1.本發(fā)明屬于人工智能疾病診斷技術(shù)領(lǐng)域，具體涉及一種面向醫(yī)學(xué)影像的人工智能輔助診斷模型構(gòu)建系統(tǒng)。

背景技術(shù)：

2.人工智能是當(dāng)今科技發(fā)展的代表性前沿方向，與眾多學(xué)科及產(chǎn)業(yè)領(lǐng)域相結(jié)合，對當(dāng)今的科學(xué)及社會生產(chǎn)方式產(chǎn)生重大的影響，以人工智能為核心技術(shù)的智能醫(yī)學(xué)被看作是未來醫(yī)學(xué)發(fā)展的重要方向；
3.醫(yī)學(xué)影像學(xué)作為數(shù)字化醫(yī)療時代發(fā)展的代表學(xué)科，以高分辨薄層掃描、多模態(tài)成像為特點的影像設(shè)備和技術(shù)的飛躍發(fā)展，影像數(shù)據(jù)以每年30％的速度增長，占醫(yī)院數(shù)字化數(shù)據(jù)的90％，放射科從傳統(tǒng)膠片到全面數(shù)字化pacs閱片臨床工作方式的轉(zhuǎn)變，使得放射科醫(yī)師每天的圖像數(shù)據(jù)瀏覽工作量劇增；同時期，我國經(jīng)濟(jì)社會進(jìn)步、人們健康意識及需求的提高，也導(dǎo)致臨床放射工作量的增加；而每年醫(yī)療資源和人力投入增長遠(yuǎn)遠(yuǎn)不能滿足需求；
4.近年來，隨著深度學(xué)習(xí)技術(shù)在計算機(jī)視覺，自然語言處理等領(lǐng)域的快速發(fā)展，基于人工智能的計算機(jī)輔助診斷技術(shù)吸引了業(yè)界越來越多的關(guān)注。這些領(lǐng)域的快速成功發(fā)展，為患者提供更高效、更經(jīng)濟(jì)的醫(yī)療保健帶來了希望。在眾多的影像學(xué)檢查中，x射線相對于ct、mri等影像學(xué)檢查，在中國應(yīng)用更廣泛，即便鄉(xiāng)鎮(zhèn)一級的衛(wèi)生院都能獨立開展x射線檢查。因此，根據(jù)x光片自動準(zhǔn)確地判別疾病類型有廣闊的應(yīng)用前景，ai醫(yī)學(xué)影像為解決當(dāng)前的醫(yī)療困境提供了具有廣闊應(yīng)用前景的技術(shù)，順應(yīng)學(xué)科及社會發(fā)展的時代要求，對我國智慧醫(yī)療的發(fā)展有巨大的推進(jìn)作用。但是，如何構(gòu)建出流通性、通用型、魯棒性的醫(yī)學(xué)影像人工智能診斷模型仍然是待需解決的問題。

技術(shù)實現(xiàn)要素：

5.為了解決上述技術(shù)問題，本發(fā)明提供了一種面向醫(yī)學(xué)影像的人工智能輔助診斷模型構(gòu)建系統(tǒng)，所構(gòu)建的系統(tǒng)模型可解決目前醫(yī)學(xué)影像完全由人工憑經(jīng)驗診斷的局面，由人工智能代替，實現(xiàn)診斷結(jié)果的真實準(zhǔn)確性、穩(wěn)定性；同時構(gòu)建的診斷模型具有通用性和魯棒性。
6.為了達(dá)到上述技術(shù)目的，本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：一種面向醫(yī)學(xué)影像的人工智能輔助診斷模型構(gòu)建系統(tǒng)，其特征在于，包括以下部分：數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、模型建立模塊、模型驗證模塊；
7.所述數(shù)據(jù)采集模塊用于采集來自不同數(shù)據(jù)源的x射線影像數(shù)據(jù)，如x光機(jī)生成的dicom原始數(shù)據(jù)，開源的jpg、png格式網(wǎng)絡(luò)圖片；對上述數(shù)據(jù)的真實性、完整性、圖像清晰度質(zhì)量進(jìn)行預(yù)處理和評估后進(jìn)行備用；
8.所述數(shù)據(jù)預(yù)處理模塊接收來自數(shù)據(jù)采集模塊的數(shù)據(jù)，并逐一對影像數(shù)據(jù)信息中包含的隱私敏感信息進(jìn)行脫敏處理；對脫敏后的數(shù)據(jù)進(jìn)行降噪、數(shù)據(jù)強(qiáng)化、去除離群點以及無關(guān)數(shù)據(jù)和歸一化處理；將數(shù)據(jù)集切分為訓(xùn)練集和驗證集，并對數(shù)據(jù)進(jìn)行學(xué)習(xí)標(biāo)簽標(biāo)注；
9.所述模型建立模塊將將訓(xùn)練集和驗證集樣本導(dǎo)入包括神經(jīng)網(wǎng)絡(luò)深度的學(xué)習(xí)器經(jīng)過模型初始化、訓(xùn)練配置、訓(xùn)練過程、保存模型訓(xùn)練步驟在驗證集上獲得的最優(yōu)的診斷模型參數(shù)；
10.所述模型驗證模塊通過k-fold cross validation交叉驗證法對構(gòu)建模型在實際數(shù)據(jù)應(yīng)用中的準(zhǔn)確度；上述的訓(xùn)練集樣本用于訓(xùn)練模型，驗證集樣本用于驗證訓(xùn)練出來的模型是否有效；為了保證交叉驗證結(jié)果的穩(wěn)定性，對一個樣本數(shù)據(jù)集需要多次不同的劃分，得到不同的互補子集，進(jìn)行多次交叉驗證；取多次驗證的平均值作為驗證結(jié)果；
11.優(yōu)選的，所述影像數(shù)據(jù)采集時應(yīng)首先規(guī)劃人工智能模型對數(shù)據(jù)參數(shù)及質(zhì)量的要求；覆蓋不同廠家、參數(shù)、圖像質(zhì)量及疾病種類；
12.優(yōu)選的，所述學(xué)習(xí)標(biāo)簽標(biāo)注直接面向需學(xué)習(xí)的目標(biāo)問題，標(biāo)注任務(wù)中使用“金標(biāo)準(zhǔn)”標(biāo)簽，如病理、基因型、生存期；其次采用影像科量化知識，如病變位置、范圍、良惡性評分；
13.優(yōu)選的，所述脫敏處理由數(shù)據(jù)預(yù)處理模塊中的隱私信息提取子模塊和去除子模塊完成，其中隱私信息提取子模塊負(fù)責(zé)提取影像數(shù)據(jù)中的患者姓名、身份信息、醫(yī)院信息；提取完成后由去除子模塊將上述隱私信息去除；
14.優(yōu)選的，所述數(shù)據(jù)預(yù)處理模塊采用wnnm算法的去噪子模塊、采用三階樣條插值的重采樣子模塊、采用基于所有圖像前景體素值的均值和標(biāo)準(zhǔn)差進(jìn)行z-score標(biāo)準(zhǔn)化的標(biāo)準(zhǔn)化子模塊以及采用高斯模糊、對比度增強(qiáng)及伽瑪校正的數(shù)據(jù)增強(qiáng)子模塊；
15.優(yōu)選的，所述k-fold cross validation交叉驗證法是將原始數(shù)據(jù)分成k組，每一組子集數(shù)據(jù)分別做一次上述的驗證集樣本，其余k-1組子集數(shù)據(jù)作為訓(xùn)練集樣本，得到k個模型，用這k個模型最終的驗證集的分類準(zhǔn)確率的平均數(shù)作為此k-cv下分類器的性能指標(biāo)；k一般大于等于2，實際操作時一般從3開始取，只有在原始數(shù)據(jù)集合數(shù)據(jù)量小的時候才會嘗試取2；而k-cv的實驗共需要建立k個models，并計算k次test sets的平均辨識率。
16.本發(fā)明的有益效果是：
17.本發(fā)明提供的一種面向醫(yī)學(xué)影像的人工智能輔助診斷模型構(gòu)建系統(tǒng)，影像數(shù)據(jù)采集時應(yīng)首先規(guī)劃人工智能模型對數(shù)據(jù)參數(shù)及質(zhì)量的要求；覆蓋不同廠家、參數(shù)、圖像質(zhì)量及疾病種類；學(xué)習(xí)標(biāo)簽標(biāo)注直接面向需學(xué)習(xí)的目標(biāo)問題，標(biāo)注任務(wù)中使用“金標(biāo)準(zhǔn)”標(biāo)簽，如病理、基因型、生存期等；其次采用影像科量化知識，如病變位置、范圍、良惡性評分；嚴(yán)格控制數(shù)據(jù)集的質(zhì)量，提高數(shù)據(jù)集的標(biāo)注準(zhǔn)確性可有效提高模型的準(zhǔn)確性和魯棒性；使建立的診斷模型具有較高的通用性，可針對多種疾病的人工智能輔助診斷。
附圖說明
18.圖1是本發(fā)明的模型構(gòu)建結(jié)構(gòu)示意圖。
具體實施方式
19.為了對本發(fā)明的方案及效果做出清楚、完整的描述，通過以下實施例進(jìn)行詳細(xì)說明；
20.實施例1
21.一種面向醫(yī)學(xué)影像的人工智能輔助診斷模型構(gòu)建系統(tǒng)，其特征在于，包括以下部
分：數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、模型建立模塊、模型驗證模塊；
22.所述數(shù)據(jù)采集模塊用于采集來自不同數(shù)據(jù)格式的x光片數(shù)據(jù)；對上述數(shù)據(jù)的真實性、完整性、圖像清晰度質(zhì)量進(jìn)行評估后進(jìn)行備用；
23.所述數(shù)據(jù)預(yù)處理模塊接收來自數(shù)據(jù)采集模塊的數(shù)據(jù)，并逐一對影像數(shù)據(jù)信息中包含的隱私敏感信息進(jìn)行脫敏處理；對脫敏后的數(shù)據(jù)進(jìn)行降噪、數(shù)據(jù)強(qiáng)化、去除離群點以及無關(guān)數(shù)據(jù)和歸一化處理；將數(shù)據(jù)切分為訓(xùn)練集和驗證集；并對數(shù)據(jù)進(jìn)行學(xué)習(xí)標(biāo)簽標(biāo)注；
24.所述模型建立模塊將預(yù)處理后的數(shù)據(jù)分為訓(xùn)練集樣本和驗證集樣本；將訓(xùn)練集樣本和驗證集樣本導(dǎo)入包括神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的學(xué)習(xí)器經(jīng)過模型設(shè)計、訓(xùn)練配置、訓(xùn)練過程、保存模型訓(xùn)練步驟在驗證集上獲得的最優(yōu)的診斷模型參數(shù)；
25.所述模型驗證模塊通過k-fold cross validation交叉驗證法對構(gòu)建模型在實際數(shù)據(jù)應(yīng)用中的準(zhǔn)確度；上述的訓(xùn)練集樣本用于訓(xùn)練模型，驗證集樣本用于驗證訓(xùn)練出來的模型是否有效；為了保證交叉驗證結(jié)果的穩(wěn)定性，對一個樣本數(shù)據(jù)集需要多次不同的劃分，得到不同的互補子集，進(jìn)行多次交叉驗證；取多次驗證的平均值作為驗證結(jié)果；
26.優(yōu)選的，所述影像數(shù)據(jù)采集時應(yīng)首先規(guī)劃人工智能模型對數(shù)據(jù)參數(shù)及質(zhì)量的要求；覆蓋不同廠家、參數(shù)、圖像質(zhì)量及疾病種類；
27.優(yōu)選的，所述學(xué)習(xí)標(biāo)簽標(biāo)注直接面向需學(xué)習(xí)的目標(biāo)問題，標(biāo)注任務(wù)中使用“金標(biāo)準(zhǔn)”標(biāo)簽，如病理、基因型、生存期等；其次采用影像科量化知識，如病變位置、范圍、良惡性評分；
28.優(yōu)選的，所述脫敏處理由數(shù)據(jù)預(yù)處理模塊中的隱私信息提取子模塊和去除子模塊完成，其中隱私信息提取子模塊負(fù)責(zé)提取影像數(shù)據(jù)中的患者姓名、身份信息、醫(yī)院信息；提取完成后由去除子模塊將上述隱私信息去除；
29.優(yōu)選的，所述數(shù)據(jù)預(yù)處理模塊采用wnnm算法的去噪子模塊、采用三階樣條插值的重采樣子模塊、采用基于所有圖像前景體素值的均值和標(biāo)準(zhǔn)差進(jìn)行z-score標(biāo)準(zhǔn)化的標(biāo)準(zhǔn)化子模塊以及采用高斯模糊、對比度增強(qiáng)及伽瑪校正的數(shù)據(jù)增強(qiáng)子模塊；
30.降噪的圖像塊為pi，由該圖像塊以及圖像上與其相似的圖像塊組成的矩陣為yi，對應(yīng)的降噪后的矩陣為xi，低秩矩陣最小化可以用來求矩陣的解，于是我們得到目標(biāo)函數(shù)：
[0031][0032]
其中,為噪聲方差，用于歸一化f范數(shù)，而其中ω＝[(ω1,...,ωn]中的每一項都為非負(fù)數(shù)，對應(yīng)每一個奇異值，如下：
[0033][0034]
其中，σi(x)為x的第i奇異值，可以觀察到，當(dāng)奇異值越大時權(quán)重越小，kw為相似圖像patch的數(shù)量，ε為防止被零正常的小參數(shù)；假設(shè)在初始時刻，噪聲能量是在各個特征上分布是均勻的，因此初始化σi(x)為：
[0035][0036]
最后同樣對yi進(jìn)行奇異值分解為yj＝u∑v，然后目標(biāo)函數(shù)的解為：
[0037]
xi＝usw(∑)v
[0038]
優(yōu)選的，所述k-fold cross validation交叉驗證法是將原始數(shù)據(jù)分成k組，每一組子集數(shù)據(jù)分別做一次上述的驗證集樣本，其余k-1組子集數(shù)據(jù)作為訓(xùn)練集樣本，得到k個模型，用這k個模型最終的驗證集的分類準(zhǔn)確率的平均數(shù)作為此k-cv下分類器的性能指標(biāo)；k一般大于等于2，實際操作時一般從3開始取，只有在原始數(shù)據(jù)集合數(shù)據(jù)量小的時候才會嘗試取2；而k-cv的實驗共需要建立k個models，并計算k次test sets的平均辨識率；
[0039]
1)將全部訓(xùn)練集t分成k個不相交的子集，假設(shè)t中的訓(xùn)練樣例個數(shù)為m，那么每一個子集有m/k個訓(xùn)練樣例，相應(yīng)的子集稱作{t1，t2,....tk}；
[0040]
2)每次從模型集合m中拿出來一個mi，然后在訓(xùn)練子集中選擇出k-1個{t1，t2,tj-1,tj+1..,tk}(也就是每次只留下一個tj),使用這k-1個子集訓(xùn)練mi后，得到假設(shè)函數(shù)fij；最后使用剩下的一份tj作測試，得到預(yù)測誤差eij；
[0041]
3)由于每次留下一個tj(j從1到k)，因此會得到k個預(yù)測誤差，那么對于一個mi，它的預(yù)測誤差是這k個預(yù)測誤差的平均；
[0042]
4)選出平均經(jīng)驗錯誤率最小的mi，然后使用全部的t再做一次訓(xùn)練，得到最后的模型fi。

相關(guān)知識

衛(wèi)健委、國務(wù)院、中華醫(yī)學(xué)會新發(fā)文未來五年人工智能輔助醫(yī)學(xué)影像
人工智能也可“望聞問切” 輔助中醫(yī)診療更便捷
循證醫(yī)學(xué)知識庫的智能預(yù)問診系統(tǒng)探究
人工智能（AI）對智慧醫(yī)療的影響及其未來研發(fā)方向
人工智能進(jìn)軍醫(yī)療領(lǐng)域，智能診斷系統(tǒng)引領(lǐng)健康管理新趨勢
智能問診大模型的構(gòu)筑：編織健康智慧的經(jīng)緯
從AI醫(yī)學(xué)影像出發(fā)，華為攜手“懂行”伙伴共筑醫(yī)療智能體
人工智能大模型在醫(yī)療健康領(lǐng)域的深度應(yīng)用
AI如何走入臨床？百度健康：AI未來能輔助醫(yī)生做診斷診療
智慧醫(yī)療人工智能的應(yīng)用.ppt

網(wǎng)址: 一種面向醫(yī)學(xué)影像的人工智能輔助診斷模型構(gòu)建系統(tǒng) http://m.u1s5d6.cn/newsview682979.html