CN113192607A - 标注处理方法、装置、计算机设备和存储介质 - Google Patents
标注处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113192607A CN113192607A CN202110395253.3A CN202110395253A CN113192607A CN 113192607 A CN113192607 A CN 113192607A CN 202110395253 A CN202110395253 A CN 202110395253A CN 113192607 A CN113192607 A CN 113192607A
- Authority
- CN
- China
- Prior art keywords
- area
- image
- labeling
- region
- medical
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims description 15
- 238000002372 labelling Methods 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000000877 morphologic effect Effects 0.000 claims description 85
- 238000000605 extraction Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Multimedia (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种标注处理方法、装置、计算机设备和存储介质。该方法包括:计算机设备根据医学标注影像中的参考标注影像,获取参考标注影像的第一区域,根据第一区域,确定各非参考标注影像中的第二区域;第二区域与第一区域之间的相似度高于预设阈值,构建第一区域、第一区域的标注值、以及第二区域的标注值之间的对应关系,以确定目标标注数据集。其中,各医学标注影像中包括至少一个标注值。在本方法中,计算机设备可以根据不同的医学标注影像采用自动聚类的方式,实现标注值的统一,不需要用户手动输入标注规则或标注数据集这一繁杂的过程,优化了医学影像标注管理的步骤,提高了医学影像标注管理的效率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种标注处理方法、装置、计算机设备和存储介质。
背景技术
在医学领域,为了进一步说明病症或标记内容,用户会在医学影像上做影像标注。由于标注格式缺少统一标准,不同的用户在进行医学影像标注时,会产生各种格式的标注,标注数据无法互通,需要人工对不同的医学影像的标注数据集进行标注的融合处理,耗时耗力,成本较高。
现有技术通过获取不同用户的标注数据与标注规则,根据不同的标注规则,将不同的标注数据统一为目标数据格式,从而得到基于目标数据格式的,标注数据融合下的医学影像标注数据集。
但是,上述现有技术需要人工获取并录入不同用户的标注数据和标注规则,当用户数量过多或者标注规则、标注数据过多时,仍然会存在耗时耗力的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高标注处理效率的标注处理方法、装置、计算机设备和存储介质。
第一方面,提供一种标注处理方法,该方法包括:
根据医学标注影像中的参考标注影像,获取参考标注影像的第一区域;各医学标注影像中包括至少一个标注值;
根据第一区域,确定各非参考标注影像中的第二区域;第二区域与第一区域之间的相似度高于预设阈值;
构建第一区域、第一区域的标注值、以及第二区域的标注值之间的对应关系,以确定目标标注数据集。
在其中一个实施例中,上述根据第一区域,确定各非参考标注影像中的第二区域,包括:
获取第一区域的形态参数;形态参数包括目标区域的面积、周长、局部曲率、以及平均曲率中的至少一个;
根据形态参数,确定各非参考标注影像中与形态参数匹配的第二区域。
在其中一个实施例中,上述获取第一区域的形态参数,包括:
将参考标注影像输入至预设的特征提取模型中,得到参考标注影像的第一区域;特征提取模型采用无监督学习算法训练得到;
确定第一区域对应的形态参数。
在其中一个实施例中,上述根据预设的特征提取算法,确定第一区域的形态参数,包括:
接收用户输入的提取指令;提取指令中包括目标标注值;
根据目标标注值确定参考标注影像中第一区域的形态参数。
在其中一个实施例中,上述根据形态参数,确定各非参考标注影像中与形态参数匹配的第二区域,包括:
确定各非参考标注影像中候选区域的形态参数;
确定各候选区域的形态参数与第一区域的形态参数之间的相似度;
将相似度最高,且相似度高于预设阈值的候选区域,确定为第二区域。
在其中一个实施例中,上述方法还包括:
获取医学影像的文件标识;
根据文件标识,确定医学影像对应的影像类型;
根据预设的解析规则,对医学影像进行解析,得到医学影像对应的医学标注影像;解析规则包括影像类型与解析算法之间的对应关系。
在其中一个实施例中,上述根据文件标识,确定医学影像对应的影像类型,包括:
根据文件标识,从预设的类型数据库中,查找与文件标识匹配的候选影像类型,作为医学影像对应的影像类型;类型数据库中包括影像类型与文件标识之间的对应关系。
第二方面,提供一种标注处理装置,该装置包括:
获取模块,用于根据医学标注影像中的参考标注影像,获取参考标注影像的第一区域;各医学标注影像中包括至少一个标注值;
匹配模块,用于根据第一区域,确定各非参考标注影像中的第二区域;第一区域与第二区域之间的相似度高于预设阈值;
确定模块,用于构建第一区域、第一区域的标注值、以及第二区域的标注值之间的对应关系,以确定目标标注数据集。
第三方面,提供一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行该计算机程序时实现上述第一方面任一所述的标注处理方法。
第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述第一方面任一所述的标注处理方法。
上述标注处理方法、装置、计算机设备和存储介质,计算机设备根据医学标注影像中的参考标注影像,获取参考标注影像的第一区域,根据第一区域,确定各非参考标注影像中的第二区域;第二区域与第一区域之间的相似度高于预设阈值,构建第一区域、第一区域的标注值、以及第二区域的标注值之间的对应关系,以确定目标标注数据集。其中,各医学标注影像中包括至少一个标注值。在本方法中,计算机设备可以根据不同的医学标注影像采用自动聚类的方式,实现标注值的统一,不需要用户手动输入标注规则或标注数据集这一繁杂的过程,优化了医学影像标注管理的步骤,提高了医学影像标注管理的效率。
附图说明
图1为一个实施例中标注处理方法的应用环境图;
图2为一个实施例中标注处理方法的流程示意图;
图3为一个实施例中标注处理方法的流程示意图;
图4为一个实施例中标注处理方法的流程示意图;
图5为一个实施例中标注处理方法的流程示意图;
图6为一个实施例中标注处理方法的流程示意图;
图7为一个实施例中标注处理方法的流程示意图;
图8为一个实施例中标注处理方法的流程示意图;
图9为一个实施例中标注处理装置的结构框图;
图10为一个实施例中标注处理装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的标注处理方法,可以应用于如图1所示的应用环境中。在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种标注处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1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计算机设备的限定,具体的计算机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。
下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是,本申请图2-图8实施例提供的标注处理方法,其执行主体为计算机设备,也可以是标注处理装置,该标注处理装置可以通过软件、硬件或者软硬件结合的方式成为计算机设备的部分或全部。下述方法实施例中,均以执行主体是计算机设备为例来进行说明。
在一个实施例中,如图2所示,提供了一种标注处理方法,涉及的是计算机设备从多个医学标注影像中确定参考标注影像,并获取参考标注影像的第一区域,根据第一区域,确定各非参考标注影像中的第二区域;第二区域与第一区域之间的相似度高于预设阈值,构建第一区域、第一区域的标注值、以及第二区域的标注值之间的对应关系,以确定目标标注数据集的过程,包括以下步骤:
S201、根据医学标注影像中的参考标注影像,获取参考标注影像的第一区域;各医学标注影像中包括至少一个标注值。
其中,医学标注影像指的是包括标注值的影像,该影像中标注值为至少一个,标注值可以为不同颜色、不同形状的标注痕迹,也可以为不同内容的标注文字。
在本实施例中,计算机设备可以从预设的存储空间中获取多个医学标注影像,从多个医学标注影像中,随机确定一个影像作为参考标注影像;或者,计算机设备可以将用户输入的指定的标注影像,作为参考标注影像;或者,计算机设备可以将医学标注影像输入至预设特征提取模型中,以无监督学习方法,根据提取的特征所确定的参考标注影像,本实施例对参考标注影像的确定不做限定。可选地,计算机设备可以根据用户输入的目标标注值,从参考标注影像中确定目标标注值对应的区域为第一区域;或者,计算机设备还可以基于预设的特征提取模型确定参考标注影像中的第一区域,本实施例对此不做限定。
S202、根据第一区域,确定各非参考标注影像中的第二区域;第二区域与第一区域之间的相似度高于预设阈值;
其中,第二区域与第一区域的相似度高于预设的相似度阈值,即实际意义来说,第二区域与第一区域为同一部位的区域。
在本实施例中,在本实施例中,计算机设备根据第一区域确定第二区域的过程中,可以通过获取第一区域的特征参数,根据第一区域的特征参数和各非参考标注影像中区域的特征参数的相似度,确定相似度高于预设阈值的区域为当前非参考标注影像的第二区域。一般来说,不会出现两个相似度接近且均高于预设相似度阈值的区域,因此,一个非参考标注影像中,要么是存在第二区域,要么就是不存在第二区域,本实施例对此不做限定。
S203、构建第一区域、第一区域的标注值、以及第二区域的标注值之间的对应关系,以确定目标标注数据集。
其中,计算机设备可以直接根据参考标注影像确定第一区域所对应的标注值,根据各个非参考标注影像确定各第二区域所对应的标注值。
在本实施例中,计算机设备在确定第一区域、第一区域的标注值、第二区域、以及第二区域的标注值之后,构建第一区域、第一区域的标注值、以及第二区域的标注值的对应关系,由于第一区域和第二区域在实际意义上指的是同一个部位,得到的即是同一部位的不同标注值的对应关系。可选地,计算机设备还可以将该对应关系以及第一区域的标注值、以及第二区域的标注值存储至预设的存储空间中,生成目标标注数据集,以便后续对其他医疗标注影像进行标注管理,为标注管理提供有效的训练样本。其中,目标标注数据集中至少包括目标区域、目标区域字段以及目标区域对应的标注值,可选地,目标区域可以为目标部位区域,例如,心脏区域;目标部位字段;目标区域字段指的是对应与目标区域的字段标识,例如,心脏区域的目标区域字段为“心脏”,可选地,也可以为其他类型的字段标识,例如,心脏区域的目标区域字段为“XZ01”;目标区域对应的标注值指的是标注影像中,该目标区域对应的标注内容,本实施例对此不做限定。
上述标注处理方法中,计算机设备根据医学标注影像中的参考标注影像,获取参考标注影像的第一区域,根据第一区域,确定各非参考标注影像中的第二区域;第二区域与第一区域之间的相似度高于预设阈值,构建第一区域、第一区域的标注值、以及第二区域的标注值之间的对应关系,以确定目标标注数据集。其中,各医学标注影像中包括至少一个标注值。在本方法中,计算机设备可以根据不同的医学标注影像采用自动聚类的方式,实现标注值的统一,不需要用户手动输入标注规则或标注数据集这一繁杂的过程,优化了医学影像标注管理的步骤,提高了医学影像标注管理的效率。
计算机设备需要在参考标注影像和非参考标注影像中确定实际意义上为同一部位的区域,在一个实施例中,如图3所示,上述根据第一区域,确定各非参考标注影像中的第二区域,包括:
S301、获取第一区域的形态参数;形态参数包括目标区域的面积、周长、局部曲率、以及平均曲率中的至少一个。
在本实施例中,计算机设备可以通过预设的特征提取算法,获取第一区域的形态参数,即提取第一区域的面积、周长、局部曲率、以及平均曲率中至少一个参数。可选地,计算机设备还可以将参考标注影像输入至预设的模型中,输出第一区域以及第一区域的形态参数,本实施例对此不做限定。
S302、根据形态参数,确定各非参考标注影像中与形态参数匹配的第二区域。
在本实施例中,计算机设备可以根据各非参考标注影像中多个候选区域的形态参数和第一区域的形态参数确定其对应的相似度,示例地,当前非参考标注影像的候选区域A的形态参数与第一区域的形态参数的相似度高于相似度阈值95%,则确定候选区域A为当前非参考标注影像的第二区域。或者,示例地,当前非参考标注影像的候选区域B的形态参数与第一区域的形态参数的相似度为56%,且,候选区域B为当前非参考标注影像中相似度最高的区域,相似度阈值设定为95%,候选区域B相似度均未达到相似度阈值,那么,可以确定当前非参考标注影像中不存在与第一区域匹配的区域。可选地,计算机设备还可以将非参考标注影像和参考标注影像均输入至预设的匹配模型中,匹配模型根据非参考标注影像和参考标注影像中各个标注值对应的区域,获取各个区域的形态参数,并确定在所有非参考标注影像和参考标注影像中,存在形态参数匹配的第一区域和第二区域。
在本实施例中,计算机设备可以通过多种方式确定第一区域的形态参数,以根据形态参数确定非参考标注影像中的第二区域,理想状态下,可以有效且准确地确定参考标注影像和非参考标注影像中的同一部位的区域,实现标注值的统一。
计算机设备可以通过预设的特征提取模型,确定参考标注影像中的第一区域,从而确定第一区域的形态参数,在一个实施例中,如图4所示,上述获取第一区域的形态参数,包括:
S401、将参考标注影像输入至预设的特征提取模型中,得到参考标注影像的第一区域;特征提取模型采用无监督学习算法训练得到。
其中,预设的特征提取模型可以为无监督学习算法训练得到的;也可以为有监督学习算法训练得到的。
在本实施例中,计算机设备将参考标注影像输入至特征提取模型中,得到该特征提取模型的输出结果,即得到参考标注影像的第一区域。
S402、确定第一区域对应的形态参数。
在本实施例中,计算机设备根据确定的第一区域,确定第一区域的形态参数。可选地,计算机设备可以根据第一区域的像素点确定第一区域的面积、周长等其他形态参数,本实施例对此不做限定。
在本实施例中,计算机设备可以通过预设的特征提取模型确定参考标注影像的第一区域,并确定第一区域对应的形态参数,该方法确定的第一区域具有明显的特征,准确性较高。
计算机设备还可以通过获取用户指定的第一区域,从而获取第一区域的形态参数,在一个实施例中,如图5所示,上述根据预设的特征提取算法,确定第一区域的形态参数,包括:
S501、接收用户输入的提取指令;提取指令中包括目标标注值。
其中,提取指令包括参考标注影像中的目标标注值,即用户可以通过输入目标标注值,确定参考标注影像中的第一区域。
在本实施例中,计算机设备可以接收用户通过语音输入、参数输入或其他方式输入的提取指令,从而根据该提取指令中的目标标注值,从参考标注影像中确定目标标注值对应的第一区域。
S502、根据目标标注值确定参考标注影像中第一区域的形态参数。
在本实施例中,计算机设备根据目标标注值确定参考标注影像中的第一区域,在确定第一区域之后,获取该第一区域的形态参数,可选地,形态参数包括区域面积、区域周长、变化曲率等,或者,形态参数还可以为第一区域的其他特征值,例如,第一区域的位置坐标等参数,本实施例对此形态参数的类型及内容不做限定。
在本实施例中,计算机设备根据用户的提取指令确定第一区域以及第一区域的形态参数,在用户指定第一区域的场景下,实现有效地获取第一区域形态参数的目的。
计算机设备在确定参考标注影像中的第一区域之后,根据第一区域的形态参数确定非参考标注影像中的第二区域,在一个实施例中,如图6所示,上述根据形态参数,确定各非参考标注影像中与形态参数匹配的第二区域,包括:
S601、确定各非参考标注影像中候选区域的形态参数。
其中,候选区域指的是非参考标注影像中各标注值对应的区域,非参考标注影像中包括至少一个标注值,即包括至少一个候选区域。
在本实施例中,计算机设备针对每一个非参考标注影像,确定当前非参考标注影像中所有候选区域的形态参数,示例地,计算机设备获取当前非参考标注影像中,各个候选区域的面积、周长、平均曲率中的至少一个参数,作为候选区域的形态参数,本实施例不限定形态参数的类型和内容。
S602、确定各候选区域的形态参数与第一区域的形态参数之间的相似度。
在本实施例中,计算机设备在得到各个候选区域的形态参数之后,将各个候选区域的形态参数与第一区域的形态参数进行对比,确定各个候选区域与第一区域的相似度。可选地,若形态参数为面积,计算机设备可以计算各个候选区域与第一区域的面积比,作为相似度;若形态参数为周长,计算机设备可以计算各个候选区域与第一区域的周长比,作为相似度。
S603、将相似度最高,且相似度高于预设阈值的候选区域,确定为第二区域。
在本实施例中,计算机设备在确定各个候选区域对应的相似度之后,可选地,可以通过冒泡排序、快速排序、或者比较的方式,确定相似度最高的候选区域,并确定该候选区域的相似度是否高于预设阈值,若该候选区域的相似度高于预设阈值,则将该候选区域确定为当前非参考标注影像的第二区域;若该候选区域的相似度低于预设阈值,则确定当前非参考标注影像中不存在第二区域。
在本实施例中,计算机设备根据非参考标注影像的候选区域的形态参数与参考标注影像的第一区域的形态参数,确定非参考标注影像的第二区域,第二区域与第一区域理想状态下为同一目标部位区域,有效地可以锁定同一目标部位区域,为之后不同标注值进行融合提供了基础。
医学影像存在多种类型,针对不同类型的医学影像,需要采用不同的解析方法获取其对应的医学标注影像,在一个实施例中,如图7所示,上述方法还包括:
S701、获取医学影像的文件标识。
其中,文件标识指的是根据医学影像的文件属性确定的头文件标识、文件属性标识、文件类型标识等标识中任意一种。
在本实施例中,计算机设备获取医学影像的文件属性信息,从文件属性信息中提取头文件标识、文件属性标识、文件类型标识等标识中任意一种作为当前医学影像的文件标识,例如,文件标识可以为SOI标记,或者,文件标识还可以为标识A、或标识B,本实施例对此不做限定。
S702、根据文件标识,确定医学影像对应的影像类型。
其中,影像类型包括JPEG、PNG、DICOM、TIFF等类型。
在本实施例中,影像类型与文件标识之间具有对应关系,计算机设备在获取到文件标识之后,可以根据该对应关系,确定文件标识对应的影像类型,即确定当前医学影像对应的影像类型。示例地,若文件标识为SOI标记,则可以确定与SOI标记对应的影像类型为JPEG;若文件标识为标识A,则可以确定与标识A对应的影像类型为PNG,本实施例对此不做限定。
S703、根据预设的解析规则,对医学影像进行解析,得到医学影像对应的医学标注影像;解析规则包括影像类型与解析算法之间的对应关系。
其中,每种影像类型都有其对应的解析算法。
在本实施例中,计算机设备在确定当前医学影像的影像类型之后,根据预设的影像类型与解析算法之间的对应关系,确定当前影像类型对应的解析算法,并基于确定的解析算法对当前医学影像进行解析,得到当前医学影像对应的医学标注影像,进一步地,计算机设备还可以得到当前医学影像中所包括的所有标注值。示例地,计算机设备在根据SOI标记确定当前医学影像的类型为JPEG之后,根据JPEG对应的JPEG协议,对当前医学影像进行解析,得到医学影像对应的医学标注影像,本实施例对此不做限定。
在本实施例中,根据医学影像的文件标识,确定其对应的影像类型,从而根据影像类型对应的解析算法获取医学影像对应的医学标注影像,本实施例提供的方法可以有效地处理多种不同影像类型的医学影像,适用范围广泛且得到的医学标注影像较为准确。
可选地,计算机设备在确定医学影像的影像类型时,可以根据预设的类型数据库确定,在一个实施例中,上述根据文件标识,确定医学影像对应的影像类型,包括:
根据文件标识,从预设的类型数据库中,查找与文件标识匹配的候选影像类型,作为医学影像对应的影像类型;类型数据库中包括影像类型与文件标识之间的对应关系。
其中,预设的类型数据库中包括了各种影像类型与文件标识之间的对应关系,示例地,影像类型为JPEG,其对应的文件标识为SOI标记;或者,影像类型为PNG,其对应的文件标识为该类文件的头文件信息,如,标识A,本实施例对此不做限定。
在本实施例中,在确定当前医学影像的文件标识之后,遍历类型数据库中各个影像类型对应的文件标识,确定与当前文件标识匹配的目标文件标识,即确定与当前文件标识匹配的影像类型,本实施例对此不做限定。
在本实施例中,计算机设备可以根据预设的类型数据库中影像类型与文件标识之间的对应关系,简单、有效地可以确定当前医学影像的文件标识所对应的影像类型。
为了更好的说明上述方法,如图8所示,本实施例提供一种标注处理方法,具体包括:
S101、获取医学影像的文件标识;
S102、根据文件标识,从预设的类型数据库中,查找与文件标识匹配的候选影像类型,作为医学影像对应的影像类型;
S103、根据预设的解析规则,对医学影像进行解析,得到医学影像对应的医学标注影像;
S104、获取医学标注影像中的参考标注影像的第一区域;
S105、将参考标注影像输入至预设的特征提取模型中,得到参考标注影像的第一区域;
S106、确定第一区域对应的形态参数;
S107、接收用户输入的提取指令;提取指令中包括目标标注值;
S108、根据目标标注值确定参考标注影像中第一区域的形态参数;
S109、确定各非参考标注影像中候选区域的形态参数;
S110、确定各候选区域的形态参数与第一区域的形态参数之间的相似度;
S111、将相似度最高,且相似度高于预设阈值的候选区域确定为第二区域;
S112、构建第一区域、第一区域的标注值、以及第二区域的标注值之间的对应关系,以确定目标标注数据集。
在本实施例中,在本方法中,计算机设备可以根据不同的医学标注影像采用自动聚类的方式,实现标注值的统一,不需要用户手动输入标注规则或标注数据集这一繁杂的过程,优化了医学影像标注管理的步骤,提高了医学影像标注管理的效率。
上述实施例提供的标注处理方法,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
应该理解的是,虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-8中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种标注处理装置,包括:获取模块01、匹配模块02和确定模块03,其中:
获取模块01,用于根据医学标注影像中的参考标注影像,获取参考标注影像的第一区域;各医学标注影像中包括至少一个标注值;
匹配模块02,用于根据第一区域,确定各非参考标注影像中的第二区域;第一区域与第二区域之间的相似度高于预设阈值;
确定模块03,用于构建第一区域、第一区域的标注值、以及第二区域的标注值之间的对应关系,以确定目标标注数据集。
在一个实施例中,匹配模块02,用于获取第一区域的形态参数;形态参数包括目标区域的面积、周长、局部曲率、以及平均曲率中的至少一个;根据形态参数,确定各非参考标注影像中与形态参数匹配的第二区域。
在一个实施例中,匹配模块02,用于将参考标注影像输入至预设的特征提取模型中,得到参考标注影像的第一区域;特征提取模型采用无监督学习算法训练得到;确定第一区域对应的形态参数。
在一个实施例中,匹配模块02,用于接收用户输入的提取指令;提取指令中包括目标标注值;根据目标标注值确定参考标注影像中第一区域的形态参数。
在一个实施例中,匹配模块02,用于确定各非参考标注影像中候选区域的形态参数;确定各候选区域的形态参数与第一区域的形态参数之间的相似度;将相似度最高,且相似度高于预设阈值的候选区域确定为第二区域。
在一个实施例中,如图10所示,上述标注处理装置还包括解析模块04;
解析模块04,用于获取医学影像的文件标识;根据文件标识,确定医学影像对应的影像类型;根据预设的解析规则,对医学影像进行解析,得到医学影像对应的医学标注影像;解析规则包括影像类型与解析算法之间的对应关系。
在一个实施例中,解析模块04,用于根据文件标识,从预设的类型数据库中,查找与文件标识匹配的候选影像类型,作为医学影像对应的影像类型;类型数据库中包括影像类型与文件标识之间的对应关系。
关于标注处理装置的具体限定可以参见上文中对于标注处理方法的限定,在此不再赘述。上述标注处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据医学标注影像中的参考标注影像,获取参考标注影像的第一区域;各医学标注影像中包括至少一个标注值;
根据第一区域,确定各非参考标注影像中的第二区域;第二区域与第一区域之间的相似度高于预设阈值;
构建第一区域、第一区域的标注值、以及第二区域的标注值之间的对应关系,以确定目标标注数据集。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据医学标注影像中的参考标注影像,获取参考标注影像的第一区域;各医学标注影像中包括至少一个标注值;
根据第一区域,确定各非参考标注影像中的第二区域;第二区域与第一区域之间的相似度高于预设阈值;
构建第一区域、第一区域的标注值、以及第二区域的标注值之间的对应关系,以确定目标标注数据集。
上述实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)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。
以上所述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发明专利范围的限制。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)
1.一种标注处理方法,其特征在于,所述方法包括:
根据医学标注影像中的参考标注影像,获取所述参考标注影像的第一区域;各所述医学标注影像中包括至少一个标注值;
根据所述第一区域,确定各非参考标注影像中的第二区域;所述第二区域与所述第一区域之间的相似度高于预设阈值;
构建所述第一区域、所述第一区域的标注值、以及所述第二区域的标注值之间的对应关系,以确定目标标注数据集。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一区域,确定各非参考标注影像中的第二区域,包括:
获取所述第一区域的形态参数;所述形态参数包括所述目标区域的面积、周长、局部曲率、以及平均曲率中的至少一个;
根据所述形态参数,确定各所述非参考标注影像中与所述形态参数匹配的第二区域。
3.根据权利要求2所述的方法,其特征在于,所述获取所述第一区域的形态参数,包括:
将所述参考标注影像输入至预设的特征提取模型中,得到所述参考标注影像的第一区域;所述特征提取模型采用无监督学习算法训练得到;
确定所述第一区域对应的形态参数。
4.根据权利要求2所述的方法,其特征在于,所述根据预设的特征提取算法,确定所述第一区域的形态参数,包括:
接收用户输入的提取指令;所述提取指令中包括目标标注值;
根据所述目标标注值确定所述参考标注影像中所述第一区域的形态参数。
5.根据权利要求2所述的方法,其特征在于,所述根据所述形态参数,确定各所述非参考标注影像中与所述形态参数匹配的第二区域,包括:
确定各所述非参考标注影像中候选区域的形态参数;
确定各所述候选区域的形态参数与所述第一区域的形态参数之间的相似度;
将所述相似度最高,且所述相似度高于所述预设阈值的候选区域,确定为所述第二区域。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取医学影像的文件标识;
根据所述文件标识,确定所述医学影像对应的影像类型;
根据预设的解析规则,对所述医学影像进行解析,得到所述医学影像对应的医学标注影像;所述解析规则包括影像类型与解析算法之间的对应关系。
7.根据权利要求6所述的方法,其特征在于,所述根据所述文件标识,确定所述医学影像对应的影像类型,包括:
根据所述文件标识,从预设的类型数据库中,查找与所述文件标识匹配的候选影像类型,作为所述医学影像对应的影像类型;所述类型数据库中包括影像类型与文件标识之间的对应关系。
8.一种标注处理装置,其特征在于,所述装置包括:
获取模块,用于根据医学标注影像中的参考标注影像,获取所述参考标注影像的第一区域;各所述医学标注影像中包括至少一个标注值;
匹配模块,用于根据所述第一区域,确定各非参考标注影像中的第二区域;所述第一区域与所述第二区域之间的相似度高于预设阈值;
确定模块,用于构建所述第一区域、所述第一区域的标注值、以及所述第二区域的标注值之间的对应关系,以确定目标标注数据集。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110395253.3A CN113192607B (zh) | 2021-04-13 | 2021-04-13 | 标注处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110395253.3A CN113192607B (zh) | 2021-04-13 | 2021-04-13 | 标注处理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113192607A true CN113192607A (zh) | 2021-07-30 |
CN113192607B CN113192607B (zh) | 2024-03-26 |
Family
ID=76975597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110395253.3A Active CN113192607B (zh) | 2021-04-13 | 2021-04-13 | 标注处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192607B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985214A (zh) * | 2018-07-09 | 2018-12-11 | 上海斐讯数据通信技术有限公司 | 图像数据的标注方法和装置 |
CN111291741A (zh) * | 2020-05-13 | 2020-06-16 | 太平金融科技服务(上海)有限公司 | 单据识别方法、装置、计算机设备和存储介质 |
CN111462865A (zh) * | 2020-02-28 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 医疗影像识别模型生成方法、装置、计算机设备和介质 |
CN111476227A (zh) * | 2020-03-17 | 2020-07-31 | 平安科技(深圳)有限公司 | 基于ocr的目标字段识别方法、装置及存储介质 |
CN112348022A (zh) * | 2020-10-28 | 2021-02-09 | 富邦华一银行有限公司 | 一种基于深度学习的自由格式文档识别方法 |
-
2021
- 2021-04-13 CN CN202110395253.3A patent/CN113192607B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985214A (zh) * | 2018-07-09 | 2018-12-11 | 上海斐讯数据通信技术有限公司 | 图像数据的标注方法和装置 |
CN111462865A (zh) * | 2020-02-28 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 医疗影像识别模型生成方法、装置、计算机设备和介质 |
CN111476227A (zh) * | 2020-03-17 | 2020-07-31 | 平安科技(深圳)有限公司 | 基于ocr的目标字段识别方法、装置及存储介质 |
CN111291741A (zh) * | 2020-05-13 | 2020-06-16 | 太平金融科技服务(上海)有限公司 | 单据识别方法、装置、计算机设备和存储介质 |
CN112348022A (zh) * | 2020-10-28 | 2021-02-09 | 富邦华一银行有限公司 | 一种基于深度学习的自由格式文档识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113192607B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190272438A1 (en) | Method and apparatus for detecting text | |
US11093698B2 (en) | Method and apparatus and computer device for automatic semantic annotation for an image | |
CN109409398B (zh) | 图像处理装置、图像处理方法以及存储介质 | |
CN112199375A (zh) | 跨模态的数据处理方法、装置、存储介质以及电子装置 | |
CN110807103A (zh) | 知识图谱构建方法、装置、电子设备及存储介质 | |
CN106056114A (zh) | 名片内容识别方法和装置 | |
CN110751149B (zh) | 目标对象标注方法、装置、计算机设备和存储介质 | |
CN111582169A (zh) | 图像识别数据纠错方法、装置、计算机设备和存储介质 | |
CN109285105A (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
CN111507285A (zh) | 人脸属性识别方法、装置、计算机设备和存储介质 | |
CN111177794B (zh) | 城市画像方法、装置、计算机设备和存储介质 | |
CN113204659B (zh) | 多媒体资源的标签分类方法、装置、电子设备及存储介质 | |
WO2022160736A1 (zh) | 图像标注方法、装置、电子设备、存储介质及程序 | |
CN111814716A (zh) | 印章去除方法、计算机设备和可读存储介质 | |
CN111368761B (zh) | 店铺营业状态识别方法、装置、可读存储介质和设备 | |
CN113592881B (zh) | 图片指代性分割方法、装置、计算机设备和存储介质 | |
CN114782769A (zh) | 训练样本的生成方法、装置、系统及目标对象的检测方法 | |
WO2021179751A1 (zh) | 图像处理方法和系统 | |
CN113822283A (zh) | 文本内容处理方法、装置、计算机设备及存储介质 | |
CN117115565A (zh) | 一种基于自主感知的图像分类方法、装置及智能终端 | |
CN113192607B (zh) | 标注处理方法、装置、计算机设备和存储介质 | |
CN117079291A (zh) | 图像轨迹确定方法、装置、计算机设备和存储介质 | |
JP6365117B2 (ja) | 情報処理装置、画像判定方法、及びプログラム | |
CN114238622A (zh) | 关键信息的提取方法和装置、存储介质及电子装置 | |
JP2015097036A (ja) | 推薦画像提示装置及びプログラム |
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 |