CN116344001B - 一种基于人工智能的医疗信息可视化管理系统及方法 - Google Patents
一种基于人工智能的医疗信息可视化管理系统及方法 Download PDFInfo
- Publication number
- CN116344001B CN116344001B CN202310228802.7A CN202310228802A CN116344001B CN 116344001 B CN116344001 B CN 116344001B CN 202310228802 A CN202310228802 A CN 202310228802A CN 116344001 B CN116344001 B CN 116344001B
- Authority
- CN
- China
- Prior art keywords
- sketching
- medical
- medical image
- image
- module
- 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 38
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 230000000007 visual effect Effects 0.000 title claims abstract description 12
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 30
- 238000002372 labelling Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 111
- 238000012545 processing Methods 0.000 claims description 29
- 238000007726 management method Methods 0.000 claims description 25
- 238000002591 computed tomography Methods 0.000 claims description 18
- 238000003709 image segmentation Methods 0.000 claims description 15
- 238000001959 radiotherapy Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 12
- 210000000920 organ at risk Anatomy 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 10
- 206010028980 Neoplasm Diseases 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 8
- 230000008676 import Effects 0.000 claims description 4
- 210000000056 organ Anatomy 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012384 transportation and delivery Methods 0.000 claims description 3
- 210000004072 lung Anatomy 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 8
- 230000003902 lesion Effects 0.000 description 5
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 4
- 201000005202 lung cancer Diseases 0.000 description 4
- 208000020816 lung neoplasm Diseases 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000002512 chemotherapy Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004148 unit process Methods 0.000 description 2
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000005337 ground glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于人工智能的医疗信息可视化管理系统及方法，属于医疗影像AI决策技术领域。本系统包括医疗影像数据采集模块、病灶识别与标注模块、靶区自动勾画模块、数据定量分析模块和影像三维重建模块。所述医疗影像数据采集模块的输出端与所述病灶识别与标注模块的输入端相连接；所述病灶识别与标注模块的输出端与所述靶区自动勾画模块的输入端相连接；所述靶区自动勾画模块的输出端与所述数据定量分析模块的输入端相连接；所述数据定量分析模块的输出端与所述影像三维重建模块的输入端相连接。本发明能够缩短靶区勾画和治疗方案制定过程的时间，提高医生工作效率，支持互联网医疗的远程勾画方式，有效缩短患者治疗周期。
Description
技术领域
本发明涉及医疗影像AI决策技术领域，具体为一种基于人工智能的医疗信息可视化管理系统及方法。
背景技术
目前我国医学影像市场依然存在医生缺口大、误诊高、信息化程度低的特点，随着分级诊疗下沉、医疗政策改革、信息化程度加速的推动，助力AI医学影像市场迎来快速的发展：第一，我国影像科医生数量增长远不及影像数据增长，医学影像医生缺口很大。我国医学影像数据年增长为30％，而放射科医生数量年增长仅为4％，且医生从业需要长时间的培训和学习，随着分级诊疗的推进和基层医疗需求的释放，未来处理医学影像数据的压力会越来越大。第二，医学影像诊断误诊率高、效率低。依靠经验所做的判断容易造成误诊，缺乏量化的标准，而大部分误诊主要发生在基层医疗机构。第三，医学信息化程度偏低。
人工智能的发展大大加快了医学影像诊断速度，提升了影像诊断的精准度，能够解决医学影像大数据人工处理中存在的大部分问题，但是从目前来看，放疗行业的主要痛点是放疗中心多，但治疗水平参差不齐，肿瘤医生和物理师缺口大，靶区勾画对预后极其重要，但缺少统一标准，各放疗机构和医生只认头部医院的标准，靶区勾画使用频次高，但费时费力。同时针对于靶区勾画后的医学影像缺乏准确度分析。
发明内容
本发明的目的在于提供一种基于人工智能的医疗信息可视化管理系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的医疗信息可视化管理方法，该方法包括以下步骤：
S1、构建医疗影像智能分析平台，所述医疗影像智能分析平台用于获取病患接口传输的医疗影像数据，对医疗影像进行人工智能分析；
S2、根据传输的医疗影像数据，调用人工智能对医疗影像进行图像分割、特征提取、定量分析和对比分析，识别与标注病灶；
S3、根据识别标注后的医疗影像数据，进行肿瘤自适应放疗，在CT片中进行靶区自动勾画，获取自动勾画后的图像数据，送检至放射科医生进行确认靶区勾画，生成送检记录；
S4、根据勾画后的图像数据的送检记录，获取每个靶区自动勾画后的医疗影像的特征点，对存在相同特征点的靶区自动勾画后的医疗影像进行对比分析，在不满足分析阈值时，调用当值医生的工作时间记录，构建个性化分析模型，输出医生疲劳预警提示；
S5、对存在疲劳预警提示的对应医疗影像，再次返回医生端口，确认后传输至影像三维重建模块，基于灰度统计量的配准算法对医疗影像进行处理，使用3D Slicer软件导入DICOM格式的医疗图像进行的靶区勾画在内的分析与操作，生成含有图像二进制标签信息的文件存储至医疗影像智能分析平台，以备后期操作处理。
根据上述技术方案，在步骤S2中，获取病患接口传输的医疗影像数据，对医疗影像数据进行图像分割，所述图像分割以系统预设策略进行分割图像，得到若干图像分割区域，在分割后的图像区域内提取医疗目标特征作为标定；
所述系统预设策略包括阈值法、区域生长算法、分类器分类法、聚类算法和图谱引导算法；
所述阈值法为通过区域进行分割，利用灰度选择N个阈值，将图像规划为两个或多个灰度良好的区域，N属系统预设常数；所述区域生长算法利用种子集或种子点，采取不断迭代的方式将需要分割的医疗图像中具有灰度、强度及纹理颜色属性较为一致的点进行合并；所述分类器分类法用于无监督数据的处理，参考已知数据模型将医疗影像进行分类，从而达到分割的效果；所述聚类算法根据相似性作为基础数据来分类，图像属于同类数据时，分割到一起；所述图谱引导算法首先获取标准图谱，利用图像的空间信息作为引导图谱，最后根据标准图谱线性映射至分割图像中；
根据特征提取到不同的标定，进行定量分析和对比分析，识别与标注病灶。
根据上述技术方案，在步骤S3-S4中，还包括：
根据勾画后的图像数据的送检记录，获取每个靶区自动勾画后的医疗影像的特征点；
所述特征点包括靶区勾画位置、靶区勾画面积、危及器官数量；构建函数方程：
其中，y代表任两组靶区自动勾画后的医疗影像的相似分析值；a1、a2、a3分别代表靶区勾画位置、靶区勾画面积、危及器官数量的影响系数；mi代表其中一组靶区自动勾画后的医疗影像的第i组测距值，所述测距值指勾画形成的靶区边界上任一点到达危及器官的最短距离值，其中i代表序号，j代表系统预设选用的最短距离值数据组数量；ni代表另一组靶区自动勾画后的医疗影像的第i组测距值；s0、s1分别代表两组靶区自动勾画后的医疗影像的靶区勾画面积；L0、L1分别代表两组靶区自动勾画后的医疗影像的靶区勾画中的危及器官数量；
设置相似分析阈值，获取相似分析值y满足相似分析阈值的任意两组靶区自动勾画后的医疗影像，分别获取送检记录中的医生校验勾画次数，并计算医生校验勾画次数差值，设置差值阈值，若存在医生校验勾画次数差值超出差值阈值，则标记两组靶区自动勾画后的医疗影像，分别获取两组靶区自动勾画后的医疗影像送检时间；
调用当值医生的工作时间记录，计算得出当值医生在校验标记的两组靶区自动勾画后的医疗影像时的持续工作时间，选取较大值输入至个性化分析模型；
所述个性化分析模型包括：
获取任一当值医生历史数据下每次出现自动勾画后的医疗影像被标记时的持续工作时间，记为集合{t1、t2、……、tu}；
若存在输入至个性化分析模型的较大值超出集合{t1、t2、……、tu}内数据的平均值，输出医生疲劳预警提示。
根据上述技术方案，在步骤S5中，所述影像三维重建模块包括：
基于灰度统计量的配准算法对医疗图像进行处理；
所述灰度统计量的配准算法包括绝对差值法和差方和法；
利用3D Slicer软件导入DICOM格式的医疗图像进行的靶区勾画在内的分析与操作，生成含有图像二进制标签信息的文件存储至医疗影像智能分析平台，以备后期操作处理。
一种基于人工智能的医疗信息可视化管理系统，该系统包括：医疗影像数据采集模块、病灶识别与标注模块、靶区自动勾画模块、数据定量分析模块和影像三维重建模块；
所述医疗影像数据采集模块用于构建医疗影像智能分析平台，所述医疗影像智能分析平台用于获取病患接口传输的医疗影像数据，对医疗影像进行人工智能分析；所述病灶识别与标注模块用于根据传输的医疗影像数据，调用人工智能对医疗影像进行图像分割、特征提取、定量分析和对比分析，帮助医生识别肉眼难以识别的病灶，降低假阴性诊断发生率，提高诊断效率；目前系统对十万张以上的影像进行处理，用时仅需数秒。所述靶区自动勾画模块用于根据识别标注后的医疗影像数据，进行肿瘤自适应放疗，在CT片中进行靶区自动勾画，获取自动勾画后的图像数据，送检至放射科医生进行确认靶区勾画，生成送检记录；所述数据定量分析模块用于根据勾画后的图像数据的送检记录，获取每个靶区自动勾画后的医疗影像的特征点，对存在相同特征点的靶区自动勾画后的医疗影像进行对比分析，在不满足分析阈值时，调用当值医生的工作时间记录，构建个性化分析模型，输出医生疲劳预警提示，对存在疲劳预警提示的对应医疗影像，再次返回医生端口，再度确认后传输至影像三维重建模块；所述影像三维重建模块基于灰度统计量的配准算法对医疗影像进行处理，使用3D Slicer软件导入DICOM格式的医疗图像进行的靶区勾画在内的分析与操作，生成含有图像二进制标签信息的文件存储至医疗影像智能分析平台，以备后期操作处理；
所述医疗影像数据采集模块的输出端与所述病灶识别与标注模块的输入端相连接；所述病灶识别与标注模块的输出端与所述靶区自动勾画模块的输入端相连接；所述靶区自动勾画模块的输出端与所述数据定量分析模块的输入端相连接；所述数据定量分析模块的输出端与所述影像三维重建模块的输入端相连接。
根据上述技术方案，所述医疗影像数据采集模块包括平台构建单元和影像传输单元；
所述平台构建单元用于构建医疗影像智能分析平台，利用医疗影像智能分析平台对医疗影像进行人工智能分析；所述影像传输单元用于获取病患接口传输的医疗影像数据；
所述平台构建单元的输出端与所述影像传输单元的输入端相连接；所述影像传输单元的输出端与所述病灶识别与标注模块的输入端相连接。
根据上述技术方案，所述病灶识别与标注模块包括医疗影像智能处理单元和自动识别标注单元；
所述医疗影像智能处理单元用于根据传输的医疗影像数据，调用人工智能对医疗影像进行图像分割、特征提取、定量分析和对比分析；所述自动识别标注单元用于在医疗影像上识别与标注病灶；
所述医疗影像智能处理单元的输出端与所述自动识别标注单元的输入端相连接。
根据上述技术方案，所述靶区自动勾画模块包括靶区自动勾画单元和送检确认单元；
所述靶区自动勾画单元用于根据识别标注后的医疗影像数据，进行肿瘤自适应放疗，在CT片中进行靶区自动勾画；所述送检确认单元用于获取自动勾画后的图像数据，送检至放射科医生进行确认靶区勾画，生成送检记录；
所述靶区自动勾画单元的输出端与所述送检确认单元的输入端相连接。
根据上述技术方案，所述数据定量分析模块包括特征分析单元和时间分析单元；
所述特征分析单元用于根据勾画后的图像数据的送检记录，获取每个靶区自动勾画后的医疗影像的特征点，对存在相同特征点的靶区自动勾画后的医疗影像进行对比分析；所述时间分析单元用于特征分析单元的输出结果在不满足分析阈值时，调用当值医生的工作时间记录，构建个性化分析模型，输出医生疲劳预警提示，对存在疲劳预警提示的对应医疗影像，再次返回医生端口，再度确认后传输至影像三维重建模块；
所述特征分析单元的输出端与所述时间分析单元的输入端相连接。
根据上述技术方案，所述影像三维重建模块包括算法分析单元和存储管理单元；
所述算法分析单元基于灰度统计量的配准算法对医疗影像进行处理，使用3DSlicer软件导入DICOM格式的医疗图像进行的靶区勾画在内的分析与操作，生成含有图像二进制标签信息的文件；所述存储管理单元用于将生成的文件存储至医疗影像智能分析平台，以备后期操作处理；
所述算法分析单元的输出端与所述存储管理单元的输入端相连接。
与现有技术相比，本发明所达到的有益效果是：
本发明能够缩短靶区勾画和治疗方案制定过程的时间，不改变医生工作流程，对大三甲医院可以提升效率、有效缓解现有医疗资源供需缺口；对其他二、三线市、县医院和民营放疗中心，可以提升勾画水平，真正实现大病不出县。在服务方式上，既可以按医院科室为中心的网络部署和使用方式，让肿瘤医生和物理师像上网一样的方式做肿瘤靶区勾画和剂量设计，同时，通过混合云架构设计，支持互联网医疗的远程勾画方式，患者在当地就可以享受到大三甲医院的勾画和治疗水平，有效缩短患者治疗周期。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于人工智能的医疗信息可视化管理系统及方法的流程示意图。
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。
请参阅图1，在本实施例一中：医疗影像指的是通过医疗影像设备对人体或人体某部分，以非侵入方式取得的内部组织影像，一般包括多种，例如X线或者CT或者MR或者DSA等不同医疗影像。获取到相应的医疗影像后，病患端口可以通过支持断点续传的工具或页面或接口将某个病历的医疗影像上传到医疗影像智能分析平台。在进行分析医疗影像之前，需要对医疗影像进行解析，还可以对医疗影像进行图像预处理，从而保证医疗影像的标注更具有准确性，图像预处理至少可以包括图像分割、特征提取、定量分析和对比分析中的一种或多种。解析和预处理一般还包括对不同的影像类型，比如CT、MR、DSA等多种医疗影像进行归类处理，以便于后续给出医疗影像的作业分配；
在本实施例中，选取相应的医疗影像进行图像分割、特征提取、定量分析和对比分析，识别与标注病灶；所述图像分割以系统预设策略进行分割图像，得到若干图像分割区域，在分割后的图像区域内提取医疗目标特征作为标定；
所述系统预设策略包括阈值法、区域生长算法、分类器分类法、聚类算法和图谱引导算法；
所述阈值法为通过区域进行分割，利用灰度选择N个阈值，将图像规划为两个或多个灰度良好的区域，N属系统预设常数；所述区域生长算法利用种子集或种子点，采取不断迭代的方式将需要分割的医疗图像中具有灰度、强度及纹理颜色属性较为一致的点进行合并；所述分类器分类法用于无监督数据的处理，参考已知数据模型将医疗影像进行分类，从而达到分割的效果；所述聚类算法根据相似性作为基础数据来分类，图像属于同类数据时，分割到一起；所述图谱引导算法首先获取标准图谱，利用图像的空间信息作为引导图谱，最后根据标准图谱线性映射至分割图像中；
在本实施例中以医学诊断下的肺部CT为例，其中肺部的CT扫描影像一般借用纹理特点来分类。按照肺部病灶情况大致分为两大类：第一类主要是孤立性病灶，例如肺结节等局部病灶组织病变，病变组织边缘清晰，分布较为均匀，同正常肺部组织进行对比易区分，可采用聚类算法；第二大类主要是以蜂窝状、磨玻璃为特征的弥散性病灶，这类病灶组织在影像学中主要呈现出病变组织边缘模糊、分布弥散及密度较小等特征，可采用图谱引导算法。
根据特征提取到不同的标定，例如可以通过指数变换、直方图均衡化等算法对医疗图像的对比度增强，可以使图像中的医疗器官和背景的对比度更强，差异性更大，目标特征更加突出，便于后续对医疗图像进行标注；进行定量分析和对比分析，识别与标注病灶。
根据勾画后的图像数据的送检记录，获取每个靶区自动勾画后的医疗影像的特征点；
所述特征点包括靶区勾画位置、靶区勾画面积、危及器官数量；构建函数方程：
其中，y代表任两组靶区自动勾画后的医疗影像的相似分析值；a1、a2、a3分别代表靶区勾画位置、靶区勾画面积、危及器官数量的影响系数；mi代表其中一组靶区自动勾画后的医疗影像的第i组测距值，所述测距值指勾画形成的靶区边界上任一点到达危及器官的最短距离值，其中i代表序号，j代表系统预设选用的最短距离值数据组数量；ni代表另一组靶区自动勾画后的医疗影像的第i组测距值；s0、s1分别代表两组靶区自动勾画后的医疗影像的靶区勾画面积；L0、L1分别代表两组靶区自动勾画后的医疗影像的靶区勾画中的危及器官数量；
上述的靶区勾画位置，主要是以靶区勾画的区域边缘与危及器官之间的距离来测算的，危及器官这里依然以肺部为例，在肺部放疗中，肺癌单纯放疗：双肺V20≤30％，V5≤60％，MLD≤20～23Gy；肺癌同步放化疗：双肺V20≤28％，V5≤60％；肺癌术后放疗：肺叶切除V20<20％，全肺切除V20<10％；肺癌同步放化疗+手术：双肺V20<20％，V10<40％，V15<30％。因此在靶区勾画过程中，以边缘点和危及器官之间的距离作为测距值，随机选取j组进行处理，来判断医疗影像靶区勾画的情况。
设置相似分析阈值，获取相似分析值y满足相似分析阈值的任意两组靶区自动勾画后的医疗影像，分别获取送检记录中的医生校验勾画次数，并计算医生校验勾画次数差值，设置差值阈值，若存在医生校验勾画次数差值超出差值阈值，则标记两组靶区自动勾画后的医疗影像，分别获取两组靶区自动勾画后的医疗影像送检时间；
调用当值医生的工作时间记录，计算得出当值医生在校验标记的两组靶区自动勾画后的医疗影像时的持续工作时间，选取较大值输入至个性化分析模型；
所述个性化分析模型包括：
获取任一当值医生历史数据下每次出现自动勾画后的医疗影像被标记时的持续工作时间，记为集合{t1、t2、……、tu}；
若存在输入至个性化分析模型的较大值超出集合{t1、t2、……、tu}内数据的平均值，输出医生疲劳预警提示。利用灰度统计量的配准算法对医疗图像进行处理；
所述灰度统计量的配准算法包括绝对差值法和差方和法；
利用3D Slicer软件导入DICOM格式的医疗图像进行的靶区勾画在内的分析与操作，生成含有图像二进制标签信息的文件存储至医疗影像智能分析平台，在该平台上，一般设置有可视平台窗口，医生可直接根据标记的信息数据进行选择，从而能够为后期操作处理提供方便。
在本实施例二中，提供一种基于人工智能的医疗信息可视化管理系统，该系统包括：医疗影像数据采集模块、病灶识别与标注模块、靶区自动勾画模块、数据定量分析模块和影像三维重建模块；
所述医疗影像数据采集模块用于构建医疗影像智能分析平台，所述医疗影像智能分析平台用于获取病患接口传输的医疗影像数据，对医疗影像进行人工智能分析；所述病灶识别与标注模块用于根据传输的医疗影像数据，调用人工智能对医疗影像进行图像分割、特征提取、定量分析和对比分析，识别与标注病灶；所述靶区自动勾画模块用于根据识别标注后的医疗影像数据，进行肿瘤自适应放疗，在CT片中进行靶区自动勾画，获取自动勾画后的图像数据，送检至放射科医生进行确认靶区勾画，生成送检记录；所述数据定量分析模块用于根据勾画后的图像数据的送检记录，获取每个靶区自动勾画后的医疗影像的特征点，对存在相同特征点的靶区自动勾画后的医疗影像进行对比分析，在不满足分析阈值时，调用当值医生的工作时间记录，构建个性化分析模型，输出医生疲劳预警提示，对存在疲劳预警提示的对应医疗影像，再次返回医生端口，再度确认后传输至影像三维重建模块；所述影像三维重建模块基于灰度统计量的配准算法对医疗影像进行处理，使用3D Slicer软件导入DICOM格式的医疗图像进行的靶区勾画在内的分析与操作，生成含有图像二进制标签信息的文件存储至医疗影像智能分析平台，以备后期操作处理；
所述医疗影像数据采集模块的输出端与所述病灶识别与标注模块的输入端相连接；所述病灶识别与标注模块的输出端与所述靶区自动勾画模块的输入端相连接；所述靶区自动勾画模块的输出端与所述数据定量分析模块的输入端相连接；所述数据定量分析模块的输出端与所述影像三维重建模块的输入端相连接。
所述医疗影像数据采集模块包括平台构建单元和影像传输单元；
所述平台构建单元用于构建医疗影像智能分析平台，利用医疗影像智能分析平台对医疗影像进行人工智能分析；所述影像传输单元用于获取病患接口传输的医疗影像数据；
所述平台构建单元的输出端与所述影像传输单元的输入端相连接；所述影像传输单元的输出端与所述病灶识别与标注模块的输入端相连接。
所述病灶识别与标注模块包括医疗影像智能处理单元和自动识别标注单元；
所述医疗影像智能处理单元用于根据传输的医疗影像数据，调用人工智能对医疗影像进行图像分割、特征提取、定量分析和对比分析；所述自动识别标注单元用于在医疗影像上识别与标注病灶；
所述医疗影像智能处理单元的输出端与所述自动识别标注单元的输入端相连接。
所述靶区自动勾画模块包括靶区自动勾画单元和送检确认单元；
所述靶区自动勾画单元用于根据识别标注后的医疗影像数据，进行肿瘤自适应放疗，在CT片中进行靶区自动勾画；所述送检确认单元用于获取自动勾画后的图像数据，送检至放射科医生进行确认靶区勾画，生成送检记录；
所述靶区自动勾画单元的输出端与所述送检确认单元的输入端相连接。
所述数据定量分析模块包括特征分析单元和时间分析单元；
所述特征分析单元用于根据勾画后的图像数据的送检记录，获取每个靶区自动勾画后的医疗影像的特征点，对存在相同特征点的靶区自动勾画后的医疗影像进行对比分析；所述时间分析单元用于特征分析单元的输出结果在不满足分析阈值时，调用当值医生的工作时间记录，构建个性化分析模型，输出医生疲劳预警提示，对存在疲劳预警提示的对应医疗影像，再次返回医生端口，再度确认后传输至影像三维重建模块；
所述特征分析单元的输出端与所述时间分析单元的输入端相连接。
所述影像三维重建模块包括算法分析单元和存储管理单元；
所述算法分析单元基于灰度统计量的配准算法对医疗影像进行处理，使用3DSlicer软件导入DICOM格式的医疗图像进行的靶区勾画在内的分析与操作，生成含有图像二进制标签信息的文件；所述存储管理单元用于将生成的文件存储至医疗影像智能分析平台，以备后期操作处理；
所述算法分析单元的输出端与所述存储管理单元的输入端相连接。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于人工智能的医疗信息可视化管理方法，其特征在于：该方法包括以下步骤：
S1、构建医疗影像智能分析平台，所述医疗影像智能分析平台用于获取病患接口传输的医疗影像数据，对医疗影像进行人工智能分析；
S2、根据传输的医疗影像数据，调用人工智能对医疗影像进行图像分割、特征提取、定量分析和对比分析，识别与标注病灶；
S3、根据识别标注后的医疗影像数据，进行肿瘤自适应放疗，在CT片中进行靶区自动勾画，获取自动勾画后的图像数据，送检至放射科医生进行确认靶区勾画，生成送检记录；
S4、根据勾画后的图像数据的送检记录，获取每个靶区自动勾画后的医疗影像的特征点，对存在相同特征点的靶区自动勾画后的医疗影像进行对比分析，在不满足分析阈值时，调用当值医生的工作时间记录，构建个性化分析模型，输出医生疲劳预警提示；
S5、对存在疲劳预警提示的对应医疗影像，再次返回医生端口，确认后传输至影像三维重建模块，基于灰度统计量的配准算法对医疗影像进行处理，使用3D Slicer软件导入DICOM格式的医疗图像进行的靶区勾画在内的分析与操作，生成含有图像二进制标签信息的文件存储至医疗影像智能分析平台，以备后期操作处理；
在步骤S3-S4中，还包括：
根据勾画后的图像数据的送检记录，获取每个靶区自动勾画后的医疗影像的特征点；
所述特征点包括靶区勾画位置、靶区勾画面积、危及器官数量；构建函数方程：
其中，y代表任两组靶区自动勾画后的医疗影像的相似分析值；a1、a2、a3分别代表靶区勾画位置、靶区勾画面积、危及器官数量的影响系数；mi代表其中一组靶区自动勾画后的医疗影像的第i组测距值，所述测距值指勾画形成的靶区边界上任一点到达危及器官的最短距离值，其中i代表序号，j代表系统预设选用的最短距离值数据组数量；ni代表另一组靶区自动勾画后的医疗影像的第i组测距值；s0、s1分别代表两组靶区自动勾画后的医疗影像的靶区勾画面积；L0、L1分别代表两组靶区自动勾画后的医疗影像的靶区勾画中的危及器官数量；
设置相似分析阈值，获取相似分析值y满足相似分析阈值的任意两组靶区自动勾画后的医疗影像，分别获取送检记录中的医生校验勾画次数，并计算医生校验勾画次数差值，设置差值阈值，若存在医生校验勾画次数差值超出差值阈值，则标记两组靶区自动勾画后的医疗影像，分别获取两组靶区自动勾画后的医疗影像送检时间；
调用当值医生的工作时间记录，计算得出当值医生在校验标记的两组靶区自动勾画后的医疗影像时的持续工作时间，选取较大值输入至个性化分析模型；
所述个性化分析模型包括：
获取任一当值医生历史数据下每次出现自动勾画后的医疗影像被标记时的持续工作时间，记为集合{t1、t2、……、tu}；
若存在输入至个性化分析模型的较大值超出集合{t1、t2、……、tu}内数据的平均值，输出医生疲劳预警提示。
2.根据权利要求1所述的一种基于人工智能的医疗信息可视化管理方法，其特征在于：在步骤S2中，获取病患接口传输的医疗影像数据，对医疗影像数据进行图像分割，所述图像分割以系统预设策略进行分割图像，得到若干图像分割区域，在分割后的图像区域内提取医疗目标特征作为标定；
所述系统预设策略包括阈值法、区域生长算法、分类器分类法、聚类算法和图谱引导算法；
所述阈值法为通过区域进行分割，利用灰度选择N个阈值，将图像规划为两个或多个灰度良好的区域，N属系统预设常数；所述区域生长算法利用种子集或种子点，采取不断迭代的方式将需要分割的医疗图像中具有灰度、强度及纹理颜色属性较为一致的点进行合并；所述分类器分类法用于无监督数据的处理，参考已知数据模型将医疗影像进行分类，从而达到分割的效果；所述聚类算法根据相似性作为基础数据来分类，图像属于同类数据时，分割到一起；所述图谱引导算法首先获取标准图谱，利用图像的空间信息作为引导图谱，最后根据标准图谱线性映射至分割图像中；
根据特征提取到不同的标定，进行定量分析和对比分析，识别与标注病灶。
3.根据权利要求1所述的一种基于人工智能的医疗信息可视化管理方法，其特征在于：在步骤S5中，所述影像三维重建模块包括：
基于灰度统计量的配准算法对医疗图像进行处理；
所述灰度统计量的配准算法包括绝对差值法和差方和法；
利用3D Slicer软件导入DICOM格式的医疗图像进行的靶区勾画在内的分析与操作，生成含有图像二进制标签信息的文件存储至医疗影像智能分析平台，以备后期操作处理。
4.应用如权利要求1所述的一种基于人工智能的医疗信息可视化管理方法的一种基于人工智能的医疗信息可视化管理系统，其特征在于：该系统包括：医疗影像数据采集模块、病灶识别与标注模块、靶区自动勾画模块、数据定量分析模块和影像三维重建模块；
所述医疗影像数据采集模块用于构建医疗影像智能分析平台，所述医疗影像智能分析平台用于获取病患接口传输的医疗影像数据，对医疗影像进行人工智能分析；所述病灶识别与标注模块用于根据传输的医疗影像数据，调用人工智能对医疗影像进行图像分割、特征提取、定量分析和对比分析，识别与标注病灶；所述靶区自动勾画模块用于根据识别标注后的医疗影像数据，进行肿瘤自适应放疗，在CT片中进行靶区自动勾画，获取自动勾画后的图像数据，送检至放射科医生进行确认靶区勾画，生成送检记录；所述数据定量分析模块用于根据勾画后的图像数据的送检记录，获取每个靶区自动勾画后的医疗影像的特征点，对存在相同特征点的靶区自动勾画后的医疗影像进行对比分析，在不满足分析阈值时，调用当值医生的工作时间记录，构建个性化分析模型，输出医生疲劳预警提示，对存在疲劳预警提示的对应医疗影像，再次返回医生端口，再度确认后传输至影像三维重建模块；所述影像三维重建模块基于灰度统计量的配准算法对医疗影像进行处理，使用3D Slicer软件导入DICOM格式的医疗图像进行的靶区勾画在内的分析与操作，生成含有图像二进制标签信息的文件存储至医疗影像智能分析平台，以备后期操作处理；
所述医疗影像数据采集模块的输出端与所述病灶识别与标注模块的输入端相连接；所述病灶识别与标注模块的输出端与所述靶区自动勾画模块的输入端相连接；所述靶区自动勾画模块的输出端与所述数据定量分析模块的输入端相连接；所述数据定量分析模块的输出端与所述影像三维重建模块的输入端相连接。
5.根据权利要求4所述的一种基于人工智能的医疗信息可视化管理系统，其特征在于：所述医疗影像数据采集模块包括平台构建单元和影像传输单元；
所述平台构建单元的输出端与所述影像传输单元的输入端相连接；所述影像传输单元的输出端与所述病灶识别与标注模块的输入端相连接。
6.根据权利要求4所述的一种基于人工智能的医疗信息可视化管理系统，其特征在于：所述病灶识别与标注模块包括医疗影像智能处理单元和自动识别标注单元；
所述医疗影像智能处理单元的输出端与所述自动识别标注单元的输入端相连接。
7.根据权利要求4所述的一种基于人工智能的医疗信息可视化管理系统，其特征在于：所述靶区自动勾画模块包括靶区自动勾画单元和送检确认单元；
所述靶区自动勾画单元的输出端与所述送检确认单元的输入端相连接。
8.根据权利要求4所述的一种基于人工智能的医疗信息可视化管理系统，其特征在于：所述数据定量分析模块包括特征分析单元和时间分析单元；
所述特征分析单元的输出端与所述时间分析单元的输入端相连接。
9.根据权利要求4所述的一种基于人工智能的医疗信息可视化管理系统，其特征在于：所述影像三维重建模块包括算法分析单元和存储管理单元；
所述算法分析单元的输出端与所述存储管理单元的输入端相连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310228802.7A CN116344001B (zh) | 2023-03-10 | 2023-03-10 | 一种基于人工智能的医疗信息可视化管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310228802.7A CN116344001B (zh) | 2023-03-10 | 2023-03-10 | 一种基于人工智能的医疗信息可视化管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116344001A CN116344001A (zh) | 2023-06-27 |
| CN116344001B true CN116344001B (zh) | 2023-10-24 |
Family
ID=86887016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310228802.7A Active CN116344001B (zh) | 2023-03-10 | 2023-03-10 | 一种基于人工智能的医疗信息可视化管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116344001B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106887039A (zh) * | 2017-02-28 | 2017-06-23 | 成都金盘电子科大多媒体技术有限公司 | 一种基于医学影像的器官和病灶的三维成像方法及系统 |
| CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
| CN113192053A (zh) * | 2021-05-18 | 2021-07-30 | 北京大学第三医院（北京大学第三临床医学院） | 基于深度学习的宫颈肿瘤靶区智能勾画方法、设备和介质 |
| CN114092465A (zh) * | 2021-11-30 | 2022-02-25 | 刘韬 | 一种基于深度学习的肺癌辅助诊疗系统及方法 |
| WO2022142770A1 (zh) * | 2020-12-28 | 2022-07-07 | 北京医智影科技有限公司 | 放射治疗自动计划系统、自动计划方法及计算机程序产品 |
| WO2022166800A1 (zh) * | 2021-02-02 | 2022-08-11 | 广州柏视医疗科技有限公司 | 基于深度学习网络的纵隔淋巴引流区的自动勾画方法 |
| CN115018809A (zh) * | 2022-06-28 | 2022-09-06 | 华中科技大学 | Ct图像的靶区分割识别方法及系统 |
| CN115472266A (zh) * | 2021-06-10 | 2022-12-13 | 复旦大学附属肿瘤医院 | 识别tnbc的影像组学模型、构建方法、介质及装置 |
-
2023
- 2023-03-10 CN CN202310228802.7A patent/CN116344001B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106887039A (zh) * | 2017-02-28 | 2017-06-23 | 成都金盘电子科大多媒体技术有限公司 | 一种基于医学影像的器官和病灶的三维成像方法及系统 |
| CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
| WO2022142770A1 (zh) * | 2020-12-28 | 2022-07-07 | 北京医智影科技有限公司 | 放射治疗自动计划系统、自动计划方法及计算机程序产品 |
| WO2022166800A1 (zh) * | 2021-02-02 | 2022-08-11 | 广州柏视医疗科技有限公司 | 基于深度学习网络的纵隔淋巴引流区的自动勾画方法 |
| CN113192053A (zh) * | 2021-05-18 | 2021-07-30 | 北京大学第三医院（北京大学第三临床医学院） | 基于深度学习的宫颈肿瘤靶区智能勾画方法、设备和介质 |
| CN115472266A (zh) * | 2021-06-10 | 2022-12-13 | 复旦大学附属肿瘤医院 | 识别tnbc的影像组学模型、构建方法、介质及装置 |
| CN114092465A (zh) * | 2021-11-30 | 2022-02-25 | 刘韬 | 一种基于深度学习的肺癌辅助诊疗系统及方法 |
| CN115018809A (zh) * | 2022-06-28 | 2022-09-06 | 华中科技大学 | Ct图像的靶区分割识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 用于三维适形放射治疗计划的三维可视化系统;李彬;田联房;王立非;毛宗源;;华南理工大学学报(自然科学版);36(09);122-127 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116344001A (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jaskari et al. | Deep learning method for mandibular canal segmentation in dental cone beam computed tomography volumes | |
| US11593943B2 (en) | RECIST assessment of tumour progression | |
| CN105957066B (zh) | 基于自动上下文模型的ct图像肝脏分割方法及系统 | |
| Wang et al. | Automated segmentation of dental CBCT image with prior‐guided sequential random forests | |
| CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
| US20200342589A1 (en) | Malignancy assessment for tumors | |
| CN108010021A (zh) | 一种医学图像处理系统和方法 | |
| EP3252671A1 (en) | Method of training a deep neural network | |
| CN110992377B (zh) | 图像分割方法、装置、计算机可读存储介质和设备 | |
| CN110443268B (zh) | 一种基于深度学习的肝部ct图像良性恶性分类方法 | |
| Rani et al. | Superpixel with nanoscale imaging and boosted deep convolutional neural network concept for lung tumor classification | |
| CN111784639A (zh) | 基于深度学习的口腔全景片龋齿深度识别方法 | |
| CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
| CN116344001B (zh) | 一种基于人工智能的医疗信息可视化管理系统及方法 | |
| Xu et al. | Improved cascade R-CNN for medical images of pulmonary nodules detection combining dilated HRNet | |
| CN111986216B (zh) | 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法 | |
| CN115578400A (zh) | 图像处理方法、图像分割网络的训练方法及装置 | |
| CN114283406A (zh) | 细胞图像识别方法、装置、设备、介质及计算机程序产品 | |
| CN114387380A (zh) | 用于生成3d医学图像数据的基于计算机的可视化的方法 | |
| Nie et al. | A segmentation method for sub-solid pulmonary nodules based on fuzzy c-means clustering | |
| Chen et al. | Detection of Various Dental Conditions on Dental Panoramic Radiography Using Faster R-CNN | |
| Sankaran | An improved multipath residual CNN-based classification approach for periapical disease prediction and diagnosis in dental radiography | |
| CN117542527B (zh) | 肺结节跟踪与变化趋势预测方法、装置、设备及存储介质 | |
| Reddy et al. | Different Algorithms for Lung Cancer Detection and Prediction | |
| Toz | A simple method for obtaining artificial 3D forms of 2D mammograms in diagnosis of breast cancer |
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 |