CN111261284A - 一种基于医学影像的诊断信息处理方法、装置及存储介质 - Google Patents
一种基于医学影像的诊断信息处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111261284A CN111261284A CN202010081111.5A CN202010081111A CN111261284A CN 111261284 A CN111261284 A CN 111261284A CN 202010081111 A CN202010081111 A CN 202010081111A CN 111261284 A CN111261284 A CN 111261284A
- Authority
- CN
- China
- Prior art keywords
- lung
- medical image
- affected part
- volume
- image
- 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.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 230000010365 information processing Effects 0.000 title claims abstract description 17
- 238000003672 processing method Methods 0.000 title claims abstract description 6
- 210000004072 lung Anatomy 0.000 claims abstract description 232
- 201000010099 disease Diseases 0.000 claims abstract description 105
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000002685 pulmonary effect Effects 0.000 claims description 134
- 238000004364 calculation method Methods 0.000 claims description 56
- 238000001514 detection method Methods 0.000 claims description 53
- 238000000605 extraction Methods 0.000 claims description 44
- 230000008859 change Effects 0.000 claims description 43
- 230000000875 corresponding effect Effects 0.000 claims description 35
- 238000011161 development Methods 0.000 claims description 35
- 239000003086 colorant Substances 0.000 claims description 33
- 238000005520 cutting process Methods 0.000 claims description 27
- 238000009877 rendering Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 208000019693 Lung disease Diseases 0.000 claims description 19
- 238000003745 diagnosis Methods 0.000 claims description 18
- 230000002596 correlated effect Effects 0.000 claims description 8
- 230000018109 developmental process Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 13
- 206010035664 Pneumonia Diseases 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003902 lesion Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 241000711573 Coronaviridae Species 0.000 description 3
- 241000700605 Viruses Species 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 241001678559 COVID-19 virus Species 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于医学影像的诊断信息处理方法、装置及存储介质,用以基于医学影像实现对疾病的分级。所述方法包括:获取受检对象的第一肺部医学影像;获取所述第一肺部医学影像中受累部位的影像参数;根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级。采用本发明所提供的方案,能够获取所述第一肺部医学影像中受累部位的影像参数,然后根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级,从而能够基于医学影像对疾病进行分级。
Description
技术领域
本发明涉及互联网技术领域,特别涉及一种基于医学影像的诊断信息处理方法、装置及存储介质。
背景技术
目前,很多肺部疾病可以通过CT影像检出,但是,目前通过CT影像检出疾病只能做阳性诊断,而不能对疾病严重程度进行判断。
但是,有些疾病需要快速得出疾病严重程度,针对不同等级的疾病快速制定出相应的处理方案。例如,新型冠状病毒性肺炎,其传播速度迅猛,需要做到早发现、早诊断、早隔离、早治疗。针对这类疾病,需要快速判断这类疾病的严重程度,进而实现疾病分级。因此,如何提供方法,进而基于医学影像实现对疾病的分级,是一亟待解决的技术问题。
发明内容
本发明提供一种基于医学影像的诊断信息处理方法,用以基于医学影像实现对疾病的分级。
本发明提供一种基于医学影像的诊断信息处理方法,包括:
获取受检对象的第一肺部医学影像;
获取所述第一肺部医学影像中受累部位的影像参数;
根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级。
本发明的有益效果在于:能够获取所述第一肺部医学影像中受累部位的影像参数,然后根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级,从而能够基于医学影像对疾病进行分级。
在一个实施例中,所述获取所述第一肺部医学影像中受累部位的影像参数,包括:
获取肺内正常CT值分布区间以及受累部位CT值分布区间;
将至少一张第一肺部医学影像输入到神经元网络中,以确定出所述第一肺部医学影像中受累部位的体积。
在一个实施例中,所述神经元网络包括:
用于检出候选斑片影的第一检出模型、切割模型、用于检出斑片影区间的第二检出模型以及用于计算受累部位体积的体积计算模型;
将至少一张第一肺部医学影像输入到神经元网络中,以确定出所述第一肺部医学影像中受累部位的体积,包括:
将所述至少一张第一肺部医学影像经由第一检出模型中的N个连续的卷积特征提取模块,以使所述N个连续的卷积特征提取模块得到所述第一肺部医学影像中斑片影的图像特征,其中,N为正整数;
将所述第一肺部医学影像中受累部位的图像特征输入到第一检出模型中的全连接层,以使所述全连接层基于所述图像特征输出候选斑片影;
将所述候选斑片影经由切割模型,以使所述切割模型对所述候选斑片影在空间上进行不同方向的多次切割,得到所述候选斑片影在空间的多个方向上的多个切面影像;
将多张连续的切面影像经由第二检出模型中的M个连续的卷积特征提取模块,以使所述M个连续的卷积特征提取模块得到所述切面影像的图像特征,其中,M为正整数;
将所述切面影像的图像特征输入到第二检出模型中的全连接层,以使所述全连接层基于所述图像特征输出斑片影信息;
将所述斑片影信息经由所述体积计算模型,以使所述体积计算模型计算出所述第一肺部医学影像中受累部位的体积。
本实施例的有益效果在于:通过多种模型连接形成的神经元网络,能够同时实现斑片影检出和体积计算,简化了确定受累部位体积的方法。
在一个实施例中,根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级,包括:
将所述受累部位的体积与目标关系表进行比对,其中,所述目标关系表中存储有受累部位体积与疾病等级的对应关系;
根据比对结果确定所述受检对象肺部的疾病等级。
在一个实施例中,根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级,包括:
计算受累部位在肺内的体积占比;
将所述受累部位的体积和所述受累部位在肺内的体积占比输入到疾病等级计算模型中,以得到疾病等级计算模型基于所述受累部位体积和所述受累部位在肺内的体积占比综合计算得到的所述受检对象肺部的疾病等级。
在一个实施例中,所述方法还包括:
获取受检对象的第二肺部医学影像;
获取第二肺部医学影像中受累部位的体积;
将所述第二肺部医学影像中受累部位的体积与所述第一肺部医学影像中受累部位的体积进行比对,以确定受累部位体积变化趋势;
根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势信息。
本实施例的有益效果在于:能够基于同一受检对象不同的肺部医学影像判断受累部位体积变化趋势,从而通过受累部位体积变化趋势自动确定所述受检对象肺部疾病的发展趋势信息。
在一个实施例中,根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势,包括:
当所述受累部位的体积符合第一发展趋势,确定所述受检对象的第一诊断结果;
当所述受累部位的体积符合第二发展趋势,确定所述受检对象的第二诊断结果。
在一个实施例中,所述方法还包括:
获取第一肺部医学影像和第二肺部医学影像的生成时间;
根据所述生成时间和受累部位体积变化趋势计算所述受检对象疾病发展速度。
在一个实施例中,方法还包括:
基于单一颜色对所述第一肺部医学影像进行渲染,以生成第三肺部医学影像,其中,渲染后的颜色深度与CT值正相关;和/或
基于多种颜色对所述第一肺部医学影像进行渲染,以生成第四肺部医学影像,其中,不同的CT值通过不同类型的颜色进行渲染;
输出所述第一肺部医学影像、第三肺部医学影像和/或第四肺部医学影像。
在一个实施例中,方法还包括:
通过多种颜色对多个肺部医学影像进行渲染,渲染后的肺部医学影像中不同CT值和/或CT值范围的部分对应于不同的颜色;
输出渲染后的多个肺部医学影像。
本发明还提供一种基于医学影像的诊断信息处理装置,包括:
第一获取模块,用于获取受检对象的第一肺部医学影像;
第二获取模块,用于获取所述第一肺部医学影像中受累部位的影像参数;
确定模块,用于根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级。
在一个实施例中,第二获取模块,包括:
输入子模块,用于将至少一张第一肺部医学影像输入到神经元网络中,以确定出所述第一肺部医学影像中受累部位的体积。
在一个实施例中,所述神经元网络包括:
用于检出候选斑片影的第一检出模型、切割模型、用于检出斑片影区间的第二检出模型以及用于计算受累部位体积的体积计算模型;
输入子模块,用于:
将所述至少一张第一肺部医学影像经由第一检出模型中的N个连续的卷积特征提取模块,以使所述N个连续的卷积特征提取模块得到所述第一肺部医学影像中斑片影的图像特征,其中,N为正整数;
将所述第一肺部医学影像中受累部位的图像特征输入到第一检出模型中的全连接层,以使所述全连接层基于所述图像特征输出候选斑片影;
将所述候选斑片影经由切割模型,以使所述切割模型对所述候选斑片影在空间上进行不同方向的多次切割,得到所述候选斑片影在空间的多个方向上的多个切面影像;
将多张连续的切面影像经由第二检出模型中的M个连续的卷积特征提取模块,以使所述M个连续的卷积特征提取模块得到所述切面影像的图像特征,其中,M为正整数;
将所述切面影像的图像特征输入到第二检出模型中的全连接层,以使所述全连接层基于所述图像特征输出斑片影信息;
将所述斑片影信息经由所述体积计算模型,以使所述体积计算模型计算出所述第一肺部医学影像中受累部位的体积。
在一个实施例中,确定模块,包括:
比对子模块,用于将所述受累部位的体积与目标关系表进行比对,其中,所述目标关系表中存储有受累部位体积与疾病等级的对应关系;
第一确定子模块,用于根据比对结果确定所述受检对象肺部的疾病等级。
在一个实施例中,确定模块,包括:
计算子模块,用于计算受累部位在肺内的体积占比;
输入子模块,用于将所述受累部位的体积和所述受累部位在肺内的体积占比输入到疾病等级计算模型中,以得到疾病等级计算模型基于所述受累部位体积和所述受累部位在肺内的体积占比综合计算得到的所述受检对象肺部的疾病等级。
在一个实施例中,所述装置还包括:
第三获取模块,用于获取受检对象的第二肺部医学影像;
第四获取模块,用于获取第二肺部医学影像中受累部位的体积;
比对模块,用于将所述第二肺部医学影像中受累部位的体积与所述第一肺部医学影像中受累部位的体积进行比对,以确定受累部位体积变化趋势;
变化趋势确定模块,用于根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势信息。
在一个实施例中,变化趋势确定模块,包括:
第二确定子模块,用于当所述受累部位的体积符合第一发展趋势,确定所述受检对象的第一诊断结果;
第三确定子模块,用于当所述受累部位的体积符合第二发展趋势,确定所述受检对象的第二诊断结果。
在一个实施例中,所述装置还包括:
第五获取模块,用于获取第一肺部医学影像和第二肺部医学影像的生成时间;
计算模块,用于根据所述生成时间和受累部位体积变化趋势计算所述受检对象疾病发展速度。
在一个实施例中,装置还包括:
第一渲染模块,用于基于单一颜色对所述第一肺部医学影像进行渲染,以生成第三肺部医学影像,其中,渲染后的颜色深度与CT值正相关;
第二渲染模块,用于基于多种颜色对所述第一肺部医学影像进行渲染,以生成第四肺部医学影像,其中,不同的CT值通过不同类型的颜色进行渲染;
第一输出模块,用于输出所述第一肺部医学影像、第三肺部医学影像和/或第四肺部医学影像。
在一个实施例中,装置还包括:
第三渲染模块,用于通过多种颜色对多个肺部医学影像进行渲染,渲染后的肺部医学影像中不同CT值和/或CT值范围的部分对应于不同的颜色;
第二输出模块,用于输出渲染后的多个肺部医学影像。
本发明还提供一种非临时性可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行一种基于医学影像的诊断信息处理方法,所述方法包括:
获取受检对象的第一肺部医学影像;
获取所述第一肺部医学影像中受累部位的影像参数;
根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级。
所述存储介质中的指令还可以被执行为:
所述获取所述第一肺部医学影像中受累部位的影像参数,包括:
将至少一张第一肺部医学影像输入到神经元网络中,以确定出所述第一肺部医学影像中受累部位的体积。
所述存储介质中的指令还可以被执行为:
所述神经元网络包括:
用于检出候选斑片影的第一检出模型、切割模型、用于检出斑片影区间的第二检出模型以及用于计算受累部位体积的体积计算模型;
将至少一张第一肺部医学影像输入到神经元网络中,以确定出所述第一肺部医学影像中受累部位的体积,包括:
将所述至少一张第一肺部医学影像经由第一检出模型中的N个连续的卷积特征提取模块,以使所述N个连续的卷积特征提取模块得到所述第一肺部医学影像中斑片影的图像特征,其中,N为正整数;
将所述第一肺部医学影像中受累部位的图像特征输入到第一检出模型中的全连接层,以使所述全连接层基于所述图像特征输出候选斑片影;
将所述候选斑片影经由切割模型,以使所述切割模型对所述候选斑片影在空间上进行不同方向的多次切割,得到所述候选斑片影在空间的多个方向上的多个切面影像;
将多张连续的切面影像经由第二检出模型中的M个连续的卷积特征提取模块,以使所述M个连续的卷积特征提取模块得到所述切面影像的图像特征,其中,M为正整数;
将所述切面影像的图像特征输入到第二检出模型中的全连接层,以使所述全连接层基于所述图像特征输出斑片影信息;
将所述斑片影信息经由所述体积计算模型,以使所述体积计算模型计算出所述第一肺部医学影像中受累部位的体积。
所述存储介质中的指令还可以被执行为:
根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级,包括:
将所述受累部位的体积与目标关系表进行比对,其中,所述目标关系表中存储有受累部位体积与疾病等级的对应关系;
根据比对结果确定所述受检对象肺部的疾病等级。
所述存储介质中的指令还可以被执行为:
根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级,包括:
计算受累部位在肺内的体积占比;
将所述受累部位的体积和所述受累部位在肺内的体积占比输入到疾病等级计算模型中,以得到疾病等级计算模型基于所述受累部位体积和所述受累部位在肺内的体积占比综合计算得到的所述受检对象肺部的疾病等级。
所述存储介质中的指令还可以被执行为:
获取受检对象的第二肺部医学影像;
获取第二肺部医学影像中受累部位的体积;
将所述第二肺部医学影像中受累部位的体积与所述第一肺部医学影像中受累部位的体积进行比对,以确定受累部位体积变化趋势;
根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势信息。
所述存储介质中的指令还可以被执行为:
根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势,包括:
当所述受累部位的体积符合第一发展趋势,确定所述受检对象的第一诊断结果;
当所述受累部位的体积符合第二发展趋势,确定所述受检对象的第二诊断结果。
所述存储介质中的指令还可以被执行为:
获取第一肺部医学影像和第二肺部医学影像的生成时间;
根据所述生成时间和受累部位体积变化趋势计算所述受检对象疾病发展速度。
所述存储介质中的指令还可以被执行为:
基于单一颜色对所述第一肺部医学影像进行渲染,以生成第三肺部医学影像,其中,渲染后的颜色深度与CT值正相关;和/或
基于多种颜色对所述第一肺部医学影像进行渲染,以生成第四肺部医学影像,其中,不同的CT值通过不同类型的颜色进行渲染;
输出所述第一肺部医学影像、第三肺部医学影像和/或第四肺部医学影像。
所述存储介质中的指令还可以被执行为:
通过多种颜色对多个肺部医学影像进行渲染,渲染后的肺部医学影像中不同CT值和/或CT值范围的部分对应于不同的颜色;
输出渲染后的多个肺部医学影像。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1A为本发明一实施例中一种基于医学影像的诊断信息处理方法的流程图;
图1B为通过分割线对医学影像中肺部区域进行标注的示意图。
图2A为本发明另一实施例中一种基于医学影像的诊断信息处理方法的流程图;
图2B为执行本发明所提供的方案的***的界面示意图。
图3A为本发明又一实施例中一种基于医学影像的诊断信息处理方法的流程图;
图3B为新型冠状病毒性肺炎不同病程的发展趋势评估示意图;
图3C为第一肺部医学影像及通过不同方式渲染后的肺部医学影像的比对图;
图3D为正常肺部CT值与特定疾病肺部CT值分布对照示意图;
图4为本发明一实施例中一种基于医学影像的诊断信息处理装置的框图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是,可以对此处申请的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本申请的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本申请进行了描述,但本领域技术人员能够确定地实现本申请的很多其它等效形式,它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时,鉴于以下详细说明,本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例;然而,应当理解,所申请的实施例仅仅是本申请的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此,本文所申请的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本申请的相同或不同实施例中的一个或多个。
图1A为本发明一实施例中一种基于医学影像的诊断信息处理方法的流程图,如图1A所示,该方法可被实施为以下步骤S11-S13:
在步骤S11中,获取受检对象的第一肺部医学影像;
在步骤S12中,获取第一肺部医学影像中受累部位的影像参数;
在步骤S13中,根据受累部位的影像参数确定第一肺部医学影像信息对应的受检对象肺部的疾病等级。
本实施例中,获取受检对象的第一肺部医学影像:该第一肺部医学影像可以是受检对象胸部的CT图,该CT图中,已经标注出肺部区域,具体的,可以通过人工标注的方式来实现。当然,在上述步骤S11之前,还可以包括一分割肺部区域的步骤,具体的,将胸部医学影像输入到预先训练的用于分割肺部区域的神经元网络中,从而通过神经元网络对胸部医学影像中的肺部区域进行识别和标注,具体的,在通过神经元网络识别出肺部之后,通过分割线来标注肺部,如图1B所示,通过黑色的分割线来对肺部进行标注,可以理解的是,该分割线也可以是其他颜色,通过该分割步骤,可以实现对胸部影像中肺部区域的标注,从而得到第一肺部医学影像,当然,该分割步骤也可以让用户验证分割结果的准确性。
该医学影像中受累部位区域的CT值和正常肺部区域的CT值不同。在医学领域中,受累是指由疾病而导致某器官或某部位组织的功能或器质性的改变,受累部位是指由疾病而导致的发生功能或器质性改变的部位。该医学影像中受累部位区域的CT值和正常肺部区域的CT值不同。在医学领域中,受累是指由疾病而导致某器官或某部位组织的功能或器质性的改变,受累部位是指由疾病而导致的发生功能或器质性改变的部位。在临床中,CT胸部影像可以通过受累部位的影像显示、表征相应的病变部位,诸如被冠状病毒感染的肺部,例如新型冠状病毒、2019-nCoV病毒等等。通过以下的详细描述,应当认为,本申请可以具体细化到肺部所包含的所有肺叶上的病变信息处理、病变影像显示,以及相应的诊断信息的输出。
获取第一肺部医学影像中受累部位的影像参数,具体的,可以将至少一张第一肺部医学影像输入到神经元网络中,以确定出第一肺部医学影像中受累部位的影像参数,通常情况下,影像参数中包括受累部位的体积。
根据受累部位的影像参数确定第一肺部医学影像信息对应的受检对象肺部的疾病等级,具体的,可以通过如下方式确定第一肺部医学影像信息对应的受检对象肺部的疾病等级:
方式一
预先创建一关系表,该关系表中包含受累部位体积与疾病等级的对应关系。可以将受累部位的体积与目标关系表进行比对,其中,目标关系表中存储有受累部位体积与疾病等级的对应关系;根据比对结果确定受检对象肺部的疾病等级。
方式二
计算受累部位在肺内的体积占比;将受累部位的体积和受累部位在肺内的体积占比输入到疾病等级计算模型中,以得到疾病等级计算模型基于受累部位体积和受累部位在肺内的体积占比综合计算得到的受检对象肺部的疾病等级。
本发明的有益效果在于:能够获取第一肺部医学影像中受累部位的影像参数,然后根据受累部位的影像参数确定第一肺部医学影像信息对应的受检对象肺部的疾病等级,从而能够基于医学影像对疾病进行分级。
在一个实施例中,上述步骤S12可被实施为如下步骤:
将至少一张第一肺部医学影像输入到神经元网络中,以确定出第一肺部医学影像中受累部位的体积。
在一个实施例中,神经元网络包括:
用于检出候选斑片影的第一检出模型、切割模型、用于检出斑片影区间的第二检出模型以及用于计算受累部位体积的体积计算模型;
上述步骤将肺内正常CT值分布区间、受累部位CT值分布区间以及至少一张第一肺部医学影像输入到神经元网络中,以确定出第一肺部医学影像中受累部位的体积,可被实施为如下步骤A1-A6:
在步骤A1中,将至少一张第一肺部医学影像经由第一检出模型中的N个连续的卷积特征提取模块,以使N个连续的卷积特征提取模块得到第一肺部医学影像中斑片影的图像特征,其中,N为正整数;
在步骤A2中,将第一肺部医学影像中受累部位的图像特征输入到第一检出模型中的全连接层,以使全连接层基于图像特征输出候选斑片影;
在步骤A3中,将候选斑片影经由切割模型,以使切割模型对候选斑片影在空间上进行不同方向的多次切割,得到候选斑片影在空间的多个方向上的多个切面影像;
在步骤A4中,将多张连续的切面影像经由第二检出模型中的M个连续的卷积特征提取模块,以使M个连续的卷积特征提取模块得到切面影像的图像特征,其中,M为正整数;
在步骤A5中,将切面影像的图像特征输入到第二检出模型中的全连接层,以使全连接层基于图像特征输出斑片影信息;
在步骤A6中,将斑片影信息经由体积计算模型,以使体积计算模型计算出第一肺部医学影像中受累部位的体积。
本实施例中,神经元网络是由多种模型连接形成的,其中,该神经元网络包括用于检出候选斑片影的第一检出模型、切割模型、用于检出斑片影区间的第二检出模型以及用于计算受累部位体积的体积计算模型。
其中,该第一检出模型包含输入层、N个连续的卷积特征提取模块、全连接层、输出层,卷积特征提取模块包括多个卷积模块,卷积模块中包括卷积层、BN层及激励层。
第二检出模型和第一检出模型的结构相同,在此不做赘述。
将至少一张第一肺部医学影像经由第一检出模型中的N个连续的卷积特征提取模块时,针对N个卷积特征提取块中任意三个连续的卷积特征提取模块,第一个卷积特征提取模块和第二个卷积特征提取模块输出的图像特征相加后作为第三个卷积特征提取块的输入。同理,将多张连续的切面影像经由第二检出模型中的M个连续的卷积特征提取模块时,针对M个卷积特征提取块中任意三个连续的卷积特征提取模块,第一个卷积特征提取模块和第二个卷积特征提取模块输出的图像特征相加后作为第三个卷积特征提取块的输入。
另外,上述步骤中第二检出模型中的卷积特征提取模块的数量M可以等于第一检出模型中的卷积特征提取模块的数量N,也可以不等于N。
本实施例的有益效果在于:通过多种模型连接形成的神经元网络,能够同时实现斑片影检出和体积计算,简化了确定受累部位体积的方法。
在一个实施例中,如图2A所示,上述步骤S13可被实施为如下步骤S21-S22:
在步骤S21中,将受累部位的体积与目标关系表进行比对,其中,目标关系表中存储有受累部位体积与疾病等级的对应关系;
在步骤S22中,根据比对结果确定受检对象肺部的疾病等级。
本实施例中,预先创建一关系表,该关系表中包含受累部位体积与疾病等级的对应关系。可以将受累部位的体积与目标关系表进行比对,其中,目标关系表中存储有受累部位体积与疾病等级的对应关系;根据比对结果确定受检对象肺部的疾病等级。
在一个实施例中,上述步骤S13可被实施为如下步骤B1-B2:
在步骤B1中,计算受累部位在肺内的体积占比;
在步骤B2中,将受累部位的体积和受累部位在肺内的体积占比输入到疾病等级计算模型中,以得到疾病等级计算模型基于受累部位体积和受累部位在肺内的体积占比综合计算得到的受检对象肺部的疾病等级。
本实施例中,计算受累部位在肺内的体积占比;将受累部位的体积和受累部位在肺内的体积占比输入到疾病等级计算模型中,以得到疾病等级计算模型基于受累部位体积和受累部位在肺内的体积占比综合计算得到的受检对象肺部的疾病等级。
在该实施例中,具体受累部位在肺内的体积占比也可以通过预先训练的体积占比计算模型来计算,将医学影像输入体积占比计算模型之后,模型可以自动给出各个CT区间的体积占比,图2B为执行本发明所提供的方案的***的界面示意图,如图2B所示,体积占比计算模型计算出的受累区域的体积现实与该界面示意图的双肺体积分析栏中。
在一个实施例中,如图3A所示,方法还可被实施为如下步骤S31-S34:
在步骤S31中,获取受检对象的第二肺部医学影像;
在步骤S32中,获取第二肺部医学影像中受累部位的体积;
在步骤S33中,将第二肺部医学影像中受累部位的体积与第一肺部医学影像中受累部位的体积进行比对,以确定受累部位体积变化趋势;
在步骤S34中,根据受累部位体积变化趋势确定受检对象肺部疾病的发展趋势信息。
本实施例中,获取受检对象的第二肺部医学影像,该第二肺部医学影像和前述实施例中的第一肺部医学影像是同一受检对象不同时期的肺部医学影像,将第二肺部医学影像中受累部位的体积与第一肺部医学影像中受累部位的体积进行比对,以确定受累部位体积变化趋势;根据受累部位体积变化趋势确定受检对象肺部疾病的发展趋势信息。
举例而言,受检对象的病势会随着时间的推移加重或者减轻,因此,可以基于不同时间段的肺部医学影像确定受检对象肺部疾病的发展趋势信息。具体的,首先获取该受检对象的ID,该受检对象的ID获得该受检对象的第二肺部医学影像,该第二肺部医学影像的生成时间可以早于第一肺部医学影像,也可以晚于第一肺部医学影像,只要是第一肺部医学影像和第二肺部医学影像的生成时间不同即可,另外,考虑到时间跨度太小病势变化不明显,因此,第一肺部医学影像和第二肺部医学影像的生成时间的间隔不小于某个特定值,如48小时。图3B为新型冠状病毒性肺炎的评估示意图,该示意图中包含了第一肺部医学影像和第二肺部医学影像的比对结果,如图3B所示,在获取受检对象的第二肺部医学影像之后,获取第二肺部医学影像中受累部位的体积,然后将第二肺部医学影像中受累部位的体积与第一肺部医学影像中受累部位的体积进行比对,以确定受累部位体积变化趋势,根据受累部位体积变化趋势确定受检对象肺部疾病的发展趋势信息。例如,图3B中,从图右侧新型肺炎评估界面中可以看到,右肺受累部位的体积从20%下降到10%,左肺受累部位的体积从30%下降到20%,即受累部位体积随时间变化而减小,确定受检对象肺部疾病的病势减轻。可以理解的,如果受累部位体积随时间变化而增大,确定受检对象肺部疾病的病势加重。进一步的,可以用更加直观的方式表示受累部位体积变化趋势,例如,用箭头表示受累部位体积的变化趋势,用箭头结合具体数值表示受累部位体积的变化趋势,当然,还可以有其他方式表示,在此不一一赘述。
本实施例的有益效果在于:能够基于同一受检对象不同的肺部医学影像判断受累部位体积变化趋势,从而通过受累部位体积变化趋势自动确定受检对象肺部疾病的发展趋势信息。
在一个实施例中,上述步骤S34可被实施为如下步骤C1-C2:
在步骤C1中,当受累部位的体积符合第一发展趋势,确定受检对象的第一诊断结果;
在步骤C2中,当受累部位的体积符合第二发展趋势,确定受检对象的第二诊断结果。
当受累部位的体积符合第一发展趋势,确定受检对象的第一诊断结果;
举例而言,假设第一肺部医学影像的生成时间晚于第二肺部医学影像,那么,当第一肺部医学影像中的受累部位体积小于第二肺部医学影像中的受累部位体积时,则受累部位的体积减小。假设第一肺部医学影像的生成时间早于第二肺部医学影像,那么,当第一肺部医学影像中的受累部位体积大于第二肺部医学影像中的受累部位体积时,则受累部位的体积减小。当受累部位的体积减小时,确定受检对象的第一诊断结果,即受检对象的病势在减轻。
当受累部位的体积符合第二发展趋势,确定受检对象的第二诊断结果;
假设第一肺部医学影像的生成时间晚于第二肺部医学影像,那么,当第一肺部医学影像中的受累部位体积大于第二肺部医学影像中的受累部位体积时,则受累部位的体积增大。假设第一肺部医学影像的生成时间早于第二肺部医学影像,那么,当第一肺部医学影像中的受累部位体积小于第二肺部医学影像中的受累部位体积时,则受累部位的体积增大。当受累部位的体积增大时,确定受检对象的第二诊断结果,即受检对象的病势在加重。
在一个实施例中,方法还可被实施为如下步骤D1-D2:
在步骤D1中,获取第一肺部医学影像和第二肺部医学影像的生成时间;
在步骤D2中,根据生成时间和受累部位体积变化趋势计算受检对象疾病发展速度。
本实施例中,可以获取第一肺部医学影像和第二肺部医学影像的生成时间,根据生成时间确定第一肺部医学影像和第二肺部医学影像生成时间间隔,然后基于该时间间隔和受累部位体积变化幅度计算单位时间内受累部位体积变化幅度,从而得到受检对象疾病发展速度。
在一个实施例中,方法还可被实施为如下步骤E1和/或E2-E3:
在步骤E1中,基于单一颜色对第一肺部医学影像进行渲染,以生成第三肺部医学影像,其中,渲染后的颜色深度与CT值正相关;
在步骤E2中,基于多种颜色对第一肺部医学影像进行渲染,以生成第四肺部医学影像,其中,不同的CT值通过不同类型的颜色进行渲染;
在步骤E3中,输出第一肺部医学影像、第三肺部医学影像和/或第四肺部医学影像。
本实施例中,为了验证CT值区间分段的准确性,可以按照用户选择的CT值区间显示病变的体积并且以“渲染”的形式进行形象显示,具体的,基于单一颜色对第一肺部医学影像进行渲染,以生成第三肺部医学影像,其中,渲染后的颜色深度与CT值正相关;然后基于多种颜色对第一肺部医学影像进行渲染,以生成第四肺部医学影像,其中,不同的CT值通过不同类型的颜色进行渲染;然后输出第一肺部医学影像、第三肺部医学影像和第四肺部医学影像。具体输出后的图片形式可如图3C所示,左侧为受检对象的第一肺部医学影像,在本示例中,该第一肺部医学影像为包含肺部的胸部CT图,中间的断面图中,是对第一肺部医学影像通过一种颜色进行渲染,不同的CT值采用不同的深度,例如,CT值越高,颜色越深。当然,可以理解的是,还可以设置为CT值越高,颜色越浅。右侧的断面图中,是以变化的颜色进行标识。例如,可以设置多个CT值区间,落入CT值低的区间内的区域通过蓝色进行渲染,落入CT值高的区间内的区域通过红色进行渲染。
可以理解的是,在步骤E3中,可以仅输出第一肺部医学影像和第三肺部医学影像、也可以仅输出第一肺部医学影像和第四肺部医学影像,还可以同时输出第一肺部医学影像、第三肺部医学影像和第四肺部医学影像。
在一个实施例中,方法还可被实施为如下步骤F1-F2:
在步骤F1中,通过多种颜色对多个肺部医学影像进行渲染,渲染后的肺部医学影像中不同CT值和/或CT值范围的部分对应于不同的颜色;
在步骤F2中,输出渲染后的多个肺部医学影像。
本实施例中,可以针对同一个病人不同病程的肺部医学影像进行渲染,增强比对效果,例如,通过多种颜色对同一受检对象连续三天的肺部医学影像进行渲染,渲染后的肺部医学影像中不同CT值和/或CT值范围的部分对应于不同的颜色,然后输出渲染后的多个肺部医学影像。从而将黑白色为主的CT图像渲染为彩色图像,从而增强了图像的效果,得到同一受检对象不同病程的渲染后的肺部医学影像,便于对不同病程的病势进行比对。
另外,需要说明的是,针对不同的疾病,可以给出正常肺部CT值与特定疾病肺部CT值分布对照示意图,例如,针对新型冠状病毒性肺炎,可以通过分析大量的健康人群的胸部CT影像,给出正常人群的肺内CT值数据作为基线参考,并绘制直方图,提供健康人群与患者CT值分布的联合交叉口、Hellinger系数等供医生进行对照,具体对照示意图如图3D所示。其中,变化幅度大CT直方图为新型冠状病毒性肺炎对应的直方图,根据该图能够精准快速评估当前新型冠状病毒性肺炎的严重程度。
图4为本发明一实施例中一种基于医学影像的诊断信息处理装置的框图,如图4所示,该装置包括:
第一获取模块41,用于获取受检对象的第一肺部医学影像;
第二获取模块42,用于获取第一肺部医学影像中受累部位的影像参数;
确定模块43,用于根据受累部位的影像参数确定第一肺部医学影像信息对应的受检对象肺部的疾病等级。
在一个实施例中,第二获取模块,包括:
输入子模块,用于将至少一张第一肺部医学影像输入到神经元网络中,以确定出所述第一肺部医学影像中受累部位的体积。
在一个实施例中,所述神经元网络包括:
用于检出候选斑片影的第一检出模型、切割模型、用于检出斑片影区间的第二检出模型以及用于计算受累部位体积的体积计算模型;
输入子模块,用于:
将所述至少一张第一肺部医学影像经由第一检出模型中的N个连续的卷积特征提取模块,以使所述N个连续的卷积特征提取模块得到所述第一肺部医学影像中斑片影的图像特征,其中,N为正整数;
将所述第一肺部医学影像中受累部位的图像特征输入到第一检出模型中的全连接层,以使所述全连接层基于所述图像特征输出候选斑片影;
将所述候选斑片影经由切割模型,以使所述切割模型对所述候选斑片影在空间上进行不同方向的多次切割,得到所述候选斑片影在空间的多个方向上的多个切面影像;
将多张连续的切面影像经由第二检出模型中的M个连续的卷积特征提取模块,以使所述M个连续的卷积特征提取模块得到所述切面影像的图像特征,其中,M为正整数;
将所述切面影像的图像特征输入到第二检出模型中的全连接层,以使所述全连接层基于所述图像特征输出斑片影信息;
将所述斑片影信息经由所述体积计算模型,以使所述体积计算模型计算出所述第一肺部医学影像中受累部位的体积。
在一个实施例中,确定模块,包括:
比对子模块,用于将所述受累部位的体积与目标关系表进行比对,其中,所述目标关系表中存储有受累部位体积与疾病等级的对应关系;
第一确定子模块,用于根据比对结果确定所述受检对象肺部的疾病等级。
在一个实施例中,确定模块,包括:
计算子模块,用于计算受累部位在肺内的体积占比;
输入子模块,用于将所述受累部位的体积和所述受累部位在肺内的体积占比输入到疾病等级计算模型中,以得到疾病等级计算模型基于所述受累部位体积和所述受累部位在肺内的体积占比综合计算得到的所述受检对象肺部的疾病等级。
在一个实施例中,所述装置还包括:
第三获取模块,用于获取受检对象的第二肺部医学影像;
第四获取模块,用于获取第二肺部医学影像中受累部位的体积;
比对模块,用于将所述第二肺部医学影像中受累部位的体积与所述第一肺部医学影像中受累部位的体积进行比对,以确定受累部位体积变化趋势;
变化趋势确定模块,用于根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势信息。
在一个实施例中,变化趋势确定模块,包括:
第二确定子模块,用于当所述受累部位的体积符合第一发展趋势,确定所述受检对象的第一诊断结果;
第三确定子模块,用于当所述受累部位的体积符合第二发展趋势,确定所述受检对象的第二诊断结果。
在一个实施例中,所述装置还包括:
第五获取模块,用于获取第一肺部医学影像和第二肺部医学影像的生成时间;
计算模块,用于根据所述生成时间和受累部位体积变化趋势计算所述受检对象疾病发展速度。
在一个实施例中,装置还包括:
第一渲染模块,用于基于单一颜色对所述第一肺部医学影像进行渲染,以生成第三肺部医学影像,其中,渲染后的颜色深度与CT值正相关;
第二渲染模块,用于基于多种颜色对所述第一肺部医学影像进行渲染,以生成第四肺部医学影像,其中,不同的CT值通过不同类型的颜色进行渲染;
第一输出模块,用于输出所述第一肺部医学影像、第三肺部医学影像和/或第四肺部医学影像。
在一个实施例中,装置还包括:
第三渲染模块,用于通过多种颜色对多个肺部医学影像进行渲染,渲染后的肺部医学影像中不同CT值和/或CT值范围的部分对应于不同的颜色;
第二输出模块,用于输出渲染后的多个肺部医学影像。
本发明还提供一种非临时性可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行一种基于医学影像的诊断信息处理方法,所述方法包括:
获取受检对象的第一肺部医学影像;
获取所述第一肺部医学影像中受累部位的影像参数;
根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级。
所述存储介质中的指令还可以被执行为:
所述获取所述第一肺部医学影像中受累部位的影像参数,包括:
将至少一张第一肺部医学影像输入到神经元网络中,以确定出所述第一肺部医学影像中受累部位的体积。
所述存储介质中的指令还可以被执行为:
所述神经元网络包括:
用于检出候选斑片影的第一检出模型、切割模型、用于检出斑片影区间的第二检出模型以及用于计算受累部位体积的体积计算模型;
将至少一张第一肺部医学影像输入到神经元网络中,以确定出所述第一肺部医学影像中受累部位的体积,包括:
将所述至少一张第一肺部医学影像经由第一检出模型中的N个连续的卷积特征提取模块,以使所述N个连续的卷积特征提取模块得到所述第一肺部医学影像中斑片影的图像特征,其中,N为正整数;
将所述第一肺部医学影像中受累部位的图像特征输入到第一检出模型中的全连接层,以使所述全连接层基于所述图像特征输出候选斑片影;
将所述候选斑片影经由切割模型,以使所述切割模型对所述候选斑片影在空间上进行不同方向的多次切割,得到所述候选斑片影在空间的多个方向上的多个切面影像;
将多张连续的切面影像经由第二检出模型中的M个连续的卷积特征提取模块,以使所述M个连续的卷积特征提取模块得到所述切面影像的图像特征,其中,M为正整数;
将所述切面影像的图像特征输入到第二检出模型中的全连接层,以使所述全连接层基于所述图像特征输出斑片影信息;
将所述斑片影信息经由所述体积计算模型,以使所述体积计算模型计算出所述第一肺部医学影像中受累部位的体积。
所述存储介质中的指令还可以被执行为:
根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级,包括:
将所述受累部位的体积与目标关系表进行比对,其中,所述目标关系表中存储有受累部位体积与疾病等级的对应关系;
根据比对结果确定所述受检对象肺部的疾病等级。
所述存储介质中的指令还可以被执行为:
根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级,包括:
计算受累部位在肺内的体积占比;
将所述受累部位的体积和所述受累部位在肺内的体积占比输入到疾病等级计算模型中,以得到疾病等级计算模型基于所述受累部位体积和所述受累部位在肺内的体积占比综合计算得到的所述受检对象肺部的疾病等级。
所述存储介质中的指令还可以被执行为:
获取受检对象的第二肺部医学影像;
获取第二肺部医学影像中受累部位的体积;
将所述第二肺部医学影像中受累部位的体积与所述第一肺部医学影像中受累部位的体积进行比对,以确定受累部位体积变化趋势;
根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势信息。
所述存储介质中的指令还可以被执行为:
根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势,包括:
当所述受累部位的体积符合第一发展趋势,确定所述受检对象的第一诊断结果;
当所述受累部位的体积符合第二发展趋势,确定所述受检对象的第二诊断结果。
所述存储介质中的指令还可以被执行为:
获取第一肺部医学影像和第二肺部医学影像的生成时间;
根据所述生成时间和受累部位体积变化趋势计算所述受检对象疾病发展速度。
所述存储介质中的指令还可以被执行为:
基于单一颜色对所述第一肺部医学影像进行渲染,以生成第三肺部医学影像,其中,渲染后的颜色深度与CT值正相关;和/或
基于多种颜色对所述第一肺部医学影像进行渲染,以生成第四肺部医学影像,其中,不同的CT值通过不同类型的颜色进行渲染;
输出所述第一肺部医学影像、第三肺部医学影像和/或第四肺部医学影像。
所述存储介质中的指令还可以被执行为:
通过多种颜色对多个肺部医学影像进行渲染,渲染后的肺部医学影像中不同CT值和/或CT值范围的部分对应于不同的颜色;
输出渲染后的多个肺部医学影像。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种基于医学影像的诊断信息处理方法,其特征在于,包括:
获取受检对象的第一肺部医学影像;
获取所述第一肺部医学影像中受累部位的影像参数;
根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级。
2.如权利要求1所述的方法,其特征在于,所述获取所述第一肺部医学影像中受累部位的影像参数,包括:
将至少一张第一肺部医学影像输入到神经元网络中,以确定出所述第一肺部医学影像中受累部位的体积。
3.如权利要求2所述的方法,其特征在于,所述神经元网络包括:
用于检出候选斑片影的第一检出模型、切割模型、用于检出斑片影区间的第二检出模型以及用于计算受累部位体积的体积计算模型;
将至少一张第一肺部医学影像输入到神经元网络中,以确定出所述第一肺部医学影像中受累部位的体积,包括:
将所述至少一张第一肺部医学影像经由第一检出模型中的N个连续的卷积特征提取模块,以使所述N个连续的卷积特征提取模块得到所述第一肺部医学影像中斑片影的图像特征,其中,N为正整数;
将所述第一肺部医学影像中受累部位的图像特征输入到第一检出模型中的全连接层,以使所述全连接层基于所述图像特征输出候选斑片影;
将所述候选斑片影经由切割模型,以使所述切割模型对所述候选斑片影在空间上进行不同方向的多次切割,得到所述候选斑片影在空间的多个方向上的多个切面影像;
将多张连续的切面影像经由第二检出模型中的M个连续的卷积特征提取模块,以使所述M个连续的卷积特征提取模块得到所述切面影像的图像特征,其中,M为正整数;
将所述切面影像的图像特征输入到第二检出模型中的全连接层,以使所述全连接层基于所述图像特征输出斑片影信息;
将所述斑片影信息经由所述体积计算模型,以使所述体积计算模型计算出所述第一肺部医学影像中受累部位的体积。
4.如权利要求1所述的方法,其特征在于,根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级,包括:
将所述受累部位的体积与目标关系表进行比对,其中,所述目标关系表中存储有受累部位体积与疾病等级的对应关系;
根据比对结果确定所述受检对象肺部的疾病等级。
5.如权利要求1所述的方法,其特征在于,根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级,包括:
计算受累部位在肺内的体积占比;
将所述受累部位的体积和所述受累部位在肺内的体积占比输入到疾病等级计算模型中,以得到疾病等级计算模型基于所述受累部位体积和所述受累部位在肺内的体积占比综合计算得到的所述受检对象肺部的疾病等级。
6.如权利要求2-5任意一项所述的方法,其特征在于,所述方法还包括:
获取受检对象的第二肺部医学影像;
获取第二肺部医学影像中受累部位的体积;
将所述第二肺部医学影像中受累部位的体积与所述第一肺部医学影像中受累部位的体积进行比对,以确定受累部位体积变化趋势;
根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势信息。
7.如权利要求6所述的方法,其特征在于,根据所述受累部位体积变化趋势确定所述受检对象肺部疾病的发展趋势,包括:
当所述受累部位的体积符合第一发展趋势,确定所述受检对象的第一诊断结果;
当所述受累部位的体积符合第二发展趋势,确定所述受检对象的第二诊断结果。
8.如权利要求6所述的方法,其特征在于,所述方法还包括:
获取第一肺部医学影像和第二肺部医学影像的生成时间;
根据所述生成时间和受累部位体积变化趋势计算所述受检对象疾病发展速度。
9.如权利要求1所述的方法,其特征在于,方法还包括:
基于单一颜色对所述第一肺部医学影像进行渲染,以生成第三肺部医学影像,其中,渲染后的颜色深度与CT值正相关;和/或
基于多种颜色对所述第一肺部医学影像进行渲染,以生成第四肺部医学影像,其中,不同的CT值通过不同类型的颜色进行渲染;
输出所述第一肺部医学影像、第三肺部医学影像和/或第四肺部医学影像。
10.如权利要求1所述的方法,还包括:
通过多种颜色对多个肺部医学影像进行渲染,渲染后的肺部医学影像中不同CT值和/或CT值范围的部分对应于不同的颜色;
输出渲染后的多个肺部医学影像。
11.一种基于医学影像的诊断信息处理装置,其特征在于,包括:
第一获取模块,用于获取受检对象的第一肺部医学影像;
第二获取模块,用于获取所述第一肺部医学影像中受累部位的影像参数;
确定模块,用于根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级。
12.一种非临时性可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行一种基于医学影像的诊断信息处理方法,所述方法包括:
获取受检对象的第一肺部医学影像;
获取所述第一肺部医学影像中受累部位的影像参数;
根据所述受累部位的影像参数确定所述第一肺部医学影像信息对应的受检对象肺部的疾病等级。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010081111.5A CN111261284A (zh) | 2020-02-05 | 2020-02-05 | 一种基于医学影像的诊断信息处理方法、装置及存储介质 |
US17/760,185 US20230070249A1 (en) | 2020-02-05 | 2021-02-05 | Medical imaging-based method and device for diagnostic information processing, and storage medium |
PCT/CN2021/075379 WO2021155829A1 (zh) | 2020-02-05 | 2021-02-05 | 一种基于医学影像的诊断信息处理方法、装置及存储介质 |
EP21751295.3A EP4089688A4 (en) | 2020-02-05 | 2021-02-05 | MEDICAL IMAGING-BASED METHOD AND DEVICE FOR PROCESSING DIAGNOSTIC INFORMATION, AND STORAGE MEDIA |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010081111.5A CN111261284A (zh) | 2020-02-05 | 2020-02-05 | 一种基于医学影像的诊断信息处理方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111261284A true CN111261284A (zh) | 2020-06-09 |
Family
ID=70952686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010081111.5A Pending CN111261284A (zh) | 2020-02-05 | 2020-02-05 | 一种基于医学影像的诊断信息处理方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111261284A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111840721A (zh) * | 2020-06-22 | 2020-10-30 | 东北大学 | 呼吸机的控制方法及装置、电子设备和存储介质 |
CN111840720A (zh) * | 2020-06-22 | 2020-10-30 | 东北大学 | 一种双路呼吸控制方法及装置、电子设备和存储介质 |
CN111887849A (zh) * | 2020-06-22 | 2020-11-06 | 广州医科大学附属第一医院(广州呼吸中心) | 基于肺图像的曲线处理方法及装置、电子设备和存储介质 |
WO2021155829A1 (zh) * | 2020-02-05 | 2021-08-12 | 杭州依图医疗技术有限公司 | 一种基于医学影像的诊断信息处理方法、装置及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030095692A1 (en) * | 2001-11-20 | 2003-05-22 | General Electric Company | Method and system for lung disease detection |
US20040101176A1 (en) * | 2002-11-27 | 2004-05-27 | General Electric Company | Method and system for measuring disease relevant tissue changes |
CN1639739A (zh) * | 2002-03-04 | 2005-07-13 | 西门子共同研究公司 | 用于ct体积图像组中的对象一致性的图形用户界面 |
CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与*** |
CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及*** |
CN107392893A (zh) * | 2017-06-30 | 2017-11-24 | 上海联影医疗科技有限公司 | 组织密度分析方法及*** |
CN108257674A (zh) * | 2018-01-24 | 2018-07-06 | 龙马智芯(珠海横琴)科技有限公司 | 疾病预测方法和装置、设备、计算机可读存储介质 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
-
2020
- 2020-02-05 CN CN202010081111.5A patent/CN111261284A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030095692A1 (en) * | 2001-11-20 | 2003-05-22 | General Electric Company | Method and system for lung disease detection |
CN1639739A (zh) * | 2002-03-04 | 2005-07-13 | 西门子共同研究公司 | 用于ct体积图像组中的对象一致性的图形用户界面 |
US20040101176A1 (en) * | 2002-11-27 | 2004-05-27 | General Electric Company | Method and system for measuring disease relevant tissue changes |
CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与*** |
CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及*** |
CN107392893A (zh) * | 2017-06-30 | 2017-11-24 | 上海联影医疗科技有限公司 | 组织密度分析方法及*** |
CN108257674A (zh) * | 2018-01-24 | 2018-07-06 | 龙马智芯(珠海横琴)科技有限公司 | 疾病预测方法和装置、设备、计算机可读存储介质 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
Non-Patent Citations (1)
Title |
---|
上海市公共卫生临床中心: "《"科学防控 AI助力"新型冠状病毒性肺炎智能评价***在公卫中心上线》" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021155829A1 (zh) * | 2020-02-05 | 2021-08-12 | 杭州依图医疗技术有限公司 | 一种基于医学影像的诊断信息处理方法、装置及存储介质 |
CN111840721A (zh) * | 2020-06-22 | 2020-10-30 | 东北大学 | 呼吸机的控制方法及装置、电子设备和存储介质 |
CN111840720A (zh) * | 2020-06-22 | 2020-10-30 | 东北大学 | 一种双路呼吸控制方法及装置、电子设备和存储介质 |
CN111887849A (zh) * | 2020-06-22 | 2020-11-06 | 广州医科大学附属第一医院(广州呼吸中心) | 基于肺图像的曲线处理方法及装置、电子设备和存储介质 |
CN111887849B (zh) * | 2020-06-22 | 2022-08-05 | 广州医科大学附属第一医院(广州呼吸中心) | 基于肺图像的曲线处理装置、电子设备和存储介质 |
CN111840721B (zh) * | 2020-06-22 | 2022-11-22 | 东北大学 | 呼吸机的控制方法及装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111261284A (zh) | 一种基于医学影像的诊断信息处理方法、装置及存储介质 | |
CN111047591A (zh) | 基于深度学习的病灶体积测量方法、***、终端及存储介质 | |
WO2015175746A1 (en) | Visualization and quantification of lung disease utilizing image registration | |
EP3471054B1 (en) | Method for determining at least one object feature of an object | |
KR102307995B1 (ko) | 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템 및 이의 동작 방법 | |
KR102382872B1 (ko) | 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법 | |
CN114450716A (zh) | 用于卒中表征的图像处理 | |
CN111160812B (zh) | 诊断信息评估方法、显示方法及存储介质 | |
Bauer et al. | Graph-based airway tree reconstruction from chest CT scans: evaluation of different features on five cohorts | |
KR20170117324A (ko) | 화상 처리장치, 화상 처리방법, 및 기억매체 | |
KR20100010973A (ko) | 폐질환 자동 분류 방법 | |
EP4089688A1 (en) | Medical imaging-based method and device for diagnostic information processing, and storage medium | |
CN113168537A (zh) | 改进深度神经网络的分割 | |
CN108399354A (zh) | 计算机视觉识别肿瘤的方法和装置 | |
CN114387380A (zh) | 用于生成3d医学图像数据的基于计算机的可视化的方法 | |
CN111261285A (zh) | 诊断信息界面的显示方法、交互方法及存储介质 | |
CN109767468B (zh) | 脏器体积检测方法及装置 | |
Marcal et al. | Evaluation of the Menzies method potential for automatic dermoscopic image analysis. | |
KR101054043B1 (ko) | 2차원 의료영상으로부터 3차원 영상을 생성하는 방법 | |
Chen et al. | An automated approach for fibrin network segmentation and structure identification in 3D confocal microscopy images | |
JP5954846B2 (ja) | 形状データ生成プログラム、形状データ生成方法及び形状データ生成装置 | |
KR102279160B1 (ko) | 이미지의 특이 영역 분석 방법 및 장치 | |
CN111383218B (zh) | 基于医学影像的诊断信息处理方法及存储介质 | |
JP2020113275A (ja) | 肺の分析及び報告システム | |
Xu et al. | Segmentation of digitized histological sections for quantification of the muscularized vasculature in the mouse hind limb |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200609 |