CN108257674A - 疾病预测方法和装置、设备、计算机可读存储介质 - Google Patents
疾病预测方法和装置、设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN108257674A CN108257674A CN201810067732.0A CN201810067732A CN108257674A CN 108257674 A CN108257674 A CN 108257674A CN 201810067732 A CN201810067732 A CN 201810067732A CN 108257674 A CN108257674 A CN 108257674A
- Authority
- CN
- China
- Prior art keywords
- lesion
- image
- medical image
- obtains
- disease
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 137
- 201000010099 disease Diseases 0.000 title claims abstract description 134
- 238000013277 forecasting method Methods 0.000 title claims abstract description 23
- 230000003902 lesion Effects 0.000 claims abstract description 218
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000003814 drug Substances 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 16
- 201000005202 lung cancer Diseases 0.000 description 16
- 208000020816 lung neoplasm Diseases 0.000 description 16
- 238000003745 diagnosis Methods 0.000 description 15
- 238000000034 method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000002685 pulmonary effect Effects 0.000 description 3
- 206010062717 Increased upper airway secretion Diseases 0.000 description 2
- 238000013276 bronchoscopy Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000505 pernicious effect Effects 0.000 description 2
- 208000026435 phlegm Diseases 0.000 description 2
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 1
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 208000002151 Pleural effusion Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 210000001370 mediastinum Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 210000004224 pleura Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 210000003802 sputum Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种疾病预测方法和装置、设备、计算机可读存储介质。所述疾病预测方法包括：响应于疾病预测指令，获取医学图像；对所述医学图像进行检测，获得至少一个病灶的位置信息；根据所述位置信息，从所述医学图像中提取获得每个所述病灶的病灶图像；将每个所述病灶图像输入至疾病预测模型，获得相应的疾病预测结果。采用本发明，能够实现对疾病的预测，从而提高对疾病进行诊断的效率和正确度。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种疾病预测方法和装置、设备、计算机可读存储介质。
背景技术
根据国家癌症中心公布的数据，全国恶性肿瘤发病及死亡第1位是肺癌，每年约59.1万人死于肺癌。针对肺癌，现有的11种主流的诊断方式为：
1)胸部X线检查：是诊断肺癌的一个重要手段，可通过透视或正侧位X线胸片发现肺部阴影；
2)胸部CT：可以较早发现和清楚显示在肺门、肺内及纵隔内病变的大小、形状和累积范围，有助于诊断肺癌是否能切除；
3)磁共振显像(MRI)：确定肺癌侵润范围、分期和对手术切除可能性的判断；
4)正电子发射计算机体层现象(PET)：有助于鉴别肿瘤的良、恶性；
5)痰细胞检查：通过痰检可使部分肺癌病人获得确诊，同时可判断肺癌的组织学类型，但要连续检查4到6次才能获得结果；
6)纤维支气管镜检查：可以获取病理学诊断，对确定病变范围、明确手术方式有帮助；
7)数字减影血管造影：可以了解肺门有无淋巴结转移及肿瘤侵犯支气管壁的程度，明确肺叶阴影中有无具体病变；
8)经皮肺穿刺活检：适用于痰细胞学和支气管镜检查无法获得阳性结果，肺内病灶较小的外围性肿块以及新的外围性肺部病变，生长史不明确的病变，肺内多结节病变，具有不能治愈倾向的病人，不需切除的病变；
9)纵隔镜检查：有利于肿瘤的诊断及TNM分期；
10)胸腔镜检查：主要用于确定胸腔积液或胸膜肿块的性质；
11)血清肿瘤标志物检测：通过对病变分泌入血的特有物质检测来间接判断恶性病灶的存在。
早期肺癌多表现为肺部结节，它们尺寸小、对比度低、形状异质化高，而在现有技术中，对肺癌进行诊断通常都是由医生对病人的CT图像等放射影像进行人工识别，判断其中是否包含结节来实现的，因此，对早期肺癌的诊断十分困难，诊断效率十分低下。另外，由于人工诊断十分依赖于医生的经验判断，不同医生可能给出不同的诊断结果，且当CT图像的数量十分庞大时，医生的工作量十分巨大，容易出现因疲劳而诊断错误的现象，因此诊断的正确度不高。
发明内容
本发明实施例提出一种疾病预测方法和装置、设备、计算机可读存储介质，能够实现对疾病的预测，从而提高对疾病进行诊断的效率和正确度。
本发明例提供的一种疾病预测方法，具体包括：
响应于疾病预测指令，获取医学图像；
对所述医学图像进行检测，获得至少一个病灶的位置信息；
根据所述位置信息，从所述医学图像中提取获得每个所述病灶的病灶图像；
将每个所述病灶图像输入至疾病预测模型，获得相应的疾病预测结果。
进一步地，所述医学图像中包含至少两个医学图像层；
则在所述响应于疾病预测指令，获取医学图像之后，所述对所述医学图像进行检测，获得至少一个病灶的位置信息之前，还包括：
对所述医学图像进行图像预处理；
所述对所述医学图像进行图像预处理，具体包括：
对所述医学图像进行格式转换，获得格式为标准亨氏单位的所述医学图像；和/或，
将所述医学图像中的各个医学图像层的间距调整为相等间距；和/或，
对所述医学图像进行去噪处理。
进一步地，所述对所述医学图像进行检测，获得至少一个病灶的位置信息，具体包括：
将所述医学图像输入至病灶检测模型，获得至少一个所述病灶的位置信息。
进一步地，在所述将所述医学图像输入至病灶检测模型，获得至少一个所述病灶的位置信息之前，还包括：
获得至少一个训练医学图像和每个所述训练医学图像对应的第一病灶位置信息；
将每个所述训练医学图像输入至三维卷积神经网络，获得每个所述训练医学图像对应的第二病灶位置信息；
根据每个所述第一病灶位置信息和对应的所述第二病灶位置信息，对所述三维卷积神经网络进行调整，获得所述病灶检测模型。
进一步地，所述将所述医学图像输入至病灶检测模型，获得至少一个所述病灶的位置信息，具体包括：
将所述医学图像输入至所述病灶检测模型，获得至少一个所述病灶的位置信息和对应的置信度；
则所述根据所述位置信息，从所述医学图像中提取获得每个所述病灶的病灶图像，具体包括：
从所述医学图像中提取获得所述置信度最高的5个所述病灶的位置信息所对应的病灶图像。
进一步地，所述将每个所述病灶图像输入至疾病预测模型，获得相应的疾病预测结果，具体包括：
将每个所述病灶图像输入至所述疾病预测模型，获得每个病灶图像对应的预测值；
根据每个所述病灶图像对应的预测值和预设的阈值，生成相应的疾病预测结果。
进一步地，在所述将每个所述病灶图像输入至疾病预测模型，获得相应的疾病预测结果之前，还包括：
获得至少一个训练病灶图像和每个所述训练病灶图像对应的第一病灶程度信息；
将每个所述训练病灶图像输入至图像特征提取模型，获得每个所述训练病灶图像对应的图像特征信息；
将每个所述图像特征信息输入至预设的全连接分类网络，获得每个所述训练病灶图像对应的第二病灶程度信息；
根据每个所述第一病灶程度信息和对应的所述第二病灶程度信息，对所述全连接分类网络进行调整，获得所述疾病预测模型。
相应地，本发明实施例还提供了一种疾病预测装置，具体包括：
医学图像获取模块，用于响应于疾病预测指令，获取医学图像；
病灶位置识别模块，用于对所述医学图像进行检测，获得至少一个病灶的位置信息；
病灶图像提取模块，用于根据所述位置信息，从所述医学图像中提取获得每个所述病灶的病灶图像；以及，
预测结果生成模块，用于将每个所述病灶图像输入至疾病预测模型，获得相应的疾病预测结果。
本发明实施例还提供了一种设备，具体包括至少一个存储器以及至少一个处理器；
所述存储器，包括存储于其中的至少一个可执行程序；
所述可执行程序在由所述处理器执行时，使得所述处理器实现如上所述的疾病预测方法。
本发明实施例还提供了一种计算机可读存储介质，具体包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的疾病预测方法。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的疾病预测方法和装置、设备、计算机可读存储介质，通过自动对医学图像中的病灶的位置进行识别，并根据预设的疾病预测模型对各个病灶进行自动的判断，从而实现对疾病的预测，使得医生在对疾病进行诊断的过程中结合该疾病预测结果来对疾病进行诊断，能够提高疾病的诊断效率和正确度。
附图说明
图1是本发明提供的疾病预测方法的一个优选的实施例的流程示意图；
图2是本发明提供的疾病预测装置的一个优选的实施例的结构示意图；
图3是本发明提供的设备的一个优选的实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，为本发明提供的疾病预测方法的一个优选的实施例的流程示意图，包括步骤S11至S14，具体如下：
S11：响应于疾病预测指令，获取医学图像。
需要说明的是，本发明实施例由设备执行。该设备在接收到疾病预测指令后，获取相应的待分析预测的医学图像。其中，该医学图像可以为CT图像。
可以理解的是，所获取的医学图像为格式符合预设条件且在扫描过程中未出现断档的图像。
最优选地，本实施例应用于对肺癌进行预测。在对肺癌进行预测的过程中，上述医学图像具体为肺部组织所在区域的图像。具体地，设备在接收到肺癌预测指令之后，获取相应的人体CT图像，并在识别出该人体CT图像中的肺部组织所在区域之后，将该区域图像切割出来，即可获得上述待检测的医学图像。在一些具体的实施例中，将肺部组织所在区域的图像从人体CT图像中切割出来可以通过将该人体CT图像中的非肺部组织所在区域的图像强度设置为170实现。
S12：对所述医学图像进行检测，获得至少一个病灶的位置信息。
需要说明的是，上述设备在获取医学图像之后，对该医学图像中的各个像素进行识别和分析，从而检测出该医学图像中的各个病灶的位置。
S13：根据所述位置信息，从所述医学图像中提取获得每个所述病灶的病灶图像。
需要说明的是，在识别出上述医学图像中的各个病灶的位置之后，将各个病灶从上述医学图像中切割出来，从而获得若干病灶图像。
S14：将每个所述病灶图像输入至疾病预测模型，获得相应的疾病预测结果。
需要说明的是，在从上述医学图像中提取获得各个病灶图像后，将各个病灶图像输入至预先训练好的疾病预测模型中，从而按照预设的规则实现对疾病的预测。
本实施例通过自动对医学图像中的病灶的位置进行识别，并根据预设的疾病预测模型对各个病灶进行自动的判断，从而实现对疾病的预测，使得医生在对疾病进行诊断的过程中结合该疾病预测结果来对疾病进行诊断，能够提高疾病的诊断效率和正确度。
在另一个优选的实施例中，所述医学图像中包含至少两个医学图像层。
则在上述步骤S11之后，步骤S12之前，还包括步骤S15，具体如下：
S15：对所述医学图像进行图像预处理。
上述步骤S15可以进一步包括子步骤S1501、S1502和/或S1503，具体如下：
S1501：对所述医学图像进行格式转换，获得格式为标准亨氏单位的所述医学图像。
需要说明的是，上述设备获得的医学图像的格式一般为DICOM格式。
S1502：将所述医学图像中的各个医学图像层的间距调整为相等间距。
需要说明的是，在医学图像中，各个医学图像层件的间距一般为毫米级间距。
S1503：对所述医学图像进行去噪处理。
需要说明的是，在本实施例中，一般采用高斯滤波方法对医学图像进行去噪处理。
在一些具体的实施例中，还可以对医学图像进行尺寸缩放、阈值处理、形态学处理等预处理。
在又一个优选的实施例中，上述步骤S12可以进一步包括子步骤S1201，具体如下：
S1201：将所述医学图像输入至病灶检测模型，获得至少一个所述病灶的位置信息。
需要说明的是，上述设备在获得上述医学图像之后，将该医学图像输入至上述病灶检测模型中，从而获得该医学图像中疑似为病灶的区域的位置信息。
更优选地，上述子步骤S1201还可以进一步包括步骤S1201_1，具体如下：
S1201_1：将所述医学图像输入至所述病灶检测模型，获得至少一个所述病灶的位置信息和对应的置信度。
需要说明的是，在本实施例中，上述病灶检测模型还可以输出各个疑似为病灶的区域的疑似程度，即获得各个疑似为病灶的区域的置信度。
则上述步骤S13进一步包括子步骤S1301，具体如下：
S1301：从所述医学图像中提取获得所述置信度最高的5个所述病灶的位置信息所对应的病灶图像。
需要说明的是，在本实施例中，根据上述病灶检测模型输出的置信度，从所有疑似病灶中筛选出最为可疑的5个病灶，并将这5个病灶作为疾病预测对象，因此，从上述医学图像中提取出这5个病灶所对应的病灶图像。
可以理解的是，所筛选的病灶的个数为5个为一种最优的实施方式，在一些具体的实施例中，所筛选的病灶的个数可以根据实际情况和需求进行调整，在此不作限定。
在上述S1201之前，还可以包括步骤S01至S03，具体如下：
S01：获得至少一个训练医学图像和每个所述训练医学图像对应的第一病灶位置信息。
需要说明的是，在本实施例中，需要事先对上述病灶检测模型进行训练。因此首先获得若干用于训练该病灶检测模型的训练医学图像。其中，这些训练医学图像是已经确诊的医学图像，因此，每个训练医学图像具有对应的已经经过确诊的第一病灶位置信息。
S02：将每个所述训练医学图像输入至三维卷积神经网络，获得每个所述训练医学图像对应的第二病灶位置信息。
需要说明的是，上述设备在获得各个训练医学图像之后，将各个训练医学图像输入至三维卷积神经网络(CNN)，并利用该三维卷积神经网络提取获得各个训练医学图像的图像特征，从而识别出各个训练医学图像中的疑似病灶的位置，即获得各个训练医学图像中的第二病灶位置信息。
S03：根据每个所述第一病灶位置信息和对应的所述第二病灶位置信息，对所述三维卷积神经网络进行调整，获得所述病灶检测模型。
需要说明的是，在识别获得各个训练医学图像的第二病灶位置信息之后，将这些第二病灶位置信息与各个训练医学图像的第一病灶位置信息进行比较，通过定义损失函数，计算损失值，判断二者是否一致。随后，根据比较的结果，通过采用反向传播算法对上述三维卷积神经网络中的各个参数(一般为权值)进行迭代更新，经过多次训练，获得上述病灶检测模型。
在又一个优选的实施例中，上述步骤S14还可以进一步包括子步骤S1401至S1402，具体如下：
S1401：将每个所述病灶图像输入至所述疾病预测模型，获得每个病灶图像对应的预测值。
需要说明的是，在本实施例中，可以将疾病的预测值的范围定义为1至25。
S1402：根据每个所述病灶图像对应的预测值和预设的阈值，生成相应的疾病预测结果。
需要说明的是，在获得各个病灶图像对应的预测值之后，将该预测值与预先设置的阈值进行比较，从而生成对应的预测结果。例如，在肺癌预测领域，假设将疾病的预测值的范围定义为1至25，则可以设定当预测值为1至10时，输出疾病预测结果为肺癌早期；预测值为11至15时，输出疾病预测结果为肺癌中期；预测值为16至20时，输出疾病预测结果为肺癌晚期。
在上述步骤S14之前，还可以包括步骤S04至S07，具体如下：
S04：获得至少一个训练病灶图像和每个所述训练病灶图像对应的第一病灶程度信息。
需要说明的是，在本实施例中，需要事先对上述疾病预测模型进行训练。因此首先获得若干用于训练该病灶检测模型的训练病灶图像。其中，这些训练病灶图像是已经确诊的病灶图像，因此，每个训练病灶图像具有对应的已经经过确诊的第一病灶程度信息。
S05：将每个所述训练病灶图像输入至图像特征提取模型，获得每个所述训练病灶图像对应的图像特征信息。
需要说明的是，上述设备在获得上述训练病灶图像之后，将各个训练病灶图像输入至预先设置的图像特征提取模型中，从而识别获得各个训练病灶图像所对应的图像特征，生成对应的图像特征信息。
需要进一步说明的是，在一些具体的实施例中，上述图像特征提取模型可以为前述的病灶检测模型，则上述图像特征信息为该病灶检测模型中的最后一层卷积层中的数据信息。
S06：将每个所述图像特征信息输入至预设的全连接分类网络，获得每个所述训练病灶图像对应的第二病灶程度信息。
需要说明的是，上述设备在获得各个训练病灶图像对应的图像特征信息之后，将这些图像特征信息输入至预先设置的全连接分类网络中，从而获得每个训练病灶图像对应的第二病灶程度信息。其中，该全连接分类网络由两个连续的全连接层组成。
S07：根据每个所述第一病灶程度信息和对应的所述第二病灶程度信息，对所述全连接分类网络进行调整，获得所述疾病预测模型。
需要说明的是，在识别获得各个训练病灶图像的第二病灶程度信息之后，将这些第二病灶程度信息与各个训练病灶图像的第一病灶程度信息进行比较，通过定义损失函数，计算损失值，判断二者是否一致。随后，根据比较的结果，通过采用反向传播算法对上述全连接分类网络中的各个参数(一般为权值)进行迭代更新，经过多次训练，获得上述疾病预测模型。
需要进一步说明的是，上述步骤标号仅用于表示不同的步骤，而不对各个步骤之间的执行顺序进行限定。
本发明实施例提供的疾病预测方法，通过自动对医学图像中的病灶的位置进行识别，并根据预设的疾病预测模型对各个病灶进行自动的判断，从而实现对疾病的预测，使得医生在对疾病进行诊断的过程中结合该疾病预测结果来对疾病进行诊断，能够提高疾病的诊断效率和正确度。
相应地，本发明还提供一种疾病预测装置，能够实现上述实施例中的疾病预测方法的所有流程。
如图2所示，为本发明提供的疾病预测装置的一个优选的实施例的结构示意图，具体如下：
医学图像获取模块21，用于响应于疾病预测指令，获取医学图像；
病灶位置识别模块22，用于对所述医学图像进行检测，获得至少一个病灶的位置信息；
病灶图像提取模块23，用于根据所述位置信息，从所述医学图像中提取获得每个所述病灶的病灶图像；以及，
预测结果生成模块24，用于将每个所述病灶图像输入至疾病预测模型，获得相应的疾病预测结果。
进一步地，所述医学图像中包含至少两个医学图像层；
则所述疾病预测装置，还包括：
图像预处理模块，用于对所述医学图像进行图像预处理；
所述图像预处理模块，具体包括：
格式转换单元，用于对所述医学图像进行格式转换，获得格式为标准亨氏单位的所述医学图像；和/或，
层间距调整单元，用于将所述医学图像中的各个医学图像层的间距调整为相等间距；和/或，
去噪处理单元，用于对所述医学图像进行去噪处理。
进一步地，所述病灶位置识别模块，具体包括：
位置信息获得单元，用于将所述医学图像输入至病灶检测模型，获得至少一个所述病灶的位置信息。
进一步地，所述疾病预测装置，还包括：
第一病灶位置信息获得模块，用于获得至少一个训练医学图像和每个所述训练医学图像对应的第一病灶位置信息；
第二病灶位置信息获得模块，用于将每个所述训练医学图像输入至三维卷积神经网络，获得每个所述训练医学图像对应的第二病灶位置信息；以及，
病灶检测模型训练获得模块，用于根据每个所述第一病灶位置信息和对应的所述第二病灶位置信息，对所述三维卷积神经网络进行调整，获得所述病灶检测模型。
进一步地，所述位置信息获得单元，具体包括：
位置信息获得子单元，用于将所述医学图像输入至所述病灶检测模型，获得至少一个所述病灶的位置信息和对应的置信度；
则所述病灶图像提取模块，具体包括：
病灶图像提取单元，用于从所述医学图像中提取获得所述置信度最高的5个所述病灶的位置信息所对应的病灶图像。
进一步地，所述预测结果生成模块，具体包括：
预测值获得单元，用于将每个所述病灶图像输入至所述疾病预测模型，获得每个病灶图像对应的预测值；以及，
预测结果生成单元，用于根据每个所述病灶图像对应的预测值和预设的阈值，生成相应的疾病预测结果。
进一步地，所述疾病预测装置，还包括：
第一病灶程度信息获得模块，用于获得至少一个训练病灶图像和每个所述训练病灶图像对应的第一病灶程度信息；
图像特征信息获得模块，用于将每个所述训练病灶图像输入至图像特征提取模型，获得每个所述训练病灶图像对应的图像特征信息；
第一病灶程度信息获得模块，用于将每个所述图像特征信息输入至预设的全连接分类网络，获得每个所述训练病灶图像对应的第二病灶程度信息；以及，
疾病预测模型训练获得模块，用于根据每个所述第一病灶程度信息和对应的所述第二病灶程度信息，对所述全连接分类网络进行调整，获得所述疾病预测模型。
本发明实施例提供的疾病预测装置，通过自动对医学图像中的病灶的位置进行识别，并根据预设的疾病预测模型对各个病灶进行自动的判断，从而实现对疾病的预测，使得医生在对疾病进行诊断的过程中结合该疾病预测结果来对疾病进行诊断，能够提高疾病的诊断效率和正确度。
本发明还提供了一种设备。
如图3所示，为本发明提供的设备的一个优选的实施例的结构示意图，具体包括至少一个存储器31以及至少一个处理器32；
所述存储器31，包括存储于其中的至少一个可执行程序；
所述可执行程序在由所述处理器32执行时，使得所述处理器32实现如上任一实施例所述的疾病预测方法。
需要说明的是，图3仅以该设备中的一个存储器和一个处理器相连接为例进行示意，在一些具体的实施例中，该设备中还可以包括多个存储器和/或多个处理器，其具体的数目及连接方式可根据实际情况需要进行设置和适应性调整。
本发明实施例提供的设备，通过自动对医学图像中的病灶的位置进行识别，并根据预设的疾病预测模型对各个病灶进行自动的判断，从而实现对疾病的预测，使得医生在对疾病进行诊断的过程中结合该疾病预测结果来对疾病进行诊断，能够提高疾病的诊断效率和正确度。
本发明还提供了一种计算机可读存储介质，具体包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的疾病预测方法。
需要说明的是，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要进一步说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明实施例提供的计算机可读存储介质，通过自动对医学图像中的病灶的位置进行识别，并根据预设的疾病预测模型对各个病灶进行自动的判断，从而实现对疾病的预测，使得医生在对疾病进行诊断的过程中结合该疾病预测结果来对疾病进行诊断，能够提高疾病的诊断效率和正确度。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种疾病预测方法，其特征在于，包括：
响应于疾病预测指令，获取医学图像；
对所述医学图像进行检测，获得至少一个病灶的位置信息；
根据所述位置信息，从所述医学图像中提取获得每个所述病灶的病灶图像；
将每个所述病灶图像输入至疾病预测模型，获得相应的疾病预测结果。
2.如权利要求1所述的疾病预测方法，其特征在于，所述医学图像中包含至少两个医学图像层；
则在所述响应于疾病预测指令，获取医学图像之后，所述对所述医学图像进行检测，获得至少一个病灶的位置信息之前，还包括：
对所述医学图像进行图像预处理；
所述对所述医学图像进行图像预处理，具体包括：
对所述医学图像进行格式转换，获得格式为标准亨氏单位的所述医学图像；和/或，
将所述医学图像中的各个医学图像层的间距调整为相等间距；和/或，
对所述医学图像进行去噪处理。
3.如权利要求1所述的疾病预测方法，其特征在于，所述对所述医学图像进行检测，获得至少一个病灶的位置信息，具体包括：
将所述医学图像输入至病灶检测模型，获得至少一个所述病灶的位置信息。
4.如权利要求3所述的疾病预测方法，其特征在于，在所述将所述医学图像输入至病灶检测模型，获得至少一个所述病灶的位置信息之前，还包括：
获得至少一个训练医学图像和每个所述训练医学图像对应的第一病灶位置信息；
将每个所述训练医学图像输入至三维卷积神经网络，获得每个所述训练医学图像对应的第二病灶位置信息；
根据每个所述第一病灶位置信息和对应的所述第二病灶位置信息，对所述三维卷积神经网络进行调整，获得所述病灶检测模型。
5.如权利要求3所述的疾病预测方法，其特征在于，所述将所述医学图像输入至病灶检测模型，获得至少一个所述病灶的位置信息，具体包括：
将所述医学图像输入至所述病灶检测模型，获得至少一个所述病灶的位置信息和对应的置信度；
则所述根据所述位置信息，从所述医学图像中提取获得每个所述病灶的病灶图像，具体包括：
从所述医学图像中提取获得所述置信度最高的5个所述病灶的位置信息所对应的病灶图像。
6.如权利要求1所述的疾病预测方法，其特征在于，所述将每个所述病灶图像输入至疾病预测模型，获得相应的疾病预测结果，具体包括：
将每个所述病灶图像输入至所述疾病预测模型，获得每个病灶图像对应的预测值；获得至少一个训练医学图像和每个所述训练医学图像对应的第一病灶位置信息；
根据每个所述病灶图像对应的预测值和预设的阈值，生成相应的疾病预测结果。
7.如权利要求1所述的疾病预测方法，其特征在于，在所述将每个所述病灶图像输入至疾病预测模型，获得相应的疾病预测结果之前，还包括：
获得至少一个训练病灶图像和每个所述训练病灶图像对应的第一病灶程度信息；
将每个所述训练病灶图像输入至图像特征提取模型，获得每个所述训练病灶图像对应的图像特征信息；
将每个所述图像特征信息输入至预设的全连接分类网络，获得每个所述训练病灶图像对应的第二病灶程度信息；
根据每个所述第一病灶程度信息和对应的所述第二病灶程度信息，对所述全连接分类网络进行调整，获得所述疾病预测模型。
8.一种疾病预测装置，其特征在于，包括：
医学图像获取模块，用于响应于疾病预测指令，获取医学图像；
病灶位置识别模块，用于对所述医学图像进行检测，获得至少一个病灶的位置信息；
病灶图像提取模块，用于根据所述位置信息，从所述医学图像中提取获得每个所述病灶的病灶图像；以及，
预测结果生成模块，用于将每个所述病灶图像输入至疾病预测模型，获得相应的疾病预测结果。
9.一种设备，其特征在于，包括至少一个存储器以及至少一个处理器；
所述存储器，包括存储于其中的至少一个可执行程序；
所述可执行程序在由所述处理器执行时，使得所述处理器实现如权利要求1至7中任一项所述的疾病预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任一项所述的疾病预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810067732.0A CN108257674A (zh) | 2018-01-24 | 2018-01-24 | 疾病预测方法和装置、设备、计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810067732.0A CN108257674A (zh) | 2018-01-24 | 2018-01-24 | 疾病预测方法和装置、设备、计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108257674A true CN108257674A (zh) | 2018-07-06 |
Family
ID=62742666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810067732.0A Pending CN108257674A (zh) | 2018-01-24 | 2018-01-24 | 疾病预测方法和装置、设备、计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108257674A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255354A (zh) * | 2018-10-15 | 2019-01-22 | 天津大学 | 面向医用ct的计算机图像处理方法和装置 |
| CN109259784A (zh) * | 2018-08-27 | 2019-01-25 | 上海铱硙医疗科技有限公司 | 脑梗塞的ai预测方法、装置、设备及存储介质 |
| CN109545380A (zh) * | 2019-01-10 | 2019-03-29 | 上海联影医疗科技有限公司 | 人体结构生长健康状况确定方法、装置、存储介质及设备 |
| CN109685765A (zh) * | 2018-11-21 | 2019-04-26 | 浙江大学山东工业技术研究院 | 一种基于卷积神经网络的x光片肺炎结果预测装置 |
| CN109754389A (zh) * | 2018-12-07 | 2019-05-14 | 北京市商汤科技开发有限公司 | 一种病灶检测方法、装置及设备 |
| CN110148127A (zh) * | 2019-05-23 | 2019-08-20 | 数坤（北京）网络科技有限公司 | 针对血管cta后处理影像的智能选片方法、装置及存储设备 |
| CN110189306A (zh) * | 2019-05-14 | 2019-08-30 | 上海联影智能医疗科技有限公司 | 脑图像中异常区域对应的责任血管确定方法和设备 |
| CN110348500A (zh) * | 2019-06-30 | 2019-10-18 | 浙江大学 | 基于深度学习和红外热像的睡眠障碍辅助诊断方法 |
| CN110364256A (zh) * | 2019-06-21 | 2019-10-22 | 平安科技（深圳）有限公司 | 一种基于大数据的血管图像识别的疾病预测系统及方法 |
| CN110827255A (zh) * | 2019-10-31 | 2020-02-21 | 杨本强 | 一种基于冠状动脉ct图像的斑块稳定性预测方法及系统 |
| CN110838103A (zh) * | 2019-10-29 | 2020-02-25 | 重庆金山医疗技术研究院有限公司 | 一种图像处理方法、装置、诊断设备及计算机存储介质 |
| CN111144271A (zh) * | 2019-12-23 | 2020-05-12 | 山东大学齐鲁医院 | 一种内镜下自动识别活检部位及活检数量的方法及系统 |
| CN111261284A (zh) * | 2020-02-05 | 2020-06-09 | 杭州依图医疗技术有限公司 | 一种基于医学影像的诊断信息处理方法、装置及存储介质 |
| CN111415742A (zh) * | 2020-03-17 | 2020-07-14 | 北京青燕祥云科技有限公司 | 通过肺叶预测病灶肺段位置的计算方法 |
| CN111445996A (zh) * | 2020-03-31 | 2020-07-24 | 杭州依图医疗技术有限公司 | 医疗信息的处理方法、处理系统及存储介质 |
| CN111477324A (zh) * | 2020-04-03 | 2020-07-31 | 深圳前海微众银行股份有限公司 | 肺气肿疾病预测方法、装置、设备及存储介质 |
| CN111935404A (zh) * | 2020-08-14 | 2020-11-13 | 腾讯科技（深圳）有限公司 | 微距成像系统、方法和装置 |
| CN113271839A (zh) * | 2019-01-21 | 2021-08-17 | 奥林巴斯株式会社 | 内窥镜装置和内窥镜系统 |
| WO2021189855A1 (zh) * | 2020-09-22 | 2021-09-30 | 平安科技（深圳）有限公司 | 基于ct序列的图像识别方法、装置、电子设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006017101A1 (en) * | 2004-07-09 | 2006-02-16 | Fischer Imaging Corporation | Method for breast screening in fused mammography |
| CN106504232A (zh) * | 2016-10-14 | 2017-03-15 | 北京网医智捷科技有限公司 | 一种基于3d卷积神经网络的肺部结节自动检测方法 |
-
2018
- 2018-01-24 CN CN201810067732.0A patent/CN108257674A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006017101A1 (en) * | 2004-07-09 | 2006-02-16 | Fischer Imaging Corporation | Method for breast screening in fused mammography |
| CN106504232A (zh) * | 2016-10-14 | 2017-03-15 | 北京网医智捷科技有限公司 | 一种基于3d卷积神经网络的肺部结节自动检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张良均: "《Python与数据挖掘》", 30 November 2016, 机械工业出版社 * |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109259784A (zh) * | 2018-08-27 | 2019-01-25 | 上海铱硙医疗科技有限公司 | 脑梗塞的ai预测方法、装置、设备及存储介质 |
| CN109255354A (zh) * | 2018-10-15 | 2019-01-22 | 天津大学 | 面向医用ct的计算机图像处理方法和装置 |
| CN109255354B (zh) * | 2018-10-15 | 2021-08-31 | 天津大学 | 面向医用ct的计算机图像处理方法和装置 |
| CN109685765B (zh) * | 2018-11-21 | 2023-03-14 | 浙江大学山东工业技术研究院 | 一种基于卷积神经网络的x光片肺炎结果预测装置 |
| CN109685765A (zh) * | 2018-11-21 | 2019-04-26 | 浙江大学山东工业技术研究院 | 一种基于卷积神经网络的x光片肺炎结果预测装置 |
| JP7061225B2 (ja) | 2018-12-07 | 2022-04-27 | ベイジン センスタイム テクノロジー デベロップメント カンパニー， リミテッド | 病巣検出方法、装置、機器および記憶媒体 |
| WO2020114158A1 (zh) * | 2018-12-07 | 2020-06-11 | 北京市商汤科技开发有限公司 | 一种病灶检测方法、装置、设备及存储介质 |
| JP2021531565A (ja) * | 2018-12-07 | 2021-11-18 | ベイジン センスタイム テクノロジー デベロップメント カンパニー， リミテッド | 病巣検出方法、装置、機器および記憶媒体 |
| CN109754389A (zh) * | 2018-12-07 | 2019-05-14 | 北京市商汤科技开发有限公司 | 一种病灶检测方法、装置及设备 |
| CN109754389B (zh) * | 2018-12-07 | 2021-08-24 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置及设备 |
| TWI724669B (zh) * | 2018-12-07 | 2021-04-11 | 大陸商北京市商湯科技開發有限公司 | 病灶檢測方法及其裝置及其設備及儲存媒體 |
| CN111292301A (zh) * | 2018-12-07 | 2020-06-16 | 北京市商汤科技开发有限公司 | 一种病灶检测方法、装置、设备及存储介质 |
| CN109545380A (zh) * | 2019-01-10 | 2019-03-29 | 上海联影医疗科技有限公司 | 人体结构生长健康状况确定方法、装置、存储介质及设备 |
| CN113271839A (zh) * | 2019-01-21 | 2021-08-17 | 奥林巴斯株式会社 | 内窥镜装置和内窥镜系统 |
| CN110189306A (zh) * | 2019-05-14 | 2019-08-30 | 上海联影智能医疗科技有限公司 | 脑图像中异常区域对应的责任血管确定方法和设备 |
| CN110148127A (zh) * | 2019-05-23 | 2019-08-20 | 数坤（北京）网络科技有限公司 | 针对血管cta后处理影像的智能选片方法、装置及存储设备 |
| CN110364256A (zh) * | 2019-06-21 | 2019-10-22 | 平安科技（深圳）有限公司 | 一种基于大数据的血管图像识别的疾病预测系统及方法 |
| CN110348500A (zh) * | 2019-06-30 | 2019-10-18 | 浙江大学 | 基于深度学习和红外热像的睡眠障碍辅助诊断方法 |
| CN110838103A (zh) * | 2019-10-29 | 2020-02-25 | 重庆金山医疗技术研究院有限公司 | 一种图像处理方法、装置、诊断设备及计算机存储介质 |
| CN110838103B (zh) * | 2019-10-29 | 2023-05-16 | 重庆金山医疗技术研究院有限公司 | 一种图像处理方法、装置、诊断设备及计算机存储介质 |
| CN110827255A (zh) * | 2019-10-31 | 2020-02-21 | 杨本强 | 一种基于冠状动脉ct图像的斑块稳定性预测方法及系统 |
| CN111144271A (zh) * | 2019-12-23 | 2020-05-12 | 山东大学齐鲁医院 | 一种内镜下自动识别活检部位及活检数量的方法及系统 |
| CN111144271B (zh) * | 2019-12-23 | 2021-02-05 | 山东大学齐鲁医院 | 一种内镜下自动识别活检部位及活检数量的方法及系统 |
| CN111261284A (zh) * | 2020-02-05 | 2020-06-09 | 杭州依图医疗技术有限公司 | 一种基于医学影像的诊断信息处理方法、装置及存储介质 |
| CN111415742A (zh) * | 2020-03-17 | 2020-07-14 | 北京青燕祥云科技有限公司 | 通过肺叶预测病灶肺段位置的计算方法 |
| CN111415742B (zh) * | 2020-03-17 | 2024-06-04 | 北京青燕祥云科技有限公司 | 通过肺叶预测病灶肺段位置的计算方法 |
| CN111445996A (zh) * | 2020-03-31 | 2020-07-24 | 杭州依图医疗技术有限公司 | 医疗信息的处理方法、处理系统及存储介质 |
| CN111477324A (zh) * | 2020-04-03 | 2020-07-31 | 深圳前海微众银行股份有限公司 | 肺气肿疾病预测方法、装置、设备及存储介质 |
| CN111935404B (zh) * | 2020-08-14 | 2021-10-15 | 腾讯科技（深圳）有限公司 | 微距成像系统、方法和装置 |
| CN111935404A (zh) * | 2020-08-14 | 2020-11-13 | 腾讯科技（深圳）有限公司 | 微距成像系统、方法和装置 |
| WO2021189855A1 (zh) * | 2020-09-22 | 2021-09-30 | 平安科技（深圳）有限公司 | 基于ct序列的图像识别方法、装置、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108257674A (zh) | 疾病预测方法和装置、设备、计算机可读存储介质 | |
| Zebari et al. | Improved threshold based and trainable fully automated segmentation for breast cancer boundary and pectoral muscle in mammogram images | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| EP3806744B1 (en) | Immediate workup | |
| US8391574B2 (en) | Method and system of computer-aided quantitative and qualitative analysis of medical images from multiple modalities | |
| US20120237109A1 (en) | Histology analysis | |
| US9014456B2 (en) | Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules | |
| CN104011770B (zh) | 处理并显示乳房图像 | |
| WO2009105530A2 (en) | System and method for automated segmentation, characterization, and classification of possibly malignant lesions and stratification of malignant tumors | |
| US7203350B2 (en) | Display for computer-aided diagnosis of mammograms | |
| Losurdo et al. | A Gradient‐Based Approach for Breast DCE‐MRI Analysis | |
| Paquerault et al. | Radial gradient‐based segmentation of mammographic microcalcifications: Observer evaluation and effect on CAD performance | |
| KR20100010973A (ko) | 폐질환 자동 분류 방법 | |
| Alsheh Ali et al. | Detection of potential microcalcification clusters using multivendor for‐presentation digital mammograms for short‐term breast cancer risk estimation | |
| US20120041785A1 (en) | Medical image processing device, medical image grouping method, and program | |
| US20220405925A1 (en) | Lung analysis and reporting system | |
| GB2457022A (en) | Creating a fuzzy inference model for medical image analysis | |
| Doyle et al. | Lesion detection, segmentation and prediction in multiple sclerosis clinical trials | |
| CN112508942B (zh) | 一种获取bi-rads等级的方法和系统 | |
| Simozo et al. | Brain Tissue Classification to Detect Focal Cortical Dysplasia in Magnetic Resonance Imaging | |
| Bunnell | Early Breast Cancer Diagnosis via Breast Ultrasound and Deep Learning | |
| Barwal et al. | Voting Classification Approach for Breast Cancer Detection | |
| Kozák | MRI Radiomics for IDH Genotype Prediction in Glioblastoma Diagnosis | |
| Horsthemke et al. | Predicting LIDC diagnostic characteristics by combining spatial and diagnostic opinions | |
| CN116188866A (zh) | 一种基于深度学习的乳腺导管原位癌浸润性分类系统 |
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: 20180706 |