CN117011892A - 一种基于深度学习的超声图像自动分析与诊断*** - Google Patents
一种基于深度学习的超声图像自动分析与诊断*** Download PDFInfo
- Publication number
- CN117011892A CN117011892A CN202311107057.7A CN202311107057A CN117011892A CN 117011892 A CN117011892 A CN 117011892A CN 202311107057 A CN202311107057 A CN 202311107057A CN 117011892 A CN117011892 A CN 117011892A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- deep learning
- diagnosis
- ultrasonic
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 53
- 238000013135 deep learning Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000013136 deep learning model Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000010191 image analysis Methods 0.000 claims abstract description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 50
- 201000010099 disease Diseases 0.000 claims description 36
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 19
- 238000002604 ultrasonography Methods 0.000 claims description 18
- 208000035475 disorder Diseases 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 208000030090 Acute Disease Diseases 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000017531 blood circulation Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000003902 lesion Effects 0.000 claims description 4
- 206010061218 Inflammation Diseases 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 208000015181 infectious disease Diseases 0.000 claims description 3
- 230000004054 inflammatory process Effects 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 8
- 239000000523 sample Substances 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010033372 Pain and discomfort Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—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; CALCULATING OR 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Human Computer Interaction (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了超声图像分析技术领域的一种基于深度学习的超声图像自动分析与诊断***，包括图像采集模块、数据预处理模块、深度学习模块、特征提取训练模块、分类及预测模块、验证模块、诊断模块和医生辅助模块；图像采集模块；数据预处理模块；深度学习模块，用于选择适当的深度学习模型，设计模型的结构；特征提取训练模块，用于使用深度学习模型对预处理后的超声图像进行特征提取；分类及预测模块；验证模块，用于对***进行验证和评估；诊断模块，用于在训练完成后，提供相应的诊断结果或建议；医生辅助模块。本***简单易操作，通过利用深度学习技术能够实现快速处理图像数据，并自动分析且可以在较短的时间内生成诊断结果。
Description
技术领域
本发明属于超声图像分析技术领域，具体是一种基于深度学习的超声图像自动分析与诊断***。
背景技术
一直以来，在医疗领域中，利用超声波图像的超声波诊断装置已经实用化。通常，超声波诊断装置具备有内置振子阵列的超声波探头及与超声波探头连接的装置主体，从超声波探头向受检体发送超声波束，并由超声波探头接收来自受检体的超声回波，通过对该接收信号进行电处理而生成超声波图像。
深度学习是机器学习领域的一个分支，其核心思想是通过构建和训练多层神经网络来模拟和学习数据的复杂表示。深度学习的主要特点是可以自动地从数据中学习特征和模式，无需手动设计特征提取器。利用深度学习对产生图像进行分析并诊断有许多好处，特别是在医疗、工业、军事等领域。由此深度学习模型能够学习从大量数据中提取特征，从而实现高度精确的图像分析和诊断。在医疗领域，深度学习在医学影像(如X射线、MRI、CT扫描)中的应用已经取得了很大的成功，可以帮助医生更准确地诊断疾病，并且随着超声图像数据的不断增长，传统方法可能无法有效处理大规模图像数据。深度学习模型可以通过并行处理和分布式计算，更好地处理大规模数据集。为此有必要提出一种基于深度学习的超声图像自动分析与诊断***。
发明内容
本发明的目的是提供一种基于深度学习的超声图像自动分析与诊断***，利用深度学习技术实现快速处理图像数据，并自动分析且可以在较短的时间内生成诊断结果。
为了实现上述目的，本发明的技术方案如下：一种基于深度学习的超声图像自动分析与诊断***，包括图像采集模块、数据预处理模块、深度学习模块、特征提取训练模块、分类及预测模块、验证模块、诊断模块和医生辅助模块；
图像采集模块，用于采集超声图像数据，包括正常和异常情况下的图像；
数据预处理模块，用于采集的超声图像进行预处理，包括去噪、标准化和图像增强操作；
深度学习模块，用于选择适当的深度学习模型，设计模型的结构；
特征提取训练模块，用于使用深度学习模型对预处理后的超声图像进行特征提取，将提取的特征输入到深度学习模型中进行训练；
分类及预测模块，用于根据学到的特征和模式判断图像中是否存在异常或病变，并输出相应的预测结果；
验证模块，用于对***进行验证和评估，使用测试集或实际临床数据进行验证，评估***的准确性、灵敏度和特异性；
诊断模块，用于在训练完成后，部署深度学习模型到实际的超声图像分析***中，当新的超声图像输入时，***会自动提取特征并通过已训练好的模型进行分类或预测，并根据模型的输出，***提示是否存在异常情况，并提供相应的诊断结果或建议；
医生辅助模块，用于接收诊断结果，且该结果作为医生的辅助工具，医生根据此预测提供诊断建议。
基础方案的原理是：首先利用图像采集模块采集超声设备进行采集的超声图像，然后数据预处理模块对采集的超声图像进行预处理，例如去噪、标准化和图像增强，以提高深度学习模型的性能，然后深度学习模块选择合适的深度学习模型，并设计模型的结构，特征提取训练模块则使用深度学习模型对预处理后的超声图像进行特征提取，使用标注好的数据集对模型进行训练，以便它能够学习从图像中提取特征并进行诊断预测，分类及预测模块对预测结果进行分类和初步预测是否为异常情况，验证模块对模型进行优化和验证，进而增加稳定性，诊断模块则在后续进行实际的自动终端时，将超声图像输入，***会自动提取特征并通过已训练好的模型进行分类或预测，医生辅助模块，则是医生结合***的诊断结果再一次对此进行诊断，以实现对病症的诊断。
基础方案的有益效果是：1、通过该***的设计，深度学习模型能够从大量数据中学习图像特征和模式，从而能够在超声图像中识别出微小的、难以察觉的特征。这可以帮助医生更准确地检测和诊断病变，减少漏诊和误诊的可能性，并且由于深度学习模型是基于数据驱动的，因此它们可以在标准化的流程下进行分析。这有助于减少人为误差和主观因素，使诊断过程更加一致和可重复；
2、医生通常需要耗费大量时间来分析和解释超声图像。自动分析***可以大大减轻医生的工作负担，使他们能够更专注于复杂的案例和临床决策；并且由于深度学习模型能够快速处理图像数据，自动分析***可以在较短的时间内生成诊断结果。这对于急诊情况和大量患者的情况特别有用；
3、自动分析***不仅可以提供诊断结果，还可以提供支持性信息，如图像中的关键结构、特征和异常。这有助于医生更好地理解患者的情况，做出更明智的治疗计划。
进一步，图像采集模块包括病症分类单元和等级区别单元；
病症分类单元，用于对所采集的异常情况下的超声图像进行初步病症分类，包括异常结构或器官、异常血流、炎症或感染、结构畸形和液体积聚；
等级区别单元，用于采集病症分类单元处的病种分类信息，并根据对应的病症进行分级，包括紧急级、缓和级和轻微级，其中紧急级主要指重大紧急疾病，缓和级主要指疾病严重且不是急病类病症，轻微级主要指较轻微疾病且不是急病类病症。
基础方案的有益效果是：首先利用病症分类单元对采集的异常情况下的超声图像进行分类，进而能够对不同病症进行快速的定位和归类，同时等级区别单元能够对不同类的病症进行等级分类，进而使不同紧急状况的病症优先被分类，进而传至下一级；
由此通过对超声图像进行自动分类，可以减少医生在大量图像上进行手动分析和诊断的时间。***能够快速而准确地识别和分类病症，帮助医生更高效地进行初步筛查和诊断；医生在快速阅读大量超声图像时，预先分类***可以过滤掉不太可能的病症，使医生能够更集中地关注可能性更高的病例，从而提高工作效率。
进一步，还包括判断优先模块，判断优先模块用于采集等级区别单元处的等级信息，并将需紧急救治的紧急级类疾病传送至医生辅助模块处，医生辅助模块根据等级分类和结合预测结果，并优先对预测出的紧急级病症进行医治。
基础方案的有益效果是：急病通常需要立即的医疗干预，延误可能导致生命危险。通过优先诊断急病，***可以帮助医生更快速地发现临床上需要紧急处理的病例，从而有可能挽救患者的生命；急病需要更紧急的处理，因此***优先处理这些病例可以使医疗资源得到更好的分配。这可以确保紧急病例得到迅速的关注，同时避免资源浪费；同时对于急病患者来说，早期诊断和干预可以减轻他们的痛苦和不适。自动分析***可以帮助在最短时间内获得准确的诊断结果，从而减少不必要的等待和焦虑。
进一步，还包括库存管理模块，库存管理模块用于采集此时待进行预测的患者超声图像量，并对库存量进行管理；
当库存量大于医生一天处理量的三倍以上时，库存管理模块将该信息传送至判断优先模块处，判断优先模块启动紧急级优先进行治疗的指令；
当库存量小于医生一天处理量的一倍以上时，库存管理模块将该信息传送至判断优先模块处，判断优先模块则不启动紧急级优先进行治疗的指令，库存内的预测单按照原本顺序进行依次诊断治疗。
基础方案的有益效果是：通过对库存量进行管理，一方面可以使紧急病症的诊断放在优先级较高的位置，可以确保这些病例得到及时诊断和治疗，最大程度地减少等待时间，另一方面可结合医院的实际患者量，进而判断是否需进行插队诊断操作，进而实现合理的诊断次序。
进一步，还包括超声图像采集模块，超声图像采集模块用于利用超声技术采集不同患者不同部位处的不同超声图像。
基础方案的有益效果是：超声图像采集模块实现了对患者各部位进行超声图像采集，并将所采集的图片传送至***内。
进一步，还包括目标图像确定模块、图像增强模块和图像放大模块；
目标图像确定模块，用于对原始超声成像的图像进行病灶区域定位，并确定该区域为主要处理区域；
图像增强模块，用于对主要处理区域中的超声图像进行增强处理，增强过程为将主要处理区域中的超声图像的每个像素点进行高频方向分解，并得到每个像素点在不同方向上的分量，并将分量组合成对应的分量图像，将分量图像进行锐化，将锐化后的分量图像与主要处理区域中的超声图像进行像素叠加，得到增强后的超声图像；
图像放大模块，用于对增强后的图像进行方法处理并得到目标处理超声图像。
基础方案的有益效果是：1、通过确定图像中的目标区域，***可以减少处理的范围，从而加快整个处理流程，且对于不包含有用信息的图像区域，可以避免不必要的计算和分析，节省计算资源和时间，同时不同病症可能在图像中呈现不同的位置和特征，目标图像确定模块可以自适应地确定合适的目标区域；
2、图像增强技术可以改善图像的对比度、清晰度和细节，使医生更容易识别和分析图像中的结构，超声图像常常受到噪声的影响，图像增强可以帮助降低噪声的影响，提高图像的清晰度，并且图像增强可以标准化图像的外观，减少不同设备和条件下图像的差异，使分析更一致；
3、超声图像中的微小细节对于诊断很重要，图像放大可以使这些细节更清晰可见，有助于医生分析，且放大图像可以使医生更仔细地观察图像中的细节，从而提高诊断的准确性和信心。
进一步，还包括图像识别模块，图像识别模块用于对图像进行初步识别其是否清晰，拍摄的图像是否合理完善。
基础方案的有益效果是：通过图像识别模块的设计，能够及时的检查到此时的图像是否清晰，是否合理，进而为后续的分析与诊断提供一定的基础。
进一步，还包括图像判断模块和图像调整模块；
图像判断模块，用于对所拍摄的图像进行识别判断其产生不清晰的原因，包括光线不足、视角不准确、设备产生倾斜或设备功能出现问题；
图像调整模块，用于根据图像判断模块处所识别的问题，发出对应的调整指令。
基础方案的有益效果是：图像判断模块则对图像识别模块处所识别处的具有不清晰情况的图像进行分析和判断是什么原因导致的该图像的不清晰，进而输出对应的判断信息，由此图像调整模块则根据问题原因发出对应的调整指令，例如是光线不足的话，便提示操作人员此时光线不足，需增加光线再进行重新拍照。
附图说明
图1为本发明实施例中基于深度学习的超声图像自动分析与诊断***的***示意图。
图2为图1中的超声图像采集模块示意图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例1
基本如附图1和图2所示：一种基于深度学习的超声图像自动分析与诊断***，包括超声图像采集模块、图像采集模块、数据预处理模块、深度学习模块、特征提取训练模块、分类及预测模块、验证模块、诊断模块和医生辅助模块；
超声图像采集模块，用于利用超声技术采集不同患者不同部位处的不同超声图像；
图像采集模块，用于采集超声图像数据，包括正常和异常情况下的图像；
数据预处理模块，用于采集的超声图像进行预处理，包括去噪、标准化和图像增强操作；
深度学习模块，用于选择适当的深度学习模型，设计模型的结构；
特征提取训练模块，用于使用深度学习模型对预处理后的超声图像进行特征提取，将提取的特征输入到深度学习模型中进行训练；
分类及预测模块，用于根据学到的特征和模式判断图像中是否存在异常或病变，并输出相应的预测结果；
验证模块，用于对***进行验证和评估，使用测试集或实际临床数据进行验证，评估***的准确性、灵敏度和特异性；
诊断模块，用于在训练完成后，部署深度学习模型到实际的超声图像分析***中，当新的超声图像输入时，***会自动提取特征并通过已训练好的模型进行分类或预测，并根据模型的输出，***提示是否存在异常情况，并提供相应的诊断结果或建议；
医生辅助模块，用于接收诊断结果，且该结果作为医生的辅助工具，医生根据此预测提供诊断建议。
具体实施过程如下：首先利用超声图像采集模块进行采集图像，然后利用图像采集模块采集超声设备进行采集的超声图像，数据预处理模块对采集的超声图像进行预处理，深度学习模块选择合适的深度学习模型，例如卷积神经网络(CNN)或自注意力模型，并设计模型的结构，特征提取训练模块则使用深度学习模型对预处理后的超声图像进行特征提取，使用标注好的数据集对模型进行训练，以便它能够学习从图像中提取特征并进行诊断预测，分类及预测模块对预测结果进行分类和初步预测是否为异常情况，验证模块使用验证集评估模型的性能，并根据验证结果对模型进行优化。可能需要调整超参数、网络架构或数据增强策略来提高模型的泛化能力和稳定性，诊断模块将训练好的模型用于自动分析新的超声图像。输入图像后，模型会提取特征并预测可能的诊断结果。这些结果可以是疾病的概率、定量测量或分类标签，医生辅助模块，则是医生结合***的诊断结果再一次对此进行诊断。
实施例2
与上述实施例不同之处在于，图像采集模块包括病症分类单元和等级区别单元；
病症分类单元，用于对所采集的异常情况下的超声图像进行初步病症分类，包括异常结构或器官、异常血流、炎症或感染、结构畸形和液体积聚；
等级区别单元，用于采集病症分类单元处的病种分类信息，并根据对应的病症进行分级，包括紧急级、缓和级和轻微级，其中紧急级主要指重大紧急疾病，缓和级主要指疾病严重且不是急病类病症，轻微级主要指较轻微疾病且不是急病类病症。
具体实施过程如下：病症分类单元对采集的异常情况下的超声图像进行分类，进而能够对不同病症进行快速的定位和归类，同时等级区别单元能够对不同类的病症进行等级分类，进而使不同紧急状况的病症优先被分类，进而传至下一级。例如病症为异常血流时，血管堵塞的情况时，改为较为紧急的病症，需优先进行治疗。
实施例3
与上述实施例不同之处在于，还包括判断优先模块和库存管理模块；
判断优先模块，用于采集等级区别单元处的等级信息，并将需紧急救治的紧急级类疾病传送至医生辅助模块处，医生辅助模块根据等级分类和结合预测结果，并优先对预测出的紧急级病症进行医治；
库存管理模块，用于采集此时待进行预测的患者超声图像量，并对库存量进行管理；
当库存量大于医生一天处理量的三倍以上时，库存管理模块将该信息传送至判断优先模块处，判断优先模块启动紧急级优先进行治疗的指令；
当库存量小于医生一天处理量的一倍以上时，库存管理模块将该信息传送至判断优先模块处，判断优先模块则不启动紧急级优先进行治疗的指令，库存内的预测单按照原本顺序进行依次诊断治疗。
具体实施过程如下：首先判断优先模块对等级区别单元处的等级信息的进行采集，并初步判断应该进行优选终端的患者图像，同时库存管理模块此时则将库存信息传送至判断优先模块针对此时的库存量信息，进行对应的诊断次序调整，进而实现医院资源的充分有效的利用和照顾不同患者的个性化病症。
实施例4
与上述实施例不同之处在于，还包括目标图像确定模块、图像增强模块和图像放大模块；
目标图像确定模块，用于对原始超声成像的图像进行病灶区域定位，并确定该区域为主要处理区域；
图像增强模块，用于对主要处理区域中的超声图像进行增强处理，增强过程为将主要处理区域中的超声图像的每个像素点进行高频方向分解，并得到每个像素点在不同方向上的分量，并将分量组合成对应的分量图像，将分量图像进行锐化，将锐化后的分量图像与主要处理区域中的超声图像进行像素叠加，得到增强后的超声图像；
图像放大模块，用于对增强后的图像进行方法处理并得到目标处理超声图像。
具体实施过程如下：通过目标图像确定模块、图像增强模块和图像放大模块，能够依次的对超声图像进行定位主要病症目标地，并对主要病症目标地进行较为强化，从而能够便于医生快速的对主要病症地进行观察和诊断。
实施例5
与上述实施例不同之处在于，还包括图像识别模块、图像判断模块和图像调整模块；
图像识别模块，用于对图像进行初步识别其是否清晰，拍摄的图像是否合理完善；
图像判断模块，用于对所拍摄的图像进行识别判断其产生不清晰的原因，包括光线不足、视角不准确、设备产生倾斜或设备功能出现问题；
图像调整模块，用于根据图像判断模块处所识别的问题，发出对应的调整指令。
具体实施过程如下：在利用超声设备进行拍照时，在环境的限制下，可能具有多种多样的情况，由此图像识别模块能够首先对所拍摄的图片识别是否清晰和完善，同时图像判断模块能够对产生异常的进行识别，进而判断出此时导致图像不够清晰的原因，例如出现图片的拍摄角度呈倾斜，进而导致未能较好观察时，图像调整模块接收对应的信息，并发出调整超声设备角度的指令，工作人员则对超声设备进行调节，进而使后续拍摄的图像足够清晰。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.一种基于深度学习的超声图像自动分析与诊断***，其特征在于：包括图像采集模块、数据预处理模块、深度学习模块、特征提取训练模块、分类及预测模块、验证模块、诊断模块和医生辅助模块；
图像采集模块，用于采集超声图像数据，包括正常和异常情况下的图像；
数据预处理模块，用于采集的超声图像进行预处理，包括去噪、标准化和图像增强操作；
深度学习模块，用于选择适当的深度学习模型，设计模型的结构；
特征提取训练模块，用于使用深度学习模型对预处理后的超声图像进行特征提取，将提取的特征输入到深度学习模型中进行训练；
分类及预测模块，用于根据学到的特征和模式判断图像中是否存在异常或病变，并输出相应的预测结果；
验证模块，用于对***进行验证和评估，使用测试集或实际临床数据进行验证，评估***的准确性、灵敏度和特异性；
诊断模块，用于在训练完成后，部署深度学习模型到实际的超声图像分析***中，当新的超声图像输入时，***会自动提取特征并通过已训练好的模型进行分类或预测，并根据模型的输出，***提示是否存在异常情况，并提供相应的诊断结果或建议；
医生辅助模块，用于接收诊断结果，且该结果作为医生的辅助工具，医生根据此预测提供诊断建议。
2.根据权利要求1所述的基于深度学习的超声图像自动分析与诊断***，其特征在于：图像采集模块包括病症分类单元和等级区别单元；
病症分类单元，用于对所采集的异常情况下的超声图像进行初步病症分类，包括异常结构或器官、异常血流、炎症或感染、结构畸形和液体积聚；
等级区别单元，用于采集病症分类单元处的病种分类信息，并根据对应的病症进行分级，包括紧急级、缓和级和轻微级，其中紧急级主要指重大紧急疾病，缓和级主要指疾病严重且不是急病类病症，轻微级主要指较轻微疾病且不是急病类病症。
3.根据权利要求2所述的基于深度学习的超声图像自动分析与诊断***，其特征在于：还包括判断优先模块，判断优先模块用于采集等级区别单元处的等级信息，并将需紧急救治的紧急级类疾病传送至医生辅助模块处，医生辅助模块根据等级分类和结合预测结果，并优先对预测出的紧急级病症进行医治。
4.根据权利要求3所述的基于深度学习的超声图像自动分析与诊断***，其特征在于：还包括库存管理模块，库存管理模块用于采集此时待进行预测的患者超声图像量，并对库存量进行管理；
当库存量大于医生一天处理量的三倍以上时，库存管理模块将该信息传送至判断优先模块处，判断优先模块启动紧急级优先进行治疗的指令；
当库存量小于医生一天处理量的一倍以上时，库存管理模块将该信息传送至判断优先模块处，判断优先模块则不启动紧急级优先进行治疗的指令，库存内的预测单按照原本顺序进行依次诊断治疗。
5.根据权利要求4所述的基于深度学习的超声图像自动分析与诊断***，其特征在于：还包括超声图像采集模块，超声图像采集模块用于利用超声技术采集不同患者不同部位处的不同超声图像。
6.根据权利要求5所述的基于深度学习的超声图像自动分析与诊断***，其特征在于：还包括目标图像确定模块、图像增强模块和图像放大模块；
目标图像确定模块，用于对原始超声成像的图像进行病灶区域定位，并确定该区域为主要处理区域；
图像增强模块，用于对主要处理区域中的超声图像进行增强处理，增强过程为将主要处理区域中的超声图像的每个像素点进行高频方向分解，并得到每个像素点在不同方向上的分量，并将分量组合成对应的分量图像，将分量图像进行锐化，将锐化后的分量图像与主要处理区域中的超声图像进行像素叠加，得到增强后的超声图像；
图像放大模块，用于对增强后的图像进行方法处理并得到目标处理超声图像。
7.根据权利要求6所述的基于深度学习的超声图像自动分析与诊断***，其特征在于：还包括图像识别模块，图像识别模块用于对图像进行初步识别其是否清晰，拍摄的图像是否合理完善。
8.根据权利要求7所述的基于深度学习的超声图像自动分析与诊断***，其特征在于：还包括图像判断模块和图像调整模块；
图像判断模块，用于对所拍摄的图像进行识别判断其产生不清晰的原因，包括光线不足、视角不准确、设备产生倾斜或设备功能出现问题；
图像调整模块，用于根据图像判断模块处所识别的问题，发出对应的调整指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311107057.7A CN117011892A (zh) | 2023-08-30 | 2023-08-30 | 一种基于深度学习的超声图像自动分析与诊断*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311107057.7A CN117011892A (zh) | 2023-08-30 | 2023-08-30 | 一种基于深度学习的超声图像自动分析与诊断*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117011892A true CN117011892A (zh) | 2023-11-07 |
Family
ID=88571043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311107057.7A Pending CN117011892A (zh) | 2023-08-30 | 2023-08-30 | 一种基于深度学习的超声图像自动分析与诊断*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117011892A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117994255A (zh) * | 2024-04-03 | 2024-05-07 | 中国人民解放军总医院第六医学中心 | 基于深度学习的肛裂检测*** |
-
2023
- 2023-08-30 CN CN202311107057.7A patent/CN117011892A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117994255A (zh) * | 2024-04-03 | 2024-05-07 | 中国人民解放军总医院第六医学中心 | 基于深度学习的肛裂检测*** |
| CN117994255B (zh) * | 2024-04-03 | 2024-06-07 | 中国人民解放军总医院第六医学中心 | 基于深度学习的肛裂检测*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110060774B (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
| CN109190540B (zh) | 活检区域预测方法、图像识别方法、装置和存储介质 | |
| WO2021093448A1 (zh) | 图像处理方法、装置、服务器、医疗图像处理设备及存储介质 | |
| AU2004252917B2 (en) | CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system | |
| CN109948719B (zh) | 一种基于残差密集模块网络结构的眼底图像质量自动分类方法 | |
| CN109117890B (zh) | 一种图像分类方法、装置和存储介质 | |
| CN106909778A (zh) | 一种基于深度学习的多模态医学影像识别方法及装置 | |
| CN111524580B (zh) | 一种基于神经网络的病毒筛查与防疫***及方法 | |
| KR102155381B1 (ko) | 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 판단방법, 장치 및 소프트웨어 프로그램 | |
| CN110991536B (zh) | 原发性肝癌的早期预警模型的训练方法 | |
| KR102531400B1 (ko) | 인공 지능 기반 대장 내시경 영상 진단 보조 시스템 및 방법 | |
| CN117011892A (zh) | 一种基于深度学习的超声图像自动分析与诊断*** | |
| CN112802000A (zh) | 多模态医学影像智能辅助诊疗*** | |
| CN116758038A (zh) | 基于训练网络的婴幼儿视网膜疾病信息识别方法及*** | |
| CN117322865B (zh) | 基于深度学习的颞下颌关节盘移位mri检查诊断*** | |
| KR102536369B1 (ko) | 인공 지능 기반 위 내시경 영상 진단 보조 시스템 및 방법 | |
| CN113284613A (zh) | 一种基于深度学习的人脸诊断*** | |
| CN209770401U (zh) | 医学图像快速分析处理*** | |
| KR20210033902A (ko) | 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 진단방법, 장치 및 소프트웨어 프로그램 | |
| CN111540442A (zh) | 基于计算机视觉的医学图像诊断调度管理*** | |
| CN110827275A (zh) | 基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法 | |
| CN115035086A (zh) | 一种基于深度学习的结核皮试智能筛查分析方法和装置 | |
| KR102360615B1 (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
| CN113796850A (zh) | 甲状旁腺mibi图像分析***、计算机设备及存储介质 | |
| CN101632604A (zh) | 用于确定涉及患者***的参数的方法和装置 |
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 |