一种超声影像的人工智能辅助方法和系统技术方案

本发明专利技术涉及一种超声影像的人工智能辅助方法和系统，所述方法包括:步骤S1：获取多切面超声影像图像并保存为多切面图像；步骤S2：通过多切面图像确定并标识目标物；步骤S3：基于切面图像的超声图像特征合并目标物；步骤S4：针对每个目标物选择一个或者多个切面图像得到其对应的目标切面图像集合；步骤S5：对目标切面图像集合中的每个切面图像选择对应的人工智能模型并得到相应的子分类结果；基于子分类结果得到和目标物对应的分类结果。本发明专利技术融合多维度超声信息，对目标物进行全面分析；可以适应不同机型、不同参数设置导致的超声影像质量层次不齐的情况，鲁棒性好表现稳定。鲁棒性好表现稳定。鲁棒性好表现稳定。

【技术实现步骤摘要】
一种超声影像的人工智能辅助方法和系统


[0001]本专利技术属于人工智能
，尤其涉及一种超声影像的人工智能辅助方法和系统。

技术介绍

[0002]计算机辅助诊断是一种自动或半自动的算法,它将强大的计算机分析能力与成像技术、影像分析方法和其它手段相结合来辅助医生判断病灶,提高医生临床诊断效率和准确率。目前，有学者利用机器系统模拟人类学习，构建出神经网络，实现了可对实际问题进行预测的深度学习系统。而深度学习神经网络作为AI的重要组成部分，是一种以人工神经网络为架构，对数据进行抽象分层和表征学习的算法。借助深度学习神经网络技术，在如今的医学影像领域，已涌现出不少辅助诊断、预后预测等方面的人工智能模型，特别是在超声领域，人工智能的应用更是突飞猛进。
[0003]医学影像中的辅助诊断主要分为三步,首先对医学影像进行预处理,使计算机能够更好地对目标区域进行判断；然后需要将影像信息进行向量化表示；最后将提取到的图像特征输入到深度神经网络等学习模型中进行辅助。然而对于有些人体器官而言，其分布的非常分散数量众多，那么对于辅助诊断带来了更多难点。例如：人体淋巴结约有600个左右，其中颈部约占半数，颈部淋巴结肿大主要分为三大类：(1)良性病变，包括反应性增生、组织细胞坏死性淋巴结炎、淋巴结结核、传染性单核细胞增多症等；(2)交界性病变，包括血管滤泡增生性淋巴结、朗格罕斯细胞组织细胞增生症等；(3)恶性病变，包括淋巴瘤和转移性淋巴结。目前超声是广泛应用于颈部淋巴结检查的首选诊断方法，可以获得大量可以用于判断淋巴结良恶性的指标，包括：淋巴结大小、L/S比、边界、淋巴结有无融和、淋巴门、内部回声、血流及淋巴结周边软组织情况等。虽然诊断恶性淋巴结采纳的指标各研究观点不尽相同，但在部分诊断价值较高的指标已达成共识。然而在实际诊断过程中，部分指标的作用仍存在较大争议，主要是部分不典型的淋巴结病变兼具良性及恶性声像图特征，早期淋巴结病变的常规超声影像，常不具有鲜明对比性，难以将其作为淋巴结良恶性鉴别的依据；常规超声诊断指标众多，部分指标主观判断性强、可重复性差，超声医生的经验与主观印象起了主导作用。
[0004]因此如何采用人工智能辅助的方式来降低主观性，提高准确度，从数据本身挖掘信息，是待解决的问题。基于上述问题，本专利技术融合多维度超声信息，对目标物进行全面分析；可以适应不同机型、不同参数设置导致的超声影像质量层次不齐的情况，鲁棒性好表现稳定。

技术实现思路

[0005]为了解决现有技术中的上述问题，本专利技术提出了一种超声影像的人工智能辅助方法和系统，所述方法包含：
[0006]步骤S1：获取多切面超声影像图像并保存为多切面图像；
[0007]步骤S2：通过多切面图像确定并标识目标物；具体为：针对每个切面图像，提取切面图像特征并确定并标识目标物，同一目标物在不同切面图像中的标识是相同的；
[0008]步骤S3：基于切面图像的超声图像特征合并目标物；具体为：合并超声图像特征一致的相邻或者重叠目标物；
[0009]步骤S4：针对每个目标物选择一个或者多个切面图像得到其对应的目标切面图像集合；具体为：针对每个目标物，从所有切面图像中选择一个或多个切面图像，使得在所选择的切面图像之中，所述目标物的平均超声图像特征差异最大；
[0010]步骤S5：对目标切面图像集合中的每个切面图像选择对应的人工智能模型并得到相应的子分类结果；基于子分类结果得到和目标物对应的分类结果；
[0011]所述步骤S5具体包括如下步骤：
[0012]步骤S51：获取一未处理目标物及其对应的目标切面图像集合；
[0013]步骤S52：获取目标切面图像集合中一未处理切面图像及和所述目标物对应的目标物区域；
[0014]步骤S53：获取和所述未处理目标物对应的未处理切面图像的显著超声图像特征的特征值；基于所述显著超声图像特征确定对应的人工智能模型；其中：所述显著超声特征是使得当前未处理切面图像相对于目标切面图像集合中的其他切面图像具有显著性的超声图像特征值；
[0015]步骤S54：将当前未处理切面图像中的目标物区域的图像特征输入到所述对应的人工智能模型中以得到子分类结果；判断是否所有切面图像均处理完毕，如果是，则进入下一步骤，否则返回步骤S52；
[0016]步骤S55：基于子分类结果得到和目标物对应的分类结果；
[0017]步骤S56：判断是否所有目标物均处理完毕，如果是，则结束，否则，返回步骤S51。
[0018]进一步的，所述显著性包括目标物区域的灰度特征、梯度特征、纹理特征、超声图像特征显著性中的一个其组合。
[0019]进一步的，将大多数子分类结果的结果值作为分类结果的结果值。
[0020]进一步的，所述大多数是90％。
[0021]进一步的，所述方法还包括：基于所述分类结果作人工智能辅助。
[0022]一种超声影像的人工智能辅助系统，包括：服务器和辅助终端；所述服务器用于实现上述的超声影像的人工智能辅助方法；所述辅助终端用于发送人工智能辅助请求至所述服务器。
[0023]进一步的，所述服务器为私有服务器。
[0024]一种超声影像的人工智能辅助平台，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现所述的超声影像的人工智能辅助方法。
[0025]一种计算机可读存储介质，包括程序，当其在计算机上运行时，使得计算机执行所述的超声影像的人工智能辅助方法。
[0026]一种机构服务器，所述机构服务器被配置为执行所述的超声影像的人工智能辅助方法。
[0027]本专利技术的有益效果包括：
[0028](1)基于动态超声的分析利用目标物各个切面图像，同时融合多个切面图像中目标物呈现出的多维信息，针对同一目标物在不同切面呈现出的不同特征采用对应的人工智能模型，从而最大的发挥不同的切面图像所带来的差异化信息来进行全面分析；
[0029](2)量化的全面加入对各种类型特征的考虑，为多切面的目标物发现、差异特征的构建提供基础；
[0030](3)通过混合使用超声图像特征和切面图像的图像特征的手段来发现、扩大发现、适当减少明显降低人工智能辅助门槛的目标物进入后续的深入分析阶段，从而使得结果更加具有参考意义；
[0031](4)设置多个对应不同类型标签的人工智能模型，通过切面图像集合差异化的使用信息，最终使得每个切面图像都能够为不同目标物分类贡献不同的信息量；分类结果表示可以适应不同机型、不同参数设置导致的超声影像质量层次不齐的情况，鲁棒性好表现稳定。
【附图说明】
[0032]此处所说明的附图是用来提供对本专利技术的进一步理解，构成本申请的一部分，但并不构成对本专利技术的不当限定，在附图中：
[0033]图1为本专利技术提供的超声影像的人工智能辅助方法示意图。
[0034]图2为本专利技术提供的通过多切面图像确定并标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超声影像的人工智能辅助方法，其特征在于，所述方法包含：步骤S1：获取多切面超声影像图像并保存为多切面图像；步骤S2：通过多切面图像确定并标识目标物；具体为：针对每个切面图像，提取切面图像特征并确定并标识目标物，同一目标物在不同切面图像中的标识是相同的；步骤S3：基于切面图像的超声图像特征合并目标物；具体为：合并超声图像特征一致的相邻或者重叠目标物；步骤S4：针对每个目标物选择一个或者多个切面图像得到其对应的目标切面图像集合；具体为：针对每个目标物，从所有切面图像中选择一个或多个切面图像，使得在所选择的切面图像之中，所述目标物的平均超声图像特征差异最大；步骤S5：对目标切面图像集合中的每个切面图像选择对应的人工智能模型并得到相应的子分类结果；基于子分类结果得到和目标物对应的分类结果；所述步骤S5具体包括如下步骤：步骤S51：获取一未处理目标物及其对应的目标切面图像集合；步骤S52：获取目标切面图像集合中一未处理切面图像及和所述目标物对应的目标物区域；步骤S53：获取和所述未处理目标物对应的未处理切面图像的显著超声图像特征的特征值；基于所述显著超声图像特征确定对应的人工智能模型；其中：所述显著超声特征是使得当前未处理切面图像相对于目标切面图像集合中的其他切面图像具有显著性的超声图像特征值；步骤S54：将当前未处理切面图像中的目标物区域的图像特征输入到所述对应的人工智能模型中以得到子分类结果；判断是否所有切面图像均处理完毕，如果是，则进入下一步骤，否则返回步骤S52；步骤S55：基于子分类结果得到和目标物对应的分类结果；步骤S56：判断是否所有目标物均处理完毕，如果是，...

【专利技术属性】
技术研发人员：杨高怡，
申请(专利权)人：杭州市红十字会医院，
类型：发明
国别省市：