CN112561894B - 针对ct图像的电子病历智能生成方法及系统 - Google Patents

针对ct图像的电子病历智能生成方法及系统 Download PDF

Info

Publication number
CN112561894B
CN112561894B CN202011526316.6A CN202011526316A CN112561894B CN 112561894 B CN112561894 B CN 112561894B CN 202011526316 A CN202011526316 A CN 202011526316A CN 112561894 B CN112561894 B CN 112561894B
Authority
CN
China
Prior art keywords
diagnostic
descriptive
lung
image
statement
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
CN202011526316.6A
Other languages
English (en)
Other versions
CN112561894A (zh
Inventor
戴亚康
戴斌
耿辰
周志勇
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.)
Suzhou Institute of Biomedical Engineering and Technology of CAS
Original Assignee
Suzhou Institute of Biomedical Engineering and Technology of CAS
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 Suzhou Institute of Biomedical Engineering and Technology of CAS filed Critical Suzhou Institute of Biomedical Engineering and Technology of CAS
Priority to CN202011526316.6A priority Critical patent/CN112561894B/zh
Publication of CN112561894A publication Critical patent/CN112561894A/zh
Application granted granted Critical
Publication of CN112561894B publication Critical patent/CN112561894B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • 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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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
    • G06T2207/20—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
    • G06T2207/30061—Lung
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种针对CT图像的电子病历智能生成方法，包括以下步骤：1)将所有的报告语句分类为描述性语句和诊断性语句；2)构建肺部CT图像分割模型；3)构建每个部位Pi所需的描述性语句、诊断性语句的集合Qi；4)构建分类模型V；5)构建检测模型W；6)针对待检测的肺部CT图像，通过分类模型V生成诊断性语句，通过分类模型W生成描述性语句；7)汇总步骤6)得到的所有诊断性语句、描述性语句，生成肺部CT图像的电子病历。本发明可以针对肺部CT图像自动生成电子病历，能够减轻医师工作量，降低报告缺失信息的风险，可提供规范、准确、信息全面的电子病历，能提高工作效率，具有很好的应用前景。

Description

针对CT图像的电子病历智能生成方法及系统
技术领域
本发明涉及医学图像处理技术领域，特别涉及一种针对CT图像的电子病历智能生成方法及系统。
背景技术
在病人进行CT胸部平扫之后，通常由医院放射科医生出具影像报告，由于CT胸部平扫是一项较为常见的影像检查，因此诊断医师的撰写数量巨大。在现有的系统中，放射科诊断医师通常针对肺部的不同位置，挑选病历模板，进行撰写。在录入时存在由于观察不到位而导致的信息缺失，报告撰写不规范的问题。
因此结合医学图像处理的智能化的报告自动生成方法，能够减轻医师工作量，降低报告缺失信息的风险，但现在缺少可靠的方案。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种针对CT图像的电子病历智能生成方法及系统。
为解决上述技术问题，本发明采用的技术方案是：一种针对CT图像的电子病历智能生成方法，包括以下步骤：
1)利用肺部CT报告诊断模板，将其中所有的报告语句分类为描述性语句和诊断性语句；
2)构建肺部CT图像分割模型，用于将肺部CT图像分割形成K个不同的部位Pi，且赋予每个部位Pi一个位置标签，i＝1,2,...,K；
3)构建每个部位Pi所需的描述性语句、诊断性语句的集合Qi，集合Qi包括描述性语句单元Ai和诊断性语句单元Bi；
4)构建用于根据肺部CT图像的不同的部位Pi输出诊断性语句的分类模型V；
5)构建用于根据肺部CT图像的不同的部位Pi输出描述性语句的检测模型W；
6)针对待检测的肺部CT图像，通过分类模型V生成诊断性语句，通过分类模型W生成描述性语句；
7)汇总步骤6)得到的所有诊断性语句、描述性语句，生成肺部CT图像的电子病历。
优选的是，所述步骤4)中，通过预先获取的肺部CT图像数据库训练获得所述分类模型V，该肺部CT图像数据库包括若干病人的肺部CT图像、该肺部CT图像被分割形成的K个不同的部位Pi以及针对不同的部位Pi的诊断结果，该诊断结果包括采用与描述性语句单元Ai中相同模板的诊断性语句。
优选的是，所述分类模型V包括用于匹配针对K个部位Pi进行对应处理的K组分类单元Ci，每组分类单元Ci均包括一个第一分类器CⅠi和一个第二分类器CⅡi；
所述第一分类器CⅠi用于对部位Pi进行初分类，所述第二分类器CⅡi用于对第一分类器CⅠi的初分类结果进行二次分类，以检验初分类结果是否准确；具体方法为：
4-1)所述第一分类器CⅠi对输入的肺部CT图像的部位Pi进行检测，根据检测结果从集合Qi的诊断性语句单元Bi中选择对应的至少一条诊断性语句biz作为输出；
4-2)所述第二分类器CⅡi从肺部CT图像数据库选择与当前部位Pi部位相同且图像相似度高于阈值T1的图像P'i作为对比图像，若该图像P'i的诊断结果中的诊断性语句b'iz与诊断性语句biz相同或是相似度高于预先设定的阈值T2，则将诊断性语句biz作为第二分类器CⅡi的结果REⅠi输出。
优选的是，针对部位Pi的描述性语句单元Ai中的描述性语句模板包括若干条：ai1、ai2、ai3、...、ain；且每条描述性语句模板中均保证至少一处需进行填空的位置。
优选的是，所述检测模型W包括用于匹配针对K个部位Pi进行对应处理的K组检测单元Di，每组检测单元Di均包括一个提取单元DⅠi和一个检测单元DⅡi；
所述提取单元DⅠi用于对描述性语句单元Ai中的描述性语句中需要填空的信息进行提取，根据提取得到的内容Ei，获得需要对部位Pi进行检测的项目Fi；
所述检测单元DⅡi用于结合项目Fi对部位Pi进行的相应的检测，兵利用获得的结果对描述性语句模板进行填空，从而获得完整的描述性语句，并作为输出。
优选的是，检测模型W的处理步骤包括：
1)所述提取单元DⅠi获取针对部位Pi的描述性语句单元Ai中的一条描述性语句模板aij，j＝1,2,...,n；所述提取单元DⅠi对描述性语句模板aij中需要填空的信息进行提取，根据提取得到的内容Eij，获得需要对部位Pi进行检测的项目Fij；
2)所述检测单元DⅡi结合项目Fij对部位Pi进行的相应的检测，并利用获得的结果对描述性语句模板aij进行填空，从而获得完整的描述性语句，并作为输出；
3)遍历针对部位Pi的描述性语句单元Ai中的所有描述性语句模板，从而得到针对部位Pi的所有的完整的描述性语句，作为部位Pi的检测结果REⅡi输出。
优选的是，所述步骤6)具体包括：
6-1)针对待检测肺部CT图像，先通过肺部CT图像分割模型将待检测肺部CT图像分割形成K个不同的部位Pi，且赋予每个部位Pi一个位置标签，i＝1,2,...,K；
6-2)对于其中任意一个部位Pi，通过分类模型V得到部位Pi的所有诊断性语句的输出结果REⅠi，通过检测模型W得到部位Pi的所有描述性语句的输出结REⅡi；
6-3)按照步骤6-2)的方法遍历所有的i值，从而得到每个部位的所有诊断性语句输出结果和所有描述性语句输出结果；
所述步骤7)具体为：汇总步骤6-3)得到的每个部位的所有诊断性语句输出结果和所有描述性语句输出结果，从而形成整个肺部CT图像的所有诊断性语句和所有描述性语句，生成针对CT图像的电子病历。
本发明还提供一种针对CT图像的电子病历智能生成系统，其采用如上所述的方法自动生成针对CT图像的电子病历，该系统包括：
报告语句生成模块，其利用肺部CT报告诊断模板，将所有的报告语句分类为描述性语句和诊断性语句；
肺部CT图像分割模块，其用于将肺部CT图像分割形成K个不同的部位Pi，且赋予每个部位Pi一个位置标签，i＝1,2,...,K；
语句集合构建模块，其用于构建每个部位Pi所需的描述性语句、诊断性语句的集合Qi，集合Qi包括描述性语句单元Ai和诊断性语句单元Bi；
诊断性语句输出模块，其用于根据肺部CT图像的不同的部位Pi输出对应的诊断性语句，所述诊断性语句输出模块包括分类模型V；
描述性语句输出模块，其用于根据肺部CT图像的不同的部位Pi输出对应的描述性语句，所述描述性语句输出模块包括检测模型W；
电子病历生成模块，其用于汇总步骤6)得到的所有诊断性语句、描述性语句，生成肺部CT图像的电子病历。
本发明还提供一种存储介质，其上存储有计算机程序，该程序被执行时用于实现如上所述的方法。
本发明还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
本发明的有益效果是：
本发明可以针对肺部CT图像自动生成电子病历，能够减轻医师工作量，降低报告缺失信息的风险，可提供规范、准确、信息全面的电子病历，能提高工作效率，具有很好的应用前景。
附图说明
图1为本发明的实施例1中的针对CT图像的电子病历智能生成方法的流程图；
图2为本发明的实施例1中的针对CT图像的电子病历智能生成系统的原理框图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
实施例1
参照图1，本实施例的一种针对CT图像的电子病历智能生成方法，包括以下步骤：
S1、利用肺部CT报告诊断模板，将其中所有的报告语句分类为描述性语句和诊断性语句。
S2、构建肺部CT图像分割模型，用于将肺部CT图像分割形成K个不同的部位Pi(例如肋骨、肺实质、肺血管、气管等部位的图像)，且赋予每个部位Pi一个位置标签，i＝1,2,...,K；其中，通过读取dicom信息内的位置信息可获得部位Pi的位置。
S3、构建每个部位Pi所需的描述性语句、诊断性语句的集合Qi，集合Qi包括描述性语句单元Ai和诊断性语句单元Bi。
针对部位Pi的描述性语句单元Ai中的描述性语句模板包括若干条：ai1、ai2、ai3、...、ain；且每条描述性语句模板中均保证至少一处需进行填空的位置，例如，在一种实施例中，aij具体内容为：右肺尖可见不规则形高密度，大小约为_X_cm，横线即为需进行填空的位置。
针对部位Pi的诊断性语句单元Bi中的描述性语句模板包括若干条：bi1、bi2、bi3、...、bim；例如，在一种实施例中，其中的一些描述性语句模板的具体内容为：
bi1：肋骨及胸壁软组织未见异常；
bi2：双肺纹理清晰；
bi3：走行自然；
bi4：肺叶透过度良好；
bi5：双肺未见异常密度区；
bi6：心脏及大血管显示形态正常；
bi7：未见胸腔积液及胸膜肥厚；
S4、构建用于根据肺部CT图像的不同的部位Pi输出诊断性语句的分类模型V。
所述步骤4)中，通过预先获取的肺部CT图像数据库训练获得所述分类模型V，该肺部CT图像数据库包括若干病人的肺部CT图像、该肺部CT图像被分割形成的K个不同的部位Pi以及针对不同的部位Pi的诊断结果，该诊断结果包括采用与描述性语句单元Ai中相同模板的诊断性语句。
所述分类模型V包括用于匹配针对K个部位Pi进行对应处理的K组分类单元Ci，每组分类单元Ci均包括一个第一分类器CⅠi和一个第二分类器CⅡi；
所述第一分类器CⅠi用于对部位Pi进行初分类，所述第二分类器CⅡi用于对第一分类器CⅠi的初分类结果进行二次分类，以检验初分类结果是否准确；具体方法为：
4-1)所述第一分类器CⅠi对输入的肺部CT图像的部位Pi进行检测，根据检测结果从集合Qi的诊断性语句单元Bi中选择对应的至少一条诊断性语句biz作为输出；
4-2)所述第二分类器CⅡi从肺部CT图像数据库选择与当前部位Pi部位相同且图像相似度高于阈值T1的图像P'i作为对比图像，若该图像P'i的诊断结果中的诊断性语句b'iz与诊断性语句biz相同或是相似度高于预先设定的阈值T2，则将诊断性语句biz作为第二分类器CⅡi的结果REⅠi输出。
即只有通过第二分类器CⅡi检测第一分类器CⅠi的结果准确合格时，才将第一分类器CⅠi的结果进行输出。例如，针对其中的一条诊断性语句bij：双肺未见异常密度区，第一分类器CⅠi对Pi进行检测，判断双肺是否没有异常密度区，假设检测后的结果为：双肺未见异常密度区；第二分类器CⅡi再根据根据以往经验判断该检测结果是否准确(即通过相似或相同的图像对比，看是否能得出相同的诊断结果)，当判断该检测结果准确时，输出诊断性语句：双肺未见异常密度区。
其中，第一分类器CⅠi和第二分类器CⅡi可以常见的分类器，如卷积神经网络的(CNN)、基于CNN改进的ResNet和DenseNet等为基础，通过训练得到。
S5、构建用于根据肺部CT图像的不同的部位Pi输出描述性语句的检测模型W。
所述检测模型W包括用于匹配针对K个部位Pi进行对应处理的K组检测单元Di，每组检测单元Di均包括一个提取单元DⅠi和一个检测单元DⅡi；
所述提取单元DⅠi用于对描述性语句单元Ai中的描述性语句中需要填空的信息进行提取，根据提取得到的内容Ei，获得需要对部位Pi进行检测的项目Fi；
所述检测单元DⅡi用于结合项目Fi对部位Pi进行的相应的检测，兵利用获得的结果对描述性语句模板进行填空，从而获得完整的描述性语句，并作为输出。
检测模型W的处理步骤包括：
1)所述提取单元DⅠi获取针对部位Pi的描述性语句单元Ai中的一条描述性语句模板aij，j＝1,2,...,n；所述提取单元DⅠi对描述性语句模板aij中需要填空的信息进行提取，根据提取得到的内容Eij，获得需要对部位Pi进行检测的项目Fij；
2)所述检测单元DⅡi结合项目Fij对部位Pi进行的相应的检测，并利用获得的结果对描述性语句模板aij进行填空，从而获得完整的描述性语句，并作为输出；
3)遍历针对部位Pi的描述性语句单元Ai中的所有描述性语句模板，从而得到针对部位Pi的所有的完整的描述性语句，作为部位Pi的检测结果REⅡi输出。即通过上述步骤，遍历对部位Pi所有的描述性语句单元Ai，并完成填空，得到完整的描述性语句，作为输出结果。例如，针对其中一条描述性语aij，其具体内容为：右肺尖可见不规则形高密度，大小约为_X_cm，横线即为需进行填空的位置；提取单元DⅠi先获取需填空的内容Eij，从而获得需进行检测的项目Fij具体为“右肺尖的不规则形高密度的大小”，检测单元DⅡi结合项目Fij后进行检测，从而得到右肺尖的不规则形高密度的大小数值，然后对aij进行填空，得到输出结果。
S6、针对待检测的肺部CT图像，通过分类模型V生成诊断性语句，通过分类模型W生成描述性语句，具体包括：
6-1)针对待检测肺部CT图像，先通过肺部CT图像分割模型将待检测肺部CT图像分割形成K个不同的部位Pi，且赋予每个部位Pi一个位置标签，i＝1,2,...,K；
6-2)对于其中任意一个部位Pi，通过分类模型V得到部位Pi的所有诊断性语句的输出结果REⅠi，通过检测模型W得到部位Pi的所有描述性语句的输出结REⅡi；
6-3)按照步骤6-2)的方法遍历所有的i值，从而得到每个部位的所有诊断性语句输出结果和所有描述性语句输出结果；即通过上述方法依次完成所有的部位的检测，并获得检测结果。
S7、汇总步骤6)得到的所有诊断性语句、描述性语句，生成肺部CT图像的电子病历。
具体为：汇总步骤6-3)得到的每个部位的所有诊断性语句输出结果和所有描述性语句输出结果，从而形成整个肺部CT图像的所有诊断性语句和所有描述性语句，生成针对CT图像的电子病历。
实施例2
参照图2，本实施例提供一种针对CT图像的电子病历智能生成系统，其采用实施例1的方法自动生成针对CT图像的电子病历，该系统包括：
报告语句生成模块，其利用肺部CT报告诊断模板，将所有的报告语句分类为描述性语句和诊断性语句；
肺部CT图像分割模块，其用于将肺部CT图像分割形成K个不同的部位Pi，且赋予每个部位Pi一个位置标签，i＝1,2,...,K；
语句集合构建模块，其用于构建每个部位Pi所需的描述性语句、诊断性语句的集合Qi，集合Qi包括描述性语句单元Ai和诊断性语句单元Bi；
诊断性语句输出模块，其用于根据肺部CT图像的不同的部位Pi输出对应的诊断性语句，所述诊断性语句输出模块包括分类模型V；
描述性语句输出模块，其用于根据肺部CT图像的不同的部位Pi输出对应的描述性语句，所述描述性语句输出模块包括检测模型W；
电子病历生成模块，其用于汇总步骤6)得到的所有诊断性语句、描述性语句，生成肺部CT图像的电子病历。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被执行时用于实现如上所述的方法。
本实施例还一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。

Claims (7)

1.一种针对CT图像的电子病历智能生成方法，其特征在于，包括以下步骤：
1）利用肺部CT报告诊断模板，将其中所有的报告语句分类为描述性语句和诊断性语句；
2）构建肺部CT图像分割模型，用于将肺部CT图像分割形成K个不同的部位Pi，且赋予每个部位Pi一个位置标签，i=1,2,...,K；
3）构建每个部位Pi所需的描述性语句、诊断性语句的集合Qi，集合Qi包括描述性语句单元Ai和诊断性语句单元Bi；
4）构建用于根据肺部CT图像的不同的部位Pi输出诊断性语句的分类模型V；
5）构建用于根据肺部CT图像的不同的部位Pi输出描述性语句的检测模型W；
6）针对待检测的肺部CT图像，通过分类模型V生成诊断性语句，通过分类模型W生成描述性语句；
7）汇总步骤6）得到的所有诊断性语句、描述性语句，生成肺部CT图像的电子病历；
所述分类模型V包括用于匹配针对K个部位Pi进行对应处理的K组分类单元Ci，每组分类单元Ci均包括一个第一分类器CⅠi和一个第二分类器CⅡi；
所述第一分类器CⅠi用于对部位Pi进行初分类，所述第二分类器CⅡi用于对第一分类器CⅠi的初分类结果进行二次分类，以检验初分类结果是否准确；具体方法为：
4-1）所述第一分类器CⅠi对输入的肺部CT图像的部位Pi进行检测，根据检测结果从集合Qi的诊断性语句单元Bi中选择对应的至少一条诊断性语句biz作为输出；
4-2）所述第二分类器CⅡi从肺部CT图像数据库选择与当前部位Pi部位相同且图像相似度高于阈值T1的图像P'i作为对比图像，若该图像P'i的诊断结果中的诊断性语句b'iz与诊断性语句biz相同或是相似度高于预先设定的阈值T2，则将诊断性语句biz作为第二分类器CⅡi的结果REⅠi输出；
所述检测模型W包括用于匹配针对K个部位Pi进行对应处理的K组检测单元Di，每组检测单元Di均包括一个提取单元DⅠi和一个检测单元DⅡi；
所述提取单元DⅠi用于对描述性语句单元Ai中的描述性语句中需要填空的信息进行提取，根据提取得到的内容Ei，获得需要对部位Pi进行检测的项目Fi；
所述检测单元DⅡi用于结合项目Fi对部位Pi进行的相应的检测，并利用获得的结果对描述性语句模板进行填空，从而获得完整的描述性语句，并作为输出；
检测模型W的处理步骤包括：
①所述提取单元DⅠi获取针对部位Pi的描述性语句单元Ai中的一条描述性语句模板aij，j=1,2,...,n；所述提取单元DⅠi对描述性语句模板aij中需要填空的信息进行提取，根据提取得到的内容Eij，获得需要对部位Pi进行检测的项目Fij；
②所述检测单元DⅡi结合项目Fij对部位Pi进行的相应的检测，并利用获得的结果对描述性语句模板aij进行填空，从而获得完整的描述性语句，并作为输出；
③遍历针对部位Pi的描述性语句单元Ai中的所有描述性语句模板，从而得到针对部位Pi的所有的完整的描述性语句，作为部位Pi的检测结果REⅡi输出。
2.根据权利要求1所述的针对CT图像的电子病历智能生成方法，其特征在于，所述步骤4）中，通过预先获取的肺部CT图像数据库训练获得所述分类模型V，该肺部CT图像数据库包括若干病人的肺部CT图像、该肺部CT图像被分割形成的K个不同的部位Pi以及针对不同的部位Pi的诊断结果，该诊断结果包括采用与描述性语句单元Ai中相同模板的诊断性语句。
3.根据权利要求2所述的针对CT图像的电子病历智能生成方法，其特征在于，针对部位Pi的描述性语句单元Ai中的描述性语句模板包括若干条：ai1、ai2、ai3、...、ain；且每条描述性语句模板中均保证至少一处需进行填空的位置。
4.根据权利要求3所述的针对CT图像的电子病历智能生成方法，其特征在于，所述步骤6）具体包括：
6-1）针对待检测肺部CT图像，先通过肺部CT图像分割模型将待检测肺部CT图像分割形成K个不同的部位Pi，且赋予每个部位Pi一个位置标签，i=1,2,...,K；
6-2）对于其中任意一个部位Pi，通过分类模型V得到部位Pi的所有诊断性语句的输出结果REⅠi，通过检测模型W得到部位Pi的所有描述性语句的输出结果REⅡi；
6-3）按照步骤6-2）的方法遍历所有的i值，从而得到每个部位的所有诊断性语句输出结果和所有描述性语句输出结果；
所述步骤7）具体为：汇总步骤6-3）得到的每个部位的所有诊断性语句输出结果和所有描述性语句输出结果，从而形成整个肺部CT图像的所有诊断性语句和所有描述性语句，生成针对CT图像的电子病历。
5.一种针对CT图像的电子病历智能生成系统，其特征在于，其采用如权利要求1-4中任意一项所述的方法自动生成针对CT图像的电子病历，该系统包括：
报告语句生成模块，其利用肺部CT报告诊断模板，将所有的报告语句分类为描述性语句和诊断性语句；
肺部CT图像分割模块，其用于将肺部CT图像分割形成K个不同的部位Pi，且赋予每个部位Pi一个位置标签，i=1,2,...,K；
语句集合构建模块，其用于构建每个部位Pi所需的描述性语句、诊断性语句的集合Qi，集合Qi包括描述性语句单元Ai和诊断性语句单元Bi；
诊断性语句输出模块，其用于根据肺部CT图像的不同的部位Pi输出对应的诊断性语句，所述诊断性语句输出模块包括分类模型V；
描述性语句输出模块，其用于根据肺部CT图像的不同的部位Pi输出对应的描述性语句，所述描述性语句输出模块包括检测模型W；
电子病历生成模块，其用于汇总步骤6）得到的所有诊断性语句、描述性语句，生成肺部CT图像的电子病历。
6.一种存储介质，其上存储有计算机程序，其特征在于，该程序被执行时用于实现如权利要求1-4中任意一项所述的方法。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4中任意一项所述的方法。
CN202011526316.6A 2020-12-22 2020-12-22 针对ct图像的电子病历智能生成方法及系统 Active CN112561894B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011526316.6A CN112561894B (zh) 2020-12-22 2020-12-22 针对ct图像的电子病历智能生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011526316.6A CN112561894B (zh) 2020-12-22 2020-12-22 针对ct图像的电子病历智能生成方法及系统

Publications (2)

Publication Number Publication Date
CN112561894A CN112561894A (zh) 2021-03-26
CN112561894B true CN112561894B (zh) 2023-11-28

Family

ID=75031363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011526316.6A Active CN112561894B (zh) 2020-12-22 2020-12-22 针对ct图像的电子病历智能生成方法及系统

Country Status (1)

Country Link
CN (1) CN112561894B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708952B (zh) * 2022-06-02 2022-10-04 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种图像标注方法、装置、存储介质和电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006059063A (ja) * 2004-08-19 2006-03-02 Fujitsu Ltd 読影レポート解析プログラム
CN106844308A (zh) * 2017-01-20 2017-06-13 天津艾登科技有限公司 一种使用语义识别进行自动化疾病编码转换的方法
CN108537893A (zh) * 2017-03-02 2018-09-14 南京同仁医院有限公司 一种甲状腺占位病变的三维可视化模型生成方法
CN109741806A (zh) * 2019-01-07 2019-05-10 北京推想科技有限公司 一种医学影像诊断报告辅助生成方法及其装置
CN109961847A (zh) * 2019-03-20 2019-07-02 武汉千屏影像技术有限责任公司 一种图片、文字和语音结合的病理智能诊断系统
KR20190105460A (ko) * 2018-03-05 2019-09-17 주식회사 인공지능연구원 의료 진단 리포트 생성 장치 및 방법
JP2019179445A (ja) * 2018-03-30 2019-10-17 正晃テック株式会社 病理診断文入力支援プログラム、病理診断文入力支援方法および病理診断文入力支援システム
CN110598782A (zh) * 2019-09-06 2019-12-20 上海杏脉信息科技有限公司 一种训练用于医学影像的分类网络的方法与装置
CN111540468A (zh) * 2020-04-21 2020-08-14 重庆大学 一种诊断原因可视化的icd自动编码方法与系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006059063A (ja) * 2004-08-19 2006-03-02 Fujitsu Ltd 読影レポート解析プログラム
CN106844308A (zh) * 2017-01-20 2017-06-13 天津艾登科技有限公司 一种使用语义识别进行自动化疾病编码转换的方法
CN108537893A (zh) * 2017-03-02 2018-09-14 南京同仁医院有限公司 一种甲状腺占位病变的三维可视化模型生成方法
KR20190105460A (ko) * 2018-03-05 2019-09-17 주식회사 인공지능연구원 의료 진단 리포트 생성 장치 및 방법
JP2019179445A (ja) * 2018-03-30 2019-10-17 正晃テック株式会社 病理診断文入力支援プログラム、病理診断文入力支援方法および病理診断文入力支援システム
CN109741806A (zh) * 2019-01-07 2019-05-10 北京推想科技有限公司 一种医学影像诊断报告辅助生成方法及其装置
CN109961847A (zh) * 2019-03-20 2019-07-02 武汉千屏影像技术有限责任公司 一种图片、文字和语音结合的病理智能诊断系统
CN110598782A (zh) * 2019-09-06 2019-12-20 上海杏脉信息科技有限公司 一种训练用于医学影像的分类网络的方法与装置
CN111540468A (zh) * 2020-04-21 2020-08-14 重庆大学 一种诊断原因可视化的icd自动编码方法与系统

Also Published As

Publication number Publication date
CN112561894A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
US20210110196A1 (en) Deep Learning Network for Salient Region Identification in Images
US10452899B2 (en) Unsupervised deep representation learning for fine-grained body part recognition
CN110459287B (zh) 来自医学文本报告的结构化报告数据
US11783936B2 (en) Computer-aided diagnostics using deep neural networks
US8150113B2 (en) Method for lung lesion location identification
CN110059697B (zh) 一种基于深度学习的肺结节自动分割方法
Bellotti et al. A CAD system for nodule detection in low‐dose lung CTs based on region growing and a new active contour model
US20070269089A1 (en) Medical image part recognition apparatus and medical image part recognition program
US11701066B2 (en) Device and method for detecting clinically important objects in medical images with distance-based decision stratification
US11282601B2 (en) Automatic bounding region annotation for localization of abnormalities
Wang et al. Pulmonary nodule detection in CT images based on shape constraint CV model
US9471973B2 (en) Methods and apparatus for computer-aided radiological detection and imaging
Rashid et al. Hybrid RID network for efficient diagnosis of tuberculosis from chest X-rays
JP2023033639A (ja) 情報処理装置、情報処理方法およびプログラム
CN109191465A (zh) 一种基于深度学习网络判定、标识人体左右第一肋骨的系统
Hržić et al. XAOM: A method for automatic alignment and orientation of radiographs for computer-aided medical diagnosis
CN112561894B (zh) 针对ct图像的电子病历智能生成方法及系统
Wang et al. An intelligent system of pelvic lymph node detection
US10176612B2 (en) System and method for retrieval of similar findings from a hybrid image dataset
US11705239B2 (en) Method and apparatus for generating image reports
Zhao et al. EAGMN: Coronary artery semantic labeling using edge attention graph matching network
Li et al. Deformation and refined features based lesion detection on chest X-ray
EP2573713A2 (en) Image processing device, method and program
KR20230040484A (ko) 흉부 의료 영상 객체 검출 시스템 및 그 방법
CN114037830A (zh) 增强图像生成模型的训练方法、图像处理方法及装置

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