买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：深圳市龙岗中心医院

摘要：本发明涉及医疗设备技术领域，本发明提供了基于人工智能的医学影像分析系统，包括数据预处理模块、特征提取模块、诊断支持模块、学习与优化模块，数据预处理模块对医学影像数据预处理，以分割出病变区域，特征提取模块对病变区域进行特征提取，以获得病变区域对应的状态信息，诊断支持模块基于训练好的人工智能模型对状态信息评估形成评估结果，并将评估结果向医护人员预警提示，学习与优化模块根据医护人员对评估结果的评分，触发对人工智能模型的调整。本发明通过特征提取模块和诊断支持模块的配合，保证整个系统具有医学影像自适应能力强、智能程度高、识别效率可靠、医护人员劳动强度低、人机交互能力强和早期病变识别能力强的优点。

主权项：1.一种基于人工智能的医学影像分析系统，所述医学影像分析系统包括服务器，其特征在于，所述医学影像分析系统还包括数据预处理模块、特征提取模块、诊断支持模块、学习与优化模块，所述服务器分别与所述数据预处理模块、特征提取模块、诊断支持模块、学习与优化模块连接；所述数据预处理模块对医学影像数据进行预处理，以分割出病变区域，所述特征提取模块对所述病变区域进行特征提取，以获得所述病变区域对应的状态信息，所述诊断支持模块基于训练好的人工智能模型对所述状态信息进行评估形成评估结果，并将所述评估结果向医护人员进行预警提示，所述学习与优化模块根据所述医护人员对所述评估结果的评分，触发对所述人工智能模型的调整；所述特征提取模块包括纹理提取单元和形状提取单元，所述纹理提取单元对所述病变区域中的纹理特征进行提取，以获得所述病变区域的组织结构状态信息，所述形状提取单元对所述病变区域中的几何形状特征进行提取，以获得所述病变区域的形态状态信息；其中，所述状态信息包括组织结构状态信息和形态状态信息；纹理提取单元包括灰度共生矩阵计算器、局部二值化模式提取器、小波变换分析器、Gabor滤波器提取器、向量组合器，所述灰度共生矩阵计算器用于计算影像中不同灰度级别的共生关系，以分析像素对在特定距离和角度上的分布情况，提取图像的第一纹理特征，所述局部二值化模式提取器通过将图像中的每个像素与其邻域像素进行比较，生成局部二值模式，从而捕捉局部纹理信息的第二纹理特征，所述小波变换分析器通过对影像进行小波分解，提取不同尺度和方向上的第三纹理特征，所述Gabor滤波器提取器利用一组方向和频率不同的Gabor滤波器对影像进行滤波，提取特定方向和尺度的第四纹理特征；其中，所述向量组合器将灰度共生矩阵计算器提取得到的第一纹理特征、局部二值化模式提取器提取得到的第二纹理特征、小波变换分析器提取得到的第三纹理特征、Gabor滤波器提取得到的第四纹理特征组合形成一个所述组织结构状态信息的特征向量FeatureVector1；所述形状提取单元根据以下步骤对所述病变区域进行形状特征的提取：S1、边缘检测算法对所述病变区域进行处理，以检测出病变区域的边界；S2、使用边缘检测的结果进行轮廓提取，轮廓提取使用轮廓提取算法，并输出轮廓点的集合；S3、根据输出的轮廓点的集合，对几何特征进行计算；所述学习与优化模块包括评分采集单元和学习优化单元，所述评分采集单元采集所述医护人员对所述评估结果的评分，所述学习优化单元根据所述评分采集单元的评分数据触发所述人工智能模型的调整；其中，所述评分采集单元包括评分界面、评分数据库和评分提交器，所述评分界面供所述医护人员进行评分，所述评分数据库存储所述医护人员的评分数据，所述评分提交器用于处理评分数据，并将评分数据保存到评分数据库中；其中，所述评分数据包括评分值、评分时间、医护人员ID、病例ID；所述学习优化单元包括评分分析器、模型调整器和反馈器，所述评分分析器用于分析评分数据，所述模型调整器基于评分分析结果计算触发指数ACT，并将触发指数ACT和设定的触发阈值Trigger比较，若所述触发指数ACT超过设定的触发阈值Trigger，则触发对所述人工智能模型进行重新训练，所述反馈器在触发人工智能模型调整后，使用新的评分数据对应的医疗影像对应的特征向量和原始训练数据集对模型进行再训练；所述再训练过程包括：数据准备、模型训练和模型验证；所述数据预处理模块包括图像增强单元、图像归一化单元和图像分割单元，所述图像增强单元用于提高图像质量，去除噪声和增强对比度，所述图像归一化单元将经过图像增强单元处理后的图像数据进行归一化，以便于后续处理，所述图像分割单元用于将归一化后的图像数据进行处理，以分割出病变区域；所述图像增强单元包括多格式接收器、去噪处理器、对比度增强器和锐化处理器，所述多格式接收器用于接收多种医学影像格式，并自动识别并转换为系统可分析的统一格式，所述去噪处理器用于对所述医学影像的噪声进行去除，所述对比度增强器用于增强图像的对比度，使病变区域更加突出，所述锐化处理器用于增强图像的细节；其中，所述去噪处理器利用高斯滤波器对所述医学影像的图像进行处理，所述对比度增强器对经过去噪处理后的医学影像进行处理，锐化处理器利用拉普拉斯算子检测图像中的边缘，并将拉普拉斯算子结果与原医学影像对应的图像相加，增强边缘；所述图像归一化单元根据下式将经过增强处理后的图像数据进行归一化处理，具体的：S11、计算图像的最小值和最大值：遍历图像的所有像素，找到最小值Imin和最大值Imax；S12、应用归一化公式：对图像中的每个像素值Ix,y，应用归一化公式： ；式中，Ix,y表示图像在位置x,y的像素值；所述图像分割单元根据以下步骤将所述医学影像中的病变区域分割出来，具体的：S21、阈值分割模块：针对归一化后的图像数据，选择一个全局阈值T，将像素值高于阈值的区域标记为前景，低于阈值的区域标记为背景；S22、边缘检测模块：通过检测图像边缘来分割区域；所述灰度共生矩阵计算器计算病变区域的灰度共生矩阵，选择不同的距离和方向；从灰度共生矩阵中提取统计特征；所述灰度共生矩阵计算器根据以下步骤计算第一纹理特征：S31、定义灰度共生矩阵：设Pi,j,d,θ表示距离为d且方向为θ的像素对中，第一个像素灰度值为i，第二个像素灰度值为j的共生次数；定义灰度共生矩阵G（i，j）为： ；其中，i,j为灰度级别的值，d为像素对之间的距离，θ为像素对之间的方向，取0度、45度、90度和135度，x,y表示图像中的像素位置；同时，距离d是指在计算灰度共生矩阵时，两个像素之间的间隔；S32、根据灰度共生矩阵计算熵Entropy、对比度Contrast、相关性Correlation： ；式中，i,j为灰度级别的值，N为灰度级别的数量，G（i，j）为灰度共生矩阵，表示图像中灰度级别为i和j的像素对的共生关系； ；式中，i,j为灰度级别的值，N为灰度级别的数量，G（i，j）为灰度共生矩阵，表示图像中灰度级别为i和j的像素对的共生关系； ；其中，i,j为灰度级别的值，N为灰度级别的数量，G（i，j）为灰度共生矩阵，表示图像中灰度级别为i和j的像素对的共生关系，μx和μy分别为i和j的均值，σx和σy分别为i和j的标准差；对于灰度级别为i的均值μx，根据下式进行计算： ；式中，i,j为灰度级别的值，N为灰度级别的数量，G（i，j）为灰度共生矩阵，表示图像中灰度级别为i和j的像素对的共生关系，对于灰度级别为j的均值μy，根据下式进行计算： ；式中，i,j为灰度级别的值，N为灰度级别的数量，G（i，j）为灰度共生矩阵，表示图像中灰度级别为i和j的像素对的共生关系；对于灰度级别为i的标准差σx，根据下式进行计算： ；式中，i,j为灰度级别的值，N为灰度级别的数量，G（i，j）为灰度共生矩阵，表示图像中灰度级别为i和j的像素对的共生关系；对于灰度级别为j的标准差σy，根据下式进行计算： ；式中，i,j为灰度级别的值，N为灰度级别的数量，G（i，j）为灰度共生矩阵，表示图像中灰度级别为i和j的像素对的共生关系；所述局部二值化模式提取器对病变区域中的每个像素，比较其与邻域像素的灰度值大小，生成二值模式；计算局部二值模式的直方图，作为第二纹理特征向量，其中，该特征向量用于捕捉影像中的局部纹理模式，适用于描述细节丰富的组织结构；所述局部二值化模式提取器根据以下步骤计算二值模式的直方图：S51、遍历图像：对于每个像素p，确定其邻域的半径R和邻域像素的数量P；直接使用图像中p位置的灰度值作为中心像素的灰度值gp；S52、计算邻域像素的灰度值gn：对于每个n（n=0,1,…,P−1），计算第n个邻域像素的灰度值gn；其中，根据R和P计算邻域像素的位置；邻域像素的坐标通过以下公式确定： ；如果计算的位置不是整数，使用插值法计算灰度值；S53、比较邻域像素的灰度值gn与中心像素的灰度值gp： ；S54、生成LBP二进制模式：将二进制模式转换为十进制LBP值：；S55、计算LBP直方图：统计图像中所有LBP值的频率，生成LBP直方图；所述小波变换分析器对病变区域进行多尺度小波分解，提取不同尺度和方向上的系数；计算小波系数的统计特征；其中，小波变换能够分解影像中的高频和低频信息，有效捕捉不同尺度上的第三纹理特征；所述小波变换分析器对病变区域纹理特征的提取方法包括以下步骤：S61、选择小波函数和分解级数：S62、进行小波分解：对病变区域进行小波分解，得到不同尺度和方向上的子带系数矩阵Ws,dx,y，其中，Ws,dx,y为图像在位置x,y处的小波系数；这里s和d分别表示小波分解的尺度和方向；其中，s为尺度因子，表示小波分解的级别，d为方向因子，表示小波分解的方向，同时，尺度因子s和方向因子d由系统或操作者根据实际情况进行设定，并从人机交互界面输入；S63、提取统计特征： ；式中，Mean1为小波分解的均值，Variance1为小波分解的方差，N为图像的像素总数，为图像的宽度乘以高度，x,y为图像中的像素坐标遍历整个图像范围从0到N−1；Gabor滤波器提取器使用一组不同频率和方向的Gabor滤波器对病变区域进行卷积；提取滤波后的响应特征；其中，Gabor滤波器模拟人类视觉系统中的纹理感知机制，适用于提取方向性和尺度特定的第四纹理特征；Gabor滤波器提取器对病变区域纹理特征的提取方法包括以下步骤：S71、使用一组不同方向和频率的Gabor滤波器对图像进行卷积，得到滤波响应Rx,y;λ,θ,ψ,σ,γ： ；其中，Gx,y;λ,θ,ψ,σ,γ为Gabor滤波器卷积核函数： ；式中，x′,y′为滤波器在x和y方向上的位置，λ为波长，用于控制正弦函数的周期，θ为方向，用于Gabor滤波器的方向参数，ψ为相位偏移，用于控制正弦函数的相位，σ为高斯包络的标准差，用于控制高斯包络的宽度，γ为空间纵横比，用于控制高斯包络的椭圆形状；S72、计算响应特征：滤波响应的幅值：；式中，Rrealx,y和Rimagx,y分别表示Gabor滤波响应的实数部分和虚数部分，x和y为图像的像素坐标，遍历整个图像范围从0到N−1；滤波响应的相位：；式中，Rrealx,y和Rimagx,y分别表示Gabor滤波响应的实数部分和虚数部分；S73、计算幅值和相位的均值和方差，作为第四纹理特征，具体的：1）幅值相关：；式中，Mean2为Gabor滤波器提取得到的幅值均值，Variance2为Gabor滤波器提取得到的幅值方差，N为图像的像素总数，Mx,y为位置x,y处滤波响应的幅值；2）相位相关：；式中，Mean3为Gabor滤波器提取得到的相位均值，Variance3为Gabor滤波器提取得到的相位方差，N为图像的像素总数，Px,y为位置x,y处滤波响应的相位；其中，所述向量组合器将灰度共生矩阵计算器提取得到的第一纹理特征、局部二值化模式提取器提取得到的第二纹理特征、小波变换分析器提取得到的第三纹理特征、Gabor滤波器提取得到的第四纹理特征组合形成一个所述组织结构状态信息的特征向量FeatureVector1=[Entropy，Contrast，Correlation，LBPHistogram，Mean1，Variance1，Mean2，Variance2，Mean3，Variance3]；所述形状提取单元包括边缘检测器、轮廓提取器和几何特征计算器，边缘检测器用于检测病变区域的边界，轮廓提取器用于提取病变区域的轮廓，所述几何特征计算器用于计算病变区域的几何形状特征；所述几何形状特征包括：面积Area、周长Perimeter、质心、圆形度、长宽比和凸包的凸度；所述面积Area根据下式进行计算： ；式中，xi,yi为轮廓上的第i个点的坐标，xi+1,yi+1为轮廓上的第i个点的坐标，n为轮廓点的总数，其中，xn,yn=x0,y0表示多边形轮廓收尾相连；所述周长Perimeter根据下式进行计算： ；其中，xn,yn=x0,y0表示多边形轮廓收尾相连；可选的，所述几何特征计算器根据下式计算质心： ；式中，（Cx，Cy）为质心的坐标，xi,yi为轮廓上的第i个点的坐标，xi+1,yi+1为轮廓上的第i个点的坐标，n为轮廓点的总数，其中，xn,yn=x0,y0表示多边形轮廓收尾相连；所述圆形度根据下式进行计算： ；式中，Area为轮廓的面积，Perimeter为轮廓的周长；所述长宽比AspectRatio根据下式进行计算： ；式中，W为轮廓的宽度，即最小边界矩形的宽度，H为轮廓的高度，即最小边界矩形的高度；所述凸包面积ConvexHullArea根据下式进行计算，对于一个有m个点构成的多边形凸包，凸包的面积公式与轮廓面积的计算公式相同，即： ；式中，m为凸包点的总数，xi,yi为凸包上的第i个点的坐标，xm,ym=x0,y0表示多边形轮廓收尾相连；所述凸度Convexity根据下式进行计算： ；式中，Area为轮廓面积，ConvexHullArea为凸包面积；其中，将几何特征计算器提取得到的几何形状特征组合形成一个所述形态状态信息的特征向量FeatureVector2=[Area，Perimeter，Cx，Cy，AspectRatio，ConvexHullArea，Convexity]；所述诊断支持模块包括诊断评估单元和支持决策单元，所述诊断评估单元基于所述人工智能模型对所述状态信息进行评估形成评估结果，所述支持决策单元将所述评估结果向所述医护人员进行预警提示；其中，所述诊断评估单元将不同来源的特征向量综合成一个综合特征向量，并对所述综合特征向量进行标准化，并将标准化后的综合特征向量输入到人工智能模型中进行评估，并输出评估结果；所述诊断评估单元根据下式对综合特征向量对进行标准化： ；式中，NormalizedFeatureVector为标准化或归一化后的综合特征向量，CompositeFeatureVector为综合特征向量，σV为综合特征向量的标准差，μV为综合特征向量的均值，满足： ；式中，N为综合特征向量的维度，CompositeFeatureVectori是综合特征向量的第i个特征值；所述综合特征向量的标准差根据下式进行计算： ；式中，N为综合特征向量的维度，CompositeFeatureVectori是综合特征向量的第i个特征值，μV为综合特征向量的均值；所述诊断评估单元将标准化或归一化后的综合特征向量输入到人工智能模型中，并通过人工智能模型输出评估结果Output；所述支持决策单元根据所述人工智能模型输出的评估结果，生成诊断报告和预警提示，并向所述医护人员进行预警提示；所述支持决策单元获取所述评估单元Output和系统设定的监控阈值Warning，若评估结果Output大于或等于系统设定的监控阈值Warning时，则说明所述医学影像对应的病变区域存在异常；若所述评估结果Output低于系统设定的监控阈值Warning时，则说明医学影像对应的病变区域处于非危险状态；所述评分分析器获取所述评分数据，并根据下式计算当前平均评分均值μscore： ；式中，M为评分的总数，ri为第i个评分；所述评分分析器根据下式计算当前评分的标准差σscore： ；式中，M为评分的总数，ri为第i个评分，μscore为当前平均评分均值；所述模型调整器获取当前平均评分均值μscore、以及当前评分的标准差σscore并根据下式计算触发指数ACT： ；式中，μbaseline为基准评分均值，其值等于模型训练初期的评分均值或前一个时间点的均值，σscore为基准评分的标准差，其值等于模型训练初期的评分标准差或前一个时间点的评分标准差；若所述触发指数ACT超过系统设定的监控阈值Trigger，则触发对所述人工智能模型进行重新训练；若所述触发指数ACT低于系统设定的监控阈值Trigger，则说明当前所述人工智能模型符合预期，不需要重新训练所述人工智能模型；所述医学影像分析系统还包括报告查阅模块，所述报告查阅模块对供医护人员或患者的身份进行核验，并在核验通过后允许其查询医学影像分析报告；所述报告查阅模块还包括报告查阅单元和安全防护单元，所述安全防护单元对报告查阅或调阅者的身份进行身份核验，并根据身份核验数据授予访问验证码，所述报告查阅单元核验所述访问验证码，若所述访问验证码与服务器数据库中的访问验证码一致，则允许所述报告查阅或查询者调阅或查询；所述安全防护单元包括本地身份核验终端和访问授权器，所述本地身份核验终端供所述医护人员或所述患者将其身份ID进行提交，所述访问授权器基于提交的身份ID生成访问验证码，并将生成的访问验证码传输至身份核验终端和服务器的数据库中进行存储；其中，本地身份核验终端设置在医疗机构的公共空间中，并供所述医护人员或所述患者进行查询或操作；所述访问授权器根据下式生成访问验证码： ；式中，AccessCodei为访问验证码的第i位数对应的值，Dm为医护人员身份ID中提取的最后四位数字，Dp为患者的身份ID中提取的最后四位数字，i为访问验证码的位索引（从1到k，i∈{1,2,…,k}），T为当前时间戳的最后四位数字，R为本地身份核验终端的当天访问次数；新生成的访问验证码需要与历史生成的访问验证码不一致才有效，否则重新生成；所述报告查阅单元获取本地核验终端提交的访问验证码与云端服务器的数据库中存储的访问验证码进行比对，若两者一致，则允许查询者查询或调用医学影像分析报告；若两者不一致，则不允许查询所述医学影像分析报告。

全文数据：

权利要求：

百度查询： 深圳市龙岗中心医院 一种基于人工智能的医学影像分析系统