CN109117871A - 一种通过深度学习获取肺部病灶恶性概率的***和方法 - Google Patents
一种通过深度学习获取肺部病灶恶性概率的***和方法 Download PDFInfo
- Publication number
- CN109117871A CN109117871A CN201810806532.2A CN201810806532A CN109117871A CN 109117871 A CN109117871 A CN 109117871A CN 201810806532 A CN201810806532 A CN 201810806532A CN 109117871 A CN109117871 A CN 109117871A
- Authority
- CN
- China
- Prior art keywords
- follow
- cloud server
- patient
- doctor
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种通过深度学习获取肺部病灶恶性概率的***和方法,包括:集单元以及云端服务器,所述采集单元用于采集待诊患者的待诊信息,并将所述待诊新远程发送至所述云端服务器;所述云端服务器采用所述病灶识别模型,根据所述待诊信息识别得到所述待诊患者的肺部病灶的恶性概率以及浸润程度,所述云端服务器将所述恶性概率和所述浸润程度作为识别结果输出给医生查看,以供医生参考;所述云端服务器获取所述医生根据所述识别结果反馈的确认信息,并将所述确认信息反馈至所述病灶识别模型中,以对所述病灶识别模型进行优化。使用本发明所述一种通过深度学习获取肺部病灶恶性概率的***和方法为医生在诊断患者时提供了新的参照体系,提高了确诊的正确率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种通过深度学习获取肺部病灶恶性概率的***和方法。
背景技术
在目前对肺部病灶的诊断治疗中,肺部肿块与良性病灶的鉴别是临床工作的一大难题;因为缺乏良性大病灶的CT图像,现有的研究对此部分研究仍为空白。患者的临床特征在鉴别肺部病灶的良恶性中具有预测意义,但现有病灶分析方法因为图像处理无法获取病人的临床特征,尤其是接受了治疗的或者检查的病人特征,仍局限于卷积神经网络对于肺部结节的检测,只通过影像特征判断结节良恶性,准确性较差。
另一方面,即使是病灶诊断结果为恶性,其浸润程度的不同也决定了不同的治疗策略,因此,在判断病灶恶性程度的基础上,确定其浸润程度也有极大的重要性。
发明内容
根据现有技术中存在的问题,现提供一种通过深度学习获取肺部病灶恶性概率的***和方法,填补目前存在的技术空白。
本发明所解决的技术问题可通过采取以下技术方案来实现:
一种通过深度学习获取肺部病灶恶性概率的***,包括:采集单元以及云端服务器,所述采集单元远程连接所述云端服务器;
所述采集单元用于采集待诊患者的待诊信息,并将所述待诊信息远程发送至所述云端服务器;
于所述云端服务器内预先训练形成一病灶识别模型,所述云端服务器采用所述病灶识别模型,根据所述待诊信息识别得到所述待诊患者的肺部病灶的恶性概率以及浸润程度,所述云端服务器将所述恶性概率和所述浸润程度作为识别结果输出给医生查看,以供医生参考;
所述云端服务器通过预先准备的训练数据,采用深度学习算法预先训练形成所述病灶识别模型,所述训练数据的数据构成与所述待诊信息的数据构成相同。
优选地,所述待诊信息包括所述待诊患者的临床检查数据,以及所述待诊患者的实验室检查指标数据。
优选地,所述云端服务器中包括:
排序模块,对所述云端服务器中的所述识别结果进行排序;
输出模块,用于输出进行一次排序后的所述识别结果,以供所述医生进行参考。
优选地,所述云端服务器还包括:
获取模块,用于获取所述医生根据所述识别结果反馈的确认信息;
所述云端服务器还用于将所述确认信息反馈至所述病灶识别模型中,以对所述病灶识别模型进行优化。
优选地,包括:设置一采集单元以及与所述采集单元远程连接的云端服务器;
一种通过深度学习获取肺部病灶恶性概率的方法,具体包括:
步骤S1,采用所述采集单元采集待诊患者的待诊信息,并将所述待诊信息远程发送至所述云端服务器;
步骤S2,于所述云端服务器中预先训练形成一识别模型,所述云端服务器采用所述病灶识别模型,根据所述待诊信息识别得到所述待诊患者的肺部病灶的恶性概率以及浸润程度,所述云端服务器将所述恶性概率和所述浸润程度作为识别结果输出给医生查看,以供医生参考;
所述云端服务器通过预先准备的训练数据,采用深度学习算法预先训练形成所述病灶识别模型,所述训练数据的数据构成与所述待诊信息的数据构成相同。
优选地,所述待诊信息包括所述待诊患者的临床检查数据,以及所述待诊患者的实验室检查指标数据。
优选地,所述步骤S2具体包括:
步骤S21,对所述云端服务器中的所述识别结果进行排序;
步骤S22,输出进行一次排序后的所述识别结果,以供所述医生进行参考。
优选地,执行所述步骤S2之后,继续执行下述步骤:
步骤S3,所述云端服务器获取所述医生根据所述识别结果反馈的确认信息,并将所述确认信息反馈至所述病灶识别模型中,以对所述病灶识别模型进行优化。
本发明的优点在于:
本发明在接收用户上传的待诊患者的待诊信息后,利用深度学习算法提取待诊患者的病征图像的待诊特征,建立待诊特征集,将待诊特征集与训练的标准特征集进行比对,获取所述待诊患者的病征图像与训练图库中不同状态病灶的病征图像之间的相似度,再由图像相似度确定待诊患者患肺部病灶的恶性概率与浸润程度。使用本发明可以快速的将待诊患者进行初步诊断,具有简便、快捷的优点,同时为医护人员进行最终诊断提出了一种新的参考依据。
附图说明
图1为本发明一种较佳实施例的***的结构示意图;
图2为本发明一种较佳实施例的方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
如图1-2所示,本发明较佳的实施例中,根据现有技术存在的问题,现提供一种通过深度学习获取肺部病灶恶性概率的***,包括:采集单元以及云端服务器,采集单元远程连接云端服务器;
采集单元用于采集待诊患者的待诊信息,并将待诊信息远程发送至云端服务器;
于云端服务器内预先训练形成一病灶识别模型,云端服务器采用病灶识别模型,根据待诊信息识别得到待诊患者的肺部病灶的恶性概率以及浸润程度,云端服务器将所述恶性概率和浸润程度作为识别结果输出给医生查看,以供医生参考;
云端服务器通过预先准备的训练数据,采用深度学习算法预先训练形成病灶识别模型,训练数据的数据构成与待诊信息的数据构成相同。
本发明较佳的实施例中,待诊信息包括待诊患者的临床检查数据,以及待诊患者的实验室检查指标数据。
本发明较佳的实施例中,云端服务器中包括:
排序模块,对云端服务器中的识别结果进行排序;
输出模块,用于输出进行一次排序后的所述识别结果,以供所述医生进行参考。
本发明较佳的实施例中,云端服务器还包括:
获取模块,用于获取医生根据识别结果反馈的确认信息;
云端服务器还用于将确认信息反馈至病灶识别模型中,以对病灶识别模型进行优化。
本发明较佳的实施例中,包括:设置一采集单元以及与采集单元远程连接的云端服务器;
一种通过深度学习获取肺部病灶恶性概率的方法,具体包括:
步骤S1,采用采集单元采集待诊患者的待诊信息,并将待诊信息远程发送至云端服务器;
步骤S2,于云端服务器中预先训练形成一识别模型,云端服务器采用病灶识别模型,根据待诊信息识别得到待诊患者的肺部病灶的恶性概率以及浸润程度,云端服务器将恶性概率和浸润程度作为识别结果输出给医生查看,以供医生参考;
云端服务器通过预先准备的训练数据,采用深度学习算法预先训练形成所述病灶识别模型,训练数据的数据构成与待诊信息的数据构成相同。
本发明较佳的实施例中,待诊信息包括所述待诊患者的临床检查数据,以及待诊患者的实验室检查指标数据。
本发明较佳的实施例中,步骤S2具体包括:
步骤S21,对云端服务器中的识别结果进行排序;
步骤S22,输出进行一次排序后的识别结果,以供医生进行参考。
本发明较佳的实施例中,执行所述步骤S2之后,继续执行下述步骤:
步骤S3,云端服务器获取医生根据识别结果反馈的确认信息,并将确认信息反馈至病灶识别模型中,以对病灶识别模型进行优化。
本发明的有益效果在于:
本发明在接收用户上传的待诊患者的待诊信息后,利用深度学习算法提取待诊患者的病征图像的待诊特征,建立待诊特征集,将待诊特征集与训练的标准特征集进行比对,获取所述待诊患者的病征图像与训练图库中不同状态病灶的病征图像之间的相似度,再由图像相似度确定待诊患者患肺部病灶的恶性概率与浸润程度。这一方法可以快速的将待诊患者进行初步诊断,具有简便、快捷的优点,同时为医护人员进行最终诊断提出了一种新的参考依据。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (8)
1.一种通过深度学习获取肺部病灶恶性概率的***,其特征在于,包括:采集单元以及云端服务器,所述采集单元远程连接所述云端服务器;
所述采集单元用于采集待诊患者的待诊信息,并将所述待诊信息远程发送至所述云端服务器;
于所述云端服务器内预先训练形成一病灶识别模型,所述云端服务器采用所述病灶识别模型,根据所述待诊信息识别得到所述待诊患者的肺部病灶的恶性概率以及浸润程度,所述云端服务器将所述恶性概率和所述浸润程度作为识别结果输出给医生查看,以供医生参考;
所述云端服务器通过预先准备的训练数据,采用深度学习算法预先训练形成所述病灶识别模型,所述训练数据的数据构成与所述待诊信息的数据构成相同。
2.根据权利要求1所述的***,其特征在于,所述待诊信息包括所述待诊患者的临床检查数据,以及所述待诊患者的实验室检查指标数据。
3.根据权利要求1所述的***,其特征在于,所述云端服务器中包括:
排序模块,对所述云端服务器中的所述识别结果进行排序;
输出模块,用于输出进行一次排序后的所述识别结果,以供所述医生进行参考。
4.根据权利要求1所述的***,其特征在于,所述云端服务器还包括:
获取模块,用于获取所述医生根据所述识别结果反馈的确认信息;
所述云端服务器还用于将所述确认信息反馈至所述病灶识别模型中,以对所述病灶识别模型进行优化。
5.一种通过深度学习获取肺部病灶恶性概率的方法,其特征在于,包括:
设置一采集单元以及与所述采集单元远程连接的云端服务器;
所述方法具体包括:
步骤S1,采用所述采集单元采集待诊患者的待诊信息,并将所述待诊信息远程发送至所述云端服务器;
步骤S2,于所述云端服务器中预先训练形成一识别模型,所述云端服务器采用所述病灶识别模型,根据所述待诊信息识别得到所述待诊患者的肺部病灶的恶性概率以及浸润程度,所述云端服务器将所述恶性概率和所述浸润程度作为识别结果输出给医生查看,以供医生参考;
所述云端服务器通过预先准备的训练数据,采用深度学习算法预先训练形成所述病灶识别模型,所述训练数据的数据构成与所述待诊信息的数据构成相同。
6.根据权利要求5所述的方法,其特征在于,所述待诊信息包括所述待诊患者的临床检查数据,以及所述待诊患者的实验室检查指标数据。
7.根据权利要求5所述的方法,其特征在于,所述步骤S2具体包括:
步骤S21,对所述云端服务器中的所述识别结果进行排序;
步骤S22,输出进行一次排序后的所述识别结果,以供所述医生进行参考。
8.根据权利要求5所述的方法,其特征在于,执行所述步骤S2之后,继续执行下述步骤:
步骤S3,所述云端服务器获取所述医生根据所述识别结果反馈的确认信息,并将所述确认信息反馈至所述病灶识别模型中,以对所述病灶识别模型进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810806532.2A CN109117871A (zh) | 2018-07-20 | 2018-07-20 | 一种通过深度学习获取肺部病灶恶性概率的***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810806532.2A CN109117871A (zh) | 2018-07-20 | 2018-07-20 | 一种通过深度学习获取肺部病灶恶性概率的***和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109117871A true CN109117871A (zh) | 2019-01-01 |
Family
ID=64863243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810806532.2A Pending CN109117871A (zh) | 2018-07-20 | 2018-07-20 | 一种通过深度学习获取肺部病灶恶性概率的***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117871A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110124210A (zh) * | 2019-05-24 | 2019-08-16 | 雷恩友力数据科技南京有限公司 | 一种基于人工智能的经前综合症理疗*** |
CN110751203A (zh) * | 2019-10-16 | 2020-02-04 | 山东浪潮人工智能研究院有限公司 | 一种基于深度标志物学习的特征提取方法及*** |
CN111265234A (zh) * | 2020-03-05 | 2020-06-12 | 上海市肺科医院(上海市职业病防治院) | 一种肺部纵膈***的性质判定方法及*** |
CN114359781A (zh) * | 2021-12-02 | 2022-04-15 | 国家石油天然气管网集团有限公司 | 一种云边协同自主学习的智能识别*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070217668A1 (en) * | 2005-09-23 | 2007-09-20 | Lars Bornemann | Method and apparatus of segmenting an object in a data set and of determination of the volume of segmented object |
CN106339591A (zh) * | 2016-08-25 | 2017-01-18 | 汤平 | 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务*** |
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务*** |
CN107977966A (zh) * | 2017-12-20 | 2018-05-01 | 点内(上海)生物科技有限公司 | 基于人工智能对肺结节良恶性及浸润程度的辅助诊断方法 |
-
2018
- 2018-07-20 CN CN201810806532.2A patent/CN109117871A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070217668A1 (en) * | 2005-09-23 | 2007-09-20 | Lars Bornemann | Method and apparatus of segmenting an object in a data set and of determination of the volume of segmented object |
CN106339591A (zh) * | 2016-08-25 | 2017-01-18 | 汤平 | 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务*** |
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务*** |
CN107977966A (zh) * | 2017-12-20 | 2018-05-01 | 点内(上海)生物科技有限公司 | 基于人工智能对肺结节良恶性及浸润程度的辅助诊断方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110124210A (zh) * | 2019-05-24 | 2019-08-16 | 雷恩友力数据科技南京有限公司 | 一种基于人工智能的经前综合症理疗*** |
CN110751203A (zh) * | 2019-10-16 | 2020-02-04 | 山东浪潮人工智能研究院有限公司 | 一种基于深度标志物学习的特征提取方法及*** |
CN111265234A (zh) * | 2020-03-05 | 2020-06-12 | 上海市肺科医院(上海市职业病防治院) | 一种肺部纵膈***的性质判定方法及*** |
CN114359781A (zh) * | 2021-12-02 | 2022-04-15 | 国家石油天然气管网集团有限公司 | 一种云边协同自主学习的智能识别*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117871A (zh) | 一种通过深度学习获取肺部病灶恶性概率的***和方法 | |
CN106845147B (zh) | 医学经验总结模型的建立方法、装置 | |
WO2019062846A1 (zh) | 结合影像识别与报告编辑的医学影像辅助诊断方法及*** | |
CN108133476B (zh) | 一种肺结节自动检测方法及*** | |
CN110051324B (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及*** | |
CN110379492A (zh) | 一种全新的ai+pacs***及其检查报告构建方法 | |
US20110245623A1 (en) | Medical Diagnosis Using Community Information | |
CN107247887A (zh) | 基于人工智能帮助肺癌筛查的方法及*** | |
WO2019052063A1 (zh) | 基于人工智能的医学影像分类处理***及方法 | |
CN109615633A (zh) | 一种基于深度学习的肠镜下克罗恩病辅助诊断***及方法 | |
JP2008259682A (ja) | 部位認識結果修正装置、方法、およびプログラム | |
EP3685401B1 (en) | Method and apparatus for deriving a set of training data | |
US20230248998A1 (en) | System and method for predicting diseases in its early phase using artificial intelligence | |
Shen et al. | Guest editorial: special issue on imaging-based diagnosis of COVID-19 | |
CN110991536A (zh) | 原发性肝癌的早期预警模型的训练方法 | |
CN105956386A (zh) | 基于健康人胸片的健康指标指数分类***和方法 | |
CN105611872A (zh) | 用于评估多通道ecg信号的装置和方法 | |
CN104732086A (zh) | 基于云计算的疾病计算机辅助检测*** | |
CN113397485A (zh) | 一种基于深度学习的脊柱侧弯筛查方法 | |
Choe et al. | Artificial intelligence in lung imaging | |
Zhang et al. | Deep learning system assisted detection and localization of lumbar spondylolisthesis | |
CN113946217A (zh) | 一种肠镜操作技能智能辅助评估*** | |
Lassau et al. | AI-based multi-modal integration of clinical characteristics, lab tests and chest CTs improves COVID-19 outcome prediction of hospitalized patients | |
Sailaja et al. | Effective Brain Stroke Prediction with Deep Learning Model by Incorporating YOLO_5 and SSD. | |
CN115050456A (zh) | 一种人工智能医学图像自动诊断***和方法 |
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: 20190101 |