CN107767935A - 基于人工智能的医学影像分类处理系统及方法 - Google Patents

Abstract

本发明公开一种基于人工智能的医学影像分类处理系统及方法，该方法包括步骤：从医学影像信息库中获取医学影像信息；基于不同人体部位将医学影像信息分类处理；基于分类后的医学影像信息建立人体各部位的医学评估模型；对人体各部位的医学评估模型进行训练处理并保存医学模型参数；从医学影像采集终端接收患者的医学检查影像；从患者的医学检查影像中识别出检查部位，并根据检查部位从存储单元中获取对应的医学模型参数；将患者的医学检查影像及对应的医学模型参数发送到医生工作站。本发明能够根据人体各个不同部位对医学影像进行特征分类并训练医学模型供医生进行医学检查参考，有利于提高医学检查的效率和准确性。

Description

基于人工智能的医学影像分类处理系统及方法

技术领域

本发明涉及医学影像处理技术领域，尤其涉及一种基于人工智能的医学影像分类处理系统及方法。

背景技术

医疗机构的医学图像产出数据量十分庞大，而图像数据往往包含大量潜在信息。目前医疗市场主要依靠人工判读分析医学图像，效率较低且能挖掘的信息有限，无法充分利用数据资源。近年来，随着深度学习的快速发展，机器学习各领域包括计算机视觉迅速被深度学习占领，深度学习已经在图像识别、语音识别等领域取得了令人瞩目的成果。作为机器学习中的重要方法之一，其强大的自动特征提取复杂模型构建以及图像处理能力，非常适合处理医学影像数据分析所面临的新问题，引起了生物医学领域研究人员的广泛关注。目前，医学图像辅助处理不能根据人体各个不同部位对医学影像进行特征分类训练建立医学模型，影响医生对患者进行医学检查的效率和准确性。

发明内容

本发明的主要目的在于提供一种基于人工智能的医学影像分类处理系统及方法，旨在解决现有医学图像辅助处理不能根据人体各个不同部位对医学影像进行特征分类训练而影响医学检查准确性的问题。

为实现上述目的，本发明提供了一种基于人工智能的医学影像分类处理系统，应用于服务器中，该服务器连接有医学影像信息库、医学影像采集终端和医生工作站。所述医学影像分类处理系统包括：影像信息获取模块，用于从医学影像信息库中获取医学影像信息；影像信息分类模块，用于基于不同人体部位将医学影像信息分类处理；医学模型建立模块，用于基于分类后的医学影像信息建立对应人体各部位的医学评估模型；医学模型训练模块，用于对人体各部位的医学评估模型进行训练处理，从训练好的医学评估模型中抽取医学模型参数，并将医学模型参数保存在存储单元中；医学影像处理模块，用于从医学影像采集终端接收患者的医学检查影像，从患者的医学检查影像中识别出患者的检查部位，并根据患者的检查部位从存储单元中获取对应的医学模型参数；医学影像输出模块，用于将患者的医学检查影像及对应的医学模型参数发送到医生工作站供医生对患者进行医学检查。

优选的，所述医学模型训练模块包括特征训练子模块以及模型微调子模块，其中：所述特征训练子模块用于从所述医学评估模型中抽取局部特征信息，并利用人工神经网络对局部特征信息进行特征训练来获得一组特征向量；所述模型微调子模块用于将所述特征向量应用于卷积神经网络的训练中，并根据训练结果对医学评估模型进行微调处理。

优选的，所述人工神经网络是通过自动编码器来实现的分层神经网络，该自动编码器将局部特征信息作为第一层的输入并进行特征训练，将第一层的输出作为第二层的输入并进行特征训练，以及将第二层的输出作为第三层的输入并进行特征训练。

优选的，所述卷积神经网络包括多个神经元、特征提取层以及特征映射层，其中，每个神经元与特征映射层相连，所述特征映射层从每个神经元中提取特征信息，所述特征映射层由多个特征向量映射组成。

优选的，所述医学检查影像包括核磁影像、CT影像、超声影像、X光影像以及红外影像。

本发明还提供一种基于人工智能的医学影像分类处理方法，应用于服务器中，该服务器连接有医学影像信息库、医学影像采集终端和医生工作站，所述医学影像分类处理方法包括步骤：从医学影像信息库中获取医学影像信息；基于不同人体部位将医学影像信息分类处理；基于分类后的医学影像信息建立对应人体各部位的医学评估模型；对人体各部位的医学评估模型进行训练处理；从训练好的医学评估模型中抽取医学模型参数，并将医学模型参数保存在服务器的存储单元中；从医学影像采集终端接收患者的医学检查影像；从患者的医学检查影像中识别出患者的检查部位，并根据患者的检查部位从存储单元中获取对应的医学模型参数；将患者的医学检查影像及对应的医学模型参数发送到医生工作站供医生对患者进行医学检查。

优选的，所述对人体各部位的医学评估模型进行训练处理的步骤包括：从所述医学评估模型中抽取局部特征信息，并利用人工神经网络对抽取的局部特征信息进行特征训练来获得一组特征向量；将所述特征向量应用于卷积神经网络的训练中，并根据训练结果对医学评估模型进行微调处理。

优选的，所述人工神经网络是通过自动编码器来实现的分层神经网络，该自动编码器将局部特征信息作为第一层的输入并进行特征训练，将第一层的输出作为第二层的输入并进行特征训练，以及将第二层的输出作为第三层的输入并进行特征训练。

优选的，所述卷积神经网络包括多个神经元、特征提取层以及特征映射层，其中，每个神经元与特征映射层相连，所述特征映射层从每个神经元中提取特征信息，所述特征映射层由多个特征向量映射组成。

优选的，所述医学检查影像包括核磁影像、CT影像、超声影像、X光影像以及红外影像。

相较于现有技术，本发明所述基于人工智能的医学影像分类处理系统及方法采用上述技术方案，达到了如下技术效果：通过从医学影像信息库获取医学影像信息，并基于不同部位将所述医学影像信息分类处理，然后基于分类后的医学影像信息，建立对应各人体部位的医学评估模型，对所述医学评估模型训练处理，保存模型参数作为后续医生为患者的人体影像检查作为参考依据，辅助医生提高对患者进行医学检查的效率及准确性。

附图说明

图1是本发明基于人工智能的医学影像分类处理系统优选实施例的应用环境示意图；

图2是本发明基于人工智能的医学影像分类处理方法优选实施例的流程图。

本发明目的实现、功能特点及优点将结合实施例，参照附图做详细说明。

具体实施方式

为更进一步阐述本发明为达成上述目的所采取的技术手段及功效，以下结合附图及较佳实施例，对本发明的具体实施方式、结构、特征及其功效进行详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1所示，图1是本发明基于人工智能的医学影像分类处理系统优选实施例的应用环境示意图。在本实施例中，所述医学影像分类处理系统10安装并运行于服务器1中。所述服务器1通过数据库连接与医学影像信息库2建立数据连接，以及通过通信网络5与医学影像采集终端3和医生工作站4建立通信连接。所述服务器1可以为一种大型计算机、服务器等具有数据处理和通信功能的云端计算装置，所述数据库连接可以为开放数据库连接(Open Database Connectivity，ODBC)以及Java数据库连接(Java Data BaseConnectivity，JDBC)。所述医学影像信息库2存储有不同群体的人体医学影像信息，本发明所称不同群体可以按照性别来划分，例如男、女人群，也可以按照不同年龄段来划分，例如婴幼儿、儿童、少年、青少年、中年、老年人等群体。

所述医学影像采集终端3是设置在社区医疗工作站或者医院等医疗检查机构内的各种医疗检测设备，例如核磁、CT、超声、X光机、红外仪等医疗检测设备。所述医学影像采集终端3用于采集患者的医学检查影像，例如，核磁影像、CT影像、超声影像、X光影像以及红外影像，并将患者的医学检查影像通过通信网络3发送至服务器1。所述医生工作站4为设置在医疗检查机构(例如二三甲医院、社康医疗中心)的医生工作站计算机，用于显示患者的医学检查影像及其对应的医学模型参数，可供医生根据医学检查影像及其对应的医学模型参数对患者进行医学检查。所述通信网络5可以是一种包括局域网(LAN)、广域网(WAN)的网际网络，或者是一种包括GSM、GPRS、CDMA的无线传输网络，用于医学影像信息的传输。

在本实施例中，所述服务器1包括，但不仅限于，医学影像分类处理系统10、存储单元11、处理单元12以及通信单元13。所述存储单元11以及通信单元13均通过数据总线连接至处理单元12，并能通过处理单元12与所述医学影像分类处理系统10进行信息交互。所述存储单元11可以为一种只读存储单元ROM，电可擦写存储单元EEPROM或快闪存储单元FLASH等存储器。所述处理单元12可以为一种中央处理器(CPU)、微处理器、微控制器(MCU)、数据处理芯片、或者具有数据处理功能的信息处理单元。所述通信单元13可以为一种具有远程无线通讯功能的无线通讯接口，例如支持GSM、GPRS、CDMA的通讯接口。

在本实施例中，所述医学影像分类处理系统10包括，但不局限于，影像信息获取模块101、影像信息分类模块102、医学模型建立模块103、医学模型训练模块104、医学影像处理模块105以及医学影像输出模块106。其中，所述医学模型训练模块104包括特征训练子模块1041和模型微调子模块1042。本发明所称的模块是指一种能够被所述服务器1的处理单元12执行并且能够完成固定功能的一系列计算机程序指令段，其存储在所述服务器1的存储单元11中。

所述影像信息获取模块101用于从医学影像信息库2中获取医学影像信息。所述医学影像信息包括，但不限于，核磁、CT、超声、X光机、红外仪等医疗检测设备产生的医学检查影像，这些医学检查影像可以通过DICOM3.0国际标准接口以数字化的方式作为医学评估模型输入的影像信息。

所述影像信息分类模块102用于基于不同人体部位将所述医学影像信息进行分类处理。由于人体部位数据的非统一性，本发明将各部位的医学影像信息进行分类处理，将同一部位的医学影像信息作为一小类，便于后续的医学评估模型计算与处理。

所述医学模型建立模块103用于基于分类后的医学影像信息建立对应人体各部位的医学评估模型。在本实施例中，人体各部位对应的各个医学评估模型的建立是基于分类后的医学影像信息，所以各个医学评估模型之间是相互独立的，可以并行学习训练。

所述医学模型训练模块104用于对人体各部位的医学评估模型进行训练处理，从训练好的医学评估模型中抽取医学模型参数，并将医学模型参数保存在存储单元11中。本发明基于分类数据的医学评估模型建立与计算医学模型参数，为后续医生为患者进行医学检查提供参考依据。

所述特征训练子模块1041用于从所述医学评估模型中抽取局部特征信息，并利用人工神经网络(Artificial Neural Network，ANN)对抽取的局部特征信息进行特征训练来获得一组特征向量。在本实施例中，所述人工神经网络是通过自动编码器来实现的分层神经网络，该自动编码器将局部特征信息作为第一层的输入并进行特征训练，将第一层的输出作为第二层的输入并进行特征训练，将第二层的输出作为第三层的输入并进行特征训练。自动编码器将抽取的医学影像信息作为输入，通过第一层到第二层的编码来实现特征训练，以及通过第二层到第三层的解码来还原医学影像信息。

所述模型微调子模块1042用于将所述特征向量应用于卷积神经网络的训练中，并根据训练结果对医学评估模型进行微调处理。在本实施例中，所述卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络。一般地，所述卷积神经网络包括多个神经元、特征提取层以及特征映射层，其中，每个神经元与特征映射层相连，所述特征映射层从每个神经元中提取特征信息，所述特征映射层由多个特征向量映射组成。每个特征向量映射是一个平面，平面上所有神经元的权值相等。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。本发明对将深度学习中无监督特征训练与卷积神经网络相结合，不仅能够应用更多医学评估模型的医学影像信息，而且能够增强卷积神经网络的特征训练能力，降低医学评估模型训练难度。

所述医学影像处理模块105用于从医学影像采集终端3接收患者的医学检查影像，从患者的医学检查影像中识别出患者的检查部位，并根据患者的检查部位从存储单元11中获取检查部位对应的医学模型参数。在本实施例中，假如医学影像采集终端3采集了患者的肺部影像，医学影像处理模块105根据人体器官结构特征可以识别出人体检查部位为肺部，并从存储单元11中获取患者肺部对应的医学模型参数。

所述医学影像输出模块106用于将患者的医学检查影像及其对应的医学模型参数发送至医生工作站4供医生对患者进行医学检查，可以辅助医生准确地对医学检查影像进行分析并做出医学检查报告，从而辅助医生提高对患者进行医学检查的效率及准确性。

如图2所示，图2是本发明基于人工智能的医学影像分类处理方法优选实施例的流程图。本实施例一并结合图1所示，所述基于人工智能的医学影像分类处理方法应用于服务器1中，该基于人工智能的医学影像分类处理方法包括如下步骤S21至S28。

步骤S21，影像信息获取模块101从医学影像信息库2中获取医学影像信息。在本实施例中，所述医学影像信息包括，但不限于，核磁、CT、超声、X光机、红外仪等医疗检测设备产生的医学检查影像，这些医学检查影像可以通过DICOM3.0国际标准接口以数字化的方式作为医学评估模型输入的影像信息。

步骤S22，影像信息分类模块102基于不同人体部位将所述医学影像信息进行分类处理。由于人体部位数据的非统一性，本发明将各部位的医学影像信息进行分类处理，将同一部位的医学影像信息作为一小类，便于后续的医学评估模型计算与处理。

步骤S23，医学模型建立模块103基于分类后的医学影像信息建立对应人体各部位的医学评估模型。在本实施例中，人体各部位对应的各个医学评估模型的建立是基于分类后的医学影像信息，所以各个医学评估模型之间是相互独立的，可以并行学习训练。

步骤S24，医学模型训练模块104对人体各部位的医学评估模型进行训练处理。所述对人体各部位的医学评估模型进行训练处理包括如下步骤：从所述医学评估模型中抽取局部特征信息，并利用人工神经网络对抽取的局部特征信息进行特征训练来获得一组特征向量；将所述特征向量应用于卷积神经网络的训练中，并根据训练结果对医学评估模型进行微调处理。本发明对将深度学习中无监督特征训练与卷积神经网络相结合，不仅能够应用更多医学评估模型的医学影像信息，而且能够增强卷积神经网络的特征训练能力，降低医学评估模型训练难度。

步骤S25，医学模型训练模块104从训练好的医学评估模型中抽取医学模型参数，并将医学模型参数保存在存储单元11中。本发明基于分类数据的医学评估模型建立与计算医学模型参数，为后续医生为患者进行医学检查提供参考依据。

步骤S26，医学影像处理模块105从医学影像采集终端3接收患者的医学检查影像。在本实施例中，所述医学影像采集终端3可以为核磁、CT、超声、X光机、红外仪等医疗检测设备。所述医学影像采集终端3采集患者的医学检查影像，例如，核磁影像、CT影像、超声影像、X光影像以及红外影像，并将患者的医学检查影像通过通信网络3发送至服务器1。

步骤S27，医学影像处理模块105从患者的医学检查影像中识别出患者的检查部位，并根据患者的检查部位从存储单元11中获取检查部位对应的医学模型参数。在本实施例中，假如医学影像采集终端3采集了患者的肺部影像，医学影像处理模块105根据人体器官结构特征可以识别出人体检查部位为肺部，并从存储单元11中获取患者肺部对应的医学模型参数。

步骤S28，医学影像输出模块106将患者的医学检查影像及其对应的医学模型参数发送至医生工作站4供医生对患者进行医学检查，可以辅助医生准确地对医学检查影像进行分析并做出医学检查报告，从而辅助医生提高对患者进行医学检查的效率及准确性。

本发明所述基于人工智能的医学影像分类处理系统及方法通过从医学影像信息库获取医学影像信息，并基于不同部位将所述医学影像信息分类处理，然后基于分类后的医学影像信息，建立对应各人体部位的医学评估模型，对所述医学评估模型训练处理，最后保存模型参数作为后续医生为患者的人体影像检查作为参考依据，辅助医生提高对患者进行医学检查的效率及准确性。

本领域技术人员可以理解，上述实施方式中各种方法的全部或部分步骤可以通过相关程序指令完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘或光盘等。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效功能变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于人工智能的医学影像分类处理系统，应用于服务器中，该服务器连接有医学影像信息库、医学影像采集终端和医生工作站，其特征在于，所述基于人工智能的医学影像分类处理系统包括：

影像信息获取模块，用于从医学影像信息库中获取医学影像信息；

影像信息分类模块，用于基于不同人体部位将医学影像信息分类处理；

医学模型建立模块，用于基于分类后的医学影像信息建立对应人体各部位的医学评估模型；

医学模型训练模块，用于对人体各部位的医学评估模型进行训练处理，从训练好的医学评估模型中抽取医学模型参数，并将医学模型参数保存在服务器的存储单元中；

医学影像处理模块，用于从医学影像采集终端接收患者的医学检查影像，从患者的医学检查影像中识别出患者的检查部位，并根据患者的检查部位从存储单元中获取对应的医学模型参数；

医学影像输出模块，用于将患者的医学检查影像及对应的医学模型参数发送到医生工作站供医生对患者进行医学检查。

2.如权利要求1所述的基于人工智能的医学影像分类处理系统，其特征在于，所述医学模型训练模块包括特征训练子模块和模型微调子模块，其中：

所述特征训练子模块用于从所述医学评估模型中抽取局部特征信息，并利用人工神经网络对局部特征信息进行特征训练来获得一组特征向量；

所述模型微调子模块用于将所述特征向量应用于卷积神经网络的训练中，并根据训练结果对医学评估模型进行微调处理。

3.如权利要求2所述的基于人工智能的医学影像分类处理系统，其特征在于，所述人工神经网络是通过自动编码器来实现的分层神经网络，该自动编码器将局部特征信息作为第一层的输入并进行特征训练，将第一层的输出作为第二层的输入并进行特征训练，以及将第二层的输出作为第三层的输入并进行特征训练。

4.如权利要求2所述的基于人工智能的医学影像分类处理系统，其特征在于，所述卷积神经网络包括多个神经元、特征提取层以及特征映射层，其中，每个神经元与特征映射层相连，所述特征映射层从每个神经元中提取特征信息，所述特征映射层由多个特征向量映射组成。

5.如权利要求1所述的基于人工智能的医学影像分类处理系统，其特征在于，所述医学检查影像包括核磁影像、CT影像、超声影像、X光影像以及红外影像。

6.一种基于人工智能的医学影像分类处理方法，应用于服务器中，该服务器连接有医学影像信息库、医学影像采集终端和医生工作站，其特征在于，所述基于人工智能的医学影像分类处理方法包括步骤：

从医学影像信息库中获取医学影像信息；

基于不同人体部位将医学影像信息分类处理；

基于分类后的医学影像信息建立对应人体各部位的医学评估模型；

对人体各部位的医学评估模型进行训练处理；

从训练好的医学评估模型中抽取医学模型参数，并将医学模型参数保存在服务器的存储单元中；

从医学影像采集终端接收患者的医学检查影像；

从患者的医学检查影像中识别出患者的检查部位，并根据患者的检查部位从存储单元中获取对应的医学模型参数；

将患者的医学检查影像及对应的医学模型参数发送到医生工作站供医生对患者进行医学检查。

7.如权利要求6所述的基于人工智能的医学影像分类处理方法，其特征在于，所述对人体各部位的医学评估模型进行训练处理的步骤包括：

从所述医学评估模型中抽取局部特征信息，并利用人工神经网络对抽取的局部特征信息进行特征训练来获得一组特征向量；

将所述特征向量应用于卷积神经网络的训练中，并根据训练结果对医学评估模型进行微调处理。

8.如权利要求7所述的基于人工智能的医学影像分类处理方法，其特征在于，所述人工神经网络是通过自动编码器来实现的分层神经网络，该自动编码器将局部特征信息作为第一层的输入并进行特征训练，将第一层的输出作为第二层的输入并进行特征训练，以及将第二层的输出作为第三层的输入并进行特征训练。

9.如权利要求7所述的基于人工智能的医学影像分类处理方法，其特征在于，所述卷积神经网络包括多个神经元、特征提取层以及特征映射层，其中，每个神经元与特征映射层相连，所述特征映射层从每个神经元中提取特征信息，所述特征映射层由多个特征向量映射组成。

10.如权利要求6所述的基于人工智能的医学影像分类处理方法，其特征在于，所述医学检查影像包括核磁影像、CT影像、超声影像、X光影像以及红外影像。