System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像匹配的,尤其涉及一种智能化医学影像分析方法。
技术介绍
1、医学影像是现代医学领域中重要的诊断和治疗工具。它包括x射线、ct扫描、mri等多种成像技术,能够提供人体内部器官、组织和病变的详细信息。然而,传统的医学影像分析主要依靠医生的经验和直觉进行解读和判断,存在主观性和可变性的问题,同时对历史病例资源无法充分利用。随着医学影像数据不断增长,人工处理和解读已经变得困难和耗时。因此,开展智能化医学影像分析方法成为迫切需求。智能化医学影像分析通过应用人工智能技术,如机器学习、深度学习和计算机视觉,对医学影像进行自动化解读和分析。这些方法可以辅助医生充分挖掘历史病例资源,帮助快速准确地诊断疾病,给出治疗方案。鉴于此,本专利提出一种智能化医学影像分析方法,通过人工智能技术实现历史病例资源的充分利用,辅助医生开展有效诊断治疗。
技术实现思路
1、有鉴于此,本专利技术提供一种智能化医学影像分析方法,目的在于:1)通过对历史病例图像进行泛化处理,得到变异病例图像集合,扩展可进行匹配的病例图像数目,提高历史病例资源利用率;2)通过构建医学图像诊断模型分别提取变异病例图像的自注意力特征与多尺度局部感知特征作为深度语义特征,并结合映射融合的方式得到表征变异病例图像自注意力权重以及自身局部感知特征的稳定语义特征,保证病例图像特征提取稳定性;3)利用深层语义特征提取网络模型对待诊断图像进行多尺度卷积残差处理、池化操作、深度可分离卷积处理以及结合上下文的语义感知处理,得到待诊断图像的深层语
2、实现上述目的,本专利技术提供的一种智能化医学影像分析方法,包括以下步骤:
3、s1:获取待诊断图像以及若干历史病例图像,构建病例图像泛化模型对历史病例图像进行泛化处理,得到变异病例图像集合,所述病例图像泛化模型以历史病例图像为输入,以变异病例图像集合为输出;
4、s2:构造医学图像诊断模型,提取变异病例图像集合中变异病例图像的稳定语义特征,所述医学图像诊断模型以变异病例图像为输入,融合全局的自注意力特征与多尺度局部感知特征,得到变异病例图像的稳定语义特征;
5、s3:构造深层语义特征提取网络模型,提取待诊断图像的深层语义特征,其中深层语义特征提取网络模型包括多尺度特征提取网络模块、语义提取网络模块和语义理解网络模块;
6、s4:对待诊断图像的深层语义特征和变异病例图像的稳定语义特征进行相似度计算,选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考,辅助医生确定诊疗方案。
7、作为本专利技术的进一步改进方法:
8、可选地,所述s1步骤中获取待诊断图像以及若干历史病例图像,并构建病例图像泛化模型,包括:
9、获取待诊断图像i以及若干历史病例图像,其中历史病例图像为用于对待诊断图像进行图像匹配的候选图像,所采集历史病例图像的表示形式为:
10、;
11、其中:
12、表示所获取第n张历史病例图像;
13、构建病例图像泛化模型,利用病例图像泛化模型对历史病例图像进行泛化处理扩大病例适用范围,得到变异病例图像集合,其中病例图像泛化模型包括输入层、图像泛化层以及输出层,输入层用于输入历史病例图像,图像泛化层用于对历史病例图像进行泛化映射处理,输出层用于将历史病例图像的泛化映射处理结果作为变异病例图像进行输出。
14、所述s1步骤中利用病例图像泛化模型对历史病例图像进行泛化处理,得到变异病例图像集合,包括:
15、利用病例图像泛化模型对历史病例图像进行泛化处理,其中历史病例图像的泛化处理流程为:
16、s11:输入层接收历史病例图像,并将历史病例图像传输至图像泛化层;
17、s12:图像泛化层对历史病例图像进行m次泛化映射处理:
18、;
19、其中:
20、表示历史病例图像的第m次泛化映射处理结果;
21、表示非线性映射函数;
22、表示第m次泛化映射处理模板;
23、表示hadamard积运算符;
24、s13:输出层将历史病例图像的泛化映射处理结果作为变异病例图像进行输出,构成历史病例图像的变异病例图像集合:。
25、可选地,所述s2步骤中构造医学图像诊断模型,包括:
26、构造医学图像诊断模型,所述医学图像诊断模型以变异病例图像为输入,融合全局的自注意力特征与多尺度局部感知特征,得到变异病例图像的稳定语义特征,其中医学图像诊断模型包括输入层、深度语义特征提取层以及稳定语义特征构造层,输入层用于接收变异病例图像,深度语义特征提取层用于分别提取变异病例图像的自注意力特征与多尺度局部感知特征作为深度语义特征,稳定语义特征构造层用于将深度语义特征构造为变异病例图像的稳定语义特征。
27、所述s2步骤中利用医学图像诊断模型提取变异病例图像集合中变异病例图像的稳定语义特征,包括:
28、利用医学图像诊断模型提取变异病例图像集合中变异病例图像的稳定语义特征,其中变异病例图像集合中变异病例图像的稳定语义特征提取流程为:
29、s21:输入层接收变异病例图像;
30、s22:深度语义特征提取层分别提取变异病例图像的自注意力特征与多尺度局部感知特征作为深度语义特征:
31、 ;
32、 ;
33、 ;
34、其中:
35、t表示转置;
36、分别表示深度语义特征提取层中的卷积权重矩阵;
37、d表示的维度;
38、表示分别利用像素大小的卷积核对变异病例图像进行卷积处理,得到的三种尺度下的局部感知特征;
39、s23:稳定语义特征构造层将深度语义特征构造为变异病例图像的稳定语义特征:
40、 ;
41、 ;
42、其中:
43、表示变异病例图像的稳定语义特征;
44、表示relu激活函数;
45、表示以自然常数为底的指数函数;
46、表示使得达到最大的参数,其中。
47、可选地,所述s3步骤中构造深层语义特征提取网络模型,提取待诊断图像的深层语义特征,包括:
48、构造深层语义特征提取网络模型,利用深层语义特征提取网络模型提取待诊断图像i的深层语义特征,其中深层语义特征提取网络模型包括多尺度特征提取网络模块、语义提取网络模块和语义理解网络模块,多尺度特征提取本文档来自技高网...
【技术保护点】
1.一种智能化医学影像分析方法,其特征在于,所述方法包括:
2.如权利要求1所述的一种智能化医学影像分析方法,其特征在于,所述S1步骤中获取待诊断图像以及若干历史病例图像,并构建病例图像泛化模型,包括:
3.如权利要求2所述的一种智能化医学影像分析方法,其特征在于,所述S1步骤中利用病例图像泛化模型对历史病例图像进行泛化处理,得到变异病例图像集合,包括:
4.如权利要求1所述的一种智能化医学影像分析方法,其特征在于,所述S2步骤中构造医学图像诊断模型,包括:
5.如权利要求4所述的一种智能化医学影像分析方法,其特征在于,所述S2步骤中利用医学图像诊断模型提取变异病例图像集合中变异病例图像的稳定语义特征,包括:
6.如权利要求1所述的一种智能化医学影像分析方法,其特征在于,所述S3步骤中构造深层语义特征提取网络模型,提取待诊断图像的深层语义特征,包括:
7.如权利要求1所述的一种智能化医学影像分析方法,其特征在于,所述S4步骤中对待诊断图像的深层语义特征以及变异病例图像的稳定语义特征进行相似度计算,选取相似度高
...【技术特征摘要】
1.一种智能化医学影像分析方法,其特征在于,所述方法包括:
2.如权利要求1所述的一种智能化医学影像分析方法,其特征在于,所述s1步骤中获取待诊断图像以及若干历史病例图像,并构建病例图像泛化模型,包括:
3.如权利要求2所述的一种智能化医学影像分析方法,其特征在于,所述s1步骤中利用病例图像泛化模型对历史病例图像进行泛化处理,得到变异病例图像集合,包括:
4.如权利要求1所述的一种智能化医学影像分析方法,其特征在于,所述s2步骤中构造医学图像诊断模型,包括:
5.如权利要求4所述的一种智能化...
【专利技术属性】
技术研发人员:李洪举,李建兴,
申请(专利权)人:莱凯医疗器械北京有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。