CN111445463A - 相似肺部疾病病例的检索方法、装置和计算机设备 - Google Patents

相似肺部疾病病例的检索方法、装置和计算机设备 Download PDF

Info

Publication number
CN111445463A
CN111445463A CN202010240034.3A CN202010240034A CN111445463A CN 111445463 A CN111445463 A CN 111445463A CN 202010240034 A CN202010240034 A CN 202010240034A CN 111445463 A CN111445463 A CN 111445463A
Authority
CN
China
Prior art keywords
lung
image
lung disease
characteristic information
cases
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.)
Pending
Application number
CN202010240034.3A
Other languages
English (en)
Inventor
陈彦博
高耀宗
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.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare 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 United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN202010240034.3A priority Critical patent/CN111445463A/zh
Publication of CN111445463A publication Critical patent/CN111445463A/zh
Priority to US17/218,201 priority patent/US20210304896A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种相似肺部疾病病例的检索方法、装置、计算机设备和计算机可读存储介质。其中，该相似肺部疾病病例的检索方法包括：获取待检索的肺部疾病病例，其中，待检索的肺部疾病病例包括肺部影像；按照肺组织的多个层级从肺部影像中分割出每个层级下的肺组织影像及病灶影像，其中，肺组织的多个层级包括以下至少之三：全肺、左右肺、肺叶、肺段；从每个层级下的肺组织影像和病灶影像中分别提取特征信息；在预设知识库中检索与特征信息最匹配的至少一个肺部疾病病例，并输出该至少一个肺部疾病病例。通过本申请，解决了相关技术中检索肺炎相似肺部疾病病例的效率低的问题，提高了检索相似肺部疾病病例的效率。

Description

相似肺部疾病病例的检索方法、装置和计算机设备
技术领域
本申请涉及医学图像处理领域，特别是涉及相似肺部疾病病例的检索方法、相似肺部疾病病例的检索装置、计算机设备和计算机可读存储介质。
背景技术
医学影像表现是肺部疾病诊断的重要表征。但是肺部疾病的种类繁多，例如肺炎、肺气肿、肺纤维化等，这些肺部疾病的医学影像表征也形态各异。以肺炎为例，近期爆发的因2019-nCoV感染引发的新型冠状病毒肺炎的鉴别中，医学影像诊断是早期发现感染新型冠状病毒肺炎的重要环节。然而，新型冠状病毒肺炎的早期表征和普通肺炎的征象很难进行准确的辨别。
从以往的肺部疾病病例中查询相似肺部疾病病例，查阅相似肺部疾病病例的病程记录信息，可以帮助医生对肺部疾病进行准确的辨别以及为医生提供相似肺部疾病病例的参考信息。然而，在相关技术中通常是由医师通过肉眼检视医学影像的影像学征象的方式来辨别肺部疾病病例是否相似，该方式需要医生结合临床经验以及专家共识进行学习，效率低且容易出错。
发明内容
本申请实施例提供了一种相似肺部疾病病例的检索方法、装置、计算机设备和计算机可读存储介质，以至少解决相关技术中检索相似肺部疾病病例的效率低的问题。
第一方面，本申请实施例提供了一种相似肺部疾病病例的检索方法，包括：获取待检索的肺部疾病病例，其中，所述待检索的肺部疾病病例包括肺部影像；按照肺组织的多个层级从所述肺部影像中分割出每个层级下的肺组织影像及病灶影像，其中，所述肺组织的多个层级包括以下至少之三：全肺、左右肺、肺叶、肺段；从所述每个层级下的肺组织影像和所述病灶影像中分别提取特征信息；在预设知识库中检索与所述特征信息最匹配的至少一个肺部疾病病例，并输出所述至少一个肺部疾病病例；其中，所述预设知识库包括多个肺部疾病病例以及与所述多个肺部疾病病例对应的特征信息。
第二方面，本申请实施例提供了一种相似肺部疾病病例的检索装置，包括：影像获取模块，用于获取待检索的肺部疾病病例，其中，所述待检索的肺部疾病病例包括肺部影像；影像分割模块，用于按照肺组织的多个层级从所述肺部影像中分割出每个层级下的肺组织影像及病灶影像，其中，所述肺组织的多个层级包括以下至少之三：全肺、左右肺、肺叶、肺段；特征提取模块，用于从所述每个层级下的肺组织影像和所述病灶影像中分别提取特征信息；病例检索模块，用于在预设知识库中检索与所述特征信息最匹配的至少一个肺部疾病病例，并输出所述至少一个肺部疾病病例；其中，所述预设知识库包括多个肺部疾病病例以及与所述多个肺部疾病病例对应的特征信息。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的相似肺部疾病病例的检索方法。
第四方面，本申请实施例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第一方面所述的相似肺部疾病病例的检索方法。
相比于相关技术，本申请实施例提供的相似肺部疾病病例的检索方法、装置、计算机设备和计算机可读存储介质，通过获取待检索的肺部疾病病例，其中，待检索的肺部疾病病例包括肺部影像；按照肺组织的多个层级从肺部影像中分割出每个层级下的肺组织影像及病灶影像，其中，肺组织的多个层级包括以下至少之三：全肺、左右肺、肺叶、肺段；从每个层级下的肺组织影像和病灶影像中分别提取特征信息；在预设知识库中检索与特征信息最匹配的至少一个肺部疾病病例，并输出至少一个肺部疾病病例的方式，解决了相关技术中检索相似肺部疾病病例的效率低的问题，提高了检索相似肺部疾病病例的效率。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的CT系统的结构示意图；
图2是根据本申请实施例的计算机设备的硬件结构示意图；
图3是根据本申请实施例的相似肺部疾病病例的检索方法的流程图；
图4是根据本申请优选实施例的展示检索结果的示意图；
图5是根据本申请优选实施例的相似肺部疾病病例的检索系统的结构框图；
图6是根据本申请优选实施例的相似肺部疾病病例的检索方法的流程图；
图7是根据本申请优选实施例的肺部影像的示意图；
图8是根据本申请优选实施例的左右肺影像的示意图；
图9是根据本申请优选实施例的肺叶影像的示意图；
图10是根据本申请优选实施例的肺段影像的示意图；
图11是根据本申请优选实施例的病灶影像的示意图；
图12是根据本申请优选实施例的特征信息的示意图；
图13是根据本申请优选实施例的特征相似度比较结果的示意图；
图14是根据本申请实施例的相似肺部疾病病例的检索装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块（单元）的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请所涉及的相似肺部疾病病例的检索方法、相似肺部疾病病例的检索装置、计算机设备或者计算机可读存储介质不仅可用于疾病的分类和研究、医师的教学培训，还可以用于辅助疾病的诊断或治疗。例如，通过本申请实施例提供的相似肺部疾病病例的检索方法可以检索到相似肺部疾病病例，为肺部疾病的诊断或治疗，医师的教学或疾病的研究提供参考信息。
本申请实施例提供的计算机设备可以应用于医学影像处理系统中，在该医学影像处理系统可以包括医学图像扫描设备、计算机设备。
其中，医学图像扫描设备可以是磁共振系统（MR系统）、正电子发射计算机断层显像系统（PET系统）、正电子发射计算机断层显像-磁共振多模态混合系统（PET-MR系统）、电子计算机断层扫描系统（CT系统）、X射线扫描系统等任意一种或者多种医学图像扫描系统。
下面以医学图像扫描设备为CT系统为例对本申请实施例进行描述和说明。
在本实施例中，CT系统包括检查床110和扫描部件120。其中，检查床110适于承载待检查者。检查床110能够移动，使得待检查者的待检查部位被移动到适合被检测的位置，例如图1中标示为200的位置。扫描部件120具有射线源121和探测器122。
射线源121可以被配置为对待检查者的待检查部位发出射线，用以产生医学图像的扫描数据。待检查者的待检查部位可包括物质、组织、器官、样本、身体，或类似物，或者其他任意组合。在某些实施例中，待检查者的待检查部位可以包括患者或者其一部分，即可以包括头、胸、肺、胸膜、纵膈、腹、大肠、小肠、膀胱、胆囊、三焦、盆腔、骨干、末端、骨架、血管，或类似物，或其任意组合。射线源121被配置为用于产生射线或其他类型的射线。射线能够穿过待检查者的待检查部位。穿过待检查者的待检查部位后被探测器122接收。
射线源121可包括射线发生器。射线发生器可包括一个或多个射线管。射线管可以发射射线或射线束。射线源121可以是X射线球管、冷阴极离子管、高真空热阴极管、旋转阳极管等。发射的射线束的形状可以是线形、窄笔形、窄扇形、扇形、锥形、楔形、或类似物，或不规则形状，或其任何组合。射线束的扇形角度可以是20°至90°范围内的一定值。射线源121中的射线管可以固定在一个位置。在某些情况下，可以平移或旋转射线管。
探测器122可配置为接收来自射线源121或其他辐射源的射线。来自射线源121的射线可以穿过待检查者，然后到达探测器122。接收射线之后，探测器122产生蕴含待检查者的射线图像的探测结果。探测器122包括射线检测器或者其他部件。射线检测器的形状可以是扁平、弓形、圆形、或类似物，或其任意组合。弓形检测器的扇形角度范围可以是20°至90°。扇形角度可固定或者根据不同的情况可调。不同的情况包括期望的图像分辨率、图像大小、检测器的灵敏度、检测器的稳定性、或类似物，或其任意组合。在一些实施例中，检测器的像素可以是最小检测单元的数量，例如检测器单元的数量（例如，闪烁体或光电传感器等）。检测器的像素可以布置成单行、双行或另一数目的行。射线检测器是一维、二维、或者三维的。
CT系统还包括扫描控制装置和图像生成装置。其中，扫描控制装置被配置为控制检查床110和扫描部件120进行扫描。图像生成装置用于根据探测器122的探测结果生成医学影像。
由于扫描部件120在进行扫描时往往会发出射线，因此在一些实施例中，为了避免CT系统的操作者暴露在这些辐射下，可以将图像生成装置设置在与扫描部件120不同的房间内，使得CT系统的操作者可以处在另外的房间内，避免受到射线照射，并能够通过图像生成装置生成以及观察扫描结果。
本实施例的计算机设备包括处理器211、存储有计算机程序指令的存储器212和显示设备214。
上述处理器211可以包括中央处理器（CPU），或者特定集成电路（ApplicationSpecific Integrated Circuit，简称为ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
在其中一些实施例中，处理器211可以被配置为：获取待检索的肺部疾病病例，其中，待检索的肺部疾病病例包括肺部影像；按照肺组织的多个层级从肺部影像中分割出每个层级下的肺组织影像及病灶影像，其中，肺组织的多个层级包括但不限于以下至少之三：全肺、左右肺、肺叶、肺段；从每个层级下的肺组织影像和病灶影像中分别提取特征信息；在预设知识库中检索与特征信息最匹配的至少一个肺部疾病病例，并输出至少一个肺部疾病病例；其中，预设知识库包括多个肺部疾病病例以及与多个肺部疾病病例对应的特征信息。
在其中一些实施例中，处理器211可以被配置为：按照肺组织的多个层级从肺部影像中分割出每个层级下的肺组织影像，以及从肺部影像中根据疾病征象分割出每个层级下的病灶影像；或者按照肺组织的多个层级从肺部影像中分割出每个层级下的肺组织影像，以及从每个层级下的肺组织影像中根据疾病征象分割出每个层级下的病灶影像。
在其中一些实施例中，处理器211可以被配置为：对每个层级下的肺组织影像及病灶影像对应的特征信息进行量化和归一化处理，得到每个层级下的肺组织影像及病灶影像对应的特征值；根据特征值以及与特征值对应的权重，确定肺部影像的特征向量；在预设知识库中检索肺部影像的特征向量最匹配的至少一个肺部疾病病例。
在其中一些实施例中，处理器211可以被配置为：从预设知识库中获取待匹配肺部疾病病例的特征信息；计算特征信息与待匹配肺部疾病病例的特征信息的相似度，并在相似度大于预设阈值的情况下，将待匹配肺部疾病病例作为与待检索的肺部疾病病例的特征信息匹配的肺部疾病病例。
在其中一些实施例中，处理器211可以被配置为：从预设知识库中获取多个待匹配肺部疾病病例的特征信息；计算特征信息分别与多个待匹配肺部疾病病例的特征信息的相似度；将多个待匹配肺部疾病病例中对应的特征信息与待检索的肺部疾病病例的特征信息的相似度最大的至少一个肺部疾病病例作为与待检索的肺部疾病病例的特征信息匹配的肺部疾病病例。
在其中一些实施例中，特征信息包括以下至少之一：形态学特征信息、密度特征信息。
在其中一些实施例中，形态学特征信息包括但不限于以下至少之一：全肺病灶体积、全肺病灶占比、左右肺病灶体积、左右肺病灶占比、各个肺叶病灶体积、各个肺叶病灶占比、各个肺段病灶体积、各个肺段病灶占比。
在其中一些实施例中，密度特征信息包括但不限于以下至少之一：全肺的亨氏单位（Hounsfield Unit，简称为HU）值分布直方图、全肺病灶的HU值分布直方图、左右肺的HU值分布直方图、左右肺病灶的HU值分布直方图、各个肺叶的HU值分布直方图、各个肺叶病灶的HU值分布直方图、各个肺段的HU值分布直方图、各个肺段病灶的HU值分布直方图。
在其中一些实施例中，处理器211可以被配置为：响应用户的输入，对肺部影像进行分割，得到每个层级下的肺组织影像。
在其中一些实施例中，处理器211可以被配置为：按照类别展示至少一个肺部疾病病例；其中，类别至少包括以下至少之一：特征信息的相似度、病因、病情、病理、病程、患者的年龄段、患者的基础疾病类型。
在其中一些实施例中，在肺部疾病为肺炎的情况下，病因至少包括以下至少之一：细菌性肺炎、病毒性肺炎、未明确病因的肺炎。
在其中一些实施例中，处理器211还可以被配置为：对比展示待检索的肺部疾病病例和检索到的至少一个肺部疾病病例。
在其中一些实施例中，预设知识库中还包括正常肺部影像及其特征信息；处理器211还可以被配置为：对比展示待检索的肺部疾病病例和至少一个肺部疾病病例；或者对比展示待检索的肺部疾病病例、至少一个肺部疾病病例和正常肺部影像及其特征信息。
在其中一些实施例中，处理器211还可以被配置为：将待检索的肺部疾病病例更新到预设知识库中。
存储器212可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器212可包括硬盘驱动器（Hard Disk Drive，简称为HDD）、软盘驱动器、固态驱动器（SolidState Drive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（Universal SerialBus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器212可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器212可在数据处理装置的内部或外部。在特定实施例中，存储器212是非易失性（Non-Volatile）存储器。在特定实施例中，存储器212包括只读存储器（Read-Only Memory，简称为ROM）和随机存取存储器（Random Access Memory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（Programmable Read-Only Memory，简称为PROM）、可擦除PROM（ErasableProgrammable Read-Only Memory，简称为EPROM）、电可擦除PROM（Electrically ErasableProgrammable Read-Only Memory，简称为EEPROM）、电可改写ROM（ElectricallyAlterable Read-Only Memory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（Static Random-AccessMemory，简称为SRAM）或动态随机存取存储器（Dynamic Random Access Memory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器（Fast Page Mode DynamicRandom Access Memory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（ExtendedDate Out Dynamic Random Access Memory，简称为EDODRAM）、同步动态随机存取内存（Synchronous Dynamic Random-Access Memory，简称SDRAM）等。
存储器212可以用来存储或者缓存需要处理和/或通信使用的各种数据文件（例如医学图像、操作系统、预设知识库数据、机器学习模型等），以及处理器211所执行的可能的计算机程序指令。
处理器211通过读取并执行存储器212中存储的计算机程序指令，以实现本申请实施例的相似肺部疾病病例的检索方法。
在其中一些实施例中，计算机设备还可包括通信接口213和总线210。其中，如图2所示，处理器211、存储器212、通信接口213、显示设备214通过总线210连接并完成相互间的通信。
通信接口213用于实现本实施例中各模块、装置、单元和/或设备之间的通信。通信接口213还可以实现与其他部件例如：外接设备、医学影像扫描设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线210包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线210包括但不限于以下至少之一：数据总线（Data Bus）、地址总线（Address Bus）、控制总线（Control Bus）、扩展总线（Expansion Bus）、局部总线（Local Bus）。举例来说而非限制，总线210可包括图形加速接口（Accelerated Graphics Port，简称为AGP）或其他图形总线、增强工业标准架构（Extended Industry Standard Architecture，简称为EISA）总线、前端总线（Front Side Bus，简称为FSB）、超传输（Hyper Transport，简称为HT）互连、工业标准架构（Industry Standard Architecture，简称为ISA）总线、无线带宽（InfiniBand）互连、低引脚数（Low Pin Count，简称为LPC）总线、存储器总线、微信道架构（Micro ChannelArchitecture，简称为MCA）总线、外围组件互连（Peripheral Component Interconnect，简称为PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（Serial AdvancedTechnology Attachment，简称为SATA）总线、视频电子标准协会局部（Video ElectronicsStandards Association Local Bus，简称为VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线210可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该计算机设备可以基于获取到的待检索的肺部疾病病例，执行本实施例提供的相似肺部疾病病例的检索方法。
另外，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本实施例提供的相似肺部疾病病例的检索方法。
本实施例提供了一种相似肺部疾病病例的检索方法。图3是根据本申请实施例的相似肺部疾病病例的检索方法的流程图，如图3所示，该流程包括如下步骤：
步骤S301，获取待检索的肺部疾病病例，其中，待检索的肺部疾病病例包括肺部影像。
本实施例的肺部影像可以直接从医学影像扫描设备获取，也可以从数据库中获取，或者由图像扫描设备扫描肺部影像图像得到。
步骤S302，按照肺组织的多个层级从该肺部影像中分割出每个层级下的肺组织影像，其中，肺组织的多个层级包括但不限于以下至少之三：全肺、左右肺、肺叶、肺段。
肺按照生理解剖结构，可以划分为多个层级。在一些实施例中，可以将肺划分为四个层级，分别为全肺、左右肺、肺叶、肺段。在另一些实施例中，也可以将肺划分为三个层级，分别为全肺、左右肺、肺叶、肺段中的任意三个层级。
其中，全肺对应的肺组织影像的分割包括从肺部影像中分割出整个肺的影像，而去除不属于肺组织的影像部分。左右肺对应的肺组织影像的分割包括将肺分割为左肺影像和右肺影像。肺叶对应的肺组织影像的分割包括分割出左肺上叶影像、左肺下叶影像、右肺上叶影像、右肺中叶影像、右肺下叶影像。肺段对应的肺组织影像的分割包括分割出左肺8个肺段的影像以及右肺10个肺段的影像。在本实施例中，每个肺部影像可以分割出上述四个层级共26种肺组织影像。
进行上述的各层级的肺分割采用的图像分割方法可以采用任意已知的计算机自动化图像分割的方法，也可以采用或者结合人工标注的方法进行图像分割或者自动化图像分割后的校正。例如，计算机设备响应用户的输入，对肺部影像进行分割，得到每个层级下的肺组织影像。
在另一些实施例中，可以采用机器学习的方法进行图像分割。例如，将肺部影像输入到已训练的肺组织影像分割单元中，得到肺组织影像分割单元输出的肺组织影像；其中，已训练的肺组织影像分割单元是用于按照肺组织的多个层级对肺部影像进行分割的机器学习模型。在本实施例中肺部图像的分割涉及到数十个区域的划分，采用常规的图像分割算法进行分割在一些情形下会耗费较长时间。在本实施例中，采用机器学习进行图像分割不仅能够快速获得肺部图像分割结果，已训练的肺组织影像分割单元也非常容易复制分发给不同的医院或者研究机构执行肺组织影像的分割任务。
机器学习方法进行图像分割的过程包括：采用已经进行图像分割的大量肺部影像训练机器学习模型的参数，在机器学习模型的参数达到收敛后，再使用已训练的机器学习模型对肺部影像进行图像分割，得到肺部影像的图像分割结果。更具体地，机器学习包括但不限于浅层学习或者深度学习。其中，浅层学习包括但不限于朴素贝叶斯、决策树、随机森林或者支持向量机中的一种或者多种的组合。深度学习主要是指各种人工神经网络。
在本实施例中按照肺组织的多个层级从该肺部影像中分割出每个层级下的肺组织影像时，既可以按照肺组织的多个层级直接从肺部影像中分割出每个层级下的肺组织影像，也可以在分割得到一个层级（例如肺叶）下的肺组织影像之后，再在该层级的肺组织影像中分割出下一层级（例如肺叶的下一层级为肺段）下的肺组织影像。
相应地，在使用机器学习进行肺部影像分割时，既可以采用一个已训练的机器学习模型按照肺组织的多个层级直接从肺部影像中分割出每个层级下的肺组织影像，也可以采用级联的多个机器学习模型逐一地将肺部影像按照层级分割为多个肺组织影像。其中，级联的多个机器学习模型中每一级的机器学习模型负责对应层级的肺组织影像的划分，该级联层级的机器学习模型的输出结果会作为下一级联层级的输入，最终得到每个层级下的肺组织影像。采用级联的多个机器学习模型进行肺部影像的分割，可以分别并行地训练每个级联层级的机器学习模型的精度，缩短整个级联的机器学习模型的训练时间。
步骤S303，按照疾病征象分割出病灶影像。
在本实施例中，与进行肺组织影像的分割是类似地，从肺部影像中还可以根据疾病征象分割出病灶影像。病灶影像的图像分割方法亦可以采取任意已知的计算机自动化图像分割的方法，或者采用或结合人工标注的方法进行病灶影像分割或者自动化图像分割后的校正。
在本实施例中，按照疾病征象分割出病灶影像时，既可以直接从肺部影像中根据疾病征象分割出每个层级下的病灶影像，也可以从步骤S302中分割得到的每个层级下的肺组织影像中根据疾病征象分割出每个层级下的病灶影像。
步骤S304，从每个层级下的肺组织影像和病灶影像中分别提取特征信息。
本实施例中提取特征信息可以是形态学特征信息，例如病灶体积、病灶占比等，或者密度特征信息，例如HU值分布直方图。相较于相关技术中不对肺部影像按层级划分而只提取全肺病灶体积和全肺病灶占比而言，本实施例通过提取各个层级的肺组织影像的特征信息，使得影像学特征的表现粒度更为精细，从而提升相似病例的检索结果的准确性。
不仅如此，在一些实施例中，还可以同时提取各个层级的肺组织影像中的形态学特征信息和密度特征信息，从而进一步增加影像学特征的维度，以提高相似肺部疾病病例的匹配准确度。
从各个层级下的肺组织影像和病灶影像中可以提取到的形态学特征信息的维度包括但不限于以下至少之一：全肺病灶体积、全肺病灶占比、左右肺病灶体积、左右肺病灶占比、各个肺叶病灶体积、各个肺叶病灶占比、各个肺段病灶体积、各个肺段病灶占比。
从各个层级下的肺组织影像和病灶影像中可以提取到的密度特征信息的维度包括但不限于以下至少之一：全肺的HU值分布直方图、全肺病灶的HU值分布直方图、左右肺的HU值分布直方图、左右肺病灶的HU值分布直方图、各个肺叶的HU值分布直方图、各个肺叶病灶的HU值分布直方图、各个肺段的HU值分布直方图、各个肺段病灶的HU值分布直方图。
由于不同的组织或组成成分（例如肝脏、肌肉、钙值、血液、血浆等）的HU值窗位存在差别，因此，HU值的不同区间能够表现不同的组织。因此，在一些实施例中，还可以将HU值划分为数个区间，并将每个区间内HU值分布直方图作为相应肺组织的密度特征。采用每个区间内HU值分布直方图作为相应肺组织的密度特征，能够获得不同组织或组成成分的密度特征信息。
步骤S305，在预设知识库中检索与特征信息最匹配的至少一个肺部疾病病例，并输出至少一个肺部疾病病例；其中，预设知识库包括多个肺部疾病病例以及与多个肺部疾病病例对应的特征信息。
本实施例中，预设知识库包括多个肺部疾病病例及与每个肺部疾病病例对应的特征信息。预设知识库中的肺部疾病病例通常由人工搜集，在一些实施例中，为了保证预设知识库中的肺部疾病病例具备指导作用，存储在预设知识库中的肺部疾病病例均经由专家确认。在预设知识库中，每个肺部疾病病例的特征信息可以按照与步骤S304中提取特征信息的相同方式，提取每个层级下的肺组织影像和病灶影像的特征信息。
肺部疾病病例至少包括肺部影像，也可以包括其他的内容，例如，肺部疾病病例的内容还可以包括病程记录。病程记录是指继入院记录之后，对患者病情和诊疗过程所进行的连续性记录。病程记录的内容包括但不限于以下至少之一：肺部疾病种类、患者的病情变化情况、重要的辅助检查结果及临床意义、上级医师查房意见、会诊意见、医师分析讨论意见、所采取的诊疗措施及效果、医嘱更改及理由等病程记录。
预设知识库可以是本地数据库，也可以是在线数据库。在采用在线数据库时，将预设知识库配置在网络中的一个数据库服务器上，以供医院、疾病研究中心实时在线获取、检索预设知识库中的数据，以及实时在线更新预设知识库中的数据。
在其中一些实施例中，还可以将待检索的肺部疾病病例更新到预设知识库中，从而实现预设知识库的持续更新。其中，为了保证肺部疾病病例的权威性和指导作用，可以先将肺部疾病病例更新到离线或在线的临时知识库中，并由多位专家离线或在线共同确认后，再正式更新到预设知识库中。
在步骤S305中，特征信息的匹配可以通过特征相似度来确定。例如，从预设知识库中获取待匹配肺部疾病病例的特征信息；计算步骤S304中提取的特征信息与待匹配肺部疾病病例的特征信息的相似度，并在相似度大于预设阈值的情况下，将待匹配肺部疾病病例作为与特征信息匹配的肺部疾病病例。
在上述实施例中，每个肺部疾病病例对应的相似度可以是一个或者多个。例如，可以分别针对形态学特征和密度特征计算步骤S305中提取的特征信息与待匹配肺部疾病病例的特征信息的相似度，如果这两个相似度均大于相应的预设阈值，则确定该待匹配肺部疾病病例为相似肺部疾病病例。如果这两个相似度中至少有一个相似度小于预设阈值，则从预设知识库中获取另一个待匹配肺部疾病病例，重复上述的相似度计算和比较步骤，直至检索到设定数量的相似肺部疾病病例，或者预设知识库中所有肺部疾病病例均与步骤S304中提取的特征信息进行过相似度匹配。
在一些实施例中，在进行特征信息的匹配时，还可以从预设知识库中获取多个待匹配肺部疾病病例的特征信息；计算特征信息分别与多个待匹配肺部疾病病例的特征信息的相似度；将多个待匹配肺部疾病病例中对应的特征信息与待检索的肺部疾病病例的特征信息的相似度最大的至少一个肺部疾病病例作为与特征信息匹配的肺部疾病病例。通过上述方式，可以从预设知识库中匹配到与步骤S305中提取的特征信息的相似度最大的一个或者多个肺部疾病病例。
在上述实施例中的相似度计算可以采用已知的任意相似度计算方法，例如包括但不限于：欧几里的距离法、余弦相似度法、皮尔森相关系数法等。
通过上述步骤S301~步骤S305，按照肺组织的多个层级从肺部影像中分割出每个层级下的肺组织影像及病灶影像后，从每个层级下的肺组织影像和病灶影像中分别提取特征信息，并根据这些特征信息在预设知识库中检索匹配的肺部疾病病例，相对于相关技术中通过医师肉眼检索相似肺部疾病病例的方式而言，提高了检索相似肺部疾病病例的效率；并且，在上述实施例中，结合肺的生理解剖结构，从肺组织的至少三个层级下的肺组织影像中提取特征信息，增加了肺部疾病病例的特征信息的维度，细化了特征信息的粒度，从而提高了相似肺部疾病病例匹配的准确率。
图4是根据本申请优选实施例的展示检索结果的示意图。参考图4，在一些实施例中，在输出检索到的肺部疾病病例时，可以按照类别展示检索到的这些肺部疾病病例。例如，可以按照特征信息的相似度、病因、病情、病理、病程、患者的年龄段、患者的基础疾病类型中的一种类别或者多种的组合类别，展示检索到的肺部疾病病例。其中，所展示的肺部疾病病例的类别在一些实施例中是可以由用户预先设置或者自行更改的。例如，在用户感兴趣的类别为“相似度大于99%”、“病因为病毒性肺炎”、“患者的年龄段为60岁以上”的肺部疾病病例，则可以将所展示的肺部疾病病例的类别更改为“相似度大于99%”、“病因为病毒性肺炎”、“患者的年龄段为60岁以上”，从而筛选出用户感兴趣的病例。
在上述实施例中，以肺炎为例，病因包括但不限于以下至少之一：细菌性肺炎、病毒性肺炎、未明确病因的肺炎。在本实施例中，通过检索并按照病因展示相似肺部疾病病例，有利于确定待检索的肺部疾病病例的病因。尤其是对于未明确病因的肺炎，能够及早发现、起到未明确病因的肺炎的预警作用。
在上述实施例中，病情包括：轻度、中度、重度等。
在上述实施例中，病理包括：大叶性肺炎、支气管肺炎、间质性肺炎等。
在上述实施例中，病程包括：急性、迁延性、慢性等。
在上述实施例中，患者的基础疾病类型包括与肺部疾病存在相关性的疾病，包括但不限于高血压、糖尿病、心血管疾病、慢性阻塞性肺疾病（COPD）、癌症、慢性肾病、乙型肝炎、免疫缺陷疾病中的一种或者多种。
通过按照类别展示与待检索的肺部疾病病例相似的病例，可以快速定位到用户感兴趣的相似肺部疾病病例，尤其是用户可以通过设置展示类别对检索到的相似肺部疾病病例进行排序或筛选，从而可以快速定位到不仅影像学特征相似，而且病因、病情、病理、病程、患者的年龄段、患者的基础疾病类型等均更加契合的肺部疾病病例，这对于辅助诊断治疗和医学研究具有很大的帮助。
在其中一些实施例中，预设知识库中存储的肺部疾病病例可以是与待检索的肺部疾病病例相同疾病类型的病例及其特征信息，例如，在将本实施例专用于相似肺炎病例的检索时，在预设知识库中可以仅包括肺炎病例及其特征信息。
在另一些实施例中，预设知识库中还可以存储与待检索的肺部疾病病例不同疾病类型的病例及其特征信息，例如，待检索的肺部疾病病例可以是肺炎病例，预设知识库中还可以存储有其他类型的肺部疾病病例，如肺纤维化病例、肺气肿病例、肺癌病例等。
基于上述设置，在步骤S305中根据特征信息匹配到的至少一个肺部疾病病例可以是与待检索的肺部疾病病例类型相同的病例，也可以是与待检索的肺部疾病病例类型不同的病例。一些不同类型的肺部疾病在影像学存在相似性，通过将影像学特征相似而疾病类型不同的相似肺部疾病病例作为检索结果，可以为用户提供更多的参考信息，以帮助用户对待检索的肺部疾病病例的疾病诊断或者检验疾病诊断结果。
在步骤S305中，还可以对比展示待检索的肺部疾病病例和检索到的至少一个肺部疾病病例；对比展示的内容包括但不限于以下之一：肺部影像、特征信息等，还可以包括特征信息的相似度、病因、病情、病理、病程、患者的年龄段、患者的基础疾病类型等相关内容。通过对比展示待检索的肺部疾病病例和检索到的至少一个肺部疾病病例，可以帮助用户区分不同肺部疾病的特征差异。例如，在将本申请实施例提供的相似肺部疾病病例的检索方法应用于教学目的时，可以通过待检索的肺部疾病病例检索到与之相似的肺部疾病病例，并对比展示出来，用户可以在对比展示结果中比较这些病例之间的肺部影像、特征信息等差异，从而加深了学习印象，增强教学效果。
在其中一些实施例中，预设知识库中还可以包括正常肺部影像及其特征信息，在步骤S305中对比展示待检索的肺部疾病病例和检索到的至少一个肺部疾病病例时，还可以同时展示正常肺部影像及其特征信息。通过对比展示待检索的肺部疾病病例和正常肺部影像及其特征信息，可以帮助用户直观观察到待检索的肺部疾病病例相对于正常肺部的影像和特征的差异。例如，在将本申请实施例提供的相似肺部疾病病例的检索方法应用于教学目的时，可以将待检索的肺部疾病病例与正常肺部的影像和特征信息展示出来，用户可以在对比展示结果中比较待检索的肺部疾病病例与正常肺部之间的肺部影像、特征信息等差异，从而加深了学习印象，增强教学效果。
下面结合优选实施例和附图对本申请实施例进行说明。
在本优选实施例中提供了一种相似肺部疾病病例的检索方法和系统。在本实施例中，首先提取肺部影像的病灶，然后对病灶进行量化分析，提取相似度特征，最后与预设知识库进行匹配，输出相似度较高的病例信息以及诊断结果，从而帮助医生快速准确地进行肺部疾病的分类。本方法可以为临床诊断、医师培训以及科研学习提供有力的支持。
图5是根据本申请优选实施例的相似肺部疾病病例的检索系统的结构框图，如图5所示，该系统包括：
图像获取模块51，用于处理输入的肺部影像；该肺部影像可以是CT影像，或者其他类型的医学影像。
病灶提取模块52，用于根据肺部病灶的分割算法，生成肺部病灶的标注结果。
在一些实施例中，病灶提取模块52还可以包括输入单元，用于接收用户输入的标注信息；病灶提取模块52，还用于根据用户输入的标注信息，生成肺病灶的标注结果。
特征提取模块53，用于根据肺病灶的标注结果，以及根据分割算法对肺部影像分割得到的各层级下的肺组织影像，提取形态学特征信息和密度特征信息；其中，肺组织的多个层级包括但不限于以下至少之三：全肺、左右肺、肺叶、肺段。
相似病例检索模块54，用于将特征提取模块53提取到的特征信息与预设知识库中的肺部疾病病例的特征信息进行匹配，输出相似度较高的一个或者多个肺部疾病病例。
图6是根据本申请优选实施例的相似肺部疾病病例的检索方法的流程图，如图6所示，该流程包括如下步骤：
步骤S601，获取待检索的肺部疾病病例，其中，该肺部疾病病例包括如图7所示的肺部影像，该肺部影像为CT影像；
步骤S602，从肺部影像中分割出感兴趣区域得到全肺影像，并使用左右肺分割算法将全肺影像分割为如图8所示的左右肺影像。在图8中可以采用不同的色彩或标注框标注左肺影像和右肺影像。
步骤S603，在左右肺影像的基础上，采用肺叶分割算法，将左右肺影像分割为如图9所示的肺叶影像。在图9中可以采用不同的颜色或标注框标注不同肺叶的影像。
步骤S604，在肺叶影像的基础上，采用肺段分割算法，将肺叶影像分割为如图10所示的肺段影像。在图10中可以采用不同的颜色或标注框标注不同肺段的影像。
步骤S605，在左右肺影像的基础上，采用肺病灶分割算法，从左右肺影像中分割得到如图11所示的病灶影像。在图11中可以采用特定的颜色或标注框标注病灶影像。
步骤S606，根据各层级下的肺组织影像和病灶影像，提取形态学特征信息和密度特征信息。
在图12中示例性地示出了本优选实施例提取的肺叶的形态学特征信息、肺段的形态学特征信息以及全肺的密度特征信息。
以左肺上叶为例，左肺上叶的形态学特征L1表示左肺上叶病灶体积占比为4.9%，左肺上叶病灶体积为46.1cm3。再以左肺的尖后段为例，左肺的尖后段的形态学特征L1+2表示左肺的尖后段病灶体积占比5.6%，左肺的尖后段病灶体积为21.1cm3。
继续参考图12，在本实施例中，HU值被分为四个区间，分别为：[-1500，-751]、[-750，-301]、[-300，49]以及[50，300]，对于每一个HU值区间，统计该区间内的HU值分布直方图作为密度特征信息。由于不同的HU值区间不同的组织或者组织成分，因此，采用每个区间内HU值分布直方图作为相应肺组织的密度特征，能够获得不同组织或组成成分的密度特征信息，有助于判断产生病变的组织或组织成分。
步骤S607，根据提取到的形态学特征和密度特征，与预设知识库中的病例进行相似度匹配，得到相似度最大的一个或者较高的数个相似肺部疾病病例，并输出该肺部疾病病例。
在图13中示例性地示出了预设知识库中三个肺部疾病病例与步骤S606中提取的形态学特征以及密度特征的相似度匹配结果。在本实施例中，设定形态学特征和密度特征的相似度均大于99%则属于相似肺部疾病病例，则将会将图13中3个病例都作为相似肺部疾病病例输出。在另一些实施例中，若设定形态学特征的相似度大于99.5%，密度特征的相似度大于99%则属于相似肺部疾病病例，则将会将图13中第1个病例作为相似肺部疾病病例输出。需要说明的是，上述相似度阈值仅为举例而并非唯一值，这些相似度阈值可以根据实际选取的特征信息的种类和数量、希望输出的肺部疾病病例的数量、要求输出的肺部疾病病例的相似程度等实际情况灵活选取。
肺部疾病种类繁多。例如，肺部疾病中，肺炎根据病因进行分类包括细菌性肺炎、病毒性肺炎、非典型病原体所致肺炎等；根据解剖分类又分为大叶性肺炎、小叶性肺炎、间质性肺炎等。并且，肺炎的不同阶段也会呈现出不同的疾病征象。
以新型冠状病毒肺炎为例，其早期表现为散在分布于双肺的多发斑片状磨玻璃样密度病灶，以胸膜下肺外周为主；危重型主要表现为双肺肺段和肺叶分布的多发斑片状混合密度灶，累及肺中心及外周，病灶磨玻璃成份相对减少。相关技术中单纯利用病灶本身的特征很难对肺部疾病进行准确的相似度评估。
在本申请实施例中，结合病灶和整个肺区域的信息，对病灶进行了精细的量化分析，精确到肺叶以及肺段，进一步提取出形态学特征和密度特征，最后与预设知识库进行匹配，输出相似度较高的病例信息。基于本申请实施例所采用的特征信息得到的相似度评估结果具有更高的可靠性。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。例如，步骤S605可以在步骤S603之前执行或者二者同时执行。
本实施例还提供了一种相似肺部疾病病例的检索装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图14是根据本申请实施例的相似肺部疾病病例的检索装置的结构框图，如图14所示，该装置包括：
影像获取模块141，用于获取待检索的肺部疾病病例，其中，待检索的肺部疾病病例包括肺部影像。
影像分割模块142，耦接至影像获取模块141，用于按照肺组织的多个层级从肺部影像中分割出每个层级下的肺组织影像及病灶影像，其中，肺组织的多个层级包括但不限于以下至少之三：全肺、左右肺、肺叶、肺段。
特征提取模块143，耦接至影像分割模块142，用于从每个层级下的肺组织影像和病灶影像中分别提取特征信息。
病例检索模块144，耦接至特征提取模块143，用于在预设知识库中检索与特征信息最匹配的至少一个肺部疾病病例，并输出至少一个肺部疾病病例；其中，预设知识库包括多个肺部疾病病例以及与多个肺部疾病病例对应的特征信息。
在其中一些实施例中，影像分割模块142，用于按照肺组织的多个层级从肺部影像中分割出每个层级下的肺组织影像，以及从肺部影像中根据疾病征象分割出每个层级下的病灶影像；或者按照肺组织的多个层级从肺部影像中分割出每个层级下的肺组织影像，以及从每个层级下的肺组织影像中根据疾病征象分割出每个层级下的病灶影像。
在其中一些实施例中，病例检索模块144，用于对每个层级下的肺组织影像及病灶影像对应的特征信息进行量化和归一化处理，得到每个层级下的肺组织影像及病灶影像对应的特征值；根据特征值以及与特征值对应的权重，确定肺部影像的特征向量；在预设知识库中检索肺部影像的特征向量最匹配的至少一个肺部疾病病例。
在其中一些实施例中，病例检索模块144，用于从预设知识库中获取待匹配肺部疾病病例的特征信息；计算特征信息与待匹配肺部疾病病例的特征信息的相似度，并在相似度大于预设阈值的情况下，将待匹配肺部疾病病例作为与特征信息匹配的肺部疾病病例。
在其中一些实施例中，病例检索模块144，用于从预设知识库中获取多个待匹配肺部疾病病例的特征信息；计算特征信息分别与多个待匹配肺部疾病病例的特征信息的相似度；将多个待匹配肺部疾病病例中对应的特征信息与待检索的肺部疾病病例的特征信息的相似度最大的至少一个肺部疾病病例作为与特征信息匹配的肺部疾病病例。
在其中一些实施例中，特征信息包括但不限于以下至少之一：形态学特征信息、密度特征信息。
在其中一些实施例中，形态学特征信息包括但不限于以下至少之一：全肺病灶体积、全肺病灶占比、左右肺病灶体积、左右肺病灶占比、各个肺叶病灶体积、各个肺叶病灶占比、各个肺段病灶体积、各个肺段病灶占比。
在其中一些实施例中，密度特征信息包括但不限于以下至少之一：全肺的HU值分布直方图、全肺病灶的HU值分布直方图、左右肺的HU值分布直方图、左右肺病灶的HU值分布直方图、各个肺叶的HU值分布直方图、各个肺叶病灶的HU值分布直方图、各个肺段的HU值分布直方图、各个肺段病灶的HU值分布直方图。
在其中一些实施例中，影像分割模块142，还用于响应用户的输入，对肺部影像进行分割，得到每个层级下的肺组织影像。
在其中一些实施例中，病例检索模块144，用于按照类别展示至少一个肺部疾病病例；其中，类别包括但不限于以下至少之一：特征信息的相似度、病因、病情、病理、病程、患者的年龄段、患者的基础疾病类型。
在其中一些实施例中，病因包括但不限于以下至少之一：细菌性肺炎、病毒性肺炎、未明确病因的肺炎。
在其中一些实施例中，病例检索模块144，还用于对比展示待检索的肺部疾病病例和检索到的至少一个肺部疾病病例。
在其中一些实施例中，预设知识库中还包括正常肺部影像及其特征信息；其中，病例检索模块144，还用于对比展示待检索的肺部疾病病例和至少一个肺部疾病病例；或者对比展示待检索的肺部疾病病例、至少一个肺部疾病病例和正常肺部影像及其特征信息。
在其中一些实施例中，相似肺部疾病病例的检索装置还包括：病例更新模块，耦接至病例检索模块144，用于将待检索的肺部疾病病例更新到预设知识库中。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种相似肺部疾病病例的检索方法，其特征在于包括：
获取待检索的肺部疾病病例，其中，所述待检索的肺部疾病病例包括肺部影像；
按照肺组织的多个层级从所述肺部影像中分割出每个层级下的肺组织影像及病灶影像，其中，所述肺组织的多个层级包括以下至少之三：全肺、左右肺、肺叶、肺段；
从所述每个层级下的肺组织影像和所述病灶影像中分别提取特征信息；
在预设知识库中检索与所述特征信息匹配的至少一个肺部疾病病例，并输出所述至少一个肺部疾病病例；其中，所述预设知识库包括多个肺部疾病病例以及与所述多个肺部疾病病例对应的特征信息。
2.根据权利要求1所述的相似肺部疾病病例的检索方法，其特征在于，按照肺组织的多个层级从所述肺部影像中分割出每个层级下的肺组织影像及病灶影像包括：
按照肺组织的多个层级从所述肺部影像中分割出每个层级下的肺组织影像，以及从所述肺部影像中根据疾病征象分割出每个层级下的病灶影像；或者
按照肺组织的多个层级从所述肺部影像中分割出每个层级下的肺组织影像，以及从所述每个层级下的肺组织影像中根据疾病征象分割出每个层级下的病灶影像。
3.根据权利要求1所述的相似肺部疾病病例的检索方法，其特征在于，在预设知识库中检索与所述特征信息匹配的至少一个肺部疾病病例包括：
对所述每个层级下的肺组织影像及所述病灶影像对应的特征信息进行量化和归一化处理，得到每个层级下的肺组织影像及所述病灶影像对应的特征值；
根据所述特征值以及与所述特征值对应的权重，确定所述肺部影像的特征向量；
在所述预设知识库中检索与所述特征向量匹配的至少一个肺部疾病病例。
4.根据权利要求1所述的相似肺部疾病病例的检索方法，其特征在于，在预设知识库中检索与所述特征信息匹配的至少一个肺部疾病病例包括：
从所述预设知识库中获取待匹配肺部疾病病例的特征信息；
计算所述特征信息与所述待匹配肺部疾病病例的特征信息的相似度，并在所述相似度大于预设阈值的情况下，将所述待匹配肺部疾病病例作为与所述特征信息匹配的肺部疾病病例。
5.根据权利要求1所述的相似肺部疾病病例的检索方法，其特征在于，在预设知识库中检索与所述特征信息匹配的至少一个肺部疾病病例包括：
从所述预设知识库中获取多个待匹配肺部疾病病例的特征信息；
计算所述特征信息分别与所述多个待匹配肺部疾病病例的特征信息的相似度；
将所述多个待匹配肺部疾病病例中对应的特征信息与所述特征信息的相似度最大的至少一个肺部疾病病例作为与所述特征信息匹配的肺部疾病病例。
6.根据权利要求1所述的相似肺部疾病病例的检索方法，其特征在于，按照肺组织的多个层级对所述肺部影像进行分割，得到每个层级下的肺组织影像包括：
响应用户的输入，对所述肺部影像进行分割，得到每个层级下的肺组织影像。
7.根据权利要求1所述的相似肺部疾病病例的检索方法，其特征在于，输出所述至少一个肺部疾病病例包括：
按照类别展示所述至少一个肺部疾病病例；其中，所述类别至少包括以下之一：特征信息的相似度、病因、病情、病理、病程、患者的年龄段、患者的基础疾病类型。
8.根据权利要求1所述的相似肺部疾病病例的检索方法，其特征在于，输出所述至少一个肺部疾病病例还包括：
对比展示所述待检索的肺部疾病病例和所述至少一个肺部疾病病例；或者
对比展示所述待检索的肺部疾病病例、所述至少一个肺部疾病病例和正常肺部影像及其特征信息，其中，所述预设知识库中还包括所述正常肺部影像及其特征信息。
9.根据权利要求1所述的相似肺部疾病病例的检索方法，其特征在于，所述方法还包括：
将所述待检索的肺部疾病病例更新到所述预设知识库中。
10.一种相似肺部疾病病例的检索装置，其特征在于包括：
影像获取模块，用于获取待检索的肺部疾病病例，其中，所述待检索的肺部疾病病例包括肺部影像；
影像分割模块，用于按照肺组织的多个层级从所述肺部影像中分割出每个层级下的肺组织影像及病灶影像，其中，所述肺组织的多个层级包括以下至少之三：全肺、左右肺、肺叶、肺段；
特征提取模块，用于从所述每个层级下的肺组织影像和所述病灶影像中分别提取特征信息；
病例检索模块，用于在预设知识库中检索与所述特征信息最匹配的至少一个肺部疾病病例，并输出所述至少一个肺部疾病病例；其中，所述预设知识库包括多个肺部疾病病例以及与所述多个肺部疾病病例对应的特征信息。
11.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9中任一项所述的相似肺部疾病病例的检索方法。
12.一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至9中任一项所述的相似肺部疾病病例的检索方法。
CN202010240034.3A 2020-03-31 2020-03-31 相似肺部疾病病例的检索方法、装置和计算机设备 Pending CN111445463A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010240034.3A CN111445463A (zh) 2020-03-31 2020-03-31 相似肺部疾病病例的检索方法、装置和计算机设备
US17/218,201 US20210304896A1 (en) 2020-03-31 2021-03-31 Systems and methods for medical diagnosis

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010240034.3A CN111445463A (zh) 2020-03-31 2020-03-31 相似肺部疾病病例的检索方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
CN111445463A true CN111445463A (zh) 2020-07-24

Family

ID=71649291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010240034.3A Pending CN111445463A (zh) 2020-03-31 2020-03-31 相似肺部疾病病例的检索方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN111445463A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112328775A (zh) * 2020-12-30 2021-02-05 北京伯仲叔季科技有限公司 病例文本信息检索系统
CN113538414A (zh) * 2021-08-13 2021-10-22 推想医疗科技股份有限公司 肺部图像配准方法和肺部图像配准装置
CN113553460A (zh) * 2021-08-13 2021-10-26 北京安德医智科技有限公司 影像检索方法及装置、电子设备和存储介质
CN114627050A (zh) * 2022-01-28 2022-06-14 清华大学 基于肝部病理全切片的病例分析方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036109A (zh) * 2014-03-14 2014-09-10 上海大图医疗科技有限公司 基于图像的病例检索、勾画及治疗计划系统和方法
CN109716445A (zh) * 2017-03-10 2019-05-03 富士通株式会社 类似病例图像检索程序、类似病例图像检索装置以及类似病例图像检索方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036109A (zh) * 2014-03-14 2014-09-10 上海大图医疗科技有限公司 基于图像的病例检索、勾画及治疗计划系统和方法
CN109716445A (zh) * 2017-03-10 2019-05-03 富士通株式会社 类似病例图像检索程序、类似病例图像检索装置以及类似病例图像检索方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112328775A (zh) * 2020-12-30 2021-02-05 北京伯仲叔季科技有限公司 病例文本信息检索系统
CN112328775B (zh) * 2020-12-30 2021-04-13 北京伯仲叔季科技有限公司 病例文本信息检索系统
CN113538414A (zh) * 2021-08-13 2021-10-22 推想医疗科技股份有限公司 肺部图像配准方法和肺部图像配准装置
CN113553460A (zh) * 2021-08-13 2021-10-26 北京安德医智科技有限公司 影像检索方法及装置、电子设备和存储介质
CN113553460B (zh) * 2021-08-13 2022-06-28 北京安德医智科技有限公司 影像检索方法及装置、电子设备和存储介质
CN114627050A (zh) * 2022-01-28 2022-06-14 清华大学 基于肝部病理全切片的病例分析方法及系统

Similar Documents

Publication Publication Date Title
US9218661B2 (en) Image analysis for specific objects
JP4310099B2 (ja) 肺疾患検出のための方法及びシステム
CN111445463A (zh) 相似肺部疾病病例的检索方法、装置和计算机设备
US11227391B2 (en) Image processing apparatus, medical image diagnostic apparatus, and program
US10734107B2 (en) Image search device, image search method, and image search program
CN109716445B (zh) 类似病例图像检索程序、类似病例图像检索装置以及类似病例图像检索方法
EP2027566B1 (en) Automatic recognition of preneoplastic anomalies in anatomic structures based on an improved region-growing segmentation, and computer program therefor
US20160321427A1 (en) Patient-Specific Therapy Planning Support Using Patient Matching
US20190295248A1 (en) Medical image specifying apparatus, method, and program
JP2021002339A (ja) 画像内での構造又は物質セグメンテーションに基づいた機械学習分類のための方法及びシステム
JP6719421B2 (ja) 学習データ生成支援装置および学習データ生成支援方法並びに学習データ生成支援プログラム
WO2021021329A1 (en) System and method for interpretation of multiple medical images using deep learning
JP6945474B2 (ja) 学習用データ作成支援装置、学習用データ作成支援方法、および学習用データ作成支援プログラム
US20170221204A1 (en) Overlay Of Findings On Image Data
JP7170000B2 (ja) 学習システム、方法及びプログラム
US11854190B2 (en) Similarity determination apparatus, similarity determination method, and similarity determination program
WO2020110519A1 (ja) 類似度決定装置、方法およびプログラム
JP2005065728A (ja) 類似画像検索装置
JP5048233B2 (ja) Ｃａｄシステムにおける解剖学的形状の検出のための方法及びシステム
US20220036558A1 (en) Method and system for predicting expression of biomarker from medical image
Giv et al. Lung segmentation using active shape model to detect the disease from chest radiography
WO2022230641A1 (ja) 文書作成支援装置、文書作成支援方法、及び文書作成支援プログラム
Chen et al. Scrfd: spatial coherence based rib fracture detection
CN111127636B (zh) 一种智能的复杂关节内骨折桌面级三维诊断系统
WO2020110520A1 (ja) 類似度決定装置、方法およびプログラム

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