CN116864064A - 一种医学影像报告的生成方法、装置及存储介质 - Google Patents

一种医学影像报告的生成方法、装置及存储介质 Download PDF

Info

Publication number
CN116864064A
CN116864064A CN202310884293.3A CN202310884293A CN116864064A CN 116864064 A CN116864064 A CN 116864064A CN 202310884293 A CN202310884293 A CN 202310884293A CN 116864064 A CN116864064 A CN 116864064A
Authority
CN
China
Prior art keywords
image
region
interest
medical image
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.)
Pending
Application number
CN202310884293.3A
Other languages
English (en)
Inventor
石峰
曹泽红
周翔
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.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare 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 Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN202310884293.3A priority Critical patent/CN116864064A/zh
Publication of CN116864064A publication Critical patent/CN116864064A/zh
Pending legal-status Critical Current

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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本说明书公开了一种医学影像报告的生成方法、装置及存储介质，获取患者的医学影像；根据所述医学影像，确定所述医学影像中的感兴趣区域图像；根据所述感兴趣区域图像，确定所述医学影像的影像所见，将所述影像所见输入预先训练的分析模型，获得所述分析模型基于所述影像所见生成的自然语言形式的影像分析结果，根据所述影像分析结果，生成医学影像报告。本方法通过分析模型获取感兴趣区域图像的自然语言形式的影像分析结果，以生成该感兴趣区域图像的医学影像报告，提高了获取患者的医学影像报告的效率。

Description

一种医学影像报告的生成方法、装置及存储介质
技术领域
本说明书涉及医疗领域，尤其涉及一种医学影像报告的生成方法、装置及存储介质。
背景技术
随着医学技术的发展，医生可以通过各种医学影像设备对人体进行扫描，根据扫描结果，确定病人的病灶位置。在扫描后，得到患者的医学影像。通常情况下，由医生对该医学影像进行影像分析，给出影像的分析结果，根据分析结果和该医学影像生成医学影像报告。而确定分析结果的过程需要较长时间，并且分析结果的准确性与医生的医学水平相关。
基于此，本说明书提供一种医学影像报告的生成方法，减少生成医学影像报告的时间，提高分析结果的准确率。
发明内容
本说明书提供一种医学影像报告的生成方法、装置、存储介质及电子设备，以至少部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供一种医学影像报告的生成方法，包括：
获取患者的医学影像；
根据所述医学影像，确定所述医学影像中的感兴趣区域图像；
根据所述感兴趣区域图像，确定所述医学影像的影像所见；
将所述影像所见输入预先训练的分析模型，获得所述分析模型基于所述影像所见生成的自然语言形式的影像分析结果；
根据所述影像分析结果，生成医学影像报告。
可选地，根据所述医学影像，确定所述医学影像中的感兴趣区域图像，具体包括：
将所述医学影像输入预先训练的感兴趣区域检测模型，以根据所述感兴趣区域检测模型检测所述医学影像中的感兴趣区域；或
将所述医学影像输入预先训练的感兴趣区域定位模型，以根据所述感兴趣区域定位模型定位所述医学影像中的感兴趣区域；或
将所述医学影像输入预先训练的感兴趣区域识别模型，以根据所述感兴趣区域识别模型识别所述医学影像中的感兴趣区域；或
将所述医学影像输入预先训练的感兴趣区域分割模型，以根据所述感兴趣区域分割模型对所述医学影像进行分割，得到所述医学影像的感兴趣区域图像。
可选地，根据所述感兴趣区域图像，确定所述医学影像的影像所见，具体包括：
根据所述感兴趣区域图像中病灶类型，确定影像所见模板；并根据所述感兴趣区域图像，确定感兴趣区域数据，其中，所述感兴趣区域数据包括常规测量参数及异常参数；
根据所述感兴趣区域数据及所述影像所见模板，生成所述医学影像的影像所见。
可选地，根据所述感兴趣区域图像，确定感兴趣区域数据，具体包括：确定所述感兴趣区域图像中病灶的像素个数；
根据所述像素个数，确定感兴趣区域数据。
可选地，根据所述影像分析结果，生成医学影像报告，具体包括：
根据所述医学影像、所述影像所见及所述影像分析结果，生成医学影像报告。
可选地，训练所述分析模型，具体包括：
获取样本医学影像报告；
提取所述样本医学影像报告中的样本影像所见，并将所述样本医学影像报告中的样本结果，作为提取的所述样本影像所见对应的标签；
将所述样本影像所见输入所述分析模型，获得所述分析模型的输出结果；
根据所述标签及所述输出结果，对所述分析模型进行训练。
可选地，所述分析模型包括卷积神经网络模型、扩散模型及转换器模型中的至少一种。
本说明书提供了一种医学影像报告的生成系统，所述系统包括：图像采集设备、图像处理设备、报告生成设备；其中：
所述图像采集设备用于获取患者的医学影像，并将所述医学影像传输至所述图像处理设备；
所述图像处理设备用于接收所述图像采集设备发送的所述医学影像，根据所述医学影像，确定所述医学影像中的感兴趣区域图像，根据所述感兴趣区域图像，确定所述医学影像的影像所见，以及将所述影像所见输入预先训练的分析模型，获得所述分析模型基于所述影像所见生成的自然语言形式的影像分析结果，将所述影像分析结果传输至所述报告生成设备；
所述报告生成设备用于接收所述图像处理设备发送的所述影像分析结果，并根据所述影像分析结果，生成医学影像报告。
可选地，所述图像处理设备用于将所述医学影像输入预先训练的感兴趣区域检测模型，以根据所述感兴趣区域检测模型检测所述医学影像中的感兴趣区域；或将所述医学影像输入预先训练的感兴趣区域定位模型，以根据所述感兴趣区域定位模型定位所述医学影像中的感兴趣区域；或将所述医学影像输入预先训练的感兴趣区域识别模型，以根据所述感兴趣区域识别模型识别所述医学影像中的感兴趣区域；或将所述医学影像输入预先训练的感兴趣区域分割模型，以根据所述感兴趣区域分割模型对所述医学影像进行分割，得到所述医学影像的感兴趣区域图像。
可选地，所述图像处理设备用于根据所述感兴趣区域图像中病灶类型，确定影像所见模板；并根据所述感兴趣区域图像，确定感兴趣区域数据，其中，所述感兴趣区域数据包括常规测量参数及异常参数；根据所述感兴趣区域数据及所述影像所见模板，生成所述医学影像的影像所见。
可选地，所述图像处理设备用于确定所述感兴趣区域图像中病灶的像素个数；根据所述像素个数，确定感兴趣区域数据。
可选地，所述报告生成设备用于根据所述医学影像、所述影像所见及所述影像分析结果，生成医学影像报告。
可选地，所述图像处理设备还用于训练所述分析模型，获取样本医学影像报告；提取所述样本医学影像报告中的样本影像所见，并将所述样本医学影像报告中的样本结果，作为提取的所述样本影像所见对应的标签；将所述样本影像所见输入所述分析模型，获得所述分析模型的输出结果；根据所述标签及所述输出结果，对所述分析模型进行训练。
可选地，所述图像处理设备预先训练的所述分析模型包括卷积神经网络模型、扩散模型及转换器模型中的至少一种。
本说明书提供了一种医学影像报告的生成装置，所述装置包括：
医学影像获取模块，用于获取患者的医学影像；
感兴趣区域图像获取模块，用于根据所述医学影像，确定所述医学影像中的感兴趣区域图像；
影像所见确定模块，用于根据所述感兴趣区域图像，确定所述医学影像的影像所见；
影像分析结果获取模块，用于将所述影像所见输入预先训练的分析模型，获得所述分析模型基于所述影像所见生成的自然语言形式的影像分析结果；
医学影像报告生成模块，用于根据所述影像分析结果，生成医学影像报告。
可选地，所述感兴趣区域图像获取模块具体用于，将所述医学影像输入预先训练的感兴趣区域检测模型，以根据所述感兴趣区域检测模型检测所述医学影像中的感兴趣区域；或将所述医学影像输入预先训练的感兴趣区域定位模型，以根据所述感兴趣区域定位模型定位所述医学影像中的感兴趣区域；或将所述医学影像输入预先训练的感兴趣区域识别模型，以根据所述感兴趣区域识别模型识别所述医学影像中的感兴趣区域；或将所述医学影像输入预先训练的感兴趣区域分割模型，以根据所述感兴趣区域分割模型对所述医学影像进行分割，得到所述医学影像的感兴趣区域图像。
可选地，所述影像所见确定模块具体用于，根据所述感兴趣区域图像中病灶类型，确定影像所见模板；并根据所述感兴趣区域图像，确定感兴趣区域数据，其中，所述感兴趣区域数据包括常规测量参数及异常参数；根据所述感兴趣区域数据及所述影像所见模板，生成所述医学影像的影像所见。
可选地，所述影像所见确定模块具体用于，确定所述感兴趣区域图像中病灶的像素个数；根据所述像素个数，确定感兴趣区域数据。
可选地，所述医学影像报告生成模块具体用于，根据所述医学影像、所述影像所见及所述影像分析结果，生成医学影像报告。
可选地，所述装置还包括：
分析模型训练模块，用于获取样本医学影像报告；提取所述样本医学影像报告中的样本影像所见，并将所述样本医学影像报告中的样本结果，作为提取的所述样本影像所见对应的标签；将所述样本影像所见输入所述分析模型，获得所述分析模型的输出结果；根据所述标签及所述输出结果，对所述分析模型进行训练。
可选地，所述分析模型包括卷积神经网络模型、扩散模型及转换器模型中的至少一种。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述医学影像报告的生成方法。
本说明书提供了一种电子设备，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，所述处理器执行所述程序时实现上述医学影像报告的生成方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的医学影像报告的生成方法可以看出，由于由医生对患者的影像进行分析，得到影像分析结果的时间较长，因此，通过分析模型获取感兴趣区域图像的文字形式的影像分析结果，以生成该感兴趣区域图像的医学影像报告，提高了获取患者的医学影像报告的效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附
图中：
图1为本说明书提供的一种医学影像报告的生成方法的流程示意图；
图2为医学影像报告的结构示意图；
图3本说明书提供的一种医学影像报告的生成系统示意图；
图4为本说明书提供的一种医学影像报告的生成装置示意图；
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种医学影像报告的生成方法的流程示意图，具体包括以下步骤：
S100：获取患者的医学影像。
图2为医学影像报告的结构示意图，如图2所示。
医学影像报告可包括医学影像，影像所见及影像分析结果。通常情况下，由人工分析生成医学影像报告的时间较长，为了减少患者等待的时间，提高医学影像报告生成的效率，本说明书提供了一种医学影像报告的生成方法。
在本说明书一个或多个实施例中，由于患者的医学影像报告是基于患者的医学影像生产的，因此，在生成医学影像报告之前，需要通过图像采集设备获取患者的医学影像。其中，图像采集设备可以是CT血管造影(Computed Tomography Angiography，CTA)机、CT机、CT灌注成像(CT Perfusion Imaging，CTP)机等采集人体结构的医学影像设备，本说明书对图像采集设备的种类不作限制。该图像采集设备获取患者的医学影像后，将该医学影像传输至图像处理设备，图像处理设备可以是任何一种具有计算功能的设备，本说明书对此不做限制。
S102：根据所述医学影像，确定所述医学影像中的感兴趣区域图像。
为了获取该医学影像中的感兴趣区域图像，以便后续生成针对该感兴趣区域图像的医学影像报告，图像处理设备接收该图像采集设备发送的该医学影像，并对该医学影像进行处理，以确定该医学影像中的感兴趣区域图像。
具体的，图像处理设备将该医学影像输入预先训练的感兴趣区域检测模型，以根据该感兴趣区域检测模型检测该医学影像中的感兴趣区域，根据检测出的感兴趣区域，确定感兴趣区域图像。该感兴趣区域可以是某一器官、某一器官的某一部分等，本说明书对此不作限制。
或将该医学影像输入预先训练的感兴趣区域定位模型，以根据该感兴趣区域定位模型定位该医学影像中的感兴趣区域，根据定位出的感兴趣区域，确定感兴趣区域图像。
或将该医学影像输入预先训练的感兴趣区域识别模型，以根据该感兴趣区域识别模型识别该医学影像中的感兴趣区域，根据检测出的感兴趣区域，确定感兴趣区域图像。
或将该医学影像输入预先训练的感兴趣区域分割模型，以根据该感兴趣区域分割模型对该医学影像进行分割，得到该医学影像的感兴趣区域图像。该感兴趣区域分割模型还可对该感兴趣区域进行分类，例如，确定该感兴趣区域的器官类型或者可能患病的类型，以便后续根据该感兴趣区域的类型，确定对应的影像所见模板。
需要说明的是，为了便于图像处理设备获取该医学影像中的感兴趣区域图像，在该图像处理设备将该医学影像输入预先训练的感兴趣区域分割模型之前，该图像处理设备还可先对该医学影像进行曲面重建(Curved Planar Reconstruction，CPR)、多平面重建(Multi Planar Reconstruction，MPR)等。当然，也可以不对该医学影像进行处理，本说明书对此不做限制。
S104：根据所述感兴趣区域图像，确定所述医学影像的影像所见。
该医学影像的影像分析结果是医学影像报告中较为重要的组成部分，而该医学影像的影像分析结果是基于该感兴趣区域图像的影像所见生成的，影像所见是指根据感兴趣区域图像可获得的图像信息，例如，感兴趣区域图像中某一器官的形态、走向以及存在的异常等。因此，图像处理设备需要根据该感兴趣区域图像，确定该医学影像的影像所见，以根据该影像所见生成医学影像报告。
具体的，由于同一器官的不同部位出现异常时，可能使患者患有不同类型的疾病，为了能得到更准确的影像分析结果，因此，在确定该医学影像的影像所见时，针对不同的感兴趣区域图像，需要获取不同的影像所见模板。即根据该感兴趣区域图像中的感兴趣区域出现异常，可能导致患者患有的疾病的类型，确定与该疾病的类型对应的影像所见模块。也就是说，根据该感兴趣区域图像中病灶类型，确定影像所见模板。
影像所见模板中需要填写与该感兴趣区域图像相关的感兴趣区域数据，包括常规测量参数及异常参数。常规测量参数是指，针对用户医学影像扫描的某一部位，无论该部位是否存在异常，均需要填写的数据。异常参数是指，用户的医学影像中异常区域的相关参数。例如，获得用户的头颅平扫CT图像，图像中的常规测量参数包括：脑实质部分(无明显低密度影)、脑室(未见脑室扩大，脑沟脑裂无明显增宽)、中线结构(中线居中)、骨窗下的征象(未见骨折，皮下软组织未见肿胀)等。若用户的头颅平扫CT图像中某一区域存在异常，则需要利用异常参数具体说明异常情况，如脑实质：右侧基底节小片状低密度影等。为了更详细说明感兴趣区域图像，图像处理设备还需要根据该感兴趣区域图像，确定感兴趣区域数据。即确定该感兴趣区域图像中病灶的像素个数，根据该像素个数，确定感兴趣区域数据，例如，病灶的大小、位置、形状、强度测量值(最大强度值、最小强度值、平均强度值)等感兴趣区域数据，本说明书不限制获取感兴趣数据的方式。该图像处理设备再将该感兴趣区域数据写入该影像所见模板的对应位置，以生成医学影像的影像所见。即根据该感兴趣区域数据及该影像所见模板，生成该医学影像的影像所见。
S106：将所述影像所见输入预先训练的分析模型，获得所述分析模型基于所述影像所见生成的自然语言形式的影像分析结果。
图像处理设备可通过预先训练的分析模型，获得与该影像所见对应的自然语言形式的影像分析结果。例如，影像所见中表述了左侧额顶颞叶见片状低密度影，边界部分欠清，那么，分析模型输出左侧额顶颞叶脑梗塞考虑，请结合核磁共振检查的影像分析结果。
S108：根据所述影像分析结果，生成医学影像报告。
图像处理设备在获取该影像分析结果之后，将该影像分析结果传输至报告生成设备。该报告生成设备接收该图像处理设备发送的该医学影像、该影像所见及该影像分析结果，并根据该医学影像、该影像所见及该影像分析结果，生成医学影像报告。也就是说，该医学影像报告包括医学影像、影像所见及该影像分析结果。
基于图1所示的医学影像报告的生成方法，由于由医生对患者的影像进行分析，得到影像分析结果的时间较长，因此，通过分析模型获取感兴趣区域图像的文字形式的影像分析结果，以生成该感兴趣区域图像的医学影像报告，提高了获取患者的医学影像报告的效率。
本说明书还提供一种分析模型的训练方法，可用具有计算功能的其他电子设备或可用于训练模型的服务器对该分析模型进行训练，为了便于说明，在表述与训练分析模型相关的步骤中，以服务器为执行主体进行说明。在对该分析模型进行训练时，服务器获取样本医学影像报告，该样本医学影像报告可为经过人工分析生成的。为了确定影像所见与影像分析结果的对应关系，服务器需要提取该样本医学影像报告中的样本影像所见，并将该样本医学影像报告中的样本结果，即样本影像分析结果，作为提取的该样本影像所见对应的标签。
接着，将该样本影像所见输入该分析模型，获得该分析模型的输出结果。最后，根据该标签及该输出结果，对该分析模型进行训练。即，确定该输出结果与该标签的差异，以最小化该差异为目标，对该分析模型进行训练，以使该分析模型可根据影像所见，确定与该影像所见对应的影像分析结果。需要说明的是，该分析模型包括卷积神经网络模型、扩散模型及转换器模型中的至少一种。当然，也可以是其他类型的神经网络模型，本说明书对此不做限制，只要训练完成后的分析模型可根据影像所见，确定与该影像所见对应的影像分析结果即可。
图3本说明书提供的一种医学影像报告的生成系统示意图，如图3所示。
本说明书提供了一种医学影像报告的生成系统，所述系统包括：图像采集设备、图像处理设备、报告生成设备；其中：
所述图像采集设备用于获取患者的医学影像，并将所述医学影像传输至所述图像处理设备；
所述图像处理设备用于接收所述图像采集设备发送的所述医学影像，根据所述医学影像，确定所述医学影像中的感兴趣区域图像，根据所述感兴趣区域图像，确定所述医学影像的影像所见，以及将所述影像所见输入预先训练的分析模型，获得所述分析模型基于所述影像所见生成的自然语言形式的影像分析结果，将所述影像分析结果传输至所述报告生成设备；
所述报告生成设备用于接收所述图像处理设备发送的所述影像分析结果，并根据所述影像分析结果，生成医学影像报告。
可选地，所述图像处理设备用于将所述医学影像输入预先训练的感兴趣区域检测模型，以根据所述感兴趣区域检测模型检测所述医学影像中的感兴趣区域；或将所述医学影像输入预先训练的感兴趣区域定位模型，以根据所述感兴趣区域定位模型定位所述医学影像中的感兴趣区域；或将所述医学影像输入预先训练的感兴趣区域识别模型，以根据所述感兴趣区域识别模型识别所述医学影像中的感兴趣区域；或将所述医学影像输入预先训练的感兴趣区域分割模型，以根据所述感兴趣区域分割模型对所述医学影像进行分割，得到所述医学影像的感兴趣区域图像。
可选地，所述图像处理设备用于根据所述感兴趣区域图像中病灶类型，确定影像所见模板；并根据所述感兴趣区域图像，确定感兴趣区域数据，其中，所述感兴趣区域数据包括常规测量参数及异常参数；根据所述感兴趣区域数据及所述影像所见模板，生成所述医学影像的影像所见。
可选地，所述图像处理设备用于确定所述感兴趣区域图像中病灶的像素个数；根据所述像素个数，确定感兴趣区域数据。
可选地，所述报告生成设备用于根据所述医学影像、所述影像所见及所述影像分析结果，生成医学影像报告。
可选地，所述图像处理设备还用于训练所述分析模型，获取样本医学影像报告；提取所述样本医学影像报告中的样本影像所见，并将所述样本医学影像报告中的样本结果，作为提取的所述样本影像所见对应的标签；将所述样本影像所见输入所述分析模型，获得所述分析模型的输出结果；根据所述标签及所述输出结果，对所述分析模型进行训练。
可选地，所述图像处理设备预先训练的所述分析模型包括卷积神经网络模型、扩散模型及转换器模型中的至少一种。
以上为本说明书的一个或多个实施例提供的医学影像报告的生成方法，基于同样的思路，本说明书还提供了相应的医学影像报告的生成装置，如图4所示。
图4本说明书提供的一种医学影像报告的生成装置示意图，所述装置包括：
医学影像获取模块400，用于获取患者的医学影像；
感兴趣区域图像获取模块402，用于根据所述医学影像，确定所述医学影像中的感兴趣区域图像；
影像所见确定模块404，用于根据所述感兴趣区域图像，确定所述医学影像的影像所见；
影像分析结果获取模块406，用于将所述影像所见输入预先训练的分析模型，获得所述分析模型基于所述影像所见生成的自然语言形式的影像分析结果；
医学影像报告生成模块408，用于根据所述影像分析结果，生成医学影像报告。
可选地，所述感兴趣区域图像获取模块402具体用于，将所述医学影像输入预先训练的感兴趣区域检测模型，以根据所述感兴趣区域检测模型检测所述医学影像中的感兴趣区域；或将所述医学影像输入预先训练的感兴趣区域定位模型，以根据所述感兴趣区域定位模型定位所述医学影像中的感兴趣区域；或将所述医学影像输入预先训练的感兴趣区域识别模型，以根据所述感兴趣区域识别模型识别所述医学影像中的感兴趣区域；或将所述医学影像输入预先训练的感兴趣区域分割模型，以根据所述感兴趣区域分割模型对所述医学影像进行分割，得到所述医学影像的感兴趣区域图像。
可选地，所述影像所见确定模块404具体用于，根据所述感兴趣区域图像中病灶类型，确定影像所见模板；并根据所述感兴趣区域图像，确定感兴趣区域数据，其中，所述感兴趣区域数据包括常规测量参数及异常参数；根据所述感兴趣区域数据及所述影像所见模板，生成所述医学影像的影像所见。
可选地，所述影像所见确定模块404具体用于，确定所述感兴趣区域图像中病灶的像素个数；
根据所述像素个数，确定感兴趣区域数据。
可选地，所述医学影像报告生成模块408具体用于，根据所述医学影像、所述影像所见及所述影像分析结果，生成医学影像报告。
可选地，所述装置还包括：
分析模型训练模块410，用于获取样本医学影像报告；提取所述样本医学影像报告中的样本影像所见，并将所述样本医学影像报告中的样本结果，作为提取的所述样本影像所见对应的标签；将所述样本影像所见输入所述分析模型，获得所述分析模型的输出结果；根据所述标签及所述输出结果，对所述分析模型进行训练。
可选地，所述分析模型包括卷积神经网络模型、扩散模型及转换器模型中的至少一种。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的医学影像报告的生成方法。
本说明书还提供了图5所示的电子设备的结构示意图。如图5所示，在硬件层面，该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的医学影像报告的生成方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种医学影像报告的生成方法，其特征在于，所述方法包括：
获取患者的医学影像；
根据所述医学影像，确定所述医学影像中的感兴趣区域图像；
根据所述感兴趣区域图像，确定所述医学影像的影像所见；
将所述影像所见输入预先训练的分析模型，获得所述分析模型基于所述影像所见生成的自然语言形式的影像分析结果；
根据所述影像分析结果，生成医学影像报告。
2.如权利要求1所述的方法，其特征在于，根据所述医学影像，确定所述医学影像中的感兴趣区域图像，具体包括：
将所述医学影像输入预先训练的感兴趣区域检测模型，以根据所述感兴趣区域检测模型检测所述医学影像中的感兴趣区域；或
将所述医学影像输入预先训练的感兴趣区域定位模型，以根据所述感兴趣区域定位模型定位所述医学影像中的感兴趣区域；或
将所述医学影像输入预先训练的感兴趣区域识别模型，以根据所述感兴趣区域识别模型识别所述医学影像中的感兴趣区域；或
将所述医学影像输入预先训练的感兴趣区域分割模型，以根据所述感兴趣区域分割模型对所述医学影像进行分割，得到所述医学影像的感兴趣区域图像。
3.如权利要求1所述的方法，其特征在于，根据所述感兴趣区域图像，确定所述医学影像的影像所见，具体包括：
根据所述感兴趣区域图像中病灶类型，确定影像所见模板；并根据所述感兴趣区域图像，确定感兴趣区域数据，其中，所述感兴趣区域数据包括常规测量参数及异常参数；
根据所述感兴趣区域数据及所述影像所见模板，生成所述医学影像的影像所见。
4.如权利要求3所述的方法，其特征在于，根据所述感兴趣区域图像，确定感兴趣区域数据，具体包括：
确定所述感兴趣区域图像中病灶的像素个数；
根据所述像素个数，确定感兴趣区域数据。
5.如权利要求1所述的方法，其特征在于，根据所述影像分析结果，生成医学影像报告，具体包括：
根据所述医学影像、所述影像所见及所述影像分析结果，生成医学影像报告。
6.如权利要求1所述的方法，其特征在于，训练所述分析模型，具体包括：
获取样本医学影像报告；
提取所述样本医学影像报告中的样本影像所见，并将所述样本医学影像报告中的样本结果，作为提取的所述样本影像所见对应的标签；
将所述样本影像所见输入所述分析模型，获得所述分析模型的输出结果；
根据所述标签及所述输出结果，对所述分析模型进行训练。
7.如权利要求1所述的方法，其特征在于，所述分析模型包括卷积神经网络模型、扩散模型及转换器模型中的至少一种。
8.一种医学影像报告的生成系统，其特征在于，所述系统包括：图像采集设备、图像处理设备、报告生成设备；其中：
所述图像采集设备用于获取患者的医学影像，并将所述医学影像传输至所述图像处理设备；
所述图像采集设备用于获取患者的医学影像，并将所述医学影像传输至所述图像处理设备；
所述图像处理设备用于接收所述图像采集设备发送的所述医学影像，根据所述医学影像，确定所述医学影像中的感兴趣区域图像，根据所述感兴趣区域图像，确定所述医学影像的影像所见，以及将所述影像所见输入预先训练的分析模型，获得所述分析模型基于所述影像所见生成的自然语言形式的影像分析结果，将所述影像分析结果传输至所述报告生成设备；
所述报告生成设备用于接收所述图像处理设备发送的所述影像分析结果，并根据所述影像分析结果，生成医学影像报告。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～7任一项所述的方法。
10.一种电子设备，其特征在于，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，所述处理器执行所述程序时实现上述权利要求1～7任一项所述的方法。
CN202310884293.3A 2023-07-18 2023-07-18 一种医学影像报告的生成方法、装置及存储介质 Pending CN116864064A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310884293.3A CN116864064A (zh) 2023-07-18 2023-07-18 一种医学影像报告的生成方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310884293.3A CN116864064A (zh) 2023-07-18 2023-07-18 一种医学影像报告的生成方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN116864064A true CN116864064A (zh) 2023-10-10

Family

ID=88232010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310884293.3A Pending CN116864064A (zh) 2023-07-18 2023-07-18 一种医学影像报告的生成方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116864064A (zh)

Similar Documents

Publication Publication Date Title
CN109978037B (zh) 图像处理方法、模型训练方法、装置、和存储介质
CN109671066B (zh) 一种基于头颅ct影像的脑梗死判断的方法及系统
CN112150472A (zh) 基于cbct的三维颌骨图像分割方法、装置及终端设备
CN114119602B (zh) 对医学图像进行对象分析的方法、装置和存储介质
CN109377504A (zh) 一种颅内动脉血管图像分割方法及系统
CN115546095A (zh) 一种图像的配准方法及配准装置
CN117333529B (zh) 一种基于模板匹配的血管超声内膜自动化测量方法及系统
CN116030247B (zh) 一种医学图像样本生成方法、装置、存储介质及电子设备
CN111223089B (zh) 一种动脉瘤的检测方法、装置及计算机可读存储介质
CN115082405B (zh) 颅内病灶的检测模型的训练方法、检测方法、装置及设备
CN115546094A (zh) 一种模型的训练方法、ct图像的优化方法及装置
CN116168154A (zh) 一种预测方法、装置、设备及可读存储介质
CN116864064A (zh) 一种医学影像报告的生成方法、装置及存储介质
CN117011522A (zh) 基于深度对比学习的胎儿脑mri分割方法
CN114299046A (zh) 一种医学图像配准方法、装置、设备及存储介质
CN114972241A (zh) 基于残差神经网络胎儿超声切面量化质控考核方法及装置
CN116188469A (zh) 一种病灶检测方法、装置、可读存储介质及电子设备
CN116152246B (zh) 一种图像识别方法、装置、设备及存储介质
CN116152600A (zh) 一种模型训练方法、装置、设备及可读存储介质
CN117974503A (zh) 一种图像处理的方法、装置、存储介质及电子设备
CN117137439A (zh) 一种容积骨密度的测量方法、装置及存储介质
CN118096638A (zh) 一种部位识别方法、装置、存储介质及电子设备
CN116229218B (zh) 一种模型训练、图像配准方法及装置
CN117133019A (zh) 一种数据处理的方法、装置、存储介质及电子设备
CN116912224A (zh) 一种病灶的检测方法、装置、存储介质及电子设备

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