CN116452579B - 一种基于胸片图像的肺动脉高压智能评估方法和系统 - Google Patents
一种基于胸片图像的肺动脉高压智能评估方法和系统 Download PDFInfo
- Publication number
- CN116452579B CN116452579B CN202310636052.7A CN202310636052A CN116452579B CN 116452579 B CN116452579 B CN 116452579B CN 202310636052 A CN202310636052 A CN 202310636052A CN 116452579 B CN116452579 B CN 116452579B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- image
- pulmonary artery
- chest radiography
- 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
Links
- 238000002601 radiography Methods 0.000 title claims abstract description 121
- 210000001147 pulmonary artery Anatomy 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 195
- 238000001514 detection method Methods 0.000 claims abstract description 96
- 238000013441 quality evaluation Methods 0.000 claims abstract description 47
- 238000011156 evaluation Methods 0.000 claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 59
- 238000002372 labelling Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 14
- 208000002151 Pleural effusion Diseases 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 208000002815 pulmonary hypertension Diseases 0.000 claims description 11
- 230000008719 thickening Effects 0.000 claims description 10
- 238000001303 quality assessment method Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 206010020772 Hypertension Diseases 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000001575 pathological effect Effects 0.000 claims description 5
- 230000010339 dilation Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 210000005245 right atrium Anatomy 0.000 claims description 3
- 210000005241 right ventricle Anatomy 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 206010064911 Pulmonary arterial hypertension Diseases 0.000 description 7
- 210000004072 lung Anatomy 0.000 description 6
- 208000024891 symptom Diseases 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000004872 arterial blood pressure Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 3
- 206010013012 Dilatation ventricular Diseases 0.000 description 2
- 206010067282 Right atrial dilatation Diseases 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 201000003144 pneumothorax Diseases 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010003598 Atelectasis Diseases 0.000 description 1
- 208000010392 Bone Fractures Diseases 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 1
- 206010039163 Right ventricular failure Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010968 computed tomography angiography Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001991 pathophysiological effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 208000008128 pulmonary tuberculosis Diseases 0.000 description 1
- 230000036593 pulmonary vascular resistance Effects 0.000 description 1
- 206010039722 scoliosis Diseases 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06V10/70—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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于胸片图像的肺动脉高压智能评估方法，包括：获取受检者的正位胸片图像；将正位胸片图像预处理后输入训练好的图像质量评估模型，输出图像质量评分；将图像质量评分符合预设的肺动脉高压评估标准的正位胸片图像输入训练好的异常特征检测模型中，输出异常特征检测框位置、异常类别和异常特征概率值；将由异常特征检测框位置、异常类别和异常特征概率值构成的向量输入肺动脉高压筛查模型中，输出肺动脉高压的概率值。本方案能够对胸片图像中多种异常特征精确检测，从而提高肺动脉高压预测的精确性，并通过可视化评估结果辅助医生进行临床决策。
Description
技术领域
本发明涉及医疗图像处理技术领域，具体涉及一种基于胸片图像的肺动脉高压智能评估方法、装置、计算设备及存储介质。
背景技术
近年来，肺动脉高压（pulmonary hypertension，PH）对所有年龄段人群，尤其是老年人的影响显著增加，在临床上引起了广泛重视。PH是由多种异源性疾病和不同发病机制导致的肺部血管结构改变，从而引起肺血管阻力和肺动脉压力升高的临床和病理生理综合症，如不及早发现，会发展成右心衰竭甚至死亡。
目前，右心导管检查是诊断和评价PH的标准方法，但是该技术尚未普及且不适合早期筛查。对于肺动脉高压的早期筛查，一种方法是在CT血管造影上通过计算肺动脉直径或血流特征，预测是否存在肺动脉高压。该方法主要依赖于数学模型和流体力学方程，受建模设置的边界条件影响较大，预测效果较差。另一种方法是通过胸片图像预测肺动脉高压，获取预测概率值或者通过热力图展示模型关注区域，但是该方法不能精准定位到每个异常区域，并且只能实现对例如骨折、气胸、胸腔积液等单种类别的检测。
因此，需要提供一种基于胸片图像的肺动脉高压智能评估方法，能够对胸片上的异常特征进行精确识别，并实现多种异常特征的同时检测，提高肺动脉高压早期筛查的准确率，以解决现有技术中存在的问题。
发明内容
本发明提出一种克服上述问题或者至少部分地解决上述问题的一种基于胸片图像的肺动脉高压智能评估方法和系统，通过搭建图像质量评估模型可以对胸片图像质量自动打分，筛选出符合诊断标准的胸片图像，为后续异常特征检测提供良好的数据基础。
通过搭建肺动脉高压筛查模型训练异常特征与肺动脉高压的关系，最终获得肺动脉高压的概率值。
根据本发明的第一方面，提供一种基于胸片图像的肺动脉高压智能评估方法，包括：首先，获取受检者的正位胸片图像。然后，将正位胸片图像预处理后输入训练好的图像质量评估模型，输出图像质量评分；将图像质量评分符合预设的肺动脉高压评估标准的正位胸片图像输入训练好的异常特征检测模型中，输出异常特征检测框位置、异常类别和异常特征概率值。最后，将由异常特征检测框位置、异常类别和异常特征概率值构成的向量输入肺动脉高压筛查模型中，输出肺动脉高压的概率值。
可选地，在上述方法中，可以通过下述步骤训练图像质量评估模型：
首先，采集不同受检者预定数量的正位胸片图像，并对采集的正位胸片图像进行图像质量评分标注，图像质量评分基于图像中对肺动脉高压评估有影响的生理或病理特征确定；
然后，将质量评分标注后的正位胸片图像输入预先构建的图像质量评估模型中训练，选取质量评估准确率最高的模型作为训练好的图像质量评估模型，图像质量评估模型为Densenet、Resnet、VGG、Effiencenet网络中任意一种。
可选地，在上述方法中，可以通过下述步骤训练异常特征检测模型：
首先，对图像质量评分符合肺动脉高压评估标准的正位胸片图像进行异常特征标注，得到异常特征标注框和异常类别。其中，异常特征至少包括肺动脉段凸出、右下肺动脉增粗、中心肺动脉扩张、残根征、右心房扩大、右心室扩大、左胸腔积液、右胸腔积液；
然后，对异常特征标注框进行聚类，基于不同标注框之间的交并比值确定锚框坐标。最后，将包含锚框坐标和异常类别标注的正位胸片图像输入预先构建的异常特征检测模型中迭代训练，得到训练好的异常特征检测模型。
可选地，在上述方法中，预先构建好的异常特征检测模型为YOLOv1或YOLOv2或YOLOv3或YOLOv4或YOLOv5网络，当异常特征检测模型框架为YOLOv5时，YOLOv5网络包括顺次连接的输入模块、主干模块、颈部模块和预测模块。
其中，输入模块用于对输入图像进行数据增强和预处理；主干模块用于对数据增强和预处理后的图像进行特征提取，输出下采样后的特征图；颈部模块用于对主干模块输出的特征图进行特征融合，输出融合后的特征图；预测模块用于对融合后的特征图预测异常特征检测框位置、异常类别和异常特征概率值。
可选地，对异常类别进行分类时，对异常类别的损失函数进行标签平滑处理。
可选地，在上述方法中，肺动脉高压筛查模型为包括输入层、两个隐含层和输出层的浅层神经网络。
根据本发明的第二方面，提供了一种基于胸片图像的肺动脉高压智能评估系统，包括：获取模块、图像质量评估模块、异常特征检测模块和肺动脉高压评估模块。
其中，获取模块，用于获取受检者的正位胸片图像；
图像质量评估模块，用于将正位胸片图像输入训练好的图像质量评估模型，输出图像质量评分；
异常特征检测模块，在正位胸片图像的图像质量评分符合预设的肺动脉高压评估标准时，将正位胸片图像输入训练好的异常特征检测模型中，输出异常特征检测框位置、异常类别和异常特征概率值；
肺动脉高压评估模块，用于将由所述异常特征检测框位置、异常类别和异常特征概率值构成的向量输入肺动脉高压筛查模型中，输出肺动脉高压的概率值。
可选地，在上述系统中，还包括：第一标注模块、第一训练模块、第二标注模块和第二训练模块。
其中，第一标注模块，用于获取不同受检者的正位胸片图像，并对正位胸片图像进行质量评分标注；
第一训练模块，用于对第一标注模块标注后的正位胸片图像进行数据集划分、数据增强、图像预处理，对图像质量评估模型进行训练，获取训练好的图像质量评估模型；
第二标注模块，用于对正位符合质量评分标准的正位胸片图像进行异常特征标注；
第二训练模块，用于对第二标注模块标注后的正位胸片图像进行数据集划分、计算锚框，对异常特征检测模型进行训练，获取训练好的异常特征检测模型。
根据本发明的第三方面，提供一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，其中，程序指令被配置为适于由至少一个处理器执行，程序指令包括用于执行上述基于胸片图像的肺动脉高压智能评估方法的指令。
根据本发明的第四方面，提供一种存储有程序指令的可读存储介质，当程序指令被计算设备读取并执行时，使得计算设备执行上述的基于胸片图像的肺动脉高压智能评估方法。
根据本发明的方案，通过搭建胸片图像质量评估模型可以对胸片图像质量自动打分，筛选出符合诊断标准的胸片图像，为后续异常特征检测提供良好的数据基础。
在异常特征检测模型训练过程中，通过对异常类别的损失函数进行标签平滑处理，能够提高胸片异常特征检测模型的泛化能力，可精准预测胸片中的多种异常区域，并可视化呈现异常特征检测结果，能够辅助医生进行临床决策。
通过搭建肺动脉高压筛查模型训练异常特征与肺动脉高压的关系，最终获得肺动脉高压的概率值，能够为后续医生的诊断提供准确的数据支持，辅助医生做出诊断。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
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。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明一个实施例的基于胸片图像的肺动脉高压智能评估方法100的流程示意图；
图2示出了根据本发明一个实施例的基于胸片图像的肺动脉高压智能评估系统200的结构示意图；
图3示出了根据本发明一个实施例的计算设备300的结构框图；
图4示出了根据本发明一个实施例的基于胸片图像的肺动脉高压评估系统应用流程示意图。
实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
胸部正位片常用于临床辅助检查手段，例如检查有无肺炎、肺部肿瘤、肺部结核、胸腔积液、气胸、气管病变等。
临床发现肺动脉高压患者胸部X片可见肺动脉凸出，中心肺动脉扩张，与周围肺动脉纤细或截断形成鲜明对比，表现为“残根”征，以及右心房和右心室扩大等征象。考虑到胸片检查价格低廉、无创、易操作、可重复，现有技术中存在利用胸片进行肺动脉高压的早期筛查方法。
但是现有技术中仅通过分类模型对单一场景的异常特征进行检测，未考虑到同时存在多种异常类别的情况，不能对胸片上存在的多种异常特征进行精准检测，不利于辅助医生进行临床决策，应用场景受到限制。
本方案提供了一种基于胸片图像的肺动脉高压智能评估方法，能够通过对胸片图像进行筛选和检测，并实现对胸片上的多种异常特征的精准识别，符合真实应用场景，有利于为辅助医生临床决策提供准确的数据支持，从而提高肺动脉高压早期筛查的准确性。
图1示出了根据本发明一个实施例的基于胸片图像的肺动脉高压智能评估方法100的流程示意图。
在模型应用阶段，首先执行步骤S001，获取受检者的正位胸片图像。
心血管的常规胸片检查包括正位、左前斜位、右前斜位和左侧位照片，其中正位胸片可以显示出心脏大血管的大小、形态、位置和轮廓，能够观察心脏与周围器官的关系和肺内血管的变化，因此为了能够较为全面观察受检者的心脏形态及肺内血管变化，本方案采集的是受检者的正位胸片图像。
随后执行步骤S002，将正位胸片图像预处理后输入训练好的图像质量评估模型，输出图像质量评分。
为了满足图像质量评估模型对输入图像尺寸的要求，需要对采集的胸片图像进行调整图像大小和像素归一化的预处理，得到预设尺寸的，像素值在0-1范围内的待检测图像。
在本发明的一个实施例中，图像质量评估模型的输出结果，即图像质量评分为0或1或2。
接着执行步骤S003，将图像质量评分符合预设的肺动脉高压评估标准的正位胸片图像输入训练好的异常特征检测模型中，输出异常特征检测框位置、异常类别和异常特征概率值。
如果质量评分结果为0，则表示胸片图像不适合临床诊断，因此不再对胸片图像进行下一步检测，若质量评分结果为1或2，则表示胸片图像能够满足诊断要求，则将正位胸片图像输入训练好的异常特征检测模型中，输出异常特征检测框位置、异常类别和异常特征概率值。
最后执行步骤S004，将由异常特征检测框位置、异常类别和异常特征概率值构成的向量输入肺动脉高压筛查模型中，输出肺动脉高压的概率值。
在接收到胸片异常特征检测模型的预测结果后，根据先验知识，每张胸片内各种异常类别最多只存在1种，故只提取每种类别最大概率的检测框，未召回的异常类别，则用0表示。
可以对检测结果进行对齐处理，确保每个类别均有对应的向量。例如，将异常特征检测框的位置[x,y,w,h]、类别c（若异常种类数为8）及异常特征检测框内有异常特征的概率值conf组成8个一维向量，一维向量内容为[xi,yi,wi,hi,ci,confi]，i=1-8，为异常类别种类数。
肺动脉高压筛查模型为包括输入层、隐藏层和输出层的浅层神经网络，对于两层神经网络，从输入层到隐藏层对应一次逻辑回归运算；从隐藏层到输出层对应一次逻辑回归运算。最后选择合适的激活函数，输出肺动脉高压的概率值。
其中，图像质量评估模型通过下述步骤进行训练：
采集不同受检者预定数量的正位胸片图像，并对采集的正位胸片图像进行图像质量评分标注，所述图像质量评分基于图像中对肺动脉高压评估有影响的生理或病理特征确定；
将质量评分标注后的正位胸片图像输入预先构建的图像质量评估模型中训练，选取质量评估准确率最高的模型作为训练好的图像质量评估模型，所述图像质量评估模型为Densenet、Resnet、VGG、Effiencenet网络中任意一种。
具体地，在模型训练阶段，首先需要采集胸片图像作为用于训练模型的数据集，在本方案中，可以采集年龄大于18周岁的不同患者的正位胸片图像。
为了保证胸片图像的质量，需要对采集的图像进行质量评估和筛选，以保证后续异常特征检测的准确性。在训练之前，根据临床诊断要求，可以由专业医师对采集的正位胸片图像进行质量评分标注。需要说明的是，对于胸片质量的标注考虑的是样本的生理和病理特征，如遮挡、纹理噪声干扰等，而非图像本身的清晰度。
在本发明的一个实施例中，对于图像质量差无法进行诊断的样本可以标注为0，例如严重脊柱侧弯、肺不张、肺容积缩小导致肺内模糊的图像标注为0。对于图像中存在伪影或异物但不影响诊断的样本，例如曾经做过手术，使胸片中包含陈旧骨折、线样影、胸骨钢丝、起搏器、电极片等，可以标注为1。对于图像质量较好肺内清晰可正常诊断的样本标注为2。
随后，将质量评分标注后的正位胸片图像输入预先构建的图像质量评估模型中训练，选取质量评估准确率最高的模型作为训练好的图像质量评估模型。具体地，可以将质量评分标注后的正位胸片图像作为第一数据集，按照预设比例划分为第一训练集、第一验证集和第一测试集，优选比例为6:2:2。例如采集的正位胸片图像为1000张，则随机选取600张作为第一训练集，200张作为第一验证集，200张作为第一测试集。并对第一训练集进行数据增强、裁剪、归一化等预处理，得到预处理后的第一训练集。
例如，可以对第一训练集进行数据增强，包括翻转、旋转、裁剪、变形、缩放等几何变换，噪声、模糊、擦除、填充等颜色变换，这样可以增加数据的数量和多样性，在一定程度上减少标注压力。然后，对数据增强后的图像进行resize，调整到某一固定尺寸，图像大小根据需要进行设置，以便于模型输入，同时对图像进行归一化处理，将所有像素点除以255，将数据归一化到[0,1]范围内。
最后，将预处理后的第一训练集输入预先构建的图像质量评估模型中进行交叉验证训练，得到训练好的图像质量评估模型。
图像质量评估模型以densenet网络为例，DenseNet网络中使用DenseBlock（稠密块）+Transition（过渡块）的结构，其中DenseBlock是包含很多层的模块，每个层的特征图大小相同，在通道维度上层与层之间采用密集连接方式。
为了保持前馈特性，每个层的输入是所有前面层映射输出，同时也将本层的特征映射结果作为后面层的输入。Transition模块用于连接两个相邻的DenseBlock，通过Pooling使特征图大小降低，能够起到压缩模型的作用。
在训练过程中，首先使用第一训练集对densenet网络进行训练，调整模型参数，根据预测值与标签值计算交叉熵损失函数，当损失函数的损失值不再下降时停止训练。然后，使用第一验证集对模型预测结果进行评价，根据模型评价指标，调整模型的超参数，选取效果最好的模型。最后，使用第一测试集检测模型的泛化能力，最终选取质量评估准确率最高的模型作为训练好的图像质量评估模型。
使用训练好的图像质量评估模型预测获得胸片的图像质量评分。可以将图像质量评分为1、2的图像输入到胸片异常特征检测阶段，图像质量评分为0的图像不进行诊断。
在获得训练好的图像质量评估模型后，为了得到训练好的异常特征检测模型，需要使用图像质量评分符合预设评分标准（图像质量评分为1和2）的正位胸片图像训练预先构建的异常特征检测模型。其中，异常特征检测模型通过以下步骤训练：
首先，对图像质量评分符合肺动脉高压评估标准的正位胸片图像进行异常特征标注，得到异常特征标注框和异常类别。其中，异常特征至少包括肺动脉段凸出、右下肺动脉增粗、中心肺动脉扩张、残根征、右心房扩大、右心室扩大、左胸腔积液、右胸腔积液；
然后，对异常特征标注框进行聚类，基于不同标注框之间的交并比值确定锚框坐标；这样可以使模型训练效果好且易收敛。
最后，将包含锚框坐标和异常类别标注的正位胸片图像输入预先构建的异常特征检测模型中迭代训练，选取异常特征检测准确率最高的模型作为训练好的异常特征检测模型。
具体地，可以将图像质量评分满足预设评分标准的正位胸片图像作为第二数据集，也就是说，将数据采集阶段采集的正位胸片图像中图像质量评分为1和2的图像作为第二数据集。对第二数据集进行异常特征标注，其中异常特征标注为常见的胸片异常特征，包括肺动脉段凸出、右下肺动脉增粗、中心肺动脉扩张、残根征、右心房扩大、右心室扩大、左胸腔积液、右胸腔积液等。
在胸片图像上对异常特征标注框进行处理，一个异常特征标注框中仅包含一个异常特征，异常特征标注框内的异常特征是完整的，各个异常特征标注框尽量不重叠。最终每张胸片图像对应一个包含标注信息的文件，标注信息包含各个异常特征标注框的位置和异常类别标签。
随后，将异常标注后的第二数据集按照预设比例划分为第二训练集、第二验证集和第二测试集，优选的比例为6:2:2。
在训练异常特征检测模型之前，需要初步设置锚框的大小，以使模型训练效果好且易收敛。可以获取异常特征标注框坐标，基于kmeans聚类算法（也可以是其他聚类算法）对异常特征标注框进行聚类，即获取所有异常特征标注框的宽高数据，从所有异常特征标注框中随机选取k个值作为初始化锚框，随后计算每个标注框与锚框之间的IOU（交并比）值，使用IOU值作为聚类任务的评价指标，最后得到符合该聚类任务的统一尺寸的锚框坐标信息。
最后，将包含锚框坐标的第二训练集、第二验证集输入预先构建的异常特征检测模型中迭代训练，选取在第二测试集上检测准确率最高的模型作为训练好的异常特征检测模型。
其中，预先构建的异常特征检测模型可以是YOLO系列检测模块，如YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5。以YOLOv5网络作为该异常特征检测任务的模型框架，包括输入模块、主干模块、颈部模块和预测模块，
其中，输入模块用于对输入图像进行数据增强和预处理，例如通过数据增强来丰富数据集，包括几何变换：翻转，旋转，裁剪，缩放等操作；颜色变换：噪声、模糊等，这样可增加数据的数量及多样性。但数据增强只是为了在标注较少时，也能进行训练，在一定程度上减少标注压力。
同时在输入模块内会对胸片图像进行大小处理，统一resize到某一固定大小，图像大小可以根据需要设置，方便模型输入，同时对数据进行归一化，将图像像素值处理到0～1之间。最终输入模块输出的是经过数据增强、预处理后的胸片图像。
主干模块用于对经过数据增强、预处理后的胸片图像进行特征提取，输出经过多次下采样的特征图。颈部模块用于对主干模块输出的多次下采样后的特征图进行特征融合，输出融合后的特征图，颈部模块可融合经过多次下采样的特征图中不同层的特征，提高模型检测不同尺度大小目标的能力。预测模块用于对特征融合后的特征图预测，输出异常特征检测框的位置[x,y,w,h]、异常类别c（异常种类数）及异常特征检测框内有异常特征的概率值（0～1之间），并获得训练好的异常特征检测模型。
由于本方案中的多分类任务中部分异常特征的边界信息不明确，因此，在模型训练时，可以对异常类别的损失函数进行标签平滑处理，可均衡易标签与难标签对模型训练的影响。
其中，标签平滑就是对原分类标签中类别为1的数值进行1-α处理，其它原来为0的位置变为α/（c-1）, 这里的α为平滑因子，c为类别数。若α=0.1，c=6,则原标签[1,0,0,0,0,0]经处理后变为[0.9,0.02,0.02,0.02,0.02,,0.02]。
例如，右下肺动脉增粗、中心肺动脉扩张、残根征在病理上相关，经常伴随出现。当针对右下肺动脉增粗特征进行模型训练时，通常只考虑该特征，那么标签权重是1:0:0。但是考虑到另外两个伴随特征，在训练右下肺动脉增粗特征的模型时，会加入另外两个特征的样本，则标签权重是0.9:0.05:0.05。
最后进入肺动脉高压早期筛查阶段，考虑输入特征数量有限，故搭建一个浅层神经网络作为肺动脉高压早期筛查模型，包括输入层、两个隐含层，输出层。
将包含异常特征检测框位置[x,y,w,h]、异常类别c（若异常种类数为8）及异常特征检测框内有异常特征的概率值组成8个一维向量，向量内容为[xi,yi,wi,hi,ci,confi]，通过训练异常特征与肺动脉高压之间的对应关系，输出肺动脉高压的概率值（0～1之间）。
图2示出了根据本发明一个实施例的基于胸片图像的肺动脉高压智能评估系统200的结构示意图。如图2所示，本方案提供的基于胸片图像的智能评估系统200包括获取模块210、图像质量评估模块220、异常特征检测模块230和肺动脉高压评估模块240。
其中，获取模块210可以获取受检者的正位胸片图像。
图像质量评估模块220将获取模块210得到的正位胸片图像输入训练好的图像质量评估模型，输出图像质量评分。
根据本发明的一个实施例，图像质量评分结果为0或1或2，对于评分结果为0的胸片图像不进行异常特征检测。将评分结果为1或2的胸片图像输入异常特征检测模型。
异常特征检测模块230可以在图像质量评估模块220得到的图像质量评分符合预设的肺动脉高压评估标准时，将正位胸片图像输入训练好的异常特征检测模型中，输出异常特征检测框位置、异常类别和异常特征概率值。
肺动脉高压评估模块240可以将异常特征检测模块230得到的由异常特征检测框位置、异常类别和异常特征概率值构成的向量输入肺动脉高压筛查模型中，输出肺动脉高压的概率值。
通过上述方案，通过搭建胸片图像质量评估模型可以对胸片图像质量自动打分，筛选出符合诊断标准的胸片图像，为后续异常特征检测提供良好的数据基础。
如图2所示，该系统200还包括：第一标注模块250、第一训练模块260、第二标注模块270和第二训练模块280。
其中，第一标注模块250可以获取不同受检者的正位胸片图像，并对正位胸片图像进行质量评分标注；
第一训练模块260对第一标注模块250标注后的正位胸片图像进行数据集划分、数据增强、图像预处理，对图像质量评估模型进行训练，获取训练好的图像质量评估模型；
第二标注模块270可以对正位符合质量评分标准的正位胸片图像进行异常特征标注；
第二训练模块280可以对第二标注模块270标注后的正位胸片图像进行数据集划分、计算锚框，对异常特征检测模型进行训练，获取训练好的异常特征检测模型。
图3示出了根据本发明一个实施例的计算设备300的结构图。计算设备300可以执行本说明书中描述的基于胸片图像的肺动脉高压智能评估方法100，例如，可以执行本发明实施例中模型的训练和推理、可视化评估结果的展示等。
如图3所示，在基本的配置102中，计算设备300典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置，处理器104可以是任何类型的处理器，包括但不限于：微处理器（µP）、微控制器（µC）、数字信息处理器（DSP）或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元（ALU）、浮点数单元（FPU）、数字信号处理核心（DSP核心）或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器（诸如RAM）、非易失性存储器（诸如ROM、闪存等）或者它们的任何组合。计算设备中的物理内存通常指的是易失性存储器RAM，磁盘中的数据需要加载至物理内存中才能够被处理器104读取。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。
在一些实施方式中，应用122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。操作系统120例如可以是Linux、Windows等，其包括用于处理基本系统服务以及执行依赖于硬件的任务的程序指令。应用122包括用于实现各种用户期望的功能的程序指令，应用122例如可以是浏览器、即时通讯软件、软件开发工具（例如集成开发环境IDE、编译器等）等，但不限于此。当应用122被安装到计算设备300中时，可以向操作系统120添加驱动模块。
在计算设备300启动运行时，处理器104会从存储器106中读取操作系统120的程序指令并执行。应用122运行在操作系统120之上，利用操作系统120以及底层硬件提供的接口来实现各种用户期望的功能。当用户启动应用122时，应用122会加载至存储器106中，处理器104从存储器106中读取并执行应用122的程序指令。
计算设备300还包括储存设备132，储存设备132包括可移除储存器136和不可移除储存器138，可移除储存器136和不可移除储存器138均与储存接口总线134连接。
计算设备300还可以包括有助于从各种接口设备（例如，输出设备142、外设接口144和通信设备146）到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备（例如，键盘、鼠标、笔、语音输入设备、触摸输入设备）或者其他外设（例如打印机、扫描仪等）之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频（RF）、微波、红外（IR）或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。在根据本发明的计算设备300中，应用122包括用于执行本发明的基于胸片图像的肺动脉高压智能评估方法100的指令。
图4示出了根据本发明一个实施例的基于胸片图像的肺动脉高压评估系统应用流程示意图。如图4所示，本发明提供的基于胸片图像的肺动脉高压评估系统包括模型训练阶段和应用阶段，而不是直接调用训练好的模型进行应用。
其中模型训练阶段包括胸片图像采集和标注阶段、图像质量评估模型和异常特征检测模型训练阶段最终可以得到训练好的图像质量评估模型和异常特征检测模型。
在模型应用阶段，先将待检测的正位胸片图像输入训练好的图像质量评估模型对待检测的胸片图像进行质量评估输出图像质量评估结果0或1或2。这样可以实现胸片图像质量的自动打分，无需人工干预，能够为后续胸片异常特征检测模型提供良好的数据基础。
然后，将图像质量评分符合预设评分标准（图像质量评分为1或2）的胸片图像输入异常特征检测模型预测异常特征检测框位置、异常类别和异常特征概率值。通过可视化检测结果可以精准的预测胸片中的多种异常区域。
最后是评估结果输出，根据异常特征检测框位置、异常类别、异常特征概率值，预测异常特征与肺动脉高压的对应关系，得到肺动脉高压概率值，以辅助医生进行临床决策。
本发明提供的基于胸片图像的肺动脉高压智能评估系统在使用时可以一边训练一边应用，可以提高模型在应用时的泛化能力，提高模型评估的准确性。
下面给出1例胸片检查患者初筛肺动脉高压的案例：
对肺部不舒服的患者拍摄胸片后，可直接传入胸片图像质量评估模型，若输出结果为0，则直接将图反馈临床医生；若输出结果为1或2，则将胸片输入胸片异常检测模型，可视化检测结果，可以直观地对异常特征进行临床诊断。随后将异常特征检测结果输入肺动脉高压早期筛查模型，模型给出该患者患肺动脉高压的概率值0.87。医生可参考肺动脉高压概率与异常检测结果，做出临床决策。
上述案例说明此方法可辅助医生对肺动脉高压患者进行早期筛查，使患者尽早发现病情。
通过本发明提供的方案，在异常特征检测模型训练过程中，通过对异常类别的损失函数进行标签平滑处理，能够提高胸片异常特征检测模型的泛化能力，可精准预测胸片中的多种异常区域，并可视化呈现异常特征检测结果，能够辅助医生进行临床决策。
通过搭建肺动脉高压筛查模型训练异常特征与肺动脉高压的关系，最终获得肺动脉高压的概率值，能够为辅助医生的临床诊断提供准确的数据支持，降低肺动脉高压检查成本。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的说明书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附说明书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的而非限制性的，本发明的范围由所附说明书限定。
Claims (7)
1.一种基于胸片图像的肺动脉高压智能评估方法，其特征在于，包括：
获取受检者的正位胸片图像；
将所述正位胸片图像预处理后输入训练好的图像质量评估模型，输出图像质量评分，所述图像质量评分基于图像中对肺动脉高压评估有影响的生理或病理特征确定；
将图像质量评分符合预设的肺动脉高压评估标准的正位胸片图像输入训练好的异常特征检测模型中，输出异常特征检测框位置、异常类别和异常特征概率值，所述异常特征检测模型通过下述步骤训练：
对图像质量评分符合肺动脉高压评估标准的正位胸片图像进行异常特征标注，得到异常特征标注框和异常类别，所述异常特征至少包括肺动脉段凸出、右下肺动脉增粗、中心肺动脉扩张、残根征、右心房扩大、右心室扩大、左胸腔积液、右胸腔积液；
对所述异常特征标注框进行聚类，基于不同标注框之间的交并比值确定锚框坐标；
将包含锚框坐标和异常类别标注的正位胸片图像输入预先构建的异常特征检测模型中迭代训练，得到训练好的异常特征检测模型，其中，在对异常类别进行分类时，对异常类别的损失函数进行标签平滑处理，其中，在针对右下肺动脉增粗特征进行模型训练时，加入中心肺动脉扩张和残根征特征的样本；
将由所述异常特征检测框位置、异常类别和异常特征概率值构成的多个一维向量输入肺动脉高压筛查模型中，输出肺动脉高压的概率值。
2.根据权利要求1所述的基于胸片图像的肺动脉高压智能评估方法，其特征在于，所述图像质量评估模型通过下述步骤进行训练：
采集不同受检者预定数量的正位胸片图像，并对采集的正位胸片图像进行图像质量评分标注；将质量评分标注后的正位胸片图像输入预先构建的图像质量评估模型中训练，选取质量评估准确率最高的模型作为训练好的图像质量评估模型，所述图像质量评估模型为Densenet、Resnet、VGG、Effiencenet网络中任意一种。
3.根据权利要求1所述的基于胸片图像的肺动脉高压智能评估方法，其特征在于，所述预先构建好的异常特征检测模型为YOLOv1或YOLOv2或YOLOv3或YOLOv4或YOLOv5网络，当异常特征检测模型框架为YOLOv5时，所述YOLOv5网络包括顺次连接的输入模块、主干模块、颈部模块和预测模块，
所述输入模块用于对输入图像进行数据增强和预处理；所述主干模块用于对数据增强和预处理后的图像进行特征提取，输出下采样后的特征图；所述颈部模块用于对所述主干模块输出的特征图进行特征融合，输出融合后的特征图；所述预测模块用于对融合后的特征图预测，输出异常特征检测框位置、异常类别和异常特征概率值。
4.根据权利要求1所述的基于胸片图像的肺动脉高压智能评估方法，其特征在于，所述肺动脉高压筛查模型为包括输入层、两个隐含层和输出层的浅层神经网络。
5.一种基于胸片图像的肺动脉高压智能评估系统，其特征在于，包括：
第一标注模块，用于获取不同受检者的正位胸片图像，并对正位胸片图像进行质量评分标注；
第一训练模块，用于对所述第一标注模块标注后的正位胸片图像进行数据集划分、数据增强、图像预处理，对图像质量评估模型进行训练，获取训练好的图像质量评估模型；
获取模块，用于获取受检者的正位胸片图像；
图像质量评估模块，用于将所述获取模块获取的正位胸片图像预处理输入训练好的图像质量评估模型，输出图像质量评分，所述图像质量评分基于图像中对肺动脉高压评估有影响的生理或病理特征确定；
第二标注模块，用于对符合质量评分标准的正位胸片图像进行异常特征标注，所述异常特征至少包括肺动脉段凸出、右下肺动脉增粗、中心肺动脉扩张、残根征、右心房扩大、右心室扩大、左胸腔积液、右胸腔积液；；
第二训练模块，用于对所述第二标注模块标注后的正位胸片图像进行数据集划分、计算锚框，对异常特征检测模型进行训练，获取训练好的异常特征检测模型，其中，在对异常类别进行分类时，对异常类别的损失函数进行标签平滑处理，其中，在针对右下肺动脉增粗特征进行模型训练时，加入中心肺动脉扩张和残根征特征的样本；
异常特征检测模块，用于在正位胸片图像的图像质量评分符合预设的肺动脉高压评估标准时，将所述正位胸片图像输入训练好的异常特征检测模型中，输出异常特征检测框位置、异常类别和异常特征概率值；
肺动脉高压评估模块，用于将由所述异常特征检测框位置、异常类别和异常特征概率值构成的多个一维向量输入肺动脉高压筛查模型中，输出肺动脉高压的概率值。
6.一种计算设备，包括：
至少一个处理器；和存储有程序指令的存储器，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如权利要求1-4中任一项所述的基于胸片图像的肺动脉高压智能评估方法的指令。
7.一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1-4中任一项所述的基于胸片图像的肺动脉高压智能评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310636052.7A CN116452579B (zh) | 2023-06-01 | 2023-06-01 | 一种基于胸片图像的肺动脉高压智能评估方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310636052.7A CN116452579B (zh) | 2023-06-01 | 2023-06-01 | 一种基于胸片图像的肺动脉高压智能评估方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116452579A CN116452579A (zh) | 2023-07-18 |
| CN116452579B true CN116452579B (zh) | 2023-12-08 |
Family
ID=87134028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310636052.7A Active CN116452579B (zh) | 2023-06-01 | 2023-06-01 | 一种基于胸片图像的肺动脉高压智能评估方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116452579B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116705307A (zh) * | 2023-08-07 | 2023-09-05 | 天津云检医学检验所有限公司 | 基于ai模型的儿童心脏功能评估方法、系统和存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898595A (zh) * | 2018-06-27 | 2018-11-27 | 慧影医疗科技（北京）有限公司 | 一种胸部疾病检测模型的构建方法及应用 |
| CN110555825A (zh) * | 2019-07-23 | 2019-12-10 | 北京赛迈特锐医疗科技有限公司 | 胸部x线影像智能诊断系统及其诊断方法 |
| CN110739076A (zh) * | 2019-10-29 | 2020-01-31 | 上海华东电信研究院 | 一种医疗人工智能公共训练平台 |
| CN110969623A (zh) * | 2020-02-28 | 2020-04-07 | 北京深睿博联科技有限责任公司 | 一种肺部ct多征象自动检测方法、系统、终端及存储介质 |
| CN111631705A (zh) * | 2020-05-29 | 2020-09-08 | 广州视源电子科技股份有限公司 | 心电异常检测方法、模型训练方法、装置、设备及介质 |
| CN112241961A (zh) * | 2020-09-22 | 2021-01-19 | 深圳视见医疗科技有限公司 | 基于深度卷积神经网络的胸部x光片辅助诊断方法及系统 |
| CN113076993A (zh) * | 2021-03-31 | 2021-07-06 | 零氪智慧医疗科技(天津)有限公司 | 用于胸部x光片识别的信息处理方法、模型训练方法 |
| CN113362289A (zh) * | 2021-05-25 | 2021-09-07 | 南京鼓楼医院 | 一种胸部dr图像上异物自动检测的方法 |
| CN113827207A (zh) * | 2021-08-18 | 2021-12-24 | 上海联影医疗科技股份有限公司 | 肺动脉的评估方法、装置、计算机设备和存储介质 |
| CN115359907A (zh) * | 2022-08-30 | 2022-11-18 | 北京赛迈特锐医疗科技有限公司 | 在胸部x线片上筛查心脏疾病的智能诊断系统及方法 |
| CN116052847A (zh) * | 2023-02-08 | 2023-05-02 | 中国人民解放军陆军军医大学第二附属医院 | 基于深度学习的胸片多异常识别系统、装置及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4260236A1 (en) * | 2020-12-09 | 2023-10-18 | Imidex, Inc. | Methods of assessing lung disease in chest x-rays |
-
2023
- 2023-06-01 CN CN202310636052.7A patent/CN116452579B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898595A (zh) * | 2018-06-27 | 2018-11-27 | 慧影医疗科技（北京）有限公司 | 一种胸部疾病检测模型的构建方法及应用 |
| CN110555825A (zh) * | 2019-07-23 | 2019-12-10 | 北京赛迈特锐医疗科技有限公司 | 胸部x线影像智能诊断系统及其诊断方法 |
| CN110739076A (zh) * | 2019-10-29 | 2020-01-31 | 上海华东电信研究院 | 一种医疗人工智能公共训练平台 |
| CN110969623A (zh) * | 2020-02-28 | 2020-04-07 | 北京深睿博联科技有限责任公司 | 一种肺部ct多征象自动检测方法、系统、终端及存储介质 |
| CN111631705A (zh) * | 2020-05-29 | 2020-09-08 | 广州视源电子科技股份有限公司 | 心电异常检测方法、模型训练方法、装置、设备及介质 |
| CN112241961A (zh) * | 2020-09-22 | 2021-01-19 | 深圳视见医疗科技有限公司 | 基于深度卷积神经网络的胸部x光片辅助诊断方法及系统 |
| CN113076993A (zh) * | 2021-03-31 | 2021-07-06 | 零氪智慧医疗科技(天津)有限公司 | 用于胸部x光片识别的信息处理方法、模型训练方法 |
| CN113362289A (zh) * | 2021-05-25 | 2021-09-07 | 南京鼓楼医院 | 一种胸部dr图像上异物自动检测的方法 |
| CN113827207A (zh) * | 2021-08-18 | 2021-12-24 | 上海联影医疗科技股份有限公司 | 肺动脉的评估方法、装置、计算机设备和存储介质 |
| CN115359907A (zh) * | 2022-08-30 | 2022-11-18 | 北京赛迈特锐医疗科技有限公司 | 在胸部x线片上筛查心脏疾病的智能诊断系统及方法 |
| CN116052847A (zh) * | 2023-02-08 | 2023-05-02 | 中国人民解放军陆军军医大学第二附属医院 | 基于深度学习的胸片多异常识别系统、装置及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116452579A (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Su et al. | Lung nodule detection based on faster R-CNN framework | |
| Slomka et al. | Cardiac imaging: working towards fully-automated machine analysis & interpretation | |
| Militello et al. | A semi-automatic approach for epicardial adipose tissue segmentation and quantification on cardiac CT scans | |
| Shang et al. | Vascular active contour for vessel tree segmentation | |
| Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
| Nurmaini et al. | Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation | |
| KR102439845B1 (ko) | 의료용 인공 신경망 기반 사용자 선호 스타일을 제공하는 의료 영상 판독 지원 장치 및 방법 | |
| CN111899244B (zh) | 图像分割、网络模型的训练方法及装置，及电子设备 | |
| US11996182B2 (en) | Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network | |
| CN116452579B (zh) | 一种基于胸片图像的肺动脉高压智能评估方法和系统 | |
| Lee et al. | Unsupervised segmentation of lung fields in chest radiographs using multiresolution fractal feature vector and deformable models | |
| CN116188485A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| Peña-Solórzano et al. | Findings from machine learning in clinical medical imaging applications–Lessons for translation to the forensic setting | |
| CN113470060B (zh) | 基于ct影像的冠状动脉多角度曲面重建可视化方法 | |
| CN111340794A (zh) | 冠状动脉狭窄的量化方法及装置 | |
| Williams et al. | Interactive segmentation via deep learning and b-spline explicit active surfaces | |
| US20230222668A1 (en) | Image processing apparatus, image processing method, and recording medium | |
| Lin et al. | Echocardiography-based AI for detection and quantification of atrial septal defect | |
| CN116664592A (zh) | 基于图像的动静脉血管分离方法、装置、电子设备及介质 | |
| CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
| Rebelo et al. | Automatic epicardial fat segmentation and volume quantification on non-contrast cardiac Computed Tomography | |
| CN112862785A (zh) | Cta影像数据识别方法、装置及存储介质 | |
| CN117809122B (zh) | 一种颅内大血管图像的处理方法、系统、电子设备及介质 | |
| JP2020080913A (ja) | 非造影ｃｔ画像からの３次元メディアルアクシスモデルに基づく関心臓器画像自動セグメンテーション装置、及び自動セグメンテーション方法 | |
| An et al. | Faster R-CNN for detection of carotid plaque on ultrasound images |
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 |