CN111310793B - 一种医学图像分类方法、装置、移动终端及介质 - Google Patents
一种医学图像分类方法、装置、移动终端及介质 Download PDFInfo
- Publication number
- CN111310793B CN111310793B CN202010053788.8A CN202010053788A CN111310793B CN 111310793 B CN111310793 B CN 111310793B CN 202010053788 A CN202010053788 A CN 202010053788A CN 111310793 B CN111310793 B CN 111310793B
- Authority
- CN
- China
- Prior art keywords
- image
- classification model
- medical image
- model
- marking
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013145 classification model Methods 0.000 claims abstract description 100
- 238000006243 chemical reaction Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 16
- 230000001960 triggered effect Effects 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010422 painting Methods 0.000 claims description 3
- 230000001575 pathological effect Effects 0.000 abstract description 16
- 238000010191 image analysis Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000002372 labelling Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000003211 malignant effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000001926 lymphatic effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例公开了一种医学图像分类方法、装置、移动终端及介质，所述方法应用于移动终端，包括：获取待分类医学图像，将所述待分类医学图像输入至预先训练好的目标图像分类模型中，其中，所述图像分类模型是将训练好的原始图像分类模型进行模型格式转换得到的；获取所述目标图像分类模型输出的分类结果，根据所述分类结果确定所述待分类医学图像的类别以实现提高病理图像分析方式的灵活性。本发明实施例所提供的方法实现了在移动终端上完成对医学图像的分类，使得医学图像的分析不受地点的限制，提高了病理图像分析方式的灵活性。
Description
技术领域
本发明实施例涉及图像处理领域，尤其涉及一种医学图像分类方法、装置、移动终端及介质。
背景技术
在计算机辅助分析病理图像的研究领域，通过病理图像对受检部位进行分析为常用的技术手段。但是现有的病理图像分析一般通过固定的计算机设备执行，导致病理图像分析方式、地点受限。
发明内容
本发明实施例提供了一种医学图像分类方法、装置、移动终端及介质，以实现提高病理图像分析方式的灵活性。
第一方面，本发明实施例提供了一种医学图像分类方法，应用于移动终端，所述方法包括：
获取待分类医学图像，将所述待分类医学图像输入至预先训练好的目标图像分类模型中，其中，所述图像分类模型是将训练好的原始图像分类模型进行模型格式转换得到的；
获取所述目标图像分类模型输出的分类结果，根据所述分类结果确定所述待分类医学图像的类别。
第二方面，本发明实施例还提供了一种医学图像分类装置，配置于移动终端，所述装置包括：
医学图像获取模块，用于获取待分类医学图像，将所述待分类医学图像输入至预先训练好的目标图像分类模型中，其中，所述图像分类模型是将训练好的原始图像分类模型进行模型格式转换得到的；
图像类型确定模块，用于获取所述目标图像分类模型输出的分类结果，根据所述分类结果确定所述待分类医学图像的类别。
第三方面，本发明实施例还提供了一种移动终端，所述移动终端包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所提供的医学图像分类方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的医学图像分类方法。
本发明实施例通过获取待分类医学图像，将所述待分类医学图像输入至预先训练好的目标图像分类模型中，其中，所述图像分类模型是将训练好的原始图像分类模型进行模型格式转换得到的；获取所述目标图像分类模型输出的分类结果，根据所述分类结果确定所述待分类医学图像的类别，实现了在移动终端上完成对医学图像的分类，使得医学图像的分析不受地点的限制，提高了病理图像分析方式的灵活性。
附图说明
图1是本发明实施例一所提供的一种医学图像分类方法的流程图；
图2a是本发明实施例二所提供的一种医学图像分类方法的流程图；
图2b是本发明实施例二所提供的一种医学图像分类方法的应用示意图；
图2c是本发明实施例二所提供的一种医学图像标注功能示意图；
图3是本发明实施例三所提供的一种医学图像分类装置的结构示意图；
图4是本发明实施例四所提供的移动终端的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一所提供的一种医学图像分类方法的流程图。本实施例可适用于对医学图像进行分类时的情形。该方法可以由医学图像分类装置执行，该医学图像分类装置可以采用软件和/或硬件的方式实现，例如，该医学图像分类装置可配置于移动终端中。如图1所示，所述方法包括：
S110、获取待分类医学图像，将所述待分类医学图像输入至预先训练好的目标图像分类模型中，其中，所述图像分类模型是将训练好的原始图像分类模型进行模型格式转换得到的。
在本实施例中，待分类医学图像可以为通过医学设备对受检部位扫描获得的医学图像，例如可以为使用磁共振设备(Magnetic Resonance，MR)对受检部位进行扫描获得的磁共振图像、使用计算机断层成像设备(Computed Tomography，CT)对受检部位进行扫描获得的CT图像、使用正电子发射断层成像设备(Positron Emission Tomography，PET)对受检部位进行扫描获得的PET图像、使用单光子发射断层成像(Single-Photon EmissionComputed Tomography，SPECT)设备对受检部位进行扫描获得的SPECT图像、使用X光机设备(X-ray Product)对受检部位进行扫描获得的X图像或使用超声设备(Ultrasound)对受检部位进行扫描获得的超声图像等医学图像，还可以为由上述多个设备组合的多模态设备(例如PET-MR设备、PET-CT设备等)对受检部位进行扫描获得的医学图像。
在本实施例中，通过机器学习算法将获取的待分类医学图像进行学习，获得待分类医学图像对应的类别。具体的，将待分类医学图像输入至训练好的目标图像分类模型中，获得目标图像分类模型输出的图像类别。可选的，目标图像分类模型是基于神经网络构建的。
需要说明的是，本发明实施例中的目标图像重建模型是对原始图像重建模型进行模型格式转换得到的。对原始图像重建模型进行模型格式转换，得到可以嵌入至移动终端的目标图像分类模型，解除了原始图像重建模型需要在固定的大型计算机上工作所导致的图像分类地点受限的弊端，使得医学图像可以随时随地在移动终端上进行分类，提高了医学图像分类方式的灵活性。
S120、获取所述目标图像分类模型输出的分类结果，根据所述分类结果确定所述待分类医学图像的类别。
在本实施例中，将待分类医学图像输入至训练好的目标图像分类模型后，获取目标图像重建模型输出的分类结果，根据分类结果确定待分类医学图像的类别。
一个实施例中，医学图像的类别可以为医学图像中病理部位的良性或恶性。可选的，目标图像重建模型输出的分类结果可以为良性概率值以及恶性概率值，根据良性概率值和恶性概率值的大小确定待分类医学图像的良恶类别。示例性的，若良性概率值大于恶性概率值，则判定待分类医学图像的类别为良性。可选的，目标图像重建模型还可以直接将概率值较大的类别作为分类结果输出，此时目标图像重建模型输出的分类结果即为待分类医学图像的类别。
本发明实施例通过获取待分类医学图像，将所述待分类医学图像输入至预先训练好的目标图像分类模型中，其中，所述图像分类模型是将训练好的原始图像分类模型进行模型格式转换得到的；获取所述目标图像分类模型输出的分类结果，根据所述分类结果确定所述待分类医学图像的类别，实现了在移动终端上完成对医学图像的分类，使得医学图像的分析不受地点的限制，提高了病理图像分析方式的灵活性。
在上述方案的基础上，还包括：响应于检测到的图像编辑指令，生成与所述图像编辑指令对应的编辑图像，并将所述编辑图像进行显示。
计算机辅助分析病理图像的研究领域中最核心的是医学数据的获取问题。病理图像数据的获取和特征的标注都需要具备医学知识的专业人士进行，导致在训练数据的收集方面有更大的难度，一定程度上限制了深度学习的病理图像上的尝试和实践。目前对病理图像的标注常用方式为：用户用鼠标在图像中勾画出有病变特征的区域，并在对应位置使用键盘打字输入特征区域的文字描述，如此反复进行对全图标注。但上述标注方式中，鼠标的操作不够灵活，键盘的文字键入过程也相对更耗费时间，且标注仅能在计算机上进行，标注效率低。为了解决上述问题，本发明实施例中，将在移动终端中的图像分类应用程序中添加了图像编辑功能，用户可以通过在移动终端上进行医学图像的编辑操作。可选的，所述图像编辑指令包括图像放大指令、图像缩小指令、图像拖拽指令和图像标注指令中的至少一个。上述图像编辑指令均可通过用户触发移动终端界面中的相应控件触发。
示例性的，当用户需要对某一医学图像进行标注时，可以将待标注医学图像载入医学图像分类装置中，通过移动终端完成对待标注医学图像的放大、缩小、拖拽、标注等操作。其中，医学图像的放大、缩小操作可以通过检测用户的手势完成。示例性的，当检测到用户手势为画面捏合手势时，执行图像缩小操作；当检测到用户手势为拖动手势时，执行图像放大或拖拽操作。
可选的，可以设置颜色不同的标注控件，用户通过选择不同的标注控件，实现不同颜色的标注，标注的颜色选择可以设置为触碰弹出式隐藏工具栏，实现点击弹出可选颜色库的功能，以尽量少的占用标注画板空间。可选的，用户还可以通过触发移动终端中的相应控件实现标注的前进、后退和全部清空等操作。医学图像分类装置检测到用户的图像编辑指令后，通过调用移动终端中的软件接口，生成对应的编辑图像，并将生成的编辑图像进行显示，供用户参考。示例性的，在进行图像标注时，可以调用移动终端的画笔工具接口实现图像标注。
一个实施例中，所述生成与所述图像编辑指令对应的编辑图像，包括：获取所述图像标注指令中包含的标注点，根据所述标注点对待标注医学图像进行标注。可选的，当检测到用户触发的图像标注指令后，获取图像标注指令中包含的标注点，将相邻标注点连线，形成标注区域，并显示在待标注图像中。示例性的，可以通过记录用户每次触摸屏幕的状态(如开始触碰、正在移动、结束触碰)判断用户的触屏状态，结合画笔工具的当前状态，增设三个属性(开始点、结束点和上一次移动点的位置)记录用户的标记操作，通过上述设置可以将手指在屏幕上勾画痕迹确定为任意轮廓，如果仅设定开始点和结束点属性，将仅能生成开始点和结束点之间的直线标记，因此，本实施例中每次从上一个点开始记录以生成连贯的标记线条。
可选的，可以将每次独立编辑后的图像存储至图片数组中，当用户开始标注时，先判断待标注图像是否未被标记过，如果待标注图像未被标记过，则将数组清空，如果待标注图像被标记过，就继续把当前绘制的图片加入到数组中。用户可以通过空间触发对数组索引的访问，可以设定数组索引范围，当用户对标记前进后退的请求超过当前数组索引的访问范围时，可以将相应控件设置为不可触发状态，或生成提示信息对用户进行提示。
在上述方案的基础上，还包括：将所述图像编辑指令对应的图像编辑操作进行录制，生成与所述图像编辑指令对应的录制文件，并将所述录制文件进行存储。
在本实施例中，为了使用户对医学图像的编辑操作能够为其他用户提供参考，可以在检测到用户触发图像编辑指令后，生成提示信息提示用户可以进行编辑操作的视频或音频的录制。在检测到用户触发的编辑录制指令后，录制用户当前执行的编辑操作，同时终端页面的前端可以将已录制时间时刻刷新显示，在用户编辑完成后，完成录制，生成与图像编辑指令对应的录制文件并保存。本发明实施例通过屏幕录制和音频录制方式记录图片的特征信息，取代键盘键入特征区域文字描述的操作步骤，记录得到的视频文件可用于非专业人士或医学专业学生的参考教学资料，有利于计算机辅助诊断对专业医生阅片过程的模仿和研究，优化了电脑端软件需频繁使用外部设备执行相应功能的使用流程。
实施例二
图2a是本发明实施例二所提供的一种医学图像分类方法的流程图。本实施例在上述实施例的基础上进行了优化。如图2a所示，所述方法包括：
S210、获取样本医学图像数据以及所述样本医学图像数据对应的医学图像类别。
在本实施例中，可以通过人工标注的方式对样本医学图像数据进行标注，标注样本医学图像数据的类别，将样本医学图像数据以及样本医学图像数据对应的医学图像类别作为训练样本对。
S220、基于所述样本医学图像数据以及所述样本医学图像数据对应的医学图像类别生成训练样本对，使用所述训练样本对对所述原始图像分类模型进行训练，得到训练好的原始图像分类模型。
获取训练样本对后，使用获取的训练样本对对预先构建的原始图像重建模型进行训练，得到训练好的原始图像重建模型。一个实施例中，若样本医学图像数据为乳腺癌淋巴结转移检测的病理数据集，可以使用基于全卷积网络的语义分割方法实现有效淋巴结构提取，在淋巴结构内构造用于病变良恶性分类的训练数据集，将数据集送入卷积神经网络进行训练后即可得到训练好的原始图像重建模型。
S230、根据所述原始图像分类模型生成所述目标图像分类模型。
为了使图像分类模型能够嵌入至移动终端中，可以根据移动终端的应用系统类型将原始图像分类模型进行模型格式转换。以本发明实施例提供的医学图像类别方法应用于ISO系统的移动终端为例，所述根据所述原始图像分类模型生成所述目标图像分类模型，包括：通过Core ML模型转换工具将所述原始图像分类模型进行模型格式转换，得到格式转换后的医学图像分类模型；将转换后的图像分类模型进行模型压缩，得到所述目标图像分类模型。
可选的，使用Core ML模型转换工具对原始图像分类模型进行模型格式转换，将模型格式转换后的图像分类模型进行模型压缩，得到目标图像分类模型，然后将目标图像分类模型嵌入至移动终端应用系统中，即可使用目标图像分类模型进行医学图像的分类。
S240、获取待分类医学图像，将所述待分类医学图像输入至预先训练好的目标图像分类模型中。
S250、获取所述目标图像分类模型输出的分类结果，根据所述分类结果确定所述待分类医学图像的类别。
本发明实施例的技术方案，将目标图像重建模型的获取过程进行了具体化，通过将训练好的原始图像分类模型进行模型格式转换和模型压缩，得到可以嵌入至移动终端的目标图像分类模型，实现了在移动终端侧完成医学图像的分类，使得不必连接远端服务器的情况下仍可以对医学图像进行高效鉴别，提高了医学图像分类方式的灵活度。
图2b是本发明实施例二所提供的一种医学图像分类方法的应用示意图，如图2b所示，用户可以通过对医学图像进行实时拍照或获取移动终端中存储的医学图像，进行医学图像的鉴别。图2c是本发明实施例二所提供的一种医学图像标注功能示意图。图2c中由左至右依次示意出了医学图像的颜色标注功能、标注清除功能、图像保存以及标注视频回看功能。
实施例三
图3是本发明实施例三所提供的一种医学图像分类装置的结构示意图。该医学图像分类装置可以采用软件和/或硬件的方式实现，例如该医学图像分类装置可以配置于移动终端中。如图3所示，所述装置包括医学图像获取模块310和图像类型确定模块320，其中：
医学图像获取模块310，用于获取待分类医学图像，将所述待分类医学图像输入至预先训练好的目标图像分类模型中，其中，所述图像分类模型是将训练好的原始图像分类模型进行模型格式转换得到的；
图像类型确定模块320，用于获取所述目标图像分类模型输出的分类结果，根据所述分类结果确定所述待分类医学图像的类别。
本发明实施例通过医学图像获取模块获取待分类医学图像，将所述待分类医学图像输入至预先训练好的目标图像分类模型中，其中，所述图像分类模型是将训练好的原始图像分类模型进行模型格式转换得到的；图像类型确定模块获取所述目标图像分类模型输出的分类结果，根据所述分类结果确定所述待分类医学图像的类别，实现了在移动终端上完成对医学图像的分类，使得医学图像的分析不受地点的限制，提高了病理图像分析方式的灵活性。
可选的，在上述方案的基础上，所述装置还包括目标模型生成模块，用于：
获取样本医学图像数据以及所述样本医学图像数据对应的医学图像类别；
基于所述样本医学图像数据以及所述样本医学图像数据对应的医学图像类别生成训练样本对，使用所述训练样本对对所述原始图像分类模型进行训练，得到训练好的原始图像分类模型；
根据所述原始图像分类模型生成所述目标图像分类模型。
可选的，在上述方案的基础上，所述目标模型生成模块具体用于：
通过Core ML模型转换工具将所述原始图像分类模型进行模型格式转换，得到格式转换后的医学图像分类模型；
将转换后的图像分类模型进行模型压缩，得到所述目标图像分类模型。
可选的，在上述方案的基础上，所述装置还包括图像编辑模块，用于：
响应于检测到的图像编辑指令，生成与所述图像编辑指令对应的编辑图像，并将所述编辑图像进行显示。
可选的，在上述方案的基础上，所述图像编辑指令包括图像放大指令、图像缩小指令、图像拖拽指令和图像标注指令中的至少一个。
可选的，在上述方案的基础上，所述图像编辑模块具体用于：
获取所述图像标注指令中包含的标注点，根据所述标注点对待标注医学图像进行标注。
可选的，在上述方案的基础上，所述装置还包括编辑录制模块，用于：
将所述图像编辑指令对应的图像编辑操作进行录制，生成与所述图像编辑指令对应的录制文件，并将所述录制文件进行存储。
本发明实施例所提供的医学图像分类装置可执行任意实施例所提供的医学图像分类方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四所提供的移动终端的结构示意图。图4示出了适于用来实现本发明实施方式的示例性移动终端412的框图。图4显示的移动终端412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，移动终端412以通用计算设备的形式表现。移动终端412的组件可以包括但不限于：一个或者多个处理器416，系统存储器428，连接不同系统组件(包括系统存储器428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器416或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
移动终端412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被移动终端412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。移动终端412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储装置434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
移动终端412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该移动终端412交互的设备通信，和/或与使得该移动终端412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，移动终端412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与移动终端412的其它模块通信。应当明白，尽管图中未示出，可以结合移动终端412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在系统存储器428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的医学图像分类方法，该方法包括：
获取待分类医学图像，将所述待分类医学图像输入至预先训练好的目标图像分类模型中，其中，所述图像分类模型是将训练好的原始图像分类模型进行模型格式转换得到的；
获取所述目标图像分类模型输出的分类结果，根据所述分类结果确定所述待分类医学图像的类别。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的医学图像分类方法的技术方案。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的医学图像分类方法，该方法包括：
获取待分类医学图像，将所述待分类医学图像输入至预先训练好的目标图像分类模型中，其中，所述图像分类模型是将训练好的原始图像分类模型进行模型格式转换得到的；
获取所述目标图像分类模型输出的分类结果，根据所述分类结果确定所述待分类医学图像的类别。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的医学图像分类方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种医学图像分类方法，其特征在于，应用于移动终端，所述方法包括：
获取待分类医学图像，将所述待分类医学图像输入至预先训练好的目标图像分类模型中，其中，所述图像分类模型是将训练好的原始图像分类模型进行模型格式转换得到的，对原始图像重建模型进行模型格式转换，得到嵌入至移动终端的目标图像分类模型；
其中，所述图像分类模型是将训练好的原始图像分类模型进行模型格式转换得到的包括：通过Core ML模型转换工具将所述原始图像分类模型进行模型格式转换，得到格式转换后的医学图像分类模型；将转换后的图像分类模型进行模型压缩，得到所述目标图像分类模型；
获取所述目标图像分类模型输出的分类结果，根据所述分类结果确定所述待分类医学图像的类别；
响应于检测到的图像编辑指令，生成与所述图像编辑指令对应的编辑图像，并将所述编辑图像进行显示；
所述生成与所述图像编辑指令对应的编辑图像，包括：
获取图像标注指令中包含的标注点，根据所述标注点对待标注医学图像进行标注；
所述获取图像标注指令中包含的标注点，根据所述标注点对待标注医学图像进行标注包括：当检测到用户触发的图像标注指令后，获取图像标注指令中包含的标注点，将相邻标注点连线，形成标注区域，并显示在待标注图像中；
所述当检测到用户触发的图像标注指令后，获取图像标注指令中包含的标注点，将相邻标注点连线，形成标注区域，并显示在待标注图像中包括：通过记录用户每次触摸屏幕的状态判断用户的触屏状态，结合画笔工具的当前状态，增设三个属性，即开始点、结束点和上一次移动点的位置，记录用户的标记操作，将手指在屏幕上勾画痕迹确定为任意轮廓区域。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取样本医学图像数据以及所述样本医学图像数据对应的医学图像类别；
基于所述样本医学图像数据以及所述样本医学图像数据对应的医学图像类别生成训练样本对，使用所述训练样本对对所述原始图像分类模型进行训练，得到训练好的原始图像分类模型；
根据所述原始图像分类模型生成所述目标图像分类模型。
3.根据权利要求1所述的方法，其特征在于，所述图像编辑指令包括图像标注指令，以及图像放大指令、图像缩小指令、图像拖拽指令和图像标注指令中的至少一个。
4.根据权利要求1所述的方法，其特征在于，还包括：
将所述图像编辑指令对应的图像编辑操作进行录制，生成与所述图像编辑指令对应的录制文件，并将所述录制文件进行存储。
5.一种医学图像分类装置，其特征在于，配置于移动终端，所述装置包括：
医学图像获取模块，用于获取待分类医学图像，将所述待分类医学图像输入至预先训练好的目标图像分类模型中，其中，所述图像分类模型是将训练好的原始图像分类模型进行模型格式转换得到的，对原始图像重建模型进行模型格式转换，得到嵌入至移动终端的目标图像分类模型；
其中，所述图像分类模型是将训练好的原始图像分类模型进行模型格式转换得到的包括：通过Core ML模型转换工具将所述原始图像分类模型进行模型格式转换，得到格式转换后的医学图像分类模型；将转换后的图像分类模型进行模型压缩，得到所述目标图像分类模型；
图像类型确定模块，用于获取所述目标图像分类模型输出的分类结果，根据所述分类结果确定所述待分类医学图像的类别；
图像编辑模块，用于响应于检测到的图像编辑指令，生成与所述图像编辑指令对应的编辑图像，并将所述编辑图像进行显示；
所述图像编辑模块具体用于：
获取图像标注指令中包含的标注点，根据所述标注点对待标注医学图像进行标注；所述获取图像标注指令中包含的标注点，根据所述标注点对待标注医学图像进行标注包括：当检测到用户触发的图像标注指令后，获取图像标注指令中包含的标注点，将相邻标注点连线，形成标注区域，并显示在待标注图像中；所述当检测到用户触发的图像标注指令后，获取图像标注指令中包含的标注点，将相邻标注点连线，形成标注区域，并显示在待标注图像中包括：通过记录用户每次触摸屏幕的状态判断用户的触屏状态，结合画笔工具的当前状态，增设三个属性，即开始点、结束点和上一次移动点的位置，记录用户的标记操作，将手指在屏幕上勾画痕迹确定为任意轮廓区域。
6.一种移动终端，其特征在于，所述终端包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的医学图像分类方法。
7.一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，该程序被处理器执行时实现如权利要求1-4中任一所述的医学图像分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010053788.8A CN111310793B (zh) | 2020-01-17 | 2020-01-17 | 一种医学图像分类方法、装置、移动终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010053788.8A CN111310793B (zh) | 2020-01-17 | 2020-01-17 | 一种医学图像分类方法、装置、移动终端及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111310793A CN111310793A (zh) | 2020-06-19 |
| CN111310793B true CN111310793B (zh) | 2024-01-05 |
Family
ID=71148795
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010053788.8A Active CN111310793B (zh) | 2020-01-17 | 2020-01-17 | 一种医学图像分类方法、装置、移动终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111310793B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111863203A (zh) * | 2020-07-20 | 2020-10-30 | 上海联影医疗科技有限公司 | 一种放疗数据的分类方法、装置、设备及存储介质 |
| CN112419339B (zh) * | 2020-12-11 | 2024-05-14 | 上海联影医疗科技股份有限公司 | 医学图像分割模型训练方法及系统 |
| CN112686867A (zh) * | 2020-12-31 | 2021-04-20 | 上海商汤智能科技有限公司 | 医学图像的识别方法及装置、电子设备和存储介质 |
| CN113177479B (zh) * | 2021-04-29 | 2024-05-03 | 联仁健康医疗大数据科技股份有限公司 | 图像分类方法、装置、电子设备及存储介质 |
| CN113283552A (zh) * | 2021-07-22 | 2021-08-20 | 深圳百胜扬工业电子商务平台发展有限公司 | 图像的分类方法、装置、存储介质及电子设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428475A (zh) * | 2019-06-21 | 2019-11-08 | 腾讯科技（深圳）有限公司 | 一种医学图像的分类方法、模型训练方法和服务器 |
-
2020
- 2020-01-17 CN CN202010053788.8A patent/CN111310793B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428475A (zh) * | 2019-06-21 | 2019-11-08 | 腾讯科技（深圳）有限公司 | 一种医学图像的分类方法、模型训练方法和服务器 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111310793A (zh) | 2020-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111310793B (zh) | 一种医学图像分类方法、装置、移动终端及介质 | |
| CN106776514B (zh) | 一种批注方法及装置 | |
| US5592607A (en) | Interactive method and system for producing address-correlated information using user-specified address zones | |
| US5564005A (en) | Interactive system for producing, storing and retrieving information correlated with a recording of an event | |
| CA2129085C (en) | Method for creating computationally-significant associations among uninterpreted data in graphically-based computing systems | |
| JP4700423B2 (ja) | 形状を使用する共通チャーティング | |
| CN109992589A (zh) | 基于可视化页面生成sql语句的方法、装置、服务器及介质 | |
| CN106095261B (zh) | 一种在电子设备上添加笔记的方法和装置 | |
| US11347930B2 (en) | Method and apparatus for automatically displaying directory of document | |
| JPH09319556A (ja) | 情報処理装置 | |
| WO2021073157A1 (zh) | 图像管理显示方法、装置、计算机设备及存储介质 | |
| CN106575300A (zh) | 用于识别文档中的对象的基于图像的搜索 | |
| EP2657866A1 (en) | Creating a radiology report | |
| CN111063422A (zh) | 一种医学图像标注方法、装置、设备及介质 | |
| CN109284427A (zh) | 一种文档生成方法、装置、服务器和存储介质 | |
| CN105580017A (zh) | 实现对医学图像的观察 | |
| CN111414124A (zh) | 一种图像测量方法、装置、设备及存储介质 | |
| CN110223761B (zh) | 一种勾勒数据导入方法、装置、电子设备及存储介质 | |
| CN110850982A (zh) | 基于ar的人机交互学习方法、系统、设备及存储介质 | |
| WO2021104322A1 (zh) | 一种批注数据保存方法及装置 | |
| CN111653330B (zh) | 医学图像显示和诊断信息生成方法、系统、终端及介质 | |
| US20230335261A1 (en) | Combining natural language understanding and image segmentation to intelligently populate text reports | |
| CN114864057A (zh) | 一种数字病理分析标注方法、移动终端及计算机可读介质 | |
| RU2750278C2 (ru) | Способ и аппарат для модификации контура, содержащего последовательность точек, размещенных на изображении | |
| CN112883186B (zh) | 一种信息地图的生成方法、系统、设备及存储介质 |
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 |