CN114782321A - 胸部ct影像选择方法、装置、设备及存储介质 - Google Patents
胸部ct影像选择方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114782321A CN114782321A CN202210302058.6A CN202210302058A CN114782321A CN 114782321 A CN114782321 A CN 114782321A CN 202210302058 A CN202210302058 A CN 202210302058A CN 114782321 A CN114782321 A CN 114782321A
- Authority
- CN
- China
- Prior art keywords
- sequence
- image data
- feature
- feature tag
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010187 selection method Methods 0.000 title abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 210000004072 lung Anatomy 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 210000000481 breast Anatomy 0.000 claims abstract description 22
- 210000000038 chest Anatomy 0.000 claims description 39
- 239000010410 layer Substances 0.000 claims description 37
- 201000010099 disease Diseases 0.000 claims description 22
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 19
- 230000014509 gene expression Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 9
- 239000011229 interlayer Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 210000004872 soft tissue Anatomy 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 210000000988 bone and bone Anatomy 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 7
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 description 38
- 230000036544 posture Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 9
- 241000894007 species Species 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000197194 Bulla Species 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 208000002352 blister Diseases 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
- G06T2207/20—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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开提供了一种胸部CT影像选择方法、装置、设备及存储介质,所述方法包括:根据DICOM构建与每个影像数据序列对应的原始特征标签,所述原始特征标签包括所述影像数据序列的基础信息;根据所述原始特征标签进行可用性检查,得到初筛特征标签;根据所述初筛特征标签构建进阶特征标签,所述进阶特征标签包括肺部完整性、肺部方向、图像质量、重建算法;将所述进阶特征标签与对应的所述初筛特征标签整合,得到整合特征标签。本公开的方法有助于为多病种检测选择合适的影像数据序列。
Description
技术领域
本公开涉及医学影像处理领域,尤其涉及一种胸部CT影像选择方法、装置、设备及存储介质。
背景技术
CT(Computed Tomography,电子计算机断层扫描)它是利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描,具有扫描时间快,图像清晰等特点,可用于多种疾病的检查。根据CT检查的目的不同,在一次CT检查中通常会产生多个完整的CT影像序列,例如:使用肺算法重建的平扫序列、使用软组织算法重建的平扫序列、打入CT专用造影剂的动脉期增强序列、打入CT专用造影剂的静脉期增强序列、CT引导下病灶的穿刺活检序列等。归档时保存的影像文件称之为DICOM,DICOM为医学数字成像和通信,是医学图像和相关信息的国际标准。以下DICOM表示归档时保存的影像文件。
在临床实践中,一次检查会产生多种不同序列。进行病种检查时,一般将一次检查中的所有影像序列全部推送到检测系统中,于是产生了序列选择与质量控制的问题。从所有推送到检测系统中的影像选择一个合适的,并不是一件容易的事情。主要难点有以下几个:1、序列描述信息充足性和可信度不足。2、DICOM信息中会包含检查和序列的描述信息,但该信息不足以判断病人姿态、重建算法等关键信息。3、序列描述信息无统一标准,甚至可能完全不填写序列描述信息。4、图像质量、图像传输过程导致的缺失不会在DICOM中呈现,必须基于影像本身进行判断。5、DICOM信息标签很多是空值、无效标签。
如果输入影像与检测系统的训练数据存在较大差异时,检测系统便会出现病灶漏检、假阳,甚至计算失败的情况,严重影响系统性能。如果选择所有影像序列进行计算,不但会消耗几倍的计算时间,导致大夫等待,降低系统体验。同时,同一个检查的不同序列是属于同一个人的,而序列由于性质不同,系统计算结果无法保持一致,还会产生同一个人一次检查中得到不同诊断结果的问题。
发明内容
本公开提供了一种胸部CT影像选择方法、装置、设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面,提供了一种胸部CT影像选择方法,所述方法包括:
根据DICOM构建与每个影像数据序列对应的原始特征标签,所述原始特征标签包括所述影像数据序列的基础信息;
根据所述原始特征标签进行可用性检查,得到初筛特征标签;
根据所述初筛特征标签构建进阶特征标签,所述进阶特征标签包括肺部完整性、肺部方向、图像质量、重建算法;
将所述进阶特征标签与对应的所述初筛特征标签整合,得到整合特征标签。
在一可实施方式中,根据DICOM构建与影像数据序列对应的原始特征标签,包括提取下述信息的至少一种,得到所述原始特征标签:提取序列编号,提取序列长度,提取层厚,提取层间距,提取序列重复性,提取序列连续性、遗失层数,提取是否增强信息,提取是否胸部扫描信息,提取重建算法信息,提取病人姿态信息。
在一可实施方式中,提取层间距包括:从所述DICOM中获取每一张影像数据(0,0)像素对应的真实坐标;将所有真实坐标的第三维取出,组成z方向坐标列表;将z方向坐标从大到小排序,并去重;依次计算前后影像的z坐标差;取z坐标差的众数为所述层间距;
提取序列重复性包括:从所述DICOM中获取每一张影像数据(0,0)像素对应的真实坐标;将所有真实坐标的第三维取出,组成z方向坐标列表;对所有影像数据的z坐标进行排序,若其中存在重复的z方向坐标,则存在重复影像数据;存在重复影像数据时,删除重复影像数据中编号更大的影像数据,重新统计序列长度得到真实序列长度,并更新序列长度特征;
提取序列连续性、遗失层数包括:从所述DICOM中获取每一张影像数据(0,0)像素对应的真实坐标;将所有真实坐标的第三维取出,组成z方向坐标列表;取最大、最小的z坐标相减,求得序列真实长度后除以层间距,得到理论序列长度;如果所述理论序列长度小于所述真实序列长度,则序列存在缺失;理论序列长度减真实序列长度的差为遗失层数,遗失层数大于0时,序列不连续,反之序列连续;
提取是否增强信息包括:从DICOM中获取检查描述信息和序列描述信息,利用正则表达式在两个描述信息中查询黑、白、灰名单关键词,将每个命中的关键词权重求和得到增强分数;如果增强分数大于0,则是增强,反之置为为非增强;
提取是否胸部扫描信息包括:从DICOM中获取检查描述信息和序列描述信息,利用正则表达式在两个描述信息中查询黑、白、灰名单关键词,将每个命中的关键词权重求和得到胸部扫描分数;如果胸部扫描分数大于0,则是胸部扫描,反之不是胸部扫描;
提取重建算法信息包括:针对肺、骨、软组织分别计算重建算法分数,包括,从DICOM中获取检查描述信息和序列描述信息,利用正则表达式在两个描述信息中查询黑、白、灰名单关键词,分别将每个命中的关键词权重求和得到重建算法分数;从DICOM中获取推荐窗宽窗位,将推荐的窗宽窗位在预设的标准窗宽窗位进行IOU计算,得到IOU加权分数;将IOU加权分数与重建算法分数合并,分别得到肺、骨、软组织的综合分数,综合分数最大的重建算法作为推测重建算法;
提取病人姿态信息包括:从DICOM中获取病人姿态的仿射变换矩阵。
在一可实施方式中,根据所述原始特征标签进行可用性检查,得到初筛特征标签,包括:
将所述原始特征标签中的基本信息与可用性条件比较,所述基本信息中任意一个不满足可用性条件,则丢弃对应的原始标签,可用性条件至少包括下述之一:
序列长度大于预设最小值;
层厚大于等于层间距;
遗失层数小于预设最大值。
在一可实施方式中,根据所述初筛特征标签构建进阶特征标签,包括:
通过肺部切割模型对所述初筛特征标签对应的影像数据进行处理,得到所述进阶特征标签。
在一可实施方式中,将所述进阶特征标签与对应的所述初筛特征标签整合,得到整合特征标签,包括:
将所述进阶特征标签与所述初筛特征标签进行特征合并,对于重复特征,指定的特征保留所述初筛特征标签中的特征,其他的特征保留所述进阶特征标签中的特征,所述指定的特征包括通过白名单关键词推测的特征。
在一可实施方式中,在将所述进阶特征标签与所述初筛特征标签进行特征合并之后,所述方法还包括:
对于重复影像数据序列,取扫描长度最长的有效区间进行裁剪,以使一个影像数据序列中只有一个胸部影像;
对于存在影像缺失的影像数据序列,如果连续缺失的影像未超过设定阈值,使用缺失影像前后的未缺失影像,采用线性差值的方式,推算出所述缺失影像补充到所述影像数据序列中;
对于病人姿态非标准的序列,基于推测出的病人姿态变换矩阵,对影像进行仿射变换,得到标准姿态的影像序列。
在一可实施方式中,在得到所述整合特征标签之后,所述方法还包括:
将所述整合特征标签与病种检测匹配,得到与所述病种检测相适配的目标影像数据序列。
在一可实施方式中,将所述整合特征标签与病种检测匹配,得到与所述病种检测相适配的目标影像数据序列,包括:
根据病种检测的需求,将不满足可用性条件的影像数据序列删除;
根据筛选条件对影像数据序列进行筛选,其中针对每一种筛选条件,若存在满足筛选条件的序列,则仅保留满足筛选条件的序列,并舍弃其他所有序列;若不存在满足筛选条件的序列,则全部保留;满足筛选条件的序列存在优先级时,舍弃低优先级序列;
对筛选保留的所述影像数据序列,按照预设的特征进行排序,选择第一位的影像数据序列为目标影像数据序列。
根据本公开的第二方面,提供了一种胸部CT影像选择装置,所述装置包括:
第一特征提取模块,其用于根据DICOM构建与每个影像数据序列对应的原始特征标签,所述原始特征标签包括所述影像数据序列的基础信息;
特征筛选模块,其用于根据所述原始特征标签进行可用性检查,得到初筛特征标签;
第二特征提取模块,其用于根据所述初筛特征标签构建进阶特征标签,所述进阶特征标签包括肺部完整性、肺部方向、图像质量、重建算法;
特征整合模块,其用于将所述进阶特征标签与对应的所述初筛特征标签整合,得到整合特征标签。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的胸部CT影像选择方法、装置、设备及存储介质,根据DICOM能够得到影像数据序列的原始特征标签,对原始特征标签进行可用性检查,可以去除不符合要求的影像数据序列,降低后续病种检测影像数据序列选择难度,对剩余的影像数据序列构建进阶特征标签,能够增加不完整的信息,将所述进阶特征标签与对应的所述初筛特征标签整合,得到整合特征标签。整合之后能够得到信息更全面的整合特征标签,根据整合特征标签有助于后续的影像数据序列的准确选择,选择准确的影像数据序列进行检测,相比于使用全部序列的方案检测效率高,几倍减少了计算时间。不同病种可以根据自己的情况,基于整合特征标签选择最为合适的影像数据序列进行计算,保证结果的稳定性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述,本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公开的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了本公开实施例胸部CT影像选择方法的实现流程示意图;
图2示出了本公开实施例胸部CT影像选择方法中整合特征标签的实现流程示意图;
图3示出了本公开实施例胸部CT影像选择方法中提取进阶特征标签的实现流程示意图;
图4示出了本公开实施例胸部CT影像选择方法中根据整合特征标签得到目标影像数据序列的实现流程示意图;
图5示出了本公开实施例胸部CT影像选择装置的构成示意图;
图6示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而非全部实施例。基于本公开中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
图1示出了本公开实施例胸部CT影像选择方法的实现流程示意图,图2示出了本公开实施例胸部CT影像选择方法中整合特征标签的实现流程示意图。参见图1和图2,一种胸部CT影像选择方法,包括:
根据DICOM构建与每个影像数据序列对应的原始特征标签,原始特征标签包括影像数据序列的基础信息;
根据原始特征标签进行可用性检查,得到初筛特征标签;
根据初筛特征标签构建进阶特征标签,进阶特征标签包括肺部完整性、肺部方向、图像质量、重建算法;
将进阶特征标签与对应的初筛特征标签整合,得到整合特征标签。
本公开的胸部CT影像选择方法、装置、设备及存储介质,根据DICOM能够得到影像数据序列的原始特征标签,对原始特征标签进行可用性检查,可以去除不符合要求的影像数据序列,降低后续病种检测影像数据序列选择难度,对剩余的影像数据序列构建进阶特征标签,能够增加不完整的信息,将进阶特征标签与对应的初筛特征标签整合,得到整合特征标签。整合之后能够得到信息更全面的整合特征标签,根据整合特征标签有助于后续的影像数据序列的准确选择,选择准确的影像数据序列进行检测,相比于使用全部序列的方案检测效率高,几倍减少了计算时间。不同病种可以根据自己的情况,基于整合特征标签选择最为合适的影像数据序列进行计算,保证结果的稳定性。
在一可实施方式中,根据DICOM构建与影像数据序列对应的原始特征标签,包括提取下述信息的至少一种,得到原始特征标签:提取序列编号,提取序列长度,提取层厚,提取层间距,提取序列重复性,提取序列连续性、遗失层数,提取是否增强信息,提取是否胸部扫描信息,提取重建算法信息,提取病人姿态信息。
本公开实施例中,原始特征标签中包括序列号、序列长度、层厚、层间距、缺失层数量等基础信息。获得基础信息后进行初步筛除,如根据原始特征标签可以获得序列的基础信息中是否有不满足条件的,不满足条件的序列可以直接舍弃,例如序列长度过短、层厚过厚等则可以直接舍弃该序列。DICOM归档的影像文件是由包含影像各种信息的标准化开头,和一连串的影像数据组成。
本公开实施例中,各基础信息的获取方式不限。根据DICOM的标准化开头,可以得到影像数据的相关信息。
在一可实施例方式中,序列编号可使用“SeriesNumber”关键词从DICOM标准化开头中直接获取。除去定位图外,在一次检查中,多次扫描的序列编号是递增的,即描述了影像数据的时间特征。
在一可实施例方式中,序列长度可通过直接统计影像数量即可获取。通常来讲,序列长度更长,拥有更大的扫描范围与更薄的层厚。
在一可实施例方式中,层厚可使用“SliceThickness”关键词从DICOM标准化开头中直接获取。
在一可实施方式中,提取层间距包括:从DICOM中获取每一张影像数据(0,0)像素对应的真实坐标;将所有真实坐标的第三维取出,组成z方向坐标列表;将z方向坐标从大到小排序,并去重;依次计算前后影像的z坐标差;取z坐标差的众数为层间距。其中,影像(0,0)像素对应的真实坐标可以使用“ImagePositionPatient”关键词从DICOM标准化开头中获取。
在一可实施方式中,提取序列重复性包括:可以采用与层间距相同的方法获取z方向坐标列表,例如,从DICOM中获取每一张影像数据(0,0)像素对应的真实坐标;将所有真实坐标的第三维取出,组成z方向坐标列表;对所有影像数据的z坐标进行排序,若其中存在重复的z方向坐标,则序列存在重复影像数据,具体实施中,可以将序列重复性置为真,反之序列不存在重复影像数据,具体实施中,可以将序列重复性置为假。
在一可实施方式中,序列存在重复影像数据时,删除重复影像数据中编号更大的影像数据,重新统计序列长度得到真实序列长度,并更新序列长度特征。
在一可实施方式中,提取序列连续性、遗失层数包括:可以采用与层间距相同的放法获取z方向坐标,例如,从DICOM中获取每一张影像数据(0,0)像素对应的真实坐标;将所有真实坐标的第三维取出,组成z方向坐标列表;取最大、最小的z坐标相减,求得序列真实长度后除以层间距,得到理论序列长度;若理论序列长度小于真实序列长度,则序列存在缺失;理论序列长度减真实序列长度的差为遗失层数,遗失层数大于0时,序列不连续,具体实施中,可以将序列连续性置为假,反之序列连续,具体实施中,可以将序列连续性置为真。
提取是否增强信息包括:从DICOM中获取检查描述信息和序列描述信息,利用正则表达式在两个描述信息中查询黑、白、灰名单关键词,将每个命中的关键词权重求和得到增强分数;如果增强分数大于0,则为增强,具体实施中,可以将是否增强置为真,反之为非增强,具体实施中,可以将是否增强置为假。其中,检查描述信息和序列描述信息可以使用“StudyDescription”和“SeriesDescription”关键词从DICOM标准化开头中获取。具体正则表达式与权重可参见后表1。
提取是否胸部扫描信息包括:从DICOM中获取检查描述信息和序列描述信息,利用正则表达式在两个描述信息中查询黑、白、灰名单关键词,将每个命中的关键词权重求和得到胸部扫描分数;如果胸部扫描分数大于0,则是胸部扫描,具体实施中,可以将是否胸部扫描置为真,反之不是胸部扫描,具体实施中,可以将是否胸部扫描置为假。提取是否胸部扫描信息与是否增强采用相同的实现逻辑,但模板不同。具体正则表达式与权重可参见后表1。
提取重建算法信息包括:针对肺、骨、软组织分别计算重建算法分数,包括,从DICOM中获取检查描述信息和序列描述信息,利用正则表达式在两个描述信息中查询黑、白、灰名单关键词,分别将每个命中的关键词权重求和得到重建算法分数;从DICOM中获取推荐窗宽窗位,将推荐的窗宽窗位于预设的标准窗宽窗位进行IOU计算,得到IOU加权分数;将IOU加权分数与重建算法分数合并,分别得到肺、骨、软组织的综合分数,综合分数最大的重建算法作为推测重建算法。提取重建算法信息分为两部分,第一部分与是否增强采用基本相同的逻辑,分别为肺、骨、软组织各计算一个分数。但与是否增强模板不同。具体正则表达式与权重见后表1。第二部分得到IOU加权分数,两部分分数合并后分别得到肺、骨、软组织的综合分数,取综合分数最大的重建算法作为推测重建算法。
提取病人姿态信息包括:从DICOM中获取病人姿态的仿射变换矩阵。可以使用“ImageOrientationPatient”关键词从DICOM标准化开头中获取。
表1
在一可实施方式中,根据原始特征标签进行可用性检查,得到初筛特征标签,包括:
将原始特征标签中的基本信息与可用性条件比较,基本信息中任意一个不满足可用性条件,则丢弃对应的原始标签,可用性条件至少包括下述之一:
序列长度大于预设最小值;
层厚大于等于层间距;
遗失层数小于预设最大值。
对于通过可用性检查的影像数据序列,可以进一步提取进阶特征标签,以便与通过可用性检查的影像数据序列的原始特征标签合并。未通过可用性检查的序列则直接舍弃,并结束针对此影像数据序列的进阶特征的提取。
在一可实施方式中,根据初筛特征标签构建进阶特征标签,包括:
通过肺部切割模型对初筛特征标签对应的影像数据进行处理,得到进阶特征标签。
尽管国际标准中,DICOM设计为可以包含上百种不同的信息项目。但实践中发现,绝大部分医院都只会填写类似患者姓名、患者ID(身份标识)等必填项目。选填项目,如“ConvolutionalKernal”,看似可以直接确定序列重建算法,但绝大部分场地中的都是空值。采用纯粹基于DICOM的特征存在两个重要问题:1)不存在序列描述、或序列描述不全,导致推测无效。2)无法推测图像质量相关的特征,如肺部完整性和伪影噪声情况。本公开实施例提取的进阶特征是基于图像提取的,不受DICOM标签的影响,可以稳定得到所需特征标签。
肺部是胸部CT影像中的主要组成部分,因此,本公开实施例中,通过肺部切割模型对初筛特征标签对应的影像数据进行处理,得到进阶特征标签,具体包括:通过分析肺部的完整性,即可得到整体扫描的完整性。通过推测肺部的方向,即可得到病人的姿态。通过推测肺部及周边区域的锐利程度,即可得到影像的重建算法。通过推测肺部的伪影状况,即可得到整体伪影情况。本公开实施例中,通过肺部分割神经网络模型对影像数据进行处理,实现了进阶特征的智能提取。
参见图3,本公开实施例中,采用肺部分割U-Net模型,在原有模型基础上增加图3中虚线中的提取特征部分。本公开实施例中采用神经网络模型提取进阶特征标签时,将已完成训练的肺部分割U-Net模型,提取前半的特征提取部分作为初始模型。这个初始模型已经可以较好的实现肺部整体信息的提取。
神经网络预测的头部结构,设计为四种不同的任务,分类损失采用通常的Softmax多分类损失或最小均方误差的回归损失:1)二分类的肺部完整性,同时可以得到是否胸部扫描;2)仰卧从头到脚、俯卧从头到脚、左侧卧从头到脚、右侧卧从头到脚、仰卧从脚到头、俯卧从脚到头、左侧卧从脚到头、右侧卧从脚到头共计八分类的病人姿态;3)重建核锐利程度1~9回归得到重建算法;4)二分类的伪影严重性。5)二分类的是否增强。
参见图3,本公开实施例中,肺部切割模型的训练数据主要由几部分组成:1)存在重建算法白名单序列描述关键词的;2)人工筛选存在严重伪影的;3)人工筛选明确非胸部CT影像;4)人工筛选明确增强影像。
参见图3,肺部切割模型训练过程中,通过针对性的数据增强,可以让模型更好的学会识别所需特征:1)通过随机上下丢弃一部分影像来模拟肺部扫描不完整的情况;2)通过随机截取中间影像来模拟靶扫描的情况;3)通过对影像进行x,y,z三个维度的随机翻转来模拟八种不同的病人姿态。随机翻转时,可以通过肺分割预先将病人躺的病床版去除。
本公开实施例中,对初始影像进行一次性采样,到256*256的影像尺寸。兼具效率与效果。
本公开实施例的肺部切割模型能够输出如下六个特征:是否增强、是否胸部扫描、重建算法、病人姿态、肺部完整性和伪影严重程度。
在一可实施方式中,将进阶特征标签与对应的初筛特征标签整合,得到整合特征标签,包括:将进阶特征标签与初筛特征标签进行特征合并,对于重复特征,指定的特征保留初筛特征标签中的特征,其他的特征保留进阶特征标签中的特征,指定的特征包括通过白名单关键词推测的特征。
对于满足基本可用性检查的序列,首先将原始特征标签与进阶特征标签进行合并。独有特征直接拼接在一起即可,对于重复特征,除后文描述的特殊情况外,优先选择进阶特征替代原始特征。
在一可实施方式中,在将进阶特征标签与初筛特征标签进行特征合并之后,方法还包括:对于重复影像数据序列,取扫描长度最长的有效区间进行裁剪,以使一个影像数据序列中只有一个胸部影像;对于存在影像缺失的影像数据序列,如果连续缺失的影像未超过设定阈值,使用缺失影像前后的未缺失影像,采用线性差值的方式,推算出缺失影像补充到影像数据序列中;对于病人姿态非标准的序列,基于推测出的病人姿态变换矩阵,对影像进行仿射变换,得到标准姿态的影像序列。
合并所有特征后,本公开实施可以尝试对有问题的序列进行修复。序列修复后的影像和合并后的特征将作为病种检测的选择基础。
在一可实施方式中,在得到整合特征标签之后,方法还包括:将整合特征标签与病种检测匹配,得到与病种检测相适配的目标影像数据序列。
在一可实施方式中,参见图4,将整合特征标签与病种检测匹配,得到与病种检测相适配的目标影像数据序列,包括:根据病种检测模块的需求,将不满足可用性条件的影像数据序列删除;例如:对于骨折检测,所有层厚在5mm以上的序列均不可用,该层厚下骨折线几乎不可见;对于所有算法模块,非胸部扫描或未包含完整肺部的靶扫描序列均不可用,其不满足检测系统的基本假设——胸部CT影像。根据筛选条件对影像数据序列进行筛选,其中针对每一种筛选条件,如果存在满足筛选条件的序列,则仅保留满足筛选条件的序列,并舍弃其他所有序列;如果不存在满足筛选条件的序列,则全部保留;满足筛选条件的序列存在优先级时,舍弃低优先级序列;例如:对于所有算法模块,优先选择小于2mm的薄层数据、优先选择与最长序列长度在误差范围内的序列、优先选择不存在多次扫描的等。对于筛选保留的影像数据序列,按照预设的特征进行排序,选择第一位的影像数据序列为目标影像数据序列。例如,对于肺结节检测算法模块而言,其倾向于选择薄层、肺算法,但当同时出现厚层、肺算法与薄层软算法时,就需要权衡取舍。因此我们选择构建打分卡模型对剩余的序列进行优先级排序。打分卡模型的分数可以是根据实践经验得到的,使用时将每一个特征打分。下表2为肺结节检测算法优先级排序打分卡的样例。
表2
通过循环调用每一个算法模块的序列选择方法,即可筛选出可用的、满足筛选条件的、优先级最高的影像序列。
需要说明的是,示例中,胸部多病种检测系统仅包含肺结节检测、肋骨分割、骨折检测,但实施时根据场地需求不同,可能会增加肺大泡、肺气肿、肺炎、非门控钙化积分等等不同病种的检测。其实施思路和方法均一致,仅实施细节略有不同,在此不再赘述。
参见图5,本公开实施例提供了一种胸部CT影像选择装置,装置包括第一特征提取模块、特征筛选模块、第二特征提取模块和特征整合模块,第一特征提取模块用于根据DICOM构建与每个影像数据序列对应的原始特征标签,原始特征标签包括影像数据序列的基础信息;特征筛选模块用于根据原始特征标签进行可用性检查,得到初筛特征标签;第二特征提取模块用于根据初筛特征标签构建进阶特征标签,进阶特征标签包括肺部完整性、肺部方向、图像质量、重建算法;特征整合模块用于将进阶特征标签与对应的初筛特征标签整合,得到整合特征标签。
本公开实施例的胸部CT影像选择装置能够实现上述各实施例的方法,上述各方法实施例的描述均可用于理解和解释本公开实施例的装置。出于简洁和节省篇幅的目的,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如胸部CT影像选择方法。例如,在一些实施例中,胸部CT影像选择方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的胸部CT影像选择方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行胸部CT影像选择方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种胸部CT影像选择方法,其特征在于,所述方法包括:
根据DICOM构建与每个影像数据序列对应的原始特征标签,所述原始特征标签包括所述影像数据序列的基础信息;
根据所述原始特征标签进行可用性检查,得到初筛特征标签;
根据所述初筛特征标签构建进阶特征标签,所述进阶特征标签包括肺部完整性、肺部方向、图像质量、重建算法;
将所述进阶特征标签与对应的所述初筛特征标签整合,得到整合特征标签。
2.根据权利要求1所述的方法,其特征在于,根据DICOM构建与影像数据序列对应的原始特征标签,包括提取下述信息的至少一种,得到所述原始特征标签:提取序列编号,提取序列长度,提取层厚,提取层间距,提取序列重复性,提取序列连续性、遗失层数,提取是否增强信息,提取是否胸部扫描信息,提取重建算法信息,提取病人姿态信息。
3.根据权利要求2所述的方法,其特征在于,
提取层间距包括:从所述DICOM中获取每一张影像数据(0,0)像素对应的真实坐标;将所有真实坐标的第三维取出,组成z方向坐标列表;将z方向坐标从大到小排序,并去重;依次计算前后影像的z坐标差;取z坐标差的众数为所述层间距;
提取序列重复性包括:从所述DICOM中获取每一张影像数据(0,0)像素对应的真实坐标;将所有真实坐标的第三维取出,组成z方向坐标列表;对所有影像的z坐标进行排序,若其中存在重复的z方向坐标,则存在重复影像数据;存在重复影像数据时,删除重复影像数据中编号更大的影像数据,并重新统计序列长度得到真实序列长度,并更新序列长度特征;
提取序列连续性、遗失层数包括:从所述DICOM中获取每一张影像数据(0,0)像素对应的真实坐标;将所有真实坐标的第三维取出,组成z方向坐标列表;取最大、最小的z坐标相减,求得序列真实长度后除以层间距,得到理论序列长度;如果所述理论序列长度小于所述真实序列长度,则序列存在缺失;理论序列长度减真实序列长度的差为遗失层数,遗失层数大于0时,序列连续,反之序列不连续;
提取是否增强信息包括:从DICOM中获取检查描述信息和序列描述信息,利用正则表达式在两个描述信息中查询黑、白、灰名单关键词,将每个命中的关键词权重求和得到增强分数;如果增强分数大于0,则为增强,反之为非增强;
提取是否胸部扫描信息包括:从DICOM中获取检查描述信息和序列描述信息,利用正则表达式在两个描述信息中查询黑、白、灰名单关键词,将每个命中的关键词权重求和得到胸部扫描分数;如果胸部扫描分数大于0,则是胸部扫描,反之置不是胸部扫描;
提取重建算法信息包括:针对肺、骨、软组织分别计算重建算法分数,包括,从DICOM中获取检查描述信息和序列描述信息,利用正则表达式在两个描述信息中查询黑、白、灰名单关键词,分别将每个命中的关键词权重求和得到重建算法分数;从DICOM中获取推荐窗宽窗位,将推荐的窗宽窗位在预设的标准窗宽窗位进行IOU计算,得到IOU加权分数;将IOU加权分数与重建算法分数合并,分别得到肺、骨、软组织的综合分数,综合分数最大的重建算法作为推测重建算法;
提取病人姿态信息包括:从DICOM中获取病人姿态的仿射变换矩阵。
4.根据权利要求1所述的方法,其特征在于,根据所述原始特征标签进行可用性检查,得到初筛特征标签,包括:
将所述原始特征标签中的基本信息与可用性条件比较,所述基本信息中任意一个不满足可用性条件,则丢弃对应的原始标签,可用性条件至少包括下述之一:
序列长度大于预设最小值;
层厚大于等于层间距;
遗失层数小于预设最大值。
5.根据权利要求1所述的方法,其特征在于,根据所述初筛特征标签构建进阶特征标签,包括:
通过肺部切割模型对所述初筛特征标签对应的影像数据进行处理,得到所述进阶特征标签。
6.根据权利要求1所述的方法,其特征在于,将所述进阶特征标签与对应的所述初筛特征标签整合,得到整合特征标签,包括:
将所述进阶特征标签与所述初筛特征标签进行特征合并,对于重复特征,指定的特征保留所述初筛特征标签中的特征,其他的特征保留所述进阶特征标签中的特征,所述指定的特征包括通过白名单关键词推测的特征。
7.根据权利要求6所述的方法,其特征在于,在将所述进阶特征标签与所述初筛特征标签进行特征合并之后,所述方法还包括:
对于重复影像数据序列,取扫描长度最长的有效区间进行裁剪,以使一个影像数据序列中只有一个胸部影像;
对于存在影像缺失的影像数据序列,如果连续缺失的影像未超过设定阈值,使用缺失影像前后的未缺失影像,采用线性差值的方式,推算出所述缺失影像补充到所述影像数据序列中;
对于病人姿态非标准的序列,基于推测出的病人姿态变换矩阵,对影像进行仿射变换,得到标准姿态的影像序列。
8.根据权利要求1所述的方法,其特征在于,在得到所述整合特征标签之后,所述方法还包括:
将所述整合特征标签与病种检测匹配,得到与所述病种检测相适配的目标影像数据序列。
9.根据权利要求8所述的方法,其特征在于,将所述整合特征标签与病种检测匹配,得到与所述病种检测相适配的目标影像数据序列,包括:
根据病种检测的需求,将不满足可用性条件的影像数据序列删除;
根据筛选条件对影像数据序列进行筛选,其中针对每一种筛选条件,若存在满足筛选条件的序列,则仅保留满足筛选条件的序列,并舍弃其他所有序列;若不存在满足筛选条件的序列,则全部保留;满足筛选条件的序列存在优先级时,舍弃低优先级序列;
对筛选保留的所述影像数据序列,按照预设的特征进行排序,选择第一位的影像数据序列为目标影像数据序列。
10.一种胸部CT影像选择装置,其特征在于,所述装置包括:
第一特征提取模块,其用于根据DICOM构建与每个影像数据序列对应的原始特征标签,所述原始特征标签包括所述影像数据序列的基础信息;
特征筛选模块,其用于根据所述原始特征标签进行可用性检查,得到初筛特征标签;
第二特征提取模块,其用于根据所述初筛特征标签构建进阶特征标签,所述进阶特征标签包括肺部完整性、肺部方向、图像质量、重建算法;
特征整合模块,其用于将所述进阶特征标签与对应的所述初筛特征标签整合,得到整合特征标签。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210302058.6A CN114782321B (zh) | 2022-03-24 | 2022-03-24 | 胸部ct影像选择方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210302058.6A CN114782321B (zh) | 2022-03-24 | 2022-03-24 | 胸部ct影像选择方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114782321A true CN114782321A (zh) | 2022-07-22 |
CN114782321B CN114782321B (zh) | 2022-12-06 |
Family
ID=82424637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210302058.6A Active CN114782321B (zh) | 2022-03-24 | 2022-03-24 | 胸部ct影像选择方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782321B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439423A (zh) * | 2022-08-22 | 2022-12-06 | 北京医准智能科技有限公司 | 一种基于ct图像的识别方法、装置、设备及存储介质 |
CN115831324A (zh) * | 2022-11-29 | 2023-03-21 | 北京医准智能科技有限公司 | 一种医学图像筛选方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1916924A (zh) * | 2005-07-22 | 2007-02-21 | 美国西门子医疗解决公司 | 增加应用程序特定整合中dicom标签管理灵活性的方法 |
CN110600107A (zh) * | 2019-08-29 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 医学图像的筛选方法、计算机设备及可读存储介质 |
WO2020087564A1 (zh) * | 2018-10-31 | 2020-05-07 | 深圳大学 | 三维物体重建方法、计算机设备及存储介质 |
CN111161848A (zh) * | 2019-10-31 | 2020-05-15 | 杭州深睿博联科技有限公司 | Ct图像的病灶标注方法及装置、存储介质 |
CN111539944A (zh) * | 2020-04-28 | 2020-08-14 | 安徽科大讯飞医疗信息技术有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
EP3871689A1 (en) * | 2020-02-26 | 2021-09-01 | sphingotec GmbH | Anti-adm-antibodies binding to the free n-terminus for accelerated transition of adm-gly to bio-adm in patients with adm-gly/ bio-adm ratio above a threshold and combination with vitamin c |
WO2021179534A1 (zh) * | 2020-03-12 | 2021-09-16 | 南京安科医疗科技有限公司 | 一种ct扫描辅助方法、装置及计算机可读存储介质 |
WO2021189855A1 (zh) * | 2020-09-22 | 2021-09-30 | 平安科技(深圳)有限公司 | 基于ct序列的图像识别方法、装置、电子设备及介质 |
CN113888532A (zh) * | 2021-11-09 | 2022-01-04 | 推想医疗科技股份有限公司 | 一种基于平扫ct数据的医学图像分析方法及装置 |
-
2022
- 2022-03-24 CN CN202210302058.6A patent/CN114782321B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1916924A (zh) * | 2005-07-22 | 2007-02-21 | 美国西门子医疗解决公司 | 增加应用程序特定整合中dicom标签管理灵活性的方法 |
WO2020087564A1 (zh) * | 2018-10-31 | 2020-05-07 | 深圳大学 | 三维物体重建方法、计算机设备及存储介质 |
CN110600107A (zh) * | 2019-08-29 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 医学图像的筛选方法、计算机设备及可读存储介质 |
CN111161848A (zh) * | 2019-10-31 | 2020-05-15 | 杭州深睿博联科技有限公司 | Ct图像的病灶标注方法及装置、存储介质 |
EP3871689A1 (en) * | 2020-02-26 | 2021-09-01 | sphingotec GmbH | Anti-adm-antibodies binding to the free n-terminus for accelerated transition of adm-gly to bio-adm in patients with adm-gly/ bio-adm ratio above a threshold and combination with vitamin c |
WO2021179534A1 (zh) * | 2020-03-12 | 2021-09-16 | 南京安科医疗科技有限公司 | 一种ct扫描辅助方法、装置及计算机可读存储介质 |
CN111539944A (zh) * | 2020-04-28 | 2020-08-14 | 安徽科大讯飞医疗信息技术有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
WO2021189855A1 (zh) * | 2020-09-22 | 2021-09-30 | 平安科技(深圳)有限公司 | 基于ct序列的图像识别方法、装置、电子设备及介质 |
CN113888532A (zh) * | 2021-11-09 | 2022-01-04 | 推想医疗科技股份有限公司 | 一种基于平扫ct数据的医学图像分析方法及装置 |
Non-Patent Citations (2)
Title |
---|
安杰洛·奥斯蒂内利: "Anatomical District Recognition in CT Bio-Images", 《2015 INTERNATIONAL CONFERENCE ON HEALTHCARE INFORMATICS》 * |
黄裕存等: "基于CT增强图像纹理特征预测可切除胃癌患者预后", 《中国医学影像技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439423A (zh) * | 2022-08-22 | 2022-12-06 | 北京医准智能科技有限公司 | 一种基于ct图像的识别方法、装置、设备及存储介质 |
CN115439423B (zh) * | 2022-08-22 | 2023-09-12 | 北京医准智能科技有限公司 | 一种基于ct图像的识别方法、装置、设备及存储介质 |
CN115831324A (zh) * | 2022-11-29 | 2023-03-21 | 北京医准智能科技有限公司 | 一种医学图像筛选方法、装置、设备及存储介质 |
CN115831324B (zh) * | 2022-11-29 | 2023-12-15 | 浙江医准智能科技有限公司 | 一种医学图像筛选方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114782321B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10949968B2 (en) | Systems and methods for detecting an indication of a visual finding type in an anatomical image | |
US10706545B2 (en) | Systems and methods for analysis of anatomical images | |
US9720938B2 (en) | Similar image retrieval device, method of operating similar image retrieval device, and similar image retrieval program | |
CN114782321B (zh) | 胸部ct影像选择方法、装置、设备及存储介质 | |
EP3791325A1 (en) | Systems and methods for detecting an indication of a visual finding type in an anatomical image | |
US11651850B2 (en) | Computer vision technologies for rapid detection | |
US10734107B2 (en) | Image search device, image search method, and image search program | |
CN110796636A (zh) | 基于卷积神经网络的ct图像骨质状况检测方法及装置 | |
US11756292B2 (en) | Similarity determination apparatus, similarity determination method, and similarity determination program | |
CN111462049A (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
CN111340756A (zh) | 一种医学图像病变检出合并方法、系统、终端及存储介质 | |
JP2021536330A (ja) | 深層学習を使用する3dデータセット内のオブジェクトの成長率の決定 | |
US20230115927A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
CN115147360B (zh) | 一种斑块分割方法、装置、电子设备及可读存储介质 | |
CN114419375B (zh) | 图像分类方法、训练方法、装置、电子设备以及存储介质 | |
CN115631152A (zh) | 超声图像截取方法及装置、电子设备和存储介质 | |
CN112233126B (zh) | 医学图像的加窗方法及装置 | |
CN112633405A (zh) | 模型训练方法、医学影像分析方法及装置、设备、介质 | |
CN113706644A (zh) | 图像处理方法及其装置、存储介质 | |
CN113450306A (zh) | 提供骨折检测工具的方法 | |
Islam et al. | Distinguishing l and h phenotypes of Covid-19 using a single X-ray image | |
CN115358976B (zh) | 一种图像识别方法、装置、设备及存储介质 | |
CN117150058B (zh) | 一种儿童临床影像资料的自动管理方法、系统及设备 | |
US20220076796A1 (en) | Medical document creation apparatus, method and program, learning device, method and program, and trained model | |
Rajesh et al. | Detection of Abnormality in Human Hard Tissue using Edge Detection Operators |
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 | ||
CP03 | Change of name, title or address |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Address before: No. 1202-1203, 12 / F, block a, Zhizhen building, No. 7, Zhichun Road, Haidian District, Beijing 100083 Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd. |
|
CP03 | Change of name, title or address |