CN115082409A - 一种自动化识别核素影像诊断心肌缺血的系统 - Google Patents

一种自动化识别核素影像诊断心肌缺血的系统 Download PDF

Info

Publication number
CN115082409A
CN115082409A CN202210754940.4A CN202210754940A CN115082409A CN 115082409 A CN115082409 A CN 115082409A CN 202210754940 A CN202210754940 A CN 202210754940A CN 115082409 A CN115082409 A CN 115082409A
Authority
CN
China
Prior art keywords
image
module
nuclide
qualitative
myocardial ischemia
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
Application number
CN202210754940.4A
Other languages
English (en)
Other versions
CN115082409B (zh
Inventor
倪立晨
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.)
Xinhe Internet Hospital Chengdu Co ltd
Original Assignee
Xinhe Internet Hospital Chengdu 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 Xinhe Internet Hospital Chengdu Co ltd filed Critical Xinhe Internet Hospital Chengdu Co ltd
Priority to CN202210754940.4A priority Critical patent/CN115082409B/zh
Publication of CN115082409A publication Critical patent/CN115082409A/zh
Application granted granted Critical
Publication of CN115082409B publication Critical patent/CN115082409B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/30048—Heart; Cardiac
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种自动化识别核素影像诊断心肌缺血的系统，包括心肌缺血定性判定模块、心肌缺血趋势判定模块、核素影像数据存储模块和核素影像对比模块。心肌缺血定性判定模块，用于定性判定核素影像是否存在心肌缺血；心肌缺血趋势判定模块：用于根据完整的核素影像，判定患者是否存在心肌梗死或其它后续病变的概率；核素影像数据存储模块：用于以患者为中心，对影像建立患者的核素影像数据库；核素影像对比模块：用于调取患者的核素影像数据库，对历次的核素影像进行对比，标记差异性。本发明可以自动识别核素影像是否代表了心肌缺血，可以自动辅助判定因心肌缺血而造成的后续疾病的趋势。

Description

一种自动化识别核素影像诊断心肌缺血的系统
技术领域
本发明涉及医疗领域，特别是涉及一种自动化识别核素影像诊断心肌缺血的系统。
背景技术
当前对于心肌缺血的核素影像的阅片工作需要检查室医生手动进行，工作效率低下，并且没有特别有效的手段去提升该环节的工作效率，现有的系统辅助性不够智能和完善，基本不具备对患者的历次核素影像数据进行对比的功能。
发明内容
基于此，针对上述问题，有必要提出一种自动化识别核素影像诊断心肌缺血的系统，可以自动识别核素影像是否代表了心肌缺血，可以自动辅助判定因心肌缺血而造成的后续疾病的趋势，可以以患者为中心，建立核素影像数据中心，可以对历次核素影像进行对比并自动标注差异，可以方便快速确定图像的差异性。
本发明的技术方案是：一种自动化识别核素影像诊断心肌缺血的系统，包括心肌缺血定性判定模块、心肌缺血趋势判定模块、核素影像数据存储模块和核素影像对比模块，其中：
心肌缺血定性判定模块，用于定性判定核素影像是否存在心肌缺血；
心肌缺血趋势判定模块：用于根据完整的核素影像，判定患者是否存在心肌梗死或其它后续病变的概率；
核素影像数据存储模块：用于以患者为中心，对影像建立患者的核素影像数据库；
核素影像对比模块：用于调取患者的核素影像数据库，对历次的核素影像进行对比，标记差异性。
在进一步的技术方案中，所述心肌缺血定性判定模块包括定性数据需求模块、定性图片拆分模块、定性模型创建模块、定性模型训练模块和定性影像定性识别模块，其中：
定性数据需求模块，用于对影像分类、数量、尺寸进行归集；
定性图片拆分模块，用于将大图中包含有效区域的块单独进行拆分，并进行有效区域的进一步裁剪，以得到最终有效信息的最小图片；
定性模型创建模块，用于将图形中的特征信息与图形的分类进行对应，使得在后续应用模型的训练结果时，有相同特征及其泛化类型的图像能被正确地进行归类；创建卷积神经网络模型涉及各种参数和超参数的选择；设置创建模型后的模型产出为抽象变量M；
定性模型训练模块，用于以R和M为参数进行神经网络的卷积计算，以抽取图形特征，产出：Features，训练时需要准备的图片集，应至少包含数量相当的心肌缺血影像和正常心肌影像，正常心肌归类为：Normal，缺血心肌影响归类为：Defect；
定性影像定性识别模块，设识别的整个过程为抽象函数：I，I已在TensorFlow中具体实现；设置正常心肌供血图像为Np，设置缺血心肌供血图像为Pp，得出结果：I(Features,Pp)= Normal, I(Features,Np) = Defect。
在进一步的技术方案中，所述定性数据需求模块包括定性分类需求子模块、定性数量需求子模块和定性尺寸需求子模块，其中：
定性分类需求子模块，用于准备设定数量的正常心肌核素影像和具有心肌缺血特征的核素影像；
定性数量需求子模块，用于设定准备的图片数量；
定性尺寸需求子模块，用于设定大的影像图像尺寸相同，大图像里面设置有多个有效区间的划分，有效区尺寸相同，且有效区域在x和y轴上等距分布，设定每张影像大图的宽度为w，高度为h。
在进一步的技术方案中，所述心肌缺血趋势判定模块包括趋势数据需求模块、趋势模型创建模块、趋势模型训练模块、趋势判定归类模块，其中：
趋势数据需求模块，用于对影像分类、数量、尺寸进行归集；
趋势模型创建模块，用于将图形中的特征信息与图形的分类进行对应，使得在后续应用模型的训练结果时，有相同特征及其泛化类型的图像能被正确地进行归类；创建卷积神经网络模型涉及各种参数和超参数的选择；
趋势模型训练模块，用于以R和M为参数进行神经网络的卷积计算，以抽取图形特征，产出：Features，训练时需要准备的图片集，且每个图片应正确地归类到其临床真正的后续病变用Cat表示的分类中；
趋势判定归类模块，用于建设识别的整个过程为抽象函数：C。C已在TensorFlow中具体实现，设待识别的图片为：Ip，得出结果：C(Features,Ip)= (Cat,Ratio)，其中，Cat为图像的归类，Ratio为该图像归为该类的可能性的百分比，图像Ip是Cat 类的可能性为Ratio。
在进一步的技术方案中，所述核素影像数据存储模块包括数据检索模块、数据存放模块和数据反写模块，其中：
数据检索模块，用于将图像对应的患者信息存放于数据库方便检索；
数据存放模块，用于将图像文件存放于磁盘；
数据反写模块，用于将图像的文件路径反写回患者的信息，与患者的信息进行关联。
在进一步的技术方案中，所述核素影像对比模块包括图像对比模块、转灰度模块、对比标记模块和高亮差异生成模块，其中：
图像对比模块，用于从患者的影像数据库中选取任意两张图作为对比图；
转灰度模块，用于对每一张图像进行灰度转换，得到灰度集：Go，对每一个小图片的每一个像素点进行灰度转换：公式如下：
Figure 124722DEST_PATH_IMAGE002
，得出的每一个像素点的灰度为0-255之间的一个整数。0代表全黑，255全表全亮（白）；
对比标记模块，用于建设系统运行可变参数阈值：T，步进：
Figure 121497DEST_PATH_IMAGE003
，其中
Figure 442757DEST_PATH_IMAGE004
，x代表图像对比处理时的步进x轴长度，y代表图像对比处理时的步进y轴高度；当
Figure 728245DEST_PATH_IMAGE005
所代表的矩阵范围内的像素点在两图上的灰度值逐步相减，并取绝对值相加计算公式为：
Figure 796082DEST_PATH_IMAGE006
，若
Figure 788309DEST_PATH_IMAGE007
，则表示N所代表的像素范围内的图像无差异，若
Figure 811629DEST_PATH_IMAGE008
，则表示N所代表的像素范围内的图像有差异，需要进行高亮标记，并将需要高亮标记的像素点坐标形成集合H；
高亮差异生成模块，用于对H中的全部像素点进行RGB颜色替换，其替换色为系统运行时的可配置参数，设用户配置RGB色为：C = RGB(0,255,0)，系统将全部像素点的颜色直接替换为：C，并输出图像。
本发明的有益效果是：
1、可以自动识别核素影像是否代表了心肌缺血；
2、可以自动辅助判定因心肌缺血而造成的后续疾病的趋势；
3、可以以患者为中心，建立核素影像数据中心；
4、可以对历次核素影像进行对比并自动标注差异，方便快速确定图像的差异性。
附图说明
图1是本发明实施例中心肌缺血定性模型训练的流程图；
图2是本发明实施例中心肌缺血定性流程图；
图3是本发明实施例中缺血趋势模型训练流程图；
图4是本发明实施例中心肌缺血趋势判定流程图；
图5是本发明实施例中影像数据存储模块的工作流程图；
图6是本发明实施例中历史影像对比并高亮的流程图；
图7是本发明实施例中图片拆分示意图；
图8是本发明实施例中图片拆分的含义图；
图9是本发明实施例中图片拆分的推演图；
图10是本发明实施例中图片拆分的工作逻辑图；
图11是本发明实施例中转灰度的工作逻辑图；
图12是本发明实施例中对比标记的对比过程图；
图13是本发明实施例中高亮差异结果图的局部图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例：
如图1-图6所示，一种自动化识别核素影像诊断心肌缺血的系统，包括心肌缺血定性判定模块、心肌缺血趋势判定模块、核素影像数据存储模块和核素影像对比模块，其中：
心肌缺血定性判定模块，用于定性判定核素影像是否存在心肌缺血；
心肌缺血趋势判定模块：用于根据完整的核素影像，判定患者是否存在心肌梗死或其它后续病变的概率；
核素影像数据存储模块：用于以患者为中心，对影像建立患者的核素影像数据库；
核素影像对比模块：用于调取患者的核素影像数据库，对历次的核素影像进行对比，标记差异性。
进一步的，所述心肌缺血定性判定模块包括定性数据需求模块、定性图片拆分模块、定性模型创建模块、定性模型训练模块和定性影像定性识别模块，其中：
定性数据需求模块，用于对影像分类、数量、尺寸进行归集；
定性图片拆分模块，用于将大图中包含有效区域的块单独进行拆分，并进行有效区域的进一步裁剪，以得到最终有效信息的最小图片；
定性模型创建模块，用于将图形中的特征信息与图形的分类进行对应，使得在后续应用模型的训练结果时，有相同特征及其泛化类型的图像能被正确地进行归类；创建卷积神经网络模型涉及各种参数和超参数的选择；设置创建模型后的模型产出为抽象变量M；
定性模型训练模块，用于以R和M为参数进行神经网络的卷积计算，以抽取图形特征，产出：Features，训练时需要准备的图片集，应至少包含数量相当的心肌缺血影像和正常心肌影像，正常心肌归类为：Normal，缺血心肌影响归类为：Defect；
定性影像定性识别模块，设识别的整个过程为抽象函数：I，I已在TensorFlow中具体实现；设置正常心肌供血图像为Np，设置缺血心肌供血图像为Pp，得出结果：I(Features,Pp)= Normal, I(Features,Np) = Defect。
进一步的，所述定性数据需求模块包括定性分类需求子模块、定性数量需求子模块和定性尺寸需求子模块，其中：
定性分类需求子模块，用于准备设定数量的正常心肌核素影像和具有心肌缺血特征的核素影像；
定性数量需求子模块，用于设定准备的图片数量；
定性尺寸需求子模块，用于设定大的影像图像尺寸相同，大图像里面设置有多个有效区间的划分，有效区尺寸相同，且有效区域在x和y轴上等距分布，设定每张影像大图的宽度为w，高度为h。
进一步的，所述心肌缺血趋势判定模块包括趋势数据需求模块、趋势模型创建模块、趋势模型训练模块、趋势判定归类模块，其中：
趋势数据需求模块，用于对影像分类、数量、尺寸进行归集；
趋势模型创建模块，用于将图形中的特征信息与图形的分类进行对应，使得在后续应用模型的训练结果时，有相同特征及其泛化类型的图像能被正确地进行归类；创建卷积神经网络模型涉及各种参数和超参数的选择；
趋势模型训练模块，用于以R和M为参数进行神经网络的卷积计算，以抽取图形特征，产出：Features，训练时需要准备的图片集，且每个图片应正确地归类到其临床真正的后续病变用Cat表示的分类中；
趋势判定归类模块，用于建设识别的整个过程为抽象函数：C。C已在TensorFlow中具体实现，设待识别的图片为：Ip，得出结果：C(Features,Ip)= (Cat,Ratio)，其中，Cat为图像的归类，Ratio为该图像归为该类的可能性的百分比，图像Ip是Cat 类的可能性为Ratio。
进一步的，所述核素影像数据存储模块包括数据检索模块、数据存放模块和数据反写模块，其中：
数据检索模块，用于将图像对应的患者信息存放于数据库方便检索；
数据存放模块，用于将图像文件存放于磁盘；
数据反写模块，用于将图像的文件路径反写回患者的信息，与患者的信息进行关联。
进一步的，所述核素影像对比模块包括图像对比模块、转灰度模块、对比标记模块和高亮差异生成模块，其中：
图像对比模块，用于从患者的影像数据库中选取任意两张图作为对比图；
转灰度模块，用于对每一张图像进行灰度转换，得到灰度集：Go，对每一个小图片的每一个像素点进行灰度转换：公式如下：
Figure 522096DEST_PATH_IMAGE009
，得出的每一个像素点的灰度为0-255之间的一个整数。0代表全黑，255全表全亮（白）；
对比标记模块，用于建设系统运行可变参数阈值：T，步进：
Figure 390695DEST_PATH_IMAGE010
，其中
Figure 96482DEST_PATH_IMAGE011
，x代表图像对比处理时的步进x轴长度，y代表图像对比处理时的步进y轴高度；当
Figure 759545DEST_PATH_IMAGE012
所代表的矩阵范围内的像素点在两图上的灰度值逐步相减，并取绝对值相加计算公式为：
Figure 691729DEST_PATH_IMAGE013
，若
Figure 364019DEST_PATH_IMAGE014
，则表示N所代表的像素范围内的图像无差异，若
Figure 330838DEST_PATH_IMAGE015
，则表示N所代表的像素范围内的图像有差异，需要进行高亮标记，并将需要高亮标记的像素点坐标形成集合H；
高亮差异生成模块，用于对H中的全部像素点进行RGB颜色替换，其替换色为系统运行时的可配置参数，设用户配置RGB色为：C = RGB(0,255,0)，系统将全部像素点的颜色直接替换为：C，并输出图像。
本发明可以自动识别核素影像是否代表了心肌缺血；可以自动辅助判定因心肌缺血而造成的后续疾病的趋势；可以以患者为中心，建立核素影像数据中心；可以对历次核素影像进行对比并自动标注差异，方便快速确定图像的差异性。
本发明的实施例中，不同模块的详细工作逻辑如下：
心肌缺血定性判定模块，底层原理基于TensorFlow。分类需求：需准备一定数量的正常心肌核素影像和具有心肌缺血特征的核素影像。数量需求：数量不少于各10000张。尺寸需求：大的核素影像图像尺寸相同。大图像里面允许有多个有效区间的划分。有效区尺寸相同，且有效区域在x和y轴上等距分布，设每张核素影像大图的宽度为：w，高度为：h。
图片拆分：大图中包含有效区域的块，需要单独进行拆分，并进行有效区域的进一步裁剪，以得到最终有效信息的最小图片。等距分布的包含有效区域的小图中有效区东西南北四个方向的图像边缘到有效图像内容的距离：上边距：Δn，下边距：Δs，左边距：Δw，右边距Δe。如图7所示，图7为图片拆分示意图。图片在x轴方向的拆分数量：Nx，图片在y 轴方向的拆分数量：Ny，其含义如图8所示。
有效区四个顶点的像素在模拟坐标系上的计算算法推演，如图9所示，图9是图片拆分的推演图。A1,B1,C1,D1为有效内容的四个顶点，可计算出四个顶点的坐标为：
Figure 695960DEST_PATH_IMAGE016
设拆分的小图片的长为：ws，高为hs，则可以得出：
Figure 115440DEST_PATH_IMAGE017
进一步推处出：
Figure 591421DEST_PATH_IMAGE018
得出任意一符有效图形的四个顶点坐标计算公式为：
Figure 412746DEST_PATH_IMAGE019
计算全部有效图形的四个顶点值，得出集合：E={{(x1,y1),(x2,y2),(x3,y3),(x4,y4)}…{(xn,yn),(xn,yn),(xn,yn),(xn,yn)} }。
设拆分函数名为：Split，其接受参数：E。设拆分结果为集合R,R=Split(E)，Split的工作逻辑为，将E中的每一个四个顶点唯一确定的矩形读取出来，并进行读取。其工作逻辑如图10所示。
创建模型：模型的底层使用TensorFlow实现的卷积神经网络实现。其主要工作逻辑为：将图形中的特征信息与图形的分类进行对应，使得在后续应用模型的训练结果时，有相同特征及其泛化类型的图像能被正确地进行归类。
创建卷积神经网络模型涉及各种参数和超参数的选择。需要确定所用模型的层数，层输入和输出的大小，所用激活函数的类型，以及是否使用dropout等。
设创建模型后的模型产出为抽象变量：M
训练模型：以R和M为参数进行神经网络的卷积计算，以抽取图形特征，产出：Features。训练时需要准备的图片集，应至少包含数量相当的心肌缺血核素影像和正常心肌核素影像。正常心肌归类为：Normal，缺血心肌影响归类为：Defect。
核素影像心肌缺血定性识别：设识别的整个过程为抽象函数：I。I已在TensorFlow中具体实现。
设正常心肌供血图像为：Np，设缺血心肌供血图像为：Pp得出结果：I(Features,Pp)= Normal, I(Features,Np) = Defect
缺血趋势判定模块：底层原理基于TensorFlow。分类需求：需准备一定数量的心肌核素影像，并对该核素影像数据进行归类，归类可由系统灵活制定。数量需求：数量不少于各10000张。尺寸需求：核素影像图像尺寸相同。
创建模型：模型的底层使用TensorFlow实现的卷积神经网络实现。其主要工作逻辑为：将图形中的特征信息与图形的分类进行对应，使得在后续应用模型的训练结果时，有相同特征及其泛化类型的图像能被正确地进行归类。
创建卷积神经网络模型涉及各种参数和超参数的选择。需要确定所用模型的层数，层输入和输出的大小，所用激活函数的类型，以及是否使用dropout等。设创建模型后的模型产出为抽象变量：M。
训练模型：以R和M为参数进行神经网络的卷积计算，以抽取图形特征，产出：Features。训练时需要准备的图片集，且每个图片应正确地归类到其临床真正的后续病变分类（用Cat表示）中，如：心肌梗死。
趋势判定：设识别的整个过程为抽象函数：C。C已在TensorFlow中具体实现。
设待识别的图片为：Ip，得出结果：C(Features, Ip)= (Cat,Ratio)，其中，Cat为图像的归类，Ratio为该图像归为该类的可能性的百分比。代表：图像Ip是Cat 类的可能性为Ratio。
核素影像数据存储模块：将图像对应的患者信息存放于数据库方便检索，将图像文件存放于磁盘，将图像的文件路径反写回患者的信息，与患者的信息进行关联。
核素影像对比模块：选取要对比的图像，从患者图像库中选取任意两张图作为对比图。
转灰度：对每一张图像进行灰度转换，得到灰度集：Go，转换原理：对每一个小图片的每一个像素点进行灰度转换：公式：
Figure 680261DEST_PATH_IMAGE020
。转换的工作逻辑如图11所示，图11是转灰度的工作逻辑图。
得出的每一个像素点的灰度为0-255 之间的一个整数。0代表全黑，255全表全亮（白）。
对比标记：设系统运行可变参数阈值：T，步进：
Figure 711671DEST_PATH_IMAGE021
，其中
Figure 601129DEST_PATH_IMAGE022
，x代表图像对比处理时的步进x轴长度，y代表图像对比处理时的步进y轴高度。对比处理的原理是：当
Figure 667174DEST_PATH_IMAGE023
所代表的矩阵范围内的像素点在两图上的灰度值逐步相减，并取绝对值相加计算公式为：
Figure 249465DEST_PATH_IMAGE024
。若
Figure 768171DEST_PATH_IMAGE025
，则表示N所代表的像素范围内的图像无差异。
Figure 461321DEST_PATH_IMAGE026
则表示N所代表的像素范围内的图像有差异，需要进行高亮标记，并将需要高亮标记的像素点坐标形成集合H，对比过程如图12所示。
高亮差异像素点：对H中的全部像素点进行RGB颜色替换。其替换色为系统运行时的可配置参数，设用户配置RGB色为：C = RGB(0,255,0)。系统将全部像素点的颜色直接替换为：C。并输出图像。 最终得出如图13所示，图中为大图的局部。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (6)

1.一种自动化识别核素影像诊断心肌缺血的系统，其特征在于，包括心肌缺血定性判定模块、心肌缺血趋势判定模块、核素影像数据存储模块和核素影像对比模块，其中：
心肌缺血定性判定模块，用于定性判定核素影像是否存在心肌缺血；
心肌缺血趋势判定模块：用于根据完整的核素影像，判定患者是否存在心肌梗死或其它后续病变的概率；
核素影像数据存储模块：用于以患者为中心，对影像建立患者的核素影像数据库；
核素影像对比模块：用于调取患者的核素影像数据库，对历次的核素影像进行对比，标记差异性。
2.根据权利要求1所述的自动化识别核素影像诊断心肌缺血的系统，其特征在于，所述心肌缺血定性判定模块包括定性数据需求模块、定性图片拆分模块、定性模型创建模块、定性模型训练模块和定性影像定性识别模块，其中：
定性数据需求模块，用于对影像分类、数量、尺寸进行归集；
定性图片拆分模块，用于将大图中包含有效区域的块单独进行拆分，并进行有效区域的进一步裁剪，以得到最终有效信息的最小图片；
定性模型创建模块，用于将图形中的特征信息与图形的分类进行对应，使得在后续应用模型的训练结果时，有相同特征及其泛化类型的图像能被正确地进行归类；创建卷积神经网络模型涉及各种参数和超参数的选择；设置创建模型后的模型产出为抽象变量M；
定性模型训练模块，用于以R和M为参数进行神经网络的卷积计算，以抽取图形特征，产出：Features，训练时需要准备的图片集，应至少包含数量相当的心肌缺血影像和正常心肌影像，正常心肌归类为：Normal，缺血心肌影响归类为：Defect；
定性影像定性识别模块，设识别的整个过程为抽象函数：I，I已在TensorFlow中具体实现；设正常心肌供血图像为Np，设缺血心肌供血图像为Pp，得出结果：I(Features, Pp)=Normal, I(Features,Np) = Defect。
3.根据权利要求2所述的自动化识别核素影像诊断心肌缺血的系统，其特征在于，所述定性数据需求模块包括定性分类需求子模块、定性数量需求子模块和定性尺寸需求子模块，其中：
定性分类需求子模块，用于准备设定数量的正常心肌核素影像和具有心肌缺血特征的核素影像；
定性数量需求子模块，用于设定准备的图片数量；
定性尺寸需求子模块，用于设定大的影像图像尺寸相同，大图像里面设置有多个有效区间的划分，有效区尺寸相同，且有效区域在x和y轴上等距分布，设定每张影像大图的宽度为w，高度为h。
4.根据权利要求1或2或3所述的自动化识别核素影像诊断心肌缺血的系统，其特征在于，所述心肌缺血趋势判定模块包括趋势数据需求模块、趋势模型创建模块、趋势模型训练模块、趋势判定归类模块，其中：
趋势数据需求模块，用于对影像分类、数量、尺寸进行归集；
趋势模型创建模块，用于将图形中的特征信息与图形的分类进行对应，使得在后续应用模型的训练结果时，有相同特征及其泛化类型的图像能被正确地进行归类；创建卷积神经网络模型涉及各种参数和超参数的选择；
趋势模型训练模块，用于以R和M为参数进行神经网络的卷积计算，以抽取图形特征，产出：Features，训练时需要准备的图片集，且每个图片应正确地归类到其临床真正的后续病变用Cat表示的分类中；
趋势判定归类模块，用于建设识别的整个过程为抽象函数：C，C已在TensorFlow中具体实现，设待识别的图片为：Ip，得出结果：C(Features,Ip)= (Cat,Ratio)，其中，Cat为图像的归类，Ratio为该图像归为该类的可能性的百分比，图像Ip是Cat 类的可能性为Ratio。
5.根据权利要求1或2或3所述的自动化识别核素影像诊断心肌缺血的系统，其特征在于，所述核素影像数据存储模块包括数据检索模块、数据存放模块和数据反写模块，其中：
数据检索模块，用于将图像对应的患者信息存放于数据库方便检索；
数据存放模块，用于将图像文件存放于磁盘；
数据反写模块，用于将图像的文件路径反写回患者的信息，与患者的信息进行关联。
6.根据权利要求1或2或3所述的自动化识别核素影像诊断心肌缺血的系统，其特征在于，所述核素影像对比模块包括图像对比模块、转灰度模块、对比标记模块和高亮差异生成模块，其中：
图像对比模块，用于从患者的影像数据库中选取任意两张图作为对比图；
转灰度模块，用于对每一张图像进行灰度转换，得到灰度集：Go，对每一个小图片的每一个像素点进行灰度转换：公式如下：
Figure 780514DEST_PATH_IMAGE002
，得出的每一个像素点的灰度为0-255之间的一个整数，0代表全黑，255全表全亮（白）；
对比标记模块，用于建设系统运行可变参数阈值：T，步进：
Figure 291130DEST_PATH_IMAGE003
，其中
Figure 539708DEST_PATH_IMAGE004
，x代表图像对比处理时的步进x轴长度，y代表图像对比处理时的步进y轴高度；当
Figure 262814DEST_PATH_IMAGE005
所代表的矩阵范围内的像素点在两图上的灰度值逐步相减，并取绝对值相加计算公式为：
Figure 546028DEST_PATH_IMAGE006
，若
Figure 227545DEST_PATH_IMAGE007
，则表示N所代表的像素范围内的图像无差异，若
Figure 963419DEST_PATH_IMAGE008
，则表示N所代表的像素范围内的图像有差异，需要进行高亮标记，并将需要高亮标记的像素点坐标形成集合H；
高亮差异生成模块，用于对H中的全部像素点进行RGB颜色替换，其替换色为系统运行时的可配置参数，设用户配置RGB色为：C = RGB(0,255,0)，系统将全部像素点的颜色直接替换为：C，并输出图像。
CN202210754940.4A 2022-06-30 2022-06-30 一种自动化识别核素影像诊断心肌缺血的系统 Active CN115082409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210754940.4A CN115082409B (zh) 2022-06-30 2022-06-30 一种自动化识别核素影像诊断心肌缺血的系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210754940.4A CN115082409B (zh) 2022-06-30 2022-06-30 一种自动化识别核素影像诊断心肌缺血的系统

Publications (2)

Publication Number Publication Date
CN115082409A true CN115082409A (zh) 2022-09-20
CN115082409B CN115082409B (zh) 2023-07-07

Family

ID=83255604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210754940.4A Active CN115082409B (zh) 2022-06-30 2022-06-30 一种自动化识别核素影像诊断心肌缺血的系统

Country Status (1)

Country Link
CN (1) CN115082409B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5669977B1 (ja) * 2013-08-29 2015-02-18 日本メジフィジックス株式会社 心筋輪郭抽出技術
WO2015147595A1 (ko) * 2014-03-28 2015-10-01 재단법인 아산사회복지재단 의료 영상에서 아티팩트와 병변을 구분하는 방법
CN106529162A (zh) * 2016-11-04 2017-03-22 南京端云信息科技有限公司 一种智能糖尿病评估预测系统与算法
CN109377470A (zh) * 2018-03-20 2019-02-22 任昊星 一种心脏病风险预测系统
CN111415727A (zh) * 2020-03-13 2020-07-14 广州医科大学附属肿瘤医院 一种多模态影像数据管理系统及分析方法
CN113706442A (zh) * 2021-03-17 2021-11-26 腾讯科技（深圳）有限公司 基于人工智能的医疗图像处理方法、装置及电子设备
CN114358154A (zh) * 2021-12-23 2022-04-15 天津医科大学总医院 人工智能在核素心肌灌注显像中的辅助诊断系统、方法及应用
CN114581425A (zh) * 2022-03-10 2022-06-03 四川大学 一种基于深度神经网络的心肌段缺损图像处理方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5669977B1 (ja) * 2013-08-29 2015-02-18 日本メジフィジックス株式会社 心筋輪郭抽出技術
WO2015147595A1 (ko) * 2014-03-28 2015-10-01 재단법인 아산사회복지재단 의료 영상에서 아티팩트와 병변을 구분하는 방법
CN106529162A (zh) * 2016-11-04 2017-03-22 南京端云信息科技有限公司 一种智能糖尿病评估预测系统与算法
CN109377470A (zh) * 2018-03-20 2019-02-22 任昊星 一种心脏病风险预测系统
CN111415727A (zh) * 2020-03-13 2020-07-14 广州医科大学附属肿瘤医院 一种多模态影像数据管理系统及分析方法
CN113706442A (zh) * 2021-03-17 2021-11-26 腾讯科技（深圳）有限公司 基于人工智能的医疗图像处理方法、装置及电子设备
CN114358154A (zh) * 2021-12-23 2022-04-15 天津医科大学总医院 人工智能在核素心肌灌注显像中的辅助诊断系统、方法及应用
CN114581425A (zh) * 2022-03-10 2022-06-03 四川大学 一种基于深度神经网络的心肌段缺损图像处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
薛好运: "基于Hadoop和深度学习的远程心肌缺血诊断系统的设计及实现", pages 060 - 12 *

Also Published As

Publication number Publication date
CN115082409B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN111445478B (zh) 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法
CN103518224B (zh) 用于分析微生物生长的方法
CN108171297A (zh) 一种答题卡识别方法及装置
CN111833237B (zh) 基于卷积神经网络和局部单应性变换的图像配准方法
JPH10187936A (ja) 画像処理装置
CN110807775A (zh) 基于人工智能的中医舌像分割装置、方法及存储介质
TW200304626A (en) Image processor, components thereof, and rendering method
CN114241326B (zh) 一种渐进式遥感影像地物要素智能生产方法及系统
ES2464345T3 (es) Programa de extracción de área de primer plano, aparato de extracción de área de primer plano y procedimiento de extracción de área de primer plano
CN111209864B (zh) 一种电力设备目标识别方法
CN110992384B (zh) 半自动化图像数据标注方法、电子装置及存储介质
CN110991437B (zh) 字符识别方法及其装置、字符识别模型的训练方法及其装置
CN114219786A (zh) 一种基于深度学习的染色体核型分析方法及系统
CN110930386A (zh) 图像处理方法、装置、设备及存储介质
CN113516639A (zh) 基于全景x光片的口腔异常检测模型的训练方法及装置
CN115223000A (zh) 面向耕地资源监测的深度学习样本制作方法
CN115082409A (zh) 一种自动化识别核素影像诊断心肌缺血的系统
CN117292217A (zh) 一种基于对抗生成网络的皮肤分型数据增广方法与系统
CN113989269B (zh) 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法
JP2023540995A (ja) カメラパラメータの値を決定するための方法及びデバイス
CN115601547A (zh) 样本图像获取、货物管理方法、装置、设备及存储介质
CN113643263A (zh) 一种上肢骨定位与前臂骨融合畸形的识别方法及系统
JP2022131937A (ja) アノテーションを支援するシステム、方法、及び、プログラム
CN113344008A (zh) 基于深度学习的茎秆组织解剖学特征参数高通量提取方法
CN118277206B (zh) 集群gpu的运行过程可视化监控方法、系统及存储介质

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