CN119445261A 基于人工智能的智慧医疗数据处理系统及方法 （西安交通大学医学院第一附属医院）

基于人工智能的智慧医疗数据处理系统及地公开了一种基于人工智能的智慧医疗数据处技术对慢性病患者复查的CT扫描影像进行多层状态的纹理特征和结构特征进行基于核心关联2查的CT扫描影像，获取各慢性病患者各次复查CT扫描影像中各处支气管扩张的支扩类型；扩张状态特征提取单元，用于对所述支气管目标区域图像进行多尺度细粒度联合编码单元，用于对所述支气管扩张状态将所述CT扫描影像输入基于YOLO模型的支气管目标区域检测模块以得到所述支气管纹理特征提取子单元，用于将所述支气管目标区域图像输入络模型的纹理特征提取器以得到所述支气管扩张结构特征提取子单元，用于将所述支气管目标络模型的结构特征提取器以得到所述支气管扩张细粒度共性特征提取子单元，用于对所述支气管扩张状全域语义交互子单元，用于对所述支气管扩张状态纹理一结构联合特征细粒度解耦二级子单元，用于对所述支气管扩张状态纹理张状态结构特征图进行特征细粒度解耦以得到支气管扩张状态局部细粒度纹理特征向量3共性特征提取二级子单元，用于将所述支气管扩张状态局部细粒度合和所述支气管扩张状态局部细粒度结构特征向量的集合中每组对应的支气管扩张状态局部细粒度纹理特征向量和支气管扩张状态局部细粒度结构特征向量输入细粒度共性特分别计算所述支气管扩张状态局部细粒度纹理特征向量和所述支气管扩张状态局部将所述支气管扩张状态纹理一结构联合细粒度核心特征向量的集基于所述支气管扩张状态纹理一结构联合细粒度核心特征向量的集合扩张状态纹理结构联合细粒度核心特征向量构造查询向量和值向量，且基于所述支气管对所述支气管扩张状态纹理一结构上下文联合细粒度核心特将所述支气管扩张状态纹理一结构细粒度联合编码特征图输入基于对CT扫描影像进行支气管目标区域检测以得到支气管对所述支气管目标区域图像进行多尺度特征提取以得到支气管扩张状态纹理特征图对所述支气管扩张状态纹理特征图和所述支气管扩张状态结构特征图进行基于核心基于所述支气管扩张状态纹理一结构细粒度联合编码特征图，4供高分辨率的体内组织结构图像而被广泛应用于各种疾病的诊断5取指定医院监测周期内接诊的各支气管扩张慢性病患者各次复病患者各次复查CT扫描影像中各处支气管于对所述支气管扩张状态纹理特征图和所述支气管扩张状态结构特征图进行基于核心联对CT扫描影像进行支气管目标区域检测以得到支气管对所述支气管目标区域图像进行多尺度特征提取以得到支气管扩张状态纹理特对所述支气管扩张状态纹理特征图和所述支气管扩张状态结构特征图进行基于[0011]与现有技术相比，本申请提供的基于人工智能的智慧医其采用基于深度学习的图像处理技术对慢性病患者复查的CT扫描影像进行多层次特征提[0012]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、6[0014]图2为根据本申请实施例的基于人工智能的智慧医疗数据处理系统的数据流动示[0015]图3为根据本申请实施例的基于人工智能的智慧医疗数据处理系统中扩张状态特[0016]图4为根据本申请实施例的基于人工智能的智慧医疗数据处理系统中细粒度联合[0017]图5为根据本申请实施例的基于人工智能的智慧医疗数据处理系统中细粒度共性[0020]虽然本申请对根据本申请的实施例的系统中的某些模块任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性信息库中提取指定医院监测周期内接诊的各支气管扩张慢性病患者各次复查的CT扫描影各次复查的CT扫描影像中各类支扩中各处支气管扩张对应的异常支气管管段的长度、位[0024]上述基于人工智能的智慧医疗数据处理系统在进行支气管扩张类型的识别过程7取模块可以直接访问PACS服务器上的原始DICOM文件，这些文件包含了详细的图像信息及8根据本申请实施例的基于人工智能的智慧医疗数据处理系统的数据流动示意图。如图1和提取单元120，用于对所述支气管目标区域图像进行多尺度特征提取以得到支气管扩张状扩张状态纹理特征图和所述支气管扩张状态结构特征图进行基于核心联合特征的全域语虑到在大规模临床应用中，直接对整张CT扫描影像进行处理不仅会消耗大量的计算资源，请采用了基于YOLO模型的支气管目标区域检测模块对所述CT扫描影像进行预处理，利用[0036]在上述基于人工智能的智慧医疗数据处理系统中，所述扩张状态特征提取单元120，用于对所述支气管目标区域图像进行多尺度特征提取以得到支气管扩张状态纹理特9取子单元122，用于将所述支气管目标区域图像输入基于第二空洞卷积神经网络模型的结可以理解，本申请考虑到支气管的整体扩张结构对于其支扩类型同样具有重要的表征意本申请进一步引入了基于第二空洞卷积神经网络模型的结构特征提取器来提取所述支气用于对所述支气管扩张状态纹理特征图和所述支气管扩张状态结构特征图进行基于核心联合特征的全域语义交互编码以得到支气管扩张状态纹理一结构细粒度联合编码特征图。细粒度共性特征提取子单元131，用于对所述支气管扩张状态纹理特征图和所述支气管扩合细粒度核心特征向量的集合进行基于语义聚类中心的全域交互编码以得到所述支气管[0041]图5为根据本申请实施例的基于人工智能的智慧医疗数据处理系统中细粒度共性构特征图进行特征细粒度解耦以得到支气管扩张状态局部细粒度纹理特征向量的集合和所述支气管扩张状态局部细粒度纹理特征向量的集合和所述支气管扩张状态局部细粒度结构特征向量的集合中每组对应的支气管扩张状态局部细粒度纹理特征向量和支气管扩张状态局部细粒度结构特征向量输入细粒度共性特征提取网络以得到所述支气管扩张状纹理特征图和所述支气管扩张状态结构特征图进行特征细粒度解耦以得到支气管扩张状;;其中，表示所述支气管扩张状态纹理特征图，表示所述支气管扩张状态结构特征图，Decouple(o)表示特征解耦，z1、a、和Tn分别表示支气管扩张状态部细粒度纹理特征向量，为所述支气管扩张状态局部细粒度纹理特征向量的集合中特征;和分别表示支气管扩张状态局部细粒度结构特征向量的集而产生支气管扩张状态局部细粒度纹理特征向量的集合和支气管扩张状态局部细粒度结管扩张状态局部细粒度纹理特征向量和所述支气管扩张状态局部细粒度结构特征向量之合交互表示向量和所述第三扩张状态纹理一结构联合交互表示向量级联融合后输入基于tanh函数的神经网络层以得到所述支气管扩张状态纹理一结构联合细粒度核心特征向量，;其中，◎表示点乘，表示点加，Θ表示点减，concat(o;o;o)表示级联，W和bvr分别表示权重矩阵和偏置项，tanh表示双曲正切函数，表示所述支气管扩张状态纹理结构联合细粒度核心特征向量的集合中的第个支气管扩张状态纹理结;气管扩张状态纹理结构联合细粒度核心特征向理结构联合细粒度核心特征向量构造查询向量和值向量，且基于所述支气管扩张状态纹;;;、W和wi分别表示查询嵌入矩阵、键嵌入矩阵和值和uvi分别表示第个支气管扩张状态纹理一结构联合细量和值向量，Uk表示键向量，L表示所述键向量的长度，8表示矩阵乘法运算，(o"表示向量的转置，softmaac表示归一化指数函数，表示支气管扩张状态纹理一结构上下气管扩张状态纹理结构上下文联合细粒度核心;管扩张状态纹理结构细粒度联合编码特征图输入基于分类器的扩张类型识别器以得到所特征图输入基于分类器的扩张类型识别器以得到所述支气管;;支气管扩张状态纹理结构细粒度联合编码空征值总数的乘积以获得的第一支气管扩张状态纹理一结构细粒度联合编码长程依赖值计算所述特征值总数的平方根乘以所述特征值的乘积减去所述第二支气管扩张状态纹理结构细粒度联合编码空间结构值以获得的第二支气管扩张状态纹理结构细粒值的倒数进行加权求和以获得每个特征值对应的优化特征值支气管扩张状态纹理一结构细粒度联合编码长程依赖值，e表示自然常数，a和B表示加将所述优化特征值组成优化的支气管扩张状态纹理一结构细粒度联合编码特征类器的扩张类型识别器以得到所述支气管扩细粒度联合编码特征图的跨域细粒度核心联合特征表示也会因不同模态特征深度和感受所述基于分类器的扩张类型识别器得到的支气管扩张的支扩类在高维空间内可能存在的空间结构缺失导致分类器的权重基于特征地隐含推断空间结构纹理结构细粒度联合编码特征图的特征集合的空间归纳偏差感知能力，改进分类器的收一长度值将作为评估支气管扩张严重程度的一支气管动脉比值和支气管管壁增厚系数来计算各次复查的支扩病理严重程度系数是现有[0064]综上所述，基于本申请实施例的基于人工智能的智慧医其采用基于深度学习的图像处理技术对慢性病患者复查的CT扫描影像进行多层次特征提[0066]图6为根据本申请实施例的基于人工智能的智慧医疗数据处理方法的流程图。如支气管扩张状态纹理特征图和所述支气管扩张状态结构特征图进行基于核心联合特