CN112530580A - 医疗影像图片的处理方法和计算机可读存储介质 - Google Patents

医疗影像图片的处理方法和计算机可读存储介质 Download PDF

Info

Publication number
CN112530580A
CN112530580A CN202011412788.9A CN202011412788A CN112530580A CN 112530580 A CN112530580 A CN 112530580A CN 202011412788 A CN202011412788 A CN 202011412788A CN 112530580 A CN112530580 A CN 112530580A
Authority
CN
China
Prior art keywords
medical image
image picture
analysis result
neural network
cloud
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
Application number
CN202011412788.9A
Other languages
English (en)
Inventor
周翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN202011412788.9A priority Critical patent/CN112530580A/zh
Publication of CN112530580A publication Critical patent/CN112530580A/zh
Pending legal-status Critical Current

Links

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
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
    • 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
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computational Linguistics (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种医疗影像图片的处理方法和计算机可读存储介质，处理方法包括：获取与医疗影像图片绑定的识别码；扫描识别码获取医疗影像图片对应的识别信息并发送至服务器；接收服务器基于识别信息查询后获取的医疗影像图片；发送医疗影像图片或识别信息至云端以请求进行影像分析；接收云端反馈的第一分析结果；第一分析结果为云端基于训练好的神经网络模型对医疗影像图片进行分析后得到的结果；训练好的神经网络模型基于样本图像和金标准训练得到。本发明能够及时获取拍摄的医疗影像图片，基于训练好的神经网络模型识别分析结果，方便用户及时获知医疗影像图片的解读信息。

Description

医疗影像图片的处理方法和计算机可读存储介质
技术领域
本发明属于图像处理领域，特别涉及一种医疗影像图片的处理方法和计算机可读存储介质。
背景技术
医疗影像图片诊断通常需要患者拍片后等待报告，再去相关科室，医生凭借个人经验和知识、肉眼诊断医疗影像图片中是否存在疾病或隐患。通常拍片前需要预约，拍片后需要等待取报告。医院的医疗影像图片识别一般都是由专业影像学科医生做出影像诊断报告。同级医院临床科室医生和基层医院医生根据影像诊断报告进行下一步诊断和治疗。
医疗影像图片出片后患者无法及时获知关于该医疗影像图片的解读信息，必须再次返回医院请医生人工解读，为了获知解读信息费时费力，导致用户体验度差。另外，人工诊断的准确性极大依赖于医生的个人经验和医生诊断时的状态，加上医生所要接待病人数量大，检查拍摄图片多，造成患者等候时间长，医生也容易存在漏诊或诊断不准的情况。同时由于同级医院临床科室医生及基层医院医生的影像专业知识经验不足，自己不能及时对医疗影像图片做出影像精准诊断报告，必将延迟对患者的诊断及治疗。
发明内容
本发明要解决的技术问题是为了克服现有技术中医疗影像图片出片后用户获知解读信息费时费力，导致用户体验度差的缺陷，提供一种能够方便用户及时获知其拍摄的医疗影像图片的解读信息的医疗影像图片的处理方法和计算机可读存储介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明第一方面提供了一种医疗影像图片的处理方法，应用于智能终端，所述处理方法包括以下步骤：
获取与所述医疗影像图片绑定的识别码；
扫描所述识别码获取所述医疗影像图片对应的识别信息并发送至服务器；
接收所述服务器基于所述识别信息查询后获取的所述医疗影像图片；
发送所述医疗影像图片或所述识别信息至云端以请求进行影像分析；
接收所述云端反馈的第一分析结果；
所述第一分析结果为所述云端基于训练好的神经网络模型对所述医疗影像图片进行分析后得到的结果；
所述训练好的神经网络模型基于样本图像和金标准训练得到。
较佳地，所述处理方法还包括以下步骤：
发送所述医疗影像图片或所述第一分析结果至病例数据库；
接收所述病例数据库反馈的相似病例的参考信息；
所述相似病例为所述病例数据库基于所述医疗影像图片或所述第一分析结果查找到的相似的历史病例。
较佳地，所述处理方法还包括以下步骤：
响应用户选择所述医疗影像图片的目标区域的指令；
发送所述医疗影像图片的目标区域至所述云端以请求进行针对所述目标区域的影像分析；
接收所述云端反馈的第二分析结果；
所述第二分析结果为所述云端识别所述目标区域并调用训练好的神经网络模型进行分析后得到的结果。
较佳地，所述识别码为医疗影像设备在拍摄完所述医疗影像图片后自动生成的二维码。
较佳地，所述第一分析结果包括肺部报告，所述肺部报告包括肺结节的大小、数量和位置。
较佳地，所述参考信息包括治疗方式、注意事项、发病年龄段、性别、恢复周期、预警和量化分析中的至少一种。
较佳地，所述目标区域为预设的疾病类型对应的区域，所述疾病类型包括肺结节、骨折、肿瘤中的一种。
较佳地，所述处理方法还包括以下步骤：
接收所述云端反馈的随访结果；
所述随访结果为所述云端将所述第一分析结果和所述医疗影像图片对应的用户的历史第一分析结果对比后的结果。
较佳地，所述神经网络模型为卷积神经网络模型，和/或，所述医疗影像图片为CT(Computed Tomography，电子计算机断层扫描)图片或核磁共振图片。
本发明第二方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的医疗影像图片的处理方法的步骤。
本发明第三方面提供了一种医疗影像图片的处理***，所述处理***包括：
第一获取模块，用于获取与所述医疗影像图片绑定的识别码；
第二获取模块，用于扫描所述识别码获取所述医疗影像图片对应的识别信息并发送至服务器；
第一接收模块，用于接收所述服务器基于所述识别信息查询后获取的所述医疗影像图片；
第一发送模块，用于发送所述医疗影像图片或所述识别信息至云端以请求进行影像分析；
第二接收模块，用于接收所述云端反馈的第一分析结果；
所述第一分析结果为所述云端基于训练好的神经网络模型对所述医疗影像图片进行分析后得到的结果；
所述训练好的神经网络模型基于样本图像和金标准训练得到。
较佳地，所述处理***还包括：
第二发送模块，用于发送所述医疗影像图片或所述第一分析结果至病例数据库；
第三接收模块，用于接收所述病例数据库反馈的相似病例的参考信息；
所述相似病例为所述病例数据库基于所述医疗影像图片或所述第一分析结果查找到的相似的历史病例。
较佳地，所述处理***还包括：
响应模块，用于响应用户选择所述医疗影像图片的目标区域的指令；
第三发送模块，用于发送所述医疗影像图片的目标区域至所述云端以请求进行针对所述目标区域的影像分析；
第四接收模块，用于接收所述云端反馈的第二分析结果；
所述第二分析结果为所述云端识别所述目标区域并调用训练好的神经网络模型进行分析后得到的结果。
较佳地，所述识别码为医疗影像设备在拍摄完所述医疗影像图片后自动生成的二维码。
较佳地，所述第一分析结果包括肺部报告，所述肺部报告包括肺结节的大小、数量和位置。
较佳地，所述参考信息包括治疗方式、注意事项、发病年龄段、性别、恢复周期、预警和量化分析中的至少一种。
较佳地，所述目标区域为预设的疾病类型对应的区域，所述疾病类型包括肺结节、骨折、肿瘤中的一种。
较佳地，所述处理***还包括：
第五接收模块，用于接收所述云端反馈的随访结果；
所述随访结果为所述云端将所述第一分析结果和所述医疗影像图片对应的用户的历史第一分析结果对比后的结果。
较佳地，所述神经网络模型为卷积神经网络模型，和/或，所述医疗影像图片为CT图片或核磁共振图片。
本发明第四方面提供了一种智能终端，所述智能终端包括如第三方面所述的医疗影像图片的处理***。
较佳地，所述智能终端为智能手机或智能平板。
本发明的积极进步效果在于：与现有技术相比，本发明实现了用户通过智能终端等设备扫描识别码后就能够及时从服务器获取拍摄的医疗影像图片，并能够基于训练好的神经网络模型识别该医疗影像图片对应的分析结果，方便用户及时获知其拍摄的医疗影像图片的解读信息，提前了解自身健康状况。
进一步的，本发明还能够根据获取的医疗影像图片经智能终端等设备获取相似病例，了解预后，可清楚意识到自身疾病，提高防范意识。
进一步的，本发明还实现了用户在智能终端等设备上提取的医疗影像图片中还可以自主点击想要诊断的区域，或者想要诊断的疾病类型，通过训练好的神经网络模型对该选中区域或疾病类型再次进行诊断，让用户通过一次拍摄就能了解到除特定检查区域外、其它相近身体器官或部位的健康状况，并提早预警，防止诊断的疏漏。
进一步的，本发明还在智能终端等设备上实现了随访功能，能够将该医疗影像图片和用户先前的影像记录进行对比，分析用户的症状是否恶化或改善。
附图说明
图1为本发明实施例1的医疗影像图片的处理方法的流程图。
图2为本发明实施例3的医疗影像图片的处理***的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
下述实施例基于智能终端、云端和医疗影像设备所在医院的服务器端间的交互实现，三者之间的通信方式利用现有的网络实现，例如移动互联网，具体实现方式不做限定。具体实现时，服务器也可以不设置在医院内，云端也可以和服务器端合二为一，二者的具体实现方式为现有技术，不能构成对本申请实施例的任何限制。
实施例1
如图1所示，本实施例提供了一种医疗影像图片的处理方法，应用于智能终端，如手机，医疗影像图片可以为X光片、CT图片，也可以为核磁共振图片，该处理方法包括以下步骤：
步骤101、获取与医疗影像图片绑定的识别码；该识别码为医疗影像设备在拍摄完医疗影像图片后自动生成的二维码。
步骤102、扫描二维码获取医疗影像图片对应的识别信息并发送至服务器。
步骤103、接收服务器基于识别信息查询后获取的医疗影像图片。
步骤104、发送医疗影像图片或识别信息至云端以请求进行影像分析。
本步骤中，当发送至云端的为识别信息时，云端可以通过与服务器端交互获取服务器基于识别信息查询后获取的医疗影像图片。
步骤105、接收云端反馈的第一分析结果；第一分析结果为云端基于训练好的神经网络模型对医疗影像图片进行分析后得到的结果；训练好的神经网络模型基于样本图像和金标准训练得到。其中，样本图像可以为历史医疗影像图片，金标准可以为历史医疗影像图片对应的诊断或者随访等。本实施例中，第一分析结果为肺部报告，具体包括肺结节的大小、数量和位置。
本实施例中，神经网络模型采用卷积神经网络模型。需要说明的是，在其它可选实施方式中也可以采用现有的其他神经网络模型，如深度学习算法模型，只要能够实现对医疗影像图片进行识别，得出初步诊断结果即可。
使用样本图像和金标准训练神经网络模型的方式为现有技术。当金标准为诊断时，将样本图像输入至待训练的神经网络模型，基于对应的诊断进行模型训练，以得到训练后的神经网络模型，该训练后的神经网络模型用于对新的医疗影像图片进行分析得到对应的诊断。当金标准为随访时，将样本图像输入至待训练的神经网络模型，基于对应的随访进行模型训练，以得到训练后的神经网络模型，该训练后的神经网络模型用于对新的医疗影像图片进行分析得到对应的随访。
步骤106、发送医疗影像图片或第一分析结果至病例数据库。
步骤107、接收病例数据库反馈的相似病例的参考信息，参考信息包括治疗方式、注意事项、发病年龄段、性别、恢复周期、预警和量化分析中的至少一种。相似病例为病例数据库基于医疗影像图片或第一分析结果查找到的相似的历史病例。
具体实现过程中，病例数据库可以通过将第一分析结果与病例数据库中存储的诊断报告进行比对，也可以将医疗影像图片与病例数据库中存储的影像图片进行比对，比对图片时可以是对分割后的影像病灶比对，也可以对影像图片整体进行对比。病例数据库端查找的实现方式本实施例不做具体限定，只要病例数据库能够实现反馈相似病例的参考信息即可。
步骤108、响应用户选择医疗影像图片的目标区域的指令；目标区域可以为具体的某个部位，例如脊椎区域，也可以为预设的疾病类型对应的区域，疾病类型包括肺结节、骨折、肿瘤等等。
步骤109、发送医疗影像图片的目标区域至云端以请求进行针对目标区域的影像分析。
步骤110、接收云端反馈的第二分析结果；第二分析结果为云端先识别目标区域，然后再调用训练好的神经网络模型进行分析后得到的结果。
在其它可选实施方式中，还可以包括以下步骤：接收云端反馈的随访结果；随访结果为云端将第一分析结果和医疗影像图片对应的用户的历史第一分析结果对比后的结果。本实施例实现了随访功能，能够将该医疗影像图片和用户先前的影像记录进行对比，分析用户的症状是否恶化或改善。
本实施例提供的医疗影像图片的处理方法实现了用户通过智能终端扫描识别码后就能够及时从服务器获取拍摄的医疗影像图片，并能够基于训练好的神经网络模型识别该医疗影像图片对应的分析结果，方便用户及时获知其拍摄的医疗影像图片的解读信息，提前了解自身健康状况。
本实施例还能够根据获取的医疗影像图片经智能终端获取相似病例，了解预后，可清楚意识到自身疾病，提高防范意识。
本实施例还实现了用户在智能终端上提取的医疗影像图片中还可以自主点击想要诊断的区域，或者想要诊断的疾病类型，通过训练好的神经网络模型对该选中区域或疾病类型再次进行诊断，让用户通过一次拍摄就能了解到除特定检查区域外、其它相近身体器官或部位的健康状况，并提早预警，防止诊断的疏漏。
实施例2
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1中医疗影像图片的处理方法的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1中医疗影像图片的处理方法的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
实施例3
如图2所示，本实施例提供了一种医疗影像图片的处理***，用于智能终端，如手机，该处理***包括：
第一获取模块1，用于获取与医疗影像图片绑定的识别码。识别码为医疗影像设备在拍摄完医疗影像图片后自动生成的二维码。
第二获取模块2，用于扫描识别码获取医疗影像图片对应的识别信息并发送至服务器。
第一接收模块3，用于接收服务器基于识别信息查询后获取的医疗影像图片。
第一发送模块4，用于发送医疗影像图片或识别信息至云端以请求进行影像分析。
第二接收模块5，用于接收云端反馈的第一分析结果。第一分析结果为云端基于训练好的神经网络模型对医疗影像图片进行分析后得到的结果。训练好的神经网络模型基于样本图像和金标准训练得到。其中，样本图像可以为历史医疗影像图片，金标准可以为历史医疗影像图片对应的诊断或者随访等。本实施例中，第一分析结果为肺部报告，具体包括肺结节的大小、数量和位置。
本实施例中，神经网络模型采用卷积神经网络模型。需要说明的是，在其它可选实施方式中也可以采用现有的其他神经网络模型，如深度学习算法模型，只要能够实现对医疗影像图片进行识别，得出初步诊断结果即可。
第二发送模块6，用于发送医疗影像图片或第一分析结果至病例数据库。
第三接收模块7，用于接收病例数据库反馈的相似病例的参考信息，参考信息包括治疗方式、注意事项、发病年龄段、性别、恢复周期、预警和量化分析中的至少一种。相似病例为病例数据库基于医疗影像图片或第一分析结果查找到的相似的历史病例。
响应模块8，用于响应用户选择医疗影像图片的目标区域的指令。目标区域可以为具体的某个部位，例如脊椎区域，也可以为预设的疾病类型对应的区域，疾病类型包括肺结节、骨折、肿瘤等等。
第三发送模块9，用于发送医疗影像图片的目标区域至云端以请求进行针对目标区域的影像分析。
第四接收模块10，用于接收云端反馈的第二分析结果。第二分析结果为云端识别目标区域并调用训练好的神经网络模型进行分析后得到的结果。
第五接收模块11，用于接收云端反馈的随访结果；随访结果为云端将第一分析结果和医疗影像图片对应的用户的历史第一分析结果对比后的结果。本实施例实现了随访功能，能够将该医疗影像图片和用户先前的影像记录进行对比，分析用户的症状是否恶化或改善。
本实施例提供的医疗影像图片的处理***实现了用户通过智能终端扫描识别码后就能够及时从服务器获取拍摄的医疗影像图片，并能够基于训练好的神经网络模型识别该医疗影像图片对应的分析结果，方便用户及时获知其拍摄的医疗影像图片的解读信息，提前了解自身健康状况。
本实施例还能够根据获取的医疗影像图片经智能终端获取相似病例，了解预后，可清楚意识到自身疾病，提高防范意识。
本实施例还实现了用户在智能终端上提取的医疗影像图片中还可以自主点击想要诊断的区域，或者想要诊断的疾病类型，通过训练好的神经网络模型对该选中区域或疾病类型再次进行诊断，让用户通过一次拍摄就能了解到除特定检查区域外、其它相近身体器官或部位的健康状况，并提早预警，防止诊断的疏漏。
本实施例提供的医疗影像图片的处理***使得用户在拍片后可以直接扫描二维码，查看或提取个人拍摄的医疗影像图片以及人工智能诊断的结果。并且用户可以手机点击医疗影像图片的某个区域或想诊断的相关疾病类型，可从云端的分析平台直接获得由经训练的神经网络模型分析所得出的诊断结果。进一步的，还可以和用户已有的之前的拍摄图像进行比对，同时调出病例库中其它病况相似病例的数据、治疗方式和注意事项等，让用户能够第一时间了解自身健康状况。具体实施时也可以将第一分析结果、第二分析结果等反馈给医生，可以加快医生诊断过程，提高医生诊断质量，减轻医生负担。
实施例4
本实施例提供了一种智能终端，该智能终端包括实施例3所述的医疗影像图片的处理***。智能终端可以为智能手机，也可以为智能平板，本实施例中智能终端为智能手机，医疗影像图片的处理***具体的实现形式为安装在智能手机中的APP(Application，应用程序)，该APP可以储存用户的个人信息，健康状况报告以及医疗影像图片等。
用户使用本实施例提供的智能手机，可以通过其中安装的APP获取CT设备或核磁共振设备生成的与用户拍摄的医疗影像图片绑定的二维码，通过扫描二维码获取医疗影像图片对应的识别信息。APP将该识别信息发送至对应的服务器，从而实现了不用去医院通过智能手机第一时间获取拍摄的医疗影像图片。具体为，用户拍片后，在医疗影像设备上自动生成一个二维码。用户登录手机APP上的个人账号，通过手机扫码可即时读取个人已拍摄的医疗影像图片。进一步的，可以通过APP向云端请求利用训练好的神经网络模型进行影像分析，以及利用数据库，获取相似病例，了解预后，量化分析，预警等情况。譬如，将APP上的医疗影像图片及个人信息等上传到云端，经云端后台的大型计算机通过人工智能算法和云计算处理后将分析结果反馈给APP端，供用户如患者或医生查看。经训练的神经网络模型分析后得到的结果的精准度不低于专业影像学科医生的影像诊断报告，能够实现快速精准诊断及治疗。如果该医疗影像图片是针对肺部拍摄的，患者能够得到一个初步的肺部诊断报告，具体实施过程中还可以量化地给出肺结节的具体大小，数量，以及所在具***置等。
本发明提出了一种利用人工智能技术，通过训练后的神经网络模型对所拍摄的医疗影像图片进行识别，也可以根据用户需求选择对所拍摄的医疗影像图片如X片中某一个分区进行诊断，通过APP直接传输给用户。
本发明还实现了针对用户拍摄的多次医疗影像图片进行随访分析，并将随访结果反馈给用户。通过该APP的随访功能，能够将该医疗影像图片和患者之前拍摄过的图片和诊断结果进行分析比对，例如对于肺结节的患者，通过该随访功能能够确定肺结节的数量是否减少，大小是否改变，发病区域是否扩散或缩小，及时跟进患者的病情。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种医疗影像图片的处理方法，其特征在于，应用于智能终端，所述处理方法包括以下步骤：
获取与所述医疗影像图片绑定的识别码；
扫描所述识别码获取所述医疗影像图片对应的识别信息并发送至服务器；
接收所述服务器基于所述识别信息查询后获取的所述医疗影像图片；
发送所述医疗影像图片或所述识别信息至云端以请求进行影像分析；
接收所述云端反馈的第一分析结果；
所述第一分析结果为所述云端基于训练好的神经网络模型对所述医疗影像图片进行分析后得到的结果；
所述训练好的神经网络模型基于样本图像和金标准训练得到。
2.如权利要求1所述的医疗影像图片的处理方法，其特征在于，所述处理方法还包括以下步骤：
发送所述医疗影像图片或所述第一分析结果至病例数据库；
接收所述病例数据库反馈的相似病例的参考信息；
所述相似病例为所述病例数据库基于所述医疗影像图片或所述第一分析结果查找到的相似的历史病例。
3.如权利要求1所述的医疗影像图片的处理方法，其特征在于，所述处理方法还包括以下步骤：
响应用户选择所述医疗影像图片的目标区域的指令；
发送所述医疗影像图片的目标区域至所述云端以请求进行针对所述目标区域的影像分析；
接收所述云端反馈的第二分析结果；
所述第二分析结果为所述云端识别所述目标区域并调用训练好的神经网络模型进行分析后得到的结果。
4.如权利要求1所述的医疗影像图片的处理方法，其特征在于，所述识别码为医疗影像设备在拍摄完所述医疗影像图片后自动生成的二维码。
5.如权利要求1所述的医疗影像图片的处理方法，其特征在于，所述第一分析结果包括肺部报告，所述肺部报告包括肺结节的大小、数量和位置。
6.如权利要求2所述的医疗影像图片的处理方法，其特征在于，所述参考信息包括治疗方式、注意事项、发病年龄段、性别、恢复周期、预警和量化分析中的至少一种。
7.如权利要求3所述的医疗影像图片的处理方法，其特征在于，所述目标区域为预设的疾病类型对应的区域，所述疾病类型包括肺结节、骨折、肿瘤中的一种。
8.如权利要求1所述的医疗影像图片的处理方法，其特征在于，所述处理方法还包括以下步骤：
接收所述云端反馈的随访结果；
所述随访结果为所述云端将所述第一分析结果和所述医疗影像图片对应的用户的历史第一分析结果对比后的结果。
9.如权利要求1所述的医疗影像图片的处理方法，其特征在于，所述神经网络模型为卷积神经网络模型，和/或，所述医疗影像图片为CT图片或核磁共振图片。
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如权利要求1至9任一项所述的医疗影像图片的处理方法的步骤。
CN202011412788.9A 2020-12-03 2020-12-03 医疗影像图片的处理方法和计算机可读存储介质 Pending CN112530580A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011412788.9A CN112530580A (zh) 2020-12-03 2020-12-03 医疗影像图片的处理方法和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011412788.9A CN112530580A (zh) 2020-12-03 2020-12-03 医疗影像图片的处理方法和计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN112530580A true CN112530580A (zh) 2021-03-19

Family

ID=74997757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011412788.9A Pending CN112530580A (zh) 2020-12-03 2020-12-03 医疗影像图片的处理方法和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112530580A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114400075A (zh) * 2022-01-18 2022-04-26 平安好医投资管理有限公司 影像文件处理方法、装置及设备和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372390A (zh) * 2016-08-25 2017-02-01 姹ゅ钩 一种基于深度卷积神经网络的预防肺癌自助健康云服务***
CN107292120A (zh) * 2017-08-16 2017-10-24 安徽影联乐金信息科技有限公司 一种自助获取电子胶片的***和方法
CN108231145A (zh) * 2016-12-22 2018-06-29 上海哲康医学科技有限公司 获得附带二维码和条形码的医学影像诊断报告的方法
CN108229979A (zh) * 2018-01-24 2018-06-29 亳州职业技术学院 基于微信小程序与深度学习技术的西洋参品鉴助手
CN108510495A (zh) * 2018-04-09 2018-09-07 沈阳东软医疗***有限公司 一种基于人工智能的肺部影像数据处理方法、装置及***
CN109769079A (zh) * 2018-12-28 2019-05-17 苏州承泽医疗科技有限公司 一种医学图像传输方法
CN109830284A (zh) * 2017-11-23 2019-05-31 天启慧眼(北京)信息技术有限公司 医学影像的分析方法及装置
CN110427954A (zh) * 2019-07-26 2019-11-08 中国科学院自动化研究所 基于肿瘤影像的多区域的影像组学特征提取方法
WO2020037454A1 (zh) * 2018-08-20 2020-02-27 深圳市全息医疗科技有限公司 智能辅助诊疗***及方法
CN111899865A (zh) * 2020-07-15 2020-11-06 医渡云（北京）技术有限公司 医疗信息的推荐方法、装置、介质及电子设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372390A (zh) * 2016-08-25 2017-02-01 姹ゅ钩 一种基于深度卷积神经网络的预防肺癌自助健康云服务***
CN108231145A (zh) * 2016-12-22 2018-06-29 上海哲康医学科技有限公司 获得附带二维码和条形码的医学影像诊断报告的方法
CN107292120A (zh) * 2017-08-16 2017-10-24 安徽影联乐金信息科技有限公司 一种自助获取电子胶片的***和方法
CN109830284A (zh) * 2017-11-23 2019-05-31 天启慧眼(北京)信息技术有限公司 医学影像的分析方法及装置
CN108229979A (zh) * 2018-01-24 2018-06-29 亳州职业技术学院 基于微信小程序与深度学习技术的西洋参品鉴助手
CN108510495A (zh) * 2018-04-09 2018-09-07 沈阳东软医疗***有限公司 一种基于人工智能的肺部影像数据处理方法、装置及***
WO2020037454A1 (zh) * 2018-08-20 2020-02-27 深圳市全息医疗科技有限公司 智能辅助诊疗***及方法
CN109769079A (zh) * 2018-12-28 2019-05-17 苏州承泽医疗科技有限公司 一种医学图像传输方法
CN110427954A (zh) * 2019-07-26 2019-11-08 中国科学院自动化研究所 基于肿瘤影像的多区域的影像组学特征提取方法
CN111899865A (zh) * 2020-07-15 2020-11-06 医渡云（北京）技术有限公司 医疗信息的推荐方法、装置、介质及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘继兰 主编: "《国际标准 中国实践：JCI+HIMSS标准的中国故事》", 光明日报出版社, pages: 307 - 311 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114400075A (zh) * 2022-01-18 2022-04-26 平安好医投资管理有限公司 影像文件处理方法、装置及设备和存储介质

Similar Documents

Publication Publication Date Title
US20210158531A1 (en) Patient Management Based On Anatomic Measurements
KR101818074B1 (ko) 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템
KR102289277B1 (ko) 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법
JP2019153250A (ja) 医療文書作成支援装置、方法およびプログラム
JP2009157527A (ja) 医用画像処理装置、医用画像処理方法ならびにプログラム
CN107978362B (zh) 在医院网络中利用数据分布的查询
CN112599225A (zh) 用于确定在医疗过程中使用的方案的方案拟定客户端
US10783637B2 (en) Learning data generation support apparatus, learning data generation support method, and learning data generation support program
CN111583249B (zh) 一种医学图像的质量监控***及方法
US20200311938A1 (en) Platform for evaluating medical information and method for using the same
CN111986182A (zh) 辅助诊断方法、***、电子设备及存储介质
CN113841171A (zh) 用于使临床工作流程决策自动化并生成优先读取指示符的***和方法
US10860894B2 (en) Learning data generation support apparatus, operation method of learning data generation support apparatus, and learning data generation support program
US11837346B2 (en) Document creation support apparatus, method, and program
JP2024009342A (ja) 文書作成支援装置、方法およびプログラム
CN115719334A (zh) 基于人工智能的医学影像评价方法、装置、设备及介质
CN111226287B (zh) 用于分析医学成像数据集的方法、***、程序产品和介质
JP7102999B2 (ja) 情報収集処理装置、情報収集処理方法及びプログラム
EP3544020A1 (en) Automatic analysis of a large patient population using medical imaging data
CN112530580A (zh) 医疗影像图片的处理方法和计算机可读存储介质
JP2023504026A (ja) 医用イメージング・システムにおける自動式プロトコル指定
US11574726B2 (en) Image analysis method for multicenter study and system thereof
KR102337031B1 (ko) 복수의 폐질환을 스크리닝하기 위한 의료 영상 재구성 장치 및 방법
WO2021193548A1 (ja) 文書作成支援装置、方法およびプログラム
CN110622255B (zh) 用于通过综合下游需求来确定阅读环境的设备、***和方法

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