CN113808125A - 医学影像处理方法、病灶类型识别方法以及相关产品 - Google Patents

医学影像处理方法、病灶类型识别方法以及相关产品 Download PDF

Info

Publication number
CN113808125A
CN113808125A CN202111138442.9A CN202111138442A CN113808125A CN 113808125 A CN113808125 A CN 113808125A CN 202111138442 A CN202111138442 A CN 202111138442A CN 113808125 A CN113808125 A CN 113808125A
Authority
CN
China
Prior art keywords
medical
medical image
signs
medical images
images
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
Application number
CN202111138442.9A
Other languages
English (en)
Inventor
左伟
郑超
刘鑫
余年革
阳光
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.)
Shukun Beijing Network Technology Co Ltd
Original Assignee
Shukun Beijing Network Technology 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 Shukun Beijing Network Technology Co Ltd filed Critical Shukun Beijing Network Technology Co Ltd
Publication of CN113808125A publication Critical patent/CN113808125A/zh
Pending legal-status Critical Current

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06T2207/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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

Landscapes

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

Abstract

本方案公开了一种医学影像处理方法、病灶类型识别方法以及相关产品，其中，医学影像处理方法包括：对目标生理部位的多个医学影像序列进行预处理，获得病灶区域的多个征象的医学影像；响应于用户的影像编辑操作，对多个征象的医学影像进行调整，获取调整后的多个征象的医学影像。本申请的技术方案提升了医护人员识别医学影像的效率，亦可以基于医学影像提升对病患的诊断正确率。

Description

医学影像处理方法、病灶类型识别方法以及相关产品
技术领域
本发明涉及图像处理领域，特别涉及一种医学影像处理方法、病灶类型识别方法、设备和计算机可读存储介质。
背景技术
由于能够比较全面地展示病灶特征，医学影像，例如磁共振(MagneticResonance，MR)影像成为临床诊断的重要依据。医护人员在医学影像的辅助下，结合自身的医疗经验，能够提高对疾病诊断的准确率。一般地，医学影像都是由一些医疗器械采集病患相关部位的图像，经过图像处理软件的必要处理后输出给临床的医护人员。然而，目前的医学影像处理方法都是同一程序，而每个医护人员参看医学影像的方式、习惯等不一样，如此，给医护人员的识图造成了障碍。
发明内容
本申请提供一种用于肝脏病灶诊断交互的医学影像处理方法、病灶类型识别方法、设备和计算机可读存储介质，以自适应地输出符合每个医护人员诊断习惯的医学影像。
一方面，本申请提供了一种医学影像处理方法，所述方法包括：
对目标生理部位的多个医学影像序列进行预处理，获得病灶区域的多个征象的医学影像；
响应于用户的影像编辑操作，对多个征象的医学影像进行调整，获取调整后的多个征象的医学影像。
在一种优选地实例中，所述响应于用户的影像编辑操作，对多个征象的医学影像进行调整，获取调整后的多个征象的医学影像的步骤之后包括：
展示调整后的多个征象的医学影像。
在一种优选地实例中，所述对目标生理部位的多个医学影像序列进行预处理，获得病灶区域的多个征象的医学影像的步骤包括：
对目标生理部位的多个医学影像序列进行配准；和/或，
按照预定排列顺序，对目标生理部位的多个医学影像序列进行排序。
在一种优选地实例中，所述对目标生理部位的多个医学影像序列进行预处理，获得病灶区域的多个征象的医学影像的步骤包括：
采用至少一种预设的病灶识别算法，对目标生理部位的多个医学影像序列进行识别，获得病灶区域；
提取病灶区域中的征象信息，获得病灶区域的多个征象的医学影像。
在一种优选地实例中，所述响应于用户的影像编辑操作，对多个征象的医学影像进行调整，获取调整后的多个征象的医学影像的步骤包括：
响应于用户的排序操作，对多个征象的医学影像中的至少两个医学影像和/或与多个征象的医学影像中的至少两个医学影像相对应病灶区域所在的目标生理部位医学图像进行排序，获取排序后的多个征象的医学影像。
在一种优选地实例中，所述响应于用户的影像编辑操作，对多个征象的医学影像进行调整，获取调整后的多个征象的医学影像的步骤包括：
响应于用户的编辑操作，对多个征象的医学影像中的至少一个影像进行修订，获取修订后的多个征象的医学影像。
在一种优选地实例中，所述编辑操作包括：修改征象信息、增加征象信息、删除征象信息中的一种或多种操作医学影像处理方法。
另一方面，本申请提供了一种病灶类型识别方法，包括：
基于如上所述的医学影像处理方法对目标生理部位医学影像中病灶区域对应的多个征象的医学影像进行处理，获取调整后的多个征象的医学影像；
利用预设的征象类别识别规则，识别每个征象对应的类别和征象类别的数量，并根据识别结果确定病灶类型。
在一种优选地实例中，所述基于如上所述的医学影像处理方法对目标生理部位医学影像中病灶区域对应的多个征象的医学影像进行处理，获取调整后的多个征象的医学影像的前一步骤包括：
根据用户的标识信息，匹配与所述标识信息相对应的医学影像处理方法。
第三方面，本申请提供了一种医学影像处理装置，所述装置包括：
预处理模块，对目标生理部位的多个医学影像序列进行预处理，获得病灶区域的多个征象的医学影像；
编辑模块，响应于用户的影像编辑操作，对多个征象的医学影像进行调整，获取调整后的多个征象的医学影像。
在一种优选地实例中，该装置包括：展示模块，展示调整后的多个征象的医学影像。
第四方面，本申请提供了
一种病灶类型识别装置，所述装置包括：
处理模块，基于上所述的医学影像处理方法对目标生理部位医学影像中病灶区域对应的多个征象的医学影像进行处理，获取调整后的多个征象的医学影像；
识别模块，利用预设的征象类别识别规则，识别每个征象对应的类别和征象类别的数量，并根据识别结果确定病灶类型。
在一种优选地实例中，该装置包括：匹配模块，根据用户的标识信息，匹配与所述标识信息相对应的如上所述的医学影像处理方法。
第五方面，本申请提供了一种设备，所述设备包括存储器、处理器以及存储在所述存储器中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如上述所述医学影像处理方法的步骤。
第六方面，本申请提供了一种计算机可读存储介质，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实现如上述所述医学影像处理方法的步骤。
从上述本申请提供的技术方案可知，由于在收到当前医护人员的标识以及该当前医护人员对医学影像中病灶及其征象的指定时，能够按照与当前医护人员相应的展示方式展示包含指定病灶及其征象的医学影像，因此，本申请的技术方案提升了医护人员识别医学影像的效率，亦可以基于医学影像提升对病患的诊断正确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中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是本申请实施例提供的医学影像处理方法的流程图；
图2是本申请实施例提供的处理医学影像的装置的结构示意图；
图3是本申请实施例提供的设备的结构示意图。
具体实施方式
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，都属于本申请保护的范围。
在本说明书中，诸如第一和第二这样的形容词仅可以用于将一个元素或动作与另一元素或动作进行区分，而不必要求或暗示任何实际的这种关系或顺序。在环境允许的情况下，参照元素或部件或步骤(等)不应解释为局限于仅元素、部件、或步骤中的一个，而可以是元素、部件、或步骤中的一个或多个等。
在本说明书中，为了便于描述，附图中所示的各个部分的尺寸并不是按照实际的比例关系绘制的。
本申请提出了一种医学影像处理方法，如附图1所示，主要包括：
S1、对目标生理部位的多个医学影像序列进行预处理，获得病灶区域的多个征象的医学影像；
S2、响应于用户的影像编辑操作，对多个征象的医学影像进行调整，获取调整后的多个征象的医学影像；
S3、展示调整后的多个征象的医学影像。
本方案中，步骤S1包括：步骤S101和S102，详述如下：
步骤S101：通过对采集的医学影像进行序列配准，识别医学影像中病灶的位置。
在本申请实施例中，医学影像可以是通过各种医学成像设备(例如核磁共振设备、CT等)采集得到并在一定程度上能够反映病灶的图像。对于病患的同一部位，可能是通过若干不同医学成像设备得到不同的医学影像，或者是通过同一医学成像设备从不同角度得到的医学影像，或者在成像时由于病患的客观原因(例如，病患的呼吸)，导致得到的一系列医学影像(即医学影像序列)可能存在偏差，因此，需要对采集的医学影像进行序列配准，从而识别医学影像中病灶的位置。在本申请一个实施例中，通过对采集的医学影像进行序列配准，识别医学影像中病灶的位置可以是：基于医学影像的互信息或者相似度，或者基于医学影像的基准影像，对医学影像进行序列配准，得到已配准医学影像，采用预设算法，检出已配准医学影像中病灶的位置。
一般地，进行医学影像序列配准的过程就是寻找使两个待配准医学影像数据之间相似性最大的变换参数即配准参数(例如，缩放参数、旋转参数和平移参数等)，当相似性最大时，表示此时的变换参数对应的变换方式可以使得两个待医学影像之间进行配准。基于上述事实，作为本申请一个实施例，上述基于医学影像的互信息，对医学影像进行序列配准，得到已配准医学影像可以是：采用互信息算法查找每个医学影像之间互信息最大的变换参数，将互信息最大的变换参数作为配准参数对医学影像进行序列配准，得到已配准医学影像。具体地，可以根据Sobel算子对每个医学影像进行边缘检测，得到多个边缘信息，采用互信息算法查找每个边缘信息之间互信息最大的变换参数，将每个边缘信息对应的互信息最大的变换参数作为配准参数对医学影像进行序列配准，得到已配准医学影像，其中，Sobel算子是一种离散型的差分算子，用于计算图像亮度函数梯度的近似值，其可以包含两组3×3的矩阵，分别为横向模板Gx及纵向模板Gy，将两个模板分别与图像进行平面卷积，便能得到横向和纵向的亮度差分近似值。
作为本申请另一实施例，上述基于医学影像的相似度，对医学影像进行序列配准，得到已配准医学影像可以是：基于中间医学影像和第一医学影像各自所包含的对象区域，获取中间医学影像和第一医学影像的相似度；根据中间医学影像和第一医学影像的相似度，对变换模型的参数进行调整，以将参数调整后的变换模型用于对第二医学影像进行图像变换以得到更新的中间医学影像，直至更新的中间医学影像和第一医学影像的相似度满足相似条件时更新的中间医学影像与第一医学影像配准，得到已配准医学影像。上述实施例中，第一医学影像是采集的医学影像序列中可作为配准标准的标准图像，第二医学影像是采集的医学影像序列中待配准医学影像。至于中间医学影像，其为第二医学影像通过变换模型变换得到，而中间医学影像和第一医学影像的相似度的具体获取方法，可以是先获取第一医学影像中第一对象区域和中间医学影像中第二对象区域的重合区域，之后，获取第一对象区域和第二对象区域的中心区域，最后，根据重合区域和中心区域，获取第一对象区域和第二对象区域之间的区域相似度值。需要说明的是，中间医学影像和第一医学影像的相似度越高，表征所配准的中间医学影像中的第二对象区域越接近作为配准标准的第一医学影像中的第一对象区域。需要说明的是，上述实施例中，将第二医学影像变换为中间医学图像的变换模型可以为仿射变换模型或B样条曲线差值模型。
作为本申请另一实施例，上述基于医学影像的基准影像，对医学影像进行序列配准，得到已配准医学影像可以是：读取医学影像的基准影像，分别计算该基准影像与医学影像中的畸变影像序列的均方差，得到目标函数值数据组；从目标函数值数据组中选取最小目标函数值所对应的校正函数对畸变影像进行校准，得到第一配准医学影像；根据梯度下降法搜索目标函数的全局最小值，以全局最小值所对应的校正函数对第一配准医学影像进行校准，得到第二配准医学影像，将第二配准医学影像作为已配准医学影像。
在上述实施例中，采用预设算法，检出已配准医学影像中病灶的位置可以是：利用深度学习全卷积神经网络对已配准医学影像进行图像分割，得到病灶区域影像；根据病灶区域影像，在已配准医学影像使用边缘检测算法标记出已配准医学影像的病灶边界。需要说明的是，本申请实施例中的深度学习全卷积神经网络是利用多个医学影像以及标注好了的每个医学影像的病灶区域训练得到，因此，本申请实施例中的医学影像可以对已配准医学影像进行图像分割而得到病灶区域影像。至于根据病灶区域影像，在已配准医学影像使用边缘检测算法标记出已配准医学影像的病灶边界，具体可以是图像处理设备首先通过边缘检测算法检测得到病灶区域影像的边界，然后通过轮廓提取算法提取出病灶区域影像中各个边界点的坐标；由于病灶区域影像与已配准医学影像可以全部重叠或者部分重叠在一起，因此，可以直接按照病灶区域影像中各个边界点的坐标，在已配准医学影像中标记出已配准医学影像的病灶边界。
需要说明的是，为了提供更加具有临床意义的信息，在上述本申请实施例中，还包括对采集的医学影像进行类型识别，具体可以是通过医学数字成像和通信(DICOM，DigitalImaging and Communications Of Medicine，)图像的信息或者医学影像序列的字段名称，解析出该医学影像序列是属于CT平扫序列或CT增强序列(包括CT增强序列80kv、CT增强120kv、MR T1、MR T2等)中的哪一种序列。
步骤S102：提取病灶的位置处对应病灶的征象。
在本申请实施例中，可以通过对多个已配准医学影像进行预设的数学运算规则，生成新的医学影像序列，在新的医学影像序列中提取病灶的位置处对应病灶的征象，或者，利用预先训练好的神经网络模型，在指定的医学影像序列中提取病灶的位置处对应病灶的征象，从而获得该征象的类别。对于通过对多个已配准医学影像进行预设的数学运算，从而提取病灶的位置处对应病灶的征象，例如可以是对第一医学影像x和第二医学影像y按照预设的数学运算规则(1-x)·y对x和y进行计算，得到新的医学影像I＝(1-x)·y，再在新的医学影像I上提取病灶的位置处对应病灶的征象。
从上述实施例可知，经上述步骤S101和步骤S102，可以将每个医学影像序列中病灶的位置识别出来，并且提取到病灶的位置处对应病灶的征象，这些病灶的征象放在一起可以构成病灶征象集合。需要说明的是，在本申请实施例中，病灶的征象可以标记在医学影像序列中，也可以作为每个医学影像序列的子图显示在每个医学影像序列周边。
在形成病灶征象集合后，可以通过步骤S2和步骤S3进一步对病灶正向集合中的医学影像进行处理。具体来说，当收到当前医护人员的标识以及当前医护人员对病灶及其征象的指定时，按照与当前医护人员相应的展示方式展示包含指定病灶及其征象的医学影像。
在本申请实施例中，当前医护人员的标识用于唯一表示该当前医护人员的身份，其可以是医护人员所在科室+姓名，或者医院给予该医护人员的编号，等等。可以生成各个医护人员的诊断习惯模型，然后，在日常诊断中对每个医护人员的诊断习惯模型进行训练，让诊断习惯模型自动学习每个医护人员的诊断习惯，此处，医护人员的诊断习惯包括该医护人员习惯看诊哪些角度或位置的医学影像序列以及需要看诊的是哪些病灶征象，等等。当收到当前医护人员的标识以及当前医护人员对病灶及其征象的指定时，诊断习惯模型根据当前医护人员的标识，按照与当前医护人员相应的展示方式，例如，按照该医护人员的诊断习惯，将一个医学影像序列以及在该医学影像序列中排列病灶的征象，将其展示给该医护人员，或者，按照该医护人员的诊断习惯，将一组医学影像序列以及每组医学影像序列中排列的征象展示给医生，以辅助医护人员对疾病的诊疗。
由于图像处理设备的误差或者识别错误，可能对病灶对应的征象识别有误，此时，需要对这些错误进行修正，即，在上述本申请实施例中，包括接收对病灶对应的征象进行的重编辑，这些对征象的重编辑可以是对征象的修改、增加(即将遗漏的征象补充上)和删除(即删掉认为不是征象的征象)，等等。可以是接收医护人员输入的指令，在征象位置(征象子图)进行改动，例如，加批注或者加一个轮廓等等。
本方案所述的医学影像处理方法在收到当前医护人员的标识以及该当前医护人员对医学影像中病灶及其征象的指定时，能够按照与当前医护人员相应的展示方式展示包含指定病灶及其征象的医学影像，因此，本申请的技术方案提升了医护人员识别医学影像的效率，亦可以基于医学影像提升对病患的诊断正确率。
请参阅附图2，是本申请实施例提供的一种处理医学影像的装置，可以包括预处理模块201、编辑模块202和展示模块203，详述如下：
获取模块201，对目标生理部位的多个医学影像序列进行预处理，获得病灶区域的多个征象的医学影像；
提取模块202，响应于用户的影像编辑操作，对多个征象的医学影像进行调整，获取调整后的多个征象的医学影像；
展示模块203，展示调整后的多个征象的医学影像。
可选地，上述附图2示例的获取模块201可以包括配准单元和检测单元，其中：
配准单元，用于基于医学影像的互信息或者相似度，或者基于医学影像的基准影像，对医学影像进行序列配准，得到已配准医学影像；
检测单元，用于采用神经网络和/或特征算子，检出已配准医学影像中病灶的位置。
可选地，上述示例的配准单元可以包括查找单元和第一配准单元，其中：
查找单元，用于采用互信息算法查找每个医学影像之间互信息最大的变换参数；
第一配准单元，用于将互信息最大的变换参数作为配准参数对医学影像进行序列配准，得到已配准医学影像。
可选地，上述示例的配准单元可以包括相似度获取单元和第二配准单元，其中：
相似度获取单元，用于基于中间医学影像和第一医学影像各自所包含的对象区域，获取中间医学影像和第一医学影像的相似度，其中，中间医学影像为第二医学影像通过变换模型变换得到；
第二配准单元，用于根据中间医学影像和第一医学影像的相似度，对变换模型的参数进行调整，以将参数调整后的变换模型用于对第二医学影像进行图像变换以得到更新的中间医学影像，直至更新的中间医学影像和第一医学影像的相似度满足相似条件时更新的中间医学影像与第一中间医学影像配准，得到已配准医学影像。
可选地，上述示例的配准单元可以包括读取单元、第一校准单元和第二校准单元，其中：
读取单元，用于读取基准影像，分别计算基准影像与医学影像中的畸变影像序列的均方差，得到目标函数值数据组；
第一校准单元，用于从目标函数值数据组中选取最小目标函数值所对应的校正函数对畸变影像进行校准，得到第一配准医学影像；
第二校准单元，用于根据梯度下降法搜索目标函数的全局最小值，以全局最小值所对应的校正函数对第一配准医学影像进行校准，得到第二配准医学影像，将第二配准医学影像作为已配准医学影像。
可选地，上述示例的检测单元可以包括图像分割单元和标识单元，其中：
图像分割单元，用于利用深度学习全卷积神经网络对已配准医学影像进行图像分割，得到病灶区域影像；
标识单元，用于根据病灶区域影像，在已配准医学影像使用边缘检测算法标记出已配准医学影像的病灶边界。
本方案所述处理医学影像的装置能够在收到当前医护人员的标识以及该当前医护人员对医学影像中病灶及其征象的指定时，能够按照与当前医护人员相应的展示方式展示包含指定病灶及其征象的医学影像，因此，本申请的技术方案提升了医护人员识别医学影像的效率，亦可以基于医学影像提升对病患的诊断正确率。
在利用上述医学影像处理方法对目标生理部位的多个医学图像序列进行处理后，可以基于处理结果对目标生理部位的病灶类型进行识别。具体来说，本申请实施例还提供一种病灶类型识别方法，包括：根据用户的标识信息，匹配与所述标识信息相对应的如上所述的医学影像处理方法；基于如上所述的医学影像处理方法对目标生理部位医学影像中病灶区域对应的多个征象的医学影像进行处理，获取调整后的多个征象的医学影像；利用预设的征象类别识别规则，识别每个征象对应的类别和征象类别的数量，并根据识别结果确定病灶类型。
通常情况下病灶会包含多个征象，将多个征象作为参考进行综合评定后，确定病灶的类型。因此，本方案中构建预设的征象类别识别规则的过程可以为：预先对病灶对应的征象进行分级，例如，一、二、三级等；判断征象集合里的多个征象中一级征象的数量，若一级征象的数量达到预定阈值，则AI可以辅助判断该病灶为肝病。
为了进一步配合上述病灶类型识别方法的实施本申请实施例还提供一种病灶类型识别装置，所述装置包括：匹配模块，根据用户的标识信息，匹配与所述标识信息相对应的如上所述的医学影像处理方法；处理模块，基于如上所述的医学影像处理方法对目标生理部位医学影像中病灶区域对应的多个征象的医学影像进行处理，获取调整后的多个征象的医学影像；识别模块，利用预设的征象类别识别规则，识别每个征象对应的类别和征象类别的数量，并根据识别结果确定病灶类型。
图3是本申请一实施例提供的设备的结构示意图。如图3所示，该实施例的设备3主要包括：处理器30、存储器31以及存储在存储器31中并可在处理器30上运行的计算机程序32，例如医学影像处理方法的程序。处理器30执行计算机程序32时实现上述医学影像处理方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，处理器30执行计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示获取模块201、提取模块202和展示模块203的功能。
示例性地，医学影像处理方法的计算机程序32主要包括：通过对采集的医学影像进行序列配准，识别医学影像中病灶的位置；提取病灶的位置处对应病灶的征象；当收到当前医护人员的标识以及当前医护人员对病灶及其征象的指定时，按照与当前医护人员相应的展示方式展示包含指定病灶及其征象的医学影像。
计算机程序32可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器31中，并由处理器30执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序32在设备3中的执行过程。例如，计算机程序32可以被分割成获取模块201、提取模块202和展示模块203(虚拟装置中的模块)的功能，各模块具体功能如下：获取模块201，用于通过对采集的医学影像进行序列配准，识别医学影像中病灶的位置；提取模块202，用于提取病灶的位置处对应病灶的征象；展示模块203，用于当收到当前医护人员的标识以及当前医护人员对病灶及其征象的指定时，按照与当前医护人员相应的展示方式展示包含指定病灶及其征象的医学影像。
设备3可包括但不仅限于处理器30、存储器31。本领域技术人员可以理解，图3仅仅是设备3的示例，并不构成对设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器31可以是设备3的内部存储单元，例如设备3的硬盘或内存。存储器31也可以是设备3的外部存储设备，例如设备3上配备的插接式硬盘，智能存储卡(Smart MediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器31还可以既包括设备3的内部存储单元也包括外部存储设备。存储器31用于存储计算机程序以及设备所需的其他程序和数据。存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即，将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/设备实施例仅仅是示意性的，例如，模块或单元的划分，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装置，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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。
集成的模块/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，可以存储在一个非临时性计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，医学影像处理方法的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤，即，通过对采集的医学影像进行序列配准，识别医学影像中病灶的位置；提取病灶的位置处对应病灶的征象；当收到当前医护人员的标识以及当前医护人员对病灶及其征象的指定时，按照与当前医护人员相应的展示方式展示包含指定病灶及其征象的医学影像。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。非临时性计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读内存(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，非临时性计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，非临时性计算机可读介质不包括电载波信号和电信信号。以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (15)

1.一种医学影像处理方法，其特征在于，所述方法包括：
对目标生理部位的多个医学影像序列进行预处理，获得病灶区域的多个征象的医学影像；
响应于用户的影像编辑操作，对多个征象的医学影像进行调整，获取调整后的多个征象的医学影像。
2.如权利要求1所述医学影像处理方法，其特征在于，所述响应于用户的影像编辑操作，对多个征象的医学影像进行调整，获取调整后的多个征象的医学影像的步骤之后包括：
展示调整后的多个征象的医学影像。
3.如权利要求1所述医学影像处理方法，其特征在于，所述对目标生理部位的多个医学影像序列进行预处理，获得病灶区域的多个征象的医学影像的步骤包括：
对目标生理部位的多个医学影像序列进行配准；和/或，
按照预定排列顺序，对目标生理部位的多个医学影像序列进行排序。
4.如权利要求1或3所述医学影像处理方法，其特征在于，所述对目标生理部位的多个医学影像序列进行预处理，获得病灶区域的多个征象的医学影像的步骤包括：
采用至少一种预设的病灶识别算法，对目标生理部位的多个医学影像序列进行识别，获得病灶区域；
提取病灶区域中的征象信息，获得病灶区域的多个征象医学影像。
5.如权利要求1所述医学影像处理方法，其特征在于，所述响应于用户的影像编辑操作，对多个征象的医学影像进行调整，获取调整后的多个征象的医学影像的步骤包括：
响应于用户的排序操作，对多个征象的医学影像中的至少两个医学影像和/或与多个征象的医学影像中的至少两个医学影像相对应病灶区域所在的目标生理部位医学图像进行排序，获取排序后的多个征象的医学影像。
6.如权利要求1或5所述医学影像处理方法，其特征在于，所述响应于用户的影像编辑操作，对多个征象的医学影像进行调整，获取调整后的多个征象的医学影像的步骤包括：
响应于用户的编辑操作，对多个征象的医学影像中的至少一个影像进行修订，获取修订后的多个征象的医学影像。
7.如权利要求5所述医学影像处理方法，其特征在于，所述编辑操作包括：修改征象信息、增加征象信息、删除征象信息中的一种或多种操作。
8.一种病灶类型识别方法，其特征在于，包括：
基于如权利要求1至7任意一项所述的医学影像处理方法对目标生理部位医学影像中病灶区域对应的多个征象的医学影像进行处理，获取调整后的多个征象的医学影像；
利用预设的征象类别识别规则，识别每个征象对应的类别和征象类别的数量，并根据识别结果确定病灶类型。
9.根据权利要求8病灶类型识别方法，其特征在于，所述基于如权利要求1至7任意一项所述的医学影像处理方法对目标生理部位医学影像中病灶区域对应的多个征象的医学影像进行处理，获取调整后的多个征象的医学影像的前一步骤包括：
根据用户的标识信息，匹配与所述标识信息相对应的医学影像处理方法。
10.一种医学影像处理装置，其特征在于，所述装置包括：
预处理模块，对目标生理部位的多个医学影像序列进行预处理，获得病灶区域的多个征象的医学影像；
编辑模块，响应于用户的影像编辑操作，对多个征象的医学影像进行调整，获取调整后的多个征象的医学影像。
11.根据权利要求10所述的医学影像处理装置，其特征在于，该装置包括：展示模块，展示调整后的多个征象的医学影像。
12.一种病灶类型识别装置，其特征在于，所述装置包括：
处理模块，基于如权利要求1至7任意一项所述的医学影像处理方法对目标生理部位医学影像中病灶区域对应的多个征象的医学影像进行处理，获取调整后的多个征象的医学影像；
识别模块，利用预设的征象类别识别规则，识别每个征象对应的类别和征象类别的数量，并根据识别结果确定病灶类型。
13.根据权利要求12所述的病灶类型识别装置，其特征在于，该装置包括：匹配模块，根据用户的标识信息，匹配与所述标识信息相对应的如权利要求1至7任意一项所述的医学影像处理方法。
14.一种设备，所述设备包括存储器、处理器以及存储在所述存储器中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至9任意一项所述方法的步骤。
15.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任意一项所述方法的步骤。
CN202111138442.9A 2021-04-23 2021-09-27 医学影像处理方法、病灶类型识别方法以及相关产品 Pending CN113808125A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021104417822 2021-04-23
CN202110441782 2021-04-23

Publications (1)

Publication Number Publication Date
CN113808125A true CN113808125A (zh) 2021-12-17

Family

ID=78896874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111138442.9A Pending CN113808125A (zh) 2021-04-23 2021-09-27 医学影像处理方法、病灶类型识别方法以及相关产品

Country Status (1)

Country Link
CN (1) CN113808125A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114429493A (zh) * 2022-01-26 2022-05-03 数坤(北京)网络科技股份有限公司 影像序列处理方法、装置、电子设备及存储介质
CN114463323A (zh) * 2022-02-22 2022-05-10 数坤(北京)网络科技股份有限公司 一种病灶区域识别方法、装置、电子设备和存储介质
CN114822779A (zh) * 2022-03-07 2022-07-29 数坤(北京)网络科技股份有限公司 征象信息影像展示方法、装置、存储介质及计算机设备
CN115018795A (zh) * 2022-06-09 2022-09-06 北京医准智能科技有限公司 医学影像中的病灶的匹配方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644419A (zh) * 2017-09-30 2018-01-30 百度在线网络技术（北京）有限公司 用于分析医学影像的方法和装置
CN109350100A (zh) * 2018-09-27 2019-02-19 上海联影医疗科技有限公司 医学成像方法、医学成像设备以及计算机可读存储介质
CN109509183A (zh) * 2018-10-31 2019-03-22 上海联影医疗科技有限公司 医学图像的筛选方法、装置、医学设备、医学影像系统及存储介质
CN111047610A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 病灶区域呈现方法和装置
CN111124233A (zh) * 2019-12-27 2020-05-08 杭州依图医疗技术有限公司 医学影像的显示方法、交互方法及存储介质
CN111430014A (zh) * 2020-03-31 2020-07-17 杭州依图医疗技术有限公司 腺体医学影像的显示方法、交互方法及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644419A (zh) * 2017-09-30 2018-01-30 百度在线网络技术（北京）有限公司 用于分析医学影像的方法和装置
CN109350100A (zh) * 2018-09-27 2019-02-19 上海联影医疗科技有限公司 医学成像方法、医学成像设备以及计算机可读存储介质
CN109509183A (zh) * 2018-10-31 2019-03-22 上海联影医疗科技有限公司 医学图像的筛选方法、装置、医学设备、医学影像系统及存储介质
CN111124233A (zh) * 2019-12-27 2020-05-08 杭州依图医疗技术有限公司 医学影像的显示方法、交互方法及存储介质
CN111047610A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 病灶区域呈现方法和装置
CN111430014A (zh) * 2020-03-31 2020-07-17 杭州依图医疗技术有限公司 腺体医学影像的显示方法、交互方法及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114429493A (zh) * 2022-01-26 2022-05-03 数坤(北京)网络科技股份有限公司 影像序列处理方法、装置、电子设备及存储介质
CN114463323A (zh) * 2022-02-22 2022-05-10 数坤(北京)网络科技股份有限公司 一种病灶区域识别方法、装置、电子设备和存储介质
CN114463323B (zh) * 2022-02-22 2023-09-08 数坤(上海)医疗科技有限公司 一种病灶区域识别方法、装置、电子设备和存储介质
CN114822779A (zh) * 2022-03-07 2022-07-29 数坤(北京)网络科技股份有限公司 征象信息影像展示方法、装置、存储介质及计算机设备
CN115018795A (zh) * 2022-06-09 2022-09-06 北京医准智能科技有限公司 医学影像中的病灶的匹配方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN108520519B (zh) 一种图像处理方法、装置及计算机可读存储介质
CN113808125A (zh) 医学影像处理方法、病灶类型识别方法以及相关产品
CN111160367B (zh) 图像分类方法、装置、计算机设备和可读存储介质
JP6490985B2 (ja) 医用画像処理装置および医用画像処理システム
US9779505B2 (en) Medical data processing apparatus and method
US9922268B2 (en) Image interpretation report creating apparatus and image interpretation report creating system
CN111292839B (zh) 图像处理方法、装置、计算机设备和存储介质
US20160300026A1 (en) Patient Management Based On Anatomic Measurements
CN106170799B (zh) 从图像提取信息以及将信息包括在临床报告中
JP2008259682A (ja) 部位認識結果修正装置、方法、およびプログラム
KR102140402B1 (ko) 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치
US20200151871A1 (en) Application of deep learning for medical imaging evaluation
US9336457B2 (en) Adaptive anatomical region prediction
CN110556179A (zh) 使用深度神经网络标记全脊柱图像的方法和系统
WO2019146357A1 (ja) 医療画像処理装置、方法及びプログラム並びに診断支援装置、方法及びプログラム
US20210271914A1 (en) Image processing apparatus, image processing method, and program
JP2019008349A (ja) 学習データ生成支援装置および学習データ生成支援方法並びに学習データ生成支援プログラム
JP6738305B2 (ja) 学習データ生成支援装置および学習データ生成支援装置の作動方法並びに学習データ生成支援プログラム
CN112074912A (zh) 使用介入x射线图像和深度学习的交互式冠状动脉标记
Cazzolato et al. Semi-automatic ulcer segmentation and wound area measurement supporting telemedicine
US20150379365A1 (en) System and method for retrieval of similar findings from a hybrid image dataset
WO2020099941A1 (en) Application of deep learning for medical imaging evaluation
CN112801114B (zh) 确定乳腺图像的投照位信息的方法及装置
CN111126502B (zh) 一种面向人工智能辅助诊断的dicom医疗影像序列分类方法
US20230102745A1 (en) Medical image display apparatus, 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