CN112288683A - 基于多模态融合的肺结核病判定装置和方法 - Google Patents
基于多模态融合的肺结核病判定装置和方法 Download PDFInfo
- Publication number
- CN112288683A CN112288683A CN202010611147.XA CN202010611147A CN112288683A CN 112288683 A CN112288683 A CN 112288683A CN 202010611147 A CN202010611147 A CN 202010611147A CN 112288683 A CN112288683 A CN 112288683A
- Authority
- CN
- China
- Prior art keywords
- image
- pathological
- characteristic data
- fusion
- 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.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 106
- 208000008128 pulmonary tuberculosis Diseases 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000001575 pathological effect Effects 0.000 claims abstract description 149
- 238000000605 extraction Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 38
- 201000008827 tuberculosis Diseases 0.000 claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 abstract description 16
- 238000004195 computer-aided diagnosis Methods 0.000 description 28
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 241000187479 Mycobacterium tuberculosis Species 0.000 description 5
- 206010036790 Productive cough Diseases 0.000 description 4
- 238000013075 data extraction Methods 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 210000003802 sputum Anatomy 0.000 description 4
- 208000024794 sputum Diseases 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 208000002151 Pleural effusion Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 206010059866 Drug resistance Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提供一种基于多模态融合的肺结核病判定装置和方法，***包括：第一数据获取模块，用于对影像图像进行特征提取处理，以从所述影像图像中获得对应的影像特征数据；第二数据获取模块，用于对病理图像进行特征提取处理，以从所述病理图像中获得对应的病理特征数据；融合计算模块，用于将所述获得的影像特征数据和病理特征数据进行融合计算，获得用于衡量患肺结核病可能性的概率值；结果判定模块，用于将所述概率值与预设的概率阈值进行比较，以判定是否患有肺结核病，若所述概率值达到预设的概率阈值，则判定为患有肺结核病。上述装置实现了通过融合影像特征数据和病理特征数据来实现对肺结核病的智能判定，准确性高、可以减少漏诊、且速度快。
Description
技术领域
本申请属于医疗技术领域，尤其涉及一种基于多模态融合的肺结核病判定装置和方法，还涉及用于实现上述基于多模态融合的肺结核病判定装置对应功能的电子设备及存储介质。
背景技术
随着计算机人工智能技术的飞速发展和广泛应用，计算机辅助诊断技术对人类健康发挥着越来越重要的作用。例如结核病，是由结核分枝杆菌引起的慢性传染病，可侵及许多脏器，以肺部结核感染最为常见。目前，针对肺结核病的计算机辅助诊断***，一般通过对病人的影像学图像进行智能识别和诊断，以此来判定该病人是否患有肺结核病。然而，计算机辅助诊断***只通过单一的影像学图像处理技术来进行智能诊断，其诊断结果可靠性低且容易漏诊，而且还需要医生根据病人的病理学数据进行进一步的人工诊断才能够确诊病人是否患有肺结核病，诊断速度慢，难以解决当前感染、发病、耐药以及病死率较高的肺结核病的智能识别诊断问题。
发明内容
有鉴于此，本申请实施例提供了一种基于多模态融合的肺结核病判定装置和方法，以及用于实现该基于多模态融合的肺结核病判定装置对应功能的电子设备及存储介质，可以通过融合影像特征数据和病理特征数据来实现对肺结核病的智能判定，准确性高、可以减少漏诊、且速度快。
本申请实施例的第一方面提供了一种基于多模态融合的肺结核病判定装置，该装置包括：
第一数据获取模块，用于对影像图像进行特征提取处理，以从所述影像图像中获得对应的影像特征数据；
第二数据获取模块，用于对病理图像进行特征提取处理，以从所述病理图像中获得对应的病理特征数据；
融合计算模块，用于将所述获得的影像特征数据和病理特征数据进行融合计算，获得用于衡量患肺结核病可能性的概率值；
结果判定模块，用于将所述概率值与预设的概率阈值进行比较，以判定是否患有肺结核病，若所述概率值达到预设的概率阈值，则判定为患有肺结核病。
结合第一方面，在第一方面的第一种可能实现方式中，所述融合计算模块还包括：
第一融合子模块，用于对所述获得的影像特征数据和病理特征数据进行最大值融合和/或平均值融合。
结合第一方面或第一方面的第一种可能实现方式，在第一方面的第二种可能实现方式中，所述融合计算模块还包括：
第一分类子模块，用于通过决策树分类器对所述获得的影像特征数据和病理特征数据进行分类处理，获取呈阳性的第一影像特征数据和呈阳性的第一病理特征数据；
第一配置子模块，用于将所述第一影像特征数据和第一病理特征数据进行权重配置，以使所述第一影像特征数据和第一病理特征数据分别具有对应的权重值；
第一计算子模块，用于结合所述权重值，对所述第一影像特征数据和第一病理特征数据进行融合计算，以获取用于衡量患肺结核病可能性的概率值。
结合第一方面的第二种可能实现方式，在第一方面的第三种可能实现方式中，所述第一配置子模块还包括：
第二配置子模块，用于配置所述第一影像特征数据的权重值小于所述第一病理特征数据的权重值。
结合第一方面的第二种可能实现方式，在第一方面的第四种可能实现方式中，所述第一分类子模块还包括：
第一降维子模块，用于对所述获得的影像特征数据和病理特征数据进行降维处理。
结合第一方面，在第一方面的第五种可能实现方式中，所述第一数据获取模块还包括：
第一接收子模块，用于接收待诊断病人的影像图像；
第一分割子模块，用于将所述待诊断病人的影像图像进行语义分割处理；
第一提取子模块，用于将经语义分割处理后的影像图像输入至预先训练好的第一特征提取模型中进行特征提取，以从所述影像图像中获得对应的影像特征数据。
结合第一方面，在第一方面的第六种可能实现方式中，所述第二数据获取模块还包括：
第二接收子模块，用于接收待诊断病人的病理图像；
第二分割子模块，用于将所述待诊断病人的病理图像进行语义分割处理；
第二提取子模块，用于将经语义分割处理后的病理图像输入至预先训练好的第二特征提取模型中进行特征提取，以从所述病理图像中获得对应的病理特征数据。
本申请实施例的第二方面提供了一种基于多模态融合的肺结核病判定方法，8.所述基于多模态融合的肺结核病判定方法基于如第一方面任意一项所述的基于多模态融合的肺结核病判定装置实现，包括：
对影像图像进行特征提取处理，以从所述影像图像中获得对应的影像特征数据；
对病理图像进行特征提取处理，以从所述病理图像中获得对应的病理特征数据；
将所述获得的影像特征数据和病理特征数据进行融合计算，获得用于衡量患肺结核病可能性的概率值；
将所述概率值与预设的概率阈值进行比较，以判定是否患有肺结核病，若所述概率值达到预设的概率阈值，则判定为患有肺结核病。
本申请实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任意一项所述基于多模态融合的肺结核病判定装置的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述基于多模态融合的肺结核病判定装置的步骤。
本申请实施例与现有技术相比存在的有益效果是：
本申请基于多模态融合的肺结核病判定装置，通过对影像图像进行特征提取处理，以从所述影像图像中获得对应的影像特征数据；对病理图像进行特征提取处理，以从所述病理图像中获得对应的病理特征数据；将所述获得的影像特征数据和病理特征数据进行决策融合处理，获得用于衡量患肺结核病可能性的概率值；将所述概率值与预设的概率阈值进行比较，以判定是否患有肺结核病，若所述概率值达到预设的概率阈值，则判定为患有肺结核病，实现了通过融合影像特征数据和病理特征数据来对肺结核病进行智能判定，准确性高、可以减少漏诊、且速度快。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于多模态融合的肺结核病判定装置的基本方法流程示意图；
图2为本申请实施例提供的基于多模态融合的肺结核病判定装置中对特征数据进行决策融合处理的一种方法流程示意图；
图3为本申请实施例提供的基于多模态融合的肺结核病判定装置中提取影像特征数据的一种方法流程示意图；
图4为本申请实施例提供的基于多模态融合的肺结核病判定装置中提取病理特征数据的一种方法流程示意图；
图5为本申请实施例提供的一种基于多模态融合的肺结核病判定装置的结构示意图；
图6为本申请实施例提供的一种实现基于多模态融合的肺结核病判定装置的电子设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
本申请实施例旨在提供一种基于多模态融合的肺结核病判定装置，应用于计算机辅助诊断***中，以实现通过融合影像特征数据和病理特征数据来待诊断的肺结核病进行智能判定，提高***诊断的准确率，减少漏诊的情况。可以理解的是，计算机辅助诊断***可以为任意实现该基于多模态融合的肺结核病判定装置对应功能的电子设备。
本申请的一些实施例中，请参阅图1，图1为本申请实施例1提供的一种基于多模态融合的肺结核病判定装置的基本结构示意图。详述如下：
本实施例中，本申请的基于多模态融合的肺结核病判定装置包括有第一数据获取模块10、第二数据获取模块20、融合计算模块30以及结果判定模块40。其中：
第一数据获取模块10用于基于影像图像进行特征提取处理，以从所述影像图像中获得对应的影像特征数据。在一些具体实现中，影像图像为DR(Digital Radiography，数字射线摄影)图像，该DR图像为通过X线信号透过人体后被探测器获取直接形成的数字影像，可以通过将数字影像传输到计算机中进行显示以及后期处理。其中，DR图像以DICOM形式保存。本实施例用于执行基于多模态融合的肺结核病判定装置的计算机辅助诊断***可通过与DR图像的成像设备连接来获取待诊断病人的影像图像。第一数据获取模块10获得影像图像后，计算机辅助诊断***可以在影像模态下，基于预先训练好的影像特征数据提取模型从该影像图像中提取得到对应的影像特征数据。例如肺结核病，其影像特征常表现为气腔实变阴影累及整个肺叶胸部正位片可见左肺下叶实变，伴左侧少量胸腔积液，由此，可以基于上述特征对影像图像进行识别，从而获得与影像图像对应的用于判定肺结核病的影像特征数据。
第二数据获取模块20用于基于病理图像进行特征提取处理，以从所述病理图像中获得对应的病理特征数据。在一些具体实现中，病理图像又称为病理电子切片图，是指通过取一定大小的病变组织作为样本置于电子显微镜中进行扫描获得的用于病例分析的图像。第二数据获取模块20获得病理图像后，计算机辅助诊断***可以在病理模态下，基于预想训练好的病理特征数据提取模型从该病理图像中提取得到对应的病理特征数据。例如肺结核病，诊断肺结核病的病理图像采用的是痰检获得的病理图像，其病理特征表现为痰液中具有结核分枝杆菌，由此，可以基于该结核分枝杆菌的特征对病理图像进行识别，从而获得与病理图像对应的用于判定肺结核病的病理特征数据。
融合计算模块30用于将所述获得的影像特征数据和病理特征数据进行融合计算，获得用于衡量患肺结核病可能性的概率值。在一些具体实现中，融合计算模块30从影像图像中获得的影像特征数据可以是一个或多个，同样，从病理图像中获得的病理特征数据也可以是一个或多个。计算机辅助诊断***可以将这些获得的特征数据作为影响因子导入到其预先设定好的融合算法中进行计算，以此获得用于衡量患肺结核病可能性的概率值。具体地，以肺结核病的诊断为例，采用加权算法，通过在该***中设定一个特征数据与权重值的对应关系表，其中，该对应关系表中的特征数据为用于诊断肺结核病的特征数据。根据每个特征数据影响诊断肺结核病结果的大小，预先对这些特征数据进行权重值配置，以此生成特征数据与权重值的对应关系表。由此，在获得影像特征数据和病理特征数据之后，通过遍历对应关系表获得每个特征数据对应的权重值，进而基于该权重值，按照预先设定好的融合算法中对影像特征数据和病理特征数据进行融合计算，获得用于衡量患肺结核病可能性的概率值。
本实施例中，计算机辅助诊断***采用的融合计算方式为后端融合方式，其中，后端融合是通过将不同模态的数据分别输出打分(决策)进行融合，包括最大值融合和/或平均值融合。在本实施例中，融合计算模块30中还配置有一第一融合子模块，该第一融合子模块用于对所述获得的影像特征数据和病理特征数据进行最大值融合和/或平均值融合。其中，对不同模态的数据进行最大值融合可以实现数据特征互补，而对不同模态的数据进行平均值融合可以降低数据特征之间的关联性，由此，可以通过不同模态数据的融合来提高数据特征的识别率。
结果判定模块40用于将所述概率值与预设的概率阈值进行比较，以判定是否患有肺结核病，若所述概率值达到预设的概率阈值，则判定为患有肺结核病。在一些具体实现中，结果判定模块40通过在***中设定一个基于特征数据判定是否患结核病的标准，即设定一个概率阈值，并以该概率阈值来生成计算机辅助诊断***智能判定的结果。具体地，该概率阈值可以通过大数据分析获得。通过融合算法计算得到用于衡量患肺结核病可能性的概率值后，可以将该概率值与概率阈值进行比较，若***计算得到的概率值达到预设的概率阈值，即说明计算机辅助诊断***基于病人的影像图像和病理图像两种模态的特征进行融合计算，由此判定该病人患有肺结核病，此时***输出结果为是。若***计算得到的概率值未达到预设的概率阈值，即说明计算机辅助诊断***基于病人的影像图像和病理图像两种模态的特征进行融合计算，由此判定该病人未患有肺结核病，此时***输出结果为否。
上述实施例提供的基于多模态融合的肺结核病判定装置通过对影像图像进行特征提取处理，以从所述影像图像中获得对应的影像特征数据；对病理图像进行特征提取处理，以从所述病理图像中获得对应的病理特征数据；将所述获得的影像特征数据和病理特征数据进行决策融合处理，获得用于衡量患肺结核病可能性的概率值；将所述概率值与预设的概率阈值进行比较，以判定是否患有肺结核病，若所述概率值达到预设的概率阈值，则判定为患有肺结核病，实现了通过融合影像特征数据和病理特征数据来对肺结核病进行智能判定，准确性高、可以减少漏诊、且速度快。
本申请的一些实施例中，请参阅图2，图2为本申请实施例2提供的基于多模态融合的肺结核病判定装置的结构示意图。详细如下：
本实施例中，基于多模态融合的肺结核病判定装置还包括第一分类子模块31、第一配置子模块32和第一计算子模块33。其中：第一分类子模块31用于通过决策树分类器对所述获得的影像特征数据和病理特征数据进行分类处理，获取呈阳性的第一影像特征数据和呈阳性的第一病理特征数据。第一配置子模块32用于将所述第一影像特征数据和第一病理特征数据进行权重配置，以使所述第一影像特征数据和第一病理特征数据分别具有对应的权重值。第一计算子模块33用于结合所述权重值，对所述第一影像特征数据和第一病理特征数据进行融合计算，以获取用于衡量患肺结核病可能性的概率值。
在本实施例中，决策树分类器可以根据数据的属性，通过在属性集的基础上作出一系列的决策，每一个决策采用决策树的一个节点来表示，以此实现可视化地对数据进行分类。本实施例中，可以基于第一分类子模块31通过决策树分类器对获得的影像特征数据和病理特征数据进行分类处理，进而获取呈阳性的第一影像特征数据和呈阳性的第一病理特征数据。在一些具体实现中，通过在第一分类子模块31中配置一个第一降维子模块，由该第一降维子模块以PCA(数据主成分分析)为基础对所述获得的影像特征数据和病理特征数据进行降维处理，通过抛弃携带信息量较少的维度，保留主要的特征数据信息，以此获得呈阳性的第一影像特征数据和呈阳性的第一病理特征数据。由此基于决策分类器实现了对影像和病理两种模态下的特征数据进行第一次融合，确定出影像和病理两种模态下各自呈阳性的特征数据，即第一影像特征数据和第一病理特征数据。获得第一影像特征数据和第一病理特征数据后，再基于第一配置子模块32和第一计算子模块33针对该第一影像特征数据和第一病理特征数据进行权重配置和融合计算，以实现对影像和病理两种模态下各自呈阳性的特征数据进行第二次融合，最终获取用于衡量患肺结核病可能性的概率值。在本实施例中，由于病理特征对肺结核病判定的影响大于影像特征对肺结核病判定的影响，因而在第一影像特征数据和第一病理特征数据进行第二次融合时，基于第一配置子模块32，还可以配置一个第二配置子模块，通过该第二配置子模块配置第一影像特征数据的权重值小于第一病理特征数据的权重值，以使***执行肺结核病判定时具有更高的准确性。
本申请的一些实施例中，请参阅图3，图3为本申请实施例3提供的基于多模态融合的肺结核病判定装置的一种结构示意图。详细如下：
本实施例中，基于多模态融合的肺结核病判定装置还包括第一接收子模块11、第一分割子模块12和第一提取子模块13。其中：第一接收子模块11用于接收待诊断病人的影像图像。第一分割子模块12用于将所述待诊断病人的影像图像进行语义分割处理。第一提取子模块13用于将经语义分割处理后的影像图像输入至预先训练好的第一特征提取模型中进行特征提取，以从所述影像图像中获得对应的影像特征数据。
本实施例中，建立计算机辅助诊断***与DR数字影像设备之间的数据传输通道，由DR数字影像设备拍摄获取待诊断病人的影像图像后，将该影像图像传输到计算机辅助诊断***中，以使计算机辅助诊断***内部的基于多模态融合的肺结核病判定装置通过第一接收子模块11接收到该待诊断病人的影像图像。然后，在计算机辅助诊断***接收到该待诊断病人的影像图像后，可以基于FCN(全卷积网络)对影像图像按照像素级进行语义分割。具体地，FCN可以将CNN中的全连接层转化成卷积层，接受任意尺寸的影像图像。FCN通过采用反卷积层对该影像图像的最后一个卷积层的二维图片(feature map)进行上采样，使它恢复到与影像图像相同的尺寸，从而可以实现对每个像素都产生了一个预测，同时保留了原始输入图像中的空间信息，由此，通过装置中的第一分割子模块12在上采样的特征图上按逐个像素进行分类，实现对影像图像的语义分割处理。经语义分割处理后得到的影像图像可以显示出影像图像中的内容，例如部位数据、病灶数据等。当获得经语义分割处理后得到的影像图像之后，通过装置中的第一提取子模块13将该经过语义分割处理后得到的影像图像输入至预先训练好的第一特征提取模型中进行特征提取，从所述影像图像中获得对应的影像特征数据。由此，使得计算机辅助诊断***获得影像模态的影像特征数据。
在本实施例中，第一特征提取模型为训练至收敛状态的卷积神经网络模型，该卷积神经网络模型具体通过大量的样本数据(例如不同病人的影像图像)训练至收敛状态，以使得该第一特征提取模型具备从影像图像中提取用于判定肺结核病的影像特征数据的能力。例如肺结核病，可以从影像图像的病灶位置中提取出用于判定是否患有肺结核病的影像特征数据。
本申请的一些实施例中，请参阅图4，图4为本申请实施例4提供的基于多模态融合的肺结核病判定装置的一种结构示意图。详细如下：
本实施例中，基于多模态融合的肺结核病判定装置还包括第二接收子模块21、第二分割子模块22和第二提取子模块23。其中：第二接收子模块21用于接收待诊断病人的病理图像；第二分割子模块22用于将所述待诊断病人的病理图像进行语义分割处理；第二提取子模块23用于将经语义分割处理后的病理图像输入至预先训练好的第二特征提取模型中进行特征提取，以从所述病理图像中获得对应的病理特征数据。
本实施例中，通过提取待诊断病人的病变组织作为样本置于电子显微镜中进行扫描获得病理图像，通过将该病理图像传输到计算机辅助诊断***中，以使该计算机辅助诊断***内部的基于多模态融合的肺结核病判定装置通过第二接收子模块21接收到该待诊断病人的病理图像。然后，在计算机辅助诊断***接收到该待诊断病人的病理图像后，由第二分割子模块22基于FCN(全卷积网络)对病理图像按照像素级进行语义分割，从而获得经语义分割处理后得到的病理图像。具体的语义分割过程和原理与上述提取影像特征数据的语义分割过程和原理基本一致，此处不再赘述。当获得经语义分割处理后得到的病理图像之后，由第二提取子模块23将该经过语义分割处理后得到的病理图像输入至预先训练好的第二特征提取模型中进行特征提取，从所述病理图像中获得对应的病理特征数据。其中，第二特征提取模型与第一特征提取模型的训练方式一致，此处不再赘述。
可以理解的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在本申请的一些实施例中，请参阅图5，图5为本申请实施例5提供的一种基于多模态融合的肺结核病判定方法的基本方法流程示意图，详述如下：
在步骤S51中，对影像图像进行特征提取处理，以从所述影像图像中获得对应的影像特征数据
本实施例中，影像图像为DR(Digital Radiography，数字射线摄影)图像，该DR图像为通过X线信号透过人体后被探测器获取直接形成的数字影像，可以通过将数字影像传输到计算机中进行显示以及后期处理。其中，DR图像以DICOM形式保存。本实施例用于执行基于多模态融合的肺结核病判定装置的计算机辅助诊断***可通过与DR图像的成像设备连接来获取待诊断病人的影像图像。获得影像图像后，计算机辅助诊断***可以在影像模态下，基于预先训练好的影像特征数据提取模型从该影像图像中提取得到对应的影像特征数据。例如肺结核病，其影像特征常表现为气腔实变阴影累及整个肺叶胸部正位片可见左肺下叶实变，伴左侧少量胸腔积液，由此，可以基于上述特征对影像图像进行识别，从而获得与影像图像对应的用于判定肺结核病的影像特征数据。
在步骤S52中，对病理图像进行特征提取处理，以从所述病理图像中获得对应的病理特征数据。
病理图像又称为病理电子切片图，是指通过取一定大小的病变组织作为样本置于电子显微镜中进行扫描获得的用于病例分析的图像。获得病理图像后，计算机辅助诊断***可以在病理模态下，基于预想训练好的病理特征数据提取模型从该病理图像中提取得到对应的病理特征数据。例如肺结核病，诊断肺结核病的病理图像采用的是痰检获得的病理图像，其病理特征表现为痰液中具有结核分枝杆菌，由此，可以基于该结核分枝杆菌的特征对病理图像进行识别，从而获得与病理图像对应的用于判定肺结核病的病理特征数据。
在步骤S53中，将所述获得的影像特征数据和病理特征数据进行融合计算，获得用于衡量患肺结核病可能性的概率值。
在本实施例中，从影像图像中获得的影像特征数据可以是一个或多个，同样，从病理图像中获得的病理特征数据也可以是一个或多个。计算机辅助诊断***可以将这些获得的特征数据作为影响因子导入到其预先设定好的融合算法中进行计算，以此获得用于衡量患肺结核病可能性的概率值。具体地，以肺结核病的诊断为例，采用加权算法，通过在该***中设定一个特征数据与权重值的对应关系表，其中，该对应关系表中的特征数据为用于诊断肺结核病的特征数据。根据每个特征数据影响诊断肺结核病结果的大小，预先对这些特征数据进行权重值配置，以此生成特征数据与权重值的对应关系表。由此，在获得影像特征数据和病理特征数据之后，通过遍历对应关系表获得每个特征数据对应的权重值，进而基于该权重值，按照预先设定好的融合算法中对影像特征数据和病理特征数据进行融合计算，获得用于衡量患肺结核病可能性的概率值。
在步骤S54中，将所述概率值与预设的概率阈值进行比较，以判定是否患有肺结核病，若所述概率值达到预设的概率阈值，则判定为患有肺结核病。
在本实施例中，通过在***中设定一个基于特征数据判定是否患结核病的标准，即设定一个概率阈值，并以该概率阈值来生成计算机辅助诊断***智能判定的结果。具体地，该概率阈值可以通过大数据分析获得。通过融合算法计算得到用于衡量患肺结核病可能性的概率值后，可以将该概率值与概率阈值进行比较，若***计算得到的概率值达到预设的概率阈值，即说明计算机辅助诊断***基于病人的影像图像和病理图像两种模态的特征进行融合计算，由此判定该病人患有肺结核病，此时***输出结果为是。若***计算得到的概率值未达到预设的概率阈值，即说明计算机辅助诊断***基于病人的影像图像和病理图像两种模态的特征进行融合计算，由此判定该病人未患有肺结核病，此时***输出结果为否。
上述实施例提供的基于多模态融合的肺结核病判定方法通过融合影像特征数据和病理特征数据来实现对肺结核病的智能判定，准确性高、可以减少漏诊、且速度快。
可以理解的是，上述基于多模态融合的肺结核病判定方法，与上述的基于多模态融合的肺结核病判定装置一一对应，此处不再赘述。
在本申请的一些实施例中，请参阅图6，图6为本申请实施例提供的一种实现基于多模态融合的肺结核病判定装置的电子设备的示意图。如图6所示，该实施例的电子设备6包括：处理器61、存储器62以及存储在所述存储器62中并可在所述处理器61上运行的计算机程序63，例如基于多模态融合的肺结核病判定程序。所述处理器61执行所述计算机程序63时实现上述各装置实施例中各模块/单元的功能。或者，所述处理器61执行所述计算机程序62时实现上述基于多模态融合的肺结核病判定方法实施例的方法步骤。
示例性的，所述计算机程序63可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器62中，并由所述处理器61执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序63在所述电子设备6中的执行过程。例如，所述计算机程序63可以被分割成：
第一数据获取模块，用于对影像图像进行特征提取处理，以从所述影像图像中获得对应的影像特征数据；
第二数据获取模块，用于对病理图像进行特征提取处理，以从所述病理图像中获得对应的病理特征数据；
融合计算模块，用于将所述获得的影像特征数据和病理特征数据进行融合计算，获得用于衡量患肺结核病可能性的概率值；
结果判定模块，用于将所述概率值与预设的概率阈值进行比较，以判定是否患有肺结核病，若所述概率值达到预设的概率阈值，则判定为患有肺结核病。
所述电子设备可包括，但不仅限于，处理器61、存储器62。本领域技术人员可以理解，图6仅仅是电子设备6的示例，并不构成对电子设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器61可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器62可以是所述电子设备6的内部存储单元，例如电子设备6的硬盘或内存。所述存储器62也可以是所述电子设备6的外部存储设备，例如所述电子设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器62还可以既包括所述电子设备6的内部存储单元也包括外部存储设备。所述存储器62用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器62还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于多模态融合的肺结核病判定装置，其特征在于，包括：
第一数据获取模块，用于对影像图像进行特征提取处理，以从所述影像图像中获得对应的影像特征数据；
第二数据获取模块，用于对病理图像进行特征提取处理，以从所述病理图像中获得对应的病理特征数据；
融合计算模块，用于将所述获得的影像特征数据和病理特征数据进行融合计算，获得用于衡量患肺结核病可能性的概率值；
结果判定模块，用于将所述概率值与预设的概率阈值进行比较，以判定是否患有肺结核病，若所述概率值达到预设的概率阈值，则判定为患有肺结核病。
2.根据权利要求1所述的基于多模态融合的肺结核病判定病***，其特征在于，所述融合计算模块还包括：
第一融合子模块，用于对所述获得的影像特征数据和病理特征数据进行最大值融合和/或平均值融合。
3.根据权利要求1或2所述的基于多模态融合的肺结核病判定装置，其特征在于，所述融合计算模块还包括：
第一分类子模块，用于通过决策树分类器对所述获得的影像特征数据和病理特征数据进行分类处理，获取呈阳性的第一影像特征数据和呈阳性的第一病理特征数据；
第一配置子模块，用于将所述第一影像特征数据和第一病理特征数据进行权重配置，以使所述第一影像特征数据和第一病理特征数据分别具有对应的权重值；
第一计算子模块，用于结合所述权重值，对所述第一影像特征数据和第一病理特征数据进行融合计算，以获取用于衡量患肺结核病可能性的概率值。
4.根据权利要求3所述的基于多模态融合的肺结核病判定装置，其特征在于，所述第一配置子模块还包括：
第二配置子模块，用于配置所述第一影像特征数据的权重值小于所述第一病理特征数据的权重值。
5.根据权利要求3所述的基于多模态融合的肺结核病判定装置，其特征在于，所述第一分类子模块还包括：
第一降维子模块，用于对所述获得的影像特征数据和病理特征数据进行降维处理。
6.根据权利要求1所述的基于多模态融合的肺结核病判定病方法，其特征在于，所述第一数据获取模块还包括：
第一接收子模块，用于接收待诊断病人的影像图像；
第一分割子模块，用于将所述待诊断病人的影像图像进行语义分割处理；
第一提取子模块，用于将经语义分割处理后的影像图像输入至预先训练好的第一特征提取模型中进行特征提取，以从所述影像图像中获得对应的影像特征数据。
7.根据权利要求1所述的基于多模态融合的肺结核病判定装置，其特征在于，所述第二数据获取模块还包括：
第二接收子模块，用于接收待诊断病人的病理图像；
第二分割子模块，用于将所述待诊断病人的病理图像进行语义分割处理；
第二提取子模块，用于将经语义分割处理后的病理图像输入至预先训练好的第二特征提取模型中进行特征提取，以从所述病理图像中获得对应的病理特征数据。
8.一种基于多模态融合的肺结核病判定方法，其特征在于，所述基于多模态融合的肺结核病判定方法基于如权利要求1-7任意一项所述的基于多模态融合的肺结核病判定装置实现，包括：
对影像图像进行特征提取处理，以从所述影像图像中获得对应的影像特征数据；
对病理图像进行特征提取处理，以从所述病理图像中获得对应的病理特征数据；
将所述获得的影像特征数据和病理特征数据进行融合计算，获得用于衡量患肺结核病可能性的概率值；
将所述概率值与预设的概率阈值进行比较，以判定是否患有肺结核病，若所述概率值达到预设的概率阈值，则判定为患有肺结核病。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7所述基于多模态融合的肺结核病判定装置的功能。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7所述基于多模态融合的肺结核病判定装置的功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010611147.XA CN112288683A (zh) | 2020-06-30 | 2020-06-30 | 基于多模态融合的肺结核病判定装置和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010611147.XA CN112288683A (zh) | 2020-06-30 | 2020-06-30 | 基于多模态融合的肺结核病判定装置和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112288683A true CN112288683A (zh) | 2021-01-29 |
Family
ID=74420100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010611147.XA Pending CN112288683A (zh) | 2020-06-30 | 2020-06-30 | 基于多模态融合的肺结核病判定装置和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112288683A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114974518A (zh) * | 2022-04-15 | 2022-08-30 | 浙江大学 | 多模态数据融合的肺结节影像识别方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6032678A (en) * | 1997-03-14 | 2000-03-07 | Shraga Rottem | Adjunct to diagnostic imaging systems for analysis of images of an object or a body part or organ |
| US20030060688A1 (en) * | 2001-09-21 | 2003-03-27 | Active Health Management | Care engine |
| US20120256920A1 (en) * | 2011-04-05 | 2012-10-11 | Julian Marshall | System and Method for Fusing Computer Assisted Detection in a Multi-Modality, Multi-Dimensional Breast Imaging Environment |
| CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
| CN109192306A (zh) * | 2018-09-21 | 2019-01-11 | 广东工业大学 | 一种糖尿病的判断装置、设备及计算机可读存储介质 |
| CN109907753A (zh) * | 2019-04-23 | 2019-06-21 | 杭州电子科技大学 | 一种多维度ecg信号智能诊断*** |
| CN110111892A (zh) * | 2019-04-29 | 2019-08-09 | 杭州电子科技大学 | 一种nsclc患者术后短期复发转移风险评估*** |
| CN110309849A (zh) * | 2019-05-10 | 2019-10-08 | 腾讯医疗健康(深圳)有限公司 | 血管图像处理方法、装置、设备及存储介质 |
| CN110599451A (zh) * | 2019-08-05 | 2019-12-20 | 平安科技（深圳）有限公司 | 医学图像病灶检测定位方法、装置、设备及存储介质 |
| CN110969204A (zh) * | 2019-11-29 | 2020-04-07 | 中国科学院自动化研究所 | 基于磁共振图像与数字病理图像融合的样本分类*** |
-
2020
- 2020-06-30 CN CN202010611147.XA patent/CN112288683A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6032678A (en) * | 1997-03-14 | 2000-03-07 | Shraga Rottem | Adjunct to diagnostic imaging systems for analysis of images of an object or a body part or organ |
| US20030060688A1 (en) * | 2001-09-21 | 2003-03-27 | Active Health Management | Care engine |
| US20120256920A1 (en) * | 2011-04-05 | 2012-10-11 | Julian Marshall | System and Method for Fusing Computer Assisted Detection in a Multi-Modality, Multi-Dimensional Breast Imaging Environment |
| CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
| CN109192306A (zh) * | 2018-09-21 | 2019-01-11 | 广东工业大学 | 一种糖尿病的判断装置、设备及计算机可读存储介质 |
| CN109907753A (zh) * | 2019-04-23 | 2019-06-21 | 杭州电子科技大学 | 一种多维度ecg信号智能诊断*** |
| CN110111892A (zh) * | 2019-04-29 | 2019-08-09 | 杭州电子科技大学 | 一种nsclc患者术后短期复发转移风险评估*** |
| CN110309849A (zh) * | 2019-05-10 | 2019-10-08 | 腾讯医疗健康(深圳)有限公司 | 血管图像处理方法、装置、设备及存储介质 |
| CN110599451A (zh) * | 2019-08-05 | 2019-12-20 | 平安科技（深圳）有限公司 | 医学图像病灶检测定位方法、装置、设备及存储介质 |
| CN110969204A (zh) * | 2019-11-29 | 2020-04-07 | 中国科学院自动化研究所 | 基于磁共振图像与数字病理图像融合的样本分类*** |
Non-Patent Citations (2)
| Title |
|---|
| 周涛;陆惠玲;陈志强;马竟先;: "多模态医学影像融合识别技术研究进展", 生物医学工程学杂志, no. 05, pages 215 - 220 * |
| 李帅: "基于深度学习的胸片辅助诊断算法", 中国优秀硕士学位论文全文数据库（医药卫生科技辑）, vol. 076, no. 2020, pages 076 - 8 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114974518A (zh) * | 2022-04-15 | 2022-08-30 | 浙江大学 | 多模态数据融合的肺结节影像识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7297081B2 (ja) | 画像分類方法、画像分類装置、医療用電子機器、画像分類機器、及びコンピュータプログラム | |
| US10810735B2 (en) | Method and apparatus for analyzing medical image | |
| WO2020125498A1 (zh) | 心脏磁共振图像分割方法、装置、终端设备及存储介质 | |
| CN111368849B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| US20220058821A1 (en) | Medical image processing method, apparatus, and device, medium, and endoscope | |
| US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| CN109492547B (zh) | 一种结节识别方法、装置和存储介质 | |
| CN111369562B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN110276408B (zh) | 3d图像的分类方法、装置、设备及存储介质 | |
| Sun et al. | Attention-embedded complementary-stream CNN for false positive reduction in pulmonary nodule detection | |
| KR20200082660A (ko) | 머신러닝 기반 병리 진단 방법 및 장치 | |
| CN111325709A (zh) | 无线胶囊内窥镜图像检测***及检测方法 | |
| CN112288843A (zh) | 一种病灶的三维构建方法、装置、终端设备及存储介质 | |
| WO2020109781A1 (en) | Domain adaption | |
| CN112634231A (zh) | 一种图像分类方法、装置、终端设备和存储介质 | |
| Zhuang et al. | Tumor classification in automated breast ultrasound (ABUS) based on a modified extracting feature network | |
| Cai et al. | Identifying architectural distortion in mammogram images via a se-densenet model and twice transfer learning | |
| CN112288683A (zh) | 基于多模态融合的肺结核病判定装置和方法 | |
| CN112330787B (zh) | 图像标注方法、装置、存储介质和电子设备 | |
| CN113762285A (zh) | 一种分析和处理医学影像的***及方法 | |
| CN113705595A (zh) | 异常细胞转移程度的预测方法、装置和存储介质 | |
| KR101923962B1 (ko) | 의료 영상의 열람을 지원하는 방법 및 이를 이용한 장치 | |
| WO2022227193A1 (zh) | 肝脏区域分割方法、装置、电子设备及存储介质 | |
| CN115690486A (zh) | 识别图像中病灶方法、装置、设备及存储介质 | |
| CN114360695A (zh) | 乳腺超声扫查分析辅助***、介质及设备 |
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 |