基于医学影像数据识别的疾病监测方法及系统与流程

本公开涉及影像处理，具体而言，涉及基于医学影像数据识别的疾病监测方法及系统。

背景技术：

1、目前，医学影像在临床诊断中具有关键地位，但仍存在若干不足之处：一方面，大规模影像数据的人工读片费时费力，主观因素导致诊断报告的完整性和一致性难以保障；另一方面，影像辅助诊断常缺乏对疾病多维先验信息（如分期规律、解剖结构依赖关系、时序演化等）的充分利用，导致对罕见病灶、复杂分期的识别准确率和可解释性仍然有限。此外，传统方法或系统往往对影像病灶的自动检测与结构化描述支持不足，难以满足智能诊断对多病种、多阶段的精准识别需求。

2、为了解决上述问题，例如，授权公告号为cn115062165b的中国专利公开了一种基于读片知识图谱的医学影像诊断方法及装置，通过多算法融合（如图像分类、目标检测、图像分割等）对医学图像进行病变识别，并与预先构建的读片知识图谱关联，以生成含有异常影像特征与病变位置信息的“结构化检查所见”，进而利用深度学习模型和配置规则得到“检查印象”与“医学影像诊断报告”，在一定程度上提升了诊断自动化及报告生成效率。

3、然而，上述方案主要侧重于在生成诊断报告时利用知识图谱的影像特征及位置信息，对疾病分期演化规律、病灶时序属性、gan（生成对抗网络）等方法的综合利用尚不充分；也缺乏对病灶图像合成、多轮对抗训练、深度约束等方面的深入研究，难以兼顾形态与分期先验的精细耦合，无法对多分期病灶或稀少样本病灶进行更加准确的模拟与检测。基于此，有必要在现有技术的基础上进一步扩展和改进，综合运用知识图谱、gan及病灶形态分期先验信息，以更全面地提升医学影像在多分期场景下的智能识别与诊断水平。

技术实现思路

1、针对现有技术的不足，本公开实施例提供了基于医学影像数据识别的疾病监测方法及系统。

2、第一方面，本公开实施例提供基于医学影像数据识别的疾病监测方法，包括：

3、从医学知识图谱中获取与目标疾病相关的多层级先验信息，所述多层级先验信息包括：

4、病灶属性，所述病灶属性包括病灶大小、形态、位置、以及解剖结构依赖关系；

5、至少一种描述所述目标疾病进展规律的时序属性；和用于对所述目标疾病的病灶形态和分期进行限制的病灶边界与分期限制规则；

6、利用生成对抗网络作为所述病灶生成模型，所述生成对抗网络包括生成器和判别器；

7、将所述多层级先验信息中的病灶属性和时序属性，编码为知识先验向量输入到所述生成器，使所述生成器基于所述知识先验向量输出病灶图像数据，以匹配所述目标疾病的解剖结构和进展规律；

8、所述判别器在对所述生成器输出的病灶图像数据与所述知识先验向量进行差异评估的同时，所述判别器还调用所述医学知识图谱中的病灶边界与分期限制规则，对所述病灶图像数据的形态和分期状态进行合规性判定；

9、基于所述判别器输出的差异评估与合规性判定的结果，通过多轮对抗训练更新所述生成器的网络参数，直至得到满足所述多层级先验信息要求的病灶图像数据；

10、将所述满足所述多层级先验信息要求的病灶图像数据与原始医学影像相结合后，输入至预设的疾病监测模型，生成潜在病灶检测结果。

11、作为一种可选的实施方式，所述使所述生成器基于所述知识先验向量输出病灶图像数据包括：

12、对所述病灶属性中的大小、形态、位置以及解剖结构依赖关系进行数值化处理，生成病灶属性向量，所述病灶属性向量用于表征目标疾病病灶的空间特征与解剖先验；

13、对所述描述所述目标疾病进展规律的时序属性执行时间序列特征提取，并将得到的时序特征与所述病灶属性向量进行融合，形成时序融合向量，所述时序融合向量用于表征病灶在不同分期以及进展阶段的动态变化；

14、在所述时序融合向量中，基于从所述医学知识图谱中获取的病灶边界与分期限制规则所定义的临界阈值以及阶段区间，进行先验限制处理，以在病灶形态和分期维度对所述时序融合向量进行标注和限制；

15、将经过先验限制处理的时序融合向量输入所述生成器，并在训练以及推理阶段利用所述时序融合向量中包含的病灶空间特征与进展阶段信息生成病灶图像数据。

16、作为一种可选的实施方式，所述对所述生成器输出的病灶图像数据与所述知识先验向量进行差异评估包括：

17、通过特征提取算法从所述生成器输出的病灶图像数据中提取病灶图像特征，形成图像特征向量；

18、将所述图像特征向量与所述知识先验向量在空间属性维度、时序进展维度以及分期限制维度进行逐一比对，分别计算差异度量；

19、依据各维度的差异度量结果确定差异评估结果，并将所述差异评估结果用于指示病灶图像数据对所述知识先验向量的偏离度。

20、作为一种可选的实施方式，所述对所述病灶图像数据的形态和分期状态进行合规性判定包括：

21、基于从所述医学知识图谱获取的边界限制规则，将病灶图像数据中的边缘轮廓与预设的病灶形态阈值进行匹配，在病灶形态超出所述病灶形态阈值时输出形态不合规指示；

22、基于所述时序属性中的分期区间，将病灶图像数据的分期状态与医学知识图谱中的分期限制进行对照，当所述分期状态超出分期区间时输出分期不合规指示；

23、将形态合规性与分期合规性判定的结果进行整合，形成合规性判定结果，并将合规性判定结果用于指导对抗训练过程的继续或修正。

24、作为一种可选的实施方式，所述基于所述判别器输出的差异评估与合规性判定的结果，通过多轮对抗训练更新所述生成器的网络参数包括：

25、基于差异评估结果得到差异损失，基于合规性判定结果得到合规性损失，将所述差异损失和所述合规性损失以预设比重进行融合，生成总损失；

26、在训练过程中，对所述生成器进行梯度反向传播优化；

27、当总损失低于预设阈值或训练回合数达到上限时，停止更新生成器的网络参数，得到满足所述多层级先验信息要求的病灶图像数据。

28、作为一种可选的实施方式，所述将所述满足所述多层级先验信息要求的病灶图像数据与原始医学影像相结合包括：

29、基于病灶图像数据中的位置属性，将病灶像素坐标转换并对齐到原始医学影像的对应坐标位置；

30、在坐标对齐后，对病灶区域与原始医学影像交叠处的边界区域执行预设的像素融合处理，所述像素融合处理包括在融合边界进行梯度校正或无缝克隆操作；

31、在完成边界区域的像素融合处理后，输出合并后的图像数据作为合成影像数据。

32、作为一种可选的实施方式，所述将所述满足所述多层级先验信息要求的病灶图像数据与原始医学影像相结合后，输入至预设的疾病监测模型，生成潜在病灶检测结果包括：

33、载入预设的疾病监测模型，并对所述合成影像数据执行图像预处理操作；

34、在模型推理阶段，对输入的合成影像数据进行特征提取和分割计算，生成潜在病灶区域的位置信息、大小及形状；

35、基于模型推理获得的潜在病灶信息，生成潜在病灶检测结果；所述潜在病灶检测结果包括病灶空间坐标、形态参数、以及分期信息。

36、作为一种可选的实施方式，还包括：

37、响应于所述潜在病灶检测结果的分期信息、病灶大小、形态特征与所述多层级先验信息不符，将所述不符信息记录为更新数据；

38、将所述更新数据发送至所述医学知识图谱的更新接口，调整所述目标疾病在所述医学知识图谱中的信息。

39、第二方面，本公开实施例还提供基于医学影像数据识别的疾病监测系统，包括：采集模块、第一处理模块、第二处理模块、以及生成模块；

40、所述采集模块，用于从医学知识图谱中获取与目标疾病相关的多层级先验信息，所述多层级先验信息包括：

41、病灶属性，所述病灶属性包括病灶大小、形态、位置、以及解剖结构依赖关系；

42、至少一种描述所述目标疾病进展规律的时序属性；和用于对所述目标疾病的病灶形态和分期进行限制的病灶边界与分期限制规则；

43、所述第一处理模块，用于利用生成对抗网络作为所述病灶生成模型，所述生成对抗网络包括生成器和判别器；

44、将所述多层级先验信息中的病灶属性和时序属性，编码为知识先验向量输入到所述生成器，使所述生成器基于所述知识先验向量输出病灶图像数据，以匹配所述目标疾病的解剖结构和进展规律；

45、所述判别器在对所述生成器输出的病灶图像数据与所述知识先验向量进行差异评估的同时，所述判别器还调用所述医学知识图谱中的病灶边界与分期限制规则，对所述病灶图像数据的形态和分期状态进行合规性判定；

46、所述第二处理模块，用于基于所述判别器输出的差异评估与合规性判定的结果，通过多轮对抗训练更新所述生成器的网络参数，直至得到满足所述多层级先验信息要求的病灶图像数据；

47、所述生成模块，用于将所述满足所述多层级先验信息要求的病灶图像数据与原始医学影像相结合后，输入至预设的疾病监测模型，生成潜在病灶检测结果。

48、与现有技术相比，本技术将生成对抗网络与多层级先验信息（含病灶形态、分期限制及时序属性）有机结合，利用多轮对抗训练和边界融合等手段实现对罕见分期与多形态病灶的精准模拟与检测，并通过监测结果与知识图谱间的动态回馈形成闭环，显著提升病灶合成与识别的准确性和可解释性，从而更好地满足医学影像在多分期诊断场景下的临床需求。