CN111179222A - 脑出血点智能检测方法、装置及计算机可读存储介质 - Google Patents
脑出血点智能检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111179222A CN111179222A CN201911254426.9A CN201911254426A CN111179222A CN 111179222 A CN111179222 A CN 111179222A CN 201911254426 A CN201911254426 A CN 201911254426A CN 111179222 A CN111179222 A CN 111179222A
- Authority
- CN
- China
- Prior art keywords
- brain
- bleeding point
- cerebral hemorrhage
- detection model
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 140
- 206010008111 Cerebral haemorrhage Diseases 0.000 title claims abstract description 105
- 210000004556 brain Anatomy 0.000 claims abstract description 245
- 208000032843 Hemorrhage Diseases 0.000 claims abstract description 161
- 230000000740 bleeding effect Effects 0.000 claims abstract description 140
- 238000012549 training Methods 0.000 claims abstract description 97
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 60
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 239000003550 marker Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000011403 purification operation Methods 0.000 claims description 13
- 210000005013 brain tissue Anatomy 0.000 claims description 8
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 8
- 210000003625 skull Anatomy 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 16
- 238000011176 pooling Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 208000008574 Intracranial Hemorrhages Diseases 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30016—Brain
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种人工智能技术,揭露了一种脑出血点智能检测方法,包括:获取脑部医疗影像集并基于参数调整算法得到可读脑部图像集,将所述可读脑部图像集分为训练集和测试集,将所述训练集输入至原始脑部出血点检测模型中训练得到脑部出血点检测模型,将所述测试集输入至所述脑部出血点检测模型得到测试值,直至所述测试值满足预设要求,所述脑部出血点检测模型完成所述训练,接收脑部图片,将所述脑部图片输入至所述脑部出血点检测模型得到脑部出血点坐标,基于出血点操作平台和所述脑部出血点坐标进行编辑整理输出脑部出血点。本发明还提出一种脑出血点智能检测装置以及一种计算机可读存储介质。本发明可以实现精准高效的脑出血点检测功能。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种脑出血点智能检测的方法、装置及计算机可读存储介质。
背景技术
目前市面上对于脑部出血点检测的操作平台不够完善,且多数基于传统图像检测算法,具有检测效率低,检测准确率低等原因,故而不能很好辅助医生快速找到出血点,导致患者因出血点不能快速定位而延误治疗。
发明内容
本发明提供一种脑出血点智能检测方法、装置及计算机可读存储介质,其主要目的在于根据用户的查询要求而进行脑出血点智能检测。
为实现上述目的,本发明提供的一种脑出血点智能检测方法,包括:
获取脑部医疗影像集,并基于脑出血的性质对所述脑部医疗影像集进行提纯操作和格式转换,生成原始可读脑部图像集;
基于预先构建的参数调整算法调整所述原始可读脑部图像集得到可读脑部图像集;
将所述可读脑部图像集分为训练集和测试集,将所述训练集输入至预先构建的原始脑部出血点检测模型中训练得到脑部出血点检测模型,将所述测试集输入至所述脑部出血点检测模型得到测试值,若所述测试值小于预设阈值,所述脑部出血点检测模型接收所述训练集继续训练,若所述测试值大于预设阈值,所述脑部出血点检测模型完成所述训练;
接收用户输入的脑部图片,将所述脑部图片输入至所述脑部出血点检测模型得到脑部出血点坐标,基于预先构建的出血点操作平台和所述脑部出血点坐标进行编辑整理输出脑部出血点。
可选地,所述格式转换的计算方法为:
其中,v为所述脑部医疗影像集的图像存储值,G为计算机操作平台上的显示值,gm为计算机显示器显示的最大位图文件为255,w为所述脑部医疗影像集的窗宽,c为所述脑部医疗影像集的窗位。
可选地,所述参数调整算法包括向量生成函数、图像提取函数、图像显示函数和灰度拉伸函数;
所述基于预先构建的参数调整算法调整所述原始可读脑部图像集得到可读脑部图像集的窗宽窗位,包括:
基于所述向量生成函数,将所述原始可读脑部图像集的像素数据存储到无符号整型数组,并将所述无符号整型数组转变为向量集;
根据所述图像提取函数从所述向量集中提取脑出血图像数据,并基于所述图像显示函数进行图像显示;
根据所述图像显示结果,调用所述灰度拉伸函数进行参数调节得到调节后的可读脑部图像集。
可选地,将所述训练集输入至预先构建的原始脑部出血点检测模型中训练得到脑部出血点检测模型,包括:
将所述训练集进行脑部出血点标记,得到真实出血点标记坐标集;
初始化所述原始脑部出血点检测模型的模型参数;
将所述训练集输入至所述原始脑部出血点检测模型中,所述原始脑部出血点检测模型根据所述训练集不断调整所述模型参数并输出预测出血点标记坐标集;
判断所述预测出血点标记坐标集与所述真实出血点标记坐标集的误差是否小于预设误差,若大于所述预设误差,所述原始脑部出血点检测模型继续调整所述模型参数,若小于所述预设误差,完成所述训练得到所述脑部出血点检测模型。
可选地,所述提纯操作包括:
自动化标定所述脑部医疗影像集中脑组织区域、脑脊液、脑室及外侧颅骨;
提取出所述脑部医疗影像集中所述脑组织区域为浅灰色、所述脑脊液及所述脑室为黑色、所述外侧颅骨为白色的图片集。
此外,为实现上述目的,本发明还提供一种脑出血点智能检测装置,该装置包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的脑出血点智能检测程序,所述脑出血点智能检测程序被所述处理器执行时实现如下步骤:
获取脑部医疗影像集,并基于脑出血的性质对所述脑部医疗影像集进行提纯操作和格式转换,生成原始可读脑部图像集;
基于预先构建的参数调整算法调整所述原始可读脑部图像集得到可读脑部图像集;
将所述可读脑部图像集分为训练集和测试集,将所述训练集输入至预先构建的原始脑部出血点检测模型中训练得到脑部出血点检测模型,将所述测试集输入至所述脑部出血点检测模型得到测试值,若所述测试值小于预设阈值,所述脑部出血点检测模型接收所述训练集继续训练,若所述测试值大于预设阈值,所述脑部出血点检测模型完成所述训练;
接收用户输入的脑部图片,将所述脑部图片输入至所述脑部出血点检测模型得到脑部出血点坐标,基于预先构建的出血点操作平台和所述脑部出血点坐标进行编辑整理输出脑部出血点。
可选地,所述格式转换的计算方法为:
其中,v为所述脑部医疗影像集的图像存储值,G为计算机操作平台上的显示值,gm为计算机显示器显示的最大位图文件为255,w为所述脑部医疗影像集的窗宽,c为所述脑部医疗影像集的窗位。
可选地,所述参数调整算法包括向量生成函数、图像提取函数、图像显示函数和灰度拉伸函数;
所述基于预先构建的参数调整算法调整所述原始可读脑部图像集得到可读脑部图像集的窗宽窗位,包括:
基于所述向量生成函数,将所述原始可读脑部图像集的像素数据存储到无符号整型数组,并将所述无符号整型数组转变为向量集;
根据所述图像提取函数从所述向量集中提取脑出血图像数据,并基于所述图像显示函数进行图像显示;
根据所述图像显示结果,调用所述灰度拉伸函数进行参数调节得到调节后的可读脑部图像集。
可选地,将所述训练集输入至预先构建的原始脑部出血点检测模型中训练得到脑部出血点检测模型,包括:
将所述训练集进行脑部出血点标记,得到真实出血点标记坐标集;
初始化所述原始脑部出血点检测模型的模型参数;
将所述训练集输入至所述原始脑部出血点检测模型中,所述原始脑部出血点检测模型根据所述训练集不断调整所述模型参数并输出预测出血点标记坐标集;
判断所述预测出血点标记坐标集与所述真实出血点标记坐标集的误差是否小于预设误差,若大于所述预设误差,所述原始脑部出血点检测模型继续调整所述模型参数,若小于所述预设误差,完成所述训练得到所述脑部出血点检测模型。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有脑出血点智能检测程序,所述脑出血点智能检测程序可被一个或者多个处理器执行,以实现如上所述的脑出血点智能检测方法的步骤。
本发明通过获取到的脑部医疗影像集进行提纯操作和格式转换,减少了噪点对后期分析的影响,同时压缩了所述脑部医疗影像集大小,提高了出血点的检测效率,进一步地根据参数调整算法将所述脑部医疗影像集调整为计算机可读图像,加大了检测效率,同时通过脑部出血点检测模型的训练,将所述脑部出血点检测模型具备了出血点检测能力。因此本发明提出的脑出血点智能检测方法、装置及计算机可读存储介质,可以实现精准高效的出血点检测功能。
附图说明
图1为本发明一实施例提供的脑出血点智能检测方法的流程示意图;
图2为本发明一实施例提供的脑出血点智能检测装置的内部结构示意图;
图3为本发明一实施例提供的脑出血点智能检测装置中脑出血点智能检测程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种脑出血点智能检测方法。参照图1所示,为本发明一实施例提供的脑出血点智能检测方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,脑出血点智能检测方法包括:
S1、获取脑部医疗影像集,并基于脑出血的性质对所述脑部医疗影像集进行提纯操作和格式转换,生成原始可读脑部图像集。
本发明较佳实施例从医院的PACS(Picture Archiving and CommunicationSystems,影像归档和通信系统)接收所述脑部医疗影像集。更进一步,本发明也可接收通过人工进行病例筛选,整理并筛选因脑出血而在医院接受脑CT检查的脑部医疗影像。
优选地,所述提纯操作包括:自动化标定所述脑部医疗影像集中脑组织区域、脑脊液、脑室及外侧颅骨,提取出所述脑部医疗影像集中所述脑组织区域为浅灰色、所述脑脊液及所述脑室为黑色、所述外侧颅骨为白色的图片集。
进一步地,所述脑部医疗影像集采用位存储指定图像存储值的位数,而计算机的图像文件是由红、绿、蓝三基色组成,作为灰度图像所能显示的等级数在0-255之间,因此需要将所述位存储指定图像存储值的位数转换为三基色图像。优选地,转换公式为:
其中,v为所述脑部医疗影像集的图像存储值,G为计算机操作平台上的显示值,gm为计算机显示器显示的最大位图文件为255,w为所述脑部医疗影像集的窗宽,c为所述脑部医疗影像集的窗位。
所述窗宽是图像显示的CT/DR值,所述窗位是窗的中心坐标位置。
S2、基于预先构建的参数调整算法调整所述原始可读脑部图像集得到可读脑部图像集。
优选地,所述参数调整算法包括向量生成函数、图像提取函数、图像显示函数和灰度拉伸函数。
较佳地,基于预先构建的参数调整算法调整所述原始可读脑部图像集得到可读脑部图像集的窗宽窗位,包括:基于所述向量生成函数,将所述原始可读脑部图像集的像素数据存储到无符号整型数组,并将所述无符号整型数组按预设规模设置为向量集,根据所述图像提取函数从所述向量集中提取脑出血图像数据,并基于所述图像显示函数进行图像显示,根据所述图像显示,所述灰度拉伸函数进行参数调节得到调节后的可读脑部图像集。
进一步地,所述向量生成函数可采用编程语言自带的getUint16Array()函数,所述图像提取函数图像和所述灰度拉伸函数可基于德国开发的DCMTK库,所述显示函数可基于QT库。
S3、将所述可读脑部图像集分为训练集和测试集,将所述训练集输入至预先构建的原始脑部出血点检测模型中训练得到脑部出血点检测模型,将所述测试集输入至所述脑部出血点检测模型得到测试值,若所述测试值小于预设阈值,所述脑部出血点检测模型接收所述训练集继续训练,若所述测试值大于预设阈值,所述脑部出血点检测模型完成所述训练。
优选地,将所述训练集输入至预先构建的原始脑部出血点检测模型中训练得到脑部出血点检测模型,包括:将所述训练集进行出脑部出血点标记,得到真实出血点标记坐标集,初始化所述原始脑部出血点检测模型的模型参数,将所述训练集输入至所述原始脑部出血点检测模型中,所述原始脑部出血点检测模型根据所述训练集不断调整所述模型参数并输出预测出血点标记坐标集,判断所述预测出血点标记坐标集与所述真实出血点标记坐标集的误差是否小于预设误差,若大于所述预设误差,所述原始脑部出血点检测模型继续调整所述模型参数,若小于所述预设误差,完成所述训练得到所述脑部出血点检测模型。
所述原始脑部出血点检测模型是基于卷积神经网络模型,所述模型参数包括对比度、亮度、滚动相邻的脑部图像切片,出血点区域的置信度参数等。
所述卷积神经网络模型包括卷积操作和池化操作,进一步地,所述卷积操作和池化操作包括预先构建卷积模板并确定卷积步长,根据所述卷积步长,将卷积模板与所述训练集进行计算得到卷积操作后的卷积矩阵集,完成所述卷积操作。选择所述卷积矩阵集中矩阵的最大值或平均值替代所述卷积矩阵集,完成所述池化操作。
进一步地,所述预先构建卷积模板可为标准的3*3矩阵,如所述计算得到卷积操作后的矩阵的计算方式是采用从左至右,卷积幅度为1的方式,如所述特征候选区域集中有特征为9*9的特征候选区域矩阵为:则所述预先构建卷积模板先与进行计算,计算方式为:1*0、0*3、1*1等对应维度相乘,最终得到的结果为:依次类推,所述预先构建卷积模板根据卷积幅度为1,向右继续横移一步与矩阵为:所述预先构建卷积模板进行上述操作得到所述预先构建卷积模板由此可知,当完成所述卷积操作可生成大量的小维度矩阵,如上述和等,因此,所述池化操作是将所述卷积操作生成的大量的小维度矩阵的维度变小,较佳地可采用最大化原理,如将上述和用最大的数值3和7代替,从而完成所述池化操作。
优选地,反复进行上述卷积操作和池化操作,较佳地可使用16次所述卷积和池化操作后得到所述预测出血点标记坐标集。
S4、接收用户输入的脑部图片,将所述脑部图片输入至所述脑部出血点检测模型得到脑部出血点坐标,基于预先构建的出血点操作平台和所述脑部出血点坐标进行编辑整理输出脑部出血点。
较佳地,所述出血点操作平台可以实时并同步显示多个所述脑部出血点检测模型在不同时期的检测结果,在并行显示的基础上,用户不但可以在多个不同的检测结果版本上进行对比,而且提供了多种编辑方式可直接修改或者调整检测出的轮廓,调整后的轮廓数据可以继续作为S3步骤的训练集并输入至所述脑部出血点检测模型中进行训练,加快了所述脑部出血点检测模型检测结果的验证、再训练、再验证的效率,提高了效率。
发明还提供一种脑出血点智能检测装置。参照图2所示,为本发明一实施例提供的脑出血点智能检测装置的内部结构示意图。
在本实施例中,所述脑出血点智能检测装置1可以是PC(Personal Computer,个人电脑),或者是智能手机、平板电脑、便携计算机等终端设备,也可以是一种服务器等。该脑出血点智能检测装置1至少包括存储器11、处理器12,通信总线13,以及网络接口14。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是脑出血点智能检测装置1的内部存储单元,例如该脑出血点智能检测装置1的硬盘。存储器11在另一些实施例中也可以是脑出血点智能检测装置1的外部存储设备,例如脑出血点智能检测装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括脑出血点智能检测装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于脑出血点智能检测装置1的应用软件及各类数据,例如脑出血点智能检测程序01的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行脑出血点智能检测程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该装置1与其他电子设备之间建立通信连接。
可选地,该装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在脑出血点智能检测装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及脑出血点智能检测程序01的脑出血点智能检测装置1,本领域技术人员可以理解的是,图1示出的结构并不构成对脑出血点智能检测装置1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的装置1实施例中,存储器11中存储有脑出血点智能检测程序01;处理器12执行存储器11中存储的脑出血点智能检测程序01时实现如下步骤:
步骤一、获取脑部医疗影像集,并基于脑出血的性质对所述脑部医疗影像集进行提纯操作和格式转换,生成原始可读脑部图像集。
本发明较佳实施例从医院的PACS(Picture Archiving and CommunicationSystems,影像归档和通信系统)接收所述脑部医疗影像集。更进一步,本发明也可接收通过人工进行病例筛选,整理并筛选因脑出血而在医院接受脑CT检查的脑部医疗影像。
优选地,所述提纯操作包括:自动化标定所述脑部医疗影像集中脑组织区域、脑脊液、脑室及外侧颅骨,提取出所述脑部医疗影像集中所述脑组织区域为浅灰色、所述脑脊液及所述脑室为黑色、所述外侧颅骨为白色的图片集。
进一步地,所述脑部医疗影像集采用位存储指定图像存储值的位数,而计算机的图像文件是由红、绿、蓝三基色组成,作为灰度图像所能显示的等级数在0-255之间,因此需要将所述位存储指定图像存储值的位数转换为三基色图像。优选地,转换公式为:
其中,v为所述脑部医疗影像集的图像存储值,G为计算机操作平台上的显示值,gm为计算机显示器显示的最大位图文件为255,w为所述脑部医疗影像集的窗宽,c为所述脑部医疗影像集的窗位。
所述窗宽是图像显示的CT/DR值,所述窗位是窗的中心坐标位置。
步骤二、基于预先构建的参数调整算法调整所述原始可读脑部图像集得到可读脑部图像集。
优选地,所述参数调整算法包括向量生成函数、图像提取函数、图像显示函数和灰度拉伸函数。
较佳地,基于预先构建的参数调整算法调整所述原始可读脑部图像集得到可读脑部图像集的窗宽窗位,包括:基于所述向量生成函数,将所述原始可读脑部图像集的像素数据存储到无符号整型数组,并将所述无符号整型数组按预设规模设置为向量集,根据所述图像提取函数从所述向量集中提取脑出血图像数据,并基于所述图像显示函数进行图像显示,根据所述图像显示,所述灰度拉伸函数进行参数调节得到调节后的可读脑部图像集。
进一步地,所述向量生成函数可采用编程语言自带的getUint16Array()函数,所述图像提取函数图像和所述灰度拉伸函数可基于德国开发的DCMTK库,所述显示函数可基于QT库。
步骤三、将所述可读脑部图像集分为训练集和测试集,将所述训练集输入至预先构建的原始脑部出血点检测模型中训练得到脑部出血点检测模型,将所述测试集输入至所述脑部出血点检测模型得到测试值,若所述测试值小于预设阈值,所述脑部出血点检测模型接收所述训练集继续训练,若所述测试值大于预设阈值,所述脑部出血点检测模型完成所述训练。
优选地,将所述训练集输入至预先构建的原始脑部出血点检测模型中训练得到脑部出血点检测模型,包括:将所述训练集进行出脑部出血点标记,得到真实出血点标记坐标集,初始化所述原始脑部出血点检测模型的模型参数,将所述训练集输入至所述原始脑部出血点检测模型中,所述原始脑部出血点检测模型根据所述训练集不断调整所述模型参数并输出预测出血点标记坐标集,判断所述预测出血点标记坐标集与所述真实出血点标记坐标集的误差是否小于预设误差,若大于所述预设误差,所述原始脑部出血点检测模型继续调整所述模型参数,若小于所述预设误差,完成所述训练得到所述脑部出血点检测模型。
所述原始脑部出血点检测模型是基于卷积神经网络模型,所述模型参数包括对比度、亮度、滚动相邻的脑部图像切片,出血点区域的置信度参数等。
所述卷积神经网络模型包括卷积操作和池化操作,进一步地,所述卷积操作和池化操作包括预先构建卷积模板并确定卷积步长,根据所述卷积步长,将卷积模板与所述训练集进行计算得到卷积操作后的卷积矩阵集,完成所述卷积操作。选择所述卷积矩阵集中矩阵的最大值或平均值替代所述卷积矩阵集,完成所述池化操作。
进一步地,所述预先构建卷积模板可为标准的3*3矩阵,如所述计算得到卷积操作后的矩阵的计算方式是采用从左至右,卷积幅度为1的方式,如所述特征候选区域集中有特征为9*9的特征候选区域矩阵为:则所述预先构建卷积模板先与进行计算,计算方式为:1*0、0*3、1*1等对应维度相乘,最终得到的结果为:依次类推,所述预先构建卷积模板根据卷积幅度为1,向右继续横移一步与矩阵为:所述预先构建卷积模板进行上述操作得到所述预先构建卷积模板由此可知,当完成所述卷积操作可生成大量的小维度矩阵,如上述和等,因此,所述池化操作是将所述卷积操作生成的大量的小维度矩阵的维度变小,较佳地可采用最大化原理,如将上述和用最大的数值3和7代替,从而完成所述池化操作。
优选地,反复进行上述卷积操作和池化操作,较佳地可使用16次所述卷积和池化操作后得到所述预测出血点标记坐标集。
步骤四、接收用户输入的脑部图片,将所述脑部图片输入至所述脑部出血点检测模型得到脑部出血点坐标,基于预先构建的出血点操作平台和所述脑部出血点坐标进行编辑整理输出脑部出血点。
较佳地,所述出血点操作平台可以实时并同步显示多个所述脑部出血点检测模型在不同时期的检测结果,在并行显示的基础上,用户不但可以在多个不同的检测结果版本上进行对比,而且提供了多种编辑方式可直接修改或者调整检测出的轮廓,调整后的轮廓数据可以继续作为步骤三的训练集并输入至所述脑部出血点检测模型中进行训练,加快了所述脑部出血点检测模型检测结果的验证、再训练、再验证的效率,提高了效率。
可选地,在其他实施例中,脑出血点智能检测程序还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,用于描述脑出血点智能检测程序在脑出血点智能检测装置中的执行过程。
例如,参照图3所示,为本发明脑出血点智能检测装置一实施例中的脑出血点智能检测程序的程序模块示意图,该实施例中,所述脑出血点智能检测程序可以被分割为数据接收及处理模块10、图像调整模块20、出血点检测训练模型模块30、出血点结果输出模块40示例性地:
所述数据接收及处理模块10用于:获取脑部医疗影像集,并基于脑出血的性质对所述脑部医疗影像集进行提纯操作和格式转换,生成原始可读脑部图像集。
所述图像调整模块20用于:基于预先构建的参数调整算法调整所述原始可读脑部图像集得到可读脑部图像集。
所述出血点检测训练模型模块30用于:将所述可读脑部图像集分为训练集和测试集,将所述训练集输入至预先构建的原始脑部出血点检测模型中训练得到脑部出血点检测模型,将所述测试集输入至所述脑部出血点检测模型得到测试值,若所述测试值小于预设阈值,所述脑部出血点检测模型接收所述训练集继续训练,若所述测试值大于预设阈值,所述脑部出血点检测模型完成所述训练。
所述出血点结果输出模块40用于:接收用户输入的脑部图片,将所述脑部图片输入至所述脑部出血点检测模型得到脑部出血点坐标,基于预先构建的出血点操作平台和所述脑部出血点坐标进行编辑整理输出脑部出血点。
上述数据接收及处理模块10、图像调整模块20、出血点检测训练模型模块30、出血点结果输出模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同,在此不再赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有脑出血点智能检测程序,所述脑出血点智能检测程序可被一个或多个处理器执行,以实现如下操作:
获取脑部医疗影像集,并基于脑出血的性质对所述脑部医疗影像集进行提纯操作和格式转换,生成原始可读脑部图像集。
基于预先构建的参数调整算法调整所述原始可读脑部图像集得到可读脑部图像集。
将所述可读脑部图像集分为训练集和测试集,将所述训练集输入至预先构建的原始脑部出血点检测模型中训练得到脑部出血点检测模型,将所述测试集输入至所述脑部出血点检测模型得到测试值,若所述测试值小于预设阈值,所述脑部出血点检测模型接收所述训练集继续训练,若所述测试值大于预设阈值,所述脑部出血点检测模型完成所述训练。
接收用户输入的脑部图片,将所述脑部图片输入至所述脑部出血点检测模型得到脑部出血点坐标,基于预先构建的出血点操作平台和所述脑部出血点坐标进行编辑整理输出脑部出血点。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种脑出血点智能检测方法,其特征在于,所述方法包括:
获取脑部医疗影像集,并基于脑出血的性质对所述脑部医疗影像集进行提纯操作和格式转换,生成原始可读脑部图像集;
基于预先构建的参数调整算法调整所述原始可读脑部图像集得到可读脑部图像集;
将所述可读脑部图像集分为训练集和测试集,将所述训练集输入至预先构建的原始脑部出血点检测模型中训练得到脑部出血点检测模型,将所述测试集输入至所述脑部出血点检测模型得到测试值,若所述测试值小于预设阈值,所述脑部出血点检测模型接收所述训练集继续训练,若所述测试值大于预设阈值,所述脑部出血点检测模型完成所述训练;
接收用户输入的脑部图片,将所述脑部图片输入至所述脑部出血点检测模型得到脑部出血点坐标,基于预先构建的出血点操作平台和所述脑部出血点坐标进行编辑整理输出脑部出血点。
3.如权利要求1所述的脑出血点智能检测方法,其特征在于,所述参数调整算法包括向量生成函数、图像提取函数、图像显示函数和灰度拉伸函数;
所述基于预先构建的参数调整算法调整所述原始可读脑部图像集得到可读脑部图像集,包括:
基于所述向量生成函数,将所述原始可读脑部图像集的像素数据存储到无符号整型数组,并将所述无符号整型数组转变为向量集;
根据所述图像提取函数从所述向量集中提取脑出血图像数据,并基于所述图像显示函数进行图像显示;
根据所述图像显示结果,调用所述灰度拉伸函数进行参数调节得到调节后的可读脑部图像集。
4.如权利要求1所述的脑出血点智能检测方法,其特征在于,将所述训练集输入至预先构建的原始脑部出血点检测模型中训练得到脑部出血点检测模型,包括:
将所述训练集进行脑部出血点标记,得到真实出血点标记坐标集;
初始化所述原始脑部出血点检测模型的模型参数;
将所述训练集输入至所述原始脑部出血点检测模型中,所述原始脑部出血点检测模型根据所述训练集不断调整所述模型参数并输出预测出血点标记坐标集;
判断所述预测出血点标记坐标集与所述真实出血点标记坐标集的误差是否小于预设误差,若大于所述预设误差,所述原始脑部出血点检测模型继续调整所述模型参数,若小于所述预设误差,完成所述训练得到所述脑部出血点检测模型。
5.如权利要求1至4中任意一项所述的脑出血点智能检测方法,其特征在于,所述提纯操作包括:
自动化标定所述脑部医疗影像集中脑组织区域、脑脊液、脑室及外侧颅骨;
提取出所述脑部医疗影像集中所述脑组织区域为浅灰色、所述脑脊液及所述脑室为黑色、所述外侧颅骨为白色的图片集。
6.一种脑出血点智能检测装置,其特征在于,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的脑出血点智能检测程序,所述脑出血点智能检测程序被所述处理器执行时实现如下步骤:
获取脑部医疗影像集,并基于脑出血的性质对所述脑部医疗影像集进行提纯操作和格式转换,生成原始可读脑部图像集;
基于预先构建的参数调整算法调整所述原始可读脑部图像集得到可读脑部图像集;
将所述可读脑部图像集分为训练集和测试集,将所述训练集输入至预先构建的原始脑部出血点检测模型中训练得到脑部出血点检测模型,将所述测试集输入至所述脑部出血点检测模型得到测试值,若所述测试值小于预设阈值,所述脑部出血点检测模型接收所述训练集继续训练,若所述测试值大于预设阈值,所述脑部出血点检测模型完成所述训练;
接收用户输入的脑部图片,将所述脑部图片输入至所述脑部出血点检测模型得到脑部出血点坐标,基于预先构建的出血点操作平台和所述脑部出血点坐标进行编辑整理输出脑部出血点。
8.如权利要求6所述的脑出血点智能检测装置,其特征在于,所述参数调整算法包括向量生成函数、图像提取函数、图像显示函数和灰度拉伸函数;
所述基于预先构建的参数调整算法调整所述原始可读脑部图像集得到可读脑部图像集的窗宽窗位,包括:
基于所述向量生成函数,将所述原始可读脑部图像集的像素数据存储到无符号整型数组,并将所述无符号整型数组转变为向量集;
根据所述图像提取函数从所述向量集中提取脑出血图像数据,并基于所述图像显示函数进行图像显示;
根据所述图像显示结果,调用所述灰度拉伸函数进行参数调节得到调节后的可读脑部图像集。
9.如权利要求6中所述的脑出血点智能检测装置,其特征在于,将所述训练集输入至预先构建的原始脑部出血点检测模型中训练得到脑部出血点检测模型,包括:
将所述训练集进行脑部出血点标记,得到真实出血点标记坐标集;
初始化所述原始脑部出血点检测模型的模型参数;
将所述训练集输入至所述原始脑部出血点检测模型中,所述原始脑部出血点检测模型根据所述训练集不断调整所述模型参数并输出预测出血点标记坐标集;
判断所述预测出血点标记坐标集与所述真实出血点标记坐标集的误差是否小于预设误差,若大于所述预设误差,所述原始脑部出血点检测模型继续调整所述模型参数,若小于所述预设误差,完成所述训练得到所述脑部出血点检测模型。
10.一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上存储有脑出血点智能检测程序,所述脑出血点智能检测程序可被一个或者多个处理器执行,以实现如权利要求1至5中任一项所述的脑出血点智能检测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911254426.9A CN111179222B (zh) | 2019-12-09 | 2019-12-09 | 脑出血点智能检测方法、装置及计算机可读存储介质 |
PCT/CN2020/131904 WO2021115130A1 (zh) | 2019-12-09 | 2020-11-26 | 脑出血点智能检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911254426.9A CN111179222B (zh) | 2019-12-09 | 2019-12-09 | 脑出血点智能检测方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111179222A true CN111179222A (zh) | 2020-05-19 |
CN111179222B CN111179222B (zh) | 2023-08-22 |
Family
ID=70646253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911254426.9A Active CN111179222B (zh) | 2019-12-09 | 2019-12-09 | 脑出血点智能检测方法、装置及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111179222B (zh) |
WO (1) | WO2021115130A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021115130A1 (zh) * | 2019-12-09 | 2021-06-17 | 平安科技(深圳)有限公司 | 脑出血点智能检测方法、装置、电子设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630247B (zh) * | 2023-05-06 | 2023-10-20 | 河北省儿童医院(河北省第五人民医院、河北省儿科研究所) | 脑血流图像处理方法及装置、脑血流监测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106621040A (zh) * | 2016-12-21 | 2017-05-10 | 北京品驰医疗设备有限公司 | 一种脑深部电刺激出血检测系统 |
CN108898583A (zh) * | 2018-06-12 | 2018-11-27 | 沈阳东软医疗系统有限公司 | 微出血点的检测方法及装置 |
CN109190690A (zh) * | 2018-08-17 | 2019-01-11 | 东北大学 | 基于机器学习的swi图像的脑微出血点检测识别方法 |
CN110503630A (zh) * | 2019-07-19 | 2019-11-26 | 江苏师范大学 | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9824457B2 (en) * | 2014-08-28 | 2017-11-21 | Koninklijke Philips N.V. | Model-based segmentation of an anatomical structure |
CN111179222B (zh) * | 2019-12-09 | 2023-08-22 | 平安科技(深圳)有限公司 | 脑出血点智能检测方法、装置及计算机可读存储介质 |
-
2019
- 2019-12-09 CN CN201911254426.9A patent/CN111179222B/zh active Active
-
2020
- 2020-11-26 WO PCT/CN2020/131904 patent/WO2021115130A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106621040A (zh) * | 2016-12-21 | 2017-05-10 | 北京品驰医疗设备有限公司 | 一种脑深部电刺激出血检测系统 |
CN108898583A (zh) * | 2018-06-12 | 2018-11-27 | 沈阳东软医疗系统有限公司 | 微出血点的检测方法及装置 |
CN109190690A (zh) * | 2018-08-17 | 2019-01-11 | 东北大学 | 基于机器学习的swi图像的脑微出血点检测识别方法 |
CN110503630A (zh) * | 2019-07-19 | 2019-11-26 | 江苏师范大学 | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021115130A1 (zh) * | 2019-12-09 | 2021-06-17 | 平安科技(深圳)有限公司 | 脑出血点智能检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021115130A1 (zh) | 2021-06-17 |
CN111179222B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7058373B2 (ja) | 医療画像に対する病変の検出及び位置決め方法、装置、デバイス、及び記憶媒体 | |
US10789504B2 (en) | Method and device for extracting information in histogram | |
WO2019169772A1 (zh) | 图片处理方法、电子装置及存储介质 | |
CN110264443B (zh) | 基于特征可视化的眼底图像病变标注方法、装置及介质 | |
WO2020103417A1 (zh) | 一种bmi评测方法、装置及计算机可读存储介质 | |
WO2020253508A1 (zh) | 异常细胞检测方法、装置及计算机可读存储介质 | |
CN108875734B (zh) | 肝脏癌变定位方法、装置及存储介质 | |
WO2022247005A1 (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN107679475B (zh) | 门店监控评价方法、装置及存储介质 | |
CN109003269B (zh) | 一种能提高医生效率的医学影像病灶的标注提取方法 | |
CN109191424B (zh) | 一种乳腺肿块检测与分类系统、计算机可读存储介质 | |
CN111986785B (zh) | 医学影像标注方法和装置、设备及存储介质 | |
US20200019823A1 (en) | Medical image analysis method applying machine learning and system thereof | |
CN109559303B (zh) | 钙化点的识别方法、装置和计算机可读存储介质 | |
WO2020248848A1 (zh) | 智能化异常细胞判断方法、装置及计算机可读存储介质 | |
CN111179222B (zh) | 脑出血点智能检测方法、装置及计算机可读存储介质 | |
CN111476760B (zh) | 医学图像的生成方法、装置、电子设备及介质 | |
CN110705547B (zh) | 图像内文字识别方法、装置及计算机可读存储介质 | |
CN112991217A (zh) | 一种医学图像采集方法、装置及设备 | |
JP2012522303A (ja) | 輪郭形成のための自動コントラスト増強法 | |
CN113963311B (zh) | 一种安全生产风险视频监控方法及系统 | |
US11042789B2 (en) | Normalization method for machine-learning and apparatus thereof | |
CN113077464A (zh) | 一种医学图像处理方法、医学图像识别方法及装置 | |
CN110222571B (zh) | 黑眼圈智能判断方法、装置及计算机可读存储介质 | |
CN110717060B (zh) | 图像mask的过滤方法、装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |