一种基于计算机视觉技术的医疗影像质控方法和系统技术方案

本发明专利技术提供了一种基于计算机视觉技术的医疗影像质控方法和系统，包括：采集预设时间段内医疗影像互认区域范围内医疗机构的多条历史影像检查数据；提取历史影像检查数据中的DR影像，对DR影像进行预处理，生成标注后且相同角度的DR影像集；利用计算机视觉技术构建用于质控评价的初始DR影像识别模型，基于DR影像集对初始DR影像识别模型进行训练、验证和测试，生成DR影像预测模块；基于待评价医疗影像数据，获取待评价DR影像，将待评价DR影像输入DR影像预测模块，获取预测结果；预测结果包含影像质控的各项指标；基于预设的医疗影像质控评价规则，对各项指标进行打分，从而输出待评价DR影像的质控评价结果。本发明专利技术能大幅度提高医疗影像的质控评价效率。医疗影像的质控评价效率。医疗影像的质控评价效率。

【技术实现步骤摘要】
一种基于计算机视觉技术的医疗影像质控方法和系统


[0001]本专利技术涉及医疗影像质控领域，具体而言，涉及一种基于计算机视觉技术的医疗影像质控方法和系统。

技术介绍

[0002]医疗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。由于传统医疗影像质控任务中，医疗影像数据质量参差不齐、质控工作需耗费巨大的人力，且评估结果严重依赖于专家的经验，造成评估结果标准化程度较低，且难以做到全量评估，从而阻碍了影像图像质控工作的落实。
[0003]近年来，DR影像质控的深度学习模型在图像分类和图像语义分割领域均有研究，但是目前的基于深度学习的质控方法中，均只针对个别典型的质量指标评估任务进行了方法设计，评估方法较为单一，不能覆盖所有的质控指标需求，难以适用于多元化的医疗影像质控任务。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于计算机视觉技术的医疗影像质控方法和系统，以改善上述问题。
[0005]一方面，本专利技术提供了一种基于计算机视觉技术的医疗影像质控方法，医疗影像包括DR影像，包括：
[0006]采集预设时间段内医疗影像互认区域范围内医疗机构的多条历史影像检查数据；
[0007]提取历史影像检查数据中的DR影像，对DR影像进行预处理，生成标注后且相同角度的DR影像集；
[0008]利用计算机视觉技术构建用于质控评价的初始DR影像识别模型，基于DR影像集对初始DR影像识别模型进行训练、验证和测试，生成DR影像预测模块；
[0009]基于待评价医疗影像数据，获取待评价DR影像，将待评价DR影像输入DR影像预测模块，获取预测结果；预测结果包含影像质控的各项指标；基于预设的医疗影像质控评价规则，对各项指标进行打分，从而输出待评价DR影像的质控评价结果。
[0010]进一步的，对DR影像进行预处理，包括：
[0011]预先制定医疗影像质控标准；
[0012]基于医疗影像质控标准，构建医疗影像标注语义描述框架；医疗影像标注语义描述框架至少包括体位规范与图像布局、整体影像质量规范；
[0013]基于医疗影像标注语义描述框架，对DR影像集进行质控标签的标注，以获得标注后的DR影像集，质控标签至少包括分类标注、区域勾画标注和位置信息标注；标注后的DR影像包括DR图像样本数据、质控标签以及二者的对应关系。
[0014]进一步的，对DR影像进行预处理，还包括：
[0015]将标注后的DR影像集中每个DR影像补齐到统一长度后，再进行归一化；通过仿射
变换算法将每个DR影像对齐到统一角度，以生成标注后且相同角度的DR影像集。
[0016]进一步的，初始DR影像识别模型包括用于对DR影像的伪影及整体影像质量进行预测的分类模型；分类模型构建方法包括：
[0017]构建以卷积层、池化层、归一化层、激活函数和全连接层为主干网络的分类模型的深度卷积神经网络；在全连接层后接一个分类激活函数；全连接层的输出维度与质控标签数量保持一致；分类模型所使用的损失函数为逻辑回归损失函数或L2损失函数；
[0018]以开源图片库为训练集，对初始DR影像识别模型进行预训练，以获得分类模型的初始化网络参数。
[0019]进一步的，分类模型的深度卷积神经网络为AlexNet或ResNet或DenseNet。
[0020]进一步的，初始DR影像识别模型还包括关键点检测模型，关键点检测模型用于预测DR影像中具有特定语义的关键点坐标；关键点检测模型构建方法包括：
[0021]基于编解码网络U
‑
Net为基础网络架构，构建关键点检测模型的深度神经网络；深度神经网络的主干网络包括卷积层、池化层、归一化层、激活函数和上采样层；
[0022]在编解码网络的解码器的上采样模块与对应的下采样模块之间增加一个注意力层；在编解码网络的输入模块与输出模块后各增加一个3
×
3卷积和非线性激活单元，以获得关键点检测模型；关键点检测模型使用的损失函数为交叉熵损失函数或L2损失函数。
[0023]进一步的，构建用于质控评价的初始DR影像识别模型还包括用于对医疗影像中与该医疗影像病症相关的影像区域进行分割的分割模型；分割模型构建方法包括：
[0024]基于编解码网络U
‑
Net为基础网络架构，构建分割模型的深度神经网络；初始化深度神经网络主干网络包括卷积层、池化层、归一化层、激活函数和上采样层；分割模型使用的损失函数为交叉熵损失函数或L2损失函数。
[0025]进一步的，预设时间段根据医疗影像互认区域的卫生健康管理部门规定的互认时效进行设定。
[0026]进一步的，基于预设的医疗影像质控评价规则，对各项指标进行打分，从而输出待评价DR影像的质控评价结果，具体包括：
[0027]根据DR图像对应的目标部位，预先制定若干质控任务，每个质控任务包含：质控标准、涉及部位和判定条件；
[0028]根据DR影像预测模块对待评价DR影像的预测结果，按照质控任务的判定条件，计算待评价DR影像对应的每个质控标准的评分值，并通过加权计算得出待评价DR图像质控评价结果。
[0029]进一步的，构建基本信息完整度评价模型；
[0030]提取该待评价医疗影像数据的检查项目基本信息，该基本信息至少包括：受检者基本信息、病史、检查部位、检查方法、检查项目名称和医院唯一标识码；
[0031]基于该基本信息完整度评价模型，对该待评价医疗影像数据的检查项目基本信息进行预测，获得预测结果；根据该预设的医疗影像质控评价规则，对该预测结果进行打分，以获得基本信息完整度评分结果。
[0032]进一步的，结合该基本信息完整度评价结果和该DR影像的质控评价结果，自动生成待评价医疗影像数据对应的医疗影像质控评价报告。
[0033]另一方面，提供了一种基于计算机视觉技术的医疗影像质控系统，医疗影像包括
DR影像，包括：
[0034]采集模块，采集模块用于采集预设时间段内医疗影像互认区域范围内医疗机构的多条历史影像检查数据；
[0035]预处理模块：预处理模块用于提取历史影像检查数据中的DR影像，对DR影像进行预处理，生成标注后且相同角度的DR影像集；
[0036]模型生成模块：模型生成模块利用计算机视觉技术构建用于质控评价的初始DR影像识别模型，基于DR影像集对初始DR影像识别模型进行训练、验证和测试，生成DR影像预测模块；
[0037]DR影像质控模块：质控模块基于待评价医疗影像数据，获取待评价DR影像，将待评价DR影像输入DR影像预测模块，获取预测结果；预测结果包含影像质控的各项指标；基于预设的医疗影像质控评价规则，对各项指标进行打分，从而输出待评价DR影像的质控评价结果。
[0038]进一步的，还包括：基本信息完整度质控模块；
[0039]基本信息完整本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于计算机视觉技术的医疗影像质控方法，所述医疗影像包括DR影像，其特征在于，包括：采集预设时间段内医疗影像互认区域范围内医疗机构的多条历史影像检查数据；提取所述历史影像检查数据中的DR影像，对所述DR影像进行预处理，生成标注后且相同角度的DR影像集；利用计算机视觉技术构建用于质控评价的初始DR影像识别模型，基于所述DR影像集对所述初始DR影像识别模型进行训练、验证和测试，生成DR影像预测模块；基于待评价医疗影像数据，获取待评价DR影像，将所述待评价DR影像输入所述DR影像预测模块，获取预测结果；所述预测结果包含影像质控的各项指标；基于预设的医疗影像质控评价规则，对所述各项指标进行打分，从而输出所述待评价DR影像的质控评价结果。2.根据权利要求1所述的基于计算机视觉技术的医疗影像质控方法，其特征在于，对所述DR影像进行预处理，包括：预先制定医疗影像质控标准；基于所述医疗影像质控标准，构建医疗影像标注语义描述框架；所述医疗影像标注语义描述框架至少包括体位规范与图像布局、整体影像质量规范；基于所述医疗影像标注语义描述框架，对所述DR影像集进行质控标签的标注，以获得标注后的DR影像集，所述质控标签至少包括分类标注、区域勾画标注和位置信息标注；所述标注后的DR影像包括DR图像样本数据、质控标签以及二者的对应关系。3.根据权利要求2所述的基于计算机视觉技术的医疗影像质控方法，其特征在于，对所述DR影像进行预处理，还包括：将所述标注后的DR影像集中每个DR影像补齐到统一长度后，再进行归一化；通过仿射变换算法将每个DR影像对齐到统一角度，以生成所述标注后且相同角度的DR影像集。4.根据权利要求1所述的基于计算机视觉技术的医疗影像质控方法，其特征在于：所述初始DR影像识别模型包括用于对所述DR影像的伪影及整体影像质量进行预测的分类模型；所述分类模型构建方法包括：构建以卷积层、池化层、归一化层、激活函数和全连接层为主干网络的分类模型的深度卷积神经网络；在所述全连接层后接一个分类激活函数；所述全连接层的输出维度与所述质控标签数量保持一致；所述分类模型所使用的损失函数为逻辑回归损失函数或L2损失函数；以开源图片库为训练集，对所述初始DR影像识别模型进行预训练，以获得所述分类模型的初始化网络参数。5.根据权利要求4所述的基于计算机视觉技术的医疗影像质控方法，其特征在于：所述分类模型的深度卷积神经网络为AlexNet或ResNet或DenseNet。6.根据权利要求1所述的基于计算机视觉技术的医疗影像质控方法，其特征在于：所述初始DR影像识别模型还包括关键点检测模型，所述关键点检测模型用于预测所述DR影像中具有特定语义的关键点坐标；所述关键点检测模型构建方法包括：基于编解码网络U
‑
Net为基础网络架构，构建关键点检测模型的深度神经网络；所述深度神经网络的主干网络包括卷积层、池化层、归一化层、激活函数和上采样层；在所述编解码网络的解码器的上采样模块与对应的下采样模块之间增加一个注意力
层；在所述编解码网络的输入模块与输出模块后各增加一个3
×
3卷积和非线性激活单元，以获得所述关键点检测模型；所述关键点检测模型使用的损失函数为交叉熵损失函数或L2损失函数。7.根据权利要求1所述的基于计算机视觉技术的医疗影像质控方法，其特征在于：所述构建用于质控评价的初始DR影像识别模型还包括用于对医疗影像中与该医疗影像病症相关的影像区域进行分割的分割模型；所述分割模型构建方法包括：基于编解码网络U
‑
Net为基础网络架构，构建分割模型...

【专利技术属性】
技术研发人员：白羽，徐辉，周治明，吴鹏，秦浩，廖骥，张剑，艾光勇，邓昊，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：