[发明专利]基于细粒度领域知识的疾病智能识别方法及系统

说明书

本发明提供一种基于细粒度领域知识的疾病智能识别方法及系统，属于智慧医疗技术领域，利用双坐标疾病识别模型对患者病灶图像进行特征提取，获取病灶区域特征和病灶边界特征；其中，双坐标疾病识别模型包括用于病灶区域划分的第一坐标模型和用于病灶边界特征识别的第二坐标模型；通过自注意力网络，根据病灶区域特征和病灶边界特征获取病灶聚合特征；对病灶聚合特征进行分类识别，获取患者的疾病识别结果；使得疾病的细粒度信息具有可解释性。方便辅助医生对病灶及其它感兴趣的区域进行定性甚至定量的分析，从而大大提高医疗诊断的准确性和可靠性；在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。

技术领域

本发明属于智慧医疗技术领域，具体涉及一种基于细粒度领域知识的疾病智能识别方法、系统、电子设备以及存储介质。

背景技术

在现有技术中，超声成像检查因其具有无害、无创、成本低、成像快速等优点，成为诊断癌症最常用的工具，其中，B-mode因其具有足够的灵敏度，成为癌症检查中的最常用的超声成像模式。基于疾病区域的超声图像，利用深度神经网络的高效可扩展学习(DNN)的计算机辅助(Computer Aided Design-CAD)技术在疾病的智能诊断的方面表现优异，大多使用迁移学习来克服医学图像处理中数据集有限的问题，并利用预先训练的骨干模型强大的特征表示能力。

以甲状腺疾病为例，甲状腺影像报告和数据系统(Thyroid imaging reportingand data system，TI-RADS)依据五个甲状腺结节恶性特征进行分级：1、实性结节；2、低回声或极低回声；3、分叶或边缘不规则；4、砂砾样钙化；5、纵横比≥1。当前利用B-mode超声成像对甲状腺疾病进行诊断存在问题有，现有的甲状腺影像报告和数据系统指南主观性较强，且甲状腺疾病诊断对放射科医生的经验要求较高。在此基础上，充分利用数据驱动的方法来自动诊断甲状腺疾病成为一种可行的方案。在甲状腺疾病的智能诊断过程中，虽然使用迁移学习来克服医学图像处理中数据集有限的问题，并利用预先训练的骨干模型强大的特征表示能力为甲状腺的智能诊断提供了一些辅助，但是依然存在的弊端如下：1)上述方法将甲状腺诊断任务作为常规的二值分类，仅体现良/恶性两种分类标签。但良性与恶性与多个因素有关，只是用良性标签和恶性标签进行建模，相对缺乏足够的可解释性。

为了提升可解释性，将多任务学习(multitask learning,MTL)方法应用于甲状腺疾病智能诊断，将医生经验形成的领域知识(domain knowledge,DK)作为监督信息纳入建模过程中；虽然利用了部分TI-RADS信息，但是仍然仅有良性和恶性两种分类标签，对分类变量的细粒度信息的可解释性不够。

因此，亟需一种基于细粒度领域知识的疾病智能识别方法。

发明内容

本发明提供一种基于细粒度领域知识的疾病智能识别方法、系统、电子设备以及存储介质，用以克服现有技术中存在的至少一个技术问题。

为实现上述目的，本发明提供一种基于细粒度领域知识的疾病智能识别方法，

获取待识别的患者病灶图像；

利用双坐标疾病识别模型对患者病灶图像进行特征提取，获取病灶区域特征和病灶边界特征；其中，所述双坐标疾病识别模型包括用于病灶区域划分的第一坐标模型和用于病灶边界特征识别的第二坐标模型；

通过自注意力网络，根据病灶区域特征和病灶边界特征获取病灶聚合特征；

对病灶聚合特征进行分类识别，获取患者的疾病识别结果；其中，所述疾病识别结果包括病灶的良性/恶性类别判定和病灶位置。

进一步，优选的，通过自注意力网络，根据病灶区域特征和病灶边界特征获取病灶聚合特征的方法，包括，

将病灶区域特征和病灶边界特征进行融合，获得原始融合特征；