[發(fā)明專利]基于人工智能的醫(yī)學(xué)影像分類處理系統(tǒng)及方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710846124.5
• 申請(qǐng)日: 2017-09-15
• 公開(kāi)（公告）號(hào): CN107767935A
• 公開(kāi)（公告）日: 2018-03-06
• 發(fā)明（設(shè)計(jì)）人: 姚育東;錢(qián)唯;鄭斌;馬賀;齊守良;趙明芳
• 申請(qǐng)（專利權(quán)）人: 深圳市前海安測(cè)信息技術(shù)有限公司
• 主分類號(hào): G16H30/20
• 分類號(hào): G16H30/20;G16H50/20;G06K9/62
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)影像處理技術(shù)領(lǐng)域，尤其涉及一種基于人工智能的醫(yī)學(xué)影像分類處理系統(tǒng)及方法。

背景技術(shù)

醫(yī)療機(jī)構(gòu)的醫(yī)學(xué)圖像產(chǎn)出數(shù)據(jù)量十分龐大，而圖像數(shù)據(jù)往往包含大量潛在信息。目前醫(yī)療市場(chǎng)主要依靠人工判讀分析醫(yī)學(xué)圖像，效率較低且能挖掘的信息有限，無(wú)法充分利用數(shù)據(jù)資源。近年來(lái)，隨著深度學(xué)習(xí)的快速發(fā)展，機(jī)器學(xué)習(xí)各領(lǐng)域包括計(jì)算機(jī)視覺(jué)迅速被深度學(xué)習(xí)占領(lǐng)，深度學(xué)習(xí)已經(jīng)在圖像識(shí)別、語(yǔ)音識(shí)別等領(lǐng)域取得了令人矚目的成果。作為機(jī)器學(xué)習(xí)中的重要方法之一，其強(qiáng)大的自動(dòng)特征提取復(fù)雜模型構(gòu)建以及圖像處理能力，非常適合處理醫(yī)學(xué)影像數(shù)據(jù)分析所面臨的新問(wèn)題，引起了生物醫(yī)學(xué)領(lǐng)域研究人員的廣泛關(guān)注。目前，醫(yī)學(xué)圖像輔助處理不能根據(jù)人體各個(gè)不同部位對(duì)醫(yī)學(xué)影像進(jìn)行特征分類訓(xùn)練建立醫(yī)學(xué)模型，影響醫(yī)生對(duì)患者進(jìn)行醫(yī)學(xué)檢查的效率和準(zhǔn)確性。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種基于人工智能的醫(yī)學(xué)影像分類處理系統(tǒng)及方法，旨在解決現(xiàn)有醫(yī)學(xué)圖像輔助處理不能根據(jù)人體各個(gè)不同部位對(duì)醫(yī)學(xué)影像進(jìn)行特征分類訓(xùn)練而影響醫(yī)學(xué)檢查準(zhǔn)確性的問(wèn)題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于人工智能的醫(yī)學(xué)影像分類處理系統(tǒng)，應(yīng)用于服務(wù)器中，該服務(wù)器連接有醫(yī)學(xué)影像信息庫(kù)、醫(yī)學(xué)影像采集終端和醫(yī)生工作站。所述醫(yī)學(xué)影像分類處理系統(tǒng)包括：影像信息獲取模塊，用于從醫(yī)學(xué)影像信息庫(kù)中獲取醫(yī)學(xué)影像信息；影像信息分類模塊，用于基于不同人體部位將醫(yī)學(xué)影像信息分類處理；醫(yī)學(xué)模型建立模塊，用于基于分類后的醫(yī)學(xué)影像信息建立對(duì)應(yīng)人體各部位的醫(yī)學(xué)評(píng)估模型；醫(yī)學(xué)模型訓(xùn)練模塊，用于對(duì)人體各部位的醫(yī)學(xué)評(píng)估模型進(jìn)行訓(xùn)練處理，從訓(xùn)練好的醫(yī)學(xué)評(píng)估模型中抽取醫(yī)學(xué)模型參數(shù)，并將醫(yī)學(xué)模型參數(shù)保存在存儲(chǔ)單元中；醫(yī)學(xué)影像處理模塊，用于從醫(yī)學(xué)影像采集終端接收患者的醫(yī)學(xué)檢查影像，從患者的醫(yī)學(xué)檢查影像中識(shí)別出患者的檢查部位，并根據(jù)患者的檢查部位從存儲(chǔ)單元中獲取對(duì)應(yīng)的醫(yī)學(xué)模型參數(shù)；醫(yī)學(xué)影像輸出模塊，用于將患者的醫(yī)學(xué)檢查影像及對(duì)應(yīng)的醫(yī)學(xué)模型參數(shù)發(fā)送到醫(yī)生工作站供醫(yī)生對(duì)患者進(jìn)行醫(yī)學(xué)檢查。

優(yōu)選的，所述醫(yī)學(xué)模型訓(xùn)練模塊包括特征訓(xùn)練子模塊以及模型微調(diào)子模塊，其中：所述特征訓(xùn)練子模塊用于從所述醫(yī)學(xué)評(píng)估模型中抽取局部特征信息，并利用人工神經(jīng)網(wǎng)絡(luò)對(duì)局部特征信息進(jìn)行特征訓(xùn)練來(lái)獲得一組特征向量；所述模型微調(diào)子模塊用于將所述特征向量應(yīng)用于卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中，并根據(jù)訓(xùn)練結(jié)果對(duì)醫(yī)學(xué)評(píng)估模型進(jìn)行微調(diào)處理。

優(yōu)選的，所述人工神經(jīng)網(wǎng)絡(luò)是通過(guò)自動(dòng)編碼器來(lái)實(shí)現(xiàn)的分層神經(jīng)網(wǎng)絡(luò)，該自動(dòng)編碼器將局部特征信息作為第一層的輸入并進(jìn)行特征訓(xùn)練，將第一層的輸出作為第二層的輸入并進(jìn)行特征訓(xùn)練，以及將第二層的輸出作為第三層的輸入并進(jìn)行特征訓(xùn)練。

優(yōu)選的，所述卷積神經(jīng)網(wǎng)絡(luò)包括多個(gè)神經(jīng)元、特征提取層以及特征映射層，其中，每個(gè)神經(jīng)元與特征映射層相連，所述特征映射層從每個(gè)神經(jīng)元中提取特征信息，所述特征映射層由多個(gè)特征向量映射組成。

優(yōu)選的，所述醫(yī)學(xué)檢查影像包括核磁影像、CT影像、超聲影像、X光影像以及紅外影像。

本發(fā)明還提供一種基于人工智能的醫(yī)學(xué)影像分類處理方法，應(yīng)用于服務(wù)器中，該服務(wù)器連接有醫(yī)學(xué)影像信息庫(kù)、醫(yī)學(xué)影像采集終端和醫(yī)生工作站，所述醫(yī)學(xué)影像分類處理方法包括步驟：從醫(yī)學(xué)影像信息庫(kù)中獲取醫(yī)學(xué)影像信息；基于不同人體部位將醫(yī)學(xué)影像信息分類處理；基于分類后的醫(yī)學(xué)影像信息建立對(duì)應(yīng)人體各部位的醫(yī)學(xué)評(píng)估模型；對(duì)人體各部位的醫(yī)學(xué)評(píng)估模型進(jìn)行訓(xùn)練處理；從訓(xùn)練好的醫(yī)學(xué)評(píng)估模型中抽取醫(yī)學(xué)模型參數(shù)，并將醫(yī)學(xué)模型參數(shù)保存在服務(wù)器的存儲(chǔ)單元中；從醫(yī)學(xué)影像采集終端接收患者的醫(yī)學(xué)檢查影像；從患者的醫(yī)學(xué)檢查影像中識(shí)別出患者的檢查部位，并根據(jù)患者的檢查部位從存儲(chǔ)單元中獲取對(duì)應(yīng)的醫(yī)學(xué)模型參數(shù)；將患者的醫(yī)學(xué)檢查影像及對(duì)應(yīng)的醫(yī)學(xué)模型參數(shù)發(fā)送到醫(yī)生工作站供醫(yī)生對(duì)患者進(jìn)行醫(yī)學(xué)檢查。

優(yōu)選的，所述對(duì)人體各部位的醫(yī)學(xué)評(píng)估模型進(jìn)行訓(xùn)練處理的步驟包括：從所述醫(yī)學(xué)評(píng)估模型中抽取局部特征信息，并利用人工神經(jīng)網(wǎng)絡(luò)對(duì)抽取的局部特征信息進(jìn)行特征訓(xùn)練來(lái)獲得一組特征向量；將所述特征向量應(yīng)用于卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中，并根據(jù)訓(xùn)練結(jié)果對(duì)醫(yī)學(xué)評(píng)估模型進(jìn)行微調(diào)處理。

優(yōu)選的，所述人工神經(jīng)網(wǎng)絡(luò)是通過(guò)自動(dòng)編碼器來(lái)實(shí)現(xiàn)的分層神經(jīng)網(wǎng)絡(luò)，該自動(dòng)編碼器將局部特征信息作為第一層的輸入并進(jìn)行特征訓(xùn)練，將第一層的輸出作為第二層的輸入并進(jìn)行特征訓(xùn)練，以及將第二層的輸出作為第三層的輸入并進(jìn)行特征訓(xùn)練。