CN111599447B - 一种数据处理方法、装置、电子设备及存储介质 - Google Patents
一种数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111599447B CN111599447B CN202010420454.XA CN202010420454A CN111599447B CN 111599447 B CN111599447 B CN 111599447B CN 202010420454 A CN202010420454 A CN 202010420454A CN 111599447 B CN111599447 B CN 111599447B
- Authority
- CN
- China
- Prior art keywords
- data
- processed
- processing
- target object
- historical
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 129
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 13
- 230000001815 facial effect Effects 0.000 claims description 3
- 210000004072 lung Anatomy 0.000 description 15
- 238000002591 computed tomography Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000002597 diffusion-weighted imaging Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 210000004705 lumbosacral region Anatomy 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002586 coronary angiography Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 210000003027 ear inner Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种数据处理方法、装置、电子设备及存储介质，该方法包括：当需要针对目标对象的当前次待处理数据进行处理时，判断是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据；若存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，则基于所述历史数据以及人工智能AI模型对所述当前次待处理数据进行处理。本发明实施例的技术方案，实现了通过参考目标对象的历史数据，提高目标对象当前次待处理数据的处理精度的目的。
Description
技术领域
本发明实施例涉及医学图像处理技术领域，尤其涉及一种数据处理方法、装置、电子设备及存储介质。
背景技术
随着人工智能技术的发展，人工智能被应用到越来越多的领域。例如在医疗领域，人工智能被应用到医疗影像设备的扫描加速以及图像重建、图像降噪、图像增强、图像去伪影等图像处理任务中。
然而，由于患者个体(例如肥胖的患者与消瘦的患者)之间的差异性，如果针对所有患者的扫描数据，均利用统一的AI(Artificial Intelligence，人工智能)模型进行处理，所获得的处理结果精度不高，仍有提升空间。
发明内容
本发明实施例提供一种数据处理方法、装置、电子设备及存储介质，实现了提高数据处理结果精度的目的。
第一方面，本发明实施例提供了一种数据处理方法，该方法包括：
当需要针对目标对象的当前次待处理数据进行处理时，判断是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据；
若存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，则基于所述历史数据以及人工智能AI模型对所述当前次待处理数据进行处理。
第二方面，本发明实施例还提供了一种数据处理装置，该装置包括：
判断模块，用于当需要针对目标对象的当前次待处理数据进行处理时，判断是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据；
处理模块，用于若存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，则基于所述历史数据以及人工智能AI模型对所述当前次待处理数据进行处理。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例任一所述的数据处理方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例任一所述的数据处理方法。
本发明实施例的技术方案，通过当需要针对目标对象的当前次待处理数据进行处理时，判断是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据；若存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，则基于所述历史数据以及人工智能AI模型对所述当前次待处理数据进行处理的技术手段，实现了通过参考目标对象的历史数据，提高目标对象当前次待处理数据的处理精度的目的。
附图说明
结合附图并参考以下具体实施方式，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本发明实施例一所提供的一种数据处理方法流程示意图；
图2为本发明实施例二所提供的一种数据处理方法的流程示意图；
图3为本发明实施例三所提供的一种数据处理方法的流程示意图；
图4为本发明实施例四所提供的一种数据处理装置的结构示意图；
图5为本发明实施例五所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
实施例一
图1为本发明实施例一所提供的一种数据处理方法的流程示意图。该方法可适用于医疗领域，例如基于患者的扫描生数据进行图像重建的过程中，对扫描生数据的处理；图像优化时对待优化图像数据的处理等。本实施例提供的数据处理方法通过参考与当前次待处理数据相关联的历史数据，提高了对当前次待处理处理的处理精度。所述数据处理方法可以由数据处理装置来执行，该装置可以通过软件和/或硬件的形式实现。
如图1所示，本实施例提供的数据处理方法包括如下步骤：
步骤110、当需要针对目标对象的当前次待处理数据进行处理时，判断是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据。
其中，所述目标对象包括接受医学扫描的患者。所述当前次待处理数据包括用于获得重建图像的扫描生数据或者用于进行图像优化的待优化图像数据。所述图像优化例如包括：图像增强、图像降噪、图像去伪影等。
对应的，若当前次待处理数据为用于获得重建图像的扫描生数据，则对当前次待处理数据进行处理具体为基于当前次扫描生数据进行图像重建的处理操作。若当前次待处理数据为待优化图像数据，则对当前次待处理数据进行处理具体为对当前次待优化图像数据进行图像优化的处理操作。所述当前次指针对目标对象的最近一次的医学扫描，例如CT(Computed tomography，计算机断层)扫描；当前次待处理数据指与最近一次的医学扫描所产生的数据相关联的数据，例如具体为最近一次医学扫描产生的扫描生数据，或者基于该扫描生数据获得的、未进行图像优化的重建图像数据。
所述与所述目标对象匹配的，具体是指针对同一被扫描对象的。且与所述当前次待处理数据属于相同类型的历史数据，指的扫描部位相同历史数据。例如当前次待处理数据为针对张三的腰椎进行扫描获得的生数据，则所述历史数据指当前次之前，针对张三的腰椎进行扫描获得的生数据。
示例性的，所述判断是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，包括：
基于对象信息确定是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据；
所述对象信息包括下述至少一种：对象编号、姓名、性别、脸纹信息、指纹信息以及扫描类型。所述类型例如可以是心脏的冠脉造影扫描、腰椎扫描、髋关节扫描以及内耳扫描等。与当前次待处理数据属于相同类型的历史数据指：当前次待处理数据与历史数据均是针对同一患者的相同扫描部位、采用相同的诊疗设备、相同的扫描协议以及相同处理方式获得的数据。所述相同类型指患者相同、扫描部位相同、所采用的扫描设备、扫描协议相同以及采用的成像方法也相同。例如平扫与增强扫描属于两种不同的成像方法；通过MR(Magnetic Resonance，磁共振)扫描获得的T1图像、T2图像以及DWI(diffusion weightedimaging，磁共振扩散加权成像)图像属于通过三种不同成像方法获得的图像。其中，T1图像指T1加权像(T1W1)，突出组织T1弛像(纵向弛豫)差别；T2图像指T2加权像(T2WI)，突出组织T2弛像(横向弛豫)差别。
更进一步，在确定与当前次待处理数据属于相同类型的历史数据时，可以根据预先设定好的优先级，依次匹配类型。比如优先匹配针对同一患者的相同的诊疗设备和相同的扫描协议的历史数据，其次匹配同一患者的相同诊疗设备、相同扫描部位和相同处理方式，再次匹配同一患者的相同诊疗设备和相同扫描部位，最后匹配同一患者的相同的诊疗设备或相同扫描部位。
步骤120、若存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，则基于所述历史数据以及人工智能AI模型对所述当前次待处理数据进行处理。
其中，所述人工智能AI模型基于历史训练样本预先训练获得，所述历史训练样本通常为接受过相关医学扫描的大量不同患者的数据。例如所述AI模型的功能为基于针对患者的肺部进行扫描获得的生数据进行图像重建，即AI模型的输入为针对肺部的扫描生数据，输出为肺部的重建图像；则该AI模型基于大量接受过肺部扫描的患者的扫描生数据以及对应的肺部的重建图像训练获得。由于不同个体之间的差异性，该AI模型不能基于针对所有患者的肺部扫描生数据获得精度达到设定值的肺部重建图像。因此，为了提高精度，本实施例提供的数据处理方法为参考目标对象的历史数据，以及预先训练好的AI模型对该目标对象的当前次待处理数据进行处理。
具体的，可以利用目标对象的历史数据对所述AI模型进行在线训练，以使所述AI模型学习更多的关于所述目标对象的特征信息，然后再利用训练后的AI模型对目标对象的当前次待处理数据进行处理，从而达到提高数据处理精度的目的。例如所述目标对象为张三，所述当前次待处理数据为张三在2019年12月31日通过CT扫描获得的生数据，扫描部位为肺部，通过判断确定张三在2019年5月31日针对肺部进行过CT扫描，则将张三在2019年5月31日针对肺部进行CT扫描获得的生数据以及对应的肺部重建图像，作为与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据。将该历史数据进行标注，作为训练样本对之前训练好的AI模型进行在线训练，以使所述AI模型对张三的数据特征进行学习，然后利用训练好的AI模型对张三在2019年12月31日通过CT扫描获得的生数据进行处理，得到张三在2019年12月31日通过CT扫描的肺部的重建图像。可以理解的是，任何一张可以用于临床诊疗的重建图像都是精度达到设定值的图像，在获得重建图像的过程中，可能有人工参与其中，目的是获得可以用于临床诊疗的重建图像。因此将历史重建图像作为训练样本对AI模型进行训练是可靠且准确的。
再例如，所述目标对象为张三，所述当前次待处理数据为张三在2019年12月31日通过CT扫描获得的、未进行图像增强的图像数据，扫描部位为肺部，通过判断确定张三在2019年5月31日针对肺部进行过CT扫描，则张三在2019年5月31日针对肺部进行CT扫描获得的、未进行图像增强的第一图像，以及进行图像增强后的第二图像为与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据。将该历史数据进行标注，作为训练样本对之前训练好的AI模型进行在线训练，以使所述AI模型对张三的数据特征进行学习，然后利用训练好的AI模型对张三在2019年12月31日通过CT扫描获得的、未进行图像增强的图像数据进行处理，得到张三在2019年12月31日通过CT扫描获得的、肺部的图像增强后的图像。
特别的，在一个实施例中，历史扫描数据和当前次待处理数据不属于同一类型。所述AI模型学习的是目标对象的信息，因此当历史扫描数据和当前次待处理数据不属于同一类型时，如属于不同模态、不同协议、不同部位的影像扫描数据，也可以通过上述方法获取目标对象的信息，将其应用于当前次数据的处理分析。
进一步的，基于所述历史数据以及人工智能AI模型对所述当前次待处理数据进行处理，还可以是：首先基于AI模型对所述当前次待处理数据进行处理，获得第一处理结果，然后将该第一处理结果与历史数据进行信息融合，以进一步提高该第一处理结果的准确度。所述信息融合例如可以是同一位置像素值的加权求和等。该应用场景中，所述历史数据具体指：历史的重建图像数据(而不再需要对应的生数据)或者历史的图像优化结果数据(而不再需要优化之前的图像数据)，例如历史的经过图像增强处理后的图像数据，或者经过去噪声的图像数据，去除伪影的图像数据等。
示例性的，所述当前次待处理数据包括：用于获得重建图像的扫描生数据或者用于进行图像优化的待优化图像数据；
当所述当前次待处理数据为用于获得重建图像的扫描生数据时，所述历史数据包括：历史重建图像数据；
或者，历史重建图像数据和获得所述历史重建图像数据的扫描生数据；
当所述当前次待处理数据为用于进行图像优化的待优化图像数据时，所述历史数据包括：历史图像优化结果数据；
或者，历史待优化图像数据和历史图像优化结果数据。
进一步的，针对所述历史数据的获取可以有多种方式，例如可以以目标对象为标签，预先建立目标对象的信息共享组，该信息共享组中存储有该目标对象的所有历史扫描记录，所述历史扫描记录例如包括扫描部位、对应的扫描生数据、重建图像、优化前后的图像等数据。当需要获取目标对象的相关历史数据时，可从预先建立的与所述目标对象对应的信息共享组获取与所述当前次待处理数据属于相同类型的历史数据。
还可以以采集协议为标签，将所有采用同一采集协议获得的扫描生数据以及对应的后处理结果存储为一个信息共享组，当需要获取目标对象的相关历史数据时，优先确定与当前次待处理数据对应的扫描协议，然后确定所述扫描协议对应的信息共享组，进而从该信息共享组获取与所述目标对象对应的历史数据。
本发明实施例的技术方案，通过当需要针对目标对象的当前次待处理数据进行处理时，判断是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据；若存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，则基于所述历史数据以及人工智能AI模型对所述当前次待处理数据进行处理的技术手段，实现了通过参考目标对象的历史数据，提高目标对象当前次待处理数据的处理精度的目的。
实施例二
图2为本发明实施例二提供的一种数据处理方法的流程示意图，在上述实施例的基础上，本实施例对操作“基于所述历史数据以及人工智能AI模型对所述当前次待处理数据进行处理”进行了优化，具体是对所述历史数据进行加噪声处理，获得历史数据处理结果，以扩充与所述历史数据关联的训练样本的数量；将所述历史数据处理结果作为训练样本，对所述AI模型进行在线训练，以提高目标对象的特征数据在训练样本中所占的比重，使AI模型可以学习到更多的针对目标对象的特征，达到通过训练后的AI模型获得目标对象的、精度较高的数据处理结果。如图2所示，所述方法包括：
步骤210、当需要针对目标对象的当前次待处理数据进行处理时，判断是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据。
步骤220、若存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，对所述历史数据进行加噪声处理，获得历史数据处理结果，以扩充与所述历史数据关联的训练样本的数量。
具体的，通过对所述历史数据进行加噪声处理，达到了增加历史数据数量的目的。以所述历史数据为扫描生数据以及对应的重建图像为例，通过对所述扫描生数据加各种类型的噪声，可以得到多套扫描生数据，但是各套扫描生数据对应的重建图像相同，均为历史重建图像。如此可基于历史数据获得数量较多的新的训练样本，该训练样本均为针对目标对象的数据，可表征目标对象的数据特征，通过利用该类训练样本对AI模型进行在线训练，可使AI模型对目标对象的特征进行针对性学习，进而在利用训练好的AI模型对目标对象的当前次待处理数据进行处理时，可获得较高精度的处理结果。
步骤230、将所述历史数据处理结果作为训练样本对所述AI模型进行在线训练。
步骤240、将所述当前次待处理数据输入至所述训练后的AI模型，获得所述当前次待处理数据的处理结果。
本发明实施例的技术方案，通过对与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，进行加噪声处理，获得历史数据处理结果，达到了扩充与所述历史数据关联的训练样本数量的目的；将所述历史数据处理结果作为训练样本对所述AI模型进行在线训练，达到了使AI模型对目标对象的特征进行针对性学习的目的，进而将目标对象的当前次待处理数据输入至所述训练后的AI模型，获得所述当前次待处理数据的处理结果，实现了通过参考目标对象的历史数据，提高目标对象当前次待处理数据的处理精度的目的。
实施例三
图3为本发明实施例三提供的一种数据处理方法的流程示意图，在上述实施例的基础上，本实施例对操作“基于所述历史数据以及人工智能AI模型对所述当前次待处理数据进行处理”进行了优化，具体是将所述当前次待处理数据输入至所述AI模型，获得第一处理结果；基于所述第一处理结果与所述历史数据进行信息融合，获得第二处理结果，将所述第二处理结果作为所述当前次待处理数据的处理结果，以达到通过参考目标对象的历史数据，提高目标对象当前次待处理数据的处理精度的目的。如图3所示，所述方法包括：
步骤310、当需要针对目标对象的当前次待处理数据进行处理时，判断是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据。
步骤320、若存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，将所述当前次待处理数据输入至所述AI模型，获得第一处理结果。
步骤330、基于所述第一处理结果与所述历史数据进行信息融合，获得第二处理结果，将所述第二处理结果作为所述当前次待处理数据的处理结果。
其中，基于所述第一处理结果与所述历史数据进行信息融合，具体可以是将第一处理结果中的图像信息与历史数据中的图像信息通过图像配准技术进行信息融合，或者通过将相同位置的像素进行加权求和的形式进行信息融合。例如待处理数据为扫描生数据，所述第一处理结果为重建图像，通过将目标对象当前次的重建图像与历史的重建图像进行信息融合，可达到提高当前次重建图像精度的目的。
本发明实施例的技术方案，通过将目标对象的当前次待处理数据输入至所述AI模型，获得第一处理结果；基于所述第一处理结果与所述目标对象的历史数据进行信息融合，获得第二处理结果，将所述第二处理结果作为所述当前次待处理数据的处理结果，实现了通过参考目标对象的历史数据，提高目标对象当前次待处理数据的处理精度的目的。
实施例四
图4为本发明实施例四提供的一种数据处理装置，该装置包括：判断模块410和处理模块420。
其中，判断模块410，用于当需要针对目标对象的当前次待处理数据进行处理时，判断是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据；
处理模块420，用于若存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，则基于所述历史数据以及人工智能AI模型对所述当前次待处理数据进行处理。
进一步的，所述当前次待处理数据包括：用于获得重建图像的扫描生数据或者用于进行图像优化的待优化图像数据；
当所述当前次待处理数据为用于获得重建图像的扫描生数据时，所述历史数据包括：历史重建图像数据；
或者，历史重建图像数据和获得所述历史重建图像数据的扫描生数据；
当所述当前次待处理数据为用于进行图像优化的待优化图像数据时，所述历史数据包括：历史图像优化结果数据；
或者，历史待优化图像数据和历史图像优化结果数据。
进一步的，处理模块420包括：
在线训练单元，用于基于所述历史数据对所述AI模型进行在线训练，获得训练后的AI模型；
处理单元，用于将所述当前次待处理数据输入至所述训练后的AI模型，获得所述当前次待处理数据的处理结果。
进一步的，所述在线训练单元包括：
预处理子单元，用于对所述历史数据进行加噪声处理，获得历史数据处理结果，以扩充与所述历史数据关联的训练样本的数量；
训练子单元，用于将所述历史数据处理结果作为训练样本对所述AI模型进行在线训练。
进一步的，处理模块420包括：
第一处理单元，用于将所述当前次待处理数据输入至所述AI模型，获得第一处理结果；
第二处理单元，用于基于所述第一处理结果与所述历史数据进行信息融合，获得第二处理结果，将所述第二处理结果作为所述当前次待处理数据的处理结果。
进一步的，判断模块410具体用于：
基于对象信息确定是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据；
所述对象信息包括下述至少一种：对象编号、姓名、性别、脸纹信息、指纹信息以及扫描类型。
进一步的，所述装置还包括：
获取模块，用于确定存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据时，从预先建立的与所述目标对象对应的信息共享组获取与所述当前次待处理数据属于相同类型的历史数据；
或者，基于当前次待处理数据所对应采集协议，获取与所述当前次待处理数据属于相同类型的历史数据。
本发明实施例的技术方案，通过对与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，进行加噪声处理，获得历史数据处理结果，达到了扩充与所述历史数据关联的训练样本数量的目的；将所述历史数据处理结果作为训练样本对所述AI模型进行在线训练，达到了使AI模型对目标对象的特征进行针对性学习的目的，进而将目标对象的当前次待处理数据输入至所述训练后的AI模型，获得所述当前次待处理数据的处理结果，实现了通过参考目标对象的历史数据，提高目标对象当前次待处理数据的处理精度的目的。
本发明实施例所提供的数据处理装置可执行本发明任意实施例所提供的数据处理方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
实施例五
下面参考图5，其示出了适于用来实现本发明实施例的电子设备(例如图5中的终端设备或服务器)400的结构示意图。本发明实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本发明实施例的方法中限定的上述功能。
本发明实施例提供的终端与上述实施例提供的数据处理方法属于同一发明构思，未在本发明实施例中详尽描述的技术细节可参见上述实施例，并且本发明实施例与上述实施例具有相同的有益效果。
实施例六
本发明实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的数据处理方法。
需要说明的是，本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
当需要针对目标对象的当前次待处理数据进行处理时，判断是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据；
若存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，则基于所述历史数据以及人工智能AI模型对所述当前次待处理数据进行处理。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，可编辑内容显示单元还可以被描述为“编辑单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (9)
1.一种数据处理方法，其特征在于，包括：
当需要针对目标对象的当前次待处理数据进行处理时，判断是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据；
若存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，则基于所述历史数据以及人工智能AI模型对所述当前次待处理数据进行处理；
所述基于所述历史数据以及人工智能AI模型对所述当前次待处理数据进行处理，包括：
将所述当前次待处理数据输入至所述AI模型，获得第一处理结果；
基于所述第一处理结果与所述历史数据进行信息融合，获得第二处理结果，将所述第二处理结果作为所述当前次待处理数据的处理结果。
2.根据权利要求1所述的方法，其特征在于，所述当前次待处理数据包括：用于获得重建图像的扫描生数据或者用于进行图像优化的待优化图像数据；
当所述当前次待处理数据为用于获得重建图像的扫描生数据时，所述历史数据包括：历史重建图像数据；
或者，历史重建图像数据和获得所述历史重建图像数据的扫描生数据；
当所述当前次待处理数据为用于进行图像优化的待优化图像数据时，所述历史数据包括：历史图像优化结果数据；
或者，历史待优化图像数据和历史图像优化结果数据。
3.根据权利要求1所述的方法，其特征在于，所述基于所述历史数据以及人工智能AI模型对所述当前次待处理数据进行处理，包括：
基于所述历史数据对所述AI模型进行在线训练，获得训练后的AI模型；
将所述当前次待处理数据输入至所述训练后的AI模型，获得所述当前次待处理数据的处理结果。
4.根据权利要求3所述的方法，其特征在于，所述基于所述历史数据对所述AI模型进行在线训练，包括：
对所述历史数据进行加噪声处理，获得历史数据处理结果，以扩充与所述历史数据关联的训练样本的数量；
将所述历史数据处理结果作为训练样本对所述AI模型进行在线训练。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述判断是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，包括：
基于对象信息确定是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据；
所述对象信息包括下述至少一种：对象编号、姓名、性别、脸纹信息、指纹信息以及扫描类型。
6.根据权利要求1-4任一项所述的方法，其特征在于，所述若存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，所述方法还包括：
从预先建立的与所述目标对象对应的信息共享组获取与所述当前次待处理数据属于相同类型的历史数据；
或者，基于当前次待处理数据所对应采集协议，获取与所述当前次待处理数据属于相同类型的历史数据。
7.一种数据处理装置，其特征在于，包括：
判断模块，用于当需要针对目标对象的当前次待处理数据进行处理时，判断是否存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据；
处理模块，用于若存在与所述目标对象匹配的、且与所述当前次待处理数据属于相同类型的历史数据，则基于所述历史数据以及人工智能AI模型对所述当前次待处理数据进行处理；
所述处理模块包括：
第一处理单元，用于将所述当前次待处理数据输入至所述AI模型，获得第一处理结果；
第二处理单元，用于基于所述第一处理结果与所述历史数据进行信息融合，获得第二处理结果，将所述第二处理结果作为所述当前次待处理数据的处理结果。
8.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一项所述的数据处理方法。
9.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一项所述的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010420454.XA CN111599447B (zh) | 2020-05-18 | 2020-05-18 | 一种数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010420454.XA CN111599447B (zh) | 2020-05-18 | 2020-05-18 | 一种数据处理方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111599447A CN111599447A (zh) | 2020-08-28 |
| CN111599447B true CN111599447B (zh) | 2023-10-10 |
Family
ID=72182923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010420454.XA Active CN111599447B (zh) | 2020-05-18 | 2020-05-18 | 一种数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111599447B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080053057A (ko) * | 2006-12-08 | 2008-06-12 | 주식회사 메디슨 | 초음파 영상과 외부 의료영상의 혼합영상을 형성 및디스플레이하기 위한 초음파 영상 시스템 및 방법 |
| JP2008173164A (ja) * | 2007-01-16 | 2008-07-31 | Toshiba Corp | 画像処理装置及び画像処理方法 |
| CN110059802A (zh) * | 2019-03-29 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 用于训练学习模型的方法、装置和计算设备 |
| CN110443724A (zh) * | 2019-07-19 | 2019-11-12 | 河海大学 | 一种基于深度学习的电力系统快速状态估计方法 |
| CN110458837A (zh) * | 2019-08-19 | 2019-11-15 | 上海联影医疗科技有限公司 | 一种图像后处理方法、装置、电子设备及存储介质 |
| CN110619947A (zh) * | 2019-09-19 | 2019-12-27 | 南京工程学院 | 基于轻量级深度学习的肺部ct辅助筛查系统及筛查方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9734285B2 (en) * | 2010-05-20 | 2017-08-15 | General Electric Company | Anatomy map navigator systems and methods of use |
| US9662034B2 (en) * | 2010-09-10 | 2017-05-30 | Neuronetrix Solutions, Llc | Biomarker fusion system and method |
-
2020
- 2020-05-18 CN CN202010420454.XA patent/CN111599447B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080053057A (ko) * | 2006-12-08 | 2008-06-12 | 주식회사 메디슨 | 초음파 영상과 외부 의료영상의 혼합영상을 형성 및디스플레이하기 위한 초음파 영상 시스템 및 방법 |
| JP2008173164A (ja) * | 2007-01-16 | 2008-07-31 | Toshiba Corp | 画像処理装置及び画像処理方法 |
| CN110059802A (zh) * | 2019-03-29 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 用于训练学习模型的方法、装置和计算设备 |
| CN110443724A (zh) * | 2019-07-19 | 2019-11-12 | 河海大学 | 一种基于深度学习的电力系统快速状态估计方法 |
| CN110458837A (zh) * | 2019-08-19 | 2019-11-15 | 上海联影医疗科技有限公司 | 一种图像后处理方法、装置、电子设备及存储介质 |
| CN110619947A (zh) * | 2019-09-19 | 2019-12-27 | 南京工程学院 | 基于轻量级深度学习的肺部ct辅助筛查系统及筛查方法 |
Non-Patent Citations (2)
| Title |
|---|
| Data compression issues with pattern matching in historical data;A. Singhal 等;《Proceedings of the 2003 American Control Conference, 2003》;3696-3701 * |
| 基于BING和数据融合的行人检测算法研究;程刚 等;《计算机与数字工程》(第第315期期);53-57 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111599447A (zh) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109961491B (zh) | 多模态图像截断补偿方法、装置、计算机设备和介质 | |
| CN109697741B (zh) | 一种pet图像重建方法、装置、设备及介质 | |
| CN110766769B (zh) | 一种磁共振图像重建方法、装置、设备和介质 | |
| US10755410B2 (en) | Method and apparatus for acquiring information | |
| CN110766768B (zh) | 一种磁共振图像重建方法、装置、设备和介质 | |
| CN111275721A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
| CN111429456B (zh) | 一种图像数据处理方法、装置、电子设备及存储介质 | |
| CN109243600B (zh) | 用于输出信息的方法和装置 | |
| CN112419179B (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
| CN115830001B (zh) | 肠道图像处理方法、装置、存储介质及电子设备 | |
| CN115731341A (zh) | 三维人头重建方法、装置、设备及介质 | |
| CN109961435B (zh) | 脑图像获取方法、装置、设备及存储介质 | |
| CN110555897A (zh) | 一种图像生成的方法、装置、设备及存储介质 | |
| CN111311609B (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
| CN111445547B (zh) | 一种基于神经网络的网格化磁共振图像重建方法和装置 | |
| WO2023229384A1 (ko) | 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치 | |
| CN111599447B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| CN114972118B (zh) | 检查图像的降噪方法、装置、可读介质和电子设备 | |
| Li et al. | INCloud: integrated neuroimaging cloud for data collection, management, analysis and clinical translations | |
| CN114937178B (zh) | 基于多模态的图像分类方法、装置、可读介质和电子设备 | |
| CN114494484A (zh) | 数据识别模型的训练方法、数据识别方法、装置及设备 | |
| CN113052930A (zh) | 一种胸部dr双能量数字减影图像生成方法 | |
| CN111798385A (zh) | 图像处理方法及装置、计算机可读介质和电子设备 | |
| CN112397196A (zh) | 生成影像检查推荐模型的方法和装置 | |
| CN118248336B (zh) | 患者感染风险评估系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |