本發(fā)明屬于醫(yī)療輔助診斷，具體是基于醫(yī)療知識(shí)圖譜的影像診斷輔助決策系統(tǒng)。

背景技術(shù)：

1、近年來(lái)，隨著醫(yī)學(xué)影像技術(shù)的不斷進(jìn)步，醫(yī)療知識(shí)圖譜作為一種新興的醫(yī)療信息技術(shù)，為影像診斷提供了更加系統(tǒng)化、知識(shí)化的支持。醫(yī)療知識(shí)圖譜能夠?qū)⒋罅康尼t(yī)療數(shù)據(jù)、醫(yī)學(xué)知識(shí)和臨床經(jīng)驗(yàn)進(jìn)行結(jié)構(gòu)化表示，使得機(jī)器學(xué)習(xí)與深度學(xué)習(xí)算法能夠更好地從中挖掘出有價(jià)值的信息，從而為影像診斷系統(tǒng)提供更為精準(zhǔn)的決策。

2、專利公開(kāi)號(hào)為cn110911009a的專利中公開(kāi)了，一種臨床診斷輔助決策系統(tǒng)和醫(yī)學(xué)知識(shí)圖譜積累方法，所述臨床診斷輔助決策系統(tǒng)包括：生命體征采集模塊、醫(yī)療影像采集模塊、中央控制模塊、診斷分析模塊、治療方案推薦模塊、醫(yī)學(xué)知識(shí)檢索模塊、圖譜創(chuàng)建模塊、數(shù)據(jù)存儲(chǔ)模塊、顯示模塊。本發(fā)明通過(guò)診斷分析模塊用各個(gè)病種的歷史數(shù)據(jù)訓(xùn)練模型，就可以達(dá)到只要一個(gè)模型就能預(yù)診多個(gè)病種的效果，非常適合臨床診斷管理和維護(hù)，診斷分析結(jié)果準(zhǔn)確；同時(shí)，通過(guò)圖譜創(chuàng)建模塊創(chuàng)建醫(yī)療知識(shí)圖譜，通過(guò)醫(yī)療知識(shí)圖譜來(lái)管理醫(yī)療數(shù)據(jù)，從而在使用醫(yī)療數(shù)據(jù)時(shí)，可通過(guò)醫(yī)療知識(shí)圖譜來(lái)提取醫(yī)療數(shù)據(jù)，進(jìn)而能夠在一定程度上提升在使用醫(yī)療數(shù)據(jù)時(shí)的便捷性；

3、然而，目前大多數(shù)醫(yī)療知識(shí)圖譜的應(yīng)用主要集中在文本信息的處理和分析上，對(duì)于醫(yī)學(xué)影像的深度分析和診斷支持還相對(duì)薄弱，在一些特殊病例，特別是在骨折類型分類方面，僅僅依賴于醫(yī)生的經(jīng)驗(yàn)和視覺(jué)判斷以及簡(jiǎn)單的特征匹配或粗糙的模式識(shí)別，導(dǎo)致診斷結(jié)果易受人為因素影響和診斷效率低等缺點(diǎn)，同時(shí)由于無(wú)法深入挖掘影像圖像中的紋理特征及微小差異，造成無(wú)法精準(zhǔn)判斷不同類型的骨折，無(wú)法實(shí)時(shí)輔助醫(yī)生進(jìn)行決策等問(wèn)題；基于此，提出基于醫(yī)療知識(shí)圖譜的影像診斷輔助決策系統(tǒng)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供基于醫(yī)療知識(shí)圖譜的影像診斷輔助決策系統(tǒng)，解決了無(wú)法深入挖掘影像圖像中的紋理特征及微小差異，造成無(wú)法精準(zhǔn)判斷不同類型的骨折，無(wú)法實(shí)時(shí)輔助醫(yī)生進(jìn)行決策的技術(shù)問(wèn)題。

2、基于醫(yī)療知識(shí)圖譜的影像診斷輔助決策系統(tǒng)，包括：

3、圖像數(shù)據(jù)集建立模塊，通過(guò)多個(gè)橈骨遠(yuǎn)端骨折圖像建立圖像數(shù)據(jù)集；

4、圖像數(shù)據(jù)集分析模塊，對(duì)預(yù)處理后的各個(gè)骨遠(yuǎn)端骨折圖像中各像素點(diǎn)分別對(duì)應(yīng)的紋理信息進(jìn)行提取分析，獲得各個(gè)橈骨遠(yuǎn)端骨折圖像的24維向量形態(tài)；

5、24維邊界盒子獲取模塊，對(duì)不同骨折類型下各橈骨遠(yuǎn)端骨折圖像分別對(duì)應(yīng)24維向量形態(tài)中的各個(gè)維度數(shù)值分別進(jìn)行分析，獲得不同骨折類型的24維邊界盒子以及不同骨折類型24維邊界盒子各維度的邊界區(qū)間；

6、模糊處理模塊，對(duì)不同骨折類型的24維邊界盒子各維度的邊界區(qū)間進(jìn)行模糊處理，獲得不同骨折類型24維邊界盒子各維度的邊界區(qū)間分別對(duì)應(yīng)的模糊區(qū)間；

7、骨折類型判斷模塊，將待檢測(cè)診斷圖像的實(shí)時(shí)24維向量形態(tài)中各維度數(shù)值與不同骨折類型24維邊界盒子各維度的邊界區(qū)間和模糊區(qū)間進(jìn)行對(duì)比分析，判斷待檢測(cè)診斷圖像對(duì)應(yīng)的骨折類型。

8、作為本發(fā)明進(jìn)一步的方案：獲得各個(gè)橈骨遠(yuǎn)端骨折圖像的24維向量形態(tài)的具體方式為：

9、首先通過(guò)特征數(shù)值提取單元根據(jù)各個(gè)橈骨遠(yuǎn)端骨折圖像在不同尺度和方向處的紋理信息獲得各個(gè)橈骨遠(yuǎn)端骨折圖像中各像素點(diǎn)在不同尺度和方向上分別對(duì)應(yīng)的紋理特征數(shù)值，然后通過(guò)特征數(shù)值分析單元對(duì)各個(gè)橈骨遠(yuǎn)端骨折圖像中各像素點(diǎn)在不同尺度和方向上分別對(duì)應(yīng)的紋理特征數(shù)值進(jìn)行分析，根據(jù)分析結(jié)果獲得各個(gè)橈骨遠(yuǎn)端骨折圖像在不同尺度和方向上分別對(duì)應(yīng)的計(jì)算值，再通過(guò)歸一化處理單元，對(duì)各個(gè)橈骨遠(yuǎn)端骨折圖像在不同尺度和方向上分別對(duì)應(yīng)的計(jì)算值中的均值和方差均進(jìn)行歸一化處理，獲得各個(gè)橈骨遠(yuǎn)端骨折圖像在不同尺度和方向上分別對(duì)應(yīng)計(jì)算值的標(biāo)定值，最后通過(guò)24維向量形態(tài)獲取單元，對(duì)各橈骨遠(yuǎn)端骨折圖像的計(jì)算值進(jìn)行向量化處理，獲得各個(gè)橈骨遠(yuǎn)端骨折圖像的24維向量形態(tài)，此處方向數(shù)選擇為4個(gè)，分別為0°、45°、90°、135°，不同尺度分別為1、2和3。

10、獲得各個(gè)橈骨遠(yuǎn)端骨折圖像在不同尺度和方向上分別對(duì)應(yīng)的計(jì)算值的具體方式為：

11、從不同尺度和方向選一個(gè)固定的尺度和方向?yàn)槟繕?biāo)尺度方向，獲得各個(gè)橈骨遠(yuǎn)端骨折圖像中各像素點(diǎn)在目標(biāo)尺度方向內(nèi)分別對(duì)應(yīng)的紋理特征數(shù)值，將各個(gè)橈骨遠(yuǎn)端骨折圖像中紋理特征數(shù)值的均值和方差作為各個(gè)橈骨遠(yuǎn)端骨折圖像在目標(biāo)尺度方向內(nèi)分別對(duì)應(yīng)計(jì)算值；

12、采用相同的分析方法，獲得各個(gè)橈骨遠(yuǎn)端骨折圖像在不同尺度和方向上分別對(duì)應(yīng)的計(jì)算值tnij（anij,bnij），其中anij為各個(gè)橈骨遠(yuǎn)端骨折圖像在不同尺度和方向上分別對(duì)應(yīng)的紋理特征數(shù)值均值，bnij指代為各個(gè)橈骨遠(yuǎn)端骨折圖像在不同尺度和方向上分別對(duì)應(yīng)的紋理特征數(shù)值的方差，n指代為不同的橈骨遠(yuǎn)端骨折圖像,i指代為不同方向標(biāo)號(hào)，i=1、2、3和4，j指代為不同尺度，j=1、2和3。

13、獲得各個(gè)橈骨遠(yuǎn)端骨折圖像在不同尺度和方向上分別對(duì)應(yīng)計(jì)算值的標(biāo)定值的具體方式為：

14、通過(guò)公式：xanij=（anij-anijmin）/（anijmax-anijmin）；xbnij=（bnij-bnijmin）/（bnijmax-bnijmin），計(jì)算獲得各個(gè)橈骨遠(yuǎn)端骨折圖像在不同尺度和方向上分別對(duì)應(yīng)的計(jì)算值的標(biāo)定值xtnij（xanij,xbnij），其中anijmax和anijmin分別為anij中的最大值和最小值，bnijmax和bnijmin分別為bnij中的最大值和最小值。

15、獲得各個(gè)橈骨遠(yuǎn)端骨折圖像的24維向量形態(tài)的具體方式為：

16、根據(jù)各橈骨遠(yuǎn)端骨折圖像在不同尺度和方向上分別對(duì)應(yīng)的計(jì)算值的標(biāo)定值xtnij（xanij,xbnij），對(duì)各橈骨遠(yuǎn)端骨折圖像的計(jì)算值進(jìn)行向量化處理，獲得各個(gè)橈骨遠(yuǎn)端骨折圖像的24維向量形態(tài)ln（xan11,xbn11,xan12,xbn12,xan12,xbn12，……,xan43,xbn43），各個(gè)向量形態(tài)內(nèi)均包含24個(gè)維度數(shù)值。

17、作為本發(fā)明進(jìn)一步的方案：獲得不同骨折類型的24維邊界盒子以及不同骨折類型24維邊界盒子各維度的邊界區(qū)間的具體方式為：

18、骨折類型包含a類、b類和c類骨折類型，首先獲得a類骨折類型對(duì)應(yīng)的多個(gè)橈骨遠(yuǎn)端骨折圖像的向量形態(tài)為le，其中e指代為a類骨折類型的不同橈骨遠(yuǎn)端骨折圖像，獲得a類骨折類型的向量形態(tài)le中各個(gè)維度數(shù)值中的最大值和最小值的均值標(biāo)記為各維度的基準(zhǔn)值，并將各維度的基準(zhǔn)值與對(duì)應(yīng)維度數(shù)值中最大值和最小值之間的差值絕對(duì)值相加，作為a類骨折類型各維度分別對(duì)應(yīng)的上界值，再將各維度的基準(zhǔn)值減去對(duì)應(yīng)維度數(shù)值中最大值和最小值之間的差值絕對(duì)值數(shù)值，作為a類骨折類型各維度分別對(duì)應(yīng)的下界值，通過(guò)a類骨折類型各維度分別對(duì)應(yīng)的上界值war和下界值wbr，建立a類骨折類型各維度分別對(duì)應(yīng)的邊界區(qū)間qar[wbr,war]，根據(jù)a類骨折類型各維度分別對(duì)應(yīng)的邊界區(qū)間qr，獲得a類骨折類型對(duì)應(yīng)的24維邊界盒子ha，其中r指代為不同的維度，r=1、2、……、24，采用同樣的分析方式對(duì)b和c類骨折類型對(duì)應(yīng)的多個(gè)橈骨遠(yuǎn)端骨折圖像的向量形態(tài)進(jìn)行分析，獲得對(duì)b和c類骨折類型分別對(duì)應(yīng)的24維邊界盒子hb和hc。

19、作為本發(fā)明進(jìn)一步的方案：獲得不同骨折類型24維邊界盒子各維度邊界區(qū)間分別對(duì)應(yīng)的模糊區(qū)間的具體方式為：

20、獲得a類骨折類型的各24維向量形態(tài)中各個(gè)維度數(shù)值分別對(duì)應(yīng)的標(biāo)準(zhǔn)差zr，將各維度的標(biāo)準(zhǔn)差zr與基準(zhǔn)值之間比值作為各維度的緩沖系數(shù)cr，將各維度的緩沖系數(shù)cr與標(biāo)準(zhǔn)差zr之間的乘積作為各維度邊界區(qū)間的緩沖數(shù)值fr，將a類骨折類型各維度邊界區(qū)間分別對(duì)應(yīng)的上界值kar與緩沖數(shù)值fr之和作為a類骨折類型各維度邊界區(qū)間分別對(duì)應(yīng)的緩沖上限值var，將a類骨折類型各維度邊界區(qū)間分別對(duì)應(yīng)的下界值kbr與緩沖數(shù)值fr之間的差值絕對(duì)值作為a類骨折類型各維度邊界區(qū)間分別對(duì)應(yīng)的緩沖下限值vbr，進(jìn)而獲得a類骨折類型各維度邊界區(qū)間分別對(duì)應(yīng)的模糊區(qū)間mhr[vbr,var]，采用同樣的分析方式對(duì)b和c類骨折類型24維邊界盒子各維度的邊界區(qū)間進(jìn)行模糊處理，獲得b和c類骨折類型24維邊界盒子各維度的邊界區(qū)間分別對(duì)應(yīng)的模糊區(qū)間；在對(duì)待檢測(cè)診斷圖像實(shí)時(shí)24維向量形態(tài)中各維度數(shù)值進(jìn)行判斷時(shí)，首先判斷其維度數(shù)值是否位于不同骨折類型24維邊界盒子各維度的邊界區(qū)間內(nèi)，位于則判斷對(duì)應(yīng)維度數(shù)值屬于對(duì)應(yīng)骨折類型的邊界區(qū)間內(nèi)，對(duì)應(yīng)骨折類型的邊界區(qū)間匹配數(shù)量加1，不位于則判斷其是否位于各骨折類型24維邊界盒子各維度的模糊區(qū)間內(nèi)，位于則判斷對(duì)應(yīng)維度數(shù)值屬于對(duì)應(yīng)骨折類型的模糊區(qū)間內(nèi)，對(duì)應(yīng)骨折類型的模糊區(qū)間匹配數(shù)量加1，否則，不做任何處理。

21、作為本發(fā)明進(jìn)一步的方案：判斷待檢測(cè)診斷圖像對(duì)應(yīng)的骨折類型的具體方式為：

22、獲取待檢測(cè)診斷圖像實(shí)時(shí)24維向量形態(tài)中各維度數(shù)值分別位于不同骨折類型24維邊界盒子各維度的邊界區(qū)間和模糊區(qū)間內(nèi)的數(shù)量分別與預(yù)設(shè)系數(shù)β1和β2之間的乘積之和，并將其作為待檢測(cè)診斷圖像在不同骨折類型24維邊界盒子內(nèi)分別對(duì)應(yīng)的選擇系數(shù)，將最大選擇系數(shù)對(duì)應(yīng)的骨折類型作為待檢測(cè)診斷圖像的骨折類型，此處，1=β1+β2，滿足1＞β1＞0.5＞β2＞0。

23、當(dāng)多個(gè)骨折類型的選擇系數(shù)相同且最大時(shí)，則獲得待檢測(cè)診斷圖像24維向量形態(tài)中各維度數(shù)值分別位于選擇系數(shù)相同24維邊界盒子的邊界區(qū)間內(nèi)的數(shù)量，將數(shù)量最多的骨折類型作為待檢測(cè)診斷圖像對(duì)應(yīng)的骨折類型，若數(shù)量還仍存在相同，則將相同數(shù)量對(duì)應(yīng)的骨折類型同時(shí)進(jìn)行輸出；

24、當(dāng)待檢測(cè)診斷圖像實(shí)時(shí)24維向量形態(tài)中各維度數(shù)值分別位于不同骨折類型24維邊界盒子各維度的邊界區(qū)間和模糊區(qū)間內(nèi)的數(shù)量均為0時(shí)，則觸發(fā)人工復(fù)核程序。

25、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

26、（1）本發(fā)明，通過(guò)對(duì)不同骨折類型的24維向量形態(tài)進(jìn)行分析，獲得了每種骨折類型對(duì)應(yīng)的24維邊界盒子，提供了明確的邊界區(qū)間，為骨折類型分類提供了標(biāo)準(zhǔn)化、結(jié)構(gòu)化的數(shù)據(jù)支持，提高了分類判斷的可靠性，通過(guò)設(shè)定清晰的邊界區(qū)間，進(jìn)一步提升了系統(tǒng)的診斷準(zhǔn)確度，確保了診斷過(guò)程的高效和精確；

27、（2）本發(fā)明，通過(guò)對(duì)24維邊界盒子的邊界區(qū)間進(jìn)行模糊處理，考慮到了不同骨折類型之間可能存在的相似性和變動(dòng)性，提高對(duì)待檢測(cè)圖像骨折類型判斷時(shí)的靈活性和容錯(cuò)性，能夠?qū)?fù)雜或不明確的診斷圖像做出合理的判斷，為骨折類型的判斷提供了更廣泛的參考范圍，降低了因特征值接近邊界而導(dǎo)致的誤判風(fēng)險(xiǎn)，提高診斷的準(zhǔn)確性；

28、（3）本發(fā)明，通過(guò)實(shí)時(shí)分析待檢測(cè)圖像的24維向量形態(tài)，并與預(yù)設(shè)的24維邊界盒子和模糊區(qū)間進(jìn)行對(duì)比，能夠自動(dòng)、精準(zhǔn)地判斷待檢測(cè)圖像對(duì)應(yīng)的骨折類型，提升了骨折類型分類的智能化和自動(dòng)化水平，提升了診斷速度和準(zhǔn)確度；

29、（4）本發(fā)明，在多個(gè)骨折類型的選擇系數(shù)相同時(shí)，通過(guò)進(jìn)一步比較邊界區(qū)間內(nèi)的維度數(shù)量來(lái)確定骨折類型，能夠有效應(yīng)對(duì)復(fù)雜情況下的診斷難題，這種多層次的判斷邏輯使得系統(tǒng)在面對(duì)復(fù)雜情況時(shí)能夠做出更合理的決策，同時(shí)當(dāng)待檢測(cè)圖像的特征值無(wú)法匹配任何骨折類型的邊界區(qū)間或模糊區(qū)間時(shí)，能夠觸發(fā)人工復(fù)核程序，確保診斷的最終準(zhǔn)確性和可靠性。