CN116402812B - 一种医疗用影像数据的处理方法及系统 - Google Patents

一种医疗用影像数据的处理方法及系统 Download PDF

Info

Publication number
CN116402812B
CN116402812B CN202310664661.3A CN202310664661A CN116402812B CN 116402812 B CN116402812 B CN 116402812B CN 202310664661 A CN202310664661 A CN 202310664661A CN 116402812 B CN116402812 B CN 116402812B
Authority
CN
China
Prior art keywords
image
model
index
original
generation model
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
Application number
CN202310664661.3A
Other languages
English (en)
Other versions
CN116402812A (zh
Inventor
鲍丽娟
徐菁昊
龙双有
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.)
Jiangxi Yeli Medical Instrument Co ltd
Original Assignee
Jiangxi Yeli Medical Instrument 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 Jiangxi Yeli Medical Instrument Co ltd filed Critical Jiangxi Yeli Medical Instrument Co ltd
Priority to CN202310664661.3A priority Critical patent/CN116402812B/zh
Publication of CN116402812A publication Critical patent/CN116402812A/zh
Application granted granted Critical
Publication of CN116402812B publication Critical patent/CN116402812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative 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
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/54—Extraction of image or video features relating to texture
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明提供了一种医疗用影像数据的处理方法及系统，涉及医疗影像技术领域，包括：利用预处理后的医疗影像数据训练和改进原始生成模型，得到新生成模型；利用边缘检测策略优化新生成模型得到优化生成模型；基于新生成模型的医疗影像指标与原始影像指标的对比结果，确定第一结果并输出；利用第一结果辅助真实影像得到病变信息。通过利用预处理医疗影像数据后得到的目标影像数据集训练模型和改进得到新生成模型；利用边缘检测策略对新生成模型优化得到优化生成模型；根据指标对比结果，从新生成模型和优化生成模型的生成结果中筛选，并输出第一结果；最后，利用第一结果辅助真实影像，确保能有效获取病变信息，提高诊断效率。

Description

一种医疗用影像数据的处理方法及系统
技术领域
本发明涉及医疗影像技术领域，特别涉及一种医疗用影像数据的处理方法及系统。
背景技术
医学研究结果往往依赖于海量数据，且一些特殊疾病存在数据采集成本过高，可供研究的医疗数据不足的现象频繁出现。
不论是存在海量数据还是存在少量数据，一般都是通过人为总结的方式对已有图像进行数据分析，该过程主要是依赖于医生的自身经验，在一定程度上会降低诊断效率以及诊断准确率，故研究可用于针对医学影像数据的处理从而实现精准预测诊断是很有必要的。
因此，本发明提供一种医疗用影像数据的处理方法及系统。
发明内容
本发明提供一种医疗用影像数据的处理方法及系统，用以通过利用预处理医疗影像数据后得到的目标影像数据集进行模型训练与改进得到新生成模型；通过利用边缘检测策略对新生成模型优化得到优化生成模型；根据指标对比结果，从新生成模型和优化生成模型的生成结果中进行筛选，输出第一结果；最后，利用第一结果辅助真实影像，确保能有效获取病变信息，提高了诊断效率和准确率以及数据利用率。
本发明提供一种医疗用影像数据的处理方法，包括：
步骤1：获取目标患者的原始医疗用影像数据并进行预处理，得到目标影像数据集；
步骤2：利用目标影像数据集对原始生成模型进行训练及改进，得到新生成模型；
步骤3：提取所述新生成模型的医疗影像指标，若医疗影像指标与原始影像指标一致，则获取所述新生成模型的第一输出影像，并作为第一结果输出；
步骤4：如果医疗影像指标与原始影像指标存在不一致，则将与基于原始影像指标所确定出的不一致指标匹配的边缘检测策略输入到新生成模型进行模型优化，得到优化生成模型，并获取所述优化生成模型的第二输出影像，并作为第一结果输出；
步骤5：利用第一结果辅助真实影像进行病灶分析，得到病变信息。
优选的，获取目标患者的原始医疗用影像数据并进行预处理，得到目标影像数据集，包括：
从影像数据库中提取目标患者的原始医疗用影像数据；
对原始医疗用影像数据转换为3D数据，并进行图像校准操作，得到三维影像；
对三维影像进行切割处理得到若干张二维截面图像，并将不包含或包含病理信息的病理面积占比小于3%的二维截面图像去除；
将剩余的二维截面图像集合，得到二维图像集作为目标影像数据集输出。
优选的，利用目标影像数据集对原始生成模型进行训练及改进，得到新生成模型，包括：
步骤11：从医疗影像数据库中随机选取预设量的真实影像数据作为样本来建立原始生成模型；
步骤12：将目标影像数据集输入到原始生成模型中进行模型训练；
步骤13：在原始生成模型中的生成网络前加入基于通道注意力机制的编码网络，以及在生成网络内添加残缺块结构，得到新生成模型。
优选的，新生成模型主要组成部分包括：模拟真实样本隐空间特征的编码网络、生成合成图像的生成网络以及用于区分真实样本和生成样本的判别网络。
优选的，提取所述新生成模型的医疗影像指标，若医疗影像指标与原始影像指标一致，则获取所述新生成模型的第一输出影像，并作为第一结果输出，包括：
将目标影像数据集输入到新生成模型中，由所述新生成模型中的编码网络输出目标影像数据集的潜在特征向量；
基于所述新生成模型中的生成网络输出的潜在特征向量的第一合成图像，且结合特征维度变换，输出第一重构图像；
基于所述新生成模型的判别网络对所述第一重构图像进行判定，获取判定值，如果判定值为正数，将对应的第一重构图像作为第一生成图像输出；
基于第一生成图像的质量，来得到新生成模型的医疗影像指标；
若医疗影像指标与原始影像指标一致，则将第一生成图像视为第一输出影像，并作为第一结果输出。
优选的，基于第一生成图像的质量，来得到新生成模型的医疗影像指标，包括：
根据如下公式，计算第一生成图像的质量P：
；其中，/>表示为所确定的第一生成图像信号中信号强度大于预设强度的像素总数；/>表示为第一生成图像的像素总数；/>表示为基于像素点的误差敏感对图像质量的影响系数；/>表示为原始影像与第一生成图像的关键对比函数，取值范围为/>；表示为第一生成图像；/>表示为原始影像；/>表示为计算图像质量过程中的损失因子；表示第i个对比指标下第一生成图像的比较值/>与原始影像的比较值/>的差值，且/>；/>表示对比指标的总个数；/>表示从所有差值/>中获取的最大值；/>表示从所有对比指标所对应的指标值qi中获取到最大指标值/>所对应的差值；/>表示针对像素总数的修正系数，取值范围为[0.9，1.1]；
若获取到的质量P大于预设质量P0时，基于所述第一生成图像获取新生成模型的医疗影像指标。
优选的，将与基于原始影像指标所确定出的不一致指标匹配的边缘检测策略输入到新生成模型进行模型优化，得到优化生成模型，并获取所述优化生成模型的第二输出影像，并作为第一结果输出，包括：
重新从医疗影像数据库中随机选取预设量的待使用影像数据作为实验样本输入新生成模型中，得到若干实验生成图像；
根据基于原始影像指标所确定出的不一致指标，选取图像边缘提取结果最佳的边缘阈值组合，并将边缘阈值组合对应的目标边缘检测算子引入模型训练；
将待使用影像和实验生成图像的边缘纹理特征添加到新生成模型的生成网络中进行辅助训练，生成第二重构图像；
利用边缘检测算子对待使用影像和第二重构图像进行边缘特征提取得到二值图像；
分析待使用影像对应的二值图像与第二重构图像对应的二值图像之间的边缘纹理差异，得到边缘纹理损失；
将边缘纹理损失添加至新生成模型中的生成网络损失函数中进行重新处理，得到优化生成模型；
将目标影像数据集输入到优化生成模型中输出第二输出影像，作为第一结果输出。
优选的，利用第一结果辅助真实影像进行病灶分析，得到病变信息，包括：
结合第一结果和真实影像，得到目标患者的真实影像中对应检查部位的征象信息；
根据得到的征象信息，得到目标患者的病灶分析结果；
基于病灶分析结果和征象信息，确定目标患者的病变信息并输出。
本发明提供一种医疗用影像数据的处理系统，包括：
数据处理模块：获取目标患者的原始医疗用影像数据并进行预处理，得到目标影像数据集；
模型获取模块：利用目标影像数据集对原始生成模型进行训练及改进，得到新生成模型；
影像指标分析模块：提取所述新生成模型的医疗影像指标，若医疗影像指标与原始影像指标一致，则获取所述新生成模型的第一输出影像，并作为第一结果输出；
模型优化模块：如果医疗影像指标与原始影像指标存在不一致，则将与基于原始影像指标所确定出的不一致指标匹配的边缘检测策略输入到新生成模型进行模型优化，得到优化生成模型，并获取所述优化生成模型的第二输出影像，并作为第一结果输出；
病变信息获取模块：利用第一结果辅助真实图像进行病灶分析，得到病变信息。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
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为本发明实施例中一种医疗用影像数据的处理方法的流程图；
图2为本发明实施例中一种医疗用影像数据的处理系统的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供一种医疗用影像数据的处理方法，如图1所示，包括：
步骤1：获取目标患者的原始医疗用影像数据并进行预处理，得到目标影像数据集；
步骤2：利用目标影像数据集对原始生成模型进行训练及改进，得到新生成模型；
步骤3：提取所述新生成模型的医疗影像指标，若医疗影像指标与原始影像指标一致，则获取所述新生成模型的第一输出影像，并作为第一结果输出；
步骤4：如果医疗影像指标与原始影像指标存在不一致，则将与基于原始影像指标所确定出的不一致指标匹配的边缘检测策略输入到新生成模型进行模型优化，得到优化生成模型，并获取所述优化生成模型的第二输出影像，并作为第一结果输出；
步骤5：利用第一结果辅助真实影像进行病灶分析，得到病变信息。
该实施例中，目标影像数据集是对原始医疗影像数据进行数据预处理后得到的，其中，原始医疗用影像是可以表征患者检查部位的部位结构图像，且图像对应的数据主要与像素值大小、获取影像时所对应的影像调光度等有关；数据预处理包括有格式转换、图像校准以及切割操作，主要目的是为了尽可能地准确获取更多影像中的病理信息，以便于后续操作；与原始医疗用影像数据相比较，目标影像数据去除了不必要的冗余信息，减少失真且数据格式统一，有利于使模型更容易关注到有关病理的有用信息。
该实施例中，新生成模型是基于对原始生成模型改进后得到的，主要组成部分包括：模拟真实样本隐空间特征的编码网络、生成合成图像的生成网络以及用于区分真实样本和生成样本的判别网络，其中，原始生成模型是由生成网络和判别网络组成的。
该实施例中，医疗影像指标是指衡量经由新生成模型输出的生成图像质量的参数，比如，饱和度、曝光度、高清度等，用以与原始影像指标比较来确定数据增强的同时新生成模型是否能够输出包含更多病理信息的图像来辅助真实影像准确得出目标患者的病变信息；原始影像指标是指衡量原始影像质量的参数；第一输出影像是指医疗影像指标与原始影像指标一致的情况下，新生成模型输出的图像，作为第一结果输出，其中第一结果主要用于辅助真实影像来准确得到目标患者的病变信息。
该实施例中，优化生成模型是结合边缘检测策略对新生成模型优化得到的，其中，边缘检测策略指的是对影像中的图像进行边缘检测，将检测到的边缘纹理特征添加至新生成模型的生成网络损失函数中，对生成网络训练来生成更逼真图像。
该实施例中，第二输出影像是指目标影像数据集输入优化生成模型后输出的合成图像；病灶分析指的是对人体上发生病变的部分的分析；病变信息是指经过分析病灶得出的由疾病引起的细胞或组织的变化信息。
上述技术方案的有益效果是：通过利用预处理医疗影像数据后得到的目标影像数据集进行模型训练与改进得到新生成模型；通过利用边缘检测策略对新生成模型优化得到优化生成模型；根据指标对比结果，从新生成模型和优化生成模型的生成结果中进行筛选，输出第一结果；最后，利用第一结果辅助真实影像，确保能有效获取病变信息，提高了诊断效率和准确率以及数据利用率。
本发明实施例提供一种医疗用影像数据的处理方法，获取目标患者的原始医疗用影像数据并进行预处理，得到目标影像数据集，包括：
从影像数据库中提取目标患者的原始医疗用影像数据；
对原始医疗用影像数据转换为3D数据，并进行图像校准操作，得到三维影像；
对三维影像进行切割处理得到若干张二维截面图像，并将不包含或包含病理信息的病理面积占比小于3%的二维截面图像去除；
将剩余的二维截面图像集合，得到二维图像集作为目标影像数据集输出。
该实施例中，数据转换是为了提高数据分析的数据且便于存储；图像校准是指统一图像的坐标空间，降低各种畸变对后续操作的负面影响。
该实施例中，切割处理一般是对三维影像从上而下的水平面切片，得到若干二维截面图像。
该实施例中，比如，存在二维截面图像1、2和3，对应的病例面积占比分别是15%、21%和1.9%，此时基于预设占比3%，将二维截面图像3去除，将二维截面图像1和2集合，作为目标影像数据集输出。
上述技术方案的有益效果是：通过对原始影像数据进行格式转换、图像校准和切割处理后得到目标影像数据集，为后续对原始生成模型训练与改进提供数据支撑。
本发明实施例提供一种医疗用影像数据的处理方法，利用目标影像数据集对原始生成模型进行训练及改进，得到新生成模型，包括：
步骤11：从医疗影像数据库中随机选取预设量的真实影像数据作为样本来建立原始生成模型；
步骤12：将目标影像数据集输入到原始生成模型中进行模型训练；
步骤13：在原始生成模型中的生成网络前加入基于通道注意力机制的编码网络，以及在生成网络内添加残缺块结构，得到新生成模型。
该实施例中，预设量是提前设定好的量。
该实施例中，编码网络主要用于学习真实图像的隐空间分布特征；通道注意力是指对于不同图像通道，根据图像的通道特征重要性的不同对应的注意力权重也不同；编码网络中添加通道注意力机制的目的是为了使网络自动将重要通道的特征强化，非重要通道的特征弱化，从而提升网络性能。
该实施例中，生成网络基于编码网络输出的真实样本的隐空间特征和输入的随机噪声，生成尽可能逼真的合成图像；生成网络中添加残缺块结构是为了减少网络训练参数数量、提高网络训练速度的同时提升模型的学习能力，降低网络退化的风险，其中，残缺块结构由两层卷积核大小为，步长为1的卷积层构成。
上述技术方案的有益效果是：通过选取预设量的真实影像数据作为样本来建立原始生成模型；通过利用目标影像数据训练原始生成模型后再生成网络前加入基于通道注意力机制的编码网络，以及在生成网络内添加残缺块结构来确保有效得到新生成模型。
本发明实施例提供一种医疗用影像数据的处理方法，提取所述新生成模型的医疗影像指标，若医疗影像指标与原始影像指标一致，则获取所述新生成模型的第一输出影像，并作为第一结果输出，包括：
将目标影像数据集输入到新生成模型中，由所述新生成模型中的编码网络输出目标影像数据集的潜在特征向量；
基于所述新生成模型中的生成网络输出的潜在特征向量的第一合成图像，且结合特征维度变换，输出第一重构图像；
基于所述新生成模型的判别网络对所述第一重构图像进行判定，获取判定值，如果判定值为正数，将对应的第一重构图像作为第一生成图像输出；
基于第一生成图像的质量，来得到新生成模型的医疗影像指标；
若医疗影像指标与原始影像指标一致，则将第一生成图像视为第一输出影像，并作为第一结果输出。
该实施例中，潜在特征向量是指隐空间内的特征向量，具体是指以相似样本为基础，有关于特征相似的点距离的向量；特征维度变换目的是为了不减少特征信息的情况下简化运算。
该实施例中，判定网络的作用是通过和生成网络之间的相互博弈，训练网络参数来达到区分图像的目的。
该实施例中，比如，存在第一重构图像a1，对应的判定结果是12，此时将第一重构图像a1作为第一生成图像输出，其中，新生成模型中的判别网络是基于不同图像以及预先对该图像由专家设定的判定值为样本训练得到的，也就是，该判别网络的判别标准是，当基于该网络对图像的判定值大于0时，即视为该图像合格，否则，视为该图像不合格，所以，当基于该判别网络判定出第一重构图像的判定值为12时，则将该第一重构图像作为第一生成图像输出。
该实施例中，医疗影像指标是指衡量经由新生成模型输出的生成图像质量的参数；原始影像指标是指衡量原始影像质量的参数。
比如，原始影像指标存在指标1、指标2、指标3，医疗影像指标存在指标1、指标2、指标3，此时就是一致，如果医疗影像指标存在指标1、指标2，此时，指标就不一致，且不一致指标即为指标3。
上述技术方案的有益效果是：通过将目标影像数据集输入新生成模型中输出第一生成图像；通过利用第一生成图像质量得到新生成模型对应的医疗影像指标；通过将医疗影像指标与原始影像指标对比，输出第一结果，为后续进行病灶分析从而得到病变信息奠定基础。
本发明实施例提供一种医疗用影像数据的处理方法，基于第一生成图像的质量，来得到新生成模型的医疗影像指标，包括：
根据如下公式，计算第一生成图像的质量P：
；其中，/>表示为所确定的第一生成图像信号中信号强度大于预设强度的像素总数；/>表示为第一生成图像的像素总数；/>表示为基于像素点的误差敏感对图像质量的影响系数；/>表示为原始影像与第一生成图像的关键对比函数，取值范围为/>；表示为第一生成图像；/>表示为原始影像；/>表示为计算图像质量过程中的损失因子；表示第i个对比指标下第一生成图像的比较值/>与原始影像的比较值/>的差值，且/>；/>表示对比指标的总个数；/>表示从所有差值/>中获取的最大值；/>表示从所有对比指标所对应的指标值qi中获取到最大指标值/>所对应的差值；/>表示针对像素总数的修正系数，取值范围为[0.9，1.1]；
若获取到的质量P大于预设质量P0时，基于所述第一生成图像获取新生成模型的医疗影像指标。
该实施例中，获取到的质量P的取值范围一般是；预设质量P0是提前设定好的，一般为0.8；比较值的取值范围主要由图像对比度和色度确定。
该实施例中，预设强度是提前设定好的，比如，图像的信号强度范围是[b1,b2]，那么预设强度即为：（b1+b2）/2。
上述技术方案的有益效果是：通过上述公式计算得到第一生成图像的质量，并结合预设质量获取新生成模型的医疗影像指标，为后续与原始影像指标对比提供数据支撑，影响后续的输出结果。
本发明实施例提供一种医疗用影像数据的处理方法，将与基于原始影像指标所确定出的不一致指标匹配的边缘检测策略输入到新生成模型进行模型优化，得到优化生成模型，并获取所述优化生成模型的第二输出影像，并作为第一结果输出，包括：
重新从医疗影像数据库中随机选取预设量的待使用影像数据作为实验样本输入新生成模型中，得到若干实验生成图像；
根据基于原始影像指标所确定出的不一致指标，选取图像边缘提取结果最佳的边缘阈值组合，并将边缘阈值组合对应的目标边缘检测算子引入模型训练；
将待使用影像和实验生成图像的边缘纹理特征添加到新生成模型的生成网络中进行辅助训练，生成第二重构图像；
利用边缘检测算子对待使用影像和第二重构图像进行边缘特征提取得到二值图像；
分析待使用影像对应的二值图像与第二重构图像对应的二值图像之间的边缘纹理差异，得到边缘纹理损失；
将边缘纹理损失添加至新生成模型中的生成网络损失函数中进行重新处理，得到优化生成模型；
将目标影像数据集输入到优化生成模型中输出第二输出影像，作为第一结果输出。
该实施例中，医疗影像数据库包含有各类疾病患者对应的影像数据；预设量是提前设定好的；待使用影像数据是医疗影像数据库中随机抽取的影像数据，包含有各种人体部位影像；实验生成图像是将待使用影像数据输入到新生成模型中最终输出的图像。
该实施例中，不一致指标指的是医疗影像数据指标与原始影像指标不同的指标；边缘阈值组合由低阈值和高阈值组成，根据不一致指标并综合边缘纹理特征的完整性和必要性来选取；目标边缘检测算子是基于边缘阈值组合获取的，用于模型训练。
该实施例中，边缘纹理特征主要是指图像中局部不连续的特点和反复出现的局部模式特点以及它们的排列规则；第二重构图像主要是将图像各类信息提取出来重新构建形成的图像；二值图像是将图像上的每一个像素只有两种可能的取值，即0和1，由边缘特征提取得到。
该实施例中，边缘纹理差异指的是两张边缘检测后的二值图像像素值之间的差异；边缘纹理损失主要是指分析边缘纹理差异过程中的内容损失；生成网络损失函数的目的是为了优化网络参数和学习更多真实样本的分布信息，包括有重构图像损失、边缘纹理损失和判别网络对生成图像的评价损失三部分；第二输出影像是将目标影像数据集输出优化生成模型后输出的图像。
上述技术方案的有益方案是：通过利用不一致指标，选取得到边缘阈值组合；通过边缘阈值组合确定目标边缘检测算子引入新生成模型进行训练；通过利用边缘检测策略对新生成模型中的生成网络损失函数中进行重新处理，来得到优化生成模型；将目标影像数据集输入优化生成模型后将输出的图像作为第一结果，来辅助真实影像准确得到目标患者的病变信息，提高了诊断的效率和准确率以及数据利用率。
本发明实施例提供一种医疗用影像数据的处理方法，利用第一结果辅助真实影像进行病灶分析，得到病变信息，包括：
结合第一结果和真实影像，得到目标患者的真实影像中对应检查部位的征象信息；
根据得到的征象信息，得到目标患者的病灶分析结果；
基于病灶分析结果和征象信息，确定目标患者的病变信息并输出。
该实施例中，征象信息具体是指疾病在不同病理阶段和层次上综合表露出来的征象信息，根据影像表现的征象信息可以缩小鉴别诊断的范围；病灶是指人体上发生病变的部分，例如，肺的某一部分被细菌破坏，则破坏的部分就是病灶；病变信息指的是人体内由疾病引起的细胞或组织的变化，包括有病变位置、病变程度，且分为良性和恶性两种，根据病灶分析结果和征象信息，诊断出检查部位的病变部位以及病变程度。
上述技术方案的有益效果是：通过第一结果辅助真实影像，来获取目标患者的检查部位的征象信息；基于征象信息获取对应的病灶分析结果；最终结合征象信息和病灶分析结果，来确保快速有效作出对目标患者的病变信息的诊断。
本发明实施例提供一种医疗用影像数据的处理系统，如图2所示，包括：
数据处理模块：获取目标患者的原始医疗用影像数据并进行预处理，得到目标影像数据集；
模型获取模块：利用目标影像数据集对原始生成模型进行训练及改进，得到新生成模型；
影像指标分析模块：提取所述新生成模型的医疗影像指标，若医疗影像指标与原始影像指标一致，则获取所述新生成模型的第一输出影像，并作为第一结果输出；
模型优化模块：如果医疗影像指标与原始影像指标存在不一致，则将与基于原始影像指标所确定出的不一致指标匹配的边缘检测策略输入到新生成模型进行模型优化，得到优化生成模型，并获取所述优化生成模型的第二输出影像，并作为第一结果输出；
病变信息获取模块：利用第一结果辅助真实图像进行病灶分析，得到病变信息。
上述技术方案的有益效果是：通过利用预处理医疗影像数据后得到的目标影像数据集进行模型训练与改进得到新生成模型；通过确定医疗影像数据指标和原始影像指标一致，确定新生成模型的输出结果可作为第一结果输出；基于医疗影像数据指标和原始影像指标不一致，通过利用边缘检测策略对新生成模型优化得到优化生成模型以及优化生成模型的输出结果作为第一结果；最后，利用第一结果辅助真实影像，确保能有效获取病变信息，提高了诊断效率和准确率以及数据利用率。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (4)

1.一种医疗用影像数据的处理方法，其特征在于，包括：
步骤1：获取目标患者的原始医疗用影像数据并进行预处理，得到目标影像数据集；
步骤2：利用目标影像数据集对原始生成模型进行训练及改进，得到新生成模型；
步骤3：提取所述新生成模型的医疗影像指标，若医疗影像指标与原始影像指标一致，则获取所述新生成模型的第一输出影像，并作为第一结果输出；
步骤4：如果医疗影像指标与原始影像指标存在不一致，则将与基于原始影像指标所确定出的不一致指标匹配的边缘检测策略输入到新生成模型进行模型优化，得到优化生成模型，并获取所述优化生成模型的第二输出影像，并作为第一结果输出；
步骤5：利用第一结果辅助真实影像进行病灶分析，得到病变信息；
其中，利用目标影像数据集对原始生成模型进行训练及改进，得到新生成模型，包括：
步骤11：从医疗影像数据库中随机选取预设量的真实影像数据作为样本来建立原始生成模型；
步骤12：将目标影像数据集输入到原始生成模型中进行模型训练；
步骤13：在原始生成模型中的生成网络前加入基于通道注意力机制的编码网络，以及在生成网络内添加残缺块结构，得到新生成模型；
其中，提取所述新生成模型的医疗影像指标，若医疗影像指标与原始影像指标一致，则获取所述新生成模型的第一输出影像，并作为第一结果输出，包括：
将目标影像数据集输入到新生成模型中，由所述新生成模型中的编码网络输出目标影像数据集的潜在特征向量；
基于所述新生成模型中的生成网络输出的潜在特征向量的第一合成图像，且结合特征维度变换，输出第一重构图像；
基于所述新生成模型的判别网络对所述第一重构图像进行判定，获取判定值，如果判定值为正数，将对应的第一重构图像作为第一生成图像输出；
基于第一生成图像的质量，来得到新生成模型的医疗影像指标；
若医疗影像指标与原始影像指标一致，则将第一生成图像视为第一输出影像，并作为第一结果输出；
其中，基于第一生成图像的质量，来得到新生成模型的医疗影像指标，包括：
根据如下公式，计算第一生成图像的质量P：
；
其中，表示为所确定的第一生成图像信号中信号强度大于预设强度的像素总数；/>表示为第一生成图像的像素总数；/>表示为基于像素点的误差敏感对图像质量的影响系数；/>表示为原始影像与第一生成图像的关键对比函数，取值范围为；/>表示为第一生成图像；/>表示为原始影像；/>表示为计算图像质量过程中的损失因子；/>表示第i个对比指标下第一生成图像的比较值/>与原始影像的比较值/>的差值，且/>；/>表示对比指标的总个数；表示从所有差值/>中获取的最大值；/>表示从所有对比指标所对应的指标值qi中获取到最大指标值/>所对应的差值；/>表示针对像素总数的修正系数，取值范围为[0.9，1.1]；
若获取到的质量P大于预设质量P0时，基于所述第一生成图像获取新生成模型的医疗影像指标；
其中，将与基于原始影像指标所确定出的不一致指标匹配的边缘检测策略输入到新生成模型进行模型优化，得到优化生成模型，并获取所述优化生成模型的第二输出影像，并作为第一结果输出，包括：
重新从医疗影像数据库中随机选取预设量的待使用影像数据作为实验样本输入新生成模型中，得到若干实验生成图像；
根据基于原始影像指标所确定出的不一致指标，选取图像边缘提取结果最佳的边缘阈值组合，并将边缘阈值组合对应的目标边缘检测算子引入模型训练；
将待使用影像和实验生成图像的边缘纹理特征添加到新生成模型的生成网络中进行辅助训练，生成第二重构图像；
利用边缘检测算子对待使用影像和第二重构图像进行边缘特征提取得到二值图像；
分析待使用影像对应的二值图像与第二重构图像对应的二值图像之间的边缘纹理差异，得到边缘纹理损失；
将边缘纹理损失添加至新生成模型中的生成网络损失函数中进行重新处理，得到优化生成模型；
将目标影像数据集输入到优化生成模型中输出第二输出影像，作为第一结果输出。
2.根据权利要求1所述的一种医疗用影像数据的处理方法，其特征在于，获取目标患者的原始医疗用影像数据并进行预处理，得到目标影像数据集，包括：
从影像数据库中提取目标患者的原始医疗用影像数据；
对原始医疗用影像数据转换为3D数据，并进行图像校准操作，得到三维影像；
对三维影像进行切割处理得到若干张二维截面图像，并将不包含或包含病理信息的病理面积占比小于3%的二维截面图像去除；
将剩余的二维截面图像集合，得到二维图像集作为目标影像数据集输出。
3.根据权利要求1所述的一种医疗用影像数据的处理方法，其特征在于，利用第一结果辅助真实影像进行病灶分析，得到病变信息，包括：
结合第一结果和真实影像，得到目标患者的真实影像中对应检查部位的征象信息；
根据得到的征象信息，得到目标患者的病灶分析结果；
基于病灶分析结果和征象信息，确定目标患者的病变信息并输出。
4.一种医疗用影像数据的处理系统，其特征在于，包括：
数据处理模块：获取目标患者的原始医疗用影像数据并进行预处理，得到目标影像数据集；
模型获取模块：利用目标影像数据集对原始生成模型进行训练及改进，得到新生成模型；
影像指标分析模块：提取所述新生成模型的医疗影像指标，若医疗影像指标与原始影像指标一致，则获取所述新生成模型的第一输出影像，并作为第一结果输出；
模型优化模块：如果医疗影像指标与原始影像指标存在不一致，则将与基于原始影像指标所确定出的不一致指标匹配的边缘检测策略输入到新生成模型进行模型优化，得到优化生成模型，并获取所述优化生成模型的第二输出影像，并作为第一结果输出；
病变信息获取模块：利用第一结果辅助真实图像进行病灶分析，得到病变信息；
其中，模型获取模块，用于：
从医疗影像数据库中随机选取预设量的真实影像数据作为样本来建立原始生成模型；
将目标影像数据集输入到原始生成模型中进行模型训练；
在原始生成模型中的生成网络前加入基于通道注意力机制的编码网络，以及在生成网络内添加残缺块结构，得到新生成模型；
其中，影像指标分析模块，用于：
将目标影像数据集输入到新生成模型中，由所述新生成模型中的编码网络输出目标影像数据集的潜在特征向量；
基于所述新生成模型中的生成网络输出的潜在特征向量的第一合成图像，且结合特征维度变换，输出第一重构图像；
基于所述新生成模型的判别网络对所述第一重构图像进行判定，获取判定值，如果判定值为正数，将对应的第一重构图像作为第一生成图像输出；
基于第一生成图像的质量，来得到新生成模型的医疗影像指标；
若医疗影像指标与原始影像指标一致，则将第一生成图像视为第一输出影像，并作为第一结果输出；
其中，基于第一生成图像的质量，来得到新生成模型的医疗影像指标，包括：
根据如下公式，计算第一生成图像的质量P：
；
其中，表示为所确定的第一生成图像信号中信号强度大于预设强度的像素总数；/>表示为第一生成图像的像素总数；/>表示为基于像素点的误差敏感对图像质量的影响系数；/>表示为原始影像与第一生成图像的关键对比函数，取值范围为；/>表示为第一生成图像；/>表示为原始影像；/>表示为计算图像质量过程中的损失因子；/>表示第i个对比指标下第一生成图像的比较值/>与原始影像的比较值/>的差值，且/>；/>表示对比指标的总个数；表示从所有差值/>中获取的最大值；/>表示从所有对比指标所对应的指标值qi中获取到最大指标值/>所对应的差值；/>表示针对像素总数的修正系数，取值范围为[0.9，1.1]；
若获取到的质量P大于预设质量P0时，基于所述第一生成图像获取新生成模型的医疗影像指标；
其中，模型优化模块，用于：
重新从医疗影像数据库中随机选取预设量的待使用影像数据作为实验样本输入新生成模型中，得到若干实验生成图像；
根据基于原始影像指标所确定出的不一致指标，选取图像边缘提取结果最佳的边缘阈值组合，并将边缘阈值组合对应的目标边缘检测算子引入模型训练；
将待使用影像和实验生成图像的边缘纹理特征添加到新生成模型的生成网络中进行辅助训练，生成第二重构图像；
利用边缘检测算子对待使用影像和第二重构图像进行边缘特征提取得到二值图像；
分析待使用影像对应的二值图像与第二重构图像对应的二值图像之间的边缘纹理差异，得到边缘纹理损失；
将边缘纹理损失添加至新生成模型中的生成网络损失函数中进行重新处理，得到优化生成模型；
将目标影像数据集输入到优化生成模型中输出第二输出影像，作为第一结果输出。
CN202310664661.3A 2023-06-07 2023-06-07 一种医疗用影像数据的处理方法及系统 Active CN116402812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310664661.3A CN116402812B (zh) 2023-06-07 2023-06-07 一种医疗用影像数据的处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310664661.3A CN116402812B (zh) 2023-06-07 2023-06-07 一种医疗用影像数据的处理方法及系统

Publications (2)

Publication Number Publication Date
CN116402812A CN116402812A (zh) 2023-07-07
CN116402812B true CN116402812B (zh) 2023-09-19

Family

ID=87018304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310664661.3A Active CN116402812B (zh) 2023-06-07 2023-06-07 一种医疗用影像数据的处理方法及系统

Country Status (1)

Country Link
CN (1) CN116402812B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109493308A (zh) * 2018-11-14 2019-03-19 吉林大学 基于条件多判别生成对抗网络的医疗图像合成与分类方法
CN111539467A (zh) * 2020-04-17 2020-08-14 北京工业大学 基于生成对抗网络为医疗影像数据集做数据增广的gan网络架构及方法
WO2020215557A1 (zh) * 2019-04-24 2020-10-29 平安科技（深圳）有限公司 医学影像解释方法、装置、计算机设备及存储介质
CN112349369A (zh) * 2020-11-27 2021-02-09 广州瀚信通信科技股份有限公司 医疗影像大数据智能分析方法、系统及存储介质
KR20210098381A (ko) * 2020-01-31 2021-08-10 고려대학교 산학협력단 병변 이미지 시각화 장치 및 방법
CN113781397A (zh) * 2021-08-11 2021-12-10 中国科学院信息工程研究所 基于联邦学习的医疗影像病灶检测建模方法、装置及系统
CN114121232A (zh) * 2021-11-26 2022-03-01 中科麦迪人工智能研究院(苏州)有限公司 分类模型训练方法、装置、电子设备及存储介质
WO2023020198A1 (zh) * 2021-08-16 2023-02-23 腾讯科技（深圳）有限公司 用于医学图像的图像处理方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230005138A1 (en) * 2021-06-30 2023-01-05 The University Of Hong Kong Lumbar spine annatomical annotation based on magnetic resonance images using artificial intelligence

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109493308A (zh) * 2018-11-14 2019-03-19 吉林大学 基于条件多判别生成对抗网络的医疗图像合成与分类方法
WO2020215557A1 (zh) * 2019-04-24 2020-10-29 平安科技（深圳）有限公司 医学影像解释方法、装置、计算机设备及存储介质
KR20210098381A (ko) * 2020-01-31 2021-08-10 고려대학교 산학협력단 병변 이미지 시각화 장치 및 방법
CN111539467A (zh) * 2020-04-17 2020-08-14 北京工业大学 基于生成对抗网络为医疗影像数据集做数据增广的gan网络架构及方法
CN112349369A (zh) * 2020-11-27 2021-02-09 广州瀚信通信科技股份有限公司 医疗影像大数据智能分析方法、系统及存储介质
CN113781397A (zh) * 2021-08-11 2021-12-10 中国科学院信息工程研究所 基于联邦学习的医疗影像病灶检测建模方法、装置及系统
WO2023020198A1 (zh) * 2021-08-16 2023-02-23 腾讯科技（深圳）有限公司 用于医学图像的图像处理方法、装置、设备及存储介质
CN114121232A (zh) * 2021-11-26 2022-03-01 中科麦迪人工智能研究院(苏州)有限公司 分类模型训练方法、装置、电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于多尺寸卷积与残差单元的快速收敛GAN胸部X射线图像数据增强;于贺;余南南;;信号处理(第12期);全文 *
基于深度学习的医疗影像识别技术研究综述;张琦;张荣梅;陈彬;;河北省科学院学报(第03期);全文 *
改进型循环生成对抗网络的血管内超声图像增强;姚哲维;杨丰;黄靖;刘娅琴;;计算机科学(第05期);全文 *

Also Published As

Publication number Publication date
CN116402812A (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN108389201B (zh) 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法
CN108464840B (zh) 一种乳腺肿块自动检测方法及系统
CN110070935B (zh) 基于对抗神经网络的医学图像合成方法、分类方法及装置
CN110930318B (zh) 一种低剂量ct图像修复去噪方法
CN109493308A (zh) 基于条件多判别生成对抗网络的医疗图像合成与分类方法
CN112150428A (zh) 一种基于深度学习的医学图像分割方法
CN110503635B (zh) 一种基于异构数据融合网络的手骨x光片骨龄评估方法
CN114332572B (zh) 基于显著图引导分层密集特征融合网络用于提取乳腺病变超声图像多尺度融合特征参数方法
CN114638767A (zh) 基于生成对抗网络的腹腔镜影像除烟方法
CN114648541A (zh) 非小细胞肺癌大体肿瘤靶区自动分割方法
CN114648663A (zh) 基于深度学习的肺癌ct图像亚型分类方法
CN117974832B (zh) 基于生成对抗网络的多模态肝脏医学图像扩充算法
CN115496720A (zh) 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备
CN116579982A (zh) 一种肺炎ct图像分割方法、装置及设备
CN117078693A (zh) 一种基于生成对抗网络的淋巴瘤影像重构与分割装置
CN113706475B (zh) 基于图像分割的置信度分析方法及装置
CN117974693A (zh) 图像分割方法、装置、计算机设备和存储介质
CN117746042A (zh) 一种基于APA-UNet的肝脏肿瘤CT图像分割方法
CN117876261A (zh) 一种基于深度学习的cbct散射校正成像方法
CN117710317A (zh) 检测模型的训练方法及检测方法
CN113610746A (zh) 一种图像处理方法、装置、计算机设备及存储介质
CN116402812B (zh) 一种医疗用影像数据的处理方法及系统
CN116883341A (zh) 一种基于深度学习的肝脏肿瘤ct图像自动分割方法
CN115187519B (zh) 图像质量评价方法、系统及计算机可读介质
CN116402756A (zh) 一种融合多层次特征的x光片肺部疾病筛查系统

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