本发明属于医学技术领域，具体涉及一种基于深度学习的医疗图像分析诊断辅助系统。
背景技术：
借助光学、超声、放射技术获取疑似病灶部位的图像，是现代辅助医生进行医学诊断的有力工具。现有的医疗图像一般通过普通x线拍片机、计算机x线摄影系统、直接数字化x线摄影系统、计算机x线断层扫描、核磁共振、超声波设备等获得。输出的影像数据信息一般为黑白、彩色的2d图形或3d数模数据。
现有技术一般是将获得的医疗图像与其他检查结果一并交由医生，由医生根据医疗图像与其他检查结果进行医学诊断。该方法受限于医生的医学经验、学识、记忆、现场判断等因素，对于相对复杂的病情，很可能出现不稳定或错误的诊断结果，不利于病人的后续治疗。
技术实现要素：
本发明针对现有技术存在的问题，提供了一种基于深度学习的医疗图像分析诊断辅助系统，包括：首先通过医疗图像提取模块从医疗影像设备中获取需要的医疗图像数据。然后通过诊断分析模块对医疗图像数据进行诊断分析，得出医疗图像分析辅助诊断结论。
所述诊断分析模块包括：背景数据范围分析、图形对比分析、诊断分析。所述背景数据范围分析包括：首先，根据该医疗图像数据对应的拍摄数据类型，从数据库内进行第一次背景数据缩小。之后，根据根据该医疗图像数据对应的拍摄部位信息，从数据库内进行第二次背景数据缩小，得到背景数据集。所述图形对比分析基于医疗图像数据和背景数据集进行逐一对比分析，获取与医疗图像数据最接近的背景数据x。所述诊断分析基于背景数据x从数据库中调取相应的医疗诊断模型，对背景数据x进行诊断分析，得到分析辅助诊断结论。
进一步的，所述第二次背景数据缩小，得到背景数据集a。所述图形对比分析方法为：首先，以医疗图像数据的一个特定点为原点建立坐标系，并将医疗图像数据形成图片或3d模型，放入该坐标系内，得到数模a。然后，从背景数据集a中选取标准背景图片或3d模型，以相同的特定点为原点，放入该坐标系内，得到数模b。之后，对比数模a和数模b，获取其中的差异部分作为疑似病灶a。而后，将背景数据集a内的背景数据以相同的特定点为原点，逐一形成图片或3d模型，放入该坐标系内，得到数模an。将数模a与数模an逐一对比，获取其中的差异部分作为疑似病灶b。最后，对比疑似病灶a和疑似病灶b的坐标位置进行判断，将符合疑似病灶a预设阈值范围的疑似病灶b所对应的数模an选出，形成背景数据集b，所述背景数据集b作为背景数据x。
进一步的，所述特定点根据医疗图像数据类型为2d还是3d进行选取：对于2d图形，以图形的一个端点为特定点。对于3d数模，以数模中心或特定端点为特定点。
进一步的，对于2d图形，所述数模对比的方法为：首先将医疗图像数据放入坐标系内，基于医疗图像数据的边际形成对比范围框。然后将背景数据集a内的背景图形数据逐一等比例缩放至范围框内。最后基于相同大小的医疗图像和背景图形进行对比分析。
进一步的，对于3d数模，所述数模对比的方法为：首先，从标准3d模型中节选一个特定截面作为参照面。然后将参照面的特定点与坐标系原点重合，参照面与三维坐标系中的一个二维坐标系面重合。而后将医疗图像数据和背景数据集a内的背景图形数据分别放入坐标系中，并旋转数模使其与参照面尽可能的匹配，获得医疗影像数模和背景图形数模。最后将医疗影像数模和背景图形数模重合至同一坐标系内进行对比分析。
进一步的，符合疑似病灶a预设阈值范围的疑似病灶b的选取方法为：
s1.选取疑似病灶b完全覆盖疑似病灶a的数模an作为第一疑似。如存在第一疑似，则将第一疑似所对应的数模an选出，形成背景数据集b。如不存在第一疑似，则选取疑似病灶a完全覆盖疑似病灶b的数模an作为第二疑似。
s2.如存在第二疑似，则进一步判断被覆盖疑似病灶b的坐标系位置是否一致。如一致则将第二疑似所对应的数模an选出，形成背景数据集b。如不一致，则将不同坐标系位置的疑似病灶b分类，并分别将不同疑似病灶b分类的数模an分别选出，逐类形成背景数据集bn，所述背景数据集bn作为背景数据x。
s3.如不存在第二疑似，则从疑似病灶b中选出与疑似病灶a重合度最高的数模an作为第三疑似，并将第三疑似对应的数模an作为背景数据集b。
进一步的，所述诊断分析的方法为：首先根据背景数据x，获取背景数据x对应病症所需要的全部检查数据，设为检查数据集an。然后从医务系统中获取该医疗图像数据相同病患的其他检查信息，作为检查数据集b。而后将检查数据集b与检查数据集an进行逐一对比，根据对比结果得到辅助诊断结论。
进一步的，所述将检查数据集b与检查数据集an进行逐一对比的方法包括：
(1)判断是否有与检查数据集b完全重合的检查数据集an，如有则将该检查数据集an对应的病症作为辅助诊断结论。如没有则进行步骤(2)。
(2)判断是否有完全涵盖检查数据集b的检查数据集an，如有则进行步骤(3)如没有则进行步骤(4)。
(3)将完全涵盖检查数据集b的检查数据集an选出作为检查数据集cn。对比cn中不同检查项目的全系统检查频次，将其中高频次的检查项目发送至诊断系统，由医生进行确认，如确认同意补充检查，则待补充检查汇入检查数据集b后，重进进入步骤(1)。如确认不同意，则将全部检查数据集cn，依照对应病例的确认率自高而低排序后作为辅助诊断结论。
(4)将所有被检查数据集b的检查数据集an选出作为检查数据集dn，对比dn中不同检查项目的全系统检查频次，将dn依照检查频次自高而低排序后作为辅助诊断结论。
本发明至少具有以下优点之一：
1.本发明借助深度学习功能，采用系统分析的方式对医疗图像进行拟人化的分析。由于系统分析的稳定性和统一性，相同病情得到的诊断结论相对统一，有助于辅助医生提高诊断的准确率。
2.本发明具有很强的深度学习能力，可在样本数据量逐渐增加的情况下，逐渐提高诊断范围和诊断准确率，甚至可以对较少出现的疑难杂症做出相对准确的判断。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下对本发明进一步详细说明。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。
实施例1
一种基于深度学习的医疗图像分析诊断辅助系统，包括：首先通过医疗图像提取模块从医疗影像设备中获取需要的医疗图像数据。然后通过诊断分析模块对医疗图像数据进行诊断分析，得出医疗图像分析辅助诊断结论。
所述诊断分析模块包括：背景数据范围分析、图形对比分析、诊断分析。所述背景数据范围分析包括：首先，根据该医疗图像数据对应的拍摄数据类型，从数据库内进行第一次背景数据缩小，所述数据类型为：2d或3d数据。之后，根据根据该医疗图像数据对应的拍摄部位信息，从数据库内进行第二次背景数据缩小，得到背景数据集。所述拍摄部位为系统内针对该病人给出的需要拍摄的部位信息，如：头部、胸部、肝脏等。所述图形对比分析基于医疗图像数据和背景数据集进行逐一对比分析，获取与医疗图像数据最接近的背景数据x。所述诊断分析基于背景数据x从数据库中调取相应的医疗诊断模型，对背景数据x进行诊断分析，得到分析辅助诊断结论。
所述第二次背景数据缩小，得到背景数据集a。所述图形对比分析方法为：首先，以医疗图像数据的一个特定点为原点建立坐标系，并将医疗图像数据形成图片或3d模型，放入该坐标系内，得到数模a。然后，从背景数据集a中选取标准背景图片或3d模型，以相同的特定点为原点，放入该坐标系内，得到数模b。之后，对比数模a和数模b，获取其中的差异部分作为疑似病灶a。而后，将背景数据集a内的背景数据以相同的特定点为原点，逐一形成图片或3d模型，放入该坐标系内，得到数模an。将数模a与数模an逐一对比，获取其中的差异部分作为疑似病灶b。最后，对比疑似病灶a和疑似病灶b的坐标位置进行判断，将符合疑似病灶a预设阈值范围的疑似病灶b所对应的数模an选出，形成背景数据集b，所述背景数据集b作为背景数据x。
所述标准背景图片或3d模型为标准健康状态下的相同年龄区段、相同性别、相同检查部位的背景图片或3d模型。所述年龄区段按照0-3个月、3-6个月、6-12个月、1-3岁、3-6岁、6-12岁、12-18岁、18-25岁、25-40岁、40-60岁、60-70岁、70-75岁、75-80岁、80-83岁、83-85岁、85-最大样本年龄则一岁一个区段。
本发明采用上述分析模型对医疗图像数据进行分析，由于分析方法、样本数据选择的统一性，所得的分析结果稳定性很好。相同病情的基础上，得到的诊断结果基本一致，有助于辅助不同年龄、学识、工作经验的医生对病人的病情进行相对稳定、一致的诊断。
实施例2
基于实施例1所述一种基于深度学习的医疗图像分析诊断辅助系统，所述特定点根据医疗图像数据类型为2d还是3d进行选取：对于2d图形，以图形的一个端点为特定点。例如：可以选择图形的左下角端点作为特定点。对于3d数模，以数模中心或特定端点为特定点。例如：所述特定端点可以选择数模处于竖直状态下的最顶点作为特定端点。
对于2d图形，所述数模对比的方法为：首先将医疗图像数据放入坐标系内，基于医疗图像数据的边际形成对比范围框。然后将背景数据集a内的背景图形数据逐一等比例缩放至范围框内。最后基于相同大小的医疗图像和背景图形进行对比分析。该方法可将不同设备、不同部位可能得到的不同大小的图形为基础，将背景图形与数据图形形成相同大小的图形，从而避免由于背景图形与数据图形大小不同导致的对比判断错误。
对于3d数模，所述数模对比的方法为：首先，从标准3d模型中节选一个特定截面作为参照面。然后将参照面的特定点与坐标系原点重合，参照面与三维坐标系中的一个二维坐标系面重合。而后将医疗图像数据和背景数据集a内的背景图形数据分别放入坐标系中，并旋转数模使其与参照面尽可能的匹配，获得医疗影像数模和背景图形数模。最后将医疗影像数模和背景图形数模重合至同一坐标系内进行对比分析。本申请对于3d数模的对比，借助一参照面对各数模进行朝向定位后再进行对比，相比现有技术采用的直接对比方法，本方法可以使得各数模快速准确的形成对比，对比结果稳定，有助于提高分析结论的准确性和稳定性。
实施例3
基于实施例1所述一种基于深度学习的医疗图像分析诊断辅助系统，符合疑似病灶a预设阈值范围的疑似病灶b的选取方法为：
s1.选取疑似病灶b完全覆盖疑似病灶a的数模an作为第一疑似。如存在第一疑似，则将第一疑似所对应的数模an选出，形成背景数据集b。如不存在第一疑似，则选取疑似病灶a完全覆盖疑似病灶b的数模an作为第二疑似。
s2.如存在第二疑似，则进一步判断被覆盖疑似病灶b的坐标系位置是否一致。如一致则将第二疑似所对应的数模an选出，形成背景数据集b。如不一致，则将不同坐标系位置的疑似病灶b分类，并分别将不同疑似病灶b分类的数模an分别选出，逐类形成背景数据集bn，所述背景数据集bn作为背景数据x。
s3.如不存在第二疑似，则从疑似病灶b中选出与疑似病灶a重合度最高的数模an作为第三疑似，并将第三疑似对应的数模an作为背景数据集b。
随着系统使用过程中，疑似病灶b样本数据的不断扩大，可将疑似病灶a预设阈值范围逐渐从第三疑似的模糊判断，过渡至第二疑似的小范围内非确定判断，最终达到第一疑似的较高准确度和稳定性的判断。
实施例4
基于实施例1所述一种基于深度学习的医疗图像分析诊断辅助系统，所述诊断分析的方法为：首先根据背景数据x，获取背景数据x对应病症所需要的全部检查数据，设为检查数据集an。然后从医务系统中获取该医疗图像数据相同病患的其他检查信息，作为检查数据集b。而后将检查数据集b与检查数据集an进行逐一对比，根据对比结果得到辅助诊断结论。
所述将检查数据集b与检查数据集an进行逐一对比的方法包括：
(1)判断是否有与检查数据集b完全重合的检查数据集an，如有则将该检查数据集an对应的病症作为辅助诊断结论。如没有则进行步骤(2)。
(2)判断是否有完全涵盖检查数据集b的检查数据集an，如有则进行步骤(3)如没有则进行步骤(4)。
(3)将完全涵盖检查数据集b的检查数据集an选出作为检查数据集cn。对比cn中不同检查项目的全系统检查频次，将其中高频次的检查项目发送至诊断系统，由医生进行确认，如确认同意补充检查，则待补充检查汇入检查数据集b后，重进进入步骤(1)。如确认不同意，则将全部检查数据集cn，依照对应病例的确认率自高而低排序后作为辅助诊断结论。
(4)将所有被检查数据集b的检查数据集an选出作为检查数据集dn，对比dn中不同检查项目的全系统检查频次，将dn依照检查频次自高而低排序后作为辅助诊断结论。
随着系统使用过程中，检查数据集an样本数据的不断扩大，可将对患者病症的判断准确度逐渐从第(4)步的模糊判断，过渡至第(3)步的待确认判断，最终达到第(1)步的具有较高准确度和稳定性的判断。在样本数据足够大的情况下，可对出现过的疑难杂症进行二次准确判断。
应该注意到并理解，在不脱离本发明权利要求所要求的精神和范围的情况下，能够对上述详细描述的本发明做出各种修改和改进。因此，要求保护的技术方案的范围不受所给出的任何特定示范教导的限制。