CN110379504A - 一种肺结核的智能筛查和上报方法及系统 - Google Patents
一种肺结核的智能筛查和上报方法及系统 Download PDFInfo
- Publication number
- CN110379504A CN110379504A CN201810321938.1A CN201810321938A CN110379504A CN 110379504 A CN110379504 A CN 110379504A CN 201810321938 A CN201810321938 A CN 201810321938A CN 110379504 A CN110379504 A CN 110379504A
- Authority
- CN
- China
- Prior art keywords
- image
- rabat
- classifier
- training
- evaluation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012216 screening Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 77
- 208000008128 pulmonary tuberculosis Diseases 0.000 claims abstract description 34
- 238000013480 data collection Methods 0.000 claims abstract description 30
- 201000008827 tuberculosis Diseases 0.000 claims abstract description 26
- 230000002265 prevention Effects 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims description 61
- 210000004072 lung Anatomy 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 5
- 235000008434 ginseng Nutrition 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 23
- 238000003745 diagnosis Methods 0.000 description 10
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 230000008520 organization Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 208000035473 Communicable disease Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010036790 Productive cough Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000012468 concentrated sample Substances 0.000 description 2
- 238000012258 culturing Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 208000024794 sputum Diseases 0.000 description 2
- 210000003802 sputum Anatomy 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000193830 Bacillus <bacterium> Species 0.000 description 1
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 208000026435 phlegm Diseases 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种肺结核的智能筛查和上报方法及系统，其中，所述方法包括：建立胸片影像数据集，并对所述胸片影像数据集中的胸片样本进行病症标注；基于所述胸片影像数据集训练图像分类器，所述图像分类器用于区分胸片样本中是否包含表征肺结核的图像特征；获取待识别的临床图像，并将所述临床图像输入所述图像分类器，得到所述临床图像对应的诊断结果；当所述诊断结果表征疑似肺结核时，提取患者信息，并调用信息上报单；将携带所述患者信息的信息上报单发送至医务部，以通过所述医务部将所述患者信息上报至结核病防治机构。本申请提供的技术方案，能够提高肺结核的筛查效率和精度，并及时将疑似肺结核的患者信息上报至结核病防治机构。
Description
技术领域
本申请涉及互联网技术领域，特别涉及一种肺结核的智能筛查和上报方法及系统。
背景技术
结核病(tuberculosis)是由结核杆菌引起的一种慢性传染病，全身各器官均可发生，以肺结核最为多见。目前，我国仍是全球30个结核病高负担国家之一，每年新发结核病患者约90万例，位居全球第3位，结核病发病人数仍然较多，中西部地区、农村地区的结核病防治形势最为严峻。
作为医学影像中的常规检查，胸部X线是诊断肺结核的必备手段。世界卫生组织在2016年发布的《胸部X线检查在结核病发现工作中应用》中再次强调，胸部X线影像检查是结核病早期发现的重要工具，也是实现WHO消除结核病策略的重要基础。而且胸部X线作为胸部影像学的首选检查，更有助于在基层医疗机构推广和进行肺结核筛查。
然而，由于肺结核的胸片表现多种多样，一些基层或初级医生可能因为认识不足而误诊漏诊，而且目前还没有易于推广的肺结核胸片诊疗规范，导致全国不同地区肺结核诊断水平存在较大差距。另一方面，在一些综合性大医院，门诊或体检病人众多且流动性强，影像科医生阅片任务繁重，面对每天数以百计的胸部X线片及其复杂的影像学表现，医生常因压力大、视觉疲劳而导致肺结核的漏诊发生。目前放射科医生在发现可疑活动性肺结核后，需要手动填写传染病登记本，耗时费力且不能保证按时准确登记；有的医院即使进行了登记，但由于病患众多，疏于监管，有时也不能及时有效的反馈给临床医生和疾控部门，可能造成肺结核患者的漏报和迟报。
整个肺结核的影像诊断与上报过程中涉及到大量的人工环节，包括医生人工阅片、手动填写报告单，医务部定期汇总名单，防治监管机构定期核查等，不仅人工成本高、执行效率低，还无法做到日常持续监管。更为关键的是，面对各级医疗单位，防治监管机构无法全面及时地掌控肺结核上报情况，仅靠随机查阅、现场核查、专项调查等手段开展监管工作，并且缺乏对当前肺结核发病情况的大数据分析。一旦发生漏报/瞒报情况，肺结核疫情蔓延后果不堪设想。
尽管部分医院实现了结核病管理的信息化，但都是针对单个医院的业务流程定制开发，自动化程度差强人意，智能化更是无从谈起，不具备推广价值。
发明内容
本申请的目的在于提供一种肺结核的智能筛查和上报方法及系统，能够提高肺结核的筛查效率和精度，并及时将疑似肺结核的患者信息上报至结核病防治机构。
为实现上述目的，本申请提供一种肺结核的智能筛查和上报方法，所述方法包括：
建立胸片影像数据集，并对所述胸片影像数据集中的胸片样本进行病症标注；
基于所述胸片影像数据集训练图像分类器，所述图像分类器用于区分胸片样本中是否包含表征肺结核的图像特征；
获取待识别的临床图像，并将所述临床图像输入所述图像分类器，得到所述临床图像对应的诊断结果；
当所述诊断结果表征疑似肺结核时，提取患者信息，并调用信息上报单；
接收医生输入的确认指令，将携带所述患者信息的信息上报单发送至医务部，以通过所述医务部将所述患者信息上报至结核病防治机构。
进一步地，在基于所述胸片影像数据集训练图像分类器时，所述方法还包括：
引入评价系统对训练的所述图像分类器进行评价，以生成所述图像分类器的评价参数；
当所述评价参数达到期望值时，结束图像分类器的训练过程；若所述评价参数未达到期望值，对所述胸片影像数据集和当前的卷积网络参数进行调整，并利用调整后的数据重新训练图像分类器，直至评价参数达到期望值为止。
进一步地，生成所述图像分类器的评价参数包括：
获取评价图像集，并利用所述图像分类器对所述评价图像集中的评价样本进行分类；
根据分类结果，计算所述图像分类器的精度参数和召回率参数，其中，所述精度参数和所述召回率参数用于表征所述图像分类器的分类准确度。
进一步地，基于所述胸片影像数据集训练图像分类器包括：
建立肺部局部区域的检测分割模型，并通过所述检测分割模型识别并分割胸片样本中的肺部区域图像；
基于分割后的肺部区域图像训练图像分类器。
进一步地，基于所述胸片影像数据集训练图像分类器包括：
预先训练一个浅层神经网络，并利用所述浅层神经网络的权值初始化训练阶段的整个神经网络；
将所述胸片样本缩放至不同的尺寸，并从缩放后的各个版本中随机裁取固定大小的图片，并基于裁取的图片训练图像分类器。
为实现上述目的，本申请还提供一种肺结核的智能筛查和上报系统，所述系统包括：
样本集建立单元，用于建立胸片影像数据集，并对所述胸片影像数据集中的胸片样本进行病症标注；
分类器训练单元，用于基于所述胸片影像数据集训练图像分类器，所述图像分类器用于区分胸片样本中是否包含表征肺结核的图像特征；
诊断结果预测单元，用于获取待识别的临床图像，并将所述临床图像输入所述图像分类器，得到所述临床图像对应的诊断结果；
信息提取单元，用于当所述诊断结果表征疑似肺结核时，提取患者信息，并调用信息上报单；
信息上报单元，用于接收医生输入的确认指令，将携带所述患者信息的信息上报单发送至医务部，以通过所述医务部将所述患者信息上报至结核病防治机构。
进一步地，所述分类器训练单元包括：
评价模块，用于引入评价系统对训练的所述图像分类器进行评价，以生成所述图像分类器的评价参数；
训练迭代模块，用于当所述评价参数达到期望值时，结束图像分类器的训练过程；若所述评价参数未达到期望值，对所述胸片影像数据集和当前的卷积网络参数进行调整，并利用调整后的数据重新训练图像分类器，直至评价参数达到期望值为止。
进一步地，所述评价模块包括：
评价图像集检测模块，用于获取评价图像集，并利用所述图像分类器对所述评价图像集中的评价样本进行分类；
参数计算模块，用于根据分类结果，计算所述图像分类器的精度参数和召回率参数，其中，所述精度参数和所述召回率参数用于表征所述图像分类器的分类准确度。
进一步地，所述分类器训练单元包括：
局部检测模块，用于建立肺部局部区域的检测分割模型，并通过所述检测分割模型识别并分割胸片样本中的肺部区域图像；
训练模块，用于基于分割后的肺部区域图像训练图像分类器。
进一步地，所述分类器训练单元包括：
权值初始化模块，用于预先训练一个浅层神经网络，并利用所述浅层神经网络的权值初始化训练阶段的整个神经网络；
图片裁取模块，用于将所述胸片样本缩放至不同的尺寸，并从缩放后的各个版本中随机裁取固定大小的图片，并基于裁取的图片训练图像分类器。
本申请提供的技术方案，通过对大量肺结核胸片的分析，开展基于深度学习的肺结核影像图像分析研究，实现了肺结核的筛查准确性达到甚至优于影像专家水平，减少由于工作繁忙或认识不足等多方面原因引起的肺结核的漏诊。同时，肺结核自动上报工作实现了全程电子化、自动化，非定点医疗机构的肺结核诊断工作全部有据可查，弥补了结核漏报漏登专项工作耗时费力的缺点，有利于政府卫生部门、疾控中心、定点医疗机构开展结核病监管防治工作。
附图说明
图1为本申请中肺结核的智能筛查方法示意图；
图2为本申请中肺结核的智能上报方法示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施方式，都应当属于本申请保护的范围。
本申请提供一种肺结核的智能筛查和上报方法，所述方法包括：
建立胸片影像数据集，并对所述胸片影像数据集中的胸片样本进行病症标注；
基于所述胸片影像数据集训练图像分类器，所述图像分类器用于区分胸片样本中是否包含表征肺结核的图像特征；
获取待识别的临床图像，并将所述临床图像输入所述图像分类器，得到所述临床图像对应的诊断结果；
当所述诊断结果表征疑似肺结核时，提取患者信息，并调用信息上报单；
接收医生输入的确认指令，将携带所述患者信息的信息上报单发送至医务部，以通过所述医务部将所述患者信息上报至结核病防治机构。
在本实施方式中，在基于所述胸片影像数据集训练图像分类器时，所述方法还包括：
引入评价系统对训练的所述图像分类器进行评价，以生成所述图像分类器的评价参数；
当所述评价参数达到期望值时，结束图像分类器的训练过程；若所述评价参数未达到期望值，对所述胸片影像数据集和当前的卷积网络参数进行调整，并利用调整后的数据重新训练图像分类器，直至评价参数达到期望值为止。
在本实施方式中，生成所述图像分类器的评价参数包括：
获取评价图像集，并利用所述图像分类器对所述评价图像集中的评价样本进行分类；
根据分类结果，计算所述图像分类器的精度参数和召回率参数，其中，所述精度参数和所述召回率参数用于表征所述图像分类器的分类准确度。
在本实施方式中，基于所述胸片影像数据集训练图像分类器包括：
建立肺部局部区域的检测分割模型，并通过所述检测分割模型识别并分割胸片样本中的肺部区域图像；
基于分割后的肺部区域图像训练图像分类器。
在本实施方式中，基于所述胸片影像数据集训练图像分类器包括：
预先训练一个浅层神经网络，并利用所述浅层神经网络的权值初始化训练阶段的整个神经网络；
将所述胸片样本缩放至不同的尺寸，并从缩放后的各个版本中随机裁取固定大小的图片，并基于裁取的图片训练图像分类器。
在实际应用中，请参阅图1，可以先搜集肺结核和对照组的胸部X线图像数据，建立影像数据集，在此基础上开展肺结核筛查和识别算法研究，然后对肺结核AI(ArtificialIntelligence，人工智能)模型进行验证。验证合格后，开发胸部X线肺结核AI筛查和辅助诊断软件植入影像设备及PACS(Picture Archiving and Communication Systems，影像归档和通信系统)、RIS(Radiography Information System，放射科信息系统)中进行推广试用。最终对AI产品的应用情况进行归纳和总结，提出符合临床要求的可疑或筛查肺结核胸片诊断流程。
将收集的胸部X线导入人工智能云平台，由影像医师逐幅观察每幅原始胸部X线图像，并针对样本中的每个病变区域进行人工标注，首先使用红色矩形框对病变区域进行框选，并对每处病变区域输入详细的病症标注。根据已确定的训练目标建立图像分类器，分别从胸片的异常与未见异常、异常情况下有无肺结核以及肺结核是否为活性进行模型训练，并引入评价体系和生成评价参数。当评价参数达到期望值时，模型训练完成；如评价参数未达到期望值，需修正数据质量、增加样本数量、调整卷积网络参数，再进行新一轮的模型训练，直至评价参数达到期望值。
由于网络输入层维度限制，如果将胸部X线整体影像代入训练，则势必降低肺结核实际表现部位的图像精度。为此，根据肺结核多集中在肺上叶尖后段、肺下叶背段及后基底段的特点，建立肺部局部区域检测分割模型。再通过肺局部分割模型对肺部局部位置进行识别分割，最后对分割采样后的图像集进行分类训练，从而有效提高样本训练的图像精度及质量。
在训练阶段，为了使网络获得一组较好的初始化权值，采取的策略是通过预先训练一个较浅的网络，之后再利用该浅层网络的权值初始化整个网络。为了防止训练中出现过拟合问题，通过使用Multi-Scale的方法做数据增强。将原始图像缩放到不同的尺寸，再随机裁取固定大小的图片，通过增加数据量防止训练模型的过拟问题。
请参阅图2，进入临床试用环节后，影像科医生在进行胸部X线阅片时，如发现疑似肺结核的胸部X线影像，系统会自动提取患者信息，弹出上报单，由医生确认是否上报。如医生确认为疑似肺结核患者，则一键发送至医务部进行网络直报，并同时汇总统计以备今后追踪溯源和疫情大数据分析工作使用，同时系统也会发出临床预警，患者信息转入临床诊疗数据库，或进行痰培养以便确诊，或进入临床治疗复查环节。
尽管胸部X线是疑似和临床诊断肺结核的首选方法，但考虑到痰培养是肺结核确诊的金标准，因此随着技术升级与产品迭代，肺结核智能筛查和自动上报系统将增加痰涂切片识别功能，并基于电子病历信息实现对患者就医行为的跟踪，从而实现医院整个业务层面的结核病智能管理以及从非定点医疗机构到定点医疗机构的转诊追踪。
最终，伴随着结核数据的不断积累，系统将基于大数据分析形成对结核疫情的实时统计与趋势预测，实现聚集性病例的早期预警，为疫情的早期应对赢得时间，同时为国家传染病防治政策的制定提供数据与技术的支撑。
本申请还提供一种肺结核的智能筛查和上报系统，所述系统包括：
样本集建立单元，用于建立胸片影像数据集，并对所述胸片影像数据集中的胸片样本进行病症标注；
分类器训练单元，用于基于所述胸片影像数据集训练图像分类器，所述图像分类器用于区分胸片样本中是否包含表征肺结核的图像特征；
诊断结果预测单元，用于获取待识别的临床图像，并将所述临床图像输入所述图像分类器，得到所述临床图像对应的诊断结果；
信息提取单元，用于当所述诊断结果表征疑似肺结核时，提取患者信息，并调用信息上报单；
信息上报单元，用于接收医生输入的确认指令，将携带所述患者信息的信息上报单发送至医务部，以通过所述医务部将所述患者信息上报至结核病防治机构。
在本实施方式中，所述分类器训练单元包括：
评价模块，用于引入评价系统对训练的所述图像分类器进行评价，以生成所述图像分类器的评价参数；
训练迭代模块，用于当所述评价参数达到期望值时，结束图像分类器的训练过程；若所述评价参数未达到期望值，对所述胸片影像数据集和当前的卷积网络参数进行调整，并利用调整后的数据重新训练图像分类器，直至评价参数达到期望值为止。
在本实施方式中，所述评价模块包括：
评价图像集检测模块，用于获取评价图像集，并利用所述图像分类器对所述评价图像集中的评价样本进行分类；
参数计算模块，用于根据分类结果，计算所述图像分类器的精度参数和召回率参数，其中，所述精度参数和所述召回率参数用于表征所述图像分类器的分类准确度。
在本实施方式中，所述分类器训练单元包括：
局部检测模块，用于建立肺部局部区域的检测分割模型，并通过所述检测分割模型识别并分割胸片样本中的肺部区域图像；
训练模块，用于基于分割后的肺部区域图像训练图像分类器。
在本实施方式中，所述分类器训练单元包括：
权值初始化模块，用于预先训练一个浅层神经网络，并利用所述浅层神经网络的权值初始化训练阶段的整个神经网络；
图片裁取模块，用于将所述胸片样本缩放至不同的尺寸，并从缩放后的各个版本中随机裁取固定大小的图片，并基于裁取的图片训练图像分类器。
本申请提供的技术方案，具备以下技术效果：
1、首次将人工智能技术应用于肺结核的筛查和监管工作，从源头上实现对肺结核人群的监管，有望解决结核病诊断筛查和防治监管的难题。
2、通过对大量肺结核胸部X线的分析，开展基于人工智能的肺结核影像图像处理研究，最终实现X线肺结核的筛查准确性达到甚至优于影像专家水平，减少由于工作繁忙或认识不足等多方面原因引起的肺结核的漏诊。
3、基于“互联网+”技术自动生成上报单，提高肺结核上报率，突破了手工填写上报肺结核的传统模式，降低了肺结核的漏诊和漏报率，满足政府监管需要与战略要求。
4、系统适用性广，服务用户包括综合性大医院、基层医疗单位、定点医疗机构以及疾病预防控制中心等，可以实现全区域覆盖与24小时不间断筛查与监管，能够很好地在源头解决肺结核漏诊和疏于监管的问题。
上面对本申请的各种实施方式的描述以描述的目的提供给本领域技术人员。其不旨在是穷举的、或者不旨在将本发明限制于单个公开的实施方式。如上所述，本申请的各种替代和变化对于上述技术所属领域技术人员而言将是显而易见的。因此，虽然已经具体讨论了一些另选的实施方式，但是其它实施方式将是显而易见的，或者本领域技术人员相对容易得出。本申请旨在包括在此已经讨论过的本发明的所有替代、修改、和变化，以及落在上述申请的精神和范围内的其它实施方式。
Claims (10)
1.一种肺结核的智能筛查和上报方法，其特征在于，所述方法包括：
建立胸片影像数据集，并对所述胸片影像数据集中的胸片样本进行病症标注；
基于所述胸片影像数据集训练图像分类器，所述图像分类器用于区分胸片样本中是否包含表征肺结核的图像特征；
获取待识别的临床图像，并将所述临床图像输入所述图像分类器，得到所述临床图像对应的诊断结果；
当所述诊断结果表征疑似肺结核时，提取患者信息，并调用信息上报单；
接收医生输入的确认指令，将携带所述患者信息的信息上报单发送至医务部，以通过所述医务部将所述患者信息上报至结核病防治机构。
2.根据权利要求1所述的方法，其特征在于，在基于所述胸片影像数据集训练图像分类器时，所述方法还包括：
引入评价系统对训练的所述图像分类器进行评价，以生成所述图像分类器的评价参数；
当所述评价参数达到期望值时，结束图像分类器的训练过程；若所述评价参数未达到期望值，对所述胸片影像数据集和当前的卷积网络参数进行调整，并利用调整后的数据重新训练图像分类器，直至评价参数达到期望值为止。
3.根据权利要求2所述的方法，其特征在于，生成所述图像分类器的评价参数包括：
获取评价图像集，并利用所述图像分类器对所述评价图像集中的评价样本进行分类；
根据分类结果，计算所述图像分类器的精度参数和召回率参数，其中，所述精度参数和所述召回率参数用于表征所述图像分类器的分类准确度。
4.根据权利要求1所述的方法，其特征在于，基于所述胸片影像数据集训练图像分类器包括：
建立肺部局部区域的检测分割模型，并通过所述检测分割模型识别并分割胸片样本中的肺部区域图像；
基于分割后的肺部区域图像训练图像分类器。
5.根据权利要求1所述的方法，其特征在于，基于所述胸片影像数据集训练图像分类器包括：
预先训练一个浅层神经网络，并利用所述浅层神经网络的权值初始化训练阶段的整个神经网络；
将所述胸片样本缩放至不同的尺寸，并从缩放后的各个版本中随机裁取固定大小的图片，并基于裁取的图片训练图像分类器。
6.一种肺结核的智能筛查和上报系统，其特征在于，所述系统包括：
样本集建立单元，用于建立胸片影像数据集，并对所述胸片影像数据集中的胸片样本进行病症标注；
分类器训练单元，用于基于所述胸片影像数据集训练图像分类器，所述图像分类器用于区分胸片样本中是否包含表征肺结核的图像特征；
诊断结果预测单元，用于获取待识别的临床图像，并将所述临床图像输入所述图像分类器，得到所述临床图像对应的诊断结果；
信息提取单元，用于当所述诊断结果表征疑似肺结核时，提取患者信息，并调用信息上报单；
信息上报单元，用于接收医生输入的确认指令，将携带所述患者信息的信息上报单发送至医务部，以通过所述医务部将所述患者信息上报至结核病防治机构。
7.根据权利要求6所述的系统，其特征在于，所述分类器训练单元包括：
评价模块，用于引入评价系统对训练的所述图像分类器进行评价，以生成所述图像分类器的评价参数；
训练迭代模块，用于当所述评价参数达到期望值时，结束图像分类器的训练过程；若所述评价参数未达到期望值，对所述胸片影像数据集和当前的卷积网络参数进行调整，并利用调整后的数据重新训练图像分类器，直至评价参数达到期望值为止。
8.根据权利要求7所述的系统，其特征在于，所述评价模块包括：
评价图像集检测模块，用于获取评价图像集，并利用所述图像分类器对所述评价图像集中的评价样本进行分类；
参数计算模块，用于根据分类结果，计算所述图像分类器的精度参数和召回率参数，其中，所述精度参数和所述召回率参数用于表征所述图像分类器的分类准确度。
9.根据权利要求6所述的系统，其特征在于，所述分类器训练单元包括：
局部检测模块，用于建立肺部局部区域的检测分割模型，并通过所述检测分割模型识别并分割胸片样本中的肺部区域图像；
训练模块，用于基于分割后的肺部区域图像训练图像分类器。
10.根据权利要求6所述的系统，其特征在于，所述分类器训练单元包括：
权值初始化模块，用于预先训练一个浅层神经网络，并利用所述浅层神经网络的权值初始化训练阶段的整个神经网络；
图片裁取模块，用于将所述胸片样本缩放至不同的尺寸，并从缩放后的各个版本中随机裁取固定大小的图片，并基于裁取的图片训练图像分类器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810321938.1A CN110379504A (zh) | 2018-04-11 | 2018-04-11 | 一种肺结核的智能筛查和上报方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810321938.1A CN110379504A (zh) | 2018-04-11 | 2018-04-11 | 一种肺结核的智能筛查和上报方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110379504A true CN110379504A (zh) | 2019-10-25 |
Family
ID=68242992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810321938.1A Pending CN110379504A (zh) | 2018-04-11 | 2018-04-11 | 一种肺结核的智能筛查和上报方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110379504A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111768844A (zh) * | 2020-05-27 | 2020-10-13 | 中国科学院大学宁波华美医院 | 用于ai模型训练的肺部ct影像标注方法 |
| 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 |
| CN112835951A (zh) * | 2021-01-12 | 2021-05-25 | 平安科技（深圳）有限公司 | 数据预测方法、装置、计算机设备及存储介质 |
| CN116564547A (zh) * | 2023-04-24 | 2023-08-08 | 江西中科九峰智慧医疗科技有限公司 | 一种呼吸道传染病的早期预警方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105139390A (zh) * | 2015-08-14 | 2015-12-09 | 四川大学 | 一种检测胸透dr片中肺结核病灶的图像处理方法 |
| CN107729911A (zh) * | 2017-07-26 | 2018-02-23 | 江西中科九峰智慧医疗科技有限公司 | 一种基于dr的肺结核智能识别方法及系统 |
-
2018
- 2018-04-11 CN CN201810321938.1A patent/CN110379504A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105139390A (zh) * | 2015-08-14 | 2015-12-09 | 四川大学 | 一种检测胸透dr片中肺结核病灶的图像处理方法 |
| CN107729911A (zh) * | 2017-07-26 | 2018-02-23 | 江西中科九峰智慧医疗科技有限公司 | 一种基于dr的肺结核智能识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 蔡立志等: "当代机器深度学习方法与应用研究", 电子科技大学出版社, pages: 66 - 69 * |
| 陈曲等: "基于EMR平台的信息上报系统整合与应用", 《中国医疗设备》, vol. 30, no. 11, 25 November 2015 (2015-11-25), pages 130 - 132 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111768844A (zh) * | 2020-05-27 | 2020-10-13 | 中国科学院大学宁波华美医院 | 用于ai模型训练的肺部ct影像标注方法 |
| CN111768844B (zh) * | 2020-05-27 | 2022-05-13 | 中国科学院大学宁波华美医院 | 用于ai模型训练的肺部ct影像标注方法 |
| 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 |
| CN112835951A (zh) * | 2021-01-12 | 2021-05-25 | 平安科技（深圳）有限公司 | 数据预测方法、装置、计算机设备及存储介质 |
| CN116564547A (zh) * | 2023-04-24 | 2023-08-08 | 江西中科九峰智慧医疗科技有限公司 | 一种呼吸道传染病的早期预警方法及系统 |
| CN116564547B (zh) * | 2023-04-24 | 2024-02-09 | 江西中科九峰智慧医疗科技有限公司 | 一种呼吸道传染病的早期预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110379504A (zh) | 一种肺结核的智能筛查和上报方法及系统 | |
| CN109859168B (zh) | 一种x射线胸片图像质量确定方法及装置 | |
| Kerlikowske et al. | Performance of screening mammography among women with and without a first-degree relative with breast cancer | |
| CN110136809A (zh) | 一种医疗图像处理方法、装置、电子医疗设备和存储介质 | |
| Foos et al. | Digital radiography reject analysis: data collection methodology, results, and recommendations from an in-depth investigation at two hospitals | |
| CN106529555A (zh) | 一种基于全卷积网络的dr片肺轮廓提取方法 | |
| CN104424385B (zh) | 一种医学影像的评价方法和装置 | |
| CN110555825A (zh) | 胸部x线影像智能诊断系统及其诊断方法 | |
| JP6727176B2 (ja) | 学習支援装置、学習支援装置の作動方法、学習支援プログラム、学習支援システム、および端末装置 | |
| CN110459319A (zh) | 基于人工智能的乳腺钼靶图像的辅助诊断系统 | |
| US20040015372A1 (en) | Method and system for processing and aggregating medical information for comparative and statistical analysis | |
| JP6768620B2 (ja) | 学習支援装置、学習支援装置の作動方法、学習支援プログラム、学習支援システム、端末装置及びプログラム | |
| CN111325745A (zh) | 骨折区域分析方法和装置、电子设备及可读存储介质 | |
| CN105139390A (zh) | 一种检测胸透dr片中肺结核病灶的图像处理方法 | |
| Aslantas et al. | CADBOSS: A computer-aided diagnosis system for whole-body bone scintigraphy scans | |
| CN110222713A (zh) | 一种婴幼儿粪便采样图像分类处理系统及方法 | |
| CN110085288A (zh) | 一种基于互联网的肝胆外科治疗信息共享系统及共享方法 | |
| Baskaran et al. | Predicting breast screening attendance using machine learning techniques | |
| CN104732086A (zh) | 基于云计算的疾病计算机辅助检测系统 | |
| CN110559007A (zh) | 头颅ct平扫影像智能诊断系统及其诊断方法 | |
| CN110782441A (zh) | 一种基于深度学习的dr影像肺结核智能分割与检测方法 | |
| CN109192312A (zh) | 一种心力衰竭患者不良事件智能管理系统及方法 | |
| CN113397485A (zh) | 一种基于深度学习的脊柱侧弯筛查方法 | |
| Woodard et al. | Performance assessment for radiologists interpreting screening mammography | |
| CN105981018A (zh) | 使用从个体取得的样本的疾病筛查方法、模块和计算机程序 |
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: 20191025 |