[发明专利]医学影像数据的分析方法及系统

说明书

技术领域

本发明涉及医学影像处理技术领域，尤其涉及一种医学影像数据的分析方法及系统。

背景技术

医疗机构的医学图像产出数据量十分庞大，而图像数据往往包含大量潜在信息。目前医疗市场主要依靠人工判读分析医学图像，效率较低且能挖掘的信息有限，无法充分利用数据资源。近年来，随着深度学习的快速发展，机器学习各领域包括计算机视觉迅速被深度学习占领，深度学习已经在图像识别、语音识别等领域取得了令人瞩目的成果。作为机器学习中的重要方法之一，其强大的自动特征提取复杂模型构建以及图像处理能力，非常适合处理医学影像数据分析所面临的新问题，引起了生物医学领域研究人员的广泛关注。目前在深度学习在医学影像领域采用的技术主要是卷积神经网络，其普遍结构如图1所示。目前，基于人工智能技术的影像诊断系统主要利用的是卷积神经网络技术，相比于传统的图像技术，不仅规避了人为定义特征的繁琐步骤，而且还能获取相比于底层特征(例如颜色、纹理、结构等)更高层的语义特征，模拟人脑视觉处理过程。

尽管卷积神经网络相比于传统的特征提取技术具有较明显的优势，但是仍然存在以下不足之处：其一，目前的系统不具备治疗方案推荐功能，仅仅停留在诊断层面上，并没有考虑后期更重要的应对方案。其二，目前采用的卷积神经网络都是基于有标签数据，利用误差逆传播的算法实现的，训练耗时长，且需要大量有标签的样本数据。并且，随着卷积神经网络的隐层数量增加，模型前几层的特征学习能力特别差，无法学习到有效特征。

综上可知，现有技术在实际使用上显然存在不便与缺陷，所以有必要加以改进。

发明内容

针对上述的缺陷，本发明的目的在于提供一种医学影像数据的分析方法及系统，其可以实现影像诊断的功能，还提供后期的方案推荐。

为了实现上述目的，本发明提供一种医学影像数据的分析方法，包括以下步骤：

获取医学影像信息；

基于不同部位将所述医学影像信息分类处理；

基于分类后的医学影像信息，建立对应各部位的医学模型；

对所述医学模型训练处理；

保存模型参数。

根据本发明的医学影像数据的分析方法，所述保存模型参数步骤后还包括：

基于保存的模型参数以及接收新的医学影像信息诊断处理；

根据诊断结果推荐治疗方案。

根据本发明的医学影像数据的分析方法，所述对所述医学模型训练处理步骤包括：

从无标签的数据样本中抽取局部的图像块进行无监督特征学习，获得一组特征向量；

将所述特征向量应用于卷积神经网络的训练中，并采用有标签数据对模型参数进行微调处理。

根据本发明的医学影像数据的分析方法，所述方法还包括：

用训练完成的模型对测试数据提取特征，训练分类器，并验证来评估模型的准确率、特异性及敏感度。

本发明还提供一种医学影像数据的分析系统，包括：

信息获取模块，用于从医学影像信息系统获取医学影像信息；

信息分类模块，用于基于不同部位将所述医学影像信息分类处理；

模型建立模块，用于基于分类后的医学影像信息，建立对应各部位的医学模型；

模型训练模块，用于对所述医学模型训练处理；

模型保存模块，用于保存模型参数。

根据本发明的医学影像数据的分析系统，还包括：

模型诊断模块，用于根据保存的模型参数以及接收新的医学影像信息诊断处理；

方案推送模块，用于根据诊断结果推荐治疗方案。

根据本发明的医学影像数据的分析系统，所述模型训练模块包括：

无监督学习单元，用于从无标签的数据样本中抽取局部的图像块进行无监督特征学习，获得一组特征向量；

参数微调单元，用于将所述特征向量应用于卷积神经网络的训练中，并采用有标签数据对模型参数进行微调处理。

根据本发明的医学影像数据的分析系统，还包括，检测模块，用于根据训练完成的模型对测试数据提取特征，训练分类器，并验证来评估模型的准确率、特异性及敏感度。

本发明通过从医学影像信息系统获取医学影像信息，并基于不同部位将所述医学影像信息分类处理，然后基于分类后的医学影像信息，建立对应各部位的医学模型，对所述医学模型训练处理，最后保存模型参数。更好的是，本发明还可以基于保存的模型参数以及接收新的医学影像信息诊断处理，并根据诊断结果推荐治疗方案。借此，本发明不仅实现影像诊断的功能，还提供后期的方案推荐。

附图说明