一种数字影像人工智能分析方法和系统技术方案

本发明专利技术涉及一种数字影像人工智能分析方法和系统，所述系统包括:用户终端和服务器；所述服务器用于接收用户终端的分析请求，执行数字影像分析处理，并将分析得到的概率结果发送给用户终端。本发明专利技术将指数级增加复杂度降维成线性复杂度，在待识别目标数量较多情况下能够降低模型识别的难度，从而大大降低模型的复杂度，对于深度神经网络来说，可以设置较少的层级就能够实现较高精度。级就能够实现较高精度。级就能够实现较高精度。

【技术实现步骤摘要】
一种数字影像人工智能分析方法和系统


[0001]本专利技术属于数字影像分析
，尤其涉及一种数字影像人工智能分析方法和系统。

技术介绍

[0002]数字影像作为一种携带方便的医学影像载体，是一种方便患者携带、被医生普遍接受并且直观有效的医学影像信息传递介质，可以作为疾病诊治、随访、技术业务交流和医疗鉴定等医学活动的客观依据。随着各种医学信息系统在医疗机构中投入使用，医院的分析报告除了可以包含检测描述、诊断结论等文字内容，也可以包含数字影像等图像信息。
[0003]数字影像可以显示用户的身体变化情况，对于医生和病人都有重要意义。数字医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。同时随着人工智能、数据分析技术等核心技术的不断发展，推动了人工智能向社会各领域的渗透，当前，数字影像分析和医疗领域是人工智能发展相对蓬勃的领域之一，基于人工智能的数字影像分析能够辅助医生阅片，已然成为全新的数字智慧健康时代发展的必然趋势。
[0004]在这样的情况下，如何在数字影像信息蕴含信息复杂的情况下，提高人工智能模型的工作效率，降低模型的复杂度的同时提升准确率，是待解决的问题。本专利技术通过将指数级增加复杂度降维成线性复杂度，在待识别目标数量较多情况下能够降低模型识别的难度，从而大大降低模型的复杂度，对于深度神经网络来说，可以设置较少的层级就能够实现较高精度。

技术实现思路

[0005]为了解决现有技术中的上述问题，本专利技术提出了一种数字影像人工智能分析方法和系统，所述方法包含：步骤S1：进行数字影像一级分割；步骤S2：进行数字影像二级分割以得到独立的待识别目标；步骤S3：合并部分待识别目标以构成一个或多个输入目标，未合并的待识别目标每个构成一个输入目标；步骤S4：采用人工智能模型预测输入目标为目标类型的概率；其中：所述人工智能模型是双层模型，包括前端模型和后端模型；所述前端模型包括多个并行子预测模型，基于所述多个并行子预测模型分别预测输入目标为目标类型的子概率，其中u是子预测模型的编号；所述后端模型用于基于输入目标之间的位置关系以及输入目标的子概率，预测输入目标为目标类型的最终概率。
[0006]进一步的，建立3D
‑
Unet网络结构，通过网络分割提取待识别目标。
[0007]基于相同的专利技术构思，本专利技术提供一种数字影像人工智能分析系统，所述系统包
含：用户终端和服务器；所述服务器用于接收用户终端的分析请求，执行数字影像分析处理，并将分析得到的概率结果发送给用户终端；所述服务器包括：一级分割模块、二级分割模块、合并模块和预测模块；所述一级分割模块，用于执行数字影像一级分割；所述二级分割模块，用于执行数字影像的二级分割，并得到独立的待识别目标；所述合并模块，用于合并部分待识别目标以构成输入目标，未合并的待识别目标每个构成一个输入目标；所述预测模块，用于采用人工智能模型预测输入目标为目标类型的概率；其中：所述人工智能模型是双层模型，包括前端模型和后端模型；所述前端模型包括多个并行子预测模型，基于所述多个并行子预测模型分别预测输入目标为目标类型的子概率，其中u是子预测模型的编号；所述后端模型用于基于输入目标之间的位置关系以及输入目标的子概率，预测输入目标为目标类型的最终概率。
[0008]进一步的，所述执行数字影像的二级分割以得到独立的待识别目标，具体为：将待识别目标区分为一个或多个独立的待识别目标，为待识别目标设置标识，并记录待识别目标之间的位置关系；所述合并模块用于执行如下步骤：步骤S31：将尺寸在预设范围内的待识别目标放入待合并目标集合；步骤S32：从待合并目标集合中取出一个待合并目标；步骤S33：依次获取所述待合并目标的相邻待识别目标，计算所述待合并目标和每个相邻待识别目标的合并显著度，当所述合并显著度大于显著度阈值时，合并所述待合并目标和相邻待识别目标；所述计算所述待合并目标和每个相邻待识别目标的合并显著度，具体为：采用下式计算相邻待识别目标i的合并显著度；其中：是所述待合并目标的面积尺寸；是第i相邻待识别目标的面积尺寸；是待合并目标和第i相邻待识别目标的距离最远点之间的距离；是待合并目标的平均灰度值，是相邻待识别目标i的平均灰度值；步骤S34：判断是否所有待合并目标均处理完毕，如果是，则进入下一步骤S4；否则，返回步骤S32；所述前端模型包括多个并行子预测模型，基于所述多个并行子预测模型分别预测输入目标为目标类型的子概率，其中u是子预测模型的编号；所述后端模型用于基于输入目标之间的位置关系以及输入目标的子概率，预测输入目标为目标类型的最终概率；所述预测模块用于执行如下步骤：步骤S41：提取输入目标特征后分别输入前端模型中的每个并行子模型，以得到输入目标为目标类型的子概率；其中：多个子概率分别和所述多个并行子预测模型相对应；
步骤S42：确定各个输入目标对应的位置关系向量；步骤S43：将位置关系向量分别输入后端模型中各个输入目标对应的输入神经元，将子概率作为权重输入，并从输出神经元获取输出结果。
[0009]进一步的，将待识别目标的背景填充为预设像素值。
[0010]进一步的，所述位置关系为相邻位置关系。
[0011]进一步的，所述人工智能模型为神经网络模型。
[0012]基于相同的专利技术构思，本专利技术提供一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行所述的数字影像人工智能分析方法。
[0013]基于相同的专利技术构思，本专利技术提供一种计算机可读存储介质，其特征在于，包括程序，当其在计算机上运行时，使得计算机执行所述的数字影像人工智能分析方法。
[0014]基于相同的专利技术构思，本专利技术提供一种执行设备，其特征在于，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现所述的数字影像人工智能分析方法。
[0015]本专利技术的有益效果包括：（1）将指数级增加复杂度降维成线性复杂度，在待识别目标数量较多情况下能够降低模型识别的难度，从而大大降低模型的复杂度，对于深度神经网络来说，可以设置较少的层级就能够实现较高精度；（2）引入双层识别模型结构，降低了每个层级的人工智能模型的内部深度，通过并行子预测模型充分利用不同预测模型对各种目标形态的识别能力，同时也支持了增加待识别目标的位置关系的考虑，提高了预测的准确性；（3）基于子概率的权重设置，充分利用不同预测模型的差异化预测能力的同时，能够调整和加快收敛速度和预测准确率。
附图说明
[0016]此处所说明的附图是用来提供对本专利技术的进一步理解，构成本申请的一部分，但并不构成对本专利技术的不当限定，在附图中：图1为本专利技术的数字影像人工智能分析系统结构示意图。
[0017]图2为本专利技术的数字影像一级分割过程示意图。
具体实施方式
[0018]下面将结合附图以及具体实施例来详细说明本专利技术，其中的示意性实施例以及说明仅用来解释本专利技术，但并不作为对本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数字影像人工智能分析方法，其特征在于，包括：步骤S1：进行数字影像一级分割；步骤S2：进行数字影像二级分割以得到独立的待识别目标；步骤S3：合并部分待识别目标以构成一个或多个输入目标，未合并的待识别目标每个构成一个输入目标；步骤S4：采用人工智能模型预测输入目标为目标类型的概率；其中：所述人工智能模型是双层模型，包括前端模型和后端模型；所述前端模型包括多个并行子预测模型，基于所述多个并行子预测模型分别预测输入目标为目标类型的子概率，其中u是子预测模型的编号；所述后端模型用于基于输入目标之间的位置关系以及输入目标的子概率，预测输入目标为目标类型的最终概率。2.根据权利要求1所述的数字影像人工智能分析方法，其特征在于，建立3D
‑
Unet网络结构，通过网络分割提取待识别目标。3.一种数字影像人工智能分析系统，其特征在于，所述系统包含：用户终端和服务器；所述服务器用于接收用户终端的分析请求，执行数字影像分析处理，并将分析得到的概率结果发送给用户终端；所述服务器包括：一级分割模块、二级分割模块、合并模块和预测模块；所述一级分割模块，用于执行数字影像一级分割；所述二级分割模块，用于执行数字影像的二级分割，并得到独立的待识别目标；所述合并模块，用于合并部分待识别目标以构成输入目标，未合并的待识别目标每个构成一个输入目标；所述预测模块，用于采用人工智能模型预测输入目标为目标类型的概率；其中：所述人工智能模型是双层模型，包括前端模型和后端模型；所述前端模型包括多个并行子预测模型，基于所述多个并行子预测模型分别预测输入目标为目标类型的子概率，其中u是子预测模型的编号；所述后端模型用于基于输入目标之间的位置关系以及输入目标的子概率，预测输入目标为目标类型的最终概率。4.根据权利要求3所述的数字影像人工智能分析系统，其特征在于，所述执行数字影像的二级分割以得到独立的待识别目标，具体为：将待识别目标区分为一个或多个独立的待识别目标，为待识别目标设置标识，并记录待识别目标之间的位置关系；所述合并模块用于执行如下步骤：步骤S31：将尺寸在预设范围内的待识别目标放入待合并目标集合；步骤S32：从待合并目标集合中取出一个待合并目标；步骤S33：依次获取所述待合并目标的相邻待识别目标，计算所述待合...

【专利技术属性】
技术研发人员：杨志胤，缪培生，刘琪辉，刘士远，萧毅，陈晓峰，朱余明，
申请(专利权)人：肺诊网苏州网络科技有限公司，
类型：发明
国别省市：