CN112365473A - 一种ai医学影像处理系统、设备及存储介质 - Google Patents
一种ai医学影像处理系统、设备及存储介质 Download PDFInfo
- Publication number
- CN112365473A CN112365473A CN202011261338.4A CN202011261338A CN112365473A CN 112365473 A CN112365473 A CN 112365473A CN 202011261338 A CN202011261338 A CN 202011261338A CN 112365473 A CN112365473 A CN 112365473A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- neuroma
- medical image
- segmentation
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 40
- 208000005890 Neuroma Diseases 0.000 claims abstract description 50
- 230000011218 segmentation Effects 0.000 claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 208000014070 Vestibular schwannoma Diseases 0.000 claims abstract description 24
- 208000004064 acoustic neuroma Diseases 0.000 claims abstract description 24
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 206010028980 Neoplasm Diseases 0.000 claims description 8
- 210000000860 cochlear nerve Anatomy 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000011176 pooling Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000007917 intracranial administration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 206010013887 Dysarthria Diseases 0.000 description 1
- 208000004929 Facial Paralysis Diseases 0.000 description 1
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009978 visual deterioration Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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]
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例公开了一种AI医学影像处理系统、设备及存储介质。系统包括:影像数据格式转换模块,用于获取待处理的医学影像,对其处理以得到待预测影像;听神经瘤分割模块,用于基于预设的听神经瘤分割模型对待预测影像进行三维分割,以得到听神经瘤三维影像;测量模块,用于对听神经瘤三维影像进行测量,以得到测量数据;报告生成模块,用于根据听神经瘤三维影像、测量数据生成报告。实施本发明实施例,利用深度学习技术,通过计算机学习现有的成功识别听神经瘤的成功案例来得到模型,基于模型对未知的患者影像进行听神经瘤识别、分割、三维重建并完成自动测量,大大缩短了时间和人力成本。
Description
技术领域
本发明涉及医学辅助诊断技术领域,具体涉及一种AI医学影像处理系统设备及存储介质。
背景技术
人随着年龄的增长经常会伴有头晕、耳鸣、听力下降的情况出现,除了高血压的情况外,听神经瘤是一种较大的影响因素,听神经瘤是一种常见的颅内肿瘤,占颅内肿瘤的7%-12%、占桥小脑肿瘤的80%-95%,中期会导致周围性面瘫,晚期则会引发偏瘫、步态不稳、发音困难视力减退、甚至是死亡。利用MRI技术已经可以非常成熟的对听神经瘤进行筛查,但是患者如果进行术前模拟需要影像科医生耗费大量时间对肿瘤影像进行分割重建,伴随着的是高昂的费用问题,但是随着深度学习技术的成熟,让计算机自动实现分割、三维重建已经成为可能。
影像科医生识别听神经瘤,需要先通过MRI拍摄出患者颅脑影像。然后根据解刨学原理以及经验判断是否存在听神经瘤以及听神经瘤的位置、形态、大小的可能性。这样就对影像医生的从医经验提出了较高的要求和门槛,同时影像医生需要对医学影像进行后处理,勾画出肿瘤轮廓并进行体积大小的测量,为手术提供信息指导,需要耗费大量时间精力。
发明内容
针对现有技术中的技术缺陷,本发明实施例的目的在于提供一种AI医学影像处理系统、设备及存储介质。
为实现上述目的,第一方面,本发明实施例提供了一种AI医学影像处理系统,包括:
影像数据格式转换模块,用于获取待处理的医学影像,对所述待处理的医学影像进行处理以得到待预测影像;
听神经瘤分割模块,用于基于预设的听神经瘤分割模型对所述待预测影像进行三维分割,以得到听神经瘤三维影像;
测量模块,用于对所述听神经瘤三维影像进行测量,以得到测量数据;
报告生成模块,用于根据所述听神经瘤三维影像和测量数据生成报告。
在本申请某些具体实施方式中,所述影像数据格式转换模块具体用于:
获取DICOM格式的待处理的医学影像,对非必要数据进行删除,并将DICOM格式的所述待处理的医学影像转换为NII.GZ格式的待预测影像。
在本申请某些具体实施方式中,所述听神经瘤分割模型包括U-Net图像识别模型,所述听神经瘤分割模块具体用于:
采用U-Net图像识别模型对NII.GZ格式的待预测影像进行三维分割处理,以得到听神经瘤三维影像,并生成听神经瘤三维VTK文件。
第二方面,本发明实施例提供了一种AI医学影像处理设备,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如下步骤:
获取待处理的医学影像,对所述待处理的医学影像进行处理以得到待预测影像;
基于预设的听神经瘤分割模型对所述待预测影像进行三维分割,以得到听神经瘤三维影像;
对所述听神经瘤三维影像进行测量,以得到测量数据;
根据所述动听神经三维影像和测量数据生成报告。
第三方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如下步骤:
获取待处理的医学影像,对所述待处理的医学影像进行处理以得到待预测影像;
基于预设的听神经瘤分割模型对所述待预测影像进行三维分割,以得到听神经瘤三维影像;
对所述听神经瘤三维影像进行测量,以得到测量数据;
根据所述听神经瘤三维影像和测量数据生成报告。
实施本发明实施例,利用深度学习技术,通过计算机学习现有的成功识别听神经瘤的成功案例来得到模型,基于模型对未知的患者影像进行听神经瘤识别、分割、三维重建并完成自动测量,大大缩短了时间和人力成本。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的AI医学影像处理系统的结构图;
图2是U-Net模型结构图;
图3是卷积(Convolove)运算原理图;
图4是池化与反池化(Max Pooling、Max Unpooling)运算原理图;
图5是反卷积(Transposed Convolution)运算原理图;
图6是CNN图像识别原理图;
图7是前向传播和反向传播示意图;
图8是本发明实施例提供的AI医学影像处理设备的结构图。
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做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。
请参考图1,本发明实施例提供的AI医学影像处理系统包括影像数据格式转换模块10、听神经瘤分割模块20、测量模块30及报告生成模块40。需要说明的是,该AI医学影像处理系统还包括接口模块,用于提供各种接口,便于数据的传输。
其中,影像数据格式转换模块10,用于获取待处理的医学影像,对所述待处理的医学影像进行处理以得到待预测影像。具体地,影像数据格式转换模块10获取DICOM格式的待处理的医学影像,对非必要数据进行删除,可以缩小影像数据的占用空间,并将DICOM格式的待处理的医学影像转换为更易处理的NII.GZ格式的待预测影像。
听神经瘤分割模块20,用于基于预设的听神经瘤分割模型对所述待预测影像进行三维分割,以得到听神经瘤三维影像。具体地,在听神经分割模块20中含有一个U-Net图像识别模型。如图2所示,该模型为一种神经网络模型,152层大规模神经网络,分为特征提取部分和上采样部分,因为模型架构形似U型得名U-Net模型,尤其适合医学影像分割。本实施例中,采用基于训练数据得到的U-Net图像识别模型,对NII.GZ格式的待预测影像进行三维分割,从整个影像中分割出听神经瘤三维影像,并生成生成听神经瘤三维VTK文件。
进一步地,U-Net模型的训练过程可简单理解为:卷积—池化—反卷积—反池化,通过上述过程实现求解模型的参数最优解的目的,并将参数最优解对应的模型作为最终模型,用于对前述待预测影像进行三维分割。关于卷积、池化、反卷积及反池化的运算原理,请参考图3至5。
在U-Net的训练过程中,会涉及CNN模型的相关知识,具体描述如下:
请参考图6,CNN进行图像识别的原理:由于图像像素量数据过大,例如一张分辨率为1000px*1000px的彩色图片,每个子像素有R、G、B三种颜色值构成,那我们就会得到1000*1000*3=3000000约三百万个特征参数,所以不能直接用于神经网络算法,需要对图片先进行卷积(Convolve)处理,通过图像数据与卷积核相乘得到结果可以有效提取图片特征,然后再对卷积结果进行池化处理(Pooling),也称降采样处理(常用Max Pooing算法为选出相邻像素中的最大值)。通过池化处理,图片分辨率进一步压缩,且特征得到加强。经过多次卷积+池化操作后,图片大幅缩小,数据量降低,神经网络就可以接受图片信息,在计算完总误差(E)后,进行反向传播运算(BP),计算每一层卷积误差,最终得到全置偏差矩阵,与卷积核相加更新卷积核内的权重,经过多轮训练以后,卷积核的权重将与训练数据拟合。
U-Net模型是一个encoder-decoder结构,左边一半的encoder包括若干卷积,池化,把图像进行下采样,右边的decoder进行上采样,恢复到原图的形状,给出每个像素的预测。具体来说,左侧可视为一个编码器,右侧可视为一个解码器。编码器有四个子模块,每个子模块包含两个卷积层,每个子模块之后有一个通过max pool实现的下采样层。输入图像的分辨率是572x572,第1-5个模块的分辨率分别是572x572,284x284,140x140,68x68和32x32。由于卷积使用的是valid模式,故这里后一个子模块的分辨率等于(前一个子模块的分辨率-4)/2。解码器包含四个子模块,分辨率通过上采样操作依次上升,直到与输入图像的分辨率一致(由于卷积使用的是valid模式,实际输出比输入图像小一些)。该网络还使用了跳跃连接,将上采样结果与编码器中具有相同分辨率的子模块的输出进行连接,作为解码器中下一个子模块的输入。
测量模块30,用于对结合影像对听神经瘤三维影像进行体积等数据进行测量,以得到测量数据,并记录结果。具体地,测量模块30对听神经瘤三维影像进行测量,测出听神经瘤的长径、宽度、高度、横径、长宽比、最长直径、体积及肿瘤的表面积。
进一步地,在本实施例的模型训练过程中,还会涉及监督式深度学习模型,其训练过程为通过训练数据对神经网络(NN)结果中的整个网络权重(W)和偏置项(B)求解最优解。其中监督式深度学习模型的工作原理描述如下:
通过神经网络(NN)结构,输入特征数据(X),一开始网络权重(W)为随机分布,每一层网络的偏置项为(B),通过参数值乘以网络权重(X*W+B),后经过激活函数进行归一化处理(一般为Sigmoid函数)传递已给神经网络的下一节点,如此往复直到得到预测值(Z),此过程又称前向传播算法(Forward propagation)。
通过与真实值(Y)的代价函数(Cost function)运算得到总误差(E),然后反向对网络中的权重(W)、偏置项(B)进行层层求偏导,得到每一个网络权重的偏微分(dW)和每一层网络的偏置项的偏微分(dB),通过权重减去学习速率(a)*偏微分(W=W-(a*dW))对网络权重进行更新,同理通过(B=B-(a*dB))对偏置项进行更新,从而可以得到更接近真实情况的网络权重W和偏置项B,此过程又称为反向传播算法(Back propagation),也称BP算法。其中,前向传播和反向传播算法的原理图可参考图7。
因为W得到了更新,下一轮前向传播计算将得到更小的误差(E),而更小的误差又会促进W和B更加精确的更新,在多轮数据训练过后,整个网络权重(W)和偏置项(B)会趋于最优解,模型预测的准确率达到最高,既模型训练完成。对模型重新输入需要预测的元数据,模型即会输出预测结果。
报告生成模块40,用于根据所述听神经瘤三维影像、测量数据和破裂风险数据生成报告。具体地,对通过将以上模块得到的三维听神经瘤截图、测量结果进行整合,生成PDF结果报告返回给筛查者。
举例来说,使用135例正常数据(听神经瘤确诊)和5例异常数据(无听神经瘤)对听神经瘤分割模型进行了训练。经测试本发明可以准确分割出听神经瘤三维图像,达到95%的成功率,属于辅助可用水平。
从以上描述可以得出,实施本发明的AI医学影像处理系统,利用深度学习技术,通过计算机学习现有的成功识别听神经瘤的成功案例来得到模型,基于模型对未知的患者影像进行听神经瘤识别、分割、三维重建并完成自动测量,大大缩短了时间和人力成本。
基于相同的发明构思,在本发明提供了一种AI医学影像处理设备。如图8所示,该处理设备可以包括:一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104,上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序,所述计算机程序包括程序指令,所述处理器101被配置用于调用所述程序指令执行如下步骤:
获取待处理的医学影像,对所述待处理的医学影像进行处理以得到待预测影像;
基于预设的听神经瘤分割模型对所述待预测影像进行三维分割,以得到听神经瘤三维影像;
对所述听神经瘤三维影像进行测量,以得到测量数据;
根据所述听神经瘤三维影像、测量数据生成报告。
进一步地,处理器101具体执行如下步骤:
获取DICOM格式的待处理的医学影像,对非必要数据进行删除,并将DICOM格式的所述待处理的医学影像转换为NII.GZ格式的待预测影像。
进一步地,所述听神经瘤分割模型包括U-Net图像识别模型,处理器101具体执行如下步骤:
采用U-Net图像识别模型对NII.GZ格式的待预测影像进行三维分割处理,以得到听神经瘤三维影像,并生成听神经瘤三维VTK文件。
需要说明的是,上述测量数据包括听神经瘤的长径、宽度、高度、横径、长宽比、最长直径、体积及肿瘤的表面积。
应当理解,在本发明实施例中,所称处理器101可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备102可以包括键盘等,输出设备103可以包括显示器(LCD等)、扬声器等。
该存储器104可以包括只读存储器和随机存取存储器,并向处理器101提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如,存储器104还可以存储设备类型的信息。
需要说明的是,关于AI医学影像处理设备更为具体的流程描述,请参考前述系统实施例部分,在此不再赘述。
进一步地,本发明实施例还提供了一种可读存储介质,存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行:如图4所示处理器所执行的步骤。
所述计算机可读存储介质可以是前述实施例所述的医学影像处理系统或处理设备的内部存储单元,例如系统的硬盘或内存。所述计算机可读存储介质也可以是所述系统的外部存储设备,例如所述系统上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述系统的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述系统所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的单元和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种AI医学影像处理系统,其特征在于,包括:
影像数据格式转换模块,用于获取待处理的医学影像,对所述待处理的医学影像进行处理以得到待预测影像;
听神经瘤分割模块,用于基于预设的听神经瘤分割模型对所述待预测影像进行三维分割,以得到听神经瘤三维影像;
测量模块,用于对所述听神经瘤三维影像进行测量,以得到测量数据;
报告生成模块,用于根据所述听神经瘤三维影像和测量数据生成报告。
2.如权利要求1所述的AI医学影像处理系统,其特征在于,所述影像数据格式转换模块具体用于:
获取DICOM格式的待处理的医学影像,对非必要数据进行删除,并将DICOM格式的所述待处理的医学影像转换为NII.GZ格式的待预测影像。
3.如权利要求2所述的AI医学影像处理系统,其特征在于,所述听神经瘤分割模型包括U-Net图像识别模型,所述听神经瘤分割模块具体用于:
采用U-Net图像识别模型对NII.GZ格式的待预测影像进行三维分割处理,以得到听神经瘤三维影像,并生成听神经瘤三维VTK文件。
4.如权利要求1所述AI医学影像处理系统,其特征在于,所述测量数据包括听神经瘤的长径、宽度、高度、横径、长宽比、最长直径、体积及肿瘤的表面积。
5.一种AI医学影像处理设备,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如下步骤:
获取待处理的医学影像,对所述待处理的医学影像进行处理以得到待预测影像;
基于预设的听神经瘤分割模型对所述待预测影像进行三维分割,以得到听神经瘤三维影像;
对所述听神经瘤三维影像进行测量,以得到测量数据;
根据所述听神经瘤三维影像和测量数据生成报告。
6.如权利要求5所述的AI医学影像处理系统,其特征在于,所述处理器具体执行如下步骤:
获取DICOM格式的待处理的医学影像,对非必要数据进行删除,并将DICOM格式的所述待处理的医学影像转换为NII.GZ格式的待预测影像。
7.如权利要求6所述的AI医学影像处理系统,其特征在于,所述听神经瘤分割模型包括U-Net图像识别模型,所述处理器具体执行如下步骤:
采用U-Net图像识别模型对NII.GZ格式的待预测影像进行三维分割处理,以得到听神经瘤三维影像,并生成听神经瘤三维VTK文件。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如下步骤:
获取待处理的医学影像,对所述待处理的医学影像进行处理以得到待预测影像;
基于预设的听神经瘤分割模型对所述待预测影像进行三维分割,以得到听神经瘤三维影像;
对所述动听神经三维影像进行测量,以得到测量数据;
根据所述听神经瘤三维影像和测量数据生成报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011261338.4A CN112365473A (zh) | 2020-11-12 | 2020-11-12 | 一种ai医学影像处理系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011261338.4A CN112365473A (zh) | 2020-11-12 | 2020-11-12 | 一种ai医学影像处理系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365473A true CN112365473A (zh) | 2021-02-12 |
Family
ID=74516126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011261338.4A Pending CN112365473A (zh) | 2020-11-12 | 2020-11-12 | 一种ai医学影像处理系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365473A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129297A (zh) * | 2021-04-30 | 2021-07-16 | 复旦大学附属中山医院 | 基于多期相肿瘤影像的直径自动测量方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109036548A (zh) * | 2018-06-19 | 2018-12-18 | 黑龙江拓盟科技有限公司 | 基于混合现实三维可视化的辅助诊疗系统 |
CN109907732A (zh) * | 2019-04-09 | 2019-06-21 | 广州新脉科技有限公司 | 一种颅内动脉瘤破裂风险的评估方法及系统 |
CN110120033A (zh) * | 2019-04-12 | 2019-08-13 | 天津大学 | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 |
CN110322444A (zh) * | 2019-05-31 | 2019-10-11 | 上海联影智能医疗科技有限公司 | 医疗图像处理方法、装置、存储介质及计算机设备 |
CN110415234A (zh) * | 2019-07-29 | 2019-11-05 | 北京航空航天大学 | 基于多参数磁共振成像的脑部肿瘤分割方法 |
-
2020
- 2020-11-12 CN CN202011261338.4A patent/CN112365473A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109036548A (zh) * | 2018-06-19 | 2018-12-18 | 黑龙江拓盟科技有限公司 | 基于混合现实三维可视化的辅助诊疗系统 |
CN109907732A (zh) * | 2019-04-09 | 2019-06-21 | 广州新脉科技有限公司 | 一种颅内动脉瘤破裂风险的评估方法及系统 |
CN110120033A (zh) * | 2019-04-12 | 2019-08-13 | 天津大学 | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 |
CN110322444A (zh) * | 2019-05-31 | 2019-10-11 | 上海联影智能医疗科技有限公司 | 医疗图像处理方法、装置、存储介质及计算机设备 |
CN110415234A (zh) * | 2019-07-29 | 2019-11-05 | 北京航空航天大学 | 基于多参数磁共振成像的脑部肿瘤分割方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129297A (zh) * | 2021-04-30 | 2021-07-16 | 复旦大学附属中山医院 | 基于多期相肿瘤影像的直径自动测量方法及系统 |
CN113129297B (zh) * | 2021-04-30 | 2024-03-26 | 复旦大学附属中山医院 | 基于多期相肿瘤影像的直径自动测量方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11861501B2 (en) | Semantic segmentation method and apparatus for three-dimensional image, terminal, and storage medium | |
Du et al. | Anatomical-functional image fusion by information of interest in local Laplacian filtering domain | |
CN109166130B (zh) | 一种图像处理方法及图像处理装置 | |
CA3017697C (en) | Method and system for processing a task with robustness to missing input information | |
CN111932460B (zh) | Mr图像超分辨率重建方法、装置、计算机设备及存储介质 | |
CN110276408B (zh) | 3d图像的分类方法、装置、设备及存储介质 | |
WO2021139439A1 (zh) | 图像重建方法、装置、设备、系统及计算机可读存储介质 | |
CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
CN109919915B (zh) | 基于深度学习的视网膜眼底图像异常区域检测方法及设备 | |
CN110211205B (zh) | 图像处理方法、装置、设备和存储介质 | |
CN114170167B (zh) | 基于注意力引导上下文校正的息肉分割方法和计算机设备 | |
CN110859642B (zh) | 一种基于AlexNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质 | |
CN111951281A (zh) | 图像分割方法、装置、设备及存储介质 | |
CN112488971A (zh) | 基于空间注意力机制和深度卷积生成对抗网络的医学图像融合方法 | |
CN111951272A (zh) | 脑部影像的分割方法、装置、计算机设备和可读存储介质 | |
CN112365473A (zh) | 一种ai医学影像处理系统、设备及存储介质 | |
CN114445273A (zh) | 磁共振图像处理方法、计算机设备及存储介质 | |
CN113205148B (zh) | 一种迭代层间信息融合的医学图像帧插值方法及终端机 | |
CN111462004B (zh) | 图像增强方法和装置、计算机设备、存储介质 | |
CN112001479B (zh) | 基于深度学习模型的处理方法、系统及电子设备 | |
KR20220023841A (ko) | 알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법 | |
CN111091504A (zh) | 图像偏差场矫正方法、计算机设备和存储介质 | |
CN115272250B (zh) | 确定病灶位置方法、装置、计算机设备和存储介质 | |
CN112950597B (zh) | 一种失真图像质量评价方法、装置、计算机设备及存储介质 | |
CN113902827B (zh) | 一种针对皮肤病的愈后效果预测系统、方法以及电子设备 |
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 |