[發明專利]一種持續自我學習多模型融合超聲乳腺腫塊精準鑒別系統

在審

• 申請號: 202110444366.8
• 申請日: 2021-04-23
• 公開（公告）號: CN113053523A
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 李建;金林原;張艷芬;王靜超;商超
• 申請（專利權）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: 廣州金鵬律師事務所 44529
• 代理人: 周藝

本發明涉及超聲乳腺腫塊鑒別技術領域，尤其是一種持續自我學習多模型融合超聲乳腺腫塊精準鑒別系統，包括中央數據處理系統、腫塊病理結果反饋模塊、持續自我學習多模型融合分類模塊、腫塊分類處理模塊、圖像獲取模塊、臨床信息特征采集模塊和隨機森林分類模型建立模塊，所述臨床信息獲取模塊將采集的信息通過網關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行處理并通過網關傳遞到隨機森林分類模型建立模塊，所述隨機森林分類模型建立模塊將建立的模型通過網關傳遞到持續自我學習多模型融合分類模塊。本發明還提供一種持續自我學習多模型融合超聲乳腺腫塊精準鑒別方法，可以實現持續自我學習和鑒別準確性。

技術領域

本發明涉及超聲乳腺腫塊鑒別技術領域，尤其涉及一種持續自我學習多模型融合超聲乳腺腫塊精準鑒別系統。

背景技術

現有醫學影像AI技術未能把圖像診斷與患者臨床信息緊密結合進行診斷并實現臨床應用。隨著人工智能技術的發展，一些學者把AI技術應用于超聲乳腺腫塊圖像鑒別與診斷，但主要是單純采用圖像鑒別腫塊的良惡性，也有采用多模態融合技術對腫塊進行診斷,多模態融合機器學習就是各種模態的信息融合建立數據集訓練機器學習模型，多模態融合技術需要綜合多項檢查的影像特征，只有在多項檢查完成后才能獲得這些特征，如果有患者只單做某項檢查就無法對腫塊進行多模態融合診斷，同時對疾病的診斷不能單純依靠圖像進行，需要結合患者臨床信息，例如影像科醫師當看了患者檢查圖像后，從圖像結果中獲得診斷印象，再通過詢問病史和體格檢查獲得患者臨床信息，經過綜合分析來判斷腫塊是良性還是惡性，醫師對疾病的診斷是一個綜合分析過程，需要結合患者影像診斷結果，同時也需要結合患者的臨床表現和體征，疾病診斷的準確性關系到患者的后續處理和治療，最理想的模型應該是能給合圖像診斷和患者臨床特征，現有技術還沒有良好的解決方案，現有技術對數據集的分類標注主要采用有經驗的醫師完成，但有的腫塊圖像是否為惡性，再有經驗的醫師也會誤判，現有技術模型不能實現持續自我學習提高精準度。

發明內容

為解決上述背景技術中提出的問題。本發明提供了一種持續自我學習多模型融合超聲乳腺腫塊精準鑒別系統，解決了出現誤判和不能持續自我學習的問題。

為了實現上述目的，本發明采用了如下技術方案：

設計一種持續自我學習多模型融合超聲乳腺腫塊精準鑒別系統，包括中央數據處理系統、腫塊病理結果反饋模塊、持續自我學習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森林分類模型建立模塊，所述中央數據處理系統包括計算機集群，所述計算機集群包括信息接收模塊、數據存儲模塊、數據處理模塊、數據對比模塊、數據整合模塊和衛星通信與傳輸模塊，所述中央數據處理系統通過衛星通信與傳輸模塊與腫塊病理結果反饋模塊、圖像獲取模塊和臨床信息獲取模塊形成實時通信連接，所述腫塊病理結果反饋模塊包括數據收集模塊、訓練模塊和模型建立模塊，所述數據收集模塊包括良惡性圖像數據集、病理類型圖像數據集和病理疾病圖像數據集，所述訓練模塊包括腫塊良惡性分類訓練模塊、腫塊病理類型分類訓練模塊和腫塊病理疾病分類訓練模塊，所述模型建立模塊包括腫塊良惡性圖像數據集、腫塊病理類型圖像數據集和腫塊病理疾病圖像數據集，所述腫塊病理疾病分類訓練模塊通過網關與持續自我學習多模型融合分類模塊形成實時連接，所述持續自我學習多模型融合分類模塊通過網關與腫塊分類處理模塊形成實時連接，所述圖像獲取模塊通過網關與持續自我學習多模型融合分類模塊形成實時連接，所述中央數據處理系統通過網關與臨床信息獲取模塊形成實時連接，所述臨床信息獲取模塊將采集的信息通過網關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行處理并通過網關傳遞到隨機森林分類模型建立模塊，所述隨機森林分類模型建立模塊將建立的模型通過網關傳遞到持續自我學習多模型融合分類模塊。

優選的，所述腫塊病理結果反饋模塊通過從電子病歷和醫學影像系統中獲取患者臨床信息和腫塊特征信息，根據病理結果按BI-RADS分類，建立數據集。根據圖像病理結果建立良惡性圖像數據集、病理類型和病理疾病圖像數據集。