[发明专利]一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统

说明书

本发明涉及超声乳腺肿块鉴别技术领域，尤其是一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统，包括中央数据处理系统、肿块病理结果反馈模块、持续自我学习多模型融合分类模块、肿块分类处理模块、图像获取模块、临床信息特征采集模块和随机森林分类模型建立模块，所述临床信息获取模块将采集的信息通过网关传递到临床信息特征采集模块，所述临床信息特征采集模块将信息进行处理并通过网关传递到随机森林分类模型建立模块，所述随机森林分类模型建立模块将建立的模型通过网关传递到持续自我学习多模型融合分类模块。本发明还提供一种持续自我学习多模型融合超声乳腺肿块精准鉴别方法，可以实现持续自我学习和鉴别准确性。

技术领域

本发明涉及超声乳腺肿块鉴别技术领域，尤其涉及一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统。

背景技术

现有医学影像AI技术未能把图像诊断与患者临床信息紧密结合进行诊断并实现临床应用。随着人工智能技术的发展，一些学者把AI技术应用于超声乳腺肿块图像鉴别与诊断，但主要是单纯采用图像鉴别肿块的良恶性，也有采用多模态融合技术对肿块进行诊断,多模态融合机器学习就是各种模态的信息融合建立数据集训练机器学习模型，多模态融合技术需要综合多项检查的影像特征，只有在多项检查完成后才能获得这些特征，如果有患者只单做某项检查就无法对肿块进行多模态融合诊断，同时对疾病的诊断不能单纯依靠图像进行，需要结合患者临床信息，例如影像科医师当看了患者检查图像后，从图像结果中获得诊断印象，再通过询问病史和体格检查获得患者临床信息，经过综合分析来判断肿块是良性还是恶性，医师对疾病的诊断是一个综合分析过程，需要结合患者影像诊断结果，同时也需要结合患者的临床表现和体征，疾病诊断的准确性关系到患者的后续处理和治疗，最理想的模型应该是能给合图像诊断和患者临床特征，现有技术还没有良好的解决方案，现有技术对数据集的分类标注主要采用有经验的医师完成，但有的肿块图像是否为恶性，再有经验的医师也会误判，现有技术模型不能实现持续自我学习提高精准度。

发明内容

为解决上述背景技术中提出的问题。本发明提供了一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统，解决了出现误判和不能持续自我学习的问题。

为了实现上述目的，本发明采用了如下技术方案：

设计一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统，包括中央数据处理系统、肿块病理结果反馈模块、持续自我学习多模型融合分类模块、肿块分类处理模块、图像获取模块、临床信息获取模块、临床信息特征采集模块和随机森林分类模型建立模块，所述中央数据处理系统包括计算机集群，所述计算机集群包括信息接收模块、数据存储模块、数据处理模块、数据对比模块、数据整合模块和卫星通信与传输模块，所述中央数据处理系统通过卫星通信与传输模块与肿块病理结果反馈模块、图像获取模块和临床信息获取模块形成实时通信连接，所述肿块病理结果反馈模块包括数据收集模块、训练模块和模型建立模块，所述数据收集模块包括良恶性图像数据集、病理类型图像数据集和病理疾病图像数据集，所述训练模块包括肿块良恶性分类训练模块、肿块病理类型分类训练模块和肿块病理疾病分类训练模块，所述模型建立模块包括肿块良恶性图像数据集、肿块病理类型图像数据集和肿块病理疾病图像数据集，所述肿块病理疾病分类训练模块通过网关与持续自我学习多模型融合分类模块形成实时连接，所述持续自我学习多模型融合分类模块通过网关与肿块分类处理模块形成实时连接，所述图像获取模块通过网关与持续自我学习多模型融合分类模块形成实时连接，所述中央数据处理系统通过网关与临床信息获取模块形成实时连接，所述临床信息获取模块将采集的信息通过网关传递到临床信息特征采集模块，所述临床信息特征采集模块将信息进行处理并通过网关传递到随机森林分类模型建立模块，所述随机森林分类模型建立模块将建立的模型通过网关传递到持续自我学习多模型融合分类模块。

优选的，所述肿块病理结果反馈模块通过从电子病历和医学影像系统中获取患者临床信息和肿块特征信息，根据病理结果按BI-RADS分类，建立数据集。根据图像病理结果建立良恶性图像数据集、病理类型和病理疾病图像数据集。