CN114511569A - 基于肿瘤标志物的医学图像识别方法、装置、设备及介质 - Google Patents
基于肿瘤标志物的医学图像识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114511569A CN114511569A CN202210413390.XA CN202210413390A CN114511569A CN 114511569 A CN114511569 A CN 114511569A CN 202210413390 A CN202210413390 A CN 202210413390A CN 114511569 A CN114511569 A CN 114511569A
- Authority
- CN
- China
- Prior art keywords
- image
- identification
- result
- tumor marker
- recognition
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30061—Lung
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像识别领域，公开了一种基于肿瘤标志物的医学图像识别方法、装置、设备及介质，其中，所述方法包括：裁剪所述待识别医学图像中的第一感兴趣区域，得到全局待识别图像；裁剪所述待识别医学图像中的第二感兴趣区域，得到局部待识别图像，其中，所述第二感兴趣区域在所述第一感兴趣区域内；利用预构建的第一识别模型对所述全局待识别图像进行图像识别，得到第一识别结果；利用预构建的第二识别模型对所述局部待识别图像进行图像识别，得到第二识别结果；根据所述第一识别结果、所述第二识别结果及所述肿瘤标志物检测结果进行综合识别判断，得到目标识别结果。本发明可解决医学图像识别准确率不高的问题。
Description
技术领域
本发明涉及图像识别领域，尤其涉及一种基于肿瘤标志物的医学图像识别方法、装置、设备及介质。
背景技术
随着人工智能的发展，利用图像识别模型对图像进行识别的应用越来越广泛，不仅能够应用在生活中，在医疗科技中也得到了广泛的应用，例如：对病人的医学图像（如全肺的CT图像）进行识别，辅助医生进行肺部肿瘤的诊断。
但是，目前的医学图像的识别仅仅是对是对医学图像中需要识别的区域进行单一的全局识别，忽略图像的其他相关信息及图像局部的细微特征，导致医学图像识别的准确度低。
发明内容
本发明提供一种基于肿瘤标志物的医学图像识别方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决医学图像识别准确率不高的问题。
为实现上述目的，本发明提供的一种基于肿瘤标志物的医学图像识别方法，包括：
获取预设类别人体器官的待识别医学图像及对应的肿瘤标志物检测结果；
裁剪所述待识别医学图像中的第一感兴趣区域，得到全局待识别图像；
裁剪所述待识别医学图像中的第二感兴趣区域，得到局部待识别图像，其中，所述第二感兴趣区域在所述第一感兴趣区域内；
利用预构建的第一识别模型对所述全局待识别图像进行图像识别，得到第一识别结果；
利用预构建的第二识别模型对所述局部待识别图像进行图像识别，得到第二识别结果；
根据所述第一识别结果及所述第二识别结果进行逻辑运算，得到第三识别结果；
将所述第三识别结果转换为逻辑值，将所述肿瘤标志物检测结果转换为数值格式，并利用预设的识别权重对转换为逻辑值的所述第三识别结果及转换为数值格式的所述肿瘤标志物检测结果进行加权计算及结果判断，得到目标识别结果。
可选地，所述裁剪所述待识别医学图像中的第一感兴趣区域，得到全局待识别图像，包括：
裁剪所述待识别医学图像的第一感兴趣区域，得到第一裁剪图像；
对所述第一裁剪图像像素插值，得到预设大小的第一插值图像；
将所述第一插值图像中的每个像素值进行归一化，得到全局待识别图像。
可选地，所述利用预构建的第一识别模型对所述全局待识别图像进行图像识别，得到第一识别结果之前，所述方法还包括：
获取初始图像集，其中，所述初始图像集中每张初始图像都有对应的初始标签；
裁剪所述初始图像集中的每个初始图像的第一感兴趣区域，得到对应的第一标准图像；
汇总所有所述第一标准图像，得到第一标准图像集；
利用所述第一标准图像集对预构建的第一深度学习模型进行迭代训练，得到所述第一识别模型。
可选地，所述利用所述第一标准图像集对预构建的第一深度学习模型进行迭代训练，得到所述第一识别模型，包括：
步骤A：根据预设的卷积池化次数，对所述第一标准图像集进行卷积池化操作，得到特征集；
步骤B：利用预设的激活函数对所述特征集进行计算得到预测值，获取所述第一标准图像集中每张图像对应的所述初始标签的标签值，根据所述预测值及所述标签值，利用预构建的第一损失函数进行计算，得到第一损失值；
步骤C：对比所述第一损失值与预设的第一损失阈值的大小，当所述第一损失值大于或等于所述第一预设阈值时，返回所述步骤A；当所述第一损失值小于所述第一预设阈值时，停止训练，得到所述第一识别模型。
可选地，所述将所述第三识别结果转换为逻辑值，将所述肿瘤标志物检测结果转换为数值格式，并利用预设的识别权重对转换为逻辑值的所述第三识别结果及转换为数值格式的所述肿瘤标志物检测结果进行加权计算及结果判断，得到目标识别结果，包括：
将所述第三识别结果转化为逻辑值，得到识别参数；
按照预设的转换规则将所述肿瘤标志物检测结果中的每个肿瘤标志物指标对应的指标结果转化为数值，得到对应的指标参数；
将所述肿瘤标志物检测结果中所有肿瘤标志物指标进行排序，得到肿瘤标志物指标序列；
将所有所述指标参数按照每个所述指标参数对应的所述肿瘤标志物指标在所述肿瘤标志物指标序列中的先后顺序进行连接，得到检测结果向量；
获取每个所述肿瘤标志物指标对应的参考指标结果；
利用所述预设的转换规则将所述参考指标结果转换为数值，得到参考指标参数；
将所有所述参考指标参数按照每个所述参考指标参数对应的所述肿瘤标志物指标在所述肿瘤标志物指标序列中的先后顺序进行连接，得到检测结果向量；
计算所述检测结果向量与所述检测参考向量的相似度，得到肿瘤标志物检测参数；
利用预设的权重参数、所述识别参数及所述肿瘤标志物检测参数进行加权计算，得到目标检测参数；
根据预设的目标检测阈值对所述目标检测参数进行识别判断，得到所述目标识别结果。
可选地，所述将所述第三识别结果转化为逻辑值，得到识别参数，包括：
当所述第三识别结果为肿瘤，将所述第三识别结果转化为1，得到所述识别参数；
当所述第三识别结果为非肿瘤，将所述第三识别结果转化为0，得到所述识别参数。
可选地，所述根据预设的目标检测阈值对所述目标检测参数进行判断，得到所述目标识别结果，包括：
当所述目标检测参数大于或等于所述目标检测阈值，则所述目标识别结果为肿瘤；
当所述目标检测参数小于所述目标检测阈值，则所述目标识别结果为非肿瘤。
为了解决上述问题，本发明还提供一种基于肿瘤标志物的医学图像识别装置，所述装置包括：
全局图像识别模块，用于获取预设类别人体器官的待识别医学图像及对应的肿瘤标志物检测结果；裁剪所述待识别医学图像中的第一感兴趣区域，得到全局待识别图像；裁剪所述待识别医学图像中的第二感兴趣区域，得到局部待识别图像，其中，所述第二感兴趣区域在所述第一感兴趣区域内；利用预构建的第一识别模型对所述全局待识别图像进行图像识别，得到第一识别结果；
局部图像识别模块，用于利用预构建的第二识别模型对所述局部待识别图像进行图像识别，得到第二识别结果；
图像多维识别模块，用于根据所述第一识别结果及所述第二识别结果进行逻辑运算，得到第三识别结果；将所述第三识别结果转换为逻辑值，将所述肿瘤标志物检测结果转换为数值格式，并利用预设的识别权重对转换为逻辑值的所述第三识别结果及转换为数值格式的所述肿瘤标志物检测结果进行加权计算及结果判断，得到目标识别结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于肿瘤标志物的医学图像识别方法。
为了解决上述问题，本发明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中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于肿瘤标志物的医学图像识别方法。
本发明实施例中利用预构建的第一识别模型对所述全局待识别图像进行图像识别，得到第一识别结果；利用预构建的第二识别模型对所述局部待识别图像进行图像识别，得到第二识别结果；根据所述第一识别结果及所述第二识别结果进行逻辑运算，得到第三识别结果；将所述第三识别结果转换为逻辑值，将所述肿瘤标志物检测结果转换为数值格式，并利用预设的识别权重对转换为逻辑值的所述第三识别结果及转换为数值格式的所述肿瘤标志物检测结果进行加权计算及结果判断，得到目标识别结果；第一识别结果是从全局角度进行识别，第二识别结果是从局部角度进行识别，在全局识别的基础上进一步进行局部识别，再综合肿瘤标志物检测结果进行识别判断，相比单一的全局识别，识别的维度更加多元，识别的准确率更高，因此本发明提出的基于肿瘤标志物的医学图像识别方法、装置、电子设备及计算机可读存储介质，可以解决医学图像识别准确率不高的问题。
附图说明
图1为本发明一实施例提供的基于肿瘤标志物的医学图像识别方法的流程示意图；
图2为本发明一实施例提供的基于肿瘤标志物的医学图像识别方法中得到全局待识别图像的流程示意图；
图3为本发明一实施例提供的基于肿瘤标志物的医学图像识别方法中得到第二识别模型的流程示意图；
图4为本发明一实施例提供的基于肿瘤标志物的医学图像识别装置的功能模块图；
图5为本发明一实施例提供的实现所述基于肿瘤标志物的医学图像识别方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于肿瘤标志物的医学图像识别方法。所述基于肿瘤标志物的医学图像识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于肿瘤标志物的医学图像识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的基于肿瘤标志物的医学图像识别方法的流程示意图。在本实施例中，所述基于肿瘤标志物的医学图像识别方法包括：
S1、获取预设类别人体器官的待识别医学图像及对应的肿瘤标志物检测结果；
本发明实施例中为了识别所述人体器官的肿瘤图像，获取预设类别人体器官的待识别医学图像及对应的肿瘤标志物检测结果。本发明实施例中所述待识别医学图像为所述人体器官相关的的医学图像，如所述人体器官为肺部，那么所述待识别医学图像可以为病人胸部X光片，所述肿瘤标志物检测结果为所述人体器官相关的中肿瘤标志物指标的指标结果的集合，所述指标结果为不同肿瘤标志物指标的检测结果。所述肿瘤标志物指标如血清癌胚抗原、甲胎蛋白、癌胚抗原。
S2、裁剪所述待识别医学图像中的第一感兴趣区域，得到全局待识别图像；
本发明实施例中为了去除所述待识别医学图像中图像背景对识别的干扰，因此，裁剪所述待识别医学图像中的第一感兴趣区域，得到全局待识别图像，其中，所述第一感兴趣区域为所述待识别医学图像中的所述人体器官区域。如：所述人体器官为肺，那么所述第一感兴趣区域为肺部区域。
详细地，参阅图2所示，本发明实施例中裁剪所述待识别医学图像中的第一感兴趣区域，得到全局待识别图像，包括：
S21、裁剪所述待识别医学图像的第一感兴趣区域，得到第一裁剪图像；
S22、对所述第一裁剪图像像素插值，得到预设大小的第一插值图像；
本发明实施例中可利用线性插值、多线性插值等插值算法对所述所述第一裁剪图像像素插值，本发明实施例对像素插值的方法不做限制。
S23、将所述第一插值图像中的每个像素值进行归一化，得到全局待识别图像。
本发明实施例中为了提高后续图像识别的速度，将所述第一插值图像中的每个像素值进行归一化，具体地，本发明实施例将所述第一插值图像中的每个像素值进行归一化可用如下公式进行计算：
其中， 
表示所述所述第一插值图像中的像素值，
表示
归一化后的像素值，
表示所述第一插值图像中的最大像素值，
表示所述第一插值图像中的最小像素值。
S3、裁剪所述待识别医学图像中的第二感兴趣区域，得到局部待识别图像，其中，所述第二感兴趣区域在所述第一感兴趣区域内；
本发明实施例中为了去除所述待识别医学图像中图像背景对识别的干扰，因此，裁剪所述待识别医学图像中的第二感兴趣区域，得到局部待识别图像；进一步地，本发明实施例中所述第二感兴趣区域为所述第一感兴趣区域中经常发现肿瘤的部位，如：所述第一感兴趣区域为肺部区域，所述第二感兴趣区域为上肺部区域。
具体地，本发明实施例中裁剪所述待识别医学图像中的第二感兴趣区域，得到局部待识别图像，包括：
裁剪所述待识别图像的第二感兴趣区域，得到第二裁剪图像；
对所述第二裁剪图像像素插值，得到预设大小的第二插值图像；
将所述第二插值图像中的每个像素值进行归一化，得到局部待识别图像。
S4、利用预构建的第一识别模型对所述全局待识别图像进行图像识别，得到第一识别结果；
本发明实施例中利用预构建的第一识别模型对所述全局待识别图像进行图像识别之前，所述方法还包括：获取初始图像集，其中，所述初始图像集中的每个初始图像都有对应的初始标签，所述初始标签为预设的肿瘤判别标签，如：肿瘤与非肿瘤；进一步地，裁剪所述初始图像集中的每个初始图像的第一感兴趣区域，得到对应的第一标准图像，本发明实施例中裁剪所述初始图像集中的每个初始图像的第一感兴趣区域，得到对应的第一标准图像与S2中裁剪所述待识别医学图像中的第一感兴趣区域，得到全局待识别图像的方法类似，在此不在赘述；进一步地，汇总所有所述第一标准图像，得到第一标准图像集；利用所述第一标准图像集对预构建的第一深度学习模型进行迭代训练，得到所述第一识别模型，其中，所述初始图像集中的每个初始图像与所述待识别医学图像的图像类型相同，所述初始图像集中的每个初始图像都有对应的初始标签。
具体地，本发明实施例中所述第一深度学习模型可以为卷积神经网络模型、残差网络模型等深度学习模型，本发明实施例对所述第一深度学习模型不做限制。
可选地，本发明实施例中利用所述第一标准图像集对预构建的第一深度学习模型进行迭代训练，包括：
步骤A：根据预设的卷积池化次数，对所述第一标准图像集进行卷积池化操作，得到特征集；
步骤B：利用预设的激活函数对所述特征集进行计算得到预测值，获取所述第一标准图像集中每张图像对应的所述初始标签的标签值，根据所述预测值及所述标签值，利用预构建的第一损失函数进行计算，得到第一损失值；
本发明实施例中所述标签值与所述初始标签是一一对应的，例如：所述初始标签共有肿瘤与非肿瘤两种标签，肿瘤标签对应的标签值为1，非肿瘤标签对应的标签值为0。
步骤C：对比所述第一损失值与预设的第一损失阈值的大小，当所述第一损失值大于或等于所述第一预设阈值时，返回所述步骤A；当所述第一损失值小于所述第一预设阈值时，停止训练，得到所述第一识别模型。
详细地，本发明实施例中所述对所述第一标准图像集进行卷积池化操作得到第一特征集，包括：对所述第一标准图像集进行卷积操作得到第一卷积数据集；对所述第一卷积数据集进行最大池化操作得到所述第一特征集。
进一步地，所述卷积操作为：
其中，
表示所述第一卷积数据集的通道数，
表示所述第一标准图像集的通道数，
为预设卷积核的大小，
为预设卷积操作的步幅，
为预设数据补零矩阵。
进一步地，本发明较佳实施例所述第一激活函数包括：
其中，
表示所述预测值，s表示所述特征集中的数据。
详细地，本发明实施例所述第一损失函数包括：
其中，
表示所述第一损失值，
为所述第一标准图像集的数据数目，
为正整数，
为所述标签值，
为所述预测值。
S5、利用预构建的第二识别模型对所述局部待识别图像进行图像识别，得到第二识别结果；
参阅图3所示，本发明实施例中利用预构建的第二识别模型对所述局部待识别图像进行图像识别之前，所述方法包括：
S51、裁剪所述初始图像集中的每个初始图像中的第二感兴趣区域，得到对应的初始裁剪图像；
本发明实施例中裁剪所述初始图像集中的每个初始图像中的第二感兴趣区域与S3中裁剪所述待识别医学图像中的第二感兴趣区域，得到局部待识别图像的方法相似，在此不在赘述。
S52、汇总所有所述初始裁剪图像，得到初始裁剪图像集；
S53、对所述裁剪图像集中的每张图像进行预设角度旋转，并以对应的旋转角度进行标签标记，得到第二标准图像集；
本发明实施例中，为了提高后续模型的泛化能力，利用本领域技术人员熟知的自监督学习模型训练的数据处理方法对所述第二裁剪图像集中的每张图像进行角度调整及对应的角度标签标记，例如：对所述第二裁剪图像集中的图像进行随机0°、90°、180°、270°旋转，且进行旋转角度标签标记，得到所述第二标准图像集。
详细地，所述第二标准图像集中的图像具有双重标签，分别为所述初始标签及所述旋转角度标签，例如：图像A的初始标签为肿瘤，旋转角度标签为90°。
S54、利用所述第二标准图像集对预构建的第二深度学习模型进行迭代训练，得到第二识别模型；
具体地，本发明实施例中所述第二深度学习模型可以为卷积神经网络模型、残差网络模型等深度学习模型，本发明实施例对所述第二深度学习模型不做限制。
可选地，本发明实施例中利用所述第二标准图像集对预构建的第二深度学习模型进行迭代训练，包括：
步骤I：根据预设的第二损失函数及预设的第三损失函数进行权重计算，得到目标损失函数；
详细地，本发明实施例中，所述第二标准图像集中的图像具有双重标签，分别为所述初始标签与所述旋转角度标签，因此模型训练过程中会产生两种类别的预测结果，为了对所述两种类别的预测结果分别进行衡量，需要两个损失函数，分别为所述第二损失函数及所述第三损失函数，所述第二损失函数为所述初始标签对应的损失函数，所述第三损失函数为所述旋转角度标签对应的损失函数。
进一步地，为了很好的衡量模型的训练进度，根据预设的第二损失函数及预设的第三损失函数进行权重计算，所述权重计算可用以下公式表示：
其中，
为所述目标损失函数，
为所述第二损失函数；
为所述第三损失函数，
、
为预设权重系数。
步骤II：根据所述目标损失函数，利用所述第二标准图像集对所述第二深度学习模型进行训练；当所述目标损失函数的值小于第二预设阈值时，停止训练，得到所述第二识别模型。
进一步地，本发明实施例利用所述第二识别模型对所述局部待识别图像进行识别，会得到两种识别结果一种为图像识别结果一种为图像角度识别结果，本发明实施例仅需要图像识别结果，因此，本发明实施例利用所述第二识别模型对所述局部待识别图像进行识别，得到包含图像识别结果及图像旋转角度识别结果的初始识别结果；提取所述初始识别结果中的图像识别结果，得到所述第二识别结果。
例如：所述初始识别结果中图像识别结果为肿瘤，图像旋转角度识别结果为90°，那么提取所述初始识别结果中的图像识别结果，得到所述第二识别结果，所述第二识别结果为肿瘤。
S6、根据所述第一识别结果及所述第二识别结果进行逻辑运算，得到第三识别结果；
本发明实施例中根据所述第一识别结果及所述第二识别结果进行逻辑运算，得到第三识别结果，包括：
本发明实施例中所述根据所述第一识别结果及所述第二识别结果进行逻辑运算，得到所述第三识别结果，其中，本发明实施例中所述逻辑运算为或、与两种逻辑运算，例如：所述第一识别结果为肿瘤，所述第二识别结果为非肿瘤，或所述第一识别结果为非肿瘤，所述第二识别结果为肿瘤，则所述第三识别结果为肿瘤；当所述第一识别结果与所述第二识别结果均为非肿瘤，则所述第三识别结果为非肿瘤；当所述当所述第一识别结果与所述第二识别结果均为肿瘤，则所述第三识别结果为肿瘤。
本发明实施例中所述第一识别结果为所述待识别医学图像中人体器官区域的全局识别，所述第二识别结果为所述待识别医学图像中人体器官区域的局部识别，通过全局和局部的双重识别提高了识别的准确率。
S7、将所述第三识别结果转换为逻辑值，将所述所述肿瘤标志物检测结果转换为数值格式，并利用预设的识别权重对转换为逻辑值的所述第三识别结果及转换为数值格式的所述肿瘤标志物检测结果进行加权计算及结果判断，得到目标识别结果。
本发明实施例中将所述第三识别结果转换为逻辑值，将所述肿瘤标志物检测结果转换为数值格式，并利用预设的识别权重对转换为逻辑值的所述第三识别结果及转换为数值格式的所述肿瘤标志物检测结果进行加权计算及结果判断，得到目标识别结果，包括：
步骤a、将所述第三识别结果转化为逻辑值，得到识别参数；
本发明实施例中所述第三识别结果为肿瘤或非肿瘤，因此，为了便于后续计算将所述第三识别结果转化为逻辑值0或1，得到所述识别参数。
步骤b、按照预设的转换规则将所述肿瘤标志物检测结果中的每个肿瘤标志物指标对应的指标结果转化为数值，得到对应的指标参数；
本发明实施例中所述转换规则可以为指标结果正常对应的指标参数为1，指标结果异常对应的指标参数为0；或指标结果大于正常标准对应的指标参数为1，指标结果在正常的标准范围内对应的指标参数为0，指标结果小于正常的标准对应的指标参数为-1，本发明实施例对所述转换规则不做限制。
步骤c、将所述肿瘤标志物检测结果中所有肿瘤标志物指标进行排序，得到肿瘤标志物指标序列；
步骤d、将所有所述指标参数按照每个所述指标参数对应的所述肿瘤标志物指标在所述肿瘤标志物指标序列中的先后顺序进行连接，得到检测结果向量；
步骤e、获取每个所述肿瘤标志物指标对应的参考指标结果；
可选地，本发明实施例中所述参考指标结果为所述人体器官肿瘤时该项肿瘤标志物指标的参考结果。
步骤f、利用所述预设的转换规则将所述参考指标结果转换为数值，得到参考指标参数；
步骤g、将所有所述参考指标参数按照每个所述参考指标参数对应的所述肿瘤标志物指标在所述肿瘤标志物指标序列中的先后顺序进行连接，得到检测结果向量；
步骤h、计算所述检测结果向量与所述检测参考向量的相似度，得到肿瘤标志物检测参数；
本发明实施例中当所述肿瘤标志物检测参数越大，那么说明所述肿瘤标志物检测结果中异常指标越多，肿瘤的概率也就越高。
步骤i、利用预设的权重参数、所述识别参数及所述肿瘤标志物检测参数进行加权计算，得到目标检测参数；
具体地，本发明实施例利用如下公式进行加权计算：
目标检测参数=权重参数*识别参数+（1-权重参数）*肿瘤标志物检测参数
可选地，本发明实施例中所述权重参数为0.5。
根据预设的目标检测阈值对所述目标检测参数进行判断，得到所述目标识别结果。
具体地，本发明实施例中将所述第三识别结果转化为逻辑值，得到识别参数，包括：
当所述第三识别结果为肿瘤，将所述第三识别结果转化为1，得到所述识别参数；
当所述第三识别结果为非肿瘤，将所述第三识别结果转化为0，得到所述识别参数。
进一步地，本发明实施例中根据预设的目标检测阈值对所述目标检测参数进行判断，得到所述目标识别结果，包括：
当所述目标检测参数大于或等于所述目标检测阈值，则所述目标识别结果为肿瘤；
当所述目标检测参数小于所述目标检测阈值，则所述目标识别结果为非肿瘤。
进一步地，本发明实施例中通过利用通过对所述待识别医学图像进行识别得到目标识别结果，以帮助医生对所述预设类别的人体器官进行不同针对性的临床检验，如所述目标识别结果为肿瘤可以对所述预设类别的人体器官的进行进一步地穿刺活检帮助医生进行进一步的疾病诊断；所述目标识别结果为非肿瘤可以帮助医生考虑对所述预设类别的人体器官进行其他非肿瘤疾病类型的检测，帮助医生缩小诊断范围，进一步确诊疾病诊断结果。
本发明实施例中利用预构建的第一识别模型对所述全局待识别图像进行图像识别，得到第一识别结果；利用预构建的第二识别模型对所述局部待识别图像进行图像识别，得到第二识别结果；根据所述第一识别结果及所述第二识别结果进行逻辑运算，得到第三识别结果；将所述第三识别结果转换为逻辑值，将所述肿瘤标志物检测结果转换为数值格式，并利用预设的识别权重对转换为逻辑值的所述第三识别结果及转换为数值格式的所述肿瘤标志物检测结果进行加权计算及结果判断，得到目标识别结果；第一识别结果是从全局角度进行识别，第二识别结果是从局部角度进行识别，在全局识别的基础上进一步进行局部识别，再综合肿瘤标志物检测结果进行识别判断，相比单一的全局识别，识别的维度更加多元，识别的准确率更高。
如图4所示，是本发明一实施例提供的基于肿瘤标志物的医学图像识别装置的功能模块图，其可以实现实施例1中的监测方法。
本发明所述基于肿瘤标志物的医学图像识别装置100可以安装于电子设备中。根据实现的功能，所述基于肿瘤标志物的医学图像识别装置100可以包括全局图像识别模块101、局部图像识别模块102、图像多维识别模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
所述全局图像识别模块101用于获取预设类别人体器官的待识别医学图像及对应的肿瘤标志物检测结果；裁剪所述待识别医学图像中的第一感兴趣区域，得到全局待识别图像；裁剪所述待识别医学图像中的第二感兴趣区域，得到局部待识别图像，其中，所述第二感兴趣区域在所述第一感兴趣区域内；利用预构建的第一识别模型对所述全局待识别图像进行图像识别，得到第一识别结果；
所述局部图像识别模块102用于利用预构建的第二识别模型对所述局部待识别图像进行图像识别，得到第二识别结果；
所述图像多维识别模块103用于根据所述第一识别结果及所述第二识别结果进行逻辑运算，得到第三识别结果；将所述第三识别结果转换为逻辑值，将所述肿瘤标志物检测结果转换为数值格式，并利用预设的识别权重对转换为逻辑值的所述第三识别结果及转换为数值格式的所述肿瘤标志物检测结果进行加权计算及结果判断，得到目标识别结果。
详细地，本发明实施例中所述基于肿瘤标志物的医学图像识别装置100中的所述各模块在使用时采用与上述的图1中所述的基于肿瘤标志物的医学图像识别方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图5所示，是本发明一实施例提供的实现基于肿瘤标志物的医学图像识别方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于肿瘤标志物的医学图像识别方法程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于肿瘤标志物的医学图像识别方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如基于肿瘤标志物的医学图像识别方法程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
可选地，所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、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。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于肿瘤标志物的医学图像识别方法程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取预设类别人体器官的待识别医学图像及对应的肿瘤标志物检测结果；
裁剪所述待识别医学图像中的第一感兴趣区域，得到全局待识别图像；
裁剪所述待识别医学图像中的第二感兴趣区域，得到局部待识别图像，其中，所述第二感兴趣区域在所述第一感兴趣区域内；
利用预构建的第一识别模型对所述全局待识别图像进行图像识别，得到第一识别结果；
利用预构建的第二识别模型对所述局部待识别图像进行图像识别，得到第二识别结果；
根据所述第一识别结果及所述第二识别结果进行逻辑运算，得到第三识别结果；
将所述第三识别结果转换为逻辑值，将所述肿瘤标志物检测结果转换为数值格式，并利用预设的识别权重对转换为逻辑值的所述第三识别结果及转换为数值格式的所述肿瘤标志物检测结果进行加权计算及结果判断，得到目标识别结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取预设类别人体器官的待识别医学图像及对应的肿瘤标志物检测结果；
裁剪所述待识别医学图像中的第一感兴趣区域，得到全局待识别图像；
裁剪所述待识别医学图像中的第二感兴趣区域，得到局部待识别图像，其中，所述第二感兴趣区域在所述第一感兴趣区域内；
利用预构建的第一识别模型对所述全局待识别图像进行图像识别，得到第一识别结果；
利用预构建的第二识别模型对所述局部待识别图像进行图像识别，得到第二识别结果；
根据所述第一识别结果及所述第二识别结果进行逻辑运算，得到第三识别结果；
将所述第三识别结果转换为逻辑值，将所述肿瘤标志物检测结果转换为数值格式，并利用预设的识别权重对转换为逻辑值的所述第三识别结果及转换为数值格式的所述肿瘤标志物检测结果进行加权计算及结果判断，得到目标识别结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于肿瘤标志物的医学图像识别方法，其特征在于，所述方法包括：
获取预设类别人体器官的待识别医学图像及对应的肿瘤标志物检测结果；
裁剪所述待识别医学图像中的第一感兴趣区域，得到全局待识别图像；
裁剪所述待识别医学图像中的第二感兴趣区域，得到局部待识别图像，其中，所述第二感兴趣区域在所述第一感兴趣区域内；
利用预构建的第一识别模型对所述全局待识别图像进行图像识别，得到第一识别结果；
利用预构建的第二识别模型对所述局部待识别图像进行图像识别，得到第二识别结果；
根据所述第一识别结果及所述第二识别结果进行逻辑运算，得到第三识别结果；
将所述第三识别结果转换为逻辑值，将所述肿瘤标志物检测结果转换为数值格式，并利用预设的识别权重对转换为逻辑值的所述第三识别结果及转换为数值格式的所述肿瘤标志物检测结果进行加权计算及结果判断，得到目标识别结果。
2.如权利要求1所述的基于肿瘤标志物的医学图像识别方法，其特征在于，所述裁剪所述待识别医学图像中的第一感兴趣区域，得到全局待识别图像，包括：
裁剪所述待识别医学图像的第一感兴趣区域，得到第一裁剪图像；
对所述第一裁剪图像像素插值，得到预设大小的第一插值图像；
将所述第一插值图像中的每个像素值进行归一化，得到全局待识别图像。
3.如权利要求1所述的基于肿瘤标志物的医学图像识别方法，其特征在于，所述利用预构建的第一识别模型对所述全局待识别图像进行图像识别，得到第一识别结果之前，所述方法还包括：
获取初始图像集，其中，所述初始图像集中每张初始图像都有对应的初始标签；
裁剪所述初始图像集中的每个初始图像的第一感兴趣区域，得到对应的第一标准图像；
汇总所有所述第一标准图像，得到第一标准图像集；
利用所述第一标准图像集对预构建的第一深度学习模型进行迭代训练，得到所述第一识别模型。
4.如权利要求3所述的基于肿瘤标志物的医学图像识别方法，其特征在于，所述利用所述第一标准图像集对预构建的第一深度学习模型进行迭代训练，得到所述第一识别模型，包括：
步骤A：根据预设的卷积池化次数，对所述第一标准图像集进行卷积池化操作，得到特征集；
步骤B：利用预设的激活函数对所述特征集进行计算得到预测值，获取所述第一标准图像集中每张图像对应的所述初始标签的标签值，根据所述预测值及所述标签值，利用预构建的第一损失函数进行计算，得到第一损失值；
步骤C：对比所述第一损失值与预设的第一损失阈值的大小，当所述第一损失值大于或等于所述第一预设阈值时，返回所述步骤A；当所述第一损失值小于所述第一预设阈值时，停止训练，得到所述第一识别模型。
5.如权利要求1至4中任意一项所述的基于肿瘤标志物的医学图像识别方法，其特征在于，所述将所述第三识别结果转换为逻辑值，将所述肿瘤标志物检测结果转换为数值格式，并利用预设的识别权重对转换为逻辑值的所述第三识别结果及转换为数值格式的所述肿瘤标志物检测结果进行加权计算及结果判断，得到目标识别结果，包括：
将所述第三识别结果转化为逻辑值，得到识别参数；
按照预设的转换规则将所述肿瘤标志物检测结果中的每个肿瘤标志物指标对应的指标结果转化为数值，得到对应的指标参数；
将所述肿瘤标志物检测结果中所有肿瘤标志物指标进行排序，得到肿瘤标志物指标序列；
将所有所述指标参数按照每个所述指标参数对应的所述肿瘤标志物指标在所述肿瘤标志物指标序列中的先后顺序进行连接，得到检测结果向量；
获取每个所述肿瘤标志物指标对应的参考指标结果；
利用所述预设的转换规则将所述参考指标结果转换为数值，得到参考指标参数；
将所有所述参考指标参数按照每个所述参考指标参数对应的所述肿瘤标志物指标在所述肿瘤标志物指标序列中的先后顺序进行连接，得到检测结果向量；
计算所述检测结果向量与所述检测参考向量的相似度，得到肿瘤标志物检测参数；
利用预设的权重参数、所述识别参数及所述肿瘤标志物检测参数进行加权计算，得到目标检测参数；
根据预设的目标检测阈值对所述目标检测参数进行识别判断，得到所述目标识别结果。
6.如权利要求5所述的基于肿瘤标志物的医学图像识别方法，其特征在于，所述将所述第三识别结果转化为逻辑值，得到识别参数，包括：
当所述第三识别结果为肿瘤，将所述第三识别结果转化为1，得到所述识别参数；
当所述第三识别结果为非肿瘤，将所述第三识别结果转化为0，得到所述识别参数。
7.如权利要求5所述的基于肿瘤标志物的医学图像识别方法，其特征在于，所述根据预设的目标检测阈值对所述目标检测参数进行判断，得到所述目标识别结果，包括：
当所述目标检测参数大于或等于所述目标检测阈值，则所述目标识别结果为肿瘤；
当所述目标检测参数小于所述目标检测阈值，则所述目标识别结果为非肿瘤。
8.一种基于肿瘤标志物的医学图像识别装置，其特征在于，所述装置包括：
全局图像识别模块，用于获取预设类别人体器官的待识别医学图像及对应的肿瘤标志物检测结果；裁剪所述待识别医学图像中的第一感兴趣区域，得到全局待识别图像；裁剪所述待识别医学图像中的第二感兴趣区域，得到局部待识别图像，其中，所述第二感兴趣区域在所述第一感兴趣区域内；利用预构建的第一识别模型对所述全局待识别图像进行图像识别，得到第一识别结果；
局部图像识别模块，用于利用预构建的第二识别模型对所述局部待识别图像进行图像识别，得到第二识别结果；
图像多维识别模块，用于根据所述第一识别结果及所述第二识别结果进行逻辑运算，得到第三识别结果；将所述第三识别结果转换为逻辑值，将所述肿瘤标志物检测结果转换为数值格式，并利用预设的识别权重对转换为逻辑值的所述第三识别结果及转换为数值格式的所述肿瘤标志物检测结果进行加权计算及结果判断，得到目标识别结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述基于肿瘤标志物的医学图像识别方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，其特征在于，所述存储数据区存储创建的数据，所述存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述基于肿瘤标志物的医学图像识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210413390.XA CN114511569B (zh) | 2022-04-20 | 2022-04-20 | 基于肿瘤标志物的医学图像识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210413390.XA CN114511569B (zh) | 2022-04-20 | 2022-04-20 | 基于肿瘤标志物的医学图像识别方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114511569A true CN114511569A (zh) | 2022-05-17 |
| CN114511569B CN114511569B (zh) | 2022-07-12 |
Family
ID=81555248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210413390.XA Active CN114511569B (zh) | 2022-04-20 | 2022-04-20 | 基于肿瘤标志物的医学图像识别方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114511569B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116504394A (zh) * | 2023-06-21 | 2023-07-28 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 基于多特征融合的辅助医疗方法、装置及计算机存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011203976A (ja) * | 2010-03-25 | 2011-10-13 | Stargate Science Kk | 診断支援装置 |
| JP2018026039A (ja) * | 2016-08-12 | 2018-02-15 | 前田建設工業株式会社 | 情報処理装置、情報処理方法およびプログラム |
| CN110146636A (zh) * | 2019-04-30 | 2019-08-20 | 北京谷海天目生物医学科技有限公司 | 胃癌分型的蛋白标志物的筛选方法、筛选装置及其筛选的蛋白标志物的应用 |
| CN110610202A (zh) * | 2019-08-30 | 2019-12-24 | 联想(北京)有限公司 | 一种图像处理方法及电子设备 |
| WO2020034526A1 (zh) * | 2018-08-17 | 2020-02-20 | 深圳壹账通智能科技有限公司 | 保险录音的质检方法、装置、设备和计算机存储介质 |
| CN111584073A (zh) * | 2020-05-13 | 2020-08-25 | 山东大学 | 基于人工智能融合多模态信息构建肺结节良恶性的多种病理类型的诊断模型 |
| CN111932564A (zh) * | 2020-09-24 | 2020-11-13 | 平安科技（深圳）有限公司 | 图片识别方法、装置、电子设备及计算机可读存储介质 |
| CN114078112A (zh) * | 2020-10-16 | 2022-02-22 | 武汉联影医疗科技有限公司 | 肝脏变性程度的检测方法、装置、计算机设备和存储介质 |
-
2022
- 2022-04-20 CN CN202210413390.XA patent/CN114511569B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011203976A (ja) * | 2010-03-25 | 2011-10-13 | Stargate Science Kk | 診断支援装置 |
| JP2018026039A (ja) * | 2016-08-12 | 2018-02-15 | 前田建設工業株式会社 | 情報処理装置、情報処理方法およびプログラム |
| WO2020034526A1 (zh) * | 2018-08-17 | 2020-02-20 | 深圳壹账通智能科技有限公司 | 保险录音的质检方法、装置、设备和计算机存储介质 |
| CN110146636A (zh) * | 2019-04-30 | 2019-08-20 | 北京谷海天目生物医学科技有限公司 | 胃癌分型的蛋白标志物的筛选方法、筛选装置及其筛选的蛋白标志物的应用 |
| CN110610202A (zh) * | 2019-08-30 | 2019-12-24 | 联想(北京)有限公司 | 一种图像处理方法及电子设备 |
| CN111584073A (zh) * | 2020-05-13 | 2020-08-25 | 山东大学 | 基于人工智能融合多模态信息构建肺结节良恶性的多种病理类型的诊断模型 |
| CN111932564A (zh) * | 2020-09-24 | 2020-11-13 | 平安科技（深圳）有限公司 | 图片识别方法、装置、电子设备及计算机可读存储介质 |
| WO2021189910A1 (zh) * | 2020-09-24 | 2021-09-30 | 平安科技（深圳）有限公司 | 图片识别方法、装置、电子设备及计算机可读存储介质 |
| CN114078112A (zh) * | 2020-10-16 | 2022-02-22 | 武汉联影医疗科技有限公司 | 肝脏变性程度的检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| SAMUEL H. LEWIS 等: "Detection of breast tumor candidates using marker-controlled watershed segmentation and morphological analysis", 《2012 IEEE SOUTHWEST SYMPOSIUM ON IMAGE ANALYSIS AND INTERPRETATION》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116504394A (zh) * | 2023-06-21 | 2023-07-28 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 基于多特征融合的辅助医疗方法、装置及计算机存储介质 |
| CN116504394B (zh) * | 2023-06-21 | 2024-01-30 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 基于多特征融合的辅助医疗方法、装置及计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114511569B (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111932564B (zh) | 图片识别方法、装置、电子设备及计算机可读存储介质 | |
| CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
| CN111932534B (zh) | 医学影像图片分析方法、装置、电子设备及可读存储介质 | |
| CN111652845A (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
| CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
| CN111933274A (zh) | 疾病分类诊断方法、装置、电子设备及存储介质 | |
| CN114462412B (zh) | 实体识别方法、装置、电子设备及存储介质 | |
| CN113705462A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN113111162A (zh) | 科室推荐方法、装置、电子设备及存储介质 | |
| CN111476760B (zh) | 医学图像的生成方法、装置、电子设备及介质 | |
| CN114511569B (zh) | 基于肿瘤标志物的医学图像识别方法、装置、设备及介质 | |
| CN112885423A (zh) | 疾病标签检测方法、装置、电子设备及存储介质 | |
| CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
| CN112990374B (zh) | 图像分类方法、装置、电子设备及介质 | |
| CN111932563B (zh) | 图片区域分割方法、装置、电子设备及存储介质 | |
| CN113487621A (zh) | 医学图像分级方法、装置、电子设备及可读存储介质 | |
| CN113157739A (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
| CN113239814B (zh) | 基于光流重构的面部表情识别方法、装置、设备及介质 | |
| CN112580505B (zh) | 网点开关门状态识别方法、装置、电子设备及存储介质 | |
| CN112215336B (zh) | 基于用户行为的数据标注方法、装置、设备及存储介质 | |
| WO2023274599A1 (en) | Methods and systems for automated follow-up reading of medical image data | |
| CN115203364A (zh) | 软件故障反馈处理方法、装置、设备及可读存储介质 | |
| CN115100103A (zh) | 基于细菌数据的肿瘤预测方法及装置 | |
| CN110689112A (zh) | 数据处理的方法及装置 | |
| CN114864032B (zh) | 基于his系统的临床数据采集方法及装置 |
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 |