[发明专利]一种超声影像的人工智能辅助方法和系统

说明书

本发明涉及一种超声影像的人工智能辅助方法和系统，所述方法包括:步骤S1：获取多切面超声影像图像并保存为多切面图像；步骤S2：通过多切面图像确定并标识目标物；步骤S3：基于切面图像的超声图像特征合并目标物；步骤S4：针对每个目标物选择一个或者多个切面图像得到其对应的目标切面图像集合；步骤S5：对目标切面图像集合中的每个切面图像选择对应的人工智能模型并得到相应的子分类结果；基于子分类结果得到和目标物对应的分类结果。本发明融合多维度超声信息，对目标物进行全面分析；可以适应不同机型、不同参数设置导致的超声影像质量层次不齐的情况，鲁棒性好表现稳定。

【技术领域】

本发明属于人工智能技术领域，尤其涉及一种超声影像的人工智能辅助方法和系统。

【背景技术】

计算机辅助诊断是一种自动或半自动的算法,它将强大的计算机分析能力与成像技术、影像分析方法和其它手段相结合来辅助医生判断病灶,提高医生临床诊断效率和准确率。目前，有学者利用机器系统模拟人类学习，构建出神经网络，实现了可对实际问题进行预测的深度学习系统。而深度学习神经网络作为AI的重要组成部分，是一种以人工神经网络为架构，对数据进行抽象分层和表征学习的算法。借助深度学习神经网络技术，在如今的医学影像领域，已涌现出不少辅助诊断、预后预测等方面的人工智能模型，特别是在超声领域，人工智能的应用更是突飞猛进。

医学影像中的辅助诊断主要分为三步,首先对医学影像进行预处理,使计算机能够更好地对目标区域进行判断；然后需要将影像信息进行向量化表示；最后将提取到的图像特征输入到深度神经网络等学习模型中进行辅助。然而对于有些人体器官而言，其分布的非常分散数量众多，那么对于辅助诊断带来了更多难点。例如：人体淋巴结约有600个左右，其中颈部约占半数，颈部淋巴结肿大主要分为三大类：(1)良性病变，包括反应性增生、组织细胞坏死性淋巴结炎、淋巴结结核、传染性单核细胞增多症等；(2)交界性病变，包括血管滤泡增生性淋巴结、朗格罕斯细胞组织细胞增生症等；(3)恶性病变，包括淋巴瘤和转移性淋巴结。目前超声是广泛应用于颈部淋巴结检查的首选诊断方法，可以获得大量可以用于判断淋巴结良恶性的指标，包括：淋巴结大小、L/S比、边界、淋巴结有无融和、淋巴门、内部回声、血流及淋巴结周边软组织情况等。虽然诊断恶性淋巴结采纳的指标各研究观点不尽相同，但在部分诊断价值较高的指标已达成共识。然而在实际诊断过程中，部分指标的作用仍存在较大争议，主要是部分不典型的淋巴结病变兼具良性及恶性声像图特征，早期淋巴结病变的常规超声影像，常不具有鲜明对比性，难以将其作为淋巴结良恶性鉴别的依据；常规超声诊断指标众多，部分指标主观判断性强、可重复性差，超声医生的经验与主观印象起了主导作用。

因此如何采用人工智能辅助的方式来降低主观性，提高准确度，从数据本身挖掘信息，是待解决的问题。基于上述问题，本发明融合多维度超声信息，对目标物进行全面分析；可以适应不同机型、不同参数设置导致的超声影像质量层次不齐的情况，鲁棒性好表现稳定。

【发明内容】

为了解决现有技术中的上述问题，本发明提出了一种超声影像的人工智能辅助方法和系统，所述方法包含：

步骤S1：获取多切面超声影像图像并保存为多切面图像；

步骤S2：通过多切面图像确定并标识目标物；具体为：针对每个切面图像，提取切面图像特征并确定并标识目标物，同一目标物在不同切面图像中的标识是相同的；

步骤S3：基于切面图像的超声图像特征合并目标物；具体为：合并超声图像特征一致的相邻或者重叠目标物；

步骤S4：针对每个目标物选择一个或者多个切面图像得到其对应的目标切面图像集合；具体为：针对每个目标物，从所有切面图像中选择一个或多个切面图像，使得在所选择的切面图像之中，所述目标物的平均超声图像特征差异最大；

步骤S5：对目标切面图像集合中的每个切面图像选择对应的人工智能模型并得到相应的子分类结果；基于子分类结果得到和目标物对应的分类结果；

所述步骤S5具体包括如下步骤：