CN116823701A - 基于ai的医学影像分析处理方法 - Google Patents
基于ai的医学影像分析处理方法 Download PDFInfo
- Publication number
- CN116823701A CN116823701A CN202211588661.1A CN202211588661A CN116823701A CN 116823701 A CN116823701 A CN 116823701A CN 202211588661 A CN202211588661 A CN 202211588661A CN 116823701 A CN116823701 A CN 116823701A
- Authority
- CN
- China
- Prior art keywords
- image
- medical image
- picture
- medical
- processing
- 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
- 238000010191 image analysis Methods 0.000 title claims abstract description 20
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 19
- 210000004204 blood vessel Anatomy 0.000 claims description 16
- 210000000056 organ Anatomy 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007619 statistical method Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Processing (AREA)
Abstract
本发明提供了基于AI的医学影像分析处理方法,其将医学影像进行标识后存放于相应预设图像处理通道中,根据医学影像的影像画面质量进行影像修复处理;将医学影像分割为若干影像子画面,根据影像子画面存在的图像元素,确定影像子画面存在的所有目标区域;将不同的生物组织特征信息进行对比处理,确定存在异常生物组织的目标区域,得出病灶源在其对应的医学影像所处的位置信息,再确定病灶源在患者身体所对应的位置信息;上述方法对医学影像进行修复处理和分割处理,可有效降低医学影像的噪声成分以及便于后续对医学影像的不同子画面部分进行同步处理,还对医学影像进行生物组织特征的识别对比处理,准确定位出病灶源,提高医学影像处理准确性。
Description
技术领域
本发明涉及图像处理的技术领域,特别涉及基于AI的医学影像分析处理方法。
背景技术
在医学诊断治疗过程中,通常需要对患者相应的身体部分进行拍摄,得到数字医学影像,在对数字医学影像分析处理,从而确定患者身体内部的存在的病灶区域。数字医学影像包含的影像细节较多,这大致对数字医学影像进行处理过程中需要耗费大量的计算能力来对数字医学影像进行识别分析,从而导致数字医学影像的处理耗时较长以及处理结果存在较大的噪声干扰,降低数字医学影像处理的可靠性和准确性。
发明内容
针对现有技术存在的缺陷,本发明提供基于AI的医学影像分析处理方法,其将医学影像进行标识后存放于相应预设图像处理通道中,并根据医学影像的影像画面质量进行影像修复处理;将医学影像分割为若干影像子画面,再根据影像子画面存在的图像元素,确定影像子画面存在的所有目标区域;再将不同的生物组织特征信息进行对比处理,确定存在异常生物组织的目标区域,以进一步定位出病灶源在其对应的医学影像所处的位置信息,继而确定病灶源在患者身体所对应的位置信息;上述方法对医学影像进行修复处理和分割处理,可有效降低医学影像的噪声成分以及便于后续对医学影像的不同子画面部分进行同步处理,并且还对医学影像进行生物组织特征的识别对比处理,快速准确定位出病灶源,从而提高医学影像处理的可靠性和准确性。
本发明提供基于AI的医学影像分析处理方法,其包括如下步骤:
步骤S1,将拍摄得到的医学影像进行标识处理后,输入到AI图像处理平台中,并根据所述标识处理的结果,将所述医学影像区分存放于预设图像处理通道中;获取预设图像处理通道存放的医学影像的影像画面质量信息,根据所述影像画面质量信息,对所述医学影像进行修复处理;
步骤S2,对完成修复处理的医学影像进行画面分割处理,以此得到若干影像子画面;对所述影像子画面进行画面图像元素识别处理,得到所述影像子画面存在的图像元素,并根据所述图像元素的类型,从所述影像子画面确定其存在的所有目标区域;
步骤S3,对所述目标区域进行生物组织特征提取处理,得到所述目标区域存在的生物组织特征信息;将不同目标区域的生物组织特征信息进行对比处理,确定存在异常生物组织的目标区域;
步骤S4,从存在异常生物组织的目标区域中定位出病灶源在其对应的医学影像所处的位置信息,并根据所述位置信息,确定所述病灶源在患者身体所对应的位置信息。
进一步,在所述步骤S1中,将拍摄得到的医学影像进行标识处理后,输入到AI图像处理平台中,并根据所述标识处理的结果,将所述医学影像区分存放于预设图像处理通道中具体包括:
判断拍摄得到的医学影像属于二维影像还是三维影像,并根据上述判断的结果对所述医学影像进行标识处理;当所述医学影像输入到AI图像处理平台后,将二维医学影像和三维医学影像分别输入到不同的预设图像处理通道中;并将预设图像处理通道接收到的所有医学影像依次排列形成医学影像队列,从而对所述医学影像队列中的每个医学影像依次进行处理。
进一步,在所述步骤S1中,获取预设图像处理通道存放的医学影像的影像画面质量信息,根据所述影像画面质量信息,对所述医学影像进行修复处理具体包括:
获取预设图像处理通道存放的其中一个医学影像的影像画面分辨率分布信息和影像画面亮度分布信息;
根据所述影像画面分辨率分布信息,确定所述医学影像中存在的模糊画面区域;其中,所述模糊画面区域的平均分辨率值小于预设分辨率阈值;
根据所述影像画面亮度分布信息,确定所述医学影像中存在的过度曝光画面区域;其中,所述过度曝光画面区域的平均亮度值大于预设亮度阈值;
对所述医学影像中存在的模糊画面区域进行像素插值修复处理,以及对所述医学影像中存在的过度曝光画面区域进行亮度降低修复处理。
进一步,在所述步骤S2中,对完成修复处理的医学影像进行画面分割处理,以此得到若干影像子画面具体包括:
从完成修复处理的医学影像画面中提取得到影像画面轮廓特征信息,根据所述影像画面轮廓特征信息,确定所述医学影像画面中存在动脉血管和/或静脉血管的轮廓边界特征信息;
以所述动脉血管和/或所述静脉血管的轮廓边界特征信息为基准,对所述医学影像进行画面分割处理,以此得到若干影像子画面。
进一步,在所述步骤S2中,对所述影像子画面进行画面图像元素识别处理,得到所述影像子画面存在的图像元素,并根据所述图像元素的类型,从所述影像子画面确定其存在的所有目标区域具体包括:
从所述影像子画面中识别得到其存在的画面像素纹理信息,根据所述画面像素纹理信息,得到所述影像子画面存在的器官纹理图像元素;
根据所述器官纹理图像元素的纹理分布密度,将所述影像子画面中具有相同纹理分布密度对应的区域划分为同一目标区域。
进一步,在所述步骤S3中,对所述目标区域进行生物组织特征提取处理,得到所述目标区域存在的生物组织特征信息具体包括:
对所述目标区域进行生物细胞识别处理,得到所述目标区域存在的不同类型的生物细胞;再根据每个生物细胞的类型,得到所述目标区域存在的不同生物细胞集合对应的生物组织特征信息;其中,所述生物组织特征信息包括所述生物细胞集合中生物细胞的分布密度和每个生物细胞的尺寸。
进一步,在所述步骤S3中,将不同目标区域的生物组织特征信息进行对比处理,确定存在异常生物组织的目标区域具体包括:
将不同目标区域的生物组织特征信息进行对比处理,若其中一个目标区域的生物组织特征信息与所有目标区域的统计学生物组织特征信息之间的信息差异满足预设差异条件,则确定对应的目标区域存在异常生物组织。
进一步,在所述步骤S4中,从存在异常生物组织的目标区域中定位出病灶源在其对应的医学影像所处的位置信息,并根据所述位置信息,确定所述病灶源在患者身体所对应的位置信息具体包括:
从存在异常生物组织的目标区域中定位出病灶源对应的生物细胞集合在其对应的医学影像所处的位置信息;根据所述医学影像所处的空间坐标系与患者身体所处的空间坐标系之间的坐标变换关系,将病灶源对应的生物细胞集合在其对应的医学影像所处的位置信息转换到患者身体所处的空间坐标系上,从而得到所述病灶源在患者身体所对应的位置信息。
相比于现有技术,该基于AI的医学影像分析处理方法将医学影像进行标识后存放于相应预设图像处理通道中,并根据医学影像的影像画面质量进行影像修复处理;将医学影像分割为若干影像子画面,再根据影像子画面存在的图像元素,确定影像子画面存在的所有目标区域;再将不同的生物组织特征信息进行对比处理,确定存在异常生物组织的目标区域,以进一步定位出病灶源在其对应的医学影像所处的位置信息,继而确定病灶源在患者身体所对应的位置信息;上述方法对医学影像进行修复处理和分割处理,可有效降低医学影像的噪声成分以及便于后续对医学影像的不同子画面部分进行同步处理,并且还对医学影像进行生物组织特征的识别对比处理,快速准确定位出病灶源,从而提高医学影像处理的可靠性和准确性。
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
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于AI的医学影像分析处理方法的流程示意图。
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作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。
参阅图1,为本发明实施例提供的基于AI的医学影像分析处理方法的流程示意图。该基于AI的医学影像分析处理方法包括如下步骤:
步骤S1,将拍摄得到的医学影像进行标识处理后,输入到AI图像处理平台中,并根据所述标识处理的结果,将所述医学影像区分存放于预设图像处理通道中;获取预设图像处理通道存放的医学影像的影像画面质量信息,根据所述影像画面质量信息,对所述医学影像进行修复处理;
步骤S2,对完成修复处理的医学影像进行画面分割处理,以此得到若干影像子画面;对所述影像子画面进行画面图像元素识别处理,得到所述影像子画面存在的图像元素,并根据所述图像元素的类型,从所述影像子画面确定其存在的所有目标区域;
步骤S3,对所述目标区域进行生物组织特征提取处理,得到所述目标区域存在的生物组织特征信息;将不同目标区域的生物组织特征信息进行对比处理,确定存在异常生物组织的目标区域;
步骤S4,从存在异常生物组织的目标区域中定位出病灶源在其对应的医学影像所处的位置信息,并根据所述位置信息,确定所述病灶源在患者身体所对应的位置信息。
上述技术方案的有益效果为:该基于AI的医学影像分析处理方法将医学影像进行标识后存放于相应预设图像处理通道中,并根据医学影像的影像画面质量进行影像修复处理;将医学影像分割为若干影像子画面,再根据影像子画面存在的图像元素,确定影像子画面存在的所有目标区域;再将不同的生物组织特征信息进行对比处理,确定存在异常生物组织的目标区域,以进一步定位出病灶源在其对应的医学影像所处的位置信息,继而确定病灶源在患者身体所对应的位置信息;上述方法对医学影像进行修复处理和分割处理,可有效降低医学影像的噪声成分以及便于后续对医学影像的不同子画面部分进行同步处理,并且还对医学影像进行生物组织特征的识别对比处理,快速准确定位出病灶源,从而提高医学影像处理的可靠性和准确性。
优选地,在所述步骤S1中,将拍摄得到的医学影像进行标识处理后,输入到AI图像处理平台中,并根据所述标识处理的结果,将所述医学影像区分存放于预设图像处理通道中具体包括:
判断拍摄得到的医学影像属于二维影像还是三维影像,并根据上述判断的结果对所述医学影像进行标识处理;当所述医学影像输入到AI图像处理平台后,将二维医学影像和三维医学影像分别输入到不同的预设图像处理通道中;并将预设图像处理通道接收到的所有医学影像依次排列形成医学影像队列,从而对所述医学影像队列中的每个医学影像依次进行处理。
上述技术方案的有益效果为:实际医学影像拍摄包括二维平面拍摄和三维立体拍摄两种不同的拍摄方式,而对应拍摄得到的二维影像和三维影像不仅在影像形式上有所不同,并且在影像自身包含的画面细节信息量上也有所不同。先判断拍摄得到的医学影像属于二维影像还是三维影像,并根据判断结果进行相应的标识,使得医学影像能够被存放到AI图像处理平台的不同图像处理通道中,这样便于后续对二维形式和三维形式的医学影像进行区分化的分析处理,提高医学影像处理的效率。
优选地,在所述步骤S1中,获取预设图像处理通道存放的医学影像的影像画面质量信息,根据所述影像画面质量信息,对所述医学影像进行修复处理具体包括:
获取预设图像处理通道存放的其中一个医学影像的影像画面分辨率分布信息和影像画面亮度分布信息;
根据所述影像画面分辨率分布信息,确定所述医学影像中存在的模糊画面区域;其中,所述模糊画面区域的平均分辨率值小于预设分辨率阈值;
根据所述影像画面亮度分布信息,确定所述医学影像中存在的过度曝光画面区域;其中,所述过度曝光画面区域的平均亮度值大于预设亮度阈值;
对所述医学影像中存在的模糊画面区域进行像素插值修复处理,以及对所述医学影像中存在的过度曝光画面区域进行亮度降低修复处理。
上述技术方案的有益效果为:通过上述方式,以医学影像的影像画面分辨率分布信息和影像画面亮度分布信息为基准,从医学影像中筛选出模糊画面区域和过度曝光区域等画面质量较差的区域,便于对这些画面质量较差的区域进行相应的修复处理,无需对医学影像的整个画面区域进行修复处理,降低修复处理的工作量。
优选地,在所述步骤S2中,对完成修复处理的医学影像进行画面分割处理,以此得到若干影像子画面具体包括:
从完成修复处理的医学影像画面中提取得到影像画面轮廓特征信息,根据所述影像画面轮廓特征信息,确定所述医学影像画面中存在动脉血管和/或静脉血管的轮廓边界特征信息;
以所述动脉血管和/或所述静脉血管的轮廓边界特征信息为基准,对所述医学影像进行画面分割处理,以此得到若干影像子画面。
上述技术方案的有益效果为:通过上述方式,以医学影像画面中动脉血管和/或静脉血管的轮廓边界特征为基准,将医学影像进行画面分割处理,这样能够有效将医学影像划分为若干关于不同画面区域的子影像,有效限制每个子影像的影像细节信息,避免子影像的影像细节信息数据量过多而影响分析处理效率。在实际采用中,可以以血管管径大于预设管径阈值的动脉血管和/或静脉血管的轮廓边界特征为基准来进行画面分割处理,从而有效限制影像子画面的分割数量,避免分割得到影像子画面数量过多。
优选地,在所述步骤S2中,对所述影像子画面进行画面图像元素识别处理,得到所述影像子画面存在的图像元素,并根据所述图像元素的类型,从所述影像子画面确定其存在的所有目标区域具体包括:
从所述影像子画面中识别得到其存在的画面像素纹理信息,根据所述画面像素纹理信息,得到所述影像子画面存在的器官纹理图像元素;
根据所述器官纹理图像元素的纹理分布密度,将所述影像子画面中具有相同纹理分布密度对应的区域划分为同一目标区域。
上述技术方案的有益效果为:由于人体内部不同器官的构造是不同的,这样对不同器官拍摄形成的医学影像中,影像画面中不同器官所呈现的器官纹理图像元素也相应不同(比如,不同器官对应器官纹理图像元素的纹理分布密度也相应不同),将具有相同纹理分布密度对应的区域(即同一个器官所对应的区域)划分为同一目标区域,能够便于在影像子画面中对同一器官所对应的区域进行集中同一的分析处理。
优选地,在所述步骤S3中,对所述目标区域进行生物组织特征提取处理,得到所述目标区域存在的生物组织特征信息具体包括:
对所述目标区域进行生物细胞识别处理,得到所述目标区域存在的不同类型的生物细胞;再根据每个生物细胞的类型,得到所述目标区域存在的不同生物细胞集合对应的生物组织特征信息;其中,所述生物组织特征信息包括所述生物细胞集合中生物细胞的分布密度和每个生物细胞的尺寸。
上述技术方案的有益效果为:当患者的器官存在病变时,病变区域对应的细胞形态相比于正常区域对应的细胞形态会存在较大的区别,通过对目标区域存在的生物细胞类型、生物细胞的分布密度和每个生物细胞的尺寸为基准,能够准确得到目标区域存在的不同生物细胞集合对应的生物组织特征信息,便于后续对目标区域进行准确的异常与否判断。
优选地,在所述步骤S3中,将不同目标区域的生物组织特征信息进行对比处理,确定存在异常生物组织的目标区域具体包括:
将不同目标区域的生物组织特征信息进行对比处理,若其中一个目标区域的生物组织特征信息与所有目标区域的统计学生物组织特征信息之间的信息差异满足预设差异条件,则确定对应的目标区域存在异常生物组织。
上述技术方案的有益效果为:通过上述方式,先对所有目标区域的生物组织特征信息进行统计学分析处理,得到所有目标区域对应的生物组织特征信息的平均状态信息,再以该平均状态为基准,判断每一个目标区域的生物组织特征信息与该平均状态信息之间的差异,若该差异大于或等于预设差异条件所限定的差异阈值,则确定对应的目标区域存在异常生物组织,从而对每个目标区域是否存在异常生物组织情况进行快速的量化判断。
优选地,在所述步骤S4中,从存在异常生物组织的目标区域中定位出病灶源在其对应的医学影像所处的位置信息,并根据所述位置信息,确定所述病灶源在患者身体所对应的位置信息具体包括:
从存在异常生物组织的目标区域中定位出病灶源对应的生物细胞集合在其对应的医学影像所处的位置信息;根据所述医学影像所处的空间坐标系与患者身体所处的空间坐标系之间的坐标变换关系,将病灶源对应的生物细胞集合在其对应的医学影像所处的位置信息转换到患者身体所处的空间坐标系上,从而得到所述病灶源在患者身体所对应的位置信息。
上述技术方案的有益效果为:通过上述方式,能够将病灶源对应的生物细胞集合在其对应的医学影像所处的位置信息正确映射到患者身体所处的空间坐标系上,便于后续治疗过程中准确地在患者身体上对病灶源进行相应的对准治疗,提高治疗效果。
从上述实施例的内容可知,该基于AI的医学影像分析处理方法将医学影像进行标识后存放于相应预设图像处理通道中,并根据医学影像的影像画面质量进行影像修复处理;将医学影像分割为若干影像子画面,再根据影像子画面存在的图像元素,确定影像子画面存在的所有目标区域;再将不同的生物组织特征信息进行对比处理,确定存在异常生物组织的目标区域,以进一步定位出病灶源在其对应的医学影像所处的位置信息,继而确定病灶源在患者身体所对应的位置信息;上述方法对医学影像进行修复处理和分割处理,可有效降低医学影像的噪声成分以及便于后续对医学影像的不同子画面部分进行同步处理,并且还对医学影像进行生物组织特征的识别对比处理,快速准确定位出病灶源,从而提高医学影像处理的可靠性和准确性。
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 (8)
1.基于AI的医学影像分析处理方法,其特征在于,其包括如下步骤:
步骤S1,将拍摄得到的医学影像进行标识处理后,输入到AI图像处理平台中,并根据所述标识处理的结果,将所述医学影像区分存放于预设图像处理通道中;获取预设图像处理通道存放的医学影像的影像画面质量信息,根据所述影像画面质量信息,对所述医学影像进行修复处理;
步骤S2,对完成修复处理的医学影像进行画面分割处理,以此得到若干影像子画面;对所述影像子画面进行画面图像元素识别处理,得到所述影像子画面存在的图像元素,并根据所述图像元素的类型,从所述影像子画面确定其存在的所有目标区域;
步骤S3,对所述目标区域进行生物组织特征提取处理,得到所述目标区域存在的生物组织特征信息;将不同目标区域的生物组织特征信息进行对比处理,确定存在异常生物组织的目标区域;
步骤S4,从存在异常生物组织的目标区域中定位出病灶源在其对应的医学影像所处的位置信息,并根据所述位置信息,确定所述病灶源在患者身体所对应的位置信息。
2.如权利要求1所述的基于AI的医学影像分析处理方法,其特征在于:在所述步骤S1中,将拍摄得到的医学影像进行标识处理后,输入到AI图像处理平台中,并根据所述标识处理的结果,将所述医学影像区分存放于预设图像处理通道中具体包括:
判断拍摄得到的医学影像属于二维影像还是三维影像,并根据上述判断的结果对所述医学影像进行标识处理;当所述医学影像输入到AI图像处理平台后,将二维医学影像和三维医学影像分别输入到不同的预设图像处理通道中;并将预设图像处理通道接收到的所有医学影像依次排列形成医学影像队列,从而对所述医学影像队列中的每个医学影像依次进行处理。
3.如权利要求2所述的基于AI的医学影像分析处理方法,其特征在于:在所述步骤S1中,获取预设图像处理通道存放的医学影像的影像画面质量信息,根据所述影像画面质量信息,对所述医学影像进行修复处理具体包括:
获取预设图像处理通道存放的其中一个医学影像的影像画面分辨率分布信息和影像画面亮度分布信息;
根据所述影像画面分辨率分布信息,确定所述医学影像中存在的模糊画面区域;其中,所述模糊画面区域的平均分辨率值小于预设分辨率阈值;根据所述影像画面亮度分布信息,确定所述医学影像中存在的过度曝光画面区域;其中,所述过度曝光画面区域的平均亮度值大于预设亮度阈值;
对所述医学影像中存在的模糊画面区域进行像素插值修复处理,以及对所述医学影像中存在的过度曝光画面区域进行亮度降低修复处理。
4.如权利要求3所述的基于AI的医学影像分析处理方法,其特征在于:在所述步骤S2中,对完成修复处理的医学影像进行画面分割处理,以此得到若干影像子画面具体包括:
从完成修复处理的医学影像画面中提取得到影像画面轮廓特征信息,根据所述影像画面轮廓特征信息,确定所述医学影像画面中存在动脉血管和/或静脉血管的轮廓边界特征信息;
以所述动脉血管和/或所述静脉血管的轮廓边界特征信息为基准,对所述医学影像进行画面分割处理,以此得到若干影像子画面。
5.如权利要求4所述的基于AI的医学影像分析处理方法,其特征在于:在所述步骤S2中,对所述影像子画面进行画面图像元素识别处理,得到所述影像子画面存在的图像元素,并根据所述图像元素的类型,从所述影像子画面确定其存在的所有目标区域具体包括:
从所述影像子画面中识别得到其存在的画面像素纹理信息,根据所述画面像素纹理信息,得到所述影像子画面存在的器官纹理图像元素;
根据所述器官纹理图像元素的纹理分布密度,将所述影像子画面中具有相同纹理分布密度对应的区域划分为同一目标区域。
6.如权利要求5所述的基于AI的医学影像分析处理方法,其特征在于:在所述步骤S3中,对所述目标区域进行生物组织特征提取处理,得到所述目标区域存在的生物组织特征信息具体包括:
对所述目标区域进行生物细胞识别处理,得到所述目标区域存在的不同类型的生物细胞;再根据每个生物细胞的类型,得到所述目标区域存在的不同生物细胞集合对应的生物组织特征信息;其中,所述生物组织特征信息包括所述生物细胞集合中生物细胞的分布密度和每个生物细胞的尺寸。
7.如权利要求6所述的基于AI的医学影像分析处理方法,其特征在于:在所述步骤S3中,将不同目标区域的生物组织特征信息进行对比处理,确定存在异常生物组织的目标区域具体包括:
将不同目标区域的生物组织特征信息进行对比处理,若其中一个目标区域的生物组织特征信息与所有目标区域的统计学生物组织特征信息之间的信息差异满足预设差异条件,则确定对应的目标区域存在异常生物组织。
8.如权利要求7所述的基于AI的医学影像分析处理方法,其特征在于:在所述步骤S4中,从存在异常生物组织的目标区域中定位出病灶源在其对应的医学影像所处的位置信息,并根据所述位置信息,确定所述病灶源在患者身体所对应的位置信息具体包括:
从存在异常生物组织的目标区域中定位出病灶源对应的生物细胞集合在其对应的医学影像所处的位置信息;根据所述医学影像所处的空间坐标系与患者身体所处的空间坐标系之间的坐标变换关系,将病灶源对应的生物细胞集合在其对应的医学影像所处的位置信息转换到患者身体所处的空间坐标系上,从而得到所述病灶源在患者身体所对应的位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211588661.1A CN116823701A (zh) | 2022-12-09 | 2022-12-09 | 基于ai的医学影像分析处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211588661.1A CN116823701A (zh) | 2022-12-09 | 2022-12-09 | 基于ai的医学影像分析处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116823701A true CN116823701A (zh) | 2023-09-29 |
Family
ID=88141665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211588661.1A Pending CN116823701A (zh) | 2022-12-09 | 2022-12-09 | 基于ai的医学影像分析处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823701A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117438056A (zh) * | 2023-12-20 | 2024-01-23 | 达州市中心医院(达州市人民医院) | 用于消化内镜影像数据的编辑筛选与存储控制方法和系统 |
-
2022
- 2022-12-09 CN CN202211588661.1A patent/CN116823701A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117438056A (zh) * | 2023-12-20 | 2024-01-23 | 达州市中心医院(达州市人民医院) | 用于消化内镜影像数据的编辑筛选与存储控制方法和系统 |
CN117438056B (zh) * | 2023-12-20 | 2024-03-12 | 达州市中心医院(达州市人民医院) | 用于消化内镜影像数据的编辑筛选与存储控制方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200303062A1 (en) | Medical image aided diagnosis method and system combining image recognition and report editing | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
US7916912B2 (en) | Efficient border extraction of image feature | |
CN111445481A (zh) | 一种基于尺度融合的腹部ct多器官的分割方法 | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN109102506B (zh) | 一种基于三级级联网络进行腹部ct肝脏病变图像的自动分割方法 | |
CN113781439B (zh) | 超声视频病灶分割方法及装置 | |
CN107563434B (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
CN113159040B (zh) | 医学图像分割模型的生成方法及装置、系统 | |
CN116823701A (zh) | 基于ai的医学影像分析处理方法 | |
CN114219754A (zh) | 基于眼部ct图像的甲状腺相关眼疾识别方法和装置 | |
CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
CN117496277B (zh) | 基于人工智能的直肠癌影像数据建模处理方法和系统 | |
CN113160248B (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
CN114565601A (zh) | 基于DeepLabV3+改进的肝脏CT图像分割算法 | |
CN110648333B (zh) | 基于中智学理论的乳腺超声视频图像实时分割系统 | |
CN111861984A (zh) | 一种确定肺部区域的方法及装置、计算机设备及存储介质 | |
CN113409447B (zh) | 一种基于多切片组合的冠状动脉分割方法和装置 | |
CN116168097A (zh) | 构建cbct勾画模型和勾画cbct图像的方法、装置、设备及介质 | |
CN113920100A (zh) | 基于知识蒸馏的弱监督骨扫描图像热点分割方法及系统 | |
CN110648275B (zh) | 一种多信道剪影重建方法、装置、存储介质及终端设备 | |
CN114004851B (zh) | 一种细胞图像分割方法、装置及细胞计数方法 | |
EP4254350A1 (en) | Determination of illumination parameters in medical image rendering | |
CN117710233B (zh) | 一种内窥图像的景深扩展方法及装置 | |
CN113177948A (zh) | 一种基于语义分割的医学图像自动窗口调节方法及应用 |
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 |