【技术实现步骤摘要】
用于3D图像的异常图像筛查方法、装置、设备及存储介质
本申请涉及人工智能
,尤其涉及一种用于3D图像的异常图像筛查方法、装置、计算机设备及存储介质。
技术介绍
随着高性能计算的产生和信息计算的飞速发展,利用AI技术实现在医学影像上的智能诊辅,已是当前一大热点。现有一种异常图像筛查方法,通过对单一图像的分析处理,在DR,眼底彩照等2D图像模态大量使用,因为每次检查只能产生单个2D图像,也因此,应用于此类数据的算法的最优化的参数选择上,通常采用人工经验或者ROC曲线等方式进行参数确定,从而实现异常图像的筛查检测目的。然而,传统的异常图像筛查方法普遍不适用于CT,MRI,PET等3D图像模态。
技术实现思路
本申请实施例的目的旨在解决传统的异常图像筛查方法普遍不适用于CT,MRI,PET等3D图像模态的问题。为了解决上述技术问题,本申请实施例提供一种用于3D图像的异常图像筛查方法,采用了如下所述的技术方案:接收病灶筛查请求,所述病灶筛查请求至少携带有原始图像信息以及与所述原始图像信息相对应的病灶预测结果;创建与所述病灶预测结果相对应的感受性曲线数据;获取与所述感受性曲线数据相对应的高阈值数据;获取与所述感受性曲线数据相对应的低阈值数据;基于所述高阈值数据、低阈值数据以及所述原始图像信息的连通性对所述病灶预测结果进行筛选操作,获得病灶筛选结果;输出所述病灶筛选结果。为了解决上述技术问题,本申请实施例还提供一种用于3D图像 ...
【技术保护点】
1.一种用于3D图像的异常图像筛查方法,其特征在于,包括下述步骤:/n接收病灶筛查请求,所述病灶筛查请求至少携带有原始图像信息以及与所述原始图像信息相对应的病灶预测结果;/n创建与所述病灶预测结果相对应的感受性曲线数据;/n获取与所述感受性曲线数据相对应的高阈值数据;/n获取与所述感受性曲线数据相对应的低阈值数据;/n基于所述高阈值数据、低阈值数据以及所述原始图像信息的连通性对所述病灶预测结果进行筛选操作,获得病灶筛选结果;/n输出所述病灶筛选结果。/n
【技术特征摘要】
1.一种用于3D图像的异常图像筛查方法,其特征在于,包括下述步骤:
接收病灶筛查请求,所述病灶筛查请求至少携带有原始图像信息以及与所述原始图像信息相对应的病灶预测结果;
创建与所述病灶预测结果相对应的感受性曲线数据;
获取与所述感受性曲线数据相对应的高阈值数据;
获取与所述感受性曲线数据相对应的低阈值数据;
基于所述高阈值数据、低阈值数据以及所述原始图像信息的连通性对所述病灶预测结果进行筛选操作,获得病灶筛选结果;
输出所述病灶筛选结果。
2.如权利要求1所述的用于3D图像的异常图像筛查方法,其特征在于,在所述接收病灶筛查请求的步骤之前,还包括下述步骤:
读取系统数据库,在所述系统数据库中获取训练图像信息以及与所述训练图像信息相对应的训练预测结果;
将所述训练图像信息以及训练预测结果输入至深度神经网络模型进行模型训练操作,得到病灶预测模型;
接收用户终端发送的病灶预测请求,所述病灶预测请求至少携带有所述原始图像信息;
将所述原始图像信息输入至所述病灶预测模型进行病灶预测操作,获得所述病灶预测结果。
3.如权利要求1所述的用于3D图像的异常图像筛查方法,其特征在于,所述获取与所述感受性曲线数据相对应的高阈值数据的步骤,包括下述步骤:
获取与所述感受性曲线数据相对应的最佳临界点,所述最佳临界点表示为:
P=max(TPR-FPR)
P=max(TPR*(1-FPR))
其中,P表示为所述感受性曲线上最近左上角的点,TPR表示为预测的阳性实例中实际为阳性的实例数占所有阳性实例的比例,FPR表示为预测的阳性实例中实际为阴性的实例数占所有阴性实例数的比例;
将所述最佳临界点作为所述高阈值数据。
4.如权利要求1所述的用于3D图像的异常图像筛查方法,其特征在于,所述获取与所述感受性曲线数据相对应的低阈值数据的步骤,包括下述步骤:
基于最小二乘法对所述感受性曲线进行方程拟合操作,获得曲线坐标方程:
y=f(x);
其中,f(x)表示为拟合后的曲线坐标方程;
获取与所述曲线坐标方程相对应的曲率,所述曲率表示为:
其中,y=f(x),K表示该ROC曲线在横坐标为X位置的曲率;
将曲率趋近于0或者曲率变化较小的点作为所述低阈值数据。
5.一种用于3D图像的异常图像筛查装置,其特征在于,所述装置包括:
请求接收模块,用于接收病灶筛查请求,所述病灶筛查请求至少携带有原始图像信息以及与所述...
【专利技术属性】
技术研发人员:陈凯星,周鑫,吕传峰,
申请(专利权)人:平安科技深圳有限公司,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。