CN113487621A - 医学图像分级方法、装置、电子设备及可读存储介质 - Google Patents
医学图像分级方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113487621A CN113487621A CN202110570809.8A CN202110570809A CN113487621A CN 113487621 A CN113487621 A CN 113487621A CN 202110570809 A CN202110570809 A CN 202110570809A CN 113487621 A CN113487621 A CN 113487621A
- Authority
- CN
- China
- Prior art keywords
- medical image
- grading
- segmentation
- result
- focus
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 130
- 238000000605 extraction Methods 0.000 claims abstract description 67
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000003902 lesion Effects 0.000 claims description 53
- 238000001514 detection method Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 34
- 238000013135 deep learning Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 10
- 238000003491 array Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 206010038934 Retinopathy proliferative Diseases 0.000 description 20
- 208000037111 Retinal Hemorrhage Diseases 0.000 description 16
- 208000032843 Hemorrhage Diseases 0.000 description 14
- 230000000740 bleeding effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 229920000742 Cotton Polymers 0.000 description 4
- 208000034698 Vitreous haemorrhage Diseases 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 210000004220 fundus oculi Anatomy 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能决策领域，揭露一种医学图像分级方法，包括：利用预构建的特征提取网络对待分级医学图像进行特征提取，得到特征图；对特征图进行分类识别及结果统计，得到分类结果；利用预构建的病灶分割网络对特征图进行区域分割及面积计算，得到分割结果；将分类结果与分割结果进行特征匹配，得到特征信息；利用预构建的第一分级模型对待分级医学图像进行分级，得到第一分级结果；利用预构建的第二分级模型对特征信息及第一分级结果进行分级矫正，得到目标分级结果。本发明还涉及一种区块链技术，所述待分级医学图像可以存储在区块链节点中。本发明还提出一种医学图像分级装置、电子设备以及存储介质。本发明可以提高医学图像分级的准确率。
Description
技术领域
本发明涉及智能决策领域，尤其涉及一种医学图像分级方法、装置、电子设备及可读存储介质。
背景技术
随着人工智能的发展，图像的识别作为人工智能的重要组成部分应用到了各个领域，比如将图像识别应用在医学领域对医学图像进行识别从而判断疾病的严重等级，如对眼底彩超图像进行分级，以判断糖尿病视网膜病变的程度等。
但是，目前图像分级方法只能依靠单一的图像识别模型对医学图像进行分级，特征维度较少，导致图像分级的准确率较差。
发明内容
本发明提供一种医学图像分级方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高医学图像分级的准确率。
为实现上述目的，本发明提供的一种医学图像分级方法，包括：
获取待分级医学图像，利用预构建的病灶检测模型中的特征提取网络对所述待分级医学图像进行特征提取，得到特征图；
对所述特征图进行分类识别及结果统计，得到分类结果；
利用所述病灶检测模型中的病灶分割网络对所述特征图进行区域分割及面积计算，得到分割结果；
将所述分类结果与所述分割结果进行特征匹配，得到特征信息；
利用预构建的第一分级模型对所述待分级医学图像进行分级，得到第一分级结果；
利用预构建的第二分级模型对所述特征信息及所述第一分级结果进行分级矫正，得到目标分级结果。
可选地，所述利用预构建的病灶检测模型中的特征提取网络对所述待分级医学图像进行特征提取，得到特征图，包括：
对所述待分级医学图像执行卷积池化操作，得到初始特征图；
标记所述初始特征图中的感兴趣区域，得到特征图。
可选地，所述利用预构建的病灶检测模型中的特征提取网络对所述待分级医学图像进行特征提取之前，所述方法还包括：
获取历史医学图像集，对所述历史医学图像集进行标签标记，得到第一训练图像集；
利用所述第一训练图像集对预构建的第一深度学习网络模型进行迭代训练，得到所述病灶检测模型。
可选地，所述对所述历史医学图像集进行标签标记，包括：
对所述历史医学图像集中每个历史医学图像中的病灶进行病灶区域划分，得到目标区域；
利用所述预设病灶类别标签对每个所述历史医学图像中的每个所述目标区域进行病灶类别标记。
可选地，所述利用预构建的第一分级模型对所述待分级医学图像进行分级，得到第一分级结果之前，所述方法还包括：
对所述历史医学图像集进行预设分级标签标记，得到第二训练图像集；
利用所述第二训练图像集对预构建的第二深度学习网络模型进行迭代训练，得到所述第一分级模型。
可选地，所述利用所述病灶检测模型中的病灶分割网络对所述特征图进行区域分割及面积计算，得到分割结果，包括：
对所述特征图进行区域分割，得到多个分割区域；
计算每个所述分割区域与所述待分级医学图像的面积比值，得到所述分割区域对应的相对面积；
汇总所有的分割区域及每个分割区域对应的相对面积，得到所述分割结果。
可选地，所述将所述分类结果与所述分割结果进行特征匹配，得到特征信息，包括：
将所述分类结果与所述分割结果进行匹配关联，得到所述分割结果中每个相对面积对应的病灶类别；
将所述分割结果中相同病灶类别对应的所有所述相对面积进行求和，得到对应的分割区域总面积；
将所述分割区域总面积与对应的病灶类别进行组合，得到匹配数组；
将所有匹配数组随机进行组合，得到所述特征信息。
为了解决上述问题，本发明还提供一种医学图像分级装置，所述装置包括：
特征匹配模块，用于获取待分级医学图像，利用预构建的病灶检测模型中的特征提取网络对所述待分级医学图像进行特征提取，得到特征图；对所述特征图进行分类识别及结果统计，得到分类结果；利用所述病灶检测模型中的病灶分割网络对所述特征图进行区域分割及面积计算，得到分割结果；将所述分类结果与所述分割结果进行特征匹配，得到特征信息；
图像分级模块，用于利用预构建的第一分级模型对所述待分级医学图像进行分级，得到第一分级结果；
分级矫正模块，用于利用预构建的第二分级模型对所述特征信息及所述第一分级结果进行分级矫正，得到目标分级结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的医学图像分级方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的医学图像分级方法。
本发明实施例获取待分级医学图像，利用预构建的病灶检测模型中的特征提取网络对所述待分级医学图像进行特征提取，得到特征图；对所述特征图进行分类识别及结果统计，得到分类结果；利用所述病灶检测模型中的病灶分割网络对所述特征图进行区域分割及面积计算，得到分割结果；将所述分类结果与所述分割结果进行特征匹配，得到特征信息，利用多个维度进行特征提取，提取的特征信息更准确详细；利用预构建的第一分级模型对所述待分级医学图像进行分级，得到第一分级结果；利用预构建的第二分级模型对所述特征信息及所述第一分级结果进行分级矫正，得到目标分级结果，对第一次分级的结果进行再次矫正，提高了分级的准确率。因此，本发明实施例提出的医学图像分级方法、装置、电子设备及计算机可读存储介质提高了医学图像分级的准确率。
附图说明
图1为本发明一实施例提供的医学图像分级方法的流程示意图；
图2为本发明一实施例提供的医学图像分级装置的模块示意图；
图3为本发明一实施例提供的实现医学图像分级方法的电子设备的内部结构示意图；
本发明目的的实现、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
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种医学图像分级方法。所述医学图像分级方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述医学图像分级方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的医学图像分级方法的流程示意图，在本发明实施例中，所述医学图像分级方法包括：
S1、获取待分级医学图像，利用预构建病灶检测模型中的特征提取网络对所述待分级医学图像进行特征提取，得到特征图；
可选地，本发明实施例中所述待分级医学图像为眼底彩超图像，所述病灶检测模型包括：特征提取网络、病灶分类网络、病灶分割网络。其中，所述特征提取网络用于特征提取，所述病灶分类网络用于病灶分类，所述病灶分割网络用于病灶区域分割。
详细地，本发明实施例中利用所述特征提取网络中初始特征提取网络对所述待分级医学图像执行卷积池化操作得到初始特征图；利用所述特征提取网络中的区域提取网络标记所述初始特征图中的感兴趣区域，得到特征图。
可选地，本发明实施例中所述初始特征提取网络为卷积神经网络，所述区域提取网络为RPN(Region Proposal Network，区域建议网络)。
进一步地，本发明实施例中利用病灶检测模型中的特征提取网络对所述待分级医学图像进行特征提取之前还包括：获取历史医学图像集，对所述历史医学图像集进行预设标签标记，得到第一训练图像集；利用所述第一训练图像集对预构建的第一深度学习网络模型进行迭代训练，得到所述病灶检测模型。其中，所述历史医学图像集包含多个历史医学图像，所述历史医学图像为与所述待分级图像类型相同内容不同的医学图像。
详细地，本发明实施例对所述历史医学图像集进行预设标签标记，得到第一训练图像集，包括：对所述历史医学图像集中每个历史医学图像中的病灶进行病灶区域标记，得到目标区域，对每个所述历史医学图像中的每个所述目标区域进行病灶类别标记，得到第一训练图像集；可选地，所述预设病灶区域包括微血管瘤区域、出血区域、硬渗区域、棉絮斑区域、激光斑区域、新生血管区域、玻璃体出血区域、视网膜前出血区域、纤维膜区域；所述预设病灶类别与所述预设病灶区域是一一对应的，包括：微血管瘤病灶、出血病灶、硬渗病灶、棉絮斑病灶、激光斑病灶、新生血管病灶、玻璃体出血病灶、视网膜前出血病灶、纤维膜病灶，如目标区域为激光斑区域那么将该区域标记为激光斑病灶。
进一步地，所述病灶检测模型是由第一深度模型训练得到的，因此，所述第一深度学习模型与所述病灶检测模型具有相同的网络结构，因此，所述第一深度学习模型也包括：特征提取网络、病灶分类网络、病灶分割网络。
详细地，本发明实施例中利用所述第一训练图像集对预构建的第一深度学习网络模型进行迭代训练，得到所述病灶检测模型，其中，所述第一深度学习网络模型为Mask-RCNN模型，包括：
步骤A：利用所述第一深度学习网络模型中的特征提取网络对所述第一训练图像集中的每一张图像进行卷积池化，并将卷积池化后的图像进行感兴趣区域标记，得到历史特征图；
可选地，本发明实施例中所述特征提取网络包含初始特征提取网络及区域提取网络；其中，所述初始特征提取网络为卷积神经网络，所述区域提取网络为RPN(RegionProposal Network，区域建议网络)。
详细地，本发明实施例中利用初始特征提取网络进行卷积池化，利用所述区域提取网络进行感兴趣区域标记。
步骤B：利用所述第一深度学习网络模型中的病灶分类网络对所述历史特征图中的感兴趣区域进行边界框标记预测及分类预测，得到边界框预测坐标及分类预测值；
步骤C：根据所述历史特征图对应的历史历史特征图像标记的病灶区域，得到边界框真实坐标；根据所述历史特征图对应的历史历史特征图像标记的病灶类别，得到分类真实值；
例如：标记的病灶类别为激光斑病灶，那么对应的激光斑病灶的分类真实值为1。
步骤D：根据所述分类预测值与所述分类真实值，利用预设的第一损失函数进行计算，得到第一损失值；根据所述边界框真实坐标与所述边界框预测坐标，利用预设的第二损失函数进行计算，得到第二损失函数。
可选地，本发明实施例中所述第一损失函数或所述第二损失函数可以为交叉熵损失函数。
可选地，本发明实施例中所述病灶分割网络包含全连接层及softmax网络。
步骤E：利用所述第一深度学习网络模型中的病灶分割网络对所述历史特征图进行区域分割预测，得到每个区域对应的像素总数预测值及区域边缘像素个数预测值；
可选地，本发明实施例中所述病灶分割网络为全卷积网络。
步骤F：根据所述历史特征图对应的历史历史特征图像标记的病灶区域，得到对应区域的像素总数真实值及区域边缘像素个数真实值；
步骤G：根据每个区域的所述像素总数预测值及区域边缘像素个数预测值与对应区域的像素总数真实值及区域边缘像素个数真实值，利用预设的第三损失函数进行计算，得到第三损失值；将所述第一损失值、所述第二损失值及所述第三损失值进行求和计算，得到目标损失值；
可选地，本发明实施例中，所述第三损失函数为交叉熵损失函数。
步骤H：当所述目标损失值大于或等于预设损失阈值时，更新所述第一深度学习网络模型参数，并返回上述的步骤A，直到所述目标损失值小于预设损失阈值时，停止训练，得到所述病灶检测模型。
本发明另一实施例中，利用区块链高吞吐的特性，将所述待分级医学图像存储在区块链节点中，提高数据存取效率。
S2、对所述特征图进行分类识别及结果统计，得到分类结果；
详细地，本发明实施例中利用所述病灶检测模型中的病灶分割网络对所述特征图进行边界框标记及分类，并将相同类别的边界框的个数进行汇总，得分类结果。例如：所述特征图中共有A、B、C、D共4个边界框，A边界框分类为出血病灶，B边界框为激光斑病灶，C边界框为视网膜前出血病灶，D边界框为出血病灶，那么将相同类别的边界框的个数进行汇得到分类结果为出血病灶共有两处为A边界框及D边界框，激光斑病灶有1处为B边界框，视网膜前出血病灶有一处为C边界框。
S3、对所述特征图进行区域分割及面积计算，得到分割结果；
详细地，本发明实施例中利用所述病灶检测模型中的病灶分割网络对所述特征图进行区域分割，得到多个分割区域，可选地，本发明实施例中所述病灶分割网络为全卷积网络，进一步，由于不同大小的待分级图像对应的分割区域的大小差异较大，为了便于比较，需要统一比较标准，计算每个分割区域与所述待分级医学图像的面积比值，得到对应的相对面积，所述相对面积不受所述待分级医学图像的面积变化影响；汇总所有的分割区域及每个分割区域对应的相对面积，得到所述分割结果。例如：分割结果为所述特征图中共有A、B、C、D共4个分割区域，A分割区域共有10个像素组成，待分级医学图像由100个像素组成，那么A分割区域对应的相对面积为10％。
S5、将所述分类结果与所述分割结果进行特征匹配，得到特征信息；
详细地，本发明实施例将所述分类结果与所述分割结果进行匹配关联，得到所述分割结果中每个相对面积对应的病灶类别。
具体地，本发明实施例所述分类结果与所述分割结果是同一个大模型中的不同分支得到的，所述分类结果中的每个边界框和分割区域的位置是相同的，例如分类结果为出血病灶共有一出为A边界框，A边界框对应的a分割区域，因此，匹配得到a分割区域的对应的病灶类别为出血病灶。
进一步地，本发明实施例将所述分割结果中相同病灶类别对应的所有所述相对面积进行求和，得到对应的分割区域总面积；将所述分割区域总面积与对应的病灶类别进行组合，得到匹配数组，例如：所述分割结果中视网膜前出血病灶类别对应的分割区域为A和B，A分割区域对应的相对面积为10％，B分割区域对应的相对面积为20％，那么视网膜前出血病灶类别对应的分各区域总面积为(10％+20％)＝30％，对应的匹配数组为[视网膜前出血病灶，30％]；进一步地，本发明实施例将所有匹配数组随机进行组合，得到所述特征信息。
S4、利用分级模型对所述待分级医学图像进行分级，得到第一分级结果；
详细地，本发明实施例中利用分级模型对所述待分级医学图像进行分级，得到第一分级结果之前，还包括：对所述历史医学图像集进行预设分级标签标记，得到第二训练图像集；利用所述第二训练图像集对预构建的第二深度学习网络模型进行迭代训练，得到所述第一分级模型。可选地，所述分级标签包括：轻度非增殖性视网膜病变、中度非增殖性视网膜病变、重度非增殖性视网膜病变、增殖性视网膜病变及正常眼底。
可选地，本发明实施例中所述第二深度学习网络模型为包含稠密注意力机制的卷积神经网络模型。
S6、利用第二分级模型对所述特征信息进行分级，得到目标分级结果。
可选地，本发明实施例中，所述第二分级模型为随机森林网络模型。
进一步地，本发明实施例为了让分级结果更精确，需要对第一分级结果进行修正，因此，本发明实施例利用所述目标分级网络模型对所述特征信息进行分级，得到所述目标分级结果。
详细地，本发明实施例利用所述目标分级网络对所述特征信息进行分级之前还包括：利用所述预设的病灶类别标签作为根节点，利用预构建的相对面积分类区间及预设的分级标签作为分类条件，构建随机森林模型，得到所述第二分级模型，其中所述分级标签共有轻度非增殖性视网膜病变、中度非增殖性视网膜病变、重度非增殖性视网膜病变、增殖性视网膜病变及正常眼底五种，所述病灶面积分类区间可以根据实际诊断经验进行设置，如可以分为[0，20％)，[20％，40％)，[40％，60％)，[60％，80％)，[80％，100％]。
进一步地，本发明实施例中，将所述特征信息及所述第一分级结果输入至所述第二分级模型，得到所述目标分级结果，例如：第一分级结果为中度非增殖性视网膜病变，特征信息为[视网膜前出血病灶，10％]，那么将第一分级结果及所述特征信息输入所述第二分级模型，得到目标分级结果为轻度非增殖性视网膜病变。
如图3所示，是本发明医学图像分级装置的功能模块图。
本发明所述医学图像分级装置100可以安装于电子设备中。根据实现的功能，所述医学图像分级装置可以包括特征匹配模块101、图像分级模块102、分级矫正模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述特征匹配模块101用于获取待分级医学图像，利用预构建的病灶检测模型中的特征提取网络对所述待分级医学图像进行特征提取，得到特征图；对所述特征图进行分类识别及结果统计，得到分类结果；利用所述病灶检测模型中的病灶分割网络对所述特征图进行区域分割及面积计算，得到分割结果；将所述分类结果与所述分割结果进行特征匹配，得到特征信息；
可选地，本发明实施例中所述待分级医学图像为眼底彩超图像，所述病灶检测模型包括：特征提取网络、病灶分类网络、病灶分割网络。其中，所述特征提取网络用于特征提取，所述病灶分类网络用于病灶分类，所述病灶分割网络用于病灶区域分割。
详细地，本发明实施例中所述特征匹配模块101利用所述特征提取网络中初始特征提取网络对所述待分级医学图像执行卷积池化操作得到初始特征图；利用所述特征提取网络中的区域提取网络标记所述初始特征图中的感兴趣区域，得到特征图。
可选地，本发明实施例中所述初始特征提取网络为卷积神经网络，所述区域提取网络为RPN(Region Proposal Network，区域建议网络)。
进一步地，本发明实施例中所述特征匹配模块101利用病灶检测模型中的特征提取网络对所述待分级医学图像进行特征提取之前还包括：获取历史医学图像集，对所述历史医学图像集进行预设标签标记，得到第一训练图像集；利用所述第一训练图像集对预构建的第一深度学习网络模型进行迭代训练，得到所述病灶检测模型。其中，所述历史医学图像集包含多个历史医学图像，所述历史医学图像为与所述待分级图像类型相同内容不同的医学图像。
详细地，本发明实施例所述特征匹配模块101对所述历史医学图像集进行预设标签标记，得到第一训练图像集，包括：对所述历史医学图像集中每个历史医学图像中的病灶进行病灶区域标记，得到目标区域，对每个所述历史医学图像中的每个所述目标区域进行病灶类别标记，得到第一训练图像集；可选地，所述预设病灶区域包括微血管瘤区域、出血区域、硬渗区域、棉絮斑区域、激光斑区域、新生血管区域、玻璃体出血区域、视网膜前出血区域、纤维膜区域；所述预设病灶类别与所述预设病灶区域是一一对应的，包括：微血管瘤病灶、出血病灶、硬渗病灶、棉絮斑病灶、激光斑病灶、新生血管病灶、玻璃体出血病灶、视网膜前出血病灶、纤维膜病灶，如目标区域为激光斑区域那么将该区域标记为激光斑病灶。
进一步地，所述病灶检测模型是由第一深度模型训练得到的，因此，所述第一深度学习模型与所述病灶检测模型具有相同的网络结构，因此，所述第一深度学习模型也包括：特征提取网络、病灶分类网络、病灶分割网络。
详细地，本发明实施例中所述特征匹配模块101利用所述第一训练图像集对预构建的第一深度学习网络模型进行迭代训练，得到所述病灶检测模型，其中，所述第一深度学习网络模型为Mask-RCNN模型，包括：
步骤A：利用所述第一深度学习网络模型中的特征提取网络对所述第一训练图像集中的每一张图像进行卷积池化，并将卷积池化后的图像进行感兴趣区域标记，得到历史特征图；
可选地，本发明实施例中所述特征提取网络包含初始特征提取网络及区域提取网络；其中，所述初始特征提取网络为卷积神经网络，所述区域提取网络为RPN(RegionProposal Network，区域建议网络)。
详细地，本发明实施例中利用初始特征提取网络进行卷积池化，利用所述区域提取网络进行感兴趣区域标记。
步骤B：利用所述第一深度学习网络模型中的病灶分类网络对所述历史特征图中的感兴趣区域进行边界框标记预测及分类预测，得到边界框预测坐标及分类预测值；
步骤C：根据所述历史特征图对应的历史历史特征图像标记的病灶区域，得到边界框真实坐标；根据所述历史特征图对应的历史历史特征图像标记的病灶类别，得到分类真实值；
例如：标记的病灶类别为激光斑病灶，那么对应的激光斑病灶的分类真实值为1。
步骤D：根据所述分类预测值与所述分类真实值，利用预设的第一损失函数进行计算，得到第一损失值；根据所述边界框真实坐标与所述边界框预测坐标，利用预设的第二损失函数进行计算，得到第二损失函数。
可选地，本发明实施例中所述第一损失函数或所述第二损失函数可以为交叉熵损失函数。
可选地，本发明实施例中所述病灶分割网络包含全连接层及softmax网络。
步骤E：利用所述第一深度学习网络模型中的病灶分割网络对所述历史特征图进行区域分割预测，得到每个区域对应的像素总数预测值及区域边缘像素个数预测值；
可选地，本发明实施例中所述病灶分割网络为全卷积网络。
步骤F：根据所述历史特征图对应的历史历史特征图像标记的病灶区域，得到对应区域的像素总数真实值及区域边缘像素个数真实值；
步骤G：根据每个区域的所述像素总数预测值及区域边缘像素个数预测值与对应区域的像素总数真实值及区域边缘像素个数真实值，利用预设的第三损失函数进行计算，得到第三损失值；将所述第一损失值、所述第二损失值及所述第三损失值进行求和计算，得到目标损失值；
可选地，本发明实施例中，所述第三损失函数为交叉熵损失函数。
步骤H：当所述目标损失值大于或等于预设损失阈值时，更新所述第一深度学习网络模型参数，并返回上述的步骤A，直到所述目标损失值小于预设损失阈值时，停止训练，得到所述病灶检测模型。
本发明另一实施例中，利用区块链高吞吐的特性，将所述待分级医学图像存储在区块链节点中，提高数据存取效率。
详细地，本发明实施例中所述特征匹配模块101利用所述病灶检测模型中的病灶分割网络对所述特征图进行边界框标记及分类，并将相同类别的边界框的个数进行汇总，得分类结果。例如：所述特征图中共有A、B、C、D共4个边界框，A边界框分类为出血病灶，B边界框为激光斑病灶，C边界框为视网膜前出血病灶，D边界框为出血病灶，那么将相同类别的边界框的个数进行汇得到分类结果为出血病灶共有两处为A边界框及D边界框，激光斑病灶有1处为B边界框，视网膜前出血病灶有一处为C边界框。
详细地，本发明实施例中所述特征匹配模块101利用所述病灶检测模型中的病灶分割网络对所述特征图进行区域分割，得到多个分割区域，可选地，本发明实施例中所述病灶分割网络为全卷积网络，进一步，由于不同大小的待分级图像对应的分割区域的大小差异较大，为了便于比较，需要统一比较标准，计算每个分割区域与所述待分级医学图像的面积比值，得到对应的相对面积，所述相对面积不受所述待分级医学图像的面积变化影响；汇总所有的分割区域及每个分割区域对应的相对面积，得到所述分割结果。例如：分割结果为所述特征图中共有A、B、C、D共4个分割区域，A分割区域共有10个像素组成，待分级医学图像由100个像素组成，那么A分割区域对应的相对面积为10％。
详细地，本发明实施例所述特征匹配模块101将所述分类结果与所述分割结果进行匹配关联，得到所述分割结果中每个相对面积对应的病灶类别。
具体地，本发明实施例所述分类结果与所述分割结果是同一个大模型中的不同分支得到的，所述分类结果中的每个边界框和分割区域的位置是相同的，例如分类结果为出血病灶共有一出为A边界框，A边界框对应的a分割区域，因此，匹配得到a分割区域的对应的病灶类别为出血病灶。
进一步地，本发明实施例所述特征匹配模块101将所述分割结果中相同病灶类别对应的所有所述相对面积进行求和，得到对应的分割区域总面积；将所述分割区域总面积与对应的病灶类别进行组合，得到匹配数组，例如：所述分割结果中视网膜前出血病灶类别对应的分割区域为A和B，A分割区域对应的相对面积为10％，B分割区域对应的相对面积为20％，那么视网膜前出血病灶类别对应的分各区域总面积为(10％+20％)＝30％，对应的匹配数组为[视网膜前出血病灶，30％]；进一步地，本发明实施例将所有匹配数组随机进行组合，得到所述特征信息。
所述图像分级模块102用于利用预构建的第一分级模型对所述待分级医学图像进行分级，得到第一分级结果；
详细地，本发明实施例中所述图像分级模块102利用分级模型对所述待分级医学图像进行分级，得到第一分级结果之前，还包括：对所述历史医学图像集进行预设分级标签标记，得到第二训练图像集；利用所述第二训练图像集对预构建的第二深度学习网络模型进行迭代训练，得到所述第一分级模型。可选地，所述分级标签包括：轻度非增殖性视网膜病变、中度非增殖性视网膜病变、重度非增殖性视网膜病变、增殖性视网膜病变及正常眼底。
可选地，本发明实施例中所述第二深度学习网络模型为包含稠密注意力机制的卷积神经网络模型。
所述分级矫正模块103用于利用预构建的第二分级模型对所述特征信息及所述第一分级结果进行分级矫正，得到目标分级结果。
可选地，本发明实施例中，所述第二分级模型为随机森林网络模型。
进一步地，本发明实施例为了让分级结果更精确，需要对第一分级结果进行修正，因此，本发明实施例所述分级矫正模块103利用所述目标分级网络模型对所述特征信息进行分级，得到所述目标分级结果。
详细地，本发明实施例所述分级矫正模块103利用所述目标分级网络对所述特征信息进行分级之前还包括：利用所述预设的病灶类别标签作为根节点，利用预构建的相对面积分类区间及预设的分级标签作为分类条件，构建随机森林模型，得到所述第二分级模型，其中所述分级标签共有轻度非增殖性视网膜病变、中度非增殖性视网膜病变、重度非增殖性视网膜病变、增殖性视网膜病变及正常眼底五种，所述病灶面积分类区间可以根据实际诊断经验进行设置，如可以分为[0，20％)，[20％，40％)，[40％，60％)，[60％，80％)，[80％，100％]。
进一步地，本发明实施例中，所述分级矫正模块103将所述特征信息及所述第一分级结果输入至所述第二分级模型，得到所述目标分级结果，例如：第一分级结果为中度非增殖性视网膜病变，特征信息为[视网膜前出血病灶，10％]，那么将第一分级结果及所述特征信息输入所述第二分级模型，得到目标分级结果为轻度非增殖性视网膜病变。
如图3所示，是本发明实现医学图像分级方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如医学图像分级程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如医学图像分级程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如医学图像分级程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的医学图像分级程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取待分级医学图像，利用预构建的病灶检测模型中的特征提取网络对所述待分级医学图像进行特征提取，得到特征图；
对所述特征图进行分类识别及结果统计，得到分类结果；
利用所述病灶检测模型中的病灶分割网络对所述特征图进行区域分割及面积计算，得到分割结果；
将所述分类结果与所述分割结果进行特征匹配，得到特征信息；
利用预构建的第一分级模型对所述待分级医学图像进行分级，得到第一分级结果；
利用预构建的第二分级模型对所述特征信息及所述第一分级结果进行分级矫正，得到目标分级结果。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/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。所述计算机可读介质可以是非易失性的，也可以是易失性的。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)。
本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待分级医学图像，利用预构建的病灶检测模型中的特征提取网络对所述待分级医学图像进行特征提取，得到特征图；
对所述特征图进行分类识别及结果统计，得到分类结果；
利用所述病灶检测模型中的病灶分割网络对所述特征图进行区域分割及面积计算，得到分割结果；
将所述分类结果与所述分割结果进行特征匹配，得到特征信息；
利用预构建的第一分级模型对所述待分级医学图像进行分级，得到第一分级结果；
利用预构建的第二分级模型对所述特征信息及所述第一分级结果进行分级矫正，得到目标分级结果。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种医学图像分级方法，其特征在于，所述方法包括：
获取待分级医学图像，利用预构建的病灶检测模型中的特征提取网络对所述待分级医学图像进行特征提取，得到特征图；
对所述特征图进行分类识别及结果统计，得到分类结果；
利用所述病灶检测模型中的病灶分割网络对所述特征图进行区域分割及面积计算，得到分割结果；
将所述分类结果与所述分割结果进行特征匹配，得到特征信息；
利用预构建的第一分级模型对所述待分级医学图像进行分级，得到第一分级结果；
利用预构建的第二分级模型对所述特征信息及所述第一分级结果进行分级矫正，得到目标分级结果。
2.如权利要求1所述的医学图像分级方法，其特征在于，所述利用预构建的病灶检测模型中的特征提取网络对所述待分级医学图像进行特征提取，得到特征图，包括：
对所述待分级医学图像执行卷积池化操作，得到初始特征图；
标记所述初始特征图中的感兴趣区域，得到特征图。
3.如权利要求1所述的医学图像分级方法，其特征在于，所述利用预构建的病灶检测模型中的特征提取网络对所述待分级医学图像进行特征提取之前，所述方法还包括：
获取历史医学图像集，对所述历史医学图像集进行标签标记，得到第一训练图像集；
利用所述第一训练图像集对预构建的第一深度学习网络模型进行迭代训练，得到所述病灶检测模型。
4.如权利要求3所述的医学图像分级方法，其特征在于，所述对所述历史医学图像集进行标签标记，包括：
对所述历史医学图像集中每个历史医学图像中的病灶进行病灶区域划分，得到目标区域；
利用所述预设病灶类别标签对每个所述历史医学图像中的每个所述目标区域进行病灶类别标记。
5.如权利要求3或4所述的医学图像分级方法，其特征在于，所述利用预构建的第一分级模型对所述待分级医学图像进行分级，得到第一分级结果之前，所述方法还包括：
对所述历史医学图像集进行预设分级标签标记，得到第二训练图像集；
利用所述第二训练图像集对预构建的第二深度学习网络模型进行迭代训练，得到所述第一分级模型。
6.如权利要求1所述的医学图像分级方法，其特征在于，所述利用所述病灶检测模型中的病灶分割网络对所述特征图进行区域分割及面积计算，得到分割结果，包括：
对所述特征图进行区域分割，得到多个分割区域；
计算每个所述分割区域与所述待分级医学图像的面积比值，得到所述分割区域对应的相对面积；
汇总所有的分割区域及每个分割区域对应的相对面积，得到所述分割结果。
7.如权利要求6所述的医学图像分级方法，其特征在于，所述将所述分类结果与所述分割结果进行特征匹配，得到特征信息，包括：
将所述分类结果与所述分割结果进行匹配关联，得到所述分割结果中每个相对面积对应的病灶类别；
将所述分割结果中相同病灶类别对应的所有所述相对面积进行求和，得到对应的分割区域总面积；
将所述分割区域总面积与对应的病灶类别进行组合，得到匹配数组；
将所有匹配数组随机进行组合，得到所述特征信息。
8.一种医学图像分级装置，其特征在于，包括：
特征匹配模块，用于获取待分级医学图像，利用预构建的病灶检测模型中的特征提取网络对所述待分级医学图像进行特征提取，得到特征图；对所述特征图进行分类识别及结果统计，得到分类结果；利用所述病灶检测模型中的病灶分割网络对所述特征图进行区域分割及面积计算，得到分割结果；将所述分类结果与所述分割结果进行特征匹配，得到特征信息；
图像分级模块，用于利用预构建的第一分级模型对所述待分级医学图像进行分级，得到第一分级结果；
分级矫正模块，用于利用预构建的第二分级模型对所述特征信息及所述第一分级结果进行分级矫正，得到目标分级结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的医学图像分级方法。
10.一种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至7中任一所述的医学图像分级方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110570809.8A CN113487621B (zh) | 2021-05-25 | 2021-05-25 | 医学图像分级方法、装置、电子设备及可读存储介质 |
| PCT/CN2021/109482 WO2022247007A1 (zh) | 2021-05-25 | 2021-07-30 | 医学图像分级方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110570809.8A CN113487621B (zh) | 2021-05-25 | 2021-05-25 | 医学图像分级方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113487621A true CN113487621A (zh) | 2021-10-08 |
| CN113487621B CN113487621B (zh) | 2024-07-12 |
Family
ID=77933476
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110570809.8A Active CN113487621B (zh) | 2021-05-25 | 2021-05-25 | 医学图像分级方法、装置、电子设备及可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113487621B (zh) |
| WO (1) | WO2022247007A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114529760A (zh) * | 2022-01-25 | 2022-05-24 | 北京医准智能科技有限公司 | 一种针对甲状腺结节的自适应分类方法及装置 |
| CN114782712A (zh) * | 2022-04-29 | 2022-07-22 | 沈阳东软智能医疗科技研究院有限公司 | 基于医学影像的特征处理方法、装置、设备及介质 |
| CN115018775A (zh) * | 2022-05-24 | 2022-09-06 | 阿里巴巴（中国）有限公司 | 图像检测方法、装置、设备和存储介质 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116458945B (zh) * | 2023-04-25 | 2024-01-16 | 杭州整形医院有限公司 | 一种儿童面部美容缝合路线的智能引导系统及方法 |
| CN118037731B (zh) * | 2024-04-12 | 2024-07-16 | 泉州医学高等专科学校 | 一种医学图像管理系统 |
| CN118608873B (zh) * | 2024-08-06 | 2024-11-08 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、设备、存储介质及程序产品 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术（北京）有限公司 | 用于标注医学图像的方法和装置 |
| US10430946B1 (en) * | 2019-03-14 | 2019-10-01 | Inception Institute of Artificial Intelligence, Ltd. | Medical image segmentation and severity grading using neural network architectures with semi-supervised learning techniques |
| CN111028206A (zh) * | 2019-11-21 | 2020-04-17 | 万达信息股份有限公司 | 一种基于深度学习前列腺癌自动检测和分类系统 |
| US20200234445A1 (en) * | 2018-04-13 | 2020-07-23 | Bozhon Precision Industry Technology Co., Ltd. | Method and system for classifying diabetic retina images based on deep learning |
| US20200250398A1 (en) * | 2019-02-01 | 2020-08-06 | Owkin Inc. | Systems and methods for image classification |
| CN111986211A (zh) * | 2020-08-14 | 2020-11-24 | 武汉大学 | 一种基于深度学习的眼科超声自动筛查方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447065B (zh) * | 2018-10-16 | 2020-10-16 | 杭州依图医疗技术有限公司 | 一种乳腺影像识别的方法及装置 |
| CN109785300A (zh) * | 2018-12-27 | 2019-05-21 | 华南理工大学 | 一种癌症医学图像数据处理方法、系统、装置和存储介质 |
| CN111161279B (zh) * | 2019-12-12 | 2023-05-26 | 中国科学院深圳先进技术研究院 | 医学图像分割方法、装置及服务器 |
-
2021
- 2021-05-25 CN CN202110570809.8A patent/CN113487621B/zh active Active
- 2021-07-30 WO PCT/CN2021/109482 patent/WO2022247007A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术（北京）有限公司 | 用于标注医学图像的方法和装置 |
| US20200234445A1 (en) * | 2018-04-13 | 2020-07-23 | Bozhon Precision Industry Technology Co., Ltd. | Method and system for classifying diabetic retina images based on deep learning |
| US20200250398A1 (en) * | 2019-02-01 | 2020-08-06 | Owkin Inc. | Systems and methods for image classification |
| US10430946B1 (en) * | 2019-03-14 | 2019-10-01 | Inception Institute of Artificial Intelligence, Ltd. | Medical image segmentation and severity grading using neural network architectures with semi-supervised learning techniques |
| CN111028206A (zh) * | 2019-11-21 | 2020-04-17 | 万达信息股份有限公司 | 一种基于深度学习前列腺癌自动检测和分类系统 |
| CN111986211A (zh) * | 2020-08-14 | 2020-11-24 | 武汉大学 | 一种基于深度学习的眼科超声自动筛查方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| SATO, YOICHI ET AL.: "Artificial intelligence improves the accuracy of residents in the diagnosis of hip fractures: a multicenter study", 《BMC MUSCULOSKELETAL DISORDERS》 * |
| 任福龙;曹鹏;万超;赵大哲;: "结合代价敏感半监督集成学习的糖尿病视网膜病变分级", 计算机应用, no. 07 * |
| 刘忠利;陈光;单志勇;蒋学芹;: "基于深度学习的脊柱CT图像分割", 计算机应用与软件, no. 10 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114529760A (zh) * | 2022-01-25 | 2022-05-24 | 北京医准智能科技有限公司 | 一种针对甲状腺结节的自适应分类方法及装置 |
| CN114529760B (zh) * | 2022-01-25 | 2022-09-02 | 北京医准智能科技有限公司 | 一种针对甲状腺结节的自适应分类方法及装置 |
| CN114782712A (zh) * | 2022-04-29 | 2022-07-22 | 沈阳东软智能医疗科技研究院有限公司 | 基于医学影像的特征处理方法、装置、设备及介质 |
| CN115018775A (zh) * | 2022-05-24 | 2022-09-06 | 阿里巴巴（中国）有限公司 | 图像检测方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113487621B (zh) | 2024-07-12 |
| WO2022247007A1 (zh) | 2022-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113487621A (zh) | 医学图像分级方法、装置、电子设备及可读存储介质 | |
| CN111652845A (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
| CN111932564B (zh) | 图片识别方法、装置、电子设备及计算机可读存储介质 | |
| CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
| CN112446544A (zh) | 交通流预测模型训练方法、装置、电子设备及存储介质 | |
| CN111932534B (zh) | 医学影像图片分析方法、装置、电子设备及可读存储介质 | |
| CN113283446A (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
| CN112052850A (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
| CN112507934A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN112137591A (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
| CN115146865A (zh) | 基于人工智能的任务优化方法及相关设备 | |
| CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
| CN113298159A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN113707337A (zh) | 基于多源数据的疾病预警方法、装置、设备及存储介质 | |
| CN113157739A (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
| CN112860905A (zh) | 文本信息抽取方法、装置、设备及可读存储介质 | |
| CN113065609B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN113420684A (zh) | 基于特征提取的报表识别方法、装置、电子设备及介质 | |
| CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
| CN114187489B (zh) | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 | |
| CN115471775A (zh) | 基于录屏视频的信息验证方法、装置、设备及存储介质 | |
| CN112132037A (zh) | 基于人工智能的人行道检测方法、装置、设备及介质 | |
| CN112101481A (zh) | 目标物的影响因子筛选方法、装置、设备及存储介质 | |
| CN113869455B (zh) | 无监督聚类方法、装置、电子设备及介质 |
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: 20221010 Address after: 266000 No. 5, yan'erdao Road, Qingdao, Shandong Province Applicant after: SHANDONG EYE INSTITUTE Applicant after: PING AN TECHNOLOGY (SHENZHEN) Co.,Ltd. Address before: 518000 Guangdong, Shenzhen, Futian District Futian street Fu'an community Yitian road 5033, Ping An financial center, 23 floor. Applicant before: PING AN TECHNOLOGY (SHENZHEN) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |