CN114723723A - 医学影像处理方法、计算机设备和存储介质 - Google Patents
医学影像处理方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114723723A CN114723723A CN202210404881.8A CN202210404881A CN114723723A CN 114723723 A CN114723723 A CN 114723723A CN 202210404881 A CN202210404881 A CN 202210404881A CN 114723723 A CN114723723 A CN 114723723A
- Authority
- CN
- China
- Prior art keywords
- medical image
- features
- initial
- image
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title abstract description 14
- 238000013145 classification model Methods 0.000 claims abstract description 116
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 74
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 5
- 206010056342 Pulmonary mass Diseases 0.000 abstract description 7
- 230000003902 lesion Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000002591 computed tomography Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 4
- 201000005202 lung cancer Diseases 0.000 description 4
- 208000020816 lung neoplasm Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001764 infiltration Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 210000000481 breast Anatomy 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009535 clinical urine test Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及一种医学影像处理方法、计算机设备和存储介质。所述方法包括:将第一医学影像输入预设的生成模型,得到第二医学影像;所述第二医学影像的分辨率高于所述第一医学影像的分辨率;所述第一医学影像为初始医学影像中的病灶区域影像;将所述第二医学影像输入预设的分类模型,得到所述第一医学影像对应的分类结果;其中,所述分类结果用于表征所述第一医学影像中感兴趣区域的病灶类型;所述生成模型和所述分类模型为根据初始生成模型的损失函数的值和初始分类模型的损失函数的值,对所述初始生成模型和所述初始分类模型进行级联训练所得到的。采用本方法能够提高检测肺结节是否发生浸润的准确度。
Description
技术领域
本申请涉及医学影像技术领域,特别是涉及一种医学影像处理方法、计算机设备和存储介质。
背景技术
肺癌的早期发现和早期诊断是肺癌防治、提高生存率的关键。目前,低剂量CT(Lowdose CT,LDCT)筛查是唯一可有效降低肺癌总体死亡率的医学检查方法,通过低剂量CT影像能够检测出影像中的肺结节,再通过检测影像中的肺结节是否发生浸润能够对肺癌进行及时地检测,但是,检测肺结节是否发生浸润对医学影像的质量要求较高。
传统技术中,主要是通过图像重建算法对常规CT胸部扫描影像进行重建,重建出分辨率较高的医学影像,从而利用分辨率较高的医学影像检测肺结节是否发生浸润。
然而,传统的检测肺结节是否发生浸润的方法,存在准确度较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高检测肺结节是否发生浸润的准确度的医学影像处理方法、计算机设备和存储介质。
第一方面,本申请提供了一种医学影像处理方法,所述方法包括:
将第一医学影像输入预设的生成模型,得到第二医学影像;所述第二医学影像的分辨率高于所述第一医学影像的分辨率;所述第一医学影像为初始医学影像中的病灶区域影像;
将所述第二医学影像输入预设的分类模型,得到所述第一医学影像对应的分类结果;其中,所述分类结果用于表征所述第一医学影像中感兴趣区域的病灶类型;所述生成模型和所述分类模型为根据初始生成模型的损失函数的值和初始分类模型的损失函数的值,对所述初始生成模型和所述初始分类模型进行级联训练所得到的。
在其中一个实施例中,所述方法还包括:
获取所述第二医学影像的影像组学特征和医学临床特征;
将所述影像组学特征、所述医学临床特征和所述第二医学影像输入预设的分类模型,得到所述第一医学影像对应的分类结果。
在其中一个实施例中,所述分类模型包括特征提取层、融合层和分类层;所述将所述影像组学特征、所述医学临床特征和所述第二医学影像输入预设的分类模型,得到所述第一医学影像对应的分类结果,包括:
将所述第二医学影像输入所述特征提取层,得到所述第二医学影像的特征;
将所述第二医学影像的特征、所述影像组学特征和所述医学临床特征输入所述融合层,对所述第二医学影像的特征、所述影像组学特征和所述医学临床特征进行特征融合,得到融合后的特征;
将所述融合后的特征输入所述分类层,得到所述分类结果。
在其中一个实施例中,所述将所述第二医学影像的特征、所述影像组学特征和所述医学临床特征输入所述融合层,对所述第二医学影像的特征、所述影像组学特征和所述医学临床特征进行特征融合,得到融合后的特征,包括:
将所述第二医学影像的特征、所述影像组学特征和所述医学临床特征输入所述融合层,对所述第二医学影像的特征、所述影像组学特征和所述医学临床特征进行结构化处理,得到结构化特征,以及
对所述结构化特征进行降维处理,得到所述融合后的特征。
在其中一个实施例中,所述生成模型和所述分类模型的训练过程,包括:
获取第一样本医学影像、所述第一样本医学影像对应的金标准医学影像和所述第一样本医学影像对应的金标准分类结果;其中,所述第一样本医学影像为样本医学影像的感兴趣区域影像;所述金标准医学影像的分辨率高于所述第一样本医学影像的分辨率;
将所述第一样本医学影像输入预设的初始生成模型,得到第二样本医学影像;
根据所述第二样本医学影像和所述金标准医学影像,得到所述初始生成模型的第一损失函数的值;
将所述第二样本医学影像输入预设的初始分类模型,得到所述第一样本医学影像对应的样本分类结果;
根据所述样本分类结果和所述金标准分类结果,得到所述初始分类模型的第二损失函数的值;
将所述第一损失函数的值和所述第二损失函数的值的加权和,确定为目标损失函数的值;
根据所述目标损失函数的值对所述初始生成模型和所述初始分类模型进行训练,得到所述分类模型和所述生成模型。
在其中一个实施例中,所述方法还包括:
对所述初始医学影像中的病灶区域进行分割,得到所述第一医学影像。
在其中一个实施例中,所述获取所述第二医学影像的影像组学特征和医学临床特征,包括:
利用预设的特征提取算法,对所述第二医学影像进行特征提取,得到所述影像组学特征;
从所述第二医学影像对应的检查报告中,得到所述医学临床特征。
在其中一个实施例中,所述方法还包括:
对所述初始医学影像中除所述感兴趣区域外的影像,利用最近邻算法生成第三医学影像;所述第三医学影像的分辨率与所述第二医学影像的分辨率相同;
将所述第二医学影像和所述第三医学影像进行拼接处理,生成所述初始医学影像对应的第四医学影像。
第二方面,本申请还提供了一种医学影像处理装置,所述装置包括:
第一获取模块,用于将第一医学影像输入预设的生成模型,得到第二医学影像;所述第二医学影像的分辨率高于所述第一医学影像的分辨率;所述第一医学影像为初始医学影像中的病灶区域影像;
第二获取模块,用于将所述第二医学影像输入预设的分类模型,得到所述第一医学影像对应的分类结果;其中,所述分类结果用于表征所述第一医学影像中感兴趣区域的病灶类型;所述生成模型和所述分类模型为根据初始生成模型的损失函数的值和初始分类模型的损失函数的值,对所述初始生成模型和所述初始分类模型进行级联训练所得到的。
第三方面,本申请还提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
将第一医学影像输入预设的生成模型,得到第二医学影像;所述第二医学影像的分辨率高于所述第一医学影像的分辨率;所述第一医学影像为初始医学影像中的病灶区域影像;
将所述第二医学影像输入预设的分类模型,得到所述第一医学影像对应的分类结果;其中,所述分类结果用于表征所述第一医学影像中感兴趣区域的病灶类型;所述生成模型和所述分类模型为根据初始生成模型的损失函数的值和初始分类模型的损失函数的值,对所述初始生成模型和所述初始分类模型进行级联训练所得到的。
第四方面,本申请还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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
将第一医学影像输入预设的生成模型,得到第二医学影像;所述第二医学影像的分辨率高于所述第一医学影像的分辨率;所述第一医学影像为初始医学影像中的病灶区域影像;
将所述第二医学影像输入预设的分类模型,得到所述第一医学影像对应的分类结果;其中,所述分类结果用于表征所述第一医学影像中感兴趣区域的病灶类型;所述生成模型和所述分类模型为根据初始生成模型的损失函数的值和初始分类模型的损失函数的值,对所述初始生成模型和所述初始分类模型进行级联训练所得到的。
第五方面,本申请还提供了一种计算机程序产品,所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
将第一医学影像输入预设的生成模型,得到第二医学影像;所述第二医学影像的分辨率高于所述第一医学影像的分辨率;所述第一医学影像为初始医学影像中的病灶区域影像;
将所述第二医学影像输入预设的分类模型,得到所述第一医学影像对应的分类结果;其中,所述分类结果用于表征所述第一医学影像中感兴趣区域的病灶类型;所述生成模型和所述分类模型为根据初始生成模型的损失函数的值和初始分类模型的损失函数的值,对所述初始生成模型和所述初始分类模型进行级联训练所得到的。
上述医学影像处理方法、计算机设备和存储介质,将第一医学影像输入预设的生成模型,能够得到分辨率高于第一医学影像的分辨率的第二医学影像,将第二医学影像输入预设的分类模型,能够得到第一医学影像对应的分类结果,由于第一医学影像为初始医学影像中的病灶区域影像,且输入预设的分类模型的第二医学影像的分辨率较高,因此,将第二医学影像输入分类模型能够准确地得到第一医学影像对应的分类结果,从而提高了得到的第一医学影像对应的分类结果的准确度。
附图说明
图1为一个实施例中医学影像处理方法的应用环境图;
图2为一个实施例中医学影像处理方法的流程示意图;
图3为另一个实施例中医学影像处理方法的流程示意图;
图4为另一个实施例中医学影像处理方法的流程示意图;
图5为另一个实施例中医学影像处理方法的流程示意图;
图6为另一个实施例中医学影像处理方法的流程示意图;
图7为一个实施例中医学影像处理方法的流程示意图;
图8为一个实施例中医学影像处理方法的流程示意图;
图9为一个实施例中医学影像处理装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的医学影像处理方法,可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的,该计算机设备还可以包括网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的,该计算机设备可以是服务器,可以是个人计算机,还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
在一个实施例中,如图2所示,提供了一种医学影像处理方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S201,将第一医学影像输入预设的生成模型,得到第二医学影像;第二医学影像的分辨率高于第一医学影像的分辨率;第一医学影像为初始医学影像中的病灶区域影像。
其中,第一医学影像为初始医学影像中的病灶区域影像,可选的,初始医学影像可以为胸部扫描影像,也可以为腹部扫描影像,或者,也可以为其他部位的扫描影像等,可选的,初始医学影像可以为电子计算机断层扫描(Computed Tomography,CT)影像,也可以为磁共振成像(Magnetic Resonance Imaging,MRI)影像等等。可选的,上述病灶区域可以为肺等等。医学影像的分辨率是指医学影像中存储的信息量,是每英寸医学影像内有多少个像素点,第二医学影像的分辨率高于第一医学影像的分辨率是指第二医学影像中每英寸医学影像内的像素点多于第一医学影像中每英寸医学影像内的像素点。
可选的,预设的生成模型可以为将胸部的常规CT影像作为样本图像,将胸部的靶扫描CT影像作为金标准图像,对初始生成模型进行训练得到的。可选的,生成模型可以为V-Net网络、DenseNet网络、生成式对抗网络(Generative Adversarial Networks,GAN)中的任一种网络。
可选的,在本实施例中,第一医学影像可以为二维影像,也可以为三维影像。可选的,第一医学影像可以为从PACS(Picture Archiving and Communication Systems,影像归档和通信系统)服务器中直接获取的,或者,也可以是从PACS服务器中获取初始医学影像,对初始医学影像中的病灶区域进行分割得到的第一医学影像。
S202,将第二医学影像输入预设的分类模型,得到第一医学影像对应的分类结果;其中,分类结果用于表征第一医学影像中感兴趣区域的病灶类型;生成模型和分类模型为根据初始生成模型的损失函数的值和初始分类模型的损失函数的值,对初始生成模型和初始分类模型进行级联训练所得到的。
其中,预设的分类模型可以为V-Net网络、DenseNet网络、GAN网络中的任一种网络。可选的,第一医学影像中感兴趣区域的病灶类型可以为浸润、未浸润、微浸润等中的任意一种。
其中,上述生成模型和分类模型为根据初始生成模型的损失函数的值和初始分类模型的损失函数的值,共同对初始生成模型和初始分类模型进行级联训练所得到的。可以理解的是,因为生成模型生成的第二医学影像的分辨率较高,利用生成模型生成的第二医学影像进行分类时,级联的生成模型与分类模型针对第二医学影像图像和分类结果将同时达到最优,另外,由于输入预设的分类模型的第二医学影像的分辨率较高,能够使分类模型更准确地获取第二医学影像中的特征,从而可以准确地得到第一医学影像对应的分类结果。
上述医学影像处理方法中,将第一医学影像输入预设的生成模型,能够得到分辨率高于第一医学影像的分辨率的第二医学影像,将第二医学影像输入预设的分类模型,能够得到第一医学影像对应的分类结果,由于第一医学影像为初始医学影像中的病灶区域影像,且输入预设的分类模型的第二医学影像的分辨率较高,因此,将第二医学影像输入分类模型能够准确地得到第一医学影像对应的分类结果,从而提高了得到的第一医学影像对应的分类结果的准确度。
在一些场景中,计算机设备还可以获取第二医学影像的影像组学特征和医学临床特征,结合第二医学影像的影像组学特征和医学临床特征得到第一医学影像对应的分类结果。在一个实施例中,如图3所示,上述方法还包括:
S301,获取第二医学影像的影像组学特征和医学临床特征。
其中,影像组学特征包括一阶统计特征、形状特征和纹理特征等;医学临床特征包括血检特征、尿检特征、病理特征、基因特征等等。可选的,计算机设备可以利用预设的特征提取算法,对第二医学影像进行特征提取,得到第二医学影像的特征组学特征。可以理解的是,医学影像报告中包括有医学影像对应的各种特征信息,因此,作为一种可选的实施方式,计算机设备可以从第二医学影像对应的检查报告中读取第二医学影像的医学临床特征。
S302,将影像组学特征、医学临床特征和第二医学影像输入预设的分类模型,得到第一医学影像对应的分类结果。
可选的,计算机设备将第二医学影像的影像组学特征、医学临床特征和第二医学影像输入预设的分类模型后,可以通过分类模型对第二医学影像的特征进行提取,进而将提取的第二医学影像的特征、第二医学影像的影像组学特征和医学临床特征进行特征融合,利用融合后的特征得到第一医学影像对应的分类结果。可选的,可以通过分类模型中的分类器对融合后的特征进行分类,得到第一医学影像对应的分类结果。
本实施例中,计算机设备通过获取第二医学影像的影像组学特征和医学临床特征,从而能够将第二医学影像的影像组学特征、医学临床特征和第二医学影像输入预设的分类模型,由于输入预设的分类模型的是影像组学特征、医学临床特征和第二医学影像,能够使分类模型结合影像组学特征、医学临床特征和第二医学影像,对第一医学影像中感兴趣区域的病灶类型进行分类,由于分类时利用的特征信息较为丰富,因此,可以准确地得到第一医学影像对应的分类结果,提高了得到的第一医学影像对应的分类结果的准确度。
在上述将第二医学影像的影像组学特征、医学临床特征和第二医学影像输入预设的分类模型,得到第一医学影像对应的分类结果的场景中,上述分类模型包括特征提取层、融合层和分类层,在一个实施例中,如图4所示,上述S302,包括:
S401,将第二医学影像输入特征提取层,得到第二医学影像的特征。
具体地,分类模型中的特征提取层,对输入进来的第二医学影像进行特征提取,获取第二医学影像的特征。可选的,特征提取层可以通过主成分分析法对第二医学影像进行特征提取,或者,特征提取层可以通过灰度共生矩阵法对第二医学影像进行特征提取。
S402,将第二医学影像的特征、影像组学特征和医学临床特征输入融合层,对第二医学影像的特征、影像组学特征和医学临床特征进行特征融合,得到融合后的特征。
可选的,将第二医学影像的特征、第二医学影像的影像组学特征和第二医学影像的医学临床特征输入上述融合层后,可以通过融合层对第二医学影像的特征、影像组学特征和医学临床特征进行结构化处理,得到结构化特征,并对得到的结构化特征进行降维处理,得到融合后的特征。
S403,将融合后的特征输入分类层,得到分类结果。
具体地,通过上述融合层得到融合后的特征后,可以将得到的融合后的特征输入分类模型的分类层,得到第一医学影像对应的分类结果。可选的,分类模型的分类层可以为一个分类器,可以通过该分类器得到第一医学影像对应的分类结果。
本实施例中,通过将第二医学影像输入分类模型的特征提取层,能够对第二医学影像进行特征提取,得到第二医学影像的特征,通过将第二医学影像的特征、第二医学影像的影像组学特征和医学临床特征输入分类模型的融合层,能够对第二医学影像的特征、第二医学影像的影像组学特征和医学临床特征进行特征融合,得到融合特征,由于融合特征中包括的信息较单一的特征比较丰富,则将融合后的特征输入分类模型的分类层,能够通过分类层对融合后的特征进行准确地分类,准确地得到第一医学影像对应的分类结果,提高了得到的第一医学影像对应的分类结果的准确度。
进一步地,如图5所示,在一个实施例中,上述生成模型和分类模型的训练过程,包括:
S501,获取第一样本医学影像、第一样本医学影像对应的金标准医学影像和第一样本医学影像对应的金标准分类结果;其中,第一样本医学影像为样本医学影像的感兴趣区域影像;金标准医学影像的分辨率高于第一样本医学影像的分辨率。
可选的,在本实施例中,计算机设备可以从PACS服务器中获取样本医学影像、第一样本医学影像、第一样本医学影像对应的金标准医学影像和第一样本医学影像对应的金标准分类结果,或者,计算机设备可以从PACS服务器中获取样本医学影像、样本医学影像对应的金标准医学影像和样本医学影像对应的金标准分类结果,对获取的样本医学影像的感兴趣区域进行划分,得到上述第一样本医学影像,将获取的样本医学影像对应的金标准分类结果作为第一样本医学影像对应的金标准分类结果。可选的,第一样本医学影像可以为通过常规的扫描所得到的医学影像,第一医学影像对应的金标准医学影像可以为通过靶扫描所得到的医学影像。
S502,将第一样本医学影像输入预设的初始生成模型,得到第二样本医学影像。
具体地,计算机设备将第一样本医学影像输入预设的初始生成模型后,可以利用初始生成模型对第一样本医学影像进行重建,得到分辨率高于第一样本医学影像的分辨率的第二样本医学影像。
S503,根据第二样本医学影像和金标准医学影像,得到初始生成模型的第一损失函数的值。
可选的,计算机设备可以通过计算第二样本医学影像和上述金标准医学影像的相似度,得到初始生成模型的第一损失函数的值。或者,计算机设备可以通过第二样本医学影像各像素的像素值和金标准医学影像各像素的像素值之间的差异值,得到初始生成模型的第一损失函数的值。
S504,将第二样本医学影像输入预设的初始分类模型,得到第一样本医学影像对应的样本分类结果。
可选的,计算机设备还可以对第二样本医学影像进行特征提取,得到第二样本医学影像的影像组学特征,从第二样本医学影像对应的检查报告中,获取第二样本医学影像的医学临床特征,从而将第二样本医学影像、第二样本医学影像的影像组学特征和第二样本医学影像的医学临床特征输入预设的初始分类模型,得到第一样本医学影像对应的样本分类结果。
S505,根据样本分类结果和金标准分类结果,得到初始分类模型的第二损失函数的值。
可选的,计算机设备可以通过计算得到的样本分类结果和获取的金标准分类结果之间的差异值,利用样本分类结果和金标准分类结果之间的差异值,得到初始分类模型的第二损失函数的值。
S506,将第一损失函数的值和第二损失函数的值的加权和,确定为目标损失函数的值。
可选的,计算机设备可以根据第一损失函数对应的权重和第二损失函数对应的权重,计算第一损失函数的值和第二损失函数的值的加权和,将第一损失函数的值和第二损失函数的值的加权和确定为目标损失函数的值。
S507,根据目标损失函数的值对初始生成模型和初始分类模型进行训练,得到分类模型和生成模型。
可选的,计算机设备可以利用目标损失函数的值,调整初始生成模型的参数和初始分类模型的参数,对初始生成模型和初始分类模型进行训练,得到上述分类模型和生成模型。
本实施例中,计算机设备将第一样本医学影像输入预设的初始生成模型,能够得到第二样本医学影像,根据第二样本医学影像和第一样本医学影像对应的金标准医学影像,能够得到初始生成模型的第一损失函数的值,将第二样本医学影像输入预设的初始分类模型,能够得到第一样本医学影像对应的样本分类结果,从而可以根据第一样本医学影像对应的样本分类结果和第一样本医学影像对应的金标准分类结果,得到初始分类模型的第二损失函数的值,进而可以将第一损失函数的值和第二损失函数的值的加权和确定为目标损失函数的值,由于目标损失函数的值为第一损失函数的值和第二损失函数的值的加权和,这样可以达到共同训练初始生成模型和初始分类模型的效果,提高了根据目标损失函数的值对初始生成模型和初始分类模型进行训练的准确度,从而可以准确地得到分类模型和生成模型。
在上述将第一医学影像输入预设的生成模型的场景中,需要先获取第一医学影像。在一个实施例中,上述方法还包括:对初始医学影像中的病灶区域进行分割,得到第一医学影像。
可选的,计算机设备可以先定位出初始医学影像中的病灶区域,采用预设的分割算法,对初始医学影像中的病灶区域进行分割,得到上述第一医学影像。例如,计算机设备可以按照初始医学影像中的病灶区域的尺寸,采用与该尺寸相同的滑窗,对初始医学影像中的病灶区域进行分割,得到上述第一医学影像。
本实施例中,计算机设备对初始医学影像中的病灶区域进行分割的过程十分简单,因此,计算机设备能够快速地得到第一医学影像,提高了得到的第一医学影像的效率。
在一些场景中,医生进行阅片时可能会需要完整的分辨率较高的医学影像,在一个实施例中,如图6所示,上述方法还包括:
S601,对初始医学影像中除感兴趣区域外的影像,利用最近邻算法生成第三医学影像;第三医学影像的分辨率与第二医学影像的分辨率相同。
具体地,计算机设备可以在初始医学影像中确定出除感兴趣区域外的影像,对初始医学影像中除感兴趣区域外的影像利用最近邻算法生成第三医学影像,其中,生成的第三医学影像的分辨率与上述第二医学影像的分辨率相同,也就是说,能够对初始医学影像中除感兴趣区域外的影像的分辨率进行调整,使得初始医学影像中除感兴趣区域外的影像的分辨率与初始医学影像中感兴趣区域的分辨率相同。
S602,将第二医学影像和第三医学影像进行拼接处理,生成初始医学影像对应的第四医学影像。
具体地,计算机设备可以将得到的第三医学影像与上述第二医学影像进行拼接处理,生成初始医学影像对应的第四医学影像。可以理解的是,由于第三医学影像的分辨率与第二医学影像的分辨率相同,第二医学影像的分辨率高于第一医学影像的分辨率,因此,得到的第四医学影像的分辨率是高于初始医学影像的分辨率的。
本实施例中,通过对初始医学影像中除感兴趣区域外的影像,能够利用最近邻算法生成第三医学影像,从而将第二医学影像和第三医学影像进行拼接处理,能够生成分辨率高于初始医学影像分辨率的第四医学影像,避免了医生需要利用分辨率较高的医学影像时再次对患者进行靶扫描,使患者再次接收辐射,同时,该处理过程也较为简单,使得计算机设备能够快速地生成初始医学影像对应的第四医学影像。
为了便于本领域技术人员的理解,以下对本申请提供的医学影像处理方法进行详细介绍,请参考图7和图8,该方法可以包括:
S1,获取第一样本医学影像、第一样本医学影像对应的金标准医学影像和第一样本医学影像对应的金标准分类结果;其中,第一样本医学影像为样本医学影像的感兴趣区域影像;金标准医学影像的分辨率高于第一样本医学影像的分辨率。
S2,将第一样本医学影像输入预设的初始生成模型,得到第二样本医学影像。
S3,根据第二样本医学影像和金标准医学影像,得到初始生成模型的第一损失函数的值。
S4,将第二样本医学影像输入预设的初始分类模型,得到第一样本医学影像对应的样本分类结果。
S5,根据样本分类结果和金标准分类结果,得到初始分类模型的第二损失函数的值。
S6,将第一损失函数的值和第二损失函数的值的加权和,确定为目标损失函数的值。
S7,根据目标损失函数的值对初始生成模型和初始分类模型进行训练,得到分类模型和生成模型。
S8,对初始医学影像中的病灶区域进行分割,得到第一医学影像。
S9,将第一医学影像输入预设的生成模型,得到第二医学影像。
S10,利用预设的特征提取算法,对第二医学影像进行特征提取,得到影像组学特征。
S11,从第二医学影像对应的检查报告中,得到医学临床特征。
S12,将第二医学影像输入分类模型的特征提取层,得到第二医学影像的特征。
S13,将第二医学影像的特征、影像组学特征和医学临床特征输入分类模型的融合层,对第二医学影像的特征、影像组学特征和医学临床特征进行结构化处理,得到结构化特征,以及对结构化特征进行降维处理,得到融合后的特征。
S14,将融合后的特征输入分类模型的分类层,得到第一医学影像对应的分类结果。
S15,对初始医学影像中除感兴趣区域外的影像,利用最近邻算法生成第三医学影像;第三医学影像的分辨率与第二医学影像的分辨率相同;将第二医学影像和第三医学影像进行拼接处理,生成初始医学影像对应的第四医学影像。
需要说明的是,针对上述S1-S15中的描述可以参见上述实施例中相关的描述,且其效果类似,本实施例在此不再赘述。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的医学影像处理方法的医学影像处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个医学影像处理装置实施例中的具体限定可以参见上文中对于医学影像处理方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种医学影像处理装置,包括:第一获取模块和第二获取模块,其中:
第一获取模块,用于将第一医学影像输入预设的生成模型,得到第二医学影像;第二医学影像的分辨率高于第一医学影像的分辨率;第一医学影像为初始医学影像中的病灶区域影像;
第二获取模块,用于将第二医学影像输入预设的分类模型,得到第一医学影像对应的分类结果;其中,分类结果用于表征第一医学影像中感兴趣区域的病灶类型;生成模型和分类模型为根据初始生成模型的损失函数的值和初始分类模型的损失函数的值,对初始生成模型和初始分类模型进行级联训练所得到的。
本实施例提供的医学影像处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述装置还包括:第三获取模块和第四获取模块,其中:
第三获取模块,用于获取第二医学影像的影像组学特征和医学临床特征。
第四获取模块,用于将影像组学特征、医学临床特征和第二医学影像输入预设的分类模型,得到第一医学影像对应的分类结果。
本实施例提供的医学影像处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述分类模型包括特征提取层、融合层和分类层;上述第四获取模块,包括:第一获取单元、融合单元和第二获取单元,其中:
第一获取单元,用于将第二医学影像输入特征提取层,得到第二医学影像的特征。
融合单元,用于将第二医学影像的特征、影像组学特征和医学临床特征输入融合层,对第二医学影像的特征、影像组学特征和医学临床特征进行特征融合,得到融合后的特征。
第二获取单元,用于将融合后的特征输入分类层,得到分类结果。
本实施例提供的医学影像处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述融合单元,用于将第二医学影像的特征、影像组学特征和医学临床特征输入融合层,对第二医学影像的特征、影像组学特征和医学临床特征进行结构化处理,得到结构化特征,以及对结构化特征进行降维处理,得到融合后的特征。
本实施例提供的医学影像处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述装置还包括:第五获取模块、第六获取模块、第七获取模块、第八获取模块、第九获取模块、确定模块和训练模块,其中:
第五获取模块,用于获取第一样本医学影像、第一样本医学影像对应的金标准医学影像和第一样本医学影像对应的金标准分类结果;其中,第一样本医学影像为样本医学影像的感兴趣区域影像;金标准医学影像的分辨率高于第一样本医学影像的分辨率。
第六获取模块,用于将第一样本医学影像输入预设的初始生成模型,得到第二样本医学影像。
第七获取模块,用于根据第二样本医学影像和金标准医学影像,得到初始生成模型的第一损失函数的值。
第八获取模块,用于将第二样本医学影像输入预设的初始分类模型,得到第一样本医学影像对应的样本分类结果。
第九获取模块,用于根据样本分类结果和金标准分类结果,得到初始分类模型的第二损失函数的值。
确定模块,用于将第一损失函数的值和第二损失函数的值的加权和,确定为目标损失函数的值。
训练模块,用于根据目标损失函数的值对初始生成模型和初始分类模型进行训练,得到分类模型和生成模型。
本实施例提供的医学影像处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述装置还包括:分割模块,其中:
分割模块,用于对初始医学影像中的病灶区域进行分割,得到第一医学影像。
本实施例提供的医学影像处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第三获取模块,包括:特征提取模块和第三获取单元,其中:
特征提取模块,用于利用预设的特征提取算法,对第二医学影像进行特征提取,得到影像组学特征。
第三获取单元,用于从第二医学影像对应的检查报告中,得到医学临床特征。
本实施例提供的医学影像处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述装置还包括:生成模块和拼接模块,其中:
生成模块,用于对初始医学影像中除感兴趣区域外的影像,利用最近邻算法生成第三医学影像;第三医学影像的分辨率与第二医学影像的分辨率相同。
拼接模块,用于将第二医学影像和第三医学影像进行拼接处理,生成初始医学影像对应的第四医学影像。
本实施例提供的医学影像处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
上述医学影像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种医学影像处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
将第一医学影像输入预设的生成模型,得到第二医学影像;第二医学影像的分辨率高于第一医学影像的分辨率;第一医学影像为初始医学影像中的病灶区域影像;
将第二医学影像输入预设的分类模型,得到第一医学影像对应的分类结果;其中,分类结果用于表征第一医学影像中感兴趣区域的病灶类型;生成模型和分类模型为根据初始生成模型的损失函数的值和初始分类模型的损失函数的值,对初始生成模型和初始分类模型进行级联训练所得到的。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
将第一医学影像输入预设的生成模型,得到第二医学影像;第二医学影像的分辨率高于第一医学影像的分辨率;第一医学影像为初始医学影像中的病灶区域影像;
将第二医学影像输入预设的分类模型,得到第一医学影像对应的分类结果;其中,分类结果用于表征第一医学影像中感兴趣区域的病灶类型;生成模型和分类模型为根据初始生成模型的损失函数的值和初始分类模型的损失函数的值,对初始生成模型和初始分类模型进行级联训练所得到的。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
将第一医学影像输入预设的生成模型,得到第二医学影像;第二医学影像的分辨率高于第一医学影像的分辨率;第一医学影像为初始医学影像中的病灶区域影像;
将第二医学影像输入预设的分类模型,得到第一医学影像对应的分类结果;其中,分类结果用于表征第一医学影像中感兴趣区域的病灶类型;生成模型和分类模型为根据初始生成模型的损失函数的值和初始分类模型的损失函数的值,对初始生成模型和初始分类模型进行级联训练所得到的。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学影像处理方法,其特征在于,所述方法包括:
将第一医学影像输入预设的生成模型,得到第二医学影像;所述第二医学影像的分辨率高于所述第一医学影像的分辨率;所述第一医学影像为初始医学影像中的病灶区域影像;
将所述第二医学影像输入预设的分类模型,得到所述第一医学影像对应的分类结果;其中,所述分类结果用于表征所述第一医学影像中感兴趣区域的病灶类型;所述生成模型和所述分类模型为根据初始生成模型的损失函数的值和初始分类模型的损失函数的值,对所述初始生成模型和所述初始分类模型进行级联训练所得到的。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述第二医学影像的影像组学特征和医学临床特征;
将所述影像组学特征、所述医学临床特征和所述第二医学影像输入预设的分类模型,得到所述第一医学影像对应的分类结果。
3.根据权利要求2所述的方法,其特征在于,所述分类模型包括特征提取层、融合层和分类层;所述将所述影像组学特征、所述医学临床特征和所述第二医学影像输入预设的分类模型,得到所述第一医学影像对应的分类结果,包括:
将所述第二医学影像输入所述特征提取层,得到所述第二医学影像的特征;
将所述第二医学影像的特征、所述影像组学特征和所述医学临床特征输入所述融合层,对所述第二医学影像的特征、所述影像组学特征和所述医学临床特征进行特征融合,得到融合后的特征;
将所述融合后的特征输入所述分类层,得到所述分类结果。
4.根据权利要求3所述的方法,其特征在于,所述将所述第二医学影像的特征、所述影像组学特征和所述医学临床特征输入所述融合层,对所述第二医学影像的特征、所述影像组学特征和所述医学临床特征进行特征融合,得到融合后的特征,包括:
将所述第二医学影像的特征、所述影像组学特征和所述医学临床特征输入所述融合层,对所述第二医学影像的特征、所述影像组学特征和所述医学临床特征进行结构化处理,得到结构化特征,以及
对所述结构化特征进行降维处理,得到所述融合后的特征。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述生成模型和所述分类模型的训练过程,包括:
获取第一样本医学影像、所述第一样本医学影像对应的金标准医学影像和所述第一样本医学影像对应的金标准分类结果;其中,所述第一样本医学影像为样本医学影像的感兴趣区域影像;所述金标准医学影像的分辨率高于所述第一样本医学影像的分辨率;
将所述第一样本医学影像输入预设的初始生成模型,得到第二样本医学影像;
根据所述第二样本医学影像和所述金标准医学影像,得到所述初始生成模型的第一损失函数的值;
将所述第二样本医学影像输入预设的初始分类模型,得到所述第一样本医学影像对应的样本分类结果;
根据所述样本分类结果和所述金标准分类结果,得到所述初始分类模型的第二损失函数的值;
将所述第一损失函数的值和所述第二损失函数的值的加权和,确定为目标损失函数的值;
根据所述目标损失函数的值对所述初始生成模型和所述初始分类模型进行训练,得到所述分类模型和所述生成模型。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述初始医学影像中的病灶区域进行分割,得到所述第一医学影像。
7.根据权利要求2所述的方法,其特征在于,所述获取所述第二医学影像的影像组学特征和医学临床特征,包括:
利用预设的特征提取算法,对所述第二医学影像进行特征提取,得到所述影像组学特征;
从所述第二医学影像对应的检查报告中,得到所述医学临床特征。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述初始医学影像中除所述感兴趣区域外的影像,利用最近邻算法生成第三医学影像;所述第三医学影像的分辨率与所述第二医学影像的分辨率相同;
将所述第二医学影像和所述第三医学影像进行拼接处理,生成所述初始医学影像对应的第四医学影像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210404881.8A CN114723723A (zh) | 2022-04-18 | 2022-04-18 | 医学影像处理方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210404881.8A CN114723723A (zh) | 2022-04-18 | 2022-04-18 | 医学影像处理方法、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114723723A true CN114723723A (zh) | 2022-07-08 |
Family
ID=82243218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210404881.8A Pending CN114723723A (zh) | 2022-04-18 | 2022-04-18 | 医学影像处理方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723723A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117174257A (zh) * | 2023-11-03 | 2023-12-05 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 医疗影像的处理装置、电子设备及计算机可读存储介质 |
-
2022
- 2022-04-18 CN CN202210404881.8A patent/CN114723723A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117174257A (zh) * | 2023-11-03 | 2023-12-05 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 医疗影像的处理装置、电子设备及计算机可读存储介质 |
CN117174257B (zh) * | 2023-11-03 | 2024-02-27 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 医疗影像的处理装置、电子设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493328B (zh) | 医学图像显示方法、查看设备以及计算机设备 | |
CN110321920B (zh) | 图像分类方法、装置、计算机可读存储介质和计算机设备 | |
CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
CN111080584B (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
Hwang et al. | Clinical implementation of deep learning in thoracic radiology: potential applications and challenges | |
KR101894278B1 (ko) | 일련의 슬라이스 영상을 재구성하는 방법 및 이를 이용한 장치 | |
Ouyang et al. | Rethinking U-net from an attention perspective with transformers for osteosarcoma MRI image segmentation | |
CN111080583B (zh) | 医学图像检测方法、计算机设备和可读存储介质 | |
KR101885562B1 (ko) | 제1 의료 영상의 관심 영역을 제2 의료 영상 위에 맵핑하는 방법 및 이를 이용한 장치 | |
Molahasani Majdabadi et al. | Capsule GAN for prostate MRI super-resolution | |
CN113192031B (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
Saeed et al. | A granular level feature extraction approach to construct hr image for forensic biometrics using small training dataset | |
Rajaraman et al. | DeBoNet: A deep bone suppression model ensemble to improve disease detection in chest radiographs | |
Dai et al. | Combining multiparametric MRI features-based transfer learning and clinical parameters: application of machine learning for the differentiation of uterine sarcomas from atypical leiomyomas | |
CN111223158A (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
CN114723723A (zh) | 医学影像处理方法、计算机设备和存储介质 | |
CN113780519A (zh) | 生成对抗网络训练方法、装置、计算机设备和存储介质 | |
Zhang et al. | Pseudoprospective paraclinical interaction of radiology residents with a deep learning system for prostate cancer detection: experience, performance, and identification of the need for intermittent recalibration | |
CN110610527B (zh) | 计算suv的方法、装置、设备、系统及计算机存储介质 | |
Velichko et al. | A Comprehensive Review of Deep Learning Approaches for Magnetic Resonance Imaging Liver Tumor Analysis | |
CN116630239A (zh) | 影像分析方法、装置和计算机设备 | |
CN114972026A (zh) | 图像处理方法和存储介质 | |
CN114724016A (zh) | 图像分类方法、计算机设备和存储介质 | |
KR20220032405A (ko) | 흉부 이미지 판독 방법 | |
Wang et al. | A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection |
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 |