CN116309484A - 一种智慧医疗医学影像识别方法 - Google Patents

一种智慧医疗医学影像识别方法 Download PDF

Info

Publication number
CN116309484A
CN116309484A CN202310294411.5A CN202310294411A CN116309484A CN 116309484 A CN116309484 A CN 116309484A CN 202310294411 A CN202310294411 A CN 202310294411A CN 116309484 A CN116309484 A CN 116309484A
Authority
CN
China
Prior art keywords
image
medical
model
images
medical image
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
Application number
CN202310294411.5A
Other languages
English (en)
Inventor
黄永正
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.)
Advantech China Co ltd
Original Assignee
Advantech China 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 Advantech China Co ltd filed Critical Advantech China Co ltd
Priority to CN202310294411.5A priority Critical patent/CN116309484A/zh
Publication of CN116309484A publication Critical patent/CN116309484A/zh
Pending legal-status Critical Current

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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种智慧医疗医学影像识别方法，该方法提高图像质量，提高医学影像的识别准确度，帮助医生提升诊断的准确性和阅片效率；具体包括以下步骤：接收医学影像生成请求，并基于所述医学影像生成请求进行图像重建，得到待处理的医疗影像；对所述待处理的医疗影像进行预处理，并对预处理后得到的医疗影像进行图像分割处理，得到若干分割影像；获取预设的模板图像库，将所述若干分割影像与所述模板图像库进行图像配准；对配准后的每个分割影像标注特征信息，并将所述每个分割影像输入影像识别模型中，得到所述影像识别模型输出的目标影像信息。

Description

一种智慧医疗医学影像识别方法
技术领域
本发明涉及医学影像相关技术领域，特别是一种智慧医疗医学影像识别方法。
背景技术
医学影像技术主要研究基础医学、临床医学、人体断面解剖学、医学影像技术与设备等方面的基本知识和技能，进行医学影像的检验与诊断以及相关设备的维护管理等。常见的医学影像技术有：CT、B超、X光片、核磁共振、心血管造影、多普勒彩超等。医学影像是临床疾病筛查、诊断、治疗引导和评估的重要工具。常规的医学影像诊断依赖于阅片医生的水平和经验，对于医院而言，每天就诊的患者数量非常大，操作医师处于高强度的工作状态，容易产生视觉疲劳，影响医学影像的质量以及后续疾病诊断的效果；对于基层医院而言，受限制于操作医师的经验，较难保证得到高质量的医学影像，存在着主观性强、重复性低以及定量分析不够等问题。鉴于此，有必要对现有的医学影像识别工作进行改进。
发明内容
本发明的目的是为了解决上述问题，设计了一种智慧医疗医学影像识别方法。
实现上述目的本发明的技术方案为，进一步，在上述智慧医疗医学影像识别方法中，该所述识别方法包括以下步骤：
接收医学影像生成请求，并基于所述医学影像生成请求进行图像重建，得到待处理的医疗影像；
对所述待处理的医疗影像进行预处理，并对预处理后得到的医疗影像进行图像分割处理，得到若干分割影像；
获取预设的模板图像库，将所述若干分割影像与所述模板图像库进行图像配准；
对配准后的每个分割影像标注特征信息，并将所述每个分割影像输入影像识别模型中，得到所述影像识别模型输出的目标影像信息。
进一步，在上述智慧医疗医学影像识别方法中，所述基于所述医学影像生成请求进行图像重建，得到待处理的医疗影像，包括：
获取所述医学影像生成请求，并进行解析，得到所述生成请求中的影像虚部和影像实部；
调用复数卷积的残差网络，其中所述复数卷积的残差网络包括多层级联，每层级联中的块包括一个卷积神经网络单元和一个数据拟合单元；
在所述所述复数卷积的残差网络的各层级联之间，获取欠采样k空间数据，更新层输出，得到影像虚部和影像实部之间的相关度；
根据所述影像虚部和影像实部之间的相关度，得到待处理的医疗影像。
进一步，在上述智慧医疗医学影像识别方法中，所述待处理的医疗影像的预处理至少包括图像灰度化、图像归类、图像增强、和图像去噪声处理中的一种或多种。
进一步，在上述智慧医疗医学影像识别方法中，所述对预处理后得到的医疗影像进行图像分割处理，得到若干分割影像，包括：
获取训练集和验证集，并通过数据扩展方式增加所述训练集和验证集的数量，所述数据扩展方式包括镜像翻转、缩放、裁剪中的一直或多种；
构建U-Net神经网络模型，在所述卷积层和激活函数之间加入批标准化层，其中U-Net神经网络模型包括编码器和解码器，所述编码器包括卷积层；
对所述训练集进行划分，多次对所述U-Net神经网络模型进行训练，以得到多个模型参数，对所述多个模型参数进行平均处理，以得到训练好的U-Net神经网络模型；
将预处理后得到的医疗影像输入所述训练好的U-Net神经网络模型，得到若干分割影像；
对所述若干分割影像依次进行平滑边界处理和去除分割噪声处理。
进一步，在上述智慧医疗医学影像识别方法中，所述获取预设的模板图像库，将所述若干分割影像与所述模板图像库进行图像配准，包括：
获取预设的配准的空间变换参数，并确定初始模型；
在所述初始模型的训练阶段的每次迭代中，输入两幅图像，通过网络回归获得输出的空间变换参数；
获取预设的模板图像库，并确定所述预设的模板图像库中的监督数据；
基于所述空间变换参数与所述监督数据，得到损失函数，并计算误差，以更新网络参数，以得到图像配准模型；
将所述若干分割影像输入所述图像配准模型中，得到配准后的每个分割影像。
进一步，在上述智慧医疗医学影像识别方法中，所述特征信息至少包括轮廓、形态、大小中一种或多种。
进一步，在上述智慧医疗医学影像识别方法中，，所述将所述每个分割影像输入影像识别模型中，得到所述影像识别模型输出的目标影像信息，包括：
获取医学样本影像数据，并按一定比例将所述医学样本影像数据拆分为训练数据集、验证数据集，其中所述医学样本影像数据标注有疾病类型影像和未标注有疾病类型影像；
选用卷积神经网络，将所述训练数据输入所述卷积神经网络进行训练，得到训练后的影像识别模型；
将所述验证数据集输入所述训练后的影像识别模型，得到验证结果，以根据所述验证结果选出最优的影像识别模型；
将所述每个分割影像输入所述最优的影像识别模型，得到目标影像信息。
其有益效果在于，通过接收医学影像生成请求，并基于所述医学影像生成请求进行图像重建，得到待处理的医疗影像；对所述待处理的医疗影像进行预处理，并对预处理后得到的医疗影像进行图像分割处理，得到若干分割影像；获取预设的模板图像库，将所述若干分割影像与所述模板图像库进行图像配准；对配准后的每个分割影像标注特征信息，并将所述每个分割影像输入影像识别模型中，得到所述影像识别模型输出的目标影像信息；本发明提高图像质量，提高医学影像的识别准确度，帮助医生提升诊断的准确性和阅片效率。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
图1为本发明实施例中智慧医疗医学影像识别方法的第一个实施例示意图；
图2为本发明实施例中智慧医疗医学影像识别方法的第二个实施例示意图；
图3为本发明实施例中智慧医疗医学影像识别方法的第三个实施例示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
下面结合附图对本发明进行具体描述，如图1所示，一种智慧医疗医学影像识别方法，该控制方法包括以下步骤：
步骤101、接收医学影像生成请求，并基于医学影像生成请求进行图像重建，得到待处理的医疗影像；
步骤102、对待处理的医疗影像进行预处理，并对预处理后得到的医疗影像进行图像分割处理，得到若干分割影像；
本实施例中，待处理的医疗影像的预处理至少包括图像灰度化、图像归类、图像增强、和图像去噪声处理中的一种或多种。
步骤103、获取预设的模板图像库，将若干分割影像与模板图像库进行图像配准；
本实施例中，识别分析结果至少包括故障状态、空闲状态、维护状态、忙碌状态、行走状态和充电状态。
本实施例中，图像配准处理具体包括以下步骤：
获取预设的配准的空间变换参数，并确定初始模型；
在初始模型的训练阶段的每次迭代中，输入两幅图像，通过网络回归获得输出的空间变换参数；
获取预设的模板图像库，并确定预设的模板图像库中的监督数据；
基于空间变换参数与监督数据，得到损失函数，并计算误差，以更新网络参数，以得到图像配准模型；
将若干分割影像输入图像配准模型中，得到配准后的每个分割影像。
步骤104、对配准后的每个分割影像标注特征信息，并将每个分割影像输入影像识别模型中，得到影像识别模型输出的目标影像信息；
本实施例中，特征信息至少包括轮廓、形态、大小中一种或多种。本实施例中，图像配准模型生成过程包括以下步骤：
获取医学样本影像数据，并按一定比例将医学样本影像数据拆分为训练数据集、验证数据集，其中医学样本影像数据标注有疾病类型影像和未标注有疾病类型影像；
选用卷积神经网络，将训练数据输入卷积神经网络进行训练，得到训练后的影像识别模型；
将验证数据集输入训练后的影像识别模型，得到验证结果，以根据验证结果选出最优的影像识别模型；
将每个分割影像输入最优的影像识别模型，得到目标影像信息。
本发明实施例中，接收医学影像生成请求，并基于医学影像生成请求进行图像重建，得到待处理的医疗影像；对待处理的医疗影像进行预处理，并对预处理后得到的医疗影像进行图像分割处理，得到若干分割影像；获取预设的模板图像库，将若干分割影像与模板图像库进行图像配准；对配准后的每个分割影像标注特征信息，并将每个分割影像输入影像识别模型中，得到影像识别模型输出的目标影像信息；本发明提高图像质量，提高医学影像的识别准确度，帮助医生提升诊断的准确性和阅片效率。
本实施例中，请参阅图2，本发明实施例中智慧医疗医学影像识别方法的第二个实施例，图像重建处理具体包括以下步骤：
步骤201、获取医学影像生成请求，并进行解析，得到生成请求中的影像虚部和影像实部；
步骤202、调用复数卷积的残差网络；
本实施例中，其中复数卷积的残差网络包括多层级联，每层级联中的块包括一个卷积神经网络单元和一个数据拟合单元；
步骤203、在复数卷积的残差网络的各层级联之间，获取欠采样k空间数据，更新层输出，得到影像虚部和影像实部之间的相关度；
步骤204、根据影像虚部和影像实部之间的相关度，得到待处理的医疗影像。
本实施例中，请参阅图3，本发明实施例中智慧医疗医学影像识别方法的第三个实施例，图像分割处理具体包括以下步骤：
步骤301、获取训练集和验证集，并通过数据扩展方式增加训练集和验证集的数量；
本实施例中，数据扩展方式包括镜像翻转、缩放、裁剪中的一直或多种；
步骤302、构建U-Net神经网络模型，在卷积层和激活函数之间加入批标准化层；
本实施例中，其中U-Net神经网络模型包括编码器和解码器，编码器包括卷积层；
步骤303、对训练集进行划分，多次对U-Net神经网络模型进行训练，以得到多个模型参数，对多个模型参数进行评价处理，以得到训练好的U-Net神经网络模型。
步骤304、将预处理后得到的医疗影像输入训练好的U-Net神经网络模型，得到若干分割影像；
步骤305、对若干分割影像依次进行平滑边界处理和去除分割噪声处理。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种智慧医疗医学影像识别方法，其特征在于，该所述识别方法包括以下步骤：
接收医学影像生成请求，并基于所述医学影像生成请求进行图像重建，得到待处理的医疗影像；
对所述待处理的医疗影像进行预处理，并对预处理后得到的医疗影像进行图像分割处理，得到若干分割影像；
获取预设的模板图像库，将所述若干分割影像与所述模板图像库进行图像配准；
对配准后的每个分割影像标注特征信息，并将所述每个分割影像输入影像识别模型中，得到所述影像识别模型输出的目标影像信息。
2.根据权利要求1所述的一种智慧医疗医学影像识别方法，其特征在于，所述基于所述医学影像生成请求进行图像重建，得到待处理的医疗影像，包括：
获取所述医学影像生成请求，并进行解析，得到所述生成请求中的影像虚部和影像实部；
调用复数卷积的残差网络，其中所述复数卷积的残差网络包括多层级联，每层级联中的块包括一个卷积神经网络单元和一个数据拟合单元；
在所述所述复数卷积的残差网络的各层级联之间，获取欠采样k空间数据，更新层输出，得到影像虚部和影像实部之间的相关度；
根据所述影像虚部和影像实部之间的相关度，得到待处理的医疗影像。
3.根据权利要求1所述的一种智慧医疗医学影像识别方法，其特征在于，所述待处理的医疗影像的预处理至少包括图像灰度化、图像归类、图像增强、和图像去噪声处理中的一种或多种。
4.根据权利要求1所述的一种智慧医疗医学影像识别方法，其特征在于，所述对预处理后得到的医疗影像进行图像分割处理，得到若干分割影像，包括：
获取训练集和验证集，并通过数据扩展方式增加所述训练集和验证集的数量，所述数据扩展方式包括镜像翻转、缩放、裁剪中的一直或多种；
构建U-Net神经网络模型，在所述卷积层和激活函数之间加入批标准化层，其中U-Net神经网络模型包括编码器和解码器，所述编码器包括卷积层；
对所述训练集进行划分，多次对所述U-Net神经网络模型进行训练，以得到多个模型参数，对所述多个模型参数进行平均处理，以得到训练好的U-Net神经网络模型；
将预处理后得到的医疗影像输入所述训练好的U-Net神经网络模型，得到若干分割影像；
对所述若干分割影像依次进行平滑边界处理和去除分割噪声处理。
5.根据权利要求1所述的一种智慧医疗医学影像识别方法，其特征在于，所述获取预设的模板图像库，将所述若干分割影像与所述模板图像库进行图像配准，包括：
获取预设的配准的空间变换参数，并确定初始模型；
在所述初始模型的训练阶段的每次迭代中，输入两幅图像，通过网络回归获得输出的空间变换参数；
获取预设的模板图像库，并确定所述预设的模板图像库中的监督数据；
基于所述空间变换参数与所述监督数据，得到损失函数，并计算误差，以更新网络参数，以得到图像配准模型；
将所述若干分割影像输入所述图像配准模型中，得到配准后的每个分割影像。
6.根据权利要求1所述的一种智慧医疗医学影像识别方法，其特征在于，所述特征信息至少包括轮廓、形态、大小中一种或多种。
7.根据权利要求1所述的一种智慧医疗医学影像识别方法，其特征在于，所述将所述每个分割影像输入影像识别模型中，得到所述影像识别模型输出的目标影像信息，包括：
获取医学样本影像数据，并按一定比例将所述医学样本影像数据拆分为训练数据集、验证数据集，其中所述医学样本影像数据标注有疾病类型影像和未标注有疾病类型影像；
选用卷积神经网络，将所述训练数据输入所述卷积神经网络进行训练，得到训练后的影像识别模型；
将所述验证数据集输入所述训练后的影像识别模型，得到验证结果，以根据所述验证结果选出最优的影像识别模型；
将所述每个分割影像输入所述最优的影像识别模型，得到目标影像信息。
CN202310294411.5A 2023-03-24 2023-03-24 一种智慧医疗医学影像识别方法 Pending CN116309484A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310294411.5A CN116309484A (zh) 2023-03-24 2023-03-24 一种智慧医疗医学影像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310294411.5A CN116309484A (zh) 2023-03-24 2023-03-24 一种智慧医疗医学影像识别方法

Publications (1)

Publication Number Publication Date
CN116309484A true CN116309484A (zh) 2023-06-23

Family

ID=86825529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310294411.5A Pending CN116309484A (zh) 2023-03-24 2023-03-24 一种智慧医疗医学影像识别方法

Country Status (1)

Country Link
CN (1) CN116309484A (zh)

Similar Documents

Publication Publication Date Title
Hu et al. Parallel deep learning algorithms with hybrid attention mechanism for image segmentation of lung tumors
CN111488914B (zh) 一种基于多任务学习的阿尔茨海默症分类及预测系统
Lu et al. A 3D convolutional neural network for volumetric image semantic segmentation
CN110363760B (zh) 用于识别医学图像的计算机系统
CN112365980B (zh) 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统
JP6885517B1 (ja) 診断支援装置及びモデル生成装置
CN112365464A (zh) 一种基于gan的医学图像病变区域弱监督定位方法
Osadebey et al. Three-stage segmentation of lung region from CT images using deep neural networks
CN115210755A (zh) 解决训练数据中遗漏注释的类别不同损失函数
Saad et al. Segmentation and classification analysis techniques for stroke based on diffusion weighted images
CN112508943A (zh) 基于超声影像的乳腺肿瘤识别方法
CN112200810A (zh) 多模态的自动化脑室分割系统及其使用方法
Delmoral et al. Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study
CN116309484A (zh) 一种智慧医疗医学影像识别方法
CN115761226A (zh) 一种口腔影像分割识别方法、装置、电子设备和存储介质
Mansour et al. Kidney segmentations using cnn models
CN114331996A (zh) 基于自编码解码器的医学影像分型方法及系统
CN114549396A (zh) 一种基于图神经网络的脊椎交互式与自动分割细化方法
EP3905129A1 (en) Method for identifying bone images
Ji et al. ResDSda_U-Net: A novel U-Net based residual network for segmentation of pulmonary nodules in lung CT images
CN112633405A (zh) 模型训练方法、医学影像分析方法及装置、设备、介质
CN115148341B (zh) 一种基于体位识别的ai结构勾画方法及系统
CN113223104B (zh) 一种基于因果关系的心脏mr图像插补方法及系统
Jia et al. Three-dimensional segmentation of hippocampus in brain MRI images based on 3CN-net
CN115619810B (zh) 一种前列腺分区分割方法、系统及设备

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