本發(fā)明專利技術(shù)實(shí)施例提供了一種基于人工智能的醫(yī)學(xué)影像評(píng)價(jià)方法、裝置、設(shè)備及介質(zhì)，方法包括：采集預(yù)設(shè)覆蓋范圍及預(yù)設(shè)時(shí)間段內(nèi)醫(yī)療機(jī)構(gòu)的多條歷史影像檢查數(shù)據(jù)，并根據(jù)所述歷史影像檢查數(shù)據(jù)生成帶有質(zhì)控標(biāo)注的樣本數(shù)據(jù)集；構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型；利用所述模型訓(xùn)練集對(duì)每個(gè)目標(biāo)質(zhì)控評(píng)價(jià)項(xiàng)目構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，生成醫(yī)學(xué)影像質(zhì)控多任務(wù)分類模型；采集待評(píng)價(jià)醫(yī)學(xué)影像數(shù)據(jù)，并根據(jù)質(zhì)控需求對(duì)待評(píng)價(jià)的醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行映射、識(shí)別，得到待評(píng)價(jià)的影像檢查數(shù)據(jù)；將待評(píng)價(jià)的影像檢查數(shù)據(jù)經(jīng)預(yù)處理后輸入所述醫(yī)學(xué)影像質(zhì)控多任務(wù)分類模型，輸出待評(píng)價(jià)的影像檢查數(shù)據(jù)對(duì)應(yīng)的醫(yī)學(xué)影像圖像質(zhì)量標(biāo)準(zhǔn)評(píng)價(jià)結(jié)果。本發(fā)明專利技術(shù)能大幅度提高醫(yī)學(xué)影像的質(zhì)控效率。的質(zhì)控效率。的質(zhì)控效率。
【技術(shù)實(shí)現(xiàn)步驟摘要】
基于人工智能的醫(yī)學(xué)影像評(píng)價(jià)方法、裝置、設(shè)備及介質(zhì)
[0001]本專利技術(shù)涉及人工智能領(lǐng)域，具體而言，涉及一種基于人工智能的醫(yī)學(xué)影像評(píng)價(jià)方法、裝置、設(shè)備及介質(zhì)。
技術(shù)介紹
[0002]醫(yī)學(xué)影像是指為了醫(yī)療或醫(yī)學(xué)研究，對(duì)人體或人體某部份，以非侵入方式取得內(nèi)部組織影像的技術(shù)與處理過程。醫(yī)學(xué)影像屬于生物影像，并包含影像診斷學(xué)、放射學(xué)、內(nèi)視鏡、醫(yī)療用熱影像技術(shù)、醫(yī)學(xué)攝影和顯微鏡。
[0003]醫(yī)學(xué)影像的質(zhì)量高低直接影響著醫(yī)務(wù)工作者對(duì)疾病的診斷與治療決策，醫(yī)療質(zhì)量的同質(zhì)化是檢查資料共享和檢查結(jié)果互認(rèn)的基礎(chǔ)。然而，由于放射科質(zhì)量控制與管理工作標(biāo)準(zhǔn)化程度不夠，質(zhì)控標(biāo)準(zhǔn)同質(zhì)化程度低，且設(shè)備廠商、軟件版本也不盡相同，導(dǎo)致影像的質(zhì)量存在較大差異。
[0004]傳統(tǒng)的醫(yī)學(xué)影像質(zhì)量控制方法僅僅依靠人工判別，缺乏客觀性，容易造成結(jié)果的差異，且人工判別的效率低，會(huì)很大程度上增加醫(yī)師、醫(yī)技的工作量，嚴(yán)重阻礙了影像圖像質(zhì)控工作的落實(shí)。
[0005]近年來，AI技術(shù)快速發(fā)展，在肺小結(jié)節(jié)、骨折、腫瘤等輔助診斷方面已取得突破性的成果，能有效替代重復(fù)性工作，提高效率和準(zhǔn)確性，但AI技術(shù)在醫(yī)學(xué)影像圖像質(zhì)量控制領(lǐng)域的應(yīng)用仍相對(duì)空白。
技術(shù)實(shí)現(xiàn)思路
[0006]有鑒于此，本專利技術(shù)的目的在于提供一種基于人工智能的醫(yī)學(xué)影像評(píng)價(jià)方法、裝置、設(shè)備及介質(zhì)，以改善上述問題。
[0007]本專利技術(shù)實(shí)施例提供了一種基于人工智能的醫(yī)學(xué)影像評(píng)價(jià)方法，其包括：
[0008]采集預(yù)設(shè)覆蓋范圍及預(yù)設(shè)時(shí)間段內(nèi)醫(yī)療機(jī)構(gòu)的多條歷史影像檢查數(shù)據(jù)，并根據(jù)所述歷史影像檢查數(shù)據(jù)生成帶有質(zhì)控標(biāo)注的樣本數(shù)據(jù)集；所述樣本數(shù)據(jù)集包括模型訓(xùn)練集；
[0009]構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型；所述深度神經(jīng)網(wǎng)絡(luò)模型的CNN主干網(wǎng)絡(luò)由卷積層、池化層、歸一化層、激活函數(shù)和全連接層組成；
[0010]利用所述模型訓(xùn)練集對(duì)每個(gè)目標(biāo)質(zhì)控評(píng)價(jià)項(xiàng)目構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，生成醫(yī)學(xué)影像質(zhì)控多任務(wù)分類模型；
[0011]采集待評(píng)價(jià)醫(yī)學(xué)影像數(shù)據(jù)，并根據(jù)質(zhì)控需求對(duì)待評(píng)價(jià)的醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行映射、識(shí)別，得到待評(píng)價(jià)的影像檢查數(shù)據(jù)；
[0012]將待評(píng)價(jià)的影像檢查數(shù)據(jù)經(jīng)預(yù)處理后輸入所述醫(yī)學(xué)影像質(zhì)控多任務(wù)分類模型，輸出待評(píng)價(jià)的影像檢查數(shù)據(jù)對(duì)應(yīng)的醫(yī)學(xué)影像圖像質(zhì)量標(biāo)準(zhǔn)評(píng)價(jià)結(jié)果。
[0013]優(yōu)選地，采集預(yù)設(shè)覆蓋范圍及預(yù)設(shè)時(shí)間段內(nèi)醫(yī)療機(jī)構(gòu)的多條歷史影像檢查數(shù)據(jù)，并根據(jù)所述歷史影像檢查數(shù)據(jù)生成帶有質(zhì)控標(biāo)注的樣本數(shù)據(jù)集；所述樣本數(shù)據(jù)集包括模型訓(xùn)練集，具體包括：
[0014]提取識(shí)別出的每個(gè)目標(biāo)質(zhì)控評(píng)價(jià)項(xiàng)目對(duì)應(yīng)的至少部分歷史影像檢查數(shù)據(jù)中的影像數(shù)據(jù)作為樣本圖像數(shù)據(jù)，并通過補(bǔ)齊至統(tǒng)一長度進(jìn)行歸一化處理；
[0015]根據(jù)提取出的所述樣本圖像數(shù)據(jù)及對(duì)應(yīng)的質(zhì)控標(biāo)注生成帶有質(zhì)控標(biāo)注的樣本數(shù)據(jù)集，并從所述樣本數(shù)據(jù)集提取至少部分樣本數(shù)據(jù)作為模型訓(xùn)練集。
[0016]優(yōu)選地，在模型訓(xùn)練時(shí)：
[0017]根據(jù)模型訓(xùn)練集對(duì)建立的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；其中，在開始訓(xùn)練前預(yù)先設(shè)置批處理數(shù)量和初始學(xué)習(xí)率，在開始訓(xùn)練后根據(jù)損失函數(shù)下降情況調(diào)整學(xué)習(xí)率，得到訓(xùn)練后的醫(yī)學(xué)影像質(zhì)控多任務(wù)分類模型。
[0018]優(yōu)選地，構(gòu)造邏輯回歸損失函數(shù)；
[0019][0020]其中，X為輸入的預(yù)處理后的影像數(shù)據(jù)；(y1,y2,...,y
k
)為X對(duì)應(yīng)的專家標(biāo)注數(shù)據(jù)；為深度神經(jīng)模型預(yù)測(cè)X是否符合第i類型質(zhì)控標(biāo)準(zhǔn)上的概率或質(zhì)控分?jǐn)?shù)。
[0021]優(yōu)選地，根據(jù)訓(xùn)練時(shí)模型收斂速度及性能變化選擇固定策略的學(xué)習(xí)率衰減調(diào)整策略或自適應(yīng)學(xué)習(xí)率衰減調(diào)整策略作為學(xué)習(xí)率調(diào)整策略。
[0022]優(yōu)選地，如果選擇固定策略的學(xué)習(xí)率衰減調(diào)整策略作為所述學(xué)習(xí)率調(diào)整策略，則驗(yàn)證模型，判斷周期內(nèi)，驗(yàn)證集損失函數(shù)是否下降，若否，則將學(xué)習(xí)率調(diào)整為原學(xué)習(xí)率的保存模型參數(shù)；重復(fù)驗(yàn)證模型的步驟；當(dāng)連續(xù)N個(gè)周期內(nèi)，所述驗(yàn)證集損失函數(shù)沒有繼續(xù)下降，則輸出模型。
[0023]優(yōu)選地，所述樣本數(shù)據(jù)集還包括用于進(jìn)行模型驗(yàn)證的模型驗(yàn)證集，則在進(jìn)行模型驗(yàn)證時(shí)：
[0024]將所述模型驗(yàn)證集中的影像檢查數(shù)據(jù)輸入到訓(xùn)練好的醫(yī)學(xué)影像質(zhì)控多任務(wù)分類模型中，輸出各條影像檢查數(shù)據(jù)對(duì)應(yīng)的醫(yī)學(xué)影像圖像質(zhì)量相關(guān)標(biāo)準(zhǔn)評(píng)價(jià)結(jié)果；將醫(yī)學(xué)影像質(zhì)控多任務(wù)分類模型輸出的評(píng)價(jià)結(jié)果與模型驗(yàn)證集中各條影像檢查數(shù)據(jù)對(duì)應(yīng)的質(zhì)控標(biāo)注進(jìn)行比較，并根據(jù)損失函數(shù)計(jì)算兩者差異；
[0025]當(dāng)差異性大于預(yù)設(shè)閾值時(shí)，分析存在差異的影像檢查數(shù)據(jù)、模型輸出結(jié)果及對(duì)應(yīng)的質(zhì)控標(biāo)注，調(diào)整模型參數(shù)優(yōu)化模型性能。
[0026]優(yōu)選地，所述樣本數(shù)據(jù)集還包括用于進(jìn)行模型測(cè)試的模型測(cè)試集，則在進(jìn)行模型測(cè)試時(shí)，將所述模型測(cè)試集中的影像檢查數(shù)據(jù)輸入到經(jīng)模型參數(shù)調(diào)整后的醫(yī)學(xué)影像質(zhì)控多任務(wù)分類模型中，輸出各條影像檢查數(shù)據(jù)對(duì)應(yīng)的醫(yī)學(xué)影像圖像質(zhì)量相關(guān)標(biāo)準(zhǔn)評(píng)價(jià)結(jié)果；
[0027]將醫(yī)學(xué)影像質(zhì)控多任務(wù)分類模型輸出的評(píng)價(jià)結(jié)果與模型測(cè)試集中各條影像檢查數(shù)據(jù)對(duì)應(yīng)的質(zhì)控標(biāo)注進(jìn)行比較，并根據(jù)損失函數(shù)計(jì)算兩者差異；
[0028]當(dāng)差異性仍大于預(yù)設(shè)閾值時(shí)，重新進(jìn)行模型構(gòu)建與訓(xùn)練。
[0029]優(yōu)選地，將待評(píng)價(jià)的影像檢查數(shù)據(jù)經(jīng)預(yù)處理后輸入所述醫(yī)學(xué)影像質(zhì)控多任務(wù)分類模型，輸出待評(píng)價(jià)的影像檢查數(shù)據(jù)對(duì)應(yīng)的醫(yī)學(xué)影像圖像質(zhì)量標(biāo)準(zhǔn)評(píng)價(jià)結(jié)果之后，還包括，
[0030]將待評(píng)價(jià)的影像檢查數(shù)據(jù)中的影像數(shù)據(jù)進(jìn)行解析，提取其中的文本信息，將所述文本信息與對(duì)應(yīng)的目標(biāo)質(zhì)控評(píng)價(jià)項(xiàng)目的質(zhì)控語義描述框架中的醫(yī)學(xué)影像信息完整度相關(guān)標(biāo)準(zhǔn)進(jìn)行逐條匹配，輸出待評(píng)價(jià)的影像檢查數(shù)據(jù)對(duì)應(yīng)的醫(yī)學(xué)影像信息完整度相關(guān)標(biāo)準(zhǔn)評(píng)價(jià)
結(jié)果；
[0031]根據(jù)各個(gè)目標(biāo)質(zhì)控評(píng)價(jià)項(xiàng)目的質(zhì)控語義描述框架的分?jǐn)?shù)設(shè)置，結(jié)合所述醫(yī)學(xué)影像圖像質(zhì)量評(píng)價(jià)結(jié)果及所述醫(yī)學(xué)影像信息完整度評(píng)價(jià)結(jié)果，自動(dòng)生成各條待評(píng)價(jià)的醫(yī)學(xué)影像數(shù)據(jù)對(duì)應(yīng)的醫(yī)學(xué)影像評(píng)價(jià)報(bào)告。
[0032]本專利技術(shù)實(shí)施例還提供了一種基于人工智能的醫(yī)學(xué)影像評(píng)價(jià)裝置，其包括：
[0033]采集單元，用于采集預(yù)設(shè)覆蓋范圍及預(yù)設(shè)時(shí)間段內(nèi)醫(yī)療機(jī)構(gòu)的多條歷史影像檢查數(shù)據(jù)，并根據(jù)所述歷史影像檢查數(shù)據(jù)生成帶有質(zhì)控標(biāo)注的樣本數(shù)據(jù)集，所述樣本數(shù)據(jù)集包括模型訓(xùn)練集；
[0034]構(gòu)建單元，用于構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型；所述深度神經(jīng)網(wǎng)絡(luò)模型的CNN主干網(wǎng)絡(luò)由卷積層、池化層、歸一化層、激活函數(shù)和全連接層組成；
[0035]模型生成單元，用于利用所述模型訓(xùn)練集對(duì)構(gòu)建的每個(gè)目標(biāo)質(zhì)控評(píng)價(jià)項(xiàng)目的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，生成醫(yī)學(xué)影像質(zhì)控多任務(wù)分類模型；
[0036]獲取單元，用于獲取待評(píng)價(jià)醫(yī)學(xué)影像數(shù)據(jù)，并根據(jù)質(zhì)控需求對(duì)待評(píng)價(jià)的醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行映射、識(shí)別，得到待評(píng)價(jià)的影像檢查數(shù)據(jù)；
[0037]評(píng)價(jià)結(jié)果輸出單元，用于將待評(píng)價(jià)的影像檢查數(shù)據(jù)經(jīng)預(yù)處理后輸入所述醫(yī)學(xué)影像質(zhì)控多任務(wù)分類模型，輸出待評(píng)價(jià)的影像檢查數(shù)據(jù)對(duì)應(yīng)的醫(yī)學(xué)影像圖像質(zhì)量標(biāo)準(zhǔn)評(píng)價(jià)結(jié)果。
[0038]本專利技術(shù)實(shí)施例還提供了一種基于人工智能的醫(yī)學(xué)影像評(píng)價(jià)設(shè)備，其包括存儲(chǔ)器以及處理器，所述存儲(chǔ)器內(nèi)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
【技術(shù)特征摘要】
1.一種基于人工智能的醫(yī)學(xué)影像評(píng)價(jià)方法，其特征在于，包括：采集預(yù)設(shè)覆蓋范圍及預(yù)設(shè)時(shí)間段內(nèi)醫(yī)療機(jī)構(gòu)的多條歷史影像檢查數(shù)據(jù)，并根據(jù)所述歷史影像檢查數(shù)據(jù)生成帶有質(zhì)控標(biāo)注的樣本數(shù)據(jù)集；所述樣本數(shù)據(jù)集包括模型訓(xùn)練集；構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型；所述深度神經(jīng)網(wǎng)絡(luò)模型的CNN主干網(wǎng)絡(luò)由卷積層、池化層、歸一化層、激活函數(shù)和全連接層組成；利用所述模型訓(xùn)練集對(duì)每個(gè)目標(biāo)質(zhì)控評(píng)價(jià)項(xiàng)目構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，生成醫(yī)學(xué)影像質(zhì)控多任務(wù)分類模型；采集待評(píng)價(jià)醫(yī)學(xué)影像數(shù)據(jù)，并根據(jù)質(zhì)控需求對(duì)所述待評(píng)價(jià)的醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行映射、識(shí)別，得到待評(píng)價(jià)的影像檢查數(shù)據(jù)；將待評(píng)價(jià)的影像檢查數(shù)據(jù)經(jīng)預(yù)處理后輸入所述醫(yī)學(xué)影像質(zhì)控多任務(wù)分類模型，輸出待評(píng)價(jià)的影像檢查數(shù)據(jù)對(duì)應(yīng)的醫(yī)學(xué)影像圖像質(zhì)量標(biāo)準(zhǔn)評(píng)價(jià)結(jié)果。2.根據(jù)權(quán)利要求1所述的基于人工智能的醫(yī)學(xué)影像評(píng)價(jià)方法，其特征在于，采集預(yù)設(shè)覆蓋范圍及預(yù)設(shè)時(shí)間段內(nèi)醫(yī)療機(jī)構(gòu)的多條歷史影像檢查數(shù)據(jù)，并根據(jù)所述歷史影像檢查數(shù)據(jù)生成帶有質(zhì)控標(biāo)注的樣本數(shù)據(jù)集；所述樣本數(shù)據(jù)集包括模型訓(xùn)練集，具體包括：提取識(shí)別出的每個(gè)目標(biāo)質(zhì)控評(píng)價(jià)項(xiàng)目對(duì)應(yīng)的至少部分歷史影像檢查數(shù)據(jù)中的影像數(shù)據(jù)作為樣本圖像數(shù)據(jù)，并通過補(bǔ)齊至統(tǒng)一長度進(jìn)行歸一化處理；根據(jù)提取出的所述樣本圖像數(shù)據(jù)及對(duì)應(yīng)的質(zhì)控標(biāo)注生成帶有質(zhì)控標(biāo)注的樣本數(shù)據(jù)集，并從所述樣本數(shù)據(jù)集提取至少部分樣本數(shù)據(jù)作為模型訓(xùn)練集。3.根據(jù)權(quán)利要求2所述的基于人工智能的醫(yī)學(xué)影像評(píng)價(jià)方法，其特征在于，在模型訓(xùn)練時(shí)：根據(jù)模型訓(xùn)練集對(duì)建立的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；其中，在開始訓(xùn)練前預(yù)先設(shè)置批處理數(shù)量和初始學(xué)習(xí)率，在開始訓(xùn)練后根據(jù)損失函數(shù)下降情況調(diào)整學(xué)習(xí)率，得到訓(xùn)練后的醫(yī)學(xué)影像質(zhì)控多任務(wù)分類模型。4.根據(jù)權(quán)利要求3所述的基于人工智能的醫(yī)學(xué)影像評(píng)價(jià)方法，其特征在于，構(gòu)造邏輯回歸損失函數(shù)；其中，X為輸入的預(yù)處理后的影像數(shù)據(jù)；(y1,y2,...,y
k
)為X對(duì)應(yīng)的專家標(biāo)注數(shù)據(jù)；為深度神經(jīng)模型預(yù)測(cè)X是否符合第i類型質(zhì)控標(biāo)準(zhǔn)上的概率或質(zhì)控分?jǐn)?shù)。5.根據(jù)權(quán)利要求3所述的基于人工智能的醫(yī)學(xué)影像評(píng)價(jià)方法，其特征在于，根據(jù)訓(xùn)練時(shí)模型收斂速度及性能變化選擇固定策略的學(xué)習(xí)率衰減調(diào)整策略或自適應(yīng)學(xué)習(xí)率衰減調(diào)整策略作為學(xué)習(xí)率調(diào)整策略。6.根據(jù)權(quán)利要求3所述的基于人工智能的醫(yī)學(xué)影像評(píng)價(jià)方法，其特征在于，如果選擇固定策略的學(xué)習(xí)率衰減調(diào)整策略作為所述學(xué)習(xí)率調(diào)整策略，則驗(yàn)證模型，判斷周期內(nèi)，驗(yàn)證集損失函數(shù)是否下降，若否，則將學(xué)習(xí)率調(diào)整為原學(xué)習(xí)率的保存模型參數(shù)；重復(fù)驗(yàn)證模型的步驟；當(dāng)連續(xù)N個(gè)周期內(nèi)，所述驗(yàn)證集損失函數(shù)沒有繼續(xù)下降，則輸出模型。
7.根據(jù)權(quán)利要求6所述的基于人工智能的醫(yī)學(xué)影像評(píng)價(jià)方法，其特征在于，所述樣本數(shù)據(jù)集還包括用于進(jìn)行模型驗(yàn)證的模型驗(yàn)證集，則在進(jìn)行模型驗(yàn)證時(shí)：將所述模型驗(yàn)證集中的影像檢查數(shù)據(jù)輸入到訓(xùn)練好的醫(yī)學(xué)影像質(zhì)控多任務(wù)分類模型中，輸出各條影像檢查數(shù)據(jù)對(duì)應(yīng)的醫(yī)學(xué)影像圖像質(zhì)量相關(guān)標(biāo)準(zhǔn)評(píng)價(jià)結(jié)果；將醫(yī)學(xué)影像質(zhì)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：白羽，徐輝，陳維娟，吳鵬，秦浩，廖驥，張劍，白珊瑋，余菡，李欣，郭大靜，陳金華，
申請(qǐng)(專利權(quán))人：中電通商數(shù)字技術(shù)上海有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。