CN114005514B - 医学影像诊断方法、系统及装置 - Google Patents

医学影像诊断方法、系统及装置 Download PDF

Info

Publication number
CN114005514B
CN114005514B CN202111420093.XA CN202111420093A CN114005514B CN 114005514 B CN114005514 B CN 114005514B CN 202111420093 A CN202111420093 A CN 202111420093A CN 114005514 B CN114005514 B CN 114005514B
Authority
CN
China
Prior art keywords
medical image
focus
image
free
medical
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.)
Active
Application number
CN202111420093.XA
Other languages
English (en)
Other versions
CN114005514A (zh
Inventor
何宇巍
徐枫
郭雨晨
杨东
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.)
Hangzhou Zhuoxi Brain And Intelligence Research Institute
Original Assignee
Hangzhou Zhuoxi Brain And Intelligence Research Institute
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 Hangzhou Zhuoxi Brain And Intelligence Research Institute filed Critical Hangzhou Zhuoxi Brain And Intelligence Research Institute
Priority to CN202111420093.XA priority Critical patent/CN114005514B/zh
Publication of CN114005514A publication Critical patent/CN114005514A/zh
Application granted granted Critical
Publication of CN114005514B publication Critical patent/CN114005514B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H30/20—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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种医学影像诊断方法、系统及装置，包括，S1、获取无病灶医学影像数据；S2、根据无病灶医学影像数据建立无病灶医学影像局部重构的卷积网络；S3、获取医学影像；S4、将S3获取的医学影像分割成多个部分，处理成多个缺失某个部分的医学图像；S5、将所述多个缺失某个部分的医学图像输入所述卷积网络进行重构，得到多个某个部分的重构图像；S6、将多个某个部分的重构图像拼接成完整无病灶影像；S7、将完整无病灶影像与S3获取的医学影像比较，判断病灶点。本发明可以实现病灶判断，摆脱当前影像分析模型训练过程中对特定疾病的数据依赖，降低了模型的开发难度，增加了模型可分析疾病种类。

Description

医学影像诊断方法、系统及装置
技术领域
本发明涉及医学影像诊断领域，尤其是涉及一种医学影像诊断方法、系统及装置。
背景技术
医疗健康是国民之根本，生产力的发展和科技的进步推动着新型医疗影像分析模式的出现。近年来，随着人工智能技术的日益成熟，基于相关技术所开发得到的深度学习模型已经在图像分析任务上达到了优异的性能，甚至在一些标准数据集上超越了人类的水平。这些技术推进了医疗健康领域的数字化、信息化发展，也让智慧医疗在人们日常生活中的大规模应用成为了可能。深度学习模型一般基于有监督学习(supervised learning)框架进行训练。即在模型训练之前，需要为每一种待分析的病灶准备充足的精标注样本。然而，在医疗影像分析领域，充足的精标注样本通常难以获得。首先，标注医疗影像需要专业的医学知识，人力成本极高。其次，部分疾病较为稀缺，相关影像难以获取。因此，按照传统有监督学习的方式开发医疗影像分析模型，毫无疑问是不现实的。
因此，在医疗影像分析中，弱监督学习(weakly supervised learning)是一种更加
可行的方案。我国幅员辽阔，人口众多，因此可以通过关键词从三甲医院检索到大规模的影像数据。但这样获得的影像存在两个方面的问题：一是标注质量低，以单条CT影像序列为例，根据关键词检索得到的影像存在一定程度的标注错误，且标注信息只能停留于序列层面而不能深入到图像层面。二是语义种类少，医疗影像存在的病灶类型千变万化，而以关键词为媒介，可获得影像种类是很有限的，若要开发一套完整的异常影像分析模型，基于现有的技术是无法实现的。
发明内容
本发明的目的在于提供一种医学影像诊断方法、系统及装置，旨在解决医学影像诊断。
本发明提供一种医学影像诊断方法，包括：
S1、获取无病灶医学影像数据；
S2、根据所述无病灶医学影像数据建立无病灶医学影像局部重构的卷积网络；
S3、获取医学影像；
S4、将S3获取的医学影像分割成多个部分，处理成多个缺失某个部分的医学图像；
S5、将所述多个缺失某个部分的医学图像输入所述卷积网络进行重构，得到多个某个部分的重构图像；
S6、将所述多个某个部分的重构图像拼接成完整无病灶影像；
S7、将所述完整无病灶影像与所述S3获取的医学影像比较，判断病灶点。
本发明还提供一种医学影像诊断系统，包括：
获取模块：获取无病灶医学影像数据；
卷积网络模块，根据所述无病灶医学影像数据建立无病灶医学影像局部重构成的卷积网络；
医学影像模块：获取医学影像；
分割处理模块：将医学影像模块获取的医学影像分割成多个部分，处理成多个缺失某个部分的医学图像；
重构模块：将所述多个缺失某个部分的医学图像输入所述卷积网络进行重构，得到多个某个部分的重构图像；
拼接模块：将所述多个某个部分的重构图像拼接成完整无病灶影像；
判断模块：将所述完整无病灶影像与所述医学影像模块获取的医学影像比较，判断病灶点。
本发明实施例还提供一种医学影像诊断装置，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，所述计算机程序被所述处理器执行时实现上述方法的步骤。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述方法的步骤。
采用本发明实施例，可以实现病灶判断，摆脱当前影像分析模型训练过程中对特定疾病的数据依赖，从而降低了模型的开发难度，增加了模型的可分析疾病种类。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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是本发明实施例的医学影像诊断的流程图；
图2是本发明实施例的医学影像诊断的方法的整体框架示意图；
图3是本发明实施例的医学影像诊断系统的示意图；
图4是本发明实施例的医学影像诊断装置的示意图。
附图标记说明：
310：获取模块；320：卷积网络模块；330：医学影像模块；340：分割处理模块；350：重构模块；360：拼接模块；370：判断模块。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
方法实施例
根据本发明实施例，提供了一种医学影像诊断方法，图1是本发明实施例的医学影像诊断的流程图，如图1所示，具体包括：
S1、获取无病灶医学影像数据；
S2、根据所述无病灶医学影像数据建立无病灶医学影像局部重构的卷积网络；
S2具体包括：将无病灶医学影像局部挖空，根据挖空部分的上下文信息以及整张图的纹理信息来重构局部挖空影像，建立无病灶医学影像局部重构成的卷积网络，卷积网络使用联合损失函数训练。
S3、获取医学影像；
S4、将S3获取的医学影像分割成多个部分，处理成多个缺失某个部分的医学图像；
S5、将多个缺失某个部分的医学图像输入所述卷积网络进行重构，得到多个某个部分的重构图像；
S6、将多个某个部分的重构图像拼接成完整无病灶影像；
S7、将完整无病灶影像与S3获取的医学影像比较，判断病灶点。
S7具体包括：将完整无病灶影像与S3获取的医学影像比较，得到像素差值，根据像素差值判断病灶点。
具体实施如下：
想要实现真正临床可用的医疗影像分析模型，就要求模型像医生一样，一旦影像包含了异常病灶，就能够做出判断。而通过检索的方式获得的病灶语义种类有限，因此基于传统学习方法训练得到的模型，能够判断的异常种类同样是有限的。因此，我们另辟蹊径，基于大规模的无病灶影像数据，利用卷积神经网络强大的特征学习能力，让网络学习到医学影像的正常影像结构。进而在测试阶段，当一张包含病灶的影像馈入网络后，网络会在该部分还原出正常影像结构，进而与原始影像产生较大的像素差值。基于该像素差值，我们便可以将该张影像分析为包含异常病灶的离群点。
图2是本发明实施例的医学影像诊断的方法的整体框架示意图；
如图2所示，在训练阶段，收集大量的无病灶影像数据。无病灶影像的诊断报告有着极高的规范性，因此不会出现标注错误的问题。这里构造了一个局部重构卷积网络，该网络的功能是针对某张影像被挖空的局部，根据该部分的上下文信息以及整张影像的纹理信息，来重构该部分的影像。基于大量的无病灶影像数据，网络能够重构出该部分影像最可能的正常特征。而在测试阶段，将一张影像的每个位置分别进重构，最终将重构的影像进行拼合，得到一张完全由网络生成的正常影像。最终，基于重构影像和原始影像的差值进行是否包含异常的判断，由于病灶部分的差值偏大，网络将会把该点判定为离群点。
基于单类别生成学习所构造的模型可以有效突破因病灶语义类别有限所带来的限制，原因如下：第一，模型摆脱对含病灶影像的依赖，仅依靠正常影像便可以完成对模型的训练。第二，充分发挥数据量充足以及卷积网络特征学习能力强大的优势，让网络能够重构出高质量的正常图像，以不变应万变，真正实现所有异常影像的识别诊断。
为了掌握正常CT影像的分布状况，我们构造了一个图像补全网络G。该网络使用不完整的CT图像
Figure BDA0003376995340000071
以及完整的边缘图像Cgt作为输入。其中Igt为完整的CT影像，M为人工选择的遮罩区域。我们将CT影像均匀划分为5×5个子区域，在训练阶段，我们随机抽样一个子区域作为遮罩。网络返回图像Ipred来填充缺失区域，生成的图像具有与输入图像相同的分辨率：
Figure BDA0003376995340000072
网络是在联合损失函数上训练的，该损失函数包括差异损失(
Figure BDA0003376995340000073
损失)、对抗性损失、感知损失和风格损失。其中差异损失用于衡量原始图像Igt和生成图像Ipred的差异。对抗损失函数的定义如下：
Figure BDA0003376995340000074
其中D是一个用于判断图像是否来源于生成网络G的判别网络，该损失函数的目的是确保生成的影像尽可能地逼真。此外，我们还使用了感知损失Lprec和风格损失Lstyle两个损失函数。其中Lprec通过衡量生成网络中，真实图像与生成图像图像激活图之间的距离来惩罚激活异常的样本。感知损失定义为：
Figure BDA0003376995340000075
其中φi是生成网络第i层的激活图。这些激活图还用于计算风格损失，它测量激活图协方差之间的差异。给定大小为Cj×Hj×Wj的特征图，样式损失由下式计算；
Figure BDA0003376995340000081
其中
Figure BDA0003376995340000082
是由激活图φj构造的Cj×HjGram矩阵。该损失函数是用于减少生成图像中“棋盘”伪影的有效工具。整体的损失如下所示：
Figure BDA0003376995340000083
其中
Figure BDA0003376995340000084
λadv，λp，λs用于控制不同损失函数间的比例。
在网络的测试阶段，针对一张CT图像，我们依次为每一个CT子区域生成其对应的正常图像，若该区域存在病灶，则生成图像与原始图像相比将会存在巨大的差异，我们此时可以通过影像的差值来对这部分区域是否包含异常进行确认。
本发明将基于大规模的医疗影像数据，对脑部医学影像诊断算法展开研究，本发明所关注的关键问题主要有两个方面：
一、数据层面：现阶段深度学习模型的开发依赖于大规模高质量的标注数据，不同于其它类型的数据，医疗影像数据的标注需要依赖医生多年的专业知识，因此标注过程复杂，工作量巨大，会耗费大量的人力、物力和财力。现阶段的研究有着许多的替代标注方案，例如，影像数据有其所对应的诊断报告，可以从中提炼关键词作为该条影像的标注信息，然而这样得到的标注在精细度和准确读上都存在着问题，基于此类标注训练得到的模型难以保证其精度。我国是一个人口大国，拥有大量的医疗影像数据，如何在实现大规模数据高效标注的同时，充分利用数据中的有价值信息，提升模型的分析性能，是本发明所要考虑的问题。
二、算法层面：以医疗影像分析中最常见的疾病识别为例，医疗影像所能呈现出的疾病种类极其多样，若想要让模型实现临床可用的诊断效果，则要求它像医生一样，对任何一种异常征象做出反应。现阶段的解决思路是针对不同种类的疾病，收集其相应的样本作为开发模型用的训练数据。而基于这样的算法思路，是难以开发出真正临床可用的诊断模型的。首先，部分罕见疾病的样本难以收集，导致为其开发特定的模型十分困难。其次，若针对每一种疾病都要进行数据收集，则待收集的数据量将呈几何倍数的增加，开发成本极高。如何有效保证影像分析算法在疾病种类上的泛化性，实现与临床医生相似的决策能力，同样是本发明所要考虑的问题。
本发明将从医疗影像分析面临的上述两大挑战数据标注质量低、算法可识别语义种类少--着手，设计相应算法突破瓶颈。发明将通过单类别生成学习的方法，基于大规模无病灶医学影像，学习其分布规律，进而将包含病灶的影像作为离群点进行检出。该算法将摆脱当前影像分析模型训练过程中，对特定疾病的数据依赖，从而降低了模型的开发难度，增加了模型的可分析疾病种类，为实现真正临床可用的分析模型打下了基础。
系统实施例
根据本发明实施例，提供了一种医学影像诊断系统，图3是本发明实施例的医学影像诊断系统的示意图，如图3所示，具体包括：
获取模块310：获取无病灶医学影像数据；
卷积网络模块320：建立无病灶医学影像局部重构成的卷积网络；
卷积网络模:320具体用于：将无病灶医学影像局部挖空，根据挖空部分的上下文信息以及整张图的纹理信息来重构局部挖空影像，建立无病灶医学影像局部重构成的卷积网络，卷积网络使用联合损失函数训练。
医学影像模块330：获取医学影像；
分割处理模块340：根据无病灶医学影像数据建立将医学影像模块获取的医学影像分割成多个部分，处理成多个缺失某个部分的医学图像；
重构模块350：将所述多个缺失某个部分的医学图像输入所述卷积网络进行重构，得到多个某个部分的重构图像；
拼接模块360：将多个某个部分的重构图像拼接成完整无病灶影像；
判断模块370：将完整无病灶影像与医学影像模块获取的医学影像比较，判断病灶点。
将完整无病灶影像与医学影像模块获取的医学影像比较，得到像素差值，根据像素差值判断病灶点。
本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
装置实施例一
本发明实施例提供一种医学影像诊断装置，如图4所示，包括：存储器40、处理器42及存储在存储器40上并可在处理器42上运行的计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
装置实施例二
本发明实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有信息传输的实现程序，程序被处理器42执行时实现上述方法实施例中的步骤。
本实施例所述计算机可读存储介质包括但不限于为：ROM、RAM、磁盘或光盘等。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替本发明各实施例技术方案，并不使相应技术方案的本质脱离本方案的范围。

Claims (10)

1.一种医学影像诊断方法，其特征在于，包括，
S1、获取无病灶医学影像数据；
S2、根据所述无病灶医学影像数据建立无病灶医学影像局部重构的卷积网络；
S3、获取医学影像；
S4、将S3获取的医学影像分割成多个部分，处理成多个缺失某个部分的医学图像；
S5、将所述多个缺失某个部分的医学图像输入所述卷积网络进行重构，得到多个某个部分的重构图像；
S6、将所述多个某个部分的重构图像拼接成完整无病灶影像；
S7、将所述完整无病灶影像与所述S3获取的医学影像比较，判断病灶点。
2.根据权利要求1所述的方法，其特征在于，所述S2具体包括：将无病灶医学影像局部挖空，根据挖空部分的上下文信息以及整张图的纹理信息来重构局部挖空影像，建立无病灶医学影像局部重构成的卷积网络。
3.根据权利要求2所述的方法，其特征在于，所述S2具体包括：将无病灶医学影像局部挖空，根据挖空部分的上下文信息以及整张图的纹理信息来重构局部挖空影像，建立无病灶医学影像局部重构成的卷积网络，所述卷积网络使用联合损失函数训练。
4.根据权利要求3所述的方法，其特征在于，所述S7具体包括：将所述完整无病灶影像与所述S3获取的医学影像比较，得到像素差值，根据像素差值判断病灶点。
5.一种医学影像诊断系统，其特征在于，包括：
获取模块：获取无病灶医学影像数据；
卷积网络模块，根据所述无病灶医学影像数据建立无病灶医学影像局部重构的卷积网络；
医学影像模块：获取医学影像；
分割处理模块：将医学影像模块获取的医学影像分割成多个部分，处理成多个缺失某个部分的医学图像；
重构模块：将所述多个缺失某个部分的医学图像输入所述卷积网络进行重构，得到多个某个部分的重构图像；
拼接模块：将所述多个某个部分的重构图像拼接成完整无病灶影像；
判断模块：将所述完整无病灶影像与所述医学影像模块获取的医学影像比较，判断病灶点。
6.根据权利要求5所述的系统，其特征在于，卷积网络模块具体用于：将无病灶医学影像局部挖空，根据挖空部分的上下文信息以及整张图的纹理信息来重构局部挖空影像，建立无病灶医学影像局部重构成的卷积网络。
7.根据权利要求6所述的系统，其特征在于，卷积网络模块具体用于：将无病灶医学影像局部挖空，根据挖空部分的上下文信息以及整张图的纹理信息来重构该部分影像，建立无病灶医学影像局部重构成的卷积网络，所述卷积网络使用联合损失函数训练。
8.根据权利要求7所述的系统，其特征在于，判断模块具体用于：将所述完整无病灶影像与所述医学影像模块获取的医学影像比较，得到像素差值，根据像素差值判断病灶点。
9.一种医学影像诊断装置，其特征在于，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，所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的医学影像诊断方法的步骤。
10.一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上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至4中任一项所述的医学影像诊断方法的步骤。
CN202111420093.XA 2021-11-26 2021-11-26 医学影像诊断方法、系统及装置 Active CN114005514B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111420093.XA CN114005514B (zh) 2021-11-26 2021-11-26 医学影像诊断方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111420093.XA CN114005514B (zh) 2021-11-26 2021-11-26 医学影像诊断方法、系统及装置

Publications (2)

Publication Number Publication Date
CN114005514A CN114005514A (zh) 2022-02-01
CN114005514B true CN114005514B (zh) 2022-07-29

Family

ID=79930553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111420093.XA Active CN114005514B (zh) 2021-11-26 2021-11-26 医学影像诊断方法、系统及装置

Country Status (1)

Country Link
CN (1) CN114005514B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187600B (zh) * 2022-09-13 2022-12-09 杭州涿溪脑与智能研究所 一种基于神经网络的脑部出血体积计算方法
CN116342859B (zh) * 2023-05-30 2023-08-18 安徽医科大学第一附属医院 一种基于影像学特征识别肺部肿瘤区域的方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011232983A (ja) * 2010-04-28 2011-11-17 Panasonic Corp 遮蔽物除去表示装置
CN108665509A (zh) * 2018-05-10 2018-10-16 广东工业大学 一种超分辨率重构方法、装置、设备及可读存储介质
CN108961217A (zh) * 2018-06-08 2018-12-07 南京大学 一种基于正例训练的表面缺陷检测方法
CN110610453A (zh) * 2019-09-02 2019-12-24 腾讯科技（深圳）有限公司 一种图像处理方法、装置及计算机可读存储介质
CN113096117A (zh) * 2021-04-29 2021-07-09 中南大学湘雅医院 异位骨化ct图像分割方法、三维重建方法、装置
CN113129272A (zh) * 2021-03-30 2021-07-16 广东省科学院智能制造研究所 一种基于去噪卷积自编码器的缺陷检测方法及装置
CN113256602A (zh) * 2021-06-10 2021-08-13 中科云尚(南京)智能技术有限公司 一种基于自编码器的无监督风机叶片缺陷检测方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796637A (zh) * 2019-09-29 2020-02-14 郑州金惠计算机系统工程有限公司 图像缺陷检测模型的训练、测试方法、装置及存储介质
CN111402197B (zh) * 2020-02-09 2023-06-16 西安工程大学 一种针对色织物裁片缺陷区域的检测方法
CN111445484B (zh) * 2020-04-01 2022-08-02 华中科技大学 一种基于图像级标注的工业图像异常区域像素级分割方法
CN112581463B (zh) * 2020-12-25 2024-02-27 北京百度网讯科技有限公司 图像缺陷的检测方法、装置、电子设备、存储介质及产品
CN112801895B (zh) * 2021-01-15 2022-10-14 南京邮电大学 一种基于二阶段注意力机制gan网络图像修复算法
CN112862799A (zh) * 2021-02-24 2021-05-28 上海交通大学 基于图像属性恢复的图像异常检测方法和系统
CN113052831B (zh) * 2021-04-14 2024-04-23 清华大学 脑部医学影像异常检测方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011232983A (ja) * 2010-04-28 2011-11-17 Panasonic Corp 遮蔽物除去表示装置
CN108665509A (zh) * 2018-05-10 2018-10-16 广东工业大学 一种超分辨率重构方法、装置、设备及可读存储介质
CN108961217A (zh) * 2018-06-08 2018-12-07 南京大学 一种基于正例训练的表面缺陷检测方法
CN110610453A (zh) * 2019-09-02 2019-12-24 腾讯科技（深圳）有限公司 一种图像处理方法、装置及计算机可读存储介质
CN113129272A (zh) * 2021-03-30 2021-07-16 广东省科学院智能制造研究所 一种基于去噪卷积自编码器的缺陷检测方法及装置
CN113096117A (zh) * 2021-04-29 2021-07-09 中南大学湘雅医院 异位骨化ct图像分割方法、三维重建方法、装置
CN113256602A (zh) * 2021-06-10 2021-08-13 中科云尚(南京)智能技术有限公司 一种基于自编码器的无监督风机叶片缺陷检测方法及系统

Also Published As

Publication number Publication date
CN114005514A (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
WO2023077603A1 (zh) 一种异常脑连接预测系统、方法、装置及可读存储介质
CN114005514B (zh) 医学影像诊断方法、系统及装置
US20230342918A1 (en) Image-driven brain atlas construction method, apparatus, device and storage medium
WO2020103683A1 (zh) 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和系统
US11693071B2 (en) Systems and methods for mapping neuronal circuitry and clinical applications thereof
CN110717905B (zh) 脑部图像检测方法、计算机设备和存储介质
CN117172294B (zh) 一种稀疏脑网络的构建方法、系统、设备和存储介质
CN115423754A (zh) 一种图像分类方法、装置、设备及存储介质
CN111861989A (zh) 一种脑中线检测方法、系统、终端及存储介质
CN115272295A (zh) 基于时域-空域联合状态的动态脑功能网络分析方法及系统
WO2021184195A1 (zh) 医学图像重建方法、医学图像重建网络训练方法和装置
CN115830017A (zh) 基于图文多模态融合的肿瘤检测系统、方法、设备及介质
Tobin et al. Using a patient image archive to diagnose retinopathy
CN116863221A (zh) 一种基于cnn与注意力机制的阿尔兹海默症分类方法
CN116703850A (zh) 基于领域自适应的医学图像分割方法
CN116597214A (zh) 基于多模态超图注意网络的阿尔茨海默症分类方法及系统
CN115965785A (zh) 图像分割方法、装置、设备、程序产品及介质
CN113283465B (zh) 一种弥散张量成像数据分析方法及装置
CN114266738A (zh) 轻度脑损伤磁共振影像数据的纵向分析方法及系统
CN115409812A (zh) 一种基于融合时间注意机制的ct图像自动分类方法
CN114926396A (zh) 一种精神障碍类磁共振图像初步筛查模型构建方法
CN112967246A (zh) 用于临床决策支持系统的x射线影像辅助装置及方法
CN113796850A (zh) 甲状旁腺mibi图像分析系统、计算机设备及存储介质
CN113786185A (zh) 一种基于卷积神经网络的静态脑网络特征提取方法和系统
CN112992358A (zh) 一种中医内科患者的康复情况评估系统及方法

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
GR01 Patent grant
GR01 Patent grant