CN117764918A - 一种自动化可迁移人工智能医学影像识别系统及识别方法 - Google Patents
一种自动化可迁移人工智能医学影像识别系统及识别方法 Download PDFInfo
- Publication number
- CN117764918A CN117764918A CN202311574340.0A CN202311574340A CN117764918A CN 117764918 A CN117764918 A CN 117764918A CN 202311574340 A CN202311574340 A CN 202311574340A CN 117764918 A CN117764918 A CN 117764918A
- Authority
- CN
- China
- Prior art keywords
- data
- image
- model
- edge
- acquiring
- 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 31
- 238000013473 artificial intelligence Methods 0.000 title claims description 21
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 238000013508 migration Methods 0.000 claims abstract description 8
- 230000005012 migration Effects 0.000 claims abstract description 8
- 238000005452 bending Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 11
- 238000013523 data management Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了医学影像处理领域的一种自动化可迁移人工智能医学影像识别系统及识别方法,将医学影像图像进行边缘检测,当出现间断的边缘分段时,通过连接线将边缘分段的边缘线段进行连接,此时获取边缘线段特征并计算边缘线段是否可导,由此判断连接线的弧度和弯曲方向,将边缘线进行分割,获取病灶图像并进行迁移训练,通过模型训练对数据信息进行识别和处理,获取识别和处理结论;根据反向识别信息进行结合和对比,若存在冲突,则重新选择子模型进行识别和处理,若不冲突,则将结论制作成数据报告。该系统能够进行自动化识别,提高了医学影像识别的准确性,提高了诊断效果和工作效率。
Description
技术领域
本发明属于医学影像处理领域,具体是一种自动化可迁移人工智能医学影像识别系统及识别方法。
背景技术
在医疗影像方面,人工智能已经证明了它有能力通过快速准确地标记特定异常结构来提高图像分析的效率,以供放射科医师参考。纽约大学的研究人员发现,这种类型的自动分析在找到并匹配特定的肺结节(胸部CT图像)方面,可以比放射学家们快62%到97%。研究结果表明,这种人工智能带来的图像分析效率,可以让放射学家腾出更多的时间聚焦在需要更多解读或判断的内容审阅上,从而每年节省30亿美元。近来最新的研究还探索了人工智能在制药、分子结构和生物蛋白质方面的探索,这些令人激动的研究都在证明着AI的能力,拓展着AI的疆界。近年来,人工智能技术取得了飞跃般的进步,然而人工智能技术的成功应用还未实现全自动化,即无法通过经验自动改进,导致现有的医学影像识别难以自动化且识别效果差。
为了解决上述问题,中国专利公告号为CN111462079B的专利公开了一种自动化可迁移人工智能医学影像识别系统及识别方法,包括用于收集训练数据的数据收集模块、用于筛选训练数据的筛选模块、用于处理训练数据的数据处理模块和用于进行训练的控制器模块,数据收集模块与筛选模块连接,筛选模块与数据处理模块连接,数据处理模块与控制器模块连接,控制器模块包括算法框架单元、模型单元和训练单元,算法框架单元用于搭建算法框架,模型单元根据算法框架单元建立模型,训练单元将数据处理模块处理后的训练数据输入模型单元进行训练。
该方案打破了以往深度学习方法的单一化,能从结构和参数两个方面联合优化共同提高模型性能。可用于少样本识别任务的子网络由控制器动态生成,可节省人为设计花费的时间和精力。但是,对于许多医学影像识别任务,获取足够数量的标记样本数据可能是非常困难的,特别是对于罕见病例或复杂情况。因此,该系统可能需要大量的训练数据才能达到较好的性能。该方法利用训练单元将数据处理模块处理后的训练数据输入模型单元进行训练,训练后直接获得了医学影像识别结果,很难保证结果的准确性,因此,本方案提出了一种自动化可迁移人工智能医学影像识别系统及识别方法,提高医学影像识别的准确性,帮助医疗工作者更好地识别和处理医学影像图像,提高诊断效果和工作效率。
发明内容
为了解决上述问题,本发明提供一种自动化可迁移人工智能医学影像识别系统及识别方法,以提高医学影像识别的准确性,帮助医疗工作者更好地识别和处理医学影像图像,提高诊断效果和工作效率。
为了实现上述目的,本发明的技术方案如下:一种自动化可迁移人工智能医学影像识别系统,包括
图像收集模块,用于收集患者的医学影像图像;
图像处理模块,用于获取图像收集模块中的图像,根据边缘检测算法,寻找图像中梯度或灰度变化明显的位置,再进行非极大值抑制,保留具有最大梯度值的像素,而抑制其他非极大值的像素;当出现间断的边缘分段时,通过连接线将边缘分段的边缘线段进行连接,此时获取边缘线段特征并计算边缘线段是否可导,由此判断连接线的弧度和弯曲方向,通过边缘线段和连接线形成边缘线,利用边缘线进行进行分割,获取病灶图像;
图像信息提取模块,用于获取图像处理模块中经过处理的病灶图像,通过病灶图像获取病灶的数据信息;
模型建立模块,用于获取图像信息提取模块中提取的数据信息,建立算法模型,将数据信息输入模型中进行迁移训练,通过预设规则判断该数据信息属于哪一子模型,通过子模型对数据信息进行识别和处理,获取识别和处理结论;
数据处理模块,用于获取图像信息提取模块中提取的数据信息,根据数据信息进行反向识别,获取反向识别信息,将反向识别信息与模型建立模块中获取的识别和处理结论进行结合和对比,判断结论与反向识别信息是否冲突,若存在冲突,则将数据信息重新输入模型中,重新选择子模型进行识别和处理,若不冲突,则将结论制作成数据报告;
结论输出模块,用于获取数据处理模块中的数据报告,将数据报告输出至终端。
采用上述方案的原理及有益效果:图像收集模块:能够方便地收集患者的医学影像图像,为后续处理提供数据基础。
图像处理模块通过边缘检测算法,能够准确地寻找图像中梯度或灰度变化明显的位置,并进行非极大值抑制处理,提取出具有最大梯度值的像素,过滤掉其他非极大值的像素。当出现间断的边缘分段时,还能通过连接线将其进行连接,从而获取完整的边缘线段特征并计算其可导性。这样可以有效地对图像进行分割,提取出病灶图像。
图像信息提取模块通过对经过处理的病灶图像进行分析,能够提取出病灶的数据信息,进一步为后续的模型建立和数据处理提供基础。
模型建立模块通过获取图像信息提取模块中提取的数据信息,能够建立算法模型,并将数据信息输入模型进行迁移训练。同时,通过预设规则判断数据信息属于哪一子模型,从而选择合适的子模型进行数据信息的识别和处理,得出相应的识别和处理结论。
数据处理模块能够根据图像信息提取模块中提取的数据信息进行反向识别,获取反向识别信息,并将其与模型建立模块中获取的识别和处理结论进行对比。通过判断结论与反向识别信息是否冲突,可以决定是否重新输入数据信息、选择子模型进行识别和处理。这样能够提高系统的准确性和鲁棒性。
结论输出模块可以将数据处理模块生成的数据报告输出至终端,使医生和相关人员能够方便地查看和使用识别结果,提高工作效率和准确性。
综上所述,该系统具有图像处理精确、数据信息提取准确、模型建立灵活、反向识别能力以及结果输出方便等优点,能够进行自动化识别,提高医学影像识别的准确性,可以帮助医疗工作者更好地识别和处理医学影像图像,提高诊断效果和工作效率。
进一步,收集患者的医学影像图像前,将图像收集模块接入医疗设备或系统,从而获取患者的医学影像图像数据。
有益效果:通过接入医疗设备或系统,可以实时获取患者的医学影像数据。这意味着医疗专业人员可以迅速获得最新的信息,以支持临床决策。直接接入医疗设备或系统,避免了繁琐的数据传输和存储流程。这有助于降低数据传输错误和延迟,提高数据的安全性和完整性。
进一步,将边缘分段进行连线时,还可以使用基于像素邻接关系的算法,包括但不限于Hough变换和分水岭算法。
有益效果:这些算法通常对图像中的不规则形状和噪声具有一定的鲁棒性。它们可以检测并连接不完整的边缘,从而提高了边缘线的连续性。Hough变换和分水岭算法可以更精确地检测和连接边缘,尤其适用于复杂的边缘情况,如曲线或断裂的边缘。这些算法允许边缘线段之间的自动连接,从而形成完整的边缘。这有助于提高边缘的完整性和连续性。
进一步,通过病灶图像获取病灶的数据信息时,对图像中的对象进行特征检测和描述、目标检测和识别、纹理分析、形状分析以及颜色分析,纹理分析中纹理特征提取方法包括但不限于灰度共生矩阵和局部二值模式,形状分析包括但不限于轮廓提取、面积计算和凸包检测,颜色分析包括但不限于颜色直方图、颜色矩和颜色空间转换。
有益效果:这些方法能够从图像中提取丰富而准确的特征,包括纹理、形状和颜色等,有助于更精确地描述病灶的特性。各种特征提取方法可以综合多维信息,使医学影像分析更全面。这有助于医生更好地理解病情。特征提取和分析方法通常是自动化的,减少了人工分析的需要,从而提高了效率。
进一步,数据处理模块还用于在获取图像后先进行预处理,预处理包括但不限于去噪处理、平滑处理和增强处理。
有益效果:去噪处理能够减少图像中的随机噪声,提高了图像的质量和清晰度。平滑处理可以减少图像中的颗粒和不连续性,使边缘更加平滑和连续。图像增强处理可以突出感兴趣的特征,增加对比度,使细节更清晰可见。这有助于医生更容易地诊断病情和分析医学影像。
进一步,还包括数据存储和管理模块,数据存储和管理模块用于存储和管理包括但不限于收集到的医学影像数据、模型训练数据、识别和处理结果数据;还用于记录数据处理模块中更换模型的更换记录和使用记录,并反馈至系统中。
有益效果:可以确保医学影像数据、模型训练数据和处理结果数据的持续性,即使在系统重启或故障情况下,数据也不会丢失。数据存储和管理模块可以提供数据安全性,包括数据备份、加密和访问控制,以确保敏感医疗数据不会被未经授权的访问。
进一步,还包括用户界面模块,用户界面模块用于为终端用户提供操作界面,用户可利用该界面进行图像展示、结果展示、用户输入和交互,用户可利用操作界面将该系统的使用情况进行反馈。
有益效果:操作界面能够便于进行图像展示、结果展示、用户输入和交互,便于用户对系统进行反馈,便于对系统性能进行改善和优化。
进一步,一种自动化可迁移人工智能医学影像识别方法,包括如下步骤:
步骤一,收集图像:收集患者的医学影像图像;
步骤二,处理图像:获取收集的图像,根据边缘检测算法,寻找图像中梯度或灰度变化明显的位置,再进行非极大值抑制,保留具有最大梯度值的像素,而抑制其他非极大值的像素;当出现间断的边缘分段时,通过连接线将边缘分段的边缘线段进行连接,此时获取边缘线段特征并计算边缘线段是否可导,由此判断连接线的弧度和弯曲方向,通过边缘线段和连接线形成边缘线,利用边缘线进行进行分割,获取病灶图像;
步骤三,提取数据:获取经过处理的病灶图像,通过病灶图像获取病灶的数据信息;
步骤四,模型建立:获取数据信息,建立算法模型,将数据信息输入模型中进行迁移训练,通过预设规则判断该数据信息属于哪一子模型,通过子模型对数据信息进行识别和处理,获取识别和处理结论;
步骤五,数据处理:获取数据信息,根据数据信息进行反向识别,获取反向识别信息,将反向识别信息与模型建立模块中获取的识别和处理结论进行结合和对比,判断结论与反向识别信息是否冲突,若存在冲突,则将数据信息重新输入模型中,重新选择子模型进行识别和处理,若不冲突,则将结论制作成数据报告;
步骤六,结论输出:获取数据报告,将数据报告输出至终端。
有益效果:该系统具有图像处理精确、数据信息提取准确、模型建立灵活、反向识别能力以及结果输出方便等优点,能够进行自动化识别,提高医学影像识别的准确性,可以帮助医疗工作者更好地识别和处理医学影像图像,提高了诊断效果和工作效率。
附图说明
图1为本发明实施例的自动化可迁移人工智能医学影像识别系统示意图。
图2为本发明实施例的自动化可迁移人工智能医学影像识别系统连接图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例一
实施例基本如附图1和附图2所示:
一种自动化可迁移人工智能医学影像识别系统,包括
图像收集模块,用于收集患者的医学影像图像。
图像处理模块,用于获取图像收集模块中的图像,进行预处理,预处理包括但不限于去噪处理、平滑处理和增强处理。根据边缘检测算法,寻找图像中梯度或灰度变化明显的位置,再进行非极大值抑制,保留具有最大梯度值的像素,而抑制其他非极大值的像素;当出现间断的边缘分段时,通过连接线将边缘分段的边缘线段进行连接,此时获取边缘线段特征并计算边缘线段是否可导,由此判断连接线的弧度和弯曲方向,通过边缘线段和连接线形成边缘线,利用边缘线进行进行分割,获取病灶图像。
图像信息提取模块,用于获取图像处理模块中经过处理的病灶图像,通过病灶图像获取病灶的数据信息。
模型建立模块,用于获取图像信息提取模块中提取的数据信息,建立算法模型,将数据信息输入模型中进行迁移训练,通过预设规则判断该数据信息属于哪一子模型,通过子模型对数据信息进行识别和处理,获取识别和处理结论。
数据处理模块,用于获取图像信息提取模块中提取的数据信息,根据数据信息进行反向识别,获取反向识别信息,将反向识别信息与模型建立模块中获取的识别和处理结论进行结合和对比,判断结论与反向识别信息是否冲突,若存在冲突,则将数据信息重新输入模型中,重新选择子模型进行识别和处理,若不冲突,则将结论制作成数据报告。
结论输出模块,用于获取数据处理模块中的数据报告,将数据报告输出至终端。
具体实施过程包括如下步骤:
步骤一,收集图像:系统首先从医疗设备或其他来源获取患者的医学影像图像,这可以包括X射线、CT扫描和MRI等图像类型。
步骤二,处理图像:获取收集的图像,根据边缘检测算法,寻找图像中梯度或灰度变化明显的位置,再进行非极大值抑制,保留具有最大梯度值的像素,而抑制其他非极大值的像素;当出现间断的边缘分段时,通过连接线将边缘分段的边缘线段进行连接,此时获取边缘线段特征并计算边缘线段是否可导,由此判断连接线的弧度和弯曲方向,通过边缘线段和连接线形成完整的边缘线,利用边缘线进行进行分割,获取病灶图像;
步骤三,提取数据:获取经过处理的病灶图像,通过病灶图像获取病灶的数据信息;
步骤四,模型建立:获取数据信息,建立算法模型,将数据信息输入模型中进行迁移训练,通过预设规则判断该数据信息属于哪一子模型,通过子模型对数据信息进行识别和处理,获取识别和处理结论;
步骤五,数据处理:获取数据信息,根据数据信息进行反向识别,获取反向识别信息,将反向识别信息与模型建立模块中获取的识别和处理结论进行结合和对比,判断结论与反向识别信息是否冲突,若存在冲突,则将数据信息重新输入模型中,重新选择子模型进行识别和处理,若不冲突,则将结论制作成数据报告;
步骤六,结论输出:获取数据报告,将数据报告输出至终端。
实施例二
本实施例与上述实施例的区别在于:收集患者的医学影像图像前,将图像收集模块接入医疗设备或系统,从而获取患者的医学影像图像数据。
具体实施过程如下:将图像收集模块与医疗设备或系统连接。这可以通过物理连接或者网络连接来实现。确保系统进行了适当的身份验证和授权,以确保只有授权人员可以访问和采集患者的医学影像图像数据。对患者进行必要的扫描或拍摄,例如X射线、CT扫描和MRI等,以获取患者的医学影像图像数据。这些设备将生成关于患者身体部位的详细图像。
实施例三
本实施例与上述实施例的区别在于:将边缘分段进行连线时,还可以使用基于像素邻接关系的算法,包括但不限于Hough变换和分水岭算法。
具体实施过程如下:Hough变换用于检测直线,所以需要将每个边缘点转换成极坐标形式(ρ,θ),其中ρ表示从原点到直线的距离,θ表示直线的法线角度。创建一个累加器数组,用于记录参数空间中的点数。对于每个边缘点,增加与其相关的累加器项的值。在累加器数组中找到具有最大值的点,这代表了图像中最可能的直线。这个点对应的直线即为图像中检测到的边缘线。如果边缘分段存在间断,可以使用Hough变换检测的直线参数来连接这些线段,从而形成连续的边缘线。
分水岭算法先将图像中的边缘分段标记,其中每个分段被标记为不同的区域。找到标记的分段中的峰值,这些峰值代表了图像中的不同边缘线。根据检测到的边缘线,将水流注入图像。水流开始从图像的低灰度处注入。当水流汇聚到一起时,它会形成水池,即图像中的不同区域。如果分割后的边缘分段存在间断,可以使用额外的图像处理技术,如线段连接算法,来连接这些线段,从而形成连续的边缘线。
实施例四
本实施例与上述实施例的区别在于:通过病灶图像获取病灶的数据信息时,对图像中的对象进行特征检测和描述、目标检测和识别、纹理分析、形状分析以及颜色分析,纹理分析中纹理特征提取方法包括但不限于灰度共生矩阵和局部二值模式,形状分析包括但不限于轮廓提取、面积计算和凸包检测,颜色分析包括但不限于颜色直方图、颜色矩和颜色空间转换。
具体实施过程如下:使用图像处理技术检测病灶图像中的对象或感兴趣的区域。这可以包括边缘检测和角点检测等。一旦对象或区域被检测到,需要提取其描述性特征。常用的特征包括颜色、纹理、形状等。
使用计算机视觉技术来检测病灶图像中的特定目标或对象。这可以使用物体检测算法如卷积神经网络(CNN)来完成。一旦目标被检测到,进行进一步的识别,以确定目标的类别或类型,例如识别病灶的类型。
使用纹理分析技术来提取图像区域的纹理特征。常用的方法包括:灰度共生矩阵(GLCM):用于描述像素之间的灰度关系以及局部二值模式(LBP):用于描述像素点周围的局部纹理。
提取目标的边界轮廓。计算目标的面积,以了解目标的大小。检测目标的凸包,以分析目标的形状。
使用颜色分析技术提取图像中对象的颜色特征。常用的方法包括颜色直方图、颜色矩和颜色空间转换。颜色直方图:描述图像中各种颜色的分布情况。颜色矩:通过统计颜色通道的均值和方差来描述颜色特征。颜色空间转换:将图像从一个颜色空间转换到另一个,以提取不同颜色特征。
实施例五
本实施例与上述实施例的区别在于:还包括数据存储和管理模块,数据存储和管理模块用于存储和管理包括但不限于收集到的医学影像数据、模型训练数据、识别和处理结果数据;还用于记录数据处理模块中更换模型的更换记录和使用记录,并反馈至系统中。
具体实施过程如下:当医学影像数据从医疗设备中收集后,它需要被存储在安全的存储系统中。这可以是本地数据库、云存储或分布式文件系统,取决于规模和需求。模型的训练数据集需要被存储,通常以结构化数据集的形式存在,以供机器学习模型训练使用。处理后的数据,如识别和分析结果,也需要被存储以供后续参考和分析。记录模型更换的历史记录,包括何时更换了模型、新模型的版本和性能指标等信息,以及模型的使用记录、性能和效果。
对存储的数据进行索引和标记,以便快速检索和管理。可以使用元数据来描述数据的属性和内容。建立数据备份策略,确保数据的安全性和可用性。定期进行数据备份,并能够在需要时进行数据恢复。数据存储和管理模块需要采取适当的安全措施,以确保数据的保密性和完整性。这包括访问控制、加密和防护措施。
记录每次模型更换和使用的详细信息,包括时间戳、操作人员、模型版本、性能指标等。将记录的信息反馈至系统中,以便监控和管理系统的性能、模型的效果和数据处理的质量。这些反馈信息可以帮助不断改进系统和算法。
设定数据访问权限,确保只有授权人员可以访问敏感数据。如果需要,设置数据共享机制,以便不同部门或系统之间可以共享必要的数据。
实施例六
本实施例与上述实施例的区别在于:还包括用户界面模块,用户界面模块用于为终端用户提供操作界面,用户可利用该界面进行图像展示、结果展示、用户输入和交互,用户可利用操作界面将该系统的使用情况进行反馈。
具体实施过程如下:首先,需要明确用户的需求和系统功能。这将有助于确定界面应提供的功能和特性。设计用户友好的界面,包括图像展示区域、结果展示区域、输入字段和按钮和菜单等。确保界面清晰、易于导航和符合用户习惯。
用户界面应提供图像展示功能,以便用户可以查看和分析医学影像数据。这包括图像的加载、缩放、滚动和标注功能。处理后的结果数据也应在界面上以可视化方式呈现给用户。这可能包括分析图表、报告或其他结果可视化。
用户应能够在界面上提供必要的输入信息,例如选择图像、设置分析参数或执行特定任务。供交互元素,如按钮、滑块和文本框等,以便用户可以与系统进行互动。用户可以通过这些元素与系统进行控制和反馈。
用户界面应提供反馈机制,以允许用户提供关于系统使用情况、问题报告或改进建议的反馈。这可以通过反馈表单、联系信息或其他途径来实现。如果系统复杂或新用户需要培训,提供培训材料或教程,以帮助用户熟悉系统的使用。提供技术支持渠道,以帮助用户解决问题或回答。
在设计和开发用户界面之后,进行用户体验测试,以确保用户能够轻松使用系统,并收集反馈以进行改进。
以上所述的仅是本发明的实施例,方案中公知的具体结构和/或特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.一种自动化可迁移人工智能医学影像识别系统,其特征在于:包括
图像收集模块,用于收集患者的医学影像图像;
图像处理模块,用于获取图像收集模块中的图像,根据边缘检测算法,寻找图像中梯度或灰度变化明显的位置,再进行非极大值抑制,保留具有最大梯度值的像素,而抑制其他非极大值的像素;当出现间断的边缘分段时,通过连接线将边缘分段的边缘线段进行连接,此时获取边缘线段特征并计算边缘线段是否可导,由此判断连接线的弧度和弯曲方向,通过边缘线段和连接线形成边缘线,利用边缘线进行进行分割,获取病灶图像;
图像信息提取模块,用于获取图像处理模块中经过处理的病灶图像,通过病灶图像获取病灶的数据信息;
模型建立模块,用于获取图像信息提取模块中提取的数据信息,建立算法模型,将数据信息输入模型中进行迁移训练,通过预设规则判断该数据信息属于哪一子模型,通过子模型对数据信息进行识别和处理,获取识别和处理结论;
数据处理模块,用于获取图像信息提取模块中提取的数据信息,根据数据信息进行反向识别,获取反向识别信息,将反向识别信息与模型建立模块中获取的识别和处理结论进行结合和对比,判断结论与反向识别信息是否冲突,若存在冲突,则将数据信息重新输入模型中,重新选择子模型进行识别和处理,若不冲突,则将结论制作成数据报告;
结论输出模块,用于获取数据处理模块中的数据报告,将数据报告输出至终端。
2.根据权利要求1所述的自动化可迁移人工智能医学影像识别系统,其特征在于:收集患者的医学影像图像前,将图像收集模块接入医疗设备或系统,从而获取患者的医学影像图像数据。
3.根据权利要求2所述的自动化可迁移人工智能医学影像识别系统,其特征在于:将边缘分段进行连线时,还可以使用基于像素邻接关系的算法,包括但不限于Hough变换和分水岭算法。
4.根据权利要求3所述的自动化可迁移人工智能医学影像识别系统,其特征在于:通过病灶图像获取病灶的数据信息时,对图像中的对象进行特征检测和描述、目标检测和识别、纹理分析、形状分析以及颜色分析,纹理分析中纹理特征提取方法包括但不限于灰度共生矩阵和局部二值模式,形状分析包括但不限于轮廓提取、面积计算和凸包检测,颜色分析包括但不限于颜色直方图、颜色矩和颜色空间转换。
5.根据权利要求4所述的自动化可迁移人工智能医学影像识别系统,其特征在于:数据处理模块还用于在获取图像后先进行预处理,预处理包括但不限于去噪处理、平滑处理和增强处理。
6.根据权利要求5所述的自动化可迁移人工智能医学影像识别系统,其特征在于:还包括数据存储和管理模块,数据存储和管理模块用于存储和管理包括但不限于收集到的医学影像数据、模型训练数据、识别和处理结果数据;还用于记录数据处理模块中更换模型的更换记录和使用记录,并反馈至系统中。
7.根据权利要求6所述的自动化可迁移人工智能医学影像识别系统,其特征在于:还包括用户界面模块,用户界面模块用于为终端用户提供操作界面,用户可利用该界面进行图像展示、结果展示、用户输入和交互,用户可利用操作界面将该系统的使用情况进行反馈。
8.一种自动化可迁移人工智能医学影像识别方法,其特征在于:包括如下步骤:
步骤一,收集图像:收集患者的医学影像图像;
步骤二,处理图像:获取收集的图像,根据边缘检测算法,寻找图像中梯度或灰度变化明显的位置,再进行非极大值抑制,保留具有最大梯度值的像素,而抑制其他非极大值的像素;当出现间断的边缘分段时,通过连接线将边缘分段的边缘线段进行连接,此时获取边缘线段特征并计算边缘线段是否可导,由此判断连接线的弧度和弯曲方向,通过边缘线段和连接线形成边缘线,利用边缘线进行进行分割,获取病灶图像;
步骤三,提取数据:获取经过处理的病灶图像,通过病灶图像获取病灶的数据信息;
步骤四,模型建立:获取数据信息,建立算法模型,将数据信息输入模型中进行迁移训练,通过预设规则判断该数据信息属于哪一子模型,通过子模型对数据信息进行识别和处理,获取识别和处理结论;
步骤五,数据处理:获取数据信息,根据数据信息进行反向识别,获取反向识别信息,将反向识别信息与模型建立模块中获取的识别和处理结论进行结合和对比,判断结论与反向识别信息是否冲突,若存在冲突,则将数据信息重新输入模型中,重新选择子模型进行识别和处理,若不冲突,则将结论制作成数据报告;
步骤六,结论输出:获取数据报告,将数据报告输出至终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311574340.0A CN117764918A (zh) | 2023-11-23 | 2023-11-23 | 一种自动化可迁移人工智能医学影像识别系统及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311574340.0A CN117764918A (zh) | 2023-11-23 | 2023-11-23 | 一种自动化可迁移人工智能医学影像识别系统及识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117764918A true CN117764918A (zh) | 2024-03-26 |
Family
ID=90311199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311574340.0A Pending CN117764918A (zh) | 2023-11-23 | 2023-11-23 | 一种自动化可迁移人工智能医学影像识别系统及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117764918A (zh) |
-
2023
- 2023-11-23 CN CN202311574340.0A patent/CN117764918A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3961484B1 (en) | Medical image segmentation method and device, electronic device and storage medium | |
Li et al. | A comprehensive review of computer-aided whole-slide image analysis: from datasets to feature extraction, segmentation, classification and detection approaches | |
US11681418B2 (en) | Multi-sample whole slide image processing in digital pathology via multi-resolution registration and machine learning | |
WO2021093451A1 (zh) | 病理切片图像的处理方法、装置、系统及存储介质 | |
Bergmeir et al. | Segmentation of cervical cell nuclei in high-resolution microscopic images: a new algorithm and a web-based software framework | |
US10650221B2 (en) | Systems and methods for comprehensive multi-assay tissue analysis | |
CN109671068B (zh) | 一种基于深度学习的腹部肌肉标注方法及装置 | |
CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
WO2012154216A1 (en) | Diagnosis support system providing guidance to a user by automated retrieval of similar cancer images with user feedback | |
CN109003269A (zh) | 一种能提高医生效率的医学影像病灶的标注提取方法 | |
Ribeiro et al. | Handling inter-annotator agreement for automated skin lesion segmentation | |
CN110610472A (zh) | 实现肺结节图像分类检测的计算机装置及方法 | |
CN115115841B (zh) | 一种阴影斑点图像处理分析方法及系统 | |
EP1908404A1 (en) | Abnormal shade candidate detection method and abnormal shade candidate detection device | |
US20210312620A1 (en) | Generating annotation data of tissue images | |
CN114283406A (zh) | 细胞图像识别方法、装置、设备、介质及计算机程序产品 | |
CN116703837B (zh) | 一种基于mri图像的肩袖损伤智能识别方法及装置 | |
CN111339899B (zh) | 导管特征获取方法、装置、设备、介质和智能显微镜 | |
CN116468690B (zh) | 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统 | |
CN117764918A (zh) | 一种自动化可迁移人工智能医学影像识别系统及识别方法 | |
CN113705318B (zh) | 基于图像的识别方法、装置、设备及可读存储介质 | |
Stritt et al. | Supervised Machine Learning Methods for Quantification of Pulmonary Fibrosis. | |
Mosaliganti et al. | An imaging workflow for characterizing phenotypical change in large histological mouse model datasets | |
CN111583275A (zh) | 一种切片病理号的识别方法、系统、装置和存储介质 | |
US20220375604A1 (en) | System and method for automation of surgical pathology processes using artificial intelligence |
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 |