基于深度学习的急性胰腺炎智能辅助诊断系统技术方案

本发明专利技术公开了一种基于深度学习的急性胰腺炎智能辅助诊断系统，图像采集模块用于采集患者的腹腔的模拟图像信息；图像输入模块用于将腹腔的模拟图像信息转化为数字图像信息；第一诊断模块用于基于数字图像信息判断是否患急性胰腺炎并输出第一诊断信息；图像分割模块用于对数字图像信息进行图像分割并输出图像分割信息；第二诊断模块用于基于分割图像信息识别判断急性胰腺炎患病严重程度并输出第二诊断信息。本发明专利技术首先对是否患有急性胰腺炎进行识别判断，再对急性胰腺炎的患病严重程度进行辅助判断，准确高效的输出急性胰腺炎诊断预测结果，从而辅助医生对患者的急性胰腺炎严重程度进行了诊断，克服了现有技术中容易对急性胰腺炎造成误诊的问题。胰腺炎造成误诊的问题。胰腺炎造成误诊的问题。

【技术实现步骤摘要】
基于深度学习的急性胰腺炎智能辅助诊断系统


[0001]本专利技术属于急性胰腺炎诊断预测领域，具体是基于深度学习的急性胰腺炎智能辅助诊断系统。

技术介绍

[0002]急性胰腺炎(Acute pancreatitis,AP)是最常见的胰腺疾病，全球发病率为每10万人34例。2017年，全球约有160万新发AP患者，其中约10万人死亡。AP病程大多是自限性的；然而，仍然20％的患者发展为严重的AP(SAP)，并伴有心、肺、肾和其他重要器官衰竭(OFs)，死亡率为30％。SAP的发生不仅影响患者的预后结果，而且增加了护理成本。
[0003]现有技术中有一些评分和模型来预测AP相关的结果，但其准确性仍不令人满意。目前临床上有许多种评分系统用于AP严重程度的早期分类，其中急性生理与慢性健康评估(APACHE)II和床旁急性胰腺炎严重程度指数(BISAP)在临床上得到广泛应用。虽然APACHE II得分系统在评估AP的严重程度和评分方面很有价值，但是流程繁琐。BISAP评分可以在入院第一天进行评估，但预测的准确性和敏感性不高。
[0004]目前针对急性胰腺炎的诊断仍存在以下问题：一方面，一些水肿型胰腺炎仅仅表现为胰腺轻度肿大或不明显，放射科医生很容易造成假阴性的结果；另一方面，一些渗出坏死严重的患者，放射科医生很难通过肉眼区分坏死渗出的边界；容易对急性胰腺炎造成误判。

技术实现思路

[0005]本专利技术的目的是提供一种基于深度学习的急性胰腺炎智能辅助诊断系统，能够对患者是否患有急性胰腺炎进行初步诊断，并对确诊急性胰腺炎的患者进行急性胰腺炎严重程度诊断，辅助医生完成急性胰腺炎的诊断。
[0006]为了实现上述目的，本专利技术的技术方案如下：基于深度学习的急性胰腺炎智能辅助诊断系统，包括：
[0007]图像采集模块，用于采集患者的腹腔的模拟图像信息；
[0008]图像输入模块，用于将腹腔的模拟图像信息转化为数字图像信息，并发送数字图像信息；
[0009]第一诊断模块，用于接收数字图像信息，并将数字图像信息输入训练后的第一卷积神经网络模型内，第一卷积神经网络基于数字图像信息判断是否为急性胰腺炎，并输出第一诊断信息；
[0010]图像分割模块包括图像接收子模块、胰腺分割子模块、炎性分割子模块、积液分割子模块和坏死分割子模块；
[0011]图像接收子模块用于接收第一诊断信息，判断是否为急性胰腺炎，若为急性胰腺炎则接收数字图像信息，若不是急性胰腺炎，则不接受数字图像信息；
[0012]胰腺分割子模块用于对胰腺进行图像分割，输出第一分割图像信息；
[0013]炎性分割子模块用于对胰腺周围炎性进行图像分割，输出第二分割图像信息；
[0014]积液分割子模块用于对胰腺周围积液进行图像分割，输出第三分割图像信息；
[0015]坏死分割子模块用于对胰腺周围脓肿坏死进行图像分割，输出第四分割图像信息；
[0016]第二诊断模块，用于接收第一分割图像信息、第二分割图像信息、第三分割图像信息和第四分割图像信息，并将其依次输入第二卷积神经网络模型，第二卷积神经网络模型基于上述分割图像信息识别判断急性胰腺炎患病严重程度，输出第二诊断信息。
[0017]上述方案的技术原理如下：通过图像采集模块对患者的腹腔模拟图像信息进行采集，然后由图像输入模块将模拟图像信息转化为数字图像信息，再由图像处理模块对图像进行处理，输出病灶图像高亮的融合图像信息，病灶高亮的融合图像信息将会更加容易对急性胰腺炎进行诊断，从而提高急性胰腺炎诊断的准确性，再将融合图像信息输入到训练后的神经网络模型内，神经网络模型进行识别处理后输出急性胰腺炎的诊断结果。
[0018]采用上述方案有以下有益效果：
[0019]1、相较于现有技术，通过第一诊断模块对患者是否患有急性胰腺炎进行初步诊断，并通过图像分割模块对急性胰腺炎相关病灶进行图像分割，使病灶显示更加清晰可辨，有效的提升急性胰腺炎诊断结果的准确性，辅助医生准确的完成患者急性胰腺炎的诊断。
[0020]2、相较于现有技术，根据急性胰腺炎的病灶类型，使用与病灶类型对应的分割模块进行病灶图像分割，基于不同的病灶情况所输出急性胰腺炎诊断结果更加全面且准确。
[0021]进一步，第二诊断模块内设置有图像分类子模块，图像分类子模块用于基于训练后的图像神经网络模型对第二诊断模块接收的第一分割图像信息、第二分割图像信息、第三分割图像信息和第四分割图像信息按照病灶类型进行分类，分类为胰腺分割图像、炎性分割图像、积液分割图像、坏死分割图像。
[0022]有益效果：通过图像分类模块基于不同的病灶类型对分割图像信息进行分类，便于后期直接基于相关病灶情况进行诊断，提升第二诊断模块对急性胰腺炎严重程度的的诊断效率。
[0023]进一步，第二卷积神经网络模型包括肿大神经网络模型、炎性渗出神经网络模型、积液神经网络模型和坏死神经网络模型；肿大神经网络模型用于对胰腺分割图像进行识别判断，并输出第一识别信息；炎性渗出神经网络模型用于对炎性分割图像进行识别判断，并输出第二识别信息；积液神经网络模型用于对积液分割图像进行识别判断，并输出第三识别信息；坏死神经网络模型用于对坏死分割图像进行识别判断，并输出第四识别信息；并将第一识别信息、第二识别信息、第三识别信息和第四识别信息整合为第二诊断信息。
[0024]图像分类子模块还用于将胰腺分割图像、炎性分割图像、积液分割图像、坏死分割图像发送至对应的神经网络模型。
[0025]有益效果：将神经网络模型基于相关病灶类型进行分类，从而对应不同的病灶的分割图像信息，对应病灶的神经网络模型处理对应病灶的分割图像信息，优化神经网络模型的识别步骤，提高诊断效率。
[0026]进一步，还包括图像滤波模块，用于基于高斯滤波法对传输的图像进行滤波处理，去除图像传输过程中产生的噪音。
[0027]有益效果：通过图像滤波模块对系统内模块间传输的图像信息进行滤波，从而降
低传输过程中图像信息所产生的噪音，降低传输噪音对图像清晰度的影响，提升图像信息的清晰度，便于后续能够输出更加准确的诊断结果。
[0028]进一步，还包括图像处理模块，图像处理模块包括图像灰度处理子模块、图像二值化处理子模块、图像边缘识别子模块和图像标记子模块；图像灰度处理子模块用于接收数字图像信息，并对数字图像信息进行灰度处理，并输出灰度图像信息；图像二值化处理子模块用于根据预设阈值对灰度图像信息进行二值化处理，并输出二值化图像信息；图像边缘识别子模块用于对二值化图像信息中的病灶进行边缘识别，并输出病灶的轮廓图像信息；图像标记子模块用于对轮廓图像信息进行标记，并输标记图像信息；
[0029]第一诊断模块还用于接收标记图像信息，并将标记图像信息输入训练后的第一卷积神经网络模型内，第一卷积神经网络基于标记图像信息判断是否为急性胰腺炎，并输出预诊断信息，并将预诊信息作为第一诊断信息的依据之一。
[0030]有益效果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的急性胰腺炎智能辅助诊断系统，其特征在于，包括：图像采集模块，用于采集患者的腹腔的模拟图像信息；图像输入模块，用于将腹腔的模拟图像信息转化为数字图像信息，并发送数字图像信息；第一诊断模块，用于接收数字图像信息，并将数字图像信息输入训练后的第一卷积神经网络模型内，第一卷积神经网络基于数字图像信息判断是否为急性胰腺炎，并输出第一诊断信息；图像分割模块包括图像接收子模块、胰腺分割子模块、炎性分割子模块、积液分割子模块和坏死分割子模块；图像接收子模块用于接收第一诊断信息，判断是否为急性胰腺炎，若为急性胰腺炎则接收数字图像信息，若不是急性胰腺炎，则不接受数字图像信息；胰腺分割子模块用于对胰腺进行图像分割，输出第一分割图像信息；炎性分割子模块用于对胰腺周围炎性进行图像分割，输出第二分割图像信息；积液分割子模块用于对胰腺周围积液进行图像分割，输出第三分割图像信息；坏死分割子模块用于对胰腺周围脓肿坏死进行图像分割，输出第四分割图像信息；第二诊断模块，用于接收第一分割图像信息、第二分割图像信息、第三分割图像信息和第四分割图像信息，并将其依次输入第二卷积神经网络模型，第二卷积神经网络模型基于上述分割图像信息识别判断急性胰腺炎患病严重程度，输出第二诊断信息。2.根据权利要求1所述的基于深度学习的急性胰腺炎智能辅助诊断系统，其特征在于：第二诊断模块内设置有图像分类子模块，图像分类子模块用于基于训练后的图像神经网络模型对第二诊断模块接收的第一分割图像信息、第二分割图像信息、第三分割图像信息和第四分割图像信息按照病灶类型进行分类，分类为胰腺分割图像、炎性分割图像、积液分割图像、坏死分割图像。3.根据权利要求2所述的基于深度学习的急性胰腺炎智能辅助诊断系统，其特征在于：第二卷积神经网络模型包括肿大神经网络模型、炎性渗出神经网络模型、积液神经网络模型和坏死神经网络模型；肿大神经网络模型用于对胰腺分割图像进行识别判断，并输出第一识别信息；炎性渗出神经网络模型用于对炎性分割图像进行识别判断，并输出第二识别信息；积液神经网络模型用于对积液分割图像进行识别判断，并输出第三识别信息；坏死神经网络模型用于对坏死分割图像进行识别判断，并输出第四识别信息；并将第一识别信息、第二识别信息、第三识别信息和第四识别信息整合为第二诊断信息。图像分类子模块还用于将胰腺分割图像、炎性分割图像、积液分割图像、坏死分割图像发送至对应的神...

【专利技术属性】
技术研发人员：江华，彭谨，张驰，曾俊，孙明伟，
申请(专利权)人：四川省医学科学院，
类型：发明
国别省市：