System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人工智能,具体而言,涉及一种基于深度学习的临床医学影像分析方法及系统。
技术介绍
1、现有的临床医学影像分析方法通常依赖于医生的经验进行判断和诊断,但由于人工识别的局限性,如判断主观性强、易受疲劳影响等因素,可能导致诊断结果存在一定误差。而机器学习,尤其是深度学习技术的发展,使得医学影像的自动分析和识别成为可能。然而,当前基于深度学习的医学影像识别方法,大多需要大量标签数据进行模型训练,且对于复杂的多模态影像识别任务,常规的深度学习模型可能无法有效处理。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的临床医学影像分析方法及系统。
2、第一方面,本专利技术实施例提供一种基于深度学习的临床医学影像分析方法,包括:
3、获取待分析的临床医学影像;
4、对于多个病理框架中的各个病理框架,根据临床医学影像分析任务的病理风险类型集合生成所述病理框架下的病理描述内容集合;其中,将一个病理风险类型设置到一个病理框架中可生成相应病理框架下关联相应病理风险类型的一个病理描述内容;
5、将所述临床医学影像的多个局部临床医学影像和所述病理描述内容集合加载至多模态识别模型中,得到所述临床医学影像在所述病理框架下的置信度结果;
6、基于所述临床医学影像在多个病理框架下的置信度结果,确定所述临床医学影像的临床医学影像识别结果;
7、其中,所述多个病理框架和所述多模态识别模型,是基于具有少量标签数据的影像识别训练数
8、第二方面,本专利技术实施例提供一种服务器系统,包括服务器,所述服务器用于执行第一方面所述的基于深度学习的临床医学影像分析方法。
9、相比现有技术,本专利技术提供的有益效果包括:采用本专利技术公开的一种基于深度学习的临床医学影像分析方法及系统,通过获取待分析的临床医学影像,然后对多个病理框架生成相应的病理描述内容集合。将这些临床医学影像和病理描述内容集合加载至多模态识别模型中,得到影像在各个病理框架下的置信度结果。最后,根据置信度结果确定临床医学影像识别结果。此外,所有的病理框架和多模态识别模型都是基于具有少量标签数据的影像识别训练数据集进行训练优化得到的。如此设计,能够大幅提升医学影像识别和分析的准确性,有助于更早地发现病理变化,从而为病患提供及时有效的治疗方案,提高医疗服务的质量与效率。
本文档来自技高网...【技术保护点】
1.基于深度学习的临床医学影像分析方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述多个预置病理框架是通过以下方式获取的,包括:
3.根据权利要求2所述的方法,其特征在于,将一个病理风险类型分配至一个病理框架包括将一个病理风险类型分配至一个病理框架的病理类型标识位置;
4.根据权利要求1所述的方法,其特征在于,所述多个病理框架和所述多模态识别模型,是基于具有少量标签数据的影像识别训练数据集,对多个预置病理框架和优化后的多模态先期训练模型进行经过完全标记数据的模型参数优化、部分标记数据的模型优化,以及在完全标记数据上对模型参数进行调优的预置流程训练优化而得到的,包括:
5.根据权利要求4所述的方法,其特征在于,所述根据多个所述第一病理框架,基于所述影像识别训练数据集包含的第二训练数据集对所述优化后的多模态先期训练模型进行基于部分标记数据的有监督优化训练,以优化所述特征融合组件得到所述多模态识别模型,包括:
6.根据权利要求5所述的方法,其特征在于,对所述训练实例在所述第一病理框架下的置信度结果进行蒙特
7.根据权利要求6所述的方法,其特征在于,对所述训练实例在所述第一病理框架下的置信度结果进行蒙特卡洛推断,得到所述训练实例在所述第一病理框架下的一致性决定,包括:
8.根据权利要求1所述的方法,其特征在于,在所述基于所述临床医学影像在多个病理框架下的置信度结果,确定所述临床医学影像的临床医学影像识别结果之后,所述方法还包括:
9.根据权利要求8所述的方法,其特征在于,所述语义向量参数包括顺序排列参数和混合排列参数,所述利用语义向量参数,对所述流程特征进行转换,得到转换特征,包括:
10.一种服务器系统,其特征在于,包括服务器,所述服务器用于执行权利要求1-9中任意一项所述的基于深度学习的临床医学影像分析方法。
...【技术特征摘要】
1.基于深度学习的临床医学影像分析方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述多个预置病理框架是通过以下方式获取的,包括:
3.根据权利要求2所述的方法,其特征在于,将一个病理风险类型分配至一个病理框架包括将一个病理风险类型分配至一个病理框架的病理类型标识位置;
4.根据权利要求1所述的方法,其特征在于,所述多个病理框架和所述多模态识别模型,是基于具有少量标签数据的影像识别训练数据集,对多个预置病理框架和优化后的多模态先期训练模型进行经过完全标记数据的模型参数优化、部分标记数据的模型优化,以及在完全标记数据上对模型参数进行调优的预置流程训练优化而得到的,包括:
5.根据权利要求4所述的方法,其特征在于,所述根据多个所述第一病理框架,基于所述影像识别训练数据集包含的第二训练数据集对所述优化后的多模态先期训练模型进行基于部分标记数据的有监督优化训练,以优化所述特征融合组件得到所述多...
【专利技术属性】
技术研发人员:裴萌,翟宇,扈静,
申请(专利权)人:北京凯普顿医药科技开发有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。