CN113409280B - 医学影像的处理方法、标注方法和电子设备 - Google Patents

医学影像的处理方法、标注方法和电子设备 Download PDF

Info

Publication number
CN113409280B
CN113409280B CN202110703971.2A CN202110703971A CN113409280B CN 113409280 B CN113409280 B CN 113409280B CN 202110703971 A CN202110703971 A CN 202110703971A CN 113409280 B CN113409280 B CN 113409280B
Authority
CN
China
Prior art keywords
medical image
training sample
region
labeling
labeled
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
CN202110703971.2A
Other languages
English (en)
Other versions
CN113409280A (zh
Inventor
杨涛
李和意
张守宁
郭秋雨
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.)
Qingdao Hisense Medical Equipment Co Ltd
Original Assignee
Qingdao Hisense Medical Equipment 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 Qingdao Hisense Medical Equipment Co Ltd filed Critical Qingdao Hisense Medical Equipment Co Ltd
Priority to CN202110703971.2A priority Critical patent/CN113409280B/zh
Publication of CN113409280A publication Critical patent/CN113409280A/zh
Application granted granted Critical
Publication of CN113409280B publication Critical patent/CN113409280B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/90Determination of colour characteristics
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10024Color image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10081Computed x-ray tomography [CT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请涉及医学智能技术领域,提供一种医学影像的处理方法、标注方法和电子设备,用解决相关技术中如何提高疾病诊断模型的阅片结果的准确性的问题。本申请中,当面对疑难病例时,可发起多人阅片进行对医学影像进行标注,然后融合所有人的标注结果,整合出准确的标注结果,由此降低个人经验缺乏、主观偏颇及疲劳过失导致的错误发生的概率。这样,基于多人协同标注结果能够构建出高质量的训练样本使得疾病针对模型能够学习到准确的可信度高的特征。此外,本申请实施例中通过丰富样本数量结合滚动训练逐步提高模型的检测结果的准确性。

Description

医学影像的处理方法、标注方法和电子设备
技术领域
本申请涉及医学智能技术领域,尤其涉及一种医学影像的处理方法、标注方法和电子设备。
背景技术
医学影像例如超声影像和CT影像能够帮助医生诊断疾病。医学影像的诊断结果会对疾病的诊断很重要。而在传统的阅片系统中,阅片质量的优劣主要取决于阅片医师的个人经验和专业能力。除此之外,大量的高强度阅片工作也容易产生疲劳性误判。
如何提高疾病诊断模型的阅片结果的准确性来提高阅片效率,是业内一直关心的问题。
发明内容
本申请实施例提供一种医学影像的处理方法、标注方法和装置,用于解决相关技术中对卷积神经网络模型的训练工作复杂的问题。
第一方面,本申请提供一种医学影像的处理方法,所述方法包括:
响应于用户触发的多人协同标注请求,将医学影像发送给至少两个终端设备;
获取所述用户对所述医学影像标注的特征区域,并获取所述至少两个终端设备分别对所述医学影像标注的特征区域;
确定所述用户和所述至少两个终端设备分别标注的各特征区域之间的第一公共区域,作为所述医学影像的标注区域,所述标注区域用于构建疾病诊断模型的训练样本。
可选的,所述获取所述至少两个终端设备分别对所述医学影像标注的特征区域之后,所述方法还包括:
输出所述医学影像以及所述医学影像的各个特征区域的标注标识;
响应于对任一标注标识的选择请求,采用选择的标注标识对应的标注颜色对选择的标注标识对应的特征区域填充颜色,并展示选择的标注标识对应的特征区域。
可选的,所述方法还包括:
基于随机分配的方式,为所述至少两个终端设备分别分配标注颜色,其中,每个终端设备和对应的标注颜色一一对应,所述标注颜色用以标记相应的特征区域。
可选的,所述方法还包括:
以突出展示方式展示所述标注区域。
可选的,所述方法还包括:
针对每个特征区域,采用所述特征区域构建所述医学影像的第一训练样本;以及,
采用所述标注区域构建所述医学影像的第二训练样本;
其中,所述第一训练样本和所述第二训练样本用于训练所述疾病诊断模型。
可选的,训练疾病诊断模型,包括:
采用医学影像集对应的第一训练样本集,训练所述疾病诊断模型,得到初始模型;所述第一训练样本集中包括各医学影像对应的第一训练样本;
采用医学影像集的第二训练样本集,训练所述初始模型得到已训练的所述疾病诊断模型;所述第二训练样本集中包括各医学影像对应的第二训练样本。
可选的,所述方法还包括:
采用已训练的所述疾病诊断模型对所述医学影像进行处理,得到所述医学影像的预测特征区;
基于所述预测特征区和所述标注区域的第二公共区域,构建所述医学影像的训练样本,更新所述已训练的所述疾病诊断模型。
可选的,所述基于所述预测特征区和所述标注区域的第二公共区域,构建所述医学影像的训练样本之前,所述方法还包括:
确定所述第二公共区域的尺寸大于第一阈值,或确定所述第二公共区域的占比大于第二阈值,所述占比为所述第二公共区域相对所述预测特征区的占比,或为所述第二公共区域相对所述标注区域的占比。
第二方面,本申请还提供一种医学影像的标注方法,所述方法包括:
基于医学影像的多人协同标注请求,显示所述医学影像;
对所述医学影像进行标注后,基于标注结果响应所述多人协同标注请求;
其中,所述标注结果中包括标注的特征区域,所述特征区域用于和其他终端设备标注的特征区域确定第一公共区域作为所述医学影像的标注区域,所述标注区域用于构建疾病诊断模型的训练样本。
第三方面,本申请还提供了一种电子设备,包括:
用于展示医学影像的显示器;
处理器;
用于存储所述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指令,以实现如本申请第一方面和/或第二方面中提供的任一方法。
第四方面,本申请一实施例还提供了一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如本申请第一方面和/或第二方面中提供的任一方法。
第五方面,本申请一实施例提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如本申请第一方面和/或第二方面中提供的任一方法。
本申请的实施例提供的技术方案至少带来以下有益效果:当面对疑难病例时,可发起多人阅片进行对医学影像进行标注,然后融合所有人的标注结果,整合出准确的标注结果,由此降低个人经验缺乏、主观偏颇及疲劳过失导致的错误发生的概率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的应用场景示意图;
图2为本申请一实施例提供的医学影像的处理方法的流程示意图;
图3为本申请一实施例提供的医学影像的处理方法的界面示意图之一;
图4a为本申请一实施例提供的医学影像的处理方法的界面示意图之二;
图4b为本申请一实施例提供的医学影像的处理方法的界面示意图之三;
图5为本申请一实施例提供的医学影像的处理方法的界面示意图之四;
图6为本申请一实施例提供的医学影像的处理方法的流程示意图;
图7为本申请一示例性实施例示出的电子设备的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本申请的技术方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应所述理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
以下,对本申请实施例中的部分用语进行解释说明,以便于本领域技术人员理解。
(1)本申请实施例中术语“多个”是指两个或两个以上,其它量词与之类似。
(2)“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
(3)服务器,是为终端服务的,服务的内容诸如向终端提供资源,保存终端数据;服务器是与终端上安装的应用程序相对应的,与终端上的应用程序配合运行。
(4)终端设备,既可以指软件类的APP(Application,应用程序),也可以指客户端。它具有可视的显示界面,能与用户进行交互;是与服务器相对应,为客户提供本地服务。针对软件类的应用程序,除了一些只在本地运行的应用程序之外,一般安装在普通的客户终端上,需要与服务端互相配合运行。因特网发展以后,较常用的应用程序包括了如短视频应用、收寄电子邮件时的电子邮件客户端,以及即时通讯的客户端等。对于这一类应用程序,需要网络中有相应的服务器和服务程序来提供相应的服务,如数据库服务,配置参数服务等,这样在客户终端和服务器端,需要建立特定的通信连接,来保证应用程序的正常运行。
相关技术中,对医学影像进行标注,标注其疾病的特征区域来构建训练样本训练疾病诊断模型。但标注的结果有赖于个人的经验,对于比较有争议的疑难病例,不同医师的判断和见解不同,那么不同医师做出的标注结果也不同。由此,对于疑难的医学影像的训练样本的标注数据质量将难以保证。
基于此,本申请实施例提供了一种医学影像的处理方法,来提高标注数据的准确性,进而基于优质的标注数据训练的疾病诊断模型能够给出较为准确的诊断结果。
本申请的发明构思可概括为:当面对疑难病例时,可发起多人阅片进行对医学影像进行标注,然后融合所有人的标注结果,整合出准确的标注结果,由此降低个人经验缺乏、主观偏颇及疲劳过失导致的错误发生的概率。
在介绍完本申请实施例的设计思想之后,下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍,需要说明的是,以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施时,可以根据实际需要灵活地应用本申请实施例提供的技术方案。需要说明的是本申请涉及的用户信息是基于用户授权后得到的。
参考图1,其为本申请实施例提供的医学影像的处理方法以及标注方法的应用场景示意图。该应用场景包括多个终端设备101(包括终端设备101-1、终端设备101-2、……终端设备101-n)、还包括服务器102。其中,终端设备101、服务器102之间通过无线或有线网络连接,终端设备101包括但不限于桌面计算机、移动电话、移动电脑、平板电脑、智能可穿戴设备、智能电视等电子设备。服务器102可以是一台服务器、若干台服务器组成的服务器集群或云计算中心。服务器102可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
当然,本申请实施例提供的方法并不限于图1所示的应用场景,还可以用于其它可能的应用场景,本申请实施例并不进行限制。对于图1所示的应用场景的各个设备所能实现的功能将在后续的方法实施例中一并进行描述,在此先不过多赘述。
采集到医学影像之后,可以在终端设备101中展示,由用户对医学影像中的疾病相关的特征区域进行标注,如果认为该疾病具有一定的复杂性比较难以做出判断时,可以提交多人阅片申请触发多行人协同标注请求,由终端设备101将需要标注的医学影像发送给其他的终端设备101由其他医师协同进行标注。然后,可以由服务器102或终端设备对各个医师标注的特征区域进行汇总,得到各个特征区域的公共区域,作为该疾病的标注区域。也可以由终端设备101对各用户的特征区域进行汇总得到标注区域。
需要说明的是本申请实施例提供的医学影像的处理方法可以由终端设备101执行,也可以由服务器102执行,还可以部分步骤由终端设备101执行,部分步骤由服务器102执行,均适用于本申请实施例。
为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。
为便于理解,下面对本申请针对医学影像的处理方法和标注方法进行说明。
如图2,为本申请实施例提供的医学影像的处理方法的流程示意图,包括以下步骤:
在步骤201中,响应于用户触发的多人协同标注请求,将医学影像发送给至少两个终端设备。
例如如图3所示,用户1在第一终端设备上对医学影像进行标注得到该用户1标注的特征区域A。由于是疑难病例,标注的争议较大,用户1可以通过第一终端设备上的“多人协同标注”控件,触发多人协同标注请求。
为了能够获取高质量标注数据的质量样本,可以在步骤202中,获取用户对医学影像标注的特征区域,并获取至少两个终端设备分别对医学影像标注的特征区域。然后,在步骤203中,确定用户和至少两个终端设备分别标注的各特征区域之间的第一公共区域,作为医学影像的标注区域,标注区域用于构建疾病诊断模型的训练样本。
由此,不同用户标注的特征区域的公共区域能够很好的表达医学影像中相应疾病的特征,故此提取公共区域来作为医学影像的标注区域能够获得质量较高的训练样本,帮助疾病诊断模型准确的学习到疾病的特征。
实施时,在将医学影像分发给其他终端设备进行标注时,本申请实施例中还可以基于随机分配的方式,为每个终端设备分别分配标注颜色。分配标注颜色时,需满足每个终端设备和对应的标注颜色一一对应。对任一终端设备而言,该标注颜色供相应的医师使用,用以标记该医师标注的特征区域。如图4a所示,发起多人协同标注的终端设备A采用第一颜色、则为终端设备B分配第二颜色,为终端设备C分配第三颜色。以终端设备B为例,该终端设备B的医师可以采用第二颜色标注医学影像的特征区域。为终端设备分配的颜色和医学影像可携带在多人协助标注请求中发送给终端设备B,如图4b所示,终端设备B可基于医学影像的多人协同标注请求,显示该医学影像,显示的界面中显示采用第二颜色(即红色)进行标注,终端设备B基于用户操作采用第二颜色完成对医学影像的标注,然后基于标注结果响应终端设备A。终端设备C的操作类似,不再赘述。
然后终端设备B和终端设备C的标注结果可以汇总到终端设备A进行展示。以便于终端设备A的医师能了解其他医师的标注情况。然后不同医师之间可以基于标注情况进行点评、探讨。当然也可以基于不同医师的标注情况开发其他应用功能,均适用于本申请实施例。
在汇总到终端设备A进行展示时,每个参与标注的医师都有对应的标注标识,该标注标识也和相应医师标注的特征区域一一对应。标注标识可以是医师的个人名称,而本申请实施例中为了避免个人主观因素的影响,该标注标识采用相应医师使用的颜色来标识。由此,每个特征区域对应的标注标识采用相应的标注颜色。在汇总展示时,每个医师的标注结果可以独立绘制到一个图层中。用户可以对标注标识进行选择操作来查看不同医师的标注的特征区域。
如图5,为汇总到终端设备A进行展示的一种界面效果图。展示界面中包括第一颜色、第二颜色和第三颜色的色条作为不同医师/特征区域的标注标识。用户选择其中任意色条,即选中该色条对应的特征区域。展示该特征区域时,可采用选择的色条的颜色填充特征区域进行展示。如图5所示,用户选中色条2,色条2对应医师2的标注结果,则将医师2标注的特征区域填充为色条2的颜色(即第二颜色)并显示出来。图2中仅以填充的特征区域的边界来展示说明,实施时,可以仅填充边界,也可以整个特征区域均填充,均适用于本申请实施例。整个特征区域均填充时,填充颜色具有一定透明度,显示界面中对特征区域内的组织器官还是清晰可见的。
需要说明的是,不同医师标注的结果通过随机分配的颜色可进行匿名展示,可以避免由于实名展示带来的个人主观因素的影响。匿名只是结果呈现时匿名,系统中还是会记录各个医师的实名信息并对自己的阅片结果负责。
在另一个实施例中,获取了各个医师标注的特征区域之后,取这多个特征区域的第一公共区域,然后可以在终端设备中展示出来。为了能够便于了解该第一公共区域的区域范围,本申请实施例中,可以以突出展示方式展示该区域。该突出展示方式例如高亮展示,颜色加深展示,亦或者可以为放大展示等。
在提高了样本的标注区域的准确性之后,本申请实施例中为了进一步提高疾病诊断模型的检测效果,还可以对疾病诊断模型采用滚动训练的方式进行训练。如图6所示,为对疾病针对模型进行训练的流程示意图,包括以下步骤:
可以在步骤601中,针对每个特征区域,采用特征区域构建医学影像的第一训练样本;以及,采用标注区域构建医学影像的第二训练样本。这样,丰富了样本的数量,使得模型能够学习到更多的特征。
每张医学影像都会构建出第一训练样本,多张医学影像构建出第一训练样本集。第一训练样本中包括医学影像的特征区域以及诊断结果。
第二训练样本中包括医学影像的标注区域(即第一公共区域)以及诊断结果。每张医学影像的第二训练样本构成的第二训练样本集。这样,第一训练样本集能够让模型学习到初步的特征,第二训练样本集能够让模型进一步学习到不同疾病的准确的特征。
第一训练样本集和第二训练样本集中各医学影像的特征区域包括标注区域可通过图像处理生成MASK(掩膜)图像,供训练使用。
训练阶段,在步骤602中,采用医学影像集对应的第一训练样本集,训练疾病诊断模型,得到初始模型。然后,在步骤603中,采用医学影像集的第二训练样本集,训练初始模型得到已训练的疾病诊断模型。
由此,得到的疾病针对模型通过第一训练样本集和第二训练样本集的训练能够准确学习到疾病的特征,适应疑难疾病的特征提取和诊断。
为了能够进一步提高模型的检测效果,本申请实施例中还可以在步骤604中,采用已训练的疾病诊断模型对医学影像进行处理,得到医学影像的预测特征区。
然后,在步骤605中,基于预测特征区和标注区域的第二公共区域,构建医学影像的训练样本,更新已训练的疾病诊断模型。
由此,通过不断增加样本集,滚动训练模型,能够不断提高模型的准确度,可构建真正意义上的学习型自动诊断系统。
当然,为了提高模型学习效果,本申请实施例中采用的第二公共区域可以加以条件限制,例如需要第二公共区域满足以下条件,才可以构建训练样本更新疾病诊断模型。该条件包括以下中的至少一种:
(1)第二公共区域的尺寸大于第一阈值,也即保证第二公共区域的尺寸足够大,才能包括足够的与疾病相关的特征,以便于学习该特征。该尺寸要求可以基于不同的疾病分别配置,本申请对此不作限定。
(2)确定第二公共区域的占比大于第二阈值,占比为第二公共区域相对预测特征区的占比,或为第二公共区域相对标注区域的占比。也即,当疾病诊断模型的诊断出的区域和第一公共区域重叠较高时,得到的第二公共区域的可信度较高,构建的训练样本更有意义。
综上所述,本申请实施例给出了医学影像的处理和/或标注方法,能够通过提高标注数据的可信度来提高训练样本的质量。然后采用丰富的样本滚动训练疾病诊断模型能够让模型学习到更多的特征和更准确的特征,提高模型的检测结果的准确性。
在应用上,一种可能的应用方式为,采用训练好的疾病诊断模型对医学影像进行诊断给出诊断结果,该诊断结果中例如包括标记处的疾病区域,疾病诊断说明等。然后针对结果输出给医师复核,这样能够提高阅片医师的工作效率。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中,根据本申请的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的医学影像的处理和/或标注方法。
下面参照图7来描述根据本申请的这种实施方式的电子设备130。图7显示的电子设备130仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于:上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325,这样的程序模块1324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与电子设备130交互的设备通信,和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且,电子设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器136通过总线133与用于电子设备130的其它模块通信。应当理解,尽管图中未示出,可以结合电子设备130使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器132,上述指令可由装置700的处理器131或者装置800的处理器131执行以完成上述医学影像的处理和/或标注方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器131执行时实现如本申请提供的医学影像的处理和/或标注方法。
在示例性实施例中,本申请提供的医学影像的和/或方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的医学影像的和/或方法的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于医学影像的和/或方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在电子设备上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程图像缩放设备的处理器以产生一个机器,使得通过计算机或其他可编程图像缩放设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程图像缩放设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他医学影像的处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种医学影像的处理方法,其特征在于,所述方法包括:
响应于用户触发的多人协同标注请求,将医学影像发送给至少两个终端设备;
获取所述用户对所述医学影像标注的特征区域,并获取所述至少两个终端设备分别对所述医学影像标注的特征区域;
确定所述用户和所述至少两个终端设备分别标注的各特征区域之间的第一公共区域,作为所述医学影像的标注区域,所述标注区域用于构建疾病诊断模型的训练样本;
针对每个特征区域,采用所述特征区域构建所述医学影像的第一训练样本;以及,采用所述标注区域构建所述医学影像的第二训练样本;
采用医学影像集对应的第一训练样本集,训练所述疾病诊断模型,得到初始模型;所述第一训练样本集中包括各医学影像对应的第一训练样本;
采用医学影像集的第二训练样本集,训练所述初始模型得到已训练的所述疾病诊断模型;所述第二训练样本集中包括各医学影像对应的第二训练样本。
2.根据权利要求1所述的方法,其特征在于,所述获取所述至少两个终端设备分别对所述医学影像标注的特征区域之后,所述方法还包括:
输出所述医学影像以及所述医学影像的各个特征区域的标注标识;
响应于对任一标注标识的选择请求,采用选择的标注标识对应的标注颜色对选择的标注标识对应的特征区域填充颜色,并展示选择的标注标识对应的特征区域。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
基于随机分配的方式,为所述至少两个终端设备分别分配标注颜色,其中,每个终端设备和对应的标注颜色一一对应,所述标注颜色用以标记相应的特征区域。
4.根据权利要求1-3中任一所述的方法,其特征在于,所述方法还包括:
以突出展示方式展示所述标注区域。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采用已训练的所述疾病诊断模型对所述医学影像进行处理,得到所述医学影像的预测特征区;
基于所述预测特征区和所述标注区域的第二公共区域,构建所述医学影像的训练样本,更新所述已训练的所述疾病诊断模型。
6.根据权利要求5所述的方法,其特征在于,所述基于所述预测特征区和所述标注区域的第二公共区域,构建所述医学影像的训练样本之前,所述方法还包括:
确定所述第二公共区域的尺寸大于第一阈值,或确定所述第二公共区域的占比大于第二阈值,所述占比为所述第二公共区域相对所述预测特征区的占比,或为所述第二公共区域相对所述标注区域的占比。
7.一种医学影像的标注方法,其特征在于,所述方法包括:
基于医学影像的多人协同标注请求,显示所述医学影像;
对所述医学影像进行标注后,基于标注结果响应所述多人协同标注请求;
其中,所述标注结果中包括标注的特征区域,所述特征区域用于和其他终端设备标注的特征区域确定第一公共区域作为所述医学影像的标注区域,所述标注区域用于构建疾病诊断模型的训练样本;
针对每个特征区域,采用所述特征区域构建所述医学影像的第一训练样本;以及,采用所述标注区域构建所述医学影像的第二训练样本;
采用医学影像集对应的第一训练样本集,训练所述疾病诊断模型,得到初始模型;所述第一训练样本集中包括各医学影像对应的第一训练样本;
采用医学影像集的第二训练样本集,训练所述初始模型得到已训练的所述疾病诊断模型;所述第二训练样本集中包括各医学影像对应的第二训练样本。
8.一种电子设备,其特征在于,包括:
用于展示医学影像的显示器;
处理器;
用于存储所述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指令,以实现如权利要求1-7中任一项所述的医学影像的处理方法。
CN202110703971.2A 2021-06-24 2021-06-24 医学影像的处理方法、标注方法和电子设备 Active CN113409280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110703971.2A CN113409280B (zh) 2021-06-24 2021-06-24 医学影像的处理方法、标注方法和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110703971.2A CN113409280B (zh) 2021-06-24 2021-06-24 医学影像的处理方法、标注方法和电子设备

Publications (2)

Publication Number Publication Date
CN113409280A CN113409280A (zh) 2021-09-17
CN113409280B true CN113409280B (zh) 2022-08-02

Family

ID=77682884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110703971.2A Active CN113409280B (zh) 2021-06-24 2021-06-24 医学影像的处理方法、标注方法和电子设备

Country Status (1)

Country Link
CN (1) CN113409280B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114974522A (zh) * 2022-07-27 2022-08-30 中国医学科学院北京协和医院 医学影像处理方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110634118A (zh) * 2018-05-31 2019-12-31 深圳市安测生命科技有限公司 基于人工智能的乳腺影像识别系统及方法
CN110991486A (zh) * 2019-11-07 2020-04-10 北京邮电大学 多人协作图像标注质量控制的方法和装置
CN111080092A (zh) * 2019-11-29 2020-04-28 北京云聚智慧科技有限公司 数据标注管理方法及装置、电子设备和可读存储介质
CN112418263A (zh) * 2020-10-10 2021-02-26 上海鹰瞳医疗科技有限公司 一种医学图像病灶分割标注方法及系统
CN112966772A (zh) * 2021-03-23 2021-06-15 之江实验室 一种多人在线的图像半自动标注方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7141802B2 (en) * 2003-12-01 2006-11-28 Olympus Corporation Optical device and imaging method
CN111209946B (zh) * 2019-12-31 2024-04-30 上海联影智能医疗科技有限公司 三维图像处理方法、图像处理模型训练方法及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110634118A (zh) * 2018-05-31 2019-12-31 深圳市安测生命科技有限公司 基于人工智能的乳腺影像识别系统及方法
CN110991486A (zh) * 2019-11-07 2020-04-10 北京邮电大学 多人协作图像标注质量控制的方法和装置
CN111080092A (zh) * 2019-11-29 2020-04-28 北京云聚智慧科技有限公司 数据标注管理方法及装置、电子设备和可读存储介质
CN112418263A (zh) * 2020-10-10 2021-02-26 上海鹰瞳医疗科技有限公司 一种医学图像病灶分割标注方法及系统
CN112966772A (zh) * 2021-03-23 2021-06-15 之江实验室 一种多人在线的图像半自动标注方法及系统

Also Published As

Publication number Publication date
CN113409280A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
US10777307B2 (en) Characterizing states of subject
CN109767820A (zh) 一种基于影像的诊断/检测报告生成方法、装置及设备
WO2021169122A1 (zh) 图像标注管理方法、装置、计算机系统及可读存储介质
US20220125360A1 (en) Method and computer program for determining psychological state through drawing process of counseling recipient
US20140142939A1 (en) Method and system for voice to text reporting for medical image software
CN113658175B (zh) 一种征象数据的确定方法及装置
US20190272654A1 (en) Systems and methods for constructing clinical pathways within a gui
CN111091882A (zh) 一种人工智能可视化pacs系统及方法
CN112199007A (zh) 菜单显示方法、装置、电子设备和存储介质
CN113409280B (zh) 医学影像的处理方法、标注方法和电子设备
US20240038364A1 (en) Actionable visualization by overlaying historical data on a real-time image acquisition workflow overview
JP2024502516A (ja) データ注釈方法、装置、システム、デバイスおよび記憶媒体
CN113485555B (zh) 医学影像阅片方法、电子设备和存储介质
US20240087710A1 (en) Electronic Health Records Connectivity
US20230334663A1 (en) Development of medical imaging ai analysis algorithms leveraging image segmentation
US10133444B2 (en) Preferred view generation on structure level based on user preferences
CN112420150A (zh) 医学影像报告的处理方法、装置、存储介质及电子设备
EP2608152A1 (en) Medical imaging diagnosis apparatus and medical imaging diagnosis method for providing diagnostic basis
CN111192643A (zh) 病历数据处理方法及相关设备
CN111145907A (zh) 体检数据处理方法、装置、介质及电子设备
CN113838573B (zh) 临床辅助决策诊断自学习方法、装置、设备和存储介质
CN115620879A (zh) 医疗检查项目的智能推荐方法、装置、设备及存储介质
US20210151135A1 (en) Processing data records and searching data structures that are stored in hardware memory and that are at least partly generated from the processed data records in generating an adaptive user interface
US20240046456A1 (en) Systems and methods for dental image analysis
US20230187039A1 (en) Automated report generation using artificial intelligence algorithms

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