一种用于儿童肥厚型心肌病智能辅助诊断与报告的医学影像处理系统的制作方法

本发明涉及医学影像诊断，具体涉及一种用于儿童肥厚型心肌病智能辅助诊断与报告的医学影像处理系统。

背景技术：

1、肥厚型心肌病是一种与遗传密切相关的心肌疾病，其特征为心室壁异常增厚，是青少年及儿童猝死的主要心源性因素之一。在儿科临床中，该病的早期识别与精确评估对于风险分层和治疗决策至关重要。心脏磁共振成像因其优越的组织分辨能力和多序列、多参数成像特点，已成为无创评估心肌结构和功能的重要工具。然而，儿童心脏具有腔室小、心肌薄、心率快等生理特点，其影像表现与成人存在显著差异，这为精准分析带来了特殊挑战。目前，临床对儿童心脏mri的分析在很大程度上依赖于医师的手动或半自动处理。医师需要逐一判读多序列影像，手动勾画心肌轮廓，并在此基础上进行功能参数计算与组织学特征评估。这一过程不仅耗时费力，而且其结果易受操作者经验和主观判断的影响，导致不同观察者间或同一观察者不同次分析间存在显著差异。尤其对于细微的心肌壁增厚或早期局灶性纤维化的识别，人工判读的敏感性与一致性往往难以保证。

2、现有的自动化心脏mri分析软件多基于成人数据开发，其内置的分割算法与诊断阈值通常未针对儿童心肌的薄壁特性进行优化，直接应用于儿科人群时，常出现分割精度下降、边界识别不准等问题。此外，此类系统大多功能单一，或仅关注于分割，或仅侧重于功能量化，缺乏能够融合多序列信息、完成从影像预处理到结构化报告生成的全流程一体化方案。这种碎片化的分析模式阻碍了高效、标准化诊断流程的实现。

3、因此，针对现有问题，本发明提出一种专为儿童心脏特性设计的、端到端的自动化分析系统，整合多序列mri数据，实现高精度且鲁棒的心肌结构分割，并在此基础上进行精准的功能参数量化与病理特征提取，最终自动生成集成了量化指标与可视化结果的结构化报告，以辅助临床医生实现对儿童肥厚型心肌病的快速、客观、精准诊断与评估。

技术实现思路

1、本发明的目的在于提供一种用于儿童肥厚型心肌病智能辅助诊断与报告的医学影像处理系统，通过多模态心脏mri自动分析，实现精准分割、参数量化及结构化报告生成，提升诊断效率与准确性。

2、为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：

3、一种用于儿童肥厚型心肌病智能辅助诊断与报告的医学影像处理系统，包括：

4、数据接口与预处理模块，用于从医学影像归档与通信系统自动抓取多模态心脏磁共振影像的dicom原始数据，并对所述原始数据执行质量控制、序列类型智能识别以及多序列间的空间配准，确保输入数据的准确性与一致性；

5、核心影像解析引擎，通信耦合至所述数据接口与预处理模块，用于接收预处理后的高质量影像，并执行包括儿童心肌结构的精准三维分割、心脏血流动力学参数的定量计算以及心肌组织学特征的定量分析在内的核心解析任务；

6、报告生成与管理系统，通信耦合至所述核心影像解析引擎，用于接收并整合所述核心影像解析引擎输出的所有量化参数与特征图，通过内置的疾病综合判定模型自动生成包括hcm疑似等级的结构化、交互式诊断报告，并将报告分发至临床工作站；

7、持续学习与模型优化反馈模块，通信耦合至所述报告生成与管理系统，用于在临床医生审核并对报告内容进行修正时，安全地捕获所述修正数据，并将经过匿名化处理的修正数据与原始影像数据共同存入增量学习数据库，进而基于该数据库定期对所述核心影像解析引擎中的算法模型进行增量学习与优化，使系统诊断性能持续提升；

8、其中，所述模块与反馈环通过内部高速数据总线进行数据与指令交换，形成具有自我优化能力的闭环智能系统。

9、进一步的，所述数据接口与预处理模块中的多模态序列智能识别与配准单元被进一步配置为执行：

10、基于dicom元数据的多层级决策树识别策略，其中第一决策层基于modality标签筛选出磁共振成像序列，第二决策层基于scanning sequence、sequence variant及imagetype多个标签的组合对心脏mr序列进行精细分类，以准确识别出包括cine-ssfp序列、t1-mapping序列在内的各序列类型；

11、图像内容辅助校验策略，针对通过元数据识别出的动态cine序列，计算其基于图像熵的帧间稳定性指标以实现运动伪影的量化评估，具体地，对于包括n帧的序列，计算相邻帧间的归一化互信息熵en，并计算整个序列en的变异系数，当所述变异系数超过预设阈值时，系统自动触发质控警报；

12、多序列非线性配准策略，针对儿童心脏的生理特性，在完成初始的基于最大化互信息的仿射配准后，采用基于b样条自由形变模型的非刚性配准进行精配准，通过最小化包括互信息相似性度量与形变场平滑约束项的代价函数来求解最优形变场，以实现不同序列影像中心肌解剖结构的精确空间对齐。

13、进一步的，所述归一化互信息熵en的计算公式具体定义为：

14、

15、其中，和分别表示动态序列中第n帧图像in和第n-1帧图像in-1的归一化灰度直方图概率分布，则表示帧in与帧in-1之间的二维联合灰度概率分布。

16、进一步的，所述核心影像解析引擎中的儿童心肌结构精准分割单元采用一种专为儿童薄壁心脏设计的改进型三维编码器-解码器分割网络，所述网络的改进包括：

17、网络主干结构中引入密集连接机制，在编码路径和解码路径的每一个分辨率层级，当前卷积层的输入均来自同一层级内前面所有卷积层输出的特征图拼接，该结构表示为，其中hl表示第l层的卷积操作，[·]表示特征图拼接操作，以此促进特征重用并增强梯度流动；

18、在跳跃连接中集成多尺度边界感知模块，该模块被配置为：对来自编码路径的特征图，首先通过包括多个并行空洞卷积支路的多尺度边界检测器，以提取从细微到粗犷的边界上下文特征并将其融合为多尺度边界特征图elms；同时，对同一编码器特征图应用空间注意力机制生成空间权重图alspatial；继而，将所述多尺度边界特征图与空间权重图融合并通过激活函数生成最终的边界注意力权重图alboundary；所述边界注意力权重图以残差门控的形式作用于解码路径的对应特征图，实现方式为 fldec-gated= fldec⊙ （1 +alboundary），其中⊙表示逐元素相乘，以此在增强边界区域响应的同时保留原始特征的完整性。

19、进一步的，所述儿童心肌结构精准分割单元在模型训练阶段通过最小化复合损失函数进行优化，所述复合损失函数ltotal由多个子损失函数加权构成，表示为：

20、ltotal= ωdice·lgdice+ ωfocal·lfocal+ ωedge·ledge+ ωhausdorff·lhausdorff

21、其中，lgdice为广义dice损失，用于处理心肌与腔室间的类别不平衡问题；lfocal为focal损失，其定义为，其中pc是模型对类别c的预测概率，αc是类别权重，γ为聚焦参数，用于加强对难例样本的关注；ledge为基于各向异性扩散的距离变换边界损失，通过对真实标签进行距离变换并利用其梯度信息构建边界权重图，计算加权交叉熵损失；lhausdorff为基于形态学操作的可微近似hausdorff距离损失。

22、进一步的，所述基于形态学操作的可微近似hausdorff距离损失函数lhausdorff的计算方式定义为：

23、

24、其中，s为模型输出的预测分割软概率图，y 为真实分割的二值标签图，表示形态学腐蚀操作，k为预定义的结构元素。该损失函数通过模拟腐蚀操作来近似计算两个轮廓集之间的hausdorff距离，直接优化分割边界在最坏情况下的匹配误差。

25、进一步的，所述核心影像解析引擎中的血流动力学与组织学参数量化单元被配置为执行：

26、左心室功能参数的精准量化：基于cine序列分割得到的左心室腔动态体积变化曲线v（t），采用高斯过程回归对v（t）进行平滑去噪，并计算其一阶导数dv/dt，进而精确计算出标准化于左心室舒张末期容积的峰值射血率per与峰值充盈率pfr；

27、三维心肌应变分析：采用基于三维心脏运动估计算法，逐帧追踪心肌点在心脏搏动周期内的运动轨迹，从而量化全局纵向应变、圆周应变及径向应变，并自动生成用于可视化显示的应变牛眼图；

28、晚期钆增强病灶的定量分析：采用空间约束的模糊c均值聚类算法对lge影像中的心肌像素进行聚类分割，以区分正常心肌与纤维化病灶，其中所述聚类算法的目标函数jfcm-s引入了空间正则化项，其表达式为：

29、

30、其中，uij是像素i归属于聚类j的隶属度，vj是聚类j的中心，m 是模糊权重指数，ni是像素i的空间邻域，α是用于控制空间邻域约束强度的正则化系数；最终基于隶属度计算全心肌的纤维化负荷。

31、进一步的，所述报告生成与管理系统中的hcm疑似等级综合判定模型是多层感知机分类器，其输入特征向量x整合了从影像解析结果中提取的多维度、非线性相关的特征，包括：

32、心室壁厚度标准化分数、左心室质量标准化分数、左心室容积标准化分数、左心室射血分数、左心房容积指数标准化分数、舒张功能参数e/e'的标准化分数、整体纵向应变值、收缩期前向运动的存在性指标以及心肌纤维化负荷值；

33、所述多层感知机分类器包括至少一个隐藏层，使用非线性激活函数，并在输出层使用softmax函数输出代表“排除hcm”、“疑似hcm”及“高度疑似hcm”三个类别的概率分布，从而实现对hcm患病风险的智能化、定量化综合评估。

34、进一步的，所述持续学习与模型优化反馈模块的运行机制包括：

35、人机协同修正数据捕获：当临床医生在审核系统自动生成的诊断报告时，对心肌分割轮廓或疾病判定结论进行任何手动修正，该修正操作连同其上下文数据被系统自动捕获；

36、数据匿名化与存储：对捕获的原始影像数据、系统初始输出结果以及医生修正结果进行完全匿名化处理，并作为一条新的训练样本存入增量学习数据库；

37、弹性权重巩固增量学习：系统定期调用增量学习算法，利用所述增量学习数据库中的新样本对所述核心影像解析引擎中的分割网络和/或分类模型进行微调；所述增量学习算法为弹性权重巩固算法，通过在损失函数中引入对重要网络参数变化的惩罚项，使模型在学习新知识的同时，有效保留对已学习任务的知识，避免灾难性遗忘。

38、本发明的有益效果：

39、本发明通过引入融合元数据规则引擎与图像内容校验的智能预处理机制，并结合专为儿童薄壁心脏设计的深度学习分割架构，从根本上提升了数据质量与心肌结构分割的可靠性。数据接口与预处理模块采用的多层级dicom元数据决策树，能够精准识别多模态序列类型，有效避免了因标签错误或歧义导致的后序分析流程混乱。图像内容辅助校验策略通过计算动态序列帧间归一化互信息熵的变异系数，对运动伪影进行了客观量化与质控拦截，确保了输入数据的稳定性。在空间配准环节，采用结合仿射与b样条自由形变模型的非线性配准策略，通过最小化包括互信息与平滑约束的代价函数，实现了不同序列影像在儿童非刚性心脏形变下的精确解剖对齐，为多参数融合分析奠定了空间一致性基础。核心影像解析引擎中的改进型三维分割网络，其密集连接结构通过特征重用增强了梯度流动，解决了薄壁特征在深度网络中易丢失的难题；而集成于跳跃连接中的多尺度边界感知模块，则通过并行空洞卷积支路提取多尺度边界上下文，并以残差门控形式作用于解码器特征，显著强化了网络对心内膜等模糊边界的感知与分割精度。分割网络通过优化复合损失函数进行训练，其中基于形态学操作的可微近似hausdorff距离损失，直接针对最坏情况下的边界误差进行优化，确保了分割轮廓在临床可接受的精度范围内。

40、本发明系统实现了对儿童心脏血流动力学与组织学病理特征的深度、精准量化，突破了传统方法在敏感性与特异性上的局限。基于高精度分割结果，采用高斯过程回归对左心室容积曲线进行平滑去噪，并计算其一阶导数，从而能够稳定地提取出标准化峰值射血率与峰值充盈率等对早期功能变化敏感的参数，克服了儿童心率快、噪声干扰大导致的参数波动问题。三维心肌应变分析通过追踪心肌点在完整心动周期内的运动轨迹，量化全局与局部的形变能力，生成的应变牛眼图提供了直观的功能异常可视化。在组织学特征分析方面，针对晚期钆增强影像，系统采用了空间约束的模糊c均值聚类算法，其目标函数中引入的空间正则化项，通过惩罚邻域内像素的隶属度差异，有效抑制了噪声干扰并促进了纤维化病灶的空间连续性分割，使得对弥漫性纤维化的定量评估（纤维化负荷）比传统阈值法更为客观和可靠，为疾病亚型分型和风险 stratification 提供了关键依据。

41、本发明报告生成与管理系统内置的多层感知机分类器，其输入特征向量整合了从形态学（心室壁厚度标准化分数）、功能学（射血分数、整体纵向应变）到组织学（纤维化负荷）乃至动态特征（收缩期前向运动）的全方位量化指标。通过其非线性映射能力，能够捕捉这些指标之间复杂的、非加权的相互作用关系，从而模拟专家医生的综合研判过程，输出基于概率的hcm疑似等级评估，有效避免了单一参数判读的片面性。最终生成的交互式结构化报告，不仅集中呈现了所有关键量化数据与可视化图表（壁厚牛眼图、应变图），还通过内置的临床知识库为各项参数提供背景解释，使得临床医生能够快速理解和核验诊断依据，大幅缩短了报告撰写与审核时间，并促进了诊断流程的标准化与不同观察者间的一致性。

42、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。