一种医学影像系统

1.本发明属于医学图像识别技术领域，尤其涉及一种医学影像系统。


背景技术：

2.目前，在医疗影像方面，人工智能已经证明了它有能力通过快速准确地标记特定异常结构来提高图像分析的效率，以供放射科医师参考。2011年，纽约大学langone health的研究人员发现，这种类型的自动分析在找到并匹配特定的肺结节(胸部ct图像)方面，可以比放射学家们快62％到97％。研究结果表明，这种人工智能带来的图像分析效率，可以让放射学家腾出更多的时间聚焦在需要更多解读或判断的内容审阅上，从而每年节省30亿美元。近来最新的研究还探索了人工智能在制药、分子结构和生物蛋白质方面的探索，这些令人激动的研究都在证明着ai的能力，拓展着ai的疆界。
3.近年来，人工智能技术取得了飞跃般的进步，如alphago在象棋游戏中击败了人类冠军，resnet在图像分类方面超越了人类表现，微软的语音系统在语音翻译种接近人类水平。但是，现有人工智能技术的成功应用还未实现全自动化，即无法通过经验自动改进，且会消耗大量时间。因此，亟需一种新的医学影像装置及系统。
4.通过上述分析，现有技术存在的问题及缺陷为：现有人工智能技术的成功应用还未实现全自动化，即无法通过经验自动改进，且会消耗大量时间。


技术实现要素：

5.针对现有技术存在的问题，本发明提供了一种医学影像系统。
6.本发明是这样实现的，一种医学影像系统，所述医学影像系统包括：数据收集模块、数据筛选模块、数据预处理模块、训练数据集构建模块、中央控制模块；
7.数据收集模块，与中央控制模块连接，用于通过数据收集设备获取医学影像数据；
8.数据筛选模块，与中央控制模块连接，用于通过数据筛选程序对获取的医学影像数据范围进行限定，去除无关数据，再对候选样本进行审核；
9.在通过数据筛选程序对获取的医学影像数据范围进行限定过程中，需要对图像中的内容进行自动扫描识别，具体过程为：
10.在获取的图像中，确定筛选的参数、概率的上限值和图像中相应区域中的阈值；
11.在图像中划定扫描检测区域，确定在相应区域内部的变化指数；
12.当变化指数下于区域中的阈值，该区域判定为均匀区域；同时当均匀区域集合为不含有所检测的要素，不断进行搜索检测；
13.当均匀区域集合含有所检测的要素，作为初始化的子区域；
14.通过mom方法进行参数估计，相应的筛选的参数，通过查表确定均值比统计量判决阈值；
15.继续搜索子区域中的邻域，并重复上述过程；当子区域和当前邻域之间的均值比满足设定的上下限，对子区域进行合并融合；
16.判断合并融合的子区域内除原始的子区域是否含有其他均匀区域并入，假设没有，判断参数内除子区域邻域外是否有其他均匀区域，如果有，则重置子区域非均匀区域，则转动上述过程，进行区域合并；
17.根据mom方法，确定子区域中的尺度参数，并根据筛选的参数和概率，确定局部检测阈值，对测试区域内图像进行识别判断；
18.所述根据mom方法进行参数估计，确定子区域中的尺度参数，并根据筛选的参数和概率，确定局部检测阈值具体过程为：
19.筛选的参数估计值为：
[0020][0021]
尺度参数为：
[0022][0023]
其中，μ和λ分别为样本的均值和平方均值；
[0024]
检测阈值为：
[0025][0026]
其中，p
fa
为选定的概率；
[0027]
根据检测阈值的结果，对当前but内的像素并利用目标检测模型进行二值化假设检验，实现目标的检测；
[0028]
目标检测模型为：
[0029][0030]
其中，h0为当前测试像素为背景杂波像素；h1为当前测试像素为目标像素。
[0031]
数据预处理模块，与中央控制模块连接，用于通过数据处理程序对筛选后的医学影像数据进行预处理；
[0032]
训练数据集构建模块，与中央控制模块连接，用于通过数据集构建程序根据预处理后的医学影像数据构建训练样本集，并将所述训练样本集分为训练集、验证集和测试集；
[0033]
中央控制模块，与数据收集模块、数据筛选模块、数据预处理模块、训练数据集构建模块、模型构建模块、医学影像识别模块、疾病识别模块、云存储模块、更新显示模块连接，用于通过中央处理器协调控制所述医学影像系统各个模块的正常运行。
[0034]
进一步，所述医学影像系统还包括：模型构建模块、医学影像识别模块、疾病识别模块、云存储模块、更新显示模块；
[0035]
模型构建模块，与中央控制模块连接，用于通过模型构建程序基于构建得到的训练样本集，使用深度神经网络或hog+svm算法对所述训练样本集进行训练，得到训练器模型；
[0036]
医学影像识别模块，与中央控制模块连接，用于通过医学影像识别程序利用构建
得到的训练器模型对所述医学影像进行识别，获得医学特征；
[0037]
疾病识别模块，与中央控制模块连接，用于通过疾病识别程序根据获得的医学特征对疾病进行识别；
[0038]
云存储模块，与中央控制模块连接，用于通过云数据库服务器分类存储获取的医学影像数据、数据筛选结果、增强处理后的医学影像数据、训练样本集、训练器模型、医学特征以及疾病识别结果；云数据库服务器存储的医学影像根据人体的性别、年龄、人种、身高和体重进行分类；
[0039]
更新显示模块，与中央控制模块连接，用于通过显示器对获取的医学影像数据、数据筛选结果、增强处理后的医学影像数据、训练样本集、训练器模型、医学特征以及疾病识别结果的实时数据进行更新显示。
[0040]
进一步，所述数据收集模块中，数据收集设备为ccd传感器摄像设备或kinect深度相机。
[0041]
进一步，所述数据预处理模块中，通过数据预处理模块利用数据处理程序对筛选后的医学影像数据进行预处理，包括：
[0042]
(1)对筛选处理后的医学影像数据进行灰度处理；
[0043]
(2)对灰度处理后的医学影像数据以某个像素为中心像素取数个滤波区间，获取各滤波区间内像素灰度值集合；
[0044]
(3)分别计算各滤波区间的像素灰度值方差，以像素灰度值方差最小的滤波区间为最佳滤波区间；
[0045]
(4)以最佳滤波区间对中心像素进行中值滤波，然后以所述中心像素遍历医学影像中的每个像素，得到滤波处理后的医学影像；
[0046]
(5)采用二值化处理滤波后的医学影像数据，得到处理后的医学影像的增强数据。
[0047]
进一步，所述模型构建模块中，使用深度神经网络对所述训练样本集进行训练，得到训练器模型，包括：
[0048]
设定预先建立的深度神经网络参数的初始值，所述深度神经网络包括输入层、中间变量层和输出层；
[0049]
根据所述训练样本集对所述神经网络进行训练，直到各个神经元的可变权值的变动在预设允许范围内结束训练。
[0050]
进一步，所述参数包括用于调节长期权值和短期权值对输出神经元的影响比例的变量σ、变化步长δ、神经元非线性函数的变化曲率a、偏移量s和随训练次数变化的变量b。
[0051]
进一步，所述根据所述训练样本集对所述神经网络进行训练，包括：
[0052]
建立优化搜索目标，设计损失函数，并生成训练器模型练目标函数；
[0053]
采用无标签数据，从第一层开始，逐层训练各层参数，将上一层的输出作为下一层的输入，学习得到各层的参数；
[0054]
利用带标签的数据去训练，通过反向传播bp算法分别更新生成对抗网络以执行竞争性学习，误差自顶向下传输，对网络进行微调。
[0055]
进一步，所述损失函数为：
[0056]
minθ,a∑τl(d
′
τ,θ
′
τ)＝∑τl(d
′
τ,t(dτ,θ))；
[0057]
其中，dτ和d
′
τ分别代表任务分别代表任务τ上的训练集和测试集，lτ为loss，(t(d
τ,θ)是在dτ上的训练过程，l(d
′
τ,t(dτ,θ))是测试样本d
′
τ在更新后的参数θ’上计算而得的损失值；
[0058]
进一步，所述生成的训练器模型练目标函数描述如下：
[0059][0060]
其中，d和g分别代表微分函数判别器和生成器，x代表输入的真实数据，p
data
(x)代表真实数据集分布，代表输入真实数据的计算期望值，d(x)代表x来源于真实数据而非生成数据的概率，z代表随机噪声矢量，p
z(z)
代表先验分布，代表随机噪声失量的计算期望值，g(z)代表生成的尽量服从真实数据分布的数据。
[0061]
进一步，所述云存储模块设置有用以逻辑虚拟化管理、多链路冗余管理，以及硬件设备的状态监控和故障维护的储存层；用以逻辑虚拟化管理、多链路冗余管理，以及硬件设备的状态监控和故障维护的管理层；用以连接客户端的应用接口。
[0062]
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的医学影像系统，利用adaboost级联分类器进行预先训练，针对不同的样本具有较好的识别率和误识率，并且计算速度快，可以快速进行大量的医学影像识别和分类，可用于大规模的医学影像数据库系统，且能够节省人为设计花费的时间和精力。同时，本发明通过模型构建模块能够避免人工对深度学习模型调参需要的先验知识、效率低下的问题，具有重要意义。
附图说明
[0063]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
[0064]
图1是本发明实施例提供的医学影像系统结构框图；
[0065]
图中：1、数据收集模块；2、数据筛选模块；3、数据预处理模块；4、训练数据集构建模块；5、中央控制模块；6、模型构建模块；7、医学影像识别模块；8、疾病识别模块；9、云存储模块；10、更新显示模块。
[0066]
图2是本发明实施例提供的显示医学影像方法流程图。
[0067]
图3是本发明实施例提供的数据预处理模块对筛选后的医学影像数据预处理方法流程图。
[0068]
图4是本发明实施例提供的训练样本集进行训练，得到训练器模型的方法流程图。
[0069]
图5是本发明实施例提供的训练样本集对神经网络训练方法流程图。
具体实施方式
[0070]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0071]
针对现有技术存在的问题，本发明提供了一种医学影像系统，下面结合附图对本
发明作详细的描述。
[0072]
如图1所示，本发明实施例提供的医学影像系统包括：数据收集模块1、数据筛选模块2、数据预处理模块3、训练数据集构建模块4、中央控制模块5、模型构建模块6、医学影像识别模块7、疾病识别模块8、云存储模块9、更新显示模块10。
[0073]
数据收集模块1，与中央控制模块5连接，用于通过数据收集设备获取医学影像数据；
[0074]
数据筛选模块2，与中央控制模块5连接，用于通过数据筛选程序对获取的医学影像数据范围进行限定，去除无关数据，再对候选样本进行审核；
[0075]
数据预处理模块3，与中央控制模块5连接，用于通过数据处理程序对筛选后的医学影像数据进行预处理；
[0076]
训练数据集构建模块4，与中央控制模块5连接，用于通过数据集构建程序根据预处理后的医学影像数据构建训练样本集，并将所述训练样本集分为训练集、验证集和测试集；
[0077]
中央控制模块5，与数据收集模块1、数据筛选模块2、数据预处理模块3、训练数据集构建模块4、模型构建模块6、医学影像识别模块7、疾病识别模块8、云存储模块9、更新显示模块10连接，用于通过中央处理器协调控制所述医学影像系统各个模块的正常运行；
[0078]
模型构建模块6，与中央控制模块5连接，用于通过模型构建程序基于构建得到的训练样本集，使用深度神经网络或hog+svm算法对所述训练样本集进行训练，得到训练器模型；
[0079]
医学影像识别模块7，与中央控制模块5连接，用于通过医学影像识别程序利用构建得到的训练器模型对所述医学影像进行识别，获得医学特征；
[0080]
疾病识别模块8，与中央控制模块5连接，用于通过疾病识别程序根据获得的医学特征对疾病进行识别；
[0081]
云存储模块9，与中央控制模块5连接，用于通过云数据库服务器分类存储获取的医学影像数据、数据筛选结果、增强处理后的医学影像数据、训练样本集、训练器模型、医学特征以及疾病识别结果；
[0082]
更新显示模块10，与中央控制模块5连接，用于通过显示器对获取的医学影像数据、数据筛选结果、增强处理后的医学影像数据、训练样本集、训练器模型、医学特征以及疾病识别结果的实时数据进行更新显示。
[0083]
如图2所示，本发明实施例提供的显示医学影像的方法包括以下步骤：
[0084]
s101，通过数据收集模块利用数据收集设备获取医学影像数据；通过数据筛选模块利用数据筛选程序对获取的医学影像数据范围进行限定，去除无关数据，再对候选样本进行审核；
[0085]
s102，通过数据预处理模块利用数据处理程序对筛选后的医学影像数据进行预处理；通过训练数据集构建模块利用数据集构建程序根据预处理后的医学影像数据构建训练样本集，并将所述训练样本集分为训练集、验证集和测试集；
[0086]
s103，通过中央控制模块利用中央处理器协调控制所述医学影像系统各个模块的正常运行；
[0087]
s104，通过模型构建模块利用模型构建程序基于构建得到的训练样本集，使用深
度神经网络或hog+svm算法对所述训练样本集进行训练，得到训练器模型；
[0088]
s105，通过医学影像识别模块利用医学影像识别程序利用构建得到的训练器模型对所述医学影像进行识别，获得医学特征；通过疾病识别模块利用疾病识别程序根据获得的医学特征对疾病进行识别；
[0089]
s106，通过云存储模块利用云数据库服务器分类存储获取的医学影像数据、数据筛选结果、增强处理后的医学影像数据、训练样本集、训练器模型、医学特征以及疾病识别结果；
[0090]
s107，通过更新显示模块利用显示器对获取的医学影像数据、数据筛选结果、增强处理后的医学影像数据、训练样本集、训练器模型、医学特征以及疾病识别结果的实时数据进行更新显示。
[0091]
本发明实施例提供的步骤s101中，所述数据收集设备为ccd传感器摄像设备或kinect深度相机。
[0092]
如图3所示，本发明实施例提供的步骤s102中，所述通过数据预处理模块利用数据处理程序对筛选后的医学影像数据进行预处理，包括：
[0093]
s201，对筛选处理后的医学影像数据进行灰度处理；
[0094]
s202，对灰度处理后的医学影像数据以某个像素为中心像素取数个滤波区间，获取各滤波区间内像素灰度值集合；
[0095]
s203，分别计算各滤波区间的像素灰度值方差，以像素灰度值方差最小的滤波区间为最佳滤波区间；
[0096]
s204，以最佳滤波区间对中心像素进行中值滤波，然后以所述中心像素遍历医学影像中的每个像素，得到滤波处理后的医学影像；
[0097]
s205，采用二值化处理滤波后的医学影像数据，得到处理后的医学影像的增强数据。
[0098]
如图4所示，本发明实施例提供的步骤s104中，所述使用深度神经网络对所述训练样本集进行训练，得到训练器模型，包括：
[0099]
s301，设定预先建立的深度神经网络参数的初始值，所述深度神经网络包括输入层、中间变量层和输出层；
[0100]
s302，根据所述训练样本集对所述神经网络进行训练，直到各个神经元的可变权值的变动在预设允许范围内结束训练。
[0101]
本发明实施例提供的参数包括用于调节长期权值和短期权值对输出神经元的影响比例的变量σ、变化步长δ、神经元非线性函数的变化曲率a、偏移量s和随训练次数变化的变量b。
[0102]
如图5所示，本发明实施例提供的步骤s302中，所述根据所述训练样本集对所述神经网络进行训练，包括：
[0103]
s401，建立优化搜索目标，设计损失函数，并生成训练器模型练目标函数；
[0104]
s402，采用无标签数据，从第一层开始，逐层训练各层参数，将上一层的输出作为下一层的输入，学习得到各层的参数；
[0105]
s403，利用带标签的数据去训练，通过反向传播bp算法分别更新生成对抗网络以执行竞争性学习，误差自顶向下传输，对网络进行微调。
[0106]
本发明实施例提供的步骤s401中，所述损失函数为：
[0107]
minθ,a∑τl(d
′
τ,θ
′
τ)＝∑τl(d
′
τ,t(dτ,θ))；
[0108]
其中，dτ和d
′
τ分别代表任务分别代表任务τ上的训练集和测试集，lτ为loss，(t(dτ,θ)是在dτ上的训练过程，l(d
′
τ,t(dτ,θ))是测试样本d
′
τ在更新后的参数θ’上计算而得的损失值。
[0109]
本发明实施例提供的步骤s401中，所述生成的训练器模型练目标函数描述如下：
[0110][0111]
其中，d和g分别代表微分函数判别器和生成器，x代表输入的真实数据，p
data
(x)代表真实数据集分布，代表输入真实数据的计算期望值，d(x)代表x来源于真实数据而非生成数据的概率，z代表随机噪声矢量，p
z(z)
代表先验分布，代表随机噪声失量的计算期望值，g(z)代表生成的尽量服从真实数据分布的数据。
[0112]
本发明实施例提供的步骤s106中，所述云数据库服务器存储的医学影像根据人体的性别、年龄、人种、身高和体重进行分类。
[0113]
本发明实施例提供的s101中，在通过数据筛选程序对获取的医学影像数据范围进行限定过程中，需要对图像中的内容进行自动扫描识别，具体过程为：
[0114]
在获取的图像中，确定筛选的参数、概率的上限值和图像中相应区域中的阈值；
[0115]
在图像中划定扫描检测区域，确定在相应区域内部的变化指数；
[0116]
当变化指数下于区域中的阈值，该区域判定为均匀区域；同时当均匀区域集合为不含有所检测的要素，不断进行搜索检测；
[0117]
当均匀区域集合含有所检测的要素，作为初始化的子区域；
[0118]
通过mom方法进行参数估计，相应的筛选的参数，通过查表确定均值比统计量判决阈值；
[0119]
继续搜索子区域中的邻域，并重复上述过程；当子区域和当前邻域之间的均值比满足设定的上下限，对子区域进行合并融合；
[0120]
判断合并融合的子区域内除原始的子区域是否含有其他均匀区域并入，假设没有，判断参数内除子区域邻域外是否有其他均匀区域，如果有，则重置子区域非均匀区域，则转动上述过程，进行区域合并；
[0121]
根据mom方法，确定子区域中的尺度参数，并根据筛选的参数和概率，确定局部检测阈值，对测试区域内图像进行识别判断；
[0122]
所述根据mom方法进行参数估计，确定子区域中的尺度参数，并根据筛选的参数和概率，确定局部检测阈值具体过程为：
[0123]
筛选的参数估计值为：
[0124][0125]
尺度参数为：
[0126]
[0127]
其中，μ和λ分别为样本的均值和平方均值；
[0128]
检测阈值为：
[0129][0130]
其中，p
fa
为选定的概率；
[0131]
根据检测阈值的结果，对当前but内的像素并利用目标检测模型进行二值化假设检验，实现目标的检测；
[0132]
目标检测模型为：
[0133][0134]
其中，h0为当前测试像素为背景杂波像素；h1为当前测试像素为目标像素。
[0135]
本发明实施例提供的s106中，云存储模块设置有用以逻辑虚拟化管理、多链路冗余管理，以及硬件设备的状态监控和故障维护的储存层；用以逻辑虚拟化管理、多链路冗余管理，以及硬件设备的状态监控和故障维护的管理层；用以连接客户端的应用接口。
[0136]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0137]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。