(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211194988.0 (22)申请日 2022.09.29 (65)同一申请的已公布的文献号 申请公布号 CN 115272086 A (43)申请公布日 2022.11.01 (73)专利权人 杭州太美星程医药 科技有限公司 地址 311200 浙江省杭州市萧 山区北干街 道建设二路666号信息港六期3幢602 室 (72)发明人 张俊杰　霍志敏　 (74)专利代理 机构 苏州三英知识产权代理有限 公司 32412 专利代理师 潘时伟 (51)Int.Cl. G06T 3/40(2006.01) G06T 7/00(2017.01) (56)对比文件 CN 114663715 A,202 2.06.24CN 114943670 A,202 2.08.26 CN 113947681 A,202 2.01.18 US 202126459 9 A1,2021.08.26 WO 2022134464 A1,202 2.06.30 US 202120149 9 A1,2021.07.01 US 2020401854 A1,2020.12.24 CN 10916 6107 A,2019.01.08 Ilkay Oksuz. 《De ep Learn ing-Based Detection and Cor rection of Cardiac MR Motion Artefacts Duri ng Reconstructi on for High -Quality Segmentati on》 . 《IEEE》 .2020, 李维嘉等.基于深度学习图像处 理的肺部 造 影检测研究. 《自动化与仪 器仪表》 .2019,(第12 期), 唐涔轩等.基于深度学习与医学 先验知识的 超声心动图切片识别. 《计算机 应用》 .2017, 审查员 徐庆 (54)发明名称 医学图像缝合方法和装置、 电子设备和存储 介质 (57)摘要 本申请公开了一种医学图像缝合方法和装 置、 电子设备和存储介质， 用于解决现有技术中 利用AI模块辅助质控的场景中， 质控人员的质控 效率不高的问题， 其中该医学图像缝合方法包 括： 读取目标对象同一检查下的多个医学图像序 列， 并投影为二维图像； 基于深度神经网络识别 二维图像中的目标检测区域位置和对应的目标 类型， 其中， 深度神经网络对二维图像依序执行N 层下采样和N层上采样， 在执行第k层上采样时， 基于第k层下采样特征图中的特征排序信息， 将 第k层下采样特征图与第k层上采样特征图进行 特征融合， 以获得第k层增强采样特征图， k≤N； 基于目标检测区域位置和对应的目标类型， 对二 维图像进行缝合。 权利要求书2页 说明书11页 附图8页 CN 115272086 B 2022.12.27 CN 115272086 B 1.一种医学图像缝合方法， 其特 征在于， 所述方法包括： 读取目标对象同一检查下的多个医学图像序列， 并投影为 二维图像； 基于深度神经网络识别所述二维图像中的目标检测区域位置和对应的目标类型， 其 中， 所述深度神经网络对所述二 维图像依序执行N层下采样和N层上采样， 在执行第k层上采 样时， 基于第k层下采样特征图中的特征排序信息， 将第k层下采样特征图与第k层上采样特 征图进行 特征融合， 以获得第k层增强采样特 征图， k≤N； 基于所述目标检测区域 位置和对应的目标类型， 对所述 二维图像进行 缝合； 其中， 在执行第k层上采样时， 基于第k层下采样特征图中的特征排序信息， 将第k层下采样特 征图与第k层上采样特 征图进行 特征融合， 以获得第k层增强采样特 征图， 具体包括： 对所述第k层下采样特征图中各特征点的特征值按照大小排序， 以获得所述特征排序 信息和第k层校正下采样特 征图； 基于所述特征排序信 息， 对所述第 k层上采样特征图中各特征点的特征值进行排序， 以 获得第k层校正上采样特 征图； 融合所述第k层校正下采样特征图和第k层校正上采样特征图， 以获得第k层增强采样 特征图。 2.根据权利要求1所述的医学图像缝合方法， 其特 征在于， 所述方法还 包括： 对所述第k层上采样特征图中各特征点的特征值进行归一化， 并基于归一化的特征值 和所述特 征排序信息获得 所述第k层校正上采样特 征图； 融合所述第k层校正下采样特征图和第k层校正上采样特征图， 以获得第k层增强采样 特征图， 具体包括： 将所述第k层校正下采样特征图和第k层校正上采样特征图中对应特征点的特征值进 行乘积计算， 以获得 所述第k层增强采样特 征图。 3.根据权利要求1所述的医学图像缝合方法， 其特征在于， 读取目标对象同一检查下的 多个医学图像序列， 并投影为 二维图像， 具体包括： 基于所述多个医学图像序列中各图像切片的实例号， 对所述图像切片进行排序； 基于所述多个 医学图像序列中图像切片的图像方位值， 筛选出包含横断位图像的医学 图像序列； 将所述筛 选出的医学图像序列， 投影为 二维图像。 4.根据权利要求3所述的医学图像缝合方法， 其特征在于， 所述图像方位值包括第 一空 间向量和第二空间向量； 基于所述多个 医学图像序列中图像切片的图像方位值， 筛选出包含横断位图像的医学 图像序列， 具体包括： 对所述医学图像序列中第一张图像切片的第一空间向量和第二空间向量进行乘积计 算， 以获得第三空间向量； 基于所述第三空间向量中向量分量的大小， 确定所述医学图像序列的状面信息， 以筛 选出包含横断位图像的医学图像序列。 5.根据权利要求3所述的医学图像缝合方法， 其特征在于， 将所述筛选出的医学图像序 列， 投影为 二维图像， 具体包括： 对所述筛 选出的医学图像序列进行 各向同性的重采样；权　利　要　求　书 1/2 页 2 CN 115272086 B 2沿所述医学图像序列中图像切片的高度方向， 对所述重采样后的医学图像序列进行标 准差强度投影， 获得二维冠状位图像。 6.根据权利要求1所述的医学图像缝合方法， 其特征在于， 基于所述目标检测区域位置 和对应的目标类型， 对所述 二维图像进行 缝合， 具体包括： 基于所述目标检测区域 位置， 对所述 二维图像进行裁 剪； 对裁剪后的二维图像进行像素各向同性处理， 以获得待缝合二维图像， 其中， 所述待缝 合二维图像分别具有对应的目标类型； 基于所述待缝合 二维图像对应的目标类型， 对所述待缝合 二维图像进行 缝合。 7.根据权利要求6所述的医学图像缝合方法， 其特征在于， 基于所述待缝合二维图像对 应的目标类型， 对所述各向同性处 理后的待缝合 二维图像进行 缝合， 具体包括： 创建画布， 其中， 所述画布的宽度等于所述待缝合二维图像的宽度， 所述画布的高度等 于所述待缝合 二维图像的高度之和； 基于所述待缝合二维图像对应的目标类型， 确定所述待缝合二维图像在所述画布上对 应的粘贴位置； 将所述待缝合 二维图像粘贴于所述画 布上对应的粘贴位置 。 8.一种医学图像缝合装置， 其特 征在于， 所述医学图像缝合装置包括： 投影模块， 用于读取目标对象同一检查下的多个医学图像序列， 并投影为 二维图像； 检测模块， 用于基于深度神经网络识别所述二维图像中的目标检测区域位置和对应的 目标类型， 其中， 所述深度神经网络对 所述二维图像依序执行N层下采样和N层上采样， 在执 行第k层上采样时， 基于第k层下采样特征图中的特征排序信息， 将第k层下采样特征图与第 k层上采样特 征图进行 特征融合， 以获得第k层增强采样特 征图， k≤N； 缝合模块， 用于基于所述目标检测区域位置和对应的目标类型， 对所述二维图像进行 缝合； 其中， 所述检测模块具体用于对第k层下采样特征图中各特征点的特征值按照大小排序， 以 获得特征排序信息和第k层校正下采样特征图； 基于特征排序信息， 对第k层上采样特征图 中各特征点的特征值进行排序， 以获得第k层校正上采样特征图； 融合第k层校正下采样特 征图和第k层校正上采样特 征图， 以获得第k层增强采样特 征图。 9.一种电子设备， 包括： 至少一个处 理器； 以及 存储器， 所述存储器存储指令， 当所述指令被所述至少一个处理器执行时， 使得所述至 少一个处 理器执行如权利要求1至7任一项所述的医学图像缝合方法。 10.一种机器可读存储介质， 其存储有可执行指令， 所述指令当被执行时使得所述机器 执行如权利要求1至7任一项所述的医学图像缝合方法。权　利　要　求　书 2/2 页 3 CN 115272086 B 3