CN115222706A - 超声图像标记方法及其应用于颈动脉超声图像辅助识别 - Google Patents
超声图像标记方法及其应用于颈动脉超声图像辅助识别 Download PDFInfo
- Publication number
- CN115222706A CN115222706A CN202210870014.3A CN202210870014A CN115222706A CN 115222706 A CN115222706 A CN 115222706A CN 202210870014 A CN202210870014 A CN 202210870014A CN 115222706 A CN115222706 A CN 115222706A
- Authority
- CN
- China
- Prior art keywords
- image data
- ultrasonic image
- marking
- neural network
- ultrasonic
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了超声图像标记方法及其应用于颈动脉超声图像辅助识别,超声图像标记方法包括:S01、构建数据库,在数据库中存储原始超声图像数据集和脱敏超声图像数据集;S02、获取脱敏超声图像数据集中的超声图像数据,将其导入至神经网络中进行训练,获得用于对超声图像数据进行标记处理的定位神经网络;S03、获取待处理的超声图像数据,将导入至定位神经网络中,由定位神经网络输出带有标记结果的超声图像数据;S04、将经由定位神经网络输出的数据存储于数据库的原始超声图像数据集中,当该超声图像数据及结果符合预设要求时,对其进行脱敏处理,且将脱敏处理后的超声数据纳入脱敏超声图像数据集中;本方案实施灵活性强、结果参考性佳、效率高。
Description
技术领域
本发明涉及医疗影像数据处理技术领域,尤其涉及超声图像标记方法及其应用于颈动脉超声图像辅助识别。
背景技术
在各种无创检查中,颈动脉超声因其具有无创、价格低廉、可重复性高等优势,是最早,也是应用最广泛的影像学查检查手段。目前,超声筛查脑卒中高危人群、通过精准评估为患者选择合适和理想化治疗措施,成了精准医疗的前提,而治疗后的患者管理,同样离不开超声复查,而且超声复查是不可或缺的一部分。因此颈动脉超声检查从术前、术中到术后,筛查的精准性在于定位、定性及定量的综合评估。
在实际工作中,颈动脉超声存在一些技术上的难点,一方面是颈动脉斑块特别是易损斑块内部组成成分复杂,其病理特征如下:大的脂质核心(占斑块体积40%以上);薄的纤维帽(厚度小于65μm);基质金属蛋白酶、巨噬细胞、泡沫细胞较多,而胶原纤维及平滑肌细胞少,病理性新生血管形成甚至有斑块内出血;导致颈动脉超声斑块成像多样性和诊断医生判断难以趋于一致性;另一方面图像质量受空间分辨率、组织对比分辨率、图像质量(噪声、伪影、阴影、混响等干扰以及颈动脉分叉超声图像质量通常较低)以及操作者技术熟练程度影响,在这样情形下,对斑块内部组织特性评价产生一定的局限性。虽然有众多研究利用超声新技术如三维超声、超声造影、超低速血流成像、速度向量成像技术等评价颈动脉超声斑块特征,特别是利用超声造影评价颈动脉斑块是否有新生血管生成,取得了一些进展,但鉴于这些成像技术也是基于二维图像质量,并且在技术应用和推广普及方面受限,因此,利用计算机辅助手段,基于二维超声斑块图像数据和超声诊断报告数据,开发自动地(独立于诊断医生之外)、可靠地、快速地甄别颈动脉超声斑块内部特征的图像识别系统和辅助诊断系统,提高临床诊断效率和准确率,无论对卒中筛查、高危人群预测和治疗都具有重要应用价值。
大数据是人工智能学习的基础素材,素材的质量决定了学习的成果,给机器学习更好的数据,机器就能给出更准确的判断。超声图像的获取依赖于设备、操作者、病人和成像设置,因而导致不同图像显示的组织特征有差异,质量不容乐观。因此,在选择训练数据时需要依据高质量的超声影像信息与对应的诊断结果。人工智能方案提供方需与医院合作完成高质量数据集的收集及标定,数据集的质量及多样性能够保证最终智能模型的鲁棒性和稳定性。
因此,建立颈动脉超声图像标准数据集结合神经网络进行针对性训练,通过训练后的神经网络机制来辅助超声图像数据处理,对于人工智能学习、临床应用及脑卒中筛查和预防均具有十分重要的意义。
发明内容
有鉴于此,本发明的目的在于提出一种灵活性强、结果参考性佳、效率高和响应快的超声图像标记方法及其应用于颈动脉超声图像辅助识别。
为了实现上述的技术目的,本发明所采用的技术方案为:
一种超声图像标记方法,其包括:
S01、构建数据库,在数据库中存储超声图像数据集,所述超声图像数据集包括原始超声图像数据集和脱敏超声图像数据集;
S02、获取脱敏超声图像数据集中的超声图像数据,按预设条件对其进行处理和导入至神经网络中进行训练,获得用于对超声图像数据进行标记处理的定位神经网络;
S03、获取待处理的超声图像数据,将其预处理后,导入至定位神经网络中,由定位神经网络输出带有标记结果的超声图像数据;
S04、将经由定位神经网络处理的超声图像数据及其对应的标记结果存储于数据库中,且将其纳入原始超声图像数据集中,当该超声图像数据及其对应的标记结果符合预设要求时,对其进行脱敏处理,且将脱敏处理后的超声数据纳入脱敏超声图像数据集中。
作为一种可能的实施方式,进一步,本方案定位神经网络的训练方法为:
S021、获取脱敏超声图像数据集中的超声图像数据,对其进行预处理和数据标记,然后分别选取预设量的超声图像数据作为训练数据和测试数据;
S022、将训练数据导入到神经网络中训练,获得经训练的神经网络,然后将测试数据导入到经训练的神经网络中,获得测试结果,当测试结果不符合预设条件时,将训练数据导入到该经训练的神经网络中再次训练,直至达到网络模型收敛条件后,获得定位神经网络。
作为一种较优的选择实施方式,优选的,本方案所述脱敏超声图像数据集中的超声图像数据为去除对应患者信息的超声图像数据。
作为一种较优的选择实施方式,优选的,本方案所述脱敏超声图像数据集中的超声图像数据格式为JPG格式和/或DICOM格式。
作为一种较优的选择实施方式,优选的,本方案所述脱敏超声图像数据集中的超声图像数据为纵切面和/或横切面超声图像数据,其切面深度为2.5~4.0cm。
作为一种较优的选择实施方式,优选的,本方案S021获取脱敏超声图像数据集中的超声图像数据,对其进行预处理和数据标记,然后分别选取预设量的超声图像数据作为训练数据和测试数据包括:
S0211、获取脱敏超声图像数据集中的超声图像数据,在预设调整项目的参数范围内对超声图像数据进行调整,获得一张以上经调整处理的超声图像数据;
S0212、按预设条件对经调整处理的超声图像数据进行评估,然后选定其中一张超声图像数据定义为预处理超声图像数据并输出;
S0213、获取预处理超声图像数据且通过人工标记法对其进行标记,然后将标记结果与预处理超声图像数据进行关联,然后将关联有标记结果的预处理超声图像数据定义为模型训练素材;
S0214、在模型训练素材中选取预设量的超声图像数据作为训练数据和测试数据,其中,训练数据和测试数据中的模型训练素材不同。
作为一种较优的选择实施方式,优选的,本方案获取预处理超声图像数据且通过人工标记法对其进行标记前,还判断该预处理超声图像数据对应的超声图像数据是否关联有标记结果,若具有标记结果,则直接将标记结果关联至预处理超声图像数据中,完成标记且定义为模型训练素材。
作为一种较优的选择实施方式,优选的,本方案所述标记结果包括:第一对象和包含在第一对象内的第二对象和/或第三对象;
其中,第一对象、第二对象和第三对象的标记方式均为在超声图像数据中标记轮廓,且第二对象、第三对象对应的标记轮廓均位于第一对象的标记轮廓内;
另外,所述第一对象、第二对象和第三对象的标记轮廓对应线性均不同。
基于上述,本发明还提供上述超声图像标记方法在颈动脉超声图像辅助识别中的应用,其用于对颈动脉超声图像中的颈动脉斑块进行定位和标记,所述超声图像数据集中的超声图像数据均为颈动脉超声图像数据;其中,所述第一对象为颈动脉斑块的整体部分,所述第二对象、第三对象分别为颈动脉斑块中的钙化部分、脂质核部分。
作为一种较优的选择实施方式,优选的,本方案所述数据库的超声图像数据集还包括局部原始超声图像数据集和局部脱敏超声图像数据集,其均具有颈动脉斑块局部超声图像数据及与其关联的颈动脉斑块中钙化部分、颈动脉斑块中脂质核部分的局部超声图像数据;所述应用还包括:
S05、获取局部脱敏超声图像数据集中的颈动脉斑块局部超声图像数据及与其关联的颈动脉斑块中钙化部分、颈动脉斑块中脂质核部分的局部超声图像数据且分别进行人工标注,然后形成用于标识颈动脉斑块级别的训练素材;
S06、获取用于标识颈动脉斑块级别的训练素材,然后分别选取预设量的训练素材分别作为训练数据和测试数据;
S07、将训练数据导入到神经网络中训练,获得经训练的神经网络,然后将测试数据导入到经训练的神经网络中,获得测试结果,当测试结果不符合预设条件时,将训练数据导入到该经训练的神经网络中再次训练,直至达到网络模型收敛条件后,获得检测神经网络;
S08、获取经由定位神经网络处理的超声图像数据及其对应的标记结果,然后根据标记结果分别提取第一对象、第二对象和/或第三对象所对应的局部超声图像数据,其中第一对象所对应的局部超声图像数据中不示出第二对象、第三对象对应的标记轮廓;
S09、将第一对象、第二对象和/或第三对象对应的部超声图像数据关联且一同导入到检测神经网络中,由检测神经网络输出颈动脉斑块分级标签,该分级标签包括正常、稳定斑块、不稳定斑块中的一项;
S010、将经由检测神经网络处理的超声图像数据及其对应的分级标签和经定位神经网络处理的超声图像数据进行关联且一并存储于数据库中,且将其纳入局部原始超声图像数据集中,当该超声图像数据及其对应的分级标签符合预设要求时,对其进行脱敏处理,且将脱敏处理后的超声数据纳入局部脱敏超声图像数据集中。
基于上述,本发明还提供一种颈动脉超声图像辅助识别系统,其包括:
数据存储单元,其用于构建数据库,该数据库中存储超声图像数据集,所述超声图像数据集包括原始超声图像数据集、脱敏超声图像数据集、局部原始超声图像数据集和局部脱敏超声图像数据集;
数据处理单元,用于获取脱敏超声图像数据集中的超声图像数据,按预设条件对其进行处理和导入至神经网络中进行训练,获得用于对超声图像数据进行标记处理的定位神经网络;其还用于获取局部脱敏超声图像数据集中的颈动脉斑块局部超声图像数据及与其关联的颈动脉斑块中钙化部分、颈动脉斑块中脂质核部分的局部超声图像数据且按预设条件对其进行处理和导入至神经网络中进行训练,获得用于对颈动脉斑块进行分级识别的检测神经网络;
定位神经单元,用于对待处理的超声图像数据进行颈动脉斑块和颈动脉斑块中钙化部分、脂质核部分进行定位标记;
数据分割单元,用于获取经由定位神经网络处理的超声图像数据及其对应的标记结果,然后根据标记结果分别提取第一对象、第二对象和/或第三对象所对应的局部超声图像数据且将其关联后,再导入到检测神经单元中,其中,第一对象所对应的局部超声图像数据中不示出第二对象、第三对象对应的标记轮廓;
检测神经单元,用于对定位神经单元处理后的超声图像数据进行二次处理,输出颈动脉斑块对应的分级标签,该分级标签包括正常、稳定斑块、不稳定斑块中的一项;
数据调度单元,用于获取待处理的超声图像数据且将其导入到定位神经网络中,还用于获取由定位神经网络处理的超声图像数据及其对应的标记结果且将其导入到数据分割单元中;
数据后处理单元,用于将经由定位神经网络处理的超声图像数据及其对应的标记结果存储于数据库中,且将其纳入原始超声图像数据集中,当该超声图像数据及其对应的标记结果符合预设要求时,对其进行脱敏处理,且将脱敏处理后的超声数据纳入脱敏超声图像数据集中;还用于将经由检测神经网络处理的超声图像数据及其对应的分级标签和经定位神经网络处理的超声图像数据进行关联且一并存储于数据库中,且将其纳入局部原始超声图像数据集中,当该超声图像数据及其对应的分级标签符合预设要求时,对其进行脱敏处理,且将脱敏处理后的超声数据纳入局部脱敏超声图像数据集中。
基于上述,本发明还提供一种计算机可读的存储介质,所述的存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述的至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行实现上述所述的超声图像标记方法。
采用上述的技术方案,本发明与现有技术相比,其具有的有益效果为:本发明方案巧妙性引入了经过对应训练的神经网络来对待处理超声图像数据进行识别处理,在一定程度上为医护人员提供了数据参考和辅助,而本方案中,定位神经网络能够提高待处理超声图像数据中颈动脉斑块及其内部的钙化部分、脂质核部分的定位标记效率,同时其在输出后,可以由医护人员在需要使用时,进行调取判断和参考,该方案能够简化了医护人员进行再次定位颈动脉斑块的流程,而医护人员进行参考时,若是发现该数据不具备参考性,则可以自行进行人工处理,起到了双重保险作用,而经过训练收敛的神经网络往往具备较高的准确率,因此,需要人工介入的可能性很低,故本方案起到了积极的促进作用,同时,为了进一步辅助医护人员,本方案还通过检测神经网络,基于局部超声图像的训练后,检测神经网络能够用于对颈动脉斑块的分级标记,提高了数据处理的效率和提供了便利性的参考;除此之外,本发明方案还引入了数据反哺机制,通过在方案实施后,将具有训练素材价值的超声图像数据进行脱敏,然后存储至脱敏超声图像数据集和/或脱敏局部超声图像数据集中,以供定位神经网络、检测神经网络的定期训练;为模型的准确性提供了积极有效的素材保证和迭代更新基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,对于本领域普通技术人员来讲,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是本发明方案超声图像标记方法的简要实施流程示意图;
图2是本发明方案超声图像标记方法中S02的具体子步骤实施流程示意图;
图3是本发明方案超声图像标记方法中S021的具体子步骤实施流程示意图;
图4是本发明方案中神经网络训练的简要原理示意图;
图5是本发明方案超声图像标记方法在颈动脉超声图像辅助识别中的实时流程示意图;
图6是本发明方法在颈动脉超声图像辅助识别中的实例示意图之一;
图7是本发明方法在颈动脉超声图像辅助识别中的实例示意图之二;
图8是本发明方案系统的单元连接简要示意图。
具体实施方式
下面结合附图和实施例,对本发明作进一步的详细描述。特别指出的是,以下实施例仅用于说明本发明,但不对本发明的范围进行限定。同样的,以下实施例仅为本发明的部分实施例而非全部实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,本实施例方案提供一种超声图像标记方法,其包括:
S01、构建数据库,在数据库中存储超声图像数据集,所述超声图像数据集包括原始超声图像数据集和脱敏超声图像数据集;
S02、获取脱敏超声图像数据集中的超声图像数据,按预设条件对其进行处理和导入至神经网络中进行训练,获得用于对超声图像数据进行标记处理的定位神经网络;
S03、获取待处理的超声图像数据,将其预处理后,导入至定位神经网络中,由定位神经网络输出带有标记结果的超声图像数据;
S04、将经由定位神经网络处理的超声图像数据及其对应的标记结果存储于数据库中,且将其纳入原始超声图像数据集中,当该超声图像数据及其对应的标记结果符合预设要求时,对其进行脱敏处理,且将脱敏处理后的超声数据纳入脱敏超声图像数据集中。
其中,结合图2所示,本实施例方案定位神经网络的训练方法为:
S021、获取脱敏超声图像数据集中的超声图像数据,对其进行预处理和数据标记,然后分别选取预设量的超声图像数据作为训练数据和测试数据;
S022、将训练数据导入到神经网络中训练,获得经训练的神经网络,然后将测试数据导入到经训练的神经网络中,获得测试结果,当测试结果不符合预设条件时,将训练数据导入到该经训练的神经网络中再次训练,直至达到网络模型收敛条件后,获得定位神经网络。
另外,为了提高训练素材的保密性,避免其掺入具有个人隐私或者其他不宜公开且对神经网络模型训练无意义的内容,作为一种较优的选择实施方式,优选的,本方案所述脱敏超声图像数据集中的超声图像数据为去除对应患者信息的超声图像数据。
为了保证训练素材的格式具有稳定和较为统一的格式,作为一种较优的选择实施方式,优选的,本方案所述脱敏超声图像数据集中的超声图像数据格式为JPG格式和/或DICOM格式。
在超声图像数据的获取中,为了能够提高获取的可靠性和精度,作为一种较优的选择实施方式,优选的,本方案所述脱敏超声图像数据集中的超声图像数据为纵切面和/或横切面超声图像数据,其切面深度为2.5~4.0cm。
由于神经网络的训练比较依赖其素材的可靠性,当训练素材中的特征较为明显突出时,其训练效果会更优,也更为高效,作为一种较优的选择实施方式,优选的,结合图3所示,本方案S021获取脱敏超声图像数据集中的超声图像数据,对其进行预处理和数据标记,然后分别选取预设量的超声图像数据作为训练数据和测试数据包括:
S0211、获取脱敏超声图像数据集中的超声图像数据,在预设调整项目的参数范围内对超声图像数据进行调整,获得一张以上经调整处理的超声图像数据;
S0212、按预设条件对经调整处理的超声图像数据进行评估,然后选定其中一张超声图像数据定义为预处理超声图像数据并输出;
S0213、获取预处理超声图像数据且通过人工标记法对其进行标记,然后将标记结果与预处理超声图像数据进行关联,然后将关联有标记结果的预处理超声图像数据定义为模型训练素材;
S0214、在模型训练素材中选取预设量的超声图像数据作为训练数据和测试数据,其中,训练数据和测试数据中的模型训练素材不同。
在S0211中,调整项目为对比度、亮度中的一项以上,且其每次调整的偏幅比例相较于上次偏幅不大于5%,且相对于原始图像,调整偏幅累积上限为20%;每次调整后,相应生成一张处理后的图片;为了提高效率,还可以引入现有用于识别图像清晰度的API接口来充分利用现有技术进行辅助处理,而S0212中进行评估的超声图像数据不多于5张,由于S0213包括了通过人工进行标注,因此,在需要人工标注时,通过人工选取一张最为清晰的超声图像数据作为标记对象,其余及时删除,以释放存储和算力。
在神经网络训练的原理方面,可以参考图4所示,在素材数量上,可以为如下:正常颈动脉超声图像10000例(其中纵切面5000例,横切面5000例),颈动脉斑块图像20000例,稳定斑块10000例(纵切5000例,横切面5000例),不稳定斑块10000例(纵切面5000例,横切面5000例)。
由于本方案引入了数据反哺机制,具体的,本实施例方案S04中将经由定位神经网络处理的超声图像数据及其对应的标记结果存储于数据库中,且将其纳入原始超声图像数据集中,为了提高数据的利用价值和提高神经网络训练的素材库体谅,当该超声图像数据及其对应的标记结果符合预设要求时,对其进行脱敏处理,且将脱敏处理后的超声数据纳入脱敏超声图像数据集中,以此来一边使用,一边通过将符合要求的结果作为训练素材,具体的,为了提高素材的可靠性,经由定位神经网络处理的超声图像数据及其对应的标记结果在经过人工二次判断后,对其进行标记可作为训练素材,然后对其进行脱敏处理,且将脱敏处理后的超声数据纳入脱敏超声图像数据集中。
而本方案获取预处理超声图像数据且通过人工标记法对其进行标记前,还判断该预处理超声图像数据对应的超声图像数据是否关联有标记结果,若具有标记结果,则直接将标记结果关联至预处理超声图像数据中,完成标记且定义为模型训练素材。
由于超声图像的检测对象不同,其可能存在较多的待定位对象,为了提高超声图像标记方法的灵活性和适应性,作为一种较优的选择实施方式,优选的,本方案所述标记结果包括:第一对象和包含在第一对象内的第二对象和/或第三对象。
其中,本实施例方案中所提及的第一对象、第二对象和第三对象的标记方式均为在超声图像数据中标记轮廓。
另外,对于颈动脉斑块的辅助识别而言,颈动脉斑块和其中的钙化部分、脂质核部分是评价颈动脉斑块的重要因素,在此情况下,本实施例方案中所提及的第二对象、第三对象对应的标记轮廓均位于第一对象的标记轮廓内;除此之外,所述第一对象、第二对象和第三对象的标记轮廓对应线性均不同。
基于上述,本实施例方案还提供上述超声图像标记方法在颈动脉超声图像辅助识别中的应用,其用于对颈动脉超声图像中的颈动脉斑块进行定位和标记,所述超声图像数据集中的超声图像数据均为颈动脉超声图像数据;其中,所述第一对象为颈动脉斑块的整体部分,所述第二对象、第三对象分别为颈动脉斑块中的钙化部分、脂质核部分。
由于前述的定位神经网络主要在于对颈动脉斑块及其内部的钙化部分、脂质核部分进行位置定位,轮廓标记,这还不足以对颈动脉斑块进行较为全面精细地评价,作为一种较优的选择实施方式,优选的,本方案所述数据库的超声图像数据集还包括局部原始超声图像数据集和局部脱敏超声图像数据集,其均具有颈动脉斑块局部超声图像数据及与其关联的颈动脉斑块中钙化部分、颈动脉斑块中脂质核部分的局部超声图像数据;在图1至图4所示的基础上,进一步结合图5所示,所述应用还包括:
S05、获取局部脱敏超声图像数据集中的颈动脉斑块局部超声图像数据及与其关联的颈动脉斑块中钙化部分、颈动脉斑块中脂质核部分的局部超声图像数据且分别进行人工标注,然后形成用于标识颈动脉斑块级别的训练素材;
S06、获取用于标识颈动脉斑块级别的训练素材,然后分别选取预设量的训练素材分别作为训练数据和测试数据;
S07、将训练数据导入到神经网络中训练,获得经训练的神经网络,然后将测试数据导入到经训练的神经网络中,获得测试结果,当测试结果不符合预设条件时,将训练数据导入到该经训练的神经网络中再次训练,直至达到网络模型收敛条件后,获得检测神经网络;
S08、获取经由定位神经网络处理的超声图像数据及其对应的标记结果,然后根据标记结果分别提取第一对象、第二对象和/或第三对象所对应的局部超声图像数据,其中第一对象所对应的局部超声图像数据中不示出第二对象、第三对象对应的标记轮廓;
S09、将第一对象、第二对象和/或第三对象对应的部超声图像数据关联且一同导入到检测神经网络中,由检测神经网络输出颈动脉斑块分级标签,该分级标签包括正常、稳定斑块、不稳定斑块中的一项;
S010、将经由检测神经网络处理的超声图像数据及其对应的分级标签和经定位神经网络处理的超声图像数据进行关联且一并存储于数据库中,且将其纳入局部原始超声图像数据集中,当该超声图像数据及其对应的分级标签符合预设要求时,对其进行脱敏处理,且将脱敏处理后的超声数据纳入局部脱敏超声图像数据集中。
结合图6或图7所示,通过上述的超声图像标记方法在颈动脉超声图像辅助识别中的应用,可以对颈动脉超声图像数据内的颈动脉斑块及其内部的钙化部分、脂质核部分进行轮廓定位,然后通过分别提取该局部图,导入到检测神经网络中进行检测判断,输出可供医护人员进行参考的判断结果或标签,而为了提高检测神经网络的识别可靠性,S08中,分别提取第一对象、第二对象和/或第三对象所对应的局部超声图像数据时,还将提取的局部轮廓范围扩大1.1~1.2倍,即第一对象、第二对象、第三对象标识的轮廓基础上,进一步增加显示范围,以校正神经网络进行识别时的误差,同时尽可能地避免因为边缘轮廓模糊而导致的定位偏差等等。
对于颈动脉斑块的分级标签处理,可以参考目前医疗行业中的分级标准,即根据颈动脉斑块超声特征如:斑块为低回声或不均质回声斑,斑块破裂或溃疡型斑块(斑块表面纤维帽不连续,出血随心律而搏动的特征或形成“火山口”征)、大的脂质核心或斑块内出血(呈低回声或低至无回声或无回声,面积大于斑块整体面积40%),不均质回声斑块内有钙化。
为了提高辨识度,第一对象、第二对象、第三对象亦可通过不同的颜色进行适应性透明度地覆盖来标识,后续进行检测时,通过逆向处理来去除颜色覆盖,即,颜色覆盖方便医护人员进行数据分析和直观查看。
除此之外,本方案由于在实施过程中,其还会不断地采集获得数据,而这些宝贵的数据均是具有作为训练素材前景的,为了能够对其进行充分利用,结合数据库中的脱敏超声图像数据集和局部脱敏超声图像数据集,本方案还包括,对定位神经网络、检测神经网络的识别准确率进行统计,同时,对归集到脱敏超声图像数据集和局部脱敏超声图像数据集中的脱敏超声数据进行日期标记,然后在预设周期内,调取日期预设要求(例如最近半年或1年或1季度)的脱敏超声图像数据集和局部脱敏超声图像数据集分别倒入到定位神经网络,检测神经网络中进行训练,直至模型收敛至准确率大于未再次训练时的定位神经网络、检测神经网络的准确率,同时,经定位神经网络、检测神经网络输出的数据,可以通过人工方式进行判断其是否具备成为训练素材,然后再存于数据库时,根据实际情况来适应性脱敏处理。
通过上述方案,可以实现对颈动脉待处理超声图像数据中的颈动脉斑块及其内部的钙化部分、脂质核部分进行轮廓定位,同时,通过定位结果的分割后,导入检测神经网络可以快速高效地进行颈动脉斑块分级标签的定义,使得检测人员或医护人员可以快速获知患者颈动脉斑块的稳定性情况或正常情况。
结合图8所示,基于上述,本发明还提供一种颈动脉超声图像辅助识别系统,其包括:
数据存储单元,其用于构建数据库,该数据库中存储超声图像数据集,所述超声图像数据集包括原始超声图像数据集、脱敏超声图像数据集、局部原始超声图像数据集和局部脱敏超声图像数据集;
数据处理单元,用于获取脱敏超声图像数据集中的超声图像数据,按预设条件对其进行处理和导入至神经网络中进行训练,获得用于对超声图像数据进行标记处理的定位神经网络;其还用于获取局部脱敏超声图像数据集中的颈动脉斑块局部超声图像数据及与其关联的颈动脉斑块中钙化部分、颈动脉斑块中脂质核部分的局部超声图像数据且按预设条件对其进行处理和导入至神经网络中进行训练,获得用于对颈动脉斑块进行分级识别的检测神经网络;
定位神经单元,用于对待处理的超声图像数据进行颈动脉斑块和颈动脉斑块中钙化部分、脂质核部分进行定位标记;
数据分割单元,用于获取经由定位神经网络处理的超声图像数据及其对应的标记结果,然后根据标记结果分别提取第一对象、第二对象和/或第三对象所对应的局部超声图像数据且将其关联后,再导入到检测神经单元中,其中,第一对象所对应的局部超声图像数据中不示出第二对象、第三对象对应的标记轮廓;
检测神经单元,用于对定位神经单元处理后的超声图像数据进行二次处理,输出颈动脉斑块对应的分级标签,该分级标签包括正常、稳定斑块、不稳定斑块中的一项;
数据调度单元,用于获取待处理的超声图像数据且将其导入到定位神经网络中,还用于获取由定位神经网络处理的超声图像数据及其对应的标记结果且将其导入到数据分割单元中;
数据后处理单元,用于将经由定位神经网络处理的超声图像数据及其对应的标记结果存储于数据库中,且将其纳入原始超声图像数据集中,当该超声图像数据及其对应的标记结果符合预设要求时,对其进行脱敏处理,且将脱敏处理后的超声数据纳入脱敏超声图像数据集中;还用于将经由检测神经网络处理的超声图像数据及其对应的分级标签和经定位神经网络处理的超声图像数据进行关联且一并存储于数据库中,且将其纳入局部原始超声图像数据集中,当该超声图像数据及其对应的分级标签符合预设要求时,对其进行脱敏处理,且将脱敏处理后的超声数据纳入局部脱敏超声图像数据集中。
另外,在本发明各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的部分实施例,并非因此限制本发明的保护范围,凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种超声图像标记方法,其特征在于,其包括:
构建数据库,在数据库中存储超声图像数据集,所述超声图像数据集包括原始超声图像数据集和脱敏超声图像数据集;
获取脱敏超声图像数据集中的超声图像数据,按预设条件对其进行处理和导入至神经网络中进行训练,获得用于对超声图像数据进行标记处理的定位神经网络;
获取待处理的超声图像数据,将其预处理后,导入至定位神经网络中,由定位神经网络输出带有标记结果的超声图像数据;
将经由定位神经网络处理的超声图像数据及其对应的标记结果存储于数据库中,且将其纳入原始超声图像数据集中,当该超声图像数据及其对应的标记结果符合预设要求时,对其进行脱敏处理,且将脱敏处理后的超声数据纳入脱敏超声图像数据集中。
2.如权利要求1所述的超声图像标记方法,其特征在于,定位神经网络的训练方法为:
获取脱敏超声图像数据集中的超声图像数据,对其进行预处理和数据标记,然后分别选取预设量的超声图像数据作为训练数据和测试数据;
将训练数据导入到神经网络中训练,获得经训练的神经网络,然后将测试数据导入到经训练的神经网络中,获得测试结果,当测试结果不符合预设条件时,将训练数据导入到该经训练的神经网络中再次训练,直至达到网络模型收敛条件后,获得定位神经网络。
3.如权利要求2所述的超声图像标记方法,其特征在于,所述脱敏超声图像数据集中的超声图像数据为去除对应患者信息的超声图像数据;
所述脱敏超声图像数据集中的超声图像数据格式为JPG格式和/或DICOM格式;
所述脱敏超声图像数据集中的超声图像数据为纵切面和/或横切面超声图像数据,其切面深度为2.5~4.0cm。
4.如权利要求2所述的超声图像标记方法,其特征在于,获取脱敏超声图像数据集中的超声图像数据,对其进行预处理和数据标记,然后分别选取预设量的超声图像数据作为训练数据和测试数据包括:
获取脱敏超声图像数据集中的超声图像数据,在预设调整项目的参数范围内对超声图像数据进行调整,获得一张以上经调整处理的超声图像数据;
按预设条件对经调整处理的超声图像数据进行评估,然后选定其中一张超声图像数据定义为预处理超声图像数据并输出;
获取预处理超声图像数据且通过人工标记法对其进行标记,然后将标记结果与预处理超声图像数据进行关联,然后将关联有标记结果的预处理超声图像数据定义为模型训练素材;
在模型训练素材中选取预设量的超声图像数据作为训练数据和测试数据,其中,训练数据和测试数据中的模型训练素材不同。
5.如权利要求4所述的超声图像标记方法,其特征在于,获取预处理超声图像数据且通过人工标记法对其进行标记前,还判断该预处理超声图像数据对应的超声图像数据是否关联有标记结果,若具有标记结果,则直接将标记结果关联至预处理超声图像数据中,完成标记且定义为模型训练素材。
6.如权利要求4或5所述的超声图像标记方法,其特征在于,所述标记结果包括:第一对象和包含在第一对象内的第二对象和/或第三对象;
其中,第一对象、第二对象和第三对象的标记方式均为在超声图像数据中标记轮廓,且第二对象、第三对象对应的标记轮廓均位于第一对象的标记轮廓内;
另外,所述第一对象、第二对象和第三对象的标记轮廓对应线性均不同。
7.根据权利要求6所述的超声图像标记方法在颈动脉超声图像辅助识别中的应用,其特征在于,其用于对颈动脉超声图像中的颈动脉斑块进行定位和标记,所述超声图像数据集中的超声图像数据均为颈动脉超声图像数据;
其中,所述第一对象为颈动脉斑块的整体部分,所述第二对象、第三对象分别为颈动脉斑块中的钙化部分、脂质核部分。
8.如权利要求7所述的超声图像标记方法在颈动脉超声图像辅助识别中的应用,其特征在于,所述数据库的超声图像数据集还包括局部原始超声图像数据集和局部脱敏超声图像数据集,其均具有颈动脉斑块局部超声图像数据及与其关联的颈动脉斑块中钙化部分、颈动脉斑块中脂质核部分的局部超声图像数据;
所述应用还包括:
获取局部脱敏超声图像数据集中的颈动脉斑块局部超声图像数据及与其关联的颈动脉斑块中钙化部分、颈动脉斑块中脂质核部分的局部超声图像数据且分别进行人工标注,然后形成用于标识颈动脉斑块级别的训练素材;
获取用于标识颈动脉斑块级别的训练素材,然后分别选取预设量的训练素材分别作为训练数据和测试数据;
将训练数据导入到神经网络中训练,获得经训练的神经网络,然后将测试数据导入到经训练的神经网络中,获得测试结果,当测试结果不符合预设条件时,将训练数据导入到该经训练的神经网络中再次训练,直至达到网络模型收敛条件后,获得检测神经网络;
获取经由定位神经网络处理的超声图像数据及其对应的标记结果,然后根据标记结果分别提取第一对象、第二对象和/或第三对象所对应的局部超声图像数据,其中第一对象所对应的局部超声图像数据中不示出第二对象、第三对象对应的标记轮廓;
将第一对象、第二对象和/或第三对象对应的部超声图像数据关联且一同导入到检测神经网络中,由检测神经网络输出颈动脉斑块分级标签,该分级标签包括正常、稳定斑块、不稳定斑块中的一项;
将经由检测神经网络处理的超声图像数据及其对应的分级标签和经定位神经网络处理的超声图像数据进行关联且一并存储于数据库中,且将其纳入局部原始超声图像数据集中,当该超声图像数据及其对应的分级标签符合预设要求时,对其进行脱敏处理,且将脱敏处理后的超声数据纳入局部脱敏超声图像数据集中。
9.一种颈动脉超声图像辅助识别系统,其特征在于,其包括:
数据存储单元,其用于构建数据库,该数据库中存储超声图像数据集,所述超声图像数据集包括原始超声图像数据集、脱敏超声图像数据集、局部原始超声图像数据集和局部脱敏超声图像数据集;
数据处理单元,用于获取脱敏超声图像数据集中的超声图像数据,按预设条件对其进行处理和导入至神经网络中进行训练,获得用于对超声图像数据进行标记处理的定位神经网络;其还用于获取局部脱敏超声图像数据集中的颈动脉斑块局部超声图像数据及与其关联的颈动脉斑块中钙化部分、颈动脉斑块中脂质核部分的局部超声图像数据且按预设条件对其进行处理和导入至神经网络中进行训练,获得用于对颈动脉斑块进行分级识别的检测神经网络;
定位神经单元,用于对待处理的超声图像数据进行颈动脉斑块和颈动脉斑块中钙化部分、脂质核部分进行定位标记;
数据分割单元,用于获取经由定位神经网络处理的超声图像数据及其对应的标记结果,然后根据标记结果分别提取第一对象、第二对象和/或第三对象所对应的局部超声图像数据且将其关联后,再导入到检测神经单元中,其中,第一对象所对应的局部超声图像数据中不示出第二对象、第三对象对应的标记轮廓;
检测神经单元,用于对定位神经单元处理后的超声图像数据进行二次处理,输出颈动脉斑块对应的分级标签,该分级标签包括正常、稳定斑块、不稳定斑块中的一项;
数据调度单元,用于获取待处理的超声图像数据且将其导入到定位神经网络中,还用于获取由定位神经网络处理的超声图像数据及其对应的标记结果且将其导入到数据分割单元中;
数据后处理单元,用于将经由定位神经网络处理的超声图像数据及其对应的标记结果存储于数据库中,且将其纳入原始超声图像数据集中,当该超声图像数据及其对应的标记结果符合预设要求时,对其进行脱敏处理,且将脱敏处理后的超声数据纳入脱敏超声图像数据集中;还用于将经由检测神经网络处理的超声图像数据及其对应的分级标签和经定位神经网络处理的超声图像数据进行关联且一并存储于数据库中,且将其纳入局部原始超声图像数据集中,当该超声图像数据及其对应的分级标签符合预设要求时,对其进行脱敏处理,且将脱敏处理后的超声数据纳入局部脱敏超声图像数据集中。
10.一种计算机可读的存储介质,其特征在于:所述的存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述的至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行实现如权利要求1至6之一所述的超声图像标记方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210870014.3A CN115222706A (zh) | 2022-07-22 | 2022-07-22 | 超声图像标记方法及其应用于颈动脉超声图像辅助识别 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210870014.3A CN115222706A (zh) | 2022-07-22 | 2022-07-22 | 超声图像标记方法及其应用于颈动脉超声图像辅助识别 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115222706A true CN115222706A (zh) | 2022-10-21 |
Family
ID=83613677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210870014.3A Pending CN115222706A (zh) | 2022-07-22 | 2022-07-22 | 超声图像标记方法及其应用于颈动脉超声图像辅助识别 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222706A (zh) |
-
2022
- 2022-07-22 CN CN202210870014.3A patent/CN115222706A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110326024B (zh) | 用于处理由医学成像装置捕获的组织学图像的方法和装置 | |
CN106102585B (zh) | 三维成像数据的显示处理方法和三维超声成像方法及系统 | |
CN112070119B (zh) | 超声切面图像质量控制方法、装置和计算机设备 | |
EP3806744B1 (en) | Immediate workup | |
CN112086197B (zh) | 基于超声医学的乳腺结节检测方法及系统 | |
US8634614B2 (en) | System and method for volumetric analysis of medical images | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN106803251B (zh) | 由ct影像确定主动脉缩窄处压力差的装置与方法 | |
CN113159040B (zh) | 医学图像分割模型的生成方法及装置、系统 | |
US20180189976A1 (en) | Analysis unit and system for assessment of hair condition | |
Gerig et al. | Medical imaging and computer vision: An integrated approach for diagnosis and planning | |
CN113576508A (zh) | 一种基于神经网络的脑出血辅助诊断系统 | |
CN110706336A (zh) | 一种基于医疗影像数据的三维重建方法及系统 | |
CN115222706A (zh) | 超声图像标记方法及其应用于颈动脉超声图像辅助识别 | |
CN116825266A (zh) | 一种基于医学影像大数据的诊断报告辅助生成系统 | |
CN114723879A (zh) | 一种基于多维跨模态影像融合技术的人脑锥体束全自动重建方法 | |
WO2023133929A1 (zh) | 一种基于超声的人体组织对称性检测分析方法 | |
EP4254426A2 (en) | Method and system for selecting a region of interest in an image | |
CN111862014A (zh) | 一种基于左右侧脑室分割的alvi自动测量方法及装置 | |
CN116012526B (zh) | 一种基于二维影像的三维ct影像病灶重建方法 | |
CN115205268A (zh) | 颈动脉超声影像辅助定位方法、系统及存储介质 | |
CN110264437B (zh) | 密度数据分析方法、装置及电子设备 | |
CN118279327A (zh) | 一种医学影像数据的图像分割方法 | |
Sendra-Balcells et al. | Generalisability of deep learning models in low-resource imaging settings: A fetal ultrasound study in 5 African countries | |
CN115205214A (zh) | 一种基于医学数据库的肿瘤靶点探寻装置及方法 |
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 |