本發(fā)明屬于醫(yī)學數據處理，特別是涉及一種基于醫(yī)學影像數據處理的疾病智能診斷系統(tǒng)。

背景技術：

1、醫(yī)學影像是指為了醫(yī)療或醫(yī)學研究，對人體或人體某部分，以非侵入方式取得內部組織影像的技術與處理過程。它包含以下兩個相對獨立的研究方向：醫(yī)學成像系統(tǒng)和醫(yī)學圖像處理。前者是指圖像形成的過程，包括對成像機理、成像設備、成像系統(tǒng)分析等問題的研究；后者是指對已經獲得的圖像作進一步的處理，其目的是或者是使原來不夠清晰的圖像復原，或者是為了突出圖像中的某些特征信息，或者是對圖像做模式分類等等。作為一門科學，醫(yī)學影像屬于生物影像，并包含影像診斷學、放射學、內視鏡、醫(yī)療用熱影像技術、醫(yī)學攝影和顯微鏡。

2、其中，醫(yī)學影像可由x射線產生，其主要依據x射線的穿透作用、差別吸收、感光作用和熒光作用。由于x射線穿過人體時，受到不同程度的吸收，如骨骼吸收的x射線量比肌肉吸收的量要多，那么通過人體后的x射線量就不一樣，這樣便攜帶了人體各部密度分布的信息，在熒光屏上或攝影膠片上引起的熒光作用或感光作用的強弱就有較大差別，因而在熒光屏上或攝影膠片上(經過顯影、定影)將顯示出不同密度的陰影。根據陰影濃淡的對比，結合臨床表現、化驗結果和病理診斷，即可判斷人體某一部分是否正常。

3、目前，患者通常都是拿著照射好的x光片去找醫(yī)生進行診斷，當患者較多時，需要排隊等待醫(yī)生，消耗了大部分時間，部分重癥患者會延誤治療，對患者健康造成不良影響。

4、因此，目前亟需一種能夠自動診斷醫(yī)學影像的、節(jié)約患者時間的、供醫(yī)生參考的、加快治療進度的一種基于醫(yī)學影像數據處理的疾病智能診斷系統(tǒng)。

技術實現思路

1、本發(fā)明的目的在于提供一種基于醫(yī)學影像數據處理的疾病智能診斷系統(tǒng)，通過深度卷積神經網絡對診斷模型進行訓練，將患者移動終端上傳的醫(yī)學影像導入到訓練好的診斷模型中，并將輸出結果發(fā)送給患者的移動終端，解決了現有的醫(yī)院影像需要醫(yī)生主觀診斷、影響診斷效率、容易延誤患者治療的問題。

2、為解決上述技術問題，本發(fā)明是通過以下技術方案實現的：

3、本發(fā)明為一種基于醫(yī)學影像數據處理的疾病智能診斷系統(tǒng)，包括依次連接的圖像獲取模塊、圖像處理模塊、診斷模型訓練模塊、診斷模塊；所述圖像獲取模塊，用以接收患者通過移動終端上傳的醫(yī)學影像，并轉化為數據圖像后輸出至圖像處理模塊；所述圖像處理模塊，用以將數據圖像進行預處理，將預處理后的數據圖像導入到訓練好的模型中；所述診斷模型訓練模塊，用以選擇深度卷積神經網絡作為組件分類器，設計診斷模型；所述診斷模塊，用以基于診斷模型進行疾病的診斷和類別的推理，并將診斷模型輸出結果通過無線通訊模塊發(fā)送至患者的移動終端。

4、作為一種優(yōu)選的技術方案，所述醫(yī)學影像包括ct圖像、mri或x光圖像。

5、作為一種優(yōu)選的技術方案，所述預處理包括對數據圖像的濾波處理、對濾波處理后的數據圖像進行去噪處理、對去噪處理后的數據圖像進行分割；

6、所述濾波處理采用高斯濾波，利用離散化二維高斯濾波函數作為高斯核中的權值系數，將該二維連續(xù)正態(tài)分布函數離散化，得到權值矩陣；

7、其中，二維高斯濾波函數公式為：

8、

9、式中，σ表示標準差，(x,y)表示像素點坐標，且x,y為整數；

10、所述濾波處理后，對數據圖像進行去噪的具體流程如下：

11、步驟l1：在數據圖像上選取兩點作為矩形的兩個對角點構建一個對應的矩陣；

12、步驟l2：再將矩陣中的噪聲點的值從1改變到0；

13、步驟l3：在矩陣的八個方向上創(chuàng)建八個0的矩陣并將其融合成與濾波處理后數據圖像矩陣相同階數的矩陣；

14、步驟l4：將融合之后的矩陣與濾波處理后的矩陣相加，將相加后的矩陣中所有1的值改為0，再將所有2的值改為1；

15、所述去噪處理后，對數據圖像進行分割的具體步驟如下：

16、步驟q1：獲取圖像的總平均灰度為：

17、u＝w0*u0+w1*u1；

18、步驟q2：前景和背景圖像的方差為：

19、

20、式中，前景點數占圖像比例為w0，平均灰度為u0；背景點數占圖像比例為w1，平均灰度為u1。

21、作為一種優(yōu)選的技術方案，所述步驟l1的矩陣的獲取方法如下：

22、步驟j1：利用ginput函數確定所要框選范圍，并在框選范圍內選取兩對角，兩對角坐標分別為f1(x1,y1)和f2(x2,y2)；

23、步驟j2：根據f1和f2的值來計算出兩角點圍成矩形的長寬大小；

24、步驟j3：讀取出原先框選圖像的長寬分別為l、h；

25、步驟j4：利用f1(x1,y1)、f2(x2,y2)、l、h計算出以兩角點圍成矩形為中心的四個方向上的矩陣大小。

26、作為一種優(yōu)選的技術方案，所述診斷模型訓練模塊的訓練方式包括診斷模型訓練模塊以resnet或efficientnet卷積神經網絡為特征提取的主干網；采用特征金字塔網絡對resnet或efficientnet進行擴展，利用全局平均池化算子對特征金字塔每一層的特征向量進行空間尺度降維，得到寬和高均為1的特征向量，設定擴展后的特征輸出維度都相同，在設定的尺度特征經過全局平均池化算子后，利用全連接層對其進行特征變換，同時使用加法運算將擴展后的特征進行融合，并繼續(xù)利用下一個全連接層對融合后的特征繼續(xù)進行特征變換，最后輸出提取的圖像特征。

27、作為一種優(yōu)選的技術方案，所述模型訓練方式有兩種：

28、方式一：

29、步驟s11：經過預處理的圖像訓練組件resnet，標簽與原圖像相同；

30、步驟s12：獲取各個組件resnet的特征層拼接到一起，對應原圖像的標簽；

31、步驟s13：添加若干層全連接層，訓練人工神經網絡；

32、步驟s14：根據整體模型分類表現，交替調整特征層和人工神經網絡；

33、步驟s15：固定各部分的參數，將整體作為預測模型；

34、方法二：

35、步驟s21：將組件resnet的輸出層去掉，并將特征層拼接在一起；

36、步驟s22：再添加若干層全連接層；

37、步驟s23：添加一個輸出層；

38、步驟s24：將模型作為一個整體來訓練，并直接實現端到端的預測。

39、作為一種優(yōu)選的技術方案，所述診斷模塊包括第一診斷模塊和第二診斷模塊；所述第一診斷模塊基于貝葉斯網絡進行疾病診斷推理；所述第二診斷模塊基于卷積網絡進行疾病診斷和屬性類別推理；

40、所述診斷模塊將第一診斷模塊和第二診斷模塊的輸出進行融合，得到最終的診斷結果。

41、作為一種優(yōu)選的技術方案，所述第一診斷模塊基于貝葉斯網絡建立疾病類別與病灶屬性之間的概率依賴關系模型；

42、所述貝葉斯網絡表示為：b＝<vb,eb,θ>，其中，<vb,eb>表示有向無環(huán)圖，vb表示節(jié)點集合，eb表示邊的集合，θ表示由每個節(jié)點的條件概率表組成的貝葉斯網絡參數；連接兩個節(jié)點的邊用來表示這兩個節(jié)點之間的概率依賴關系；首先將輸入的圖像特征轉換為屬性的概率分值，并將其作為證據送入貝葉斯網絡進行前向推理，將每個節(jié)點的輸入證據與條件概率表結合在一起運算，得到每個節(jié)點的邊際后驗概率，節(jié)點v0的邊際后驗概率pb(v0)為：

43、pb(v0)＝∫...∫vp(v0,v1,v2,...,vn)dv1...dvn

44、

45、式中，n為節(jié)點數量，parents(vi)表示節(jié)點vi的父節(jié)點，當vi沒有父節(jié)點時，parents(vi)為空。

46、作為一種優(yōu)選的技術方案，所述系統(tǒng)還包括數據庫和錄入模塊；所述數據庫，用以存儲疾病名稱信息和與疾病名稱信息所對應的描述信息、與部位信息對應的部位信息關鍵詞、部位信息關鍵詞對應的部位擴展詞、與疾病對應的描述信息、描述信息的描述關鍵詞、描述關鍵詞的描述擴展詞；所述錄入模塊，用以向數據庫中錄入存儲的疾病信息。

47、本發(fā)明具有以下有益效果：

48、本發(fā)明通過深度卷積神經網絡對診斷模型進行訓練，將患者移動終端上傳的醫(yī)學影像導入到訓練好的診斷模型中，并將輸出結果發(fā)送給患者的移動終端，減少患者就診時間，提高疾病診斷的準確率。

49、當然，實施本發(fā)明的任一產品并不一定需要同時達到以上所述的所有優(yōu)點。