CN114974563A - 基于算法和医学图像的人工智能精准肿瘤诊断系统 - Google Patents

基于算法和医学图像的人工智能精准肿瘤诊断系统 Download PDF

Info

Publication number
CN114974563A
CN114974563A CN202210514810.3A CN202210514810A CN114974563A CN 114974563 A CN114974563 A CN 114974563A CN 202210514810 A CN202210514810 A CN 202210514810A CN 114974563 A CN114974563 A CN 114974563A
Authority
CN
China
Prior art keywords
module
neural network
image
diagnosis
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.)
Pending
Application number
CN202210514810.3A
Other languages
English (en)
Inventor
罗学敏
王洪平
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 CN202210514810.3A priority Critical patent/CN114974563A/zh
Publication of CN114974563A publication Critical patent/CN114974563A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及人工智能技术领域，具体地说，涉及基于医学图像的人工智能肿瘤诊断系统。包括基建管理单元、数据管理单元、诊治功能单元和扩展应用单元；基建管理单元用于对基础建设进行管理；数据管理单元用于对图像数据进行处理；诊治功能单元用于支撑肿瘤诊治过程；扩展应用单元用于支撑更多功能。本发明设计可以快速获取肿瘤诊断的最具代表性的医学图像，提高诊断工作效率，减少浪费的时间；构建智能诊断模型，通过人工智能快速诊出病灶，减少阅片时间，节省人力时间，降低专业能力要求，降低诊治成本；快速对肿瘤进行定位、定型、鉴别和分期，可以准确定制相应的治疗方案，并追踪患者的诊治全流程，提高诊断效果，并可扩展诊断资料的应用场景。

Description

基于算法和医学图像的人工智能精准肿瘤诊断系统
技术领域
本发明涉及人工智能技术领域，具体地说，涉及基于医学图像的人工智能肿瘤诊断系统。
背景技术
肿瘤是指机体在各种致瘤因子作用下，局部组织细胞增生所形成的新生物，这些新生物生是由人体正常细胞演化而来，这种正常细胞在外界滞留因素的作用下，其正常生、增殖调控出现异常，变成不受明显调控的生长，这种生长过程形成的新生物就称为肿瘤。肿瘤一般分为良性和恶性两种，恶性肿瘤通常为成为癌。肿瘤病症在诊治过程中，越早发现则治愈的几率越高。临床上，在诊断肿瘤病症时，往往需要通过各种医学影像的图像来进行辅助诊断。然而，目前通过医学图像诊断肿瘤的过程主要依靠人工进行，不仅耗费大量人力和时间，对影像科医生的专业能力要求高，且仍然存在较高的误诊/错诊的概率。同时，肿瘤的治疗过程长，治疗过程对辐射或药剂的用量要求准确，针对不同性质、处于不同时期的肿瘤在治疗过程中，需要快速制定有效的治疗方案、确定准确的药剂用量，并需要保存大量的治疗记录，长时间地追踪患者的肿瘤发展情况，这些都难以通过人工进行，若能将人工智能技术应用于肿瘤诊断过程，则可以有效提高诊断效果。然而，现有技术中却没有较为完善的基于医学图像的人工智能肿瘤诊断系统。
发明内容
本发明的目的在于提供了基于医学图像的人工智能肿瘤诊断系统，以解决上述背景技术中提出的问题。
为实现上述技术问题的解决，本发明的目的之一在于，提供了基于医学图像的人工智能肿瘤诊断系统，包括
基建管理单元、数据管理单元、诊治功能单元和扩展应用单元；所述基建管理单元、所述数据管理单元、所述诊治功能单元与所述扩展应用单元依次通过网络通信连接；所述基建管理单元用于对支撑系统运行的智能技术、数据来源等基础建设进行连接管理；所述数据管理单元用于对医学影像的图像数据进行处理管理；所述诊治功能单元用于以医学图像的判识结果来支撑肿瘤病症的诊断及治疗过程；所述扩展应用单元用于通过对医学图像在诊治过程中的应用数据进行共享以支撑更多功能；
所述基建管理单元包括算法技术模块、平台连接模块、电子病历模块、专家知库模块和影像方案模块；
所述数据管理单元包括数据获取模块、图像处理模块、AI识别模块和数据分析模块；
所述诊治功能单元包括病灶检查模块、辅助诊断模块、治疗方案模块、预后预测模块和随访对比模块；
所述扩展应用单元包括结构报告模块、资料共享模块、会诊架构模块和智慧教研模块。
作为本技术方案的进一步改进，所述算法技术模块、所述平台连接模块、所述电子病历模块、所述专家知库模块与所述影像方案模块依次通过网络通信连接；所述算法技术模块用于在构建好的诊断系统平台内载入多种以人工智能技术为主的算法技术以支撑系统运行；所述平台连接模块用于将系统与医疗机构的多个信息管理平台进行连接以便从多来源获取大量的信息数据；所述电子病历模块用于获取待诊断医学图像所属患者的信息以生成相应的电子病历并补充相关资料；所述专家知库模块用于将大量权威肿瘤专家确诊整理的历史数据集合起来以作为参考对比；所述影像方案模块用于根据患者的多方因素来制定相关的医学影像的获取方式或扫描方案。
其中，医疗机构的多个信息管理平台包括但不限于医疗机构的患者信息管理平台、影像科信息管理平台等。
其中，获取患者病灶影像的方案方式包括但不限于：根据患者的检查部位选择、根据患者的疾病症状选择、根据临床医师拟诊疾病选择、根据多部位联合扫描进行选择等。
作为本技术方案的进一步改进，所述数据获取模块的信号输出端与所述图像处理模块的信号输入端连接，所述图像处理模块的信号输出端与所述AI识别模块的信号输入端连接，所述AI识别模块的信号输出端与所述数据分析模块的信号输入端连接；所述数据获取模块用于从多来源获取多种格式的医学影像图像数据，并对图像数据进行清洗、分类、整理等处理，以有效控制图像的质量；所述图像处理模块用于对待诊断图像进行降维、滤波、均值等处理使图像更容易凸显特征以便进行诊断，同时采用最大熵多阈值分割法对待诊断的医学图像进行图像分割，并采用粒子群算法确定医学图像处理过程中采用的最大熵多阈值分割法的最佳组合阈值；所述AI识别模块用于使用人工智能AI技术来对处理后图像中的异常部位进行识别并进行标记；所述数据分析模块用于根据大量的图像资料构建肿瘤诊断数据模型并对模型进行训练。
其中，医学图像的格式包括但不限于CT、MR、DR、DSA等。
作为本技术方案的进一步改进，所述图像处理模块包括图像降维模块、彩色二值化模块、特征提取模块和目标勾画模块；所述图像降维模块的信号输出端与所述彩色二值化模块的信号输入端连接，所述彩色二值化模块的信号输出端与所述特征提取模块的信号输入端连接，所述特征提取模块的信号输出端与所述目标勾画模块的信号输入端连接；所述图像降维模块用于通过线性变换将原始数据变换为一组各维度线性无关的表示以实现高维度数据的降维，可用于提取数据的主要特征分量；所述彩色二值化模块用于将彩色的图像转化为黑白图像以便降低彩色对特征识别的影响；所述特征提取模块用于对处理后的黑白图像中的特征点进行突出显示；所述目标勾画模块用于由具有一定工作年限的高资历、经验丰富的影像科专家对医学图像中的病灶部位进行勾画及标签标注处理。
其中，常用的降维方式主要为PCA降维。
作为本技术方案的进一步改进，所述彩色二值化模块采用大津阈值法，其算法表达式如下：
对于图像I(x，y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1；图像的总平均灰度记为μ，类间方差记为g；
假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：
ω0＝N0/M×N (1)；
ω1＝N1/M×N (2)；
N0+N1＝M×N (3)；
ω0+ω1＝1 (4)；
μ＝ω0*μ0+ω1*μ1 (5)；
g＝ω0(μ0-μ)Λ2+ω1(μ1-μ)Λ2 (6)；
将式(5)代入式(6)，得到等价公式：
g＝ω0ω1(μ0-μ1)Λ2 (7)；
式(7)为类间方差，采用遍历的方法得到时类间方差g最大的阈值T，即为所求。
作为本技术方案的进一步改进，所述数据分析模块包括数据模型模块、神经网络模块、机器学习模块和一致检验模块；所述数据模型模块的信号输出端与所述神经网络模块的信号输入端连接，所述神经网络模块的信号输出端与所述机器学习模块的信号输入端连接，所述机器学习模块的信号输出端与所述一致检验模块的信号输入端连接；所述数据模型模块用于以大量历史医学图像数据为基础，构建肿瘤诊断数据模型，并导入大量的历史确诊病历的图像数据进行训练；所述神经网络模块用于利用训练样本集中的样本对BP神经网络进行训练，利用测试样本集中的样本对BP神经网络进行测试，从而构建基于BP神经网络的肿瘤图像诊断模型用于对肿瘤病灶的情况进行诊断判识，参数优化单元利用人工萤火虫群优化算法对BP神经网络的初始权值和阈值进行优化，通过神经网络的训练算法来将算法权重的值调整到最佳，以使得整个网络的预测效果最好；所述机器学习模块用于使用机器学习相关的技术进行神经网络的训练，使得参数尽可能的与真实的模型逼近，从而使得模型训练可以获得性能与数据利用上的双重优势；所述一致检验模块用于对分别采用人工勾画标注及人工智能AI技术自动识别的诊断结果进行比对及一致性检验操作。
作为本技术方案的进一步改进，利用BP神经网络对自动识别的诊断结果进一步分类，以保证使用该系统的患者通过自检医学图像能获得诊疗方案，具体步骤如下：
首先搭建M层神经网络，对于第m+1层网路的输出，有：
am+1＝fm+1(Wm+1am+bm+1)，m＝0，1，...，M-1
其中，M是网络层数，a是神经网络的输出结果，即肿瘤的类别，存在a0＝p和a＝aM，am+1是第m+1层神经网络的输出结果，am是第m层神经网络的输出结果，fm+1是第m+1层神经网络的激励函数，Wm+1是第m+1层神经网络的权重，bm+1是第m+1层神经网络的偏置，假设对于每一类肿瘤特征的输入p，都存在一个对应的肿瘤类型输出t，可建立如下对应关系：{p1，t1}，{p2，t2}，...，{pq，tq}，...，{pQ，tQ}，其中，p1是第1个肿瘤图像特征的输入，t1是对应第1个分类的期望输出，p2是第2个肿瘤图像特征的输入，t2是对应第2个分类的期望输出，pq是第q个肿瘤图像特征的输入，tq是对应第q个分类的期望输出，pQ是第Q个肿瘤图像特征的输入，tQ是对应第Q个分类的期望输出，算法将调整网络参数以使均方误差最小化：F(x)＝E[(t-a)2]＝E[(t-a)T(t-a)]，可令e＝t-a表示期望输出与预测输出的误差，其中，F表示均方误差，x表示F的自变量，此时自变量包括t和a，E表示数学期望，(t-a)T表示误差的转置，用
Figure BDA0003641057060000051
代替F(x)以近似计算均方误差：
Figure BDA0003641057060000052
Figure BDA0003641057060000053
其中k为第k次迭代，近似均方误差的最速下降法为：
Figure BDA0003641057060000054
其中α为学习速度，
Figure BDA0003641057060000055
表示在第m层神经网络第k+1次迭代下第i个元素对第j元素的权重，
Figure BDA0003641057060000056
表示在第m层神经网络第k次迭代下第i个元素对第j元素的权重。
作为本技术方案的进一步改进，定义链式法则为：
Figure BDA0003641057060000057
若f(n)＝e^n且n＝2w，则f(n(w))＝e^{2w}，有
Figure BDA0003641057060000058
那么利用链式法则
Figure BDA0003641057060000059
和
Figure BDA00036410570600000510
可写成：
Figure BDA00036410570600000511
对于第m层的净输入n，有：
Figure BDA00036410570600000512
其中，s表示敏感性，sm-1表示第m-1层神经网络的敏感性，
Figure BDA00036410570600000513
表示在m层神经网络中第i个元素的净输入，
Figure BDA00036410570600000514
表示在m-1层神经网络中第j个元素的输出，
Figure BDA00036410570600000515
表示在m层神经网络中第i个元素的偏置，因此：
Figure BDA00036410570600000516
Figure BDA0003641057060000061
若定义：
Figure BDA0003641057060000062
则
Figure BDA0003641057060000063
和
Figure BDA0003641057060000064
可化简为：
Figure BDA0003641057060000065
利用近似最速下降法表示为：
Figure BDA0003641057060000066
Figure BDA0003641057060000067
其中，
Figure BDA0003641057060000068
表示在m层神经网络第k+1次迭代中第i个元素的偏置，那么矩阵形式可表示为：
Wm(k+1)＝wm(k)-αsm(am-1)T
bm(k+1)＝bm(k)-αsm
其中，Wm(k+1)表示wm(k+1)的矩阵形式，即m层神经网络第k+1次迭代后的权重集合，这里sm有：
Figure BDA0003641057060000069
其中，
Figure BDA00036410570600000610
表示近似误差对第m层的净输入求偏导，
Figure BDA00036410570600000611
表示近似误差对第m层的第1个净输入求偏导，
Figure BDA00036410570600000612
表示近似误差对第m层的第2个净输入求偏导，
Figure BDA00036410570600000613
表示近似误差对第m层的第sm个净输入求偏导，记雅可比矩阵为：
Figure BDA00036410570600000614
其中，
Figure BDA00036410570600000615
表示第m+1层神经网络的净输入对第m层神经网络的净输入的偏导，
Figure BDA00036410570600000616
表示第m+1层神经网络的第1个净输入对第m层神经网络的第1个净输入的偏导，
Figure BDA0003641057060000071
表示第m+1层神经网络的第1个净输入对第m层神经网络的第2个净输入的偏导，
Figure BDA0003641057060000072
表示第m+1层神经网络的第1个净输入对第m层神经网络的第sm个净输入的偏导，
Figure BDA0003641057060000073
表示第m+1层神经网络的第2个净输入对第m层神经网络的第1个净输入的偏导，
Figure BDA0003641057060000074
表示第m+1层神经网络的第2个净输入对第m层神经网络的第2个净输入的偏导，
Figure BDA0003641057060000075
表示第m+1层神经网络的第2个净输入对第m层神经网络的第sm个净输入的偏导，
Figure BDA0003641057060000076
表示第m+1层神经网络的第sm+1个净输入对第m层神经网络的净输入的偏导，
Figure BDA0003641057060000077
表示第m+1层神经网络的第sm+1个净输入对第m层神经网络的第1个净输入的偏导，
Figure BDA0003641057060000078
表示第m+1层神经网络的第sm+1个净输入对第m层神经网络的第sm个净输入的偏导，
Figure BDA0003641057060000079
表示第m+1层神经网络的第sm+1个净输入对第m层神经网络的第sm个净输入的偏导，考虑矩阵的i，j元素：
Figure BDA00036410570600000710
其中：
Figure BDA00036410570600000711
那么雅可比矩阵可写成：
Figure BDA00036410570600000712
其中：
Figure BDA00036410570600000713
Fm(nm)表示第m层神经网络净输入为nm时的目标函数，
Figure BDA00036410570600000714
表示第m层神经网络净输入为
Figure BDA00036410570600000715
时的目标函数，
Figure BDA00036410570600000716
表示第m层神经网络净输入为
Figure BDA00036410570600000717
时的目标函数，
Figure BDA00036410570600000718
表示第m层神经网络净输入为
Figure BDA00036410570600000719
时的目标函数，则通过矩阵形式的链式法则写出敏感性的递推关系式：
Figure BDA00036410570600000720
Figure BDA00036410570600000721
作为本技术方案的进一步改进，所述一致检验模块采用一致性比率指标CR进行检验，其公式为：
先计算一致性指标CI：
Figure BDA0003641057060000081
其中，λmax为矩阵的最大特征值，其近似求法为：比较矩阵乘以优先比例向量，得到一个新的向量，这个新的向量第1个数除以优先向量的第1个数，第2个数除以优先向量的第2个数，……，结果加起来，再除以因数的个数n，可得λmax；
再通过查表确定相应的平均随机一致性指标RI；
然后计算一致性比例CR并进行判断：
Figure BDA0003641057060000082
当CR＜0.1时，认为判断矩阵的一致性时可以接受的，当CR＞0.1时，认为判断矩阵不符合一致性要求，需要对该判断矩阵进行重新修正。
作为本技术方案的进一步改进，所述病灶检查模块、所述辅助诊断模块、所述治疗方案模块、所述预后预测模块与所述随访对比模块依次通过网络通信连接并可独立运行；所述病灶检查模块用于通过诊断模型对医学图像的识别来快速检出图像中的病灶情况；所述辅助诊断模块用于通过对病灶部位的准确定位、定性、鉴别、分期等处理来辅助病灶的疾病诊断；所述治疗方案模块用于根据诊出的疾病情况定制相应的治疗方案，并评估辐射或药剂的注射用量；所述预后预测模块用于根据前后不同期的医学图像中同一病灶处的判识情况，来作为肿瘤后期是否可能复发、患者生存期的预后预测依据；所述随访对比模块用于根据不同时期的医学图像的诊断识别，来作为对患者随访的前后对比，从而定量测量机评估患者的病情进展，并可基于国内/国际指南、共识来给出随访意见或检查建议。
作为本技术方案的进一步改进，所述辅助诊断模块包括病灶定位模块、病灶定性模块、测量鉴别模块和程度分期模块；所述病灶定位模块、所述病灶定性模块、所述测量鉴别模块与所述程度分期模块依次通过网络通信连接；所述病灶定位模块用于根据医学图像中病灶部位在图像中的位置，结合图像与患者身体部位的对应部位，来准确定位患者体内肿瘤的病灶部位；所述病灶定性模块用于根据病灶部位的图像特征，依据历史诊断经验，判断病灶部位的性质，主要包括良性和恶性两种；所述测量鉴别模块用于通过对病灶位置进行定量测量，输出相关的测量值，通过测量结果鉴别病灶部位的情况；所述程度分期模块用于根据肿瘤病灶部位的恶化程度，将该患者的病灶情况划分到对应的发展时期，以便作为制定治疗方案的依据。
其中，肿瘤病灶的发展时期应包括早期、中期、晚期等。
作为本技术方案的进一步改进，所述结构报告模块、所述资料共享模块、所述会诊架构模块与所述智慧教研模块依次通过网络通信连接；所述结构报告模块用于根据患者的历史诊治病历、历次医学图像的诊断记录、肿瘤诊治的追踪全流程，构建全面覆盖的结构式诊断报告，以便全面多维底展示诊治情况；所述资料共享模块用于将多个医疗机构对肿瘤诊治的相关可公开资料进行共享，以促进大区域内各医疗机构的医学水平情况；所述会诊架构模块用于以大量的医学图像人工智能识别情况，作为多专家进行会诊的参考依据；所述智慧教研模块用于从海量的医学图像诊断报告中，智能地筛选出具有代表性的数据以作为教研治疗，从而可以更好底提高医学教研的水平。
作为本技术方案的进一步改进，所述图像处理模块采用最大熵多阈值分割法对所述待诊断的医学图像进行图像分割，并采用粒子群算法确定所述医学图像处理单元中采用的最大熵多阈值分割法的最佳组合阈值
本发明的目的之二在于，提供了基于医学图像的人工智能肿瘤诊断系统的运行方法，包括：
首先从医疗机构的信息管理平台获取患者的相关信息资料以创建电子病历，根据患者的疾病情况选择相应的扫描方案并获取相应的医学影像图像后，对图像进行分割、降维、彩色二值化处理，并由高年资影像科医师进行勾画标注，同时通过人工智能技术对处理好的图像进行智能识别，其次根据大量的图像数据构建肿瘤诊断数据模型，经多种算法训练验证后提高模型的诊断准确度，再通过诊断模型对新导入的医学图像进行判识，以辅助医师对患者进行肿瘤病症的诊断、治疗及预后随访的全流程，最后还可将所有相关数据整理成结构式的报告，以支持如资料共享、专家会诊及智慧教研等扩展服务。
本发明的目的之三在于，提供了基于医学图像的人工智能肿瘤诊断系统的运行装置，包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现上述的基于医学图像的人工智能肿瘤诊断系统。
本发明的目的之四在于，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存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于医学图像的人工智能肿瘤诊断系统。
与现有技术相比，本发明的有益效果：
1.该基于医学图像的人工智能肿瘤诊断系统通过获取大量与患者相关的病史记录，可以快速地选择最佳的医学图像获取方案，从而获取肿瘤诊断的最具代表性的医学图像，提高诊断工作效率，减少浪费的时间；
2.该基于医学图像的人工智能肿瘤诊断系统通过对大量的历史肿瘤诊断的图像数据进行处理分析，构建智能诊断模型并进行精确训练，通过人工智能对医学图像进行分析以快速诊出病灶，减少阅片时间，节省人力时间，且降低对阅片人员的专业能力要求，降低诊治成本；
3.该基于医学图像的人工智能肿瘤诊断系统通过快速对肿瘤进行定位、定型、鉴别和分期，可以准确定制相应的治疗方案，并追踪患者的诊治全流程，准确给出相应的预后预测、随访对比建议，提高诊断效果，并可扩展诊断资料的应用场景。
附图说明
图1为本发明的示例性产品架构图；
图2为本发明的整体系统装置结构图；
图3为本发明的局部系统装置结构图之一；
图4为本发明的局部系统装置结构图之二；
图5为本发明的局部系统装置结构图之三；
图6为本发明的局部系统装置结构图之四；
图7为本发明的局部系统装置结构图之五；
图8为本发明的局部系统装置结构图之六；
图9为本发明的局部系统装置结构图之七；
图10为本发明的示例性电子计算机平台装置结构示意图。
图中各个标号意义为：
1、处理主机；2、显示终端；3、数据库；4、医疗机构患者信息管理平台；5、影像科信息管理平台；
100、基建管理单元；101、算法技术模块；102、平台连接模块；103、电子病历模块；104、专家知库模块；105、影像方案模块；
200、数据管理单元；201、数据获取模块；202、图像处理模块；2021、图像降维模块；2022、彩色二值化模块；2023、特征提取模块；2024、目标勾画模块；203、AI识别模块；204、数据分析模块；2041、数据模型模块；2042、神经网络模块；2043、机器学习模块；2044、一致检验模块；
300、诊治功能单元；301、病灶检查模块；302、辅助诊断模块；3021、病灶定位模块；3022、病灶定性模块；3023、测量鉴别模块；3024、程度分期模块；303、治疗方案模块；304、预后预测模块；305、随访对比模块；
400、扩展应用单元；401、结构报告模块；402、资料共享模块；403、会诊架构模块；404、智慧教研模块。
具体实施方式
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
如图1-图10所示，本实施例提供了基于医学图像的人工智能肿瘤诊断系统，包括
基建管理单元100、数据管理单元200、诊治功能单元300和扩展应用单元400；基建管理单元100、数据管理单元200、诊治功能单元300与扩展应用单元400依次通过网络通信连接；基建管理单元100用于对支撑系统运行的智能技术、数据来源等基础建设进行连接管理；数据管理单元200用于对医学影像的图像数据进行处理管理；诊治功能单元300用于以医学图像的判识结果来支撑肿瘤病症的诊断及治疗过程；扩展应用单元400用于通过对医学图像在诊治过程中的应用数据进行共享以支撑更多功能；
基建管理单元100包括算法技术模块101、平台连接模块102、电子病历模块103、专家知库模块104和影像方案模块105；
数据管理单元200包括数据获取模块201、图像处理模块202、AI识别模块203和数据分析模块204；
诊治功能单元300包括病灶检查模块301、辅助诊断模块302、治疗方案模块303、预后预测模块304和随访对比模块305；
扩展应用单元400包括结构报告模块401、资料共享模块402、会诊架构模块403和智慧教研模块404。
本实施例中，算法技术模块101、平台连接模块102、电子病历模块103、专家知库模块104与影像方案模块105依次通过网络通信连接；算法技术模块101用于在构建好的诊断系统平台内载入多种以人工智能技术为主的算法技术以支撑系统运行；平台连接模块102用于将系统与医疗机构的多个信息管理平台进行连接以便从多来源获取大量的信息数据；电子病历模块103用于获取待诊断医学图像所属患者的信息以生成相应的电子病历并补充相关资料；专家知库模块104用于将大量权威肿瘤专家确诊整理的历史数据集合起来以作为参考对比；影像方案模块105用于根据患者的多方因素来制定相关的医学影像的获取方式或扫描方案。
其中，医疗机构的多个信息管理平台包括但不限于医疗机构的患者信息管理平台、影像科信息管理平台等。
其中，获取患者病灶影像的方案方式包括但不限于：根据患者的检查部位选择、根据患者的疾病症状选择、根据临床医师拟诊疾病选择、根据多部位联合扫描进行选择等。
本实施例中，数据获取模块201的信号输出端与图像处理模块202的信号输入端连接，图像处理模块202的信号输出端与AI识别模块203的信号输入端连接，AI识别模块203的信号输出端与数据分析模块204的信号输入端连接；数据获取模块201用于从多来源获取多种格式的医学影像图像数据，并对图像数据进行清洗、分类、整理等处理，以有效控制图像的质量；图像处理模块202用于对待诊断图像进行降维、滤波、均值等处理使图像更容易凸显特征以便进行诊断，同时采用最大熵多阈值分割法对待诊断的医学图像进行图像分割，并采用粒子群算法确定医学图像处理过程中采用的最大熵多阈值分割法的最佳组合阈值；AI识别模块203用于使用人工智能AI技术来对处理后图像中的异常部位进行识别并进行标记；数据分析模块204用于根据大量的图像资料构建肿瘤诊断数据模型并对模型进行训练。
其中，医学图像的格式包括但不限于CT、MR、DR、DSA等。
进一步地，图像处理模块202包括图像降维模块2021、彩色二值化模块2022、特征提取模块2023和目标勾画模块2024；图像降维模块2021的信号输出端与彩色二值化模块2022的信号输入端连接，彩色二值化模块2022的信号输出端与特征提取模块2023的信号输入端连接，特征提取模块2023的信号输出端与目标勾画模块2024的信号输入端连接；图像降维模块2021用于通过线性变换将原始数据变换为一组各维度线性无关的表示以实现高维度数据的降维，可用于提取数据的主要特征分量；彩色二值化模块2022用于将彩色的图像转化为黑白图像以便降低彩色对特征识别的影响；特征提取模块2023用于对处理后的黑白图像中的特征点进行突出显示；目标勾画模块2024用于由具有一定工作年限的高资历、经验丰富的影像科专家对医学图像中的病灶部位进行勾画及标签标注处理。
其中，常用的降维方式主要为PCA降维。
具体地，彩色二值化模块2022采用大津阈值法，其算法表达式如下：
对于图像I(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1；图像的总平均灰度记为μ，类间方差记为g；
假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：
ω0＝N0/M×N (1)；
ω1＝N1/M×N (2)；
N0+N1＝M×N (3)；
ω0+ω1＝1 (4)；
μ＝ω0*μ0+ω1*μ1 (5)；
g＝ω0(μ0-μ)Λ2+ω1(μ1-μ)Λ2 (6)；
将式(5)代入式(6)，得到等价公式：
g＝ω0ω1(μ0-μ1)Λ2 (7)；
式(7)为类间方差，采用遍历的方法得到时类间方差g最大的阈值T，即为所求。
具体地，数据分析模块204包括数据模型模块2041、神经网络模块2042、机器学习模块2043和一致检验模块2044；数据模型模块2041的信号输出端与神经网络模块2042的信号输入端连接，神经网络模块2042的信号输出端与机器学习模块2043的信号输入端连接，机器学习模块2043的信号输出端与一致检验模块2044的信号输入端连接；数据模型模块2041用于以大量历史医学图像数据为基础，构建肿瘤诊断数据模型，并导入大量的历史确诊病历的图像数据进行训练；神经网络模块2042用于利用训练样本集中的样本对BP神经网络进行训练，利用测试样本集中的样本对BP神经网络进行测试，从而构建基于BP神经网络的肿瘤图像诊断模型用于对肿瘤病灶的情况进行诊断判识，参数优化单元利用人工萤火虫群优化算法对BP神经网络的初始权值和阈值进行优化，通过神经网络的训练算法来将算法权重的值调整到最佳，以使得整个网络的预测效果最好；机器学习模块2043用于使用机器学习相关的技术进行神经网络的训练，使得参数尽可能的与真实的模型逼近，从而使得模型训练可以获得性能与数据利用上的双重优势；一致检验模块2044用于对分别采用人工勾画标注及人工智能AI技术自动识别的诊断结果进行比对及一致性检验操作。
具体地，利用BP神经网络对自动识别的诊断结果进一步分类，以保证使用该系统的患者通过自检医学图像能获得诊疗方案，具体步骤如下：
首先搭建M层神经网络，对于第m+1层网路的输出，有：
am+1＝fm+1(Wm+1am+bm+1)，m＝0，1，…，M-1
其中，M是网络层数，a是神经网络的输出结果，即肿瘤的类别，存在a0＝p和a＝aM，am+1是第m+1层神经网络的输出结果，am是第m层神经网络的输出结果，fm+1是第m+1层神经网络的激励函数，Wm+1是第m+1层神经网络的权重，bm+1是第m+1层神经网络的偏置，假设对于每一类肿瘤特征的输入p，都存在一个对应的肿瘤类型输出t，可建立如下对应关系：{p1，t1}，{p2，t2}，...，{pq，tq}，...，{pQ，tQ}，其中，p1是第1个肿瘤图像特征的输入，t1是对应第1个分类的期望输出，p2是第2个肿瘤图像特征的输入，t2是对应第2个分类的期望输出，pq是第q个肿瘤图像特征的输入，tq是对应第q个分类的期望输出，pQ是第Q个肿瘤图像特征的输入，tQ是对应第Q个分类的期望输出，算法将调整网络参数以使均方误差最小化：F(x)＝E[(t-a)2]＝E[(t-a)T(t-a)]，可令e＝t-a表示期望输出与预测输出的误差，其中，F表示均方误差，x表示F的自变量，此时自变量包括t和a，E表示数学期望，(t-a)T表示误差的转置，用
Figure BDA0003641057060000158
代替F(x)以近似计算均方误差：
Figure BDA0003641057060000151
Figure BDA0003641057060000152
其中k为第k次迭代，近似均方误差的最速下降法为：
Figure BDA0003641057060000153
其中α为学习速度，
Figure BDA0003641057060000154
表示在第m层神经网络第k+1次迭代下第i个元素对第j元素的权重，
Figure BDA0003641057060000155
表示在第m层神经网络第k次迭代下第i个元素对第j元素的权重。
具体地，定义链式法则为：
Figure BDA0003641057060000156
若f(n)＝e^n且n＝2w，则f(n(w))＝e^{2w}，有
Figure BDA0003641057060000157
那么利用链式法则
Figure BDA0003641057060000161
和
Figure BDA0003641057060000162
可写成：
Figure BDA0003641057060000163
对于第m层的净输入n，有：
Figure BDA0003641057060000164
其中，s表示敏感性，sm-1表示第m-1层神经网络的敏感性，
Figure BDA0003641057060000165
表示在m层神经网络中第i个元素的净输入，
Figure BDA0003641057060000166
表示在m-1层神经网络中第j个元素的输出，
Figure BDA0003641057060000167
表示在m层神经网络中第i个元素的偏置，因此：
Figure BDA0003641057060000168
Figure BDA0003641057060000169
若定义：
Figure BDA00036410570600001610
则
Figure BDA00036410570600001611
和
Figure BDA00036410570600001612
可化简为：
Figure BDA00036410570600001613
利用近似最速下降法表示为：
Figure BDA00036410570600001614
Figure BDA00036410570600001615
其中，
Figure BDA00036410570600001616
表示在m层神经网络第k+1次迭代中第i个元素的偏置，那么矩阵形式可表示为：
Wm(k+1)＝wm(k)-αsm(am-1)T
bm(k+1)＝bm(k)-αsm
其中，Wm(k+1)表示wm(k+1)的矩阵形式，即m层神经网络第k+1次迭代后的权重集合，这里sm有：
Figure BDA00036410570600001617
其中，
Figure BDA00036410570600001618
表示近似误差对第m层的净输入求偏导，
Figure BDA00036410570600001619
表示近似误差对第m层的第1个净输入求偏导，
Figure BDA00036410570600001620
表示近似误差对第m层的第2个净输入求偏导，
Figure BDA00036410570600001621
表示近似误差对第m层的第sm个净输入求偏导，记雅可比矩阵为：
Figure BDA0003641057060000171
其中，
Figure BDA0003641057060000172
表示第m+1层神经网络的净输入对第m层神经网络的净输入的偏导，
Figure BDA0003641057060000173
表示第m+1层神经网络的第1个净输入对第m层神经网络的第1个净输入的偏导，
Figure BDA0003641057060000174
表示第m+1层神经网络的第1个净输入对第m层神经网络的第2个净输入的偏导，
Figure BDA0003641057060000175
表示第m+1层神经网络的第1个净输入对第m层神经网络的第sm个净输入的偏导，
Figure BDA0003641057060000176
表示第m+1层神经网络的第2个净输入对第m层神经网络的第1个净输入的偏导，
Figure BDA0003641057060000177
表示第m+1层神经网络的第2个净输入对第m层神经网络的第2个净输入的偏导，
Figure BDA0003641057060000178
表示第m+1层神经网络的第2个净输入对第m层神经网络的第sm个净输入的偏导，
Figure BDA0003641057060000179
表示第m+1层神经网络的第sm+1个净输入对第m层神经网络的净输入的偏导，
Figure BDA00036410570600001710
表示第m+1层神经网络的第sm+1个净输入对第m层神经网络的第1个净输入的偏导，
Figure BDA00036410570600001711
表示第m+1层神经网络的第sm+1个净输入对第m层神经网络的第sm个净输入的偏导，
Figure BDA00036410570600001712
表示第m+1层神经网络的第sm+1个净输入对第m层神经网络的第sm个净输入的偏导，考虑矩阵的i，j元素：
Figure BDA00036410570600001713
其中：
Figure BDA00036410570600001714
那么雅可比矩阵可写成：
Figure BDA00036410570600001715
其中：
Figure BDA00036410570600001716
Fm(nm)表示第m层神经网络净输入为nm时的目标函数，
Figure BDA00036410570600001717
表示第m层神经网络净输入为
Figure BDA00036410570600001718
时的目标函数，
Figure BDA00036410570600001719
表示第m层神经网络净输入为
Figure BDA0003641057060000181
时的目标函数，
Figure BDA0003641057060000182
表示第m层神经网络净输入为
Figure BDA0003641057060000183
时的目标函数，则通过矩阵形式的链式法则写出敏感性的递推关系式：
Figure BDA0003641057060000184
Figure BDA0003641057060000185
具体地，一致检验模块2044采用一致性比率指标CR进行检验，其公式为：
先计算一致性指标CI：
Figure BDA0003641057060000186
其中，λmax为矩阵的最大特征值，其近似求法为：比较矩阵乘以优先比例向量，得到一个新的向量，这个新的向量第1个数除以优先向量的第1个数，第2个数除以优先向量的第2个数，……，结果加起来，再除以因数的个数n，可得λmax；
再通过查表确定相应的平均随机一致性指标RI；
然后计算一致性比例CR并进行判断：
Figure BDA0003641057060000187
当CR＜0.1时，认为判断矩阵的一致性时可以接受的，当CR＞0.1时，认为判断矩阵不符合一致性要求，需要对该判断矩阵进行重新修正。
本实施例中，病灶检查模块301、辅助诊断模块302、治疗方案模块303、预后预测模块304与随访对比模块305依次通过网络通信连接并可独立运行；病灶检查模块301用于通过诊断模型对医学图像的识别来快速检出图像中的病灶情况；辅助诊断模块302用于通过对病灶部位的准确定位、定性、鉴别、分期等处理来辅助病灶的疾病诊断；治疗方案模块303用于根据诊出的疾病情况定制相应的治疗方案，并评估辐射或药剂的注射用量；预后预测模块304用于根据前后不同期的医学图像中同一病灶处的判识情况，来作为肿瘤后期是否可能复发、患者生存期的预后预测依据；随访对比模块305用于根据不同时期的医学图像的诊断识别，来作为对患者随访的前后对比，从而定量测量机评估患者的病情进展，并可基于国内/国际指南、共识来给出随访意见或检查建议。
进一步地，辅助诊断模块302包括病灶定位模块3021、病灶定性模块3022、测量鉴别模块3023和程度分期模块3024；病灶定位模块3021、病灶定性模块3022、测量鉴别模块3023与程度分期模块3024依次通过网络通信连接；病灶定位模块3021用于根据医学图像中病灶部位在图像中的位置，结合图像与患者身体部位的对应部位，来准确定位患者体内肿瘤的病灶部位；病灶定性模块3022用于根据病灶部位的图像特征，依据历史诊断经验，判断病灶部位的性质，主要包括良性和恶性两种；测量鉴别模块3023用于通过对病灶位置进行定量测量，输出相关的测量值，通过测量结果鉴别病灶部位的情况；程度分期模块3024用于根据肿瘤病灶部位的恶化程度，将该患者的病灶情况划分到对应的发展时期，以便作为制定治疗方案的依据。
其中，肿瘤病灶的发展时期应包括早期、中期、晚期等。
本实施例中，结构报告模块401、资料共享模块402、会诊架构模块403与智慧教研模块404依次通过网络通信连接；结构报告模块401用于根据患者的历史诊治病历、历次医学图像的诊断记录、肿瘤诊治的追踪全流程，构建全面覆盖的结构式诊断报告，以便全面多维底展示诊治情况；资料共享模块402用于将多个医疗机构对肿瘤诊治的相关可公开资料进行共享，以促进大区域内各医疗机构的医学水平情况；会诊架构模块403用于以大量的医学图像人工智能识别情况，作为多专家进行会诊的参考依据；智慧教研模块404用于从海量的医学图像诊断报告中，智能地筛选出具有代表性的数据以作为教研治疗，从而可以更好底提高医学教研的水平。
本实施例还提供了基于医学图像的人工智能肿瘤诊断系统的运行方法，包括：
首先从医疗机构的信息管理平台获取患者的相关信息资料以创建电子病历，根据患者的疾病情况选择相应的扫描方案并获取相应的医学影像图像后，对图像进行分割、降维、彩色二值化处理，并由高年资影像科医师进行勾画标注，同时通过人工智能技术对处理好的图像进行智能识别，其次根据大量的图像数据构建肿瘤诊断数据模型，经多种算法训练验证后提高模型的诊断准确度，再通过诊断模型对新导入的医学图像进行判识，以辅助医师对患者进行肿瘤病症的诊断、治疗及预后随访的全流程，最后还可将所有相关数据整理成结构式的报告，以支持如资料共享、专家会诊及智慧教研等扩展服务。
在另一个优选实施例中，所述图像处理模块202采用最大熵多阈值分割法对所述待诊断的医学图像进行图像分割，并采用粒子群算法确定所述医学图像处理单元中采用的最大熵多阈值分割法的最佳组合阈值。
在所述粒子群算法中，粒子群采用下列方式对粒子的解进行迭代更新：
Vi(t+1)＝ωVi(t)+ci1(t)r1(Pbesti(t)-Xi(t))+ci2(t)r2(Gbest(t)-Xi(t))
Xi(t+1)＝Xi(t)+Vi(t+1)
式中，Xi(t+1)和Vi(t+1)分别表示粒子i在第(t+1)次迭代时的解和速度，Xi(t)和Vi(t)分别表示粒子i在第t次迭代时的解和速度，ω表示惯性权重因子，Pbesti(t)表示粒子i在第t次迭代时的历史最优解，Gbest(t)表示粒子群在第t次迭代时的全局最优解，r1和r2表示随机产生的0到1之间的随机数，ci1(t)表示粒子i在第t次迭代时的认知学习因子，ci2(t)表示粒子i在第t次迭代时的社会学习因子。
设置粒子群采用下列方式调节粒子i在第t次迭代时的认知学习因子ci1(t)和社会学习因子ci2(t)的值：
设Ωi(t)表示粒子i在第t次迭代时的局部邻域，且Ωi(t)为以解Xi(t)为中心、以R(t)为半径的圆形区域，R(t)为粒子群在第t次迭代时的局部邻域半径，设置R(t)的值为：
Figure BDA0003641057060000201
其中，Ri(t)表示粒子i在第t次迭代时的局部邻域半径，且
Figure BDA0003641057060000202
Figure BDA0003641057060000203
Figure BDA0003641057060000204
表示在第t次迭代时粒子群中距离解Xi(t)第l近的粒子的解，c表示给定的正整数，且c＜N，N表示粒子群中的粒子数；Ωi，best(t)表示粒子i在第t次迭代时的历史最优邻域，且Ωi，best(t)为以解Pbesti(t)为中心、以r(t)为半径的圆形区域，r(t)为粒子群在第t次迭代时的历史最优邻域半径，且
Figure BDA0003641057060000205
其中，ri(t)表示粒子i在第t次迭代时的历史最优邻域半径，且
Figure BDA0003641057060000206
式中，
Figure BDA0003641057060000207
表示在第t次迭代时粒子群中距离解Pbesti(t)第a近的粒子的解；
定义函数qi(t)用于对粒子i在第t次迭代时的寻优匀称度进行检测，设置qi(t)的计算公式为：
Figure BDA0003641057060000211
式中，qi(t)表示粒子i在第t次迭代时的寻优匀称度，Ji(t)表示粒子i在第t次迭代时的局部寻优匀称度，Si(t)表示粒子i在第t次迭代时的历史寻优匀称度，Ji(t)和Si(t)的值分别为：
Figure BDA0003641057060000212
Figure BDA0003641057060000213
式中，Xj(t)表示粒子j在第t次迭代时的解，Xb(t)表示粒子b在第t次迭代时的解，且Xj(t)≠Xb(t)，Xk(t)表示粒子k在第t次迭代时的解，Xo(t)表示粒子o在第t次迭代时的解，且Xk(t)≠Xo(t)，λi，j(t)为在第t次迭代时用于粒子i和粒子j之间的寻优判断函数，设fi(t)和fj(t)分别表示粒子i和粒子j在第t次迭代时的适应度函数值，则
Figure BDA0003641057060000214
λi，b(t)为在第t次迭代时用于粒子i和粒子b之间的寻优判断函数，设fb(t)表示粒子b在第t次迭代时的适应度函数值，则
Figure BDA0003641057060000215
mi，best(t)表示历史最优邻域Ωi，best(t)中的粒子数；
当qi(t)＜Hq1(t)或qi(t)＞Hq2(t)时，则ci1(t)和ci2(t)的值分别调整为：
Figure BDA0003641057060000216
Figure BDA0003641057060000217
当Hq1(t)≤qi(t)≤Hq2(t)时，则ci1(t)和ci2(t)的值分别调整为：
Figure BDA0003641057060000218
Figure BDA0003641057060000219
上式中，α和β为两个常数，用于控制ci1(t)和ci2(t)的范围，Hq1(t)为粒子群在第t次迭代时的全局寻优匀称度的下限值，且
Figure BDA00036410570600002110
Hq2(t)为粒子群在第t次迭代时的全局寻优匀称度的上限值，且
Figure BDA0003641057060000221
其中，
Figure BDA0003641057060000222
表示粒子群中粒子在第t次迭代时的寻优匀称度的均值，且
Figure BDA0003641057060000223
Tmax为给定的最大迭代次数。
如图1所示，本实施例还提供了基于医学图像的人工智能肿瘤诊断系统的示例性产品架构，包括处理主机1及其配套的显示终端2，处理主机1通讯连接有数据库3，数据库3还通讯连接有医疗机构患者信息管理平台4和影像科信息管理平台5。
如图10所示，本实施例还提供了基于医学图像的人工智能肿瘤诊断系统的运行装置，该装置包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序。
处理器包括一个或一个以上处理核心，处理器通过总线与存储器相连，存储器用于存储程序指令，处理器执行存储器中的程序指令时实现上述的基于医学图像的人工智能肿瘤诊断系统。
可选的，存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随时存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
此外，本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的基于医学图像的人工智能肿瘤诊断系统。
可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面基于医学图像的人工智能肿瘤诊断系统。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.基于医学图像的人工智能肿瘤诊断系统，其特征在于：包括
基建管理单元(100)、数据管理单元(200)、诊治功能单元(300)和扩展应用单元(400)；所述基建管理单元(100)、所述数据管理单元(200)、所述诊治功能单元(300)与所述扩展应用单元(400)依次通过网络通信连接；所述基建管理单元(100)用于对支撑系统运行的智能技术、数据来源等基础建设进行连接管理；所述数据管理单元(200)用于对医学影像的图像数据进行处理管理；所述诊治功能单元(300)用于以医学图像的判识结果来支撑肿瘤病症的诊断及治疗过程；所述扩展应用单元(400)用于通过对医学图像在诊治过程中的应用数据进行共享以支撑更多功能；
所述基建管理单元(100)包括算法技术模块(101)、平台连接模块(102)、电子病历模块(103)、专家知库模块(104)和影像方案模块(105)；
所述数据管理单元(200)包括数据获取模块(201)、图像处理模块(202)、AI识别模块(203)和数据分析模块(204)；
所述诊治功能单元(300)包括病灶检查模块(301)、辅助诊断模块(302)、治疗方案模块(303)、预后预测模块(304)和随访对比模块(305)；
所述扩展应用单元(400)包括结构报告模块(401)、资料共享模块(402)、会诊架构模块(403)和智慧教研模块(404)；
该基于医学图像的人工智能肿瘤诊断系统在运行时，首先从医疗机构的信息管理平台获取患者的相关信息资料以创建电子病历，根据患者的疾病情况选择相应的扫描方案并获取相应的医学影像图像后，对图像进行分割、降维、彩色二值化处理，并由高年资影像科医师进行勾画标注，同时通过人工智能技术对处理好的图像进行智能识别，其次根据大量的图像数据构建肿瘤诊断数据模型，经多种算法训练验证后提高模型的诊断准确度，再通过诊断模型对新导入的医学图像进行判识，以辅助医师对患者进行肿瘤病症的诊断、治疗及预后随访的全流程，最后还可将所有相关数据整理成结构式的报告，以支持如资料共享、专家会诊及智慧教研等扩展服务。
2.根据权利要求1所述的基于医学图像的人工智能肿瘤诊断系统，其特征在于：所述算法技术模块(101)、所述平台连接模块(102)、所述电子病历模块(103)、所述专家知库模块(104)与所述影像方案模块(105)依次通过网络通信连接；所述算法技术模块(101)用于在构建好的诊断系统平台内载入多种以人工智能技术为主的算法技术以支撑系统运行；所述平台连接模块(102)用于将系统与医疗机构的多个信息管理平台进行连接以便从多来源获取大量的信息数据；所述电子病历模块(103)用于获取待诊断医学图像所属患者的信息以生成相应的电子病历并补充相关资料；所述专家知库模块(104)用于将大量权威肿瘤专家确诊整理的历史数据集合起来以作为参考对比；所述影像方案模块(105)用于根据患者的多方因素来制定相关的医学影像的获取方式或扫描方案。
3.根据权利要求1所述的基于医学图像的人工智能肿瘤诊断系统，其特征在于：所述数据获取模块(201)的信号输出端与所述图像处理模块(202)的信号输入端连接，所述图像处理模块(202)的信号输出端与所述AI识别模块(203)的信号输入端连接，所述AI识别模块(203)的信号输出端与所述数据分析模块(204)的信号输入端连接；所述数据获取模块(201)用于从多来源获取多种格式的医学影像图像数据，并对图像数据进行清洗、分类、整理等处理，以有效控制图像的质量；所述图像处理模块(202)用于对待诊断图像进行降维、滤波、均值等处理使图像更容易凸显特征以便进行诊断，同时采用最大熵多阈值分割法对待诊断的医学图像进行图像分割，并采用粒子群算法确定医学图像处理过程中采用的最大熵多阈值分割法的最佳组合阈值；所述AI识别模块(203)用于使用人工智能AI技术来对处理后图像中的异常部位进行识别并进行标记；所述数据分析模块(204)用于根据大量的图像资料构建肿瘤诊断数据模型并对模型进行训练。
4.根据权利要求3所述的基于医学图像的人工智能肿瘤诊断系统，其特征在于：所述图像处理模块(202)包括图像降维模块(2021)、彩色二值化模块(2022)、特征提取模块(2023)和目标勾画模块(2024)；所述图像降维模块(2021)的信号输出端与所述彩色二值化模块(2022)的信号输入端连接，所述彩色二值化模块(2022)的信号输出端与所述特征提取模块(2023)的信号输入端连接，所述特征提取模块(2023)的信号输出端与所述目标勾画模块(2024)的信号输入端连接；所述图像降维模块(2021)用于通过线性变换将原始数据变换为一组各维度线性无关的表示以实现高维度数据的降维，可用于提取数据的主要特征分量；所述彩色二值化模块(2022)用于将彩色的图像转化为黑白图像以便降低彩色对特征识别的影响；所述特征提取模块(2023)用于对处理后的黑白图像中的特征点进行突出显示；所述目标勾画模块(2024)用于由具有一定工作年限的高资历、经验丰富的影像科专家对医学图像中的病灶部位进行勾画及标签标注处理。
5.根据权利要求4所述的基于医学图像的人工智能肿瘤诊断系统，其特征在于：所述彩色二值化模块(2022)采用大津阈值法，其算法表达式如下：
对于图像I(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1；图像的总平均灰度记为μ，类间方差记为g；
假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：
ω0＝N0/M×N (1)；
ω1＝N1/M×N (2)；
N0+N1＝M×N (3)；
ω0+ω1＝1 (4)；
μ＝ω0*μ0+ω1*μ1 (5)；
g＝ω0(μ0-μ)Λ2+ω1(μ1-μ)Λ2 (6)；
将式(5)代入式(6)，得到等价公式：
g＝ω0ω1(μ0-μ1)Λ2 (7)；
式(7)为类间方差，采用遍历的方法得到时类间方差g最大的阈值T，即为所求。
6.根据权利要求3所述的基于医学图像的人工智能肿瘤诊断系统，其特征在于：所述数据分析模块(204)包括数据模型模块(2041)、神经网络模块(2042)、机器学习模块(2043)和一致检验模块(2044)；所述数据模型模块(2041)的信号输出端与所述神经网络模块(2042)的信号输入端连接，所述神经网络模块(2042)的信号输出端与所述机器学习模块(2043)的信号输入端连接，所述机器学习模块(2043)的信号输出端与所述一致检验模块(2044)的信号输入端连接；所述数据模型模块(2041)用于以大量历史医学图像数据为基础，构建肿瘤诊断数据模型，并导入大量的历史确诊病历的图像数据进行训练；所述神经网络模块(2042)用于利用训练样本集中的样本对BP神经网络进行训练，利用测试样本集中的样本对BP神经网络进行测试，从而构建基于BP神经网络的肿瘤图像诊断模型用于对肿瘤病灶的情况进行诊断判识，通过BP神经网络的训练算法来将算法权重的值调整到最佳，以使得整个网络的预测效果最好；所述机器学习模块(2043)用于使用机器学习相关的技术进行神经网络的训练，使得参数尽可能的与真实的模型逼近，从而使得模型训练可以获得性能与数据利用上的双重优势；所述一致检验模块(2044)用于对分别采用人工勾画标注及人工智能AI技术自动识别的诊断结果进行比对及一致性检验操作。
7.根据权利要求6所述的基于医学图像的人工智能肿瘤诊断系统，其特征在于：利用BP神经网络对自动识别的诊断结果进一步分类，以保证使用该系统的患者通过自检医学图像能获得诊疗方案，具体步骤如下：
首先搭建M层神经网络，对于第m+1层网路的输出，有：
am+1＝fm+1(Wm+1am+bm+1)，m＝0，1，…，M-1
其中，M是网络层数，a是神经网络的输出结果，即肿瘤的类别，存在a0＝p和a＝aM，am+1是第m+1层神经网络的输出结果，am是第m层神经网络的输出结果，fm+1是第m+1层神经网络的激励函数，Wm+1是第m+1层神经网络的权重，bm+1是第m+1层神经网络的偏置，假设对于每一类肿瘤特征的输入p，都存在一个对应的肿瘤类型输出t，可建立如下对应关系：{p1，t1}，{p2，t2}，...，{pq，tq}，...，{pQ，tQ}，其中，p1是第1个肿瘤图像特征的输入，t1是对应第1个分类的期望输出，p2是第2个肿瘤图像特征的输入，t2是对应第2个分类的期望输出，pq是第q个肿瘤图像特征的输入，tq是对应第q个分类的期望输出，pQ是第Q个肿瘤图像特征的输入，tQ是对应第Q个分类的期望输出，算法将调整网络参数以使均方误差最小化：F(x)＝E[(t-a)2]＝E[(t-a)T(t-a)]，可令e＝t-a表示期望输出与预测输出的误差，其中，F表示均方误差，x表示F的自变量，此时自变量包括t和a，E表示数学期望，(t-a)T表示误差的转置，用
Figure FDA00036410570500000521
代替F(x)以近似计算均方误差：
Figure FDA00036410570500000522
Figure FDA00036410570500000523
其中k为第k次迭代，近似均方误差的最速下降法为：
Figure FDA0003641057050000051
其中α为学习速度，
Figure FDA0003641057050000052
表示在第m层神经网络第k+1次迭代下第i个元素对第j元素的权重，
Figure FDA0003641057050000053
表示在第m层神经网络第k次迭代下第i个元素对第j元素的权重，定义链式法则为：
Figure FDA0003641057050000054
若f(n)＝e^n且n＝2w，则f(n(w))＝e^{2w}，有
Figure FDA0003641057050000055
那么利用链式法则
Figure FDA0003641057050000056
和
Figure FDA0003641057050000057
可写成：
Figure FDA0003641057050000058
对于第m层的净输入n，有：
Figure FDA0003641057050000059
其中，s表示敏感性，sm-1表示第m-1层神经网络的敏感性，
Figure FDA00036410570500000510
表示在m层神经网络中第i个元素的净输入，
Figure FDA00036410570500000511
表示在m-1层神经网络中第j个元素的输出，
Figure FDA00036410570500000525
表示在m层神经网络中第i个元素的偏置，因此：
Figure FDA00036410570500000512
Figure FDA00036410570500000513
若定义：
Figure FDA00036410570500000514
则
Figure FDA00036410570500000524
和
Figure FDA00036410570500000516
可化简为：
Figure FDA00036410570500000517
利用近似最速下降法表示为：
Figure FDA00036410570500000518
Figure FDA00036410570500000519
其中，
Figure FDA00036410570500000520
表示在m层神经网络第k+1次迭代中第i个元素的偏置，那么矩阵形式可表示为：
Wm(k+1)＝wm(k)-αsm(am-1)T
bm(k+1)＝bm(k)-αsm
其中，Wm(k+1)表示wm(k+1)的矩阵形式，即m层神经网络第k+1次迭代后的权重集合，这里sm有：
Figure FDA0003641057050000061
其中，
Figure FDA0003641057050000062
表示近似误差对第m层的净输入求偏导，
Figure FDA0003641057050000063
表示近似误差对第m层的第1个净输入求偏导，
Figure FDA0003641057050000064
表示近似误差对第m层的第2个净输入求偏导，
Figure FDA0003641057050000065
表示近似误差对第m层的第sm个净输入求偏导，记雅可比矩阵为：
Figure FDA0003641057050000066
其中，
Figure FDA0003641057050000067
表示第m+1层神经网络的净输入对第m层神经网络的净输入的偏导，
Figure FDA0003641057050000068
表示第m+1层神经网络的第1个净输入对第m层神经网络的第1个净输入的偏导，
Figure FDA0003641057050000069
表示第m+1层神经网络的第1个净输入对第m层神经网络的第2个净输入的偏导，
Figure FDA00036410570500000610
表示第m+1层神经网络的第1个净输入对第m层神经网络的第sm个净输入的偏导，
Figure FDA00036410570500000611
表示第m+1层神经网络的第2个净输入对第m层神经网络的第1个净输入的偏导，
Figure FDA00036410570500000612
表示第m+1层神经网络的第2个净输入对第m层神经网络的第2个净输入的偏导，
Figure FDA00036410570500000613
表示第m+1层神经网络的第2个净输入对第m层神经网络的第sm个净输入的偏导，
Figure FDA00036410570500000614
表示第m+1层神经网络的第sm+1个净输入对第m层神经网络的净输入的偏导，
Figure FDA00036410570500000615
表示第m+1层神经网络的第sm+1个净输入对第m层神经网络的第1个净输入的偏导，
Figure FDA00036410570500000616
表示第m+1层神经网络的第sm+1个净输入对第m层神经网络的第sm个净输入的偏导，
Figure FDA0003641057050000071
表示第m+1层神经网络的第sm+1个净输入对第m层神经网络的第sm个净输入的偏导，考虑矩阵的i，j元素：
Figure FDA0003641057050000072
其中：
Figure FDA0003641057050000073
那么雅可比矩阵可写成：
Figure FDA0003641057050000074
其中：
Figure FDA0003641057050000075
Fm(nm)表示第m层神经网络净输入为nm时的目标函数，
Figure FDA0003641057050000076
表示第m层神经网络净输入为
Figure FDA0003641057050000077
时的目标函数，
Figure FDA0003641057050000078
表示第m层神经网络净输入为
Figure FDA0003641057050000079
时的目标函数，
Figure FDA00036410570500000710
表示第m层神经网络净输入为
Figure FDA00036410570500000716
时的目标函数，则通过矩阵形式的链式法则写出敏感性的递推关系式：
Figure FDA00036410570500000712
Figure FDA00036410570500000713
8.根据权利要求7所述的基于医学图像的人工智能肿瘤诊断系统，其特征在于：所述一致检验模块(2044)采用一致性比率指标CR进行检验，其公式为：
先计算一致性指标CI：
Figure FDA00036410570500000714
其中，λmax为矩阵的最大特征值，其近似求法为：比较矩阵乘以优先比例向量，得到一个新的向量，这个新的向量第1个数除以优先向量的第1个数，第2个数除以优先向量的第2个数，……，结果加起来，再除以因数的个数n，可得λmax；
再通过查表确定相应的平均随机一致性指标RI；
然后计算一致性比例CR并进行判断：
Figure FDA00036410570500000715
当CR＜0.1时，认为判断矩阵的一致性时可以接受的，当CR＞0.1时，认为判断矩阵不符合一致性要求，需要对该判断矩阵进行重新修正。
9.根据权利要求1所述的基于医学图像的人工智能肿瘤诊断系统，其特征在于：所述病灶检查模块(301)、所述辅助诊断模块(302)、所述治疗方案模块(303)、所述预后预测模块(304)与所述随访对比模块(305)依次通过网络通信连接并可独立运行；所述病灶检查模块(301)用于通过诊断模型对医学图像的识别来快速检出图像中的病灶情况；所述辅助诊断模块(302)用于通过对病灶部位的准确定位、定性、鉴别、分期等处理来辅助病灶的疾病诊断；所述治疗方案模块(303)用于根据诊出的疾病情况定制相应的治疗方案，并评估辐射或药剂的注射用量；所述预后预测模块(304)用于根据前后不同期的医学图像中同一病灶处的判识情况，来作为肿瘤后期是否可能复发、患者生存期的预后预测依据；所述随访对比模块(305)用于根据不同时期的医学图像的诊断识别，来作为对患者随访的前后对比，从而定量测量机评估患者的病情进展，并可基于国内/国际指南、共识来给出随访意见或检查建议。
10.根据权利要求9所述的基于医学图像的人工智能肿瘤诊断系统，其特征在于：所述辅助诊断模块(302)包括病灶定位模块(3021)、病灶定性模块(3022)、测量鉴别模块(3023)和程度分期模块(3024)；所述病灶定位模块(3021)、所述病灶定性模块(3022)、所述测量鉴别模块(3023)与所述程度分期模块(3024)依次通过网络通信连接；所述病灶定位模块(3021)用于根据医学图像中病灶部位在图像中的位置，结合图像与患者身体部位的对应部位，来准确定位患者体内肿瘤的病灶部位；所述病灶定性模块(3022)用于根据病灶部位的图像特征，依据历史诊断经验，判断病灶部位的性质，主要包括良性和恶性两种；所述测量鉴别模块(3023)用于通过对病灶位置进行定量测量，输出相关的测量值，通过测量结果鉴别病灶部位的情况；所述程度分期模块(3024)用于根据肿瘤病灶部位的恶化程度，将该患者的病灶情况划分到对应的发展时期，以便作为制定治疗方案的依据，所述结构报告模块(401)、所述资料共享模块(402)、所述会诊架构模块(403)与所述智慧教研模块(404)依次通过网络通信连接；所述结构报告模块(401)用于根据患者的历史诊治病历、历次医学图像的诊断记录、肿瘤诊治的追踪全流程，构建全面覆盖的结构式诊断报告，以便全面多维底展示诊治情况；所述资料共享模块(402)用于将多个医疗机构对肿瘤诊治的相关可公开资料进行共享，以促进大区域内各医疗机构的医学水平情况；所述会诊架构模块(403)用于以大量的医学图像人工智能识别情况，作为多专家进行会诊的参考依据；所述智慧教研模块(404)用于从海量的医学图像诊断报告中，智能地筛选出具有代表性的数据以作为教研治疗，从而可以更好底提高医学教研的水平。
CN202210514810.3A 2022-05-12 2022-05-12 基于算法和医学图像的人工智能精准肿瘤诊断系统 Pending CN114974563A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210514810.3A CN114974563A (zh) 2022-05-12 2022-05-12 基于算法和医学图像的人工智能精准肿瘤诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210514810.3A CN114974563A (zh) 2022-05-12 2022-05-12 基于算法和医学图像的人工智能精准肿瘤诊断系统

Publications (1)

Publication Number Publication Date
CN114974563A true CN114974563A (zh) 2022-08-30

Family

ID=82980723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210514810.3A Pending CN114974563A (zh) 2022-05-12 2022-05-12 基于算法和医学图像的人工智能精准肿瘤诊断系统

Country Status (1)

Country Link
CN (1) CN114974563A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166105A (zh) * 2018-08-01 2019-01-08 中国人民解放军南京军区南京总医院 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统
CN111899250A (zh) * 2020-08-06 2020-11-06 罗春华 基于区块链和医学图像的远程疾病智能诊断系统
CN114092465A (zh) * 2021-11-30 2022-02-25 刘韬 一种基于深度学习的肺癌辅助诊疗系统及方法
CN114140733A (zh) * 2021-12-10 2022-03-04 中建材信息技术股份有限公司 一种基于视频的皮带运行状态检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166105A (zh) * 2018-08-01 2019-01-08 中国人民解放军南京军区南京总医院 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统
CN111899250A (zh) * 2020-08-06 2020-11-06 罗春华 基于区块链和医学图像的远程疾病智能诊断系统
CN114092465A (zh) * 2021-11-30 2022-02-25 刘韬 一种基于深度学习的肺癌辅助诊疗系统及方法
CN114140733A (zh) * 2021-12-10 2022-03-04 中建材信息技术股份有限公司 一种基于视频的皮带运行状态检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
杨佳攀: "基于粒子群算法的最大熵多阈值图像分割方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 8, 16 August 2021 (2021-08-16), pages 138 - 267 *
殷英: "基于贝叶斯的盲信号分离理论及应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 8, 15 August 2011 (2011-08-15), pages 22 - 27 *
王文君: "电子售后逆向物流模式下的供应商选择问题研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 1, 15 January 2020 (2020-01-15), pages 16 - 19 *

Similar Documents

Publication Publication Date Title
US11416716B2 (en) System and method for automatic assessment of cancer
US10499857B1 (en) Medical protocol change in real-time imaging
Alzu’bi et al. Kidney tumor detection and classification based on deep learning approaches: a new dataset in CT scans
US10957038B2 (en) Machine learning to determine clinical change from prior images
JP7197795B2 (ja) 機械学習プログラム、機械学習方法および機械学習装置
Tian et al. Radiomics and its clinical application: artificial intelligence and medical big data
Vinod et al. Ensemble Technique for Brain Tumour Patient Survival Prediction
CN117095241B (zh) 一种耐药性肺结核类别的筛查方法、系统、设备及介质
CN113962992A (zh) 基于深度学习的泌尿结石平扫ct图像识别系统及训练方法
CN113435469A (zh) 一种基于深度学习的肾肿瘤增强ct图像自动识别系统及其训练方法
CN116403701A (zh) 一种非小细胞肺癌患者tmb水平的预测方法及装置
CN114974563A (zh) 基于算法和医学图像的人工智能精准肿瘤诊断系统
UmaMaheswaran et al. Enhanced non-contrast computed tomography images for early acute stroke detection using machine learning approach
Mahootiha et al. Multimodal deep learning for personalized renal cell carcinoma prognosis: Integrating CT imaging and clinical data
US20090006055A1 (en) Automated Reduction of Biomarkers
Safia Prediction of breast cancer through Random Forest
Bhattacharjee et al. highMLR: An open-source package for R with machine learning for feature selection in high dimensional cancer clinical genome time to event data
CN117894452B (zh) 一种基于DenseFormer模型的不明原发肿瘤的原发灶预测方法及系统
Ghadge et al. Analysis on Machine Learning-Based Early Breast Cancer Detection
EP4369354A1 (en) Method and apparatus for analyzing pathological slide images
Ghosh et al. Lung Nodule Classification Using MobileNet Transfer Learning
Devi et al. Exploring Deep Learning-Based MRI Radiomics for Brain Tumor Prognosis and Diagnosis
Ganapathy Cancer detection using deep neural network differentiation of squamous carcinoma cells in oral pathology
Ramesh et al. Alzheimer's Disease (AD) Diagnosis from Brain MRI Image using Neural Network Algorithm
EP4283623A1 (en) Method and device for evaluating quality of pathological slide image

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

Address after: Dianchi Lingxiu Community, Liujia Sub District Office, Guandu District, Kunming City, Yunnan Province

Applicant after: Luo Xuemin

Address before: 730000 No. 222 Tianshui South Road, Gansu, Lanzhou

Applicant before: Luo Xuemin

CB02 Change of applicant information