CN115578554B - 一种血管病灶识别方法、装置、电子设备和可读存储介质 - Google Patents
一种血管病灶识别方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN115578554B CN115578554B CN202110684194.1A CN202110684194A CN115578554B CN 115578554 B CN115578554 B CN 115578554B CN 202110684194 A CN202110684194 A CN 202110684194A CN 115578554 B CN115578554 B CN 115578554B
- Authority
- CN
- China
- Prior art keywords
- focus area
- image
- suspected
- class
- blood vessel
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002792 vascular Effects 0.000 title abstract description 11
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 109
- 238000012805 post-processing Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000003902 lesion Effects 0.000 claims description 47
- 231100000216 vascular lesion Toxicity 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005452 bending Methods 0.000 claims 4
- 238000003745 diagnosis Methods 0.000 abstract description 12
- 210000001519 tissue Anatomy 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000012552 review Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000003491 array Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本方案公开了一种血管病灶识别方法、装置、电子设备和可读存储介质，其中，该方法的步骤包括：获取多种类型的血管后处理图像；对每种后处理图像中的病灶进行识别，获得疑似病灶区域及其对应的识别概率值；其中，将所述疑似病灶区域的识别概率值不小于第一阈值的血管后处理图像作为第一类别图像；将所述疑似病灶区域的识别概率值小于第一阈值的血管后处理图像作为第二类别图像；在所述第一类别图像的数量不少于第二阈值的情况下，确定血管病灶区域为真实病灶。本方案利用多种不同类型的血管后处理图像中疑似病灶区域的识别概率值，能够快速对血管病灶进行识别，从而提高病灶诊断速度，提高诊断效率。
Description
技术领域
本申请涉及通信技术领域，具体涉及一种识别病灶区域的方法、装置、计算机设备及存储介质。
背景技术
在现代医学领域中，图像识别技术能够帮助医生快速、准确地了解病人的血管状态，有助于及时诊断和治疗各种血管疾病，图像识别技术对医学领域的发展具有重大的意义。
通常情况下，随着年龄的上升，血管出现问题的概率越来越高，例如：头颈血管病灶中常出现钙化斑块、非钙化斑块、动脉瘤等。传统方式主要通过识别模型或医生的诊断经验对血管病灶进行识别。
发明内容
本发明的目的在于提供一种血管病灶识别方法、装置、电子设备和可读存储介质。
为达到上述目的，本方案采用下述技术方案：
第一方面，本方案提供一种血管病灶识别方法，该方法的步骤包括：
获取多种类型的血管后处理图像；
对每种后处理图像中的病灶进行识别，获得疑似病灶区域及其对应的识别概率值；其中，将所述疑似病灶区域的识别概率值不小于第一阈值的血管后处理图像作为第一类别图像；将所述疑似病灶区域的识别概率值小于第一阈值的血管后处理图像作为第二类别图像；
在所述第一类别图像的数量不少于第二阈值的情况下，确定血管病灶区域为真实病灶。
在一种优选地实例中，该方法的步骤包括：
在所述第一类别图像的数量少于第二阈值的情况下，对第二类别图像中的疑似病灶区域进行复检，确定第二类别图像中疑似病灶区域的真实性；
若第二类别图像中疑似病灶区域的复检结果为假阴性，则将假阴性的第二类别图像的图像类别修改为第一类别图像；
重新统计第一类别图像的数量，若第一类别图像的数量不少于第二阈值的情况下，确定血管病灶区域为真实病灶；若第一类别图像的数量仍少于第二阈值，则确定血管病灶区域为假阳病灶。
在一种优选地实例中，若第二类别图像中疑似病灶区域的复检结果为真阴性，则依然保持第二类别图像的图像类别。
在一种优选地实例中，所述对第二类别图像中的疑似病灶区域进行复检，确定第二类别图像中疑似病灶区域的真实性的步骤包括：
识别在所述第一类别图像的数量少于第二阈值的情况下，是否存在第一类别图像；
若不存在第一类别图像，则确定第二类别图像中疑似病灶区域的平均灰度值和与疑似病灶区域相邻血管区域的平均灰度值之间的第一关联关系，和/或，第二类别图像中疑似病灶区域的平均灰度值和与疑似病灶区域相邻生理组织区域的平均灰度值之间的第二关联关系；
当至少一个关联关系符合预定关联条件时，确定第二类别图像中的疑似病灶区域为假阴性；
当每个关联关系均不符合预定关联条件时，确定第二类别图像中的疑似病灶区域为真阴性。
在一种优选地实例中，若存在第一类型图像，则确定第二类别图像中位于疑似病灶区域内的血管中心线是否发生弯曲；
当疑似病灶区域处的血管中心线与血管边界之间的夹角大于预定角度时，确定第二类别图像中的疑似病灶区域为真阴性。
在一种优选地实例中，确定第二类别图像中疑似病灶区域的平均灰度值和与疑似病灶区域相邻血管区域的平均灰度值之间的第一关联关系，和/或，第二类别图像中疑似病灶区域的平均灰度值和与疑似病灶区域相邻生理组织区域的平均灰度值之间的第二关联关系；
当至少一个关联关系符合预定关联条件时，确定第二类别图像中的疑似病灶区域为假阴性；
当每个关联关系均不符合预定关联条件时，确定第二类别图像中的疑似病灶区域为真阴性；
若第二类别图像的复检结果中至少一个复检结果为疑似病灶区域为假阴性，则确定第二类别图像中的疑似病灶区域为假阴性。
在一种优选地实例中，所述第一关联关系为按照预定运算规则，确定疑似病灶区域和其附近血管区域之间的平均灰度值关系；和/或，
所述第二关联关系为按照预定运算规则，确定疑似病灶区域和其附近生理组织区域之间的平均灰度值关系。
在一种优选地实例中，所述预定运算规则包括：比值计算规则、差值计算规则、数值变化趋势规则、数值映射规则中的至少一种；和/或，所述预定关联条件包括：比值范围、差值范围、数值变化曲线、数值映射表中的至少一种。
第二方面，本方案提供一种血管病灶识别装置，包括：
获取模块，获取多种类型的血管后处理图像；
识别模块，对每种后处理图像中的病灶进行识别，获得疑似病灶区域及其对应的识别概率值；其中，所述疑似病灶区域的识别概率值不小于第一阈值的血管后处理图像为第一类别图像；所述疑似病灶区域的识别概率值小于第一阈值的血管后处理图像为第二类别图像；
确定模块，在所述第一类别图像的数量不少于第二阈值的情况下，确定血管病灶区域为真实病灶。
在一种优选地实例中，该装置还包括：复检模块，在所述第一类别图像的数量少于第二阈值的情况下，对第二类别图像中的疑似病灶区域进行复检，确定第二类别图像中疑似病灶区域的真实性；
若第二类别图像中疑似病灶区域为假阴性，则将假阴性的第二类别图像修改为第一类别图像；
重新统计第一类别图像的数量，若第一类别图像的数量不少于第二阈值的情况下，确定血管病灶区域为真实病灶；若第一类别图像的数量仍少于第二阈值，则确定血管病灶区域为假阳病灶。
第三方面，本方案提供一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的方法。
第四方面，本方案提供一种计算设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行如上所述的方法。
本发明的有益效果如下：
本方案利用多种不同类型的血管后处理图像中疑似病灶区域的识别概率值，能够快速对血管病灶进行识别，从而提高病灶诊断速度，提高诊断效率。
本方案能够针对疑似病灶区域的识别概率值小于第一阈值的血管后处理图像进行复检，用以纠正假阴性的血管后处理图像的图像类别，通过重新统计第一类别图像的数量，从而避免血管病灶的漏检问题，提高病灶识别的准确性。
附图说明
为了更清楚地说明本发明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示出本方案所述血管病灶识别方法的一种实例的示意图；
图2示出本方案所述具有疑似病灶区域的多种类型的血管后处理图像的一种实例的示意图；
图3示出本方案所述血管病灶识别方法的一种实例的示意图；
图4示出本方案所述具有疑似病灶区域的多种类型的血管后处理图像的另一种实例的示意图；
图5示出本方案所述血管病灶识别装置的示意图；
图6示出本方案所述电子设备的示意图。
具体实施方式
为使本发明的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
经过对现有技术的分析和研究，现有技术中为了提升诊断效率，通常采用预先训练好的识别模型，对病灶进行识别，然而，模型的准确率有效，通常会出现漏检和错检的问题。若通过人工诊断，通常需要靠医生的诊断经验，这种方式非常耗费医生经理，在疲劳状态下，依然会出现诊断结果不佳的问题。
因此，本方案旨在提供一种血管病灶识别方法，通过利用多种类型的血管后处理图像，结合图像中疑似病灶区域的识别概率值，能够快速识别血管病灶。并且，通过复检的方式，将模型漏检的病灶区域识别出来，在提升识别速度的同时，能够有效避免漏检的问题。
以下，结合附图对本方案提出的一种血管病灶识别方法进行详细描述。
如图1所示，本方案所述血管病灶识别方法的具体步骤包括：
步骤S1、获取多种类型的血管后处理图像；
步骤S2、对每种后处理图像中的病灶进行识别，获得疑似病灶区域及其对应的识别概率值；其中，将所述疑似病灶区域的识别概率值不小于第一阈值的血管后处理图像作为第一类别图像；将所述疑似病灶区域的识别概率值小于第一阈值的血管后处理图像作为第二类别图像；
步骤S3、在所述第一类别图像的数量不少于第二阈值的情况下，确定血管病灶区域为真实病灶。
本方案中，根据需要可以通过计算机断层摄影(CT)、螺旋CT、X光、正电子发射X射线层析摄影(PET)、荧光监察法、超声和磁共振(MR)等成像系统采集的人体生理组织医学影像，以此作为原始图像。利用二分类算法等分割算法，从原始图像中将血管图像分割出来，作为后续血管病灶识别的基础图像。
本方案在步骤S1中，可以以分割完的血管图像为基准，通过图像后处理技术，生成曲面图像CPR、拉直图像、多平面重建图像MPR、探针图像(血管切面图)、最大密度投影MIP、VR图像等多种类型的后处理图像。本方案中，不同类型的后处理图像，可以通过预先烧写在处理器中处理模型或处理算法，对分割完的血管图像进行处理，得到的后处理图像。针对生成后处理图像的处理模型或处理算法均采用常规模型或算法，此处不在赘述。
本方案在步骤S2中，可以利用R-CNN网络模型、U-net网络模型等分割模型对每种类型的后处理图像中的病灶进行识别，得到对应的疑似病灶区域及其对应的识别概率值。通过识别概率值能够初步判断疑似病灶区域是否为真阳的病灶区域。在一种实例中，如图2所示，利用分割模型对CPR图像、拉直图像和MPR图像中的病灶进行识别，同时给出识别概率值。CPR图像中的疑似病灶区域的识别概率值为0.4，拉直图像中的疑似病灶区域的识别概率值为0.5，MPR图像中的疑似病灶区域的识别概率值为0.2。通过预先设定第一阈值，来确定各种类型的后处理图像中，疑似病灶区域是否为真阳的病灶区域。例如，第一阈值设置为0.4，那么，通过比较可知，CPR图像中的疑似病灶区域为真阳，拉直图像中的疑似病灶区域为真阳，MPR图像中的疑似病灶区域为假阳。
此处需要注意的是：第一阈值的取值方式，可以根据对诊断准确度的需求进行适当调整。例如，在识别模型识别过程中，通常会存在误差，因此，可以适当将第一阈值调整的低一些，例如，第一阈值设置为0.3，防止遗漏真阳的病灶区域。也可以为了提高筛选准确度，将第一阈值调整的高一些，例如，第一阈值设置为0.6。以上的方式均可以看作是示范性的实例，而非限制性的方案。
本方案中，为了方便后续统计不同图像类型的血管后处理图像的数量，可以将所述疑似病灶区域的识别概率值不小于第一阈值的血管后处理图像作为第一类别图像；将所述疑似病灶区域的识别概率值小于第一阈值的血管后处理图像作为第二类别图像。通过这种方式，能够快速统计不同图像类别的血管后处理图像的数量，并且，通过划分图像类别，能够方便后续将第二类别图像中假阴性的血管后处理图像改变为第一类别图像，避免由于前述的识别概率值与第一阈值的比对关系，导致无法正确统计不少于第二阈值的血管后处理图像总量的问题。
本方案步骤S3中，对第一类别图像的数量进行统计，并将第一类别图像的总量与第二阈值作比较，如果第一类别图像的数量不少于第二阈值的情况下，则可以确定血管病灶区域为真实病灶。在一种实例中，如图2所示，预设第一阈值为0.4，第二阈值为2。CPR图像中的疑似病灶区域的识别概率值为0.4，拉直图像中的疑似病灶区域的识别概率值为0.5，MPR图像中的疑似病灶区域的识别概率值为0.2。由此可知，第一类别图像的数量为2，不少于设定的第二阈值。因此，可以确定血管病灶区域为真实病灶。
此处需要注意的是：第二阈值的取值方式，可以根据获得的多种血管后处理图像的数量、识别精度等，对第二阈值进行调整。例如，只有3种类型的后处理图像时，可以将第二阈值设置为2。例如，有5种类型的后处理图像时，可以将第二阈值设置为2或3。再例如，有8种类型的后处理图像时，那么，第二阈值的设置数值可以不低于总数的三分之一，不高于总数的四分之三。以上的方式均可以看作是示范性的实例，而非限制性的方案。
在识别模型识别过程中，通常会存在误差，因此，可以适当将第一阈值调整的低一些，例如，第一阈值设置为0.3，防止遗漏真阳的病灶区域。也可以为了提高筛选准确度，将第一阈值调整的高一些，例如，第一阈值设置为0.6。
通过上述方式能够快速识别出血管上的病灶，有效提高AI诊断效率。但是，通过识别模型对血管后处理图像中的病灶区域进行识别，一定会存在识别误差，即可能将真阳病灶识别为真阴病灶。因此，本方案进一步提供了一种复检方法，通过复检方法，找到第二类别图像中，识别模型识别有误的病灶区域，并将这种情况的第二类别图像修改为第一类别图像，然后，再重新统计第一类别图像的数量，从而修正血管病灶的识别结果。
具体来说，如图3所示，本方案所述血管病灶识别方法还包括：
S4、在所述第一类别图像的数量少于第二阈值的情况下，对第二类别图像中的疑似病灶区域进行复检，确定第二类别图像中疑似病灶区域的真实性；若第二类别图像中疑似病灶区域为假阴性，则将假阴性的第二类别图像的图像类别修改为第一类别图像；
S5、重新统计第一类别图像的数量，若第一类别图像的数量不少于第二阈值的情况下，确定血管病灶区域为真实病灶；若第一类别图像的数量仍少于第二阈值，则确定血管病灶区域为假阳病灶。
本方案在步骤S4中，主要是针对第一类别图像的数量少于第二阈值的情况下，对第二类别图像中的疑似病灶区域进行复检，从第二类别图像中找到被遗漏的假阴性的疑似病灶区域，并将这种第二类别图像的图像类别修改第一类别图像。如果，通过复检后的第二类别图像中疑似病灶区域依然能够判断为真阴性，那么，保持这种第二类别图像的图像类别。经过复检后的血管后处理图像，利用步骤S5重新进行第一类别图像的统计，这次统计过程中，第一类别图像的数量不少于第二阈值的情况下，确定血管病灶区域为真实病灶，从而完成对前一次病灶识别结果的修正。若本次统计过程中，第一类别图像的数量仍少于第二阈值，则可以确定血管病灶区域为假阳病灶，即血管上并无病灶区域。
本方案中,在对第二类别图像中的疑似病灶区域进行复检之前,需要先判断在所述第一类别图像的数量少于第二阈值的情况下，所有血管后处理图像中是否存在第一类别图像。
如图4所示，如果经过判断，不存在第一类别图像，则初步确定所有血管后处理图像均为第二类别图像，此时可以采用第一种复检策略，即利用第二类别图像的平均灰度值来寻找遗漏的病灶区域。
具体来说，第一种复检策略的执行方式可以为：分别计算第二类别图像中疑似病灶区域的平均灰度值，与疑似病灶区域相邻血管区域的平均灰度值，以及与疑似病灶区域相邻生理组织区域的平均灰度值。按照预定运算规则，确定疑似病灶区域和其附近血管区域之间的平均灰度值关系，作为第一关联关系；所述第二关联关系为按照预定运算规则，确定疑似病灶区域和其附近生理组织区域之间的平均灰度值关系，作为第二关联关系。根据当至少一个关联关系符合预定关联条件时，确定第二类别图像中的疑似病灶区域为假阴性；当每个关联关系均不符合预定关联条件时，确定第二类别图像中的疑似病灶区域为真阴性。当关联关系均不符合预定关联条件时，则可以确定第二类别图像中的疑似病灶区域为真阴性。另外，如果为了进一步提高准确性，也可以限定的更加严格一些，即当两个关联关系均符合预定关联条件时，确定第二类别图像中的疑似病灶区域为假阴性。
此处需要说明的是，上述两个关联关系中的每一个都可以作为单独的判断条件，即仅利用任意一个关联关系对第二类别图像中疑似病灶区域的真实性进行判断也是可以的。依次类推，根据需要也可以增加其他关联关系，以上所描述关联关系仅仅是示例性的，并非限定性。
在一种实例中，根据某一个第二类别图像中的疑似病灶区域，以及预先选好的分割模型，对与病灶区域相邻的血管和与病灶区域相邻的生理组织进行分割，获得对应的血管区域和生理组织区域。其中，分割模型可以采用U-net、HR-net、Dice-loss等深度学习分割网络模型。生理组织区域可以为骨骼、器官等人体生理组织。然后，分别计算疑似病灶区域的平均灰度值、与病灶区域相邻血管区域的平均灰度值和与病灶区域相邻生理组织区域的平均灰度值。其中，灰度值是指黑白图像中点的颜色深度或者亮暗差别，灰度值范围一般从0到255，其中，白色为255，黑色为0。平均灰度值是将所有像素点的灰度值进行求和后再除以求和的像素点个数，通过这种方式计算得到目标图像区域的平均灰度值。将运算规则设定为计算比值，即计算疑似病灶区域的平均灰度值和与疑似病灶区域相邻血管区域的平均灰度值的第一比值；计算疑似病灶区域的平均灰度值和与疑似病灶区域相邻生理组织区域的平均灰度值的第二比值。提取不同病灶类型中与第一比值的类型相对应的第一阈值范围和与第二比值的类型相对应的第二阈值范围，并将阈值范围作为预定关联条件。如果第一比值符合第一阈值范围；或者，第二比值符合第二阈值范围；再或者，第一比值符合第一阈值范围，且第二比值符合第二阈值范围的情况下，可以确定此时的第二类别图像中的疑似病灶区域为假阴性。如果所有的比值均不符合阈值范围，则可以确定第二类别图像中的疑似病灶区域为真阴性。
如图2所示，如果经过判断，存在第一类别图像，则仅需要针对第二类别图像，此时可以采用第二种复检策略，即利用第二类别图像的平均灰度值和第二类别图像中的血管中心线的走势，来寻找遗漏的病灶区域。
具体来说，第二种复检策略的执行方式可以为：先利用二分类等分割算法，将血管中心线提取出来。判断位于疑似病灶区域位置的血管中心线是否发生弯曲，若发生弯曲，可能存在假阳的病灶区域。为了能够量化血管中心线的弯曲程度，可以利用位于疑似病灶区域的血管中心线和血管边界之间的夹角来判断弯曲程度。即当疑似病灶区域中的血管中心线与血管边界之间的夹角大于预定角度时，确定第二类别图像中的疑似病灶区域为真阴性。位于疑似病灶区域中的血管中心线与该区域中的血管边界之间的夹角阈值，可以根据精度需要，进行适当调整。在一种实例中，可以将角度阈值设定为30°。也就是说，如果疑似病灶区域中的血管中心线与该区域中的血管边界之间的夹角超过30°，则可以确定此处的血管中心线是分割有误的，该疑似病灶区域为真阴性。
利用血管中心线判断完毕之后，再利用第二类别图像的平均灰度值来寻找遗漏的病灶区域。具体过程已在前述内容描述，此处不在赘述。
本方案中，针对当所述第一类别图像的数量少于第二阈值时，存在第一类别图像的情况下，利用第二类别图像的平均灰度值，能够得到一种复检结果；利用第二类别图像中的血管中心线的走势，能够得到另一种复检结果。此时，若某一个第二类别图像的复检结果中有一个复检结果表明疑似病灶区域为假阴性，即可认定这个第二类别图像中的疑似病灶区域为假阴性，从而快速、准确寻找到被遗漏的病灶区域。
此外，本方案中，预定运算规则不仅限于比值计算规则，还可以是差值计算规则、数值变化趋势规则、数值映射规则等等。不同规则针对的预定关联条件也会有所不同。例如，比值计算规则可以对应比值范围。差值计算规则可以对应差值范围。数值变化趋势规则可以对应预先设计的数值变化曲线，根据数值变化曲线上的对应关系，来确定是否满足预定关联条件。数值映射规则可以对应预先构建数值映射表，通过查找表上的映射关系，来确定是否满足预定关联关系。
综上所述，本方案能够针对疑似病灶区域的识别概率值小于第一阈值的血管后处理图像进行复检，用以纠正假阴性的血管后处理图像的图像类别，通过重新统计第一类别图像的数量，从而避免血管病灶的漏检问题，提高病灶识别的准确性。
如图5所示，本方案进一步提供了配合上述血管病灶识别方法实施的血光病灶识别装置101，该装置包括：获取模块102、识别模块103和确定模块104。该装置在工作时，获取模块102获取多种类型的血管后处理图像；然后，利用识别模块103对每种后处理图像中的病灶进行识别，获得疑似病灶区域及其对应的识别概率值；其中，所述疑似病灶区域的识别概率值不小于第一阈值的血管后处理图像为第一类别图像；所述疑似病灶区域的识别概率值小于第一阈值的血管后处理图像为第二类别图像；最后，确定模块104对第一类别图像的数量进行统计，在所述第一类别图像的数量不少于第二阈值的情况下，确定血管病灶区域为真实病灶。
本方案中，获取模块102可以直接调取血管后处理图像，基于分割完的血管图像生成后处理图像的工作可以由其他模块或者设备来完成。
本方案中，识别模块103可以利用R-CNN网络模型、U-net网络模型等分割模型对每种类型的后处理图像中的病灶进行识别，得到对应的疑似病灶区域及其对应的识别概率值。通过识别概率值能够初步判断疑似病灶区域是否为真阳的病灶区域。为了方便后续统计不同图像类型的血管后处理图像的数量，可以将所述疑似病灶区域的识别概率值不小于第一阈值的血管后处理图像作为第一类别图像；将所述疑似病灶区域的识别概率值小于第一阈值的血管后处理图像作为第二类别图像。通过这种方式，能够快速统计不同图像类别的血管后处理图像的数量，并且，通过划分图像类别，能够方便后续将第二类别图像中假阴性的血管后处理图像改变为第一类别图像，避免由于前述的识别概率值与第一阈值的比对关系，导致无法正确统计不少于第二阈值的血管后处理图像总量的问题。
本方案中，利用确定模块104对第一类别图像的数量进行统计，在所述第一类别图像的数量不少于第二阈值的情况下，确定血管病灶区域为真实病灶。这种方式能够快速识别出血管上的病灶，有效提高AI诊断效率。通过识别模型对血管后处理图像中的病灶区域进行识别，一定会存在识别误差，即可能将真阳病灶识别为真阴病灶。因此，本方案进一步在该装置配置了复检模块105通过复检方法，找到第二类别图像中，识别模型识别有误的病灶区域，并将这种情况的第二类别图像修改为第一类别图像，然后，再重新统计第一类别图像的数量，从而修正血管病灶的识别结果。具体复检的步骤已在上述方案描述，此处不再赘述。
应当理解，本方案中各模块或单元可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(Programmable GateArray，PGA)，现场可编程门阵列(Field Programmable Gate Array，FPGA)等。
在上述血管病灶识别方法实施方式的基础上，本方案进一步提供一种计算机可读存储介质。该计算机可读存储介质用于实现上述血管病灶识别方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在设备，例如个人电脑上运行。然而，本方案的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本方案操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等，还包括常规的过程式程序设计语言-诸如"C"语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在上述血管病灶识别方法实施方式的基础上，本方案进一步提供一种电子设备。如图6所示电子设备仅仅是一个示例，不应对本方案实施例的功能和使用范围带来任何限制。
如图6所示，电子设备201以通用计算设备的形式表现。电子设备201的组件可以包括但不限于：至少一个存储单元202、至少一个处理单元203、显示单元204和用于连接不同系统组件的总线205。
其中，所述存储单元202存储有程序代码，所述程序代码可以被所述处理单元203执行，使得所述处理单元203执行上述设备征兆信息获取方法中描述的各种示例性实施方式的步骤。例如，所述处理单元203可以执行如图1中所示的步骤。
存储单元202可以包括易失性存储单元，例如随机存取存储单元(RAM)和/或高速缓存存储单元，还可以进一步包括只读存储单元(ROM)。
存储单元202还可以包括具有程序模块的程序/实用工具，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线205可以包括数据总线、地址总线和控制总线。
电子设备201也可以与一个或多个外部设备207(例如键盘、指向设备、蓝牙设备等)通信，这种通信可以通过输入/输出(I/O)接口206进行。应当明白，尽管图中未示出，可以结合电子设备201使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (7)
1.一种血管病灶识别方法，其特征在于，该方法的步骤包括：
获取多种类型的血管后处理图像；
对每种血管后处理图像中的病灶进行识别，获得疑似病灶区域及其对应的识别概率值；其中，将所述疑似病灶区域的识别概率值不小于第一阈值的血管后处理图像作为第一类别图像；将所述疑似病灶区域的识别概率值小于第一阈值的血管后处理图像作为第二类别图像；
在所述第一类别图像的数量不少于第二阈值的情况下，确定血管病灶区域为真实病灶；
在所述第一类别图像的数量少于第二阈值的情况下，对第二类别图像中的疑似病灶区域进行复检，确定第二类别图像中疑似病灶区域的真实性；若第二类别图像中疑似病灶区域的复检结果为假阴性，则将假阴性的第二类别图像的图像类别修改为第一类别图像；
重新统计第一类别图像的数量，若第一类别图像的数量不少于第二阈值的情况下，确定血管病灶区域为真实病灶；若第一类别图像的数量仍少于第二阈值，则确定血管病灶区域为假阳病灶；
其中，所述对第二类别图像中的疑似病灶区域进行复检，确定第二类别图像中疑似病灶区域的真实性的步骤包括：
识别在所述第一类别图像的数量少于第二阈值的情况下，是否存在第一类别图像；
若不存在第一类别图像，则确定第二类别图像中疑似病灶区域的平均灰度值和与疑似病灶区域相邻血管区域的平均灰度值之间的第一关联关系，和/或，第二类别图像中疑似病灶区域的平均灰度值和与疑似病灶区域相邻生理组织区域的平均灰度值之间的第二关联关系；
当至少一个关联关系符合预定关联条件时，确定第二类别图像中的疑似病灶区域为假阴性；
当每个关联关系均不符合预定关联条件时，确定第二类别图像中的疑似病灶区域为真阴性；
若存在第一类别图像，则确定第二类别图像中位于疑似病灶区域内的血管中心线是否发生弯曲；
在发生弯曲的情况下，当疑似病灶区域处的血管中心线与血管边界之间的夹角大于预定角度时，确定第二类别图像中的疑似病灶区域为真阴性；
确定第二类别图像中疑似病灶区域的平均灰度值和与疑似病灶区域相邻血管区域的平均灰度值之间的第一关联关系，和/或，确定第二类别图像中疑似病灶区域的平均灰度值和与疑似病灶区域相邻生理组织区域的平均灰度值之间的第二关联关系；
当至少一个关联关系符合预定关联条件时，确定第二类别图像中的疑似病灶区域为假阴性；
当每个关联关系均不符合预定关联条件时，确定第二类别图像中的疑似病灶区域为真阴性；
若存在第一类别图像的情况下，利用第二类别图像的平均灰度值获得的复检结果和利用第二类别图像中血管中心线的弯曲情况获得的复检结果中有一个复检结果表明为疑似病灶区域为假阴性，则确定第二类别图像中的疑似病灶区域为假阴性。
2.根据权利要求1所述的血管病灶识别方法，其特征在于，若第二类别图像中疑似病灶区域的复检结果为真阴性，则依然保持第二类别图像的图像类别。
3.根据权利要求1所述的血管病灶识别方法，其特征在于，所述第一关联关系为按照预定运算规则，确定疑似病灶区域和其附近血管区域之间的平均灰度值关系；和/或，
所述第二关联关系为按照预定运算规则，确定疑似病灶区域和其附近生理组织区域之间的平均灰度值关系。
4.根据权利要求3所述的血管病灶识别方法，其特征在于，所述预定运算规则包括：比值计算规则、差值计算规则、数值变化趋势规则、数值映射规则中的至少一种；和/或，
所述预定关联条件包括：比值范围、差值范围、数值变化曲线、数值映射表中的至少一种。
5.一种血管病灶识别装置，其特征在于，包括：
获取模块，获取多种类型的血管后处理图像；
识别模块，对每种血管后处理图像中的病灶进行识别，获得疑似病灶区域及其对应的识别概率值；其中，所述疑似病灶区域的识别概率值不小于第一阈值的血管后处理图像为第一类别图像；所述疑似病灶区域的识别概率值小于第一阈值的血管后处理图像为第二类别图像；
确定模块，在所述第一类别图像的数量不少于第二阈值的情况下，确定血管病灶区域为真实病灶；
复检模块，在所述第一类别图像的数量少于第二阈值的情况下，对第二类别图像中的疑似病灶区域进行复检，确定第二类别图像中疑似病灶区域的真实性；若第二类别图像中疑似病灶区域的复检结果为假阴性，则将假阴性的第二类别图像的图像类别修改为第一类别图像；
重新统计第一类别图像的数量，若第一类别图像的数量不少于第二阈值的情况下，确定血管病灶区域为真实病灶；若第一类别图像的数量仍少于第二阈值，则确定血管病灶区域为假阳病灶；
其中，所述对第二类别图像中的疑似病灶区域进行复检，确定第二类别图像中疑似病灶区域的真实性的步骤包括：
识别在所述第一类别图像的数量少于第二阈值的情况下，是否存在第一类别图像；
若不存在第一类别图像，则确定第二类别图像中疑似病灶区域的平均灰度值和与疑似病灶区域相邻血管区域的平均灰度值之间的第一关联关系，和/或，第二类别图像中疑似病灶区域的平均灰度值和与疑似病灶区域相邻生理组织区域的平均灰度值之间的第二关联关系；
当至少一个关联关系符合预定关联条件时，确定第二类别图像中的疑似病灶区域为假阴性；
当每个关联关系均不符合预定关联条件时，确定第二类别图像中的疑似病灶区域为真阴性；
若存在第一类别图像，则确定第二类别图像中位于疑似病灶区域内的血管中心线是否发生弯曲；
在发生弯曲的情况下，当疑似病灶区域处的血管中心线与血管边界之间的夹角大于预定角度时，确定第二类别图像中的疑似病灶区域为真阴性；
确定第二类别图像中疑似病灶区域的平均灰度值和与疑似病灶区域相邻血管区域的平均灰度值之间的第一关联关系，和/或，确定第二类别图像中疑似病灶区域的平均灰度值和与疑似病灶区域相邻生理组织区域的平均灰度值之间的第二关联关系；
当至少一个关联关系符合预定关联条件时，确定第二类别图像中的疑似病灶区域为假阴性；
当每个关联关系均不符合预定关联条件时，确定第二类别图像中的疑似病灶区域为真阴性；
若存在第一类别图像的情况下，利用第二类别图像的平均灰度值获得的复检结果和利用第二类别图像中血管中心线的弯曲情况获得的复检结果中有一个复检结果表明为疑似病灶区域为假阴性，则确定第二类别图像中的疑似病灶区域为假阴性。
6.一种计算机存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-4任一项所述的方法。
7.一种计算设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110684194.1A CN115578554B (zh) | 2021-06-21 | 2021-06-21 | 一种血管病灶识别方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110684194.1A CN115578554B (zh) | 2021-06-21 | 2021-06-21 | 一种血管病灶识别方法、装置、电子设备和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115578554A CN115578554A (zh) | 2023-01-06 |
| CN115578554B true CN115578554B (zh) | 2024-02-02 |
Family
ID=84579391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110684194.1A Active CN115578554B (zh) | 2021-06-21 | 2021-06-21 | 一种血管病灶识别方法、装置、电子设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115578554B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108447046A (zh) * | 2018-02-05 | 2018-08-24 | 龙马智芯（珠海横琴）科技有限公司 | 病灶的检测方法和装置、设备、计算机可读存储介质 |
| CN109308460A (zh) * | 2018-09-06 | 2019-02-05 | 深兰科技（上海）有限公司 | 物品检测方法、系统及计算机可读存储介质 |
| CN109949866A (zh) * | 2018-06-22 | 2019-06-28 | 深圳市达仁基因科技有限公司 | 病原体操作组的检测方法、装置、计算机设备和存储介质 |
| CN110298832A (zh) * | 2019-06-25 | 2019-10-01 | 沈阳东软智能医疗科技研究院有限公司 | 梗死灶区域检测方法、装置、存储介质及设备 |
| CN111445478A (zh) * | 2020-03-18 | 2020-07-24 | 吉林大学 | 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 |
| WO2020151307A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技（深圳）有限公司 | 病灶自动识别方法、装置及计算机可读存储介质 |
| CN111523593A (zh) * | 2020-04-22 | 2020-08-11 | 北京百度网讯科技有限公司 | 用于分析医学影像的方法和装置 |
| CN111785363A (zh) * | 2020-06-03 | 2020-10-16 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种基于ai引导的慢性病辅助诊断系统 |
| CN112037168A (zh) * | 2020-07-23 | 2020-12-04 | 上海交通大学附属第六人民医院 | 一种血管检测方法、装置以及计算机存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10803298B2 (en) * | 2018-01-04 | 2020-10-13 | Shutterfly, Llc | High precision additive pattern recognition for image and other applications |
-
2021
- 2021-06-21 CN CN202110684194.1A patent/CN115578554B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108447046A (zh) * | 2018-02-05 | 2018-08-24 | 龙马智芯（珠海横琴）科技有限公司 | 病灶的检测方法和装置、设备、计算机可读存储介质 |
| CN109949866A (zh) * | 2018-06-22 | 2019-06-28 | 深圳市达仁基因科技有限公司 | 病原体操作组的检测方法、装置、计算机设备和存储介质 |
| CN109308460A (zh) * | 2018-09-06 | 2019-02-05 | 深兰科技（上海）有限公司 | 物品检测方法、系统及计算机可读存储介质 |
| WO2020151307A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技（深圳）有限公司 | 病灶自动识别方法、装置及计算机可读存储介质 |
| CN110298832A (zh) * | 2019-06-25 | 2019-10-01 | 沈阳东软智能医疗科技研究院有限公司 | 梗死灶区域检测方法、装置、存储介质及设备 |
| CN111445478A (zh) * | 2020-03-18 | 2020-07-24 | 吉林大学 | 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 |
| CN111523593A (zh) * | 2020-04-22 | 2020-08-11 | 北京百度网讯科技有限公司 | 用于分析医学影像的方法和装置 |
| CN111785363A (zh) * | 2020-06-03 | 2020-10-16 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种基于ai引导的慢性病辅助诊断系统 |
| CN112037168A (zh) * | 2020-07-23 | 2020-12-04 | 上海交通大学附属第六人民医院 | 一种血管检测方法、装置以及计算机存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Diagnostic criteria for vascular cognitive disorders: a VASCOG statement;Perminder Sachdev 等;《PubMed Central》;第2015年卷;第206–218页 * |
| 基于单导联心电图的多种心律失常智能识别算法研究;李萌萌;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;第2020年卷(第7期);第E062-120页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115578554A (zh) | 2023-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111401398B (zh) | 用于根据人工智能检测输出确定疾病进展的系统和方法 | |
| AU2018376561B2 (en) | Three-dimensional medical image analysis method and system for identification of vertebral fractures | |
| EP3742451B1 (en) | Apparatus for predicting metadata of medical image and method thereof | |
| US10650282B2 (en) | Medical image classification apparatus, method, and program | |
| WO2021186592A1 (ja) | 診断支援装置及びモデル生成装置 | |
| US11227689B2 (en) | Systems and methods for verifying medical diagnoses | |
| CN110910404B (zh) | 一种抗噪声数据的乳腺超声结节分割方法 | |
| US20120053446A1 (en) | Voting in image processing | |
| WO2019217903A1 (en) | Automated screening of medical data | |
| CN111145160A (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
| CN115206478A (zh) | 医学报告生成方法以及装置、电子设备、可读存储介质 | |
| US20050002548A1 (en) | Automatic detection of growing nodules | |
| CN111899848B (zh) | 图像识别方法及设备 | |
| WO2020235461A1 (ja) | 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法 | |
| CN115578554B (zh) | 一种血管病灶识别方法、装置、电子设备和可读存储介质 | |
| US20100202674A1 (en) | Voting in mammography processing | |
| KR102469907B1 (ko) | 복수의 폐질환을 스크리닝하기 위한 의료 영상 재구성 장치 및 방법 | |
| CN112766333B (zh) | 医学影像处理模型训练方法、医学影像处理方法及装置 | |
| CN112862787B (zh) | Cta影像数据处理方法、装置及存储介质 | |
| CN113450306A (zh) | 提供骨折检测工具的方法 | |
| CN112633405A (zh) | 模型训练方法、医学影像分析方法及装置、设备、介质 | |
| CN115482246B (zh) | 一种图像信息提取方法、装置、电子设备和可读存储介质 | |
| CN115511773B (zh) | 一种血管中心线提取方法、装置、设备和可读存储介质 | |
| Han et al. | Reconstruction of Patient-Specific Confounders in AI-based Radiologic Image Interpretation using Generative Pretraining | |
| CN115482181B (zh) | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230620 Address after: 200,030 Room 307, Area A, Floor 2, No.420 Fenglin Road, Xuhui District, Shanghai Applicant 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 Applicant before: Shukun (Beijing) Network Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |