ICS 35.240.01 CCS L67 T
团
体 标 准
T/CI 411-2024
医疗图像智能分析及处理技术规范
Technical specification for intelligent analysis and processing of medical images
2024-07-01 发布
2024-07-01 实施
中国国际科技促进会 发 布
T/CI 411-2024
目
次
前
言 ...................................................................... II
引
言 ................................................................... IIIII
1 范围 ....................................................................... 1
2 规范性引用文件 ............................................................. 1
3 术语和定义 ................................................................. 1
4 基本要求 ................................................................... 2
5 医疗图像预处理 ............................................................. 2
6 医疗图像三维可视化技术 ..................................................... 5
7 医疗图像特征提取 ........................................................... 6
8 医疗图像特征融合技术 ....................................................... 7
9 疾病诊断及病势推演技术 .................................................... 10
I
T/CI 411-2024
前
言
本文件按 GB/T1.1-2020《标准化工作导则第 1 部分：标准化文件的结构和起草规则》
的规定起草。
请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别这些专利的责任。
本文件由河南科技大学提出。
本文件由中国国际科技促进会归口。
本文件起草单位：河南科技大学、河南科技大学第一附属医院、同济大学、东南大学、
河南群智信息技术有限公司、河南省洛阳正骨医院（河南省骨科医院）、广州市香雪制药股
份有限公司、深圳市人民医院、洛阳理工学院、慧医谷中医药科技（天津）股份有限公司、
河南省人民医院（郑州大学人民医院）。
本文件主要起草人：张明川、王琳、吴庆涛、何良华、陈阳、朱军龙、胡莹莹、吴利娟、
宁召惠、徐金锋、刘莹莹、董玉舒、张虹、康志英、李涛、孙玉学、冀治航、张茉莉、葛又
铭、葛东风、尚智伟、赵亮、王国勇、张娟梅、李美雯、钟小芳、申哲、王斌、彭贵娟、顾
孟杰、林小璇、郑瑛琪、林雪媛。
本文件为首次发布。
II
T/CI 411-2024
引
言
为了拓展医疗图像智能分析及处理的应用，以及进一步促进医疗图像数据的跨机构和跨
平台共享，以支持协作研究和二次分析，同时为了顺应我国医疗图像处理领域的不断发展需
求，本文件制定了医疗图像智能分析及处理的规范。
III
T/CI 411-2024
医疗图像智能分析及处理技术规范
1 范围
本文件规定了医疗图像智能分析、预处理、可视化、特征融合技术等内容。
本文件适用于智慧医疗领域对医疗图像进行智能的分析和处理工作。
2 规范性引用文件
本文件没有规范性引用文件。
3 术语和定义
下列术语和定义适用于本文件。
3.1
图像分割 image Segmentation
指从 CT 或 MRI 等医学诊断中用到的图像中识别器官或病变的像素点，传递和提取有
关这些器官或者组织的形状和体积的关键信息，分割出感兴趣的区域。
3.2
可视化技术 visualization Technique
指利用从实验中获得的、扫描器测得的、计算模型合成的医学数据，重建三维图像模
型，并进行定性定量分析，提供具有真实感的三维医疗图像，使人们更清楚地认识蕴涵在
体数据中的复杂结构，便于医生多角度多层次地观察和分析。
3.3
特征提取 feature Extraction
指从医疗图像中提取有意义的、可区分的、与目标结构或区域相关的特征。
3.4
特征融合 feature Fusion
指将来自不同源头、不同模态的医疗图像（如 CT、MRI、X 光等）的特征信息有效地
结合在一起，获得更丰富全面的信息
3.5
图像配准 image Registration
指把显示人体不同信息(结构信息和功能信息)的医疗图像放到统一坐标系中显示，将不
同的医疗图像或同一患者的多个图像进行空间上的对齐和匹配，消除由于图像获取过程中
1
T/CI 411-2024
的位置、姿态、尺度、变形等因素引起的图像间的差异。
4 基本要求
4.1 准确性和可靠性。以提供可靠的诊断和治疗决策支持。
4.2 紧跟学科和技术前沿。以前沿科学技术驱动医疗图像智能分析及处理技术的发展创新，
加速实现智能医疗领域升级。
4.3 互操作性和可扩展性。以便与不同设备和平台进行集成，并适应不断变化的技术和需
求。
5 医疗图像预处理
5.1 医疗图像分割
5.1.1 传统医疗图像分割
5.1.1.1 基于阈值的图像分割
5.1.1.1.1 将彩色医疗图像转换为灰度图像，以便更好地处理图像的亮度和对比度。
5.1.1.1.2 根据图像的灰度直方图和特定的分割目标，选择合适的阈值来将图像分成不同
的区域。
5.1.1.1.3 根据选定的阈值，对图像中的每个像素进行分类，将其分为目标区域和背景区
域。
5.1.1.1.4 对分割结果使用去除噪声、填补空洞或连接区域等方法进行后处理。
5.1.1.2 基于区域的图像分割
把具有相似性质的像素点进行连通，组合成最终的分割区域结果。
5.1.1.2.1 从种子点开始，根据像素之间的相似性逐步生长区域，直到满足特定的生长准
则为止。
5.1.1.2.2 根据像素的灰度值或特定特征，对区域进行分裂或合并，获得更准确的分割结
果。
5.1.1.3 基于边缘的图像分割
5.1.1.3.1 利用边缘检测算法，用 Sobel、Canny 等算法识别图像中的边缘信息。
5.1.1.3.2 根据检测到的边缘信息，进行边缘连接，形成完整的边缘轮廓。
5.1.1.3.3 对连接后的边缘进行细化处理，获得更加精细的边缘信息。
5.1.2 基于深度学习的医疗图像分割
5.1.2.1 深度学习模型的选择和训练
2
T/CI 411-2024
适用于医疗图像分割的深度学习模型有很多，其中包括 U-Net、V-Net、Mask R-CNN
等。
5.1.2.1.1 在训练模型之前，首先需要对医疗图像进行预处理，包括归一化、去噪、增强
等步骤，以提高模型的训练效果。
5.1.2.1.2 构建模型，包括定义模型的各层结构、激活函数、初始化方法等。
5.1.2.1.3 将整个数据集划分为训练集和验证集，划分比例为 7:3 或 8:2。训练集用于训练
模型，验证集用于调整模型参数和防止过拟合。
5.1.2.1.4 用交叉熵损失函数、Dice 损失函数衡量模型的预测结果与真实结果的差距。用
SGD、Adam、RMSprop 优化器更新和调整模型的参数。
5.1.2.1.5 输入训练数据，通过前向传播计算预测结果，然后通过反向传播更新模型参数。
反复进行多次，直到模型的性能达到满意的程度或者达到预设的迭代次数。
5.1.2.1.6 在验证集上评估模型的性能，根据评估结果调整模型的参数或者结构，以提高
模型的性能。
5.1.2.2 数据集的规范
规定数据集的收集、标注和验证流程。同时，考虑数据的多样性和代表性，包括不同
类型的医疗图像（如 CT、MRI 等），不同的病理条件，以及不同的患者人群。
5.1.2.2.1 规定数据采集的来源、采集设备、采集参数等，以及数据标注的标准和流程。
5.1.2.2.2 考虑到医疗图像涉及患者隐私，需要规定数据存储、传输和处理的安全标准，
遵守相关的隐私法规和医疗保密要求。
5.1.2.2.3 数据集应涵盖不同类型的医疗图像（如 CT、MRI 等），不同的病理条件，以及
不同的患者人群。
5.1.2.2.4 规定训练集、验证集和测试集的划分方法和比例，以及数据集的交叉验证等策
略，确保模型评估的客观性和准确性。
5.1.2.3 模型性能的评价
统一的模型性能评价标准，可以更好比较不同模型的性能。评价指标包括精度、召回
率、F1 分数、Dice 系数等。
5.1.2.3.1 明确定义用于评价模型性能的指标，包括 Dice 系数、IoU（Intersection over Union）、
精确率、召回率等。
5.1.2.3.2 规定在哪些数据集上进行模型性能的评价，包括公开数据集、内部数据集以及
不同病理条件下的数据集。
3
T/CI 411-2024
5.1.2.3.3 针对不同疾病或不同医疗图像类型，定义不同模型性能的评价标准
5.1.2.3.4 明确模型性能评价的流程，包括数据预处理、模型推断、结果评价等步骤，以
及评价过程中的交叉验证策略。
5.1.2.4 模型的部署和应用
深度学习医疗图像分割模型的部署和应用包括模型的导出和导入、在不同环境下的兼
容性、模型的更新和维护等。此外，还需要考虑模型的实时性能，以满足临床图像分割应
用的需求。
图 1 基于深度卷积的图像分割
5.2 医疗图像去噪
5.2.1 数据预处理规范
5.2.1.1 对医疗图像进行归一化处理，确保图像数据具有统一的尺度和范围。
5.2.1.2 选择合适的去噪算法或模型，以及去噪参数的设置和调整。
5.2.1.3 规定图像增强的策略和方法，如对比度增强、锐化处理等，为去噪处理提供更好
的输入数据。
5.2.2 去噪模型选择
5.2.2.1 定义用于评估去噪模型性能的指标，如 PSNR（峰值信噪比）、SSIM（结构相似
性指标）等。
5.2.2.2 规定去噪模型适用的医疗图像类型为 X 光片、MRI 图像、CT 扫描等。
5.2.2.3 考虑模型对不同类型噪声的鲁棒性。
5.2.3 模型训练和验证
5.2.3.1 规定医疗图像去噪模型训练集和验证集的划分方法，确保数据的科学性和代表性。
5.2.3.2 选择均方误差（MSE）损失、结构相似性指标（SSIM）损失用于医疗图像去噪任
4
T/CI 411-2024
务的损失函数类型。
5.2.3.3 对模型训练时的优化器设置，包括学习率调度策略、优化器类型（如 Adam、SGD
等）的选择等。
5.2.4 性能评价
选择医疗图像去噪模型性能的评价指标，如 PSNR（峰值信噪比）、SSIM（结构相似
性指标）等。
5.3 医疗图像增强
5.3.1 使用直方图均衡化、对比度拉伸、图像锐化对图像进行增强。
5.3.2 基于深度学习技术的医疗图像增强
5.3.2.1 将医疗图像进行初步处理和预处理后，输入到深度学习模型中，进行融合重构得
到高清晰的医疗图像。
5.3.2.2 深度学习模型网络对不同尺度空间的医疗图像进行不同程度的上下采样操作，得
到特征图后进行特征融合。
5.3.2.3 通过低分辨率图像进行下采样直接预测高分辨率图像。
6 医疗图像三维可视化技术
医疗图像可视化过程需要先读取 CT 或 MRI 图像切片数据，根据所需的某个器官或某
个图像区域对 CT 图像进行分割，接着再对分割后的图像进行三维重建，观察病灶尺寸，
确定病灶在器官中的位置信息。
图 2 医疗图像可视化流程
医疗图像文件中的图像信息往往以体数据的方式存储，根据所要可视化的内容，可以
5
T/CI 411-2024
将医疗图像的可视化划分为面绘制和体绘制。
6.1 基于面绘制的三维重建
对一系列二维断层图像组成的体数据进行边缘检测等分割处理，根据这些提取出来的
数据形成等值面，还原出感兴趣物体的三维医学模型，实现多层面显示。
6.1.1 根据组织结构的密度等不同特性生成的图像灰度值的不同，设定相应的阈值，从医
疗图像中找到感兴趣物体的位置。
6.1.2 经过阈值提取后，形成拓扑结构从而生成物体表面。
6.1.3 设置光源与视线形成富有真实感的物体模型，在体数据中构造等值面。
6.2 基于体绘制的三维重建
体绘制主要目标是将三维体数据投影在二维平面上，绘制后结果由多个体素数据组成
的 3 维数组构成。大致流程概括为：数据采集及获取、数据预处理、体数据分类及体数据
绘制四个阶段。如图 3 所示。
图 3 医疗图像体绘制流程
6.2.1 利用医疗图像成像设备对人体进行断层扫描，采集到二维断层数字图像序列，获取
的 CT、MRI 等图像序列，一般采用 DICOM 格式存储。
6.2.2 数据预处理为体数据分类效果提供保障。
6.2.3 用传递函数对体数据进行分类，传递函数把体数据属性（如颜色及不透明度等）映
射成相对应的光学属性。
6.2.4 把第三阶段的分类结果体数据绘制渲染到屏幕上，以二维图像形式在屏幕上显示。
7 医疗图像特征提取
从图像中提取具有代表性的特征信息，将这些信息转化为计算机可识别、分类的形式。
7.1 基于颜色的特征提取
7.1.1 图像进行预处理，减少噪声等干扰特征的提取。
7.1.2 将图像从其原始的颜色空间转换到其他颜色空间，分离出感兴趣的颜色特征。
7.1.3 将连续的颜色空间离散化，每个像素的颜色映射到最近的区间。
7.1.4 用直方图、颜色矩等计算图像中颜色的分布。
6
T/CI 411-2024
7.1.5 从直方图等的均值、方差、偏度和峰度中提取特征。
7.2 基于纹理的特征提取
区域内像素点的分布情况，使用基于统计的方法、基于信号处理的方法、基于模型的
方法和基于结构的方法进行纹理特征的提取。
7.3 基于形状的特征提取
7.3.1 通过边界特征的描述来获取图像的形状参数。
7.3.2 用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维
问题转换为一维问题。由边界点导出三种形状表达：曲率函数、质心距离、复坐标函数。
7.3.3 采用区域特征描述进行形状的表达和匹配。
7.3.4 利用目标所占区域的矩作为形状描述参数。
7.4 基于空间关系的特征提取
7.4.1 根据分割算法将图像先分割成多个区域，在这些区域提取特征并建立索引；
7.4.2 将图像分割成均匀的规则区块，提取各个区块特征并建立索引。
7.5 基于深度学习的特征提取
7.5.1 通过深层卷积操作来逐步由浅到深地提取图像语义信息。
7.5.2 对于目标特征关注度的提升通常采用注意力机制。多尺度特征融合利用深层特征和
浅层特征逐步融合的方式增强网络的尺度不变性。
7.5.3 深度神经网络通常采用卷积操作，学习数据中的局部特征，典型的深度网络如
AlexNet、VGG、Inception 网络及残差网络（ResNet)。
8 医疗图像特征融合技术
医疗图像特征融合技术借助先进的图像处理算法，将 CT、MRI、X 光等医疗图像的特
征集合，并运用复杂的数学模型，最后将它们融合成一个综合的、高度描述性的特征向量
医疗图像。
8.1 多元特征处理
8.1.1 特征降维和选择
针对高维特征，使用降维技术，将特征投影到低维空间。如图 4 所示。
8.1.1.1 数据进行标准化处理，确保每个特征的取值范围相近。
8.1.1.2 对协方差矩阵进行特征值分解，得到特征值和对应的特征向量。将特征值按从大
到小的顺序排列，选择前 k 个特征值对应的特征向量作为主成分。
8.1.1.3 原始数据与选取的主成分组合，将数据投影到低维空间，得到降维后的数据集。
7
T/CI 411-2024
图 4 特征降维示意图
对于冗余特征，使用特征选择方法，筛选出对任务有用的特征，排除冗余信息。如图 5
所示。
图 5 特征选择示意图
8.1.1.4 确定特征选择的评估指标。
8.1.1.5 将特征根据评估指标进行排序，或者设置一个阈值，选择具有较高得分的特征。
8.1.1.6 将选取的特征组合成新的数据集，作为输入用于建模。
8.1.2 异构特征融合
8.1.2.1 对不同模态或处理方法的医学影像进行图像配准和对齐。
8
T/CI 411-2024
8.1.2.2 从不同模态或处理方法提取的特征进行融合。
8.1.2.3 将融合后的特征用于建模或其他医疗图像处理任务。
8.1.3 含噪特征处理
对于含噪特征，采用预处理方法减少噪声的影响，并提升特征的质量。
8.2 医疗图像配准
医疗配准使用图像处理算法，对图像进行空间变换。医疗图像配准算法如图 6 所示。
8.2.1 对要配准的医疗图像进行预处理。
8.2.2 采用搜索策略来匹配特征点。
8.2.3 根据选定的变换模型，对图像进行配准。
图 6 医疗图像配准算法
8.3 基于图变换神经网络的多元望诊特征融合策略
多元望诊特征融合策略可以结合舌诊、脉诊、面诊等多种望诊方法，融合分析这些不
同方法得到的特征信息，更全面地了解患者的身体状况和疾病情况。
8.3.1 将脸部特征和舌苔特征转换成图形数据，构建望诊特征图。
8.3.2 设计适合望诊特征图的图变换神经网络结构，用于学习和融合多元望诊特征。
8.3.3 在图变换神经网络中，进行多元望诊特征的融合与学习。
9
T/CI 411-2024
8.4 基于轴向门控注意力机制的特征判别性增强方法
8.4.1 引入轴向门控注意力机制，对多元望诊特征进行加权和选择。
8.4.2 通过门控机制，引入门控单元来学习特征的重要程度。
8.4.3 通过注意力机制，计算特征与门控权重的点积得到特征的注意力权重
8.4.4 将轴向门控注意力机制引入多元望诊特征融合策略中。
8.4.5 将这些注意力权重与特征相乘，以得到特征加权后的结果
9 疾病诊断及病势推演技术
9.1 构建因果推断模型
9.1.1 进行数据预处理和特征工程，确保数据的质量和准确性。
9.1.2 基于预处理后的特征数据，进行因果关系挖掘。
9.1.3 在因果关系挖掘的基础上，构建因果推断模型。
9.2 疾病智能诊断器构建与训练
在构建疾病智能诊断器之前，设计多模态神经网络，融合来自不同特征提取方法的多
种特征。
9.2.1 在多模态神经网络上应用强化学习算法。
9.2.2 在多模态神经网络和强化学习算法的基础上，对智能诊断器进行训练和优化。
9.2.3 完成智能诊断器的训练后，对其进行评估。
9.3 病势转化理论与模型设计
9.3.1 基于病势转化理论，设计疾病病势转化模型。
9.3.2 在数据预处理后，进行特征工程和提取。
9.3.3 构建状态转换预测模型。
9.3.4 使用数据集进行模型的训练和优化。
9.4 疾病动态推演方法与实现
9.4.1 在疾病动态推演中，收集患者的临床数据和医疗图像数据，并对其进行预处理和整
理。
9.4.2 对疾病数据进行动态建模和时间序列分析。
9.4.3 基于动态建模和时间序列分析的结果，设计疾病动态推演方法。
9.4.4 进行模型的实现和预测。
9.4.5 在模型实现和预测后，对模型进行评估和优化。
10
T/CI 411-2024
11