CN115482914A - 一种医疗影像数据处理方法，设备及存储介质 - Google Patents
一种医疗影像数据处理方法，设备及存储介质 Download PDFInfo
- Publication number
- CN115482914A CN115482914A CN202211116371.7A CN202211116371A CN115482914A CN 115482914 A CN115482914 A CN 115482914A CN 202211116371 A CN202211116371 A CN 202211116371A CN 115482914 A CN115482914 A CN 115482914A
- Authority
- CN
- China
- Prior art keywords
- patient
- bone
- target person
- matching
- person
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 230000036285 pathological change Effects 0.000 claims abstract description 65
- 231100000915 pathological change Toxicity 0.000 claims abstract description 65
- 230000001575 pathological effect Effects 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 11
- 210000000988 bone and bone Anatomy 0.000 claims description 232
- 230000003902 lesion Effects 0.000 claims description 50
- 208000001132 Osteoporosis Diseases 0.000 claims description 34
- 206010061728 Bone lesion Diseases 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000006978 adaptation Effects 0.000 claims description 27
- 238000012512 characterization method Methods 0.000 claims description 27
- 230000008901 benefit Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 208000005368 osteomalacia Diseases 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000001225 therapeutic effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 description 7
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000020084 Bone disease Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种医疗影像数据处理方法，设备及存储介质，本发明的方法包括以下步骤，采集目标人员骨骼图像、上传目标人员基本信息、分析目标人员基本信息、分析目标人员骨骼相似度、分析目标人员骨骼病变、分析患病人员参考治疗方案和生成患病人员病理报告，本发明能够判断出目标人员的骨骼是否患病，若目标人员患病，分析得到患病人员的病理报告，进而在一定程度上提高了主治医生分析治疗方案的效率，本发明在筛选出目标人员的相似骨骼图像时，对目标人员的骨骼轮廓与各患者的骨骼轮廓进行对比，而且对目标人员的基本信息和医疗影像数据库中各患者的基本信息进行分析，提高了一级匹配患者骨骼图像的可靠性。
Description
技术领域
本发明涉及医疗影像技术领域，具体而言，涉及一种医疗影像数据处理方法，设备及存储介质。
背景技术
随着科技和社会的飞速发展，医疗水平的发展也越来越好，在医生进行相应病情诊断时，医疗影像具有重要的参考价值，医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程，医院在对病人骨骼进行查看诊疗时，需要对骨骼图像进行分析，经常需要用到医院影像数据库，进而将待评估人员的骨骼图像与医院影像数据库中各患者的骨骼图像进行分析，如果分析结果不精确，会导致病情的判断存在差异性，因此，对待评估人员的骨骼图像和各患者的骨骼图像进行分析是十分有必要的。
现有的医疗影像数据处理方法主要存在以下缺陷：
(1)现有的医疗影像数据处理方法大多是将目标人员的骨骼图像与各患者的骨骼图像进行对比，进而快速判断出目标人员的骨骼是否患病，对判断出目标人员骨骼是否病变的后续分析关注度不高，进而造成分析结果的价值性不大，缺少对目标人员的参考治疗方案的分析，从而无法给后续主治医生的治疗提供一个可靠性参考治疗方案，进而在一定程度上降低了主治医生分析治疗方案的效率。
(2)现有的医疗影像数据处理方法在筛选出目标人员的相似骨骼图像时，大多是将目标人员的骨骼轮廓与各患者的骨骼轮廓进行对比，进而筛选出目标人员的相似骨骼图像，对目标人员的基本信息关注度不高，进而在一定程度上降低了目标人员骨骼图像的参考图像的可靠性，从而导致对目标人员的骨骼病症分析结果不精确。
发明内容
为了克服背景技术中的缺点，本发明实施例提供了一种医疗影像数据处理方法，设备及存储介质,能够有效解决上述背景技术中涉及的问题。
本发明的目的可以通过以下技术方案来实现：
一种医疗影像数据处理方法，包括以下步骤：
步骤1、目标人员骨骼图像采集：对目标人员的骨骼图像进行采集，其中目标人员为来医院进行骨骼图像采集的人员；
步骤2、目标人员基本信息上传：将目标人员的基本信息上传到医院影像数据库；
步骤3、目标人员基本信息分析：对目标人员的基本信息和医院影像数据库中各患者的基本信息进行分析，进而得到目标人员与各患者对应的基本信息匹配系数，其中基本信息包括年龄、性别、体重和身高；
步骤4、目标人员骨骼相似度分析：从医院影像数据库中提取各患者的病理骨骼图像，进而分析目标人员与各患者对应的骨骼相似度，并根据目标人员与各患者对应的基本信息匹配系数和骨骼相似度分析目标人员与各患者对应的综合匹配系数，并据此分析得到各一级匹配患者；
步骤5、目标人员骨骼病变分析：将目标人员的骨骼图像与各目标患者的病例骨骼图像进行对比，并据此分析目标人员的骨骼是否病变，若目标人员的骨骼病变，则判断患病人员骨骼病变对应的类型，并分析患病人员骨骼病变类型对应的病变程度；
步骤6、患病人员参考治疗方案分析：根据患病人员骨骼病变类型对应的病变程度分析患病人员的参考治疗方案；
步骤7、患病人员病理报告生成：根据患病人员骨骼病变对应的类型、病变类型对应的病变程度和参考治疗方案自动生成患病人员的病理报告。
在本发明第一方面的一种可能的设计中，所述步骤3中目标人员与各患者对应的基本信息匹配系数的具体分析步骤为：
步骤31：将医院影像数据库中的各患者分别编号为1,2,...,i,...,n；
步骤32：对目标人员的身高和体重与各患者的身高和体重进行分析，进而得到目标人员与各患者对应的身体质量指数匹配系数，并将其标记为
其中
表示为目标人员与第i个患者对应的身体质量指数匹配系数，i表示为各患者的编号，i＝1,2,...,n；
步骤33：将目标人员的年龄、性别与各患者的年龄、性别分别进行对比，进而得到目标人员与各患者对应的年龄匹配系数和性别匹配系数，并将目标人员与各患者对应的年龄匹配系数和性别匹配系数分别标记为
其中
分别表示为目标人员与第i个患者对应的年龄匹配系数、性别匹配系数；
步骤34：根据目标人员与各患者的身体质量指数匹配系数、年龄匹配系数和性别匹配系数分析目标人员与各患者对应的基本信息匹配系数，其计算公式为：
其中
表示为目标人员与第i个患者对应的基本信息匹配系数，λ1、λ2、λ3分别表示为预设的目标人员与各患者的身体质量指数、年龄和性别所属匹配权重因子，e表示为自然常数。
在本发明第一方面的一种可能的设计中，所述步骤4中目标人员与各患者对应的骨骼相似度的具体分析步骤为：
步骤411：从目标人员的骨骼图像中获取目标人员的骨骼轮廓，并获取目标人员的骨骼外边缘线条和骨骼轮廓，从而获取目标人员的骨骼外边缘线条长度和骨骼轮廓面积；
步骤412：从各患者的病理骨骼图像中获取各患者的骨骼轮廓，并获取各患者的骨骼外边缘线条和骨骼轮廓面积；
步骤413：将目标人员的骨骼外边缘线条与各患者的骨骼外边缘线条进行重合对比，进而得到目标人员与各患者对应的骨骼外边缘线条重合长度，并据此分析得到目标人员与各患者对应的骨骼外边缘适配指数，将其标记为
表示为目标人员与第i个患者对应的骨骼外边缘适配指数；
步骤414：将目标人员的骨骼轮廓与各患者的骨骼轮廓进行重合对比，进而得到目标人员与各患者对应的骨骼轮廓重合面积，并据此分析得到目标人员与各患者对应的骨骼轮廓适配指数，将其标记为
表示为目标人员与第i个患者对应的骨骼轮廓适配指数；
步骤415：根据目标人员与各患者对应的骨骼外边缘适配指数和骨骼轮廓适配指数综合分析目标人员与各患者对应的骨骼相似度，其计算公式为：
其中
表示为目标人员与第i个患者对应的骨骼相似度，γ1、γ2分别表示为目标人员与各患者对应的骨骼外边缘、骨骼轮廓所属适配指数的比例系数。
在本发明第一方面的一种可能的设计中，所述步骤4中分析目标人员与各患者对应的综合匹配系数，并据此分析得到各一级匹配患者的具体步骤为：
步骤421：根据目标人员与各患者对应的骨骼相似度和基本信息匹配系数分析目标人员与各患者对应的综合匹配系数，其计算公式为：
其中
表示为目标人员与第i个患者对应的综合匹配系数；
步骤422：将目标人员与各患者对应的综合匹配系数与预设的目标人员与患者的匹配适配值进行对比，若目标人员与某患者对应的综合匹配系数大于或等于目标人员与患者的匹配适配值，则将该患者记为一级匹配患者,进而得到各一级匹配患者。
在本发明第一方面的一种可能的设计中，所述步骤5中分析目标人员的骨骼是否病变的具体方法为：将目标人员的骨骼图像与各一级匹配患者的病理骨骼图像进行匹配，若目标人员的骨骼图像与某一级匹配患者的病理骨骼图像匹配成功，则将目标人员标记为患病人员，若目标人员的骨骼图像与所有一级匹配患者的病理骨骼图像均匹配失败，则将目标人员记为健康人员。
在本发明第一方面的一种可能的设计中，所述步骤5中判断患病人员骨骼病变对应的类型的具体步骤为：
步骤51：基于患病人员的骨骼图像获取骨质基本参数，其中骨质基本参数包括阴影面积、骨小梁数量和各骨小梁宽度；
步骤52：将骨质基本参数内的阴影面积和骨小梁数量导入到患病人员的骨质疏松基本参数表征值的计算公式
中，其中ASS表示为患病人员的骨质疏松基本参数表征值，SSS、
分别表示为患病人员骨骼图像中的阴影面积、骨小梁数量，δ1、δ2分别表示为预设的阴影面积的占比因子、骨小梁数量的占比因子；
步骤53：将骨质基本参数内的阴影面积和各骨小梁宽度导入到骨质软化基本参数表征值的计算公式
中，其中BRH表示为患病人员的骨质软化基本参数表征值，
表示为第m个骨小梁的宽度，χ1、χ2分别表示为预设的阴影面积的比例系数、骨小梁平均宽度的比例系数，m表示为各骨小梁的编号，m＝1,2,...,t；
步骤54：将患病人员的骨质疏松基本参数表征值与云数据库中存储的骨质疏松状态下的骨质疏松基本参数表征值进行对比，若患病人员的骨质疏松基本参数表征值大于或等于骨质疏松状态下的骨质疏松基本参数表征值，则判断患病人员骨骼病变对应的类型为骨质疏松；
步骤55：将患病人员的骨质软化基本参数表征值与云数据库中存储的骨质软化状态下的骨质软化基本参数表征值进行对比，若患病人员的骨质软化基本参数表征值大于或等于骨质软化状态下的骨质软化基本参数表征值，则判断患病人员骨骼病变对应的类型为骨质软化。
在本发明第一方面的一种可能的设计中，所述步骤5中患病人员骨骼病变类型对应的病变程度的具体分析方法为：基于患病人员的骨骼病变类型，分析患病人员骨骼病变类型对应的病变程度，其计算公式为：
其中DCD表示为患病人员骨骼病变类型对应的病变程度，CSS表示为患病人员骨骼病变类型的骨质状态基本参数表征值，
表示为患病人员骨骼病变类型对应的的骨质状态基本参数表征值。
在本发明第一方面的一种可能的设计中，所述步骤6中根据患病人员骨骼病变类型对应的病变程度分析患病人员的参考治疗方案的具体步骤为：
步骤61：从医院影像数据库中提取各一级匹配患者对应的骨骼病变类型和病变类型对应的病变程度；
步骤62：将患病人员骨骼病变对应的类型与各一级匹配患者对应的骨骼病变类型进行匹配，若患病人员骨骼病变对应的类型与某一级匹配患者对应的骨骼病变类型匹配成功，则将该一级匹配患者记为二级匹配患者，进而得到各二级匹配患者；
步骤63：获取各二级匹配患者的编号，并将其记为1,2,...,x,...,y；
步骤64：将患病人员骨骼病变类型对应的病变程度与各二级匹配患者对应的骨骼病变程度进行对比，并据此分析患病人员与各二级匹配患者病变类型对应的病变程度相似度，其计算公式为：
其中
表示为患病人员与第x个二级匹配患者病变类型对应的病变程度相似度，
表示为第x个二级匹配患者病变类型对应的病变程度，x表示为各二级匹配患者的编号，x＝1,2,...,y；
步骤65：将患病人员与各二级匹配患者病变类型对应的病变程度相似度与预设的患病人员与患者病变类型对应的病变程度相似度阈值进行对比，若患病人员与某二级匹配患者病变类型对应的病变程度相似度大于等于患病人员与患者病变类型对应的病变程度相似度阈值，将该二级匹配患者作为参考患者，并获取各参考患者的治疗时长、治疗费用和治疗方案；
步骤66：获取各参考患者的编号，并将其记为1,2,...,p,...,q；
步骤67：将各参考患者的治疗时长和治疗费用导入到各参考患者对应的治疗优益系数的计算公式
中，其中Fp表示为第p个参考患者对应的治疗优益系数，Tp、Mp分别表示为第p个参考患者的治疗时长、治疗费用，p表示为各参考患者的编号，p＝1,2,...,q；
步骤68：将各参考患者对应的治疗优益系数进行相互对比，并从中获取最大治疗优益系数对应参考患者的治疗方案作为患病人员的参考治疗方案。
第二方面，本发明还提供一种计算机设备，包括：处理器，以及与处理器连接的内存和网络接口；所述网络接口与服务器中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，实现本发明所述的一种医疗影像数据处理方法。
第三方面，本发明还提供一种医疗影像数据处理的存储介质，所述存储介质烧录有计算机程序，所述计算机程序在服务器的内存中运行时实现本发明所述的一种医疗影像数据处理方法。
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
(1)本发明的医疗影像数据处理方法能够判断出目标人员的骨骼是否患病，若目标人员患病，可以进一步分析患病人员的骨骼病变类型，进而解析患病人员的骨骼病变类型对应的病变程度，并分析患病人员的参考治疗方案，从而得到患病人员的病理报告，分析结果的价值性较大，从而解决了无法给主治医生一个参考治疗方案的问题，进而在一定程度上提高了主治医生分析治疗方案的效率。
(2)本发明的医疗影像数据处理方法在筛选出目标人员的相似骨骼图像时，不仅将目标人员的骨骼轮廓与各患者的骨骼轮廓进行对比，而且对目标人员的基本信息和医疗影像数据库中各患者的基本信息进行分析，从而综合分析得到目标人员对应的一级匹配患者，提高了一级匹配患者骨骼图像的可靠性，从而确保对目标人员的骨骼病变分析结果的精确性。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
参照图1所示，本发明提供一种医疗影像数据处理方法，包括以下步骤：
步骤1、目标人员骨骼图像采集：对目标人员的骨骼图像进行采集，其中目标人员为来医院进行骨骼图像采集的人员；
步骤2、目标人员基本信息上传：将目标人员的基本信息上传到医院影像数据库；
步骤3、目标人员基本信息分析：对目标人员的基本信息和医院影像数据库中各患者的基本信息进行分析，进而得到目标人员与各患者对应的基本信息匹配系数，其中基本信息包括年龄、性别、体重和身高；
在一个具体实施例中，所述步骤3中目标人员与各患者对应的基本信息匹配系数的具体分析步骤为：
步骤31：将医院影像数据库中的各患者分别编号为1,2,...,i,...,n；
步骤32：对目标人员的身高和体重与各患者的身高和体重进行分析，进而得到目标人员与各患者对应的身体质量指数匹配系数，并将其标记为
其中
表示为目标人员与第i个患者对应的身体质量指数匹配系数，i表示为各患者的编号，i＝1,2,...,n；
需要说明的是，上述中对目标人员的身高和体重进行分析的具体方法为：根据目标人员的身高和体重计算目标人员的身体质量指数，其计算公式为：
其中BMI表示为目标人员的身体质量指数，W表示为目标人员的体重，H表示为目标人员的身高。
需要说明的是，上述中对各患者的身高和体重进行分析的方法同目标人员的身体质量指数分析方法一致，分析得到各患者的身体质量指数，并将其标记为BMIi′，其中BMIi′表示为第i个患者的身体质量指数。
需要说明的是，上述中
的具体计算公式为：
其中
表示为目标人员与第i个患者对应的身体质量指数匹配系数，e表示为自然常数。
步骤33：将目标人员的年龄、性别与各患者的年龄、性别分别进行对比，进而得到目标人员与各患者对应的年龄匹配系数和性别匹配系数，并将目标人员与各患者对应的年龄匹配系数和性别匹配系数分别标记为
其中
分别表示为目标人员与第i个患者对应的年龄匹配系数、性别匹配系数；
需要说明的是，上述中目标人员与各患者对应的年龄匹配系数的具体分析方法为：将目标人员的年龄与各患者的年龄进行对比，并据此分析目标人员与各患者对应的年龄匹配系数，其计算公式为：
其中
表示为目标人员与第i个患者对应的年龄匹配系数，agei′表示为第i个患者的年龄，age表示为目标人员的年龄。
需要说明的是，上述中目标人员与各患者对应的性别匹配系数的具体分析方法为：将目标人员的性别与各患者的性别进行匹配，若目标人员的性别与某患者的性别匹配成功，则将目标人员与该患者对应的性别匹配系数记为α，否则，将目标人员与该患者对应的性别匹配系数记为α′，进而得到目标人员与各患者对应的性别匹配系数，并将其标记为
表示为目标人员与第i个患者对应的性别匹配系数，
的值可以为α，也可以为α′。
步骤34：根据目标人员与各患者的身体质量指数匹配系数、年龄匹配系数和性别匹配系数分析目标人员与各患者对应的基本信息匹配系数，其计算公式为：
其中
表示为目标人员与第i个患者对应的基本信息匹配系数，λ1、λ2、λ3分别表示为预设的目标人员与各患者的身体质量指数、年龄和性别所属匹配权重因子，e表示为自然常数。
步骤4、目标人员骨骼相似度分析：从医院影像数据库中提取各患者的病理骨骼图像，进而分析目标人员与各患者对应的骨骼相似度，并根据目标人员与各患者对应的基本信息匹配系数和骨骼相似度分析目标人员与各患者对应的综合匹配系数，并据此分析得到各一级匹配患者；
在一个具体实施例中，所述步骤4中目标人员与各患者对应的骨骼相似度的具体分析步骤为：
步骤411：从目标人员的骨骼图像中获取目标人员的骨骼轮廓，并获取目标人员的骨骼外边缘线条和骨骼轮廓，从而获取目标人员的骨骼外边缘线条长度和骨骼轮廓面积；
步骤412：从各患者的病理骨骼图像中获取各患者的骨骼轮廓，并获取各患者的骨骼外边缘线条和骨骼轮廓面积；
步骤413：将目标人员的骨骼外边缘线条与各患者的骨骼外边缘线条进行重合对比，进而得到目标人员与各患者对应的骨骼外边缘线条重合长度，并据此分析得到目标人员与各患者对应的骨骼外边缘适配指数，将其标记为
表示为目标人员与第i个患者对应的骨骼外边缘适配指数；
需要说明的是，上述中
的具体计算公式为：
其中
表示为目标人员与第i个患者对应的骨骼外边缘适配指数，
表示为目标人员与第i个患者对应的骨骼外边缘线条重合长度，lXT表示为目标人员的骨骼外边缘线条长度。
步骤414：将目标人员的骨骼轮廓与各患者的骨骼轮廓进行重合对比，进而得到目标人员与各患者对应的骨骼轮廓重合面积，并据此分析得到目标人员与各患者对应的骨骼轮廓适配指数，将其标记为
表示为目标人员与第i个患者对应的骨骼轮廓适配指数；
需要说明的是，上述中
的具体计算公式为：
表示为目标人员与第i个患者对应的骨骼轮廓适配指数，
表示为目标人员与第i个患者对应的骨骼轮廓重合面积,sLK表示为目标人员的骨骼轮廓面积。
步骤415：根据目标人员与各患者对应的骨骼外边缘适配指数和骨骼轮廓适配指数综合分析目标人员与各患者对应的骨骼相似度，其计算公式为：
其中
表示为目标人员与第i个患者对应的骨骼相似度，γ1、γ2分别表示为目标人员与各患者对应的骨骼外边缘、骨骼轮廓所属适配指数的比例系数。
在一个具体实施例中，所述步骤4中分析目标人员与各患者对应的综合匹配系数，并据此分析得到各一级匹配患者的具体步骤为：
步骤421：根据目标人员与各患者对应的骨骼相似度和基本信息匹配系数分析目标人员与各患者对应的综合匹配系数，其计算公式为：
其中
表示为目标人员与第i个患者对应的综合匹配系数；
步骤422：将目标人员与各患者对应的综合匹配系数与预设的目标人员与患者的匹配适配值进行对比，若目标人员与某患者对应的综合匹配系数大于或等于目标人员与患者的匹配适配值，则将该患者记为一级匹配患者,进而得到各一级匹配患者。
本发明的医疗影像数据处理方法在筛选出目标人员的相似骨骼图像时，不仅将目标人员的骨骼轮廓与各患者的骨骼轮廓进行对比，而且对目标人员的基本信息和医疗影像数据库中各患者的基本信息进行分析，从而综合分析得到目标人员对应的一级匹配患者，提高了一级匹配患者骨骼图像的可靠性，从而确保对目标人员的骨骼病变分析结果的精确性。
步骤5、目标人员骨骼病变分析：将目标人员的骨骼图像与各目标患者的病例骨骼图像进行对比，并据此分析目标人员的骨骼是否病变，若目标人员的骨骼病变，则判断患病人员骨骼病变对应的类型，并分析患病人员骨骼病变类型对应的病变程度；
在一个具体实施例中，所述步骤5中分析目标人员的骨骼是否病变的具体方法为：将目标人员的骨骼图像与各一级匹配患者的病理骨骼图像进行匹配，若目标人员的骨骼图像与某一级匹配患者的病理骨骼图像匹配成功，则将目标人员标记为患病人员，若目标人员的骨骼图像与所有一级匹配患者的病理骨骼图像均匹配失败，则将目标人员记为健康人员。
在一个具体实施例中，所述步骤5中判断患病人员骨骼病变对应的类型的具体步骤为：
步骤51：基于患病人员的骨骼图像获取骨质基本参数，其中骨质基本参数包括阴影面积、骨小梁数量和各骨小梁宽度；
步骤52：将骨质基本参数内的阴影面积和骨小梁数量导入到患病人员的骨质疏松基本参数表征值的计算公式
中，其中ASS表示为患病人员的骨质疏松基本参数表征值，SSS、
分别表示为患病人员骨骼图像中的阴影面积、骨小梁数量，δ1、δ2分别表示为预设的阴影面积的占比因子、骨小梁数量的占比因子；
步骤53：将骨质基本参数内的阴影面积和各骨小梁宽度导入到骨质软化基本参数表征值的计算公式
中，其中BRH表示为患病人员的骨质软化基本参数表征值，
表示为第m个骨小梁的宽度，χ1、χ2分别表示为预设的阴影面积的比例系数、骨小梁平均宽度的比例系数，m表示为各骨小梁的编号，m＝1,2,...,t；
步骤54：将患病人员的骨质疏松基本参数表征值与云数据库中存储的骨质疏松状态下的骨质疏松基本参数表征值进行对比，若患病人员的骨质疏松基本参数表征值大于或等于骨质疏松状态下的骨质疏松基本参数表征值，则判断患病人员骨骼病变对应的类型为骨质疏松；
步骤55：将患病人员的骨质软化基本参数表征值与云数据库中存储的骨质软化状态下的骨质软化基本参数表征值进行对比，若患病人员的骨质软化基本参数表征值大于或等于骨质软化状态下的骨质软化基本参数表征值，则判断患病人员骨骼病变对应的类型为骨质软化。
需要说明的是，骨质基本参数内的阴影面积、骨小梁数量和各骨小梁宽度对骨质疏松和骨质软化存在一定的影响，因此，需要对骨质基本参数内的阴影面积、骨小梁数量和各骨小梁宽度进行分析。
在一个具体实施例中，所述步骤5中患病人员骨骼病变类型对应的病变程度的具体分析方法为：基于患病人员的骨骼病变类型，分析患病人员骨骼病变类型对应的病变程度，其计算公式为：
其中DCD表示为患病人员骨骼病变类型对应的病变程度，CSS表示为患病人员的骨质状态基本参数表征值，
表示为患病人员骨骼病变类型对应的的骨质状态基本参数表征值。
需要说明的是，其中骨质状态包括疏松和软化，骨质状态基本参数表征值包括骨质疏松基本参数表征值和骨质软化基本参数表征值，若患病人员的骨骼病变对应的类型为骨质疏松，CSS的值为患病人员的骨质疏松基本参数表征值ASS，
的值为骨质疏松状态下的骨质疏松基本参数表征值，若患病人员的骨骼病变对应的类型为骨质软化，CSS的值为患病人员的骨质软化基本参数表征值BRH，
的值为骨质软化状态下的骨质软化基本参数表征值。
步骤6、患病人员参考治疗方案分析：根据患病人员骨骼病变类型对应的病变程度分析患病人员的参考治疗方案；
在一个具体实施例中，所述步骤6中根据患病人员骨骼病变类型对应的病变程度分析患病人员的参考治疗方案的具体步骤为：
步骤61：从医院影像数据库中提取各一级匹配患者对应的骨骼病变类型和病变类型对应的病变程度；
步骤62：将患病人员骨骼病变对应的类型与各一级匹配患者对应的骨骼病变类型进行匹配，若患病人员骨骼病变对应的类型与某一级匹配患者对应的骨骼病变类型匹配成功，则将该一级匹配患者记为二级匹配患者，进而得到各二级匹配患者；
步骤63：获取各二级匹配患者的编号，并将其记为1,2,...,x,...,y；
步骤64：将患病人员骨骼病变类型对应的病变程度与各二级匹配患者对应的骨骼病变程度进行对比，并据此分析患病人员与各二级匹配患者病变类型对应的病变程度相似度，其计算公式为：
其中
表示为患病人员与第x个二级匹配患者病变类型对应的病变程度相似度，
表示为第x个二级匹配患者病变类型对应的病变程度，x表示为各二级匹配患者的编号，x＝1,2,...,y；
步骤65：将患病人员与各二级匹配患者病变类型对应的病变程度相似度与预设的患病人员与患者病变类型对应的病变程度相似度阈值进行对比，若患病人员与某二级匹配患者病变类型对应的病变程度相似度大于等于患病人员与患者病变类型对应的病变程度相似度阈值，将该二级匹配患者作为参考患者，并获取各参考患者的治疗时长、治疗费用和治疗方案；
步骤66：获取各参考患者的编号，并将其记为1,2,...,p,...,q；
步骤67：将各参考患者的治疗时长和治疗费用导入到各参考患者对应的治疗优益系数的计算公式
中，其中Fp表示为第p个参考患者对应的治疗优益系数，Tp、Mp分别表示为第p个参考患者的治疗时长、治疗费用，p表示为各参考患者的编号，p＝1,2,...,q；
步骤68：将各参考患者对应的治疗优益系数进行相互对比，并从中获取最大治疗优益系数对应参考患者的治疗方案作为患病人员的参考治疗方案。
需要说明的是，参考患者的治疗时长越短且治疗费用越低说明参考患者的治疗优益系数越大，因此需要对参考患者的治疗时长和治疗费用进行分析。
步骤7、患病人员病理报告生成：根据患病人员骨骼病变对应的类型、病变类型对应的病变程度和参考治疗方案自动生成患病人员的病理报告。
本发明的医疗影像数据处理方法能够判断出目标人员的骨骼是否患病，若目标人员患病，可以进一步分析患病人员的骨骼病变类型，进而解析患病人员的骨骼病变类型对应的病变程度，并分析患病人员的参考治疗方案，从而得到患病人员的病理报告，分析结果的价值性较大，从而解决了无法给主治医生一个参考治疗方案的问题，进而在一定程度上提高了主治医生分析治疗方案的效率。
第二方面，本发明还提供一种计算机设备，包括：处理器，以及与处理器连接的内存和网络接口；所述网络接口与服务器中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，实现本发明所述的一种医疗影像数据处理方法。
第三方面，本发明还提供一种医疗影像数据处理的存储介质，所述存储介质烧录有计算机程序，所述计算机程序在服务器的内存中运行时实现本发明所述的一种医疗影像数据处理方法。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (10)
1.一种医疗影像数据处理方法，其特征在于，包括以下步骤：
步骤1、目标人员骨骼图像采集：对目标人员的骨骼图像进行采集，其中目标人员为来医院进行骨骼图像采集的人员；
步骤2、目标人员基本信息上传：将目标人员的基本信息上传到医院影像数据库；
步骤3、目标人员基本信息分析：对目标人员的基本信息和医院影像数据库中各患者的基本信息进行分析，进而得到目标人员与各患者对应的基本信息匹配系数，其中基本信息包括年龄、性别、体重和身高；
步骤4、目标人员骨骼相似度分析：从医院影像数据库中提取各患者的病理骨骼图像，进而分析目标人员与各患者对应的骨骼相似度，并根据目标人员与各患者对应的基本信息匹配系数和骨骼相似度分析目标人员与各患者对应的综合匹配系数，并据此分析得到各一级匹配患者；
步骤5、目标人员骨骼病变分析：将目标人员的骨骼图像与各目标患者的病例骨骼图像进行对比，并据此分析目标人员的骨骼是否病变，若目标人员的骨骼病变，则判断患病人员骨骼病变对应的类型，并分析患病人员骨骼病变类型对应的病变程度；
步骤6、患病人员参考治疗方案分析：根据患病人员骨骼病变类型对应的病变程度分析患病人员的参考治疗方案；
步骤7、患病人员病理报告生成：根据患病人员骨骼病变对应的类型、病变类型对应的病变程度和参考治疗方案自动生成患病人员的病理报告。
2.根据权利要求1所述的一种医疗影像数据处理方法，其特征在于：所述步骤3中目标人员与各患者对应的基本信息匹配系数的具体分析步骤为：
步骤31：将医院影像数据库中的各患者分别编号为1,2,...,i,...,n；
步骤32：对目标人员的身高和体重与各患者的身高和体重进行分析，进而得到目标人员与各患者对应的身体质量指数匹配系数，并将其标记为
其中
表示为目标人员与第i个患者对应的身体质量指数匹配系数，i表示为各患者的编号，i＝1,2,...,n；
步骤33：将目标人员的年龄、性别与各患者的年龄、性别分别进行对比，进而得到目标人员与各患者对应的年龄匹配系数和性别匹配系数，并将目标人员与各患者对应的年龄匹配系数和性别匹配系数分别标记为
其中
分别表示为目标人员与第i个患者对应的年龄匹配系数、性别匹配系数；
步骤34：根据目标人员与各患者的身体质量指数匹配系数、年龄匹配系数和性别匹配系数分析目标人员与各患者对应的基本信息匹配系数，其计算公式为：
其中
表示为目标人员与第i个患者对应的基本信息匹配系数，λ1、λ2、λ3分别表示为预设的目标人员与各患者的身体质量指数、年龄和性别所属匹配权重因子，e表示为自然常数。
3.根据权利要求2所述的一种医疗影像数据处理方法，其特征在于：所述步骤4中目标人员与各患者对应的骨骼相似度的具体分析步骤为：
步骤411：从目标人员的骨骼图像中获取目标人员的骨骼轮廓，并获取目标人员的骨骼外边缘线条和骨骼轮廓，从而获取目标人员的骨骼外边缘线条长度和骨骼轮廓面积；
步骤412：从各患者的病理骨骼图像中获取各患者的骨骼轮廓，并获取各患者的骨骼外边缘线条和骨骼轮廓面积；
步骤413：将目标人员的骨骼外边缘线条与各患者的骨骼外边缘线条进行重合对比，进而得到目标人员与各患者对应的骨骼外边缘线条重合长度，并据此分析得到目标人员与各患者对应的骨骼外边缘适配指数，将其标记为
表示为目标人员与第i个患者对应的骨骼外边缘适配指数；
步骤414：将目标人员的骨骼轮廓与各患者的骨骼轮廓进行重合对比，进而得到目标人员与各患者对应的骨骼轮廓重合面积，并据此分析得到目标人员与各患者对应的骨骼轮廓适配指数，将其标记为
表示为目标人员与第i个患者对应的骨骼轮廓适配指数；
步骤415：根据目标人员与各患者对应的骨骼外边缘适配指数和骨骼轮廓适配指数综合分析目标人员与各患者对应的骨骼相似度，其计算公式为：
其中
表示为目标人员与第i个患者对应的骨骼相似度，γ1、γ2分别表示为目标人员与各患者对应的骨骼外边缘、骨骼轮廓所属适配指数的比例系数。
4.根据权利要求3所述的一种医疗影像数据处理方法，其特征在于：所述步骤4中分析目标人员与各患者对应的综合匹配系数，并据此分析得到各一级匹配患者的具体步骤为：
步骤421：根据目标人员与各患者对应的骨骼相似度和基本信息匹配系数分析目标人员与各患者对应的综合匹配系数，其计算公式为：
其中
表示为目标人员与第i个患者对应的综合匹配系数；
步骤422：将目标人员与各患者对应的综合匹配系数与预设的目标人员与患者的匹配适配值进行对比，若目标人员与某患者对应的综合匹配系数大于或等于目标人员与患者的匹配适配值，则将该患者记为一级匹配患者,进而得到各一级匹配患者。
5.根据权利要求1所述的一种医疗影像数据处理方法，其特征在于：所述步骤5中分析目标人员的骨骼是否病变的具体方法为：将目标人员的骨骼图像与各一级匹配患者的病理骨骼图像进行匹配，若目标人员的骨骼图像与某一级匹配患者的病理骨骼图像匹配成功，则将目标人员标记为患病人员，若目标人员的骨骼图像与所有一级匹配患者的病理骨骼图像均匹配失败，则将目标人员记为健康人员。
6.根据权利要求1所述的一种医疗影像数据处理方法，其特征在于：所述步骤5中判断患病人员骨骼病变对应的类型的具体步骤为：
步骤51：基于患病人员的骨骼图像获取骨质基本参数，其中骨质基本参数包括阴影面积、骨小梁数量和各骨小梁宽度；
步骤52：将骨质基本参数内的阴影面积和骨小梁数量导入到患病人员的骨质疏松基本参数表征值的计算公式
中，其中ASS表示为患病人员的骨质疏松基本参数表征值，SSS、
分别表示为患病人员骨骼图像中的阴影面积、骨小梁数量，δ1、δ2分别表示为预设的阴影面积的占比因子、骨小梁数量的占比因子；
步骤53：将骨质基本参数内的阴影面积和各骨小梁宽度导入到骨质软化基本参数表征值的计算公式
中，其中BRH表示为患病人员的骨质软化基本参数表征值，
表示为第m个骨小梁的宽度，χ1、χ2分别表示为预设的阴影面积的比例系数、骨小梁平均宽度的比例系数，m表示为各骨小梁的编号，m＝1,2,...,t；
步骤54：将患病人员的骨质疏松基本参数表征值与云数据库中存储的骨质疏松状态下的骨质疏松基本参数表征值进行对比，若患病人员的骨质疏松基本参数表征值大于或等于骨质疏松状态下的骨质疏松基本参数表征值，则判断患病人员骨骼病变对应的类型为骨质疏松；
步骤55：将患病人员的骨质软化基本参数表征值与云数据库中存储的骨质软化状态下的骨质软化基本参数表征值进行对比，若患病人员的骨质软化基本参数表征值大于或等于骨质软化状态下的骨质软化基本参数表征值，则判断患病人员骨骼病变对应的类型为骨质软化。
7.根据权利要求1所述的一种医疗影像数据处理方法，其特征在于：所述步骤5中患病人员骨骼病变类型对应的病变程度的具体分析方法为：基于患病人员的骨骼病变类型，分析患病人员骨骼病变类型对应的病变程度，其计算公式为：
其中DCD表示为患病人员骨骼病变类型对应的病变程度，CSS表示为患病人员骨骼病变类型的骨质状态基本参数表征值，
表示为患病人员骨骼病变类型对应的的骨质状态基本参数表征值。
8.根据权利要求7所述的一种医疗影像数据处理方法，其特征在于：所述步骤6中根据患病人员骨骼病变类型对应的病变程度分析患病人员的参考治疗方案的具体步骤为：
步骤61：从医院影像数据库中提取各一级匹配患者对应的骨骼病变类型和病变类型对应的病变程度；
步骤62：将患病人员骨骼病变对应的类型与各一级匹配患者对应的骨骼病变类型进行匹配，若患病人员骨骼病变对应的类型与某一级匹配患者对应的骨骼病变类型匹配成功，则将该一级匹配患者记为二级匹配患者，进而得到各二级匹配患者；
步骤63：获取各二级匹配患者的编号，并将其记为1,2,...,x,...,y；
步骤64：将患病人员骨骼病变类型对应的病变程度与各二级匹配患者对应的骨骼病变程度进行对比，并据此分析患病人员与各二级匹配患者病变类型对应的病变程度相似度，其计算公式为：
其中
表示为患病人员与第x个二级匹配患者病变类型对应的病变程度相似度，
表示为第x个二级匹配患者病变类型对应的病变程度，x表示为各二级匹配患者的编号，x＝1,2,...,y；
步骤65：将患病人员与各二级匹配患者病变类型对应的病变程度相似度与预设的患病人员与患者病变类型对应的病变程度相似度阈值进行对比，若患病人员与某二级匹配患者病变类型对应的病变程度相似度大于等于患病人员与患者病变类型对应的病变程度相似度阈值，将该二级匹配患者作为参考患者，并获取各参考患者的治疗时长、治疗费用和治疗方案；
步骤66：获取各参考患者的编号，并将其记为1,2,...,p,...,q；
步骤67：将各参考患者的治疗时长和治疗费用导入到各参考患者对应的治疗优益系数的计算公式
中，其中Fp表示为第p个参考患者对应的治疗优益系数，Tp、Mp分别表示为第p个参考患者的治疗时长、治疗费用，p表示为各参考患者的编号，p＝1,2,...,q；
步骤68：将各参考患者对应的治疗优益系数进行相互对比，并从中获取最大治疗优益系数对应参考患者的治疗方案作为患病人员的参考治疗方案。
9.一种计算机设备，其特征在于：包括：处理器，以及与处理器连接的内存和网络接口；所述网络接口与服务器中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行上述权利要求1-8任一项所述的一种医疗影像数据处理方法。
10.一种医疗影像数据处理的存储介质，其特征在于：所述存储介质烧录有计算机程序，所述计算机程序在服务器的内存中运行时实现上述权利要求1-8任一项所述的一种医疗影像数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211116371.7A CN115482914B (zh) | 2022-09-14 | 2022-09-14 | 一种医疗影像数据处理方法，设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211116371.7A CN115482914B (zh) | 2022-09-14 | 2022-09-14 | 一种医疗影像数据处理方法，设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115482914A true CN115482914A (zh) | 2022-12-16 |
| CN115482914B CN115482914B (zh) | 2023-10-24 |
Family
ID=84424203
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211116371.7A Active CN115482914B (zh) | 2022-09-14 | 2022-09-14 | 一种医疗影像数据处理方法，设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115482914B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2495745A1 (en) * | 2002-08-20 | 2004-03-04 | Imaging Therapeutics, Inc. | Measurement of bone density and bone structure from x-ray images for diagnosis of osteoporosis |
| US20040242987A1 (en) * | 2002-09-16 | 2004-12-02 | Imaging Therapeutics, Inc. | Methods of predicting musculoskeletal disease |
| CN1735373A (zh) * | 2003-01-07 | 2006-02-15 | 成像治疗仪股份有限公司 | 预测肌和骨骼疾病的方法 |
| CN104490361A (zh) * | 2014-12-05 | 2015-04-08 | 深圳市共创百业科技开发有限公司 | 基于网络医院的皮肤病远程筛查系统及方法 |
| US20190333238A1 (en) * | 2018-04-26 | 2019-10-31 | Jerry NAM | Automated determination of muscle mass from images |
| US20190336097A1 (en) * | 2014-07-21 | 2019-11-07 | Zebra Medical Vision Ltd. | Systems and methods for prediction of osteoporotic fracture risk |
| CN112734746A (zh) * | 2021-01-21 | 2021-04-30 | 常德海 | 一种基于图像识别的骨科伤病谱匹配系统及方法 |
| CN113057593A (zh) * | 2021-03-18 | 2021-07-02 | 杭州睿胜软件有限公司 | 图像识别方法、可读存储介质及电子设备 |
| CN113870227A (zh) * | 2021-09-29 | 2021-12-31 | 赛诺威盛科技(北京)股份有限公司 | 基于压力分布的医学定位方法、装置、电子设备及存储介质 |
| CN114224568A (zh) * | 2021-12-17 | 2022-03-25 | 河北春立航诺新材料科技有限公司 | 一种膝关节局部假体及其个性化设计方法 |
| CN114494191A (zh) * | 2022-01-26 | 2022-05-13 | 永嘉翰博网络技术有限公司 | 医用图像处理方法、设备及计算机存储介质 |
-
2022
- 2022-09-14 CN CN202211116371.7A patent/CN115482914B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2495745A1 (en) * | 2002-08-20 | 2004-03-04 | Imaging Therapeutics, Inc. | Measurement of bone density and bone structure from x-ray images for diagnosis of osteoporosis |
| US20040242987A1 (en) * | 2002-09-16 | 2004-12-02 | Imaging Therapeutics, Inc. | Methods of predicting musculoskeletal disease |
| CN1735373A (zh) * | 2003-01-07 | 2006-02-15 | 成像治疗仪股份有限公司 | 预测肌和骨骼疾病的方法 |
| US20190336097A1 (en) * | 2014-07-21 | 2019-11-07 | Zebra Medical Vision Ltd. | Systems and methods for prediction of osteoporotic fracture risk |
| CN104490361A (zh) * | 2014-12-05 | 2015-04-08 | 深圳市共创百业科技开发有限公司 | 基于网络医院的皮肤病远程筛查系统及方法 |
| WO2016086442A1 (zh) * | 2014-12-05 | 2016-06-09 | 深圳市共创百业科技开发有限公司 | 基于网络医院的皮肤病远程筛查系统及方法 |
| US20190333238A1 (en) * | 2018-04-26 | 2019-10-31 | Jerry NAM | Automated determination of muscle mass from images |
| CN112734746A (zh) * | 2021-01-21 | 2021-04-30 | 常德海 | 一种基于图像识别的骨科伤病谱匹配系统及方法 |
| CN113057593A (zh) * | 2021-03-18 | 2021-07-02 | 杭州睿胜软件有限公司 | 图像识别方法、可读存储介质及电子设备 |
| CN113870227A (zh) * | 2021-09-29 | 2021-12-31 | 赛诺威盛科技(北京)股份有限公司 | 基于压力分布的医学定位方法、装置、电子设备及存储介质 |
| CN114224568A (zh) * | 2021-12-17 | 2022-03-25 | 河北春立航诺新材料科技有限公司 | 一种膝关节局部假体及其个性化设计方法 |
| CN114494191A (zh) * | 2022-01-26 | 2022-05-13 | 永嘉翰博网络技术有限公司 | 医用图像处理方法、设备及计算机存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 侯震: "影像组学在食管癌和头颈癌放射治疗中的应用研究", 《中国博士学位论文全文数据库 (医药卫生科技辑)》 * |
| 陈耿 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115482914B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11727562B2 (en) | System and method for diagnosing, monitoring, screening for or evaluating a musculoskeletal disease or condition | |
| Salaffi et al. | Computer-aided quantification of interstitial lung disease from high resolution computed tomography images in systemic sclerosis: correlation with visual reader-based score and physiologic tests | |
| JP5456132B2 (ja) | 診断支援装置、診断支援装置の制御方法、およびそのプログラム | |
| CN115862819B (zh) | 一种基于图像处理的医学图像管理方法 | |
| KR20210080328A (ko) | 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법 | |
| AU2023270223A1 (en) | Image Analysis Method and System | |
| US11478163B2 (en) | Image processing and emphysema threshold determination | |
| CN112562860A (zh) | 分类模型的训练方法及装置、冠心病辅助筛查方法及装置 | |
| Lin et al. | Using deep learning in ultrasound imaging of bicipital peritendinous effusion to grade inflammation severity | |
| CN112819765A (zh) | 一种肝脏图像处理方法 | |
| KR20210065228A (ko) | 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법 | |
| CN116864104A (zh) | 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统 | |
| CN115482914A (zh) | 一种医疗影像数据处理方法，设备及存储介质 | |
| CN116564458A (zh) | 一种基于电子病历的数据处理方法、系统、设备及介质 | |
| Liu et al. | A joint multi-modal learning method for early-stage knee osteoarthritis disease classification | |
| KR101455198B1 (ko) | Ｃｔ 영상 분석을 이용한 흉곽 변형성 정량적 평가 지표값 계산 방법, 시스템 및 기록 매체 | |
| CN113425298A (zh) | 一种通过穿戴设备采集数据分析抑郁程度的方法 | |
| CN113178254A (zh) | 基于5g的智慧医疗数据分析方法、装置及计算机设备 | |
| CN110892448B (zh) | 用于动脉钙化的检测和量化的方法 | |
| US20100022846A1 (en) | Method for Health Monitoring | |
| WO2022047173A1 (en) | Explainable deep learning camera-agnostic diagnosis of obstructive coronary artery disease | |
| Yellu et al. | Automated Volumetric Examination of Muscle for Sarcopenia Assessment in CT Scan: Generalization of Psoas-based Approach | |
| Hovakimyan et al. | Artificial Intelligence Methods in Osteoporosis Prediction Problem | |
| CN117672470A (zh) | 一种基于Web浏览器的医学影像辅助诊断装置 | |
| CN116246755A (zh) | 一种基于细粒度网络毫微米级别影像精细解剖结构量化分析工具 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230925 Address after: 410000 room 105, building 5, R & D headquarters, Central South University Science Park, changzuo Road, Yuelu street, Yuelu District, Changsha City, Hunan Province Applicant after: Hunan Tiao Medical Technology Co.,Ltd. Address before: No. 5, Tangjiadun Road, Jianghan District, Wuhan City, Hubei Province, 430021 Applicant before: Wuhan Yige Beauty Consulting Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |