人体结构生长健康状况确定方法、装置、存储介质及设备
阅读：954发布：2020-07-01
专利汇可以提供人体结构生长健康状况确定方法、装置、存储介质及设备专利检索，专利查询，专利分析的服务。并且本 申请 涉及一种人体结构生长健康状况确定方法、装置、存储介质及设备，获取已采集的目标对象的医学扫描数据；根据医学扫描数据得到目标对象的人体结构生长健康状况的评价指标值；根据评价指标值确定目标对象的人体结构的生长健康状况；医学扫描数据为对目标对象进行医学扫描获取的医学扫描数据。在对目标对象进行医学扫描的过程中，同时根据已采集的数据去确定目标对象的结构生长健康状况，可以起到实时扫描并获取检查结果的目的，同时也能简化扫描检查的工作流。另外，通过评价指标值来确定生长健康状况，可以提高检测结果的准确性。，下面是人体结构生长健康状况确定方法、装置、存储介质及设备专利的具体信息内容。
1.一种人体结构生长健康状况确定方法，应用于对目标对象进行医学扫描的过程中，其特征在于，包括：
获取已采集的所述目标对象的医学扫描数据；
根据所述医学扫描数据得到所述目标对象的人体结构生长健康状况的评价指标值；
根据所述评价指标值确定所述目标对象的人体结构的生长健康状况；
所述医学扫描数据为所述对目标对象进行医学扫描获取的医学扫描数据。
2.根据权利要求1所述的人体结构生长健康状况确定方法，其特征在于，所述医学扫描为磁共振弥散张量成像扫描；
所述医学扫描数据包括：
所述对目标对象进行多序列医学扫描中获取的在前序列扫描医学扫描数据；和/或所述对目标对象进行同一序列的医学扫描中获取的在前医学扫描数据。
3.根据权利要求2所述的人体结构生长健康状况确定方法，其特征在于，所述对目标对象进行同一序列的医学扫描中获取的在前医学扫描数据包括：
所述对目标对象进行第一模式的医学扫描中获取的在前多层切面医学扫描数据；
所述对目标对象进行第二模式的医学扫描中获取的在前层和/或线医学扫描数据。
4.根据权利要求1所述的人体结构生长健康状况确定方法，其特征在于，根据所述医学扫描数据得到所述目标对象的人体结构生长健康状况的评价指标值，包括：
根据所述医学扫描数据得到对应的医学扫描图像；
根据所述医学扫描图像确定至少一个感兴趣区域；
根据所述感兴趣区域对应的医学扫描数据，得到所述感兴趣区域的对应的人体结构生长健康状况的评价指标值。
5.根据权利要求4所述的人体结构生长健康状况确定方法，其特征在于，根据所述医学扫描图像确定至少一个感兴趣区域,包括：
通过神经网络模型对所述医学扫描图像进行图像分割处理；
根据图像分割处理结果确定至少一个感兴趣区域。
6.根据权利要求5所述的人体结构生长健康状况确定方法，其特征在于，所述神经网络模型的训练过程包括：
获取样本图像，所述样本图像为已完成图像分割处理、且包含感兴趣区域标签的图像；
通过所述样本图像对神经网络模型进行训练，当训练后的神经网络模型根据医学扫描图像输出的感兴趣区域确定结果与所述医学扫描图像对应的实际感兴趣区域的误差在预设范围内时，确定所述神经网络模型训练完毕。
7.根据权利要求4所述的人体结构生长健康状况确定方法，其特征在于，根据所述评价指标值确定所述目标对象的人体结构的生长健康状况，包括：
当所述感兴趣区域的评价指标值在正常数值范围内时，确定所述感兴趣区域为正常区域，所述正常区域对应的人体结构的生长状况为健康；
当所述感兴趣区域的评价指标值超出正常数值范围内时，确定所述感兴趣区域为异常区域，所述异常区域对应的人体结构的生长情况为异常；
当所述人体结构的生长情况为异常时，还包括：
针对生长情况异常的人体结构确定对应的鉴别诊断策略并输出。
8.一种人体结构生长健康状况确定装置，应用于对目标对象进行医学扫描的过程中，其特征在于，包括：
数据获取模块，用于获取已采集的所述目标对象的医学扫描数据；
数据处理模块，用于根据所述医学扫描数据得到所述目标对象的人体结构生长健康状况的评价指标值；
健康状况确定模块，用于根据所述评价指标值确定所述目标对象的人体结构的生长健康状况；
所述医学扫描数据为所述对目标对象进行医学扫描获取的医学扫描数据。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
人体结构生长健康状况确定方法、装置、存储介质及设备
技术领域
背景技术
[0002] 弥散张量成像(diffusion tensor imaging，DTI)是在弥散加权成像(diffusion weighted imaging，DWI)的技术基础上发展起来的特殊的磁共振成像技术。在梯度场强下水分子的弥散存在会导致磁矩改变，而细胞外水分子运动对信号的改变其主导作用，因此，DTI主要利用弥散张量场中的各向异性扩散的方向信息来追踪神经通路的走行，从而得到脑白质中神经纤维和功能束的走形方向和立体形态。
[0003] 由于DTI可以实现对人体的中枢神经纤维进行精细成像的特点，是目前唯一可在活体显示脑白质纤维束的无创成像方法，因此，DTI被广泛应用于儿童脑部发育状况的检测领域。然而，现有技术在根据DTI图像进行脑补发育情况的检测时，多为根据DTI图像以及工作人员的经验去人工判断检测对象的脑部发育情况，检测过程较为繁琐，且检测结果的准确率较低；另外，在完成扫描检测后，检测对象也不能及时得知检测结果，若需要多次进行检测，检测对象需要多次前往进行扫描，容易给检测对象带来不便。发明内容
[0004] 基于此，有必要针对现有技术存在的问题，提供一种更加方便快捷、且准确率更高的人体结构生长健康状况确定方法、装置、存储介质及设备。
[0005] 一种人体结构生长健康状况确定方法，应用于对目标对象进行医学扫描的过程中，包括：
[0006] 获取已采集的所述目标对象的医学扫描数据；
[0007] 根据所述医学扫描数据得到所述目标对象的人体结构生长健康状况的评价指标值；
[0008] 根据所述评价指标值确定所述目标对象的人体结构的生长健康状况；
[0009] 所述医学扫描数据为所述对目标对象进行医学扫描获取的医学扫描数据。
[0010] 在其中一个实施例中，所述医学扫描为磁共振弥散张量成像扫描；
[0011] 所述医学扫描数据包括：
[0012] 所述对目标对象进行多序列医学扫描中获取的在前序列扫描医学扫描数据；和/或所述对目标对象进行同一序列的医学扫描中获取的在前医学扫描数据。
[0013] 在其中一个实施例中，所述对目标对象进行同一序列的医学扫描中获取的在前医学扫描数据包括：
[0014] 所述对目标对象进行第一模式的医学扫描中获取的在前多层切面医学扫描数据；
[0015] 所述对目标对象进行第二模式的医学扫描中获取的在前层和/或线医学扫描数据。
[0016] 在其中一个实施例中，根据所述医学扫描数据得到所述目标对象的人体结构生长健康状况的评价指标值，包括：
[0017] 根据所述医学扫描数据得到对应的医学扫描图像；
[0018] 根据所述医学扫描图像确定至少一个感兴趣区域；
[0019] 根据所述感兴趣区域对应的医学扫描数据，得到所述感兴趣区域的对应的人体结构生长健康状况的评价指标值。
[0020] 在其中一个实施例中，根据所述医学扫描图像确定至少一个感兴趣区域,包括：
[0021] 通过神经网络模型对所述医学扫描图像进行图像分割处理；
[0022] 根据图像分割处理结果确定至少一个感兴趣区域。
[0023] 在其中一个实施例中，所述神经网络模型的训练过程包括：
[0024] 获取样本图像，所述样本图像为已完成图像分割处理、且包含感兴趣区域标签的图像；
[0025] 通过所述样本图像对神经网络模型进行训练，当训练后的神经网络模型根据医学扫描图像输出的感兴趣区域确定结果与所述医学扫描图像对应的实际感兴趣区域的误差在预设范围内时，确定所述神经网络模型训练完毕。
[0026] 在其中一个实施例中，根据所述评价指标值确定所述目标对象的人体结构的生长健康状况，包括：
[0027] 当所述感兴趣区域的评价指标值在正常数值范围内时，确定所述感兴趣区域为正常区域，所述正常区域对应的人体结构的生长状况为健康；
[0028] 当所述感兴趣区域的评价指标值超出正常数值范围内时，确定所述感兴趣区域为异常区域，所述异常区域对应的人体结构的生长情况为异常；
[0029] 当所述人体结构的生长情况为异常时，还包括：
[0030] 针对生长情况异常的人体结构确定对应的鉴别诊断策略并输出。
[0031] 一种人体结构生长健康状况确定装置，应用于对目标对象进行医学扫描的过程中，包括：
[0032] 数据获取模块，用于获取已采集的所述目标对象的医学扫描数据；
[0034] 健康状况确定模块，用于根据所述评价指标值确定所述目标对象的人体结构的生长健康状况；
[0035] 所述医学扫描数据为所述对目标对象进行医学扫描获取的医学扫描数据。
[0037] 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
[0038] 上述人体结构生长健康状况确定方法、装置、存储介质及设备，获取已采集的目标对象的医学扫描数据；根据医学扫描数据得到目标对象的人体结构生长健康状况的评价指标值；根据评价指标值确定目标对象的人体结构的生长健康状况；医学扫描数据为对目标对象进行医学扫描获取的医学扫描数据。在对目标对象进行医学扫描的过程中，同时根据已采集的数据去确定目标对象的结构生长健康状况，可以起到实时扫描并获取检查结果的目的，同时也能简化扫描检查的工作流。另外，通过评价指标值来确定生长健康状况，可以提高检测结果的准确性。附图说明
[0039] 图1为一个实施例中人体结构生长健康状况确定方法的流程示意图；
[0040] 图2为一个实施例中根据医学扫描数据得到目标对象的人体结构生长健康状况的评价指标值的流程示意图；
[0041] 图3为一个实施例中人体结构生长健康状况确定装置的结构示意图。
具体实施方式
[0042] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0043] 医疗图像设备是指应用于医学领域、用于实现人体成像的设备，通过医疗图像设备得到的人体医疗图像可以有助于医生进行病情观察、病情诊断、病情分析等，从而可以提高诊断效率以及诊断准确性。常用的医疗图像设备包括MRI(Magnetic Resonance Imaging，磁共振成像)设备、CT(Computed Tomography，电子计算机断层扫描)设备等。
[0044] 现有技术中的患者就诊处理流程为：患者前往医院进行检查；工作人员通过医疗图像设备对患者进行成像扫描；扫描完成后，患者离开医院，医生根据患者的医疗图像进行医疗诊断，得到诊断结果；当还需要进行二次检查时，患者再次前往医院进行检查，然后重复上述步骤，直至医生确定最终诊断结果为止。然而，上述处理流程中，患者在完成扫描后，并不能及时得到扫描结果信息。当需要多次检查时，患者需要多次前往医院进行扫描，容易给患者的生活带来不便。另外，对于部分特殊患者，如小孩，以及患有精神疾病的患者来说，在进行扫描时，需要进行特殊的镇静处理，若需要多次扫描，则需要进行多次镇静处理，过程繁琐且很不方便。
[0045] 本申请针对现有技术中的问题，提出一种更加方便快捷、且准确率更高的人体结构生长健康状况确定方法、装置、存储介质及设备。该方法可以应用与对患者进行医学扫描的过程中，即在对患者进行扫描的同时，确定患者的人体结构生长健康状况，从而使得患者的检查流程更加方便快捷。
[0046] 可以理解，本申请各实施例中的技术方案的应用对象可以是各种类型的医疗图像设备。另外，医疗图像设备可以是单模态的成像设备，也可以是多模态的成像设备，如PET-CT设备、PET-MR设备等。
[0047] 在一个实施例中，如图1所示，提供一种人体结构生长健康状况确定方法，该方法可以应用于对目标对象进行医学扫描的过程中，以该方法应用于可以确定人体结构生长健康状况的处理器为例进行解释说明，该方法包括以下步骤：
[0048] 步骤S100，获取已采集的目标对象的医学扫描数据；医学扫描数据为对目标对象进行医学扫描获取的医学扫描数据。
[0049] 医疗图像设备通常使用扫描序列对目标对象进行扫描，从而获取该目标对象的医学扫描数据。扫描序列是指射频脉冲、梯度场与信号采集时刻等相关参数的设置及其在时序上的排列，应用不同的扫描序列可以得到不同成像特征侧重点的图像，因此，目标对象的扫描过程通常包括多种扫描序列。
[0050] 在对目标对象进行医学扫描的过程中，处理器获取已采集的目标对象的医学扫描数据。具体地，在使用多种扫描序列对目标患者进行扫描的过程中，可以是在前一个扫描序列扫描完之后，处理器获取前一扫描序列对应的医学扫描数据；另外，也可以是在使用当前扫描序列对目标对象进行扫描的过程中，获取当前扫描序列已采集的医学扫描数据。
[0051] 步骤S200，根据医学扫描数据得到目标对象的人体结构生长健康状况的评价指标值；
[0052] 处理器在获取目标对象的医学扫描数据以后，根据该医学扫描数据进行数据处理，得到目标对象的人体结构生长健康状况的评价指标值。
[0053] 步骤S300，根据评价指标值确定目标对象的人体结构的生长健康状况。
[0054] 处理器在根据医学扫描数据得到对应的人体结构生长健康状况的评价指标值之后，根据得到的评价指标值确定目标对象的人体结构的生长健康状况。
[0055] 本实施例提供一种人体结构生长健康状况确定方法，在对目标对象进行医学扫描的过程中，同时根据已采集的数据去确定目标对象的结构生长健康状况，可以起到实时扫描并获取检查结果的目的，同时也能简化扫描检查的工作流。另外，通过评价指标值来确定生长健康状况，可以提高检测结果的准确性。
[0056] 在一个实施例中，医学扫描为磁共振弥散张量成像扫描(DTI)。磁共振弥散张量成像扫描利用弥散张量场中的各向异性扩散的方向信息来追踪神经通路的走行，得到脑白质中神经纤维和功能束的走形方向和立体形态，从而可以实现对人体的中枢神经纤维进行精细成像。
[0057] 进一步地，医学扫描数据包括：对目标对象进行多序列医学扫描中获取的在前序列扫描医学扫描数据；和/或对目标对象进行同一序列的医学扫描中获取的在前医学扫描数据。
[0058] 在一个实施例中，对目标对象进行同一序列的医学扫描中获取的在前医学扫描数据包括：对目标对象进行第一模式的医学扫描中获取的在前多层切面医学扫描数据；对目标对象进行第二模式的医学扫描中获取的在前层和/或线医学扫描数据。例如：第一模式可以是快速自旋回波(FSE)扫描模式，第二模式可以是单次激发快速自旋回波(SSFSE)扫描模式。可以理解，第一模式和第二模式也可以是其他类型的扫描模式。
[0059] 在一个实施例中，人体结构为脑部结构。弥散张量成像(DTI)可以认为是磁共振成像(MRI)的特殊形式，MRI因其无电离辐射，软组织分辨率高，对比度好，能多方位任意角度成像等特点，已普遍应用于人体各部位成像。因其无辐射的特点，目前MRI用于儿童发育状况的筛查也日益普遍。MR神经系统扫描常用序列包含T1WI,T2WI,DWI,FLAIR,SWI,DTI,MRS等，其中T1WI和DTI在诊断儿童脑白质发育情况发挥着重要作用。因此，通过确定儿童脑部结构的生长健康状况，从而可以判断儿童的脑部发育情况，并对以后的发育情况进行预测等。
[0060] 在一个实施例中，评价指标值为各向异性分数值。在MR神经系统扫描常用序列中，，T1WI多用于定性观察，DTI可定量测量各向异性分数值(fractional anisotropy，FA值)。FA值直接关系到脑白质髓鞘化的进展，可用于定量的判断儿童脑发育情况，发育正常的儿童，在相应脑白质区域，随着月龄的增加，FA值增加，既可以作为同人之间前后正常与否的对照，也可以在不同个体之间横向对比，有研究证明发育正常的儿童在特定脑区的FA值普遍高于发育缓慢的个体，所以FA值可作为评估脑白质髓鞘化程度判断发育是否与月龄相符的依据，由此判断小儿髓鞘化落后程度，预测后期的发育情况。
[0061] 在一个实施例中，人体结构生长健康状况确定方法也可以应用于人体其他结构的生长健康状况检测，例如：检测人体结构中是否存在肿瘤，以及对已患病的患者的肿瘤情况的检测等。
[0062] 在一个实施例中，如图2所示，根据医学扫描数据得到目标对象的人体结构生长健康状况的评价指标值，包括步骤S210至步骤S230。
[0063] 步骤S210，根据医学扫描数据得到对应的医学扫描图像；
[0064] 步骤S220，根据医学扫描图像确定至少一个感兴趣区域；
[0065] 步骤S230，根据感兴趣区域对应的医学扫描数据，得到感兴趣区域的对应的人体结构生长健康状况的评价指标值。
[0066] 具体地，处理器在得到医学扫描数据之后，根据医学扫描数据进行数据成像，得到对应的医学扫描图像，然后根据医学扫描图像确定至少一个感兴趣区域。
[0067] 以对儿童进行脑部结构检测为例，处理器在得到儿童脑部的DTI图像之后，根据DTI图像确定感兴趣区域，感兴趣区域对应的结构包括但不限于：小脑半球深部白质、脑桥背侧、内囊前肢、内囊后肢、胼胝体膝部、胼胝体压部、顶叶深部白质、额叶深部白质、半卵圆中心中央部、大脑脚、中小脑脚、放射冠上部、下额枕束、外囊等位置。另外，每个感兴趣区域的大小不做限定，可以根据不同的部位适当调整,尽量使感兴趣区域放置于所测量的结构内,以避免邻近结构部分容积效应的影响。
[0068] 进一步地，为了减少测量误差,不同部位的FA值可以测量多次(如3次),然后取其平均值，从而提高数据的准确性。
[0069] 在一个实施例中，根据医学扫描图像确定至少一个感兴趣区域,包括步骤222以及步骤224：
[0070] 步骤222，通过神经网络模型对医学扫描图像进行图像分割处理；
[0071] 步骤224，根据图像分割处理结果确定至少一个感兴趣区域。
[0072] 图像分割是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，是由图像处理到图像分析的关键步骤。本实施例中，可以是通过神经网络模型对医学扫描图像进行图像分割处理，从而可以根据图像分割处理结果确定感兴趣区域。神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的，神经网络模型由网络拓扑、节点特点和学习规则来表示。
[0073] 在一个实施例中，神经网络模型具体可以是卷积神经网络模型。卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deep learning)的代表算法。卷积神经网络仿造生物的视知觉(visual perception)机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程(feature engineering)要求。
[0074] 可以理解，神经网络模型并不仅仅局限于卷积神经网络模型，也可以是其他类型的模型。
[0075] 在一个实施例中，神经网络模型的训练过程包括：获取样本图像，样本图像为已完成图像分割处理、且包含感兴趣区域标签的图像；通过样本图像对神经网络模型进行训练，当训练后的神经网络模型根据医学扫描图像输出的感兴趣区域确定结果与医学扫描图像对应的实际感兴趣区域的误差在预设范围内时，确定神经网络模型训练完毕。
[0076] 具体地，首先将感兴趣的区域进行不同标签化处理，根据大批训练数据的标签进行分割训练，使得神经网络模型举报图像分割的能力。神经网络训练单元可以训练神经网络模型，训练神经网络的输入为包括小儿脑图像，及该图像对应的区域分割标记(感兴趣区域标签)；训练过程提取图像特征并更新神经网络的参数。
[0077] 在一个实施例中，根据评价指标值确定目标对象的人体结构的生长健康状况，包括：当感兴趣区域的评价指标值在正常数值范围内时，确定感兴趣区域为正常区域，正常区域对应的人体结构的生长状况为健康；当感兴趣区域的评价指标值超出正常数值范围内时，确定感兴趣区域为异常区域，异常区域对应的人体结构的生长情况为异常。
[0078] 以儿童脑部结构发育检测为例，在对儿童脑部的医学扫描图像进行图像分割处理后，根据脑部结构确定多个感兴趣区域，并计算每个感兴趣区域的评价指标值，评价指标值具体可以是各向异性分数值(FA值)。
[0079] 在得到感兴趣区域对应的FA值之后，将得到的FA值与该月龄的儿童对应的正常数值范围进行比较。若FA值在对应的正常数值范围内，则说明该儿童脑部发育健康；若FA值超出对应的正常数值范围，则说明该儿童脑部发育异常。另外，在检测到发育或生长异常时，可以进行异常提示。
[0080] 在一个实施例中，当人体结构的生长情况为异常时，还包括：针对生长情况异常的人体结构确定对应的鉴别诊断策略并输出。
[0081] 具体地，在扫描过程中，若检测到生长情况异常，可以及时进行异常提示，并且，可以根据具体的异常原因确定对应的鉴别诊断策略并输出。用户在接收到异常提示后，可以及时根据对应的鉴别诊断策略追加其他扫描序列进行扫描诊断，从而有助于最终确定异常病因。并且，及时进行鉴别诊断也可以使得患者的就诊过程更加便捷。
[0082] 应该理解的是，虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0083] 在一个实施例中，如图3所示，提供一种人体结构生长健康状况确定装置，该装置可以应用于对目标对象进行医学扫描的过程中，该装置包括：数据获取模块100、数据处理模块200以及健康状况确定模块300。
[0084] 数据获取模块100用于获取已采集的目标对象的医学扫描数据；医学扫描数据为对目标对象进行医学扫描获取的医学扫描数据。
[0085] 数据处理模块200用于根据医学扫描数据得到目标对象的人体结构生长健康状况的评价指标值；
[0086] 健康状况确定模块300用于根据评价指标值确定目标对象的人体结构的生长健康状况。
[0087] 在一个实施例中，数据处理模块200还用于根据医学扫描数据得到对应的医学扫描图像；根据医学扫描图像确定至少一个感兴趣区域；根据感兴趣区域对应的医学扫描数据，得到感兴趣区域的对应的人体结构生长健康状况的评价指标值。
[0088] 在一个实施例中，数据处理模块200还用于通过神经网络模型对医学扫描图像进行图像分割处理；根据图像分割处理结果确定至少一个感兴趣区域。
[0089] 在一个实施例中，数据处理模块200还用于获取样本图像，样本图像为已完成图像分割处理、且包含感兴趣区域标签的图像；通过样本图像对神经网络模型进行训练，当训练后的神经网络模型根据医学扫描图像输出的感兴趣区域确定结果与医学扫描图像对应的实际感兴趣区域的误差在预设范围内时，确定神经网络模型训练完毕。
[0090] 在一个实施例中，健康状况确定模块300还用于：当感兴趣区域的评价指标值在正常数值范围内时，确定感兴趣区域为正常区域，正常区域对应的人体结构的生长状况为健康；当感兴趣区域的评价指标值超出正常数值范围内时，确定感兴趣区域为异常区域，异常区域对应的人体结构的生长情况为异常。
[0091] 在一个实施例中，健康状况确定模块300还用于针对生长情况异常的人体结构确定对应的鉴别诊断策略并输出。
[0092] 关于人体结构生长健康状况确定装置的具体限定可以参见上文中对于人体结构生长健康状况确定方法的限定，在此不再赘述。上述人体结构生长健康状况确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0093] 在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取已采集的目标对象的医学扫描数据；根据医学扫描数据得到目标对象的人体结构生长健康状况的评价指标值；根据评价指标值确定目标对象的人体结构的生长健康状况；医学扫描数据为对目标对象进行医学扫描获取的医学扫描数据。
[0094] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据医学扫描数据得到对应的医学扫描图像；根据医学扫描图像确定至少一个感兴趣区域；根据感兴趣区域对应的医学扫描数据，得到感兴趣区域的对应的人体结构生长健康状况的评价指标值。
[0095] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过神经网络模型对医学扫描图像进行图像分割处理；根据图像分割处理结果确定至少一个感兴趣区域。
[0096] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取样本图像，样本图像为已完成图像分割处理、且包含感兴趣区域标签的图像；通过样本图像对神经网络模型进行训练，当训练后的神经网络模型根据医学扫描图像输出的感兴趣区域确定结果与医学扫描图像对应的实际感兴趣区域的误差在预设范围内时，确定神经网络模型训练完毕。
[0097] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：当感兴趣区域的评价指标值在正常数值范围内时，确定感兴趣区域为正常区域，正常区域对应的人体结构的生长状况为健康；当感兴趣区域的评价指标值超出正常数值范围内时，确定感兴趣区域为异常区域，异常区域对应的人体结构的生长情况为异常。
[0098] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：针对生长情况异常的人体结构确定对应的鉴别诊断策略并输出。
[0099] 在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取已采集的目标对象的医学扫描数据；根据医学扫描数据得到目标对象的人体结构生长健康状况的评价指标值；根据评价指标值确定目标对象的人体结构的生长健康状况；医学扫描数据为对目标对象进行医学扫描获取的医学扫描数据。
[0100] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取已采集的目标对象的医学扫描数据；根据医学扫描数据得到目标对象的人体结构生长健康状况的评价指标值；根据评价指标值确定目标对象的人体结构的生长健康状况。
[0101] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过神经网络模型对医学扫描图像进行图像分割处理；根据图像分割处理结果确定至少一个感兴趣区域。
[0102] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取样本图像，样本图像为已完成图像分割处理、且包含感兴趣区域标签的图像；通过样本图像对神经网络模型进行训练，当训练后的神经网络模型根据医学扫描图像输出的感兴趣区域确定结果与医学扫描图像对应的实际感兴趣区域的误差在预设范围内时，确定神经网络模型训练完毕。
[0103] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当感兴趣区域的评价指标值在正常数值范围内时，确定感兴趣区域为正常区域，正常区域对应的人体结构的生长状况为健康；当感兴趣区域的评价指标值超出正常数值范围内时，确定感兴趣区域为异常区域，异常区域对应的人体结构的生长情况为异常。
[0104] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：针对生长情况异常的人体结构确定对应的鉴别诊断策略并输出。
[0105] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
[0106] 以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于弥散张量成像技术的疾病诊断辅助系统 | 2020-05-20 | 709 |
| 去除磁共振弥散张量成像噪声的方法和系统 | 2020-05-17 | 243 |
| 磁共振弥散张量成像纤维束追踪装置 | 2020-05-14 | 140 |
| 弥散张量成像方法及系统 | 2020-05-11 | 840 |
| 磁共振弥散张量成像质量控制综合测试体模 | 2020-05-16 | 366 |
| 磁共振弥散张量成像方法及系统 | 2020-05-12 | 788 |
| 去除磁共振弥散张量成像噪声的方法和系统 | 2020-05-16 | 57 |
| 弥散张量成像方法及系统 | 2020-05-15 | 641 |
| 弥散张量成像方法及系统 | 2020-05-11 | 846 |
| 多b值弥散张量成像采样方法 | 2020-05-11 | 232 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈