一种医学影像系统技术方案

本发明专利技术属于医学图像识别技术领域，公开了一种医学影像系统，所述医学影像系统包括：数据收集模块、数据筛选模块、数据预处理模块、训练数据集构建模块、中央控制模块、模型构建模块、医学影像识别模块、疾病识别模块、云存储模块、更新显示模块。本发明专利技术提供的医学影像系统，利用Adaboost级联分类器进行预先训练，针对不同的样本具有较好的识别率和误识率，并且计算速度快，可以快速进行大量的医学影像识别和分类，可用于大规模的医学影像数据库系统，且能够节省人为设计花费的时间和精力。同时，本发明专利技术通过模型构建模块能够避免人工对深度学习模型调参需要的先验知识、效率低下的问题，具有重要意义。有重要意义。有重要意义。

【技术实现步骤摘要】
一种医学影像系统


[0001]本专利技术属于医学图像识别
，尤其涉及一种医学影像系统。

技术介绍

[0002]目前，在医疗影像方面，人工智能已经证明了它有能力通过快速准确地标记特定异常结构来提高图像分析的效率，以供放射科医师参考。2011年，纽约大学Langone Health的研究人员发现，这种类型的自动分析在找到并匹配特定的肺结节(胸部CT图像)方面，可以比放射学家们快62％到97％。研究结果表明，这种人工智能带来的图像分析效率，可以让放射学家腾出更多的时间聚焦在需要更多解读或判断的内容审阅上，从而每年节省30亿美元。近来最新的研究还探索了人工智能在制药、分子结构和生物蛋白质方面的探索，这些令人激动的研究都在证明着AI的能力，拓展着AI的疆界。
[0003]近年来，人工智能技术取得了飞跃般的进步，如AlphaGO在象棋游戏中击败了人类冠军，ResNet在图像分类方面超越了人类表现，微软的语音系统在语音翻译种接近人类水平。但是，现有人工智能技术的成功应用还未实现全自动化，即无法通过经验自动改进，且会消耗大量时间。因此，亟需一种新的医学影像装置及系统。
[0004]通过上述分析，现有技术存在的问题及缺陷为：现有人工智能技术的成功应用还未实现全自动化，即无法通过经验自动改进，且会消耗大量时间。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提供了一种医学影像系统。
[0006]本专利技术是这样实现的，一种医学影像系统，所述医学影像系统包括：数据收集模块、数据筛选模块、数据预处理模块、训练数据集构建模块、中央控制模块；
[0007]数据收集模块，与中央控制模块连接，用于通过数据收集设备获取医学影像数据；
[0008]数据筛选模块，与中央控制模块连接，用于通过数据筛选程序对获取的医学影像数据范围进行限定，去除无关数据，再对候选样本进行审核；
[0009]在通过数据筛选程序对获取的医学影像数据范围进行限定过程中，需要对图像中的内容进行自动扫描识别，具体过程为：
[0010]在获取的图像中，确定筛选的参数、概率的上限值和图像中相应区域中的阈值；
[0011]在图像中划定扫描检测区域，确定在相应区域内部的变化指数；
[0012]当变化指数下于区域中的阈值，该区域判定为均匀区域；同时当均匀区域集合为不含有所检测的要素，不断进行搜索检测；
[0013]当均匀区域集合含有所检测的要素，作为初始化的子区域；
[0014]通过MOM方法进行参数估计，相应的筛选的参数，通过查表确定均值比统计量判决阈值；
[0015]继续搜索子区域中的邻域，并重复上述过程；当子区域和当前邻域之间的均值比满足设定的上下限，对子区域进行合并融合；
[0016]判断合并融合的子区域内除原始的子区域是否含有其他均匀区域并入，假设没有，判断参数内除子区域邻域外是否有其他均匀区域，如果有，则重置子区域非均匀区域，则转动上述过程，进行区域合并；
[0017]根据MOM方法，确定子区域中的尺度参数，并根据筛选的参数和概率，确定局部检测阈值，对测试区域内图像进行识别判断；
[0018]所述根据MOM方法进行参数估计，确定子区域中的尺度参数，并根据筛选的参数和概率，确定局部检测阈值具体过程为：
[0019]筛选的参数估计值为：
[0020][0021]尺度参数为：
[0022][0023]其中，μ和λ分别为样本的均值和平方均值；
[0024]检测阈值为：
[0025][0026]其中，P
fa
为选定的概率；
[0027]根据检测阈值的结果，对当前BUT内的像素并利用目标检测模型进行二值化假设检验，实现目标的检测；
[0028]目标检测模型为：
[0029][0030]其中，H0为当前测试像素为背景杂波像素；H1为当前测试像素为目标像素。
[0031]数据预处理模块，与中央控制模块连接，用于通过数据处理程序对筛选后的医学影像数据进行预处理；
[0032]训练数据集构建模块，与中央控制模块连接，用于通过数据集构建程序根据预处理后的医学影像数据构建训练样本集，并将所述训练样本集分为训练集、验证集和测试集；
[0033]中央控制模块，与数据收集模块、数据筛选模块、数据预处理模块、训练数据集构建模块、模型构建模块、医学影像识别模块、疾病识别模块、云存储模块、更新显示模块连接，用于通过中央处理器协调控制所述医学影像系统各个模块的正常运行。
[0034]进一步，所述医学影像系统还包括：模型构建模块、医学影像识别模块、疾病识别模块、云存储模块、更新显示模块；
[0035]模型构建模块，与中央控制模块连接，用于通过模型构建程序基于构建得到的训练样本集，使用深度神经网络或HOG+SVM算法对所述训练样本集进行训练，得到训练器模型；
[0036]医学影像识别模块，与中央控制模块连接，用于通过医学影像识别程序利用构建
得到的训练器模型对所述医学影像进行识别，获得医学特征；
[0037]疾病识别模块，与中央控制模块连接，用于通过疾病识别程序根据获得的医学特征对疾病进行识别；
[0038]云存储模块，与中央控制模块连接，用于通过云数据库服务器分类存储获取的医学影像数据、数据筛选结果、增强处理后的医学影像数据、训练样本集、训练器模型、医学特征以及疾病识别结果；云数据库服务器存储的医学影像根据人体的性别、年龄、人种、身高和体重进行分类；
[0039]更新显示模块，与中央控制模块连接，用于通过显示器对获取的医学影像数据、数据筛选结果、增强处理后的医学影像数据、训练样本集、训练器模型、医学特征以及疾病识别结果的实时数据进行更新显示。
[0040]进一步，所述数据收集模块中，数据收集设备为CCD传感器摄像设备或Kinect深度相机。
[0041]进一步，所述数据预处理模块中，通过数据预处理模块利用数据处理程序对筛选后的医学影像数据进行预处理，包括：
[0042](1)对筛选处理后的医学影像数据进行灰度处理；
[0043](2)对灰度处理后的医学影像数据以某个像素为中心像素取数个滤波区间，获取各滤波区间内像素灰度值集合；
[0044](3)分别计算各滤波区间的像素灰度值方差，以像素灰度值方差最小的滤波区间为最佳滤波区间；
[0045](4)以最佳滤波区间对中心像素进行中值滤波，然后以所述中心像素遍历医学影像中的每个像素，得到滤波处理后的医学影像；
[0046](5)采用二值化处理滤波后的医学影像数据，得到处理后的医学影像的增强数据。
[0047]进一步，所述模型构建模块中，使用深度神经网络对所述训练样本集进行训练，得到训练器模型，包括：
[0048]设定预先建立的深度神经网络参数的初始值，所述深度神经网络包括输入层、中间变量层和输出层；
[0049]根据所述训练样本集对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学影像系统，其特征在于，所述医学影像系统包括：数据收集模块、数据筛选模块、数据预处理模块、训练数据集构建模块、中央控制模块；数据收集模块，与中央控制模块连接，用于通过数据收集设备获取医学影像数据；数据筛选模块，与中央控制模块连接，用于通过数据筛选程序对获取的医学影像数据范围进行限定，去除无关数据，再对候选样本进行审核；在通过数据筛选程序对获取的医学影像数据范围进行限定过程中，需要对图像中的内容进行自动扫描识别，具体过程为：在获取的图像中，确定筛选的参数、概率的上限值和图像中相应区域中的阈值；在图像中划定扫描检测区域，确定在相应区域内部的变化指数；当变化指数下于区域中的阈值，该区域判定为均匀区域；同时当均匀区域集合为不含有所检测的要素，不断进行搜索检测；当均匀区域集合含有所检测的要素，作为初始化的子区域；通过MOM方法进行参数估计，相应的筛选的参数，通过查表确定均值比统计量判决阈值；继续搜索子区域中的邻域，并重复上述过程；当子区域和当前邻域之间的均值比满足设定的上下限，对子区域进行合并融合；判断合并融合的子区域内除原始的子区域是否含有其他均匀区域并入，假设没有，判断参数内除子区域邻域外是否有其他均匀区域，如果有，则重置子区域非均匀区域，则转动上述过程，进行区域合并；根据MOM方法，确定子区域中的尺度参数，并根据筛选的参数和概率，确定局部检测阈值，对测试区域内图像进行识别判断；所述根据MOM方法进行参数估计，确定子区域中的尺度参数，并根据筛选的参数和概率，确定局部检测阈值具体过程为：筛选的参数估计值为：尺度参数为：其中，μ和λ分别为样本的均值和平方均值；检测阈值为：其中，P
fa
为选定的概率；根据检测阈值的结果，对当前BUT内的像素I
BUT
(i，j)(1≤i，j≤N
b
)，并利用目标检测模型进行二值化假设检验，实现目标的检测；目标检测模型为：
其中，H0为当前测试像素为背景杂波像素；H1为当前测试像素为目标像素。数据预处理模块，与中央控制模块连接，用于通过数据处理程序对筛选后的医学影像数据进行预处理；训练数据集构建模块，与中央控制模块连接，用于通过数据集构建程序根据预处理后的医学影像数据构建训练样本集，并将所述训练样本集分为训练集、验证集和测试集；中央控制模块，与数据收集模块、数据筛选模块、数据预处理模块、训练数据集构建模块、模型构建模块、医学影像识别模块、疾病识别模块、云存储模块、更新显示模块连接，用于通过中央处理器协调控制所述医学影像系统各个模块的正常运行。2.如权利要求1所述的医学影像系统，其特征在于，所述医学影像系统还包括：模型构建模块、医学影像识别模块、疾病识别模块、云存储模块、更新显示模块；模型构建模块，与中央控制模块连接，用于通过模型构建程序基于构建得到的训练样本集，使用深度神经网络或HOG+SVM算法对所述训练样本集进行训练，得到训练器模型；医学影像识别模块，与中央控制模块连接，用于通过医学影像识别程序利用构建得到的训练器模型对所述医学影像进行识别，获得医学特征；疾病识别模块，与中央控制模块连接，用于通过疾病识别程序根据获得的医学特征对疾病进行识别；云存储模块，与中央控制模块连接，用于通过云数据库服务器分类存储获取的医学影像数据、数据筛选结果、增强处理后的医学影像数据、训练样本集、训练器模型、医学特征以及疾病识别结果；云数据库服务器存储的医学影像根据人体的性别、年龄、人种、身高和体重进行分类；更新显示模块，与中央控制模块连...

【专利技术属性】
技术研发人员：吕培杰，张芮，王会霞，刘娜娜，刘星，高剑波，
申请(专利权)人：郑州大学第一附属医院，
类型：发明
国别省市：