CN114628010A - 智能医疗阅片方法、装置、设备及存储介质 - Google Patents
智能医疗阅片方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114628010A CN114628010A CN202210289590.9A CN202210289590A CN114628010A CN 114628010 A CN114628010 A CN 114628010A CN 202210289590 A CN202210289590 A CN 202210289590A CN 114628010 A CN114628010 A CN 114628010A
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- class
- target
- focus
- 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 41
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000003902 lesion Effects 0.000 claims description 49
- 238000001727 in vivo Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 24
- 230000011218 segmentation Effects 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000013077 scoring method Methods 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000013527 convolutional neural network Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 210000004072 lung Anatomy 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 208000002874 Acne Vulgaris Diseases 0.000 description 4
- 208000007514 Herpes zoster Diseases 0.000 description 4
- 206010000496 acne Diseases 0.000 description 4
- 238000000149 argon plasma sintering Methods 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 4
- 201000011066 hemangioma Diseases 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 208000020816 lung neoplasm Diseases 0.000 description 4
- 208000037841 lung tumor Diseases 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012879 PET imaging Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012285 ultrasound imaging 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
- 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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- 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
- G06T2207/30—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及人工智能技术领域,公开了一种智能医疗阅片方法、装置、设备及存储介质,用于增加人工智能医学阅片的图像种类。智能医疗阅片方法包括:获取目标图像;调用预置的医疗阅片模型对所述目标图像进行图像类型检测,得到目标图像类型;若所述目标图像类型为一类图像,则对所述目标图像进行病灶识别,若目标图像中存在病灶区域,则在所述目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端;若所述目标图像类型为二类图像,则对所述目标图像进行预处理,得到预处理的二类图像;对所述预处理的二类图像进行病灶识别,若所述目标图像中存在病灶区域,则在所述目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种智能医疗阅片方法、装置、设备及存储介质。
背景技术
随着经济发展和社会进步,人们生活质量提高,各种疾病逐渐低龄化,同时随着看病的方便,很多人前往医院看病,由于有些疾病需要通过专业医疗设备采集人体内部组织或体表的图像进行病灶识别,从而产生大量的人体内部组织图像或体表图像,大量的人体内部组织图像或体表图像需要医院的医生进行人工阅片,导致人工阅片的工作量很大且容易造成误诊。
随着人工智能(Artificial Intelligence,AI)技术的发展,越来越多的人工智能技术在各个领域中得到了实际的应用。现有的人工智能医学阅片能够对专业医疗设备采集的人体内部组织图像或体表图像进行病灶识别,从而得到病灶区域。
现有的人工智能医学阅片是单一性地对专业医疗设备采集的人体内部组织图像或体表图像进行病灶识别,能够识别的图像种类较少。
发明内容
本发明提供了一种智能医疗阅片方法、装置、设备及存储介质,用于增加人工智能医学阅片的图像种类。
本发明第一方面提供了一种智能医疗阅片方法,包括:获取目标图像,其中,所述目标图像为待识别的一类图像或二类图像,所述一类图像为专业医疗设备采集的体内图像或体表图像,所述二类图像为非专业医疗设备采集的体表图像;调用预置的医疗阅片模型对所述目标图像进行图像类型检测,得到目标图像类型;若所述目标图像类型为所述一类图像,则对所述目标图像进行病灶识别,若目标图像中存在病灶区域,则在所述目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端;若所述目标图像类型为所述二类图像,则对所述目标图像进行预处理,得到预处理的二类图像,其中,所述预处理的二类图像为所述预置的医疗阅片模型能够进行病灶识别的图像;对所述预处理的二类图像进行病灶识别,若所述目标图像中存在病灶区域,则在所述目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端。
在一种可行的实施方式中,所述调用预置的医疗阅片模型对所述目标图像进行图像类型检测,得到目标图像类型,包括:通过预置的医疗阅片模型对所述目标图像进行图像噪声分析,得到图像噪声分析结果;若所述图像噪声分析结果为所述目标图像存在泊松噪声,则将所述目标图像对应的目标图像类型确定为一类图像;若所述图像噪声分析结果为所述目标图像存在高斯噪声,则将所述目标图像对应的目标图像类型确定为二类图像。
在一种可行的实施方式中,所述若所述目标图像类型为所述一类图像,则对所述目标图像进行病灶识别,若目标图像中存在病灶区域,则在所述目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端,包括:若所述目标图像类型为所述一类图像,则对所述目标图像进行分割处理,得到目标图像区域;若所述目标图像区域中每个像素点的像素值都大于或等于预置像素值,则确定所述目标图像中存在病灶区域;在所述目标图像中对病灶区域进行标记,并将标记后的图像发送至医护终端。
在一种可行的实施方式中,在所述若所述目标图像类型为所述一类图像,则对所述目标图像进行分割处理,得到目标图像区域之后,还包括:若所述目标图像区域中每个像素点的像素值都小于预置像素值,则确定所述目标图像中未存在病灶区域,并生成提醒信息,将所述提醒信息发送至医护终端,所述提醒信息用于指示对所述目标图像的病灶识别结果进行复核。
在一种可行的实施方式中,所述若所述目标图像类型为所述二类图像,则对所述目标图像进行预处理,得到预处理的二类图像,包括:若所述目标图像类型为所述二类图像,则对所述目标图像进行降噪处理,得到降噪的目标图像;对所述降噪的目标图像进行灰度化处理,得到灰度化的目标图像;对所述灰度化的目标图像进行二值化处理,得到预处理的二类图像。
在一种可行的实施方式中,所述对所述预处理的二类图像进行病灶识别,若所述目标图像中存在病灶区域,则在所述目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端,包括:将所述预处理的二类图像进行图像块分割,得到多个图像块;根据指定顺序对所述多个图像块进行逐一卷积,得到对应的每个图像块的卷积值;若图像块的卷积值大于或等于预置卷积值,则确定对应的图像块中存在病灶区域,并将存在病灶区域的图像块加入病灶图像块集,所述病灶图像块集包括多个病灶图像块;在所述多个病灶图像块的每个病灶图像块中对病灶区域进行标记,生成标记后的目标图像,并将所述标记后的目标图像发送至医护终端。
在一种可行的实施方式中,在所述获取目标图像之前,还包括:获取历史患者的一类图像和二类图像,其中,所述一类图像和二类图像中存在病灶区域;对所述一类图像进行提取,得到所述一类图像中的目标病灶区域,并对所述目标病灶区域进行标记,得到标记的一类图像;对所述二类图像进行提取,得到所述二类图像中的目标病灶区域,并对所述目标病灶区域进行标记,得到标记的二类图像;根据所述标记的一类图像和所述标记的二类图像进行模型训练,生成预置的医疗阅片模型。
本发明第二方面提供了一种智能医疗阅片装置,包括:获取模块,用于获取目标图像,其中,所述目标图像为待识别的一类图像或二类图像,所述一类图像为专业医疗设备采集的体内图像或体表图像,所述二类图像为非专业医疗设备采集的体表图像;检测模块,用于调用预置的医疗阅片模型对所述目标图像进行图像类型检测,得到目标图像类型;第一识别发送模块,用于若所述目标图像类型为所述一类图像,则对所述目标图像进行病灶识别,若目标图像中存在病灶区域,则在所述目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端;预处理模块,用于若所述目标图像类型为所述二类图像,则对所述目标图像进行预处理,得到预处理的二类图像,其中,所述预处理的二类图像为所述预置的医疗阅片模型能够进行病灶识别的图像;第二识别发送模块,用于对所述预处理的二类图像进行病灶识别,若所述目标图像中存在病灶区域,则在所述目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端。
在一种可行的实施方式中,所述检测模块具体用于:通过预置的医疗阅片模型对所述目标图像进行图像噪声分析,得到图像噪声分析结果;若所述图像噪声分析结果为所述目标图像存在泊松噪声,则将所述目标图像对应的目标图像类型确定为一类图像;若所述图像噪声分析结果为所述目标图像存在高斯噪声,则将所述目标图像对应的目标图像类型确定为二类图像。
在一种可行的实施方式中,所述第一识别发送模块包括:分割单元,用于若所述目标图像类型为所述一类图像,则对所述目标图像进行分割处理,得到目标图像区域;确定单元,用于若所述目标图像区域中每个像素点的像素值都大于或等于预置像素值,则确定所述目标图像中存在病灶区域;标记单元,用于在所述目标图像中对病灶区域进行标记,并将标记后的图像发送至医护终端。
在一种可行的实施方式中,所述第一识别发送模块还包括:提醒单元,用于若所述目标图像区域中每个像素点的像素值都小于预置像素值,则确定所述目标图像中未存在病灶区域,并生成提醒信息,将所述提醒信息发送至医护终端,所述提醒信息用于指示对所述目标图像的病灶识别结果进行复核。
在一种可行的实施方式中,所述预处理模块具体用于:若所述目标图像类型为所述二类图像,则对所述目标图像进行降噪处理,得到降噪的目标图像;对所述降噪的目标图像进行灰度化处理,得到灰度化的目标图像;对所述灰度化的目标图像进行二值化处理,得到预处理的二类图像。
在一种可行的实施方式中,所述第二识别发送模块具体用于:将所述预处理的二类图像进行图像块分割,得到多个图像块;根据指定顺序对所述多个图像块进行逐一卷积,得到对应的每个图像块的卷积值;若图像块的卷积值大于或等于预置卷积值,则确定对应的图像块中存在病灶区域,并将存在病灶区域的图像块加入病灶图像块集,所述病灶图像块集包括多个病灶图像块;在所述多个病灶图像块的每个病灶图像块中对病灶区域进行标记,生成标记后的目标图像,并将所述标记后的目标图像发送至医护终端。
在一种可行的实施方式中,所述智能医疗阅片装置还包括:生成模块,用于获取历史患者的一类图像和二类图像,其中,所述一类图像和二类图像中存在病灶区域;对所述一类图像进行提取,得到所述一类图像中的目标病灶区域,并对所述目标病灶区域进行标记,得到标记的一类图像;对所述二类图像进行提取,得到所述二类图像中的目标病灶区域,并对所述目标病灶区域进行标记,得到标记的二类图像;根据所述标记的一类图像和所述标记的二类图像进行模型训练,生成预置的医疗阅片模型。
本发明第三方面提供了一种智能医疗阅片设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述智能医疗阅片设备执行上述的智能医疗阅片方法。
本发明的第四方面提供了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指令,当其在计算机上运行时,使得计算机执行上述的智能医疗阅片方法。
本发明提供的技术方案中,获取目标图像,其中,目标图像为待识别的一类图像或二类图像,一类图像为专业医疗设备采集的体内图像或体表图像,二类图像为非专业医疗设备采集的体表图像;调用预置的医疗阅片模型对目标图像进行图像类型检测,得到目标图像类型;若目标图像类型为一类图像,则对目标图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端;若目标图像类型为二类图像,则对目标图像进行预处理,得到预处理的二类图像,其中,预处理的二类图像为预置的医疗阅片模型能够进行病灶识别的图像;对预处理的二类图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端。本发明实施例中,通过获取目标图像,对目标图像进行图像类型检测,若目标图像为专业医疗设备采集的体内图像或体表图像,则直接对目标图像进行病灶识别,若目标图像为非专业医疗设备采集的体表图像,则对目标图像进行预处理,预处理后的目标图像为预置的医疗阅片模型能够进行病灶识别的图像,再对预处理后的目标图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端,增加了人工智能医学阅片的图像种类。
附图说明
图1为本发明实施例中智能医疗阅片方法的一个实施例示意图;
图2为本发明实施例中智能医疗阅片方法的另一个实施例示意图;
图3为本发明实施例中智能医疗阅片装置的一个实施例示意图;
图4为本发明实施例中智能医疗阅片装置的另一个实施例示意图;
图5为本发明实施例中智能医疗阅片设备的一个实施例示意图。
具体实施方式
本发明提供了一种智能医疗阅片方法、装置、设备及存储介质,用于增加人工智能医学阅片的图像种类。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,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。
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、机器人技术、生物识别技术、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。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中智能医疗阅片方法的一个实施例包括:
101、获取目标图像,其中,目标图像为待识别的一类图像或二类图像,一类图像为专业医疗设备采集的体内图像或体表图像,二类图像为非专业医疗设备采集的体表图像;
可以理解的是,本发明的执行主体可以为智能医疗阅片装置,还可以是终端,具体此处不做限定。本发明实施例以智能医疗阅片装置为执行主体为例进行说明。
本实施例中,可以通过多种数据获取目标图像,例如,智能医疗阅片装置通过互联网医院的线上患者问诊数据获取目标图像,或者通过患者的健康小屋体检报告或健康空间站体检报告获取目标图像,或者通过患者参加健康讲座的报名图文数据获取目标图像。
102、调用预置的医疗阅片模型对目标图像进行图像类型检测,得到目标图像类型;
本实施例中,专业医疗设备采集的体内图像或体表图像通过对光散射的消除,使得其光谱变得较为单一,即将专业医疗设备采集的体内图像或体表图像的噪声分布近似作为泊松分布,专业医疗设备采集的体内图像或体表图像大部分是单通道的灰度图像,专业医疗设备采集的体内图像或体表图像包含的所有信息都具有潜在利用价值,例如,人体组织具有高度的相似性,在专业医疗设备采集的体内图像或体表图像中有一点细微的变化都可能代表着病变组织。非专业医疗设备采集的体表图像由于光散射的存在,所以频谱比较宽,即将非专业医疗设备采集的体表图像的噪声分布近似作为高斯分布。
103、若目标图像类型为一类图像,则对目标图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端;
本实施例中,目标图像中通常会同时存在目标区域和非目标区域,非目标区域通常会对目标区域的识别产生干扰,因此,可以将目标区域分割出来,将非目标区域进行滤除,得到目标区域。对于目标图像的病灶识别,可以通过像素层面的识别方式,将目标图像中像素值处于预设范围内的像素点所在的位置估计为病灶区域,像素值的预设范围可以根据历史经验设置。也可以将目标图像输入一训练至收敛的分割模型,通过此分割模型确定目标图像中的病灶区域。
104、若目标图像类型为二类图像,则对目标图像进行预处理,得到预处理的二类图像,其中,预处理的二类图像为预置的医疗阅片模型能够进行病灶识别的图像;
本实施例中,通过智能医疗阅片装置对非专业医疗设备采集的体表图像进行预处理,预处理后的图像才能通过预置的医疗阅片模型进行病灶识别,其中,预处理的过程包括降噪、灰度化和二值化,降噪用于将非专业医疗设备采集的体表图像的高斯噪声降噪为泊松噪声,灰度化用于将非专业医疗设备采集的体表图像从三通道图像转变为单通道图像,二值化用于选取目标区域和排除非目标区域。
105、对预处理的二类图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端。
本实施例中,可以通过卷积神经网络对预处理的二类图像进行病灶识别,也可以通过视觉变压器transformer对预处理的二类图像进行病灶识别。卷积神经网络包括多种神经网络,例如,区域卷积神经网络Region-CNN、空间金字塔池化卷积神经网络SPP-Net、对象检测卷积神经网络Yolo、物体检测卷积神经网络SSD等等卷积神经网络。
本发明实施例中,获取目标图像,其中,目标图像为待识别的一类图像或二类图像,一类图像为专业医疗设备采集的体内图像或体表图像,二类图像为非专业医疗设备采集的体表图像;调用预置的医疗阅片模型对目标图像进行图像类型检测,得到目标图像类型;若目标图像类型为一类图像,则对目标图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端;若目标图像类型为二类图像,则对目标图像进行预处理,得到预处理的二类图像,其中,预处理的二类图像为预置的医疗阅片模型能够进行病灶识别的图像;对预处理的二类图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端,增加了人工智能医学阅片的图像种类。
请参阅图2,本发明实施例中智能医疗阅片方法的另一个实施例包括:
201、根据历史患者的一类图像和二类图像生成预置的医疗阅片模型,其中,一类图像和二类图像中存在病灶区域;
具体的,(1)智能医疗阅片装置获取历史患者的一类图像和二类图像,其中,一类图像和二类图像中存在病灶区域;(2)对一类图像进行提取,得到一类图像中的目标病灶区域,并对目标病灶区域进行标记,得到标记的一类图像;(3)对二类图像进行提取,得到二类图像中的目标病灶区域,并对目标病灶区域进行标记,得到标记的二类图像;(4)根据标记的一类图像和标记的二类图像进行模型训练,生成预置的医疗阅片模型。
例如,智能医疗阅片装置获取历史患者的一类图像和二类图像,一类图像是通过专业医疗设备采集的体内图像或体表图像,专业医疗设备采集的体内图像可以是核磁共振MRI图像,也可以是X射线图像,专业医疗设备采集的体表图像可以是医学显微镜成像设备采集的图像,二类图像是通过非专业医疗设备采集的体表图像,非专业医疗设备采集的体表图像可以是人体脸部图像,也可以是人体腿部图像,其中,历史患者的一类图像和二类图像中存在病灶区域;对一类图像进行提取,得到一类图像中的目标病灶区域,若目标病灶区域为肺部肿瘤,则对肺部肿瘤进行标记,得到标记的肺部肿瘤图像,若目标病灶区域为体表血管瘤,则对体表血管瘤进行标记,得到标记的体表血管瘤图像;对二类图像进行提取,得到二类图像中的目标病灶区域,若目标病灶区域为脸部痤疮,则对脸部痤疮进行标记,得到标记的脸部痤疮图像,若目标病灶区域为带状疱疹,则对带状疱疹进行标记,得到标记的带状疱疹图像;根据标记的肺部肿瘤图像或标记的体表血管瘤图像和标记的脸部痤疮图像或标记的带状疱疹图像进行模型训练,生成预置的医疗阅片模型。
202、获取目标图像,其中,目标图像为待识别的一类图像或二类图像,一类图像为专业医疗设备采集的体内图像或体表图像,二类图像为非专业医疗设备采集的体表图像;
本实施例中,可以通过多种数据获取目标图像,例如,智能医疗阅片装置通过互联网医院的线上患者问诊数据获取目标图像,或者通过患者的健康小屋体检报告或健康空间站体检报告获取目标图像,或者通过患者参加健康讲座的报名图文数据获取目标图像。
本实施例中,专业医疗设备包括多种设备,例如,核磁共振MRI图像设备、计算机断层扫描CT图像设备、X射线图像设备、超声图像设备、正电子发射断层扫描PET图像设备、内窥镜检查设备、医学显微镜成像设备等等专业医疗设备。非专业医疗设备包括多种设备,例如,手机、相机、扫描仪等等非专业医疗设备。
203、调用预置的医疗阅片模型对目标图像进行图像类型检测,得到目标图像类型;
本实施例中,专业医疗设备采集的体内图像或体表图像通过对光散射的消除,使得其光谱变得较为单一,即将专业医疗设备采集的体内图像或体表图像的噪声分布近似作为泊松分布,专业医疗设备采集的体内图像或体表图像大部分是单通道的灰度图像,专业医疗设备采集的体内图像或体表图像包含的所有信息都具有潜在利用价值,例如,人体组织具有高度的相似性,在专业医疗设备采集的体内图像或体表图像中有一点细微的变化都可能代表着病变组织。非专业医疗设备采集的体表图像由于光散射的存在,所以频谱比较宽,即将非专业医疗设备采集的体表图像的噪声分布近似作为高斯分布。
具体的,(1)智能医疗阅片装置通过预置的医疗阅片模型对目标图像进行图像噪声分析,得到图像噪声分析结果;(2)若图像噪声分析结果为目标图像存在泊松噪声,则将目标图像对应的目标图像类型确定为一类图像;(3)若图像噪声分析结果为目标图像存在高斯噪声,则将目标图像对应的目标图像类型确定为二类图像。
例如,智能医疗阅片装置通过预置的医疗阅片模型对目标图像进行图像噪声分析,得到图像噪声分析结果,若图像噪声分析结果为目标图像存在泊松噪声,则将目标图像对应的目标图像类型确定为一类图像,即目标图像为专业医疗设备采集的体内图像或体表图像;若图像噪声分析结果为目标图像存在高斯噪声,则将目标图像对应的目标图像类型确定为二类图像,即目标图像为非专业医疗设备采集的体表图像。
204、若目标图像类型为一类图像,则对目标图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端;
本实施例中,目标图像中通常会同时存在目标区域和非目标区域,非目标区域通常会对目标区域的识别产生干扰,因此,可以将目标区域分割出来,将非目标区域进行滤除,得到目标区域。对于目标图像的病灶识别,可以通过像素层面的识别方式,将目标图像中像素值处于预设范围内的像素点所在的位置估计为病灶区域,像素值的预设范围可以根据历史经验设置。也可以将目标图像输入一训练至收敛的分割模型,通过此分割模型确定目标图像中的病灶区域。
具体的,(1)若目标图像类型为一类图像,则智能医疗阅片装置对目标图像进行分割处理,得到目标图像区域;(2)若目标图像区域中每个像素点的像素值都大于或等于预置像素值,则确定目标图像中存在病灶区域;(3)在目标图像中对病灶区域进行标记,并将标记后的图像发送至医护终端。
在步骤(2)之后,还包括:若目标图像区域中每个像素点的像素值都小于预置像素值,则确定目标图像中未存在病灶区域,并生成提醒信息,智能医疗阅片装置将提醒信息发送至医护终端,提醒信息用于指示对目标图像的病灶识别结果进行复核。
例如,预置像素值为100,若目标图像为肺部图像,则智能医疗阅片装置对肺部图像进行分割处理,得到肺部图像的目标图像区域;若目标图像区域中每个像素点的像素值都大于或等于100,则确定肺部图像中存在病灶区域,在肺部图像中对病灶区域进行标记,并将标记后的肺部图像发送至医护终端。若目标图像区域中每个像素点的像素值都小于100,则确定肺部图像中未存在病灶区域,并生成提醒信息,智能医疗阅片装置将提醒信息发送至医护终端,提醒信息用于指示对肺部图像的病灶识别结果进行复核。
205、若目标图像类型为二类图像,则对目标图像进行预处理,得到预处理的二类图像,其中,预处理的二类图像为预置的医疗阅片模型能够进行病灶识别的图像;
本实施例中,通过智能医疗阅片装置对非专业医疗设备采集的体表图像进行预处理,预处理后的图像才能通过预置的医疗阅片模型进行病灶识别,其中,预处理的过程包括降噪、灰度化和二值化,降噪用于将非专业医疗设备采集的体表图像的高斯噪声降噪为泊松噪声,灰度化用于将非专业医疗设备采集的体表图像从三通道图像转变为单通道图像,二值化用于选取目标区域和排除非目标区域。
具体的,(1)若目标图像类型为二类图像,则智能医疗阅片装置对目标图像进行降噪处理,得到降噪的目标图像;(2)对降噪的目标图像进行灰度化处理,得到灰度化的目标图像;(3)对灰度化的目标图像进行二值化处理,得到预处理的二类图像。
例如,若目标图像为皮肤图像,则智能医疗阅片装置对皮肤图像进行降噪处理,得到降噪的皮肤图像,即将皮肤图像的高斯噪声转换为泊松噪声;对降噪的皮肤图像进行灰度化处理,得到灰度化的皮肤图像,即将三通道的皮肤图像转换为单通道的皮肤图像;对灰度化的皮肤图像进行二值化处理,得到预处理的皮肤图像,其中,预处理的皮肤图像中像素点的灰度值为0或者255。
206、对预处理的二类图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端。
本实施例中,可以通过卷积神经网络对预处理的二类图像进行病灶识别,也可以通过视觉变压器transformer对预处理的二类图像进行病灶识别。卷积神经网络包括多种神经网络,例如,区域卷积神经网络Region-CNN、空间金字塔池化卷积神经网络SPP-Net、对象检测卷积神经网络Yolo、物体检测卷积神经网络SSD等等卷积神经网络。
具体的,(1)智能医疗阅片装置将预处理的二类图像进行图像块分割,得到多个图像块;(2)根据指定顺序对多个图像块进行逐一卷积,得到对应的每个图像块的卷积值;(3)若图像块的卷积值大于或等于预置卷积值,则确定对应的图像块中存在病灶区域,并将存在病灶区域的图像块加入病灶图像块集,病灶图像块集包括多个病灶图像块;(4)在多个病灶图像块的每个病灶图像块中对病灶区域进行标记,生成标记后的目标图像,并将标记后的目标图像发送至医护终端。
在步骤(2)之后,还包括:若每个图像块的卷积值小于预置卷积值,则确定目标图像中未存在病灶区域,则生成对目标图像的病灶识别结果进行复核的提醒信息,并将提醒信息发送至医护终端。
例如,智能医疗阅片装置将预处理的二类图像进行图像块分割,得到多个图像块,多个图像块包括1号图像块、2号图像块、3号图像块和4号图像块;根据按1到4的顺序对多个图像块进行逐一卷积,得到1号图像块的卷积值为0.6,2号图像块的卷积值为0.4,3号图像块的卷积值为0.7,4号图像块的卷积值为0.5;若预置卷积值为0.5,则1号图像块的卷积值大于预置卷积值,即确定1号图像块中存在病灶区域,并将1号图像块加入病灶图像块集,则3号图像块的卷积值大于预置卷积值,即确定3号图像块中存在病灶区域,并将3号图像块加入病灶图像块集,则4号图像块的卷积值等于预置卷积值,即确定4号图像块中存在病灶区域,并将4号图像块加入病灶图像块集,病灶图像块集包括1号图像块、3号图像块和4号图像块;在三个病灶图像块的每个病灶图像块中对病灶区域进行标记,生成标记后的目标图像,并将标记后的目标图像发送至医护终端。或者根据按1到4的顺序对多个图像块进行逐一卷积,得到1号图像块的卷积值为0.3,2号图像块的卷积值为0.4,3号图像块的卷积值为0.3,4号图像块的卷积值为0.2;若预置卷积值为0.5,则每个图像块的卷积值小于预置卷积值,即确定目标图像中未存在病灶区域,则生成对目标图像的病灶识别结果进行复核的提醒信息,并将提醒信息发送至医护终端。
本发明实施例中,获取目标图像,其中,目标图像为待识别的一类图像或二类图像,一类图像为专业医疗设备采集的体内图像或体表图像,二类图像为非专业医疗设备采集的体表图像;调用预置的医疗阅片模型对目标图像进行图像类型检测,得到目标图像类型;若目标图像类型为一类图像,则对目标图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端;若目标图像类型为二类图像,则对目标图像进行预处理,得到预处理的二类图像,其中,预处理的二类图像为预置的医疗阅片模型能够进行病灶识别的图像;对预处理的二类图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端,增加了人工智能医学阅片的图像种类。
上面对本发明实施例中智能医疗阅片方法进行了描述,下面对本发明实施例中智能医疗阅片装置进行描述,请参阅图3,本发明实施例中智能医疗阅片装置一个实施例包括:
获取模块301,用于获取目标图像,其中,目标图像为待识别的一类图像或二类图像,一类图像为专业医疗设备采集的体内图像或体表图像,二类图像为非专业医疗设备采集的体表图像;
检测模块302,用于调用预置的医疗阅片模型对目标图像进行图像类型检测,得到目标图像类型;
第一识别发送模块303,用于若目标图像类型为一类图像,则对目标图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端;
预处理模块304,用于若目标图像类型为二类图像,则对目标图像进行预处理,得到预处理的二类图像,其中,预处理的二类图像为预置的医疗阅片模型能够进行病灶识别的图像;
第二识别发送模块305,用于对预处理的二类图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端。
本发明实施例中,获取目标图像,其中,目标图像为待识别的一类图像或二类图像,一类图像为专业医疗设备采集的体内图像或体表图像,二类图像为非专业医疗设备采集的体表图像;调用预置的医疗阅片模型对目标图像进行图像类型检测,得到目标图像类型;若目标图像类型为一类图像,则对目标图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端;若目标图像类型为二类图像,则对目标图像进行预处理,得到预处理的二类图像,其中,预处理的二类图像为预置的医疗阅片模型能够进行病灶识别的图像;对预处理的二类图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端,增加了人工智能医学阅片的图像种类。
请参阅图4,本发明实施例中智能医疗阅片装置的另一个实施例包括:
获取模块301,用于获取目标图像,其中,目标图像为待识别的一类图像或二类图像,一类图像为专业医疗设备采集的体内图像或体表图像,二类图像为非专业医疗设备采集的体表图像;
检测模块302,用于调用预置的医疗阅片模型对目标图像进行图像类型检测,得到目标图像类型;
第一识别发送模块303,用于若目标图像类型为一类图像,则对目标图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端;
预处理模块304,用于若目标图像类型为二类图像,则对目标图像进行预处理,得到预处理的二类图像,其中,预处理的二类图像为预置的医疗阅片模型能够进行病灶识别的图像;
第二识别发送模块305,用于对预处理的二类图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端。
可选的,检测模块302还可以具体用于:
通过预置的医疗阅片模型对目标图像进行图像噪声分析,得到图像噪声分析结果;
若图像噪声分析结果为目标图像存在泊松噪声,则将目标图像对应的目标图像类型确定为一类图像;
若图像噪声分析结果为目标图像存在高斯噪声,则将目标图像对应的目标图像类型确定为二类图像。
可选的,第一识别发送模块303包括:
分割单元3031,用于若目标图像类型为一类图像,则对目标图像进行分割处理,得到目标图像区域;
确定单元3032,用于若目标图像区域中每个像素点的像素值都大于或等于预置像素值,则确定目标图像中存在病灶区域;
标记单元3033,用于在目标图像中对病灶区域进行标记,并将标记后的图像发送至医护终端。
可选的,第一识别发送模块303还包括:
提醒单元3034,用于若目标图像区域中每个像素点的像素值都小于预置像素值,则确定目标图像中未存在病灶区域,并生成提醒信息,将提醒信息发送至医护终端,提醒信息用于指示对目标图像的病灶识别结果进行复核。
可选的,预处理模块304还可以具体用于:
若目标图像类型为二类图像,则对目标图像进行降噪处理,得到降噪的目标图像;
对降噪的目标图像进行灰度化处理,得到灰度化的目标图像;
对灰度化的目标图像进行二值化处理,得到预处理的二类图像。
可选的,第二识别发送模块305还可以具体用于:
将预处理的二类图像进行图像块分割,得到多个图像块;
根据指定顺序对多个图像块进行逐一卷积,得到对应的每个图像块的卷积值;
若图像块的卷积值大于或等于预置卷积值,则确定对应的图像块中存在病灶区域,并将存在病灶区域的图像块加入病灶图像块集,病灶图像块集包括多个病灶图像块;
在多个病灶图像块的每个病灶图像块中对病灶区域进行标记,生成标记后的目标图像,并将标记后的目标图像发送至医护终端。
可选的,智能医疗阅片装置还包括:
生成模块306,用于获取历史患者的一类图像和二类图像,其中,一类图像和二类图像中存在病灶区域;
对一类图像进行提取,得到一类图像中的目标病灶区域,并对目标病灶区域进行标记,得到标记的一类图像;
对二类图像进行提取,得到二类图像中的目标病灶区域,并对目标病灶区域进行标记,得到标记的二类图像;
根据标记的一类图像和标记的二类图像进行模型训练,生成预置的医疗阅片模型。
本发明实施例中,获取目标图像,其中,目标图像为待识别的一类图像或二类图像,一类图像为专业医疗设备采集的体内图像或体表图像,二类图像为非专业医疗设备采集的体表图像;调用预置的医疗阅片模型对目标图像进行图像类型检测,得到目标图像类型;若目标图像类型为一类图像,则对目标图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端;若目标图像类型为二类图像,则对目标图像进行预处理,得到预处理的二类图像,其中,预处理的二类图像为预置的医疗阅片模型能够进行病灶识别的图像;对预处理的二类图像进行病灶识别,若目标图像中存在病灶区域,则在目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端,增加了人工智能医学阅片的图像种类。
上面图3和图4从模块化功能实体的角度对本发明实施例中的智能医疗阅片装置进行详细描述,下面从硬件处理的角度对本发明实施例中智能医疗阅片设备进行详细描述。
图5是本发明实施例提供的一种智能医疗阅片设备的结构示意图,该智能医疗阅片设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对智能医疗阅片设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在智能医疗阅片设备500上执行存储介质530中的一系列指令操作。
智能医疗阅片设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的智能医疗阅片设备结构并不构成对智能医疗阅片设备的限定,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。
本发明还提供一种智能医疗阅片设备,所述计算机设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述智能医疗阅片方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述智能医疗阅片方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的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取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,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)
1.一种智能医疗阅片方法,其特征在于,所述智能医疗阅片方法包括:
获取目标图像,其中,所述目标图像为待识别的一类图像或二类图像,所述一类图像为专业医疗设备采集的体内图像或体表图像,所述二类图像为非专业医疗设备采集的体表图像;
调用预置的医疗阅片模型对所述目标图像进行图像类型检测,得到目标图像类型;
若所述目标图像类型为所述一类图像,则对所述目标图像进行病灶识别,若目标图像中存在病灶区域,则在所述目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端;
若所述目标图像类型为所述二类图像,则对所述目标图像进行预处理,得到预处理的二类图像,其中,所述预处理的二类图像为所述预置的医疗阅片模型能够进行病灶识别的图像;
对所述预处理的二类图像进行病灶识别,若所述目标图像中存在病灶区域,则在所述目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端。
2.根据权利要求1所述的智能医疗阅片方法,其特征在于,所述调用预置的医疗阅片模型对所述目标图像进行图像类型检测,得到目标图像类型,包括:
通过预置的医疗阅片模型对所述目标图像进行图像噪声分析,得到图像噪声分析结果;
若所述图像噪声分析结果为所述目标图像存在泊松噪声,则将所述目标图像对应的目标图像类型确定为一类图像;
若所述图像噪声分析结果为所述目标图像存在高斯噪声,则将所述目标图像对应的目标图像类型确定为二类图像。
3.根据权利要求1所述的智能医疗阅片方法,其特征在于,所述若所述目标图像类型为所述一类图像,则对所述目标图像进行病灶识别,若目标图像中存在病灶区域,则在所述目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端,包括:
若所述目标图像类型为所述一类图像,则对所述目标图像进行分割处理,得到目标图像区域;
若所述目标图像区域中每个像素点的像素值都大于或等于预置像素值,则确定所述目标图像中存在病灶区域;
在所述目标图像中对病灶区域进行标记,并将标记后的图像发送至医护终端。
4.根据权利要求3所述的智能医疗阅片方法,其特征在于,在所述若所述目标图像类型为所述一类图像,则对所述目标图像进行分割处理,得到目标图像区域之后,还包括:
若所述目标图像区域中每个像素点的像素值都小于预置像素值,则确定所述目标图像中未存在病灶区域,并生成提醒信息,将所述提醒信息发送至医护终端,所述提醒信息用于指示对所述目标图像的病灶识别结果进行复核。
5.根据权利要求1所述的智能医疗阅片方法,其特征在于,所述若所述目标图像类型为所述二类图像,则对所述目标图像进行预处理,得到预处理的二类图像,包括:
若所述目标图像类型为所述二类图像,则对所述目标图像进行降噪处理,得到降噪的目标图像;
对所述降噪的目标图像进行灰度化处理,得到灰度化的目标图像;
对所述灰度化的目标图像进行二值化处理,得到预处理的二类图像。
6.根据权利要求1所述的智能医疗阅片方法,其特征在于,所述对所述预处理的二类图像进行病灶识别,若所述目标图像中存在病灶区域,则在所述目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端,包括:
将所述预处理的二类图像进行图像块分割,得到多个图像块;
根据指定顺序对所述多个图像块进行逐一卷积,得到对应的每个图像块的卷积值;
若图像块的卷积值大于或等于预置卷积值,则确定对应的图像块中存在病灶区域,并将存在病灶区域的图像块加入病灶图像块集,所述病灶图像块集包括多个病灶图像块;
在所述多个病灶图像块的每个病灶图像块中对病灶区域进行标记,生成标记后的目标图像,并将所述标记后的目标图像发送至医护终端。
7.根据权利要求1-6中任一项所述的智能医疗阅片方法,其特征在于,在所述获取目标图像之前,还包括:
获取历史患者的一类图像和二类图像,其中,所述一类图像和二类图像中存在病灶区域;
对所述一类图像进行提取,得到所述一类图像中的目标病灶区域,并对所述目标病灶区域进行标记,得到标记的一类图像;
对所述二类图像进行提取,得到所述二类图像中的目标病灶区域,并对所述目标病灶区域进行标记,得到标记的二类图像;
根据所述标记的一类图像和所述标记的二类图像进行模型训练,生成预置的医疗阅片模型。
8.一种智能医疗阅片装置,其特征在于,所述智能医疗阅片装置包括:
获取模块,用于获取目标图像,其中,所述目标图像为待识别的一类图像或二类图像,所述一类图像为专业医疗设备采集的体内图像或体表图像,所述二类图像为非专业医疗设备采集的体表图像;
检测模块,用于调用预置的医疗阅片模型对所述目标图像进行图像类型检测,得到目标图像类型;
第一识别发送模块,用于若所述目标图像类型为所述一类图像,则对所述目标图像进行病灶识别,若目标图像中存在病灶区域,则在所述目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端;
预处理模块,用于若所述目标图像类型为所述二类图像,则对所述目标图像进行预处理,得到预处理的二类图像,其中,所述预处理的二类图像为所述预置的医疗阅片模型能够进行病灶识别的图像;
第二识别发送模块,用于对所述预处理的二类图像进行病灶识别,若所述目标图像中存在病灶区域,则在所述目标图像中对病灶区域进行标记并将标记后的图像发送至医护终端。
9.一种智能医疗阅片设备,其特征在于,所述智能医疗阅片设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述智能医疗阅片设备执行如权利要求1-7中任一项所述的智能医疗阅片方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述智能医疗阅片方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210289590.9A CN114628010A (zh) | 2022-03-23 | 2022-03-23 | 智能医疗阅片方法、装置、设备及存储介质 |
PCT/CN2022/121727 WO2023178972A1 (zh) | 2022-03-23 | 2022-09-27 | 智能医疗阅片方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210289590.9A CN114628010A (zh) | 2022-03-23 | 2022-03-23 | 智能医疗阅片方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114628010A true CN114628010A (zh) | 2022-06-14 |
Family
ID=81903414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210289590.9A Pending CN114628010A (zh) | 2022-03-23 | 2022-03-23 | 智能医疗阅片方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114628010A (zh) |
WO (1) | WO2023178972A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023178972A1 (zh) * | 2022-03-23 | 2023-09-28 | 康键信息技术(深圳)有限公司 | 智能医疗阅片方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
CN108573490B (zh) * | 2018-04-25 | 2020-06-05 | 王成彦 | 一种针对肿瘤影像数据的智能读片系统 |
CN110136103B (zh) * | 2019-04-24 | 2024-05-28 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
CN110223280B (zh) * | 2019-06-03 | 2021-04-13 | Oppo广东移动通信有限公司 | 静脉血栓检测方法和静脉血栓检测装置 |
CN112401915A (zh) * | 2020-11-19 | 2021-02-26 | 华中科技大学同济医学院附属协和医院 | 一种新冠肺炎ct复查的图像融合比对方法 |
CN114628010A (zh) * | 2022-03-23 | 2022-06-14 | 康键信息技术(深圳)有限公司 | 智能医疗阅片方法、装置、设备及存储介质 |
-
2022
- 2022-03-23 CN CN202210289590.9A patent/CN114628010A/zh active Pending
- 2022-09-27 WO PCT/CN2022/121727 patent/WO2023178972A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023178972A1 (zh) * | 2022-03-23 | 2023-09-28 | 康键信息技术(深圳)有限公司 | 智能医疗阅片方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023178972A1 (zh) | 2023-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111417980B (zh) | 用于椎骨骨折的识别的三维医学图像分析方法和系统 | |
US20200327721A1 (en) | Autonomous level identification of anatomical bony structures on 3d medical imagery | |
CN113506294B (zh) | 一种医疗图像评估方法、系统、计算机设备及存储介质 | |
EP2443587B1 (en) | Systems for computer aided lung nodule detection in chest tomosynthesis imaging | |
JP2021002339A (ja) | 画像内での構造又は物質セグメンテーションに基づいた機械学習分類のための方法及びシステム | |
Wan Ahmad et al. | Lung segmentation on standard and mobile chest radiographs using oriented Gaussian derivatives filter | |
EP3424017B1 (en) | Automatic detection of an artifact in patient image data | |
Shukla et al. | Approaches of artificial intelligence in biomedical image processing: A leading tool between computer vision & biological vision | |
Jabbar et al. | Using convolutional neural network for edge detection in musculoskeletal ultrasound images | |
CN111462048A (zh) | 多标签多示例的图像检测方法、装置、设备及存储介质 | |
JP2022546344A (ja) | 脳卒中特徴取得のための画像処理 | |
Karthick et al. | Analysis of lung cancer detection based on the machine learning algorithm and IOT | |
CN114037803B (zh) | 医学图像三维重建方法及系统 | |
Karthik et al. | Deep neural models for automated multi-task diagnostic scan management—quality enhancement, view classification and report generation | |
CN114628010A (zh) | 智能医疗阅片方法、装置、设备及存储介质 | |
Vania et al. | Automatic spine segmentation using convolutional neural network via redundant generation of class labels for 3D spine modeling | |
Bukas et al. | Patient-specific virtual spine straightening and vertebra inpainting: an automatic framework for osteoplasty planning | |
Anand et al. | Architectural distortion detection in mammogram using contourlet transform and texture features | |
Perumal et al. | Tumor Identification in CTScan/UltraSound Using Deep Learning Technique | |
Bimbraw et al. | Augmented reality-based lung ultrasound scanning guidance | |
EP2178046A2 (en) | Multi-image correlation | |
Amara et al. | Augmented reality for medical practice: a comparative study of deep learning models for ct-scan segmentation | |
Supriya et al. | Enhanced Knee Joint Image Analysis Using Hybrid Machine Learning and Computer Vision Techniques | |
Agrawal et al. | Neuro-fuzzy approach for reconstruction of 3-D spine model using 2-D spine images and human anatomy | |
Rajinikanth et al. | Biomedical Signal and Image Examination with Entropy-Based Techniques |
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 |