CN116469545A - 使用医学图像进行辅助疾病预测的方法、装置及设备 - Google Patents
使用医学图像进行辅助疾病预测的方法、装置及设备 Download PDFInfo
- Publication number
- CN116469545A CN116469545A CN202310456644.0A CN202310456644A CN116469545A CN 116469545 A CN116469545 A CN 116469545A CN 202310456644 A CN202310456644 A CN 202310456644A CN 116469545 A CN116469545 A CN 116469545A
- Authority
- CN
- China
- Prior art keywords
- medical image
- standard medical
- adrenal
- adrenal tumor
- organ
- 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
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 61
- 201000010099 disease Diseases 0.000 title claims abstract description 43
- 208000024447 adrenal gland neoplasm Diseases 0.000 claims abstract description 233
- 230000011218 segmentation Effects 0.000 claims abstract description 72
- 238000010801 machine learning Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 210000000056 organ Anatomy 0.000 claims description 101
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 8
- 210000004100 adrenal gland Anatomy 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000002124 endocrine Effects 0.000 description 2
- 229940088597 hormone Drugs 0.000 description 2
- 239000005556 hormone Substances 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- PQSUYGKTWSAVDQ-ZVIOFETBSA-N Aldosterone Chemical compound C([C@@]1([C@@H](C(=O)CO)CC[C@H]1[C@@H]1CC2)C=O)[C@H](O)[C@@H]1[C@]1(C)C2=CC(=O)CC1 PQSUYGKTWSAVDQ-ZVIOFETBSA-N 0.000 description 1
- PQSUYGKTWSAVDQ-UHFFFAOYSA-N Aldosterone Natural products C1CC2C3CCC(C(=O)CO)C3(C=O)CC(O)C2C2(C)C1=CC(=O)CC2 PQSUYGKTWSAVDQ-UHFFFAOYSA-N 0.000 description 1
- 102400000739 Corticotropin Human genes 0.000 description 1
- 101800000414 Corticotropin Proteins 0.000 description 1
- 208000014311 Cushing syndrome Diseases 0.000 description 1
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010054107 Nodule Diseases 0.000 description 1
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 229960002478 aldosterone Drugs 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- IDLFZVILOHSSID-OVLDLUHVSA-N corticotropin Chemical compound C([C@@H](C(=O)N[C@@H](CO)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC=1NC=NC=1)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)NCC(=O)N[C@@H](CCCCN)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CC(N)=O)C(=O)NCC(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC=1C=CC=CC=1)C(O)=O)NC(=O)[C@@H](N)CO)C1=CC=C(O)C=C1 IDLFZVILOHSSID-OVLDLUHVSA-N 0.000 description 1
- 229960000258 corticotropin Drugs 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 201000002528 pancreatic cancer Diseases 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- SONNWYBIRXJNDC-VIFPVBQESA-N phenylephrine Chemical compound CNC[C@H](O)C1=CC=CC(O)=C1 SONNWYBIRXJNDC-VIFPVBQESA-N 0.000 description 1
- 229960001802 phenylephrine Drugs 0.000 description 1
- 208000028591 pheochromocytoma Diseases 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 201000009395 primary hyperaldosteronism Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000012360 testing method Methods 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
-
- 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
-
- 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
- G06T2207/30084—Kidney; Renal
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及数字医疗领域,揭露一种使用医学图像进行辅助疾病预测的方法,包括:获取肾上腺肿瘤的医学图像,针对肾上腺肿瘤的医学图像进行预处理,得到具有设定格式的标准医学图像,将具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果,在标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。本发明能够保证医学图像的分类精度的同时,提升辅助疾病预测结果的准确性。
Description
技术领域
本发明涉及数字医疗领域,尤其是涉及到使用医学图像进行辅助疾病预测的方法、装置及设备。
背景技术
目前,肾上腺肿瘤的临床诊断需要图像分析和全面的内分泌激素检查相结合。但是,由于促肾上腺皮质激素、醛固酮、变肾上腺素等激素的检测费用昂贵且耗时,程序复杂,受食物、药物因素的影响也很大。甚至一些医院是不具备内分泌激素检验能力的,因此很难保证对患者及时而准确地诊断。
相关技术中,医生和科研人员探索过借助深度卷积神经网络在医疗影像上区分胸部良性和恶性结节、分割肝脏和胰腺肿瘤并取得了不错的成绩。然而对肾上腺肿瘤的医学图像进行人工智能的研究甚少,并且通过肾上腺肿瘤的医学图像进行分类的方式来辅助医疗疾病预测的过程,而医学图像的分类方式通常是基于影像组学的传统方法,无法保证使用医学图像的分类精度,影响辅助疾病预测结果的准确性。
发明内容
有鉴于此,本发明提供了一种使用医学图像进行辅助疾病预测的方法、装置及设备,主要目的在于解决现有技术中基于影像组学的传统方法,无法保证使用医学图像的分类精度,影响辅助疾病预测结果的准确性的问题。
依据本发明一个方面,提供了一种使用医学图像进行辅助疾病预测的方法,包括:
获取肾上腺肿瘤的医学图像,针对所述肾上腺肿瘤的医学图像进行预处理,得到具有设定格式的标准医学图像;
将所述具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果;
在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。
进一步地,所述获取肾上腺肿瘤的医学图像,针对所述肾上腺肿瘤的医学图像进行预处理,得到具有设定格式的标准医学图像,包括:
获取肾上腺肿瘤的医学图像,提取所述医学图像中标记的期相;
利用所述医学图像中标记的期相,分别对处于不同期相的医学图像进行配准,得到具有设定格式的标准医学图像。
进一步地,在所述将所述具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果之前,所述方法还包括:
利用预先配置各个器官的精细分割模型对所述标准医学图像进行器官划分,在所述标准医学图像中标记出不同器官位置;
将标记出不同器官位置的标准医学图像作为样本数据输入至具有基础结构的网络模型中进行训练,构建分割网络模型。
进一步地,所述利用预先配置各个器官的精细分割模型对所述标准医学图像进行器官划分,在所述标准医学图像中标记出不同器官位置,包括:
利用预先配置各器官的精细分割模型对所述标准医学图像进行器官划分,获取标准医学图像对应肾上腺肿瘤的分割掩膜;
将所述标准医学图像对应肾上腺肿瘤的分割掩膜依次加入至分割标签中,根据所述分割标签,在所述标准医学图像中标记出不同器官位置。
进一步地,在所述利用预先配置各个器官的精细分割模型对所述标准医学图像进行器官划分,在所述标准医学图像中标记出不同器官位置之前,所述方法还包括:
围绕肾上腺肿瘤的病灶部位确定病灶部位的器官以及与病灶部位关联的各个器官;
使用所述病灶部位的器官以及与病灶部位关联的各个器官,预先配置各个器官的精细分割模型。
进一步地,所述基础结构的网络模型包括编码部分和解码部分,所述将标记出不同器官位置的标准医学图像作为样本数据输入至具有基础结构的网络模型中进行训练,构建分割网络模型,包括:
将标记出不同器官位置的标准医学图像作为样本数据输入至具有基础结构的网络模型对应的编码部分,使用所述编码部分对所述样本数据执行多次下采样数据,得到标准医学图像中不同层级的病灶特征图;
根据所述标准医学图像中不同层级的病灶特征图,使用具有基础结构的网络模型对应的编码部分对不同层级的病灶特征图执行多次上采样,在所述标准医学图像中定位出病灶位置;
利用所述标准医学图形中定位的病灶位置,确定标准医学图像中每个像素点在不同肾上腺肿瘤上的映射关系;
根据所述标准医学图像中每个像素点在不同肾上腺肿瘤上的映射关系,构建分割网络模型。
进一步地,所述阶段预测结果为标准医学图像中像素区域占比值最高的肾上腺肿瘤类别,在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果之前,所述方法还包括:
根据标准医学图像对应肾上腺肿瘤的阶段分类结果,获取所述标准医学图像中像素区域在各个肾上腺肿瘤类别上的占比值,判断像素区域在各个肾上腺肿瘤类别上的最高占比值是否大于设定数值;
若是,则将所述阶段预测结果作为标准医学图像对应肾上腺肿瘤的最终预测结果;
否则,在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。
依据本发明另一个方面,提供了一种使用医学图像进行辅助疾病预测的装置,包括:
获取模块,用于获取肾上腺肿瘤的医学图像,针对所述肾上腺肿瘤的医学图像进行预处理,得到具有设定格式的标准医学图像;
第一预测模块,用于将所述具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果;
第二预测模块,用于在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。
进一步地,所述获取模块,具体用于获取肾上腺肿瘤的医学图像,提取所述医学图像中标记的期相;利用所述医学图像中标记的期相,分别对处于不同期相的医学图像进行配准,得到具有设定格式的标准医学图像。
进一步地,所述装置还包括:
划分模块,用于在所述将所述具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果之前,利用预先配置各个器官的精细分割模型对所述标准医学图像进行器官划分,在所述标准医学图像中标记出不同器官位置;
训练模块,用于将标记出不同器官位置的标准医学图像作为样本数据输入至具有基础结构的网络模型中进行训练,构建分割网络模型。
进一步地,所述划分模块,具体用于利用预先配置各器官的精细分割模型对所述标准医学图像进行器官划分,获取标准医学图像对应肾上腺肿瘤的分割掩膜;将所述标准医学图像对应肾上腺肿瘤的分割掩膜依次加入至分割标签中,根据所述分割标签,在所述标准医学图像中标记出不同器官位置。
进一步地,所述装置还包括:
确定模块,用于在所述利用预先配置各个器官的精细分割模型对所述标准医学图像进行器官划分,在所述标准医学图像中标记出不同器官位置之前,围绕肾上腺肿瘤的病灶部位确定病灶部位的器官以及与病灶部位关联的各个器官;
配置单元,用于使用所述病灶部位的器官以及与病灶部位关联的各个器官,预先配置各个器官的精细分割模型。
进一步地,所述基础结构的网络模型包括编码部分和解码部分,所述训练模块,具体用于将标记出不同器官位置的标准医学图像作为样本数据输入至具有基础结构的网络模型对应的编码部分,使用所述编码部分对所述样本数据执行多次下采样数据,得到标准医学图像中不同层级的病灶特征图;根据所述标准医学图像中不同层级的病灶特征图,使用具有基础结构的网络模型对应的编码部分对不同层级的病灶特征图执行多次上采样,在所述标准医学图像中定位出病灶位置;利用所述标准医学图形中定位的病灶位置,确定标准医学图像中每个像素点在不同肾上腺肿瘤上的映射关系;根据所述标准医学图像中每个像素点在不同肾上腺肿瘤上的映射关系,构建分割网络模型。
进一步地,所述阶段预测结果为标准医学图像中像素区域占比值最高的肾上腺肿瘤类别,所述装置还包括:
判断模块,用于在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果之前,根据标准医学图像对应肾上腺肿瘤的阶段分类结果,获取所述标准医学图像中像素区域在各个肾上腺肿瘤类别上的占比值,判断像素区域在各个肾上腺肿瘤类别上的最高占比值是否大于设定数值;
生成模块,用于若是,则将所述阶段预测结果作为标准医学图像对应肾上腺肿瘤的最终预测结果;否则,在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。
依据本发明又一个方面,提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现使用医学图像进行辅助疾病预测的方法的步骤。
依据本发明再一个方面,提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现使用医学图像进行辅助疾病预测的方法的步骤。
借由上述技术方案,本发明提供一种使用医学图像进行辅助疾病预测的方法、装置及设备,通过获取肾上腺肿瘤的医学图像,针对肾上腺肿瘤的医学图像进行预处理,得到具有设定格式的标准医学图像,将具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果,在标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。与现有技术中基于影像组学的传统方法进行肾上腺肿瘤疾病的预测相比,本申请利用深度学习和肾上腺肿瘤疾病的多模态数据融合的方式,避免了基于单一模态数据进行辅助疾病预测的不充分,能够保留更多的病灶细节特征,保证医学图像的分类精度的同时,提升辅助疾病预测结果的准确性。
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是本发明一实施例中使用医学图像进行辅助疾病预测的方法的一应用环境示意图;
图2是本发明一实施例中使用医学图像进行辅助疾病预测的方法的一流程示意图;
图3是图2中步骤S10的一具体实施方式流程示意图;
图4是本发明另一实施例中使用医学图像进行辅助疾病预测的方法的另一流程示意图;
图5是图4中步骤S40的一具体实施方式流程示意图;
图6是本发明另一实施例中使用医学图像进行辅助疾病预测的方法的另一流程示意图;
图7是图4中步骤S50的一具体实施方式流程示意图;
图8是本发明另一实施例中使用医学图像进行辅助疾病预测的方法的另一流程示意图;
图9是本发明一实施例中使用医学图像进行辅助疾病预测的装置的一结构示意图;
图10是本发明一实施例中计算机设备的一结构示意图;
图11是本发明一实施例中计算机设备的另一结构示意图。
具体实施方式
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。
本发明实施例提供的使用医学图像进行辅助疾病预测的方法,可应用在如图1的应用环境中,其中,客户端通过网络与服务端进行通信。客户端可以接收肾上腺肿瘤的医学图像,服务端可以针对肾上腺肿瘤的医学图像进行预处理,得到具有设定格式的标准医学图像,将具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果,在标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。在本发明中,通过将深度学习与肾上腺肿瘤的多种模态数据相融合的方式,能够准确对不同肾上腺肿瘤进行辅助疾病预测,避免了临床上繁复的指标检查,进而更方便快捷的对肾上腺肿瘤进行疾病辅助预测。其中,客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。下面通过具体的实施例对本发明进行详细的描述。
请参阅图2所示,图2为本发明实施例提供的使用医学图像进行辅助疾病预测的方法的一个流程示意图,包括如下步骤:
S10、获取肾上腺肿瘤的医学图像,针对所述肾上腺肿瘤的医学图像进行预处理,得到具有设定格式的标准医学图像。
通常情况下,肾上腺肿瘤的检测分类根据CT扫描图像可划分为原发醛固醇增多症、库欣综合征、嗜铬细胞瘤等三中功能性肿瘤和非功能性肿瘤,一共四种肾上腺素肿瘤,这里医学图像主要指的是肾上腺部位的CT扫描图像,通过肾上腺部位的CT扫描图像可以确定肾上腺肿瘤的病灶信息,例如,肿瘤形状、肿瘤大小、肿瘤尺寸等。
需要理解的是,针对肾上腺肿瘤的医学图像进行预处理过程主要是对医学图像进行配准,考虑到配准的精度,这里可预先将每例肾上腺肿瘤的医学图像划分为不同的期相。具体地,如图3所述,步骤S10中,也即获取肾上腺肿瘤的医学图像,针对所述肾上腺肿瘤的医学图像进行预处理,得到具有设定格式的标准医学图像,包括如下步骤:
S11、获取肾上腺肿瘤的医学图像,提取所述医学图像中标记的期相。
S12、利用所述医学图像中标记的期相,分别对处于不同期相的医学图像进行配准,得到具有设定格式的标准医学图像。
具体地,可预先将每例肾上腺肿瘤的医学图像划分为动脉期、静脉期和平扫期三个期相,由于不同期相的医学图像使用不同的配准方式不同,这里可以根据医学图像对应的期相确定目标解剖点位置,进一步以目标解剖点位置作为参考点对医学图像进行配准,以使得医学图像在同一解剖点上达到空间位置上的一致性且体素间距想等,这里体素是针对三维图像的描述,相当于二维图像中的像素,得到具有设定格式的标准医学图像。
可以理解的是,不同期相在医学图像中表征出不同的病灶特征,例如,平扫期表现为均匀较低密度,CT值多低于10HU,增强后可见不同程度强化,动态增强检查早期病灶可显著强化。这里肾上腺肿瘤的医学图像可根据不同病灶特征会给出相应的期相。
S20、将所述具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果。
其中,分割网络模型可以为3D U-net为基本框架的网络模型,该网络模型由编码器和解码器构成,编码器执行四次连续的下采样,并引入注意力机制得到不同层级的特征图,目的是提升模型的特征提取能力,解码器从最深层网络的特征图开始进行连续四次上采样操作,并且会与同一层深度的下采样特征图进行跳跃连接。
需要理解的是,分割网络模型为使用机器学习模型训练得到,整个预测过程为标准医学图像在不同肾上腺肿瘤疾病上的分类过程,构建分割网络模型后,后续可直接使用该分割网络模型来输出标准医学图像在不同肾上腺肿瘤疾病上发生的概率值。具体地,如图4所示,在步骤S20之前,也即将所述具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果之前,还包括如下步骤:
S40、利用预先配置各个器官的精细分割模型对所述标准医学图像进行器官划分,在所述标准医学图像中标记出不同器官位置。
S50、将标记出不同器官位置的标准医学图像作为样本数据输入至具有基础结构的网络模型中进行训练,构建分割网络模型。
具体可以借助肾上腺肿瘤与肾上腺以及其他主要器官的位置关系,预先配置各个器官的精细分割模型,使用精细分割模型对标准医学图像中的器官进行划分,并在标准医学图像中标记出器官位置。
需要理解的是,为了更精准的在医学图像中标记出不同器官位置。具体地,如图5所述,步骤S40中,也即利用预先配置各个器官的精细分割模型对所述标准医学图像进行器官划分,在所述标准医学图像中标记出不同器官位置,包括如下步骤:
S42、利用预先配置各器官的精细分割模型对所述标准医学图像进行器官划分,获取标准医学图像对应肾上腺肿瘤的分割掩膜。
S42、将所述标准医学图像对应肾上腺肿瘤的分割掩膜依次加入至分割标签中,根据所述分割标签,在所述标准医学图像中标记出不同器官位置。
在该步骤中,这里可以将标准医学图像中的各个器官划分为肾上腺肿瘤的精细化分割掩膜,这里分割掩膜可以为二维矩阵数组的形式,同时也可以使用多值图像来表示,分割掩膜可作为标准医学图像中感兴趣的器官区域,也可以屏蔽其他的器官区域,还可以通过结构特征提取与掩膜具有相似结构特征的区域,随后将精细化分割掩膜同各自的标准医学图像依次加入到分割标签中,该分割标签可作为器官区域的位置划分依据,在标准医学图像中标记出不同器官位置。
需要理解的是,考虑到肾上腺肿瘤的病灶区域不仅涉及到病灶部位的器官,为了进一步提升分割网络模型从标准医学图像中对肾上腺肿瘤疾病的检测精度,这里可以将肾上腺肿瘤周围的器官标注出来起到辅助定位的作用。具体地,如图6所示,在步骤S40之前,也即利用预先配置各个器官的精细分割模型对所述标准医学图像进行器官划分,在所述标准医学图像中标记出不同器官位置之前,还包括如下步骤:
S60、围绕肾上腺肿瘤的病灶部位确定病灶部位的器官以及与病灶部位关联的各个器官。
S70、使用所述病灶部位的器官以及与病灶部位关联的各个器官,预先配置各个器官的精细分割模型。
这里围绕肾上腺肿瘤的病灶部位确定病灶部位的器官以及与病灶部位关联的各个器官可以至少包括左肾上腺、右肾上腺、肾脏、脾脏和胰腺等器官
需要理解的是,这里基础结构的网络模型包括编码部分和解码部分。具体地,如图7所示,步骤S50中,也即将标记出不同器官位置的标准医学图像作为样本数据输入至具有基础结构的网络模型中进行训练,构建分割网络模型,包括如下步骤:
S51、将标记出不同器官位置的标准医学图像作为样本数据输入至具有基础结构的网络模型对应的编码部分,使用所述编码部分对所述样本数据执行多次下采样数据,得到标准医学图像中不同层级的病灶特征图。
S52、根据所述标准医学图像中不同层级的病灶特征图,使用具有基础结构的网络模型对应的编码部分对不同层级的病灶特征图执行多次上采样,在所述标准医学图像中定位出病灶位置。
S53、利用所述标准医学图形中定位的病灶位置,确定标准医学图像中每个像素点在不同肾上腺肿瘤上的映射关系。
S54、根据所述标准医学图像中每个像素点在不同肾上腺肿瘤上的映射关系,构建分割网络模型。
具体地,编码部分可使用编码器实现,通过编码器对标准医学图像进行下采样操作后,可以让网络模型对肾上腺肿瘤的病灶特征进行提取,进一步将肾上腺肿瘤的病灶特征输入至解码部分,解码部分可通过解码器实现,通过解码器对肾上腺肿瘤的病灶特征进行上采样操作后,可以让网络模型学习肾上腺肿瘤的病灶特征,进而将学习得到的病灶特征映射到每个像素点在不同肾上腺肿瘤上,预测每个像素点在不同肾上腺肿瘤上的概率。
进一步地,考虑到网络分割模型的应用,具有基础结构的网络模型在训练过程中输出的预测值需要满足预设的收敛条件后,才可将训练后的网络模型作为分割网络模型,具体地,这里训练过程的损失函数可以如下所示:
LnnUnet=Ldc+Lce
其中,LnnUnet为整个网络模型的损失函数,Lce为交叉熵损失函数,是肾上腺肿瘤(包括四种类型)的损失函数,Ldc为为交叉熵损失函数,是围绕肾上腺肿瘤的病灶关联位置(包括五个器官)的损失函数,可见本实施例中的网络模型相当于九类的分割网络,这里针对损失函数使用的是加权交叉熵损失函数,由于是辅助疾病预测过程,针对四类肾上腺肿瘤的损失函数,给予较高的权重,而针对起到辅助定位作用的五个器官的损失函数,给予较低的权重,进而让网络模型主要学习四类肾上腺肿瘤的病灶特征。
S30、在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。
通常情况下,分割网络模型会输出医学图像在不同肾上腺肿瘤类别上的体素占比,这里阶段预测结果为标准医学图像中像素区域占比值最高的肾上腺肿瘤类别。
需要理解的是,考虑到单纯通过占比值来确定网络分割模型所输出肾上腺肿瘤类别可能存在一定误差。具体地,如图8所示,在步骤S30之前,也即在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果之前,还包括如下步骤:
S80、根据标准医学图像对应肾上腺肿瘤的阶段分类结果,获取所述标准医学图像中像素区域在各个肾上腺肿瘤类别上的占比值,判断像素区域在各个肾上腺肿瘤类别上的最高占比值是否大于设定数值。
S90a、若是,则将所述阶段预测结果作为标准医学图像对应肾上腺肿瘤的最终预测结果。
S90b、否则,在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。
具体地,可以根据标准医学图像中像素区域在各个肾上腺肿瘤类别上的占比值,确定标准医学图像可能命中不同肾上腺肿瘤疾病的概率分布,这里概率分布可能是比较平均的情况,例如,标准医学图像在四种肾上腺肿瘤疾病的概率分别为0.2、0.2、0.25、0.35,这种情况说明标准医学图像概率最大的肾上腺肿瘤疾病上并不具有很高的命中率,并不能直接将概率最大的肾上腺肿瘤疾病作为最终预测结果,概率分布还可能是比较单一的情况,例如,标准医学图像在四种肾上腺肿瘤疾病的概率分别为0、0、0.2、0.8,这种情况说明标准医学图像概率最大的肾上腺肿瘤疾病上具有很高的命中率,可以直接将概率最大的肾上腺肿瘤疾病作为最终预测结果。这里可以针对占比值预先配置一个设定数值,判断像素区域在各个肾上腺肿瘤类别上的最高占比值是否大于设定数值,如果是,则直接将概率最大的肾上腺肿瘤疾病作为最终预测结果,否则,根据,当前预测结果进一步融合肾上腺肿瘤的基础临床指标进行二次预测,得到最终预测结果。通常可选择大于0.5以上的数值作为设定数值,这样可以保证占比值最大的肾上腺肿瘤疾病满足概率分布比较单一的情况。
示例性的,这里融合肾上腺肿瘤的基础临床指标至少包括患者BMI、血钾、年龄、高血压史、性别等。
具体地,可通过将肾上腺肿瘤的基础临床指标与阶段分类结果输入至预先训练的机器学习模型中,使用机器学模型预测不同基础临床指标各个肾上腺肿瘤疾病上的命中概率,进一步根据命中概率确定标准医学图像对应肾上腺肿瘤的最终预测结果。
这里机器学习模型可以使用XGBoost模型进行训练,在XGBoost进行训练过程中,可不断添加树结构,不断进行特征分裂来生长一棵树,学习一个新函数,去拟合上次预测的残差,当训练完成得到k棵树,每一棵数相当于一种肾上腺肿瘤疾病,若需要预测一个样本的分数,需要根据样本的特征,在每棵树中会落到对应的一个叶子点,每个叶子对应一个分数,即基础临床指标命中到一种肾上腺肿瘤疾病上的分数,进一步根据叶子落入到不同树上的分数进行累加,得到不同基础临床指标各个肾上腺肿瘤疾病上的命中概率,进而输出标准医学图像对应肾上腺肿瘤的最终预测结果。
本实施例提供了一种使用医学图像进行辅助疾病预测的方法,通过获取肾上腺肿瘤的医学图像,针对肾上腺肿瘤的医学图像进行预处理,得到具有设定格式的标准医学图像,将具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果,在标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。与现有技术中基于影像组学的传统方法进行肾上腺肿瘤疾病的预测相比,本申请利用深度学习和肾上腺肿瘤疾病的多模态数据融合的方式,避免了基于单一模态数据进行辅助疾病预测的不充分,能够保留更多的病灶细节特征,保证医学图像的分类精度的同时,提升辅助疾病预测结果的准确性。
在一实施例中,提供一种使用医学图像进行辅助疾病预测的装置,该使用医学图像进行辅助疾病预测的装置与上述实施例中使用医学图像进行辅助疾病预测的方法一一对应。如图9所示,该使用医学图像进行辅助疾病预测的装置包括:获取模块101、第一预测模块102、第二预测模块103。各功能模块详细说明如下:
获取模块101,用于获取肾上腺肿瘤的医学图像,针对所述肾上腺肿瘤的医学图像进行预处理,得到具有设定格式的标准医学图像;
第一预测模块102,用于将所述具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果;
第二预测模块103,用于在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。
在一实施例中,所述获取模块,具体用于获取肾上腺肿瘤的医学图像,提取所述医学图像中标记的期相;利用所述医学图像中标记的期相,分别对处于不同期相的医学图像进行配准,得到具有设定格式的标准医学图像。
在一实施例中,所述装置还包括:
划分模块,用于在所述将所述具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果之前,利用预先配置各个器官的精细分割模型对所述标准医学图像进行器官划分,在所述标准医学图像中标记出不同器官位置;
训练模块,用于将标记出不同器官位置的标准医学图像作为样本数据输入至具有基础结构的网络模型中进行训练,构建分割网络模型。
在一实施例中,所述划分模块,具体用于利用预先配置各器官的精细分割模型对所述标准医学图像进行器官划分,获取标准医学图像对应肾上腺肿瘤的分割掩膜;将所述标准医学图像对应肾上腺肿瘤的分割掩膜依次加入至分割标签中,根据所述分割标签,在所述标准医学图像中标记出不同器官位置。
在一实施例中,所述装置还包括:
确定模块,用于在所述利用预先配置各个器官的精细分割模型对所述标准医学图像进行器官划分,在所述标准医学图像中标记出不同器官位置之前,围绕肾上腺肿瘤的病灶部位确定病灶部位的器官以及与病灶部位关联的各个器官;
配置单元,用于使用所述病灶部位的器官以及与病灶部位关联的各个器官,预先配置各个器官的精细分割模型。
在一实施例中,所述基础结构的网络模型包括编码部分和解码部分,所述训练模块,具体用于将标记出不同器官位置的标准医学图像作为样本数据输入至具有基础结构的网络模型对应的编码部分,使用所述编码部分对所述样本数据执行多次下采样数据,得到标准医学图像中不同层级的病灶特征图;根据所述标准医学图像中不同层级的病灶特征图,使用具有基础结构的网络模型对应的编码部分对不同层级的病灶特征图执行多次上采样,在所述标准医学图像中定位出病灶位置;利用所述标准医学图形中定位的病灶位置,确定标准医学图像中每个像素点在不同肾上腺肿瘤上的映射关系;根据所述标准医学图像中每个像素点在不同肾上腺肿瘤上的映射关系,构建分割网络模型。
在一实施例中,所述阶段预测结果为标准医学图像中像素区域占比值最高的肾上腺肿瘤类别,所述装置还包括:
判断模块,用于在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果之前,根据标准医学图像对应肾上腺肿瘤的阶段分类结果,获取所述标准医学图像中像素区域在各个肾上腺肿瘤类别上的占比值,判断像素区域在各个肾上腺肿瘤类别上的最高占比值是否大于设定数值;
生成模块,用于若是,则将所述阶段预测结果作为标准医学图像对应肾上腺肿瘤的最终预测结果;否则,在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。
本实施例提供了一种使用医学图像进行辅助疾病预测的装置,通过获取肾上腺肿瘤的医学图像,针对肾上腺肿瘤的医学图像进行预处理,得到具有设定格式的标准医学图像,将具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果,在标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。与现有技术中基于影像组学的传统方法进行肾上腺肿瘤疾病的预测相比,本申请利用深度学习和肾上腺肿瘤疾病的多模态数据融合的方式,避免了基于单一模态数据进行辅助疾病预测的不充分,能够保留更多的病灶细节特征,保证医学图像的分类精度的同时,提升辅助疾病预测结果的准确性。
关于使用医学图像进行辅助疾病预测的装置的具体限定可以参见上文中对于使用医学图像进行辅助疾病预测的方法的限定,在此不再赘述。上述使用医学图像进行辅助疾病预测的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的客户端通过网络连接通信。该计算机程序被处理器执行时以实现一种使用医学图像进行辅助疾病预测的方法服务端侧的功能或步骤。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是客户端,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种使用医学图像进行辅助疾病预测的方法客户端侧的功能或步骤
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取肾上腺肿瘤的医学图像,针对所述肾上腺肿瘤的医学图像进行预处理,得到具有设定格式的标准医学图像;
将所述具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果;
在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取肾上腺肿瘤的医学图像,针对所述肾上腺肿瘤的医学图像进行预处理,得到具有设定格式的标准医学图像;
将所述具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果;
在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。
需要说明的是,上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤,可对应参阅前述方法实施例中,服务端侧以及客户端侧的相关描述,为避免重复,这里不再一一描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种使用医学图像进行辅助疾病预测的方法,其特征在于,所述方法包括:
获取肾上腺肿瘤的医学图像,针对所述肾上腺肿瘤的医学图像进行预处理,得到具有设定格式的标准医学图像;
将所述具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果;
在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。
2.根据权利要求1所述的方法,其特征在于,所述获取肾上腺肿瘤的医学图像,针对所述肾上腺肿瘤的医学图像进行预处理,得到具有设定格式的标准医学图像,包括:
获取肾上腺肿瘤的医学图像,提取所述医学图像中标记的期相;
利用所述医学图像中标记的期相,分别对处于不同期相的医学图像进行配准,得到具有设定格式的标准医学图像。
3.根据权利要求1所述的方法,其特征在于,在所述将所述具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果之前,所述方法还包括:
利用预先配置各个器官的精细分割模型对所述标准医学图像进行器官划分,在所述标准医学图像中标记出不同器官位置;
将标记出不同器官位置的标准医学图像作为样本数据输入至具有基础结构的网络模型中进行训练,构建分割网络模型。
4.根据权利要求3所述的方法,其特征在于,所述利用预先配置各个器官的精细分割模型对所述标准医学图像进行器官划分,在所述标准医学图像中标记出不同器官位置,包括:
利用预先配置各器官的精细分割模型对所述标准医学图像进行器官划分,获取标准医学图像对应肾上腺肿瘤的分割掩膜;
将所述标准医学图像对应肾上腺肿瘤的分割掩膜依次加入至分割标签中,根据所述分割标签,在所述标准医学图像中标记出不同器官位置。
5.根据权利要求4所述的方法,其特征在于,在所述利用预先配置各个器官的精细分割模型对所述标准医学图像进行器官划分,在所述标准医学图像中标记出不同器官位置之前,所述方法还包括:
围绕肾上腺肿瘤的病灶部位确定病灶部位的器官以及与病灶部位关联的各个器官;
使用所述病灶部位的器官以及与病灶部位关联的各个器官,预先配置各个器官的精细分割模型。
6.根据权利要求3所述的方法,其特征在于,所述基础结构的网络模型包括编码部分和解码部分,所述将标记出不同器官位置的标准医学图像作为样本数据输入至具有基础结构的网络模型中进行训练,构建分割网络模型,包括:
将标记出不同器官位置的标准医学图像作为样本数据输入至具有基础结构的网络模型对应的编码部分,使用所述编码部分对所述样本数据执行多次下采样数据,得到标准医学图像中不同层级的病灶特征图;
根据所述标准医学图像中不同层级的病灶特征图,使用具有基础结构的网络模型对应的编码部分对不同层级的病灶特征图执行多次上采样,在所述标准医学图像中定位出病灶位置;
利用所述标准医学图形中定位的病灶位置,确定标准医学图像中每个像素点在不同肾上腺肿瘤上的映射关系;
根据所述标准医学图像中每个像素点在不同肾上腺肿瘤上的映射关系,构建分割网络模型。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述阶段预测结果为标准医学图像中像素区域占比值最高的肾上腺肿瘤类别,在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果之前,所述方法还包括:
根据标准医学图像对应肾上腺肿瘤的阶段分类结果,获取所述标准医学图像中像素区域在各个肾上腺肿瘤类别上的占比值,判断像素区域在各个肾上腺肿瘤类别上的最高占比值是否大于设定数值;
若是,则将所述阶段预测结果作为标准医学图像对应肾上腺肿瘤的最终预测结果;
否则,在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。
8.一种使用医学图像进行辅助疾病预测的装置,其特征在于,所述装置包括:
获取模块,用于获取肾上腺肿瘤的医学图像,针对所述肾上腺肿瘤的医学图像进行预处理,得到具有设定格式的标准医学图像;
第一预测模块,用于将所述具有设定格式的标准医学图像输入至预先训练的分割网络模型中,得到标准医学图像对应肾上腺肿瘤的阶段预测结果;
第二预测模块,用于在所述标准医学图像对应肾上腺肿瘤的阶段分类结果中融合肾上腺肿瘤的基础临床指标,将融合有基础临床指标的阶段分类结果输入至预先训练的机器学习模型中,得到标准医学图像对应肾上腺肿瘤的最终预测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310456644.0A CN116469545A (zh) | 2023-04-18 | 2023-04-18 | 使用医学图像进行辅助疾病预测的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310456644.0A CN116469545A (zh) | 2023-04-18 | 2023-04-18 | 使用医学图像进行辅助疾病预测的方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116469545A true CN116469545A (zh) | 2023-07-21 |
Family
ID=87175171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310456644.0A Pending CN116469545A (zh) | 2023-04-18 | 2023-04-18 | 使用医学图像进行辅助疾病预测的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116469545A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274185A (zh) * | 2023-09-19 | 2023-12-22 | 阿里巴巴达摩院(杭州)科技有限公司 | 检测方法、检测模型产品、电子设备及计算机存储介质 |
CN117577258A (zh) * | 2024-01-16 | 2024-02-20 | 北京大学第三医院(北京大学第三临床医学院) | Petct相似病例检索和预后预测方法 |
-
2023
- 2023-04-18 CN CN202310456644.0A patent/CN116469545A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274185A (zh) * | 2023-09-19 | 2023-12-22 | 阿里巴巴达摩院(杭州)科技有限公司 | 检测方法、检测模型产品、电子设备及计算机存储介质 |
CN117274185B (zh) * | 2023-09-19 | 2024-05-07 | 阿里巴巴达摩院(杭州)科技有限公司 | 检测方法、检测模型产品、电子设备及计算机存储介质 |
CN117577258A (zh) * | 2024-01-16 | 2024-02-20 | 北京大学第三医院(北京大学第三临床医学院) | Petct相似病例检索和预后预测方法 |
CN117577258B (zh) * | 2024-01-16 | 2024-04-02 | 北京大学第三医院(北京大学第三临床医学院) | Petct相似病例检索和预后预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bai et al. | Automated cardiovascular magnetic resonance image analysis with fully convolutional networks | |
US11288813B2 (en) | Systems and methods for anatomic structure segmentation in image analysis | |
CN111161270B (zh) | 医学影像的血管分割方法、计算机设备和可读存储介质 | |
CN107665736B (zh) | 用于生成信息的方法和装置 | |
CN116469545A (zh) | 使用医学图像进行辅助疾病预测的方法、装置及设备 | |
US10853409B2 (en) | Systems and methods for image search | |
US11645753B2 (en) | Deep learning-based multi-site, multi-primitive segmentation for nephropathology using renal biopsy whole slide images | |
CN111160367A (zh) | 图像分类方法、装置、计算机设备和可读存储介质 | |
US20230154593A1 (en) | Systems and methods for medical data processing | |
CN113012155A (zh) | 髋关节图像中骨骼分割方法、电子设备及存储介质 | |
WO2022178997A1 (zh) | 医学影像配准方法、装置、计算机设备及存储介质 | |
CN115830017B (zh) | 基于图文多模态融合的肿瘤检测系统、方法、设备及介质 | |
WO2020234349A1 (en) | Sampling latent variables to generate multiple segmentations of an image | |
CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
CN113706442A (zh) | 基于人工智能的医疗图像处理方法、装置及电子设备 | |
CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
JP2023175011A (ja) | 文書作成支援装置、方法およびプログラム | |
WO2024087858A1 (zh) | 图像处理模型的训练方法、装置、电子设备、计算机程序产品及计算机存储介质 | |
CN113724185A (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
CN111209946B (zh) | 三维图像处理方法、图像处理模型训练方法及介质 | |
CN111918611B (zh) | 胸部x线图像的异常显示控制方法、记录介质及装置 | |
Pal et al. | A fully connected reproducible SE-UResNet for multiorgan chest radiographs segmentation | |
CN115965785A (zh) | 图像分割方法、装置、设备、程序产品及介质 | |
CN116091412A (zh) | 一种从pet/ct图像中分割肿瘤的方法 | |
CN115294023A (zh) | 肝脏肿瘤自动分割方法及装置 |
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 |