CN114092479B - 一种医学图像评估方法及装置 - Google Patents

一种医学图像评估方法及装置 Download PDF

Info

Publication number
CN114092479B
CN114092479B CN202210070408.0A CN202210070408A CN114092479B CN 114092479 B CN114092479 B CN 114092479B CN 202210070408 A CN202210070408 A CN 202210070408A CN 114092479 B CN114092479 B CN 114092479B
Authority
CN
China
Prior art keywords
value
target
shape
target area
point
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
CN202210070408.0A
Other languages
English (en)
Other versions
CN114092479A (zh
Inventor
于红刚
姚理文
卢姿桦
张丽辉
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202210070408.0A priority Critical patent/CN114092479B/zh
Publication of CN114092479A publication Critical patent/CN114092479A/zh
Application granted granted Critical
Publication of CN114092479B publication Critical patent/CN114092479B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/30028—Colon; Small intestine
    • G06T2207/30032—Colon polyp
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请提供一种医学图像评估方法及装置，该方法首先对目标部位的初始医学图像进行分割，得到目标区域，再对目标区域进行处理，得到目标区域对应的第一形状表征值、第二形状表征值以及第三形状表征值，再根据第一形状表征值、第二形状表征值以及第三形状表征值，得到目标区域对应的病变系数，最后根据病变系数确定目标部位的评估结果，评估结果表征目标区域出现目标症状的概率。本申请中自动对目标部位的初始医学图像进行处理，得到初始医学图像中目标区域出现目标症状的概率，再根据出现目标症状的概率得到目标部位的评估结果，避免了依靠人工经验进行医学图像评估带来的误差，提高了医学图像评估结果的准确性。

Description

一种医学图像评估方法及装置
技术领域
本申请涉及医学图像处理领域，尤其涉及一种医学图像评估方法及装置。
背景技术
结直肠癌是临床最常见的恶性肿瘤之一，在全球范围内发病率位居所有恶性肿瘤的第3位，因此，结直肠癌的早期发现及评估显得尤为重要。
结直肠癌的发生机制主要有两种，一种是锯齿状息肉的癌变，另一种是良性息肉的癌变。锯齿状息肉病变的癌变风险高于一般的良性息肉，且病理诊断困难。因此，对于锯齿状息肉的早诊早治有助于预防结直肠癌的发生。传统的，针对结直肠息肉分类方面的研究主要集中在病理学诊断，由正置显微镜检查得到病理切片的医学图像，再由经验丰富的医生对医学图像进行分析，得到评估结果。由于医生经验不同，导致依靠人工对医学图像进行评估的结果也会不同，因此，利用传统的医学图像评估方法得到的评估结果准确性不高。
发明内容
本申请提供一种医学图像评估方法及装置，以提高医学图像评估结果的准确性。
一方面，本申请实施例提供了一种医学图像评估方法，包括：
对目标部位的初始医学图像进行分割，得到目标区域；
对目标区域进行处理，得到目标区域对应的第一形状表征值、第二形状表征值以及第三形状表征值，第一形状表征值与目标区域上各第一位置点对应的投影密度值相关，第二形状表征值与目标区域上各第一位置点对应的斜率值相关，第三形状表征值与目标区域上各第一位置点对应的目标距离差有关；
根据第一形状表征值、第二形状表征值以及第三形状表征值，得到目标区域对应的病变系数，病变系数表征目标区域出现目标症状的概率；
根据病变系数确定目标部位的评估结果。
可选地，在本申请一些可能的实现方式中，对目标区域进行处理，得到目标区域对应的第一形状表征值、第二形状表征值以及第三形状表征值的步骤，包括：
确定目标区域对应的最小外接矩形；
根据最小外接矩形，得到目标区域对应的第一形状表征值、第二形状表征值以及第三形状表征值。
可选地，在本申请一些可能的实现方式中，根据最小外接矩形，得到目标区域对应的第一形状表征值的步骤，包括：
通过目标区域上的各第一位置点对最小外接矩形对应的第一边和第二边分别做投影，得到对应的投影点。
根据投影点，得到第一边、第二边上各第二位置点的投影密度值；
根据投影密度阈值，过滤投影密度值中的第一投影密度值，得到第二投影密度值；
将第二投影密度值中投影密度最大值，确定为第一形状表征值。
可选地，在本申请一些可能的实现方式中，根据最小外接矩形，得到目标区域对应的第二形状表征值的步骤，包括：
过最小外接矩阵的中心点做第二边的平行线；
过目标区域上的各第一点位置点对平行线做垂线，得到各第一位置点对应的目标坐标点；
根据多个目标坐标点，得到目标曲线；
确定各目标坐标点在目标曲线上的斜率值；
根据斜率值，得到多个目标坐标点对应的斜率平均值；
将斜率平均值确定为第二形状表征值。
可选地，在本申请一些可能的实现方式中，根据最小外接矩形，得到目标区域对应的第三形状表征值的步骤，包括：
过最小外接矩阵的各第二位置点做第二边的垂线，分别得到与目标区域的第一交点与第二交点；
根据第一交点与第二交点，得到对应的第一距离与第二距离；
将第一距离与第二距离差的绝对值，确定为目标距离差；
将目标距离差的平均值，确定为第三形状表征值。
可选地，在本申请一些可能的实现方式中，对目标部位的初始医学图像进行分割，得到目标区域的步骤，包括：
通过神经网络模型对初始医学图像进行分割，得到目标区域。
可选地，在本申请一些可能的实现方式中，通过神经网络模型对初始医学图像进行分割，得到目标区域的步骤，包括：
通过神经网络模型对初始医学图像进行分割，得到原始目标区域；
对原始目标区域进行平滑处理，得到目标区域。
可选地，在本申请一些可能的实现方式中，根据第一形状表征值、第二形状表征值以及第三形状表征值，得到目标区域对应的病变系数的步骤，包括：
获取第一形状表征值对应的第一加权系数值，第二形状表征值对应的第二加权系数值，以及第三形状表征值对应的第三加权系数值；
根据第一形状表征值、第二形状表征值、第三形状表征值、第一加权系数值、第二加权系数值以及第三加权系数值，得到目标区域对应的病变系数。
可选地，在本申请一些可能的实现方式中，获取第一形状表征值对应的第一加权系数值，第二形状表征值对应的第二加权系数值，以及第三形状表征值对应的第三加权系数值的步骤，包括：
通过机器学习模型获取第一形状表征值对应的第一加权系数值，第二形状表征值对应的第二加权系数值，以及第三形状表征值对应的第三加权系数值。
一方面，本申请实施例提供了一种医学图像评估装置，包括：
分割模块，用于对目标部位的初始医学图像进行分割，得到目标区域；
处理模块，用于对目标区域进行处理，得到目标区域对应的第一形状表征值、第二形状表征值以及第三形状表征值，第一形状表征值与目标区域上各第一位置点对应的投影密度值相关，第二形状表征值与目标区域上各第一位置点对应的斜率值相关，第三形状表征值与目标区域上各第一位置点对应的目标距离差有关；
第一确定模块，用于根据第一形状表征值、第二形状表征值以及第三形状表征值，得到目标区域对应的病变系数，病变系数表征目标区域出现目标症状的概率；
第二确定模块，用于根据病变系数确定目标部位的评估结果。
相应的，本申请实施例提供了一种服务器，其包括处理器和存储器，存储器存储有多条指令，指令适于处理器进行加载，以执行上述医学图像评估方法中的步骤。
此外，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行上述医学图像评估方法中的步骤。
有益效果：本申请提供一种医学图像评估方法及装置，该方法可以自动对目标部位的初始医学图像进行处理，将初始医学图像进行分割，得到目标区域，再对目标区域分别进行处理，得到目标区域分别出现目标症状的概率，再根据出现目标症状的概率得到目标部位的评估结果，避免了依靠人工经验进行医学图像评估带来的误差，提高了医学图像评估结果的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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图像评估系统的场景示意图。
图2是本申请实施例提供的医学图像评估方法的第一种流程示意图。
图3是本申请实施例提供的医学图像评估方法的第二种流程示意图。
图4是本申请实施例提供的医学图像评估方法的第三种流程示意图。
图5是本申请实施例提供的医学图像评估方法的第四种流程示意图。
图6a是本申请实施例提供的目标区域上各第一位置点的投影示意图。
图6b是本申请实施例提供的目标区域上各第一位置点的目标坐标点示意图。
图6c是本申请实施例提供的目标区域上各第二位置点的目标距离差示意图。
图7是本申请实施例提供的医学图像评估装置的结构示意图。
图8是本申请实施例提供的服务器的结构示意图。
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，本领域技术人员在没有作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。
本申请说明书、权利要求书和附图中出现的术语“包括”和“具有”以及它们任何变形，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，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。此外，术语“第一”、“第二”和“第三”等是用于区别不同的对象，而非用于描述特定的顺序。
本申请实施例提供一种义序额图像评估方法及装置。其中，该图像处理装置可以集成在电子设备中，该电子设备可以是服务器，也可以是终端等设备，其中，该终端可以包括平板电脑、笔记本电脑、个人计算（PC，Personal Computer）、微型处理盒子、或者其他设备等。
在本申请中，目标部位为需要进行医学检测的部位，包括但不局限于肠道，目标区域包括但是局限于腺腔，目标区域可以为一个，也可以为多个，在此不做限定。
本申请的主要目的是，在结直肠的病理切片下鉴别锯齿状息肉和其他的息肉，从而实现锯齿状息肉的早期发现和早期治疗。
本申请中，医学图像采集设备可以是连接计算机的正置显微镜等医学图像采集设备。
在本申请中，第一边为目标区域对应的最小外接矩形的短边，第二边为目标区域对应的最小外接矩形的长边。
请参阅图1，图1为本申请实施例提供的医学图像评估系统的场景示意图，该系统可以包括数据库13、服务器11以及医学图像采集设备12，数据库13与服务器11之间、服务器11与医学图像采集设备12之间通过无线网络或有线网络进行数据交互，其中：
数据库13可以是本地数据库和/或远程数据库等。
服务器11本地服务器和/或远程服务器等。
服务器11将来自医学图像采集设备12或者数据库13中的初始医学图像进行分割，得到目标区域，服务器11再对目标区域进行处理，得到目标区域对应的第一形状表征值、第二形状表征值以及第三形状表征值，服务器再根据第一形状表征值、第二形状表征值以及第三形状表征值，得到目标区域对应的病变系数，病变系数表征对应的目标区域出现目标症状的概率，最后，服务器11根据病变系数确定目标部位的评估结果。
需要说明的是，图1所示的医学图像评估场景示意图仅仅是一个示例，本申请实施例描述的医学图像采集设备、数据库、服务器以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
请参阅图2，图2是本申请实施例提供的医学图像评估方法的第一种流程示意图，应用于上述服务器，该医学图像评估方法包括以下步骤：
201：对目标部位的初始医学图像进行分割，得到目标区域。
在本申请中，目标部位为需要进行医学检测的部位，包括但不局限于肠道。由于结直肠发生病变的主要有两种息肉，一种是锯齿状腺息肉，另一种是良性息肉，锯齿状息肉的癌变风险远高于良性息肉。因此，本申请中主要针对结直肠息肉是锯齿状病变的概率进行评估。初始医学图像为结直肠息肉的病理图像，目标区域包括结直肠息肉的腺腔，目标区域可以为一个，也可以为多个，在此不做限定。
以目标部位为肠道进行说明，将肠道的初始医学图像进行分割，得到肠道中的腺腔，腺腔可以是一个，也可以是多个。
在一种实施例中，通过神经网络模型对初始医学图像进行分割，得到目标区域。
具体的神经网络模型在此不进行限定，只要能实现上述中的图像分割的模型即可。
在一种实施例中，通过神经网络模型对初始医学图像进行分割，得到目标区域的步骤，包括：通过神经网络模型对初始医学图像进行分割，得到原始目标区域；对原始目标区域进行平滑处理，得到目标区域。
由于利用神经网络模型对原始医学图像进行分割，得到的原始腺腔有凹凸不平的结构，该凹凸不平的结构会影响之后的评估结果，因此需要对原始腺腔做平滑处理，避免因腺腔的不平对评估结果造成影响。
202:对目标区域进行处理，得到目标区域对应的第一形状表征值、第二形状表征值以及第三形状表征值。
在本申请中，第一形状表征值与目标区域上各第一位置点对应的投影密度值相关，第二形状表征值与目标区域上各第一位置点对应的斜率值相关，第三形状表征值与目标区域上各第一位置点对应的目标距离差有关。
在一种实施中，对目标区域进行处理，得到目标区域对应的第一形状表征值、第二形状表征值以及第三形状表征值的步骤，包括：确定目标区域对应的最小外接矩形；根据最小外接矩形，得到目标区域对应的第一形状表征值、第二形状表征值以及第三形状表征值。
如图3所示为本申请实施例提供的第二种流程示意图，根据最小外接矩形，得到目标区域对应的第一形状表征值的步骤，包括：
步骤301：通过目标区域上的各第一位置点对最小外接矩形对应的第一边和第二边分别做投影，得到对应的投影点。
以下内容为例进行说明，如图6a所示，矩形ABCD为腺腔的最小外接矩形，其中，边AC和BD为矩形的第一边，边AB和CD为矩形的第二边，假设点1和点2位腺腔上的第一位置点，第一位置点对最小外接矩形ABCD的第一边的任意一条边做投影，向第二边的任意一条边做投影。如图6a中，过点1向边AB做投影，交矩形于点T1，过点1向边BD做投影，交矩形于点T1；同样的，过点2向边AC做投影，交矩形于点T3，过点1向边CD做投影，交矩形于点T4，其中，T1、T2、T3、T4为对应的第一边或第二边的第二位置点。
步骤302：根据投影点，得到第一边、第二边上各第二位置点的投影密度值。
由以上步骤得到了腺腔上各第一位置点对应的投影点，再根据投影点，得到第一边，以及第二边上各第二位置点的投影密度值。
从图6a中可以看出，过点1向边AB的投影线与腺腔有2个交点（包括自身点），则对应的第二位置点T1的投影密度值为2；同样的，过点1向边BD的投影线与腺腔有3个点（包括自身点），则对应的第二位置点T2的投影密度值为3；过点2向边AC的投影线与腺腔有1个点（包括自身点），则对应的第二位置点T3的投影密度值为1；过点2向边CD的投影线与腺腔有2个点（包括自身点），则对应的第二位置点T4的投影密度值为2。依次类推就可以得到第一边、以及第二边上各第二位置点的投影密度值。
步骤303：根据投影密度阈值，过滤投影密度值中的第一投影密度值，得到第二投影密度值。
投影密度阈值可以为1，也可以为2，在此不做限定，在实际中将投影密度值为1和2的投影密度值。以投影密度阈值为2为例，过滤掉投影密度值中小于或等于2的投影密度值，得到第二投影密度值。
步骤304：将第二投影密度值中投影密度最大值，确定为第一形状表征值。
若第二投影密度值中最大值T等于4，则第一形状表征值为4。
如图4所示为本申请实施例提供的第三种流程示意图，根据最小外接矩形，得到目标区域对应的第二形状表征值的步骤，包括：
步骤401：过最小外接矩阵的中心点做第二边的平行线。
如图6b所示，过最小外接矩形ABCD的中心点做平行线。
步骤402：过目标区域上的各第一点位置点对平行线做垂线，得到各第一位置点对应的目标坐标点。
假设，点1和点3位腺腔上的两个第一位置点，过点1做平行线的垂线，交X轴于点T5，点1到平行线的距离为L1，则对应的点1的目标坐标点2为（T5，L1），同样的，过点3做平行线的垂线，交X轴于点T6，点1到平行线的距离为L2，则对应的点2的目标坐标点2为（T6，L2），以此类推，可以得到各第一位置点对应的目标坐标点。
步骤403：根据多个目标坐标点，得到目标曲线。
可以根据曲线方法，根据以上得到的多个目标坐标点，得到目标曲线。
步骤404：确定各目标坐标点在目标曲线上的斜率值。
以上步骤得到了目标曲线，再根据目标曲线确定各目标坐标点在目标曲线上的斜率值。
步骤405：根据斜率值，得到多个目标坐标点对应的斜率平均值。
假设，一共有6个目标坐标点，实际情况有很多个目标坐标点，在此为方便说明，目标坐标点1对应的斜率为k1，目标坐标点2对应的斜率为k2，目标坐标点3对应的斜率为k3，目标坐标点4对应的斜率为k4，目标坐标点5对应的斜率为k5，目标坐标点6对应的斜率为k6，则对应的斜率平均值K=（k1+k2+k3+k4+k5+k6）/6。
步骤406：将斜率平均值确定为第二形状表征值。
上述步骤中得到了斜率平均值K，则第二形状表征值为K。
如图5所示为本申请实施例提供的第四种流程示意图，根据最小外接矩形，得到目标区域对应的第三形状表征值的步骤，包括：
步骤501：过最小外接矩阵的各第二位置点做第二边的垂线，分别得到与目标区域的第一交点与第二交点。
以下内容为例进行说明，如图6c所示，假设点4和点5为第二位置点，分别过点4和点5向第二边做垂线，过点4的垂线与目标区域分别相交于点E和点F，过点5的垂线与目标区域分别相较于点G和点H。
步骤502：根据第一交点与第二交点，得到对应的第一距离与第二距离。
取该交点与最近的第二边的距离，例如与交点E最近的第二边为边AB，则交点E对应的第一距离为LE，与交点F最近的第二边为边CD，则交点F对应的第二距离为LF，同样的，与交点G最近的第二边为边AB，则交点E对应的第一距离为LG，与交点H最近的第二边为边CD，则交点F对应的第二距离为LH。
步骤503：将第一距离与第二距离差的绝对值，确定为目标距离差。
以上步骤得到了各第二位置点对应的第一距离和第二距离，将第一距离与第一距离之差的绝对值，确定为该第二位置点对应的目标距离差，即：点4对应的目标距离差为|LE-LF|,点5对应的目标距离差为|LG-LH|。以此类推，可以得到各第二位置点对应的目标距离差。
步骤504：将目标距离差的平均值，确定为第三形状表征值。
将上述得到的各目标距离差的平均值L确定为第三形状表征值。
203:根据第一形状表征值、第二形状表征值以及第三形状表征值，得到目标区域分别对应的病变系数。
在一种实施例中，根据第一形状表征值、第二形状表征值以及第三形状表征值，得到目标区域对应的病变系数的步骤，包括：获取第一形状表征值对应的第一加权系数值，第二形状表征值对应的第二加权系数值，以及第三形状表征值对应的第三加权系数值；根据第一形状表征值、第二形状表征值、第三形状表征值、第一加权系数值、第二加权系数值以及第三加权系数值，得到目标区域对应的病变系数。
病变系数的表征目标区域出现目标症状概率的大小，例如病变系数越大则表示对应的目标区域有癌变的概率会越大，其中，病变系数P的计算公式可以为：P=λ1T+λ2K+λ3L，其中，λ1为第一形状表征值对应的第一加权系数值，T为第一形状表征值，λ2为第二形状表征值对应的第二加权系数值，K为第二形状表征值，λ3为第三形状表征值对应的第三加权系数值，L为第三形状表征值。
在一种实施例中，获取第一形状表征值对应的第一加权系数值，第二形状表征值对应的第二加权系数值，以及第三形状表征值对应的第三加权系数值的步骤，包括：通过机器学习模型获取第一形状表征值对应的第一加权系数值，第二形状表征值对应的第二加权系数值，以及第三形状表征值对应的第三加权系数值。
204：根据病变系数确定目标部位的评估结果。
由于病变系数表征目标区域发生目标症状的概率大小，相应的，目标部位的目标区域发生目标症状概率越大，目标部位患病的可能性就越大。
在一种实施例中，根据病变系数确定目标部位的评估结果的步骤，包括：基于预设评估列表，根据病变系数确定目标部位的评估结果。
如表1所示的风险评估对照表，可根据病变系数，得到对应的患病风险等级，即目标部位的评估结果。根据病变系数得的目标部位的评估结果方法在此不做限定，表1只是其中一个示例。
表1 风险评估对照表
Figure 38418DEST_PATH_IMAGE001
本申请提供一种医学图像评估方法，该方法首先对目标部位的初始医学图像进行分割，得到目标区域，再对目标区域进行处理，得到目标区域对应的第一形状表征值、第二形状表征值以及第三形状表征值，再根据第一形状表征值、第二形状表征值以及第三形状表征值，得到目标区域对应的病变系数，最后根据病变系数确定目标部位的评估结果，评估结果表征目标区域出现目标症状的概率。本申请中自动对目标部位的初始医学图像进行处理，得到初始医学图像中目标区域出现目标症状的概率，再根据出现目标症状的概率得到目标部位的评估结果，避免了依靠人工经验进行医学图像评估带来的误差。且本申请中对结直肠息肉的形态进行了分析，利用形态特性得出结直肠息肉是否发生是锯齿状病变的可能性，因此提高了医学图像评估结果的准确性。
为便于更好的实施本申请实施例提供的医学图像评估方法，本申请实施例还提供一种基于上述医学图像评估方法的装置。其中名词的含义与上述图像处理方法中相同，具体实现细节可以参考方法实施例中的说明。
请参阅图7，图7为本申请实施例提供的医学图像评估装置的结构示意图，其中，该医学图像评估装置可以包括：
分割模块701，用于对目标部位的初始医学图像进行分割，得到目标区域；
处理模块702，用于对目标区域进行处理，得到目标区域对应的第一形状表征值、第二形状表征值以及第三形状表征值，第一形状表征值与目标区域上各第一位置点对应的投影密度值相关，第二形状表征值与目标区域上各第一位置点对应的斜率值相关，第三形状表征值与目标区域上各第一位置点对应的目标距离差有关；
第一确定模块703，用于根据第一形状表征值、第二形状表征值以及第三形状表征值，得到目标区域对应的病变系数，病变系数表征目标区域出现目标症状的概率；
第二确定模块704，用于根据病变系数确定目标部位的评估结果。
本申请实施例还提供一种服务器，如图8所示，为本申请实施例提供的服务器的结构示意图，具体来讲：
该服务器包括一个或者一个以上处理核心的处理器801、一个或一个以上计算机可读存储介质的存储器802、电源804和输入单元803等部件。本领域技术人员可以理解，图8中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器801是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器802内的软件程序和/或模块，以及调用存储在存储器802内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。可选的，处理器801可包括一个或多个处理核心；优选的，处理器801可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器801中。
存储器802可用于存储软件程序以及模块，处理器801通过运行存储在存储器802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。存储器802可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器802还可以包括存储器控制器，以提供处理器801对存储器802的访问。
服务器还包括给各个部件供电的电源804，优选的，电源804可以通过电源管理系统与处理器801逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源804还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该服务器还可包括输入单元803，该输入单元803可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，服务器还可以包括显示处理器等，在此不再赘述。具体在本实施例中，服务器中的处理器801会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器802中，并由处理器801来运行存储在存储器802中的应用程序，从而实现各种功能，如下：
对目标部位的初始医学图像进行分割，得到目标区域；
对目标区域进行处理，得到目标区域对应的第一形状表征值、第二形状表征值以及第三形状表征值，第一形状表征值与目标区域上各第一位置点对应的投影密度值相关，第二形状表征值与目标区域上各第一位置点对应的斜率值相关，第三形状表征值与目标区域上各第一位置点对应的目标距离差有关；
根据第一形状表征值、第二形状表征值以及第三形状表征值，得到目标区域对应的病变系数，病变系数表征目标区域出现目标症状的概率；
根据病变系数确定目标部位的评估结果。
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的部分，可以参见上文针对视频分类方法的详细描述，此处不再赘述。
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可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种医学图像评估方法中的步骤。例如，该指令可以执行如下步骤：
对目标部位的初始医学图像进行分割，得到目标区域；
对目标区域进行处理，得到目标区域对应的第一形状表征值、第二形状表征值以及第三形状表征值，第一形状表征值与目标区域上各第一位置点对应的投影密度值相关，第二形状表征值与目标区域上各第一位置点对应的斜率值相关，第三形状表征值与目标区域上各第一位置点对应的目标距离差有关；
根据第一形状表征值、第二形状表征值以及第三形状表征值，得到目标区域对应的病变系数，病变系数表征目标区域出现目标症状的概率；
根据病变系数确定目标部位的评估结果。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取记忆体（RAM，Random Access Memory）、磁盘或光盘等。
由于该计算器可读存储介质中所存储的指令，可以执行本申请实施例所提供的任一种医学图像评估方法的步骤，因此，可以实现本申请实施例所提供的任一种医学图像评估方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
同时，本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。
以上对本申请实施例所提供的一种医学图像评估方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。

Claims (7)

1.一种医学图像评估方法，其特征在于，包括：
对目标部位的初始医学图像进行分割，得到目标区域；
对所述目标区域进行处理，得到所述目标区域对应的第一形状表征值、第二形状表征值以及第三形状表征值，所述第一形状表征值与所述目标区域上各第一位置点对应的投影密度值相关，所述第二形状表征值与所述目标区域上所述各第一位置点对应的斜率值相关，所述第三形状表征值与所述目标区域上所述各第一位置点对应的目标距离差有关；
根据所述第一形状表征值、所述第二形状表征值以及所述第三形状表征值，得到所述目标区域对应的病变系数，所述病变系数表征所述目标区域出现目标症状的概率；
根据所述病变系数确定所述目标部位的评估结果；
所述对所述目标区域进行处理，得到所述目标区域对应的第一形状表征值的步骤，包括：
确定所述目标区域对应的最小外接矩形；
根据所述各第一位置点在所述最小外接矩形上任意第一边和任意第二边对应的投影密度值，得到所述目标区域对应的第一形状表征值，所述投影密度值是所述各第一位置点到所述最小外接矩形的任意一边做投影时，投影线与所述目标区域交点的个数；
所述对所述目标区域进行处理，得到所述目标区域对应的第二形状表征值的步骤，包括：
过所述最小外接矩形的中心点做所述最小外接矩形的第二边的平行线；
过所述目标区域上的各所述第一位置点对所述平行线做垂线，得到各所述第一位置点对应的目标坐标点，所述目标坐标点的横坐标为对应的第一位置点的横坐标，所述目标坐标点的纵坐标为对应的第一位置点到所述平行线的垂直距离；
根据多个所述目标坐标点，得到目标曲线；
确定各所述目标坐标点在所述目标曲线上的斜率值；
根据所述斜率值，得到多个所述目标坐标点对应的斜率平均值；
将所述斜率平均值确定为所述第二形状表征值；
所述对所述目标区域进行处理，得到所述目标区域对应的第三形状表征值的步骤，包括：
过所述最小外接矩形的各第二位置点做所述第二边的垂线，分别得到与所述目标区域的第一交点与第二交点；
根据所述第一交点与所述第二交点，得到对应的第一距离与第二距离，所述第一距离为所述第一交点到最近的第二边的垂直距离，所述第二距离为所述第二交点到最近的第二边的垂直距离；
将所述第一距离与所述第二距离差的绝对值，确定为目标距离差；
将所述目标距离差的平均值，确定为所述第三形状表征值。
2.如权利要求1所述的医学图像评估方法，其特征在于，所述根据所述各第一位置点在所述最小外接矩形上对应的投影密度值，得到所述目标区域对应的第一形状表征值的步骤，包括：
通过所述目标区域上的各所述第一位置点对所述最小外接矩形对应的第一边和第二边分别做投影，得到对应的投影点；
根据所述投影点，得到所述第一边、所述第二边上各第二位置点的投影密度值；
根据投影密度阈值，过滤所述投影密度值中的第一投影密度值，得到第二投影密度值；
将所述第二投影密度值中投影密度最大值，确定为所述第一形状表征值。
3.如权利要求1所述的医学图像评估方法，其特征在于，所述对目标部位的初始医学图像进行分割，得到目标区域的步骤，包括：
通过神经网络模型对所述初始医学图像进行分割，得到所述目标区域。
4.如权利要求3所述的医学图像评估方法，其特征在于，所述通过神经网络模型对所述初始医学图像进行分割，得到所述目标区域的步骤，包括：
通过神经网络模型对所述初始医学图像进行分割，得到原始目标区域；
对所述原始目标区域进行平滑处理，得到所述目标区域。
5.如权利要求1所述的医学图像评估方法，其特征在于，所述根据所述第一形状表征值、所述第二形状表征值以及所述第三形状表征值，得到所述目标区域对应的病变系数的步骤，包括：
获取所述第一形状表征值对应的第一加权系数值，所述第二形状表征值对应的第二加权系数值，以及所述第三形状表征值对应的第三加权系数值；
根据所述第一形状表征值、第二形状表征值、第三形状表征值、第一加权系数值、第二加权系数值以及第三加权系数值，得到所述目标区域对应的病变系数。
6.如权利要求5所述的医学图像评估方法，其特征在于，所述获取所述第一形状表征值对应的第一加权系数值，所述第二形状表征值对应的第二加权系数值，以及所述第三形状表征值对应的第三加权系数值的步骤，包括：
通过机器学习模型获取所述第一形状表征值对应的第一加权系数值，所述第二形状表征值对应的第二加权系数值，以及所述第三形状表征值对应的第三加权系数值。
7.一种医学图像评估装置，其特征在于，包括：
分割模块，用于对目标部位的初始医学图像进行分割，得到目标区域；
处理模块，用于对所述目标区域进行处理，得到所述目标区域对应的第一形状表征值、第二形状表征值以及第三形状表征值，所述第一形状表征值与所述目标区域上各第一位置点对应的投影密度值相关，所述第二形状表征值与所述目标区域上所述各第一位置点对应的斜率值相关，所述第三形状表征值与所述目标区域上所述各第一位置点对应的目标距离差有关；
第一确定模块，用于根据所述第一形状表征值、所述第二形状表征值以及所述第三形状表征值，得到所述目标区域对应的病变系数，所述病变系数表征所述目标区域出现目标症状的概率；
第二确定模块，用于根据所述病变系数确定所述目标部位的评估结果；
所述处理模块具体用于：
确定所述目标区域对应的最小外接矩形；
根据所述各第一位置点在所述最小外接矩形上任意第一边和任意第二边对应的投影密度值，得到所述目标区域对应的第一形状表征值，所述投影密度值是所述各第一位置点到所述最小外接矩形的任意一边做投影时，投影线与所述目标区域交点的个数；
所述处理模块具体用于：
过所述最小外接矩形的中心点做所述最小外接矩形的第二边的平行线；
过所述目标区域上的各所述第一位置点对所述平行线做垂线，得到各所述第一位置点对应的目标坐标点，所述目标坐标点的横坐标为对应的第一位置点的横坐标，所述目标坐标点的纵坐标为对应的第一位置点到所述平行线的垂直距离；
根据多个所述目标坐标点，得到目标曲线；
确定各所述目标坐标点在所述目标曲线上的斜率值；
根据所述斜率值，得到多个所述目标坐标点对应的斜率平均值；
将所述斜率平均值确定为所述第二形状表征值；
所述处理模块具体用于：
用于过所述最小外接矩形的各第二位置点做所述第二边的垂线，分别得到与所述目标区域的第一交点与第二交点；
根据所述第一交点与所述第二交点，得到对应的第一距离与第二距离，所述第一距离为所述第一交点到最近的第二边的垂直距离，所述第二距离为所述第二交点到最近的第二边的垂直距离；
将所述第一距离与所述第二距离差的绝对值，确定为目标距离差；
将所述目标距离差的平均值，确定为所述第三形状表征值。
CN202210070408.0A 2022-01-21 2022-01-21 一种医学图像评估方法及装置 Active CN114092479B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210070408.0A CN114092479B (zh) 2022-01-21 2022-01-21 一种医学图像评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210070408.0A CN114092479B (zh) 2022-01-21 2022-01-21 一种医学图像评估方法及装置

Publications (2)

Publication Number Publication Date
CN114092479A CN114092479A (zh) 2022-02-25
CN114092479B true CN114092479B (zh) 2022-05-03

Family

ID=80308986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210070408.0A Active CN114092479B (zh) 2022-01-21 2022-01-21 一种医学图像评估方法及装置

Country Status (1)

Country Link
CN (1) CN114092479B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5072384A (en) * 1988-11-23 1991-12-10 Arch Development Corp. Method and system for automated computerized analysis of sizes of hearts and lungs in digital chest radiographs
WO2004005885A2 (en) * 2002-07-09 2004-01-15 Medispectra, Inc. Optimal windows for obtaining optical data for characterization of tissue samples
CN102585814A (zh) * 2012-01-10 2012-07-18 友瑞莱能金融服务有限公司 组织类型识别方法与装置
CN103295220A (zh) * 2013-01-10 2013-09-11 李海军 一种双目视觉技术在康复理疗系统中的应用方法
CN104574392A (zh) * 2014-12-30 2015-04-29 中国人民解放军第三军医大学第三附属医院 一种椎间盘图像的退行性变计算机自动分级方法
AU2015246139A1 (en) * 2011-03-24 2015-11-26 Anpac Bio-Medical Science Co., Ltd Micro-devices for disease detection
CN106446881A (zh) * 2016-07-29 2017-02-22 北京交通大学 从医疗化验单图像中提取化验结果信息的方法
CN109544526A (zh) * 2018-11-15 2019-03-29 首都医科大学附属北京友谊医院 一种慢性萎缩性胃炎图像识别系统、装置和方法
CN109670530A (zh) * 2018-11-15 2019-04-23 首都医科大学附属北京友谊医院 一种萎缩性胃炎图像识别模型的构建方法及其应用
CN112750121A (zh) * 2021-01-20 2021-05-04 赛维森(广州)医疗科技服务有限公司 用于病理玻片数字图像质量检测的系统及其方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5072384A (en) * 1988-11-23 1991-12-10 Arch Development Corp. Method and system for automated computerized analysis of sizes of hearts and lungs in digital chest radiographs
WO2004005885A2 (en) * 2002-07-09 2004-01-15 Medispectra, Inc. Optimal windows for obtaining optical data for characterization of tissue samples
AU2015246139A1 (en) * 2011-03-24 2015-11-26 Anpac Bio-Medical Science Co., Ltd Micro-devices for disease detection
CN102585814A (zh) * 2012-01-10 2012-07-18 友瑞莱能金融服务有限公司 组织类型识别方法与装置
CN103295220A (zh) * 2013-01-10 2013-09-11 李海军 一种双目视觉技术在康复理疗系统中的应用方法
CN104574392A (zh) * 2014-12-30 2015-04-29 中国人民解放军第三军医大学第三附属医院 一种椎间盘图像的退行性变计算机自动分级方法
CN106446881A (zh) * 2016-07-29 2017-02-22 北京交通大学 从医疗化验单图像中提取化验结果信息的方法
CN109544526A (zh) * 2018-11-15 2019-03-29 首都医科大学附属北京友谊医院 一种慢性萎缩性胃炎图像识别系统、装置和方法
CN109670530A (zh) * 2018-11-15 2019-04-23 首都医科大学附属北京友谊医院 一种萎缩性胃炎图像识别模型的构建方法及其应用
CN112750121A (zh) * 2021-01-20 2021-05-04 赛维森(广州)医疗科技服务有限公司 用于病理玻片数字图像质量检测的系统及其方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Quantitative MRI for analysis of peritumoral edema in malignant gliomas;Ida Blystad 等;《PLoS ONE 》;20170523;全文 *
The study of surgical image quality evaluation system by subjective quality factor method;Zhang 等;《PROCEEDINGS OF SPIE》;20161231;全文 *
一种基于补偿最小二乘的空间直线拟合算法;冯绍权 等;《测绘科学》;20190228;全文 *
图像分析技术在混凝土桥梁裂缝识别与计算中的应用;王道峰 等;《桥隧施工与机械》;20151231;全文 *

Also Published As

Publication number Publication date
CN114092479A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
Baumgartner et al. nnDetection: a self-configuring method for medical object detection
Li et al. Pulmonary nodule classification with deep convolutional neural networks on computed tomography images
US10235761B2 (en) Method and apparatus for segmenting object in image
US7869640B2 (en) Medical image processing apparatus and medical image processing method
US7480400B2 (en) Detection of fiber pathways
US7899514B1 (en) Medical image processing methodology for detection and discrimination of objects in tissue
Abbas et al. Computer‐aided pattern classification system for dermoscopy images
Zulfiqar et al. Abnormal respiratory sounds classification using deep CNN through artificial noise addition
Krishnapriya et al. Pre-trained deep learning models for brain MRI image classification
WO2022027821A1 (zh) 一种图像清晰度的确定方法及装置
JP5830295B2 (ja) 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム
TWI698225B (zh) 血管狀態評估方法與血管狀態評估裝置
CN101542525A (zh) 通过基于由k均值聚类初始化的强度直方图临界值设定的体素分类来进行3d分割
JPWO2016185617A1 (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
US20230420072A1 (en) Method and system for predicting response to immune checkpoint inhibitor
Le et al. Semi-automatic liver segmentation based on probabilistic models and anatomical constraints
WO2019201029A1 (zh) 备选框更新方法及装置
Ramadan et al. Saliency-guided automatic detection and segmentation of tumor in breast ultrasound images
TWI711051B (zh) 血管狀態評估方法與血管狀態評估裝置
CN114092479B (zh) 一种医学图像评估方法及装置
Tung et al. Identifying pathological slices of gastric cancer via deep learning
JP7240199B2 (ja) パラメータ決定方法、パラメータ決定装置、及びプログラム
Nida et al. A Novel Region‐Extreme Convolutional Neural Network for Melanoma Malignancy Recognition
WO2020257046A1 (en) Cardiac ultrasonic fingerprinting: an approach for highthroughput myocardial feature phenotyping
Doshi et al. Nailfold capillaroscopy pattern recognition using texture analysis

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