CN110070125A - 一种基于大数据分析的肝胆外科治疗方案筛选方法及系统 - Google Patents
一种基于大数据分析的肝胆外科治疗方案筛选方法及系统 Download PDFInfo
- Publication number
- CN110070125A CN110070125A CN201910316180.7A CN201910316180A CN110070125A CN 110070125 A CN110070125 A CN 110070125A CN 201910316180 A CN201910316180 A CN 201910316180A CN 110070125 A CN110070125 A CN 110070125A
- Authority
- CN
- China
- Prior art keywords
- module
- liver
- image
- gallbladder
- big data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000004185 liver Anatomy 0.000 title claims abstract description 121
- 230000001225 therapeutic effect Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012216 screening Methods 0.000 title claims abstract description 26
- 238000007405 data analysis Methods 0.000 title claims abstract description 23
- 210000000232 gallbladder Anatomy 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 19
- 206010019695 Hepatic neoplasm Diseases 0.000 claims abstract description 12
- 238000002604 ultrasonography Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 18
- 206010028980 Neoplasm Diseases 0.000 claims description 10
- 239000002775 capsule Substances 0.000 claims description 8
- 239000011248 coating agent Substances 0.000 claims description 8
- 238000000576 coating method Methods 0.000 claims description 8
- 230000004069 differentiation Effects 0.000 claims description 7
- 238000011285 therapeutic regimen Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000003902 lesion Effects 0.000 claims description 4
- 208000029162 bladder disease Diseases 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 208000019423 liver disease Diseases 0.000 claims description 3
- 208000026533 urinary bladder disease Diseases 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013480 data collection Methods 0.000 abstract description 4
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000012631 diagnostic technique Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 208000004930 Fatty Liver Diseases 0.000 description 1
- 206010019708 Hepatic steatosis Diseases 0.000 description 1
- 206010019799 Hepatitis viral Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009414 blockwork Methods 0.000 description 1
- 201000001883 cholelithiasis Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000010706 fatty liver disease Diseases 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003716 rejuvenation Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000011309 routine diagnosis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 231100000240 steatosis hepatitis Toxicity 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于肝胆外科治疗方案筛选技术领域，公开了一种基于大数据分析的肝胆外科治疗方案筛选方法及系统，所述基于大数据分析的肝胆外科治疗方案筛选系统包括：肝胆图像采集模块、病情输入模块、中央控制模块、图像分类模块、识别模块、大数据处理模块、检索模块、匹配模块、打印模块、显示模块。本发明通过图像分类模块能够得到准确的分类结果，降低了噪声的干扰，且实现了自动识别分类，降低了人工成本；同时，通过识别模块生成对抗模型技术将迁移数据集的生成转化为一个二元极小极大博弈问题，从而更有效地获得迁移数据集，提供给肝肿瘤判别网络进行训练，在更大的训练集下获得更好的结果。
Description
技术领域
本发明属于肝胆外科治疗方案筛选技术领域，尤其涉及一种基于大数据分析的肝胆外科治疗方案筛选方法及系统。
背景技术
肝胆是人体重要的组成器官之一，近年来肝胆疾病的发病率呈现出逐年上升，而且越来越年轻化。疾病类型主要有脂肪肝、胆石症、病毒性肝炎等。大多数肝胆疾病患者前期身体并无明显异样，若医院的常规诊断措施难以查出，容易错失最佳治疗时机。所以提高肝胆疾病前期诊断准确率对于临床治疗而言至关重要。
随着科学诊断技术的不断发展，腹部超声诊断技术被广泛应用于身体内部疾病的诊断治疗中，超声诊断是将超声检测技术应用于人体，通过测量来了解人体生理或组织结构的数据和形态，从而发现疾病，提高临床疗效。超声诊断可是一种无创、无痛、方便、直观的有效检查手段，可以保留静态腹部图像，多次检查各个组织及器官，动态观察患者的病变部位，为临床治疗提供一种诊断方法。
然而，现有肝胆诊疗过程，针对肝胆超声图像提取的纹理特征与临床诊断不对应，无法保证分类正确率；同时，由于医学图像训练数据样本量小，对肝胆病情识别准确率差。
综上所述，现有技术存在的问题是：现有肝胆治疗过程，针对肝胆超声图像提取的纹理特征与临床诊断不对应，分类正确率不能保证；同时，由于医学图像训练数据样本量小，对肝胆病情识别准确率差。
发明内容
针对现有技术存在的问题，本发明提供了一种基于大数据分析的肝胆外科治疗方案筛选方法及系统。
本发明是这样实现的，一种基于大数据分析的肝胆外科治疗方案筛选系统包括：
肝胆图像采集模块、病情输入模块、中央控制模块、图像分类模块、识别模块、大数据处理模块、检索模块、匹配模块、打印模块、显示模块；
肝胆图像采集模块，与中央控制模块连接，用于通过B超机采集患者肝胆图像数据；
病情输入模块，与中央控制模块连接，用于通过数据输入设备输入患者肝胆病情信息数据；
中央控制模块，与肝胆图像采集模块、病情输入模块、图像分类模块、识别模块、大数据处理模块、检索模块、匹配模块、打印模块、显示模块连接，用于通过单片机控制各个模块正常工作；
图像分类模块，与中央控制模块连接，用于通过图像处理软件对肝胆图像特征进行分类；
识别模块，与中央控制模块连接，用于通过对抗模型识别肝脏病情；
大数据处理模块，与中央控制模块连接，用于通过云服务器集中大数据资源对患者肝胆图像、病情信息进行处理；
检索模块，与中央控制模块连接，用于通过检索程序检索云服务器中治疗肝胆病情的方案；
匹配模块，与中央控制模块连接，用于通过匹配程序根据输入的病情与检索的方案进行匹配获取最佳治疗方案；
打印模块，与中央控制模块连接，用于通过打印机打印肝胆外科治疗方案；
显示模块，与中央控制模块连接，用于通过显示器显示采集的肝胆图像、患者肝胆病情、治疗方案数据信息。
进一步，所述中央控制模块包括电源、控制处理模块和储存模块。
电源输入端可连接公用电源的输出端口，用于直接或间接为中央控制模块和其他模块提供工作电源；
控制处理模块，可控制各模块进行动作以获取所需信息，并对各模块获取的数据或者影像信息等进行处理；
储存模块，可对采集的肝胆图像、患者肝胆病情、治疗方案数据信息等进行存储，也可直接调用。
一种基于大数据分析的肝胆外科治疗方案筛选方法包括以下步骤：
步骤一，通过肝胆图像采集模块利用B超机采集患者肝胆图像数据；通过病情输入模块利用数据输入设备输入患者肝胆病情信息数据；
步骤二，中央控制模块通过图像分类模块利用图像处理软件对肝胆图像特征进行分类；通过识别模块利用对抗模型识别肝脏病情；
步骤三，通过大数据处理模块利用云服务器集中大数据资源对患者肝胆图像、病情信息进行处理；
步骤四，通过检索模块利用检索程序检索云服务器中治疗肝胆病情的方案；
步骤五，通过匹配模块利用匹配程序根据输入的病情与检索的方案进行匹配获取最佳治疗方案；并通过打印模块利用打印机打印肝胆外科治疗方案；
步骤六，通过显示模块利用显示器显示采集的肝胆图像、患者肝胆病情、治疗方案数据信息。
进一步，所述图像分类模块分类方法如下：
(1)针对待处理的包括有肝脏切面/部位的超声图像，从该超声图像中自动提取肝包膜线；
(2)基于提取的肝包膜线，选择多个采样点，并生成每一采样点的三元组特征；
(3)对每一个所述三元组特征进行提取，以及对提取的每一个三元组特征进行分类；
(4)根据提取的所有三元组特征的分类结果，确定超声图像所属的类别。
进一步，所述步骤(3)包括：
采用训练的CNN模型对所述三元组特征进行提取；以及
采用训练的向量机SVM对提取的每一个三元组特征进行分类；
所述训练的CNN模型为基于手写数字数据库的数据进行训练，获得的训练后的CNN模型；
所述SVM的训练包括：
采用训练的CNN模型处理每一个具有分类结果的训练样本对应的三元组特征；
采用SVM对提取的每一个训练样本的所有三元组特征进行分类；
获得每一个训练样本的类别，并采用获取的每一个训练样本的类别与预先确定的类别进行比较，并修正所述SVM，重复多次，得到训练的SVM；
所述训练样本包括病变的标注肝脏包膜线的样本，正常的标注肝脏包膜线的样本。
进一步，所述步骤(2)包括：
在所述肝包膜线上均匀选取多个采样点，对每一个采样点分别选择上中下三个图像块，将选择的三个图像块作为该采样点的三元组特征；
进一步，所述步骤(4)包括：
采用公式一确定超声图像所属的类别F(I)＝∑i＝1f(ti)；
F(I)＝∑i＝1f(ti) 公式一；
其中f(ti)是训练的SVM对提取的每一个三元组特征进行分类的分类结果。
进一步，所述识别模块识别方法如下：
1)建立并训练生成对抗模型；
2)基于所述生成对抗模型，训练分类网络；
3)将待判别图像输入所述分类网络，其输出即为判别结果。
进一步，所述生成对抗模型包括第一变分自编码器模型VAE1、第二变分自编码器模型VAE2、第一判别网络D1和第二判别网络D2，
进一步，所述步骤1)具体包括如下步骤：
A、固定第一变分自编码器模型VAE1的参数，以公共图片数据库中的数据集为输入生成模型输出图片，结合肝肿瘤数据集中的非肿瘤图片，对第一判别网络D1进行训练；
B、固定第二变分自编码器模型VAE2的参数，以公共图片数据库中的数据集为输入生成模型输出图片，结合肝肿瘤数据集中的肿瘤图片，对第二判别网络D2进行训练；
C、分别固定所述第一判别网络D1和第二判别网络D2的参数，使用所述公共图片数据库中的数据集，对所述第一变分自编码器模型模型VAE1和第二变分自编码器模型VAE2进行训练；
D、重复步骤A、B、C，直到所述生成对抗模型训练完成。
进一步，所述步骤2)具体包括如下步骤：
将公共图片数据库中的数据集输入第一变分自编码器模型VAE1，获得第一类输出图像并添加非肿瘤标签；将公共图片数据库中的数据集输入第二变分自编码器模型VAE2，获得第二类输出图像并添加肿瘤标签；使用所述第一类输出图像和第二类输出图像对所述分类网络进行训练；
使用肝肿瘤数据集对所述分类网络进行进一步训练，使其能对肝肿瘤进行识别。
进一步，所述第一变分自编码器模型VAE1和第二变分自编码器模型VAE2分别包括13层的变分自编码器生成模型网络，其中包含6层编码网络和7层解码网络。
进一步，所述编码网络第一层卷积层为64个大小为11×11的滤波器，第二层和第三层卷积层为256个大小为7×7的滤波器，第四层为滤波器大小为2×2的最大池化层，第五层卷积层为256个大小为5×5的滤波器，第六层卷积层包含两个分支输出OUT1和OUT2，分别包含128个大小为3×3的滤波器，其中卷积层激活函数为relu函数。
本发明的优点及积极效果为：本发明通过图像分类模块自动提取超声图像的肝包膜线，并获取肝包膜线的三元组特征，进而对每一个三元组特征进行分类，以及将所有三元组特征的分类结果综合起来，能够得到准确的分类结果，同时降低了噪声的干扰，且实现了自动识别分类，降低了人工成本；同时，通过识别模块结合变分自编码器和生成对抗模型方法进行的，生成对抗模型技术将迁移数据集的生成转化为一个二元极小极大博弈问题，从而更有效地获得迁移数据集，提供给肝肿瘤判别网络进行训练，在更大的训练集下获得更好的结果。
附图说明
图1是本发明实施例提供的基于大数据分析的肝胆外科治疗方案筛选方法流程图。
图2是本发明实施例提供的基于大数据分析的肝胆外科治疗方案筛选系统结构框图。
图2中：1、肝胆图像采集模块；2、病情输入模块；3、中央控制模块；4、图像分类模块；5、识别模块；6、大数据处理模块；7、检索模块；8、匹配模块；9、打印模块；10、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明提供的基于大数据分析的肝胆外科治疗方案筛选方法包括以下步骤：
步骤S101，通过肝胆图像采集模块利用B超机采集患者肝胆图像数据；通过病情输入模块利用数据输入设备输入患者肝胆病情信息数据；
步骤S102，中央控制模块通过图像分类模块利用图像处理软件对肝胆图像特征进行分类；通过识别模块利用对抗模型识别肝脏病情；
步骤S103，通过大数据处理模块利用云服务器集中大数据资源对患者肝胆图像、病情信息进行处理；
步骤S104，通过检索模块利用检索程序检索云服务器中治疗肝胆病情的方案；
步骤S105，通过匹配模块利用匹配程序根据输入的病情与检索的方案进行匹配获取最佳治疗方案；并通过打印模块利用打印机打印肝胆外科治疗方案；
步骤S106，通过显示模块利用显示器显示采集的肝胆图像、患者肝胆病情、治疗方案数据信息。
如图2所示，本发明实施例提供的基于大数据分析的肝胆外科治疗方案筛选系统包括：肝胆图像采集模块1、病情输入模块2、中央控制模块3、图像分类模块4、识别模块5、大数据处理模块6、检索模块7、匹配模块8、打印模块9、显示模块10。
肝胆图像采集模块1，与中央控制模块3连接，用于通过B超机采集患者肝胆图像数据；
病情输入模块2，与中央控制模块3连接，用于通过数据输入设备输入患者肝胆病情信息数据；
中央控制模块3，与肝胆图像采集模块1、病情输入模块2、图像分类模块4、识别模块5、大数据处理模块6、检索模块7、匹配模块8、打印模块9、显示模块10连接，用于通过单片机控制各个模块正常工作；
图像分类模块4，与中央控制模块3连接，用于通过图像处理软件对肝胆图像特征进行分类；
识别模块5，与中央控制模块3连接，用于通过对抗模型识别肝脏病情；
大数据处理模块6，与中央控制模块3连接，用于通过云服务器集中大数据资源对患者肝胆图像、病情信息进行处理；
检索模块7，与中央控制模块3连接，用于通过检索程序检索云服务器中治疗肝胆病情的方案；
匹配模块8，与中央控制模块3连接，用于通过匹配程序根据输入的病情与检索的方案进行匹配获取最佳治疗方案；
打印模块9，与中央控制模块3连接，用于通过打印机打印肝胆外科治疗方案；
显示模块10，与中央控制模块3连接，用于通过显示器显示采集的肝胆图像、患者肝胆病情、治疗方案数据信息。
进一步，所述中央控制模块3包括电源、控制处理模块和储存模块。
电源输入端可连接公用电源的输出端口，用于直接或间接为中央控制模块3和其他模块提供工作电源；
控制处理模块，可控制各模块进行动作以获取所需信息，并对各模块获取的数据或者影像信息等进行处理；
储存模块，可对采集的肝胆图像、患者肝胆病情、治疗方案数据信息等进行存储，也可直接调用。
本发明提供的图像分类模块4分类方法如下：
(1)针对待处理的包括有肝脏切面/部位的超声图像，从该超声图像中自动提取肝包膜线；
(2)基于提取的肝包膜线，选择多个采样点，并生成每一采样点的三元组特征；
(3)对每一个所述三元组特征进行提取，以及对提取的每一个三元组特征进行分类；
(4)根据提取的所有三元组特征的分类结果，确定超声图像所属的类别。
本发明提供的步骤(3)包括：
采用训练的CNN模型对所述三元组特征进行提取；以及
采用训练的向量机SVM对提取的每一个三元组特征进行分类；
所述训练的CNN模型为基于手写数字数据库的数据进行训练，获得的训练后的CNN模型；
所述SVM的训练包括：
采用训练的CNN模型处理每一个具有分类结果的训练样本对应的三元组特征；
采用SVM对提取的每一个训练样本的所有三元组特征进行分类；
获得每一个训练样本的类别，并采用获取的每一个训练样本的类别与预先确定的类别进行比较，并修正所述SVM，重复多次，得到训练的SVM；
所述训练样本包括病变的标注肝脏包膜线的样本，正常的标注肝脏包膜线的样本。
本发明提供的步骤(2)包括：
在所述肝包膜线上均匀选取多个采样点，对每一个采样点分别选择上中下三个图像块，将选择的三个图像块作为该采样点的三元组特征；
本发明提供的步骤(4)包括：
采用公式一确定超声图像所属的类别F(I)＝∑i＝1 f(ti)；
F(l)＝∑i＝1 f(ti) 公式一；
其中f(ti)是训练的SVM对提取的每一个三元组特征进行分类的分类结果。
本发明提供的识别模块5识别方法如下：
1)建立并训练生成对抗模型；
2)基于所述生成对抗模型，训练分类网络；
3)将待判别图像输入所述分类网络，其输出即为判别结果。
本发明提供的生成对抗模型包括第一变分自编码器模型VAE1、第二变分自编码器模型VAE2、第一判别网络D1和第二判别网络D2，
本发明提供的步骤1)具体包括如下步骤：
A、固定第一变分自编码器模型VAE1的参数，以公共图片数据库中的数据集为输入生成模型输出图片，结合肝肿瘤数据集中的非肿瘤图片，对第一判别网络D1进行训练；
B、固定第二变分自编码器模型VAE2的参数，以公共图片数据库中的数据集为输入生成模型输出图片，结合肝肿瘤数据集中的肿瘤图片，对第二判别网络D2进行训练；
C、分别固定所述第一判别网络D1和第二判别网络D2的参数，使用所述公共图片数据库中的数据集，对所述第一变分自编码器模型模型VAE1和第二变分自编码器模型VAE2进行训练；
D、重复步骤A、B、C，直到所述生成对抗模型训练完成。
本发明提供的步骤2)具体包括如下步骤：
将公共图片数据库中的数据集输入第一变分自编码器模型VAE1，获得第一类输出图像并添加非肿瘤标签；将公共图片数据库中的数据集输入第二变分自编码器模型VAE2，获得第二类输出图像并添加肿瘤标签；使用所述第一类输出图像和第二类输出图像对所述分类网络进行训练；
使用肝肿瘤数据集对所述分类网络进行进一步训练，使其能对肝肿瘤进行识别。
本发明提供的第一变分自编码器模型VAE1和第二变分自编码器模型VAE2分别包括13层的变分自编码器生成模型网络，其中包含6层编码网络和7层解码网络。
本发明提供的编码网络第一层卷积层为64个大小为11×11的滤波器，第二层和第三层卷积层为256个大小为7×7的滤波器，第四层为滤波器大小为2×2的最大池化层，第五层卷积层为256个大小为5×5的滤波器，第六层卷积层包含两个分支输出OUT1和OUT2，分别包含128个大小为3×3的滤波器，其中卷积层激活函数为relu函数。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (10)
1.一种基于大数据分析的肝胆外科治疗方案筛选系统，其特征在于，所述基于大数据分析的肝胆外科治疗方案筛选系统包括：
肝胆图像采集模块、病情输入模块、中央控制模块、图像分类模块、识别模块、大数据处理模块、检索模块、匹配模块、打印模块、显示模块；
肝胆图像采集模块，与中央控制模块连接，用于通过B超机采集患者肝胆图像数据；
病情输入模块，与中央控制模块连接，用于通过数据输入设备输入患者肝胆病情信息数据；
中央控制模块，与肝胆图像采集模块、病情输入模块、图像分类模块、识别模块、大数据处理模块、检索模块、匹配模块、打印模块、显示模块连接，用于通过单片机控制各个模块正常工作；
图像分类模块，与中央控制模块连接，用于通过图像处理软件对肝胆图像特征进行分类；
识别模块，与中央控制模块连接，用于通过对抗模型识别肝脏病情；
大数据处理模块，与中央控制模块连接，用于通过云服务器集中大数据资源对患者肝胆图像、病情信息进行处理；
检索模块，与中央控制模块连接，用于通过检索程序检索云服务器中治疗肝胆病情的方案；
匹配模块，与中央控制模块连接，用于通过匹配程序根据输入的病情与检索的方案进行匹配获取最佳治疗方案；
打印模块，与中央控制模块连接，用于通过打印机打印肝胆外科治疗方案；
显示模块，与中央控制模块连接，用于通过显示器显示采集的肝胆图像、患者肝胆病情、治疗方案数据信息。
2.如权利要求1所述基于大数据分析的肝胆外科治疗方案筛选系统，其特征在于，所述中央控制模块包括电源、控制处理模块和储存模块；
电源输入端可连接公用电源的输出端口，用于直接或间接为中央控制模块和其他模块提供工作电源；
控制处理模块，可控制各模块进行动作以获取所需信息，并对各模块获取的数据或者影像信息等进行处理；
储存模块，可对采集的肝胆图像、患者肝胆病情、治疗方案数据信息等进行存储，也可直接调用。
3.一种如权利要求1所述的基于大数据分析的肝胆外科治疗方案筛选方法，其特征在于，所述基于大数据分析的肝胆外科治疗方案筛选方法包括以下步骤：
步骤一，通过肝胆图像采集模块利用B超机采集患者肝胆图像数据；通过病情输入模块利用数据输入设备输入患者肝胆病情信息数据；
步骤二，中央控制模块通过图像分类模块利用图像处理软件对肝胆图像特征进行分类；通过识别模块利用对抗模型识别肝脏病情；
步骤三，通过大数据处理模块利用云服务器集中大数据资源对患者肝胆图像、病情信息进行处理；
步骤四，通过检索模块利用检索程序检索云服务器中治疗肝胆病情的方案；
步骤五，通过匹配模块利用匹配程序根据输入的病情与检索的方案进行匹配获取最佳治疗方案；并通过打印模块利用打印机打印肝胆外科治疗方案；
步骤六，通过显示模块利用显示器显示采集的肝胆图像、患者肝胆病情、治疗方案数据信息。
4.如权利要求3所述基于大数据分析的肝胆外科治疗方案筛选方法，其特征在于，所述图像分类模块分类方法如下：
(1)针对待处理的包括有肝脏切面/部位的超声图像，从该超声图像中自动提取肝包膜线；
(2)基于提取的肝包膜线，选择多个采样点，并生成每一采样点的三元组特征；
(3)对每一个所述三元组特征进行提取，以及对提取的每一个三元组特征进行分类；
(4)根据提取的所有三元组特征的分类结果，确定超声图像所属的类别。
5.如权利要求4所述的基于大数据分析的肝胆外科治疗方案筛选方法，其特征在于，所述步骤(3)包括：
采用训练的CNN模型对所述三元组特征进行提取；
采用训练的向量机SVM对提取的每一个三元组特征进行分类；
所述训练的CNN模型为基于手写数字数据库的数据进行训练，获得的训练后的CNN模型；
所述SVM的训练包括：
采用训练的CNN模型处理每一个具有分类结果的训练样本对应的三元组特征；
采用SVM对提取的每一个训练样本的所有三元组特征进行分类；
获得每一个训练样本的类别，并采用获取的每一个训练样本的类别与预先确定的类别进行比较，并修正所述SVM，重复多次，得到训练的SVM；
所述训练样本包括病变的标注肝脏包膜线的样本，正常的标注肝脏包膜线的样本。
6.如权利要求4所述的基于大数据分析的肝胆外科治疗方案筛选方法，其特征在于，所述步骤(2)包括：
在所述肝包膜线上均匀选取多个采样点，对每一个采样点分别选择上中下三个图像块，将选择的三个图像块作为该采样点的三元组特征。
7.如权利要求4所述的基于大数据分析的肝胆外科治疗方案筛选方法，其特征在于，所述步骤(4)包括：
采用公式一确定超声图像所属的类别F(I)＝∑i＝1f(ti)；
F(I)＝∑i＝1f(ti)公式一；
其中f(ti)是训练的SVM对提取的每一个三元组特征进行分类的分类结果。
8.如权利要求1所述的基于大数据分析的肝胆外科治疗方案筛选方法，其特征在于，所述识别模块识别方法如下：
1)建立并训练生成对抗模型；
2)基于所述生成对抗模型，训练分类网络；
3)将待判别图像输入所述分类网络，其输出即为判别结果。
9.如权利要求7所述的基于大数据分析的肝胆外科治疗方案筛选方法，其特征在于，所述生成对抗模型包括第一变分自编码器模型VAE1、第二变分自编码器模型VAE2、第一判别网络D1和第二判别网络D2。
10.如权利要求7所述的基于大数据分析的肝胆外科治疗方案筛选方法，其特征在于，所述步骤1)具体包括如下步骤：
A、固定第一变分自编码器模型VAE1的参数，以公共图片数据库中的数据集为输入生成模型输出图片，结合肝肿瘤数据集中的非肿瘤图片，对第一判别网络D1进行训练；
B、固定第二变分自编码器模型VAE2的参数，以公共图片数据库中的数据集为输入生成模型输出图片，结合肝肿瘤数据集中的肿瘤图片，对第二判别网络D2进行训练；
C、分别固定所述第一判别网络D1和第二判别网络D2的参数，使用所述公共图片数据库中的数据集，对所述第一变分自编码器模型VAE1和第二变分自编码器模型VAE2进行训练；
D、重复步骤A、B、C，直到所述生成对抗模型训练完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910316180.7A CN110070125A (zh) | 2019-04-19 | 2019-04-19 | 一种基于大数据分析的肝胆外科治疗方案筛选方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910316180.7A CN110070125A (zh) | 2019-04-19 | 2019-04-19 | 一种基于大数据分析的肝胆外科治疗方案筛选方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110070125A true CN110070125A (zh) | 2019-07-30 |
Family
ID=67368284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910316180.7A Pending CN110070125A (zh) | 2019-04-19 | 2019-04-19 | 一种基于大数据分析的肝胆外科治疗方案筛选方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110070125A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111223554A (zh) * | 2019-12-26 | 2020-06-02 | 四川大学华西医院 | 一种智能ai pacs系统及其检查报告信息处理方法 |
| CN112509688A (zh) * | 2020-09-25 | 2021-03-16 | 卫宁健康科技集团股份有限公司 | 压疮图片自动分析系统、方法、设备和介质 |
| CN112509688B (zh) * | 2020-09-25 | 2024-06-11 | 卫宁健康科技集团股份有限公司 | 压疮图片自动分析系统、方法、设备和介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103530873A (zh) * | 2013-09-18 | 2014-01-22 | 中国人民解放军第四军医大学 | 一种基于三维纹理信息的辅助检测系统及方法 |
| CN106709254A (zh) * | 2016-12-29 | 2017-05-24 | 天津中科智能识别产业技术研究院有限公司 | 一种医疗诊断机器人系统 |
| CN106897572A (zh) * | 2017-03-08 | 2017-06-27 | 山东大学 | 基于流形学习的肺结节病例匹配辅助检测系统及其工作方法 |
| CN107016256A (zh) * | 2017-06-16 | 2017-08-04 | 深圳市普惠医学软件有限公司 | 医学信息智能交互设备及方法 |
| CN108038513A (zh) * | 2017-12-26 | 2018-05-15 | 北京华想联合科技有限公司 | 一种肝脏超声图像的特征分类方法 |
| CN109086836A (zh) * | 2018-09-03 | 2018-12-25 | 淮阴工学院 | 一种基于卷积神经网络的食管癌病理图像自动甄别装置及其甄别方法 |
| CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
| CN109214408A (zh) * | 2018-07-10 | 2019-01-15 | 武汉科技大学 | 基于生成对抗模型识别肝肿瘤的方法及装置 |
-
2019
- 2019-04-19 CN CN201910316180.7A patent/CN110070125A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103530873A (zh) * | 2013-09-18 | 2014-01-22 | 中国人民解放军第四军医大学 | 一种基于三维纹理信息的辅助检测系统及方法 |
| CN106709254A (zh) * | 2016-12-29 | 2017-05-24 | 天津中科智能识别产业技术研究院有限公司 | 一种医疗诊断机器人系统 |
| CN106897572A (zh) * | 2017-03-08 | 2017-06-27 | 山东大学 | 基于流形学习的肺结节病例匹配辅助检测系统及其工作方法 |
| CN107016256A (zh) * | 2017-06-16 | 2017-08-04 | 深圳市普惠医学软件有限公司 | 医学信息智能交互设备及方法 |
| CN108038513A (zh) * | 2017-12-26 | 2018-05-15 | 北京华想联合科技有限公司 | 一种肝脏超声图像的特征分类方法 |
| CN109214408A (zh) * | 2018-07-10 | 2019-01-15 | 武汉科技大学 | 基于生成对抗模型识别肝肿瘤的方法及装置 |
| CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
| CN109086836A (zh) * | 2018-09-03 | 2018-12-25 | 淮阴工学院 | 一种基于卷积神经网络的食管癌病理图像自动甄别装置及其甄别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李伟峰: "医学影像辅助诊断算法研究及应用", 《中国博士学位论文全文数据库_医药卫生科技辑》 * |
| 王守润: "计算机辅助诊断系统中肝脏B超图像的识别研究", 《中国优秀硕士学位论文全文数据库_医药卫生科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111223554A (zh) * | 2019-12-26 | 2020-06-02 | 四川大学华西医院 | 一种智能ai pacs系统及其检查报告信息处理方法 |
| CN112509688A (zh) * | 2020-09-25 | 2021-03-16 | 卫宁健康科技集团股份有限公司 | 压疮图片自动分析系统、方法、设备和介质 |
| CN112509688B (zh) * | 2020-09-25 | 2024-06-11 | 卫宁健康科技集团股份有限公司 | 压疮图片自动分析系统、方法、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220148191A1 (en) | Image segmentation method and apparatus and storage medium | |
| Chen et al. | Standard plane localization in fetal ultrasound via domain transferred deep neural networks | |
| CN106446533B (zh) | 一种人体健康数据处理系统及其方法 | |
| Guo et al. | Classification of thyroid ultrasound standard plane images using ResNet-18 networks | |
| CN106778657A (zh) | 基于卷积神经网络的新生儿疼痛表情分类方法 | |
| WO2018009405A1 (en) | System and method for automatic detection, localization, and semantic segmentation of anatomical objects | |
| CN108416776A (zh) | 图像识别方法、图像识别装置、计算机产品和可读存储介质 | |
| CN106033540B (zh) | 一种阴道微生态形态学自动分析方法和系统 | |
| Qu et al. | Deep learning-based methodology for recognition of fetal brain standard scan planes in 2D ultrasound images | |
| CN102426652A (zh) | 基于图像分析的中医面色识别和检索方法 | |
| CN109002846B (zh) | 一种图像识别方法、装置和存储介质 | |
| Chen et al. | Discriminative cervical lesion detection in colposcopic images with global class activation and local bin excitation | |
| CN109431523A (zh) | 基于非社会性声音刺激行为范式的孤独症初级筛查装置 | |
| CN110363760A (zh) | 用于识别医学图像的计算机系统 | |
| CN111341437B (zh) | 基于舌图像的消化道疾病判断辅助系统 | |
| CN108922599A (zh) | 一种基于mil的医学图像病灶点精确标注方法 | |
| CN109948671A (zh) | 图像分类方法、装置、存储介质以及内窥镜成像设备 | |
| CN108877923A (zh) | 一种基于深度学习的舌苔生成中药处方的方法 | |
| CN111126350A (zh) | 一种心搏分类结果的生成方法和装置 | |
| CN110070125A (zh) | 一种基于大数据分析的肝胆外科治疗方案筛选方法及系统 | |
| Xu et al. | Application of artificial intelligence technology in medical imaging | |
| CN117237351A (zh) | 一种超声图像分析方法以及相关装置 | |
| CN113298773A (zh) | 基于深度学习的心脏视图识别与左心室检测装置、系统 | |
| CN110516690A (zh) | 一种基于深度学习的藏医尿液颜色自动识别方法 | |
| CN115317304A (zh) | 一种基于生理特征检测的智能按摩方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190730 |