CN111383218B - 基于医学影像的诊断信息处理方法及存储介质 - Google Patents

基于医学影像的诊断信息处理方法及存储介质 Download PDF

Info

Publication number
CN111383218B
CN111383218B CN202010166213.7A CN202010166213A CN111383218B CN 111383218 B CN111383218 B CN 111383218B CN 202010166213 A CN202010166213 A CN 202010166213A CN 111383218 B CN111383218 B CN 111383218B
Authority
CN
China
Prior art keywords
lung
value
image
medical image
volume
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
Application number
CN202010166213.7A
Other languages
English (en)
Other versions
CN111383218A (zh
Inventor
石磊
程根
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 Shenrui Bolian Technology Co., Ltd
Beijing Shenrui Bolian Technology Co Ltd
Original Assignee
Shanghai Yizhi 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 Shanghai Yizhi Medical Technology Co ltd filed Critical Shanghai Yizhi Medical Technology Co ltd
Priority to CN202010166213.7A priority Critical patent/CN111383218B/zh
Publication of CN111383218A publication Critical patent/CN111383218A/zh
Application granted granted Critical
Publication of CN111383218B publication Critical patent/CN111383218B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T2207/10—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本公开涉及基于医学影像的诊断信息处理方法，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，至少包括获取受累部位的体积和密度；根据所述受累部位的影像参数，以及由海量数据训练模型得到的标准化CT值密度值，确定所述第一肺部医学影像信息对应的受检对象肺部的受累指数。计算机可读存储介质存储的计算机可执行指令主要执行上述处理方法。通过本公开的各实施例能够基于AI识别技术，快速获得相关疾病引发的肺部受累指数。

Description

基于医学影像的诊断信息处理方法及存储介质
技术领域
本公开涉及智能化辅助医学诊断信息技术领域，具体涉及一种基于医学影像的诊断信息处理方法及存储介质。
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引发的肺部受累指数，例如肺部炎症指数。因此，如何提供方法，进而基于医学影像实现判读肺部炎症指数，是一亟待解决的技术问题。
发明内容
本公开意图提供一种基于医学影像的诊断信息处理方法及存储介质，能够基于AI识别技术，快速获得相关疾病引发的肺部受累指数。
根据本公开的方案之一，提供一种基于医学影像的诊断信息处理方法，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，至少包括获取受累部位的体积和密度；
根据所述受累部位的影像参数，以及由海量数据训练模型得到的标准化CT值密度值，确定所述第一肺部医学影像信息对应的受检对象肺部的受累指数。
在一些实施例中，其中，所述标准化CT值密度值包括标准化正常肺CT值密度值和标准化实变CT值密度值；
所述由海量数据训练模型得到标准化CT值密度值的步骤，包括：
从海量的正常肺CT影像和实变肺CT影像中提取学习，构建不同类型肺的标准化模型；
通过所述标准化模型，得到标准化正常肺CT值密度值和/或标准化实变CT值密度值。
在一些实施例中，其中，还包括：
根据海量的正常肺CT影像和实变肺CT影像中的肺内情况确定深度学习算法，形成训练集。
在一些实施例中，其中，所述形成训练集，包括：
至少基于以下参数之一形成训练集：
CT图像、CT厂家、型号、图像重建方式、图像窗宽窗位、图像层厚，图像层间距、是否肺气肿、是否有大病灶、是否胸腔积液、是否气胸。
在一些实施例中，其中，当得到标准化正常肺CT值密度时，通过基于大数据获得的标准化正常肺CT值密度值与标准化实变CT值密度值的差值，得到所述标准化实变CT值密度值。
在一些实施例中，其中，根据所述受累部位的影像参数，以及由海量数据训练模型得到的标准化CT值密度值，确定所述第一肺部医学影像信息对应的受检对象肺部的受累指数，包括：得到各病灶的体积值和各病灶的病灶区域肺组织密度，并基于标准化正常肺CT值密度值得到第一参数；
得到全肺体积值，并基于标准化实变CT值密度值和标准化正常肺CT值密度值得到第二参数；
比较所述第一参数和第二参数，得到所述受累指数。
在一些实施例中，其中，所述由海量数据训练模型得到标准化CT值密度值的步骤，还包括：
结合深度学习，识别特定类型肺组织，并根据不同类型的病患数据进行调整，以得到标准化正常肺CT值密度值和/或标准化实变CT值密度值。
在一些实施例中，其中，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：
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。
在一些实施例中，其中，所述方法还包括：
获取受检对象的第二肺部医学影像；
获取所述第二肺部医学影像中受累部位的影像参数，至少包括获取受累部位的体积和密度；
根据所述受累部位的影像参数，以及由海量数据训练模型得到的标准化CT值密度值，确定所述第二肺部医学影像信息对应的受检对象肺部的受累指数；
将所述第二肺部医学影像信息对应的受检对象肺部的受累指数与所述第一肺部医学影像信息对应的受检对象肺部的受累指数进行比对，以确定受累指数变化趋势。
根据本公开的方案之一，提供计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现：
根据上述的基于医学影像的诊断信息处理方法。
本公开的各种实施例的基于医学影像的诊断信息处理方法及存储介质，通过根据受累部位的影像参数，以及由海量数据训练模型得到的标准化CT值密度值，确定肺部医学影像信息对应的受检对象肺部的受累指数，从而能够基于AI和大数据技术，从海量信息中学习正常肺CT值密度和实变肺CT值密度，并建立标准化模型，并对任一份CT特异性生成标准化正常肺CT值密度和标准化实变CT值密度值；通过AI技术，自动检出肺炎病灶，并自动勾勒边缘，计算病灶体积和密度；根据肺炎指数公式，结合标准化正常肺CT值密度值和标准化实变CT值密度值，当前患者肺炎病灶体积和密度信息，生成其肺炎指数，辅助医生评估肺炎程度。
应当理解，前面的大体描述以及后续的详细描述只是示例性的和说明性的，并非对所要求保护的本公开的限制。
附图说明
在未必按照比例绘制的附图中，不同视图中相似的附图标记可以表示相似的构件。具有字母后缀的相似附图标记或具有不同字母后缀的相似附图标记可以表示相似构件的不同实例。附图通常作为示例而非限制地图示各种实施例，并且与说明书和权利要求书一起用于解释所公开的实施例。
图1示出本公开实施例涉及的基于医学影像的诊断信息处理方法的一种流程图；
图2示出通过分割线对医学影像中肺部区域进行标注的示意图；
图3示出执行本公开实施例所提供的方案的系统的界面示意图；
图4示出新型冠状病毒性肺炎不同病程的发展趋势评估示意图；
图5示出本公开实施例的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6示出正常肺部CT值与特定疾病肺部CT值分布对照示意图。
具体实施方式
为了使得本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明。
在临床针对CT胸部图像的判读过程中，病变部分所占肺整体体积的比例为肺部受累及的一个程度指标。而肺部感染的严重程度不仅仅与病灶体积有关，还与病灶密度相关，不同密度的差别对于肺部损伤的严重性有不同的评级。肺部正常组织CT值范围约为-950HU～-700HU，当肺部病变，常常表现为磨玻璃影和实变影，密度增高CT值约为-600HU～-200HU和-100HU～100HU，其中，600HU～-200HU是对应磨玻璃影；-100HU～100HU是对应实变影，-200HU～-100HU是实性过渡(也可以算成是实性成份，即实变影-200HU～100HU)，而不同密度的磨玻璃影，实变影提示肺炎的不同进展时期和不同严重程度。即，肺炎病灶体积比例和病灶密度单一指标不能完整反映肺部炎症受累程度，需要兼顾体积和密度的一个综合指数。尤其在需要准确判读诸如新冠病毒肺炎等具有重大临床意义的肺炎指数时，需要准确、快速得出相应的肺炎指数，对于公共卫生安全和公众利益具有重大意义。
作为方案之一，如图1所示，本公开的实施例提供了一种基于医学影像的诊断信息处理方法，包括：
S11：获取受检对象的第一肺部医学影像；
S12：获取所述第一肺部医学影像中受累部位的影像参数，至少包括获取受累部位的体积和密度；
S13：根据所述受累部位的影像参数，以及由海量数据训练模型得到的标准化CT值密度值，确定所述第一肺部医学影像信息对应的受检对象肺部的受累指数。
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，一般可以采用人工智能图像识别、神经网络图像识别的方法识别出图像，也可以通过传统方法，例如人工标注、图像分割等方式来实现。当然，在上述步骤S11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2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。
至少包括获取受累部位的体积和密度，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。
本公开一些实施例的有益效果之一，可以是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。
上述有益效果在于：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。
以获得受累部位体积为例，说明本公开各实施例获得受累部位的影像参数的具体实施过程。本领域技术人员能够理解同样适用于AI识别并获取相应的密度值。在一个实施例中，上述步骤S12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。
为了基于体积得到疾病等级的判读，在一个实施例中，上述步骤S13可被实施为如下步骤S21-S22：
在步骤S21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S22中，根据比对结果确定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；根据比对结果确定受检对象肺部的疾病等级。
在一个实施例中，上述步骤S13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3为执行本公开实施例所提供的方案的系统的界面示意图，如图3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。
作为本公开的主要发明构思之一，本公开旨在根据所述受累部位的影像参数，以及由海量数据训练模型得到的标准化CT值密度值，确定所述第一肺部医学影像信息对应的受检对象肺部的受累指数。通过AI和大数据技术，从海量信息中学习正常肺CT值密度和实变肺CT值密度，并建立标准化模型，并通过该模型对任一份CT特异性生成标准化正常肺CT值密度和标准化实变CT值密度值；通过AI技术，自动检出肺炎病灶，并自动勾勒边缘，计算病灶体积和密度。
进一步的，本公开实施例的所述标准化CT值密度值包括标准化正常肺CT值密度值和标准化实变CT值密度值，具体由海量数据训练模型得到标准化CT值密度值的步骤，包括：
从海量的正常肺CT影像和实变肺CT影像中提取学习，构建不同类型肺的标准化模型；
通过所述标准化模型，得到标准化正常肺CT值密度值和/或标准化实变CT值密度值。
病灶肺炎指数可以反映其肺炎患者差异，从而实现病灶的综合判断。肺炎指数的结果依赖于两个参数，即病灶体积和病灶密度。可以通过AI产品基于深度学习算法可以定量检出肺部炎症病灶，边缘勾勒磨玻璃影和斑片影，并自动计算体积和CT值密度，即得到肺部病灶的体积和密度信息。
同患者本身体积和密度有一定差异(正常人之间，在没有患病的时，健康状态下其肺部的大小和肺部的密度都不一样)，为了统一这个参数，本公开的具体实施例中可以采取相对值，即肺部病灶所占的比例。
假设两种极端情况，第一肺部无任何病灶那么肺部炎症指数应该为0，而如果肺部全部为实变，那么指数应该为1
本公开实施例可以获取标准化正常肺CT值密度值、标准化实变CT值密度值，病患的肺炎病灶体积，肺炎病灶CT值密度。结合这些信息，通过公式就可以得到该患者肺炎指数。考虑实际情况，肺部可能有多个肺炎病灶。因此，本公开的实施例针对肺炎指数的计算方式，可以为：根据所述受累部位的影像参数，以及由海量数据训练模型得到的标准化CT值密度值，确定所述第一肺部医学影像信息对应的受检对象肺部的受累指数，包括：
得到各病灶的体积值和各病灶的病灶区域肺组织密度，并基于标准化正常肺CT值密度值得到第一参数；
得到全肺体积值，并基于标准化实变CT值密度值和标准化正常肺CT值密度值得到第二参数；
比较所述第一参数和第二参数，得到所述受累指数。
具体的，可以通过详细的计算公式实现受累指数的确定，根据病灶的个数由公式(1)确定：
Figure BDA0002407549640000121
其中：
α为受累指数；
V病灶n为其中一个病灶的病灶区域体积；
M病灶n为其中一个病灶的病灶区域肺组织密度；
M1为标准化正常肺CT值密度值；
M2为标准化实变CT值密度值；
V全肺为全肺体积。
可以理解：当肺部无病灶时：(M病灶1+M病灶2+…+M病灶n)与
M1无限接近，受累指示可以视为0；当肺部病变完全为实变时：(V病灶1+V病灶2+…+V病灶n)约等于V全肺，
(M病灶1+M病灶2+…+M病灶n)约等于M2，受累指数可以视为1。
具体的实施方案中，可以依赖于其AI和大数据优势，从海量的正常肺CT影像和实变肺CT影像中提取学习无病灶肺组织密度值，并建立相应的标准化深度学习模型。通过深度学习模型，输入任一CT影像可以自动计算出其对应的标准化正常肺CT值密度和标准化实变CT值密度值(从海量数据中构建不同类型肺的标准化模型。标准化不是一个平均值，而是根据肺内情况形成的一个深度学习算法。肺内情形可能包含但不限于，CT厂家、型号、图像重建方式，图像窗宽窗位，图像层厚，图像层间距，患者是否肺气肿，是否有大病灶，是否胸腔积液，是否气胸等。输入CT，根据肺内情形特征，生成个性化标准化值)。
另一方面，本公开实施例的由海量数据训练模型得到标准化CT值密度值的步骤可以进一步为：结合深度学习，识别特定类型肺组织，并根据不同类型的病患数据进行调整，以得到标准化正常肺CT值密度值和/或标准化实变CT值密度值。由于患者除肺炎外可能有其它病症，如肺大泡，肺气肿，AI结合深度学习优势可以识别特定类型肺组织，并根据不同类型的患者疾病背景进行微调，建立定制化的标准参数，即标准化CT值密度值。
具体说来，标准化CT值密度值通过相应的模型获得。该模型是提前通过海量的训练集训练后的模型，该训练集中可以包含但不限于：CT图像、CT厂家、型号、图像重建方式，图像窗宽窗位，图像层厚，图像层间距，患者是否肺气肿，是否有大病灶，是否胸腔积液，是否气胸等参数及对应的M1和/或M2。也即，通过上述模型，可以获得输入CT影像中的M1和/或M2。
在其他实施例中，可以通过模型仅获得M1和/或M2。若：在获得M1后，通过如下关系式获得M2：
M2＝M1+a
其中a是通过大数据获得的平均M1值和平均M2值得差值。
根据肺炎指数公式，结合标准化正常肺CT值密度和标准化实变CT值密度值，当前患者肺炎病灶体积和密度信息，生成其肺炎指数，辅助医生评估肺炎程度。
在一个实施例中，本公开的实施例方法还可被实施为如下步骤S31-S34：
在步骤S31中，获取受检对象的第二肺部医学影像；
在步骤S32中，获取所述第二肺部医学影像中受累部位的影像参数，至少包括获取受累部位的体积和密度；
在步骤S33中，根据所述受累部位的影像参数，以及由海量数据训练模型得到的标准化CT值密度值，确定所述第二肺部医学影像信息对应的受检对象肺部的受累指数；
在步骤S34中，将所述第二肺部医学影像信息对应的受检对象肺部的受累指数与所述第一肺部医学影像信息对应的受检对象肺部的受累指数进行比对，以确定受累指数变化趋势。
进一步的，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受累指数与第一肺部医学影像中受累部位的受累指数进行比对，以确定受累部位受累指数，例如肺部炎症变化趋势；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4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4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4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5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6所示。其中，变化幅度大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。
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。
具体来说，本公开的发明构思之一，旨在通过根据受累部位的影像参数，以及由海量数据训练模型得到的标准化CT值密度值，确定肺部医学影像信息对应的受检对象肺部的受累指数，从而能够基于AI和大数据技术，从海量信息中学习正常肺CT值密度和实变肺CT值密度，并建立标准化模型，并对任一份CT特异性生成标准化正常肺CT值密度和标准化实变CT值密度值；通过AI技术，自动检出肺炎病灶，并自动勾勒边缘，计算病灶体积和密度；根据肺炎指数公式，结合标准化正常肺CT值密度值和标准化实变CT值密度值，当前患者肺炎病灶体积和密度信息，生成其肺炎指数，辅助医生评估肺炎程度。
作为本公开的方案之一，本公开还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，主要实现根据上述的基于医学影像的诊断信息处理方法，至少包括：
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，至少包括获取受累部位的体积和密度；
根据所述受累部位的影像参数，以及由海量数据训练模型得到的标准化CT值密度值，确定所述第一肺部医学影像信息对应的受检对象肺部的受累指数。
在一些实施例中，执行算机可执行指令处理器可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地，该处理器可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器还可以是一个以上专用处理设备，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。
在一些实施例中，计算机可读存储介质可以为存储器，诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAM)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器(CD-ROM)、数字通用光盘(DVD)或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。
在一些实施例中，计算机可执行指令可以实现为多个程序模块，多个程序模块共同实现根据本公开中任何一项所述的医学影像的显示方法。
本公开描述了各种操作或功能，其可以实现为软件代码或指令或者定义为软件代码或指令。显示单元可以实现为在存储器上存储的软件代码或指令模块，其由处理器执行时可以实现相应的步骤和方法。
这样的内容可以是可以直接执行(“对象”或“可执行”形式)的源代码或差分代码(“delta”或“patch”代码)。这里描述的实施例的软件实现可以通过其上存储有代码或指令的制品提供，或者通过操作通信接口以通过通信接口发送数据的方法提供。机器或计算机可读存储介质可以使机器执行所描述的功能或操作，并且包括以可由机器(例如，计算显示设备、电子系统等)访问的形式存储信息的任何机制，例如可记录/不可记录介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质、闪存显示设备等)。通信接口包括与硬连线、无线、光学等介质中的任何一种接口以与其他显示设备通信的任何机制，例如存储器总线接口、处理器总线接口、因特网连接、磁盘控制器等。通信接口可以通过提供配置参数和/或发送信号来配置以准备通信接口，以提供描述软件内容的数据信号。可以通过向通信接口发送一个或多个命令或信号来访问通信接口。
本公开的实施例的计算机可执行指令可以组织成一个或多个计算机可执行组件或模块。可以用这类组件或模块的任何数量和组合来实现本公开的各方面。例如，本公开的各方面不限于附图中示出的和本文描述的特定的计算机可执行指令或特定组件或模块。其他实施例可以包括具有比本文所示出和描述的更多或更少功能的不同的计算机可执行指令或组件。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本公开的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本公开的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本公开的示例性实施例，不用于限制本公开，本公开的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内，对本公开做出各种修改或等同替换，这种修改或等同替换也应视为落在本公开的保护范围内。

Claims (9)

1.基于医学影像的诊断信息处理方法，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，至少包括获取受累部位的体积和密度；
根据所述受累部位的影像参数，以及由海量数据训练模型得到的标准化CT值密度值，确定所述第一肺部医学影像信息对应的受检对象肺部的受累指数；
其中：
在所述标准化CT值密度值包括标准化正常肺CT值密度值和标准化实变CT值密度值的情况下，确定所述受累指数包括：
得到各病灶的体积值和各病灶的病灶区域肺组织密度，并基于标准化正常肺CT值密度值得到第一参数；
得到全肺体积值，并基于标准化实变CT值密度值和标准化正常肺CT值密度值得到第二参数；
比较所述第一参数和第二参数，根据公式(1)得到所述受累指数：
Figure FDA0003194144410000011
其中：
α为受累指数；
V病灶n为其中一个病灶的病灶区域体积；
M病灶n为其中一个病灶的病灶区域肺组织密度；
M1为标准化正常肺CT值密度值；
M2为标准化实变CT值密度值；
V全肺为全肺体积。
2.根据权利要求1所述的处理方法，其中，
所述由海量数据训练模型得到标准化CT值密度值的步骤，包括：
从海量的正常肺CT影像和实变肺CT影像中提取学习，构建不同类型肺的标准化模型；
通过所述标准化模型，得到标准化正常肺CT值密度值和/或标准化实变CT值密度值。
3.根据权利要求2所述的处理方法，其中，还包括：
根据海量的正常肺CT影像和实变肺CT影像中的肺内情况确定深度学习算法，形成训练集。
4.根据权利要求3所述的处理方法，其中，所述形成训练集，包括：
至少基于以下参数之一形成训练集：
CT图像、CT厂家、型号、图像重建方式、图像窗宽窗位、图像层厚，图像层间距、是否肺气肿、是否有大病灶、是否胸腔积液、是否气胸。
5.根据权利要求2所述的处理方法，其中，当得到标准化正常肺CT值密度时，通过基于大数据获得的标准化正常肺CT值密度值与标准化实变CT值密度值的差值，得到所述标准化实变CT值密度值。
6.根据权利要求2所述的处理方法，其中，所述由海量数据训练模型得到标准化CT值密度值的步骤，还包括：
结合深度学习，识别特定类型肺组织，并根据不同类型的病患数据进行调整，以得到标准化正常肺CT值密度值和/或标准化实变CT值密度值。
7.根据权利要求1所述的处理方法，其中，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：
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。
8.根据权利要求1所述的处理方法，其中，所述方法还包括：
获取受检对象的第二肺部医学影像；
获取所述第二肺部医学影像中受累部位的影像参数，至少包括获取受累部位的体积和密度；
根据所述受累部位的影像参数，以及由海量数据训练模型得到的标准化CT值密度值，确定所述第二肺部医学影像信息对应的受检对象肺部的受累指数；
将所述第二肺部医学影像信息对应的受检对象肺部的受累指数与所述第一肺部医学影像信息对应的受检对象肺部的受累指数进行比对，以确定受累指数变化趋势。
9.一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现：
根据权利要求1至8所述的处理方法。
CN202010166213.7A 2020-03-11 2020-03-11 基于医学影像的诊断信息处理方法及存储介质 Active CN111383218B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010166213.7A CN111383218B (zh) 2020-03-11 2020-03-11 基于医学影像的诊断信息处理方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010166213.7A CN111383218B (zh) 2020-03-11 2020-03-11 基于医学影像的诊断信息处理方法及存储介质

Publications (2)

Publication Number Publication Date
CN111383218A CN111383218A (zh) 2020-07-07
CN111383218B true CN111383218B (zh) 2021-11-09

Family

ID=71219939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010166213.7A Active CN111383218B (zh) 2020-03-11 2020-03-11 基于医学影像的诊断信息处理方法及存储介质

Country Status (1)

Country Link
CN (1) CN111383218B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023202A (zh) * 2016-05-20 2016-10-12 苏州润心医疗科技有限公司 基于心脏ct图像的冠状动脉血流储备分数计算方法
CN108846432A (zh) * 2018-06-06 2018-11-20 深圳神目信息技术有限公司 一种基于深度学习对胸部ct影像的分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10346975B2 (en) * 2016-06-06 2019-07-09 Case Western Reserve University Computerized analysis of computed tomography (CT) imagery to quantify tumor infiltrating lymphocytes (TILs) in non-small cell lung cancer (NSCLC)
US10650585B2 (en) * 2018-06-08 2020-05-12 Data Integrity Advisors, Llc System and method for geometrically-resolved radiographic X-ray imaging

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023202A (zh) * 2016-05-20 2016-10-12 苏州润心医疗科技有限公司 基于心脏ct图像的冠状动脉血流储备分数计算方法
CN108846432A (zh) * 2018-06-06 2018-11-20 深圳神目信息技术有限公司 一种基于深度学习对胸部ct影像的分类方法

Also Published As

Publication number Publication date
CN111383218A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
Soni et al. Light weighted healthcare CNN model to detect prostate cancer on multiparametric MRI
CN111243042A (zh) 基于深度学习的超声甲状腺结节良恶性特征可视化的方法
CN110766051A (zh) 一种基于神经网络的肺结节形态学分类方法
Li et al. A fully automatic computer-aided diagnosis system for hepatocellular carcinoma using convolutional neural networks
CN111932554A (zh) 一种肺部血管分割方法、设备及存储介质
CN112215799A (zh) 一种磨玻璃肺结节自动分类方法及系统
CN110853743A (zh) 医学影像的显示方法、信息处理方法及存储介质
US11996182B2 (en) Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network
Regge et al. CAD: how it works, how to use it, performance
Wang et al. A method of ultrasonic image recognition for thyroid papillary carcinoma based on deep convolution neural network
CN114677378B (zh) 基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统
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
CN111081352A (zh) 医学影像的显示方法、信息处理方法及存储介质
CN111899850A (zh) 医学影像的信息处理方法、显示方法及可读存储介质
CN114494215A (zh) 基于Transformer的甲状腺结节检测方法
EP4089688A1 (en) Medical imaging-based method and device for diagnostic information processing, and storage medium
CN111160812B (zh) 诊断信息评估方法、显示方法及存储介质
KR102431173B1 (ko) 진단 영상에서 심층신경망을 이용한 국소종양진행을 진단하기 위한 장치 및 국소종양진행 진단에 필요한 정보를 제공하는 방법
CN116230237B (zh) 一种基于roi病灶特征的肺癌影响评价方法和系统
CN111383218B (zh) 基于医学影像的诊断信息处理方法及存储介质
Fiori et al. Automatic colon polyp flagging via geometric and texture features
CN112862786B (zh) Cta影像数据处理方法、装置及存储介质
Ibrahim et al. Liver Multi-class Tumour Segmentation and Detection Based on Hyperion Pre-trained Models.
Mousavi Moghaddam et al. Lung parenchyma segmentation from CT images with a fully automatic method
Xie et al. Analysis of the diagnosis model of peripheral non-small-cell lung cancer under computed tomography images

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
TR01 Transfer of patent right

Effective date of registration: 20220316

Address after: 100080 zone a, 21 / F, block a, No. 8, Haidian Street, Haidian District, Beijing

Patentee after: BEIJING SHENRUI BOLIAN TECHNOLOGY Co.,Ltd.

Patentee after: Hangzhou Shenrui Bolian Technology Co., Ltd

Address before: Unit 06 and 07, 23 / F, 523 Loushanguan Road, Changning District, Shanghai

Patentee before: SHANGHAI YIZHI MEDICAL TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right