CN111128345A - 医学图像的获取方法、医学扫描设备和计算机存储介质 - Google Patents
医学图像的获取方法、医学扫描设备和计算机存储介质 Download PDFInfo
- Publication number
- CN111128345A CN111128345A CN201911132832.8A CN201911132832A CN111128345A CN 111128345 A CN111128345 A CN 111128345A CN 201911132832 A CN201911132832 A CN 201911132832A CN 111128345 A CN111128345 A CN 111128345A
- Authority
- CN
- China
- Prior art keywords
- scanning
- information
- parameters
- parameter
- measured object
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 5
- 238000002591 computed tomography Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000002600 positron emission tomography Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/543—Control of the operation of the MR system, e.g. setting of acquisition parameters prior to or during MR data acquisition, dynamic shimming, use of one or more scout images for scan plane prescription
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Primary Health Care (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种医学图像的获取方法、医学扫描设备和计算机存储介质。该方法包括：获取扫描设备信息和受测对象信息；将扫描设备信息和受测对象信息输入预设的扫描参数推荐模型中，确定受测对象的扫描参数；根据扫描参数扫描受测对象，得到医学图像。该方法中，医学扫描设备可以根据扫描设备信息和受测对象信息自动得到受测对象的扫描参数，不需要人工进行干预，提高了医学图像获取过程的智能性及效率；并且由训练完成的扫描参数推荐模型确定扫描参数，提高了扫描参数的准确性，也进一步提高了得到的医学图像的准确性。
Description
技术领域
本申请涉及医疗技术领域，特别是涉及一种医学图像的获取方法、医学扫描设备和计算机存储介质。
背景技术
在目前的医疗领域中，医学图像扫描仪器已成为人体病情诊断的重要设备，如常见的直接数字平板X线设备(Digital Radiography，DR)、电子计算机断层扫描设备(Computed Tomography，CT)、核磁共振仪(Nuclear Magnetic Resonance，MR)和正电子发射型计算机断层显像设备(Positron Emission Computed Tomography，PET)等。针对不同的扫描设备或者不同的病人，通常需要不同的扫描策略，如设置不同的设备扫描参数。
传统技术在获取不同病人的医学图像时，通常由放射科医生根据自身经验在扫描设备上输入对应的扫描参数，然后由扫描设备根据扫描参数扫描病人，得到医学图像。
但是，由医生输入扫描参数的主观性较强，导致传统技术获取医学图像的效率较低，准确率也较低。
发明内容
基于此，有必要针对传统技术中获取医学图像的效率较低，准确率也较低问题，提供一种医学图像的获取方法、医学扫描设备和计算机存储介质。
第一方面，本申请实施例提供一种医学图像的获取方法，包括：
获取扫描设备信息和受测对象信息；
将扫描设备信息和受测对象信息输入预设的扫描参数推荐模型中，确定受测对象的扫描参数；
根据扫描参数扫描受测对象，得到医学图像。
第二方面，本申请实施例提供一种医学图像的获取装置，包括：
获取模块，用于获取扫描设备信息和受测对象信息；
确定模块，用于将扫描设备信息和受测对象信息输入预设的扫描参数推荐模型中，确定受测对象的扫描参数；
扫描模块，用于根据扫描参数扫描受测对象，得到医学图像。
第三方面，本申请实施例提供一种医学扫描设备，包括存储器、处理器和扫描器，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：
获取扫描设备信息和受测对象信息；
将扫描设备信息和受测对象信息输入预设的扫描参数推荐模型中，确定受测对象的扫描参数；
扫描器，用于根据扫描参数扫描受测对象，得到医学图像。
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：
获取扫描设备信息和受测对象信息；
将扫描设备信息和受测对象信息输入预设的扫描参数推荐模型中，确定受测对象的扫描参数；
将扫描参数发送至医学扫描设备。
上述医学图像的获取方法、装置、医学扫描设备和计算机存储介质，能够获取扫描设备信息和受测对象信息；将扫描设备信息和受测对象信息输入预设的扫描参数推荐模型中，确定受测对象的扫描参数；根据扫描参数扫描受测对象，得到医学图像。该方法中，医学扫描设备可以根据扫描设备信息和受测对象信息自动得到受测对象的扫描参数，不需要人工进行干预，提高了医学图像获取过程的智能性及效率；并且经训练完成的扫描参数推荐模型确定扫描参数，提高了扫描参数的准确性，也进一步提高了得到的医学图像的准确性。
附图说明
图1为一个实施例提供的医学图像的获取方法的流程示意图；
图2为另一个实施例提供的医学图像的获取方法的流程示意图；
图3为又一个实施例提供的医学图像的获取方法的流程示意图；
图4为又一个实施例提供的医学图像的获取方法的流程示意图；
图4a为一个实施例提供的相似度量函数模型的原理示意图；
图5为一个实施例提供的医学图像的获取装置的结构示意图；
图6为一个实施例提供的医学扫描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的获取方法，可以适用于对病人扫描得到医学图像的过程，其可以自动输出与病人相匹配的扫描参数，并根据该扫描参数对病人进行扫描。其中，该方法可以适用于磁共振扫描(Nuclear Magnetic Resonance Imaging，MRI)过程、电子计算机断层扫描(Computed Tomography，CT)过程、正电子发射型计算机断层扫描(Positron Emission Computed Tomography，PET)过程等。传统技术在获取不同病人的医学图像时，通常由放射科医生根据自身经验在扫描设备上输入对应的扫描参数，然后根据扫描参数扫描病人，得到医学图像。但是，由医生输入扫描参数的主观性较强，导致传统技术获取医学图像的效率较低，准确率也较低。本申请提供的医学图像的获取方法、医学扫描设备和计算机存储介质，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的获取装置，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医学扫描设备的部分或者全部。下述方法实施例以执行主体为医学扫描设备为例进行说明，该医学扫描设备可以为核磁共振仪、CT机或PET机等。
图1为一个实施例提供的医学图像的获取方法的流程示意图。本实施例涉及的是医学扫描设备根据扫描设备信息和受测对象信息，确定受测对象的扫描参数并扫描受测对象的具体过程。如图1所示，该方法包括：
S101，获取扫描设备信息和受测对象信息。
具体的，医学扫描设备首先获取其对应的扫描设备信息以及受测对象信息，可选的，该扫描设备信息可以为扫描设备的型号信息，如X001型号的磁共振仪、Y002型号的CT机等，还可以包括扫描设备的硬件配置，如磁共振仪可达到的最大扫描强度、最快扫描速度等。
可选的，受测对象信息可以包括受测对象的年龄信息、身高信息、体重信息和扫描部位信息中的至少一个，这些信息可由医学扫描设备从当前的医疗***中获取，如应用场景为在医院扫描病人的医学图像时，可从医院的病例库中获取病人当前的上述信息。可选的，受测对象信息还可以包括受测对象当前的血红蛋白指数、血压指数、骨密度等其他信息；还可以包括医生对受测对象进行初诊时给出的初诊信息，即当前想要确诊的病症，如医生初诊病人患有肺结节，让病人拍摄CT图像确认是否有肺结节。
S102，将扫描设备信息和受测对象信息输入预设的扫描参数推荐模型中，确定受测对象的扫描参数。
具体的，医学扫描设备可以将上述扫描设备信息和受测对象信息输入预设的扫描参数推荐模型中，扫描参数推荐模型可以根据输入的信息确定出与受测对象对应的扫描参数。其中，针对同一受测对象不同的扫描设备，可以输出不同的扫描参数；针对同一扫描设备不同的受测对象，也可以输出不同的扫描参数。可选的，扫描参数推荐模型输出的扫描参数可以包括一组或多组，当输出的扫描参数为多组时，医学扫描设备还可以将多组扫描参数进行融合，得到受测对象最终的扫描参数。可选的，输出的扫描参数可以包括扫描强度、扫描速度和扫描方向，还可以包括施加电压、施加功率、扫描时间、扫描开始位置与结束位置等。可选的，对于CT机和PET机而言，扫描强度可以为要注射的造影剂的剂量、放射线的强度等，对于磁共振仪而言，扫描强度可以为放射的磁场强度。
可选的，上述扫描参数推荐模型可以为神经网络模型、支持向量机(SupportVector Machine,SVM)、决策树(Decision Tree)或者贝叶斯分类模型，也可以为其他机器学习的分类模型，只要其在训练完成后能够根据扫描设备信息和受测对象信息，对受测对象进行分类得到其对应的扫描参数即可。
可选的，扫描参数推荐模型还可以输出扫描协议，该扫描协议可以包括扫描参数以及根据扫描参数执行的扫描步骤。
S103，根据扫描参数扫描受测对象，得到医学图像。
具体的，医学扫描设备得到受测对象的扫描参数后，便可以根据该扫描参数对受测对象进行扫描，得到对应的医学图像。
本实施例提供的医学图像的获取方法，医学扫描设备将获取的扫描设备信息和受测对象信息输入预设的扫描参数推荐模型中，得到受测对象的扫描参数，然后根据扫描参数扫描受测对象，得到医学图像。该方法中，医学扫描设备可以根据扫描设备信息和受测对象信息自动得到受测对象的扫描参数，不需要人工进行干预，提高了医学图像获取过程的智能性及效率；并且由训练完成的扫描参数推荐模型确定扫描参数，提高了扫描参数的准确性，也进一步提高了得到的医学图像的准确性。
可选的，在其中一些实施例中，上述扫描参数推荐模型为神经网络模型，那么在使用该模型之前，需先对该模型进行训练以得到收敛的扫描参数推荐模型。图2为另一个实施例提供的医学图像的获取方法的流程示意图。本实施例涉及的是医学扫描设备对扫描参数推荐模型进行训练的具体过程，在上述实施例的基础上，可选的，扫描参数推荐模型的训练方式包括：
S201，获取不同扫描设备对不同受测对象进行扫描时的扫描参数数据集；扫描参数数据集包括扫描设备信息、受测对象信息和扫描参数之间的对应关系。
具体的，在扫描参数推荐模型训练阶段，医学扫描设备需获取大量训练数据，该训练数据为不同扫描设备对不同受测对象进行扫描时的扫描参数数据集，该扫描参数数据集包括扫描设备信息、受测对象信息和扫描参数之间的对应关系，即A扫描设备使用扫描参数B对受测对象C进行扫描。其中，以获取的扫描设备信息(如设备型号)和受测对象信息(如年龄信息、身高信息、体重信息和扫描部位信息)作为样本数据，其对应的扫描参数作为金标准对扫描参数推荐模型进行训练。可选的，扫描参数数据集可以由医学扫描设备从影像归档和通信***(Picture Archiving and Communication Systems，PACS)、放射科信息管理***(Radiology Information System，RIS)或者电子病历(Electronic Medical Record，EMR)中获取。
可选的，扫描参数数据集还可以包括不同扫描设备对不同受测对象进行扫描时所得到的医学图像；为方便扫描参数推荐模型训练，还可以将各医学图像经过预处理为相同尺寸、相同格式的图像数据。可选的，获取到扫描参数数据集后，医学扫描设备可以将其存储至数据库，以供后续调用，该数据库可以存储在医学扫描设备中，也可以存储在与医学扫描设备进行通信的其他计算机设备中，还可以存储在云端服务器中，本实施例对此不做限制。
由于在实际的扫描设备工作中，扫描参数通常会有多个(如需要扫描强度、扫描速度等)，可选的，扫描参数数据集中的扫描参数可以以扫描类别形式体现，每个扫描类别表征一组扫描参数，如扫描类别A代表(扫描强度1、扫描速度1)、扫描类别B代表(扫描强度2、扫描速度2)等。
S202，将扫描参数数据集作为训练数据，训练初始扫描参数推荐模型，得到扫描参数推荐模型。
具体的，医学扫描设备可以将上述扫描参数数据集作为输入数据输入到初始扫描参数推荐模型中进行处理，初始扫描参数推荐模型会输出不同受测对象的扫描参数。然后医学扫描设备将输出的扫描参数与扫描参数数据集中真实的扫描参数(即上述金标准)进行比较，得到其之间的差异作为损失，利用该损失对初始扫描参数推荐模型进行训练，直至损失满足预设条件时，初始扫描参数推荐模型训练完成，得到扫描参数推荐模型。可选的，上述损失满足的预设条件可以为损失值达到收敛，也可以为小于或等于设定的阈值。
可选的，扫描参数推荐模型可以为卷积神经网络(Convolutional NeuralNetworks，CNN)、全卷积网络(Fully Convolutional Networks，FCN)，也可以为神经网络模型，本实施例对此不做限制。
可选的，在得到训练完成的扫描参数推荐模型后，医学扫描设备将获取的扫描设备信息和受测对象信息输入扫描参数推荐模型中，确定受测对象的扫描参数，可以包括：将扫描设备信息和受测对象信息输入扫描参数推荐模型，得到扫描推荐类别；根据扫描推荐类别、以及扫描推荐类别与扫描参数之间的对应关系，确定受测对象的扫描参数。
具体的，扫描参数推荐模型对输入的扫描设备信息和受测对象信息进行一系列卷积、池化等操作后，可以得到受测对象的扫描推荐类别，然后根据扫描推荐类别与扫描参数之间的对应关系，得到最终的扫描参数。由上述描述可知，每个扫描推荐类别对应一组扫描参数，那么得到扫描推荐类别之后便可确定需要的扫描参数。可选的，扫描推荐类别与扫描参数之间的对应关系可以以数据库或数据表形式进行存储。
本实施例提供的医学图像的获取方法，扫描参数推荐模型为神经网络模型，医学扫描设备可以首先利用扫描参数数据集训练初始扫描参数推荐模型，得到扫描参数推荐模型，然后将扫描设备信息和受测对象信息输入该扫描参数推荐模型中，确定受测对象的扫描参数。该方法利用训练收敛的神经网络模型作为扫描参数推荐模型，可提高确定扫描参数的过程效率及准确率，进而提高医学图像的获取效率及准确率。
图3为又一个实施例提供的医学图像的获取方法的流程示意图。本实施例涉及的是医学扫描设备确定了受测对象的扫描参数之后再次核对的过程，在上述实施例的基础上，可选的，在S102之后，上述方法还包括：
S301，根据受测对象信息判断扫描参数是否与受测对象匹配。
S302，若是，则执行根据扫描参数扫描受测对象的步骤。
S303，若否，则根据受测对象信息确定新的扫描参数。
具体的，在医学扫描设备确定受测对象的扫描参数之后，还可以再根据受测对象信息判断该扫描参数是否与受测对象匹配。可选的，假设受测对象信息共包括4个指标信息，扫描参数包括2个参数，而每个指标信息在2个参数下对应有参数值范围，那么医学扫描设备通过判断得到的扫描参数是否在对应的参数值范围内，来确定扫描参数是否与受测对象匹配。
示例性的，假设4个指标信息为(年龄、身高、体重、扫描部位)，2个参数为(扫描强度、扫描速度)，其中，不同年龄在扫描强度和扫描速度下有不同的取值范围，不同身高在扫描强度和扫描速度下有不同的取值范围，不同体重在扫描强度和扫描速度下有不同的取值范围，不同扫描部位在扫描强度和扫描速度下有不同的取值范围，根据当前的受测对象信息，判断得到的扫描参数中各个取值是否都在对应的取值范围内。
若判断得到扫描参数与受测对象匹配，则医学扫描设备根据上述扫描参数扫描受测对象即可，以得到医学图像。若判断得到扫描参数与受测对象不匹配，则根据受测对象信息确定新的扫描参数，即根据上述取值范围再对得到的扫描参数进行调整，确定新的扫描参数，并根据新的扫描参数对受测对象进行扫描，得到医学图像。在实际应用中，可选的，还可以由医生对得到的扫描参数进行检查，判断是否与当前的受测信息匹配，若不匹配，也可以由医生输入新的扫描参数，医学扫描设备根据接收到的新的扫描参数对受测对象进行扫描，得到医学图像。
可选的，在其中一些实施例中，在根据受测对象信息确定新的扫描参数之后，上述方法还包括：将扫描设备信息、受测对象信息和新的扫描参数作为训练数据，更新扫描参数推荐模型。也即是说，当需要确定新的扫描参数时，表示根据扫描参数推荐模型所输出的扫描参数有误差，那么可以根据新的扫描参数再次对扫描参数推荐模型进行训练，以更新该扫描参数推荐模型，进一步提高扫描参数推荐模型的精度，以及提高后续得到的扫描参数的准确性。
本实施例提供的医学图像的获取方法，医学扫描设备根据受测对象信息判断扫描参数是否与受测对象匹配，若匹配根据扫描参数扫描受测对象，若不匹配根据受测对象信息确定新的扫描参数。由此判断过程，可以进一步提高得到的扫描参数的准确性，防止发生较大的错误。
可选的，在其中一些实施例中，上述扫描参数推荐模型为相似度量函数模型，图4为又一个实施例提供的医学图像的获取方法的流程示意图。本实施例涉及的是医学扫描设备根据扫描设备信息和受测对象信息确定受测对象的扫描参数的具体过程。在上述实施例的基础上，可选的，如图4所示，S102可以包括：
S401，获取与扫描设备信息相同的受测对象的信息列表。
具体的，医学扫描设备可以从上述扫描参数数据集中获取与当前扫描设备信息相同的受测对象的信息列表，该信息列表可以包括受测对象信息和扫描参数，即获取到之前使用该扫描设备所扫描过的受测对象的信息列表。
S402，利用相似度量函数模型，从信息列表中获取与受测对象信息相似度最大的信息。
具体的，医学扫描参数利用相似度量函数模型，从上述信息列表中获取与受测对象信息相似度最大的信息，例如，当前受测对象信息为(30岁、160cm、50kg、扫描头部)，从信息列表中获取的与该信息相似度最大的信息为(30岁、161cm、50.2kg、扫描头部)。
S403，将相似度最大的信息对应的扫描参数确定为受测对象的扫描参数。
具体的，由于信息列表可以包括受测对象信息和扫描参数，那么获得相似度最大的信息后，也可以得到该信息对应的扫描参数，那么医学扫描设备便可以将该扫描参数作为上述受测对象的扫描参数。可选的，相似度最大的信息数量可以有多个，医学扫描设备可以将多个相似度最大的信息对应的扫描参数进行融合，将融合结果作为受测对象的扫描参数。可选的，融合过程可以为对扫描参数的值求平均值，得到受测对象的扫描参数。
可选的，在确定了受测对象的扫描参数后，还可以将该受测对象信息、扫描设备信息及扫描参数添加至扫描参数数据集中，以供后续扫描参数推荐模型输出更准确的扫描参数。
举个例子进行说明，如图4a所示，利用相似度量函数模型获取与受测对象信息相似度最大的信息的过程可以为：为更好的图示结合，以受测对象信息为(年龄、身高、体重)为例，可以将这3个信息表示为xyz坐标系，假设当前信息列表中有5个受测对象信息(A、B、C、D、E)，那么这5个受测对象信息可以对应到xyz坐标系中的5个点(如图中的黑色实点)，该5个点与原点连接形成5个向量；然后将当前受测对象信息(F)也对应到xyz坐标系中(如图中的空心点)，与原点也连接形成向量，那么该向量与其余5个向量的夹角中，哪个夹角的余弦值越小，则表示这两个向量越接近，则该向量对应的信息与当前受测对象信息相似度越大。如图4a所示的图中，F与A的夹角余弦值最小，则表示A与F的信息相似性最大，则可以将A的扫描参数推荐给F。
可选的，在一些实施例中，还可以将神经网络模型与相似性度量函数模型结合起来确定最终的扫描参数。该神经网络模型可以根据获取的扫描设备信息和受测对象信息，确定多组扫描参数；然后从这多组扫描参数对应的受测对象信息中，利用相似性度量函数模型确定与当前受测对象信息相似性最大的信息，把该相似性最大的信息对应的一组扫描参数作为当前受测对象的推荐参数。
本实施例提供的医学图像的获取方法，扫描参数推荐模型为相似度量函数模型，医学扫描设备可以首先获取与扫描设备信息相同的受测对象的信息列表，利用相似度量函数模型，从信息列表中获取与受测对象信息相似度最大的信息，将相似度最大的信息对应的扫描参数确定为受测对象的扫描参数。该方法利用相似度量函数模型作为扫描参数推荐模型，可提高确定扫描参数的过程效率及准确率，进而提高医学图像的获取效率及准确率。
应该理解的是，虽然图1-图4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4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5为一个实施例提供的医学图像的获取装置的结构示意图。如图5所示，该装置包括：获取模块11、确定模块12和扫描模块13。
具体的，获取模块11，用于获取扫描设备信息和受测对象信息。
确定模块12，用于将扫描设备信息和受测对象信息输入预设的扫描参数推荐模型中，确定受测对象的扫描参数。
扫描模块13，用于根据扫描参数扫描受测对象，得到医学图像。
本实施例提供的医学图像的获取装置，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，扫描参数推荐模型为神经网络模型，上述装置还包括训练模块，用于获取不同扫描设备对不同受测对象进行扫描时的扫描参数数据集；扫描参数数据集包括扫描设备信息、受测对象信息和扫描参数之间的对应关系；以及将扫描参数数据集作为训练数据，训练初始扫描参数推荐模型，得到扫描参数推荐模型。
在其中一个实施例中，确定模块12，具体用于将扫描设备信息和受测对象信息输入扫描参数推荐模型，得到扫描推荐类别；根据扫描推荐类别、以及扫描推荐类别与扫描参数之间的对应关系，确定受测对象的扫描参数。
在其中一个实施例中，上述装置还包括判断模块，用于根据受测对象信息判断扫描参数是否与受测对象匹配；若是，则指示扫描模块13执行根据扫描参数扫描受测对象；若否，则指示确定模块12根据受测对象信息确定新的扫描参数。
在其中一个实施例中，训练模块，还用于将扫描设备信息、受测对象信息和新的扫描参数作为训练数据，更新扫描参数推荐模型。
在其中一个实施例中，扫描参数推荐模型为相似度量函数模型，确定模块12，具体用于获取与扫描设备信息相同的受测对象的信息列表；利用相似度量函数模型，从信息列表中获取与受测对象信息相似度最大的信息；将相似度最大的信息对应的扫描参数确定为受测对象的扫描参数。
在其中一个实施例中，相似度最大的信息数量有多个；确定模块12，具体用于对多个相似度最大的信息对应的扫描参数进行融合，将融合结果作为受测对象的扫描参数。
在其中一个实施例中，扫描设备信息包括扫描设备的型号信息，受测对象信息包括受测对象的年龄信息、身高信息、体重信息和扫描部位信息中的至少一个。
关于医学图像的获取装置的具体限定可以参见上文中对于医学图像的获取方法的限定，在此不再赘述。上述医学图像的获取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，提供了一种医学扫描设备，该医学扫描设备可以是终端，其内部结构图可以如图6所示。该医学扫描设备包括通过***总线连接的扫描器、处理器、存储器、网络接口、显示屏和输入装置。其中，该医学扫描设备的处理器用于提供计算和控制能力。该医学扫描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。该医学扫描设备的网络接口用于与外部的终端通过网络连接通信。该医学扫描设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该医学扫描设备的输入装置可以是显示屏上覆盖的触摸层，也可以是医学扫描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。该医学扫描设备还包括通过***总线相连的扫描器，用于扫描受测对象得到医学图像。
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，提供了一种医学扫描设备，包括存储器、处理器和扫描器，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：
获取扫描设备信息和受测对象信息；
将扫描设备信息和受测对象信息输入预设的扫描参数推荐模型中，确定受测对象的扫描参数；
扫描器，用于根据扫描参数扫描受测对象，得到医学图像。
本实施例提供的医学扫描设备，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，扫描参数推荐模型为神经网络模型，处理器执行计算机程序时还实现以下步骤：
获取不同扫描设备对不同受测对象进行扫描时的扫描参数数据集；扫描参数数据集包括扫描设备信息、受测对象信息和扫描参数之间的对应关系；
将扫描参数数据集作为训练数据，训练初始扫描参数推荐模型，得到扫描参数推荐模型。
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：
将扫描设备信息和受测对象信息输入扫描参数推荐模型，得到扫描推荐类别；
根据扫描推荐类别、以及扫描推荐类别与扫描参数之间的对应关系，确定受测对象的扫描参数。
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：
根据受测对象信息判断扫描参数是否与受测对象匹配；
若是，扫描器根据扫描参数扫描受测对象；
若否，则根据受测对象信息确定新的扫描参数。
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：
将扫描设备信息、受测对象信息和新的扫描参数作为训练数据，更新扫描参数推荐模型。
在一个实施例中，扫描参数推荐模型为相似度量函数模型，处理器执行计算机程序时还实现以下步骤：
获取与扫描设备信息相同的受测对象的信息列表；
利用相似度量函数模型，从信息列表中获取与受测对象信息相似度最大的信息；
将相似度最大的信息对应的扫描参数确定为受测对象的扫描参数。
在一个实施例中，相似度最大的信息数量有多个；处理器执行计算机程序时还实现以下步骤：
对多个相似度最大的信息对应的扫描参数进行融合，将融合结果作为受测对象的扫描参数。
在一个实施例中，扫描设备信息包括扫描设备的型号信息，受测对象信息包括受测对象的年龄信息、身高信息、体重信息和扫描部位信息中的至少一个。
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：
获取扫描设备信息和受测对象信息；
将扫描设备信息和受测对象信息输入预设的扫描参数推荐模型中，确定受测对象的扫描参数；
将扫描参数发送至医学扫描设备。
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，扫描参数推荐模型为神经网络模型，计算机程序被处理器执行时还实现以下步骤：
获取不同扫描设备对不同受测对象进行扫描时的扫描参数数据集；扫描参数数据集包括扫描设备信息、受测对象信息和扫描参数之间的对应关系；
将扫描参数数据集作为训练数据，训练初始扫描参数推荐模型，得到扫描参数推荐模型。
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：
将扫描设备信息和受测对象信息输入扫描参数推荐模型，得到扫描推荐类别；
根据扫描推荐类别、以及扫描推荐类别与扫描参数之间的对应关系，确定受测对象的扫描参数。
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：
根据受测对象信息判断扫描参数是否与受测对象匹配；
若是，将扫描参数发送至医学扫描设备；
若否，则根据受测对象信息确定新的扫描参数。
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：
将扫描设备信息、受测对象信息和新的扫描参数作为训练数据，更新扫描参数推荐模型。
在一个实施例中，扫描参数推荐模型为相似度量函数模型，计算机程序被处理器执行时还实现以下步骤：
获取与扫描设备信息相同的受测对象的信息列表；
利用相似度量函数模型，从信息列表中获取与受测对象信息相似度最大的信息；
将相似度最大的信息对应的扫描参数确定为受测对象的扫描参数。
在一个实施例中，相似度最大的信息数量有多个；计算机程序被处理器执行时还实现以下步骤：
对多个相似度最大的信息对应的扫描参数进行融合，将融合结果作为受测对象的扫描参数。
在一个实施例中，扫描设备信息包括扫描设备的型号信息，受测对象信息包括受测对象的年龄信息、身高信息、体重信息和扫描部位信息中的至少一个。
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)
1.一种医学图像的获取方法，其特征在于，包括：
获取扫描设备信息和受测对象信息；
将所述扫描设备信息和所述受测对象信息输入预设的扫描参数推荐模型中，确定受测对象的扫描参数；
根据所述扫描参数扫描所述受测对象，得到医学图像。
2.根据权利要求1所述的方法，其特征在于，所述扫描参数推荐模型为神经网络模型，所述扫描参数推荐模型的训练方式包括：
获取不同扫描设备对不同受测对象进行扫描时的扫描参数数据集；所述扫描参数数据集包括扫描设备信息、受测对象信息和扫描参数之间的对应关系；
将所述扫描参数数据集作为训练数据，训练初始扫描参数推荐模型，得到所述扫描参数推荐模型。
3.根据权利要求2所述的方法，其特征在于，所述将所述扫描设备信息和所述受测对象信息输入预设的扫描参数推荐模型中，确定所述受测对象的扫描参数，包括：
将所述扫描设备信息和所述受测对象信息输入所述扫描参数推荐模型，得到扫描推荐类别；
根据所述扫描推荐类别、以及扫描推荐类别与扫描参数之间的对应关系，确定所述受测对象的扫描参数。
4.根据权利要求1-3任一项所述的方法，其特征在于，在确定受测对象的扫描参数之后，所述方法还包括：
根据所述受测对象信息判断所述扫描参数是否与所述受测对象匹配；
若是，则执行根据所述扫描参数扫描所述受测对象的步骤；
若否，则根据所述受测对象信息确定新的扫描参数。
5.根据权利要求4所述的方法，其特征在于，在根据所述受测对象信息确定新的扫描参数之后，所述方法还包括：
将所述扫描设备信息、所述受测对象信息和所述新的扫描参数作为训练数据，更新所述扫描参数推荐模型。
6.根据权利要求1所述的方法，其特征在于，所述扫描参数推荐模型为相似度量函数模型；所述将所述扫描设备信息和所述受测对象信息输入预设的扫描参数推荐模型中，确定所述受测对象的扫描参数，包括：
获取与所述扫描设备信息相同的受测对象的信息列表；
利用所述相似度量函数模型，从所述信息列表中获取与所述受测对象信息相似度最大的信息；
将所述相似度最大的信息对应的扫描参数确定为所述受测对象的扫描参数。
7.根据权利要求6所述的方法，其特征在于，所述相似度最大的信息数量有多个；所述将所述相似度最大的信息对应的扫描参数确定为所述受测对象的扫描参数，包括：
对多个相似度最大的信息对应的扫描参数进行融合，将融合结果作为所述受测对象的扫描参数。
8.根据权利要求1所述的方法，其特征在于，所述扫描设备信息包括所述扫描设备的型号信息，所述受测对象信息包括所述受测对象的年龄信息、身高信息、体重信息和扫描部位信息中的至少一个。
9.一种医学扫描设备，包括存储器、处理器和扫描器，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以下步骤：
获取扫描设备信息和受测对象信息；
将所述扫描设备信息和所述受测对象信息输入预设的扫描参数推荐模型中，确定受测对象的扫描参数；
所述扫描器，用于根据所述扫描参数扫描所述受测对象，得到医学图像。
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以下步骤：
获取扫描设备信息和受测对象信息；
将所述扫描设备信息和所述受测对象信息输入预设的扫描参数推荐模型中，确定受测对象的扫描参数；
将所述扫描参数发送至医学扫描设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911132832.8A CN111128345B (zh) | 2019-11-19 | 2019-11-19 | 医学图像的获取方法、医学扫描设备和计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911132832.8A CN111128345B (zh) | 2019-11-19 | 2019-11-19 | 医学图像的获取方法、医学扫描设备和计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111128345A true CN111128345A (zh) | 2020-05-08 |
| CN111128345B CN111128345B (zh) | 2024-03-22 |
Family
ID=70495768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911132832.8A Active CN111128345B (zh) | 2019-11-19 | 2019-11-19 | 医学图像的获取方法、医学扫描设备和计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111128345B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI733627B (zh) * | 2020-11-30 | 2021-07-11 | 中國醫藥大學 | 基於胸部低劑量電腦斷層影像之深度學習肺結節偵測方法及電腦程式產品 |
| CN114038550A (zh) * | 2021-09-26 | 2022-02-11 | 武汉联影医疗科技有限公司 | 扫描方案确定方法、装置、计算机设备和存储介质 |
| CN114631799A (zh) * | 2020-12-16 | 2022-06-17 | 西门子医疗有限公司 | 计算机实施的方法，成像设备和计算机程序产品 |
| US20220196770A1 (en) * | 2020-12-22 | 2022-06-23 | Siemens Healthcare Gmbh | Method for executing at least one application on a magnetic resonance device |
| US11967429B2 (en) | 2019-08-19 | 2024-04-23 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for scan preparation |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050267348A1 (en) * | 2004-06-01 | 2005-12-01 | Wollenweber Scott D | Methods and apparatus for automatic protocol selection |
| US20170061250A1 (en) * | 2015-08-28 | 2017-03-02 | Microsoft Technology Licensing, Llc | Discovery of semantic similarities between images and text |
| CN106537398A (zh) * | 2014-07-16 | 2017-03-22 | 皇家飞利浦有限公司 | Irecon:具有预估运行的智能图像重建*** |
| CN107423551A (zh) * | 2016-05-24 | 2017-12-01 | 西门子医疗有限公司 | 用于执行医学检查的成像方法 |
| CN107680657A (zh) * | 2016-08-01 | 2018-02-09 | 西门子保健有限责任公司 | 医学扫描仪自学优化临床协议和图像采集 |
| CN108537794A (zh) * | 2018-04-19 | 2018-09-14 | 上海联影医疗科技有限公司 | 医学图像数据处理方法、装置和计算机可读存储介质 |
| CN109063188A (zh) * | 2018-08-28 | 2018-12-21 | 国信优易数据有限公司 | 一种实体推荐方法和装置 |
| CN109993735A (zh) * | 2019-03-29 | 2019-07-09 | 成都信息工程大学 | 基于级联卷积的图像分割方法 |
-
2019
- 2019-11-19 CN CN201911132832.8A patent/CN111128345B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050267348A1 (en) * | 2004-06-01 | 2005-12-01 | Wollenweber Scott D | Methods and apparatus for automatic protocol selection |
| CN106537398A (zh) * | 2014-07-16 | 2017-03-22 | 皇家飞利浦有限公司 | Irecon:具有预估运行的智能图像重建*** |
| US20170061250A1 (en) * | 2015-08-28 | 2017-03-02 | Microsoft Technology Licensing, Llc | Discovery of semantic similarities between images and text |
| CN107423551A (zh) * | 2016-05-24 | 2017-12-01 | 西门子医疗有限公司 | 用于执行医学检查的成像方法 |
| CN107680657A (zh) * | 2016-08-01 | 2018-02-09 | 西门子保健有限责任公司 | 医学扫描仪自学优化临床协议和图像采集 |
| CN108537794A (zh) * | 2018-04-19 | 2018-09-14 | 上海联影医疗科技有限公司 | 医学图像数据处理方法、装置和计算机可读存储介质 |
| CN109063188A (zh) * | 2018-08-28 | 2018-12-21 | 国信优易数据有限公司 | 一种实体推荐方法和装置 |
| CN109993735A (zh) * | 2019-03-29 | 2019-07-09 | 成都信息工程大学 | 基于级联卷积的图像分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 林晓雷;: "医学影像仿真扫描工作站的设计与实现", 计算机技术与发展, no. 01, 31 January 2015 (2015-01-31) * |
| 欧阳斌;丘敏敏;钟嘉健;肖振华;王振宇;文碧秀;: "CT扫描及重建参数对放疗图像质量影响的研究", 中国医药导报, no. 01, 5 January 2017 (2017-01-05) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11967429B2 (en) | 2019-08-19 | 2024-04-23 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for scan preparation |
| TWI733627B (zh) * | 2020-11-30 | 2021-07-11 | 中國醫藥大學 | 基於胸部低劑量電腦斷層影像之深度學習肺結節偵測方法及電腦程式產品 |
| CN114631799A (zh) * | 2020-12-16 | 2022-06-17 | 西门子医疗有限公司 | 计算机实施的方法，成像设备和计算机程序产品 |
| US20220196770A1 (en) * | 2020-12-22 | 2022-06-23 | Siemens Healthcare Gmbh | Method for executing at least one application on a magnetic resonance device |
| CN114038550A (zh) * | 2021-09-26 | 2022-02-11 | 武汉联影医疗科技有限公司 | 扫描方案确定方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111128345B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111128345B (zh) | 医学图像的获取方法、医学扫描设备和计算机存储介质 | |
| CN109754447B (zh) | 图像生成方法、装置、设备和存储介质 | |
| CN111160367B (zh) | 图像分类方法、装置、计算机设备和可读存储介质 | |
| CN109598745B (zh) | 图像配准方法、装置和计算机设备 | |
| CN110866880B (zh) | 图像伪影检测方法、装置、设备和存储介质 | |
| CN111161270A (zh) | 医学影像的血管分割方法、计算机设备和可读存储介质 | |
| CN110600107B (zh) | 医学图像的筛选方法、计算机设备及可读存储介质 | |
| CN109492675B (zh) | 医学影像的识别方法、装置、存储介质和电子设备 | |
| US11257211B2 (en) | Medical image processing apparatus, medical image processing system, and medical image processing method | |
| EP3268931A1 (en) | Method and apparatus for assessing image registration | |
| CN110811663A (zh) | 一种多区域扫描的方法、装置、设备及存储介质 | |
| CN110084868B (zh) | 图像校正方法、装置、计算机设备和可读存储介质 | |
| CN113870968A (zh) | 医疗影像报告的生成方法、装置、计算机设备和存储介质 | |
| CN107403457A (zh) | 医学成像方法、设备及多模态医学成像方法 | |
| CN113516624A (zh) | 穿刺禁区的确定、路径规划方法、手术***和计算机设备 | |
| CN111178428A (zh) | 软骨损伤分类方法、装置、计算机设备和存储介质 | |
| CN111128348A (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| US20220101526A1 (en) | Method for generating a trained machine learning algorithm | |
| CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
| CN113989110A (zh) | 肺部图像配准方法、装置、计算机设备和存储介质 | |
| CN110673070B (zh) | 磁共振信号校正网络的训练方法和磁共振信号处理方法 | |
| CN111160441B (zh) | 分类方法、计算机设备和存储介质 | |
| CN110811662A (zh) | 一种扫描剂量调制的方法、装置、设备及存储介质 | |
| CN110867226A (zh) | 处理方案生成方法、装置、计算机设备和存储介质 | |
| CN113674254B (zh) | 医学图像异常点识别方法、设备、电子装置和存储介质 |
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 |