CN113469180A - 医学图像的处理方法和系统、数据处理方法 - Google Patents
医学图像的处理方法和系统、数据处理方法 Download PDFInfo
- Publication number
- CN113469180A CN113469180A CN202010244937.9A CN202010244937A CN113469180A CN 113469180 A CN113469180 A CN 113469180A CN 202010244937 A CN202010244937 A CN 202010244937A CN 113469180 A CN113469180 A CN 113469180A
- Authority
- CN
- China
- Prior art keywords
- medical image
- image
- processing
- target
- machine learning
- 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
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
- G06F18/24—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10081—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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种医学图像的处理方法和系统、数据处理方法。其中,该方法包括:获取包含有目标器官的第一医学图像;利用第一机器学习模型对第一医学图像进行处理,得到第一医学图像的分类结果,以及第一医学图像中目标区域的第一图像,其中,第一机器学习模型用于获取第一医学图像,将第一医学图像输入至编码器网络,得到目标区域的特征信息,将目标区域的特征信息分别输入至分类网络和解码器网络,得到分类结果和第一图像。本申请解决了相关技术中医学图像处理准确度低的技术问题。
Description
技术领域
本申请涉及医学领域,具体而言,涉及一种医学图像的处理方法和系统、数据处理方法。
背景技术
目前,现有的医学图像处理方法对医学图像进行处理,具体处理流程如下:可以利用分类网络对医学图像进行处理,得到该图像的分类结果,还可以利用分割网络提取出医学图像中的病变区域。
但是,现有医学图像的处理方法需要分别训练分类网络和分割网络,分类网络关注整个医学图像中的人体器官的特征,无法聚焦在病变区域,导致分类网络的识别准确度较低。另外,由于对分割数据进行像素级标注较为困难,分割数据较少,利用较少的分割数据训练分割网络,导致分割网络的处理准确度较低。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种医学图像的处理方法和系统、数据处理方法,以至少解决相关技术中医学图像处理准确度低的技术问题。
根据本申请实施例的一个方面,提供了一种医学图像的处理方法,包括:获取包含有目标器官的第一医学图像;利用第一机器学习模型对第一医学图像进行处理,得到第一医学图像的分类结果,以及第一医学图像中目标区域的第一图像,其中,第一机器学习模型用于获取第一医学图像,将第一医学图像输入至编码器网络,得到目标区域的特征信息,将目标区域的特征信息分别输入至分类网络和解码器网络,得到分类结果和第一图像。
根据本申请实施例的另一方面,还提供了一种医学图像的处理方法,包括:接收用户上传的包含有目标器官的第一医学图像;展示第一医学图像的分类结果,以及第一医学图像中目标区域的第一图像,其中,分类结果和第一图像是利用第一机器学习模型处理第一医学图像得到。
根据本申请实施例的另一方面,还提供了一种数据处理方法,包括:接收用户输入的数据源;确定用户选中的目标处理算法;利用目标处理算法对数据源进行处理,得到数据源的分类结果,以及数据源中的目标数据,其中,目标处理算法用于调用第一机器学习模型处理数据源,以得到分类结果和目标数据;展示分类结果和目标数据。
根据本申请实施例的另一方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述的数据处理方法和医学图像的处理方法。
根据本申请实施例的另一方面,还提供了一种计算设备,包括:存储器和处理器,处理器用于运行存储器中存储的程序,其中,程序运行时执行上述的数据处理方法和医学图像的处理方法。
根据本申请实施例的另一方面,还提供了一种医学图像的处理系统,包括:处理器;以及存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:获取包含有目标器官的第一医学图像;利用第一机器学习模型对第一医学图像进行处理,得到第一医学图像的分类结果,以及第一医学图像中目标区域的第一图像,其中,第一机器学习模型用于获取第一医学图像,将第一医学图像输入至编码器网络,得到目标区域的特征信息,将目标区域的特征信息分别输入至分类网络和解码器网络,得到分类结果和第一图像。
在本申请实施例中,在获取到第一医学图像之后,可以利用第一机器学习模型对第一医学图像进行处理,同时得到分类结果和目标区域的第一图像,从而实现图像分类和区域分割的目的。容易注意到的是,可以将分类网络和分割网络相结合,使得分类网络可以在分类过程中聚焦在目标区域,达到了提高处理准确度、提升处理效率的技术效果,进而解决了相关技术中医学图像处理准确度低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种用于实现医学图像的处理方法的计算机终端的硬件结构框图;
图2是根据本申请实施例的一种医学图像的处理方法的流程图;
图3是根据本申请实施例的一种可选的医学图像的处理方法的流程图;
图4是根据本申请实施例的另一种医学图像的处理方法的流程图;
图5是根据本申请实施例的一种可选的医学图像的处理界面的示意图;
图6是根据本申请实施例的一种医学图像的处理装置的示意图;
图7是根据本申请实施例的另一种医学图像的处理装置的示意图;
图8是根据本申请实施例的又一种医学图像的处理方法的流程图;
图9是根据本申请实施例的另一种可选的医学图像的处理界面的示意图;以及
图10是根据本申请实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
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。应该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。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释:
强化学习:可以基于环境行动,以取得预期利益。
Encoder-Decoder:编码-解码模型,是深度学习中常见的一个模型框架,可以分为编码器网络(Encoder)和解码器网络(Decoder)两部分。
UNet:可以分为两部分,前半部分作用是特征提取,后半部分是上采样。
PSPNet:Pyramid Scene Parsing Network,金字塔场景解析网络,聚合了基于不同区域的上下文信息,来挖掘全局上下文信息的能力。
DeepLabV3+:DeepLab是结合了深度卷积神经网络(DCNNs)和概率图模型(DenseCRFs)的方法。提出了带孔空间金字塔池化模块,该模块用于探索多尺度卷积特征,将全局背景基于图像层次进行编码获得特征。
resnext:可以包括多个采用相同拓扑结构的分支,每个分支产生的特征图(Feature Map)的通道数为n。
ASPP结构:可以利用多尺度信息进一步强化分割效果。
刚性变换:只有物体的位置(平移变换)和朝向(旋转变换)发生改变,而形状不变,得到的变换可以称为刚性变换。
仿射变换:可以是指图形任意倾斜,并且图形在两个方向上任意伸缩的变换。
实施例1
为了方便医生通过医学图像准确确定患者的病情,并且通过对医学图像进行分割,提取出病变区域和整个人体器官区域,进而对病变情况进行量化分析,以方便医生通过量化结果确定患者的病情,并根据患者病情发展对症下药。
目前对于医学图像中类型识别和目标区域分割的网络模型是相互独立的,需要独立训练两个网络,分别是分类网络和分割网络。分类网络主要用于确定医学图像的类别,分割网络用于提取出病变区域。
但是,现有方案并未考虑分类网络和分割网络在医学影像纹理特征上的统一性,实际上分类网络在做类别判断的主要依据就是病变区域的纹理特征,纯分类网络很难聚焦在病变区域,导致训练出来的模型识别准确度较低。
分割网络是基于二维神经网络图像实现的,但是,由于没有考虑三维空间关系,导致分割精度较低。
另外,患者随访时需要医生分别查看不同时期的医学图像,并分析病变区域的变化情况,整个过程处理耗时较长,效率较低。
为了解决上述问题,根据本申请实施例,提供了一种医学图像的处理方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。图1示出了一种用于实现医学图像的处理方法的计算机终端(或移动设备)的硬件结构框图。如图1所示,计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的医学图像的处理方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的医学图像的处理方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
在上述运行环境下,本申请提供了如图2所示的医学图像的处理方法。图2是根据本申请实施例的一种医学图像的处理方法的流程图。如图2所示,该方法可以包括如下步骤:
步骤S202,获取包含有目标器官的第一医学图像;
上述步骤中的目标器官可以是患者身体内部的人体器官,例如,可以是大脑、心脏、肺部等,但不仅限于此。第一医学图像可以是通过医学成像技术得到的目标器官的图像,例如,医学成像技术可以是X射线、伽马射线、磁共振、超音波等,但不仅限于此。对于不同的目标器官,可以采用不同的医学成像技术,本申请对此不作具体限定。并且,在本申请实施例中,以目标器官为肺部、第一医学图像为CT影像(Computed Tomography,X线计算机断层摄影)为例进行说明。
步骤S204,利用第一机器学习模型对第一医学图像进行处理,得到第一医学图像的分类结果,以及第一医学图像中目标区域的第一图像,其中,第一机器学习模型用于获取第一医学图像,将第一医学图像输入至编码器网络,得到目标区域的特征信息,将目标区域的特征信息分别输入至分类网络和解码器网络,得到分类结果和第一图像。
上述步骤中的第一机器学习模型可以是训练好的模型,也可以是强化学习模型,在本申请实施例中,以训练好的模型为例进行说明,第一机器学习模型可以采用“Encoder-Decoder”结构,并且可以在编码器网络之后连接一个分类网络,与解码器网络并列。可选地,编码器网络和解码器网络均可以采用三维卷积层,也即,第一机器学习模型可以是三维网络模型。其中,编码器网络可以采用resnext50网络结构,解码器网络可以是ASPP结构和上采样层构成,分类网络可以由一系列卷积层和全局池化层构成,但不仅限于此。
上述步骤中的分类结果可以是预先针对目标器官所设定的不同的分类结果,例如,对于肺部的医学图像,分类结果可以包括:患病肺部图像、正常肺部图像等,但不仅限于此,可以根据实际需要进行设定。目标区域可以是目标器官中可能存在病变的区域,但不仅限于此,也可以是需要从目标器官中提取出的特定区域。
在一种可选的实施例中,可以预先构建一个分类和分割网络多任务联合的模型,该模型可以采用“Encoder-Decoder”结构,并在编码器网络之后并列接出来一个分类网络。在获取到第一医学图像之后,可以将第一医学图像输入至该模型中,通过分类网络分支可以输出相应的分类结果,通过解码器网络分支可以输出目标区域的图像。
基于本申请上述实施例提供的方案,在获取到第一医学图像之后,可以利用第一机器学习模型对第一医学图像进行处理,同时得到分类结果和目标区域的第一图像,从而实现图像分类和区域分割的目的。容易注意到的是,可以将分类网络和分割网络相结合,使得分类网络可以在分类过程中聚焦在目标区域,达到了提高处理准确度、提升处理效率的技术效果,进而解决了相关技术中医学图像处理准确度低的技术问题。
在本申请上述实施例中,该方法还包括如下步骤:获取多组第一训练样本和多组第二训练样本,其中,每组第一训练样本包括:包含有目标器官的医学图像,医学图像的分类标签,以及医学图像中目标区域的标注信息,每组第二训练样本包括:包含有目标器官的医学图像,以及医学图像的分类标签;交替利用多组第一训练样本和多组第二训练样本对预设模型进行训练,得到第一机器学习模型。
上述步骤中的第一训练数据和第二训练数据中的医学图像可以是从医院、PACS(Picture Archiving and Communication Systems,医学影像信息系统)厂商等各个渠道收集到的脱敏数据,以增强训练效果。可以根据不同病情,人为标注每个医学图像的分类标签,并对目标区域进行标注。
由于对像素级的目标区域进行标注较为困难,因此,包含目标区域标注的训练样本较少。为了能够实现模型训练,并提高处理准确度,可以将训练数据分为两种,一种是仅包含分类标签的数据(即上述的第一训练数据),另一种是包含分类标签和目标区域标注的数据(即上述的第二训练数据),并且可以采用迭代训练的方式进行训练。
在一种可选的实施例中,可以交替采用不同的损失函数进行分类网络和解码器网络训练,通过迭代训练的方式,既可以充分利用所有标注的数据,又可以相互促进图像分类和区域分割提取更有意义的特征,从而可以提高分类准确率,并提高分割精度。另外,通过迭代交替训练的方式可以让分类网络聚焦在目标区域,也让分类结果更具有解释性。
下面结合图3以肺部CT影像为例对本申请一种优选的实施例进行详细说明。如图3所示,每次获取到患者的CT影像之后,可以将其输入至目标区域分割模块中,由编码器网络提取对其进行处理,提取出目标区域的特征,进一步利用分类网络对目标区域的特征进行处理,得到图像的分类结果,同时,利用解码器网络对目标区域的特征进行处理,提取出目标区域的图像,从而方便医生快速确定患者的病情,并且可以对患者进行早期干预治疗,避免患者向重症甚至是危重症发展,减低死亡率。
在本申请上述实施例中,在得到第一医学图像中目标区域的第一图像之后,该方法还包括如下步骤:利用第二机器学习模型对第一医学图像进行处理,得到目标器官的第二图像,其中,第二机器学习模型用于获取第一医学图像,将第一医学图像输入至编码器网络,得到目标器官的特征信息,将目标器官的特征信息输入至解码器网络,得到第二图像;基于第一图像和第二图像,得到目标区域在目标器官中的第一占比值。
为了辅助医生决断和采取对应治疗方案,可以对目标区域进行量化分析,上述的第一占比值可以是指目标区域占整个器官的大小比例。
但是,由于现有方案的分割精度不高,导致目标区域和器官区域的分割不准确,无法得到较为准确的分割结果。为了解决上述问题,在本申请实施例中,构建了第一机器学习模型和第二机器学习模型,与第一机器学习模型相同,第二机器学习模型也可以是训练好的模型,也可以是强化学习模型,在本申请实施例中,以训练好的模型为例进行说明。两个模型均可以采用“Encoder-Decoder”结构,可以是常见的UNet,PSPNet,DeepLabV3+等网络修改得到。可选地,第二机器学习模型中的编码器网络和解码器网络也可以采用三维卷积层,使得第一机器学习模型和第二机器学习模型为三维网络。
另外,由于两个模型的输入为相同的医学影像,提取目标区域和器官区域存在相似性,因此,第二机器学习模型中的编码器网络和第一机器学习模型中的编码器网络可以共享权重参数,从而达到加速网络训练的目的。
在一种可选的实施例中,可以预先构建一个分类和分割网络多任务联合的第一机器学习模型,以及一个分割网络的第二机器学习模型,两个模型可以采用“Encoder-Decoder”结构,并在第一机器学习模型的编码器网络之后并列接出来一个分类网络。在获取到第一医学图像之后,可以将第一医学图像输入至第一机器学习模型和第二机器学习模型之中,通过第一机器学习模型的解码器网络可以提取出目标区域,通过第二机器学习模型的解码器网络可以提取出器官区域,进一步通过计算两个区域大小的比值,可以得到目标区域的量化结果。
下面仍然结合图3以肺部CT影像为例对本申请一种优选的实施例进行详细说明。如图3所示,每次获取到患者的CT影像之后,可以将其输入至目标区域分割模块和目标器官分割模块中,由两个模块分别对其进行处理,分别提取出患者肺部的病变区域以及肺部区域,并且通过计算两者的大小比值,可以得到病变区域在肺部的大小作为量化结果,从而方便医生快速、准确地的确定患者的病情,并根据患者病情发展对症下药。
在本申请上述实施例中,该方法还包括如下步骤:获取包含有目标器官的第二医学图像;利用第一机器学习模型对第二医学图像进行处理,得到第二医学图像中目标区域的第三图像;利用第二机器学习模型对第二医学图像进行处理,得到目标器官的第四图像;基于第三图像和第四图像,得到目标区域在目标器官中的第二占比值。
患者在治疗过程中,需要定期随访以确定病情变化情况,但是,现有患者的随访分析完全采用医生人眼观察的方式实现,医生需要分别查看不同时期的医学图像,找到病变区域,并分析病变区域的变化。医生观察一张医学图像往往需要10-15分钟,同时观察多张医学图像的耗时更多,导致效率一般比较低。
为了解决上述问题,在一种可选的实施例中,为了方便医生评估治疗方案的有效性,可以读取该患者的第二医学图像,并采用与第一医学图像相同的方法进行处理,分别利用第一机器学习模型和第二机器学习模型进行处理,得到第二医学图像中目标区域和器官区域,进一步通过计算两个区域大小的比值,可以得到目标区域的第二占比值,从而医生可以快速确定目标区域的量化结果,省去大量医生阅片时间,降低人工成本,提升效率。
需要说明的是,为了进一步节省处理时间,每次对医学图像进行处理之后,可以将医学图像和目标区域的占比值进行存储,从而得到第二医学图像和第二占比值。
在本申请上述实施例中,在获取包含有目标器官的第二医学图像之后,该方法还包括如下步骤:利用第三机器学习模型对第一医学图像和第二医学图像进行处理,得到第一医学图像和第二医学图像的形变关系,其中,第三机器学习模型用于获取第一医学图像和第二医学图像,将第一医学图像和第二医学图像分别输入至两个刚性网络中,得到第一医学图像的第一刚体参数和第二医学图像的第二刚体参数,将第一刚体参数和第二刚体参数输入至仿射网格网络中,得到形变关系;基于形变关系对第二医学图像进行处理,得到第二医学图像对应的配准图像;分别利用第一机器学习模型和第二机器学习模型对配准图像进行处理,得到第三图像和第四图像。
对于同一个患者,不同时期获取到的医学图像往往不同,导致分割出的目标区域不同,医生无法直观地将不同时期的目标区域进行分析,确定患者的病情变化。
为了解决上述问题,在本申请实施例中,可以构建一个配准网络(即上述的第三机器学习模型),该网络可以输入不同时期的医学图像,并通过相同结构的刚性网络对不同时期的医学图像进行处理,确定医学图像的刚体参数,进一步通过仿射网格网络对刚体参数进行处理,可以确定医学图像之间的形变场,也即得到医学图像之间的形变关系。
在一种可选的实施例中,在获取到第一医学图像之后,还可以获取该患者的第二医学图像,通过第三机器学习模型对两张医学图像进行处理,得到两张医学图像之间的形变关系,进而可以通过形变关系对第二医学图像进行处理,得到配准图像,从而达到图像配准的目的。
下面仍然结合图3以肺部CT影像为例对本申请一种优选的实施例进行详细说明。如图3所示,每次获取到患者的CT影像之后,可以获取该患者的其他CT影像,并将两张CT影像输入至刚体配准网络中,由该模块对其进行处理,得到两张CT影像的形变关系,进一步基于形变关系对第二医学图像进行处理,得到第二医学图像对应的配准网络,从而方便医生更直观地查看到CT影像中的病变区域,进而确定患者的病情变化。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
实施例2
根据本申请实施例,还提供了一种医学图像的处理方法。
图4是根据本申请实施例的另一种医学图像的处理方法的流程图。如图4所示,该方法可以包括如下步骤:
步骤S402,接收用户上传的包含有目标器官的第一医学图像;
上述步骤中的用户可以是需要查看医学图像的医生,也可以是患者本身,但不仅限于此。目标器官可以是患者身体内部的人体器官,例如,可以是大脑、心脏、肺部等,但不仅限于此。第一医学图像可以是通过医学成像技术得到的目标器官的图像,例如,医学成像技术可以是X射线、伽马射线、磁共振、超音波等,但不仅限于此。
步骤S404,展示第一医学图像的分类结果,以及第一医学图像中目标区域的第一图像,其中,分类结果和第一图像是利用第一机器学习模型处理第一医学图像得到。
上述步骤中的第一机器学习模型可以是训练好的模型,也可以是强化学习模型,在本申请实施例中,以训练好的模型为例进行说明,第一机器学习模型可以采用“Encoder-Decoder”结构,并且可以在编码器网络之后连接一个分类网络,与解码器网络并列。可选地,编码器网络和解码器网络均可以采用三维卷积层,也即,第一机器学习模型可以是三维网络模型。其中,编码器网络可以采用resnext50网络结构,解码器网络可以是ASPP结构和上采样层构成,分类网络可以由一系列卷积层和全局池化层构成,但不仅限于此。
在一种可选的实施例中,可以给用户提供一个交互界面,如图5所示,用户可以通过点击“上传医学图像”,选择需要上传的医学图像,或者,可以直接将医学图像文件拖动到虚线方框内,实现上传医学图像的目的。分类结果和目标区域的图像可以显示在右侧的结果显示区域内,方便用户查看。
例如,以用户为医生为例进行说明,医生在获取到患者的医学图像之后,可以将医学图像上传,并查看结果显示区域内显示的分类结果和目标区域,从而医生可以基于分类结果和目标区域确定患者的病情,并给出治疗建议。
又例如,以用户为患者为例进行说明,患者在获取到自己的医学图像之后,可以将医学图像上传,并查看结果显示区域内显示的分类结果和目标区域,从而患者可以对自己病情有一定的认识,并且可以根据自身的病情及时前往医院治疗。
在本申请上述实施例中,第一机器学习模型可以是交替利用多组第一训练样本和多组第二训练样本对预设模型进行训练得到的,其中,每组第一训练样本包括:包含有目标器官的医学图像,医学图像的分类标签,以及医学图像中目标区域的标注信息,每组第二训练样本包括:包含有目标器官的医学图像,以及医学图像的分类标签。
在本申请上述实施例中,在接收到用户输入的第一请求之后,该方法还包括如下步骤:展示第一医学图像,以及目标区域在目标器官中的第一占比值;其中,第一占比值是基于第一图像和目标器官的第二图像得到,第二图像是利用第二机器学习模型处理第一医学图像得到。
上述步骤中的第一请求可以是需要查看目标区域的量化结果时,用户输入的处理请求,例如,如图5所示,用户可以通过点击“量化处理”生成该第一请求,目标区域的第一占比值同样可以显示在右侧的结果显示区域内。上述的第一占比值可以是指目标区域占整个器官的大小比例。上述步骤中的第二机器学习模型也可以采用“Encoder-Decoder”结构,可以是常见的UNet,PSPNet,DeepLabV3+等网络修改得到。可选地,第二机器学习模型中的编码器网络和解码器网络也可以采用三维卷积层,使得第一机器学习模型和第二机器学习模型为三维网络。
在本申请上述实施例中,在接收到用户输入的第二请求之后,该方法还包括如下步骤:获取包含有目标器官的第二医学图像;展示第二医学图像,以及目标区域在目标器官中的第二占比值,其中,第二占比值是基于第二医学图像中目标区域的第三图像和目标器官的第四图像得到,第三图像是利用第一机器学习模型处理第二医学图像得到,第四图像是利用第二机器学习模型处理第二医学图像得到。
上述步骤中的第二请求可以是需要查看第二医学图像,并将第二医学图像和第一医学图像进行比较时,用户输入的处理请求,例如,如图5所示,用户可以通过点击“图像比较”生成该第二请求,第二医学图像和目标器官的第二占比值同样可以显示在右侧的结果显示区域内。
在本申请上述实施例中,该方法还包括如下步骤:展示第二医学图像对应的配准图像,其中,配准图像是基于第一医学图像和第二医学图像的形变关系处理第二医学图像得到,形变关系是利用第三机器学习模型处理第一医学图像和第二医学图像得到。
上述步骤中的第三机器学习模型可以是预先构建的配准网络,该网络可以输入不同时期的医学图像,并通过相同结构的刚性网络对不同时期的医学图像进行处理,确定医学图像的刚体参数,进一步通过仿射网格网络对刚体参数进行处理,可以确定医学图像之间的形变场,也即得到医学图像之间的形变关系。
可选地,为了方便用户将第一医学图像和配准图像进行比较,确定目标区域的变化情况,第一医学图像和配准图像可以并列展示,并且,第一占比值展示在第一医学图像上,第二占比值展示在配准图像上。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例3
根据本申请实施例,还提供了一种用于实施上述医学图像的处理方法的医学图像的处理装置,如图6所示,该装置600包括:第一获取模块602和第一处理模块604。
其中,第一获取模块602用于获取包含有目标器官的第一医学图像;第一处理模块604用于利用第一机器学习模型对第一医学图像进行处理,得到第一医学图像的分类结果,以及第一医学图像中目标区域的第一图像,其中,第一机器学习模型用于获取第一医学图像,将第一医学图像输入至编码器网络,得到目标区域的特征信息,将目标区域的特征信息分别输入至分类网络和解码器网络,得到分类结果和第一图像。
此处需要说明的是,上述第一获取模块602和第一处理模块604对应于实施例1中的步骤S202至步骤S204,两个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在本申请上述实施例中,该装置还包括:第二获取模块和训练模块。
其中,第二获取模块用于获取多组第一训练样本和多组第二训练样本,其中,每组第一训练样本包括:包含有目标器官的医学图像,医学图像的分类标签,以及医学图像中目标区域的标注信息,每组第二训练样本包括:包含有目标器官的医学图像,以及医学图像的分类标签;训练模块用于交替利用多组第一训练样本和多组第二训练样本对预设模型进行训练,得到第一机器学习模型。
在本申请上述实施例中,该装置还包括:第二处理模块和第三处理模块。
其中,第二处理模块用于利用第二机器学习模型对第一医学图像进行处理,得到目标器官的第二图像,其中,第二机器学习模型用于获取第一医学图像,将第一医学图像输入至编码器网络,得到目标器官的特征信息,将目标器官的特征信息输入至解码器网络,得到第二图像;第三处理模块用于基于第一图像和第二图像,得到目标区域在目标器官中的第一占比值。
在本申请上述实施例中,该装置还包括:第三获取模块。
其中,第三获取模块用于获取包含有目标器官的第二医学图像;第一处理模块还用于利用第一机器学习模型对第二医学图像进行处理,得到第二医学图像中目标区域的第三图像;第二处理模块还用于利用第二机器学习模型对第二医学图像进行处理,得到目标器官的第四图像;第三处理模块还用于基于第三图像和第四图像,得到目标区域在目标器官中的第二占比值。
在本申请上述实施例中,该装置还包括:第四处理模块、第五处理模块。
其中,第四处理模块用于利用第三机器学习模型对第一医学图像和第二医学图像进行处理,得到第一医学图像和第二医学图像的形变关系,其中,第三机器学习模型用于获取第一医学图像和第二医学图像,将第一医学图像和第二医学图像分别输入至两个刚性网络中,得到第一医学图像的第一刚体参数和第二医学图像的第二刚体参数,将第一刚体参数和第二刚体参数输入至仿射网格网络中,得到形变关系;第五处理模块用于基于形变关系对第二医学图像进行处理,得到第二医学图像对应的配准图像;第一处理模块还用于利用第一机器学习模型对配准图像进行处理,得到第三图像;第二处理模块还用于利用第二机器学习模型对配准图像进行处理,得到第四图像。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例4
根据本申请实施例,还提供了一种用于实施上述医学图像的处理方法的医学图像的处理装置,如图7所示,该装置700包括:接收模块702和展示模块704。
其中,接收模块702用于接收用户上传的包含有目标器官的第一医学图像;展示模块704用于展示第一医学图像的分类结果,以及第一医学图像中目标区域的第一图像,其中,分类结果和第一图像是利用第一机器学习模型处理第一医学图像得到。
此处需要说明的是,上述接收模块702和展示模块704对应于实施例2中的步骤S402至步骤S404,两个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例2所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在本申请上述实施例中,第一机器学习模型可以是交替利用多组第一训练样本和多组第二训练样本对预设模型进行训练得到的,其中,每组第一训练样本包括:包含有目标器官的医学图像,医学图像的分类标签,以及医学图像中目标区域的标注信息,每组第二训练样本包括:包含有目标器官的医学图像,以及医学图像的分类标签。
在本申请上述实施例中,接收模块还用于接收用户输入的第一请求;展示模块还用于展示第一医学图像,以及目标区域在目标器官中的第一占比值,其中,第一占比值是基于第一图像和目标器官的第二图像得到,第二图像是利用第二机器学习模型处理第一医学图像得到。
在本申请上述实施例中,该装置还包括:获取模块。
其中,接收模块还用于接收用户输入的第二请求;获取模块用于获取包含有目标器官的第二医学图像;展示模块还用于展示第二医学图像,以及目标区域在目标器官中的第二占比值,其中,第二占比值是基于第二医学图像中目标区域的第三图像和目标器官的第四图像得到,第三图像是利用第一机器学习模型处理第二医学图像得到,第四图像是利用第二机器学习模型处理第二医学图像得到。
在本申请上述实施例中,展示模块还用于展示第二医学图像对应的配准图像,其中,配准图像是基于第一医学图像和第二医学图像的形变关系处理第二医学图像得到,形变关系是利用第三机器学习模型处理第一医学图像和第二医学图像得到。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例5
根据本申请实施例,提供了一种医学图像的处理系统,包括:
处理器;以及
存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:获取包含有目标器官的第一医学图像;利用第一机器学习模型对第一医学图像进行处理,得到第一医学图像的分类结果,以及第一医学图像中目标区域的第一图像,其中,第一机器学习模型用于获取第一医学图像,将第一医学图像输入至编码器网络,得到目标区域的特征信息,将目标区域的特征信息分别输入至分类网络和解码器网络,得到分类结果和第一图像。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例6
根据本申请实施例,还提供了一种医学图像的处理方法。
图8是根据本申请实施例的又一种医学图像的处理方法的流程图。如图8所示,该方法可以包括如下步骤:
步骤S802,接收用户输入的数据源;
上述步骤中的用户可以是需要查看医学图像的医生,也可以是患者本身,但不仅限于此。数据源可以是通过医学成像技术得到的目标器官的医学图像,该目标器官可以是患者身体内部的人体器官,例如,可以是大脑、心脏、肺部等,该医学成像技术可以是X射线、伽马射线、磁共振、超音波等,但不仅限于此。
步骤S804,确定用户选中的目标处理算法;
上述的目标处理算法可以是用户从系统提供的多种处理算法中,根据需要选择的处理算法。对于不同成像技术得到的医学图像,可以预先提供不同的处理算法,处理算法可以包含现有算法,也可以包含本申请实施例提供的算法,不同算法的处理时间不同。
步骤S806,利用目标处理算法对数据源进行处理,得到数据源的分类结果,以及数据源中的目标数据,其中,目标处理算法用于调用第一机器学习模型处理数据源,以得到分类结果和目标数据;
上述步骤中的第一机器学习模型可以是训练好的模型,也可以是强化学习模型,在本申请实施例中,以训练好的模型为例进行说明,第一机器学习模型可以采用“Encoder-Decoder”结构,并且可以在编码器网络之后连接一个分类网络,与解码器网络并列。可选地,编码器网络和解码器网络均可以采用三维卷积层,也即,第一机器学习模型可以是三维网络模型。其中,编码器网络可以采用resnext50网络结构,解码器网络可以是ASPP结构和上采样层构成,分类网络可以由一系列卷积层和全局池化层构成,但不仅限于此。
步骤S808,展示分类结果和目标数据。
在一种可选的实施例中,可以给用户提供一个交互界面,如图9所示,用户可以在数据源选择区域选择需要处理的数据源,并且可以在该区域中显示用户选择的数据源的存储位置和具体类型。用户选择数据源之后,进一步可以在处理算法选择区域中查看到与该数据源相匹配的至少一个处理算法,具体可以查看到处理算法的名称、处理时间、价格等等,用户可以根据自身需要选择合适的处理算法,得到目标处理算法。在用户选择完毕之后,处理设备可以利用用户选择的目标处理算法对数据源进行处理,并将处理后的结果在结果展示区域中进行展示,方便用户进行查看。
在本申请上述实施例中,确定用户选中的目标处理算法包括:获取与数据源的数据类型相对应的至少一个处理算法;展示至少一个处理算法;接收用户输入的选择信号;基于选择信号确定至少一个处理算法中的目标处理算法。
对于不同类型的数据源,可以预先设置不同的处理算法,例如,以医学图像的分类和分割为例进行说明,可以提供传统基于特征的提取方法,也可以提供二维神经网络图像分割方法,还可以提供本申请实施例提供的第一机器学习模型对应的处理方法。
上述步骤中的选择信号可以是用户点击处理算法所生成的点击信号。在一种可选的实施例中,在获取到点击信号之后,可以基于点击位置确定用户点击的处理算法,得到目标处理算法。
在本申请上述实施例中,该方法还包括如下步骤:展示处理算法的处理信息,其中,处理信息包括如下至少之一:处理设备、处理时间和转让资源的数量,选择信号是基于处理信息所确定的。
上述步骤中的处理设备可以包括:本地设备和云端设备,处理时间可以是处理算法对数据源进行处理,得到用户需要的结果所需要的时间,转让资源的数量可以是指使用处理算法对数据源进行处理所需要支付的价格。
在一种可选的实施例中,为了方便不同用户的需求,可以针对不同处理算法向用户提供选择方案,例如,对于本地设备和云端设备,由于本地设备的处理算法有限,而且处理精度也有限,因此,本地设备执行的处理算法的价格较低,而云端设备执行的处理算法的价格较高。又例如,不同处理算法的处理时间不同,处理时间越短的处理算法的价格越高。
在本申请上述实施例中,第一机器学习模型可以是交替利用多组第一训练样本和多组第二训练样本对预设模型进行训练得到的,其中,每组第一训练样本包括:包含有目标器官的医学图像,医学图像的分类标签,以及医学图像中目标区域的标注信息,每组第二训练样本包括:包含有目标器官的医学图像,以及医学图像的分类标签。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例7
本申请的实施例可以提供一种计算机终端,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地,在本实施例中,上述计算机终端也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算机终端可以执行医学图像的处理方法中以下步骤的程序代码:获取包含有目标器官的第一医学图像;利用第一机器学习模型对第一医学图像进行处理,得到第一医学图像的分类结果,以及第一医学图像中目标区域的第一图像,其中,第一机器学习模型用于获取第一医学图像,将第一医学图像输入至编码器网络,得到目标区域的特征信息,将目标区域的特征信息分别输入至分类网络和解码器网络,得到分类结果和第一图像。
可选地,图10是根据本申请实施例的一种计算机终端的结构框图。如图10所示,该计算机终端A可以包括:一个或多个(图中仅示出一个)处理器1002、以及存储器1004。
其中,存储器可用于存储软件程序以及模块,如本申请实施例中的医学图像的处理方法和装置,以及数据处理方法对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的医学图像的处理方法和数据处理方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取包含有目标器官的第一医学图像;利用第一机器学习模型对第一医学图像进行处理,得到第一医学图像的分类结果,以及第一医学图像中目标区域的第一图像,其中,第一机器学习模型用于获取第一医学图像,将第一医学图像输入至编码器网络,得到目标区域的特征信息,将目标区域的特征信息分别输入至分类网络和解码器网络,得到分类结果和第一图像。
可选的,上述处理器还可以执行如下步骤的程序代码:获取多组第一训练样本和多组第二训练样本,其中,每组第一训练样本包括:包含有目标器官的医学图像,医学图像的分类标签,以及医学图像中目标区域的标注信息,每组第二训练样本包括:包含有目标器官的医学图像,以及医学图像的分类标签;交替利用多组第一训练样本和多组第二训练样本对预设模型进行训练,得到第一机器学习模型。
可选的,上述处理器还可以执行如下步骤的程序代码:在得到第一医学图像中目标区域的第一图像之后,利用第二机器学习模型对第一医学图像进行处理,得到目标器官的第二图像,其中,第二机器学习模型用于获取第一医学图像,将第一医学图像输入至编码器网络,得到目标器官的特征信息,将目标器官的特征信息输入至解码器网络,得到第二图像;基于第一图像和第二图像,得到目标区域在目标器官中的第一占比值。
可选的,上述处理器还可以执行如下步骤的程序代码:获取包含有目标器官的第二医学图像;利用第一机器学习模型对第二医学图像进行处理,得到第二医学图像中目标区域的第三图像;利用第二机器学习模型对第二医学图像进行处理,得到目标器官的第四图像;基于第三图像和第四图像,得到目标区域在目标器官中的第二占比值。
可选的,上述处理器还可以执行如下步骤的程序代码:在获取包含有目标器官的第二医学图像之后,利用第三机器学习模型对第一医学图像和第二医学图像进行处理,得到第一医学图像和第二医学图像的形变关系,其中,第三机器学习模型用于获取第一医学图像和第二医学图像,将第一医学图像和第二医学图像分别输入至两个刚性网络中,得到第一医学图像的第一刚体参数和第二医学图像的第二刚体参数,将第一刚体参数和第二刚体参数输入至仿射网格网络中,得到形变关系;基于形变关系对第二医学图像进行处理,得到第二医学图像对应的配准图像;分别利用第一机器学习模型和第二机器学习模型对配准图像进行处理,得到第三图像和第四图像。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:接收用户上传的包含有目标器官的第一医学图像;展示第一医学图像的分类结果,以及第一医学图像中目标区域的第一图像,其中,分类结果和第一图像是利用第一机器学习模型处理第一医学图像得到。
可选的,上述处理器还可以执行如下步骤的程序代码:在接收到用户输入的第一请求之后,展示第一医学图像,以及目标区域在目标器官中的第一占比值;其中,第一占比值是基于第一图像和目标器官的第二图像得到,第二图像是利用第二机器学习模型处理第一医学图像得到。
可选的,上述处理器还可以执行如下步骤的程序代码:在接收到用户输入的第二请求之后,获取包含有目标器官的第二医学图像;展示第二医学图像,以及目标区域在目标器官中的第二占比值,其中,第二占比值是基于第二医学图像中目标区域的第三图像和目标器官的第四图像得到,第三图像是利用第一机器学习模型处理第二医学图像得到,第四图像是利用第二机器学习模型处理第二医学图像得到。
可选的,上述处理器还可以执行如下步骤的程序代码:展示第二医学图像对应的配准图像,其中,配准图像是基于第一医学图像和第二医学图像的形变关系处理第二医学图像得到,形变关系是利用第三机器学习模型处理第一医学图像和第二医学图像得到。
采用本申请实施例,提供了一种医学图像的处理方案。通过将分类网络和分割网络相结合,使得分类网络可以在分类过程中聚焦在目标区域,达到了提高处理准确度、提升处理效率的技术效果,进而解决了相关技术中医学图像处理准确度低的技术问题。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:接收用户输入的数据源;确定用户选中的目标处理算法;利用目标处理算法对数据源进行处理,得到数据源的分类结果,以及数据源中的目标数据,其中,目标处理算法用于调用第一机器学习模型处理数据源,以得到分类结果和目标数据;展示分类结果和目标数据。
可选的,上述处理器还可以执行如下步骤的程序代码:获取与数据源的数据类型相对应的至少一个处理算法;展示至少一个处理算法;接收用户输入的选择信号;基于选择信号确定至少一个处理算法中的目标处理算法。
可选的,上述处理器还可以执行如下步骤的程序代码:展示处理算法的处理信息,其中,处理信息包括如下至少之一:处理设备、处理时间和转让资源的数量,选择信号是基于处理信息所确定的。
本领域普通技术人员可以理解,图10所示的结构仅为示意,计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等终端设备。图10其并不对上述电子装置的结构造成限定。例如,计算机终端A还可包括比图10中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图10所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
实施例8
本申请的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例所提供的医学图像的处理方法和数据处理方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取包含有目标器官的第一医学图像;利用第一机器学习模型对第一医学图像进行处理,得到第一医学图像的分类结果,以及第一医学图像中目标区域的第一图像,其中,第一机器学习模型用于获取第一医学图像,将第一医学图像输入至编码器网络,得到目标区域的特征信息,将目标区域的特征信息分别输入至分类网络和解码器网络,得到分类结果和第一图像。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:获取多组第一训练样本和多组第二训练样本,其中,每组第一训练样本包括:包含有目标器官的医学图像,医学图像的分类标签,以及医学图像中目标区域的标注信息,每组第二训练样本包括:包含有目标器官的医学图像,以及医学图像的分类标签;交替利用多组第一训练样本和多组第二训练样本对预设模型进行训练,得到第一机器学习模型。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:在得到第一医学图像中目标区域的第一图像之后,利用第二机器学习模型对第一医学图像进行处理,得到目标器官的第二图像,其中,第二机器学习模型用于获取第一医学图像,将第一医学图像输入至编码器网络,得到目标器官的特征信息,将目标器官的特征信息输入至解码器网络,得到第二图像;基于第一图像和第二图像,得到目标区域在目标器官中的第一占比值。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:获取包含有目标器官的第二医学图像;利用第一机器学习模型对第二医学图像进行处理,得到第二医学图像中目标区域的第三图像;利用第二机器学习模型对第二医学图像进行处理,得到目标器官的第四图像;基于第三图像和第四图像,得到目标区域在目标器官中的第二占比值。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:在获取包含有目标器官的第二医学图像之后,利用第三机器学习模型对第一医学图像和第二医学图像进行处理,得到第一医学图像和第二医学图像的形变关系,其中,第三机器学习模型用于获取第一医学图像和第二医学图像,将第一医学图像和第二医学图像分别输入至两个刚性网络中,得到第一医学图像的第一刚体参数和第二医学图像的第二刚体参数,将第一刚体参数和第二刚体参数输入至仿射网格网络中,得到形变关系;基于形变关系对第二医学图像进行处理,得到第二医学图像对应的配准图像;分别利用第一机器学习模型和第二机器学习模型对配准图像进行处理,得到第三图像和第四图像。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:接收用户上传的包含有目标器官的第一医学图像;展示第一医学图像的分类结果,以及第一医学图像中目标区域的第一图像,其中,分类结果和第一图像是利用第一机器学习模型处理第一医学图像得到。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:在接收到用户输入的第一请求之后,展示第一医学图像,以及目标区域在目标器官中的第一占比值;其中,第一占比值是基于第一图像和目标器官的第二图像得到,第二图像是利用第二机器学习模型处理第一医学图像得到。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:在接收到用户输入的第二请求之后,获取包含有目标器官的第二医学图像;展示第二医学图像,以及目标区域在目标器官中的第二占比值,其中,第二占比值是基于第二医学图像中目标区域的第三图像和目标器官的第四图像得到,第三图像是利用第一机器学习模型处理第二医学图像得到,第四图像是利用第二机器学习模型处理第二医学图像得到。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:展示第二医学图像对应的配准图像,其中,配准图像是基于第一医学图像和第二医学图像的形变关系处理第二医学图像得到,形变关系是利用第三机器学习模型处理第一医学图像和第二医学图像得到。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:接收用户输入的数据源;确定用户选中的目标处理算法;利用目标处理算法对数据源进行处理,得到数据源的分类结果,以及数据源中的目标数据,其中,目标处理算法用于调用第一机器学习模型处理数据源,以得到分类结果和目标数据;展示分类结果和目标数据。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:获取与数据源的数据类型相对应的至少一个处理算法;展示至少一个处理算法;接收用户输入的选择信号;基于选择信号确定至少一个处理算法中的目标处理算法。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:展示处理算法的处理信息,其中,处理信息包括如下至少之一:处理设备、处理时间和转让资源的数量,选择信号是基于处理信息所确定的。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,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。另一点,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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (19)
1.一种数据处理方法,包括:
接收用户输入的数据源;
确定用户选中的目标处理算法;
利用所述目标处理算法对所述数据源进行处理,得到所述数据源的分类结果,以及所述数据源中的目标数据,其中,所述目标处理算法用于调用第一机器学习模型处理所述数据源,以得到所述分类结果和所述目标数据;
展示所述分类结果和所述目标数据。
2.根据权利要求1所述的方法,其中,确定用户选中的目标处理算法包括:
获取与所述数据源的数据类型相对应的至少一个处理算法;
展示所述至少一个处理算法;
接收用户输入的选择信号;
基于所述选择信号确定所述至少一个处理算法中的所述目标处理算法。
3.根据权利要求2所述的方法,其中,所述方法还包括:
展示所述处理算法的处理信息,其中,所述处理信息包括如下至少之一:处理设备、处理时间和转让资源的数量,所述选择信号是基于所述处理信息所确定的。
4.根据权利要求1所述的方法,其中,所述第一机器学习模型是交替利用多组第一训练样本和多组第二训练样本对预设模型进行训练得到的,其中,每组第一训练样本包括:数据,所述数据的分类标签,以及所述数据中目标数据的标注信息,每组第二训练样本包括:数据,以及所述数据的分类标签。
5.一种医学图像的处理方法,包括:
获取包含有目标器官的第一医学图像;
利用第一机器学习模型对所述第一医学图像进行处理,得到所述第一医学图像的分类结果,以及所述第一医学图像中目标区域的第一图像,其中,所述第一机器学习模型用于获取所述第一医学图像,将所述第一医学图像输入至编码器网络,得到所述目标区域的特征信息,将所述目标区域的特征信息分别输入至分类网络和解码器网络,得到所述分类结果和所述第一图像。
6.根据权利要求5所述的方法,其中,所述方法还包括:
获取多组第一训练样本和多组第二训练样本,其中,每组第一训练样本包括:包含有所述目标器官的医学图像,所述医学图像的分类标签,以及所述医学图像中所述目标区域的标注信息,每组第二训练样本包括:包含有所述目标器官的医学图像,以及所述医学图像的分类标签;
交替利用所述多组第一训练样本和所述多组第二训练样本对预设模型进行训练,得到所述第一机器学习模型。
7.根据权利要求5所述的方法,其中,在得到所述第一医学图像中目标区域的第一图像之后,所述方法还包括:
利用第二机器学习模型对所述第一医学图像进行处理,得到所述目标器官的第二图像,其中,所述第二机器学习模型用于获取所述第一医学图像,将所述第一医学图像输入至编码器网络,得到所述目标器官的特征信息,将所述目标器官的特征信息输入至解码器网络,得到所述第二图像;
基于所述第一图像和所述第二图像,得到所述目标区域在所述目标器官中的第一占比值。
8.根据权利要求7所述的方法,其中,所述方法还包括:
获取包含有所述目标器官的第二医学图像;
利用所述第一机器学习模型对所述第二医学图像进行处理,得到所述第二医学图像中所述目标区域的第三图像;
利用所述第二机器学习模型对所述第二医学图像进行处理,得到所述目标器官的第四图像;
基于所述第三图像和所述第四图像,得到所述目标区域在所述目标器官中的第二占比值。
9.根据权利要求8所述的方法,其中,在获取包含有所述目标器官的第二医学图像之后,所述方法还包括:
利用第三机器学习模型对所述第一医学图像和所述第二医学图像进行处理,得到所述第一医学图像和所述第二医学图像的形变关系,其中,所述第三机器学习模型用于获取所述第一医学图像和所述第二医学图像,将所述第一医学图像和所述第二医学图像分别输入至两个刚性网络中,得到所述第一医学图像的第一刚体参数和所述第二医学图像的第二刚体参数,将所述第一刚体参数和所述第二刚体参数输入至仿射网格网络中,得到所述形变关系;
基于所述形变关系对所述第二医学图像进行处理,得到所述第二医学图像对应的配准图像;
分别利用所述第一机器学习模型和所述第二机器学习模型对所述配准图像进行处理,得到所述第三图像和所述第四图像。
10.根据权利要求7所述的方法,其中,所述第二机器学习模型中的编码器网络和所述第一机器学习模型中的编码器网络共享权重参数。
11.根据权利要求7所述的方法,其中,所述编码器网络和所述解码器网络均采用三维卷积层。
12.一种医学图像的处理方法,包括:
接收用户上传的包含有目标器官的第一医学图像;
展示所述第一医学图像的分类结果,以及所述第一医学图像中目标区域的第一图像,其中,所述分类结果和所述第一图像是利用第一机器学习模型处理所述第一医学图像得到。
13.根据权利要求12所述的方法,其中,在接收到用户输入的第一请求之后,所述方法还包括:
展示所述第一医学图像,以及所述目标区域在所述目标器官中的第一占比值;
其中,所述第一占比值是基于所述第一图像和所述目标器官的第二图像得到,所述第二图像是利用第二机器学习模型处理所述第一医学图像得到。
14.根据权利要求13所述的方法,其中,在接收到用户输入的第二请求之后,所述方法还包括:
获取包含有所述目标器官的第二医学图像;
展示所述第二医学图像,以及所述目标区域在所述目标器官中的第二占比值,其中,所述第二占比值是基于所述第二医学图像中所述目标区域的第三图像和所述目标器官的第四图像得到,所述第三图像是利用所述第一机器学习模型处理所述第二医学图像得到,所述第四图像是利用所述第二机器学习模型处理所述第二医学图像得到。
15.根据权利要求14所述的方法,其中,所述方法还包括:
展示所述第二医学图像对应的配准图像,其中,所述配准图像是基于所述第一医学图像和所述第二医学图像的形变关系处理所述第二医学图像得到,所述形变关系是利用第三机器学习模型处理所述第一医学图像和所述第二医学图像得到。
16.根据权利要求15所述的方法,其中,所述第一医学图像和所述配准图像并列展示,所述第一占比值展示在所述第一医学图像上,所述第二占比值展示在所述配准图像上。
17.一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至4中任意一项所述的数据处理方法,或者权利要求5至16中任意一项所述的医学图像的处理方法。
18.一种计算设备,包括:存储器和处理器,所述处理器用于运行所述存储器中存储的程序,其中,所述程序运行时执行权利要求1至4中任意一项所述的数据处理方法,或者权利要求5至16中任意一项所述的医学图像的处理方法。
19.一种医学图像的处理系统,包括:
处理器;以及
存储器,与所述处理器连接,用于为所述处理器提供处理以下处理步骤的指令:获取包含有目标器官的第一医学图像;利用第一机器学习模型对所述第一医学图像进行处理,得到所述第一医学图像的分类结果,以及所述第一医学图像中目标区域的第一图像,其中,所述第一机器学习模型用于获取所述第一医学图像,将所述第一医学图像输入至编码器网络,得到所述目标区域的特征信息,将所述目标区域的特征信息分别输入至分类网络和解码器网络,得到所述分类结果和所述第一图像。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010244937.9A CN113469180A (zh) | 2020-03-31 | 2020-03-31 | 医学图像的处理方法和系统、数据处理方法 |
US17/210,250 US20210303935A1 (en) | 2020-03-31 | 2021-03-23 | Medical image processing method and system and data processing method |
PCT/US2021/023954 WO2021202203A1 (en) | 2020-03-31 | 2021-03-24 | Medical image processing method and system and data processing method |
EP21780731.2A EP4128133A1 (en) | 2020-03-31 | 2021-03-24 | Medical image processing method and system and data processing method |
JP2022552299A JP2023519657A (ja) | 2020-03-31 | 2021-03-24 | 医用画像処理方法およびシステムならびにデータ処理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010244937.9A CN113469180A (zh) | 2020-03-31 | 2020-03-31 | 医学图像的处理方法和系统、数据处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469180A true CN113469180A (zh) | 2021-10-01 |
Family
ID=77856094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010244937.9A Pending CN113469180A (zh) | 2020-03-31 | 2020-03-31 | 医学图像的处理方法和系统、数据处理方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210303935A1 (zh) |
EP (1) | EP4128133A1 (zh) |
JP (1) | JP2023519657A (zh) |
CN (1) | CN113469180A (zh) |
WO (1) | WO2021202203A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114864056A (zh) * | 2022-07-07 | 2022-08-05 | 北京鹰瞳科技发展股份有限公司 | 用于对医学图像推理模型进行管理的方法及相关产品 |
CN115116091A (zh) * | 2022-06-27 | 2022-09-27 | 中山市中医院 | 一种臀部构角区域识别处理方法和装置 |
CN115831324A (zh) * | 2022-11-29 | 2023-03-21 | 北京医准智能科技有限公司 | 一种医学图像筛选方法、装置、设备及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11983920B2 (en) * | 2021-12-20 | 2024-05-14 | International Business Machines Corporation | Unified framework for multigrid neural network architecture |
KR20230100205A (ko) * | 2021-12-28 | 2023-07-05 | 삼성전자주식회사 | 영상 처리 방법 및 장치 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9846938B2 (en) * | 2015-06-01 | 2017-12-19 | Virtual Radiologic Corporation | Medical evaluation machine learning workflows and processes |
US10842379B2 (en) * | 2016-01-29 | 2020-11-24 | Siemens Healthcare Gmbh | Multi-modality image fusion for 3D printing of organ morphology and physiology |
US20170337682A1 (en) * | 2016-05-18 | 2017-11-23 | Siemens Healthcare Gmbh | Method and System for Image Registration Using an Intelligent Artificial Agent |
US10970887B2 (en) * | 2016-06-24 | 2021-04-06 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
US20230218169A1 (en) * | 2018-03-30 | 2023-07-13 | A-Moy Limited | Brain imaging system and brain imaging method |
WO2021009906A1 (ja) * | 2019-07-18 | 2021-01-21 | 株式会社島津製作所 | 細胞画像解析方法および細胞画像解析装置 |
CN110852285B (zh) * | 2019-11-14 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 对象检测方法、装置、计算机设备和存储介质 |
EP4073755A1 (en) * | 2019-12-13 | 2022-10-19 | Siemens Healthcare GmbH | Compensation of organ deformation for medical image registration |
-
2020
- 2020-03-31 CN CN202010244937.9A patent/CN113469180A/zh active Pending
-
2021
- 2021-03-23 US US17/210,250 patent/US20210303935A1/en active Pending
- 2021-03-24 WO PCT/US2021/023954 patent/WO2021202203A1/en unknown
- 2021-03-24 JP JP2022552299A patent/JP2023519657A/ja active Pending
- 2021-03-24 EP EP21780731.2A patent/EP4128133A1/en active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115116091A (zh) * | 2022-06-27 | 2022-09-27 | 中山市中医院 | 一种臀部构角区域识别处理方法和装置 |
CN114864056A (zh) * | 2022-07-07 | 2022-08-05 | 北京鹰瞳科技发展股份有限公司 | 用于对医学图像推理模型进行管理的方法及相关产品 |
CN115831324A (zh) * | 2022-11-29 | 2023-03-21 | 北京医准智能科技有限公司 | 一种医学图像筛选方法、装置、设备及存储介质 |
CN115831324B (zh) * | 2022-11-29 | 2023-12-15 | 浙江医准智能科技有限公司 | 一种医学图像筛选方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20210303935A1 (en) | 2021-09-30 |
EP4128133A1 (en) | 2023-02-08 |
WO2021202203A1 (en) | 2021-10-07 |
JP2023519657A (ja) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469180A (zh) | 医学图像的处理方法和系统、数据处理方法 | |
CN110491480B (zh) | 一种医疗图像处理方法、装置、电子医疗设备和存储介质 | |
EP3499509B1 (en) | Method for memorable image generation for anonymized three-dimensional medical image workflows | |
US20140341449A1 (en) | Computer system and method for atlas-based consensual and consistent contouring of medical images | |
CN111540025B (zh) | 预测用于图像处理的图像 | |
CN111161270A (zh) | 医学影像的血管分割方法、计算机设备和可读存储介质 | |
CN111261265B (zh) | 基于虚拟智能医疗平台的医学影像系统 | |
CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
US11941802B2 (en) | Data processing method, means and system | |
CN111882513A (zh) | 临床驱动的图像融合 | |
AU2019430369B2 (en) | VRDS 4D medical image-based vein Ai endoscopic analysis method and product | |
CA3231256A1 (en) | Labeling, visualization, and volumetric quantification of high-grade brain glioma from mri images | |
KR102067412B1 (ko) | 치매 평가 방법 및 이를 이용한 장치 | |
WO2010029470A1 (en) | System and method for processing medical images | |
CN112820385A (zh) | 一种医学图像浏览方法、客户端及系统 | |
CN115861298B (zh) | 一种基于内镜检查可视化的图像处理方法及装置 | |
CN112037886B (zh) | 放疗计划制定装置、方法及存储介质 | |
EP3836155A1 (en) | Screen capturing via mobile computing devices using matrix code | |
US10741283B2 (en) | Atlas based prior relevancy and relevancy model | |
CN110415239B (zh) | 图像处理方法、装置、设备、医疗电子设备以及介质 | |
US20230132504A1 (en) | Creating a synthetic medical image | |
EP4216229A1 (en) | Subscription and retrieval of medical imaging data | |
EP3839964A1 (en) | Making measurements in images | |
CN118212407A (zh) | 肿瘤图像的分割方法、装置及电子设备 | |
Xue | Auto-ROI System: Automatic Localization of ROI in Gigapixel Whole-slide Images |
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 |