CN113436158B - 一种基于深度学习的肝脏肿块辅助鉴别方法 - Google Patents

一种基于深度学习的肝脏肿块辅助鉴别方法 Download PDF

Info

Publication number
CN113436158B
CN113436158B CN202110685612.9A CN202110685612A CN113436158B CN 113436158 B CN113436158 B CN 113436158B CN 202110685612 A CN202110685612 A CN 202110685612A CN 113436158 B CN113436158 B CN 113436158B
Authority
CN
China
Prior art keywords
liver
real
time
unit
information
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.)
Active
Application number
CN202110685612.9A
Other languages
English (en)
Other versions
CN113436158A (zh
Inventor
赵林伟
杨国庆
冯敏
严高武
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.)
Suining Central Hospital
Original Assignee
Suining Central Hospital
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 Suining Central Hospital filed Critical Suining Central Hospital
Priority to CN202110685612.9A priority Critical patent/CN113436158B/zh
Publication of CN113436158A publication Critical patent/CN113436158A/zh
Application granted granted Critical
Publication of CN113436158B publication Critical patent/CN113436158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30056—Liver; Hepatic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于影像数据识别处理技术领域,公开了一种基于深度学习的肝脏肿块辅助鉴别方法；基于计算机智能前沿技术，结合动态增强影像数据集，构建肝脏肿块鉴别CNN模型，智能化识别可能性肝脏肿块，可能性肝脏肿块的早中晚期和定位识别判断，该方案由粗到细地完成可能性肝脏肿块详细鉴别，自动生成可视化筛查结果，协助医生阅片，可减少误诊率和漏诊率，并且可以降低医生的劳动强度。

Description

一种基于深度学习的肝脏肿块辅助鉴别方法
技术领域
本发明属于影像数据识别处理技术领域，具体涉及一种基于深度学习的肝脏肿块辅助鉴别方法。
背景技术
医学影像作为一种无创的肿瘤早期诊断方法，已被广泛应用于各类癌症的辅助诊断中。常见的，影像信息进行临床辅助诊断往往依靠医生的主观经验，通过影像反映出的病人疾病影像特征给予相应诊断。
不同类型的肿块由于其病理特性在影像上的表现迥异，不同的肿块影像特征也预示着治疗方式完全不同，并直接影响着预后。目前通过影像手段实现肿瘤的预判都需要医生根据其主观的临床经验、病理切片以及血检等进行详细的检测得到临床检测结果。由于生活节奏加快、生活不规律性增加等，肝脏肿块正在呈现高发态势，而在早期阶段诊断出肝脏肿块的概率不到25％，大多数患者被发现的时候是中晚期，情况十分严峻。这一方面是因为民众癌症健康检查意识不强，另一方面也由于缺乏专业医生，难以全面推行肝脏肿块的筛查。
随着人工智能技术的逐渐成熟，利用计算机智能辅助诊断技术，进行肝脏肿块辅助鉴别，是改善肝脏肿块生存率的可行方式。
发明内容
本发明目的在于提供一种基于深度学习的肝脏肿块辅助鉴别方法，用于解决上述现有技术中存在的技术问题。
为实现上述目的，本发明的技术方案是：
一种基于深度学习的肝脏肿块辅助鉴别方法，包括以下步骤：
S1：提供一影像采集装置，获取肝脏区域目标位置的实时动态增强影像；
其中，所述影像采集装置包括采集单元、判别单元，判别单元与采集单元信息交互；采集单元从所述实时动态增强影像中提取出实时肝脏区域位置信息并发送至判别单元，判别单元中预设有目标肝脏区域位置信息并供判别单元调用；
判别单元将实时肝脏区域位置信息与目标肝脏区域位置信息进行匹配判别，若实时肝脏区域位置信息与目标肝脏区域位置信息匹配，则进入步骤S2，若实时肝脏区域位置信息与目标肝脏区域位置信息不匹配，则输出影像采集异常警示结果；
并且，提供一采集信息输出判别装置、一采集信息输入判别装置；
采集信息输出判别装置用于判别所述采集单元输出端的实时肝脏区域位置信息是否正常；采集信息输入判别装置用于判别所述判别单元输入端的实时肝脏区域位置信息是否正常；
若采集信息输出判别装置判别出所述采集单元输出端的实时肝脏区域位置信息异常，则影像采集装置判定所述采集单元的输出端故障；
若采集信息输出判别装置判别出所述采集单元输出端的实时肝脏区域位置信息正常，采集信息输入判别装置判别出所述判别单元输入端的实时肝脏区域位置信息异常，则影像采集装置判定所述采集单元的输出端与所述判别单元的输入端之间的通信故障；
若采集信息输出判别装置判别出所述采集单元输出端的实时肝脏区域位置信息正常，采集信息输入判别装置判别出所述判别单元输入端的实时肝脏区域位置信息正常，则影像采集装置判定所述判别单元的输入端故障；
S2：提供一数据存储装置，存储所述影像采集装置采集的肝脏区域目标位置历史动态增强影像的肝脏肿块特征；
S3：提供一数据分析装置，在所述数据分析装置中，将所述实时动态增强影像和所述肝脏肿块特征输入至肝脏肿块鉴别CNN模型，通过肝脏肿块鉴别CNN模型判断所述实时动态增强影像的肝脏区域是否存在可能性肝脏肿块，若存在，则直接进入步骤S4，不存在，则结束；
S4：在所述数据分析装置中，判断所述实时动态增强影像肝脏区域的可能性肝脏肿块属于早中晚期的何种程度，并对可能性肝脏肿块在所述实时动态增强影像中进行识别定位，从而获得可能性肝脏肿块的鉴别结果；
S5：在所述数据分析装置中，进行鉴别结果的检验：
重复M次步骤S1-步骤S4，若M次可能性肝脏肿块的鉴别结果均相同，则进入步骤S6，否则，所述数据分析装置输出鉴别异常警示结果，其中，M为根据实际需求设定的正整数；
S6：提供一数据输出装置，输出可能性肝脏肿块程度和可能性肝脏肿块在所述实时动态增强影像中的位置。
进一步的，步骤S1中，所述实时动态增强影像为：
当影像采集装置固定架设，且患者位于标准检测位置时；
在同一时刻获取患者在四个方向上的正面肝脏区域影像、背面肝脏区域影像、左面肝脏区域影像、右面肝脏区域影像；
将上述的正面肝脏区域影像、背面肝脏区域影像、左面肝脏区域影像、右面肝脏区域影像作图像融合，从而得到所述实时动态增强影像。
进一步的，步骤S2中，肝脏区域目标位置历史动态增强影像的肝脏肿块特征为：
调取历史动态增强影像中同一时刻的正面肝脏区域影像、背面肝脏区域影像、左面肝脏区域影像、右面肝脏区域影像；
分别获取正面肝脏区域影像、背面肝脏区域影像、左面肝脏区域影像、右面肝脏区域影像中的四个历史肝脏肿块特征；
将四个历史肝脏肿块特征作特征数据融合，从而得到肝脏区域目标位置历史动态增强影像的肝脏肿块特征。
进一步的，步骤S3中，肝脏肿块鉴别CNN模型判断所述实时动态增强影像的肝脏区域是否存在可能性肝脏肿块如下：
将四个不同时刻获取的实时动态增强影像分别输入至四个ResNet模型；
输出四个固定维度的隐式表达；
从隐式表达到结果判断之间采用两个全连接层进行对应；
将其中两个时刻的隐式表达连接成两倍固定维度向量，并应用两个全连接层来得出四个输出结果的判断；
将另外两个时刻的隐式表达作相同操作；
对八个输出结果的判断求平均，得到最终的判断。
进一步的，步骤S3中，所述数据分析装置中配置有相互独立的主判断单元和副判断单元，所述主判断单元和所述副判断单元均用于执行肝脏肿块鉴别CNN模型判断所述实时动态增强影像的肝脏区域是否存在可能性肝脏肿块操作，且所述主判断单元和所述副判断单元同时运行；
其中，当所述主判断单元得出的判断结果与所述副判断单元相同时，则进入步骤S4，否则，所述数据分析装置输出肝脏肿块鉴别CNN模型判断异常警示结果。
进一步的，所述影像采集装置还包括振动信息检测单元，所述振动信息检测单元用于实时检测患者位于标准检测位置时的振动信息；
其中，所述采集单元和所述判别单元处于长时间关闭状态，所述振动信息检测单元处于长时间动作状态；
所述振动信息检测单元预设有患者位于标准检测位置时的标准振动信息；
当所述振动信息检测单元实时检测到患者位于标准检测位置时的振动信息满足所述标准振动信息时，启动所述采集单元和所述判别单元。
进一步的，所述影像采集装置还包括压力信息检测单元，所述压力信息检测单元用于实时检测患者位于标准检测位置时标准检测位置承受的压力信息，记为实时压力信息；
所述压力信息检测单元预设有患者位于标准检测位置时标准检测位置承受的标准压力信息，其中，所述标准压力信息与所述标准振动信息映射对应；
所述压力信息检测单元处于长时间关闭状态；
当所述振动信息检测单元实时检测到患者位于标准检测位置时的振动信息不满足所述标准振动信息时，启动所述压力信息检测单元；
若所述实时压力信息满足所述标准压力信息，则判定所述振动信息检测单元故障。
与现有技术相比，本发明所具有的有益效果为：
本方案的一个创新点在于，基于计算机智能前沿技术，结合动态增强影像数据集，构建肝脏肿块鉴别CNN模型，智能化识别可能性肝脏肿块，可能性肝脏肿块的早中晚期和定位识别判断，该方案由粗到细地完成可能性肝脏肿块详细鉴别，自动生成可视化筛查结果，协助医生阅片，可减少误诊率和漏诊率，并且可以降低医生的劳动强度。
本方案的一个创新点在于，在影像采集装置固定架设正常，并且患者位于标准检测位置时，还有可能出现患者活动身体时影像采集装置正好进行采集，则会导致采集到的实时动态增强影像不是目标动态增强影像。因此，设计一振动信息检测单元对患者的振动信息进行实时检测，只有在实时振动信息满足标准振动信息时，才对动态增强影像进行实时采集，保证采集到目标动态增强影像。振动信息检测单元作为动态增强影像进行实时采集的控制单元尤为重要，并且振动信息检测单元也是处于长时间动作状态，动作时间长了设备难免会遇到故障损坏等情况，如果振动信息检测单元出现故障损坏等情况，则会对后续的动态增强影像实时采集控制造成严重影响；因此，提供一压力信息检测单元，使其与振动信息检测单元配合使用，患者位于位于标准检测位置时，其振动信息与标准检测位置所承受的压力信息是成一一对应关系的，所以当振动信息和压力信息均同时满足标准条件时，可确保患者没有自主移动身体，当振动信息和压力信息任意一种不满足标准条件时，振动信息检测单元或压力信息检测单元存在故障损坏的风险，需要相应医师进行应急检查。
附图说明
图1是本发明具体实施方式的肝脏肿块辅助鉴别步骤流程示意图。
图2是本发明具体实施方式的肝脏肿块鉴别CNN模型判断步骤流程示意图。
具体实施方式
下面结合本发明的附图1-2，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，都属于本发明保护的范围。
实施例1：
由于生活节奏加快、生活不规律性增加等，肝脏肿块正在呈现高发态势，而在早期阶段诊断出肝脏肿块的概率不到25％，大多数患者被发现的时候是中晚期，情况十分严峻。这一方面是因为民众癌症健康检查意识不强，另一方面也由于缺乏专业医生，难以全面推行肝脏肿块的筛查。随着人工智能技术的逐渐成熟，利用计算机智能辅助诊断技术，进行肝脏肿块辅助鉴别，是改善肝脏肿块生存率的可行方式。
如图1所示，提出一种基于深度学习的肝脏肿块辅助鉴别方法，包括以下步骤：
S1：提供一影像采集装置，获取肝脏区域目标位置的实时动态增强影像；
其中，所述影像采集装置包括采集单元、判别单元，判别单元与采集单元信息交互；采集单元从所述实时动态增强影像中提取出实时肝脏区域位置信息并发送至判别单元，判别单元中预设有目标肝脏区域位置信息并供判别单元调用；
判别单元将实时肝脏区域位置信息与目标肝脏区域位置信息进行匹配判别，若实时肝脏区域位置信息与目标肝脏区域位置信息匹配，则进入步骤S2，若实时肝脏区域位置信息与目标肝脏区域位置信息不匹配，则输出影像采集异常警示结果；可以避免将实时动态增强影像的错误数据输入至后续处理步骤，引发一系列误动作，并最终生成非目标判别结果，从而容易引起医师误判。
并且，提供一采集信息输出判别装置、一采集信息输入判别装置；
采集信息输出判别装置用于判别所述采集单元输出端的实时肝脏区域位置信息是否正常；采集信息输入判别装置用于判别所述判别单元输入端的实时肝脏区域位置信息是否正常；
若采集信息输出判别装置判别出所述采集单元输出端的实时肝脏区域位置信息异常，则影像采集装置判定所述采集单元的输出端故障；
若采集信息输出判别装置判别出所述采集单元输出端的实时肝脏区域位置信息正常，采集信息输入判别装置判别出所述判别单元输入端的实时肝脏区域位置信息异常，则影像采集装置判定所述采集单元的输出端与所述判别单元的输入端之间的通信故障；
若采集信息输出判别装置判别出所述采集单元输出端的实时肝脏区域位置信息正常，采集信息输入判别装置判别出所述判别单元输入端的实时肝脏区域位置信息正常，则影像采集装置判定所述判别单元的输入端故障；
在输出影像采集异常警示结果的同时，通过采集信息输出判别装置和采集信息输入判别装置配合，可快速对输出影像采集异常故障进行准确定位，相关医师可快速对异常警示进行应急处理。
S2：提供一数据存储装置，存储所述影像采集装置采集的肝脏区域目标位置历史动态增强影像的肝脏肿块特征；
S3：提供一数据分析装置，在所述数据分析装置中，将所述实时动态增强影像和所述肝脏肿块特征输入至肝脏肿块鉴别CNN模型(肝脏肿块鉴别CNN模型通过历史动态增强影像与其对应的肝脏肿块特征组合的数据集训练得到)，通过肝脏肿块鉴别CNN模型判断所述实时动态增强影像的肝脏区域是否存在可能性肝脏肿块，若存在，则直接进入步骤S4，不存在，则结束；
S4：在所述数据分析装置中，判断所述实时动态增强影像肝脏区域的可能性肝脏肿块属于早中晚期的何种程度，并对可能性肝脏肿块在所述实时动态增强影像中进行识别定位，从而获得可能性肝脏肿块的鉴别结果；
S5：在所述数据分析装置中，进行鉴别结果的检验：
重复M次步骤S1-步骤S4，若M次可能性肝脏肿块的鉴别结果均相同，则进入步骤S6，否则，所述数据分析装置输出鉴别异常警示结果，其中，M为根据实际需求设定的正整数；可确保整个鉴别过程不会因为偶然数据处理误差而误动作，得到非目标鉴别结果。
S6：提供一数据输出装置，输出可能性肝脏肿块程度和可能性肝脏肿块在所述实时动态增强影像中的位置。
上述方案中，基于计算机智能前沿技术，结合动态增强影像数据集，构建肝脏肿块鉴别CNN模型，智能化识别可能性肝脏肿块，可能性肝脏肿块的早中晚期和定位识别判断，该方案由粗到细地完成可能性肝脏肿块详细鉴别，自动生成可视化筛查结果，协助医生阅片，可减少误诊率和漏诊率，并且可以降低医生的劳动强度。
实施例2：
在实施例1的基础上进一步的，步骤S1中，所述实时动态增强影像为：
当影像采集装置固定架设，且患者位于标准检测位置时；
在同一时刻获取患者在四个方向上的正面肝脏区域影像、背面肝脏区域影像、左面肝脏区域影像、右面肝脏区域影像；
将上述的正面肝脏区域影像、背面肝脏区域影像、左面肝脏区域影像、右面肝脏区域影像作图像融合，从而得到所述实时动态增强影像。
其中，由正面肝脏区域影像、背面肝脏区域影像、左面肝脏区域影像、右面肝脏区域影像作图像融合得到的实时动态增强影像更具有代表性和目标准确性，进一步降低了实时动态增强影像的偶然误差率，从而提高肝脏肿块的鉴别精度。
步骤S2中，肝脏区域目标位置历史动态增强影像的肝脏肿块特征为：
调取历史动态增强影像中同一时刻的正面肝脏区域影像、背面肝脏区域影像、左面肝脏区域影像、右面肝脏区域影像；
分别获取正面肝脏区域影像、背面肝脏区域影像、左面肝脏区域影像、右面肝脏区域影像中的四个历史肝脏肿块特征；
将四个历史肝脏肿块特征作特征数据融合，从而得到肝脏区域目标位置历史动态增强影像的肝脏肿块特征。
其中，四个历史肝脏肿块特征作特征数据融合得到的肝脏区域目标位置历史动态增强影像的肝脏肿块特征，更具有代表性和目标准确性，进一步降低了肝脏肿块特征的偶然误差率，从而提高肝脏肿块的鉴别精度。
如图2所示，进一步的，步骤S3中，肝脏肿块鉴别CNN模型判断所述实时动态增强影像的肝脏区域是否存在可能性肝脏肿块如下：
将四个不同时刻获取的实时动态增强影像分别输入至四个ResNet模型；
输出四个固定维度的隐式表达；
从隐式表达到结果判断之间采用两个全连接层进行对应；
将其中两个时刻的隐式表达连接成两倍固定维度向量，并应用两个全连接层来得出四个输出结果的判断；
将另外两个时刻的隐式表达作相同操作；
对八个输出结果的判断求平均，得到最终的判断。
其中，肝脏肿块鉴别CNN模型将判断所述实时动态增强影像的肝脏区域是否存在可能性肝脏肿块的精度进一步提高。
实施例3：
在实施例2的基础上进一步的，步骤S3中，所述数据分析装置中配置有相互独立的主判断单元和副判断单元，所述主判断单元和所述副判断单元均用于执行肝脏肿块鉴别CNN模型判断所述实时动态增强影像的肝脏区域是否存在可能性肝脏肿块操作，且所述主判断单元和所述副判断单元同时运行；
其中，当所述主判断单元得出的判断结果与所述副判断单元相同时，则进入步骤S4，否则，所述数据分析装置输出肝脏肿块鉴别CNN模型判断异常警示结果。
上述方案中，通过相互独立的主判断单元和副判断单元的配合判断，避免出现某单一判断单元的判断过程出现数据偶然误差，从而引发整个鉴别过程误动作，进一步提高可能性肝脏肿块的鉴别精度。
实施例4：
在实施例1、2或3的基础上进一步的，所述影像采集装置还包括振动信息检测单元，所述振动信息检测单元用于实时检测患者位于标准检测位置时的振动信息；
其中，所述采集单元和所述判别单元处于长时间关闭状态，所述振动信息检测单元处于长时间动作状态；
所述振动信息检测单元预设有患者位于标准检测位置时的标准振动信息；
当所述振动信息检测单元实时检测到患者位于标准检测位置时的振动信息满足所述标准振动信息时，启动所述采集单元和所述判别单元。
上述方案中，在影像采集装置固定架设正常，并且患者位于标准检测位置时，还有可能出现患者活动身体时影像采集装置正好进行采集，则会导致采集到的实时动态增强影像不是目标动态增强影像。因此，设计一振动信息检测单元对患者的振动信息进行实时检测，只有在实时振动信息满足标准振动信息时，才对动态增强影像进行实时采集，保证采集到目标动态增强影像。
进一步的，所述影像采集装置还包括压力信息检测单元，所述压力信息检测单元用于实时检测患者位于标准检测位置时标准检测位置承受的压力信息，记为实时压力信息；
所述压力信息检测单元预设有患者位于标准检测位置时标准检测位置承受的标准压力信息，其中，所述标准压力信息与所述标准振动信息映射对应；
所述压力信息检测单元处于长时间关闭状态；
当所述振动信息检测单元实时检测到患者位于标准检测位置时的振动信息不满足所述标准振动信息时，启动所述压力信息检测单元；
若所述实时压力信息满足所述标准压力信息，则判定所述振动信息检测单元故障。
上述方案中，振动信息检测单元作为动态增强影像进行实时采集的控制单元尤为重要，并且振动信息检测单元也是处于长时间动作状态，动作时间长了设备难免会遇到故障损坏等情况，如果振动信息检测单元出现故障损坏等情况，则会对后续的动态增强影像实时采集控制造成严重影响；因此，提供一压力信息检测单元，使其与振动信息检测单元配合使用，患者位于位于标准检测位置时，其振动信息与标准检测位置所承受的压力信息是成一一对应关系的，所以当振动信息和压力信息均同时满足标准条件时，可确保患者没有自主移动身体，当振动信息和压力信息任意一种不满足标准条件时，振动信息检测单元或压力信息检测单元存在故障损坏的风险，需要相应医师进行应急检查。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (3)

1.一种基于深度学习的肝脏肿块辅助鉴别方法，其特征在于，包括以下步骤：
S1：提供一影像采集装置，获取肝脏区域目标位置的实时动态增强影像；
其中，所述影像采集装置包括采集单元、判别单元，判别单元与采集单元信息交互；采集单元从所述实时动态增强影像中提取出实时肝脏区域位置信息并发送至判别单元，判别单元中预设有目标肝脏区域位置信息并供判别单元调用；
判别单元将实时肝脏区域位置信息与目标肝脏区域位置信息进行匹配判别，若实时肝脏区域位置信息与目标肝脏区域位置信息匹配，则进入步骤S2，若实时肝脏区域位置信息与目标肝脏区域位置信息不匹配，则输出影像采集异常警示结果；
并且，提供一采集信息输出判别装置、一采集信息输入判别装置；
采集信息输出判别装置用于判别所述采集单元输出端的实时肝脏区域位置信息是否正常；采集信息输入判别装置用于判别所述判别单元输入端的实时肝脏区域位置信息是否正常；
若采集信息输出判别装置判别出所述采集单元输出端的实时肝脏区域位置信息异常，则影像采集装置判定所述采集单元的输出端故障；
若采集信息输出判别装置判别出所述采集单元输出端的实时肝脏区域位置信息正常，采集信息输入判别装置判别出所述判别单元输入端的实时肝脏区域位置信息异常，则影像采集装置判定所述采集单元的输出端与所述判别单元的输入端之间的通信故障；
若采集信息输出判别装置判别出所述采集单元输出端的实时肝脏区域位置信息正常，采集信息输入判别装置判别出所述判别单元输入端的实时肝脏区域位置信息正常，则影像采集装置判定所述判别单元的输入端故障；
S2：提供一数据存储装置，存储所述影像采集装置采集的肝脏区域目标位置历史动态增强影像的肝脏肿块特征；
S3：提供一数据分析装置，在所述数据分析装置中，将所述实时动态增强影像和所述肝脏肿块特征输入至肝脏肿块鉴别CNN模型，通过肝脏肿块鉴别CNN模型判断所述实时动态增强影像的肝脏区域是否存在可能性肝脏肿块，若存在，则直接进入步骤S4，不存在，则结束；
S4：在所述数据分析装置中，判断所述实时动态增强影像肝脏区域的可能性肝脏肿块属于早中晚期的何种程度，并对可能性肝脏肿块在所述实时动态增强影像中进行识别定位，从而获得可能性肝脏肿块的鉴别结果；
S5：在所述数据分析装置中，进行鉴别结果的检验：
重复M次步骤S1-步骤S4，若M次可能性肝脏肿块的鉴别结果均相同，则进入步骤S6，否则，所述数据分析装置输出鉴别异常警示结果，其中，M为根据实际需求设定的正整数；
S6：提供一数据输出装置，输出可能性肝脏肿块程度和可能性肝脏肿块在所述实时动态增强影像中的位置；
步骤S1中，所述实时动态增强影像为：
当影像采集装置固定架设，且患者位于标准检测位置时；
在同一时刻获取患者在四个方向上的正面肝脏区域影像、背面肝脏区域影像、左面肝脏区域影像、右面肝脏区域影像；
将上述的正面肝脏区域影像、背面肝脏区域影像、左面肝脏区域影像、右面肝脏区域影像作图像融合，从而得到所述实时动态增强影像；
步骤S2中，肝脏区域目标位置历史动态增强影像的肝脏肿块特征为：
调取历史动态增强影像中同一时刻的正面肝脏区域影像、背面肝脏区域影像、左面肝脏区域影像、右面肝脏区域影像；
分别获取所述正面肝脏区域影像、背面肝脏区域影像、左面肝脏区域影像、右面肝脏区域影像中的四个历史肝脏肿块特征；
将四个历史肝脏肿块特征作特征数据融合，从而得到肝脏区域目标位置历史动态增强影像的肝脏肿块特征；
步骤S3中，肝脏肿块鉴别CNN模型判断所述实时动态增强影像的肝脏区域是否存在可能性肝脏肿块如下：
将所述四个不同时刻获取的实时动态增强影像分别输入至四个ResNet模型；
输出四个固定维度的隐式表达；
从隐式表达到结果判断之间采用两个全连接层进行对应；
将其中两个时刻的隐式表达连接成两倍固定维度向量，并应用两个全连接层来得出四个输出结果的判断；
将另外两个时刻的隐式表达作相同操作；
对八个输出结果的判断求平均，得到最终的判断；
步骤S3中，所述数据分析装置中配置有相互独立的主判断单元和副判断单元，所述主判断单元和所述副判断单元均用于执行肝脏肿块鉴别CNN模型判断所述实时动态增强影像的肝脏区域是否存在可能性肝脏肿块操作，且所述主判断单元和所述副判断单元同时运行；
其中，当所述主判断单元得出的判断结果与所述副判断单元相同时，则进入步骤S4，否则，所述数据分析装置输出肝脏肿块鉴别CNN模型判断异常警示结果。
2.如权利要求1所述的一种基于深度学习的肝脏肿块辅助鉴别方法，其特征在于，所述影像采集装置还包括振动信息检测单元，所述振动信息检测单元用于实时检测患者位于标准检测位置时的振动信息；
其中，所述采集单元和所述判别单元处于长时间关闭状态，所述振动信息检测单元处于长时间动作状态；
所述振动信息检测单元预设有患者位于标准检测位置时的标准振动信息；
当所述振动信息检测单元实时检测到患者位于标准检测位置时的振动信息满足所述标准振动信息时，启动所述采集单元和所述判别单元。
3.如权利要求2所述的一种基于深度学习的肝脏肿块辅助鉴别方法，其特征在于，所述影像采集装置还包括压力信息检测单元，所述压力信息检测单元用于实时检测患者位于标准检测位置时标准检测位置承受的压力信息，记为实时压力信息；
所述压力信息检测单元预设有患者位于标准检测位置时标准检测位置承受的标准压力信息，其中，所述标准压力信息与所述标准振动信息映射对应；
所述压力信息检测单元处于长时间关闭状态；
当所述振动信息检测单元实时检测到患者位于标准检测位置时的振动信息不满足所述标准振动信息时，启动所述压力信息检测单元；
若所述实时压力信息满足所述标准压力信息，则判定所述振动信息检测单元故障。
CN202110685612.9A 2021-06-21 2021-06-21 一种基于深度学习的肝脏肿块辅助鉴别方法 Active CN113436158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110685612.9A CN113436158B (zh) 2021-06-21 2021-06-21 一种基于深度学习的肝脏肿块辅助鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110685612.9A CN113436158B (zh) 2021-06-21 2021-06-21 一种基于深度学习的肝脏肿块辅助鉴别方法

Publications (2)

Publication Number Publication Date
CN113436158A CN113436158A (zh) 2021-09-24
CN113436158B true CN113436158B (zh) 2023-04-18

Family

ID=77756865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110685612.9A Active CN113436158B (zh) 2021-06-21 2021-06-21 一种基于深度学习的肝脏肿块辅助鉴别方法

Country Status (1)

Country Link
CN (1) CN113436158B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101904753A (zh) * 2009-06-08 2010-12-08 株式会社东芝 超声波诊断装置、图像处理的装置及方法和图像显示方法
WO2019171389A1 (en) * 2018-03-09 2019-09-12 Biswas Abhishek Pattern recognition by convolutional neural networks
CN110895817A (zh) * 2019-11-01 2020-03-20 复旦大学 一种基于影像组学分析的mri影像肝纤维化自动分级方法
CN111754485A (zh) * 2020-06-24 2020-10-09 成都市温江区人民医院 一种用于肝脏的人工智能超声辅助系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2120208A1 (en) * 2008-05-13 2009-11-18 IBBT vzw Method and system for lesion segmentation
US10600185B2 (en) * 2017-03-08 2020-03-24 Siemens Healthcare Gmbh Automatic liver segmentation using adversarial image-to-image network
CN108898160B (zh) * 2018-06-01 2022-04-08 中国人民解放军战略支援部队信息工程大学 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法
CN109934832A (zh) * 2019-03-25 2019-06-25 北京理工大学 基于深度学习的肝脏肿瘤分割方法及装置
CN110265141B (zh) * 2019-05-13 2023-04-18 上海大学 一种肝脏肿瘤ct影像计算机辅助诊断方法
CN112927179A (zh) * 2019-11-21 2021-06-08 粘晓菁 肝肿瘤智慧分析方法
CN111709950B (zh) * 2020-08-20 2020-11-06 成都金盘电子科大多媒体技术有限公司 一种乳腺钼靶ai辅助筛查方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101904753A (zh) * 2009-06-08 2010-12-08 株式会社东芝 超声波诊断装置、图像处理的装置及方法和图像显示方法
WO2019171389A1 (en) * 2018-03-09 2019-09-12 Biswas Abhishek Pattern recognition by convolutional neural networks
CN110895817A (zh) * 2019-11-01 2020-03-20 复旦大学 一种基于影像组学分析的mri影像肝纤维化自动分级方法
CN111754485A (zh) * 2020-06-24 2020-10-09 成都市温江区人民医院 一种用于肝脏的人工智能超声辅助系统

Also Published As

Publication number Publication date
CN113436158A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
JP6564475B2 (ja) 数学的分析および機械学習を使用して病気を診断する方法およびシステム
US10149625B2 (en) Patient signal analysis based on vector analysis
JP2020536629A (ja) Ｅｃｇベースの心駆出率のスクリーニング
US20130072790A1 (en) Selection and optimization for cardiac resynchronization therapy
US20110307231A1 (en) Method and arrangement for creating an individualized, computer-aided model of a system, and a corresponding computer program and a corresponding machine-readable storage medium
US20070238995A1 (en) Medical diagnostic ultrasound system with peripheral sensors or data
KR102439082B1 (ko) 딥러닝 기반 심전도 분석데이터를 이용한 일반인의 간질환 보유 가능성 예측 방법
CN115281688A (zh) 一种基于多模态深度学习的心脏肥大多标签检测系统
CN114898882A (zh) 基于超声对右心功能进行评估的方法和系统
CN113436158B (zh) 一种基于深度学习的肝脏肿块辅助鉴别方法
Quartieri et al. Artificial intelligence cloud platform improves arrhythmia detection from insertable cardiac monitors to 25 cardiac rhythm patterns through multi-label classification
CN117017310A (zh) 基于知识蒸馏的声电双模先天性心脏病预测装置
US9277889B2 (en) Patient signal analysis based on actiniform segmentation
KR102149748B1 (ko) 심폐음 신호 획득 방법 및 장치
Zhu et al. [Retracted] Artificial Intelligence‐Based Echocardiographic Left Atrial Volume Measurement with Pulmonary Vein Comparison
KR20220104582A (ko) 심전도를 기반으로 하는 패혈증 진단 시스템
CN110706803B (zh) 一种确定心肌纤维化的方法、装置、可读介质及电子设备
Zhu et al. An intelligent cardiac health monitoring and review system
TW202143915A (zh) 心電圖分析
Saadi et al. Low-cost ecg monitoring system with classification using deep learning
KR20210157444A (ko) 머신러닝 기반 조현병 진단 방법 및 그 시스템
KR102349514B1 (ko) 딥러닝 기반 심전도 분석데이터를 이용한 간경화 환자 예후 예측 방법
CN117562583B (zh) 人工智能辅助的心脏功能检测系统及方法
Sarin et al. Analyzing and Comparing MLP, CNN, and LSTM for Classification of Heart Arrhythmia Using ECG Scans
WO2021182645A1 (ja) 頻脈性不整脈の副伝導路の局在部位予測方法及び局在部位予測装置、並びに、特発性心筋症の診断支援方法及び診断支援装置

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