CN115187805B - 一种征象识别方法、装置、电子设备和存储介质 - Google Patents

一种征象识别方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN115187805B
CN115187805B CN202210161902.8A CN202210161902A CN115187805B CN 115187805 B CN115187805 B CN 115187805B CN 202210161902 A CN202210161902 A CN 202210161902A CN 115187805 B CN115187805 B CN 115187805B
Authority
CN
China
Prior art keywords
information
sign
medical image
symptom
sign information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210161902.8A
Other languages
English (en)
Other versions
CN115187805A (zh
Inventor
肖月庭
阳光
郑超
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.)
Shukun Shanghai Medical Technology Co ltd
Original Assignee
Shukun Beijing Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shukun Beijing Network Technology Co Ltd filed Critical Shukun Beijing Network Technology Co Ltd
Priority to CN202210161902.8A priority Critical patent/CN115187805B/zh
Publication of CN115187805A publication Critical patent/CN115187805A/zh
Application granted granted Critical
Publication of CN115187805B publication Critical patent/CN115187805B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请实施例公开了一种征象识别方法、装置、电子设备和存储介质，属于计算机领域；本申请实施例可以获取医学图像；对医学图像进行征象识别，得到医学图像中的至少一个征象信息；对至少一个征象信息进行分类，得到特殊征象信息和常规征象信息；在医学图像上对特殊征象信息和常规征象信息进行标记，得到标记后医学图像；通过本方案可以提高对征象信息进行识别的准确率。

Description

一种征象识别方法、装置、电子设备和存储介质
技术领域
本申请涉及计算机技术领域，具体涉及一种征象识别方法、装置、电子设备和存储介质。
背景技术
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。随着人工智能的发展，人工智能技术也在多个领域展开研究和应用，例如可以将AI技术应用在医学领域。例如，可以利用AI技术自动地识别出医学图像中的征象信息。
但是，本申请的发明人在对现有技术的实践中发现，由于一些征象信息的复杂性或者AI模型精确度的问题，导致现有的AI技术识别出的征象信息可能与真实的征象信息存在误差，或者现有的AI技术无法从医学图像中识别出一些比较特殊的征象信息，这会降低利用AI技术自动地识别出医学图像中的征象信息的准确性。
发明内容
本申请实施例提出了一种征象识别方法、装置、电子设备和存储介质，可以提高对征象信息进行识别的准确率。
本申请实施例提供了一种征象识别方法，包括：
获取医学图像；
对所述医学图像进行征象识别，得到所述医学图像中的至少一个征象信息；
对所述至少一个征象信息进行分类，得到特殊征象信息和常规征象信息；
在所述医学图像上对所述特殊征象信息和所述常规征象信息进行标记，得到标记后医学图像。
相应的，本申请实施例还提供了一种征象识别装置，包括：
图像获取单元，用于获取医学图像；
征象识别单元，用于对所述医学图像进行征象识别，得到所述医学图像中的至少一个征象信息；
分类单元，用于对所述至少一个征象信息进行分类，得到特殊征象信息和常规征象信息；
标记单元，用于在所述医学图像上对所述特殊征象信息和所述常规征象信息进行标记，得到标记后医学图像。
在一实施例中，所述征象识别单元，可以包括：
征象检测子单元，用于对所述医学图像进行征象检测，得到征象检测结果；
匹配子单元，用于将所述征象检测结果和预设征象识别条件进行匹配；
征象识别子单元，用于当所述征象检测结果和所述预设征象识别条件相匹配时，基于预设专家经验征象信息对所述医学图像进行征象识别，得到所述医学图像的征象信息。
在一实施例中，所述征象识别子单元，可以包括：
特征提取模块，用于对所述医学图像进行特征提取，得到所述医学图像的特征信息；
检测模块，用于基于所述特征信息，检测出所述医学图像中的病灶区域；
提取模块，用于提取出所述病灶区域的目标特征信息；
概率预测模块，用于基于所述预设专家经验征象信息对所述目标特征信息进行特征征象概率预测，得到所述征象信息。
在一实施例中，所述分类单元，可以包括：
第一匹配子单元，用于将所述征象信息和预设诊断指南征象信息进行匹配；
第一划分子单元，用于当所述征象信息和所述预设诊断指南征象信息相匹配时，将所述征象信息划分为常规征象信息；
第二匹配子单元，用于当所述征象信息和所述预设诊断指南征象信息不相匹配时，将所述征象信息和预设专家经验征象信息进行匹配；
第二划分子单元，用于当所述征象信息和所述预设专家经验征象信息相匹配时，将所述征象信息划分为特殊征象信息。
在一实施例中，所述标记单元，可以包括：
第一识别子单元，用于对所述常规征象信息进行识别，得到所述常规征象信息的标记信息；
第二识别子单元，用于对所述特殊征象信息进行识别，得到所述特殊征象信息的标记信息；
添加子单元，用于根据预设标记方式，将所述常规征象信息的标记信息和所述特殊征象信息的标记信息添加到所述医学图像上，得到所述标记后医学图像。
在一实施例中，本申请实施例提出的征象识别装置，还包括：
等级划分单元，用于对所述特殊征象信息和所述常规征象信息进行等级划分，得到特殊征象信息的重要度等级和所述常规征象信息的重要度等级；
指令接收单元，用于接收针对所述医学图像的图像显示触发指令；
显示关联单元，用于基于所述图像显示触发指令，将所述特殊征象信息的重要度等级以及所述常规征象信息的重要度等级和所述医学图像进行显示关联处理，得到具有所述特殊征象信息和所述重要度等级的目标医学图像；
显示单元，用于显示所述目标医学图像。
在一实施例中，所述征象识别单元，还包括：
征象识别模型子单元，用于利用预设征象识别模型，对所述医学图像进行征象识别，得到所述医学图像中的至少一个征象信息。
在一实施例中，所述标记单元，还包括：
标记子单元，用于利用预设标记模型，在所述医学图像上对所述特殊征象信息和所述常规征象信息进行标记，得到标记后医学图像。
在一实施例中，所述征象识别模型子单元，可以包括：
第一获取模块，用于获取待训练征象识别模型；
第一采集模块，用于采集医学图像训练样本，所述医学图像训练样本具有常规征象标签信息和/或特殊征象标签信息；
第一训练模块，用于利用所述具有常规征象标签信息和/或特殊征象标签信息的医学图像训练样本对所述待训练征象识别模型进行训练，得到所述预设征象识别模型。
在一实施例中，所述等级划分单元，可以包括：
等级划分模型子单元，用于利用预设等级划分模型对所述特殊征象信息和所述常规征象信息进行等级划分，得到特殊征象信息的重要度等级和所述常规征象信息的重要度等级。
在一实施例中，所述等级划分模型子单元，可以包括：
第二获取模块，用于获取待训练等级划分模型；
第二采集模块，用于采集征象信息训练样本，所述征象信息训练样本具有第一类重要度等级标签和第二类重要度等级标签；
第二训练模块，用于利用所述具有第一类重要度等级标签和第二类重要度等级标签的征象信息训练样本对所述待训练等级划分模型进行训练，得到所述预设等级划分模型。
相应的，本申请实施例还提供一种电子设备，所述电子设备包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行本申请实施例任一提供的征象识别方法。
相应的，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例任一提供的征象识别方法。
本申请实施例可以获取医学图像；对医学图像进行征象识别，得到医学图像中的至少一个征象信息；对至少一个征象信息进行分类，得到特殊征象信息和常规征象信息；在医学图像上对特殊征象信息和常规征象信息进行标记，得到标记后医学图像，可以提高对征象信息进行识别的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的征象识别方法的场景示意图；
图2是本申请实施例提供的征象识别方法的流程示意图；
图3是本申请实施例提供的病灶区域的场景示意图；
图4是本申请实施例提供的征象识别方法的又一流程示意图；
图5是本申请实施例提供的征象识别装置的结构示意图；
图6是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，然而，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提出了一种征象识别方法，该征象识别方法可以由征象识别装置执行，该征象识别装置可以集成在电子设备中。其中，该电子设备可以包括终端以及服务器等中的至少一个。即该征象识别方法可以由终端执行，也可以由服务器执行。
其中，该终端可以包括智能电视、智能手机、智能家居、可穿戴电子设备、VR/AR产品、车载计算机、智能电脑等等。
其中，服务器可以为多个异构系统之间的互通服务器或者产品验证测试系统的后台服务器，还可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、以及大数据和人工智能平台等基础云计算服务的云服务器等等。
在一实施例中，如图1所示，征象识别装置可以集成在终端或服务器等电子设备上，以实施本申请实施例提出的征象识别方法。具体地，电子设备可以获取医学图像；基于预设专家经验征象信息对医学图像进行征象识别，得到医学图像的特殊征象信息；对特殊征象信息进行等级划分，得到特殊征象信息的重要度等级。
以下分别进行详细说明，需要说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
本申请实施例将从征象识别装置的角度进行描述，该征象识别装置可以集成在电子设备中，该电子设备可以包括终端，还可以包括服务器等等。
如图2所示，提供了一种征象识别方法，具体流程包括：
101、获取医学图像。
在一实施例中，当患者的身体出现异常时，往往会通过科学技术手段对身体的情况进行诊断。例如，可以通过核磁共振检查、B超检查等科学技术手段对身体的情况进行诊断。其中，这些科学技术手段一般是以医学图像的形式作为诊断信息。
其中，医学图像可以包括具有跟医学相关的信息的图像。例如，医学图像可以包括电子计算机断层扫描(Computed Tomography，CT)图像、磁共振检查(Magnetic Resonance,MR)图像和超声波图像，等等。又例如，该医学图像可以是生理组织图像，等等。其中，生理组织可以包括心脏、脑部、肺部、肝脏等等。例如，医学图像可以是患者心脏的CT图。又例如，医学图像可以是患者脑部的MR图，等等。
在一实施例中，有多种方式可以获取医学图像。
例如，可以通过直接的方式获取医学图像。例如，可以构建征象识别装置直接和电子计算机断层扫描设备以及磁共振检查设备等检查设备之间的网络连接。因此，当患者通过检查设备检查完身体后，征象识别装置便可以直接获取到医学图像。
又例如，可以通过间接的方式获取医学图像。例如，患者通过检查设备检查完身体后，可以将检查后得到的医学图像存储在服务器。然后，征象识别装置可以向服务器请求获取医学图像。
102、对医学图像进行征象识别，得到医学图像中的至少一个征象信息。其中，征象可以包括说明病灶区域中呈现出来的特征或者特点。
在一实施例中，现有的利用AI技术识别出征象信息的方法往往是基于诊断指南中记载的征象。但是，医学图像中往往会存在着一些非标准形态或者较为特殊的征象等特殊征象，基于诊断指南中记载的征象信息训练得到的人工智能模型往往不能识别出医学图像的特殊征象。而一些经验较为不足的医生也可能无法辨识出医学图像中一些非标准形态或者较为特殊的征象等特殊征象。
因此，本申请实施例借助预设专家经验征象信息对医学图像进行征象识别，得到医学图像的特殊征象信息。
其中，专家经验征象信息可以包括根据具有丰富经验医生的经验所生成的跟征象相关的信息。
在实施本申请实施例之前，可以向多位不同的具有丰富经验的医生请求获取他们关于征象方面的知识，然后，可以将这些和征象方面相关的知识进行总结归纳，得到专家经验征象信息。
其中，特殊征象可以包括医学图像中一些非标准形态或者较为特殊的征象。
其中，特殊征象信息可以包括描述特殊征象的信息。例如，特殊征象信息可以包括文字信息和图像信息，等等。其中，图像信息可以包括征象在医学图像中的呈现状态。其中，文字信息可以包括对征象信息的文字描述。例如，文字信息可以包括特殊征象信息可以包括特殊征象的表现形态、在医学图像中的位置、征象的类型，等等。在一实施例中，有多种方式可以基于预设专家经验征象信息对医学图像进行征象识别，从而可以得到医学图像中所有的征象信息，避免征象信息的遗漏。
在一实施例中，为了提高对特殊征象信息的效率，可以先检测医学图像中是否具有存在征象。其中，当医学图像中存在征象时，再对医学图像进行征象识别。具体的，步骤“基于预设专家经验征象信息对医学图像进行征象识别，得到医学图像的特殊征象信息”，可以包括：
对医学图像进行征象检测，得到征象检测结果；
将征象检测结果和预设征象识别条件进行匹配；
当征象检测结果和预设征象识别条件相匹配时，基于预设专家经验征象信息对医学图像进行征象识别，得到医学图像的征象信息。
其中，对医学图像进行征象检测可以指判断医学图像中是否是具有征象的图像。
在一实施例中，有多种方式可以对医学图像进行征象检测，得到征象检测结果。
例如，可以利用不具有征象的图像训练人工智能模型，得到第一征象检测模型。然后，可以利用该第一征象检测模型对医学图像进行征象检测，得到征象检测结果。
又例如，可以利用具有征象的图像训练人工智能模型，得到第二征象检测模型。然后，可以利用该第二征象检测模型对医学图像进行征象检测，得到征象检测结果。
其中，人工智能模型可以包括深度学习模型、强化学习模型或联邦学习模型，等等。例如，人工智能模型可以包括卷积神经网络(Convolutional Neural Networks，CNN)、反卷积神经网络(De-Convolutional Networks，DN)、深度神经网络(Deep NeuralNetworks，DNN)、深度卷积逆向图网络(Deep Convolutional Inverse GraphicsNetworks，DCIGN)、基于区域的卷积网络(Region-based Convolutional Networks，RCNN)、基于区域的快速卷积网络(Faster Region-based Convolutional Networks，FasterRCNN)和双向编解码(Bidirectional Encoder Representations from Transformers，BERT)模型等等。
在一实施例中，预设征象识别条件可以包括预先设置好的，根据征象检测结果判断医学图像是否有征象的条件。其中，预设征象识别条件可以根据对医学图像进行征象检测的方式进行设置。
例如，当利用第一征象检测模型对医学图像进行征象检测时，第一征象检测模型可以输出1和0。其中，1可以说明医学图像中没有征象，而0可以说明医学图像中有征象。此时，预设征象识别条件可以设置为判断第一征象检测模型的输出是否为0。当第一征象识别模型输出为0时，说明征象检测结果和预设征象识别条件相匹配，此时可以基于预设专家经验征象信息对医学图像进行征象识别，得到医学图像的征象信息。
又例如，当利用第二征象检测模型对医学图像进行征象检测时，第二征象检测模型也可以输出1和0。其中，1可以说明医学图像中有征象，0可以说明医学图像中没有征象。此时，预设征象识别条件可以设置为判断第二征象检测模型的输出是否为1。当第一征象识别模型输出为1时，说明征象检测结果和预设征象识别条件相匹配，此时可以基于预设专家经验征象信息对医学图像进行征象识别，得到医学图像的征象信息。
在一实施例中，当征象检测结果和预设征象识别结果相匹配时，可以基于预设专家经验征象信息对医学图像进行征象识别，得到医学图像的征象信息。而当征象检测结果和预设征象识别结果不相匹配时，说明医学图像中可能不具有医生待关注的征象，此时，可以不对医学图像进行征象识别，从而节约资源，提高效率。
在一实施例中，当医学图像中可能存在征象时，可以对医学图像进行特征提取，得到医学图像的特征信息。然后，基于医学图像的特征信息，识别出医学图像的特殊征象信息。具体的，步骤“当征象检测结果和预设征象识别条件相匹配时，基于预设专家经验征象信息对医学图像进行征象识别，得到医学图像的征象信息”，可以包括：
对医学图像进行特征提取，得到医学图像的特征信息；
基于特征信息，检测出医学图像中的病灶区域；
提取出病灶区域的目标特征信息；
基于预设专家经验征象信息对目标特征信息进行特征征象概率预测，得到征象信息。
其中，病灶区域可以包括医学图像中显示机体发生病变的区域。例如，当医学图像是患者脑部的MR图时，病灶区域可以是脑部MR图中脑部存在病变的区域。例如，如图3所示，图3中的001为关于血管的医学图像，图3中的002为该医学图像中血管存在病变的区域，因此该002可以是病灶区域。
其中，病灶区域的目标特征信息可以包括病灶区域对应的特征信息。
在一实施例中，有多种方式可以对医学图像进行特征提取。例如，可以利用卷积核和医学图像的像素值进行卷积运算，并将卷积运算得到的信息作为特征信息。又例如，可以采用滑窗法等对医学图像进行采样，并将采样得到的信息作为特征信息。又例如，还可以采用多个不同的卷积核对医学图像进行特征提取，得到医学图像在不同维度上的初始特征信息。然后，可以将医学图像在不同维度上的初始特征信息进行融合，得到医学图像的特征信息。
在一实施例中，在得到医学图像的特征信息之后，可以基于特征信息检测出医学图像中的病灶区域。
一般情况下，属于病灶区域的特征信息会和不属于病灶区域的特征信息存在明显的差异。因此，可以对医学图像的特征信息进行比较，以得到医学图像中的病灶区域。
在一实施例中，在得到病灶区域之后，便可以识别出病灶区域中的征象信息。
其中，在识别病灶区域中的征象信息时，可以提出病灶区域目标特征信息，并基于该目标特征信息确定病灶区域的征象信息。
在一实施例中，病灶区域中的征象信息有可能是常规征象信息，也有可能是特征征象信息。
因此，可以首先基于诊断指南中记载的征象对病灶区域中的目标特征信息进行常规征象概率预测。若预测不出征象信息，则可以基于预设专家经验征象信息对目标特征信息进行特征征象概率预测，得到征象信息。
其中，常规征象可以包括诊断指南中记载的征象。
在一实施例中，专家经验征象信息可以包括每个预设特征征象的特征信息。因此，在基于预设专家经验征象信息对目标特征信息进行特征征象概率预测时，可以将病灶区域的目标特征信息和预设特征征象的特征信息进行匹配，并生成匹配概率。接下来，可以通过匹配概率确定病灶区域的征象信息。
在一实施例中，医学图像中可能存在多个病灶区域，因此可以对该多个病灶区域进行识别，得到每个病灶区域对应的征象信息。
在一实施例中，还可以预先训练好一个具有预设专家经验征象信息的预设征象识别模型对医学图像进行征象识别，得到医学图像的特殊征象信息。具体的，步骤“对医学图像进行征象识别，得到医学图像中的至少一个征象信息”，可以包括：
利用预设征象识别模型，对医学图像进行征象识别，得到医学图像中的至少一个征象信息。
其中，该预设征象识别模型是训练好的，具有预设专家经验征象信息的人工智能模型。例如，该预设征象识别模型可以是CNN模型、DNN模型或RCNN模型，等等。
由于该预设征象识别模型具有预设专家经验征象信息，所以该预设征象识别模型可以识别出医学图像中所有的征象信息，避免征象信息的遗漏从而提高了征象识别的准确率。
103、对至少一个征象信息进行分类，得到特殊征象信息和常规征象信息。
在一实施例中，为了针对经验不足的医生，对一些非标准形态的征象或较为特殊的征象无法辨识的问题，在得到征象信息之后，可以对至少一个征象信息进行分类，得到特殊征象信息和常规征象信息。
其中，特殊征象信息可以包括描述特殊征象的信息。常规征象信息可以包括诊断指南上有记载的征象的信息。
在一实施例中，步骤“对至少一个征象信息进行分类，得到特殊征象信息和常规征象信息”，可以包括：
将征象信息和预设诊断指南征象信息进行匹配；
当征象信息和预设诊断指南征象信息相匹配时，将征象信息划分为常规征象信息；
当征象信息和预设诊断指南征象信息不相匹配时，将征象信息和预设专家经验征象信息进行匹配；
当征象信息和预设专家经验征象信息相匹配时，将征象信息划分为特殊征象信息。
例如，医学图像中有4个征象信息。然后，对于每个征象信息，可以首先将征象信息和预设诊断指南征象信息进行匹配，从而判断征象信息是不是常规征象信息。而当征象信息和预设诊断指南征象信息不相匹配时，可以将征象信息和预设专家经验征象信息进行匹配，从而判断征象信息是不是特殊征象信息。
在一实施例中，在对至少一个征象信息进行分类时，若征象信息中不包括特殊征象信息，则可以不用执行后续标记的步骤，从而以一定程度节约计算资源。
104、在医学图像上对特殊征象信息和常规征象信息进行标记，得到标记后医学图像。
在一实施例中，为了令经验不足的医生可以更好地学习到特殊征象信息，在对征象信息进行分类之后，可以在医学图像上对特殊征象信息和常规征象信息进行标记，得到标记后医学图像，从而使得经验不足的医生可以通过标记后医学图像学会如何辨别出特殊征象信息。
例如，可以在医学图像上标记出哪些征象信息是特殊征象信息，那些征象信息是常规征象信息。在一实施例中，步骤“在医学图像上对特殊征象信息和常规征象信息进行标记，得到标记后医学图像”，可以包括：
对常规征象信息进行识别，得到常规征象信息的标记信息；
对特殊征象信息进行识别，得到特殊征象信息的标记信息；
根据预设标记方式，将常规征象信息的标记信息和特殊征象信息的标记信息添加到医学图像上，得到标记后医学图像。
在一实施例中，可以利用预设标记模型，在医学图像上对特殊征象信息和常规征象信息进行标记，得到标记后医学图像。
其中，在步骤“利用预设标记模型，在医学图像上对特殊征象信息和常规征象信息进行标记，得到标记后医学图像”之前，可以包括：
获取待训练标记模型；
采集医学图像标记训练样本，医学图像标记训练样本具有常规征象标签信息及其标记信息和/或特殊征象标签信息及其标记信息；
利用具有常规征象标签信息及其标记信息和/或特殊征象标签信息及其标记信息的医学图像标记训练样本对待训练标记模型进行训练，得到预设标记模型。
在一实施例中，在利用预设征象识别模型对医学图像进行征象识别之前，可以获取待训练征象识别模型，并对该待训练征象识别模型进行训练，得到预设征象识别模型。具体的，步骤“利用预设征象识别模型，对医学图像进行征象识别，得到所述医学图像中的至少一个征象信息”之前，可以包括：
获取待训练征象识别模型；
采集医学图像训练样本，医学图像训练样本具有常规征象标签信息和/或特殊征象标签信息；
利用具有常规征象标签信息和/或特殊征象标签信息的医学图像训练样本对待训练征象识别模型进行训练，得到预设征象识别模型。
其中，待训练征象识别模型可以包括未训练的，性能未达到要求的模型。
其中，医学图像训练样本可以包括对待训练征象识别模型进行训练时所用到的训练数据。
在一实施例中，医学图像训练样本可以具有常规征象标签信息和/或特征征象标签信息。
其中，常规征象标签信息可以包括基于诊断指南中记载的征象所生成的标签。特征征象标签信息可以包括基于预设专家经验征象信息生成的标签。
在一实施例中，通过利用具有常规征象标签信息和/或特征征象标签信息的医学图像训练样本对待训练识别模型进行训练，从而使得训练得到的预设征象识别模型不仅可以识别出一些常规的征象，还可以识别出一些非标准的特殊的征象，从而提高对征象识别的准确性。
在一实施例中，专家和高级医生，可以以手动的方式对诊断指南中记载的征象信息对医学图像训练样本进行标记，得到具有常规征象标签信息的医学图像训练样本。然后，专家可以以手动方式基于预设专家经验征象信息对医学图像训练样本进行标记，得到具有特殊征象标签信息的医学图像训练样本。
然后，可以将具有常规征象标签信息和/或特殊征象标签信息的医学图像训练样本对待训练征象识别模型进行多次训练，得到预设征象识别模型。
在一实施例中，常规征象标签信息和/或特殊征象标签信息可以包括对征象的标记以及说明内容，因此该预设征象识别模型不仅可以识别出征象，还可以识别出对征象的说明内容。其中，对征象的标记可以指在医学图像中将征象标记出来。例如，征象的标记方式可以是利用标记框的方式将征象标记出来。然后，征象的说明内容可以在标记框附件展现。又例如，可以从标记框拉出引线，指向医学图像的边缘附件，在医学图像的边缘附件展示说明内容。
在一实施例中，为了令经验不足的医生可以更好地学习和辨识到特殊征象信息，本申请实施例还可以对特殊征象信息进行等级划分，得到特殊征象信息的重要度等级。
其中，可以预先训练好一个预设等级划分模型，然后利用该预设等级划分模型对特殊征象信息进行等级划分，得到特殊征象信息的重要度等级。具体的，本申请实施例，可以包括：
对所述特殊征象信息和所述常规征象信息进行等级划分，得到特殊征象信息的重要度等级和所述常规征象信息的重要度等级。。
其中，可以利用预设等级划分模型对所述特殊征象信息和所述常规征象信息进行等级划分，得到特殊征象信息的重要度等级和所述常规征象信息的重要度等级。
其中，预设等级划分模型可以是人工智能模型。例如，预设等级划分模型可以是CNN模型、DNN模型或RCNN模型，等等。
在一实施例中，在利用预设等级划分模型之前，可以获取待训练征象识别模型，并对该待训练等级划分模型进行训练，得到预设等级划分模型。步骤“利用预设等级划分模型，对特殊征象信息进行等级划分，得到特殊征象信息的重要度等级”，可以包括：
获取待训练等级划分模型；
采集征象信息训练样本，征象信息训练样本具有第一类重要度等级标签和第二类重要度等级标签；
利用具有第一类重要度等级标签和第二类重要度等级标签的征象信息训练样本对待训练等级划分模型进行训练，得到预设等级划分模型。
其中，征象信息训练样本可以包括对待训练等级划分模型进行训练时所用到的训练数据。
其中，第一类重要度等级标签可以是基于诊断指南生成的重要度等级。
其中，第二类重要度等级标签可以是基于预设专家经验征象信息生成的重要度等级。
一般情况下，第一类重要度等级标签是针对常规征象，而第二类重要度等级标签是针对特殊征象。
其中，该重要度等级可以是良恶性识别分值。
例如，如表1所示，表1是病灶的良恶性识别分值。
Figure GDA0003845927440000141
表1：病灶的良恶性识别分值
病例1的病灶良恶性识别分值，可以从利用诊断指南构建的病例数据库中获得，也可以由资深医生给出。例如，当病例1中具有常规征象信息时，可以通过诊断指南构建的病例数据库为常规征象信息赋予病灶良恶性识别分值。又例如，当病理1中具有特殊征象信息时，可以通过资深医生为特殊征象信息赋予病灶良恶性识别分值。
然后，可以利用这些识别分值作为输入，训练模型，得到预设等级划分模型。然后，可以利用这个预设等级划分模型对特殊征象信息进行分级，在让年轻医生了解特殊征象信息的同时，能够区分哪些特殊征象信息更加重要。
在一实施例中，在得到特殊征象信息和重要度等级之后，本申请实施例还可以将医学图像的特殊征象信息以及重要度等级显示出来。具体的，本申请实施例提出的方法还包括：
接收针对医学图像的图像显示触发指令；
基于图像显示触发指令，将特殊征象信息以及重要度等级和医学图像进行显示关联处理，得到具有特殊征象信息和重要度等级的目标医学图像；
显示目标医学图像。
例如，当医生或患者等用户想查看医学图像的征象信息以及重要度等级时，医学或患者等用户可以触发医学图像的信息显示。然后，征象识别装置便会接收到针对医学图像的图像显示触发指令。
例如，可以基于用户的触发操作(点击操作、滚轮操作等等)，显示目标医学图像。
其中，目标医学图像可以包括已被做了标记，具有征象信息的医学图像。
接下来，征象识别装置可以基于图像显示触发指令，将特殊征象信息以及重要度等级和医学图像进行显示关联处理，即将特殊征象信息以及重要度显示等级和医学图像对应上，得到目标医学图像。
例如，在医学图像A中识别出特殊征象信息a1和特殊征象信息a2，并为特殊征象信息a1划分了重要度等级b1，以及为特殊征象信息a2划分了重要度等级b2。然后，在可以将特殊征象信息a1、特殊征象信息a2、重要度等级b1和重要度等级b2和医学图像A进行关联，得到目标医学图像。
在显示目标医学图像时，目标医学图像上便会显示出特殊征象信息a1、特殊征象信息a2、重要度等级b1和重要度等级b2。其中，特殊征象信息a1和重要度等级b1会关联显示，特殊征象信息a2和重要度等级b2也会关联显示。
在一实施例中，用户还可以触发多种医学图像显示其征象信息，此时，征象识别装置可以对被触发的医学图像进行信息关联以及排序，并将排序好的目标医学图像依次展现给用户观看。
其中，有多种方式可以对医学图像进行排序。例如，可以按照征象信息的复杂度对医学图像进行排序。又例如，可以按照征象信息的被触发顺序对医学图像进行排序。
本申请实施例提出的征象识别方法可以获取医学图像；
对医学图像进行征象识别，得到医学图像中的至少一个征象信息；对至少一个征象信息进行分类，得到特殊征象信息和常规征象信息；在医学图像上对特殊征象信息和常规征象信息进行标记，得到标记后医学图像。本申请实施例可以根据预设专家经验征象信息，识别出医学图像中的一些特殊征象信息，避免了这些特殊征象信息被遗漏，从而提高了征象识别的准确性。本申请实施例还可以对识别出来的图像进行标记，从而使得经验不足的医生可以根据标记的医学图像学会辨别非标准的征象信息。
此外，在本申请实施例中，还可以对特殊征象信息进行等级划分，得到特殊征象信息的重要度等级。通过重要度等级，从而使得经验较为缺乏的医生可以辨识出特殊征象信息以及特殊征象信息的重要度。
根据上面实施例所描述的方法，以下将举例作进一步详细说明。
本申请实施例将以图像处理方法集成在电子设备上为例来介绍本申请实施例方法。例如，如图4所示，本申请实施例提出的征象识别方法可以包括：
201、电子设备获取医学图像。
例如，电子设备利用电子计算机断层扫描(Computed Tomography，CT)图像、磁共振检查(Magnetic Resonance,MR)图像和4D超声超声波图像等方式，获取医学图像。
202、电子设备基于预设专家经验征象信息对医学图像进行征象识别，得到医学图像的特殊征象信息。
例如，可以利用病灶识别模型，从医学图像中识别出病灶区域。然后，利用征象识别模型识别出病灶中的征象信息和征象类型。其中，病灶识别模型和征象识别模型可以利用具有病灶区域的医学图像及其包含的征象信息作为输入，利用深度学习神经网络等方式，经过多次训练，得到的识别模型。其中，可以在识别病灶区域的同时，识别出病灶对应的征象信息；也可以单独训练出病灶识别模型和征象识别模型，先识别病灶，然后再识别病灶对应的征象。
本申请实施例可以针对诊断经验不足的医师，对一些非标准形态的征象或较为特殊的征象无法辨识的问题。因此，可以先判断已识别出的征象中是否包含诊断指南中记载的征象信息和/或专家经验征象信息。若包括征象信息和/或专家经验征象信息，则可以对医学图像中的征象信息进行标记，以供经验不足的医生进行识别。否则则不需要标记，从而节省计算资源。
在一实施例中，可以预先对征象信息进行分类，确定诊断指南中记载的征象信息和专家经验征象信息，形成分类集等判别规则。在征象类别判断时，可以以此为基准，识别征象信息的类型。
然后，可以利用标记模型，对识别出来的征象信息进行标记。例如，可以利用标记模型对新获取的征象信息进行标记，得到标记有征象信息的医学影像。征象信息包括常规征象信息及其说明和/或特殊征象信息及其说明。
其中，标记模型可以是人工智能模型。例如，标记模型可以是CNN模型、RCNN模型或DNN模型，等等。
其中，标记模型可以通过具有常规征象标签信息和/或特殊征象标签信息的医学图像训练样本得到。
203、电子设备对特殊征象信息进行等级划分，得到特殊征象信息的重要度等级。
例如，电子设备可以基于常规征象信息和诊断指南，给出一种病例的第一良恶性识别分值。专家可以根据特殊征象信息(即可以结合第一类征象信息，也可以不结合第一类征象信息)，给出该病例的第二良恶性识别分值。
在一实施例中，可以将第一良恶性识别分值、第二类征象信息和第二良恶性识别分值作为输入，利用卷积神经网络进行多次训练，得到预设等级划分模型。
然后，利用预设等级划分模型，对特殊征象信息进行等级划分，得到特殊征象信息的重要度等级。
在一实施例中，为了进一步地提高准确性，可以将人工对病灶诊断的良恶性结果和AI对病灶诊断的良恶性结果进行比对。若AI结果是恶性，人工结果是良性，则提取特殊征象信息显示给用户。若AI结果和人工结果均为良性，但是，人工结果中缺少了某个常规征象信息，则提取之前识别出的常规征象信息展示给用户。
本申请实施例提出的征象识别方法中，电子设备可以获取医学图像；电子设备基于预设专家经验征象信息对医学图像进行征象识别，得到医学图像的特殊征象信息；电子设备对特殊征象信息进行等级划分，得到特殊征象信息的重要度等级；通过利用预设专家经验征象信息对医学图像进行征象识别，可以提高对征象信息进行识别的准确率。
为了更好地实施本申请实施例提供的征象识别方法，在一实施例中还提供了一种征象识别装置，该征象识别装置可以集成于电子设备中。其中名词的含义与上述征象识别方法中相同，具体实现细节可以参考方法实施例中的说明。
在一实施例中，提供了一种征象识别装置，该征象识别装置具体可以集成在电子设备中，如图5所示，该征象识别装置包括：图像获取单元301、征象识别单元302、分类单元303和标记单元304，具体如下：
图像获取单元301，用于获取医学图像；
征象识别单元302，用于对所述医学图像进行征象识别，得到所述医学图像中的至少一个征象信息；
分类单元303，用于对所述至少一个征象信息进行分类，得到特殊征象信息和常规征象信息；
标记单元304，用于在所述医学图像上对所述特殊征象信息和所述常规征象信息进行标记，得到标记后医学图像。
在一实施例中，所述征象识别单元302，可以包括：
征象检测子单元，用于对所述医学图像进行征象检测，得到征象检测结果；
匹配子单元，用于将所述征象检测结果和预设征象识别条件进行匹配；
征象识别子单元，用于当所述征象检测结果和所述预设征象识别条件相匹配时，基于预设专家经验征象信息对所述医学图像进行征象识别，得到所述医学图像的征象信息。
在一实施例中，所述征象识别子单元，可以包括：
特征提取模块，用于对所述医学图像进行特征提取，得到所述医学图像的特征信息；
检测模块，用于基于所述特征信息，检测出所述医学图像中的病灶区域；
提取模块，用于提取出所述病灶区域的目标特征信息；
概率预测模块，用于基于所述预设专家经验征象信息对所述目标特征信息进行特征征象概率预测，得到所述征象信息。
在一实施例中，所述分类单元303，可以包括：
第一匹配子单元，用于将所述征象信息和预设诊断指南征象信息进行匹配；
第一划分子单元，用于当所述征象信息和所述预设诊断指南征象信息相匹配时，将所述征象信息划分为常规征象信息；
第二匹配子单元，用于当所述征象信息和所述预设诊断指南征象信息不相匹配时，将所述征象信息和预设专家经验征象信息进行匹配；
第二划分子单元，用于当所述征象信息和所述预设专家经验征象信息相匹配时，将所述征象信息划分为特殊征象信息。
在一实施例中，所述标记单元304，可以包括：
第一识别子单元，用于对所述常规征象信息进行识别，得到所述常规征象信息的标记信息；
第二识别子单元，用于对所述特殊征象信息进行识别，得到所述特殊征象信息的标记信息；
添加子单元，用于根据预设标记方式，将所述常规征象信息的标记信息和所述特殊征象信息的标记信息添加到所述医学图像上，得到所述标记后医学图像。
在一实施例中，本申请实施例提出的征象识别装置，还包括：
等级划分单元，用于对所述特殊征象信息和所述常规征象信息进行等级划分，得到特殊征象信息的重要度等级和所述常规征象信息的重要度等级；
指令接收单元，用于接收针对所述医学图像的图像显示触发指令；
显示关联单元，用于基于所述图像显示触发指令，将所述特殊征象信息的重要度等级以及所述常规征象信息的重要度等级和所述医学图像进行显示关联处理，得到具有所述特殊征象信息和所述重要度等级的目标医学图像；
显示单元，用于显示所述目标医学图像。
在一实施例中，所述征象识别单元，还包括：
征象识别模型子单元，用于利用预设征象识别模型，对所述医学图像进行征象识别，得到所述医学图像中的至少一个征象信息。
在一实施例中，所述标记单元，还包括：
标记子单元，用于利用预设标记模型，在所述医学图像上对所述特殊征象信息和所述常规征象信息进行标记，得到标记后医学图像。
在一实施例中，所述征象识别模型子单元，可以包括：
第一获取模块，用于获取待训练征象识别模型；
第一采集模块，用于采集医学图像训练样本，所述医学图像训练样本具有常规征象标签信息和/或特殊征象标签信息；
第一训练模块，用于利用所述具有常规征象标签信息和/或特殊征象标签信息的医学图像训练样本对所述待训练征象识别模型进行训练，得到所述预设征象识别模型。
在一实施例中，所述等级划分单元，可以包括：
等级划分模型子单元，用于利用预设等级划分模型对所述特殊征象信息和所述常规征象信息进行等级划分，得到特殊征象信息的重要度等级和所述常规征象信息的重要度等级。
在一实施例中，所述等级划分模型子单元，可以包括：
第二获取模块，用于获取待训练等级划分模型；
第二采集模块，用于采集征象信息训练样本，所述征象信息训练样本具有第一类重要度等级标签和第二类重要度等级标签；
第二训练模块，用于利用所述具有第一类重要度等级标签和第二类重要度等级标签的征象信息训练样本对所述待训练等级划分模型进行训练，得到所述预设等级划分模型。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
通过上述的征象识别装置可以提高征象识别的准确性。
本申请实施例还提供一种电子设备，该电子设备可以包括终端或服务器，比如，电子设备可以作为征象识别终端，该征象识别终端可以为智能电视等等；又比如计算机产品可以为服务器，如征象识别服务器等。如图6所示，其示出了本申请实施例所涉及的终端的结构示意图，具体来讲：
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图6中示出的电子设备结构并不构成对电子设备的限定，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。其中：
处理器401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户页面和应用程序等，调制解调处理器主要处理无线通讯。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机产品的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，电子设备还可以包括排版单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取医学图像；
对所述医学图像进行征象识别，得到所述医学图像中的至少一个征象信息；
对所述至少一个征象信息进行分类，得到特殊征象信息和常规征象信息；
在所述医学图像上对所述特殊征象信息和所述常规征象信息进行标记，得到标记后医学图像。以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机产品的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机产品执行上述实施例中各种可选实现方式中提供的方法。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过计算机程序来完成，或通过计算机程序控制相关的硬件来完成，该计算机程序可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例还提供一种存储介质，其中存储有计算机程序，该计算机程序能够被处理器进行加载，以执行本申请实施例所提供的任一种征象识别方法中的步骤。例如，该计算机程序可以执行如下步骤：
获取医学图像；
对所述医学图像进行征象识别，得到所述医学图像中的至少一个征象信息；
对所述至少一个征象信息进行分类，得到特殊征象信息和常规征象信息；
在所述医学图像上对所述特殊征象信息和所述常规征象信息进行标记，得到标记后医学图像。以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
由于该存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种征象识别方法中的步骤，因此，可以实现本申请实施例所提供的任一种征象识别方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种征象识别方法、装置、电子设备和存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (12)

1.一种征象识别方法，其特征在于，包括：
获取医学图像；
对所述医学图像进行征象识别，得到所述医学图像中的至少一个征象信息；
将所述征象信息和预设诊断指南征象信息进行匹配；
当所述征象信息和所述预设诊断指南征象信息相匹配时，将所述征象信息划分为常规征象信息，其中，所述常规征象信息包括诊断指南上有记载的征象的信息；
当所述征象信息和所述预设诊断指南征象信息不相匹配时，将所述征象信息和预设专家经验征象信息进行匹配；
当所述征象信息和所述预设专家经验征象信息相匹配时，将所述征象信息划分为特殊征象信息，其中，所述特殊征象信息包括描述特殊征象的信息；
在所述医学图像上对所述特殊征象信息和所述常规征象信息进行标记，得到标记后医学图像。
2.根据权利要求1所述的方法，其特征在于，所述对所述医学图像进行征象识别，得到所述医学图像中的至少一个征象信息，包括：
对所述医学图像进行征象检测，得到征象检测结果；
将所述征象检测结果和预设征象识别条件进行匹配；
当所述征象检测结果和所述预设征象识别条件相匹配时，基于预设专家经验征象信息对所述医学图像进行征象识别，得到所述医学图像的征象信息。
3.根据权利要求2所述的方法，其特征在于，所述当所述征象检测结果和所述预设征象识别条件相匹配时，基于预设专家经验征象信息对所述医学图像进行征象识别，得到所述医学图像的征象信息，包括：
当所述征象检测结果和所述预设征象识别条件相匹配时，对所述医学图像进行特征提取，得到所述医学图像的特征信息；
基于所述特征信息，检测出所述医学图像中的病灶区域；
提取出所述病灶区域的目标特征信息；
基于所述预设专家经验征象信息对所述目标特征信息进行特征征象概率预测，得到所述征象信息。
4.根据权利要求1所述的方法，其特征在于，所述在所述医学图像上对所述特殊征象信息和所述常规征象信息进行标记，得到标记后医学图像，包括：
对所述常规征象信息进行识别，得到所述常规征象信息的标记信息；
对所述特殊征象信息进行识别，得到所述特殊征象信息的标记信息；
根据预设标记方式，将所述常规征象信息的标记信息和所述特殊征象信息的标记信息添加到所述医学图像上，得到所述标记后医学图像。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述特殊征象信息和所述常规征象信息进行等级划分，得到特殊征象信息的重要度等级和所述常规征象信息的重要度等级；
接收针对所述医学图像的图像显示触发指令；
基于所述图像显示触发指令，将所述特殊征象信息的重要度等级以及所述常规征象信息的重要度等级和所述医学图像进行显示关联处理，得到具有所述特殊征象信息和所述重要度等级的目标医学图像；
显示所述目标医学图像。
6.根据权利要求1所述的方法，其特征在于，所述对所述医学图像进行征象识别，得到所述医学图像中的至少一个征象信息，包括：
利用预设征象识别模型，对所述医学图像进行征象识别，得到所述医学图像中的至少一个征象信息；
所述在所述医学图像上对所述特殊征象信息和所述常规征象信息进行标记，得到标记后医学图像，包括：
利用预设标记模型，在所述医学图像上对所述特殊征象信息和所述常规征象信息进行标记，得到标记后医学图像。
7.根据权利要求6所述的方法，其特征在于，所述利用预设征象识别模型，对所述医学图像进行征象识别，得到所述医学图像中的至少一个征象信息之前，包括：
获取待训练征象识别模型；
采集医学图像训练样本，所述医学图像训练样本具有常规征象标签信息和/或特殊征象标签信息；
利用所述具有常规征象标签信息和/或特殊征象标签信息的医学图像训练样本对所述待训练征象识别模型进行训练，得到所述预设征象识别模型。
8.根据权利要求6所述的方法，其特征在于，所述利用预设标记模型，在所述医学图像上对所述特殊征象信息和所述常规征象信息进行标记，得到标记后医学图像之前，包括：
获取待训练标记模型；
采集医学图像标记训练样本，所述医学图像标记训练样本具有常规征象标签信息及其标记信息和/或特殊征象标签信息及其标记信息；
利用所述具有常规征象标签信息及其标记信息和/或特殊征象标签信息及其标记信息的医学图像标记训练样本对所述待训练标记模型进行训练，得到所述预设标记模型。
9.根据权利要求5所述的方法，其特征在于，所述对所述特殊征象信息和所述常规征象信息进行等级划分，得到特殊征象信息的重要度等级和所述常规征象信息的重要度等级，包括：
利用预设等级划分模型对所述特殊征象信息和所述常规征象信息进行等级划分，得到特殊征象信息的重要度等级和所述常规征象信息的重要度等级；
所述利用预设等级划分模型对所述特殊征象信息和所述常规征象信息进行等级划分之前，包括：
获取待训练等级划分模型；
采集征象信息训练样本，所述征象信息训练样本具有第一类重要度等级标签和/或第二类重要度等级标签；
利用所述具有第一类重要度等级标签和/或第二类重要度等级标签的征象信息训练样本对所述待训练等级划分模型进行训练，得到所述预设等级划分模型。
10.一种征象识别装置，其特征在于，包括：
图像获取单元，用于获取医学图像；
征象识别单元，用于对所述医学图像进行征象识别，得到所述医学图像中的至少一个征象信息；
第一匹配单元，用于将所述征象信息和预设诊断指南征象信息进行匹配；
第一划分单元，用于当所述征象信息和所述预设诊断指南征象信息相匹配时，将所述征象信息划分为常规征象信息；
第二匹配单元，用于当所述征象信息和所述预设诊断指南征象信息不相匹配时，将所述征象信息和预设专家经验征象信息进行匹配；
第二划分单元，用于当所述征象信息和所述预设专家经验征象信息相匹配时，将所述征象信息划分为特殊征象信息；
标记模型，用于在所述医学图像上对所述特殊征象信息和所述常规征象信息进行标记，得到标记后医学图像。
11.一种电子设备，其特征在于，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行权利要求1至9任一项所述的征象识别方法中的步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条计算机程序，所述计算机程序适于处理器进行加载，以执行权利要求1至9任一项所述的征象识别方法中的步骤。
CN202210161902.8A 2022-02-22 2022-02-22 一种征象识别方法、装置、电子设备和存储介质 Active CN115187805B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210161902.8A CN115187805B (zh) 2022-02-22 2022-02-22 一种征象识别方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210161902.8A CN115187805B (zh) 2022-02-22 2022-02-22 一种征象识别方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN115187805A CN115187805A (zh) 2022-10-14
CN115187805B true CN115187805B (zh) 2023-05-05

Family

ID=83512498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210161902.8A Active CN115187805B (zh) 2022-02-22 2022-02-22 一种征象识别方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN115187805B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667459A (zh) * 2020-04-30 2020-09-15 杭州深睿博联科技有限公司 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质
CN113902642A (zh) * 2021-10-13 2022-01-07 数坤(北京)网络科技股份有限公司 一种医学图像处理方法、装置、电子设备和存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10430946B1 (en) * 2019-03-14 2019-10-01 Inception Institute of Artificial Intelligence, Ltd. Medical image segmentation and severity grading using neural network architectures with semi-supervised learning techniques
US11334994B2 (en) * 2019-05-24 2022-05-17 Lunit Inc. Method for discriminating suspicious lesion in medical image, method for interpreting medical image, and computing device implementing the methods
CN111445456B (zh) * 2020-03-26 2023-06-27 推想医疗科技股份有限公司 分类模型、网络模型的训练方法及装置、识别方法及装置
CN111445457B (zh) * 2020-03-26 2021-06-22 推想医疗科技股份有限公司 网络模型的训练方法及装置、识别方法及装置、电子设备
CN111767952B (zh) * 2020-06-30 2024-03-29 重庆大学 一种可解释的肺结节良恶性分类方法
CN113903433B (zh) * 2021-10-14 2022-11-15 数坤(北京)网络科技股份有限公司 一种图像处理方法、装置和电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667459A (zh) * 2020-04-30 2020-09-15 杭州深睿博联科技有限公司 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质
CN113902642A (zh) * 2021-10-13 2022-01-07 数坤(北京)网络科技股份有限公司 一种医学图像处理方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN115187805A (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
US10929420B2 (en) Structured report data from a medical text report
CN110993064B (zh) 面向深度学习的医学影像标注方法及装置
US10529045B2 (en) Information processing apparatus and information processing method
US10910100B2 (en) System and method for generating descriptions of abnormalities in medical images
US8577109B2 (en) Systems and methods for automated extraction of measurement information in medical videos
EP4006831A1 (en) Image processing method and apparatus, server, medical image processing device and storage medium
CN112712879B (zh) 医学影像报告的信息提取方法、装置、设备及存储介质
JP2015524107A (ja) 患者情報を臨床基準にマッチングするシステム及び方法
CN111325289A (zh) 一种行为识别方法、装置、设备及介质
JP2014029644A (ja) 類似症例検索装置および類似症例検索方法
US20180032676A1 (en) Method and system for context-sensitive assessment of clinical findings
CN112926537B (zh) 图像处理方法、装置、电子设备以及存储介质
Seifert et al. Combined semantic and similarity search in medical image databases
CN112926677A (zh) 医学图像数据的信息标注方法、装置及系统
CN113656706A (zh) 基于多模态深度学习模型的信息推送方法及装置
EP3467770B1 (en) Method for analysing a medical imaging data set, system for analysing a medical imaging data set, computer program product and a computer-readable medium
CN113485555A (zh) 医学影像阅片方法、电子设备和存储介质
CN113610824A (zh) 穿刺路径规划方法及装置，电子设备及存储介质
CN115187805B (zh) 一种征象识别方法、装置、电子设备和存储介质
CN113903433B (zh) 一种图像处理方法、装置和电子设备
CN115661037A (zh) 一种胶囊内镜辅助检测方法、装置、系统、设备及介质
CN113901764A (zh) 一种内容排版方法、装置、电子设备和存储介质
CN113222989A (zh) 一种图像分级方法、装置、存储介质及电子设备
CN116246756B (zh) 模型更新方法、装置、电子设备及介质
Li et al. Automatic detection of pituitary microadenoma from magnetic resonance imaging using deep learning algorithms

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
TR01 Transfer of patent right

Effective date of registration: 20230612

Address after: 200,030 Room 307, Area A, Floor 2, No.420 Fenglin Road, Xuhui District, Shanghai

Patentee after: Shukun (Shanghai) Medical Technology Co.,Ltd.

Address before: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing

Patentee before: Shukun (Beijing) Network Technology Co.,Ltd.

TR01 Transfer of patent right