CN116912247A - 医疗图像处理方法、装置、存储介质及电子设备 - Google Patents
医疗图像处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116912247A CN116912247A CN202311175109.4A CN202311175109A CN116912247A CN 116912247 A CN116912247 A CN 116912247A CN 202311175109 A CN202311175109 A CN 202311175109A CN 116912247 A CN116912247 A CN 116912247A
- Authority
- CN
- China
- Prior art keywords
- image
- analyzed
- medical image
- parameter
- image 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
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 104
- 238000003384 imaging method Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 24
- 238000011282 treatment Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003902 lesion Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000002059 diagnostic imaging Methods 0.000 abstract description 8
- 238000004393 prognosis Methods 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 5
- 208000005718 Stomach Neoplasms Diseases 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 206010017758 gastric cancer Diseases 0.000 description 5
- 201000005202 lung cancer Diseases 0.000 description 5
- 208000020816 lung neoplasm Diseases 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 201000011549 stomach cancer Diseases 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000011369 optimal treatment Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012633 nuclear imaging Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000002604 ultrasonography 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
- 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
- G06V10/70—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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提供一种医疗图像处理方法、装置、存储介质及电子设备,涉及医学成像技术领域,方法包括:获取成像对象对应的待分析图像;使用医疗图像处理模型对待分析图像进行识别,确定出待分析图像中的至少一个目标区域的位置参数以及每个目标区域对应的目标状态参数,其中,目标状态参数包括:用于表征尺寸大小的尺寸参数、用于表征颜色深浅程度的颜色参数和置信度;基于待分析图像的位置参数和目标状态参数,确定出待分析图像对应的预判等级,并对预判等级进行可视化显示,其中,预判等级用于表征风险的高低,预判等级越高,则风险越高;预判等级越低,则风险越低。通过本公开实施例中的技术方案,可以提高对待分析图像的处理效率和准确性。
Description
技术领域
本申请涉及医学成像技术领域,尤其涉及一种医疗图像处理方法、装置、存储介质及电子设备。
背景技术
医疗事业关乎人民的生命健康,利用好庞大的医疗数据对提高医疗服务水平至关重要。而医学影像是医疗数据中十分重要的组成部分,伴随着医学诊断和治疗模式的改变,医学影像的质量直接影响着对病情的诊断和治疗。因此,可以通过计算机实现智能影像以对放射科技师的拍片工作产生较良好的辅助作用。
目前,“人工智能+医学影像”是将当前最先进的人工智能技术应用于医学影像诊断,从而帮助医生诊断患者病情的人工智能具体应用场景。在基于人工智能进行各类别医学影像识别时,可通过神经网络模型辅助医疗信息的处理,并通过所部署的神经网络模型,对大量医疗图像的学习从而实现对医疗图像的分类和识别,以此来获得相关的医疗图像分析结果。
发明内容
本申请实施例提供一种医疗图像处理方法、装置、存储介质及电子设备,能够克服相关技术中存在的问题。
为达到上述目的,本申请采用如下技术方案:
第一方面,提供一种医疗图像处理方法,方法包括:
获取成像对象对应的待分析图像;
使用医疗图像处理模型对待分析图像进行识别,确定出待分析图像中的至少一个目标区域的位置参数以及每个目标区域对应的目标状态参数,其中,目标状态参数包括:用于表征尺寸大小的尺寸参数、用于表征颜色深浅程度的颜色参数和置信度;
基于待分析图像的位置参数和目标状态参数,确定出待分析图像对应的预判等级,并对预判等级进行可视化显示,其中,预判等级用于表征风险的高低,预判等级越高,则风险越高;预判等级越低,则风险越低。
根据第一方面的方法可知,采用医疗图像处理模型对待分析图像进行识别,可以提高图像处理的效率和准确率;再基于医疗图像处理模型获得的位置参数和目标状态参数确定出待分析图像的预判等级,并进行可视化显示,从而可以清晰地获得待分析图像所对应的图像信息。通过本公开实施例中的技术方案,可以提高对待分析图像的处理效率和准确性,以及提高解析待分析图像而获取的图像信息的可读性。
一种可能的设计方案中,获取成像对象对应的待分析图像,包括:
使用成像设备对至少一种体位下的成像对象进行成像并分别进行采集;
获得待分析图像,其中,待分析图像包括至少一种体位下对应的图像。
一种可能的设计方案中,医疗图像处理模型的获得方法包括:
获取训练数据集;训练数据集中包括多张样本成像对象影像,多张样本成像对象影像中标记有对判定结果的影响值大于预设影响值的样本关键区域;
基于训练数据集,对初始的处理模型进行训练,获得预先训练好的医疗图像处理模型。
一种可能的设计方案中,使用医疗图像处理模型对待分析图像进行识别,确定出待分析图像中的至少一个目标区域的位置参数以及每个目标区域对应的目标状态参数,包括:
通过医疗图像处理模型的图像预处理层对待分析图像依次进行降噪处理和归一化处理;
通过医疗图像处理模型的处理层对依次经过降噪处理和归一化处理后的医疗图像进行处理,得到医疗图像处理模型输出的识别结果;
识别结果在待分析图像的基础上,标记确定出至少一个目标区域的位置参数及目标状态参数。
一种可能的设计方案中,基于待分析图像的位置参数和目标状态参数,确定出待分析图像对应的预判等级,包括:
根据待分析图像的位置参数,判断是否位于预设位置范围内,以确定是否存在病变的可能性;
若是,根据待分析图像的尺寸参数和颜色参数,确定出待分析图像对应的预判等级。
一种可能的设计方案中,对预判等级进行可视化显示,包括:
不同的预判等级对应不同的显示颜色,以对用户进行提醒。
一种可能的设计方案中,方法还包括:
基于每个用户具有唯一的用户编号,对待分析图像进行标号以使每张待分析图像具有唯一的图像标号,并存储其对应的成像时刻;
在获取到一新的待分析图像时,根据其图像标号确定是否存在历史待分析图像;
若是,则将新的待分析图像与其对应的历史待分析图像进行对比,以确定变化状态。
第二方面,提供了一种医疗图像处理装置,装置包括:
获取模块,被配置为获取成像对象对应的待分析图像;
第一确定模块,被配置为使用医疗图像处理模型对待分析图像进行识别,确定出待分析图像中的至少一个目标区域的位置参数以及每个目标区域对应的目标状态参数,其中,目标状态参数包括:用于表征尺寸大小的尺寸参数、用于表征颜色深浅程度的颜色参数和置信度;
第二确定模块,被配置为基于待分析图像的位置参数和目标状态参数,确定出待分析图像对应的预判等级,并对预判等级进行可视化显示,其中,预判等级用于表征风险的高低,预判等级越高,则风险越高;预判等级越低,则风险越低。
第三方面,提供了一种电子设备,该电子设备包括:处理器,处理器与存储器耦合;该处理器,用于执行存储器中存储的计算机程序,以使得该电子设备执行第一方面中的任意一种实现方式的方法。
第四方面,提供一种计算机可读存储介质,包括:计算机程序或指令;当该计算机程序或指令在计算机上运行时,使得该计算机执行第一方面中任意一种可能的实现方式的方法被执行。
第五方面,提供一种计算机程序产品,包括计算机程序或指令,当该计算机程序或指令在计算机上运行时,使得该计算机执行第一方面中任意一种可能的实现方式的方法被执行。
本公开的实施例提供的技术方案可以包括以下有益效果:
在上述技术方案中,由于本方法中采用医疗图像处理模型对待分析图像进行识别,可以提高图像处理的效率和准确率;再基于医疗图像处理模型获得的位置参数和目标状态参数确定出待分析图像的预判等级,并进行可视化显示,从而可以清晰地获得待分析图像所对应的图像信息。通过本公开实施例中的技术方案,可以提高对待分析图像的处理效率和准确性,以及提高解析待分析图像而获取的图像信息的可读性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
图1为根据一示例性实施例示出的一种医疗图像处理方法的流程示意图;
图2为根据一示例性实施例示出的一种医疗图像处理装置的结构示意图;
图3为根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
下面结合附图,对本申请中的技术方案进行描述。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是本公开的一些方面相一致的装置和方法的例子。
在医学领域,不同病征的内在异质性可在医疗图像中体现,如人体某个部位的外观(如形状)存在不同程度的差异,因此医疗图像可作为一种医疗判断手段或参考因素,用于辅助临床诊断。随着各种大型医学成像设备在各层级医院的普及,医学影像检查已经成为各种疾病诊断过程中最为重要的检查手段和诊断依据。医学影像相比于生化等其他检查,可以提供病变的位置、结构和功能等重要信息,为疾病的诊断和治疗提供直观的信息和参考。目前,各种医疗成像系统还面临着成像速度较慢、图像质量受患者配合度影响、成像工作流繁琐等各种挑战。
示例性地,本公开实施例中的医疗图像是基于医学影像获得的,随着技术发展,医学影像检查手段逐渐多样化,其成像设备包括但不限于:超声、病理、内窥镜、CT(ComputedTomography,电子计算机断层扫描)、CR(Computed Radiography,计算机X线摄影)、MRI(Magnetic Resonance Imaging,磁共振成像)、核素显像、PET-CT(Positron EmissionTomography,正电子发射计算机断层显像)和DSA(Digital Signature Algorithm,血管造影)。在本公开实施例中,本公开实施例的技术方案可以应用于CT成像的应用场景中,CT成像对应的成像设备为CT设备。可以理解,针对其他的成像设备,也可以按照本发明的实施例的技术方案,进行成像。换句话说,本发明的实施例的技术方案也可以应用到其他成像设备的应用场景中,例如,核磁共振成像设备等,在此不作限定。
本公开实施例提供的医疗图像处理方法可以应用于多种场景,包括但不限于:对成像设备进行成像控制的应用场景中,例如:当成像设备需要进行成像时,利用本公开实施例中的技术方案实现成像控制;或者成像设备进行器官成像的应用场景中,如肺部,当应用于其他器官或者组织的成像时,也可参照本公开实施例中的技术方案,不构成对本发明的应用场景的限定。
医学影像设备的发展和技术进步为诊治过程提供了更多的影像信息,这些影像信息被用于对疾病进行诊断和鉴别。但是对大量图像信息的整合和解读也提高了对医生的医学影像知识水平的要求,并且也增加了医生的阅片时间。为此,使用计算机辅助诊断技术对医学影像信息进行进一步的智能化分析挖掘,以辅助解读医学影像,成为现代医学影像技术发展的重要需求。
基于此,本公开实施例提供了一种医疗图像处理方法。图1是根据一示例性实施例示出的一种医疗图像处理方法的流程图。如图1所示,该医疗图像处理方法可以包括:
在步骤S101中,获取成像对象对应的待分析图像。
由于诊治对象包括多个部位或器官,例如,可以为肺部、胸部、脑部、或者胃部等,因此,可以根据需要诊治的部位在多个部位或器官中确定出成像对象,并使用相关的成像设备进行成像以获得待分析图像。
在一些实施例中,根据不同的成像设备,待分析图像也可以不同。例如,CT扫描所得的影像为CT图像,核磁共振扫描所得的影像为核磁共振图像。
在一些实施例中,可以将已经确诊患者的扫描图像作为待分析图像,如被确诊为肺癌的患者的医学影像图像或者为被确诊为胃癌的患者的医学影像图像,该待分析图像可以从医院的数据库中调取。可以理解为,待分析图像可以为肺癌影像或者胃癌影像,本公开实施例并不做限制。
在一些实施例中,医院可以管理整个医院的数据库,因此,每当有确诊的肺癌患者或者胃癌患者时,可将对应的肺部扫描图像作为肺癌影像进行存储或者将对应的胃部扫描图像作为胃癌影像进行存储,便于后续随时获取。可选地,在医学影像图像进行存储时,可以同时记录存储时间,便于后续在应用过程中进行不同时期的对比。
在另一些实施例,待分析图像也可以是通过其他途径所获得的图像,例如:通过一些特定的技术合成的图像等,在此不作限定。
需要说明的是,用于进行解析的待分析图像需要要求病人数据临床问题明确、格式规范、信息完整,而目前常规使用的医学影像,由于采集时的成像参数、病人体位、重建算法以及扫描仪器的不同,具有很大的差异性,这将会影响最终分析结果的准确性。因此识别和整理大量具有相似临床参数的图像数据示例(如疾病分期)是极其重要的,并且制定统一的数据规范也是实现影像组学研究的关键。
在步骤S102中,使用医疗图像处理模型对待分析图像进行识别,确定出待分析图像中的至少一个目标区域的位置参数以及每个目标区域对应的目标状态参数,其中,目标状态参数包括:用于表征尺寸大小的尺寸参数、用于表征颜色深浅程度的颜色参数和置信度。
在本公开实施例中,通过使用医疗图像处理模型对待分析图像进行识别,从而确定至少一个目标区域。示例性地,目标区域可以为在待分析图像中用于表征生理健康指标的位置区域,例如,在图像显示时,具有深浅不一的颜色区别,其目标区域的颜色相较于非目标区域颜色更深。
可以理解的是,待分析图像中的目标区域的位置不同,其对应的像素点参数不同,因此,可以根据不同的像素点参数确定出不同位置处的目标区域。
不同健康状态的患者,其待分析图像中的目标区域的大小可能不同,因此,可以基于像素点参数确定出目标区域的尺寸参数,根据目标区域的尺寸参数和位置判断患者的健康状态。在本公开实施例中,还基于目标区域确定出其对应的置信度,置信度可以用于表征该次基于待分析图像确定出的位置参数、尺寸参数和颜色参数的可信度,其中,置信度越大,表示该次的结果的可靠性越大。
需要说明的是,医疗图像处理模型可以为预先训练好的用于进行图像识别和分析的神经网络模型,其神经网络模型可以为卷积神经网络( Convolutional NeuralNetworks,CNN)或Dense Net神经网络模型。在本公开实施例中,采用卷积神经网络模型,卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络(Feed forward NeuralNetworks),是深度学习(deep learning)的代表算法之一,其具有表征学习(representation learning)能力。
在步骤S103中,基于待分析图像的位置参数和目标状态参数,确定出待分析图像对应的预判等级,并对预判等级进行可视化显示,其中,预判等级用于表征风险的高低,预判等级越高,则风险越高;预判等级越低,则风险越低。
在本公开实施例中,通过使用医疗图像处理模型对待分析图像进行识别,可以快速、准确地确定出待分析图像的位置参数和目标状态参数。基于待分析图像的位置参数和目标状态参数,确定出待分析图像对应的预判等级,从而根据预判等级可以确定初步确定成像对象是否存在病变,以及病变程度,根据预判等级的高低确定后续步骤。例如,若预判等级高,则表示当前成像对象存在较大的风险,因此,接下来可以邀请其他医生进行再次确定,并组织其他医生对治疗方案进行讨论以获得最优的治疗方案,从而确保诊断的准确性和及时确定出较优的治疗方案,便于患者进行及时的治疗;若预判等级低,则表示当前成像对象存在的风险较低,可以独立完成诊断,提高诊治的速度和效率。
在本公开实施例中,确定出待分析图像对应的预判等级之后,可以在与成像设备相连接的控制设备上进行可视化显示,使得更清楚地确定待分析图像的分析结果,进一步地提高诊断的便捷性。
在上述技术方案中,由于本方法中采用医疗图像处理模型对待分析图像进行识别,可以提高图像处理的效率和准确率;再基于医疗图像处理模型获得的位置参数和目标状态参数确定出待分析图像的预判等级,并进行可视化显示,从而可以清晰地获得待分析图像所对应的图像信息。通过本公开实施例中的技术方案,可以提高对待分析图像的处理效率和准确性,以及提高解析待分析图像而获取的图像信息的可读性。
在一种示例性实施方式中,步骤S101可以进一步包括:
使用成像设备对至少一种体位下的成像对象进行成像并分别进行采集;
获得待分析图像,其中,待分析图像包括至少一种体位下对应的图像。
由于使用成像设备对作为病患的成像对象的部位或器官进行医学成像时,不同的病患的个人身体情况不一样,或者使用的成像设备的设备型号不一样,或者在成像过程中病患的体位不一样,这些因素都可能会导致分析结果的不准确。因此,为了提高基于待分析图像而获得的分析结果,可以使用成像设备对不同体位下的成像对象进行成像并进行采集以获取多个体位下的成像对象的待分析图像。
作为一种可能的实施方式,可以预先制定待分析图像的图像标准,并对不同型号采集的待分析图像或者不同体位下采集的待分析图像进行处理,从而获得统一标准下的待分析图像,以提高基于待分析图像而获得的解析结果的准确性。
在一种示例性实施方式中,医疗图像处理模型的获得方法包括:
获取训练数据集;训练数据集中包括多张样本成像对象影像,多张样本成像对象影像中标记有对判定结果的影响值大于预设影响值的样本关键区域;
基于训练数据集,对初始的处理模型进行训练,获得预先训练好的医疗图像处理模型。
在本公开实施例中,该医疗图像处理模型的训练过程包括:获取训练数据集;训练数据集中包括多张样本影像,多张样本影像中标记有对判定结果的影响值大于预设影响值的样本关键区域;基于训练数据集,对初始的标识模型进行训练,获得预先训练好的标识模型,其中,样本影像可以为样本肺癌影像或样本胃癌影像,对此,本公开实施例并不做限制。
基于训练数据集,可以对初始的医疗图像处理模型进行训练。当医疗图像处理模型采用不同的实施方式时,对应的训练算法或者训练方式也对应不同的。例如,当采用神经网络模型时,采用神经网络的训练方式。神经网络模型训练,可以对图像数据集进行多分类学习,该模型可采用Tensor Flow、torch等深度学习框架进行构建,使用CNN等神经网络层的多层结合组成医疗图像处理模型。
在一种示例性实施方式中,步骤S102可以进一步包括:
通过医疗图像处理模型的图像预处理层对待分析图像依次进行降噪处理和归一化处理;
通过医疗图像处理模型的处理层对依次经过降噪处理和归一化处理后的医疗图像进行处理,得到医疗图像处理模型输出的识别结果;
识别结果在待分析图像的基础上,标记确定出至少一个目标区域的位置参数及目标状态参数。
在本公开实施例中,医疗图像处理模型包括多个网络层,每个网络层所对应的功能可以不同,因此将待分析图像输入医疗图像处理模型后,医疗图像处理模型中的网络层依次对待分析图像进行处理,以获得待分析图像对应的位置参数和目标状态参数。通过使用预先训练好的医疗图像处理模型对待分析图像进行处理,可以提高处理效率,并通过不断修正和调整医疗图像处理模型,提高图像处理的准确性。
在一种示例性实施方式中,步骤S103可以进一步包括:
根据待分析图像的位置参数,判断是否位于预设位置范围内,以确定是否存在病变的可能性;
若是,根据待分析图像的尺寸参数和颜色参数,确定出待分析图像对应的预判等级。
在本公开实施例中,根据待分析图像的位置参数,判断其目标区域是否位于预设位置范围内,该预设位置范围用于表示对确诊具有影像的区域,预设位置范围可以通过已确诊病患确定出的标准影像而确定,再将待分析图像的位置参数与预设位置范围进行比对从而确定是否存在病变的可能性。
目标区域的位置和大小可以用于诊断患者的健康状态,若诊断结果初步判断为具有病变的可能性,则根据待分析图像的尺寸参数和颜色参数,确定出待分析图像对应的预判等级。示例性地,可以与已确诊的标准影像图像进行比较,确定风险高低;也可以是与健康的标准的影像图像相比,根据位置、大小确定风险高低。本公开实施例对此并不做限制。若诊断结果初步判断为病变风险较小,则可以直接告知患者当前检查结果良好。
在一种示例性实施方式中,对预判等级进行可视化显示,可以包括:
不同的预判等级对应不同的显示颜色,以对用户进行提醒。
由于可以在与成像设备相连接的控制设备上显示确定出的预判等级,为了对不同预判等级的严重性进行明显的区分,可以对不同的预判等级对应不同的显示颜色,例如,在预判等级最高的时候,使用红色进行显示;在预判等级较低的时候,使用绿色进行显示。通过这样的方式,可以提高解析待分析图像而获取的图像信息的可读性。
在一种示例性实施方式中,该医疗图像处理方法还可以包括:
基于每个用户具有唯一的用户编号,对待分析图像进行标号以使每张待分析图像具有唯一的图像标号,并存储其对应的成像时刻;
在获取到一新的待分析图像时,根据其图像标号确定是否存在历史待分析图像;
若是,则将新的待分析图像与其对应的历史待分析图像进行对比,以确定变化状态。
在本公开实施例中,通过对每张医学影像所对应的患者确定一个唯一的用户编号,并对每张待分析图像给予唯一的图像标号,则可以通过用户编号可以在众多图像中筛选出某一患者就诊的所有医疗图像,并且可以根据每张医疗图像的成像时刻,对同一患者的医疗图像进行前后对比,从而可以确定出该患者的治疗效果。
图2是根据一示例性实施例示出的一种医疗图像处理装置10的框图,如图2所示,该医疗图像处理装置10可以包括:
获取模块110,被配置为获取成像对象对应的待分析图像;
第一确定模块120,被配置为使用医疗图像处理模型对待分析图像进行识别,确定出待分析图像中的至少一个目标区域的位置参数以及每个目标区域对应的目标状态参数,其中,目标状态参数包括:用于表征尺寸大小的尺寸参数、用于表征颜色深浅程度的颜色参数和置信度;
第二确定模块130,被配置为基于待分析图像的位置参数和目标状态参数,确定出待分析图像对应的预判等级,并对预判等级进行可视化显示,其中,预判等级用于表征风险的高低,预判等级越高,则风险越高;预判等级越低,则风险越低。
在上述技术方案中,由于本方法中采用医疗图像处理模型对待分析图像进行识别,可以提高图像处理的效率和准确率;再基于医疗图像处理模型获得的位置参数和目标状态参数确定出待分析图像的预判等级,并进行可视化显示,从而可以清晰地获得待分析图像所对应的图像信息。通过本公开实施例中的技术方案,可以提高对待分析图像的处理效率和准确性,以及提高解析待分析图像而获取的图像信息的可读性。
可选地,获取模块110可以进一步包括:
采集子模块,被配置为使用成像设备对至少一种体位下的成像对象进行成像并分别进行采集;
第一获得子模块,被配置为获得待分析图像,其中,待分析图像包括至少一种体位下对应的图像。
可选地,医疗图像处理装置10可以进一步包括:
第二获得子模块,被配置为获取训练数据集;训练数据集中包括多张样本成像对象影像,多张样本成像对象影像中标记有对判定结果的影响值大于预设影响值的样本关键区域;
第三获得子模块,被配置为基于训练数据集,对初始的处理模型进行训练,获得预先训练好的医疗图像处理模型。
可选地,第一确定模块120可以进一步地包括:
第一处理子模块,被配置为通过医疗图像处理模型的图像预处理层对待分析图像依次进行降噪处理和归一化处理;
第二处理子模块,被配置为通过医疗图像处理模型的处理层对依次经过降噪处理和归一化处理后的医疗图像进行处理,得到医疗图像处理模型输出的识别结果;
第三处理子模块,被配置为识别结果在待分析图像的基础上,标记确定出至少一个目标区域的位置参数及目标状态参数。
可选地,第二确定模块130可以进一步地包括:
第一确定子模块,被配置为根据待分析图像的位置参数,判断是否位于预设位置范围内,以确定是否存在病变的可能性;
第二确定子模块,被配置为若是,根据待分析图像的尺寸参数和颜色参数,确定出待分析图像对应的预判等级。
可选地,第二确定模块130可以进一步地包括:
显示子模块,被配置为不同的预判等级对应不同的显示颜色,以对用户进行提醒。
可选地,医疗图像处理装置10可以进一步包括:
第四处理子模块,被配置为基于每个用户具有唯一的用户编号,对待分析图像进行标号以使每张待分析图像具有唯一的图像标号,并存储其对应的成像时刻;
第三确定子模块,被配置为在获取到一新的待分析图像时,根据其图像标号确定是否存在历史待分析图像;
第四确定子模块,被配置为若是,则将新的待分析图像与其对应的历史待分析图像进行对比,以确定变化状态。
关于上述实施例中的系统,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
参照图3,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的医疗图像处理方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
输入/输出接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述医疗图像处理方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由电子设备800的处理器820执行以完成上述医疗图像处理方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的医疗图像处理方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a, b, c, a-b, a-c, b-c, 或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种医疗图像处理方法,其特征在于,所述方法包括:
获取成像对象对应的待分析图像;
使用医疗图像处理模型对所述待分析图像进行识别,确定出所述待分析图像中的至少一个目标区域的位置参数以及每个所述目标区域对应的目标状态参数,其中,所述目标状态参数包括:用于表征尺寸大小的尺寸参数、用于表征颜色深浅程度的颜色参数和置信度;
基于所述待分析图像的所述位置参数和所述目标状态参数,确定出所述待分析图像对应的预判等级,并对所述预判等级进行可视化显示,其中,所述预判等级用于表征风险的高低,所述预判等级越高,则风险越高;所述预判等级越低,则风险越低。
2.根据权利要求1所述的医疗图像处理方法,其特征在于,所述获取成像对象对应的待分析图像,包括:
使用成像设备对至少一种体位下的所述成像对象进行成像并分别进行采集;
获得所述待分析图像,其中,所述待分析图像包括至少一种体位下对应的图像。
3.根据权利要求1所述的医疗图像处理方法,其特征在于,所述医疗图像处理模型的获得方法包括:
获取训练数据集;所述训练数据集中包括多张样本成像对象影像,所述多张样本成像对象影像中标记有对判定结果的影响值大于预设影响值的样本关键区域;
基于所述训练数据集,对初始的处理模型进行训练,获得预先训练好的所述医疗图像处理模型。
4.根据权利要求1所述的医疗图像处理方法,其特征在于,所述使用医疗图像处理模型对所述待分析图像进行识别,确定出所述待分析图像中的至少一个目标区域的位置参数以及每个所述目标区域对应的目标状态参数,包括:
通过所述医疗图像处理模型的图像预处理层对所述待分析图像依次进行降噪处理和归一化处理;
通过所述医疗图像处理模型的处理层对依次经过降噪处理和归一化处理后的医疗图像进行处理,得到所述医疗图像处理模型输出的识别结果;
所述识别结果在所述待分析图像的基础上,标记确定出至少一个目标区域的位置参数及目标状态参数。
5.根据权利要求4所述的医疗图像处理方法,其特征在于,所述基于所述待分析图像的所述位置参数和所述目标状态参数,确定出所述待分析图像对应的预判等级,包括:
根据所述待分析图像的所述位置参数,判断是否位于预设位置范围内,以确定是否存在病变的可能性;
若是,根据所述待分析图像的所述尺寸参数和所述颜色参数,确定出所述待分析图像对应的预判等级。
6.根据权利要求1所述的医疗图像处理方法,其特征在于,所述对所述预判等级进行可视化显示,包括:
不同的预判等级对应不同的显示颜色,以对用户进行提醒。
7.根据权利要求1所述的医疗图像处理方法,其特征在于,所述方法还包括:
基于每个用户具有唯一的用户编号,对所述待分析图像进行标号以使每张待分析图像具有唯一的图像标号,并存储其对应的成像时刻;
在获取到一新的待分析图像时,根据其图像标号确定是否存在历史待分析图像;
若是,则将新的待分析图像与其对应的历史待分析图像进行对比,以确定变化状态。
8.一种医疗图像处理装置,其特征在于,所述装置包括:
获取模块,被配置为获取成像对象对应的待分析图像;
第一确定模块,被配置为使用医疗图像处理模型对所述待分析图像进行识别,确定出所述待分析图像中的至少一个目标区域的位置参数以及每个所述目标区域对应的目标状态参数,其中,所述目标状态参数包括:用于表征尺寸大小的尺寸参数、用于表征颜色深浅程度的颜色参数和置信度;
第二确定模块,被配置为基于所述待分析图像的所述位置参数和所述目标状态参数,确定出所述待分析图像对应的预判等级,并对所述预判等级进行可视化显示,其中,所述预判等级用于表征风险的高低,所述预判等级越高,则风险越高;所述预判等级越低,则风险越低。
9.一种电子设备,其特征在于,包括:处理器,所述处理器与存储器耦合;
所述处理器,用于执行所述存储器中存储的计算机程序,以使得所述处理器执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括计算机程序或指令,当所述计算机程序或指令在计算机上运行时,使得如权利要求1-7中任一项所述的方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311175109.4A CN116912247A (zh) | 2023-09-13 | 2023-09-13 | 医疗图像处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311175109.4A CN116912247A (zh) | 2023-09-13 | 2023-09-13 | 医疗图像处理方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116912247A true CN116912247A (zh) | 2023-10-20 |
Family
ID=88356967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311175109.4A Pending CN116912247A (zh) | 2023-09-13 | 2023-09-13 | 医疗图像处理方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912247A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788474A (zh) * | 2024-02-27 | 2024-03-29 | 陕西省人民医院(陕西省临床医学研究院) | 一种基于机器视觉的泌尿结石图像识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002846A (zh) * | 2018-07-04 | 2018-12-14 | 腾讯科技(深圳)有限公司 | 一种图像识别方法、装置和存储介质 |
CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 上海联影智能医疗科技有限公司 | 一种医学图像分析系统、装置及存储介质 |
CN113222989A (zh) * | 2021-06-09 | 2021-08-06 | 联仁健康医疗大数据科技股份有限公司 | 一种图像分级方法、装置、存储介质及电子设备 |
CN114494255A (zh) * | 2022-04-14 | 2022-05-13 | 武汉楚精灵医疗科技有限公司 | 医学图像处理方法、装置、计算机设备及存储介质 |
CN114565611A (zh) * | 2022-04-28 | 2022-05-31 | 武汉大学 | 医学信息获取方法及相关设备 |
CN116206741A (zh) * | 2023-05-05 | 2023-06-02 | 泰安市中心医院(青岛大学附属泰安市中心医院、泰山医养中心) | 一种消化科医疗信息处理系统及方法 |
-
2023
- 2023-09-13 CN CN202311175109.4A patent/CN116912247A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002846A (zh) * | 2018-07-04 | 2018-12-14 | 腾讯科技(深圳)有限公司 | 一种图像识别方法、装置和存储介质 |
CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 上海联影智能医疗科技有限公司 | 一种医学图像分析系统、装置及存储介质 |
CN113222989A (zh) * | 2021-06-09 | 2021-08-06 | 联仁健康医疗大数据科技股份有限公司 | 一种图像分级方法、装置、存储介质及电子设备 |
CN114494255A (zh) * | 2022-04-14 | 2022-05-13 | 武汉楚精灵医疗科技有限公司 | 医学图像处理方法、装置、计算机设备及存储介质 |
CN114565611A (zh) * | 2022-04-28 | 2022-05-31 | 武汉大学 | 医学信息获取方法及相关设备 |
CN116206741A (zh) * | 2023-05-05 | 2023-06-02 | 泰安市中心医院(青岛大学附属泰安市中心医院、泰山医养中心) | 一种消化科医疗信息处理系统及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788474A (zh) * | 2024-02-27 | 2024-03-29 | 陕西省人民医院(陕西省临床医学研究院) | 一种基于机器视觉的泌尿结石图像识别方法 |
CN117788474B (zh) * | 2024-02-27 | 2024-05-03 | 陕西省人民医院(陕西省临床医学研究院) | 一种基于机器视觉的泌尿结石图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schmauch et al. | Diagnosis of focal liver lesions from ultrasound using deep learning | |
US9445713B2 (en) | Apparatuses and methods for mobile imaging and analysis | |
CN102915400B (zh) | 用于计算机支持地显示或分析医学检查数据的方法和装置 | |
US9295372B2 (en) | Marking and tracking an area of interest during endoscopy | |
JP6799301B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
US11443201B2 (en) | Artificial intelligence-based self-learning in medical imaging | |
CN109949271B (zh) | 一种基于医学图像的检测方法、模型训练的方法及装置 | |
CN109378043A (zh) | 基于患者的医学图像生成诊断报告的系统和方法及介质 | |
US9530205B2 (en) | Polyp detection apparatus and method of operating the same | |
KR20120072961A (ko) | 의료 영상을 이용한 영상진단을 보조하는 방법 및 장치, 이를 수행하는 영상진단 시스템 | |
US9002083B2 (en) | System, method, and software for optical device recognition association | |
WO2016125978A1 (en) | Method and apparatus for displaying medical image | |
CN107106137A (zh) | 医学图像处理设备和方法 | |
EP3477655A1 (en) | Method of transmitting a medical image, and a medical imaging apparatus performing the method | |
WO2020118152A1 (en) | Heat map based medical image diagnostic mechanism | |
JP2007151645A (ja) | 医用画像診断支援システム | |
CN116912247A (zh) | 医疗图像处理方法、装置、存储介质及电子设备 | |
US20210142480A1 (en) | Data processing method and apparatus | |
CN105473071A (zh) | 用于提供医疗信息的设备和方法 | |
US20220375610A1 (en) | Multi-Variable Heatmaps for Computer-Aided Diagnostic Models | |
CN111226287B (zh) | 用于分析医学成像数据集的方法、系统、程序产品和介质 | |
CN113349810B (zh) | 脑出血病灶识别及血肿扩大预测系统及装置 | |
US11682135B2 (en) | Systems and methods for detecting and correcting orientation of a medical image | |
JP2009061175A (ja) | 医用画像処理装置及びプログラム | |
JP2020174861A (ja) | 情報処理装置、情報処理方法およびプログラム |
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 |