【技术实现步骤摘要】
本专利技术属于医学数据处理，特别是涉及一种基于医学影像数据处理的疾病智能诊断系统。
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。它包含以下两个相对独立的研究方向：医学成像系统和医学图像处理。前者是指图像形成的过程，包括对成像机理、成像设备、成像系统分析等问题的研究；后者是指对已经获得的图像作进一步的处理，其目的是或者是使原来不够清晰的图像复原，或者是为了突出图像中的某些特征信息，或者是对图像做模式分类等等。作为一门科学，医学影像属于生物影像，并包含影像诊断学、放射学、内视镜、医疗用热影像技术、医学摄影和显微镜。
2、其中，医学影像可由x射线产生，其主要依据x射线的穿透作用、差别吸收、感光作用和荧光作用。由于x射线穿过人体时，受到不同程度的吸收，如骨骼吸收的x射线量比肌肉吸收的量要多，那么通过人体后的x射线量就不一样，这样便携带了人体各部密度分布的信息，在荧光屏上或摄影胶片上引起的荧光作用或感光作用的强弱就有较大差别，因而在荧光屏上或摄影胶片上(经过显影、定影)将显示出不同密度的阴影。根据阴影浓淡的对比，结合临床表现、化验结果和病理诊断，即可判断人体某一部分是否正常。
3、目前，患者通常都是拿着照射好的x光片去找医生进行诊断，当患者较多时，需要排队等待医生，消耗了大部分时间，部分重症患者会延误治疗，对患者健康造成不良影响。
4、因此，目前亟需一种能够自动诊断医学影像的、节约患者时间的、供医生参考的、加快治疗进度的一种基于医学影像
技术实现思路
1、本专利技术的目的在于提供一种基于医学影像数据处理的疾病智能诊断系统，通过深度卷积神经网络对诊断模型进行训练，将患者移动终端上传的医学影像导入到训练好的诊断模型中，并将输出结果发送给患者的移动终端，解决了现有的医院影像需要医生主观诊断、影响诊断效率、容易延误患者治疗的问题。
2、为解决上述技术问题，本专利技术是通过以下技术方案实现的：
3、本专利技术为一种基于医学影像数据处理的疾病智能诊断系统，包括依次连接的图像获取模块、图像处理模块、诊断模型训练模块、诊断模块；所述图像获取模块，用以接收患者通过移动终端上传的医学影像，并转化为数据图像后输出至图像处理模块；所述图像处理模块，用以将数据图像进行预处理，将预处理后的数据图像导入到训练好的模型中；所述诊断模型训练模块，用以选择深度卷积神经网络作为组件分类器，设计诊断模型；所述诊断模块，用以基于诊断模型进行疾病的诊断和类别的推理，并将诊断模型输出结果通过无线通讯模块发送至患者的移动终端。
4、作为一种优选的技术方案，所述医学影像包括ct图像、mri或x光图像。
5、作为一种优选的技术方案，所述预处理包括对数据图像的滤波处理、对滤波处理后的数据图像进行去噪处理、对去噪处理后的数据图像进行分割；
6、所述滤波处理采用高斯滤波，利用离散化二维高斯滤波函数作为高斯核中的权值系数，将该二维连续正态分布函数离散化，得到权值矩阵；
7、其中，二维高斯滤波函数公式为：
8、
9、式中，σ表示标准差，(x,y)表示像素点坐标，且x,y为整数；
10、所述滤波处理后，对数据图像进行去噪的具体流程如下：
11、步骤l1：在数据图像上选取两点作为矩形的两个对角点构建一个对应的矩阵；
12、步骤l2：再将矩阵中的噪声点的值从1改变到0；
13、步骤l3：在矩阵的八个方向上创建八个0的矩阵并将其融合成与滤波处理后数据图像矩阵相同阶数的矩阵；
14、步骤l4：将融合之后的矩阵与滤波处理后的矩阵相加，将相加后的矩阵中所有1的值改为0，再将所有2的值改为1；
15、所述去噪处理后，对数据图像进行分割的具体步骤如下：
16、步骤q1：获取图像的总平均灰度为：
17、u＝w0*u0+w1*u1；
18、步骤q2：前景和背景图像的方差为：
19、
20、式中，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1。
21、作为一种优选的技术方案，所述步骤l1的矩阵的获取方法如下：
22、步骤j1：利用ginput函数确定所要框选范围，并在框选范围内选取两对角，两对角坐标分别为f1(x1,y1)和f2(x2,y2)；
23、步骤j2：根据f1和f2的值来计算出两角点围成矩形的长宽大小；
24、步骤j3：读取出原先框选图像的长宽分别为l、h；
25、步骤j4：利用f1(x1,y1)、f2(x2,y2)、l、h计算出以两角点围成矩形为中心的四个方向上的矩阵大小。
26、作为一种优选的技术方案，所述诊断模型训练模块的训练方式包括诊断模型训练模块以resnet或efficientnet卷积神经网络为特征提取的主干网；采用特征金字塔网络对resnet或efficientnet进行扩展，利用全局平均池化算子对特征金字塔每一层的特征向量进行空间尺度降维，得到宽和高均为1的特征向量，设定扩展后的特征输出维度都相同，在设定的尺度特征经过全局平均池化算子后，利用全连接层对其进行特征变换，同时使用加法运算将扩展后的特征进行融合，并继续利用下一个全连接层对融合后的特征继续进行特征变换，最后输出提取的图像特征。
27、作为一种优选的技术方案，所述模型训练方式有两种：
28、方式一：
29、步骤s11：经过预处理的图像训练组件resnet，标签与原图像相同；
30、步骤s12：获取各个组件resnet的特征层拼接到一起，对应原图像的标签；
31、步骤s13：添加若干层全连接层，训练人工神经网络；
32、步骤s14：根据整体模型分类表现，交替调整特征层和人工神经网络；
33、步骤s15：固定各部分的参数，将整体作为预测模型；
34、方法二：
35、步骤s21：将组件resnet的输出层去掉，并将特征层拼接在一起；
36、步骤s22：再添加若干层全连接层；
37、步骤s23：添加一个输出层；
38、步骤s24：将模型作为一个整体来训练，并直接实现端到端的预测。
39、作为一种优选的技术方案，所述诊断模块包括第一诊断模块和第二诊断模块；所述第一诊断模块基于贝叶斯网络进行疾病诊断推理；所述第二诊断模块基于卷积网络进行疾病诊断和属性类别推理；
40、所述诊断模块将第一诊断模块和第二诊断模块的输出进行融合，得到最终的诊断结果。
41、作为一种优选的技术方案，所述第一诊断模块基于贝叶斯网络建立疾病类别与病灶属性之间的概率依赖关系模型；
42、所述贝叶斯网络表示为：b＝<vb,eb本文档来自技高网...
【技术保护点】
1.一种基于医学影像数据处理的疾病智能诊断系统，包括依次连接的图像获取模块、图像处理模块、诊断模型训练模块、诊断模块、数据库和录入模块，其特征在于：
2.根据权利要求1所述的基于医学影像数据处理的疾病智能诊断系统，其特征在于，所述医学影像包括CT图像、MRI或X光图像。
3.根据权利要求1所述的基于医学影像数据处理的疾病智能诊断系统，其特征在于，所述预处理包括对数据图像的滤波处理、对滤波处理后的数据图像进行去噪处理、对去噪处理后的数据图像进行分割；
4.根据权利要求3所述的基于医学影像数据处理的疾病智能诊断系统，其特征在于，所述步骤L1的矩阵的获取方法如下：
5.根据权利要求1所述的基于医学影像数据处理的疾病智能诊断系统，其特征在于，所述诊断模型训练模块的训练方式包括诊断模型训练模块以ResNet或EfficientNet卷积神经网络为特征提取的主干网；采用特征金字塔网络对ResNet或EfficientNet进行扩展，利用全局平均池化算子对特征金字塔每一层的特征向量进行空间尺度降维，得到宽和高均为1的特征向量，设定扩展后的特征输出
6.根据权利要求5所述的基于医学影像数据处理的疾病智能诊断系统，其特征在于，所述模型训练方式有两种：
7.根据权利要求1所述的基于医学影像数据处理的疾病智能诊断系统，其特征在于，所述诊断模块包括第一诊断模块和第二诊断模块；所述第一诊断模块基于贝叶斯网络进行疾病诊断推理；所述第二诊断模块基于卷积网络进行疾病诊断和属性类别推理；
8.根据权利要求7所述的基于医学影像数据处理的疾病智能诊断系统，其特征在于，所述第一诊断模块基于贝叶斯网络建立疾病类别与病灶属性之间的概率依赖关系模型；
...【技术特征摘要】
1.一种基于医学影像数据处理的疾病智能诊断系统，包括依次连接的图像获取模块、图像处理模块、诊断模型训练模块、诊断模块、数据库和录入模块，其特征在于：
2.根据权利要求1所述的基于医学影像数据处理的疾病智能诊断系统，其特征在于，所述医学影像包括ct图像、mri或x光图像。
3.根据权利要求1所述的基于医学影像数据处理的疾病智能诊断系统，其特征在于，所述预处理包括对数据图像的滤波处理、对滤波处理后的数据图像进行去噪处理、对去噪处理后的数据图像进行分割；
4.根据权利要求3所述的基于医学影像数据处理的疾病智能诊断系统，其特征在于，所述步骤l1的矩阵的获取方法如下：
5.根据权利要求1所述的基于医学影像数据处理的疾病智能诊断系统，其特征在于，所述诊断模型训练模块的训练方式包括诊断模型训练模块以resnet或efficientnet卷积神经网络为特征提取的主干网；采用特征金字塔网络对resnet或effici...
【专利技术属性】
技术研发人员：王其景，许燕，
申请(专利权)人：中世康恺科技有限公司，
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。