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，并在小批量数据上计算损失函数的梯度而迭代地更新权重与偏置项。进一步的，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-摄取，获取图片的分辨率等于434×636。进一步的，所述步骤2中的无关数据包括帧数.进一步的，所述步骤3的锁定卷积神经网络模型的Inception-ResNet-v2为使用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。进一步的，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A模块；第二：维度削减，获得B模块；第三，维度削减，获得C模块；第四，全局平均池话，获得自然特征；第五，去掉零方差特征。进一步的，所述步骤4中利用支持向量机算法对图像数据集进行分类包括首先采用排除离群值方法对网络卷积神经特征进行归一化处理；其次设定测试集包括来自一名患者的10张图像，训练集包括来自其余患者的9N张图像；然后每个训练集，应用5-fold交叉验证和网格搜索来表示最佳支持向量机分类器的超参数和最佳内核；在训练集中，每个类的支持向量机超参数与该类频率成反比调整；标签1表示含有脂肪肝的图像，否则为-1；最后对测试集中的每个图像进行后验概率的计算，并将结果进行平均，得到与被检肝脏相关的最终后验概率。进一步的，所述随机梯度下降法训练过程中使用提前终止、降低模型复杂度和添加L2正则化以避免出现过拟合。进一步的，所述提前终止包括设置模型在连续10次迭代没有取得下降后，即时终止训练，并保存最优模型。进一步的，所述降低模型复杂度包括使用Dropout随机删除网络中一半的隐藏神经元，并保持输入输出神经元保持不变；然后把网络输入图像通过修改后的网络前向传播，把得到的损失结果通过修改的网络反向传播，并不断重复这一过程。进一步的，添加L2正则化为让权值减小，最够一个所有参数都较小的模型。，其具体技术方案如下：本专利技术的有益效果是：本方法可以帮助自动计算出人体患有脂肪肝的概率，并且较之现有技术提高了计算精度。附图说明图1为本专利技术的逻辑顺序结构图。具体实施方式现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。步骤一：数据集包括55名患者，平均年龄40.1±9.1，平均BMI为45.9±5.6，男性占20%，均为入院接受减肥手术。脂肪肝被定义为肝脏有5%以上的肝细胞伴有脂肪性浸润。55名患者中，有38人患有脂肪肝。使用GEVividE9超声系统（GEHealthcareINC，Horten，Nor-way）配备的扇形探针在2.5MHz下操作的超声数据。默认的模式为一般腹部预设与谐波图像-摄取。B模式图像像素大小为0.373毫米×0.373毫米。对于每个患者，获取其收集10个连续的图像，使得该数据集包含550张B模式图像。步骤二：对获取的数据集中的肝脏B型图像进行预处理，删除无关数据，如帧数。步骤三：卷积神经网络的特征提取使用Keras中实现的Inception-ResNet-v2卷积神经网络。计算是用Python进行的。每张肝脏图像作为网络输入，从全局平均池化层提取相应的神经特征，主要步骤包括：第一初始化卷基层，获得Inception-resnet-A模块，第二维度削减，获得Inception-resnet-B模块，第三再次维度削减，获得Inception-resnet-C模块，第四全局平均池化获得自然特征，最后去掉零方差特征。步骤四：利用支持向量机算法对脂肪肝图像数据集进行分类。首选采用排除离群值的方法对特征进行归一化处理。设定测试集包括1名患者的10张图像。训练集包括来自其余54名患者的540张图像。对于每个训练集，应用5-fold交验证和网格搜索来表示最佳支持向量机分类器的超参数和最佳内核。为了解决类不平衡问题，在训练集中，每个类的支持向量机超参数C与该类频率成反比调整。标签1表示含有脂肪肝的图像，否则为-1。训练阶段结束后，对测试集中的每个图像进行后验概率的计算，并将结果进行平均，得到与被检肝脏相关的最终后验概率。步骤五：使用随机梯度下降法(SGDStochasticGradientDescent)训练模型。由于批梯度下降每跟新一个参数的时候，要用到所有的样本数，所以训练速度会随着样本数量的增加而变得非常缓慢。随机梯度下降正是为了解决这个办法而提出的。利用每个样本的损失函数对θ求偏导得到对应的梯度，来更新θ：其中，θ是权重矩阵，x是输入矩阵，y是实际输出值。针对训练过程中出现的过拟合，使用以下三种方法避免提前终止。第一：提前终止。大部分情况下，模型会首先学习数据的正确分布，然后在某个时间点上开始对数据过拟合。通过识别模型是从哪些地方开始发生转变的，那么就可以在过拟合出现之前停止模型的学习过程。设置模型在validationloss连续10次迭代没有取得下降后，即时终止训练，并保存最优模型，防止模型过拟合。第二：使用Dropout降低模型复杂度。首先随机（临时）删掉网络中一半的隐藏神经元，输入输出神经元保持不变。然后把输入矩阵通过修改后的网络前向传播，然后把得到的损失结果通过修改的网络反向传播，并不断重复这一过程。第三：添加L2正则化（Regularization）：拟合过程中通常都倾向于让权值尽可能小，最后构造一个所有参数都比较小本文档来自技高网...

【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