本發(fā)明涉及醫(yī)學影像計算機輔助診斷技術(shù)領(lǐng)域，具體涉及一種基于胸部ct影像的肺結(jié)節(jié)自動檢測方法及系統(tǒng)。

背景技術(shù)：

胸部ct影像的肺結(jié)節(jié)自動檢出技術(shù)，旨在自動發(fā)現(xiàn)影像中的結(jié)節(jié)病灶，同時盡量減少假陽性?，F(xiàn)有的肺結(jié)節(jié)檢出技術(shù)一般分為四個步驟：圖像預(yù)處理、肺區(qū)域分割、候選結(jié)節(jié)提取和假陽性消除。

不同來源的胸部ct影像通常層間距、像素尺度都不盡相同，因此需要將其通過預(yù)處理，統(tǒng)一尺度。肺區(qū)域分割可以縮小檢出范圍，不僅可以減少時間消耗，也可以有效降低假陽性。常用的肺區(qū)域分割算法包括灰度閾值分割、連通區(qū)域生成、種子生長、基于圖割等多種，并會利用開閉運算等形態(tài)學操作以及邊緣平滑約束進行編輯修復(fù)。候選結(jié)節(jié)提取和假陽性消除是肺結(jié)節(jié)檢出的核心部分，即以較低的代價提取大量的候選結(jié)節(jié)，然后利用復(fù)雜的算法消除假陽性。這部分技術(shù)主要分為兩大類：一類基于人工設(shè)計的規(guī)則和結(jié)節(jié)特征、一類基于深度學習。

前者主要出現(xiàn)在早期的cad(computeraideddiagnosis，計算機輔助診斷)系統(tǒng)中。肺結(jié)節(jié)在ct影像中一般呈現(xiàn)為高密度的類球體。通過灰度閾值聯(lián)通區(qū)域分割、拉普拉斯-高斯濾波和類球體約束等方法可以找出大部分結(jié)節(jié)，但也會帶來大量的假陽性。隨后利用區(qū)域輪廓、形態(tài)、密度等混合特征，綜合支持向量機、隨機森林等分類器，提取出真正的結(jié)節(jié)。這一類算法主要存在三大問題：1)磨玻璃結(jié)節(jié)敏感性較低，磨玻璃結(jié)節(jié)對比于實性結(jié)節(jié)密度較低，且邊緣較難提取，不僅難以通過有效的分割算法檢出候選，而且缺乏有效的用于分類的特征描述。據(jù)統(tǒng)計，多數(shù)cad系統(tǒng)對于磨玻璃結(jié)節(jié)的敏感性在20％～50％之間；2)容易遺漏形態(tài)不規(guī)則的結(jié)節(jié)，尤其是大結(jié)節(jié)。人工設(shè)計的特征很難全面有效的描述結(jié)節(jié)的特性，尤其是對于一些形態(tài)不規(guī)則的結(jié)節(jié)，如形態(tài)較為復(fù)雜的大結(jié)節(jié)(毛刺、分葉、牽拉胸膜等等)；3)假陽性較高。人工設(shè)計的特征通常難以區(qū)分一些結(jié)節(jié)與其他結(jié)構(gòu)之間的細節(jié)差別，如血管、胸膜粘連、胸膜牽拉等等。

近幾年來，深度學習技術(shù)為機器學習帶來了突飛猛進的發(fā)展。在圖像領(lǐng)域，深度卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，在人臉識別、自然圖像分類、物體檢測、語義分割等諸多任務(wù)中，展現(xiàn)出超越以往、甚至超越人類的水平。一些研究人員也將深度學習技術(shù)應(yīng)用到了肺結(jié)節(jié)檢測中來。在候選結(jié)節(jié)提取階段，一般采用傳統(tǒng)方法、基于深度學習的區(qū)域分割等多種策略的融合結(jié)果，提升敏感性。假陽性消除階段，提取目標區(qū)域的多個視角投影圖像，訓練卷積網(wǎng)絡(luò)并融合，得到最終的結(jié)果。這類技術(shù)對各種形態(tài)的結(jié)節(jié)都有著較高的敏感性。同時，自動學習出的特征，可以更好的將結(jié)節(jié)同其他結(jié)構(gòu)區(qū)分開來，從而降低假陽性。然而，這類技術(shù)仍然存在兩個問題：1)檢出算法并非端到端的，一些人工設(shè)計的步驟仍然存在，導致算法適用范圍有一定的局限性；2)采用2d投影圖像作為輸入，不能有效利用ct影像中的上下文信息。比如血管，除非從平行于血管走行的方向做投影，否則其形態(tài)都是高密度的點狀結(jié)構(gòu)，難以與結(jié)節(jié)區(qū)分開來。

針對以上問題，我們設(shè)計了基于3d深度卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)檢出技術(shù)。3d深度卷積神經(jīng)網(wǎng)絡(luò),直接以原始的3d圖像塊直接作為輸入，可以充分利用影像的上下文信息，從而挖掘出更為有效的影像特征和分類算法。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是通過3d深度卷積神經(jīng)網(wǎng)絡(luò)的使用，直接以原始的3d圖像塊直接作為輸入，充分利用影像的上下文信息，從而挖掘出更為有效的影像特征和分類算法，以便提高結(jié)節(jié)檢測的敏感性，降低漏檢率，并最大限度減少假陽性。

為了實現(xiàn)上述目的，本發(fā)明提供了一種基于胸部ct影像的自動檢測方法，包括如下步驟：

接收胸部ct影像圖片，利用預(yù)設(shè)的3d卷積神經(jīng)網(wǎng)絡(luò)對胸部ct影像圖片進行肺結(jié)節(jié)病灶檢測；

將檢測結(jié)果與對應(yīng)的胸部ct影像圖片進行合并，生成合并文件；

獲取合并文件并進行可視化處理，在可視化處理的合并文件上向用戶提供瀏覽輔助操作，并提供計算測量功能。

進一步，所述利用預(yù)設(shè)的3d卷積神經(jīng)網(wǎng)絡(luò)對胸部ct影像圖片進行肺結(jié)節(jié)病灶檢測具體包括如下步驟：

按照預(yù)設(shè)尺度閾值調(diào)整所有ct影像圖片，得到統(tǒng)一尺度的ct影像圖片；

對統(tǒng)一尺度的ct影像文件進行分割，提取肺區(qū)域；

利用肺區(qū)域分割算法對肺區(qū)域進行處理，得到候選肺結(jié)節(jié)；

對候選肺節(jié)點進行假陽性消除，將肺節(jié)點進行輪廓精細化處理。

進一步，所述利用肺區(qū)域分割算法對肺區(qū)域進行處理，得到候選肺結(jié)節(jié)包括

構(gòu)建第一卷積神經(jīng)網(wǎng)絡(luò)，并利用預(yù)采集的肺區(qū)域圖像進行訓練，得到肺區(qū)域分割模型。

進一步，所述對候選肺結(jié)節(jié)進行假陽性消除，將肺結(jié)節(jié)進行輪廓精細化處理包括

構(gòu)建第二卷積神經(jīng)網(wǎng)絡(luò)，并進行訓練得到假陽性消除模型。

進一步，所述獲取合并文件并進行可視化處理之后，在可視化處理的合并文件上向用戶提供瀏覽輔助操作之前還包括

判斷否需要對合并文件對應(yīng)的ct影像圖片進行隨訪；

如果需要隨訪，調(diào)用與ct影像圖片對應(yīng)患者的歷史影像記錄；

選擇并獲取歷史影像記錄；

通過多窗口將選擇的歷史影像記錄進行可視化顯示。

進一步，所述獲取合并文件并進行可視化處理，在可視化處理的合并文件上向用戶提供瀏覽輔助操作后還包括

監(jiān)控并獲取對檢測結(jié)果的測量操作或影像重定位操作；

根據(jù)測量輔助操作或影像重定位操作將檢測結(jié)果進行可視化輸出。

本發(fā)明還提供了一種基于胸部ct影像的自動檢測系統(tǒng)，包括

病灶檢測單元，用于接收胸部ct影像圖片，利用預(yù)設(shè)的3d卷積神經(jīng)網(wǎng)絡(luò)對胸部ct影像圖片進行肺結(jié)節(jié)病灶檢測；

文件合并單元，用于根據(jù)檢測結(jié)果獲取對應(yīng)的胸部ct影像圖片，將檢測結(jié)果與對應(yīng)的胸部ct影像圖片加載至一起作為合并文件；

診斷輸出單元，用于獲取合并文件并進行可視化處理，在可視化處理的合并文件上向用戶提供瀏覽輔助操作，并提供計算測量功能。

進一步，所述肺結(jié)節(jié)檢測平臺包括

圖像預(yù)處理模塊，用于按照預(yù)設(shè)尺度閾值調(diào)整所有ct影像圖片，得到統(tǒng)一尺度的ct影像圖片；

肺區(qū)域分割模塊，用于對統(tǒng)一尺度的ct影像文件進行分割，提取肺區(qū)域；

肺結(jié)節(jié)提取模塊，用于利用肺區(qū)域分割算法對肺區(qū)域進行處理，得到候選肺結(jié)節(jié)；

假陽性消除模塊，用于對候選肺節(jié)點進行假陽性消除，將肺節(jié)點進行輪廓精細化處理。

進一步，診斷輸出單元包括

可視化模塊，用于利用可視化技術(shù)將合并文件進行顯示；

瀏覽輔助模塊，用于在合并文件的ct影像圖片或檢測結(jié)果上進行測量輔助操作；

輸出模塊，用于根據(jù)用戶的輔助操作進行可視化顯示。

進一步，診斷輸出單元還包括

隨訪判斷模塊，用于判斷是否需要對合并文件對應(yīng)的ct影像圖片進行隨訪；

隨訪處理模塊，用于如果需要隨訪，調(diào)用與ct影像圖片對應(yīng)患者的歷史影像記錄；

選擇獲取模塊，用于選擇并獲取歷史影像記錄；

隨訪顯示模塊，用于通過多窗口將選擇的歷史影像記錄進行可視化顯示。

在上述技術(shù)方案中，本發(fā)明通過肺區(qū)域分隔、候選肺結(jié)節(jié)提取以及假陽性消除的處理，提高了病灶檢測的效率，且假陽性效率達到97.7％，同時利用可視化的三維形態(tài)直觀的輔助醫(yī)生對結(jié)節(jié)的形態(tài)的判斷。

附圖說明

為了更清楚地說明本申請實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明中記載的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明所述的基于胸部ct影像的自動檢測系統(tǒng)的框圖結(jié)構(gòu)示意圖；

圖2為本發(fā)明所述基于胸部ct影像的自動檢測系統(tǒng)中病灶檢測單元的框圖結(jié)構(gòu)示意圖；

圖3為本發(fā)明所述基于胸部ct影像的自動檢測系統(tǒng)中診斷輸出單元的框圖結(jié)構(gòu)示意圖；

圖4為本發(fā)明所述基于胸部ct影像的自動檢測方法的流程示意圖；

圖5為本發(fā)明所述基于胸部ct影像的自動檢測方法中病灶檢測的流程示意圖；

圖6為本發(fā)明所述基于胸部ct影像的自動檢測方法中可視化操作處理的流程示意圖；

圖7為應(yīng)用本發(fā)明所述基于胸部ct影像的自動檢測方法一個實施例的框架結(jié)構(gòu)示意圖。

具體實施方式

為了使本領(lǐng)域的技術(shù)人員更好地理解本發(fā)明的技術(shù)方案，下面將結(jié)合附圖對本發(fā)明作進一步的詳細介紹。

如圖1所示，本發(fā)明還提供了一種基于胸部ct影像的自動檢測系統(tǒng)，包括病灶檢測單元10、文件合并單元20和診斷輸出單元30。其中，

病灶檢測單元10，用于接收胸部ct影像圖片，利用預(yù)設(shè)的3d卷積神經(jīng)網(wǎng)絡(luò)對胸部ct影像圖片進行肺結(jié)節(jié)病灶檢測，輸出檢測結(jié)果；

本發(fā)明中病灶檢測單元能夠根據(jù)ct影像圖片進行預(yù)處理、肺區(qū)域分隔、候選肺結(jié)節(jié)提取和假陽性消除，進行病灶檢測。在就診大夫診斷前先對ct影像圖片進行判斷。就診大夫通過查看檢測結(jié)果，再次進行確認，以便提高診斷的精確性。

文件合并單元20，用于接收ct影像圖片及檢測結(jié)果，將檢測結(jié)果與對應(yīng)的胸部ct影像圖片加載至一起作為合并文件；

診斷輸出單元30，用于獲取合并文件并進行可視化處理，在可視化處理的合并文件上向用戶提供瀏覽輔助操作，并提供計算測量功能。

如圖2所示，病灶檢測單元10包括圖像預(yù)處理模塊101、肺區(qū)域分隔模塊102、肺節(jié)點提取模塊103和假陽性消除模塊104。其中，圖像預(yù)處理模塊101，用于按照預(yù)設(shè)尺度閾值調(diào)整所有ct影像圖片，得到統(tǒng)一尺度的ct影像圖片；肺區(qū)域分割模塊102，用于對統(tǒng)一尺度的ct影像文件進行分割，提取肺區(qū)域；肺結(jié)節(jié)提取模塊103，用于利用肺區(qū)域分割算法對肺區(qū)域進行處理，得到候選肺結(jié)節(jié)；假陽性消除模塊104，用于對候選肺節(jié)點進行假陽性消除，將肺節(jié)點進行輪廓精細化處理。

如圖3所示，診斷輸出單元包括可視化模塊301、瀏覽輔助模塊302和輸出模塊303。其中，可視化模塊301利用可視化技術(shù)將合并文件進行顯示；瀏覽輔助模塊302在合并文件的ct影像圖片或檢測結(jié)果上進行測量輔助操作；輸出模塊303，用于根據(jù)用戶的輔助操作進行可視化顯示。進一步，診斷輸出單元30還包括隨訪判斷模塊304、隨訪處理模塊305、選擇獲取模塊306和隨訪顯示模塊307。其中，隨訪判斷模塊304用于判斷是否需要對合并文件對應(yīng)的ct影像圖片進行隨訪；隨訪處理模塊305用于如果需要隨訪，調(diào)用與ct影像圖片對應(yīng)患者的歷史影像記錄；選擇獲取模塊306用于選擇并獲取歷史影像記錄；隨訪顯示模塊307用于通過多窗口將選擇的歷史影像記錄進行可視化顯示。

圖4為本發(fā)明所述的基于胸部ct影像的自動檢測方法的具體實施方式的流程示意圖。

在s101中，病灶檢測單元10接收胸部ct影像圖片，以便對ct影像圖片進行病灶檢測，得出檢測結(jié)果。

在s102中，文件合并單元20接收ct影像圖片及檢測結(jié)果，將檢測結(jié)果與其對應(yīng)的ct影像圖片加載至一個文件，生成合并文件。

在s103中，診斷輸出單元30獲取合并文件并進行可視化處理，在可視化處理的合并文件上向用戶提供瀏覽輔助操作，并提供計算測量功能，以便診斷大夫在診斷結(jié)果上進行放大、縮小、移動等瀏覽輔助操作，詳細分析檢測結(jié)果，并通過計算測量功能(如長度測量、角度測量、面積測量等測量輔助操作功能)，可以控制胸部ct影像的定向位置，包括：冠狀位、矢狀位、橫軸位，對檢測結(jié)果進行詳細分析，分析判斷是否對檢測結(jié)果進行修改。

圖5為病灶檢測時的具體流程示意圖的一個例子。

在s101中具體包括s1011-s1014。

在s1011中，圖像預(yù)處理模塊101對ct影像圖片進行預(yù)處理，具體按照預(yù)設(shè)尺度閾值調(diào)整所有ct影像圖片，得到統(tǒng)一尺度的ct影像圖片。

不同的ct影像參數(shù)不盡相同，如像素間距、層間距等。預(yù)處理的目的是統(tǒng)一影像的“比例尺”，使得一個像素、相鄰層間距對應(yīng)的物理大小是一致的，有助于后續(xù)模型的訓練。經(jīng)過預(yù)處理，ct影像可能會變大，影像內(nèi)容無損失。

具體實施時，本實施例采用的預(yù)處理算法是基于3d空間的插值算法。首先計算結(jié)果3d圖像中每個像素點坐標pⁱ在原始3d圖像中的對應(yīng)位置oⁱ，然后取原始圖像中oⁱ的8鄰域像素(oⁱ所處單元立方體的8個頂點)，對于其中每個像素點，以oⁱ同其對角點構(gòu)成的立方體體積作為權(quán)值，最后加權(quán)平均得到pⁱ的像素值。

在s1012中，肺區(qū)域分隔模塊102對統(tǒng)一尺度的ct影像文件進行分割，提取肺區(qū)域。肺區(qū)域分隔的目的在于提取候選肺結(jié)節(jié)，因此肺區(qū)域分隔算法的應(yīng)用十分重要。當今主流的肺區(qū)域分割算法，都是基于灰度的，容易將邊緣的大結(jié)節(jié)、斑片等高密度區(qū)域也劃分為肺外區(qū)域，因此本發(fā)明利用的基于深度卷積神經(jīng)網(wǎng)絡(luò)的分割算法，參考了影像中的語義信息，更有助于異常肺區(qū)域的劃分。

在s1013中，肺結(jié)節(jié)提取模塊103利用肺區(qū)域分割算法對肺區(qū)域進行處理，得到候選肺結(jié)節(jié)。考慮到傳統(tǒng)的技術(shù)方案很難做到準確的結(jié)節(jié)自動分割，往往需要人工的干預(yù)、輔助。本發(fā)明利用3d深度卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)結(jié)節(jié)自動分割，能夠充分利用上下文的語義信息，對與血管、胸膜粘連的結(jié)節(jié)、形態(tài)復(fù)雜的大結(jié)節(jié)和磨玻璃結(jié)節(jié)等較難案例均有著較準確的分割效果。更進一步，所述利用肺區(qū)域分割算法對肺區(qū)域進行處理，得到候選肺結(jié)節(jié)包括構(gòu)建第一卷積神經(jīng)網(wǎng)絡(luò)(即基于深度卷積神經(jīng)網(wǎng)絡(luò))，并利用預(yù)采集的肺區(qū)域圖像進行訓練，得到肺區(qū)域分割模型。具體使用中，將候選肺結(jié)節(jié)所處的3d圖像塊作為輸入，通過構(gòu)建好的3d卷積和反卷積網(wǎng)絡(luò)，得到分割響應(yīng)圖。在訓練階段，以人工標注肺結(jié)節(jié)區(qū)域和分割響應(yīng)圖之間的交叉熵作為損失函數(shù)，通過一定次數(shù)的迭代計算更新網(wǎng)絡(luò)參數(shù)。在測試階段，首先利用訓練好的網(wǎng)絡(luò)計算出分割響應(yīng)圖，然后將其二值化，最后選出其中最大的連通區(qū)域作為肺結(jié)節(jié)區(qū)域。因此，由于本發(fā)明將候選結(jié)節(jié)周圍的整個3d圖像塊作為輸入，該3d圖像塊包含了結(jié)節(jié)的3d空間上下文信息，而3d深度卷積網(wǎng)絡(luò)由3d卷積核組成，其在3d空間滑窗捕捉特征，然后通過多層級聯(lián)，組合成3d語義信息。

在s1014中，假陽性消除模塊104對候選肺節(jié)點進行假陽性消除，將肺節(jié)點進行輪廓精細化處理。具體而言，對候選肺結(jié)節(jié)進行假陽性消除得到的肺結(jié)節(jié)輪廓比較粗糙，本發(fā)明在假陽性消除后對肺結(jié)節(jié)輪廓進行精細化處理以便就診大夫更清晰的查看。更進一步，所述對候選肺結(jié)節(jié)進行假陽性消除，將肺結(jié)節(jié)進行輪廓精細化處理包括構(gòu)建第二卷積神經(jīng)網(wǎng)絡(luò)(即基于3d深度卷積神經(jīng)網(wǎng)絡(luò))，并進行訓練得到假陽性消除模型。在訓練階段，提取訓練集ct中的候選區(qū)域，選擇其中與標注結(jié)節(jié)交叉50％以上的作為正樣本，與標注結(jié)節(jié)完全無交叉的作為負樣本，訓練3d深度卷積神經(jīng)網(wǎng)絡(luò)。在測試階段，使用訓練好的模型對候選區(qū)域進行分類，消除預(yù)測為負樣本的區(qū)域。

精細化處理即結(jié)節(jié)分割，具體可采用可參照肺區(qū)域分割模型，通過構(gòu)建基于深度卷積神經(jīng)網(wǎng)絡(luò)，并進行訓練得到能夠?qū)崿F(xiàn)對結(jié)節(jié)精細化處理的模型?，F(xiàn)存的其他算法，多數(shù)還是基于灰度的連續(xù)性的，因為結(jié)節(jié)的灰度一般高于正常的肺組織，通過自適應(yīng)的閾值選取，可以劃分開結(jié)節(jié)和正常的肺組織。但是實際應(yīng)用中，一方面很多結(jié)節(jié)都是緊靠血管、胸膜的，其灰度與結(jié)節(jié)灰度幾乎一樣，另一方面一些密度較低的磨玻璃結(jié)節(jié)，灰度值與肺組織非常結(jié)節(jié)，導致基于灰度的肺結(jié)節(jié)分割算法準確率有限。

本發(fā)明利用基于3d深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)節(jié)檢測，一方面可以利用深度學習的優(yōu)勢，從大量的帶標簽數(shù)據(jù)中，直接學習到結(jié)節(jié)的特征，更適應(yīng)于復(fù)雜情況下的結(jié)節(jié)分類；另一方面，本發(fā)明直接以3d圖像塊作為輸入，能夠充分地利用ct影像圖片的3d上下文信息，從而更好地區(qū)分結(jié)節(jié)與血管、纖維、其他病變等。本技術(shù)在臨床測試中，假陽性為0.15/ct，5mm以上結(jié)節(jié)敏感性為97.7％(其中磨玻璃結(jié)節(jié)90％)。

圖6為合并文件可視化一個實施例的具體流程示意圖。

在s1031中，可視化模塊301將獲取的合并文件進行可視化處理；

在s1032中，瀏覽輔助模塊302對可視化處理的合并文件進行瀏覽操作之前利用隨訪判斷模塊304判斷是否進行隨訪，是則利用隨訪處理模塊302、選擇獲取模塊303和隨訪顯示模塊304分別執(zhí)行s1033、s1034和s1035。其中，隨訪處理模塊302調(diào)取合并文件對應(yīng)患者的歷史ct影像數(shù)據(jù)庫，獲取歷史ct影像列表；用戶通過選擇獲取模塊選擇并下載歷史ct影像圖片，隨訪顯示模塊304利用多窗口展示技術(shù)將下載的歷史ct影像圖片進行呈現(xiàn)。

在s1037-s1038中，輸出模塊303對根據(jù)用戶的瀏覽輔助操作進行可視化顯示前可選的利用瀏覽輔助模塊302進行測量或影像重定位，以便診斷大夫進行進一步診斷觀察。

如圖7所示為應(yīng)用本發(fā)明所述的基于胸部ct影像的自動檢測系統(tǒng)的一個實施例的系統(tǒng)結(jié)構(gòu)框架示意圖。如圖5所示，其中，病灶檢測單元100為能夠與ct設(shè)備400(或者dicom設(shè)備)進行數(shù)據(jù)通信的檢測服務(wù)器，文件合并單元200為應(yīng)用在醫(yī)院影像科室的pacs系統(tǒng)，診斷輸出單元300為客戶端，客戶端具體包括手機、pc機、pad、筆記本等智能設(shè)備，本實施例中將診斷輸出單元設(shè)為手機。

本實施例使用檢測服務(wù)器作為ct影像圖片的分析裝置，利用單獨、專門的服務(wù)器計算能力加快對ct影像圖片的計算速度，提高病灶檢測的分析速度，提高檢測結(jié)果的計算效率。pacs系統(tǒng)作為醫(yī)院常規(guī)的醫(yī)學影像存儲裝置，主要的任務(wù)就是把日常產(chǎn)生的各種醫(yī)學影像(包括核磁，ct，超聲，各種x光機，各種紅外儀、顯微儀等設(shè)備產(chǎn)生的圖像)通過各種接口(模擬，dicom，網(wǎng)絡(luò))以數(shù)字化的方式海量保存起來(包括ct設(shè)備拍攝的醫(yī)學影像以及檢測服務(wù)器得出的檢測結(jié)果)，當需要的時候在一定的授權(quán)下能夠很快的調(diào)回使用，同時增加一些輔助診斷管理功能，具體地，本實施例中，手機作為診斷輸出單元，能夠向pacs系統(tǒng)發(fā)送下載請求，以便獲取pacs系統(tǒng)存儲的病患的合并文件，合并文件包括ct影像圖片以及其檢測結(jié)果。用戶利用手機將下載得到ct影像圖片和檢測結(jié)果(即合并文件)進行可視化處理后，用戶還可選的查看該患者的歷史ct影像圖片，并進行選擇后向pacs系統(tǒng)下載，將用戶下載得到的歷史ct影像圖片利用多窗口進行呈現(xiàn)，以便診斷用戶比較觀察。與此同時，用戶可對可視化的所有文件進行瀏覽輔助操作(如放大、縮小、移動等操作)，以便診斷用戶詳細查看，進而確診。

以上只通過說明的方式描述了本發(fā)明的某些示范性實施例，毋庸置疑，對于本領(lǐng)域的普通技術(shù)人員，在不偏離本發(fā)明的精神和范圍的情況下，可以用各種不同的方式對所描述的實施例進行修正。因此，上述附圖和描述在本質(zhì)上是說明性的，不應(yīng)理解為對本發(fā)明權(quán)利要求保護范圍的限制。