CN111986785B - 医学影像标注方法和装置、设备及存储介质 - Google Patents

医学影像标注方法和装置、设备及存储介质 Download PDF

Info

Publication number
CN111986785B
CN111986785B CN202010871983.1A CN202010871983A CN111986785B CN 111986785 B CN111986785 B CN 111986785B CN 202010871983 A CN202010871983 A CN 202010871983A CN 111986785 B CN111986785 B CN 111986785B
Authority
CN
China
Prior art keywords
image
images
similarity
residual
labeling
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
Application number
CN202010871983.1A
Other languages
English (en)
Other versions
CN111986785A (zh
Inventor
代黎明
姜泓羊
张冬冬
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.)
Beijing Zhizhen Internet Technology Co ltd
Original Assignee
Beijing Zhizhen Internet Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Zhizhen Internet Technology Co ltd filed Critical Beijing Zhizhen Internet Technology Co ltd
Priority to CN202010871983.1A priority Critical patent/CN111986785B/zh
Publication of CN111986785A publication Critical patent/CN111986785A/zh
Priority to PCT/CN2021/112677 priority patent/WO2022042348A1/zh
Application granted granted Critical
Publication of CN111986785B publication Critical patent/CN111986785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/147—Discrete orthonormal transforms, e.g. discrete cosine transform, discrete sine transform, and variations therefrom, e.g. modified discrete cosine transform, integer transforms approximating the discrete cosine transform
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本申请公开了一种医学影像标注方法和装置、设备及存储介质，该方法包括：由图像数据库中选取出多类基准图像，并将图像数据库中的剩余图像与所选取出的基准图像进行相似度匹配，依据相似度匹配结果将剩余图像归类到对应的基准图像中，构建得到多类基准图像集合，从基准图像集合中确定待标注图像，基于待标注图像的标注信息确定待标注图像的标注类别，根据标注类别对待标注图像进行图像标注。本公开采用色彩相似度和内容结构相似度对图像内容标准化，解决了自动标注的候选图像选取问题，以使节省了前期图像清洗的人工时间成本，而且提高了图像标注的质量和速度。

Description

医学影像标注方法和装置、设备及存储介质
技术领域
本公开涉及计算机辅助医疗技术领域，尤其涉及一种医学影像标注方法和装置、设备及存储介质。
背景技术
医学影像数据的积累是深度学习技术在医学影像人工智能场景发挥作用的基础，这不仅要求医学影像数据具有足够的数量，而且要求医学影像具备优质的标注信息。在医学人工智能技术的落地发展中，深度学习技术分为监督式学习和非监督式学习，而监督式学习十分依赖于数据的标注信息。医学图像数据的标注工作需要专业的医生来执行，标注的质量受到专业医生水平的限制，标注的数量受到医生的数量及其精力的限制，最终导致医学图像的标注工作效率难以得到提高。目前，已存在一些半自动图像标注方法被提出，这些方法以成熟的深度学习模型为核心，使用训练好的深度学习模型用于特定任务的图像标注，标注后的图像则需要专家进行复核或修正，最终完成标注的工作。医学影像数据标准化和标注是当前医学人工智能技术得以发展的基础，如何提高医学影像的标注效率和质量，提升自动化、降低人为干预，是当前急需思考和解决的技术难题。
发明内容
有鉴于此，本公开提出了一种医学影像标注方法，包括：
由图像数据库中选取出多类基准图像，并将所述图像数据库中的剩余图像与所选取出的基准图像进行相似度匹配，依据相似度匹配结果将所述剩余图像归类到对应的基准图像中，构建得到多类基准图像集合；
从所述基准图像集合中确定待标注图像，基于待标注图像的标注信息确定所述待标注图像的标注类别；
根据所述标注类别对所述待标注图像进行图像标注。
在一种可能的实现方式中，将所述图像数据库中的剩余图像与所选取出的基准图像进行相似度匹配，依据相似度匹配结果将所述剩余图像归类到对应的基准图像中，构建得到多类基准图像集合包括：
将所述图像数据库中的基准图像和剩余图像进行色彩相似度匹配和/或结构信息相似度匹配，得到对应的色彩相似度和/或结构信息相似度；
根据所述色彩相似度和/或所述结构相似度与所对应的预设阈值的大小关系，将所述剩余图像归类为对应的基准图像。
在一种可能的实现方式中，将所述图像数据库中的基准图像和剩余图像进行相似度匹配得到色彩相似度包括：
将所述基准图像和所述剩余图像转换成HSV色彩空间；
将各所述HSV色彩空间中的H分量、S分量和V分量分别按预设数量的区间进行划分并计算颜色特征；
依据所述颜色特征得到颜色直方图向量；
依据所述基准图像和所述剩余图像的颜色直方图向量使用欧氏距离得到所述色彩相似度。
在一种可能的实现方式中，将所述图像数据库中的基准图像和剩余图像进行相似度匹配得到结构信息相似度包括：
将所述基准图像和所述剩余图像进行尺寸调整和灰度处理得到灰度图像；
将所述灰度图像的离散余弦变换后计算低频区的频率信息的均值；
若所述低频区中任一像素点的频率信息大于所述均值，将所述像素点对应的频率信息设置为1；
若所述低频区中任一像素点的频率信息大于所述均值，将所述像素点对应的频率信息设置为0；
将各所述像素点的频率信息依据预设顺序排列生成整数；
依据所述基准图像和所述剩余图像的所述整数使用汉明距离得到所述结构信息相似度。
在一种可能的实现方式中，根据所述标注信息对所述待标注图像进行图像标注包括：
将所述待标注图像依据所述标注信息分为特定结构图像和影像特征图像；
依据所述特定结构图像的特定结构进行图像标注；
依据所述影像特征图像的影像特征进行图像标注。
在一种可能的实现方式中，依据所述特定结构图像的特定结构进行图像标注包括：
依据自建图像模板库对所述特定结构图像使用相关系数法进行模板匹配得到所述特定结构图像中各区域的相似度；其中，所述自建图像模板库中的图像均包括所述特定结构；
若所述相似度大于预设相似度阈值，则将所述相似度对应的区域进行图像标注。
在一种可能的实现方式中，依据所述影像特征图像的影像特征进行图像标注包括：
使用深度学习模型对已标注的自建图像数据库中的图像进行学习得到训练好的所述深度学习模型；其中，所述自建图像数据库中的图像均包含所述影像特征；
使用训练好的所述深度学习模型对所述影像特征图像进行图像标注。
根据本公开的另一方面，提供了一种医学影像标注装置，其特征在于，包括相似度评分模块、待标注图像获取模块和图像标注模块；
所述相似度评分模块，被配置为由图像数据库中选取出多类基准图像，并将所述图像数据库中的剩余图像与所选取出的基准图像进行相似度匹配，依据相似度匹配结果将所述剩余图像归类到对应的基准图像中，构建得到多类基准图像集合；
所述待标注图像获取模块，被配置为从所述基准图像集合中确定待标注图像，基于待标注图像的标注信息确定所述待标注图像的标注类别；
所述图像标注模块，被配置为根据所述标注类别对所述待标注图像进行图像标注。
根据本公开的另一方面，提供了一种医学影像标注设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现前面任一所述的方法。
根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现前面任一所述的方法。
这样，通过由图像数据库中选取出多类基准图像，并将图像数据库中的剩余图像与所选取出的基准图像进行相似度匹配，依据相似度匹配结果将剩余图像归类到对应的基准图像中，构建得到多类基准图像集合，从基准图像集合中确定待标注图像，基于待标注图像的标注信息确定待标注图像的标注类别，根据标注类别对待标注图像进行图像标注。本公开采用色彩相似度和内容结构相似度对图像内容标准化，解决了自动标注的候选图像选取问题，以使节省了前期图像清洗的人工时间成本，而且提高了图像标注的质量和速度。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出本公开实施例的医学影像标注方法的流程图；
图2示出本公开实施例的医学影像标注方法的图像标准化原理图；
图3示出本公开实施例的医学影像标注方法的自动标注原理图；
图4示出本公开实施例的医学影像标注装置的框图；
图5示出本公开实施例的医学影像标注设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开一实施例的医学影像标注方法的流程图。如图1所示，该医学影像标注方法包括：
步骤S100，由图像数据库中选取出多类基准图像，并将图像数据库中的剩余图像与所选取出的基准图像进行相似度匹配，依据相似度匹配结果将剩余图像归类到对应的基准图像中，构建得到多类基准图像集合，步骤S200，从基准图像集合中确定待标注图像，基于待标注图像的标注信息确定待标注图像的标注类别，步骤S300，根据标注类别对待标注图像进行图像标注。
通过由图像数据库中选取出多类基准图像，并将图像数据库中的剩余图像与所选取出的基准图像进行相似度匹配，依据相似度匹配结果将剩余图像归类到对应的基准图像中，构建得到多类基准图像集合，从基准图像集合中确定待标注图像，基于待标注图像的标注信息确定待标注图像的标注类别，根据标注类别对待标注图像进行图像标注。本公开采用色彩相似度和内容结构相似度对图像内容标准化，解决了自动标注的候选图像选取问题，以使节省了前期图像清洗的人工时间成本，而且提高了图像标注的质量和速度。
具体的，参见图1，执行步骤S100，由图像数据库中选取出多类基准图像，并将图像数据库中的剩余图像与所选取出的基准图像进行相似度匹配，依据相似度匹配结果将剩余图像归类到对应的基准图像中，构建得到多类基准图像集合。
在一种可能的实现方式中，将图像数据库中的剩余图像与所选取出的基准图像进行相似度匹配，依据相似度匹配结果将剩余图像归类到对应的基准图像中，构建得到多类基准图像集合包括：将图像数据库中的基准图像和剩余图像进行色彩相似度匹配和/或结构信息相似度匹配，得到对应的色彩相似度和/或结构信息相似度，根据色彩相似度和/或结构相似度与所对应的预设阈值的大小关系，将剩余图像归类为对应的基准图像。具体的，将图像数据库中的基准图像和剩余图像进行相似度匹配得到色彩相似度包括：将基准图像和剩余图像转换成HSV色彩空间，将各HSV色彩空间中的H分量、S分量和V分量分别按预设数量的区间进行划分并计算颜色特征，依据颜色特征得到颜色直方图向量，依据基准图像和剩余图像的颜色直方图向量使用欧氏距离得到色彩相似度。举例来说，从已有的图像数据库中选择多个类别的基准图像，每一类别基准图像包括多张基准图像，分别将基准图像与图像数据库中的剩余图像进行色彩相似度匹配，首先，将基准图像和剩余图像均转换成HSV色彩空间，其中，基准图像和剩余图像均为RGB图像，进一步的，将H分量（色调）、S分量（饱和度）、V分量（明暗）分量进行均匀划分，其中，H分量分成8个区间，即，H∈[0,1,…,7]，S分量分成3个区间，即，S∈[0,1,2]，V分量分成3个区间，即，V∈[0,1,2]，最后依据公式一计算颜色特征，公式一如下所示：
公式一：
其中，F的取值范围为[0, 71]，每一张图像可得到一个72维的颜色直方图向量，接着依据两个图像的颜色直方图向量使用欧式距离可以计算两个图像的色彩相似度。
进一步的，在一种可能的实现方式中，将图像数据库中的基准图像和剩余图像进行相似度匹配得到结构信息相似度包括：将基准图像和剩余图像进行尺寸调整和灰度处理得到灰度图像，将灰度图像的离散余弦变换后计算低频区的频率信息的均值，若低频区中任一像素点的频率信息大于均值，将像素点对应的频率信息设置为1，若低频区中任一像素点的频率信息大于均值，将像素点对应的频率信息设置为0，将各像素点的频率信息依据预设顺序排列生成整数，依据基准图像和剩余图像的整数使用汉明距离得到结构信息相似度。举例来说：首先，将基准图像和剩余图像的图像尺寸均缩小至32×32像素的大小，接着将基准图像和剩余图像转化成灰度图像，并分别计算基准图像和剩余图像的离散余弦变换（DCT），二维DCT的变换公式如公式二所示：
公式二：
其中，f(i, j)是原始信号，c(u)和c(v)是补偿系数，N为时间域的最大序点，且N的值为32。
进一步的，提取每个灰度图像F(u, v)中的低频区信息，示例性的，即8×8区域，即u∈[0, 7]，v∈[0, 7]，并计算提取到的低频区的频率信息的均值，将8×8区域的每一个像素点的频率信息分别与均值进行比较，若像素点的频率信息大于低频区的频率信息的均值则将该点的频率信息设置为1，若像素点的频率信息小于低频区的频率信息的均值则将该点的频率信息设置为0，按照预定的顺序将得到的频率信息排列成一个64位整数，即得到该图像的内容结构特征，接着依据两个灰度图像的64位整数使用汉明距离可以计算两个图像的结构信息相似度。
进一步的，参见图1，若相似度评分大于或等于预设阈值，则将相似度评分对应的剩余图像归入基准图像对应的组。
在一种可能的实现方式中，在得到色彩相似度和结构信息相似度之后，基于色彩相似度和内容结构相似度的测量，可以依据预设的相似度阈值，预设的相似度阈值包括色彩相似度阈值（Tcolor）和内容结构相似度阈值（Tcontent），从图像数据库中的剩余图像找到与基准图像相似的图像，若大于或等于相似度阈值，则将剩余图像归类为预设的多个基准图像的对应的组中，即基准图像对应的图片集合，否则返还至图像数据库。示例性的，从图像数据库的剩余图像中输入一张图片，将这张图片与各类别的基准图像做相似度评分，其中，基准图像包括K个类别，该图片与第一类别基准图像的色彩相似度小于色彩相似度阈值和结构信息相似度，则将该图片返回图像数据库，继续进行相似度评分，该图片与第二类别基准图像的色彩相似度大于色彩相似度阈值和结构信息相似度，则将该图片归入第二类别基准图片中。
另外的，参见图2，在将剩余图像分入多个组后，还可以经过人为的抽检和校验每个组中的图像，可以依据分组的结果对基准图像进行调整和更新，即完成了图像标准化。
进一步的，参见图1，执行步骤S200，从基准图像集合中确定待标注图像，基于待标注图像的标注信息确定待标注图像的标注类别。
在一种可能的实现方式中，人为的选择需要的标注的图像，即从基准图像对应的基准图像集合中选取，并将这些需要标注的图像添加待标注图像的标识，然后可以根据标识获取待标注图像，另外的，人为的还对每张图像添加标注信息，接着可以直接获取每张图片的标注信息，以使可以根据标注信息确定待标注图像的标注类别。举例来说，在确定待标注图像之后，可以根据人为经验将待标注图像添加两类标注信息，分别为特定结构标注信息和影像特征标注信息，其中以医学图像中的眼底影像为例，眼底图像中的视盘和黄斑可以被认为是典型的特定结构信息，一些典型的病灶，示例性的：出血、渗出、增殖膜等，会根据不同的患者、不同的发病时间、不同的成像条件，反映出不同的影像特征。示例性的，人为的将特定结构标注信息设置为“A”，将影像特征标注信息设置为“B”，在获取到待标注图像之后，若待标注图像对应的标注信息为“A”，则确定该标注图像为特定结构图像，若待标注图像对应的标注信息为“B”，则确定该标注图像为影像特征图像。
进一步的，在获取到待标注图像和标注信息时，参见图1，执行步骤S300，根据标注类别对待标注图像进行图像标注。
在一种可能的实现方式中，根据标注信息对待标注图像进行图像标注包括：将待标注图像依据标注信息分为特定结构图像和影像特征图像，依据特定结构图像的特定结构进行图像标注，依据影像特征图像的影像特征进行图像标注。具体的，依据特定结构图像的特定结构进行图像标注包括：依据自建图像模板库对特定结构图像使用相关系数法进行模板匹配得到特定结构图像中各区域的相似度，其中，自建图像模板库中的图像均包括特定结构，若相似度大于预设相似度阈值，则将相似度对应的区域进行图像标注。在依据特定结构图像的特定结构进行图像标注前，还需要使用现有的图像模板库或建立图像模板库，其中，在建立图像模板库时，可以由人为的从待标注图像中选取图像模板，图像模板可以选取多个，然后建立图像模板库。举例来说，使用图像模板库中的模板图像对特定结构图像使用相关系数匹配法进行模板匹配，其中相关系数匹配法进行模板匹配使用公式三进行计算；
公式三：
其中，T(x, y)表示模板图像，I(x, y)表示特定结构图像，w和h分别为模板图像的宽和高。
通过公式三计算特定结构图像与模板图像的相似度，若特定结构图像中某区域的相似度大于预设阈值，则将该区域进行标签化处理，即完成了图像标注，且该标签可进行编辑，以使方便人为的修改调整。
在一种可能的实现方式中，依据影像特征图像的影像特征进行图像标注包括：使用深度学习模型对已标注的自建图像数据库中的图像进行学习得到训练好的深度学习模型，其中，自建图像数据库中的图像均包含影像特征，使用训练好的深度学习模型对影像特征图像进行图像标注。在进行依据影像特征图像的影像特征进行图像标注前，需要先构建一个已标注图像数据库，即已标注的自建图像数据库，其中，已标注图像数据库中的图像为经过专业人士标注的图像，进一步的，举例来说，采用深度学习模型对已标注的自建图像数据库进行学习，具体的，可以使用分类模型ResNet或目标检测模型FasterRcnn对已标注的自建图像数据库进行学习，并且可以使用迁移学习增强深度学习模型的学习效果，接着使用训练后的深度学习模型对影像特征图像进行图像标注，即生成标签，并将标签与对应区域进行关联。其中，标签的格式可以为csv文件或者xml文件。
需要说明的是，本公开的实施例不对深度学习模型的类型进行限定，可以达到目的即可，同样的，不对标签的格式进行限定，可以达到目的即可。
另外的，参见图3，在图像标注完成后，可以进行人为的抽检及校验标注结果，若标注的结果满足要求，则将已经进行图像标注的图像和标签存储于金标图像数据库中，如果不满足要求，则对已经进行图像标注的图像进行纠正或舍弃并返还原图像数据库中，即已完成了自动标注。此外，根据自动标注的结果，调整并更新图像模板库中的模板图像，同时将金标数据添加至深度学习模型的训练数据集中去，增强深度学习模型的标注能力。
需要说明的是，尽管以上述各个步骤作为示例介绍了医学影像标注方法如上，但本领域技术人员能够理解，本公开应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活设定医学影像标注方法，只要达到所需功能即可。
这样，通过由图像数据库中选取出多类基准图像，并将图像数据库中的剩余图像与所选取出的基准图像进行相似度匹配，依据相似度匹配结果将剩余图像归类到对应的基准图像中，构建得到多类基准图像集合，从基准图像集合中确定待标注图像，基于待标注图像的标注信息确定待标注图像的标注类别，根据标注类别对待标注图像进行图像标注。本公开采用色彩相似度和内容结构相似度对图像内容标准化，解决了自动标注的候选图像选取问题，以使节省了前期图像清洗的人工时间成本，而且提高了图像标注的质量和速度。
进一步的，根据本公开的另一方面，还提供了一种医学影像标注装置100。由于本公开实施例的医学影像标注装置100的工作原理与本公开实施例的医学影像标注方法的原理相同或相似，因此重复之处不再赘述。参见图4，本公开实施例的医学影像标注装置100包括：相似度评分模块110、待标注图像获取模块120和图像标注模块130；
相似度评分模块110，被配置为将图像数据库中的剩余图像与基准图像进行相似度匹配，依据相似度匹配将剩余图像归入对应的基准图像集合；
待标注图像获取模块120，被配置为从基准图像集合中获取待标注图像，基于待标注图像的标注信息确定待标注图像的标注类别；
图像标注模块130，被配置为根据标注类别对待标注图像进行图像标注。
更进一步地，根据本公开的另一方面，还提供了一种医学影像标注设备200。参阅图5，本公开实施例医学影像标注设备200包括处理器210以及用于存储处理器210可执行指令的存储器220。其中，处理器210被配置为执行可执行指令时实现前面任一所述的医学影像标注方法。
此处，应当指出的是，处理器210的个数可以为一个或多个。同时，在本公开实施例的医学影像标注设备200中，还可以包括输入装置230和输出装置240。其中，处理器210、存储器220、输入装置230和输出装置240之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。
存储器220作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本公开实施例的医学影像标注方法所对应的程序或模块。处理器210通过运行存储在存储器220中的软件程序或模块，从而执行医学影像标注设备200的各种功能应用及数据处理。
输入装置230可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置240可以包括显示屏等显示设备。
根据本公开的另一方面，还提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令被处理器210执行时实现前面任一所述的医学影像标注方法。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种医学影像标注方法，其特征在于，包括：
由图像数据库中选取出多类基准图像，并将所述图像数据库中的剩余图像与所选取出的基准图像进行相似度匹配，依据相似度匹配结果将所述剩余图像归类到对应的基准图像中，构建得到多类基准图像集合；
从所述基准图像集合中确定待标注图像，基于待标注图像的标注信息确定所述待标注图像的标注类别；
根据所述标注类别对所述待标注图像进行图像标注；
将所述图像数据库中的剩余图像与所选取出的基准图像进行相似度匹配，依据相似度匹配结果将所述剩余图像归类到对应的基准图像中，构建得到多类基准图像集合包括：
将所述图像数据库中的基准图像和剩余图像进行色彩相似度匹配和/或结构信息相似度匹配，得到对应的色彩相似度和/或结构信息相似度；
根据所述色彩相似度和/或所述结构信息相似度与所对应的预设阈值的大小关系，将所述剩余图像归类为对应的基准图像；
将所述图像数据库中的基准图像和剩余图像进行相似度匹配得到结构信息相似度包括：
将所述基准图像和所述剩余图像进行尺寸调整和灰度处理得到灰度图像；
将所述灰度图像的离散余弦变换后计算低频区的频率信息的均值；
若所述低频区中任一像素点的频率信息大于所述均值，将所述像素点对应的频率信息设置为1；
若所述低频区中任一像素点的频率信息小于所述均值，将所述像素点对应的频率信息设置为0；
将各所述像素点的频率信息依据预设顺序排列生成整数；
依据所述基准图像和所述剩余图像的所述整数使用汉明距离得到所述结构信息相似度。
2.根据权利要求1所述的方法，其特征在于，将所述图像数据库中的基准图像和剩余图像进行相似度匹配得到色彩相似度包括：
将所述基准图像和所述剩余图像转换成HSV色彩空间；
将各所述HSV色彩空间中的H分量、S分量和V分量分别按预设数量的区间进行划分并计算颜色特征；
依据所述颜色特征得到颜色直方图向量；
依据所述基准图像和所述剩余图像的颜色直方图向量使用欧氏距离得到所述色彩相似度。
3.根据权利要求1所述的方法，其特征在于，根据所述标注信息对所述待标注图像进行图像标注包括：
将所述待标注图像依据所述标注信息分为特定结构图像和影像特征图像；
依据所述特定结构图像的特定结构进行图像标注；
依据所述影像特征图像的影像特征进行图像标注。
4.根据权利要求3所述的方法，其特征在于，依据所述特定结构图像的特定结构进行图像标注包括：
依据自建图像模板库对所述特定结构图像使用相关系数法进行模板匹配得到所述特定结构图像中各区域的相似度；其中，所述自建图像模板库中的图像均包括所述特定结构；
若所述相似度大于预设相似度阈值，则将所述相似度对应的区域进行图像标注。
5.根据权利要求3所述的方法，其特征在于，依据所述影像特征图像的影像特征进行图像标注包括：
使用深度学习模型对已标注的自建图像数据库中的图像进行学习得到训练好的所述深度学习模型；其中，所述自建图像数据库中的图像均包含所述影像特征；
使用训练好的所述深度学习模型对所述影像特征图像进行图像标注。
6.一种医学影像标注装置，其特征在于，包括相似度评分模块、待标注图像获取模块和图像标注模块；
所述相似度评分模块，被配置为由图像数据库中选取出多类基准图像，并将所述图像数据库中的剩余图像与所选取出的基准图像进行相似度匹配，依据相似度匹配结果将所述剩余图像归类到对应的基准图像中，构建得到多类基准图像集合；
所述待标注图像获取模块，被配置为从所述基准图像集合中确定待标注图像，基于待标注图像的标注信息确定所述待标注图像的标注类别；
所述图像标注模块，被配置为根据所述标注类别对所述待标注图像进行图像标注；
将所述图像数据库中的剩余图像与所选取出的基准图像进行相似度匹配，依据相似度匹配结果将所述剩余图像归类到对应的基准图像中，构建得到多类基准图像集合包括：
将所述图像数据库中的基准图像和剩余图像进行色彩相似度匹配和/或结构信息相似度匹配，得到对应的色彩相似度和/或结构信息相似度；
根据所述色彩相似度和/或所述结构信息相似度与所对应的预设阈值的大小关系，将所述剩余图像归类为对应的基准图像；
将所述图像数据库中的基准图像和剩余图像进行相似度匹配得到结构信息相似度包括：
将所述基准图像和所述剩余图像进行尺寸调整和灰度处理得到灰度图像；
将所述灰度图像的离散余弦变换后计算低频区的频率信息的均值；
若所述低频区中任一像素点的频率信息大于所述均值，将所述像素点对应的频率信息设置为1；
若所述低频区中任一像素点的频率信息大于所述均值，将所述像素点对应的频率信息设置为0；
将各所述像素点的频率信息依据预设顺序排列生成整数；
依据所述基准图像和所述剩余图像的所述整数使用汉明距离得到所述结构信息相似度。
7.一种医学影像标注设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现权利要求1至5中任意一项所述的方法。
8.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的方法。
CN202010871983.1A 2020-08-26 2020-08-26 医学影像标注方法和装置、设备及存储介质 Active CN111986785B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010871983.1A CN111986785B (zh) 2020-08-26 2020-08-26 医学影像标注方法和装置、设备及存储介质
PCT/CN2021/112677 WO2022042348A1 (zh) 2020-08-26 2021-08-16 医学影像标注方法和装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010871983.1A CN111986785B (zh) 2020-08-26 2020-08-26 医学影像标注方法和装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111986785A CN111986785A (zh) 2020-11-24
CN111986785B true CN111986785B (zh) 2023-09-12

Family

ID=73439931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010871983.1A Active CN111986785B (zh) 2020-08-26 2020-08-26 医学影像标注方法和装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN111986785B (zh)
WO (1) WO2022042348A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986785B (zh) * 2020-08-26 2023-09-12 北京至真互联网技术有限公司 医学影像标注方法和装置、设备及存储介质
CN112669090A (zh) * 2021-01-06 2021-04-16 广东创意热店互联网科技有限公司 一种智能生成广告海报的方法、电子设备、计算机可读存储介质
CN112906817A (zh) * 2021-03-16 2021-06-04 中科海拓(无锡)科技有限公司 一种智能图像标注方法
CN113178248A (zh) * 2021-04-28 2021-07-27 联仁健康医疗大数据科技股份有限公司 医学图像数据库建立方法、装置、设备及存储介质
CN113159234B (zh) * 2021-05-24 2021-12-28 广州市吉华勘测股份有限公司 巡检图片的类别标注方法、装置、电子设备和存储介质
CN115713664B (zh) * 2022-12-06 2023-06-09 浙江中测新图地理信息技术有限公司 一种消防验收的智能标注方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563123A (zh) * 2017-09-27 2018-01-09 百度在线网络技术（北京）有限公司 用于标注医学图像的方法和装置
CN109003269A (zh) * 2018-07-19 2018-12-14 哈尔滨工业大学 一种能提高医生效率的医学影像病灶的标注提取方法
CN109359517A (zh) * 2018-08-31 2019-02-19 深圳市商汤科技有限公司 图像识别方法和装置、电子设备、存储介质、程序产品
CN109902672A (zh) * 2019-01-17 2019-06-18 平安科技（深圳）有限公司 图像标注方法及装置、存储介质、计算机设备
CN110993064A (zh) * 2019-11-05 2020-04-10 北京邮电大学 面向深度学习的医学影像标注方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103207879B (zh) * 2012-01-17 2016-03-30 阿里巴巴集团控股有限公司 图像索引的生成方法及设备
US10679345B2 (en) * 2017-12-20 2020-06-09 International Business Machines Corporation Automatic contour annotation of medical images based on correlations with medical reports
CN110264443B (zh) * 2019-05-20 2024-04-16 平安科技（深圳）有限公司 基于特征可视化的眼底图像病变标注方法、装置及介质
CN110322436B (zh) * 2019-06-19 2020-10-02 广州金域医学检验中心有限公司 医学图像处理方法、装置、存储介质及设备
CN110459299B (zh) * 2019-07-10 2023-06-27 中山大学 一种视网膜眼底彩色照片图像筛选方法
CN111986785B (zh) * 2020-08-26 2023-09-12 北京至真互联网技术有限公司 医学影像标注方法和装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563123A (zh) * 2017-09-27 2018-01-09 百度在线网络技术（北京）有限公司 用于标注医学图像的方法和装置
CN109003269A (zh) * 2018-07-19 2018-12-14 哈尔滨工业大学 一种能提高医生效率的医学影像病灶的标注提取方法
CN109359517A (zh) * 2018-08-31 2019-02-19 深圳市商汤科技有限公司 图像识别方法和装置、电子设备、存储介质、程序产品
CN109902672A (zh) * 2019-01-17 2019-06-18 平安科技（深圳）有限公司 图像标注方法及装置、存储介质、计算机设备
CN110993064A (zh) * 2019-11-05 2020-04-10 北京邮电大学 面向深度学习的医学影像标注方法及装置

Also Published As

Publication number Publication date
CN111986785A (zh) 2020-11-24
WO2022042348A1 (zh) 2022-03-03

Similar Documents

Publication Publication Date Title
CN111986785B (zh) 医学影像标注方法和装置、设备及存储介质
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
US7545985B2 (en) Method and system for learning-based quality assessment of images
CN108921057B (zh) 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置
CN107633237B (zh) 图像背景分割方法、装置、设备及介质
CN110765882B (zh) 一种视频标签确定方法、装置、服务器及存储介质
CN111931751B (zh) 深度学习训练方法、目标物识别方法、系统和存储介质
KR102245218B1 (ko) 기계학습을 위한 정규화 방법 및 그 장치
CN110807775A (zh) 基于人工智能的中医舌像分割装置、方法及存储介质
CN112307853A (zh) 航拍图像的检测方法、存储介质和电子装置
CN113449704B (zh) 人脸识别模型训练方法、装置、电子设备及存储介质
CN113221869B (zh) 医疗发票结构化信息提取方法、装置设备及存储介质
CN111862040B (zh) 人像图片质量评价方法、装置、设备及存储介质
CN112836653A (zh) 人脸隐私化方法、设备、装置及计算机存储介质
CN113722458A (zh) 视觉问答处理方法、设备、计算机可读介质和程序产品
CN115641323A (zh) 医学图像自动标注的方法及装置
CN115984930A (zh) 微表情识别方法、装置、微表情识别模型的训练方法
CN111414823B (zh) 人体特征点的检测方法、装置、电子设备以及存储介质
CN113052236A (zh) 一种基于NASNet的肺炎图像分类方法
CN111414930B (zh) 深度学习模型训练方法及装置、电子设备及存储介质
CN109886320B (zh) 一种人体股骨x光片智能识读方法及系统
CN104598866B (zh) 一种基于人脸的社交情商促进方法及系统
CN111179222A (zh) 脑出血点智能检测方法、装置及计算机可读存储介质
CN114299567B (zh) 模型训练、活体检测方法、电子设备及存储介质
CN115880358A (zh) 定位模型的构建方法、影像标志点的定位方法及电子设备

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