CN113781459A - 一种面向血管疾病辅助报告生成方法及装置 - Google Patents
一种面向血管疾病辅助报告生成方法及装置 Download PDFInfo
- Publication number
- CN113781459A CN113781459A CN202111088073.7A CN202111088073A CN113781459A CN 113781459 A CN113781459 A CN 113781459A CN 202111088073 A CN202111088073 A CN 202111088073A CN 113781459 A CN113781459 A CN 113781459A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- perfusion
- target blood
- deep 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
- 208000019553 vascular disease Diseases 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 22
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 53
- 230000010412 perfusion Effects 0.000 claims abstract description 40
- 238000013135 deep learning Methods 0.000 claims abstract description 28
- 238000003745 diagnosis Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims description 13
- 201000010099 disease Diseases 0.000 claims description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 208000024172 Cardiovascular disease Diseases 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000002792 vascular Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000002526 effect on cardiovascular system Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
一种面向血管疾病辅助报告生成方法及装置,其方法包括:采集目标血管灌注CT重建图像;获取与目标血管灌注CT重建图像对应的目标血管定量识别标注图像;将目标血管灌注CT重建图像和目标血管定量识别标注图像同步输入训练好的深度学习网络;输出对应的目标血管疾病辅助诊断报告,用户将采集的CT图像输入训练好的深度学习网络,即可自动生成辅助病例报告,以辅助临床医生诊疗,提升医生诊断效率。
Description
技术领域
本发明涉及医疗信息处理技术领域,特别涉及一种面向血管疾病辅助报告生成方法及装置。
背景技术
临床病历报告对最终诊疗提供了重要的辅助作用,且现阶段,标准化病历报告尚未建立,这不利于日常跨院诊疗,此外,医生诊断高负荷一直阻碍诊疗效率提升,计算机辅助报告生成技术可以帮助医生有效地减少诊断负担,提高医生工作效率,传统的辅助报告生成方法,主要是利用信息处理技术从图像数据中提取一系列特征,再通过传统的数字图像处理技术处理分析这些特征,最终指导辅助报告生成,这些处理技术包括变分水平集框架,随机游走算法和动态测地线轮廓理论,这些方法大多基于复杂的数学理论模型,并且需要人为干预参数,鲁棒性差。
因此,如何提供一种鲁棒性强的面向血管疾病辅助报告生成方法,是本领域技术人员亟待解决的问题。
发明内容
本申请实施例提供了一种面向血管疾病辅助报告生成方法及装置,旨在解决传统的疾病辅助报告参数需要人为干预、鲁棒性差的问题。
第一方面,本申请提供了一种面向血管疾病辅助报告生成方法,该方法包括:
采集目标血管灌注CT重建图像;
获取与目标血管灌注CT重建图像对应的目标血管定量识别标注图像;
将目标血管灌注CT重建图像和目标血管定量识别标注图像同步输入训练好的深度学习网络;
输出对应的目标血管疾病辅助诊断报告。
一种实施方式中,训练好的深度学习网络通过下列方式训练得到:
获取心血管疾病数据集,所述心血管疾病数据集包括CT测量投影数据和疾病诊断辅助报告;
对CT测量投影数据进行处理,得到血管灌注CT重建图像和血管定量识别标注图像;
将血管灌注CT重建图像和血管定量识别标注图像作为深度学习网络的输入项,将疾病诊断辅助报告作为深度学习网络的输出项,对深度学习网络进行训练,得到训练好的深度学习网络。
一种实施方式中,对CT测量投影数据进行处理,得到血管灌注CT重建图像,包括:
对CT测量投影数据进行滤波反投影和代数迭代,得到血管灌注CT重建图像。
一种实施方式中,深度学习网络包括特征提取网络和长短期记忆网络。
一种实施方式中,血管定量识别标注图像包括专家或医师在心血管灌注CT图像数据中进行手动标注的分类结果,或通过机器学习自动实现的灌注CT图像血管区域定量识别的分类结果。
第二方面,本申请还提供了一种面向血管疾病辅助报告生成装置,该装置包括:
采集单元,用于采集目标血管灌注CT重建图像;
获取单元,用于获取与目标血管灌注CT重建图像对应的目标血管定量识别标注图像;
输入单元,将目标血管灌注CT重建图像和目标血管定量识别标注图像同步输入训练好的深度学习网络;
输出单元,用于输出对应的目标血管疾病辅助诊断报告。
第三方面,本申请还提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现上述第一方面所述的面向血管疾病辅助报告生成方法。
第四方面,本申请还提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器执行上述第一方面所述的面向血管疾病辅助报告生成方法。
本申请提出的一种面向血管疾病辅助报告生成方法,通过采集目标血管灌注CT重建图像,获取与目标血管灌注CT重建图像对应的目标血管定量识别标注图像,将目标血管灌注CT重建图像和目标血管定量识别标注图像同步输入训练好的深度学习网络,并输出对应的目标血管疾病辅助诊断报告,用户将采集的CT图像输入最终深度学习网络,即可自动生成辅助病例报告,以辅助临床医生诊疗,提升医生诊断效率,与传统的信息处理系统不同,深度学习技术可以通过构建网络模型,输入数据直接进行训练,然后做出预测,可以避免手动提取特征和图像处理技术设计。
附图说明
为了更清楚的说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见的,下面的描述中的附图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附图。
图1为本申请实施例提供的一种面向血管疾病辅助报告生成方法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
参见图1实施例所示一种面向血管疾病辅助报告生成方法流程图,包括:
S101、采集目标血管灌注CT重建图像;
S102、获取与目标血管灌注CT重建图像对应的目标血管定量识别标注图像;
S103、将目标血管灌注CT重建图像和目标血管定量识别标注图像同步输入训练好的深度学习网络;
S104、输出对应的目标血管疾病辅助诊断报告。
本发明通过利用训练好的深度学习网络,用户通过输入相应的数据,就可以自动获得辅助报告,从而提升医生诊断效率。
在一实施例中,训练好的深度学习网络采用以下方式训练得到:
获取心血管疾病数据集,心血管疾病数据集包括CT测量投影数据和疾病诊断辅助报告。
对CT测量投影数据进行处理,得到血管灌注CT重建图像和血管定量识别标注图像。
将血管灌注CT重建图像、血管定量识别标注图像作为深度学习网络的输入项,将疾病诊断辅助报告作为深度学习网络的输出项,对深度学习网络进行训练,得到训练好的深度学习网络。
在一实施例中,对CT测量投影数据进行处理,得到血管灌注CT重建图像,包括:
对CT测量投影数据进行滤波反投影和代数迭代,得到血管灌注CT重建图像。
使用滤波反投影算法对CT测量投影数据进行重建,可以反投影前将每一个采集投影角度下的投影进行卷积处理,从而改善点扩散函数引起的形状伪影,重建的图像质量较好。
在一实施例中,血管定量识别标注图像为血管灌注CT血管定量识别标注图像,包括专家或医师在心血管灌注CT图像数据中进行手动标注的分类结果,和通过机器学习自动实现的灌注CT图像血管区域定量识别的分类结果,使得血管定量识别标注图像更精确。
在一实施例中,深度学习网络包括特征提取网络和长短期记忆网络(Long Short-Term Memory,LSTM)。
在一实施例中,训练好的神经网络具体采用下列方式构建:
对于CT投影数据,构建描述图像最大概率表达式:
其中,θ为模型参数,I是CT投影数据,S代表正确的转录,且无长度限制。
模型训练时,(S,I)构成一个训练示例对,我们使用随机梯度下降算法优化对数概率之和log p(S|I)
其中,将每个单词表示为单热向量St,其尺寸等于字典的大小,N为特定示例的长度,用两个特殊的单词S0和SN分别表示句子的开头和结尾,图像和单词都映射到同一个空间,图像通过使用视觉CNN,并通过单词嵌入We。图像I仅在t-1时输入一次,以通知LSTM图像内容,损失函数是每个步骤中正确单词的负对数可能性的总和,可表示如下:
通过优化LSTM的所有参数,图像嵌入器CNN的顶层和单词嵌入We来使上式的损失函数达到最小化。
本申请利用长短期记忆网络构建概率p,长短期记忆网络是以网络展开形式进行设计,可以为图像和每个句子创建LSTM存储器的副本,使得所有LSTM在时间上共享相同的参数,所有重复连接都转换为展开版本中的前馈连接。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (8)
1.一种面向血管疾病辅助报告生成方法,其特征在于,包括:
采集目标血管灌注CT重建图像;
获取与目标血管灌注CT重建图像对应的目标血管定量识别标注图像;
将目标血管灌注CT重建图像和目标血管定量识别标注图像同步输入训练好的深度学习网络;
输出对应的目标血管疾病辅助诊断报告。
2.如权利要求1所述的一种面向血管疾病辅助报告生成方法,其特征在于,所述训练好的深度学习网络通过下列方式训练得到:
获取心血管疾病数据集,所述心血管疾病数据集包括CT测量投影数据和疾病诊断辅助报告;
对CT测量投影数据进行处理,得到血管灌注CT重建图像和血管定量识别标注图像;
将血管灌注CT重建图像和血管定量识别标注图像作为深度学习网络的输入项,将疾病诊断辅助报告作为深度学习网络的输出项,对深度学习网络进行训练,得到训练好的深度学习网络。
3.如权利要求2所述的一种面面向血管疾病辅助报告生成方法,其特征在于,所述对CT测量投影数据进行处理,得到血管灌注CT重建图像,包括:
对CT测量投影数据进行滤波反投影和代数迭代,得到血管灌注CT重建图像。
4.如权利要求2所述的一种面向血管疾病辅助报告生成方法,其特征在于,所述深度学习网络包括特征提取网络和长短期记忆网络。
5.如权利要求2所述的一种面向血管疾病辅助报告生成方法,其特征在于,所述血管定量识别标注图像包括专家或医师在心血管灌注CT图像数据中进行手动标注的分类结果,或通过机器学习自动实现的灌注CT图像血管区域定量识别的分类结果。
6.一种面向血管疾病辅助报告生成装置,其特征在于,包括:
采集单元,用于采集目标血管灌注CT重建图像;
获取单元,用于获取与目标血管灌注CT重建图像对应的目标血管定量识别标注图像;
输入单元,将目标血管灌注CT重建图像和目标血管定量识别标注图像同步输入训练好的深度学习网络;
输出单元,用于输出对应的目标血管疾病辅助诊断报告。
7.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如权利要求1-5中任一项所述的面向血管疾病辅助报告生成方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器执行如权利要求1-5中任一项所述的面向血管疾病辅助报告生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111088073.7A CN113781459A (zh) | 2021-09-16 | 2021-09-16 | 一种面向血管疾病辅助报告生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111088073.7A CN113781459A (zh) | 2021-09-16 | 2021-09-16 | 一种面向血管疾病辅助报告生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113781459A true CN113781459A (zh) | 2021-12-10 |
Family
ID=78851587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111088073.7A Pending CN113781459A (zh) | 2021-09-16 | 2021-09-16 | 一种面向血管疾病辅助报告生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781459A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109147890A (zh) * | 2018-05-14 | 2019-01-04 | 平安科技(深圳)有限公司 | 一种医学报告的生成方法及设备 |
CN109255354A (zh) * | 2018-10-15 | 2019-01-22 | 天津大学 | 面向医用ct的计算机图像处理方法和装置 |
CN110400617A (zh) * | 2018-04-24 | 2019-11-01 | 西门子医疗有限公司 | 医学成像中的成像和报告的结合 |
CN110909780A (zh) * | 2019-11-14 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 一种图像识别模型训练和图像识别方法、装置及系统 |
CN111063018A (zh) * | 2019-11-08 | 2020-04-24 | 山东大学 | 一种基于深度学习的血管内超声图像三维重建方法及系统 |
CN112242185A (zh) * | 2020-09-09 | 2021-01-19 | 山东大学 | 基于深度学习的医学图像报告自动生成方法及系统 |
-
2021
- 2021-09-16 CN CN202111088073.7A patent/CN113781459A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400617A (zh) * | 2018-04-24 | 2019-11-01 | 西门子医疗有限公司 | 医学成像中的成像和报告的结合 |
CN109147890A (zh) * | 2018-05-14 | 2019-01-04 | 平安科技(深圳)有限公司 | 一种医学报告的生成方法及设备 |
CN109255354A (zh) * | 2018-10-15 | 2019-01-22 | 天津大学 | 面向医用ct的计算机图像处理方法和装置 |
CN111063018A (zh) * | 2019-11-08 | 2020-04-24 | 山东大学 | 一种基于深度学习的血管内超声图像三维重建方法及系统 |
CN110909780A (zh) * | 2019-11-14 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 一种图像识别模型训练和图像识别方法、装置及系统 |
CN112242185A (zh) * | 2020-09-09 | 2021-01-19 | 山东大学 | 基于深度学习的医学图像报告自动生成方法及系统 |
Non-Patent Citations (2)
Title |
---|
王兴梅: "基于深度学习的水下信息处理方法研究", 30 April 2021, 北京航空航天大学出版社, pages: 67 - 69 * |
高琦; 曾栋: "基于定位像噪声分析的CT扫描协议优化", 第十六届中国体视学与图像分析学术会议论文集——交叉、融合、创新, pages 236 - 240 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11024066B2 (en) | Presentation generating system for medical images, training method thereof and presentation generating method | |
CN109741806B (zh) | 一种医学影像诊断报告辅助生成方法及其装置 | |
US8903147B2 (en) | Medical report generation apparatus, method and program | |
WO2019218451A1 (zh) | 一种医学报告的生成方法及设备 | |
EP3449396A1 (en) | Apparatus and method for analyzing natural language medical text and generating medical knowledge graph representing natural language medical text | |
WO2020001086A1 (zh) | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 | |
CN111984771A (zh) | 一种基于智能对话的自动问诊系统 | |
US20200105414A1 (en) | Information processing apparatus, information processing system, information processing method, and non-transitory computer-readable storage medium | |
CN115994902A (zh) | 医学图像分析方法、电子设备及存储介质 | |
KR20200131020A (ko) | 의료기계 학습 시스템 | |
WO2022228958A1 (en) | Method and apparatus for processing of multi-modal data | |
CN111681233A (zh) | 基于深度神经网络的us-ct图像分割方法、系统及设备 | |
CN116884559A (zh) | 一种基于语言模型的影像报告生成方法和系统 | |
CN113903422A (zh) | 医疗影像诊断报告实体提取方法、装置及设备 | |
CN117292783A (zh) | 医学影像报告生成系统 | |
CN113781459A (zh) | 一种面向血管疾病辅助报告生成方法及装置 | |
US20230316686A1 (en) | Computer-implemented method of generating an avatar | |
CN114121213A (zh) | 麻醉用药信息复核方法、装置、电子设备及存储介质 | |
CN114999613A (zh) | 用于提供与医学图像相关联的至少一个元数据属性的方法 | |
JP2004102509A (ja) | 医療書類作成支援装置、および、プログラム | |
US11593691B2 (en) | Information retrieval apparatus | |
JP2021111076A (ja) | Aiを用いる診断装置、診断システム、及び、プログラム | |
CN113409323B (zh) | 冠脉分段方法及装置、计算机可读存储介质及电子设备 | |
US20230244873A1 (en) | Information processing apparatus, information processing method, and program | |
US20240119750A1 (en) | Method of generating language feature extraction model, information processing apparatus, information processing method, and program |
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 |