TWI778759B - 醫療影像處理方法和設備、及其電腦儲存介質和電腦程式產品 - Google Patents
醫療影像處理方法和設備、及其電腦儲存介質和電腦程式產品 Download PDFInfo
- Publication number
- TWI778759B TWI778759B TW110131085A TW110131085A TWI778759B TW I778759 B TWI778759 B TW I778759B TW 110131085 A TW110131085 A TW 110131085A TW 110131085 A TW110131085 A TW 110131085A TW I778759 B TWI778759 B TW I778759B
- Authority
- TW
- Taiwan
- Prior art keywords
- medical image
- image processing
- processing method
- original
- neural network
- Prior art date
Links
Images
Landscapes
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本揭露提供一種醫療影像處理方法,包括:藉由神經網路模組檢測原
始醫療影像,以獲得該原始醫療影像中之預測區域,其中,該預測區域對應該原始醫療影像中淋巴結之位置且包括標記類別;以及藉由標記模組根據該標記類別對該預測區域進行上色之後,輸出表示該原始醫療影像中該淋巴結之位置及其惡性度之預測結果。本揭露另提供可實現上述醫療影像處理方法之醫療影像處理設備、電腦儲存介質及電腦程式產品。
Description
本揭露涉及一種淋巴結之醫療影像辨識技術,尤指一種淋巴結之醫療影像的處理方法和設備、及其電腦儲存介質和電腦程式產品。
淋巴系統為廣泛分布於全身的一種循環系統,其包括淋巴、淋巴管及淋巴結。癌細胞經常藉由淋巴及淋巴管轉移至區域淋巴結以進行遠端移轉,因此,判斷癌細胞是否已侵犯區域淋巴結,實為攸關診斷分期、治療方針、甚至復發及存活率等預後之重要關鍵。
目前分期診斷主要分為病理診斷及臨床診斷。病理診斷經由手術、內視鏡、細針或粗針穿刺等方法取得病灶組織,經過組織處理後做成病理切片,以從顯微鏡下觀察細胞的型態。臨床診斷則是藉由理學檢查或醫學影像輔助之方式進行診斷,惟其診斷通常未必準確,恐影響手術切除以及淋巴廓清之範圍,例如誤判淋巴結未轉移而減小手術範圍,因而造成潛在的轉移淋巴結未被清除,其可能影響預後狀況。
是以,如何提供一種可輔助淋巴結之臨床診斷並有效提高診斷精準度之技術手段,為目前本領域亟待解決之問題之一。
為解決上述問題,本揭露提供一種醫療影像處理方法,包括:藉由神經網路模組檢測原始醫療影像,以獲得該原始醫療影像中之預測區域,其中,該預測區域係對應該原始醫療影像中淋巴結之位置且包括至標記類別;以及藉由標記模組根據該標記類別對該預測區域進行上色之後,輸出表示該原始醫療影像中該淋巴結之位置及惡性度的預測結果。
於本揭露之醫療影像處理方法的一些實施態樣中,更包括:藉由該神經網路模組之卷積層及池化層對該原始醫療影像進行特徵提取,以生成下一級之醫療影像,其中,該下一級之醫療影像的尺度小於該原始醫療影像;藉由該神經網路模組之卷積層及上採樣層對該下一級之醫療影像進行特徵還原,並經由最終卷積層輸出最後一級之醫療影像,其中,該最後一級之醫療影像的尺度等於該原始醫療影像;以及基於該最後一級之醫療影像進行檢測,以獲得該預測區域。
於本揭露之醫療影像處理方法的一些實施態樣中,該神經網路模組進行特徵提取或特徵還原之次數為至少三次。
於本揭露之醫療影像處理方法的一些實施態樣中,每次進行特徵提取時,該卷積層之層數為二層,且該池化層之層數為一層,以及每次進行特徵還原時,該卷積層之層數為二層,且該上採樣層之層數為一層。
於本揭露之醫療影像處理方法的一些實施態樣中,更包括在進入該卷積層中進行特徵提取或特徵還原之前,先進行批處理標準化演算法。
於本揭露之醫療影像處理方法的一些實施態樣中,更包括:使用該原始醫療影像及對應之標記醫療影像對該神經網路模組進行訓練,其中,該對應之標記醫療影像中包括圈選區域及對應之標記類別;基於相似度損失函數,計算分別以該原始醫療影像與該標記醫療影像配對所形成之訓練組及驗證組之間的損失值;以及若該損失值達到預設值,則完成該神經網路模組之訓練。
於本揭露之醫療影像處理方法的一些實施態樣中,對該神經網路模組進行訓練之前,更包括:於該原始醫療影像中以人工標記該圈選區域及該標記類別之後,將經人工標記之該原始醫療影像作為該標記醫療影像,其中,該圈選區域為淋巴結之位置,該標記類別包括良性、惡性、淋巴結外侵犯或其中兩者以上之組合;將該原始醫療影像及該標記醫療影像轉換成陣列,並於使用邊界裁減演算法處理之後,將處理後之該陣列儲存至資料庫;以及從該資料庫中讀取該陣列,以訓練得到該神經網路模組。
於本揭露之醫療影像處理方法的一些實施態樣中,該陣列之數字經移動特定單位、旋轉特定度數或其組合,以生成新的訓練用之醫療影像。
於本揭露之醫療影像處理方法的一些實施態樣中,該標記類別包括良性、惡性、淋巴結外侵犯或其中兩者以上之組合。
於本揭露之醫療影像處理方法的一些實施態樣中,該神經網路模組包括U-net卷積神經網路模型。
本揭露另提供一種電腦儲存介質,其儲存有電腦可執行代碼,該電腦可執行代碼經執行後,能夠實現前述之醫療影像處理方法。
本揭露另提供一種電腦程式產品,其包括電腦可執行指令,該電腦可執行指令經執行後,能夠實現前述之醫療影像處理方法。
本揭露更提供一種醫療影像處理設備,其包括記憶體及處理器,該處理器用以藉由執行儲存在該記憶體上之電腦可執行指令,能夠實現前述之醫療影像處理方法。
S1、S2、S11-S15:步驟
11、12、13、14、15、16、17:卷積層
21、22、23:池化層
31、32、33:上採樣層
41:最終卷積層
5:醫療影像處理設備
51:記憶體
52:處理器
6:醫療影像檢查儀器
7:影像資料庫
8:醫療影像儲傳系統
圖1為本揭露其中至少一實施例之醫療影像處理方法之流程圖。
圖2為本揭露其中至少一實施例之醫療影像處理方法中訓練神經網路模組之流程圖。
圖3為本揭露其中至少一實施例之醫療影像處理方法中神經網路模組之模型示意圖。
圖4A至4C為本揭露其中一實施例之醫療影像處理方法用於預測患者頭頸部淋巴結位置及形狀的結果。
圖5A至5C為本揭露其中另一實施例之醫療影像處理方法用於預測患者頭頸部淋巴結位置及形狀的結果。
圖6為本揭露其中至少一實施例之醫療影像處理設備之架構圖。
圖7為本揭露其中至少一實施例中使用醫療影像檢查儀器整合醫療院所內之醫療影像資訊之架構圖。
以下藉由特定之具體實施例加以說明本揭露之實施方式,本揭露所屬技術領域中具有通常知識者可根據本文所揭露之內容輕易地瞭解本揭露之優點和功效。然而,本文所載之具體實施例並非用以限定本揭露,本揭露亦可藉
由其他不同之實施方式加以施行或應用,本文所載各項細節亦可根據不同的觀點與應用,在不悖離本揭露之範圍下賦予不同的變化或修飾。
本文所述「包括」或「具有」特定要件時,除非另有說明,否則可另包括其他元件、組成分、結構、區域、部位、裝置、系統、步驟、連接關係等要件,而非排除該等其他要件。
此外,除非本文另有明確說明,否則本文所述單數形式之「一」及「該」也包括複數形式,且本文所述「或」可與「及/或」互換使用。
請參閱圖1,於至少一實施例中,本揭露的醫療影像處理方法包括:藉由神經網路模組檢測至少一原始醫療影像,以獲得該原始醫療影像中至少一預測區域,其中,該預測區域係對應該原始醫療影像中淋巴結之位置且包括至少一標記類別(步驟S1),以及藉由標記模組根據該標記類別對該預測區域進行上色之後,輸出表示該原始醫療影像中該淋巴結之位置及其惡性度的預測結果(步驟S2)。
本文所述「原始醫療影像」包括但不限於由電腦斷層掃描(computer tomography,CT)、磁振造影(magnetic resonance imaging,MRI)、正子斷層攝影(positron emission tomography,PET)或單光子攝影(single photon emission computerized tomography,SPECT)所獲得之檢測部位的二維影像或三維影像。本文所述「檢測部位」為具有淋巴結分布之部位,淋巴結廣泛分布於身體各處,例如:頭頸部、軀幹、腋下或鼠蹊部。頭頸癌為國人常見之癌症,由於頭頸部淋巴引流豐富,故判斷患者頭頸部淋巴結之侵犯與否,為診斷、治療及預後評估之指標。因此,於本揭露的至少一實施例中,該原始醫療影像為頭頸部淋巴結之醫療
影像,並可根據二維影像或三維影像之呈現方式,而有單張原始醫療影像或複數張原始醫療影像供神經網路模組檢測。
本文所述「惡性度」係指用於判斷癌症或腫瘤的良性或惡性程度指標。癌症或腫瘤之「良性」或「惡性」通常可藉由以下特徵判定:細胞分化程度(包括形態及功能)、生長速率、浸潤程度、侵襲程度及遠端轉移程度。「良性」癌症或腫瘤通常分化程度良好、生長速率慢、保持於原發部位、以及較不具有浸潤、侵襲或遠端轉移之能力。「惡性」癌症或腫瘤通常分化不良、生長快速、以及具有浸潤、侵襲或破壞周圍組織之能力和具有遠端轉移之能力。
於至少一具體實施例中,本揭露的醫療影像處理方法能輔助診斷或治療與淋巴或血液循環系統相關之疾病,例如但不限於B細胞淋巴瘤、T細胞淋巴瘤、自然殺手(natural killer,NK)細胞淋巴瘤、白血病或漿細胞瘤。於至少一具體實施例中,本揭露的醫療影像處理方法能輔助診斷或治療瀰漫性大B細胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)、濾泡性淋巴瘤(follicular lymphoma,FL)、小淋巴球性淋巴瘤(small lymphocytic lymphoma,SLL)、套細胞淋巴瘤(mantle cell lymphoma,MCL)、邊緣區淋巴瘤(marginal zone lymphoma,MZL)、伯基特氏淋巴瘤(Burkitt's lymphoma)、淋巴漿細胞淋巴瘤(lymphoplasmacytic lymphoma,LPL)、原發性中樞神經系統淋巴瘤(primary central nervous system lymphoma,PCNSL)、霍奇金氏淋巴瘤(Hodgkin lymphoma,HL)、非霍奇金氏淋巴瘤(non-Hodgkin lymphoma,NHL)、前驅體T-淋巴母細胞淋巴瘤(precursor T-cell lymphoblastic lymphoma,Pre-T-LBL)、外周T細胞淋巴瘤(peripheral T-cell lymphoma,PTCL)、毛細胞白血病(hairy cell leukemia,HCL)、急性淋巴細胞性白血病(acute lymphoblastic leukemia,ALL)、慢性淋巴細胞性白血病(chronic lymphocytic
leukemia,CLL)、T細胞急性淋巴母細胞白血病(T-cell acute lymphoblastic leukemia,T-ALL)、B細胞急性淋巴母細胞白血病(B-cell acute lymphoblastic leukemia,B-ALL)、急性骨髓性白血病(acute myeloid leukemia,AML)、慢性骨髓性白血病(chronic myeloid leukemia,CML)、多發性骨髓瘤、漿細胞骨髓瘤或漿細胞白血病。
於至少一具體實施例中,本揭露的醫療影像處理方法能輔助診斷或治療頭頸癌、食道癌、甲狀腺癌、唾腺癌、舌癌、乳癌、肺癌、肝癌、膽管癌、腸癌(例如大腸癌、直腸癌或結腸癌)、胃癌、腹膜癌、腎癌、卵巢癌、膀胱癌、前列腺癌、子宮癌(例如子宮頸癌或子宮癌)、外陰癌、骨髓癌、睪丸癌、血癌或皮膚癌。於至少一具體實施例中,本揭露的醫療影像處理方法能輔助診斷或治療鼻咽癌、唾液腺癌、口咽癌、口腔癌、下咽癌或喉癌。於至少一具體實施例中,本揭露的醫療影像處理方法能輔助診斷或治療神經膠質瘤、黑色素瘤、血管瘤、軟組織肉瘤、骨肉瘤或纖維肉瘤。
於本揭露之至少一具體實施例中,在使用神經網路模組對原始醫療影像進行檢測之前,可先對原始醫療影像進行前處理,並對神經網路模組進行訓練。請一併參閱圖2,於步驟S11中,在使用電腦斷層掃描或磁共振顯影取得原始醫療影像之後,可在商用軟體如Osirix上輸入原始醫療影像,並操作商用軟體如Osirix於原始醫療影像中以人工方式標記出圈選區域及標記類別。
於至少一具體實施例中,本揭露的「圈選區域」是指淋巴結之位置,而「標記類別」則是根據病人之病理報告對該圈選區域所進行之分類,其包括「良性」、「惡性」及「淋巴結外侵犯(extranodal extension,ENE)」。於本揭露之至少一具體實施例中,在完成圈選區域及標記類別之後,可將經人工標記
之原始醫療影像作為標記醫療影像,並且可經由軟體如Matplotlib將原始醫療影像及標記醫療影像輸出成如JSON檔來進行儲存。
本文所述「淋巴結外侵犯」是指轉移之癌細胞突破淋巴結夾膜並侵犯周圍組織,是判斷癌症期別及預後之重要因子,可作為診斷、治療及預後評估之依據。於本揭露之至少一具體實施例中,可依據淋巴結之特徵,例如:外觀、尺寸(如長徑或短徑)或顏色進行分類。
於本揭露之至少一具體實施例中,上述之圈選區域為在原始醫療影像上之圈選端點座標,如單一原始醫療影像僅具有單顆淋巴結,則軟體可直接將所有之圈選端點座標連接以得到圈選區域;如單一原始醫療影像具有複數顆淋巴結,則軟體可先對複數顆淋巴結進行分組,再將各組淋巴結所對應之圈選端點座標連接,以避免軟體將全部之圈選端點座標直接連在一起。
於本揭露之至少一具體實施例中,可先將原始醫療影像之格式,例如從DICOM轉換成BMP或JPG等影像格式之後,再輸入至如Osirix的軟體中進行處理,但本揭露並不以此為限。
接著,在步驟S12中,將原始醫療影像及標記醫療影像轉換成陣列,例如使用軟體OpenCV將其轉換成一串數字之陣列,並使用邊界裁減演算法,將陣列之大小裁減,例如從512×512裁減為288×288,再將處理後之陣列儲存至資料庫。
之後,在步驟S13中,可從資料庫中讀取陣列以訓練得到神經網路模組,再經步驟S14及S15決定神經網路模組是否完成訓練。於步驟S14中,可基於一相似度損失函數(label wise dice coefficient)計算由原始醫療影像與標記醫療影像配對所形成(如形成一位元組(tuple))之訓練組以及由原始醫療影像與標
記醫療影像配對所形成(如形成一位元組(tuple))之驗證組之間的損失值(dice loss),特別是計算圈選區域之損失值,以得到圈選區域之相似度(dice coefficient)。於步驟S15中,可設定一預設值,當算得之損失值達到該預設值,即可判斷該神經網路模組已完成訓練,反之則繼續進行訓練。訓練之輪數、批次放入之資料量以及模型內部參數等皆可經人為設定調整,本揭露並無限制。
於本揭露之至少一具體實施例中,可將陣列之數字經移動特定單位(例如將陣列內數字平移10至20單位)或旋轉特定度數(例如將陣列內數字旋轉90度的倍數)之後,以生成新的訓練用之醫療影像,此稱為資料增量(data augmentation)。如此一來,可得到不偏離現有的原始醫療影像所具有特徵的資料,且對神經網路模組而言是新資料,而可達到資料增量及訓練之目的。
於本揭露之至少一具體實施例中,原始醫療影像可先經過裁減之前處理,例如將原始醫療影像中未有圈選區域之其他部分刪除,並可將原始醫療影像中具有圈選區域之部分進行分割(例如以32×72×72之維度),以形成複數個影像區塊(patch),而該些影像區塊可用來強化神經網路模組之訓練。
請參閱圖3,以下將進一步說明於本揭露之至少一具體實施例之神經網路模組中如何獲得原始醫療影像中至少一預測區域的模型運作方式。舉例而言,首先可將原始醫療影像輸入至卷積層11及池化層21中進行特徵提取,例如輸入32張288×288像素之原始醫療影像。在此卷積層11及池化層21之通道數目可如為16。於本揭露之至少一具體實施例中,原始醫療影像可先轉換成陣列後,再輸入至卷積層11及池化層21,以下說明之各級醫療影像實際上可為陣列,但本揭露並不以此為限。經特徵提取後,生成第二級之醫療影像,其張數可為16張,像素可為144×144像素,使得第二級之醫療影像的尺度小於原始醫療影像。接著,將16張
144×144像素之第二級之醫療影像再輸入通道數目為如32之卷積層12及池化層22中以進行特徵提取,並生成第三級之醫療影像,其張數可為8張,像素可為72×72像素。之後,將8張72×72像素之第三級之醫療影像輸入至通道數目如為64之卷積層13及池化層23中以進行特徵提起,並生成第四級之醫療影像,其張數可為4張,像素可為36×36。後續可進行特徵還原之流程。
將第四級之醫療影像輸入至卷積層14及上採樣層31中以進行特徵還原,可生成第五級之醫療影像,其張數可為8張,像素可為72×72。此時卷積層14之通道數可為128,而上採樣層31之通道數可為64。之後,將8張像素72×72之第五級之醫療影像輸入至通道數可為64之卷積層15與通道數可為32之上採樣層32中以進行特徵還原,可生成第六級之醫療影像,其張數可為16張,像素可為144×144。接著,將16張像素144×144之第六級之醫療影像輸入至通道數可為32之卷積層16與通道數可為16之上採樣層33中以進行特徵還原,並經通道數可為16之卷積層17及最終卷積層41輸出最後一級之醫療影像,其張數可為32張,像素可為288×288。此時,最後一級之醫療影像的尺度等於原始醫療影像之尺度。最後,對最後一級之醫療影像進行檢測,以獲得至少一預測區域。於本揭露之至少一具體實施例中,該預測區域亦可為陣列。
在經由神經網路模組檢測原始醫療影像後可獲得預測區域。於本揭露之至少一具體實施例中,如圖1步驟S2所示,可使用標記模組根據預測區域中的標記類別(例如:良性、惡性及淋巴結外侵犯等三種情況),來對預測區域進行上色(例如:良性可為白色;惡性可為淺灰色;而淋巴結外侵犯可為深灰色),使得預測區域除了可表示淋巴結之位置之外,亦可同時表示淋巴結之惡性度。最
後,將已上色之預測區域所代表之陣列還原成如原始醫療影像加上已上色之預測區域之影像,來作為預測結果並進行輸出,該輸出可例如為一圖片。
圖4A至4C顯示本揭露之一具體實施例中預測患者頭頸部淋巴結位置及形狀的結果。圖4A顯示患者部分頭頸部區域的原始醫療影像,圖4B中的白色區域表示該頭頸部區域之單一個淋巴結的實際位置及形狀,圖4C中的紅色區域則表示本揭露所預測該頭頸部區域之淋巴結的位置及形狀。圖5A至5C顯示本揭露之另一具體實施例中預測患者頭頸部淋巴結位置的結果。圖5A顯示患者部分頭頸部區域的原始醫療影像,圖5B中的白色區域表示該頭頸部區域之複數個淋巴結的實際位置及形狀,圖5C中的紅色區域顯示本揭露所預測該頭頸部區域之淋巴結的位置及形狀。由圖4A至圖5C可知,本揭露之醫療影像處理方法能精準地預測單一個或複數個淋巴之位置及形狀的特徵,以利醫療人員針對病灶進行診斷及治療。
於本揭露之至少一具體實施例中,上述神經網路模組進行特徵提取或特徵還原之次數可為至少三次,但亦可根據需求進行大於或小於三次之特徵提取或特徵還原,本揭露並不以此為限。
於本揭露之至少一具體實施例中,卷積層11、12、13、14、15、16、17之層數可為二層,而池化層21、22、23及上採樣層31、32、33之層數可為一層,但本揭露並不以此為限,層數皆可根據實際需求進行調整。
於本揭露之至少一具體實施例中,進入卷積層11、12、13、14、15、16、17中進行特徵提取或特徵還原之前,可先對原始醫療影像進行批處理標準化(batch normalization)演算法,以正規化調整參數(例如權重),並加速各卷積層11、12、13、14、15、16、17之收斂速度,以提高調整效率。
於本揭露之至少一具體實施例中,卷積層11、12、13、14、15、16、17之核大小(kernel size)可為3×3×3,步長(stride)可為1×1×1;池化層21、22、23之池大小(pool size)可為2×2×2;上採樣層31、32、33之核大小可為2×2×2,步長可為2×2×2。上述皆為示例,本揭露並不以此為限。
於本揭露之至少一具體實施例中,神經網路模組及標記模組皆可為供處理器執行之軟體。具體而言,神經網路模組可為U-net卷積神經網路模型,但本揭露並不以此為限。
請參閱圖6,本揭露之醫療影像處理方法可運行在醫療影像處理設備5中。該醫療影像處理設備5包括有記憶體51及處理器52,處理器52用以通過執行儲存在記憶體51上之電腦可執行指令,以實現本揭露之醫療影像處理方法。另外,本揭露之醫療影像處理方法亦可經由電腦儲存介質或電腦程式產品來加以實現。
請參閱圖7,於臨床上使用醫療影像檢查儀器6取得原始醫療影像後,將其儲存至影像資料庫7並傳輸至醫療影像儲傳系統(picture archiving and communication system,PACS)8,以整合醫療院所內之醫療影像資訊供醫護人員遠端判讀。於本揭露之至少一具體實施例中,影像資料庫7中的原始醫療影像可先經由本揭露之醫療影像處理方法進行處理,例如但不限於:影像前處理、模型辨識、結果顯示及影像疊合,再傳輸至醫療影像儲傳系統8。於本揭露之一些具體實施例中,如圖7所示,先將影像資料庫7中的原始醫療影像傳輸至本揭露之醫療影像處理設備5,以實現本揭露之醫療影像處理方法,再將經處理之醫療影像傳輸至醫療影像儲傳系統8。
綜上所述,相較於以往的U-net模型,本揭露之醫療影像處理方法中神經網路模組的特殊架構不需要引導元件總和(element wise summation)和分割(segmentation)層,也不需要關聯模型(context model),故可在不降低準確度的情況下減少運算資源之消耗。再者,藉由上述本揭露之特徵提取及特徵還原之方法,可以更全面地同時評估檢測區域中複數個淋巴結之特徵,以更精準地進行後續之預測。此外,本揭露醫療影像處理方法所輸出之預測結果,對醫療人員在臨床判斷時,經由可視化而可便利醫療人員閱讀,使得醫療人員在病灶區域判斷更有把握,進而對手術範圍、病人預後更有幫助。
上述實施形態僅為例示性說明本揭露之技術原理、特點及其功效,並非用以限制本揭露可實施之範圍,本揭露所屬技術領域中具有通常知識者均可在不違背本揭露之範圍下,對上述實施形態進行修飾與改變。然而,任何運用本揭露所教示內容而完成之等效修飾及改變,均仍應為下述之申請專利範圍所涵蓋,故本揭露之權利保護範圍應如下述之申請專利範圍所列。
S1、S2:步驟
Claims (9)
- 一種醫療影像處理方法,包括:藉由神經網路模組檢測原始醫療影像,以獲得該原始醫療影像中之預測區域,其中,該預測區域係對應該原始醫療影像中淋巴結之位置且包括標記類別,且其中,該神經網路模組為U-net卷積神經網路模型;以及藉由標記模組根據該標記類別對該預測區域進行上色後,輸出表示該原始醫療影像中該淋巴結之位置及惡性度的預測結果;其中,獲得該預測區域之步驟更包括:藉由該神經網路模組之卷積層及池化層對該原始醫療影像進行次數為三次之特徵提取,以生成下一級之醫療影像,其中,該下一級之醫療影像的尺度小於該原始醫療影像,且其中,每次進行該特徵提取時,該卷積層之層數為二層,且該池化層之層數為一層;藉由該神經網路模組之卷積層及上採樣層對該下一級之醫療影像進行次數為三次之特徵還原,並經由最終卷積層輸出最後一級之醫療影像,其中,該最後一級之醫療影像的尺度等於該原始醫療影像,且其中,每次進行該特徵還原時,該卷積層之層數為二層,且該上採樣層之層數為一層;及基於該最後一級之醫療影像進行檢測,以獲得該預測區域。
- 如請求項1所述之醫療影像處理方法,更包括於進入該卷積層中進行該特徵提取或該特徵還原之前,先進行批處理標準化演算法。
- 如請求項1所述之醫療影像處理方法,更包括: 使用該原始醫療影像及其對應之標記醫療影像對該神經網路模組進行訓練,其中,該對應之標記醫療影像中包括圈選區域及對應之該標記類別;基於相似度損失函數,計算分別以該原始醫療影像與該標記醫療影像配對所形成之訓練組及驗證組之間的損失值;以及若該損失值達到一預設值,則完成該神經網路模組之訓練。
- 如請求項3所述之醫療影像處理方法,其中,對該神經網路模組進行訓練之前,更包括:於該原始醫療影像中以人工標記該圈選區域及該標記類別後,將經人工標記之該原始醫療影像作為該標記醫療影像,其中,該圈選區域為該淋巴結之位置,且該標記類別包括良性、惡性、淋巴結外侵犯或其中兩者以上之組合;將該原始醫療影像及該標記醫療影像轉換成陣列,並於使用邊界裁減演算法處理之後,將處理後之該陣列儲存至資料庫;以及從該資料庫中讀取該陣列,以訓練得到該神經網路模組。
- 如請求項4所述之醫療影像處理方法,其中,該陣列之數字經移動特定單位、旋轉特定度數或其組合,以生成新的訓練用之醫療影像。
- 如請求項1所述之醫療影像處理方法,其中,該標記類別包括良性、惡性、淋巴結外侵犯或其中兩者以上之組合。
- 一種電腦儲存介質,其儲存有電腦可執行代碼,該電腦可執行代碼經執行後,能實現如請求項1至6中任一項所述之醫療影像處理方法。
- 一種電腦程式產品,其包括電腦可執行指令,該電腦可執行指令經執行後,能實現如請求項1至6中任一項所述之醫療影像處理方法。
- 一種醫療影像處理設備,其包括記憶體及處理器,其中,該處理器用以藉由執行儲存在該記憶體上之電腦可執行指令,以實現如請求項1至6中任一項所述之醫療影像處理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110131085A TWI778759B (zh) | 2021-08-23 | 2021-08-23 | 醫療影像處理方法和設備、及其電腦儲存介質和電腦程式產品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110131085A TWI778759B (zh) | 2021-08-23 | 2021-08-23 | 醫療影像處理方法和設備、及其電腦儲存介質和電腦程式產品 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI778759B true TWI778759B (zh) | 2022-09-21 |
TW202309920A TW202309920A (zh) | 2023-03-01 |
Family
ID=84958209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110131085A TWI778759B (zh) | 2021-08-23 | 2021-08-23 | 醫療影像處理方法和設備、及其電腦儲存介質和電腦程式產品 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI778759B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201941218A (zh) * | 2018-01-08 | 2019-10-16 | 美商普吉尼製藥公司 | 用於基於神經網路之快速影像分段及放射性藥品之攝取的測定之系統及方法 |
CN112885453A (zh) * | 2019-11-29 | 2021-06-01 | 西门子医疗有限公司 | 用于标识后续医学图像中的病理变化的方法和系统 |
-
2021
- 2021-08-23 TW TW110131085A patent/TWI778759B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201941218A (zh) * | 2018-01-08 | 2019-10-16 | 美商普吉尼製藥公司 | 用於基於神經網路之快速影像分段及放射性藥品之攝取的測定之系統及方法 |
CN112885453A (zh) * | 2019-11-29 | 2021-06-01 | 西门子医疗有限公司 | 用于标识后续医学图像中的病理变化的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
TW202309920A (zh) | 2023-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Radiomics in breast imaging from techniques to clinical applications: a review | |
US20200035350A1 (en) | Method and apparatus for processing histological image captured by medical imaging device | |
ES2914387T3 (es) | Estudio inmediato | |
US9218661B2 (en) | Image analysis for specific objects | |
US20220254023A1 (en) | System and Method for Interpretation of Multiple Medical Images Using Deep Learning | |
BRPI0618949A2 (pt) | método e sistema para analisar uma pluralidade de dados de imagem médicos de uma região em uma anatomia, método para adquirir e analisar dados de imagem médicos mrs de uma região em uma anatomia e sistema para analisar dados de imagem médicos de uma região em uma anatomia | |
JP2020533039A (ja) | 画像中の物体の視覚化および特徴づけのためのシステムおよび方法 | |
US10219767B2 (en) | Classification of a health state of tissue of interest based on longitudinal features | |
CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
JP2021533451A (ja) | 医療画像内の視覚的オブジェクトの自動検出のためのシステムおよび方法 | |
Lee et al. | A straightforward approach to computer-aided polyp detection using a polyp-specific volumetric feature in CT colonography | |
Ye et al. | Severity assessment of COVID-19 based on feature extraction and V-descriptors | |
CN114343604A (zh) | 基于医学影像的肿瘤检测及诊断装置 | |
Basu et al. | RadFormer: Transformers with global–local attention for interpretable and accurate Gallbladder Cancer detection | |
WO2006023152A1 (en) | System and method for colon wall extraction in the presence of tagged fecal matter or collapsed colon regions | |
Khanna | A Review of AI Devices in Cancer Radiology for Breast and Lung Imaging and Diagnosis | |
TWI778759B (zh) | 醫療影像處理方法和設備、及其電腦儲存介質和電腦程式產品 | |
Lee et al. | Differentiation of urinary stone and vascular calcifications on non-contrast CT images: an initial experience using computer aided diagnosis | |
Xu et al. | Improved cascade R-CNN for medical images of pulmonary nodules detection combining dilated HRNet | |
Suzuki | Pixel-based machine learning in computer-aided diagnosis of lung and colon cancer | |
Pocė et al. | Pancreas segmentation in CT images: state of the art in clinical practice | |
Sridhar et al. | Lung Segment Anything Model (LuSAM): A Prompt-integrated Framework for Automated Lung Segmentation on ICU Chest X-Ray Images | |
Jia et al. | Multi-parametric MRIs based assessment of hepatocellular carcinoma differentiation with multi-scale ResNet | |
He et al. | Anchor Ball Regression Model for large-scale 3D skull landmark detection | |
Mohamed Aarif et al. | Deep MammoNet: Early Diagnosis of Breast Cancer Using Multi-layer Hierarchical Features of Deep Transfer Learned Convolutional Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GD4A | Issue of patent certificate for granted invention patent |