一种基于深度学习的胆石病CT医疗图像快速识别方法与流程

本发明涉及一种基于深度学习的胆石病ct医疗图像快速识别方法，属于人工智能领域

背景技术：

胆石病是一种常见的消化系统疾病，病种繁多，发病因素错综复杂，具有发病率高，溶排石困难等特点。此外，胆石病的种类以及形态多种多样，部分胆石病的病灶形态也是非常相似，这大大阻碍了胆石病的正确诊疗。在这种情况下，一些年轻的肝胆科医师需要长时间的学习才能够熟练的掌握诊断胆石病的技能，这给肝胆科医师的临床诊断带来了巨大的挑战。而对于患者来说，胆石病不能根据自身病症在网上查阅资料，如不能及时得到治疗，有诱发癌变的危险。

借助人工智能深度学习，同时结合胆石病大数据和知识等，创造出安全、高效的辅助医师的诊断方法，进而为胆石病的正确诊疗提供更有效的帮助，这便是基于深度学习的胆石病智能辅助诊断方法。

胆石病种类以及形态多种多样，使得在模型训练过程中需要非常多的胆石病医疗图像数据。通常的做法是首先建立好胆石病ct医疗图像训练集，在使用深度学习的方法利用模型对大量的图像训练集进行训练，生成训练好的模型，随后构建新的图像验证集对模型进行验证，得到最终的识别结果。但是胆石病的种类与形态多种多样以至于其临床诊断过程非常困难，给胆石病的临床诊断带来了极大的挑战。当医生在观察胆石病的医疗图像时，需要花费大量时间去观察、检查，确定胆石病的种类、形态以及位置。据调查，目前市场上绝大部分的深度学习模型还不能完成上述的任务。

技术实现要素：

本发明的目的是为了解决上述肝胆疾病领域所存在的困难，提供一种基于深度学习的胆石病ct医疗图像快速识别方法，能够帮助胆石病临床的医生进行正确的诊疗，提高胆石病诊断的准确率。

本发明为解决上述肝胆疾病领域所存在的困难，所采用的的技术方案是：一种基于深度学习的胆石病ct医疗图像快速识别方法。

一种基于深度学习的胆石病ct医疗图像快速识别方法，其特征在于，包括：

1)构建胆石病ct医疗图像训练集；

2)对所述训练集进行处理，生成所需要的训练样本；

3)利用训练样本进行基于深度学习的胆石病ct医疗图像识别训练，生成胆石病ct医疗图像快速识别模型；

4)构建新的胆石病ct医疗图像验证集；

5)对训练好的胆石病ct医疗图像快速识别模型进行验证。

进一步的，对胆石病ct医疗图像训练集中的图像进行分析，包括以下步骤中的任意一个或者多个：

1)对所述训练集中的图像进行放大或缩小的步骤；

2)对所述训练集中的图像进行旋转步骤；

3)对所述训练集中的图像进行平移步骤；

4)对所述训练集中的图像进行放射变换的步骤；

5)对所述训练集中的图像进行对比度增强的步骤；

6)对所述训练集中的图像进行病灶区域标记的步骤。

进一步的基于深度学习的胆石病ct医疗图像快速识别方法，其卷积神经网络结构包括：

1)数据预处理阶段，包括对胆石病ct医疗图像的放大或缩小、旋转、平移以及放射变化等步骤，完成对数据的预处理；

2)局部卷积阶段，包括一维的卷积和池化等操作，对胆石病ct医疗图像的对比度增强处理和胆石病ct医疗图像的病灶区域的标记操作；

3)全局卷积阶段，包括多维的卷积与池化操作，对包含标记区域的胆石病ct医疗图像进行特征提取，然后在传输到网络末层的全连接层进行最后的识别处理。

进一步的基于深度学习的胆石病ct医疗图像快速识别方法，其特征在于包括以下模块：

1)输入模块，用于输入胆石病ct医疗图像数据集；

2)数据分析模块，用于处理所述胆石病ct医疗图像，生成多个训练样本；

3)模型训练模块，利用训练样本进行基于深度学习的胆石病ct医疗图像识别训练，生成胆石病ct医疗图像快速识别模型；

4)模型检测模块，利用新构建的胆石病ct医疗图像验证集，对训练好的胆石病ct医疗图像快速识别模型进行验证。

本发明的有益效果和优点如下：

本发明针对我国胆石病患病率不断上升、专业医疗资源供给不足、传统胆石病医疗图像分析效果不佳等问题，提供了一种基于深度学习的胆石病ct医疗图像快速识别方法，利用胆石病ct医疗图像数据以及深度学习等技术，实现了对胆石病ct医疗图像的特征自动提取和智能诊断，整个诊断过程快速、高效，提高了胆石病诊断的正确率。基于深度学习的胆石病ct医疗图像快速识别方法，解决了胆石病的种类与形态多种多样以至于其临床诊断过程中的困难问题。相对于传统的医生自主诊断方法，本发明可以在极短的时间内，确定胆石病的种类、形态以及位置，并给出诊断结果。

附图说明

图1是根据本发明的实施例的基于深度学习的胆石病ct医疗图像快速识别方法的流程示意图

图2是根据本发明的实施例的训练样本生成示意图

具体实施方式

以下结合具体实施方式进一步对本发明的技术方案进行阐述。

本系统主题方案主要体现了智能诊断、快速、准确率高的基本思想。如图1所示，基于深度学习的胆石病ct医疗图像快速识别方法，包括以下模块：

1)输入模块，用于输入胆石病ct医疗图像数据集；

2)数据分析模块，用于处理所述胆石病ct医疗图像，生成多个训练样本；

3)模型训练模块，利用训练样本进行基于深度学习的胆石病ct医疗图像识别训练，生成胆石病ct医疗图像快速识别模型；

4)模型检测模块，利用新构建的胆石病ct医疗图像验证集，对训练好的胆石病ct医疗图像快速识别模型进行验证。

一种基于深度学习的胆石病ct医疗图像快速识别方法，基本步骤如下；

1)构建胆石病ct医疗图像训练集；

2)对所述训练集进行处理，生成所需要的训练样本；

3)利用训练样本进行基于深度学习的胆石病ct医疗图像识别训练，生成胆石病ct医疗图像快速识别模型；

4)构建新的胆石病ct医疗图像验证集；

5)对训练好的胆石病ct医疗图像快速识别模型进行验证。

基于深度学习的胆石病ct医疗图像快速识别方法的诊断过程是一个不断训练学习的过程，其中的胆石病智能辅助诊断算法的卷积神经网络结构包括数据预处理阶段、局部卷积阶段和全局卷积阶段，所述数据预处理阶段包括对胆石病ct医疗图像的旋转、放缩以及平移等数据增强操作；局部卷积阶段包括一维的卷积和池化等操作，对胆石病ct医疗图像的对比度增强处理和胆石病ct医疗图像的病灶区域的标记操作；全局卷积阶段包含多维的卷积与池化操作，对包含标记区域的胆石病ct医疗图像进行特征提取，然后在传输到网络末层的全连接层进行最后的识别处理。

基于深度学习的胆石病ct医疗图像快速识别方法，首先要对胆石病ct医疗图像训练集中的图像进行分析，包括以下步骤中的任意一个或者多个：

1)对所述训练集中的图像进行放大或缩小的步骤；

2)对所述训练集中的图像进行旋转步骤；

3)对所述训练集中的图像进行平移步骤；

4)对所述训练集中的图像进行放射变换的步骤；

5)对所述训练集中的图像进行对比度增强的步骤；

6)对所述训练集中的图像进行病灶区域标记的步骤。

我们会将本发明的方法引入到各大主流医院，并结合各大主流医院的设备，进一步完善成一整套的胆石病ct医疗图像智能诊断流程，并综合各大医院常年工作在一线的肝胆科领域专家的多年的医疗知识，不断地去扩充我们的胆石病ct医疗数据集，为本发明提高不断更新的数据源，优化本模型训练与验证的迭代过程，对深度学习网络模型的参数不断调优与更新，从而极大地提高本发明对胆石病ct医疗图像的诊断正确率。通过对海量病例的学习并挖掘出其中的重要信息和疾病内在规律，建立起一套完善的胆石病特征归纳和疾病诊断模型，最终实现对胆石病的人工智能辅助诊断。

以上所述，仅是本发明的较佳实施方案而已，并非对本发明做任何形式上的限制。虽然本发明已以将较佳实施方案揭露如上，然后并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可以利用上述的技术内容做出些许更动或修饰为等同变化的实施方案，但但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施内容所做的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。