CN114530224A - 基于医学影像的诊断报告辅助生成方法及系统 - Google Patents
基于医学影像的诊断报告辅助生成方法及系统 Download PDFInfo
- Publication number
- CN114530224A CN114530224A CN202210052786.6A CN202210052786A CN114530224A CN 114530224 A CN114530224 A CN 114530224A CN 202210052786 A CN202210052786 A CN 202210052786A CN 114530224 A CN114530224 A CN 114530224A
- Authority
- CN
- China
- Prior art keywords
- focus
- medical image
- area
- report
- generate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003745 diagnosis Methods 0.000 title claims abstract description 55
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 201000010099 disease Diseases 0.000 claims description 32
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 32
- 230000003902 lesion Effects 0.000 claims description 30
- 239000010410 layer Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- 230000001502 supplementing effect Effects 0.000 claims description 7
- 239000002356 single layer Substances 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 abstract description 6
- 238000004445 quantitative analysis Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 description 34
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于医学影像的诊断报告辅助生成方法及系统,方法包括:获取病人的医学影像并显示;对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域;对病灶勾画区域的特征进行量化;根据AI技术对量化后的特征进行分析,生成提示信息;根据提示信息索引预先设置的索引专家数据库,生成结构化的诊断报告;将诊断报告发送至医生,以使医生完成诊断报告撰写。本发明实施例增加医生阅片的便捷性,降低影像科医生病灶量化分析、编写诊断报告花费的时间,促进诊断报告的规范化、结构化和电子化。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于医学影像的诊断报告辅助生成方法及系统。
背景技术
随着人工智能(AI)和医疗影像大数据的快速发展,影像电子、智能化医疗服务越来越多的在各级医院影像科广泛使用,并且得到了一线影像科医生的认可。但是,现有医疗资源仍然是非常紧缺的。在我国,影像数据的年增长速度超过30%,而放射科医生的增加速度却只有3%,影像专业人才的增速远远赶不上人民对影像医疗诊断需求的增速。目前影像科医生在影像阅片过程中主要存在以下问题:
单日影像阅片量大,而医生诊断时间相对较少;单张阅片过程中,编写报告花费的时间相对较多;数据的标准化、结构化较差,电子化率较低;4.没有统一的专家报告数据库供基层和低年资医生参阅。
因此现有技术还有待于进一步发展。
发明内容
针对上述技术问题,本发明实施例提供了一种基于医学影像的诊断报告辅助生成方法及系统,能够解决现有技术中单日影像阅片量大,而医生诊断时间相对较少的技术问题。
本发明实施例的第一方面提供一种基于医学影像的诊断报告辅助生成方法,包括:
获取病人的医学影像并显示;
对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域;
对病灶勾画区域的特征进行量化;
根据AI技术对量化后的特征进行分析,生成提示信息;
根据提示信息索引预先设置的索引专家数据库,生成结构化的诊断报告;
将诊断报告发送至医生,以使医生完成诊断报告撰写。
可选地,对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域,包括:
获取医生指令,根据医生指令对医学影像中的疑似病灶区域进行闭环勾画,生成病灶勾画区域。
可选地,对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域,包括:
获取医生对医学影像中的目标区域的点击指令,根据目标区域密度与周围相邻区域病灶密度特征一致性的先验知识,根据图像处理的方式,对目标区域补全勾画操作,生成病灶勾画区域。
可选地,所述对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域,包括:
获取预先训练好的AI模型,所述AI模型用于识别多病种;
将医学影像输入AI模型,根据输出结果生成病灶勾画区域。
可选地,所述若所述医学影像为多图层影像,则所述将诊断报告发送至医生,以使医生完成诊断报告撰写后,还包括:
通过对单层病灶勾画区域分析,根据医学影像中图层和病灶特征的连续性,自动追踪所述标注图层上下连续n层,对相似病灶区域进行勾勒显示,其中,n为正整数。
本发明实施例第二方面提供了一种基于医学影像的诊断报告辅助生成系统,所述系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现以下步骤:
获取病人的医学影像并显示;
对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域;
对病灶勾画区域的特征进行量化;
根据AI技术对量化后的特征进行分析,生成提示信息;
根据提示信息索引预先设置的索引专家数据库,生成结构化的诊断报告;
将诊断报告发送至医生,以使医生完成诊断报告撰写。
可选地,所述计算机程序被所述处理器执行时还实现以下步骤:
获取医生指令,根据医生指令对医学影像中的疑似病灶区域进行闭环勾画,生成病灶勾画区域。
可选地,所述计算机程序被所述处理器执行时还实现以下步骤:
获取医生对医学影像中的目标区域的点击指令,根据目标区域密度与周围相邻区域病灶密度特征一致性的先验知识,根据图像处理的方式,对目标区域补全勾画操作,生成病灶勾画区域。
可选地,所述计算机程序被所述处理器执行时还实现以下步骤:
获取预先训练好的AI模型,所述AI模型用于识别多病种;
将医学影像输入AI模型,根据输出结果生成病灶勾画区域。
本发明实施例第三方面提供了一种非易失性计算机可读存储介质,其特征在于,所述非易失性计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行时,可使得所述一个或多个处理器执行上述的基于医学影像的诊断报告辅助生成方法。
本发明实施例提供的技术方案中,通过获取病人的医学影像并显示;对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域;对病灶勾画区域的特征进行量化;根据AI技术对量化后的特征进行分析,生成提示信息;根据提示信息索引预先设置的索引专家数据库,生成结构化的诊断报告;将诊断报告发送至医生,以使医生完成诊断报告撰写。本发明实施例增加医生阅片的便捷性,降低影像科医生病灶量化分析、编写诊断报告花费的时间,促进诊断报告的规范化、结构化和电子化。
附图说明
图1为本发明实施例中一种基于医学影像的诊断报告辅助生成方法的一实施例的流程示意图;
图2为本发明实施例中一种基于医学影像的诊断报告辅助生成方法的另一实施例的流程图示意图;
图3为本发明实施例中一种基于医学影像的诊断报告辅助生成方法的另一实施例的显示与操作的流程示意图;
图4为本发明实施例中一种基于医学影像的诊断报告辅助生成方法的另一实施例的多病种分级依据流程示意图;
图5为本发明实施例中一种基于医学影像的诊断报告辅助生成方法的另一实施例的功能模块示意图;
图6为本发明实施例中一种基于医学影像的诊断报告辅助生成系统的另一实施例的硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域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,都属于本发明保护的范围。
以下结合附图对本发明实施例进行详细的描述。
请参阅图1,图1为本发明实施例中一种基于医学影像的诊断报告辅助生成方法的一个实施例的流程示意图。如图1所示,包括:
步骤S100、获取病人的医学影像并显示;
步骤S200、对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域;
步骤S300、对病灶勾画区域的特征进行量化;
步骤S400、根据AI技术对量化后的特征进行分析,生成提示信息;
步骤S500、根据提示信息索引预先设置的索引专家数据库,生成结构化的诊断报告;
步骤S600、将诊断报告发送至医生,以使医生完成诊断报告撰写。
具体实施时,本发明实施例的目的在于提高医生阅读影像、编写报告的效率,促成院内院外跨区域互联互通,进一步使得影像诊断报告朝着规范化、结构化、电子化的方向持续发展。
在各种影像中,以X光胸片的检查人次最高,下面就以X光胸片来举例子:
医生通过浏览器将病人的DICOM格式的胸片上传到服务器,后台接收图像。
上传完之后医生就可以在已上传图像列表里快速查阅已上传的胸片,对已上传的胸片可以在浏览器上完整地显示出来,实现对医学影像显示内容的调节。
在查阅胸片的过程中,对疑似病灶区域进行勾画,生成病灶勾画区域。
获取病灶区域和病灶类别后,系统会根据选择的疾病,及对勾勒区域病灶特征进行量化,包括对病灶区域的密度、长短径、圆度、毛刺等等。同时,生成报告的时候会给出相应的结论及建议。(疾病的结论和建议都是由专业医生亲自编写然后填写进数据库中)。
生成报告之后,医生可以检查报告,对不正确的地方可以进行二次修改并保存。
本发明实施例可提高阅片效率,半自动、自动锁定可疑病灶,对病灶特征进行量化;报告生成,依据病灶类别、特征快速生成结构化报告;报告规范化、结构化,根据病灶特征,索引专家数据库;自更新专家报告数据库系统。
进一步地,对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域,包括:
获取医生指令,根据医生指令对医学影像中的疑似病灶区域进行闭环勾画,生成病灶勾画区域。
具体地,在查阅胸片的过程中,对疑似病灶区域进行勾画,为后续的病灶区域量化分析提供了目标位置。
进一步地,对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域,包括:
获取医生对医学影像中的目标区域的点击指令,根据目标区域密度与周围相邻区域病灶密度特征一致性的先验知识,根据图像处理的方式,对目标区域补全勾画操作,生成病灶勾画区域。
具体实施时,采用拖动鼠标或触控平板描绘目标区域;对特征较为集中的病灶区域,轻触病灶位置,根据轻触区域密度与周围相邻区域病灶密度特征一致性的先验知识,采用图像处理的方式对轻触区域自动补全勾画操作,降低手动勾画的繁琐程度。
进一步地,对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域,包括:
获取预先训练好的AI模型,所述AI模型用于识别多病种;
将医学影像输入AI模型,根据输出结果生成病灶勾画区域。
具体实施时,可引入AI全自动识别模式,对预先训练好的具有多病种识别能力的AI模型,对接收图像进行多疾病的预测,将预测结果直接展示到医生阅片系统上。可省略人工勾画和轻触操作,交由AI多病种识别系统分析后,将可疑病灶标注到图像上,并由不同色分级表征不同的置信程度,供医生参考和修改。
进一步地,若所述医学影像为多图层影像,则所述将诊断报告发送至医生,以使医生完成诊断报告撰写后,还包括:
通过对单层病灶勾画区域分析,根据医学影像中图层和病灶特征的连续性,自动追踪所述标注图层上下连续n层,对相似病灶区域进行勾勒显示,其中,n为正整数。
具体实施时,对于由多图层构成的CT、MR等影像模式中,在完成对单图层基本功能外,增加多图层标注区域上下层追踪功能。即通过对单层病灶勾画区域分析,依据CT、MR等影像中图层和病灶特征的连续性特点,自动追踪该标注图层上下连续n层,对相似病灶区域进行勾勒显示,进一步降低人工参与繁琐程度,提高效率。具体过程为:首先是依据上次图层具有连续性和相似性先验知识,对已经标注的图层区域,顺移到相邻上下层。此时目标区域与初追踪区域存在较小偏差。下一步对该层依据像素区域一致性对选中区域做外延或内缩,采用最优化方式不断重复上述过程,直到像素区域一致性低于设定最优阈值,即完成半自动标注内容。不断重复上述过程,完成整个CT或MR的标注。
本发明实施例中涉及到的病灶区域勾勒方式、方法具有不唯一性,对医学影像中的DR、CT等其他影像设备皆适用。影像诊断报告撰写的对象不限定于某种组织的某种疾病。
如图2所示,本发明提供了一种基于医学影像的诊断报告辅助生成方法的具体应用实施例,具体的方法步骤如下:
数据传入:传入数据已医学影像主流数据格式DICOM为主,传入数据供后续操作的阅览和操作。
显示与操作:主要包括对病灶区域进行框定、病灶分级筛选和病灶量化。其中,可采用手动、半自动和自动化方式对病灶区域进行框定;对病灶多疾病、分级别高亮展示,方便选择;病灶量化内容包括密度、大小(长短径)、毛刺和位置等等。该部分为智能报告推荐提供数据依据,至关重要。
生成报告:索引专家数据库,生成结构化报告、结论和建议,发送到医院诊断系统,完成报告撰写工作。该部分报告可编辑,生成报告的系统库可自更新。
如图3所示,本发明提供了一种基于医学影像的诊断报告辅助生成方法的操作与显示的流程示意图,具体的方法步骤如下:
接收用户勾画指令,对疑似病灶区域可采用三种方式进行勾画,分别是:对疑似病灶进行闭环勾画、轻触病灶区域半自动化勾画,和AI全自动识别病灶区域。
其中半自动化勾画:轻触病灶位置,根据轻触区域密度与周围相邻区域病灶密度特征一致性的先验知识,采用图像处理的方式对轻触区域自动补全勾画操作,降低手动勾画的繁琐程度。其中图像处理主要以像素区域一致性对选中区域做外延,不断重复上述过程,直到像素区域一致性低于设定阈值,即完成半自动标注内容。
AI全自动识别病灶区域:对预先训练好的具有多病种识别能力的AI模型,对接收图像进行多疾病的预测,将预测结果直接展示到医生阅片系统上。可省略人工勾画和轻触操作,交由AI多病种识别系统分析后,将可疑病灶标注到图像上,并由不同色分级表征不同的置信程度,供医生参考和修改。AI全自动识别病灶区域的AI模型不局限于某一种器官的某一种特定疾病。具体模型的识别算法可以是传统图像算法或AI算法均可。主要是提供一种发明方法,为影像诊断报告提供量化指标的数据源获取方式。
通过上述三种方式获取病灶区域和病灶类别后,系统会在其附近自动弹出三(多)段式疾病列表,供医生选择是那种疾病。其中,三段式疾病列表依据可疑程度进行排序。系统会根据选择的疾病,对病灶勾画区域进行特征量化,包括对病灶区域的密度、长短径、圆度、毛刺等等。同时,生成报告的时候会给出相应的结论及建议。
AI多病种对标注区域进行可疑疾病分析,给出最优疾病提示。
影像医生可以对上述内容进行移动、删除、增添等操作,更新上述内容
索引专家数据库,生成结构化报告、结论和建议,发送到医院诊断系统,完成报告撰写工作。
请参阅图4,图4是本发明的多病种分级依据示流程图,如图4所示:
首先,AI对输入图像做病灶预测,取前6个预测目标,包括类别、位置和分数。保留分数大于截断阈值0.001的目标信息,删除其他类别信息。
若置信分数排名第一的目标置信度大于阈值1,则删除第二及之后的类别和分数。病灶信息置为红色,图片级别信息为红色;
若置信分数排名第一的目标置信度小于等于阈值1,且大于阈值2,该病灶信息置为黄色,图片级别信息为黄色;其余目标若大于阈值2,同样置为黄色,否则置为蓝绿色;
若置信分数排名第一的目标置信度小于等于阈值2,且大于阈值3,删除该病灶信息,图片级别信息置为蓝绿色;
置信分数排名第一的目标置信度均不满足上述要求,则删除该病灶信息,图片级别信息置为绿色。
综合上述筛选条件,对AI预测结果依据置信程度进行了分3级展示,进一步方便医生操作。
图4中阈值1:该类PPV(阳性预测值)为95%的分数,阈值2:该类的roc曲线中距离左上角欧式距离最近的分数;阈值3:NPV(阴性预测值)为99%的分数;PPV:正确阳性图像数量/预测为阳性图像的数量*100%;NPV:正确阴性图像数量/预测为阴性图像的数量*100%。
请参阅图5,图5是本发明的功能模块示意图,如图5所示,本发明实施例主要具有如下功能:
其中,影像阅览功能401,为获取影像、展示和操作影像,主要涉及医学DICOM数据协议。
其中,病灶勾勒/标记功能402,对疑似病灶区域进行高亮选中,包括手动勾勒、轻触半自动勾勒和AI全自动识别病灶。
其中,病灶区域特征量化功能403,对402选中病灶区域进行特征量化。
其中,AI多病种分析功能404,对目标病灶区域进行疑似疾病预测,给出最疑似疾病提示建议。
其中,高中低置信度高亮提醒405,对404分析结果根据测试数据和临床相结合的方式,对预测疾病分等级高亮提醒。
其中,三段式疾病列表406,根据204AI预测结果,对提供给医生二次确认的疾病列表采用三阶段形式进行展示,方便医生快速锁定目标疾病,提高选择效率。
其中,结构化电子报告407,综合403、404、405、406数据结果,索引专家报告数据库,快速匹配最佳结构化报告。
其中,专家结构化报告库408,为对初始专家报告数据库的更新补充,采用自迭代的方式,不断提高专家报告的质量和精准度。
由以上方法实施例可知,本发明提供了一种基于医学影像的诊断报告辅助生成方法,可以增加医生阅片的便捷性,降低影像科医生病灶量化分析、编写诊断报告花费的时间,促进诊断报告的规范化、结构化和电子化。尤其是对于基层和低年资医生,兼顾指导和教育功能,提高诊断准确率。本发明采用人工智能辅助、图像追踪等方式,勾画和量化病灶特征,实现秒级病灶分析和生成结构化电子报告,降低影像科医生量化病灶的工作量和分析要求,提高工作效率。
需要说明的是,上述各步骤之间并不必然存在一定的先后顺序,本领域普通技术人员,根据本发明实施例的描述可以理解,不同实施例中,上述各步骤可以有不同的执行顺序,亦即,可以并行执行,亦可以交换执行等等。
上面对本发明实施例中的基于医学影像的诊断报告辅助生成方法进行了描述,下面对本发明实施例中的基于医学影像的诊断报告辅助生成系统进行描述,请参阅图6,图6是本发明实施例中一种基于医学影像的诊断报告辅助生成系统的另一实施例的硬件结构示意图,如图6所示,系统10包括:存储器101、处理器102及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器101执行时实现以下步骤:
获取病人的医学影像并显示;
对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域;
对病灶勾画区域的特征进行量化;
根据AI技术对量化后的特征进行分析,生成提示信息;
根据提示信息索引预先设置的索引专家数据库,生成结构化的诊断报告;
将诊断报告发送至医生,以使医生完成诊断报告撰写。
具体的实施步骤与方法实施例相同,此处不再赘述。
可选地,计算机程序被处理器101执行时还实现以下步骤:
获取医生指令,根据医生指令对医学影像中的疑似病灶区域进行闭环勾画,生成病灶勾画区域。
具体的实施步骤与方法实施例相同,此处不再赘述。
可选地,计算机程序被处理器101执行时还实现以下步骤:
获取医生对医学影像中的目标区域的点击指令,根据目标区域密度与周围相邻区域病灶密度特征一致性的先验知识,根据图像处理的方式,对目标区域补全勾画操作,生成病灶勾画区域。
具体的实施步骤与方法实施例相同,此处不再赘述。
可选地,计算机程序被处理器101执行时还实现以下步骤:
获取预先训练好的AI模型,所述AI模型用于识别多病种;
将医学影像输入AI模型,根据输出结果生成病灶勾画区域。
具体的实施步骤与方法实施例相同,此处不再赘述。
可选地,计算机程序被处理器101执行时还实现以下步骤:
通过对单层病灶勾画区域分析,根据医学影像中图层和病灶特征的连续性,自动追踪所述标注图层上下连续n层,对相似病灶区域进行勾勒显示,其中,n为正整数。
具体的实施步骤与方法实施例相同,此处不再赘述。
本发明实施例提供了一种非易失性计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例如,执行以上描述的图1中的方法步骤S100至步骤S600。
作为示例,非易失性存储介质能够包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦ROM(EEPROM)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(RAM)。通过说明并非限制,RAM可以以诸如同步RAM(SRAM)、动态RAM、(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、Synchlink DRAM(SLDRAM)以及直接Rambus(兰巴斯)RAM(DRRAM)之类的许多形式得到。本发明实施例中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于医学影像的诊断报告辅助生成方法,其特征在于,包括:
获取病人的医学影像并显示;
对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域;
对病灶勾画区域的特征进行量化;
根据AI技术对量化后的特征进行分析,生成提示信息;
根据提示信息索引预先设置的索引专家数据库,生成结构化的诊断报告;
将诊断报告发送至医生,以使医生完成诊断报告撰写。
2.根据权利要求1所述的基于医学影像的诊断报告辅助生成方法,其特征在于,所述对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域,包括:
获取医生指令,根据医生指令对医学影像中的疑似病灶区域进行闭环勾画,生成病灶勾画区域。
3.根据权利要求1所述的基于医学影像的诊断报告辅助生成方法,其特征在于,所述对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域,包括:
获取医生对医学影像中的目标区域的点击指令,根据目标区域密度与周围相邻区域病灶密度特征一致性的先验知识,根据图像处理的方式,对目标区域补全勾画操作,生成病灶勾画区域。
4.根据权利要求1所述的基于医学影像的诊断报告辅助生成方法,其特征在于,所述对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域,包括:
获取预先训练好的AI模型,所述AI模型用于识别多病种;
将医学影像输入AI模型,根据输出结果生成病灶勾画区域。
5.根据权利要求1-4任一项所述的基于医学影像的诊断报告辅助生成方法,其特征在于,若所述医学影像为多图层影像,则所述将诊断报告发送至医生,以使医生完成诊断报告撰写后,还包括:
通过对单层病灶勾画区域分析,根据医学影像中图层和病灶特征的连续性,自动追踪所述标注图层上下连续n层,对相似病灶区域进行勾勒显示,其中,n为正整数。
6.一种基于医学影像的诊断报告辅助生成系统,其特征在于,所述系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现以下步骤:
获取病人的医学影像并显示;
对医学影像中的疑似病灶区域进行勾画,生成病灶勾画区域;
对病灶勾画区域的特征进行量化;
根据AI技术对量化后的特征进行分析,生成提示信息;
根据提示信息索引预先设置的索引专家数据库,生成结构化的诊断报告;
将诊断报告发送至医生,以使医生完成诊断报告撰写。
7.根据权利要求6所述的基于医学影像的诊断报告辅助生成系统,其特征在于,所述计算机程序被所述处理器执行时还实现以下步骤:
获取医生指令,根据医生指令对医学影像中的疑似病灶区域进行闭环勾画,生成病灶勾画区域。
8.根据权利要求6所述的基于医学影像的诊断报告辅助生成系统,其特征在于,所述计算机程序被所述处理器执行时还实现以下步骤:
获取医生对医学影像中的目标区域的点击指令,根据目标区域密度与周围相邻区域病灶密度特征一致性的先验知识,根据图像处理的方式,对目标区域补全勾画操作,生成病灶勾画区域。
9.根据权利要求6所述的基于医学影像的诊断报告辅助生成系统,其特征在于,所述计算机程序被所述处理器执行时还实现以下步骤:
获取预先训练好的AI模型,所述AI模型用于识别多病种;
将医学影像输入AI模型,根据输出结果生成病灶勾画区域。
10.一种非易失性计算机可读存储介质,其特征在于,所述非易失性计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行时,可使得所述一个或多个处理器执行权利要求1-5任一项所述的基于医学影像的诊断报告辅助生成方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210052786.6A CN114530224A (zh) | 2022-01-18 | 2022-01-18 | 基于医学影像的诊断报告辅助生成方法及系统 |
US18/155,752 US20230230241A1 (en) | 2022-01-18 | 2023-01-18 | System and method for detecting lung abnormalities |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210052786.6A CN114530224A (zh) | 2022-01-18 | 2022-01-18 | 基于医学影像的诊断报告辅助生成方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114530224A true CN114530224A (zh) | 2022-05-24 |
Family
ID=81620844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210052786.6A Pending CN114530224A (zh) | 2022-01-18 | 2022-01-18 | 基于医学影像的诊断报告辅助生成方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230230241A1 (zh) |
CN (1) | CN114530224A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116779093A (zh) * | 2023-08-22 | 2023-09-19 | 青岛美迪康数字工程有限公司 | 一种医学影像结构化报告的生成方法、装置和计算机设备 |
CN116884557A (zh) * | 2023-06-25 | 2023-10-13 | 深圳市梦网物联科技发展有限公司 | 基于数字孪生的体检报告生成方法、终端设备及介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117558414B (zh) * | 2023-11-23 | 2024-05-24 | 之江实验室 | 多任务肝细胞癌早期复发预测系统、电子设备、介质 |
CN117292266B (zh) * | 2023-11-24 | 2024-03-22 | 河海大学 | 一种灌区干渠混凝土裂缝检测方法、装置及存储介质 |
CN117315378B (zh) * | 2023-11-29 | 2024-03-12 | 北京大学第三医院(北京大学第三临床医学院) | 一种尘肺病的分级判定方法及相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006109959A (ja) * | 2004-10-13 | 2006-04-27 | Hitachi Medical Corp | 画像診断支援装置 |
JP2008142532A (ja) * | 2007-11-14 | 2008-06-26 | Hitachi Medical Corp | 医用画像診断支援システム |
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 |
CN109767820A (zh) * | 2018-05-29 | 2019-05-17 | 深圳市智影医疗科技有限公司 | 一种基于影像的诊断/检测报告生成方法、装置及设备 |
CN113707279A (zh) * | 2021-08-31 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 医学影像图片的辅助分析方法、装置、计算机设备及介质 |
-
2022
- 2022-01-18 CN CN202210052786.6A patent/CN114530224A/zh active Pending
-
2023
- 2023-01-18 US US18/155,752 patent/US20230230241A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006109959A (ja) * | 2004-10-13 | 2006-04-27 | Hitachi Medical Corp | 画像診断支援装置 |
JP2008142532A (ja) * | 2007-11-14 | 2008-06-26 | Hitachi Medical Corp | 医用画像診断支援システム |
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 |
CN109767820A (zh) * | 2018-05-29 | 2019-05-17 | 深圳市智影医疗科技有限公司 | 一种基于影像的诊断/检测报告生成方法、装置及设备 |
CN113707279A (zh) * | 2021-08-31 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 医学影像图片的辅助分析方法、装置、计算机设备及介质 |
Non-Patent Citations (1)
Title |
---|
孙建国等: "《数字化智能放疗》", 29 February 2020, 山东科学技术出版社, pages: 167 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116884557A (zh) * | 2023-06-25 | 2023-10-13 | 深圳市梦网物联科技发展有限公司 | 基于数字孪生的体检报告生成方法、终端设备及介质 |
CN116884557B (zh) * | 2023-06-25 | 2024-03-22 | 深圳市梦网物联科技发展有限公司 | 基于数字孪生的体检报告生成方法、终端设备及介质 |
CN116779093A (zh) * | 2023-08-22 | 2023-09-19 | 青岛美迪康数字工程有限公司 | 一种医学影像结构化报告的生成方法、装置和计算机设备 |
CN116779093B (zh) * | 2023-08-22 | 2023-11-28 | 青岛美迪康数字工程有限公司 | 一种医学影像结构化报告的生成方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
US20230230241A1 (en) | 2023-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114530224A (zh) | 基于医学影像的诊断报告辅助生成方法及系统 | |
Wu et al. | Comparison of chest radiograph interpretations by artificial intelligence algorithm vs radiology residents | |
US20190220978A1 (en) | Method for integrating image analysis, longitudinal tracking of a region of interest and updating of a knowledge representation | |
KR101818074B1 (ko) | 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템 | |
US10811135B2 (en) | Systems and methods to determine disease progression from artificial intelligence detection output | |
US9014485B2 (en) | Image reporting method | |
KR101898575B1 (ko) | 진행성 병변에 대한 미래 상태를 예측하는 방법 및 이를 이용한 장치 | |
EP3246836A1 (en) | Automatic generation of radiology reports from images and automatic rule out of images without findings | |
US8335694B2 (en) | Gesture-based communication and reporting system | |
CN112712879B (zh) | 医学影像报告的信息提取方法、装置、设备及存储介质 | |
JP2020530177A (ja) | ディープニューラルネットワークを使用したコンピュータ支援診断 | |
CN111062947B (zh) | 一种基于深度学习的x光胸片病灶定位方法及系统 | |
US11172889B2 (en) | Topological evolution of tumor imagery | |
JP2008506188A (ja) | ジェスチャ・ベース報告方法およびシステム | |
US20220198214A1 (en) | Image recognition method and device based on deep convolutional neural network | |
WO2021114130A1 (zh) | 一种无监督自适应乳腺病变分割方法 | |
US11282601B2 (en) | Automatic bounding region annotation for localization of abnormalities | |
US11996198B2 (en) | Determination of a growth rate of an object in 3D data sets using deep learning | |
Kara et al. | Identification and localization of endotracheal tube on chest radiographs using a cascaded convolutional neural network approach | |
Wang et al. | Automatic creation of annotations for chest radiographs based on the positional information extracted from radiographic image reports | |
US20230334663A1 (en) | Development of medical imaging ai analysis algorithms leveraging image segmentation | |
Lumetti et al. | Annotating the inferior alveolar canal: The ultimate tool | |
KR20190088371A (ko) | 진행성 병변의 미래 영상을 생성하는 방법 및 이를 이용한 장치 | |
US12014495B2 (en) | Generating reports from scanned images | |
US20230102428A1 (en) | Generating reports from scanned images |
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 |