專利名稱：一種計算機(jī)輔助識別裝置和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及醫(yī)學(xué)影像的圖像分析和識別技術(shù)，特別涉及一種計算機(jī)輔助 識別裝置和系統(tǒng)。
癌癥是嚴(yán)重危害人類生命和健康的疾病之一，癌癥的早期發(fā)現(xiàn)和診斷是 癌癥醫(yī)療研究領(lǐng)域中的一個重要課題，同時對于癌癥的后期治療和治愈也有 著非常重要的作用。
隨著物理學(xué)和醫(yī)學(xué)越來越多的結(jié)合，多種醫(yī)學(xué)影像技術(shù)得到了快速發(fā)
展，X光透視、計算機(jī)斷層成像(CT)、紅外透視、超聲波掃描和核磁共振成 像(MRI)等各種人體成像工具也被越來越廣泛的應(yīng)用于癌癥的診斷當(dāng)中。 這些人體成像工具一方面大大拓展了醫(yī)生的檢查手段，并且相比于一些傳統(tǒng) 的檢查手段，可以為醫(yī)生提供更加豐富以及更為直觀的病變信息，同時減小 對患者的創(chuàng)傷；但是在另一方面，在對患者進(jìn)行檢查的過程中所產(chǎn)生的大量 影像也為醫(yī)生的診斷工作帶來了更大的壓力，根據(jù)這些影像做出正確的診斷 不僅要求醫(yī)生具有醫(yī)學(xué)影像的專業(yè)知識，同時還要求醫(yī)生具有大量的臨床經(jīng) 驗。由于癌癥發(fā)病率的提高和患者的增加，以及醫(yī)生的醫(yī)學(xué)影像專業(yè)知識和 臨床經(jīng)驗的不足，癌癥的誤診和漏診現(xiàn)象時有發(fā)生。
針對這樣的問題，醫(yī)學(xué)研究人員提出了多種計算機(jī)輔助診斷(CAD)方 案來幫助醫(yī)生在診斷過程中快速、正確的對可疑的病變做出判斷。這類計算
機(jī)輔助診斷方案的主要內(nèi)容是圖像的分析和識別，在這類計算機(jī)輔助診斷方 案中， 一般包括如下的圖像處理過程圖像數(shù)據(jù)的采集，圖像的重建，圖像 的分割，圖像特征的提取，以及圖像特征的分類。例如，在AoyamaM.等作 者的i倉文 "Automated computerized scheme for distinction between benign and malignant solitary pulmonary nodules on chest images" (Medical Physics. 2002， 29 (5): 701-708 )中提出了一種單發(fā)肺部結(jié)節(jié) 的計算機(jī)自動分類方案。在該方案中，針對被檢者的胸部CT圖像，首先使
背景技術(shù)：
用了基于灰度級別分布的自動分割方法對圖像中的結(jié)節(jié)區(qū)域進(jìn)行分割；然后 在2個臨床參數(shù)和從分割后的圖像中所提取出的75個圖像特征的基礎(chǔ)上， 使用線性判別分析(LDA)方法對特征組合進(jìn)行選擇；最后以選擇出的7個 特征作為輸入通過人工神經(jīng)元網(wǎng)絡(luò)(ANN)對良性結(jié)節(jié)和惡性結(jié)節(jié)進(jìn)行分類。 該i侖文中的性能分析結(jié)果表明，該^侖文中所才是出的計算機(jī)自動分類方案與醫(yī) 生人工分類方案相比，對于單發(fā)肺部結(jié)節(jié)的良、惡性分類性能有所改進(jìn)，正 確診斷的概率得到提高。
盡管通過上述的計算機(jī)輔助診斷方案可以幫助醫(yī)生提高正確診斷的概 率，但是這類方案中所使用的圖像分析和識別等處理手段仍主要是基于形態(tài) 學(xué)范疇的圖像數(shù)據(jù)，這種圖像處理方式將在很大程度上依賴于圖像的高分辨 率和有效的圖像形態(tài)特征的提取。而在實際的臨床診斷中，在很多情況下僅 根據(jù)病變區(qū)域的形態(tài)特征并不能對病變類型做出正確的診斷，如何將圖像的 形態(tài)特征與其它信息有效地結(jié)合并用于計算機(jī)自動分類過程中仍是當(dāng)前需 要研究的問題之一。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明的一個目的在于提供一種計算機(jī)輔助識別裝置，該裝 置可以提高對醫(yī)學(xué)影像中的病變類型進(jìn)行正確分類的概率。
在本發(fā)明的計算機(jī)輔助識別裝置的基礎(chǔ)上，本發(fā)明的另一個目的在于提 供一種計算機(jī)輔助識別系統(tǒng)，該系統(tǒng)中包括本發(fā)明的計算機(jī)輔助識別裝置，
可以應(yīng)用于現(xiàn)有的多種醫(yī)學(xué)影像系統(tǒng)當(dāng)中。
針對所述第一目的，本發(fā)明提供的技術(shù)方案為 一種計算機(jī)輔助識別裝 置，包括
一個掃描數(shù)據(jù)獲取模塊，用于接收被檢者的病變部位的掃描信號，并根 據(jù)所述掃描信號獲取所述病變部位的掃描數(shù)據(jù)；
一個掃描圖像生成模塊，用于根據(jù)所述掃描數(shù)據(jù)生成所述病變部位的掃 描圖像；
一個穴位信息獲取模塊，用于接收被檢者的至少一個穴位處的檢測信 號，并根據(jù)所述檢測信號獲取所述至少 一個穴位處的穴位信息；
一個病變類型識別模塊，用于根據(jù)所述掃描圖像中的圖像信息以及所述 至少 一個穴位處的穴位信息識別所述病變部位的病變類型。根據(jù)本發(fā)明的計算機(jī)輔助識別裝置，其中，當(dāng)所述掃描信號為模擬信號 時，所述掃描數(shù)據(jù)獲取;漠塊還用于對所述掃描信號進(jìn)行數(shù)字化處理以獲取所 述病變部位的掃描數(shù)據(jù)。
根據(jù)本發(fā)明的計算機(jī)輔助識別裝置，其中，所述病變類型識別模塊中包
括
一個掃描圖像分割單元，用于對所述掃描圖像進(jìn)行分割，以將所述掃描
圖像中的病變區(qū)域與其它區(qū)域分割開來；
一個圖像特征提取單元，用于在經(jīng)分割后的所述掃描圖像中提取所述病 變區(qū)域的圖像特征；
一個病變類型分類單元，用于根據(jù)所述病變區(qū)域的圖像特征和所述至少 一個穴位處的穴位信息對所述病變區(qū)域的病變類型進(jìn)行分類。
根據(jù)本發(fā)明的計算機(jī)輔助識別裝置，其中，還包括一個臨床參數(shù)輸入模 塊，用于輸入被檢者的臨床參數(shù)；
所述病變類型識別模塊還進(jìn)一步用于根據(jù)所述掃描圖像中的圖像信息、 所述至少 一個穴位處的穴位信息以及所述臨床參lt識別所述病變部位的病 變類型。
根據(jù)本發(fā)明的計算機(jī)輔助識別裝置，其中，所述病變類型識別模塊中包
括
一個掃描圖像分割單元，用于對所述掃描圖像進(jìn)行分割，以將所述掃描 圖像中的病變區(qū)域與其它區(qū)域分割開來；
一個圖像特征提取單元，用于在經(jīng)分割后的所述掃描圖像中提取所述病 變區(qū)域的圖像特征；
一個病變類型分類單元，用于根據(jù)所述病變區(qū)域的圖像特征、所述至少 一個穴位處的穴位信息以及所述臨床參數(shù)對所述病變區(qū)域的病變類型進(jìn)行 分類。
才艮據(jù)本發(fā)明的計算機(jī)輔助識別裝置，其中，
所述病變類型分類單元為人工神經(jīng)元網(wǎng)絡(luò)分類器、貝葉思法則分類器、 支持向量機(jī)分類器或線性判別分析分類器。 根據(jù)本發(fā)明的計算機(jī)輔助識別裝置，其中，
所述病變區(qū)域的圖像特征包括病變區(qū)域的長度、病變區(qū)域的寬度、病 變區(qū)域的形態(tài)、病變區(qū)域的邊界清晰程度、病變區(qū)域邊緣的光滑程度、病變區(qū)域的密度、病變區(qū)域的均勻性；
所述穴位信息包括所述各穴位處的電阻值、所述各穴位處的溫度； 所述臨床參數(shù)包括被檢者的年齡、被檢者的性別。 根據(jù)本發(fā)明的計算機(jī)輔助識別裝置，其中，
所述病變類型分類單元為人工神經(jīng)元網(wǎng)絡(luò)分類器，該人工神經(jīng)元網(wǎng)絡(luò)分
類器使用三層前饋網(wǎng)絡(luò)反向傳播算法。
根據(jù)本發(fā)明的計算機(jī)輔助識別裝置，其中， 所述人工神經(jīng)元網(wǎng)絡(luò)分類器使用留一法進(jìn)行訓(xùn)練和測試。 針對所述另一目的，本發(fā)明提供的技術(shù)方案為 一種計算機(jī)輔助識別系
統(tǒng)，包才舌
一個掃描裝置，用于對^皮檢者的病變部位進(jìn)行掃描，并輸出所述病變部 位的掃描信號；
至少一個穴位檢測裝置，用于對被4全者的至少一個穴位處的穴位信息進(jìn) 行檢測，并輸出所述至少一個穴位處的檢測信號；
一個根據(jù)本發(fā)明的計算機(jī)輔助識別裝置，所述計算機(jī)輔助識別裝置分別 與所述掃描裝置和所述至少一個穴位檢測裝置相連。
根據(jù)本發(fā)明的計算機(jī)輔助識別系統(tǒng)，其中，
所述掃描裝置為X光掃描裝置、超聲波掃描裝置、紅外線掃描裝置、CT
掃描裝置或MRI掃描裝置。
根據(jù)本發(fā)明的計算機(jī)輔助識別系統(tǒng)，其中，還包括，
一個顯示裝置，與所述計算機(jī)輔助識別裝置相連，用于對所述病變部位
的掃描圖像和/或所述病變類型的分類結(jié)果進(jìn)行顯示。
本發(fā)明的計算機(jī)輔助識別裝置和系統(tǒng)通過將傳統(tǒng)中醫(yī)領(lǐng)域中利用穴位 點(diǎn)診斷疾病這一手段與現(xiàn)代醫(yī)學(xué)影像技術(shù)中的計算機(jī)自動分類方案進(jìn)行有 機(jī)地結(jié)合，既有效利用了穴位點(diǎn)上的物理信息參數(shù)對于病變的較為正確的內(nèi) 在表征作用，又很好地利用了醫(yī)學(xué)影像對于病變位置和外在形態(tài)的直觀觀察 解決了穴位診斷中不能對病變位置進(jìn)行定位的問題，從而可以使得本發(fā)明的 計算機(jī)輔助識別方案與現(xiàn)有的僅根據(jù)病變區(qū)域的形態(tài)特征進(jìn)行計算機(jī)自動 分類的方案相比，具有更高的正確診斷概率，并且為計算機(jī)輔助識別的技術(shù) 研究開辟了一種新思路。


以下將結(jié)合附圖并通過具體實施例對本發(fā)明的目的和特征進(jìn)行詳細(xì)說 明，這些實施例是說明性的，不具有限制性。
圖1為根據(jù)本發(fā)明的計算機(jī)輔助識別裝置的結(jié)構(gòu)示意圖； 圖2為根據(jù)本發(fā)明的計算機(jī)輔助識別裝置的實施例中病變類型識別模 塊的結(jié)構(gòu)示意圖3為根據(jù)本發(fā)明的計算機(jī)輔助識別裝置的實施例中病變類型識別模 塊的另一種結(jié)構(gòu)示意圖4為三層前饋網(wǎng)絡(luò)反向傳播算法人工神經(jīng)元網(wǎng)絡(luò)分類器的示意圖； 圖5為才艮據(jù)本發(fā)明的計算機(jī)輔助識別系統(tǒng)的系統(tǒng)示意圖。
具體實施例方式
本發(fā)明的發(fā)明人在針對如何將圖像的形態(tài)特征與其它信息有效地結(jié)合 并用于計算機(jī)自動分類過程的研究中，產(chǎn)生了將傳統(tǒng)中醫(yī)領(lǐng)域中的經(jīng)絡(luò)理論
研究成果應(yīng)用于計算機(jī)輔助診斷方案之中的技術(shù)構(gòu)思。發(fā)明人在其研究過程 中注意到傳統(tǒng)的中醫(yī)經(jīng)絡(luò)理論認(rèn)為經(jīng)絡(luò)的作用主要是溝通表里內(nèi)外，通行 營衛(wèi)氣血，而穴位就是經(jīng)絡(luò)上的功能點(diǎn)，身體各部分的疾病可以由經(jīng)絡(luò)上的 的穴位點(diǎn)反應(yīng)出來。在這樣的經(jīng)絡(luò)理論基礎(chǔ)之上，在傳統(tǒng)的中醫(yī)領(lǐng)域中存在 通過穴位點(diǎn)診斷疾病的方法。 一些中醫(yī)研究人員也不斷地在進(jìn)行通過穴位點(diǎn) 診斷腫瘤的研究和探索，并取得了一些研究成果。例如，在王建璋和史光輝 兩位作者的論文"華雄肺瘤測定儀在腫瘤診斷中的應(yīng)用"(中國醫(yī)療器械信 息1998, 4 (1): 37-39 )中提出了一種利用穴位的物理信息參數(shù)來測定腫瘤 的儀器。這種腫瘤測定儀主要是利用在人體中的3組共1G個腫瘤奇穴上測 定的溫度的微小差異，來判斷是否患有腫瘤，并分析腫瘤的良性或惡性。在 該篇論文中的臨床試驗結(jié)果表明，通過該腫瘤測定儀診斷惡性腫瘤的臨床診 斷符合率為94.8%，診斷良性腫瘤的臨床診斷符合率為88.83%,總符合率為 93.57°/。。與北京市結(jié)核病、胸部腫瘤研究所報道的借助X光片、胸部CT、支 氣管鏡、痰脫落細(xì)胞及血液生化等檢查手段，有經(jīng)驗的臨床醫(yī)生術(shù)前診斷正 確率約為85%這一數(shù)字相比，該腫瘤測定儀可以獲得較高的臨床診斷符合率。 但是，在該篇論文中也同時指出，該儀器只能測出有無腫瘤信息，而不能查 出腫瘤部位，因而不能替代細(xì)胞學(xué)、病理學(xué)檢查。
9由此，如圖1所示，本發(fā)明提供了一種計算機(jī)輔助識別裝置1,該裝置
中包括 一個掃描數(shù)據(jù)獲取模塊2，用于接收被片企者的病變部位的掃描信號， 并根據(jù)所述掃描信號獲取所述病變部位的掃描數(shù)據(jù)； 一個掃描圖像生成模塊 3，用于根據(jù)所述掃描數(shù)據(jù)生成所述病變部位的掃描圖像； 一個穴位信息獲 取模塊4，用于接收被檢者的至少一個穴位處的檢測信號，并根據(jù)所述檢測 信號獲取所述至少一個穴位處的穴位信息； 一個病變類型識別模塊5，用于 根據(jù)所述掃描圖像中的圖像信息以及所述至少一個穴位處的穴位信息識別 所述病變部位的病變類型。
本發(fā)明的計算機(jī)輔助識別裝置將傳統(tǒng)中醫(yī)領(lǐng)域中通過穴位點(diǎn)診斷疾病 這一手段與現(xiàn)代醫(yī)學(xué)影像技術(shù)中的計算機(jī)自動分類方案進(jìn)行了有機(jī)地結(jié)合， 既有效利用了穴位點(diǎn)上的物理信息參數(shù)對于病變的較為正確的內(nèi)在表征作 用，又纟艮好地利用了醫(yī)學(xué)影像對于病變位置和外在形態(tài)的直觀觀察解決了穴 位診斷中不能對病變位置進(jìn)行定位的問題，從而使得本發(fā)明的計算機(jī)輔助識 別裝置與現(xiàn)有的僅根據(jù)病變區(qū)域的形態(tài)特征進(jìn)行計算機(jī)自動分類的方案相 比，具有更高的正確診斷概率，并且為計算機(jī)輔助識別的技術(shù)研究開辟了一 種新思路。
在根據(jù)本發(fā)明的計算機(jī)輔助識別裝置1的實施例中，所述掃描信號可以 為數(shù)字信號或4莫擬信號。當(dāng)所述掃描信號為數(shù)字信號時，掃描數(shù)據(jù)獲取模塊 2可以直接根據(jù)所述數(shù)字信號獲取所述病變部位的掃描數(shù)據(jù)。當(dāng)所述掃描信 號為來自于模擬掃描裝置的模擬信號時，掃描數(shù)據(jù)獲取模塊2還用于對所述 模擬信號進(jìn)行數(shù)字化處理，并根據(jù)該經(jīng)數(shù)字化處理后的掃描信號獲取所迷病
變部位的掃描數(shù)據(jù)。
在本實施例中，如圖2中的結(jié)構(gòu)示意圖所示，病變類型識別模塊5中可 以進(jìn)一步包括如下功能單元以實現(xiàn)病變類型識別模塊5的上述功能 一個掃 描圖像分割單元51，用于對所述掃描圖像進(jìn)行分割，以將所述掃描圖像中的 病變區(qū)域與其它區(qū)域分割開來； 一個圖像特征提取單元52,用于在經(jīng)分割后 的所述掃描圖像中提取所述病變區(qū)域的圖像特征； 一個病變類型分類單元 5 3,用于根據(jù)所述病變區(qū)域的圖像特征和所述至少一個穴位處的穴位信息對 所述病變區(qū)域的病變類型進(jìn)行分類。也就是說，與現(xiàn)有的圖像分析和識別的 一il殳處理過程相同，針對所述掃描圖像，病變類型識別^f莫塊5在對病變部位 的病變類型進(jìn)^f亍識別的過程中，首先利用掃描圖像分割單元51對所 掃描圖像進(jìn)行圖像分割，以確定病變區(qū)域的位置和范圍；然后利用圖像特征提取
單元52提取所述病變區(qū)域的圖像特征。但是，與現(xiàn)有的圖像分析和識別處 理過程不同的是，病變類型分類單元53將不僅僅根據(jù)圖像特征提取單元52 提取出的圖像特征對所述病變區(qū)域的病變類型進(jìn)行分類，而是會將所述圖像 特征與所述穴位信息一同用于病變類型的分類。這樣，在病變類型識別模塊 5識別病變類型的過程中，就可以利用所述病變區(qū)域的病變位置和外在形態(tài) 信息并同時結(jié)合穴位點(diǎn)上的穴位物理信息來確定病變類型，從而提高了對于 病變類型的正確診斷概率。
在本實施例中，根據(jù)本發(fā)明的計算機(jī)輔助識別裝置1中也可以進(jìn)一步包 括一個臨床參數(shù)輸入模塊(圖1中未顯示)，用于輸入被檢者的臨床參數(shù)。 則病變類型識別^^莫塊5還進(jìn)一步用于根據(jù)所述掃描圖像中的圖像信息、所述 至少 一個穴位處的穴位信息以及所述臨床參數(shù)識別所述病變部位的病變類 型。
相應(yīng)的，在圖2中所示的結(jié)構(gòu)基礎(chǔ)之上，病變類型識別模塊5，中的病 變類型分類單元53，可以進(jìn)一步用于根據(jù)所述病變區(qū)域的圖像特征、所述至 少一個穴位處的穴位信息以及所述臨床參數(shù)對所述病變區(qū)域的病變類型進(jìn) 行分類。在這種具體實施方式
之下，病變類型識別模塊5^的結(jié)構(gòu)示意圖如 圖3所示。
圖2和圖3中所示的病變類型分類單元53和53，在具體實施當(dāng)中可以
使用人工神經(jīng)元網(wǎng)絡(luò)分類器。例如，可以使用如圖4中所示的三層前饋網(wǎng)絡(luò) 反向傳播算法人工神經(jīng)元網(wǎng)絡(luò)分類器。在這種分類器中，所述病變區(qū)域的圖
像特征、所述至少一個穴位處的穴位信息、所述臨床參數(shù)被歸一化并被作為 分類器的輸入?yún)?shù)，即作為圖4所示輸入層中的神經(jīng)元。這些輸入?yún)?shù)通過 隱藏層中的神經(jīng)元以及輸入層和隱藏層、隱藏層和輸出層之間的連接權(quán)值被 前向傳遞給輸出層中的神經(jīng)元。輸出層中的不同神經(jīng)元分別計算并輸出所述 輸入?yún)?shù)屬于不同類別的概率。
在上述分類器中，輸入層中的神經(jīng)元的數(shù)量由所述輸入?yún)?shù)的數(shù)量決 定。例如，所述病變區(qū)域的圖像特征可以是從病變區(qū)域的長度、病變區(qū)域的 寬度、病變區(qū)域的形態(tài)、病變區(qū)域的邊界清晰程度、病變區(qū)域邊緣的光滑程 度、病變區(qū)域的密度、病變區(qū)域的均勻性等圖像特征中選取的一個或兩個以 上的特征；所述穴位信息可以包括所述各穴位處的電阻值和/或所述各穴位處的溫度；所述臨床參數(shù)可以包括被檢者的年齡和/或被檢者的性別。隱藏
層中的神經(jīng)元的數(shù)量可以為一經(jīng)驗值或者才艮據(jù)現(xiàn)有的優(yōu)化算法確定。輸出層 中包括兩個神經(jīng)元，分別計算并輸出所述輸入?yún)?shù)屬于良性和惡性的概率。 輸入層和隱藏層、隱藏層和輸出層之間的連接權(quán)值通過反向傳播算法進(jìn)行調(diào) 整和確定。在使用所述分類器對所述輸入?yún)?shù)分類之前，可以使用留一法
(Leave One Out method)對所述分類器的性能進(jìn)行訓(xùn)練和測試。
此外，在本實施例中，除了所述的人工神經(jīng)元網(wǎng)絡(luò)分類器，病變類型分 類單元53和53，在具體實施時還可以根據(jù)實際的應(yīng)用環(huán)境使用貝葉思法則
(Bayes theorem)分類器、支持向量機(jī)(SVM)分類器或線性判別分析分類 器等其它具體的分類器形式。
在本發(fā)明的計算機(jī)輔助識別裝置的基礎(chǔ)之上，本發(fā)明進(jìn)一步提供了一種 計算機(jī)輔助掃描系統(tǒng)，該系統(tǒng)中包括本發(fā)明的計算機(jī)輔助識別裝置，以及一 個掃描裝置和至少一個穴位檢測裝置，所述計算機(jī)輔助識別裝置分別與所述 掃描裝置和所述至少一個穴位檢測裝置相連。其中，所述掃描裝置用于對被 檢者的病變部位進(jìn)行掃描，并輸出所述病變部位的掃描信號；所述至少一個 穴位檢測裝置用于對被檢者的至少一個穴位處的穴位信息進(jìn)行檢測，并輸出 所述至少 一 個穴位處的纟企測j言號。
圖5中示出了根據(jù)本發(fā)明的計算機(jī)輔助系統(tǒng)SI的系統(tǒng)示意圖，其中包 括計算機(jī)輔助識別裝置1、掃描裝置6以及至少一個穴位檢測裝置7。在計 算機(jī)輔助系統(tǒng)SI的具體實施過程中，計算機(jī)輔助識別裝置1可以采用上述 實施例中的具體實施方式
，在此不再贅述。掃描裝置6可以根據(jù)實際的應(yīng)用 環(huán)境采用X光掃描裝置、超聲波掃描裝置、紅外線掃描裝置、CT掃描裝置或 MRI掃描裝置等具體形式，由此可以使根據(jù)本發(fā)明的計算機(jī)輔助系統(tǒng)SI方便 地應(yīng)用于現(xiàn)有的多種醫(yī)學(xué)影像系統(tǒng)當(dāng)中。
此外，在圖5所示的計算機(jī)輔助系統(tǒng)SI中還可以包括一個顯示裝置(圖 5中未示出)，該顯示裝置與計算機(jī)輔助識別裝置1相連，用于對所述病變部 位的掃描圖像和/或所述病變類型的分類結(jié)果進(jìn)行顯示，以便于醫(yī)生在實際 的臨床診斷中對被檢者的病變部位進(jìn)行觀察和診斷。
具體說明，它們并非用以限制本發(fā)明的保護(hù)范圍，凡未脫離本發(fā)明技藝精神 所作的等效實施例或變更均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
權(quán)利要求
1、一種計算機(jī)輔助識別裝置，包括一個掃描數(shù)據(jù)獲取模塊，用于接收被檢者的病變部位的掃描信號，并根據(jù)所述掃描信號獲取所述病變部位的掃描數(shù)據(jù)；一個掃描圖像生成模塊，用于根據(jù)所述掃描數(shù)據(jù)生成所述病變部位的掃描圖像；一個穴位信息獲取模塊，用于接收被檢者的至少一個穴位處的檢測信號，并根據(jù)所述檢測信號獲取所述至少一個穴位處的穴位信息；一個病變類型識別模塊，用于根據(jù)所述掃描圖像中的圖像信息以及所述至少一個穴位處的穴位信息識別所述病變部位的病變類型。
2、 根據(jù)權(quán)利要求1所述的計算機(jī)輔助識別裝置，其中， 當(dāng)所述掃描信號為模擬信號時，所述掃描數(shù)據(jù)獲取模塊還用于對所述掃描信號進(jìn)行數(shù)字化處理以獲取所述病變部位的掃描數(shù)據(jù)。
3、 根據(jù)權(quán)利要求1所述的計算機(jī)輔助識別裝置，其中，所述病變類型 識別模塊中包括一個掃描圖像分割單元，用于對所述掃描圖像進(jìn)行分割，以將所述掃描 圖像中的病變區(qū)域與其它區(qū)域分割開來；一個圖像特征提取單元，用于在經(jīng)分割后的所述掃描圖像中提取所述病 變區(qū)域的圖像特征；一個病變類型分類單元，用于根據(jù)所述病變區(qū)域的圖像特征和所述至少 —個穴位處的穴位信息對所述病變區(qū)域的病變類型進(jìn)行分類。
4、 根據(jù)權(quán)利要求1所述的計算機(jī)輔助識別裝置，其中，還包括一個臨床參數(shù)輸入模塊，用于輸入被檢者的臨床參數(shù)；所述病變類型識別模塊還進(jìn)一步用于根據(jù)所述掃描圖像中的圖像信息、 所述至少 一個穴位處的穴位信息以及所述臨床參數(shù)識別所述病變部位的病 變類型。
5、 根據(jù)權(quán)利要求4所述的計算機(jī)輔助識別裝置，其中，所述病變類型 識別模塊中包括一個掃描圖像分割單元，用于對所述掃描圖像進(jìn)行分割，以將所述掃描 圖像中的病變區(qū)域與其它區(qū)域分割開來；一個圖像特征提取單元，用于在經(jīng)分割后的所述掃描圖像中提取所述病 變區(qū)域的圖像特征；一個病變類型分類單元，用于根據(jù)所述病變區(qū)域的圖像特征、所述至少 一個穴位處的穴位信息以及所述臨床參數(shù)對所述病變區(qū)域的病變類型進(jìn)行 分類。
6、 根據(jù)權(quán)利要求3或5所述的計算機(jī)輔助識別裝置，其中， 所述病變類型分類單元為人工神經(jīng)元網(wǎng)絡(luò)分類器、貝葉思法則分類器、支持向量機(jī)分類器或線性判別分析分類器。
7、 根據(jù)權(quán)利要求6所述的計算機(jī)輔助識別裝置，其中， 所述病變區(qū)域的圖像特征包括病變區(qū)域的長度、病變區(qū)域的寬度、病變區(qū)域的形態(tài)、病變區(qū)域的邊界清晰程度、病變區(qū)域邊緣的光滑程度、病變 區(qū)域的密度、病變區(qū)域的均勻性；所述穴位信息包括所述各穴位處的電阻值、所述各穴位處的溫度；所述臨床參數(shù)包括被;險者的年齡、被檢者的性別。
8、 根據(jù)權(quán)利要求3或5所述的計算機(jī)輔助識別裝置，其中， 所述病變類型分類單元為人工神經(jīng)元網(wǎng)絡(luò)分類器，該人工神經(jīng)元網(wǎng)絡(luò)分類器使用三層前饋網(wǎng)絡(luò)反向傳播算法。
9、 根據(jù)權(quán)利要求8所述的計算機(jī)輔助識別裝置，其中， 所述人工神經(jīng)元網(wǎng)絡(luò)分類器使用留一法進(jìn)行訓(xùn)練和測試。
10、 一種計算^L輔助識別系統(tǒng)，包括一個掃描裝置，用于對被纟企者的病變部位進(jìn)行掃描，并輸出所述病變部 位的掃描信號；至少 一個穴位檢測裝置，用于對被檢者的至少 一個穴位處的穴位信息進(jìn) 行檢測，并輸出所述至少一個穴位處的檢測信號；一個根據(jù)權(quán)利要求l、 3、 5、 7、 8或9所述的計算機(jī)輔助識別裝置，所 述計算機(jī)輔助識別裝置分別與所述掃描裝置和所述至少一個穴位檢測裝置相連。
11、 根據(jù)權(quán)利要求10所述的計算機(jī)輔助識別系統(tǒng)，其中， 所述掃描裝置為X光掃描裝置、超聲波掃描裝置、紅外線掃描裝置、CT掃描裝置或MRI掃描裝置。
12、 根據(jù)權(quán)利要求10或11所述的計算機(jī)輔助識別系統(tǒng)，其中，還包括，一個顯示裝置，與所述計算機(jī)輔助識別裝置相連，用于對所述病變部位 的掃描圖像和/或所述病變類型的分類結(jié)果進(jìn)行顯示。
全文摘要
本發(fā)明提供了一種計算機(jī)輔助識別裝置以及相應(yīng)的計算機(jī)輔助識別系統(tǒng)。所述裝置中包括一個掃描數(shù)據(jù)獲取模塊，用于接收被檢者的病變部位的掃描信號，并根據(jù)所述掃描信號獲取所述病變部位的掃描數(shù)據(jù)；一個掃描圖像生成模塊，用于根據(jù)所述掃描數(shù)據(jù)生成所述病變部位的掃描圖像；一個穴位信息獲取模塊，用于接收被檢者的至少一個穴位處的檢測信號，并根據(jù)所述檢測信號獲取所述至少一個穴位處的穴位信息；一個病變類型識別模塊，用于根據(jù)所述掃描圖像中的圖像信息以及所述至少一個穴位處的穴位信息識別所述病變部位的病變類型。由此可以將傳統(tǒng)中醫(yī)領(lǐng)域中的經(jīng)絡(luò)理論研究成果有效地應(yīng)用于現(xiàn)代的醫(yī)學(xué)影像技術(shù)之中，從而提高病變的正確診斷概率。
文檔編號G06F19/00GK101615224SQ20081013176
公開日2009年12月30日 申請日期2008年6月27日 優(yōu)先權(quán)日2008年6月27日
發(fā)明者徐元景, 黃海濱 申請人:西門子公司