储介质，用以基于医疗图像的疾病区域对疾病严重程度进行评估。所述方法包括：对医疗图像中的感兴趣区域进行分区，获得至少N个分区，其中N为大于等于2的自然数；至少计算每个分区中的第一征象的体积和第二征象的体积占比；获取所述第一征象和第二征象体积占比对应分值，并基于所述分值获取每个分区的分数；根据每个分区的分数，对所述感兴趣区域进行评估。采用本发明所提供的方案，可以基于量化处理得到的分数对感兴趣区域疾病严重程度进行评估，实现了基于医疗图像的疾病区域对疾病严重程度进行评估的效果。

Description

诊断信息评估方法、显示方法及存储介质
技术领域
本发明涉及计算机领域，特别涉及一种诊断信息评估方法、显示方法及存储介质。
背景技术
目前，很多肺部疾病可以通过CT影像检出，但是，目前通过CT影像检出疾病只能做阳性诊断，而不能对疾病严重程度进行判断。
但是，有些疾病需要快速得出疾病严重程度，针对不同等级的疾病快速制定出相应的处理方案。例如，新型冠状病毒性肺炎，其传播速度迅猛，需要做到早发现、早诊断、早隔离、早治疗。针对这类疾病，需要快速判断这类疾病的严重程度。因此，如何提供方法，进而基于医疗图像的疾病区域对疾病严重程度进行评估，是一亟待解决的技术问题。
发明内容
本发明提供一种诊断信息评估方法、显示方法及存储介质，用以基于医疗图像的疾病区域对疾病严重程度进行评估。
本发明提供一种基于医疗图像的诊断信息评估方法，包括：
对医疗图像中的感兴趣区域进行分区，获得至少N个分区，其中N为大于等于2的自然数；
至少计算每个分区中的第一征象的体积和第二征象的体积占比；
获取所述第一征象和第二征象体积占比对应分值，并基于所述分值获取每个分区的分数；
根据每个分区的分数，对所述感兴趣区域进行评估。
本申请的有益效果在于：能够对医疗图像中感兴趣区域进行分区，计算每个分区的分数，从而实现对感兴趣区域对应的疾病严重程度的量化处理，进而可以基于量化处理得到的分数对感兴趣区域疾病严重程度进行评估，实现了基于医疗图像的疾病区域对疾病严重程度进行评估的效果。
在一个实施例中，对医疗图像中的感兴趣区域进行分区，包括：
获得所述感兴趣区域的至少N个分区，所述感兴趣区域为人体肺部，所述N个分区为右肺上叶、右肺中叶、右肺下叶、左肺上叶和左肺下叶。
在一个实施例中，对医疗图像中的感兴趣区域进行分区，包括：
获得所述感兴趣区域的至少N个分区，所述感兴趣区域为人体肺部，所述N个分区对人体肺部的左右肺，由上至下分为三份后的六个分区。
在一个实施例中，所述第一征象为斑片区域，所述第二征象为磨玻璃区域。
在一个实施例中，获取所述第一征象和第二征象体积占比对应分值，并基于所述分值获取每个分区的分数，包括：
根据第一征象的体积占比分值乘以第一参数获得第一乘积；
根据第二征象的体积占比分值乘以第二参数获得第二乘积；
确定第一乘积和第二乘积的和值为所述第一征象和第二征象对应分区的分数。
在一个实施例中，所述根据每个分区的分数，对所述感兴趣区域进行评估，包括：
设置第一、第二阈值，其中所述第二阈值大于所述第一阈值；
将所述分数分别与所述第一、第二阈值进行比较；
当所述分数小于第一阈值时确定所述医疗图像对应的受检对象为轻度肺炎；
当所述分数大于等于第一阈值，且小于第二阈值时确定所述医疗图像对应的受检对象为中度肺炎；
当所述分数大于或等于第二阈值时确定所述医疗图像对应的受检对象为重度肺炎。
本实施例的有益效果在于：通过设置与分数相关的阈值区间，从而实现对肺炎患者目前所患肺炎的严重程度进行评估。
本发明还提供一种基于医学影像的诊断信息评估方法，包括：
获取受检对象的第一肺部医学影像；
获取所述第一肺部医学影像中受累部位的影像参数；
根据所述受累部位的影像参数，输出所述第一肺部医学影像信息对应的受检对象肺部的疾病等级。
本发明的有益效果在于：能够获取所述第一肺部医学影像中受累部位的影像参数，然后根据所述受累部位的影像参数，输出所述第一肺部医学影像信息对应的受检对象肺部的疾病等级，从而能够基于医学影像对疾病进行分级。
在一个实施例中，所述获取所述第一肺部医学影像中受累部位的影像参数，包括：
获取肺内正常CT值分布区间以及受累部位CT值分布区间；
将至少一张第一肺部医学影像输入到神经元网络中，以确定出所述第一肺部医学影像中受累部位的体积。
在一个实施例中，所述神经元网络包括：
用于检出候选斑片影的第一检出模型、切割模型、用于检出斑片影区间的第二检出模型以及用于计算受累部位体积的体积计算模型；
将至少一张第一肺部医学影像输入到神经元网络中，以确定出所述第一肺部医学影像中受累部位的体积，包括：
将所述至少一张第一肺部医学影像经由第一检出模型中的N个连续的卷积特征提取模块，以使所述N个连续的卷积特征提取模块得到所述第一肺部医学影像中斑片影的图像特征，其中，N为正整数；
将所述第一肺部医学影像中受累部位的图像特征输入到第一检出模型中的全连接层，以使所述全连接层基于所述图像特征输出候选斑片影；
将所述候选斑片影经由切割模型，以使所述切割模型对所述候选斑片影在空间上进行不同方向的多次切割，得到所述候选斑片影在空间的多个方向上的多个切面影像；
将多张连续的切面影像经由第二检出模型中的M个连续的卷积特征提取模块，以使所述M个连续的卷积特征提取模块得到所述切面影像的图像特征，其中，M为正整数；
将所述切面影像的图像特征输入到第二检出模型中的全连接层，以使所述全连接层基于所述图像特征输出斑片影信息；
将所述斑片影信息经由所述体积计算模型，以使所述体积计算模型计算出所述第一肺部医学影像中受累部位的体积。
本实施例的有益效果在于：通过多种模型连接形成的神经元网络，能够同时实现斑片影检出和体积计算，简化了确定受累部位体积的方法。
在一个实施例中，根据所述受累部位的影像参数，输出所述第一肺部医学影像信息对应的受检对象肺部的疾病等级，包括：
将所述受累部位的体积与目标关系表进行比对，其中，所述目标关系表中存储有受累部位体积与疾病等级的对应关系；
根据比对结果确定并输出所述受检对象肺部的疾病等级。
在一个实施例中，根据所述受累部位的影像参数，输出所述第一肺部医学影像信息对应的受检对象肺部的疾病等级，包括：
计算受累部位在肺内的体积占比；
将所述受累部位的体积和所述受累部位在肺内的体积占比输入到疾病等级计算模型中，以得到疾病等级计算模型基于所述受累部位体积和所述受累部位在肺内的体积占比综合计算得到的所述受检对象肺部的疾病等级。
在一个实施例中，所述方法还包括：
获取受检对象的第二肺部医学影像；
获取第二肺部医学影像中受累部位的体积；
将所述第二肺部医学影像中受累部位的体积与所述第一肺部医学影像中受累部位的体积进行比对，以确定受累部位体积变化趋势；
根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势信息。
本实施例的有益效果在于：能够基于同一受检对象不同的肺部医学影像判断受累部位体积变化趋势，从而通过受累部位体积变化趋势自动确定所述受检对象肺部疾病的发展趋势信息。
在一个实施例中，根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势，包括：
当所述受累部位的体积符合第一发展趋势，确定所述受检对象的第一诊断结果；
当所述受累部位的体积符合第二发展趋势，确定所述受检对象的第二诊断结果。
在一个实施例中，所述方法还包括：
获取第一肺部医学影像和第二肺部医学影像的生成时间；
根据所述生成时间和受累部位体积变化趋势计算所述受检对象疾病发展速度。
在一个实施例中，方法还包括：
基于单一颜色对所述第一肺部医学影像进行渲染，以生成第三肺部医学影像，其中，渲染后的颜色深度与CT值正相关；和/或
基于多种颜色对所述第一肺部医学影像进行渲染，以生成第四肺部医学影像，其中，不同的CT值通过不同类型的颜色进行渲染；
输出所述第一肺部医学影像、第三肺部医学影像和/或第四肺部医学影像。
在一个实施例中，方法还包括：
通过多种颜色对多个肺部医学影像进行渲染，渲染后的肺部医学影像中不同CT值和/或CT值范围的部分对应于不同的颜色；
输出渲染后的多个肺部医学影像。
本申请还提供一种基于医学影像的诊断信息显示方法，包括：
通过显示界面对医学影像的分区进行显示；
响应于对各分区中第一征象和第二征象的影像参数的计算，在所述显示界面上输出诊断信息；
所述诊断信息包括以下至少一项：
第一征象和第二征象的体积占比、基于第一征象和第二征象的体积得到的分数、基于分数得到的所述医学影像的评估结果。
本发明还提供一种基于医学影像的诊断信息交互装置，包括：
第一获取模块，用于获取受检对象的第一肺部医学影像；
第二获取模块，用于获取所述第一肺部医学影像中受累部位的影像参数；
确定模块，用于根据所述受累部位的影像参数，输出所述第一肺部医学影像信息对应的受检对象肺部的疾病等级。
在一个实施例中，第二获取模块，包括：
输入子模块，用于将至少一张第一肺部医学影像输入到神经元网络中，以确定出所述第一肺部医学影像中受累部位的体积。
在一个实施例中，所述神经元网络包括：
用于检出候选斑片影的第一检出模型、切割模型、用于检出斑片影区间的第二检出模型以及用于计算受累部位体积的体积计算模型；
输入子模块，用于：
将所述至少一张第一肺部医学影像经由第一检出模型中的N个连续的卷积特征提取模块，以使所述N个连续的卷积特征提取模块得到所述第一肺部医学影像中斑片影的图像特征，其中，N为正整数；
将所述第一肺部医学影像中受累部位的图像特征输入到第一检出模型中的全连接层，以使所述全连接层基于所述图像特征输出候选斑片影；
将所述候选斑片影经由切割模型，以使所述切割模型对所述候选斑片影在空间上进行不同方向的多次切割，得到所述候选斑片影在空间的多个方向上的多个切面影像；
将多张连续的切面影像经由第二检出模型中的M个连续的卷积特征提取模块，以使所述M个连续的卷积特征提取模块得到所述切面影像的图像特征，其中，M为正整数；
将所述切面影像的图像特征输入到第二检出模型中的全连接层，以使所述全连接层基于所述图像特征输出斑片影信息；
将所述斑片影信息经由所述体积计算模型，以使所述体积计算模型计算出所述第一肺部医学影像中受累部位的体积。
在一个实施例中，确定模块，包括：
比对子模块，用于将所述受累部位的体积与目标关系表进行比对，其中，所述目标关系表中存储有受累部位体积与疾病等级的对应关系；
第一确定子模块，用于根据比对结果确定并输出所述受检对象肺部的疾病等级。
在一个实施例中，确定模块，包括：
计算子模块，用于计算受累部位在肺内的体积占比；
输入子模块，用于将所述受累部位的体积和所述受累部位在肺内的体积占比输入到疾病等级计算模型中，以得到疾病等级计算模型基于所述受累部位体积和所述受累部位在肺内的体积占比综合计算得到的所述受检对象肺部的疾病等级。
在一个实施例中，所述装置还包括：
第三获取模块，用于获取受检对象的第二肺部医学影像；
第四获取模块，用于获取第二肺部医学影像中受累部位的体积；
比对模块，用于将所述第二肺部医学影像中受累部位的体积与所述第一肺部医学影像中受累部位的体积进行比对，以确定受累部位体积变化趋势；
变化趋势确定模块，用于根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势信息。
在一个实施例中，变化趋势确定模块，包括：
第二确定子模块，用于当所述受累部位的体积符合第一发展趋势，确定所述受检对象的第一诊断结果；
第三确定子模块，用于当所述受累部位的体积符合第二发展趋势，确定所述受检对象的第二诊断结果。
在一个实施例中，所述装置还包括：
第五获取模块，用于获取第一肺部医学影像和第二肺部医学影像的生成时间；
计算模块，用于根据所述生成时间和受累部位体积变化趋势计算所述受检对象疾病发展速度。
在一个实施例中，装置还包括：
第一渲染模块，用于基于单一颜色对所述第一肺部医学影像进行渲染，以生成第三肺部医学影像，其中，渲染后的颜色深度与CT值正相关；
第二渲染模块，用于基于多种颜色对所述第一肺部医学影像进行渲染，以生成第四肺部医学影像，其中，不同的CT值通过不同类型的颜色进行渲染；
第一输出模块，用于输出所述第一肺部医学影像、第三肺部医学影像和/或第四肺部医学影像。
在一个实施例中，装置还包括：
第三渲染模块，用于通过多种颜色对多个肺部医学影像进行渲染，渲染后的肺部医学影像中不同CT值和/或CT值范围的部分对应于不同的颜色；
第二输出模块，用于输出渲染后的多个肺部医学影像。
本发明还提供一种非临时性可读存储介质，当所述存储介质中的指令由设备内的处理器执行时，使得所述设备能够执行一种基于医学影像的诊断信息评估方法，所述方法包括：
获取受检对象的第一肺部医学影像；
获取所述第一肺部医学影像中受累部位的影像参数；
根据所述受累部位的影像参数，输出所述第一肺部医学影像信息对应的受检对象肺部的疾病等级。
所述存储介质中的指令还可以被执行为：
所述获取所述第一肺部医学影像中受累部位的影像参数，包括：
将至少一张第一肺部医学影像输入到神经元网络中，以确定出所述第一肺部医学影像中受累部位的体积。
所述存储介质中的指令还可以被执行为：
所述神经元网络包括：
用于检出候选斑片影的第一检出模型、切割模型、用于检出斑片影区间的第二检出模型以及用于计算受累部位体积的体积计算模型；
将至少一张第一肺部医学影像输入到神经元网络中，以确定出所述第一肺部医学影像中受累部位的体积，包括：
将所述至少一张第一肺部医学影像经由第一检出模型中的N个连续的卷积特征提取模块，以使所述N个连续的卷积特征提取模块得到所述第一肺部医学影像中斑片影的图像特征，其中，N为正整数；
将所述第一肺部医学影像中受累部位的图像特征输入到第一检出模型中的全连接层，以使所述全连接层基于所述图像特征输出候选斑片影；
将所述候选斑片影经由切割模型，以使所述切割模型对所述候选斑片影在空间上进行不同方向的多次切割，得到所述候选斑片影在空间的多个方向上的多个切面影像；
将多张连续的切面影像经由第二检出模型中的M个连续的卷积特征提取模块，以使所述M个连续的卷积特征提取模块得到所述切面影像的图像特征，其中，M为正整数；
将所述切面影像的图像特征输入到第二检出模型中的全连接层，以使所述全连接层基于所述图像特征输出斑片影信息；
将所述斑片影信息经由所述体积计算模型，以使所述体积计算模型计算出所述第一肺部医学影像中受累部位的体积。
所述存储介质中的指令还可以被执行为：
根据所述受累部位的影像参数，输出所述第一肺部医学影像信息对应的受检对象肺部的疾病等级，包括：
将所述受累部位的体积与目标关系表进行比对，其中，所述目标关系表中存储有受累部位体积与疾病等级的对应关系；
根据比对结果确定并输出所述受检对象肺部的疾病等级。
所述存储介质中的指令还可以被执行为：
根据所述受累部位的影像参数，输出所述第一肺部医学影像信息对应的受检对象肺部的疾病等级，包括：
计算受累部位在肺内的体积占比；
将所述受累部位的体积和所述受累部位在肺内的体积占比输入到疾病等级计算模型中，以得到疾病等级计算模型基于所述受累部位体积和所述受累部位在肺内的体积占比综合计算得到的所述受检对象肺部的疾病等级。
所述存储介质中的指令还可以被执行为：
获取受检对象的第二肺部医学影像；
获取第二肺部医学影像中受累部位的体积；
将所述第二肺部医学影像中受累部位的体积与所述第一肺部医学影像中受累部位的体积进行比对，以确定受累部位体积变化趋势；
根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势信息。
所述存储介质中的指令还可以被执行为：
根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势，包括：
当所述受累部位的体积符合第一发展趋势，确定所述受检对象的第一诊断结果；
当所述受累部位的体积符合第二发展趋势，确定所述受检对象的第二诊断结果。
所述存储介质中的指令还可以被执行为：
获取第一肺部医学影像和第二肺部医学影像的生成时间；
根据所述生成时间和受累部位体积变化趋势计算所述受检对象疾病发展速度。
所述存储介质中的指令还可以被执行为：
基于单一颜色对所述第一肺部医学影像进行渲染，以生成第三肺部医学影像，其中，渲染后的颜色深度与CT值正相关；和/或
基于多种颜色对所述第一肺部医学影像进行渲染，以生成第四肺部医学影像，其中，不同的CT值通过不同类型的颜色进行渲染；
输出所述第一肺部医学影像、第三肺部医学影像和/或第四肺部医学影像。
所述存储介质中的指令还可以被执行为：
通过多种颜色对多个肺部医学影像进行渲染，渲染后的肺部医学影像中不同CT值和/或CT值范围的部分对应于不同的颜色；
输出渲染后的多个肺部医学影像。
本发明还提供一种非临时性可读存储介质，当所述存储介质中的指令由设备内的处理器执行时，使得所述设备能够执行一种基于医疗图像的诊断信息评估方法，所述方法包括：
对医疗图像中的感兴趣区域进行分区，获得至少N个分区，其中N为大于等于2的自然数；
至少计算每个分区中的第一征象的体积和第二征象的体积占比；
获取所述第一征象和第二征象体积占比对应分值，并基于所述分值获取每个分区的分数；
根据每个分区的分数，对所述感兴趣区域进行评估。
所述存储介质中的指令还可以被执行为：
对医疗图像中的感兴趣区域进行分区，包括：
获得所述感兴趣区域的至少N个分区，所述感兴趣区域为人体肺部，所述N个分区为右肺上叶、右肺中叶、右肺下叶、左肺上叶和左肺下叶。
所述存储介质中的指令还可以被执行为：
对医疗图像中的感兴趣区域进行分区，包括：
获得所述感兴趣区域的至少N个分区，所述感兴趣区域为人体肺部，所述N个分区对人体肺部的左右肺，由上至下分为三份后的六个分区。
所述存储介质中的指令还可以被执行为：
所述第一征象为斑片区域，所述第二征象为磨玻璃区域。
所述存储介质中的指令还可以被执行为：
获取所述第一征象和第二征象体积占比对应分值，并基于所述分值获取每个分区的分数，包括：
根据第一征象的体积占比分值乘以第一参数获得第一乘积；
根据第二征象的体积占比分值乘以第二参数获得第二乘积；
确定第一乘积和第二乘积的和值为所述第一征象和第二征象对应分区的分数。
所述存储介质中的指令还可以被执行为：
所述根据每个分区的分数，对所述感兴趣区域进行评估，包括：
设置第一、第二阈值，其中所述第二阈值大于所述第一阈值；
将所述分数分别与所述第一、第二阈值进行比较；
当所述分数小于第一阈值时确定所述医疗图像对应的受检对象为轻度肺炎；
当所述分数大于等于第一阈值，且小于第二阈值时确定所述医疗图像对应的受检对象为中度肺炎；
当所述分数大于或等于第二阈值时确定所述医疗图像对应的受检对象为重度肺炎。
本发明还提供一种非临时性可读存储介质，当所述存储介质中的指令由设备内的处理器执行时，使得所述设备能够执行基于医学影像的诊断信息显示方法，所述方法包括：
通过显示界面对医学影像的分区进行显示；
响应于对各分区中第一征象和第二征象的影像参数的计算，在所述显示界面上输出诊断信息；
所述诊断信息包括以下至少一项：
第一征象和第二征象的体积占比、基于第一征象和第二征象的体积得到的分数、基于分数得到的所述医学影像的评估结果。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1A为本发明一实施例中一种基于医疗图像的诊断信息评估方法的流程图；
图1B为勾勒出人体肺部器官作为感兴趣区域的示意图，或通过分割线对医学影像中肺部区域进行标注的示意图；
图1C为新型冠状病毒肺炎评估界面；
图1D为本发明另一实施例中一种基于医疗图像的诊断信息评估方法的流程图；
图1E为本发明又一实施例中一种基于医疗图像的诊断信息评估方法的流程图；
图1F为通过分割线将人体肺部分为六个分区的示意图；
图1G为医学影像中人体肺段的分布示意图；
图2为本发明一实施例中一种基于医学影像的诊断信息评估方法的流程图；
图3A为本发明另一实施例中一种基于医学影像的诊断信息评估方法的流程图；
图3B为执行本发明所提供的方案的系统的界面示意图。
图4A为本发明又一实施例中一种基于医学影像的诊断信息评估方法的流程图；
图4B为新型冠状病毒性肺炎不同病程的发展趋势评估示意图；
图4C为第一肺部医学影像及通过不同方式渲染后的肺部医学影像的比对图；
图4D为正常肺部CT值与特定疾病肺部CT值分布对照示意图；
图5为本发明一实施例中一种基于医学影像的诊断信息交互装置的框图；
图6为本发明一实施例中基于医学影像的诊断信息显示方法的流程图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是，可以对此处申请的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时，鉴于以下详细说明，本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例；然而，应当理解，所申请的实施例仅仅是本申请的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此，本文所申请的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本申请的相同或不同实施例中的一个或多个。
图1A为本发明一实施例中一种基于医疗图像的诊断信息评估方法的流程图，如图1A所示，该方法可被实施为以下步骤S11-S14：
在步骤S11中，对医疗图像中的感兴趣区域进行分区，获得至少N个分区，其中N为大于等于2的自然数；
在步骤S12中，至少计算每个分区中的第一征象的体积和第二征象的体积占比；
在步骤S13中，获取第一征象和第二征象体积占比对应分值，并基于分值获取每个分区的分数；
在步骤S14中，根据每个分区的分数，对感兴趣区域进行评估。
本实施例中，对医疗图像中的感兴趣区域进行分区，获得至少N个分区，其中N为大于等于2的自然数；
在机器视觉、图像处理领域中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域，本实施例中，医疗图像中的感兴趣区域可以是该医学图像中的某个人体器官，例如，当医学图像是胸部CT图像时，感兴趣区域可以是人体肺部器官，勾勒后的感兴趣区域如图1B所示。对医疗图像中的感兴趣区域进行分区可以包括如下两种方式：
方式一
获得感兴趣区域的至少N个分区，感兴趣区域为人体肺部，N个分区为右肺上叶、右肺中叶、右肺下叶、左肺上叶和左肺下叶。
方式二
获得感兴趣区域的至少N个分区，感兴趣区域为人体肺部，N个分区对人体肺部的左右肺，由上至下分为三份后的六个分区。
在获得N分区之后，至少计算每个分区中的第一征象的体积和第二征象的体积占比；
具体的，当要检测的疾病为肺炎时，肺炎在CT图中表现为斑片形式和/或磨玻璃形式，即斑片影和磨玻璃影可以同时存在于肺部CT图中，因此，第一征象可以是指人体肺部CT图的斑片区域，而第二征象可以是指人体肺部CT图的磨玻璃区域。可以理解的是，不同的疾病具有不同的征象，因此，针对不同疾病，要计算的征象不同，即应用本申请所公开的方案，除了可以计算第一征象的体积占比和第二征象的体积占比之外，当反映疾病的征象包括其他征象时，还可以计算其他征象的体积占比，例如，结节、空洞、树芽征、轨道征等等各类已被用于临床诊断实践中用于反映疾病的征象。
获取第一征象和第二征象体积占比对应分值，并基于分值获取每个分区的分数；
根据每个分区的分数，对感兴趣区域进行评估，具体的，可以设置相应的分数阈值，然后基于该分数阈值确定医疗图像对应的受检对象的疾病严重程度。
本申请的有益效果在于：能够对医疗图像中感兴趣区域进行分区，计算每个分区的分数，从而实现对感兴趣区域对应的疾病严重程度的量化处理，进而可以基于量化处理得到的分数对感兴趣区域疾病严重程度进行评估，实现了基于医疗图像的疾病区域对疾病严重程度进行评估的效果。
在一个实施例中，上述步骤S11可被实施为如下步骤：
获得感兴趣区域的至少N个分区，感兴趣区域为人体肺部，N个分区为右肺上叶、右肺中叶、右肺下叶、左肺上叶和左肺下叶。
人体肺部从结构划分可以分为五个区域，分别是右肺上叶、右肺中叶、右肺下叶、左肺上叶和左肺下叶，因此，本实施例中，可以基于人体分布结构划分进行分区，即N个分区分别为右肺上叶、右肺中叶、右肺下叶、左肺上叶和左肺下叶。
另外，可以理解的是N个分区还可以基于肺段确定，图1G为医学影像中人体肺段的分布示意图；，如图1G所示，右肺上叶包括：尖段、后段和前段；右肺中叶包括外侧段、内侧段；右肺下叶包括：内侧底段、前底段、外侧底段；而左肺上叶包括：尖后段、前段、上舌段和下舌段；右肺下叶包括：前底段、外侧底段、内侧底段。那么，基于肺段进行分区时，每一个肺段可以作为一个分区。
当然，可以理解的是，这种分区方式是基于肺部医学影像可以显示出来的肺段来进行分区的，有些没有显示出的区域没有在图1G中标注出，例如背段等没有显示出来的肺段区域。
在一个实施例中，上述步骤S11还可被实施为如下步骤：
获得感兴趣区域的至少N个分区，感兴趣区域为人体肺部，N个分区对人体肺部的左右肺，由上至下分为三份后的六个分区。
本实施例中，将左肺和右肺分别分为三份，从而形成六个分区。具体如图1F所示，通过两条切割线对肺部图像进行分区，使其分为右上、右中、右下、左上、左中和左下共六个分区。
在一个实施例中，第一征象为斑片区域，第二征象为磨玻璃区域。
当要检测的疾病为肺炎时，肺炎在CT图中表现为斑片形式和/或磨玻璃形式，即斑片影和磨玻璃影可以同时存在于肺部CT图中，因此，本实施例中，第一征象可以是指人体肺部CT图的斑片区域，而第二征象可以是指人体肺部CT图的磨玻璃区域。
在一个实施例中，如图1D所示，上述步骤S13还可被实施为如下步骤S131-S133：
在步骤S131中，根据第一征象的体积占比分值乘以第一参数获得第一乘积；
在步骤S132中，根据第二征象的体积占比分值乘以第二参数获得第二乘积；
在步骤S133中，确定第一乘积和第二乘积的和值为第一征象和第二征象对应分区的分数。
本实施例中，在获取每个分区的分数时，根据第一征象的体积占比分值乘以第一参数获得第一乘积；根据第二征象的体积占比分值乘以第二参数获得第二乘积；其中，第一征象的体积占比分值可以是第一征象的体积占比乘以一个特定系数得到的分值，可以理解的是，特定系数为1时，第一征象的体积占比分值是第一征象的体积占比本身。同理，第二征象的体积占比分值可以是第二征象的体积占比乘以该特定系数得到的分值。另外，第一参数可以基于第一征象与目标疾病患病概率的关系来确定；第二参数可以基于第二征象与目标疾病患病概率的关系来确定。
举例而言，假设第一参数为3，第二参数为2，那么分区的分数可以是第一征象体积占比分值×3+第二征象体积占比分值×2。
在一个实施例中，如图1E所示，上述步骤S14可被实施为如下步骤S141-S145：
在步骤S141中，设置第一、第二阈值，其中，第二阈值大于第一阈值；
在步骤S142中，将分数分别与第一、第二阈值进行比较；
在步骤S143中，当分数小于第一阈值时确定医疗图像对应的受检对象为轻度肺炎；
在步骤S144中，当分数大于等于第一阈值，且小于第二阈值时确定医疗图像对应的受检对象为中度肺炎；
在步骤S145中，当分数大于或等于第二阈值时确定医疗图像对应的受检对象为重度肺炎。
本实施例中，设置第一、第二阈值，其中，第二阈值大于第一阈值；将分数分别与第一、第二阈值进行比较；当分数小于第一阈值时确定医疗图像对应的受检对象为轻度肺炎；当分数大于等于第一阈值，且小于第二阈值时确定医疗图像对应的受检对象为中度肺炎；当分数大于或等于第二阈值时确定医疗图像对应的受检对象为重度肺炎。
本实施例的有益效果在于：通过设置与分数相关的阈值区间，从而实现对肺炎患者目前所患肺炎的严重程度进行评估。
需要说明的是，本申请中，还可以通过其他方式实现对肺炎严重程度的评估，例如：
设置第一、第二和第三分数区间，其中第一分数区间的最大值小于或等于第二分数区间的最小值，第二分数区间的最大值小于或等于第三分数区间的最小值；判断分数所属的分数区间；根据分数所属的分数区间确定医疗图像对应的受检对象肺炎的严重程度，其中，肺炎根据严重程度分为轻度肺炎、中度肺炎和重度肺炎；当分数所属的分数区间为第一分数区间时，确定医疗图像对应的受检对象为轻度肺炎；当分数所属的分数区间为第二分数区间时，确定医疗图像对应的受检对象为中度肺炎；当分数所属的分数区间为第三分数区间时，确定医疗图像对应的受检对象为重度肺炎。
图2为本发明一实施例中一种基于医学影像的诊断信息评估方法的流程图，如图2所示，该方法可被实施为以下步骤S21-S23：
在步骤S21中，获取受检对象的第一肺部医学影像；
在步骤S22中，获取第一肺部医学影像中受累部位的影像参数；
在步骤S23中，根据受累部位的影像参数，输出第一肺部医学影像信息对应的受检对象肺部的疾病等级。应当理解，本公开涉及的实施例的交互方法可以基于必要的诊断信息处理方法，包括确定相应的第一肺部医学影像信息对应的受检对象肺部的疾病等级。
本实施例中，获取受检对象的第一肺部医学影像；该第一肺部医学影像可以是受检对象胸部的CT图，该CT图中，已经标注出肺部区域，具体的，可以通过人工标注的方式来实现。当然，在上述步骤S21之前，还可以包括一分割肺部区域的步骤，具体的，将胸部医学影像输入到预先训练的用于分割肺部区域的神经元网络中，从而通过神经元网络对胸部医学影像中的肺部区域进行识别和标注，具体的，在通过神经元网络识别出肺部之后，通过分割线来标注肺部，如图1B所示，通过黑色的分割线来对肺部进行标注，可以理解的是，该分割线也可以是其他颜色，通过该分割步骤，可以实现对胸部影像中肺部区域的标注，从而得到第一肺部医学影像，当然，该分割步骤也可以让用户验证分割结果的准确性。
该医学影像中受累部位区域的CT值和正常肺部区域的CT值不同。在医学领域中，受累是指由疾病而导致某器官或某部位组织的功能或器质性的改变，受累部位是指由疾病而导致的发生功能或器质性改变的部位。该医学影像中受累部位区域的CT值和正常肺部区域的CT值不同。在医学领域中，受累是指由疾病而导致某器官或某部位组织的功能或器质性的改变，受累部位是指由疾病而导致的发生功能或器质性改变的部位。在临床中，CT胸部影像可以通过受累部位的影像显示、表征相应的病变部位，诸如被冠状病毒感染的肺部，例如新型冠状病毒、2019-nCoV病毒等等。通过以下的详细描述，应当认为，本申请可以具体细化到肺部所包含的所有肺叶上的病变信息处理、病变影像显示，以及相应的诊断信息的输出。
获取第一肺部医学影像中受累部位的影像参数，具体的，可以将至少一张第一肺部医学影像输入到神经元网络中，以确定出第一肺部医学影像中受累部位的影像参数，通常情况下，影像参数中包括受累部位的体积。
根据受累部位的影像参数确定第一肺部医学影像信息对应的受检对象肺部的疾病等级，具体的，可以通过如下方式确定第一肺部医学影像信息对应的受检对象肺部的疾病等级：
方式一
预先创建一关系表，该关系表中包含受累部位体积与疾病等级的对应关系。可以将受累部位的体积与目标关系表进行比对，其中，目标关系表中存储有受累部位体积与疾病等级的对应关系；根据比对结果确定并输出受检对象肺部的疾病等级。
方式二
计算受累部位在肺内的体积占比；将受累部位的体积和受累部位在肺内的体积占比输入到疾病等级计算模型中，以得到疾病等级计算模型基于受累部位体积和受累部位在肺内的体积占比综合计算得到的受检对象肺部的疾病等级。
在此需要说明的是，本实施例中所涉及的第一肺部医学影像可以是前述实施例中所涉及的医疗图像。
本发明的有益效果在于：能够获取第一肺部医学影像中受累部位的影像参数，然后根据受累部位的影像参数确定第一肺部医学影像信息对应的受检对象肺部的疾病等级，从而能够基于医学影像对疾病进行分级。
在一个实施例中，上述步骤S22可被实施为如下步骤：
将至少一张第一肺部医学影像输入到神经元网络中，以确定出第一肺部医学影像中受累部位的体积。
在一个实施例中，神经元网络包括：
用于检出候选斑片影的第一检出模型、切割模型、用于检出斑片影区间的第二检出模型以及用于计算受累部位体积的体积计算模型；
上述步骤将肺内正常CT值分布区间、受累部位CT值分布区间以及至少一张第一肺部医学影像输入到神经元网络中，以确定出第一肺部医学影像中受累部位的体积，可被实施为如下步骤A1-A6：
在步骤A1中，将至少一张第一肺部医学影像经由第一检出模型中的N个连续的卷积特征提取模块，以使N个连续的卷积特征提取模块得到第一肺部医学影像中斑片影的图像特征，其中，N为正整数；
在步骤A2中，将第一肺部医学影像中受累部位的图像特征输入到第一检出模型中的全连接层，以使全连接层基于图像特征输出候选斑片影；
在步骤A3中，将候选斑片影经由切割模型，以使切割模型对候选斑片影在空间上进行不同方向的多次切割，得到候选斑片影在空间的多个方向上的多个切面影像；
在步骤A4中，将多张连续的切面影像经由第二检出模型中的M个连续的卷积特征提取模块，以使M个连续的卷积特征提取模块得到切面影像的图像特征，其中，M为正整数；
在步骤A5中，将切面影像的图像特征输入到第二检出模型中的全连接层，以使全连接层基于图像特征输出斑片影信息；
在步骤A6中，将斑片影信息经由体积计算模型，以使体积计算模型计算出第一肺部医学影像中受累部位的体积。
本实施例中，神经元网络是由多种模型连接形成的，其中，该神经元网络包括用于检出候选斑片影的第一检出模型、切割模型、用于检出斑片影区间的第二检出模型以及用于计算受累部位体积的体积计算模型。
其中，该第一检出模型包含输入层、N个连续的卷积特征提取模块、全连接层、输出层，卷积特征提取模块包括多个卷积模块，卷积模块中包括卷积层、BN层及激励层。
第二检出模型和第一检出模型的结构相同，在此不做赘述。
将至少一张第一肺部医学影像经由第一检出模型中的N个连续的卷积特征提取模块时，针对N个卷积特征提取块中任意三个连续的卷积特征提取模块，第一个卷积特征提取模块和第二个卷积特征提取模块输出的图像特征相加后作为第三个卷积特征提取块的输入。同理，将多张连续的切面影像经由第二检出模型中的M个连续的卷积特征提取模块时，针对M个卷积特征提取块中任意三个连续的卷积特征提取模块，第一个卷积特征提取模块和第二个卷积特征提取模块输出的图像特征相加后作为第三个卷积特征提取块的输入。
另外，上述步骤中第二检出模型中的卷积特征提取模块的数量M可以等于第一检出模型中的卷积特征提取模块的数量N，也可以不等于N。
本实施例的有益效果在于：通过多种模型连接形成的神经元网络，能够同时实现斑片影检出和体积计算，简化了确定受累部位体积的方法。
在一个实施例中，如图3A所示，上述步骤S23可被实施为如下步骤S31-S32：
在步骤S31中，将受累部位的体积与目标关系表进行比对，其中，目标关系表中存储有受累部位体积与疾病等级的对应关系；
在步骤S32中，根据比对结果确定并输出受检对象肺部的疾病等级。
本实施例中，预先创建一关系表，该关系表中包含受累部位体积与疾病等级的对应关系。可以将受累部位的体积与目标关系表进行比对，其中，目标关系表中存储有受累部位体积与疾病等级的对应关系；根据比对结果确定并输出受检对象肺部的疾病等级。
在一个实施例中，上述步骤S23可被实施为如下步骤B1-B2：
在步骤B1中，计算受累部位在肺内的体积占比；
在步骤B2中，将受累部位的体积和受累部位在肺内的体积占比输入到疾病等级计算模型中，以得到疾病等级计算模型基于受累部位体积和受累部位在肺内的体积占比综合计算得到的受检对象肺部的疾病等级。
本实施例中，计算受累部位在肺内的体积占比；将受累部位的体积和受累部位在肺内的体积占比输入到疾病等级计算模型中，以得到疾病等级计算模型基于受累部位体积和受累部位在肺内的体积占比综合计算得到的受检对象肺部的疾病等级。
在该实施例中，具体受累部位在肺内的体积占比也可以通过预先训练的体积占比计算模型来计算，将医学影像输入体积占比计算模型之后，模型可以自动给出各个CT区间的体积占比，图3B为执行本发明所提供的方案的系统的界面示意图，如图3B所示，体积占比计算模型计算出的受累区域的体积现实与该界面示意图的双肺体积分析栏中。
在一个实施例中，如图4A所示，方法还可被实施为如下步骤S41-S44：
在步骤S41中，获取受检对象的第二肺部医学影像；
在步骤S42中，获取第二肺部医学影像中受累部位的体积；
在步骤S43中，将第二肺部医学影像中受累部位的体积与第一肺部医学影像中受累部位的体积进行比对，以确定受累部位体积变化趋势；
在步骤S44中，根据受累部位体积变化趋势确定受检对象肺部疾病的发展趋势信息。
本实施例中，获取受检对象的第二肺部医学影像，该第二肺部医学影像和前述实施例中的第一肺部医学影像是同一受检对象不同时期的肺部医学影像，将第二肺部医学影像中受累部位的体积与第一肺部医学影像中受累部位的体积进行比对，以确定受累部位体积变化趋势；根据受累部位体积变化趋势确定受检对象肺部疾病的发展趋势信息。
举例而言，受检对象的病势会随着时间的推移加重或者减轻，因此，可以基于不同时间段的肺部医学影像确定受检对象肺部疾病的发展趋势信息。具体的，首先获取该受检对象的ID，该受检对象的ID获得该受检对象的第二肺部医学影像，该第二肺部医学影像的生成时间可以早于第一肺部医学影像，也可以晚于第一肺部医学影像，只要是第一肺部医学影像和第二肺部医学影像的生成时间不同即可，另外，考虑到时间跨度太小病势变化不明显，因此，第一肺部医学影像和第二肺部医学影像的生成时间的间隔不小于某个特定值，如48小时。图4B为新型冠状病毒性肺炎的评估示意图，该示意图中包含了第一肺部医学影像和第二肺部医学影像的比对结果，如图4B所示，在获取受检对象的第二肺部医学影像之后，获取第二肺部医学影像中受累部位的体积，然后将第二肺部医学影像中受累部位的体积与第一肺部医学影像中受累部位的体积进行比对，以确定受累部位体积变化趋势，根据受累部位体积变化趋势确定受检对象肺部疾病的发展趋势信息。例如，图4B中，从图右侧新型肺炎评估界面中可以看到，右肺受累部位的体积从20％下降到10％，左肺受累部位的体积从30％下降到20％，即受累部位体积随时间变化而减小，确定受检对象肺部疾病的病势减轻。可以理解的，如果受累部位体积随时间变化而增大，确定受检对象肺部疾病的病势加重。进一步的，可以用更加直观的方式表示受累部位体积变化趋势，例如，用箭头表示受累部位体积的变化趋势，用箭头结合具体数值表示受累部位体积的变化趋势，当然，还可以有其他方式表示，在此不一一赘述。
本实施例的有益效果在于：能够基于同一受检对象不同的肺部医学影像判断受累部位体积变化趋势，从而通过受累部位体积变化趋势自动确定受检对象肺部疾病的发展趋势信息。
在一个实施例中，上述步骤S34可被实施为如下步骤C1-C2：
在步骤C1中，当受累部位的体积符合第一发展趋势，确定受检对象的第一诊断结果；
在步骤C2中，当受累部位的体积符合第二发展趋势，确定受检对象的第二诊断结果。
当受累部位的体积符合第一发展趋势，确定受检对象的第一诊断结果；
举例而言，假设第一肺部医学影像的生成时间晚于第二肺部医学影像，那么，当第一肺部医学影像中的受累部位体积小于第二肺部医学影像中的受累部位体积时，则受累部位的体积减小。假设第一肺部医学影像的生成时间早于第二肺部医学影像，那么，当第一肺部医学影像中的受累部位体积大于第二肺部医学影像中的受累部位体积时，则受累部位的体积减小。当受累部位的体积减小时，确定受检对象的第一诊断结果，即受检对象的病势在减轻。
当受累部位的体积符合第二发展趋势，确定受检对象的第二诊断结果；
假设第一肺部医学影像的生成时间晚于第二肺部医学影像，那么，当第一肺部医学影像中的受累部位体积大于第二肺部医学影像中的受累部位体积时，则受累部位的体积增大。假设第一肺部医学影像的生成时间早于第二肺部医学影像，那么，当第一肺部医学影像中的受累部位体积小于第二肺部医学影像中的受累部位体积时，则受累部位的体积增大。当受累部位的体积增大时，确定受检对象的第二诊断结果，即受检对象的病势在加重。
在一个实施例中，方法还可被实施为如下步骤D1-D2：
在步骤D1中，获取第一肺部医学影像和第二肺部医学影像的生成时间；
在步骤D2中，根据生成时间和受累部位体积变化趋势计算受检对象疾病发展速度。
本实施例中，可以获取第一肺部医学影像和第二肺部医学影像的生成时间，根据生成时间确定第一肺部医学影像和第二肺部医学影像生成时间间隔，然后基于该时间间隔和受累部位体积变化幅度计算单位时间内受累部位体积变化幅度，从而得到受检对象疾病发展速度。
在一个实施例中，方法还可被实施为如下步骤E1和/或E2-E3：
在步骤E1中，基于单一颜色对第一肺部医学影像进行渲染，以生成第三肺部医学影像，其中，渲染后的颜色深度与CT值正相关；
在步骤E2中，基于多种颜色对第一肺部医学影像进行渲染，以生成第四肺部医学影像，其中，不同的CT值通过不同类型的颜色进行渲染；
在步骤E3中，输出第一肺部医学影像、第三肺部医学影像和/或第四肺部医学影像。
本实施例中，为了验证CT值区间分段的准确性，可以按照用户选择的CT值区间显示病变的体积并且以“渲染”的形式进行形象显示，具体的，基于单一颜色对第一肺部医学影像进行渲染，以生成第三肺部医学影像，其中，渲染后的颜色深度与CT值正相关；然后基于多种颜色对第一肺部医学影像进行渲染，以生成第四肺部医学影像，其中，不同的CT值通过不同类型的颜色进行渲染；然后输出第一肺部医学影像、第三肺部医学影像和第四肺部医学影像。具体输出后的图片形式可如图4C所示，左侧为受检对象的第一肺部医学影像，在本示例中，该第一肺部医学影像为包含肺部的胸部CT图，中间的断面图中，是对第一肺部医学影像通过一种颜色进行渲染，不同的CT值采用不同的深度，例如，CT值越高，颜色越深。当然，可以理解的是，还可以设置为CT值越高，颜色越浅。右侧的断面图中，是以变化的颜色进行标识。例如，可以设置多个CT值区间，落入CT值低的区间内的区域通过蓝色进行渲染，落入CT值高的区间内的区域通过红色进行渲染。
可以理解的是，在步骤E3中，可以仅输出第一肺部医学影像和第三肺部医学影像、也可以仅输出第一肺部医学影像和第四肺部医学影像，还可以同时输出第一肺部医学影像、第三肺部医学影像和第四肺部医学影像。
在一个实施例中，方法还可被实施为如下步骤F1-F2：
在步骤F1中，通过多种颜色对多个肺部医学影像进行渲染，渲染后的肺部医学影像中不同CT值和/或CT值范围的部分对应于不同的颜色；
在步骤F2中，输出渲染后的多个肺部医学影像。
本实施例中，可以针对同一个病人不同病程的肺部医学影像进行渲染，增强比对效果，例如，通过多种颜色对同一受检对象连续三天的肺部医学影像进行渲染，渲染后的肺部医学影像中不同CT值和/或CT值范围的部分对应于不同的颜色，然后输出渲染后的多个肺部医学影像。从而将黑白色为主的CT图像渲染为彩色图像，从而增强了图像的效果，得到同一受检对象不同病程的渲染后的肺部医学影像，便于对不同病程的病势进行比对。
另外，需要说明的是，针对不同的疾病，可以给出正常肺部CT值与特定疾病肺部CT值分布对照示意图，例如，针对新型冠状病毒性肺炎，可以通过分析大量的健康人群的胸部CT影像，给出正常人群的肺内CT值数据作为基线参考，并绘制直方图，提供健康人群与患者CT值分布的联合交叉口、Hellinger系数等供医生进行对照，具体对照示意图如图4D所示。其中，变化幅度CT直方图为新型冠状病毒性肺炎对应的直方图，根据该图能够精准快速评估当前新型冠状病毒性肺炎的严重程度。
图5为本发明一实施例中一种基于医学影像的诊断信息交互装置的框图，如图5所示，该装置包括：
第一获取模块51，用于获取受检对象的第一肺部医学影像；
第二获取模块52，用于获取第一肺部医学影像中受累部位的影像参数；
确定模块53，用于根据受累部位的影像参数确定第一肺部医学影像信息对应的受检对象肺部的疾病等级。
在一个实施例中，第二获取模块，包括：
输入子模块，用于将至少一张第一肺部医学影像输入到神经元网络中，以确定出所述第一肺部医学影像中受累部位的体积。
在一个实施例中，所述神经元网络包括：
用于检出候选斑片影的第一检出模型、切割模型、用于检出斑片影区间的第二检出模型以及用于计算受累部位体积的体积计算模型；
输入子模块，用于：
将所述至少一张第一肺部医学影像经由第一检出模型中的N个连续的卷积特征提取模块，以使所述N个连续的卷积特征提取模块得到所述第一肺部医学影像中斑片影的图像特征，其中，N为正整数；
将所述第一肺部医学影像中受累部位的图像特征输入到第一检出模型中的全连接层，以使所述全连接层基于所述图像特征输出候选斑片影；
将所述候选斑片影经由切割模型，以使所述切割模型对所述候选斑片影在空间上进行不同方向的多次切割，得到所述候选斑片影在空间的多个方向上的多个切面影像；
将多张连续的切面影像经由第二检出模型中的M个连续的卷积特征提取模块，以使所述M个连续的卷积特征提取模块得到所述切面影像的图像特征，其中，M为正整数；
将所述切面影像的图像特征输入到第二检出模型中的全连接层，以使所述全连接层基于所述图像特征输出斑片影信息；
将所述斑片影信息经由所述体积计算模型，以使所述体积计算模型计算出所述第一肺部医学影像中受累部位的体积。
在一个实施例中，确定模块，包括：
比对子模块，用于将所述受累部位的体积与目标关系表进行比对，其中，所述目标关系表中存储有受累部位体积与疾病等级的对应关系；
第一确定子模块，用于根据比对结果确定并输出所述受检对象肺部的疾病等级。
在一个实施例中，确定模块，包括：
计算子模块，用于计算受累部位在肺内的体积占比；
输入子模块，用于将所述受累部位的体积和所述受累部位在肺内的体积占比输入到疾病等级计算模型中，以得到疾病等级计算模型基于所述受累部位体积和所述受累部位在肺内的体积占比综合计算得到的所述受检对象肺部的疾病等级。
在一个实施例中，所述装置还包括：
第三获取模块，用于获取受检对象的第二肺部医学影像；
第四获取模块，用于获取第二肺部医学影像中受累部位的体积；
比对模块，用于将所述第二肺部医学影像中受累部位的体积与所述第一肺部医学影像中受累部位的体积进行比对，以确定受累部位体积变化趋势；
变化趋势确定模块，用于根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势信息。
在一个实施例中，变化趋势确定模块，包括：
第二确定子模块，用于当所述受累部位的体积符合第一发展趋势，确定所述受检对象的第一诊断结果；
第三确定子模块，用于当所述受累部位的体积符合第二发展趋势，确定所述受检对象的第二诊断结果。
在一个实施例中，所述装置还包括：
第五获取模块，用于获取第一肺部医学影像和第二肺部医学影像的生成时间；
计算模块，用于根据所述生成时间和受累部位体积变化趋势计算所述受检对象疾病发展速度。
在一个实施例中，装置还包括：
第一渲染模块，用于基于单一颜色对所述第一肺部医学影像进行渲染，以生成第三肺部医学影像，其中，渲染后的颜色深度与CT值正相关；
第二渲染模块，用于基于多种颜色对所述第一肺部医学影像进行渲染，以生成第四肺部医学影像，其中，不同的CT值通过不同类型的颜色进行渲染；
第一输出模块，用于输出所述第一肺部医学影像、第三肺部医学影像和/或第四肺部医学影像。
在一个实施例中，装置还包括：
第三渲染模块，用于通过多种颜色对多个肺部医学影像进行渲染，渲染后的肺部医学影像中不同CT值和/或CT值范围的部分对应于不同的颜色；
第二输出模块，用于输出渲染后的多个肺部医学影像。
结合前述基于医学影像的诊断信息评估方法，本申请还公开一种基于医学影像的诊断信息显示方法，6为本发明一实施例中一种基于医学影像的诊断信息显示方法的流程图，如图6所示，该方法可被实施为以下步骤S61-S62：
在步骤S61中，通过显示界面对医学影像的分区进行显示；
在步骤S62中，响应于对各分区中第一征象和第二征象的影像参数的计算，在显示界面上输出诊断信息；
诊断信息包括以下至少一项：
第一征象和第二征象的体积占比、基于第一征象和第二征象的体积得到的分数、基于分数得到的医学影像的评估结果。
当医学影像为肺部医学影像时，如图1C所示，通过显示界面对肺部医学影像的分区进行显示，图1C适用于前述实施例中提到的将医学影像中的感兴趣区域(即肺部)分为五个分区的情况，响应于对各分区中第一征象和第二征象的影像参数的计算，在显示界面上输出一下至少一项诊断信息：第一征象和第二征象的体积占比、基于第一征象和第二征象的体积得到的分数、基于分数得到的医学影像的评估结果。
其中，本实施例是结合前述基于医学影像的诊断信息评估方法所公开的一种基于医学影像的诊断信息显示方法，因此，不难理解的是，本实施例所涉及的医学影像可以是前述实施例所涉及的医疗图像，而本实施例涉及的分区也可以通过前述的基于医学影像的诊断信息评估方法所对应的实施例中所记载的分区方式来确定，本实施例涉及的第一征象可以为斑片区域，第二征象可以为磨玻璃区域。
更进一步地，第一征象和第二征象的体积占比、基于第一征象和第二征象的体积得到的分数、基于分数得到的医学影像的评估结果都可以通过前述的基于医学影像的诊断信息评估方法所对应的实施例中所记载的方案来获取。
本发明还提供一种非临时性可读存储介质，当所述存储介质中的指令由设备内的处理器执行时，使得所述设备能够执行一种基于医学影像的诊断信息评估方法，所述方法包括：
获取受检对象的第一肺部医学影像；
获取所述第一肺部医学影像中受累部位的影像参数；
根据所述受累部位的影像参数，输出所述第一肺部医学影像信息对应的受检对象肺部的疾病等级。
所述存储介质中的指令还可以被执行为：
所述获取所述第一肺部医学影像中受累部位的影像参数，包括：
将至少一张第一肺部医学影像输入到神经元网络中，以确定出所述第一肺部医学影像中受累部位的体积。
所述存储介质中的指令还可以被执行为：
所述神经元网络包括：
用于检出候选斑片影的第一检出模型、切割模型、用于检出斑片影区间的第二检出模型以及用于计算受累部位体积的体积计算模型；
将至少一张第一肺部医学影像输入到神经元网络中，以确定出所述第一肺部医学影像中受累部位的体积，包括：
将所述至少一张第一肺部医学影像经由第一检出模型中的N个连续的卷积特征提取模块，以使所述N个连续的卷积特征提取模块得到所述第一肺部医学影像中斑片影的图像特征，其中，N为正整数；
将所述第一肺部医学影像中受累部位的图像特征输入到第一检出模型中的全连接层，以使所述全连接层基于所述图像特征输出候选斑片影；
将所述候选斑片影经由切割模型，以使所述切割模型对所述候选斑片影在空间上进行不同方向的多次切割，得到所述候选斑片影在空间的多个方向上的多个切面影像；
将多张连续的切面影像经由第二检出模型中的M个连续的卷积特征提取模块，以使所述M个连续的卷积特征提取模块得到所述切面影像的图像特征，其中，M为正整数；
将所述切面影像的图像特征输入到第二检出模型中的全连接层，以使所述全连接层基于所述图像特征输出斑片影信息；
将所述斑片影信息经由所述体积计算模型，以使所述体积计算模型计算出所述第一肺部医学影像中受累部位的体积。
所述存储介质中的指令还可以被执行为：
根据所述受累部位的影像参数，输出所述第一肺部医学影像信息对应的受检对象肺部的疾病等级，包括：
将所述受累部位的体积与目标关系表进行比对，其中，所述目标关系表中存储有受累部位体积与疾病等级的对应关系；
根据比对结果确定并输出所述受检对象肺部的疾病等级。
所述存储介质中的指令还可以被执行为：
根据所述受累部位的影像参数，输出所述第一肺部医学影像信息对应的受检对象肺部的疾病等级，包括：
计算受累部位在肺内的体积占比；
将所述受累部位的体积和所述受累部位在肺内的体积占比输入到疾病等级计算模型中，以得到疾病等级计算模型基于所述受累部位体积和所述受累部位在肺内的体积占比综合计算得到的所述受检对象肺部的疾病等级。
所述存储介质中的指令还可以被执行为：
获取受检对象的第二肺部医学影像；
获取第二肺部医学影像中受累部位的体积；
将所述第二肺部医学影像中受累部位的体积与所述第一肺部医学影像中受累部位的体积进行比对，以确定受累部位体积变化趋势；
根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势信息。
所述存储介质中的指令还可以被执行为：
根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势，包括：
当所述受累部位的体积符合第一发展趋势，确定所述受检对象的第一诊断结果；
当所述受累部位的体积符合第二发展趋势，确定所述受检对象的第二诊断结果。
所述存储介质中的指令还可以被执行为：
获取第一肺部医学影像和第二肺部医学影像的生成时间；
根据所述生成时间和受累部位体积变化趋势计算所述受检对象疾病发展速度。
所述存储介质中的指令还可以被执行为：
基于单一颜色对所述第一肺部医学影像进行渲染，以生成第三肺部医学影像，其中，渲染后的颜色深度与CT值正相关；和/或
基于多种颜色对所述第一肺部医学影像进行渲染，以生成第四肺部医学影像，其中，不同的CT值通过不同类型的颜色进行渲染；
输出所述第一肺部医学影像、第三肺部医学影像和/或第四肺部医学影像。
所述存储介质中的指令还可以被执行为：
通过多种颜色对多个肺部医学影像进行渲染，渲染后的肺部医学影像中不同CT值和/或CT值范围的部分对应于不同的颜色；
输出渲染后的多个肺部医学影像。
本发明还提供一种非临时性可读存储介质，当所述存储介质中的指令由设备内的处理器执行时，使得所述设备能够执行一种基于医疗图像的诊断信息评估方法，所述方法包括：
对医疗图像中的感兴趣区域进行分区，获得至少N个分区，其中N为大于等于2的自然数；
至少计算每个分区中的第一征象的体积和第二征象的体积占比；
获取所述第一征象和第二征象体积占比对应分值，并基于所述分值获取每个分区的分数；
根据每个分区的分数，对所述感兴趣区域进行评估。
所述存储介质中的指令还可以被执行为：
对医疗图像中的感兴趣区域进行分区，包括：
获得所述感兴趣区域的至少N个分区，所述感兴趣区域为人体肺部，所述N个分区为右肺上叶、右肺中叶、右肺下叶、左肺上叶和左肺下叶。
所述存储介质中的指令还可以被执行为：
对医疗图像中的感兴趣区域进行分区，包括：
获得所述感兴趣区域的至少N个分区，所述感兴趣区域为人体肺部，所述N个分区对人体肺部的左右肺，由上至下分为三份后的六个分区。
所述存储介质中的指令还可以被执行为：
所述第一征象为斑片区域，所述第二征象为磨玻璃区域。
所述存储介质中的指令还可以被执行为：
获取所述第一征象和第二征象体积占比对应分值，并基于所述分值获取每个分区的分数，包括：
根据第一征象的体积占比分值乘以第一参数获得第一乘积；
根据第二征象的体积占比分值乘以第二参数获得第二乘积；
确定第一乘积和第二乘积的和值为所述第一征象和第二征象对应分区的分数。
所述存储介质中的指令还可以被执行为：
所述根据每个分区的分数，对所述感兴趣区域进行评估，包括：
设置第一、第二阈值，其中所述第二阈值大于所述第一阈值；
将所述分数分别与所述第一、第二阈值进行比较；
当所述分数小于第一阈值时确定所述医疗图像对应的受检对象为轻度肺炎；
当所述分数大于等于第一阈值，且小于第二阈值时确定所述医疗图像对应的受检对象为中度肺炎；
当所述分数大于或等于第二阈值时确定所述医疗图像对应的受检对象为重度肺炎。
本发明还提供一种非临时性可读存储介质，当所述存储介质中的指令由设备内的处理器执行时，使得所述设备能够执行基于医学影像的诊断信息显示方法，所述方法包括：
通过显示界面对医学影像的分区进行显示；
响应于对各分区中第一征象和第二征象的影像参数的计算，在所述显示界面上输出诊断信息；
所述诊断信息包括以下至少一项：
第一征象和第二征象的体积占比、基于第一征象和第二征象的体积得到的分数、基于分数得到的所述医学影像的评估结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (11)

1.一种基于医学影像的诊断信息评估方法，其特征在于，包括：
对医疗图像中的感兴趣区域进行分区，获得至少N个分区，其中N为大于等于2的自然数；
至少计算每个分区中的第一征象的体积和第二征象的体积占比；
获取所述第一征象和第二征象体积占比对应分值，并基于所述分值获取每个分区的分数；
根据每个分区的分数，对所述感兴趣区域进行评估。
2.如权利要求1所述的方法，其特征在于，对医疗图像中的感兴趣区域进行分区，包括：
获得所述感兴趣区域的至少N个分区，所述感兴趣区域为人体肺部，所述N个分区为右肺上叶、右肺中叶、右肺下叶、左肺上叶和左肺下叶。
3.如权利要求1所述的方法，其特征在于，对医疗图像中的感兴趣区域进行分区，包括：
获得所述感兴趣区域的至少N个分区，所述感兴趣区域为人体肺部，所述N个分区对人体肺部的左右肺，由上至下分为三份后的六个分区。
4.如权利要求1至3中任一项所述的方法，其特征在于，所述第一征象为斑片区域，所述第二征象为磨玻璃区域。
5.如权利要求1至3中任一项所述的方法，其特征在于，获取所述第一征象和第二征象体积占比对应分值，并基于所述分值获取每个分区的分数，包括：
根据第一征象的体积占比分值乘以第一参数获得第一乘积；
根据第二征象的体积占比分值乘以第二参数获得第二乘积；
确定第一乘积和第二乘积的和值为所述第一征象和第二征象对应分区的分数。
6.如权利要求1所述的方法，其特征在于，所述根据每个分区的分数，对所述感兴趣区域进行评估，包括：
设置第一、第二阈值，其中所述第二阈值大于所述第一阈值；
将所述分数分别与所述第一、第二阈值进行比较；
当所述分数小于第一阈值时确定所述医疗图像对应的受检对象为轻度肺炎；
当所述分数大于等于第一阈值，且小于第二阈值时确定所述医疗图像对应的受检对象为中度肺炎；
当所述分数大于或等于第二阈值时确定所述医疗图像对应的受检对象为重度肺炎。
7.一种基于医学影像的诊断信息评估方法，其特征在于，包括：
获取受检对象的第一肺部医学影像；
获取所述第一肺部医学影像中受累部位的影像参数；
根据所述受累部位的影像参数，输出所述第一肺部医学影像信息对应的受检对象肺部的疾病等级；
其中，根据所述受累部位的影像参数，输出所述第一肺部医学影像信息对应的受检对象肺部的疾病等级，包括：
将所述受累部位的体积与目标关系表进行比对，其中，所述目标关系表中存储有受累部位体积与疾病等级的对应关系；
根据比对结果确定并输出所述受检对象肺部的疾病等级；
或者
计算受累部位在肺内的体积占比；
将所述受累部位的体积和所述受累部位在肺内的体积占比输入到疾病等级计算模型中，以得到疾病等级计算模型基于所述受累部位体积和所述受累部位在肺内的体积占比综合计算得到的所述受检对象肺部的疾病等级。
8.如权利要求7所述的方法，其特征在于，所述获取所述第一肺部医学影像中受累部位的影像参数，包括：
将所述至少一张第一肺部医学影像经由神经元网络中的第一检出模型中的N个连续的卷积特征提取模块，以使所述N个连续的卷积特征提取模块得到所述第一肺部医学影像中斑片影的图像特征，其中，N为正整数；
将所述第一肺部医学影像中受累部位的图像特征输入到第一检出模型中的全连接层，以使所述全连接层基于所述图像特征输出候选斑片影；
将所述候选斑片影经由切割模型，以使所述切割模型对所述候选斑片影在空间上进行不同方向的多次切割，得到所述候选斑片影在空间的多个方向上的多个切面影像；
将多张连续的切面影像经由第二检出模型中的M个连续的卷积特征提取模块，以使所述M个连续的卷积特征提取模块得到所述切面影像的图像特征，其中，M为正整数；
将所述切面影像的图像特征输入到第二检出模型中的全连接层，以使所述全连接层基于所述图像特征输出斑片影信息；
将所述斑片影信息经由所述体积计算模型，以使所述体积计算模型计算出所述第一肺部医学影像中受累部位的体积。
9.如权利要求8所述的方法，其特征在于，所述方法还包括：
获取受检对象的第二肺部医学影像；
获取第二肺部医学影像中受累部位的体积；
将所述第二肺部医学影像中受累部位的体积与所述第一肺部医学影像中受累部位的体积进行比对，以确定受累部位体积变化趋势；
根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势信息。
10.基于医学影像的诊断信息显示方法，包括：
通过显示界面对医学影像的分区进行显示；
响应于对各分区中第一征象和第二征象的影像参数的计算，在所述显示界面上输出诊断信息；
所述诊断信息包括以下至少一项：
第一征象和第二征象的体积占比、基于第一征象和第二征象的体积得到的分数、基于分数得到的所述医学影像的评估结果。
11.一种非临时性可读存储介质，当所述存储介质中的指令由设备内的处理器执行时，使得所述设备能够执行一种基于医学影像的诊断信息评估方法或者基于医学影像的诊断信息显示方法，所述方法包括：
根据权利要求1至6中任一项所述的方法；或者
根据权利要求7至9中任一项所述的方法；或者
根据权利要求11所述的方法。
CN202010096657.8A 2020-02-05 2020-02-17 诊断信息评估方法、显示方法及存储介质 Active CN111160812B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010096657.8A CN111160812B (zh) 2020-02-17 2020-02-17 诊断信息评估方法、显示方法及存储介质
PCT/CN2021/075379 WO2021155829A1 (zh) 2020-02-05 2021-02-05 一种基于医学影像的诊断信息处理方法、装置及存储介质
US17/760,185 US20230070249A1 (en) 2020-02-05 2021-02-05 Medical imaging-based method and device for diagnostic information processing, and storage medium
EP21751295.3A EP4089688A4 (en) 2020-02-05 2021-02-05 MEDICAL IMAGING-BASED METHOD AND DEVICE FOR PROCESSING DIAGNOSTIC INFORMATION, AND STORAGE MEDIA

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010096657.8A CN111160812B (zh) 2020-02-17 2020-02-17 诊断信息评估方法、显示方法及存储介质

Publications (2)

Publication Number Publication Date
CN111160812A true CN111160812A (zh) 2020-05-15
CN111160812B CN111160812B (zh) 2023-08-29

Family

ID=70565822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010096657.8A Active CN111160812B (zh) 2020-02-05 2020-02-17 诊断信息评估方法、显示方法及存储介质

Country Status (1)

Country Link
CN (1) CN111160812B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021155829A1 (zh) * 2020-02-05 2021-08-12 杭州依图医疗技术有限公司 一种基于医学影像的诊断信息处理方法、装置及存储介质
CN116958151A (zh) * 2023-09-21 2023-10-27 中国医学科学院北京协和医院 一种基于ct图像特征区分肾上腺增生与乏脂肪腺瘤的方法、系统、设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020028006A1 (en) * 2000-09-07 2002-03-07 Novak Carol L. Interactive computer-aided diagnosis method and system for assisting diagnosis of lung nodules in digital volumetric medical images
US20030095692A1 (en) * 2001-11-20 2003-05-22 General Electric Company Method and system for lung disease detection
CN1639739A (zh) * 2002-03-04 2005-07-13 西门子共同研究公司 用于ct体积图像组中的对象一致性的图形用户界面
US20090304242A1 (en) * 2005-11-02 2009-12-10 Hitachi Medical Corporation Image analyzing system and method
US20140341452A1 (en) * 2013-05-16 2014-11-20 Siemens Medical Solutions Usa, Inc. System and method for efficient assessment of lesion development
US20150302599A1 (en) * 2011-12-05 2015-10-22 The John Hopkins University System and method of automatically detecting tissue abnormalities
US20170294034A1 (en) * 2016-04-11 2017-10-12 Toshiba Medical Systems Corporation Apparatus and method of iterative image reconstruction using regularization-parameter control
CN108078581A (zh) * 2017-12-12 2018-05-29 北京青燕祥云科技有限公司 基于卷积神经网络的肺癌良恶性判别方法系统和实现装置
CN108615237A (zh) * 2018-05-08 2018-10-02 上海商汤智能科技有限公司 一种肺部图像处理方法及图像处理设备
CN109509204A (zh) * 2018-10-23 2019-03-22 中国科学院苏州生物医学工程技术研究所 Ct图像矽肺结节的自动提取方法
US20190392583A1 (en) * 2018-06-21 2019-12-26 International Business Machines Corporation Segmenting irregular shapes in images using deep region growing

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020028006A1 (en) * 2000-09-07 2002-03-07 Novak Carol L. Interactive computer-aided diagnosis method and system for assisting diagnosis of lung nodules in digital volumetric medical images
US20030095692A1 (en) * 2001-11-20 2003-05-22 General Electric Company Method and system for lung disease detection
CN1639739A (zh) * 2002-03-04 2005-07-13 西门子共同研究公司 用于ct体积图像组中的对象一致性的图形用户界面
US20090304242A1 (en) * 2005-11-02 2009-12-10 Hitachi Medical Corporation Image analyzing system and method
US20150302599A1 (en) * 2011-12-05 2015-10-22 The John Hopkins University System and method of automatically detecting tissue abnormalities
US20140341452A1 (en) * 2013-05-16 2014-11-20 Siemens Medical Solutions Usa, Inc. System and method for efficient assessment of lesion development
US20170294034A1 (en) * 2016-04-11 2017-10-12 Toshiba Medical Systems Corporation Apparatus and method of iterative image reconstruction using regularization-parameter control
CN108078581A (zh) * 2017-12-12 2018-05-29 北京青燕祥云科技有限公司 基于卷积神经网络的肺癌良恶性判别方法系统和实现装置
CN108615237A (zh) * 2018-05-08 2018-10-02 上海商汤智能科技有限公司 一种肺部图像处理方法及图像处理设备
US20190392583A1 (en) * 2018-06-21 2019-12-26 International Business Machines Corporation Segmenting irregular shapes in images using deep region growing
CN109509204A (zh) * 2018-10-23 2019-03-22 中国科学院苏州生物医学工程技术研究所 Ct图像矽肺结节的自动提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
上海市公共卫生临床中心: "《"科学防控 AI助力"新型冠状病毒性肺炎智能评价系统在公卫中心上线》" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021155829A1 (zh) * 2020-02-05 2021-08-12 杭州依图医疗技术有限公司 一种基于医学影像的诊断信息处理方法、装置及存储介质
CN116958151A (zh) * 2023-09-21 2023-10-27 中国医学科学院北京协和医院 一种基于ct图像特征区分肾上腺增生与乏脂肪腺瘤的方法、系统、设备
CN116958151B (zh) * 2023-09-21 2023-12-12 中国医学科学院北京协和医院 一种基于ct图像特征区分肾上腺增生与乏脂肪腺瘤的方法、系统、设备

Also Published As

Publication number Publication date
CN111160812B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
JP6877868B2 (ja) 画像処理装置、画像処理方法および画像処理プログラム
US9495794B2 (en) Three-dimensional image display apparatus, method, and program
CN111261284A (zh) 一种基于医学影像的诊断信息处理方法、装置及存储介质
CN111047591A (zh) 基于深度学习的病灶体积测量方法、系统、终端及存储介质
US20080071160A1 (en) Displaying A Tracheobronchial Tree
JP2015528372A (ja) 医用画像中の肺結節を自動検出するためのシステム及び方法
CN107077731B (zh) 成像不确定性的可视化
JP2022543643A (ja) 冠動脈カルシウム負荷の縦断的表示
Debarba et al. Efficient liver surgery planning in 3D based on functional segment classification and volumetric information
CN113164142B (zh) 相似度确定装置、方法及程序
KR102382872B1 (ko) 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법
US20100021031A1 (en) Method of Selecting and Visualizing Findings Within Medical Images
CN111160812B (zh) 诊断信息评估方法、显示方法及存储介质
CN102419864B (zh) 一种提取脑部ct图像骨骼方法及装置
US20210383262A1 (en) System and method for evaluating a performance of explainability methods used with artificial neural networks
KR20180061888A (ko) 안와벽 재건술을 위한 수술 계획 생성 방법, 이를 수행하는 수술 계획 생성 서버, 및 이를 저장하는 기록매체
US20230070249A1 (en) Medical imaging-based method and device for diagnostic information processing, and storage medium
CN114387380A (zh) 用于生成3d医学图像数据的基于计算机的可视化的方法
CN111261285A (zh) 诊断信息界面的显示方法、交互方法及存储介质
Dickson et al. A Dual Channel Multiscale Convolution U-Net Methodfor Liver Tumor Segmentation from Abdomen CT Images
CN112862786B (zh) Cta影像数据处理方法、装置及存储介质
CN112862785B (zh) Cta影像数据识别方法、装置及存储介质
Li et al. Detectability of pulmonary nodules by deep learning: Results from a phantom study
CN111383218B (zh) 基于医学影像的诊断信息处理方法及存储介质
Miao et al. CoWRadar: Visual Quantification of the Circle of Willis in Stroke Patients.

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