CN116958128A - 基于深度学习的医学图像自动定位方法 - Google Patents
基于深度学习的医学图像自动定位方法 Download PDFInfo
- Publication number
- CN116958128A CN116958128A CN202311198319.5A CN202311198319A CN116958128A CN 116958128 A CN116958128 A CN 116958128A CN 202311198319 A CN202311198319 A CN 202311198319A CN 116958128 A CN116958128 A CN 116958128A
- Authority
- CN
- China
- Prior art keywords
- medical image
- information
- data
- image
- image information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 238000010252 digital analysis Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 39
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06T2207/10—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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10116—X-ray image
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及医学图像自动定位技术领域。本发明涉及基于深度学习的医学图像自动定位方法。其包括以下步骤：建立数字分析模型，采集大量的医学图像数据，对采集的医学图像数据进行完整评估筛选；基于对医学图像信息的筛选结果；本发明通过利用深度学习网络的强大特征提取能力和泛化能力，能够自动从医学图像中准确地定位特定区域，避免了误差的干扰，提高了定位的准确性，同时通过自动定位特定区域，从而提高了医学诊断的效率，通过深度学习网络具备了较强的适应性，能够处理不同类型的医学图像，再通过将未知图像信息进行反馈，同时并采集反馈数据输送进入模型内部进行系统更新，使本发明具备学习能力，实现了通用性和灵活性的结合。
Description
技术领域
本发明涉及医学图像自动定位技术领域，具体地说，涉及基于深度学习的医学图像自动定位方法。
背景技术
在医学诊断中，对于特定疾病或异常区域的定位是非常重要的。然而，传统的手动定位方法存在主观性、耗时且易出错的问题。随着深度学习的快速发展，深度神经网络在医学图像处理领域为自动定位提供了方便，但深度神经网络在对图像进行分析时，一旦出现新型未知图像信息，无法及时对其进行定位，造成后续自动定位过程中未知图像，因为数据无法识别从而影响使用效果，因此，提出基于深度学习的医学图像自动定位方法。
发明内容
本发明的目的在于提供基于深度学习的医学图像自动定位方法，以解决上述背景技术中提出的问题。
为实现上述目的，提供了基于深度学习的医学图像自动定位方法，包括以下步骤：
S1、建立数字分析模型，采集大量的医学图像数据，对采集的医学图像数据进行完整评估筛选；
S2、基于S1对医学图像信息的筛选结果，将保留的医学图像信息预处理后输送至数字分析模型并进行分类；
S3、对需要检测的医学图像进行采集并评估，根据评估结果上传至S1建立的数字分析模型，并通过数字分析模型对上传的医学图像进行特征提取；
S4、基于S3提取的医学图像特征信息进行分析，并根据分析结果对医学图像进行挑选对应的分类数据进行评估，从而获取该医学图像的特定区域；
S5、将S3获取的特定区域信息上传至云端进行评估，根据其评估结果判断该特定区域精准性，从而进行二次自动定位；
S6、基于S5二次自动定位获取的图像特定区域信息进行评估，根据评估结果保存目标图像和定位过程，从而获取医学图像的精准自动定位信息，并上传至S1建立的数字模型进行数据更新。
作为本技术方案的进一步改进，所述S1输送至数字分析模型并进行分类的步骤如下：
S1.1、建立医学图像对应的图像快速分析数字模型；
S1.2、采集现有网络的医学图像信息，并根据完整性对采集的医学图像信息进行分析，根据分析结果判断保留医学图像信息。
作为本技术方案的进一步改进，所述S2输送至数字分析模型并进行分类的步骤如下：
S2.1、将S1.2保留的医学图像信息上传至S1.1建立的图像快速分析数字模型中并进行预处理；
S2.2、基于S2.1预处理完毕后的图像数据进行类型分析，并根据类型不同对医学图像信息进行分类。
作为本技术方案的进一步改进，所述S3医学图像进行采集并评估的步骤如下：
S3.1、采集需要检测物体的图像信息；
S3.2、对S3.1采集的物体图像信息进行完整性评估，根据评估结果判断进行物体二次采集；
作为本技术方案的进一步改进，所述S3通过数字分析模型对上传的医学图像进行特征提取的步骤如下：
S3.3、将S3.2采集的最新的物体图像信息将其上传至S1.1建立图像快速分析数字模型中；
S3.4、对S3.2采集的最新的物体图像信息分析进行特征提取。
作为本技术方案的进一步改进，所述S4获取该医学图像的特定区域的步骤如下：
S4.1、根据S3.2提取的特征数据进行分析，并结合分析结果在数字分析模型内寻找对应性质的分类数据包；
S4.2、将S4.1找到的对应数据包内部数据和S3.2提取的特征数据进行结合识别，从而获取S3.1物体图像信息的特定区域信息。
作为本技术方案的进一步改进，所述S5评估结果判断该特定区域精准性的步骤如下：
S5.1、根据S4.2获取物体图像信息的特定区域信息结合已知医学图像信息进行评估；
S5.2、根据S5.1评估结果判断进行二次对物体图像信息进行结合数字分析模型进行特定区域分析。
作为本技术方案的进一步改进，所述S6根据评估结果保存目标图像和定位过程的步骤如下：
S6.1、根据S5.2获取的最新特定区域数据进行判断，从而根据判断结果确定物体图像定位数据信息；
S6.2、根据S5.2获取的最新特定区域数据进行判断，若无法获取有效定位信息数据，将其图像信息保存上传云端进行反馈。
作为本技术方案的进一步改进，所述S6上传至数字模型进行数据更新的步骤如下：
S6.3、根据S6.2获取的反馈数据结合物体图像信息特定区域进行标注；
S6.4、将S3.2采集的最新的物体图像信息和S4.2获取物体图像信息的特定区域信息以及S6.3的标注信息进行结合，并将结合完毕的数据上传至S1.1图像快速分析数字模型中，从而完成数据更新。
与现有技术相比，本发明的有益效果：
该基于深度学习的医学图像自动定位方法中，通过利用深度学习网络的强大特征提取能力和泛化能力，能够自动从医学图像中准确地定位特定区域，避免了误差的干扰，提高了定位的准确性，同时通过自动定位特定区域，从而提高了医学诊断的效率，通过深度学习网络具备了较强的适应性，能够处理不同类型的医学图像，再通过将未知图像信息进行反馈，同时并采集反馈数据输送进入模型内部进行系统更新，使本发明具备学习能力，实现了通用性和灵活性的结合。
附图说明
图1为本发明的整体流程框图；
图2为本发明的对采集的医学图像数据进行完整评估筛选的流程框图；
图3为本发明的输送至数字分析模型并进行分类的流程框图；
图4为本发明的通过数字分析模型对上传的医学图像进行特征提取的流程框图；
图5为本发明的获取该医学图像的特定区域的流程框图；
图6为本发明的进行二次自动定位的流程框图；
图7为本发明的数字模型进行数据更新的流程框图。
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，都属于本发明保护的范围。
实施例1
请参阅图1-图7所示，本实施例目的在于，因此，提供了基于深度学习的医学图像自动定位方法，包括包括以下步骤：
S1、建立数字分析模型，采集大量的医学图像数据，对采集的医学图像数据进行完整评估筛选；
所述S1输送至数字分析模型并进行分类的步骤如下：
S1.1、建立医学图像对应的图像快速分析数字模型；使用卷积神经网络（CNN）或深度学习模型进行图像分类和分割。通过监督学习，在大规模医学图像数据上训练模型，以便自动检出异常或诊断嫌疑区域。深度学习方法可以根据数据的复杂性和样本数量调整网络的深度和复杂度，提高算法的准确性，以一种自动化的方式构建整个图像分析流程，并提高诊断和治疗的精度和效率。
S1.2、采集现有网络的医学图像信息，收集大量的医学图像数据集，包括X射线图像、MRI图像和CT图像，并根据完整性对采集的医学图像信息进行分析，医学图像数据完整性分析的公式：
对医学图像进行质量评估，比较图像细节、分辨率和噪声等因素，以评估图像的完整性和可用性。
通过图像分割和测量，提取图像的形态、大小和属性等信息，比较不同波段和不同分辨率图像的数据质量，并对异常图像做出标记。
针对目标医学图像的特点，确定数据集的完整性标准和采样策略，以维护数据集的完整性和可靠性。
利用图像处理和机器学习技术，对医学图像进行自动化分类和分割，以实现对大规模医学图像数据集的完整性分析。
对数据集进行统计分析和可视化处理，生成图表和报告，以便快速评估数据集的完整性和可用性，并提供有价值的参考意见，根据分析结果判断保留医学图像信息。
S2、基于S1对医学图像信息的筛选结果，将保留的医学图像信息预处理后输送至数字分析模型并进行分类。
所述S2输送至数字分析模型并进行分类的步骤如下：
S2.1、将S1.2保留的医学图像信息上传至S1.1建立的图像快速分析数字模型中并进行预处理；对采集到的医学图像数据集进行预处理：首先使用高斯滤波器对图像进行去噪处理，然后应用卷积核进行平滑处理，最后使用直方图均衡化增强图像对比度，高斯滤波器是一种线性平滑滤波器，可通过对图像进行加权平均来消除噪声。在进行高斯滤波之后，可以通过应用卷积核进行平滑处理。这可以通过在像素周围的区域进行加权平均来实现，以产生更加平滑的图像。 最后，直方图均衡化是一种增强图像对比度的技术。它的原理是通过对图像的像素值进行变换，以使像素值的分布尽可能地接近均匀分布。这种变换可以通过计算像素值在直方图中的累计分布函数（CDF）来实现，然后使用像素的CDF值来重新映射像素值。 因此，如果想要对图像进行去噪、平滑和增强对比度的处理，可以按照以下步骤操作：
使用高斯滤波器对图像进行去噪处理，通过减少噪声来获得更清晰的图像。
应用卷积核进行平滑处理，以进一步减少图像中的锐利边缘，产生更加平滑的图像。
使用直方图均衡化增强图像的对比度，使图像的特征更加突出，便于后续处理和分析;
S2.2、基于S2.1预处理完毕后的图像数据进行类型分析，并根据类型不同对医学图像信息进行分类。根据图像性质分别为MRI图像，X射线图像以及CT图像进行归纳分类，形成MRI图像数据包、X射线图像数据包以及CT图像数据包；
S3、对需要检测的医学图像进行采集并评估，根据评估结果上传至S1建立的数字分析模型，并通过数字分析模型对上传的医学图像进行特征提取；
所述S3医学图像进行采集并评估的步骤如下：
S3.1、采集需要检测物体的图像信息；提取医学图像中的目标物体，一般使用物体检测算法来实现。通过从图像中识别和定位感兴趣的对象，比如肿瘤、器官等，实现自动定位目标，物体检测算法采用Faster R-CNN的公式可以用数学符号表示如下：
首先，使用预先训练好的卷积神经网络提取图像特征，得到特征图F；
在特征图F上使用RPN，得到候选区域；
对每个候选区域，利用一个全连接层进行分类判断其是否包含物体，同时进行回归，得到物体的坐标信息；
最终，对于一张图像，得到的物体坐标和类别信息将组成一个物体检测的输出 进行物体分类和精确定位。
S3.2、对S3.1采集的物体图像信息进行完整性评估，根据评估结果判断进行物体二次采集。对采集的图像是否有阴影部分进行检查，当具有阴影部分进行二次采集，当持续具有阴影部分将数据进行上传反馈，对物体阴影部分进行调整。
S3通过数字分析模型对上传的医学图像进行特征提取的步骤如下：
S3.3、将S3.2采集的最新的物体图像信息将其上传至S1.1建立图像快速分析数字模型中；
S3.4、对S3.2采集的最新的物体图像信息分析进行特征提取。设计基于残差神经网络（ResNet）的深度学习网络结构，包括多个卷积层、池化层和全连接层。网络结构的设计考虑到医学图像处理任务的复杂性和特点，基于残差神经网络的深度学习网络结构基本公式如下：对于输入的特征图x，通过一系列卷积操作和激活函数之后经过多个残差块，其中包括：
原始的输入被提取出来，代表了输入中的低阶特征：
进行一系列卷积和激活操作，提取出高阶特征：
基于高阶特征构建残差块：，其中z代表了预测的残差特征
将残差特征z与原始的输入x相加，生成最终的输出特征：其中，W表示需要学习的权重参数，F代表卷积和激活函数的组合，ReLU代表修正线性单元激活函数。基于以上公式，可以构建出包含多个残差块的深度神经网络结构，每个残差块重复使用上述四个基本步骤，并通过上述方法将多个残差块连接在一起，逐渐生成更加复杂且抽象的高层次特征以进行分类或者回归等任务。在训练过程中，使用反向传播算法更新每个残差块的权重参数，最终训练出一个高精度的深度学习模型，使得网络能够有效地提取医学图像中的特征；
S4、基于S3提取的医学图像特征信息进行分析，并根据分析结果对医学图像进行挑选对应的分类数据进行评估，从而获取该医学图像的特定区域；
所述S4获取该医学图像的特定区域的步骤如下：
S4.1、根据S3.2提取的特征数据进行分析，并结合分析结果在数字分析模型内寻找对应性质的分类数据包；根据采集的特征数据，将图像信息归类于以下其中一个数据包：MRI图像数据包、X射线图像数据包以及CT图像数据包；
S4.2、将S4.1找到的对应数据包内部数据和S3.2提取的特征数据进行结合识别，从而获取S3.1物体图像信息的特定区域信息。图像快速分析数字模型基于残差神经网络的深度学习网络结构从而对图像进行的输出，定位医学图像中的特定区域，并将定位结果输出，
S5、将S3获取的特定区域信息上传至云端进行评估，根据其评估结果判断该特定区域精准性，从而进行二次自动定位；
所述S5评估结果判断该特定区域精准性的步骤如下：
S5.1、根据S4.2获取物体图像信息的特定区域信息结合已知医学图像信息进行评估；根据特定区域和数字分析模型内已知医学图像的信息进行比对，根据采集的医学图像和已知医学图像的信息进行比对的公式包括以下几个步骤：
定义医学图像的特性和分类要素，比如针对肺癌CT图像进行比对的情况。
对采集的医学图像和已知医学图像进行预处理，比如图像去噪、图像对齐等。
提取采集的医学图像和已知医学图像的特征信息，比如形态、大小、纹理、密度等等。
对采集的医学图像和已知医学图像进行分类和判别，将特征数据输入到训练好的模型中，基于模型给出医学图像的分类结果。
对比对结果进行分析，比如通过准确率计算、误差分析等方法，对比对任务进行结果评估。
根据比对结果，做出医学判断和处理，如基于肺癌图像比对的检测、诊断、病灶定位等，如果比对结果是未知，则立即进行二次采集图像检测，避免出现图像分析错误；
S5.2、根据S5.1评估结果判断进行二次对物体图像信息进行结合数字分析模型进行特定区域分析。
S6、基于S5二次自动定位获取的图像特定区域信息进行评估，根据评估结果保存目标图像和定位过程，从而获取医学图像的精准自动定位信息，并上传至S1建立的数字模型进行数据更新。
所述S6根据评估结果保存目标图像和定位过程的步骤如下：
S6.1、根据S5.2获取的最新特定区域数据进行判断，从而根据判断结果确定物体图像定位数据信息；
S6.2、根据S5.2获取的最新特定区域数据进行判断，若无法获取有效定位信息数据，将其图像信息保存上传云端进行反馈。当采集到的医学图像信息和已知的图像信息不匹配时，可以将其定义为未知图像信息，将其保存并上传到云端，以备后续分析和比对。未知图像信息的保存上传方法如下：
首先在本地或云端存储空间中创建一个专门存储未知图像信息的文件夹，以方便存储和管理。
将未知的医学图像信息导入到该文件夹中，可以采用图像格式（如JPG、PNG、DICOM等）存储或者将其压缩成ZIP文件进行存储，以减小文件大小。
对于已知医学图像信息的分类特征，可以自定义一些属性标签，如患者姓名、疾病类型、采集器具、医院名称等信息。通过数据标准化和规范化，有助于提高未来的医学数据处理效率和数据分析的质量。
在保存的文件夹中创建一个索引文件和元数据文件，其中索引文件可以自定义对未知图像信息的分类标签，以方便后续搜索和检索，而元数据文件可以对存储于该文件夹中的每个医学图像信息进行描述和标识。
上传未知的医学图像信息到云端存储平台，以便在需要时随时进行访问和使用，并增加信息的备份和安全性。综上所述，对于医学图像信息不匹配的情况，可以通过标准化、规范化和云端存储等方法对未知图像信息进行保存和管理，以方便后续处理和分析，同时并反馈给用户，由用户对未知图像信息进行诠释，以便提高后续图像分析的精准性。
所述S6上传至数字模型进行数据更新的步骤如下：
S6.3、根据S6.2获取的反馈数据结合物体图像信息特定区域进行标注；
S6.4、将S3.2采集的最新的物体图像信息和S4.2获取物体图像信息的特定区域信息以及S6.3的标注信息进行结合，并将结合完毕的数据上传至S1.1图像快速分析数字模型中，从而完成数据更新。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.基于深度学习的医学图像自动定位方法，其特征在于：包括以下步骤：
S1、建立数字分析模型，采集大量的医学图像数据，对采集的医学图像数据进行完整评估筛选；
S2、基于S1对医学图像信息的筛选结果，将保留的医学图像信息预处理后输送至数字分析模型并进行分类；
S3、对需要检测的医学图像进行采集并评估，根据评估结果上传至S1建立的数字分析模型，并通过数字分析模型对上传的医学图像进行特征提取；
S4、基于S3提取的医学图像特征信息进行分析，并根据分析结果对医学图像进行挑选对应的分类数据进行评估，从而获取该医学图像的特定区域；
S5、将S3获取的特定区域信息上传至云端进行评估，根据其评估结果判断该特定区域精准性，从而进行二次自动定位；
S6、基于S5二次自动定位获取的图像特定区域信息进行评估，根据评估结果保存目标图像和定位过程，从而获取医学图像的精准自动定位信息，并上传至S1建立的数字模型进行数据更新。
2.根据权利要求1所述的基于深度学习的医学图像自动定位方法，其特征在于：所述S1对采集的医学图像数据进行完整评估筛选的步骤如下：
S1.1、建立医学图像对应的图像快速分析数字模型；
S1.2、采集现有网络的医学图像信息，并根据完整性对采集的医学图像信息进行分析，根据分析结果判断保留医学图像信息。
3.根据权利要求2所述的基于深度学习的医学图像自动定位方法，其特征在于：所述S2输送至数字分析模型并进行分类的步骤如下：
S2.1、将S1.2保留的医学图像信息上传至S1.1建立的图像快速分析数字模型中并进行预处理；
S2.2、基于S2.1预处理完毕后的图像数据进行类型分析，并根据类型不同对医学图像信息进行分类。
4.根据权利要求1所述的基于深度学习的医学图像自动定位方法，其特征在于：所述S3医学图像进行采集并评估的步骤如下：
S3.1、采集需要检测物体的图像信息；
S3.2、对S3.1采集的物体图像信息进行完整性评估，根据评估结果判断进行物体二次采集。
5.根据权利要求4所述的基于深度学习的医学图像自动定位方法，其特征在于：所述S3通过数字分析模型对上传的医学图像进行特征提取的步骤如下：
S3.3、将S3.2采集的最新的物体图像信息将其上传至S1.1建立图像快速分析数字模型中；
S3.4、对S3.2采集的最新的物体图像信息分析进行特征提取。
6.根据权利要求4所述的基于深度学习的医学图像自动定位方法，其特征在于：所述S4获取该医学图像的特定区域的步骤如下：
S4.1、根据S3.2提取的特征数据进行分析，并结合分析结果在数字分析模型内寻找对应性质的分类数据包；
S4.2、将S4.1找到的对应数据包内部数据和S3.2提取的特征数据进行结合识别，从而获取S3.1物体图像信息的特定区域信息。
7.根据权利要求6所述的基于深度学习的医学图像自动定位方法，其特征在于：所述S5评估结果判断该特定区域精准性的步骤如下：
S5.1、根据S4.2获取物体图像信息的特定区域信息结合已知医学图像信息进行评估；
S5.2、根据S5.1评估结果判断进行二次对物体图像信息进行结合数字分析模型进行特定区域分析。
8.根据权利要求7所述的基于深度学习的医学图像自动定位方法，其特征在于：所述S6根据评估结果保存目标图像和定位过程的步骤如下：
S6.1、根据S5.2获取的最新特定区域数据进行判断，从而根据判断结果确定物体图像定位数据信息；
S6.2、根据S5.2获取的最新特定区域数据进行判断，若无法获取有效定位信息数据，将其图像信息保存上传云端进行反馈。
9.根据权利要求8所述的基于深度学习的医学图像自动定位方法，其特征在于：所述S6上传至数字模型进行数据更新的步骤如下：
S6.3、根据S6.2获取的反馈数据结合物体图像信息特定区域进行标注；
S6.4、将S3.2采集的最新的物体图像信息和S4.2获取物体图像信息的特定区域信息以及S6.3的标注信息进行结合，并将结合完毕的数据上传至S1.1图像快速分析数字模型中，从而完成数据更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311198319.5A CN116958128B (zh) | 2023-09-18 | 2023-09-18 | 基于深度学习的医学图像自动定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311198319.5A CN116958128B (zh) | 2023-09-18 | 2023-09-18 | 基于深度学习的医学图像自动定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116958128A true CN116958128A (zh) | 2023-10-27 |
| CN116958128B CN116958128B (zh) | 2023-12-26 |
Family
ID=88442753
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311198319.5A Active CN116958128B (zh) | 2023-09-18 | 2023-09-18 | 基于深度学习的医学图像自动定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116958128B (zh) |
Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005001769A2 (en) * | 2003-06-25 | 2005-01-06 | Siemens Medical Solutions Usa, Inc. | Automated regional myocardial assessment for cardiac imaging |
| WO2009158017A2 (en) * | 2008-06-27 | 2009-12-30 | Certusview Technologies, Llc | Methods and apparatus for quality assessment of a field service operation |
| GB201616078D0 (en) * | 2016-09-21 | 2016-11-02 | Emergent Network Intelligence Ltd | Automatic image based object damage assessment |
| US20180144466A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for image acquisition |
| WO2019030975A1 (ja) * | 2017-08-08 | 2019-02-14 | 株式会社日立製作所 | 医用画像診断装置、及び画像処理方法 |
| CN110223352A (zh) * | 2019-06-14 | 2019-09-10 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的医学图像扫描自动定位方法 |
| US10753882B1 (en) * | 2019-04-10 | 2020-08-25 | Griffyn Robotech Private Ltd. | Inspection and cosmetic grading through image processing system and method |
| AU2020101581A4 (en) * | 2020-07-31 | 2020-09-17 | Ampavathi, Anusha MS | Lymph node metastases detection from ct images using deep learning |
| WO2020224123A1 (zh) * | 2019-06-24 | 2020-11-12 | 浙江大学 | 一种基于深度学习的致痫灶三维自动定位系统 |
| US20200381117A1 (en) * | 2019-05-29 | 2020-12-03 | Medos International Sarl | Dynamic adaptation of clinical procedures and device assessment generation based on determined emotional state |
| CN112215807A (zh) * | 2020-09-24 | 2021-01-12 | 北京航空航天大学 | 基于深度学习的细胞图像自动分类方法及系统 |
| CN112509060A (zh) * | 2020-12-10 | 2021-03-16 | 浙江明峰智能医疗科技有限公司 | 基于图像深度学习的ct二次扫描定位方法、系统及计算机可读存储介质 |
| CN112529042A (zh) * | 2020-11-18 | 2021-03-19 | 南京航空航天大学 | 一种基于双重注意力多示例深度学习的医学图像分类方法 |
| WO2021068933A1 (zh) * | 2019-10-11 | 2021-04-15 | 北京航空航天大学 | 一种基于深度学习网络的椎弓根钉手术路径自动规划方法 |
| WO2021093448A1 (zh) * | 2019-11-12 | 2021-05-20 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、服务器、医疗图像处理设备及存储介质 |
| CN113706434A (zh) * | 2020-05-09 | 2021-11-26 | 北京康兴顺达科贸有限公司 | 基于深度学习对胸部增强ct图像的后处理方法 |
| CN114972307A (zh) * | 2022-06-20 | 2022-08-30 | 重庆智泊特机器人有限公司 | 基于深度学习的毛囊自动识别方法和系统及植发机器人 |
| CN114972362A (zh) * | 2022-05-11 | 2022-08-30 | 重庆理工大学 | 一种基于RMAU-Net网络的医学图像自动分割方法与系统 |
| US11443531B1 (en) * | 2021-12-16 | 2022-09-13 | Plusai, Inc. | Methods and apparatus for automatic collection of under-represented data for improving a training of a machine learning model |
| CN115588038A (zh) * | 2022-10-19 | 2023-01-10 | 沈阳工业大学 | 一种多视角深度估计方法 |
| US20230057653A1 (en) * | 2021-08-23 | 2023-02-23 | Siemens Healthcare Gmbh | Method and system and apparatus for quantifying uncertainty for medical image assessment |
| CN115916081A (zh) * | 2020-06-22 | 2023-04-04 | 弗拉克泰尔健康公司 | 具有流体递送控制台的组织处理系统 |
| CN116071790A (zh) * | 2022-12-30 | 2023-05-05 | 佳都科技集团股份有限公司 | 掌静脉图像质量评估方法、装置、设备及存储介质 |
| CN116758336A (zh) * | 2023-05-26 | 2023-09-15 | 广东益达医疗科技有限公司 | 一种基于人工智能的医学图像智能分析系统 |
-
2023
- 2023-09-18 CN CN202311198319.5A patent/CN116958128B/zh active Active
Patent Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005001769A2 (en) * | 2003-06-25 | 2005-01-06 | Siemens Medical Solutions Usa, Inc. | Automated regional myocardial assessment for cardiac imaging |
| WO2009158017A2 (en) * | 2008-06-27 | 2009-12-30 | Certusview Technologies, Llc | Methods and apparatus for quality assessment of a field service operation |
| GB201616078D0 (en) * | 2016-09-21 | 2016-11-02 | Emergent Network Intelligence Ltd | Automatic image based object damage assessment |
| US20180144466A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for image acquisition |
| WO2019030975A1 (ja) * | 2017-08-08 | 2019-02-14 | 株式会社日立製作所 | 医用画像診断装置、及び画像処理方法 |
| US10753882B1 (en) * | 2019-04-10 | 2020-08-25 | Griffyn Robotech Private Ltd. | Inspection and cosmetic grading through image processing system and method |
| US20200381117A1 (en) * | 2019-05-29 | 2020-12-03 | Medos International Sarl | Dynamic adaptation of clinical procedures and device assessment generation based on determined emotional state |
| CN110223352A (zh) * | 2019-06-14 | 2019-09-10 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的医学图像扫描自动定位方法 |
| WO2020224123A1 (zh) * | 2019-06-24 | 2020-11-12 | 浙江大学 | 一种基于深度学习的致痫灶三维自动定位系统 |
| WO2021068933A1 (zh) * | 2019-10-11 | 2021-04-15 | 北京航空航天大学 | 一种基于深度学习网络的椎弓根钉手术路径自动规划方法 |
| WO2021093448A1 (zh) * | 2019-11-12 | 2021-05-20 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、服务器、医疗图像处理设备及存储介质 |
| CN113706434A (zh) * | 2020-05-09 | 2021-11-26 | 北京康兴顺达科贸有限公司 | 基于深度学习对胸部增强ct图像的后处理方法 |
| CN115916081A (zh) * | 2020-06-22 | 2023-04-04 | 弗拉克泰尔健康公司 | 具有流体递送控制台的组织处理系统 |
| AU2020101581A4 (en) * | 2020-07-31 | 2020-09-17 | Ampavathi, Anusha MS | Lymph node metastases detection from ct images using deep learning |
| CN112215807A (zh) * | 2020-09-24 | 2021-01-12 | 北京航空航天大学 | 基于深度学习的细胞图像自动分类方法及系统 |
| CN112529042A (zh) * | 2020-11-18 | 2021-03-19 | 南京航空航天大学 | 一种基于双重注意力多示例深度学习的医学图像分类方法 |
| CN112509060A (zh) * | 2020-12-10 | 2021-03-16 | 浙江明峰智能医疗科技有限公司 | 基于图像深度学习的ct二次扫描定位方法、系统及计算机可读存储介质 |
| US20230057653A1 (en) * | 2021-08-23 | 2023-02-23 | Siemens Healthcare Gmbh | Method and system and apparatus for quantifying uncertainty for medical image assessment |
| US11443531B1 (en) * | 2021-12-16 | 2022-09-13 | Plusai, Inc. | Methods and apparatus for automatic collection of under-represented data for improving a training of a machine learning model |
| CN114972362A (zh) * | 2022-05-11 | 2022-08-30 | 重庆理工大学 | 一种基于RMAU-Net网络的医学图像自动分割方法与系统 |
| CN114972307A (zh) * | 2022-06-20 | 2022-08-30 | 重庆智泊特机器人有限公司 | 基于深度学习的毛囊自动识别方法和系统及植发机器人 |
| CN115588038A (zh) * | 2022-10-19 | 2023-01-10 | 沈阳工业大学 | 一种多视角深度估计方法 |
| CN116071790A (zh) * | 2022-12-30 | 2023-05-05 | 佳都科技集团股份有限公司 | 掌静脉图像质量评估方法、装置、设备及存储介质 |
| CN116758336A (zh) * | 2023-05-26 | 2023-09-15 | 广东益达医疗科技有限公司 | 一种基于人工智能的医学图像智能分析系统 |
Non-Patent Citations (3)
| Title |
|---|
| LI X X ET AL: "Comprehensive Analysis of the Tumor Microenvironment and Ferroptosis-Related Genes Predict Prognosis with Ovarian Cancer", 《FRONTIERS IN GENETICS》 * |
| 杨颖等: "基于3D打印技术的乳腺肿瘤精准定位改进方法及辅助装置的研究", 《中国医疗设备》, vol. 35, no. 10 * |
| 邹恒等: "机器人辅助胰十二指肠切除术学习曲线及与同期开放手术对比分析", 《机器人外科学杂志(中英文)》, vol. 01, no. 03 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116958128B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108389201B (zh) | 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法 | |
| CN111488921B (zh) | 一种全景数字病理图像智能分析系统及方法 | |
| CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
| CN107464250B (zh) | 基于三维mri图像的乳腺肿瘤自动分割方法 | |
| KR101977174B1 (ko) | 영상 분석 방법, 장치 및 컴퓨터 프로그램 | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| KR102108050B1 (ko) | 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치 | |
| CN110633758A (zh) | 针对小样本或样本不平衡的癌症区域检测定位的方法 | |
| CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
| CN112101451A (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
| CN106462746A (zh) | 分析数字全息显微术数据以用于血液学应用 | |
| CN105931226A (zh) | 基于深度学习的自适应椭圆拟合细胞自动检测分割方法 | |
| KR102045223B1 (ko) | 골 연령 분석 방법, 장치 및 컴퓨터 프로그램 | |
| Pan et al. | Cell detection in pathology and microscopy images with multi-scale fully convolutional neural networks | |
| CN105640577A (zh) | 一种自动检测放射影像中局部性病变的方法和系统 | |
| Naresh et al. | Early detection of lung cancer using neural network techniques | |
| CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
| CN104680185B (zh) | 基于边界点重分类的高光谱图像分类方法 | |
| Jena et al. | Morphological feature extraction and KNG‐CNN classification of CT images for early lung cancer detection | |
| CN114782948B (zh) | 一种对宫颈液基细胞学涂片的全局判读方法及系统 | |
| CN115661029A (zh) | 基于YOLOv5的肺结节检测与识别系统 | |
| CN114267434A (zh) | 一种基于影像组学的癌患者肿瘤图像勾画方法 | |
| CN116468690B (zh) | 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统 | |
| CN112927215A (zh) | 一种消化道活检病理切片自动分析方法 | |
| CN116958128B (zh) | 基于深度学习的医学图像自动定位方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |