CN111524582A - 医学影像信息的加载方法、装置、系统和计算机可读介质 - Google Patents
医学影像信息的加载方法、装置、系统和计算机可读介质 Download PDFInfo
- Publication number
- CN111524582A CN111524582A CN202010629390.4A CN202010629390A CN111524582A CN 111524582 A CN111524582 A CN 111524582A CN 202010629390 A CN202010629390 A CN 202010629390A CN 111524582 A CN111524582 A CN 111524582A
- Authority
- CN
- China
- Prior art keywords
- sequence
- medical image
- image
- information
- 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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供了一种医学影像信息加载方法、装置、系统和计算机可读介质。该医学影像信息的加载方法:在图像审阅区中加载医学影像序列,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;在医学影像序列加载前或加载过程中预先获取医学影像序列的影像信息,包括:解析医学影像序列以提取标签信息,标签信息包括采集时间、采集模态、扫描层厚和扫描层间距中的一个或多个;确定医学影像序列的轴向范围,轴向与扫描方向一致;以及使用经过训练的神经网络模型识别医学影像序列的扫描部位,作为医学影像序列的扫描部位;提供信息浏览区,信息浏览区独立于图像审阅区;以及在医学影像序列记载前或加载过程中预先在信息浏览区中加载影像信息。
Description
技术领域
本申请主要涉及数据处理领域,尤其涉及医学影像信息的加载方法、装置、系统和计算机可读介质。
背景技术
医学影像浏览器是将医疗影像数据通过数字化的方式呈现,它是医院影像科医生主要使用的阅片软件,可以显示各种医疗影像(CT、MR、DX等)。在医学影像阅片系统的业务场景下,专员需要对上传的大量医学影像信息进行识别,需要对影像模态、影像参数、扫描部位、拍片时间等文本信息进行审核。阅片人也需要部分根据影响信息进行阅片,在大量的影像数据中快速精准地找到需要的影像信息。
目前,以B/S架构建立影像中心,可以在任何接入网络(可以是局域网,也可以是互联网)的设备上从影像中心下载查看医学影像。但是由于医学影像是在互联网的情况下进行传输的,受到带宽制约,加载过程很慢。操作者需要等到医学影像加载完毕后才能阅读医学影像中显示的文本信息。并且,当操作者发现当前加载的医学影像不是所需要的医学影像时,还需要重新查找医学影像,再次等影像加载过程。
发明内容
本申请要解决的技术问题是提供一种医学影像信息的加载方法、装置、系统和计算机可读介质,可以预先提取和/或识别医学影像中的影像信息,并预先加载给操作者查看。
为解决上述技术问题,本申请提供了一种医学影像信息的加载方法,包括以下步骤:在图像审阅区中加载医学影像序列,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;在所述医学影像序列加载前或加载过程中预先获取所述医学影像序列的影像信息,包括:解析所述医学影像序列以提取标签信息,所述标签信息包括采集时间、采集模态、扫描层厚和扫描层间距中的一个或多个;确定所述医学影像序列的轴向范围,所述轴向与所述扫描方向一致;以及使用经过训练的神经网络模型识别所述医学影像序列的扫描部位,作为所述医学影像序列的扫描部位;提供信息浏览区,所述信息浏览区独立于所述图像审阅区;以及在所述医学影像序列加载前或加载过程中预先在所述信息浏览区中加载所述影像信息。
在本发明的一实施例中,确定所述医学影像序列的轴向范围的步骤包括:将所述医学影像序列按照所述扫描方向进行排序;提取所述医学影像序列头端和尾端的医学影像位置坐标;以及根据所述医学影像位置坐标计算所述轴向范围。
在本发明的一实施例中,上述方法还包括:提供影像浏览区,所述影像浏览区与所述信息浏览区重叠;响应于对影像浏览栏的选取,呈现所述影像浏览区而隐藏所述信息浏览区;以及响应于对信息浏览栏的选取,呈现所述信息浏览区而隐藏所述影像浏览区。
在本发明的一实施例中,预先在所述信息浏览栏中加载多个医学影像序列的影像信息。
在本发明的一实施例中,在加载所述医学影像序列的过程中预先获取所述医学影像序列的影像信息的步骤还包括:为所述医学影像序列赋予编号。
在本发明的一实施例中,所述神经网络模型基于序列特征向量序列对所述医学影像序列的多张医学影像进行扫描部位识别,其中所述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所述扫描方向上的相关性。
在本发明的一实施例中,获取所述序列特征向量序列的步骤包括:获取所述医学影像序列的元信息说明文件;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;以及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,并得到所述序列特征向量序列。
在本发明的一实施例中,所述对各个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。
在本发明的一实施例中,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。
在本发明的一实施例中,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。
在本发明的一实施例中,所述对所述序列特征向量序列进行扫描部位识别是采用全连接分类网络模型。
本发明还提出一种医学影像信息的加载装置,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方法。
本发明还提出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方法。
与现有技术相比,本申请的医学影像序列的影像信息的加载方法,能够让阅片人在图像未加载完全前提前准确了解影像信息。并且利用这些信息,可以快速定位自己需要查找的影像。影像信息的呈现方式通过独立的影像信息浏览区呈现,非常直观全面,方便查看。因此,本申请提高了影像审核人员的阅片效率。
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信息加载方法的流程示意图。
图2A、2B示出了根据本申请一实施例的医学影像信息加载方法的阅片示例性界面。
图3示出了根据本申请一实施例的信息浏览区的示意图。
图4示出了根据本申请一实施例的扫描部位识别方法流程示意图。
图5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流程示意图。
图6示出了根据本申请一实施例示出的医学影像信息的加载系统的系统框图。
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。
本发明的实施例描述医学影像信息加载方法。图1示出了根据本申请一实施例的医学影像信息加载方法的流程示意图。下面参考图1描述本实施例的流程。
在步骤101,在图像审阅区中加载医学影像序列。
在此,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。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)。在其他示例中,医学影像序列可以是PET扫描得到得到的影像文件序列。在此,扫描方向通常是沿着扫描对象的轴向进行的扫描。以人体为例,扫描方向可以是从头到脚的方向,或者相反。
参考图2A所示,在医学影像的阅片界面200中,包括图像审阅区210和影像浏览区220。图像审阅区210用于显示医学影像序列。影像浏览区220用于显示一个或多个医学影像序列的缩略图221。当用户在影像浏览区220选择某个缩略图221时,会在图像审阅区210加载对应的医学影像序列。医学影像序列的加载是一个较长的过程。
在步骤102,在医学影像序列加载前或加载过程中预先获取医学影像序列的影像信息。
常规上,医学影像序列的所有影像信息会随着加载完成的医学影像序列,显示在图像审阅区210。显示结果如图2A中医学影像的四个角落所示。但这意味着需要等到医学影像序列加载完成后,用户才能看到影像信息。而且这一方式显示的影像信息较为杂乱。在此步骤中,会在加载医学影像序列前或加载过程中,在后台获取医学影像序列的影像信息。影像信息可包括采集时间、采集模态、扫描部位、扫描层厚、扫描层间距、轴向范围等。可以理解,影像信息可以包括更多信息,也可以包括更少的信息,例如只包括前文罗列的信息中的一部分。步骤102可进一步包括如下步骤。
在步骤102a,解析医学影像序列以提取标签信息,标签信息包括采集时间、采集模态、扫描层厚和扫描层间距中的一个或多个。
DICOM格式的医学影像中,会包含标签(Tag)信息,本步骤可以解析标签信息,并从中提取采集时间、采集模态、扫描层厚和扫描层间距等。
在步骤102b,确定医学影像序列的轴向范围,轴向与扫描方向一致。
医学影像序列的轴向范围可以反映医学影像序列在轴向上的长度,因此对于影像质量审核中的阅片是非常有用的。
在此步骤中,将医学影像序列按照扫描方向进行排序,再提取医学影像序列头端和尾端的医学影像位置坐标,然后根据医学影像位置坐标计算轴向范围。
在步骤102c,使用经过训练的神经网络模型识别医学影像序列的扫描部位,作为医学影像序列的扫描部位。
医学影像的扫描部位是扫描对象在轴向上的部位分类。以人体为例,在一个示例中,将身体部位分为7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,因此在另一个示例中,身体部位可以更细致地划分为13类: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。
一个医学影像序列包括多张医学影像,因此这些医学影像的扫描部位总和,将作为医学影像序列的扫描部位。例如,医学影像序列的一些医学影像的扫描部位是颈部,一些是胸部,则医学影像序列的扫描部位是颈部和胸部。再例如,医学影像序列的一些医学影像的扫描部位是脑部,一些是鼻咽部,一些是颈部,一些是胸部,一些是腹部,则医学影像序列的扫描部位是脑部-腹部。
医学影像序列的标签信息中可能包含扫描部位的信息。然而,本申请的发明人发现这一扫描部位的信息只是在配置医学影像序列的扫描时所设定的信息,并不一定反映实际的扫描部位,从而极可能给质量审核人员带来误导。在本实施例中,使用经过训练的神经网络模型来动态地识别医学影像序列中的扫描部位,从而准确地获得医学影像序列的扫描部位。神经网络模型基于序列特征向量序列对医学影像序列的多张医学影像进行扫描部位识别。在此,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。这一方式能够考虑序列中各医学影像的相关性和序列的局部特征,从而得到更准确的识别结果,后文将参考图4描述扫描部位识别过程。
在步骤103,提供独立于图像审阅区的信息浏览区。
如图2B所示,在此步骤中,提供信息浏览区230。信息浏览区230位于图像审阅区210左侧,且独立于图像审阅区210。信息浏览区230中可包含多个医学影像序列的浏览子区231。
在本发明的实施例中,影像浏览区220与信息浏览区230重叠。另外,配置了影像浏览栏222和信息浏览栏232。响应于对影像浏览栏222的选取,阅片界面200可呈现影像浏览区220而隐藏信息浏览区230,如图2A所示。响应于对信息浏览栏230的选取,呈现信息浏览区230而隐藏影像浏览区220。
在步骤104,在医学影像序列加载前或加载过程中预先在信息浏览栏中加载影像信息。
在此步骤中,可将步骤102所获得的影像信息,加载在步骤103的信息浏览区230中。加载的影像信息如图2B和图3所示。影像信息可包括编号、类型、张数、模态、部位、层距、层厚、轴向范围等。还可以包括、拍片时间(即采集时间)和上传时间。在此,可以为医学影像序列赋予编号,例如1.1,1.2,1.3等,方便迅速确定需要阅片的影像。另外,属于同一研究编号(study ID)的医学影像序列可以放在一起。这些信息可供质量审核人员可以提前了解上传的影像是否符合影像手册要求。例如,拍片时间可以用来判断图像是否超窗,部位可以查看影像是否有缺失,张数、层距和轴向范围结合可以查看影像序列是否缺少一张或几张影像。
继续参考图2B所示,多个医学影像序列的影像信息都可以预先在信息浏览区320中加载,而无论医学影像序列的影像是否要被或正被加载到图像审阅区210。
本实施例的影像信息的加载方法,能够让阅片人在图像未加载完全前提前准确了解影像信息。并且利用这些信息,可以快速定位自己需要查找的影像。影像信息的呈现方式非常直观全面,方便查看。因此,本实施例的方法提高了影像审核人员的阅片效率。
图4示出了根据本申请一实施例的扫描部位识别方法的流程示意图。如图4所示,该医学影像扫描部位识别方法包括以下步骤:
在步骤401,获取医学影像序列的元信息说明文件。
医学影像序列中除了包含多张医学影像外,还包含元信息说明文件。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。
在步骤402,根据元信息说明文件确定多张医学影像在所述扫描方向的位置坐标,并对多张医学影像进行排序。
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扫描顺序,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扫描顺序一致,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。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。
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401与步骤402之间进行,也可以在步骤402与下述的步骤403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403,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。
在此步骤中,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。
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402可以在步骤403之前进行,也可以在步骤403之后步骤404之前进行,本申请对此不作限定。
在步骤404,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(即部位识别结果)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402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部位识别结果,而不是将医学影像序列中的单张医学影像孤立地进行部位识别,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部位识别时,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405,基于序列特征向量序列对医学影像序列的多张医学影像进行扫描部位识别。
如前文所述,在一个示例中,将身体部位分为7类,包括脑部、鼻咽部、颈部、胸部、腹部、盆腔和下肢。在另一个示例中,身体部位可以更细致地划分为13类: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。
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。
在步骤406,将各医学影像的扫描部位总和作为医学影像序列的扫描部位。
本实施例的扫描部位识别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扫描部位识别准确率。
图5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5所示,该序列特征提取模型的训练方法包括以下步骤:
步骤501,获取样本医学影像序列,其中样本医学影像序列包含多张样本医学影像。
在步骤501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样本医学影像。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401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。
步骤502,根据多张样本医学影像的位置坐标对多张样本医学影像进行排序。
步骤503,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504,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。
步骤505,根据序列特征向量序列对多张样本医学影像进行扫描部位识别处理,并得到扫描部位识别结果。
步骤506,根据扫描部位识别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。
步骤502-505的说明可参考前述图4实施例的步骤402-405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506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医学影像信息的加载装置,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信息的记载方法。
图6示出了根据本申请一实施例示出的医学影像信息的加载装置的系统框图。医学影像信息的加载装置600可包括内部通信总线601、处理器(Processor)602、只读存储器(ROM)603、随机存取存储器(RAM)604、以及通信端口605。当应用在个人计算机上时,医学影像信息的加载装置还可以包括硬盘607。内部通信总线601可以实现医学影像信息的加载装置600组件间的数据通信。处理器602可以进行判断和发出提示。在一些实施例中,处理器602可以由一个或多个处理器组成。通信端口605可以实现医学影像信息的加载装置600与外部的数据通信。在一些实施例中,医学影像信息的加载装置600可以通过通信端口605从网络发送和接受信息及数据。医学影像信息的加载装置600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607,只读存储器(ROM)603和随机存取存储器(RAM)604,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602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。
上述的医学影像信息的加载方法可以实施为计算机程序,保存在硬盘607中,并可记载到处理器602中执行,以实施本申请的医学影像信息的加载方法。
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信息的加载方法。
医学影像信息的加载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 (13)
1.一种医学影像信息的加载方法,包括以下步骤:
在图像审阅区中加载医学影像序列,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;
在所述医学影像序列加载前或加载过程中预先获取所述医学影像序列的影像信息,包括:解析所述医学影像序列以提取标签信息,所述标签信息包括采集时间、采集模态、扫描层厚和扫描层间距中的一个或多个;确定所述医学影像序列的轴向范围,所述轴向与所述扫描方向一致;以及使用经过训练的神经网络模型识别所述医学影像序列的扫描部位,作为所述医学影像序列的扫描部位;
提供信息浏览区,所述信息浏览区独立于所述图像审阅区;以及
在所述医学影像序列加载前或加载过程中预先在所述信息浏览区中加载所述影像信息。
2.如权利要求1所述的方法,其特征在于,确定所述医学影像序列的轴向范围的步骤包括:
将所述医学影像序列按照所述扫描方向进行排序;
提取所述医学影像序列头端和尾端的医学影像位置坐标;以及
根据所述医学影像位置坐标计算所述轴向范围。
3.如权利要求1所述的方法,其特征在于,还包括:
提供影像浏览区,所述影像浏览区与所述信息浏览区重叠;
响应于对影像浏览栏的选取,呈现所述影像浏览区而隐藏所述信息浏览区;以及
响应于对信息浏览栏的选取,呈现所述信息浏览区而隐藏所述影像浏览区。
4.如权利要求1所述的方法,其特征在于,预先在所述信息浏览栏中加载多个医学影像序列的影像信息。
5.如权利要求1或4所述的方法,其特征在于,在加载所述医学影像序列的过程中预先获取所述医学影像序列的影像信息的步骤还包括:为所述医学影像序列赋予编号。
6.如权利要求1所述的方法,其特征在于,所述神经网络模型基于序列特征向量序列对所述医学影像序列的多张医学影像进行扫描部位识别,其中所述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所述扫描方向上的相关性。
7.如权利要求6所述的方法,其特征在于,获取所述序列特征向量序列的步骤包括:
获取所述医学影像序列的元信息说明文件;
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,并得到所述序列特征向量序列。
8.如权利要求7所述的方法,其特征在于,所述对各个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。
9.如权利要求7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。
10.如权利要求7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。
11.如权利要求6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扫描部位识别是采用全连接分类网络模型。
12.一种医学影像信息的加载装置,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1-11任一项所述的方法。
13.一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1-11任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010629390.4A CN111524582B (zh) | 2020-07-03 | 2020-07-03 | 医学影像信息的加载方法、装置、系统和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010629390.4A CN111524582B (zh) | 2020-07-03 | 2020-07-03 | 医学影像信息的加载方法、装置、系统和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111524582A true CN111524582A (zh) | 2020-08-11 |
CN111524582B CN111524582B (zh) | 2020-10-20 |
Family
ID=71910074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010629390.4A Active CN111524582B (zh) | 2020-07-03 | 2020-07-03 | 医学影像信息的加载方法、装置、系统和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111524582B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065017A (zh) * | 2021-03-30 | 2021-07-02 | 上海商汤智能科技有限公司 | 医学图像显示方法及相关装置、设备、存储介质 |
CN113627492A (zh) * | 2021-07-20 | 2021-11-09 | 东软医疗系统股份有限公司 | 扫描对象尺寸的确定方法、扫描方法、装置和电子设备 |
CN113676536A (zh) * | 2021-08-18 | 2021-11-19 | 上海医影数联医疗科技有限公司 | 一种基于医疗影像文件的加速传输控制方法及系统 |
CN114494251A (zh) * | 2022-04-06 | 2022-05-13 | 南昌睿度医疗科技有限公司 | Spect图像处理方法以及相关设备 |
CN114913383A (zh) * | 2022-06-24 | 2022-08-16 | 北京赛迈特锐医疗科技有限公司 | 识别图像序列类型的模型训练方法和配置影像设备的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709240A (zh) * | 2016-12-01 | 2017-05-24 | 彭志勇 | 医学dicom图像显示方法 |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
CN110209970A (zh) * | 2019-05-15 | 2019-09-06 | 武汉联影医疗科技有限公司 | 序列图像显示方法、系统、装置、设备和存储介质 |
CN110853743A (zh) * | 2019-11-15 | 2020-02-28 | 杭州依图医疗技术有限公司 | 医学影像的显示方法、信息处理方法及存储介质 |
-
2020
- 2020-07-03 CN CN202010629390.4A patent/CN111524582B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709240A (zh) * | 2016-12-01 | 2017-05-24 | 彭志勇 | 医学dicom图像显示方法 |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
CN110209970A (zh) * | 2019-05-15 | 2019-09-06 | 武汉联影医疗科技有限公司 | 序列图像显示方法、系统、装置、设备和存储介质 |
CN110853743A (zh) * | 2019-11-15 | 2020-02-28 | 杭州依图医疗技术有限公司 | 医学影像的显示方法、信息处理方法及存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065017A (zh) * | 2021-03-30 | 2021-07-02 | 上海商汤智能科技有限公司 | 医学图像显示方法及相关装置、设备、存储介质 |
CN113627492A (zh) * | 2021-07-20 | 2021-11-09 | 东软医疗系统股份有限公司 | 扫描对象尺寸的确定方法、扫描方法、装置和电子设备 |
CN113627492B (zh) * | 2021-07-20 | 2024-06-04 | 东软医疗系统股份有限公司 | 扫描对象尺寸的确定方法、扫描方法、装置和电子设备 |
CN113676536A (zh) * | 2021-08-18 | 2021-11-19 | 上海医影数联医疗科技有限公司 | 一种基于医疗影像文件的加速传输控制方法及系统 |
CN113676536B (zh) * | 2021-08-18 | 2024-05-31 | 上海旗云岱嘉医学科技有限公司 | 一种基于医疗影像文件的加速传输控制方法及系统 |
CN114494251A (zh) * | 2022-04-06 | 2022-05-13 | 南昌睿度医疗科技有限公司 | Spect图像处理方法以及相关设备 |
CN114913383A (zh) * | 2022-06-24 | 2022-08-16 | 北京赛迈特锐医疗科技有限公司 | 识别图像序列类型的模型训练方法和配置影像设备的方法 |
CN114913383B (zh) * | 2022-06-24 | 2023-06-30 | 北京赛迈特锐医疗科技有限公司 | 识别图像序列类型的模型训练方法和配置影像设备的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111524582B (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Nishimoto et al. | Personal computer-based cephalometric landmark detection with deep learning, using cephalograms on the internet | |
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
EP2888686B1 (en) | Automatic detection and retrieval of prior annotations relevant for an imaging study for efficient viewing and reporting | |
EP2557524A1 (en) | Method for automatic tagging of images in Internet social networks | |
CN109564773B (zh) | 用于自动检测关键图像的系统和方法 | |
US10698981B2 (en) | Automatic detection of medical image acquisition protocol | |
US20090125487A1 (en) | Content based image retrieval system, computer program product, and method of use | |
JP2014016823A (ja) | 画像処理装置及び画像処理方法、プログラム | |
Singh et al. | A Machine Learning Model for Content-Based Image Retrieval | |
Liu et al. | A new robust markerless method for automatic image-to-patient registration in image-guided neurosurgery system | |
CN111507431B (zh) | 医学影像分类方法、装置、系统和可读介质 | |
US20220285011A1 (en) | Document creation support apparatus, document creation support method, and program | |
US10176612B2 (en) | System and method for retrieval of similar findings from a hybrid image dataset | |
Wang et al. | Preparing CT imaging datasets for deep learning in lung nodule analysis: Insights from four well-known datasets | |
US20220375562A1 (en) | Document creation support apparatus, document creation support method, and program | |
US20220415459A1 (en) | Information processing apparatus, information processing method, and information processing program | |
US20220392619A1 (en) | Information processing apparatus, method, and program | |
Bhadoria et al. | Study of Medical Image Retrieval | |
CN113693625B (zh) | 超声成像方法和超声成像设备 | |
EP4327333A1 (en) | Methods and systems for automated follow-up reading of medical image data | |
CN116205929A (zh) | 一种超声融合成像方法及设备、存储介质 | |
WO2016128965A2 (en) | Imaging system of a mammal | |
CN112084889A (zh) | 一种图像行为识别方法、装置、计算设备及存储介质 | |
US20230401822A1 (en) | Systems and methods for medical image analysis and classification |
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. |