【技术实现步骤摘要】
本专利技术涉及影像诊断系统。具体涉及医院放射科智能影像诊断系统、方法、设备及介质。
技术介绍
1、放射科是医院中专门从事影像学诊断、放射线服务及影像数据管理应用的核心科室，其工作贯穿影像采集、处理、诊断的全流程，为临床诊疗提供重要支持，部分的放射科利用人工智能技术模型，并采用深度学习方式，使人工智能技术模型能够分析出多数的病症，然而智能系统主要是基于常见病种的训练，对于罕见病和复杂病例的识别能力有限，由于罕见病例和复杂病例所占比例较小，导致模型在这些特殊病例上的表现较差。
技术实现思路
1、本专利技术的目的在于针对现有技术的不足之处，提供医院放射科智能影像诊断系统、方法、设备及介质，旨在采用数据管理并基于识别图像内容及分析，通过数据管理收集相关信息，并再次识别、对比及分析，分析数据再复审，最终将数据汇总诊断并标注分类，由控制模块传输用户端及打印诊断建议报告。
2、为此，本申请提供智能影像诊断系统，包括：
3、图像采集模块，图像采集驱动程序，实时稳定的图像获取；
4、图像处理模块，图像预处理，检测图像数据的可用性；
5、图像增强模块，提高图像处理质量和实时性能；
6、数据管理模块，基于图像数据收集并管理；
7、标记模块，用于标记识别、对比、分析、复审及诊断后数据；
8、标准化模块，用于制定统一的数据标准，规范数据格式和内容；
9、优化模块，基于标准化数据内容优化；
10、数据储
11、识别模块，识别图像数据内容；
12、对比模块，基于识别数据与大数据内容对比；
13、分析模块，基于识别数据、对比数据及大数据内容分析；
14、复审模块，基于识别数据、对比数据、分析数据及大数据内容，审核识别数据、对比数据、分析数据及大数据内容；
15、汇总模块，基于复审数据内容汇总；
16、诊断模块，基于汇总内容并结合大数据诊断内容给予诊断建议；
17、分类模块，包含一分类端口及二分类端口，基于诊断数据结果分类；
18、控制模块，基于诊断结果数据下达执行指令；
19、通知模块，用于数据输出通知；
20、用户端，用于查收各类通知；
21、在一些具体实施方式中，图像处理模块，检测图像数据可用性具体如下：
22、基于图像采集模块的图像数据采集传输，并对该图像数据预处理；
23、基于图像数据预处理后测试，测试内容包含分辨率、对比度及噪声水平测试；
24、基于分辨率、对比度及噪声水平测试后，测试图像实时采集的时延及丢帧率；
25、基于图像实时采集的时延及丢帧率后，测试图像数据传输的稳定性及带宽占用。
26、在一些具体实施方式中，图像增强模块基于所得图像处理模块数据，用于提高图像处理质量和实时性能，并优化增强图像数据，具体如下；
27、图像数据增强分别包括对分割、增强及降噪处理；
28、分割处理主要以u-net分割网络，具体为：
29、l＝lbce+ldice
30、lbce＝-∑(ytruelog(ypred)+(1-ytrue)log(1-ypred))
31、
32、式中：∑表示求和运算符ytrue表示真实标签ypred表示预测结果ε表示平滑系数，用于数值稳定性和避免除零错误；
33、增强处理主要以直方图均衡化，具体为：
34、
35、式中：sk表示增强后的灰度值t表示直方图均衡化的变换函数rk表示原始图像的灰度值pr(j)；
36、式中：∑表示求和运算符j＝0到k表示求和变量j的范围pr(j)表示以j为自变量的归一化直方图函数；
37、降噪处理主要以非局部均值，具体为：
38、nlu＝∑j∈iw(i，j)u(j)
39、
40、式中：nlu表示降噪结果u为原始图像w(i，j)为相似度权重v(ni)表示邻域向量表示加权欧氏距离h2表示滤波参数。
41、在一些具体实施方式中，数据管理模块，基于图像处理及图像增强后的收集，并对收集数据内容整理，将多个数据源提取，并进行关联匹配，将不同数据源的内容整合到统一的数据集中；
42、识别模块，基于数据管理模块传输的数据内容，并采用cnn对眼底图像进行特征提取数据；
43、cnn的卷积层通过输入图像的低级特征，该特征包含边缘、纹理及形状，通过多层卷积和池化操作，网络逐步提取出更加抽象的高级特征；
44、对比模块，基于识别模块传输的识别数据及大数据，并采用vgg16网络结构基础融合各卷积层上的特征对病变眼底图像的细微特征对比，并采用relu激活函数加快网络参数收敛，并在全连接层使用dropout防止过拟合；
45、vgg16由多个卷积层堆叠，不同层次的卷积核能够提取不同尺度的特征，浅层卷积核捕捉低级细节特征，深层卷积核则提取高级语义特征，通过融合多尺度特征，网络同时对病变区域的细节和语义信息进行建模对比；
46、在vgg16的基础上引入u-net的跳跃连接结构，将浅层高分辨率特征与深层语义特征进行融合；
47、引入注意力机制对不同通道的特征进行加权融合，增强对有用特征的关注，抑制无关特征；
48、利用在大型数据集上预训练的vgg16模型，将其权重迁移到眼底图像任务中，并进行特征微调，能够获得较好的特征提取和细节捕捉能力；
49、将vgg16端到端地训练在眼底图像数据集上，使网络能够自动学习最优的特征融合方式，挖掘各层特征对细微病变的表征能力；
50、relu需判断输入是否大于0，在正值时导数为1，梯度不会消失，并利于反向传播和参数更新；
51、dropout通过随机停止一些神经元的作用，避免模型过度依赖于部分特征，在全连接层使用dropout能有效防止过拟合；
52、dropout应用于relu激活之后dropout可降低计算量，因relu能自动过滤掉被mask的0值，偏置项设为1，但对relu来说可设为小正值；
53、分析模块，基于识别数据、对比数据及大数据内容，将病变检测建模为回归问题；
54、预测每个像素到最近病变中心的距离得分，利用病变的拓扑结构信息；
55、探索基于transformer的目标检测模型，捕捉长程依赖关系，进行像素级别的分类和分割，输出病变区域的精细边界，将不同尺度下的特征进行融合，提取更加丰富的病变特征表示，并分析模型关注的区域与病变的对应关系；
56、复审模块，基于识别数据、对比数据、分析数据及大数据内容复审，并根据识别数据、对比数据、分析数据及大数据内容审核相似度；
57、采用统一数据格式，进行数本文档来自技高网...
【技术保护点】
1.智能影像诊断系统，其特征在于，包括如下模块：
2.如权利要求1所述的智能影像诊断系统，其特征在于，图像处理模块，具体为：
3.如权利要求1所述的智能影像诊断系统，其特征在于，图像增强模块，具体为：
4.如权利要求1所述的智能影像诊断系统，其特征在于，数据管理模块、识别模块、对比模块、分析模块及复审模块，具体为：
5.如权利要求1所述的智能影像诊断系统，其特征在于，标记模块、标准化模块、优化模块、数据储存模块、汇总模块、诊断模块、标注模块及分类模块，具体为：
6.如权利要求1所述的智能影像诊断系统，其特征在于，控制模块，包括如下模块：
7.如权利要求6所述的智能影像诊断系统，其特征在于，控制模块、执行模块、确认模块、指令接收模块、A类操作模块、B类操作模块、打印模块、打印组件及用户端，具体为：
8.影像诊断系统方法，其特征在于，包括如下步骤：
9.电子设备，其特征在于，包括：
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1
...【技术特征摘要】
1.智能影像诊断系统，其特征在于，包括如下模块：
2.如权利要求1所述的智能影像诊断系统，其特征在于，图像处理模块，具体为：
3.如权利要求1所述的智能影像诊断系统，其特征在于，图像增强模块，具体为：
4.如权利要求1所述的智能影像诊断系统，其特征在于，数据管理模块、识别模块、对比模块、分析模块及复审模块，具体为：
5.如权利要求1所述的智能影像诊断系统，其特征在于，标记模块、标准化模块、优化模块、数据储存模块、汇总模块、诊断模块、标注模块及分类模块，具体...
【专利技术属性】
技术研发人员：富青，
申请(专利权)人：华中科技大学同济医学院附属协和医院，
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。