基于人工智能的医学影像评价方法、装置、设备及介质制造方法及图纸

本发明专利技术实施例提供了一种基于人工智能的医学影像评价方法、装置、设备及介质，方法包括：采集预设覆盖范围及预设时间段内医疗机构的多条历史影像检查数据，并根据所述历史影像检查数据生成带有质控标注的样本数据集；构建深度神经网络模型；利用所述模型训练集对每个目标质控评价项目构建的深度神经网络进行训练，生成医学影像质控多任务分类模型；采集待评价医学影像数据，并根据质控需求对待评价的医学影像数据进行映射、识别，得到待评价的影像检查数据；将待评价的影像检查数据经预处理后输入所述医学影像质控多任务分类模型，输出待评价的影像检查数据对应的医学影像图像质量标准评价结果。本发明专利技术能大幅度提高医学影像的质控效率。的质控效率。的质控效率。

【技术实现步骤摘要】
基于人工智能的医学影像评价方法、装置、设备及介质


[0001]本专利技术涉及人工智能领域，具体而言，涉及一种基于人工智能的医学影像评价方法、装置、设备及介质。

技术介绍

[0002]医学影像是指为了医疗或医学研究，对人体或人体某部份，以非侵入方式取得内部组织影像的技术与处理过程。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。
[0003]医学影像的质量高低直接影响着医务工作者对疾病的诊断与治疗决策，医疗质量的同质化是检查资料共享和检查结果互认的基础。然而，由于放射科质量控制与管理工作标准化程度不够，质控标准同质化程度低，且设备厂商、软件版本也不尽相同，导致影像的质量存在较大差异。
[0004]传统的医学影像质量控制方法仅仅依靠人工判别，缺乏客观性，容易造成结果的差异，且人工判别的效率低，会很大程度上增加医师、医技的工作量，严重阻碍了影像图像质控工作的落实。
[0005]近年来，AI技术快速发展，在肺小结节、骨折、肿瘤等辅助诊断方面已取得突破性的成果，能有效替代重复性工作，提高效率和准确性，但AI技术在医学影像图像质量控制领域的应用仍相对空白。

技术实现思路

[0006]有鉴于此，本专利技术的目的在于提供一种基于人工智能的医学影像评价方法、装置、设备及介质，以改善上述问题。
[0007]本专利技术实施例提供了一种基于人工智能的医学影像评价方法，其包括：
[0008]采集预设覆盖范围及预设时间段内医疗机构的多条历史影像检查数据，并根据所述历史影像检查数据生成带有质控标注的样本数据集；所述样本数据集包括模型训练集；
[0009]构建深度神经网络模型；所述深度神经网络模型的CNN主干网络由卷积层、池化层、归一化层、激活函数和全连接层组成；
[0010]利用所述模型训练集对每个目标质控评价项目构建的深度神经网络进行训练，生成医学影像质控多任务分类模型；
[0011]采集待评价医学影像数据，并根据质控需求对待评价的医学影像数据进行映射、识别，得到待评价的影像检查数据；
[0012]将待评价的影像检查数据经预处理后输入所述医学影像质控多任务分类模型，输出待评价的影像检查数据对应的医学影像图像质量标准评价结果。
[0013]优选地，采集预设覆盖范围及预设时间段内医疗机构的多条历史影像检查数据，并根据所述历史影像检查数据生成带有质控标注的样本数据集；所述样本数据集包括模型训练集，具体包括：
[0014]提取识别出的每个目标质控评价项目对应的至少部分历史影像检查数据中的影像数据作为样本图像数据，并通过补齐至统一长度进行归一化处理；
[0015]根据提取出的所述样本图像数据及对应的质控标注生成带有质控标注的样本数据集，并从所述样本数据集提取至少部分样本数据作为模型训练集。
[0016]优选地，在模型训练时：
[0017]根据模型训练集对建立的深度神经网络进行训练；其中，在开始训练前预先设置批处理数量和初始学习率，在开始训练后根据损失函数下降情况调整学习率，得到训练后的医学影像质控多任务分类模型。
[0018]优选地，构造逻辑回归损失函数；
[0019][0020]其中，X为输入的预处理后的影像数据；(y1,y2,...,y
k
)为X对应的专家标注数据；为深度神经模型预测X是否符合第i类型质控标准上的概率或质控分数。
[0021]优选地，根据训练时模型收敛速度及性能变化选择固定策略的学习率衰减调整策略或自适应学习率衰减调整策略作为学习率调整策略。
[0022]优选地，如果选择固定策略的学习率衰减调整策略作为所述学习率调整策略，则验证模型，判断周期内，验证集损失函数是否下降，若否，则将学习率调整为原学习率的保存模型参数；重复验证模型的步骤；当连续N个周期内，所述验证集损失函数没有继续下降，则输出模型。
[0023]优选地，所述样本数据集还包括用于进行模型验证的模型验证集，则在进行模型验证时：
[0024]将所述模型验证集中的影像检查数据输入到训练好的医学影像质控多任务分类模型中，输出各条影像检查数据对应的医学影像图像质量相关标准评价结果；将医学影像质控多任务分类模型输出的评价结果与模型验证集中各条影像检查数据对应的质控标注进行比较，并根据损失函数计算两者差异；
[0025]当差异性大于预设阈值时，分析存在差异的影像检查数据、模型输出结果及对应的质控标注，调整模型参数优化模型性能。
[0026]优选地，所述样本数据集还包括用于进行模型测试的模型测试集，则在进行模型测试时，将所述模型测试集中的影像检查数据输入到经模型参数调整后的医学影像质控多任务分类模型中，输出各条影像检查数据对应的医学影像图像质量相关标准评价结果；
[0027]将医学影像质控多任务分类模型输出的评价结果与模型测试集中各条影像检查数据对应的质控标注进行比较，并根据损失函数计算两者差异；
[0028]当差异性仍大于预设阈值时，重新进行模型构建与训练。
[0029]优选地，将待评价的影像检查数据经预处理后输入所述医学影像质控多任务分类模型，输出待评价的影像检查数据对应的医学影像图像质量标准评价结果之后，还包括，
[0030]将待评价的影像检查数据中的影像数据进行解析，提取其中的文本信息，将所述文本信息与对应的目标质控评价项目的质控语义描述框架中的医学影像信息完整度相关标准进行逐条匹配，输出待评价的影像检查数据对应的医学影像信息完整度相关标准评价
结果；
[0031]根据各个目标质控评价项目的质控语义描述框架的分数设置，结合所述医学影像图像质量评价结果及所述医学影像信息完整度评价结果，自动生成各条待评价的医学影像数据对应的医学影像评价报告。
[0032]本专利技术实施例还提供了一种基于人工智能的医学影像评价装置，其包括：
[0033]采集单元，用于采集预设覆盖范围及预设时间段内医疗机构的多条历史影像检查数据，并根据所述历史影像检查数据生成带有质控标注的样本数据集，所述样本数据集包括模型训练集；
[0034]构建单元，用于构建深度神经网络模型；所述深度神经网络模型的CNN主干网络由卷积层、池化层、归一化层、激活函数和全连接层组成；
[0035]模型生成单元，用于利用所述模型训练集对构建的每个目标质控评价项目的深度神经网络进行训练，生成医学影像质控多任务分类模型；
[0036]获取单元，用于获取待评价医学影像数据，并根据质控需求对待评价的医学影像数据进行映射、识别，得到待评价的影像检查数据；
[0037]评价结果输出单元，用于将待评价的影像检查数据经预处理后输入所述医学影像质控多任务分类模型，输出待评价的影像检查数据对应的医学影像图像质量标准评价结果。
[0038]本专利技术实施例还提供了一种基于人工智能的医学影像评价设备，其包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的医学影像评价方法，其特征在于，包括：采集预设覆盖范围及预设时间段内医疗机构的多条历史影像检查数据，并根据所述历史影像检查数据生成带有质控标注的样本数据集；所述样本数据集包括模型训练集；构建深度神经网络模型；所述深度神经网络模型的CNN主干网络由卷积层、池化层、归一化层、激活函数和全连接层组成；利用所述模型训练集对每个目标质控评价项目构建的深度神经网络进行训练，生成医学影像质控多任务分类模型；采集待评价医学影像数据，并根据质控需求对所述待评价的医学影像数据进行映射、识别，得到待评价的影像检查数据；将待评价的影像检查数据经预处理后输入所述医学影像质控多任务分类模型，输出待评价的影像检查数据对应的医学影像图像质量标准评价结果。2.根据权利要求1所述的基于人工智能的医学影像评价方法，其特征在于，采集预设覆盖范围及预设时间段内医疗机构的多条历史影像检查数据，并根据所述历史影像检查数据生成带有质控标注的样本数据集；所述样本数据集包括模型训练集，具体包括：提取识别出的每个目标质控评价项目对应的至少部分历史影像检查数据中的影像数据作为样本图像数据，并通过补齐至统一长度进行归一化处理；根据提取出的所述样本图像数据及对应的质控标注生成带有质控标注的样本数据集，并从所述样本数据集提取至少部分样本数据作为模型训练集。3.根据权利要求2所述的基于人工智能的医学影像评价方法，其特征在于，在模型训练时：根据模型训练集对建立的深度神经网络进行训练；其中，在开始训练前预先设置批处理数量和初始学习率，在开始训练后根据损失函数下降情况调整学习率，得到训练后的医学影像质控多任务分类模型。4.根据权利要求3所述的基于人工智能的医学影像评价方法，其特征在于，构造逻辑回归损失函数；其中，X为输入的预处理后的影像数据；(y1,y2,...,y
k
)为X对应的专家标注数据；为深度神经模型预测X是否符合第i类型质控标准上的概率或质控分数。5.根据权利要求3所述的基于人工智能的医学影像评价方法，其特征在于，根据训练时模型收敛速度及性能变化选择固定策略的学习率衰减调整策略或自适应学习率衰减调整策略作为学习率调整策略。6.根据权利要求3所述的基于人工智能的医学影像评价方法，其特征在于，如果选择固定策略的学习率衰减调整策略作为所述学习率调整策略，则验证模型，判断周期内，验证集损失函数是否下降，若否，则将学习率调整为原学习率的保存模型参数；重复验证模型的步骤；当连续N个周期内，所述验证集损失函数没有继续下降，则输出模型。
7.根据权利要求6所述的基于人工智能的医学影像评价方法，其特征在于，所述样本数据集还包括用于进行模型验证的模型验证集，则在进行模型验证时：将所述模型验证集中的影像检查数据输入到训练好的医学影像质控多任务分类模型中，输出各条影像检查数据对应的医学影像图像质量相关标准评价结果；将医学影像质...

【专利技术属性】
技术研发人员：白羽，徐辉，陈维娟，吴鹏，秦浩，廖骥，张剑，白珊玮，余菡，李欣，郭大静，陈金华，
申请(专利权)人：中电通商数字技术上海有限公司，
类型：发明
国别省市：