CN113990432A - 基于rpa和ai的影像报告推送方法、装置及计算设备 - Google Patents
基于rpa和ai的影像报告推送方法、装置及计算设备 Download PDFInfo
- Publication number
- CN113990432A CN113990432A CN202111260545.2A CN202111260545A CN113990432A CN 113990432 A CN113990432 A CN 113990432A CN 202111260545 A CN202111260545 A CN 202111260545A CN 113990432 A CN113990432 A CN 113990432A
- Authority
- CN
- China
- Prior art keywords
- lung
- nodule
- image
- lung nodule
- suspected
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 420
- 210000004072 lung Anatomy 0.000 claims abstract description 170
- 230000002685 pulmonary effect Effects 0.000 claims abstract description 70
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 230000011218 segmentation Effects 0.000 claims abstract description 52
- 238000010191 image analysis Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims description 35
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 12
- 238000004801 process automation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012015 optical character recognition Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 description 39
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 3
- 201000005202 lung cancer Diseases 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 241001347978 Major minor Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/421—Filtered back projection [FBP]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于RPA和AI的影像报告推送方法、装置及计算设备，该方法包括：利用预设肺部分割模型对RPA机器人发送的待检测肺部医学影像图像进行分割得到只包含肺部区域的目标医学影像图像，利用预设肺结节检测模型对目标医学影像图像进行检测得到各疑似肺结节的属性信息，利用预设肺结节分割模型对各疑似肺结节所在的区域进行分割得到各疑似肺结节的三维轮廓信息；根据各疑似肺结节的属性信息和三维轮廓信息生成肺部疑似结节影像报告并通过RPA机器人发送至医院平台。由此通过AI的图像分析技术对肺结节进行检测得到肺部疑似结节影像报告，并通过RPA机器人发送至医院平台，减少医生辨别肺结节的时间，提高了效率。
Description
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种基于RPA和AI的影像报告推送方法、装置及计算设备。
背景技术
RPA(Robotic Process Automation，机器人流程自动化)软件机器人可通过模拟人在电脑上对鼠标键盘的操作，像真人一样进行自动化办公，且24小时全天候不间断，按照规则去自动化执行流程或者一系列的任务，将用户从重复繁琐的工作中解放出来。
AI(Artificial Intelligence，人工智能)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。
目前，当医生进行肺癌检测时，需要对包含肺结节的肺部医学影像图像进行观察，以分辨出肺结节。医生在辨别肺结节时，通常是依据经验得出，导致时间较长，效率较低。
发明内容
本发明提供了一种基于RPA和AI的影像报告推送方法、装置及计算设备，以解决由于人工进行肺结节检测导致的效率低的问题。具体的技术方案如下。
第一方面，本发明提供了一种基于RPA和AI的影像报告推送方法，应用于集成有机器人流程自动化RPA机器人的影像分析平台，所述方法包括：
S1、接收所述RPA机器人发送的待检测肺部医学影像图像；
S2、利用预设肺部分割模型对所述待检测肺部医学影像图像进行分割，得到只包含肺部区域的目标医学影像图像，利用预设肺结节检测模型对所述目标医学影像图像进行检测，得到所述目标医学影像图像中各疑似肺结节的属性信息，利用预设肺结节分割模型对所述各疑似肺结节所在的区域进行分割，得到各疑似肺结节的三维轮廓信息，其中，所述预设肺结节检测模型通过预设的肺结节图像样本集中的肺结节样本图像和肺结节的属性信息训练得到，以建立各肺结节样本图像与肺结节的属性信息之间的关联关系；
S3、根据各疑似肺结节的属性信息和三维轮廓信息生成肺部疑似结节影像报告，并将所述肺部疑似结节影像报告通过所述RPA机器人发送至医院平台。
可选的，所述步骤S2中的利用预设肺部分割模型对所述待检测肺部医学影像图像进行分割，得到只包含肺部区域的目标医学影像图像，具体包括：
S21、利用滤波反投影重建算法FBP和正弦图确定迭代重建算法SAFIRE从所述待检测肺部医学影像图像中筛选出肺部区域的影像组学特征，对所述影像组学特征进行重建，得到只包含肺部区域的目标医学影像图像。
可选的，所述步骤S2中的预设肺结节检测模型通过以下方式得到：
S22、获取预设的肺结节图像样本集中的肺结节样本图像以及所述肺结节样本图像包含的肺结节的属性信息；
S23、将所述肺结节样本图像以及所述肺结节样本图像包含的肺结节的属性信息输入至初始卷积神经网络中进行特征提取，得到所述肺结节样本图像包含的肺结节的参考属性信息；
S24、计算所述参考属性信息与所述肺结节样本图像包含的肺结节的属性信息之间的差异值；
S25、基于所述差异值优化所述初始卷积神经网络的参数，返回执行步骤S22；
S26、当迭代次数达到预设次数时，完成训练，得到使得肺结节样本图像与肺结节的属性信息相关联的预设肺结节检测模型。
可选的，所述步骤S2中的预设肺结节分割模型为三维语义分割卷积神经网络3DU-Net模型。
可选的，所述各疑似肺结节的属性信息包括肺结节位置、肺结节大小和肺结节密度。
可选的，所述步骤S3具体包括：
S31、根据各疑似肺结节的属性信息中的肺结节位置，在所述待检测肺部医学影像图像中对各疑似肺结节进行标注；
S32、根据各疑似肺结节的属性信息中的肺结节密度生成密度直方图；
S33、生成包含标注后的待检测肺部医学影像图像、所述密度直方图和各疑似肺结节的肺结节大小的肺部疑似结节影像报告，并将所述肺部疑似结节影像报告通过所述RPA机器人发送至医院平台。
可选的，通过采用光学字符识别OCR方法对所述待检测肺部医学影像图像进行识别，得到图像内容。
第二方面，本发明提供了一种基于RPA和AI的影像报告推送装置，应用于集成有机器人流程自动化RPA机器人的影像分析平台，所述装置包括：
接收模块，用于接收所述RPA机器人发送的待检测肺部医学影像图像；
分割模块，用于利用预设肺部分割模型对所述待检测肺部医学影像图像进行分割，得到只包含肺部区域的目标医学影像图像，利用预设肺结节检测模型对所述目标医学影像图像进行检测，得到所述目标医学影像图像中各疑似肺结节的属性信息，利用预设肺结节分割模型对所述各疑似肺结节所在的区域进行分割，得到各疑似肺结节的三维轮廓信息，其中，所述预设肺结节检测模型通过预设的肺结节图像样本集中的肺结节样本图像和肺结节的属性信息训练得到，以建立各肺结节样本图像与肺结节的属性信息之间的关联关系；
影像报告推送模块，用于根据各疑似肺结节的属性信息和三维轮廓信息生成肺部疑似结节影像报告，并将所述肺部疑似结节影像报告通过所述RPA机器人发送至医院平台。
可选的，所述分割模块，具体用于：
利用滤波反投影重建算法FBP和正弦图确定迭代重建算法SAFIRE从所述待检测肺部医学影像图像中筛选出肺部区域的影像组学特征，对所述影像组学特征进行重建，得到只包含肺部区域的目标医学影像图像。
可选的，上述基于RPA和AI的影像报告推送装置还包括模型训练模块，所述模型训练模块用于训练得到预设肺结节检测模型，所述模型训练模块包括：
获取子模块，用于获取预设的肺结节图像样本集中的肺结节样本图像以及所述肺结节样本图像包含的肺结节的属性信息；
样本输入子模块，用于将所述肺结节样本图像以及所述肺结节样本图像包含的肺结节的属性信息输入至初始卷积神经网络中进行特征提取，得到所述肺结节样本图像包含的肺结节的参考属性信息；
计算子模块，用于计算所述参考属性信息与所述肺结节样本图像包含的肺结节的属性信息之间的差异值；
参数优化子模块，用于基于所述差异值优化所述初始卷积神经网络的参数，触发所述获取子模块；
训练完成子模块，用于当迭代次数达到预设次数时，完成训练，得到使得肺结节样本图像与肺结节的属性信息相关联的预设肺结节检测模型。
可选的，所述分割模块中的预设肺结节分割模型为三维语义分割卷积神经网络3DU-Net模型。
可选的，所述各疑似肺结节的属性信息包括肺结节位置、肺结节大小和肺结节密度。
可选的，所述影像报告推送模块具体包括：
标注子模块，用于根据各疑似肺结节的属性信息中的肺结节位置，在所述待检测肺部医学影像图像中对各疑似肺结节进行标注；
密度直方图生成子模块，用于根据各疑似肺结节的属性信息中的肺结节密度生成密度直方图；
推送子模块，用于生成包含标注后的待检测肺部医学影像图像、所述密度直方图和各疑似肺结节的肺结节大小的肺部疑似结节影像报告，并将所述肺部疑似结节影像报告通过所述RPA机器人发送至医院平台。
可选的，通过采用光学字符识别OCR方法对所述待检测肺部医学影像图像进行识别，得到图像内容。
第三方面，本发明实施例还提供了一种计算设备，包括存储设备以及处理器，所述存储设备用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算设备执行上述任一基于RPA和AI的影像报告推送方法。
第四方面，本发明实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一基于RPA和AI的影像报告推送方法。
由上述内容可知，本发明实施例提供的基于RPA和AI的影像报告推送方法、装置及计算设备，可以接收RPA机器人发送的待检测肺部医学影像图像；利用预设肺部分割模型对待检测肺部医学影像图像进行分割，得到只包含肺部区域的目标医学影像图像，利用预设肺结节检测模型对目标医学影像图像进行检测，得到目标医学影像图像中各疑似肺结节的属性信息，利用预设肺结节分割模型对各疑似肺结节所在的区域进行分割，得到各疑似肺结节的三维轮廓信息，其中，预设肺结节检测模型通过预设的肺结节图像样本集中的肺结节样本图像和肺结节的属性信息训练得到，以建立各肺结节样本图像与肺结节的属性信息之间的关联关系；根据各疑似肺结节的属性信息和三维轮廓信息生成肺部疑似结节影像报告，并将肺部疑似结节影像报告通过RPA机器人发送至医院平台。本实施例提供的技术方案通过影像分析平台具有的人工智能AI的图像分析技术自动对肺结节进行检测得到各疑似肺结节的属性信息和三维轮廓信息，然后根据各疑似肺结节的属性信息和三维轮廓信息生成肺部疑似结节影像报告，并通过RPA机器人自动发送肺部疑似结节影像报告至医院平台以便医生确认各疑似肺结节是否为真正的肺结节，由于肺部疑似结节影像报告中包含各疑似肺结节的属性信息和三维轮廓信息，使得医生仅根据肺部疑似结节影像报告就可以快速确认各疑似肺结节是否为真正的肺结节，减少医生辨别肺结节所花费时间，提高了效率。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
本发明实施例的创新点包括：
1、通过影像分析平台具有的人工智能AI的图像分析技术自动对肺结节进行检测得到各疑似肺结节的属性信息和三维轮廓信息，然后根据各疑似肺结节的属性信息和三维轮廓信息生成肺部疑似结节影像报告，并通过RPA机器人自动发送肺部疑似结节影像报告至医院平台以便医生确认各疑似肺结节是否为真正的肺结节，由于肺部疑似结节影像报告中包含各疑似肺结节的属性信息和三维轮廓信息，使得医生仅根据肺部疑似结节影像报告就可以快速确认各疑似肺结节是否为真正的肺结节，减少医生辨别肺结节所花费时间，提高了效率。
2、通过RPA机器人自动获取待检测肺部医学影像图像，通过影像分析平台具有的人工智能AI的图像分析技术自动对待检测肺部医学影像图像进行分析从而生成肺部疑似结节影像报告，然后再通过RPA机器人自动发送肺部疑似结节影像报告至医院平台，全程无需人工参与，提高了工作效率。
3、通过从待检测肺部医学影像图像中仅筛选出肺部区域的影像组学特征，然后再对影像组学特征进行重建的方式，得到只包含肺部区域的目标医学影像图像，避免了肺部以外区域对后续肺结节检测的干扰。
4、通过对初始卷积神经网络进行训练，可以得到使得肺结节样本图像与肺结节的属性信息相关联的预设肺结节检测模型，通过该预设肺结节检测模型可以检测出疑似肺结节。
5、影像分析平台通过在待检测肺部医学影像图像中对各疑似肺结节进行标注的方式，方便医生查看，提高了效率。
6、由于所生成的肺部疑似结节影像报告包含了标注后的待检测肺部医学影像图像、密度直方图和各疑似肺结节的肺结节大小，使得医生可以根据该肺部疑似结节影像报告快速的获得各疑似肺结节的有关信息，大大提高了医生的工作效率。
附图说明
为了更清楚地说明本发明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介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的针对影像报告推送的一种流程示意图；
图2为本发明实施例一提供的一种基于RPA和AI的影像报告推送方法的流程图；
图3为本发明实施例二提供的一种基于RPA和AI的影像报告推送装置的模块示意图；
图4是本发明实施例三提供的一种计算设备的结构示意图。
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、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，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付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，本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明实施例的描述中，术语“待检测肺部医学影像图像”为对人体的肺部以非侵入方式取得的需要进一步检测是否存在肺结节的肺部组织影像的图像，在该图像中不仅包含肺部区域，还包括在以非侵入方式进行采集时所采集到的肺部周边组织影像，例如：待检测肺部医学影像图像可以为待检测肺部CT(Computed Tomography，电子计算机断层扫描)图像。
本发明实施例的描述中，术语“目标医学影像图像”为从待检测肺部医学影像图像中分割出来的只包含肺部区域的医学影像图像。
本发明实施例的描述中，术语“疑似肺结节”为通过本发明实施例提供的预设肺结节检测模型检测得到的肺结节，由于是否为真正的肺结节还需要医生根据医学经验来判断，因此，在本发明实施例中将通过预设肺结节检测模型检测得到的肺结节命名为疑似肺结节。
本发明实施例的描述中，术语“影像分析平台”为集成有机器人流程自动化RPA机器人的具有人工智能AI的图像分析技术的平台，该平台内包含有预设肺部分割模型、预设肺结节检测模型和预设肺结节分割模型。
本发明实施例的描述中，术语“预设肺部分割模型”为用于对待检测肺部医学影像图像进行分割，得到只包含肺部区域的目标医学影像图像以避免肺部以外区域对后续肺结节检测产生干扰的模型。
本发明实施例的描述中，术语“预设肺结节检测模型”为用于检测肺结节的模型，该模型的输出为各疑似肺结节的属性信息。
本发明实施例的描述中，术语“预设肺结节分割模型”为用于将各疑似肺结节单独从目标医学影像图像中分割出来，从而得到各疑似肺结节的三维轮廓信息的模型。
本发明实施例的描述中，术语“三维轮廓信息”为描述物体三维形貌的信息，可以包括物体的三维形状信息和三维边缘信息。
本发明实施例的描述中，术语“医院平台”为医院所使用的整合了医院资源，实现医院人、财、物管理及电子诊疗的信息化平台。
本发明实施例的描述中，术语“长短径”为肺结节的最长的直径与最短的直径的统称。
本发明实施例的描述中，术语“密度直方图”为由一系列高度不等的纵向条纹或线段表示密度数据分布情况的图。一般用横轴表示数据类型，纵轴表示密度分布情况，例如：在本发明实施例中，横轴表示各疑似肺结节，纵轴表示各疑似肺结节的肺结节密度。
本发明实施例的描述中，术语“影像组学特征”为医学成像中用来描述病变的特征，可以包括病变直径、形状、边缘、密度、空洞和钙化。
本发明实施例的描述中，术语“肺结节的属性信息”为用来描述肺结节的特性的特征，可以包括肺结节位置、肺结节大小和肺结节密度。
为了更加清楚、明白地解释本发明各实施例的内容，下面先对本发明实施例的基本工作原理进行简单介绍。
机器人流程自动化(Robotic Process Automation)简称RPA，是通过特定的“机器人软件”，模拟人在计算机上的操作，按规则自动执行流程任务。
AI(Artificial Intelligence)是人工智能的英文缩写，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
相关的业务中，当医生进行肺癌检测时，需要对包含肺结节的肺部医学影像图像进行观察，以分辨出肺结节的大小。医生在辨别肺结节大小时，通常是依据经验得出，导致时间较长，效率较低。本申请的发明人为了解决上述问题，提出了基于RPA与AI的影像报告推送方式，通过集成有机器人流程自动化RPA机器人的影像分析平台自动对肺结节进行检测生成肺部疑似结节影像报告，并通过RPA机器人自动发送肺部疑似结节影像报告至医院平台以便医生做出最后的检测结果，提高了效率。
下面结合图1，针对影像报告推送应用场景，对影像分析平台和RPA的动作进行简单介绍。
参见图1，RPA机器人从医院平台中提取待检测肺部医学影像图像即图1中的a图像，并将所提取的待检测肺部医学影像图像发送至影像分析平台，影像分析平台接收RPA机器人发送的待检测肺部医学影像图像。然后影像分析平台利用预设肺部分割模型对待检测肺部医学影像图像进行分割，得到只包含肺部区域的目标医学影像图像即图1中的b图像，以避免肺部以外区域对后续肺结节检测产生干扰。
参见图1中的c图像，影像分析平台再利用预设肺结节检测模型对目标医学影像图像进行检测，得到目标医学影像图像中各疑似肺结节的属性信息，其中，各疑似肺结节的属性信息包括多种，在一种实现方式中，各疑似肺结节的属性信息包括肺结节位置和肺结节大小即图1中的疑似结节的位置和直径，在本发明实施例中，肺结节大小通过直径来显示。
在检测后如果能够输出疑似肺结节的位置和直径，就可以对检测结果的性质判定为疑似肺结节即图1中的D中的性质判定，所输出的疑似肺结节的直径可以包括长短径即图1中的D中的长短径计算。
参见图1中的d图像，影像分析平台利用预设肺结节分割模型对各疑似肺结节所在的区域进行分割，得到各疑似肺结节的三维轮廓信息，也就是提取各疑似肺结节的轮廓从而以三维的形式进行显示即图1中的D中的结节轮廓提取，其中，d图像中的矩形框内即为一个疑似肺结节，通过鼠标对该矩形框进行旋转操作就可以看到该疑似肺结节的三维形态。
由于各疑似肺结节的属性信息还可以包括肺结节密度，因此还可以根据各疑似肺结节的属性信息中的肺结节密度生成密度直方图即图1中的D中的密度直方图，根据各疑似肺结节的属性信息中的肺结节位置，在待检测肺部医学影像图像中对各疑似肺结节进行标注，生成包含标注后的待检测肺部医学影像图像、密度直方图和各疑似肺结节的肺结节大小的肺部疑似结节影像报告和JSON(JavaScript Object Notation，JS对象简谱)结果，其中，肺部疑似结节影像报告与JSON结果所包含的内容是相同的，只是JSON结果是在影像分析平台的后台生成的非可视化结果，而肺部疑似结节影像报告是在影像分析平台的前台生成的可视化结果。
RPA机器人获取肺部疑似结节影像报告和JSON结果发送至医院平台即图1中的区域健康平台，医生通过医院平台可以查看该肺部疑似结节影像报告，然后做出最后的检测结果。
在上述流程中，集成有机器人流程自动化RPA机器人的影像分析平台自动对肺结节进行检测生成肺部疑似结节影像报告，并通过RPA机器人自动发送肺部疑似结节影像报告至医院平台以便医生确认各疑似肺结节是否为真正的肺结节，由于肺部疑似结节影像报告中包含各疑似肺结节的属性信息和三维轮廓信息，使得医生仅根据肺部疑似结节影像报告就可以快速确认各疑似肺结节是否为真正的肺结节，花费时间较短，提高了效率。
下面从影像分析平台的角度，对基于RPA和AI的影像报告推送的过程进行详细介绍。
实施例一
图2是本发明实施例一提供的一种基于RPA和AI的影像报告推送方法的流程图，该方法的执行主体是集成有机器人流程自动化RPA机器人的影像分析平台。如图2所示，该方法可以包括：
S1、接收RPA机器人发送的待检测肺部医学影像图像。
当医生进行肺癌检测时，通过RPA机器人从医院平台中提取待检测肺部医学影像图像，然后将所提取的待检测肺部医学影像图像发送至影像分析平台，影像分析平台接收RPA机器人发送的待检测肺部医学影像图像。
S2、利用预设肺部分割模型对待检测肺部医学影像图像进行分割，得到只包含肺部区域的目标医学影像图像，利用预设肺结节检测模型对目标医学影像图像进行检测，得到目标医学影像图像中各疑似肺结节的属性信息，利用预设肺结节分割模型对各疑似肺结节所在的区域进行分割，得到各疑似肺结节的三维轮廓信息，其中，预设肺结节检测模型通过预设的肺结节图像样本集中的肺结节样本图像和肺结节的属性信息训练得到，以建立各肺结节样本图像与肺结节的属性信息之间的关联关系。
由于待检测肺部医学影像图像中并不只包含肺部区域，还可能包含其他人体区域，为了便于进行肺结节的检测，需要对肺部区域进行单独检测，又由于影像分析平台内包含有预设肺部分割模型、预设肺结节检测模型和预设肺结节分割模型，因此在影像分析平台接收RPA机器人发送的待检测肺部医学影像图像后，即可利用预设肺部分割模型对待检测肺部医学影像图像进行分割，得到只包含肺部区域的目标医学影像图像。
在一个具体实施例中，步骤S2中的利用预设肺部分割模型对待检测肺部医学影像图像进行分割，得到只包含肺部区域的目标医学影像图像，具体可以包括：
S21、利用滤波反投影重建算法FBP和正弦图确定迭代重建算法SAFIRE从待检测肺部医学影像图像中筛选出肺部区域的影像组学特征，对影像组学特征进行重建，得到只包含肺部区域的目标医学影像图像。
在本发明实施例中，预设肺部分割模型为包含滤波反投影重建算法FBP和正弦图确定迭代重建算法SAFIRE的模型。因此，在对待检测肺部医学影像图像进行分割时，可以利用滤波反投影重建算法FBP和正弦图确定迭代重建算法SAFIRE从待检测肺部医学影像图像中筛选出肺部区域的影像组学特征，然后再对影像组学特征进行重建，得到只包含肺部区域的目标医学影像图像，示例性的，所筛选出的肺部区域的影像组学特征的数量为11个。
由此，通过从待检测肺部医学影像图像中仅筛选出肺部区域的影像组学特征，然后再对影像组学特征进行重建的方式，得到只包含肺部区域的目标医学影像图像，避免了肺部以外区域对后续肺结节检测的干扰。
其中，利用滤波反投影重建算法FBP和正弦图确定迭代重建算法SAFIRE从待检测肺部医学影像图像中筛选出肺部区域的影像组学特征，可以包括：通过采用光学字符识别OCR方法对待检测肺部医学影像图像进行识别，得到图像内容，用滤波反投影重建算法FBP和正弦图确定迭代重建算法SAFIRE从图像内容中筛选出肺部区域的影像组学特征。
在得到只包含肺部区域的目标医学影像图像，即可利用预设肺结节检测模型对目标医学影像图像进行检测，得到目标医学影像图像中各疑似肺结节的属性信息，其中，预设肺结节检测模型通过预设的肺结节图像样本集中的肺结节样本图像和肺结节的属性信息训练得到，以建立各肺结节样本图像与肺结节的属性信息之间的关联关系。
示例性的，各疑似肺结节的属性信息可以包括肺结节位置、肺结节大小和肺结节密度。其中，肺结节大小通常使用肺结节的直径来表示，肺结节的直径可以包括长短径。
在一个具体实施例中，步骤S2中的预设肺结节检测模型可以通过以下方式得到：
S22、获取预设的肺结节图像样本集中的肺结节样本图像以及肺结节样本图像包含的肺结节的属性信息；
S23、将肺结节样本图像以及肺结节样本图像包含的肺结节的属性信息输入至初始卷积神经网络中进行特征提取，得到肺结节样本图像包含的肺结节的参考属性信息；
S24、计算参考属性信息与肺结节样本图像包含的肺结节的属性信息之间的差异值；
S25、基于差异值优化初始卷积神经网络的参数，返回执行步骤S22；
S26、当迭代次数达到预设次数时，完成训练，得到使得肺结节样本图像与肺结节的属性信息相关联的预设肺结节检测模型。
为了训练可以检测出肺结节的模型，可以收集各种包含有肺结节的图像，将所收集的图像作为肺结节样本图像存储在预设的肺结节图像样本集中，其中，预设的肺结节图像样本集中包含各种具有不同属性信息的肺结节样本图像。
在训练模型时，需要获取预设的肺结节图像样本集中的肺结节样本图像以及肺结节样本图像包含的肺结节的属性信息。
在获取了预设的肺结节图像样本集中的肺结节样本图像以及肺结节样本图像包含的肺结节的属性信息之后，将肺结节样本图像以及肺结节样本图像包含的肺结节的属性信息输入至初始卷积神经网络中进行特征提取，得到所述肺结节样本图像包含的肺结节的参考属性信息。
当迭代次数未达到预设次数时，说明此时的网络还未能适应大部分的肺结节样本图像，此时，需要计算参考属性信息与肺结节样本图像包含的肺结节的属性信息之间的差异值，然后基于差异值优化初始卷积神经网络的参数，返回执行获取预设的肺结节图像样本集中的肺结节样本图像以及肺结节样本图像包含的肺结节的属性信息的步骤。
在训练过程中，可以循环遍历所有的肺结节样本图像，并不断调整初始卷积神经网络的参数。当迭代次数达到预设次数时，说明此时的网络能适应大部分的肺结节样本图像，获得准确的结果，此时，确定完成训练，得到使得肺结节样本图像与肺结节的属性信息相关联的预设肺结节检测模型。
可见，通过上述训练方式对初始卷积神经网络进行训练，可以得到使得肺结节样本图像与肺结节的属性信息相关联的预设肺结节检测模型。
示例性的，在训练时所使用的肺结节样本图像包含的肺结节的属性信息中的肺结节的大小小于5mm，使得通过该预设肺结节检测模型可以检测出大小小于5mm的疑似肺结节。
由于利用预设肺结节检测模型对目标医学影像图像进行检测，得到的是疑似肺结节，而各疑似肺结节是否为真正的肺结节还需要医生来进行专业判断得到检测结果，为了便于后续医生对各疑似肺结节的三维轮廓进行查看，在得到目标医学影像图像中各疑似肺结节的属性信息后，还需要利用预设肺结节分割模型对各疑似肺结节所在的区域进行分割，得到各疑似肺结节的三维轮廓信息。
示例性的，预设肺结节分割模型可以为三维语义分割卷积神经网络3DU-Net模型。
S3、根据各疑似肺结节的属性信息和三维轮廓信息生成肺部疑似结节影像报告，并将肺部疑似结节影像报告通过RPA机器人发送至医院平台。
为了便于医生判断各疑似肺结节是否为真正的肺结节，在得到各疑似肺结节的属性信息和三维轮廓信息后，根据各疑似肺结节的属性信息和三维轮廓信息生成肺部疑似结节影像报告，并将肺部疑似结节影像报告通过RPA机器人发送至医院平台。
在一种实现方式中，在各疑似肺结节的属性信息包括肺结节位置、肺结节大小和肺结节密度的情况下，步骤S3可以具体包括：
S31、根据各疑似肺结节的属性信息中的肺结节位置，在待检测肺部医学影像图像中对各疑似肺结节进行标注；
S32、根据各疑似肺结节的属性信息中的肺结节密度生成密度直方图；
S33、生成包含标注后的待检测肺部医学影像图像、密度直方图和各疑似肺结节的肺结节大小的肺部疑似结节影像报告，并将肺部疑似结节影像报告通过RPA机器人发送至医院平台。
为了方便医生查看各疑似肺结节的位置，影像分析平台根据各疑似肺结节的属性信息中的肺结节位置，在待检测肺部医学影像图像中对各疑似肺结节进行标注，其中，在待检测肺部医学影像图像中对各疑似肺结节进行标注的方式可以为：使用矩形框将各疑似肺结节框住，当然也可以是任何其他突出标注方式，本发明实施例对此并不做任何限定。
由此，影像分析平台通过在待检测肺部医学影像图像中对各疑似肺结节进行标注的方式，方便医生查看，提高了效率。
为了方便医生查看各疑似肺结节的密度，影像分析平台根据各疑似肺结节的属性信息中的肺结节密度生成密度直方图，以便医生仅通过一个密度直方图就可以查看所有的疑似肺结节的密度。
在对各疑似肺结节进行标注以及生成密度直方图后，将标注后的待检测肺部医学影像图像、密度直方图和各疑似肺结节的肺结节大小进行整合，生成包含标注后的待检测肺部医学影像图像、密度直方图和各疑似肺结节的肺结节大小的肺部疑似结节影像报告，并将肺部疑似结节影像报告通过RPA机器人发送至医院平台。
由于所生成的肺部疑似结节影像报告包含了标注后的待检测肺部医学影像图像、密度直方图和各疑似肺结节的肺结节大小，使得医生可以根据该肺部疑似结节影像报告快速的获得各疑似肺结节的有关信息，大大提高了医生的工作效率。
由上述内容可知，本实施例可以接收RPA机器人发送的待检测肺部医学影像图像；利用预设肺部分割模型对待检测肺部医学影像图像进行分割，得到只包含肺部区域的目标医学影像图像，利用预设肺结节检测模型对目标医学影像图像进行检测，得到目标医学影像图像中各疑似肺结节的属性信息，利用预设肺结节分割模型对各疑似肺结节所在的区域进行分割，得到各疑似肺结节的三维轮廓信息，其中，预设肺结节检测模型通过预设的肺结节图像样本集中的肺结节样本图像和肺结节的属性信息训练得到，以建立各肺结节样本图像与肺结节的属性信息之间的关联关系；根据各疑似肺结节的属性信息和三维轮廓信息生成肺部疑似结节影像报告，并将肺部疑似结节影像报告通过RPA机器人发送至医院平台。本实施例提供的技术方案通过影像分析平台具有的人工智能AI的图像分析技术自动对肺结节进行检测得到各疑似肺结节的属性信息和三维轮廓信息，然后根据各疑似肺结节的属性信息和三维轮廓信息生成肺部疑似结节影像报告，并通过RPA机器人自动发送肺部疑似结节影像报告至医院平台以便医生确认各疑似肺结节是否为真正的肺结节，由于肺部疑似结节影像报告中包含各疑似肺结节的属性信息和三维轮廓信息，使得医生仅根据肺部疑似结节影像报告就可以快速确认各疑似肺结节是否为真正的肺结节，减少医生辨别肺结节所花费时间，提高了效率。
并且，通过RPA机器人自动获取待检测肺部医学影像图像，通过影像分析平台具有的人工智能AI的图像分析技术自动对待检测肺部医学影像图像进行分析从而生成肺部疑似结节影像报告，然后再通过RPA机器人自动发送肺部疑似结节影像报告至医院平台，全程无需人工参与，提高了工作效率。
实施例二
图3是示出了一种基于RPA和AI的影像报告推送装置的模块示意图。如图3所示，本说明书实施例提供的一种基于RPA和AI的影像报告推送装置，应用于集成有机器人流程自动化RPA机器人的影像分析平台，所述装置可以包括：
接收模块310，用于接收所述RPA机器人发送的待检测肺部医学影像图像；
分割模块320，用于利用预设肺部分割模型对所述待检测肺部医学影像图像进行分割，得到只包含肺部区域的目标医学影像图像，利用预设肺结节检测模型对所述目标医学影像图像进行检测，得到所述目标医学影像图像中各疑似肺结节的属性信息，利用预设肺结节分割模型对所述各疑似肺结节所在的区域进行分割，得到各疑似肺结节的三维轮廓信息，其中，所述预设肺结节检测模型通过预设的肺结节图像样本集中的肺结节样本图像和肺结节的属性信息训练得到，以建立各肺结节样本图像与肺结节的属性信息之间的关联关系；
影像报告推送模块330，用于根据各疑似肺结节的属性信息和三维轮廓信息生成肺部疑似结节影像报告，并将所述肺部疑似结节影像报告通过所述RPA机器人发送至医院平台。
本发明实施例提供的基于RPA和AI的影像报告推送装置可以接收RPA机器人发送的待检测肺部医学影像图像；利用预设肺部分割模型对待检测肺部医学影像图像进行分割，得到只包含肺部区域的目标医学影像图像，利用预设肺结节检测模型对目标医学影像图像进行检测，得到目标医学影像图像中各疑似肺结节的属性信息，利用预设肺结节分割模型对各疑似肺结节所在的区域进行分割，得到各疑似肺结节的三维轮廓信息，其中，预设肺结节检测模型通过预设的肺结节图像样本集中的肺结节样本图像和肺结节的属性信息训练得到，以建立各肺结节样本图像与肺结节的属性信息之间的关联关系；根据各疑似肺结节的属性信息和三维轮廓信息生成肺部疑似结节影像报告，并将肺部疑似结节影像报告通过RPA机器人发送至医院平台。本实施例提供的技术方案通过影像分析平台具有的人工智能AI的图像分析技术自动对肺结节进行检测得到各疑似肺结节的属性信息和三维轮廓信息，然后根据各疑似肺结节的属性信息和三维轮廓信息生成肺部疑似结节影像报告，并通过RPA机器人自动发送肺部疑似结节影像报告至医院平台以便医生确认各疑似肺结节是否为真正的肺结节，由于肺部疑似结节影像报告中包含各疑似肺结节的属性信息和三维轮廓信息，使得医生仅根据肺部疑似结节影像报告就可以快速确认各疑似肺结节是否为真正的肺结节，减少医生辨别肺结节所花费时间，提高了效率。
在一种实现方式中，所述分割模块320，可以具体用于：
利用滤波反投影重建算法FBP和正弦图确定迭代重建算法SAFIRE从所述待检测肺部医学影像图像中筛选出肺部区域的影像组学特征，对所述影像组学特征进行重建，得到只包含肺部区域的目标医学影像图像。
在一种实现方式中，上述基于RPA和AI的影像报告推送装置还包括模型训练模块，所述模型训练模块用于训练得到预设肺结节检测模型，所述模型训练模块包括：
获取子模块，用于获取预设的肺结节图像样本集中的肺结节样本图像以及所述肺结节样本图像包含的肺结节的属性信息；
样本输入子模块，用于将所述肺结节样本图像以及所述肺结节样本图像包含的肺结节的属性信息输入至初始卷积神经网络中进行特征提取，得到所述肺结节样本图像包含的肺结节的参考属性信息；
计算子模块，用于计算所述参考属性信息与所述肺结节样本图像包含的肺结节的属性信息之间的差异值；
参数优化子模块，用于基于所述差异值优化所述初始卷积神经网络的参数，触发所述获取子模块；
训练完成子模块，用于当迭代次数达到预设次数时，完成训练，得到使得肺结节样本图像与肺结节的属性信息相关联的预设肺结节检测模型。
在一种实现方式中，所述分割模块320中的预设肺结节分割模型为三维语义分割卷积神经网络3DU-Net模型。
在一种实现方式中，所述各疑似肺结节的属性信息包括肺结节位置、肺结节大小和肺结节密度。
在一种实现方式中，所述影像报告推送模块330可以具体包括：
标注子模块，用于根据各疑似肺结节的属性信息中的肺结节位置，在所述待检测肺部医学影像图像中对各疑似肺结节进行标注；
密度直方图生成子模块，用于根据各疑似肺结节的属性信息中的肺结节密度生成密度直方图；
推送子模块，用于生成包含标注后的待检测肺部医学影像图像、所述密度直方图和各疑似肺结节的肺结节大小的肺部疑似结节影像报告，并将所述肺部疑似结节影像报告通过所述RPA机器人发送至医院平台。
在一种实现方式中，通过采用光学字符识别OCR方法对所述待检测肺部医学影像图像进行识别，得到图像内容。
实施例三
请参阅图4，图4是本发明实施例三提供的一种计算设备的结构示意图。如图4所示，该计算设备可以包括：
存储有可执行程序代码的存储器401；
与存储器401耦合的处理器402；
其中，处理器402调用存储器401中存储的可执行程序代码，执行本发明任意实施例所提供的基于RPA和AI的影像报告推送方法。
本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行本发明任意实施例所提供的基于RPA和AI的影像报告推送方法。
在本发明的各种实施例中，应理解，上述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在本发明所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。
另外，在本发明各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。
上述集成的单元若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获取的存储器中。基于这样的理解，本发明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者部分，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器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明的各个实施例上述方法的部分或全部步骤。
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，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明实施例技术方案的精神和范围。
Claims (12)
1.一种基于RPA和AI的影像报告推送方法，其特征在于，应用于集成有机器人流程自动化RPA机器人的影像分析平台，所述方法包括：
S1、接收所述RPA机器人发送的待检测肺部医学影像图像；
S2、利用预设肺部分割模型对所述待检测肺部医学影像图像进行分割，得到只包含肺部区域的目标医学影像图像，利用预设肺结节检测模型对所述目标医学影像图像进行检测，得到所述目标医学影像图像中各疑似肺结节的属性信息，利用预设肺结节分割模型对所述各疑似肺结节所在的区域进行分割，得到各疑似肺结节的三维轮廓信息，其中，所述预设肺结节检测模型通过预设的肺结节图像样本集中的肺结节样本图像和肺结节的属性信息训练得到，以建立各肺结节样本图像与肺结节的属性信息之间的关联关系；
S3、根据各疑似肺结节的属性信息和三维轮廓信息生成肺部疑似结节影像报告，并将所述肺部疑似结节影像报告通过所述RPA机器人发送至医院平台。
2.如权利要求1所述的方法，其特征在于，所述步骤S2中的利用预设肺部分割模型对所述待检测肺部医学影像图像进行分割，得到只包含肺部区域的目标医学影像图像，具体包括：
S21、利用滤波反投影重建算法FBP和正弦图确定迭代重建算法SAFIRE从所述待检测肺部医学影像图像中筛选出肺部区域的影像组学特征，对所述影像组学特征进行重建，得到只包含肺部区域的目标医学影像图像。
3.如权利要求1所述的方法，其特征在于，所述步骤S2中的预设肺结节检测模型通过以下方式得到：
S22、获取预设的肺结节图像样本集中的肺结节样本图像以及所述肺结节样本图像包含的肺结节的属性信息；
S23、将所述肺结节样本图像以及所述肺结节样本图像包含的肺结节的属性信息输入至初始卷积神经网络中进行特征提取，得到所述肺结节样本图像包含的肺结节的参考属性信息；
S24、计算所述参考属性信息与所述肺结节样本图像包含的肺结节的属性信息之间的差异值；
S25、基于所述差异值优化所述初始卷积神经网络的参数，返回执行步骤S22；
S26、当迭代次数达到预设次数时，完成训练，得到使得肺结节样本图像与肺结节的属性信息相关联的预设肺结节检测模型。
4.如权利要求1所述的方法，其特征在于，所述步骤S2中的预设肺结节分割模型为三维语义分割卷积神经网络3DU-Net模型。
5.如权利要求1所述的方法，其特征在于，所述各疑似肺结节的属性信息包括肺结节位置、肺结节大小和肺结节密度。
6.如权利要求5所述的方法，其特征在于，所述步骤S3具体包括：
S31、根据各疑似肺结节的属性信息中的肺结节位置，在所述待检测肺部医学影像图像中对各疑似肺结节进行标注；
S32、根据各疑似肺结节的属性信息中的肺结节密度生成密度直方图；
S33、生成包含标注后的待检测肺部医学影像图像、所述密度直方图和各疑似肺结节的肺结节大小的肺部疑似结节影像报告，并将所述肺部疑似结节影像报告通过所述RPA机器人发送至医院平台。
7.如权利要求1-6任一所述的方法，其特征在于：
通过采用光学字符识别OCR方法对所述待检测肺部医学影像图像进行识别，得到图像内容。
8.一种基于RPA和AI的影像报告推送装置，其特征在于，应用于集成有机器人流程自动化RPA机器人的影像分析平台，所述装置包括：
接收模块，用于接收所述RPA机器人发送的待检测肺部医学影像图像；
分割模块，用于利用预设肺部分割模型对所述待检测肺部医学影像图像进行分割，得到只包含肺部区域的目标医学影像图像，利用预设肺结节检测模型对所述目标医学影像图像进行检测，得到所述目标医学影像图像中各疑似肺结节的属性信息，利用预设肺结节分割模型对所述各疑似肺结节所在的区域进行分割，得到各疑似肺结节的三维轮廓信息，其中，所述预设肺结节检测模型通过预设的肺结节图像样本集中的肺结节样本图像和肺结节的属性信息训练得到，以建立各肺结节样本图像与肺结节的属性信息之间的关联关系；
影像报告推送模块，用于根据各疑似肺结节的属性信息和三维轮廓信息生成肺部疑似结节影像报告，并将所述肺部疑似结节影像报告通过所述RPA机器人发送至医院平台。
9.如权利要求8所述的装置，其特征在于，所述分割模块，具体用于：
利用滤波反投影重建算法FBP和正弦图确定迭代重建算法SAFIRE从所述待检测肺部医学影像图像中筛选出肺部区域的影像组学特征，对所述影像组学特征进行重建，得到只包含肺部区域的目标医学影像图像。
10.如权利要求8所述的装置，其特征在于，还包括模型训练模块，所述模型训练模块用于训练得到预设肺结节检测模型，所述模型训练模块包括：
获取子模块，用于获取预设的肺结节图像样本集中的肺结节样本图像以及所述肺结节样本图像包含的肺结节的属性信息；
样本输入子模块，用于将所述肺结节样本图像以及所述肺结节样本图像包含的肺结节的属性信息输入至初始卷积神经网络中进行特征提取，得到所述肺结节样本图像包含的肺结节的参考属性信息；
计算子模块，用于计算所述参考属性信息与所述肺结节样本图像包含的肺结节的属性信息之间的差异值；
参数优化子模块，用于基于所述差异值优化所述初始卷积神经网络的参数，触发所述获取子模块；
训练完成子模块，用于当迭代次数达到预设次数时，完成训练，得到使得肺结节样本图像与肺结节的属性信息相关联的预设肺结节检测模型。
11.一种计算设备，其特征在于，包括存储设备以及处理器，所述存储设备用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算设备执行根据权利要求1-7中任一项所述的方法的步骤。
12.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111260545.2A CN113990432A (zh) | 2021-10-28 | 2021-10-28 | 基于rpa和ai的影像报告推送方法、装置及计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111260545.2A CN113990432A (zh) | 2021-10-28 | 2021-10-28 | 基于rpa和ai的影像报告推送方法、装置及计算设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113990432A true CN113990432A (zh) | 2022-01-28 |
Family
ID=79743107
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111260545.2A Pending CN113990432A (zh) | 2021-10-28 | 2021-10-28 | 基于rpa和ai的影像报告推送方法、装置及计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113990432A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114840700A (zh) * | 2022-05-30 | 2022-08-02 | 来也科技(北京)有限公司 | 结合rpa和ai实现ia的图像检索方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765369A (zh) * | 2018-04-20 | 2018-11-06 | 平安科技（深圳）有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
| CN110807764A (zh) * | 2019-09-20 | 2020-02-18 | 成都智能迭迦科技合伙企业(有限合伙) | 一种基于神经网络的肺癌筛查方法 |
| CN112241330A (zh) * | 2020-03-31 | 2021-01-19 | 北京来也网络科技有限公司 | 结合rpa和ai的流程处理方法、装置、设备及存储介质 |
| CN112598613A (zh) * | 2019-09-16 | 2021-04-02 | 苏州速游数据技术有限公司 | 一种用于肺癌智能诊断的基于深度图像分割和识别的测定方法 |
| CN112819747A (zh) * | 2019-10-31 | 2021-05-18 | 深圳市华嘉生物智能科技有限公司 | 一种基于肺部断层扫描图片自动诊断结节良恶性的方法 |
-
2021
- 2021-10-28 CN CN202111260545.2A patent/CN113990432A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765369A (zh) * | 2018-04-20 | 2018-11-06 | 平安科技（深圳）有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
| CN112598613A (zh) * | 2019-09-16 | 2021-04-02 | 苏州速游数据技术有限公司 | 一种用于肺癌智能诊断的基于深度图像分割和识别的测定方法 |
| CN110807764A (zh) * | 2019-09-20 | 2020-02-18 | 成都智能迭迦科技合伙企业(有限合伙) | 一种基于神经网络的肺癌筛查方法 |
| CN112819747A (zh) * | 2019-10-31 | 2021-05-18 | 深圳市华嘉生物智能科技有限公司 | 一种基于肺部断层扫描图片自动诊断结节良恶性的方法 |
| CN112241330A (zh) * | 2020-03-31 | 2021-01-19 | 北京来也网络科技有限公司 | 结合rpa和ai的流程处理方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王瑞，等: "迭代重建算法在肥胖患者冠状动脉 ＣＴ 成像中的应用", 中国介入影像与治疗学, vol. 10, no. 02, 31 December 2013 (2013-12-31), pages 104 - 107 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114840700A (zh) * | 2022-05-30 | 2022-08-02 | 来也科技(北京)有限公司 | 结合rpa和ai实现ia的图像检索方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8270688B2 (en) | Method for intelligent qualitative and quantitative analysis assisting digital or digitized radiography softcopy reading | |
| CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
| JP2021504061A (ja) | 脊椎骨折を識別するための３次元医用画像解析の方法及びシステム | |
| CN110459319A (zh) | 基于人工智能的乳腺钼靶图像的辅助诊断系统 | |
| CN102460471A (zh) | 用于胸腔层析x射线合成成像中的计算机辅助肺结节检测的系统 | |
| US10706534B2 (en) | Method and apparatus for classifying a data point in imaging data | |
| US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| US20210004960A1 (en) | Display of medical image data | |
| CN111178420B (zh) | 一种二维造影图像上冠脉段标注方法及系统 | |
| CN112861961B (zh) | 肺血管分类方法及装置、存储介质及电子设备 | |
| CN110648318A (zh) | 用于皮肤病的辅助分析方法及装置、电子设备、存储介质 | |
| CN111145160A (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
| CN115601811B (zh) | 面部痤疮的检测方法和装置 | |
| CN113990432A (zh) | 基于rpa和ai的影像报告推送方法、装置及计算设备 | |
| CN112446911A (zh) | 中心线提取、界面交互与模型训练方法、系统及设备 | |
| CN115861283A (zh) | 医学影像的分析方法、装置、设备及存储介质 | |
| AU2019204365B1 (en) | Method and System for Image Segmentation and Identification | |
| CN113222989B (zh) | 一种图像分级方法、装置、存储介质及电子设备 | |
| Patil et al. | A Review on Disease Prediction using Image Processing | |
| JP2024509039A (ja) | 分類の視覚的説明、方法、システム | |
| CN111612755A (zh) | 肺部病灶分析方法、装置、电子设备和存储介质 | |
| CN112862786A (zh) | Cta影像数据处理方法、装置及存储介质 | |
| CN112862785A (zh) | Cta影像数据识别方法、装置及存储介质 | |
| Bacchuwar et al. | Scale-space for empty catheter segmentation in PCI fluoroscopic images | |
| Lehmann et al. | Strategies to configure image analysis algorithms for clinical usage |
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 |