CN116363104A - 一种具有影像医学用自动诊断设备及系统 - Google Patents

一种具有影像医学用自动诊断设备及系统 Download PDF

Info

Publication number
CN116363104A
CN116363104A CN202310345089.4A CN202310345089A CN116363104A CN 116363104 A CN116363104 A CN 116363104A CN 202310345089 A CN202310345089 A CN 202310345089A CN 116363104 A CN116363104 A CN 116363104A
Authority
CN
China
Prior art keywords
image
diseases
disease
image data
diagnosis
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
CN202310345089.4A
Other languages
English (en)
Inventor
杨露
王贵学
王颖
邱菊辉
但汉丽
谭钰川
杨莉
秦彬芮
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.)
Chongqing University
Chongqing University Cancer Hospital
Original Assignee
Chongqing University
Chongqing University Cancer 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 Chongqing University, Chongqing University Cancer Hospital filed Critical Chongqing University
Priority to CN202310345089.4A priority Critical patent/CN116363104A/zh
Publication of CN116363104A publication Critical patent/CN116363104A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • 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
    • G06T2207/30008—Bone
    • 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
    • G06T2207/30061—Lung
    • 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)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种具有影像医学用自动诊断设备及系统，具体涉及图像识别技术领域，包括影像数据采集模块、初步诊断模块、诊断结果验证模块、图像分割量化模块、数据库模块，所述初步诊断模块用于预测影像数据采集模块得到的肺部影像中包含的疾病，得到影像数据后，经过预处理、卷积、池化操作提取影像特征，将提取的影像特征与第一数据库进行相似度对比，根据对比结果预测疾病的种类，将预测的疾病种类传输至诊断结果验证模块；所述诊断结果验证模块用于验证诊断结果的准确性，得到影像数据中的疾病种类，同时预测疾病的严重等级；所述图像分割量化用于对疾病进行定量分析，对诊断结果的病灶进行分割，得到病灶的位置和大小。

Description

一种具有影像医学用自动诊断设备及系统
技术领域
本发明涉及图像识别技术领域，更具体地说，本发明涉及一种具有影像医学用自动诊断设备及系统。
背景技术
在目前的医学检测手段中，医学影像数据占据了90％的医疗信息，是疾病筛查和诊治最主要的信息来源，也是辅助临床疾病诊疗的高级手段。
肺部CT是一种无创伤性的检查，主要检查呼吸系统疾病，如肺炎、支气管炎、支气管扩张、肺内肿瘤，还包括纵隔肿瘤。包括CT平扫和增强CT，平扫检查对于一般炎症性疾病，检查一次基本可以确诊，当平扫检查发现肺部有肿块或结节影时，一般会加做增强检查，当静脉注入造影剂后增强CT检查可以评估CT值变化，大致判断良恶性病变。肺部CT是目前临床最常见的检查之一。
应用窗宽技术，肺CT分为肺窗、纵隔窗和骨窗。肺窗主要是看肺内和气管的病变，包括肺内的肿块、磨玻璃结节、感染以及气管的占位或狭窄等；纵隔窗主要是看肿瘤或感染实性部分的大小，有无强化，以及与血管的关系，纵隔淋巴结是否肿大，胸腔有无积液，心脏大小及心包有积液等等；骨窗主要是看所扫描的胸部，包含的胸椎以及肋骨，有无骨折及骨质破坏或发育异常。观察整个肺部CT需要将肺窗与纵隔窗对比来看，通过影像密度不同、病变位置等，来定位及定性，并要结合临床病史综合分析诊断。若平扫诊断不清，可增强扫描，显示病变的血管及明确有无淋巴结肿大等。
目前，肺部CT影像的诊断主要依靠人工阅片，要求影像科医生具有丰富的临床经验，有时需要反复观察确定，具有较强的主观性，大量重复的阅片工作会加剧医生的疲劳，在实际调查中，对于同样的CT影像，不同的医生或相同医生在不同时间内，都会出现观察者偏差，导致疾病的误诊和漏诊。
因此，目前亟需一种能够自动诊断医学影像的、节约患者时间的、供医生参考的、加快诊断进度的一种医学影像自动诊断系统。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种具有影像医学用自动诊断设备及系统，通过对影像数据的初步诊断、诊断验证和病灶的定量分析完成对肺部CT的自动诊断，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种具有影像医学用自动诊断系统，包括影像数据采集模块、初步诊断模块、诊断结果验证模块、图像分割量化模块、数据库模块，所述影像数据采集模块用于采集肺部影像数据，判断影像数据的格式是否满足条件，将采集的肺部影像数据传输至初步诊断模块；
所述初步诊断模块用于预测肺部影像中包含的疾病，得到影像数据后，经过预处理、卷积、池化操作提取影像特征，将提取的影像特征与第一数据库进行相似度对比，根据对比结果预测疾病的种类，将预测的疾病种类传输至诊断结果验证模块；
所述诊断结果验证模块用于验证诊断结果的准确性，得到影像数据中的疾病种类，同时预测疾病的严重等级；
所述图像分割量化用于对疾病进行定量分析，对诊断结果的病灶进行分割，得到病灶的定量数据，得到病灶的位置和大小；
所述数据库模块用于存储疾病的历史数据库，包括第一数据库和第二数据库，所述第一数据库用于存储CT影像数据和对应的诊断结果，所述第二数据库用于存储疾病的诊断指标。
在一个优选地实施方式中，所述初步诊断模块通过提取图像特征，将得到的特征与第二数据库进行对比预测疾病的种类，包括下列步骤：
步骤S01、图像预处理：通过图像去噪和图像增强技术突出影像数据特征，同时将肺部影像数据划分为n个区域，记为1,2，…；
步骤S02、特征提取：通过机器视觉提取影响每个区域的特征，从影像数据的纹理、色彩、形状和梯度方面提取信息特征，输入的影像经过卷积、池化操作，输出特征集合，特征集合中包括特征子集；
步骤S03、特征定位：经过区域推荐网络生成候选区域块，每个区域块经过池化统一尺寸，输入进全连接层进行分类，并利用边界框对目标进行准确的位置预测，得到特征子集对应的位置，所述特征子集的位置是病灶的位置；
步骤S04、相似度对比：计算每个区域内的特征集合和第二数据库的相似度，得到相似度超过预设值的疾病，记为预测的疾病集合。
在一个优选地实施方式中，所述诊断结果验证模块用于验证影像中是否包含疾病A，包括下列步骤：
步骤S11、采集得到影像数据在每个区的特征参数，得到疾病的种类，将肺部划分为n个区域，统计每种疾病在每个区域的特征参数，疾病A在n个区域内的特征参数记为C1,C1＝[c11,c12,…，c1n]；
步骤S12、统计历史数据，得到疾病A的影像数据，在每个区域出现病灶的概率，将概率视为疾病A在该区域的权重，得到每种疾病的权重系数，疾病A的权重系数集合记为Q1,Q1＝[q11,q12,…，q1n]，所述权重系数的计算方法是按照区域内病灶的面积s1和数量s2，概率计算公式满足,其中k1和k2为影响因子常数，
Figure BDA0004159365180000031
为疾病A在区域中的平均值；
步骤S13、将得到的特征参数与疾病对应的权重系数相乘，预设疾病的判别标准为P，疾病A的评估公式为F1(A)＝C1×Q1≥P1，则表明该CT影像诊断结果有疾病A，疾病A的严重等级满足公式
Figure BDA0004159365180000032
所述P满足/>
Figure BDA0004159365180000033
其中η1为影响系数常数。
在一个优选地实施方式中，所述第二数据库用于表述疾病A在每个区域的特征集合，第二数据库的获取包括下列步骤：
步骤S21、样本数据采集：从第一数据库中得到样本数据，将肺部CT影像数据标记为样本输入X，将诊断结果记为样本输出Y；
步骤S22、样本数据的分类：按照疾病的种类对样本进行分类，肺部疾病包括感染性疾病、非感染性疾病和肿瘤性疾病，按照顺序编号，得到疾病1，2,3，…，建立肺部疾病和影像数据的对应关系，通过图像特征提取算法，提取疾病x1对应的影像特征y1，记为F3(x1,y1)，所述F3(x1,y1)表示疾病和影像特征的对应函数；
步骤S23、特征提取：通过机器视觉算法提取影响图片的特征，得到疾病A对应的特征集合B，主要从纹理、色彩、形状和梯度等几个方面提取信息特征，输入的图像经过基础的卷积、池化操作，提取出特征图，经过区域推荐网络生成候选区域块，每个区域块经过池化统一尺寸，输入进全连接层进行分类，并利用边界框对目标进行准确的位置预测；
步骤S24、基于医学知识，得到疾病A的理论影响特征，根据理论影像特征和历史特征，剔除无关的特征，将筛选后的特征按照所属的区域进行分类，记为区域1,2，…；
步骤S25、分析每个影像特征对于疾病A的权重，得到每个区域特征对于疾病A的权重系数Q，将疾病A每个区域的权重系数存储在第一数据库中，以此类推得到所有疾病在每个区域的权重系数。
在一个优选地实施方式中，所述第一数据库是医院的历史影像数据库中得到肺部CT和对应的诊断结果，经过去隐私后获得大量病例的肺部CT影像和对应的诊断结果，将肺部CT影像数据标记为样本输入X，将诊断结果记为样本输出Y。
在一个优选地实施方式中，所述图像分割算法基于2D图像和3D图像，所述2D图像是平扫肺部CT影像数据，所述3D图像是肺部增强CT影像数据，图像分割算法包括下列步骤
步骤S31、进行2D分割预测：利用优化的2D病灶检测模型，检测得到病灶的像素点，用2D分割结果作为种子，将预测的病灶像素点放入种子像素集合Z1中；
步骤S32、进行3D分割，采用相似度度量指标对网络参数进行优化，用相似度度量指标来计算初始分割结果和最终分割结果的损失，3D结果作为相邻元素，检查种子点的8个相邻像素是否应该放入融合结果，将3D分割预测的像素点放入邻近像素集合Z2中；
步骤S33、融合分割：分割结果集合用Z3表示，以2D分割结果为集合Z3初始值，从种子像素集合Z1中依次弹出种子像素，得到每个种子像素的相邻像素a，若相邻像素不输于邻近像素集合Z2，则将相邻像素a添加到分割结果集合Z3中，得到分割结果集合Z3，完成对病灶的标注。
在一个优选地实施方式中，所述2D病灶检测模型的优化包括下列步骤：
步骤S41、建立病灶的方向场：病灶点通过找距离最近的边界点二维方向向量建立方向场，以b为内部中心点，边界点p的方向场为
Figure BDA0004159365180000051
利用方向场完成初始分割；
步骤S42、优化分割：利用特征校正和融合预测方向场优化初始分割，基于网络学习的原始特征和方向场，经过矫正得到增强的特征，F0为原始特征，FN为N步增强特征，px和py表示像素点的x和y坐标，每个点的特征通过双线性插值得到，病灶像素的增强特征满足公式Fk(p)＝Fk-1(px+DF(p)·x,py+DF(p)·y)，其中N为超参数，且1≤k≤N；
步骤S43、方向场指向目标中心位置，N步之后边界点的特征被靠近中心点的特征取代，得到优化的分割结果，即病灶的精准位置和大小。
为实现上述目的，本发明提供如下技术方案：一种具有影像医学用自动诊断功能的设备，包括用户端、服务端、管理端，所述用户端用于采集医学影像数据，并转化为图像数据，将合格的医学影像数据传输至服务端，所述用户端包括用户登录单元，所述用户登录单元获取用户基本信息；所述服务端包括自动诊断模型和云数据库，所述自动诊断模型通过采集医学影像数据，经过图像特征识别，采集得到指标参数，将得到的指标参数和疾病诊断标准数据进行对比，对疾病进行定性和定量分析；所述云数据库用于存储肺部疾病对应的疾病诊断指标数据库；所述管理端用于管理疾病诊断指标数据库和根据自动诊断模型的结果向用户发出警告。
所述具有影像医学用自动诊断功能的设备包括下列步骤：
步骤一、数据采集：用户登录设备用户端后，上传肺部CT影像数据，并将合格的影像数据转化为图像数据，将用户基础数据和图像数据传输至服务端的自动诊断模型中；
步骤二、初步诊断：服务端的自动诊断单元自动用于疾病的定性，得到疾病的种类，将提取的特征与疾病诊断数据库进行对比，得到预设的疾病的种类；
步骤三、诊断结果验证：验证诊断的疾病的准确性，预测疾病的发展程度；
步骤四、病灶的定量分析：利用图像分割算法得到病灶的位置和病灶的大小，融合算法进行分割，得到病灶的准确定位；
步骤五、将诊断结果传输至用户和管理者，并存储在数据库中。
原理：
将每个检查病例的CT图像作为神经网络模型输入，将图像中异常结节和阴影区域框出，作为神经网络模型输出，得到。系统将利用计算机自动计算出输入输出之间的映射关系，并期望系统输出在临床检查和治疗时起到参考与提示作用。输出疾病的可能性和异常区域，以及置信度。
肺部CT的诊断与定位包括
本发明的技术效果和优点：
本发明的数据库模块将每个检查病例的CT图像作为神经网络模型输入，将图像中异常结节和阴影区域框出，作为神经网络模型输出，得到疾病输入和输出的对应函数，通过初步诊断模块提取影像数据的特征，将特征和第二数据库进行对比，利用相似度预测影像数据的疾病种类；通过诊断结果验证模块验证预测结果的准确性，先得到影像数据的特征参数和特征所处区域，从数据库中得到疾在每个区域权重系数，区域权重系数和权重参数相乘得到预测结果的数值，若满足预设值，表明影像数据中包括该疾病，完成疾病的定性诊断；通过图像分割量化模块得到病灶的准确位置和大小，完成疾病的量化诊断。
附图说明
图1为本发明的系统结构框图。
图2为本发明的初步诊断模块的流程图。
图3为本发明的诊断结果验证流程图。
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。
本申请使用的“模块”“系统”等术语旨在包括与计算机相关的实体，例如但不限于硬件、固件、软硬件组合、软件或者执行中的软件。例如，模块可以是，但并不仅限于：处理器上运行的进程、处理器、对象、可执行程序、执行的线程、程序和/或计算机。举例来说，计算设备上运行的应用程序和此计算设备都可以是模块。一个或多个模块可以位于执行中的一个进程和/或线程内，一个模块也可以位于一台计算机上和/或分布于两台或更多台计算机之间。
实施例1
如图1本实施例提供一种具有影像医学用自动诊断系统，具体包括影像数据采集模块、初步诊断模块、诊断结果验证模块、图像分割量化模块、数据库模块，所述影像数据采集模块用于采集肺部影像数据，判断影像数据的格式是否满足条件，将采集的肺部影像数据传输至初步诊断模块；
所述初步诊断模块用于预测肺部影像中包含的疾病，得到影像数据后，经过预处理、卷积、池化操作提取影像特征，将提取的影像特征与第一数据库进行相似度对比，根据对比结果预测疾病的种类，将预测的疾病种类传输至诊断结果验证模块；
所述诊断结果验证模块用于验证诊断结果的准确性，得到影像数据中的疾病种类，同时预测疾病的严重等级；
所述图像分割量化用于对疾病进行定量分析，对诊断结果的病灶进行分割，得到病灶的定量数据，得到病灶的位置和大小；
所述数据库模块用于存储疾病的历史数据库，包括第一数据库和第二数据库，所述第一数据库用于存储CT影像数据和对应的诊断结果，所述第二数据库用于存储疾病的诊断指标。
进一步的，所述初步诊断模块通过提取图像特征，将得到的特征与第二数据库进行对比预测疾病的种类，包括下列步骤：
步骤S01、图像预处理：通过图像去噪和图像增强技术突出影像数据特征，同时将肺部影像数据划分为n个区域，记为1,2，…；
步骤S02、特征提取：通过机器视觉提取影响每个区域的特征，从影像数据的纹理、色彩、形状和梯度方面提取信息特征，输入的影像经过卷积、池化操作，输出特征集合，特征集合中包括特征子集；
步骤S03、特征定位：经过区域推荐网络生成候选区域块，每个区域块经过池化统一尺寸，输入进全连接层进行分类，并利用边界框对目标进行准确的位置预测，得到特征子集对应的位置，所述特征子集的位置是病灶的位置；
步骤S04、相似度对比：计算每个区域内的特征集合和第二数据库的相似度，得到相似度超过预设值的疾病，记为预测的疾病集合。
进一步的，如图3所示，所述诊断结果验证模块用于验证影像中是否包含疾病A，包括下列步骤：
步骤S11、采集得到影像数据在每个区的特征参数，得到疾病的种类，将肺部划分为n个区域，统计每种疾病在每个区域的特征参数，疾病A在n个区域内的特征参数记为C1,C1＝[c11,c12,…，c1n]；
步骤S12、统计历史数据，得到疾病A的影像数据，在每个区域出现病灶的概率，将概率视为疾病A在该区域的权重，得到每种疾病的权重系数，疾病A的权重系数集合记为Q1,Q1＝[q11,q12,…，q1n]，所述权重系数的计算方法是按照区域内病灶的面积s1和数量s2，概率计算公式满足,其中k1和k2为影响因子常数，
Figure BDA0004159365180000091
为疾病A在区域中的平均值；
步骤S13、将得到的特征参数与疾病对应的权重系数相乘，预设疾病的判别标准为P，疾病A的评估公式为F1(A)＝C1×Q1≥P1，则表明该CT影像诊断结果有疾病A，疾病A的严重等级满足公式
Figure BDA0004159365180000092
所述P满足/>
Figure BDA0004159365180000093
其中η1为影响系数常数。
进一步的，所述第二数据库用于表述疾病A在每个区域的特征集合，第二数据库的获取包括下列步骤：
步骤S21、样本数据采集：从第一数据库中得到样本数据，将肺部CT影像数据标记为样本输入X，将诊断结果记为样本输出Y；
步骤S22、样本数据的分类：按照疾病的种类对样本进行分类，肺部疾病包括感染性疾病、非感染性疾病和肿瘤性疾病，按照顺序编号，得到疾病1，2,3，…，建立肺部疾病和影像数据的对应关系，通过图像特征提取算法，提取疾病x1对应的影像特征y1，记为F3(x1,y1)，所述F3(x1,y1)表示疾病和影像特征的对应函数；
步骤S23、特征提取：通过机器视觉算法提取影响图片的特征，得到疾病A对应的特征集合B，主要从纹理、色彩、形状和梯度等几个方面提取信息特征，输入的图像经过基础的卷积、池化操作，提取出特征图，经过区域推荐网络生成候选区域块，每个区域块经过池化统一尺寸，输入进全连接层进行分类，并利用边界框对目标进行准确的位置预测；
步骤S24、基于医学知识，得到疾病A的理论影响特征，根据理论影像特征和历史特征，剔除无关的特征，将筛选后的特征按照所属的区域进行分类，记为区域1,2，…；
步骤S25、分析每个影像特征对于疾病A的权重，得到每个区域特征对于疾病A的权重系数Q，将疾病A每个区域的权重系数存储在第一数据库中，以此类推得到所有疾病在每个区域的权重系数。
进一步的，所述第一数据库是医院的历史影像数据库中得到肺部CT和对应的诊断结果，经过去隐私后获得大量病例的肺部CT影像和对应的诊断结果，将肺部CT影像数据标记为样本输入X，将诊断结果记为样本输出Y。
进一步的，所述图像分割算法基于2D图像和3D图像，所述2D图像是平扫肺部CT影像数据，所述3D图像是肺部增强CT影像数据，图像分割算法包括下列步骤
步骤S31、进行2D分割预测：利用优化的2D病灶检测模型，检测得到病灶的像素点，用2D分割结果作为种子，将预测的病灶像素点放入种子像素集合Z1中；
步骤S32、进行3D分割，采用相似度度量指标对网络参数进行优化，用相似度度量指标来计算初始分割结果和最终分割结果的损失，3D结果作为相邻元素，检查种子点的8个相邻像素是否应该放入融合结果，将3D分割预测的像素点放入邻近像素集合Z2中；
步骤S33、融合分割：分割结果集合用Z3表示，以2D分割结果为集合Z3初始值，从种子像素集合Z1中依次弹出种子像素，得到每个种子像素的相邻像素a，若相邻像素不输于邻近像素集合Z2，则将相邻像素a添加到分割结果集合Z3中，得到分割结果集合Z3，完成对病灶的标注。
进一步地，所述2D病灶检测模型的优化包括下列步骤：
步骤S41、建立病灶的方向场：病灶点通过找距离最近的边界点二维方向向量建立方向场，以b为内部中心点，边界点p的方向场为
Figure BDA0004159365180000111
利用方向场完成初始分割；
步骤S42、优化分割：利用特征校正和融合预测方向场优化初始分割，基于网络学习的原始特征和方向场，经过矫正得到增强的特征，F0为原始特征，FN为N步增强特征，px和py表示像素点的x和y坐标，每个点的特征通过双线性插值得到，病灶像素的增强特征满足公式Fk(p)＝Fk-1(px+DF(p)·x,py+DF(p)·y)，其中N为超参数，且1≤k≤N；
步骤S43、方向场指向目标中心位置，N步之后边界点的特征被靠近中心点的特征取代，得到优化的分割结果，即病灶的精准位置和大小。
本实施例提供了如图2所示一种具有影像医学用自动诊断功能的设备，包括用户端、服务端、管理端，所述用户端用于采集医学影像数据，并转化为图像数据，将合格的医学影像数据传输至服务端，所述用户端包括用户登录单元，所述用户登录单元获取用户基本信息；所述服务端包括自动诊断模型和云数据库，所述自动诊断模型通过采集医学影像数据，经过图像特征识别，采集得到指标参数，将得到的指标参数和疾病诊断标准数据进行对比，对疾病进行定性和定量分析；所述云数据库用于存储肺部疾病对应的疾病诊断指标数据库；所述管理端用于管理疾病诊断指标数据库和根据自动诊断模型的结果向用户发出警告。
所述具有影像医学用自动诊断功能的设备包括下列步骤：
步骤一、数据采集：用户登录设备用户端后，上传肺部CT影像数据，并将合格的影像数据转化为图像数据，将用户基础数据和图像数据传输至服务端的自动诊断模型中；
步骤二、初步诊断：服务端的自动诊断单元自动用于疾病的定性，得到疾病的种类，将提取的特征与疾病诊断数据库进行对比，得到预设的疾病的种类；
步骤三、诊断结果验证：验证诊断的疾病的准确性，预测疾病的发展程度；
步骤四、病灶的定量分析：利用图像分割算法得到病灶的位置和病灶的大小，融合算法进行分割，得到病灶的准确定位；
步骤五、将诊断结果传输至用户和管理者，并存储在数据库中。
综上所述：本发明通过数据库模块将每个检查病例的CT图像作为神经网络模型输入，将图像中异常结节和阴影区域框出，作为神经网络模型输出，得到疾病输入和输出的对应函数，通过初步诊断模块提取影像数据的特征，将特征和第二数据库进行对比，利用相似度预测影像数据的疾病种类；通过诊断结果验证模块验证预测结果的准确性，先得到影像数据的特征参数和特征所处区域，从数据库中得到疾在每个区域权重系数，区域权重系数和权重参数相乘得到预测结果的数值，若满足预设值，表明影像数据中包括该疾病，完成疾病的定性诊断；通过图像分割量化模块得到病灶的准确位置和大小，完成疾病的量化诊断，解决了本发明提出的问题。
本发明实施例仅仅提供一种实施方式，而不是具体地限定本发明的保护范围。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种具有影像医学用自动诊断系统，其特征在于：包括影像数据采集模块、初步诊断模块、诊断结果验证模块、图像分割量化模块、数据库模块，
所述影像数据采集模块用于采集肺部影像数据，判断影像数据的格式是否满足条件，将采集的肺部影像数据传输至初步诊断模块；
所述初步诊断模块用于预测肺部影像中包含的疾病，得到影像数据后，经过预处理、卷积、池化操作提取影像特征，将提取的影像特征与第一数据库进行相似度对比，根据对比结果预测疾病的种类，将预测的疾病种类传输至诊断结果验证模块；
所述诊断结果验证模块用于验证诊断结果的准确性，得到影像数据中的疾病种类，同时预测疾病的严重等级；
所述图像分割量化用于对疾病进行定量分析，对诊断结果的病灶进行分割，得到病灶的定量数据，得到病灶的位置和大小；
所述数据库模块用于存储疾病的历史数据库，包括第一数据库和第二数据库，所述第一数据库用于存储CT影像数据和对应的诊断结果，所述第二数据库用于存储疾病的诊断指标。
2.根据权利要求1所述的一种具有影像医学用自动诊断系统，其特征在于：所述初步诊断模块通过提取图像特征，将得到的特征与第二数据库进行对比预测疾病的种类，包括下列步骤：
步骤S01、图像预处理：通过图像去噪和图像增强技术突出影像数据特征，同时将肺部影像数据划分为n个区域，记为1,2，…；
步骤S02、特征提取：通过机器视觉提取影响每个区域的特征，从影像数据的纹理、色彩、形状和梯度方面提取信息特征，输入的影像经过卷积、池化操作，输出特征集合，特征集合中包括特征子集；
步骤S03、特征定位：经过区域推荐网络生成候选区域块，每个区域块经过池化统一尺寸，输入进全连接层进行分类，并利用边界框对目标进行准确的位置预测，得到特征子集对应的位置，所述特征子集的位置是病灶的位置；
步骤S04、相似度对比：计算每个区域内的特征集合和第二数据库的相似度，得到相似度超过预设值的疾病，记为预测的疾病集合。
3.根据权利要求1所述的一种具有影像医学用自动诊断系统，其特征在于：所述诊断结果验证模块用于验证影像中是否包含疾病A，包括下列步骤：
步骤S11、采集得到影像数据在每个区的特征参数，得到疾病的种类，将肺部划分为n个区域，统计每种疾病在每个区域的特征参数，疾病A在n个区域内的特征参数记为C1,C1＝[c11,c12,…，c1n]；
步骤S12、统计历史数据，得到疾病A的影像数据，在每个区域出现病灶的概率，将概率视为疾病A在该区域的权重，得到每种疾病的权重系数，疾病A的权重系数集合记为Q1,Q1＝[q11,q12,…，q1n]，所述权重系数的计算方法是按照区域内病灶的面积s1和数量s2，概率计算公式满足,其中k1和k2为影响因子常数，
Figure FDA0004159365170000021
为疾病A在区域中的平均值；
步骤S13、将得到的特征参数与疾病对应的权重系数相乘，预设疾病的判别标准为P，疾病A的评估公式为F1(A)＝C1×Q1≥P1，则表明该CT影像诊断结果有疾病A，疾病A的严重等级满足公式
Figure FDA0004159365170000022
所述P满足/>
Figure FDA0004159365170000023
其中η1为影响系数常数。
4.根据权利要求1所述的一种具有影像医学用自动诊断系统，其特征在于：所述第二数据库用于表述疾病A在每个区域的特征集合，第二数据库的获取包括下列步骤：
步骤S21、样本数据采集：从第一数据库中得到样本数据，将肺部CT影像数据标记为样本输入X，将诊断结果记为样本输出Y；
步骤S22、样本数据的分类：按照疾病的种类对样本进行分类，肺部疾病包括感染性疾病、非感染性疾病和肿瘤性疾病，按照顺序编号，得到疾病1，2,3，…，建立肺部疾病和影像数据的对应关系，通过图像特征提取算法，提取疾病x1对应的影像特征y1，记为F3(x1,y1)，所述F3(x1,y1)表示疾病和影像特征的对应函数；
步骤S23、特征提取：通过机器视觉算法提取影响图片的特征，得到疾病A对应的特征集合B，主要从纹理、色彩、形状和梯度等几个方面提取信息特征，输入的图像经过基础的卷积、池化操作，提取出特征图，经过区域推荐网络生成候选区域块，每个区域块经过池化统一尺寸，输入进全连接层进行分类，并利用边界框对目标进行准确的位置预测；
步骤S24、基于医学知识，得到疾病A的理论影响特征，根据理论影像特征和历史特征，剔除无关的特征，将筛选后的特征按照所属的区域进行分类，记为区域1,2，…；
步骤S25、分析每个影像特征对于疾病A的权重，得到每个区域特征对于疾病A的权重系数Q，将疾病A每个区域的权重系数存储在第一数据库中，以此类推得到所有疾病在每个区域的权重系数。
5.根据权利要求1所述的一种具有影像医学用自动诊断系统，其特征在于：所述第一数据库是医院的历史影像数据库中得到肺部CT和对应的诊断结果，经过去隐私后获得大量病例的肺部CT影像和对应的诊断结果，将肺部CT影像数据标记为样本输入X，将诊断结果记为样本输出Y。
6.根据权利要求1所述的一种具有影像医学用自动诊断系统，其特征在于：所述图像分割算法基于2D图像和3D图像，所述2D图像是平扫肺部CT影像数据，所述3D图像是肺部增强CT影像数据，图像分割算法包括下列步骤
步骤S31、进行2D分割预测：利用优化的2D病灶检测模型，检测得到病灶的像素点，用2D分割结果作为种子，将预测的病灶像素点放入种子像素集合Z1中；
步骤S32、进行3D分割，采用相似度度量指标对网络参数进行优化，用相似度度量指标来计算初始分割结果和最终分割结果的损失，3D结果作为相邻元素，检查种子点的8个相邻像素是否应该放入融合结果，将3D分割预测的像素点放入邻近像素集合Z2中；
步骤S33、融合分割：分割结果集合用Z3表示，以2D分割结果为集合Z3初始值，从种子像素集合Z1中依次弹出种子像素，得到每个种子像素的相邻像素a，若相邻像素不输于邻近像素集合Z2，则将相邻像素a添加到分割结果集合Z3中，得到分割结果集合Z3，完成对病灶的标注。
7.根据权利要求4所述的一种具有影像医学用自动诊断系统，其特征在于：所述2D病灶检测模型的优化包括下列步骤：
步骤S41、建立病灶的方向场：病灶点通过找距离最近的边界点二维方向向量建立方向场，以b为内部中心点，边界点p的方向场为
Figure FDA0004159365170000041
利用方向场完成初始分割；
步骤S42、优化分割：利用特征校正和融合预测方向场优化初始分割，基于网络学习的原始特征和方向场，经过矫正得到增强的特征，F0为原始特征，FN为N步增强特征，px和py表示像素点的x和y坐标，每个点的特征通过双线性插值得到，病灶像素的增强特征满足公式Fk(p)＝Fk-1(px+DF(p)·x,py+DF(p)·y)，其中N为超参数，且1≤k≤N；
步骤S43、方向场指向目标中心位置，N步之后边界点的特征被靠近中心点的特征取代，得到优化的分割结果，即病灶的精准位置和大小。
8.一种用于实施权利要求1-7的具有影像医学用自动诊断功能的设备，其特征在于：包括用户端、服务端、管理端，所述用户端用于采集医学影像数据，并转化为图像数据，将合格的医学影像数据传输至服务端，所述用户端包括用户登录单元，所述用户登录单元获取用户基本信息；所述服务端包括自动诊断模型和云数据库，所述自动诊断模型通过采集医学影像数据，经过图像特征识别，采集得到指标参数，将得到的指标参数和疾病诊断标准数据进行对比，对疾病进行定性和定量分析；所述云数据库用于存储肺部疾病对应的疾病诊断指标数据库；所述管理端用于管理疾病诊断指标数据库和根据自动诊断模型的结果向用户发出警告。
9.根据权利要求8所述的具有影像医学用自动诊断功能的设备，其特征在于：包括下列步骤：
步骤一、数据采集：用户登录设备用户端后，上传肺部CT影像数据，并将合格的影像数据转化为图像数据，将用户基础数据和图像数据传输至服务端的自动诊断模型中；
步骤二、初步诊断：服务端的自动诊断单元自动用于疾病的定性，得到疾病的种类，将提取的特征与疾病诊断数据库进行对比，得到预设的疾病的种类；
步骤三、诊断结果验证：验证诊断的疾病的准确性，预测疾病的发展程度；
步骤四、病灶的定量分析：利用图像分割算法得到病灶的位置和病灶的大小，融合算法进行分割，得到病灶的准确定位；
步骤五、将诊断结果传输至用户和管理者，并存储在数据库中。
CN202310345089.4A 2023-04-03 2023-04-03 一种具有影像医学用自动诊断设备及系统 Pending CN116363104A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310345089.4A CN116363104A (zh) 2023-04-03 2023-04-03 一种具有影像医学用自动诊断设备及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310345089.4A CN116363104A (zh) 2023-04-03 2023-04-03 一种具有影像医学用自动诊断设备及系统

Publications (1)

Publication Number Publication Date
CN116363104A true CN116363104A (zh) 2023-06-30

Family

ID=86936962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310345089.4A Pending CN116363104A (zh) 2023-04-03 2023-04-03 一种具有影像医学用自动诊断设备及系统

Country Status (1)

Country Link
CN (1) CN116363104A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635616A (zh) * 2024-01-26 2024-03-01 江西科技学院 用于医学检查结果互认的影像诊断系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635616A (zh) * 2024-01-26 2024-03-01 江西科技学院 用于医学检查结果互认的影像诊断系统

Similar Documents

Publication Publication Date Title
US11842556B2 (en) Image analysis method, apparatus, program, and learned deep learning algorithm
EP3770850B1 (en) Medical image identifying method, model training method, and computer device
KR102108050B1 (ko) 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치
JP4310099B2 (ja) 肺疾患検出のための方法及びシステム
CN112132166B (zh) 一种数字细胞病理图像智能分析方法、系统及装置
US9811904B2 (en) Method and system for determining a phenotype of a neoplasm in a human or animal body
WO2020050721A1 (en) Determination of a growth rate of an object in 3d data sets using deep learning
CN113888532A (zh) 一种基于平扫ct数据的医学图像分析方法及装置
CN105956386A (zh) 基于健康人胸片的健康指标指数分类系统和方法
CN115210755A (zh) 解决训练数据中遗漏注释的类别不同损失函数
CN115861656A (zh) 用于自动处理医学图像以输出警报的方法、设备和系统
US12046018B2 (en) Method for identifying bone images
CN114332132A (zh) 图像分割方法、装置和计算机设备
CN116363104A (zh) 一种具有影像医学用自动诊断设备及系统
CN116580068A (zh) 一种基于点云配准的多模态医学配准方法
CN118552504A (zh) 基于人工智能的超声影像检测方法及系统
Piętka et al. Role of radiologists in CAD life-cycle
CN111369598B (zh) 深度学习模型的训练方法及装置、应用方法及装置
CN113610746A (zh) 一种图像处理方法、装置、计算机设备及存储介质
CN116580819B (zh) 用于自动化地确定图像序列中的检查结果的方法和系统
CN115661152B (zh) 基于模型预测的目标发展情况分析方法
CN116168029A (zh) 一种用于评估肋骨骨折的方法、设备和介质
CN113222985B (zh) 一种图像处理方法、装置、计算机设备和介质
CN116934657A (zh) 医用图像处理装置和医用图像处理方法
CN114334097A (zh) 基于医学图像上病灶进展的自动评估方法及相关产品

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