CN117038054A - 基于ai与pacs系统协同的辅助诊断方法及装置 - Google Patents
基于ai与pacs系统协同的辅助诊断方法及装置 Download PDFInfo
- Publication number
- CN117038054A CN117038054A CN202310798287.6A CN202310798287A CN117038054A CN 117038054 A CN117038054 A CN 117038054A CN 202310798287 A CN202310798287 A CN 202310798287A CN 117038054 A CN117038054 A CN 117038054A
- Authority
- CN
- China
- Prior art keywords
- focus
- exogenous
- image data
- pacs
- training data
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 92
- 238000001514 detection method Methods 0.000 claims abstract description 81
- 238000002372 labelling Methods 0.000 claims abstract description 36
- 238000004891 communication Methods 0.000 claims abstract description 31
- 238000007689 inspection Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 14
- 238000002405 diagnostic procedure Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003384 imaging method Methods 0.000 claims description 10
- 230000003902 lesion Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 239000003814 drug Substances 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000003032 molecular docking Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 210000001503 joint Anatomy 0.000 description 6
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000003709 image segmentation 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
- 230000005311 nuclear magnetism Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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
- 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
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- G06T2207/10116—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]
-
- 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
- G06T2207/20112—Image segmentation details
-
- 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
- G06T2207/20172—Image enhancement details
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种基于AI与PACS系统协同的辅助诊断方法及装置,方法包括:从影像归档和通信PACS系统中获取影像数据;将影像数据输入至病灶检测模型中,得到病灶检测模型输出的病灶诊断结果;其中,病灶检测模型是基于外源训练数据和外源训练数据对应的标签训练得到的;根据病灶诊断结果,将病灶诊断结果标注在对应影像数据上,得到标注序列,并将标注序列推送至PACS系统中。本发明通过在原有PACS系统工作流程中,融合AI系统,方便医生基于同一识别标识,同时看到标注序列和原始影像数据,便于医生查看验证,提高了工作效率。
Description
技术领域
本发明涉及影像处理技术领域,尤其涉及一种基于AI与PACS系统协同的辅助诊断方法及装置。
背景技术
PACS系统(Picture Archiving and Communication Systems)意为影像归档和通信系统,是应用在医院影像科室的系统,主要任务就是将日常产生的各种医学影像(包括核磁,CT,超声,各种X光机,各种红外仪、显微仪等设备产生的图像)通过各种接口(模拟,DICOM,网络)以数字化的方式海量保存起来,当需要的时候在一定的授权下能够很快的调回使用,同时增加一些辅助诊断管理功能。它在各种影像设备间传输数据和组织存储数据具有重要作用。然而,现有PACS系统对患者病灶体积测量误差大;同时,不能同步患者完整的影像数据,当患者需要到其他医院就诊或转诊时,医院要求患者重新做影像检查,费时费钱。而基于AI的医学影像辅助诊断系统,能够准确、快速的找到影像中的怀疑病灶,对医学影像上的病灶检出。
然而,现阶段各种应用于医疗领域的AI人工智能系统产品还存在一些问题,操作界面不统一,与院内PACS系统对接繁琐,给院内医生带来繁重的学习成本和部署成本;只在一家医院内部部署,造成大量的服务器资源浪费,且患者的AI报告数据不能在别的院区调用,造成不必要的重复进行AI分析检查;院内PACS在对接第三方AI服务端时,影像传输、AI结果存储、AI结果查看等接口都需要开发人员重复进行开发对接。
发明内容
本发明提供一种基于AI与PACS系统协同的辅助诊断方法及装置,用以解决现有技术中AI系统与PACS系统完全独立以致影响工作效率的缺陷,简化部署成本,便于医生日常工作,提高工作效率。
本发明提供一种基于AI与PACS系统协同的辅助诊断方法,包括:从影像归档和通信PACS系统中获取影像数据;将所述影像数据输入至病灶检测模型中,得到所述病灶检测模型输出的病灶诊断结果;其中,所述病灶检测模型是基于外源训练数据和外源训练数据对应的标签训练得到的;根据所述病灶诊断结果,将所述病灶诊断结果标注在对应影像数据上,得到标注序列,并将所述标注序列推送至所述PACS系统中。
根据本发明提供的一种基于AI与PACS系统协同的辅助诊断方法,训练所述病灶检测模型,包括:获取外源训练数据和所述外源训练数据对应的标签;将所述外源训练数据作为训练使用的输入数据,将所述外源训练数据对应的标签作为标签,对待训练模型进行训练,得到用于对所述影像数据进行病灶检测的病灶检测模型。
根据本发明提供的一种基于AI与PACS系统协同的辅助诊断方法,所述获取外源训练数据和所述外源训练数据对应的标签,包括:获取外源训练数据;对所述外源训练数据进行预处理;其中,所述预处理包括去噪、增强和平滑处理中的至少一种;对经预处理后的外源训练数据进行分割处理,得到分割图像;根据所述分割图像,得到病灶图像;对所述病灶图像进行识别,得到病灶识别结果,并根据所述病灶识别结果对所述病灶图像进行标注,得到所述外源训练数据对应的标签。
根据本发明提供的一种基于AI与PACS系统协同的辅助诊断方法,所述从影像归档和通信PACS系统中获取影像数据,包括:获取放射科信息RIS系统中检查更新实例的识别标识;根据检查更新实例的识别标识,从所述PACS系统中获取对应影像数据。
根据本发明提供的一种基于AI与PACS系统协同的辅助诊断方法,所述获取放射科信息RIS系统中检查更新实例的识别标识,包括:接收所述RIS系统的更新通知;根据所述更新通知,得到检查更新实例及所述检查更新实例的识别标识;或者,
基于预设查询周期,查询所述RIS系统中的检查实例数据;根据查询到的检查实例数据,确定检查更新实例;根据所述检查更新实例,得到所述检查更新实例的识别标识。
根据本发明提供的一种基于AI与PACS系统协同的辅助诊断方法,在所述获取放射科信息RIS系统中检查更新实例的识别标识之前,包括:基于预设接口与所述RIS系统进行对接;
在所述根据检查更新实例的识别标识,从所述PACS系统中获取对应影像数据之前,包括:基于DICOM标准协议与所述PACS系统进行对接。
根据本发明提供的一种基于AI与PACS系统协同的辅助诊断方法,在所述基于预设接口与所述RIS系统进行对接之后,包括:通过用户名/密码进行RIS系统数据库的连接验证,并基于验证通过,获取RIS系统中的检查更新实例的识别标识;
在所述基于医学数字成像和通信DICOM标准协议与PACS系统进行对接之后,包括:通过医学数字成像和通信DICOM协议的IP/PORT/AET进行验证,并基于验证通过,获取PACS系统内的影像数据。
本发明还提供一种基于AI与PACS系统协同的辅助诊断装置,包括:影像获取模块,从影像归档和通信PACS系统中获取影像数据;病灶检测模块,将所述影像数据输入至病灶检测模型中,得到所述病灶检测模型输出的病灶诊断结果;其中,所述病灶检测模型是基于外源训练数据和外源训练数据对应的标签训练得到的;标注模块,根据所述病灶诊断结果,将所述病灶诊断结果标注在对应影像数据上,得到标注序列,并将所述标注序列推送至所述PACS系统中。
本发明还提供一种电子设备,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如上述任一种所述基于AI与PACS系统协同的辅助诊断方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于AI与PACS系统协同的辅助诊断方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于AI与PACS系统协同的辅助诊断方法的步骤。
本发明提供的基于AI与PACS系统协同的辅助诊断方法及装置,通过从PACS系统中获取影像数据,以利用病灶检测模型对其进行病灶检测,并根据病灶检测模型输出的病灶诊断结果对影像数据进行标注,从而得到与影像数据共享同一识别标识的标注序列,并将标注序列推送至PACS系统中,从而在原有PACS系统工作流程中,融合AI系统,方便医生基于同一识别标识,同时看到标注序列和原始影像数据,便于医生查看验证,提高了工作效率。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的基于AI与PACS系统协同的辅助诊断方法的流程示意图;
图2是本发明提供的训练病灶检测模型的流程示意图;
图3是本发明提供的基于AI与PACS系统协同的辅助诊断装置的结构示意图;
图4是本发明提供的训练模块的结构示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
图1示出了一种基于AI与PACS系统协同的辅助诊断方法的流程示意图,该方法,包括:
S11,从影像归档和通信PACS系统中获取影像数据;
S12,将影像数据输入至病灶检测模型中,得到病灶检测模型输出的病灶诊断结果;其中,病灶检测模型是基于外源训练数据和外源训练数据对应的标签训练得到的;
S13,根据病灶诊断结果,将病灶诊断结果标注在对应影像数据上,得到标注序列,并将标注序列推送至PACS系统中。
需要说明的是,本说明书中的S1N不代表基于AI与PACS系统协同的辅助诊断方法的先后顺序,下面具体结合图2描述本发明的基于AI与PACS系统协同的辅助诊断方法。
步骤S11,从影像归档和通信PACS系统中获取影像数据。
在本实施例中,从影像归档和通信系统(Picture Archiving and CommunicationSystems,PACS)中获取影像数据,包括:获取放射科信息(Radiology Information System,RIS)系统中检查更新实例的识别标识;根据检查更新实例的识别标识,从PACS系统中获取对应影像数据。
在一种可能的实现方式中,获取放射科信息RIS系统中检查更新实例的识别标识,包括:接收RIS系统的更新通知;根据更新通知,得到检查更新实例及检查更新实例的识别标识。需要说明的是,识别标识可以根据实际检查实例对应的特定标识确定,比如可以为ID号。
在另一种可能的实现方式中,获取放射科信息RIS系统中检查更新实例的识别标识,包括:基于预设查询周期,查询RIS系统中的检查实例数据;根据查询到的检查实例数据,确定检查更新实例;根据检查更新实例,得到检查更新实例的识别标识。
应当注意的是,为了便于定时查询RIS系统中的数据,或接收RIS系统推送的更新通知,在获取放射科信息RIS系统中检查更新实例的识别标识之前,包括:基于预设接口与RIS系统进行对接。需要说明的是,预设接口可以为由RIS厂商方或院方提供的接口,一般以数据库视图或API接口的形式提供。
另外,在基于预设接口与RIS系统进行对接之后,包括:通过用户名/密码进行RIS系统数据库的连接验证,并基于验证通过,获取RIS系统中的检查更新实例的识别标识。
同样的,为了便于从PACS系统中获取相应的影像数据,在根据检查更新实例的识别标识,从PACS系统中获取对应影像数据之前,包括:基于医学数字成像和通信标准协议(Digital Imaging and Communications in Medicine,DICOM)与PACS系统进行对接。
另外,在基于医学数字成像和通信DICOM标准协议与PACS系统进行对接之后,包括:通过DICOM协议的互联网IP协议地址/接口PORT/高级规避AET技术进行验证,并基于验证通过,获取PACS系统内的影像数据。需要说明的是,AI的IP/PORT/AET须在PACS中注册为有效设备方可进行通信。
步骤S12,将影像数据输入至病灶检测模型中,得到病灶检测模型输出的病灶诊断结果;其中,病灶检测模型是基于外源训练数据和外源训练数据对应的标签训练得到的。
在本实施例中,病灶检测模型,包括:特征提取层,根据输入的影像数据进行特征提取,得到病灶特征;病灶检测层,对病灶特征进行病灶检测,得到病灶诊断结果;其中,病灶诊断结果包括病灶检测结果以及病灶标识,病灶检测结果用于表征对应影像数据的病灶,病灶标识用于标识影像数据中的用于确定病灶的图像部分。
需要说明的是,病灶标识可以采用2D框对影像数据中的用于确定病灶的图像部分进行框选,病灶标识也可以采用像素改变的形式对影像数据中的用于确定病灶的图像部分进行变色,具体可以根据设计需求和使用需求设置,此处不作进一步地限定,通过病灶标识可以便于后续医生基于病灶标识进一步确认病灶检测结果的准确性,便于医生查看验证。
相应地,将影像数据输入至病灶检测模型中,得到病灶检测模型输出的病灶诊断结果,包括:将影像数据输入至特征提取层中进行特征提取,得到特征提取层输出的病灶特征;将病灶特征输入至病灶检测层中进行病灶检测,得到病灶检测层输出的病灶诊断结果。
在一个可选实施例中,参考图2,在将影像数据输入至病灶检测模型中之前,包括训练病灶检测模型。具体而言,训练病灶检测模型,包括:
S21,获取外源训练数据和外源训练数据对应的标签。
在本实施例中,获取外源训练数据和外源训练数据对应的标签,包括:获取外源训练数据;对外源训练数据进行预处理;其中,预处理包括去噪、增强和平滑处理中的至少一种;对经预处理后的外源训练数据进行分割处理,得到分割图像;根据分割图像,得到病灶图像;对病灶图像进行识别,得到病灶识别结果,并根据病灶识别结果对病灶图像进行标注,得到外源训练数据对应的标签。
需要补充的是,在对外源训练数据进行分割处理时,可以采用图像分割算法对外源训练数据进行图像分割,以将外源训练数据分割成多个分割图像,进而便于后续从分割得到的多个图像中去掉无关病灶部分的影像,保留与病灶相关的分割图像,从而便于对保留的病灶图像进行识别,并根据病灶识别结果进行标注,得到相应的标签。
S22,将外源训练数据作为训练使用的输入数据,将外源训练数据对应的标签作为标签,对待训练模型进行训练,得到用于对影像数据进行病灶检测的病灶检测模型。
需要说明的是,待训练模型可以是训练装置中内置的一有网络,该已有网络通常包括一个网络结构,也可以是用户指定的其他网络,如各种卷积神经网络、稀疏编码网络、栈自动编码器、受限玻尔兹曼机和深度信念网络等,具体可以根据实际涉及的病灶选择。待训练模型中通常包括特征提取层、病灶检测层和损失函数;按照预设的迭代规则,将上述外源训练数据输入至待训练模型中进行训练,得到训练后的病灶检测模型。
在本实施例中,对待训练模型进行训练,包括:将经预处理后的外源训练数据输入至待训练模型中,得到待训练模型输出的诊断训练结果;根据诊断训练结果和外源训练数据的标签,构建损失函数,并基于损失函数收敛,结束训练。
步骤S13,根据病灶诊断结果,将病灶诊断结果标注在对应影像数据上,得到标注序列,并将标注序列推送至PACS系统中。
需要说明的是,在将病灶诊断结果标注在对应影像数据上时,可以以像素绘制的形式将病灶诊断结果标注在对应影像数据上,以得到左上角标有注病灶诊断结果的影像数据,即标注序列。应当注意,标注序列与对应的影像数据的共享同一识别标识,以便于后续医生在PACS系统读片时可以基于同一识别标识,同时看到标注序列和原始影像数据,方便读片且提高了工作效率。
综上所述,本发明实施例通过从PACS系统中获取影像数据,以利用病灶检测模型对其进行病灶检测,并根据病灶检测模型输出的病灶诊断结果对影像数据进行标注,从而得到与影像数据共享同一识别标识的标注序列,并将标注序列推送至PACS系统中,从而在原有PACS系统工作流程中,融合AI系统,方便医生基于同一识别标识,同时看到标注序列和原始影像数据,便于医生查看验证,提高了工作效率。
下面对本发明提供的基于AI与PACS系统协同的辅助诊断装置进行描述,下文描述的基于AI与PACS系统协同的辅助诊断装置与上文描述的基于AI与PACS系统协同的辅助诊断方法可相互对应参照。
图3示出了一种基于AI与PACS系统协同的辅助诊断装置的结构示意图,该装置,包括:
影像获取模块31,从影像归档和通信PACS系统中获取影像数据;
病灶检测模块32,将影像数据输入至病灶检测模型中,得到病灶检测模型输出的病灶诊断结果;其中,病灶检测模型是基于外源训练数据和外源训练数据对应的标签训练得到的;
标注模块33,根据病灶诊断结果,将病灶诊断结果标注在对应影像数据上,得到标注序列,并将标注序列推送至PACS系统中。
在本实施例中,影像获取模块31,包括:更新数据获取单元,获取放射科信息(Radiology Information System,RIS)系统中检查更新实例的识别标识;影像数据获取单元,根据检查更新实例的识别标识,从PACS系统中获取对应影像数据。
在一种可能的实现方式中,更新数据获取单元,包括:通知接收子单元,接收RIS系统的更新通知;更新数据获取子单元,根据更新通知,得到检查更新实例及检查更新实例的识别标识。
在另一种可能的实现方式中,更新数据获取单元,包括:数据查询子单元,基于预设查询周期,查询RIS系统中的检查实例数据;更新数据确定子单元,根据查询到的检查实例数据,确定检查更新实例;更新数据获取子单元,根据检查更新实例,得到检查更新实例的识别标识。
应当注意的是,为了便于定时查询RIS系统中的数据,或接收RIS系统推送的更新通知,该装置,还包括:第一对接模块,在获取放射科信息RIS系统中检查更新实例的识别标识之前,基于预设接口与RIS系统进行对接。需要说明的是,预设接口可以为由RIS厂商方或院方提供的接口,一般以数据库视图或API接口的形式提供。
另外,该装置,还包括:第一安全验证模块,在基于预设接口与RIS系统进行对接之后,通过用户名/密码进行RIS系统数据库的连接验证,并基于验证通过,获取RIS系统中的检查更新实例的识别标识。
同样的,为了便于从PACS系统中获取相应的影像数据,该装置,还包括:第二对接模块,在根据检查更新实例的识别标识,从PACS系统中获取对应影像数据之前,基于医学数字成像和通信DICOM标准协议与PACS系统进行对接。
另外,该装置,还包括:第二安全验证模块,在基于医学数字成像和通信DICOM标准协议与PACS系统进行对接之后,通过DICOM协议的互联网IP协议地址/接口PORT/高级规避AET技术进行验证,并基于验证通过,获取PACS系统内的影像数据。需要说明的是,AI的IP/PORT/AET须在PACS中注册为有效设备方可进行通信。
在本实施例中,病灶检测模型,包括:特征提取层,根据输入的影像数据进行特征提取,得到病灶特征;病灶检测层,对病灶特征进行病灶检测,得到病灶诊断结果;其中,病灶诊断结果包括病灶检测结果以及病灶标识,病灶检测结果用于表征对应影像数据的病灶,病灶标识用于标识影像数据中的用于确定病灶的图像部分。
相应地,病灶检测模块32,包括:特征获取单元,将影像数据输入至特征提取层中进行特征提取,得到特征提取层输出的病灶特征;病灶检测单元,将病灶特征输入至病灶检测层中进行病灶检测,得到病灶检测层输出的病灶诊断结果。
在一个可选实施例中,参考图4,该装置还包括:训练模块,在将影像数据输入至病灶检测模型中之前,训练病灶检测模型。具体而言,病灶检测模型,包括:数据获取单元41,获取外源训练数据和外源训练数据对应的标签;训练单元42,将外源训练数据作为训练使用的输入数据,将外源训练数据对应的标签作为标签,对待训练模型进行训练,得到用于对影像数据进行病灶检测的病灶检测模型。
更进一步地说,数据获取单元,包括:数据获取子单元,获取外源训练数据;预处理子单元,对外源训练数据进行预处理;其中,预处理包括去噪、增强和平滑处理中的至少一种;分割处理子单元,对经预处理后的外源训练数据进行分割处理,得到分割图像;图像获取子单元,根据分割图像,得到病灶图像;标签获取子单元,对病灶图像进行识别,得到病灶识别结果,并根据病灶识别结果对病灶图像进行标注,得到外源训练数据对应的标签。
另外,训练单元,包括:诊断结果预测子单元,将经预处理后的外源训练数据输入至待训练模型中,得到待训练模型输出的诊断训练结果;训练子单元,根据诊断训练结果和外源训练数据的标签,构建损失函数,并基于损失函数收敛,结束训练。
标注模块33,包括:标注单元,根据病灶诊断结果,将病灶诊断结果标注在对应影像数据上,得到标注序列;数据推送单元,将标注序列推送至PACS系统中。
综上所述,本发明实施例通过影像获取模块从PACS系统中获取影像数据,以通过病灶检测模块利用病灶检测模型对其进行病灶检测,并通过标注模块根据病灶检测模型输出的病灶诊断结果对影像数据进行标注,从而得到与影像数据共享同一识别标识的标注序列,以将标注序列推送至PACS系统中,从而在原有PACS系统工作流程中,融合AI系统,方便医生基于同一识别标识,同时看到标注序列和原始影像数据,便于医生查看验证,提高了工作效率。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)51、通信接口(Communications Interface)52、存储器(memory)53和通信总线54,其中,处理器51,通信接口52,存储器53通过通信总线54完成相互间的通信。处理器51可以调用存储器53中的逻辑指令,以执行基于AI与PACS系统协同的辅助诊断方法,该方法包括:从影像归档和通信PACS系统中获取影像数据;将影像数据输入至病灶检测模型中,得到病灶检测模型输出的病灶诊断结果;其中,病灶检测模型是基于外源训练数据和外源训练数据对应的标签训练得到的;根据病灶诊断结果,将病灶诊断结果标注在对应影像数据上,得到标注序列,并将标注序列推送至PACS系统中。
此外,上述的存储器53中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于AI与PACS系统协同的辅助诊断方法,该方法包括:从影像归档和通信PACS系统中获取影像数据;将影像数据输入至病灶检测模型中,得到病灶检测模型输出的病灶诊断结果;其中,病灶检测模型是基于外源训练数据和外源训练数据对应的标签训练得到的;根据病灶诊断结果,将病灶诊断结果标注在对应影像数据上,得到标注序列,并将标注序列推送至PACS系统中。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于AI与PACS系统协同的辅助诊断方法,该方法包括:从影像归档和通信PACS系统中获取影像数据;将影像数据输入至病灶检测模型中,得到病灶检测模型输出的病灶诊断结果;其中,病灶检测模型是基于外源训练数据和外源训练数据对应的标签训练得到的;根据病灶诊断结果,将病灶诊断结果标注在对应影像数据上,得到标注序列,并将标注序列推送至PACS系统中。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于AI与PACS系统协同的辅助诊断方法,其特征在于,包括:
从影像归档和通信PACS系统中获取影像数据;
将所述影像数据输入至病灶检测模型中,得到所述病灶检测模型输出的病灶诊断结果;其中,所述病灶检测模型是基于外源训练数据和外源训练数据对应的标签训练得到的;
根据所述病灶诊断结果,将所述病灶诊断结果标注在对应影像数据上,得到标注序列,并将所述标注序列推送至所述PACS系统中。
2.根据权利要求1所述的基于AI与PACS系统协同的辅助诊断方法,其特征在于,训练所述病灶检测模型,包括:
获取外源训练数据和所述外源训练数据对应的标签;
将所述外源训练数据作为训练使用的输入数据,将所述外源训练数据对应的标签作为标签,对待训练模型进行训练,得到用于对所述影像数据进行病灶检测的病灶检测模型。
3.根据权利要求2所述的基于AI与PACS系统协同的辅助诊断方法,其特征在于,所述获取外源训练数据和所述外源训练数据对应的标签,包括:
获取外源训练数据;
对所述外源训练数据进行预处理;其中,所述预处理包括去噪、增强和平滑处理中的至少一种;
对经预处理后的外源训练数据进行分割处理,得到分割图像;
根据所述分割图像,得到病灶图像;
对所述病灶图像进行识别,得到病灶识别结果,并根据所述病灶识别结果对所述病灶图像进行标注,得到所述外源训练数据对应的标签。
4.根据权利要求1所述的基于AI与PACS系统协同的辅助诊断方法,其特征在于,所述从影像归档和通信PACS系统中获取影像数据,包括:
获取放射科信息RIS系统中检查更新实例的识别标识;
根据检查更新实例的识别标识,从所述PACS系统中获取对应影像数据。
5.根据权利要求4所述的基于AI与PACS系统协同的辅助诊断方法,其特征在于,所述获取放射科信息RIS系统中检查更新实例的识别标识,包括:
接收所述RIS系统的更新通知;
根据所述更新通知,得到检查更新实例及所述检查更新实例的识别标识;或者,
基于预设查询周期,查询所述RIS系统中的检查实例数据;
根据查询到的检查实例数据,确定检查更新实例;
根据所述检查更新实例,得到所述检查更新实例的识别标识。
6.根据权利要求4所述的基于AI与PACS系统协同的辅助诊断方法,其特征在于,在所述获取放射科信息RIS系统中检查更新实例的识别标识之前,包括:基于预设接口与所述RIS系统进行对接;
在所述根据检查更新实例的识别标识,从所述PACS系统中获取对应影像数据之前,包括:基于医学数字成像和通信DICOM标准协议与所述PACS系统进行对接。
7.根据权利要求6所述的基于AI与PACS系统协同的辅助诊断方法,其特征在于,在所述基于预设接口与所述RIS系统进行对接之后,包括:通过用户名/密码进行RIS系统数据库的连接验证,并基于验证通过,获取RIS系统中的检查更新实例的识别标识;
在所述基于医学数字成像和通信DICOM标准协议与PACS系统进行对接之后,包括:通过DICOM协议的互联网IP协议地址/接口PORT/高级规避AET技术进行验证,并基于验证通过,获取PACS系统内的影像数据。
8.一种基于AI与PACS系统协同的辅助诊断装置,其特征在于,包括:
影像获取模块,从影像归档和通信PACS系统中获取影像数据;
病灶检测模块,将所述影像数据输入至病灶检测模型中,得到所述病灶检测模型输出的病灶诊断结果;其中,所述病灶检测模型是基于外源训练数据和外源训练数据对应的标签训练得到的;
标注模块,根据所述病灶诊断结果,将所述病灶诊断结果标注在对应影像数据上,得到标注序列,并将所述标注序列推送至所述PACS系统中。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述基于AI与PACS系统协同的辅助诊断方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于AI与PACS系统协同的辅助诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310798287.6A CN117038054A (zh) | 2023-06-30 | 2023-06-30 | 基于ai与pacs系统协同的辅助诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310798287.6A CN117038054A (zh) | 2023-06-30 | 2023-06-30 | 基于ai与pacs系统协同的辅助诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117038054A true CN117038054A (zh) | 2023-11-10 |
Family
ID=88623339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310798287.6A Pending CN117038054A (zh) | 2023-06-30 | 2023-06-30 | 基于ai与pacs系统协同的辅助诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117038054A (zh) |
-
2023
- 2023-06-30 CN CN202310798287.6A patent/CN117038054A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10755411B2 (en) | Method and apparatus for annotating medical image | |
CN102612696B (zh) | 具有报告验证器和报告增强器的医学信息系统 | |
EP2304929B1 (en) | Image data fraud detection systems | |
CN111161822A (zh) | 医学影像人工智能诊断数据管理系统及其管理方法 | |
CN107273698B (zh) | 人工智能训练标准库的处理与检测方法、系统 | |
CN107978362B (zh) | 在医院网络中利用数据分布的查询 | |
US20180166162A1 (en) | Medical system | |
CN102365641A (zh) | 基于诊断信息自动检索报告模板的系统 | |
CN113168912B (zh) | 使用深度学习确定3d数据集中对象的增长速度 | |
US10120976B2 (en) | Methods, systems, and computer readable media for integrating medical imaging data in a data warehouse | |
CN110210234B (zh) | 转诊时医疗信息的迁移方法、装置、计算机设备和存储介质 | |
US11164309B2 (en) | Image analysis and annotation | |
CN113656706A (zh) | 基于多模态深度学习模型的信息推送方法及装置 | |
CN115862831B (zh) | 一种智能在线预约诊疗管理系统及方法 | |
CN104732086A (zh) | 基于云计算的疾病计算机辅助检测系统 | |
CN118098558A (zh) | 基于对话功能的x光影像诊断方法、装置及电子设备 | |
CN112331329A (zh) | 以个人装置进行手骨骨龄即时判读的系统及方法 | |
JP7278256B2 (ja) | 画像獲得ワークフローを最適化するためのデバイス、システム、及び方法 | |
CN110197722B (zh) | Ai-cpu系统平台 | |
CN117038054A (zh) | 基于ai与pacs系统协同的辅助诊断方法及装置 | |
KR101938376B1 (ko) | 웹기반으로 임상시험 의료영상을 관리하는 시스템, 방법 및 프로그램 | |
Pivithuru et al. | E-patient Card: An Integrated Electronic Health Recording System for Patient | |
CN114140810B (zh) | 用于文档结构化识别的方法、设备和介质 | |
WO2021095698A1 (ja) | 生成装置および生成方法 | |
US20240194308A1 (en) | Mapping of a database field in an electronic health record to a question on a clinical trial case report form (crf) using the electronic data document (edd) |
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 |