[发明专利]一种医疗影像数据的快速辅助标注及存储方法和系统

说明书

本发明提出了一种医疗影像数据的快速辅助标注及存储方法，包括数据标注、数据存储、数据读取和数据转换等步骤，包括：A1：数据在标注前，读取影像图像ID；所述影像图像ID包括：PatientId，StudyId，StudyInstanceUid，SeriesInstanceUid，SopInstanceUid信息；A2：对图像进行标注；标注后，会出现标注框；A3：自定义标注类型；B1：将标注信息保存为JSON格式；所述标注信息包括影像图像ID、标注框和自定义标注类型；C1：数据读取时，将影像图像和JSON文件的ID进行比对，如果一致则进入下一步，如果不一致则退出；C2：读取并显示标注信息。本发明兼容了现有的存储方案；可有效解决医疗影像中标注数据的存储方案；可有效地为深度学习算法提供有力支持；本发明还包括影像多通道处理过程，可适用于MRI系统。

技术领域

本发明涉及人工智能影像处理技术领域，尤其涉及一种医疗影像数据的快速辅助标注及存储方法和系统。

背景技术

CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。由探测器接收透过该层面的X射线，转变为可见光后，由光电转换变为电信号，再经模拟/数字转换器(analog/digital converter)转为数字，输入计算机处理。图像形成的处理有如对选定层面分成若干个体积相同的长方体，称之为体素(voxel)。

CT图像是由一定数目由黑到白不同灰度的像素按矩阵排列所构成。这些像素反映的是相应体素的X线吸收系数。不同CT装置所得图像的像素大小及数目不同。大小可以是1.0×1.0mm，0.5×0.5mm不等；数目可以是256×256，即65536个，或512×512，即262144个不等。显然，像素越小，数目越多，构成图像越细致，即空间分辨力(spatial resolution)高。

CT图像是以不同的灰度来表示，反映器官和组织对X线的吸收程度。因此，与X线图像所示的黑白影像一样，黑影表示低吸收区，即低密度区，如含气体多的肺部；白影表示高吸收区，即高密度区，如骨骼。

MRI也就是磁共振成像，英文全称是：Magnetic Resonance Imaging。经常为人们所利用的原子核有：1H、11B、13C、17O、19F、31P。在这项技术诞生之初曾被称为核磁共振成像，到了20世纪80年代初，作为医学新技术的NMR成像(NMR Imaging)一词越来越为公众所熟悉。随着大磁体的安装，有人开始担心字母“N”可能会对磁共振成像的发展产生负面影响。另外，“nuclear”一词还容易使医院工作人员对磁共振室产生另一个核医学科的联想。因此，为了突出这一检查技术不产生电离辐射的优点，同时与使用放射性元素的核医学相区别，放射学家和设备制造商均同意把“核磁共振成像术”简称为“磁共振成像(MRI)”。

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。