CN109754387A - 医学图像病灶检测定位方法、装置、电子设备及存储介质 - Google Patents
医学图像病灶检测定位方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109754387A CN109754387A CN201811404223.9A CN201811404223A CN109754387A CN 109754387 A CN109754387 A CN 109754387A CN 201811404223 A CN201811404223 A CN 201811404223A CN 109754387 A CN109754387 A CN 109754387A
- Authority
- CN
- China
- Prior art keywords
- medical image
- suspected abnormality
- image
- region
- detected
- 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
- 230000003902 lesion Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000004807 localization Effects 0.000 title claims abstract description 20
- 230000005856 abnormality Effects 0.000 claims abstract description 177
- 238000001514 detection method Methods 0.000 claims abstract description 73
- 230000009466 transformation Effects 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims description 27
- 239000003814 drug Substances 0.000 claims description 23
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 9
- 238000002224 dissection Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 5
- 210000000988 bone and bone Anatomy 0.000 abstract description 35
- 230000002159 abnormal effect Effects 0.000 abstract description 10
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 238000009499 grossing Methods 0.000 description 6
- 210000003127 knee Anatomy 0.000 description 6
- 210000002414 leg Anatomy 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 210000000689 upper leg Anatomy 0.000 description 6
- 241000158526 Nasalis Species 0.000 description 5
- 210000003800 pharynx Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 210000004197 pelvis Anatomy 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 206010061289 metastatic neoplasm Diseases 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 206010005949 Bone cancer Diseases 0.000 description 1
- 206010061728 Bone lesion Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 208000002454 Nasopharyngeal Carcinoma Diseases 0.000 description 1
- 206010061306 Nasopharyngeal cancer Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 230000014461 bone development Effects 0.000 description 1
- 238000007469 bone scintigraphy Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 201000011216 nasopharynx carcinoma Diseases 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000527 sonication Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种医学图像病灶检测定位方法、装置、电子设备及存储介质。其中，该方法包括：通过将医学图像模板配准到待检测医学图像上，以得到配准变换关系，根据配准变换关系，将医学图像模板中的解剖位置信息映射到待检测医学图像上，以得到待检测医学图像中不同像素点对应的解剖位置信息；然后，对骨全身伽马平片图像中的异常摄取疑似病灶进行智能检测。至此，自动化检测出了待检测医学图像中的疑似病灶区域，并智能化提供了疑似病灶区域所对应的解剖位置信息，再结合疑似病灶的对比度、形状等图像特征，以及参考患者检验、临床等其他相关信息，方便了临床医生对疑似病灶性质的辅助诊断。
Description
技术领域
本发明涉及医学图像技术领域，尤其涉及一种医学图像病灶检测定位方法医学图像病灶检测定位方法、装置、电子设备及存储介质。
背景技术
骨全身伽马平片图像，也称之为全身骨显像或全身骨扫描，它是通过探测放射性的显像仪器(如γ照相机、ECT)探测全身骨骼放射性分布情况。若某处骨骼对放射性的吸收异常增加或减退，即有放射性异常浓聚或稀疏现象，而骨扫描中骨放射性吸收异常正是骨代谢异常的反映。临床一般认为，骨扫描比X线或CT检查发现的肿瘤转移病灶要早，可早达3～6个月。
目前，骨全身伽马平片图像诊断主要由医生人工阅片，诊断质量主要依靠医生的经验和水平，个人因素影响大，容易出现漏诊、误诊现象。如果对其进行计算机智能化诊断，可以大大提升医生的工作效率，保证临床诊断的质量。国内外研究人员对医学图像的智能诊断进行了诸多有益的探索和尝试，但极少专门针对骨全身伽马平片图像进行智能诊断研究。与常规X线及CT图像相比，骨全身伽马平片图像兼具解剖影像和功能影像的特点，其理解和判读方法有较大不同，有一定的技术门槛。实现对骨全身伽马平片图像进行计算机自动化异常摄取病灶检测和定位，将会有助于医生高效、正确的进行图像判读和诊断，从而推动该种成像技术在基层医院的普及。
目前，相关技术中，通常BP神经网络对骨全身伽马平片图像进行病灶检测，或者基于核密度估计和K均值聚类算法进行骨全身伽马平片图像的病灶检测。然而，在实现本发明的过程中发明人发现上述进行病灶检测的方式，至少存在如下问题：对于BP神经网络对骨全身伽马平片图像进行病灶检测的方式而言，该算法以单个像素作为判断对象，运算量大，而且BP神经网络的收敛速度较慢，并没有给出单个像素对应的解剖位置信息。基于核密度估计和K均值聚类算法进行骨全身伽马平片图像的病灶检测，这个算法的初始聚类中心依赖于高斯核密度估计函数的计算，病灶的检测精度不高，而且同样存在没有给出病灶的解剖位置信息的问题。因此，如何准确检测出骨全身伽马平片图像的病灶以及病灶的解剖位置信息是目前亟需解决的问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种医学图像病灶检测定位方法，该方法准确检测出了待检测医学图像中的疑似病灶区域，并提供了疑似病灶区域所对应的解剖位置信息，方便了后续结合疑似病灶区域的解剖位置信息时对其性质进行判读，方便了医生确定待检测医学图像是否存在疑似病灶区域，为后续医生对待检测医学图像判读提供重要依据。
本发明的第二个目的在于提出一种医学图像病灶检测定位装置。
本发明的第三个目的在于提出一种电子设备。
本发明的第四个目的在于提出一种存储介质。
本发明的第五个目的在于提出一种应用程序。
为实现上述目的，本发明第一方面实施例提出了一种医学图像病灶检测定位方法，包括：获取与待检测医学图像对应的医学图像模板，所述医学图像模板已标注解剖位置信息；对所述医学图像模板和所述待检测医学图像进行配准，将所述医学图像模板配准到所述待检测医学图像上，以得到配准变换关系；根据所述配准变换关系，将所述医学图像模板中的解剖位置信息映射到所述待检测医学图像上，以得到所述待检测医学图像中不同像素点对应的解剖位置信息；根据预先训练的疑似病灶检测模型和所述待检测医学图像进行疑似病灶检测，以得到所述待检测医学图像的疑似病灶区域；根据所述待检测医学图像中不同像素点对应的解剖位置信息和所述疑似病灶区域，确定所述疑似病灶区域的解剖位置信息；提供所述疑似病灶区域和所述疑似病灶区域的解剖位置信息。
为实现上述目的，本发明第二方面实施例提出了一种医学图像病灶检测定位装置，包括：第一获取模块，用于获取与待检测医学图像对应的医学图像模板，所述医学图像模板已标注解剖位置信息；配准模块，用于对所述医学图像模板和所述待检测医学图像进行配准，将所述医学图像模板配准到所述待检测医学图像上，以得到配准变换关系；映射模块，用于根据所述配准变换关系，将所述医学图像模板中的解剖位置信息映射到所述待检测医学图像上，以得到所述待检测医学图像中不同像素点对应的解剖位置信息；病灶检测模块，用于根据预先训练的疑似病灶检测模型和所述待检测医学图像进行疑似病灶检测，以得到所述待检测医学图像的疑似病灶区域；确定模块，用于根据所述待检测医学图像中不同像素点对应的解剖位置信息和所述疑似病灶区域，确定所述疑似病灶区域的解剖位置信息；提供模块，用于提供所述疑似病灶区域和所述疑似病灶区域的解剖位置信息。
为实现上述目的，本发明第三方面实施例提出了一种电子设备，包括：处理器、存储器、通信接口和总线；所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信；所述存储器存储可执行程序代码；所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行本发明第一方面实施例的医学图像病灶检测定位方法。
为实现上述目的，本发明第四方面实施例提出了一种存储介质，其中，所述存储介质用于存储应用程序，所述应用程序用于在运行时执行本发明所述的医学图像病灶检测定位方法。
为实现上述目的，本发明第五方面实施例提出了一种应用程序，其中，所述应用程序用于在运行时执行本发明所述的医学图像病灶检测定位方法。
在本发明中，通过将医学图像模板配准到待检测医学图像上，以得到配准变换关系，根据配准变换关系，将医学图像模板中的解剖位置信息映射到待检测医学图像上，以得到待检测医学图像中不同像素点对应的解剖位置信息，然后，根据待检测医学图像中不同像素点对应的解剖位置信息和疑似病灶区域，确定疑似病灶区域的解剖位置信，提供疑似病灶区域和疑似病灶区域的解剖位置信息。由此，准确检测出了待检测医学图像中的疑似病灶区域，并提供了疑似病灶区域所对应的解剖位置信息，方便了后续结合疑似病灶区域的解剖位置信息是对其性质进行判读，方便了医生确定待检测医学图像是否存在疑似病灶区域，为后续医生对待检测医学图像判读提供重要依据。
附图说明
图1是根据本发明一个实施例的医学图像病灶检测定位方法的流程图；
图2是标注后的前位医学图像以及后位医学图像的示例图；
图3是包含异常提取疑似病灶检测结果的医学图像的示例图；
图4是待检测医学图像的对称轴的示例图；
图5是待检测医学图像的示例图；
图6是根据本发明一个实施例的医学图像病灶检测定位装置的结构示意图；
图7是根据本发明另一个实施例的医学图像病灶检测定位装置的结构示意图；
图8是根据本发明又一个实施例的医学图像病灶检测定位装置的结构示意图；
图9是根据本发明再一个实施例的医学图像病灶检测定位装置的结构示意图；
图10是根据本发明另一个实施例的医学图像病灶检测定位装置的结构示意图；
图11是根据本发明一个实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的医学图像病灶检测定位方法、装置、电子设备及存储介质。
图1是根据本发明一个实施例的医学图像病灶检测定位方法的流程图。
如图1所示，该医学图像病灶检测定位方法包括：
步骤101，获取与待检测医学图像对应的医学图像模板，医学图像模板已标注解剖位置信息。
其中，待检测医学图像可以是人体部分部位的伽马平片图像，或者，骨全身伽马平片图像，该实施例对此不作限定。
其中，需要说明的是，上述医学图像模板可以是数字拟人模型生成的，还可以是医生沟通并辅助的情况下优选出的医学图像。
作为一种示例，在医学图像模板为骨全身伽马平片图像模板时，使用数字拟人模型生成的一组骨全身伽马平片图像；或和医生沟通并辅助的情况下优选出的一组骨全身伽马平片图像作为骨全身伽马平片图像模板。
其中，需要说明的是，该实施例以待检测医学图像为骨全身伽马平片图像为例进行描述。
其中，需要说明的是，解剖位置信息可以包括但不限于颅骨、左肩、右肩、骨盆、左大腿、右大腿、左膝、右膝、左小腿、右小腿、足等人体部位医学图像模板对应的区域参数。
对于医学图像模板，可通过人工方式以预设形状的标注框对医学图像模板中颅骨、左肩、右肩、骨盆、左大腿、右大腿、左膝、右膝、左小腿、右小腿、足等人体部位进行标注。
其中，需要说明的是，电子设备将根据用户的标注保存人体部位与区域参数的对应关系。
其中，预设形状可以为任意形状。
其中，以矩形标注框对前位医学图像以及后位医学图像进行标注后，所获得的标注后的前位医学图像以及后位医学图像。如图2所示。
作为一种示例性的实施方式，在电子设备获取到待检测的骨全身伽马平片图像后，可通过骨全身伽马平片图像进行分析，确定出待检测的骨全身伽马平片图像是前位图像，还是后位图像，并获取对应的骨全身伽马平片图像模板。
步骤102，对医学图像模板和待检测医学图像进行配准，将医学图像模板配准到待检测医学图像上，以得到配准变换关系。
在实际应用中，由于医学图像模板中的人体身高比例或者人体部位的大小可能与医学图像模板中的人体身高比例或者人体部位的大小存在不一致性的情况，为了减少待检测医学图像和医学图像模板在平移、缩放、旋转上的位置偏差，减少对病灶检测定位的准确性的影响，在对医学图像模板和待检测医学图像进行配准，将医学图像模板配准到待检测医学图像上，以得到配准变换关系之前，还可以根据待检测医学图像中人体部位的区域参数，以及医学图像模板中相应人体部位的区域参数，确定仿射变换关系，然后，根据仿射变换关系，对医学图像模板进行仿射变换。由此，根据待检测医学图像对医学图像模板中的人体部位进行调整。
其中，区域参数包括但不限于长度、宽度信息、旋转量等信息。
由于所获得的待检测医学图像可能存在噪声情况，噪声容易对后续病灶检测造成干扰，从而影响病灶检测定位的准确性，因此，在对医学图像模板和待检测医学图像进行配准，将医学图像模板配准到待检测医学图像上，以得到配准变换关系之前，还可以对待检测医学图像进行平滑去噪声处理。
作为一种示例性的实施方式，在获得待检测医学图像后，可使用频率域高斯函数低通滤波进行平滑去噪处理。
步骤103，根据配准变换关系，将医学图像模板中的解剖位置信息映射到待检测医学图像上，以得到待检测医学图像中不同像素点对应的解剖位置信息。
作为一种示例性的实施方式，在获得待检测医学图像后，可使用频率域高斯函数低通滤波进行平滑去噪处理。在非刚性配准前，以平滑去噪处理后待检测医学图像为基准，对平滑处理后的医学图像模板进行仿射变换处理获得浮动图像，令该浮动图像用moving表示，仿射变换矩阵用M表示。把平滑去噪处理后待检测医学图像作为参考固定图像，用fixed表示。使用非刚性配准demons算法，以待检测图像fixed为基准，对moving进行配准变形，获得配准变形后的movingReg，以及配准映射坐标关于x轴和y轴的偏移量。事先把颅骨、左肩、右肩、骨盆、左大腿、右大腿、左膝、右膝、左小腿、右小腿、足等解剖结构的矩形框左上角和右下角坐标人工标注好。把人工标注的坐标先通过仿射变换矩阵M，再通过配准映射坐标关于x轴和y轴的偏移量，映射到movingReg上。由于movingReg是以待检测图像fixed为基准的，所以映射到movingReg上的坐标也就是fixed上相应解剖位置轮廓。
其中，需要说明的是，在上述示例中，使用非刚性配准demons算法，对待检测医学图像和医学图像模板进行配准仅是配准算法的一种示例，非刚性配准算法还可以为b-spine等算法。
其中，需要理解的是，在实际应用中，可结合具体应用场景采用非刚性配准算法、刚性配准算法、或者刚性配准和非刚性配准结合使用的方式对待检测医学图像和医学图像模板进行配准，该实施例对此不作限定。
步骤104，根据预先训练的疑似病灶检测模型和待检测医学图像进行疑似病灶检测，以得到待检测医学图像的疑似病灶区域。
其中，需要说明的是，疑似病灶检测模型是通过预先训练得到的。
其中，通过训练预先得到的疑似病灶检测模型的具体过程为：获取训练数据，训练数据包括医学样本图像和疑似病灶标注数据，疑似病灶标注数据与医学样本图像对应；根据医学样本图像和疑似病灶标注数据，对疑似病灶检测模型进行训练。
其中，需要说明的是，在训练得到疑似病灶检测模型后，还可以通过测试样本图像对疑似病灶检测模型进行测试，以确定疑似病灶检测模型检测疑似病灶区域的准确性是否达到预设阈值，如果达到预设阈值，则确定疑似病灶检测模型可以准确预测出疑似病灶区域，并将疑似病灶检测模型应用到电子设备中，以方便后续用户通过电子设备中的疑似病灶检测模型检测待检测医学图像中的疑似病灶区域。
作为一种示例性的实施方式，训练疑似病灶检测模型的具体包括括图像预处理、配置网络参数、训练网络、网络训练参数微调、网络训练收敛等几个步骤。
图像预处理包括样本数量的确定，检测目标的人工标注以及样本测试集、训练集、验证集，训练验证集的生成。使用图片标注工具LabelImg，对骨伽马平片图像里的异常摄取疑似病灶进行标注。LabelImg生成与VOC2007格式相同的xml标注文件格式。生成测试集、训练集、验证集，训练验证集四个文本文件，训练验证集容量大概是整个数据集容量的50％，测试集容量也大概是整个数据集总量的50％；训练集容量大概是训练验证集容量的50％，验证集容量大概是训练验证集容量的50％。
配置网络参数时，采用预设网络模型，例如vgg16。
使用深度学习的目标检测训练方法，例如使用faster rcnn的端对端训练方法对疑似病灶检测模型进行训练。
然后，通过微调网络训练参数，使深度学习网络收敛，从而获得疑似病灶检测模型。
其中，需要说明的是，医学样本图像可以是标注出异常摄取疑似病灶位置信息的骨全身伽马平片图像，也可以是人工截取的含有异常摄取疑似病灶的感兴趣区子图。
其中，对骨全身伽马平片图像和感兴趣区子图进行图像处理，例如：缩放、仿射、旋转、添加噪声等，可以人为增加样本，提高疑似病灶检测模型的检测成功率。
步骤105，根据待检测医学图像中不同像素点对应的解剖位置信息和疑似病灶区域，确定疑似病灶区域的解剖位置信息。
步骤106，提供疑似病灶区域和疑似病灶区域的解剖位置信息。
作为一种示例性的实施方式，可在待检测医学图像中显示疑似病灶区域和疑似病灶区域的解剖位置信息。
其中，包含异常提取疑似病灶检测结果的医学图像的示例图，如图3所示。
本发明实施例的医学图像病灶检测定位方法，通过将医学图像模板配准到待检测医学图像上，以得到配准变换关系，根据配准变换关系，将医学图像模板中的解剖位置信息映射到待检测医学图像上，以得到待检测医学图像中不同像素点对应的解剖位置信息，然后，根据待检测医学图像中不同像素点对应的解剖位置信息和疑似病灶区域，确定疑似病灶区域的解剖位置信，提供疑似病灶区域和疑似病灶区域的解剖位置信息。由此，准确检测出了待检测医学图像中的疑似病灶区域，并提供了疑似病灶区域所对应的解剖位置信息，方便了后续结合疑似病灶区域的解剖位置信息是对其性质进行判读，方便了医生确定待检测医学图像是否存在疑似病灶区域，为后续医生对待检测医学图像判读提供重要依据。
基于上述实施例的基础上，为了准确确定疑似病灶区域是否存在病灶，还可以结合病灶区域的图像特征以及病灶区域对应的解剖位置信息对疑似病灶区域的性质进一步分析。
作为一种示例性的实施方式，在获取疑似病灶区域以及疑似病灶区域的解剖位置信息后，还可以获取疑似病灶区域的图像特征，然后，根据疑似病灶区域的图像特征和疑似病灶区域的解剖位置信息，判断疑似病灶区域是否为病灶区域。若获知疑似病灶区域为病灶区域，则提示解剖位置信息上存在病灶区域。
其中，疑似病灶区域的图像特征可以包括但不限于对比度、形状以及解剖对称性等图像特征。
作为一种示例性的实施方式，根据疑似病灶区域的图像特征和疑似病灶区域的解剖位置信息，得到与疑似病灶区域中具有解剖对称性的目标图像区域，然后，获取目标图像区域的图像特征，并对目标图像区域的图像特征和疑似病灶区域的图像特征进行匹配。
其中，如果获知目标图像区域的图像特征和疑似病灶区域的图像特征不匹配，则确定疑似病灶区域为病灶区域。
作为一种示例的实施方式，在医学模板图像已标注对称轴时，可通过配准变换关系，将医学模板图像已标注对称轴，映射到待检测医学图像上，从而得到检测医学图像的对称轴。
作为另一种示例的实施方式，在使用前述的非刚性配准方法，获得脊柱的解剖区域，使用灰度拉伸或直方图均衡化方法，对脊柱子图像进行图像增强，然后再使用滞后阈值的方法，变换成二值图像，求其外接椭圆的长轴作为待检测医学图像的对称轴。
具体而言，在待检测医学图像为待检测骨全身伽马平片图像，确定待检测骨全身伽马平片图像中的脊柱的解剖区域，使用灰度拉伸或直方图均衡化方法，对脊柱子图像进行图像增强，然后再使用滞后阈值的方法，变换成二值图像，求其外接椭圆的长轴作为待检测医学图像的对称轴。
其中，待检测医学图像的对称轴的示例图，如图4所示，其中，图4中的B表示前位像的待检测医学图像中的对称轴；D表示后位像的待检测医学图像中的对称轴。
例如，对于图4中的待检测医学图像中的标注为A的疑似病灶区域，在根据图中标注为B的对称轴对疑似病灶区域进行对称后，所获得的目标图像区域用C表示，通过比较疑似病灶区域A和目标图像区域用C的图像特征，可以这两个区域的图像特征并不匹配，此时，可确定疑似病灶区域A为病灶区域。
作为另一种示例性的实施方式，为了准确确定疑似病灶区域的性质，还可以获取与待检测医学图像对应的用户的病史资料信息，然后，根据病史资料信息、疑似病灶区域的图像特征和疑似病灶区域的解剖位置信息，判断疑似病灶区域是否为病灶区域。
举例而言，假设病灶区域对应的解剖位置信息为鼻咽部，如果根据病灶区域确定鼻咽部出现浓聚区或浓聚点，一般认为是正常的，如果获取待检测医学图像所对应的用户的病史资料信息中记录该鼻咽部之前得过有鼻咽癌，此时，就不能把鼻咽部的浓聚影区或浓聚影点认为是正常的，相反需要提示给相关医疗人员这个人鼻咽部可能有病灶，以使得医生结合用户的其他临床检测对病灶进行鉴别。
其中，需要说明的是，引用的临床先验知识内容不仅仅限于上述正常骨显影和异常浓聚灶的鉴别，也可以对造成放射性核素摄取异常的骨骼病变性质进行鉴别。
举例而言，假设待检测医学图像如图5所示，通过分析，可确定该待检测医学图像中存在多处不对称的异常放射性浓聚灶。由于，多处不对称的异常放射性浓聚灶，是转移性骨肿瘤常见的特征性表现，因此，可以给出转移性骨肿瘤的建议诊断。
为了实现上述实施例，本发明还提出一种医学图像病灶检测定位装置。
图6是根据本发明一个实施例的医学图像病灶检测定位装置的结构示意图。
如图6所示，该医学图像病灶检测定位装置包括第一获取模块110、配准模块120、映射模块130、病灶检测模块140、确定模块150和提供模块160，其中：
第一获取模块110，用于获取与待检测医学图像对应的医学图像模板，医学图像模板已标注解剖位置信息。
配准模块120，用于对医学图像模板和待检测医学图像进行配准，将医学图像模板配准到待检测医学图像上，以得到配准变换关系。
映射模块130，用于根据配准变换关系，将医学图像模板中的解剖位置信息映射到待检测医学图像上，以得到待检测医学图像中不同像素点对应的解剖位置信息。
病灶检测模块140，用于根据预先训练的疑似病灶检测模型和待检测医学图像进行疑似病灶检测，以得到待检测医学图像的疑似病灶区域。
确定模块150，用于根据待检测医学图像中不同像素点对应的解剖位置信息和疑似病灶区域，确定疑似病灶区域的解剖位置信息。
提供模块160，用于提供疑似病灶区域和疑似病灶区域的解剖位置信息。
在本发明的一个实施例中，在图6所示的基础上，如图7所示，该装置还可以包括：
仿射变换模块170，用于根据待检测医学图像中人体部位的区域参数，以及医学图像模板中相应人体部位的区域参数，确定仿射变换关系；根据仿射变换关系，对医学图像模板进行仿射变换。
在本发明的一个实施例中，在图6所示的基础上，如图8所示，该装置还可以包括：
训练模块180，用于获取训练数据，训练数据包括医学样本图像和疑似病灶标注数据；根据医学样本图像和疑似病灶标注数据，对疑似病灶检测模型进行训练，其中，疑似病灶标注数据与医学样本图像对应。
其中，需要说明的是，上述图8所示的装置实施例的结构也可以包含在前述图7所示的装置实施例中，此处不再赘述。
在本发明的一个实施例中，在图6所示的基础上，如图9所示，该装置还可以包括：
第二获取模块190用于获取疑似病灶区域的图像特征。
判断模块200用于根据疑似病灶区域的图像特征和疑似病灶区域的解剖位置信息，判断疑似病灶区域是否为病灶区域。
提示模块210，用于若获知疑似病灶区域为病灶区域，则提示解剖位置信息上存在病灶区域。
在本发明的一个实施例中，在图9所示的基础上，如图10所示，该装置还可以包括：
第三获取模块220，用于获取与待检测医学图像对应的用户的病史资料信息；
判断模块200，具体用于：根据病史资料信息、疑似病灶区域的图像特征和疑似病灶区域的解剖位置信息，判断疑似病灶区域是否为病灶区域。
在本发明的一个实施例中，判断模块200具体用于：根据疑似病灶区域的图像特征和疑似病灶区域的解剖位置信息，得到与疑似病灶区域中具有解剖对称性的目标图像区域；获取目标图像区域的图像特征；对目标图像区域的图像特征和疑似病灶区域的图像特征进行匹配。
其中，如果获知目标图像区域的图像特征和疑似病灶区域的图像特征不匹配，则确定疑似病灶区域为病灶区域。
其中，需要说明的是，前述对医学图像病灶检测定位方法实施例的解释说明也适用于该实施例的医学图像病灶检测定位装置，此处不再赘述。
本发明实施例的医学图像病灶检测定位装置，通过将医学图像模板配准到待检测医学图像上，以得到配准变换关系，根据配准变换关系，将医学图像模板中的解剖位置信息映射到待检测医学图像上，以得到待检测医学图像中不同像素点对应的解剖位置信息，然后，根据待检测医学图像中不同像素点对应的解剖位置信息和疑似病灶区域，确定疑似病灶区域的解剖位置信，提供疑似病灶区域和疑似病灶区域的解剖位置信息。由此，准确检测出了待检测医学图像中的疑似病灶区域，并提供了疑似病灶区域所对应的解剖位置信息，方便了后续结合疑似病灶区域的解剖位置信息是对其性质进行判读，方便了医生确定待检测医学图像是否存在疑似病灶区域，为后续医生对待检测医学图像判读提供重要依据。
为了实现上述实施例，本发明还提出一种电子设备。
图11是根据本发明一个实施例的电子设备的结构示意图。
如图11所示，该电子设备包括处理器51、存储器52、通信接口53和总线54，其中：
处理器51、存储器52和通信接口53通过总线54连接并完成相互间的通信；存储器52存储可执行程序代码；处理器51通过读取存储器52中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于执行上实施例中的医学图像病灶检测定位方法。
本发明实施例的电子设备，通过将医学图像模板配准到待检测医学图像上，以得到配准变换关系，根据配准变换关系，将医学图像模板中的解剖位置信息映射到待检测医学图像上，以得到待检测医学图像中不同像素点对应的解剖位置信息，然后，根据待检测医学图像中不同像素点对应的解剖位置信息和疑似病灶区域，确定疑似病灶区域的解剖位置信，提供疑似病灶区域和疑似病灶区域的解剖位置信息。由此，准确检测出了待检测医学图像中的疑似病灶区域，并提供了疑似病灶区域所对应的解剖位置信息，方便了后续结合疑似病灶区域的解剖位置信息是对其性质进行判读，方便了医生确定待检测医学图像是否存在疑似病灶区域，为后续医生对待检测医学图像判读提供重要依据。
为了实现上述实施例，本发明还提出一种存储介质，其中，存储介质用于存储应用程序，应用程序用于在运行时执行本发明的医学图像病灶检测定位方法。
为了实现上述实施例，本发明还提出一种应用程序，其中，应用程序用于在运行时执行本发明的医学图像病灶检测定位方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
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的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种医学图像病灶检测定位方法，其特征在于，包括：
获取与待检测医学图像对应的医学图像模板，所述医学图像模板已标注解剖位置信息；
对所述医学图像模板和所述待检测医学图像进行配准，将所述医学图像模板配准到所述待检测医学图像上，以得到配准变换关系；
根据所述配准变换关系，将所述医学图像模板中的解剖位置信息映射到所述待检测医学图像上，以得到所述待检测医学图像中不同像素点对应的解剖位置信息；
根据预先训练的疑似病灶检测模型和所述待检测医学图像进行疑似病灶检测，以得到所述待检测医学图像的疑似病灶区域；
根据所述待检测医学图像中不同像素点对应的解剖位置信息和所述疑似病灶区域，确定所述疑似病灶区域的解剖位置信息；
提供所述疑似病灶区域和所述疑似病灶区域的解剖位置信息。
2.根据权利要求1所述的方法，其特征在于，在所述对所述医学图像模板和所述待检测医学图像进行配准，将所述医学图像模板配准到所述待检测医学图像上，以得到配准变换关系之前，还包括：
根据所述待检测医学图像中人体部位的区域参数，以及所述医学图像模板中相应人体部位的区域参数，确定仿射变换关系；
根据所述仿射变换关系，对所述医学图像模板进行仿射变换。
3.根据权利要求1所述的方法，其特征在于，在所述获取与待检测医学图像对应的医学图像模板之前，还包括：
获取训练数据，所述训练数据包括医学样本图像和疑似病灶标注数据，所述疑似病灶标注数据与所述医学样本图像对应；
根据所述医学样本图像和所述疑似病灶标注数据，对所述疑似病灶检测模型进行训练。
4.根据权利要求1-3任一项所述的方法，其特征在于，还包括：
获取所述疑似病灶区域的图像特征；
根据所述疑似病灶区域的图像特征和所述疑似病灶区域的解剖位置信息，判断所述疑似病灶区域是否为病灶区域；
若获知所述疑似病灶区域为病灶区域，则提示所述解剖位置信息上存在病灶区域。
5.根据权利要求4所述的方法，其特征在于，还包括：
获取与所述待检测医学图像对应的用户的病史资料信息；
所述根据所述疑似病灶区域的图像特征和所述疑似病灶区域的解剖位置信息，判断所述疑似病灶区域是否为病灶区域，包括：
根据所述病史资料信息、所述疑似病灶区域的图像特征和所述疑似病灶区域的解剖位置信息，判断所述疑似病灶区域是否为病灶区域。
6.根据权利要求4所述的方法，其特征在于，所述根据所述疑似病灶区域的图像特征和所述疑似病灶区域的解剖位置信息，判断所述疑似病灶区域是否为病灶区域，包括：
根据所述疑似病灶区域的图像特征和所述疑似病灶区域的解剖位置信息，得到与所述疑似病灶区域中具有解剖对称性的目标图像区域；
获取所述目标图像区域的图像特征；
对所述目标图像区域的图像特征和所述疑似病灶区域的图像特征进行匹配；
其中，如果获知所述目标图像区域的图像特征和所述疑似病灶区域的图像特征不匹配，则确定所述疑似病灶区域为病灶区域。
7.一种医学图像病灶检测定位装置，其特征在于，包括：
第一获取模块，用于获取与待检测医学图像对应的医学图像模板，所述医学图像模板已标注解剖位置信息；
配准模块，用于对所述医学图像模板和所述待检测医学图像进行配准，将所述医学图像模板配准到所述待检测医学图像上，以得到配准变换关系；
映射模块，用于根据所述配准变换关系，将所述医学图像模板中的解剖位置信息映射到所述待检测医学图像上，以得到所述待检测医学图像中不同像素点对应的解剖位置信息；
病灶检测模块，用于根据预先训练的疑似病灶检测模型和所述待检测医学图像进行疑似病灶检测，以得到所述待检测医学图像的疑似病灶区域；
确定模块，用于根据所述待检测医学图像中不同像素点对应的解剖位置信息和所述疑似病灶区域，确定所述疑似病灶区域的解剖位置信息；
提供模块，用于提供所述疑似病灶区域和所述疑似病灶区域的解剖位置信息。
8.根据权利要求7所述的装置，其特征在于，还包括：
仿射变换模块，用于根据所述待检测医学图像中人体部位的区域参数，以及所述医学图像模板中相应人体部位的区域参数，确定仿射变换关系；根据所述仿射变换关系，对所述医学图像模板进行仿射变换。
9.根据权利要求7所述的装置，其特征在于，还包括：
训练模块，用于获取训练数据，所述训练数据包括医学样本图像和疑似病灶标注数据；根据所述医学样本图像和所述疑似病灶标注数据，对所述疑似病灶检测模型进行训练，其中，所述疑似病灶标注数据与所述医学样本图像对应。
10.根据权利要求7-9任一项所述的装置，其特征在于，还包括：
第二获取模块，用于获取所述疑似病灶区域的图像特征；
判断模块，用于根据所述疑似病灶区域的图像特征和所述疑似病灶区域的解剖位置信息，判断所述疑似病灶区域是否为病灶区域；
提示模块，用于若获知所述疑似病灶区域为病灶区域，则提示所述解剖位置信息上存在病灶区域。
11.根据权利要求10所述的装置，其特征在于，还包括：
第三获取模块，用于获取与所述待检测医学图像对应的用户的病史资料信息；
所述判断模块，具体用于：
根据所述病史资料信息、所述疑似病灶区域的图像特征和所述疑似病灶区域的解剖位置信息，判断所述疑似病灶区域是否为病灶区域。
12.根据权利要求10所述的装置，其特征在于，所述判断模块，具体用于：
根据所述疑似病灶区域的图像特征和所述疑似病灶区域的解剖位置信息，得到与所述疑似病灶区域中具有解剖对称性的目标图像区域；
获取所述目标图像区域的图像特征；
对所述目标图像区域的图像特征和所述疑似病灶区域的图像特征进行匹配；
其中，如果获知所述目标图像区域的图像特征和所述疑似病灶区域的图像特征不匹配，则确定所述疑似病灶区域为病灶区域。
13.一种电子设备，其特征在于，包括理器、存储器、通信接口和总线；
所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信；
所述存储器存储可执行程序代码；
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行如权利要求1-6任一项所述的医学图像病灶检测定位方法。
14.一种存储介质，其特征在于，所述存储介质用于存储应用程序，所述应用程序用于在运行时执行如权利要求1-6任一项所述的医学图像病灶检测定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811404223.9A CN109754387B (zh) | 2018-11-23 | 2018-11-23 | 一种全身骨显像放射性浓聚灶的智能检测定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811404223.9A CN109754387B (zh) | 2018-11-23 | 2018-11-23 | 一种全身骨显像放射性浓聚灶的智能检测定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109754387A true CN109754387A (zh) | 2019-05-14 |
| CN109754387B CN109754387B (zh) | 2021-11-23 |
Family
ID=66402548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811404223.9A Active CN109754387B (zh) | 2018-11-23 | 2018-11-23 | 一种全身骨显像放射性浓聚灶的智能检测定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109754387B (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175255A (zh) * | 2019-05-29 | 2019-08-27 | 腾讯科技（深圳）有限公司 | 图像标注的方法、基于病理图像的标注展示方法及装置 |
| CN110176002A (zh) * | 2019-06-05 | 2019-08-27 | 深圳大学 | 一种x射线图像的病灶检测方法及终端设备 |
| CN110211111A (zh) * | 2019-05-31 | 2019-09-06 | 上海联影医疗科技有限公司 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
| CN110223289A (zh) * | 2019-06-17 | 2019-09-10 | 上海联影医疗科技有限公司 | 一种图像处理方法和*** |
| CN110310257A (zh) * | 2019-05-31 | 2019-10-08 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置、计算机设备和存储介质 |
| CN110390351A (zh) * | 2019-06-24 | 2019-10-29 | 浙江大学 | 一种基于深度学习的致痫灶三维自动定位*** |
| CN110675380A (zh) * | 2019-09-23 | 2020-01-10 | 珠海格力电器股份有限公司 | 电路板上金属接插柱的位置标定方法及存储介质 |
| CN110717906A (zh) * | 2019-09-30 | 2020-01-21 | 北京爱康宜诚医疗器材有限公司 | 髋臼锉磨参数的确定方法、确定装置、存储介质和处理器 |
| CN110728673A (zh) * | 2019-10-21 | 2020-01-24 | 上海联影医疗科技有限公司 | 一种目标部位分析方法、装置、计算机设备及存储介质 |
| CN110742631A (zh) * | 2019-10-23 | 2020-02-04 | 深圳蓝韵医学影像有限公司 | 一种医学图像的成像方法和装置 |
| CN110838104A (zh) * | 2019-10-30 | 2020-02-25 | 上海联影智能医疗科技有限公司 | 多时间点的感兴趣区域匹配方法、设备和存储介质 |
| CN111242877A (zh) * | 2019-12-31 | 2020-06-05 | 北京深睿博联科技有限责任公司 | 乳腺x射线影像配准方法和装置 |
| CN111383211A (zh) * | 2020-03-04 | 2020-07-07 | 深圳大学 | 骨案例识别方法、装置、服务器及存储介质 |
| CN111476776A (zh) * | 2020-04-07 | 2020-07-31 | 上海联影智能医疗科技有限公司 | 胸部病灶位置确定方法、***、可读存储介质和设备 |
| CN111784664A (zh) * | 2020-06-30 | 2020-10-16 | 广州柏视医疗科技有限公司 | 肿瘤***分布图谱生成方法 |
| CN112884820A (zh) * | 2019-11-29 | 2021-06-01 | 杭州三坛医疗科技有限公司 | 一种影像初始配准及神经网络的训练方法、装置和设备 |
| CN113344921A (zh) * | 2021-08-04 | 2021-09-03 | 浙江太美医疗科技股份有限公司 | 图像检测方法和装置、计算机可读存储介质和电子设备 |
| WO2022141882A1 (zh) * | 2020-12-30 | 2022-07-07 | 上海睿刀医疗科技有限公司 | 一种基于历史病理信息的病灶识别模型构建装置及*** |
| CN115311188A (zh) * | 2021-05-08 | 2022-11-08 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
| WO2024041058A1 (zh) * | 2022-08-25 | 2024-02-29 | 推想医疗科技股份有限公司 | 一种随访病例数据的处理方法、装置、设备及存储介质 |
| US12046056B2 (en) | 2019-05-29 | 2024-07-23 | Tencent Technology (Shenzhen) Company Limited | Image annotation method and apparatus, annotation presentation method and apparatus, device, and storage medium |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120296201A1 (en) * | 2011-04-25 | 2012-11-22 | Digirad Corporation | Lesion Detection and Localization Using Gamma Cameras with Converging Collimation |
| CN102930286A (zh) * | 2012-09-18 | 2013-02-13 | 重庆大学 | 老年痴呆症图像早期诊断*** |
| CN105894508A (zh) * | 2016-03-31 | 2016-08-24 | 上海联影医疗科技有限公司 | 一种医学图像自动定位质量的评估方法 |
| CN107123137A (zh) * | 2017-04-28 | 2017-09-01 | 上海联影医疗科技有限公司 | 医学图像处理方法及设备 |
| CN108765399A (zh) * | 2018-05-23 | 2018-11-06 | 平安科技（深圳）有限公司 | 病变部位识别方法及装置、计算机装置及可读存储介质 |
-
2018
- 2018-11-23 CN CN201811404223.9A patent/CN109754387B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120296201A1 (en) * | 2011-04-25 | 2012-11-22 | Digirad Corporation | Lesion Detection and Localization Using Gamma Cameras with Converging Collimation |
| CN102930286A (zh) * | 2012-09-18 | 2013-02-13 | 重庆大学 | 老年痴呆症图像早期诊断*** |
| CN105894508A (zh) * | 2016-03-31 | 2016-08-24 | 上海联影医疗科技有限公司 | 一种医学图像自动定位质量的评估方法 |
| CN107123137A (zh) * | 2017-04-28 | 2017-09-01 | 上海联影医疗科技有限公司 | 医学图像处理方法及设备 |
| CN108765399A (zh) * | 2018-05-23 | 2018-11-06 | 平安科技（深圳）有限公司 | 病变部位识别方法及装置、计算机装置及可读存储介质 |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175255B (zh) * | 2019-05-29 | 2022-04-05 | 腾讯医疗健康(深圳)有限公司 | 图像标注的方法、基于病理图像的标注展示方法及装置 |
| CN110377779A (zh) * | 2019-05-29 | 2019-10-25 | 腾讯科技（深圳）有限公司 | 图像标注的方法、基于病理图像的标注展示方法及装置 |
| WO2020238623A1 (zh) * | 2019-05-29 | 2020-12-03 | 腾讯科技（深圳）有限公司 | 图像标注的方法、标注展示方法、装置、设备及存储介质 |
| CN110175255A (zh) * | 2019-05-29 | 2019-08-27 | 腾讯科技（深圳）有限公司 | 图像标注的方法、基于病理图像的标注展示方法及装置 |
| US12046056B2 (en) | 2019-05-29 | 2024-07-23 | Tencent Technology (Shenzhen) Company Limited | Image annotation method and apparatus, annotation presentation method and apparatus, device, and storage medium |
| CN110211111A (zh) * | 2019-05-31 | 2019-09-06 | 上海联影医疗科技有限公司 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
| CN110310257A (zh) * | 2019-05-31 | 2019-10-08 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置、计算机设备和存储介质 |
| CN110310257B (zh) * | 2019-05-31 | 2022-03-01 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、计算机设备和存储介质 |
| CN110176002A (zh) * | 2019-06-05 | 2019-08-27 | 深圳大学 | 一种x射线图像的病灶检测方法及终端设备 |
| CN110223289A (zh) * | 2019-06-17 | 2019-09-10 | 上海联影医疗科技有限公司 | 一种图像处理方法和*** |
| CN110390351A (zh) * | 2019-06-24 | 2019-10-29 | 浙江大学 | 一种基于深度学习的致痫灶三维自动定位*** |
| US11645748B2 (en) | 2019-06-24 | 2023-05-09 | Zhejiang University | Three-dimensional automatic location system for epileptogenic focus based on deep learning |
| WO2020224123A1 (zh) * | 2019-06-24 | 2020-11-12 | 浙江大学 | 一种基于深度学习的致痫灶三维自动定位*** |
| CN110675380A (zh) * | 2019-09-23 | 2020-01-10 | 珠海格力电器股份有限公司 | 电路板上金属接插柱的位置标定方法及存储介质 |
| CN110717906A (zh) * | 2019-09-30 | 2020-01-21 | 北京爱康宜诚医疗器材有限公司 | 髋臼锉磨参数的确定方法、确定装置、存储介质和处理器 |
| CN110728673A (zh) * | 2019-10-21 | 2020-01-24 | 上海联影医疗科技有限公司 | 一种目标部位分析方法、装置、计算机设备及存储介质 |
| CN110742631A (zh) * | 2019-10-23 | 2020-02-04 | 深圳蓝韵医学影像有限公司 | 一种医学图像的成像方法和装置 |
| CN110742631B (zh) * | 2019-10-23 | 2024-02-20 | 深圳蓝影医学科技股份有限公司 | 一种医学图像的成像方法和装置 |
| CN110838104A (zh) * | 2019-10-30 | 2020-02-25 | 上海联影智能医疗科技有限公司 | 多时间点的感兴趣区域匹配方法、设备和存储介质 |
| CN112884820A (zh) * | 2019-11-29 | 2021-06-01 | 杭州三坛医疗科技有限公司 | 一种影像初始配准及神经网络的训练方法、装置和设备 |
| CN111242877A (zh) * | 2019-12-31 | 2020-06-05 | 北京深睿博联科技有限责任公司 | 乳腺x射线影像配准方法和装置 |
| CN111383211A (zh) * | 2020-03-04 | 2020-07-07 | 深圳大学 | 骨案例识别方法、装置、服务器及存储介质 |
| CN111476776B (zh) * | 2020-04-07 | 2023-09-26 | 上海联影智能医疗科技有限公司 | 胸部病灶位置确定方法、***、可读存储介质和设备 |
| CN111476776A (zh) * | 2020-04-07 | 2020-07-31 | 上海联影智能医疗科技有限公司 | 胸部病灶位置确定方法、***、可读存储介质和设备 |
| CN111784664A (zh) * | 2020-06-30 | 2020-10-16 | 广州柏视医疗科技有限公司 | 肿瘤***分布图谱生成方法 |
| WO2022141882A1 (zh) * | 2020-12-30 | 2022-07-07 | 上海睿刀医疗科技有限公司 | 一种基于历史病理信息的病灶识别模型构建装置及*** |
| CN115311188B (zh) * | 2021-05-08 | 2023-12-22 | 数坤科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
| CN115311188A (zh) * | 2021-05-08 | 2022-11-08 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
| CN113344921A (zh) * | 2021-08-04 | 2021-09-03 | 浙江太美医疗科技股份有限公司 | 图像检测方法和装置、计算机可读存储介质和电子设备 |
| WO2024041058A1 (zh) * | 2022-08-25 | 2024-02-29 | 推想医疗科技股份有限公司 | 一种随访病例数据的处理方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109754387B (zh) | 2021-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109754387A (zh) | 医学图像病灶检测定位方法、装置、电子设备及存储介质 | |
| Liu et al. | Deep multi-task multi-channel learning for joint classification and regression of brain status | |
| Lladó et al. | Automated detection of multiple sclerosis lesions in serial brain MRI | |
| US8588495B2 (en) | Systems and methods for computer aided diagnosis and decision support in whole-body imaging | |
| CN109035160A (zh) | 医学影像的融合方法及基于融合医学影像学习的图像检测方法 | |
| Oghli et al. | Automatic fetal biometry prediction using a novel deep convolutional network architecture | |
| US20060122480A1 (en) | Segmenting occluded anatomical structures in medical images | |
| JP2008259622A (ja) | レポート作成支援装置およびそのプログラム | |
| KR102307995B1 (ko) | 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템 및 이의 동작 방법 | |
| Gorthi et al. | Segmentation of head and neck lymph node regions for radiotherapy planning using active contour-based atlas registration | |
| Bano et al. | AutoFB: automating fetal biometry estimation from standard ultrasound planes | |
| CN106295110A (zh) | 医学图像处理方法和图像处理*** | |
| Xue et al. | Knowledge-based segmentation and labeling of brain structures from MRI images | |
| US20200327661A1 (en) | Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof | |
| CN113656706A (zh) | 基于多模态深度学习模型的信息推送方法及装置 | |
| KR20140114303A (ko) | 3차원 의료 영상들에서 2차원 뷰의 자동 플래닝을 위한 방법 및 시스템 | |
| KR20200120311A (ko) | 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치 | |
| O'Brien et al. | Automated left ventricle ischemic scar detection in CT using deep neural networks | |
| Nijiati et al. | Artificial intelligence assisting the early detection of active pulmonary tuberculosis from chest X-rays: A population-based study | |
| Chen et al. | Anomaly detection through registration | |
| Xie et al. | Improving multi-atlas segmentation by convolutional neural network based patch error estimation | |
| KR20220151170A (ko) | 훈련 데이터에서 누락된 주석을 해결하기 위한 클래스별 손실 함수 | |
| Tan et al. | Automatic localization of the left ventricular blood pool centroid in short axis cardiac cine MR images | |
| CN117078698A (zh) | 一种基于深度学习的外周血管影像辅助分割方法及*** | |
| US20230222771A1 (en) | Method and system for automatic classification of radiographic images having different acquisition characteristics |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 610219 Chengdu Tianfu International Biological City, Chengdu, Sichuan Province (No. 618 Fenghuang Road, Shuangliu District) Patentee after: Chengdu Yongxin Medical Equipment Co.,Ltd. Country or region after: China Address before: 102206 1st floor, building 1, yard 20, shengshengyuan Road, Changping District, Beijing Patentee before: BEIJING NOVEL MEDICAL EQUIPMENT Ltd. Country or region before: China |