一种医学影像数据AI处理方法技术

本发明专利技术提供了一种医学影像数据AI处理方法，先获取患者的预诊断部位的影像数据和临床数据，再对获取的影像数据和临床数据进行预处理，以获取预处理后的影像数据和临床数据，然后构建人工智能模型和统计学模型，对预处理后的影像数据和临床数据进行分析处理，最后，基于人工智能模型和统计学模型的处理结果，对患者的预诊断部位的疾病进行分类，从而实现快速有效的对相关影像数据中的病灶特性进行分析。可以有效而快速的辅助影像科医生的的日常临床诊断和鉴别诊断工作。

【技术实现步骤摘要】
一种医学影像数据AI处理方法
本专利技术属于医学领域，涉及一种医学影像数据AI处理方法。
技术介绍
在中国，肺癌是目前发病率和死亡率最高的恶性肿瘤之一，男性肺癌发病率和死亡率占所有恶性肿瘤的第一位，而女性肺癌的发病率和死亡率为第二位。近年来，肺腺癌的发病率显著升高，广泛见于非吸烟人群。随着美国国家肺癌筛查试验(NationalLungScreeningTrail,NLST)发现采用低剂量CT(Low-doseCT)对肺癌高危人群进行筛查，能够有效地早期发现肺癌并降低了人群的肺癌相关死亡率约20％以来，CT检出的肺结节及确诊的早期肺癌越来越多，由此CT检查成为了肺癌早期发现、诊断和鉴别诊断过程中的一个重要环节。作为同样能危及人类生命的肺部疾病，结核病是严重危害人民群众健康的呼吸道传染病。WHO《2017年全球结核病报告》发布，2016年，在世界范围内有1040万例结核病新发病例，约有170万人死于结核病，七个国家占到总负担的64％，印度首当其冲，其次是印度尼西亚和中国等，因此，结核病仍然是头号传染病杀手。中国是全球第三个结核病高负担国家，其结核病防治工作仍存在诸多薄弱环节，如预防和治疗不衔接，患者发现、诊疗等不到位，耐药肺结核防治薄弱，学校等重点场所聚集性疫情时有发生，形势依然严峻。作为结核病诊断的重要组成部分，CT影像学诊断在结核病分级诊疗中的地位和作用不言而喻。在肺结核与肺癌的鉴别诊断中CT影像中不仅能更清晰地显示各种原发病灶的影像学改变，增强CT对纵隔内的非正常性淋巴结、肿物的鉴别也有重要提示意义。>由此可见医学影像数据在肺癌和肺结核的临床诊断和鉴别诊断中发挥着重要的分析、鉴别和佐证作用。但是，我国每天产生的影像数据以PB计算，医学影像数据快速积累，占到医疗行业数据的90％，传统医学影像数据大多需要影像科医生进行人工分析。人工分析的缺点很明显，第一是不精准，几乎完全依靠参差不齐的临床经验去判断，很容易误判。根据中国医学会的统计数据资料显示，中国临床医疗每年的误诊人数约为5700万人，总误诊率为27.8％，器官异位误诊率为60％，恶性肿瘤平均误诊率为40％；第二是缺口大，目前我国医学影像数据的年增长率约为30％，而放射科医师数量的年增长率约为4.1％，放射科医师数量增长远不及影像数据增长，放射科医师在未来处理影像数据的压力会越来越大，甚至远远超过医生能够承担的最大负荷。因此，医学影像学科迫切需要更智能化技术和系统来辅助影像科医生的的日常临床诊断和鉴别诊断工作。基于此，亟需一种医学影像数据AI处理方法，以辅助影像科医生的的日常临床诊断和鉴别诊断工作。
技术实现思路
专利技术人研究发现，人工智能是一个以哲学、数学、心理学、语言学、计算机工程和神经科学等为基础的交叉领域科学。在其半个多世纪的发展历程中，由于受到智能算法、计算速度、存储水平等多方面因素的影响，人工智能技术和应用发展经历了多次高潮和低谷。近年来，在大数据、云计算、物联网、脑科学等新理论新技术以及经济社会发展强烈需求的共同驱动下，人工智能加速发展，呈现出跨界融合、人机协同等特征，其迅速发展正深刻改变人类的社会生活。加之近年来各个国家已将人工智能技术纳为重点发展领域，并出台相关政策和计划来扶持，加速了人工智能和医学大数据在整个医学领域的普及和应用，带动了智能医疗从算法研究逐步走向临床应用，并在提高诊断效率、辅助临床决策等方面显示出了巨大的潜力。在医学影像产业，国内已出现一大批医学影像智能领域的创业公司，并取得了较醒目的技术和产业化成果。科大讯飞研发了人工智能医学影像辅助诊断系统，实现了肺结节检出率达到三甲医院医生水平，目前该平台已学习了2万张乳腺钼靶影像资料和约20万张的颅脑磁共振影像资料；汇医慧影自主研发的人工智能集中在辅助筛查，以降低医生的漏检率，目前基层医生影像诊断的漏检率在30％左右，而汇医慧影系统的漏检率可以降低到10％以下，其人工智能辅助筛查系统在胸部X光、肺部CT、以及乳腺钼靶三领域已经有了相对成熟的应用。国外众多相关研究机构也在面向重大疾病的智能化医学影像领域开展积极的探索研究。美国HeartFlow公司采用GPU加速的深度学习技术来探索用于冠心病影像诊断的解决方案，并有望减少60％的患者进行血管造影，从而将医疗保健系统的成本降低25％；IBM研究构建了一体化知识基础架构平台的解决方案，为医疗行业引入人工智能的辅助决策与支持，将深度学习结合医学影像的应用场景，依靠行业专家的建议与经验，实现带标签训练以及对测试数据的模拟与记录，最终通过认知实现医学影像特征的辅助识别，帮助医生与患者体验更好的医疗流程。人工智能技术在影像医学领域的研究方向主要集中于影像识别预处理。高校、研究机构与公司所推出的实验算法面临高质量标注数据少、模型性能不高等问题。追溯其原因：(1)首先标注成本高是其中的重要因素。据不完全统计，国内42家“人工智能+医学影像”的公司中，有27家提供癌症病灶识别与标注服务，但影像科医生在日常读片过程中并不会进行病灶标注，这使得这些公司需要花费较大成本邀请专业的影像医生在工作之余进行标注。不仅是公司如此，各高校与研究机构的相关标注在大量文献中都是借助如ITK-SNAP、3D-Slicer等工具全手工完成的。可见，研发一个高效的可融入医生日常工作流程的半自动标注工具具有重要的意义；(2)另外一个主要原因是获取的影像数据量少且不均衡，学校、科研机构和公司主要以科研合作的方式从医院获取影像数据，但是训练模型所需要的影像数据量大，且所给出的数据在不同分类标签下的数量严重不均衡，这些因素都严重影响训练出来模型的质量。因此，如何有效的扩增数据并且训练出更精准的模型成为了本课题的另一关注点。影像报告是影像科医生每日工作的另外一个重点环节，传统的手工报告输入方式耗费大量时间，同时手动输入的报告后续需要经过大量的人工处理或者自然语言处理(NLP)结构化后才能用于后续的研究与分析。因此若在医生日常填写报告前根据已有的影像信息、病人信息、实验室信息等自动产生结构化的建议性报告，可以在节省医生大量时间，并为后续的分析提供方便。一份完整的影像报告需要包含病人信息、病灶的影像学表现、周围相关征象的影像学表现、疾病的鉴别、病理亚型的判断和进一步的诊断建议等。以计算机视觉(ComputerVision)为基础的人工智能影像处理技术由于在影像分类、目标检测、图像分割和图像检索等相比其它方法有着一定领先地位，故人工智能在医学影像上的主要应用在疾病筛查、关注区域(ROI)勾画、脏器三维成像、病理分析等。然而对于病理亚型的判断方面，由于AI不具有相关的专业知识，且无法解释病理亚型的判断原因，所以影像学征象、影像组学参数、统计学模型等需同时引入辅助计算机完成其判断与解释过程。例如肺结节的亚型判断中，病灶的形态学特点对鉴别其良、恶性具有重要意义，且肺结节的大小、密度、空气支气管征等其他形态学特征，与其病理表现密切相关。同时，肺恶性结节的内、外部特征以及与周围组织的关系、纹理特征，有助于影像科医生判断其病理亚型，如原位癌(adenocarcinoma本文档来自技高网...

【技术保护点】
1.一种医学影像数据AI处理方法，用于对患者的影像数据进行处理，其特征在于，包括：/nS101、获取患者的预诊断部位的影像数据和临床数据；/nS103、对获取的影像数据和临床数据进行预处理，以获取预处理后的影像数据和临床数据；/nS105、构建人工智能模型和统计学模型，对预处理后的影像数据和临床数据进行分析处理；/nS102、基于人工智能模型和统计学模型的处理结果，对患者的预诊断部位的疾病进行分类。/n

【技术特征摘要】
1.一种医学影像数据AI处理方法，用于对患者的影像数据进行处理，其特征在于，包括：
S101、获取患者的预诊断部位的影像数据和临床数据；
S103、对获取的影像数据和临床数据进行预处理，以获取预处理后的影像数据和临床数据；
S105、构建人工智能模型和统计学模型，对预处理后的影像数据和临床数据进行分析处理；
S102、基于人工智能模型和统计学模型的处理结果，对患者的预诊断部位的疾病进行分类。


2.如权利要求1所述的医学影像数据AI处理方法，其特征在于，在S103中，所述预处理包括：
S201、对所述影像数据运用GAN与旋转方法进行扩增；
S202、对扩增后的数据进行一点式半自动标注，获得征象标注工具；
S203、使用所述征象标注工具对所述影像数据进行标注；
S204、对标注后的影像数据进行提取，获取关注区域的影像组学参数。


3.如权利要求2所述的医学影像数据AI处理方法，其特征在于，采用wGAN对整幅影像数据进行扩增，采用cGAN对局部病灶的影像数据进行扩增。


4.如权利要求2所述的医学影像数据AI处...

【专利技术属性】
技术研发人员：周凌霄，王曼，
申请(专利权)人：周凌霄，
类型：发明
国别省市：上海;31