CN117334300A - 一种基于人工智能的医疗辅助方法和系统 - Google Patents
一种基于人工智能的医疗辅助方法和系统 Download PDFInfo
- Publication number
- CN117334300A CN117334300A CN202311306436.9A CN202311306436A CN117334300A CN 117334300 A CN117334300 A CN 117334300A CN 202311306436 A CN202311306436 A CN 202311306436A CN 117334300 A CN117334300 A CN 117334300A
- Authority
- CN
- China
- Prior art keywords
- gray
- value
- artificial intelligence
- target
- feature vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 100
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000003860 storage Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- 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
- G06T7/11—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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- 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
- G06T2207/10016—Video; Image sequence
Abstract
本发明涉及一种基于人工智能的医疗辅助方法和系统，所述方法包括:步骤S1：对目标作切片图像采集，以得到切片图像序列；步骤S2：将切片图像序列中的每个图像进行目标分割以得到目标图像序列；步骤S3：将目标图像序列中的每个目标图像转换到灰度颜色空间，基于目标图像的灰度值确定每个目标图像的第一灰度特征向量；步骤S4：确定目标图像的灰度直方图，基于灰度直方图确定第二灰度特征向量；步骤S6：基于第一灰度特征向量和第二灰度特征得到辅助分析结果；本发明信息含量复杂但是获取简单，具有很强的兼容性，计算复杂度低。
Description
【技术领域】
本发明属于基于人工智能技术领域，尤其涉及一种基于人工智能的医疗辅助方法和系统。
【背景技术】
人工智能在医疗领域的应用已经展现出巨大的潜力，它可以在各个环节提供辅助和支持，从疾病预测和诊断到治疗方案的制定和监控，甚至包括患者管理和医疗资源；人工智能辅助诊疗以大数据智能作为基础，需要解决医疗健康数据碎片化的问题，实现从数据到知识，从知识到智能的跨跃，打穿数据孤岛，建立链接个人和医疗机构的跨领域医疗知识中心，形成开放式、互联互通的医疗信息共享机制。人工智能可以通过图像识别和模式分析技术，帮助医生在早期识别和预测疾病。人工智能可以分析医学影像数据，提供肿瘤的自动检测、分割和分类，并帮助医生判断是否存在异常，从而提高早期诊断的准确性和敏感性。此外，基于历史数据和机器学习算法，人工智能可以构建疾病预测模型，用于预测患者在未来一段时间内可能出现的疾病风险。这可以提供给医生和患者关于疾病风险的预警和个性化建议，以便采取相应的预防措施和调整生活方式。人工智能可以分析患者的病历数据、症状和实验室检查结果，结合大规模的医学数据库和临床指南，为医生提供个性化的治疗建议和方案。
现有技术中基于人工智能的医疗辅助仍旧存在一定的困难，一方面是因为，医疗辅助往往是基于图像分析的，但是将图像作为人工智能模型的输入会带来相当大的复杂度，甚至使得人工智能模型的训练是不可实现的。另一方面，人工智能模型的创建跟不上目标类型多样化的步伐，缺乏通用兼容的医疗辅助手段。本发明通过图像切片对可能造成的信息量损失进行补充，实现了计算量的降维；输入向量能够体现图像语义和非语义特征，信息含量复杂但是获取简单；目标类型是可替换的，因此具有很强的兼容性；
【发明内容】
为了解决现有技术中的上述问题，本发明提出了一种基于人工智能的医疗辅助方法和系统，所述方法包含：
步骤S1：对目标作切片图像采集，以得到切片图像序列；
步骤S2：将切片图像序列中的每个图像进行目标分割以得到目标图像序列；
步骤S3：将目标图像序列中的每个目标图像转换到灰度颜色空间，基于目标图像的灰度值确定每个目标图像的第一灰度特征向量；其中：第一灰度特征向量指示目标图像的灰度值量化特征；
所述步骤S3具体包括如下步骤：
步骤S31：按照第一方式将目标图像划分为U1个区域，计算每个区域的灰度值均值并按照预设顺序排列作为第一灰度特征向量中的第1到第U1个元素值；
步骤S32：按照第二方式将目标图像划分为U2个区域，计算每个区域的灰度值均值并按照预设顺序排列作为第一灰度特征向量中的第U1+1到第U1+U2个元素值；
步骤S33：计算目标图像整体的灰度值均值作为第一灰度特征向量中的第U1+U2+1元素值；
步骤S4：确定目标图像的灰度直方图，基于灰度直方图确定第二灰度特征向量，确定目标图像的灰度直方图；第二灰度特征向量指示目标图像的灰度直方图频率值的分布和偏离特征；
所述步骤S4具体包括如下步骤：
步骤S41：获取灰度直方图的频率均值、最大值和最小值；
步骤S42：基于所述频率均值、最大值和最小值确定第一划分方式；
步骤S43：基于第一划分方式将灰度直方图的灰度级划分为L1个第一区间；灰度级是直方图的X轴坐标；
步骤S44：计算每个第一区间中的频率均值，将所述频率均值按照第一区间顺序排列以构成第二灰度特征向量中的第1到第L1个元素值；其中：l1是第一区间编号；
步骤S45：基于下式(1)计算每个第一区间的频率偏离值dfl1；其中：e1是第l1个第一区间中的第e1个元素；fre1,l1是所述第e1个元素的频率值；E1是第l1个第一区间中的元素个数；
步骤S46：基于下式(2)计算第一区间偏离差异sbdfl1；将第一区间偏离差异sbdfl1按照区间顺序排列以构成第二灰度特征向量中的第L1+1到第2L1个元素值；
步骤S47：将频率均值、最大值和最小值按照顺序排列以构成第二灰度特征向量中的第2L1+1到第2L1+3个元素值；
步骤S5：基于第一灰度特征向量和第二灰度特征向量构建辅助分析模型的输入向量；将每个目标图像的输入向量依次输入辅助分析模型中以得到针对每个切片图像的多个输出向量；基于所述多个输出向量确定医疗辅助分析结果。
进一步的,所述第一划分方式为平均的将灰度级划分为L1个第一区间,L1是预设值。
进一步的,所述第一方式为网格划分。
进一步的,U1＝U2＝64。
进一步的,L1＝9或16。
进一步的,辅助分析模型为人工智能模型。
进一步的,所述辅助分析模型是基于神经网络的分类模型。
一种基于人工智能的医疗辅助平台，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现所述的基于人工智能的医疗辅助方法。
一种计算机可读存储介质，包括程序，当其在计算机上运行时，使得计算机执行所述的基于人工智能的医疗辅助方法。
一种基于人工智能的医疗辅助系统，所述系统被配置为执行所述的基于人工智能的医疗辅助方法。
本发明的有益效果包括：
(1)通过图像灰度特征的多维度表达，相比于全图像分析，大大的降低的分析复杂度；同时通过图像切片对可能造成的信息量损失进行补充，从而实现了计算量的降维；另外，引入基于预设形状的目标切分，增加输入的多样性，增加人工智能模型的稳健性，克服采集设备差异和采集环境差异；
(2)通过基于图像二维面积划分、基于灰度级的直方图划分和考虑目标类型的目标划分方式，增加了图像信息的获取维度；而建立在划分方式基础上的偏离差异、频率偏离值等计算方式简单而不涉及迭代运算，能够体现图像语义和非语义特征，使得输入向量信息复杂但是获取简单；
尤其是，通过交织灰度颜色空间和灰度直方图信息的第三灰度特征向量，具有丰富的信息表达能力；能够独立的用于辅助信息的获取；目标类型是可替换的，因此具有很强的兼容性；
(3)通过多切片图像输出向量的迭代合并实现了符合辅助逻辑的输出向量合并，并进一步的通过建立在元素单元上的加权合并，考虑了针对不同目标特征的辅助需求，增加了辅助结果的个性化和可用性。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：
图1为本发明提供的基于人工智能的医疗辅助方法示意图。
【具体实施方式】
下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。
本发明提出一种基于人工智能的医疗辅助方法和系统，如附图1所示，所述方法包括如下步骤：
步骤S1：对目标作切片图像采集，以得到切片图像序列；将切面图像进行位置对齐和间隔点对齐，以使得切片图像序列中的所有切片图像所对应的目标体在三维空间中对齐，且切片图形序列中的第i个图像和第i个间隔点对应；不同患者对应的间隔点的数量是相同的；
经过三维空间中的对齐使得不同用户的目标在三维空间中的放置位置是固定的；例如：当目标为心脏时，使得目标的最长径和最短径分别和两个三维坐标轴重合，从而使得所有用户的目标均能够在三维空间中对齐；当然对于其他目标也可以采用类似的或者不同的对齐方式，这取决于目标的固有形态；
步骤S2：将切片图像序列中的每个图像进行目标分割以得到目标图像序列；在分割后，目标图像仍旧是保持对齐的；可以采用常见的图像分割方式进行目标分割；
可替换的：用预设形状进行图像分割；使得所述预设形状的每个边或者预设比例的边都能够和目标相切；进一步的：所述预设形状为方形；也就是说，所述预设形状对同一个切片图像序列中的每个切片图像进行分割是固定不变的，但是其边长会随着目标在不同切片中的尺寸在发生改变；通过预设形状能够增加后续人工智能模型输入的多样性，从而带入更多和切片图像相关的信息；增加人工智能模型的稳健性，克服采集设备差异和采集环境差异；
本发明通过图像灰度特征的多维度表达，相比于全图像分析，大大的降低的分析复杂度；同时通过图像切片对可能造成的信息量损失进行补充，从而实现了计算量的降维；另外，引入基于预设形状的目标切分，增加输入的多样性，增加人工智能模型的稳健性，克服采集设备差异和采集环境差异；
步骤S3：将目标图像序列中的每个目标图像转换到灰度颜色空间，基于目标图像的灰度值确定每个目标图像的第一灰度特征向量；其中：第一灰度特征向量指示目标图像的灰度值量化特征；
所述步骤S3具体包括如下步骤：
步骤S31：按照第一方式将目标图像划分为U1个区域，计算每个区域的灰度值均值并按照预设顺序排列作为第一灰度特征向量中的第1到第U1个元素值；
优选的：所述U1的取值和计算量相关，U1值越大则计算量越大；
优选的：所述第一方式为网格划分；
步骤S32：按照第二方式将目标图像划分为U2个区域，计算每个区域的灰度值均值并按照预设顺序排列作为第一灰度特征向量中的第U1+1到第U1+U2个元素值；
优选的：所述第一方式为栅格划分；
优选的：U1和U2是预设值，U1＝U2＝64；
步骤S33：计算目标图像整体的灰度值均值作为第一灰度特征向量中的第U1+U2+1元素值；
步骤S4：确定目标图像的灰度直方图，基于灰度直方图确定第二灰度特征向量，确定目标图像的灰度直方图；第二灰度特征向量指示目标图像的灰度直方图频率值的分布和偏离特征；
所述步骤S4具体包括如下步骤：
步骤S41：获取灰度直方图的频率均值、最大值和最小值；
步骤S42：基于所述频率均值、最大值和最小值确定第一划分方式；
优选的：预先设置所述频率均值、最大值和最小值和第一划分方式之间的对应关系，通过查找所述对应关系以确定第一划分方式；
优选的：所述第一划分方式为平均的将灰度级划分为L1个第一区间；
步骤S43：基于第一划分方式将灰度直方图的灰度级划分为L1个第一区间；灰度级是直方图的X轴坐标；
步骤S44：计算每个第一区间中的频率均值，将所述频率均值按照第一区间顺序排列以构成第二灰度特征向量中的第1到第L1个元素值；其中：l1是第一区间编号；
优选的：L1是预设值；例如：L1＝9、16；
步骤S45：基于下式(1)计算每个第一区间的频率偏离值dfl1；其中：e1是第l1个第一区间中的第e1个元素；fre1,l1是所述第e1个元素的频率值；E1是第l1个第一区间中的元素个数；
步骤S46：基于下式(2)计算第一区间偏离差异sbdfl1；将第一区间偏离差异sbdfl1按照区间顺序排列以构成第二灰度特征向量中的第L1+1到第2L1个元素值；
可替换的：基于下式(3)计算第一区间偏离差异；该计算方式能在一定程度上降低训练量但是会带来一定的信息丢失；
步骤S47：将频率均值、最大值和最小值按照顺序排列以构成第二灰度特征向量中的第2L1+1到第2L1+3个元素值；
优选的：所述方法还包括步骤S5；
步骤S5：对目标图像进行基于目标类型的区域划分以得到多个子目标区域，基于灰度颜色空间和灰度直方图确定第三灰度特征向量；所述第三灰度特征向量指示基于目标类型的子目标区域的区域间固有灰度和频率特征；
所述步骤S5具体包括如下步骤：
步骤S51：基于目标类型确定和所述目标类型对应的第一目标划分方式，将所述目标图像划分为T1第一子目标区域；目标划分方式对应了每个第一子目标区域对应的特定灰度分段；而和该特定灰度分段能够在一定程度上展现区域的灰度特征；当该分段较大时就模糊了该灰度特征，同样的，通过缩小该分段，能够精确刻画了该灰度特征；可以根据需要来设置；
步骤S52：依次获取一未处理第一子目标区域Art1；其中：t1是第一子目标区域编号；
步骤S53：确定所述未处理第一子目标区域Art1在其对应的特定灰度分段[gLt1,gHt1]中的元素个数占所述第一子目标区域中总元素个数ET1的比例gPt1；具体为：采用下式(4)(5)计算所述比例gPt1；其中：gret1,t1是第一子目标区域Art1中的第et1个元素对应的灰度值；
gPt1＝∑Tpt1/ET1 (4)；
步骤S54：将比例gPt1按照第一子目标区域Art1的顺序进行排列以构成第三灰度特征向量中的第1到第T1个元素值；
步骤S55：基于目标类型确定和所述目标类型对应的第二目标划分方式，将所述目标图像划分为T2个第二子目标区域；第二目标划分方式对应了每个第二子目标区域对应的特定频段分段；
优选的：所述第一目标划分方式和第二目标划分方式相同；
步骤S56：依次获取一未处理第二子目标区域Art2；其中：t2是第二子目标区域编号；
步骤S57：确定所述未处理第二子目标区域Art2在其对应的特定灰度级分段[fLt2,fHt2]中的频率均值具体为：采用下式(6)计算所述频率均值；其中：fret1,t2是子目标区域Art2中的第et2个元素对应的频率值；
步骤S57：将频率均值按照子目标区域Art2的顺序进行排列以构成第三灰度特征向量中的第T1+1到第T1+T2个元素值；
本发明通过基于图像二维面积划分、基于灰度级的直方图划分和考虑目标类型的目标划分方式，增加了图像信息的获取维度；而建立在划分方式基础上的偏离差异、频率偏离值dfl1等计算方式简单而不涉及迭代运算，能够体现图像语义和非语义特征，使得输入向量信息复杂但是获取简单；
步骤S6：基于第一灰度特征向量和第二灰度特征向量，和/或者第三灰度特征向量构建辅助分析模型的输入向量；将每个目标图像的输入向量依次输入辅助分析模型中以得到针对每个切片图像的多个输出向量；基于多个输出向量确定医疗辅助分析结果；
优选的：所述辅助分析模型为人工智能模型；所述辅助分析模型的输入是输入向量，输出是医疗辅助结果；例如：一个或者多个分类及其对应的概率值；或者是概率值向量；其中向量中的每个元素分别指示一个分类；
优选的：获取历史诊断数据用于构建包含输入向量和辅助分析结果的样本数据，用所述样本数据训练和验证人工智能模型；辅助分析结果包含一种或多种诊断特征结果及其发生概率；
可替换的：所述辅助分析模型为人工智能模型；
所述基于多个输出向量确定医疗辅助分析结果；具体为：对所述多个输出向量分别进行预处理以作输出向量的筛选；然后作输出向量的两两比较，基于比较结果进行输出向量的合并，并最终得到医疗辅助分析结果；
优选的：所述基于多输出向量确定医疗辅助分析结果；具体包括如下步骤；
步骤S6X1：计算任意两个输出向量之间的相似度；
优选的：所述相似性用输出向量之间的欧式距离来衡量，欧式距离越短则相似度越大，反之则越小；
步骤S6X2：对所述任意两个输出向量进行判断，若存在一输出向量和其它输出向量之间的相似度均小于相似度阈值，且所述输出向量参与的合并次数ub小于预设合并次数ub1，则删除所述一输出向量；
优选的：所述合并次数ub1＝1；
步骤S6X3：对所述任意两个输出向量构成的输出向量对进行判断，若相似度大于相似度阈值，则将所述两个输出向量放入待选输出向量对集合；若待选输出向量对集合为空，则进入步骤S6X6；否则，进入下一步骤；
步骤S6X4：将待选输出向量对集合中相似度最大者放入输出向量对集合中；并将待选输出向量对集合中涉及所述相似度最大者中任一输出向量的输出向量对删除；重复该步骤，直到待选输出向量对集合为空位置；
步骤S6X5：合并输出向量对集合中的每个输出向量对中涉及的两个输出向量；所述合并的方式是，设置合并后的元素值等于所述两个输出向量对应元素值的平均值；
可替换的：所述合并的方式是，设置合并后的元素值等于所述两个输出向量对应元素值的最大值；
步骤S6X6：加权合并剩余的输出向量Vc＝<vc,o>以得到辅助分析结果VS＝<vso>；
所述步骤S6X6，具体为：采用下式(7)(8)确定辅助分析结果中的第o个元素的元素值；其中：ws∈w1～wS为第s个预设权重值,wS是第S个预设权重值；c∈1～C是剩余的输出向量编号，C是剩余的输出向量的个数；Seq(vc,o,"v1,o,…,vc,o,…,vC,o")是排序函数，其输出是vc,o在"v1,o,…,vc,o,…,vC,o"中的排列顺序编号；
vso＝ws×vc,o (7)；
s＝Seq(vc,o,"v1,o,…,vc,o,…,vC,o") (8)；
可见，此时，对于每个向量来说其权重值并非固定的，而是基于每个元素值而不同；在对向量的任一个元素进行合并时，其元素值越大，则其占的权重越高，反之则越低；正是因为每个元素是针对不同目标特征进行的辅助预测，所以其含义往往是不同的；因此，可以设置多个ws等级；s值越小，则vc,o的编号越小，排序越靠前，则对应的权重值越大；
通过多切片图像输出向量的迭代合并实现了符合辅助逻辑的输出向量合并，并进一步的通过建立在元素单元上的加权合并，考虑了针对不同目标特征的辅助需求，增加了辅助结果的个性化和可用性；
基于相同的发明构思，本发明还提供一种基于人工智能的医疗辅助系统，所述系统包括：医疗终端和医疗辅助服务器；所述系统用于实现上述一种基于人工智能的医疗辅助方法；
优选的：所述医疗终端为多个，所述多个医疗终端和服务器之间保持通信连接；
优选的：所述服务器为分布式服务器；
计算机程序(也被称为程序、软件、软件应用、脚本或代码)能够以编程语言的任何形式来撰写，包括汇编或解释语言、说明或过程性语言，且其可以以任何形式部署，包括作为单机程序或者作为模块、组件、子例程、对象或适于在计算环境中使用的其他单元。计算机程序可以但不必与文件系统中的文件相对应。程序能够存储在保持其他程序或数据(例如存储在标记语言文档中的一个或多个脚本)的文件的一部分中，在专用于所述程序的单个文件中，或者在多个协同文件中(例如，存储一个或多个模块、子例程或代码部分的文件)。计算机程序可以部署为在一个计算机上或位于一个站点或跨多个站点分布且由通信网络互连的多个计算机上执行。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于人工智能的医疗辅助方法，其特征在于，所述方法包含：
步骤S1：对目标作切片图像采集，以得到切片图像序列；
步骤S2：将切片图像序列中的每个图像进行目标分割以得到目标图像序列；
步骤S3：将目标图像序列中的每个目标图像转换到灰度颜色空间，基于目标图像的灰度值确定每个目标图像的第一灰度特征向量；其中：第一灰度特征向量指示目标图像的灰度值量化特征；
所述步骤S3具体包括如下步骤：
步骤S31：按照第一方式将目标图像划分为U1个区域，计算每个区域的灰度值均值并按照预设顺序排列作为第一灰度特征向量中的第1到第U1个元素值；
步骤S32：按照第二方式将目标图像划分为U2个区域，计算每个区域的灰度值均值并按照预设顺序排列作为第一灰度特征向量中的第U1+1到第U1+U2个元素值；
步骤S33：计算目标图像整体的灰度值均值作为第一灰度特征向量中的第U1+U2+1元素值；
步骤S4：确定目标图像的灰度直方图，基于灰度直方图确定第二灰度特征向量，确定目标图像的灰度直方图；第二灰度特征向量指示目标图像的灰度直方图频率值的分布和偏离特征；
所述步骤S4具体包括如下步骤：
步骤S41：获取灰度直方图的频率均值、最大值和最小值；
步骤S42：基于所述频率均值、最大值和最小值确定第一划分方式；
步骤S43：基于第一划分方式将灰度直方图的灰度级划分为L1个第一区间；灰度级是直方图的X轴坐标；
步骤S44：计算每个第一区间中的频率均值，将所述频率均值按照第一区间顺序排列以构成第二灰度特征向量中的第1到第L1个元素值；其中：l1是第一区间编号；
步骤S45：基于下式(1)计算每个第一区间的频率偏离值dfl1；其中：e1是第l1个第一区间中的第e1个元素；fre1,l1是所述第e1个元素的频率值；E1是第l1个第一区间中的元素个数；
步骤S46：基于下式(2)计算第一区间偏离差异sbdfl1；将第一区间偏离差异sbdfl1按照区间顺序排列以构成第二灰度特征向量中的第L1+1到第2L1个元素值；
步骤S47：将频率均值、最大值和最小值按照顺序排列以构成第二灰度特征向量中的第2L1+1到第2L1+3个元素值；
步骤S5：基于第一灰度特征向量和第二灰度特征向量构建辅助分析模型的输入向量；将每个目标图像的输入向量依次输入辅助分析模型中以得到针对每个切片图像的多个输出向量；基于所述多个输出向量确定医疗辅助分析结果。
2.根据权利要求1所述的基于人工智能的医疗辅助方法，其特征在于，所述第一划分方式为平均的将灰度级划分为L1个第一区间，L1是预设值。
3.根据权利要求2所述的基于人工智能的医疗辅助方法，其特征在于，所述第一方式为网格划分。
4.根据权利要求3所述的基于人工智能的医疗辅助方法，其特征在于，U1＝U2＝64。
5.根据权利要求4所述的基于人工智能的医疗辅助方法，其特征在于，L1＝9或16。
6.根据权利要求5所述的基于人工智能的医疗辅助方法，其特征在于，所述辅助分析模型为人工智能模型。
7.根据权利要求6所述的基于人工智能的医疗辅助方法，其特征在于，所述辅助分析模型是基于神经网络的分类模型。
8.一种基于人工智能的医疗辅助平台，其特征在于，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现权利要求1-7中任一项所述的基于人工智能的医疗辅助方法。
9.一种计算机可读存储介质，其特征在于，包括程序，当其在计算机上运行时，使得计算机执行如权利要求1-7中任一项所述的基于人工智能的医疗辅助方法。
10.一种基于人工智能的医疗辅助系统，其特征在于，所述系统被配置为执行如权利要求1-7中任一项所述的基于人工智能的医疗辅助方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311306436.9A CN117334300A (zh) | 2023-10-10 | 2023-10-10 | 一种基于人工智能的医疗辅助方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311306436.9A CN117334300A (zh) | 2023-10-10 | 2023-10-10 | 一种基于人工智能的医疗辅助方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117334300A true CN117334300A (zh) | 2024-01-02 |
Family
ID=89275082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311306436.9A Pending CN117334300A (zh) | 2023-10-10 | 2023-10-10 | 一种基于人工智能的医疗辅助方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117334300A (zh) |
-
2023
- 2023-10-10 CN CN202311306436.9A patent/CN117334300A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Galbusera et al. | Artificial intelligence and machine learning in spine research | |
| US11710233B2 (en) | Three-dimensional medical image analysis method and system for identification of vertebral fractures | |
| EP3961484A1 (en) | Medical image segmentation method and device, electronic device and storage medium | |
| EP3916674A1 (en) | Brain image segmentation method, apparatus, network device and storage medium | |
| US10496884B1 (en) | Transformation of textbook information | |
| Xia et al. | A multi-scale segmentation-to-classification network for tiny microaneurysm detection in fundus images | |
| Han et al. | Automated pathogenesis-based diagnosis of lumbar neural foraminal stenosis via deep multiscale multitask learning | |
| US20210406687A1 (en) | Method for predicting attribute of target object based on machine learning and related device | |
| Feng et al. | Deep learning for chest radiology: a review | |
| Banerjee et al. | A CADe system for gliomas in brain MRI using convolutional neural networks | |
| CN111863247A (zh) | 基于结构磁共振影像的大脑年龄级联精炼预测方法及系统 | |
| Elayaraja et al. | An efficient approach for detection and classification of cancer regions in cervical images using optimization based CNN classification approach | |
| Aina et al. | Classification of cervical intraepithelial neoplasia (cin) using fine-tuned convolutional neural networks | |
| CN112686899B (zh) | 医学图像分析方法和装置、计算机设备及存储介质 | |
| Ramos et al. | Fast and smart segmentation of paraspinal muscles in magnetic resonance imaging with CleverSeg | |
| US11842492B2 (en) | Cerebral hematoma volume analysis | |
| CN117334300A (zh) | 一种基于人工智能的医疗辅助方法和系统 | |
| Hilal et al. | Design of Intelligent Alzheimer Disease Diagnosis Model on CIoT Environment | |
| CN113011362A (zh) | 基于双线性池化与注意力机制的细粒度眼底图像分级算法 | |
| Brown et al. | Deep learning for computer-aided diagnosis in ophthalmology: a review | |
| Baltruschat | Deep learning for automatic lung disease analysis in chest x-rays | |
| Kandel | Deep Learning Techniques for Medical Image Classification | |
| Srirangam | Artificial Intelligence Based Hyper-parameter Adjustment on Deep Neural Networks: An Application of Detection and Classification of COVID-19 Diseases | |
| Mo et al. | A multi-level context fusion network for exudate segmentation in retinal images | |
| US11915829B2 (en) | Perihematomal edema analysis in CT images |
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 |