CN110738639A - 医学图像检测结果的展示方法、装置、设备及存储介质 - Google Patents
医学图像检测结果的展示方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110738639A CN110738639A CN201910911099.3A CN201910911099A CN110738639A CN 110738639 A CN110738639 A CN 110738639A CN 201910911099 A CN201910911099 A CN 201910911099A CN 110738639 A CN110738639 A CN 110738639A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- detection result
- fracture
- local
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 19
- 230000003902 lesion Effects 0.000 claims description 8
- 210000000988 bone and bone Anatomy 0.000 claims description 6
- 230000002685 pulmonary effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004195 computer-aided diagnosis Methods 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种医学图像检测结果的展示方法、装置、设备及存储介质。该方法包括:获取待检测图像,待检测图像为三维图像;将待检测图像输入神经网络模型进行检测,得到待检测图像的检测结果;根据待检测图像的检测结果对待检测图像进行处理,得到具有病灶区域的局部图像以及局部图像的检测结果;根据局部图像的检测结果,截取局部图像的切面图,并将切面图和/或局部图像的检测结果进行展示。由于该方法中只展示局部图像的切面图和/或检测结果,因此加载速度较快,提高了展示效率;且切面图和检测结果直观的展示给医生,也提高了其展示直观性,进而兼顾医学图像检测结果的展示直观性及展示效率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种医学图像检测结果的展示方法、装置、设备及存储介质。
背景技术
随着计算机技术的不断发展,计算机辅助诊断(computer aided diagnosis,CAD)已广泛应用于医学图像的检测过程,把计算机检测的结果作为参考,辅助医生阅读医学图像,可以提高医生的阅片速度。
传统技术中CAD***通常将检测得到的病灶结果以下面几种方式进行展示:一是展示病灶位置链接按键,需要医生点击按键切换到病灶对应位置,其操作比较繁琐,不能直观的展示病灶特征;二是将病灶数据渲染为三维的渲染图,在渲染图上展现病灶位置和表面特征,但是渲染数据比较耗时耗资源;还有一种是利用图像互换格式技术(GraphicsInterchange Format,GIF)得到旋转的病灶区域GIF图,但是医生阅片会受到GIF图像旋转速度的影响。
由此可知,传统技术无法兼顾医学图像检测结果的直观性与展示效率。
发明内容
基于此,有必要针对传统技术无法兼顾医学图像检测结果的直观性与展示效率的问题,提供一种医学图像检测结果的展示方法、装置、设备及存储介质。
第一方面,本申请实施例提供一种医学图像检测结果的展示方法,包括:
获取待检测图像,待检测图像为三维图像;
将待检测图像输入神经网络模型进行检测,得到待检测图像的检测结果;
根据待检测图像的检测结果对待检测图像进行处理,得到具有病灶区域的局部图像以及局部图像的检测结果;
根据局部图像的检测结果,截取局部图像的切面图,并将切面图和/或局部图像的检测结果进行展示。
第二方面,本申请实施例提供一种医学图像检测结果的展示装置,包括:
获取模块,用于获取待检测图像,待检测图像为三维图像;
检测模块,用于将待检测图像输入神经网络模型进行检测,得到待检测图像的检测结果;
处理模块,用于根据待检测图像的检测结果对待检测图像进行处理,得到具有病灶区域的局部图像以及局部图像的检测结果;
展示模块,用于根据局部图像的检测结果,截取局部图像的切面图,并将切面图和/或局部图像的检测结果进行展示。
第三方面,本申请实施例提供一种计算机设备,包括存储器、处理器和显示器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取待检测图像,待检测图像为三维图像;
将待检测图像输入神经网络模型进行检测,得到待检测图像的检测结果;
根据待检测图像的检测结果对待检测图像进行处理,得到具有病灶区域的局部图像以及局部图像的检测结果;
根据局部图像的检测结果,截取局部图像的切面图,并将切面图和/或局部图像的检测结果进行展示;切面图和/或局部图像的检测结果被展示在显示器的界面上。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测图像,待检测图像为三维图像;
将待检测图像输入神经网络模型进行检测,得到待检测图像的检测结果;
根据待检测图像的检测结果对待检测图像进行处理,得到具有病灶区域的局部图像以及局部图像的检测结果;
根据局部图像的检测结果,截取局部图像的切面图,并将切面图和/或局部图像的检测结果进行展示。
上述医学图像检测结果的展示方法、装置、设备及存储介质,首先获取待检测图像;将待检测图像输入神经网络模型进行检测,得到待检测图像的检测结果;然后根据待检测图像的检测结果对待检测图像进行处理,得到具有病灶区域的局部图像以及局部图像的检测结果;再根据局部图像的检测结果,截取局部图像的切面图,并将切面图和/或局部图像的检测结果进行展示。由于该方法中只展示局部图像的切面图和/或检测结果,因此加载速度较快,提高了展示效率;且切面图和检测结果直观的展示给医生,也提高了其展示直观性,进而兼顾医学图像检测结果的展示直观性及展示效率。
附图说明
图1为一个实施例提供的医学图像检测结果的展示方法的流程示意图;
图1a为一个实施例提供的切面图和检测结果的展示示意图;
图2a为一个实施例提供的对局部图像截取切面图时的边界示意图;
图2b为另一个实施例提供的对局部图像截取切面图时的边界示意图;
图3为另一个实施例提供的的医学图像检测结果的展示方法的流程示意图;
图4为一个实施例提供的医学图像检测结果的展示装置的结构示意图;
图5为另一个实施例提供的医学图像检测结果的展示装置的结构示意图;
图6为一个实施例提供的计算机设备的内部结构示意图。
具体实施方式
本申请实施例提供的医学图像检测结果的展示方法,可以适用于不同类型医学图像检测结果的展示过程,可以为直接数字平板X线成像(Digital Radiography,DR)、电子计算机断层扫描成像(Computed Tomography,CT)、核磁共振成像(Nuclear MagneticResonance Imaging,MRI)以及正电子发射型计算机断层显像(Positron EmissionComputed Tomography,PET)等检测结果的展示。传统技术对医学图像检测结果进行展示时,通常无法兼顾直观性与展示效率,本申请提供的医学图像检测结果的展示方法、装置、设备及存储介质,旨在解决上述技术问题。
为了使本申请的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本申请实施例中的技术方案进行进一步的详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,下述方法实施例的执行主体可以是医学图像检测结果的展示装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
图1为一个实施例提供的医学图像检测结果的展示方法的流程示意图。本实施例涉及的是计算机设备根据待检测图像的检测结果确定具有病灶区域的局部图像,并展示局部图像的切面图与检测结果的具体过程。如图1所示,该方法包括:
S101,获取待检测图像,待检测图像为三维图像。
具体的,计算机设备首先需获取待检测图像,可选的,计算机设备可以从医院信息管理***(Hospital Information System,HIS)、临床信息***(Clinical InformationSystem,CIS)、影像归档和通信***(Picture Archiving and Communication Systems,PACS)、放射科信息管理***(Radiology Information System,RIS)以及电子病历(Electronic Medical Record,EMR)等***中获取待检测图像。可选的,计算机设备还可以在固定时间间隔从上述***中获取待检测图像,通常在实际应用中,时间间隔为***当前时间半小时或一小时内。
其中,上述待检测图像为三维图像,可以从各个角度对医学图像进行检测。当然,在一些场景中,待检测图像也可以为二维图像、四维图像,可以为CT图像、PET图像、MRI图像及DR图像等,可以为脑部图像、肺部图像、腹部图像、胸腔图像、盆腔图像等,本实施例对此不做限制。
S102,将待检测图像输入神经网络模型进行检测,得到待检测图像的检测结果。
具体的,计算机设备获取到待检测图像之后,可以将其输入神经网络模型进行检测,得到该待检测图像的检测结果。其中,该神经网络模型是基于大量的训练样本图像及训练样本图像的标签进行训练所得到的,可以为卷积神经网络(Convolutional NeuralNetworks,CNN)、全卷积网络(Fully Convolutional Networks,FCN),如V-Net网络,也可以为其他神经网络,本实施例对此不做限制。示例性的,在实际应用中,该神经网络模型可以为肺结节检测模型、脑出血检测模型或者骨折检测模型等,可以得到肺结节类别及位置、脑出血点位置或者骨折位置等。
可选的,关于采用神经网络模型对待检测图像进行检测之前,计算机设备还可以先对待检测图像进行预处理,预处理过程可以为对待检测图像进行平滑、中值滤波处理、增强、去噪以及归一化等。
S103,根据待检测图像的检测结果对待检测图像进行处理,得到具有病灶区域的局部图像以及局部图像的检测结果。
具体的,由于待检测图像通常为检测对象某一位置的全部图像(如为检测肺结节的位置,需要采集整个肺的图像),而病灶区域只在图像中的一个局部区域内,那么计算机设备可以根据待检测图像的检测结果,从待检测图像中获取具有病灶区域的局部图像。可选的,计算机设备可以是对待检测图像进行剪裁,得到该局部图像。另外,由于待检测图像的检测结果已知,那么从待检测图像中获取的局部图像的检测结果也可以获知。
示例性的,假设要对肺部图像做肺结节检测,待检测图像中每个像素点的位置可以用坐标表示,其检测结果为每个像素点属于肺结节的概率,那么病灶区域内像素点的概率值必定较大,那么根据此概率值对应的像素点,可以得到肺结节区域的局部图像,且该局部图像内每个像素点属于肺结节的概率也可以得到。
S104,根据局部图像的检测结果,截取局部图像的切面图,并将切面图和/或局部图像的检测结果进行展示。
具体的,由于待检测图像为三维图像,那么获取的局部图像也为三维图像,计算机设备可以根据该局部图像的检测结果,截取其切面图。可选的,该切面图可以包括横断面图、矢状面图和冠状面图中的一种或多种,目的是展示不同角度的局部图像的图像信息,当然也可以根据实际应用的不同截取其他角度的切面图,如其他剖切面图或二维断层(面)图,本实施例对此不做限制。
然后,计算机设备可以将截取的切面图和/或局部图像的检测结果进行展示,该检测结果可以辅助医生进行病症诊断。可选的,计算机设备可以只展示截取的切面图,或者只展示局部图像的检测结果,或者将两者同时展示。可选的,可以将展示内容平铺于排版好的计算机界面进行展示,其中,检测结果可以标注体现在截面图上,也可以以文字形式单独列出。可选的,对于病灶较严重的检测结果,还可以以语音形式或提示灯形式提示医生重点观看。可选的,计算机设备还可以在展示界面上设置选择框,可供医生根据自身需要选择展示切面图或检测结果,或将两者同时展示。
本实施例提供的医学图像检测结果的展示方法,计算机设备首先将获取的待检测图像输入神经网络模型进行检测,得到待检测图像的检测结果;然后根据该检测结果得到具有病灶区域的局部图像及局部图像的检测结果;最后根据局部图像的检测结果截取局部图像的切面图,并将切面图和/或局部图像的检测结果进行展示。由于该方法中只展示局部图像的切面图和/或检测结果,因此加载速度较快,提高了展示效率;且切面图和检测结果直观的展示给医生,也提高了其展示直观性,进而兼顾医学图像检测结果的展示直观性及展示效率。
可选的,在其中一些实施例中,上述待检测图像为骨骼图像,目的为得到检测对象的骨折区域,则待检测图像的检测结果包括骨折检测结果,局部图像包括骨折区域。
可选的,上述骨折检测结果可以为待检测图像中每个像素点属于骨折的概率;那么展示的局部图像的检测结果可以包括:局部图像中骨折概率的最大值、骨折点的位置、骨折点所在区域、骨折点的类型以及局部图像的窗宽窗位中的一种或多种。
其中,计算机设备可以将骨折概率的最大值所对应的像素点确定为骨折点,该骨折点在待检测图像中的位置、所在区域以及类型可以由神经网络模型检测得到,如骨折点的位置可以为R05、R07、L09(其中,R代表右侧,L代表左侧,数字05、07、09代表从上往下数第5根、第7根、第9根肋骨);骨折点所在区域可以为前端、终端、后端;骨折点的类型可以为错位性骨折、骨皮质扭曲、轻微型骨折、骨痂及呼吸伪影。另外,局部图像的窗宽窗位可以是默认值,也可以由用户自行设定。关于展示的切面图和检测结果的示意图可以参见图1a所示。
本实施例提供的医学图像检测结果的展示方法,计算机设备展示的局部图像的检测结果包括了局部图像中像素点属于骨折的概率的最大值、骨折点的位置以及骨折点所在区域,展示内容比较全面且细致,进一步提高了展示结果的直观性,为医生诊断提供了更优的辅助手段。
可选的,在其中一些实施例中,上述根据局部图像的检测结果,截取局部图像的切面图,包括:以骨折概率的最大值对应的像素点为中心,与该像素点的距离为预设距离的周围像素点为边界,对局部图像截取切面图。
其中,计算机设备以骨折概率的最大值对应的像素点作为中心像素点,然后再确定边界像素点,即与该像素点的距离为预设距离的周围像素点为边界。可选的,参见图2a所示,上述预设距离可以为相同值(如d1与d2相同),此时周围像素点组成圆形,那么截取的切面图也为圆形;参见图2b所示,上述预设距离可以为不同值(如d3与d4不同),此时周围像素点组成正方形,那么截取的切面图为正方形;当然,也可以将切面图截取为长方形或其他形状,只要能展示出病灶区域及检测结果即可,本实施例对此不做限制。接下来,计算机设备以中心点及边界点对局部图像进行截图,得到上述切面图。
图3为另一个实施例提供的医学图像检测结果的展示方法的流程示意图。本实施例涉及的是计算机设备根据待检测图像的检测结果对待检测图像进行处理,得到具有病灶区域的局部图像的具体过程。可选的,在上述实施例的基础上,S103可以包括:
S201,根据预设阈值对骨折检测结果进行二值化处理,得到与待检测图像对应的二值掩模。
具体的,在骨折检测结果为每个像素点属于骨折的概率的基础上,计算机设备可以根据预设阈值对该骨折检测结果进行二值化处理,得到与待检测图像对应的二值掩模。可选的,上述预设阈值可以为一个概率值,计算机设备可以将骨折检测结果低于预设阈值的概率置为0,高于预设阈值的概率置为1,得到上述二值掩模,则此二值掩模中只包括0和1两个取值,分别表征非骨折区域和骨折区域。
S202,对二值掩模进行连通域统计,得到一个或多个连通域;连通域表征二值掩模对应的骨折区域。
S203,将连通域进行标记,根据标记结果及二值掩模与待检测图像的对应关系对待检测图像进行处理,得到具有骨折区域的局部图像。
具体的,待检测图像中可以包括一个或多个骨折区域,则二值掩模上可以对应一个或多个连通区域,计算机设备可以对连通域进行统计并标记,那么二值掩模上的标记结果即表征待检测图像中对应的骨折区域。然后计算机设备根据标记结果以及二值掩模与待检测图像的对应关系,对待检测图像进行处理(如剪裁),便可以得到具有骨折区域的局部图像。可选的,计算机设备对连通区域进行标记,可以为对连通区域的边界进行边框标记。
本实施例提供的医学图像检测结果的展示方法,计算机设备首先根据预设阈值对骨折检测结果进行二值化处理,得到与待检测图像对应的二值掩模,然后对二值掩模进行连通域统计及标记,再根据标记结果以及二值掩模与待检测图像的对应关系对待检测图像进行处理,得到具有骨折区域的局部图像。该方法中,经过二值掩模及连通域的标记,再获得具有骨折区域的局部图像,对于具有骨骼等复杂结构的医学图像,可以提高检测得到的病灶区域的准确性。
应该理解的是,虽然图1、图3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、图3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图4为一个实施例提供的医学图像检测结果的展示装置的结构示意图。如图4所示,该装置包括:获取模块11、检测模块12、处理模块13和展示模块14。
具体的,获取模块11,用于获取待检测图像,待检测图像为三维图像。
检测模块12,用于将待检测图像输入神经网络模型进行检测,得到待检测图像的检测结果。
处理模块13,用于根据待检测图像的检测结果对待检测图像进行处理,得到具有病灶区域的局部图像以及局部图像的检测结果。
展示模块14,用于根据局部图像的检测结果,截取局部图像的切面图,并将切面图和/或局部图像的检测结果进行展示。
本实施例提供的医学图像检测结果的展示装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,待检测图像为骨骼图像,待检测图像的检测结果包括骨折检测结果,局部图像包括骨折区域。
在其中一个实施例中,骨折检测结果为待检测图像中每个像素点属于骨折的概率;展示的局部图像的检测结果包括:局部图像中骨折概率的最大值、骨折点的位置、骨折点所在区域、骨折点的类型以及局部图像的窗宽窗位中的一种或多种。
在其中一个实施例中,上述展示模块14,具体用于以骨折概率的最大值对应的像素点为中心,与像素点的距离为预设距离的周围像素点为边界,对局部图像截取切面图。
图5为另一个实施例提供的医学图像检测结果的展示装置的结构示意图。在上述图4所示实施例的基础上,可选的,如图5所示,处理模块13可以包括:处理单元131、统计单元132和确定单元133。
具体的,处理单元131,用于根据预设阈值对骨折检测结果进行二值化处理,得到与待检测图像对应的二值掩模。
统计单元132,用于对二值掩模进行连通域统计,得到一个或多个连通域;连通域表征二值掩模对应的骨折区域。
确定单元133,用于将连通域进行标记,根据标记结果及二值掩模与待检测图像的对应关系对待检测图像进行处理,得到具有骨折区域的局部图像。
本实施例提供的医学图像检测结果的展示装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,上述处理单元131,具体用于将骨折检测结果低于预设阈值的像素点的概率置为0,骨折检测结果高于预设阈值的像素点的概率置为1,得到与待检测图像对应的二值掩模。
在其中一个实施例中,上述切面图包括横断面图、矢状面图和冠状面图的一种或者多种。
关于医学图像检测结果的展示装置的具体限定可以参见上文中对于医学图像检测结果的展示方法的限定,在此不再赘述。上述医学图像检测结果的展示装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医学图像检测结果的展示方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器和显示器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待检测图像,待检测图像为三维图像;
将待检测图像输入神经网络模型进行检测,得到待检测图像的检测结果;
根据待检测图像的检测结果对待检测图像进行处理,得到具有病灶区域的局部图像以及局部图像的检测结果;
根据局部图像的检测结果,截取局部图像的切面图,并将切面图和/或局部图像的检测结果进行展示;切面图和/或局部图像的检测结果被展示在显示器的界面上。
本实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,待检测图像为骨骼图像,待检测图像的检测结果包括骨折检测结果,局部图像包括骨折区域。
在一个实施例中,骨折检测结果为待检测图像中每个像素点属于骨折的概率;展示的局部图像的检测结果包括:局部图像中骨折概率的最大值、骨折点的位置、骨折点所在区域、骨折点的类型以及局部图像的窗宽窗位中的一种或多种。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
以骨折概率的最大值对应的像素点为中心,与像素点的距离为预设距离的周围像素点为边界,对局部图像截取切面图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预设阈值对骨折检测结果进行二值化处理,得到与待检测图像对应的二值掩模;
对二值掩模进行连通域统计,得到一个或多个连通域;连通域表征二值掩模对应的骨折区域;
将连通域进行标记,根据标记结果及二值掩模与待检测图像的对应关系对待检测图像进行处理,得到具有骨折区域的局部图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将骨折检测结果低于预设阈值的像素点的概率置为0,骨折检测结果高于预设阈值的像素点的概率置为1,得到与待检测图像对应的二值掩模。
在一个实施例中,切面图包括横断面图、矢状面图和冠状面图的一种或者多种。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测图像,待检测图像为三维图像;
将待检测图像输入神经网络模型进行检测,得到待检测图像的检测结果;
根据待检测图像的检测结果对待检测图像进行处理,得到具有病灶区域的局部图像以及局部图像的检测结果;
根据局部图像的检测结果,截取局部图像的切面图,并将切面图和/或局部图像的检测结果进行展示。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,待检测图像为骨骼图像,待检测图像的检测结果包括骨折检测结果,局部图像包括骨折区域。
在一个实施例中,骨折检测结果为待检测图像中每个像素点属于骨折的概率;展示的局部图像的检测结果包括:局部图像中骨折概率的最大值、骨折点的位置、骨折点所在区域、骨折点的类型以及局部图像的窗宽窗位中的一种或多种。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
以骨折概率的最大值对应的像素点为中心,与像素点的距离为预设距离的周围像素点为边界,对局部图像截取切面图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预设阈值对骨折检测结果进行二值化处理,得到与待检测图像对应的二值掩模;
对二值掩模进行连通域统计,得到一个或多个连通域;连通域表征二值掩模对应的骨折区域;
将连通域进行标记,根据标记结果及二值掩模与待检测图像的对应关系对待检测图像进行处理,得到具有骨折区域的局部图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将骨折检测结果低于预设阈值的像素点的概率置为0,骨折检测结果高于预设阈值的像素点的概率置为1,得到与待检测图像对应的二值掩模。
在一个实施例中,切面图包括横断面图、矢状面图和冠状面图的一种或者多种。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学图像检测结果的展示方法,其特征在于,包括:
获取待检测图像,所述待检测图像为三维图像;
将所述待检测图像输入神经网络模型进行检测,得到所述待检测图像的检测结果;
根据所述待检测图像的检测结果对所述待检测图像进行处理,得到具有病灶区域的局部图像以及所述局部图像的检测结果;
根据所述局部图像的检测结果,截取所述局部图像的切面图,并将所述切面图和/或所述局部图像的检测结果进行展示。
2.根据权利要求1所述的方法,其特征在于,所述待检测图像为骨骼图像,所述待检测图像的检测结果包括骨折检测结果,所述局部图像包括骨折区域。
3.根据权利要求2所述的方法,其特征在于,所述骨折检测结果为所述待检测图像中每个像素点属于骨折的概率;展示的所述局部图像的检测结果包括:所述局部图像中骨折概率的最大值、骨折点的位置、所述骨折点所在区域、所述骨折点的类型以及所述局部图像的窗宽窗位中的一种或多种。
4.根据权利要求3所述的方法,其特征在于,所述根据所述局部图像的检测结果,截取所述局部图像的切面图,包括:
以所述骨折概率的最大值对应的像素点为中心,与所述像素点的距离为预设距离的周围像素点为边界,对所述局部图像截取切面图。
5.根据权利要求3所述的方法,其特征在于,所述根据所述待检测图像的检测结果对所述待检测图像进行处理,得到具有病灶区域的局部图像,包括:
根据预设阈值对所述骨折检测结果进行二值化处理,得到与所述待检测图像对应的二值掩模;
对所述二值掩模进行连通域统计,得到一个或多个连通域;所述连通域表征所述二值掩模对应的骨折区域;
将所述连通域进行标记,根据标记结果及所述二值掩模与所述待检测图像的对应关系对所述待检测图像进行处理,得到具有骨折区域的局部图像。
6.根据权利要求5所述的方法,其特征在于,所述根据预设阈值对所述骨折检测结果进行二值化处理,得到与所述待检测图像对应的二值掩模,包括:
将所述骨折检测结果低于预设阈值的像素点的概率置为0,所述骨折检测结果高于预设阈值的像素点的概率置为1,得到与所述待检测图像对应的二值掩模。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述切面图包括横断面图、矢状面图和冠状面图的一种或者多种。
8.一种医学图像检测结果的展示装置,其特征在于,包括:
获取模块,用于获取待检测图像,所述待检测图像为三维图像;
检测模块,用于将所述待检测图像输入神经网络模型进行检测,得到所述待检测图像的检测结果;
处理模块,用于根据所述待检测图像的检测结果对所述待检测图像进行处理,得到具有病灶区域的局部图像以及所述局部图像的检测结果;
展示模块,用于根据所述局部图像的检测结果,截取所述局部图像的切面图,并将所述切面图和/或所述局部图像的检测结果进行展示。
9.一种计算机设备,包括存储器、处理器和显示器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤;所述切面图和/或所述局部图像的检测结果被展示在所述显示器的界面上。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910911099.3A CN110738639B (zh) | 2019-09-25 | 2019-09-25 | 医学图像检测结果的展示方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910911099.3A CN110738639B (zh) | 2019-09-25 | 2019-09-25 | 医学图像检测结果的展示方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738639A true CN110738639A (zh) | 2020-01-31 |
CN110738639B CN110738639B (zh) | 2024-03-01 |
Family
ID=69269530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910911099.3A Active CN110738639B (zh) | 2019-09-25 | 2019-09-25 | 医学图像检测结果的展示方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738639B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489005A (zh) * | 2020-11-26 | 2021-03-12 | 推想医疗科技股份有限公司 | 骨分割方法及装置、骨折检出方法及装置 |
CN112819811A (zh) * | 2021-02-24 | 2021-05-18 | 上海商汤智能科技有限公司 | 图像分析方法及相关装置、电子设备、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945168A (zh) * | 2017-11-30 | 2018-04-20 | 上海联影医疗科技有限公司 | 一种医学图像的处理方法及医学图像处理*** |
CN108520519A (zh) * | 2018-04-11 | 2018-09-11 | 上海联影医疗科技有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
CN109493328A (zh) * | 2018-08-31 | 2019-03-19 | 上海联影智能医疗科技有限公司 | 医学图像显示方法、查看设备以及计算机设备 |
CN109859233A (zh) * | 2018-12-28 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 图像处理、图像处理模型的训练方法及*** |
US20190197299A1 (en) * | 2017-12-27 | 2019-06-27 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for detecting body |
-
2019
- 2019-09-25 CN CN201910911099.3A patent/CN110738639B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945168A (zh) * | 2017-11-30 | 2018-04-20 | 上海联影医疗科技有限公司 | 一种医学图像的处理方法及医学图像处理*** |
US20190197299A1 (en) * | 2017-12-27 | 2019-06-27 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for detecting body |
CN108520519A (zh) * | 2018-04-11 | 2018-09-11 | 上海联影医疗科技有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
CN109493328A (zh) * | 2018-08-31 | 2019-03-19 | 上海联影智能医疗科技有限公司 | 医学图像显示方法、查看设备以及计算机设备 |
CN109859233A (zh) * | 2018-12-28 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 图像处理、图像处理模型的训练方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489005A (zh) * | 2020-11-26 | 2021-03-12 | 推想医疗科技股份有限公司 | 骨分割方法及装置、骨折检出方法及装置 |
CN112819811A (zh) * | 2021-02-24 | 2021-05-18 | 上海商汤智能科技有限公司 | 图像分析方法及相关装置、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110738639B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10129553B2 (en) | Dynamic digital image compression based on digital image characteristics | |
US9020235B2 (en) | Systems and methods for viewing and analyzing anatomical structures | |
CN102138827B (zh) | 图像显示装置 | |
CN106170799B (zh) | 从图像提取信息以及将信息包括在临床报告中 | |
US20210295510A1 (en) | Heat map based medical image diagnostic mechanism | |
CN103222876B (zh) | 医用图像处理装置、图像诊断装置、计算机***以及医用图像处理方法 | |
US20090074276A1 (en) | Voxel Matching Technique for Removal of Artifacts in Medical Subtraction Images | |
CN111445449A (zh) | 感兴趣区域的分类方法、装置、计算机设备和存储介质 | |
US10460508B2 (en) | Visualization with anatomical intelligence | |
CN111080583B (zh) | 医学图像检测方法、计算机设备和可读存储介质 | |
KR102149369B1 (ko) | 의료 영상을 시각화하는 방법 및 이를 이용한 장치 | |
KR101885562B1 (ko) | 제1 의료 영상의 관심 영역을 제2 의료 영상 위에 맵핑하는 방법 및 이를 이용한 장치 | |
CN110738639A (zh) | 医学图像检测结果的展示方法、装置、设备及存储介质 | |
EP2994845B1 (en) | Image visualization | |
JP6158690B2 (ja) | 画像表示装置 | |
CN114943714A (zh) | 医学图像处理***、装置、电子设备及存储介质 | |
CN112862752A (zh) | 一种图像处理显示方法、***电子设备及存储介质 | |
JP5556674B2 (ja) | 医用画像表示装置及びプログラム | |
US11978274B2 (en) | Document creation support apparatus, document creation support method, and document creation support program | |
JP7265805B2 (ja) | 画像解析方法、画像解析装置、画像解析システム、制御プログラム、記録媒体 | |
Baum et al. | Investigation of PET/MRI image fusion schemes for enhanced breast cancer diagnosis | |
CN112767314A (zh) | 医学图像处理方法、装置、设备及存储介质 | |
CN112641466A (zh) | 一种超声人工智能辅助诊断方法及装置 | |
JP2006102044A (ja) | 医用画像処理システム及び医用画像処理方法 | |
CN116884557B (zh) | 基于数字孪生的体检报告生成方法、终端设备及介质 |
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 |