本发明涉及图像处理,尤其是涉及一种基于ct与医学报告的医学图像分类方法、装置和系统。
背景技术:
1、ct图像有利于而尽早地发觉患者潜在的病灶并及时地进行早期干预治疗,对于患者整个治疗以及愈后效果起着决定性作用。然而在实际诊断时,医生仅仅依赖于患者ct上的影像学特征进行病灶的发现。此过程极大地依赖于医生的专业技能。然而专业技能的训练需要大量的时间与精力成本。在医疗资源有限的情况下,很难大规模地训练专业的医生。而很多病症的早期症状在ct图像内相对并不明显,这对提前发现病情起到了进一步的阻碍。
2、在此背景之下,ai一次训练多次部署的特性,大大减少了专业医生培训的负担,成为了有效的病症检测的辅助手段。然而现有的人工智能辅助技术,对于内部原理的解释并不充分,无法有效诠释最终结果得出的依据。而医学强调诊断的原因,人工智能难以解释的特性,使得相关项目的落地应用受到了相应的阻碍。
技术实现思路
1、本发明的目的就是为了克服上述现有技术存在仅根据图像进行网络分类,但对于内部原理的解释并不充分,无法有效诠释最终结果得出的依据的缺陷而提供一种基于ct与医学报告的医学图像分类方法、装置和系统。
2、本发明的目的可以通过以下技术方案来实现:
3、一种基于ct与医学报告的医学图像分类方法,包括以下步骤:
4、s1:获取医学报告,从医学报告中提取出病症与对应的属性,构建报告向量,并输入预先构建并训练好的分类模型中,根据分类结果得到决定性病症;
5、s2:获取ct图像,并输入预先构建并训练好的分割网络中,得到决定性病症集合,将该决定性病症集合输入所述分类模型中,得到图像分类结果。
6、进一步地,步骤s1具体包括以下步骤:
7、s101:获取医学报告,从医学报告中提取出病症与对应的属性;
8、s102:对提取的病症和属性进行归一化,得到定量指标;
9、s103:根据所述定量指标将医学报告映射至报告向量,并输入多个预先构建并训练好的分类模型中;
10、s104:根据各个分类模型的预测结果,计算各个病症的重要性,从而提取出决定性病症;
11、s105:根据各个分类模型对所述报告向量的预测结果,筛选最优的分类模型,用于步骤s2进行图像分类。
12、进一步地,步骤s102中对病症和属性进行归一化的过程具体为:
13、令wi代表病症与属性实体,m(w)代表病症与属性实体对应的嵌入向量,则衡量实体wi与实体wj的相似度的方法具体为:
14、
15、当wi与实体wj的相似度大于预设的相似阈值时,判定两者为同一实体。
16、进一步地,各个病症的重要性的计算过程具体为:
17、设为输入分类模型的报告向量,c={co,c1,...,c|c|}为分类模型,实体重要性计算表达式为:
18、
19、式中,代表病症的重要性,ci(e)代表分类模型ci在报告向量为e时的预测概率。
20、进一步地,分类模型的筛选过程具体为:
21、令ci(ej)表示预测模型ci对于报告向量ej的预测概率,则最终的预测结果为:
22、c(ej)=f(∑aici(ej))
23、其中ai代表模型ci对应的权重;
24、各个分类模型的评分计算表达式为:
25、
26、式中,为预测模型ci的评分;
27、选取评分最高的预测模型作为最优的分类模型,用于步骤s2进行图像分类。
28、进一步地,步骤s2具体包括以下步骤:
29、获取用于训练的ct数据集,根据步骤s1获取的决定性病症,对所述ct数据集进行标注,得到病症分割数据集;
30、将所述病症分割数据集输入预先构建的分割网络中进行训练,得到训练好的分割网络;
31、获取待分类的ct图像,并输入所述分割网络中,得到决定性病症集合,将该决定性病症集合输入所述分类模型中,得到图像分类结果。
32、本发明还提供一种基于ct与医学报告的医学图像分类装置,包括:
33、决定性病症提取模块,被配置为:获取医学报告,从医学报告中提取出病症与对应的属性,构建报告向量,并输入预先构建并训练好的分类模型中,根据分类结果得到决定性病症;
34、图像分类模块,被配置为:获取ct图像,并输入预先构建并训练好的分割网络中,得到决定性病症集合,将该决定性病症集合输入所述分类模型中,得到图像分类结果。
35、进一步地,所述决定性病症提取模块具体包括:
36、病症提取子模块,被配置为:获取医学报告,从医学报告中提取出病症与对应的属性;
37、归一化子模块,被配置为:对提取的病症和属性进行归一化,得到定量指标;
38、分类子模块,被配置为:根据所述定量指标将医学报告映射至报告向量,并输入多个预先构建并训练好的分类模型中;
39、决定性病症提取子模块,被配置为:根据各个分类模型的预测结果,计算各个病症的重要性,从而提取出决定性病症;
40、分类模型筛选子模块,被配置为:根据各个分类模型对所述报告向量的预测结果,筛选最优的分类模型,用于图像分类模块进行图像分类。
41、进一步地,所述图像分类模块具体包括:
42、病症分割数据集获取子模块,被配置为:获取用于训练的ct数据集,根据步骤s1获取的决定性病症,对所述ct数据集进行标注,得到病症分割数据集;
43、分割网络训练子模块,被配置为:将所述病症分割数据集输入预先构建的分割网络中进行训练,得到训练好的分割网络;
44、图像分类子模块,被配置为:获取待分类的ct图像,并输入所述分割网络中,得到决定性病症集合,将该决定性病症集合输入所述分类模型中,得到图像分类结果。
45、本发明还提供一种基于ct与医学报告的医学图像分类系统,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如上所述的方法的步骤。
46、与现有技术相比,本发明具有以下优点:
47、(1)本发明利用医学报告挖掘对于肺癌诊断具有决定性因素的重要病症,以此作为依据选取ct分割模型ct图像分割的特征分割标准,具有说服力。此外,从ct图像中分割出决定性特征,以此作为特征输入至分类网络中,可明确ct图像当中存在哪些病症促使分类模型做出检测结果,具有医学依据。减少了传统人工智能医学图像分类技术难以解释的特性带来的应用场景的阻碍。
48、(2)本发明对于ct图像进行特征分割,再根据分割结果进行医学图像分类的流程与现实生活中医生进行诊断的结果相一致。因而可直接应用于现实医疗场景中。无需额外的技术手段以应用部署模型至现实情景中。而分割与诊断分离的设计也使得对中间结果的解释与调试变得十分便利。
1.一种基于ct与医学报告的医学图像分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于ct与医学报告的医学图像分类方法,其特征在于,步骤s1具体包括以下步骤:
3.根据权利要求2所述的一种基于ct与医学报告的医学图像分类方法,其特征在于,步骤s102中对病症和属性进行归一化的过程具体为:
4.根据权利要求2所述的一种基于ct与医学报告的医学图像分类方法,其特征在于,各个病症的重要性的计算过程具体为:
5.根据权利要求2所述的一种基于ct与医学报告的医学图像分类方法,其特征在于,分类模型的筛选过程具体为:
6.根据权利要求1所述的一种基于ct与医学报告的医学图像分类方法,其特征在于,步骤s2具体包括以下步骤:
7.一种基于ct与医学报告的医学图像分类装置,其特征在于,包括:
8.根据权利要求7所述的一种基于ct与医学报告的医学图像分类装置,其特征在于,所述决定性病症提取模块具体包括:
9.根据权利要求7所述的一种基于ct与医学报告的医学图像分类装置,其特征在于,所述图像分类模块具体包括:
10.一种基于ct与医学报告的医学图像分类系统,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如权利要求1至6任一所述的方法的步骤。