CN117408988A - 基于人工智能的病灶图像分析方法及装置 - Google Patents
基于人工智能的病灶图像分析方法及装置 Download PDFInfo
- Publication number
- CN117408988A CN117408988A CN202311482919.4A CN202311482919A CN117408988A CN 117408988 A CN117408988 A CN 117408988A CN 202311482919 A CN202311482919 A CN 202311482919A CN 117408988 A CN117408988 A CN 117408988A
- Authority
- CN
- China
- Prior art keywords
- focus
- image
- edge
- point
- value
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 238000003703 image analysis method Methods 0.000 title claims abstract description 22
- 230000003902 lesion Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012790 confirmation Methods 0.000 claims abstract description 9
- 230000036541 health Effects 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000010191 image analysis Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 208000005718 Stomach Neoplasms Diseases 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 206010017758 gastric cancer Diseases 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 201000011549 stomach cancer Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000011218 segmentation Effects 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及图像处理的技术领域,尤其涉及的是基于人工智能的病灶图像分析方法及装置;具体方法包括:获得每个待检测病例的确认边缘图像;获得每个确认边缘图像的疑似病灶区域;将包含每个疑似病灶区域为疑似病灶区域的范围区域;根据范围区域内中心像素点与其他非中心像素点的像素差和间距获得病灶生长点,进而获得待生长点,对待生长点进行分类,获得病灶区域;获得病例病灶数据库,并对其进行模型训练获得训练模型;将病灶区域输入训练模型,输出病灶类型与病变程度,并对病灶区域进行标注,获得待检测病例的病灶图像。本申请可以获得更为精确的病灶区域,提高对病灶区域类型和病变程度的识别精度,增强对病灶识别的准确性。
Description
技术领域
本申请涉及图像处理的技术领域,尤其是涉及的是基于人工智能的病灶图像分析方法及装置。
背景技术
随着人工智能技术的快速发展,医疗影像识别成为了其应用的重要领域之一。人工智能技术在医疗影像识别中的进展和应用,其中关于CT影像中病灶的智能识别与标注,不仅提高了医疗诊断和治疗的效率,还可以为医生提供更准确的诊断结果,同时也为患者提供更好的医疗服务和治疗方案。
相关技术中,CN110751179A公开了病灶信息获取方法、病灶预测模型的训练方法及超声设备,获取到的超声图像先利用病灶预测模型预测该超声图像中的病灶区域及病灶类别,没有具体对图像的病灶区域的准确位置进行进一步识别,没有结合图像拍摄参数对图像中病灶区域的质量的影响,从而得到病灶区域的准确率较低。
CN112967287A公开了基于图像处理的胃癌病灶识别方法、装置、设备和存储介质,首先通过对病理切片的数字图像中包含病灶的区域进行病灶等级的标注;通过预训练的改进型U-net语义分割模型对包含病灶的区域进行识别,分别得到分割的病灶结果和分割的轮廓结果。由于人的机体结构内病灶的结构与机体结构存在明显不同,对病灶的识别方法可以在人的机体不同结构适用,因此相关技术中对胃癌病灶的识别方法同样适用于机体其他部位的病灶识别。由于病灶的结构特征并不是一成不变的,缺乏结合基本变化特征对病灶进行等级识别,并且未消除对应拍摄图像的设备信息对图像的影响,人工成本较高,病灶识别速率较低,且对病灶识别精度相对较低。因此亟需一种精度较高,识别速率快的基于人工智能的病灶图像分析方法。
发明内容
本申请提供基于人工智能的病灶图像分析方法及装置,能够提高病灶区域识别精度。
本申请的目的一是提供基于人工智能的病灶图像分析方法,通过以下技术方案得以实现的:
基于人工智能的病灶图像分析方法,包括:
获得每个待检测病例的确认边缘图像;
获得每个所述确认边缘图像的疑似病灶区域;
获得包含每个所述疑似病灶区域为所述疑似病灶区域的范围区域;确定所述范围区域内的中心像素点;根据所述范围区域内中心像素点与其他非中心像素点的像素差和间距情况,获得病灶生长点;获得每个所述病灶生长点的待生长点;对所述待生长点进行分类,获得病灶区域;根据预先构建的病例病灶数据库进行模型训练获得训练模型;
将所述病灶区域输入所述训练模型,输出病灶类型与病变程度,并对所述病灶区域对应的所述病灶灰度图像进行标注,获得所述待检测病例的病灶图像。
通过采用上述技术方案,获取待检测病例的确认边缘图像,可以通过将图像本身特征的边缘轮廓差异性与对应拍摄设备状态参数结合,获得疑似病灶区域,能够提高疑似病灶区域的识别准确性,消除由于设备参数信息不同对疑似病灶区域产生的消极影响,使分析的图像质量更加真实清晰;可以根据病灶区域的基本特征对范围区域内的像素点特征进行分类扩充,获得更为精确的病灶区域,获得更为准确的待检测病例的病灶图像,提高对病灶区域类型和病变程度的识别精度。
可选的,所述获得每个待检测病例的确认边缘图像,具体包括:
获得每个待检测病例的多个病灶灰度图像,对所述病灶灰度图像进行边缘检测获得病灶边缘图像;
获得每个所述待检测病例的健康灰度图像,对所述健康灰度图像进行边缘检测获得健康边缘图像;
对任意一个所述待检测病例,根据哈希算法获得每个所述病灶边缘图像与所述健康边缘图像的汉明距离;将所述汉明距离作为所述病灶边缘图像的轮廓相似度;
若所述轮廓相似度小于预设相似度阈值,则将对应的所述病灶边缘图像作为确认边缘图像。
通过采用上述技术方案,每个待检测病例的病灶灰度图像是在本人互联病灶数据库中选出,互联病灶数据库的图像数据是在待检测病例使用有效证件进行医疗检测获得的病灶灰度图像;其中容易出现的问题是,他人使用待检测病例的有效证件进行医疗检测,导致待检测病例的病灶灰度图像中存在非本人的病灶灰度图像;对任一个待检测病例,将互联病灶数据库中最早拍摄本人对应病灶位置的病灶灰度图像作为健康灰度图像;可以根据边缘轮廓差异将待检测病例的病灶边缘图像中非本人的病灶灰度图像剔除,将所有病灶边缘图像与对应健康边缘图像进行相似性比对,保证获得的确认边缘图像属于待检测病例,提高对待检测病例的诊断准确性。
可选的,所述获得每个所述确认边缘图像的疑似病灶区域,具体包括:
将所述确认边缘图像和所述健康边缘图像作为边缘图像,根据所述边缘图像中不同边缘点之间的像素差异获得优化图像;所述确认边缘图像的所述优化图像为待检测边缘图像,所述健康边缘图像的所述优化图像为参考边缘图像;
获得每个所述待检测边缘图像对应设备的状态参数信息;所述状态参数信息包括取得每个所述待检测边缘图像对应设备的CT值、空间分辨率和低对比度分辨率;
根据每个所述待检测边缘图像对应设备的所述状态参数信息获得第一质量值、第二质量值和第三质量值;根据所述第一质量值、所述第二质量值和所述第三质量值筛选出准确边缘图像;将所述准确边缘图像与所述参考边缘图像进行掩膜,获得疑似病灶区域。
通过采用上述技术方案,可以根据边缘图像内边缘点之间的像素差异实现边缘图像的优化,实现对边缘图像内病灶区域边缘轮廓的粗提取,能够进一步将病灶区域的大致范围划分出来,提高疑似病灶区域的识别准确性;通过拍摄等方式取得的待检测边缘图像的设备的状态参数信息能够影响待检测边缘图像的图像质量,CT值应在设定CT值参考范围中才能保证拍摄的图像质量,空间分辨率与低对比度分辨率均与图像质量成正比关系;可以分析图像对应设备的状态参数信息,判断对应待检测边缘图像的图像质量,从而消除拍摄设备的参数不同对图像质量的影响,减少噪声、伪影等现象的产生,能够提高疑似病灶区域的识别准确性,增强对病灶区域的识别精度。病灶区域特征的明显程度是随着病情发展而发展,待检测病例的健康灰度图像中不存在病灶区域或病灶区域不明显,即对应参考边缘图像内病灶区域亦不明显,因此可以使用掩膜分析准确边缘图像与参考边缘图像的边缘轮廓差异,将不相同的轮廓区域作为疑似病灶区域,能够提高疑似病灶区域的识别准确性。
可选的,所述根据所述边缘图像中不同边缘点之间的像素差异获得优化图像,具体包括:
对所述边缘图像中任意一个边缘点,将所述边缘点在预设邻域范围的其他边缘点作为参考边缘点,将每个所述参考边缘点与所述边缘点的像素差值作为子差异度;将所有所述子差异度的方差进行归一化,作为所述边缘点的像素差异度;
若所述像素差异度小于预设差异阈值,则对应所述边缘点为优化边缘点;若所述像素差异度不小于所述差异阈值,则对应所述边缘点不是所述优化边缘点;根据所述边缘图像中所有所述优化边缘点获得对应的优化图像。
通过采用上述技术方案,可以根据边缘点与其邻域范围内所有参考边缘点之间的像素差异提取边缘图像内边缘点之间的差异度,根据差异度和差异阈值将边缘点进行分类,能够提高对边缘图像内病灶区域边缘轮廓的粗提取,能够进一步将病灶区域的大致范围划分出来,提高疑似病灶区域的识别准确性。
可选的,所述根据每个所述待检测边缘图像对应设备的所述状态参数信息获得第一质量值、第二质量值和第三质量值,具体包括:
预设CT值参考范围,对任意一个所述待检测边缘图像对应的所述状态参数信息,将所述CT值参考范围的中值与最小值的差值作为参考差值,获得所述参考差值与常数一的和的倒数;将所述CT值参考范围的中值与所述CT值的差值绝对值与所述倒数的乘积作为第一质量值;将所述空间分辨率的归一化值,作为第二质量值;将所述低对比度分辨率的归一化值,作为第三质量值。
通过采用上述技术方案,可以根据待检测边缘图像对应设备的状态信息的取值获得对应图像的第一质量值、第二质量值和第三质量值;其中,CT值的选择在设定CT值参考范围中,可以获取CT值与CT值参考范围的差异占比即第一质量值,差异占比越大说明对应CT值与CT值参考范围越偏离,对应图像的质量越差;空间分辨率与低对比度分辨率均与图像质量成正比关系,空间分辨率越大,说明图片越清晰;低对比度分辨率越大,说明区分不同密度物体的能力越好;第二质量值与第三质量值均与图像质量成正比关系。因此可以根据设备的状态参数信息对图像质量的影响程度提取图像质量值,极大程度地消除拍摄设备的参数不同对图片质量的影响,减少噪声、伪影等现象的产生,能够提高疑似病灶区域的识别准确性,增强对病灶区域的识别精度。
可选的,所述根据所述第一质量值、所述第二质量值和所述第三质量值筛选出准确边缘图像,具体包括:
获得所述第二质量值与所述第三质量值的乘积,获得所述第一质量值与预设调整系数的和值,将所述乘积与所述和值的比值作为图像质量值;若所述图像质量值大于预设质量阈值,则将所述待检测边缘图像作为准确边缘图像。
通过采用上述技术方案,可以根据第一质量值、第二质量值和第三质量值获得图像质量值;其中,第一质量值与图像质量成反比关系,第一质量值越小,说明对应图像的质量越好。第二质量值与第三质量值均与图像质量成正比关系,即第二质量值越接近数值一,说明图片越清晰;第三质量值越接近数值一,说明区分不同密度物体的能力越好。因此可以根据设备的状态参数信息对图像质量的影响程度提取图像质量值,图像质量值与图像质量成正比关系,根据预设质量阈值得到图像质量较高的准确边缘图像,极大程度地消除拍摄设备的参数不同对图片质量的影响,减少噪声、伪影等现象的产生,能够提高疑似病灶区域的识别准确性,增强对病灶区域的识别精度。
可选的,所述根据所述范围区域内中心像素点与其他非中心像素点的像素差和间距情况,获得病灶生长点,具体包括:
根据所述范围区域内中心像素点与其他非中心像素点的像素差和间距对所述范围区域内所有像素点进行聚类,获得至少两个聚类区域;将所述中心像素点作为病灶起始点,将包含所述病灶起始点的所述聚类区域作为病灶待扩区;
若所述病灶起始点的位置未在所述疑似病灶区域内,将其他所述聚类区域的中心像素点与所述病灶起始点的距离作为对应所述聚类区域的待扩距离;
将所述中心像素点位置在所述疑似病灶区域内的聚类区域作为实际聚类区域,将所述待扩距离最小的所述实际聚类区域更新为病灶待扩区;将所述病灶待扩区中所有像素点均作为病灶生长点。
通过采用上述技术方案,可以对疑似病灶区域的范围区域内像素点之间的像素特征和距离特征进行聚类分析,进一步缩小对病灶区域内像素点的确认;通过聚类区域的位置关系对病灶待扩区进行更新,能够实现对病灶区域的细提取,实现病灶区域识别的准确性。
可选的,所述获得每个所述病灶生长点的待生长点,具体包括:
将所述病灶待扩区内所有所述病灶生长点的像素均值作为第一判断值;对任意一个所述病灶生长点,预设生长尺寸,获得所述病灶生长点的每个所述生长尺寸邻域内所有像素点的像素均值;
将所有所述像素均值中与所述第一判断值差异最小的所述生长尺寸作为对应所述病灶生长点的选取尺寸;将所述选取尺寸内其他像素点作为对应所述病灶生长点的待生长点。
通过采用上述技术方案,可以根据病灶生长点的生长尺寸范围与病灶待扩区店内像素点的像素差异筛选出病灶生长点的选取尺寸区域,选取尺寸的待生长点与病灶待扩区内病灶生长点的差异最小,即待生长点为实际病灶区域的可能更大,能够提高对病灶区域的识别精度。
可选的,所述对所述待生长点进行分类,获得病灶区域,具体包括:
对任意一个所述待生长点,将与所述待生长点距离最小的所述优化边缘点的像素差,作为生长参照值;将所述生长参照值与所述待生长点对应的所述病灶生长点的像素差值绝对值作为门限值;
设置过所述待生长点任意方向的直线,将所述直线以所述待生长点为中心分为两个子方向;若每个所述子方向至少经过一个所述优化边缘点,且所述待生长点与对应所述病灶生长点的像素差值绝对值不超过所述门限值,则将所述待生长点作为病灶生长点;反之,则将所述待生长点剔除;直至所述范围区域内无可划分的待生长点,将所有病灶生长点组成的区域作为病灶区域。
通过采用上述技术方案,可以获得待生长点对应病灶生长点与优化边缘点之间的差异,病灶生长点与优化边缘点之间的差异可作为病灶生长点特征的判别标准,基于判别标准判断待生长点与对应的病灶生长点的差异是否符合病灶生长点的特征。
进一步将待生长点的位置是否位于实际病灶区域所在的封闭区域,即根据待生长点所在任意方向直线上优化边缘点所在位置及数量对待生长点进行判断,能够在疑似病灶区域的范围区域内将疑似病灶区域从内向外进行像素点划分,获取精度更高的病灶区域。
本申请目的二是提供基于人工智能的病灶图像分析装置,通过以下技术方案得以实现的:
基于人工智能的病灶图像分析装置,包括存储器和处理器,所属存储器上存储有能够被处理器加载并执行上述任一种基于人工智能的病灶图像分析方法的计算机程序。
通过采用上述技术方案,可以通过判断获取待检测病例的确认边缘图像,并与对应健康边缘图像进行相似性比对,使图像的分析与待检测病例的真实情况进行对应,提高对待检测病例的诊断准确性。可以通过将图像本身特征的边缘轮廓差异性与对应拍摄设备状态参数结合,获得疑似病灶区域,提高疑似病灶区域的识别准确性,消除由于设备参数信息不同对疑似病灶区域产生的消极影响,使分析的图像质量更加真实清晰。可以基于病灶区域的基本特征对疑似病灶区域的范围区域内像素点进行分类扩充,获得更为精确的病灶区域,能够提高对病灶区域类型和病变程度的识别精度,获得更为准确的待检测病例的病灶图像。
综上所述,本申请包括以下至少一种有益技术效果:
1.可以获得更为精确的病灶区域,能够提高后续对病灶区域类型和病变程度的识别精度,获得更为准确的待检测病例的病灶图像。
2.提高获得准确边缘图像的图像质量,消除拍摄设备的参数不同对图片质量的影响,减少噪声、伪影等现象的产生,提高疑似病灶区域的识别准确性。
3.实现对病灶区域的细提取,实现病灶区域识别的准确性。
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病灶图像分析方法的结构框图;
图2是本申请范围区域内中心像素点作为病灶起始点在实际的病灶区域内部的示意图;
图3是本申请范围区域内中心像素点作为病灶起始点不在实际的病灶区域内部的示意图。
标号说明:1、中心像素点;2、实际病灶区域内部。
具体实施方式
以下结合附图1-3对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
另外,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。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供一种基于人工智能的病灶图像分析方法。
如图1所示,基于人工智能的病灶图像分析方法的主要步骤如下:
步骤S1:获得每个待检测病例的确认边缘图像。
在本申请实施例中,需要预先建立互联病灶数据库,互联病灶数据库包含每个待检测病例使用有效证件在不同时间、不同地点、不同机体部位和不同CT设备拍摄的病灶灰度图像。本申请实施例提供一种基于人工智能的病灶图像分析方法,可应用于机体的不同部位的病灶图像分析。
由于每个待检测病例的病灶灰度图像是在从患者相关联账户的互联病灶数据库中选出,而互联病灶数据库的图像数据是在待检测病例使用有效证件进行医疗检测获得的病灶灰度图像。其中容易出现的问题是,他人使用待检测病例的有效证件进行医疗检测,会导致待检测病例的病灶灰度图像中存在非本人的病灶灰度图像,根据边缘轮廓差异将待检测病例的病灶边缘图像中非本人的病灶灰度图像剔除,提高对待检测病例的诊断准确性。因此,对任一个待检测病例,将互联病灶数据库中最早拍摄本人对应部位病灶的病灶灰度图像作为健康灰度图像,将健康灰度图像作为病灶灰度图像的参考图像。
因此,在本申请实施例中,获得每个待检测病例的多个病灶灰度图像,对病灶灰度图像进行边缘检测获得病灶边缘图像;获得每个待检测病例的健康灰度图像,对健康灰度图像进行边缘检测获得健康边缘图像。需要说明的是,canny边缘检测算法为本领域技术人员熟知的技术手段,在此不再赘述,实施者可根据具体场景选用Sobel算子等其他边缘检测算法。
对任意一个待检测病例,根据哈希算法获得每个病灶边缘图像与病灶边缘图像的汉明距离;将汉明距离作为病灶边缘图像的轮廓相似度;需要说明的是,哈希算法和为本领域技术人员熟知的技术手段,在此不再赘述。
若轮廓相似度小于预设相似度阈值,则将对应的病灶边缘图像作为确认边缘图像,说明对应病灶边缘图像与对应的健康边缘图像之间的相似性越大,对应病灶边缘图像属于待检测病例患者所有;反之,说明对应病灶边缘图像与对应的健康边缘图像之间的相似性越小,对应病灶边缘图像不属于待检测病例患者所有,需要将对应病灶边缘图像剔除。在本申请实施例中,预设相似度阈值为50,具体相似度阈值的数值可根据具体实施方式具体设置。
经过步骤S1的分析,对任意一个待检测病例,将病灶灰度图像中属于待检测病例患者所有的图像筛选出来,获得确认边缘图像。
步骤S2:获得每个确认边缘图像的疑似病灶区域。
为了进一步将步骤S1获得的确认边缘图像内病灶轮廓区域划分,将其中的边缘像素点进行进一步确定,防止对边缘划分错误,导致病灶区域识别产生错误,可以根据确认边缘图像内边缘点之间的像素差异对边缘点进行优化,提高疑似病灶区域的识别准确性。因此,将确认边缘图像和健康边缘图像作为边缘图像,根据边缘图像中不同边缘点之间的像素差异获得优化图像;其中,优化图像的获取方法在本申请实施例中具体包括:
对边缘图像中任意一个边缘点,将边缘点在预设邻域范围的其他边缘点作为参考边缘点,在本申请实施例中,预设邻域范围的尺寸为5*5,即将以边缘点为中心的5*5邻域范围,实施者可根据具体实施方案选取预设邻域范围的尺寸。将每个参考边缘点与边缘点的像素差值作为子差异度;将所有子差异度的方差进行归一化,作为边缘点的像素差异度。其中,获取边缘点的像素差异度的公式具体包括:
式中,Di表示第i个边缘点的像素差异度,gi表示第i个边缘点的像素差,n表示第i个边缘点的预设邻域范围内的参考边缘点个数,表示第i个边缘点的第h个参考边缘点的像素差,exp[]表示以自然常数e为底的指数函数。
在像素差异度的公式中,表示第h个参考边缘点与第i个边缘点的子差异度,子差异度越小,说明第i个边缘点与第h个参考边缘点之间的像素差异越小,即边缘点为病灶区域边缘点的可能性越大。/>表示第i个边缘点所有子差异度的方差,方差越小,说明第i个边缘点与对应所有参考边缘点的差异越小,即边缘点为病灶区域边缘点的可能性越大。/>为第i个边缘点的像素差异度,将第i个边缘点所有子差异度的方差进行归一化,使像素差异度的取值范围在0~1之间,方便对边缘点的判断。
像素差异度表示对应边缘点与对应邻域范围内参考像素点之间的差异,像素差异度越小,说明边缘点与对应邻域范围内参考像素点之间的差异越小,即对应边缘点为边缘图像内轮廓边缘的可能性就大;像素差异度越大,说明边缘点与对应邻域范围内参考像素点之间的差异越大,即对应边缘点为边缘图像内轮廓边缘的可能性就小。
若像素差异度小于预设差异阈值,则对应边缘点为优化边缘点;若像素差异度不小于差异阈值,则对应边缘点不是优化边缘点;根据边缘图像中所有优化边缘点获得对应的优化图像。在本申请实施例中,预设差异阈值为0.45,具体预设差异阈值的数值可根据具体实施方式具体设置。
确认边缘图像的优化图像为待检测边缘图像,健康边缘图像的优化图像为参考边缘图像。
由于拍摄或其他方式取得的每个病灶灰度图像的设备不同、调节的参数不同,获得的病灶灰度图像的图像质量也不同,需要判断待检测边缘图像的图像质量,消除拍摄设备的参数不同对图像质量的影响,减少噪声、伪影等现象的产生,提高疑似病灶区域的识别准确性,增强对病灶区域的识别精度。因此,在本申请实施例中,获得每个待检测边缘图像对应设备的状态参数信息,包括拍摄每个待检测边缘图像对应设备的CT值、空间分辨率和低对比度分辨率。其中,CT值应在设定CT值参考范围中才能保证拍摄的图像质量,空间分辨率与低对比度分辨率均与图像质量成正比关系。
在其他实施例中,根据每个待检测边缘图像对应设备的状态参数信息获得第一质量值、第二质量值和第三质量值,在本申请实施例中具体包括:
预设CT值参考范围,对任意一个待检测边缘图像对应的状态参数信息,将CT值参考范围的中值与最小值的差值作为参考差值,获得参考差值与常数一的和的倒数;将CT值参考范围的中值与CT值的差值绝对值与倒数的乘积作为第一质量值;将空间分辨率的归一化值,作为第二质量值;将低对比度分辨率的归一化值,作为第三质量值。在本申请实施例中,具体归一化方法可自行选取,实施者可根据需要分析病灶所在机体部位密度的不同,对CT参考范围具体设置,如分析脑白质的CT值参考范围为(25,35),脑灰质的CT值参考范围为(30,40)等。
第一质量值与图像质量成反比关系,第一质量值越小,说明对应图像的质量越好。第二质量值与第三质量值均与图像质量成正比关系,即第二质量值越接近数值一,说明图片越清晰;第三质量值越接近数值一,说明区分不同密度物体的能力越好。可以根据第一质量值、第二质量值和第三质量值对图像质量进行判断,极大程度地消除拍摄设备的参数不同对图片质量的影响,减少噪声、伪影等现象的产生,能够提高疑似病灶区域的识别准确性。因此,根据第一质量值、第二质量值和第三质量值筛选出准确边缘图像,在本申请实施例中具体包括:
获得第二质量值与第三质量值的乘积,获得第一质量值与预设调整系数的和值,将乘积与和值的比值作为图像质量值。其中,获取图像质量值的公式具体包括:
式中,Zi表示第i个待检测边缘图像的图像质量值,Ki表示第i个待检测边缘图像的第二质量值,Mi表示第i个待检测边缘图像的第三质量值,Fi表示第i个待检测边缘图像的CT值,Fmin表示CT值参考范围的最小值,Fmid表示CT值参考范围的中值,a表示预设调整系数。
在图像质量值的公式中,Ki为第i个待检测边缘图像的第二质量值,Mi为第i个待检测边缘图像的第三质量值,由于第二质量值与第三质量值均与图像质量成正比关系,即第二质量值越接近数值一,说明图片越清晰;第三质量值越接近数值一,说明区分不同密度物体的能力越好;第二质量值越接近数值零,说明图片越不清晰;第三质量值越接近数值零,说明区分不同密度物体的能力越差。表示第i个待检测边缘图像的第一质量值,表示第i个待检测边缘图像的CT值与CT值参考范围的差异占比,分母加一是为了防止分母为零的情况出现;第一质量值与与图像质量成反比关系,即第一质量值越大,说明对应CT值与CT值参考范围越偏离,对应图像的质量越差。预设调整系数是为了修正图像质量值的数值范围,在本申请实施例中,预设调整系数为0.1,实施者可根据实际实施方式自行设置调整系数的数值。
图像质量值表示检测边缘图像的图像质量好坏程度,图像质量值越大,说明对应检测边缘图像内噪声、伪影等现象存在少,即对应待检测边缘图像的图像质量越好;图像质量值越小,说明对应检测边缘图像内噪声、伪影等现象存在少,即对应待检测边缘图像的图像质量越差。
若图像质量值大于预设质量阈值,说明对应检测边缘图像内噪声、伪影等现象存在少,即对应待检测边缘图像的图像质量越好,则将待检测边缘图像作为准确边缘图像;若图像质量值大于预设质量阈值,说明对应检测边缘图像内噪声、伪影等现象存在多,即对应待检测边缘图像的图像质量越差,则将待检测边缘图像不能作为准确边缘图像。在本申请实施例中,获得所有待检测边缘图像中的最大图像质量值,预设质量阈值为70%*最大图像质量值,实施者可根据具体实施方案选取预设质量阈值。
病灶区域特征的明显程度是随着病情发展而发展,待检测病例的健康灰度图像中不存在病灶区域或病灶区域不明显,则对应的参考边缘图像内病灶区域的边缘轮廓亦不明显,可以分析准确边缘图像与参考边缘图像的边缘轮廓之间的差异,将准确边缘图像中病灶区域所在位置范围提取出来,实现对病灶区域的粗提取。图像掩膜用于结构特征提取,用相似性变量或图像匹配方法检测和提取图像中与掩膜相似的结构特征,使用掩膜可以将准确边缘图像与参考边缘图像中不相似的部分提取出来,即提取准确边缘图像中的病灶区域所在位置范围。因此,将准确边缘图像与参考边缘图像进行掩膜,获得疑似病灶区域。在本申请实施例中,图像掩膜技术为本领域技术人员熟知的技术手段,具体过程在此不再赘述。
经过步骤S2的分析,获得每个确认边缘图像的疑似病灶区域。
步骤S3:获得包含每个疑似病灶区域为疑似病灶区域的范围区域;根据范围区域内中心像素点与其他非中心像素点的像素差和间距情况,获得病灶生长点;获得每个病灶生长点的待生长点;对待生长点进行分类,获得病灶区域。
步骤S2获得疑似病灶区域,实现了病灶区域的粗提取,为了将疑似病灶区域进一步确定,需要对疑似病灶区域所在区域的像素点进行差异分析。由于病灶区域的形状特征多样,可能为不规则形状,也可能为规则形状,在本申请实施例中,获得包含每个疑似病灶区域为疑似病灶区域的范围区域,具体包括:将包含每个疑似病灶区域的最小形状范围作为疑似病灶区域的范围区域,范围区域的形状可选为圆形、矩形和多边形等,实施者可自行选择范围区域的形状。
对疑似病灶区域的范围区域内像素点之间的像素特征和距离特征进行分析,获得对应范围区域内实际位于病灶区域的像素点,进一步缩小对病灶区域内像素点的确认。因此,根据范围区域内中心像素点与其他非中心像素点的像素差和间距获得病灶生长点,在本申请实施例中具体包括:
参考图2和图3,根据范围区域内中心像素点1与其他非中心像素点的像素差和间距情况对范围区域内所有像素点进行聚类,获得至少两个聚类区域;将中心像素点1作为病灶起始点,将包含病灶起始点的聚类区域作为病灶待扩区。在本申请实施例中,聚类方法为本领域技术人员熟知的技术手段,实施者可根据具体实施方式自行选取。
参考图2和图3,病灶区域的形状不能确定,如果病灶区域是不规则形状,中心像素点1作为对应的病灶起始点则不在实际的病灶区域内部,即病灶待扩区内有像素点的位置不在实际病灶区域内部2。为了将所选病灶待扩区与疑似病灶区域进行对应,分析聚类区域中心点与病灶起始点之间的位置关系,并结合对应聚类区域中心点是否位于疑似病灶区域,进而对病灶待扩区进行更新,实现对病灶区域的细提取,实现病灶区域识别的准确性。
在本申请实施例中,若病灶起始点的位置未在疑似病灶区域内,将其他聚类区域的中心像素点与病灶起始点的距离作为对应聚类区域的待扩距离;将对应中心像素点位置在疑似病灶区域内的聚类区域作为实际聚类区域,将待扩距离最小的实际聚类区域更新为病灶待扩区;将病灶待扩区中所有像素点均作为病灶生长点。
更新后的病灶待扩区的病灶生长点可视为实际病灶区域的像素点,因此可以通过病灶生长点的特征将周围像素点进行分类,进而获得精度更高的病灶区域。需要将疑似病灶区域从内向外进行像素点划分,实现病灶区域的粗提取。在本申请实施例中,获得每个病灶生长点的待生长点,具体包括:
将病灶待扩区内所有病灶生长点的像素均值作为第一判断值;对任意一个病灶生长点,预设生长尺寸,获得病灶生长点的每个生长尺寸邻域内所有像素点的像素均值。在本申请实施例中,预设生长尺寸为5*5、7*7、9*9、11*11和13*13,具体生长尺寸的范围可根据具体实施方式具体设置。
对任意一个病灶生长点,对应生长尺寸范围内的像素均值表示对应生长尺寸范围内像素点的整体像素水平,第一判断值表示病灶待扩区内病灶生长点的整体像素水平,可以根据生长尺寸范围内的像素均值与第一判断值之间的差异判断对应生长尺寸范围内像素点与病灶生长点的相似情况。因此,将所有像素均值中与第一判断值差异最小的生长尺寸作为对应病灶生长点的选取尺寸;将选取尺寸内其他像素点作为对应病灶生长点的待生长点。
根据病灶生长点的生长尺寸范围与病灶待扩区店内像素点的像素差异筛选出病灶生长点的选取尺寸区域,选取尺寸的待生长点与病灶待扩区内病灶生长点的差异最小,即待生长点为实际病灶区域的可能更大,能够提高对病灶区域的识别精度。
在其他实施方式中,步骤S3中的“根据对待生长点进行分类,获得病灶区域”,具体可以包括:
对任意一个待生长点,将与待生长点距离最小的优化边缘点的像素差,作为生长参照值;将生长参照值与待生长点对应的病灶生长点的像素差值绝对值作为门限值;
设置过待生长点任意方向的直线,将直线以待生长点为中心分为两个子方向;
病灶生长点与优化边缘点之间的差异可作为病灶生长点特征的判别标准,基于判别标准判断待生长点与对应的病灶生长点的差异是否符合病灶生长点的特征,能够提高度病灶识别的精度;且判断待生长点的位置是否位于实际病灶区域所在的封闭区域,即根据待生长点所在任意方向直线上优化边缘点所在位置及数量对待生长点进行判断,能够在疑似病灶区域的范围区域内将疑似病灶区域从内向外进行像素点划分。
因此,在本申请实施例中,若每个子方向至少经过一个优化边缘点,且待生长点与对应病灶生长点的像素差值绝对值不超过门限值,则将待生长点作为病灶生长点;反之,则将待生长点剔除;直至范围区域内无可划分的待生长点,将所有病灶生长点组成的区域作为病灶区域。
根据步骤S3的分析,将疑似病灶区域从内向外进行像素点划分,获取精度更高的病灶区域,提高病灶区域识别的准确性。
步骤S4:根据预先构建的病例病灶数据库进行模型训练获得训练模型;将病灶区域输入训练模型,输出病灶类型与病变程度,并对病灶区域对应的病灶灰度图像进行标注,获得待检测病例的病灶图像。
医疗领域中关于病灶图像的数据有很多,医疗人员将所诊病例的病灶图像进行识别,在病灶图像上标注出对应病灶的类型和病变程度,以及对应的病灶治疗方案。获得病例病灶数据库,病例病灶数据库中包含各类病例的病灶区域特征、病灶类型、病变程度和对应的治疗方案,且病例病灶数据库中的信息均是经过医疗人员确认的,均为正确信息,对本申请实施例中的病灶区域识别适用。
在其他实施方式中,步骤S4中所阐述的根据预先构建的病例病灶数据库进行模型训练获得训练模型,是基于医疗领域关于数据库模型训练基本趋于成熟,在本申请实施例中,实施者可根据实际需要选择模型训练方式,如使用神经网络训练模型、使用特征匹配训练模型等,具体过程不再赘述。
经过步骤S1、步骤S2和步骤S3的分析,获得准确的病灶区域,将病灶区域输入训练模型,输出病灶类型与病变程度,并对病灶区域对应的病灶灰度图像进行标注,获得待检测病例的病灶图像。
对任意一个待检测病例的病灶图像,获得病灶灰度图像中病灶区域的特征、病灶类型、病变程度和对应的治疗方案,进而对应待检测病例进行治疗。
综上所述,本申请实施例能够提高对病灶区域类型和病变程度的识别精度,获得更为准确的待检测病例的病灶图像。
本申请实施例还提供了一种基于人工智能的病灶图像分析装置,包括存储器和处理器,所属存储器上存储有能够被处理器加载并执行上述任一种基于人工智能的病灶图像分析方法的计算机程序。
本申请实施例还提供了一种计算机可读存储介质,包括:存储有能够被处理器加载并执行上述基于人工智能的病灶图像分析方法的计算机程序,例如:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
Claims (10)
1.基于人工智能的病灶图像分析方法,其特征在于,包括:
获得每个待检测病例的确认边缘图像;
获得每个所述确认边缘图像的疑似病灶区域;
获得包含每个所述疑似病灶区域为所述疑似病灶区域的范围区域;确定所述范围区域内的中心像素点;根据所述范围区域内中心像素点与其他非中心像素点的像素差和间距情况,获得病灶生长点;获得每个所述病灶生长点的待生长点;对所述待生长点进行分类,获得病灶区域;
根据预先构建的病例病灶数据库进行模型训练获得训练模型;将所述病灶区域输入所述训练模型,输出病灶类型与病变程度,并对所述病灶区域对应的所述病灶灰度图像进行标注,获得所述待检测病例的病灶图像。
2.根据权利要求1所述的基于人工智能的病灶图像分析方法,其特征在于,所述获得每个待检测病例的确认边缘图像,具体包括:
获得每个待检测病例的多个病灶灰度图像,对所述病灶灰度图像进行边缘检测获得病灶边缘图像;获得每个所述待检测病例的健康灰度图像,对所述健康灰度图像进行边缘检测获得健康边缘图像;
对任意一个所述待检测病例,根据哈希算法获得每个所述病灶边缘图像与所述健康边缘图像的汉明距离;将所述汉明距离作为所述病灶边缘图像的轮廓相似度;
若所述轮廓相似度小于预设相似度阈值,则将对应的所述病灶边缘图像作为确认边缘图像。
3.根据权利要求1所述的基于人工智能的病灶图像分析方法,其特征在于,所述获得每个所述确认边缘图像的疑似病灶区域,具体包括:
将所述确认边缘图像和所述健康边缘图像作为边缘图像,根据所述边缘图像中不同边缘点之间的像素差异获得优化图像;所述确认边缘图像的所述优化图像为待检测边缘图像,所述健康边缘图像的所述优化图像为参考边缘图像;
获得每个所述待检测边缘图像对应设备的状态参数信息;所述状态参数信息包括取得每个所述待检测边缘图像对应设备的CT值、空间分辨率和低对比度分辨率;
根据每个所述待检测边缘图像对应设备的所述状态参数信息获得第一质量值、第二质量值和第三质量值;根据所述第一质量值、所述第二质量值和所述第三质量值筛选出准确边缘图像;将所述准确边缘图像与所述参考边缘图像进行掩膜,获得疑似病灶区域。
4.根据权利要求3所述的基于人工智能的病灶图像分析方法,其特征在于,所述根据所述边缘图像中不同边缘点之间的像素差异获得优化图像,具体包括:
对所述边缘图像中任意一个边缘点,将所述边缘点在预设邻域范围的其他边缘点作为参考边缘点,将每个所述参考边缘点与所述边缘点的像素差值作为子差异度;将所有所述子差异度的方差进行归一化,作为所述边缘点的像素差异度;
若所述像素差异度小于预设差异阈值,则对应所述边缘点为优化边缘点;若所述像素差异度不小于所述差异阈值,则对应所述边缘点不是所述优化边缘点;根据所述边缘图像中所有所述优化边缘点获得对应的优化图像。
5.根据权利要求3所述的基于人工智能的病灶图像分析方法,其特征在于,所述根据每个所述待检测边缘图像对应设备的所述状态参数信息获得第一质量值、第二质量值和第三质量值,具体包括:
预设CT值参考范围,对任意一个所述待检测边缘图像对应的所述状态参数信息,将所述CT值参考范围的中值与最小值的差值作为参考差值,获得所述参考差值与常数一的和的倒数;将所述CT值参考范围的中值与所述CT值的差值绝对值与所述倒数的乘积作为第一质量值;将所述空间分辨率的归一化值,作为第二质量值;将所述低对比度分辨率的归一化值,作为第三质量值。
6.根据权利要求3所述的基于人工智能的病灶图像分析方法,其特征在于,所述根据所述第一质量值、所述第二质量值和所述第三质量值筛选出准确边缘图像,具体包括:
获得所述第二质量值与所述第三质量值的乘积,获得所述第一质量值与预设调整系数的和值,将所述乘积与所述和值的比值作为图像质量值;若所述图像质量值大于预设质量阈值,则将所述待检测边缘图像作为准确边缘图像。
7.根据权利要求1所述的基于人工智能的病灶图像分析方法,其特征在于,所述根据所述范围区域内中心像素点与其他非中心像素点的像素差和间距情况,获得病灶生长点,具体包括:
根据所述范围区域内中心像素点与其他非中心像素点的像素差和间距对所述范围区域内所有像素点进行聚类,获得至少两个聚类区域;将所述中心像素点作为病灶起始点,将包含所述病灶起始点的所述聚类区域作为病灶待扩区;
若所述病灶起始点的位置未在所述疑似病灶区域内,将其他所述聚类区域的中心像素点与所述病灶起始点的距离作为对应所述聚类区域的待扩距离;将所述中心像素点位置在所述疑似病灶区域内的聚类区域作为实际聚类区域,将所述待扩距离最小的所述实际聚类区域更新为病灶待扩区;将所述病灶待扩区中所有像素点均作为病灶生长点。
8.根据权利要求7所述的基于人工智能的病灶图像分析方法,其特征在于,所述获得每个所述病灶生长点的待生长点,具体包括:
将所述病灶待扩区内所有所述病灶生长点的像素均值作为第一判断值;对任意一个所述病灶生长点,预设生长尺寸,获得所述病灶生长点的每个所述生长尺寸邻域内所有像素点的像素均值;
将所有所述像素均值中与所述第一判断值差异最小的所述生长尺寸作为对应所述病灶生长点的选取尺寸;将所述选取尺寸内其他像素点作为对应所述病灶生长点的待生长点。
9.根据权利要求8所述的基于人工智能的病灶图像分析方法,其特征在于,所述对所述待生长点进行分类,获得病灶区域,具体包括:
对任意一个所述待生长点,将与所述待生长点距离最小的所述优化边缘点的像素差,作为生长参照值;将所述生长参照值与所述待生长点对应的所述病灶生长点的像素差值绝对值作为门限值;
设置过所述待生长点任意方向的直线,将所述直线以所述待生长点为中心分为两个子方向;
若每个所述子方向至少经过一个所述优化边缘点,且所述待生长点与对应所述病灶生长点的像素差值绝对值不超过所述门限值,则将所述待生长点作为病灶生长点;反之,则将所述待生长点剔除;直至所述范围区域内无可划分的待生长点,将所有病灶生长点组成的区域作为病灶区域。
10.基于人工智能的病灶图像分析装置,其特征在于,包括存储器和处理器,所属存储器上存储有能够被处理器加载并执行如权利要求1至9中任一种方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311482919.4A CN117408988B (zh) | 2023-11-08 | 2023-11-08 | 基于人工智能的病灶图像分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311482919.4A CN117408988B (zh) | 2023-11-08 | 2023-11-08 | 基于人工智能的病灶图像分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117408988A true CN117408988A (zh) | 2024-01-16 |
CN117408988B CN117408988B (zh) | 2024-05-14 |
Family
ID=89494275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311482919.4A Active CN117408988B (zh) | 2023-11-08 | 2023-11-08 | 基于人工智能的病灶图像分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408988B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101099680A (zh) * | 2007-06-21 | 2008-01-09 | 苏重清 | 多层探测器ct |
CN102068281A (zh) * | 2011-01-20 | 2011-05-25 | 深圳大学 | 一种占位性病变超声图像的处理方法 |
US20130336596A1 (en) * | 2011-03-24 | 2013-12-19 | Mitsubishi Electric Corporation | Image processing device and method |
ITRM20130701A1 (it) * | 2013-12-20 | 2015-06-21 | I R C C S Ct Neurolesi Bonino Pulejo | Struttura di fantoccio universale per controlli di qualita' in tomografia computerizzata e risonanza magnetica |
US20160042499A1 (en) * | 2013-04-10 | 2016-02-11 | Koninklijke Philips N.V. | Image quality index and/or imaging parameter recommendation based thereon |
CN105719278A (zh) * | 2016-01-13 | 2016-06-29 | 西北大学 | 一种基于统计形变模型的器官辅助定位分割方法 |
CN107485406A (zh) * | 2017-09-13 | 2017-12-19 | 泰山医学院 | 一种用于Micro‑CT的质量检测的体模 |
CN108573490A (zh) * | 2018-04-25 | 2018-09-25 | 王成彦 | 一种针对肿瘤影像数据的智能读片系统 |
WO2020051746A1 (zh) * | 2018-09-10 | 2020-03-19 | 深圳配天智能技术研究院有限公司 | 图像的边缘检测方法、图像处理设备及计算机存储介质 |
CN111476774A (zh) * | 2020-04-07 | 2020-07-31 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎ct检测的智能征象识别装置 |
US11042980B1 (en) * | 2020-01-02 | 2021-06-22 | Robert Edwin Douglas | Method and apparatus for using quantative and qualitative data from medical imaging examinations for precise dosing regimen |
CN113196414A (zh) * | 2018-10-12 | 2021-07-30 | 医科达有限公司 | 对mr-linac的质量保证 |
US20220198214A1 (en) * | 2020-12-17 | 2022-06-23 | Shenzhen Imsight Medical Technology Co., Ltd. | Image recognition method and device based on deep convolutional neural network |
US20220192619A1 (en) * | 2020-12-22 | 2022-06-23 | Shanghai United Imaging Healthcare Co., Ltd. | Imaging systems and methods |
CN114972272A (zh) * | 2022-06-01 | 2022-08-30 | 东南大学 | 一种基于Grad-CAM的新冠肺炎病灶分割方法 |
US20220313181A1 (en) * | 2021-03-31 | 2022-10-06 | Varian Medical Systems International Ag | Motion artifact reduction in computed tomography |
WO2023015743A1 (zh) * | 2021-08-11 | 2023-02-16 | 北京航空航天大学杭州创新研究院 | 病灶检测模型的训练方法及识别图像中的病灶的方法 |
WO2023203509A1 (en) * | 2022-04-19 | 2023-10-26 | Instituto De Telecomunicações | Image data compression method and device using segmentation and classification |
-
2023
- 2023-11-08 CN CN202311482919.4A patent/CN117408988B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101099680A (zh) * | 2007-06-21 | 2008-01-09 | 苏重清 | 多层探测器ct |
CN102068281A (zh) * | 2011-01-20 | 2011-05-25 | 深圳大学 | 一种占位性病变超声图像的处理方法 |
US20130336596A1 (en) * | 2011-03-24 | 2013-12-19 | Mitsubishi Electric Corporation | Image processing device and method |
US20160042499A1 (en) * | 2013-04-10 | 2016-02-11 | Koninklijke Philips N.V. | Image quality index and/or imaging parameter recommendation based thereon |
ITRM20130701A1 (it) * | 2013-12-20 | 2015-06-21 | I R C C S Ct Neurolesi Bonino Pulejo | Struttura di fantoccio universale per controlli di qualita' in tomografia computerizzata e risonanza magnetica |
CN105719278A (zh) * | 2016-01-13 | 2016-06-29 | 西北大学 | 一种基于统计形变模型的器官辅助定位分割方法 |
CN107485406A (zh) * | 2017-09-13 | 2017-12-19 | 泰山医学院 | 一种用于Micro‑CT的质量检测的体模 |
CN108573490A (zh) * | 2018-04-25 | 2018-09-25 | 王成彦 | 一种针对肿瘤影像数据的智能读片系统 |
WO2020051746A1 (zh) * | 2018-09-10 | 2020-03-19 | 深圳配天智能技术研究院有限公司 | 图像的边缘检测方法、图像处理设备及计算机存储介质 |
CN113196414A (zh) * | 2018-10-12 | 2021-07-30 | 医科达有限公司 | 对mr-linac的质量保证 |
US11042980B1 (en) * | 2020-01-02 | 2021-06-22 | Robert Edwin Douglas | Method and apparatus for using quantative and qualitative data from medical imaging examinations for precise dosing regimen |
CN111476774A (zh) * | 2020-04-07 | 2020-07-31 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎ct检测的智能征象识别装置 |
US20220198214A1 (en) * | 2020-12-17 | 2022-06-23 | Shenzhen Imsight Medical Technology Co., Ltd. | Image recognition method and device based on deep convolutional neural network |
US20220192619A1 (en) * | 2020-12-22 | 2022-06-23 | Shanghai United Imaging Healthcare Co., Ltd. | Imaging systems and methods |
US20220313181A1 (en) * | 2021-03-31 | 2022-10-06 | Varian Medical Systems International Ag | Motion artifact reduction in computed tomography |
WO2023015743A1 (zh) * | 2021-08-11 | 2023-02-16 | 北京航空航天大学杭州创新研究院 | 病灶检测模型的训练方法及识别图像中的病灶的方法 |
WO2023203509A1 (en) * | 2022-04-19 | 2023-10-26 | Instituto De Telecomunicações | Image data compression method and device using segmentation and classification |
CN114972272A (zh) * | 2022-06-01 | 2022-08-30 | 东南大学 | 一种基于Grad-CAM的新冠肺炎病灶分割方法 |
Non-Patent Citations (5)
Title |
---|
丁力等: "基于sigmoid边缘模型的低对比度图像分割算法研究", 中国医疗设备, vol. 32, no. 11, 25 November 2017 (2017-11-25), pages 66 - 71 * |
杨克柽等: "CT机应用质量检测与临床照片图像质量关系", 放射学实践, vol. 17, no. 03, 25 March 2002 (2002-03-25), pages 249 - 251 * |
潘思静等: "自适应迭代重建应用于胸部CT低剂量扫描的体模研究", 现代医药卫生, vol. 39, no. 11, 30 June 2023 (2023-06-30), pages 1857 - 1861 * |
阎国栋等: "多层螺旋CT图像的质量管理与质量控制", 山西医药杂志(下半月刊), vol. 38, no. 06, 25 June 2009 (2009-06-25), pages 506 - 507 * |
韩志刚等: "高分辨率CT 对肝癌食管静脉曲张敏感性的初步探讨", 肝胆外科杂志, vol. 10, no. 5, 31 October 2002 (2002-10-31), pages 336 - 339 * |
Also Published As
Publication number | Publication date |
---|---|
CN117408988B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150428B (zh) | 一种基于深度学习的医学图像分割方法 | |
CN109635846B (zh) | 一种多类医学图像判断方法和系统 | |
US7474775B2 (en) | Automatic detection of red lesions in digital color fundus photographs | |
Raja'S et al. | Labeling of lumbar discs using both pixel-and object-level features with a two-level probabilistic model | |
EP0757544B1 (en) | Computerized detection of masses and parenchymal distortions | |
CN103249358A (zh) | 医用图像处理装置 | |
Zhou et al. | Optic disc and cup segmentation in retinal images for glaucoma diagnosis by locally statistical active contour model with structure prior | |
CN115115641B (zh) | 一种瞳孔图像分割方法 | |
CN117522719B (zh) | 基于机器学习的支气管镜图像辅助优化系统 | |
CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
CN117237591A (zh) | 一种心脏超声影像伪影智能去除方法 | |
CN117635616A (zh) | 用于医学检查结果互认的影像诊断系统 | |
CN115272647A (zh) | 一种肺部图像的识别处理方法及系统 | |
Shelke et al. | Automated segmentation and detection of brain tumor from MRI | |
Sun et al. | Automatic symmetry-integrated brain injury detection in MRI sequences | |
CN117408988B (zh) | 基于人工智能的病灶图像分析方法及装置 | |
CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 | |
CN113780421B (zh) | 基于人工智能的脑部pet影像识别方法 | |
CN111753723B (zh) | 一种基于密度校准的指纹识别方法及装置 | |
CN115578400A (zh) | 图像处理方法、图像分割网络的训练方法及装置 | |
Supanta et al. | An algorithm for feature extraction and detection of pulmonary nodules in digital radiographic images | |
CN117952994B (zh) | 一种心血管ct影像智能分割方法 | |
CN115965626B (zh) | 一种基于人工智能算法的医学图像处理方法及系统 | |
Jeyaraman et al. | Calibre fuzzy c-means algorithm applied for retinal blood vessel detection |
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 |