一种三维医学影像标注方法、装置及相关产品制造方法及图纸

本申请公开了一种三维医学影像标注方法、装置及相关产品。该方法确定三维医学影像中目标层图像的目标病灶区域；根据目标层图像的目标病灶区域中像素的坐标确定相邻层图像的邻层病灶区域；目标病灶区域与邻层病灶区域对应于三维医学影像中同一病灶；获得对同一病灶的标注数据；标注数据包括：目标病灶区域中像素的坐标和像素值，以及所有邻层病灶区域中像素的坐标和像素值。在本申请技术方案中，仅确定出三维医学影像中一层图像的病灶区域便可以实现对其他层图像中同一病灶的标注，不需要人工逐层手动标注，整个三维医学影像中病灶标注主要通过自动化方式实现。如此，提升了病灶标注效率，节省人力成本，使标注过程中操作的复杂度大大降低。

【技术实现步骤摘要】
一种三维医学影像标注方法、装置及相关产品
本申请涉及医学影像处理
，特别是涉及一种三维医学影像标注方法、装置及相关产品。
技术介绍
随着电子计算机技术和医疗成像技术的发展，医学影像蕴含的丰富信息能够在临床诊断、医学教学和科研等方面发挥重要的作用。机器学习尤其是深度学习技术在医疗领域的应用促进了医疗人工智能事业的快速发展，为医疗人工智能在诊断、治疗、教学、科研等方面的落地应用创造了广阔空间。目前，机器学习技术主要采用有监督学习算法进行训练学习，有监督学习的效果很大程度上依赖于规模大、分布多样且经过标注的训练数据集。医学影像处理中广泛使用的卷积神经网络是典型的有监督学习方法。为了提高训练模型的质量，需要大量的有标注医学影像数据。医学影像标注是医疗人工智能的一个关键环节。现有的医学影像标注方法大都采用方框、画圈、打点勾边等方式进行人工手动标注。对于电子计算机断层扫描(ComputedTomography,CT)设备、磁共振(MagneticResonance,MR)设备等医学成像设备生成的三维医学影像，由于影像是多层的，若由人工逐层进行本文档来自技高网...

【技术保护点】
1.一种三维医学影像标注方法，其特征在于，所述三维医学影像包括：多层图像构成的图像序列，所述多层图像包括目标层图像；所述方法包括：/n确定所述目标层图像的目标病灶区域；/n根据所述目标层图像的目标病灶区域中像素的坐标确定相邻层图像的邻层病灶区域；所述目标病灶区域与所述邻层病灶区域对应于所述三维医学影像中的同一病灶；/n获得对所述同一病灶的标注数据；所述标注数据包括：所述目标病灶区域中像素的坐标和像素值，以及所有所述邻层病灶区域中像素的坐标和像素值。/n

【技术特征摘要】
1.一种三维医学影像标注方法，其特征在于，所述三维医学影像包括：多层图像构成的图像序列，所述多层图像包括目标层图像；所述方法包括：
确定所述目标层图像的目标病灶区域；
根据所述目标层图像的目标病灶区域中像素的坐标确定相邻层图像的邻层病灶区域；所述目标病灶区域与所述邻层病灶区域对应于所述三维医学影像中的同一病灶；
获得对所述同一病灶的标注数据；所述标注数据包括：所述目标病灶区域中像素的坐标和像素值，以及所有所述邻层病灶区域中像素的坐标和像素值。


2.根据权利要求1所述的三维医学影像标注方法，其特征在于，在所述确定所述目标层图像的目标病灶区域之前，所述方法还包括：
将所述多层图像中的每一层图像分别分割为至少两个图像区域，得到每一层图像中像素与图像区域的映射关系；与图像区域具有映射关系的像素隶属于该图像区域。


3.根据权利要求2所述的三维医学影像标注方法，其特征在于，所述目标层图像具体为用户触发的一层图像；所述确定所述目标层图像的目标病灶区域，具体包括：
确定所述用户在所述目标层图像中针对同一病灶触发的所有像素；
当根据所述目标层图像中像素与图像区域的映射关系确定所述所有像素对应于同一图像区域时，将该图像区域作为所述目标病灶区域；
当根据所述目标层图像中像素与图像区域的映射关系确定所述所有像素共对应多个图像区域时，将所述多个图像区域合并后的区域作为所述目标病灶区域。


4.根据权利要求2所述的三维医学影像标注方法，其特征在于，所述根据所述目标层图像的目标病灶区域中像素的坐标确定相邻层图像的邻层病灶区域，具体包括：
根据所述目标层图像的目标病灶区域中像素的坐标，确定出所述相邻层图像中与所述目标病灶区域中像素的坐标一致的候选像素；
根据所述相邻层图像中像素与图像区域的映射关系，将所述相邻层图像中所述候选像素对应的图像区域作为候选区域；
当所有所述候选像素共对应多个候选区域时，从所述多个候选区域中确定出所述邻层病灶区域。


5.根据权利要求4所述的三维医学影像标注方法，其特征在于，所述从所述多个候选区域中确定出所述邻层病...

【专利技术属性】
技术研发人员：彭成宝，邱文旭，张霞，王冠，孟庆余，
申请(专利权)人：沈阳东软智能医疗科技研究院有限公司，
类型：发明
国别省市：辽宁;21