CN112349425A - 新型冠状病毒感染肺炎人工智能快速筛查*** - Google Patents
新型冠状病毒感染肺炎人工智能快速筛查*** Download PDFInfo
- Publication number
- CN112349425A CN112349425A CN202010083930.3A CN202010083930A CN112349425A CN 112349425 A CN112349425 A CN 112349425A CN 202010083930 A CN202010083930 A CN 202010083930A CN 112349425 A CN112349425 A CN 112349425A
- Authority
- CN
- China
- Prior art keywords
- coronavirus infection
- image
- infection pneumonia
- novel
- pneumonia
- 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
- 206010035664 Pneumonia Diseases 0.000 title claims abstract description 73
- 208000001528 Coronaviridae Infections Diseases 0.000 title claims abstract description 65
- 238000012216 screening Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 8
- 210000004072 lung Anatomy 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 201000010099 disease Diseases 0.000 claims description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 15
- 230000003902 lesion Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 7
- 210000000621 bronchi Anatomy 0.000 claims description 6
- 230000000750 progressive effect Effects 0.000 claims description 6
- 208000002151 Pleural effusion Diseases 0.000 claims description 5
- 238000002591 computed tomography Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000005338 frosted glass Substances 0.000 claims description 4
- 210000004224 pleura Anatomy 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 208000003898 Mediastinal Emphysema Diseases 0.000 claims description 3
- 206010050184 Pneumomediastinum Diseases 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 210000001370 mediastinum Anatomy 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 239000005337 ground glass Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 239000003550 marker Substances 0.000 claims 1
- 238000011017 operating method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013170 computed tomography imaging Methods 0.000 abstract description 4
- 241000711573 Coronaviridae Species 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 108020004707 nucleic acids Proteins 0.000 description 8
- 150000007523 nucleic acids Chemical class 0.000 description 8
- 102000039446 nucleic acids Human genes 0.000 description 8
- 210000000038 chest Anatomy 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 241000700605 Viruses Species 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000009385 viral infection Effects 0.000 description 3
- 208000036142 Viral infection Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 201000001178 Bacterial Pneumonia Diseases 0.000 description 1
- 241000112286 Bat SARS-like coronavirus Species 0.000 description 1
- 201000005019 Chlamydia pneumonia Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 206010011409 Cross infection Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 241000709661 Enterovirus Species 0.000 description 1
- 241000342334 Human metapneumovirus Species 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010025102 Lung infiltration Diseases 0.000 description 1
- 241000202934 Mycoplasma pneumoniae Species 0.000 description 1
- 208000031662 Noncommunicable disease Diseases 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- 208000002606 Paramyxoviridae Infections Diseases 0.000 description 1
- 206010035737 Pneumonia viral Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 241000725643 Respiratory syncytial virus Species 0.000 description 1
- 241000315672 SARS coronavirus Species 0.000 description 1
- 241000008910 Severe acute respiratory syndrome-related coronavirus Species 0.000 description 1
- 206010047115 Vasculitis Diseases 0.000 description 1
- 210000001552 airway epithelial cell Anatomy 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 208000023367 bronchiolitis obliterans with obstructive pulmonary disease Diseases 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000280 densification Methods 0.000 description 1
- 201000001981 dermatomyositis Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 208000017574 dry cough Diseases 0.000 description 1
- 238000011841 epidemiological investigation Methods 0.000 description 1
- 208000018875 hypoxemia Diseases 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 208000030773 pneumonia caused by chlamydia Diseases 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 241000701161 unidentified adenovirus Species 0.000 description 1
- 241000712461 unidentified influenza virus Species 0.000 description 1
- 208000009421 viral pneumonia Diseases 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种新型冠状病毒感染肺炎人工智能快速筛查***和该***的操作方法，所述***包括：数据库模块(1)、数据标记模块(2)、预处理模块(3)、训练和学习模块(4)、人工智能网络模型(5)、新型冠状病毒感染肺炎人工智能识别模型(6)。本发明将人工智能技术与传统的CT影像技术相结合，大幅度提高了新型冠状病毒感染肺炎识别的速度和可靠性。
Description
技术领域
本发明涉及人工智能在医学上的应用技术领域，具体而言，涉及一种新型冠状病毒感染肺炎人工智能快速筛查***。
背景技术
新型冠状病毒感染肺炎疑似患者的诊断标准包括有明确流行病史，结合患者胸部影像学检查阳性和/或血常规白细胞总数正常或降低，淋巴细胞计数减少的表现即可诊断为疑似病例，针对疑似病例行核酸检测即可判断确诊病例。
目前，核酸检测是确诊2019-nCoV感染患者的确切手段，但是国内绝大部分医院缺乏核酸检测的试剂及相关技术，且从检查到得到检查结果需要几小时时间，且技术上快速普及需要巨大的时间成本和医疗成本。对于初诊疑似病例使用核酸检测容易造成医疗资源的浪费。
基于以上原因，本发明提出一种将患者胸部CT平扫与人工智能(AritificialIntelligence，AI)技术相融合，建设快速筛查2019-nCoV感染患者的人工智能***。通过智能软件对具有流行病史的患者CT成像检查进行精准、快速扫描，判断患者是否具备多发小斑片影及间质改变，以肺外带明显，或者是否出现双肺多发磨玻璃影、浸润影，及肺实变。从而准确、快速筛查出疑似病例，提高工作效率。
发明内容
本发明实施例提供了一种新型冠状病毒感染肺炎人工智能快速筛查***，从而解决相关技术中用于进行新型冠状病毒感染肺炎识别的方式可靠性较低的技术问题。
根据本发明实施例的一个方面，本发明提供了一种新型冠状病毒感染肺炎人工智能快速筛查***，其特征在于，包括：数据库模块、数据标记模块、预处理模块、训练和学习模块、人工智能网络模型、新型冠状病毒感染肺炎人工智能识别模型；
其中，数据库模块用于对预定数量的新型冠状病毒感染肺炎影像数据进行收集和存储；数据标记模块用于对存储数据的影像特点进行分析、总结和标记；预处理模块用于对数据库模块内已标记的医学影像图像进行预处理；训练和学习模块用于对预处理后的医学影像数据的一部分进行训练和学习；利用预处理后的训练图像对预定的人工智能网络模型进行训练，可以得到新型冠状病毒感染肺炎人工智能识别初步模型。
可选地，所述预定数量的新型冠状病毒感染肺炎的影像数据中的每一张图像均包括：肺炎病灶标识区域。
可选地，其中预处理包括：将所述预定数量的医学影像图像进行格式转换，得到所述预定数量的医学影像图像对应的灰度图；通过二值化处理方式对所述灰度图进行二值化处理，得到标准化的灰度图，同时对所述标准化的灰度图进行腐蚀和膨胀处理，以过滤掉所述标准化的图像中的干扰点，得到过滤后的灰度图。
可选地，所述预处理还包括：利用卷积神经网络对所述预处理后的训练图像进行卷积化处理，得到卷积化处理结果；并将所述卷积化处理结果输入至区域候选网络，进行结果论证。
可选地，进行结果论证的方法在于，对预定数量的肺部CT影像进行人工智能影像识别，当训练的新型冠状病毒感染肺炎人工智能识别模型对预定数量CT 影像识别准确率超过90％时，我们既成功训练出新型冠状病毒感染肺炎人工智能识别模型。
可选地，所述标记的依据在于：
(1)病变早期，肺内散在小片状，胸膜下分布或沿支气管树分布的局灶性磨玻璃密度、实变影；
(2)病变进展期，病灶增多、范围扩大，累及多个肺叶，磨玻璃密度影可融合成散在多发的实变影，其内可见充气支气管征；
(3)病变重症期，双肺弥漫性病变，少数呈「白肺」表现；实变影为主，合并GGO，多伴条索影；空气支气管征；
(4)病变恢复期，以肺间质改变为主，部分伴有纵隔内***肿大、胸腔积液与纵隔气肿。
可选地，所述标记需与其他疾病的CT影像图进行鉴别。
根据本发明实施例的另一个方面，新型冠状病毒感染肺炎人工智能快速筛查***的操作方法，按照如下步骤进行：
步骤S102：利用数据库模块对预定数量的新型冠状病毒感染肺炎影像数据进行收集和存储；然后利用数据标记模块对上述存储数据的影像特点的标准化进行分析总结，对影像特点进行标记，这些标记包括：新型冠状病毒感染肺炎病灶标记区域、病灶特点；
步骤S104：利用预处理模块对数据库模块内已标记的医学影像图像进行预处理，处理标记之外的干扰区，得到处理后的医学影像图像，并且将预处理后的医学影像数据的一部分作为训练和学习模块中的训练图像；
步骤S106：将训练图像输入到预定的人工智能网络模型中，利用预处理后的训练图像对预定的人工智能网络模型进行训练，得到新型冠状病毒感染肺炎人工智能识别初步模型。
可选地，所述新型冠状病毒感染肺炎人工智能快速筛查***最终版本的形成方法，包括：
在步骤S106之后，导入新的预定数量患者的CT原始数据；对所述初步模型进行校正，得到新型冠状病毒感染肺炎人工智能识别终版模型，初步形成人工智能快速筛查***；将所述新型冠状病毒感染肺炎人工智能快速筛查***连接临床工作CT扫描平台，进行验证，并由临床医生配合进行最后校正及优化；最后形成最终版本的新型冠状病毒感染肺炎人工智能快速筛查***。
本发明的有益效果包括：
1.能够精准快速的筛查出疑似病例，减少患者在医院逗留时间，减少交叉感染的风险；
2.减少医务工作者的工作中存在的人为误差，提高诊断的精准率，并且缩减单次CT检查时间，提高工作效率；
3.CT检查较核酸检查在全国更为普及，受益人群更多，减少核酸检测的盲目使用率，使核酸检测面对的人群更加精准，减少医疗成本及时间成本。
4.形成统一的影像诊断标准，不受各地区医疗水平高低不齐的影响。
附图说明
图1是本发明的新型冠状病毒感染肺炎人工智能快速筛查***的流程示意图；
图2是本发明新型冠状病毒感染肺炎人工智能快速筛查***的最终版本形成的示意图；
图3和图4是具有典型特征的新型冠状病毒患者的CT影像图；
图5和6是新型冠状病毒患者早期的CT影像图；
图7-10是新型冠状病毒患者进展期的CT影像图；
图11-12是新型冠状病毒患者重症期的CT影像图；
图13是新型冠状病毒患者恢复期的CT影像图；
图14-16是其他病毒感染疾病患者的CT影像图。
具体实施方式
为了使本领域的技术人员更好地理解本发明方案，下面将结合本发明实施例中，对本发明实施例中的技术方案进行清楚、完整地描述。
新型冠状病毒(2019-nCoV)属于β属的冠状病毒，有包膜，颗粒呈圆形或椭圆形，常为多形性，直径60-140nm。其基因特征与SARSr-CoV和MERSr- CoV有明显区别，目前研究显示与蝙蝠SARS样冠状病毒(bat-SL-CoVZC45) 同源性达85％以上。体外分离培养时，2019-nCoV96个小时左右即可在人呼吸道上皮细胞内发现，而在Vero E6和Huh-7细胞系中分离培养需约6天。现基于流行病学调查，潜伏期1-14天，多为3-7天，主要临床表现为发热、乏力、干咳为主要症状，重症患者多在发病一周后出现呼吸困难和/或低氧血症。胸部影像学早期即可呈现多发小斑片影及间质改变，以肺外带明显。进而发展为双肺多发磨玻璃影、浸润影，严重者可出现肺实变，胸腔积液少见。影像学特征具备一定的特异性(如附图3和4所示)。
本发明将CT影像与人工智能***相结合，利用人工智能识别***迅速识别受检者胸部CT影像是否存在阳性病变，截取并导出阳性病变图像，整个识别过程仅需2～3秒并做出诊断，快速筛选可疑病例。极大地减少了人为操作识别误差，减低漏诊率，提高诊断效率。由于CT扫描全国范围内绝大部分医院都普及，受益人群更广，而且不受各地区医疗水平高低不齐的影响，容易形成诊断，统一标准。
图1示出了本发明的新型冠状病毒感染肺炎人工智能快速筛查***的示意图，所述***包括如下几个模块：数据库模块1、数据标记模块2、预处理模块 3、训练和学习模块4、人工智能网络模型5、新型冠状病毒感染肺炎人工智能识别模型6。其中，数据库模块1用于对预定数量的新型冠状病毒感染肺炎影像数据进行收集和存储；数据标记模块2用于对存储数据的影像特点进行分析、总结和标记；预处理模块3用于对数据库模块1内已标记的医学影像图像进行预处理；训练和学习模块4用于对预处理后的医学影像数据的一部分进行训练和学习；利用预处理后的训练图像对预定的人工智能网络模型5进行训练，可以得到新型冠状病毒感染肺炎人工智能识别模型6。
各模块按照图1所示的步骤进行工作：
步骤S102：利用数据库模块1对预定数量的新型冠状病毒感染肺炎影像数据进行收集和存储；然后利用数据标记模块2对上述存储数据的影像特点的标准化进行分析总结，对影像特点进行标记，这些标记包括：新型冠状病毒感染肺炎病灶标记区域、病灶特点；
其中，所述预定数量的新型冠状病毒(2019-nCoV)感染肺炎的影像数据中的每一张图像均包括：肺炎病灶标识区域。
步骤S104：利用预处理模块3对数据库模块1内已标记的医学影像图像进行预处理，处理标记之外的干扰区，得到处理后的医学影像图像，并且将预处理后的医学影像数据的一部分作为训练和学习模块4中的训练图像；
预处理包括：将所述预定数量的医学影像图像进行格式转换，得到所述预定数量的医学影像图像对应的灰度图；通过二值化处理方式对所述灰度图进行二值化处理，得到标准化的灰度图，同时对所述标准化的灰度图进行腐蚀和膨胀处理，以过滤掉所述标准化的图像中的干扰点，得到过滤后的灰度图。
利用卷积神经网络对所述预处理后的训练图像进行卷积化处理，得到卷积化处理结果；并将所述卷积化处理结果输入至区域候选网络，留待进行结果论证。
步骤S106：将训练图像输入到预定的人工智能网络模型5中，利用预处理后的训练图像对预定的人工智能网络模型5进行训练，得到新型冠状病毒感染肺炎人工智能识别初步模型6-1。
其中对所述预定数量的医学影像图像进行标记，标记的依据如下：
(1)如附图5和6所示，病变早期，多表现为肺内散在小片状，胸膜下分布或沿支气管树分布的局灶性磨玻璃密度、实变影。
早期CT表现：
病变局限，斑片状、亚段或节段性分布为主
胸膜下分布
GGO伴或不伴小叶间隔增厚
(2)如附图7-10所示，病变进展期，多数患者在发病8-14天达到肺部浸润最严重的阶段，磨玻璃密度影可融合成散在多发的实变影，其内可见充气支气管征。
进展期CT表现：
病变进展，病灶增多、范围扩大，累及多个肺叶
部分病灶变密实，GGO与实变影或条索影共存
少数出现少量胸腔积液
(3)如附图11-12所示，病变发展到重症期，少数患者在发病后期达到重症。
重症期CT表现：
双肺弥漫性病变，少数呈「白肺」表现
实变影为主，合并GGO，多伴条索影
空气支气管征
(4)如附图13所示，病变恢复期，以肺间质改变为主。部分可伴有纵隔内***肿大、胸腔积液与纵隔气肿等。
(5)如附图14-16所示，为其他病毒感染患者的CT影像图。新型冠状病毒的CT影像图还需要与其他疾病，尤其是与他病毒感染的CT影像图进行鉴别，从而提高新型冠状病毒感染肺炎的识别准确率。
其中主要与流感病毒、副流感病毒、腺病毒、呼吸道合胞病毒、鼻病毒、人偏肺病毒、SARS冠状病毒等其他已知病毒性肺炎鉴别，与肺炎支原体、衣原体肺炎及细菌性肺炎等鉴别。此外，还要与非感染性疾病，如血管炎、皮肌炎和机化性肺炎等鉴别。
图2是本发明新型冠状病毒感染肺炎人工智能快速筛查***最终版本形成的示意图。如图2所示，形成本发明的新型冠状病毒感染肺炎人工智能快速筛查***最终版本包括了如下的步骤：
(1)完成确诊病例CT原始数据收集：选取一定数量(例如100例)核酸检测为阳性患者不同发展时期的CT平扫原始图像作为原始数据，通过数据库模块1建立数据库，对数据进行收集和存储；
(2)利用数据标记模块2对CT成像数据进行标记；利用预处理模块3对 CT成像数据进行预处理，并且将预处理后的医学影像数据的一部分作为训练和学习模块4中的训练图像；利用所述训练图像对预定的人工智能网络模型5进行训练，
(3)形成新型冠状病毒感染肺炎人工智能识别初步模型6-1；
(4)导入新的预定数量(例如100例)患者的CT原始数据；
(5)对初步模型6-1进行校正，得到新型冠状病毒感染肺炎人工智能识别初步终版模型，初步形成人工智能快速筛查***；
(6)本发明的新型冠状病毒感染肺炎人工智能快速筛查***连接临床工作CT扫描平台，进行验证，并由临床医生配合进行最后校正及优化。
(7)最后形成最终版本的新型冠状病毒感染肺炎人工智能快速筛查***。
在临床应用中，通过实际的数据对本发明的初步模型进行多次校对和优化，形成的最终版本的新型冠状病毒感染肺炎人工智能快速筛查***，能够提高***的准确率。
可选地，对所述经过底层神经网络训练的新型冠状病毒感染肺炎人工智能识别模型进行专业验证，验证方法，选取预定量CT胸片，其中包括已确诊新型冠状病毒感染肺炎和其他病毒感人肺炎，通过训练好的新型冠状病毒感染肺炎人工智能识别模型阅片的准确率校验模型是否成功。当训练的新型冠状病毒感染肺炎人工智能识别模型对预定数量CT影像识别准确率超过90％时，我们既成功训练出新型冠状病毒感染肺炎人工智能识别模型。
可选的，在本发明实施例中，对预定数量的图像影像数据进行预处理，可以包括对新型冠状病毒感染肺炎CT特征提取和分类。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种新型冠状病毒感染肺炎人工智能快速筛查***，其特征在于，包括：
数据库模块(1)、数据标记模块(2)、预处理模块(3)、训练和学习模块(4)、人工智能网络模型(5)、新型冠状病毒感染肺炎人工智能识别模型(6)；
其中，数据库模块(1)用于对预定数量的新型冠状病毒感染肺炎影像数据进行收集和存储；
数据标记模块(2)用于对存储数据的影像特点进行分析、总结和标记；
预处理模块(3)用于对数据库模块(1)内已标记的医学影像图像进行预处理；
训练和学习模块(4)用于对预处理后的医学影像数据的一部分进行训练和学习；
利用预处理后的训练图像对预定的人工智能网络模型(5)进行训练，可以得到新型冠状病毒感染肺炎人工智能识别初步模型(6)。
2.根据权利要求1所述的新型冠状病毒感染肺炎人工智能快速筛查***，其特征在于，所述预定数量的新型冠状病毒感染肺炎的影像数据中的每一张图像均包括：肺炎病灶标识区域。
3.根据权利要求1所述的新型冠状病毒感染肺炎人工智能快速筛查***，其中预处理包括：将所述预定数量的医学影像图像进行格式转换，得到所述预定数量的医学影像图像对应的灰度图；通过二值化处理方式对所述灰度图进行二值化处理，得到标准化的灰度图，同时对所述标准化的灰度图进行腐蚀和膨胀处理，以过滤掉所述标准化的图像中的干扰点，得到过滤后的灰度图。
4.根据权利要求3所述的新型冠状病毒感染肺炎人工智能快速筛查***，其中所述预处理还包括：利用卷积神经网络对所述预处理后的训练图像进行卷积化处理，得到卷积化处理结果；并将所述卷积化处理结果输入至区域候选网络，进行结果论证。
5.根据权利要求4所述的新型冠状病毒感染肺炎人工智能快速筛查***，其进行结果论证的方法在于，对预定数量的肺部CT影像进行人工智能影像识别，当训练的新型冠状病毒感染肺炎人工智能识别模型对预定数量CT影像识别准确率超过90％时，我们既成功训练出新型冠状病毒感染肺炎人工智能识别终版模型。
6.根据权利要求1所述的新型冠状病毒感染肺炎人工智能快速筛查***，对预定数量的图像影像数据进行预处理，包括对新型冠状病毒感染肺炎CT特征提取和分类。
7.根据权利要求1所述的新型冠状病毒感染肺炎人工智能快速筛查***，其中所述标记的依据在于：
(1)病变早期，肺内散在小片状，胸膜下分布或沿支气管树分布的局灶性磨玻璃密度、实变影；
(2)病变进展期，病灶增多、范围扩大，累及多个肺叶，磨玻璃密度影可融合成散在多发的实变影，其内可见充气支气管征；
(3)病变重症期，双肺弥漫性病变，少数呈白肺表现；实变影为主，合并GGO，多伴条索影；空气支气管征；
(4)病变恢复期，以肺间质改变为主，部分伴有纵隔内***肿大、胸腔积液与纵隔气肿。
8.根据权利要求7所述的新型冠状病毒感染肺炎人工智能快速筛查***，其中所述标记需与其他疾病的CT影像图进行鉴别。
9.一种根据权利要求1-8任一所述的新型冠状病毒感染肺炎人工智能快速筛查***的操作方法，按照如下步骤进行：
步骤S102：利用数据库模块(1)对预定数量的新型冠状病毒感染肺炎影像数据进行收集和存储；然后利用数据标记模块(2)对上述存储数据的影像特点的标准化进行分析总结，对影像特点进行标记，这些标记包括：新型冠状病毒感染肺炎病灶标记区域、病灶特点；
步骤S104：利用预处理模块(3)对数据库模块(1)内已标记的医学影像图像进行预处理，处理标记之外的干扰区，得到处理后的医学影像图像，并且将预处理后的医学影像数据的一部分作为训练和学习模块(4)中的训练图像；
步骤S106：将训练图像输入到预定的人工智能网络模型(5)中，利用预处理后的训练图像对预定的人工智能网络模型(5)进行训练，得到新型冠状病毒感染肺炎人工智能识别初步模型(6-1)。
10.根据权利要求9所述的形成新型冠状病毒感染肺炎人工智能快速筛查***的方法，包括：
在步骤S106之后，导入新的预定数量患者的CT原始数据；
对所述初步模型(6-1)进行校正，得到新型冠状病毒感染肺炎人工智能识别终版模型，初步形成人工智能快速筛查***；
将所述新型冠状病毒感染肺炎人工智能快速筛查***连接临床工作CT扫描平台，进行验证，并由临床医生配合进行最后校正及优化；
形成最终版本的新型冠状病毒感染肺炎人工智能快速筛查***。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010083930.3A CN112349425A (zh) | 2020-02-10 | 2020-02-10 | 新型冠状病毒感染肺炎人工智能快速筛查*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010083930.3A CN112349425A (zh) | 2020-02-10 | 2020-02-10 | 新型冠状病毒感染肺炎人工智能快速筛查*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112349425A true CN112349425A (zh) | 2021-02-09 |
Family
ID=74357148
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010083930.3A Pending CN112349425A (zh) | 2020-02-10 | 2020-02-10 | 新型冠状病毒感染肺炎人工智能快速筛查*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112349425A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060218010A1 (en) * | 2004-10-18 | 2006-09-28 | Bioveris Corporation | Systems and methods for obtaining, storing, processing and utilizing immunologic information of individuals and populations |
| CN102460471A (zh) * | 2009-06-19 | 2012-05-16 | 美国医软科技公司 | 用于胸腔层析x射线合成成像中的计算机辅助肺结节检测的*** |
| CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及*** |
| CN107910061A (zh) * | 2017-12-01 | 2018-04-13 | 中南大学 | 一种医疗数据处理方法及*** |
| CN108520778A (zh) * | 2018-04-20 | 2018-09-11 | 中日友好医院 | 一种基于大数据的肺癌筛查***及方法 |
| CN108776962A (zh) * | 2018-04-11 | 2018-11-09 | 浙江师范大学 | 一种构建肺肿瘤良恶性预测模型的方法 |
| CN108898593A (zh) * | 2018-06-25 | 2018-11-27 | 重庆知遨科技有限公司 | 一种基于腹部ct医学图像融合分类的检测方法 |
| CN108985345A (zh) * | 2018-06-25 | 2018-12-11 | 重庆知遨科技有限公司 | 一种基于肺部医学图像融合分类的检测装置 |
| CN109117713A (zh) * | 2018-06-27 | 2019-01-01 | 淮阴工学院 | 一种全卷积神经网络的图纸版面分析与文字识别方法 |
| CN110504027A (zh) * | 2019-08-20 | 2019-11-26 | 东北大学 | 一种基于深度学习的X-Ray胸片肺炎智能诊断***与方法 |
| KR20190134586A (ko) * | 2019-11-28 | 2019-12-04 | 연세대학교 산학협력단 | 질환 예측 방법 및 이를 이용한 질환 예측 디바이스 |
| CN110619947A (zh) * | 2019-09-19 | 2019-12-27 | 南京工程学院 | 基于轻量级深度学习的肺部ct辅助筛查***及筛查方法 |
| US20210042916A1 (en) * | 2018-02-07 | 2021-02-11 | Ai Technologies Inc. | Deep learning-based diagnosis and referral of diseases and disorders |
-
2020
- 2020-02-10 CN CN202010083930.3A patent/CN112349425A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060218010A1 (en) * | 2004-10-18 | 2006-09-28 | Bioveris Corporation | Systems and methods for obtaining, storing, processing and utilizing immunologic information of individuals and populations |
| CN102460471A (zh) * | 2009-06-19 | 2012-05-16 | 美国医软科技公司 | 用于胸腔层析x射线合成成像中的计算机辅助肺结节检测的*** |
| CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及*** |
| CN107910061A (zh) * | 2017-12-01 | 2018-04-13 | 中南大学 | 一种医疗数据处理方法及*** |
| US20210042916A1 (en) * | 2018-02-07 | 2021-02-11 | Ai Technologies Inc. | Deep learning-based diagnosis and referral of diseases and disorders |
| CN108776962A (zh) * | 2018-04-11 | 2018-11-09 | 浙江师范大学 | 一种构建肺肿瘤良恶性预测模型的方法 |
| CN108520778A (zh) * | 2018-04-20 | 2018-09-11 | 中日友好医院 | 一种基于大数据的肺癌筛查***及方法 |
| CN108898593A (zh) * | 2018-06-25 | 2018-11-27 | 重庆知遨科技有限公司 | 一种基于腹部ct医学图像融合分类的检测方法 |
| CN108985345A (zh) * | 2018-06-25 | 2018-12-11 | 重庆知遨科技有限公司 | 一种基于肺部医学图像融合分类的检测装置 |
| CN109117713A (zh) * | 2018-06-27 | 2019-01-01 | 淮阴工学院 | 一种全卷积神经网络的图纸版面分析与文字识别方法 |
| CN110504027A (zh) * | 2019-08-20 | 2019-11-26 | 东北大学 | 一种基于深度学习的X-Ray胸片肺炎智能诊断***与方法 |
| CN110619947A (zh) * | 2019-09-19 | 2019-12-27 | 南京工程学院 | 基于轻量级深度学习的肺部ct辅助筛查***及筛查方法 |
| KR20190134586A (ko) * | 2019-11-28 | 2019-12-04 | 연세대학교 산학협력단 | 질환 예측 방법 및 이를 이용한 질환 예측 디바이스 |
Non-Patent Citations (1)
| Title |
|---|
| 管汉雄等: "新型冠状病毒肺炎（COVID-19）临床影像学特征", 《放射学实践》, vol. 35, no. 2, 3 February 2020 (2020-02-03), pages 125 - 130 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670510B (zh) | 一种基于深度学习的胃镜活检病理数据筛查*** | |
| CN112365464B (zh) | 一种基于gan的医学图像病变区域弱监督定位方法 | |
| CN111882560B (zh) | 一种基于加权全卷积神经网络的肺实质ct图像分割方法 | |
| CN110991536B (zh) | 原发性肝癌的早期预警模型的训练方法 | |
| CN111340130A (zh) | 一种基于深度学习和影像组学的泌尿结石检测分类方法 | |
| CN110097974A (zh) | 一种基于深度学习算法的鼻咽癌远端转移预测*** | |
| CN109727260A (zh) | 一种基于ct影像的三维肺叶分割方法 | |
| CN110584618A (zh) | 基于人工智能的传染病机器识别*** | |
| CN111862075A (zh) | 一种基于深度学习的肺部图像分析***及其分析方法 | |
| CN111833330B (zh) | 基于影像与机器嗅觉融合的肺癌智能检测方法及*** | |
| CN111462201A (zh) | 基于新型冠状病毒肺炎ct影像的随访分析***及方法 | |
| CN109117871A (zh) | 一种通过深度学习获取肺部病灶恶性概率的***和方法 | |
| CN112116571A (zh) | 一种基于弱监督学习的x光肺部疾病自动定位方法 | |
| CN113160974A (zh) | 一种基于超图聚类的精神疾病生物型发掘方法 | |
| CN113314215A (zh) | 超声甲状腺结节样例丰富及良恶性自动辅助识别*** | |
| CN113011257A (zh) | 一种乳腺癌免疫组化人工智能判读方法 | |
| CN116072302A (zh) | 基于有偏随机森林模型的医疗不平衡数据分类方法 | |
| CN113033667B (zh) | 一种超声图像两阶段深度学习的乳腺肿瘤分类方法和装置 | |
| CN113706518A (zh) | 一种基于人工智能的股骨头坏死分期分析方法及*** | |
| CN115705928A (zh) | 基于细胞增殖标志物的tc患病风险预测建模方法 | |
| CN112349425A (zh) | 新型冠状病毒感染肺炎人工智能快速筛查*** | |
| CN111507964B (zh) | 新冠肺炎的集成学习定级方法、电子设备及存储介质 | |
| CN112489022A (zh) | 基于放射组学的covid-19快速特征提取***及快速诊断***及病程预测*** | |
| CN110334748A (zh) | 基于d-s证据理论进行多组学数据集成的癌症亚型分类方法 | |
| CN113610807B (zh) | 基于弱监督多任务学习的新冠肺炎分割方法 |
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 |