基于宽度学习的医学辅助诊断系统技术方案

本发明专利技术公开了基于宽度学习的医学辅助诊断系统，涉及辅助医学诊断技术领域，包括开源肺部CT图像收集，开源肺部CT图像收集包括获取训练图像数据、图像预处理、宽度学习系统、模型测试和应用研究；获取训练图像数据包括带有放射科医生标记的肺部CT图像80％作为训练集和带有放射科医生标记的肺部CT图像20％作为测试集，本发明专利技术将AI技术与CT检测机器等进行有机融合，将软件技术算法嵌入到大型仪器中，对现有资源整合更高效地服务于大众；不断收集更多的肺部CT图像数据集进一步来提高模型的稳定性以及识别精确度。性以及识别精确度。性以及识别精确度。

【技术实现步骤摘要】
基于宽度学习的医学辅助诊断系统


[0001]本专利技术涉及辅助医学诊断
，具体为基于宽度学习的医学辅助诊断系统。

技术介绍

[0002]宽度学习的文章名为《BroadLearningSystem:AnEffectiveandEfficient IncrementalLearningSystemWithouttheNeedforDeepArchitecture》。据论文所述：深度学习由于计算量太大，计算成本太高，所以提出了一种新的网络结构来解决这个问题。一篇名为《BroadLearningSystemfor NonparametricModelingofClayParameters》的论文发表于2020American SocietyofCivilEngineers期刊中提到，宽度学习系统的应用空间仍具有很大的潜力空间，BLS为数据驱动的非参数化建模提供了一种计算效率高的替代方案。《Coronavirus(COVID
‑
19)ClassificationusingCTImagesby MachineLearningMethods》中，MucahidBarstugan,UmutOzkaya,Saban Ozturk等人采用10倍交叉验证法和GLSZM特征提取法对COVID
‑
19腹部CT进行分类，分类正确率高达99.68％，实验结果指出对CT腹部图像、X射线胸部图像、验血结果等需要进行更多的机器学习以达到较高的精度以及速度。首次提出宽度学习系统的概念，并于2021年8月发表《宽度学习系统研究进展》，提出BLS只需借助伪逆求取网络隐藏层到输出层的权重，这种求解方式非常快速，而且不会遇到梯度消失或爆炸的问题。此外，当模型的测试准确率达不到预期的要求时，BLS还可以使用增量学习方法快速实现模型的重建。BLS出现后，国内外研究者相继提出了许多基于BLS的变体结构和改进算法，这些算法被广泛应用于图像分类、模式识别、数值回归、脑电信号处理、自动控制等领域。HuangYao,YuZhang,YantaoWeiandYuanTian等人在《BroadLearningSystemwithLocalitySensitiveDiscriminant AnalysisforHyperspectralImageClassification》中提到，在LSDA层获得有限维特征的模型中，可以获得较高的分类精度，这意味着在实际应用中计算机能达到较高的运作效率。
[0003]推想医疗科技股份有限公司，专注于AI医疗领域，目前，推想AI科研平台已在50+家医院上线并使用，研究领域涉及肺结节筛查、脑卒中诊断、胶质瘤基因型预测、乳腺钼靶、冠心病风险预测、骨质疏松检查、卵巢癌超声影像分类、结直肠癌病理的多分类、肝纤维化分期等诸多领域。
[0004]现有的医疗数据私有化导致模型难以继续推进训练；此外AI+医疗目前仍处于快速发展的初始阶段，宽度学习用于临床诊断试验目前仍处于初步试验阶段，市场上仍未有企业采用该技术来运用在辅助诊断领域。
[0005]针对上述问题，本专利技术提供了基于宽度学习的医学辅助诊断系统。

技术实现思路

[0006]本专利技术的目的在于提供基于宽度学习的医学辅助诊断系统，通过宽度学习系统图像识别分析患者肺部CT，全自动快速地提供CT胶片量化结果。基于宽度学习系统图像识别软件可安装于市场内主流品牌的电子计算机断层扫描仪(CT)内，通过分析患者胸部及肺部
CT影像，为放射科医生快速地提供CT影像的量化结果，帮助医生进行快速的初步筛查以及时分流院内等候患者。针对非肺炎患者，该软件也可以同时分析全视野数字病理图像，并结合临床及影像学表现，辅助医生给出更进一步肺部疾病的具体诊断，如：细菌性肺炎、病毒性肺炎等。宽度学习系统(BLS)是基于随机向量函数链神经网络(RVFLNN)的思想，采用岭回归算法，利用输入数据映射的特征作为网络的「特征节点」。其次，映射的特征被增强为随机生成权重的「增强节点」。最后，所有映射的特征和增强节点直接连接到输出端，对应的输出系数可以通过快递的Pseudo伪逆得出。它与目前应用广泛的“深度学习”最大的不同点是通过对高维数据的“降维”和“特征提取”。此外，还可通过“M估计”，并用拉格朗日乘子法、迭代加权最小二乘法来进行优化，降低离群值的权重，在较少的样本量下建立出更准确的模型，从而解决了
技术介绍
中的问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：基于宽度学习的医学辅助诊断系统，包括开源肺部CT图像收集，开源肺部CT图像收集包括获取训练图像数据、图像预处理、宽度学习系统、模型测试和应用研究；获取训练图像数据包括带有放射科医生标记的肺部CT图像80％作为训练集和带有放射科医生标记的肺部CT图像20％作为测试集，图像预处理包括打标签label、节选病灶区域、Unet图像降维、根据放射科医生已经标记好的肺部CT影像进行影像预处理、生产转换后的数字矩阵、生产特征映射矩阵和输入层input，宽度学习系统包括监督式学习、生成特征节点、生成增强节点、输出output、隐藏层hiddenlayer和可通过增加特征节点或增强节点进行增量学习，模型测试包括模型随机权重w、测试数据集、输出识别准确率、对图像进行识别分类、测试模型的准确率和(无)监督式学习，应用研究包括与临床表现进行结合；
[0008]生产特征映射矩阵、生成特征节点和生成增强节点之间是非线性变化，生成增强节和输出output之间通过权重连接。
[0009]进一步地，获取训练图像数据从开源数据集网站中选取部分已经过专业医生标记分类的肺部CT(包括正常、普通肺炎这些类型)作为预备图像，将预备图像按照8:2的比例划分为训练集和测试集，即分别为带有放射科医生标记的肺部CT图像80％作为训练集和带有放射科医生标记的肺部CT图像20％作为测试集。
[0010]进一步地，图像预处理对训练集中的图像已做好标记部分，使用Unet对图像进行降维处理，同时截选病灶区域以及打标签，转换后生成像素数字矩阵。
[0011]进一步地，宽度学习系统对生成的数字矩阵选取病灶区域的特征映射矩阵作为宽度学习系统的输入层，经过非线性变化后生成特征节点，特征节点经过非线性变化后生成增强节点，同时增强节点分配以连接权重输出模型的随机权重w。
[0012]进一步地，模型测试将模型的随机权重w代入测试集中进行测试，得出模型识别的精确度，并得到最终的分类识别结果。
[0013]进一步地，应用研究根据模型得出的分类结果并结合病患临床表现(例如感冒、发烧、头痛这些症状)实现肺炎诊断的快速分类。
[0014]与现有技术相比，本专利技术的有益效果如下：
[0015]1、本专利技术提供的基于宽度学习的医学辅助诊断系统，本专利技术将AI技术与CT检测机器等进行有机融合，将软件技术算法嵌入到大型仪器中，对现有资源整合更高效地服务于大众。
[0016]2、本专利技术提供的基于宽度学习的医学辅助诊断系统，本专利技术不断收集更多的肺部CT图像数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于宽度学习的医学辅助诊断系统，包括开源肺部CT图像收集，其特征在于：所述开源肺部CT图像收集包括获取训练图像数据、图像预处理、宽度学习系统、模型测试和应用研究；所述获取训练图像数据包括带有放射科医生标记的肺部CT图像80％作为训练集和带有放射科医生标记的肺部CT图像20％作为测试集，所述图像预处理包括打标签label、节选病灶区域、Unet图像降维、根据放射科医生已经标记好的肺部CT影像进行影像预处理、生产转换后的数字矩阵、生产特征映射矩阵和输入层input，所述宽度学习系统包括监督式学习、生成特征节点、生成增强节点、输出output、隐藏层hidden layer和可通过增加特征节点或增强节点进行增量学习，所述模型测试包括模型随机权重w、测试数据集、输出识别准确率、对图像进行识别分类、测试模型的准确率和(无)监督式学习，所述应用研究包括与临床表现进行结合；所述生产特征映射矩阵、生成特征节点和生成增强节点之间是非线性变化，所述生成增强节和输出output之间通过权重连接。2.根据权利要求1所述的基于宽度学习的医学辅助诊断系统，其特征在于：所述获取训练图像数据从开源数据集网站中选取部分已经过专业医生标记分类的肺...

【专利技术属性】
技术研发人员：陈苑彤，张婉莹，陆均龙，张宏涛，柴进，罗聪明，
申请(专利权)人：陈苑彤，
类型：发明
国别省市：