CN109544550B - 基于ct影像智能检测和识别方法及系统 - Google Patents

Abstract

本发明公开了基于CT影像智能检测和识别方法及系统，检测端获取待检测CT影像图片，调用人体器官模型判断待检测CT影像图片的待检测器官，检测端调用与待检测器官匹配的器官异常辨别模型判断待检测CT影像图片的异常类型，人体器官模型以及器官异常辨别模型均为已训练完成的深度神经网络模型；本发明通过深度神经网络技术训练得到人体器官模型以及器官异常辨别模型，能够快速识别待检测CT影像图片的器官类型和是否出现异常，在训练数据足够大的情况下，由模型进行检测的准确率极高，且避免人工检测所造成的易遗漏和易误判的主观问题，从而提升诊断的准确率和效率。

Description

基于CT影像智能检测和识别方法及系统

技术领域

本发明涉及医疗领域，特别涉及基于CT影像智能检测和识别方法及系统。

背景技术

随着我国经济的高速发展，科技水平也随之显著提高；近年来，人工智能开始进入医学影像应用。在我国死亡原因中，癌症的死亡率占比很大，癌症的早期发现和治疗能极大提高病人的生活质量和存活率，对癌症的早期筛查极其重要。按目前现状，一家三甲医院平均每天接待200例左右的肺结节筛查患者，每位患者在检查环节会产生200—300张的CT影像，放射科医生每天至少需要阅读4万张影像。由于癌症早期的结节在图像上用肉眼观察往往很容易被遗漏，影像医生平时需要在人工检测结节上花费大量的时间，致使临床工作非常繁重。加之每天需要审核的影像量也巨大。

由于放射科医生数量不足，阅片工作量巨大，越来越多的医学影像检查需要排大队，甚至提前很长时间预约，面对这个严峻的现状，如何让医学更精准、让影像检测更有效率也成为了当前医疗行业的难题。

发明内容

本发明所要解决的技术问题是：提供基于CT影像智能检测和识别方法及系统，能够快速精确的检测CT影像图片。

为了解决上述技术问题，本发明采用的技术方案为：

基于CT影像智能检测和识别方法，包括步骤：

S1、检测端获取待检测CT影像图片，调用人体器官模型判断所述待检测 CT影像图片的待检测器官，所述人体器官模型为已训练完成的深度神经网络模型；

S2、检测端调用与所述待检测器官匹配的器官异常辨别模型判断所述待检测CT影像图片的异常类型，所述器官异常辨别模型为已训练完成的深度神经网络模型。

为了解决上述技术问题，本发明采用的另一种技术方案为：

基于CT影像智能检测和识别系统，包括检测端，所述检测端包括第一存储器、第一处理器及存储在第一存储器上并可在第一处理器上运行的第一计算机程序，所述第一处理器执行所述第一计算机程序时实现以下步骤：

S1、获取待检测CT影像图片，调用人体器官模型判断所述待检测CT影像图片的待检测器官，所述人体器官模型为已训练完成的深度神经网络模型；

S2、调用与所述待检测器官匹配的器官异常辨别模型判断所述待检测CT影像图片的异常类型，所述器官异常辨别模型为已训练完成的深度神经网络模型。

本发明的有益效果在于：基于CT影像智能检测和识别方法及系统，检测端获取待检测CT影像图片，调用人体器官模型判断待检测CT影像图片的待检测器官，调用与待检测器官匹配的器官异常辨别模型判断待检测CT影像图片的异常类型，人体器官模型以及器官异常辨别模型为已训练完成的深度神经网络模型，即本发明通过深度神经网络技术训练得到人体器官模型以及器官异常辨别模型，能够快速识别待检测CT影像图片的器官类型和是否出现异常，在训练数据足够大的情况下，由模型进行检测的准确率极高，且避免人工检测所造成的易遗漏和易误判的主观问题，从而提升诊断的准确率和效率。

附图说明

图1为本发明实施例的基于CT影像智能检测和识别方法的流程示意图；

图2为本发明实施例的基于CT影像智能检测和识别系统的结构示意图。

标号说明：

1、基于CT影像智能检测和识别系统；2、检测端；3、第一处理器；4、第一存储器；5、训练端；6、第二处理器；7、第二存储器。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

本发明最关键的构思在于：通过深度神经网络技术训练得到人体器官模型和器官异常辨别模型，由人体器官模型和器官异常辨别模型对待检测CT影像图片进行检测。

在此之前，为了便于理解本发明的技术方案，对于本发明中涉及的英文缩写、设备等进行说明如下：

(1)、CT：在本发明中为Computed Tomography的缩写，其中文解释为电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快、图像清晰等特点。

请参照图1，基于CT影像智能检测和识别方法，包括步骤：

S1、检测端获取待检测CT影像图片，调用人体器官模型判断所述待检测 CT影像图片的待检测器官，所述人体器官模型为已训练完成的深度神经网络模型；

S2、检测端调用与所述待检测器官匹配的器官异常辨别模型判断所述待检测CT影像图片的异常类型，所述器官异常辨别模型为已训练完成的深度神经网络模型。

从上述描述可知，本发明的有益效果在于：检测端获取待检测CT影像图片，调用人体器官模型判断待检测CT影像图片的待检测器官，调用与待检测器官匹配的器官异常辨别模型判断待检测CT影像图片的异常类型，人体器官模型以及器官异常辨别模型为已训练完成的深度神经网络模型，即本发明通过深度神经网络技术训练得到人体器官模型以及器官异常辨别模型，能够快速识别待检测 CT影像图片的器官类型和是否出现异常，在训练数据足够大的情况下，由模型进行检测的准确率极高，且避免人工检测所造成的易遗漏和易误判的主观问题，从而提升诊断的准确率和效率。

进一步地，所述步骤S1中的人体器官模型的训练步骤如下：

S11、训练端构建深度神经网络模型；

S12、训练端获取检测端发送的所有CT影像图片，将所有CT影像图片分为测试CT影像图片组和训练CT影像图片组，所述训练CT影像图片组中包括所有器官类型的CT影像图片且每个所述器官类型的CT影像图片大于100张，所述测试CT影像图片组包括所有器官类型的CT影像图片且每个所述器官类型的CT影像图片大于3张；

S13、训练端使用所述训练CT影像图片组里的CT影像图片对所述深度神经网络模型进行训练，在训练完成后，得到人体器官模型，使用所述测试CT影像图片组的CT影像图片作为所述人体器官模型的测试数据，得到所述人体器官模型的准确率，若所述准确性大于预设值，则保存所述人体器官模型，并将所述人体器官模型发送至检测端。

从上述描述可知，提供一种人体器官模型的构建方案，在训练完成后对其测试，只有测试完成后才将人体器官模型发送至检测端进行检测，从而保证了人体器官模型的可靠性。

进一步地，所述步骤S2中的器官异常辨别模型的训练步骤如下：

S21、训练端构建深度神经网络模型；

S22、训练端获取检测端发送的所有CT影像图片，将所有CT影像图片按照器官类型进行分类，得到当前待训练器官类型的当前器官CT影像图片组，将所述当前器官CT影像图片组分为测试当前器官CT影像图片组和训练当前器官 CT影像图片组，所述训练当前器官CT影像图片组包括的CT影像图片大于100 张，所述测试当前器官CT影像图片组的CT影像图片大于3张；

S23、训练端使用所述训练当前器官CT影像图片组里的CT影像图片对所述深度神经网络模型进行训练，在训练完成后，得到器官异常辨别模型，使用所述测试当前器官CT影像图片组的CT影像图片作为所述器官异常辨别模型的测试数据，得到所述器官异常辨别模型的准确率，若所述准确性大于预设值，则保存所述器官异常辨别模型，并将所述器官异常辨别模型发送至检测端。

其中，比如器官类型包括了头颅和心脏等，当前待训练器官类型为心脏，则将心脏的CT影像图片筛选出来，进行训练和测试，得到的是心脏异常辨别模型。

从上述描述可知，提供一种器官异常辨别模型的构建方案，在训练完成后对其测试，只有测试完成后才将器官异常辨别模型发送至检测端进行检测，从而保证了人体器官模型的可靠性。

进一步地，对所述所有CT影像图片进行更新的步骤：

S01、训练端每间隔第一预设时间进行一次刷新，以判断是否有新增CT影像图片，若有，则将所述新增CT影像图片按照器官类型以及异常类型进行分类，并将所述新增CT影像图片作为深度神经网络模型的训练组或测试组。

其中，深度神经网络模型为人体器官模型和器官异常辨别模型中的任意一种，步骤S01是更新用于训练和测试的图片。

从上述描述可知，对于深度神经网络模型来说，训练的数据越大，则准确度越高，同时，随着医疗水平的提高，新的异常类型或者判断方法也会不断的更新。通过不断的更新有CT影像图片，训练完成的深度神经网络模型在根据新增的训练图片进行调整，以便达到更好的检测效果。

进一步地，所述训练端获取检测端发送的所有CT影像图片的具体步骤为：

S31、检测端获取基层医疗机构上传的初始CT影像图片，读取所述初始CT 影像图片的器官类型以及异常类型，并且按照器官类型以及异常类型进行分类存储，得到存储路径；

S32、检测端对所述初始CT影像图片随机分割成多个像素块，得到所有像素块的编码信息，提取任意像素块的编码信息组成图像验证信息，所述编码信息包括像素块初始位置和灰度值，所述图像验证信息的数据字节不包括预设编码字节；

S33、训练端发送包括用户名和密码的身份验证请求；

S34、检测端获取身份验证请求，判断所述用户名和密码是否合法，若合法，则返回验证字符串至训练端，所述验证字符串包括由token类型和加密算法组成的头部、由用户名、任一初始CT影像图片的存储路径和对应的图像验证信息组成的负载以及由加密算法进行加密的签名；

S35、训练端获取验证字符串，发送包括验证字符串的图片请求；

S36、检测端获取图片请求，提取所述验证字符串，根据所述用户名、任一初始CT影像图片的存储路径和对应的图像验证信息判断所述图片请求是否合法，若是，则按照所述图片请求返回CT影像图片。

从上述描述可知，对于CT影像图片的存储和提取的过程中，验证用户的合法性是至关重要的，通过上述方案，使用验证字符串来作为数据交互的凭证，用户名起到确认身份的作用，任一初始CT影像图片的存储路径和对应的图像验证信息起到验证训练端是否合法的作用，从而确认图片请求是否合法；另外，验证字符串不包括用密码，在数据交换的过程中若被他人截取，也不会影响账户的安全性；而图像验证信息由于只是片段，非法分子无法通过图像验证信息复原得到该始CT影像图片，故而避免了被截取之后的信息泄露，从而在满足数据交互的需求下，还保证了整个数据交互过程中的安全性。

如图2所示，基于CT影像智能检测和识别系统，包括检测端，所述检测端包括第一存储器、第一处理器及存储在第一存储器上并可在第一处理器上运行的第一计算机程序，所述第一处理器执行所述第一计算机程序时实现以下步骤：

S1、获取待检测CT影像图片，调用人体器官模型判断所述待检测CT影像图片的待检测器官，所述人体器官模型为已训练完成的深度神经网络模型；

S2、调用与所述待检测器官匹配的器官异常辨别模型判断所述待检测CT影像图片的异常类型，所述器官异常辨别模型为已训练完成的深度神经网络模型。

从上述描述可知，本发明的有益效果在于：检测端获取待检测CT影像图片，调用人体器官模型判断待检测CT影像图片的待检测器官，调用与待检测器官匹配的器官异常辨别模型判断待检测CT影像图片的异常类型，人体器官模型以及器官异常辨别模型为已训练完成的深度神经网络模型，即本发明通过深度神经网络技术训练得到人体器官模型以及器官异常辨别模型，能够快速识别待检测 CT影像图片的器官类型和是否出现异常，在训练数据足够大的情况下，由模型进行检测的准确率极高，且避免人工检测所造成的易遗漏和易误判的主观问题，从而提升诊断的准确率和效率。

进一步地，还包括训练端，所述训练端包括第二存储器、第二处理器及存储在第二存储器上并可在第二处理器上运行的第二计算机程序，对所述步骤S1 中的人体器官模型进行训练时，所述第二处理器执行所述第二计算机程序时实现以下步骤：

S11、构建深度神经网络模型；

S12、获取检测端发送的所有CT影像图片，将所有CT影像图片分为测试 CT影像图片组和训练CT影像图片组，所述训练CT影像图片组中包括所有器官类型的CT影像图片且每个所述器官类型的CT影像图片大于100张，所述测试CT影像图片组包括所有器官类型的CT影像图片且每个所述器官类型的CT 影像图片大于3张；

S13、使用所述训练CT影像图片组里的CT影像图片对所述深度神经网络模型进行训练，在训练完成后，得到人体器官模型，使用所述测试CT影像图片组的CT影像图片作为所述人体器官模型的测试数据，得到所述人体器官模型的准确率，若所述准确性大于预设值，则保存所述人体器官模型，并将所述人体器官模型发送至检测端。

从上述描述可知，提供一种人体器官模型的构建方案，在训练完成后对其测试，只有测试完成后才将人体器官模型发送至检测端进行检测，从而保证了人体器官模型的可靠性。

进一步地，对所述步骤S2中的器官异常辨别模型进行训练时，所述第二处理器执行所述第二计算机程序时实现以下步骤：

S21、构建深度神经网络模型；

S22、获取检测端发送的所有CT影像图片，将所有CT影像图片按照器官类型进行分类，得到当前待训练器官类型的当前器官CT影像图片组，将所述当前器官CT影像图片组分为测试当前器官CT影像图片组和训练当前器官CT影像图片组，所述训练当前器官CT影像图片组包括的CT影像图片大于100张，所述测试当前器官CT影像图片组的CT影像图片大于3张；

S23、使用所述训练当前器官CT影像图片组里的CT影像图片对所述深度神经网络模型进行训练，在训练完成后，得到器官异常辨别模型，使用所述测试当前器官CT影像图片组的CT影像图片作为所述器官异常辨别模型的测试数据，得到所述器官异常辨别模型的准确率，若所述准确性大于预设值，则保存所述器官异常辨别模型，并将所述器官异常辨别模型发送至检测端。

其中，比如器官类型包括了头颅和心脏等，当前待训练器官类型为心脏，则将心脏的CT影像图片筛选出来，进行训练和测试，得到的是心脏异常辨别模型。

从上述描述可知，提供一种器官异常辨别模型的构建方案，在训练完成后对其测试，只有测试完成后才将器官异常辨别模型发送至检测端进行检测，从而保证了人体器官模型的可靠性。

进一步地，对所述所有CT影像图片进行更新时，所述第二处理器执行所述第二计算机程序时实现以下步骤：

S01、每间隔第一预设时间进行一次刷新，以判断是否有新增CT影像图片，若有，则将所述新增CT影像图片按照器官类型以及异常类型进行分类，并将所述新增CT影像图片作为深度神经网络模型的训练组或测试组。

从上述描述可知，对于深度神经网络模型来说，训练的数据越大，则准确度越高，同时，随着医疗水平的提高，新的异常类型或者判断方法也会不断的更新。通过不断的更新有CT影像图片，训练完成的深度神经网络模型在根据新增的训练图片进行调整，以便达到更好的检测效果。

进一步地，所述训练端获取检测端发送的所有CT影像图片时，所述第一处理器执行所述第一计算机程序时实现以下步骤：

S31、获取基层医疗机构上传的初始CT影像图片，读取所述初始CT影像图片的器官类型以及异常类型，并且按照器官类型以及异常类型进行分类存储，得到存储路径；

S32、对所述初始CT影像图片随机分割成多个像素块，得到所有像素块的编码信息，提取任意像素块的编码信息组成图像验证信息，所述编码信息包括像素块初始位置和灰度值，所述图像验证信息的数据字节不包括预设编码字节；

S34、获取身份验证请求，判断所述用户名和密码是否合法，若合法，则返回验证字符串至训练端，所述验证字符串包括由token类型和加密算法组成的头部、由用户名、任一初始CT影像图片的存储路径和对应的图像验证信息组成的负载以及由加密算法进行加密的签名；

S36、获取图片请求，提取所述验证字符串，根据所述用户名、任一初始 CT影像图片的存储路径和对应的图像验证信息判断所述图片请求是否合法，若是，则按照所述图片请求返回CT影像图片；

所述训练端获取检测端发送的所有CT影像图片时，所述第二处理器执行所述第二计算机程序时实现以下步骤：

S33、发送包括用户名和密码的身份验证请求；

S35、获取验证字符串，发送包括验证字符串的图片请求。

从上述描述可知，对于CT影像图片的存储和提取的过程中，验证用户的合法性是至关重要的，通过上述方案，使用验证字符串来作为数据交互的凭证，用户名起到确认身份的作用，任一初始CT影像图片的存储路径和对应的图像验证信息起到验证训练端是否合法的作用，从而确认图片请求是否合法；另外，验证字符串不包括用密码，在数据交换的过程中若被他人截取，也不会影响账户的安全性；而图像验证信息由于只是片段，非法分子无法通过图像验证信息复原得到该初始CT影像图片，故而避免了被截取之后的信息泄露，从而在满足数据交互的需求下，还保证了整个数据交互过程中的安全性。

请参照图1，本发明的实施例一为：

基于CT影像智能检测和识别方法，包括步骤：

S1、检测端获取待检测CT影像图片，调用人体器官模型判断待检测CT影像图片的待检测器官，人体器官模型为已训练完成的深度神经网络模型；

S2、检测端调用与待检测器官匹配的器官异常辨别模型判断待检测CT影像图片的异常类型，器官异常辨别模型为已训练完成的深度神经网络模型。

其中，步骤S1中的人体器官模型的训练步骤如下：

S11、训练端构建深度神经网络模型；

S12、训练端获取检测端发送的所有CT影像图片，将所有CT影像图片分为测试CT影像图片组和训练CT影像图片组，训练CT影像图片组中包括所有器官类型的CT影像图片且每个器官类型的CT影像图片大于100张，测试CT 影像图片组包括所有器官类型的CT影像图片且每个器官类型的CT影像图片大于3张；

S13、训练端使用训练CT影像图片组里的CT影像图片对深度神经网络模型进行训练，在训练完成后，得到人体器官模型，使用测试CT影像图片组的 CT影像图片作为人体器官模型的测试数据，得到人体器官模型的准确率，若准确性大于预设值，则保存人体器官模型，并将人体器官模型发送至检测端。

其中，步骤S2中的器官异常辨别模型的训练步骤如下：

S21、训练端构建深度神经网络模型；

S22、训练端获取检测端发送的所有CT影像图片，将所有CT影像图片按照器官类型进行分类，得到当前待训练器官类型的当前器官CT影像图片组，将当前器官CT影像图片组分为测试当前器官CT影像图片组和训练当前器官CT 影像图片组，训练当前器官CT影像图片组包括的CT影像图片大于100张，测试当前器官CT影像图片组的CT影像图片大于3张；

S23、训练端使用训练当前器官CT影像图片组里的CT影像图片对深度神经网络模型进行训练，在训练完成后，得到器官异常辨别模型，使用测试当前器官CT影像图片组的CT影像图片作为器官异常辨别模型的测试数据，得到器官异常辨别模型的准确率，若准确性大于预设值，则保存器官异常辨别模型，并将器官异常辨别模型发送至检测端。

请参照图1，本发明的实施例二为：

基于CT影像智能检测和识别方法，在上述实施例一的基础上，针对CT影像图片进行更新的步骤：

S01、训练端每间隔第一预设时间进行一次刷新，以判断是否有新增CT影像图片，若有，则将新增CT影像图片按照器官类型以及异常类型进行分类，并将新增CT影像图片作为深度神经网络模型的训练组或测试组。

请参照图1，本发明的实施例三为：

基于CT影像智能检测和识别方法，在上述实施例一的基础上，训练端获取检测端发送的所有CT影像图片的具体步骤为：

S31、检测端获取基层医疗机构上传的初始CT影像图片，读取初始CT影像图片的器官类型以及异常类型，并且按照器官类型以及异常类型进行分类存储，得到存储路径；

S32、检测端对初始CT影像图片随机分割成多个像素块，得到所有像素块的编码信息，提取任意像素块的编码信息组成图像验证信息，编码信息包括像素块初始位置和灰度值，图像验证信息的数据字节不包括预设编码字节；

S33、训练端发送包括用户名和密码的身份验证请求；

S34、检测端获取身份验证请求，判断用户名和密码是否合法，若合法，则返回验证字符串至训练端，验证字符串包括由token类型和加密算法组成的头部、由用户名、任一初始CT影像图片的存储路径和对应的图像验证信息组成的负载以及由加密算法进行加密的签名。

S35、训练端获取验证字符串，发送包括验证字符串的图片请求；

S36、检测端获取图片请求，提取验证字符串，根据用户名、任一初始CT 影像图片的存储路径和对应的图像验证信息判断图片请求是否合法，若是，则按照图片请求返回CT影像图片。

请参照图2，本发明的实施例四为：

基于CT影像智能检测和识别系统1，包括检测端2和训练端5，检测端2 包括第一存储器4、第一处理器3及存储在第一存储器4上并可在第一处理器3 上运行的第一计算机程序，训练端5包括第二存储器7、第二处理器6及存储在第二存储器7上并可在第二处理器6上运行的第二计算机程序，第一处理器3 执行第一计算机程序时实现上述实施例一中的步骤S1和步骤S2，第二处理器6 执行第二计算机程序时实现上述实施例一中的步骤S11至步骤S13以及步骤S21 至步骤S23。

其中，基于CT影像智能检测和识别系统1根据模块可以分为登录模块、 CT影像数据库模块、CT影像智能检测及识别模块以及专家指导及复核模块。

其中，登录模块用于登陆账号。

其中，CT影像数据库模块包括：CT影像图片、病人的基本信息、病人的健康档案信息、医疗服务单位信息以及药品与医疗器械生产企业信息。CT影像图片为与基层医疗机构的网络联网，将基层医疗机构的CT影像图片上传到数据库中；病人的基本信息包括病人在数据库中的个人身份信息：身份证号码、出生年月、性别、个人联系电话、血型、药物过敏信息、既往病史、生活住址、职业以及工作单位等等，该信息可以通过互联网在全球任何地方进行即时查询与更新。病人的健康档案信息收集存储的档案信息包括病人的接种免疫记录、体检记录、门诊记录、住院医疗记录等其它医疗保健记录。医疗服务单位信息包括单位的基本信息和单位在岗医师的信息，单位信息如名称、地址、联系方式、国家管理部门授权的医疗服务证明、服务项目、项目的价格以及单位介绍等等，在岗医师信息包括医师在数据库中的身份识别信息：姓名、身份证号码、年龄、学历、职业资格证、职称、工作单位、联系方式以及个人介绍等等；医疗单位信息还包括医疗机构或医师对疾病的研究成果报告。药品与医疗器械生产企业信息包括企业的基本信息以及药品与医疗器械的信息。

其中，CT影像智能检测和识别模块是以CT影像数据模块中的基层医疗机构的CT影像图片为基础，这些图片作为系统庞大的基础数据，并通过建立人体器官模型以及深度神经网络技术，系统对基层医疗机构的CT影像图片进行学习，以提升此系统对病灶的高识别度，即为本发明实施例中的步骤。

其中，专家复核及指导模块主要是对目前采用模型进行检测过后增加专家复核环节，让整个诊疗过程严谨，并且不出现误诊等问题。

请参照图2，本发明的实施例五为：

基于CT影像智能检测和识别系统1，在上述实施例四的基础上，第一处理器3执行第一计算机程序时实现上述实施例二中的步骤S1和步骤S2，第二处理器6执行第二计算机程序时实现上述实施例二中的步骤S01、步骤S11至步骤 S13以及步骤S21至步骤S23。

请参照图2，本发明的实施例六为：

基于CT影像智能检测和识别系统1，在上述实施例四的基础上，第一处理器3执行第一计算机程序时实现上述实施例二中的步骤S1、步骤S2、步骤S31、步骤S32、步骤S34以及步骤S36，第二处理器6执行第二计算机程序时实现上述实施例二中的步骤S01、步骤S11至步骤S13、步骤S21至步骤S23以及步骤 S33和步骤S35。

综上所述，本发明提供的基于CT影像智能检测和识别方法及系统，检测端获取待检测CT影像图片，调用人体器官模型判断待检测CT影像图片的待检测器官，调用与待检测器官匹配的器官异常辨别模型判断待检测CT影像图片的异常类型，人体器官模型以及器官异常辨别模型为已训练完成的深度神经网络模型，即本发明通过深度神经网络技术训练得到人体器官模型以及器官异常辨别模型，能够快速识别待检测CT影像图片的器官类型和是否出现异常，在训练数据足够大的情况下，由模型进行检测的准确率极高，且避免人工检测所造成的易遗漏和易误判的主观问题，从而提升诊断的准确率和效率；通过不断的更新有CT影像图片，训练完成的深度神经网络模型在根据新增的训练图片进行调整，以便达到更好的检测效果；使用验证字符串来作为数据交互的凭证，在满足数据交互的需求下，还保证了整个数据交互过程中的安全性。

以上所述仅为本发明的实施例，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同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.基于CT影像智能检测和识别方法，其特征在于，包括步骤：

S1、检测端获取待检测CT影像图片，调用人体器官模型判断所述待检测CT影像图片的待检测器官，所述人体器官模型为已训练完成的深度神经网络模型；

S2、检测端调用与所述待检测器官匹配的器官异常辨别模型判断所述待检测CT影像图片的异常类型，所述器官异常辨别模型为已训练完成的深度神经网络模型；

所述步骤S1中的人体器官模型的训练步骤如下：

S11、训练端构建深度神经网络模型；

S12、训练端获取检测端发送的所有CT影像图片，将所有CT影像图片分为测试CT影像图片组和训练CT影像图片组，所述训练CT影像图片组中包括所有器官类型的CT影像图片且每个所述器官类型的CT影像图片大于100张，所述测试CT影像图片组包括所有器官类型的CT影像图片且每个所述器官类型的CT影像图片大于3张；

S13、训练端使用所述训练CT影像图片组里的CT影像图片对所述深度神经网络模型进行训练，在训练完成后，得到人体器官模型，使用所述测试CT影像图片组的CT影像图片作为所述人体器官模型的测试数据，得到所述人体器官模型的准确率，若所述准确率大于预设值，则保存所述人体器官模型，并将所述人体器官模型发送至检测端；

所述训练端获取检测端发送的所有CT影像图片的具体步骤为：

S31、检测端获取基层医疗机构上传的初始CT影像图片，读取所述初始CT影像图片的器官类型以及异常类型，并且按照器官类型以及异常类型进行分类存储，得到存储路径；

S32、检测端对所述初始CT影像图片随机分割成多个像素块，得到所有像素块的编码信息，提取任意像素块的编码信息组成图像验证信息，所述编码信息包括像素块初始位置和灰度值，所述图像验证信息的数据字节不包括预设编码字节；

S33、训练端发送包括用户名和密码的身份验证请求；

S34、检测端获取身份验证请求，判断所述用户名和密码是否合法，若合法，则返回验证字符串至训练端，所述验证字符串包括由token类型和加密算法组成的头部、由用户名、任一初始CT影像图片的存储路径和对应的图像验证信息组成的负载以及由加密算法进行加密的签名；

S35、训练端获取验证字符串，发送包括验证字符串的图片请求；

S36、检测端获取图片请求，提取所述验证字符串，根据所述用户名、任一初始CT影像图片的存储路径和对应的图像验证信息判断所述图片请求是否合法，若是，则按照所述图片请求返回CT影像图片。

2.根据权利要求1所述的基于CT影像智能检测和识别方法，其特征在于，所述步骤S2中的器官异常辨别模型的训练步骤如下：

S21、训练端构建深度神经网络模型；

S22、训练端获取检测端发送的所有CT影像图片，将所有CT影像图片按照器官类型进行分类，得到当前待训练器官类型的当前器官CT影像图片组，将所述当前器官CT影像图片组分为测试当前器官CT影像图片组和训练当前器官CT影像图片组，所述训练当前器官CT影像图片组包括的CT影像图片大于100张，所述测试当前器官CT影像图片组的CT影像图片大于3张；

S23、训练端使用所述训练当前器官CT影像图片组里的CT影像图片对所述深度神经网络模型进行训练，在训练完成后，得到器官异常辨别模型，使用所述测试当前器官CT影像图片组的CT影像图片作为所述器官异常辨别模型的测试数据，得到所述器官异常辨别模型的准确率，若所述准确率大于预设值，则保存所述器官异常辨别模型，并将所述器官异常辨别模型发送至检测端。

3.根据权利要求1或2所述的基于CT影像智能检测和识别方法，其特征在于，对所述所有CT影像图片进行更新的步骤：

S01、训练端每间隔第一预设时间进行一次刷新，以判断是否有新增CT影像图片，若有，则将所述新增CT影像图片按照器官类型以及异常类型进行分类，并将所述新增CT影像图片作为深度神经网络模型的训练组或测试组。

4.基于CT影像智能检测和识别系统，包括检测端和训练端，所述检测端包括第一存储器、第一处理器及存储在第一存储器上并可在第一处理器上运行的第一计算机程序，所述训练端包括第二存储器、第二处理器及存储在第二存储器上并可在第二处理器上运行的第二计算机程序，其特征在于，所述第一处理器执行所述第一计算机程序时实现以下步骤：

S1、获取待检测CT影像图片，调用人体器官模型判断所述待检测CT影像图片的待检测器官，所述人体器官模型为已训练完成的深度神经网络模型；

S2、调用与所述待检测器官匹配的器官异常辨别模型判断所述待检测CT影像图片的异常类型，所述器官异常辨别模型为已训练完成的深度神经网络模型；

对所述步骤S1中的人体器官模型进行训练时，所述第二处理器执行所述第二计算机程序时实现以下步骤：

S11、构建深度神经网络模型；

S12、获取检测端发送的所有CT影像图片，将所有CT影像图片分为测试CT影像图片组和训练CT影像图片组，所述训练CT影像图片组中包括所有器官类型的CT影像图片且每个所述器官类型的CT影像图片大于100张，所述测试CT影像图片组包括所有器官类型的CT影像图片且每个所述器官类型的CT影像图片大于3张；

S13、使用所述训练CT影像图片组里的CT影像图片对所述深度神经网络模型进行训练，在训练完成后，得到人体器官模型，使用所述测试CT影像图片组的CT影像图片作为所述人体器官模型的测试数据，得到所述人体器官模型的准确率，若所述准确率大于预设值，则保存所述人体器官模型，并将所述人体器官模型发送至检测端；

所述训练端获取检测端发送的所有CT影像图片时，所述第一处理器执行所述第一计算机程序时实现以下步骤：

S31、获取基层医疗机构上传的初始CT影像图片，读取所述初始CT影像图片的器官类型以及异常类型，并且按照器官类型以及异常类型进行分类存储，得到存储路径；

S32、对所述初始CT影像图片随机分割成多个像素块，得到所有像素块的编码信息，提取任意像素块的编码信息组成图像验证信息，所述编码信息包括像素块初始位置和灰度值，所述图像验证信息的数据字节不包括预设编码字节；

S34、获取身份验证请求，判断用户名和密码是否合法，若合法，则返回验证字符串至训练端，所述验证字符串包括由token类型和加密算法组成的头部、由用户名、任一初始CT影像图片的存储路径和对应的图像验证信息组成的负载以及由加密算法进行加密的签名；

S36、获取图片请求，提取所述验证字符串，根据所述用户名、任一初始CT影像图片的存储路径和对应的图像验证信息判断所述图片请求是否合法，若是，则按照所述图片请求返回CT影像图片；

所述训练端获取检测端发送的所有CT影像图片时，所述第二处理器执行所述第二计算机程序时实现以下步骤：

S33、发送包括用户名和密码的身份验证请求；

S35、获取验证字符串，发送包括验证字符串的图片请求。

5.根据权利要求4所述的基于CT影像智能检测和识别系统，其特征在于，对所述步骤S2中的器官异常辨别模型进行训练时，所述第二处理器执行所述第二计算机程序时实现以下步骤：

S21、构建深度神经网络模型；

S22、获取检测端发送的所有CT影像图片，将所有CT影像图片按照器官类型进行分类，得到当前待训练器官类型的当前器官CT影像图片组，将所述当前器官CT影像图片组分为测试当前器官CT影像图片组和训练当前器官CT影像图片组，所述训练当前器官CT影像图片组包括的CT影像图片大于100张，所述测试当前器官CT影像图片组的CT影像图片大于3张；

S23、使用所述训练当前器官CT影像图片组里的CT影像图片对所述深度神经网络模型进行训练，在训练完成后，得到器官异常辨别模型，使用所述测试当前器官CT影像图片组的CT影像图片作为所述器官异常辨别模型的测试数据，得到所述器官异常辨别模型的准确率，若所述准确率大于预设值，则保存所述器官异常辨别模型，并将所述器官异常辨别模型发送至检测端。

6.根据权利要求4或5所述的基于CT影像智能检测和识别系统，其特征在于，对所述所有CT影像图片进行更新时，所述第二处理器执行所述第二计算机程序时实现以下步骤：

S01、每间隔第一预设时间进行一次刷新，以判断是否有新增CT影像图片，若有，则将所述新增CT影像图片按照器官类型以及异常类型进行分类，并将所述新增CT影像图片作为深度神经网络模型的训练组或测试组。

Images