CN111209945A - 基于ai的影像科医疗影像辅助识别方法及系统 - Google Patents

基于ai的影像科医疗影像辅助识别方法及系统 Download PDF

Info

Publication number
CN111209945A
CN111209945A CN201911405387.8A CN201911405387A CN111209945A CN 111209945 A CN111209945 A CN 111209945A CN 201911405387 A CN201911405387 A CN 201911405387A CN 111209945 A CN111209945 A CN 111209945A
Authority
CN
China
Prior art keywords
matrix
time
sub
training sample
sample 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.)
Withdrawn
Application number
CN201911405387.8A
Other languages
English (en)
Inventor
覃士忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201911405387.8A priority Critical patent/CN111209945A/zh
Publication of CN111209945A publication Critical patent/CN111209945A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

一种基于AI的影像科医疗影像辅助识别方法，包括如下步骤：S1、从服务器中提取历史训练样本数据，对历史训练样本数据进行时空关联性预处理，从而得到带有时间演进特征的训练样本数据集合；S2、通过带有时间演进特征的训练样本数据集合来训练网络识别模型；S3、通过网络识别模型对待预测医疗影像进行辅助识别，得到待预测医疗影像的辅助识别结果，并将辅助识别结果发送到终端进行展示。

Description

基于AI的影像科医疗影像辅助识别方法及系统
技术领域
本发明涉及智慧医疗技术领域，特别涉及一种医疗影像辅助识别方法及系统。
背景技术
影像是辅助医生诊断的工具，有数据显示，70％的临床诊断需要借助专业的医学影像。
影像医生在人手紧张，同时又要面对大量复杂的影像情况下，难免漏诊误诊。据公开数据显示，中国每年的影像误诊人数约为5700万。此外，患者拍片常需排队预约。
目前已有现有技术通过建立人体器官模型及深度神经网络技术，实现了病灶的高识别度。通常医生需要30分钟解读的片子，AI能在几秒之内识别。
但是，目前医疗影像AI辅助识别系统中在进行深度神经网络算法识别时，在选择训练样本时，往往只关注了训练样本的数量，而对于训练样本的时间关联关注却并不够，使得很多疾病发病的成因、演变的识别率并不高。
发明内容
有鉴于此，本发明提供一种基于AI的影像科医疗影像辅助识别方法及系统。
一种基于AI的影像科医疗影像辅助识别方法，包括如下步骤：
S1、从服务器中提取历史训练样本数据，对历史训练样本数据进行时空关联性预处理，从而得到带有时间演进特征的训练样本数据集合；
S2、通过带有时间演进特征的训练样本数据集合来训练网络识别模型；
S3、通过网络识别模型对待预测医疗影像进行辅助识别，得到待预测医疗影像的辅助识别结果，并将辅助识别结果发送到终端进行展示。
在本发明所述的基于AI的影像科医疗影像辅助识别方法中，
所述步骤S1包括：
S11、从服务器中提取历史训练样本数据，所述历史训练样本数据包括不同患者在不同时间节点所拍摄的医疗影像资料，并对医疗影像资料根据先验规则进行分割得到各功能区矩阵数据；
S12、将各功能区矩阵数据进行时空关联性预处理得到带有时间维度的图像序列数据，所述图像序列数据即为带有时间演进特征的训练样本数据集合。
在本发明所述的基于AI的影像科医疗影像辅助识别方法中，
所述步骤S11中历史训练样本数据形式如下：
P＝M×N×T；其中，每张图像大小为M×N，图像的时间维度为T，1≤m≤M，1≤n≤N，1≤t≤T，P(m,n,t)表示时间点为t的医疗影像图像在位置(m,n)处的灰度值；
对医疗影像资料根据先验规则进行分割得到各功能区矩阵数据包括：
根据先验规则设置功能区数量为k类；并设置k类功能区各自预设关联值；
将矩阵P按照第一规则分割为多个第一子矩阵；通过分割函数计算第一子矩阵的关联值，通过第一子矩阵的关联值与k类功能区各自预设关联值的对比结果将第一子矩阵划分到各功能区得到第二子矩阵；
所述分割函数如下：
Figure BDA0002348490060000021
其中s为第一子矩阵数量，k为功能区类别数量，i＝1，2，...，s，j＝1，2，...，k，eij为关联程度值，
Figure BDA0002348490060000022
其中l＝1，2，...，k，且l≠j，qi为第i个第一子矩阵值，cj为第j类功能区预设关联值；第二子矩阵形式如下：B＝(b1,b2,...bk)。
所述步骤S2包括：
对第二子矩阵进行时间序列拆分，并将时间序列通过向量表示：
Q＝(ft1,ft2,...,ftL)，其中Q为时间向量，L为关键过渡时间点；
将第二子矩阵改写为时间向量与因素表达向量的混合表达形式，具体为F＝QΓ，其中Γ为因素表达向量。
在本发明所述的基于AI的影像科医疗影像辅助识别方法中，
所述网络识别模型为深度神经网络结构模型。
相对于现有技术，本发明提供的基于AI的影像科医疗影像辅助识别方法及系统，通过对历史训练样本数据进行时空关联性预处理，从而得到带有时间演进特征的训练样本数据集合，再进行网络识别模型的训练，能够使得待预测医疗影像能够更好地反映出疾病所处于的演变阶段，以及随着时间演进不同组织区域的演变具体情况信息。
附图说明
图1是本发明实施例提供的基于AI的影像科医疗影像辅助识别方法流程图。
具体实施方式
如图1所示，在本发明实施例中，一种基于AI的影像科医疗影像辅助识别方法，包括如下步骤：
S1、从服务器中提取历史训练样本数据，对历史训练样本数据进行时空关联性预处理，从而得到带有时间演进特征的训练样本数据集合。
在本实施例中，服务器可以为医疗机构用于存储医疗数据的服务器。历史训练样本数据为以往患者拍摄的医疗影像资料，比如CT图像。
可选地，在对历史训练样本数据进行时空关联性预处理之前，先对历史训练样本数据进行冗余处理。对历史训练样本数据进行冗余处理主要目的是为了减少过于相似的图像，使得训练时能够产生一定的差异度。
可选地，
所述步骤S1包括：
S11、从服务器中提取历史训练样本数据，所述历史训练样本数据包括不同患者在不同时间节点所拍摄的医疗影像资料，并对医疗影像资料根据先验规则进行分割得到各功能区矩阵数据。
S12、将各功能区矩阵数据进行时空关联性预处理得到带有时间维度的图像序列数据，所述图像序列数据即为带有时间演进特征的训练样本数据集合。
本优选实施例的意义如下：不同于现有技术中往往只对影像图片进行整体性的识别，本实施例通过先对对医疗影像资料根据先验规则进行分割得到各功能区矩阵数据，能够对图片进行区域分割，使得影像图片能够更好反应人体组织的不同区域的状况，比如是否发生病变，病变的程度如何，这种区域是更为精细化的反映体现。并且进一步地，将各功能区矩阵数据进行时空关联性预处理得到带有时间维度的图像序列数据，不但能够从整体上反映疾病的演进过程，并且单个区域本身的演进也能够得到体现，此外，不同功能区域之间的演进关联关系，也能够在一定程度上量化体现。
可选地，
所述步骤S11中历史训练样本数据形式如下：
矩阵P＝M×N×T；其中，每张图像大小为M×N，图像的时间维度为T，1≤m≤M，1≤n≤N，1≤t≤T，其取值为自然数，P(m,n,t)表示时间点为t的医疗影像图像在位置(m,n)处的灰度值；此处位置是指医疗影像图像的像素位置。
对医疗影像资料根据先验规则进行分割得到各功能区矩阵数据包括：
根据先验规则设置功能区数量为k类；并设置k类功能区各自预设关联值；所述先验规则为根据医师的经验对医疗影像资料进行分割的基础。功能区用于代表医疗影像中不同区域，比如划分为正常组织区域、过渡阶段区域、病变组织区域，优选地，可以对过渡阶段区域进行再次划分。先验规则的设置，避免了在识别模型生成时，规则不统一，以及精确性不高的缺陷。过渡阶段区域可以代表建康组织发展到病变组织之前的组织形态。
将矩阵P按照第一规则分割为多个第一子矩阵；通过分割函数计算第一子矩阵的关联值，通过第一子矩阵的关联值与k类功能区各自预设关联值的对比结果将第一子矩阵划分到各功能区得到第二子矩阵。
所述分割函数如下：
Figure BDA0002348490060000041
其中s为第一子矩阵数量，k为功能区类别数量，i＝1，2，...，s，j＝1，2，...，k，eij为关联程度值，
Figure BDA0002348490060000042
其中l＝1，2，...，k，且l≠j，qi为第i个第一子矩阵值，cj为第j类功能区预设关联值，||·||用于表示矩阵的隶属度。
在本实施例中，第一规则可以为：将第一子矩阵的数量需要大于功能区的数量，即大于k。
第二子矩阵形式如下：B＝(b1,b2,...bk)。本实施例的意义在于：先将矩阵P划分为第一子矩阵，第一子矩阵在于将矩阵P转换为较小的区域，再通过聚类的方式，通过判断各个第一子矩阵与功能区的关联程度，从而实现将第一子矩阵划分到各功能区得到第二子矩阵，这样就能够保证第二子矩阵具有更好精准度。
现有技术也存在一些对医疗影像资料(图像)进行分割来判断组织结构的病变，但是其划分主要依靠人的经验值，并且划分的细致程度不高，而且为何如此划分的可读性不强，本实施例通过引入分割函数，对矩阵进行关联程度判断来划分，使得区域划分更为精细化。
所述步骤S12包括：
对第二子矩阵进行时间序列拆分，并将时间序列通过向量表示：
Q＝(ft1,ft2,...,ftL)，其中Q为时间向量，L为关键过渡时间点；
将第二子矩阵改写为时间向量与因素表达向量的混合表达形式，具体为F＝QΓ，其中Γ为因素表达向量。其中因素表达向量为剔除时间维度之外矩阵P的其他因素的集合。
在步骤S12中，通过将第二子矩阵进行时间序列拆分，并将时间序列通过向量表示，并且将第二子矩阵改写为时间向量与因素表达向量的混合表达形式，能够将各个区域演进的时间特征来单独量化，并且现有技术中虽然也会存在将多个时间点拍摄的医疗影像资料进行横向对比来判断组织状态的演进，但是无法体现各个过渡阶段区域、过渡区域与正常区域的量化。通过步骤S12，不能能够体现各区域(比如过渡阶段区域)本身的时间演化量化体现，并且还能够解释不同区域之间关联的时间特性。
可选地，可以引入比如血液中疾病体现的参数，并通过向量形式表达，并且采集时采用相同的时间节点，将该向量与F＝QΓ重新组合，能够将医疗影像资料与其他特异性标志物相结合，进行交叉对比和筛选，能够提高单纯靠医疗影像资料识别疾病的精准度。
S2、通过带有时间演进特征的训练样本数据集合来训练网络识别模型；
S3、通过网络识别模型对待预测医疗影像进行辅助识别，得到待预测医疗影像的辅助识别结果，并将辅助识别结果发送到终端进行展示。
所述辅助识别结果包括正常组织区域、过渡阶段区域、病变组织区域的划分结果，各区域(比如过渡阶段区域)本身的时间演化量化体现，以及不同区域之间关联的时间特性。当然，这些都是影像科医疗影像的辅助识别结果，具体如何运用和再次校验也要依据医生的个人判断，加上医生的再次修正。
可选地，可以根据辅助识别结果对待预测医疗影像进行热度值处理，将正常组织区域、过渡阶段区域、病变组织区域的划分结果，各区域(比如过渡阶段区域)本身的时间演化量化体现，以及不同区域之间关联的时间特性用一种分值、标注等表现形式来体现，使得可读性更高。
可选地，所述网络识别模型为深度神经网络结构模型。
相对于现有技术，本发明提供的基于AI的影像科医疗影像辅助识别方法及系统，通过对历史训练样本数据进行时空关联性预处理，从而得到带有时间演进特征的训练样本数据集合，再进行网络识别模型的训练，能够使得待预测医疗影像能够更好地反映出疾病所处于的演变阶段，以及随着时间演进不同组织区域的演变具体情况信息。
可以理解的是，对于本领域的普通技术人员来说，可以根据本发明的技术构思做出其它各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范围。

Claims (5)

1.一种基于AI的影像科医疗影像辅助识别方法，其特征在于，包括如下步骤：
S1、从服务器中提取历史训练样本数据，对历史训练样本数据进行时空关联性预处理，从而得到带有时间演进特征的训练样本数据集合；
S2、通过带有时间演进特征的训练样本数据集合来训练网络识别模型；
S3、通过网络识别模型对待预测医疗影像进行辅助识别，得到待预测医疗影像的辅助识别结果，并将辅助识别结果发送到终端进行展示。
2.如权利要求1所述的基于AI的影像科医疗影像辅助识别方法，其特征在于，
所述步骤S1包括：
S11、从服务器中提取历史训练样本数据，所述历史训练样本数据包括不同患者在不同时间节点所拍摄的医疗影像资料，并对医疗影像资料根据先验规则进行分割得到各功能区矩阵数据；
S2、将各功能区矩阵数据进行时空关联性预处理得到带有时间维度的图像序列数据，所述图像序列数据即为带有时间演进特征的训练样本数据集合。
3.如权利要求2所述的基于AI的影像科医疗影像辅助识别方法，其特征在于，
所述步骤S11中历史训练样本数据形式如下：
P＝M×N×T；其中，每张图像大小为M×N，图像的时间维度为T，1≤m≤M，1≤n≤N，1≤t≤T，P(m,n,t)表示时间点为t的医疗影像图像在位置(m,n)处的灰度值；
对医疗影像资料根据先验规则进行分割得到各功能区矩阵数据包括：
根据先验规则设置功能区数量为k类；并设置k类功能区各自预设关联值；
将矩阵P按照第一规则分割为多个第一子矩阵；通过分割函数计算第一子矩阵的关联值，通过第一子矩阵的关联值与k类功能区各自预设关联值的对比结果将第一子矩阵划分到各功能区得到第二子矩阵；
所述分割函数如下：
Figure FDA0002348490050000021
其中s为第一子矩阵数量，k为功能区类别数量，i＝1，2，...，s，j＝1，2，...，k，eij为关联程度值，
Figure FDA0002348490050000022
其中l＝1，2，...，k，且l≠j，qi为第i个第一子矩阵值，cj为第j类功能区预设关联值；第二子矩阵形式如下：B＝(b1,b2,...bk)。
所述步骤S2包括：
对第二子矩阵进行时间序列拆分，并将时间序列通过向量表示：
Q＝(ft1,ft2,...,ftL)，其中Q为时间向量，L为关键过渡时间点；
将第二子矩阵改写为时间向量与因素表达向量的混合表达形式，具体为F＝QΓ，其中Γ为因素表达向量。
4.如权利要求2所述的基于AI的影像科医疗影像辅助识别方法，其特征在于，
所述网络识别模型为深度神经网络结构模型。
5.一种基于AI的影像科医疗影像辅助识别系统，其特征在于，用于配置为执行如权利要求1-4任一项所述的方法。
CN201911405387.8A 2019-12-31 2019-12-31 基于ai的影像科医疗影像辅助识别方法及系统 Withdrawn CN111209945A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911405387.8A CN111209945A (zh) 2019-12-31 2019-12-31 基于ai的影像科医疗影像辅助识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911405387.8A CN111209945A (zh) 2019-12-31 2019-12-31 基于ai的影像科医疗影像辅助识别方法及系统

Publications (1)

Publication Number Publication Date
CN111209945A true CN111209945A (zh) 2020-05-29

Family

ID=70785892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911405387.8A Withdrawn CN111209945A (zh) 2019-12-31 2019-12-31 基于ai的影像科医疗影像辅助识别方法及系统

Country Status (1)

Country Link
CN (1) CN111209945A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116092645A (zh) * 2023-02-02 2023-05-09 中南大学湘雅三医院 一种基于大数据的医疗辅助ai智能化管理系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116092645A (zh) * 2023-02-02 2023-05-09 中南大学湘雅三医院 一种基于大数据的医疗辅助ai智能化管理系统及方法
CN116092645B (zh) * 2023-02-02 2023-08-18 中南大学湘雅三医院 一种基于大数据的医疗辅助ai智能化管理系统及方法

Similar Documents

Publication Publication Date Title
US8334878B2 (en) Medical image processing apparatus and medical image processing program
US10854339B2 (en) Systems and methods for associating medical images with a patient
Rehman et al. A region-based deep level set formulation for vertebral bone segmentation of osteoporotic fractures
CN110070540B (zh) 图像生成方法、装置、计算机设备及存储介质
US10733727B2 (en) Application of deep learning for medical imaging evaluation
Nurmaini et al. Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation
US20190131012A1 (en) Image search device, image search method, and image search program
JP2018175226A (ja) 医用画像分類装置、方法およびプログラム
Avuçlu et al. Novel approaches to determine age and gender from dental x-ray images by using multiplayer perceptron neural networks and image processing techniques
US20200105414A1 (en) Information processing apparatus, information processing system, information processing method, and non-transitory computer-readable storage medium
Liu et al. Artificial intelligence to detect the femoral intertrochanteric fracture: The arrival of the intelligent-medicine era
CN108491770A (zh) 一种基于骨折影像的数据处理方法
Avuçlu et al. New approaches to determine age and gender in image processing techniques using multilayer perceptron neural network
JPWO2020110774A1 (ja) 画像処理装置、画像処理方法、及びプログラム
CN115206478A (zh) 医学报告生成方法以及装置、电子设备、可读存储介质
US20040101180A1 (en) Automated method of patient recognition using chest radiographs
Xu et al. An automatic detection scheme of acute stanford type A aortic dissection based on DCNNs in CTA images
CN111209945A (zh) 基于ai的影像科医疗影像辅助识别方法及系统
Shao et al. A two stage method for abnormality diagnosis of musculoskeletal radiographs
JP7097350B2 (ja) 医用画像評価のためのディープラーニングの応用
Shariaty et al. Semi-automatic segmentation of COVID-19 infection in lung CT scans
CN114359308A (zh) 一种基于边缘响应与非线性损失的主动脉夹层分割方法
CN114359194A (zh) 基于改进U-Net网络的多模态脑卒中梗死区域图像处理方法
Takahashi et al. Fully automated coronary artery calcium quantification on electrocardiogram-gated non-contrast cardiac computed tomography using deep-learning with novel Heart-labelling method
Dharwadkar et al. Right ventricle segmentation of magnetic resonance image using the modified convolutional neural network

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200529

WW01 Invention patent application withdrawn after publication