基于人工智能的心肺检查影像的智能导诊方法与流程

1.本发明涉及影像标记技术领域，具体涉及基于人工智能的心肺检查影像的智能导诊方法。


背景技术：

2.近些年，人们的生存环境遭受的污染越来越严重，人们患病的几率也随之越来越高，特别是心肺疾病，而判断心肺疾病的病情，ct影像是一个重要的参考量，目前一些地方出现了自助式ct检测设备，能够使患者自助拍片；
3.但是患者在利用自助式ct检测设备进行ct影像的拍摄后，往往看不懂ct影像所呈现的内容，只能拿着ct影像去医院询问医生，进行了解，由于不知道自己所患的疑似病症，只能挂号上位大科室，通过大科室导诊医生的判断，再精确导诊到相关小科室，很耽误患者的就诊时间，而且当导诊到相关小科室时，该小科室常常人满为患，患者就医等候时间又进一步增加，对患者的病情造成延误；
4.所以急需要一种能够根据ct图像进行疑似病症匹配的智能导诊方法，使患者通过ct影像了解自己所患的疑似病症，减少患者的就医等候时间。


技术实现要素：

5.有鉴于此，本发明要解决的问题是提供一种基于人工智能，能够对肺部检查影像进行自动标记，可以通过人工智能进行复检的肺部检查影像辅助标记方法。
6.为解决上述技术问题，本发明采用的技术方案是：基于人工智能的心肺检查影像的智能导诊方法，包括以下步骤：
7.基于人工智能的心肺检查影像的智能导诊方法，包括以下步骤：
8.步骤s1：获取心肺正照影像、心肺侧照影像，计算获取的心肺正照影像与心肺侧照影像的结构顶点，并根据所得结构顶点获取心肺关键点的空间坐标；
9.步骤s2：将心肺关键点的空间坐标，与预先创建的标准心肺模型上的对照坐标进行匹配对比；
10.步骤s3：将患者心肺模型与历史病患心肺模型做对比，导出对比结果所对应的疑似病症；
11.步骤s4：针对患者的疑似病症选取对应的医生列表，在医生列表中形成推荐医生。
12.所述步骤s1包括：
13.s1
‑
1通过预先创建的标准心肺模型的水平腋窝线、水平腰线和胸腔中心线抽取两个水平横截面和一个竖直纵截面；通过两个水平横截面和一个竖直纵截面分别抽取点云；通过抽取的点云分别拟合水平腋窝曲线、前胸腔中心线曲线、后胸腔中心线曲线和水平腰线曲线；修剪水平腋窝曲线、前胸腔中心线曲线、后胸腔中心线曲线和水平腰线曲线使其首尾相连形成一个空间四边形，所形成的空间四边形为拍摄者的心肺正照影像提取范围。
14.所述步骤s1包括：
15.s1
‑
3通过预先创建的标准心肺模型的水平腋窝线、水平腰线和侧胸腔中心线抽取两个水平横截面和一个竖直纵截面；通过两个水平横截面和一个竖直纵截面分别抽取点云；通过抽取的点云分别拟合水平腋窝曲线、左侧胸腔中心线曲线、右侧胸腔中心线曲线和水平腰线曲线；修剪水平腋窝曲线、左侧腔中心线曲线、右侧胸腔中心线曲线和水平腰线曲线使其首尾相连形成一个空间四边形，所形成的空间四边形为拍摄者的心肺侧照影像提取范围。
16.所述步骤s1包括：
17.s1
‑
3提取在心肺正照影像提取范围内拍摄的心肺正照影像的结构顶点，提取在心肺侧照影像提取范围内拍摄的心肺侧照影像的结构顶点。
18.所述步骤s2包括：
19.s2
‑
1当比对结果处于合理误差值时，将心肺正照影像与心肺侧照影像，除去骨骼组织的影像；
20.当比对结果不处于合理误差值时，返回步骤s1重新获取心肺正照影像、心肺侧照影像。
21.所述步骤s2包括：
22.s2
‑
2采用光照能量为m1的x光，进行单次扫描，得到患者的心肺部在能量为m1的x光下的心肺正照影像与心肺侧照影像；
23.使用双线性转换算法将得到的患者心肺正照影像与心肺侧照影像的ct 数转换为患者的心肺部在能量为m2的x光下的线性衰减系数；并通过该线性衰减系数从而得到能量为m2的x光下的心肺正照影像与心肺侧照影像。
24.分别对两次生成的心肺正照影像与心肺侧照影像生成数字重建影像，根据结构顶点选择所需要的心肺部权重因子，得到除去骨骼组织的影像。
25.所述步骤s3包括：
26.s3
‑
1将得到的除去骨骼组织的影像与标准心肺模型进行融合贴图形成患者心肺模型。
27.所述步骤s3包括：
28.s3
‑
2将融合贴图形成的患者心肺模型中的心脏模型与肺部模型分离，分别对比数据库中的病态心脏模型与病态肺部模型对比，形成疑似病症合集。
29.所述步骤s4包括：
30.s4
‑
1，导入医院导诊系统，在推荐的医生列表中分别形成排班时间与待诊人数；
31.s4
‑
2，导入智能地图系统，在推荐的医生列表中分别形成推荐路程；
32.s4
‑
3，结合推荐路程、排班时间与待诊人数的值，形成推荐医生。
33.本发明具有的优点和积极效果是：
34.一、本发明通过对心肺正照影像、心肺侧照影像与标准心肺模型进行融合贴图形成患者心肺模型，然后分离患者心肺模型中的心脏模型与肺部模型，分别对比数据库中的病态心脏模型与病态肺部模型对比，生成疑似病症，患者通过疑似病症进行挂号，减少患者的就医等候时间。
35.二、本发明通过预先创建的标准心肺模型形成心肺正照影像与心肺侧照影像的影像提取范围，拍摄时患者处于该提取范围内进行拍摄，可以避免出现漏拍的现象，防止对患
者病情的判断出现误差。
36.三、本发明通过导入医院导诊系统和智能地图系统，根据路程、排班时间与待诊人数的值，形成推荐医生。
附图说明
37.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
38.在附图中：
39.图1是本发明的基于人工智能的心肺检查影像的智能导诊方法的步骤 s1
‑
s4的流程图。
40.图2是本发明的基于人工智能的心肺检查影像的智能导诊方法的整体步骤流程图。
具体实施方式
41.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
42.需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
43.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
44.本发明提供基于人工智能的心肺检查影像的智能导诊方法，包括以下步骤：
45.基于人工智能的心肺检查影像的智能导诊方法，包括以下步骤：
46.需要说明的是，在执行以下步骤前，已经建立了标准的心肺模型；
47.步骤s1：获取心肺正照影像、心肺侧照影像，计算获取的心肺正照影像与心肺侧照影像的结构顶点，并根据所得结构顶点获取心肺关键点的空间坐标；一方面为对患者的心肺影像建模做准备，一方面可以检测患者的拍摄时是否有错漏和缺失；
48.具体的，s1
‑
1通过预先创建的标准心肺模型的水平腋窝线、水平腰线和胸腔中心线抽取两个水平横截面和一个竖直纵截面；通过两个水平横截面和一个竖直纵截面分别抽取点云；通过抽取的点云分别拟合水平腋窝曲线、前胸腔中心线曲线、后胸腔中心线曲线和水平腰线曲线；修剪水平腋窝曲线、前胸腔中心线曲线、后胸腔中心线曲线和水平腰线曲线使其首尾相连形成一个空间四边形，所形成的空间四边形为拍摄者的心肺正照影像提取范围，患者拍摄时，上半身正面处于此范围内；
49.同理，s1
‑
2通过预先创建的标准心肺模型的水平腋窝线、水平腰线和侧胸腔中心线抽取两个水平横截面和一个竖直纵截面；通过两个水平横截面和一个竖直纵截面分别抽取点云；通过抽取的点云分别拟合水平腋窝曲线、左侧胸腔中心线曲线、右侧胸腔中心线曲线和水平腰线曲线；修剪水平腋窝曲线、左侧腔中心线曲线、右侧胸腔中心线曲线和水平腰线曲线使其首尾相连形成一个空间四边形，所形成的空间四边形为拍摄者的心肺侧照影像提取范围，患者拍摄时，上半身侧面处于此范围内；
50.该步骤为患者的拍摄创建了限制区间，只有拍摄者处于此限制区间内拍摄的图像，患者的空间坐标才与标准的心肺模型的空间坐标的误差处于合理范围内。
51.具体的，s1
‑
3提取在心肺正照影像提取范围内拍摄的心肺正照影像的结构顶点，提取在心肺侧照影像提取范围内拍摄的心肺侧照影像的结构顶点，通过结构顶点，计算出心肺关键点的空间坐标的空间坐标。
52.步骤s2：将心肺关键点的空间坐标，与预先创建的标准心肺模型上的对照坐标进行匹配对比；以此来判断患者在拍摄时，是否处于心肺正照影像提取范围和心肺侧照影像提取范围内；
53.具体的，s2
‑
1当比对结果处于合理误差值时，将心肺正照影像与心肺侧照影像，除去骨骼组织的影像，当比对结果不处于合理误差值时，返回步骤 s1重新获取心肺正照影像、心肺侧照影像；
54.具体的，s2
‑
2采用光照能量为m1的x光，进行单次扫描，得到患者的心肺部在能量为m1的x光下的心肺正照影像与心肺侧照影像；
55.使用双线性转换算法将得到的患者心肺正照影像与心肺侧照影像的ct 数转换为患者的心肺部在能量为m2的x光下的线性衰减系数；并通过该线性衰减系数从而得到能量为m2的x光下的心肺正照影像与心肺侧照影像；
56.双线性转换算法公式如下：
57.μx(m2)＝[1+hux(m1)1000]
·
μw(m2)hu≤0[1+(ρh
·
r(m2)
‑ꢀ
1)
·
hux(m1)huh(m1)]
·
μw(m2)hu>0
‑‑‑
(1)
[0058]
公式中的参数说明如下：
[0059]
μx(m2)：需要转换的物质在能量为m2的x光下的线性衰减系数；
[0060]
hux(m1)：需要转换的物质在原始扫描能量m1的x光下的ct数；
[0061]
μw(m2)：水在能量为m2的x光下的线性衰减系数；
[0062]
huh(m1)：高原子序数物质在能量为m1的x光下的ct数；
[0063]
ρh：高原子序数物质的密度；
[0064]
分别对两次生成的心肺正照影像与心肺侧照影像生成数字重建影像，根据结构顶点选择所需要的心肺部权重因子，将120kvp数字重建影像像素的灰度值代入ih，80kvp数字重建影像图像像素的灰度值代入il，可以得到消去骨骼组织的减影图像。
[0065]
步骤s3：将患者心肺模型与历史病患心肺模型做对比，导出对比结果所对应的疑似病症；
[0066]
具体的，s3
‑
1将得到的除去骨骼组织的影像与标准心肺模型进行融合贴图形成患者心肺模型；
[0067]
s3
‑
2将融合贴图形成的患者心肺模型中的心脏模型与肺部模型分离，分别对比数
据库中的病态心脏模型与病态肺部模型对比，形成疑似病症合集。
[0068]
步骤s4：针对患者的疑似病症选取对应的医生列表，在医生列表中形成推荐医生；
[0069]
具体的，s4
‑
1，导入医院导诊系统，在推荐的医生列表中分别形成排班时间与待诊人数；
[0070]
s4
‑
2，导入智能地图系统，在推荐的医生列表中分别形成推荐路程；
[0071]
s4
‑
3，结合推荐路程、排班时间与待诊人数的值，形成推荐医生。
[0072]
本发明的工作原理和工作过程如下：
[0073]
患者先在心肺正照影像提取范围与心肺侧照影像提取范围内分别拍摄正照影像和侧照影像；
[0074]
计算获取的心肺正照影像与心肺侧照影像的结构顶点，并根据所得结构顶点获取心肺关键点的空间坐标；
[0075]
将心肺关键点的空间坐标，与预先创建的标准心肺模型上的对照坐标进行匹配对比；以此来判断患者在拍摄时，是否处于心肺正照影像提取范围和心肺侧照影像提取范围内；
[0076]
当比对结果不处于合理误差值时，重新执行上述步骤，即重新获取心肺正照影像、心肺侧照影像；
[0077]
当比对结果处于合理误差值时，将心肺正照影像与心肺侧照影像，除去骨骼组织的影像，将得到的除去骨骼组织的影像与标准心肺模型进行融合贴图形成患者心肺模型，并将融合贴图形成的患者心肺模型中的心脏模型与肺部模型分离，分别对比数据库中的病态心脏模型与病态肺部模型对比，形成疑似病症合集；
[0078]
针对患者的疑似病症选取对应的医生列表，在医生列表中形成推荐医生。
[0079]
以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均等变化与改进等，均应仍归属于本专利涵盖范围之内。