[go: up one dir, main page]

CN117352164A - 基于人工智能的多模态肿瘤检测诊断平台及其处理方法 - Google Patents

基于人工智能的多模态肿瘤检测诊断平台及其处理方法 Download PDF

Info

Publication number
CN117352164A
CN117352164A CN202311463809.3A CN202311463809A CN117352164A CN 117352164 A CN117352164 A CN 117352164A CN 202311463809 A CN202311463809 A CN 202311463809A CN 117352164 A CN117352164 A CN 117352164A
Authority
CN
China
Prior art keywords
tumor
image
symptom
image feature
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311463809.3A
Other languages
English (en)
Inventor
邱宇宸
马香兰
沈洪兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Baitongda Medical Supplies Co ltd
Original Assignee
Jiangsu Baitongda Medical Supplies Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Baitongda Medical Supplies Co ltd filed Critical Jiangsu Baitongda Medical Supplies Co ltd
Priority to CN202311463809.3A priority Critical patent/CN117352164A/zh
Publication of CN117352164A publication Critical patent/CN117352164A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了基于人工智能的多模态肿瘤检测诊断平台及其处理方法，涉及信息处理技术领域，通过构建以症状特征向量、水平代谢信息图像特征向量、组织结构解剖学信息图像特征向量及组织器官的功能学信息图像特征向量为输入，以判定决策为输出的融合模型对获取的症状特征向量及图像特征向量进行融合，输出肿瘤严重程度等级判定决策对待检测患者的肿瘤严重程度等级进行判定，基于人工智能的神经网络模型对患者的基本信息、主诉信息及医学影像图像信息进行综合分析，从而实现对已发生目标肿瘤的待检测患者的肿瘤严重程度等级进行划分判定，可以降低因人工根据影像判定出错的概率，提高肿瘤诊断的准确率。

Description

基于人工智能的多模态肿瘤检测诊断平台及其处理方法
技术领域
本发明涉及信息处理技术领域，特别涉及基于人工智能的多模态肿瘤检测诊断平台及其处理方法。
背景技术
多模态影像融合检查技术(PET/CT+MRI)是近年来快速发展的肿瘤检测技术，通过PET提取受检者分子水平的代谢信息图像、CT提取组织结构的解剖学信息图像、MRI提取组织器官功能学信息图像，将不同成像学基础的三种高分辨率影像进行信息整合，可以为疾病诊断提供了丰富的信息资源，实现全身肿瘤查早、查深、查全的目的。
目前，对于肿瘤严重程度的判定仍需要医生根据自身识别影像的经验和能力来进行，故虽然多模态影像融合检查技术能够为肿瘤检测提供良好的诊断工具，在肿瘤严重程度判定过程中，也很有可能出现因影像识别错误导致对患者肿瘤严重程度的判定上出现错误，影响患者后续的的诊断救治流程。为此，我们提出基于人工智能的多模态肿瘤检测诊断平台及其处理方法。
发明内容
本发明的主要目的在于提供基于人工智能的多模态肿瘤检测诊断平台及其处理方法，可以有效解决背景技术中的问题。
为实现上述目的，本发明采取的技术方案为，
基于人工智能的多模态肿瘤检测诊断平台，包括，
症状信息采集模块，用于根据医疗系统电子病历数据库信息采集待检测患者的基本信息参数及主诉信息参数；
症状特征向量提取模块，通过建立以医疗系统电子病历数据库中已发病患者的基本信息参数及主诉信息参数为输入，以医疗诊断的肿瘤严重程度等级为输出的第一神经网络模型，并对建立的第一神经网络模型进行训练，根据训练结果和实际报警结果的误差调整模型的隐含层数量至准确率不低于第一期望值，并通过构建的第一神经网络模型提取待检测患者与目标肿瘤相关的症状特征向量；
影像学图像采集模块，用于获取不同成像学的高分辨率影像，包括受检者的分子水平代谢信息图像、组织结构解剖学信息图像及组织器官的功能学图像；
图像特征向量提取模块，用于根据获取的不同成像学的高分辨率影像构建医疗影像库，通过对医疗影像库的各类高分辨率影像图像数据为输入进行预训练，得到第二神经网络模型，并对建立的第二神经网络模型进行训练，根据训练结果和实际报警结果的误差调整模型的隐含层数量至准确率不低于第二期望值，根据构建的第二神经网络模型提取待检测患者与目标肿瘤相关的图像特征向量，包括分子水平代谢信息图像特征向量、组织结构解剖学信息图像特征向量及组织器官的功能学信息图像特征向量；
特征融合模块，用于构建以症状特征向量、水平代谢信息图像特征向量、组织结构解剖学信息图像特征向量及组织器官的功能学信息图像特征向量为输入，以判定决策为输出的融合模型，并根据构建的融合模型对获取的症状特征向量及图像特征向量进行融合，输出肿瘤严重程度等级判定决策；
中心检测模块，用于构建肿瘤严重程度判定模型，根据获取的肿瘤严重程度等级判定决策对待检测患者的肿瘤严重程度等级进行判定。
所述检测平台的检测步骤包括，
步骤一，症状信息采集模块由医疗系统电子病历数据库中采集待检测患者的基本信息参数及主诉信息参数；
步骤二，筛选与目标肿瘤相关的症状特征，通过症状特征向量提取模块建立以医疗系统电子病历数据库中已发病患者的基本信息参数及主诉信息参数为输入，以医疗诊断的肿瘤严重程度等级为输出的第一神经网络模型，并对建立的第一神经网络模型进行训练，根据训练结果和实际报警结果的误差调整模型的隐含层数量至准确率不低于第一期望值，并通过构建的第一神经网络模型提取待检测患者与目标肿瘤相关的症状特征向量；
步骤三，通过影像学图像采集模块获取不同成像学的高分辨率影像，包括受检者的分子水平代谢信息图像、组织结构解剖学信息图像及组织器官的功能学图像；
步骤四，筛选与目标肿瘤相关的图像特征，通过图像特征向量提取模块根据获取的不同成像学的高分辨率影像构建医疗影像库，对医疗影像库的各类高分辨率影像图像数据为输入进行预训练，得到第二神经网络模型，并对建立的第二神经网络模型进行训练，根据训练结果和实际报警结果的误差调整模型的隐含层数量至准确率不低于第二期望值，根据构建的第二神经网络模型提取待检测患者与目标肿瘤相关的图像特征向量，包括分子水平代谢信息图像特征向量、组织结构解剖学信息图像特征向量及组织器官的功能学信息图像特征向量；
步骤五，特征融合模块构建以症状特征向量、水平代谢信息图像特征向量、组织结构解剖学信息图像特征向量及组织器官的功能学信息图像特征向量为输入，以判定决策为输出的融合模型，并根据构建的融合模型对获取的症状特征向量及图像特征向量进行融合，输出肿瘤严重程度等级判定决策；
步骤六，中心检测模块构建肿瘤严重程度判定模型，根据获取的肿瘤严重程度等级判定决策将待检测患者的肿瘤严重程度等级进行判定划分为Ⅰ、Ⅱ、Ⅲ、Ⅳ中的任一项等级。
进一步的，所述诊断平台还包括数据存储模块，所述存储模块与症状信息采集模块及所述影像学图像采集模块连接，用于存储待检测患者的基本信息参数及主诉信息参数和受检者的分子水平代谢信息图像、组织结构解剖学信息图像及组织器官的功能学图像。
进一步的，所述诊断平台还包括处理器及存储在数据存储模块上并可在处理器上运行的计算机程序。
本发明具有如下有益效果，
(1)与现有技术相比，本发明技术方案根据医疗系统电子病历数据库信息采集待检测患者的基本信息参数及主诉信息参数，建立以医疗系统电子病历数据库中已发病患者的基本信息参数及主诉信息参数为输入，以医疗诊断的肿瘤严重程度等级为输出的第一神经网络模型提取待检测患者与目标肿瘤相关的症状特征向量，根据获取的不同成像学的高分辨率影像构建医疗影像库，通过对医疗影像库的各类高分辨率影像图像数据为输入进行预训练，得到第二神经网络模型提取待检测患者与目标肿瘤相关的图像特征向量，构建以症状特征向量、水平代谢信息图像特征向量、组织结构解剖学信息图像特征向量及组织器官的功能学信息图像特征向量为输入，以判定决策为输出的融合模型对获取的症状特征向量及图像特征向量进行融合，输出肿瘤严重程度等级判定决策对待检测患者的肿瘤严重程度等级进行判定，基于人工智能的神经网络模型对患者的基本信息、主诉信息及医学影像图像信息进行综合分析，从而实现对已发生目标肿瘤的待检测患者的肿瘤严重程度等级进行划分判定，可以降低因人工根据影像判定出错的概率，提高肿瘤诊断的准确率。
附图说明
图1为本发明基于人工智能的多模态肿瘤检测诊断平台的结构框图；
图2为本发明基于人工智能的多模态肿瘤检测诊断平台的检测流程图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明，其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制，为了更好地说明本发明的具体实施方式，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸。
实施例1
如图1所示的基于人工智能的多模态肿瘤检测诊断平台的整体结构图及如图2所示的基于人工智能的多模态肿瘤检测诊断平台的检测流程图。
检测平台的检测步骤包括，
步骤一，症状信息采集模块由医疗系统电子病历数据库中采集待检测患者的基本信息参数及主诉信息参数，其中，基本信息参数包括病人的姓名、性别、年龄、职业、婚姻、民族、籍贯、工作单位、现住址；主诉信息参数包括发病情况、病变过程、诊治情况；
步骤二，筛选与目标肿瘤相关的症状特征，其中，与目标肿瘤相关的症状特征的筛选方法的步骤为，
步骤21),统计医疗系统电子病历数据库中已发现目标肿瘤病患者的数量；
步骤22),采集已发现目标肿瘤病患者的基本信息参数及主诉信息参数，获取所有已发现目标肿瘤病患者的基本信息参数及主诉信息参数中各项症状特征；
步骤23),以各项症状特征为分类属性构建决策树模型，根据决策树模型计算任一症状特征下的发病概率Pt，计算公式为：其中，N为电子病历数据库中已发现目标肿瘤病患者的数量；Nt为电子病历数据库中已发现目标肿瘤出现第k项症状特征病患者的数量；
步骤24),获取发病概率Pt后，利用发病概率Pt的数值创建样本集，并获取样本集中的均值和标准差，利用均值和标准差对数据进行标准化，标准化公式为在此式中z为标准参量，σ为样本数据的方差，μ为样本数据的均值，在完成标准化后，将标准参量利用将数值区间调整至[0,1]之间，利用f(k)的函数值对重合率进行分类，分类的机制为：
当时，发病概率Pt分类为一级；
当时，发病概率Pt分类为二级；
其中，f(k)min，f(k)max分别为f(k)的函数值的最小值和最大值；
步骤25),筛选分类为一级的发病概率Pt所对应的症状特征为与目标肿瘤相关的症状特征；
通过症状特征向量提取模块建立以医疗系统电子病历数据库中已发病患者的基本信息参数及主诉信息参数为输入，以医疗诊断的肿瘤严重程度等级为输出的第一神经网络模型，其中，肿瘤严重程度等级根据肿瘤评价指标参数进行确定，肿瘤评价指标包括肿瘤的形态指标、大小指标、位置指标及周围组织关系划分为Ⅰ、Ⅱ、Ⅲ、Ⅳ四个不同等级，并对建立的第一神经网络模型进行训练，根据训练结果和实际报警结果的误差调整模型的隐含层数量至准确率不低于第一期望值，其中，第一期望值的计算公式为，
其中，E(Y)1表示第一期望值；N1表示第一个神经网络输入样本的数量；f(Xi)1表示第一个神经网络的输出函数；Xi1表示第一个神经网络的第i个输出样本，并通过构建的第一神经网络模型提取待检测患者与目标肿瘤相关的症状特征向量，；
步骤三，通过影像学图像采集模块获取不同成像学的高分辨率影像，包括受检者的分子水平代谢信息图像、组织结构解剖学信息图像及组织器官的功能学图像；
步骤四，筛选与目标肿瘤相关的图像特征，其中，与目标肿瘤相关的图像特征的筛选方法为，
步骤41),统计医疗影像库中已发现目标肿瘤病患者的数量；
步骤42),采集已发现目标肿瘤病患者的影像学图像，获取所有已发现目标肿瘤病患者的影像学图像中各项影像特征；
步骤43),以各项影像特征为分类属性构建决策树模型，根据决策树模型计算任一图像特征下的出现概率Pm，计算公式为：其中，N0为医疗影像库中已发现目标肿瘤病患者的数量；Nm为医疗影像库中已发现目标肿瘤出现第m项症状特征病患者的数量；
步骤44),获取出现概率Pm后，利用出现概率Pm的数值创建样本集，并获取样本集中的均值和标准差，利用均值和标准差对数据进行标准化，标准化公式为在此式中z为标准参量，σ为样本数据的方差，μ为样本数据的均值，在完成标准化后，将标准参量利用将数值区间调整至[0,1]之间，利用f(k)的函数值对重合率进行分类，分类的机制为：
当时，出现概率Pm分类为一级；
当时，出现概率Pm分类为二级；
其中，f(k)min，f(k)max分别为f(k)的函数值的最小值和最大值；
步骤45),筛选分类为一级的出现概率Pm所对应的图像特征为与目标肿瘤相关的图像特征，通过图像特征向量提取模块根据获取的不同成像学的高分辨率影像构建医疗影像库，对医疗影像库的各类高分辨率影像图像数据为输入进行预训练，得到第二神经网络模型，并对建立的第二神经网络模型进行训练，根据训练结果和实际报警结果的误差调整模型的隐含层数量至准确率不低于第二期望值，其中，第二期望值的计算公式为，
其中，E(Y)2表示第二个期望值；N2表示第二神经网络模型输入样本的数量；f(Xi)2表示第二神经网络模型的输出函数；Xi2表示第二神经网络模型的第i个输出样本，根据构建的第二神经网络模型提取待检测患者与目标肿瘤相关的图像特征向量，包括分子水平代谢信息图像特征向量、组织结构解剖学信息图像特征向量及组织器官的功能学信息图像特征向量；
步骤五，特征融合模块构建以症状特征向量、水平代谢信息图像特征向量、组织结构解剖学信息图像特征向量及组织器官的功能学信息图像特征向量为输入，以判定决策为输出的融合模型，本实施例中，以无学习成本的拼接特征融合方法为例进行说明，设症状特征向量为X1，水平代谢信息图像特征向量为X2，组织结构解剖学信息图像特征向量为X3，组织器官的功能学信息图像特征向量为X4，将四者进行矩阵堆叠形成输出最终特征X＝[X1，X2，X3，X4]，在输出融合特征向量后，根据融合向量特征制定并输出肿瘤严重程度等级判定决策；
步骤六，中心检测模块构建肿瘤严重程度判定模型，以阈值法为例，通过设置阈值参考范围，当特征值在某一阈值范围内时判定为某一严重程度等级，根据获取的肿瘤严重程度等级判定决策将待检测患者的肿瘤严重程度等级进行判定划分为Ⅰ、Ⅱ、Ⅲ、Ⅳ中的任一项等级。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.基于人工智能的多模态肿瘤检测诊断平台，其特征在于，包括，
症状信息采集模块，用于根据医疗系统电子病历数据库信息采集待检测患者的基本信息参数及主诉信息参数；
症状特征向量提取模块，通过建立以医疗系统电子病历数据库中已发病患者的基本信息参数及主诉信息参数为输入，以医疗诊断的肿瘤严重程度等级为输出的第一神经网络模型，并对建立的第一神经网络模型进行训练，根据训练结果和实际报警结果的误差调整模型的隐含层数量至准确率不低于第一期望值，并通过构建的第一神经网络模型提取待检测患者与目标肿瘤相关的症状特征向量；
影像学图像采集模块，用于获取不同成像学的高分辨率影像，包括受检者的分子水平代谢信息图像、组织结构解剖学信息图像及组织器官的功能学图像；
图像特征向量提取模块，用于根据获取的不同成像学的高分辨率影像构建医疗影像库，通过对医疗影像库的各类高分辨率影像图像数据为输入进行预训练，得到第二神经网络模型，并对建立的第二神经网络模型进行训练，根据训练结果和实际报警结果的误差调整模型的隐含层数量至准确率不低于第二期望值，根据构建的第二神经网络模型提取待检测患者与目标肿瘤相关的图像特征向量，包括分子水平代谢信息图像特征向量、组织结构解剖学信息图像特征向量及组织器官的功能学信息图像特征向量；
特征融合模块，用于构建以症状特征向量、水平代谢信息图像特征向量、组织结构解剖学信息图像特征向量及组织器官的功能学信息图像特征向量为输入，以判定决策为输出的融合模型，并根据构建的融合模型对获取的症状特征向量及图像特征向量进行融合，输出肿瘤严重程度等级判定决策；
中心检测模块，用于构建肿瘤严重程度判定模型，根据获取的肿瘤严重程度等级判定决策对待检测患者的肿瘤严重程度等级进行判定。
2.根据权利要求1所述的基于人工智能的多模态肿瘤检测诊断平台，其特征在于，所述第一期望值与所述第二期望值的计算公式为，
其中，E(Y)j表示第j个期望值；Nj表示第j个神经网络输入样本的数量；f(Xi)j表示第j个神经网络的输出函数；Xij表示第j个神经网络的第i个输出样本，j＝1,2。
3.根据权利要求1所述的基于人工智能的多模态肿瘤检测诊断平台，其特征在于，所述基本信息参数包括病人的姓名、性别、年龄、职业、婚姻、民族、籍贯、工作单位、现住址；所述主诉信息参数包括发病情况、病变过程、诊治情况。
4.根据权利要求1所述的基于人工智能的多模态肿瘤检测诊断平台，其特征在于，所述肿瘤严重程度等级根据肿瘤评价指标参数进行确定，所述肿瘤评价指标包括肿瘤的形态指标、大小指标、位置指标及周围组织关系指标。
5.根据权利要求1所述的基于人工智能的多模态肿瘤检测诊断平台，其特征在于，所述肿瘤严重程度等级判定决策根据肿瘤严重程度将对待检测患者的肿瘤严重程度划分为Ⅰ、Ⅱ、Ⅲ、Ⅳ四个不同等级。
6.根据权利要求1所述的基于人工智能的多模态肿瘤检测诊断平台，其特征在于，所述诊断平台还包括数据存储模块，所述存储模块与症状信息采集模块及所述影像学图像采集模块连接，用于存储待检测患者的基本信息参数及主诉信息参数和受检者的分子水平代谢信息图像、组织结构解剖学信息图像及组织器官的功能学图像。
7.根据权利要求1所述的基于人工智能的多模态肿瘤检测诊断平台，其特征在于，所述诊断平台还包括处理器及存储在数据存储模块上并可在处理器上运行的计算机程序，其中，处理器执行程序时能够实现权利要求1中任一项模块的功能。
8.根据权利要求1所述的基于人工智能的多模态肿瘤检测诊断平台，其特征在于，与目标肿瘤相关的症状特征的筛选方法为，
步骤1),统计医疗系统电子病历数据库中已发现目标肿瘤病患者的数量；
步骤2),采集已发现目标肿瘤病患者的基本信息参数及主诉信息参数，获取所有已发现目标肿瘤病患者的基本信息参数及主诉信息参数中各项症状特征；
步骤3),以各项症状特征为分类属性构建决策树模型，根据决策树模型计算任一症状特征下的发病概率Pt，计算公式为：其中，N为电子病历数据库中已发现目标肿瘤病患者的数量；Nt为电子病历数据库中已发现目标肿瘤出现第k项症状特征病患者的数量；
步骤4),获取发病概率Pt后，利用发病概率Pt的数值创建样本集，并获取样本集中的均值和标准差，利用均值和标准差对数据进行标准化，标准化公式为在此式中z为标准参量，σ为样本数据的方差，μ为样本数据的均值，在完成标准化后，将标准参量利用将数值区间调整至[0,1]之间，利用f(k)的函数值对重合率进行分类，分类的机制为：
当时，发病概率Pt分类为一级；
当时，发病概率Pt分类为二级；
其中，f(k)min，f(k)max分别为f(k)的函数值的最小值和最大值；
步骤5),筛选分类为一级的发病概率Pt所对应的症状特征为与目标肿瘤相关的症状特征。
9.根据权利要求1所述的基于人工智能的多模态肿瘤检测诊断平台，其特征在于，与目标肿瘤相关的图像特征的筛选方法为，
步骤1),统计医疗影像库中已发现目标肿瘤病患者的数量；
步骤2),采集已发现目标肿瘤病患者的影像学图像，获取所有已发现目标肿瘤病患者的影像学图像中各项影像特征；
步骤3),以各项影像特征为分类属性构建决策树模型，根据决策树模型计算任一图像特征下的出现概率Pm，计算公式为：其中，N0为医疗影像库中已发现目标肿瘤病患者的数量；Nm为医疗影像库中已发现目标肿瘤出现第m项症状特征病患者的数量；
步骤4),获取出现概率Pm后，利用出现概率Pm的数值创建样本集，并获取样本集中的均值和标准差，利用均值和标准差对数据进行标准化，标准化公式为在此式中z为标准参量，σ为样本数据的方差，μ为样本数据的均值，在完成标准化后，将标准参量利用将数值区间调整至[0,1]之间，利用f(k)的函数值对重合率进行分类，分类的机制为：
当时，出现概率Pm分类为一级；
当时，出现概率Pm分类为二级；
其中，f(k)min，f(k)max分别为f(k)的函数值的最小值和最大值；
步骤5),筛选分类为一级的出现概率Pm所对应的图像特征为与目标肿瘤相关的图像特征。
10.根据权利要求1所述的基于人工智能的多模态肿瘤检测诊断平台，其特征在于，所述检测平台的检测步骤包括，
步骤一，症状信息采集模块由医疗系统电子病历数据库中采集待检测患者的基本信息参数及主诉信息参数；
步骤二，筛选与目标肿瘤相关的症状特征，通过症状特征向量提取模块建立以医疗系统电子病历数据库中已发病患者的基本信息参数及主诉信息参数为输入，以医疗诊断的肿瘤严重程度等级为输出的第一神经网络模型，并对建立的第一神经网络模型进行训练，根据训练结果和实际报警结果的误差调整模型的隐含层数量至准确率不低于第一期望值，并通过构建的第一神经网络模型提取待检测患者与目标肿瘤相关的症状特征向量；
步骤三，通过影像学图像采集模块获取不同成像学的高分辨率影像，包括受检者的分子水平代谢信息图像、组织结构解剖学信息图像及组织器官的功能学图像；
步骤四，筛选与目标肿瘤相关的图像特征，通过图像特征向量提取模块根据获取的不同成像学的高分辨率影像构建医疗影像库，对医疗影像库的各类高分辨率影像图像数据为输入进行预训练，得到第二神经网络模型，并对建立的第二神经网络模型进行训练，根据训练结果和实际报警结果的误差调整模型的隐含层数量至准确率不低于第二期望值，根据构建的第二神经网络模型提取待检测患者与目标肿瘤相关的图像特征向量，包括分子水平代谢信息图像特征向量、组织结构解剖学信息图像特征向量及组织器官的功能学信息图像特征向量；
步骤五，特征融合模块构建以症状特征向量、水平代谢信息图像特征向量、组织结构解剖学信息图像特征向量及组织器官的功能学信息图像特征向量为输入，以判定决策为输出的融合模型，并根据构建的融合模型对获取的症状特征向量及图像特征向量进行融合，输出肿瘤严重程度等级判定决策；
步骤六，中心检测模块构建肿瘤严重程度判定模型，根据获取的肿瘤严重程度等级判定决策将待检测患者的肿瘤严重程度等级进行判定划分为Ⅰ、Ⅱ、Ⅲ、Ⅳ中的任一项等级。
CN202311463809.3A 2023-11-06 2023-11-06 基于人工智能的多模态肿瘤检测诊断平台及其处理方法 Pending CN117352164A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311463809.3A CN117352164A (zh) 2023-11-06 2023-11-06 基于人工智能的多模态肿瘤检测诊断平台及其处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311463809.3A CN117352164A (zh) 2023-11-06 2023-11-06 基于人工智能的多模态肿瘤检测诊断平台及其处理方法

Publications (1)

Publication Number Publication Date
CN117352164A true CN117352164A (zh) 2024-01-05

Family

ID=89370959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311463809.3A Pending CN117352164A (zh) 2023-11-06 2023-11-06 基于人工智能的多模态肿瘤检测诊断平台及其处理方法

Country Status (1)

Country Link
CN (1) CN117352164A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117744026A (zh) * 2024-02-18 2024-03-22 四川省肿瘤医院 基于多模态的信息融合方法和肿瘤恶性概率识别系统
CN119963934A (zh) * 2025-04-11 2025-05-09 中国人民解放军总医院第一医学中心 一种基于大数据的肿瘤智能识别系统及方法
CN120913813A (zh) * 2025-07-26 2025-11-07 中国人民解放军联勤保障部队第九〇四医院 一种消化系统重症疾病预警检测方法、装置及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610771A (zh) * 2017-08-23 2018-01-19 上海电力学院 一种基于决策树的医学检测指标筛选方法
CN109871396A (zh) * 2019-01-31 2019-06-11 西南电子技术研究所（中国电子科技集团公司第十研究所） 多样本考评数据的归一化融合方法
CN113130077A (zh) * 2021-04-30 2021-07-16 王世宣 基于人工神经网络的卵巢功能年龄评估方法和装置
CN113948211A (zh) * 2021-11-04 2022-01-18 复旦大学附属中山医院 胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型
CN115019405A (zh) * 2022-05-27 2022-09-06 中国科学院计算技术研究所 一种基于多模态融合的肿瘤分类方法及系统
CN116740435A (zh) * 2023-06-09 2023-09-12 武汉工程大学 基于多模态深度学习影像组学的乳腺癌超声图像分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610771A (zh) * 2017-08-23 2018-01-19 上海电力学院 一种基于决策树的医学检测指标筛选方法
CN109871396A (zh) * 2019-01-31 2019-06-11 西南电子技术研究所（中国电子科技集团公司第十研究所） 多样本考评数据的归一化融合方法
CN113130077A (zh) * 2021-04-30 2021-07-16 王世宣 基于人工神经网络的卵巢功能年龄评估方法和装置
CN113948211A (zh) * 2021-11-04 2022-01-18 复旦大学附属中山医院 胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型
CN115019405A (zh) * 2022-05-27 2022-09-06 中国科学院计算技术研究所 一种基于多模态融合的肿瘤分类方法及系统
CN116740435A (zh) * 2023-06-09 2023-09-12 武汉工程大学 基于多模态深度学习影像组学的乳腺癌超声图像分类方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117744026A (zh) * 2024-02-18 2024-03-22 四川省肿瘤医院 基于多模态的信息融合方法和肿瘤恶性概率识别系统
CN119963934A (zh) * 2025-04-11 2025-05-09 中国人民解放军总医院第一医学中心 一种基于大数据的肿瘤智能识别系统及方法
CN120913813A (zh) * 2025-07-26 2025-11-07 中国人民解放军联勤保障部队第九〇四医院 一种消化系统重症疾病预警检测方法、装置及设备

Similar Documents

Publication Publication Date Title
CN114926477B (zh) 一种基于深度学习的脑肿瘤多模态mri影像分割方法
CN112365464B (zh) 一种基于gan的医学图像病变区域弱监督定位方法
CN114724231B (zh) 一种基于迁移学习的青光眼多模态智能识别系统
WO2022188489A1 (zh) 多模态多病种长尾分布眼科疾病分类模型训练方法和装置
CN113077434B (zh) 基于多模态信息的肺癌识别方法、装置及存储介质
CN117352164A (zh) 基于人工智能的多模态肿瘤检测诊断平台及其处理方法
CN111738302A (zh) 一种基于多模态数据对阿尔茨海默病进行分类诊断的系统
CN116738352B (zh) 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置
CN117333667A (zh) 一种脑部ct图像出血区域自动分割方法及系统
CN116705300A (zh) 基于体征数据分析的医疗决策辅助方法、系统及存储介质
CN118429680A (zh) 一种舌象全类别标签识别和预测的方法及系统
CN108805181B (zh) 一种基于多分类模型的图像分类装置及分类方法
CN113160974A (zh) 一种基于超图聚类的精神疾病生物型发掘方法
CN116403053A (zh) 一种肿瘤细胞切片图像的识别方法、介质及电子设备
Nugroho et al. Image dermoscopy skin lesion classification using deep learning method: systematic literature review
Jabbar et al. Liver fibrosis processing, multiclassification, and diagnosis based on hybrid machine learning approaches
CN120356679B (zh) 一种胃肠肿瘤手术患者术后认知功能障碍预测系统及方法
CN116524248A (zh) 医学数据处理装置、方法及分类模型训练装置
CN113130050B (zh) 一种医学信息显示方法及显示系统
CN118379571A (zh) 一种筛选阈值可调的多标签舌象识别方法及系统
CN120236317B (zh) 基于双流EfficientNet和决策树的眼科疾病图像识别方法
CN110543894A (zh) 一种医学影像处理方法
CN120708939B (zh) 一种基于多模态数据的炎症性肠病疗效预测系统
CN117334300B (zh) 一种基于人工智能的医疗辅助方法和系统
CN120912592B (zh) 基于注意力机制和密度特征提取的病理评估方法、装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20240105