CN112330644A - 基于深度学习的医疗影像诊断系统 - Google Patents
基于深度学习的医疗影像诊断系统 Download PDFInfo
- Publication number
- CN112330644A CN112330644A CN202011252132.5A CN202011252132A CN112330644A CN 112330644 A CN112330644 A CN 112330644A CN 202011252132 A CN202011252132 A CN 202011252132A CN 112330644 A CN112330644 A CN 112330644A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- image
- request
- message
- 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
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000003745 diagnosis Methods 0.000 title abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 238000010191 image analysis Methods 0.000 claims abstract description 29
- 238000013500 data storage Methods 0.000 claims abstract description 19
- 238000000586 desensitisation Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000004913 activation Effects 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims abstract description 4
- 238000012952 Resampling Methods 0.000 claims description 12
- 238000012856 packing Methods 0.000 claims description 9
- 230000010365 information processing Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims 1
- 238000000034 method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Bioethics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种基于深度学习的医疗影像诊断系统，其特征在于，包括：请求类型存储模块、数据存储模块、请求解析判断模块、消息判断设定模块、路由模块、数据处理模块、数据读写模块以及影像分析模块。其中，数据读写模块包括脱敏单元，影像分析模块包括卷积网络单元。脱敏单元将MRI原始影像数据的格式转换为NIFTI格式得到目标影像。卷积网络单元为一个包含卷积层、池化层以及激活层的深度神经网络，用于对预处理数据进行推断得到分析结果。本系统可以对于MRI原始影像数据中涉及到的病患的敏感信息进行脱敏从而保护病患的隐私，同时还能对经过预处理的MRI原始影像数据进行影像分析得到分析结果从而为医师提供参考依据。
Description
技术领域
本发明属于计算机视觉领域，具体涉及一种基于深度学习的医疗影像诊断系统。
背景技术
医疗影像是一种通过非侵入的方式获取人体内部组织图像的技术和过程，它为医师的诊断结果提供了重要的参考依据。
传统的医疗影像诊断是医师依靠医疗影像、体征、描述以及各种检查数据进行分析得到诊断结果，这一过程往往非常耗时，同时还存在因为医师失误而误诊的可能性。
近年来，随着机器学习技术的发展，基于机器学习的医疗影像诊断应运而生，其一般流程为先从一组训练数据中自动学习识别特征模式，然后建立相应的模型来预测相应的诊断结果。与传统的医疗影像诊断相比，基于机器学习的医疗影像诊断通过从各种参数图中提取图像特征(包括临床特征，直方图特征和纹理特征)来获得令人满意的性能，并利用不同的特征归一化和选择算法来提高判别模型的有效性。不仅节省了时间并提高了并降低了误诊的可能性。
然而，现有的基于机器学习的医疗影像诊断有两个缺点。其一，成像预处理过程的复杂度以及耗时情况很大程度上依赖于操作员的经验多少，如果操作员经验不丰富，则整个成像预处理过程会很复杂并且耗时过久，影响整个诊断的效率；其二，判别模型的鲁棒性低。这两个缺点使得相关研究工作很难进入临床落地阶段。
为了提高判别模型的鲁棒性，很多研究人员将深度学习中的卷积神经网络应用到医疗影像中，从而使得判别模型具有更出色的性能。但是，基于深度学习的医疗影像虽然提高了判别模型的性能，但是仍存在训练数据量不足，以及未对涉及患者隐私的训练数据进行脱敏处理从而泄露患者敏感信息。
发明内容
为解决上述问题，提供了一种对MRI原始影像数据进行脱敏处理并提供影像分析的系统，本发明采用了如下技术方案：
本发明提供了基于深度学习的医疗影像诊断系统，用于根据用户的外部请求对MRI原始影像数据进行处理从而获得分析结果并输出，其特征在于，包括：请求类型存储模块、数据存储模块、请求解析判断模块、消息判断设定模块、路由模块、数据处理模块、数据读写模块以及影像分析模块，其中，请求类型存储模块存储有与外部请求相关的请求类型，该请求类型包括MRI读写请求以及MRI分析请求，数据存储模块存储有MRI原始影像数据，请求解析判断模块将外部请求解析为包含与请求类型相对应的消息头以及消息体的内部消息并判断该内部消息是否合法，消息判断设定模块在内部消息为合法时判断消息头所对应的请求类型并将该请求类型设定为目标类型，路由模块在目标类型为MRI读写请求时将内部消息发送至数据处理模块，数据处理模块根据MRI读写请求对内部消息进行不同的包装得到打包消息，数据读写模块对打包消息进行读写操作从而从数据存储模块中获取对应的MRI原始影像数据并设定为目标影像，数据处理模块对目标影像进行预处理得到预处理数据并将该预处理数据作为消息体打包成新的内部消息发送至路由模块，路由模块在目标类型为MRI分析请求时将新的内部消息发送至影像分析模块，影像分析模块对新的内部消息进行影像分析得到分析结果，其中，数据读写模块包括脱敏单元，影像分析模块包括卷积网络单元，脱敏单元将MRI原始影像数据的格式转换为NIFTI格式得到目标影像，卷积网络单元为一个包含卷积层、池化层以及激活层的深度神经网络，用于对新的内部消息进行推断得到分析结果。
根据本发明提供的基于深度学习的医疗影像诊断系统，还可以具有这样的技术特征，其中，数据处理模块包括重采样单元、图像处理单元、数据标准化单元以及消息打包单元，重采样单元对目标影像进行重采样操作得到采样数据，图像处理单元对采样数据进行图像变换操作得到变换数据，数据标准化单元对变换数据进行标准化操作得到预处理数据，消息打包单元将预处理数据作为消息体打包成新的内部消息。
根据本发明提供的基于深度学习的医疗影像诊断系统，还可以具有这样的技术特征，其中，数据读写模块还包括DCM序列读取单元、影像元数据处理单元以及病例信息处理单元，DCM序列读取单元用于从数据存储模块中读取MRI原始影像数据，影像元数据处理单元用于读取与MRI原始影像数据相对应的MRI影像的图片信息，病例信息处理单元用于读取与MRI原始影像数据相对应的病患的个体信息。
根据本发明提供的基于深度学习的医疗影像诊断系统，还可以具有这样的技术特征，其中，深度神经网络的核心卷积层为1×3×3核心和3×1×1核心衔接的两个卷积层。
根据本发明提供的基于深度学习的医疗影像诊断系统，还可以具有这样的技术特征，还包括：显示模块，用于显示分析结果。
发明作用与效果
根据本发明的基于深度学习的医疗影像诊断系统，由于数据处理模块在接收到MRI读写请求时对内部消息进行不同的包装得到打包消息，进一步地，数据读写模块对打包消息进行读写操作得到对应的MRI原始影像数据并设定为目标影像，然后通过数据处理模块对目标影像进行预处理从而得到预处理数据，另外，数据读写模块包括脱敏单元，该脱敏单元将MRI原始影像数据的格式转换为NIFTI格式得到目标影像，因此，对涉及患者隐私的敏感信息进行了处理从而保护了患者的信息安全，达到训练数据脱敏的效果。
同时，影像分析模块对包含预处理数据的新的内部消息进行影像分析得到分析结果，该影像分析模块包括卷积网络单元，该卷积网络可以对预处理数据进行推断得到分析结果，因此为医师提供了准确性较高的分析结果作为参考，大大节省了医师的时间以及精力，还避免了因为失误而误诊的情况。
综上，本系统可以在保障患者敏感信息的同时还能提供较好的MRI分析结果从而为医生提供分析结果作为参考，提供医师的工作效率。
附图说明
图1为本发明实施例中基于深度学习的医疗影像诊断系统的结构框图；以及
图2为本发明实施例中基于深度学习的医疗影像诊断系统工作过程的流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的一种与增强现实交互的智能语音早教系统作具体阐述。
<实施例>
本实例中的基于深度学习的医疗影像诊断系统在Linux平台上运行，该平台至少具有一张图形处理单元GPU卡的支持。
图1为本发明实施例中基于深度学习的医疗影像诊断系统的结构框图。
如图1所示，基于深度学习的医疗影像诊断系统1包括请求类型存储模块11、数据存储模块12、请求解析判断模块13、消息判断设定模块14、路由模块15、数据处理模块16、数据读写模块17、影像分析模块18、显示模块19以及控制模块20。
请求类型存储模块11存储有与外部请求相关的请求类型，该请求类型包括MRI读写请求以及MRI分析请求。
其中，MRI读写请求包括MRI读取请求以及MRI写入请求。
数据存储模块12存储有MRI原始影像数据。
其中，MRI原始影像数据为医院常规的扫描序列文件，该MRI原始影像数据存储的时候以一个模态为单位，本实施例中的数据存储模块12至少存储有2个模态的MRI原始影像数据。
请求解析判断模块13将外部请求解析为包含与请求类型相对应的消息头以及消息体的内部消息并判断该内部消息是否合法。
本实施例中，请求解析判断模块13为API接口，它为基于深度学习的医疗影像诊断系统1提供了对外交互的唯一通道，其他移动终端或是系统可以通过该API接口实现MRI原始影像数据的读写以及分析。
请求解析判断模块13在监听到外部请求时会将该外部请求解析成相应的内部消息，该内部消息包括消息头和消息体，外部请求的请求类型即为消息头。
同时，请求解析判断模块13会对监听到的外部请求进行身份与合法性的判断。
当请求解析判断模块13判断出外部请求为非法请求或者存在权限问题时，本系统就直接对该外部请求进行响应(例如通过显示模块19显示“没有权限”相关提醒信息)。
当请求解析判断模块13判断出外部请求为合法请求并且不存在权限问题时，消息判断设定模块14就根据消息头判断监听到的外部请求的请求类型，并将该请求类型设定为目标类型。
路由模块15可以分发内部消息，它根据目标类型的不同，将内部消息分发给不同的模块从而进行后续的处理。具体地：
当目标类型为MRI读写请求时，路由模块15会将内部消息发送至数据处理模块16。
数据处理模块16在接收到内部消息后先判断MRI读写请求是MRI读取请求还是MRI写入请求，然后将MRI读取请求或是MRI写入请求需要的不同的信息进行打包从而得到打包消息，该打包消息根据请求的不同分为读取打包消息以及写入打包消息。
数据读写模块17在数据处理模块16将打包消息发送至数据读写模块17时就对打包消息进行读写操作从而从数据存储模块12中获取对应的MRI原始影像数据并设定为目标影像。
本实施例中，数据读写模块17通过图像处理库SimpleITK和关系型数据库MySQL进行读写操作。
数据读写模块17包括DCM序列读取单元、影像元数据处理单元、病例信息处理单元以及脱敏单元。
DCM序列读取单元用于从数据存储模块12中读取MRI原始影像数据。
本实施例中，DCM序列读取单元会对每个模态的MRI原始影像数据进行多次读取。
影像元数据处理单元用于读取与MRI原始影像数据相对应的MRI影像的图片信息。
其中，图片信息包括层厚、层间隔、像素分辨率等，该图片信息以结构化的形式被存储在数据存储模块12中，并且与每一张MRI原始影像相对应。
病例信息处理单元用于读取与MRI原始影像数据相对应的病患的个体信息。
其中，个体信息包括年龄、体重、性别等非敏感数据，该个体信息以结构化的形式被存储在数据存储模块12中，并且与每一张MRI原始影像相对应。
脱敏单元将MRI原始影像数据的格式转换为NIFTI格式得到目标影像。
具体地：当目标类型为MRI写入请求时，脱敏单元根据打包信息中的MRI原始影像数据提取对应的影像数据部分，并以NIFTI格式存储到数据存储模块12中形成目标影像，从而达到脱敏的目的。
当目标类型为MRI读取请求时，脱敏单元从数据存储模块12中按照打包消息中的NIFIT路径读取NIFTI格式的影像数据作为目标影像。
数据读写模块17会根据目标类型调用对应的单元执行相应的功能，例如：目标类型为MRI写入请求时，数据读写模块17会调用DCM序列读取单元、影像元数据处理单元、病例信息处理单元以及脱敏单元；目标类型为MRI读取请求时，数据读写模块17会调用影像元数据处理单元、病例信息处理单元以及脱敏单元。
数据处理模块16在数据读写模块17输出目标影像时会调用重采样单元、图像处理单元、数据标准化单元以及消息打包单元从而实现目标影像的预处理。
其中，数据处理模块16包括重采样单元、图像处理单元、数据标准化单元以及消息打包单元。
重采样单元可以对目标影像进行重采样操作得到采样数据。
其中，重采样过程中具体的采样数据输出格式以及重采样方法均由内部消息中有关重采样的参数确定。
图像处理单元对采样数据进行图像变换操作得到变换数据。
其中，图像变换操作包括中心放大、缩小、裁剪、旋转、亮度变换等，具体执行上述哪种或是哪几种图像变换操作根据内部消息中有关图像变换的参数决定。
数据标准化单元对变换数据进行标准化操作得到预处理数据。
消息打包单元将预处理数据作为消息体打包成新的内部消息。
当目标类型为MRI分析请求时，路由模块15将新的内部消息发送至影像分析模块18。
影像分析模块18对新的内部消息进行影像分析得到分析结果。
影像分析模块18包括卷积网络单元以及结果打包单元。
其中，卷积网络单元为一个包含卷积层、池化层以及激活层的深度神经网络，用于对新的内部消息进行推断得到分析结果。
本实施例中，深度神经网络为伪3D形式的Resnet50模型，它采用1×3×3核心和3×1×1核心衔接的两个卷积层来替代一个3×3×3的卷积层从而达到降低显存消耗的目的。
结果打包单元将分析结果打包进新的内部消息中从而形成结果消息，并将该结果消息存储进数据存储模块12中，并且是与每一张MRI原始影像、病患的个体信息等相对应存储。
路由模块15将结果消息发送给请求解析判断模块13。
请求解析判断模块13在接收到结果消息后会输出给其他移动终端或是系统。
显示模块19可以显示分析结果从而供移动终端或是系统的用户进行查看。
另外，显示模块19会在接收到MRI读写请求时显示目标影像。
控制模块20控制上述各个模块执行相应的功能。
图2为本发明实施例中基于深度学习的医疗影像诊断系统工作过程的流程图。
如图2所示，基于深度学习的医疗影像诊断系统1的工作流程包括如下步骤：
步骤S1，请求解析判断模块13对外部请求进行解析得到内部消息，然后进入步骤S2；
步骤S2，请求解析判断模块13进一步判断内部消息是否合法，判断为否时进入结束状态，判断为是时进入步骤S3；
步骤S3，消息判断设定模块14根据内部消息中的消息头确定外部请求对应的请求类型并设定为目标类型，然后进入步骤S4；
步骤S4，路由模块15判断目标类型是为MRI读写请求还是为MRI分析请求，若是为MRI读写请求就进入步骤S5，若是为MRI分析请求就进入步骤S9；
步骤S5，路由模块15将MRI读写请求对应的内部消息发送至数据处理模块16，然后进入步骤S6；
步骤S6，数据处理模块16根据MRI读写请求对内部消息进行包装得到打包消息，然后进入步骤S7；
步骤S7，数据读写模块17根据打包消息进行读写得到目标影像，然后进入步骤S8；
步骤S8，数据处理模块16对目标影像进行预处理得到预处理数据并将该预处理数据作为消息体打包成新的内部消息发送至路由模块15，然后进入结束状态；
步骤S9，路由模块15将MRI分析请求对应的包含预处理数据的新的内部消息发送至影像分析模块18，然后进入步骤S10；
步骤S10，影像分析模块18对新的内部消息进行影像分析得到分析结果，然后进入步骤S11；
步骤S11，显示模块19显示分析结果，然后进入结束状态。
实施例作用与效果
根据本实施例提供的基于深度学习的医疗影像诊断系统1，由于数据处理模块16在接收到MRI读写请求时对内部消息进行不同的包装得到打包消息，进一步地，数据读写模块17对打包消息进行读写操作得到对应的MRI原始影像数据并设定为目标影像，然后通过数据处理模块16对目标影像进行预处理从而得到预处理数据，另外，数据读写模块17包括脱敏单元，该脱敏单元将MRI原始影像数据的格式转换为NIFTI格式得到目标影像，因此，对涉及患者隐私的敏感信息进行了处理从而保护了患者的信息安全，达到训练数据脱敏的效果。
另外，实施例中，影像分析模块18对包含预处理数据的新的内部消息进行影像分析得到分析结果，该影像分析模块18包括卷积网络单元，该卷积网络可以对预处理数据进行推断得到分析结果，因此为医师提供了准确性较高的分析结果作为参考，大大节省了医师的时间以及精力，还避免了因为失误而误诊的情况。
另外，实施例中，由于深度神经网络的核心卷积层为1×3×3核心和3×1×1核心衔接的两个卷积层，因此可以在保证深度神经网络的拥有较高的精度的前提下有效降低了显存消耗。
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。
在上述实施例中，深度神经网络为伪3D形式的Resnet50模型，在本发明的其他方案中，深度神经网络也可以使用其他常规的网络模型实现影像分析从而得到分析结果。
Claims (5)
1.一种基于深度学习的医疗影像诊断系统，用于根据用户的外部请求对MRI原始影像数据进行处理从而获得分析结果并输出，其特征在于，包括：
请求类型存储模块、数据存储模块、请求解析判断模块、消息判断设定模块、路由模块、数据处理模块、数据读写模块以及影像分析模块，
其中，所述请求类型存储模块存储有与所述外部请求相关的请求类型，该请求类型包括MRI读写请求以及MRI分析请求，
所述数据存储模块存储有所述MRI原始影像数据，
所述请求解析判断模块将所述外部请求解析为包含与所述请求类型相对应的消息头以及消息体的内部消息并判断该内部消息是否合法，
所述消息判断设定模块在所述内部消息为合法时判断所述消息头所对应的所述请求类型并将该请求类型设定为目标类型，
所述路由模块在所述目标类型为所述MRI读写请求时将所述内部消息发送至所述数据处理模块，
所述数据处理模块根据所述MRI读写请求对所述内部消息进行不同的包装得到打包消息，
所述数据读写模块对所述打包消息进行读写操作从而从所述数据存储模块中获取对应的所述MRI原始影像数据并设定为目标影像，
所述数据处理模块对所述目标影像进行预处理得到预处理数据并将该预处理数据作为所述消息体打包成新的内部消息发送至所述路由模块，
所述路由模块在所述目标类型为所述MRI分析请求时将所述新的内部消息发送至所述影像分析模块，
所述影像分析模块对所述新的内部消息进行影像分析得到所述分析结果，
其中，所述数据读写模块包括脱敏单元，
所述影像分析模块包括卷积网络单元，
所述脱敏单元将所述MRI原始影像数据的格式转换为NIFTI格式得到所述目标影像，
所述卷积网络单元为一个包含卷积层、池化层以及激活层的深度神经网络，用于对所述新的内部消息进行推断得到所述分析结果。
2.根据权利要求1所述的基于深度学习的医疗影像诊断系统，其特征在于：
其中，所述数据处理模块包括重采样单元、图像处理单元、数据标准化单元以及消息打包单元，
所述重采样单元对所述目标影像进行重采样操作得到采样数据，
所述图像处理单元对所述采样数据进行图像变换操作得到变换数据，
所述数据标准化单元对所述变换数据进行标准化操作得到所述预处理数据，
所述消息打包单元将所述预处理数据作为所述消息体打包成所述新的内部消息。
3.根据权利要求1所述的基于深度学习的医疗影像诊断系统，其特征在于：
其中，所述数据读写模块还包括DCM序列读取单元、影像元数据处理单元以及病例信息处理单元，
所述DCM序列读取单元用于从所述数据存储模块中读取所述MRI原始影像数据，
所述影像元数据处理单元用于读取与所述MRI原始影像数据相对应的MRI影像的图片信息，
所述病例信息处理单元用于读取与所述MRI原始影像数据相对应的病患的个体信息。
4.根据权利要求1所述的基于深度学习的医疗影像诊断系统，其特征在于：
其中，所述深度神经网络的核心卷积层为1×3×3核心和3×1×1核心衔接的两个卷积层。
5.根据权利要求1所述的基于深度学习的医疗影像诊断系统，其特征在于，还包括：
显示模块，用于显示所述分析结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011252132.5A CN112330644A (zh) | 2020-11-11 | 2020-11-11 | 基于深度学习的医疗影像诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011252132.5A CN112330644A (zh) | 2020-11-11 | 2020-11-11 | 基于深度学习的医疗影像诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112330644A true CN112330644A (zh) | 2021-02-05 |
Family
ID=74318489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011252132.5A Pending CN112330644A (zh) | 2020-11-11 | 2020-11-11 | 基于深度学习的医疗影像诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330644A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239666A (zh) * | 2017-06-09 | 2017-10-10 | 孟群 | 一种对医疗影像数据进行脱敏处理的方法及系统 |
| WO2018103538A1 (zh) * | 2016-12-08 | 2018-06-14 | 北京推想科技有限公司 | 一种分析高维医疗数据的深度学习方法和装置 |
| CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
| CN109686423A (zh) * | 2018-11-06 | 2019-04-26 | 众安信息技术服务有限公司 | 一种医疗影像标注方法及系统 |
| CN111325155A (zh) * | 2020-02-21 | 2020-06-23 | 重庆邮电大学 | 基于残差式3d cnn和多模态特征融合策略的视频动作识别方法 |
| CN111383222A (zh) * | 2020-03-18 | 2020-07-07 | 桂林理工大学 | 一种基于深度学习的椎间盘mri图像智能诊断系统 |
| CN111626171A (zh) * | 2020-05-21 | 2020-09-04 | 青岛科技大学 | 基于视频片段注意力机制与交互关系活动图建模的群组行为识别方法 |
| CN111782529A (zh) * | 2020-06-30 | 2020-10-16 | 平安国际智慧城市科技股份有限公司 | 辅助诊断系统的测试方法、装置、计算机设备及存储介质 |
| CN111816284A (zh) * | 2020-09-04 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 医疗测试数据的批量生成方法、装置、设备及存储介质 |
-
2020
- 2020-11-11 CN CN202011252132.5A patent/CN112330644A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018103538A1 (zh) * | 2016-12-08 | 2018-06-14 | 北京推想科技有限公司 | 一种分析高维医疗数据的深度学习方法和装置 |
| CN107239666A (zh) * | 2017-06-09 | 2017-10-10 | 孟群 | 一种对医疗影像数据进行脱敏处理的方法及系统 |
| CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
| CN109686423A (zh) * | 2018-11-06 | 2019-04-26 | 众安信息技术服务有限公司 | 一种医疗影像标注方法及系统 |
| CN111325155A (zh) * | 2020-02-21 | 2020-06-23 | 重庆邮电大学 | 基于残差式3d cnn和多模态特征融合策略的视频动作识别方法 |
| CN111383222A (zh) * | 2020-03-18 | 2020-07-07 | 桂林理工大学 | 一种基于深度学习的椎间盘mri图像智能诊断系统 |
| CN111626171A (zh) * | 2020-05-21 | 2020-09-04 | 青岛科技大学 | 基于视频片段注意力机制与交互关系活动图建模的群组行为识别方法 |
| CN111782529A (zh) * | 2020-06-30 | 2020-10-16 | 平安国际智慧城市科技股份有限公司 | 辅助诊断系统的测试方法、装置、计算机设备及存储介质 |
| CN111816284A (zh) * | 2020-09-04 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 医疗测试数据的批量生成方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 彭宇新等: "多媒体内容理解的研究现状与展望", 《计算机研究与发展》 * |
| 王阳等: "基于DICOM的CT医疗图像脱敏系统的研究与实现", 《现代计算机(专业版)》 * |
| 闵秋莎等: "《医学图像压缩算法与应用研究》", 31 May 2018 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102014364B1 (ko) | 수술영상을 이용한 출혈 평가 방법 및 장치 | |
| US12051199B2 (en) | Image processing method and apparatus, server, medical image processing device and storage medium | |
| US10991094B2 (en) | Method of analyzing dental image for correction diagnosis and apparatus using the same | |
| WO2021093451A1 (zh) | 病理切片图像的处理方法、装置、系统及存储介质 | |
| US11875897B2 (en) | Medical image processing apparatus, method, and program, and diagnosis support apparatus, method, and program | |
| CN110276408B (zh) | 3d图像的分类方法、装置、设备及存储介质 | |
| CN113920309B (zh) | 图像检测方法、装置、医学图像处理设备及存储介质 | |
| CN113990482A (zh) | 健康数据处理系统及方法 | |
| WO2011038592A1 (en) | Method for processing volumetric image data | |
| CN110246135A (zh) | 卵泡监测方法、装置、系统及存储介质 | |
| JP2022111357A (ja) | 磁気共鳴イメージで正中矢状平面を決定するための方法、イメージ処理デバイス及び格納媒体 | |
| CN115170401A (zh) | 图像补全方法、装置、设备及存储介质 | |
| CN110570425A (zh) | 一种基于深度强化学习算法的肺结节分析方法及装置 | |
| CN110175522A (zh) | 考勤方法、系统及相关产品 | |
| WO2019164277A1 (ko) | 수술영상을 이용한 출혈 평가 방법 및 장치 | |
| CN112641466A (zh) | 一种超声人工智能辅助诊断方法及装置 | |
| CN112330644A (zh) | 基于深度学习的医疗影像诊断系统 | |
| CN112862752A (zh) | 一种图像处理显示方法、系统电子设备及存储介质 | |
| CN112669938B (zh) | 颅脑医学影像中脑内分片电极的方位识别方法及设备 | |
| CN114782364A (zh) | 图像检测方法、装置、系统及检测设备 | |
| CN108205656A (zh) | 图像处理装置及图像处理方法 | |
| CN113887311B (zh) | 一种保护眼科患者隐私的方法、装置及存储介质 | |
| CN117036788B (zh) | 图像分类方法、训练图像分类模型的方法及装置 | |
| CN113517056B (zh) | 医学图像目标区域的识别方法、神经网络模型及应用 | |
| CN111062977B (zh) | 样本数据生成方法、装置、计算机设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210205 |