[发明专利]一种基于眼动仪点标注信息的医学数据图像标注方法

说明书

本发明涉及一种基于眼动仪标注信息的医学数据图像标注方法，包括：S1、分别针对医学图像序列中每一待标注的DICOM医学数据图像进行解析，获取三维重建信息；S2、基于三维重建信息对医学图像序列中的DICOM医学数据图像，进行三维重建处理，得到医学图像点云结构；S3、基于医学图像点云结构，分别获取冠状位图像、矢状位图像和横断位图像；S4、使用眼动仪分别按照预先设定第一策略获取与医学图像点云结构的冠状位图像、矢状位图像和横断位图像分别对应的采集信息；S5、基于与医学图像点云结构的冠状位图像、矢状位图像和横断位图像分别所对应的采集信息，根据预先设定第二策略将所述医学图像点云结构转化为二值图像的点云结构。

技术领域

本发明涉及医疗图像技术领域，尤其涉及一种基于眼动仪点标注信息的医学数据图像标注方法。

背景技术

进入大数据时代之后，人工智能技术在智慧医疗的建设中所占的比重越来越大。计算机辅助诊断在医学图像处理领域一直是人工智能技术应用的前沿领域，而且有着巨大的潜力。人工智能能够进行高效的分析，快速的帮助医生处理大量的简单重复性的工作，提供初步的诊断或者合理的治疗方案，节省医生的时间，提高医疗诊断治疗的效率，更加合理的优化的利用医疗资源。

利用深度学习技术将医学图像的各种特征信息作为数据进行训练学习，是人工智能在医学领域的主要应用。医学图像的检测主要包括，感兴趣区域定位，感兴趣区域分割，以及感兴趣区域识别三个阶段，现有的医学图像检测方法，多使用的深度算法如D卷积神经网络(CNN，Convolutional Neural Networks)，递归神经网络(RNN，RecurrentNeuralNetwork)等，然而这些基于强监督学习的算法往往需要大量的数据进行拟合分析才能获取到高准确率的算法。因此对训练数据的要求就比较高，数据的数量，数据的规范性，数据的标注的准确性，都会影响算法的训练结果。

一般的与图像相关的计算机人工智能算法研究，其图像可以通过搜索从普通用户收集带有图像标签的训练数据集，但是此方法无法用于医学图像领域，因为医学图像标注需要广泛的临床专业知识，只能由具有丰富医学经验的医生或者相关人员来进行标注。而对医生来说标注医学图像是需要采用手工标注的方法，往往会花费大量时间和精力，因此在医学图像分析现阶段是缺乏是大规模的带注释的图像数据集的，并且当前医学领域分割数据集标注复杂以及模型识别算法的泛化能力差。

发明内容

(一)要解决的技术问题

鉴于现有技术的上述缺点、不足，本发明提供一种基于眼动仪点标注信息的医学数据图像标注方法，其解决了当前医学领域分割数据集标注复杂的技术问题。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

本发明实施例提供一种基于眼动仪标注信息的医学数据图像标注方法，所述方法包括：

S1、分别针对医学图像序列中每一待标注的DICOM医学数据图像进行解析，获取每一DICOM医学数据图像所对应的三维重建信息；

DICOM(Digital Imaging and Communications in Medicine)即医学数字成像和通信，是医学图像和相关信息的国际标准。

S2、基于每一DICOM医学数据图像所对应的三维重建信息对医学图像序列中的DICOM医学数据图像，进行三维重建处理，得到与该医学图像序列中DICOM医学数据图像所对应的医学图像点云结构；

S3、基于所述医学图像点云结构，分别获取所述医学图像点云结构的冠状位图像、矢状位图像和横断位图像；

S4、使用眼动仪分别按照预先设定第一策略获取与所述医学图像点云结构的冠状位图像、矢状位图像和横断位图像分别所对应的采集信息；

所述采集信息包括：热点区域框以及采集时间；