[发明专利]基于深度学习的CT医学影像处理模型训练方法及诊疗系统

说明书

本发明公开了一种基于深度学习的CT医学影像处理模型训练方法及诊疗系统。其采用CT图像语义分割模型，为CT图像中的脑卒中核心梗死区的病灶分割提供精确的定位及分割效果，解决了磁共振图像设备因高成本难以在中小型医院普及和CT图像受图像原理限制难以辨别病灶位置和轮廓大小的实际问题；采用CT图像诊断信息生成模型，智能分析患者CT图像和临床表现，自动生成对应的诊断报告；采用治疗方案评级预测系统，综合脑卒中患者CT图像病灶诊断所见和患者临床表现，生成患者病情对应的治疗方案，降低了误诊率，减少诊断时间，有效提高病人存活率。

技术领域

本发明属于医疗设备技术领域，具体涉及一种基于深度学习的CT医学影像处理模型训练方法及联合诊疗系统。

背景技术

目前，市场上的基于人工智能的脑卒中医学影像处理系统主要设计思路均为利用深度学习算法对脑卒中患者的CT图像或磁共振DWI图像进行图像语义分割，将脑卒中患者医学影像成片中的病灶部位分割出来并进行可视化显示，作为辅助治疗手段提供给医生进行早期脑卒中的诊断。其中，训练基于深度学习的脑卒中病灶图像分割模型主要有以下3种研究方向：直接针对CT图像训练学习；直接针对磁共振DWI图像训练学习；将CT图像通过深度学习虚拟成DWI图像，利用深度学习进行图像分割，如技术实例：CN110853111A医学影像处理系统、模型训练方法及训练装置所示，该发明通过深度学习模型将CT图像虚拟成DWI图像，虚拟的DWI图像相比于原始CT图像，能够提供更精准全面的信息显示，但是虚拟的DWI图像无法完全替代实际的DWI图像，且该方法并没有最终完成对病灶的精准定位分割，无法提供具有参考价值的诊断结果。

磁共振DWI图像是当前针对早期脑卒中最敏感且特异性最高的诊断方法，DWI图像相比于CT图像可以提供有关脑卒中信息的更精准、全面的显示，因此极大地方便了医生进行早期脑卒中的诊断，是梗死核心区最准确的评估检测方式。但由于磁共振图像设备动辄上千万的价格，十倍于CT图像设备，所以磁共振图像设备的普及率相较于CT图像设备的普及率很低，且检查时间较长，部分病人难以配合。

CT是目前一种可行的脑卒中诊断方式，但是受CT成像原理的限制，CT图片上梗死核心区通常显示不清晰，与正常脑组织对比不明显，难以通过人眼判读，极其难于辨别。因此目前大部分产品和研究都将重点放在直接利用人工智能学习CT图像中对脑卒中病变部位的识别。但无论是利用深度学习办法还是传统机器学习办法来学习对脑卒中病变部位的识别都存在一个基础问题尚未解决，即用于训练机器学习模型需要的基础数据集准确性，由于CT图像中的脑卒中病变部位与正常脑组织在视觉上无明显差异，极其难于辨别，所以前期的数据集标注，主观性极大，无法确保统一标准和精准度。不准确，不规范的数据集进而会导致深度学习模型无法准确完整的学习脑卒中病灶的CT图像特点，从而导致目前大部分研究和技术的实用性和可行性极低，无法进入实际应用环节。

临床表现也是诊断病情的重要指标和参照，现有技术产品均只提供对脑卒中患者医学影像的处理和分析，并未考虑脑卒中患者的发病时间、临床症状、基础疾病等临床一般资料，脱离了临床的综合诊断，难以有足够的说服力证明其技术和产品的置信度。

现有技术产品在对医学影像处理分析后提供均为基于模板的检查所见，无法深度理解脑卒中患者医学影像特征与病情严重程度联系，不具备辅助治疗决策以及预后判读的能力，无绝对的技术优势和应用意义。

因此，如何制作精度准确、标准统一，结果可靠的脑卒中病灶CT数据集对准确识别脑卒中CT图像中的病灶具有十分必要，且考虑脑卒中患者的发病时间、临床症状、基础疾病等临床一般资料的诊疗系统对辅助医生进行脑卒中的诊疗具有十分重要的意义。

发明内容