CN111584044B - 一种标准超声图像训练集的生成方法及*** - Google Patents
一种标准超声图像训练集的生成方法及*** Download PDFInfo
- Publication number
- CN111584044B CN111584044B CN202010408403.5A CN202010408403A CN111584044B CN 111584044 B CN111584044 B CN 111584044B CN 202010408403 A CN202010408403 A CN 202010408403A CN 111584044 B CN111584044 B CN 111584044B
- Authority
- CN
- China
- Prior art keywords
- image
- standard
- image data
- preset
- data
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 163
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000002604 ultrasonography Methods 0.000 claims description 129
- 230000003068 static effect Effects 0.000 claims description 34
- 238000002372 labelling Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供一种标准超声图像训练集的生成方法及***,涉及数据标准化技术领域,包括:处理装置将超声图像数据进行标准化处理,得到具有预设格式的标准超声图像数据;对标准超声图像数据进行图像评估得到相应的图像评估结果;在图像评估结果中的各图像评估子类别不符合预设图像评估标准时,对标准超声图像数据进行优化处理得到优化超声图像数据;在图像评估子类别符合预设图像评估标准时,医生对图像评估结果对应的标准超声图像数据进行人工标注,并将标注后的标准超声图像数据加入标准超声图像训练数据集,以供后续模型训练使用。有益效果是使得超声图像数据包含更为丰富的临床数据,保证标准超声图像训练集中的训练数据的图像质量。
Description
技术领域
本发明涉及数据标准化技术领域,尤其涉及一种标准超声图像训练集的生成方法及***。
背景技术
现有超声人工智能训练数据,主要针对图像分类和识别方面,目前的超声图像数据大多包含静态图片、一般动态图或者图像序列,在需要进行图像分类模型或图像识别模型的训练时,标注人员按照对超声图像的认知进行标注。
目前的超声训练数据比较单一,只是包含图片信息,对于超声的其他信息,比如病人信息、***位、图像物理和像素比等等具有临床意义的数据并不在其内。而单一的训练数据在目前的训练中可能有效,不过如果加入更多的临床数据那对标注人员或者之后的多模型联合训练都有更多的意义。超声图像数据是从不同的超声设备上获取,而不同的超声设备因为其不同的超声传感器和不同的算法等原因,即使同样的病人,同样的诊断位置,同一个诊断医生虽然产生的图像大致相同,但会产生不同的图像数据,比如噪声、边界、灰度值等。这种图像质量数据的不同将影响人工智能训练的训练结果的准确性,进而影响训练得到的超声训练模型的预测准确度。
发明内容
针对现有技术中存在的问题,本发明提供一种标准超声图像训练集的生成方法,预先由医院的至少一超声设备上获取超声扫查得到的若干超声图像数据,并将各所述超声图像数据发送至与所述超声设备连接的一处理装置;
则所述标准超声图像训练集的生成方法具体包括以下步骤:
步骤S1,针对每个所述超声图像数据,所述处理装置将所述超声图像数据进行标准化处理,得到具有预设格式的标准超声图像数据;
步骤S2,所述处理装置对所述标准超声图像数据进行图像评估得到相应的图像评估结果;
所述图像评估结果包括若干图像评估子类别;
步骤S3,所述处理装置将所述图像评估结果中的各所述图像评估子类别分别与对应的预设图像评估标准进行比较:
若所述图像评估子类别不符合所述预设图像评估标准,则转向步骤S4;
若所述图像评估子类别符合所述预设图像评估标准,则转向步骤S5;
步骤S4,所述处理装置对所述图像评估结果对应的所述标准超声图像数据进行优化处理得到优化超声图像数据,并将所述优化超声图像数据作为所述标准超声图像数据输出,随后返回所述步骤S2;
步骤S5,医生通过所述处理装置对所述图像评估结果对应的所述标准超声图像数据进行人工标注,并将标注后的所述标准超声图像数据加入一标准超声图像训练数据集,以供后续模型训练使用。
优选的,所述超声图像数据为静态超声图像数据,所述预设格式为DICOM格式;
则所述步骤S1具体包括:
步骤S11a,所述处理装置获取所述静态超声图像数据的数据格式,并判断所述数据格式是否为所述DIOCM格式:
若是,则转向步骤S2;
若否,则转向步骤S12a;
步骤S12a,所述处理装置分别获取所述静态超声图像数据对应的病人信息、检查信息、序列信息以及影像信息,并处理得到所述数据格式为所述DICOM格式的标准超声图像数据。
优选的,所述超声图像数据为动态超声图像数据,所述预设格式为DICOM格式;
则所述步骤S1具体包括:
步骤S11b,所述处理装置获取所述动态超声图像数据的数据格式,并判断所述数据格式是否为所述DIOCM格式:
若是,则转向步骤S2;
若否,则转向步骤S12b;
步骤S12b,所述处理装置对所述动态超声图像数据进行解码得到包含至少一静态超声图像数据的一静态超声图像数据序列,针对每个所述静态超声图像数据,分别获取所述静态超声图像数据对应的病人信息、检查信息、序列信息以及影像信息,并处理得到所述数据格式为所述DICOM格式的标准超声图像数据。
优选的,所述步骤S3中,所述图像评估子类别为所述标准超声图像数据的图像像素均值,所述预设图像评估标准为预设均值阈值;
所述图像像素均值不大于所述预设均值阈值时表示所述图像评估子类别不符合所述预设图像评估标准;
所述图像像素均值大于所述预设均值阈值时表示所述图像评估子类别符合所述预设图像评估标准。
优选的,所述步骤S3中,所述图像评估子类别为所述标准超声图像数据的图像像素标准差,所述预设图像评估标准为预设标准差阈值;
所述图像像素标准差不大于所述预设标准差阈值时表示所述图像评估子类别不符合所述预设图像评估标准;
所述图像像素标准差大于所述预设标准差阈值时表示所述图像评估子类别符合所述预设图像评估标准。
优选的,所述步骤S3中,所述图像评估子类别为所述标准超声图像数据的图像平均梯度,所述预设图像评估标准为预设梯度阈值;
所述图像平均梯度不大于所述预设梯度阈值时表示所述图像评估子类别不符合所述预设图像评估标准;
所述图像平均梯度大于所述预设梯度阈值时表示所述图像评估子类别符合所述预设图像评估标准。
优选的,所述步骤S3中,所述图像评估子类别为所述标准超声图像数据的图像熵,所述预设图像评估标准为预设熵阈值;
所述图像熵不大于所述预设熵阈值时表示所述图像评估子类别不符合所述预设图像评估标准;
所述图像熵大于所述预设熵阈值时表示所述图像评估子类别符合所述预设图像评估标准。
优选的,所述步骤S4中,所述处理装置对所述标准超声图像数据进行优化处理包括对所述标准超声图像数据进行去噪处理和/或边界增强。
优选的,所述步骤S5中,所述人工标注包括对所述标准超声图像数据进行边缘标注得到标注有感兴趣区域的所述标准超声图像数据,和/或对所述标准超声图像进行类别标注得到标注有超声部位的所述标准超声图像数据。
一种标准超声图像训练集的生成***,应用于以上任意一项所述的标准超声图像训练的生成方法,所述标准超声图像训练集的生成***具体包括:
至少一超声设备,用于通过超声扫查得到若干超声图像数据并输出;
处理装置,连接所述超声设备,所述处理装置包括:
标准化单元,用于针对每个所述超声图像数据,将所述超声图像数据进行标准化处理,得到具有预设格式的标准超声图像数据;
图像评估单元,连接所述标准化单元,用于对所述标准超声图像数据进行图像评估得到相应的图像评估结果;
所述图像评估结果包括若干图像评估子类别;
数据比较单元,连接所述图像评估单元,用于将所述图像评估结果中的各所述图像评估子类别分别与对应的预设图像评估标准进行比较,并在所述图像评估子类别不符合所述预设图像评估标准时输出第一比较结果,以及在所述图像评估子类别符合所述预设图像评估标准时输出第二比较结果;
图像优化单元,连接所述数据比较单元,用于根据所述第一比较结果,对所述图像评估结果对应的所述标准超声图像数据进行优化处理得到优化超声图像数据,并将所述优化超声图像数据作为所述标准超声图像数据输出;
训练集生成单元,连接所述数据比较单元,用于根据所述第二比较结果,供医生对所述图像评估结果对应的所述标准超声图像数据进行人工标注,并将标注后的所述标准超声图像数据加入一标准超声图像训练数据集,以供后续模型训练使用。
上述技术方案具有如下优点或有益效果:
1)通过对超声图像数据进行格式标准化,使得超声图像数据包含更为丰富的临床数据,满足多种超声模型的数据训练要求;
2)通过对标准化后的超声图像数据进行图像评估,并对不符合图像评估标准的超声图像数据进行优化,能够保证标准超声图像训练集中的训练数据的图像质量,避免根据标准超声图像训练集进行超声模型训练时,由于图像质量偏差导致的超声模型准确度降低的问题。
附图说明
图1为本发明的较佳的实施例中,一种标准超声图像训练集的生成方法的流程示意图;
图2为本发明的较佳的实施例中,静态超声图像数据的标准化处理的流程示意图;
图3为本发明的较佳的实施例中,动态超声图像数据的标准化处理的流程示意图;
图4为本发明的较佳的实施例中,一种标准超声图像训练集的生成***的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式,只要符合本发明的主旨,则其他实施方式也可以属于本发明的范畴。
本发明的较佳的实施例中,基于现有技术中存在的上述问题,现提供一种标准超声图像训练集的生成方法,预先由医院的至少一超声设备上获取超声扫查得到的若干超声图像数据,并将各超声图像数据发送至与超声设备连接的一处理装置;
如图1所示,则标准超声图像训练集的生成方法具体包括以下步骤:
步骤S1,针对每个超声图像数据,处理装置将超声图像数据进行标准化处理,得到具有预设格式的标准超声图像数据;
步骤S2,处理装置对标准超声图像数据进行图像评估得到相应的图像评估结果;
图像评估结果包括若干图像评估子类别;
步骤S3,处理装置将图像评估结果中的各图像评估子类别分别与对应的预设图像评估标准进行比较:
若图像评估子类别不符合预设图像评估标准,则转向步骤S4;
若图像评估子类别符合预设图像评估标准,则转向步骤S5;
步骤S4,处理装置对图像评估结果对应的标准超声图像数据进行优化处理得到优化超声图像数据,并将优化超声图像数据作为标准超声图像数据输出,随后返回步骤S2;
步骤S5,医生通过处理装置对图像评估结果对应的标准超声图像数据进行人工标注,并将标注后的标准超声图像数据加入一标准超声图像训练数据集,以供后续模型训练使用。
具体地,本实施例中,采用超声设备进行超声扫查获取的超声图像数据可以是静态超声图像数据,也可以是动态超声图像数据,其中,静态超声图像数据的数据格式包括但不限于BMP格式、JPEG格式和PNG格式;动态超声图像数据的数据格式包括但不限于MPEG格式、AVI格式和MOV格式。由于上述图像格式的不统一,且各种图像格式的超声图像数据不包含,比如病人信息、***位、图像物理和像素比等等具有临床意义的数据,无法生成适用性高且能够用于机器学习的标准超声图像训练数据集。因此,首先需要对获取的超声图像数据进行标准化处理,以将各超声图像数据的数据格式统一设置为预设格式。该预设格式优选为DICOM格式,DICOM(Digital Imaging and Communications in Medicine)即医学数字成像和通信,是医学图像和相关信息的国际标准(ISO 12052)。它定义了质量能满足临床需要的可用于数据交换的医学图像格式。
在各超声图像数据进行标准化处理得到对应的标准超声图像数据后,在根据模型的训练需求对各标准超声图像数据进行人工标注之前,需要对各标准超声图像数据进行图像评估,将符合预设图像评估标准的标准超声图像数据进行下一步的人工标注,将不符合预设图像评估标准的标准超声图像数据进行图像优化,直至其符合预设图像评估标准为止,随后进行下一步的人工标注,能够保证在进行人工标注时的标准超声图像数据为高质量的标准超声图像数据,以避免根据标准超声图像训练集进行超声模型训练时,由于图像质量偏差导致的超声模型准确度降低的问题。
本发明的较佳的实施例中,超声图像数据为静态超声图像数据,预设格式为DICOM格式;
如图2所示,则步骤S1具体包括:
步骤S11a,处理装置获取静态超声图像数据的数据格式,并判断数据格式是否为DIOCM格式:
若是,则转向步骤S2;
若否,则转向步骤S12a;
步骤S12a,处理装置分别获取静态超声图像数据对应的病人信息、检查信息、序列信息以及影像信息,并处理得到数据格式为DICOM格式的标准超声图像数据。
具体地,本实施例中,针对静态超声图像数据,首先判断其数据格式是否为DIOCM格式,如果是,则该静态超声图像数据的数据格式满足需求,无需再进行标准化,如果不是,则需要根据DICOM标准分别增加病人(Patient)信息、检查(Study)信息、序列(Series)信息以及影像(Image)信息,进而得到数据格式为DICOM格式的标准超声图像数据。
上述病人(Patient)信息包括但不限于静态超声图像数据对应的病人的姓名和ID等信息;上述检查(Study)信息包括但不限于静态超声图像数据对应的病人的检查号、检查ID、检查日期、***位和检查描述;上述影像(Image)信息包括但不限于图像码、图像格式和图像像素比。
本发明的较佳的实施例中,超声图像数据为动态超声图像数据,预设格式为DICOM格式;
如图3所示,则步骤S1具体包括:
步骤S11b,处理装置获取动态超声图像数据的数据格式,并判断数据格式是否为DIOCM格式:
若是,则转向步骤S2;
若否,则转向步骤S12b;
步骤S12b,处理装置对动态超声图像数据进行解码得到包含至少一静态超声图像数据的一静态超声图像数据序列,针对每个静态超声图像数据,分别获取静态超声图像数据对应的病人信息、检查信息、序列信息以及影像信息,并处理得到数据格式为DICOM格式的标准超声图像数据。
具体地,本实施例中,针对动态超声图像数据,通过要首先判断其数据格式是否为DIOCM格式,如果是,则该动态超声图像数据的数据格式满足需求,无需再进行标准化,如果不是,则要对动态超声图像进行解码得到一组静态超声图像数据序列,该静态超声图像数据序列中包括至少一个静态超声图像数据,随后分别根据DICOM对每个静态超声图像数据同理增加病人(Patient)信息、检查(Study)信息、序列(Series)信息以及影像(Image)信息,进而得到数据格式为DICOM格式的标准超声图像数据。即每个动态超声图像数据标准化处理后对应有多个标准超声图像数据,多个标准超声图像数据优选以序列方式进行存储。
本发明的较佳的实施例中,步骤S3中,图像评估子类别为标准超声图像数据的图像像素均值,预设图像评估标准为预设均值阈值;
图像像素均值不大于预设均值阈值时表示图像评估子类别不符合预设图像评估标准;
图像像素均值大于预设均值阈值时表示图像评估子类别符合预设图像评估标准。
具体地,本实施例中,图像像素均值是指图像像素的平均值,它反映了图像的平均亮度,平均亮度越大,图像质量越好,图像像素均值的计算公式如下:
其中,
u用于表示图像像素均值;
M和N分别用于表示标准超声图像数据的宽和高;
F(i,j)用于表示图像像素(i,j)的灰度值。
本发明的较佳的实施例中,步骤S3中,图像评估子类别为标准超声图像数据的图像像素标准差,预设图像评估标准为预设标准差阈值;
图像像素标准差不大于预设标准差阈值时表示图像评估子类别不符合预设图像评估标准;
图像像素标准差大于预设标准差阈值时表示图像评估子类别符合预设图像评估标准。
具体地,本实施例中,图像像素标准差是指图像像素灰度值相对于均值的离散程度。如果标准差越大,表明图像中灰度级分别越分散,图像质量也就越好,图像像素标准差的计算公式如下:
其中,
Std用于表示图像像素标准差;
M和N分别用于表示标准超声图像数据的宽和高;
F(i,j)用于表示图像像素(i,j)的灰度值;
u用于表示图像像素均值。
本发明的较佳的实施例中,步骤S3中,图像评估子类别为标准超声图像数据的图像平均梯度,预设图像评估标准为预设梯度阈值;
图像平均梯度不大于预设梯度阈值时表示图像评估子类别不符合预设图像评估标准;
图像平均梯度大于预设梯度阈值时表示图像评估子类别符合预设图像评估标准。
具体地,本实施例中,图像平均梯度能反映图像中细节反差和纹理变换特征,它在一定程度上反映了图像清晰度,一般说来,图像平均梯度越大,图像层次越多,图像就越显得清晰。图像平均梯度的计算公式如下:
其中,
▽G用于表示图像平均梯度;
M和N分别用于表示标准超声图像数据的宽和高;
ΔxF(i,j)用于表示图像像素(i,j)在x方向上的一阶差分;
ΔyF(i,j)用于表示图像像素(i,j)在y方向上的一阶差分。
本发明的较佳的实施例中,步骤S3中,图像评估子类别为标准超声图像数据的图像熵,预设图像评估标准为预设熵阈值;
图像熵不大于预设熵阈值时表示图像评估子类别不符合预设图像评估标准;
图像熵大于预设熵阈值时表示图像评估子类别符合预设图像评估标准。
具体地,本实施例中,图像熵是指图像的平均信息量,它从信息论的角度衡量图像中信息的多少,图像中的图像熵越大,说明图像包含的信息越多。假设图像中各个像素点的灰度值之间是相互独立的,图像的灰度分布为P={P(1),P(1),···,P(i),···,P(n)},其中P(i)表示灰度值为i的像素个数与图像总像素个数之比,而n为灰度级总数,则图像熵的计算公式为:
其中,
E用于表示图像熵。
本发明的较佳的实施例中,步骤S4中,处理装置对标准超声图像数据进行优化处理包括对标准超声图像数据进行去噪处理和/或边界增强。
具体地,本实施例中,上述去噪处理主要滤除和弱化斑纹噪声,这些噪声降低标准超声图像数据的图像质量;上述边界增强为增加标准超声图像数据的边缘部分梯度值。
本发明的较佳的实施例中,步骤S5中,人工标注包括对标准超声图像数据进行边缘标注得到标注有感兴趣区域的标准超声图像数据,和/或对标准超声图像进行类别标注得到标注有超声部位的标准超声图像数据。
一种标准超声图像训练集的生成***,应用于以上任意一项的标准超声图像训练的生成方法,如图4所示,标准超声图像训练集的生成***具体包括:
至少一超声设备1,用于通过超声扫查得到若干超声图像数据并输出;
处理装置2,连接超声设备1,处理装置2包括:
标准化单元21,用于针对每个超声图像数据,将超声图像数据进行标准化处理,得到具有预设格式的标准超声图像数据;
图像评估单元22,连接标准化单元21,用于对标准超声图像数据进行图像评估得到相应的图像评估结果;
图像评估结果包括若干图像评估子类别;
数据比较单元23,连接图像评估单元22,用于将图像评估结果中的各图像评估子类别分别与对应的预设图像评估标准进行比较,并在图像评估子类别不符合预设图像评估标准时输出第一比较结果,以及在图像评估子类别符合预设图像评估标准时输出第二比较结果;
图像优化单元24,连接数据比较单元23,用于根据第一比较结果,对图像评估结果对应的标准超声图像数据进行优化处理得到优化超声图像数据,并将优化超声图像数据作为标准超声图像数据输出;
训练集生成单元25,连接数据比较单元24,用于根据第二比较结果,供医生对图像评估结果对应的标准超声图像数据进行人工标注,并将标注后的标准超声图像数据加入一标准超声图像训练数据集,以供后续模型训练使用。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (8)
1.一种标准超声图像训练集的生成方法,其特征在于,预先由医院的至少一超声设备上获取超声扫查得到的若干超声图像数据,并将各所述超声图像数据发送至与所述超声设备连接的一处理装置;
则所述标准超声图像训练集的生成方法具体包括以下步骤:
步骤S1,针对每个所述超声图像数据,所述处理装置将所述超声图像数据进行标准化处理,得到具有预设格式的标准超声图像数据;
步骤S2,所述处理装置对所述标准超声图像数据进行图像评估得到相应的图像评估结果;
所述图像评估结果包括若干图像评估子类别;
步骤S3,所述处理装置将所述图像评估结果中的各所述图像评估子类别分别与对应的预设图像评估标准进行比较:
若所述图像评估子类别不符合所述预设图像评估标准,则转向步骤S4;
若所述图像评估子类别符合所述预设图像评估标准,则转向步骤S5;
步骤S4,所述处理装置对所述图像评估结果对应的所述标准超声图像数据进行优化处理得到优化超声图像数据,并将所述优化超声图像数据作为所述标准超声图像数据输出,随后返回所述步骤S2;
步骤S5,医生通过所述处理装置对所述图像评估结果对应的所述标准超声图像数据进行人工标注,并将标注后的所述标准超声图像数据加入一标准超声图像训练数据集,以供后续模型训练使用;
当所述超声图像数据为静态超声图像数据时,所述预设格式为DICOM格式;
则所述步骤S1具体包括:
步骤S11a,所述处理装置获取所述静态超声图像数据的数据格式,并判断所述数据格式是否为所述DICOM格式:
若是,则转向步骤S2;
若否,则转向步骤S12a;
步骤S12a,所述处理装置分别获取所述静态超声图像数据对应的病人信息、检查信息、序列信息以及影像信息,并处理得到所述数据格式为所述DICOM格式的标准超声图像数据;
当所述超声图像数据为动态超声图像数据时,所述预设格式为DICOM格式;
则所述步骤S1具体包括:
步骤S11b,所述处理装置获取所述动态超声图像数据的数据格式,并判断所述数据格式是否为所述DICOM格式:
若是,则转向步骤S2;
若否,则转向步骤S12b;
步骤S12b,所述处理装置对所述动态超声图像数据进行解码得到包含至少一静态超声图像数据的一静态超声图像数据序列,针对每个所述静态超声图像数据,分别获取所述静态超声图像数据对应的病人信息、检查信息、序列信息以及影像信息,并处理得到所述数据格式为所述DICOM格式的标准超声图像数据。
2.根据权利要求1所述的标准超声图像训练集的生成方法,其特征在于,所述步骤S3中,所述图像评估子类别为所述标准超声图像数据的图像像素均值,所述预设图像评估标准为预设均值阈值;
所述图像像素均值不大于所述预设均值阈值时表示所述图像评估子类别不符合所述预设图像评估标准;
所述图像像素均值大于所述预设均值阈值时表示所述图像评估子类别符合所述预设图像评估标准。
3.根据权利要求1所述的标准超声图像训练集的生成方法,其特征在于,所述步骤S3中,所述图像评估子类别为所述标准超声图像数据的图像像素标准差,所述预设图像评估标准为预设标准差阈值;
所述图像像素标准差不大于所述预设标准差阈值时表示所述图像评估子类别不符合所述预设图像评估标准;
所述图像像素标准差大于所述预设标准差阈值时表示所述图像评估子类别符合所述预设图像评估标准。
4.根据权利要求1所述的标准超声图像训练集的生成方法,其特征在于,所述步骤S3中,所述图像评估子类别为所述标准超声图像数据的图像平均梯度,所述预设图像评估标准为预设梯度阈值;
所述图像平均梯度不大于所述预设梯度阈值时表示所述图像评估子类别不符合所述预设图像评估标准;
所述图像平均梯度大于所述预设梯度阈值时表示所述图像评估子类别符合所述预设图像评估标准。
5.根据权利要求1所述的标准超声图像训练集的生成方法,其特征在于,所述步骤S3中,所述图像评估子类别为所述标准超声图像数据的图像熵,所述预设图像评估标准为预设熵阈值;
所述图像熵不大于所述预设熵阈值时表示所述图像评估子类别不符合所述预设图像评估标准;
所述图像熵大于所述预设熵阈值时表示所述图像评估子类别符合所述预设图像评估标准。
6.根据权利要求1所述的标准超声图像训练集的生成方法,其特征在于,所述步骤S4中,所述处理装置对所述标准超声图像数据进行优化处理包括对所述标准超声图像数据进行去噪处理和/或边界增强。
7.根据权利要求1所述的标准超声图像训练集的生成方法,其特征在于,所述步骤S5中,所述人工标注包括对所述标准超声图像数据进行边缘标注得到标注有感兴趣区域的所述标准超声图像数据,和/或对所述标准超声图像进行类别标注得到标注有超声部位的所述标准超声图像数据。
8.一种标准超声图像训练集的生成***,其特征在于,应用于如权利要求1-7中任意一项所述的标准超声图像训练的生成方法,所述标准超声图像训练集的生成***具体包括:
至少一超声设备,用于通过超声扫查得到若干超声图像数据并输出;
处理装置,连接所述超声设备,所述处理装置包括:
标准化单元,用于针对每个所述超声图像数据,将所述超声图像数据进行标准化处理,得到具有预设格式的标准超声图像数据;
图像评估单元,连接所述标准化单元,用于对所述标准超声图像数据进行图像评估得到相应的图像评估结果;
所述图像评估结果包括若干图像评估子类别;
数据比较单元,连接所述图像评估单元,用于将所述图像评估结果中的各所述图像评估子类别分别与对应的预设图像评估标准进行比较,并在所述图像评估子类别不符合所述预设图像评估标准时输出第一比较结果,以及在所述图像评估子类别符合所述预设图像评估标准时输出第二比较结果;
图像优化单元,连接所述数据比较单元,用于根据所述第一比较结果,对所述图像评估结果对应的所述标准超声图像数据进行优化处理得到优化超声图像数据,并将所述优化超声图像数据作为所述标准超声图像数据输出;
训练集生成单元,连接所述数据比较单元,用于根据所述第二比较结果,供医生对所述图像评估结果对应的所述标准超声图像数据进行人工标注,并将标注后的所述标准超声图像数据加入一标准超声图像训练数据集,以供后续模型训练使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408403.5A CN111584044B (zh) | 2020-05-14 | 2020-05-14 | 一种标准超声图像训练集的生成方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408403.5A CN111584044B (zh) | 2020-05-14 | 2020-05-14 | 一种标准超声图像训练集的生成方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111584044A CN111584044A (zh) | 2020-08-25 |
CN111584044B true CN111584044B (zh) | 2023-07-14 |
Family
ID=72126629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010408403.5A Active CN111584044B (zh) | 2020-05-14 | 2020-05-14 | 一种标准超声图像训练集的生成方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111584044B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133942A (zh) * | 2017-04-24 | 2017-09-05 | 南京天数信息科技有限公司 | 一种基于深度学习的医疗图像处理方法 |
CN107292117A (zh) * | 2017-07-14 | 2017-10-24 | 中国科学院上海技术物理研究所 | 对海量共享医学图像进行质量保障的处理方法与装置 |
CN107464250A (zh) * | 2017-07-03 | 2017-12-12 | 深圳市第二人民医院 | 基于三维mri图像的乳腺肿瘤自动分割方法 |
CN107992824A (zh) * | 2017-11-30 | 2018-05-04 | 努比亚技术有限公司 | 拍照处理方法、移动终端及计算机可读存储介质 |
CN108960087A (zh) * | 2018-06-20 | 2018-12-07 | 中国科学院重庆绿色智能技术研究院 | 一种基于多维度评估标准的人脸图像质量评估方法及*** |
CN109086785A (zh) * | 2017-06-14 | 2018-12-25 | 北京图森未来科技有限公司 | 一种图像标定模型的训练方法和装置 |
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
CN109271977A (zh) * | 2018-11-23 | 2019-01-25 | 四川长虹电器股份有限公司 | 票据自动分类训练方法、装置及自动分类方法、装置 |
CN110070935A (zh) * | 2019-03-20 | 2019-07-30 | 中国科学院自动化研究所 | 基于对抗神经网络的医学图像合成方法、分类方法及装置 |
CN110110622A (zh) * | 2019-04-23 | 2019-08-09 | 武汉工程大学 | 一种基于图像处理的医疗文本检测方法、***和存储介质 |
CN110120040A (zh) * | 2019-05-13 | 2019-08-13 | 广州锟元方青医疗科技有限公司 | 切片图像处理方法、装置、计算机设备和存储介质 |
CN110517254A (zh) * | 2019-08-29 | 2019-11-29 | 清华大学 | 基于深度学习的临床靶区自动勾画方法、装置及相关设备 |
CN110895815A (zh) * | 2019-12-02 | 2020-03-20 | 西南科技大学 | 一种基于深度学习的胸部x线气胸分割方法 |
CN110910404A (zh) * | 2019-11-18 | 2020-03-24 | 西南交通大学 | 一种抗噪声数据的乳腺超声结节分割方法 |
CN110942072A (zh) * | 2019-12-31 | 2020-03-31 | 北京迈格威科技有限公司 | 基于质量评估的质量分、检测模型训练、检测方法及装置 |
-
2020
- 2020-05-14 CN CN202010408403.5A patent/CN111584044B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133942A (zh) * | 2017-04-24 | 2017-09-05 | 南京天数信息科技有限公司 | 一种基于深度学习的医疗图像处理方法 |
CN109086785A (zh) * | 2017-06-14 | 2018-12-25 | 北京图森未来科技有限公司 | 一种图像标定模型的训练方法和装置 |
CN107464250A (zh) * | 2017-07-03 | 2017-12-12 | 深圳市第二人民医院 | 基于三维mri图像的乳腺肿瘤自动分割方法 |
CN107292117A (zh) * | 2017-07-14 | 2017-10-24 | 中国科学院上海技术物理研究所 | 对海量共享医学图像进行质量保障的处理方法与装置 |
CN107992824A (zh) * | 2017-11-30 | 2018-05-04 | 努比亚技术有限公司 | 拍照处理方法、移动终端及计算机可读存储介质 |
CN108960087A (zh) * | 2018-06-20 | 2018-12-07 | 中国科学院重庆绿色智能技术研究院 | 一种基于多维度评估标准的人脸图像质量评估方法及*** |
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
CN109271977A (zh) * | 2018-11-23 | 2019-01-25 | 四川长虹电器股份有限公司 | 票据自动分类训练方法、装置及自动分类方法、装置 |
CN110070935A (zh) * | 2019-03-20 | 2019-07-30 | 中国科学院自动化研究所 | 基于对抗神经网络的医学图像合成方法、分类方法及装置 |
CN110110622A (zh) * | 2019-04-23 | 2019-08-09 | 武汉工程大学 | 一种基于图像处理的医疗文本检测方法、***和存储介质 |
CN110120040A (zh) * | 2019-05-13 | 2019-08-13 | 广州锟元方青医疗科技有限公司 | 切片图像处理方法、装置、计算机设备和存储介质 |
CN110517254A (zh) * | 2019-08-29 | 2019-11-29 | 清华大学 | 基于深度学习的临床靶区自动勾画方法、装置及相关设备 |
CN110910404A (zh) * | 2019-11-18 | 2020-03-24 | 西南交通大学 | 一种抗噪声数据的乳腺超声结节分割方法 |
CN110895815A (zh) * | 2019-12-02 | 2020-03-20 | 西南科技大学 | 一种基于深度学习的胸部x线气胸分割方法 |
CN110942072A (zh) * | 2019-12-31 | 2020-03-31 | 北京迈格威科技有限公司 | 基于质量评估的质量分、检测模型训练、检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111584044A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545309B (zh) | 使用深度生成机器学习模型的图像质量评分 | |
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
US20190220977A1 (en) | Cross-Domain Image Analysis and Cross-Domain Image Synthesis Using Deep Image-to-Image Networks and Adversarial Networks | |
EP3611699A1 (en) | Image segmentation using deep learning techniques | |
CN110889005A (zh) | 搜索医学参考图像 | |
JP2022517098A (ja) | 患者固有の解剖学的構造の3d印刷可能モデルを発生させるための方法 | |
CN111696082B (zh) | 图像分割方法、装置、电子设备及计算机可读存储介质 | |
EP3195162B1 (en) | Image fingerprinting | |
KR102202398B1 (ko) | 영상처리장치 및 그의 영상처리방법 | |
CN111696083A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN114287915B (zh) | 一种基于背部彩色图像的无创脊柱侧弯筛查方法及*** | |
CN107862665B (zh) | Ct图像序列的增强方法及装置 | |
CN112991217A (zh) | 一种医学图像采集方法、装置及设备 | |
CN111918610A (zh) | 胸部x线图像的灰度变换方法、灰度变换程序、灰度变换装置、服务器装置以及变换方法 | |
CN111584044B (zh) | 一种标准超声图像训练集的生成方法及*** | |
US9224229B2 (en) | Process and apparatus for data registration | |
CN110399889B (zh) | 医学影像处理方法、装置、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 | |
WO2020106393A2 (en) | Skeletal maturity determination using radiographs of portions of a hand | |
CN116109610A (zh) | 一种超声检查报告图像中乳腺肿瘤分割方法和*** | |
CN113299369B (zh) | 一种医学图像调窗优化方法 | |
US8116545B2 (en) | Method and system for analysis of bone density | |
Rohleder et al. | Cross-domain metal segmentation for CBCT metal artifact reduction | |
CN113450306A (zh) | 提供骨折检测工具的方法 | |
US11798159B2 (en) | Systems and methods for radiology image classification from noisy images |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201016 Address after: Room 5030, 5 / F, building e, 555 Dongchuan Road, Minhang District, Shanghai, 200241 Applicant after: Shanghai Shenzhi Information Technology Co.,Ltd. Address before: Room 5030, 5 / F, building e, 555 Dongchuan Road, Minhang District, Shanghai, 200241 Applicant before: Shanghai Shenzhi Information Technology Co.,Ltd. Applicant before: Shanghai Zhuxing Biotechnology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |