CN113409924A - 基于人工智能的肺部检查影像辅助标记方法及其系统 - Google Patents
基于人工智能的肺部检查影像辅助标记方法及其系统 Download PDFInfo
- Publication number
- CN113409924A CN113409924A CN202110743086.7A CN202110743086A CN113409924A CN 113409924 A CN113409924 A CN 113409924A CN 202110743086 A CN202110743086 A CN 202110743086A CN 113409924 A CN113409924 A CN 113409924A
- Authority
- CN
- China
- Prior art keywords
- lung
- marking
- image
- lung examination
- partition
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 197
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000005192 partition Methods 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 34
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 13
- 201000010099 disease Diseases 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims description 44
- 238000002372 labelling Methods 0.000 claims description 17
- 238000009432 framing Methods 0.000 claims description 12
- 239000002184 metal Substances 0.000 claims description 12
- 238000000638 solvent extraction Methods 0.000 claims description 9
- 230000002685 pulmonary effect Effects 0.000 claims description 3
- 230000003902 lesion Effects 0.000 abstract description 17
- 238000001514 detection method Methods 0.000 abstract description 8
- 208000024891 symptom Diseases 0.000 abstract 1
- 210000003739 neck Anatomy 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供基于人工智能的肺部检查影像辅助标记方法,包括获取肺部检查影像并预处理;训练模型;采用外部异物处理模型,标记有异物,重复上述步骤,未标记有异物,采用分区处理模型进行分区编码;采用标记模型对分区影像进行识别、框选、标记:识别一致,进行病症标记、识别不一致:标记无识别病症。本发明能够通过对肺部检查影像进行辅助标记,实现了对肺部检查影像的外部异物进行检测以及对病变阴影进行初步识别并标记,节约了医生需要对异物以及病变阴影的判断时间,提高了效率;通过对肺部检查影像的阴影进行匹配,避免由于外部异物阴影导致医生判断错误的情况,提高判断准确率;通过分区检测以及标记,提高了对肺部检查影像的标记准确性。
Description
技术领域
本发明涉及影像标记技术领域,具体涉及基于人工智能的肺部检查影像辅助标记方法及其系统。
背景技术
随着医疗水平的提高,影像检查已经成为临床中常用的医疗手段,但是各级医疗机构针对影像的判断水平和能力却参差不齐,这对医师的医学知识和临床经验均有着较高的要求;
对患者的肺部影像进行查看时,肺部影像上经常会出现一些配饰或异物的影像,对医生对肺部影像的查看造成影响,严重者会影响医生的判断;
然而,对肺部影像的判断又依赖于医师的临床经验,针对这种情况,年轻的医师需要学习多年才能掌握病变的准确判断,而肺部病变形态多种多样,容易导致病变的漏识,对患者的病情造成延误。
发明内容
有鉴于此,本发明要解决的问题是提供一种当肺部检查影像存在异物时,及时提醒,能够对肺部检查影像进行自动标记的基于人工智能的肺部检查影像辅助标记方法及其系统。
为解决上述技术问题,本发明采用的技术方案是:基于人工智能的肺部检查影像辅助标记方法,包括以下步骤:
步骤S1:获取肺部检查影像,并对肺部检查影像进行预处理;
步骤S2:获取训练后的外部异物处理模型,所述外部异物处理模型使用若干组金属饰品的扫描影像进行训练,使得训练后的外部异物处理模型对金属饰品的扫描影像进行标记;
获取训练后的分区处理模型,所述分区处理模型使用若干张肺部扫描影像进行训练,使得训练后的分区处理模型对肺部扫描影像进行分区;
获取训练后的标记模型,所述标记模型使用若干张历史病历肺部扫描影像进行训练,使得训练后的标记模型对肺部扫描影像进行病症识别与框选;
步骤S3:采用外部异物处理模型,对肺部检查影像进行处理:
当标记有外部异物时,重新进行步骤S1;
当未标记有外部异物时,采用分区处理模型,对肺部检查影像进行分区;
步骤S4:将分区后的肺部检查影像进行编码;
步骤S5:分别获取分区后的肺部检查影像,并分别使用标记模型对各自所在分区的预设的历史病历影像数据库内的分区后的肺部扫描影像进行识别:
当标记模型识别出历史病历的肺部扫描影像与肺部检查影像一致时,标记模型将分区后的肺部检查影像中识别出的影像进行框选和标记,该标记标签为识别出的对应的病症名称;
当标记模型识别出历史病历的肺部扫描影像与肺部检查影像不一致时,将该分区后的肺部检查影像进行标记,该标记标签为无识别病症。
所述步骤S2中,将若干组金属饰品的扫描影像作为外部异物训练组,将若干组带有金属饰品的肺部扫描影像作为外部异物验证组:
使用外部异物训练组进行训练,得到外部异物处理模型,再通过外部异物验证组进行框选与标记:
当对外部异物验证组框选与标记的结果与实际值差距<0.5时,得到训练后的外部异物处理模型;
当对外部异物验证组框选与标记的结果与实际值差距≥0.5时,重新训练外部异物处理模型。
所述步骤S2中,将若干张肺部扫描影像作为分区训练组,将另外的若干组肺部扫描影像作为分区验证组:
使用分区训练组进行训练,得到分区处理模型,再通过分区验证组进行框选与分区:
当对分区验证组框选与分区的结果与实际值差距<0.5时,得到训练后的分区处理模型;
当对分区验证组框选与分区的结果与实际值差距≥0.5时,重新训练分区处理模型。
所述步骤S2中,将若干张历史病历肺部扫描影像作为标记训练组,将若干张已知病历的肺部扫描影像作为标记验证组:
使用标记训练组进行训练,得到标记模型,再通过标记验证组进行框选、识别与标记:
当对标记验证组框选、识别与标记的结果与实际值差距<0.5时,得到训练后的标记模型;
当对标记验证组框选、识别与标记的结果与实际值差距≥0.5时,重新训练标记模型。
所述步骤S4包括:
步骤S4-1:分区处理模型将肺部检查影像进行分区;
步骤S4-2:分别对分区后的肺部检查影像进行编码。
所述步骤S4-1中,分区处理模型将肺部检查影像分区为2个部分,分别为肺部检查影像的左肺叶、和右肺叶的两个部分。
所述步骤S4-2中,对步骤S4-1中分区后的两个部分进行编码,该编码分为两个部分,第一部分的编码指代该肺部检查影像的相对应患者的身份证号。
所述步骤S4-2中,第二部分的编码为对应分区两部分的依次编号:
肺部检查影像的左肺叶的第二部分的编码为1;
肺部检查影像的右肺叶的第二部分的编码为2。
所述方法还包括步骤S6:将分区后的肺部检查影像进行编码匹配,将第一部分编码一致的肺部检查影像合并,生成最终标记后的肺部检查影像。
优选的,将若干张已分区带编码的肺部扫描影像作为合并训练组,将另外的若干组已分区带编码的肺部扫描影像作为合并验证组:
使用合并训练组进行训练,得到合并处理模型,再通过合并验证组进行合并:
当对合并验证组框选与合并的结果与实际值差距<0.5时,得到训练后的合并处理模型;
当对合并验证组框选与合并的结果与实际值差距≥0.5时,重新训练合并处理模型。
优选的,所述步骤S6包括:
步骤S6-1:获取标记后的分区的肺部检查影像及其编码;
步骤S6-2:采用合并处理模型对已分区带编码的肺部扫描影像进行识别,并根据编码进行合并,其中,两个第一部分的编码相同的已分区带编码的肺部扫描影像组成合并组,将合并组中的第二部分编码为1的放置于第二部分编码为2的肺部扫描影像左侧,并对该合并组的两个肺部扫描影像进行合并,得到最终标记后的肺部检查影像。
一种基于人工智能的肺部检查影像辅助标记系统,应用上述的基于人工智能的肺部检查影像辅助标记方法,所述肺部检查影像辅助标记系统包括图像采集模块、数据处理模块以及存储模块;所述图像采集模块包括X射线投影装置,用于实现对肺部检查影像的采集;
所述存储模块实现对肺部检查影像的标记数据进行存储;
所述数据处理模块包括外部异物处理模型、分区处理模型、标记模型以及合并处理模型,实现对肺部检查影像的标记、分区以及合并。
本发明具有的优点和积极效果是:
(1)本发明通过对肺部检查影像进行辅助标记,实现了对肺部检查影像的外部异物进行检测以及对病变阴影进行初步识别并标记,节约了医生需要对异物以及病变阴影的判断时间,提高了效率。
(2)本发明通过对肺部检查影像的阴影进行匹配,实现了对肺部检查影像中外部异物的识别和标记,避免由于外部异物阴影导致医生判断错误的情况,提高判断准确率。
(3)本发明通过分区检测以及标记,提高了对肺部检查影像的标记准确性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的基于人工智能的肺部检查影像辅助标记方法的步骤S1至步骤S5的流程图;
图2是本发明的基于人工智能的肺部检查影像辅助标记方法的步骤S2的流程图;
图3是本发明的基于人工智能的肺部检查影像辅助标记方法的步骤S4的流程图;
图4是本发明的基于人工智能的肺部检查影像辅助标记方法的步骤S6的流程图;
图5是本发明的一种基于人工智能的肺部检查影像辅助标记系统的结构连接图。
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,所描述的实施例仅仅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。
需要说明的是,当组件被称为“固定于”另一个组件,它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件,它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件,它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示,本发明提供基于人工智能的肺部检查影像辅助标记方法,包括以下步骤:
步骤S1:获取肺部检查影像,并对肺部检查影像进行预处理;
步骤S2:获取训练后的外部异物处理模型,所述外部异物处理模型使用若干组金属饰品的扫描影像进行训练,使得训练后的外部异物处理模型对金属饰品的扫描影像进行标记;
获取训练后的分区处理模型,所述分区处理模型使用若干张肺部扫描影像进行训练,使得训练后的分区处理模型对肺部扫描影像进行分区;
获取训练后的标记模型,所述标记模型使用若干张历史病历肺部扫描影像进行训练,使得训练后的标记模型对肺部扫描影像进行病症识别与框选;
步骤S3:采用外部异物处理模型,对肺部检查影像进行处理:
当标记有外部异物时,重新进行步骤S1;
当未标记有外部异物时,采用分区处理模型,对肺部检查影像进行分区;
步骤S4:将分区后的肺部检查影像进行编码;
步骤S5:分别获取分区后的肺部检查影像,并分别使用标记模型对各自所在分区的预设的历史病历影像数据库内的分区后的肺部扫描影像进行识别:
当标记模型识别出历史病历的肺部扫描影像与肺部检查影像一致时,标记模型将分区后的肺部检查影像中识别出的影像进行框选和标记,该标记标签为识别出的对应的病症名称;
当标记模型识别出历史病历的肺部扫描影像与肺部检查影像不一致时,将该分区后的肺部检查影像进行标记,该标记标签为无识别病症。
在实施例中,对肺部检查影像进行预处理为对肺部检查影像的调正,即采集肺部检查影像的图像特征点,提取肺叶、颈部的特征阴影;
再旋转该肺部检查影像,当旋转至该颈部特征阴影位于整个肺部检查影像的顶端,肺叶特征阴影位于整个肺部检查影像的水平两侧对称位置时,该肺部检查影像处于正确位置,实现对该肺部检查影像的调正。
如图2所示,所述步骤S2中,将若干组金属饰品的扫描影像作为外部异物训练组,将若干组带有金属饰品的肺部扫描影像作为外部异物验证组:
使用外部异物训练组进行训练,得到外部异物处理模型,再通过外部异物验证组进行框选与标记:
当对外部异物验证组框选与标记的结果与实际值差距<0.5时,得到训练后的外部异物处理模型;
当对外部异物验证组框选与标记的结果与实际值差距≥0.5时,重新训练外部异物处理模型。
所述步骤S2中,将若干张肺部扫描影像作为分区训练组,将另外的若干组肺部扫描影像作为分区验证组:
使用分区训练组进行训练,得到分区处理模型,再通过分区验证组进行框选与分区:
当对分区验证组框选与分区的结果与实际值差距<0.5时,得到训练后的分区处理模型;
当对分区验证组框选与分区的结果与实际值差距≥0.5时,重新训练分区处理模型。
所述步骤S2中,将若干张历史病历肺部扫描影像作为标记训练组,将若干张已知病历的肺部扫描影像作为标记验证组:
使用标记训练组进行训练,得到标记模型,再通过标记验证组进行框选、识别与标记:
当对标记验证组框选、识别与标记的结果与实际值差距<0.5时,得到训练后的标记模型;
当对标记验证组框选、识别与标记的结果与实际值差距≥0.5时,重新训练标记模型。
在实施例中,由于肺部病变存在单独病变或者病变位置并不对称的情况,分区检测可以针对病变位置进行单独标记,增加了标记的准确性,提高了医生的检测效率。
如图3所示,所述步骤S4包括:
步骤S4-1:分区处理模型将肺部检查影像进行分区;
步骤S4-2:分别对分区后的肺部检查影像进行编码。
所述步骤S4-1中,分区处理模型将肺部检查影像分区为2个部分,分别为肺部检查影像的左肺叶、和右肺叶的两个部分。
所述步骤S4-2中,对步骤S4-1中分区后的两个部分进行编码,该编码分为两个部分,第一部分的编码指代该肺部检查影像的相对应患者的身份证号。
所述步骤S4-2中,第二部分的编码为对应分区两部分的依次编号:
肺部检查影像的左肺叶的第二部分的编码为1;
肺部检查影像的右肺叶的第二部分的编码为2。
所述方法还包括步骤S6:将分区后的肺部检查影像进行编码匹配,将第一部分编码一致的肺部检查影像合并,生成最终标记后的肺部检查影像。
在实施例中,将若干张已分区带编码的肺部扫描影像作为合并训练组,将另外的若干组已分区带编码的肺部扫描影像作为合并验证组:
使用合并训练组进行训练,得到合并处理模型,再通过合并验证组进行合并:
当对合并验证组框选与合并的结果与实际值差距<0.5时,得到训练后的合并处理模型;
当对合并验证组框选与合并的结果与实际值差距≥0.5时,重新训练合并处理模型。
如图4所示,在实施例中,所述步骤S6包括:
步骤S6-1:获取标记后的分区的肺部检查影像及其编码;
步骤S6-2:采用合并处理模型对已分区带编码的肺部扫描影像进行识别,并根据编码进行合并,其中,两个第一部分的编码相同的已分区带编码的肺部扫描影像组成合并组,将合并组中的第二部分编码为1的放置于第二部分编码为2的肺部扫描影像左侧,并对该合并组的两个肺部扫描影像进行合并,得到最终标记后的肺部检查影像。
在实施例中,最终标记后的肺部检查影像的标记标签分为“1:所识别的病变名称”、“2:所识别的病变名称”、“1:无识别病症”或者“2:无识别病症”,实现分区针对性标记,提高了医生判断准确率。
如图5所示,一种基于人工智能的肺部检查影像辅助标记系统,应用上述的基于人工智能的肺部检查影像辅助标记方法,所述肺部检查影像辅助标记系统包括图像采集模块、数据处理模块以及存储模块;所述图像采集模块包括X射线投影装置,用于实现对肺部检查影像的采集;
所述存储模块实现对肺部检查影像的标记数据进行存储;
所述数据处理模块包括外部异物处理模型、分区处理模型、标记模型以及合并处理模型,实现对肺部检查影像的标记、分区以及合并。
在实际的工作过程中,经过对肺部检查影像的外部异物的识别,提高了后期辅助标记的准确率;经过对肺部检查影像的标记,实现了对病变阴影进行初步识别并标记,节约了医生需要对异物以及病变阴影的判断时间,提高了效率。
本发明的特点在于:通过对肺部检查影像进行辅助标记,实现了对肺部检查影像的外部异物进行检测以及对病变阴影进行初步识别并标记,节约了医生需要对异物以及病变阴影的判断时间,提高了效率;通过对肺部检查影像的阴影进行匹配,实现了对肺部检查影像中外部异物的识别和标记,避免由于外部异物阴影导致医生判断错误的情况,提高判断准确率;通过分区检测以及标记,提高了对肺部检查影像的标记准确性。
以上对本发明的实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均等变化与改进等,均应仍归属于本专利涵盖范围之内。
Claims (10)
1.基于人工智能的肺部检查影像辅助标记方法,其特征在于,包括以下步骤:
步骤S1:获取肺部检查影像,并对肺部检查影像进行预处理;
步骤S2:获取训练后的外部异物处理模型,所述外部异物处理模型使用若干组金属饰品的扫描影像进行训练,使得训练后的外部异物处理模型对金属饰品的扫描影像进行标记;
获取训练后的分区处理模型,所述分区处理模型使用若干张肺部扫描影像进行训练,使得训练后的分区处理模型对肺部扫描影像进行分区;
获取训练后的标记模型,所述标记模型使用若干张历史病历肺部扫描影像进行训练,使得训练后的标记模型对肺部扫描影像进行病症识别与框选;
步骤S3:采用外部异物处理模型,对肺部检查影像进行处理:
当标记有外部异物时,重新进行步骤S1;
当未标记有外部异物时,采用分区处理模型,对肺部检查影像进行分区;
步骤S4:将分区后的肺部检查影像进行编码;
步骤S5:分别获取分区后的肺部检查影像,并分别使用标记模型对各自所在分区的预设的历史病历影像数据库内的分区后的肺部扫描影像进行识别:
当标记模型识别出历史病历的肺部扫描影像与肺部检查影像一致时,标记模型将分区后的肺部检查影像中识别出的影像进行框选和标记,该标记标签为识别出的对应的病症名称;
当标记模型识别出历史病历的肺部扫描影像与肺部检查影像不一致时,将该分区后的肺部检查影像进行标记,该标记标签为无识别病症。
2.根据权利要求1所述的基于人工智能的肺部检查影像辅助标记方法,其特征在于,所述步骤S2中,将若干组金属饰品的扫描影像作为外部异物训练组,将若干组带有金属饰品的肺部扫描影像作为外部异物验证组:
使用外部异物训练组进行训练,得到外部异物处理模型,再通过外部异物验证组进行框选与标记:
当对外部异物验证组框选与标记的结果与实际值差距<0.5时,得到训练后的外部异物处理模型;
当对外部异物验证组框选与标记的结果与实际值差距≥0.5时,重新训练外部异物处理模型。
3.根据权利要求2所述的基于人工智能的肺部检查影像辅助标记方法,其特征在于,所述步骤S2中,将若干张肺部扫描影像作为分区训练组,将另外的若干组肺部扫描影像作为分区验证组:
使用分区训练组进行训练,得到分区处理模型,再通过分区验证组进行框选与分区:
当对分区验证组框选与分区的结果与实际值差距<0.5时,得到训练后的分区处理模型;
当对分区验证组框选与分区的结果与实际值差距≥0.5时,重新训练分区处理模型。
4.根据权利要求3所述的基于人工智能的肺部检查影像辅助标记方法,其特征在于,所述步骤S2中,将若干张历史病历肺部扫描影像作为标记训练组,将若干张已知病历的肺部扫描影像作为标记验证组:
使用标记训练组进行训练,得到标记模型,再通过标记验证组进行框选、识别与标记:
当对标记验证组框选、识别与标记的结果与实际值差距<0.5时,得到训练后的标记模型;
当对标记验证组框选、识别与标记的结果与实际值差距≥0.5时,重新训练标记模型。
5.根据权利要求3所述的基于人工智能的肺部检查影像辅助标记方法,其特征在于,所述步骤S4包括:
步骤S4-1:分区处理模型将肺部检查影像进行分区;
步骤S4-2:分别对分区后的肺部检查影像进行编码。
6.根据权利要求5所述的基于人工智能的肺部检查影像辅助标记方法,其特征在于,所述步骤S4-1中,分区处理模型将肺部检查影像分区为2个部分,分别为肺部检查影像的左肺叶、和右肺叶的两个部分。
7.根据权利要求6所述的基于人工智能的肺部检查影像辅助标记方法,其特征在于,所述步骤S4-2中,对步骤S4-1中分区后的两个部分进行编码,该编码分为两个部分,第一部分的编码指代该肺部检查影像的相对应患者的身份证号。
8.根据权利要求7所述的基于人工智能的肺部检查影像辅助标记方法,其特征在于,所述步骤S4-2中,第二部分的编码为对应分区两部分的依次编号:
肺部检查影像的左肺叶的第二部分的编码为1;
肺部检查影像的右肺叶的第二部分的编码为2。
9.根据权利要求8所述的基于人工智能的肺部检查影像辅助标记方法,其特征在于,所述方法还包括步骤S6:将分区后的肺部检查影像进行编码匹配,将第一部分编码一致的肺部检查影像合并,生成最终标记后的肺部检查影像。
10.一种基于人工智能的肺部检查影像辅助标记系统,其特征在于,应用权利要求1至9中任意一项的基于人工智能的肺部检查影像辅助标记方法,所述肺部检查影像辅助标记系统包括图像采集模块、数据处理模块以及存储模块;所述图像采集模块包括X射线投影装置,用于实现对肺部检查影像的采集;
所述存储模块实现对肺部检查影像的标记数据进行存储;
所述数据处理模块包括外部异物处理模型、分区处理模型、标记模型以及合并处理模型,实现对肺部检查影像的标记、分区以及合并。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110743086.7A CN113409924A (zh) | 2021-07-01 | 2021-07-01 | 基于人工智能的肺部检查影像辅助标记方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110743086.7A CN113409924A (zh) | 2021-07-01 | 2021-07-01 | 基于人工智能的肺部检查影像辅助标记方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113409924A true CN113409924A (zh) | 2021-09-17 |
Family
ID=77680791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110743086.7A Pending CN113409924A (zh) | 2021-07-01 | 2021-07-01 | 基于人工智能的肺部检查影像辅助标记方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113409924A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859168A (zh) * | 2018-12-28 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 一种x射线胸片图像质量确定方法及装置 |
CN110930414A (zh) * | 2019-10-17 | 2020-03-27 | 平安科技(深圳)有限公司 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
CN111080625A (zh) * | 2019-12-18 | 2020-04-28 | 北京推想科技有限公司 | 肺部影像条索检测模型的训练方法及其训练装置 |
CN111260671A (zh) * | 2020-05-07 | 2020-06-09 | 北京精诊医疗科技有限公司 | 一种ct影像肺部分叶方法及系统 |
CN111612749A (zh) * | 2020-05-12 | 2020-09-01 | 科大讯飞股份有限公司 | 基于肺部影像的病灶检测方法和装置 |
CN111816281A (zh) * | 2020-06-23 | 2020-10-23 | 无锡祥生医疗科技股份有限公司 | 超声影像查询装置 |
CN111882538A (zh) * | 2020-07-28 | 2020-11-03 | 杭州市红十字会医院 | 一种区分肺结核与肿瘤信息的处理系统及信息处理方法 |
-
2021
- 2021-07-01 CN CN202110743086.7A patent/CN113409924A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859168A (zh) * | 2018-12-28 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 一种x射线胸片图像质量确定方法及装置 |
CN110930414A (zh) * | 2019-10-17 | 2020-03-27 | 平安科技(深圳)有限公司 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
CN111080625A (zh) * | 2019-12-18 | 2020-04-28 | 北京推想科技有限公司 | 肺部影像条索检测模型的训练方法及其训练装置 |
CN111260671A (zh) * | 2020-05-07 | 2020-06-09 | 北京精诊医疗科技有限公司 | 一种ct影像肺部分叶方法及系统 |
CN111612749A (zh) * | 2020-05-12 | 2020-09-01 | 科大讯飞股份有限公司 | 基于肺部影像的病灶检测方法和装置 |
CN111816281A (zh) * | 2020-06-23 | 2020-10-23 | 无锡祥生医疗科技股份有限公司 | 超声影像查询装置 |
CN111882538A (zh) * | 2020-07-28 | 2020-11-03 | 杭州市红十字会医院 | 一种区分肺结核与肿瘤信息的处理系统及信息处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5186269B2 (ja) | 画像認識結果判定装置、方法、およびプログラム | |
CN111671448A (zh) | 一种基于深度学习的骨龄检测方法和装置 | |
CN112734757B (zh) | 一种脊柱X光图像cobb角测量方法 | |
CN1934589A (zh) | 为医学成像提供自动决策支持的系统和方法 | |
CN101040779A (zh) | 在三维立体数据组中虚拟定位断层的方法及医学成像系统 | |
CN110664395B (zh) | 图像处理方法、图像处理装置以及存储介质 | |
CN108229584A (zh) | 一种基于深度学习的多模态医学影像识别方法及装置 | |
CN115862819B (zh) | 一种基于图像处理的医学图像管理方法 | |
US8331635B2 (en) | Cartesian human morpho-informatic system | |
CN109255354A (zh) | 面向医用ct的计算机图像处理方法和装置 | |
CN101484920A (zh) | 在连续扫描之间传递扫描几何形状的方法、设备、系统和计算机程序 | |
CN111916186A (zh) | 序贯型ai诊断模型对胸部x线智能诊断系统及方法 | |
CN113855042B (zh) | 融合深度和医学特征的基于序列标注的多导联心电信号分类方法 | |
CN113409924A (zh) | 基于人工智能的肺部检查影像辅助标记方法及其系统 | |
CN108596877B (zh) | 肋骨ct数据分析系统 | |
CN117442334A (zh) | 一种基于深度学习辅助青少年特发性脊柱侧凸手术节段选择的方法 | |
CN116616893A (zh) | 一种骨盆植入物通道的自动定位方法 | |
CN113888663B (zh) | 重建模型训练方法、异常检测方法、装置、设备及介质 | |
CN115713661A (zh) | 一种脊柱侧弯Lenke分型系统 | |
CN114240934A (zh) | 一种基于肢端肥大症的图像数据分析方法及系统 | |
CN112991478A (zh) | 基于深度学习的影像分析多时相异常特征区域参数的方法 | |
El-Fegh et al. | Automated 2-D cephalometric analysis of X-ray by image registration approach based on least square approximator | |
CN114998939A (zh) | 一种运动性软组织损伤耳穴诊断系统 | |
CN110170081B (zh) | 一种icu仪器报警处理方法及系统 | |
CN117476218B (zh) | 一种基于临床知识图谱的中医妇科护理辅助决策系统 |
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 |
Application publication date: 20210917 |
|
RJ01 | Rejection of invention patent application after publication |