基于深度学习体征结构的全模态医学影像序列分组方法与流程

[0001]
本技术涉及医学影像信息技术领域，具体的讲是基于深度学习体征结构的全模态医学影像序列分组方法。


背景技术：

[0002]
在分子影像多模态医学成像系统中，扫描方式根据临床或科研需求，经常采用多时相或多模态设备采集多组序列图像。这一过程往往涉及相对复杂的扫描流程和多模态同机或异机图像对比，也涉及特别的分子影像特殊序列，如全身pet动态图像显示、spect定量重建影像、spect-raw data显示等，在常规医学成像系统中，这种全模态多时相多序列的图像阅读评价，非常复杂。
[0003]
而且现有医学影像多模态浏览和配准技术，无法满足特殊模态的多模态配准显示，全模态对比浏览时，不能准确选取医生感兴趣部位详细阅读，仍旧依赖高年资医生的专业经验选取相应层面进行配准阅读，主观和客观因素影响很大。如pet/ct、pet/mr全身显像等较多影像混合阅读过程中，准确程度受医师疲劳程度和技术能力影响，分子影像的特殊序列也无法在一个阅读界面显示对比，更无法进行精准匹配。
[0004]
为此设计一种结合人工智能的可以将医学影像分组配准显示的基于深度学习体征结构的全模态医学影像序列分组方法、系统及存储介质是十分有必要的。


技术实现要素：

[0005]
本发明突破了现有技术的难题，设计了一种结合人工智能的可以将医学影像分组配准显示的基于深度学习体征结构的全模态医学影像序列分组方法、系统及存储介质。
[0006]
为了达到上述目的，本发明设计了基于深度学习体征结构的全模态医学影像序列分组方法，其特征在于：包括：
[0007]
s1获取医学影像信息；
[0008]
s2对获取的医学影像信息进行信息提取；
[0009]
s3建立全模态深度学习ai序列匹配系统；
[0010]
s4进行序列匹配处理；
[0011]
s5将处理后的医学影像序列分组传输到显示单元；
[0012]
s6显示单元进行全模态医学影像序列分组显示。
[0013]
进一步的，所述医学影像信息为常规模态全身骨骼图像、pet/ct和pet/mr同机融合图形、全模态影像异机融合图像中的一种或几种。
[0014]
进一步的，所述信息提取为提取固定骨骼部位分割区域图像、提取pet相对应骨骼区域的同机分割图像中的一种或几种。
[0015]
进一步的，所述序列匹配处理的具体方法如下：
[0016]
s41对医学影像标注数据集；
[0017]
s42进行骨骼图像分割、ai算法识别；
[0018]
s43进行脊柱骨骼分割、识别测试数据；
[0019]
s44全模态ai融合匹配。
[0020]
进一步的，当医学影像信息为常规模态全身骨骼图像时，信息提取方法为提取固定骨骼部位分割区域图像。
[0021]
进一步的，当医学影像信息为pet/ct和pet/mr同机融合图形、全模态影像异机融合图像中的一种或两种时，信息提取方法为提取pet相对应骨骼区域的同机分割图像。
[0022]
本发明还设计了基于深度学习体征结构的全模态医学影像序列分组方法的系统，其特征在于：包括：输入单元，用于输入医学影像信息；
[0023]
第一处理单元，用于对输入的医学影像信息进行信息提取；
[0024]
第二处理单元，用于对提取的信息进行序列匹配处理；
[0025]
显示单元，用于分组显示全模态医学影像序列；
[0026]
所述输入单元的信号输入端连接外置信息输入设备，所述输入单元的信号输出端与第一处理单元的信号输入端相连，所述第一处理单元的信号输出端与第二处理单元的信号输入端相连，第二处理单元的信号输出端与显示单元的信号输入端相连。
[0027]
进一步的，所述第二处理单元设置有全模态深度学习ai序列匹配系统。
[0028]
本发明还设计了一种计算机存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现以下方法：
[0029]
s1获取医学影像信息；
[0030]
s2对获取的医学影像信息进行信息提取；
[0031]
s3建立全模态深度学习ai序列匹配系统；
[0032]
s4对医学影像标注数据集；
[0033]
s5进行骨骼图像分割、ai算法识别；
[0034]
s6进行脊柱骨骼分割、识别测试数据；
[0035]
s7完成全模态ai融合匹配；
[0036]
s8将处理后的医学影像序列分组传输到显示单元；
[0037]
s9显示单元进行全模态医学影像序列分组显示。
[0038]
本发明与现有技术相比，利用深度学习神经网络，依据人体ct、mr精准解剖信息，人体骨骼被精准识别分割为相对固定的局部区域，以特定骨骼部位做精准人体体位分割，附以部分脏器结构信息，根据检查要求，明确感兴趣部位，依据分子影像双模态中的ct或mr影像精准定位，转换到全模态影像的相应层面，进行自动精准配准显示，大幅减少医师手动匹配图层，减少技术水平差异造成的诊断误差，同时提高医师的工作效能，而且本发明具有分子影像特殊模态影像识别配准功能，如全身pet动态融合图像显示、spect定量重建影像、spect-raw data，真正实现全模态影像配准浏览。
附图说明
[0039]
图1为一具体实施例中基于深度学习体征结构的全模态医学影像序列分组方法的流程示意图。
[0040]
图2为一具体实施例中基于深度学习体征结构的全模态医学影像序列分组方法中全模态深度学习ai序列匹配系统中进行的序列匹配流程示意图。
具体实施方式
[0041]
下面结合附图对本发明做进一步描述，但不作为对本发明的限定。
[0042]
参见图1，本发明设计了基于深度学习体征结构的全模态医学影像序列分组方法，包括：
[0043]
s1获取医学影像信息，即常规模态全身骨骼图像或者pet/ct和pet/mr同机融合图形或者全模态影像异机融合图像；
[0044]
s2对获取的医学影像信息进行信息提取，当医学影像信息为常规模态全身骨骼图像时，信息提取方法为提取固定骨骼部位分割区域图像；当医学影像信息为pet/ct和pet/mr同机融合图形、全模态影像异机融合图像中的一种或两种时，信息提取方法为提取pet相对应骨骼区域的同机分割图像；
[0045]
s3建立全模态深度学习ai序列匹配系统；
[0046]
s4进行序列匹配处理，首先对医学影像标注数据集，进行骨骼图像分割与ai算法识别，对分割后的脊柱图像进行识别测试数据，最后进行全模态ai融合匹配，形成医学影像序列分组；
[0047]
s5将处理后的医学影像序列分组传输到显示单元；
[0048]
s6显示单元进行全模态医学影像序列分组显示。
[0049]
本发明还设计了基于深度学习体征结构的全模态医学影像序列分组方法的系统，包括：输入单元，用于输入医学影像信息；
[0050]
第一处理单元，用于对输入的医学影像信息进行信息提取；
[0051]
第二处理单元，用于对提取的信息进行序列匹配处理；
[0052]
显示单元，用于分组显示全模态医学影像序列；
[0053]
所述输入单元的信号输入端连接外置信息输入设备，所述输入单元的信号输出端与第一处理单元的信号输入端相连，所述第一处理单元的信号输出端与第二处理单元的信号输入端相连，第二处理单元的信号输出端与显示单元的信号输入端相连。
[0054]
进一步的，所述第二处理单元设置有全模态深度学习ai序列匹配系统。
[0055]
本发明还设计了一种计算机存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现以下方法：
[0056]
s1获取医学影像信息；
[0057]
s2对获取的医学影像信息进行信息提取；
[0058]
s3建立全模态深度学习ai序列匹配系统；
[0059]
s4对医学影像标注数据集；
[0060]
s5进行骨骼图像分割、ai算法识别；
[0061]
s6进行脊柱骨骼分割、识别测试数据；
[0062]
s7完成全模态ai融合匹配；
[0063]
s8将处理后的医学影像序列分组传输到显示单元；
[0064]
s9显示单元进行全模态医学影像序列分组显示。
[0065]
实施例：
[0066]
将同一个患者的同时段的pet/ct、pet/mr图像导入到本发明的输入单元中，经过第一处理单元提取出50个相应的数据集，将数据集传输到第二处理单元，对全身体位ct和
mr部分进行固定骨骼部位分割区域图像提取，所采取的固定骨骼部分为脊柱和颅骨，利用ai识别该两部分的图像，并进行匹配，之后利用全模态ai智能匹配导入pet图像，匹配pet/ct/mr图像，依据调用需求，如关注病灶在腹部，调用范围以胸椎或腰椎，也可要求定位在单个脊柱范围，可快速显示出相应部位的pet/ct/mr，模态组合可以任意调整，大大提高诊断效能和避免图像错配的失误。
[0067]
本发明利用深度学习神经网络，依据人体ct、mr精准解剖信息，人体骨骼被精准识别分割为相对固定的局部区域，以特定骨骼部位做精准人体体位分割，附以部分脏器结构信息，根据检查要求，明确感兴趣部位，依据分子影像双模态中的ct或mr影像精准定位，转换到全模态影像的相应层面，进行自动精准配准显示，大幅减少医师手动匹配图层，减少技术水平差异造成的诊断误差，同时提高医师的工作效率。而且本发明采用分子影像特殊模态影像识别配准功能，如全身pet动态融合图像显示、spect定量重建影像、spect-raw data，真正实现全模态影像配准浏览。
[0068]
本领域普通技术人员可以理解上述实施例方法中的全部或部分流程，是可以通过计算机程序指令相关的硬件来完成，所述程序可存储于一个计算机可读存储介质中，如本发明的实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述各方法的实施例的流程。其中所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
[0069]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0070]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明的范围限制，应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。