[go: up one dir, main page]

CN111091909B - 一种医学影像识别方法和装置 - Google Patents

一种医学影像识别方法和装置 Download PDF

Info

Publication number
CN111091909B
CN111091909B CN201911170459.5A CN201911170459A CN111091909B CN 111091909 B CN111091909 B CN 111091909B CN 201911170459 A CN201911170459 A CN 201911170459A CN 111091909 B CN111091909 B CN 111091909B
Authority
CN
China
Prior art keywords
medical image
joint
abnormal
factor score
joints
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.)
Active
Application number
CN201911170459.5A
Other languages
English (en)
Other versions
CN111091909A (zh
Inventor
孙明俊
郑明智
刘硕
石霖
谢志军
黄琳
曹峰
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.)
Nanjing New Generation Artificial Intelligence Research Institute Co ltd
China Academy of Information and Communications Technology CAICT
Original Assignee
Nanjing New Generation Artificial Intelligence Research Institute Co ltd
China Academy of Information and Communications Technology CAICT
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 Nanjing New Generation Artificial Intelligence Research Institute Co ltd, China Academy of Information and Communications Technology CAICT filed Critical Nanjing New Generation Artificial Intelligence Research Institute Co ltd
Priority to CN201911170459.5A priority Critical patent/CN111091909B/zh
Publication of CN111091909A publication Critical patent/CN111091909A/zh
Application granted granted Critical
Publication of CN111091909B publication Critical patent/CN111091909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Multimedia (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请提供了一种医学影像识别方法和装置，所述方法包括：获取人体所有关节部位的医学影像；基于预设识别文件识别所述医学影像中的异常关节，以及所述异常关节在所述医学影像中的位置；根据所述异常关节在所述医学影像中的位置确定异常关节的类型；基于RA分类标准和评分系统，以及不同类型的异常关节的数量确定第一因素得分；根据所述第一因素得分确定所述医学影像是否为RA医学影像。该方法能够在降低人力成本的基础上，降低RA误诊率。

Description

一种医学影像识别方法和装置
技术领域
本发明涉及图像处理技术领域，特别涉及一种医学影像识别方法和装置。
背景技术
类风湿关节炎(rheumatoid arthritis，以下简称为RA)是一种以手、足小关节的多关节、对称性、侵袭性关节炎症为主要表现的全身性免疫风湿慢性疾病，发病机制尚未明确。
随着科技的发展，人们逐渐将人工智能技术引入医疗领域，为医疗行业赋能。
当前医疗行业中人工智能应用较为成熟的技术领域主要集中在肺结节(癌)、宫颈癌等疾病的影像方面，在RA的医疗影像的应用仍较少。然而由于RA最高达标治疗率不高、基层医生RA诊疗水平较低，恰恰需要临床诊疗决策系统支持，需要将人工智能成熟及前沿技术与RA诊疗深度融合来提高RA误诊率。
发明内容
有鉴于此，本申请提供一种医学影像识别方法和装置，能够在降低人力成本的基础上，降低RA误诊率。
为解决上述技术问题，本申请的技术方案是这样实现的：
在一个实施例中，提供了一种医学影像识别方法，所述方法包括：
获取人体所有关节部位的医学影像；
基于预设识别文件识别所述医学影像中的异常关节，以及所述异常关节在所述医学影像中的位置；
根据所述异常关节在所述医学影像中的位置确定异常关节的类型；
基于类风湿关节炎RA分类标准和评分系统，以及不同类型的异常关节的数量确定第一因素得分；
根据所述第一因素得分确定所述医学影像是否为RA医学影像。
在另一个实施例中，提供了一种医学影像识别装置，所述装置包括：获取单元、识别单元、第一确定单元和第二确定单元；
所述获取单元，用于获取人体所有关节部位的医学影像；
所述识别单元，用于基于预设识别文件识别所述获取单元获取的医学影像中的异常关节，以及所述异常关节在所述医学影像中的位置；根据所述异常关节在所述医学影像中的位置确定异常关节的类型；
所述第一确定单元，用于基于类风湿关节炎RA分类标准，以及所述识别单元确定的不同类型的异常关节的数量确定第一因素得分；
所述第二确定单元，用于根据所述第一确定单元确定的第一因素得分确定所述医学影像是否为RA医学影像。
在另一个实施例中，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述医学影像识别方法的步骤。
在另一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述医学影像识别方法的步骤。
由上面的技术方案可见，上述实施例中通过识别医学影像中的关节是否异常，以及异常关节在所述医学影像中的位置来确定异常关节的类型，并基于RA分类标准，以及不同类型的异常关节的数量确定第一因素得分，进而确定所述医学影像是否为RA医学影像。该方案能够自动识别并对医学影像进行判定，该方案能够在降低人力成本的基础上，降低RA误诊率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例中医学影像识别流程示意图；
图2为人体与RA有关的所有关节的示意图；
图3为本申请实施例中识别出的异常关节和异常关节的位置示意图；
图4为本申请实施例中确定受检者是否患有RA的流程示意图；
图5为本申请实施例中应用于上述技术的装置结构示意图；
图6为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。
下面以具体实施例对本发明的技术方案进行详细说明。下面几个具体实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
本申请实施例中提供一种医学影像识别方法，通过识别医学影像中的关节是否异常，以及异常关节在所述医学影像中的位置来确定异常关节的类型，并基于RA分类标准，以及不同类型的异常关节的数量确定第一因素得分，进而确定所述医学影像是否为RA医学影像。该方案能够自动识别并对医学影像进行判定，该方案能够在降低人力成本的基础上，降低RA误诊率。
下面结合附图，详细说明本申请实施例中实现医学影像识别过程。
参见图1，图1为本申请实施例中医学影像识别流程示意图。具体步骤为：
步骤101，获取人体所有关节部位的医学影像。
这里的医学影像可以通过对受检者(患者)直接拍摄获取，也可以是通过某设备上已存储的医学影像中获取。
这里的医学影像包括人体所有与RA相关的关节的图像，可以是一张医学影像，也可以是多张医学影像的集合。
参见图2，图2为人体与RA有关的所有关节的示意图。
在人体中有一些关节是容易发生病变的，有一些关节是不容易发生病变的，图2中仅示出容易发生病变的关节，通过空心圆的方式表示。
图2是一种举例，如果随着医学的发展，对RA相关的关节有变化本申请也可适用，这里仅是一种举例。
具体实现时，对不易发生病变的关节进行忽略处理，这样能够提高后续影响的识别速率。
步骤102，基于预设识别文件识别所述医学影像中的异常关节，以及所述异常关节在所述医学影像中的位置。
本申请实施例中的预设识别文件的生成过程如下：
生成初始识别文件；这里的初始识别文件可以通过目标识别算法生成，目标识别算法如Faster R-CNN、YOLO等。
获取标注的医学影像作为样本；这里对医学影像的标注包括什么位置(在医学影像中的位置)的关节是异常关节还是正常关节，这里的异常关节即发生病变的关节，正常关节即未发生病变的关节。
基于所述样本对所述初始识别文件进行训练生成所述预设识别文件。
该预设识别文件能够识别出医学影像中的异常关节和该关节在医学影像中的位置。
参见图3，图3为本申请实施例中识别出的异常关节和异常关节的位置示意图。
图3中给出了实心圆表示识别出的异常关节。如图3中所示的一个肘关节，一个腕关节。
本申请实施例中可能由于图像的不清晰，或者首先与识别文件的准确率，可以在将识别结果显示，引入人工改进，如显示给有经验的医学人员，来进行手动修正，具体实现如下：
基于预设识别文件识别所述医学影像中的异常关节，以及所述异常关节在所述医学影像中的位置之后，所述方法进一步包括：
将识别出的异常关节在医学影像对应位置显示；
若接收到将异常关节修改该为正常关节的指令时，将所述指令所指定的异常关节修改为正常关节；
若接收到将正常关节修改该为异常关节的指令时，将所述指令所指定的正常关节修改为异常关节。
若未接收到修改指令，则确定识别结果不需要修改。
针对这些经过识别修改的医学影像还可以作为标注的样本，再次参与预设识别文件的训练，进而提高预设识别文件的识别率。
步骤103，根据所述异常关节在所述医学影像中的位置确定异常关节的类型。
医学影像和人体的结构是相关的，能够或者异常关节在医学影像中的位置，对应的就能够获知对应异常关节的类型。
关节的类型包括：中大关节和指关节。
其中，中大关节包括：肩关节、肘关节、髋关节、膝关节、踝关节；
小关节包括：掌指关节、近端指间关节、第二至第五跖趾关节、拇指指间关节和腕关节。
上述关节分类与现行RA分类标准相对应，如果分类标准变化，本申请实施例可以适应性变化。
步骤104，基于RA分类标准和评分系统，以及不同类型的异常关节的数量确定第一因素得分。
本申请实施例中的异常关节即为下述标准中的受累关节。
RA分类标准和评分系统随着医学的发展可能会改变，本申请实施例提供的技术方案可以适应RA分类标准和评分系统，以目前现行的2010年的RA分类标准和评分系统为例：
Figure BDA0002288574490000061
本表中关节类型包括中大关节和小关节；
其中，中大关节指的是：肩关节、肘关节、髋关节、膝关节、踝关节；
小关节指的是掌指关节、近端指间关节、第二至第五跖趾关节、拇指指间关节和腕关节。
假设受检测的医学影像中中大关节的受累关节数是2个(得分：1分)，小关节的受累关节数是4个(得分：3分)，那么关节受累情况的总得分取累积值，即1+3＝4分。
假设受检测的医学影像中中大关节的受累关节数是2个(得分：1分)，小关节的受累关节数是9个(得分：3分)，共有11个关节受累，其中有9个为小关节(得分：5分)，那么关节受累情况的总得分为5分。
本申请实施例中，对影像的识别结果是确诊RA的一个因素；该因素可以确定当前处理的医学影像是否为RA影像，还可以将该得分结果作为一个参数，确定受检测者，即患者是否患有RA。
步骤105，根据所述第一因素得分确定所述医学影像是否为RA医学影像。
本步骤根据所述第一因素得分确定所述医学影像是否为RA医学影像，包括：
当所述第一因素得分大于第一预设阈值时，确定所述医学影像为RA医学影像；否则，确定所述医学影像不为RA医学影像。
这里的第一预设阈值可以根据实际需要设置。
当所述第一因素得分大于第二预设阈值时，确定所述医学影像对应的受检者患有RA。
第二预设阈值可以根据现行的RA分类标准和评分系统设置，如2010年的RA分类标准和评分系统，可以设置为6。
下面结合附图，给出确定受检者是否患有RA的过程。
参见图4，图4为本申请实施例中确定受检者是否患有RA的流程示意图。
具体步骤为：
步骤401，基于RA分类标准和评分系统，根据不同关节类型的关节数确定第一因素得分。
第一因素得分的获取，参考图1获得。
步骤402，基于RA分类标准和评分系统，根据血清检测结果确定第二因素得分。
现行的2010年的RA分类标准和评分系统针对血清学的相关标准如下：
Figure BDA0002288574490000071
步骤403，基于RA分类标准和评分系统，根据滑膜炎持续时间确定第三因素得分。
现行的2010年的RA分类标准和评分系统针对滑膜炎持续时间相关标准如下：
滑膜炎持续时间 得分
小于6周 0
大于等于6周 1
步骤404，基于RA分类标准和评分系统，根据急性时相反应物是否正常确定第四因素得分。
现行的2010年的RA分类标准和评分系统针对急性时相反应物相关标准如下：
检测结果 得分
CRP或ESR均正常 0分
CRP或ESR增高 1分
本申请实施例中还给出，如果CRP和ESR均增高，则得分也按1分计算。
上述步骤401到步骤404之间的实现不分前后顺序，也可以同时获取。
步骤405，计算所述第一因素得分、所述第二因素得分、所述第三因素得分和所述第四因素得分的和。
步骤406，确定所述和是否大于第三预设阈值，如果是，执行步骤407；否则，执行步骤408。
步骤407，确定所述受检者患有RA，结束本流程。
步骤408，确定所述受检者未患有RA。
综上所述，本申请通过对医学影像自动识别关节受累情况，并参照RA标准和评分系统获得RA相关的各因素的得分，根据得分进而判断受检者是否患有RA。该方案能够在降低人力成本的基础上，提高RA识别率。
基于同样的发明构思，本申请实施例中还提供医学影像识别装置。参见图5，图5为本申请实施例中应用于上述技术的装置结构示意图。该装置包括：获取单元501、识别单元502、第一确定单元503和第二确定单元504；
获取单元501，用于获取人体所有关节部位的医学影像；
识别单元502，用于基于预设识别文件识别获取单元501获取的医学影像中的异常关节，以及所述异常关节在所述医学影像中的位置；根据所述异常关节在所述医学影像中的位置确定异常关节的类型；
第一确定单元503，用于基于RA分类标准，以及识别单元502确定的不同类型的异常关节的数量确定第一因素得分；
第二确定单元504，用于根据第一确定单元503确定的第一因素得分确定所述医学影像是否为RA医学影像。
优选地，识别单元502，进一步用于生成初始识别文件；获取标注的医学影像作为样本；基于所述样本对所述初始识别文件进行训练生成所述预设识别文件。
优选地，关节的类型包括：中大关节和指关节。
优选地，
获取单元501，进一步用于将识别出的异常关节在医学影像对应位置显示；若接收到将异常关节修改该为正常关节的指令时，将所述指令所指定的异常关节修改为正常关节；若接收到将正常关节修改该为异常关节的指令时，将所述指令所指定的正常关节修改为异常关节。
优选地，
第二确定单元504，具体用于根据所述第一因素得分确定所述医学影像是否为RA医学影像时，包括：当所述第一因素得分大于第一预设阈值时，确定所述医学影像为RA医学影像；否则，确定所述医学影像不为RA医学影像。
优选地，
第二确定单元504，进一步用于当所述第一因素得分大于第二预设阈值时，确定所述医学影像对应的受检者患有RA。
优选地，
第一确定单元503，进一步用于基于RA分类标准和评分系统，根据血清检测结果确定第二因素得分，根据滑膜炎持续时间确定第三因素得分，根据急性时相反应物是否正常确定第四因素得分；
第二确定单元504，进一步用于计算所述第一因素得分、所述第二因素得分、所述第三因素得分和所述第四因素得分的和；确定所述和是否大于第三预设阈值，如果是，确定所述受检者患有RA；否则，确定所述受检者未患有RA。
上述实施例的单元可以集成于一体，也可以分离部署；可以合并为一个单元，也可以进一步拆分成多个子单元。
在另一个实施例中，还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述医学影像识别方法的步骤。
在另一个实施例中，还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时可实现所述医学影像识别方法中的步骤。
图6为本发明实施例提供的电子设备的实体结构示意图。如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行如下方法：
获取人体所有关节部位的医学影像；
基于预设识别文件识别所述医学影像中的异常关节，以及所述异常关节在所述医学影像中的位置；
根据所述异常关节在所述医学影像中的位置确定异常关节的类型；
基于RA分类标准和评分系统，以及不同类型的异常关节的数量确定第一因素得分；
根据所述第一因素得分确定所述医学影像是否为RA医学影像。
此外，上述的存储器630中的逻辑指令可以通过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。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种医学影像识别方法，其特征在于，所述方法包括：
获取人体所有关节部位的医学影像；
基于预设识别文件识别所述医学影像中的异常关节，以及所述异常关节在所述医学影像中的位置；
根据所述异常关节在所述医学影像中的位置确定异常关节的类型；
基于类风湿关节炎RA分类标准和评分系统，以及不同类型的异常关节的数量确定第一因素得分；
根据所述第一因素得分确定所述医学影像是否为RA医学影像。
2.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
生成初始识别文件；
获取标注的医学影像作为样本；
基于所述样本对所述初始识别文件进行训练生成所述预设识别文件。
3.根据权利要求1所述的方法，其特征在于，关节的类型包括：中大关节和指关节。
4.根据权利要求1所述的方法，其特征在于，所述基于预设识别文件识别所述医学影像中的异常关节，以及所述异常关节在所述医学影像中的位置之后，所述方法进一步包括：
将识别出的异常关节在医学影像对应位置显示；
若接收到将异常关节修改为正常关节的指令时，将所述指令所指定的异常关节修改为正常关节；
若接收到将正常关节修改为异常关节的指令时，将所述指令所指定的正常关节修改为异常关节。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一因素得分确定所述医学影像是否为RA医学影像，包括：
当所述第一因素得分大于第一预设阈值时，确定所述医学影像为RA医学影像；否则，确定所述医学影像不为RA医学影像。
6.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
当所述第一因素得分大于第二预设阈值时，确定所述医学影像对应的受检者患有RA。
7.根据权利要求6所述的方法，其特征在于，所述方法进一步包括：
基于RA分类标准和评分系统，根据血清检测结果确定第二因素得分，根据滑膜炎持续时间确定第三因素得分，根据急性时相反应物是否正常确定第四因素得分；
计算所述第一因素得分、所述第二因素得分、所述第三因素得分和所述第四因素得分的和；
确定所述和是否大于第三预设阈值，如果是，确定所述受检者患有RA；否则，确定所述受检者未患有RA。
8.一种医学影像识别装置，其特征在于，所述装置包括：获取单元、识别单元、第一确定单元和第二确定单元；
所述获取单元，用于获取人体所有关节部位的医学影像；
所述识别单元，用于基于预设识别文件识别所述获取单元获取的医学影像中的异常关节，以及所述异常关节在所述医学影像中的位置；根据所述异常关节在所述医学影像中的位置确定异常关节的类型；
所述第一确定单元，用于基于类风湿关节炎RA分类标准，以及所述识别单元确定的不同类型的异常关节的数量确定第一因素得分；
所述第二确定单元，用于根据所述第一确定单元确定的第一因素得分确定所述医学影像是否为RA医学影像。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任一项所述的方法。
CN201911170459.5A 2019-11-26 2019-11-26 一种医学影像识别方法和装置 Active CN111091909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911170459.5A CN111091909B (zh) 2019-11-26 2019-11-26 一种医学影像识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911170459.5A CN111091909B (zh) 2019-11-26 2019-11-26 一种医学影像识别方法和装置

Publications (2)

Publication Number Publication Date
CN111091909A CN111091909A (zh) 2020-05-01
CN111091909B true CN111091909B (zh) 2022-05-31

Family

ID=70394201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911170459.5A Active CN111091909B (zh) 2019-11-26 2019-11-26 一种医学影像识别方法和装置

Country Status (1)

Country Link
CN (1) CN111091909B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102597268A (zh) * 2009-09-03 2012-07-18 弗·哈夫曼-拉罗切有限公司 用于治疗、诊断和监控类风湿性关节炎的方法
CN102750447A (zh) * 2012-06-06 2012-10-24 上海浦灵生物科技有限公司 一种新的类风湿性关节炎疾病评分系统及应用

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090265116A1 (en) * 2008-04-22 2009-10-22 Cypress Bioscience, Inc. Prediction of an individual's risk of developing rheumatoid arthritis
US8777854B2 (en) * 2011-09-06 2014-07-15 General Electric Company Method and system for ultrasound based automated detection, quantification and tracking of pathologies
US20160331339A1 (en) * 2015-05-15 2016-11-17 The Trustees Of Columbia University In The City Of New York Systems And Methods For Early Detection And Monitoring Of Osteoarthritis

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102597268A (zh) * 2009-09-03 2012-07-18 弗·哈夫曼-拉罗切有限公司 用于治疗、诊断和监控类风湿性关节炎的方法
CN102750447A (zh) * 2012-06-06 2012-10-24 上海浦灵生物科技有限公司 一种新的类风湿性关节炎疾病评分系统及应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈乐锋等.关节X线检查在类风湿关节炎诊断及影像学评估中的应用.《中华临床医师杂志(电子版)》.2013,(第10期), *

Also Published As

Publication number Publication date
CN111091909A (zh) 2020-05-01

Similar Documents

Publication Publication Date Title
CN108056786B (zh) 一种基于深度学习的骨龄检测方法和装置
JP2014534822A5 (ja) 冠動脈カルシウムのスコアリング方法、システム及びコンピュータプログラム製品
WO2020078392A1 (en) Method, Apparatus, And Device for Simulating A travel path of a catheter in a blood vessel
CN113780253A (zh) 一种人体关节运动关键点识别方法及系统
CN104169967A (zh) 纤维神经结构的定位
CN115565667B (zh) Cto介入治疗成功率的预测方法、装置、设备及介质
CN115346670A (zh) 基于姿态识别的帕金森病评级方法、电子设备及介质
CN111563910A (zh) 眼底图像分割方法及设备
Vox et al. Preprocessing and normalization of 3d-skeleton-data for human motion recognition
Wang et al. Hand acupuncture point localization method based on a dual-attention mechanism and cascade network model
Gionfrida et al. Validation of two-dimensional video-based inference of finger kinematics with pose estimation
JP5493133B2 (ja) 開曲線フーリエ記述子を用いたｘ線画像処理方法及びシステム
Verma et al. Humerus bone fracture detection utilizing YOLOv4 algorithm: a deep learning approach
Buess et al. Video-CT MAE: Self-supervised video-CT domain adaptation for vertebral fracture diagnosis
CN107256390B (zh) 基于手各个部位在三维空间位置变化的手功能评价装置及方法
CN111091909B (zh) 一种医学影像识别方法和装置
CN113297919A (zh) 基于姿态识别的康复动作检测方法、装置、设备及介质
WO2024113241A1 (zh) 跨用户手部关节角度估计方法、系统及计算机设备
CN101840508B (zh) 自动识别人体链状结构中特征点的方法及其系统
CN110796064A (zh) 人体肌肉图像的建立方法、装置、存储介质及电子设备
CN112861606A (zh) 基于骨骼动画追踪的虚拟现实手部动作识别与训练方法
CN115211872B (zh) 肌肉运动状态检测方法、装置、电子设备及存储介质
Zieliński et al. Computer aided erosions and osteophytes detection based on hand radiographs
Brogan et al. A system for automated acquisition of digital flexion using a 3-D camera and custom gantry
CN116650934A (zh) 一种康复训练机器人、基于机器人的康复训练方法及装置

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
GR01 Patent grant
GR01 Patent grant