肝包虫超声AI辅助诊断方法及系统技术方案

本发明专利技术公开了一种肝包虫超声AI辅助诊断方法，包括以下步骤：S1、标注训练并验证AI辅助诊断模型；S2、获取肝包虫超声影像；S3、图像预处理；S4、诊断，将经过预处理的图像数据，输入AI辅助诊断模型，AI辅助诊断模型通过GPU加速模型或CPU兼容模型，完成诊断，若检测到疑似病灶，则输出预测数据，否则，预测数据为空；S5、输出诊断，将获得的预测数据进行后处理，然后叠加显示在肝包虫超声影像图像上，并展示出肝包虫疑似病灶的评价得分与轮廓。本发明专利技术提供的方法及系统，可识别出肝包虫超声图像中是否存在疑似肝包虫病灶，同时精确标识、显示病灶区域，并对疑似病灶进行评分，从而协助医生进行肝包虫的筛查工作，提高了诊断效率和准确率。

【技术实现步骤摘要】
肝包虫超声AI辅助诊断方法及系统
本专利技术涉及一种肝包虫诊断技术，尤其涉及一种肝包虫超声AI辅助诊断方法及系统。
技术介绍
肝包虫是牧区较常见的寄生虫，在中国主要流行于畜牧业发达的新疆、青海、宁夏、甘肃、内蒙和西藏等省区。现有肝包虫病可以通过超声波检查的方式来进行检查，但由于多发于医疗卫生资源欠发达的边远地区，缺乏足够的影像医生对超声波图像进行诊断。基于深度学习的图像检测，在当前广泛应用于影像辅助诊断当中，通过输入医学影像数据，输出AI辅助诊断结果。但是当前缺乏针对肝包虫超声图像的检查系统。
技术实现思路
本专利技术的目的是提供一种肝包虫超声AI辅助诊断方法及系统，可识别出肝包虫超声图像中是否存在疑似肝包虫病灶，同时精确标识、显示病灶区域，并对疑似病灶进行评分，从而协助医生进行肝包虫的筛查工作，提高了诊断效率和准确率。为实现上述目的，本专利技术提供了一种肝包虫超声AI辅助诊断方法，包括以下步骤：S1、标注训练并验证AI辅助诊断模型；S2、获取肝包虫超声影像；S3、图像预处理，将肝包虫超声影像统一成分辨率为512*512的图像；S4、诊断，将经过预处理的图像数据，输入AI辅助诊断模型，AI辅助诊断模型通过GPU加速模型或CPU兼容模型，完成诊断，若检测到疑似病灶，则输出预测数据，否则，预测数据为空；S5、输出诊断，将AI辅助诊断模型获得的预测数据进行后处理，然后叠加显示在肝包虫超声影像图像上，并展示出肝包虫疑似病灶的评价得分与轮廓。优选的，步骤S1的具体步骤包括：S11、标注训练通过标注模块，根据轮廓对肝包虫超声影像数据进行标注，使标注轮廓贴合于病灶，其中，对于多发性病灶，独立标识每个病灶；S12、验证基于肝包虫超声影像数据、轮廓标注数据与GPU计算资源，根据开发环境调试优化训练参数与评价标准，测试AI辅助诊断模型，直至测试的平均识别准确率达到95％以上，认定模型训练已经完成。优选的，所述预测数据包括预测区域得分和预测区域轮廓掩码。一种基于上述肝包虫超声AI辅助诊断方法的辅助诊断系统，包括：标注模块，用于训练并验证AI辅助诊断模型；图像输入模块，用于调用存储在系统中的肝包虫超声影像数据或者远程传输肝包虫超声影像数据；图像预处理模块，用于将肝包虫超声影像统一成分辨率为512*512的图像；诊断模块，用于将预处理的肝包虫超声影像输入AI辅助诊断模型后得到疑似病灶预测数据；诊断输出模块，用于将疑似病灶预测数据后处理后，叠加显示在肝包虫超声影像图像上，并展示出肝包虫疑似病灶的评价得分与轮廓。优选的，所述AI辅助诊断模型为Mask-RCNN深度神经网络。本专利技术提供的方法及系统，可识别出肝包虫超声图像中是否存在疑似肝包虫病灶，同时精确标识、显示病灶区域，并对疑似病灶进行评分，从而协助医生进行肝包虫的筛查工作，提高了诊断效率和准确率。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明图1为本专利技术的实施例一种肝包虫超声AI辅助诊断系统的原理框图；图2为本专利技术的实施例一种肝包虫超声AI辅助诊断方法及系统的效果图。具体实施方式以下将结合附图对本专利技术作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围并不限于本实施例。图1为本专利技术的实施例一种肝包虫超声AI辅助诊断系统的原理框图；图2为本专利技术的实施例一种肝包虫超声AI辅助诊断方法及系统的效果图，如图1和图2所示，本专利技术的结构，包括以下步骤：S1、标注训练并验证AI辅助诊断模型；步骤S1的具体步骤包括：S11、标注训练通过标注模块，根据轮廓对肝包虫超声影像数据进行标注，使标注轮廓贴合于病灶，其中，对于多发性病灶，独立标识每个病灶；S12、验证基于肝包虫超声影像数据、轮廓标注数据与GPU计算资源，根据开发环境调试优化训练参数与评价标准，测试AI辅助诊断模型，直至测试的平均识别准确率达到95％以上，认定模型训练已经完成，即可应用于诊断模型模块。S2、获取肝包虫超声影像；S3、图像预处理，将肝包虫超声影像统一成分辨率为512*512的图像；S4、诊断，将经过预处理的图像数据，输入AI辅助诊断模型，AI辅助诊断模型通过GPU加速模型或CPU兼容模型，完成诊断，若检测到疑似病灶，则输出预测数据，否则，预测数据为空；所述预测数据包括预测区域得分和预测区域轮廓掩码。S5、输出诊断，将AI辅助诊断模型获得的预测数据进行后处理，然后叠加显示在肝包虫超声影像图像上，并展示出肝包虫疑似病灶的评价得分与轮廓。一种基于上述肝包虫超声AI辅助诊断方法的辅助诊断系统，包括：标注模块，用于训练并验证AI辅助诊断模型；图像输入模块，用于调用存储在系统中的肝包虫超声影像数据或者远程传输肝包虫超声影像数据；具体的，从系统文件系统中，选择存储超声影像数据的目录，来将输入图像录入系统。或者，通过网络协议，实现影像数据远程传输。图像预处理模块，用于将肝包虫超声影像统一成分辨率为512*512的图像；诊断模块，用于将预处理的肝包虫超声影像输入AI辅助诊断模型后得到疑似病灶预测数据；诊断输出模块，用于将疑似病灶预测数据后处理后，叠加显示在肝包虫超声影像图像上，并展示出肝包虫疑似病灶的评价得分与轮廓。需要说明的是本专利技术的软件界面主要由图像输入与图像展示两部分组成，并通过图像输入部分的“路径选择”导向虚拟键将超声波检查图像录入系统，然后点击“开始检测”导向虚拟键，系统开始智能诊断，检查识别出输入图像中是否存在疑似肝包虫病灶并精确标识出病灶区域，同时对疑似病灶进行评分，而后在图像展示部分显示。优选的，所述AI辅助诊断模型为Mask-RCNN深度神经网络，在目标检测的同时，实现了目标的像素级实例分割。本专利技术提供的方法及系统，可识别出肝包虫超声图像中是否存在疑似肝包虫病灶，同时精确标识、显示病灶区域，并对疑似病灶进行评分，从而协助医生进行肝包虫的筛查工作，提高了诊断效率和准确率。最后应说明的是：以上实施例仅用以说明本专利技术的技术方案而非对其进行限制，尽管参照较佳实施例对本专利技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本专利技术的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本专利技术技术方案的精神和范围。本文档来自技高网...

【技术保护点】
1.一种肝包虫超声AI辅助诊断方法，其特征在于：包括以下步骤：/nS1、标注训练并验证AI辅助诊断模型；/nS2、获取肝包虫超声影像；/nS3、图像预处理，将肝包虫超声影像统一成分辨率为512*512的图像；/nS4、诊断，将经过预处理的图像数据，输入AI辅助诊断模型，AI辅助诊断模型通过GPU加速模型或CPU兼容模型，完成诊断，若检测到疑似病灶，则输出预测数据，否则，预测数据为空；/nS5、输出诊断，将AI辅助诊断模型获得的预测数据进行后处理，然后叠加显示在肝包虫超声影像图像上，并展示出肝包虫疑似病灶的评价得分与轮廓。/n

【技术特征摘要】
1.一种肝包虫超声AI辅助诊断方法，其特征在于：包括以下步骤：
S1、标注训练并验证AI辅助诊断模型；
S2、获取肝包虫超声影像；
S3、图像预处理，将肝包虫超声影像统一成分辨率为512*512的图像；
S4、诊断，将经过预处理的图像数据，输入AI辅助诊断模型，AI辅助诊断模型通过GPU加速模型或CPU兼容模型，完成诊断，若检测到疑似病灶，则输出预测数据，否则，预测数据为空；
S5、输出诊断，将AI辅助诊断模型获得的预测数据进行后处理，然后叠加显示在肝包虫超声影像图像上，并展示出肝包虫疑似病灶的评价得分与轮廓。


2.根据权利要求1所述的一种肝包虫超声AI辅助诊断方法，其特征在于：步骤S1的具体步骤包括：
S11、标注训练
通过标注模块，根据轮廓对肝包虫超声影像数据进行标注，使标注轮廓贴合于病灶，其中，对于多发性病灶，独立标识每个病灶；
S12、验证
基于肝包虫超声影像数据、轮廓标注数据与GPU计算资源，根据开发环境调试优化训练参数与评价标准，测试...

【专利技术属性】
技术研发人员：石岩，胡飞，王方，崔波，
申请(专利权)人：北京青燕祥云科技有限公司，
类型：发明
国别省市：北京;11