基于深度学习的医院放射科影像自动解析方法、系统、设备以及电子介质

本发明涉及自动解析。具体涉及基于深度学习的医院放射科影像自动解析方法、系统、设备以及电子介质。

背景技术：

1、放射科影像技术在现代医学中具有重要地位，通过计算机断层扫描、磁共振成像手段，可以获取人体内部详细的影像数据，这些影像数据为疾病诊断、治疗计划制定及疗效评估提供了重要依据，而基于深度学习的自动化影像解析系统，旨在提高影像数据处理的效率和准确性，辅助医生进行快速、精准诊断的作用，尽管放射科影像解析方法能够提供一定的辅助诊断功能，但主要依赖于人工进行病灶区域的标注和诊断，这种方式不仅耗时费力，还容易受到人为因素的影响，导致诊断结果的不一致，此外，传统方法在特征提取过程中效率低下，误诊率较高，难以满足临床对快速、准确诊断的需求。

技术实现思路

1、本发明的目的在于针对现有技术的不足之处，提供基于深度学习的医院放射科影像自动解析方法、系统、设备以及电子介质，旨在采用深度学习模型自动标注和给予诊断建议，减少人工干预，采用深度卷积神经网络进行特征提取，提高特征效率和精度，采用多源影像数据融合及实时异常检测给予个性化临床建议。

2、为此，本技术提供一种放射科影像自动解析系统，包括如下模块：

3、数据采集模块，用于采集医学影像数据；

4、预处理模块，用于对所述医学影像数据进行预处理；

5、定义模块，用于定义与病灶相关区域；

6、区分模块，用于区分病灶区域与非病灶区域，增加病灶区域权重；

7、特征提取单元，用于配置深度卷积神经网络模型提取病灶区域特征；

8、异常检测单元，基于病灶特征模型检测影像中异常特征；

9、识别检索单元，用于识别病灶特征与云端数据进行比对和检索；

10、云端管理单元，用于管理和存储病灶特征数据及解析结果；

11、标注单元，用于标记病灶特征数据；

12、分类单元，包含轻度分类端口、中度分类端口、重度分类端口及特殊分类端口，基于多分类端口实现病灶数据分类处理；

13、建议模块，用于生成诊断建议；

14、通知模块，用于输出通知；

15、用户端，用于接收通知。

16、在一些具体实施方式中，数据采集模块，具体为：

17、用于采集医学影像数据，所述计算机断层扫描获得密度数据、结构数据、横断面数据、对比剂增强数据、病变区域数据及功能性数据；

18、密度数据，基于x射线管与探测器获得密度数据，提供实时密度数据；

19、结构数据，基于x射线管、探测器及扫描架获得结构数据，提供实时结构数据；

20、横断面数据，基于x射线管、探测器及扫描架获得横断面数据，提供实时横断面数据；

21、对比剂增强数据，基于x射线管与探测器获得对比剂增强数据，提供实时对比剂增强数据；

22、病变区域数据，基于x射线管与探测器获得病变区域数据，提供实时病变区域数据；

23、功能性数据，基于x射线管、探测器及特殊成像算法获得功能性数据，提供实时功能性数据。

24、在一些具体实施方式中，预处理模块，具体为：

25、用于对所述医学影像数据进行预处理，所述预处理包括密度数据处理、结构数据处理、横断面数据处理、对比剂增强数据处理、病变区域数据处理及功能性数据处理；

26、密度数据处理，采用高斯滤波去除噪声，将密度数据归一化到0，1；

27、结构数据处理，采用直方图均衡调整结构数据的清晰度，分别包括对比度调整、锐化调整及边缘检测；

28、横断面数据处理，将二维横断面数据通过堆叠重建为三维图像，采用体绘制算法生成三维图像，采用刚性配准对多次扫描的横断面数据进行配准；

29、对比剂增强数据处理，根据对比剂增强效果调整所得数据的对比度系数，对比度增强系数为1.5至3.0，对时间序列的对比剂增强数据进行分析获得动态变化信息；

30、病变区域数据处理，采用区域生长算法分割出病变区域，采用膨胀与腐蚀进一步对病变区域去除噪声和伪影；

31、功能性数据处理，从功能性数据中提取血流量与代谢率指标，采用平滑算法对功能性数据进行平滑处理，其中移动平均窗口大小为3至5个数据点，低通滤波截止频率为0.1至0.5 hz；

32、采用刚性配准将密度数据、结构数据、横断面数据、对比剂增强数据、病变区域数据及功能性数据进行亚像素调整为小于0.5像素；

33、采用线性插值对密度数据、结构数据、横断面数据、对比剂增强数据、病变区域数据及功能性数据进行时间序列数据插值；

34、基于深度学习融合模型将密度数据、结构数据、横断面数据、对比剂增强数据、病变区域数据及功能性数据进行融合为整合集；

35、基于融合后所得数据转换为dicom格式，将dicom格式数据归一化到相同的数值为0, 1范围。

36、在一些具体实施方式中，定义模块及区分模块，具体为：

37、定义模块，用于定义与病灶相关区域，基于深度学习模型对预处理后所得数据进行分析和标注，还包括了特殊病灶进行分析和标注；

38、采用u-net模型结构用于病灶区域的初步定义和标注；

39、采用u-net模型标注的病灶区域，包括病灶的形状、位置、边界信息及特殊结构与密度区域；

40、基于标记后数据进行去除噪声和伪影处理；

41、基于处理后病灶区域评价，采用dice系数评价分割结果准确性，理想值为1；

42、u-net模型基于大量标注的医学影像数据训练，采用旋转、平移及缩放，数据增强技术扩展训练数据集；

43、u-net模型学习率为0.001，批量大小为16，训练轮数为50，优化器为adam；

44、区分模块用于区分病灶区域与非病灶区域，增加病灶区域权重；

45、基于深度学习模型和特征分析对标注的病灶区域进行区分处理；

46、采用深度卷积神经网络提取高维特征，提取特征包括形状特征、纹理特征、密度特征及边缘特征；

47、采用深度学习将密度数据、结构数据、横断面数据、对比剂增强数据、病变区域数据及功能性数据所提取标注病灶区域进行融合；

48、采用多层感知机对病灶区域与非病灶区域进行区分，所述多层感知机采用标注数据对模型进行训练，训练包括学习率、正则化参数及迭代次数，其中，学习率为0.001，正则化参数为0.01，迭代次数为100；

49、基于区分结果，采用加权策略对病灶区域赋予高权重，赋予权重系数为：1.5至3.0之间；

50、基于所得高权重病灶数据进行区分结果验证，验证包括准确率、灵敏度及特异性；

51、在一些具体实施方式中，特征提取单元，具体为：

52、所述特征提取单元包括异常检测单元、识别检索单元、云端管理单元及标注单元；

53、所述的特征提取单元，用于配置深度卷积神经网络模型提取病灶区域特征；

54、采用resnet架构将数量为50个卷积层提取低级到高级图像特征，使用3x3的卷积核进行卷积，采用relu函数激活，将多个残差块用于梯度消失，残差块包含两个3x3卷积层和一个快捷连接，采用relu函数激活，max pooling使用下采样特征图，池化核大小为2x2，步长为2，将卷积层提取特征展开为一维特征向量，多层全连接层用于特征融合和分类，其中，第一层全连接层包含1024个神经元，采用relu激活函数，第二层全连接层包含512个神经元，采用relu激活函数，输出特征向量维度为256；

55、使用学习率为0.001，批量大小为32，训练轮数为100，优化器为adam，对resnet架构进行训练；

56、基于区分后所得数据采用dcnn模型提取特征，采用损失函数计算预测结果与真实标签之间的差异，通过反向传播算法更新模型参数缩小损失；

57、采用交叉验证对所得特征及模型进行评估与验证，采用t-sne进行可视化检查特征分布；

58、异常检测单元，基于病灶特征模型检测影像中异常特征，采用自编码器学习正常数据的特征分布与检测异常样本；

59、采用自编码器将输入特征压缩为低维表示，将低维表示重构为原始特征，采用正常样本数据对自编码器进行训练，包含正常样本的高维特征向量，采用噪声添加、随机裁剪对自编码器训练数据集；

60、从特征提取模块接收高维特征向量，重构误差作为异常分数，获得异常病灶区域数据，基于正常样本的重构误差分布设定阈值为3倍标准差，

61、采用独立的验证数据集评估模型准确率、精确率、召回率、f1分数、auc指标及验证；

62、识别检索单元，用于识别病灶特征与云端数据进行比对和检索；

63、基于所得异常病灶区域数据，从云端管理模块检索已存储特征数据和标注数据，采用特征向量检索云端数据库中的相似特征，其中，检索相似度阈值为0.8至0.9，检索结果为100个最相似的结果；

64、基于检索到特征数据进行识别其类型和特征，计算特征向量之间的夹角余弦值与衡量相似度，计算特征向量之间的欧氏距离与衡量相似度；

65、基于卷积神经网络进行特征提取和模式识别，卷积神经网基于标注的异常区域数据训练，包含已知类型的异常区域特征向量，采用学习率为0.001，批量大小为32，训练轮数为100，优化器为adam对卷积神经网络训练；

66、基于异常检测结果与特征向量，采用余弦相似度和欧氏距离计算异常类型和特征，采用卷积神经网络分类结果，获得检索结果数据，采用独立的验证数据集评估检索结构数据的准确率、精确率、召回率、f1分数、auc；

67、云端管理单元，用于管理和存储病灶特征数据及解析结果；

68、采用分布式数据库系统存储病灶特征数据和解析结果，数据储存格式为dicom格式，将新生成的数据插入数据库，更新已有数据，定期清理过期与无用数据，数据备份频率为七日备份一次，采用aes算法对数据加密；

69、基于识别检索单元数据检索，接收识别检索模块的查询请求，在数据库中查找符合条件的特征数据，返回查询结果，包括相似特征及其相关信息；

70、标注单元，用于标记病灶特征数据，基于深度学习模型自动对病灶特征数据进行标注；

71、采用u-net模型对边界、位置和特征进行标注，采用膨胀与腐蚀去除噪声和孤立小区域；

72、采用统一颜色及标签标注，复杂及不明确病灶区域，进行多次标注并取平均值。

73、在一些具体实施方式中，分类单元，具体为：

74、所述分类单元包含轻度分类端口、中度分类端口、重度分类端口及特殊分类端口，基于多分类端口实现病灶数据分类处理，所述分类单元还包括了预设模块、执行模块、报告生成模块及病症评估模块；

75、分类单元，基于标注数据采用卷积神经网络输出分类结果，包括轻度、中度、重度及特殊病灶标签；

76、轻度分类端口，基于输出病灶面积小，密度低，无显著增强特征数据；

77、中度分类端口，基于输出病灶面积中，密度适中，有一定的增强特征数据；

78、重度分类端口，基于输出病灶面积大，密度高，显著增强特征数据；

79、特殊分类端口，非常规特征或稀有病灶，需进一步检查和确认数据；

80、预设单元，用于预设执行内容；

81、预设执行内容，基于分类单元端口传输数据，执行传输任务；

82、基于轻度与中度病灶数据编辑执行指令及标签，基于重度及特殊病灶数据编辑执行指令及标签；

83、执行单元，基于预设模块设立的执行内容进行执行；

84、基于预设单元所设立的执行内容，得出执行结果；

85、结果一，基于轻度及中度病灶数据设定执行报告生成及诊断建议，增加执行权重；

86、结果二，基于重度及特殊病灶数据设定执行报告生成、病灶评估及诊断建议，增加执行权重；

87、报告生成单元，用于生成所得病灶特征数据总结；

88、基于所得分类结果数据及执行指令数据生成报告内容；

89、报告内容包含患者信息、检查信息、病灶信息、分类结果及附件；

90、其中，患者信息包含id、姓名、年龄及性别；

91、检查信息包含检查日期、影像类型及设备信息；

92、病灶信息包含病灶位置、大小、形状及密度；

93、分类结果包含轻度病灶、中度病灶、重度病灶及特殊病灶；

94、附件包含影像图像、特征图像、分割图像及特征数据；

95、病灶评估单元，用于对数据总结进行评估；

96、基于深度学习模型对分类所得重度与特殊病灶数据进行病灶评估；

97、基于病灶大小、形状、边界清晰度、病灶密度、病灶结构、血供特征、病灶的位置、邻近组织受累情况、病灶生长速度及变化趋势作为评估指标；

98、基于多项评估指标生成评估报告，增加评估报告权重。

99、在一些具体实施方式中，建议模块、通知模块及用户端，具体为：

100、建议模块，用于生成诊断建议；

101、基于不同报告内容给予不同诊断建议结果；

102、结果一，基于轻度病灶报告数据，生成诊断建议为常规随访，记录及监测病灶变化；

103、结果二，基于中度病灶报告数据，生成诊断建议为进一步检查，采用增强ct、mri及实验室检查；

104、结果三，基于重度病灶报告数据，生成诊断建议为立即临床干预，进行手术、放疗或化疗治疗；

105、结果四，基于特殊病灶报告数据，生成诊断建议为多学科会诊，制定个性化治疗方案；

106、通知模块，用于输出通知；

107、将报告生成模块所得报告数据、病症评估模块所得报告数据及建议模块所得诊断报告数据输出；

108、用户端，用于接收通知模块所输出的通知。

109、一种放射科影像自动解析方法，包括如下步骤：

110、步骤100、基于数据采集及预处理后数据，采用深度学习模型进行定义与区分；

111、步骤200、基于区分所得数据进行特征提取、异常检测及与云端互通识别对比检索相关数据；

112、步骤300、基于检索数据及特征数据标注，并基于标注所得数据进行分类处理；

113、步骤400、基于分类所得数据不同数据增加权重，生成报告数据及生成评估报告数据；

114、步骤500、基于生成报告数据及生成评估报告数据生成诊断报告建议；

115、步骤600、基于诊断报告建议输出至用户端。

116、一种电子设备，包括：

117、一个或多个处理器；

118、存储装置，用于存储一个或多个程序，

119、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

120、一种计算机可读介质，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。

121、本技术提供的放射科影像自动解析系统，基于数据采集及预处理后数据，采用深度学习模型进行定义与区分，基于区分所得数据进行特征提取、异常检测及与云端互通识别对比检索相关数据，基于检索数据及特征数据标注，基于标注所得数据进行分类处理，基于分类所得数据不同数据增加权重，生成报告数据及生成评估报告数据，基于生成报告数据及生成评估报告数据生成诊断报告建议输出用户端，通过自动化病灶标注和高效特征提取，提高数据处理效率和准确性，融合多源数据实时异常检测，生成个性化临床建议和诊断报告，采用云端管理互通确保数据的安全性和可访问性，有效降低了误诊率。