[發(fā)明專利]一種持續(xù)自我學(xué)習(xí)多模型融合超聲乳腺腫塊精準(zhǔn)鑒別系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110444366.8
• 申請日: 2021-04-23
• 公開（公告）號: CN113053523A
• 公開（公告）日: 2021-06-29
• 發(fā)明（設(shè)計(jì)）人: 李建;金林原;張艷芬;王靜超;商超
• 申請（專利權(quán)）人: 廣州易睿智影科技有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州金鵬律師事務(wù)所 44529
• 代理人: 周藝

1.一種持續(xù)自我學(xué)習(xí)多模型融合超聲乳腺腫塊精準(zhǔn)鑒別系統(tǒng)，包括中央數(shù)據(jù)處理系統(tǒng)、腫塊病理結(jié)果反饋模塊、持續(xù)自我學(xué)習(xí)多模型融合分類模塊、腫塊分類處理模塊、圖像獲取模塊、臨床信息獲取模塊、臨床信息特征采集模塊和隨機(jī)森林分類模型建立模塊，其特征在于，所述中央數(shù)據(jù)處理系統(tǒng)包括計(jì)算機(jī)集群，所述計(jì)算機(jī)集群包括信息接收模塊、數(shù)據(jù)存儲模塊、數(shù)據(jù)處理模塊、數(shù)據(jù)對比模塊、數(shù)據(jù)整合模塊和衛(wèi)星通信與傳輸模塊，所述中央數(shù)據(jù)處理系統(tǒng)通過衛(wèi)星通信與傳輸模塊與腫塊病理結(jié)果反饋模塊、圖像獲取模塊和臨床信息獲取模塊形成實(shí)時(shí)通信連接，所述腫塊病理結(jié)果反饋模塊包括數(shù)據(jù)收集模塊、訓(xùn)練模塊和模型建立模塊，所述數(shù)據(jù)收集模塊包括良惡性圖像數(shù)據(jù)集、病理類型圖像數(shù)據(jù)集和病理疾病圖像數(shù)據(jù)集，所述訓(xùn)練模塊包括腫塊良惡性分類訓(xùn)練模塊、腫塊病理類型分類訓(xùn)練模塊和腫塊病理疾病分類訓(xùn)練模塊，所述模型建立模塊包括腫塊良惡性圖像數(shù)據(jù)集、腫塊病理類型圖像數(shù)據(jù)集和腫塊病理疾病圖像數(shù)據(jù)集，所述腫塊病理疾病分類訓(xùn)練模塊通過網(wǎng)關(guān)與持續(xù)自我學(xué)習(xí)多模型融合分類模塊形成實(shí)時(shí)連接，所述持續(xù)自我學(xué)習(xí)多模型融合分類模塊通過網(wǎng)關(guān)與腫塊分類處理模塊形成實(shí)時(shí)連接，所述圖像獲取模塊通過網(wǎng)關(guān)與持續(xù)自我學(xué)習(xí)多模型融合分類模塊形成實(shí)時(shí)連接，所述中央數(shù)據(jù)處理系統(tǒng)通過網(wǎng)關(guān)與臨床信息獲取模塊形成實(shí)時(shí)連接，所述臨床信息獲取模塊將采集的信息通過網(wǎng)關(guān)傳遞到臨床信息特征采集模塊，所述臨床信息特征采集模塊將信息進(jìn)行處理并通過網(wǎng)關(guān)傳遞到隨機(jī)森林分類模型建立模塊，所述隨機(jī)森林分類模型建立模塊將建立的模型通過網(wǎng)關(guān)傳遞到持續(xù)自我學(xué)習(xí)多模型融合分類模塊。

2.根據(jù)權(quán)利要求1所述的一種持續(xù)自我學(xué)習(xí)多模型融合超聲乳腺腫塊精準(zhǔn)鑒別系統(tǒng)，其特征在于，所述腫塊病理結(jié)果反饋模塊通過從電子病歷和醫(yī)學(xué)影像系統(tǒng)中獲取患者臨床信息和腫塊特征信息，根據(jù)病理結(jié)果按BI-RADS(BreastImaging Reporting AndDataSystem，BI-RADS)分類，建立數(shù)據(jù)集。根據(jù)圖像病理結(jié)果建立良惡性圖像數(shù)據(jù)集、病理類型和病理疾病圖像數(shù)據(jù)集。

3.根據(jù)權(quán)利要求1所述的一種持續(xù)自我學(xué)習(xí)多模型融合超聲乳腺腫塊精準(zhǔn)鑒別系統(tǒng)，其特征在于，所述臨床信息獲取模塊為醫(yī)師在超聲檢查過程中獲得的信息，包括乳腺結(jié)構(gòu)、乳腺回聲、乳腺導(dǎo)管有無擴(kuò)張、乳腺結(jié)節(jié)、結(jié)節(jié)數(shù)量、結(jié)節(jié)邊界、結(jié)節(jié)邊緣、結(jié)節(jié)形狀、結(jié)節(jié)位置、結(jié)節(jié)回聲、結(jié)節(jié)后方回聲、結(jié)節(jié)方位、結(jié)節(jié)鈣化灶、結(jié)節(jié)周圍組織、結(jié)節(jié)彩流分布，腋窩淋巴結(jié)縱橫比、邊界回聲及彩流分布等，患者有無乳腺腫塊家族史、乳腺有無溢液、腫塊硬度、手術(shù)史、乳腺有無疼痛等。

4.根據(jù)權(quán)利要求1所述的一種持續(xù)自我學(xué)習(xí)多模型融合超聲乳腺腫塊精準(zhǔn)鑒別系統(tǒng)，其特征在于，所述隨機(jī)森林分類模型建立模塊采用開源的sklearn庫，導(dǎo)入RandomForestClassifier模塊，通過該模塊的fit方法構(gòu)建隨機(jī)森林模型，通過predict方法驗(yàn)證模型的準(zhǔn)確率。

5.根據(jù)權(quán)利要求1所述的一種持續(xù)自我學(xué)習(xí)多模型融合超聲乳腺腫塊精準(zhǔn)鑒別系統(tǒng)，其特征在于，所述訓(xùn)練模塊采用GitHub上開源的imageAI庫，該庫采用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)算法，提供了4種算法包括SqueezeNet，ResNet，InceptionV3和DenseNet，訓(xùn)練過程生成一個(gè)JSON文件，用于映射圖像數(shù)據(jù)集和許多模型中的對象類型。

6.根據(jù)權(quán)利要求1所述的一種持續(xù)自我學(xué)習(xí)多模型融合超聲乳腺腫塊精準(zhǔn)鑒別系統(tǒng)，其特征在于，所述圖像獲取模塊有一個(gè)可顯示乳腺超聲圖像的窗體，當(dāng)圖像需要進(jìn)行鑒別時(shí)，用戶只需點(diǎn)擊“AI協(xié)助鑒別”按扭就可選擇圖像，可只選一幅圖像，也可選取任意多幅圖像，選擇完成后模塊自動把選取的圖像提交給持續(xù)自我學(xué)習(xí)多模型融合分類模塊，進(jìn)行圖像分類，獲得分類結(jié)果，并把結(jié)果傳遞到中央數(shù)據(jù)處理系統(tǒng)。

7.根據(jù)權(quán)利要求1所述的一種持續(xù)自我學(xué)習(xí)多模型融合超聲乳腺腫塊精準(zhǔn)鑒別系統(tǒng)，其特征在于，所述持續(xù)自我學(xué)習(xí)多模型融合分類模塊將腫塊病理結(jié)果反饋模塊中的數(shù)據(jù)進(jìn)行融合，通過python編程構(gòu)建一套可持續(xù)自我學(xué)習(xí)的系統(tǒng)并自動運(yùn)行于服務(wù)器。

8.根據(jù)權(quán)利要求1-7所述的一種持續(xù)自我學(xué)習(xí)多模型融合超聲乳腺腫塊精準(zhǔn)鑒別方法，其特征在于，包括：

S1、中央數(shù)據(jù)處理系統(tǒng)將從電子病歷和醫(yī)學(xué)影像系統(tǒng)中獲取患者臨床信息和腫塊特征信息，然后傳遞到腫塊病理結(jié)果反饋模塊中，根據(jù)病理結(jié)果按BI-RADS分類，建立數(shù)據(jù)集，根據(jù)圖像病理結(jié)果建立良惡性圖像數(shù)據(jù)集、病理類型和病理疾病圖像數(shù)據(jù)集，同時(shí)中央數(shù)據(jù)處理系統(tǒng)將在超聲檢查過程中獲得的信息傳遞到臨床信息特征采集模塊，臨床信息特征采集模塊進(jìn)行處理后傳遞到隨機(jī)森林分類模型建立模塊進(jìn)行建模；

S2、隨機(jī)森林分類模型建立模塊將從腫塊病理結(jié)果反饋模塊接收的信息進(jìn)行融合，并與隨機(jī)森林分類模型建立模塊輸出的信息相融合，通過python編程構(gòu)建一套可持續(xù)自我學(xué)習(xí)的系統(tǒng)并自動運(yùn)行于服務(wù)器，實(shí)現(xiàn)對腫塊的分類鑒別和自我訓(xùn)練學(xué)習(xí)；

S3、當(dāng)對病人進(jìn)行鑒別時(shí)中央數(shù)據(jù)處理系統(tǒng)通過圖像獲取模塊將病例圖像輸入到持續(xù)自我學(xué)習(xí)多模型融合分類模塊，經(jīng)分類處理后通過腫塊分類處理模塊輸入到中央數(shù)據(jù)處理系統(tǒng)中，經(jīng)過信息接收模塊、數(shù)據(jù)存儲模塊、數(shù)據(jù)處理模塊、數(shù)據(jù)對比模塊和數(shù)據(jù)整合模塊的處理，通過衛(wèi)星通信與傳輸模塊輸出腫塊分類結(jié)果。

S4、中央數(shù)據(jù)處理系統(tǒng)根據(jù)臨床信息和腫塊圖像分類結(jié)果完成對患者病情進(jìn)行鑒別工作。