一种基于超声影像人工智能算法的脂肪肝自动检测方法技术

本发明专利技术涉及一种基于超声影像人工智能算法的脂肪肝自动检测方法，其步骤包括获取数据集、数据集预处理、建立模型、模型连接输出层以及模型训练。其中，本方法基于现有模型Keras参数进行优化，将其卷积神经网络中默认的“adam”替换成随机梯度下降法“SGD”，并对训练过程进行了改变，增加了训练环节：先锁定nceptionResNetV2，并使用支持向量算法训练。本发明专利技术，使用了提前终止、降低维度以及正则化避免了过拟合，经过验证，其计算精度有效提高。

【技术实现步骤摘要】
一种基于超声影像人工智能算法的脂肪肝自动检测方法
本专利技术涉及一种基于超声影像人工智能算法的脂肪肝自动检测方法，属于人工智能算法

技术介绍
非酒精性脂肪肝是最常见的肝脏异常。到目前为止，肝活检是参考肝组织样品中直接肝脂肪变性定量的标准。经皮肝穿刺是根据负压吸引的原理，采用快速穿刺方法，从肝内抽取少量的肝组织，直接在显微镜下观察其组织形态的改变。可见，病患需要进行微创手术，且检测周期较长。因此，人们提供一系列基于超声影像的图像识别算法，其直接使用convolutionalneuralnetwork默认的adam算法进行迭代，其计算精度一般。因此，需要本种基于超声影像人工智能算法的脂肪肝自动检测方法，以提高计算精度。
技术实现思路
为了解决上述技术问题，本专利技术提供一种基于超声影像人工智能算法的脂肪肝自动检测方法，包括步骤1：获取数据集：共N个患者，每个患者获取连续十张B超图片，共10*N张图片组成图像数据集；步骤2：数据集预处理：删除无关数据；步骤3：建立模型：以ImageNet预训练的Incep本文档来自技高网...

【技术保护点】
1.一种基于超声影像人工智能算法的脂肪肝自动检测方法，其特征在于：/n包括步骤1：获取数据集：共N个患者，每个患者获取连续十张B超图片，共10N张图片组成图像数据集；/n步骤2：数据集预处理：删除图像数据集中的无关数据；/n步骤3：建立模型：以ImageNet预训练的Inception-ResNet-v2模型作为基础，通过全局平均池化层提取神经网络特征；/n步骤4：模型连接输出层：利用支持向量机算法对图像数据集进行分类；/n步骤5：模型训练：使用随机梯度下降法训练模型，在小批量数据上计算损失函数的梯度并迭代地更新权重与偏置项。/n

【技术特征摘要】
1.一种基于超声影像人工智能算法的脂肪肝自动检测方法，其特征在于：
包括步骤1：获取数据集：共N个患者，每个患者获取连续十张B超图片，共10N张图片组成图像数据集；
步骤2：数据集预处理：删除图像数据集中的无关数据；
步骤3：建立模型：以ImageNet预训练的Inception-ResNet-v2模型作为基础，通过全局平均池化层提取神经网络特征；
步骤4：模型连接输出层：利用支持向量机算法对图像数据集进行分类；
步骤5：模型训练：使用随机梯度下降法训练模型，在小批量数据上计算损失函数的梯度并迭代地更新权重与偏置项。


2.根据权利要求1所述的基于超声影像人工智能算法的脂肪肝自动检测方法，其特征在于：所述步骤1获取数据集使用GEVividE9超声系统配备的扇形探针在2.5MHz下操作，操作模式为一般腹部预设与谐波图像，获取图片的分辨率等于434×636。


3.根据权利要求1所述的基于超声影像人工智能算法的脂肪肝自动检测方法，其特征在于：所述步骤2中的无关数据包括帧数。


4.根据权利要求1所述的基于超声影像人工智能算法的脂肪肝自动检测方法，其特征在于：
所述步骤3中使用开源人工神经网络库Keras中实现的Inception-ResNet-v2卷积神经网络模型，用Python进行计算；每张图像作为网络输入，从全局平均池化层提取网络卷积神经特征。


5.根据权利要求4所述的基于超声影像人工智能算法的脂肪肝自动检测方法，其特征在于：获取网络卷积神经特征的步骤包括：第一初始化卷基层，获得...

【专利技术属性】
技术研发人员：叶高扬，李幸，
申请(专利权)人：南京简凡科技有限公司，
类型：发明
国别省市：江苏;32