[go: up one dir, main page]

CN107563123A - 用于标注医学图像的方法和装置 - Google Patents

用于标注医学图像的方法和装置 Download PDF

Info

Publication number
CN107563123A
CN107563123A CN201710888651.2A CN201710888651A CN107563123A CN 107563123 A CN107563123 A CN 107563123A CN 201710888651 A CN201710888651 A CN 201710888651A CN 107563123 A CN107563123 A CN 107563123A
Authority
CN
China
Prior art keywords
focal area
medical image
marked
training
image
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
CN201710888651.2A
Other languages
English (en)
Inventor
张少霆
张玮东
段琦
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.)
Baidu Online Network Technology Beijing Co Ltd
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201710888651.2A priority Critical patent/CN107563123A/zh
Publication of CN107563123A publication Critical patent/CN107563123A/zh
Priority to US16/051,214 priority patent/US10755411B2/en
Pending legal-status Critical Current

Links

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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • 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
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)
  • Pulmonology (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)

Abstract

本申请实施例公开了用于标注医学图像的方法和装置。该方法的一具体实施方式包括：获取至少一个待标注医学图像；为待标注医学图像标注分类信息，其中，分类信息包括医学图像对应的诊断结果的类别和诊断结果的等级；利用预先训练的病灶区域检测模型处理待标注医学图像，在待标注医学图像中框选出病灶区域、且标注出病灶区域的病灶类型，以使待标注医学图像标注出病灶区域和病灶区域的病灶类型；从已框选出病灶区域的待标注医学图像中分割出被框选出的病灶区域，形成待标注医学图像分割图像，以使待标注医学图像标注出分割图像。该实施方式实现了降低了标注医学图像的人力和时间成本。

Description

用于标注医学图像的方法和装置
技术领域
本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于标注医学图像的方法和装置。
背景技术
现有技术中，由于医学图像的特殊性，通常只有经过专业培养的医生才能够精确且可靠的对医学图像进行标注。在医学图像的标注的过程中，通常需要医生手动确定疾病类型、筛查病变区域、勾画病灶区域等，这一标注过程需要投入医生的大量的时间和精力。
进一步地，为了实现医学在深度学习、计算机辅助诊断等领域的发展，收集大规模的带标注医学图像成为人们的迫切需求。但是，获取大规模带标注的医学图像通常需要花费大量的人力和时间成本。
发明内容
本申请实施例的目的在于提出一种改进的用于标注医学图像的方法和装置，来解决以上背景技术部分提到的技术问题。
第一方面，本申请实施例提供了一种用于标注医学图像的方法，该方法包括：获取至少一个待标注医学图像；为待标注医学图像标注分类信息，其中，分类信息包括医学图像对应的诊断结果的类别和诊断结果的等级；利用预先训练的病灶区域检测模型处理待标注医学图像，在待标注医学图像中框选出病灶区域、且标注出病灶区域的病灶类型，以使待标注医学图像标注出病灶区域和病灶区域的病灶类型，其中，病灶区域检测模型用于根据在医学图像中识别出的病灶区域的位置和大小框选出病灶区域、且标注出病灶区域的病灶类型；从已框选出病灶区域的待标注医学图像中分割出被框选出的病灶区域，形成待标注医学图像分割图像，以使待标注医学图像标注出分割图像。
在一些实施例中，为待标注医学图像标注分类信息，包括：利用预先训练的图像分类模型对待标注医学图像进行处理，以输出待标注医学图像的分类信息，其中，图像分类模型用于对医学图像标注分类信息。
在一些实施例中，从已框选出病灶区域的待标注医学图像中分割出被框选出的病灶区域，形成待标注医学图像分割图像，包括：利用预先训练的病灶区域分割模型对已框选出病灶区域的待标注医学图像进行处理，以输出待标注医学图像中被框选出的病灶区域的分割图像，其中，病灶区域分割模型用于从已框选出病区域的医学图像中分割出病灶区域的分割图像。
在一些实施例中，方法还包括训练图像分类模型的步骤；训练图像分类模型的步骤包括：获取第一医学图像训练集，其中，第一医学图像训练集包括多个医学图像和每个医学图像标注的分类信息；利用卷积神经网络，根据第一医学图像训练集，训练得到图像分类模型。
在一些实施例中，方法还包括训练病灶区域检测模型的步骤；训练病灶区域检测模型的步骤包括：获取第二医学图像训练集，其中，第二医学图像训练集包括多个医学图像和每个医学图像标注出的病灶区域和病灶区域的病灶类型；利用卷积神经网络，根据第二医学图像训练集，训练得到病灶区域检测模型。
在一些实施例中，方法还包括训练病灶区域分割模型的步骤；训练病灶区域分割模型的步骤包括：获取第三医学图像训练集，其中，第三医学图像训练集包括多个已框选出病灶区域的医学图像和各被框选出病灶区域的医学图像的病灶区域的分割图像；利用卷积神经网络，根据第三医学图像训练集，训练得到病灶区域分割模型。
在一些实施例中，在利用预先训练的病灶区域检测模型处理待标注医学图像，在待标注医学图像中框选出病灶区域、且标注出病灶区域的病灶类型之后，还包括：将待标注医学图像和该待标注医学图像标注的病灶区域、病灶区域的病灶类型输出到客户端，以使用户判断待标注医学图像标注的病灶区域、病灶区域的病灶类型是否正确；若是，则保存待标注医学图像标注的病灶区域和病灶区域的病灶类型；若否，则接收并保存经用户重新标注的待标注医学图像的病灶区域和病灶区域的病灶类型。
在一些实施例中，在输出待标注医学图像中被框选出的病灶区域的分割图像之前，还包括：利用病灶区域分割模型在待标注医学图像的病灶区域形成预分割区域，并输出到客户端，以使用户对预分割区域进行微调；接收并保存经用户微调后的预分割区域。
在一些实施例中，上述方法还包括：将待标注医学图片和待标注医学图片的分类信息添加到第一医学图像训练集，重新训练图像分类模型。
在一些实施例中，上述方法还包括：将待标注医学图片和待标注医学图片标注出的病灶区域、病灶区域的病灶类型添加到第二医学图像训练集，重新训练病灶区域检测模型。
在一些实施例中，上述方法还包括：将已框选出病灶区域的待标注医学图片和待标注医学图片的分割图像添加到第三医学图像训练集，重新训练病灶区域分割模型。
第二方面，本申请提供了一种用于标注医学图像的装置，该装置包括：获取单元，配置用于获取至少一个待标注医学图像；第一标注单元，配置用于为待标注医学图像标注分类信息，其中，分类信息包括医学图像对应的诊断结果的类别和诊断结果的等级；第二标注单元，配置用于利用预先训练的病灶区域检测模型处理待标注医学图像，在待标注医学图像中框选出病灶区域、且标注出病灶区域的病灶类型，以使待标注医学图像标注出病灶区域和病灶区域的病灶类型，其中，病灶区域检测模型用于根据在医学图像中识别出的病灶区域的位置和大小框选出病灶区域、且标注出病灶区域的病灶类型；第三标注单元，配置用于从已框选出病灶区域的待标注医学图像中分割出被框选出的病灶区域，形成待标注医学图像分割图像，以使待标注医学图像标注出分割图像。
在一些实施例中，第一标注单元进一步配置用于：利用预先训练的图像分类模型对待标注医学图像进行处理，以输出待标注医学图像的分类信息，其中，图像分类模型用于对医学图像标注诊断结果的类别和诊断结果的等级。
在一些实施例中，第三标注单元进一步配置用于：利用预先训练的病灶区域分割模型对已框选出病灶区域的待标注医学图像进行处理，以输出待标注医学图像中被框选出的病灶区域的分割图像，其中，病灶区域分割模型用于从已框选出病区域的医学图像中分割出病灶区域的分割图像。
在一些实施例中，装置还包括：图像分类模型训练单元；图像分类模型训练单元包括：第一获取模块，配置用于获取第一医学图像训练集，其中，第一医学图像训练集包括多个医学图像和每个医学图像标注的分类信息；第一训练模块，配置用于利用卷积神经网络，根据第一医学图像训练集，训练得到图像分类模型。
在一些实施例中，装置还包括：病灶区域检测模型训练单元；
病灶区域检测模型训练单元包括：第二获取模块，配置用于获取第二医学图像训练集，其中，第二医学图像训练集包括多个医学图像和每个医学图像标注出病灶区域和病灶区域的病灶类型；第二训练单元，配置用于利用卷积神经网络，根据第二医学图像训练集，训练得到病灶区域检测模型。
在一些实施例中，装置还包括：病灶区域分割模型训练单元；病灶区域分割模型训练单元包括：第三获取模块，配置用于获取第三医学图像训练集，其中，第三医学图像训练集包括多个已框选出病灶区域的医学图像和各被框选出病灶区域的医学图像中的病灶区域的分割图像；第三训练模块，配置用于利用卷积神经网络，根据第三医学图像训练集，训练得到病灶区域分割模型。
在一些实施例中，第二标注单元进一步配置用于：将待标注医学图像和该待标注医学图像标注的病灶区域、病灶区域的病灶类型输出到客户端，以使用户判断待标注医学图像标注的病灶区域、病灶区域的病灶类型是否正确；若是，则保存待标注医学图像标注的病灶区域和病灶区域的病灶类型；若否，则接收并保存经用户重新标注的待标注医学图像的病灶区域和病灶区域的病灶类型。
在一些实施例中，第三标注单元进一步配置用于：利用病灶区域分割模型在待标注医学图像的病灶区域形成预分割区域，并输出到客户端，以使用户对预分割区域进行微调；接收并保存经用户微调后的预分割区域。
在一些实施例中，装置还包括：图像分类模型重训单元，配置用于将待标注医学图片和待标注医学图片的分类信息添加到第一医学图像训练集，重新训练图像分类模型。
在一些实施例中，装置还包括：病灶区域检测模型重训单元，配置用于将待标注医学图片和待标注医学图片标注出的病灶区域、病灶区域的病灶类型添加到第二医学图像训练集，重新训练病灶区域检测模型。
在一些实施例中，装置还包括：病灶区域分割模型重训单元，配置用于将已框选出病灶区域的待标注医学图片和待标注医学图片的分割图像添加到第三医学图像训练集，重新训练病灶区域分割模型。
本申请实施例提供的用于标注医学图像的方法和装置，可以为获取的至少一个待标注医学图像标注分类信息，之后可以利用预先训练的病灶区域检测模型在待标注医学图像中框选出病灶区域、且标注出病灶区域的病灶类型，而后在已框选出病灶区域的待标注医学图像中分割出被框选的病灶区域的分割图像，从而实现了利用预先训练的模型自动为待标注医学图像标注，降低了人力和时间成本。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的用于标注医学图像的方法的一个实施例的流程图；
图3是根据本申请的用于标注医学图像的方法的又一个实施例的流程图；
图4是根据本申请的用于标注医学图像的装置的一个实施例的结构示意图；
图5是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于标注医学图像的方法或用于标注医学图像的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送医学图像等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、图片查看软件、图片处理软件、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持图片查看的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的医学图像提供支持的后台图像服务器。后台图像服务器可以对接收到的医学图像进行分割、分类等标注处理，并将处理结果(例如图像分割的结果)反馈给终端设备。
需要说明的是，本申请实施例所提供的用于标注医学图像的方法一般由服务器105执行，相应地，用于标注医学图像的装置一般设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的用于标注医学图像的方法的一个实施例的流程200。该用于标注医学图像的方法，包括以下步骤：
步骤201，获取至少一个待标注医学图像。
在本实施例中，用于标注医学图像的方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行医学图像查看、保存的终端接收一个或多个待标注医学图像。这里，待标注医学图像可以为由摄影、CT(Computed Tomography，电子计算机断层扫描)、MRI(Magnetic Resonance Imaging，磁共振成像)等各类方法获取的医学图片，如眼底图片，肺部CT图片等。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202，为待标注医学图像标注分类信息。
在本实施例中，基于步骤201获取的一个或多个待标注医学图像，上述电子设备可以为各待标注医学图像标注分类信息。具体地，上述电子设备可以根据接收到的用户在终端设备上发送的操作指令，对各待标注医学图像标注分类信息，或者上述电子设备可以利用预先训练的模型等自动地为各待标注医学图像标注分类信息。需要说明的是，各医学图像通常可以具有不同的诊断结果的类别，并且对于某些类别的诊断结果其还可以对应不同的等级，因此，上述分类信息可以包括医学图像对应的诊断结果的类别和诊断结果的等级。例如，若医学图像为一张肺部CT，该医学图像对应的诊断结果的类别可以为良性肿瘤、恶性肿瘤、肺结节、无病变等，其中恶性肿瘤还可以包括早期、中期和晚期三个等级；若医学图片为一眼底图片，该医学图像的诊断结果的类别可以为糖尿病视网膜病变、无病变等，其中，糖尿病视网膜病变可以包括1-4四个等级。
步骤203，利用预先训练的病灶区域检测模型处理待标注医学图像，在待标注医学图像中框选出病灶区域、且标注出病灶区域的病灶类型。
在本实施例中，上述电子设备可以预先训练病灶区域检测模型。该预先训练的病灶区域检测模型首先可以用于检测输入的医学图像的每块区域，从而可以从该医学图像中检测出可能存在的病灶区域，并根据检测出的病灶区域的位置和病灶区域的大小在医学图像上框选出该病灶区域，而后可以标注出被框选出的病灶区域的病灶类型。因此，上述电子设备可以将待标注的医学图像输入上述病灶区域检测模型，该病灶区域检测模型可以输出已框选出病灶区域的待标注医学图像，且可以为框选出的病灶区域标注对应的病灶类型。从而实现为待标注医学图像自动标注病灶区域的位置、大小和病灶类型，避免了医生需要对每张医学图片进行查看、分析后进行标注，有效地减少医学图像的标注时间。
通常，在一张待标注医学图像中可以仅存在一个病灶区域，该病灶区域也可以仅为一种病灶类型，此时上述病灶区域检测模型可以在该待标注医学图像中框选出该病灶区域、且为该该病灶区域标注对应的病灶类型。或者，在一张待标注医学图像中还可以存在多个病灶区域，每个病灶区域可以包括一种或多种病灶类型，此时上述病灶区域检测模型可以在该待标注医学图像中框选出每个病灶区域、且为每个病灶区域标注出其所对应的病灶类型。
步骤204，从已框选出病灶区域的待标注医学图像中分割出被框选出的病灶区域，形成待标注医学图像分割图像。
在本实施例中，基于步骤203获取的已框选出病灶区域的待标注医学图像，上述电子设备可以利用各种手段从该已框选出病灶区域的待标注医学图像中分割出被框选的病灶区域，形成待标注医学图像的分割图像，从而使得该待标注医学图像可以标注出分割图像。作为示例，用户可以通过手动操作的方式分割上述待标注医学图像，生成病灶区域的分割图像，此时上述电子设备可以接收用户在终端设备上发送的操作指令，将待标注医学图像中框选出的病灶区域与非病灶区域分割开，获取该待标注医学图像的病灶区域的分割图像。或者，上述电子设备还可以利用图像分割算法对该框选出病灶区域的待标注医学图像进行自动地分割，获取其中框选出的病灶区域的分割图像。
通常，对待标注的医学图像标注完成后，还需要通过众测平台等对已经标注的医学图像进行检验。本实施例提供的用于标注医学图像的方法可以将待标注的医学图像中的病灶区域和非病灶区域分割开，从而使得众测平台等的工作人员在对待标注医学图像的标注信息检验时，可以仅关注被分割出的病灶区域，可以有效地减少众测平台等的工作人员由于缺乏医学背景知识所造成的标注误差，同时还可以提供工作人员的工作效率。
本申请的上述实施例提供的用于标注医学图像的方法200，可以为获取的至少一个待标注医学图像标注分类信息，之后可以利用预先训练的病灶区域检测模型在待标注医学图像中框选出病灶区域、且标注出病灶区域的病灶类型，而后在已框选出病灶区域的待标注医学图像中分割出被框选的病灶区域的分割图像，从而实现了利用预先训练的模型自动为待标注医学图像标注，降低了人力和时间成本。
请继续参考图3，其实示出了根据本申请的用于标注医学图像的方法的另一实施例的流程300。如图3所示，本实施例的用于标注医学图像的方法可以包括如下步骤：
步骤301，获取至少一个待标注医学图像。
在本实施例中，用于标注医学图像的方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行医学图像查看、保存的终端接收一个或多个待标注医学图像。这里，待标注医学图像可以为由摄影、CT(Computed Tomography，电子计算机断层扫描)、MRI(Magnetic Resonance Imaging，磁共振成像)等各类方法获取的医学图片，如眼底图片，肺部CT图片等。
步骤302，利用预先训练的图像分类模型对待标注医学图像进行处理，以输出待标注医学图像的分类信息。
在本实施例中，上述电子设备可以预先训练用于对医学图像标注分类信息的图像分类模型，该图像分类模型可以响应于输入的待标注医学图像输出该待标注医学图像的分类信息。因此，基于步骤301获取的待标注医学图像，上述电子设备可以将其输入到上述预先训练出的图像分类模型，该图像分类模型可以输出该待标注医学图像的分类信息。其中，分类信息可以包括医学图像诊断结果的类别和诊断结果的等级。可见，上述图像分类模型可以对输入其中的医学图像进行分类和分级。
在本实施例的一些可选的实现方式中，可以利用大量已标注的医学图像作为训练样本训练上述图像分类模型。具体地，首先可以获取第一医学图像训练集作为训练样本，该第一医学图像训练集可以包括大量的医学图像，且第一医学图像训练集中的各医学图像都标注有分类信息，而后可以利用适用于分类的卷积神经网络(如VGGNet、ResNet等)，将该第一医学图像训练集中的医学图像作为图像分类模型的输入训练样本，将每个医学图像标注的分类信息作为输出训练样本，从而可以训练出上述图像分类模型。
在本实施例的一些可选的实现方式中，当上述待标注医学图像标注完分类信息后，可以将该待标注医学图像和其所标注的分类信息作为训练样本添加到上述第一医学图像训练集，以使上述电子设备可以利用包含待标注医学图像和待标注医学图像的分类信息的第一医学图像训练集重新训练上述图像分类模型。该方法可以提高图像分类模型对医学图像标注分类信息的精确度。
步骤303，利用预先训练的病灶区域检测模型处理待标注医学图像，在待标注医学图像中框选出病灶区域、且标注出病灶区域的病灶类型。
在本实施例中，上述电子设备可以预先训练病灶区域检测模型。该预先训练的病灶区域检测模型首先可以用于检测输入的医学图像的每块区域，从而可以从该医学图像中检测出可能存在的病灶区域，并根据检测出的病灶区域的位置和病灶区域的大小在医学图像上框选出该病灶区域，而后可以标注出被框选出的病灶区域的病灶类型。因此，上述电子设备可以将待标注的医学图像输入上述病灶区域检测模型，该病灶区域检测模型可以输出已框选出病灶区域的待标注医学图像，且可以为框选出的病灶区域标注对应的病灶类型。从而实现为待标注医学图像自动标注病灶区域的位置、大小和病灶类型，避免了医生需要对每张医学图片进行查看、分析后进行标注，有效地减少医学图像的标注时间。
在本实施例的一些可选的实现方式中，可以利用大量已标注的医学图像作为训练样本训练上述病灶区域检测模型。具体地，首先可以获取第二医学图像训练集作为训练样本，该第二医学训练集可以包括大量的医学图像，且第二医学图像训练集中的各医学图像标注有病灶区域和病灶区域的病灶类型，而后可以利用适用于病灶区域检测的卷积神经网络(如Faster RCNN、Mask R-CNN等)，将该第二医学图像训练集中的医学图像作为病灶区域检测模型的输入训练样本，将每个医学图像对应标注出的病灶区域和病灶区域的病灶类型作为输出训练样本，从而可以训练出上述病灶区域检测模型。
步骤304，将待标注医学图像和该待标注医学图像标注的病灶区域、病灶区域的病灶类型输出到客户端，以使用户判断待标注医学图像标注的病灶区域、病灶区域的病灶类型是否正确。
在本实施例中，基于步骤303标注的病灶区域和病灶区域的病灶类型，上述电子设备可以将待标注医学图像和该待标注医学图像标注的病灶区域和病灶区域的病灶类型输出到客户端，从而使得用户可以通过客户端所在的终端设备上查看待标注医学图像中框选出的病灶区域和标注出的病灶区域的病灶类型是否正确。可选地，上述电子设备在将待标注医学图像和该待标注医学图像标注的病灶区域和病灶区域的病灶类型输出到客户端的同时，还可以将该待标注医学图像的分类信息输出到客户端，此时用户可以辅以该待标注医学图像的分类信息，对其上框选出的病灶区域和病灶区域的病灶类型进行判断，以确定待标注医学图像中框选出的病灶区域和标注出的病灶区域的病灶类型是否正确，此种方法可以进一步地提高用户判断的效率和准确率。当用户确定上述待标注医学图像框选出的病灶区域和标注出的病灶区域的病灶类型正确时，可以转到步骤305。否则，可以转到步骤306。
步骤305，保存待标注医学图像标注的病灶区域和病灶区域的病灶类型。
在本实施例中，基于步骤304确定的上述待标注医学图像框选出的病灶区域和标注出的病灶区域的病灶类型正确，上述电子设备可以保存该待标注医学图像中的框选出的病灶区域和标注出的病灶区域的病灶类型，即上述电子设备可以保存待标注医学图像标注的病灶区域和病灶区域的病灶类型。
步骤306，接收并保存经用户重新标注的待标注医学图像的病灶区域和病灶区域的病灶类型。
在本实施例中，基于步骤304确定的上述待标注医学图像框选出的病灶区域和标注出的病灶区域的病灶类型有误，例如，待标注医学图像中框选出的病灶类型并非病灶区域，或者标注的病灶区域的病灶类型有误，则用户可以对存在错误的地方进行重新标注，上述电子设备可以接收并保存经用户重新标注后的待标注的医学图像的病灶区域和病灶区域的病灶类型。该方法在提高医学图像标注的效率的同时，还可以提高医学图像标注的准确率。
通常，客户端在接收到上述电子设备输出的待标注医学图像的标注信息时，可以将该待标注医学图像标注的病灶区域和病灶区域的病灶类型通过终端设备呈现给用户，这里，待标注医学图像的标注信息可以为该待标注医学图像标注的病灶区域和病灶区域对应的病灶类型。进一步地，上述客户端还可以为用户提供显示有“是”和“否”的对话框，用户在判断出该待标注医学图像的标注信息无误时，可以点击“是”，在判断出该待标注医学图像的标注信息有误时，可以点击“否”。用户在点击“否”之后，可以对待标注医学图像中标注有误的信息进行手动更正，并将更正后的标注信息发送到上述电子设备，以使电子设备可以接收并保存更正后的标注信息。
在本实施例的一些可选的实现方式中，当上述待标注医学图像标注完病灶区域和病灶区域的病灶类型后，可以将该待标注医学图像和其所标注的病灶区域与该病灶区域的病灶类型作为训练样本添加到上述第二医学图像训练集，以使上述电子设备可以利用包含待标注医学图像和待标注医学图像的病灶区域、该病灶区域的病灶类型的第二医学图像训练集重新训练上述病灶区域检测模型。该方法可以提高病灶区域检测模型对医学图像标注病灶区域和病灶类型的精确度。
步骤307，利用预先训练的病灶区域分割模型对已框选出病灶区域的待标注医学图像进行处理，以输出待标注医学图像中被框选出的病灶区域的分割图像。
在本实施例中，上述电子设备可以预先训练用于从已框选病灶区域的医学图像中分割出被框选出的病灶区域的分割图像的病灶区域分割模型，该病灶区域分割模型响应于输入的已框选出病灶区域的医学图像，可以对该医学图像中框选出的病灶区域进行分割，并输出分割后的分割图像。因此，当上述电子设备获取已框选出病灶区域的待标注医学图像时，可以将其输入到病灶区域分割模型中，该病灶区域分割模型可以输出该待标注医学图像中被框选出的病灶区域的分割图像。可见，上述病灶区域分割模型可以将待标注医学图像的病灶区域和非病灶区域分割开来，为待标注医学图像标注出分割图像。
在本实施例的一些可选的实现方式中，可以利用大量已标注的医学图像作为训练样本训练上述病灶区域分割模型。具体地，首先可以获取第三医学图像训练集作为训练样本，该第三医学训练集可以包括大量被框选出病灶区域的医学图像，且第三医学训练集中的各被框选出病灶区域的医学图像标注有被框选出的病灶区域的分割图像，而后可以利用适用于图像分割的卷积神经网络(如FCN、U-Net等)，将该第三医学图像训练集中的被框选出病灶区域的医学图像作为病灶区域分割模型的输入训练样本，将从每个被框选出病灶区域的医学图像分割出的病灶类型的分割图像作为输出训练样本，从而可以训练出上述病灶区域分割模型。
在本实施例的一些可选的实现方式中，为了提高待标注医学图像的分割出的病灶区域的分割图像的精度，在对该待标注图像分割之前还可以对其进行人工微调。因此，上述病灶区域分割模型在对输入的已框选出病灶区域的待标注医学图像进行图像分割之前，该病灶区域分割模型可以预先在待标注医学图像上形成预分割区域，并输出到客户端，客户端所在的终端设备可以将待标注医学图像中的预分割区域显示给用户。用户可以通过观察终端设备上显示的医学图像的图像灰度、颜色变化等像素信息，对预分割区域进行微调，从而精确地在待标注医学图像的病灶区域形成预分割区域。上述电子设备可以从客户端获取并保存经用户微调的预分割区域，从而使得病灶区域分割模型可以根据微调后的预分割区域精确地将待标注医学图像中的病灶区域和非病灶区域分割开，提高待标注医学图像标注的分割图像的精度。
在本实施例的一些可选的实现方式中，当上述待标注医学图像标注出病灶区域的分割图像后，可以将该待标注医学图像和标注的分割图像作为训练样本添加到上述第三医学图像训练集，以使上述电子设备可以利用包含待标注医学图像和待标注医学图像的分割图像的第三医学图像训练集重新训练上述病灶区域分割模型。该方法可以提高病灶区域分割模型分割图像的精确度。
在本实施例的一些可选的实现方式中，上述第一医学图像训练集、第二医学图像训练集和第三医学图像训练集可以为同一医学图像训练集，且该医学图像训练集中的多个医学图像均可以标注有分类信息、病灶区域、病灶区域的病灶类型和分割图像。此时，利用该医学图像训练集可以训练出上述图像分类模型、病灶区域检测模型和病灶区域分割模型。
从图3可以看出，与图2对应的实施例相比，本实施例中的用于标注医学图像的方法的流程300突出了利用图像分类模型和病灶区域分割模型分别为待标注医学图像标注分类信息和分割图像的步骤。由此，本实施例描述的方案可以自动的为医学图像标注分类信息和分割图像，从而进一步地提高医学图像标注的效率。
进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于标注医学图像的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例的用于标注医学图像的装置400包括：获取单元401、第一标注单元402、第二标注单元403和第三标注单元404。其中，获取单元401配置用于获取至少一个待标注医学图像；第一标注单元402配置用于为待标注医学图像标注分类信息，其中，分类信息包括医学图像对应的诊断结果的类别和诊断结果的等级；第二标注单元403配置用于利用预先训练的病灶区域检测模型处理待标注医学图像，在待标注医学图像中框选出病灶区域、且标注出病灶区域的病灶类型，以使待标注医学图像标注出病灶区域和病灶区域的病灶类型，其中，病灶区域检测模型用于根据在医学图像中识别出的病灶区域的位置和大小框选出病灶区域、且标注出病灶区域的病灶类型；第三标注单元404配置用于从已框选出病灶区域的待标注医学图像中分割出被框选出的病灶区域，形成待标注医学图像分割图像，以使待标注医学图像标注出分割图像。
在本实施例中的一些可选的实现方式中，第一标注单元402进一步配置用于：利用预先训练的图像分类模型对待标注医学图像进行处理，以输出待标注医学图像的分类信息，其中，图像分类模型用于对医学图像标注诊断结果的类别和诊断结果的等级。
在本实施例中的一些可选的实现方式中，第三标注单元404进一步配置用于：利用预先训练的病灶区域分割模型对已框选出病灶区域的待标注医学图像进行处理，以输出待标注医学图像中被框选出的病灶区域的分割图像，其中，病灶区域分割模型用于从已框选出病区域的医学图像中分割出病灶区域的分割图像。
在本实施例中的一些可选的实现方式中，装置400还包括图像分类模型训练单元；图像分类模型训练单元包括：第一获取模块，配置用于获取第一医学图像训练集，其中，第一医学图像训练集包括多个医学图像和每个医学图像标注的分类信息；第一训练模块，配置用于利用卷积神经网络，根据第一医学图像训练集，训练得到图像分类模型。
在本实施例中的一些可选的实现方式中，装置400还包括病灶区域检测模型训练单元；病灶区域检测模型训练单元包括：第二获取模块，配置用于获取第二医学图像训练集，其中，第二医学图像训练集包括多个医学图像和每个医学图像标注出病灶区域和病灶区域的病灶类型；第二训练单元，配置用于利用卷积神经网络，根据第二医学图像训练集，训练得到病灶区域检测模型。
在本实施例中的一些可选的实现方式中，装置400还包括病灶区域分割模型训练单元；病灶区域分割模型训练单元包括：第三获取模块，配置用于获取第三医学图像训练集，其中，第三医学图像训练集包括多个已框选出病灶区域的医学图像和各被框选出病灶区域的医学图像中的病灶区域的分割图像；第三训练模块，配置用于利用卷积神经网络，根据第三医学图像训练集，训练得到病灶区域分割模型。
在本实施例中的一些可选的实现方式中，第二标注单元403进一步配置用于：将待标注医学图像和该待标注医学图像标注的病灶区域、病灶区域的病灶类型输出到客户端，以使用户判断待标注医学图像标注的病灶区域、病灶区域的病灶类型是否正确；若是，则保存待标注医学图像标注的病灶区域和病灶区域的病灶类型；若否，则接收并保存经用户重新标注的待标注医学图像的病灶区域和病灶区域的病灶类型。
在本实施例中的一些可选的实现方式中，第三标注单元404进一步配置用于：利用病灶区域分割模型在待标注医学图像的病灶区域形成预分割区域，并输出到客户端，以使用户对预分割区域进行微调；接收并保存经用户微调后的预分割区域。
在本实施例中的一些可选的实现方式中，装置400还包括：图像分类模型重训单元，配置用于将待标注医学图片和待标注医学图片的分类信息添加到第一医学图像训练集，重新训练图像分类模型。
在本实施例中的一些可选的实现方式中，装置400还包括：病灶区域检测模型重训单元，配置用于将待标注医学图片和待标注医学图片标注出的病灶区域、病灶区域的病灶类型添加到第二医学图像训练集，重新训练病灶区域检测模型。
在本实施例中的一些可选的实现方式中，装置400还包括：病灶区域分割模型重训单元，配置用于将已框选出病灶区域的待标注医学图片和待标注医学图片的分割图像添加到第三医学图像训练集，重新训练病灶区域分割模型。
下面参考图5，其示出了适于用来实现本申请实施例的终端设备/服务器的计算机系统500的结构示意图。图5示出的终端设备/服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一标注单元、第二标注单元和第三标注单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取至少一个待标注医学图像的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取至少一个待标注医学图像；为待标注医学图像标注分类信息，其中，分类信息包括医学图像对应的诊断结果的类别和诊断结果的等级；利用预先训练的病灶区域检测模型处理待标注医学图像，在待标注医学图像中框选出病灶区域、且标注出病灶区域的病灶类型，以使待标注医学图像标注出病灶区域和病灶区域的病灶类型，其中，病灶区域检测模型用于根据在医学图像中识别出的病灶区域的位置和大小框选出病灶区域、且标注出病灶区域的病灶类型；从已框选出病灶区域的待标注医学图像中分割出被框选出的病灶区域，形成待标注医学图像分割图像，以使待标注医学图像标注出分割图像。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (24)

1.一种用于标注医学图像的方法，其特征在于，包括：
获取至少一个待标注医学图像；
为所述待标注医学图像标注分类信息，其中，所述分类信息包括医学图像对应的诊断结果的类别和诊断结果的等级；
利用预先训练的病灶区域检测模型处理所述待标注医学图像，在所述待标注医学图像中框选出病灶区域、且标注出所述病灶区域的病灶类型，以使所述待标注医学图像标注出所述病灶区域和所述病灶区域的病灶类型，其中，所述病灶区域检测模型用于根据在医学图像中识别出的所述病灶区域的位置和大小框选出所述病灶区域、且标注出所述病灶区域的病灶类型；
从已框选出所述病灶区域的所述待标注医学图像中分割出被框选出的所述病灶区域，形成所述待标注医学图像分割图像，以使所述待标注医学图像标注出所述分割图像。
2.根据权利要求1所述的方法，其特征在于，所述为所述待标注医学图像标注分类信息，包括：
利用预先训练的图像分类模型对所述待标注医学图像进行处理，以输出所述待标注医学图像的分类信息，其中，所述图像分类模型用于对医学图像标注所述分类信息。
3.根据权利要求1所述的方法，其特征在于，所述从已框选出所述病灶区域的所述待标注医学图像中分割出被框选出的所述病灶区域，形成所述待标注医学图像分割图像，包括：
利用预先训练的病灶区域分割模型对已框选出所述病灶区域的所述待标注医学图像进行处理，以输出所述待标注医学图像中被框选出的所述病灶区域的分割图像，其中，所述病灶区域分割模型用于从已框选出所述病区域的医学图像中分割出所述病灶区域的分割图像。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括训练所述图像分类模型的步骤；
所述训练所述图像分类模型的步骤包括：
获取第一医学图像训练集，其中，所述第一医学图像训练集包括多个医学图像和每个所述医学图像标注的分类信息；
利用卷积神经网络，根据所述第一医学图像训练集，训练得到所述图像分类模型。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括训练所述病灶区域检测模型的步骤；
所述训练所述病灶区域检测模型的步骤包括：
获取第二医学图像训练集，其中，所述第二医学图像训练集包括多个医学图像和每个所述医学图像标注出的所述病灶区域和所述病灶区域的病灶类型；
利用卷积神经网络，根据所述第二医学图像训练集，训练得到所述病灶区域检测模型。
6.根据权利要求3所述的方法，其特征在于，所述方法还包括训练所述病灶区域分割模型的步骤；
所述训练所述病灶区域分割模型的步骤包括：
获取第三医学图像训练集，其中，所述第三医学图像训练集包括多个已框选出病灶区域的医学图像和各被框选出病灶区域的所述医学图像的病灶区域的分割图像；
利用卷积神经网络，根据所述第三医学图像训练集，训练得到所述病灶区域分割模型。
7.根据权利要求1所述的方法，其特征在于，在利用预先训练的病灶区域检测模型处理所述待标注医学图像，在所述待标注医学图像中框选出病灶区域、且标注出所述病灶区域的病灶类型之后，还包括：
将所述待标注医学图像和该待标注医学图像标注的病灶区域、所述病灶区域的病灶类型输出到客户端，以使用户判断所述待标注医学图像标注的病灶区域、所述病灶区域的病灶类型是否正确；
若是，则保存所述待标注医学图像标注的病灶区域和所述病灶区域的病灶类型；
若否，则接收并保存经所述用户重新标注的待标注医学图像的病灶区域和所述病灶区域的病灶类型。
8.根据权利要求3所述的方法，其特征在于，在输出所述待标注医学图像中被框选出的所述病灶区域的分割图像之前，还包括：
利用所述病灶区域分割模型在所述待标注医学图像的病灶区域形成预分割区域，并输出到客户端，以使用户对所述预分割区域进行微调；
接收并保存经所述用户微调后的所述预分割区域。
9.根据权利要求4所述的方法，其特征在于，还包括：
将所述待标注医学图片和所述待标注医学图片的分类信息添加到所述第一医学图像训练集，重新训练所述图像分类模型。
10.根据权利要求5所述的方法，其特征在于，还包括：
将所述待标注医学图片和所述待标注医学图片标注出的病灶区域、所述病灶区域的病灶类型添加到所述第二医学图像训练集，重新训练所述病灶区域检测模型。
11.根据权利要求6所述的方法，其特征在于，还包括：
将所述已框选出病灶区域的待标注医学图片和所述待标注医学图片的分割图像添加到所述第三医学图像训练集，重新训练所述病灶区域分割模型。
12.一种用于标注医学图像的装置，其特征在于，包括：
获取单元，配置用于获取至少一个待标注医学图像；
第一标注单元，配置用于为所述待标注医学图像标注分类信息，其中，所述分类信息包括医学图像对应的诊断结果的类别和诊断结果的等级；
第二标注单元，配置用于利用预先训练的病灶区域检测模型处理所述待标注医学图像，在所述待标注医学图像中框选出病灶区域、且标注出所述病灶区域的病灶类型，以使所述待标注医学图像标注出所述病灶区域和所述病灶区域的病灶类型，其中，所述病灶区域检测模型用于根据在医学图像中识别出的所述病灶区域的位置和大小框选出所述病灶区域、且标注出所述病灶区域的病灶类型；
第三标注单元，配置用于从已框选出所述病灶区域的所述待标注医学图像中分割出被框选出的所述病灶区域，形成所述待标注医学图像分割图像，以使所述待标注医学图像标注出所述分割图像。
13.根据权利要求12所述的装置，其特征在于，所述第一标注单元进一步配置用于：
利用预先训练的图像分类模型对所述待标注医学图像进行处理，以输出所述待标注医学图像的分类信息，其中，所述图像分类模型用于对医学图像标注诊断结果的类别和诊断结果的等级。
14.根据权利要求12所述的装置，其特征在于，所述第三标注单元进一步配置用于：
利用预先训练的病灶区域分割模型对已框选出所述病灶区域的所述待标注医学图像进行处理，以输出所述待标注医学图像中被框选出的所述病灶区域的分割图像，其中，所述病灶区域分割模型用于从已框选出所述病区域的医学图像中分割出所述病灶区域的分割图像。
15.根据权利要求13所述的装置，其特征在于，所述装置还包括：
图像分类模型训练单元；
所述图像分类模型训练单元包括：
第一获取模块，配置用于获取第一医学图像训练集，其中，所述第一医学图像训练集包括多个医学图像和每个所述医学图像标注的分类信息；
第一训练模块，配置用于利用卷积神经网络，根据所述第一医学图像训练集，训练得到所述图像分类模型。
16.根据权利要求12所述的装置，其特征在于，所述装置还包括：
病灶区域检测模型训练单元；
所述病灶区域检测模型训练单元包括：
第二获取模块，配置用于获取第二医学图像训练集，其中，所述第二医学图像训练集包括多个医学图像和每个所述医学图像标注出所述病灶区域和所述病灶区域的病灶类型；
第二训练单元，配置用于利用卷积神经网络，根据所述第二医学图像训练集，训练得到所述病灶区域检测模型。
17.根据权利要求14所述的装置，其特征在于，所述装置还包括：
病灶区域分割模型训练单元；
所述病灶区域分割模型训练单元包括：
第三获取模块，配置用于获取第三医学图像训练集，其中，所述第三医学图像训练集包括多个已框选出病灶区域的医学图像和各被框选出病灶区域的所述医学图像中的病灶区域的分割图像；
第三训练模块，配置用于利用卷积神经网络，根据所述第三医学图像训练集，训练得到所述病灶区域分割模型。
18.根据权利要求12所述的装置，其特征在于，所述第二标注单元进一步配置用于：
将所述待标注医学图像和该待标注医学图像标注的病灶区域、所述病灶区域的病灶类型输出到客户端，以使用户判断所述待标注医学图像标注的病灶区域、所述病灶区域的病灶类型是否正确；
若是，则保存所述待标注医学图像标注的病灶区域和所述病灶区域的病灶类型；
若否，则接收并保存经所述用户重新标注的待标注医学图像的病灶区域和所述病灶区域的病灶类型。
19.根据权利要求14所述的装置，其特征在于，所述第三标注单元进一步配置用于：
利用所述病灶区域分割模型在所述待标注医学图像的病灶区域形成预分割区域，并输出到客户端，以使用户对所述预分割区域进行微调；
接收并保存经所述用户微调后的所述预分割区域。
20.根据权利要求15所述的装置，其特征在于，还包括：
图像分类模型重训单元，配置用于将所述待标注医学图片和所述待标注医学图片的分类信息添加到所述第一医学图像训练集，重新训练所述图像分类模型。
21.根据权利要求16所述的装置，其特征在于，还包括：
病灶区域检测模型重训单元，配置用于将所述待标注医学图片和所述待标注医学图片标注出的病灶区域、所述病灶区域的病灶类型添加到所述第二医学图像训练集，重新训练所述病灶区域检测模型。
22.根据权利要求17所述的装置，其特征在于，还包括：
病灶区域分割模型重训单元，配置用于将所述已框选出病灶区域的待标注医学图片和所述待标注医学图片的分割图像添加到所述第三医学图像训练集，重新训练所述病灶区域分割模型。
23.一种服务器，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-11中任一所述的方法。
24.一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，该程序被处理器执行时实现如权利要求1-11中任一所述的方法。
CN201710888651.2A 2017-09-27 2017-09-27 用于标注医学图像的方法和装置 Pending CN107563123A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710888651.2A CN107563123A (zh) 2017-09-27 2017-09-27 用于标注医学图像的方法和装置
US16/051,214 US10755411B2 (en) 2017-09-27 2018-07-31 Method and apparatus for annotating medical image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710888651.2A CN107563123A (zh) 2017-09-27 2017-09-27 用于标注医学图像的方法和装置

Publications (1)

Publication Number Publication Date
CN107563123A true CN107563123A (zh) 2018-01-09

Family

ID=60983432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710888651.2A Pending CN107563123A (zh) 2017-09-27 2017-09-27 用于标注医学图像的方法和装置

Country Status (2)

Country Link
US (1) US10755411B2 (zh)
CN (1) CN107563123A (zh)

Cited By (75)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108230339A (zh) * 2018-01-31 2018-06-29 浙江大学 一种基于伪标签迭代标注的胃癌病理切片标注补全方法
CN108461129A (zh) * 2018-03-05 2018-08-28 余夏夏 一种基于图像认证的医学影像标注方法、装置和用户终端
CN108491823A (zh) * 2018-03-30 2018-09-04 百度在线网络技术（北京）有限公司 用于生成人眼识别模型的方法和装置
CN108537784A (zh) * 2018-03-30 2018-09-14 四川元匠科技有限公司 一种基于深度学习的ct图肺结节检测方法
CN108615236A (zh) * 2018-05-08 2018-10-02 上海商汤智能科技有限公司 一种图像处理方法及电子设备
CN108630303A (zh) * 2018-04-28 2018-10-09 江苏医像信息技术有限公司 云标注系统
CN108670285A (zh) * 2018-06-05 2018-10-19 胡晓云 一种ct肺结核检测人工智能诊疗系统
CN108711161A (zh) * 2018-06-08 2018-10-26 Oppo广东移动通信有限公司 一种图像分割方法、图像分割装置及电子设备
CN108877927A (zh) * 2018-05-30 2018-11-23 李鹤 一种医学图像诊断方法
CN108922599A (zh) * 2018-06-27 2018-11-30 西南交通大学 一种基于mil的医学图像病灶点精确标注方法
CN108921839A (zh) * 2018-07-02 2018-11-30 北京百度网讯科技有限公司 连铸坯质量检测方法、装置、电子设备及存储介质
CN109117890A (zh) * 2018-08-24 2019-01-01 腾讯科技（深圳）有限公司 一种图像分类方法、装置和存储介质
CN109166120A (zh) * 2018-09-11 2019-01-08 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置
CN109242865A (zh) * 2018-09-26 2019-01-18 上海联影智能医疗科技有限公司 基于多图谱的医学图像自动分区系统、方法、装置及存储介质
CN109308695A (zh) * 2018-09-13 2019-02-05 镇江纳兰随思信息科技有限公司 基于改进U-net卷积神经网络模型的癌细胞识别方法
CN109427060A (zh) * 2018-10-30 2019-03-05 腾讯科技（深圳）有限公司 一种影像识别的方法、装置、终端设备和医疗系统
CN109446370A (zh) * 2018-10-26 2019-03-08 广州金域医学检验中心有限公司 医学图像的病理标注方法及装置、计算机可读存储介质
CN109447966A (zh) * 2018-10-26 2019-03-08 科大讯飞股份有限公司 医学图像的病灶定位识别方法、装置、设备及存储介质
CN109599166A (zh) * 2018-11-28 2019-04-09 武汉大学人民医院（湖北省人民医院） 基于深度学习的睑板腺红外图像辅助识别系统及方法
CN109658419A (zh) * 2018-11-15 2019-04-19 浙江大学 一种医学图像中小器官的分割方法
CN109671053A (zh) * 2018-11-15 2019-04-23 首都医科大学附属北京友谊医院 一种胃癌图像识别系统、装置及其应用
CN109685102A (zh) * 2018-11-13 2019-04-26 平安科技（深圳）有限公司 胸部病灶图像分类方法、装置、计算机设备及存储介质
CN109727243A (zh) * 2018-12-29 2019-05-07 无锡祥生医疗科技股份有限公司 乳腺超声图像识别分析方法及系统
CN109785306A (zh) * 2019-01-09 2019-05-21 上海联影医疗科技有限公司 器官勾画方法、装置、计算机设备和存储介质
CN109785346A (zh) * 2019-01-25 2019-05-21 中电健康云科技有限公司 基于舌相分区技术的监测模型训练方法及装置
CN109785321A (zh) * 2019-01-30 2019-05-21 杭州又拍云科技有限公司 基于深度学习和Gabor滤波器的睑板腺区域提取方法
CN109816632A (zh) * 2018-12-25 2019-05-28 东软集团股份有限公司 脑图像处理方法、装置、可读存储介质及电子设备
CN109993733A (zh) * 2019-03-27 2019-07-09 上海宽带技术及应用工程研究中心 肺部病灶的检测方法、系统、存储介质、终端及显示系统
CN110136153A (zh) * 2019-05-14 2019-08-16 上海商汤智能科技有限公司 一种图像处理方法、设备及存储介质
CN110232383A (zh) * 2019-06-18 2019-09-13 湖南省华芯医疗器械有限公司 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
CN110245657A (zh) * 2019-05-17 2019-09-17 清华大学 病理图像相似性检测方法及检测装置
WO2019200745A1 (zh) * 2018-04-20 2019-10-24 平安科技（深圳）有限公司 Mri病变位置检测方法、装置、计算机设备和存储介质
CN110490860A (zh) * 2019-08-21 2019-11-22 北京大恒普信医疗技术有限公司 糖尿病视网膜病变识别方法、装置及电子设备
CN110504029A (zh) * 2019-08-29 2019-11-26 腾讯医疗健康(深圳)有限公司 一种医学图像处理方法、医学图像识别方法及装置
CN110570483A (zh) * 2019-08-08 2019-12-13 上海联影智能医疗科技有限公司 扫描方法、装置、计算机设备和存储介质
CN110600122A (zh) * 2019-08-23 2019-12-20 腾讯医疗健康(深圳)有限公司 一种消化道影像的处理方法、装置、以及医疗系统
CN110674807A (zh) * 2019-08-06 2020-01-10 中国科学院信息工程研究所 一种基于半监督与弱监督学习的曲形场景文字检测方法
CN110675940A (zh) * 2019-08-01 2020-01-10 平安科技（深圳）有限公司 病理图像标注方法、装置、计算机设备及存储介质
CN110858396A (zh) * 2018-08-09 2020-03-03 韩国宝之铂株式会社 生成子宫颈学习数据的系统和对子宫颈学习数据进行分类的方法
CN110993064A (zh) * 2019-11-05 2020-04-10 北京邮电大学 面向深度学习的医学影像标注方法及装置
CN111063422A (zh) * 2019-12-26 2020-04-24 北京推想科技有限公司 一种医学图像标注方法、装置、设备及介质
CN111080612A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种货车轴承破损检测方法
CN111161275A (zh) * 2018-11-08 2020-05-15 腾讯科技（深圳）有限公司 医学图像中目标对象的分割方法、装置和电子设备
CN111276254A (zh) * 2020-01-13 2020-06-12 印迹信息科技（北京）有限公司 医疗开放平台系统及诊疗数据处理方法
CN111354445A (zh) * 2020-02-27 2020-06-30 复旦大学 用矩形框标注ct影像并生成深度学习训练样本的系统
CN111383744A (zh) * 2020-06-01 2020-07-07 北京协同创新研究院 医学显微图像的标注信息处理方法、系统及图像分析设备
CN111738992A (zh) * 2020-06-04 2020-10-02 科大讯飞股份有限公司 肺部病灶区域提取方法、装置、电子设备和存储介质
CN111768844A (zh) * 2020-05-27 2020-10-13 中国科学院大学宁波华美医院 用于ai模型训练的肺部ct影像标注方法
CN111932536A (zh) * 2020-09-29 2020-11-13 平安国际智慧城市科技股份有限公司 病灶标注的验证方法、装置、计算机设备及存储介质
CN111986785A (zh) * 2020-08-26 2020-11-24 北京至真互联网技术有限公司 医学影像标注方法和装置、设备及存储介质
CN112074912A (zh) * 2018-05-03 2020-12-11 皇家飞利浦有限公司 使用介入x射线图像和深度学习的交互式冠状动脉标记
CN112102929A (zh) * 2020-09-11 2020-12-18 沈阳东软智能医疗科技研究院有限公司 医学图像标注方法、装置、存储介质及电子设备
WO2020253745A1 (en) * 2019-06-17 2020-12-24 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image processing
CN112418263A (zh) * 2020-10-10 2021-02-26 上海鹰瞳医疗科技有限公司 一种医学图像病灶分割标注方法及系统
CN112614572A (zh) * 2020-12-28 2021-04-06 深圳开立生物医疗科技股份有限公司 一种病灶标记方法、装置、图像处理设备及医疗系统
CN112614128A (zh) * 2020-12-31 2021-04-06 山东大学齐鲁医院 一种基于机器学习的内镜下辅助活检的系统及方法
CN112717282A (zh) * 2021-01-14 2021-04-30 重庆翰恒医疗科技有限公司 一种光诊疗装置及全自动光诊疗系统
WO2021082416A1 (zh) * 2019-10-31 2021-05-06 北京推想科技有限公司 网络模型训练方法及装置、病灶区域确定方法及装置
WO2021087687A1 (zh) * 2019-11-04 2021-05-14 深圳迈瑞生物医疗电子股份有限公司 超声图像分析方法、超声成像系统和计算机存储介质
CN112819925A (zh) * 2021-02-26 2021-05-18 上海宝藤生物医药科技股份有限公司 病灶标注的处理方法、装置、电子设备和介质
CN112885435A (zh) * 2019-11-29 2021-06-01 天津拓影科技有限公司 图像目标区域的确定方法、装置和系统
CN112926677A (zh) * 2021-03-24 2021-06-08 中国医学科学院医学信息研究所 医学图像数据的信息标注方法、装置及系统
WO2021114630A1 (zh) * 2020-05-28 2021-06-17 平安科技（深圳）有限公司 医学图像样本筛查方法、装置、计算机设备和存储介质
CN113012134A (zh) * 2021-03-22 2021-06-22 中山大学中山眼科中心 一种多功能的医学影像数据标注系统
CN113469972A (zh) * 2021-06-30 2021-10-01 沈阳东软智能医疗科技研究院有限公司 标注医学切片图像的方法、装置、存储介质及电子设备
CN113487621A (zh) * 2021-05-25 2021-10-08 平安科技（深圳）有限公司 医学图像分级方法、装置、电子设备及可读存储介质
CN113689937A (zh) * 2021-07-07 2021-11-23 阿里巴巴新加坡控股有限公司 图像标注方法、存储介质和处理器
CN113689926A (zh) * 2021-09-30 2021-11-23 北京兴德通医药科技股份有限公司 病例识别处理方法、系统、电子设备和存储介质
CN113707289A (zh) * 2021-07-16 2021-11-26 联影智能医疗科技(北京)有限公司 医学人工智能平台及其搭建方法
CN113793307A (zh) * 2021-08-23 2021-12-14 上海派影医疗科技有限公司 一种适用于多类型病理图像的自动标注方法及系统
CN114078578A (zh) * 2020-08-06 2022-02-22 富泰华工业（深圳）有限公司 数据标注模型训练方法、装置、电子设备及存储介质
CN114419677A (zh) * 2018-04-20 2022-04-29 智能身型 用于全身测量结果提取的系统和方法
CN116310627A (zh) * 2023-01-16 2023-06-23 北京医准智能科技有限公司 模型训练方法、轮廓预测方法、装置、电子设备及介质
US11995821B2 (en) 2019-02-14 2024-05-28 Tencent Technology (Shenzhen) Company Limited Medical image region screening method and apparatus and storage medium
US12002212B2 (en) 2018-10-16 2024-06-04 Tencent Technology (Shenzhen) Company Limited Image segmentation method and apparatus, computer device, and storage medium

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10606982B2 (en) * 2017-09-06 2020-03-31 International Business Machines Corporation Iterative semi-automatic annotation for workload reduction in medical image labeling
US11227390B2 (en) 2018-09-26 2022-01-18 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for image processing
EP3706128A4 (en) * 2018-11-09 2021-05-12 Lunit Inc. ANNOTATION WORK MANAGEMENT PROCESS AND APPARATUS AND SYSTEM SUPPORTING IT
TWI697851B (zh) * 2019-05-03 2020-07-01 宏碁股份有限公司 電子裝置與模型更新方法
CN110309860B (zh) * 2019-06-06 2022-11-08 昆明理工大学 基于卷积神经网络对肺结节的恶性程度进行分类的方法
CN110349135A (zh) * 2019-06-27 2019-10-18 歌尔股份有限公司 目标检测方法和装置
CN110599451B (zh) * 2019-08-05 2023-01-20 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
WO2021086720A1 (en) * 2019-10-31 2021-05-06 Siemens Healthcare Diagnostics Inc. Methods and apparatus for automated specimen characterization using diagnostic analysis system with continuous performance based training
US11676702B2 (en) * 2019-12-16 2023-06-13 International Business Machines Corporation Method for automatic visual annotation of radiological images from patient clinical data
CN111191724B (zh) * 2019-12-31 2024-04-23 深圳市优必选科技股份有限公司 一种电梯图像标注方法、装置、计算机设备及存储介质
TWI779284B (zh) * 2020-05-06 2022-10-01 商之器科技股份有限公司 用於影像資料標註的裝置
JP7031925B1 (ja) * 2020-07-30 2022-03-08 アナウト株式会社 コンピュータプログラム、手術支援装置、及び情報処理方法
EP4196992A1 (en) * 2020-08-14 2023-06-21 Smart Reporting GmbH Automated generation of medical training data for training ai-algorithms for supporting clinical reporting and documentation
US20220139514A1 (en) 2020-11-03 2022-05-05 Nuance Communications, Inc. Communication System and Method
US20220157425A1 (en) * 2020-11-13 2022-05-19 Nuance Communications, Inc. Feedback system and method
CN119132522A (zh) * 2021-03-24 2024-12-13 深圳硅基智能科技有限公司 糖尿病视网膜病变的评估系统及其质控分级模块
CN114119571A (zh) * 2021-11-30 2022-03-01 湖南大学 一种基于双路三维卷积神经网络的肺结节检测方法
WO2023205179A1 (en) * 2022-04-19 2023-10-26 Synthesis Health Inc. Development of medical imaging ai analysis algorithms leveraging image segmentation

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103985147A (zh) * 2013-02-07 2014-08-13 西门子公司 终端用户特定诊断用医学图像读取的标志检测模型的现场学习的方法和系统
CN105513046A (zh) * 2015-11-23 2016-04-20 广州视源电子科技股份有限公司 电子元件极性的识别方法和系统、标注方法和系统
US20160364526A1 (en) * 2015-06-12 2016-12-15 Merge Healthcare Incorporated Methods and Systems for Automatically Analyzing Clinical Images Using Models Developed Using Machine Learning Based on Graphical Reporting
CN106682435A (zh) * 2016-12-31 2017-05-17 西安百利信息科技有限公司 一种多模型融合自动检测医学图像中病变的系统及方法
CN106777953A (zh) * 2016-12-09 2017-05-31 江西中科九峰智慧医疗科技有限公司 医学影像数据的分析方法及系统
CN107103187A (zh) * 2017-04-10 2017-08-29 四川省肿瘤医院 基于深度学习的肺结节检测分级与管理的方法及系统
CN107203995A (zh) * 2017-06-09 2017-09-26 合肥工业大学 内窥镜影像智能分析方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9378331B2 (en) * 2010-11-19 2016-06-28 D.R. Systems, Inc. Annotation and assessment of images
JP6438395B2 (ja) * 2012-08-22 2018-12-12 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 効果的な表示及び報告のための画像資料に関連する以前の注釈の自動検出及び取り出し
JP6490985B2 (ja) * 2014-03-11 2019-03-27 キヤノンメディカルシステムズ株式会社 医用画像処理装置および医用画像処理システム
SG10201405182WA (en) * 2014-08-25 2016-03-30 Univ Singapore Technology & Design Method and system
EP3254211A1 (en) * 2015-02-05 2017-12-13 Koninklijke Philips N.V. Contextual creation of report content for radiology reporting
US9886758B2 (en) * 2016-03-31 2018-02-06 International Business Machines Corporation Annotation of skin image using learned feature representation
US20180060487A1 (en) * 2016-08-28 2018-03-01 International Business Machines Corporation Method for automatic visual annotation of radiological images from patient clinical data

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103985147A (zh) * 2013-02-07 2014-08-13 西门子公司 终端用户特定诊断用医学图像读取的标志检测模型的现场学习的方法和系统
US20160364526A1 (en) * 2015-06-12 2016-12-15 Merge Healthcare Incorporated Methods and Systems for Automatically Analyzing Clinical Images Using Models Developed Using Machine Learning Based on Graphical Reporting
CN105513046A (zh) * 2015-11-23 2016-04-20 广州视源电子科技股份有限公司 电子元件极性的识别方法和系统、标注方法和系统
CN106777953A (zh) * 2016-12-09 2017-05-31 江西中科九峰智慧医疗科技有限公司 医学影像数据的分析方法及系统
CN106682435A (zh) * 2016-12-31 2017-05-17 西安百利信息科技有限公司 一种多模型融合自动检测医学图像中病变的系统及方法
CN107103187A (zh) * 2017-04-10 2017-08-29 四川省肿瘤医院 基于深度学习的肺结节检测分级与管理的方法及系统
CN107203995A (zh) * 2017-06-09 2017-09-26 合肥工业大学 内窥镜影像智能分析方法及系统

Cited By (106)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108230339B (zh) * 2018-01-31 2021-08-03 浙江大学 一种基于伪标签迭代标注的胃癌病理切片标注补全方法
CN108230339A (zh) * 2018-01-31 2018-06-29 浙江大学 一种基于伪标签迭代标注的胃癌病理切片标注补全方法
CN108461129B (zh) * 2018-03-05 2022-05-20 余夏夏 一种基于图像认证的医学影像标注方法、装置和用户终端
CN108461129A (zh) * 2018-03-05 2018-08-28 余夏夏 一种基于图像认证的医学影像标注方法、装置和用户终端
CN108491823A (zh) * 2018-03-30 2018-09-04 百度在线网络技术（北京）有限公司 用于生成人眼识别模型的方法和装置
CN108537784A (zh) * 2018-03-30 2018-09-14 四川元匠科技有限公司 一种基于深度学习的ct图肺结节检测方法
CN108537784B (zh) * 2018-03-30 2021-08-24 四川元匠科技有限公司 一种基于深度学习的ct图肺结节检测方法
CN108491823B (zh) * 2018-03-30 2021-12-24 百度在线网络技术（北京）有限公司 用于生成人眼识别模型的方法和装置
WO2019200745A1 (zh) * 2018-04-20 2019-10-24 平安科技（深圳）有限公司 Mri病变位置检测方法、装置、计算机设备和存储介质
CN114419677A (zh) * 2018-04-20 2022-04-29 智能身型 用于全身测量结果提取的系统和方法
CN108630303A (zh) * 2018-04-28 2018-10-09 江苏医像信息技术有限公司 云标注系统
CN112074912A (zh) * 2018-05-03 2020-12-11 皇家飞利浦有限公司 使用介入x射线图像和深度学习的交互式冠状动脉标记
US12118724B2 (en) 2018-05-03 2024-10-15 Koninklijke Philips N.V. Interactive coronary labeling using interventional x-ray images and deep learning
CN112074912B (zh) * 2018-05-03 2024-11-01 皇家飞利浦有限公司 使用介入x射线图像和深度学习的交互式冠状动脉标记
CN108615236A (zh) * 2018-05-08 2018-10-02 上海商汤智能科技有限公司 一种图像处理方法及电子设备
CN108877927A (zh) * 2018-05-30 2018-11-23 李鹤 一种医学图像诊断方法
CN108670285A (zh) * 2018-06-05 2018-10-19 胡晓云 一种ct肺结核检测人工智能诊疗系统
CN108711161A (zh) * 2018-06-08 2018-10-26 Oppo广东移动通信有限公司 一种图像分割方法、图像分割装置及电子设备
CN108922599A (zh) * 2018-06-27 2018-11-30 西南交通大学 一种基于mil的医学图像病灶点精确标注方法
CN108921839A (zh) * 2018-07-02 2018-11-30 北京百度网讯科技有限公司 连铸坯质量检测方法、装置、电子设备及存储介质
CN110858396A (zh) * 2018-08-09 2020-03-03 韩国宝之铂株式会社 生成子宫颈学习数据的系统和对子宫颈学习数据进行分类的方法
CN109117890A (zh) * 2018-08-24 2019-01-01 腾讯科技（深圳）有限公司 一种图像分类方法、装置和存储介质
CN109117890B (zh) * 2018-08-24 2020-04-21 腾讯科技（深圳）有限公司 一种图像分类方法、装置和存储介质
CN109166120A (zh) * 2018-09-11 2019-01-08 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置
CN109308695A (zh) * 2018-09-13 2019-02-05 镇江纳兰随思信息科技有限公司 基于改进U-net卷积神经网络模型的癌细胞识别方法
CN109242865A (zh) * 2018-09-26 2019-01-18 上海联影智能医疗科技有限公司 基于多图谱的医学图像自动分区系统、方法、装置及存储介质
US12002212B2 (en) 2018-10-16 2024-06-04 Tencent Technology (Shenzhen) Company Limited Image segmentation method and apparatus, computer device, and storage medium
CN109446370A (zh) * 2018-10-26 2019-03-08 广州金域医学检验中心有限公司 医学图像的病理标注方法及装置、计算机可读存储介质
CN109447966A (zh) * 2018-10-26 2019-03-08 科大讯飞股份有限公司 医学图像的病灶定位识别方法、装置、设备及存储介质
US11410306B2 (en) 2018-10-30 2022-08-09 Tencent Technology (Shenzhen) Company Limited Method, apparatus, system, and storage medium for recognizing medical image
US11610310B2 (en) 2018-10-30 2023-03-21 Tencent Technology (Shenzhen) Company Limited Method, apparatus, system, and storage medium for recognizing medical image
CN109427060A (zh) * 2018-10-30 2019-03-05 腾讯科技（深圳）有限公司 一种影像识别的方法、装置、终端设备和医疗系统
CN111161275B (zh) * 2018-11-08 2022-12-23 腾讯科技（深圳）有限公司 医学图像中目标对象的分割方法、装置和电子设备
CN111161275A (zh) * 2018-11-08 2020-05-15 腾讯科技（深圳）有限公司 医学图像中目标对象的分割方法、装置和电子设备
CN109685102A (zh) * 2018-11-13 2019-04-26 平安科技（深圳）有限公司 胸部病灶图像分类方法、装置、计算机设备及存储介质
CN109658419A (zh) * 2018-11-15 2019-04-19 浙江大学 一种医学图像中小器官的分割方法
CN109671053A (zh) * 2018-11-15 2019-04-23 首都医科大学附属北京友谊医院 一种胃癌图像识别系统、装置及其应用
CN109599166A (zh) * 2018-11-28 2019-04-09 武汉大学人民医院（湖北省人民医院） 基于深度学习的睑板腺红外图像辅助识别系统及方法
CN109816632A (zh) * 2018-12-25 2019-05-28 东软集团股份有限公司 脑图像处理方法、装置、可读存储介质及电子设备
CN109727243A (zh) * 2018-12-29 2019-05-07 无锡祥生医疗科技股份有限公司 乳腺超声图像识别分析方法及系统
CN109785306A (zh) * 2019-01-09 2019-05-21 上海联影医疗科技有限公司 器官勾画方法、装置、计算机设备和存储介质
CN109785346A (zh) * 2019-01-25 2019-05-21 中电健康云科技有限公司 基于舌相分区技术的监测模型训练方法及装置
CN109785321A (zh) * 2019-01-30 2019-05-21 杭州又拍云科技有限公司 基于深度学习和Gabor滤波器的睑板腺区域提取方法
US11995821B2 (en) 2019-02-14 2024-05-28 Tencent Technology (Shenzhen) Company Limited Medical image region screening method and apparatus and storage medium
CN109993733A (zh) * 2019-03-27 2019-07-09 上海宽带技术及应用工程研究中心 肺部病灶的检测方法、系统、存储介质、终端及显示系统
CN110136153B (zh) * 2019-05-14 2022-03-15 上海商汤智能科技有限公司 一种图像处理方法、设备及存储介质
CN110136153A (zh) * 2019-05-14 2019-08-16 上海商汤智能科技有限公司 一种图像处理方法、设备及存储介质
CN110245657A (zh) * 2019-05-17 2019-09-17 清华大学 病理图像相似性检测方法及检测装置
CN110245657B (zh) * 2019-05-17 2021-08-24 清华大学 病理图像相似性检测方法及检测装置
WO2020253745A1 (en) * 2019-06-17 2020-12-24 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image processing
CN110232383A (zh) * 2019-06-18 2019-09-13 湖南省华芯医疗器械有限公司 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
WO2021017272A1 (zh) * 2019-08-01 2021-02-04 平安科技（深圳）有限公司 病理图像标注方法、装置、计算机设备及存储介质
CN110675940A (zh) * 2019-08-01 2020-01-10 平安科技（深圳）有限公司 病理图像标注方法、装置、计算机设备及存储介质
CN110674807A (zh) * 2019-08-06 2020-01-10 中国科学院信息工程研究所 一种基于半监督与弱监督学习的曲形场景文字检测方法
CN110570483B (zh) * 2019-08-08 2023-12-22 上海联影智能医疗科技有限公司 扫描方法、装置、计算机设备和存储介质
CN110570483A (zh) * 2019-08-08 2019-12-13 上海联影智能医疗科技有限公司 扫描方法、装置、计算机设备和存储介质
CN110490860A (zh) * 2019-08-21 2019-11-22 北京大恒普信医疗技术有限公司 糖尿病视网膜病变识别方法、装置及电子设备
CN110600122B (zh) * 2019-08-23 2023-08-29 腾讯医疗健康(深圳)有限公司 一种消化道影像的处理方法、装置、以及医疗系统
CN110600122A (zh) * 2019-08-23 2019-12-20 腾讯医疗健康(深圳)有限公司 一种消化道影像的处理方法、装置、以及医疗系统
CN110504029A (zh) * 2019-08-29 2019-11-26 腾讯医疗健康(深圳)有限公司 一种医学图像处理方法、医学图像识别方法及装置
WO2021082416A1 (zh) * 2019-10-31 2021-05-06 北京推想科技有限公司 网络模型训练方法及装置、病灶区域确定方法及装置
WO2021087687A1 (zh) * 2019-11-04 2021-05-14 深圳迈瑞生物医疗电子股份有限公司 超声图像分析方法、超声成像系统和计算机存储介质
CN110993064A (zh) * 2019-11-05 2020-04-10 北京邮电大学 面向深度学习的医学影像标注方法及装置
CN110993064B (zh) * 2019-11-05 2023-03-21 北京邮电大学 面向深度学习的医学影像标注方法及装置
CN112885435B (zh) * 2019-11-29 2023-04-21 天津拓影科技有限公司 图像目标区域的确定方法、装置和系统
CN112885435A (zh) * 2019-11-29 2021-06-01 天津拓影科技有限公司 图像目标区域的确定方法、装置和系统
CN111080612A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种货车轴承破损检测方法
CN111063422A (zh) * 2019-12-26 2020-04-24 北京推想科技有限公司 一种医学图像标注方法、装置、设备及介质
CN111276254A (zh) * 2020-01-13 2020-06-12 印迹信息科技（北京）有限公司 医疗开放平台系统及诊疗数据处理方法
CN111354445A (zh) * 2020-02-27 2020-06-30 复旦大学 用矩形框标注ct影像并生成深度学习训练样本的系统
CN111768844A (zh) * 2020-05-27 2020-10-13 中国科学院大学宁波华美医院 用于ai模型训练的肺部ct影像标注方法
CN111768844B (zh) * 2020-05-27 2022-05-13 中国科学院大学宁波华美医院 用于ai模型训练的肺部ct影像标注方法
WO2021114630A1 (zh) * 2020-05-28 2021-06-17 平安科技（深圳）有限公司 医学图像样本筛查方法、装置、计算机设备和存储介质
CN111383744A (zh) * 2020-06-01 2020-07-07 北京协同创新研究院 医学显微图像的标注信息处理方法、系统及图像分析设备
CN111738992A (zh) * 2020-06-04 2020-10-02 科大讯飞股份有限公司 肺部病灶区域提取方法、装置、电子设备和存储介质
CN111738992B (zh) * 2020-06-04 2023-12-22 讯飞医疗科技股份有限公司 肺部病灶区域提取方法、装置、电子设备和存储介质
CN114078578A (zh) * 2020-08-06 2022-02-22 富泰华工业（深圳）有限公司 数据标注模型训练方法、装置、电子设备及存储介质
WO2022042348A1 (zh) * 2020-08-26 2022-03-03 北京至真互联网技术有限公司 医学影像标注方法和装置、设备及存储介质
CN111986785B (zh) * 2020-08-26 2023-09-12 北京至真互联网技术有限公司 医学影像标注方法和装置、设备及存储介质
CN111986785A (zh) * 2020-08-26 2020-11-24 北京至真互联网技术有限公司 医学影像标注方法和装置、设备及存储介质
CN112102929A (zh) * 2020-09-11 2020-12-18 沈阳东软智能医疗科技研究院有限公司 医学图像标注方法、装置、存储介质及电子设备
CN111932536A (zh) * 2020-09-29 2020-11-13 平安国际智慧城市科技股份有限公司 病灶标注的验证方法、装置、计算机设备及存储介质
CN111932536B (zh) * 2020-09-29 2021-03-05 平安国际智慧城市科技股份有限公司 病灶标注的验证方法、装置、计算机设备及存储介质
CN112418263A (zh) * 2020-10-10 2021-02-26 上海鹰瞳医疗科技有限公司 一种医学图像病灶分割标注方法及系统
CN112614572A (zh) * 2020-12-28 2021-04-06 深圳开立生物医疗科技股份有限公司 一种病灶标记方法、装置、图像处理设备及医疗系统
CN112614128A (zh) * 2020-12-31 2021-04-06 山东大学齐鲁医院 一种基于机器学习的内镜下辅助活检的系统及方法
CN112717282A (zh) * 2021-01-14 2021-04-30 重庆翰恒医疗科技有限公司 一种光诊疗装置及全自动光诊疗系统
CN112717282B (zh) * 2021-01-14 2023-01-10 重庆翰恒医疗科技有限公司 一种光诊疗装置及全自动光诊疗系统
CN112819925A (zh) * 2021-02-26 2021-05-18 上海宝藤生物医药科技股份有限公司 病灶标注的处理方法、装置、电子设备和介质
CN112819925B (zh) * 2021-02-26 2024-08-27 上海宝藤生物医药科技股份有限公司 病灶标注的处理方法、装置、电子设备和介质
CN113012134A (zh) * 2021-03-22 2021-06-22 中山大学中山眼科中心 一种多功能的医学影像数据标注系统
CN112926677A (zh) * 2021-03-24 2021-06-08 中国医学科学院医学信息研究所 医学图像数据的信息标注方法、装置及系统
CN112926677B (zh) * 2021-03-24 2024-02-02 中国医学科学院医学信息研究所 医学图像数据的信息标注方法、装置及系统
WO2022247007A1 (zh) * 2021-05-25 2022-12-01 平安科技（深圳）有限公司 医学图像分级方法、装置、电子设备及可读存储介质
CN113487621A (zh) * 2021-05-25 2021-10-08 平安科技（深圳）有限公司 医学图像分级方法、装置、电子设备及可读存储介质
CN113487621B (zh) * 2021-05-25 2024-07-12 山东省眼科研究所 医学图像分级方法、装置、电子设备及可读存储介质
CN113469972A (zh) * 2021-06-30 2021-10-01 沈阳东软智能医疗科技研究院有限公司 标注医学切片图像的方法、装置、存储介质及电子设备
CN113469972B (zh) * 2021-06-30 2024-04-23 沈阳东软智能医疗科技研究院有限公司 标注医学切片图像的方法、装置、存储介质及电子设备
CN113689937A (zh) * 2021-07-07 2021-11-23 阿里巴巴新加坡控股有限公司 图像标注方法、存储介质和处理器
CN113707289B (zh) * 2021-07-16 2023-11-10 联影智能医疗科技(北京)有限公司 医学人工智能平台及其搭建方法
CN113707289A (zh) * 2021-07-16 2021-11-26 联影智能医疗科技(北京)有限公司 医学人工智能平台及其搭建方法
CN113793307A (zh) * 2021-08-23 2021-12-14 上海派影医疗科技有限公司 一种适用于多类型病理图像的自动标注方法及系统
CN113793307B (zh) * 2021-08-23 2024-11-08 上海派影医疗科技有限公司 一种适用于多类型病理图像的自动标注方法及系统
CN113689926A (zh) * 2021-09-30 2021-11-23 北京兴德通医药科技股份有限公司 病例识别处理方法、系统、电子设备和存储介质
CN116310627A (zh) * 2023-01-16 2023-06-23 北京医准智能科技有限公司 模型训练方法、轮廓预测方法、装置、电子设备及介质
CN116310627B (zh) * 2023-01-16 2024-02-02 浙江医准智能科技有限公司 模型训练方法、轮廓预测方法、装置、电子设备及介质

Also Published As

Publication number Publication date
US20190096060A1 (en) 2019-03-28
US10755411B2 (en) 2020-08-25

Similar Documents

Publication Publication Date Title
CN107563123A (zh) 用于标注医学图像的方法和装置
CN107680684B (zh) 用于获取信息的方法及装置
CN107729929A (zh) 用于获取信息的方法及装置
CN107665736A (zh) 用于生成信息的方法和装置
JP2021509713A (ja) 腫瘍を識別するための畳み込みニューラルネットワークを用いた組織像の処理
US20160210749A1 (en) Method and system for cross-domain synthesis of medical images using contextual deep network
CN108038880A (zh) 用于处理图像的方法和装置
US11301995B2 (en) Feature identification in medical imaging
Lavdas et al. Machine learning in whole-body MRI: experiences and challenges from an applied study using multicentre data
CN105975980A (zh) 监控图像标注质量的方法和装置
CN109741317A (zh) 医学影像智能评价方法
CN109389169A (zh) 用于处理图像的方法和装置
CN109934242A (zh) 图片识别方法和装置
CN108509921A (zh) 用于生成信息的方法和装置
US11721023B1 (en) Distinguishing a disease state from a non-disease state in an image
CN109887077A (zh) 用于生成三维模型的方法和装置
CN109214501A (zh) 用于识别信息的方法和装置
CN109241934A (zh) 用于生成信息的方法和装置
CN108427941A (zh) 用于生成人脸检测模型的方法、人脸检测方法和装置
CN109003670A (zh) 大数据医疗信息处理方法、系统、终端设备及存储介质
CN110298850A (zh) 眼底图像的分割方法和装置
Thurston et al. Neural network detection of pacemakers for MRI safety
CN108399401A (zh) 用于检测人脸图像的方法和装置
CN107910066A (zh) 病历评估方法、装置、电子设备及存储介质
CN109165572A (zh) 用于生成信息的方法和装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180109