[发明专利]一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统

权利要求书

1.一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统，包括中央数据处理系统、肿块病理结果反馈模块、持续自我学习多模型融合分类模块、肿块分类处理模块、图像获取模块、临床信息获取模块、临床信息特征采集模块和随机森林分类模型建立模块，其特征在于，所述中央数据处理系统包括计算机集群，所述计算机集群包括信息接收模块、数据存储模块、数据处理模块、数据对比模块、数据整合模块和卫星通信与传输模块，所述中央数据处理系统通过卫星通信与传输模块与肿块病理结果反馈模块、图像获取模块和临床信息获取模块形成实时通信连接，所述肿块病理结果反馈模块包括数据收集模块、训练模块和模型建立模块，所述数据收集模块包括良恶性图像数据集、病理类型图像数据集和病理疾病图像数据集，所述训练模块包括肿块良恶性分类训练模块、肿块病理类型分类训练模块和肿块病理疾病分类训练模块，所述模型建立模块包括肿块良恶性图像数据集、肿块病理类型图像数据集和肿块病理疾病图像数据集，所述肿块病理疾病分类训练模块通过网关与持续自我学习多模型融合分类模块形成实时连接，所述持续自我学习多模型融合分类模块通过网关与肿块分类处理模块形成实时连接，所述图像获取模块通过网关与持续自我学习多模型融合分类模块形成实时连接，所述中央数据处理系统通过网关与临床信息获取模块形成实时连接，所述临床信息获取模块将采集的信息通过网关传递到临床信息特征采集模块，所述临床信息特征采集模块将信息进行处理并通过网关传递到随机森林分类模型建立模块，所述随机森林分类模型建立模块将建立的模型通过网关传递到持续自我学习多模型融合分类模块。

2.根据权利要求1所述的一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统，其特征在于，所述肿块病理结果反馈模块通过从电子病历和医学影像系统中获取患者临床信息和肿块特征信息，根据病理结果按BI-RADS(BreastImaging Reporting AndDataSystem，BI-RADS)分类，建立数据集。根据图像病理结果建立良恶性图像数据集、病理类型和病理疾病图像数据集。

3.根据权利要求1所述的一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统，其特征在于，所述临床信息获取模块为医师在超声检查过程中获得的信息，包括乳腺结构、乳腺回声、乳腺导管有无扩张、乳腺结节、结节数量、结节边界、结节边缘、结节形状、结节位置、结节回声、结节后方回声、结节方位、结节钙化灶、结节周围组织、结节彩流分布，腋窝淋巴结纵横比、边界回声及彩流分布等，患者有无乳腺肿块家族史、乳腺有无溢液、肿块硬度、手术史、乳腺有无疼痛等。

4.根据权利要求1所述的一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统，其特征在于，所述随机森林分类模型建立模块采用开源的sklearn库，导入RandomForestClassifier模块，通过该模块的fit方法构建随机森林模型，通过predict方法验证模型的准确率。

5.根据权利要求1所述的一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统，其特征在于，所述训练模块采用GitHub上开源的imageAI库，该库采用深度学习卷积神经网络算法，提供了4种算法包括SqueezeNet，ResNet，InceptionV3和DenseNet，训练过程生成一个JSON文件，用于映射图像数据集和许多模型中的对象类型。

6.根据权利要求1所述的一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统，其特征在于，所述图像获取模块有一个可显示乳腺超声图像的窗体，当图像需要进行鉴别时，用户只需点击“AI协助鉴别”按扭就可选择图像，可只选一幅图像，也可选取任意多幅图像，选择完成后模块自动把选取的图像提交给持续自我学习多模型融合分类模块，进行图像分类，获得分类结果，并把结果传递到中央数据处理系统。

7.根据权利要求1所述的一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统，其特征在于，所述持续自我学习多模型融合分类模块将肿块病理结果反馈模块中的数据进行融合，通过python编程构建一套可持续自我学习的系统并自动运行于服务器。

8.根据权利要求1-7所述的一种持续自我学习多模型融合超声乳腺肿块精准鉴别方法，其特征在于，包括：

S1、中央数据处理系统将从电子病历和医学影像系统中获取患者临床信息和肿块特征信息，然后传递到肿块病理结果反馈模块中，根据病理结果按BI-RADS分类，建立数据集，根据图像病理结果建立良恶性图像数据集、病理类型和病理疾病图像数据集，同时中央数据处理系统将在超声检查过程中获得的信息传递到临床信息特征采集模块，临床信息特征采集模块进行处理后传递到随机森林分类模型建立模块进行建模；

S2、随机森林分类模型建立模块将从肿块病理结果反馈模块接收的信息进行融合，并与随机森林分类模型建立模块输出的信息相融合，通过python编程构建一套可持续自我学习的系统并自动运行于服务器，实现对肿块的分类鉴别和自我训练学习；

S3、当对病人进行鉴别时中央数据处理系统通过图像获取模块将病例图像输入到持续自我学习多模型融合分类模块，经分类处理后通过肿块分类处理模块输入到中央数据处理系统中，经过信息接收模块、数据存储模块、数据处理模块、数据对比模块和数据整合模块的处理，通过卫星通信与传输模块输出肿块分类结果。

S4、中央数据处理系统根据临床信息和肿块图像分类结果完成对患者病情进行鉴别工作。