【技术实现步骤摘要】
本专利技术属于医学影像数据处理，尤其涉及一种医学影像数据处理方法及系统。
技术介绍
1、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。医学影像通过对人体指定内部组织进行成像，为医生提供了一种无需直接接触患者身体即可“看见”内部结构和病变的方法，而且极大地提高了疾病诊断的准确性和治疗的有效性。从x射线到mri，再到超声和核医学技术，影像学检查的不断进步和创新，使得医生能够更深入地理解疾病的本质，为患者制定出更为精准和个性化的治疗方案。
2、现有的医生进行诊治的过程中，会基于患者组织的医学影像进行识别并诊断，并基于其识别和诊断结果进行治疗方案的选择。在这个过程中，虽然现有的医学影像为人体的各组织病变提供了可视化的途径，为医生的诊治提供一定的数据基础，但是毕竟现在的绝大多数医学影像数据是二维的，即使有部分的医学影像数据是三维成像，其也是基于某一个角度拍摄的三维数据。而由于人体内部组织复杂，从某个角度拍摄的三维数据会由于组织间的交错影响，使得对病灶的成像造成影响，进而降低医生在基于医学影像进行诊断时的准确性。并且医生还需要对患者的不同时期的医学影像进行识别，基于当前的病灶相比患者前期医学影像数据的对比情况判断患者的病情发展情况，而医生基于患者不同时期的不同角度的医学影像进行诊断时，将会变得十分复杂。
3、因此，如何在医生基于患者的医学影像进行诊断之前，提前对各个角度拍摄的患者指定部位的医学影像数据以及结合患者不同时期的医学影像进行数据处理，以辅助医生进行患者病情
技术实现思路
1、本专利技术的目的在于提供一种医学影像数据处理方法及系统，用以提前对各个角度拍摄的患者指定部位的医学影像数据以及结合患者不同时期的医学影像进行数据处理，以辅助医生进行患者病情诊断。
2、为解决上述技术问题，本专利技术采用的技术方案如下：
3、一种医学影像数据处理方法，包括以下过程：
4、s1：基于医疗大数据获取与当前患者相应部位的已标记病灶的医学影像数据，对其进行预处理后输入创建的病灶特征提取模型进行特征提取训练，将已标记病灶与提取的病灶特征进行对比，判断所述病灶特征提取模型是否满足指定要求，若是，执行步骤s2，若否，持续进行模型训练并调整模型参数，直至满足指定要求；
5、s2：创建三维病灶生成模型，将输出的病灶特征输送至三维病灶生成模型对其进行模型训练，并判断训练后的三维病灶生成模型是否满足指定要求，若是，执行步骤s3，若否，重新对三维病灶生成模型进行训练，直至满足指定要求；
6、s3：获取当前患者不同时期的不同角度的指定部位的医学影像数据，并基于时间顺序划分为不同时期的医学影像数据集，对不同时期的医学影像数据集进行预处理后依次输入训练后的病灶特征提取模型，依次对不同时期的医学影像数据进行病灶特征提取；
7、s4：将当前患者不同时期的病灶特征输入训练后的三维病灶生成模型，分别生成不同时期的三维病灶模型数据，将不同时期的三维病灶模型数据输送至病情预测模型；
8、s5：所述病情预测模型分别计算不同时期的三维病灶模型的体积，分别计算相邻两个时期的病灶发展速度，并计算最早时期到当前时期的病灶的总体发展速度；
9、s6：按照同一三维坐标系将三维病灶模型虚拟切割成不同方向的八块病灶区域，基于不同时期的相应区域的病灶分别计算每个方向的病灶区域在相邻两个时期的病灶发展速度以及最早时期到当前时期的总体发展速度；
10、s7：所述病情预测模型基于相邻两个时期的病灶发展速度，并计算最早时期到当前时期的病灶的总体发展速度和每个方向的病灶区域在相邻两个时期的病灶发展速度以及最早时期到当前时期的总体发展速度对病灶发展进行预测。
11、优选的，所述病灶特征提取模型为卷积神经网络模型，包括输入层、卷积层+池化层、全连接层和输出层，所述卷积层+池化层设置至少多组，其中每个卷积层的的卷积核大小为3×3，步长为1，填充为1，池化层区域大小为2×2，步长为2；所述全连接层设有3层，其中前两层设有4096通道，最后一层共1000路，表示1000个标签类别。
12、优选的，步骤s3中，所述病灶特征提取模型进行特征提取的具体过程如下：
13、s31：将指定时期的不同角度的指定部位的医学影像数据经所述输入层输入，所述卷积层对基于卷积运算提取医学影像图片的指定特征，卷积运算通过使用多个卷积层的卷积核对输入医学影像图片进行滑动，计算每个局部区域的加权和，生成病灶特征图，将病灶特征图传输给池化层；
14、s32：通过池化层对所述病灶特征图进行降维处理，通过选择每个池化窗口汇总的平均值，保留医学影像图片中的最显著的特征，减少病灶特征图的空间维度，并通过多组卷积层+池化层实现步骤s31和步骤s32的多轮处理；
15、s33：使用relu激活函数对病灶特征提取模型进行非线性激活；
16、s34：将多轮处理后的病灶特征图传输到全连接层，全连接层将所述病灶特征图展平成向量，将所述向量与指定权重矩阵相乘后加上指定偏置，最后通过softmax激活函数进行处理得到最终的分类结果。
17、优选的，步骤s31中计算每个局部区域的加权和生成病灶特征图的具体公式为：
18、 h out=( h in+ padding×2- k size)/ stride+1；
19、 w out=( w in+ padding×2- k size)/ stride+1；
20、其中， h out为输出病灶特征图的高度， h in为输入病灶特征图的高度， w out为输出病灶特征图的宽度， w in为输入病灶特征图的宽度， padding为填充值大小， k size为卷积核的尺寸， stride为卷积核在输入病灶特征图上移动的步长；
21、优选的，s32中的池化层对所述病本文档来自技高网...
【技术保护点】
1.一种医学影像数据处理方法，其特征在于，包括以下过程：
2.根据权利要求1所述的一种医学影像数据处理方法，其特征在于，所述病灶特征提取模型为卷积神经网络模型，包括输入层、卷积层+池化层、全连接层和输出层，所述卷积层+池化层设置至少多组，其中每个卷积层的的卷积核大小为3×3，步长为1，填充为1，池化层区域大小为2×2，步长为2；所述全连接层设有3层，其中前两层设有4096通道，最后一层共1000路，表示1000个标签类别。
3.根据权利要求2所述的一种医学影像数据处理方法，其特征在于，步骤S3中，所述病灶特征提取模型进行特征提取的具体过程如下：
4.根据权利要求3所述的一种医学影像数据处理方法，其特征在于，步骤S31中计算每个局部区域的加权和生成病灶特征图的具体公式为：
5.根据权利要求3所述的一种医学影像数据处理方法，其特征在于，步骤S32中的池化层对所述病灶特征图进行降维处理的公式为：
6.根据权利要求3所述的一种医学影像数据处理方法，其特征在于，
7.根据权利要求5所述的一种医学影像数据处理方法，其特征
8.根据权利要求7所述的一种医学影像数据处理方法，其特征在于，步骤S41中三维病灶生成模型提取输入的指定时期的病灶特征图的特征的具体过程如下：
9.一种医学影像数据处理系统，用于实现权利要求1-8任意一项所述的一种医学影像数据处理方法，其特征在于，包括数据获取模块、预处理模块、模型创建模块、病灶特征提取模型、三维病灶生成模型、病情预测模型，所述病情预测模型包括计算模块；所述数据获取模块和预处理模块连接，所述预处理模块与病灶特征提取模型连接，所述病灶特征提取模型与三维病灶生成模型连接，所述三维病灶生成模型与计算模块连接；
...【技术特征摘要】
1.一种医学影像数据处理方法，其特征在于，包括以下过程：
2.根据权利要求1所述的一种医学影像数据处理方法，其特征在于，所述病灶特征提取模型为卷积神经网络模型，包括输入层、卷积层+池化层、全连接层和输出层，所述卷积层+池化层设置至少多组，其中每个卷积层的的卷积核大小为3×3，步长为1，填充为1，池化层区域大小为2×2，步长为2；所述全连接层设有3层，其中前两层设有4096通道，最后一层共1000路，表示1000个标签类别。
3.根据权利要求2所述的一种医学影像数据处理方法，其特征在于，步骤s3中，所述病灶特征提取模型进行特征提取的具体过程如下：
4.根据权利要求3所述的一种医学影像数据处理方法，其特征在于，步骤s31中计算每个局部区域的加权和生成病灶特征图的具体公式为：
5.根据权利要求3所述的一种医学影像数据处理方法，其特征在于...
【专利技术属性】
技术研发人员：黎永丽，何川，谢霞，龙晴文，陶春岚，余佳杰，张莉，刘琴，陈玉琴，
申请(专利权)人：川北医学院附属医院，
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。