T-CI 411-2024 醫(yī)療圖像智能分析及處理技術(shù)規(guī)范

CCS35.240.01CCS35.240.01L67Technicalspecificationforintelligentanalysisandprocessingofmedicalimages2024-07-01發(fā)布IT/CI411-2024 IIIII 12規(guī)范性引用文件 13術(shù)語(yǔ)和定義 14基本要求 25醫(yī)療圖像預(yù)處理 26醫(yī)療圖像三維可視化技術(shù) 57醫(yī)療圖像特征提取 68醫(yī)療圖像特征融合技術(shù) 79疾病診斷及病勢(shì)推演技術(shù) 10T/CI411-2024本文件按GB/T1.1-2020《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)化文件的結(jié)構(gòu)和起草規(guī)則》的規(guī)定起草。請(qǐng)注意本文件的某些內(nèi)容可能涉及專利。本文件的發(fā)布機(jī)構(gòu)不承擔(dān)識(shí)別這些專利的責(zé)任。本文件由河南科技大學(xué)提出。本文件由中國(guó)國(guó)際科技促進(jìn)會(huì)歸口。本文件起草單位：河南科技大學(xué)、河南科技大學(xué)第一附屬醫(yī)院、同濟(jì)大學(xué)、東南大學(xué)、河南群智信息技術(shù)有限公司、河南省洛陽(yáng)正骨醫(yī)院（河南省骨科醫(yī)院）、廣州市香雪制藥股份有限公司、深圳市人民醫(yī)院、洛陽(yáng)理工學(xué)院、慧醫(yī)谷中醫(yī)藥科技（天津）股份有限公司、河南省人民醫(yī)院（鄭州大學(xué)人民醫(yī)院）。本文件主要起草人：張明川、王琳、吳慶濤、何良華、陳陽(yáng)、朱軍龍、胡瑩瑩、吳利娟、寧召惠、徐金鋒、劉瑩瑩、董玉舒、張虹、康志英、李濤、孫玉學(xué)、冀治航、張茉莉、葛又銘、葛東風(fēng)、尚智偉、趙亮、王國(guó)勇、張娟梅、李美雯、鐘小芳、申哲、王斌、彭貴娟、顧孟杰、林小璇、鄭瑛琪、林雪媛。本文件為首次發(fā)布。T/CI411-2024為了拓展醫(yī)療圖像智能分析及處理的應(yīng)用，以及進(jìn)一步促進(jìn)醫(yī)療圖像數(shù)據(jù)的跨機(jī)構(gòu)和跨平臺(tái)共享，以支持協(xié)作研究和二次分析，同時(shí)為了順應(yīng)我國(guó)醫(yī)療圖像處理領(lǐng)域的不斷發(fā)展需求，本文件制定了醫(yī)療圖像智能分析及處理的規(guī)范。1T/CI411-2024醫(yī)療圖像智能分析及處理技術(shù)規(guī)范本文件規(guī)定了醫(yī)療圖像智能分析、預(yù)處理、可視化、特征融合技術(shù)等內(nèi)容。本文件適用于智慧醫(yī)療領(lǐng)域?qū)︶t(yī)療圖像進(jìn)行智能的分析和處理工作。2規(guī)范性引用文件本文件沒(méi)有規(guī)范性引用文件。3術(shù)語(yǔ)和定義下列術(shù)語(yǔ)和定義適用于本文件。3.1圖像分割imageSegmentation指從CT或MRI等醫(yī)學(xué)診斷中用到的圖像中識(shí)別器官或病變的像素點(diǎn)，傳遞和提取有關(guān)這些器官或者組織的形狀和體積的關(guān)鍵信息，分割出感興趣的區(qū)域。3.2可視化技術(shù)visualizationTechnique指利用從實(shí)驗(yàn)中獲得的、掃描器測(cè)得的、計(jì)算模型合成的醫(yī)學(xué)數(shù)據(jù)，重建三維圖像模型，并進(jìn)行定性定量分析，提供具有真實(shí)感的三維醫(yī)療圖像，使人們更清楚地認(rèn)識(shí)蘊(yùn)涵在體數(shù)據(jù)中的復(fù)雜結(jié)構(gòu)，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(biāo)結(jié)構(gòu)或區(qū)域相關(guān)的特征。3.4特征融合featureFusion指將來(lái)自不同源頭、不同模態(tài)的醫(yī)療圖像（如CT、MRI、X光等）的特征信息有效地結(jié)合在一起，獲得更豐富全面的信息3.5圖像配準(zhǔn)imageRegistration指把顯示人體不同信息(結(jié)構(gòu)信息和功能信息)的醫(yī)療圖像放到統(tǒng)一坐標(biāo)系中顯示，將不同的醫(yī)療圖像或同一患者的多個(gè)圖像進(jìn)行空間上的對(duì)齊和匹配，消除由于圖像獲取過(guò)程中2T/CI411-2024的位置、姿態(tài)、尺度、變形等因素引起的圖像間的差異。4基本要求4.1準(zhǔn)確性和可靠性。以提供可靠的診斷和治療決策支持。4.2緊跟學(xué)科和技術(shù)前沿。以前沿科學(xué)技術(shù)驅(qū)動(dòng)醫(yī)療圖像智能分析及處理技術(shù)的發(fā)展創(chuàng)新，加速實(shí)現(xiàn)智能醫(yī)療領(lǐng)域升級(jí)。4.3互操作性和可擴(kuò)展性。以便與不同設(shè)備和平臺(tái)進(jìn)行集成，并適應(yīng)不斷變化的技術(shù)和需5醫(yī)療圖像預(yù)處理5.1醫(yī)療圖像分割5.1.1傳統(tǒng)醫(yī)療圖像分割5.1.1.1基于閾值的圖像分割5.1.1.1.1將彩色醫(yī)療圖像轉(zhuǎn)換為灰度圖像，以便更好地處理圖像的亮度和對(duì)比度。5.1.1.1.2根據(jù)圖像的灰度直方圖和特定的分割目標(biāo)，選擇合適的閾值來(lái)將圖像分成不同的區(qū)域。5.1.1.1.3根據(jù)選定的閾值，對(duì)圖像中的每個(gè)像素進(jìn)行分類，將其分為目標(biāo)區(qū)域和背景區(qū)域。5.1.1.1.4對(duì)分割結(jié)果使用去除噪聲、填補(bǔ)空洞或連接區(qū)域等方法進(jìn)行后處理。5.1.1.2基于區(qū)域的圖像分割把具有相似性質(zhì)的像素點(diǎn)進(jìn)行連通，組合成最終的分割區(qū)域結(jié)果。5.1.1.2.1從種子點(diǎn)開始，根據(jù)像素之間的相似性逐步生長(zhǎng)區(qū)域，直到滿足特定的生長(zhǎng)準(zhǔn)則為止。5.1.1.2.2根據(jù)像素的灰度值或特定特征，對(duì)區(qū)域進(jìn)行分裂或合并，獲得更準(zhǔn)確的分割結(jié)5.1.1.3基于邊緣的圖像分割5.1.1.3.1利用邊緣檢測(cè)算法，用Sobel、Canny等算法識(shí)別圖像中的邊緣信息。5.1.1.3.2根據(jù)檢測(cè)到的邊緣信息，進(jìn)行邊緣連接，形成完整的邊緣輪廓。5.1.1.3.3對(duì)連接后的邊緣進(jìn)行細(xì)化處理，獲得更加精細(xì)的邊緣信息。5.1.2基于深度學(xué)習(xí)的醫(yī)療圖像分割5.1.2.1深度學(xué)習(xí)模型的選擇和訓(xùn)練3T/CI411-2024適用于醫(yī)療圖像分割的深度學(xué)習(xí)模型有很多，其中包括U-Net、V-Net、MaskR-CNN5.1.2.1.1在訓(xùn)練模型之前，首先需要對(duì)醫(yī)療圖像進(jìn)行預(yù)處理，包括歸一化、去噪、增強(qiáng)等步驟，以提高模型的訓(xùn)練效果。5.1.2.1.2構(gòu)建模型，包括定義模型的各層結(jié)構(gòu)、激活函數(shù)、初始化方法等。5.1.2.1.3將整個(gè)數(shù)據(jù)集劃分為訓(xùn)練集和驗(yàn)證集，劃分比例為7:3或8:2。訓(xùn)練集用于訓(xùn)練模型，驗(yàn)證集用于調(diào)整模型參數(shù)和防止過(guò)擬合。5.1.2.1.4用交叉熵?fù)p失函數(shù)、Dice損失函數(shù)衡量模型的預(yù)測(cè)結(jié)果與真實(shí)結(jié)果的差距。用SGD、Adam、RMSprop優(yōu)化器更新和調(diào)整模型的參數(shù)。5.1.2.1.5輸入訓(xùn)練數(shù)據(jù)，通過(guò)前向傳播計(jì)算預(yù)測(cè)結(jié)果，然后通過(guò)反向傳播更新模型參數(shù)。反復(fù)進(jìn)行多次，直到模型的性能達(dá)到滿意的程度或者達(dá)到預(yù)設(shè)的迭代次數(shù)。5.1.2.1.6在驗(yàn)證集上評(píng)估模型的性能，根據(jù)評(píng)估結(jié)果調(diào)整模型的參數(shù)或者結(jié)構(gòu)，以提高模型的性能。5.1.2.2數(shù)據(jù)集的規(guī)范規(guī)定數(shù)據(jù)集的收集、標(biāo)注和驗(yàn)證流程。同時(shí)，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?xiàng)l件，以及不同的患者人群。5.1.2.2.1規(guī)定數(shù)據(jù)采集的來(lái)源、采集設(shè)備、采集參數(shù)等，以及數(shù)據(jù)標(biāo)注的標(biāo)準(zhǔn)和流程。5.1.2.2.2考慮到醫(yī)療圖像涉及患者隱私，需要規(guī)定數(shù)據(jù)存儲(chǔ)、傳輸和處理的安全標(biāo)準(zhǔn)，遵守相關(guān)的隱私法規(guī)和醫(yī)療保密要求。5.1.2.2.3數(shù)據(jù)集應(yīng)涵蓋不同類型的醫(yī)療圖像（如CT、MRI等不同的病理?xiàng)l件，以及不同的患者人群。5.1.2.2.4規(guī)定訓(xùn)練集、驗(yàn)證集和測(cè)試集的劃分方法和比例，以及數(shù)據(jù)集的交叉驗(yàn)證等策略，確保模型評(píng)估的客觀性和準(zhǔn)確性。5.1.2.3模型性能的評(píng)價(jià)統(tǒng)一的模型性能評(píng)價(jià)標(biāo)準(zhǔn)，可以更好比較不同模型的性能。評(píng)價(jià)指標(biāo)包括精度、召回率、F1分?jǐn)?shù)、Dice系數(shù)等。精確率、召回率等。5.1.2.3.2規(guī)定在哪些數(shù)據(jù)集上進(jìn)行模型性能的評(píng)價(jià)，包括公開數(shù)據(jù)集、內(nèi)部數(shù)據(jù)集以及不同病理?xiàng)l件下的數(shù)據(jù)集。4T/CI411-20245.1.2.3.3針對(duì)不同疾病或不同醫(yī)療圖像類型，定義不同模型性能的評(píng)價(jià)標(biāo)準(zhǔn)5.1.2.3.4明確模型性能評(píng)價(jià)的流程，包括數(shù)據(jù)預(yù)處理、模型推斷、結(jié)果評(píng)價(jià)等步驟，以及評(píng)價(jià)過(guò)程中的交叉驗(yàn)證策略。5.1.2.4模型的部署和應(yīng)用深度學(xué)習(xí)醫(yī)療圖像分割模型的部署和應(yīng)用包括模型的導(dǎo)出和導(dǎo)入、在不同環(huán)境下的兼容性、模型的更新和維護(hù)等。此外，還需要考慮模型的實(shí)時(shí)性能，以滿足臨床圖像分割應(yīng)用的需求。圖1基于深度卷積的圖像分割5.2醫(yī)療圖像去噪5.2.1數(shù)據(jù)預(yù)處理規(guī)范5.2.1.1對(duì)醫(yī)療圖像進(jìn)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。5.2.1.2選擇合適的去噪算法或模型，以及去噪?yún)?shù)的設(shè)置和調(diào)整。5.2.1.3規(guī)定圖像增強(qiáng)的策略和方法，如對(duì)比度增強(qiáng)、銳化處理等，為去噪處理提供更好的輸入數(shù)據(jù)。5.2.2去噪模型選擇5.2.2.1定義用于評(píng)估去噪模型性能的指標(biāo)，如PSNR（峰值信噪比）、SSIM（結(jié)構(gòu)相似性指標(biāo)）等。5.2.2.2規(guī)定去噪模型適用的醫(yī)療圖像類型為X光片、MRI圖像、CT掃描等。5.2.2.3考慮模型對(duì)不同類型噪聲的魯棒性。5.2.3模型訓(xùn)練和驗(yàn)證5.2.3.1規(guī)定醫(yī)療圖像去噪模型訓(xùn)練集和驗(yàn)證集的劃分方法，確保數(shù)據(jù)的科學(xué)性和代表性。5.2.3.2選擇均方誤差（MSE）損失、結(jié)構(gòu)相似性指標(biāo)（SSIM）損失用于醫(yī)療圖像去噪任5T/CI411-2024務(wù)的損失函數(shù)類型。5.2.3.3對(duì)模型訓(xùn)練時(shí)的優(yōu)化器設(shè)置，包括學(xué)習(xí)率調(diào)度策略、優(yōu)化器類型（如Adam、SGD等）的選擇等。5.2.4性能評(píng)價(jià)選擇醫(yī)療圖像去噪模型性能的評(píng)價(jià)指標(biāo)，如PSNR（峰值信噪比）、SSIM（結(jié)構(gòu)相似性指標(biāo)）等。5.3醫(yī)療圖像增強(qiáng)5.3.1使用直方圖均衡化、對(duì)比度拉伸、圖像銳化對(duì)圖像進(jìn)行增強(qiáng)。5.3.2基于深度學(xué)習(xí)技術(shù)的醫(yī)療圖像增強(qiáng)5.3.2.1將醫(yī)療圖像進(jìn)行初步處理和預(yù)處理后，輸入到深度學(xué)習(xí)模型中，進(jìn)行融合重構(gòu)得到高清晰的醫(yī)療圖像。5.3.2.2深度學(xué)習(xí)模型網(wǎng)絡(luò)對(duì)不同尺度空間的醫(yī)療圖像進(jìn)行不同程度的上下采樣操作，得到特征圖后進(jìn)行特征融合。5.3.2.3通過(guò)低分辨率圖像進(jìn)行下采樣直接預(yù)測(cè)高分辨率圖像。6醫(yī)療圖像三維可視化技術(shù)醫(yī)療圖像可視化過(guò)程需要先讀取CT或MRI圖像切片數(shù)據(jù)，根據(jù)所需的某個(gè)器官或某個(gè)圖像區(qū)域?qū)T圖像進(jìn)行分割，接著再對(duì)分割后的圖像進(jìn)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(chǔ)，根據(jù)所要可視化的內(nèi)容，可以6T/CI411-2024將醫(yī)療圖像的可視化劃分為面繪制和體繪制。6.1基于面繪制的三維重建對(duì)一系列二維斷層圖像組成的體數(shù)據(jù)進(jìn)行邊緣檢測(cè)等分割處理，根據(jù)這些提取出來(lái)的數(shù)據(jù)形成等值面，還原出感興趣物體的三維醫(yī)學(xué)模型，實(shí)現(xiàn)多層面顯示。6.1.1根據(jù)組織結(jié)構(gòu)的密度等不同特性生成的圖像灰度值的不同，設(shè)定相應(yīng)的閾值，從醫(yī)療圖像中找到感興趣物體的位置。6.1.2經(jīng)過(guò)閾值提取后，形成拓?fù)浣Y(jié)構(gòu)從而生成物體表面。6.1.3設(shè)置光源與視線形成富有真實(shí)感的物體模型，在體數(shù)據(jù)中構(gòu)造等值面。6.2基于體繪制的三維重建體繪制主要目標(biāo)是將三維體數(shù)據(jù)投影在二維平面上，繪制后結(jié)果由多個(gè)體素?cái)?shù)據(jù)組成的3維數(shù)組構(gòu)成。大致流程概括為：數(shù)據(jù)采集及獲取、數(shù)據(jù)預(yù)處理、體數(shù)據(jù)分類及體數(shù)據(jù)繪制四個(gè)階段。如圖3所示。圖3醫(yī)療圖像體繪制流程6.2.1利用醫(yī)療圖像成像設(shè)備對(duì)人體進(jìn)行斷層掃描，采集到二維斷層數(shù)字圖像序列，獲取的CT、MRI等圖像序列，一般采用DICOM格式存儲(chǔ)。6.2.2數(shù)據(jù)預(yù)處理為體數(shù)據(jù)分類效果提供保障。6.2.3用傳遞函數(shù)對(duì)體數(shù)據(jù)進(jìn)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(duì)應(yīng)的光學(xué)屬性。6.2.4把第三階段的分類結(jié)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。7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(zhuǎn)化為計(jì)算機(jī)可識(shí)別、分類的形式。7.1基于顏色的特征提取7.1.1圖像進(jìn)行預(yù)處理，減少噪聲等干擾特征的提取。7.1.2將圖像從其原始的顏色空間轉(zhuǎn)換到其他顏色空間，分離出感興趣的顏色特征。7.1.3將連續(xù)的顏色空間離散化，每個(gè)像素的顏色映射到最近的區(qū)間。7.1.4用直方圖、顏色矩等計(jì)算圖像中顏色的分布。7T/CI411-20247.1.5從直方圖等的均值、方差、偏度和峰度中提取特征。7.2基于紋理的特征提取區(qū)域內(nèi)像素點(diǎn)的分布情況，使用基于統(tǒng)計(jì)的方法、基于信號(hào)處理的方法、基于模型的方法和基于結(jié)構(gòu)的方法進(jìn)行紋理特征的提取。7.3基于形狀的特征提取7.3.1通過(guò)邊界特征的描述來(lái)獲取圖像的形狀參數(shù)。7.3.2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(wèn)題轉(zhuǎn)換為一維問(wèn)題。由邊界點(diǎn)導(dǎo)出三種形狀表達(dá)：曲率函數(shù)、質(zhì)心距離、復(fù)坐標(biāo)函數(shù)。7.3.3采用區(qū)域特征描述進(jìn)行形狀的表達(dá)和匹配。7.3.4利用目標(biāo)所占區(qū)域的矩作為形狀描述參數(shù)。7.4基于空間關(guān)系的特征提取7.4.1根據(jù)分割算法將圖像先分割成多個(gè)區(qū)域，在這些區(qū)域提取特征并建立索引；7.4.2將圖像分割成均勻的規(guī)則區(qū)塊，提取各個(gè)區(qū)塊特征并建立索引。7.5基于深度學(xué)習(xí)的特征提取7.5.1通過(guò)深層卷積操作來(lái)逐步由淺到深地提取圖像語(yǔ)義信息。7.5.2對(duì)于目標(biāo)特征關(guān)注度的提升通常采用注意力機(jī)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(qiáng)網(wǎng)絡(luò)的尺度不變性。7.5.3深度神經(jīng)網(wǎng)絡(luò)通常采用卷積操作，學(xué)習(xí)數(shù)據(jù)中的局部特征，典型的深度網(wǎng)絡(luò)如AlexNet、VGG、Inception網(wǎng)絡(luò)及殘差網(wǎng)絡(luò)（ResNet)。8醫(yī)療圖像特征融合技術(shù)醫(yī)療圖像特征融合技術(shù)借助先進(jìn)的圖像處理算法，將CT、MRI、X光等醫(yī)療圖像的特征集合，并運(yùn)用復(fù)雜的數(shù)學(xué)模型，最后將它們?nèi)诤铣梢粋€(gè)綜合的、高度描述性的特征向量醫(yī)療圖像。8.1多元特征處理8.1.1特征降維和選擇針對(duì)高維特征，使用降維技術(shù)，將特征投影到低維空間。如圖4所示。8.1.1.1數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，確保每個(gè)特征的取值范圍相近。8.1.1.2對(duì)協(xié)方差矩陣進(jìn)行特征值分解，得到特征值和對(duì)應(yīng)的特征向量。將特征值按從大到小的順序排列，選擇前k個(gè)特征值對(duì)應(yīng)的特征向量作為主成分。8.1.1.3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。8T/CI411-2024圖4特征降維示意圖對(duì)于冗余特征，使用特征選擇方法，篩選出對(duì)任務(wù)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8.1.1.4確定特征選擇的評(píng)估指標(biāo)。8.1.1.5將特征根據(jù)評(píng)估指標(biāo)進(jìn)行排序，或者設(shè)置一個(gè)閾值，選擇具有較高得分的特征。8.1.1.6將選取的特征組合成新的數(shù)據(jù)集，作為輸入用于建模。8.1.2異構(gòu)特征融合8.1.2.1對(duì)不同模態(tài)或處理方法的醫(yī)學(xué)影像進(jìn)行圖像配準(zhǔn)和對(duì)齊。9T/CI411-20248.1.2.2從不同模態(tài)或處理方法提取的特征進(jìn)行融合。8.1.2.3將融合后的特征用于建模或其他醫(yī)療圖像處理任務(wù)。8.1.3含噪特征處理對(duì)于含噪特征，采用預(yù)處理方法減少噪聲的影響，并提升特征的質(zhì)量。8.2醫(yī)療圖像配準(zhǔn)醫(yī)療配準(zhǔn)使用圖像處理算法，對(duì)圖像進(jìn)行空間變換。醫(yī)療圖像配準(zhǔn)算法如圖6所示。8.2.1對(duì)要配準(zhǔn)的醫(yī)療圖像進(jìn)行預(yù)處理。8.2.2采用搜索策略來(lái)匹配特征點(diǎn)。8.2.3根據(jù)選定的變換模型，對(duì)圖像進(jìn)行配準(zhǔn)。圖6醫(yī)療圖像配準(zhǔn)算法8.3基于圖變換神經(jīng)網(wǎng)絡(luò)的多元望診特征融合策略多元望診特征融合策略可以結(jié)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。8.3.1將臉部特征和舌苔特征轉(zhuǎn)換成圖形數(shù)據(jù)，構(gòu)建望診特征圖。8.3.2設(shè)計(jì)適合望診特征圖的圖變換神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，用于學(xué)習(xí)和融合多元望診特征。8.3.3在圖變換神經(jīng)網(wǎng)絡(luò)中，進(jìn)行多元望診特征的融合與學(xué)習(xí)。T/CI411-20248.4