CN111368827A - 医学图像处理方法、装置、计算机设备及存储介质 - Google Patents
医学图像处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111368827A CN111368827A CN202010124647.0A CN202010124647A CN111368827A CN 111368827 A CN111368827 A CN 111368827A CN 202010124647 A CN202010124647 A CN 202010124647A CN 111368827 A CN111368827 A CN 111368827A
- Authority
- CN
- China
- Prior art keywords
- window
- window level
- medical image
- image processing
- region
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
Abstract
本发明实施例公开了一种医学图像处理方法、装置、计算机设备及存储介质,该方法包括:确定同一扫描数据对应的至少两个窗宽窗位图像;将所确定的所述至少两个窗宽窗位图像同时输入已训练的神经网络模型中,以得到所述扫描数据对应的感兴趣区识别结果。解决了现有技术的临床医学图像诊断中存在感兴趣区识别准确率较低的问题,达到了提高临床医学图像中的感兴趣区识别的准确率、速度和全面性。
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处理方法、装置、计算机设备及存储介质。
背景技术
医学图像,比如CT图像,其同一扫描数据在不同的窗宽窗位下所呈现的内容是不同的,比如,在用于肺部诊断的肺窗下,肺组织清晰,可见肺纹理,多呈亮白清透,四周软组织则是暗色;而纵膈窗主要显示纵膈以及淋巴结,大血管,肺部则为暗色。因此在感兴趣区识别时,需要考虑感兴趣区与周围组织的密度差异以及所需要的窗宽窗位。
但是,在目前的临床诊断过程中,医生或阅片人员通常仅在某一常见窗宽窗位下阅片,查找感兴趣区,这容易出现因为感兴趣区在当前窗宽窗位下不易辨识而漏诊的情况,因此现有技术的临床医学图像诊断中存在感兴趣区识别准确率较低的问题。
发明内容
本发明实施例提供了一种医学图像处理方法、装置、计算机设备及存储介质,解决了现有技术的临床医学图像诊断中存在感兴趣区识别准确率较低的问题。
第一方面,本发明实施例提供了一种医学图像处理方法,包括:
确定同一扫描数据对应的至少两个窗宽窗位图像;
将所确定的所述至少两个窗宽窗位图像同时输入已训练的神经网络模型中,以得到所述扫描数据对应的感兴趣区识别结果。
进一步,所述已训练的神经网络模型为多分支网络结构,每个分支网络结构对应一种感兴趣区,且所述已训练的神经网络模型对应的感兴趣区的数量大于或等于窗宽窗位的数量。
进一步,神经网络模型训练过程所使用的每个训练样本包含至少两组窗宽窗位图像,且每组窗宽窗位图像的标签内容包括窗宽窗位以及对应感兴趣区标识,每个训练样本的至少一组窗宽窗位图像勾画有至少一种感兴趣区。
进一步,所述确定同一扫描数据对应的至少两个窗宽窗位图像,包括:
根据所述扫描数据的部位标识以及已存储的部位标识与窗宽窗位映射表,确定扫描数据对应的窗宽窗位组合;
将该扫描数据转换为窗宽窗位组合中的每种窗宽窗位对应的医学图像。
进一步,所述感兴趣区识别结果包括每一个感兴趣区的概率和/或感兴趣区位置信息。
第二方面,本发明实施例还提供了一种医学图像处理装置,包括:
准备模块,用于确定同一扫描数据对应的至少两个窗宽窗位图像;
确定模块,用于将所确定的所述至少两个窗宽窗位图像同时输入已训练的神经网络模型中,以得到所述扫描数据对应的感兴趣区识别结果。
进一步,所述准备模块用于确定扫描数据对应的扫描部位;根据所述扫描部位以及已存储的扫描部位与窗宽窗位映射表,确定扫描数据对应的窗宽窗位组合;将该扫描数据转换为窗宽窗位组合中的每种窗宽窗位对应的医学图像。
进一步,还包括训练模块,所述训练模块用于接收训练样本,并基于所接收的训练样本对神经网络模型进行训练以生成已训练的神经网络模型。
第三方面,本发明实施例提供了一种计算机设备,所述计算机设备包括:
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任意实施例所述的图像处理方法。
第四方面,本发明实施例提供了一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求任意实施例所述的图像处理方法。
本发明实施例提供的医学图像处理方法的技术方案,包括:确定同一扫描数据对应的至少两个窗宽窗位图像;将所确定的至少两个窗宽窗位图像同时输入已训练的神经网络模型中,以得到扫描数据对应的感兴趣区识别结果。将同一扫描数据对应的至少两个窗宽窗位图像同时输入已训练的神经网络模型中,以使该已训练的神经网络模型分析每个窗宽窗位图像所包含的特征信息,以及各个窗宽窗位图像所包含的特征信息之间的关联,从而得到扫描数据对应的至少一个感兴趣区标识和/或感兴趣区位置信息,有助于提高临床医学图像诊断的全面性、准确性和速度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的医学图像处理方法的流程图;
图2是本发明实施例一提供的医学图像处理方法示意图;
图3是本发明实施例一提供的窗宽1500窗位-600图像,以及其中的囊状影和肺条索影示意图;
图4是本发明实施例一提供的窗宽200窗位300图像,以及其中的动脉钙化示意图;
图5是本发明实施例二提供的医学图像处理装置的结构框图;
图6是本发明实施例二提供的又一医学图像处理装置的结构框图;
图7是本发明实施例三提供的计算机设备的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将参照本发明实施例中的附图,通过实施方式清楚、完整地描述本发明的技术方案,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
图1是本发明实施例一提供的医学图像处理方法的流程图。本实施例的技术方案适用于自动识别扫描数据的感兴趣区的情况,其中,扫描数据可以是DR(Direct digitalX-ray photography system,直接数字化X射线摄影系统,简称DR)、MRI(MagneticResonance Imaging,磁共振成像)和CT(:computed tomography,电子计算机X射线断层扫描)等,本实施例以CT扫描数据为例来说明。该方法可以由本发明实施例提供的医学图像处理装置来执行,该装置可以采用软件和/或硬件的方式实现,并配置在处理器中应用。该方法具体包括如下步骤:
S101、确定同一扫描数据对应的至少两个窗宽窗位图像。
其中,窗宽指CT图像所显示的CT值范围,在此CT值范围内的组织结构按其密度高低从白到黑分为16个灰阶以供观察对比。例如,窗宽选定为100Hu,则人眼可分辨的CT值为100/16=6.25Hu,即两种组织CT值相差在6.25Hu以上者即可为人眼所识别。因此窗宽的宽窄直接影响图像的清晰度与对比度。如果使用窄的窗宽,则显示的CT值范围小,每一灰阶代表的CT值幅度小,对比度强,适于观察密度接近的组织结构(如脑组织)。反之,如果使用宽的窗宽,则显示的CT值范围大,每一灰阶代表的CT值幅度大,则图像对比度差,但密度均匀,适于观察密度差别大的结构(如骨与软组织)。原则上说,窗宽应能反映该组织或病变的CT值变化范围。
其中,窗位(窗中心)指窗宽范围内的均值或中心值。比如一幅CT图像,窗宽为100Hu,窗位选在0Hu,则以窗位为中心(0Hu),向上包括+50Hu,向下包括-50Hu,凡是在这个100Hu范围内的组织均可显示出来并为人眼所识别。凡是大于+50Hu的组织均为白色;凡是小子-50Hu的组织均为黑色,其密度差异无法显示。人眼只能识别土50Hu范围内的CT值,每一个灰阶的CT值范围是100/16=6.25Hu。原则上说窗位应该等于或接近需要观察的CT值。
可以理解的是,对于同一扫描数据的重建结果,不同窗宽窗位图像下呈现出的内容是不同的。加之每一种病变组织的密度与周围正常组织的密度差异有大有小,因此就出现了,对于同一扫描数据的同一病变,一种窗宽窗位图像可以将其清晰地显示出来,此时医生可以直接确定,而第二种窗宽窗位图像可以将其模糊地显示出来,此时医生可以模糊地确定,而另外一种窗宽窗位图像无法将其显示出来,此时医生完全无法确定。
在对扫描数据进行图像重建之后,将其至少通过两个窗宽窗位进行显示。其中,显示重建结果的窗宽窗位与扫描数据所对应的扫描部位有关。比如,对于胸部扫描数据的重建结果,可以使用肺窗或纵膈窗进行显示;对于腹部扫描数据的重建结果,可以普通腹部窗宽窗位或肠系膜窗宽窗位进行显示。
由于扫描数据标识中含有部位标识,因此,为了自动地确定同一扫描数据对应的至少两个窗宽窗位图像,本实施例设计了部位标识与窗宽窗位映射表,这样在获取到扫描数据之后,即可根据扫描数据的部位标识以及已存储的部位标识与窗宽窗位映射表,确定扫描数据对应的窗宽窗位组合,然后将该扫描数据转换为窗宽窗位组合中的每种窗宽窗位对应的医学图像。
本实施例以胸部扫描数据为例,其对应两个窗位窗位图像,且这两个窗宽窗位图像分别是窗宽1500和窗位-600(参见图3),窗宽200和窗位300(参见图4)。
S102、将所确定的至少两个窗宽窗位图像同时输入已训练的神经网络模型中,以得到扫描数据对应的感兴趣区识别结果。
在得到至少两个窗宽窗位图像之后,将该至少两个窗宽窗位图像合并在一起同时输入已训练的神经网络模型中(参见图2所示),以得到扫描数据对应的感兴趣区识别结果。其中,该感兴趣区识别结果包括但不限于每个感兴趣区标识的概率和/或每个感兴趣区的位置信息,且位置信息通过对应窗宽窗位图像中的勾画框体现。
其中,感兴趣区可以是目标器官组织或病变组织。
如图2所示,该已训练的神经网络模型包含多个分支网络结构,每个分支网络结构对应一种感兴趣区的检测分析,且各个分支网络结构的模型参数大小与仅用于检测单病灶的网络模型的参数量一致,不会过多占用显存;而且各个分支网络结构共享参数,保证了不同病灶数据之间不会互相产生干扰。另外,已训练的神经网络模型对应的感兴趣区的数量大于或等于窗宽窗位的数量。
示例性的,感兴趣区为囊状影(参见图3中的A)、肺条索影(参见图3中的B)和动脉钙化(参见图4中的C),输入图像为这两个窗宽窗位图像,感兴趣区识别结果为三个感兴趣区标识(A、B和C)分别对应的概率,和/或,至少一个感兴趣区的位置信息。
其中,囊状影(图3中的A)是指肺内囊状含气病变(cystic airspace),包括多种肺内异常含气影,如空洞、肺大泡、肺气囊、扩张支气管、甚至肺气肿。根据含气腔囊壁的结构可笼统分为空洞和空腔两大类:空洞是指局部坏死,坏死物排除所致;空腔则为正常含气结构的异常扩大所致,因此囊壁为上皮或纤维细胞。囊性病变的诊断需观察病变分布、囊壁厚度、囊腔形态、伴发征象,并结合患者年龄、性别、实验室检查资料等综合考虑。囊状影的原因包括炎症、支气管梗阻、坏死、先天性异常、肿瘤、纤维化病变等。如肺炎、肺癌、先天性肺疾病、肺间质性病变等疾病。
其中,肺条索影(图3中的B)是肺部病变修复后的结果。如果是比较局限的条索影,可以累积多个肺叶,是由于以往的病变在修复愈合过程中逐渐被纤维组织取代所致的结果,比如肺结核和肺炎修复后出现,属于一种稳定性病变。在绝大多数情况下,条索影是病灶修复后的纤维瘢痕。少量的条索影一般是肺部病变修复后的结果,说明之前有过肺部疾病。如果出现大量条索影,并且在进行性发展,伴随着肺功能损害,则需要考虑肺间质性疾病。
其中,动脉钙化(图4中的C)目前被认为是与年龄相关的必然被动过程,其原因目前认为与异位成骨(ectopic bone production)有关。根据钙化形成的部位,一般会将冠脉钙化分为内膜钙化与中膜钙化两种形式。内膜钙化与动脉粥样硬化密切相关,因此与动脉粥样硬化共享很多危险因素。在斑块内炎症因子与脂质蓄积的刺激后,由于动脉壁内的血管平滑肌细胞(VSMCs)具有多向分化的潜能,开始成骨分化,造成内膜钙化。内膜钙化使管腔变形,对PCI的影响较大。中膜钙化与内膜钙化有着不同的产生机制,并不一定出现在粥样硬化斑块附近,而与慢性肾脏病、糖尿病、钙磷代谢紊乱关系更大。
可以理解的是,该已训练的神经网络模型是由对应的神经网络模型经大量训练样本训练而来的。其中,训练过程所使用的每个训练样本包含至少两组窗宽窗位图像,且每组窗宽窗位图像的标签内容包括窗宽窗位以及对应感兴趣区标识,每个训练样本的至少一组窗宽窗位图像勾画有至少一种感兴趣区。示例性的,一部分训练样本包含窗宽1500窗位-600图像,且该图像勾画有囊状影;一部分训练样本包含窗宽1500窗位-600图像,且该图像勾画有标识为条索影的感兴趣区;一部分训练样本包含窗宽1500窗位-600图像,且该图像勾画有标识为囊状影的感兴趣区和条索影的感兴趣区;一部分训练样本包含窗宽200窗位300图像,且该图像勾画有标识为动脉钙化的感兴趣区。这样已训练的神经网络模型可以分析每个窗宽窗位图像所包含的特征信息,以及各个窗宽窗位图像所包含的特征信息之间的关联,从而得到扫描数据对应的至少一个感兴趣区标识和/或感兴趣区位置信息,有助于提高临床医学图像诊断的全面性、准确性和速度。
本发明实施例提供的医学图像处理方法的技术方案,包括:确定同一扫描数据对应的至少两个窗宽窗位图像;将所确定的至少两个窗宽窗位图像同时输入已训练的神经网络模型中,以得到扫描数据对应的感兴趣区标识和/或感兴趣区位置信息。将同一扫描数据对应的至少两个窗宽窗位图像同时输入已训练的神经网络模型中,以使该已训练的神经网络模型分析每个窗宽窗位图像所包含的特征信息,以及各个窗宽窗位图像所包含的特征信息之间的关联,从而得到扫描数据对应的至少一个感兴趣区标识和/或感兴趣区位置信息,有助于提高临床医学图像诊断的全面性、准确性和速度。
实施例二
图5是本发明实施例二提供的医学图像处理装置的结构框图。该装置用于执行上述任意实施例所提供的医学图像处理方法,该装置可选为软件或硬件实现。该装置包括:
准备模块11,用于确定同一扫描数据对应的至少两个窗宽窗位图像;
确定模块12,用于将所确定的所述至少两个窗宽窗位图像同时输入已训练的神经网络模型中,以得到所述扫描数据对应的感兴趣区识别结果。
可选地,准备模块11用于根据所述扫描数据的部位标识以及已存储的部位标识与窗宽窗位映射表,确定扫描数据对应的窗宽窗位组合;将该扫描数据转换为窗宽窗位组合中的每种窗宽窗位对应的医学图像。
如图6所示,该装置还包括训练模块10,该训练模块10用于接收训练样本,并基于所接收的训练样本对神经网络模型进行训练以生成已训练的神经网络模型。
本发明实施例提供的医学图像处理装置的技术方案,通过准备模块确定同一扫描数据对应的至少两个窗宽窗位图像;通过确定模块将所确定的至少两个窗宽窗位图像同时输入已训练的神经网络模型中,以得到扫描数据对应的感兴趣区识别结果。将同一扫描数据对应的至少两个窗宽窗位图像同时输入已训练的神经网络模型中,以使该已训练的神经网络模型分析每个窗宽窗位图像所包含的特征信息,以及各个窗宽窗位图像所包含的特征信息之间的关联,从而得到扫描数据对应的至少一个感兴趣区标识和/或感兴趣区位置信息,有助于提高临床医学图像诊断的全面性、准确性和速度。
本发明实施例所提供的医学图像处理装置可执行本发明任意实施例所提供的医学图像处理方法,具备执行方法相应的功能模块和有益效果。
实施例三
图7为本发明实施例三提供的计算机设备的结构示意图,如图7所示,该设备包括处理器201、存储器202、输入装置203以及输出装置204;设备中处理器201的数量可以是一个或多个,图7中以一个处理器201为例;设备中的处理器201、存储器202、输入装置203以及输出装置204可以通过总线或其他方式连接,图7中以通过总线连接为例。
存储器202作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的医学图像处理方法对应的程序指令/模块(例如,准备模块11和确定模块12)。处理器201通过运行存储在存储器202中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的医学图像处理方法。
存储器202可主要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终端的使用所创建的数据等。此外,存储器202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,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器202可进一步包括相对于处理器201远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
其中,该存储器202还存储有前述实施例所述的部位标识与窗宽窗位之间的映射表。
输入装置203可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。
输出装置204可包括显示屏等显示设备,例如,用户终端的显示屏。
实施例四
本发明实施例四还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种医学图像处理方法,该方法包括:
确定同一扫描数据对应的至少两个窗宽窗位图像;
将所确定的所述至少两个窗宽窗位图像同时输入已训练的神经网络模型中,以得到所述扫描数据对应的感兴趣区识别结果。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令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处理方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,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,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(RandomAccess Memory,简称RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的医学图像处理方法。
值得注意的是,上述医学图像处理装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
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 (10)
1.一种医学图像处理方法,其特征在于,包括:
确定同一扫描数据对应的至少两个窗宽窗位图像;
将所确定的所述至少两个窗宽窗位图像同时输入已训练的神经网络模型中,以得到所述扫描数据对应的感兴趣区识别结果。
2.根据权利要求1所述的方法,其特征在于,所述已训练的神经网络模型为多分支网络结构,每个分支网络结构对应一种感兴趣区,且所述已训练的神经网络模型对应的感兴趣区的数量大于或等于窗宽窗位的数量。
3.根据权利要求1所述的方法,其特征在于,神经网络模型训练过程所使用的每个训练样本包含至少两组窗宽窗位图像,且每组窗宽窗位图像的标签内容包括窗宽窗位以及对应感兴趣区标识,每个训练样本的至少一组窗宽窗位图像勾画有至少一种感兴趣区。
4.根据权利要求1所述的方法,其特征在于,所述确定同一扫描数据对应的至少两个窗宽窗位图像,包括:
根据所述扫描数据的部位标识以及已存储的部位标识与窗宽窗位映射表,确定扫描数据对应的窗宽窗位组合;
将该扫描数据转换为窗宽窗位组合中的每种窗宽窗位对应的医学图像。
5.根据权利要求1-4任一所述的方法,其特征在于,所述感兴趣区识别结果包括每一个感兴趣区的概率和/或感兴趣区位置信息。
6.一种医学图像处理装置,其特征在于,包括:
准备模块,用于确定同一扫描数据对应的至少两个窗宽窗位图像;
确定模块,用于将所确定的所述至少两个窗宽窗位图像同时输入已训练的神经网络模型中,以得到所述扫描数据对应的感兴趣区识别结果。
7.根据权利要求6所述的装置,其特征在于,所述准备模块用于确定扫描数据对应的扫描部位;根据所述扫描部位以及已存储的扫描部位与窗宽窗位映射表,确定扫描数据对应的窗宽窗位组合;将该扫描数据转换为窗宽窗位组合中的每种窗宽窗位对应的医学图像。
8.根据权利要求6所述的装置,其特征在于,还包括训练模块,所述训练模块用于接收训练样本,并基于所接收的训练样本对神经网络模型进行训练以生成已训练的神经网络模型。
9.一种计算机设备,其特征在于,所述计算机设备包括:
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1-5中任一所述的图像处理方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-5中任一所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010124647.0A CN111368827B (zh) | 2020-02-27 | 2020-02-27 | 医学图像处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010124647.0A CN111368827B (zh) | 2020-02-27 | 2020-02-27 | 医学图像处理方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368827A true CN111368827A (zh) | 2020-07-03 |
CN111368827B CN111368827B (zh) | 2023-08-29 |
Family
ID=71208177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010124647.0A Active CN111368827B (zh) | 2020-02-27 | 2020-02-27 | 医学图像处理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368827B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111803104A (zh) * | 2020-07-20 | 2020-10-23 | 上海市第六人民医院 | 一种医学影像显示方法、介质及电子设备 |
CN112150573A (zh) * | 2020-09-30 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 图像显示方法、装置、电子设备及存储介质 |
CN112233126A (zh) * | 2020-10-15 | 2021-01-15 | 推想医疗科技股份有限公司 | 医学图像的加窗方法及装置 |
CN113487572A (zh) * | 2021-07-07 | 2021-10-08 | 中国人民解放军总医院第一医学中心 | 基于同源多窗技术的医学图像深度学习方法和装置 |
CN114004835A (zh) * | 2021-12-31 | 2022-02-01 | 深圳科亚医疗科技有限公司 | 对医学图像进行对象分析的方法、装置和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104720835A (zh) * | 2013-12-20 | 2015-06-24 | Ge医疗系统环球技术有限公司 | 显示装置、图像显示方法和计算机化断层扫描设备 |
CN106780436A (zh) * | 2016-11-18 | 2017-05-31 | 北京郁金香伙伴科技有限公司 | 一种医疗影像显示参数确定方法及装置 |
CN108334733A (zh) * | 2017-09-01 | 2018-07-27 | 上海联影医疗科技有限公司 | 医学图像显示方法、显示系统及计算机可读存储介质 |
US20180247405A1 (en) * | 2017-02-27 | 2018-08-30 | International Business Machines Corporation | Automatic detection and semantic description of lesions using a convolutional neural network |
CN109087703A (zh) * | 2018-08-24 | 2018-12-25 | 南京大学 | 基于深度卷积神经网络的腹腔ct图像腹膜转移标记方法 |
CN109146899A (zh) * | 2018-08-28 | 2019-01-04 | 众安信息技术服务有限公司 | Ct图像的危及器官分割方法及装置 |
CN109934796A (zh) * | 2018-12-26 | 2019-06-25 | 苏州雷泰医疗科技有限公司 | 一种基于深度集成学习的器官自动勾画方法 |
CN110197206A (zh) * | 2019-05-10 | 2019-09-03 | 杭州深睿博联科技有限公司 | 图像处理的方法及装置 |
CN110533676A (zh) * | 2019-09-06 | 2019-12-03 | 青岛海信医疗设备股份有限公司 | 肿瘤图像分割方法、装置及终端设备 |
-
2020
- 2020-02-27 CN CN202010124647.0A patent/CN111368827B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104720835A (zh) * | 2013-12-20 | 2015-06-24 | Ge医疗系统环球技术有限公司 | 显示装置、图像显示方法和计算机化断层扫描设备 |
CN106780436A (zh) * | 2016-11-18 | 2017-05-31 | 北京郁金香伙伴科技有限公司 | 一种医疗影像显示参数确定方法及装置 |
US20180247405A1 (en) * | 2017-02-27 | 2018-08-30 | International Business Machines Corporation | Automatic detection and semantic description of lesions using a convolutional neural network |
CN108334733A (zh) * | 2017-09-01 | 2018-07-27 | 上海联影医疗科技有限公司 | 医学图像显示方法、显示系统及计算机可读存储介质 |
CN109087703A (zh) * | 2018-08-24 | 2018-12-25 | 南京大学 | 基于深度卷积神经网络的腹腔ct图像腹膜转移标记方法 |
CN109146899A (zh) * | 2018-08-28 | 2019-01-04 | 众安信息技术服务有限公司 | Ct图像的危及器官分割方法及装置 |
CN109934796A (zh) * | 2018-12-26 | 2019-06-25 | 苏州雷泰医疗科技有限公司 | 一种基于深度集成学习的器官自动勾画方法 |
CN110197206A (zh) * | 2019-05-10 | 2019-09-03 | 杭州深睿博联科技有限公司 | 图像处理的方法及装置 |
CN110533676A (zh) * | 2019-09-06 | 2019-12-03 | 青岛海信医疗设备股份有限公司 | 肿瘤图像分割方法、装置及终端设备 |
Non-Patent Citations (1)
Title |
---|
孙明建;徐军;马伟;张玉东;: "基于新型深度全卷积网络的肝脏CT影像三维区域自动分割" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111803104A (zh) * | 2020-07-20 | 2020-10-23 | 上海市第六人民医院 | 一种医学影像显示方法、介质及电子设备 |
CN112150573A (zh) * | 2020-09-30 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 图像显示方法、装置、电子设备及存储介质 |
CN112150573B (zh) * | 2020-09-30 | 2023-10-20 | 上海联影医疗科技股份有限公司 | 图像显示方法、装置、电子设备及存储介质 |
CN112233126A (zh) * | 2020-10-15 | 2021-01-15 | 推想医疗科技股份有限公司 | 医学图像的加窗方法及装置 |
CN113487572A (zh) * | 2021-07-07 | 2021-10-08 | 中国人民解放军总医院第一医学中心 | 基于同源多窗技术的医学图像深度学习方法和装置 |
CN114004835A (zh) * | 2021-12-31 | 2022-02-01 | 深圳科亚医疗科技有限公司 | 对医学图像进行对象分析的方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111368827B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368827A (zh) | 医学图像处理方法、装置、计算机设备及存储介质 | |
JP6557767B2 (ja) | 多数の画像取得または再構築を使用する画像ベースのオブジェクトモデリングのためのシステム及び方法 | |
JP4310099B2 (ja) | 肺疾患検出のための方法及びシステム | |
US7935055B2 (en) | System and method of measuring disease severity of a patient before, during and after treatment | |
CN111539930A (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
CN105934199B (zh) | 用于处理体腔的医学图像的设备和方法 | |
FR2839797A1 (fr) | Diagnostic assiste par ordinateur a partir d'images a plusieurs niveaux d'energie | |
JP2020518396A (ja) | 慢性血栓塞栓性肺高血圧症の放射線学的特定における改善 | |
WO2004081873A2 (en) | System and method for performing a virtual endoscopy | |
JP7170747B2 (ja) | 類似度決定装置、方法およびプログラム | |
CN110288698B (zh) | 基于mri的半月板三维重建系统 | |
Liu et al. | Extraction of coronary atherosclerotic plaques from computed tomography imaging: a review of recent methods | |
JP2016137007A (ja) | 画像表示装置及び画像表示方法 | |
Masuda et al. | Deep learning with convolutional neural network for estimation of the characterisation of coronary plaques: Validation using IB-IVUS | |
CN111445463A (zh) | 相似肺部疾病病例的检索方法、装置和计算机设备 | |
CN108877922A (zh) | 病变程度判断系统及其方法 | |
Chacón et al. | Computational assessment of stomach tumor volume from multi-slice computerized tomography images in presence of type 2 cancer | |
CN114974518A (zh) | 多模态数据融合的肺结节影像识别方法及装置 | |
CN114708283A (zh) | 图像目标的分割方法、装置、电子设备及存储介质 | |
CN110930404A (zh) | 一种基于完整腔壁的空腔器官内病灶的检测方法 | |
Wang et al. | Improving segmentation of breast arterial calcifications from digital mammography: good annotation is all you need | |
CN113496487B (zh) | 多尺度递进聚焦的医学图像深度学习方法和装置 | |
He et al. | Automated plaque and stenosis characterization using attention-based deep learning network on coronary CT angiography images | |
CN115409834B (zh) | 一种用于跟腱病诊断的特征提取方法、系统和存储介质 | |
US20240120095A1 (en) | Ai-enabled risk assessment of adverse health outcome |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant after: Tuxiang Medical Technology Co.,Ltd. Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant before: INFERVISION |
|
GR01 | Patent grant | ||
GR01 | Patent grant |