CN113707279A - 医学影像图片的辅助分析方法、装置、计算机设备及介质 - Google Patents
医学影像图片的辅助分析方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN113707279A CN113707279A CN202111014602.9A CN202111014602A CN113707279A CN 113707279 A CN113707279 A CN 113707279A CN 202111014602 A CN202111014602 A CN 202111014602A CN 113707279 A CN113707279 A CN 113707279A
- Authority
- CN
- China
- Prior art keywords
- picture
- medical image
- focus
- medical
- case
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 61
- 230000001575 pathological effect Effects 0.000 claims abstract description 74
- 238000012986 modification Methods 0.000 claims abstract description 61
- 230000004048 modification Effects 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 50
- 201000010099 disease Diseases 0.000 claims description 61
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 61
- 230000003902 lesion Effects 0.000 claims description 42
- 230000008859 change Effects 0.000 claims description 39
- 238000010801 machine learning Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003068 static effect 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/0016—Operational features thereof
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/0016—Operational features thereof
- A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Ophthalmology & Optometry (AREA)
- Evolutionary Computation (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及医学影像的图片分析领域,揭示了一种医学影像图片的辅助分析方法、装置、计算机设备及存储介质,方法包括:识别医疗终端上传的医学影像图片,得到所述医学影像图片中满足所述病理特征的位置信息;根据所述位置信息在所述医学影像图片上进行病灶勾勒,得到包括病灶区域的病灶勾勒信息图片;输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示,以在所述显示屏上的病灶勾勒信息图片的病灶区域边缘生成编辑框;在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框生成病灶框;根据所述病灶框生成病例图片,并关联医护人员的电子签名生成病例报告。本申请能够提高提高医学影像图片的辅助分析的效率。
Description
技术领域
本申请涉及到医学影像的数据增广领域,特别是涉及到一种医学影像图片的辅助分析方法、装置、计算机设备及存储介质。
背景技术
随着互联网技术的发展,医疗领域也逐步地应用互联网技术进行辅助诊断,如在线问诊,而在需要通过医学设备才能进行诊断的领域,目前仍然依赖医生对医学设备采集的图片进行分析后才能进行诊断。例如目前市面上的OCT设备,大多依赖医生人工阅片,或者由OCT设备自身输出图片中的异常区域,且OCT设备的图像规格多种多样,导致目前对于医学影像图片的阅片难度大、效率低,医务工作人员很难根据医学影像图片快速、准确地对病灶进行诊断。
发明内容
本申请的主要目的为提供一种医学影像图片的辅助分析方法、装置、计算机设备及存储介质,旨在解决目前在医学影像图片分析效率低的问题。
为了实现上述发明目的,本申请提出一种医学影像图片的辅助分析方法,包括:
通过基于机器学习获得的病理特征识别医疗终端上传的医学影像图片,得到所述医学影像图片中满足所述病理特征的位置信息;
根据所述位置信息在所述医学影像图片上进行病灶勾勒,得到包括病灶区域的病灶勾勒信息图片;
输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示,以在所述显示屏上的病灶勾勒信息图片的病灶区域边缘生成编辑框;
在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,基于满足预设要求的所述编辑变化值与所述编辑框生成病灶框;
根据所述病灶框生成病例图片,并关联所述病例图片与医护人员的电子签名生成病例报告。
进一步地,所述病理特征的获得步骤,包括:
获取原始医学影像图片,将所述原始医学影像图片划分为训练集与测试集,所述原始医学影像图片包含了已被标记的发病区域;
将所述测试集中的医学影像图片进行图像分割处理,得到若干张区域图像;
将所述区域图像进行归一化处理,识别所述区域图像中的发病区域与非发病区域的整体图像特征,以及发病区域与非发病区域的连接处的连接图像特征;
基于监督网络与深度学习网络对所述整体图像特征与所述连接图像特征进行学习,得到候选病理特征;
基于所述测试集对所述候选病理特征进行验证,并修改所述候选病理特征直至所述候选病理特征满足预设准确率要求,得到病理特征。
进一步地,所述在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,基于满足预设要求的所述编辑变化值与所述编辑框所述生成病灶框,包括:
在接收到医护人员在显示屏上的触摸修改操作时,获取所述触摸修改操作包含的第一像素点的第一坐标;
获取所述编辑框的第二像素点的第二坐标;
根据所述第一坐标与所述第二坐标计算编辑变化值;
选取使得所述编辑变化值最小的第二像素点作为目标像素点;
将所述编辑框的所述目标像素点替换为所述第一像素点,生成病灶框。
进一步地,所述输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示之后,还包括:
建立所述医学影像图片与所述病灶勾勒信息图片的联动展示关系;
当接收到医护人员在显示屏上的对所述医学影像图片或所述病灶勾勒信息图片的操作指令后,根据所述操作指令及所述联动展示关系同时对所述医学影像图片与所述病灶勾勒信息图片进行联动处理,并展示在所述显示屏上。
进一步地,所述通过基于机器学习获得的病理特征识别医疗终端上传的医学影像图片之前,还包括:
获取医疗终端上传的第一格式的图片数据;
识别所述医疗终端的类型,基于所述医疗终端的类型匹配第一格式的转化规则;
基于所述转化规则将所述第一格式的图片数据转化,得到医疗终端上传的医学影像图片。
进一步地,所述根据所述病灶框生成病例图片,并关联所述病例图片与医护人员的电子签名生成病例报告,包括:
根据所述病灶框生成病例图片;
获取所述医学影像图片对应的病例信息;
获取预设的病例报告模板,将所述医学影像图片、所述病例信息及所述病例图片与医护人员的电子签名分别写入所述病例报告模板,生成病例报告。
进一步地,所述将所述医学影像图片、所述病例信息及所述病例图片与医护人员的电子签名关联后生成病例报告之后,还包括:
将所述病例信息作为区块的头部信息,将所述病例报告作为区块的内容信息写入病例区块链中。
本申请还提供一种医学影像图片的辅助分析装置,包括:
病理识别模块,用于通过基于机器学习获得的病理特征识别医疗终端上传的医学影像图片,得到所述医学影像图片中满足所述病理特征的位置信息;
病灶勾勒模块,用于根根据所述位置信息在所述医学影像图片上进行病灶勾勒,得到包括病灶区域的病灶勾勒信息图片;
图像输出模块,用于输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示,以在所述显示屏上的病灶勾勒信息图片的病灶区域边缘生成编辑框;
病灶修改模块,用于在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,基于满足预设要求的所述编辑变化值与所述编辑框生成病灶框;
病例生成模块,用于根据所述病灶框生成病例图片,并关联所述病例图片与医护人员的电子签名生成病例报告。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述医学影像图片的辅助分析方法的步骤。
本申请还提供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上述任一项所述医学影像图片的辅助分析方法的步骤。
本申请例提供了一种医学影像图片的识别与辅助分析方法,首先获取医疗终端上传的医学影像图片,然后通过机器学习对大量已知发病区域的医学影像图片进行学习,从而确定发病区域的医学影像图片的特征,获得病理特征,基于所述病理特征识别所述医学影像图片,得到所述医学影像图片中满足所述病理特征的位置信息,从而通过机器识别快速确定医学影像图片中可能的发病区域,再根据所述位置信息在所述医学影像图片上进行病灶勾勒,得到包括病灶区域的病灶勾勒信息图片,然后输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示,以在所述显示屏上的病灶勾勒信息图片的病灶区域边缘生成编辑框,方便医护人员进行阅片,方便医护人员通过所述编辑框在所述病灶勾勒信息图片上进行病灶区域的修改,在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,基于满足预设要求的所述编辑变化值与所述编辑框生成病灶框,根据所述病灶框生成病例图片,并关联所述病例图片与医护人员的电子签名生成病例报告,表征医护人员完成阅片,并在阅片结束后,生成一个带医护人员电子签名的已核实的病例报告。所述病例报告具有人工智能的机器分析得到的疾病分析结果,也具有医护人员的专业分析得到的疾病分析结果,能够更加精准的展示医学影像图片中带有病灶的位置,从而提高医学影像图片中病灶区域的正确性,更加有助于医生准确的分析出病症提高医学影像图片的辅助分析的效率,提高阅片的效率。
附图说明
图1为本申请医学影像图片的辅助分析方法的一实施例流程示意图;
图2为本申请医学影像图片的辅助分析装置的一实施例结构示意图;
图3为本申请计算机设备的一实施例结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请实施例提供一种医学影像图片的辅助分析方法,包括步骤S10-S50,对于所述医学影像图片的辅助分析方法的各个步骤的详细阐述如下。
S10、通过基于机器学习获得的病理特征识别医疗终端上传的医学影像图片,得到所述医学影像图片中满足所述病理特征的位置信息。
本实施例应用于医学图像识别及病例辅助分析场景,随着数字化的不断发展,医学领域应用计算机辅助医生识别各类医学图像,本实施例通过开发辅助诊断平台,包括用于辅助医生对眼科医学影像图片的识别与分析,首先获取医疗终端上传的医学影像图片(DICOM,Digital Imaging and Communications in Medicine),辅助诊断平台接入医疗终端,所述医疗终端包括OCT(Optical Coherence Tomography,光学相干断层扫描仪)设备,所述OCT设备采集眼睛图像作为医学影像图片,然后上传至辅助诊断平台,辅助诊断平台从而获取OCT设备上传的眼睛医学影像图片。
在获取医疗终端上传的医学影像图片之后,基于机器学习获得的病理特征识别医疗终端上传的所述医学影像图片,具体的,通过机器学习对大量已知发病区域的医学影像图片进行学习,从所述已知发病区域的医学影像图片识别发病区域处的图像特征以及发病区域与未发病区域的连接处的图像特征,从而确定发病区域的医学影像图片的特征,将所述发病区域的医学影像图片的特征定义为病理特征,基于获得的病理特征便可识别得到所述医学影像图片中满足所述病理特征的位置信息,从而通过机器识别快速确定医学影像图片中可能的发病区域。
S20、根据所述位置信息在所述医学影像图片上进行病灶勾勒,得到包括病灶区域的病灶勾勒信息图片。
本实施例中,为了能够快速地阅读医学影像图片中的病灶区域,根据所述位置信息在所述医学影像图片进行病灶勾勒,所述位置信息包括医学影像图片中满足所述病理特征的区域的位置坐标以及发病区域与非发病区域的连接处的位置坐标,根据所述位置信息在所述医学影像图片的对应区域进行标记,例如将所述医学影像图片的所述位置信息处以红色凸出显示,被标记的区域即为病灶,从而在所述医学影像图片勾勒病灶,即在所述医学影像图片绘制可能的发病区域,从而生成病灶勾勒信息图片。
S30、输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示,以在所述显示屏上的病灶勾勒信息图片的病灶区域边缘生成编辑框。
本实施例中,在根据所述位置信息在所述医学影像图片进行病灶勾勒,得到包括病灶区域的病灶勾勒信息图片之后,将所述医学影像图片及所述病灶勾勒信息图片输出至显示屏上显示,方便医护人员进行阅片,即输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示,并且,为了方便医护人员对所述病灶勾勒信息图片进行编辑,在所述显示屏上的病灶勾勒信息图片的病灶区域边缘生成编辑框,可以通过所述编辑框在所述病灶勾勒信息图片上进行病灶区域的修改,以方便对病灶区域的修改,从而提高医学影像图片的辅助分析效率。
S40、在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,基于满足预设要求的所述编辑变化值与所述编辑框生成病灶框。
本实施例中,在输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示,以在所述显示屏上的病灶勾勒信息图片的病灶区域边缘生成编辑框之后,可以通过所述病灶框在所述病灶勾勒信息图片修改病灶区域,即在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,即计算所述触摸修改操作对于所述编辑框的修改变化值,将所述修改变化值定义为编辑变化值,然后再基于满足预设要求的所述编辑变化值与所述编辑框生成病灶框,在一种实施方式中,选取数值最小的编辑变化值,然后根据所述编辑变化值与所述编辑框生成病灶框,从而完成医学影像图片在发病区域的修改,提高医学影像图片在发病区域的修改准确率与效率。
进一步的,本实施例还在显示屏上输出显示所述医学影像图片,并且在所述显示屏的所述医学影像图片的区域生成病灶绘制框,可以通过所述病灶绘制框在医学影像图片进行病灶区域的绘制,即在接收到医护人员在显示屏上医学影像图片区域的绘制操作时,得到所述绘制操作对应的标注数据,根据所述标注数据在所述确定医学影像图片生成病灶区域,完成病灶区域的绘制。
S50、根据所述病灶框生成病例图片,并关联所述病例图片与医护人员的电子签名生成病例报告。
本实施例中,在基于满足预设要求的所述编辑变化值与所述编辑框生成病灶框之后,根据所述病灶框生成病例图片,即基于修改后的病灶框确定病灶信息,根据所述病灶信息生成病例图片,从而生成医护人员阅片后的病例图片,再并将所述病例图片与医护人员的电子签名关联生成病例报告,包括获取医护人员的电子签名,基于所述电子签名可以确认医护人员完成对医学影像图片的阅片、修改,得到病例图片,然后将所述病例图片与医护人员的电子签名关联后生成病例报告,即在阅片结束后,生成一个带医护人员电子签名的病例报告,即得到所述医学影像图片的疾病分析结果,一方面是确认医护人员完成阅片,另一方面是确认医护人员的身份信息,使得所述病例报告不仅具有人工智能的机器分析得到的病灶信息,也具有医护人员的专业分析得到的病灶信息,从而提高病灶区域的正确性,提高生成的病例报告的准确性,提高医学影像图片的辅助分析的效率。
本实施例提供一种医学影像图片的识别与辅助分析方法,首先获取医疗终端上传的医学影像图片,然后通过机器学习对大量已知发病区域的医学影像图片进行学习,从而确定发病区域的医学影像图片的特征,获得病理特征,基于所述病理特征识别所述医学影像图片,得到所述医学影像图片中满足所述病理特征的位置信息,从而通过机器识别快速确定医学影像图片中可能的发病区域,再根据所述位置信息在所述医学影像图片上进行病灶勾勒,得到包括病灶区域的病灶勾勒信息图片,然后输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示,以在所述显示屏上的病灶勾勒信息图片的病灶区域边缘生成编辑框,方便医护人员进行阅片,方便医护人员通过所述编辑框在所述病灶勾勒信息图片上进行病灶区域的修改,在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,基于满足预设要求的所述编辑变化值与所述编辑框生成病灶框,根据所述病灶框生成病例图片,并关联所述病例图片与医护人员的电子签名生成病例报告,表征医护人员完成阅片,并在阅片结束后,生成一个带医护人员电子签名的已核实的病例报告。所述病例报告具有人工智能的机器分析得到的疾病分析结果,也具有医护人员的专业分析得到的疾病分析结果,能够更加精准的展示医学影像图片中带有病灶的位置,从而提高医学影像图片中病灶区域的正确性,更加有助于医生准确的分析出病症提高医学影像图片的辅助分析的效率,提高阅片的效率。
在一个实施例中,所述病理特征的获得步骤,包括:
获取原始医学影像图片,将所述原始医学影像图片划分为训练集与测试集,所述原始医学影像图片包含了已被标记的发病区域;
将所述测试集中的医学影像图片进行图像分割处理,得到若干张区域图像;
将所述区域图像进行归一化处理,识别所述区域图像中的发病区域与非发病区域的整体图像特征,以及发病区域与非发病区域的连接处的连接图像特征;
基于监督网络与深度学习网络对所述整体图像特征与所述连接图像特征进行学习,得到候选病理特征;
基于所述测试集对所述候选病理特征进行验证,并修改所述候选病理特征直至所述候选病理特征满足预设准确率要求,得到病理特征。
本实施例中,所述病理特征的获取步骤具体为,首先进行数据获取,从数据库中获取原始医学影像图片,将一部分的原始医学影像图片作为训练集,将剩余部分的原始医学影像图片作为测试集,且所述原始医学影像图片包含了已被标记的发病区域,将所述训练集中的医学影像图片进行图像分割处理,得到若干张区域图像,例如将所述医学影像图片分割以x像素*x像素为最小单元图像进行划分,获得x像素*x像素大小的若干张区域图像,然后将所述区域图像进行归一化处理,使用OpenCV识别所述区域图像中的发病区域与非发病区域的整体图像特征,所述整体图像特征包括图像强度、面积、纹理、形状等信息,以及发病区域与非发病区域的连接处的连接图像特征,所述连接图像特征同样包括图像强度、面积、纹理、形状等信息,在一种实施方式中,使用OpenCV获取原始医学影像图片已被标记的发病区域中像素点的位置坐标,然后提取每一个像素点的图像强度信息,若图像为单通道图像,则将单通道的像素灰度值作为该像素点的图像强度值,即图像强度信息;若图像为多通道图像,则计算各个单通道的像素灰度值的平均值作为该像素点的图像强度值。另外,根据所述像素点的位置坐标确定像素点是否相邻,然后将相邻的像素点进行联结,从而获取联结后的像素点,并确定联结后的像素点的面积;进一步的,根据联结后的像素点匹配该联结后的像素点的形状以及纹理;通过上述方式对原始医学影像图片包含了已被标记的发病区域进行处理,从而得到整体图像特征及连接图像特征。然后基于监督网络与深度学习网络对所述整体图像特征与所述连接图像特征进行特征学习,将训练集的数据输入至神经网络中,设定像素点的信息与发病信息的关联参数,然后对所述图像强度、面积、纹理、形状进行学习,得到候选病理特征,从而获取发病区域的图像特征以及发病区域与非发病区域的连接处的图像特征,得到候选病理特征,再通过所述测试集候选病理特征进行交叉验证,具体的,基于所述候选病理特征对所述测试集中的原始医学影像图片进行识别,得到测试集中的原始医学影像图片满足所述病理特征的发病区域,再与测试集中的原始医学影像图片的已被标记的发病区域进行对比,从而修正候选病理特征,修改所述关联参数,直至所述候选病理特征满足预设准确率要求,完成病理特征的学习,从而得到病理特征。
在一个实施例中,所述在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,基于满足预设要求的所述编辑变化值与所述编辑框所述生成病灶框,包括:
在接收到医护人员在显示屏上的触摸修改操作时,获取所述触摸修改操作包含的第一像素点的第一坐标;
获取所述编辑框的第二像素点的第二坐标;
根据所述第一坐标与所述第二坐标计算编辑变化值;
选取使得所述编辑变化值最小的第二像素点作为目标像素点;
将所述编辑框的所述目标像素点替换为所述第一像素点,生成病灶框。
本实施例中,在对病灶区域修改的过程中,首先在接收到医护人员在显示屏上的触摸修改操作时,获取所述触摸修改操作包含的第一像素点的第一坐标,即获取在病灶勾勒信息图片上进行病灶区域修改的像素点及其坐标,即医护人员在显示屏上上的触摸修改操作的坐标,在根据所述修改信息与所述编辑框计算编辑变化值的过程中,获取所述编辑框的第二像素点的第二坐标,根据所述第一坐标与所述第二坐标计算编辑变化值,即计算编辑框的原始坐标向量以及将编辑框中的任意像素点替换为所述第一像素点后编辑框的目标坐标向量,基于所述原始坐标向量与所述目标坐标向量得到编辑变化值,再基于满足预设要求的所述编辑变化值与所述编辑框所述生成病灶框,具体的,选取使得所述编辑变化值最小的第二像素点作为目标像素点,将所述编辑框的所述目标像素点替换为所述第一像素点,生成病灶框,即根据所述最小的编辑变化值确定与所述修改的第一像素点对应的编辑框中的目标像素点,将该些目标像素点的坐标更改为对应的第一像素点的第一坐标,然后根据进行坐标转换,映射到所述病灶勾勒信息图片上,从而对病灶区域进行修改,提高病灶区域修改的准确性,并且还可以记录每一次病灶框的修改过程,完成数据的追溯。
在一个实施例中,所述输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示之后,还包括:
建立所述医学影像图片与所述病灶勾勒信息图片的联动展示关系;
当接收到医护人员在显示屏上的对所述医学影像图片或所述病灶勾勒信息图片的操作指令后,根据所述操作指令及所述联动展示关系同时对所述医学影像图片与所述病灶勾勒信息图片进行联动处理,并展示在所述显示屏上。
本实施例中,在输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示之后,为了方便医护人员进行阅片、对比,建立所述医学影像图片与所述病灶勾勒信息图片的联动展示关系,当接收到医护人员在显示屏上的对所述医学影像图片或所述病灶勾勒信息图片的操作指令后,根据所述操作指令及所述联动展示关系同时对所述医学影像图片与所述病灶勾勒信息图片进行联动处理,并展示在所述显示屏上,即所述医学影像图片与所述病灶勾勒信息图片联动展示,当对所述医学影像图片或所述病灶勾勒信息图片的任一图片进行操作时,所述医学影像图片与所述病灶勾勒信息图片同时响应,所述操作包括支持图像缩放,平移,翻页,调整亮度与对比度,反色,将彩色图像转灰度图像,生成伪彩图像等操作,即一个窗口操作时当前布局所有窗口同时改变,包括色彩调整如色彩增强,反色,伪彩,灰度等、图片缩略等操作,从而方便对医学影像图片与所述病灶勾勒信息图片进行对比,提高阅片的效率。
在一个实施例中,所述通过基于机器学习获得的病理特征识别医疗终端上传的医学影像图片之前,还包括:
获取医疗终端上传的第一格式的图片数据;
识别所述医疗终端的类型,基于所述医疗终端的类型匹配第一格式的转化规则;
基于所述转化规则将所述第一格式的图片数据转化,得到医疗终端上传的医学影像图片。
本实施例中,辅助诊断平台可以接入不同的医疗终端,并且配置辅助诊断平台可以识别不同医疗终端的图片数据,具体的,在通过基于机器学***台中,从而基于所述转化规则将所述第一格式的图片数据进行转化,得到医疗终端上传的医学影像图片,使得辅助诊断平台可以对接不同类型的医疗终端,获取不同类型的医疗终端所上传的图片数据,从而提高医学影像图片的辅助分析的可用性、广泛性及效率。
在一个实施例中,所述根据所述病灶框生成病例图片,并关联所述病例图片与医护人员的电子签名生成病例报告,包括:
根据所述病灶框生成病例图片;
获取所述医学影像图片对应的病例信息;
获取预设的病例报告模板,将所述医学影像图片、所述病例信息及所述病例图片与医护人员的电子签名分别写入所述病例报告模板,生成病例报告。
本实施例中,在将所述病例图片与医护人员的电子签名关联后生成病例报告的过程中,还获取所述医学影像图片对应的病例信息,即获取所述医学影像图片的患者的详细信息,包括姓名、联系方式等信息,将所述患者的详细信息定义为病例信息,然后将所述医学影像图片、所述病例信息及所述病例图片与医护人员的电子签名关联后生成病例报告,在一种实施方式中,获取预设的病例报告模板,即根据已获取的信息选取相匹配的病例报告模板,所述病例报告模板中配置了所述病例信息、医学影像图片、病例图片、医护人员的电子签名等各项信息的写入位置及写入格式,并且按照对应的写入位置及写入格式将所述病例信息、医学影像图片、病例图片、医护人员的电子签名分别写入至所述病例报告模板中,从而将所述病例信息、医学影像图片、病例图片、医护人员的电子签名等各项信息进行关联,并且生成完整的可供病人或外部人员阅读的病例报告,提高病例报告的关联性与完整性。
在一个实施例中,所述将所述医学影像图片、所述病例信息及所述病例图片与医护人员的电子签名关联后生成病例报告之后,还包括:
将所述病例信息作为区块的头部信息,将所述病例报告作为区块的内容信息写入病例区块链中。
本实施例中,在将所述医学影像图片、所述病例信息及所述病例图片与医护人员的电子签名关联后生成病例报告之后,为了对病例数据进行溯源以及保证病例数据不轻易被篡改,将所述病例信息作为区块的头部信息,根据所述头部信息快速定位指定的区块,并且将所述病例报告作为区块的内容信息,然后写入病例区块链中。在病例区块链中,根据头部信息定位指定的区块,当定位到区块后,核实电子签名后即可查看所述区块的内容信息,即查看所述病例报告,并且,对于同一个患者指定为同一个区块,可以在区块链中对患者不同阶段的病例报告进行追溯,保证病例报告的数据追溯与不可篡改,并且基于电子签名实现对病例报告的保密,提高病例报告的安全性。
参照图2,本申请还提供一种医学影像图片的辅助分析装置,包括:
病理识别模块10,用于通过基于机器学习获得的病理特征识别医疗终端上传的医学影像图片,得到所述医学影像图片中满足所述病理特征的位置信息;
病灶勾勒模块20,用于根根据所述位置信息在所述医学影像图片上进行病灶勾勒,得到包括病灶区域的病灶勾勒信息图片;
图像输出模块30,用于输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示,以在所述显示屏上的病灶勾勒信息图片的病灶区域边缘生成编辑框;
病灶修改模块40,用于在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,基于满足预设要求的所述编辑变化值与所述编辑框生成病灶框;
病例生成模块50,用于根据所述病灶框生成病例图片,并关联所述病例图片与医护人员的电子签名生成病例报告。
如上所述,可以理解地,本申请中提出的所述医学影像图片的辅助分析装置的各组成部分可以实现如上所述医学影像图片的辅助分析方法任一项的功能。
在一个实施例中,所述病理识别模块还用于获取病理特征,包括:
获取原始医学影像图片,将所述原始医学影像图片划分为训练集与测试集,所述原始医学影像图片包含了已被标记的发病区域;
将所述测试集中的医学影像图片进行图像分割处理,得到若干张区域图像;
将所述区域图像进行归一化处理,识别所述区域图像中的发病区域与非发病区域的整体图像特征,以及发病区域与非发病区域的连接处的连接图像特征;
基于监督网络与深度学习网络对所述整体图像特征与所述连接图像特征进行学习,得到候选病理特征;
基于所述测试集对所述候选病理特征进行验证,并修改所述候选病理特征直至所述候选病理特征满足预设准确率要求,得到病理特征。
在一个实施例中,所述病灶修改模块40执行在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,基于满足预设要求的所述编辑变化值与所述编辑框所述生成病灶框,包括执行:
在接收到医护人员在显示屏上的触摸修改操作时,获取所述触摸修改操作包含的第一像素点的第一坐标;
获取所述编辑框的第二像素点的第二坐标;
根据所述第一坐标与所述第二坐标计算编辑变化值;
选取使得所述编辑变化值最小的第二像素点作为目标像素点;
将所述编辑框的所述目标像素点替换为所述第一像素点,生成病灶框。
在一个实施例中,所述图像输出模块30执行输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示之后,还包括执行:
建立所述医学影像图片与所述病灶勾勒信息图片的联动展示关系;
当接收到医护人员在显示屏上的对所述医学影像图片或所述病灶勾勒信息图片的操作指令后,根据所述操作指令及所述联动展示关系同时对所述医学影像图片与所述病灶勾勒信息图片进行联动处理,并展示在所述显示屏上。
在一个实施例中,所述装置还包括数据转化模块,用于执行:
获取医疗终端上传的第一格式的图片数据;
识别所述医疗终端的类型,基于所述医疗终端的类型匹配第一格式的转化规则;
基于所述转化规则将所述第一格式的图片数据转化,得到医疗终端上传的医学影像图片。
在一个实施例中,所述病例生成模块50执行根据所述病灶框生成病例图片,并关联所述病例图片与医护人员的电子签名生成病例报告,包括执行:
根据所述病灶框生成病例图片;
获取所述医学影像图片对应的病例信息;
获取预设的病例报告模板,将所述医学影像图片、所述病例信息及所述病例图片与医护人员的电子签名分别写入所述病例报告模板,生成病例报告。
在一个实施例中,所述病例生成模块50执行将所述医学影像图片、所述病例信息及所述病例图片与医护人员的电子签名关联后生成病例报告之后,还包括执行:
将所述病例信息作为区块的头部信息,将所述病例报告作为区块的内容信息写入病例区块链中。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是移动终端,其内部结构可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和显示装置及输入装置。其中,该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的输入装置用于接收用户的输入。该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括存储介质。该存储介质存储有操作***、计算机程序和数据库。该计算机设备的数据库用于存放数据。该计算机程序被处理器执行时以实现一种医学影像图片的辅助分析方法。
上述处理器执行上述的医学影像图片的辅助分析方法,包括:通过基于机器学习获得的病理特征识别医疗终端上传的医学影像图片,得到所述医学影像图片中满足所述病理特征的位置信息;根据所述位置信息在所述医学影像图片上进行病灶勾勒,得到包括病灶区域的病灶勾勒信息图片;输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示,以在所述显示屏上的病灶勾勒信息图片的病灶区域边缘生成编辑框;在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,基于满足预设要求的所述编辑变化值与所述编辑框生成病灶框;根据所述病灶框生成病例图片,并关联所述病例图片与医护人员的电子签名生成病例报告。
所述计算机设备提供了一种医学影像图片的识别与辅助分析方法,首先获取医疗终端上传的医学影像图片,然后通过机器学习对大量已知发病区域的医学影像图片进行学习,从而确定发病区域的医学影像图片的特征,获得病理特征,基于所述病理特征识别所述医学影像图片,得到所述医学影像图片中满足所述病理特征的位置信息,从而通过机器识别快速确定医学影像图片中可能的发病区域,再根据所述位置信息在所述医学影像图片上进行病灶勾勒,得到包括病灶区域的病灶勾勒信息图片,然后输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示,以在所述显示屏上的病灶勾勒信息图片的病灶区域边缘生成编辑框,方便医护人员进行阅片,方便医护人员通过所述编辑框在所述病灶勾勒信息图片上进行病灶区域的修改,在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,基于满足预设要求的所述编辑变化值与所述编辑框生成病灶框,根据所述病灶框生成病例图片,并关联所述病例图片与医护人员的电子签名生成病例报告,表征医护人员完成阅片,并在阅片结束后,生成一个带医护人员电子签名的已核实的病例报告。所述病例报告具有人工智能的机器分析得到的疾病分析结果,也具有医护人员的专业分析得到的疾病分析结果,能够更加精准的展示医学影像图片中带有病灶的位置,从而提高医学影像图片中病灶区域的正确性,更加有助于医生准确的分析出病症提高医学影像图片的辅助分析的效率,提高阅片的效率。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被所述处理器执行时实现一种医学影像图片的辅助分析方法,包括步骤:通过基于机器学习获得的病理特征识别医疗终端上传的医学影像图片,得到所述医学影像图片中满足所述病理特征的位置信息;根据所述位置信息在所述医学影像图片上进行病灶勾勒,得到包括病灶区域的病灶勾勒信息图片;输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示,以在所述显示屏上的病灶勾勒信息图片的病灶区域边缘生成编辑框;在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,基于满足预设要求的所述编辑变化值与所述编辑框生成病灶框;根据所述病灶框生成病例图片,并关联所述病例图片与医护人员的电子签名生成病例报告。
所述计算机可读存储介质提供了一种医学影像图片的识别与辅助分析方法,首先获取医疗终端上传的医学影像图片,然后通过机器学习对大量已知发病区域的医学影像图片进行学习,从而确定发病区域的医学影像图片的特征,获得病理特征,基于所述病理特征识别所述医学影像图片,得到所述医学影像图片中满足所述病理特征的位置信息,从而通过机器识别快速确定医学影像图片中可能的发病区域,再根据所述位置信息在所述医学影像图片上进行病灶勾勒,得到包括病灶区域的病灶勾勒信息图片,然后输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示,以在所述显示屏上的病灶勾勒信息图片的病灶区域边缘生成编辑框,方便医护人员进行阅片,方便医护人员通过所述编辑框在所述病灶勾勒信息图片上进行病灶区域的修改,在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,基于满足预设要求的所述编辑变化值与所述编辑框生成病灶框,根据所述病灶框生成病例图片,并关联所述病例图片与医护人员的电子签名生成病例报告,表征医护人员完成阅片,并在阅片结束后,生成一个带医护人员电子签名的已核实的病例报告。所述病例报告具有人工智能的机器分析得到的疾病分析结果,也具有医护人员的专业分析得到的疾病分析结果,能够更加精准的展示医学影像图片中带有病灶的位置,从而提高医学影像图片中病灶区域的正确性,更加有助于医生准确的分析出病症提高医学影像图片的辅助分析的效率,提高阅片的效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。
非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围。
凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种医学影像图片的辅助分析方法,其特征在于,包括:
通过基于机器学习获得的病理特征识别医疗终端上传的医学影像图片,得到所述医学影像图片中满足所述病理特征的位置信息;
根据所述位置信息在所述医学影像图片上进行病灶勾勒,得到包括病灶区域的病灶勾勒信息图片;
输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示,以在所述显示屏上的病灶勾勒信息图片的病灶区域边缘生成编辑框;
在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,基于满足预设要求的所述编辑变化值与所述编辑框生成病灶框;
根据所述病灶框生成病例图片,并关联所述病例图片与医护人员的电子签名生成病例报告。
2.根据权利要求1所述的医学影像图片的辅助分析方法,其特征在于,所述病理特征的获得步骤,包括:
获取原始医学影像图片,将所述原始医学影像图片划分为训练集与测试集,所述原始医学影像图片包含了已被标记的发病区域;
将所述测试集中的医学影像图片进行图像分割处理,得到若干张区域图像;
将所述区域图像进行归一化处理,识别所述区域图像中的发病区域与非发病区域的整体图像特征,以及发病区域与非发病区域的连接处的连接图像特征;
基于监督网络与深度学习网络对所述整体图像特征与所述连接图像特征进行学习,得到候选病理特征;
基于所述测试集对所述候选病理特征进行验证,并修改所述候选病理特征直至所述候选病理特征满足预设准确率要求,得到病理特征。
3.根据权利要求1所述的医学影像图片的辅助分析方法,其特征在于,所述在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,基于满足预设要求的所述编辑变化值与所述编辑框所述生成病灶框,包括:
在接收到医护人员在显示屏上的触摸修改操作时,获取所述触摸修改操作包含的第一像素点的第一坐标;
获取所述编辑框的第二像素点的第二坐标;
根据所述第一坐标与所述第二坐标计算编辑变化值;
选取使得所述编辑变化值最小的第二像素点作为目标像素点;
将所述编辑框的所述目标像素点替换为所述第一像素点,生成病灶框。
4.根据权利要求1所述的医学影像图片的辅助分析方法,其特征在于,所述输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示之后,还包括:
建立所述医学影像图片与所述病灶勾勒信息图片的联动展示关系;
当接收到医护人员在显示屏上的对所述医学影像图片或所述病灶勾勒信息图片的操作指令后,根据所述操作指令及所述联动展示关系同时对所述医学影像图片与所述病灶勾勒信息图片进行联动处理,并展示在所述显示屏上。
5.根据权利要求1所述的医学影像图片的辅助分析方法,其特征在于,所述通过基于机器学习获得的病理特征识别医疗终端上传的医学影像图片之前,还包括:
获取医疗终端上传的第一格式的图片数据;
识别所述医疗终端的类型,基于所述医疗终端的类型匹配第一格式的转化规则;
基于所述转化规则将所述第一格式的图片数据转化,得到医疗终端上传的医学影像图片。
6.根据权利要求1所述的医学影像图片的辅助分析方法,其特征在于,所述根据所述病灶框生成病例图片,并关联所述病例图片与医护人员的电子签名生成病例报告,包括:
根据所述病灶框生成病例图片;
获取所述医学影像图片对应的病例信息;
获取预设的病例报告模板,将所述医学影像图片、所述病例信息及所述病例图片与医护人员的电子签名分别写入所述病例报告模板,生成病例报告。
7.根据权利要求6所述的医学影像图片的辅助分析方法,其特征在于,所述将所述医学影像图片、所述病例信息及所述病例图片与医护人员的电子签名关联后生成病例报告之后,还包括:
将所述病例信息作为区块的头部信息,将所述病例报告作为区块的内容信息写入病例区块链中。
8.一种医学影像图片的辅助分析装置,其特征在于,包括:
病理识别模块,用于通过基于机器学习获得的病理特征识别医疗终端上传的医学影像图片,得到所述医学影像图片中满足所述病理特征的位置信息;
病灶勾勒模块,用于根根据所述位置信息在所述医学影像图片上进行病灶勾勒,得到包括病灶区域的病灶勾勒信息图片;
图像输出模块,用于输出所述医学影像图片及所述病灶勾勒信息图片并在显示屏上显示,以在所述显示屏上的病灶勾勒信息图片的病灶区域边缘生成编辑框;
病灶修改模块,用于在接收到医护人员在显示屏上的触摸修改操作时,根据所述触摸修改操作与所述编辑框计算编辑变化值,基于满足预设要求的所述编辑变化值与所述编辑框生成病灶框;
病例生成模块,用于根据所述病灶框生成病例图片,并关联所述病例图片与医护人员的电子签名生成病例报告。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述医学影像图片的辅助分析方法的步骤。
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权利要求1至7中任一项所述医学影像图片的辅助分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111014602.9A CN113707279B (zh) | 2021-08-31 | 2021-08-31 | 医学影像图片的辅助分析方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111014602.9A CN113707279B (zh) | 2021-08-31 | 2021-08-31 | 医学影像图片的辅助分析方法、装置、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113707279A true CN113707279A (zh) | 2021-11-26 |
CN113707279B CN113707279B (zh) | 2024-07-19 |
Family
ID=78658177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111014602.9A Active CN113707279B (zh) | 2021-08-31 | 2021-08-31 | 医学影像图片的辅助分析方法、装置、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113707279B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114530224A (zh) * | 2022-01-18 | 2022-05-24 | 深圳市智影医疗科技有限公司 | 基于医学影像的诊断报告辅助生成方法及*** |
CN114782337A (zh) * | 2022-04-08 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的oct图像推荐方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100131873A1 (en) * | 2008-11-25 | 2010-05-27 | General Electric Company | Clinical focus tool systems and methods of use |
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
CN109460756A (zh) * | 2018-11-09 | 2019-03-12 | 天津新开心生活科技有限公司 | 医学影像处理方法、装置、电子设备及计算机可读介质 |
CN109509183A (zh) * | 2018-10-31 | 2019-03-22 | 上海联影医疗科技有限公司 | 医学图像的筛选方法、装置、医学设备、医学影像***及存储介质 |
CN111047610A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 病灶区域呈现方法和装置 |
CN111124233A (zh) * | 2019-12-27 | 2020-05-08 | 杭州依图医疗技术有限公司 | 医学影像的显示方法、交互方法及存储介质 |
-
2021
- 2021-08-31 CN CN202111014602.9A patent/CN113707279B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100131873A1 (en) * | 2008-11-25 | 2010-05-27 | General Electric Company | Clinical focus tool systems and methods of use |
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
CN109509183A (zh) * | 2018-10-31 | 2019-03-22 | 上海联影医疗科技有限公司 | 医学图像的筛选方法、装置、医学设备、医学影像***及存储介质 |
CN109460756A (zh) * | 2018-11-09 | 2019-03-12 | 天津新开心生活科技有限公司 | 医学影像处理方法、装置、电子设备及计算机可读介质 |
CN111124233A (zh) * | 2019-12-27 | 2020-05-08 | 杭州依图医疗技术有限公司 | 医学影像的显示方法、交互方法及存储介质 |
CN111047610A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 病灶区域呈现方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114530224A (zh) * | 2022-01-18 | 2022-05-24 | 深圳市智影医疗科技有限公司 | 基于医学影像的诊断报告辅助生成方法及*** |
CN114782337A (zh) * | 2022-04-08 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的oct图像推荐方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113707279B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741346B (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN113707279B (zh) | 医学影像图片的辅助分析方法、装置、计算机设备及介质 | |
CN111291629A (zh) | 图像中文本的识别方法、装置、计算机设备及计算机存储介质 | |
CN109671068B (zh) | 一种基于深度学习的腹部肌肉标注方法及装置 | |
CN110717449A (zh) | 车辆年检人员的行为检测方法、装置和计算机设备 | |
CN114862845A (zh) | 手机触摸屏的缺陷检测方法、装置、设备及存储介质 | |
CN115641323A (zh) | 医学图像自动标注的方法及装置 | |
CN105354405A (zh) | 基于机器学习的免疫组化图像自动化判读*** | |
CN112464802A (zh) | 一种玻片样本信息的自动识别方法、装置和计算机设备 | |
CN113807364A (zh) | 一种基于三光融合成像的电力设备缺陷检测方法及*** | |
JP2002245441A (ja) | 人物像抽出装置 | |
CN111311602A (zh) | 中医面诊的嘴唇图像分割装置及方法 | |
CN110910409B (zh) | 一种灰度图像处理方法、装置和计算机可读存储介质 | |
JPH11306325A (ja) | 対象物検出装置及び対象物検出方法 | |
US12039768B2 (en) | Method and system for anonymizing facial images | |
CN113793316B (zh) | 一种超声扫查区域提取方法、装置、设备和存储介质 | |
EP4345741A1 (en) | Image content extraction method and apparatus, and terminal and storage medium | |
CN114842492A (zh) | 一种关键信息抽取方法、装置、存储介质与电子设备 | |
CN114708237A (zh) | 一种用于头发健康状况的检测算法 | |
CN112330652A (zh) | 基于深度学习的染色体识别方法、装置和计算机设备 | |
CN111325732B (zh) | 面部残留物检测方法及相关设备 | |
CN115496748B (zh) | 小肠图像的肠段识别方法、装置及存储介质 | |
CN111080594B (zh) | 切片标记确定方法、计算机设备和可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220928 Address after: 518000 Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Liwan Community, Nanshan Street, Nanshan District, Shenzhen, Guangdong, China Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant |