CN114548403B - 一种医学图像数据平台的数据处理方法与系统 - Google Patents

一种医学图像数据平台的数据处理方法与系统 Download PDF

Info

Publication number
CN114548403B
CN114548403B CN202210165387.0A CN202210165387A CN114548403B CN 114548403 B CN114548403 B CN 114548403B CN 202210165387 A CN202210165387 A CN 202210165387A CN 114548403 B CN114548403 B CN 114548403B
Authority
CN
China
Prior art keywords
medical image
processing
local terminal
sub
medical
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210165387.0A
Other languages
English (en)
Other versions
CN114548403A (zh
Inventor
王思伦
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.)
Shenzhen Yiwei Medical Technology Co Ltd
Original Assignee
Shenzhen Yiwei Medical 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 Shenzhen Yiwei Medical Technology Co Ltd filed Critical Shenzhen Yiwei Medical Technology Co Ltd
Priority to CN202210165387.0A priority Critical patent/CN114548403B/zh
Publication of CN114548403A publication Critical patent/CN114548403A/zh
Application granted granted Critical
Publication of CN114548403B publication Critical patent/CN114548403B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种医学图像数据平台的数据处理方法与系统，其中所述方法包括：上报本地终端能力信息至中心服务器；中心服务器为所述本地终端进行任务调度；本地终端获取医学图像；基于任务调度，本地终端对医学图像进行分割处理；将分割处理后的医学图像发送至区域服务器；区域服务器对所述分割处理后的医学图像进行分类处理；将分类处理后的医学图像发送至中心服务器；中心服务器使用全卷积神经网络模型对分类处理后的医学图像进行处理，并使用本次获取的样本数据对全卷积神经网络模型进行训练，更新全卷积神经网络模型参数。本发明能够在现有基础上有效提高数据处理的能力，快速处理和传输图像数据。

Description

一种医学图像数据平台的数据处理方法与系统
技术领域
本发明属于大数据分析与数据挖掘领域，尤其涉及一种医学图像数据平台的数据处理方法与系统。
背景技术
各种医学成像技术可以例如用于对人体中的器官和软组织进行成像。医学成像技术的示例包括超声成像、计算机断层扫描(CT)、磁共振成像(MRI)等。在医学成像期间生成图像的方式取决于特定的技术。例如，超声成像使用实时非侵入性高频声波来产生通常在人体内的器官、组织、物体(例如胎儿)的超声图像。在医学成像期间产生或生成的图像可以是二维(2D)、三维(3D)和/或四维(4D)图像(实时/连续的3D图像)。在医学成像期间，成像数据集包括3D/4D成像期间的体积成像数据集被采集并且用于实时生成和渲染对应的图像。另外神经网络特别是深度网络在图像处理和自然语言处理等诸多领域越来越广泛，随着使用的神经网络的层数越来越多，所需的硬件要求越来越高。在不断追求更高准确率的情况下，神经网络往往需要获取更高维的特征，这意味着神经网络更加复杂，对硬件要求更高，需迭代庞大的次数才能成功训练，需时也更长。同时，由于高精度的医学图像的数据量也越来越大，那么对网络和处理设备的要求也越来越高。而设备更换的速度显然跟不上数据量的发展速度。因此，如何在现有的基础上实现对数据的快速处理和传输就成为目前亟待解决的问题。
发明内容
针对上述现有技术中存在的缺陷，本发明提供一种医学图像数据平台的数据处理方法，包括以下步骤：
上报本地终端能力信息至中心服务器；
基于所述本地终端能力信息，所述中心服务器为所述本地终端进行任务调度；
本地终端获取医学图像；
基于所述任务调度，所述本地终端对所述医学图像进行分割处理，得到分割处理后的医学图像；
将所述分割处理后的医学图像发送至区域服务器；
所述区域服务器对所述分割处理后的医学图像进行分类处理，得到分类处理后的医学图像；
将所述分类处理后的医学图像发送至所述中心服务器；
所述中心服务器使用全卷积神经网络模型对所述分类处理后的医学图像进行处理，并使用本次获取的样本数据对所述全卷积神经网络模型进行训练，更新所述全卷积神经网络模型参数。
优选地，所述本地终端能力信息包括终端硬件信息、运算能力、网络带宽资源以及运行状况。
优选地，所述基于所述本地终端能力信息，所述中心服务器为所述本地终端进行任务调度，包括：
根据所述本地终端的运行状况和运算能力，为本地终端分配任务，所述任务包括文件处理和传输。
优选地，所述基于所述任务调度，所述本地终端对所述医学图像进行分割处理，包括：
对所述医学图像进行归一化处理；
将归一化处理后的医学图像分割为若干子图像。
优选地，所述将分割处理后的医学图像发送至区域服务器，包括：将所有所述子图像及其相关信息发送至区域服务器。
优选地，所述相关信息包括所述子图像的编号和平面坐标。
优选地，所述区域服务器对所述分割处理后的医学图像进行分类处理包括：将所述子图像区分为有病灶子图像和无病灶子图像。
优选地，使用全卷积神经网络模型对所述分类处理后的医学图像进行处理，包括：将所述有病灶子图像采用全卷积神经网络模型进行处理。
优选地，所述医学图像数据平台的数据处理方法针对不同部位的医学图像采用相应的训练好的全卷积神经网络模型进行处理。
另一方面，本发明还提供一种医学图像数据平台的数据处理系统，所述医学图像数据平台的数据处理系统能实现上述任一项所述的医学图像数据平台的数据处理方法，包括：
本地终端，用于根据任务调度对获取的医学图像进行分割处理；
区域服务器，用于将分割后的医学图像分类；
中心服务器，用于根据所述本地终端能力信息为本地终端进行任务调度，并使用全卷积神经网络模型对分类后的医学图像进行处理。
与现有技术相比，本发明通过中心服务器根据本地终端的能力信息进行任务调度，使得本地终端根据任务调度对医学图像进行分割处理并发送至区域服务器，区域服务器对分割后的医学图像进行分类并发送至中心服务器，中心服务器使用全卷积神经网络模型对分类后的医学图像处理，并使用本次获取样本数据对全卷积神经网络模型训练，更新全卷积神经网络模型的参数。
本发明根据终端硬件信息、运算能力、运行状况以及网络带宽资源对医学图像进行处理和传输，并更新全卷积神经网络模型参数，能够在现有的硬件基础上有效提高数据处理的能力，从而提高医学图像处理和传输的效率。
附图说明
通过参考附图阅读下文的详细描述，本发明公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明公开的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是示出根据本发明实施例的一种医学图像数据平台的数据处理系统的示意图；
图2是示出根据本发明实施例的一种医学图像数据平台的数据处理方法流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……，但这些……不应限于这些术语。这些术语仅用来将……区分开。例如，在不脱离本发明实施例范围的情况下，第一……也可以被称为第二……，类似地，第二……也可以被称为第一……。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。
下面结合附图详细说明本发明的可选实施例。
如图1所示，本发明实施例提供一种医学图像数据平台的数据处理系统，医学图像数据平台的数据处理系统能实现上述任一项所述的医学图像数据平台的数据处理方法，包括：
本地终端，用于根据任务调度对获取的医学图像进行分割处理；
区域服务器，用于将分割后的医学图像分类；
中心服务器，用于根据所述本地终端能力信息为本地终端进行任务调度，并使用全卷积神经网络模型对分类后的医学图像进行处理。
作为本发明的优选实施例，其中所述本地终端能力信息包括终端硬件信息、运算能力、网络带宽资源以及运行状况。
在本发明实施例中，硬件信息是指计算机的CPU、GPU、内存等信息；运算能力是指包括除正常运行系统外可用于图像处理的能力；网络带宽资源是指该本地终端网络环境的最大上行速度；运行状况是指该本地终端的资源利用高峰以及低谷等的统计信息，以方便对该本地终端进行任务分配。
在本发明实施例中，医学图像数据平台的数据处理系统通过对医学图像进行分割处理和分类处理，使用全卷积神经网络模型对分类后的医学图像处理，将获取数据作为样本数据，对全卷积神经网络模型进行训练，并更新全卷积神经网络模型参数，能够减少全卷积神经网络模型训练时长，提高医学图像数据平台的数据处理系统数据处理效率，快速处理和传输医学图像。
如图2所示，本发明实施例还公开了一种医学图像数据平台的数据处理方法，包括以下步骤：
上报本地终端能力信息至中心服务器；
基于所述本地终端能力信息，所述中心服务器为所述本地终端进行任务调度；
本地终端获取医学图像；
基于所述任务调度，所述本地终端对所述医学图像进行分割处理，得到分割处理后的医学图像；
将所述分割处理后的医学图像发送至区域服务器；
所述区域服务器对所述分割处理后的医学图像进行分类处理，得到分类处理后的医学图像；
将所述分类处理后的医学图像发送至所述中心服务器；
所述中心服务器使用全卷积神经网络模型对所述分类处理后的医学图像进行处理，并使用本次获取的样本数据对所述全卷积神经网络模型进行训练，更新所述全卷积神经网络模型参数。
在本发明实施例中，通过中心服务器根据本地终端的能力信息进行任务调度，使得本地终端根据任务调度对医学图像进行分割处理并发送至区域服务器，区域服务器对分割后的医学图像进行分类并发送至中心服务器，中心服务器使用全卷积神经网络模型对分类后的医学图像处理，并使用本次获取样本数据对全卷积神经网络模型训练，更新全卷积神经网络模型的参数，能够有效提高医学图像数据平台的数据处理系统对医学图像数据的处理能力，并通过不断更新全卷积神经网络模型的参数，减少全卷积神经网络模型训练时长，提高医学图像处理效率。
优选地，其中所述基于所述本地终端能力信息，所述中心服务器为所述本地终端进行任务调度，包括：
根据所述本地终端的运行状况和运算能力，为本地终端分配任务，所述任务包括文件处理和传输。
根据本地终端的硬件信息、运算能力、网络带宽资源以及运行情况，中心服务器为本地终端分配任务进行文件处理和传输，在网络较为空闲时，进行数据量大的医学图像的传输。本发明实施例能够在现有硬件的基础上，提高本地终端对医学图像快速处理和传输的能力。
作为本发明的优选实施例，其中所述基于所述任务调度，所述本地终端对所述医学图像进行分割处理，包括：
对所述医学图像进行归一化处理；
将归一化处理后的医学图像分割为若干子图像。
在本发明实施例中，所述若干子图像可拼接为归一化处理后的医学图像，本地终端将医学图像进行归一化处理分割能够有效提高对医学图像数据处理的效率以及快速处理的能力。
作为本发明的优选实施例，其中所述将分割处理后的医学图像发送至区域服务器，包括：将所有所述子图像及其相关信息发送至区域服务器。
优选地，其中所述相关信息包括所述子图像的编号和平面坐标。
优选地，其中所述区域服务器对所述分割处理后的医学图像进行分类处理包括：将所述子图像区分为有病灶子图像和无病灶子图像。
在本发明实施例中，将所有医学图像归一化分割处理的子图像及其编号和平面坐标发送至区域服务器，区域服务器将子图像分为有病灶子图像和无病灶子图像，若医学图像的子图像不存在病灶，则所有子图像均为无病灶图像。本发明实施例将子图像进行分类，能够有效提高数据处理能力，从而使中心服务器能够快速处理医学图像数据。
作为本发明的优选实施例，其中使用全卷积神经网络模型对所述分类处理后的医学图像进行处理，包括：将所述有病灶子图像采用全卷积神经网络模型进行处理。
在本发明实施例中，中心服务器采用全卷积神经网络模型对分类后的医学图像进行处理，具体步骤为：从有病灶的子图像中提取特征，然后聚类后得到有病灶的子图像所属的簇；
根据有病灶的子图像所属的簇选择对应的分割用全卷积神经网络模型。
通过神经网络模型处理后的子图像得到每个有病灶的子图像的分割病灶的结果；
聚合每个有病灶的子图像的分割病灶的结果，得到原始医学图像分割病灶的结果。
在本发明实施例中，中心服务器针对有病灶子图像采用全卷积神经网络模型进行处理，得到每个有病灶子图像的分割病灶结果，通过聚合每个有病灶子图像的分割病灶结果，从而得到原始医学图像分割病灶的结果。本发明实施例有效缩短了全卷积神经网络模型的训练时长，使本发明能够在现有硬件的基础上，提高医学图像处理效率，能够使医学图像数据平台的数据处理系统快速处理和传输医学图像数据。
作为本发明的优选实施例，所述医学图像数据平台的数据处理方法针对不同部位的医学图像采用相应的训练好的全卷积神经网络模型进行处理。
在本发明实施例中，所述医学图像数据平台的数据处理方法针对根据不同部位的医学图像采用相应的训练好的全卷积神经网络模型进行处理，能够有效提高医学图像数据平台的数据处理系统对医学图像的处理能力，能够快速处理和传输医学图像。
本发明公开实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行如上实施例所述的方法步骤。
需要说明的是，本发明公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(AN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本发明公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
以上介绍了本发明的较佳实施方式，旨在使得本发明的精神更加清楚和便于理解，并不是为了限制本发明，凡在本发明的精神和原则之内，所做的修改、替换、改进，均应包含在本发明所附的权利要求概括的保护范围之内。

Claims (9)

1.一种医学图像数据平台的数据处理方法，其特征在于，包括以下步骤：
上报本地终端能力信息至中心服务器；
基于所述本地终端能力信息，所述中心服务器为所述本地终端进行任务调度；
本地终端获取医学图像；
基于所述任务调度，所述本地终端对所述医学图像进行分割处理，得到分割处理后的医学图像；
将所述分割处理后的医学图像发送至区域服务器；
所述区域服务器对所述分割处理后的医学图像进行分类处理，得到分类处理后的医学图像；所述区域服务器对所述分割处理后的医学图像进行分类处理包括：将子图像区分为有病灶子图像和无病灶子图像；
将所述分类处理后的医学图像发送至所述中心服务器；
所述中心服务器使用全卷积神经网络模型对所述分类处理后的医学图像进行处理，并使用本次获取的样本数据对所述全卷积神经网络模型进行训练，更新所述全卷积神经网络模型参数；
所述中心服务器还包括：
从有病灶的子图像中提取特征，然后聚类后得到有病灶的子图像所属的簇；
根据有病灶的子图像所属的簇选择对应的分割用全卷积神经网络模型；
通过神经网络模型处理后的子图像得到每个有病灶的子图像的分割病灶的结果；
聚合每个有病灶的子图像的分割病灶的结果，得到原始医学图像分割病灶的结果。
2.如权利要求1所述的一种医学图像数据平台的数据处理方法，其特征在于，其中所述本地终端能力信息包括终端硬件信息、运算能力、网络带宽资源以及运行状况。
3.如权利要求2所述的一种医学图像数据平台的数据处理方法，其特征在于，所述基于所述本地终端能力信息，所述中心服务器为所述本地终端进行任务调度，包括：
根据所述本地终端的运行状况和运算能力，为本地终端分配任务，所述任务包括文件处理和传输。
4.如权利要求1所述的一种医学图像数据平台的数据处理方法，其特征在于，所述基于所述任务调度，所述本地终端对所述医学图像进行分割处理，包括：
对所述医学图像进行归一化处理；
将归一化处理后的医学图像分割为若干子图像。
5.如权利要求4所述的一种医学图像数据平台的数据处理方法，其特征在于，所述将分割处理后的医学图像发送至区域服务器，包括：将所有所述子图像及其相关信息发送至区域服务器。
6.如权利要求5所述的一种医学图像数据平台的数据处理方法，其特征在于，所述相关信息包括所述子图像的编号和平面坐标。
7.如权利要求1所述的一种医学图像数据平台的数据处理方法，其特征在于，所述使用全卷积神经网络模型对所述分类处理后的医学图像进行处理，包括：将所述有病灶子图像采用全卷积神经网络模型进行处理。
8.如权利要求1所述的一种医学图像数据平台的数据处理方法，其特征在于，不同部位的医学图像采用相应的训练好的全卷积神经网络模型进行处理。
9.一种医学图像数据平台的数据处理系统，其特征在于，
所述医学图像数据平台的数据处理系统能实现权利要求1-8任一项所述的医学图像数据平台的数据处理方法，包括：
本地终端，用于根据任务调度对获取的医学图像进行分割处理；
区域服务器，用于将分割后的医学图像分类；
中心服务器，用于根据所述本地终端能力信息为本地终端进行任务调度，并使用全卷积神经网络模型对分类后的医学图像进行处理。
CN202210165387.0A 2022-02-22 2022-02-22 一种医学图像数据平台的数据处理方法与系统 Active CN114548403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210165387.0A CN114548403B (zh) 2022-02-22 2022-02-22 一种医学图像数据平台的数据处理方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210165387.0A CN114548403B (zh) 2022-02-22 2022-02-22 一种医学图像数据平台的数据处理方法与系统

Publications (2)

Publication Number Publication Date
CN114548403A CN114548403A (zh) 2022-05-27
CN114548403B true CN114548403B (zh) 2023-05-12

Family

ID=81677956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210165387.0A Active CN114548403B (zh) 2022-02-22 2022-02-22 一种医学图像数据平台的数据处理方法与系统

Country Status (1)

Country Link
CN (1) CN114548403B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272206B (zh) * 2022-07-18 2023-07-04 深圳市医未医疗科技有限公司 医学图像处理方法、装置、计算机设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815558A (zh) * 2020-06-04 2020-10-23 上海联影智能医疗科技有限公司 一种医学图像处理系统、方法及计算机存储介质
CN113408705A (zh) * 2021-06-30 2021-09-17 中国工商银行股份有限公司 用于图像处理的神经网络模型训练方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4207162B2 (ja) * 2005-05-26 2009-01-14 村田機械株式会社 通信装置及びそのプログラム
CN105404853A (zh) * 2015-10-29 2016-03-16 江南大学 基于内容的植物叶片在线识别系统
CN105898264B (zh) * 2016-05-26 2018-02-02 努比亚技术有限公司 一种图像处理方式的获取设备和方法
CN108734211B (zh) * 2018-05-17 2019-12-24 腾讯科技（深圳）有限公司 图像处理的方法和装置
KR102525577B1 (ko) * 2018-10-19 2023-04-26 삼성전자주식회사 데이터 스트리밍 방법 및 장치
CN110321920B (zh) * 2019-05-08 2021-10-22 腾讯科技（深圳）有限公司 图像分类方法、装置、计算机可读存储介质和计算机设备
CN111540442A (zh) * 2020-04-26 2020-08-14 丁宁 基于计算机视觉的医学图像诊断调度管理系统
CN114120083A (zh) * 2020-08-12 2022-03-01 东芝泰格有限公司 图像识别装置及存储介质、图像识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815558A (zh) * 2020-06-04 2020-10-23 上海联影智能医疗科技有限公司 一种医学图像处理系统、方法及计算机存储介质
CN113408705A (zh) * 2021-06-30 2021-09-17 中国工商银行股份有限公司 用于图像处理的神经网络模型训练方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宫进昌 ; 赵尚义 ; 王远军 ; .基于深度学习的医学图像分割研究进展.中国医学物理学杂志.2019,第36卷(第04期),第420-424页. *

Also Published As

Publication number Publication date
CN114548403A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN110321910B (zh) 面向点云的特征提取方法、装置及设备
CN109685060B (zh) 图像处理方法和装置
CN109919928B (zh) 医学影像的检测方法、装置和存储介质
CN110728674B (zh) 图像处理方法及装置、电子设备和计算机可读存储介质
DE112020003547T5 (de) Transfer Learning für neuronale Netzwerke
CN111932529B (zh) 一种图像分类分割方法、装置及系统
US10828000B2 (en) Medical image data analysis
US11151703B2 (en) Artifact removal in medical imaging
US20210383534A1 (en) System and methods for image segmentation and classification using reduced depth convolutional neural networks
CN116097288A (zh) 联合学习系统中的语义学习
US10599977B2 (en) Cascaded neural networks using test ouput from the first neural network to train the second neural network
US10706534B2 (en) Method and apparatus for classifying a data point in imaging data
US20180041765A1 (en) Compact video representation for video event retrieval and recognition
CN113421240B (zh) 一种基于超声自动乳腺全容积成像的乳腺分类方法及装置
US11164309B2 (en) Image analysis and annotation
DE112020002425T5 (de) Bewegungsvorhersage unter verwendung eines oder mehrerer neuronaler netzwerke
DE102021131289A1 (de) Echtzeit-rendering mit impliziten formen
CN114548403B (zh) 一种医学图像数据平台的数据处理方法与系统
CN113505848A (zh) 模型训练方法和装置
WO2021027152A1 (zh) 基于条件生成对抗网络合成图像的方法及相关设备
CN113158773A (zh) 一种活体检测模型的训练方法及训练装置
WO2022003435A1 (en) Annotating unlabeled data using classifier error rates
CN114240954A (zh) 网络模型的训练方法及装置、图像分割方法及装置
CN110852209B (zh) 目标检测方法及装置、介质和设备
DE102023113190A1 (de) Identifizieren von Applikationspuffern zum Nachbearbeiten und Wiederverwenden in sekundären Applikationen

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