CN117611926A - 一种基于ai模型的医学影像识别方法及系统 - Google Patents

一种基于ai模型的医学影像识别方法及系统 Download PDF

Info

Publication number
CN117611926A
CN117611926A CN202410085946.6A CN202410085946A CN117611926A CN 117611926 A CN117611926 A CN 117611926A CN 202410085946 A CN202410085946 A CN 202410085946A CN 117611926 A CN117611926 A CN 117611926A
Authority
CN
China
Prior art keywords
medical image
boundary
medical
pixel
medical images
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
Application number
CN202410085946.6A
Other languages
English (en)
Other versions
CN117611926B (zh
Inventor
郭劲宏
邹媛媛
郭九川
马星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaoxing Keqiao Medical Laboratory Technology Research Center Of Chongqing Medical University
Original Assignee
Shaoxing Keqiao Medical Laboratory Technology Research Center Of Chongqing Medical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shaoxing Keqiao Medical Laboratory Technology Research Center Of Chongqing Medical University filed Critical Shaoxing Keqiao Medical Laboratory Technology Research Center Of Chongqing Medical University
Priority to CN202410085946.6A priority Critical patent/CN117611926B/zh
Publication of CN117611926A publication Critical patent/CN117611926A/zh
Application granted granted Critical
Publication of CN117611926B publication Critical patent/CN117611926B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06V10/40—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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于AI模型的医学影像识别方法及系统，属于医学图像处理技术，包括：获取医学影像，筛选出指定数量的一组医学图像：确定医学图像中各像素点的像素值，按照具有相近像素值的像素点的数量多少构建像素值区间；按照精度最低的分割规格将医学图像分割为相应规格下的子图像；对于任意子图像，对子图像进行过滤；对过滤后的子图像，利用次级精度的分割规格进行二次分割，过滤，并确定出一组医学图像中各张医疗图像的感兴趣区域的边界；将添加标记后的各组医学图像，训练分类器模型；将待预测的一组医学图像，输入训练后的分类器模型，以完成识别。本申请的方法用以提高分类器的分类精确度，提高分类器模型的适用范围。

Description

一种基于AI模型的医学影像识别方法及系统
技术领域
本申请涉及医学图像处理技术领域，尤其涉及一种基于AI模型的医学影像识别方法及系统。
背景技术
在现有技术中，采集到的原始医学影像图像可以传输给专业人员进行判断，例如判断舌体图像的属性、判断眼底图像的视网膜类型等等，但是人工判断的主观性强、难以量化，且效率较为低下。
例如一些脑部疾病需要结合脑部医学影像进行分析判断，这时通常需要使用到脑部医学影像分类方法及装置，现有的医学影像分类装置在进行使用时，大多采用图像叠加对比的方式来实现分类，对比完成后装置不具备学习优化的功能，从而导致现有的装置在进行使用时，整体的对比精度较差，适用范围小。
发明内容
本申请实施例提供一种基于AI模型的医学影像识别方法及系统，通过匹配出可疑的边界，进而确定出区域的偏移量，并训练出分类器模型，提高分类器的分类精确度，提高分类器模型的适用范围。
本申请实施例提出一种基于AI模型的医学影像识别方法，包括如下步骤：
获取医学影像，以及预先配置精度递增的多个分割规格；
按照时间顺序从所述医学影像中筛选出指定数量的一组医学图像；
对于筛选出的任一组医学图像中的各医学图像，通过如下步骤对任一组医学图像进行处理：
确定所述医学图像中各像素点的像素值，按照具有相近像素值的像素点的数量多少构建像素值区间，其中构建的像素值区间的数量与对医学图像的分割规格的数量相同；
按照精度最低的分割规格将医学图像分割为数个相应规格下的子图像；
对于任意子图像，通过构建的像素点数量最多的像素值区间，对子图像进行过滤；
对过滤后的子图像，确定子图像未被清空，利用次级精度的分割规格进行二次分割，并通过构建的像素点数量第二多的像素值区间进行过滤；
重复图像分割、像素过滤，以按照时间顺序确定出一组医学图像中各张医疗图像的感兴趣区域的边界；
按照时间先后顺序，依序逐次对医学图像的感兴趣区域的进行匹配，以确定感兴趣区域是否发生偏移；
若发生偏移，则对偏移时间和偏移距离进行标记，以及为所述任一组医学图像添加分类标记；
将添加标记后的各组医学图像，作为训练样本，训练分类器模型，其中在所述分类器模型的损失函数中引入有用以表征预测类别与真实类别之间的偏移量权重；
将待预测的一组医学图像，输入训练后的分类器模型，以完成医学图像分类识别。
可选的，按照时间顺序从所述医学影像中筛选出指定数量的一组医学图像包括：
从所述医学影像中提取出多于所需的医学图像数量的多张医学图像；
将提取的多张医学图像，按照所需的医学图像的数量，划分为多个时间区间，以使得一个时间区间至少包含一张医学图像；
计算各时间区间内的医学图像的清晰度；
保留各时间区间内的医学图像清晰度高的一张医学图像，以完成筛选。
可选的，按照具有相近像素值的像素点的数量多少构建像素值区间包括：
选取感兴趣区域的边界的代表像素值，并基于代表像素值进行提取，以获取感兴趣区域的主边界；
利用具有相同像素值数量最多的像素替换所述主边界；
以及，根据具有相近像素值的像素点的数量多少构建多个像素值区间。
可选的，重复图像分割、像素过滤，以确定出感兴趣区域的边界包括：
将重复图像分割、像素过滤完成后的次边界，与所述主边界进行组合，作为感兴趣区域的边界。
可选的，按照时间先后顺序，依序逐次对医学图像的感兴趣区域的进行匹配，以确定感兴趣区域是否发生偏移包括：
将在先的医学图像与在后的医学图像，根据选取的基准点进行对准；
若对准后的两张医学图像的次边界不重合，则确定发生偏移；
对偏移时间和偏移距离进行标记包括：
基于组合获得的感兴趣区域的边界，在多个方向上选取代表边界，其中多个方向分为至少两组，每组包括相对的两个方向；
利用选取的任一代表边界，对在后的医学图像查找对应代表边界的边界范围，并在相应的方向上确定次边界之间的像素距离作为偏移距离，进行标记；以及，
确定两张医学图像之间的时间差，以添加时间标记。
可选的，利用选取的任一代表边界，对在后的医学图像查找对应代表边界的边界范围，并在相应的方向上确定次边界之间的像素距离作为偏移距离包括：
基于选取的任一代表边界，在指定的半径范围，按照指定的像素步长，基于在后的医学图像进行查找；
计算查找出的边界范围与所述任一代表边界的相似度；
将在在后的医学图像中查找到的相似度最高边界范围作为查找结果；
计算出两代表边界的次边界之间的像素距离，作为偏移距离。
可选的，所述分类器模型为VGG16分类器，所述VGG16分类器的训练过程采用如下损失函数执行训练：；其中，/>表示每组医学图像的真实类别/>与分类器预测的每个类别/>之间的预测概率/>计算的加权损失，/>表示分类器预测属于类别/>的概率，/>表示总类别数，/>表示为真实类别/>的权重，/>表示预测类别/>与真实类别/>之间的偏移量权重，其中预测类别/>与真实类别/>对应的偏移距离之差越小、偏移时间越接近，则/>越小，/>表示调焦参数，用以描述易分类样本对损失函数的贡献程度。
本申请实施例还提出一种基于AI模型的医学影像识别系统，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的基于AI模型的医学影像识别方法的步骤。
本申请实施例的识别方法通过多级的图像分割过滤，按照时间顺序确定出医疗图像的感兴趣区域的边界，再通过匹配出可疑的边界，从而确定出区域的偏移量，来训练出分类器模型，从而提高分类器模型的适用范围，提高分类器的分类精确度。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本实施例的基于AI模型的医学影像识别方法的基本流程示意。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本申请实施例提出一种基于AI模型的医学影像识别方法，如图1所示，包括如下步骤：
在步骤S101中，获取医学影像，以及预先配置精度递增的多个分割规格。在一些实施例中，获取医学影像可以是对同一患者在不同的时间段拍摄的医学影像，例如相隔一周、一个月等，相关的医学影像添加有时间标记，组合形成所获取的医学图像。多个分割规格可以根据实际的模型识别需要来进行配置。
在步骤S102中，按照时间顺序从所述医学影像中筛选出指定数量的一组医学图像。一些具体示例中，可以筛选出图像清晰或者病灶区域清晰的一组医学图像。
对于筛选出的任一组医学图像中的各医学图像，通过如下步骤对任一组医学图像进行处理：
在步骤S103中，确定所述医学图像中各像素点的像素值，按照具有相近像素值的像素点的数量多少构建像素值区间，其中构建的像素值区间的数量与对医学图像的分割规格的数量相同。具体的可以在RGB颜色空间或者灰度空间，确定出医学图像中各像素点的像素值。一些示例中，例如医学图像中包含有大量黑色背景图像，则可以基于黑色的像素值来构建一个像素值区间，用以滤除背景。其他区域的像素点则可以进一步根据颜色空间通过例如灰度区间的一个像素值或者相邻的一段像素值，来构建后续的像素区间，构建的像素值区间的数量与对医学图像的分割规格的数量相同，从而与后续分割过滤步骤适配。
针对例如病灶的扩散特性，本申请实施例提出识别出医学图像主边界与次边界组合来确定出感兴趣区域边界的方法。具体在步骤S104中，按照精度最低的分割规格将医学图像分割为数个相应规格下的子图像。
在步骤S105中，对于任意子图像，通过构建的像素点数量最多的像素值区间，对子图像进行过滤。例如前述的纯黑色像素值的像素区间为像素点数量最多的像素值区间，从而首次对于分割出的子图像将黑色像素值过滤掉。
在步骤S106中，对过滤后的子图像，确定子图像未被清空，利用次级精度的分割规格进行二次分割，并通过构建的像素点数量第二多的像素值区间进行过滤。若分割出的子图像全部为纯黑色像素值，则该子图像被清空，也即全部过滤。若未被全部清空，则利用次级精度的分割规格对子图像进行二次分割，分割之后，利用像素点数量第二多的像素值区间进行过滤，例如灰度区间的一段灰度值，来执行过滤。
在步骤S107中，重复图像分割、像素过滤，以按照时间顺序确定出一组医学图像中各张医疗图像的感兴趣区域的边界。直接选取像素的方式仅能获得单一的或者某一个范围的边界，直接选取像素的方式要么确定边界较窄，无法真实体现感兴趣区域，例如病灶区域的扩散趋势，而选取某一个范围又会带来较多的噪声。而本申请实施例的方法，通过分割和过滤相结合，并按序构建像素值区间，可以在过滤后，获得包含感兴趣区域扩展趋势的边界，从而能够提高后续模型的识别准确率。
在步骤S108中，按照时间先后顺序，依序逐次对医学图像的感兴趣区域的进行匹配，以确定感兴趣区域是否发生偏移。一些示例中，感兴趣区域的偏移可以用以描述病灶的发展趋势，例如用以分类识别同种病情的不同时期。
在步骤S109中，若发生偏移，则对偏移时间和偏移距离进行标记，以及为所述任一组医学图像添加分类标记。
在步骤S110中，将添加标记后的各组医学图像，作为训练样本，训练分类器模型，其中在所述分类器模型的损失函数中引入有用以表征预测类别与真实类别之间的偏移量权重。
在步骤S111中，将待预测的一组医学图像，输入训练后的分类器模型，以完成医学图像分类识别。
本申请实施例的识别方法通过多级的图像分割过滤，按照时间顺序确定出医疗图像的感兴趣区域的边界，再通过匹配出可疑的边界，从而确定出区域的偏移量，来训练出分类器模型，从而提高分类器模型的适用范围，提高分类器的分类精确度。
在一些实施例中，按照时间顺序从所述医学影像中筛选出指定数量的一组医学图像包括：
从所述医学影像中提取出多于所需的医学图像数量的多张医学图像；
将提取的多张医学图像，按照所需的医学图像的数量，划分为多个时间区间，以使得一个时间区间至少包含一张医学图像。
计算各时间区间内的医学图像的清晰度，一些实例中，可以对医学图像或者指定的子图像来计算清晰度，具体的清晰度的计算方式可以采用Tenengrad梯度方法等。
保留各时间区间内的医学图像清晰度高的一张医学图像，以完成筛选。
本申请实施例提出主次边界组合的边界提取方法，在一些实施例中，按照具有相近像素值的像素点的数量多少构建像素值区间包括：
选取感兴趣区域的边界的代表像素值，并基于代表像素值进行提取，以获取感兴趣区域的主边界。也即本申请实施例中，通过选取主边界的代表像素值，从而仅对该像素值来提取出主边界。
利用具有相同像素值数量最多的像素替换所述主边界，以及，根据具有相近像素值的像素点的数量多少构建多个像素值区间。例如可以通过前述的纯黑色像素值，替换提取后的主边界。通过这样的方式在主边界被提取后，其区域可以在第一轮过滤即被过滤掉，而在后续示例中，通过提取的主边界与次边界组合，即可形成感兴趣区域的边界范围。
在一些实施例中，重复图像分割、像素过滤，以确定出感兴趣区域的边界包括：
将重复图像分割、像素过滤完成后的次边界，与所述主边界进行组合，作为感兴趣区域的边界。本申请实施例的边界提取方法，将主边界与次边界进行叠加组合，从而获得的边界范围更为准确，不存在边界像素丢失或者引入过多的噪声。
在一些实施例中，按照时间先后顺序，依序逐次对医学图像的感兴趣区域的进行匹配，以确定感兴趣区域是否发生偏移包括：
将在先的医学图像与在后的医学图像，根据选取的基准点进行对准。例如可以选取医学图像中的相对位置不变的组织或者结构作为对准基准。
若对准后的两张医学图像的次边界不重合，则确定发生偏移。
进一步的，对偏移时间和偏移距离进行标记包括：
基于组合获得的感兴趣区域的边界，在多个方向上选取代表边界，其中多个方向分为至少两组，每组包括相对的两个方向，从而在后续实施例中，可以在相应的方向上确定出偏移距离。
利用选取的任一代表边界，对在后的医学图像查找对应代表边界的边界范围，并在相应的方向上确定次边界之间的像素距离作为偏移距离，进行标记；以及，确定两张医学图像之间的时间差，以添加时间标记。
在一些实施例中，利用选取的任一代表边界，对在后的医学图像查找对应代表边界的边界范围，并在相应的方向上确定次边界之间的像素距离作为偏移距离包括：
基于选取的任一代表边界，在指定的半径范围，按照指定的像素步长，基于在后的医学图像进行查找。
计算查找出的边界范围与所述任一代表边界的相似度，一些示例中，可以基于形状相似的计算方式，来计算出两者边界的相似度。
将在在后的医学图像中查找到的相似度最高边界范围作为查找结果；
计算出两代表边界的次边界之间的像素距离，作为偏移距离。例如可以基于相应的方向，来计算两代表边界的次边界之间的像素点数量，作为偏移距离。在一些示例中，对于同一组的两个相反的方向，可以将偏移距离相叠加，来确定最终的偏移距离。
在一些实施例中，所述分类器模型为VGG16分类器，在具体示例中，VGG16分类器的结构在此不做赘述，本示例中所述VGG16分类器的训练过程采用如下损失函数执行训练：；其中，/>表示每组医学图像的真实类别/>与分类器预测的每个类别/>之间的预测概率/>计算的加权损失，/>表示分类器预测属于类别/>的概率，/>表示总类别数，/>表示为真实类别/>的权重，/>表示预测类别/>与真实类别/>之间的偏移量权重，其中预测类别/>与真实类别/>对应的偏移距离之差越小、偏移时间越接近，则/>越小，/>表示调焦参数，用以描述易分类样本对损失函数的贡献程度；/>作为调整因子，当分类器对于正确类别的分类预测概率较高时，/>值较小。
本申请实施例的损失函数设计，通过引入预测类别与真实类别的偏移距离及偏移时间相关的权重，实现对不同偏移情况的分类错误进行差异化惩罚，提高了模型在处理复杂数据时的性能和准确性。
本申请实施例还提出一种基于AI模型的医学影像识别系统，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的基于AI模型的医学影像识别方法的步骤。
此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本公开的具有等同元件、修改、省略、组合(例如，各种实施例交叉的方案 )、改编或改变的实施例。并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。
以上实施例仅为本公开的示例性实施例，本领域技术人员可以在本公开的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (8)

1.一种基于AI模型的医学影像识别方法，其特征在于，包括如下步骤：
获取医学影像，以及预先配置精度递增的多个分割规格；
按照时间顺序从所述医学影像中筛选出指定数量的一组医学图像；
对于筛选出的任一组医学图像中的各医学图像，通过如下步骤对任一组医学图像进行处理：
确定所述医学图像中各像素点的像素值，按照具有相近像素值的像素点的数量多少构建像素值区间，其中构建的像素值区间的数量与对医学图像的分割规格的数量相同；
按照精度最低的分割规格将医学图像分割为数个相应规格下的子图像；
对于任意子图像，通过构建的像素点数量最多的像素值区间，对子图像进行过滤；
对过滤后的子图像，确定子图像未被清空，利用次级精度的分割规格进行二次分割，并通过构建的像素点数量第二多的像素值区间进行过滤；
重复图像分割、像素过滤，以按照时间顺序确定出一组医学图像中各张医疗图像的感兴趣区域的边界；
按照时间先后顺序，依序逐次对医学图像的感兴趣区域的进行匹配，以确定感兴趣区域是否发生偏移；
若发生偏移，则对偏移时间和偏移距离进行标记，以及为所述任一组医学图像添加分类标记；
将添加标记后的各组医学图像，作为训练样本，训练分类器模型，其中在所述分类器模型的损失函数中引入有用以表征预测类别与真实类别之间的偏移量权重；
将待预测的一组医学图像，输入训练后的分类器模型，以完成医学图像分类识别。
2.如权利要求1所述的基于AI模型的医学影像识别方法，其特征在于，按照时间顺序从所述医学影像中筛选出指定数量的一组医学图像包括：
从所述医学影像中提取出多于所需的医学图像数量的多张医学图像；
将提取的多张医学图像，按照所需的医学图像的数量，划分为多个时间区间，以使得一个时间区间至少包含一张医学图像；
计算各时间区间内的医学图像的清晰度；
保留各时间区间内的医学图像清晰度高的一张医学图像，以完成筛选。
3.如权利要求1所述的基于AI模型的医学影像识别方法，其特征在于，按照具有相近像素值的像素点的数量多少构建像素值区间包括：
选取感兴趣区域的边界的代表像素值，并基于代表像素值进行提取，以获取感兴趣区域的主边界；
利用具有相同像素值数量最多的像素替换所述主边界；
以及，根据具有相近像素值的像素点的数量多少构建多个像素值区间。
4.如权利要求3所述的基于AI模型的医学影像识别方法，其特征在于，重复图像分割、像素过滤，以确定出感兴趣区域的边界包括：
将重复图像分割、像素过滤完成后的次边界，与所述主边界进行组合，作为感兴趣区域的边界。
5.如权利要求4所述的基于AI模型的医学影像识别方法，其特征在于，按照时间先后顺序，依序逐次对医学图像的感兴趣区域的进行匹配，以确定感兴趣区域是否发生偏移包括：
将在先的医学图像与在后的医学图像，根据选取的基准点进行对准；
若对准后的两张医学图像的次边界不重合，则确定发生偏移；
对偏移时间和偏移距离进行标记包括：
基于组合获得的感兴趣区域的边界，在多个方向上选取代表边界，其中多个方向分为至少两组，每组包括相对的两个方向；
利用选取的任一代表边界，对在后的医学图像查找对应代表边界的边界范围，并在相应的方向上确定次边界之间的像素距离作为偏移距离，进行标记；以及，
确定两张医学图像之间的时间差，以添加时间标记。
6.如权利要求5所述的基于AI模型的医学影像识别方法，其特征在于，利用选取的任一代表边界，对在后的医学图像查找对应代表边界的边界范围，并在相应的方向上确定次边界之间的像素距离作为偏移距离包括：
基于选取的任一代表边界，在指定的半径范围，按照指定的像素步长，基于在后的医学图像进行查找；
计算查找出的边界范围与所述任一代表边界的相似度；
将在在后的医学图像中查找到的相似度最高边界范围作为查找结果；
计算出两代表边界的次边界之间的像素距离，作为偏移距离。
7.如权利要求6所述的基于AI模型的医学影像识别方法，其特征在于，所述分类器模型为VGG16分类器，所述VGG16分类器的训练过程采用如下损失函数执行训练：；其中，/>表示每组医学图像的真实类别/>与分类器预测的每个类别/>之间的预测概率/>计算的加权损失，/>表示分类器预测属于类别/>的概率，/>表示总类别数，/>表示为真实类别/>的权重，/>表示预测类别/>与真实类别/>之间的偏移量权重，其中预测类别/>与真实类别/>对应的偏移距离之差越小、偏移时间越接近，则/>越小，/>表示调焦参数，用以描述易分类样本对损失函数的贡献程度。
8.一种基于AI模型的医学影像识别系统，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于AI模型的医学影像识别方法的步骤。
CN202410085946.6A 2024-01-22 2024-01-22 一种基于ai模型的医学影像识别方法及系统 Active CN117611926B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410085946.6A CN117611926B (zh) 2024-01-22 2024-01-22 一种基于ai模型的医学影像识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410085946.6A CN117611926B (zh) 2024-01-22 2024-01-22 一种基于ai模型的医学影像识别方法及系统

Publications (2)

Publication Number Publication Date
CN117611926A true CN117611926A (zh) 2024-02-27
CN117611926B CN117611926B (zh) 2024-04-23

Family

ID=89960194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410085946.6A Active CN117611926B (zh) 2024-01-22 2024-01-22 一种基于ai模型的医学影像识别方法及系统

Country Status (1)

Country Link
CN (1) CN117611926B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952964A (zh) * 2024-03-25 2024-04-30 重庆医科大学绍兴柯桥医学检验技术研究中心 基于计算机视觉技术的眼底医学影像分析方法
CN117952964B (zh) * 2024-03-25 2024-06-07 重庆医科大学绍兴柯桥医学检验技术研究中心 基于计算机视觉技术的眼底医学影像分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080205721A1 (en) * 2007-02-13 2008-08-28 Udupa Jayaram K Segmentation Method Using An Oriented Active Shape Model
CN110148192A (zh) * 2019-04-18 2019-08-20 上海联影智能医疗科技有限公司 医学影像成像方法、装置、计算机设备和存储介质
CN110796656A (zh) * 2019-11-01 2020-02-14 上海联影智能医疗科技有限公司 图像检测方法、装置、计算机设备和存储介质
CN113822846A (zh) * 2021-05-31 2021-12-21 腾讯科技（深圳）有限公司 医学图像中确定感兴趣区域的方法、装置、设备及介质
CN114359288A (zh) * 2022-03-22 2022-04-15 珠海市人民医院 基于人工智能的医学影像脑动脉瘤检测和定位方法
WO2023165033A1 (zh) * 2022-03-02 2023-09-07 深圳硅基智能科技有限公司 识别医学图像中的目标的模型训练、方法、设备及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080205721A1 (en) * 2007-02-13 2008-08-28 Udupa Jayaram K Segmentation Method Using An Oriented Active Shape Model
CN110148192A (zh) * 2019-04-18 2019-08-20 上海联影智能医疗科技有限公司 医学影像成像方法、装置、计算机设备和存储介质
CN110796656A (zh) * 2019-11-01 2020-02-14 上海联影智能医疗科技有限公司 图像检测方法、装置、计算机设备和存储介质
CN113822846A (zh) * 2021-05-31 2021-12-21 腾讯科技（深圳）有限公司 医学图像中确定感兴趣区域的方法、装置、设备及介质
WO2023165033A1 (zh) * 2022-03-02 2023-09-07 深圳硅基智能科技有限公司 识别医学图像中的目标的模型训练、方法、设备及介质
CN114359288A (zh) * 2022-03-22 2022-04-15 珠海市人民医院 基于人工智能的医学影像脑动脉瘤检测和定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘任从;徐磊;张乐乐;孟庆乐;杨瑞;王自正;: "核素肾动态显像肾脏感兴趣区域分割算法的研究", 中国医疗设备, no. 12, 25 December 2017 (2017-12-25) *
王海鸥;刘慧;郭强;邓凯;张彩明;: "面向医学图像分割的超像素U-Net网络设计", 计算机辅助设计与图形学学报, no. 06, 15 June 2019 (2019-06-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952964A (zh) * 2024-03-25 2024-04-30 重庆医科大学绍兴柯桥医学检验技术研究中心 基于计算机视觉技术的眼底医学影像分析方法
CN117952964B (zh) * 2024-03-25 2024-06-07 重庆医科大学绍兴柯桥医学检验技术研究中心 基于计算机视觉技术的眼底医学影像分析方法

Also Published As

Publication number Publication date
CN117611926B (zh) 2024-04-23

Similar Documents

Publication Publication Date Title
US10755406B2 (en) Systems and methods for co-expression analysis in immunoscore computation
CN107909117B (zh) 基于脑功能网络特征对早晚期轻度认知障碍的分类装置
CN112184617B (zh) 一种基于深度学习的脊椎mri影像关键点检测方法
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN107609575B (zh) 书法评价方法、书法评价装置和电子设备
US20150010218A1 (en) Image Processing Method And Apparatus
CN111340701B (zh) 一种基于聚类法筛选匹配点的电路板图像拼接方法
CN109871875B (zh) 一种基于深度学习的建筑物变化检测方法
CN105046200B (zh) 基于直线检测的电子阅卷方法
CN110969204A (zh) 基于磁共振图像与数字病理图像融合的样本分类系统
CN101900737A (zh) 基于支持向量机的尿沉渣有形成分自动识别系统
CN112215790A (zh) 基于深度学习的ki67指数分析方法
CN105825169A (zh) 一种基于道路影像的路面裂缝识别方法
CN113962976A (zh) 用于病理玻片数字图像的质量评估方法
CN115497010B (zh) 一种基于深度学习的地理信息的识别方法及系统
CN114596316A (zh) 一种基于语义分割的道路图像细节抓取方法
CN113569724A (zh) 基于注意力机制和扩张卷积的道路提取方法及系统
CN111046838A (zh) 一种湿地遥感信息的识别方法及装置
CN117611926B (zh) 一种基于ai模型的医学影像识别方法及系统
CN113989563A (zh) 一种多尺度多标签融合的中医舌象分类方法
US20160283821A1 (en) Image processing method and system for extracting distorted circular image elements
CN112364844B (zh) 一种基于计算机视觉技术的数据采集方法及系统
CN114387625A (zh) 基于fpn算法的生态生物识别方法
CN111382685B (zh) 一种基于深度学习的场景识别方法和系统
CN104616264B (zh) 基因芯片图像的自动对比度增强方法

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