【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种基于人工智能的肿瘤磁共振影像术前诊断系统。
技术介绍
1、最初，医学成像领域主要依赖于x光和超声波等传统方法。这些早期技术虽然为疾病的早期发现和诊断提供了重要的基础，但在细节展示和深度诊断方面存在局限性。随着磁共振成像(mri)技术的发展，医学成像领域迎来了一次质的飞跃。mri技术的引入，凭借其更高的分辨率和更详细的体内视图，极大地改善了对疾病的诊断能力，尤其是在复杂病变和深层组织检查方面。然而，在人工智能尚未广泛应用于医学领域之前，mri图像的解读和诊断主要依赖于放射科医生的专业经验和主观判断。这种方法虽然在当时颇具有效性，但不可避免地带来了主观性强和诊断效率不高的问题。
2、进入数字化时代，计算机技术的发展为医学成像带来了新的转机。医学影像的数字化不仅提高了图像处理的效率，还为后续的图像分析和自动化处理奠定了基础。特别是近年来，人工智能技术，尤其是深度学习技术在医学影像领域的应用逐渐增多，为自动识别和诊断开辟了新的路径。这一阶段的研究重点逐渐转移到如何利用先进的计算机算法，特别是构建卷积神经网络来自动识别mri图像中的病理特征，例如肿瘤。
3、这些基于深度学习的方法不仅显著提高了诊断的准确性，也大幅提升了处理效率。更为重要的是，随着技术的进步，出现了一些综合诊断系统，这些系统不仅能识别肿瘤，还能进行更为复杂的诊断任务，如肿瘤的分型、分期等。这些进展不仅标志着医学成像技术从单纯的图像获取向高级图像解析和智能诊断的转变，也为我们提供了宝贵的技术积累和经验，为进一步的创新
4、但是现有技术在识别特定类型或阶段的肿瘤时，存在准确性不足的问题。这是由于算法本身的局限性，或是训练数据集的不完善。某些现有技术在处理大量或复杂的mri数据时，会表现出处理速度慢的问题。这不仅影响诊断效率，还可能延迟病人的治疗。
5、而且现有系统在用户界面设计上不够直观，使得非专业人员难以操作。现有的系统在面对不同种类或来源的数据时，表现出泛化能力不足的问题。有些现有技术由于算法复杂或硬件要求高而导致整体成本较高。
技术实现思路
1、本专利技术针对上述问题，提出一种基于人工智能的肿瘤磁共振影像术前诊断系统，一方面通过优化算法和扩充数据集来提高诊断的准确性，通过优化算法的效率，以加快处理速度；另一方面通过改进用户界面设计，提高系统的易用性，还提高了模型的泛化能力，确保在不同情况下都能保持较高的诊断准确性，且通过优化算法和减少硬件依赖来降低成本。通过这些改进，本专利技术不仅在技术层面上对现有问题提出了解决方案，还从经济和实用性角度考虑，力求为临床诊断提供一个更加高效、准确且用户友好的工具。这些优化措施的实施，将大幅提升肿瘤磁共振影像术前诊断的整体性能，对于医学成像领域来说，具有重要的实际应用价值和深远的技术意义。
2、为了实现上述目的，本专利技术采用以下技术方案：
3、本专利技术提出一种基于人工智能的肿瘤磁共振影像术前诊断系统，包括用户交互界面，提示信息处理模块，图像分割模块，肿瘤预测模型及诊断结果生成模块；
4、所述用户交互界面用于选择和标记mri图像中的肿瘤区域，并记录标记点的坐标，实时发送给提示信息处理模块；
5、所述提示信息处理模块用于基于接收的用户交互界面实时发送的标记点的坐标得到肿瘤区域的初步轮廓，并传递给图像分割模块；
6、所述图像分割模块用于基于改进的sam图像分割模型，并结合得到的肿瘤区域的初步轮廓，识别和分割mri图像中的肿瘤区域，并将分割得到的肿瘤区域图像传递给肿瘤预测模型；
7、所述肿瘤预测模型用于基于神经网络对得到的肿瘤区域图像进行肿瘤特征的识别，并将预测识别结果传递给诊断结果生成模块；
8、所述诊断结果生成模块用于结合肿瘤预测模型传递的预测识别结果及患者的医疗历史资料得到全面的诊断结果。
9、进一步地，所述mri图像包括患者横断位、冠状位、矢状位三个方位的mri图像。
10、进一步地，所述提示信息处理模块可以根据图像分割模块的反馈进行调整，以优化处理效果。
11、进一步地，按照以下方式对sam图像分割模型进行改进：使用adapter微调技术对sam模型进行微调，并在微调后的sam模型上添加卷积神经网络分支。
12、进一步地，所述卷积神经网络分支由下采样模块和上采样模块组成，下采样模块和上采样模块由相同数量的残差连接块组成。
13、进一步地，所述改进的sam图像分割模型还包括一个特征融合模块，用于对微调后的sam模型提取的特征和卷积神经网络分支提取的特征进行融合，所述特征融合模块由两个叠加的残差连接块组成。
14、进一步地，每个所述残差连接块由group normalization函数→silu激活函数→卷积层→group normalization函数→silu激活函数→卷积层构成。
15、进一步地，所述改进的sam图像分割模型中，将微调后的sam模型提取的特征处理成和下采样模块中各残差连接块中尺寸一样的特征图，并将下采样模块中各残差连接块中的特征图和对应处理后的sam模型提取的特征共同拼接到上采样模块中各残差连接块中的特征图。
16、与现有技术相比，本专利技术具有的有益效果：
17、本专利技术创新性地将自然语言处理中的adapter微调技术应用于视觉大模型上。这种跨领域的技术应用，使得sam模型能够在保持原有学习效果的同时，有效地适应医学图像的特殊性。此外，还额外设计了一个cnn分支来获取医学图像的全尺寸特征，弥补sam模型的不足。
18、本专利技术通过融合横断位、冠状位、矢状位三个方位的mri图像进行预测，使得模型能够从不同视角全面分析患者的脑部信息。这种全方位的分析提高了对肿瘤特征的识别精度，从而提升了整体诊断的准确性。
本文档来自技高网...【技术保护点】
1.一种基于人工智能的肿瘤磁共振影像术前诊断系统，其特征在于，包括用户交互界面，提示信息处理模块，图像分割模块，肿瘤预测模型及诊断结果生成模块；
2.根据权利要求1所述的一种基于人工智能的肿瘤磁共振影像术前诊断系统，其特征在于，所述MRI图像包括患者横断位、冠状位、矢状位三个方位的MRI图像。
3.根据权利要求1所述的一种基于人工智能的肿瘤磁共振影像术前诊断系统，其特征在于，所述提示信息处理模块可以根据图像分割模块的反馈进行调整，以优化处理效果。
4.根据权利要求1所述的一种基于人工智能的肿瘤磁共振影像术前诊断系统，其特征在于，按照以下方式对SAM图像分割模型进行改进：使用Adapter微调技术对SAM模型进行微调，并在微调后的SAM模型上添加卷积神经网络分支。
5.根据权利要求4所述的一种基于人工智能的肿瘤磁共振影像术前诊断系统，其特征在于，所述卷积神经网络分支由下采样模块和上采样模块组成，下采样模块和上采样模块由相同数量的残差连接块组成。
6.根据权利要求5所述的一种基于人工智能的肿瘤磁共振影像术前诊断系统，其特征在
7.根据权利要求6所述的一种基于人工智能的肿瘤磁共振影像术前诊断系统，其特征在于，每个所述残差连接块由Group Normalization函数→SiLU激活函数→卷积层→GroupNormalization函数→SiLU激活函数→卷积层构成。
8.根据权利要求5所述的一种基于人工智能的肿瘤磁共振影像术前诊断系统，其特征在于，所述改进的SAM图像分割模型中，将微调后的SAM模型提取的特征处理成和下采样模块中各残差连接块中尺寸一样的特征图，并将下采样模块中各残差连接块中的特征图和对应处理后的SAM模型提取的特征共同拼接到上采样模块中各残差连接块中的特征图。
...【技术特征摘要】
1.一种基于人工智能的肿瘤磁共振影像术前诊断系统，其特征在于，包括用户交互界面，提示信息处理模块，图像分割模块，肿瘤预测模型及诊断结果生成模块；
2.根据权利要求1所述的一种基于人工智能的肿瘤磁共振影像术前诊断系统，其特征在于，所述mri图像包括患者横断位、冠状位、矢状位三个方位的mri图像。
3.根据权利要求1所述的一种基于人工智能的肿瘤磁共振影像术前诊断系统，其特征在于，所述提示信息处理模块可以根据图像分割模块的反馈进行调整，以优化处理效果。
4.根据权利要求1所述的一种基于人工智能的肿瘤磁共振影像术前诊断系统，其特征在于，按照以下方式对sam图像分割模型进行改进：使用adapter微调技术对sam模型进行微调，并在微调后的sam模型上添加卷积神经网络分支。
5.根据权利要求4所述的一种基于人工智能的肿瘤磁共振影像术前诊断系统，其特征在于，所述卷积神经网络分支由下采样模块和上采样模块组成，下采样模块和上采样模块由...
【专利技术属性】
技术研发人员：陈盛博，熊梓铖，彭硕，澹奥帅，魏文彬，
申请(专利权)人：井冈山大学，
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。