CN114463323A - 一种病灶区域识别方法、装置、电子设备和存储介质 - Google Patents

一种病灶区域识别方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114463323A
CN114463323A CN202210163233.8A CN202210163233A CN114463323A CN 114463323 A CN114463323 A CN 114463323A CN 202210163233 A CN202210163233 A CN 202210163233A CN 114463323 A CN114463323 A CN 114463323A
Authority
CN
China
Prior art keywords
lesion
medical image
information
identified
boundary
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.)
Granted
Application number
CN202210163233.8A
Other languages
English (en)
Other versions
CN114463323B (zh
Inventor
肖月庭
阳光
郑超
郭允博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shukun Shanghai Medical Technology Co ltd
Original Assignee
Shukun Beijing Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shukun Beijing Network Technology Co Ltd filed Critical Shukun Beijing Network Technology Co Ltd
Priority to CN202210163233.8A priority Critical patent/CN114463323B/zh
Publication of CN114463323A publication Critical patent/CN114463323A/zh
Application granted granted Critical
Publication of CN114463323B publication Critical patent/CN114463323B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请实施例公开了一种病灶区域识别方法、装置、电子设备和存储介质，属于计算机技术领域；本申请实施例可以获取待识别医学影像；对待识别医学影像进行识别，得到待识别医学影像的至少一个病灶边界信息；响应于针对至少一个病灶边界信息的选择操作，生成待识别医学影像的病灶区域，可以提高识别出医学影像中病灶区域的准确性。

Description

一种病灶区域识别方法、装置、电子设备和存储介质
技术领域
本申请涉及计算机技术领域，具体涉及一种病灶区域识别方法、装置、电子设备和存储介质。
背景技术
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。随着人工智能的发展，人工智能技术也在多个领域展开研究和应用，利用可以将AI技术应用在医学领域。例如，可以利用AI技术自动地识别出医学图像中的病灶区域。
但是，本申请的发明人在对现有技术的实践中发现，由于一些病灶的复杂性或者AI模型精确度的问题，导致现有的AI技术识别出的病灶区域可能与真实的病灶区域存在误差，或者现有的AI技术无法从医学影像中识别出病灶区域，这会降低利用AI技术自动地识别出医学图像中的病灶区域的准确性。
发明内容
本申请实施例提出了一种病灶区域识别方法、装置、电子设备和存储介质，可以提高识别出医学图像中病灶区域的准确性。
本申请实施例提供了一种病灶区域识别方法，包括：
获取待识别医学影像；
对所述待识别医学影像进行识别，得到所述待识别医学影像的至少一个病灶边界信息；
响应于针对所述至少一个病灶边界信息的选择操作，生成所述待识别医学影像的病灶区域。
相应的，本申请实施例还提供了一种病灶区域识别装置，包括：
获取单元，用于获取待识别医学影像；
识别单元，用于对所述待识别医学影像进行识别，得到所述待识别医学影像的至少一个病灶边界信息；
生成单元，用于响应于针对所述至少一个病灶边界信息的选择操作，生成所述待识别医学影像的病灶区域。
在一实施例中，所述识别单元，可以包括：
类型检测子单元，用于对所述待识别医学影像进行病灶类型检测，得到所述待识别医学影像的病灶类型；
结构确定子单元，用于根据所述病灶类型，确定所述病灶类型对应的边界结构信息；
边界生成子单元，用于基于所述边界结构信息，生成所述待识别医学影像中的至少一个病灶边界信息。
在一实施例中，所述边界生成子单元，可以包括：
位置识别模块，用于对所述待识别医学影像进行识别，得到所述待识别医学影像中病灶的位置信息；
定位模块，用于基于所述位置信息，在所述待识别医学影像中进行定位，得到符合所述位置信息的定位标识；
生成模块，用于基于所述定位标识，生成符合所述边界结构信息的病灶边界信息。
在一实施例中，所述生成单元，可以包括：
边界确定子单元，用于响应于针对所述至少一个病灶边界信息的选择操作，在至少一个病灶边界信息中确定目标边界信息，其中，所述目标边界信息包括至少一个目标参考点；
连接子单元，用于将所述至少一个目标参考点进行连接处理，得到所述病灶区域。
在一实施例中，所述病灶区域识别装置，还可以包括：
检测单元，用于对对象针对所述待识别医学影像的操作进行检测；
采集单元，用于当检测到所述对象的操作为预设目标操作时，采集所述操作对应的操作属性信息；
显示单元，用于基于所述操作属性信息，在所述待识别医学影像中显示所述病灶区域和所述病灶边界信息。
在一实施例中，所述显示单元，可以包括：
状态确定子单元，用于基于所述操作属性信息，确定所述对象的查看状态信息；
筛选子单元，用于基于所述查看状态信息，在所述病灶边界信息中筛选出待显示病灶边界信息；
区域显示子单元，用于显示所述待显示病灶边界信息和所述病灶区域。
在一实施例中，所述状态确定子单元，可以包括：
匹配模块，用于将所述操作属性信息和预设属性阈值进行匹配；
第一确定模块，用于当所述操作属性信息符合所述预设属性阈值时，确定所述对象的查看状态信息为第一查看状态；
第二确定模块，用于当所述操作属性信息不符合所述预设属性阈值时，确定所述对象的查看状态信息为第二查看状态。
相应的，本申请实施例还提供一种电子设备，所述电子设备包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行本申请实施例任一提供的病灶区域识别方法。
相应的，本申请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存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例任一提供的病灶区域识别方法。
本申请实施例可以获取待识别医学影像；对待识别医学影像进行识别，得到待识别医学影像的至少一个病灶边界信息；响应于针对至少一个病灶边界信息的选择操作，生成待识别医学影像的病灶区域，可以提高识别出医学影像中病灶区域的准确性。
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病灶区域识别方法的场景示意图；
图2是本申请实施例提供的病灶区域识别方法的流程示意图；
图3是本申请实施例提供的医学影像的场景示意图；
图4是本申请实施例提供的医学影像的又一场景示意图；
图5是本申请实施例提供的医学影像的又一场景示意图；
图6是本申请实施例提供的医学影像的又一场景示意图；
图7是本申请实施例提供的医学影像的又一场景示意图；
图8是本申请实施例提供的病灶区域识别方法的又一流程示意图；
图9是本申请实施例提供的医学影像的又一场景示意图；
图10是本申请实施例提供的医学影像的又一场景示意图；
图11是本申请实施例提供的医学影像的又一场景示意图；
图12是本申请实施例提供的病灶区域识别装置的结构示意图；
图13是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，然而，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。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。其中，强化学习是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。深度强化学习是将深度学习和强化学习相结合，将深度学习的技术来求解强化学习的问题。
随着人工智能技术的快速发展，越来越多的应用场景利用人工智能技术包括信息的安全，避免信息的泄露，从而提高信息的安全性。
对此，本申请实施例提出了一种病灶区域识别方法，该病灶区域识别方法可以由病灶区域识别装置执行，该病灶区域识别装置可以集成在电子设备中。其中，该电子设备可以包括终端以及服务器等中的至少一个。即，本申请实施例提出的病灶区域识别方法即可以由终端执行，还可以由服务器执行，还可以由能够进行互相通信的终端和服务器共同执行。
其中，该终端可以包括智能电视、智能手机、智能家居、可穿戴电子设备、VR/AR产品、车载计算机、智能电脑等等。
其中，服务器可以为多个异构系统之间的互通服务器或者产品验证测试系统的后台服务器，还可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、以及大数据和人工智能平台等基础云计算服务的云服务器等等。
在一实施例中，如图1所示，病灶区域识别装置可以集成在终端或服务器等电子设备上，以实施本申请实施例提出的病灶区域识别方法。具体地，电子设备可以获取待识别医学影像；对待识别医学影像进行识别，得到待识别医学影像的至少一个病灶边界信息；响应于针对至少一个病灶边界信息的选择操作，生成所述待识别医学影像的病灶区域。
以下分别进行详细说明，需要说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
本申请实施例将从病灶区域识别装置的角度进行描述，该病灶区域识别装置可以集成在电子设备中，该电子设备可以包括终端，还可以包括服务器等等。
如图2所示，提供了一种病灶区域识别方法，具体流程包括：
101、获取待识别医学影像。
其中，医学影像可以包括具有跟医学诊断相关的信息的影像。例如，医学影像可以包括电子计算机断层扫描(Computed Tomography，CT)影像、磁共振检查(MagneticResonance,MR)影像和超声波影像，等等。又例如，该医学影像可以是生理组织影像，等等。其中，生理组织可以包括心脏、脑部、肺部、肝脏等等。例如，医学影像可以是患者心脏的CT图。又例如，医学影像可以是患者脑部的MR图，等等。
其中，待识别医学影像可以指需要识别出医学影像当中的病灶区域的影像。例如，待识别医学影像可以是患者刚做完身体检查后得到的医学影像。通过识别出待识别医学影像中的病灶区域，可以提高医生对患者的诊断效率。
在一实施例中，有多种方式可以获取待识别医学影像。例如，可以通过直接的方式或间接的方式获取到待识别医学影像。
例如，当患者通过医学仪器进行身体检查时，医学仪器所生成的医学影像可以直接发送到病灶区域识别装置中。
又例如，医学仪器所生成的医学影像可以存储到云服务器中。当病灶区域识别装置获取待识别医学影像时，病灶区域识别装置可以向云服务器请求获取患者的待识别医学影像。
102、对待识别医学影像进行识别，得到待识别医学影像的至少一个病灶边界信息。
其中，病灶边界信息可以包括待识别医学影像中病灶区域边界的描述信息。例如，病灶边界信息可以包括待识别医学影像中病灶区域的边界轮廓或参考点，等等。
例如，当病灶边界信息是待识别医学影像中病灶区域的边界轮廓时，对待识别影像进行识别，可以得到待识别医学影像中描述病灶区域的多个边界轮廓。譬如，如图3所示，为边界轮廓的示意图。在图3中，轮廓L1、L2和L3都可以是边界轮廓。
又例如，当病灶边界信息是待识别医学影像中病灶区域的参考点时，对待识别影像进行识别，可以得到待识别医学影像中描述病灶区域的多个参考点。譬如，如图4所示，为参考点的示意图。在图中，点Q1、Q2、Q3、Q4和Q5都可以是参考点。
在一实施例中，为了提高生成待识别医学影像的病灶区域的准确性，在本申请实施例中，可以识别出待识别医学影像中病灶区域的多个边界轮廓或者多个参考点。然后再从识别出来的多个边界轮廓或多个参考点中筛选出精确的边界轮廓或轮廓点，然后再基于精确的边界轮廓或轮廓点生成待识别医学影像的病灶区域。
在一实施例中，有多种方式可以对待识别医学影像进行识别。
例如，可以利用深度学习或者机器学习等方式对待识别医学影像进行识别，得到待识别医学影像的至少一个病灶边界信息。
譬如，当病灶边界信息为边界轮廓时，可以通过具有病灶边界轮廓标签的医学影像样本对待训练病灶边界识别模型进行训练，得到病灶边界识别模型。然后，可以利用病灶边界识别模型对待识别医学影像进行识别，得到待识别医学影像的至少一个边界轮廓。
又譬如，当病灶边界信息为参考点时可以通过具有病灶参考点标签的医学影像样本对待训练病灶参考点识别模型进行训练，得到病灶参考点识别模型。然后，可以利用病灶参考点识别模型对待识别医学影像进行识别，得到待识别医学影像的至少一个参考点。
其中，病灶边界识别模型和病灶参考点识别模型可以为卷积神经网络(Convolutional Neural Networks,CNN)、反卷积神经网络(De-Convolutional Networks,DN)、深度神经网络(Deep Neural Networks,DNN)、深度卷积逆向图网络(DeepConvolutional Inverse Graphics Networks，DCIGN)、基于区域的卷积网络(Region-based Convolutional Networks，RCNN)、基于区域的快速卷积网络(Faster Region-basedConvolutional Networks，Faster RCNN)和双向编解码(Bidirectional EncoderRepresentations from Transformers，BERT)模型等等中的任意一种。
在一实施例中，病灶一般具有都较为固定的形态，且不同部位的病灶的形态可能会不同。因此，在对待识别医学影像进行识别时，可以对待识别医学影像进行病灶类型检测，得到待识别医学影像的病灶类型。然后，根据病灶类型，确定病灶类型对应的边界结构信息。接下来可以基于所述边界结构信息，生成所述待识别医学影像中的至少一个病灶边界信息。具体的，步骤“对待识别医学影像进行识别，得到待识别医学影像的至少一个病灶边界信息”，可以包括：
对待识别医学影像进行病灶类型检测，得到待识别医学影像的病灶类型；
根据病灶类型，确定病灶类型对应的边界结构信息；
基于边界结构信息，生成待识别医学影像中的至少一个病灶边界信息。
其中，待识别医学影像的病灶类型可以说明待识别医学影像中的病灶哪个部位的病灶，以及是什么病灶。例如，病灶类型可以说明待识别医学影像中的病灶是脑部血管的病灶，并且可能是动脉瘤病灶。又例如，病灶类型可以说明待识别医学影像中的病灶是肺部的病灶，并且可能是病灶钙化病灶。
在一实施例中，由于病灶一般具有都较为固定的形态，且不同部位的病灶的形态可能会不同，因此，边界结构信息可以是描述病灶形态的信息。例如，边界结构信息可以说明病灶的形态是圆形、椭圆形或类似葡萄的形状，等等。
在一实施例中，可以利用深度学习模型或机器学习模型对待识别医学影像进行病灶类型检测，得到待识别医学影像的病灶类型。然后，根据病灶类型，确定病灶类型对应的边界结构信息。
例如，可以预先设置好病灶类型和边界结构之间的映射关系。然后，可以通过预设映射关系，将病灶类型映射到对应的边界结构信息中，从而确定病灶类型对应的边界结构信息。
譬如，该预设映射关系可以规定脑部血管的动脉瘤对应的边界结构信息为圆形，通过预设映射关系，病灶区域识别装置可以确定脑部血管的动脉瘤的边界结构信息为圆形。
在一实施例中，除了可以基于病灶类型获取边界结构信息，还可以通过其他方式获取边界结构信息。
例如，当有的病灶对应的边界结构信息比较难识别时，可以结合图像识别结果，识别出多个备选的边界结构信息。然后，可以将该多个备选的边界结构信息展示给医生，然后医生从多个备选的边界结构信息中筛选出准确的边界结构信息。此外，还可以结合图像特征，从多个备选的边界结构信息中筛选出准确的边界结构信息。
又例如，还可以通过图像特征，直接识别出边界结构信息。例如，当某个器官中存在病变时，病变区域的图像特征可能会跟其他区域的图像特征存在差异，因此，可以通过图像特征，识别出边界结构信息。
在一实施例中，可以基于边界结构信息，生成待识别医学影像中的至少一个病灶边界信息，即在待识别医学影像中描绘出病灶区域的边界轮廓或参考点。其中，为了在待识别医学影像中描绘出病灶区域的边界轮廓或参考点，可以确定待识别医学影像中病灶的位置信息，然后在该位置信息对应的区域描绘出病灶边界信息。具体的，步骤“基于边界结构信息，生成待识别医学影像中的至少一个病灶边界信息”，可以包括：
对待识别医学影像进行识别，得到待识别医学影像中病灶的位置信息；
基于位置信息，在待识别医学影像中进行定位，得到符合位置信息的定位标识；
基于定位标识，生成符合边界结构信息的病灶边界信息。
例如，如图5所示，可以在待识别医学影像的左上角建立一个坐标轴，从而可以通过坐标轴确定待识别医学影像中病灶的位置信息。其中，病灶的位置信息可以由至少一个坐标信息构成。例如，基于坐标轴，识别得到待识别医学影像中病灶的位置关系为[(1,2)、(1,5)、(3,2)、(3,5)]。然后，可以基于位置关系，在待识别医学影像中进行定位，得到符合位置信息的定位标识。例如，如图6所示，当待识别医学影像中病灶的位置关系为[(1,2)、(1,5)、(3,2)、(3,5)]时，可以根据位置关系计算出一个中心点，并将该中心点作为定位标识。
接下来，可以基于定位标识，生成符合边界结构信息的病灶边界信息。例如，当病灶边界信息为圆形，病灶边界信息为边界轮廓时时，可以通过位置关系计算出半径。然后，可以以定位标识为圆点，生成圆形的边界轮廓。
又例如，当病灶边界信息为圆形，病灶边界信息为参考点时，可以以定位标识为基准，在定位标识的不同轴线上生成参考点。例如，如图7所示，XXX。
在一实施例中，识别出来的病灶区域可以有多个。例如，医生在多个病灶边界信息中选择了多个目标病灶边界信息，则可以根据多个目标病灶边界信息，生成多个病灶区域。
103、响应于针对至少一个病灶边界信息的选择操作，生成待识别医学影像的病灶区域。
在一实施例中，在得到待识别医学影像的至少一个病灶边界信息之后，为了提高病灶区域的准确性，可以对至少一个病灶边界信息进行筛选，得到目标边界信息。然后，基于目标边界信息，生成待识别医学影像的病灶区域。
其中，可以是医生通过手动的方式选择出目标边界信息，因此，可以响应于针对至少一个病灶边界信息的选择操作，生成待识别医学影像的病灶区域。例如，当医生通过鼠标或者电子笔等方式，在至少一个病灶边界信息选择了目标边界信息之后，病灶区域识别装置便会响应于该选择操作，生成待识别医学影像的病灶区域。
在一实施例中，病灶边界信息可以是边界轮廓，也可以是参考点。例如，当病灶边界信息是边界轮廓时，医生可以利用鼠标、电子笔等方式，手动选择医生认为正确的病灶区域边界轮廓。然后，病灶区域识别装置可以根据医生选定的病灶区域边界轮廓作为医学影像中的病灶区域。
又例如，当病灶边界信息是参考点时，步骤“响应于针对至少一个病灶边界信息的选择操作，生成待识别医学影像的病灶区域”，可以包括：
响应于针对至少一个病灶边界信息的选择操作，在至少一个病灶边界信息中确定目标边界信息，其中，目标边界信息包括至少一个目标参考点；
将至少一个目标参考点进行连接处理，得到病灶区域。
例如，病灶区域识别装置识别出若干个参考点，医生利用鼠标、电子笔等方式，手动选择医生认为正确的病灶区域参考点。然后，病灶区域识别装置响应于医生的选择操作，会在若干个参考点中确定至少一个目标参考点，并将该至少一个目标参考点连接起来，得到病灶区域。
又例如，病灶区域识别装置识别出若干个参考点，医生利用鼠标、电子笔等方式，手动选择医生认为正确的病灶区域参考点。然后，病灶区域识别装置响应于医生的选择操作，会在若干个参考点中确定至少一个目标参考点。接下来，病灶区域识别装置可以首先根据医生选定的病灶区域参考点为基准，生成多个病灶区域的边界轮廓。然后，将生成的多个病灶区域的边界轮廓展示给医生。然后医生再选择正确的病灶区域边界轮廓，并将医生选定的病灶区域边界轮廓作为医学影像中的病灶区域。
在一实施例中，在生成待识别医学影像的病灶区域之后，可以显示待识别医学影像的病灶区域。例如，可以将待识别医学影像的病灶区域显示给临床医生，使得临床医生可以将病灶区域作为手术依据。
在一实施例中，可以只显示医生选择出来的病灶区域。还可以不仅显示病灶区域，还可以显示病灶边界信息。例如，当医生或患者对显示出来的病灶区域存在困惑或感兴趣时，病灶区域识别装置还可以显示病灶边界信息，令病灶边界信息作为病灶区域的补充参考。
在一实施例中，有多种方式可以触发病灶区域识别装置在医学影像中显示病灶区域。例如，病灶区域识别装置上可以具有显示控件，当医生或患者点击了显示控件之后，病灶区域识别装置可以显示医学影像的病灶区域。又例如病灶识别区域还可以对医生或患者针对待识别医学影像的操作进行检测。当病灶区域识别装置检测到医生或患者对医学影像中的内容在反复查看时，可以显示病灶区域。
在一实施例中，当医生或患者对显示出来的病灶区域存在困惑或感兴趣时，病灶区域识别装置还可以显示病灶边界信息，令病灶边界信息作为病灶区域的补充参考。具体的，本申请实施例提出的方法还可以包括：
对对象针对待识别医学影像的操作进行检测；
当检测到对象的操作为预设目标操作时，采集操作对应的操作属性信息；
基于操作属性信息，在待识别医学影像中显示病灶区域和病灶边界信息。
其中，对象可以包括医生或患者等。
在一实施例中，当医生或患者对待识别医学影像中的内容进行查看时，可能会放大待识别医学影像，也可能会通过鼠标对待识别医学影像进行反复地滑动，等等。因此，可以对对象针对待识别医学影像的操作进行检测。其中，当检测到对象的操作为预设目标操作时，可以采集操作对应的操作属性信息，并基于操作属性信息，在待识别医学影像中显示病灶区域。
其中，操作属性信息可以指对象针对待识别影像的操作时长、操作频率等相关信息。例如，当对象对将待识别医学影像进行放大，操作属性信息可以为对象将待识别医学信息进行放大的放大时长。又例如，当对象通过鼠标不断地滑动待识别医学影像，操作属性信息可以为对象滑动的频率。又例如，当对象通过鼠标不断地点击医学影像时，操作属性信息可以为对象点击的频率，等等。
在一实施例中，基于操作属性信息，在待识别医学影像中显示病灶区域时，可以通过操作属性信息，确定对象的查看状态信息。然后，基于查看状态信息，在病灶区域中筛选出待显示病灶区域，并显示待显示病灶区域。具体的，步骤“基于操作属性信息，在待识别医学影像中显示病灶区域”，可以包括：
基于操作属性信息，确定对象的查看状态信息；
基于查看状态信息，在病灶边界信息中筛选出待显示病灶边界信息；
显示待显示病灶边界信息和病灶区域。
其中，对象的查看状态信息可以指对象在查看待识别医学影像时，对象的心理状态。例如，对象的查看状态信息可以为对象对待识别医学影像存在困惑。又例如，对象的查看状态信息可以为对待识别医学影像中的某个区域感兴趣，等等。
在一实施例中，当对象对待识别医学影像存在困惑或感兴趣时，可以在病灶边界信息中筛选出待显示病灶边界信息，并显示待显示病灶边界信息和病灶区域，使得病灶区域可以结合病灶边界信息，更好地辅助医生进行临床工作。
因此，可以基于操作属性，确定对象的查看状态信息。然后，基于查看状态信息，在病灶边界信息中筛选出待显示病灶边界信息，并显示待显示病灶边界信息和病灶区域。
其中，在基于操作属性，确定对象的查看状态信息时，可以将操作属性信息和预设属性阈值进行匹配，从而确定对象的查看状态信息。具体的，步骤“基于操作属性信息，确定对象的查看状态信息”，可以包括：
将操作属性信息和预设属性阈值进行匹配；
当操作属性信息符合预设属性阈值时，确定对象的查看状态信息为第一查看状态；
当操作属性信息不符合预设属性阈值时，确定对象的查看状态信息为第二查看状态。
例如，当操作属性信息为对象将待识别医学影像进行放大的放大时长时，预设属性阈值可以为预设时间阈值。当放大时长大于或等于预设时间阈值时，可以确定对象的查看状态为第一查看状态，即医生或患者对医学影像比较困惑或感兴趣。而当放大时长小于预设时间阈值时，可以确定对象的查看状态为第二查看状态。
又例如，当操作属性信息为点击待识别医学影像的频率时，预设属性阈值可以为预设频率阈值。当对象点击待识别医学影像的频率大于或等于预设频率阈值时，可以确定对象的查看状态为第一查看状态，即医生或患者对医学影像比较困惑或感兴趣。而当对象点击待识别医学影像的频率小于预设频率阈值时，可以确定对象的查看状态为第二查看状态。
在一实施例中，在确定了对象的查看状态信息之后，可以基于查看状态信息在病灶边界信息中筛选出待显示病灶边界信息。
例如，当对象的查看状态信息为第一查看状态时，可以在病灶边界信息中筛选出病灶区域对应的病灶边界信息，并显示待显示病灶边界信息和病灶区域。
又例如，当对象的查看状态信息为第一查看状态时，还可以直接显示病灶边界信息和病灶区域。
本申请实施例提出的病灶区域识别方法可以获取待识别医学影像；对待识别医学影像进行识别，得到待识别医学影像的至少一个病灶边界信息；响应于针对至少一个病灶边界信息的选择操作，生成待识别医学影像的病灶区域。在本申请实施例中，可以首先识别出病灶边界信息，例如病灶的边界轮廓或参考点，等等。然后，将识别出的病灶边界信息展示给医生，使得医生选择出正确的病灶边界信息。然后，病灶区域识别装置可以基于病灶边界信息，生成准确的病灶区域，从而提高识别出医学影像中病灶区域的准确性。
根据上面实施例所描述的方法，以下将举例作进一步详细说明。
本申请实施例将以病灶区域识别方法集成在电子设备上为例来介绍本申请实施例方法。例如，如图8所示，本申请实施例提出的病灶区域识别方法可以包括：
201、电子设备获取待识别医学影像。
例如，电子设备利用电子计算机断层扫描(Computed Tomography，CT)图像、磁共振检查(Magnetic Resonance,MR)图像和4D超声超声波图像等方式，获取医学影像。例如，心脏、脑部、肺部、肝脏等生理组织的医学影像。202、电子设备对所述待识别医学影像进行识别，得到所述待识别医学影像的至少一个病灶边界信息。
203、电子设备响应于针对所述至少一个病灶边界信息的选择操作，生成所述待识别医学影像的病灶区域。
例如，利用病灶边界识别模型，从医学影像中识别出多个可能的病灶区域的边界轮廓。然后，医生利用鼠标、电子笔等方式，手动选择医生认为正确的病灶区域边界轮廓，电子设备根据医生选定的病灶区域边界轮廓作为医学影像中的病灶区域，展示给临床医生(给开刀的医生作为手术依据)。
又例如，利用病灶参考点识别模型，从医学影像中识别出多个可能的病灶区域的参考点。然后，医生利用鼠标、电子笔等方式，手动选择医生认为正确的病灶区域参考点，电子设备根据医生选定的病灶区域参考点为基准，生成多个病灶区域的边界轮廓，然后，手动选择医生认为正确的病灶区域边界轮廓，根据医生选定的病灶区域边界轮廓作为医学影像中的病灶区域，展示给临床医生(给开刀的医生作为手术依据)。
例如，以肺部钙化病灶为例，患者通过医学扫描设备，获取得到肺叶的医学影像。如图3所示，利用预先训练好的钙化病灶边界识别模型，对医学影像中的病灶进行识别，给出L1、L2和L3三个推荐的病灶区域的轮廓边界。然后，医生手动选择L2为正确的病灶轮廓边界。电子设备根据医生选定的病灶区域边界轮廓，在医学影像中以边界轮廓L2为基准显示病灶区域，并展示给临床医生，如图9所示。
又例如，以脑部血管的动脉瘤病灶为例，患者通过医学扫描设备，获取得到脑部动脉的医学影像。如图4所示，利用预先训练好的病灶参考点识别模型，识别出医学影像中可能的病灶区域的参考点，例如参考点Q1至Q5。如图10所示，医生手动选择参考点Q2和Q4作为动脉瘤病灶边界(例如半径)。电子设备以参考点Q2和Q4为边界，利用动脉瘤病灶边界识别模型对医学影像中的病灶进行识别，给出L1、L2和L3三个推荐的病灶区域的轮廓边界。如图11所示，根据医生选定的病灶区域边界轮廓，在医学影像中以边界轮廓L3为基准显示病灶区域，并展示给临床医生，如图4所示。
本申请实施例提出的病灶区域识别方法中，电子设备获取待识别医学影像；对待识别医学影像进行识别，得到待识别医学影像的至少一个病灶边界信息；响应于针对至少一个病灶边界信息的选择操作，生成待识别医学影像的病灶区域。在本申请实施例中，可以首先识别出病灶边界信息，例如病灶的边界轮廓或参考点，等等。然后，将识别出的病灶边界信息展示给医生，使得医生选择出正确的病灶边界信息。然后，病灶区域识别装置可以基于病灶边界信息，生成准确的病灶区域，从而提高识别出医学影像中病灶区域的准确性。
为了更好地实施本申请实施例提供的病灶区域识别方法，在一实施例中还提供了一种病灶区域识别装置，该病灶区域识别装置可以集成于电子设备中。其中名词的含义与上述病灶区域识别方法中相同，具体实现细节可以参考方法实施例中的说明。
在一实施例中，提供了一种病灶区域识别装置，该病灶区域识别装置具体可以集成在电子设备中，如图8所示，该病灶区域识别装置包括：获取单元301、识别单元302和生成单元303，具体如下：
获取单元301，用于获取待识别医学影像；
识别单元302，用于对所述待识别医学影像进行识别，得到所述待识别医学影像的至少一个病灶边界信息；
生成单元303，用于响应于针对所述至少一个病灶边界信息的选择操作，生成所述待识别医学影像的病灶区域。
在一实施例中，所述识别单元302，可以包括：
类型检测子单元，用于对所述待识别医学影像进行病灶类型检测，得到所述待识别医学影像的病灶类型；
结构确定子单元，用于根据所述病灶类型，确定所述病灶类型对应的边界结构信息；
边界生成子单元，用于基于所述边界结构信息，生成所述待识别医学影像中的至少一个病灶边界信息。
在一实施例中，所述边界生成子单元，可以包括：
位置识别模块，用于对所述待识别医学影像进行识别，得到所述待识别医学影像中病灶的位置信息；
定位模块，用于基于所述位置信息，在所述待识别医学影像中进行定位，得到符合所述位置信息的定位标识；
生成模块，用于基于所述定位标识，生成符合所述边界结构信息的病灶边界信息。
在一实施例中，所述生成单元303，可以包括：
边界确定子单元，用于响应于针对所述至少一个病灶边界信息的选择操作，在至少一个病灶边界信息中确定目标边界信息，其中，所述目标边界信息包括至少一个目标参考点；
连接子单元，用于将所述至少一个目标参考点进行连接处理，得到所述病灶区域。
在一实施例中，所述病灶区域识别装置，还可以包括：
检测单元，用于对对象针对所述待识别医学影像的操作进行检测；
采集单元，用于当检测到所述对象的操作为预设目标操作时，采集所述操作对应的操作属性信息；
显示单元，用于基于所述操作属性信息，在所述待识别医学影像中显示所述病灶区域和所述病灶边界信息。
在一实施例中，所述显示单元，可以包括：
状态确定子单元，用于基于所述操作属性信息，确定所述对象的查看状态信息；
筛选子单元，用于基于所述查看状态信息，在所述病灶边界信息中筛选出待显示病灶边界信息；
区域显示子单元，用于显示所述待显示病灶边界信息和所述病灶区域。
在一实施例中，所述状态确定子单元，可以包括：
匹配模块，用于将所述操作属性信息和预设属性阈值进行匹配；
第一确定模块，用于当所述操作属性信息符合所述预设属性阈值时，确定所述对象的查看状态信息为第一查看状态；
第二确定模块，用于当所述操作属性信息不符合所述预设属性阈值时，确定所述对象的查看状态信息为第二查看状态。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
通过上述的病灶区域识别装置可以识别出医学影像中病灶区域的准确性。
本申请实施例还提供一种电子设备，该电子设备可以包括终端或服务器，比如，电子设备可以作为病灶区域识别终端，该病灶区域识别终端可以为智能电视等等；又比如计算机产品可以为服务器，如病灶区域识别服务器等。如图9所示，其示出了本申请实施例所涉及的终端的结构示意图，具体来讲：
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图9中示出的电子设备结构并不构成对电子设备的限定，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401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401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、用户页面和应用程序等，调制解调处理器主要处理无线通讯。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401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402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402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计算机产品的使用所创建的数据等。此外，存储器402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402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401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403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。
该电子设备还可包括输入单元404，该输入单元404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，电子设备还可以包括排版单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器401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402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取待识别医学影像；
对所述待识别医学影像进行识别，得到所述待识别医学影像的至少一个病灶边界信息；
响应于针对所述至少一个病灶边界信息的选择操作，生成所述待识别医学影像的病灶区域。
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。
根据本申请的一个方面，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。计算机产品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，使得该计算机产品执行上述实施例中各种可选实现方式中提供的方法。
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计算机程序来完成，或通过计算机程序控制相关的硬件来完成，该计算机程序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，本申请实施例还提供一种存储介质，其中存储有计算机程序，该计算机程序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病灶区域识别方法中的步骤。例如，该计算机程序可以执行如下步骤：
获取待识别医学影像；
对所述待识别医学影像进行识别，得到所述待识别医学影像的至少一个病灶边界信息；
响应于针对所述至少一个病灶边界信息的选择操作，生成所述待识别医学影像的病灶区域。
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。
由于该存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种病灶区域识别方法中的步骤，因此，可以实现本申请实施例所提供的任一种病灶区域识别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。
以上对本申请实施例所提供的一种病灶区域识别方法、装置、电子设备和存储介质进行了详细介绍，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，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种病灶区域识别方法，其特征在于，包括：
获取待识别医学影像；
对所述待识别医学影像进行识别，得到所述待识别医学影像的至少一个病灶边界信息；
响应于针对所述至少一个病灶边界信息的选择操作，生成所述待识别医学影像的病灶区域。
2.根据权利要求1所述的方法，其特征在于，所述对所述待识别医学影像进行识别，得到所述待识别医学影像的至少一个病灶边界信息，包括：
对所述待识别医学影像进行病灶类型检测，得到所述待识别医学影像的病灶类型；
根据所述病灶类型，确定所述病灶类型对应的边界结构信息；
基于所述边界结构信息，生成所述待识别医学影像中的至少一个病灶边界信息。
3.根据权利要求2所述的方法，其特征在于，所述基于所述边界结构信息，生成所述待识别医学影像中的至少一个病灶边界信息，包括：
对所述待识别医学影像进行识别，得到所述待识别医学影像中病灶的位置信息；
基于所述位置信息，在所述待识别医学影像中进行定位，得到符合所述位置信息的定位标识；
基于所述定位标识，生成符合所述边界结构信息的病灶边界信息。
4.根据权利要求1所述的方法，其特征在于，所述响应于针对所述至少一个病灶边界信息的选择操作，生成所述待识别医学影像的病灶区域，包括：
响应于针对所述至少一个病灶边界信息的选择操作，在至少一个病灶边界信息中确定目标边界信息，其中，所述目标边界信息包括至少一个目标参考点；
将所述至少一个目标参考点进行连接处理，得到所述病灶区域。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对对象针对所述待识别医学影像的操作进行检测；
当检测到所述对象的操作为预设目标操作时，采集所述操作对应的操作属性信息；
基于所述操作属性信息，在所述待识别医学影像中显示所述病灶区域和所述病灶边界信息。
6.根据权利要求5所述的方法，其特征在于，所述基于所述操作属性信息，在所述待识别医学影像中显示所述病灶区域和所述病灶边界信息，包括：
基于所述操作属性信息，确定所述对象的查看状态信息；
基于所述查看状态信息，在所述病灶边界信息中筛选出待显示病灶边界信息；
显示所述待显示病灶边界信息和所述病灶区域。
7.根据权利要求6所述的方法，其特征在于，所述基于所述操作属性信息，确定所述对象的查看状态信息，包括：
将所述操作属性信息和预设属性阈值进行匹配；
当所述操作属性信息符合所述预设属性阈值时，确定所述对象的查看状态信息为第一查看状态；
当所述操作属性信息不符合所述预设属性阈值时，确定所述对象的查看状态信息为第二查看状态。
8.一种病灶区域识别装置，其特征在于，包括：
获取单元，用于获取待识别医学影像；
识别单元，用于对所述待识别医学影像进行识别，得到所述待识别医学影像的至少一个病灶边界信息；
生成单元，用于响应于针对所述至少一个病灶边界信息的选择操作，生成所述待识别医学影像的病灶区域。
9.一种电子设备，其特征在于，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行权利要求1至7任一项所述的病灶区域识别方法中的步骤。
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存储有多条计算机程序，所述计算机程序适于处理器进行加载，以执行权利要求1至7任一项所述的病灶区域识别方法中的步骤。
CN202210163233.8A 2022-02-22 2022-02-22 一种病灶区域识别方法、装置、电子设备和存储介质 Active CN114463323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210163233.8A CN114463323B (zh) 2022-02-22 2022-02-22 一种病灶区域识别方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210163233.8A CN114463323B (zh) 2022-02-22 2022-02-22 一种病灶区域识别方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN114463323A true CN114463323A (zh) 2022-05-10
CN114463323B CN114463323B (zh) 2023-09-08

Family

ID=81415059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210163233.8A Active CN114463323B (zh) 2022-02-22 2022-02-22 一种病灶区域识别方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114463323B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2259164C2 (ru) * 2001-01-24 2005-08-27 Российский научный центр "Восстановительная травматология и ортопедия" им. академика Г.А. Илизарова Способ оценки интенсивности костеобразования
US20110026788A1 (en) * 2008-04-02 2011-02-03 Matthias Elter Method and device for the segmentation of a lesion
CN106898044A (zh) * 2017-02-28 2017-06-27 成都金盘电子科大多媒体技术有限公司 一种基于医学影像并利用vr技术的器官拆分和操作方法及系统
CN109035234A (zh) * 2018-07-25 2018-12-18 腾讯科技（深圳）有限公司 一种结节检测方法、装置和存储介质
CN109583440A (zh) * 2017-09-28 2019-04-05 北京西格码列顿信息技术有限公司 结合影像识别与报告编辑的医学影像辅助诊断方法及系统
CN110136153A (zh) * 2019-05-14 2019-08-16 上海商汤智能科技有限公司 一种图像处理方法、设备及存储介质
CN110764665A (zh) * 2019-09-19 2020-02-07 深圳思为科技有限公司 信息处理方法、信息处理装置及终端设备
CN111047610A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 病灶区域呈现方法和装置
CN112418263A (zh) * 2020-10-10 2021-02-26 上海鹰瞳医疗科技有限公司 一种医学图像病灶分割标注方法及系统
CN112435256A (zh) * 2020-12-11 2021-03-02 北京大恒普信医疗技术有限公司 基于图像的cnv活动性病灶检测方法及装置、电子设备
CN113661518A (zh) * 2019-04-04 2021-11-16 皇家飞利浦有限公司 标识图像数据内的病灶的边界
RU2761719C1 (ru) * 2021-03-22 2021-12-13 федеральное государственное бюджетное образовательное учреждение высшего образования «Приволжский исследовательский медицинский университет» Министерства здравоохранения Российской Федерации (ФГБОУ ВО "ПИМУ" Минздрава России) Устройство для доставки лекарственного вещества в патологические очаги твердых тканей зубов и способ его изготовления
CN113808125A (zh) * 2021-04-23 2021-12-17 数坤(北京)网络科技股份有限公司 医学影像处理方法、病灶类型识别方法以及相关产品

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2259164C2 (ru) * 2001-01-24 2005-08-27 Российский научный центр "Восстановительная травматология и ортопедия" им. академика Г.А. Илизарова Способ оценки интенсивности костеобразования
US20110026788A1 (en) * 2008-04-02 2011-02-03 Matthias Elter Method and device for the segmentation of a lesion
CN106898044A (zh) * 2017-02-28 2017-06-27 成都金盘电子科大多媒体技术有限公司 一种基于医学影像并利用vr技术的器官拆分和操作方法及系统
CN109583440A (zh) * 2017-09-28 2019-04-05 北京西格码列顿信息技术有限公司 结合影像识别与报告编辑的医学影像辅助诊断方法及系统
CN109035234A (zh) * 2018-07-25 2018-12-18 腾讯科技（深圳）有限公司 一种结节检测方法、装置和存储介质
CN113661518A (zh) * 2019-04-04 2021-11-16 皇家飞利浦有限公司 标识图像数据内的病灶的边界
CN110136153A (zh) * 2019-05-14 2019-08-16 上海商汤智能科技有限公司 一种图像处理方法、设备及存储介质
CN110764665A (zh) * 2019-09-19 2020-02-07 深圳思为科技有限公司 信息处理方法、信息处理装置及终端设备
CN111047610A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 病灶区域呈现方法和装置
CN112418263A (zh) * 2020-10-10 2021-02-26 上海鹰瞳医疗科技有限公司 一种医学图像病灶分割标注方法及系统
CN112435256A (zh) * 2020-12-11 2021-03-02 北京大恒普信医疗技术有限公司 基于图像的cnv活动性病灶检测方法及装置、电子设备
RU2761719C1 (ru) * 2021-03-22 2021-12-13 федеральное государственное бюджетное образовательное учреждение высшего образования «Приволжский исследовательский медицинский университет» Министерства здравоохранения Российской Федерации (ФГБОУ ВО "ПИМУ" Минздрава России) Устройство для доставки лекарственного вещества в патологические очаги твердых тканей зубов и способ его изготовления
CN113808125A (zh) * 2021-04-23 2021-12-17 数坤(北京)网络科技股份有限公司 医学影像处理方法、病灶类型识别方法以及相关产品

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘丰伟;李汉军;张逸鹤;李若松;王尊升;唐晓英;: "人工智能在医学影像诊断中的应用", 北京生物医学工程, no. 02 *

Also Published As

Publication number Publication date
CN114463323B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
CN102473303B (zh) 生成对象数据
CN100517344C (zh) 用于医学介入程序规划的方法和装置
CN109934220B (zh) 一种影像兴趣点的展示方法、装置及终端
KR20190088375A (ko) 수술영상데이터 학습시스템
CN115105207A (zh) 基于混合现实的手术全息导航方法及系统
CN110458837A (zh) 一种图像后处理方法、装置、电子设备及存储介质
CN105342701A (zh) 一种基于影像信息融合的病灶虚拟穿刺系统
CN113656706A (zh) 基于多模态深度学习模型的信息推送方法及装置
CN104040591A (zh) 图像处理装置
CN114202516A (zh) 一种异物检测方法、装置、电子设备及存储介质
CN113344926A (zh) 胆胰超声图像识别方法、装置、服务器及存储介质
US11317966B2 (en) Impedance-based position tracking performance using scattered interpolant
CN116824173A (zh) 医学图像的处理方法、设备及存储介质
CN116747017A (zh) 脑出血手术规划系统及方法
CN114463323B (zh) 一种病灶区域识别方法、装置、电子设备和存储介质
CN114187281A (zh) 一种图像处理方法、装置、电子设备和存储介质
CN114242197B (zh) 一种结构化报告处理方法、装置及计算机可读存储介质
JP6426144B2 (ja) 医療システムに対する聴覚に関する機能強化
CN110706336A (zh) 一种基于医疗影像数据的三维重建方法及系统
CN113903433B (zh) 一种图像处理方法、装置和电子设备
CN113889236B (zh) 医学图像的处理方法、装置及计算机可读存储介质
CN112885435B (zh) 图像目标区域的确定方法、装置和系统
CN114037830A (zh) 增强图像生成模型的训练方法、图像处理方法及装置
CN206714823U (zh) 应用于手术导航的图像处理系统
CN112331312A (zh) 标注质量确定方法、装置、设备及介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230607

Address after: 200,030 Room 307, Area A, Floor 2, No.420 Fenglin Road, Xuhui District, Shanghai

Applicant after: Shukun (Shanghai) Medical Technology Co.,Ltd.

Address before: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing

Applicant before: Shukun (Beijing) Network Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant