基于AI的影像科医疗影像辅助识别方法及系统技术方案

一种基于AI的影像科医疗影像辅助识别方法，包括如下步骤：S1、从服务器中提取历史训练样本数据，对历史训练样本数据进行时空关联性预处理，从而得到带有时间演进特征的训练样本数据集合；S2、通过带有时间演进特征的训练样本数据集合来训练网络识别模型；S3、通过网络识别模型对待预测医疗影像进行辅助识别，得到待预测医疗影像的辅助识别结果，并将辅助识别结果发送到终端进行展示。

AI based method and system of medical image aided recognition in imaging department

【技术实现步骤摘要】
基于AI的影像科医疗影像辅助识别方法及系统
本专利技术涉及智慧医疗
，特别涉及一种医疗影像辅助识别方法及系统。
技术介绍
影像是辅助医生诊断的工具，有数据显示，70％的临床诊断需要借助专业的医学影像。影像医生在人手紧张，同时又要面对大量复杂的影像情况下，难免漏诊误诊。据公开数据显示，中国每年的影像误诊人数约为5700万。此外，患者拍片常需排队预约。目前已有现有技术通过建立人体器官模型及深度神经网络技术，实现了病灶的高识别度。通常医生需要30分钟解读的片子，AI能在几秒之内识别。但是，目前医疗影像AI辅助识别系统中在进行深度神经网络算法识别时，在选择训练样本时，往往只关注了训练样本的数量，而对于训练样本的时间关联关注却并不够，使得很多疾病发病的成因、演变的识别率并不高。
技术实现思路
有鉴于此，本专利技术提供一种基于AI的影像科医疗影像辅助识别方法及系统。一种基于AI的影像科医疗影像辅助识别方法，包括如下步骤：S1、从服务器中提取历史训练样本数据，对历史训练样本数据进行时空关联性预处理，从而得到带有时间演进特征的训练样本数据集合；S2、通过带有时间演进特征的训练样本数据集合来训练网络识别模型；S3、通过网络识别模型对待预测医疗影像进行辅助识别，得到待预测医疗影像的辅助识别结果，并将辅助识别结果发送到终端进行展示。在本专利技术所述的基于AI的影像科医疗影像辅助识别方法中，所述步骤S1包括：S11、从服务器中提取历史训练样本数据，所述历史训练样本数据包括不同患者在不同时间节点所拍摄的医疗影像资料，并对医疗影像资料根据先验规则进行分割得到各功能区矩阵数据；S12、将各功能区矩阵数据进行时空关联性预处理得到带有时间维度的图像序列数据，所述图像序列数据即为带有时间演进特征的训练样本数据集合。在本专利技术所述的基于AI的影像科医疗影像辅助识别方法中，所述步骤S11中历史训练样本数据形式如下：P＝M×N×T；其中，每张图像大小为M×N，图像的时间维度为T，1≤m≤M，1≤n≤N，1≤t≤T，P(m,n,t)表示时间点为t的医疗影像图像在位置(m,n)处的灰度值；对医疗影像资料根据先验规则进行分割得到各功能区矩阵数据包括：根据先验规则设置功能区数量为k类；并设置k类功能区各自预设关联值；将矩阵P按照第一规则分割为多个第一子矩阵；通过分割函数计算第一子矩阵的关联值，通过第一子矩阵的关联值与k类功能区各自预设关联值的对比结果将第一子矩阵划分到各功能区得到第二子矩阵；所述分割函数如下：其中s为第一子矩阵数量，k为功能区类别数量，i＝1，2，...，s，j＝1，2，...，k，eij为关联程度值，其中l＝1，2，...，k，且l≠j，qi为第i个第一子矩阵值，cj为第j类功能区预设关联值；第二子矩阵形式如下：B＝(b1,b2,...bk)。所述步骤S2包括：对第二子矩阵进行时间序列拆分，并将时间序列通过向量表示：Q＝(ft1,ft2,...,ftL)，其中Q为时间向量，L为关键过渡时间点；将第二子矩阵改写为时间向量与因素表达向量的混合表达形式，具体为F＝QΓ，其中Γ为因素表达向量。在本专利技术所述的基于AI的影像科医疗影像辅助识别方法中，所述网络识别模型为深度神经网络结构模型。相对于现有技术，本专利技术提供的基于AI的影像科医疗影像辅助识别方法及系统，通过对历史训练样本数据进行时空关联性预处理，从而得到带有时间演进特征的训练样本数据集合，再进行网络识别模型的训练，能够使得待预测医疗影像能够更好地反映出疾病所处于的演变阶段，以及随着时间演进不同组织区域的演变具体情况信息。附图说明图1是本专利技术实施例提供的基于AI的影像科医疗影像辅助识别方法流程图。具体实施方式如图1所示，在本专利技术实施例中，一种基于AI的影像科医疗影像辅助识别方法，包括如下步骤：S1、从服务器中提取历史训练样本数据，对历史训练样本数据进行时空关联性预处理，从而得到带有时间演进特征的训练样本数据集合。在本实施例中，服务器可以为医疗机构用于存储医疗数据的服务器。历史训练样本数据为以往患者拍摄的医疗影像资料，比如CT图像。可选地，在对历史训练样本数据进行时空关联性预处理之前，先对历史训练样本数据进行冗余处理。对历史训练样本数据进行冗余处理主要目的是为了减少过于相似的图像，使得训练时能够产生一定的差异度。可选地，所述步骤S1包括：S11、从服务器中提取历史训练样本数据，所述历史训练样本数据包括不同患者在不同时间节点所拍摄的医疗影像资料，并对医疗影像资料根据先验规则进行分割得到各功能区矩阵数据。S12、将各功能区矩阵数据进行时空关联性预处理得到带有时间维度的图像序列数据，所述图像序列数据即为带有时间演进特征的训练样本数据集合。本优选实施例的意义如下：不同于现有技术中往往只对影像图片进行整体性的识别，本实施例通过先对对医疗影像资料根据先验规则进行分割得到各功能区矩阵数据，能够对图片进行区域分割，使得影像图片能够更好反应人体组织的不同区域的状况，比如是否发生病变，病变的程度如何，这种区域是更为精细化的反映体现。并且进一步地，将各功能区矩阵数据进行时空关联性预处理得到带有时间维度的图像序列数据，不但能够从整体上反映疾病的演进过程，并且单个区域本身的演进也能够得到体现，此外，不同功能区域之间的演进关联关系，也能够在一定程度上量化体现。可选地，所述步骤S11中历史训练样本数据形式如下：矩阵P＝M×N×T；其中，每张图像大小为M×N，图像的时间维度为T，1≤m≤M，1≤n≤N，1≤t≤T，其取值为自然数，P(m,n,t)表示时间点为t的医疗影像图像在位置(m,n)处的灰度值；此处位置是指医疗影像图像的像素位置。对医疗影像资料根据先验规则进行分割得到各功能区矩阵数据包括：根据先验规则设置功能区数量为k类；并设置k类功能区各自预设关联值；所述先验规则为根据医师的经验对医疗影像资料进行分割的基础。功能区用于代表医疗影像中不同区域，比如划分为正常组织区域、过渡阶段区域、病变组织区域，优选地，可以对过渡阶段区域进行再次划分。先验规则的设置，避免了在识别模型生成时，规则不统一，以及精确性不高的缺陷。过渡阶段区域可以代表建康组织发展到病变组织之前的组织形态。将矩阵P按照第一规则分割为多个第一子矩阵；通过分割函数计算第一子矩阵的关联值，通过第一子矩阵的关联值与k类功能区各自预设关联值的对比结果将第一子矩阵划分到各功能区得到第二子矩阵。所述分割函数如下：其中s为第一子矩阵数量，k为功能区类别数量，i＝1，2，...，s，j＝1，2，...，k，eij为关联程度值，其中l＝1，2，...，k，且l≠j，qi为第i个第一子矩阵值，cj为第j类功能区预设关联值，||·||用于表示矩阵的隶属度。在本实施例本文档来自技高网...

【技术保护点】
1.一种基于AI的影像科医疗影像辅助识别方法，其特征在于，包括如下步骤：/nS1、从服务器中提取历史训练样本数据，对历史训练样本数据进行时空关联性预处理，从而得到带有时间演进特征的训练样本数据集合；/nS2、通过带有时间演进特征的训练样本数据集合来训练网络识别模型；/nS3、通过网络识别模型对待预测医疗影像进行辅助识别，得到待预测医疗影像的辅助识别结果，并将辅助识别结果发送到终端进行展示。/n

【技术特征摘要】
1.一种基于AI的影像科医疗影像辅助识别方法，其特征在于，包括如下步骤：
S1、从服务器中提取历史训练样本数据，对历史训练样本数据进行时空关联性预处理，从而得到带有时间演进特征的训练样本数据集合；
S2、通过带有时间演进特征的训练样本数据集合来训练网络识别模型；
S3、通过网络识别模型对待预测医疗影像进行辅助识别，得到待预测医疗影像的辅助识别结果，并将辅助识别结果发送到终端进行展示。


2.如权利要求1所述的基于AI的影像科医疗影像辅助识别方法，其特征在于，
所述步骤S1包括：
S11、从服务器中提取历史训练样本数据，所述历史训练样本数据包括不同患者在不同时间节点所拍摄的医疗影像资料，并对医疗影像资料根据先验规则进行分割得到各功能区矩阵数据；
S2、将各功能区矩阵数据进行时空关联性预处理得到带有时间维度的图像序列数据，所述图像序列数据即为带有时间演进特征的训练样本数据集合。


3.如权利要求2所述的基于AI的影像科医疗影像辅助识别方法，其特征在于，
所述步骤S11中历史训练样本数据形式如下：
P＝M×N×T；其中，每张图像大小为M×N，图像的时间维度为T，1≤m≤M，1≤n≤N，1≤t≤T，P(m,n,t)表示时间点为t的医疗影像图像在位置(m,n)处的灰度值；

【专利技术属性】
技术研发人员：覃士忠，
申请(专利权)人：覃士忠，
类型：发明
国别省市：湖北;42