CN117393137A - 一种基于人工智能的医疗影像设备监测方法及系统 - Google Patents
一种基于人工智能的医疗影像设备监测方法及系统 Download PDFInfo
- Publication number
- CN117393137A CN117393137A CN202311666933.XA CN202311666933A CN117393137A CN 117393137 A CN117393137 A CN 117393137A CN 202311666933 A CN202311666933 A CN 202311666933A CN 117393137 A CN117393137 A CN 117393137A
- Authority
- CN
- China
- Prior art keywords
- medical image
- accuracy
- image
- medical
- error
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 50
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 230000005856 abnormality Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- KXLUWEYBZBGJRZ-POEOZHCLSA-N Canin Chemical compound O([C@H]12)[C@]1([C@](CC[C@H]1C(=C)C(=O)O[C@@H]11)(C)O)[C@@H]1[C@@]1(C)[C@@H]2O1 KXLUWEYBZBGJRZ-POEOZHCLSA-N 0.000 description 1
- GPFVKTQSZOQXLY-UHFFFAOYSA-N Chrysartemin A Natural products CC1(O)C2OC2C34OC3(C)CC5C(CC14)OC(=O)C5=C GPFVKTQSZOQXLY-UHFFFAOYSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007619 statistical method Methods 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
- 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
- G16H40/40—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 of medical equipment or devices, e.g. scheduling maintenance or upgrades
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种基于人工智能的医疗影像设备监测方法及系统,涉及设备监测技术领域。在该方法中,获取医疗影像设备采集的医疗图像;对各医疗图像进行识别,得到各医疗图像的图像外观准确度误差;基于图像外观准确度误差,从多个医疗图像中筛选得到第一医疗图像和第二医疗图像;对各第二医疗图像进行图像特征准确度识别,得到准确度监测值;基于准确度监测值,从多个第二医疗图像中筛选得到第三医疗图像;从多个医疗影像设备中确定第一医疗图像对应的第一医疗影像设备和第三医疗图像对应的第二医疗影像设备,并确定第一医疗影像设备和第二医疗影像设备存在设备异常监测情况。实施本申请的技术方案,可以有效提高评估医疗影像设备的工作状态的准确度和可信度。
Description
技术领域
本申请涉及设备监测技术领域,具体涉及一种基于人工智能的医疗影像设备监测方法及系统。
背景技术
在医疗器械细分领域中,体外诊断器械、医疗影像设备、低值医疗耗材为医疗器械细分领域中占比最大的三种类型。随着科技的不断进步,各类医疗影像设备层出不穷。随着医疗影像设备整体数量的不断增长,如何对各类医疗影像设备进行监测从而确定医疗影像设备的工作状态则成为了需要着重关注的问题。
现如今,对各类医疗影像设备进行监测从而确定医疗影像设备的工作状态的方法,多为专业医疗人员对医疗影像设备采集的医疗图像进行人眼辨别,判断该医疗图像是否符合标准进而判断医疗影像设备的工作状态是否正常。然而,这种监测医疗影像设备工作状态的方式的主观性较强,进而导致评估医疗影像设备的工作状态的准确度和可信度较低。
因此,亟需一种基于人工智能的医疗影像设备监测方法及系统来解决当前技术存在的问题。
发明内容
本申请提供了一种基于人工智能的医疗影像设备监测方法及系统,可以有效提高评估医疗影像设备的工作状态的准确度和可信度。
第一方面,本申请提供了一种基于人工智能的医疗影像设备监测方法,所述方法包括:获取各个医疗影像设备采集的医疗图像;对各所述医疗图像进行图像外观识别,得到各所述医疗图像对应的图像外观准确度误差;基于所述图像外观准确度误差,从多个所述医疗图像中筛选得到第一医疗图像和第二医疗图像;所述第一医疗图像为所述图像外观准确度误差大于预设外观误差阈值对应的医疗图像,所述第二医疗图像为所述图像外观准确度误差不大于预设外观误差阈值对应的医疗图像;对各所述第二医疗图像进行图像特征准确度识别,得到准确度监测值;基于所述准确度监测值,从多个所述第二医疗图像中筛选得到第三医疗图像;从多个所述医疗影像设备中确定所述第一医疗图像对应的第一医疗影像设备和所述第三医疗图像对应的第二医疗影像设备,并确定所述第一医疗影像设备和所述第二医疗影像设备存在设备异常监测情况。
通过采用上述技术方案,首先从多个医疗影像设备中获取图像,为监测医疗影像设备的工作状态提供基础;再通过对各医疗图像进行图像外观识别,得到各医疗图像对应的图像外观准确度误差,以评估图像的视觉质量或清晰度,从而确定医疗影像设备采集的医疗图像对应的外观是否清晰准确。再对达到标准的图像即第二医疗图像进一步分析其图像特征准确度,得到第三医疗图像,以进一步监测潜在的设备异常。根据第一医疗图像和第三医疗图像的来源设备,从而确定存在采集医疗图像不清晰的异常医疗影像设备和提取特征不准确的异常医疗影像设备,从而实现在对医疗影像设备进行监测时,有效提高评估医疗影像设备的工作状态的准确度和可信度。
可选的,所述对各所述医疗图像进行图像外观识别,得到各所述医疗图像对应的图像外观准确度误差,具体包括:对各个所述医疗图像进行色彩精度识别,得到各个所述医疗图像对应的色彩精度;对各个所述医疗图像进行对比度识别,得到各个所述医疗图像对应的对比度;对各个所述医疗图像进行分辨率识别,得到各个所述医疗图像对应的分辨率;获取标定医疗图像对应的标定色彩精度、标定对比度以及标定分辨率;将所述色彩精度与所述标定色彩精度进行对比,得到第一准确度误差;将所述对比度与所述标定对比度进行对比,得到第二准确度误差;将所述分辨率与所述标定分辨率进行对比,得到第三准确度误差;基于所述第一准确度误差、所述第二准确度误差以及所述第三准确度误差,得到所述图像外观准确度误差。
通过采用上述技术方案,通过于评估医疗图像的视觉质量,包括颜色准确性、对比度和分辨率。通过比较这些质量指标与标定值,确定图像的外观准确度,从而帮助鉴别医疗图像的质量和准确性,进而确定是否存在采集医疗图像不清晰的异常医疗影像设备。
可选的,所述基于所述第一准确度误差、所述第二准确度误差以及所述第三准确
度误差,得到所述图像外观准确度误差,具体包括:通过以下公式计算得到所述图像外观准
确度误差:;其中,K为所述图像外观准确度误差,为所述
第一准确度误差,为所述第二准确度误差,为所述第三准确度误差,为第一误差
权重,为第二误差权重,为第三误差权重。
可选的,所述对各所述第二医疗图像进行图像特征准确度识别,得到准确度监测值,具体包括:将所述第二医疗图像划分为多个特征识别区域;每个所述特征识别区域中包括至少一个相关特征;从多个所述特征识别区域中识别得到至少一个相关特征识别区域;计算所述相关特征识别区域内各个所述相关特征对应的相关特征度量值;基于各个所述相关特征对应的相关特征度量值对各个所述相关特征进行变量赋值,得到多个赋值结果;基于所述相关特征识别区域对应的区域数量和多个所述赋值结果,得到准确度监测值。
通过采用上述技术方案,通过评估第二医疗图像中的提取特征的准确性和质量,通过将第二医疗图像分成多个特征识别区域,对每个特征识别区域内的特征进行度量和变量赋值,并综合考虑不同区域的特征准确度,从而得出用于监测图像特征准确度的值。从而有助于鉴别图像的特征质量和准确性,进而确定是否存在提取特征不准确的异常医疗影像设备。
可选的,所述从多个所述特征识别区域中识别得到至少一个相关特征识别区域,具体包括:获取各个所述特征识别区域中所述相关特征的第一数量;基于各个所述特征识别区域中所述相关特征的第一数量,从多个所述特征识别区域中识别得到至少一个相关特征识别区域,所述相关特征识别区域中所述相关特征的第二数量大于其余所述特征识别区域中所述相关特征的第一数量。
可选的,所述基于所述相关特征识别区域对应的区域数量和多个所述赋值结果,
得到准确度监测值,具体包括:基于各个所述相关特征识别区域对应的多个所述赋值结果,
计算得到各个所述相关特征识别区域对应的赋值总和;通过以下公式计算得到所述准确度
监测值:;其中,T为所述准确度监测值,
为第i个所述相关特征识别区域对应的赋值总和,n为正整数。
通过采用上述技术方案,通过从多个特征识别区域中筛选至少一个相关特征识别区域,以用于后续的特征质量评估。通过选择包含更多相关特征的区域,系统可以更好地针对这些区域进行特征准确度的评估,从而提高图像分析的精度和准确性。
可选的,所述基于所述准确度监测值,从多个所述第二医疗图像中筛选得到第三医疗图像,具体包括:获取标定医疗图像对应的标定准确度监测值;获取标定医疗图像的相关标定特征识别区域中相关标定特征的第三数量;基于所述标定准确度监测值和所述准确度监测值,得到第一误差率;基于所述第三数量和所述第二数量,得到第二误差率;基于所述第一误差率和所述第二误差率,从多个所述第二医疗图像中筛选得到第三医疗图像;所述第三医疗图像对应的所述第一误差率和所述第二误差率均大于预设的误差率阈值。
在本申请的第二方面提供了一种基于人工智能的医疗影像设备监测系统,所述系统包括获取模块、图像外观准确度误差识别模块、筛选模块、图像特征准确度识别模块以及设备异常确定模块;所述获取模块,用于获取各个医疗影像设备采集的医疗图像;所述图像外观准确度误差识别模块,用于对各所述医疗图像进行图像外观识别,得到各所述医疗图像对应的图像外观准确度误差;所述筛选模块,用于基于所述图像外观准确度误差,从多个所述医疗图像中筛选得到第一医疗图像和第二医疗图像;所述第一医疗图像为所述图像外观准确度误差大于预设外观误差阈值对应的医疗图像,所述第二医疗图像为所述图像外观准确度误差不大于预设外观误差阈值对应的医疗图像;所述图像特征准确度,用于对各所述第二医疗图像进行图像特征准确度识别,得到准确度监测值;所述筛选模块,还用于基于所述准确度监测值,从多个所述第二医疗图像中筛选得到第三医疗图像;所述设备异常确定模块,用于从多个所述医疗影像设备中确定所述第一医疗图像对应的第一医疗影像设备和所述第三医疗图像对应的第二医疗影像设备,并确定所述第一医疗影像设备和所述第二医疗影像设备存在设备异常监测情况。
在本申请的第三方面提供了一种电子设备,包括处理器、存储器、用户接口及网络接口,所述存储器用于存储指令,所述用户接口和网络接口用于给其它设备通信,所述处理器用于执行所述存储器中存储的指令,以使所述电子设备执行如本申请第一方面任意一项所述的方法。
在本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有能够被处理器加载并执行如本申请第一方面任意一项所述的方法的计算机程序。
综上所述,本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、首先从多个医疗影像设备中获取图像,为监测医疗影像设备的工作状态提供基础;再通过对各医疗图像进行图像外观识别,得到各医疗图像对应的图像外观准确度误差,以评估图像的视觉质量或清晰度,从而确定医疗影像设备采集的医疗图像对应的外观是否清晰准确。再对达到标准的图像即第二医疗图像进一步分析其图像特征准确度,得到第三医疗图像,以进一步监测潜在的设备异常。根据第一医疗图像和第三医疗图像的来源设备,从而确定存在采集医疗图像不清晰的异常医疗影像设备和提取特征不准确的异常医疗影像设备,从而实现在对医疗影像设备进行监测时,有效提高评估医疗影像设备的工作状态的准确度和可信度。
2、通过于评估医疗图像的视觉质量,包括颜色准确性、对比度和分辨率。通过比较这些质量指标与标定值,确定图像的外观准确度,从而帮助鉴别医疗图像的质量和准确性,进而确定是否存在采集医疗图像不清晰的异常医疗影像设备。
3、通过评估第二医疗图像中的提取特征的准确性和质量,通过将第二医疗图像分成多个特征识别区域,对每个特征识别区域内的特征进行度量和变量赋值,并综合考虑不同区域的特征准确度,从而得出用于监测图像特征准确度的值。从而有助于鉴别图像的特征质量和准确性,进而确定是否存在提取特征不准确的异常医疗影像设备。
4、通过从多个特征识别区域中筛选至少一个相关特征识别区域,以用于后续的特征质量评估。通过选择包含更多相关特征的区域,系统可以更好地针对这些区域进行特征准确度的评估,从而提高图像分析的精度和准确性。
附图说明
图1是本申请实施例提供的一种基于人工智能的医疗影像设备监测方法的流程示意图之一;
图2是本申请实施例提供的一种基于人工智能的医疗影像设备监测方法的流程示意图之二;
图3是本申请实施例提供的一种基于人工智能的医疗影像设备监测方法的流程示意图之三;
图4是本申请实施例提供的一种基于人工智能的医疗影像设备监测系统的结构示意图;
图5是本申请实施例公开的一种电子设备的结构示意图。
附图标记说明:1、获取模块;2、图像外观准确度误差识别模块;3、筛选模块;4、图像特征准确度识别模块;5、设备异常确定模块;500、电子设备;501、处理器;502、通信总线;503、用户接口;504、网络接口;505、存储器。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
在本申请实施例的描述中,“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“多个”的含义是指两个或两个以上。例如,多个系统是指两个或两个以上的系统,多个屏幕终端是指两个或两个以上的屏幕终端。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其它方式另外特别强调。
本申请提供了一种基于人工智能的医疗影像设备监测方法,参照图1,其示出了本申请实施例提供的一种基于人工智能的医疗影像设备监测方法的流程示意图之一。该方法包括步骤S11-S16,上述步骤如下:
步骤S11:获取各个医疗影像设备采集的医疗图像。
具体来说,在本技术方案中,服务器获取各个医疗影像设备采集的医疗图像。其中,医疗影像设备包括但不限于X射线设备、CT扫描设备、超声波设备、数字减影血管造影设备、牙科X射线设备等等。
步骤S12:对各医疗图像进行图像外观识别,得到各医疗图像对应的图像外观准确度误差。
具体来说,在本技术方案中,服务器对各医疗图像进行图像外观识别,得到各医疗图像对应的图像外观准确度误差。即服务器对各医疗图像的色彩精度、对比度以及分辨率进行识别,以确定各医疗图像对应的外观是否清晰准确。
在进行外观识别之前,服务器还需要对医疗图像进行一些预处理步骤,以确保数据的质量和一致性。预处理步骤包括去除噪音、调整亮度和对比度、裁剪或重采样图像等。
下述实施例将对服务器对各医疗图像进行图像外观识别,得到各医疗图像对应的图像外观准确度误差的步骤进行详细说明。
在一种可能的实施方式中,参照图2,其示出了本申请实施例提供的一种基于人工智能的医疗影像设备监测方法的流程示意图之二。步骤S12具体包括步骤S121-S128:
步骤S121:对各个医疗图像进行色彩精度识别,得到各个医疗图像对应的色彩精度。
具体来说,在本技术方案中,服务器对各个医疗图像进行色彩精度识别,得到各个医疗图像对应的色彩精度。
由于色彩精度的准确性对于诊断某些条件至关重要,尤其是在皮肤病学、病理学和其他需要高度色彩分辨率的医学领域。因此,确定各医疗图像对应的外观是否清晰准确,需要基于医疗图像对应的色彩精度进行考虑。
对各个医疗图像进行色彩精度识别即通过图像处理算法从各个医疗图像中获取关于颜色的数据,其数据可以以RGB(红绿蓝)或CMYK(青、品红、黄、黑)颜色模型的形式表示。
步骤S122:对各个医疗图像进行对比度识别,得到各个医疗图像对应的对比度。
具体来说,在本技术方案中,服务器对各个医疗图像进行对比度识别,得到各个医疗图像对应的对比度。
由于对图像的对比度进行精确的测量和评估,可以确保图像能够提供足够的细节。对比度误差的准确评估对于图像质量的监控和提升至关重要。因此,确定各医疗图像对应的外观是否清晰准确,还需要基于医疗图像对应的对比度进行考虑。
对各个医疗图像进行对比度识别即通过图像处理算法对各个医疗图像进行对比度识别,得到各个医疗图像对应的对比度。其中对比度识别的方法可以为首先使用直方图分析来获得一个总体的对比度评估,然后通过最亮与最暗区域的比较来进一步验证对比度的范围。最后再通过分析图像的局部区域来评估对比度是否在整幅图像中均匀分布。
步骤S123:对各个医疗图像进行分辨率识别,得到各个医疗图像对应的分辨率。
具体来说,在本技术方案中,服务器对各个医疗图像进行分辨率识别,得到各个医疗图像对应的分辨率。
由于医疗图像的分辨率直接影响到能够识别的细节水平,可以确保医疗影像设备提供的图像满足预定的清晰度和细节再现的标准。因此医疗图像的分辨率对于后续医护人员根据医疗图像进行诊断尤为重要。因此,确定各医疗图像对应的外观是否清晰准确,还需要基于医疗图像对应的分辨率进行考虑。
对各个医疗图像进行分辨率识别即通过图像处理算法对各个医疗图像进行分辨率识别,得到各个医疗图像对应的分辨率。其中,分辨率识别方法可以通过分析医疗图像的像素尺寸,即以像素计量图像的宽度和高度。再计算图像的像素密度,通常以每英寸像素(PPI)或每毫米像素(PPMM)表示。在一些医疗影像(如CT和MRI)中,分辨率也可以通过图像的体素尺寸来表示,体素是三维空间中的像素。
步骤S124:获取标定医疗图像对应的标定色彩精度、标定对比度以及标定分辨率。
具体来说,在本技术方案中,服务器获取标定医疗图像对应的标定色彩精度、标定对比度以及标定分辨率。其中,标定图像是具有已知质量参数(标定色彩精度、标定对比度以及标定分辨率)的图像,标定图像可以由医疗影像设备供应商提供,或者按照国际标准生成,或者使用全新的医疗影像设备采集得到。
步骤S125:将色彩精度与标定色彩精度进行对比,得到第一准确度误差。
具体来说,在本技术方案中,服务器将色彩精度与标定色彩精度进行对比,得到第一准确度误差。
首先服务器将确定用于比较色彩精度的标准,如CIE的色彩空间标准。再选择一个合适的色差公式,如CIEDE2000,这是一个常用来评估视觉上感知色差的公式。对于每个医疗图像,服务器将使用所选色差公式对标定图像与实际图像之间的每个颜色通道(例如RGB)进行差异计算,并将计算出的色彩误差转换为一个量化的数值,这个数值表达了实际图像的色彩与标准之间的偏离程度。
需要说明的是,第一准确度误差可以是一个综合的色彩误差值,也可以是不同颜色通道误差的集合。
步骤S126:将对比度与标定对比度进行对比,得到第二准确度误差。
具体来说,在本技术方案中,服务器将对比度与标定对比度进行对比,得到第二准确度误差。
首先服务器对比实际医疗图像与标定图像的对比度,计算两者之间的差异。对比度误差可以通过各种方法来衡量,例如比较最亮和最暗像素的亮度值差异,或者使用更复杂的对比度评价标准,例如调制传递函数(MTF)、峰值信噪比(PSNR)、全局对比度因子(GCF)等等。服务器再将计算出的对比度误差转换为一个量化的数值,其数值表达了实际图像与标准图像对比度之间的偏离程度。
需要说明的是,第二准确度误差可以是一个综合的对比度误差值,也可以是基于不同亮度区域的误差的集合。
步骤S127:将分辨率与标定分辨率进行对比,得到第三准确度误差。
具体来说,在本技术方案中,服务器将分辨率与标定分辨率进行对比,得到第三准确度误差。
首先服务器对比实际医疗图像与标定图像的分辨率,计算两者之间的差异。分辨率误差可以通过直接比较像素密度来衡量,或者通过更复杂的方法,例如评估图像中已知尺寸特征的清晰度来确定。服务器再将计算出的分辨率误差转换为一个量化的数值,表达了实际图像与标准图像分辨率之间的偏离程度。
需要说明的是,第三准确度误差可以是一个综合的分辨率误差值,也可以是基于不同图像区域的误差的集合。
步骤S128:基于第一准确度误差、第二准确度误差以及第三准确度误差,得到图像外观准确度误差。
具体来说,在本技术方案中,服务器基于第一准确度误差、第二准确度误差以及第三准确度误差,得到图像外观准确度误差。
在一种可能的实施方式中,步骤S128具体包括如下步骤:
通过以下公式计算得到图像外观准确度误差:
;
其中,K为图像外观准确度误差,为第一准确度误差,为第二准确度误差,为第三准确度误差,为第一误差权重,为第二误差权重,为第三误差权重。
具体来说,在本技术方案中,服务器将根据各项误差在临床诊断中的重要性确定第一误差权重、第二误差权重以及第三误差权重。权重的值可以由医疗图像的使用需求、专家意见或历史数据确定。服务器通过计算出K值以评价图像的整体质量,其中K值接近1则代表着图像的外观准确度误差越高,而K值较低则代表着图像质量较好。
步骤S13:基于图像外观准确度误差,从多个医疗图像中筛选得到第一医疗图像和第二医疗图像;第一医疗图像为图像外观准确度误差大于预设外观误差阈值对应的医疗图像,第二医疗图像为图像外观准确度误差不大于预设外观误差阈值对应的医疗图像。
具体来说,在本技术方案中,服务器基于图像外观准确度误差,从多个医疗图像中筛选得到第一医疗图像和第二医疗图像。
首先服务器需要设定一个外观准确度的阈值,即预设外观误差阈值。预设外观误差阈值基于医疗图像的应用需求和质量标准。服务器再将所有计算得到的K值与预设的外观准确度阈值进行比较,并筛选出那些K值大于预设阈值的医疗图像作为第一医疗图像。这些第一医疗图像为质量不合格的医疗图像,不适合用于后续的临床诊断或分析。服务器再筛选出那些K值不大于预设阈值的医疗图像作为第二医疗图像。这些第二医疗图像的质量可能不足以满足临床或分析要求,需要进一步地评估或处理。
步骤S14:对各第二医疗图像进行图像特征准确度识别,得到准确度监测值。
具体来说,在本技术方案中,服务器对各第二医疗图像进行图像特征准确度识别,得到准确度监测值。
由于医疗影像设备监测异常,会导致后续提取图像中的特征不准确,从而影响图像准确度监测。因此,服务器还需要对各第二医疗图像进行图像特征准确度识别,得到准确度监测值,以确定医疗影像设备采集的医疗图像是否可以准确地提取到图像中的特征。
下述实施例将对服务器对各第二医疗图像进行图像特征准确度识别,得到准确度监测值的方法进行详细说明。
在一种可能的实施方式中,参照图3,其示出了本申请实施例提供的一种基于人工智能的医疗影像设备监测方法的流程示意图之三。步骤S14具体包括步骤S141-S145:
步骤S141:将第二医疗图像划分为多个特征识别区域;每个特征识别区域中包括至少一个相关特征。
具体来说,在本技术方案中,服务器将第二医疗图像划分为多个特征识别区域。
服务器将第二医疗图像按照解剖结构、临床关注点或预定的图像分析模板划分为多个特征识别区域,每个区域可能对应图像中的一个或多个相关特征,例如特定的解剖标记、病理特征或图像质量指标。
步骤S142:从多个特征识别区域中识别得到至少一个相关特征识别区域。
具体来说,在本技术方案中,服务器从多个特征识别区域中识别得到至少一个相关特征识别区域。
在一种可能的实施方式中,步骤S142具体包括如下步骤:
获取各个特征识别区域中相关特征的第一数量。
具体来说,在本技术方案中,服务器获取各个特征识别区域中相关特征的第一数量。即服务器对每个特征识别区域进行分析,获取这些区域中相关特征的数量。
基于各个特征识别区域中相关特征的第一数量,从多个特征识别区域中识别得到至少一个相关特征识别区域,相关特征识别区域中相关特征的第二数量大于其余特征识别区域中相关特征的第一数量。
具体来说,在本技术方案中,服务器基于各个特征识别区域中相关特征的第一数量,从多个特征识别区域中识别得到至少一个相关特征识别区域。即服务器比较各个特征识别区域中的第一数量,以确定哪些区域的特征数量显著高于其他区域。再选择那些特征数量为第二数量超过其余区域的特征数量为第一数量的特征识别区域,即得到相关特征识别区域。相关特征识别区域显示出与目标状况更可能相关联的特征表达。
步骤S143:计算相关特征识别区域内各个相关特征对应的相关特征度量值。
具体来说,在本技术方案中,服务器计算相关特征识别区域内各个相关特征对应的相关特征度量值。
即服务器在每个选定的特征识别区域内,对相关的图像特征进行度量,这些度量值可以是特征的强度、面积、形状、纹理或其他任何定量指标。对于图像特征的度量,服务器可以通过图像处理软件中的分析工具来自动计算,计算得到的相关特征度量值可以是绝对的数值,如特征的平均像素强度,或者是相对的数值,比如与图像中其他区域或预先定义的标准相比较的结果。
步骤S144:基于各个相关特征对应的相关特征度量值对各个相关特征进行变量赋值,得到多个赋值结果。
具体来说,在本技术方案中,服务器基于各个相关特征对应的相关特征度量值对各个相关特征进行变量赋值,得到多个赋值结果。
服务器首先需要基于历史数据、专家意见、或者是从大量样本中得出的统计分析,设定一个赋值标准,用来将相关特征度量值转换为具体的数值。
再对每个相关特征识别区域中的相关特征,根据其相关特征度量值使用预定的赋值标准进行量化,并将相关特征度量值映射到一个标准化分数,比如0到10之间,一个高的相关特征度量值将转换为高的赋值结果,即表明该特征在该区域的表现显著。
步骤S145:基于相关特征识别区域对应的区域数量和多个赋值结果,得到准确度监测值。
具体来说,在本技术方案中,服务器基于相关特征识别区域对应的区域数量和多个赋值结果,得到准确度监测值。
在一种可能的实施方式中,步骤S145具体包括如下步骤:
基于各个相关特征识别区域对应的多个赋值结果,计算得到各个相关特征识别区域对应的赋值总和。
具体来说,在本技术方案中,服务器基于各个相关特征识别区域对应的多个赋值结果,计算得到各个相关特征识别区域对应的赋值总和。即服务器将各个相关特征识别区域对应的多个赋值结果相加,得到各个相关特征识别区域对应的赋值总和。
通过以下公式计算得到准确度监测值:
;
其中,T为准确度监测值,为第i个相关特征识别区域对应的赋值总和,n为正整
数。
具体来说,在本技术方案中,准确度监测值T为一个归一化的数值,用于表示整个图像在所有考虑的特征上的平均表现。准确度监测值越高,意味着图像特征的表示越符合预期标准,图像质量越好。
步骤S15:基于准确度监测值,从多个第二医疗图像中筛选得到第三医疗图像。
具体来说,在本技术方案中,服务器基于准确度监测值,从多个第二医疗图像中筛选得到第三医疗图像。
在一种可能的实施方式中,步骤S15具体包括如下步骤:
获取标定医疗图像对应的标定准确度监测值。
具体来说,在本技术方案中,服务器获取标定医疗图像对应的标定准确度监测值。
在服务器获取标定医疗图像对应的标定准确度监测值之前,需要计算标定医疗图像对应的标定准确度监测值。计算标定医疗图像对应的标定准确度监测值的方法与计算医疗图像对应的准确度监测值的方法一致,故在此不做过多赘述。
获取标定医疗图像的相关标定特征识别区域中相关标定特征的第三数量。
具体来说,在本技术方案中,服务器获取标定医疗图像的相关标定特征识别区域中相关标定特征的第三数量。即服务器对每个标定医疗图像的标定特征识别区域进行分析,获取这些区域中相关标定特征的数量,即第三数量。
基于标定准确度监测值和准确度监测值,得到第一误差率。
具体来说,在本技术方案中,服务器基于标定准确度监测值和准确度监测值,得到第一误差率。第一误差率=(标定准确度监测值-准确度监测值)/标定准确度监测值。
基于第三数量和第二数量,得到第二误差率。
具体来说,在本技术方案中,服务器基于第三数量和第二数量,得到第二误差率。第二误差率=(第三数量-第二数量)/第二误差率。
基于第一误差率和第二误差率,从多个第二医疗图像中筛选得到第三医疗图像;第三医疗图像对应的第一误差率和第二误差率均大于预设的误差率阈值。
具体来说,在本技术方案中,服务器基于第一误差率和第二误差率,从多个第二医疗图像中筛选得到第三医疗图像,第三医疗图像对应的第一误差率和第二误差率均大于预设的误差率阈值。其中,预设的误差率阈值可以根据临床诊断需求进行具体设定,对于高精度要求的诊断,误差率阈值应该设定得更低。
步骤S16:从多个医疗影像设备中确定第一医疗图像对应的第一医疗影像设备和第三医疗图像对应的第二医疗影像设备,并确定第一医疗影像设备和第二医疗影像设备存在设备异常监测情况。
具体来说,在本技术方案中,服务器从多个医疗影像设备中确定第一医疗图像对应的第一医疗影像设备和第三医疗图像对应的第二医疗影像设备,并确定第一医疗影像设备和第二医疗影像设备存在设备异常监测情况。
确定第一医疗图像对应的第一医疗影像设备和第三医疗图像对应的第二医疗影像设备,即确定第一医疗影像设备和第二医疗影像设备的设备型号、序列号等信息。在确定第一医疗影像设备和第二医疗影像设备存在设备异常监测情况之后,服务器还将发送预警信息至医护人员的管理终端,以提醒医护人员及时对第一医疗影像设备和第二医疗影像设备进行设备校准、维护或维修。
参照图4,其示出了本申请实施例提供的一种基于人工智能的医疗影像设备监测系统的结构示意图,系统包括获取模块1、图像外观准确度误差识别模块2、筛选模块3、图像特征准确度识别模块4以及设备异常确定模块5;获取模块1,用于获取各个医疗影像设备采集的医疗图像;图像外观准确度误差识别模块2,用于对各医疗图像进行图像外观识别,得到各医疗图像对应的图像外观准确度误差;筛选模块3,用于基于图像外观准确度误差,从多个医疗图像中筛选得到第一医疗图像和第二医疗图像;第一医疗图像为图像外观准确度误差大于预设外观误差阈值对应的医疗图像,第二医疗图像为图像外观准确度误差不大于预设外观误差阈值对应的医疗图像;图像特征准确度识别模块4,用于对各第二医疗图像进行图像特征准确度识别,得到准确度监测值;筛选模块3,还用于基于准确度监测值,从多个第二医疗图像中筛选得到第三医疗图像;设备异常确定模块5,用于从多个医疗影像设备中确定第一医疗图像对应的第一医疗影像设备和第三医疗图像对应的第二医疗影像设备,并确定第一医疗影像设备和第二医疗影像设备存在设备异常监测情况。
在一种可能的实施方式中,图像外观准确度误差识别模块2,还用于对各个医疗图像进行色彩精度识别,得到各个医疗图像对应的色彩精度;图像外观准确度误差识别模块2,还用于对各个医疗图像进行对比度识别,得到各个医疗图像对应的对比度;图像外观准确度误差识别模块2,还用于对各个医疗图像进行分辨率识别,得到各个医疗图像对应的分辨率;获取模块1,还用于获取标定医疗图像对应的标定色彩精度、标定对比度以及标定分辨率;图像外观准确度误差识别模块2,还用于将色彩精度与标定色彩精度进行对比,得到第一准确度误差;图像外观准确度误差识别模块2,还用于将对比度与标定对比度进行对比,得到第二准确度误差;图像外观准确度误差识别模块2,还用于将分辨率与标定分辨率进行对比,得到第三准确度误差;图像外观准确度误差识别模块2,还用于基于第一准确度误差、第二准确度误差以及第三准确度误差,得到图像外观准确度误差。
在一种可能的实施方式中,图像外观准确度误差识别模块2,还用于通过以下公式
计算得到图像外观准确度误差:;其中,K为图像外观准确度
误差,为第一准确度误差,为第二准确度误差,为第三准确度误差,为第一误
差权重,为第二误差权重,为第三误差权重。
在一种可能的实施方式中,图像特征准确度识别模块4,还用于将第二医疗图像划分为多个特征识别区域;每个特征识别区域中包括至少一个相关特征;图像特征准确度识别模块4,还用于从多个特征识别区域中识别得到至少一个相关特征识别区域;图像特征准确度识别模块4,还用于计算相关特征识别区域内各个相关特征对应的相关特征度量值;图像特征准确度识别模块4,还用于基于各个相关特征对应的相关特征度量值对各个相关特征进行变量赋值,得到多个赋值结果;图像特征准确度识别模块4,还用于基于相关特征识别区域对应的区域数量和多个赋值结果,得到准确度监测值。
在一种可能的实施方式中,获取模块1,还用于获取各个特征识别区域中相关特征的第一数量;图像特征准确度识别模块4,还用于基于各个特征识别区域中相关特征的第一数量,从多个特征识别区域中识别得到至少一个相关特征识别区域,相关特征识别区域中相关特征的第二数量大于其余特征识别区域中相关特征的第一数量。
在一种可能的实施方式中,图像特征准确度识别模块4,还用于基于各个相关特征
识别区域对应的多个赋值结果,计算得到各个相关特征识别区域对应的赋值总和;图像特
征准确度识别模块4,还用于通过以下公式计算得到准确度监测值:;其中,T为准确度监测值,为第i个相关
特征识别区域对应的赋值总和,n为正整数。
在一种可能的实施方式中,获取模块1,还用于获取标定医疗图像对应的标定准确度监测值;获取模块1,还用于获取标定医疗图像的相关标定特征识别区域中相关标定特征的第三数量;筛选模块3,还用于基于标定准确度监测值和准确度监测值,得到第一误差率;筛选模块3,还用于基于第三数量和第二数量,得到第二误差率;筛选模块3,还用于基于第一误差率和第二误差率,从多个第二医疗图像中筛选得到第三医疗图像;第三医疗图像对应的第一误差率和第二误差率均大于预设的误差率阈值。
需要说明的是:上述实施例提供的装置在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置和方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请还公开一种电子设备。参照图5,图5是本申请实施例的公开的一种电子设备的结构示意图。该电子设备500可以包括:至少一个处理器501,至少一个网络接口504,用户接口503,存储器505,至少一个通信总线502。
其中,通信总线502用于实现这些组件之间的连接通信。
其中,用户接口503可以包括显示屏(Display)、摄像头(Camera),可选用户接口503还可以包括标准的有线接口、无线接口。
其中,网络接口504可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器501可以包括一个或者多个处理核心。处理器501利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器505内的指令、程序、代码集或指令集,以及调用存储在存储器505内的数据,执行服务器的各种功能和处理数据。可选的,处理器501可以采用数字信号处理(DigitalSignalProcessing,DSP)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)、可编程逻辑阵列(ProgrammableLogicArray,PLA)中的至少一种硬件形式来实现。处理器501可集成中央处理器(CentralProcessingUnit,CPU)、图像处理器(GraphicsProcessingUnit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器501中,单独通过一块芯片进行实现。
其中,存储器505可以包括随机存储器(RandomAccessMemory,RAM),也可以包括只读存储器(Read-OnlyMemory)。可选的,该存储器505包括非瞬时性计算机可读介质(non-transitorycomputer-readablestoragemedium)。存储器505可用于存储指令、程序、代码、代码集或指令集。存储器505可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器505可选的还可以是至少一个位于远离前述处理器501的存储装置。参照图5,作为一种计算机可读存储介质的存储器505中可以包括操作系统、网络通信模块、用户接口模块以及一种应用程序。
在图5所示的电子设备500中,用户接口503主要用于为用户提供输入的接口,获取用户输入的数据;而处理器501可以用于调用存储器505中存储一种应用程序,当由一个或多个处理器501执行时,使得电子设备500执行如上述实施例中一个或多个的方法。需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
一种计算机可读存储介质,该计算机可读存储介质存储有指令。当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个方法。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
在本申请所提供的几种实施方式中,应该理解到,所披露的装置,可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服务接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以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器中。基于这样的理解,本申请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全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后,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记载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,本公开的范围和精神由权利要求限定。
Claims (10)
1.一种基于人工智能的医疗影像设备监测方法,其特征在于,所述方法包括:
获取各个医疗影像设备采集的医疗图像;
对各所述医疗图像进行图像外观识别,得到各所述医疗图像对应的图像外观准确度误差;
基于所述图像外观准确度误差,从多个所述医疗图像中筛选得到第一医疗图像和第二医疗图像;所述第一医疗图像为所述图像外观准确度误差大于预设外观误差阈值对应的医疗图像,所述第二医疗图像为所述图像外观准确度误差不大于预设外观误差阈值对应的医疗图像;
对各所述第二医疗图像进行图像特征准确度识别,得到准确度监测值;
基于所述准确度监测值,从多个所述第二医疗图像中筛选得到第三医疗图像;
从多个所述医疗影像设备中确定所述第一医疗图像对应的第一医疗影像设备和所述第三医疗图像对应的第二医疗影像设备,并确定所述第一医疗影像设备和所述第二医疗影像设备存在设备异常监测情况。
2.根据权利要求1所述的方法,其特征在于,所述对各所述医疗图像进行图像外观识别,得到各所述医疗图像对应的图像外观准确度误差,具体包括:
对各个所述医疗图像进行色彩精度识别,得到各个所述医疗图像对应的色彩精度;
对各个所述医疗图像进行对比度识别,得到各个所述医疗图像对应的对比度;
对各个所述医疗图像进行分辨率识别,得到各个所述医疗图像对应的分辨率;
获取标定医疗图像对应的标定色彩精度、标定对比度以及标定分辨率;
将所述色彩精度与所述标定色彩精度进行对比,得到第一准确度误差;
将所述对比度与所述标定对比度进行对比,得到第二准确度误差;
将所述分辨率与所述标定分辨率进行对比,得到第三准确度误差;
基于所述第一准确度误差、所述第二准确度误差以及所述第三准确度误差,得到所述图像外观准确度误差。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第一准确度误差、所述第二准确度误差以及所述第三准确度误差,得到所述图像外观准确度误差,具体包括:
通过以下公式计算得到所述图像外观准确度误差:
;
其中,K为所述图像外观准确度误差,为所述第一准确度误差,/>为所述第二准确度误差,/>为所述第三准确度误差,/>为第一误差权重,/>为第二误差权重,/>为第三误差权重。
4.根据权利要求1所述的方法,其特征在于,所述对各所述第二医疗图像进行图像特征准确度识别,得到准确度监测值,具体包括:
将所述第二医疗图像划分为多个特征识别区域;每个所述特征识别区域中包括至少一个相关特征;
从多个所述特征识别区域中识别得到至少一个相关特征识别区域;
计算所述相关特征识别区域内各个所述相关特征对应的相关特征度量值;
基于各个所述相关特征对应的相关特征度量值对各个所述相关特征进行变量赋值,得到多个赋值结果;
基于所述相关特征识别区域对应的区域数量和多个所述赋值结果,得到准确度监测值。
5.根据权利要求4所述的方法,其特征在于,所述从多个所述特征识别区域中识别得到至少一个相关特征识别区域,具体包括:
获取各个所述特征识别区域中所述相关特征的第一数量;
基于各个所述特征识别区域中所述相关特征的第一数量,从多个所述特征识别区域中识别得到至少一个相关特征识别区域,所述相关特征识别区域中所述相关特征的第二数量大于其余所述特征识别区域中所述相关特征的第一数量。
6.根据权利要求4所述的方法,其特征在于,所述基于所述相关特征识别区域对应的区域数量和多个所述赋值结果,得到准确度监测值,具体包括:
基于各个所述相关特征识别区域对应的多个所述赋值结果,计算得到各个所述相关特征识别区域对应的赋值总和;
通过以下公式计算得到所述准确度监测值:
;
其中,T为所述准确度监测值,为第i个所述相关特征识别区域对应的赋值总和,n为正整数。
7.根据权利要求5所述的方法,其特征在于,所述基于所述准确度监测值,从多个所述第二医疗图像中筛选得到第三医疗图像,具体包括:
获取标定医疗图像对应的标定准确度监测值;
获取标定医疗图像的相关标定特征识别区域中相关标定特征的第三数量;
基于所述标定准确度监测值和所述准确度监测值,得到第一误差率;
基于所述第三数量和所述第二数量,得到第二误差率;
基于所述第一误差率和所述第二误差率,从多个所述第二医疗图像中筛选得到第三医疗图像;所述第三医疗图像对应的所述第一误差率和所述第二误差率均大于预设的误差率阈值。
8.一种基于人工智能的医疗影像设备监测系统,其特征在于,所述系统包括获取模块、图像外观准确度误差识别模块、筛选模块、图像特征准确度识别模块以及设备异常确定模块;
所述获取模块,用于获取各个医疗影像设备采集的医疗图像;
所述图像外观准确度误差识别模块,用于对各所述医疗图像进行图像外观识别,得到各所述医疗图像对应的图像外观准确度误差;
所述筛选模块,用于基于所述图像外观准确度误差,从多个所述医疗图像中筛选得到第一医疗图像和第二医疗图像;所述第一医疗图像为所述图像外观准确度误差大于预设外观误差阈值对应的医疗图像,所述第二医疗图像为所述图像外观准确度误差不大于预设外观误差阈值对应的医疗图像;
所述图像特征准确度,用于对各所述第二医疗图像进行图像特征准确度识别,得到准确度监测值;
所述筛选模块,还用于基于所述准确度监测值,从多个所述第二医疗图像中筛选得到第三医疗图像;
所述设备异常确定模块,用于从多个所述医疗影像设备中确定所述第一医疗图像对应的第一医疗影像设备和所述第三医疗图像对应的第二医疗影像设备,并确定所述第一医疗影像设备和所述第二医疗影像设备存在设备异常监测情况。
9.一种电子设备,其特征在于,包括处理器(501)、存储器(505)、用户接口(503)及网络接口(504),所述存储器(505)用于存储指令,所述用户接口(503)和网络接口(504)用于给其它设备通信,所述处理器(501)用于执行所述存储器(505)中存储的指令,以使所述电子设备(500)执行如权利要求1-7任意一项所述的方法。
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存储有指令,当所述指令被执行时,执行如权利要求1-7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311666933.XA CN117393137A (zh) | 2023-12-07 | 2023-12-07 | 一种基于人工智能的医疗影像设备监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311666933.XA CN117393137A (zh) | 2023-12-07 | 2023-12-07 | 一种基于人工智能的医疗影像设备监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117393137A true CN117393137A (zh) | 2024-01-12 |
Family
ID=89468599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311666933.XA Pending CN117393137A (zh) | 2023-12-07 | 2023-12-07 | 一种基于人工智能的医疗影像设备监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117393137A (zh) |
-
2023
- 2023-12-07 CN CN202311666933.XA patent/CN117393137A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9418414B2 (en) | Image measurement apparatus, image measurement method and image measurement system | |
Zarb et al. | Image quality assessment tools for optimization of CT images | |
US8270695B2 (en) | Diagnostic image processing with automatic self image quality validation | |
US8032202B2 (en) | Function image display method and device | |
US20150262356A1 (en) | Information processing apparatus, information processing system, information processing method, program, and recording medium | |
US10438353B2 (en) | Evaluation of an X-ray image of a breast produced during a mammography | |
Davis et al. | Vision-based, real-time retinal image quality assessment | |
JP5884195B2 (ja) | Oct画像を分析する方法および視神経を分析する方法 | |
US11779205B2 (en) | Image classification method, device, and program | |
WO2013187206A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN111598853B (zh) | 针对肺炎的ct影像评分方法、装置及设备 | |
US10249037B2 (en) | Echogenicity quantification method and calibration method for ultrasonic device using echogenicity index | |
US20030179917A1 (en) | Method for image presentation in medical imaging | |
Bochko et al. | Lower extremity ulcer image segmentation of visual and near‐infrared imagery | |
CN106204523A (zh) | 一种图像质量度量方法及装置 | |
CN117393137A (zh) | 一种基于人工智能的医疗影像设备监测方法及系统 | |
Marcal et al. | Evaluation of the Menzies method potential for automatic dermoscopic image analysis. | |
CN116363104A (zh) | 一种具有影像医学用自动诊断设备及系统 | |
JP2020505092A5 (zh) | ||
JP2024518386A (ja) | 医療画像化装置における管電流変調を処理及び視覚化するためのシステム及び方法 | |
EP3181051B1 (en) | An objective method for assessing high contrast resolution of ct images based on the rayleigh criterion | |
CN110866904A (zh) | 一种红外偏振重构图像的评价方法和装置 | |
WO2020227794A1 (pt) | Método e sistema automático de análise de imagem de mamografia e método de treinamento de rede neural profunda | |
KR20160007406A (ko) | 3d 데이터 기록에 기초하여 검사 대상의 병리학적 변화를 표시하기 위한 방법 및 장치 | |
WO2020055325A1 (en) | Method and system for determining well-being indicators |
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 |