基于医学影像的人工智能诊断辅助方法技术

本发明专利技术公开了基于医学影像的人工智能诊断辅助方法，包括以下步骤：获取目标可疑患者的医学影像，从所述医学影像中提取出目标图像区域；通过使用函数模板对步骤S1中的目标图像区域进行高度概括，然后使用函数对高度概括后的目标图像区域进行滑动窗口匹配，当匹配度满足要求时则匹配成功，获得目标匹配图像。本发明专利技术通过构建病灶诊断深度学习框架，针对医学影像扫描特性，采用三维卷积神经网络，建立医学影像人工智能模型，可实现病灶的快速定位和分割；从而避免了人工诊断的强烈主观意识，以及判断时容易出现的人工失误。

【技术实现步骤摘要】
基于医学影像的人工智能诊断辅助方法
本专利技术属于医学影像诊断辅助
，具体涉及基于医学影像的人工智能诊断辅助方法。
技术介绍
医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。它包含以下两个相对独立的研究方向：医学成像系统和医学图像处理。前者是指图像行成的过程，包括对成像机理、成像设备、成像系统分析等问题的研究；后者是指对已经获得的图像作进一步的处理，其目的是或者是使原来不够清晰的图像复原，或者是为了突出图像中的某些特征信息，或者是对图像做模式分类等等。作为一门科学，医学影像属于生物影像，并包含影像诊断学、放射学、内视镜、医疗用热影像技术、医学摄影和显微镜。另外，包括脑波图和脑磁造影等技术，虽然重点在于测量和记录，没有影像呈显，但因所产生的数据俱有定位特性(即含有位置信息)，可被看作是另外一种形式的医学影像。然后，在现有技术中，对于医学影像的应用还相当粗糙；小型医院对于医学影像的态度是直接弃用，因为成本相对较高，能看懂医学影像的医生属于高端人才，这些高端人才的缺口较大；大型医院对于医学影像的态度是医生通过肉眼对医学影像进行观察，然后根据观察结果做出判断时，主观意思较为强烈，由于很多相似疾病的医学影像相差不大，医生在做出判断时容易出现人工失误。
技术实现思路
本专利技术目的在于提供基于医学影像的人工智能诊断辅助方法，用于解决上述现有技术中存在的技术问题之一，如：在现有技术中，对于医学影像的应用还相当粗糙；小型医院对于医学影像的态度是直接弃用，因为成本相对较高，能看懂医学影像的医生属于高端人才，这些高端人才的缺口较大；大型医院对于医学影像的态度是医生通过肉眼对医学影像进行观察，然后根据观察结果做出判断时，主观意思较为强烈，由于很多相似疾病的医学影像相差不大，医生在做出判断时容易出现人工失误。为实现上述目的，本专利技术的技术方案是：基于医学影像的人工智能诊断辅助方法，包括以下步骤：S1：获取目标可疑患者的医学影像，从所述医学影像中提取出目标图像区域；S2：通过使用函数模板对步骤S1中的目标图像区域进行高度概括，然后使用函数对高度概括后的目标图像区域进行滑动窗口匹配，当匹配度满足要求时则匹配成功，获得目标匹配图像；S3：在步骤S2的基础上，将所述目标匹配图像的历史数据分为训练样本图像和测试图像，其中，对所述训练样本图像依次进行：样本标定、数据标准化处理、特征选择和提取、模型训练，从而得到权值模型；对所述测试图像进行特征选择和提取，从而输入到所述权值模型中进行测试，所述权值模型经过上述测试得到优化权值模型，所述目标匹配图像的实时数据输入到所述优化权值模型中，得到目标特征分割图像；S4、在步骤S3的基础上，将所述目标特征分割图像输入至筛选识别模型中，完成患者医学影像的分类和患者病灶的定位。优选的，步骤S1中从所述医学影像中提取出目标图像区域采用阈值分割法，其具体步骤如下：设目标可疑患者的医学影像为f(x，y)，经过阈值分割处理后的图像为g(x，y)，则目标图像区域的计算公式如下，其中，T是阈值分割设定的阈值，该分段函数将f(x，y)＞T的部分划分成目标图像区域，将f(x，y)≤T的部分划分为背景图像区域，采用设定全局阈值或自适应阈值的方式将图像分为背景图像区域和目标图像区域，其中的全局阈值或自适应阈值可适配设置。优选的，步骤S1中全局阈值或自适应阈值可适配设置，其中可适配设置采用最大类间方差法，即通过最大类间方差法来自适应的计算出最佳阈值，其具体步骤如下：定义目标图像区域和背景图像区域的阈值为T，背景图像区域所占像素点与医学图像总像素点数的比值为w0，目标图像区域所占像素点与医学图像总像素点数的比值为w1，背景图像区域灰度均值为u0，目标图像区域灰度均值为u1，背景图像区域和目标图像区域的方差为ｇ，则：u＝w0×u0+w1×u1ｇ＝w0×(u0-u)2+w1×(u1-u)2；联合该两式可得：ｇ＝w0×w1+w0×(u0-u1)2；其中，当ｇ取到最大值时，目标图像区域和背景图像区域的阈值T即为最佳阈值。优选的，在步骤S2中，将高斯函数作为函数模板，用高斯函数来拟合MAs在灰度值上的分布特征，其中采用的高斯函数模板为：在采用滑动窗口进行函数模板匹配过程中，通过计算滑动窗口对应的子图像和函数模板之间的相关系数来评价匹配度，相关系数计算公式为：其中，表示子图像A的灰度均值，表示函数模板B的灰度均值，通过相关系数CAB(x，y)作为评判标准来评判匹配是否成功。优选的，在步骤S3中还包括以下步骤，采用U-net网络模型，U-net网络模型的前半U状结构构成也是不断地卷积操作提取特征，池化操作压缩特征，使得输入图像进行不同层次的特征提取，即前半部分采用VGGNet-16的框架结构；U-net网络模型的前半U状结构构成是反卷积层，通过反卷积运算对特征图进行上采样操作，使得对其尺寸大小的还原；其中，在反卷积的操作中，U-net网络模型还将前半部分网络结构每层处理得到的特征图进行复制操作，将其复制到当前特征图一起的通道中，然后实行通道剪裁，将浅层的特征传递到深层次的网络中。优选的，U-net网络模型的的具体参数如下：U-net网络模型的前半部分采用2个3*3大小的卷积层和1个2*2大小的池化层，激活函数选用ReLU函数，池化操作选用最大池化，然后不断重复卷积和池化操作；U-net网络模型的后半部分采用1个2*2大小的反卷积层和2个3*3大小的卷积层，采用反卷积层对特征图进行还原，同时在反卷积的过程中使用特征图的维数减半，然后复制前半部分的特征图整合在一起后再进行卷积操作，并不断重复反卷积和卷积操作，在最后使用1个1*1大小的卷积层对特征图进行映射处理后输出。优选的，步骤S4中筛选识别模型采用Fast-RCNN模型，其训练过程如下：(1)特征提取；Fast-RCNN模型在特征提取阶段对整张图片进行特征提取；(2)统一向量维度；Fast-RCNN模型将提取的候选区域映射到原图生成的特征图中，并在后面加入池化层，执行ROIPooling操作，并且Fast-RCNN模型的最后一层池化层使用7*7的向量进行采样，针对每个候选区域生成固定大小维度的向量；(3)分类和目标检测；Fast-RCNN模型将ROIPooling层的结果输入全连接层生成用于任务损失计算的特征，然后在同一层使用Softmax进行目标物体分类和BoundingBoxRegressor边框回归操作，并同时进行分类和边框回归操作。优选的，步骤S4中Fast-RCNN模型的具体识别过程如下：(1)特征提取；Fast-RCNN模型使用整张图片作为卷积处理的输入，进行多层卷积处理；(2)统一向量维度；Fast-RCNN模型在卷积层的最后一层，把得到的FeatureMap映射到每个候选区域上，相当于本文档来自技高网...

【技术保护点】
1.基于医学影像的人工智能诊断辅助方法，其特征在于，包括以下步骤：/nS1：获取目标可疑患者的医学影像，从所述医学影像中提取出目标图像区域；/nS2：通过使用函数模板对步骤S1中的目标图像区域进行高度概括，然后使用函数对高度概括后的目标图像区域进行滑动窗口匹配，当匹配度满足要求时则匹配成功，获得目标匹配图像；/nS3：在步骤S2的基础上，将所述目标匹配图像的历史数据分为训练样本图像和测试图像，其中，对所述训练样本图像依次进行：样本标定、数据标准化处理、特征选择和提取、模型训练，从而得到权值模型；对所述测试图像进行特征选择和提取，从而输入到所述权值模型中进行测试，所述权值模型经过上述测试得到优化权值模型，所述目标匹配图像的实时数据输入到所述优化权值模型中，得到目标特征分割图像；/nS4、在步骤S3的基础上，将所述目标特征分割图像输入至筛选识别模型中，完成患者医学影像的分类和患者病灶的定位。/n

【技术特征摘要】
1.基于医学影像的人工智能诊断辅助方法，其特征在于，包括以下步骤：
S1：获取目标可疑患者的医学影像，从所述医学影像中提取出目标图像区域；
S2：通过使用函数模板对步骤S1中的目标图像区域进行高度概括，然后使用函数对高度概括后的目标图像区域进行滑动窗口匹配，当匹配度满足要求时则匹配成功，获得目标匹配图像；
S3：在步骤S2的基础上，将所述目标匹配图像的历史数据分为训练样本图像和测试图像，其中，对所述训练样本图像依次进行：样本标定、数据标准化处理、特征选择和提取、模型训练，从而得到权值模型；对所述测试图像进行特征选择和提取，从而输入到所述权值模型中进行测试，所述权值模型经过上述测试得到优化权值模型，所述目标匹配图像的实时数据输入到所述优化权值模型中，得到目标特征分割图像；
S4、在步骤S3的基础上，将所述目标特征分割图像输入至筛选识别模型中，完成患者医学影像的分类和患者病灶的定位。


2.如权利要求1所述的基于医学影像的人工智能诊断辅助方法，其特征在于，步骤S1中从所述医学影像中提取出目标图像区域采用阈值分割法，其具体步骤如下：
设目标可疑患者的医学影像为f(x，y)，经过阈值分割处理后的图像为g(x，y)，则目标图像区域的计算公式如下，



其中，T是阈值分割设定的阈值，该分段函数将f(x，y)＞T的部分划分成目标图像区域，将f(x，y)≤T的部分划分为背景图像区域，采用设定全局阈值或自适应阈值的方式将图像分为背景图像区域和目标图像区域，其中的全局阈值或自适应阈值可适配设置。


3.如权利要求2所述的基于医学影像的人工智能诊断辅助方法，其特征在于，步骤S1中全局阈值或自适应阈值可适配设置，其中可适配设置采用最大类间方差法，即通过最大类间方差法来自适应的计算出最佳阈值，其具体步骤如下：
定义目标图像区域和背景图像区域的阈值为T，背景图像区域所占像素点与医学图像总像素点数的比值为w0，目标图像区域所占像素点与医学图像总像素点数的比值为w1，背景图像区域灰度均值为u0，目标图像区域灰度均值为u1，背景图像区域和目标图像区域的方差为g，则：
u＝w0×u0+w1×u1
g＝w0×(u0-u)2+w1×(u1-u)2；
联合该两式可得：
g＝w0×w1+w0×(u0-u1)2；
其中，当g取到最大值时，目标图像区域和背景图像区域的阈值T即为最佳阈值。


4.如权利要求3所述的基于医学影像的人工智能诊断辅助方法，其特征在于，在步骤S2中，将高斯函数作为函数模板，用高斯函数来拟合MAs在灰度值上的分布特征，其中采用的高斯函数模板为：



在采用滑动窗口进行函数模板匹配过程中，通过计算滑动窗口对应的子图像和函数模板之间的相关系数来评价匹配度，相关系数计算公式为：



其中，表示子图像A的灰度均值，表示函数模板B的灰度均值，通过相关系数CAB(x，y)作为评判标准来评判匹配是否成功。


5.如权利要求1所述的基于医学影像的人工智能诊断辅助方法，其特征在于，在步骤S3中还包括以下步骤，采用U-net网络模型，U-net网络模型的前半U状结构构成也是不断地卷积操作提取特征，池化操作压缩特...

【专利技术属性】
技术研发人员：曲建明，蒲立新，王杰锋，范计朋，牟睿智，
申请(专利权)人：成都金盘电子科大多媒体技术有限公司，
类型：发明
国别省市：四川;51