CN114298974A - 胎儿头mr影像智能诊断方法及系统 - Google Patents
胎儿头mr影像智能诊断方法及系统 Download PDFInfo
- Publication number
- CN114298974A CN114298974A CN202111465415.2A CN202111465415A CN114298974A CN 114298974 A CN114298974 A CN 114298974A CN 202111465415 A CN202111465415 A CN 202111465415A CN 114298974 A CN114298974 A CN 114298974A
- Authority
- CN
- China
- Prior art keywords
- image
- diagnosis
- module
- region
- segmentation
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 129
- 230000001605 fetal effect Effects 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000011218 segmentation Effects 0.000 claims abstract description 79
- 230000000007 visual effect Effects 0.000 claims abstract description 3
- 210000003754 fetus Anatomy 0.000 claims description 75
- 210000004556 brain Anatomy 0.000 claims description 61
- 210000002826 placenta Anatomy 0.000 claims description 32
- 210000001638 cerebellum Anatomy 0.000 claims description 30
- 230000002490 cerebral effect Effects 0.000 claims description 28
- 230000009467 reduction Effects 0.000 claims description 28
- 238000011161 development Methods 0.000 claims description 26
- 230000018109 developmental process Effects 0.000 claims description 26
- 210000003954 umbilical cord Anatomy 0.000 claims description 20
- 210000000877 corpus callosum Anatomy 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 230000003902 lesion Effects 0.000 claims description 9
- 210000004720 cerebrum Anatomy 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 2
- 238000002059 diagnostic imaging Methods 0.000 claims 2
- 210000003625 skull Anatomy 0.000 description 44
- 238000005259 measurement Methods 0.000 description 32
- 230000004641 brain development Effects 0.000 description 22
- 241000243684 Lumbricus Species 0.000 description 14
- 208000032170 Congenital Abnormalities Diseases 0.000 description 13
- 206010020649 Hyperkeratosis Diseases 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 12
- 210000005240 left ventricle Anatomy 0.000 description 12
- 210000005241 right ventricle Anatomy 0.000 description 12
- 230000002861 ventricular Effects 0.000 description 11
- 210000001767 medulla oblongata Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004804 winding Methods 0.000 description 8
- 206010058314 Dysplasia Diseases 0.000 description 6
- 210000000133 brain stem Anatomy 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000001356 surgical procedure Methods 0.000 description 6
- 210000004885 white matter Anatomy 0.000 description 6
- 229920000018 Callose Polymers 0.000 description 4
- 210000004227 basal ganglia Anatomy 0.000 description 4
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 4
- 230000003169 placental effect Effects 0.000 description 4
- 230000002980 postoperative effect Effects 0.000 description 4
- 210000002330 subarachnoid space Anatomy 0.000 description 4
- 238000002604 ultrasonography Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 210000003703 cisterna magna Anatomy 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000000609 ganglia Anatomy 0.000 description 2
- 210000004276 hyalin Anatomy 0.000 description 2
- 210000003140 lateral ventricle Anatomy 0.000 description 2
- 230000036244 malformation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 208000013747 Posterior fossa malformation Diseases 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 208000025423 central nervous system malformation Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000004141 microcephaly Diseases 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 208000030364 neural tube closure defect Diseases 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000011164 ossification Effects 0.000 description 1
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种胎儿头MR影像智能诊断方法，包括：从与检查项目相符的患者DICOM图像中提取预设置的图像序列；判断图像序列为T2WI的图像质量是否符合第一预设条件，若是，将T2WI的图像定义为第一图像；按照第一分割规则，将第一图像进行区域分割，并将第一图像进行校正；将校正后的第一图像定义为第二图像；基于第二分割规则，将第二图像进行区域分割；基于预设的一个或多个诊断类型及与该诊断类型对应区域的坐标数据，对第一图像或第二图像进行分析，自动生成每个诊断类型的诊断数据；影像结构化报告根据诊断数据生成诊断印象。本发明还公开了一种胎儿头MR影像智能诊断系统。本发明能够全面、迅速、智能的给出影像诊断数据，即时知晓重要的危险征象。
Description
技术领域
本发明涉及医疗信息领域，更具体地，涉及一种胎儿头MR影像智能诊断方法及系统。
背景技术
胎儿中枢神经系统畸形中常见的是神经管闭合缺陷、脑室扩大、小头畸形、胼胝体发育不全、后颅窝畸形和神经元移行异常等。孕早期通常依靠超声检出胎儿脑发育畸形。但超声对于胎儿脑实质显示欠清，对于一些中枢神经系统畸形的非特异性表现不易诊断，特别是在孕晚期由于胎儿颅骨骨化、胎头入盆，超声波难以穿透而不能满意显示，此时可使用胎儿MRI检查以弥补超声的不足。胎儿MRI检查的临床适应证是：胎龄18周之后，当超声发现可疑病变不能确定时，可使用胎儿MRI进一步检查。但是胎儿MRI在实际工作中的使用有一定限制，首先不同周龄胎儿的脑结构变化很大，要求诊断者有足够的经验，其次在评估脑发育时需要测量多个数据，耗时较长且重复性差。现有的诊断方法无法快速、准确的完成影像任务的诊断，影响医生的工作效率和质量，也会给医生造成重复的工作，不能即时检出重要的危险征象，耽误治疗的最佳时间。
发明内容
有鉴于此，本发明的主要目的在于提供一种胎儿头MR影像智能诊断方法及系统，能够解决现有技术中存在的不能全面、迅速、智能的给出影像诊断数据导致影像医生重复工作、不能即时知晓重要的危险征象耽误治疗的最佳时间的问题。
为达到上述目的，本发明的技术方案是这样实现的：
一方面，本发明提供了一种胎儿头MR影像智能诊断方法，包括：从与检查项目相符的患者DICOM图像中提取预设置的图像序列；判断所述图像序列为T2WI的图像质量是否符合第一预设条件，若是，将所述T2WI的图像定义为第一图像；按照第一分割规则，将所述第一图像进行区域分割，并将所述第一图像进行校正，输出校正后的所述第一图像及校正后的每个区域的坐标数据；将所述校正后的所述第一图像定义为第二图像；基于第二分割规则，将所述第二图像进行区域分割，输出每个区域的坐标数据；基于预设的一个或多个诊断类型及与该诊断类型对应区域的坐标数据，对所述第一图像或所述第二图像进行分析，自动生成每个所述诊断类型的诊断数据，按照第二预设条件将所述诊断数据发送到影像结构化报告中；所述影像结构化报告根据所述诊断数据生成诊断印象。
优选地，诊断数据为定性判断数据、定量判断数据、病灶区域图像、病灶区域坐标、关键图像、提示信息中的一种或多种。
优选地，在校正所述第一图像之前，该方法还包括：判断胎儿状态，若所述胎儿状态为减胎术后，则终止该患者的诊断流程。
优选地，在校正所述第一图像之前，该方法还包括：在所述第一图像上分割大脑镰区域，并输出所述大脑镰区域的坐标数据。
优选地，在分割所述第二图像之前，该方法还包括：判断所述图像序列为T2WI的图像扫描方向。
优选地，诊断类型包括：判断胎儿体位、分割脐带、分割胎盘、评估胎盘状态、测量颅脑、测量脑室、测量小脑轴位脑池、测量小脑结构、评估胼胝体发育、判断大脑发育畸形、评估胎龄。
另一方面，本发明还提供了一种胎儿头MR影像智能诊断系统，该系统包括：序列提取模块、图像质量判断模块、第一分割模块、第二分割模块、辅助诊断模块和结构化报告模块，其中，所述序列提取模块，与所述图像质量判断模块相连，用于从与检查项目相符的患者DICOM图像中提取预设置的图像序列；所述图像质量判断模块，分别与所述序列提取模块、所述第一分割模块、所述辅助诊断模块相连，用于判断所述图像序列为T2WI的图像质量是否符合第一预设条件，若是，将所述T2WI的图像定义为第一图像；所述第一分割模块，分别与所述图像质量判断模块、所述辅助诊断模块和所述第二分割模块相连，用于按照第一分割规则，将所述第一图像进行区域分割，并将所述第一图像进行校正，输出校正后的所述第一图像及校正后的每个区域的坐标数据；将所述校正后的所述第一图像定义为第二图像；所述第二分割模块，分别与所述第一分割模块、所述辅助诊断模块相连，用于基于第二分割规则，将所述第二图像进行区域分割，输出每个区域的坐标数据；所述辅助诊断模块，分别与所述图像质量判断模块、所述第一分割模块、所述第二分割模块和所述结构化报告模块相连，用于基于预设的一个或多个诊断类型及与该诊断类型对应区域的坐标数据，对所述第一图像或所述第二图像进行分析，自动生成每个所述诊断类型的诊断数据，按照第二预设条件将所述诊断数据发送到影像结构化报告中；所述结构化报告模块，与所述辅助诊断模块相连，用于根据所述诊断数据生成诊断印象。
优选地，诊断数据为定性判断数据、定量判断数据、病灶区域图像、病灶区域坐标、关键图像、提示信息中的一种或多种。
优选地，第一分割模块还包括第一判断单元，用于在校正所述第一图像之前，判断胎儿状态，若所述胎儿状态为减胎术后，则终止该患者的诊断流程。
优选地，第一分割模块还包括分区单元，用于在校正所述第一图像之前，在所述第一图像上分割大脑镰区域，并输出所述大脑镰区域的坐标数据。
优选地，第一分割模块还包括第二判断单元，用于在分割所述第二图像之前，判断所述图像序列为T2WI的图像扫描方向。
优选地，诊断类型包括：判断胎儿体位、分割脐带、分割胎盘、评估胎盘状态、测量颅脑、测量脑室、测量小脑轴位脑池、测量小脑结构、评估胼胝体发育、判断大脑发育畸形、评估胎龄。
本发明的技术效果：
本发明的方法将AI模型、影像组学模型和基于规则的程序应用于胎儿头MRI的诊断，得到胎儿头MRI智能诊断系统，将其接入PACS/RIS，可在图像采集完成后直接自动生成诊断提示信息，并将诊断数据自动传入结构化报告中，做出全面的定性、定量诊断，该方法还具备危急发现的预警和分诊功能，当自动检出重要的危险征象时，通过信息系统发出警告信息，以提示医生及时关注并实施救治措施。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了根据本发明实施例一的胎儿头MR影像智能诊断方法流程图；
图2示出了根据本发明实施例二的胎儿头MR影像智能诊断系统结构示意图；
图3示出了根据本发明实施例三的胎儿头MR影像智能诊断系统结构示意图；
图4示出了根据本发明实施例四的胎儿头MR影像智能诊断系统结构示意图；
图5示出了根据本发明实施例五的胎儿头MR影像智能诊断系统结构示意图。
具体实施方式
下面将参考附图并结合实施例，来详细说明本发明。
实施例一
图1示出了根据本发明实施例一的胎儿头MR影像智能诊断方法流程图；如图1所示，该方法包括以下步骤：
步骤S101，从与检查项目相符的患者DICOM图像中提取预设置的图像序列；
其中，与检查项目相符的患者DICOM图像为判断是否与RIS登记的检查项目相符。此过程使用的工具为程序和AI模型识别。输入患者DICOM，做出定性判断，如果与检查项目(胎儿头MR)相符，则从该患者DICOM图像中提取预设置的图像序列；如果与检查项目不相符，则中止AI诊断流程，并发送提示信息，由相关人员负责处理，并记录在数据库中。
其中，预设值的图像序列可以为：T2WI、T1WI、DWI、ADC、轴位定位像、矢状定位像、冠状定位像等。
其中，该步骤应用的工具是AI模型识别；输出序列性质、T2WI图像、T1WI图像、DWI图像、ADC图像、轴位定位图像、矢状定位图像、冠状定位图像。上述不同的图像用于后续不同AI功能模块的输入。
步骤S102，判断所述图像序列为T2WI的图像质量是否符合第一预设条件，若是，将所述T2WI的图像定义为第一图像；
识别T2WI图像质量是否合格，其中，第一预设条件可以为：扫描体位不正、范围不足、明显图像伪影、信噪比过低等。
如果判断图像质量合格，则图像可用于后续AI诊断流程，并将定性判断结果返回给结构化报告“技术评估(图像质量)”的相应控件。
如果判断T2WI图像质量不合格，则中止AI诊断流程，并将定性判断结果返回给结构化报告“技术评估(图像质量)”的相应控件。发送提示信息，由相关人员负责处理，并记录在数据库中。
步骤S103，按照第一分割规则，将所述第一图像进行区域分割，并将所述第一图像进行校正，输出校正后的所述第一图像及校正后的每个区域的坐标数据；将所述校正后的所述第一图像定义为第二图像；
其中，第一分割规则为在第一图像中分割出颅骨、颅腔，输出颅骨区域坐标数据、颅腔区域坐标数据、胎儿数量。
颅腔区域用于分割大脑镰的掩膜。
颅骨区域和颅腔区域用于校正脑部图像。
根据颅骨区域和颅腔区域计算胎儿数量，将定量结果返回给结构化报告“胎儿数量”的相应控件。
如果胎儿数量＝1，则将后续AI功能模块的诊断数据返回给结构化报告的相应控件。
如果胎儿数量>1，则将后续AI功能模块的诊断数据返回给结构化报告每一个胎儿的相应控件，如：“胎儿1：……”、“胎儿2：……”、……。
其中，在校正所述第一图像之前，该方法还包括：判断胎儿状态，若所述胎儿状态为减胎术后，则终止该患者的诊断流程。
该步骤使用的工具是AI模型识别，按照单个胎儿，对每个胎儿状态是否正常做出判断，分为非减胎术后、减胎术后。
过程如下：输入第一图像、颅骨区域坐标数据、颅腔区域坐标数据，输出定性判断，减胎，关键图像-减胎。如定性判断为“减胎术后”，则返回给结构化报告“整体评估：减胎术后”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的“关键图像”，不执行后续AI功能模块。如定性判断为“非减胎术后”，则不返回信息。继续执行后续AI功能模块。
其中，在校正所述第一图像之前，该方法还包括：在所述第一图像上分割大脑镰区域，并输出所述大脑镰区域的坐标数据。
该步骤使用的工具为AI模型识别，对于非减胎术后者，按的那个胎儿，分割大脑镰区域。输入第一图像，颅骨区域坐标数据、颅腔区域坐标数据，输出大脑镰区域的坐标数据，用于校正脑部图像。
校正头部图像的过程如下：
对于非减胎术后者，按单个胎儿，将每个胎儿的头部图像摆正，使大脑镰处于图像的正中矢状位。输入第一图像、大脑镰区域的坐标数据、颅骨区域坐标数据、颅腔区域坐标数据，输出校正后的头部T2WI图像、校正后的颅骨区域、校正后的颅腔区域、校正后的大脑镰区域。
将校正后的头部T2WI轴位图像用于后续图像识别。将校正后的颅骨区域、校正后的颅腔区域用于后续AI模型的掩膜。将校正后的颅骨区域、校正后的颅腔区域和校正后的大脑镰区域用于后续测量。
步骤S104，基于第二分割规则，将所述第二图像进行区域分割，输出每个区域的坐标数据；
其中，在分割所述第二图像之前，该方法还包括：判断所述图像序列为T2WI的图像扫描方向。该步骤用的工具为AI模型识别。对于非减胎术后者，按单个胎儿，对每个胎儿的T2WI图像进一步判断胎儿头部的扫描方向，分为：轴位、冠状位、矢状位和斜位。
输入第二图像、校正后的颅骨区域坐标数据、校正后的颅腔区域区域坐标数据、校正后的大脑镰区域坐标数据；输出校正后的头部T2WI轴位图像、校正后的头部T2WI冠状位图像、校正后的头部T2WI矢状位图像。
校正后的头部T2WI轴位图像用于脑围、脑双顶径、头围、颅骨双顶径、颅骨额枕径、侧脑室三角区径线和小脑横径等的测量。校正后的头部T2WI冠状位图像用于小脑半球横径等的测量。校正后的头部T2WI矢状位图像用于小脑蚓部上下径、前后径和截面积等的测量。
其中，第二分割规则为分割颅脑结构-轴位、颅脑结构-矢状位、颅脑结构-冠状位、脐带、胎盘，具体如下：分割工具都是AI模型识别：
分割颅脑结构-轴位：
对于非减胎术后者，按单个胎儿，在每个胎儿校正后的头部T2WI轴位图像(第二图像)中分割：蛛网膜下腔、皮质、白质、基底节、右侧脑室、左侧脑室、三脑室、四脑室、胼胝体、透明隔、脑干、小脑。输入第二图像、校正后的颅骨区域、校正后的颅腔区域；输出脑实质的不同区域，包括：蛛网膜下腔区域、皮质区域、白质区域、基底节区域、右侧脑室区域、左侧脑室区域、三脑室区域、四脑室区域、胼胝体区域、透明隔区域、脑干区域、小脑区域。
右侧脑室区域、左侧脑室区域、三脑室区域、四脑室区域、小脑区域用于后续脑结构测量。
皮质区域、白质区域、基底节区域、胼胝体区域、透明隔区域、脑干区域、小脑区域用于后续脑发育评估。
分割颅脑结构-矢状位：
对于非减胎术后者，按单个胎儿，在每个胎儿校正后的头部T2WI矢状位图像中分割：胼胝体、小脑延髓池、小脑上池和小脑蚓部。输入第二图像、校正后的颅骨区域、校正后的颅腔区域；输出胼胝体区域、小脑延髓池区域、小脑上池区域、小脑蚓部区域。
胼胝体区域用于后续胼胝体发育评估。
小脑延髓池区域、小脑上池区域、小脑蚓部区域用于后续脑结构测量。
分割颅脑结构-冠状位：
对于非减胎术后者，按单个胎儿，在每个胎儿校正后的头部T2WI冠状位图像中分割：小脑。输入校正后的头部T2WI冠状位图像、校正后的颅骨区域、校正后的颅腔区域；输出小脑区域，用于后续脑结构测量。
分割脐带：
对于非减胎术后者，按单个胎儿分割颈部脐带。输入第一图像，输出颈部脐带区域、脐带绕颈圈数、关键图像-脐带绕颈。
脐带绕颈圈数>＝1，则返回给结构化报告“脐带绕颈”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的“关键图像”。
如果脐带绕颈圈数>＝3，则发送提示信息，由相关人员负责处理，并记录在数据库中。
分割胎盘：
对于非减胎术后者，按单个胎儿分割胎盘。输入第一图像，输出胎盘区域，用于后续胎盘状态评估。
步骤S105，基于预设的一个或多个诊断类型及与该诊断类型对应区域的坐标数据，对所述第一图像或所述第二图像进行分析，自动生成每个所述诊断类型的诊断数据，按照第二预设条件将所述诊断数据发送到影像结构化报告中；
其中，诊断数据为定性判断数据、定量判断数据、病灶区域图像、病灶区域坐标、关键图像、提示信息中的一种或多种。
其中，诊断类型包括：判断胎儿体位、分割脐带、分割胎盘、评估胎盘状态、测量颅脑、测量脑室、测量小脑轴位脑池、测量小脑结构、评估胼胝体发育、判断大脑发育畸形、评估胎龄。
具体实施如下：
判断胎儿体位：
该步骤使用的工具是AI模型识别，对于非减胎术后者，按单个胎儿判断体位，分为：头位、臀位和横位。输入轴位定位图像、矢状定位图像、冠状定位图像，输出胎儿体位，将定性判断结果返回结构化报告“胎儿体位”的相应控件。
评估胎盘状态：
该步骤使用的工具是AI模型识别和影像组学；对于非减胎术后者，按单个胎儿评估胎盘状态。输入第一图像、胎盘区域，输出定性判断-胎盘状态，关键图像-胎盘异常。
如定性判断为“胎盘异常”，则返回给结构化报告“胎盘评估”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的“关键图像”，并发送提示信息，由相关人员负责处理，并记录在数据库中。如定性判断为“胎盘正常”，则返回给结构化报告“胎盘正常”的相应控件。
定量测量颅脑
该步骤使用的工具为程序。对于非减胎术后者，按单个胎儿测量颅脑整体大小，评估脑发育。输入校正后的颅骨区域、校正后的皮质区域；输出脑围、脑双顶径、颅骨头围、颅骨双顶径、颅骨额枕径、关键图像-颅脑整体测量。各个测量值，返回给结构化报告“颅脑整体测量”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的关键图像。
定量测量脑室
该步骤使用的工具为程序。对于非减胎术后者，按单个胎儿测量右侧脑室、左侧脑室、三脑室、四脑室的体积和双侧室三角区径线，评估脑发育。输入右侧脑室区域、左侧脑室区域、三脑室区域、四脑室区域，输出右侧脑室体积、左侧脑室体积、三脑室体积、四脑室体积、右侧脑室三角区径线、左侧脑室三角区径线、关键图像-脑室测量。各个测量值，返回给结构化报告“脑室测量”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的关键图像。
定量测量小脑周围脑池
该步骤使用的工具为程序。对于非减胎术后者，按单个胎儿测量小脑延髓池、小脑上池的大小，评估脑发育。输入小脑延髓池区域、小脑上池区域；输出小脑延髓池上下径、小脑上池上下径、关键图像-小脑周围脑池测量。各个测量值，返回给结构化报告“小脑周围脑池测量”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的关键图像。
定量测量小脑结构
该步骤使用的工具为程序。对于非减胎术后者，按单个胎儿，基于每个胎儿校正后的T2WI轴位、校正后的T2WI矢状位、校正后的T2WI冠状位图像结果测量小脑结构大小，评估脑发育。输入校正后的头部T2WI轴位图像小脑区域、校正后的头部T2WI冠状位图像小脑区域、校正后的头部T2WI矢状位图像小脑蚓部区域；输出校正后的头部T2WI轴位图像小脑半球横径、校正后的头部T2WI冠状位图像小脑半球横径、校正后的头部T2WI矢状位图像小脑蚓部上下径、校正后的头部T2WI矢状位图像小脑蚓部前后径、校正后的头部T2WI矢状位图像小脑蚓部面积、关键图像-小脑结构测量轴位、关键图像-小脑结构测量冠状位、关键图像-小脑结构测量矢状位。各个测量值，返回给结构化报告“小脑结构测量”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的关键图像1、关键图像2、关键图像3。
评估胼胝体发育
该步骤使用的工具为AI模型识别，对于非减胎术后者，按单个胎儿判断胼胝体发育情况。输入校正后的头部T2WI矢状位图像、胼胝体区域，输出定性判断、关键图像-胼胝体发育异常。如定性判断为“胼胝体发育异常”，则返回给结构化报告“胼胝体发育异常”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的“关键图像”，并发送提示信息，由相关人员负责处理，并记录在数据库中。如定性判断为“胼胝体发育正常”，则返回给结构化报告“胼胝体发育正常”的相应控件。
判断大脑发育畸形
该步骤使用的工具为AI模型识别，对于非减胎术后者，按单个胎儿评估大脑发育情况，判断是否有发育畸形。输入校正后的头部T2WI轴位图像、校正后的颅骨区域、校正后的颅腔区域，输出定性判断、分类模型的激活区域、关键图像-大脑发育畸形。如定性判断为“大脑发育畸形”，则返回给结构化报告“大脑发育畸形”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的“关键图像”，并发送提示信息，由相关人员负责处理，并记录在数据库中。如定性判断为“大脑发育正常”，则返回给结构化报告“大脑发育正常”的相应控件。
评估胎龄
该步骤使用的工具为AI模型识别，对于非减胎术后者，按单个胎儿判断胎龄。输入校正后的头部T2WI轴位图像、校正后的颅骨区域、校正后的颅腔区域、来源于RIS登记的胎龄，输出预测胎龄、定性判断。如定性判断为“预测胎龄异常”，则返回给结构化报告“预测胎龄异常”的相应控件，并发送提示信息，由相关人员负责处理，并记录在数据库中。如定性判断为“预测胎龄正常”，则返回给结构化报告“预测胎龄正常”的相应控件。
步骤S106，所述影像结构化报告根据所述诊断数据生成诊断印象。
整合所有工具(AI模型、影像组学模型、程序)的发现，得出整体诊断印象。
根据全部智能化工具返回结果做出定性判断，使用的工具是程序，输入所有诊断数据，输出结构化报告的“诊断印象”，基于结构化报告内置的规则，整合所有诊断数据，自动得到最终诊断，并返回到“诊断印象”中。将全部数据、全部图像存储到结构化报告数据库中。
本发明的实施例将AI模型、影像组学模型和基于规则的程序应用于胎儿头MRI的诊断，得到胎儿头MRI智能诊断系统，将其接入PACS/RIS，可在图像采集完成后直接自动生成诊断提示信息，并将诊断数据自动传入结构化报告中，做出全面的定性、定量诊断，该方法还具备危急发现的预警和分诊功能，当自动检出重要的危险征象时，通过信息系统发出警告信息，以提示医生及时关注并实施救治措施。
实施例二
图2示出了根据本发明实施例二的胎儿头MR影像智能诊断系统结构示意图；如图2所示，该系统包括：序列提取模块10、图像质量判断模块20、第一分割模块30、第二分割模块40、辅助诊断模块50和结构化报告模块60，其中，
所述序列提取模块10，与所述图像质量判断模块20相连，用于从与检查项目相符的患者DICOM图像中提取预设置的图像序列；
其中，与检查项目相符的患者DICOM图像为判断是否与RIS登记的检查项目相符。此过程使用的工具为程序和AI模型识别。输入患者DICOM，做出定性判断，如果与检查项目(胎儿头MR)相符，则从该患者DICOM图像中提取预设置的图像序列；如果与检查项目不相符，则中止AI诊断流程，并发送提示信息，由相关人员负责处理，并记录在数据库中。
其中，预设值的图像序列可以为：T2WI、T1WI、DWI、ADC、轴位定位像、矢状定位像、冠状定位像等。
其中，该步骤应用的工具是AI模型识别；输出序列性质、T2WI图像、T1WI图像、DWI图像、ADC图像、轴位定位图像、矢状定位图像、冠状定位图像。上述不同的图像用于后续不同AI功能模块的输入。
所述图像质量判断模块20，分别与所述序列提取模块10、所述第一分割模块30、所述辅助诊断模块50相连，用于判断所述图像序列为T2WI的图像质量是否符合第一预设条件，若是，将所述T2WI的图像定义为第一图像；
识别T2WI图像质量是否合格，其中，第一预设条件可以为：扫描体位不正、范围不足、明显图像伪影、信噪比过低等。
如果判断图像质量合格，则图像可用于后续AI诊断流程，并将定性判断结果返回给结构化报告“技术评估(图像质量)”的相应控件。
如果判断T2WI图像质量不合格，则中止AI诊断流程，并将定性判断结果返回给结构化报告“技术评估(图像质量)”的相应控件。发送提示信息，由相关人员负责处理，并记录在数据库中。
所述第一分割模块30，分别与所述图像质量判断模块20、所述辅助诊断模块50和所述第二分割模块40相连，用于按照第一分割规则，将所述第一图像进行区域分割，并将所述第一图像进行校正，输出校正后的所述第一图像及校正后的每个区域的坐标数据；将所述校正后的所述第一图像定义为第二图像；
其中，第一分割规则为在第一图像中分割出颅骨、颅腔，输出颅骨区域坐标数据、颅腔区域坐标数据、胎儿数量。
颅腔区域用于分割大脑镰的掩膜。
颅骨区域和颅腔区域用于校正脑部图像。
根据颅骨区域和颅腔区域计算胎儿数量，将定量结果返回给结构化报告“胎儿数量”的相应控件。
如果胎儿数量＝1，则将后续AI功能模块的诊断数据返回给结构化报告的相应控件。
如果胎儿数量>1，则将后续AI功能模块的诊断数据返回给结构化报告每一个胎儿的相应控件，如：“胎儿1：……”、“胎儿2：……”、……。
校正头部图像的过程如下：
对于非减胎术后者，按单个胎儿，将每个胎儿的头部图像摆正，使大脑镰处于图像的正中矢状位。输入第一图像、大脑镰区域的坐标数据、颅骨区域坐标数据、颅腔区域坐标数据，输出校正后的头部T2WI图像、校正后的颅骨区域、校正后的颅腔区域、校正后的大脑镰区域。
将校正后的头部T2WI轴位图像用于后续图像识别。将校正后的颅骨区域、校正后的颅腔区域用于后续AI模型的掩膜。将校正后的颅骨区域、校正后的颅腔区域和校正后的大脑镰区域用于后续测量。
所述第二分割模块40，分别与所述第一分割模块30、所述辅助诊断模块50相连，用于基于第二分割规则，将所述第二图像进行区域分割，输出每个区域的坐标数据；
输入第二图像、校正后的颅骨区域坐标数据、校正后的颅腔区域区域坐标数据、校正后的大脑镰区域坐标数据；输出校正后的头部T2WI轴位图像、校正后的头部T2WI冠状位图像、校正后的头部T2WI矢状位图像。
校正后的头部T2WI轴位图像用于脑围、脑双顶径、头围、颅骨双顶径、颅骨额枕径、侧脑室三角区径线和小脑横径等的测量。校正后的头部T2WI冠状位图像用于小脑半球横径等的测量。校正后的头部T2WI矢状位图像用于小脑蚓部上下径、前后径和截面积等的测量。
其中，第二分割规则为分割颅脑结构-轴位、颅脑结构-矢状位、颅脑结构-冠状位、脐带、胎盘，具体如下：分割工具都是AI模型识别：
分割颅脑结构-轴位：
对于非减胎术后者，按单个胎儿，在每个胎儿校正后的头部T2WI轴位图像(第二图像)中分割：蛛网膜下腔、皮质、白质、基底节、右侧脑室、左侧脑室、三脑室、四脑室、胼胝体、透明隔、脑干、小脑。输入第二图像、校正后的颅骨区域、校正后的颅腔区域；输出脑实质的不同区域，包括：蛛网膜下腔区域、皮质区域、白质区域、基底节区域、右侧脑室区域、左侧脑室区域、三脑室区域、四脑室区域、胼胝体区域、透明隔区域、脑干区域、小脑区域。
右侧脑室区域、左侧脑室区域、三脑室区域、四脑室区域、小脑区域用于后续脑结构测量。
皮质区域、白质区域、基底节区域、胼胝体区域、透明隔区域、脑干区域、小脑区域用于后续脑发育评估。
分割颅脑结构-矢状位：
对于非减胎术后者，按单个胎儿，在每个胎儿校正后的头部T2WI矢状位图像中分割：胼胝体、小脑延髓池、小脑上池和小脑蚓部。输入第二图像、校正后的颅骨区域、校正后的颅腔区域；输出胼胝体区域、小脑延髓池区域、小脑上池区域、小脑蚓部区域。
胼胝体区域用于后续胼胝体发育评估。
小脑延髓池区域、小脑上池区域、小脑蚓部区域用于后续脑结构测量。
分割颅脑结构-冠状位：
对于非减胎术后者，按单个胎儿，在每个胎儿校正后的头部T2WI冠状位图像中分割：小脑。输入校正后的头部T2WI冠状位图像、校正后的颅骨区域、校正后的颅腔区域；输出小脑区域，用于后续脑结构测量。
分割脐带：
对于非减胎术后者，按单个胎儿分割颈部脐带。输入第一图像，输出颈部脐带区域、脐带绕颈圈数、关键图像-脐带绕颈。
脐带绕颈圈数>＝1，则返回给结构化报告“脐带绕颈”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的“关键图像”。
如果脐带绕颈圈数>＝3，则发送提示信息，由相关人员负责处理，并记录在数据库中。
分割胎盘：
对于非减胎术后者，按单个胎儿分割胎盘。输入第一图像，输出胎盘区域，用于后续胎盘状态评估。
所述辅助诊断模块50，分别与所述图像质量判断模块20、所述第一分割模块30、所述第二分割模块40和所述结构化报告模块60相连，用于基于预设的一个或多个诊断类型及与该诊断类型对应区域的坐标数据，对所述第一图像或所述第二图像进行分析，自动生成每个所述诊断类型的诊断数据，按照第二预设条件将所述诊断数据发送到影像结构化报告中；
其中，诊断数据为定性判断数据、定量判断数据、病灶区域图像、病灶区域坐标、关键图像、提示信息中的一种或多种。
其中，诊断类型包括：判断胎儿体位、分割脐带、分割胎盘、评估胎盘状态、测量颅脑、测量脑室、测量小脑轴位脑池、测量小脑结构、评估胼胝体发育、判断大脑发育畸形、评估胎龄。
具体实施如下：
判断胎儿体位：
该步骤使用的工具是AI模型识别，对于非减胎术后者，按单个胎儿判断体位，分为：头位、臀位和横位。输入轴位定位图像、矢状定位图像、冠状定位图像，输出胎儿体位，将定性判断结果返回结构化报告“胎儿体位”的相应控件。
评估胎盘状态：
该步骤使用的工具是AI模型识别和影像组学；对于非减胎术后者，按单个胎儿评估胎盘状态。输入第一图像、胎盘区域，输出定性判断-胎盘状态，关键图像-胎盘异常。
如定性判断为“胎盘异常”，则返回给结构化报告“胎盘评估”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的“关键图像”，并发送提示信息，由相关人员负责处理，并记录在数据库中。如定性判断为“胎盘正常”，则返回给结构化报告“胎盘正常”的相应控件。
定量测量颅脑
该步骤使用的工具为程序。对于非减胎术后者，按单个胎儿测量颅脑整体大小，评估脑发育。输入校正后的颅骨区域、校正后的皮质区域；输出脑围、脑双顶径、颅骨头围、颅骨双顶径、颅骨额枕径、关键图像-颅脑整体测量。各个测量值，返回给结构化报告“颅脑整体测量”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的关键图像。
定量测量脑室
该步骤使用的工具为程序。对于非减胎术后者，按单个胎儿测量右侧脑室、左侧脑室、三脑室、四脑室的体积和双侧室三角区径线，评估脑发育。输入右侧脑室区域、左侧脑室区域、三脑室区域、四脑室区域，输出右侧脑室体积、左侧脑室体积、三脑室体积、四脑室体积、右侧脑室三角区径线、左侧脑室三角区径线、关键图像-脑室测量。各个测量值，返回给结构化报告“脑室测量”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的关键图像。
定量测量小脑周围脑池
该步骤使用的工具为程序。对于非减胎术后者，按单个胎儿测量小脑延髓池、小脑上池的大小，评估脑发育。输入小脑延髓池区域、小脑上池区域；输出小脑延髓池上下径、小脑上池上下径、关键图像-小脑周围脑池测量。各个测量值，返回给结构化报告“小脑周围脑池测量”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的关键图像。
定量测量小脑结构
该步骤使用的工具为程序。对于非减胎术后者，按单个胎儿，基于每个胎儿校正后的T2WI轴位、校正后的T2WI矢状位、校正后的T2WI冠状位图像结果测量小脑结构大小，评估脑发育。输入校正后的头部T2WI轴位图像小脑区域、校正后的头部T2WI冠状位图像小脑区域、校正后的头部T2WI矢状位图像小脑蚓部区域；输出校正后的头部T2WI轴位图像小脑半球横径、校正后的头部T2WI冠状位图像小脑半球横径、校正后的头部T2WI矢状位图像小脑蚓部上下径、校正后的头部T2WI矢状位图像小脑蚓部前后径、校正后的头部T2WI矢状位图像小脑蚓部面积、关键图像-小脑结构测量轴位、关键图像-小脑结构测量冠状位、关键图像-小脑结构测量矢状位。各个测量值，返回给结构化报告“小脑结构测量”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的关键图像1、关键图像2、关键图像3。
评估胼胝体发育
该步骤使用的工具为AI模型识别，对于非减胎术后者，按单个胎儿判断胼胝体发育情况。输入校正后的头部T2WI矢状位图像、胼胝体区域，输出定性判断、关键图像-胼胝体发育异常。如定性判断为“胼胝体发育异常”，则返回给结构化报告“胼胝体发育异常”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的“关键图像”，并发送提示信息，由相关人员负责处理，并记录在数据库中。如定性判断为“胼胝体发育正常”，则返回给结构化报告“胼胝体发育正常”的相应控件。
判断大脑发育畸形
该步骤使用的工具为AI模型识别，对于非减胎术后者，按单个胎儿评估大脑发育情况，判断是否有发育畸形。输入校正后的头部T2WI轴位图像、校正后的颅骨区域、校正后的颅腔区域，输出定性判断、分类模型的激活区域、关键图像-大脑发育畸形。如定性判断为“大脑发育畸形”，则返回给结构化报告“大脑发育畸形”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的“关键图像”，并发送提示信息，由相关人员负责处理，并记录在数据库中。如定性判断为“大脑发育正常”，则返回给结构化报告“大脑发育正常”的相应控件。
评估胎龄
该步骤使用的工具为AI模型识别，对于非减胎术后者，按单个胎儿判断胎龄。输入校正后的头部T2WI轴位图像、校正后的颅骨区域、校正后的颅腔区域、来源于RIS登记的胎龄，输出预测胎龄、定性判断。如定性判断为“预测胎龄异常”，则返回给结构化报告“预测胎龄异常”的相应控件，并发送提示信息，由相关人员负责处理，并记录在数据库中。如定性判断为“预测胎龄正常”，则返回给结构化报告“预测胎龄正常”的相应控件。
所述结构化报告模块60，与所述辅助诊断模块50相连，用于根据所述诊断数据生成诊断印象。
整合所有工具(AI模型、影像组学模型、程序)的发现，得出整体诊断印象。
根据全部智能化工具返回结果做出定性判断，使用的工具是程序，输入所有诊断数据，输出结构化报告的“诊断印象”，基于结构化报告内置的规则，整合所有诊断数据，自动得到最终诊断，并返回到“诊断印象”中。将全部数据、全部图像存储到结构化报告数据库中。
本发明的实施例将AI模型、影像组学模型和基于规则的程序应用于胎儿头MRI的诊断，得到胎儿头MRI智能诊断系统，将其接入PACS/RIS，可在图像采集完成后直接自动生成诊断提示信息，并将诊断数据自动传入结构化报告中，做出全面的定性、定量诊断，该方法还具备危急发现的预警和分诊功能，当自动检出重要的危险征象时，通过信息系统发出警告信息，以提示医生及时关注并实施救治措施。
实施例三
图3示出了根据本发明实施例二的胎儿头MR影像智能诊断系统结构示意图；如图3所示，第一分割模块30还包括第一判断单元302，用于在校正所述第一图像之前，判断胎儿状态，若所述胎儿状态为减胎术后，则终止该患者的诊断流程。
该步骤使用的工具是AI模型识别，按照单个胎儿，对每个胎儿状态是否正常做出判断，分为非减胎术后、减胎术后。
过程如下：输入第一图像、颅骨区域坐标数据、颅腔区域坐标数据，输出定性判断，减胎，关键图像-减胎。如定性判断为“减胎术后”，则返回给结构化报告“整体评估：减胎术后”的相应控件，并按预设的规则生成关键图像，返回结构化报告相应控件的“关键图像”，不执行后续AI功能模块。如定性判断为“非减胎术后”，则不返回信息。继续执行后续AI功能模块。
实施例四
图4示出了根据本发明实施例二的胎儿头MR影像智能诊断系统结构示意图，如图4所示，优选地，第一分割模块30还包括分区单元304，用于在校正所述第一图像之前，在所述第一图像上分割大脑镰区域，并输出所述大脑镰区域的坐标数据。
该步骤使用的工具为AI模型识别，对于非减胎术后者，按的那个胎儿，分割大脑镰区域。输入第一图像，颅骨区域坐标数据、颅腔区域坐标数据，输出大脑镰区域的坐标数据，用于校正脑部图像。
实施例五
图5示出了根据本发明实施例二的胎儿头MR影像智能诊断系统结构示意图，如图5所示，第一分割模块30还包括第二判断单元306，用于在分割所述第二图像之前，判断所述图像序列为T2WI的图像扫描方向。
该步骤用的工具为AI模型识别。对于非减胎术后者，按单个胎儿，对每个胎儿的T2WI图像进一步判断胎儿头部的扫描方向，分为：轴位、冠状位、矢状位和斜位。
输入第二图像、校正后的颅骨区域坐标数据、校正后的颅腔区域区域坐标数据、校正后的大脑镰区域坐标数据；输出校正后的头部T2WI轴位图像、校正后的头部T2WI冠状位图像、校正后的头部T2WI矢状位图像。
从以上描述中，可以看出，本发明的上述实施例实现了如下技术效果：本发明的实施例将AI模型、影像组学模型和基于规则的程序应用于胎儿头MRI的诊断，得到胎儿头MRI智能诊断系统，将其接入PACS/RIS，可在图像采集完成后直接自动生成诊断提示信息，并将诊断数据自动传入结构化报告中，做出全面的定性、定量诊断，该方法还具备危急发现的预警和分诊功能，当自动检出重要的危险征象时，通过信息系统发出警告信息，以提示医生及时关注并实施救治措施。
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，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。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种胎儿头MR影像智能诊断方法，其特征在于，包括：
从与检查项目相符的患者DICOM图像中提取预设置的图像序列；
判断所述图像序列为T2WI的图像质量是否符合第一预设条件，若是，将所述T2WI的图像定义为第一图像；
按照第一分割规则，将所述第一图像进行区域分割，并将所述第一图像进行校正，输出校正后的所述第一图像及校正后的每个区域的坐标数据；将所述校正后的所述第一图像定义为第二图像；
基于第二分割规则，将所述第二图像进行区域分割，输出每个区域的坐标数据；
基于预设的一个或多个诊断类型及与该诊断类型对应区域的坐标数据，对所述第一图像或所述第二图像进行分析，自动生成每个所述诊断类型的诊断数据，按照第二预设条件将所述诊断数据发送到影像结构化报告中；
所述影像结构化报告根据所述诊断数据生成诊断印象。
2.根据权利要求1所述的胎儿头MR影像智能诊断方法，其特征在于，所述诊断数据为定性判断数据、定量判断数据、病灶区域图像、病灶区域坐标、关键图像、提示信息中的一种或多种。
3.根据权利要求1所述的胎儿头MR影像智能诊断方法，其特征在于，在校正所述第一图像之前，该方法还包括：判断胎儿状态，若所述胎儿状态为减胎术后，则终止该患者的诊断流程。
4.根据权利要求1所述的胎儿头MR影像智能诊断方法，其特征在于，在校正所述第一图像之前，该方法还包括：在所述第一图像上分割大脑镰区域，并输出所述大脑镰区域的坐标数据。
5.根据权利要求1所述的胎儿头MR影像智能诊断方法，其特征在于，在分割所述第二图像之前，该方法还包括：判断所述图像序列为T2WI的图像扫描方向。
6.根据权利要求1所述的胎儿头MR影像智能诊断方法，其特征在于，所述诊断类型包括：判断胎儿体位、分割脐带、分割胎盘、评估胎盘状态、测量颅脑、测量脑室、测量小脑轴位脑池、测量小脑结构、评估胼胝体发育、判断大脑发育畸形、评估胎龄。
7.一种胎儿头MR影像智能诊断系统，其特征在于，该系统包括：序列提取模块、图像质量判断模块、第一分割模块、第二分割模块、辅助诊断模块和结构化报告模块，其中，
所述序列提取模块，与所述图像质量判断模块相连，用于从与检查项目相符的患者DICOM图像中提取预设置的图像序列；
所述图像质量判断模块，分别与所述序列提取模块、所述第一分割模块、所述辅助诊断模块相连，用于判断所述图像序列为T2WI的图像质量是否符合第一预设条件，若是，将所述T2WI的图像定义为第一图像；
所述第一分割模块，分别与所述图像质量判断模块、所述辅助诊断模块和所述第二分割模块相连，用于按照第一分割规则，将所述第一图像进行区域分割，并将所述第一图像进行校正，输出校正后的所述第一图像及校正后的每个区域的坐标数据；将所述校正后的所述第一图像定义为第二图像；
所述第二分割模块，分别与所述第一分割模块、所述辅助诊断模块相连，用于基于第二分割规则，将所述第二图像进行区域分割，输出每个区域的坐标数据；
所述辅助诊断模块，分别与所述图像质量判断模块、所述第一分割模块、所述第二分割模块和所述结构化报告模块相连，用于基于预设的一个或多个诊断类型及与该诊断类型对应区域的坐标数据，对所述第一图像或所述第二图像进行分析，自动生成每个所述诊断类型的诊断数据，按照第二预设条件将所述诊断数据发送到影像结构化报告中；
所述结构化报告模块，与所述辅助诊断模块相连，用于根据所述诊断数据生成诊断印象。
8.根据权利要求7所述的胎儿头MR影像智能诊断系统，其特征在于，所述诊断数据为定性判断数据、定量判断数据、病灶区域图像、病灶区域坐标、关键图像、提示信息中的一种或多种。
9.根据权利要求7所述的胎儿头MR影像智能诊断系统，其特征在于，所述第一分割模块还包括第一判断单元，用于在校正所述第一图像之前，判断胎儿状态，若所述胎儿状态为减胎术后，则终止该患者的诊断流程。
10.根据权利要求7所述的胎儿头MR智能影像诊断系统，其特征在于，所述第一分割模块还包括分区单元，用于在校正所述第一图像之前，在所述第一图像上分割大脑镰区域，并输出所述大脑镰区域的坐标数据。
11.根据权利要求7所述的胎儿头MR智能影像诊断系统，其特征在于，所述第一分割模块还包括第二判断单元，用于在分割所述第二图像之前，判断所述图像序列为T2WI的图像扫描方向。
12.根据权利要求7所述的胎儿头MR影像智能诊断系统，其特征在于，所述诊断类型包括：判断胎儿体位、分割脐带、分割胎盘、评估胎盘状态、测量颅脑、测量脑室、测量小脑轴位脑池、测量小脑结构、评估胼胝体发育、判断大脑发育畸形、评估胎龄。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111465415.2A CN114298974A (zh) | 2021-11-30 | 2021-11-30 | 胎儿头mr影像智能诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111465415.2A CN114298974A (zh) | 2021-11-30 | 2021-11-30 | 胎儿头mr影像智能诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114298974A true CN114298974A (zh) | 2022-04-08 |
Family
ID=80966251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111465415.2A Pending CN114298974A (zh) | 2021-11-30 | 2021-11-30 | 胎儿头mr影像智能诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114298974A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117153343A (zh) * | 2023-08-16 | 2023-12-01 | 丽水瑞联医疗科技有限公司 | 一种胎盘多尺度分析系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110379492A (zh) * | 2019-07-24 | 2019-10-25 | 复旦大学附属中山医院青浦分院 | 一种全新的ai+pacs系统及其检查报告构建方法 |
| CN112168168A (zh) * | 2020-10-14 | 2021-01-05 | 北京赛迈特锐医疗科技有限公司 | 用mr技术对全身脂肪进行自动化定量评价系统及方法 |
| CN112263236A (zh) * | 2020-09-22 | 2021-01-26 | 北京赛迈特锐医疗科技有限公司 | 全身肿瘤mri智能化评估系统及方法 |
| CN112545480A (zh) * | 2019-09-26 | 2021-03-26 | 北京赛迈特锐医疗科技有限公司 | 在mri上检测前列腺和精囊腺良性病变的系统及方法 |
| CN113509193A (zh) * | 2021-04-22 | 2021-10-19 | 北京赛迈特锐医疗科技有限公司 | 非创伤性急诊头部ct影像诊断方法和装置 |
-
2021
- 2021-11-30 CN CN202111465415.2A patent/CN114298974A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110379492A (zh) * | 2019-07-24 | 2019-10-25 | 复旦大学附属中山医院青浦分院 | 一种全新的ai+pacs系统及其检查报告构建方法 |
| CN112545480A (zh) * | 2019-09-26 | 2021-03-26 | 北京赛迈特锐医疗科技有限公司 | 在mri上检测前列腺和精囊腺良性病变的系统及方法 |
| CN112263236A (zh) * | 2020-09-22 | 2021-01-26 | 北京赛迈特锐医疗科技有限公司 | 全身肿瘤mri智能化评估系统及方法 |
| CN112168168A (zh) * | 2020-10-14 | 2021-01-05 | 北京赛迈特锐医疗科技有限公司 | 用mr技术对全身脂肪进行自动化定量评价系统及方法 |
| CN113509193A (zh) * | 2021-04-22 | 2021-10-19 | 北京赛迈特锐医疗科技有限公司 | 非创伤性急诊头部ct影像诊断方法和装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117153343A (zh) * | 2023-08-16 | 2023-12-01 | 丽水瑞联医疗科技有限公司 | 一种胎盘多尺度分析系统 |
| CN117153343B (zh) * | 2023-08-16 | 2024-04-05 | 丽水瑞联医疗科技有限公司 | 一种胎盘多尺度分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6036009B2 (ja) | 医用画像処理装置、およびプログラム | |
| JP5601378B2 (ja) | 医用画像処理装置 | |
| WO2016047683A1 (ja) | 医用画像表示処理方法、医用画像表示処理装置およびプログラム | |
| CN112263236B (zh) | 全身肿瘤mri智能化评估系统及方法 | |
| WO2009088965A1 (en) | Automated fiber tracking of human brain white matter using diffusion tensor imaging | |
| US20110172516A1 (en) | Medical image diagnostic apparatus and medical image display apparatus | |
| JPWO2011040473A1 (ja) | 医用画像処理方法、装置およびプログラム | |
| JP6942278B1 (ja) | ニューロメラニン画像を用いたパーキンソン病情報提供装置及び方法 | |
| CN113284126A (zh) | 人工神经网络图像分析预测脑积水分流手术疗效的方法 | |
| CN114298974A (zh) | 胎儿头mr影像智能诊断方法及系统 | |
| CN113509193A (zh) | 非创伤性急诊头部ct影像诊断方法和装置 | |
| JP6705528B2 (ja) | 医用画像表示処理方法、医用画像表示処理装置およびプログラム | |
| JP2006158791A (ja) | 頭蓋内容積および局所脳構造物解析プログラム、記録媒体および頭蓋内容積および局所脳構造物解析方法 | |
| JP7332338B2 (ja) | 画像診断支援装置、画像診断支援プログラム、および、医用画像取得装置 | |
| US20240046454A1 (en) | Method and system for extracting multi-dimensional disconnection network region of symptom mapping | |
| CN114723879A (zh) | 一种基于多维跨模态影像融合技术的人脑锥体束全自动重建方法 | |
| CN113948180A (zh) | 实现精神疾病影像报告生成处理的方法、装置、处理器及其计算机可读存储介质 | |
| CN112168168A (zh) | 用mr技术对全身脂肪进行自动化定量评价系统及方法 | |
| US11216945B2 (en) | Image processing for calculation of amount of change of brain | |
| KR102349360B1 (ko) | 영상 진단기기를 이용한 특발성 정상압 수두증의 진단 방법 및 시스템 | |
| US20200176120A1 (en) | Information output apparatus, information output method, and information output program | |
| US20200160516A1 (en) | Priority judgement device, method, and program | |
| Polat et al. | Computer based classification of MR scans in first time applicant Alzheimer patients | |
| WO2023167157A1 (ja) | コンピュータプログラム、情報処理装置及び情報処理方法 | |
| Memon et al. | Image pre-processing for differential diagnosis of multiple sclerosis using brain MRI |
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 |