影像数据评估方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种影像数据评估方法、装置、设备及存储介质。获取医学影像数据和医学影像数据的分区定位图像，将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果。解决了现有技术中需要大量人工参与且生成无效特征的问题。可以自动对医学影像数据进行特征提取，通过预先训练的影像数据评估模型，可以自动挖掘医学影像数据和分区定位图像的有效特征，无需人工参与。并且，将医学影像数据和分区定位图像结合确定评分结果，可以提高评分结果确定因子的维度，有利于得到可靠的评分结果。

【技术实现步骤摘要】
影像数据评估方法、装置、设备及存储介质
本专利技术实施例涉及数据处理技术，尤其涉及一种影像数据评估方法、装置、设备及存储介质。
技术介绍
在临床应用中，为了统一病人之间的病情情况，往往会制定一种评分系统，来给病人进行评级。比如基于MR多模态影像的前列腺PI-RADS评分，基于CT或者MR影像的缺血性卒中病人的ASPECT评分。目前，临床医生往往直接通过个人经验通过对影像数据进行评估或者通过自动评分系统进行评估。通过个人经验评估的弊端是，不同医生经验不同以及资历不同，评估结果存在很大的差异；通过影像数据自动评分系统对影像数据进行评估时，先对影像数据进行分区定位，然后对每一个定位区域通过人工方式提取特征，进行特征分析后送入学习网络中，比如将特征分析结果送人随机森林，通过随机森林将特征分析结果转换为分类任务，从而获取最终的评估结果。但是，上述评估方式需要大量人工参与，费时费力，且大量特征为无效特征，容易对影像数据的评估产生干扰。
技术实现思路
本专利技术实施例提供了一种影像数据评估、装置、设备及存储介质，以实现对影像数据自动评估，提高评估效率和效果。第一方面，本专利技术实施例提供了一种影像数据评估方法，包括：获取医学影像数据和所述医学影像数据的分区定位图像；将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果，其中，所述影像数据评估模型根据标准影像数据、标准分区定位图像以及标准评分训练得到。第二方面，本专利技术实施例还提供了一种影像数据评估装置，包括：信息获取模块，用于获取医学影像数据和所述医学影像数据的分区定位图像；评分结果确定模块，用于将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果，其中，所述影像数据评估模型根据标准影像数据、标准分区定位图像以及标准评分训练得到。第三方面，本专利技术实施例还提供了一种影像数据评估设备，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计算机程序时实现如第一方面中任一项所述的影像数据评估方法。第四方面，本专利技术实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时实现如第一方面中任一项所述的影像数据评估方法。本实施例提供的技术方案，获取医学影像数据和医学影像数据的分区定位图像，将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果。解决了现有技术中需要大量人工参与且生成无效特征的问题。可以自动对医学影像数据进行特征提取，通过预先训练的影像数据评估模型，可以自动挖掘医学影像数据和分区定位图像的有效特征，无需人工参与。并且，将医学影像数据和分区定位图像结合确定评分结果，可以提高评分结果确定因子的维度，有利于得到可靠的评分结果。附图说明图1为本专利技术实施例一提供的一种影像数据评估方法的流程示意图；图2为本专利技术实施例二提供的一种影像数据评估方法的流程示意图；图3为本专利技术实施例二提供的影像评分数据的相关模型示意图；图4为本专利技术实施例三提供的一种影像数据评估方法的流程示意图；图5为本专利技术实施例四提供的一种影像数据评估装置的结构示意图；图6为本专利技术实施例五提供的一种影像数据评估设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1为本专利技术实施例一提供的一种影像数据评估方法的流程示意图，本实施例可适用于将获取的医学影像数据和医学影像数据的分区定位图像输入至影像数据评估模型，通过影像数据评估模型自动确定影像数据的评分结果的情况，该方法可以由影像数据评估装置来执行，其中该装置可由软件和/或硬件实现，并一般集成在终端或影像数据评估设备中。具体参见图1所示，该方法可以包括如下步骤：S110、获取医学影像数据和医学影像数据的分区定位图像。其中，医学影像数据可以包括磁共振多模态图像、计算机断层扫描图像等。可选地，医学影像数据可以是平扫图像或增强图像，医学影像数据可以是对称图像也可以是非对称图像。可以理解的是，如果医学影像数据为头部平扫图像，可以将头部平扫图像中的左右半脑各分为十个区域，左右半脑的十个区域分别为尾状核、豆状核、内囊、岛带、基底节片层的脑叶的前端、基底节片层的脑叶的终端、基底节片层的脑叶的后端、侧脑室体部层的脑叶的前端、侧脑室体部层的脑叶的中段以及侧脑室体部层的脑叶的后端。其中，分区定位图像可以通过对医学影像数据进行定位或配准确定。例如，如果医学影像数据是头部平扫图像，分区定位图像可以是左右半脑的至少一个区域。可选地，分区定位图像的确定方法可以是：获取预先确定的模板图像与影像数据之间的配准关系；基于所述配准关系，将所述模板图像的分区映射至所述医学影像数据上，获取所述医学影像数据的每个分区的概率值；根据所述医学影像数据的每个分区的概率值确定所述医学影像数据的分区定位图像。可选地，分区定位图像的确定方法还可以是：确定医学影像数据的至少一个区域的中心点；基于至少一个区域的中心点的图像信息，确定医学影像数据的分区定位图像。可选地，所述分区定位图像可以是分区掩膜或显著图。S120、将医学影像数据和分区定位图像输入至预先训练的影像数据评估模型，确定医学影像数据的评分结果。其中，所述影像数据评估模型根据标准影像数据、标准分区定位图像以及标准评分训练得到。所述标准影像数据可以是单一影像数据也可以是多模态影像数据。所述标准分区定位图像为分区掩膜或显著图。可选地，所述影像数据评估模型可以为卷积神经网络。所述影像数据评估模型包括：特征提取子网络、池化子网络和全连接子网络；所述池化子网络包括掩膜池化子网络，所述全连接子网络包括分区分类子网络。所述影像数据评估模型的训练方法为：获取所述标准影像数据、所述标准分区定位图像和所述标准评分；迭代执行以下训练步骤，将满足预设迭代要求的当前评估模型确定为训练完成的影像数据评估模型：将所述标准影像数据输入至特征提取子网络，得到标准特征数据；基于池化子网络的掩膜池化子网络，对所述标准特征数据和所述标准分区定位图像进行掩膜池化，得到掩膜池化结果；基于所述全连接子网络的分区分类子网络，对掩膜池化结果进行分区分类计算，得到第一分区分类结果；根据所述第一分区分类结果与所述标准评分计算所述当前评估模型的第一损失函数；基于所述第一损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型，直至当前迭代的影像数据评估模型的第一损失函数小于设定阈值，将当前迭代的影像数据评估模型作为训练完成的影像数据评估模型。具体地，在当前评估模型的输入端输入格式为N×C×Z×H×W的标准影像数据，基于特征提取本文档来自技高网...

【技术保护点】
1.一种影像数据评估方法，其特征在于，包括：/n获取医学影像数据和所述医学影像数据的分区定位图像；/n将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果，其中，所述影像数据评估模型根据标准影像数据、标准分区定位图像以及标准评分训练得到。/n

【技术特征摘要】
1.一种影像数据评估方法，其特征在于，包括：
获取医学影像数据和所述医学影像数据的分区定位图像；
将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果，其中，所述影像数据评估模型根据标准影像数据、标准分区定位图像以及标准评分训练得到。


2.根据权利要求1所述的方法，其特征在于，还包括：
获取临床检测信息，并确定所述临床检测信息对应的数值化检测信息；
相应的，所述将所述医学影像数据和和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果，包括：
将所述医学影像数据、所述数值化检测信息和所述分区定位图像输入至预先训练的影像数据评估模型，得到所述医学影像数据的评分结果。


3.根据权利要求1所述的方法，其特征在于，所述影像数据评估模型包括：特征提取子网络、池化子网络和全连接子网络；所述池化子网络包括掩膜池化子网络，所述全连接子网络包括分区分类子网络；
相应的，所述影像数据评估模型的训练方法包括：
获取所述标准影像数据、所述标准分区定位图像和所述标准评分；
迭代执行以下训练步骤，将满足预设迭代要求的当前评估模型确定为训练完成的影像数据评估模型：
将所述标准影像数据输入至所述特征提取子网络，得到标准特征数据；
基于所述池化子网络的掩膜池化子网络，对所述标准特征数据和所述标准分区定位图像进行掩膜池化，得到掩膜池化结果；
基于所述全连接子网络的分区分类子网络，对所述掩膜池化结果进行分区分类计算，得到第一分区分类结果；
根据所述第一分区分类结果与所述标准评分计算所述当前评估模型的第一损失函数；
基于所述第一损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型。


4.根据权利要求3所述的方法，其特征在于，所述池化子网络还包括：全局池化子网络，所述全连接子网络还包括：多目标回归子网络和总评分回归子网络；所述方法还包括：
获取临床特征信息，其中，所述临床特征信息通过对与所述标准影像数据对应的临床相关信息进行数值化操作得到；
相应的，所述影像数据评估模型的训练方法还包括：
将所述标准特征数据、所述标准分区定位图像和所述临床特征信息输入至池化子网络，并基于所述池化子网络的全局池化子网络对所述标准特征数据和所述临床特征信息进行全局池化，确定全局池化结果；
基于所述全连接子网络的多目标回归子网络对所述全局池化结果进行多目标回归处理，并基于所述全连接子网络的总评分回归子网络对所述全局池化结果进行总评分回归处理，得到多目标回归结果和总评分回归结果；
根据所述多目标回归结果和所述标准评分计算所述当前评估模型的第二损失函数，并根据所述总评分回归结果和所述标准评分计算所述当前评估模型的第三损失函数；
相应的，所述基于所述第一损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型，包括：
基于所述第一损失函数、所述第二损失函数和所述第三损失函数对所述当前评估模型...

【专利技术属性】
技术研发人员：李阳，刘超然，
申请(专利权)人：上海联影医疗科技股份有限公司，
类型：发明
国别省市：上海;31