CN113241139A - 一种基于儿童放射影像质量控制的人工智能系统及方法 - Google Patents
一种基于儿童放射影像质量控制的人工智能系统及方法 Download PDFInfo
- Publication number
- CN113241139A CN113241139A CN202110430172.2A CN202110430172A CN113241139A CN 113241139 A CN113241139 A CN 113241139A CN 202110430172 A CN202110430172 A CN 202110430172A CN 113241139 A CN113241139 A CN 113241139A
- Authority
- CN
- China
- Prior art keywords
- quality control
- data
- radiological
- model
- radiological image
- 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.)
- Granted
Links
- 238000003908 quality control method Methods 0.000 title claims abstract description 282
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 238000003745 diagnosis Methods 0.000 claims abstract description 75
- 230000005855 radiation Effects 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000002360 preparation method Methods 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 52
- 238000007689 inspection Methods 0.000 claims description 47
- 238000012937 correction Methods 0.000 claims description 15
- 238000003058 natural language processing Methods 0.000 claims description 15
- 210000000056 organ Anatomy 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 6
- 210000004072 lung Anatomy 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 210000004204 blood vessel Anatomy 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 210000003437 trachea Anatomy 0.000 claims description 3
- 230000000747 cardiac effect Effects 0.000 claims description 2
- 230000002685 pulmonary effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 210000001370 mediastinum Anatomy 0.000 description 1
- 230000005906 menstruation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Urology & Nephrology (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供一种基于儿童放射影像质量控制的人工智能系统及方法。在该系统及方法中，MEDM模型能够有效地解决人工质量控制工作效率低、相关医师数量缺口大、医师技术难以复用等问题，实现对儿童医学影像进行自动化质量控制，使其符合质量控制标准，同时有助于减少无效曝光区域，降低儿科放射剂量，避免发生辐射安全问题，并对诊断报告做出了更为详尽的质控检测。本申请提供的人工智能系统及方法可靠、精准、高效、可复用、稳定。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于儿童放射影像质量控制的人工智能系统及方法。
背景技术
目前，现代医院的临床各科许多疾病都必须通过放射科设备检查达到明确诊断和辅助诊断的目的，如通过X线拍片机、计算机X线摄影系统以及直接数字化X线摄影系统等。同样的，儿科的各项诊疗业务中，越来越多的医疗机构都使用了X线设备，因此，每天都有大量的儿童医学影像需要采集、阅片、生成诊断报告。
为了确保疾病诊疗业务的质量、减少无效曝光区域、降低放射剂量以及避免重复检查带来的辐射安全问题，需要对放射进行质量控制。目前，儿童放射影像质量的控制仍采用人工鉴定的方式。人工鉴定虽然能够实现影像图片诊断的质量控制，但由于每人对标准理解的差异，导致人工鉴定法在质控效率、质控全面性等方面无法满足当前需求。
发明内容
本发明提供一种基于儿童放射影像质量控制的人工智能系统及方法，以解决现有人工鉴定法在质控效率、质控全面性等方面无法满足当前需求的问题。
本发明提供一种基于儿童放射影像质量控制的人工智能方法，包括：
获取儿童放射检查信息，所述放射检查信息包括放射检查问询表、放射检查质控表、放射影像数据和诊断报告数据；
检查预备期质控数据处理模块提取所述放射检查问询表、所述放射检查质控表中的数据为数据字典；
检查预备期质控模型根据医学业务规则和所述数据字典形成检查预备期质控结果；
放射影像质控数据处理模块将所述放射影像数据转化为多功能编码解码格式数据；
MEDM模型根据所述多功能编码解码格式数据形成放射影像质控结果；
诊断报告质控数据处理模块根据所述诊断报告数据生成诊断数据；
诊断报告质控模型根据所述诊断数据、医学业务规则形成诊断报告质控结果；
医师修正功能模块对所述检查预备期质控结果、所述放射影像质控结果和所述诊断报告质控结果修正，形成质控等级结果。
优选地，所述MEDM模型根据所述多功能编码解码格式数据形成放射影像质控结果包括：
所述MEDM模型包括一个编码器和至少两个解码器，每个所述解码器对应一个应用目的；
所述编码器将所述放射影像数据进行编码，得到编码器特征值和编码器输出值；
所述编码器特征值和所述编码器输出值通过公式(1)融合为解码器数入数据；其中，所述公式(1)为：concatenated＝features+inputs，输入张量数据features和inputs的维度为[batch,m,n,channel]，batch为当前输入放射影像的个数，m为行数，n为列数，channel为维度；
所述解码器对所述解码器输入数据解码，得到与所述放射影像数据高宽一致的掩码，所述掩码包括质控涉及的各个组织和器官；
通过图形学方法计算各个组织和器官的空间信息，所述空间信息与质控规则比较得到所述放射影像质控结果。
优选地，所述编码器特征值和当前层的所述编码器输出值通过张量标准化拼接后作为整体输入给当前层，其中，所述张量标准化拼接公式(2)为normalizated＝BN(concatenated)，BN为对前一层的输出进行标准化。
优选地，所述应用目的对应的模型包括肺部准正判定模型、曝光区域判定模型、肺血管判定模型、气管判定模型、肋隔角模型、脊柱模型和/或心影模型。
优选地，所述放射影像质控模型还根据所述放射影像质控结果确定目标器官所承受的放射剂量。
优选地，所述放射影像质控数据处理模块将所述放射影像数据转化为多功能编码解码格式数据包括：
所述放射影像质控数据处理模块对所述放射影像数据滤波、缩放、降噪、张量化处理，以转化为多功能编码解码格式数据。
优选地，所述检查预备期质控数据处理模块提取所述放射检查问询表、所述放射检查质控表中的数据为数据字典包括：
通过自然语言处理技术提取所述放射检查问询表、所述放射检查质控表中的文本数据；
根据医学业务规则对所述文本数据进行分词、语义提取和主题分析，生成字典结构为{主题：结果}的数据字典，其中，“主题”为所述放射检查问询表、所述放射检查质控表中的各个子项，“结果”为各个子项的诊断结果的语义分析结果。
优选地，所述语义分析结果为布尔型或枚举型。
本申请提供一种基于儿童放射影像质量控制的人工智能系统，包括数据子系统、检查预备期质控子系统、放射影像质控子系统、诊断报告质控子系统和质控等级显示子系统；其中，
所述数据子系统用于存放儿童放射检查信息，所述儿童放射检查信息包括放射检查问询表、放射检查质控表、放射影像数据和诊断报告数据；
所述检查预备期质控子系统包括电连接的检查预备期质控数据处理模块和检查预备期质控模型；
所述放射影像质控子系统包括电连接的放射影像质控数据处理模块和MEDM模型；
所述诊断报告质控子系统包括电连接的诊断报告质控数据处理模块和诊断报告质控模型；
所述质控等级显示子系统包括电连接的质控结果显示模块和医师修正功能模块；
所述数据子系统分别电连接所述检查预备期质控数据处理模块、所述放射影像质控数据处理模块、所述诊断报告质控数据处理模块；
所述医师修正功能模块分别电连接所述检查预备期质控模型、所述MEDM模型、所述诊断报告质控模型。
优选地，所述检查预备期质控模型和所述诊断报告质控模型均为基于NLP的深度学习模型。
本发明的实施例提供的技术方案可以包括以下有益效果：
本申请提供一种基于儿童放射影像质量控制的人工智能系统及方法。在该系统及方法中，MEDM模型能够有效地解决人工质量控制工作效率低、相关医师数量缺口大、医师技术难以复用等问题，实现对儿童医学影像进行自动化质量控制，使其符合质量控制标准，同时有助于减少无效曝光区域，降低儿科放射剂量，避免发生辐射安全问题，并对诊断报告做出了更为详尽的质控检测。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本发明实施例提供的基于儿童放射影像质量控制的人工智能方法的流程示意图；
图2为本发明实施例提供的自然语言处理技术框架；
图3为本发明实施例提供的MEDM模型的结构图；
图4为本发明实施例提供的MEDM模型中编码器的内部结构图；
图5为本发明实施例提供的MEDM模型中解码器的内部结构图；
图6为本发明实施例提供的MEDM模型的训练流程图；
图7为本发明实施例提供的基于儿童放射影像质量控制的人工智能系统的结构示意图；
符号表示：
1-数据子系统，2-检查预备期质控子系统，3-放射影像质控子系统，4-诊断报告质控子系统，5-质控等级显示子系统；
21-检查预备期质控数据处理模块，22-检查预备期质控模型，31-放射影像质控数据处理模块，32-MEDM模型，41-诊断报告质控数据处理模块，42-诊断报告质控模型，51-质控结果显示模块，52-医师修正功能模块。
具体实施方式
本申请实施例提供一种基于儿童放射影像质量控制的人工智能系统及方法，该系统及方法主要是通过检查预备期质控、放射影像质控和诊断报告质控三个方面的结合，得到质控等级结果。其中，检查预备期质控主要能有效避免检查信息不匹配、检查应激反应症等带来的风险。放射影像质控除了对常规的目标器官完整、清晰检查进行质控之外，还能够对放射剂量或放射区域不符合质控标准的医学影像给出提示。诊断报告质控除了对常规的患者信息核对之外，还能够对影像与诊断报告匹配检测、影像空间信息与诊断报告匹配检测进行质控。由此，通过检查预备期质控、放射影像质控和诊断报告质控三个方面的结合达到儿童放射影像综合质控的目的。
下面以具体实施例的方式对本申请实施例提供的基于儿童放射影像质量控制的人工智能系统及方法进行具体描述。
请参考附图1，附图1示出了本申请实施例提供的基于儿童放射影像质量控制的人工智能方法的流程示意图。由附图1可见，本申请实施例提供的基于儿童放射影像质量控制的人工智能方法包括：
S01：获取儿童放射检查信息，所述放射检查信息包括放射检查问询表、放射检查质控表、放射影像数据和诊断报告数据。
数据子系统1中存储或录入有准备进行放射治疗的患者的儿童放射检查信息，该儿童放射检查信息由检查者或患者家属填写。本申请实施例中的儿童放射检查信息包括放射检查问询表、放射检查质控表、放射影像数据和诊断报告数据，以便于检查预备期质控子系统2、放射影像质控子系统3、诊断报告质控子系统4的随时调取。其中，放射检查问询表、放射检查质控表和诊断报告数据均为文本数据，且放射检查问询表、放射检查质控表中的数据体现出新生儿与非新生儿的区别。
较为优选地，本申请实施例中的放射检查问询表、放射检查质控表的记录内容包括：1、确认检查病人的唯一识别信息是否匹配；2、确认受检请求是否合适；3、向病人/家长进行医学/安全性解释；4、确认放射束、受检者身体和影像接收器是否对齐；检查摄影距离；确认使用滤线栅；5、受检人体位固定并测量身体部位；是否放置暗盒；6、准直光束；7、确认屏蔽防护与防治标记；8、呼吸及相关指导；9、特殊状况需要确认末次月经/妊娠情况；10、设置的参数值是否符合规定，如kV、mAs等参数的设置；11、放射影像数据可以是DICOM、png等程序可处理格式的数据。
本申请实施例中的诊断报告数据的记录内容包括：1、影像布局初步审核与信息确认；2、像质量评估；3、确认曝光指数，比较偏差指数与目标曝光指数；4、是否需要进行图像再处理或重复拍摄；5、是否进行影像后处理；6、检查合格，将影像存档到PACS进行报告；7、对肺部进行诊断性描述；8、对纵隔进行诊断性描述；9、对心影进行诊断性描述；10、对两膈、肋隔角进行诊断性描述；11、给出诊断意见。
S02：检查预备期质控数据处理模块提取所述放射检查问询表、所述放射检查质控表中的数据为数据字典。
检查预备期质控子系统2中的检查预备期质控数据处理模块21通过相应的软件工程技术能够提取数据子系统1中的出放射检查问询表、放射检查质控表的相关数据，进而将提取的数据转化为数据字典，并传输给检查预备期质控模型22。
具体的，检查预备期质控数据处理模块提取所述放射检查问询表、所述放射检查质控表中的数据为数据字典包括：
S021：通过自然语言处理技术提取所述放射检查问询表、所述放射检查质控表中的文本数据；
S022：根据医学业务规则对所述文本数据进行分词、语义提取和主题分析，生成算法可处理的字典结构为{主题：结果}的数据字典，其中，“主题”为所述放射检查问询表、所述放射检查质控表中的各个子项，“结果”为各个子项的诊断结果的语义分析结果。较为优选地，语义分析结果为布尔型或枚举型。
通过将出放射检查问询表、放射检查质控表中的数据转化为数据字典的格式，能够缓解同意诊疗结论拥有多种描述的问题，进而能够有效地对儿科相关文本数据进行分词，提高了数据处理速度和质量。
S03：检查预备期质控模型根据医学业务规则和所述数据字典形成检查预备期质控结果。
检查预备期质控子系统2中的检查预备期质控模型22按照图2所示的自然语言处理技术框架中的NLP深度学习模型将医学业务规则和数据字典结合后形成检查预备期质控问答系统(QAS)，进而得出检查预备期质控结果。检查预备期质控问答系统的形成能够省去人工处理文本数据的环节，进而提高数据处理效率。
S04：放射影像质控数据处理模块将所述放射影像数据转化为多功能编码解码格式数据。
放射影像质控子系统3中的放射影像质控数据处理模块31调取数据子系统1中的放射影像数据，进而对获取到的放射影像数据进行滤波、缩放、降噪、张量化处理，以转化为算法可处理的多功能编码解码格式数据，并将转化后的数据传输至MEDM模型。
S05：MEDM模型根据所述多功能编码解码格式数据形成放射影像质控结果。
MEDM模型(多功能编码解码模型，Multifunctional Encoding and DecodingModel)包括一个编码器和至少两个解码器，如附图3所示。每个解码器对应一个应用目的，由此，MEDM模型能够编码放射影像中的各种语义，支持多种解码方式，进而适配于不同的应用目的。本申请实施例中的应用目的对应的模型包括肺部准正判定模型、曝光区域判定模型、肺血管判定模型、气管判定模型、肋隔角模型、脊柱模型和/或心影模型。
通常，一个应用目的对应一个模型，每个模型均包括特征提取和结果判定两部分。由此，多个模型会提取出很多的特征值，且特征存在冗余。而本申请实施例中的MEDM模型仅使用一个编码器就可以提取放射影像中的各种特征值，进而供不同功能的解码器使用，而不是为每个功能的解码器都匹配一个解码器，由此能够避免多次提取特征值、特征冗余和特征提取参数冗余的问题。在同等级的计算量下，MEDM模型占用了更少的GPU显存空间和计算时间，提升了模型性能。另外，与应用目的的数量可设置，进而解码器的数量可相应设置，由此MEDM模型能够支持潜在应用目的扩充，具有可扩展性及高度的灵活性。
在本申请实施例中，MEDM模型根据多功能编码解码格式数据形成放射影像质控结果具体包括：
S051：所述编码器将所述放射影像数据进行编码，得到编码器特征值和编码器输出值。
附图4示出了MEDM模型中编码器的内部结构图。编码器由若干个卷积层、池化层、上采样层和拼接卷积层等深度学习中的各种层以及一个输出层构成，以完成卷积、池化、上采样和拼接等计算过程。编码器按照图4中箭头所示流程进行计算，从而确定编码器特征值和编码器输出值。其中，编码器输出值直接作为实现不同质控功能的解码器的输入，编码器特征值作为解码器补充信息。
S052：所述编码器特征值和所述编码器输出值通过公式(1)融合为解码器数入数据。
在图4中，从卷积层至拼接卷积层的箭头表示将编码器特征值作为解码器补充信息通过公式(1)所示的方式融合至上采样层的输出数据，即解码器数入数据，以达到缓解信息缺失的目的。其中，所述公式(1)为：concatenated＝features+inputs，输入张量数据features和inputs的维度为[batch,m,n,channel]，batch为当前输入放射影像的个数，m为行数，n为列数，channel为维度。
S053：所述解码器对所述解码器数入数据解码，得到与所述放射影像数据高宽一致的掩码，所述掩码包括质控涉及的各个组织和器官。
附图5示出了MEDM模型中解码器的内部结构图。解码器由若干个卷积层、BN层、池化层等深度学习中的各种层以及一个输出层构成，以完成卷积、池化、BN等计算过程。解码器对最终的解码器数入数据进行解码，得到与输入放射影像高宽一致的掩码，该掩码包括质控涉及的各个组织和器官。
S054：通过图形学方法计算各个组织和器官的空间信息，所述空间信息与质控规则比较得到所述放射影像质控结果。
通过图形学方法计算各个组织和器官的空间信息，通过对比该空间信息与质控规则中的位置标准、面积标准、相对空间位置标准，得到放射影像质控结果。
在形成放射影像质控结果的过程中，编码器和解码器中的编码器特征值和当前层的编码器输出值通过张量标准化拼接后作为整体输入给当前层，以使MEDM模型能够发现特征间的差异，并将差异融合为更有用的信息，使模型最终能够提取出更多的有效信息，提升了模型性能。在本申请实施例中，张量标准化拼接公式(2)为normalizated＝BN(concatenated)，BN为对前一层的输出进行标准化。
MEDM模型构建完成后，需要按照图6所示的流程进行训练。即将处理好的数据送入模型训练，根据模型在训练集、验证集、测试集的损失值和准确率评估是否训练完毕，若训练不符合完毕条件，调节模型的参数，再次训练。
进一步，本申请实施例提供的人工智能方法中，放射影像质控模型还根据放射影像质控结果确定目标器官所承受的放射剂量。具体的，根据放射影像质控结果计算目标器官在影像中的面积占比，根据放射功率参数计算出患者所承受的放射剂量。根据目标器官的面积计算该目标器官占总照射区域面积的比值。根据患者所承受的放射剂量和面积比值判定是否符合辐射安全。
S06：诊断报告质控数据处理模块根据所述诊断报告数据生成诊断数据。
诊断报告质控子系统4中的诊断报告质控数据处理模块41通过相应的软件工程技术提取数据子系统1的诊断报告数据，进而通过自然语言处理技术提取的诊断报告数据中的文本数据，生成诊断数据，并发送给诊断报告质控模型42。诊断报告质控数据处理模块41能够省去人工处理文本数据的环节，提高了效率，实现自动化诊断报告指控。
S07：诊断报告质控模型根据所述诊断数据、医学业务规则形成诊断报告质控结果。
诊断报告质控子系统4中的诊断报告质控模型42按照图2所示的自然语言处理技术框架中的NLP深度学习模型将将诊断数据、医学业务规则结合后形成检查预备期质控问答系统(QAS)，进而得出诊断报告质控结果。
另外，基于放射影像质控结果，与诊断报告中的对象实体进行比较，还能够实现影像与诊断报告匹配检测、影像空间信息与诊断报告匹配检测。
S08：医师修正功能模块对所述检查预备期质控结果、所述放射影像质控结果和所述诊断报告质控结果修正，形成质控等级结果。
在质控等级显示子系统5中的医师修正功能模块52中，医师可以针对各个质量控制结果进行修正。医师修正后，影像最终的质量控制结果会自动根据修正结果调整。另外，质控等级显示子系统5中的质控结果显示模块51还能够展示人工智能系统的质控结果，该展示包括图像列表区、检查预备期与诊断报告的质量控制结果区、影像质量控制结果展示区、质量控制结果统计区。
请参考附图7，附图7示出了本申请实施例提供的基于儿童放射影像质量控制的人工智能系统的结构示意图。由附图7可见，本申请实施例提供的基于儿童放射影像质量控制的人工智能系统，包括数据子系统1、检查预备期质控子系统2、放射影像质控子系统3、诊断报告质控子系统4和质控等级显示子系统5。
具体的，数据子系统1用于存放儿童放射检查信息，该儿童放射检查信息包括放射检查问询表、放射检查质控表、放射影像数据和诊断报告数据，且数据子系统1分别电连接检查预备期质控数据处理模块21、放射影像质控数据处理模块31、诊断报告质控数据处理模块41，由此，能够便于检查预备期质控子系统2、放射影像质控子系统3、诊断报告质控子系统4的随时调取。其中，放射检查问询表、放射检查质控表和诊断报告数据均为文本数据，且放射检查问询表、放射检查质控表中的数据体现出新生儿与非新生儿的区别。
检查预备期质控子系统2包括电连接的检查预备期质控数据处理模块21和检查预备期质控模型22。检查预备期质控子系统2中的检查预备期质控数据处理模块21通过相应的软件工程技术能够提取数据子系统1中的出放射检查问询表、放射检查质控表的相关数据，进而将提取的数据转化为数据字典，并传输给检查预备期质控模型22。检查预备期质控模型22将接收到的数据字典和医学业务规则结合后形成检查预备期质控问答系统，进而得出检查预备期质控结果。
放射影像质控子系统3包括电连接的放射影像质控数据处理模块31和MEDM模型32。放射影像质控子系统3中的放射影像质控数据处理模块31调取数据子系统1中的放射影像数据，进而对获取到的放射影像数据进行滤波、缩放、降噪、张量化处理，以转化为算法可处理的多功能编码解码格式数据，并将转化后的数据传输至MEDM模型。MEDM模型根据多功能编码解码格式数据形成放射影像质控结果。
诊断报告质控子系统4包括电连接的诊断报告质控数据处理模块41和诊断报告质控模型42。诊断报告质控子系统4中的诊断报告质控数据处理模块41通过相应的软件工程技术提取数据子系统1的诊断报告数据，进而通过自然语言处理技术提取的诊断报告数据中的文本数据，生成诊断数据，并发送给诊断报告质控模型42。诊断报告质控模型42通过自然语言处理技术框架中的NLP深度学习模型将将诊断数据、医学业务规则结合后形成检查预备期质控问答系统，进而得出诊断报告质控结果。
质控等级显示子系统5包括电连接的质控结果显示模块51和医师修正功能模块52，且医师修正功能模块52分别电连接检查预备期质控模型22、MEDM模型32、诊断报告质控模型42。由此，检查预备期质控模型22、MEDM模型32、诊断报告质控模型42得到的检查预备期质控结果、放射影像质控结果和诊断报告质控结果能够发送给医师修正功能模块52，进而由医师针对各个质量控制结果进行修正。医师修正后，影像最终的质量控制结果会自动根据修正结果调整。最终的质量控制结果由质控结果显示模块51展示。
进一步，检查预备期质控模型22和诊断报告质控模型42均为基于NLP的深度学习模型。
相对于现有放射影像的人工鉴定质量控制法，本申请实施例提供的基于儿童放射影像质量控制的人工智能系统及方法中，具有如下优点：
1)可靠、精准
深度学习技术已经广泛地应用于医疗业务中，并且证明了其可靠性和精准性。能够促进医学影像互认，以及统一的质控标准的构建。本申请中的MEDM模型中，解码器同时使用了编码器的输出值和特征值，可以根据更为丰富的语义信息进行质控判定，提升了模型的可靠性和精准性。
2)高效
深度学习结构MEDM模型不但解决了特征冗余和特征提取参数冗余的问题，而且还可以通过变更解码器的个数适配不同的质控需求。本申请提供的系统及方法鉴定一张放射影像的耗时小于1秒，远低于人工鉴定耗时，显著地提高了鉴定效率，节省了大量的人工成本和时间。此外，该方法可以不间断地工作，工作时长远超过人工，可以处理更多的质控工作。
3)可复用
本申请在训练完毕后，可以大规模复用于不同医疗机构的相同医疗业务场景，并且易于部署，极大地降低了质控成本。
4)稳定
本申请提供的系统构建简单、易于实现，可以通过调节解码器的个数来应对质控指标的变更，具有高度的灵活性。
本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于儿童放射影像质量控制的人工智能方法，其特征在于，包括：
获取儿童放射检查信息，所述放射检查信息包括放射检查问询表、放射检查质控表、放射影像数据和诊断报告数据；
检查预备期质控数据处理模块提取所述放射检查问询表、所述放射检查质控表中的数据为数据字典；
检查预备期质控模型根据医学业务规则和所述数据字典形成检查预备期质控结果；
放射影像质控数据处理模块将所述放射影像数据转化为多功能编码解码格式数据；
MEDM模型根据所述多功能编码解码格式数据形成放射影像质控结果；
诊断报告质控数据处理模块根据所述诊断报告数据生成诊断数据；
诊断报告质控模型根据所述诊断数据、医学业务规则形成诊断报告质控结果；
医师修正功能模块对所述检查预备期质控结果、所述放射影像质控结果和所述诊断报告质控结果修正，形成质控等级结果。
2.根据权利要求1所述的基于儿童放射影像质量控制的人工智能方法，其特征在于，所述MEDM模型根据所述多功能编码解码格式数据形成放射影像质控结果包括：
所述MEDM模型包括一个编码器和至少两个解码器，每个所述解码器对应一个应用目的；
所述编码器将所述放射影像数据进行编码，得到编码器特征值和编码器输出值；
所述编码器特征值和所述编码器输出值通过公式(1)融合为解码器数入数据；其中，所述公式(1)为：concatenated＝features+inputs，输入张量数据features和inputs的维度为[batch,m,n,channel]，batch为当前输入放射影像的个数，m为行数，n为列数，channel为维度；
所述解码器对所述解码器输入数据解码，得到与所述放射影像数据高宽一致的掩码，所述掩码包括质控涉及的各个组织和器官；
通过图形学方法计算各个组织和器官的空间信息，所述空间信息与质控规则比较得到所述放射影像质控结果。
3.根据权利要求2所述的基于儿童放射影像质量控制的人工智能方法，其特征在于，所述编码器特征值和当前层的所述编码器输出值通过张量标准化拼接后作为整体输入给当前层，其中，所述张量标准化拼接公式(2)为normalizated＝BN(concatenated)，BN为对前一层的输出进行标准化。
4.根据权利要求2所述的基于儿童放射影像质量控制的人工智能方法，其特征在于，所述应用目的对应的模型包括肺部准正判定模型、曝光区域判定模型、肺血管判定模型、气管判定模型、肋隔角模型、脊柱模型和/或心影模型。
5.根据权利要求1所述的基于儿童放射影像质量控制的人工智能方法，其特征在于，所述放射影像质控模型还根据所述放射影像质控结果确定目标器官所承受的放射剂量。
6.根据权利要求1所述的基于儿童放射影像质量控制的人工智能方法，其特征在于，所述放射影像质控数据处理模块将所述放射影像数据转化为多功能编码解码格式数据包括：
所述放射影像质控数据处理模块对所述放射影像数据滤波、缩放、降噪、张量化处理，以转化为多功能编码解码格式数据。
7.根据权利要求1所述的基于儿童放射影像质量控制的人工智能方法，其特征在于，所述检查预备期质控数据处理模块提取所述放射检查问询表、所述放射检查质控表中的数据为数据字典包括：
通过自然语言处理技术提取所述放射检查问询表、所述放射检查质控表中的文本数据；
根据医学业务规则对所述文本数据进行分词、语义提取和主题分析，生成字典结构为{主题：结果}的数据字典，其中，“主题”为所述放射检查问询表、所述放射检查质控表中的各个子项，“结果”为各个子项的诊断结果的语义分析结果。
8.根据权利要求7所述的基于儿童放射影像质量控制的人工智能方法，其特征在于，所述语义分析结果为布尔型或枚举型。
9.一种基于儿童放射影像质量控制的人工智能系统，其特征在于，包括数据子系统(1)、检查预备期质控子系统(2)、放射影像质控子系统(3)、诊断报告质控子系统(4)和质控等级显示子系统(5)；其中，
所述数据子系统(1)用于存放儿童放射检查信息，所述儿童放射检查信息包括放射检查问询表、放射检查质控表、放射影像数据和诊断报告数据；
所述检查预备期质控子系统(2)包括电连接的检查预备期质控数据处理模块(21)和检查预备期质控模型(22)；
所述放射影像质控子系统(3)包括电连接的放射影像质控数据处理模块(31)和MEDM模型(32)；
所述诊断报告质控子系统(4)包括电连接的诊断报告质控数据处理模块(41)和诊断报告质控模型(42)；
所述质控等级显示子系统(5)包括电连接的质控结果显示模块(51)和医师修正功能模块(52)；
所述数据子系统(1)分别电连接所述检查预备期质控数据处理模块(21)、所述放射影像质控数据处理模块(31)、所述诊断报告质控数据处理模块(41)；
所述医师修正功能模块(52)分别电连接所述检查预备期质控模型(22)、所述MEDM模型(32)、所述诊断报告质控模型(42)。
10.根据权利要求9所述的基于儿童放射影像质量控制的人工智能系统，其特征在于，所述检查预备期质控模型(22)和所述诊断报告质控模型(42)均为基于NLP的深度学习模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110430172.2A CN113241139B (zh) | 2021-04-21 | 2021-04-21 | 一种基于儿童放射影像质量控制的人工智能系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110430172.2A CN113241139B (zh) | 2021-04-21 | 2021-04-21 | 一种基于儿童放射影像质量控制的人工智能系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113241139A true CN113241139A (zh) | 2021-08-10 |
| CN113241139B CN113241139B (zh) | 2024-07-19 |
Family
ID=77128749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110430172.2A Active CN113241139B (zh) | 2021-04-21 | 2021-04-21 | 一种基于儿童放射影像质量控制的人工智能系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113241139B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511547A (zh) * | 2022-02-15 | 2022-05-17 | 平安国际智慧城市科技股份有限公司 | 病理切片图像质控方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107887002A (zh) * | 2017-12-07 | 2018-04-06 | 卢乃吉 | 一种医学影像诊断质量管理系统 |
| CN110276749A (zh) * | 2019-06-14 | 2019-09-24 | 辽宁万象联合医疗科技有限公司 | 儿童放射射片及诊断的质量控制人工智能系统及其质控方法 |
| US20200334809A1 (en) * | 2019-04-16 | 2020-10-22 | Covera Health | Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers |
| CN111832504A (zh) * | 2020-07-20 | 2020-10-27 | 中国人民解放军战略支援部队航天工程大学 | 一种面向卫星在轨应用的空间信息智能一体化生成方法 |
-
2021
- 2021-04-21 CN CN202110430172.2A patent/CN113241139B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107887002A (zh) * | 2017-12-07 | 2018-04-06 | 卢乃吉 | 一种医学影像诊断质量管理系统 |
| US20200334809A1 (en) * | 2019-04-16 | 2020-10-22 | Covera Health | Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers |
| CN110276749A (zh) * | 2019-06-14 | 2019-09-24 | 辽宁万象联合医疗科技有限公司 | 儿童放射射片及诊断的质量控制人工智能系统及其质控方法 |
| CN111832504A (zh) * | 2020-07-20 | 2020-10-27 | 中国人民解放军战略支援部队航天工程大学 | 一种面向卫星在轨应用的空间信息智能一体化生成方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王平 等: "基于深度学习的DR胸片智能质控方法研究", 中国医疗设备, vol. 35, no. 10, 10 October 2020 (2020-10-10), pages 28 - 33 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511547A (zh) * | 2022-02-15 | 2022-05-17 | 平安国际智慧城市科技股份有限公司 | 病理切片图像质控方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113241139B (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035284B (zh) | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 | |
| CN111310851A (zh) | 一种人工智能超声辅助系统及其应用 | |
| KR102676569B1 (ko) | 의료 영상 분석 장치 및 방법, 의료 영상 시각화 장치 및 방법 | |
| CN110574070A (zh) | 慢性血栓栓塞性肺动脉高压的放射学识别的改进 | |
| CN110276749B (zh) | 儿童放射射片及诊断的质量控制人工智能系统及质控方法 | |
| TW201219013A (en) | Method for generating bone mask | |
| CN111986182A (zh) | 辅助诊断方法、系统、电子设备及存储介质 | |
| US11475568B2 (en) | Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus | |
| CN111598895A (zh) | 一种基于诊断影像和机器学习的测量肺功能指标的方法 | |
| Martini et al. | Advances in imaging for lung emphysema | |
| CN111340794B (zh) | 冠状动脉狭窄的量化方法及装置 | |
| CN113241139B (zh) | 一种基于儿童放射影像质量控制的人工智能系统及方法 | |
| CN112562860A (zh) | 分类模型的训练方法及装置、冠心病辅助筛查方法及装置 | |
| US11935234B2 (en) | Method for detecting abnormality, non-transitory computer-readable recording medium storing program for detecting abnormality, abnormality detection apparatus, server apparatus, and method for processing information | |
| Makino et al. | Accuracy of forensic pathologists in incorporating post‐mortem CT (PMCT) in forensic death investigation | |
| CN113689925B (zh) | 一种医学检查结果互认方法、系统、电子设备及介质 | |
| Hussain et al. | Automated Deep Learning of COVID-19 and Pneumonia Detection Using Google AutoML. | |
| CN114391827A (zh) | 一种基于卷积神经网络的院前肺气肿诊断装置 | |
| CN113554640A (zh) | Ai模型的训练方法、使用方法、计算机设备及存储介质 | |
| Chen et al. | Image quality control in lumbar spine radiography using enhanced U-Net neural networks | |
| KR102569573B1 (ko) | 폐 용적 검사 방법 및 그 장치 | |
| Yoshida et al. | U-Net-based image segmentation of the whole heart and four chambers on pediatric X-ray computed tomography | |
| CN111696665A (zh) | 一种基于时间编码的辅助决策系统 | |
| CN116051538A (zh) | 基于Transformer超声心动图左心室分割方法 | |
| Tanno et al. | Consensus, dissensus and synergy between clinicians and specialist foundation models in radiology report generation |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |