[發明專利]醫學影像數據的分析方法及系統

在審

• 申請號: 201611126844.6
• 申請日: 2016-12-09
• 公開（公告）號: CN106777953A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 吳文輝;張莉
• 申請（專利權）人: 江西中科九峰智慧醫療科技有限公司
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 北京智乾律師事務所11620
• 代理人: 王屹東

技術領域

本發明涉及醫學影像處理技術領域，尤其涉及一種醫學影像數據的分析方法及系統。

背景技術

醫療機構的醫學圖像產出數據量十分龐大，而圖像數據往往包含大量潛在信息。目前醫療市場主要依靠人工判讀分析醫學圖像，效率較低且能挖掘的信息有限，無法充分利用數據資源。近年來，隨著深度學習的快速發展，機器學習各領域包括計算機視覺迅速被深度學習占領，深度學習已經在圖像識別、語音識別等領域取得了令人矚目的成果。作為機器學習中的重要方法之一，其強大的自動特征提取復雜模型構建以及圖像處理能力，非常適合處理醫學影像數據分析所面臨的新問題，引起了生物醫學領域研究人員的廣泛關注。目前在深度學習在醫學影像領域采用的技術主要是卷積神經網絡，其普遍結構如圖1所示。目前，基于人工智能技術的影像診斷系統主要利用的是卷積神經網絡技術，相比于傳統的圖像技術，不僅規避了人為定義特征的繁瑣步驟，而且還能獲取相比于底層特征(例如顏色、紋理、結構等)更高層的語義特征，模擬人腦視覺處理過程。

盡管卷積神經網絡相比于傳統的特征提取技術具有較明顯的優勢，但是仍然存在以下不足之處：其一，目前的系統不具備治療方案推薦功能，僅僅停留在診斷層面上，并沒有考慮后期更重要的應對方案。其二，目前采用的卷積神經網絡都是基于有標簽數據，利用誤差逆傳播的算法實現的，訓練耗時長，且需要大量有標簽的樣本數據。并且，隨著卷積神經網絡的隱層數量增加，模型前幾層的特征學習能力特別差，無法學習到有效特征。

綜上可知，現有技術在實際使用上顯然存在不便與缺陷，所以有必要加以改進。

發明內容

針對上述的缺陷，本發明的目的在于提供一種醫學影像數據的分析方法及系統，其可以實現影像診斷的功能，還提供后期的方案推薦。

為了實現上述目的，本發明提供一種醫學影像數據的分析方法，包括以下步驟：

獲取醫學影像信息；

基于不同部位將所述醫學影像信息分類處理；

基于分類后的醫學影像信息，建立對應各部位的醫學模型；

對所述醫學模型訓練處理；

保存模型參數。

根據本發明的醫學影像數據的分析方法，所述保存模型參數步驟后還包括：

基于保存的模型參數以及接收新的醫學影像信息診斷處理；

根據診斷結果推薦治療方案。

根據本發明的醫學影像數據的分析方法，所述對所述醫學模型訓練處理步驟包括：

從無標簽的數據樣本中抽取局部的圖像塊進行無監督特征學習，獲得一組特征向量；

將所述特征向量應用于卷積神經網絡的訓練中，并采用有標簽數據對模型參數進行微調處理。

根據本發明的醫學影像數據的分析方法，所述方法還包括：

用訓練完成的模型對測試數據提取特征，訓練分類器，并驗證來評估模型的準確率、特異性及敏感度。

本發明還提供一種醫學影像數據的分析系統，包括：

信息獲取模塊，用于從醫學影像信息系統獲取醫學影像信息；

信息分類模塊，用于基于不同部位將所述醫學影像信息分類處理；

模型建立模塊，用于基于分類后的醫學影像信息，建立對應各部位的醫學模型；

模型訓練模塊，用于對所述醫學模型訓練處理；

模型保存模塊，用于保存模型參數。

根據本發明的醫學影像數據的分析系統，還包括：

模型診斷模塊，用于根據保存的模型參數以及接收新的醫學影像信息診斷處理；

方案推送模塊，用于根據診斷結果推薦治療方案。

根據本發明的醫學影像數據的分析系統，所述模型訓練模塊包括：

無監督學習單元，用于從無標簽的數據樣本中抽取局部的圖像塊進行無監督特征學習，獲得一組特征向量；

參數微調單元，用于將所述特征向量應用于卷積神經網絡的訓練中，并采用有標簽數據對模型參數進行微調處理。

根據本發明的醫學影像數據的分析系統，還包括，檢測模塊，用于根據訓練完成的模型對測試數據提取特征，訓練分類器，并驗證來評估模型的準確率、特異性及敏感度。

本發明通過從醫學影像信息系統獲取醫學影像信息，并基于不同部位將所述醫學影像信息分類處理，然后基于分類后的醫學影像信息，建立對應各部位的醫學模型，對所述醫學模型訓練處理，最后保存模型參數。更好的是，本發明還可以基于保存的模型參數以及接收新的醫學影像信息診斷處理，并根據診斷結果推薦治療方案。借此，本發明不僅實現影像診斷的功能，還提供后期的方案推薦。

附圖說明