基于深度学习的智能医疗辅助诊断系统技术方案

本发明专利技术公开了基于深度学习的智能医疗辅助诊断系统，涉及智能医疗技术领域。本发明专利技术包括会诊室上位机、化验室上位机、阅片室上位机、抽血挂号机、血液化验检测仪以及CT仪器；会诊室上位机分别与化验室上位机、阅片室上位机无线通讯连接；化验室上位机与血液化验检测仪通讯连接；阅片室上位机与CT仪器通讯连接。本发明专利技术通过化验室上位机的DNN预测模块采用DNN特征模型获取血检分析结果，同时阅片室上位机U‑net模型分割模块采用U‑net模型对CT影像进行分割处理获取分割图，最后会诊室上位机的辅助诊断模块根据血检分析结果、CT影像及其分割图结合医学知识数据库分析患病概率，减少诊断难度，降低误诊概率，提高诊断正确率。

Intelligent Medical Assistant Diagnosis System Based on Deep Learning

【技术实现步骤摘要】
基于深度学习的智能医疗辅助诊断系统
本专利技术属于智能医疗
，特别是涉及一种基于深度学习的智能医疗辅助诊断系统。
技术介绍
近些年来，随着深度学习在人工智能领域掀起一波又一波的浪潮，使得不少其他学科得到可突破性的发展。在医疗领域方面，以往的医疗诊断主要依靠医生的主观判断，诊断准确性取决于医生的知识水平和经验，缺乏精准的量化分析。以医学影像CT为例，即使经验丰富的医生也很难精确的区别所有病患区域和正常区域，给诊断造成困难的同时，也耽误病人后期的治疗甚至影响手术。现在，基于深度学习的分类、检测和分割由于及极高的精准性，已经广泛应用于各种医疗诊断中，为医生的精准治疗提供了有效的帮助。基于此，本专利技术提出了一种基于深度学习的智能医疗辅助诊断系统，利用血液检查获得的信息和CT影像，在深度学习框架下搭建DNN神经网络模型和U-net神经网络模型并进行训练，将训练好的模型参数导出，并用患者的血检信息和CT影像作为测试输入进行测试，将测试的结果输入至专家系统进行推断获得诊断结果。相比于传统人工诊断方法，该系统具有自动、快速、高效、精确的特点。使用DNN网络进行血检病患分类，可以获得患病概率的量化信息。U-net网络分割CT影像，可以辅助医生判断病灶区域，避免肉眼判别带来的误差。专家系统能够有效的根据本学科专业知识进行推断和决策，能够弥补医生经验不足的缺点。
技术实现思路
本专利技术的目的在于提供基于深度学习的智能医疗辅助诊断系统，通过化验室上位机的DNN预测模块采用DNN特征模型获取血检分析结果，同时阅片室上位机U-net模型分割模块采用U-net模型对CT影像进行分割处理获取分割图，最后会诊室上位机的辅助诊断模块根据血检分析结果、CT影像及其分割图结合医学知识数据库分析患病概率，提高诊断正确率。为解决上述技术问题，本专利技术是通过以下技术方案实现的：本专利技术为基于深度学习的智能医疗辅助诊断系统，包括：会诊室上位机、化验室上位机、阅片室上位机、抽血挂号机、血液化验检测仪以及CT仪器；所述会诊室上位机分别与化验室上位机、阅片室上位机无线通讯连接；其中，通过TL-WDR5660千兆版路由器建立会诊室上位机分别与化验室上位机、阅片室上位机之间的无线通讯连接，具有覆盖范围广、传输速度快、信号稳定的优点；所述化验室上位机与血液化验检测仪通讯连接；所述阅片室上位机与CT仪器通讯连接；所述抽血挂号机分别与语音播报器以及若干LED显示屏通讯连接；其中，所述语音播报器为YirokaWT-PS型语音播报器；所述抽血挂号机将患者信息存储到挂号队列中并存储；所述抽血挂号机还与若干喊号按钮电性连接；当按下所述喊号按钮后，所述喊号按钮传递喊号信号至抽血挂号机；所述抽血挂号机获取挂号队列的队头序号并传递至语音播报器，所述语音播报器对所述队头序号喊号；其中，所述抽血挂号机采用KER医疗自助挂号机，采用采血针进行抽血并采用真空采血管收集血液；所述抽血挂号机还传递挂号序列至所述血液化验检测仪；所述血液化验检测仪根据挂号序列依次对患者血液样本化验检测并获得化验检测数据；所述血液化验检测仪传递患者信息及其对应的化验检测数据至化验室上位机，其中，所述血液化验检测仪采用WD-320(吉林维尔)型号的全自动生化分析仪；所述化验室上位机包括数据预处理模块以及DNN预测模块；所述数据预处理模块对化验检测数据进行特征提取获取特征向量；所述数据预处理模块传递特征向量至所述DNN预测模块；所述DNN预测模块对比血检病例库中的DNN特征模型获取血检分析结果；所述化验室上位机传递患者信息及其对应的血检分析结果至会诊室上位机；所述CT仪器对患者进行扫描获取CT影像；所述CT仪器将患者信息及其对应的CT影像传递至阅片室上位机；所述阅片室上位机包括图像预处理模块以及U-net模型分割模块；所述图像预处理模块对CT影像进行滤波预处理；所述U-net模型分割模块采用U-net模型对CT影像进行分割处理获取分割图；所述阅片室上位机传递患者信息及其对应的CT影像以及分割图至会诊室上位机；所述会诊室上位机包括辅助诊断模块；所述辅助诊断模块根据血检分析结果、CT影像及其分割图结合医学知识数据库分析患病概率。优选地，所述喊号按钮以及LED显示屏与抽血窗口对应；所述抽血挂号机还将挂号队列的队头序号传递至对应窗口的LED显示屏显示。优选地，所述化验室上位机还包括DNN训练模块；所述数据预处理模块获取训练集中的化验检测数据并进行特征提取获取训练特征向量；所述训练模块对DNN特征模型初始化参数后，通过所述训练特征向量对DNN特征模型训练并存储训练好的DNN特征模型至血检病例库中；所述化验室上位机为一台DellXPS8930高性能台式主机完成，并配置和编译了Tensorflow深度学习框架，其模型训练速度和测试速度快，能够在极短的时间内获得预测结果。在DellXPS8930台式机中使用Tensorflow框架建立7层的DNN特征模型，初始化权重、偏置和学习率等参数后；载入化验检测数据作为训练数据对DNN特征模型不断迭代训练直至收敛，获得训练好的网络模型参数。在测试阶段，将患者的化验检测数据作为测试集，加载DNN特征模型和训练好的模型参数，预测出患者的病况将病况概率图显示在显示器上。优选地，所述阅片室上位机还包括U-net模型训练模块；所述图像预处理模块对CT影像进行预分割获取预分割图；所述图像预处理模块将CT影像作为原图、预分割图作为标签图传递至U-net模型训练模块；所述U-net模型训练模块将原图以及预分割图输入到搭建好的U-net模型进行训练并获得训练好的U-net模型；所述阅片室上位机是由一台配置了Tensorflow环境的DellXPS8930高性能台式主机过程。在Tensorflow框架下建立U-net模型，所述U-net模型是一种全卷积神经网络，能够高效、精确的进行图像有监督的语义分割，常用于医疗图像分割中；在初始化参数后，将CT影像及对应的分割图分别作为原图和标签图输入到U-net模型不断迭代训练直至收敛，得到训练好的U-net模型。使用训练好的U-net模型对CT仪器传入的CT图像进行分割，并将原CT图像和分割图发送至会诊室上位机。U-net模型具有深层次、高效率、高精度的特点，能够精确的分割出病患区域，为医生诊断提供量化信息，减少诊断难度，降低误诊概率。本专利技术具有以下有益效果：本专利技术通过化验室上位机的DNN预测模块采用DNN特征模型获取血检分析结果，同时阅片室上位机U-net模型分割模块采用U-net模型对CT影像进行分割处理获取分割图，最后会诊室上位机的辅助诊断模块根据血检分析结果、CT影像及其分割图结合医学知识数据库分析患病概率，减少诊断难度，降低误诊概率，提高诊断正确率。当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的基于深度学习的智能医疗辅助诊断系统的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本本文档来自技高网...

【技术保护点】
1.基于深度学习的智能医疗辅助诊断系统，其特征在于，包括：会诊室上位机、化验室上位机、阅片室上位机、抽血挂号机、血液化验检测仪以及CT仪器；所述会诊室上位机分别与化验室上位机、阅片室上位机无线通讯连接；所述化验室上位机与血液化验检测仪通讯连接；所述阅片室上位机与CT仪器通讯连接；所述抽血挂号机分别与语音播报器以及若干LED显示屏通讯连接；所述抽血挂号机将患者信息存储到挂号队列中并存储；所述抽血挂号机还与若干喊号按钮电性连接；当按下所述喊号按钮后，所述喊号按钮传递喊号信号至抽血挂号机；所述抽血挂号机获取挂号队列的队头序号并传递至语音播报器，所述语音播报器对所述队头序号喊号；所述抽血挂号机还传递挂号序列至所述血液化验检测仪；所述血液化验检测仪根据挂号序列依次对患者血液样本化验检测并获得化验检测数据；所述血液化验检测仪传递患者信息及其对应的化验检测数据至化验室上位机；所述化验室上位机包括数据预处理模块以及DNN预测模块；所述数据预处理模块对化验检测数据进行特征提取获取特征向量；所述数据预处理模块传递特征向量至所述DNN预测模块；所述DNN预测模块对比血检病例库中的DNN特征模型获取血检分析结果；所述化验室上位机传递患者信息及其对应的血检分析结果至会诊室上位机；所述CT仪器对患者进行扫描获取CT影像；所述CT仪器将患者信息及其对应的CT影像传递至阅片室上位机；所述阅片室上位机包括图像预处理模块以及U‑net模型分割模块；所述图像预处理模块对CT影像进行滤波预处理；所述U‑net模型分割模块采用U‑net模型对CT影像进行分割处理获取分割图；所述阅片室上位机传递患者信息及其对应的CT影像以及分割图至会诊室上位机；所述会诊室上位机包括辅助诊断模块；所述辅助诊断模块根据血检分析结果、CT影像及其分割图结合医学知识数据库分析患病概率。...

【技术特征摘要】
1.基于深度学习的智能医疗辅助诊断系统，其特征在于，包括：会诊室上位机、化验室上位机、阅片室上位机、抽血挂号机、血液化验检测仪以及CT仪器；所述会诊室上位机分别与化验室上位机、阅片室上位机无线通讯连接；所述化验室上位机与血液化验检测仪通讯连接；所述阅片室上位机与CT仪器通讯连接；所述抽血挂号机分别与语音播报器以及若干LED显示屏通讯连接；所述抽血挂号机将患者信息存储到挂号队列中并存储；所述抽血挂号机还与若干喊号按钮电性连接；当按下所述喊号按钮后，所述喊号按钮传递喊号信号至抽血挂号机；所述抽血挂号机获取挂号队列的队头序号并传递至语音播报器，所述语音播报器对所述队头序号喊号；所述抽血挂号机还传递挂号序列至所述血液化验检测仪；所述血液化验检测仪根据挂号序列依次对患者血液样本化验检测并获得化验检测数据；所述血液化验检测仪传递患者信息及其对应的化验检测数据至化验室上位机；所述化验室上位机包括数据预处理模块以及DNN预测模块；所述数据预处理模块对化验检测数据进行特征提取获取特征向量；所述数据预处理模块传递特征向量至所述DNN预测模块；所述DNN预测模块对比血检病例库中的DNN特征模型获取血检分析结果；所述化验室上位机传递患者信息及其对应的血检分析结果至会诊室上位机；所述CT仪器对患者进行扫描获取CT影像；所述CT仪器将患者信息及其对应的CT影像传递至阅片室上位机；所述阅片室上位机包括图像预处理模块...

【专利技术属性】
技术研发人员：赵兵，
申请(专利权)人：安徽国科新材科技有限公司，
类型：发明
国别省市：安徽,34