CN111798439A - 线上线下融合的医疗影像质量判读方法、系统及存储介质 - Google Patents
线上线下融合的医疗影像质量判读方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111798439A CN111798439A CN202010665140.6A CN202010665140A CN111798439A CN 111798439 A CN111798439 A CN 111798439A CN 202010665140 A CN202010665140 A CN 202010665140A CN 111798439 A CN111798439 A CN 111798439A
- Authority
- CN
- China
- Prior art keywords
- model
- medical image
- medical
- image
- quality
- 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 79
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000012986 modification Methods 0.000 claims abstract description 6
- 230000004048 modification Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 48
- 238000004891 communication Methods 0.000 claims description 47
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013526 transfer learning Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000035945 sensitivity Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 238000002601 radiography Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000003759 clinical diagnosis Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提出一种线上线下融合的医疗影像质量判读自适应方法、系统及存储介质。“线上”体现在医生可以在影像采集端实时获取医疗影像质量判读结果;“线下”体现在影像存储端和医疗云端服务器对预测结果的修正和AI模型的重新训练、升级过程;“自适应”体现在整个线上、线下过程形成一个闭合回路,使得线上实时回传与线下反馈修正不断迭代优化,实现线上和线下的融合。该方法既保证医生获取质量判读结果的实时性,又通过重新训练和升级AI模型,不断提高模型的泛化性和精确度。在临床应用方面有重大意义,能够极大地降低医生人工判读的时间成本,提高智能医疗影像质量判读辅助诊断的准确性和效率,最大程度做到低质量影像的早发现早修改。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,尤其涉及线上线下融合的智能医疗影像质量判读自适应方法、系统及存储介质。
背景技术
随着现代数字化技术的不断发展,医疗影像在基础医学、临床医学等方面的重要性日益凸显。高质量、高水平影像是确保医学诊断专业性和准确性的重要依据,因此医疗影像质量判读可以最大程度做到低质量或错误影像及早发现并在前端控制,为临床诊断提供可信赖的影像信息。
现如今,医疗影像质量判读多依靠专业影像科医生根据质量控制标准进行事后人工判别,然而人工判读时间成本高、主观性强且实时性差,若事后重新采集影像可能对患者健康造成二次伤害。随着医疗大数据发展趋势迅猛,也有研究应用大数据人工智能(AI,Artificial Intelligence)技术代替人工判别过程,利用模型自动挖掘潜在信息,自动判别影像质量。但是,目前的基于AI模型的医疗影像质量判读方法预测准确率较低,与专家判别差异很大。
发明内容
本发明目的在于克服上述由人工判别与人工智能判别产生的问题,提出一种线上线下融合的智能医疗影像质量判读自适应方法、系统及存储介质。“线上”为临床医生提供实时的质量判读结果,最大程度地做到低质量影像早发现早修改;“线下”提供结果校正与模型升级功能,通过迭代优化不断提高模型的泛化能力;“自适应”体现在整个线上、线下过程形成一个闭合回路,使得线上实时回传与线下反馈修正不断迭代优化,实现线上和线下的融合。该系统在临床应用方面有重大意义,极大降低医生人工判读成本,为大数据环境下的医疗影像质量自动化判读提供AI辅助支持,进而提高临床诊断效率和准确性。
本发明提供了如下技术方案:
一方面,本发明提供了一种线上线下融合的医疗影像质量判读方法,应用于医疗影像采集设备,所述医疗影像采集设备采用线上模式;所述方法包括:
实时采集医疗影像;
加载医疗云端服务器上传的已训练好的医学图像伪影自动识别模型,并利用所述医学图像伪影自动识别模型对采集的医疗影像的质量进行自动判读,得到所述医疗影像的质量判读结果;
将所述医疗影像和所述质量判读结果上传至图像存档和通讯系统,以便所述图像存档和通讯系统保存;
在接收到所述医疗云端服务器上传的修正后的最优模型之后,加载所述最优模型,利用所述最优模型对采集的医疗影像的质量进行自动判读;所述最优模型由所述医疗云端服务器基于从图像存档和通讯系统获取的所述医疗影像和所述医疗影像的质量判读结果对所述已训练好的医学图像伪影自动识别模型修正得到;所述图像存档和通讯系统以及所述医疗云端服务器采用线下模式。
优选地,所述方法还包括:所述图像存档和通讯系统接收人工对所述质量判读结果的校正结果;
相应地,所述最优模型由所述医疗云端服务器基于从图像存档和通讯系统获取的所述医疗影像和所述校正结果对所述已训练好的医学图像伪影自动识别模型修正得到。
优选地,训练医学图像伪影自动识别模型,包括:
训练多个基于深度学习的分类器;每个分类器具有的网络结构不同;
集成多个分类器,得到医学图像伪影自动识别模型。
优选地,所述训练多个基于深度学习的分类器,包括:
获取包括医疗影像的数据集,并将所述数据集按预设比例划分为训练集、验证集和测试集;
获取多个具有不同网络结构的经过深度学习的预训练模型;
针对每个预训练模型,以迁移所述预训练模型作为初始化权重,调整全连接层网络结构和类别数,得到与所述预训练模型对应的分类器;
针对每个分类器,利用所述训练集对所述分类器进行微调,以重新训练所述分类器的网络参数;利用所述验证集调节所述分类器的超参数,并监控所述分类器是否过拟合,选取在所述验证集上表现最优的迭代次数所对应的权重作为所述分类器的最优参数。
优选地,所述集成多个分类器,得到医学图像伪影自动识别模型,包括:
获取各个分类器在所述验证集上的模型性能评价指标;
按照所述模型性能评价指标对所述分类器进行排序;
集成排名靠前的N个分类器,得到集成模型,将所述集成模型作为医学图像伪影自动识别模型,其中,N为大于1的正整数。
优选地,所述最优模型由所述医疗云端服务器基于从图像存档和通讯系统获取的所述医疗影像和所述医疗影像的质量判读结果对所述已训练好的医学图像伪影自动识别模型修正得到,包括:
医疗云端服务器从图像存档和通讯系统获取所述医疗影像和所述医疗影像的质量判读结果,以所述医疗影像和所述医疗影像的质量判读结果作为训练数据;
以所述已训练好的医疗影像伪影自动识别模型作为基本模型,采用迁移学习方法加载所述基本模型的各网络层权重;
按照所述训练数据对基本模型的各网络层权重进行微调,根据反向传播误差信息更新权重矩阵,得到最优全局参数矩阵,完成模型的一次修正过程,作为当前最优模型;
当有新数据输入时,模型会进行下一轮迭代,在上一轮最优模型的基础上,按上述修正过程微调更新权重参数,优化得到新一轮修正后的最优模型;经多轮迭代,得到修正后的最优模型。
优选地,在多次模型的修正过程中加入提升策略,所述提升策略包括:在下一次模型的修正中,降低本次模型的修正中判别正确的样本的权重,提高本次模型的修正中判别错误的错分样本的权重,所述错分样本为人工校正过的样本。
优选地,在所述医疗云端服务器得到最优模型之后,还包括:
所述医疗云端服务器保存所述最优模型;并在所述模型的修正过程达到预定次数,或每隔预定周期将所述最优模型上传至影像采集端。
另一方面,本发明还提供了一种线上线下融合的医疗影像质量判读系统,所述系统包括:
医疗影像采集设备、图像存档和通讯系统和医疗云端服务器;所述医疗影像采集设备采用线上模式;所述图像存档和通讯系统以及所述医疗云端服务器采用线下模式;
所述医疗影像采集设备,用于实时采集医疗影像,加载医疗云端服务器上传的已训练好的医学图像伪影自动识别模型,并利用所述医疗影像伪影自动识别模型对采集的医疗影像的质量进行自动判读,得到所述医疗影像的质量判断结果;还用于将所述医疗影像和所述医疗影像的质量判断结果上传至图像存档和通讯系统,以便所述图像存档和通讯系统保存;还用于在接收到所述医疗云端服务器上传的修正后的最优模型之后,加载所述最优模型,利用所述最优模型对采集的医疗影像的质量进行自动判读;
所述图像存档和通讯系统,用于存储所述医疗影像采集设备上传的医疗影像和质量判读结果;还用于接收人工对所述质量判读结果的校正结果,并将所述医疗影像与质量判读结果或所述校正结果传给医疗云端服务器;以便所述医疗云端服务器基于所述医疗影像、质量判读结果和所述校正结果修正模型;
所述医疗云端服务器,用于基于从所述图像存档和通讯系统获取的所述医疗影像与质量判读结果或所述校正结果执行多次模型的修正过程,得到最优模型;保存所述最优模型;并在所述模型的修正过程达到预定次数,或每隔预定周期,将所述最优模型上传至影像采集端。
另一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有包括计算机程序,其中,所述计算机程序运行时,执行上述线上线下融合的医疗影像质量判读方法。
本发明提供一种线上线下融合的智能医疗影像质量判读自适应方法、系统及存储介质。“线上”体现在医生可以在影像采集端实时获取医疗影像质量判读结果;“线下”体现在影像存储端和医疗云端服务器对预测结果的修正和AI模型的重新训练、升级过程;“自适应”体现在整个线上、线下过程形成一个闭合回路,使得线上实时回传与线下反馈修正不断迭代优化,实现线上和线下的融合。该系统既保证医生获取质量判读结果的实时性,又通过重新训练和升级AI模型,不断提高模型的泛化性和精确度。因此,该系统在临床应用方面有重大意义,能够极大地降低医生人工判读的时间成本,提高智能医疗影像质量判读辅助诊断的准确性和效率,最大程度做到低质量影像的早发现早修改。
本发明支持多种医疗影像设备采集到的图像,将已训练好的AI模型嵌入到影像采集设备中,通过线上加载模型计算图像质量分类结果,并将模型预测结果回传到影像采集端输出显示,辅助医生进行智能医疗影像质量判读。
本发明提供了影像存储和校正方法,线上采集到的影像和预测结果可存储到图像存档和通讯系统中,而在线下,影像科医生可根据自身情况安排,选择任意时间对AI模型给出的预测结果进行校正。原图像信息、预测标签和校正后的结果和都会传送到医疗云端服务器,为后期模型重新练和升级做准备。从影像存储端到医疗云端服务器的传输过程,相当于为AI模型提供“训练样本量支持”和“专家知识支持”。一方面,AI模型的训练离不开大量训练数据集,而通过加入新采集的图像重新训练模型,可以不断学习到新数据的特征分布规律,以提升模型的泛化能力;另一方面,专家知识的加入能够加大错分样本的权重,增强对这一类样本的特征学习,及时修正模型参数。因此该模块从扩充训练数据集和加入专家知识两方面为后续AI模型的优化提供支持,也实现了从“线上”采集端到“线下”存储端的传输过程。
本发明提供了自适应重新训练模型和存储与升级模型方法。在医疗云端服务器,通过上述方法提到的训练数据集的扩充和专家知识的加入,在原模型基础上,根据新训练集微调网络权重;同时根据专家知识识别到的错分样本,加入提升策略,以加强错分样本的特征学习。通过上述过程,完成一次迭代优化,随着采集到的图像数量不断增加,会进行多次迭代更新得到最优模型。当迭代达到一定次数或每隔一定周期,将保留的最优模型从“线下”医疗云端服务器更新到“线上”影像采集端,升级的过程描述从“线下”到“线上”的传输过程,也实现了该自适应系统线上线下的融合与数据流的闭合传输。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例提供的一种线上线下融合的智能医疗影像质量判读方法流程示意图;
图2为本发明一个实施例提供的医学图像伪影自动识别模型总体框架图;
图3为本发明一个实施例提供的内部测试集ROC曲线图;
图4为本发明一个实施例提供的外部测试集ROC曲线图;
图5为本发明一个实施例提供的线上线下融合的医疗影像质量判读系统框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明目的在于克服上述由人工判别与人工智能判别产生的问题,提出一种线上线下融合的智能医疗影像质量判读自适应方法、系统及存储介质。“线上”为临床医生提供实时的质量判读结果,最大程度地做到低质量影像早发现早修改;“线下”提供结果校正与模型升级功能,通过迭代优化不断提高模型的泛化能力;“自适应”体现在整个线上、线下过程形成一个闭合回路,使得线上实时回传与线下反馈修正不断迭代优化,实现线上和线下的融合。该系统在临床应用方面有重大意义,极大降低医生人工判读成本,为大数据环境下的医疗影像质量自动化判读提供AI辅助支持,进而提高临床诊断效率和准确性。
在一个实施例中,参见图1,其示出了一种线上线下融合的医疗影像质量判读方法,该方法应用于医疗影像采集设备,包括以下步骤:
S101、采集医疗影像;
通过医疗影像采集设备,获取待检测的图像信息。医疗影像采集设备可以是CT(Computed Tomography,电子计算机X射线断层扫描技术)、MR(Magnetic ResonanceImaging,磁共振成像)、CR(计算机X线摄影,Computed Radiography)、DR(DigitalRadiography,直接数字化X射线摄影系统)等。
S102、加载医疗云端服务器上传的已训练好的医学图像伪影自动识别模型,并利用医学图像伪影自动识别模型对采集的医疗影像的质量进行自动判读,得到医疗影像的质量判读结果。
其中,医学图像伪影自动识别模型对医疗影像的质量进行自动判读,也就是对医疗影像进行分类,得到医疗影像的类别信息,类别信息包括有伪影或无伪影,有伪影则该医疗影像的质量低,无伪影则该医疗影像的质量高。
步骤S101和步骤S102,采用线上模式(On-line Mode),“On-line”体现在影像从“采集”到“判读”这一过程的实时性。通过加载AI模型,可实现自动判别待检测医学图像质量,并将预测结果实时回传到影像采集端,为临床医生提供实时的、相对精确的图像质量辅助判别支持。
其中,医学图像伪影自动识别模型的总体框架如图2所示,包括数据预处理、迁移学习训练模型、集成模型、评估模型。其中:
(1)、数据预处理
将数据集按80%、10%、10%的比例划分为训练集(Training set)、验证集(Devset)、测试集(Test set),同时保证每个数据集服从原数据正负样本比例分布特征。
(2)、模型训练
本发明实施例中,将深度学习与迁移学习相结合来训练模型,迁移深度学习的预训练模型作为初始化权重,调整全连接层网络结构和类别数,在此基础上,用训练集数据微调(fine-tuning)来重新训练网络参数。迁移模型的网络结构可以是AlexNet、ZFNet、VGG、DenseNet、GoogleNet v1/v2/v3/v4、ResNet、RexNeXt、SENet等。通过验证集调节模型的超参数(学习率、迭代次数、权重衰减系数、批样本数量等),并监控模型是否过拟合,选取在验证集上表现最优的迭代次数所对应的权重作为该模型的最优参数。
(3)、集成模型
以AUC(area under the curve,即ROC曲线下的面积)指标作为评价分类器效果的标准。根据单个模型在验证集上的AUC从大到小排序,筛选出排名靠前的N个分类器作为集成模型(Ensemble model)。最后通过子分类器投票的方式进行决策,获得多数投票的类别作为集成模型整体的输出结果。对于二分类问题,分类器输出类别ht(x)∈{-1,+1},集成模型的输出H(x)可表示为:
其中,x表示给定输入向量,y表示预测类别的概率,t={1,2,...,T}表示T个子分类器的集合,ht(y|x)表示分类器t输出的判别结果,wt表示分类器ht的权重(各分类器可以权重相同,也可以不同)。
本发明实施例中,应用集成学习原理,综合考虑每个分类器对伪影特征的识别能力,通过集成的方式增加特征提取的多样性,虽然每个分类器均存在一定的误差,但通过组合策略可以降低总误差,提高了对医学图像伪影识别问题的泛化能力。
(4)、评估模型
本发明实施例中,应用同一个测试集,评估集成模型的性能和泛化能力。采用的评价指标有灵敏度(Sensitivity)、特异性(Specificity)、AUC和准确率(Accuracy)。对于伪影识别问题来说,最关心的指标是Sensitivity,即识别出的所有正例(伪影图像)占所有正例的比例。Sensitivity的值越大,说明“有伪影的被判断为有伪影的”越大,“漏检”(FN)越小。
S103、将医疗影像和质量判读结果上传至图像存档和通讯系统,以便图像存档和通讯系统保存以及接收人工对质量判读结果的校正结果。
医疗影像采集设备将医疗影像和质量判读结果上传至图像存档和通讯系统(Picture Archiving and Communication Systems,PACS),PACS是医院影像科室系统,主要任务是把日常产生的各种海量医学影像通过接口以数字化的方式保存下来,这部分工作非实时,可在线下任何时间完成,采用线下模式(Off-line Mode),其是医疗影像采集设备与医疗云端服务器之间的桥梁,主要承接两部分工作,一是将线上采集到的图像和预测结果上传到PACS系统,完成数据存储;二是由专业医生校正预测结果,并将校正后结果传给医疗云端服务器用来修正模型。
影像科医生在一定授权下可登陆PACS系统调取图像并查看模型预测结果,如果医生认为模型给出的图像质量判读结果有误(如将质量差的影像漏判或将质量好的影像误判),可校正其预测结果,经人工修正过的结果同样会保存下来(注:人工校正预测结果是非必须环节)。影像图像与预测结果(或校正后结果)会传送至模块三的医疗云端服务器端,为模型的更新迭代提供训练数据支持,以提高泛化性。
S104、获取并加载医疗云端服务器上传的修正后的最优模型,利用最优模型对医疗影像的质量进行自动判读;最优模型由医疗云端服务器基于从图像存档和通讯系统获取的医疗影像和质量判读结果修正得到。
医疗云端服务器可以从图像存档和通讯系统获取到图像存档和通讯系统保存的医疗影像和质量判读结果,然后基于医疗影像和质量判断结果对已经训练好的模型进行多次更新迭代,加强模型的精度和泛化性。在有人工对质量判断结果的校正结果的情况下,基于从图像存档和通讯系统获取的医疗影像和校正结果对已经训练好的模型进行多次更新迭代。当更新达到一定次数,或每隔一定的周期,经修正后得到的最优模型会被重新上传至医疗影像采集设备。通过这种线下重新训练、线上升级的交互过程,很好地实现了线上、线下融合。既保证线下大数据支持下的模型持续优化,又保证线上影像质量判读的实时性和泛化性,为临床医生提供快速、相对精确的AI医疗影像判读辅助支持。
模型的重新训练是算法更新迭代、不断优化的关键环节,也是模型持续学习提取新特征,在大数据训练集下提高模型泛化性的核心技术支撑。重新训练模型包括三个关键步骤:输入新训练集、加载原模型参数与权重微调、以及提升策略(Boosting策略),其中:
步骤1:重新训练模型的输入。
模型输入是图像存档和通讯系统新传入的医疗影像数据和对应的标签,标签是经人工校正的校正结果,(若无人工校正环节,则直接将模型给出质量判读结果作为标签)。
步骤2:加载原模型参数与权重微调。
模型的核心算法可以是机器学习分类算法或深度学习算法,医学影像质量判读属于计算机视觉领域图像分类问题,以深度学习卷积神经网络算法为例,说明模型的更新迭代过程。以原模型作为基本模型(Base Model),采用迁移学习方法加载Base Model各网络层权重,输入新的训练数据,在Base Model权重基础上进行微调(fine-tuning),根据反向传播误差信息更新权重矩阵,进而得到最优全局参数矩阵,完成模型的一次修正过程,修正后模型作为当前最优模型。当有新数据输入时,模型会进行下一轮迭代,在上一轮最优模型的基础,按上述修正过程微调更新权重参数,优化得到新一轮修正后的最优模型。经多轮迭代,可得到修正后的最优模型。
步骤3:Boosting策略。
有些结果属于原模型判别错误而经过医生重新校正过的,这一类“错分样本”应该在下一次修正中给予更高的重视程度,本发明实施例中,在模型修正过程中加入Boosting策略,即在本次模型的修正中判别正确的样本在下一次模型的修正中会降低其权重,而判别错误的“错分样本”在下一次模型的修正中会提高其权重,加大错分的惩罚系数,这样可以不断加强模型的错分样的学习,降低误差。
本发明实施例提供的一种线上线下融合的医疗影像质量判读方法,由医疗影像设备采集图像,并将已训练好的医学图像伪影自动识别模型(AI模型)嵌入到影像采集设备中,通过线上加载模型计算图像质量分类结果,并将模型预测结果回传到影像采集端输出显示,辅助医生进行智能医疗影像质量判读。线上采集到的影像和预测结果可存储到PACS中,而在线下,影像科医生可根据自身情况安排,选择任意时间对AI模型给出的预测结果进行校正。原图像信息、预测标签和校正后的结果和都会传送到医疗云端服务器,为后期模型重新练和升级做准备。从PACS到医疗云端服务器的传输过程,相当于为AI模型提供“训练样本量支持”和“专家知识支持”。一方面,AI模型的训练离不开大量训练数据集,而通过加入新采集的图像重新训练模型,可以不断学习到新数据的特征分布规律,提升模型的泛化能力;另一方面,专家知识的加入能够加大错分样本的权重,增强对这一类样本的特征学习,及时修正模型参数。因此本发明从扩充训练数据集和加入专家知识两方面为后续AI模型的优化提供支持,也实现了从“线上”采集端到“线下”存储端的传输过程。在医疗云端服务器中,从PACS中获取扩充的训练数据集和加入的专家知识,对已经训练好的模型进行迭代优化,随着采集到的图像数量不断增加,会进行多次迭代产生多个AI模型,根据评价指标参数保留并存储最优模型。当迭代达到一定次数或每隔一定周期,将保留的最优模型从“线下”医疗云端服务器更新到“线上”影像采集端,升级的过程描述从“线下”到“线上”的传输过程,也实现了该自适应系统线上线下的融合与数据流的闭合传输。该方法既保证医生获取质量判读结果的实时性,又通过重新训练和升级AI模型,不断提高模型的泛化性和精确度。在临床应用方面有重大意义,能够极大地降低医生人工判读的时间成本,提高智能医疗影像质量判读辅助诊断的准确性和效率,最大程度做到低质量影像的早发现早修改。
有益效果验证:
对于医疗影像质量判读问题,放射科医生最关心的指标是灵敏度(Sensitivity),即识别出的所有正例(伪影图像)占所有正例的比例。Sensitivity值越大,说明“漏检”概率越小。同时,要求算法具有一定的泛化性,对于不同医院或不同设备上采集到的影像数据,模型也能给出相对准确的判别结果。本发明采用内部测试集和外部测试集分别验证提出方法的有效性和泛化性,所有数据标签均由神经内科临床医生给出,并于算法结果评价。
(1)内部测试集有益效果验证
按80%:10%:10%将数据集划分的训练集、验证集和内部测试集,其中后10%为内部测试集,应用内部测试集评估算法的有效性。结果表明,该算法的灵敏度Sensitivity=91.28%,特异性Specificity=98.33%,准确率Accuracy=96.88%,ROC曲线如图3所示。该模型整体精度高且“漏检率”低,证明该本发明能有效解决医疗影像质量判读问题。
(2)外部测试集有益效果验证
外部测试集采集自不同于内部测试集的医院设备,其数据特点和用于算法训练的数据稍有不同,主要用来验证算法的泛化性。结果表明,算法在运动伪影数据上的检出效能为:灵敏度Sensitivity=92.17%,特异性Specificity=95.37%,准确率Accuracy=93.92%。算法在束线硬化伪影数据上的检出效能为:灵敏度Sensitivity=91.66%,特异性Specificity=99.07%,准确率Accuracy=98.02%。总体的伪影检出效能为灵敏度Sensitivity=92.03%,特异性Specificity=97.84%,准确率Accuracy=96.22%,ROC曲线如图4所示。通过结果分析,发现漏检的数据大多为轻微的伪影,对诊断的影响较小。因此,外部测试结果可进一步证明算法的有效性和普适性,可以为放射科医生提供相对准确的辅助判别依据。
对应于本发明实施例提供的一种线上线下融合的医疗影像质量判断方法,本发明还提供了一种线上线下融合的医疗影像质量判读系统。该系统包括三大基础模块和两种模式,如图5所示。三大基础模块为模块一由医疗影像采集设备构成的影像采集端、模块二由图像存档和通讯系统PACS构成的影像存储端和模块三医疗云端服务器;两种模式为线上模式(On-line Mode)和线下模式(Off-line Mode),其中模块一采用线上模式,模块二和模块三采用线下模式。其中:
模块一:由医疗影像采集设备构成的影像采集端;该模块主要作用是采集医疗影像并通过加载医疗影像伪影自动识别模型(AI模型)获得质量判读结果,采用线上模式(On-line Mode),“线上”体现在影像从“采集”到“判读”这一过程的实时性。通过加载AI模型,可实现自动判别待检测医学图像质量,并将预测结果实时回传到影像采集端,为临床医生提供实时的、相对精确的图像质量辅助判别支持。
医疗影像采集设备可以是CT(Computed Tomography,电子计算机X射线断层扫描技术)、MR(Magnetic Resonance Imaging,磁共振成像)、CR(计算机X线摄影,ComputedRadiography)、DR(Digital Radiography,直接数字化X射线摄影系统)等。
具体地,医疗影像采集设备,用于实时采集医疗影像,加载医疗云端服务器上传的已训练好的医学图像伪影自动识别模型,并利用医疗影像伪影自动识别模型对采集的医疗影像的质量进行自动判读,得到医疗影像的质量判断结果;
还用于将医疗影像和医疗影像的质量判断结果上传至图像存档和通讯系统,以便图像存档和通讯系统保存;
还用于在接收到医疗云端服务器上传的修正后的最优模型之后,加载该最优模型,利用最优模型对采集的医疗影像的质量进行自动判读。
其中,医疗影像伪影自动识别模型可参见上面实施例的说明。
模块二:由图像存档和通讯系统PACS构成的影像存储端;
PACS,用于存储医疗影像采集设备上传的医疗影像和质量判读结果;还用于接收人工对质量判读结果的校正结果,并将医疗影像与质量判读结果或校正结果传给医疗云端服务器;以便医疗云端服务器基于医疗影像、质量判读结果和校正结果修正模型。
该模块的作用是影像存储,采用线下模式(Off-line Mode),同时也是模块一和模块三的连接桥梁。主要承接两部分工作,一是将线上采集到的图像和预测结果上传到PACS,完成数据存储;二是由专业医生校正预测结果,并将校正后结果传给医疗云端服务器用来修正模型。PACS是医院影像科室系统,主要任务是把日常产生的各种海量医学影像通过接口以数字化的方式保存下来,这部分工作非实时,可在线下任何时间完成。影像科医生在一定授权下可登陆PACS调取图像并查看模型预测结果,如果医生认为模型给出的图像质量判读结果有误(如将质量差的影像漏判或将质量好的影像误判),可校正其判读结果,经人工修正过的结果同样会保存下来。影像图像与预测结果(或校正后结果)会传送至模块三的医疗云端服务器端,为模型的更新迭代提供训练数据支持,以提高泛化性。
模块三:医疗云端服务器
医疗云端服务器,用于基于从图像存档和通讯系统获取的医疗影像与质量判读结果或校正结果执行多次模型的修正过程,得到最优模型;保存最优模型;并在模型的修正过程达到预定次数,或每隔预定周期,将最优模型上传至影像采集端。
该模块的主要作用是接收模块二输出的新数据重新训练模型,随着训练集的不断扩充,重新训练后的模型具有更强的泛化能力。在医疗云端服务器端存储修正后的模型,经过反复迭代优化,将重新训练后的最优模型定期上传至线上影像采集端,完成升级模型任务,以提高线上医疗影像质量判读的准确性。其中,重新训练与存储模型采用线下模型,而定期升级模式实现了线下与线上的交互。
模型的重新训练是算法更新迭代、不断优化的关键环节,也是模型持续学习提取新特征,在大数据训练集下提高模型泛化性的核心技术支撑。模型的重新训练可参见上面实施例的说明。
对应于本发明实施例提供的一种线上线下融合的医疗影像质量判断方法,本发明还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有包括计算机程序,其中,计算机程序运行时,执行上述线上线下融合的医疗影像质量判读方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种线上线下融合的医疗影像质量判读方法,其特征在于,应用于医疗影像采集设备,所述医疗影像采集设备采用线上模式;所述方法包括:
实时采集医疗影像;
加载医疗云端服务器上传的已训练好的医学图像伪影自动识别模型,并利用所述医学图像伪影自动识别模型对采集的医疗影像的质量进行自动判读,得到所述医疗影像的质量判读结果;
将所述医疗影像和所述质量判读结果上传至图像存档和通讯系统,以便所述图像存档和通讯系统保存;
在接收到所述医疗云端服务器上传的修正后的最优模型之后,加载所述最优模型,利用所述最优模型对采集的医疗影像的质量进行自动判读;所述最优模型由所述医疗云端服务器基于从图像存档和通讯系统获取的所述医疗影像和所述医疗影像的质量判读结果对所述已训练好的医学图像伪影自动识别模型修正得到;所述图像存档和通讯系统以及所述医疗云端服务器采用线下模式。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:所述图像存档和通讯系统接收人工对所述质量判读结果的校正结果;
相应地,所述最优模型由所述医疗云端服务器基于从图像存档和通讯系统获取的所述医疗影像和所述校正结果对所述已训练好的医学图像伪影自动识别模型修正得到。
3.如权利要求1所述的方法,其特征在于,训练医学图像伪影自动识别模型,包括:
训练多个基于深度学习的分类器;每个分类器具有的网络结构不同;
集成多个分类器,得到医学图像伪影自动识别模型。
4.如权利要求3所述的方法,其特征在于,所述训练多个基于深度学习的分类器,包括:
获取包括医疗影像的数据集,并将所述数据集按预设比例划分为训练集、验证集和测试集;
获取多个具有不同网络结构的经过深度学习的预训练模型;
针对每个预训练模型,以迁移所述预训练模型作为初始化权重,调整全连接层网络结构和类别数,得到与所述预训练模型对应的分类器;
针对每个分类器,利用所述训练集对所述分类器进行微调,以重新训练所述分类器的网络参数;利用所述验证集调节所述分类器的超参数,并监控所述分类器是否过拟合,选取在所述验证集上表现最优的迭代次数所对应的权重作为所述分类器的最优参数。
5.如权利要求3所述的方法,其特征在于,所述集成多个分类器,得到医学图像伪影自动识别模型,包括:
获取各个分类器在所述验证集上的模型性能评价指标;
按照所述模型性能评价指标对所述分类器进行排序;
集成排名靠前的N个分类器,得到集成模型,将所述集成模型作为医学图像伪影自动识别模型,其中,N为大于1的正整数。
6.如权利要求4所述的方法,其特征在于,所述最优模型由所述医疗云端服务器基于从图像存档和通讯系统获取的所述医疗影像和所述医疗影像的质量判读结果对所述已训练好的医学图像伪影自动识别模型修正得到,包括:
医疗云端服务器从图像存档和通讯系统获取所述医疗影像和所述医疗影像的质量判读结果,以所述医疗影像和所述医疗影像的质量判读结果作为训练数据;
以所述已训练好的医疗影像伪影自动识别模型作为基本模型,采用迁移学习方法加载所述基本模型的各网络层权重;
按照所述训练数据对基本模型的各网络层权重进行微调,根据反向传播误差信息更新权重矩阵,得到最优全局参数矩阵,完成模型的一次修正过程,作为当前最优模型;
当有新数据输入时,模型会进行下一轮迭代,在上一轮最优模型的基础上,按上述修正过程微调更新权重参数,优化得到新一轮修正后的最优模型;经多轮迭代,得到修正后的最优模型。
7.如权利要求6所述的方法,其特征在于,在多次模型的修正过程中加入提升策略,所述提升策略包括:在下一次模型的修正中,降低本次模型的修正中判别正确的样本的权重,提高本次模型的修正中判别错误的错分样本的权重,所述错分样本为人工校正过的样本。
8.如权利要求6或7所述的方法,其特征在于,在所述医疗云端服务器得到最优模型之后,还包括:
所述医疗云端服务器保存所述最优模型;并在所述模型的修正过程达到预定次数,或每隔预定周期将所述最优模型上传至影像采集端。
9.一种线上线下融合的医疗影像质量判读系统,其特征在于,所述系统包括:
医疗影像采集设备、图像存档和通讯系统和医疗云端服务器;所述医疗影像采集设备采用线上模式;所述图像存档和通讯系统以及所述医疗云端服务器采用线下模式;
所述医疗影像采集设备,用于实时采集医疗影像,加载医疗云端服务器上传的已训练好的医学图像伪影自动识别模型,并利用所述医疗影像伪影自动识别模型对采集的医疗影像的质量进行自动判读,得到所述医疗影像的质量判断结果;还用于将所述医疗影像和所述医疗影像的质量判断结果上传至图像存档和通讯系统,以便所述图像存档和通讯系统保存;还用于在接收到所述医疗云端服务器上传的修正后的最优模型之后,加载所述最优模型,利用所述最优模型对采集的医疗影像的质量进行自动判读;
所述图像存档和通讯系统,用于存储所述医疗影像采集设备上传的医疗影像和质量判读结果;还用于接收人工对所述质量判读结果的校正结果,并将所述医疗影像与质量判读结果或所述校正结果传给医疗云端服务器;以便所述医疗云端服务器基于所述医疗影像、质量判读结果和所述校正结果修正模型;
所述医疗云端服务器,用于基于从所述图像存档和通讯系统获取的所述医疗影像与质量判读结果或所述校正结果执行多次模型的修正过程,得到最优模型;保存所述最优模型;并在所述模型的修正过程达到预定次数,或每隔预定周期,将所述最优模型上传至影像采集端。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有包括计算机程序,其中,所述计算机程序运行时,执行所述权利要求1-8任一项所述的线上线下融合的医疗影像质量判读方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010665140.6A CN111798439A (zh) | 2020-07-11 | 2020-07-11 | 线上线下融合的医疗影像质量判读方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010665140.6A CN111798439A (zh) | 2020-07-11 | 2020-07-11 | 线上线下融合的医疗影像质量判读方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111798439A true CN111798439A (zh) | 2020-10-20 |
Family
ID=72808220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010665140.6A Pending CN111798439A (zh) | 2020-07-11 | 2020-07-11 | 线上线下融合的医疗影像质量判读方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798439A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508189A (zh) * | 2020-12-04 | 2021-03-16 | 江苏科技大学 | 一种基于AlexNet网络的强化训练方法 |
CN112669940A (zh) * | 2020-12-24 | 2021-04-16 | 中电通商数字技术(上海)有限公司 | 一种基于ai影像质控读片方法及系统 |
CN112862342A (zh) * | 2021-02-26 | 2021-05-28 | 复旦大学附属中山医院 | 基于人工智能的影像质量关键要素评价的智能判别方法 |
CN113343429A (zh) * | 2021-05-17 | 2021-09-03 | 同济大学 | 一种工业加工过程中内胆附着力质量预测方法和系统 |
CN114145844A (zh) * | 2022-02-10 | 2022-03-08 | 北京数智元宇人工智能科技有限公司 | 一种基于深度学习算法的腹腔镜手术人工智能云辅助系统 |
CN114463330A (zh) * | 2022-04-12 | 2022-05-10 | 江苏康医通科技有限公司 | 一种ct数据归集系统、方法及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04106665A (ja) * | 1990-08-27 | 1992-04-08 | Toshiba Corp | ルーチン読影システム |
DE102014226824A1 (de) * | 2014-12-22 | 2016-06-23 | Siemens Aktiengesellschaft | Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells für zumindest ein Diagnosesystem |
CN107358014A (zh) * | 2016-11-02 | 2017-11-17 | 华南师范大学 | 一种生理数据的临床前处理方法及系统 |
CN107545309A (zh) * | 2016-06-23 | 2018-01-05 | 西门子保健有限责任公司 | 使用深度生成机器学习模型的图像质量评分 |
CN107564580A (zh) * | 2017-09-11 | 2018-01-09 | 合肥工业大学 | 基于集成学习的胃镜图像辅助处理系统及方法 |
US20180101644A1 (en) * | 2016-10-07 | 2018-04-12 | Siemens Healthcare Gmbh | Method, computer and medical imaging apparatus for the provision of confidence information |
US20180292484A1 (en) * | 2017-04-05 | 2018-10-11 | Siemens Healthcare Gmbh | Method, neural network, and magnetic resonance apparatus for assigning magnetic resonance fingerprints |
US20190147588A1 (en) * | 2017-11-13 | 2019-05-16 | Siemens Healthcare Gmbh | Artifact identification and/or correction for medical imaging |
CN110085314A (zh) * | 2019-04-11 | 2019-08-02 | 上海翼依信息技术有限公司 | 医学检验数据的智能分析方法、系统以及设备 |
WO2019221586A1 (ko) * | 2018-05-16 | 2019-11-21 | 재단법인 아산사회복지재단 | 의료영상 관리 시스템, 방법 및 컴퓨터 판독 가능한 기록매체 |
WO2019237191A1 (en) * | 2018-06-11 | 2019-12-19 | Socovar, Société En Commandite | System and method for determining coronal artery tissue type based on an oct image and using trained engines |
US20200019823A1 (en) * | 2018-07-12 | 2020-01-16 | National Taiwan University Of Science And Technology | Medical image analysis method applying machine learning and system thereof |
CN111080584A (zh) * | 2019-12-03 | 2020-04-28 | 上海联影智能医疗科技有限公司 | 医学图像的质控方法、计算机设备和可读存储介质 |
CN111209977A (zh) * | 2020-01-16 | 2020-05-29 | 北京百度网讯科技有限公司 | 分类模型的训练和使用方法、装置、设备和介质 |
CN111223553A (zh) * | 2020-01-03 | 2020-06-02 | 大连理工大学 | 一种两阶段深度迁移学习中医舌诊模型 |
-
2020
- 2020-07-11 CN CN202010665140.6A patent/CN111798439A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04106665A (ja) * | 1990-08-27 | 1992-04-08 | Toshiba Corp | ルーチン読影システム |
DE102014226824A1 (de) * | 2014-12-22 | 2016-06-23 | Siemens Aktiengesellschaft | Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells für zumindest ein Diagnosesystem |
CN107545309A (zh) * | 2016-06-23 | 2018-01-05 | 西门子保健有限责任公司 | 使用深度生成机器学习模型的图像质量评分 |
US20180101644A1 (en) * | 2016-10-07 | 2018-04-12 | Siemens Healthcare Gmbh | Method, computer and medical imaging apparatus for the provision of confidence information |
CN107358014A (zh) * | 2016-11-02 | 2017-11-17 | 华南师范大学 | 一种生理数据的临床前处理方法及系统 |
US20180292484A1 (en) * | 2017-04-05 | 2018-10-11 | Siemens Healthcare Gmbh | Method, neural network, and magnetic resonance apparatus for assigning magnetic resonance fingerprints |
CN107564580A (zh) * | 2017-09-11 | 2018-01-09 | 合肥工业大学 | 基于集成学习的胃镜图像辅助处理系统及方法 |
US20190147588A1 (en) * | 2017-11-13 | 2019-05-16 | Siemens Healthcare Gmbh | Artifact identification and/or correction for medical imaging |
WO2019221586A1 (ko) * | 2018-05-16 | 2019-11-21 | 재단법인 아산사회복지재단 | 의료영상 관리 시스템, 방법 및 컴퓨터 판독 가능한 기록매체 |
WO2019237191A1 (en) * | 2018-06-11 | 2019-12-19 | Socovar, Société En Commandite | System and method for determining coronal artery tissue type based on an oct image and using trained engines |
US20200019823A1 (en) * | 2018-07-12 | 2020-01-16 | National Taiwan University Of Science And Technology | Medical image analysis method applying machine learning and system thereof |
CN110085314A (zh) * | 2019-04-11 | 2019-08-02 | 上海翼依信息技术有限公司 | 医学检验数据的智能分析方法、系统以及设备 |
CN111080584A (zh) * | 2019-12-03 | 2020-04-28 | 上海联影智能医疗科技有限公司 | 医学图像的质控方法、计算机设备和可读存储介质 |
CN111223553A (zh) * | 2020-01-03 | 2020-06-02 | 大连理工大学 | 一种两阶段深度迁移学习中医舌诊模型 |
CN111209977A (zh) * | 2020-01-16 | 2020-05-29 | 北京百度网讯科技有限公司 | 分类模型的训练和使用方法、装置、设备和介质 |
Non-Patent Citations (4)
Title |
---|
吕奕;王清;: "一种基于概率校正和集成学习的肠癌肝转移预测模型", 计算机应用与软件, no. 09 * |
蔡莉莉;侯珂珂;: "基于K近邻-随机森林集成算法的肝病预测研究", 电脑知识与技术, no. 13, 5 May 2020 (2020-05-05) * |
谢华;夏顺仁;张赞超;: "医学图像识别中多分类器融合方法的研究进展", 国际生物医学工程杂志, no. 03, 28 June 2006 (2006-06-28) * |
霍东雪;刘辉;尚振宏;李润鑫;: "一种异构集成学习的儿科疾病诊断方法研究", 计算机应用与软件, vol. 35, no. 06, 12 June 2018 (2018-06-12) * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508189A (zh) * | 2020-12-04 | 2021-03-16 | 江苏科技大学 | 一种基于AlexNet网络的强化训练方法 |
CN112669940A (zh) * | 2020-12-24 | 2021-04-16 | 中电通商数字技术(上海)有限公司 | 一种基于ai影像质控读片方法及系统 |
CN112862342A (zh) * | 2021-02-26 | 2021-05-28 | 复旦大学附属中山医院 | 基于人工智能的影像质量关键要素评价的智能判别方法 |
CN113343429A (zh) * | 2021-05-17 | 2021-09-03 | 同济大学 | 一种工业加工过程中内胆附着力质量预测方法和系统 |
CN113343429B (zh) * | 2021-05-17 | 2022-10-25 | 同济大学 | 一种工业加工过程中内胆附着力质量预测方法和系统 |
CN114145844A (zh) * | 2022-02-10 | 2022-03-08 | 北京数智元宇人工智能科技有限公司 | 一种基于深度学习算法的腹腔镜手术人工智能云辅助系统 |
CN114463330A (zh) * | 2022-04-12 | 2022-05-10 | 江苏康医通科技有限公司 | 一种ct数据归集系统、方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798439A (zh) | 线上线下融合的医疗影像质量判读方法、系统及存储介质 | |
CN109447183B (zh) | 预测模型训练方法、装置、设备以及介质 | |
CN109659033B (zh) | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 | |
CN109919928B (zh) | 医学影像的检测方法、装置和存储介质 | |
CN113314205B (zh) | 一种高效的医学影像标注与学习系统 | |
CN110992351B (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
CN110660478A (zh) | 一种基于迁移学习的癌症图像预测判别方法和系统 | |
CN111488914A (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
CN110837803A (zh) | 基于深度图网络的糖尿病视网膜病变分级方法 | |
CN112101162B (zh) | 图像识别模型的生成方法、装置、存储介质和电子设备 | |
CN113688862B (zh) | 一种基于半监督联邦学习的脑影像分类方法及终端设备 | |
CN113298780B (zh) | 一种基于深度学习的儿童骨龄评估方法及系统 | |
CN111932541B (zh) | 一种用于预测新冠肺炎预后的ct影像图像处理方法 | |
CN113781461A (zh) | 一种病人智能监控排序方法 | |
CN111144296B (zh) | 基于改进cnn模型的视网膜眼底图片分类方法 | |
CN115471716A (zh) | 一种基于知识蒸馏的胸部放射影像疾病分类模型轻量化方法 | |
CN112529063A (zh) | 一种适用于帕金森语音数据集的深度域适应分类方法 | |
CN111626379A (zh) | 肺炎x光图像检测方法 | |
CN116797572A (zh) | 基于多模态数据的类风湿关节炎活动度分级装置 | |
CN113327666B (zh) | 一种胸片疾病多分类网络的多标签局部至全局学习方法 | |
CN113035348A (zh) | 一种基于gru特征融合的糖尿病诊断方法 | |
CN113421250A (zh) | 一种基于无病变影像训练的眼底疾病智能诊断方法 | |
CN115798709A (zh) | 基于多任务图同构网络的阿尔兹海默病分类装置及方法 | |
CN115063374A (zh) | 模型训练、人脸图像质量评分方法、电子设备及存储介质 | |
CN111881979B (zh) | 多模态数据标注装置及包含程序的计算机可读存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 116000 room 206, no.8-9, software garden road, Ganjingzi District, Dalian City, Liaoning Province Applicant after: Neusoft Education Technology Group Co.,Ltd. Address before: 116000 room 206, no.8-9, software garden road, Ganjingzi District, Dalian City, Liaoning Province Applicant before: Dalian Neusoft Education Technology Group Co.,Ltd. |