CN111507431A - 医学影像分类方法、装置、系统和可读介质 - Google Patents
医学影像分类方法、装置、系统和可读介质 Download PDFInfo
- Publication number
- CN111507431A CN111507431A CN202010608293.7A CN202010608293A CN111507431A CN 111507431 A CN111507431 A CN 111507431A CN 202010608293 A CN202010608293 A CN 202010608293A CN 111507431 A CN111507431 A CN 111507431A
- Authority
- CN
- China
- Prior art keywords
- sequence
- medical image
- image
- feature vector
- medical
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本申请提供了一种医学影像分类方法、装置、系统和计算机可读介质,以及一种序列特征提取模型的训练方法和装置。该医学影像分类方法包括:获取待分类的医学影像序列,其中医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张医学影像和元信息说明文件;对多张医学影像进行排序;对每张医学影像进行图像特征提取并得到医学影像序列的图像特征向量序列;采用预设序列特征提取模型对图像特征向量序列进行序列特征提取并得到序列特征向量序列;以及根据序列特征向量序列对多张医学影像进行分类。该医学影像分类方法通过根据医学影像的位置坐标对医学影像进行排序,以及对图像特征向量序列进行序列特征提取,能够显著提高医学影像的分类准确率。
Description
技术领域
本申请主要涉及数据处理领域,尤其涉及一种医学影像分类方法、装置、系统和计算机可读介质,以及一种序列特征提取模型的训练方法和装置。
背景技术
医学影像序列是由多个二维切片(slice)组成,数量一般在百级别。通常而言,一次医学影像扫描不仅包含了所关注的部位,往往还包含有其它身体部位。但在扫描生成的医学影像序列中的部位标签中,通常只会填写当前扫描所关注的部位,而不会对每张切片所属的身体部位进行标注。由于不知道关注部位的起始位置和结束位置,阅片人员就需要从头翻看所有的切片来确定与关注部位相关的所有切片。因此,如何对医学影像序列中的医学影像(即切片)进行分类,是本领域技术人员亟需解决的问题。
发明内容
本申请要解决的技术问题是提供一种医学影像分类方法、装置、系统和计算机可读介质,以及一种序列特征提取模型的训练方法和装置,能够对医学影像序列中的医学影像进行分类。
为解决上述技术问题,本申请提供了一种医学影像分类方法,包括:获取待分类的医学影像序列,其中医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张医学影像和元信息说明文件;根据元信息说明文件确定多张医学影像在扫描方向的位置坐标并对多张医学影像进行排序;对每张医学影像进行图像特征提取,并得到医学影像序列的图像特征向量序列;采用预设序列特征提取模型对图像特征向量序列进行序列特征提取,并得到序列特征向量序列,序列特征向量序列中的每个序列特征向量与扫描方向上的相邻序列特征向量具有在扫描方向上的相关性;以及根据序列特征向量序列对多张医学影像进行分类处理,并得到每张医学影像的分类结果。
可选地,该方法还包括:对医学影像序列进行预处理。
可选地,对医学影像序列进行预处理包括:对医学影像序列进行归一化处理;和/或对医学影像序列进行样条插值处理。
可选地,对每张医学影像进行图像特征提取,并得到医学影像序列的图像特征向量序列是采用基于卷积神经网络的图像特征提取模型。
可选地,预设序列特征提取模型为基于递归神经网络的序列特征提取模型。
可选地,基于递归神经网络的序列特征提取模型为双向长短期记忆网络模型。
可选地,对序列特征向量序列进行分类处理,并得到分类结果是采用全连接分类网络模型。
可选地,序列特征向量序列中的每个序列特征向量与相邻序列特征向量具有相关性。
可选地,分类结果为身体部位。
为解决上述技术问题,本申请还提供了一种序列特征提取模型的训练方法,包括:获取样本医学影像序列,其中样本医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张样本医学影像和元信息说明文件;根据元信息说明文件确定多张样本医学影像在扫描方向的位置坐标并对多张样本医学影像进行排序;对每张样本医学影像进行图像特征提取,并得到医学影像序列的图像特征向量序列;采用序列特征提取模型对图像特征向量序列进行序列特征提取,并得到序列特征向量序列,序列特征向量序列中的每个序列特征向量与扫描方向上的相邻序列特征向量具有在扫描方向上的相关性;根据序列特征向量序列对多张样本医学影像进行分类处理,并得到每张医学影像的分类结果;以及根据分类结果与样本医学影像序列的标注类别,调整序列特征提取模型的参数。
为解决上述技术问题,本申请还提供了一种医学影像分类装置,包括:获取模块,用于获取待分类的医学影像序列,其中医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张医学影像和元信息说明文件;排序模块,用于根据元信息说明文件确定多张医学影像在扫描方向的位置坐标并对多张医学影像进行排序;图像特征提取模块,用于对每张医学影像进行图像特征提取,并得到医学影像序列的图像特征向量序列;序列特征提取模型,用于对图像特征向量序列进行序列特征提取,并得到序列特征向量序列,序列特征向量序列中的每个序列特征向量与扫描方向上的相邻序列特征向量具有在扫描方向上的相关性;以及分类模块,用于根据序列特征向量序列对多张医学影像进行分类处理,并得到每张医学影像的分类结果。
可选地,序列特征提取模型为基于递归神经网络的序列特征提取模型。
可选地,基于递归神经网络的序列特征提取模型为双向长短期记忆网络模型。
为解决上述技术问题,本申请还提供了一种序列特征提取模型的训练装置,包括:获取模块,用于获取样本医学影像序列,其中样本医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张样本医学影像和元信息说明文件;排序模块,用于根据元信息说明文件确定多张样本医学影像在扫描方向的位置坐标并对多张样本医学影像进行排序;图像特征提取模块,用于对每张样本医学影像进行图像特征提取,并得到医学影像序列的图像特征向量序列;序列特征提取模型,用于对多张样本医学影像的图像特征进行序列特征提取,并得到序列特征向量序列,序列特征向量序列中的每个序列特征向量与扫描方向上的相邻序列特征向量具有在扫描方向上的相关性;分类模块,用于根据序列特征向量序列对多张医学影像进行分类处理,并得到每张医学影像的分类结果;以及调整模块,用于根据分类结果与样本医学影像序列的标注类别,调整序列特征提取模型的参数。
为解决上述技术问题,本申请还提供了一种医学影像分类系统,包括:存储器,用于存储可由处理器执行的指令;以及处理器,用于执行所述指令以实现如上所述的医学影像分类方法。
为解决上述技术问题,本申请还提供了一种存储有计算机程序代码的计算机可读介质,所述计算机程序代码在由处理器执行时实现如上所述的医学影像分类方法。
与现有技术相比,本申请通过根据医学影像的位置坐标对医学影像进行排序,以及对图像特征向量序列进行序列特征提取,能够显著提高医学影像的分类准确率。
附图说明
包括附图是为提供对本申请进一步的理解,它们被收录并构成本申请的一部分,附图示出了本申请的实施例,并与本说明书一起起到解释本申请原理的作用。附图中:
图1示出了根据本申请一实施例的医学影像分类方法的流程示意图。
图2示出了根据本申请一实施例的医学影像分类装置的框图。
图3示出了根据本申请一实施例的序列特征提取模型的训练方法的框图。
图4示出了根据本申请一实施例的序列特征提取模型的训练装置的框图。
图5示出了根据本申请一实施例示出的医学影像分类系统的系统框图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。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来讲,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。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各种步骤。同时,或将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本申请提供了一种医学影像分类方法。图1示出了根据本申请一实施例的医学影像分类方法的流程示意图。如图1所示,该医学影像分类方法包括以下步骤:
步骤101,获取待分类的医学影像序列,其中医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张医学影像和元信息说明文件;
步骤102,根据元信息说明文件确定多张医学影像在扫描方向的位置坐标并对多张医学影像进行排序;
步骤103,对每张医学影像进行图像特征提取,并得到医学影像序列的图像特征向量序列,序列特征向量序列中的每个序列特征向量与扫描方向上的相邻序列特征向量具有在扫描方向上的相关性;
步骤104,采用预设序列特征提取模型对图像特征向量序列进行序列特征提取,并得到序列特征向量序列;以及
步骤105,根据序列特征向量序列对多张医学影像进行分类处理,并得到每张医学影像的分类结果。
在步骤101中,医学影像分类系统获取待分类的医学影像序列。医学影像序列中含有多张未排序的沿着扫描对象在扫描方向上的多个位置的医学影像和元信息说明文件。多张医学影像之间具有在与医学影像所在平面垂直的方向上的位置相关性。元信息说明文件包含各张医学影像在扫描方向上的位置坐标。
医学影像序列可以是以DICOM格式。在一个示例中,医学影像序列可以是CT扫描得到的影像文件序列,其中包含了多张二维切片(即医学影像)。可选地,系统可以对医学影像序列进行预处理,预处理步骤可以在步骤101与步骤102之间进行,也可以在步骤102与步骤103之间进行。可选地,对医学影像序列进行预处理的方式可以包括归一化和/或样条插值。在一个示例中,当医学影像序列为CT影像序列时,系统从医学影像文件中读取所有切片的CT值(又称Housfield Unit值,即HU值)数据,并对CT值进行归一化处理。由于医学影像的厚度和间距(Spacing)是与扫描机器有关,不同的扫描机器会有不同的厚度与间距。通过对医学影像进行样条插值,使得医学影像的单像素所表示的体积被统一为相同标准,例如1立方毫米。
在步骤102中,系统根据元信息说明文件确定多张医学影像在扫描方向的位置坐标并对多张医学影像进行排序。元信息说明文件中包含有各张医学影像的位置坐标信息。通过医学影像在扫描方向的位置坐标,系统能够确定医学影像在医学影像序列中的三维空间顺序,并对医学影像序列中的全部医学影像进行排序。经过排序后,医学影像序列中的每张医学影像的排列顺序与该医学影像在扫描对象中的三维空间顺序一致,从而保证了身体部位在医学影像序列上的连贯性。例如当扫描对象是全身时,排序后的医学影像按照从头到脚的扫描顺序进行排列。
在一个非限制性示例中,医学影像序列为CT影像序列,CT影像序列文件一般可以包含多张医学影像文件和元信息说明文件。通过读取元信息说明文件,系统可以获知各张医学影像文件的ID、大小、位置等信息。其中Image Position(Patient)属性包含了医学影像在以左上角为坐标轴中心的坐标轴中的坐标值(x、y、z)。z坐标值代表垂直于扫描仪器平面方向(即扫描方向)的坐标值。系统根据z坐标值将医学影像序列中的多张医学影像文件的ID进行排序。当系统按照排序结果依次读取医学影像文件时,能够保证医学影像序列中身体部位的连贯性和相关性。
需要注意的是,对多张医学影像进行排序不影响单张医学影像经图像特征提取得到的图像特征向量。因此,步骤102可以在步骤103之前进行,也可以在步骤103之后步骤104之前进行,本申请对此不作限定。
在步骤103中,系统对每张医学影像进行图像特征提取,得到每张医学影像的图像特征向量。医学影像序列中的全部医学影像的图像特征向量共同构成了图像特征向量序列。可选地,系统可以采用基于卷积神经网络(CNN)的图像特征提取模型对每张医学影像进行图像特征提取。基于卷积神经网络(CNN)的图像特征提取模型中可以包含多个卷积神经网络模块。每个卷积神经网络模块包括卷积神经网络。每个卷积神经网络模块还可以包括以下的一项或多项:最大池化(Max Pooling)层、修正线性单元(Rectified Linear Unit,ReLU)和批量标准化(Batch Normalization)层。
在步骤104中,系统采用预设序列特征提取模型对图像特征向量序列进行序列特征提取,并得到序列特征向量序列,序列特征向量序列中的每个序列特征向量与扫描方向上的相邻序列特征向量具有在扫描方向上的相关性。其中,预设序列特征提取模型可以由标注了分类结果的样本医学影像的序列特征向量序列训练而成。由于在步骤102中,系统已根据位置坐标对医学影像序列中的医学影像进行排序,那么属于相同部位的医学影像会有序地聚集在一起。在序列特征提取过程中,序列特征提取模型能够从左往右和/或从右往左提取序列特征,然后再生成新的序列特征向量。与由当前医学影像直接得到的图像特征向量相比,序列特征向量还会与相邻医学影像的图像特征向量相关。也就是说,序列特征向量序列中的每个序列特征向量与相邻序列特征向量具有相关性。由于系统需要整体考虑医学影像序列中各张医学图像的分类结果,而不是将医学影像序列中的单张医学影像孤立地进行图像分类,所以需要利用预设序列特征提取模型来提取多张医学影像在三维空间顺序上的相关性。这样一来,系统在对具体的单张医学影像进行分类时,不仅可以参考单张医学影像本身的特征,同时也可以参考在三维空间上与该张医学影像相邻的其它医学影像的特征,从而显著降低分类器做出显著错误的分类结果的可能性。因此,使用经过序列特征提取后的序列特征向量进行分类时,能够考虑医学影像序列中各医学影像的相关性和序列的局部特征,从而得到更准确的分类结果。
可选地,预设序列特征提取模型可以为基于递归神经网络(RNN)的序列特征提取模型,例如长短期记忆网络(Long Short-Term Memory,LSTM)模型,也可以是自注意力(Self-Attention)模型等其它模型。LSTM包含三类门控制单元和一个记忆模块,其中三类门控制单元为输入门(Input Gate)、忘记门(Forget Gate)和输出门(Output Gate)。记忆模块负责记忆过往的历史,忘记门负责选择性忘记部分历史,这样的机制使得LSTM能够发现序列的局部相关性。由于相邻医学影像的相关性很强,因此经过LSTM提取的序列特征能显著提高分类准确率。
优选地,基于递归神经网络的序列特征提取模型为双向长短期记忆网络(Bidirectional Long Short-Term Memory,Bi-LSTM)模型。双向LSTM模型主要由两个单向LSTM组成,两个单向LSTM分别从左往右和从右往左提取序列特征,最后将二者提取的特征向量进行拼接作为整体的序列特征向量。与单向LSTM模型相比,双向LSTM模型能够从两个方向进行提取序列特征,因此能够进一步地提高分类准确率。
在步骤105中,系统根据序列特征向量序列对多张医学影像进行分类处理,并得到每张医学影像的分类结果。可选地,分类结果可以是该张医学影像所属的身体部位。在一个示例中,将身体部位分为七类,包括脑部、鼻咽部、颈部、胸部、腹部、盆腔和下肢。在两个身体部位交界的切片(即单张医学影像)可能存在两个身体部位,因此分类结果可以划分为13个类别:仅脑部、脑部鼻咽部、仅鼻咽部、鼻咽部颈部、仅颈部、颈部胸部、仅胸部、胸部腹部、仅腹部、腹部盆腔、仅盆腔、盆腔下肢、仅下肢。鉴于身体部位的连贯性,不会出现单张切片包含三个及以上身体部位的情况。
可选地,系统采用全连接分类网络模型对序列特征向量序列进行分类处理,并得到分类结果。在一个示例中,全连接层将序列特征向量映射到字典维度,并取最大分类值对应的索引作为类别编号,即得到分类结果。系统还可以采用其它分类器来进行分类处理,例如支持向量机(SVM)和分类树等,本申请对此不作限定。
综上所述,本申请实施例的医学影像分类方法通过根据医学影像的位置坐标对医学影像进行排序,以及对图像特征向量序列进行序列特征提取,能够显著提高医学影像的分类准确率。
本申请还提供了一种医学影像分类装置。图2示出了根据本申请一实施例的医学影像分类装置的框图。如图2所示,该医学影像分类装置200包括获取模块201、排序模块202、图像特征提取模块203、序列特征提取模型204以及分类模块205。获取模块201用于获取待分类的医学影像序列,其中医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张医学影像和元信息说明文件。排序模块202用于根据元信息说明文件确定多张医学影像在扫描方向的位置坐标并对多张医学影像进行排序。图像特征提取模块203用于对每张医学影像进行图像特征提取,并得到医学影像序列的图像特征向量序列。序列特征提取模型204用于对图像特征向量序列进行序列特征提取,并得到序列特征向量序列。序列特征向量序列中的每个序列特征向量与扫描方向上的相邻序列特征向量具有在扫描方向上的相关性。分类模块205用于根据序列特征向量序列对多张医学影像进行分类处理,并得到每张医学影像的分类结果。
可选地,序列特征提取模型204可以为基于递归神经网络的序列特征提取模型。进一步地,序列特征提取模型204可以为双向长短期记忆网络模型。
本申请实施例的医学影像分类装置中模块201-205所执行的功能可以参考前述实施例中的相应步骤101-105,在此不再展开描述。
本申请还提供了一种序列特征提取模型的训练方法。图3示出了根据本申请一实施例的序列特征提取模型的训练方法的框图。如图3所示,该序列特征提取模型的训练方法包括以下步骤:
步骤301,获取样本医学影像序列,其中样本医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张样本医学影像和元信息说明文件;
步骤302,根据元信息说明文件确定多张样本医学影像在扫描方向的位置坐标并对多张样本医学影像进行排序;
步骤303,对每张样本医学影像进行图像特征提取,并得到医学影像序列的图像特征向量序列;
步骤304,采用序列特征提取模型对图像特征向量序列进行序列特征提取,并得到序列特征向量序列,序列特征向量序列中的每个序列特征向量与扫描方向上的相邻序列特征向量具有在扫描方向上的相关性;
步骤305,根据序列特征向量序列对多张样本医学影像进行分类处理,并得到每张医学影像的分类结果;以及
步骤306,根据分类结果与样本医学影像序列的标注类别,调整序列特征提取模型的参数。
在步骤301中,系统获取样本医学影像序列,其中样本医学影像序列包含多张沿着扫描对象在扫描方向上的多个位置的样本医学影像和元信息说明文件。样本医学影像序列是用于模型训练的医学影像序列,每张样本医学影像的分类类别已经被预先标注。样本医学影像的其他说明内容可以参考前述实施例的步骤101中对医学影像序列和医学影像的相应说明,在此不再展开描述。
在步骤302中,系统根据元信息说明文件确定多张样本医学影像在扫描方向的位置坐标并对多张样本医学影像进行排序。
在步骤303中,系统对每张样本医学影像进行图像特征提取,并得到医学影像序列的图像特征向量序列。
在步骤304中,系统采用序列特征提取模型对图像特征向量序列进行序列特征提取,并得到序列特征向量序列,序列特征向量序列中的每个序列特征向量与扫描方向上的相邻序列特征向量具有在扫描方向上的相关性。
在步骤305中,系统根据序列特征向量序列对多张样本医学影像进行分类处理,并得到每张医学影像的分类结果。
步骤302-305的说明可参考前述图1实施例的步骤102-105中对医学影像序列和医学影像的相应说明,在此不再展开描述。
在步骤306中,系统根据分类结果与样本医学影像序列的标注类别对序列特征提取模型进行参数调整。系统可以使用概率分布归一化函数来归一化分类结果的概率分布,然后与有样本医学影像序列的标注类别得到的真实分布进行计算得到交叉熵损失。系统根据交叉熵损失结果对序列特征提取模型进行参数调整以提高序列特征提取模型的序列特征提取准确性。
本申请还提供了一种序列特征提取模型的训练装置。图4示出了根据本申请一实施例的序列特征提取模型的训练装置的框图。如图4所示,该序列特征提取模型的训练装置400包括获取模块401、排序模块402、图像特征提取模块403、序列特征提取模型404、分类模块405以及调整模块406。其中,获取模块401用于获取样本医学影像序列,样本医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张样本医学影像和元信息说明文件。排序模块402用于根据元信息说明文件确定多张样本医学影像在扫描方向的位置坐标并对多张样本医学影像进行排序。图像特征提取模块403用于对每张样本医学影像进行图像特征提取,并得到医学影像序列的图像特征向量序列。序列特征提取模型404用于对多张样本医学影像的图像特征进行序列特征提取,并得到序列特征向量序列,序列特征向量序列中的每个序列特征向量与扫描方向上的相邻序列特征向量具有在扫描方向上的相关性。分类模块405用于根据序列特征向量序列对多张医学影像进行分类处理,并得到每张医学影像的分类结果。调整模块406用于根据分类结果与样本医学影像序列的标注类别,调整序列特征提取模型的参数。
本申请实施例的序列特征提取模型的训练装置中模块401-406所执行的功能可以参考前述图3实施例中的相应步骤301-306,在此不再展开描述。
本申请还提供了一种医学影像分类系统,包括:存储器,用于存储可由处理器执行的指令;以及处理器,用于执行所述指令以实现如上所述的医学影像分类方法。
图5示出了根据本申请一实施例示出的医学影像分类系统的系统框图。医学影像分类系统500可包括内部通信总线501、处理器(Processor)502、只读存储器(ROM)503、随机存取存储器(RAM)504、以及通信端口505。当应用在个人计算机上时,医学影像分类系统还可以包括硬盘507。内部通信总线501可以实现医学影像分类系统500组件间的数据通信。处理器502可以进行判断和发出提示。在一些实施例中,处理器502可以由一个或多个处理器组成。通信端口505可以实现医学影像分类系统500与外部的数据通信。在一些实施例中,医学影像分类系统500可以通过通信端口505从网络发送和接受信息及数据。医学影像分类系统500还可以包括不同形式的程序储存单元以及数据储存单元,例如硬盘507,只读存储器(ROM)503和随机存取存储器(RAM)504,能够存储计算机处理和/或通信使用的各种数据文件,以及处理器502所执行的可能的程序指令。处理器执行这些指令以实现方法的主要部分。处理器处理的结果通过通信端口传给用户设备,在用户界面上显示。
上述的医学影像分类方法可以实施为计算机程序,保存在硬盘507中,并可记载到处理器502中执行,以实施本申请的医学影像分类方法。
本申请还提供了一种存储有计算机程序代码的计算机可读介质,所述计算机程序代码在由处理器执行时实现如上所述的医学影像分类方法。
医学影像分类方法实施为计算机程序时,也可以存储在计算机可读存储介质中作为制品。例如,计算机可读存储介质可以包括但不限于磁存储设备(例如,硬盘、软盘、磁条)、光盘(例如,压缩盘(CD)、数字多功能盘(DVD))、智能卡和闪存设备(例如,电可擦除可编程只读存储器(EPROM)、卡、棒、键驱动)。此外,本文描述的各种存储介质能代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于能存储、包含和/或承载代码和/或指令和/或数据的无线信道和各种其它介质(和/或存储介质)。
应该理解,上文所描述的实施例仅是示意。本文描述的实施例可在硬件、软件、固件、中间件、微码或者其任意组合中实现。对于硬件实现,处理单元可以在一个或者多个特定用途集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器和/或设计为执行本文所述功能的其它电子单元或者其结合内实现。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述申请披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示例性实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
本申请的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。例如,计算机可读介质可包括,但不限于,磁性存储设备(例如,硬盘、软盘、磁带……)、光盘(例如,压缩盘CD、数字多功能盘DVD……)、智能卡以及闪存设备(例如,卡、棒、键驱动器……)。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个申请实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
虽然本申请已参照当前的具体实施例来描述,但是本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本申请,在没有脱离本申请精神的情况下还可作出各种等效的变化或替换,因此,只要在本申请的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
Claims (15)
1.一种医学影像分类方法,包括:
获取待分类的医学影像序列,其中所述医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张医学影像和元信息说明文件;
根据所述元信息说明文件确定所述多张医学影像在所述扫描方向的位置坐标并对所述多张医学影像进行排序;
对每张所述医学影像进行图像特征提取,并得到所述医学影像序列的图像特征向量序列;
采用预设序列特征提取模型对所述图像特征向量序列进行序列特征提取,并得到序列特征向量序列,所述序列特征向量序列中的每个序列特征向量与所述扫描方向上的相邻序列特征向量具有在所述扫描方向上的相关性;以及
根据所述序列特征向量序列对所述多张医学影像进行分类处理,并得到每张医学影像的分类结果。
2.如权利要求1所述的方法,其特征在于,还包括:
对所述医学影像序列进行预处理。
3.如权利要求2所述的方法,其特征在于,所述对所述医学影像序列进行预处理包括:
当所述医学影像序列进行归一化处理;和/或
对所述医学影像序列进行样条插值处理。
4.如权利要求1所述的方法,其特征在于,所述对每张所述医学影像进行图像特征提取,并得到所述医学影像序列的图像特征向量序列是采用基于卷积神经网络的图像特征提取模型。
5.如权利要求1所述的方法,其特征在于,所述预设序列特征提取模型为基于递归神经网络的序列特征提取模型。
6.如权利要求5所述的方法,其特征在于,所述基于递归神经网络的序列特征提取模型为双向长短期记忆网络模型。
7.如权利要求1所述的方法,其特征在于,所述对所述序列特征向量序列进行分类处理,并得到分类结果是采用全连接分类网络模型。
8.如权利要求1所述的方法,其特征在于,所述分类结果为身体部位。
9.一种序列特征提取模型的训练方法,包括:
获取样本医学影像序列,其中所述样本医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张样本医学影像和元信息说明文件;
根据所述元信息说明文件确定所述多张样本医学影像在所述扫描方向的位置坐标并对所述多张样本医学影像进行排序;
对每张所述样本医学影像进行图像特征提取,并得到所述医学影像序列的图像特征向量序列;
采用序列特征提取模型对所述图像特征向量序列进行序列特征提取,并得到序列特征向量序列,所述序列特征向量序列中的每个序列特征向量与所述扫描方向上的相邻序列特征向量具有在所述扫描方向上的相关性;
根据所述序列特征向量序列对所述多张样本医学影像进行分类处理,并得到每张医学影像的分类结果;以及
根据所述分类结果与所述样本医学影像序列的标注类别,调整所述序列特征提取模型的参数。
10.一种医学影像分类装置,包括:
获取模块,用于获取待分类的医学影像序列,其中所述医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张医学影像和元信息说明文件;
排序模块,用于根据所述元信息说明文件确定所述多张医学影像在所述扫描方向的位置坐标并对所述多张医学影像进行排序;
图像特征提取模块,用于对每张所述医学影像进行图像特征提取,并得到所述医学影像序列的图像特征向量序列;
序列特征提取模型,用于对所述图像特征向量序列进行序列特征提取,并得到序列特征向量序列,所述序列特征向量序列中的每个序列特征向量与所述扫描方向上的相邻序列特征向量具有在所述扫描方向上的相关性;以及
分类模块,用于根据所述序列特征向量序列对所述多张医学影像进行分类处理,并得到每张医学影像的分类结果。
11.如权利要求10所述的装置,其特征在于,所述序列特征提取模型为基于递归神经网络的序列特征提取模型。
12.如权利要求11所述的装置,其特征在于,所述基于递归神经网络的序列特征提取模型为双向长短期记忆网络模型。
13.一种序列特征提取模型的训练装置,包括:
获取模块,用于获取样本医学影像序列,其中所述样本医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张样本医学影像和元信息说明文件;
排序模块,用于根据所述元信息说明文件确定所述多张样本医学影像在所述扫描方向的位置坐标并对所述多张样本医学影像进行排序;
图像特征提取模块,用于对每张所述样本医学影像进行图像特征提取,并得到所述医学影像序列的图像特征向量序列;
序列特征提取模型,用于对所述多张样本医学影像的图像特征进行序列特征提取,并得到序列特征向量序列,所述序列特征向量序列中的每个序列特征向量与所述扫描方向上的相邻序列特征向量具有在所述扫描方向上的相关性;
分类模块,用于根据所述序列特征向量序列对所述多张医学影像进行分类处理,并得到每张医学影像的分类结果;以及
调整模块,用于根据所述分类结果与所述样本医学影像序列的标注类别,调整所述序列特征提取模型的参数。
14.一种医学影像分类系统,包括:
存储器,用于存储可由处理器执行的指令;以及处理器,用于执行所述指令以实现如权利要求1-8任一项所述的方法。
15.一种存储有计算机程序代码的计算机可读介质,所述计算机程序代码在由处理器执行时实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010608293.7A CN111507431B (zh) | 2020-06-30 | 2020-06-30 | 医学影像分类方法、装置、系统和可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010608293.7A CN111507431B (zh) | 2020-06-30 | 2020-06-30 | 医学影像分类方法、装置、系统和可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507431A true CN111507431A (zh) | 2020-08-07 |
CN111507431B CN111507431B (zh) | 2020-10-02 |
Family
ID=71877251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010608293.7A Active CN111507431B (zh) | 2020-06-30 | 2020-06-30 | 医学影像分类方法、装置、系统和可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507431B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112164447A (zh) * | 2020-10-20 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN115512810A (zh) * | 2022-11-17 | 2022-12-23 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种医学影像数据的数据治理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102460444A (zh) * | 2009-06-09 | 2012-05-16 | 皇家飞利浦电子股份有限公司 | 用于对存储的图像进行排序的装置和方法 |
CN106845157A (zh) * | 2017-01-12 | 2017-06-13 | 天津大学 | 一种基于支持向量机排序的有丝分裂事件识别方法 |
CN110969204A (zh) * | 2019-11-29 | 2020-04-07 | 中国科学院自动化研究所 | 基于磁共振图像与数字病理图像融合的样本分类系统 |
CN111340083A (zh) * | 2020-02-20 | 2020-06-26 | 京东方科技集团股份有限公司 | 医学图像的处理方法、装置、设备及存储介质 |
-
2020
- 2020-06-30 CN CN202010608293.7A patent/CN111507431B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102460444A (zh) * | 2009-06-09 | 2012-05-16 | 皇家飞利浦电子股份有限公司 | 用于对存储的图像进行排序的装置和方法 |
CN106845157A (zh) * | 2017-01-12 | 2017-06-13 | 天津大学 | 一种基于支持向量机排序的有丝分裂事件识别方法 |
CN110969204A (zh) * | 2019-11-29 | 2020-04-07 | 中国科学院自动化研究所 | 基于磁共振图像与数字病理图像融合的样本分类系统 |
CN111340083A (zh) * | 2020-02-20 | 2020-06-26 | 京东方科技集团股份有限公司 | 医学图像的处理方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112164447A (zh) * | 2020-10-20 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN115512810A (zh) * | 2022-11-17 | 2022-12-23 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种医学影像数据的数据治理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111507431B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6672371B2 (ja) | 分類器を学習する方法及び装置 | |
EP2948877B1 (en) | Content based image retrieval | |
CN111524582B (zh) | 医学影像信息的加载方法、装置、系统和计算机可读介质 | |
CN108629784A (zh) | 一种基于深度学习的ct图像颅内血管分割方法及系统 | |
CN105144239B (zh) | 图像处理装置、图像处理方法 | |
Hofmanninger et al. | Mapping visual features to semantic profiles for retrieval in medical imaging | |
US10853409B2 (en) | Systems and methods for image search | |
CN111429460A (zh) | 图像分割方法、图像分割模型训练方法、装置和存储介质 | |
CN107958230B (zh) | 人脸表情识别方法及装置 | |
CN111507431B (zh) | 医学影像分类方法、装置、系统和可读介质 | |
CN110796659B (zh) | 一种目标检测结果的鉴别方法、装置、设备及存储介质 | |
CN112633297A (zh) | 目标对象的识别方法、装置、存储介质以及电子装置 | |
CN110246567A (zh) | 一种医学图像预处理方法 | |
US20220301224A1 (en) | Systems and methods for image segmentation | |
CN114358279A (zh) | 图像识别网络模型剪枝方法、装置、设备及存储介质 | |
CN113052236A (zh) | 一种基于NASNet的肺炎图像分类方法 | |
CN110728685B (zh) | 一种基于对角体素的局部二值模式纹理算子的脑组织分割方法 | |
Singh et al. | Ensemble visual content based search and retrieval for natural scene images | |
CN112949728B (zh) | 基于切片图像筛选和特征聚合的mri图像分类方法 | |
Guojuan et al. | HOGG: Gabor and hog-based human detection | |
Wang et al. | Preparing CT imaging datasets for deep learning in lung nodule analysis: Insights from four well-known datasets | |
Younas et al. | An Efficient Methodology for the Classification of Invasive Ductal Carcinoma Using Transfer Learning | |
Ganesan et al. | An approach toward the efficient indexing and retrieval on medical X-ray images | |
Rajalakshmi et al. | Classification of WBC based on Deep Learning using Microscopic Images | |
Mondal et al. | A Novel Mask R-CNN based Approach to Brain Tumour Detection |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 314000 3 storeys, Building 9, Intelligent Industry Innovation Park, 36 Changshengnan Road, Jiaxing Economic and Technological Development Zone, Zhejiang Province Patentee after: Zhejiang Taimei Medical Technology Co., Ltd Address before: 314001 3rd floor, building 9, smart industry innovation park, 36 Changsheng South Road, Jiaxing City, Zhejiang Province Patentee before: MOBILEMD SYSTEM (JIAXING) Co.,Ltd. |