[發明專利]一種基于多維信息融合和深度學習的腦部醫學影像分析方法

有效

• 申請號: 201911231451.5
• 申請日: 2019-12-05
• 公開（公告）號: CN110931112B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 董帥;傅瑜;鄒昆;李文生;李悅喬;谷俊霖;周博倫
• 申請（專利權）人: 電子科技大學中山學院
• 主分類號: G16H30/20
• 分類號: G16H30/20;G06N3/0464
• 代理公司: 中山市粵捷信知識產權代理事務所(普通合伙) 44583
• 代理人: 張謙

一種基于多維信息融合和深度學習的腦部醫學影像分析方法，包括如下步驟：S1、開發測試環境平臺搭建：搭建深度學習訓練用工作站，配置訓練框架；S2、對主流深度學習算法和網絡模型進行研究：對主流的深度學習算法、網絡模型、醫學影像分析檢測框架和數據集進行測試，并分析各種深度學習算法和卷積網絡模型在圖像分割、目標檢測和疾病分類分級方面的優缺點；S3、制作醫學影像訓練數據集、驗證數據集和測試數據集；S4、基于多個深度學習網絡的醫學影像分析診斷研究。本發明能分別訓練不同的深度學習卷積神經網絡，通過構建加權貝葉斯網絡，對不同類型醫學影像的分析結果進行處理，從而得到最后的分析診斷結果，診斷結果的準確性大大提高。

技術領域

本發明涉及醫學影像分析技術領域，尤其涉及一種基于多維信息融合和深度學習的腦部醫學影像分析方法。

背景技術

醫療關乎著人民的生命健康。日前，醫療數據量特別是醫學影像數據量巨大，但能否利用好這龐大的醫學影像數據為醫療事業做出貢獻至關重要。源于深度學習在圖像檢測分類方面的優勢，基于深度學習的醫學影像分析將在醫學影像的分割、分類、分級以及輔助醫生進行病癥診斷方面發揮重要作用。與醫師讀片相比，基于深度學習的人工智能醫學影像分析具備許多優勢：人類做出診斷大多憑借經驗印象，基于深度學習的醫學影像分析是對圖像全信息的識別和利用，通過對多維度醫學影像的深度學習，可獲得更高的診斷準確性；基于深度學習的醫學影像分析模型建立后其閱片重復性很高，能夠避免人類閱片受情緒和疲勞度的影響而導致的重復性較差；基于深度學習的醫學影像分析模型的知識經驗隨著病例增多會不斷優化，漏診率誤診率不斷降低；基于深度學習的影像分析雖前期建模投入成本大，時間較長，但形成成熟的模型后，讀片速度及質量較高，能勝任多名醫學影像醫師的工作，用工成本較低。因此，基于深度學習的醫學影像分析診斷將具有廣闊的市場應用前景。

現有基于深度學習的醫學影像分析技術存在如下問題：

1、針對醫學影像的分割檢測和分類分級問題，無適用的公開數據集，需要建立專門的帶多級標簽的數據集；

2、現有圖像分類、目標檢測框架和卷積神經網絡無法直接應用于醫學影像的分割檢測和分類分級問題，需要對它們針對醫學影像分析的具體應用要求進行改造；

3、不能充分利用醫學影像的不同層次特征，來實現對腦部疾病的分類和分級；

4、不能實現不同類型醫學影像的配準和融合問題，不能綜合利用多種卷積神經網絡，提升腦部疾病分類分級診斷的準確度。

發明內容

(一)發明目的

為解決背景技術中存在的技術問題，本發明提出一種基于多維信息融合和深度學習的腦部醫學影像分析方法，能建立專門的帶多級標簽的數據集，能構建專用于醫學影像的分割檢測和分類和分級問題的深度學習模型，能分別訓練不同的深度學習卷積神經網絡，通過構建加權貝葉斯網絡，對不同類型醫學影像的分析結果進行處理，從而得到最后的分析診斷結果，極大地提高了診斷結果的準確性。

(二)技術方案

本發明提供了一種基于多維信息融合和深度學習的腦部醫學影像分析方法，包括如下步驟：

S1、開發測試環境平臺搭建：

搭建深度學習訓練用工作站，配置訓練框架；

S2、對主流深度學習算法和網絡模型進行研究：

對主流的深度學習算法、網絡模型、醫學影像分析檢測框架和數據集進行測試，并分析各種深度學習算法和卷積網絡模型在圖像分割、目標檢測和疾病分類分級方面的優缺點；

S3、制作醫學影像訓練數據集、驗證數據集和測試數據集：

針對醫學影像分析的要求和特點，選擇一定數量的針對典型腦部疾病的醫學影像作為樣本，對于同一病歷，采集多種類型、不同角度的醫學影像，加注多級分類標簽；