一种面向医学影像的人工智能辅助诊断模型构建系统

1.本发明属于人工智能疾病诊断技术领域，具体涉及一种面向医学影像的人工智能辅助诊断模型构建系统。


背景技术：

2.人工智能是当今科技发展的代表性前沿方向，与众多学科及产业领域相结合，对当今的科学及社会生产方式产生重大的影响，以人工智能为核心技术的智能医学被看作是未来医学发展的重要方向；
3.医学影像学作为数字化医疗时代发展的代表学科，以高分辨薄层扫描、多模态成像为特点的影像设备和技术的飞跃发展，影像数据以每年30％的速度增长，占医院数字化数据的90％，放射科从传统胶片到全面数字化pacs阅片临床工作方式的转变，使得放射科医师每天的图像数据浏览工作量剧增；同时期，我国经济社会进步、人们健康意识及需求的提高，也导致临床放射工作量的增加；而每年医疗资源和人力投入增长远远不能满足需求；
4.近年来，随着深度学习技术在计算机视觉，自然语言处理等领域的快速发展，基于人工智能的计算机辅助诊断技术吸引了业界越来越多的关注。这些领域的快速成功发展，为患者提供更高效、更经济的医疗保健带来了希望。在众多的影像学检查中，x射线相对于ct、mri等影像学检查，在中国应用更广泛，即便乡镇一级的卫生院都能独立开展x射线检查。因此，根据x光片自动准确地判别疾病类型有广阔的应用前景，ai医学影像为解决当前的医疗困境提供了具有广阔应用前景的技术，顺应学科及社会发展的时代要求，对我国智慧医疗的发展有巨大的推进作用。但是，如何构建出流通性、通用型、鲁棒性的医学影像人工智能诊断模型仍然是待需解决的问题。


技术实现要素：

5.为了解决上述技术问题，本发明提供了一种面向医学影像的人工智能辅助诊断模型构建系统，所构建的系统模型可解决目前医学影像完全由人工凭经验诊断的局面，由人工智能代替，实现诊断结果的真实准确性、稳定性；同时构建的诊断模型具有通用性和鲁棒性。
6.为了达到上述技术目的，本发明是通过以下技术方案实现的：一种面向医学影像的人工智能辅助诊断模型构建系统，其特征在于，包括以下部分：数据采集模块、数据预处理模块、模型建立模块、模型验证模块；
7.所述数据采集模块用于采集来自不同数据源的x射线影像数据，如x光机生成的dicom原始数据，开源的jpg、png格式网络图片；对上述数据的真实性、完整性、图像清晰度质量进行预处理和评估后进行备用；
8.所述数据预处理模块接收来自数据采集模块的数据，并逐一对影像数据信息中包含的隐私敏感信息进行脱敏处理；对脱敏后的数据进行降噪、数据强化、去除离群点以及无关数据和归一化处理；将数据集切分为训练集和验证集，并对数据进行学习标签标注；
9.所述模型建立模块将将训练集和验证集样本导入包括神经网络深度的学习器经过模型初始化、训练配置、训练过程、保存模型训练步骤在验证集上获得的最优的诊断模型参数；
10.所述模型验证模块通过k-fold cross validation交叉验证法对构建模型在实际数据应用中的准确度；上述的训练集样本用于训练模型，验证集样本用于验证训练出来的模型是否有效；为了保证交叉验证结果的稳定性，对一个样本数据集需要多次不同的划分，得到不同的互补子集，进行多次交叉验证；取多次验证的平均值作为验证结果；
11.优选的，所述影像数据采集时应首先规划人工智能模型对数据参数及质量的要求；覆盖不同厂家、参数、图像质量及疾病种类；
12.优选的，所述学习标签标注直接面向需学习的目标问题，标注任务中使用“金标准”标签，如病理、基因型、生存期；其次采用影像科量化知识，如病变位置、范围、良恶性评分；
13.优选的，所述脱敏处理由数据预处理模块中的隐私信息提取子模块和去除子模块完成，其中隐私信息提取子模块负责提取影像数据中的患者姓名、身份信息、医院信息；提取完成后由去除子模块将上述隐私信息去除；
14.优选的，所述数据预处理模块采用wnnm算法的去噪子模块、采用三阶样条插值的重采样子模块、采用基于所有图像前景体素值的均值和标准差进行z-score标准化的标准化子模块以及采用高斯模糊、对比度增强及伽玛校正的数据增强子模块；
15.优选的，所述k-fold cross validation交叉验证法是将原始数据分成k组，每一组子集数据分别做一次上述的验证集样本，其余k-1组子集数据作为训练集样本，得到k个模型，用这k个模型最终的验证集的分类准确率的平均数作为此k-cv下分类器的性能指标；k一般大于等于2，实际操作时一般从3开始取，只有在原始数据集合数据量小的时候才会尝试取2；而k-cv的实验共需要建立k个models，并计算k次test sets的平均辨识率。
16.本发明的有益效果是：
17.本发明提供的一种面向医学影像的人工智能辅助诊断模型构建系统，影像数据采集时应首先规划人工智能模型对数据参数及质量的要求；覆盖不同厂家、参数、图像质量及疾病种类；学习标签标注直接面向需学习的目标问题，标注任务中使用“金标准”标签，如病理、基因型、生存期等；其次采用影像科量化知识，如病变位置、范围、良恶性评分；严格控制数据集的质量，提高数据集的标注准确性可有效提高模型的准确性和鲁棒性；使建立的诊断模型具有较高的通用性，可针对多种疾病的人工智能辅助诊断。
附图说明
18.图1是本发明的模型构建结构示意图。
具体实施方式
19.为了对本发明的方案及效果做出清楚、完整的描述，通过以下实施例进行详细说明；
20.实施例1
21.一种面向医学影像的人工智能辅助诊断模型构建系统，其特征在于，包括以下部
分：数据采集模块、数据预处理模块、模型建立模块、模型验证模块；
22.所述数据采集模块用于采集来自不同数据格式的x光片数据；对上述数据的真实性、完整性、图像清晰度质量进行评估后进行备用；
23.所述数据预处理模块接收来自数据采集模块的数据，并逐一对影像数据信息中包含的隐私敏感信息进行脱敏处理；对脱敏后的数据进行降噪、数据强化、去除离群点以及无关数据和归一化处理；将数据切分为训练集和验证集；并对数据进行学习标签标注；
24.所述模型建立模块将预处理后的数据分为训练集样本和验证集样本；将训练集样本和验证集样本导入包括神经网络深度学习的学习器经过模型设计、训练配置、训练过程、保存模型训练步骤在验证集上获得的最优的诊断模型参数；
25.所述模型验证模块通过k-fold cross validation交叉验证法对构建模型在实际数据应用中的准确度；上述的训练集样本用于训练模型，验证集样本用于验证训练出来的模型是否有效；为了保证交叉验证结果的稳定性，对一个样本数据集需要多次不同的划分，得到不同的互补子集，进行多次交叉验证；取多次验证的平均值作为验证结果；
26.优选的，所述影像数据采集时应首先规划人工智能模型对数据参数及质量的要求；覆盖不同厂家、参数、图像质量及疾病种类；
27.优选的，所述学习标签标注直接面向需学习的目标问题，标注任务中使用“金标准”标签，如病理、基因型、生存期等；其次采用影像科量化知识，如病变位置、范围、良恶性评分；
28.优选的，所述脱敏处理由数据预处理模块中的隐私信息提取子模块和去除子模块完成，其中隐私信息提取子模块负责提取影像数据中的患者姓名、身份信息、医院信息；提取完成后由去除子模块将上述隐私信息去除；
29.优选的，所述数据预处理模块采用wnnm算法的去噪子模块、采用三阶样条插值的重采样子模块、采用基于所有图像前景体素值的均值和标准差进行z-score标准化的标准化子模块以及采用高斯模糊、对比度增强及伽玛校正的数据增强子模块；
30.降噪的图像块为pi，由该图像块以及图像上与其相似的图像块组成的矩阵为yi，对应的降噪后的矩阵为xi，低秩矩阵最小化可以用来求矩阵的解，于是我们得到目标函数：
[0031][0032]
其中,为噪声方差，用于归一化f范数，而其中ω＝[(ω1,...,ωn]中的每一项都为非负数，对应每一个奇异值，如下：
[0033][0034]
其中，σi(x)为x的第i奇异值，可以观察到，当奇异值越大时权重越小，kw为相似图像patch的数量，ε为防止被零正常的小参数；假设在初始时刻，噪声能量是在各个特征上分布是均匀的，因此初始化σi(x)为：
[0035][0036]
最后同样对yi进行奇异值分解为yj＝u∑v，然后目标函数的解为：
[0037]
xi＝usw(∑)v
[0038]
优选的，所述k-fold cross validation交叉验证法是将原始数据分成k组，每一组子集数据分别做一次上述的验证集样本，其余k-1组子集数据作为训练集样本，得到k个模型，用这k个模型最终的验证集的分类准确率的平均数作为此k-cv下分类器的性能指标；k一般大于等于2，实际操作时一般从3开始取，只有在原始数据集合数据量小的时候才会尝试取2；而k-cv的实验共需要建立k个models，并计算k次test sets的平均辨识率；
[0039]
1)将全部训练集t分成k个不相交的子集，假设t中的训练样例个数为m，那么每一个子集有m/k个训练样例，相应的子集称作{t1，t2,....tk}；
[0040]
2)每次从模型集合m中拿出来一个mi，然后在训练子集中选择出k-1个{t1，t2,tj-1,tj 1..,tk}(也就是每次只留下一个tj),使用这k-1个子集训练mi后，得到假设函数fij；最后使用剩下的一份tj作测试，得到预测误差eij；
[0041]
3)由于每次留下一个tj(j从1到k)，因此会得到k个预测误差，那么对于一个mi，它的预测误差是这k个预测误差的平均；
[0042]
4)选出平均经验错误率最小的mi，然后使用全部的t再做一次训练，得到最后的模型fi。