医疗图像判读方法与系统技术方案

本发明专利技术提供一种医疗图像判读方法与系统。将医疗图像提供给卷积神经网络模型，卷积神经网络模型包括特征获取部分、第一分类器与N个第二分类器。利用卷积神经网络模型的特征获取部分的最后一层产生N个特征图。通过N个第二分类器基于N个特征图获取一疾病的N个病征的N个病征判读结果。通过第一分类器基于N个特征图获取疾病的疾病判读结果。获取疾病的疾病判读结果。获取疾病的疾病判读结果。

【技术实现步骤摘要】
医疗图像判读方法与系统


[0001]本专利技术涉及医疗图像判读，尤其涉及一种基于深度学习的医疗图像判读方法与系统。

技术介绍

[0002]随着深度学习(Deep Learning)日渐成熟，人工智能在辅助医疗图像判读的应用上日渐增加。然而，高准确度的人工智能模型往往较为复杂，其决策逻辑或是判断依据较难以理解。也就是说，人工智能模型无法向人类解释其决策和行动背后的成因，此现象将影响到人工智能模型的可信度。尤其是，于使用人工智能模型辅助医疗诊断的领域中，决策的合理性与透明度更是至关重要。
[0003]对此，一系列可解释人工智能(Explainable AI，又称XAI)的方法被提出且成为研究重点，这些方法试图诠释人工智能模型是如何进行决策的。目前，大多数可解释人工智能的方法只能呈现输入数据中特征的重要性程度以及其位置，无法对该特征有进一步说明，因此无法提供医疗人员具有参考价值的解释。更具体而言，即便可解释人工智能的方法能呈现输入数据中重要特征的相关信息，但医疗人员还是无法确认人工智能模型所关注的特征是否就是特定疾病的病征，因而无法作为提高判读信心或是补充说明的依据。

技术实现思路

[0004]本专利技术提出一种医疗图像判读方法与系统，其中卷积神经网路模型可一并提供病征判读信息与疾病判读信息，因而更加贴近医疗人员的实际需求。
[0005]本专利技术实施例提供一种医疗图像判读方法，适用于计算器装置，其包括下列步骤。将医疗图像提供给卷积神经网络模型，其中卷积神经网络模型包括特征获取部分、第一分类器与N个第二分类器。利用卷积神经网络模型的特征获取部分的最后一层产生N个特征图(feature map)。通过N个第二分类器基于N个特征图获取一疾病的N个病征的N个病征判读结果。通过第一分类器基于N个特征图获取疾病的疾病判读结果。
[0006]本专利技术实施例提供一种医疗图像判读系统，其包括存储装置以及处理器。处理器连接存储装置，经配置以执行下列步骤。将医疗图像提供给卷积神经网络模型，其中卷积神经网络模型包括特征获取部分、第一分类器与N个第二分类器。利用卷积神经网络模型的特征获取部分的最后一层产生N个特征图(feature map)。通过N个第二分类器基于N个特征图获取一疾病的N个病征的N个病征判读结果。通过第一分类器基于N个特征图获取疾病的疾病判读结果。
附图说明
[0007]包含附图以便进一步理解本专利技术，且附图并入本说明书中并构成本说明书的一部分。附图说明本专利技术的实施例，并与描述一起用于解释本专利技术的原理。
[0008]图1是依照本专利技术一实施例的医疗图像判读系统的示意图；
[0009]图2是依照本专利技术一实施例的医疗图像判读方法的流程图；
[0010]图3是依据本专利技术一实施例的卷积神经网络模型的示意图；
[0011]图4A与图4B是依据本专利技术实施例的卷积神经网络模型的示意图。
[0012]附图标号说明
[0013]10：医疗图像判读系统；
[0014]110：存储装置；
[0015]120：处理器；
[0016]M1、M2、M3：卷积神经网络模型；
[0017]31、41：特征获取部分；
[0018]L_1～L_x：层；
[0019]Fm_1～Fm_N：特征图；
[0020]32、33_1～33_N、42、43_1～43_8：分类器；
[0021]34_1～34_N、44_1～44_8：病征判读结果；
[0022]36、46：疾病判读结果；
[0023]Img_m：医疗图像；
[0024]Lc1～Lc4：卷积层；
[0025]Lf1、Lf2、Lf3、Lf4：全连接层；
[0026]48_1～48_8：病征特征获取部分；
[0027]S201～S204：步骤。
具体实施方式
[0028]现将详细地参考本专利技术的示范性实施例，示范性实施例的实例说明于附图中。只要有可能，相同元件符号在附图和描述中用来表示相同或相似部分。
[0029]图1是依照本专利技术一实施例的医疗图像判读系统的示意图，但此仅是为了方便说明，并不用以限制本专利技术。请参照图1，医疗图像判读系统10包括存储装置110与处理器120。于一些实施例中，医疗图像判读系统10可实作为笔记本电脑、台式计算机、平板计算机、工业用计算机、服务器或其他类型的计算器装置，本专利技术并不对此限制。
[0030]存储装置110用以存储图像、指令、程序代码、软件模块等等数据。存储装置110可包括易失性存储电路与非易失性存储电路。易失性存储电路用以易失性地存储数据。例如，易失性存储电路可包括随机存取内存(Random Access Memory，RAM)或类似的易失性存储媒体。非易失性存储电路用以非易失性地存储数据。例如，非易失性存储电路可包括只读存储器(Read Only Memory，ROM)、固态硬盘(solid state disk，SSD)和/或传统硬盘(Hard disk drive，HDD)或类似的非易失性存储媒体。
[0031]处理器120耦接存储装置110，用以控制医疗图像判读系统10的整体或部分操作，其例如是中央处理单元(Central Processing Unit，CPU)，或是其他可程序化的一般用途或特殊用途的微处理器(Microprocessor)、数字信号处理器(Digital Signal Processor，DSP)、可程序化控制器、特殊应用集成电路(Application Specific Integrated Circuits，ASIC)、可程序化逻辑设备(Programmable Logic Device，PLD)、图形处理器(Graphics Processing Unit，GPU或其他类似装置或这些装置的组合。处理器120可执行记
录于存储装置120中的程序代码、软件模块、指令等等，以实现本专利技术实施例中的医疗图像判读方法。
[0032]图2是依照本专利技术一实施例的医疗图像判读方法的流程图。请参照图2，本实施例的方式适用于上述实施例中的医疗图像判读系统10，以下即搭配医疗图像判读系统10中的各项元件说明本实施例的详细步骤。
[0033]于本专利技术实施例中，卷积神经网络模型可辅助医疗人员判读医疗图像，即卷积神经网络模型可依据医疗图像评估病患是否患有疾病或评估病患的患病严重程度。一般而言，当使用医疗图像进行疾病诊断时，医疗人员是根据医疗图像中的多个病征(symptom)来判断病患是否患有某一疾病以及病患的病情严重程度。基此，于本专利技术实施例中，除了提供疾病的疾病判读结果之外，卷积神经网络模型还可评估医疗图像中某一疾病的N个病征是否存在或其严重程度。以疾病为视网膜病变为例，上述病征可例如是出血或新生血管等等。
[0034]于步骤S201，处理器120将医疗图像提供给卷积神经网络模型。医疗图像可包括X光图像、超音波图像、计算机断层扫描(Computed本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医疗图像判读方法，适用于计算器装置，其特征在于，所述方法包括：将医疗图像提供给卷积神经网络模型，所述卷积神经网络模型包括特征获取部分、第一分类器与N个第二分类器；利用所述卷积神经网络模型的所述特征获取部分产生N个特征图；通过所述N个第二分类器基于所述N个特征图获取疾病的N个病征的N个病征判读结果；以及通过所述第一分类器基于所述N个特征图获取所述疾病的疾病判读结果。2.根据权利要求1所述的医疗图像判读方法，其中利用所述卷积神经网络模型的所述特征获取部分的最后一层产生所述N个特征图，所述最后一层为卷积层或池化层。3.根据权利要求1所述的医疗图像判读方法，其中所述卷积神经网络模型的所述特征获取部分包括依序串接的多个层，所述卷积神经网络模型的所述特征获取部分包括至少一卷积层。4.根据权利要求3所述的医疗图像判读方法，其中所述卷积神经网络模型的所述特征获取部分还包括至少一池化层。5.根据权利要求1所述的医疗图像判读方法，其中所述第一分类器包括至少一全连接层，且所述N个第二分类器其中每一者包括至少一全连接层。6.根据权利要求1所述的医疗图像判读方法，其中所述N个病征判读结果分别包括所述N个病征其中之一的病征有无信息或病征分级信息。7.根据权利要求1所述的医疗图像判读方法，其中所述疾病判读结果包括所述疾病的疾病分级信息。8.根据权利要求1所述的医疗图像判读方法，还包括：训练所述卷积神经网络模型，其中所述卷积神经网络模型是基于一整体损失函数进行训练，所述整体损失函数包括(N+1)个损失函数的(N+1)损失值的加权和，且所述(N+1)个损失函数其中N者分别对应于所述N个第二分类器，所述(N+1)个损失函数余下一者对应于所述第一分类器。9.根据权利要求1所述的医疗图像判读方法，其中通过所述N个第二分类器基于所述N个特征图获取所述疾病的所述N个病征的N个病征判读结果的步骤包括：将所述N个特征图其中一者输入至所述N个第二分类器其中一者，以使所述N个第二分类器其中一者输出所述N个病征判读结果其中一者。10.根据权利要求1所述的医疗图像判读方法，其中所述卷积神经网络模型还包括一病征特征获取部分，所述病征特征获取部分包括至少一卷积层，而通过所述N个第二分类器基于所述N个特征图获取所述疾病的所述N个病征的N个病征判读结果的步骤包括：将所述N个特征图其中一者输入至所述病征特征获取部分而获取至少一病征特征图；以及将所述至少一病征特征图输入至所述N个第二分类器其中一者，以使所述N个第二分类器其中一者输出所述...

【专利技术属性】
技术研发人员：郑孟哲，鄞铭佐，
申请(专利权)人：宏碁股份有限公司，
类型：发明
国别省市：