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。r/>[0004]目本文档来自技高网...

【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：