[发明专利]基于卷积神经网络生成结构化医学影像报告的方法和系统

说明书

本申请公开了基于卷积神经网络生成结构化医学影像报告的方法和系统，所述方法包括：获取要评估的符合DICOM标准的第一医学影像；利用反卷积算法将第一医学影像通过降维扩增转换成单层三通道矩阵；基于单层三通道矩阵，利用经训练的卷积神经网络确定生物体给定部位的各评估点的每一预设评估结果的概率；以及基于所确定的各评估点的每一预设评估结果的概率，将各评估点的具有置信概率的评估结果输出至预构建的医学报告生成系统以生成第一医学影像报告。利用本申请的方法和系统，可生成符合中国医学报告语义习惯的规范的结构化报告内容，在生成报告的过程中更规范和简便，实现自动生成全部或部分医学影像报告。

技术领域

本申请涉及基于人工智能生成结构化医学影像报告的方法和系统，更具体地，涉及基于卷积神经网络生成结构化医学影像报告的方法和系统。

背景技术

在医学影像领域，存在通过训练神经网络获得医学影像报告的许多尝试，例如卡内基梅隆大学邢波团队研究利用多任务框架的卷积神经网络(CNN)-循环神经网络(RNN)模型来进行X线胸片的报告生成。他们利用CNN进行图像中病灶特征的识别，然后利用RNN对发现的病变进行详细描述，具体如利用CNN识别图像特征，然后将特征提供给长短期记忆网络(LSTM)以生成文本；以及利用CNN识别图像特征，然后利用“语义注意机制”或“共同注意机制”来生成详细文本。这些方法需利用RNN来完成报告内容的生成和调试，对于复杂语义，常常困难重重。

发明内容

根据本申请的一方面，提供了基于卷积神经网络生成结构化医学影像报告的方法，所述方法包括：获取要评估的符合DICOM标准的第一医学影像；利用反卷积算法将第一医学影像通过降维扩增转换成单层三通道矩阵；基于单层三通道矩阵，利用经训练的卷积神经网络确定生物体给定部位的各评估点的每一预设评估结果的概率；以及基于所确定的各评估点的每一预设评估结果的概率，将各评估点的具有置信概率的评估结果输出至预构建的医学报告生成系统以生成第一医学影像报告。

将第一医学影像通过降维扩增转换成单层三通道矩阵的步骤可包括：将第一医学影像转换成维度为m*n*n的第一矩阵，其中m为灰度图像的数量，n为每个灰度图像的长度的像素点数量和宽度的像素点数量；利用滑动窗口步长为2的反卷积算法，将第一矩阵转换成维度为m/2*2n*2n的第二矩阵；利用滑动窗口步长为2的反卷积算法，将第二矩阵转换成维度为m/4*4n*4n的第三矩阵；以及利用滑动窗口步长为2的反卷积算法，将第三矩阵转换成维度为3*8n*8n的单层三通道矩阵。

将第一医学影像通过降维扩增转换成单层三通道矩阵的步骤可包括：将第一医学影像转换成维度为m*n*n的第一矩阵，其中m为灰度图像的数量，n为每个灰度图像的长度的像素点数量和宽度的像素点数量；利用滑动窗口步长为2的m/2个滤波器将第一矩阵转换成维度为m/2*2n*2n的第二矩阵；利用滑动窗口步长为2的m/2个滤波器将第二矩阵转换成维度为m/4*4n*4n的第三矩阵；以及利用滑动窗口步长为2的3个滤波器将第三矩阵转换成维度为3*8n*8n的单层三通道矩阵。

确定各评估点的每一预设评估结果的概率的步骤可包括：采用Inception-v3结构，利用softmax激励算法确定各评估点的每一预设评估结果的概率。

根据本申请的另一方面，提供了基于卷积神经网络生成结构化医学影像报告的系统，所述系统包括数据接收单元、图像转换单元、概率分类单元和数据输出单元，其中：数据接收单元配置成接收符合DICOM标准的第一医学影像；图像转换单元配置成利用反卷积算法将所接收的第一医学影像通过降维扩增转换成单层三通道矩阵；概率分类单元配置成基于所转换的单层三通道矩阵利用经训练的卷积神经网络来确定生物体给定部位的各评估点的每一预设评估结果的概率；以及数据输出单元配置成基于所确定的各评估点的每一预设评估结果的概率，将各评估点的具有置信概率的评估结果输出至预构建的医学报告生成系统以生成第一医学影像报告。