本技術(shù)涉及醫(yī)學(xué)圖像處理，尤其涉及一種基于深度學(xué)習(xí)的血管瘤分析方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、血管瘤是血管內(nèi)皮細(xì)胞異常增殖引起的病變，血管瘤分別為常見血管瘤和脈管畸形血管瘤兩大類，每一類中又包含多個(gè)子類別。例如常見血管瘤包括嬰幼兒血管瘤、先天性血管瘤、卡波西型、叢狀血管瘤、角化型血管瘤、肉芽腫性血管瘤等。脈管畸形血管瘤包括靜脈畸形、動(dòng)靜脈畸形、微靜脈畸形、淋巴管畸形等。除此之外，還存在混合型血管瘤。早期診斷對(duì)于發(fā)現(xiàn)和診斷對(duì)于有效治療至關(guān)重要。目前，血管瘤診斷依賴于醫(yī)生基于自身經(jīng)驗(yàn)借助超聲、血管造影、ct等影像學(xué)檢查結(jié)果進(jìn)行判斷。由于血管瘤疾病的診療需求分布在各級(jí)醫(yī)療機(jī)構(gòu)的不同科室，且在資源有限的醫(yī)院中，專業(yè)醫(yī)生和設(shè)備的不足限制了診斷的準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)思路

1、為此，本技術(shù)的實(shí)施例提供了一種基于深度學(xué)習(xí)的血管瘤分析方法、系統(tǒng)、設(shè)備及介質(zhì)，實(shí)現(xiàn)了對(duì)血管瘤圖像進(jìn)行標(biāo)準(zhǔn)分析，為醫(yī)生提高更加精準(zhǔn)的診斷依據(jù)。

2、第一方面，本技術(shù)提供一種基于深度學(xué)習(xí)的血管瘤分析方法。

3、本技術(shù)是通過(guò)以下技術(shù)方案得以實(shí)現(xiàn)的：

4、一種基于深度學(xué)習(xí)的血管瘤分析方法，包括：

5、獲取待分析的血管瘤圖像及相應(yīng)的臨床數(shù)據(jù)；

6、將所述血管瘤圖像輸入到構(gòu)建好的目標(biāo)檢測(cè)模型中，得到第一識(shí)別結(jié)果，所述第一識(shí)別結(jié)果包括血管瘤的第一預(yù)測(cè)邊界、第一病灶類別和第一置信度，所述目標(biāo)檢測(cè)模型基于yolo模型進(jìn)行構(gòu)建；

7、將第一識(shí)別結(jié)果和相應(yīng)的臨床數(shù)據(jù)輸入到構(gòu)建好的綜合分析模型中，得到第二識(shí)別結(jié)果，所述第二識(shí)別結(jié)果包括第二病灶類別和第二置信度，所述綜合分析模型基于機(jī)器學(xué)習(xí)模型進(jìn)行構(gòu)建；

8、將第二識(shí)別結(jié)果輸入到構(gòu)建好的診療建議生成模型中，得到診療建議，所述診療建議生成模型基于大語(yǔ)言模型進(jìn)行構(gòu)建。

9、在本技術(shù)一較佳的示例中可以進(jìn)一步設(shè)置為，還包括：

10、當(dāng)?shù)诙≡铑悇e屬于預(yù)設(shè)的病灶類別時(shí)，將第二識(shí)別結(jié)果和相應(yīng)的臨床數(shù)據(jù)傳輸?shù)降谌竭h(yuǎn)程診斷端；

11、獲取第三方遠(yuǎn)程診斷端的診療建議。

12、在本技術(shù)一較佳的示例中可以進(jìn)一步設(shè)置為，目標(biāo)檢測(cè)模型的構(gòu)建過(guò)程，包括：

13、獲取多種類別的血管瘤圖像和對(duì)應(yīng)的真實(shí)標(biāo)注信息，所述真實(shí)標(biāo)注信息包括血管瘤的真實(shí)邊界、真實(shí)類別；

14、將血管瘤圖像和真實(shí)標(biāo)注信息輸入到y(tǒng)olo模型進(jìn)行識(shí)別，得到血管瘤的預(yù)測(cè)邊界、預(yù)測(cè)類別和預(yù)測(cè)置信度，基于預(yù)測(cè)邊界和真實(shí)邊界得到邊界定位誤差，基于預(yù)測(cè)類別和真實(shí)類別得到類別分類誤差，基于邊界定位誤差和類別分類誤差構(gòu)建損失函數(shù)，對(duì)yolo模型的超參數(shù)進(jìn)行優(yōu)化，待yolo模型的性能達(dá)到預(yù)設(shè)指標(biāo)，作為構(gòu)建好的目標(biāo)檢測(cè)模型。

15、在本技術(shù)一較佳的示例中可以進(jìn)一步設(shè)置為，yolo模型的損失函數(shù)表示為：

16、

17、其中，λcoord表示邊界定位誤差的權(quán)重系數(shù)，s2表示網(wǎng)格中所有的單元的數(shù)量,b表示邊界框的數(shù)量，表示第i個(gè)網(wǎng)格的第j個(gè)邊界框內(nèi)是否存在目標(biāo)，xi、yi、wi和hi分別表示第i個(gè)網(wǎng)格的預(yù)測(cè)邊界框的中心橫坐標(biāo)、縱坐標(biāo)、寬度和高度，表示第i個(gè)網(wǎng)格的標(biāo)注邊界框的中心橫坐標(biāo)、縱坐標(biāo)、寬度和高度，λnoobj表示無(wú)目標(biāo)置信度損失的權(quán)重系數(shù)，ci表示真實(shí)的置信度，表示預(yù)測(cè)的置信度，表示第i個(gè)網(wǎng)格第j個(gè)邊界框內(nèi)是否不存在目標(biāo),pi(c)表示預(yù)測(cè)的類別標(biāo)簽，表示真實(shí)的類別標(biāo)簽。

18、在本技術(shù)一較佳的示例中可以進(jìn)一步設(shè)置為，將所述血管瘤圖像輸入到構(gòu)建好的目標(biāo)檢測(cè)模型中之前，還包括：采用下列任意一種或幾種方式進(jìn)行對(duì)血管瘤圖像進(jìn)行預(yù)處理：

19、圖像增強(qiáng)、圖像去噪、顏色歸一化。

20、在本技術(shù)一較佳的示例中可以進(jìn)一步設(shè)置為，綜合分析模型的構(gòu)建過(guò)程，包括：

21、獲取多種類別的血管瘤患者的歷史臨床數(shù)據(jù)，所述臨床數(shù)據(jù)包括患者年齡、患者性別、患者身高、體重、患者病史、病程階段、病灶類別、病灶皮膚與正常皮膚的溫差；

22、將所述歷史臨床數(shù)據(jù)輸入到機(jī)器學(xué)習(xí)模型中，使機(jī)器學(xué)習(xí)模型學(xué)習(xí)病灶類別和臨床數(shù)據(jù)之間的關(guān)系；

23、其中，機(jī)器學(xué)習(xí)模型采用決策樹、隨機(jī)森林樹、xgboost中的任意一種。

24、在本技術(shù)一較佳的示例中可以進(jìn)一步設(shè)置為，所述診療建議生成模型基于大語(yǔ)言模型進(jìn)行構(gòu)建，包括：

25、獲取不同類別的血管瘤的歷史診斷建議，將血管瘤信息和歷史診斷建議輸入到大語(yǔ)言模型，對(duì)大語(yǔ)言模型進(jìn)行微調(diào)；其中大語(yǔ)言模型采用bert模型或medgpt模型。

26、第二方面，本技術(shù)提供一種基于深度學(xué)習(xí)的血管瘤分析系統(tǒng)。

27、本技術(shù)是通過(guò)以下技術(shù)方案得以實(shí)現(xiàn)的：

28、一種基于深度學(xué)習(xí)的血管瘤分析系統(tǒng)，用于執(zhí)行上述第一方面所述的方法，所述系統(tǒng)包括：

29、數(shù)據(jù)獲取模塊，用于獲取待分析的血管瘤圖像及相應(yīng)的臨床數(shù)據(jù)；

30、初步識(shí)別模塊，用于將所述血管瘤圖像輸入到構(gòu)建好的目標(biāo)檢測(cè)模型中，得到第一識(shí)別結(jié)果，所述第一識(shí)別結(jié)果包括血管瘤的第一預(yù)測(cè)邊界、第一病灶類別和第一置信度，其中所述目標(biāo)檢測(cè)模型基于yolo模型進(jìn)行構(gòu)建；

31、精確識(shí)別模塊，用于將第一識(shí)別結(jié)果和相應(yīng)的臨床數(shù)據(jù)輸入到構(gòu)建好的綜合分析模型中，得到第二識(shí)別結(jié)果，所述第二識(shí)別結(jié)果包括第二病灶類別和第二置信度，所述綜合分析模型基于機(jī)器學(xué)習(xí)模型進(jìn)行構(gòu)建；

32、診療建議生成模塊，用于將第二識(shí)別結(jié)果輸入到構(gòu)建好的診療建議生成模型中，得到診療建議，其中所述診療建議生成模型基于大語(yǔ)言模型進(jìn)行構(gòu)建。

33、第三方面，本技術(shù)是通過(guò)以下技術(shù)方案得以實(shí)現(xiàn)點(diǎn)的：

34、一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器中并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述任意一種基于深度學(xué)習(xí)的血管瘤分析方法的步驟。

35、第四方面，本技術(shù)提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

36、本技術(shù)是通過(guò)以下技術(shù)方案得以實(shí)現(xiàn)的：

37、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述任意一種基于深度學(xué)習(xí)的血管瘤分析方法的步驟。

38、綜上所述，與現(xiàn)有技術(shù)相比，本技術(shù)實(shí)施例提供的技術(shù)方案帶來(lái)的有益效果至少包括：

39、本技術(shù)通過(guò)獲取待分析的血管瘤圖像及相應(yīng)的臨床數(shù)據(jù)；將血管瘤圖像輸入到構(gòu)建好的目標(biāo)檢測(cè)模型中，得到第一識(shí)別結(jié)果，第一識(shí)別結(jié)果包括血管瘤的第一預(yù)測(cè)邊界、第一病灶類別和第一置信度；將第一識(shí)別結(jié)果和相應(yīng)的臨床數(shù)據(jù)輸入到構(gòu)建好的綜合分析模型中，得到第二識(shí)別結(jié)果，所述第二識(shí)別結(jié)果包括第二病灶類別和第二置信度；將第二識(shí)別結(jié)果輸入到構(gòu)建好的診療建議生成模型中，得到診療建議。本技術(shù)利用預(yù)訓(xùn)練好的目標(biāo)檢測(cè)模型，對(duì)圖像數(shù)據(jù)進(jìn)行初步識(shí)別和診斷，得到初步的第一識(shí)別結(jié)果；再利用預(yù)訓(xùn)練好的綜合分析模型，同時(shí)結(jié)合對(duì)應(yīng)的臨床數(shù)據(jù)作進(jìn)一步的精確分類，得到第二識(shí)別結(jié)果，進(jìn)一步確保識(shí)別結(jié)果的準(zhǔn)確性；最后通過(guò)利用診療建議生成模型，得到一個(gè)診療結(jié)果。自動(dòng)化的圖像識(shí)別和分析流程，減少對(duì)專業(yè)醫(yī)生的依賴，顯著減少因人為判斷的差異帶來(lái)的不一致性，實(shí)現(xiàn)預(yù)診斷過(guò)程的標(biāo)準(zhǔn)化；可以快速得到診斷建議，提高診斷的效率。