[发明专利]一种医学图像诊断方法

说明书

本发明提供了一种医学图像诊断方法，包括以下步骤：采集医学图像‑医学图像预处理‑分级分析‑获取精准医学图像‑对比评估。本发明使用二重卷积神经网络对医学图像进行分批次勾画，可以广泛应用于较小的图像数据集，降低计算资源的消耗并且获得非常高的准确性；采用现场可编辑门阵列(FPGA)实现本医学诊断工具的整体设计，其目的在于FPGA的功耗较低，符合节能减排的绿色经济发展理念；用不同疾病种类、不同区域人群和不同医学技术设备的医学图像来获取对应的二级神经网络模型参数，极大方便了医生的使用，提升了诊断效果；基于FPGA的神经网络计算单元经济造价低，适用于综合性医院的各科室，又方便应用于乡镇级医疗机构。

技术领域

本发明涉及一种医学图像诊断方法，属于人工智能、医学图像处理及定制化计算交叉技术领域。

背景技术

医学图像是诊断疾病的重要工具，然而，现阶段对医学图像还缺乏可靠的定量分析工具，大部分的医疗诊断依然依赖医生的经验及人为判断。因此，一种精准可靠的自动化医学图像定量分析的方法和工具是迫切需要的。然而，要实现自动化定量分析，首先要实现的就是医学图像中的器官及组织的轮廓勾画。在这方面，目前主流的方法包括传统的轮廓寻找法和机器学习法。

传统轮廓勾画法又包括Active Contour Selection(ACS)，离散主动轮廓，先验经验，level sets等方法。ACS整个过程由三部分组成：首先，轮廓将通过滤波器和形态学操作进行估计；其次，使用generic算法找到轮廓的最优解；最后，求解的轮廓将被用于下次的轮廓勾画。离散主动轮廓方法采用统计外部参数进而对医学图像进行分割，基于先验经验的分割方法可以提高特征内的同质性，帮助改善分割过程；Level sets则是另一种用来代替ACS的方法，它也广泛用于医学图像识别，Level sets方法主要是基于平均强度梯度，其结果只能进行定性分析。

对于某些重要器官,例如心脏，为了更好的监测其功能，需要在整个心脏周期内分析超声心动图，心脏病专家利用医学图像可以更加准确和方便地做出决定。因此，越来越多的研究人员将心脏图像分割视为时空问题利用Deriche边缘检测器的时空定位方法可以追踪心脏轮廓，但这种方法在临床实践中尚未得到充分验证，所以研究者又提出了一种基于局部相位的方法来进行时空心内膜轮廓检测，局部相位在理论上不受强度影响，因此对于超声图像分割更好。

但是以上方法都耗时长且不能重复使用，进而医疗成本较高。为了降低人工识别检测的成本及提高治疗效率，一些基于机器学习的算法受到了业界关注。最早提出的是一种模仿人类视觉的系统，它被提议用于自动检测器官内腔和外膜边界。随后，随机森林被提出用于检测医学图像中的器官轮廓。结果表明，树结构可以简单地提供在较小深度加速训练和测试的优点，但是对于较大的深度而言，它仍有一些地方需要改进。此外，支持向量机也被用来计算线粒体分类的一元和二元项。

为了识别数以百万计的图像中的数千个对象/特征，卷积神经网络(CNN)具有大量的学习能力。他们的能力可以通过改变CNN的深度和广度来加以控制。另外，CNN有可能对图像中的特征做出最正确的假设。随后，深度神经网络(DNN)被提出来作为像素分类器。DNN计算了一个像素的概率，即像素属于某个组织或器官的概率，用于通过对图像的所有像素进行分类来分割图像。通常，基于原始像素值的特征选择被用于绕过研究者的镜像，因为图像的特征与分类密切相关，并因此高度影响分割精度。

近几年，深度学习，特别是卷积神经网络广泛应用于图像识别领域，它可以分析及提取医学图像的特征，自动分析图像的有效信息，帮助医生进行诊断。目前，为解决这一问题，深度学习算法主要采用图形处理器(GPU)。该类技术由于其运行功耗过高，消耗大量的计算资源以及较高的经济成本，使其大范围的实地部署及应用严重受限。现场可编辑门阵列(Field Programmable Gate Array,FPGA)作为一种高性能、低功耗以及经济成本较低的硬件加速平台越来越多的受到研究人员的青睐。

发明内容