TCI 411-2024 醫(yī)療圖像智能分析及處理技術規(guī)范

ICS35.240.01CCSL67 T團 體 標 準T/CI411-2024醫(yī)療圖像智能分析及處理技術規(guī)范Technicalspecificationforintelligentanalysisandprocessingofmedicalimages2024-07-01發(fā)布 2024-07-01實施?中國國際科技促進會?發(fā)布T/CI411-2024T/CI411-2024PAGE\*ROMANPAGE\*ROMANIII目 次前 言 II引 言 IIIII范圍 1規(guī)范性引用文件 1術語和定義 1基本要求 2醫(yī)療圖像預處理 2醫(yī)療圖像三維可視化技術 5醫(yī)療圖像特征提取 6醫(yī)療圖像特征融合技術 7疾病診斷及病勢推演技術 10前 言GB/T1.1-20201本文件由中國國際科技促進會歸口。本文件起草單位：河南科技大學、河南科技大學第一附屬醫(yī)院、同濟大學、東南大學、（河南省骨科醫(yī)院本文件為首次發(fā)布。引 言T/CI411-2024T/CI411-2024PAGEPAGE10醫(yī)療圖像智能分析及處理技術規(guī)范范圍本文件規(guī)定了醫(yī)療圖像智能分析、預處理、可視化、特征融合技術等內容。本文件適用于智慧醫(yī)療領域對醫(yī)療圖像進行智能的分析和處理工作。規(guī)范性引用文件本文件沒有規(guī)范性引用文件。術語和定義下列術語和定義適用于本文件。3.1圖像分割imageSegmentationCTMRI等醫(yī)學診斷中用到的圖像中識別器官或病變的像素點，傳遞和提取有關這些器官或者組織的形狀和體積的關鍵信息，分割出感興趣的區(qū)域。3.2可視化技術visualizationTechnique指利用從實驗中獲得的、掃描器測得的、計算模型合成的醫(yī)學數(shù)據(jù)，重建三維圖像模型，并進行定性定量分析，提供具有真實感的三維醫(yī)療圖像，使人們更清楚地認識蘊涵在體數(shù)據(jù)中的復雜結構，便于醫(yī)生多角度多層次地觀察和分析。3.3特征提取featureExtraction指從醫(yī)療圖像中提取有意義的、可區(qū)分的、與目標結構或區(qū)域相關的特征。3.4特征融合featureFusion（CTMRIX光等的特征信息有效地結合在一起，獲得更豐富全面的信息3.5圖像配準imageRegistration指把顯示人體不同信息(結構信息和功能信息)的位置、姿態(tài)、尺度、變形等因素引起的圖像間的差異?；疽鬁蚀_性和可靠性。以提供可靠的診斷和治療決策支持?；ゲ僮餍院涂蓴U展性。以便與不同設備和平臺進行集成，并適應不斷變化的技術和需求。醫(yī)療圖像預處理醫(yī)療圖像分割傳統(tǒng)醫(yī)療圖像分割基于閾值的圖像分割將彩色醫(yī)療圖像轉換為灰度圖像，以便更好地處理圖像的亮度和對比度。根據(jù)圖像的灰度直方圖和特定的分割目標，選擇合適的閾值來將圖像分成不同的區(qū)域。根據(jù)選定的閾值，對圖像中的每個像素進行分類，將其分為目標區(qū)域和背景區(qū)域。對分割結果使用去除噪聲、填補空洞或連接區(qū)域等方法進行后處理?；趨^(qū)域的圖像分割把具有相似性質的像素點進行連通，組合成最終的分割區(qū)域結果。從種子點開始，根據(jù)像素之間的相似性逐步生長區(qū)域，直到滿足特定的生長準則為止。根據(jù)像素的灰度值或特定特征，對區(qū)域進行分裂或合并，獲得更準確的分割結果。基于邊緣的圖像分割Sobel、Canny等算法識別圖像中的邊緣信息。根據(jù)檢測到的邊緣信息，進行邊緣連接，形成完整的邊緣輪廓。對連接后的邊緣進行細化處理，獲得更加精細的邊緣信息?；谏疃葘W習的醫(yī)療圖像分割深度學習模型的選擇和訓練適用于醫(yī)療圖像分割的深度學習模型有很多，其中包括U-Net、V-Net、MaskR-CNN等。在訓練模型之前，首先需要對醫(yī)療圖像進行預處理，包括歸一化、去噪、增強等步驟，以提高模型的訓練效果。構建模型，包括定義模型的各層結構、激活函數(shù)、初始化方法等。7:38:2用交叉熵損失函數(shù)、Dice損失函數(shù)衡量模型的預測結果與真實結果的差距。用SGD、Adam、RMSprop優(yōu)化器更新和調整模型的參數(shù)。在驗證集上評估模型的性能，根據(jù)評估結果調整模型的參數(shù)或者結構，以提高模型的性能。數(shù)據(jù)集的規(guī)范規(guī)定數(shù)據(jù)集的收集、標注和驗證流程。同時，考慮數(shù)據(jù)的多樣性和代表性，包括不同類型的醫(yī)療圖像（如CT、MRI等），不同的病理條件，以及不同的患者人群。規(guī)定數(shù)據(jù)采集的來源、采集設備、采集參數(shù)等，以及數(shù)據(jù)標注的標準和流程?？紤]到醫(yī)療圖像涉及患者隱私，需要規(guī)定數(shù)據(jù)存儲、傳輸和處理的安全標準，遵守相關的隱私法規(guī)和醫(yī)療保密要求。（CTMRI等規(guī)定訓練集、驗證集和測試集的劃分方法和比例，以及數(shù)據(jù)集的交叉驗證等策略，確保模型評估的客觀性和準確性。模型性能的評價統(tǒng)一的模型性能評價標準，可以更好比較不同模型的性能。評價指標包括精度、召回率、F1分數(shù)、Dice系數(shù)等。DceIonterseconoerUnon、精確率、召回率等。規(guī)定在哪些數(shù)據(jù)集上進行模型性能的評價，包括公開數(shù)據(jù)集、內部數(shù)據(jù)集以及不同病理條件下的數(shù)據(jù)集。針對不同疾病或不同醫(yī)療圖像類型，定義不同模型性能的評價標準明確模型性能評價的流程，包括數(shù)據(jù)預處理、模型推斷、結果評價等步驟，以及評價過程中的交叉驗證策略。模型的部署和應用深度學習醫(yī)療圖像分割模型的部署和應用包括模型的導出和導入、在不同環(huán)境下的兼容性、模型的更新和維護等。此外，還需要考慮模型的實時性能，以滿足臨床圖像分割應用的需求。圖1基于深度卷積的圖像分割醫(yī)療圖像去噪數(shù)據(jù)預處理規(guī)范對醫(yī)療圖像進行歸一化處理，確保圖像數(shù)據(jù)具有統(tǒng)一的尺度和范圍。選擇合適的去噪算法或模型，以及去噪?yún)?shù)的設置和調整。規(guī)定圖像增強的策略和方法，如對比度增強、銳化處理等，為去噪處理提供更好的輸入數(shù)據(jù)。去噪模型選擇PSNR（峰值信噪比）、SSIM（結構相似性指標）等。X光片、MRI圖像、CT掃描等?？紤]模型對不同類型噪聲的魯棒性。模型訓練和驗證（MSE）（SSIM）損失用于醫(yī)療圖像去噪任務的損失函數(shù)類型。（AdamSGD等）的選擇等。性能評價PSNR（峰值信噪比）、SSIM（結構相似性指標）等。醫(yī)療圖像增強使用直方圖均衡化、對比度拉伸、圖像銳化對圖像進行增強?；谏疃葘W習技術的醫(yī)療圖像增強將醫(yī)療圖像進行初步處理和預處理后，輸入到深度學習模型中，進行融合重構得到高清晰的醫(yī)療圖像。深度學習模型網(wǎng)絡對不同尺度空間的醫(yī)療圖像進行不同程度的上下采樣操作，得到特征圖后進行特征融合。通過低分辨率圖像進行下采樣直接預測高分辨率圖像。醫(yī)療圖像三維可視化技術CTMRI圖像切片數(shù)據(jù)，根據(jù)所需的某個器官或某CT圖像進行分割，接著再對分割后的圖像進行三維重建，觀察病灶尺寸，確定病灶在器官中的位置信息。圖2醫(yī)療圖像可視化流程醫(yī)療圖像文件中的圖像信息往往以體數(shù)據(jù)的方式存儲，根據(jù)所要可視化的內容，可以將醫(yī)療圖像的可視化劃分為面繪制和體繪制?；诿胬L制的三維重建對一系列二維斷層圖像組成的體數(shù)據(jù)進行邊緣檢測等分割處理，根據(jù)這些提取出來的數(shù)據(jù)形成等值面，還原出感興趣物體的三維醫(yī)學模型，實現(xiàn)多層面顯示。根據(jù)組織結構的密度等不同特性生成的圖像灰度值的不同，設定相應的閾值，從醫(yī)療圖像中找到感興趣物體的位置。經(jīng)過閾值提取后，形成拓撲結構從而生成物體表面。設置光源與視線形成富有真實感的物體模型，在體數(shù)據(jù)中構造等值面?；隗w繪制的三維重建體繪制主要目標是將三維體數(shù)據(jù)投影在二維平面上，繪制后結果由多個體素數(shù)據(jù)組成的3維數(shù)組構成。大致流程概括為：數(shù)據(jù)采集及獲取、數(shù)據(jù)預處理、體數(shù)據(jù)分類及體數(shù)據(jù)繪制四個階段。如圖3所示。3利用醫(yī)療圖像成像設備對人體進行斷層掃描，采集到二維斷層數(shù)字圖像序列，獲取CT、MRIDICOM格式存儲。數(shù)據(jù)預處理為體數(shù)據(jù)分類效果提供保障。用傳遞函數(shù)對體數(shù)據(jù)進行分類，傳遞函數(shù)把體數(shù)據(jù)屬性（如顏色及不透明度等）映射成相對應的光學屬性。把第三階段的分類結果體數(shù)據(jù)繪制渲染到屏幕上，以二維圖像形式在屏幕上顯示。醫(yī)療圖像特征提取從圖像中提取具有代表性的特征信息，將這些信息轉化為計算機可識別、分類的形式。基于顏色的特征提取圖像進行預處理，減少噪聲等干擾特征的提取。將圖像從其原始的顏色空間轉換到其他顏色空間，分離出感興趣的顏色特征。將連續(xù)的顏色空間離散化，每個像素的顏色映射到最近的區(qū)間。用直方圖、顏色矩等計算圖像中顏色的分布。從直方圖等的均值、方差、偏度和峰度中提取特征?；诩y理的特征提取區(qū)域內像素點的分布情況，使用基于統(tǒng)計的方法、基于信號處理的方法、基于模型的方法和基于結構的方法進行紋理特征的提取?；谛螤畹奶卣魈崛⊥ㄟ^邊界特征的描述來獲取圖像的形狀參數(shù)。用物體邊界的傅里葉變換作為形狀描述，利用區(qū)域邊界的封閉性和周期性，將二維問題轉換為一維問題。由邊界點導出三種形狀表達：曲率函數(shù)、質心距離、復坐標函數(shù)。采用區(qū)域特征描述進行形狀的表達和匹配。利用目標所占區(qū)域的矩作為形狀描述參數(shù)?；诳臻g關系的特征提取根據(jù)分割算法將圖像先分割成多個區(qū)域，在這些區(qū)域提取特征并建立索引；將圖像分割成均勻的規(guī)則區(qū)塊，提取各個區(qū)塊特征并建立索引?；谏疃葘W習的特征提取通過深層卷積操作來逐步由淺到深地提取圖像語義信息。對于目標特征關注度的提升通常采用注意力機制。多尺度特征融合利用深層特征和淺層特征逐步融合的方式增強網(wǎng)絡的尺度不變性。深度神經(jīng)網(wǎng)絡通常采用卷積操作，學習數(shù)據(jù)中的局部特征，典型的深度網(wǎng)絡如AlexNet、VGG、Inception網(wǎng)絡及殘差網(wǎng)絡（ResNet)。醫(yī)療圖像特征融合技術CTMRIX光等醫(yī)療圖像的特征集合，并運用復雜的數(shù)學模型，最后將它們融合成一個綜合的、高度描述性的特征向量醫(yī)療圖像。多元特征處理特征降維和選擇針對高維特征，使用降維技術，將特征投影到低維空間。如圖4所示。數(shù)據(jù)進行標準化處理，確保每個特征的取值范圍相近。對協(xié)方差矩陣進行特征值分解，得到特征值和對應的特征向量。將特征值按從大k個特征值對應的特征向量作為主成分。原始數(shù)據(jù)與選取的主成分組合，將數(shù)據(jù)投影到低維空間，得到降維后的數(shù)據(jù)集。圖4特征降維示意圖對于冗余特征，使用特征選擇方法，篩選出對任務有用的特征，排除冗余信息。如圖5所示。圖5特征選擇示意圖確定特征選擇的評估指標。將特征根據(jù)評估指標進行排序，或者設置一個閾值，選擇具有較高得分的特征。將選取的特征組合成新的數(shù)據(jù)集，作為輸入用于建模。異構特征融合對不同模態(tài)或處理方法的醫(yī)學影像進行圖像配準和對齊。從不同模態(tài)或處理方法提取的特征進行融合。將融合后的特征用于建?；蚱渌t(yī)療圖像處理任務。含噪特征處理對于含噪特征，采用預處理方法減少噪聲的影響，并提升特征的質量。醫(yī)療圖像配準醫(yī)療配準使用圖像處理算法，對圖像進行空間變換。醫(yī)療圖像配準算法如圖6所示。對要配準的醫(yī)療圖像進行預處理。采用搜索策略來匹配特征點。根據(jù)選定的變換模型，對圖像進行配準。圖6醫(yī)療圖像配準算法基于圖變換神經(jīng)網(wǎng)絡的多元望診特征融合策略多元望診特征融合策略可以結合舌診、脈診、面診等多種望診方法，融合分析這些不同方法得到的特征信息，更全面地了解患者的身體狀況和疾病情況。將臉部特征和舌苔特征轉換成圖形數(shù)據(jù)，構建望診特征圖。設計適合望診特征圖的圖變換神經(jīng)網(wǎng)絡結構，用于學習和融合多元望診特征。在圖變換神經(jīng)網(wǎng)絡中，進行多元望診特征的融合與學習?；谳S向門控注意力機制的特征判別性增強方法引入軸向門控注意力機制，對多元望診特征進行加權和選擇。通過門控機制，引入門控單元來學習特征的重要程度。通過注意力機制，計算特征與門控權重的點積得到特征的注意力權重將軸向門控注意力機制引入多元望診特征融合策略中。將這些注意力權重與特征相乘，以得到特征加權后的結果疾病診斷及病勢推演技術構建因果推斷模型進行數(shù)據(jù)預處理和特征工程，確保數(shù)據(jù)的質量和準確性。基于預處理后的特征數(shù)據(jù)，進行因果關系挖掘。在因果關系挖掘的基礎上，構建因果推斷模型。疾病智能診斷器構建與訓練在構建疾病智能診斷器之前，設計多模態(tài)神經(jīng)網(wǎng)絡，融合來自不同特征提取方法的多種特征。在多模態(tài)神經(jīng)網(wǎng)絡上應用強化學