人工智能医学图像自动诊断系统和方法技术方案

本公开实施例提供一种人工智能医学图像自动诊断系统和方法，其采集医学显微镜图像和对应的诊断数据，对医学显微镜图像进行标注得到医学显微镜图像对应的标注数据，基于医学显微镜图像对应的诊断数据和标注数据构建训练集和测试集，并基于深度学习模型训练得到最优AI分类模型和最优AI语义分割模型，实现检测样本的医学显微镜图像的自动诊断。本公开实施例可以有效节省人力资源，缩短诊断时间，提高诊断准确率。

Artificial intelligence medical image automatic diagnosis system and method

【技术实现步骤摘要】
人工智能医学图像自动诊断系统和方法
本公开涉及医学图像处理
，具体而言，涉及一种人工智能医学图像自动诊断系统和方法。
技术介绍
女性生殖道感染是女性妇科常见疾病,也是全球性的社会及公共卫生问题。细菌性阴道炎(BV)是女性生殖道感染中最常见的疾病。在正常阴道菌群中，乳酸杆菌占优势。乳酸杆菌为革兰阳性大杆菌，微需氧，但在厌氧环境下生长更好。宿主和菌群之间及菌群与菌群之间保持着一种协调、平衡的状态。如果在女性阴道内的乳酸杆菌大量减少，同时加德纳菌、类杆菌或弯曲小杆菌大量生长的话就容易形成细菌性阴道炎。临床上，可以根据女性阴道内乳酸杆菌、加德纳菌、类杆菌和弯曲小杆菌的分布密度来诊断病人是否患有细菌性阴道炎。在医学技术上，可以通过革兰氏染色法来得到阴道分泌物的显微镜图像，通过对图像中细菌的形态和数量进行观察就可以得出女性阴道内各种细菌的分布情况，从而可以诊断出病人是否患有细菌性阴道炎。在临床诊断的进程中涉及到大量显微镜图像的观察、处理和判断，该过程需要大量的人力资源，且对医务人员的专业知识和临床经验有着很高的要求。因此，现阶段相关的检验技术人员十分匮乏。随着人工智能(AI)技术的发展，现有的AI技术在自然图像的处理领域，如图像的分类、识别和目标检测等方面取得了显著的进步。在此基础上，研究人员开始探索AI技术在医学图像处理和辅助诊断领域的应用，并在某些方面取得了一定的进展，例如对于病理图像、CT图像以及眼底图像的诊断方面，应用AI和机器学习技术的诊断水平已经可以达到较高的水平。但是，在医学图像诊断中，医学图像处理的病种数量非常庞大，并且各病种之间的差异度也很大，对于大多数的病种而言，仍然处于人工诊断的程度。尤其是，对于上述妇科常见疾病的妇科微生态显微镜图像的诊断目前还只能进行人工的诊断，并没有相关的智能诊断技术能够辅助进行诊断，这种人工的诊断需要对从病人身体中采集检测样本，通过对样本的显微镜图像进行观察分析，并借助检验人员的医学经验作出诊断结论，这种过程需要消耗大量的人力资源，诊断效率低下，并且诊断准确率也相对低下。
技术实现思路
本公开提供一种人工智能医学图像自动诊断系统和方法，为了实现医学显微镜图像的自动诊断，节省人力资源，缩短疾病的诊断时间，提高诊断准确率。根据本公开的第一方面，提供一种人工智能医学图像自动诊断系统，包括：数据采集模块，用于采集医学图像和对应的诊断数据，并对该医学图像和诊断数据进行统一降噪和图像增强处理，其中，该医学图像包括医学显微镜图像；数据标注模块，用于对该医学图像中的致病微生物所在的图像区域进行标注，形成该医学图像对应的标注数据；模型训练模块，用于基于深度学习模型，利用从该医学图像和对应的诊断数据构建的训练集训练得到AI分类模型，利用从该医学图像和对应的标注数据构建的训练集训练得到AI语义分割模型；模型优化模块，用于利用从该医学图像和对应的诊断数据构建的测试集对该AI分类模型进行优化，利用从该医学图像和对应的标注数据构建的测试集对该AI语义分割模型进行优化，从而使得该模型训练模块训练得到最优AI分类模型和最优AI语义分割模型；模型部署模块，用于对该最优AI分类模型和最优AI语义分割模型进行应用布署，该最优AI分类模型和最优AI语义分割模型用于提供检测标本的医学显微镜图像的自动诊断。根据本公开的优选实施方式，该模型部署模块对该最优AI分类模型和最优AI语义分割模型进行应用布署包括：将该最优AI分类模型和最优AI语义分割模型部署到服务器；该系统还包括线上诊断平台，该线上诊断平台包括客户端和该服务器；该服务器用于接收该客户端发送的检测标本的医学显微镜图像，并输出该医学显微镜图像的自动诊断结果。根据本公开的优选实施方式，该模型部署模块对该最优AI分类模型和最优AI语义分割模型进行应用布署包括：将该最优AI分类模型和最优AI语义分割模型部署到嵌入式芯片；该系统还包括嵌入式诊断平台，该嵌入式诊断平台包括安装有该嵌入式芯片的显微镜；该显微镜用于获得检测标本的医学显微镜图像，并经由该嵌入式芯片的处理输出该医学显微镜图像的自动诊断结果。根据本公开的优选实施方式，该医学显微镜图像包括妇科微生态显微镜图像。根据本公开的优选实施方式，该深度学习模型包括卷积神经网络模型。根据本公开的优选实施方式，该模型优化模块对该AI分类模型和AI语义分割模型进行优化包括：通过调节该AI分类模型和AI语义分割模型的预测概率阈值来选择倾向高敏感性或者倾向高特异性。根据本公开的优选实施方式，所述诊断结果包括细菌性阴道炎的诊断。根据本公开的优选实施方式，所述AI分类模型包括第一分类模型和第二分类模型，所述第一分类模型用于根据检测标本的医学显微镜图像输出第一诊断结果，所述第二分类模型用于根据检测标本的医学显微镜图像输出第二诊断结果。根据本公开的优选实施方式，所述卷积神经网络模型基于交叉熵计算损失函数，损失函数的公式如下：其中，m表示类别数量，n表示模型的批尺寸；表示标签的独热编码向量；表示具有表征每个类别的预测结果概率的元素的向量，xj为输入数据，θ为可更新的变量。根据本公开的第二方面，提供一种人工智能医学图像自动诊断方法，包括：采集医学图像和对应的诊断数据，并对所述医学图像和诊断数据进行统一降噪和图像增强处理，其中，所述医学图像包括医学显微镜图像；对所述医学图像中的致病微生物所在的图像区域进行标注，形成所述医学图像对应的标注数据；基于深度学习模型，利用从所述医学图像和对应的诊断数据构建的训练集训练得到AI分类模型，利用从所述医学图像和对应的标注数据构建的训练集训练得到AI语义分割模型；利用从所述医学图像和对应的诊断数据构建的测试集对所述AI分类模型进行优化，利用从所述医学图像和对应的标注数据构建的测试集对所述AI语义分割模型进行优化，从而训练得到最优AI分类模型和最优AI语义分割模型；对所述最优AI分类模型和最优AI语义分割模型进行应用布署，所述最优AI分类模型和最优AI语义分割模型用于提供检测标本的医学显微镜图像的自动诊断。根据本公开的优选实施方式，所述对所述最优AI分类模型和最优AI语义分割模型进行应用布署包括：将所述最优AI分类模型和最优AI语义分割模型部署到服务器；所述服务器用于接收客户端发送的检测标本的医学显微镜图像，并输出所述医学显微镜图像的自动诊断结果。根据本公开的优选实施方式，所述对所述最优AI分类模型和最优AI语义分割模型进行应用布署包括：将所述最优AI分类模型和最优AI语义分割模型部署到嵌入式芯片；所述嵌入式芯片安装于显微镜，所述显微镜用于获得检测标本的医学显微镜图像，并经由所述嵌入式芯片的处理输出所述医学显微镜图像的自动诊断结果。根据本公开的优选实施方式，所述医学显微镜图像包括妇科微生态显微镜图像。根据本公开的优选实施方式，所述深度学习模型包括卷积神经网络模型。根据本公开的本文档来自技高网...

【技术保护点】
1.一种人工智能医学图像自动诊断系统，其特征在于，包括：/n数据采集模块，用于采集医学图像和对应的诊断数据，并对所述医学图像和诊断数据进行统一降噪和图像增强处理，其中，所述医学图像包括医学显微镜图像；/n数据标注模块，用于对所述医学图像中的致病微生物所在的图像区域进行标注，形成所述医学图像对应的标注数据；/n模型训练模块，用于深度学习模型，利用从所述医学图像和对应的诊断数据构建的训练集训练得到AI分类模型，利用从所述医学图像和对应的标注数据构建的训练集训练得到AI语义分割模型；/n模型优化模块，用于利用从所述医学图像和对应的诊断数据构建的测试集对所述AI分类模型进行优化，利用从所述医学图像和对应的标注数据构建的测试集对所述AI语义分割模型进行优化，从而使得所述模型训练模块训练得到最优AI分类模型和最优AI语义分割模型；/n模型部署模块，用于对所述最优AI分类模型和最优AI语义分割模型进行应用布署，所述最优AI分类模型和最优AI语义分割模型用于提供检测标本的医学显微镜图像的自动诊断。/n

【技术特征摘要】
1.一种人工智能医学图像自动诊断系统，其特征在于，包括：
数据采集模块，用于采集医学图像和对应的诊断数据，并对所述医学图像和诊断数据进行统一降噪和图像增强处理，其中，所述医学图像包括医学显微镜图像；
数据标注模块，用于对所述医学图像中的致病微生物所在的图像区域进行标注，形成所述医学图像对应的标注数据；
模型训练模块，用于深度学习模型，利用从所述医学图像和对应的诊断数据构建的训练集训练得到AI分类模型，利用从所述医学图像和对应的标注数据构建的训练集训练得到AI语义分割模型；
模型优化模块，用于利用从所述医学图像和对应的诊断数据构建的测试集对所述AI分类模型进行优化，利用从所述医学图像和对应的标注数据构建的测试集对所述AI语义分割模型进行优化，从而使得所述模型训练模块训练得到最优AI分类模型和最优AI语义分割模型；
模型部署模块，用于对所述最优AI分类模型和最优AI语义分割模型进行应用布署，所述最优AI分类模型和最优AI语义分割模型用于提供检测标本的医学显微镜图像的自动诊断。


2.根据权利要求1所述的人工智能医学图像自动诊断系统，其特征在于，所述模型部署模块对所述最优AI分类模型和最优AI语义分割模型进行应用布署包括：将所述最优AI分类模型和最优AI语义分割模型部署到服务器；
所述系统还包括线上诊断平台，所述线上诊断平台包括客户端和所述服务器；
所述服务器用于接收所述客户端发送的检测标本的医学显微镜图像，并输出所述医学显微镜图像的自动诊断结果。


3.根据权利要求1所述的人工智能医学图像自动诊断系统，其特征在于，所述模型部署模块对所述最优AI分类模型和最优AI语义分割模型进行应用布署包括：将所述最优AI分类模型和最优AI语义分割模型部署到嵌入式芯片；
所述系统还包括嵌入式诊断平台，所述嵌入式诊断平台包括安装有所述嵌入式芯片的显微镜；
所述显微镜用于获得检测标本的医学显微镜图像，并经由所述嵌入式芯片的处理输出所述医学显微镜图像的自动诊断结果。


4.根据权利要求2或3所述的人工智能医学图像自动诊断系统，其特征在于，所述医学显微镜图像包括妇科微生态显微镜图像。


5.根据权利要求1所述的人工智能医学图像自动诊断系统，其特征在于，所述深度学习模型包括卷积神经网络模型。


6.根据权利要求5所述的人工智能医学图像自动诊断系统，其特征在于，所述模型优化模块对所述AI分类模型和AI语义分割模型进行优化包括：通过调节所述AI分类模型和AI语义分割模型的预测概率阈值来选择倾向高敏感性或者倾向高特异性。


7.根据权利要求4所述的人工智能医学图像自动诊断系统，其特征在于，所述诊断结果包括细菌性阴道炎的诊断。


8.根据权利要求7所述的人工智能医学图像自动诊断系统，其特征在于，所述AI分类模型包括第一分类模型和第二分类模型，所述第一分类模型用于根据检测标本的医学显微镜图像输出第一诊断结果，所述第二分类模型用于根据检测标本的医学显微镜图像输出第二诊断结果。


9.根据权利要求5所述的人工智能医学图像自动诊断系统，其特征在于，所述卷积神经网络模型基于交叉熵计算损失函数，损失函数的公式如下：



其中，m表示类别数量，n表示...

【专利技术属性】
技术研发人员：王仲霄，武玮，
申请(专利权)人：南京图灵微生物科技有限公司，
类型：发明
国别省市：江苏;32