医学超声诊查过程的动态可解释推理辅助诊断方法技术

本发明专利技术提供了一种医学超声诊查过程的动态可解释推理辅助诊断方法。利用医学超声知识图谱实时识别诊查过程中的牵涉实体，通过牵涉实体的推理路径实现推理过程的可解释性；通过知识图谱中实体的路径游走与有效推理路径排名，实现对超声医生扫查的步骤化引导与对疾病的动态推理诊断。本发明专利技术能够解决现有静态推理方法对医学超声诊查中的过程信息缺失的问题，并实现推理过程的可解释性，为超声诊查提供实时动态可解释推理辅助诊断。

【技术实现步骤摘要】
医学超声诊查过程的动态可解释推理辅助诊断方法
本专利技术属计算机辅助诊断领域，具体涉及一种医学超声诊查过程的动态可解释推理辅助诊断方法。
技术介绍
医学超声具有无辐射、无创伤、实时性、成本低等特点，目前已用于患者的大规模筛查。以癌症为例，超声诊查可有效诊断乳腺癌和甲状腺癌等多种癌症，在癌症早期筛查干预中具有重要作用。但对于我国患者数量的规模，经验丰富超声医生的人数明显不足，因而难以应对我国疾病筛查的庞大规模。为降低大规模筛查对大量医生人手的依赖，现阶段的主要方式是对超声诊查引入计算机辅助诊断技术。现有医学超声相关的计算机辅助诊断技术，主要以超声医生诊查后所提供的静态超声图像为依据。例如，Abdel-Nasser等人在文献"Abdel-NasserM,MelendezJ,MorenoA,etal.Breasttumorclassificationinultrasoundimagesusingtextureanalysisandsuper-resolutionmethods[J].EngineeringApplicationsofArtificialIntelligence,2017,59:84-92"中通过超分辨技术对超声影像进行纹理分析，实现对患者乳腺肿瘤良恶性的辅助诊断。Zhang等人在文献"ZhangQ,XiaoY,DaiW,etal.Deeplearningbasedclassificationofbreasttumorswithshear-waveelastography[J].Ultrasonics,2016,72:150-157"中提出了超声剪切波弹性成像图片的深度学习乳腺肿瘤良恶性预测算法。Shi等人在文献"ShiJ,ZhouSC,LiuX,etal.Stackeddeeppolynomialnetworkbasedrepresentationlearningfortumorclassificationwithsmallultrasoundimagedataset[J].Neurocomputing,2016,194:87-94"中设计了一种栈式深度多项式网络的表示学习方法对肿瘤良恶性进行超声辅助诊断。针对帕金森综合征的经颅超声数据，Shi等人在文献"ShiJ,XueZY,DaiYK,etal.CascadedMulti-ColumnRVFLplusClassifierforSingle-ModalNeuroimaging-BasedDiagnosisofParkinson'sDisease[J].IEEETransactionsonBiomedicalEngineering,2019,66(8):2362-2371"中提出了随机向量函数链接神经网络的超声辅助诊断方法。Shen等人在文献"ShenL,ShiJ,DongY,etal.AnImprovedDeepPolynomialNetworkAlgorithmforTranscranialSonography-BasedDiagnosisofParkinson'sDisease[J].CognitiveComputation,2019,DOI:10.1007/s12559-019-09691-7"中建立了改进深度多项式网络的经颅超声帕金森综合征辅助诊断方法。由于上述超声辅助推理诊断方法主要采用数据驱动的方式，难以有效应用于医学超声数据样例较少的情况。对此，Huang等人在文献"HuangQH,ZhangF,LiXL.Few-shotdecisiontreefordiagnosisofultrasoundbreasttumorusingBI-RADSfeatures[J].MultimediaToolsandApplications,2018,77(22):29905-29918"中根据乳腺影像报告和数据系统(BreastImagingReportingandDataSystem,BI-RADS)特征，提出一种基于小样本决策树的乳腺肿瘤良恶性高效辅助诊断方法。此外，由于医学超声图像数据往往维度较高，现有方法在处理较少样例时还会面临维度灾难问题，为此，Huang等人在文献"HuangQ,ChenY,LiuL,etal.OncombiningbiclusteringminingandAdaBoostforbreasttumorclassification[J].IEEETransactionsonKnowledgeandDataEngineering,2019,DOI:10.1109/TKDE.2019.2891622"中对超声辅助诊断的数据处理环节引入了双聚类挖掘算法，通过提取数据中的局部一致性模式并加以筛选，从而实现特征空间降维的肿瘤良恶性预测。在此基础上，Huang等人在文献"HuangQH,HuBZ,ZhangF.Evolutionaryoptimizedfuzzyreasoningwithmineddiagnosticpatternsforclassificationofbreasttumorsinultrasound[J].InformationSciences,2019,502:525-536"中将BI-RADS特征的肿瘤良恶性辅助诊断中引入了模糊推理技术，不仅使得乳腺超声辅助诊断具备了一定可解释性，还增强了推理结果对噪声干扰的鲁棒性。上述超声辅助诊断方法的共同特征是将超声图像作为静态数据进行辅助诊断推理研究，而医学超声诊断是一个对病患的动态诊查过程，为向静态辅助诊断提供具有代表性的超声图像，需在诊查中采用地毯式扫描并从整个过程中挑选出符合要求的静态超声数据，在全部过程完成后才能进行辅助诊断推理，无法在诊查过程的同步进行动态推理诊断，且存在诊查中重要过程性信息缺失的问题。此外，目前辅助诊断推理方法主要采用深度学习，整个推理流程属于黑箱，缺乏推理过程的可解释性。
技术实现思路
为了克服现有技术的不足，本专利技术提供一种医学超声诊查过程的动态可解释推理辅助诊断方法。利用医学超声知识图谱实时识别诊查过程中的牵涉实体，通过牵涉实体的推理路径实现推理过程的可解释性；通过知识图谱中实体的路径游走与有效推理路径排名，实现对超声医生扫查的步骤化引导与对疾病的动态推理诊断。本专利技术能够解决现有静态推理方法对医学超声诊查中的过程信息缺失的问题，并实现推理过程的可解释性，为超声诊查提供实时动态可解释推理辅助诊断。一种医学超声诊查过程的动态可解释推理辅助诊断方法，其特征在于步骤如下：步骤1：利用超声探头实时采集获得诊查过程的超声图像，并根据已有医学超声知识图谱的实体，对超声图像中所含的实体进行标注，作为训练超声图像牵涉实体预测模型的金标准；以超声图像作为输入数据，以标注的金标准作为输出标签，训练卷积神经网络，得到用于预测超声图像牵涉实体的网络模型；通过所训练的网络模型，在超声诊查过程中，对超声图像牵涉实体进行同步识别，将每个诊查步骤的识别结果作为当前的超声图像牵涉实体；通过领夹式麦克风实时记录医生在诊查过程中的评语语音信号，并利用语音输入法将本文档来自技高网...

【技术保护点】
1.一种医学超声诊查过程的动态可解释推理辅助诊断方法，其特征在于步骤如下：/n步骤1：利用超声探头实时采集获得诊查过程的超声图像，并根据已有医学超声知识图谱的实体，对超声图像中所含的实体进行标注，作为训练超声图像牵涉实体预测模型的金标准；以超声图像作为输入数据，以标注的金标准作为输出标签，训练卷积神经网络，得到用于预测超声图像牵涉实体的网络模型；通过所训练的网络模型，在超声诊查过程中，对超声图像牵涉实体进行同步识别，将每个诊查步骤的识别结果作为当前的超声图像牵涉实体；/n通过领夹式麦克风实时记录医生在诊查过程中的评语语音信号，并利用语音输入法将评语语音信号转换为文字，再通过与已有医学超声知识图谱中的实体关键词进行匹配，得到每个诊查步骤的医生评语所涉及实体，作为当前的医生评语牵涉实体；/n上述的超声图像牵涉实体和医生评语牵涉实体共同构成诊查过程当前步骤的牵涉实体；/n步骤2：采用TransD算法对已有医学超声知识图谱进行嵌入，其中，实体嵌入向量的维度和关系嵌入向量的维度均设置为d，10≤d≤10000，得到已有医学超声知识图谱中的所有实体和关系的d维嵌入向量；/n步骤3：在医学超声知识图谱中，将当前诊查过程中的牵涉实体设置为可游走节点，将与当前诊查过程中的牵涉实体互斥的实体设置为无法游走节点，对于每一个可游走节点，根据知识图谱的有向图结构，对其邻边箭头指向的可游走邻居节点进行等概率选择，随机游走至一个邻居节点，完成一步游走，如此游走K步，游走过程中所途经的邻边与节点构成该可游走节点的一条游走路径；将上述游走过程重复N...

【技术特征摘要】
1.一种医学超声诊查过程的动态可解释推理辅助诊断方法，其特征在于步骤如下：
步骤1：利用超声探头实时采集获得诊查过程的超声图像，并根据已有医学超声知识图谱的实体，对超声图像中所含的实体进行标注，作为训练超声图像牵涉实体预测模型的金标准；以超声图像作为输入数据，以标注的金标准作为输出标签，训练卷积神经网络，得到用于预测超声图像牵涉实体的网络模型；通过所训练的网络模型，在超声诊查过程中，对超声图像牵涉实体进行同步识别，将每个诊查步骤的识别结果作为当前的超声图像牵涉实体；
通过领夹式麦克风实时记录医生在诊查过程中的评语语音信号，并利用语音输入法将评语语音信号转换为文字，再通过与已有医学超声知识图谱中的实体关键词进行匹配，得到每个诊查步骤的医生评语所涉及实体，作为当前的医生评语牵涉实体；
上述的超声图像牵涉实体和医生评语牵涉实体共同构成诊查过程当前步骤的牵涉实体；
步骤2：采用TransD算法对已有医学超声知识图谱进行嵌入，其中，实体嵌入向量的维度和关系嵌入向量的维度均设置为d，10≤d≤10000，得到已有医学超声知识图谱中的所有实体和关系的d维嵌入向量；
步骤3：在医学超声知识图谱中，将当前诊查过程中的牵涉实体设置为可游走节点，将与当前诊查过程中的牵涉实体互斥的实体设置为无法游走节点，对于每一个可游走节点，根据知识图谱的有向图结构，对其邻边箭头指向的可游走邻居节点进行等概率选择，随机游走至一个邻居节点，完成一步游走，如此游走K步，游走过程中所途经的邻边与节点构成该可游走节点的一条游走路径；将上述游走过程重复Nrep次，每一个可游走节点得到Nrep条游走路径；
所有可游走节点的所有游走路径共同构成可游走初步路径集合；
对可游走初步路径集合，对其中的重复路径进行剔除，并将其中未能涵盖所有当前诊查过程的牵涉实体的游走路径进行剔除，将剩余的路径构成候选推理路径集合；
所述的步长K的取值范围为3-10，重复游走次数Nrep的取值范围为1000-10000；
步骤4：对患者和健康志愿者分别按照步骤1进行处理，得到其诊查过程中的牵涉实体，并记录每个牵涉实体在诊查过程中被识别的先后顺序，得到患者和健康志愿者的诊查记录；
对每个患者或健康志愿者，以他们的最终诊断结果所对应的实体，标注为其推理路径的终点；
所有患者的诊查记录和其推理路径终点构成病患样例，所有健康志愿者的诊查记录和其推理路径终点构成健康样例；
步骤5：进行样例的有效路径标注，具体为：
步骤5.1：对所有病患样例和健康样例的牵涉实体分别按照步骤3进行处理，得到其候选推理路径集合；
步骤5.2：对病患样例和健康样例，将其候选推理路径集合中路径终点吻合标注终点，且符合医生诊断过程的长为K的路径标记为倒数第一步的有效推理路径；
步骤5.3：对于病患样例和健康样例推理终点的前一步诊查，以其倒数第一步的有效推理路径的倒数第二个节点作为新终点，按照步骤5.2的方法，从含有新终点的候选推理路径中标注其中的符合医生诊断过程的路径，得到病患样例和健康样例的倒数第二步的长为K的有效推理路径；重复此过程，直至第一步诊查，得到病患样例和健康样例的第一步的长为K的有效推理路径；
步骤5.4：对病患样例和健康样例分别按上述过程标记得到所有的有效推理路径，共同构成其有效推理路径集合；其中，记病患样例的有效推理路径个数为Ndis，记健康样例的有效推理路径个数为Nhealth；
步骤6：训练得到路径排名网络模型：
步骤6.1：对病患样例和健康样例的每一个候选推理路径，首先，按照实体和关系在路径中出现的顺序，将其按照步骤2计算得到对应的实体嵌入向量和关系嵌入向量进行拼接，得到向量序列Epath＝[e1,r1,e2,r2,...,eK-1,rK-1,eK]，其中，ei为路径中第i个实体的嵌入向量，i＝1,2,…,K，K为路径包含的实体个...

【专利技术属性】
技术研发人员：习佳宁，黄庆华，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61