人工智能的深度学习方法及基于人工智能的医学放射影像胸部摄片的质量控制方法技术

本发明专利技术公开了一种人工智能的深度学习方法及基于人工智能的医学放射影像胸部摄片的质量控制方法，该质控方法，在以往连续卷积池化运算的基础上，增设了将最后一次卷积池化运算的结果与上一级的卷积池化运算结果进行拼接卷积后，再与上一级的卷积池化运算结果进行二次的拼接卷积，直至将第一次卷积池化运算的结果进行拼接卷积，最终完成数据的处理，通过上述学习方法的优化，其不仅具备以往连续卷积池化的优点，而且通过逐级的拼接卷积，可将之前连续卷积池化过程中的遗漏数据进行再次处理，最后达到深度学习的目的。

Artificial Intelligence-based Deep Learning Method and Quality Control Method of Chest Radiography Based on Artificial Intelligence

【技术实现步骤摘要】
人工智能的深度学习方法及基于人工智能的医学放射影像胸部摄片的质量控制方法
本专利技术公开涉及人工智能的
，尤其涉及一种人工智能的深度学习方法及基于人工智能的医学放射影像胸部摄片的质量控制方法。
技术介绍
胸片就是胸部的χ片，在胸片拍摄时，受检者取站立位，一般在平静吸气下摒气投照。心血管的常规胸片检查包括：后前正位(焦-片距离200cm)、左前斜位(60°～65°)、右前斜位(45°～55°)和左侧位照片。正位胸片能显示出心脏大血管的大小、形态、位置和轮廓，能观察心脏与毗邻器官的关系和肺内血管的变化，可用于心脏及其径线的测量。左前斜位片显示主动脉的全貌和左右心室及右心房增大的情况。右前斜位片有助于观察左心房增大、肺动脉段突出和右心室漏斗部增大的变化。左侧位片能观察心、胸的前后径和胸廓畸形等情况，对主动脉瘤与纵隔肿物的鉴别及定位尤为重要。由于胸片是作为医生进行疾病诊断的重要依据，因此，每次拍摄后的胸片必须进行人工质控，质控人员依据医学业务规则以及对于胸片的肉眼观察，确定该胸片是否为合格胸片。现有的人工质控方法，虽然可以实现胸片摄片的质量控制，但是人工鉴定效率低，而且不同的质控人员对于标准的理解差异较大，导致质控标准不统一，影响质控的可靠性。随着人工智能的快速发展，是否可以通过人工智能实现胸片摄片的质控，以解决人工质控存在的效率低、标准不统一的问题，成为人们亟待解决的问题。
技术实现思路
鉴于此，本专利技术公开了一种人工智能的深度学习方法及基于人工智能的医学放射影像胸部摄片的质量控制方法，以至少解决人工质控存在的效率低、标准不统一等问题。本专利技术一方面提供了一种人工智能的深度学习方法，该方法包括如下步骤：1)将输入的学习数据进行M次卷积池化运算，其中，每次卷积池化运算均是基于上一次卷积池化运算获得的数据进行的；2)对第M次卷积池化运算获得的数据进行上采样，获得采样数据；3)将第M-1次卷积池化运算获得的数据进行注意力权重计算，并使用获得的权重处理第M次卷积池化操作对应的上采样结果，获得处理后数据；4)将所述的处理后数据与所述的上采样数据进行拼接卷积运算后，再次上采样，获得采样数据；5)将第M-2次卷积池化运算获得的数据进行注意力权重计算，并使用获得的权重处理第M-1次卷积池化操作对应的上采样结果，获得处理后数据；6)重复步骤4)、5)，每重复一次M减1，直至将第1次卷积池化运算获得的数据进行注意力权重计算，并使用获得权重对最后一次的上采样数据进行处理，将处理后的数据与采样数据进行拼接卷积运算，获得最终的数据，进行步骤7)；7)依据步骤6)中获得的最终数据，采用Adam优化器，对上述各步骤中的参数进行调整；8)重复步骤1)～步骤7)，直至每个步骤中的参数值都调整在适当的范围内，模型满足了学习要求，完成学习；其中，M为大于等于2的自然数。优选，所述输入的学习数据为矩阵。进一步优选，所述上采样的方法为：将卷积池化运算获得的数据通过反卷积进行维度扩增，获得扩增后数据即为上采样数据。本专利技术另一方面提供了一种基于人工智能的医学放射影像胸部摄片的质量控制方法，该质控方法包括如下步骤：启动人工智能模型进行胸片的深度学习，直至学习完成；提取已拍摄胸片中的图像数据，并对提取的图像数据进行预处理，获得处理后数据；将所述处理后的数据由人工智能模型进行鉴定，获得鉴定结果；根据医学业务规则和所述鉴定结果，输出所述已拍摄胸片的质控鉴定。优选，所述启动人工智能模型进行胸片的深度学习，直至学习完成的具体方法为：1)将胸片图像矩阵、对应的掩码矩阵作为学习数据，将所述学习数据进行M次卷积池化运算，其中，每次卷积池化运算均是基于上一次卷积池化运算获得的数据矩阵进行的；2)对第M次卷积池化运算获得的数据矩阵进行上采样，获得采样数据矩阵；3)将第M-1次卷积池化运算获得的数据矩阵进行注意力权重计算，并使用获得的权重处理第M次卷积池化操作对应的上采样数据矩阵，获得处理后数据矩阵；4)将所述的处理后数据与所述的上采样数据矩阵进行拼接卷积运算后，再次上采样，获得采样数据矩阵；5)将第M-2次卷积池化运算获得的数据矩阵进行注意力权重计算，并使用获得的权重处理第M-1次卷积池化操作对应的上采样数据矩阵，获得处理后数据矩阵；6)重复步骤4)、5)，每重复一次M减1，直至将第1次卷积池化运算获得的数据矩阵进行注意力权重计算，并使用获得权重对最后一次的上采样数据矩阵进行处理，将处理后的数据矩阵与上采样数据矩阵进行拼接卷积运算，获得最终的数据矩阵，进行步骤7)；7)依据步骤6)中获得的最终数据，采用Adam优化器，对模型各层中的参数进行调整；8)重复步骤1)～步骤7)，直至模型每层中的参数值都调整在适当的范围内，模型满足学习要求，完成学习；其中，M为大于等于2的自然数。进一步优选，步骤3)以及步骤5)中所述注意力权重所用公式具体为：wi＝∑r∈m,c∈nvr,c/(m*n),i∈channel(1)；W＝[wi],i∈channel(2)；W＝softmax(W)(3)；其中，channel是输入通道，i是输入通道的索引，m是矩阵的行数，n是矩阵的列数，r是矩阵行的索引，c是矩阵列的索引。进一步优选，所述作为学习数据的胸片图像矩阵以及对应的掩码矩阵包括：合格胸片以及不合格胸片。进一步优选，所述对提取的图像数据进行预处理包括：图像缩放、降噪以及张量化。进一步优选，所述人工智能模型包括：胸椎模型、两肋肺尖模型、锁骨模型、肩软组织模型、肩胛骨模型、心肺比模型以及心影后肋骨模型中的一种或多种。本专利技术提供的人工智能的深度学习方法，该学习方法在以往连续卷积池化运算的基础上，增设了将最后一次卷积池化运算的结果与上一级的卷积池化运算的结果进行拼接卷积，然后再与上一级的卷积池化运算的结果进行再次的拼接卷积，直至将第一次卷积池化运算的结果进行拼接卷积，最终完成数据的处理，通过上述学习方法的优化，其不仅具备以往连续卷积池化优点，而且通过逐级的拼接卷积，可将之前连续卷积池化的遗漏数据进行再次处理，最后达到深度学习的目的。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术的公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本专利技术公开实施例提供的一种人工智能模型系统的模块示意图；图2为本专利技术公开实施例中输入的胸片原图；图3为肩上3-5cm质控指标不合格的示意图；图4为锁骨平齐质控指标不合格的示意图；图5为胸椎居中质控指标不合格的示意图；图6为肺尖可见质控指标不合格的示意图；图7为两侧肋骨外缘可见质控指标不合格的示意图。具体实施方式下面以具体的实施例对本专利技术进行进一步的解释说明，但是并不用于限制本专利技术的保护范围。鉴于现有技术中的人工质控存在效率低、标准不统一等问题，本实施例提供了一种基于人工智能的医学放射影像胸部摄片的质量控制方法，该质控方法主要通过具有人工智能模型的系统本文档来自技高网...

【技术保护点】
1.一种人工智能的深度学习方法，其特征在于，包括如下步骤：1)将输入的学习数据进行M次卷积池化运算，其中，每次卷积池化运算均是基于上一次卷积池化运算获得的数据进行的；2)对第M次卷积池化运算获得的数据进行上采样，获得采样数据；3)将第M‑1次卷积池化运算获得的数据进行注意力权重计算，并使用获得的权重处理第M次卷积池化操作对应的上采样结果，获得处理后数据；4)将所述处理后数据与所述上采样数据进行拼接卷积运算后，再次上采样，获得采样数据；5)将第M‑2次卷积池化运算获得的数据进行注意力权重计算，并使用获得的权重处理第M‑1次卷积池化操作对应的上采样结果，获得处理后数据；6)重复步骤4)、5)，每重复一次M减1，直至将第1次卷积池化运算获得的数据进行注意力权重计算，并使用获得权重对最后一次的上采样数据进行处理，将处理后的数据与采样数据进行拼接卷积运算，获得最终的数据，进行步骤7)；7)依据步骤6)中获得的最终数据，采用Adam优化器，对上述各步骤中的参数进行调整；8)重复步骤1)～步骤7)，直至每个步骤中的参数值都调整在适当的范围内，满足学习要求，完成学习；其中，M为大于等于2的自然数。

【技术特征摘要】
1.一种人工智能的深度学习方法，其特征在于，包括如下步骤：1)将输入的学习数据进行M次卷积池化运算，其中，每次卷积池化运算均是基于上一次卷积池化运算获得的数据进行的；2)对第M次卷积池化运算获得的数据进行上采样，获得采样数据；3)将第M-1次卷积池化运算获得的数据进行注意力权重计算，并使用获得的权重处理第M次卷积池化操作对应的上采样结果，获得处理后数据；4)将所述处理后数据与所述上采样数据进行拼接卷积运算后，再次上采样，获得采样数据；5)将第M-2次卷积池化运算获得的数据进行注意力权重计算，并使用获得的权重处理第M-1次卷积池化操作对应的上采样结果，获得处理后数据；6)重复步骤4)、5)，每重复一次M减1，直至将第1次卷积池化运算获得的数据进行注意力权重计算，并使用获得权重对最后一次的上采样数据进行处理，将处理后的数据与采样数据进行拼接卷积运算，获得最终的数据，进行步骤7)；7)依据步骤6)中获得的最终数据，采用Adam优化器，对上述各步骤中的参数进行调整；8)重复步骤1)～步骤7)，直至每个步骤中的参数值都调整在适当的范围内，满足学习要求，完成学习；其中，M为大于等于2的自然数。2.根据权利要求1所述人工智能的深度学习方法，其特征在于，步骤3)以及步骤5)中所述注意力权重所用公式具体为：wi＝∑r∈m,c∈nvr,c/(m*n),i∈channel(1)；W＝[wi],i∈channel(2)；W＝softmax(W)(3)；其中，channel是输入通道，i是输入通道的索引，m是矩阵的行数，n是矩阵的列数，r是矩阵行的索引，c是矩阵列的索引。3.根据权利要求1所述人工智能的深度学习方法，其特征在于，所述输入的学习数据为矩阵。4.根据权利要求1所述人工智能的深度学习方法，其特征在于，所述上采样的方法为：将卷积池化运算获得的数据通过反卷积进行维度扩增，获得扩增后数据即为上采样数据。5.一种基于人工智能的医学放射影像胸部摄片的质量控制方法，其特征在于，包括如下步骤：启动人工智能模型进行胸片的深度学习，直至学习完成；提取已拍摄胸片中的图像数据，并对提取的图像数据进行预处理，获得处理后数据；将所述处理后的数据由人工智能模型进行鉴定，获得鉴定结果；根据医学业务规则和所述鉴定结果，输出所述已拍摄胸片的质控鉴定。6.根据权利要求5所述基于人工智能的医学放射影像胸部摄片的质量控制方法，其特征在于，所述启动人工...

【专利技术属性】
技术研发人员：刘景鑫，王静石，莫展豪，张宇，田中生，张忠，祖莅惠，史申，刘婉华，肖长斌，
申请(专利权)人：辽宁万象联合医疗科技有限公司，
类型：发明
国别省市：辽宁,21