具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

如图1所示，本发明提供基于人工智能的肺部检查影像辅助标记方法，包括以下步骤：

步骤S1：获取肺部检查影像，并对肺部检查影像进行预处理；

步骤S2：获取训练后的外部异物处理模型，所述外部异物处理模型使用若干组金属饰品的扫描影像进行训练，使得训练后的外部异物处理模型对金属饰品的扫描影像进行标记；

获取训练后的分区处理模型，所述分区处理模型使用若干张肺部扫描影像进行训练，使得训练后的分区处理模型对肺部扫描影像进行分区；

获取训练后的标记模型，所述标记模型使用若干张历史病历肺部扫描影像进行训练，使得训练后的标记模型对肺部扫描影像进行病症识别与框选；

步骤S3：采用外部异物处理模型，对肺部检查影像进行处理：

当标记有外部异物时，重新进行步骤S1；

当未标记有外部异物时，采用分区处理模型，对肺部检查影像进行分区；

步骤S4：将分区后的肺部检查影像进行编码；

步骤S5：分别获取分区后的肺部检查影像，并分别使用标记模型对各自所在分区的预设的历史病历影像数据库内的分区后的肺部扫描影像进行识别：

当标记模型识别出历史病历的肺部扫描影像与肺部检查影像一致时，标记模型将分区后的肺部检查影像中识别出的影像进行框选和标记，该标记标签为识别出的对应的病症名称；

当标记模型识别出历史病历的肺部扫描影像与肺部检查影像不一致时，将该分区后的肺部检查影像进行标记，该标记标签为无识别病症。

在实施例中，对肺部检查影像进行预处理为对肺部检查影像的调正，即采集肺部检查影像的图像特征点，提取肺叶、颈部的特征阴影；

再旋转该肺部检查影像，当旋转至该颈部特征阴影位于整个肺部检查影像的顶端，肺叶特征阴影位于整个肺部检查影像的水平两侧对称位置时，该肺部检查影像处于正确位置，实现对该肺部检查影像的调正。

如图2所示，所述步骤S2中，将若干组金属饰品的扫描影像作为外部异物训练组，将若干组带有金属饰品的肺部扫描影像作为外部异物验证组：

使用外部异物训练组进行训练，得到外部异物处理模型，再通过外部异物验证组进行框选与标记：

当对外部异物验证组框选与标记的结果与实际值差距＜0.5时，得到训练后的外部异物处理模型；

当对外部异物验证组框选与标记的结果与实际值差距≥0.5时，重新训练外部异物处理模型。

所述步骤S2中，将若干张肺部扫描影像作为分区训练组，将另外的若干组肺部扫描影像作为分区验证组：

使用分区训练组进行训练，得到分区处理模型，再通过分区验证组进行框选与分区：

当对分区验证组框选与分区的结果与实际值差距＜0.5时，得到训练后的分区处理模型；

当对分区验证组框选与分区的结果与实际值差距≥0.5时，重新训练分区处理模型。

所述步骤S2中，将若干张历史病历肺部扫描影像作为标记训练组，将若干张已知病历的肺部扫描影像作为标记验证组：

使用标记训练组进行训练，得到标记模型，再通过标记验证组进行框选、识别与标记：

当对标记验证组框选、识别与标记的结果与实际值差距＜0.5时，得到训练后的标记模型；

当对标记验证组框选、识别与标记的结果与实际值差距≥0.5时，重新训练标记模型。

在实施例中，由于肺部病变存在单独病变或者病变位置并不对称的情况，分区检测可以针对病变位置进行单独标记，增加了标记的准确性，提高了医生的检测效率。

如图3所示，所述步骤S4包括：

步骤S4-1：分区处理模型将肺部检查影像进行分区；

步骤S4-2：分别对分区后的肺部检查影像进行编码。

所述步骤S4-1中，分区处理模型将肺部检查影像分区为2个部分，分别为肺部检查影像的左肺叶、和右肺叶的两个部分。

所述步骤S4-2中，对步骤S4-1中分区后的两个部分进行编码，该编码分为两个部分，第一部分的编码指代该肺部检查影像的相对应患者的身份证号。

所述步骤S4-2中，第二部分的编码为对应分区两部分的依次编号：

肺部检查影像的左肺叶的第二部分的编码为1；

肺部检查影像的右肺叶的第二部分的编码为2。

所述方法还包括步骤S6：将分区后的肺部检查影像进行编码匹配，将第一部分编码一致的肺部检查影像合并，生成最终标记后的肺部检查影像。

在实施例中，将若干张已分区带编码的肺部扫描影像作为合并训练组，将另外的若干组已分区带编码的肺部扫描影像作为合并验证组：

使用合并训练组进行训练，得到合并处理模型，再通过合并验证组进行合并：

当对合并验证组框选与合并的结果与实际值差距＜0.5时，得到训练后的合并处理模型；

当对合并验证组框选与合并的结果与实际值差距≥0.5时，重新训练合并处理模型。

如图4所示，在实施例中，所述步骤S6包括：

步骤S6-1：获取标记后的分区的肺部检查影像及其编码；

步骤S6-2：采用合并处理模型对已分区带编码的肺部扫描影像进行识别，并根据编码进行合并，其中，两个第一部分的编码相同的已分区带编码的肺部扫描影像组成合并组，将合并组中的第二部分编码为1的放置于第二部分编码为2的肺部扫描影像左侧，并对该合并组的两个肺部扫描影像进行合并，得到最终标记后的肺部检查影像。

在实施例中，最终标记后的肺部检查影像的标记标签分为“1：所识别的病变名称”、“2：所识别的病变名称”、“1：无识别病症”或者“2：无识别病症”，实现分区针对性标记，提高了医生判断准确率。

如图5所示，一种基于人工智能的肺部检查影像辅助标记系统，应用上述的基于人工智能的肺部检查影像辅助标记方法，所述肺部检查影像辅助标记系统包括图像采集模块、数据处理模块以及存储模块；所述图像采集模块包括X射线投影装置，用于实现对肺部检查影像的采集；

所述存储模块实现对肺部检查影像的标记数据进行存储；

所述数据处理模块包括外部异物处理模型、分区处理模型、标记模型以及合并处理模型，实现对肺部检查影像的标记、分区以及合并。

在实际的工作过程中，经过对肺部检查影像的外部异物的识别，提高了后期辅助标记的准确率；经过对肺部检查影像的标记，实现了对病变阴影进行初步识别并标记，节约了医生需要对异物以及病变阴影的判断时间，提高了效率。

本发明的特点在于：通过对肺部检查影像进行辅助标记，实现了对肺部检查影像的外部异物进行检测以及对病变阴影进行初步识别并标记，节约了医生需要对异物以及病变阴影的判断时间，提高了效率；通过对肺部检查影像的阴影进行匹配，实现了对肺部检查影像中外部异物的识别和标记，避免由于外部异物阴影导致医生判断错误的情况，提高判断准确率；通过分区检测以及标记，提高了对肺部检查影像的标记准确性。

以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均等变化与改进等，均应仍归属于本专利涵盖范围之内。