CN117524427A - 一种智能化医学影像分析方法 - Google Patents
一种智能化医学影像分析方法 Download PDFInfo
- Publication number
- CN117524427A CN117524427A CN202410016915.5A CN202410016915A CN117524427A CN 117524427 A CN117524427 A CN 117524427A CN 202410016915 A CN202410016915 A CN 202410016915A CN 117524427 A CN117524427 A CN 117524427A
- Authority
- CN
- China
- Prior art keywords
- image
- case
- diagnosed
- semantic
- variant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003703 image analysis method Methods 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 71
- 238000003745 diagnosis Methods 0.000 claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 28
- 230000008447 perception Effects 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及医学图像分析的技术领域，公开了一种智能化医学影像分析方法，所述方法包括：获取待诊断图像以及若干历史病例图像，构建病例图像泛化模型对历史病例图像进行泛化处理，得到变异病例图像集合，构造医学图像诊断模型，提取变异病例图像集合中变异病例图像的稳定语义特征，构造深层语义特征提取网络模型，提取待诊断图像的深层语义特征，对待诊断图像的深层语义特征和变异病例图像的稳定语义特征进行相似度计算，选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考，辅助医生确定诊疗方案。
Description
技术领域
本发明涉及图像匹配的技术领域，尤其涉及一种智能化医学影像分析方法。
背景技术
医学影像是现代医学领域中重要的诊断和治疗工具。它包括X射线、CT扫描、MRI等多种成像技术，能够提供人体内部器官、组织和病变的详细信息。然而，传统的医学影像分析主要依靠医生的经验和直觉进行解读和判断，存在主观性和可变性的问题，同时对历史病例资源无法充分利用。随着医学影像数据不断增长，人工处理和解读已经变得困难和耗时。因此，开展智能化医学影像分析方法成为迫切需求。智能化医学影像分析通过应用人工智能技术，如机器学习、深度学习和计算机视觉，对医学影像进行自动化解读和分析。这些方法可以辅助医生充分挖掘历史病例资源，帮助快速准确地诊断疾病，给出治疗方案。鉴于此，本专利提出一种智能化医学影像分析方法，通过人工智能技术实现历史病例资源的充分利用，辅助医生开展有效诊断治疗。
发明内容
有鉴于此，本发明提供一种智能化医学影像分析方法，目的在于：1）通过对历史病例图像进行泛化处理，得到变异病例图像集合，扩展可进行匹配的病例图像数目，提高历史病例资源利用率；2）通过构建医学图像诊断模型分别提取变异病例图像的自注意力特征与多尺度局部感知特征作为深度语义特征，并结合映射融合的方式得到表征变异病例图像自注意力权重以及自身局部感知特征的稳定语义特征，保证病例图像特征提取稳定性；3）利用深层语义特征提取网络模型对待诊断图像进行多尺度卷积残差处理、池化操作、深度可分离卷积处理以及结合上下文的语义感知处理，得到待诊断图像的深层语义特征，通过结合深层语义特征与稳定语义特征的特征分布差异以及特征方向差异，对待诊断图像的深层语义特征和变异病例图像的稳定语义特征进行相似度计算，选取相似度高于指定阈值的变异支撑图像所对应的支撑图像作为图像匹配结果，选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考，提高了历史病例资源利用率，辅助医生确定诊疗方案。
实现上述目的，本发明提供的一种智能化医学影像分析方法，包括以下步骤：
S1：获取待诊断图像以及若干历史病例图像，构建病例图像泛化模型对历史病例图像进行泛化处理，得到变异病例图像集合，所述病例图像泛化模型以历史病例图像为输入，以变异病例图像集合为输出；
S2：构造医学图像诊断模型，提取变异病例图像集合中变异病例图像的稳定语义特征，所述医学图像诊断模型以变异病例图像为输入，融合全局的自注意力特征与多尺度局部感知特征，得到变异病例图像的稳定语义特征；
S3：构造深层语义特征提取网络模型，提取待诊断图像的深层语义特征，其中深层语义特征提取网络模型包括多尺度特征提取网络模块、语义提取网络模块和语义理解网络模块；
S4：对待诊断图像的深层语义特征和变异病例图像的稳定语义特征进行相似度计算，选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考，辅助医生确定诊疗方案。
作为本发明的进一步改进方法：
可选地，所述S1步骤中获取待诊断图像以及若干历史病例图像，并构建病例图像泛化模型，包括：
获取待诊断图像I以及若干历史病例图像，其中历史病例图像为用于对待诊断图像进行图像匹配的候选图像，所采集历史病例图像的表示形式为：
；
其中：
表示所获取第n张历史病例图像；
构建病例图像泛化模型，利用病例图像泛化模型对历史病例图像进行泛化处理扩大病例适用范围，得到变异病例图像集合，其中病例图像泛化模型包括输入层、图像泛化层以及输出层，输入层用于输入历史病例图像，图像泛化层用于对历史病例图像进行泛化映射处理，输出层用于将历史病例图像的泛化映射处理结果作为变异病例图像进行输出。
所述S1步骤中利用病例图像泛化模型对历史病例图像进行泛化处理，得到变异病例图像集合，包括：
利用病例图像泛化模型对历史病例图像进行泛化处理，其中历史病例图像的泛化处理流程为：
S11：输入层接收历史病例图像，并将历史病例图像/>传输至图像泛化层；
S12：图像泛化层对历史病例图像进行M次泛化映射处理：
；
其中：
表示历史病例图像/>的第m次泛化映射处理结果；
表示非线性映射函数；
表示第m次泛化映射处理模板；
表示hadamard积运算符；
S13：输出层将历史病例图像的泛化映射处理结果作为变异病例图像进行输出，构成历史病例图像的变异病例图像集合：/>。
可选地，所述S2步骤中构造医学图像诊断模型，包括：
构造医学图像诊断模型，所述医学图像诊断模型以变异病例图像为输入，融合全局的自注意力特征与多尺度局部感知特征，得到变异病例图像的稳定语义特征，其中医学图像诊断模型包括输入层、深度语义特征提取层以及稳定语义特征构造层，输入层用于接收变异病例图像，深度语义特征提取层用于分别提取变异病例图像的自注意力特征与多尺度局部感知特征作为深度语义特征，稳定语义特征构造层用于将深度语义特征构造为变异病例图像的稳定语义特征。
所述S2步骤中利用医学图像诊断模型提取变异病例图像集合中变异病例图像的稳定语义特征，包括：
利用医学图像诊断模型提取变异病例图像集合中变异病例图像的稳定语义特征，其中变异病例图像集合中变异病例图像/>的稳定语义特征提取流程为：
S21：输入层接收变异病例图像；
S22：深度语义特征提取层分别提取变异病例图像的自注意力特征/>与多尺度局部感知特征/>作为深度语义特征/>：
；
；
；
其中：
T表示转置；
分别表示深度语义特征提取层中的卷积权重矩阵；
D表示的维度；
表示分别利用/>像素大小的卷积核对变异病例图像/>进行卷积处理，得到的三种尺度下的局部感知特征；
S23：稳定语义特征构造层将深度语义特征构造为变异病例图像/>的稳定语义特征：
；
；
其中：
表示变异病例图像/>的稳定语义特征；
表示ReLU激活函数；
表示以自然常数为底的指数函数；
表示使得/>达到最大的参数/>，其中/>。
可选地，所述S3步骤中构造深层语义特征提取网络模型，提取待诊断图像的深层语义特征，包括：
构造深层语义特征提取网络模型，利用深层语义特征提取网络模型提取待诊断图像I的深层语义特征，其中深层语义特征提取网络模型包括多尺度特征提取网络模块、语义提取网络模块和语义理解网络模块，多尺度特征提取网络模块用于接收待诊断图像，并对待诊断图像进行多尺度卷积残差处理，生成待诊断图像的多尺度特征图，语义提取网络模块用于将多尺度特征图转换为深层语义特征向量，语义理解网络模块用于对深层语义特征向量进行结合上下文的语义感知处理，生成待诊断图像的深层语义特征；
基于深层语义特征提取网络模型的待诊断图像I深层语义特征提取流程为：
S31：多尺度特征提取网络模块接收待诊断图像I，对待诊断图像I进行多尺度卷积残差处理，其中多尺度卷积残差处理公式为：
；
其中：
表示待诊断图像I在第u个尺度下的卷积残差处理结果，U表示最大卷积残差尺度；
表示利用/>像素大小的卷积核进行的卷积操作；
根据多尺度卷积残差处理结果，生成待诊断图像I的多尺度特征图：
；
；
其中：
表示待诊断图像I的多尺度特征图；
表示待诊断图像I在第u个尺度下的特征图；
表示最大池化操作，/>表示平均池化操作，/>表示特征拼接处理符号；
S32：语义提取网络模块将多尺度特征图转换为深层语义特征向量：
；
其中：
表示多尺度特征图/>对应的深层语义特征向量；
表示对特征图进行六次深度可分离卷积处理以及三次最大池化操作；
S33：语义理解网络模块对深层语义特征向量进行结合上下文的语义感知处理，生成待诊断图像的深层语义特征/>：
；
其中：
W表示语义理解网络模块的权重参数矩阵；
表示ReLU激活函数；
表示待诊断图像I的深层语义特征。
可选地，所述S4步骤中对待诊断图像的深层语义特征以及变异病例图像的稳定语义特征进行相似度计算，选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考，辅助医生确定诊疗方案，包括：
对待诊断图像的深层语义特征以及变异病例图像的稳定语义特征进行相似度计算，其中深层语义特征与稳定语义特征/>的相似度计算公式为：
其中：
表示深层语义特征/>与稳定语义特征/>的相似度；
表示L1范数；
选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考，辅助医生确定诊疗方案。
为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；及处理器，执行所述存储器中存储的指令以实现上述所述的智能化医学影像分析方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的智能化医学影像分析方法。
相对于现有技术，本发明提出一种智能化医学影像分析方法，该技术具有以下优势：
1）本方案通过对历史病例图像进行泛化处理，得到变异病例图像集合，扩展可进行匹配的病例图像数目，提高历史病例资源利用率；
2）本方案通过构建医学图像诊断模型分别提取变异病例图像的自注意力特征与多尺度局部感知特征作为深度语义特征，并结合映射融合的方式得到表征变异病例图像自注意力权重以及自身局部感知特征的稳定语义特征，保证病例图像特征提取稳定性；
3）本方案利用深层语义特征提取网络模型对待诊断图像进行多尺度卷积残差处理、池化操作、深度可分离卷积处理以及结合上下文的语义感知处理，得到待诊断图像的深层语义特征，通过结合深层语义特征与稳定语义特征的特征分布差异以及特征方向差异，对待诊断图像的深层语义特征和变异病例图像的稳定语义特征进行相似度计算，选取相似度高于指定阈值的变异支撑图像所对应的支撑图像作为图像匹配结果，选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考，提高了历史病例资源利用率。
附图说明
图1为本发明一实施例提供的一种智能化医学影像分析方法的流程示意图；
图2为本发明一实施例提供的实现智能化医学影像分析方法的电子设备的结构示意图；
图中：1电子设备，10处理器，11存储器，12程序，13通信接口。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种智能化医学影像分析方法。所述智能化医学影像分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述智能化医学影像分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1
S1：获取待诊断图像以及若干历史病例图像，构建病例图像泛化模型对历史病例图像进行泛化处理，得到变异病例图像集合，所述病例图像泛化模型以历史病例图像为输入，以变异病例图像集合为输出。
所述S1步骤中获取待诊断图像以及若干历史病例图像，并构建病例图像泛化模型，包括：
获取待诊断图像I以及若干历史病例图像，其中历史病例图像为用于对待诊断图像进行图像匹配的候选图像，所采集历史病例图像的表示形式为：
；
表示所获取第n张历史病例图像；
构建病例图像泛化模型，利用病例图像泛化模型对历史病例图像进行泛化处理扩大病例适用范围，得到变异病例图像集合，其中病例图像泛化模型包括输入层、图像泛化层以及输出层，输入层用于输入历史病例图像，图像泛化层用于对历史病例图像进行泛化映射处理，输出层用于将历史病例图像的泛化映射处理结果作为变异病例图像进行输出。
所述S1步骤中利用病例图像泛化模型对历史病例图像进行泛化处理，得到变异病例图像集合，包括：
利用病例图像泛化模型对历史病例图像进行泛化处理，其中历史病例图像的泛化处理流程为：
S11：输入层接收历史病例图像，并将历史病例图像/>传输至图像泛化层；
S12：图像泛化层对历史病例图像进行M次泛化映射处理：
；
其中：
表示历史病例图像/>的第m次泛化映射处理结果；
表示非线性映射函数；
表示第m次泛化映射处理模板；
表示hadamard积运算符；
S13：输出层将历史病例图像的泛化映射处理结果作为变异病例图像进行输出，构成历史病例图像的变异病例图像集合：/>。
S2：构造医学图像诊断模型，提取变异病例图像集合中变异病例图像的稳定语义特征，所述医学图像诊断模型以变异病例图像为输入，融合全局的自注意力特征与多尺度局部感知特征，得到变异病例图像的稳定语义特征。
所述S2步骤中构造医学图像诊断模型，包括：
构造医学图像诊断模型，所述医学图像诊断模型以变异病例图像为输入，融合全局的自注意力特征与多尺度局部感知特征，得到变异病例图像的稳定语义特征，其中医学图像诊断模型包括输入层、深度语义特征提取层以及稳定语义特征构造层，输入层用于接收变异病例图像，深度语义特征提取层用于分别提取变异病例图像的自注意力特征与多尺度局部感知特征作为深度语义特征，稳定语义特征构造层用于将深度语义特征构造为变异病例图像的稳定语义特征。
所述S2步骤中利用医学图像诊断模型提取变异病例图像集合中变异病例图像的稳定语义特征，包括：
利用医学图像诊断模型提取变异病例图像集合中变异病例图像的稳定语义特征，其中变异病例图像集合中变异病例图像/>的稳定语义特征提取流程为：
S21：输入层接收变异病例图像；
S22：深度语义特征提取层分别提取变异病例图像的自注意力特征/>与多尺度局部感知特征/>作为深度语义特征/>：
；
；
；
其中：
T表示转置；
分别表示深度语义特征提取层中的卷积权重矩阵；
D表示的维度；
表示分别利用/>像素大小的卷积核对变异病例图像/>进行卷积处理，得到的三种尺度下的局部感知特征；
S23：稳定语义特征构造层将深度语义特征构造为变异病例图像/>的稳定语义特征：
；
；
其中：
表示变异病例图像/>的稳定语义特征；
表示ReLU激活函数；
表示以自然常数为底的指数函数；
表示使得/>达到最大的参数/>，其中/>。
S3：构造深层语义特征提取网络模型，提取待诊断图像的深层语义特征，其中深层语义特征提取网络模型包括多尺度特征提取网络模块、语义提取网络模块和语义理解网络模块。
所述S3步骤中构造深层语义特征提取网络模型，提取待诊断图像的深层语义特征，包括：
构造深层语义特征提取网络模型，利用深层语义特征提取网络模型提取待诊断图像I的深层语义特征，其中深层语义特征提取网络模型包括多尺度特征提取网络模块、语义提取网络模块和语义理解网络模块，多尺度特征提取网络模块用于接收待诊断图像，并对待诊断图像进行多尺度卷积残差处理，生成待诊断图像的多尺度特征图，语义提取网络模块用于将多尺度特征图转换为深层语义特征向量，语义理解网络模块用于对深层语义特征向量进行结合上下文的语义感知处理，生成待诊断图像的深层语义特征；
基于深层语义特征提取网络模型的待诊断图像I深层语义特征提取流程为：
S31：多尺度特征提取网络模块接收待诊断图像I，对待诊断图像I进行多尺度卷积残差处理，其中多尺度卷积残差处理公式为：
；
其中：
表示待诊断图像I在第u个尺度下的卷积残差处理结果，U表示最大卷积残差尺度；
表示利用/>像素大小的卷积核进行的卷积操作；
根据多尺度卷积残差处理结果，生成待诊断图像I的多尺度特征图：
；
；
其中：
表示待诊断图像I的多尺度特征图；
表示待诊断图像I在第u个尺度下的特征图；
表示最大池化操作，/>表示平均池化操作，/>表示特征拼接处理符号；
S32：语义提取网络模块将多尺度特征图转换为深层语义特征向量：
；
其中：
表示多尺度特征图/>对应的深层语义特征向量；
表示对特征图进行六次深度可分离卷积处理以及三次最大池化操作；
S33：语义理解网络模块对深层语义特征向量进行结合上下文的语义感知处理，生成待诊断图像的深层语义特征/>：
；
其中：
W表示语义理解网络模块的权重参数矩阵；
表示ReLU激活函数；
表示待诊断图像I的深层语义特征。
S4：对待诊断图像的深层语义特征和变异病例图像的稳定语义特征进行相似度计算，选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考，辅助医生确定诊疗方案。
所述S4步骤中对待诊断图像的深层语义特征以及变异病例图像的稳定语义特征进行相似度计算，选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考，辅助医生确定诊疗方案，包括：
对待诊断图像的深层语义特征以及变异病例图像的稳定语义特征进行相似度计算，其中深层语义特征与稳定语义特征/>的相似度计算公式为：
；
其中：
表示深层语义特征/>与稳定语义特征/>的相似度；
表示L1范数；
选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考，辅助医生确定诊疗方案。
实施例2
如图2所示，是本发明一实施例提供的实现智能化医学影像分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现智能化医学影像分析的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取待诊断图像以及若干历史病例图像，构建病例图像泛化模型对历史病例图像进行泛化处理，得到变异病例图像集合，所述病例图像泛化模型以历史病例图像为输入，以变异病例图像集合为输出；
构造医学图像诊断模型，提取变异病例图像集合中变异病例图像的稳定语义特征，所述医学图像诊断模型以变异病例图像为输入，融合全局的自注意力特征与多尺度局部感知特征，得到变异病例图像的稳定语义特征；
构造深层语义特征提取网络模型，提取待诊断图像的深层语义特征，其中深层语义特征提取网络模型包括多尺度特征提取网络模块、语义提取网络模块和语义理解网络模块；
对待诊断图像的深层语义特征和变异病例图像的稳定语义特征进行相似度计算，选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考，辅助医生确定诊疗方案。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种智能化医学影像分析方法，其特征在于，所述方法包括：
S1：获取待诊断图像以及若干历史病例图像，构建病例图像泛化模型对历史病例图像进行泛化处理，得到变异病例图像集合，所述病例图像泛化模型以历史病例图像为输入，以变异病例图像集合为输出；
S2：构造医学图像诊断模型，提取变异病例图像集合中变异病例图像的稳定语义特征，所述医学图像诊断模型以变异病例图像为输入，融合全局的自注意力特征与多尺度局部感知特征，得到变异病例图像的稳定语义特征；
S3：构造深层语义特征提取网络模型，提取待诊断图像的深层语义特征，其中深层语义特征提取网络模型包括多尺度特征提取网络模块、语义提取网络模块和语义理解网络模块；
S4：对待诊断图像的深层语义特征和变异病例图像的稳定语义特征进行相似度计算，选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考，辅助医生确定诊疗方案。
2.如权利要求1所述的一种智能化医学影像分析方法，其特征在于，所述S1步骤中获取待诊断图像以及若干历史病例图像，并构建病例图像泛化模型，包括：
获取待诊断图像I以及若干历史病例图像，其中历史病例图像为用于对待诊断图像进行图像匹配的候选图像，所采集历史病例图像的表示形式为：
；
其中：
表示所获取第n张历史病例图像；
构建病例图像泛化模型，利用病例图像泛化模型对历史病例图像进行泛化处理扩大病例适用范围，得到变异病例图像集合，其中病例图像泛化模型包括输入层、图像泛化层以及输出层，输入层用于输入历史病例图像，图像泛化层用于对历史病例图像进行泛化映射处理，输出层用于将历史病例图像的泛化映射处理结果作为变异病例图像进行输出。
3.如权利要求2所述的一种智能化医学影像分析方法，其特征在于，所述S1步骤中利用病例图像泛化模型对历史病例图像进行泛化处理，得到变异病例图像集合，包括：
利用病例图像泛化模型对历史病例图像进行泛化处理，其中历史病例图像的泛化处理流程为：
S11：输入层接收历史病例图像，并将历史病例图像/>传输至图像泛化层；
S12：图像泛化层对历史病例图像进行M次泛化映射处理：
；
其中：
表示历史病例图像/>的第m次泛化映射处理结果；
表示非线性映射函数；
表示第m次泛化映射处理模板；
表示hadamard积运算符；
S13：输出层将历史病例图像的泛化映射处理结果作为变异病例图像进行输出，构成历史病例图像的变异病例图像集合：/>。
4.如权利要求1所述的一种智能化医学影像分析方法，其特征在于，所述S2步骤中构造医学图像诊断模型，包括：
构造医学图像诊断模型，所述医学图像诊断模型以变异病例图像为输入，融合全局的自注意力特征与多尺度局部感知特征，得到变异病例图像的稳定语义特征，其中医学图像诊断模型包括输入层、深度语义特征提取层以及稳定语义特征构造层，输入层用于接收变异病例图像，深度语义特征提取层用于分别提取变异病例图像的自注意力特征与多尺度局部感知特征作为深度语义特征，稳定语义特征构造层用于将深度语义特征构造为变异病例图像的稳定语义特征。
5.如权利要求4所述的一种智能化医学影像分析方法，其特征在于，所述S2步骤中利用医学图像诊断模型提取变异病例图像集合中变异病例图像的稳定语义特征，包括：
利用医学图像诊断模型提取变异病例图像集合中变异病例图像的稳定语义特征，其中变异病例图像集合中变异病例图像/>的稳定语义特征提取流程为：
S21：输入层接收变异病例图像；
S22：深度语义特征提取层分别提取变异病例图像的自注意力特征/>与多尺度局部感知特征/>作为深度语义特征/>：
；
；
；
其中：
T表示转置；
分别表示深度语义特征提取层中的卷积权重矩阵；
D表示的维度；
表示分别利用/>像素大小的卷积核对变异病例图像/>进行卷积处理，得到的三种尺度下的局部感知特征；
S23：稳定语义特征构造层将深度语义特征构造为变异病例图像/>的稳定语义特征：
；
；
其中：
表示变异病例图像/>的稳定语义特征；
表示ReLU激活函数；
表示以自然常数为底的指数函数；
表示使得/>达到最大的参数/>，其中/>。
6.如权利要求1所述的一种智能化医学影像分析方法，其特征在于，所述S3步骤中构造深层语义特征提取网络模型，提取待诊断图像的深层语义特征，包括：
构造深层语义特征提取网络模型，利用深层语义特征提取网络模型提取待诊断图像I的深层语义特征，其中深层语义特征提取网络模型包括多尺度特征提取网络模块、语义提取网络模块和语义理解网络模块，多尺度特征提取网络模块用于接收待诊断图像，并对待诊断图像进行多尺度卷积残差处理，生成待诊断图像的多尺度特征图，语义提取网络模块用于将多尺度特征图转换为深层语义特征向量，语义理解网络模块用于对深层语义特征向量进行结合上下文的语义感知处理，生成待诊断图像的深层语义特征；
基于深层语义特征提取网络模型的待诊断图像I深层语义特征提取流程为：
S31：多尺度特征提取网络模块接收待诊断图像I，对待诊断图像I进行多尺度卷积残差处理，其中多尺度卷积残差处理公式为：
；
其中：
表示待诊断图像I在第u个尺度下的卷积残差处理结果，U表示最大卷积残差尺度；
表示利用/>像素大小的卷积核进行的卷积操作；
根据多尺度卷积残差处理结果，生成待诊断图像I的多尺度特征图：
；
；
其中：
表示待诊断图像I的多尺度特征图；
表示待诊断图像I在第u个尺度下的特征图；
表示最大池化操作，/>表示平均池化操作，/>表示特征拼接处理符号；
S32：语义提取网络模块将多尺度特征图转换为深层语义特征向量：
；
其中：
表示多尺度特征图/>对应的深层语义特征向量；
表示对特征图进行六次深度可分离卷积处理以及三次最大池化操作；
S33：语义理解网络模块对深层语义特征向量进行结合上下文的语义感知处理，生成待诊断图像的深层语义特征/>：
；
其中：
W表示语义理解网络模块的权重参数矩阵；
表示ReLU激活函数；
表示待诊断图像I的深层语义特征。
7.如权利要求1所述的一种智能化医学影像分析方法，其特征在于，所述S4步骤中对待诊断图像的深层语义特征以及变异病例图像的稳定语义特征进行相似度计算，选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考，辅助医生确定诊疗方案，包括：
对待诊断图像的深层语义特征以及变异病例图像的稳定语义特征进行相似度计算，其中深层语义特征与稳定语义特征/>的相似度计算公式为：
；
其中：
表示深层语义特征/>与稳定语义特征/>的相似度；
表示L1范数；
选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考，辅助医生确定诊疗方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410016915.5A CN117524427B (zh) | 2024-01-05 | 2024-01-05 | 一种智能化医学影像分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410016915.5A CN117524427B (zh) | 2024-01-05 | 2024-01-05 | 一种智能化医学影像分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117524427A true CN117524427A (zh) | 2024-02-06 |
| CN117524427B CN117524427B (zh) | 2024-04-02 |
Family
ID=89746039
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410016915.5A Active CN117524427B (zh) | 2024-01-05 | 2024-01-05 | 一种智能化医学影像分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117524427B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117710710A (zh) * | 2024-02-06 | 2024-03-15 | 湖南善禧文化股份有限公司 | 一种深度语义理解的图像匹配方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107092918A (zh) * | 2017-03-29 | 2017-08-25 | 太原理工大学 | 一种基于语义特征和有监督哈希的图像检索实现肺结节征象识别的方法 |
| US20180032801A1 (en) * | 2016-07-27 | 2018-02-01 | International Business Machines Corporation | Inferring body position in a scan |
| WO2021184817A1 (zh) * | 2020-03-16 | 2021-09-23 | 苏州科技大学 | 一种医学图像中肝脏及其病灶分割的方法 |
| US20210365736A1 (en) * | 2020-05-15 | 2021-11-25 | Retrace Labs | Dental Image Quality Prediction Platform Using Domain Specific Artificial Intelligence |
| US20220180126A1 (en) * | 2020-12-03 | 2022-06-09 | Ping An Technology (Shenzhen) Co., Ltd. | Method, device, and computer program product for self-supervised learning of pixel-wise anatomical embeddings in medical images |
| CN114842030A (zh) * | 2022-05-11 | 2022-08-02 | 吉林大学第一医院 | 一种多尺度语义匹配的膀胱肿瘤图像分割方法 |
| KR20220114320A (ko) * | 2021-02-08 | 2022-08-17 | 연세대학교 산학협력단 | 약지도 학습 기반 시멘틱 영상 분할 학습 데이터 생성 장치 및 방법 |
| CN115908358A (zh) * | 2022-12-07 | 2023-04-04 | 成都信息工程大学 | 一种基于多任务学习的心肌图像分割和分类方法 |
| WO2023116635A1 (zh) * | 2021-12-24 | 2023-06-29 | 中国科学院深圳先进技术研究院 | 一种基于互学习的半监督医学图像分割方法及其系统 |
| CN117197569A (zh) * | 2023-09-08 | 2023-12-08 | 腾讯科技（深圳）有限公司 | 图像审核方法、图像审核模型训练方法、装置和设备 |
| CN117274270A (zh) * | 2023-11-23 | 2023-12-22 | 吉林大学 | 基于人工智能的消化内镜实时辅助系统及方法 |
-
2024
- 2024-01-05 CN CN202410016915.5A patent/CN117524427B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180032801A1 (en) * | 2016-07-27 | 2018-02-01 | International Business Machines Corporation | Inferring body position in a scan |
| CN107092918A (zh) * | 2017-03-29 | 2017-08-25 | 太原理工大学 | 一种基于语义特征和有监督哈希的图像检索实现肺结节征象识别的方法 |
| WO2021184817A1 (zh) * | 2020-03-16 | 2021-09-23 | 苏州科技大学 | 一种医学图像中肝脏及其病灶分割的方法 |
| US20210365736A1 (en) * | 2020-05-15 | 2021-11-25 | Retrace Labs | Dental Image Quality Prediction Platform Using Domain Specific Artificial Intelligence |
| US20220180126A1 (en) * | 2020-12-03 | 2022-06-09 | Ping An Technology (Shenzhen) Co., Ltd. | Method, device, and computer program product for self-supervised learning of pixel-wise anatomical embeddings in medical images |
| KR20220114320A (ko) * | 2021-02-08 | 2022-08-17 | 연세대학교 산학협력단 | 약지도 학습 기반 시멘틱 영상 분할 학습 데이터 생성 장치 및 방법 |
| WO2023116635A1 (zh) * | 2021-12-24 | 2023-06-29 | 中国科学院深圳先进技术研究院 | 一种基于互学习的半监督医学图像分割方法及其系统 |
| CN114842030A (zh) * | 2022-05-11 | 2022-08-02 | 吉林大学第一医院 | 一种多尺度语义匹配的膀胱肿瘤图像分割方法 |
| CN115908358A (zh) * | 2022-12-07 | 2023-04-04 | 成都信息工程大学 | 一种基于多任务学习的心肌图像分割和分类方法 |
| CN117197569A (zh) * | 2023-09-08 | 2023-12-08 | 腾讯科技（深圳）有限公司 | 图像审核方法、图像审核模型训练方法、装置和设备 |
| CN117274270A (zh) * | 2023-11-23 | 2023-12-22 | 吉林大学 | 基于人工智能的消化内镜实时辅助系统及方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117710710A (zh) * | 2024-02-06 | 2024-03-15 | 湖南善禧文化股份有限公司 | 一种深度语义理解的图像匹配方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117524427B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9760990B2 (en) | Cloud-based infrastructure for feedback-driven training and image recognition | |
| CN117524427B (zh) | 一种智能化医学影像分析方法 | |
| EP3430525A1 (en) | Method and system for processing a task with robustness to missing input information | |
| WO2022032823A1 (zh) | 图像分割方法、装置、设备及存储介质 | |
| CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
| CN112334070B (zh) | 医用图像处理装置和方法、机器学习系统以及存储介质 | |
| CN111932562B (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
| CN108665963A (zh) | 一种影像数据分析方法及相关设备 | |
| CN111476760B (zh) | 医学图像的生成方法、装置、电子设备及介质 | |
| CN111933274A (zh) | 疾病分类诊断方法、装置、电子设备及存储介质 | |
| CN116741331A (zh) | 诊断信息生成方法、装置、存储介质及计算机设备 | |
| CN111081372A (zh) | 疾病诊断方法、装置、终端设备及计算机可读存储介质 | |
| US11869654B2 (en) | Processing medical images | |
| JP7443929B2 (ja) | 医療診断支援装置、医療診断支援プログラム、および医療診断支援方法 | |
| CN112270974A (zh) | 一种基于人工智能的智能辅助医学影像工作站 | |
| CN110889836A (zh) | 一种影像数据分析方法、装置、终端设备及存储介质 | |
| CN117710710A (zh) | 一种深度语义理解的图像匹配方法 | |
| JP2020190913A (ja) | 読影支援装置および読影支援方法 | |
| CN117290806A (zh) | 一种多路并行的医学知识整合方法 | |
| WO2024106799A1 (ko) | 늑골 골절에 대한 정보 제공 방법 및 이를 이용한 디바이스 | |
| KR102553060B1 (ko) | 인공지능 기반의 척추 정보를 이용한 의료영상정보 제공 방법, 장치 및 프로그램 | |
| CN115578370B (zh) | 一种基于脑影像的代谢区域异常检测方法及装置 | |
| EP4198997A1 (en) | A computer implemented method, a method and a system | |
| CN114400089A (zh) | 基于大数据的阅片数据分析方法、装置、设备及存储介质 | |
| CN116842360A (zh) | 图文匹配方法、装置、设备及介质 |
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 |