CN111798410A - 基于深度学习模型的癌细胞病理分级方法、装置、设备和介质 - Google Patents

基于深度学习模型的癌细胞病理分级方法、装置、设备和介质 Download PDF

Info

Publication number
CN111798410A
CN111798410A CN202010485524.XA CN202010485524A CN111798410A CN 111798410 A CN111798410 A CN 111798410A CN 202010485524 A CN202010485524 A CN 202010485524A CN 111798410 A CN111798410 A CN 111798410A
Authority
CN
China
Prior art keywords
digital medical
image
deep learning
training
learning model
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
CN202010485524.XA
Other languages
English (en)
Inventor
林帆
崔恩铭
汪香玉
雷益
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.)
Shenzhen Second Peoples Hospital
Original Assignee
Shenzhen Second Peoples Hospital
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 Shenzhen Second Peoples Hospital filed Critical Shenzhen Second Peoples Hospital
Priority to CN202010485524.XA priority Critical patent/CN111798410A/zh
Publication of CN111798410A publication Critical patent/CN111798410A/zh
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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—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
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及人工智能，提供了一种基于深度学习模型的癌细胞病理分级方法，包括：获取已诊断患者的至少两个待处理数字医学图像，并进行位置配准，得到至少两个配准数字医学图像；对至少两个配准数字医学图像进行叠加，得到对应已诊断患者的叠加数字医学图像；对叠加数字医学图像进行图像处理，获取训练图像集合；将训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型；获取待诊断患者的待诊断数字医学图像，将待诊断数字医学图像输入到目标深度学习模型中，获取待诊断患者的癌细胞病理分级。因此本发明简化了人工操作的同时，也提高了癌细胞病理分级的准确性。此外，还提出了基于深度学习模型的癌细胞病理分级装置、设备和介质。

Description

基于深度学习模型的癌细胞病理分级方法、装置、设备和介质
技术领域
本发明涉及医学图像处理技术领域，尤其是涉及基于深度学习模型的癌细胞病理分级方法、装置、设备和介质。
背景技术
癌细胞的ISUP(International Society of Urological Pathology)病理分级与患者的预后相关，这是由于低级别的癌细胞往往比高级别癌细胞有更好的预后。同时，手术前对癌细胞进行病理分级评估，也有助于制定患者的治疗方案与手术方案。
在通常的病理分级方法中，穿刺活检的可靠性较高，但其因具有侵袭性，会导致其他并发症的发生，比如出血、感染、甚至肿瘤破裂、肿瘤转移等。既往的研究显示，肿瘤的大小、CT(Computed Tomography，电子计算机断层扫描)上的密度、MRI(Magnetic ResonanceImaging，磁共振成像)的信号、能谱成像的碘定量、弥散加强成像、动态增强等，都能对癌细胞分级评判有帮助。当在临床上使用这些数据时，某些数值的测量和评估受到医生的经验和习惯所影响，这就导致分级结果受到主观因素的影响而存在偏差，其一致性和可靠性较差。
发明内容
基于此，有必要针对上述问题，提供准确、效率高的基于深度学习模型的癌细胞病理分级方法、装置、设备和介质。
一种基于深度学习模型的癌细胞病理分级的方法，所述方法包括：
获取已诊断患者的至少两个待处理数字医学图像，对所述已诊断患者的所述至少两个待处理数字医学图像进行位置配准，得到至少两个配准数字医学图像；
对所述至少两个配准数字医学图像进行叠加，得到对应所述已诊断患者的叠加数字医学图像；
对所述叠加数字医学图像进行图像处理，获取训练图像集合；
将所述训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型；
获取待诊断患者的待诊断数字医学图像，将所述待诊断数字医学图像输入到所述目标深度学习模型中，获取所述待诊断患者的癌细胞病理分级。
在其中一个实施例中，在所述得到对应所述已诊断患者的叠加数字医学图像之后，还包括：
将所述叠加数字医学图像划分为初始训练集、初始验证集、初始测试集；
所述对所述叠加数字医学图像进行图像处理，获取训练图像集合，包括：
对所述初始训练集中的所有所述叠加数字医学图像进行切割处理，得到切割数字医学图像；其中，所述切割数字医学图像内包括至少一个肿瘤；
对所述切割数字医学图像进行旋转处理和/或翻转处理，得到调整数字医学图像；
在所述调整数字医学图像的预设采样范围内进行采样，得到采样数字医学图像，将所有的所述采样数字医学图像作为扩增训练集；
将所述扩增训练集、所述初始验证集、初始测试集作为训练图像集合。
在其中一个实施例中，所述将所述训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型，包括：
将所述扩增训练集作为输入数据输入所述卷积神经网络，以用于设置所述卷积神经网络的模型参数，得到至少一个训练深度学习模型；
将所述初始验证集输入每个所述训练深度学习模型，记录每个所述训练深度学习模型的训练准确率，以所述训练准确率为标准对所述至少一个训练深度学习模型进行筛选，得到目标深度学习模型；
将所述初始测试集输入到所述目标深度学习模型中以评价所述目标深度学习模型的模型性能，若所述目标深度学习模型的模型性能符合预设标准，则判定所述目标深度学习模型训练完成。
在其中一个实施例中，在所述将所述训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型之后，还包括：
通过随机梯度下降法对所述目标深度学习模型进行模型参数优化，得到优化后的目标深度学习模型。
在其中一个实施例中，所述获取已诊断患者的至少两个待处理数字医学图像包括：
获取所述已诊断患者在预设扫描时期和/或预设扫描序列中的至少两个待处理数字医学图像。
在其中一个实施例中，所述对所述已诊断患者的所述至少两个待处理数字医学图像进行位置配准，包括：
将所述至少两个待处理数字医学图像中的任一待处理数字医学图像作为参考图像，将其余待处理数字医学图像作为感测图像；
获取所述参考图像中特征对象的参考位置信息和每个所述感测图像中特征对象的感测位置信息，根据所述参考位置信息和所述感测位置信息估计所述感测图像和所述参考图像的映射函数的类型和参数；
根据所述映射函数对每个所述感测图像进行转换，以使得所述感测图像与所述参考图像配准。
在其中一个实施例中，在所述对所述至少两个配准数字医学图像进行叠加，得到对应所述已诊断患者的叠加数字医学图像之前，还包括：
获取所有所述配准数字医学图像的目标窗宽窗位值，根据所述目标窗宽窗位值对对应的所述配准数字医学图像的组织密度值进行灰度范围标准化处理。
一种基于深度学习模型的癌细胞病理分级装置，所述装置包括：
配准模块，用于获取已诊断患者的至少两个待处理数字医学图像，对所述已诊断患者的所述至少两个待处理数字医学图像进行位置配准，得到至少两个配准数字医学图像；
叠加模块，用于对所述至少两个配准数字医学图像进行叠加，得到对应所述已诊断患者的叠加数字医学图像；
图像处理模块，用于对所述叠加数字医学图像进行图像处理，获取训练图像集合；
训练模块，用于将所述训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型；
病理分级模块，用于获取待诊断患者的待诊断数字医学图像，将所述待诊断数字医学图像输入到所述目标深度学习模型中，获取所述待诊断患者的癌细胞病理分级。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
获取已诊断患者的至少两个待处理数字医学图像，对所述已诊断患者的所述至少两个待处理数字医学图像进行位置配准，得到至少两个配准数字医学图像；
对所述至少两个配准数字医学图像进行叠加，得到对应所述已诊断患者的叠加数字医学图像；
对所述叠加数字医学图像进行图像处理，获取训练图像集合；
将所述训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型；
获取待诊断患者的待诊断数字医学图像，将所述待诊断数字医学图像输入到所述目标深度学习模型中，获取所述待诊断患者的癌细胞病理分级。
一种基于深度学习模型的癌细胞病理分级设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
获取已诊断患者的至少两个待处理数字医学图像，对所述已诊断患者的所述至少两个待处理数字医学图像进行位置配准，得到至少两个配准数字医学图像；
对所述至少两个配准数字医学图像进行叠加，得到对应所述已诊断患者的叠加数字医学图像；
对所述叠加数字医学图像进行图像处理，获取训练图像集合；
将所述训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型；
获取待诊断患者的待诊断数字医学图像，将所述待诊断数字医学图像输入到所述目标深度学习模型中，获取所述待诊断患者的癌细胞病理分级。
本发明提供了基于深度学习模型的癌细胞病理分级方法、装置、设备和介质，通过获取已诊断患者的至少两个待处理数字医学图像，并对该待处理数字医学图像进行配准以及叠加，得到对应每个已诊断患者的叠加数字医学图像，因此适合多期图像、多序列图像或多模态图像等多条件下的图像输入，能充分利用图像信息。进一步的，对叠加数字医学图像进行图像处理，获取训练图像集合，由于进行了数据扩增，从而确保了后续模型训练时所需数据的充足性。又进一步的，通过卷积神经网络进行模型训练，得到目标深度学习模型。最后获取待诊断患者的待诊断数字医学图像，并通过目标深度学习模型的判断，以得到待诊断患者的癌细胞病理分级。由此可见，本发明在实际检测时通过深度学习模型自动判断的方法，自动实现癌细胞病理分级的判断，简化了人工操作的同时，也提高了癌细胞病理分级的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为第一实施例中基于深度学习模型的癌细胞病理分级方法的流程示意图；
图2为第一实施例中图像处理的第一示意图；
图3为第一实施例中图像处理的第二示意图；
图4为第一实施例中图像处理的第三示意图；
图5为第二实施例中基于深度学习模型的癌细胞病理分级方法的流程示意图；
图6为一个实施例中基于深度学习模型的癌细胞病理分级装置的结构示意图；
图7为一个实施例中基于深度学习模型的癌细胞病理分级设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，图1为第一实施例中基于深度学习模型的癌细胞病理分级方法的流程示意图，可应用于CCRCC(clear cell renal cell carcinoma，透明细胞肾细胞癌)的癌细胞病理分级，本发明实施例提供的的步骤包括：
步骤102，获取已诊断患者的至少两个待处理数字医学图像，对已诊断患者的至少两个待处理数字医学图像进行位置配准，得到至少两个配准数字医学图像。
在一个实施例中，对一批已诊断患者(示例性的，如选取100名已诊断患者)进行CT或MRI扫描，并得到对应每个的已诊断患者的多张DICOM(Digital Imaging andCommunications in Medicine，医学数字成像和通信)图像。该DICOM图像可以是对某一已诊断患者同一扫描位置处不同扫描条件下的得到图像，例如在不同扫描时期、不同扫描序列下获取的医学图像。为更好的观察其中任一已诊断患者的数字医学图像，需对该已诊断患者的待处理数字医学图像进行位置配准，以使得不同待处理数字医学图像的位置关系是相互对应的。具体的，可以通过绝对配准的方式来实现图像配准，通过预先定义一个控制网格，并使每张待处理数字医学图像上标记点的坐标值与控制网格中标记点的坐标值相同，也就是分别完成各待处理数字医学图像的几何校正来实现坐标系的统一。
步骤104，对至少两个配准数字医学图像进行叠加，得到对应已诊断患者的叠加数字医学图像。
对至少两个配准数字医学图像进行叠加，实现图像内容的重合，得到一个或多个叠加数字医学图像，从而达到强化图像、增强图像细节的效果。例如可将配准的不同扫描时期的数字医学图像叠加为一个叠加数字医学图像。
进一步的，在一个实施例中，在对至少两个配准数字医学图像进行叠加前，对所有的配准数字医学图像进行归一化处理，从而实现数值的绝对值变成某种相对值的关系，达到简化计算的目的。归一化方式为0均值标准化(Zscore standardization)，公式如下：
z＝(x-u)/σ
其中，μ和σ分别为均值和方差。
进一步的，将叠加数字医学图像以患者为单位划分为初始训练集、初始验证集、初始测试集。其中，初始训练集用于后续训练深度学习模型。初始验证集用于选择最佳的深度学习模型参数。初始测试集用于评估深度学习模型的性能参数。划分方法以及划分比例均可根据实际需求自行设计及调整，对于小规模的样本集而言，较为常规的划分比例为6：2：2(训练集：验证集：测试集)。例如共有100个患者样本，则训练集分为60个样本，验证集为20个样本，测试集为20个样本。对于大规模样本集而言，会适当降低验证集和测试集的划分比例。
步骤106，对叠加数字医学图像进行图像处理，获取训练图像集合。
在一个实施例中，图像处理具体为：对初始训练集中的所有叠加数字医学图像进行切割处理，得到切割数字医学图像。其中，为使图像处理后的图像内仍保留有有效内容，应保证切割数字医学图像内包括至少一个肿瘤。在本实例中，采用正方形的切割区域进行切割，当然也可以选用其它形状的切割区域进行切割，在此不做限定。
进一步的，对切割数字医学图像进行旋转处理和/或翻转处理，得到调整数字医学图像。其中，本实施例中旋转的角度为(-30°，30°)，反转为上下翻转或左右翻转。经过上述处理后可得到如图2及图3所示的处理图像。其中，图2为切割正方形的边长小于肿瘤径线3倍的处理图像，图3为切割正方形的边长大于肿瘤径线3倍，但小于肿瘤径线5倍的处理图像。可以看出图像3中包含了过多的除肿瘤外无效内容的部分，因此选切割正方形的边长小于肿瘤径线3倍的切割区域作图像处理效果更佳。
进一步的，在调整数字医学图像的预设采样范围内进行采样，得到采样数字医学图像，将所有的采样数字医学图像作为扩增训练集。由于肿瘤细胞的外表面与外界的组织、血管相接触，在图像上则表现为外部轮廓不清晰，因此本实施例中仅对较为清晰的预设采样范围进行采样。其中预设采样范围通常为距离肿瘤边缘10mm的肿瘤区域。通过对图像进行上述的图像处理后，可得到如图4所示的扩增训练集。
最后将扩增训练集、初始验证集、初始测试集作为训练图像集合。
步骤108，将训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型。
在一个实施例中，将扩增训练集作为输入数据输入卷积神经网络，以用于设置卷积神经网络的模型参数，得到至少一个训练深度学习模型。其目的在于训练卷积神经网络中的普通参数(例如比如权重w和偏置b)，使模型在训练集上的误差降低到可接受的程度。进一步的，将初始验证集输入每个训练深度学习模型，记录每个训练深度学习模型的训练准确率，以训练准确率为标准对至少一个训练深度学习模型进行筛选，得到目标深度学习模型。其目的在于调整卷积神经网络中的超参数(例如学习率，网络层数)，并监控模型是否发生过拟合，以得到所需的目标深度学习模型。最后将初始测试集输入到目标深度学习模型中以评价目标深度学习模型的模型性能。通常采用交叉验证法的方式进行测试，例如四折交叉验证法、八折交叉验证法。若目标深度学习模型的模型性能符合预设标准，则判定目标深度学习模型训练完成。若目标深度学习模型的模型性能不符合预设标准，可再次重复步骤102-108的内容，直至目标深度学习模型的模型性能符合预设标准。
在另一个实施例中，设置通用的损失函数，并随机设置深度神经网络的参数，将从扩增训练集中挑选的图像样本输入深度神经网络进行训练，并计算总损失函数。在获取总损失函数的数值后，根据损失函数的数值调整深度神经网络的参数，调整后再从扩增训练集中挑选图片样本输入深度神经网络进行训练，这样循环，直至总损失函数的值收敛为止，从而实现目标深度学习模型的训练。
进一步的，通过带动量的随机梯度下降算法对目标深度学习模型进行模型参数优化，以实现最小化loss(损失值)，优化网络，得到优化后的目标深度学习模型。在一个实施例中，随机梯度下降算法的超参数如下：学习速率(Learning Rate，LR)为0.01；每训练批次的样本数(Batch Size)为50；动量(Momentum)为0.3；步长(Step size)为4；阻力因子(Gamma)为0.1；迭代次数(Epoch)为200。
步骤110，获取待诊断患者的待诊断数字医学图像，将待诊断数字医学图像输入到目标深度学习模型中，获取待诊断患者的癌细胞病理分级。
其中，每个待诊断患者的癌细胞病理分级依据Edmondson and Steiner system的分级方法进行分级：一级即高分化，二级即中分化，三级即低分化，四级即未分化，也可以分为低级RCC(I、II级)、高级RCC(III、IV级)。癌细胞病理分级将作为临床通用的金标准应用于后续的诊断及治疗。
上述基于深度学习模型的癌细胞病理分级方法，通过获取已诊断患者的至少两个待处理数字医学图像，并对该待处理数字医学图像进行配准以及叠加，得到对应每个已诊断患者的叠加数字医学图像，因此适合多期图像、多序列图像或多模态图像等多条件下的图像输入，能充分利用图像信息。进一步的，对叠加数字医学图像进行图像处理，获取训练图像集合，由于进行了数据扩增，从而确保了后续模型训练时所需数据的充足性。又进一步的，通过卷积神经网络进行模型训练，得到目标深度学习模型。最后获取待诊断患者的待诊断数字医学图像，并通过目标深度学习模型的判断，以得到待诊断患者的癌细胞病理分级。由此可见，本发明在实际检测时通过深度学习模型自动判断的方法，自动实现癌细胞病理分级的判断，简化了人工操作的同时，也提高了癌细胞病理分级的准确性。
如图5所示，图5为第二实施例中基于深度学习模型的癌细胞病理分级方法的流程示意图，本发明提供的的步骤包括：
步骤502，获取已诊断患者在预设扫描时期和/或预设扫描序列中的至少两个待处理数字医学图像，将至少两个待处理数字医学图像中的任一待处理数字医学图像作为参考图像，将其余待处理数字医学图像作为感测图像。
其中，扫描时期包括平扫期、肾皮髓质期、肾实质期等时期、扫描序列包括T2WI(磁共振T2加权像)、T1WI(磁共振T1加权像)、DWI(弥散加权成像)、增强序列等序列。不同扫描时期或不同扫描序列下观察到的图像效果不同，例如T2WI有利于观察病变，对出血较敏感。因此为获得较好图像效果的待处理数字医学图像以及充分利用各扫描条件下的待处理数字医学图像，对不同扫描时期或不同扫描序列下的待处理数字医学图像进行汇总。
在一个实施例中，采用相对配准的方式进行图像配准。具体的，获取到某一已诊断患者在其平扫期、肾皮髓质期及肾实质期的待处理数字医学图像，可将平扫期待处理数字医学图像作为参考图像，将其余待处理数字医学图像作为感测图像。
步骤504，获取参考图像中特征对象的参考位置信息和每个感测图像中特征对象的感测位置信息，根据参考位置信息和感测位置信息估计感测图像和参考图像的映射函数的类型和参数。
具体的，通过手动或者自动检测的方式获取参考图像以及感测图像中的显著的特征对象，例如闭合边界区域，边缘，轮廓，交线，角点等。为了进一步处理，获取特征对象的位置信息或用控制点的形式(重心，线尾，特征点)来表示这些特征对象。进一步的，为建立参考图像与感测图像之间的相关性，通过使用各种特征描述符，相似性度量，连同特征来描述映射函数的类型和参数。
步骤506，根据映射函数对每个感测图像进行转换，以使得感测图像与参考图像配准，得到至少两个配准数字医学图像。
在本实施例中，对感测图像进行重采样和转换。具体的，通过使用最近邻或双线性插值技术计算坐标的图像值，通过映射函数来拟合两图像之间的平移、旋转和仿射变换。
步骤508，获取所有配准数字医学图像的目标窗宽窗位值，根据目标窗宽窗位值对对应的配准数字医学图像的组织密度值进行灰度范围标准化处理。
配准数字医学图像中每一点的组织密度值可以通过对DICOM图像的像素值进行换算得到。具体的，通过读取DICOM图像的两个Tag值(rescale intercept和rescale slope)来计算得到组织密度值，其公式可以表示为：
Hu＝pixel×rescale slope+rescale intercept
其中Hu表示组织密度值，pixel表示像素值。
观察的CT值范围，称之为窗宽；观察的中心CT值，称之为窗位；不同组织结构的CT值范围不同，通过获取目标窗宽窗位值对配准数字医学图像进行灰度范围标准化处理，从而提高图像对目标组织结构细节的显示能力。示例性的，对于CT图像而言，目标窗宽窗位可以取：窗位＝55HU，窗宽＝410HU。若为MRI图像，则图像的灰度范围无固定标准，可以自行设定。
步骤510，对至少两个配准数字医学图像进行叠加，得到对应已诊断患者的叠加数字医学图像。
步骤512，对叠加数字医学图像进行图像处理，获取训练图像集合。
步骤514，将训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型。
步骤516，获取待诊断患者的待诊断数字医学图像，将待诊断数字医学图像输入到目标深度学习模型中，获取待诊断患者的癌细胞病理分级。
在一个具体的实施场景中，步骤510-516与第一实施例中基于深度学习模型的癌细胞病理分级方法中的步骤104-110基本一致，此处不再进行赘述。
上述基于深度学习模型的癌细胞病理分级方法，获取已诊断患者在预设扫描时期和/或预设扫描序列中的至少两个待处理数字医学图像，因此能得到较好图像效果的待处理数字医学图像以及充分利用各扫描条件下的待处理数字医学图像。进一步的，通过相对配准的方法对不同的医学图像进行配准，从而实现了图像之间位置关系的对应。并且对图像进行灰度范围标准化处理，提高了图像对目标组织结构细节的显示能力。
在一个实施例中，如图6所示，提出了一种基于深度学习模型的癌细胞病理分级装置，该装置包括：
配准模块602，用于获取已诊断患者的至少两个待处理数字医学图像，对已诊断患者的至少两个待处理数字医学图像进行位置配准，得到至少两个配准数字医学图像。
叠加模块604，用于对至少两个配准数字医学图像进行叠加，得到对应已诊断患者的叠加数字医学图像。
图像处理模块606，用于对叠加数字医学图像进行图像处理，获取训练图像集合。
训练模块608，用于将训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型。
病理分级模块610，用于获取待诊断患者的待诊断数字医学图像，将待诊断数字医学图像输入到目标深度学习模型中，获取待诊断患者的癌细胞病理分级。
上述基于深度学习模型的癌细胞病理分级装置，通过获取已诊断患者的至少两个待处理数字医学图像，并对该待处理数字医学图像进行配准以及叠加，得到对应每个已诊断患者的叠加数字医学图像，因此适合多期图像、多序列图像或多模态图像等多条件下的图像输入，能充分利用图像信息。进一步的，对叠加数字医学图像进行图像处理，获取训练图像集合，由于进行了数据扩增，从而确保了后续模型训练时所需数据的充足性。又进一步的，通过卷积神经网络进行模型训练，得到目标深度学习模型。最后获取待诊断患者的待诊断数字医学图像，并通过目标深度学习模型的判断，以得到待诊断患者的癌细胞病理分级。由此可见，本发明在实际检测时通过深度学习模型自动判断的方法，自动实现癌细胞病理分级的判断，简化了人工操作的同时，也提高了癌细胞病理分级的准确性。
在一个实施例中，基于深度学习模型的癌细胞病理分级装置还包括：划分模块，用于将叠加数字医学图像划分为初始训练集、初始验证集、初始测试集。图像处理模块606，还具体用于对初始训练集中的所有叠加数字医学图像进行切割处理，得到切割数字医学图像；其中，切割数字医学图像内包括至少一个肿瘤；对切割数字医学图像进行旋转处理和/或翻转处理，得到调整数字医学图像；在调整数字医学图像的预设采样范围内进行采样，得到采样数字医学图像，将所有的采样数字医学图像作为扩增训练集；将扩增训练集、初始验证集、初始测试集作为训练图像集合。
在一个实施例中，训练模块608还具体用于将扩增训练集作为输入数据输入卷积神经网络，以用于设置卷积神经网络的模型参数，得到至少一个训练深度学习模型；将初始验证集输入每个训练深度学习模型，记录每个训练深度学习模型的训练准确率，以训练准确率为标准对至少一个训练深度学习模型进行筛选，得到目标深度学习模型；将初始测试集输入到目标深度学习模型中以评价目标深度学习模型的模型性能，若目标深度学习模型的模型性能符合预设标准，则判定目标深度学习模型训练完成。
在一个实施例中，基于深度学习模型的癌细胞病理分级装置还包括：优化模块，用于通过随机梯度下降法对目标深度学习模型进行模型参数优化，得到优化后的目标深度学习模型。
在一个实施例中，配准模块602还具体用于获取已诊断患者在预设扫描时期和/或预设扫描序列中的至少两个待处理数字医学图像。
在一个实施例中，配准模块602还具体用于将至少两个待处理数字医学图像中的任一待处理数字医学图像作为参考图像，将其余待处理数字医学图像作为感测图像；获取参考图像中特征对象的参考位置信息和每个感测图像中特征对象的感测位置信息，根据参考位置信息和感测位置信息估计感测图像和参考图像的映射函数的类型和参数；根据映射函数对每个感测图像进行转换，以使得感测图像与参考图像配准。
在一个实施例中，基于深度学习模型的癌细胞病理分级装置还包括：灰度处理模块，用于获取所有配准数字医学图像的目标窗宽窗位值，根据目标窗宽窗位值对对应的配准数字医学图像的组织密度值进行灰度范围标准化处理。
图7示出了一个实施例中基于深度学习模型的癌细胞病理分级设备的内部结构图。如图7所示，该基于深度学习模型的癌细胞病理分级设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该基于深度学习模型的癌细胞病理分级设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现基于深度学习模型的癌细胞病理分级方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行基于深度学习模型的癌细胞病理分级方法。本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的基于深度学习模型的癌细胞病理分级设备的限定，具体的基于深度学习模型的癌细胞病理分级设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
一种基于深度学习模型的癌细胞病理分级设备，包括存储器、处理器以及存储在该存储器中并可在该处理器上执行的计算机程序，该处理器执行该计算机程序时实现如下步骤：获取已诊断患者的至少两个待处理数字医学图像，对已诊断患者的至少两个待处理数字医学图像进行位置配准，得到至少两个配准数字医学图像；对至少两个配准数字医学图像进行叠加，得到对应已诊断患者的叠加数字医学图像；对叠加数字医学图像进行图像处理，获取训练图像集合；将训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型；获取待诊断患者的待诊断数字医学图像，将待诊断数字医学图像输入到目标深度学习模型中，获取待诊断患者的癌细胞病理分级。
在一个实施例中，在得到对应已诊断患者的叠加数字医学图像之后，还包括：将叠加数字医学图像划分为初始训练集、初始验证集、初始测试集。对叠加数字医学图像进行图像处理，获取训练图像集合，包括：对初始训练集中的所有叠加数字医学图像进行切割处理，得到切割数字医学图像；其中，切割数字医学图像内包括至少一个肿瘤；对切割数字医学图像进行旋转处理和/或翻转处理，得到调整数字医学图像；在调整数字医学图像的预设采样范围内进行采样，得到采样数字医学图像，将所有的采样数字医学图像作为扩增训练集；将扩增训练集、初始验证集、初始测试集作为训练图像集合。
在一个实施例中，将训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型，包括：将扩增训练集作为输入数据输入卷积神经网络，以用于设置卷积神经网络的模型参数，得到至少一个训练深度学习模型；将初始验证集输入每个训练深度学习模型，记录每个训练深度学习模型的训练准确率，以训练准确率为标准对至少一个训练深度学习模型进行筛选，得到目标深度学习模型；将初始测试集输入到目标深度学习模型中以评价目标深度学习模型的模型性能若目标深度学习模型的模型性能符合预设标准，则判定目标深度学习模型训练完成。
在一个实施例中，在将训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型之后，还包括：通过随机梯度下降法对目标深度学习模型进行模型参数优化，得到优化后的目标深度学习模型。
在一个实施例中，获取已诊断患者的至少两个待处理数字医学图像包括：获取已诊断患者在预设扫描时期和/或预设扫描序列中的至少两个待处理数字医学图像。
在一个实施例中，对已诊断患者的至少两个待处理数字医学图像进行位置配准，包括：将至少两个待处理数字医学图像中的任一待处理数字医学图像作为参考图像，将其余待处理数字医学图像作为感测图像；获取参考图像中特征对象的参考位置信息和每个感测图像中特征对象的感测位置信息，根据参考位置信息和感测位置信息估计感测图像和参考图像的映射函数的类型和参数；根据映射函数对每个感测图像进行转换，以使得感测图像与参考图像配准。
在一个实施例中，在对至少两个配准数字医学图像进行叠加，得到对应已诊断患者的叠加数字医学图像之前，还包括：获取所有配准数字医学图像的目标窗宽窗位值，根据目标窗宽窗位值对对应的配准数字医学图像的组织密度值进行灰度范围标准化处理。
一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现如下步骤：获取已诊断患者的至少两个待处理数字医学图像，对已诊断患者的至少两个待处理数字医学图像进行位置配准，得到至少两个配准数字医学图像；对至少两个配准数字医学图像进行叠加，得到对应已诊断患者的叠加数字医学图像；对叠加数字医学图像进行图像处理，获取训练图像集合；将训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型；获取待诊断患者的待诊断数字医学图像，将待诊断数字医学图像输入到目标深度学习模型中，获取待诊断患者的癌细胞病理分级。
在一个实施例中，在得到对应已诊断患者的叠加数字医学图像之后，还包括：将叠加数字医学图像划分为初始训练集、初始验证集、初始测试集。对叠加数字医学图像进行图像处理，获取训练图像集合，包括：对初始训练集中的所有叠加数字医学图像进行切割处理，得到切割数字医学图像；其中，切割数字医学图像内包括至少一个肿瘤；对切割数字医学图像进行旋转处理和/或翻转处理，得到调整数字医学图像；在调整数字医学图像的预设采样范围内进行采样，得到采样数字医学图像，将所有的采样数字医学图像作为扩增训练集；将扩增训练集、初始验证集、初始测试集作为训练图像集合。
在一个实施例中，将训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型，包括：将扩增训练集作为输入数据输入卷积神经网络，以用于设置卷积神经网络的模型参数，得到至少一个训练深度学习模型；将初始验证集输入每个训练深度学习模型，记录每个训练深度学习模型的训练准确率，以训练准确率为标准对至少一个训练深度学习模型进行筛选，得到目标深度学习模型；将初始测试集输入到目标深度学习模型中以评价目标深度学习模型的模型性能。若目标深度学习模型的模型性能符合预设标准，则判定目标深度学习模型训练完成。
在一个实施例中，在将训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型之后，还包括：通过随机梯度下降法对目标深度学习模型进行模型参数优化，得到优化后的目标深度学习模型。
在一个实施例中，获取已诊断患者的至少两个待处理数字医学图像包括：获取已诊断患者在预设扫描时期和/或预设扫描序列中的至少两个待处理数字医学图像。
在一个实施例中，对已诊断患者的至少两个待处理数字医学图像进行位置配准，包括：将至少两个待处理数字医学图像中的任一待处理数字医学图像作为参考图像，将其余待处理数字医学图像作为感测图像；获取参考图像中特征对象的参考位置信息和每个感测图像中特征对象的感测位置信息，根据参考位置信息和感测位置信息估计感测图像和参考图像的映射函数的类型和参数；根据映射函数对每个感测图像进行转换，以使得感测图像与参考图像配准。
在一个实施例中，在对至少两个配准数字医学图像进行叠加，得到对应已诊断患者的叠加数字医学图像之前，还包括：获取所有配准数字医学图像的目标窗宽窗位值，根据目标窗宽窗位值对对应的配准数字医学图像的组织密度值进行灰度范围标准化处理。
需要说明的是，上述基于深度学习模型的癌细胞病理分级方法、装置、设备及计算机可读存储介质属于一个总的发明构思，基于深度学习模型的癌细胞病理分级方法、装置、设备及计算机可读存储介质实施例中的内容可相互适用。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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本申请专利范围的限制。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 (10)

1.一种基于深度学习模型的癌细胞病理分级的方法，其特征在于，所述方法包括：
获取已诊断患者的至少两个待处理数字医学图像，对所述已诊断患者的所述至少两个待处理数字医学图像进行位置配准，得到至少两个配准数字医学图像；
对所述至少两个配准数字医学图像进行叠加，得到对应所述已诊断患者的叠加数字医学图像；
对所述叠加数字医学图像进行图像处理，获取训练图像集合；
将所述训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型；
获取待诊断患者的待诊断数字医学图像，将所述待诊断数字医学图像输入到所述目标深度学习模型中，获取所述待诊断患者的癌细胞病理分级。
2.根据权利要求1所述的方法，其特征在于，在所述得到对应所述已诊断患者的叠加数字医学图像之后，还包括：
将所述叠加数字医学图像划分为初始训练集、初始验证集、初始测试集；
所述对所述叠加数字医学图像进行图像处理，获取训练图像集合，包括：
对所述初始训练集中的所有所述叠加数字医学图像进行切割处理，得到切割数字医学图像；其中，所述切割数字医学图像内包括至少一个肿瘤；
对所述切割数字医学图像进行旋转处理和/或翻转处理，得到调整数字医学图像；
在所述调整数字医学图像的预设采样范围内进行采样，得到采样数字医学图像，将所有的所述采样数字医学图像作为扩增训练集；
将所述扩增训练集、所述初始验证集、初始测试集作为训练图像集合。
3.根据权利要求2所述的方法，其特征在于，所述将所述训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型，包括：
将所述扩增训练集作为输入数据输入所述卷积神经网络，以用于设置所述卷积神经网络的模型参数，得到至少一个训练深度学习模型；
将所述初始验证集输入每个所述训练深度学习模型，记录每个所述训练深度学习模型的训练准确率，以所述训练准确率为标准对所述至少一个训练深度学习模型进行筛选，得到目标深度学习模型；
将所述初始测试集输入到所述目标深度学习模型中以评价所述目标深度学习模型的模型性能，若所述目标深度学习模型的模型性能符合预设标准，则判定所述目标深度学习模型训练完成。
4.根据权利要求1所述的方法，其特征在于，在所述将所述训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型之后，还包括：
通过随机梯度下降法对所述目标深度学习模型进行模型参数优化，得到优化后的目标深度学习模型。
5.根据权利要求1所述的方法，其特征在于，所述获取已诊断患者的至少两个待处理数字医学图像包括：
获取所述已诊断患者在预设扫描时期和/或预设扫描序列中的至少两个待处理数字医学图像。
6.根据权利要求1所述的方法，其特征在于，所述对所述已诊断患者的所述至少两个待处理数字医学图像进行位置配准，包括：
将所述至少两个待处理数字医学图像中的任一待处理数字医学图像作为参考图像，将其余待处理数字医学图像作为感测图像；
获取所述参考图像中特征对象的参考位置信息和每个所述感测图像中特征对象的感测位置信息，根据所述参考位置信息和所述感测位置信息估计所述感测图像和所述参考图像的映射函数的类型和参数；
根据所述映射函数对每个所述感测图像进行转换，以使得所述感测图像与所述参考图像配准。
7.根据权利要求1所述的方法，其特征在于，在所述对所述至少两个配准数字医学图像进行叠加，得到对应所述已诊断患者的叠加数字医学图像之前，还包括：
获取所有所述配准数字医学图像的目标窗宽窗位值，根据所述目标窗宽窗位值对对应的所述配准数字医学图像的组织密度值进行灰度范围标准化处理。
8.一种基于深度学习模型的癌细胞病理分级装置，其特征在于，所述装置包括：
配准模块，用于获取已诊断患者的至少两个待处理数字医学图像，对所述已诊断患者的所述至少两个待处理数字医学图像进行位置配准，得到至少两个配准数字医学图像；
叠加模块，用于对所述至少两个配准数字医学图像进行叠加，得到对应所述已诊断患者的叠加数字医学图像；
图像处理模块，用于对所述叠加数字医学图像进行图像处理，获取训练图像集合；
训练模块，用于将所述训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型；
病理分级模块，用于获取待诊断患者的待诊断数字医学图像，将所述待诊断数字医学图像输入到所述目标深度学习模型中，获取所述待诊断患者的癌细胞病理分级。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种基于深度学习模型的癌细胞病理分级设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
CN202010485524.XA 2020-06-01 2020-06-01 基于深度学习模型的癌细胞病理分级方法、装置、设备和介质 Pending CN111798410A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010485524.XA CN111798410A (zh) 2020-06-01 2020-06-01 基于深度学习模型的癌细胞病理分级方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010485524.XA CN111798410A (zh) 2020-06-01 2020-06-01 基于深度学习模型的癌细胞病理分级方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN111798410A true CN111798410A (zh) 2020-10-20

Family

ID=72806223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010485524.XA Pending CN111798410A (zh) 2020-06-01 2020-06-01 基于深度学习模型的癌细胞病理分级方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN111798410A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419378A (zh) * 2020-11-20 2021-02-26 上海联影智能医疗科技有限公司 医学图像配准方法、电子设备和存储介质
CN112884737A (zh) * 2021-02-08 2021-06-01 武汉大学 基于多级迭代的乳腺癌病理图像中有丝分裂自动检测方法
CN116862836A (zh) * 2023-05-30 2023-10-10 北京透彻未来科技有限公司 一种泛器官淋巴结转移癌检测系统及计算机设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007079099A2 (en) * 2005-12-29 2007-07-12 Carestream Health, Inc. Cross-time and cross-modality medical diagnosis
US20100106002A1 (en) * 2008-10-24 2010-04-29 Atsuko Sugiyama Image display apparatus, image display method, and magnetic resonance imaging apparatus
CN107527361A (zh) * 2017-08-28 2017-12-29 合肥融视信息科技有限公司 基于磁共振影像融合显示的图像显示系统及显示方法
CN107633506A (zh) * 2017-08-31 2018-01-26 深圳市智图医疗技术有限责任公司 一种图像对称性检测方法、装置及终端设备
CN108537773A (zh) * 2018-02-11 2018-09-14 中国科学院苏州生物医学工程技术研究所 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法
CN108986073A (zh) * 2018-06-04 2018-12-11 东南大学 一种基于改进的Faster R-CNN框架的CT图像肺结节检测方法
CN109087318A (zh) * 2018-07-26 2018-12-25 东北大学 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法
CN109727270A (zh) * 2018-12-10 2019-05-07 杭州帝视科技有限公司 心脏核磁共振图像的运动机理和纹理特征分析方法和系统
US20190142358A1 (en) * 2017-11-13 2019-05-16 Siemens Medical Solutions Usa, Inc. Method And System For Dose-Less Attenuation Correction For PET And SPECT
CN110232691A (zh) * 2019-04-18 2019-09-13 浙江大学山东工业技术研究院 一种多模态的ct影像的分割方法
CN111028206A (zh) * 2019-11-21 2020-04-17 万达信息股份有限公司 一种基于深度学习前列腺癌自动检测和分类系统
CN111179231A (zh) * 2019-12-20 2020-05-19 上海联影智能医疗科技有限公司 图像处理方法、装置、设备和存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007079099A2 (en) * 2005-12-29 2007-07-12 Carestream Health, Inc. Cross-time and cross-modality medical diagnosis
US20100106002A1 (en) * 2008-10-24 2010-04-29 Atsuko Sugiyama Image display apparatus, image display method, and magnetic resonance imaging apparatus
CN107527361A (zh) * 2017-08-28 2017-12-29 合肥融视信息科技有限公司 基于磁共振影像融合显示的图像显示系统及显示方法
CN107633506A (zh) * 2017-08-31 2018-01-26 深圳市智图医疗技术有限责任公司 一种图像对称性检测方法、装置及终端设备
US20190142358A1 (en) * 2017-11-13 2019-05-16 Siemens Medical Solutions Usa, Inc. Method And System For Dose-Less Attenuation Correction For PET And SPECT
CN108537773A (zh) * 2018-02-11 2018-09-14 中国科学院苏州生物医学工程技术研究所 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法
CN108986073A (zh) * 2018-06-04 2018-12-11 东南大学 一种基于改进的Faster R-CNN框架的CT图像肺结节检测方法
CN109087318A (zh) * 2018-07-26 2018-12-25 东北大学 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法
CN109727270A (zh) * 2018-12-10 2019-05-07 杭州帝视科技有限公司 心脏核磁共振图像的运动机理和纹理特征分析方法和系统
CN110232691A (zh) * 2019-04-18 2019-09-13 浙江大学山东工业技术研究院 一种多模态的ct影像的分割方法
CN111028206A (zh) * 2019-11-21 2020-04-17 万达信息股份有限公司 一种基于深度学习前列腺癌自动检测和分类系统
CN111179231A (zh) * 2019-12-20 2020-05-19 上海联影智能医疗科技有限公司 图像处理方法、装置、设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FAN LIN 等: "A CT-based deep learning model for predicting the nuclear grade of clear cell renal cell carcinoma", 《EUROPEAN JOURNAL OF RADIOLOGY》, vol. 129, pages 1 - 14 *
郝帅营 等: "磁共振弥散加权成像在直肠癌诊断中的应用价值", 《中国医疗设备》, vol. 25, no. 6, pages 134 - 137 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419378A (zh) * 2020-11-20 2021-02-26 上海联影智能医疗科技有限公司 医学图像配准方法、电子设备和存储介质
CN112419378B (zh) * 2020-11-20 2024-04-09 上海联影智能医疗科技有限公司 医学图像配准方法、电子设备和存储介质
CN112884737A (zh) * 2021-02-08 2021-06-01 武汉大学 基于多级迭代的乳腺癌病理图像中有丝分裂自动检测方法
CN112884737B (zh) * 2021-02-08 2022-07-19 武汉大学 基于多级迭代的乳腺癌病理图像中有丝分裂自动检测方法
CN116862836A (zh) * 2023-05-30 2023-10-10 北京透彻未来科技有限公司 一种泛器官淋巴结转移癌检测系统及计算机设备

Similar Documents

Publication Publication Date Title
CN109993726B (zh) 医学图像的检测方法、装置、设备和存储介质
CN110310256B (zh) 冠脉狭窄检测方法、装置、计算机设备和存储介质
CN111798410A (zh) 基于深度学习模型的癌细胞病理分级方法、装置、设备和介质
CN110766730B (zh) 图像配准及随访评估方法、存储介质及计算机设备
CN110415792B (zh) 图像检测方法、装置、计算机设备和存储介质
CN111160367A (zh) 图像分类方法、装置、计算机设备和可读存储介质
CN110619635B (zh) 基于深度学习的肝细胞癌磁共振图像分割系统和方法
CN110717905B (zh) 脑部图像检测方法、计算机设备和存储介质
US11969265B2 (en) Neural network classification of osteolysis and synovitis near metal implants
CN110751187B (zh) 异常区域图像生成网络的训练方法和相关产品
CN113850753B (zh) 医学图像信息计算方法、装置、边缘计算设备和存储介质
CN111340825A (zh) 一种纵膈淋巴结分割模型的生成方法及系统
CN111325714A (zh) 感兴趣区域的处理方法、计算机设备和可读存储介质
CN114693671B (zh) 基于深度学习的肺结节半自动分割方法、装置、设备及介质
KR102178803B1 (ko) 흉부 의료 영상 판독 지원 시스템 및 방법
US8306354B2 (en) Image processing apparatus, method, and program
CN111223158B (zh) 心脏冠脉图像的伪影校正方法和可读存储介质
CN111128348B (zh) 医学图像处理方法、装置、存储介质及计算机设备
CN110244249B (zh) 磁共振扫描方法、装置、医学扫描设备和存储介质
CN111681205B (zh) 图像分析方法、计算机设备和存储介质
CN110992312B (zh) 医学图像处理方法、装置、存储介质及计算机设备
CN113348485A (zh) 异常检测方法、异常检测程序、异常检测装置、服务器装置以及信息处理方法
CN115375787A (zh) 伪影校正方法、计算机设备及可读存储介质
CN115690063A (zh) 骨密度参数检测方法、计算机设备和存储介质
CN110738664B (zh) 图像定位方法、装置、计算机设备和存储介质

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