一种基于深度学习的小肠核磁共振影像图像识别和生理学信息提取系统及方法技术方案

本发明专利技术涉及一种基于深度学习的小肠核磁共振影像图像识别和生理学信息提取系统和方法，系统包括小肠核磁共振影像、样本数据库、图像分割模块、图像分析模块和结果输出模块，小肠核磁共振影像用于获得原始图像；样本数据库用于得到识别图像；图像分割模块用于得到归一化的标准尺寸图像序列；图像分析模块用于得到原始图像中小肠直径尺寸；结果输出模块用于对原始图像中小肠直径尺寸和位置信息进行结果输出。本发明专利技术提供的基于深度学习的小肠核磁共振影像图像识别和生理学信息提取系统及方法，实现了像素级评价指标来评估输出结果，提升了小肠诊断过程中的准确性。小肠诊断过程中的准确性。小肠诊断过程中的准确性。

【技术实现步骤摘要】
一种基于深度学习的小肠核磁共振影像图像识别和生理学信息提取系统及方法


[0001]本专利技术涉及计算机和医学领域，特别是涉及一种基于深度学习的小肠核磁共振影像图像识别和生理学信息提取系统及方法。

技术介绍

[0002]如今，随着人工智能的快速发展，智能医疗领域也得到了迅速的发展。其中，基于核磁共振影像展开的智能识别与诊断技术在医疗领域取得了广泛应用。
[0003]小肠在消化食物和吸收营养方面起着重要作用。小肠的蠕动功能对于混合、研磨和运输肠内容物是必不可少的。肠胃病学家经常观察这些运动数据，以确定病人是否有患克罗恩病等胃肠疾病的危险。为了评估小肠的蠕动能力，有几种放射学方法，如磁共振成像。根据观察方法，可以生成各种类型的数据，通常是图像，这些数据提供了关于小肠内部状态的丰富信息。传统的放射科医生利用这些数据和手工测量来评估小肠蠕动，这是低效率的。一些研究人员一直在探索模仿人类专家工作的自动方法。近年来，随着深度学习的发展，一些神经网络结构已经有效地复制了这项工作，甚至在某些医学领域超过了实际的放射科医生。
[0004]当前，小肠疾病检查中会涉及核磁共振影像，而人工对结果的判断存在一定的缺陷：由于小肠尺寸直径和性质通过目测后，会导致结果因医师经验不同而得出不同尺寸性质出现了不小的偏差，从而无法准确得出真实客观的数据。因此，借助基于深度学习的小肠核磁共振影像图像辅助处理诊断方法，是很有必要的。

技术实现思路

[0005]为解决上述技术问题，本专利技术的目的在于，提供一种基于深度学习的小肠核磁共振影像图像识别和生理学信息提取系统及方法，实现像素级评价指标来评估输出结果，提升小肠诊断过程中的准确性。
[0006]为达到上述目的，本专利技术采用如下技术方案：
[0007]一种基于深度学习的小肠核磁共振影像图像识别和生理学信息提取系统，包括小肠核磁共振影像、样本数据库、图像分割模块、图像分析模块和结果输出模块，其中：
[0008]小肠核磁共振影像：用于对肠道区域图像采集后获得原始图像；
[0009]样本数据库：用于对原始图像采用监督学习方法进行识别处理得到识别图像；
[0010]图像分割模块：用于将识别图像进行切片处理得到归一化的标准尺寸图像序列；
[0011]图像分析模块：用于将标准尺寸图像序列进行卷积操作和注意力编解码变换后计算得到原始图像中小肠直径尺寸；
[0012]结果输出模块：用于对原始图像中小肠直径尺寸和位置信息进行结果输出。
[0013]进一步的，所述原始图像通过核磁共振仪进行获取。
[0014]进一步的，所述结果输出模块信号连接有显示屏和打印机。
[0015]本专利技术还提供一种基于深度学习的小肠核磁共振影像图像识别和生理学信息提取方法，包括如下步骤：
[0016]S100、原始图像采集：通过核磁共振仪采集人体小肠区域原始图像，并将原始图像传输至样本数据库；
[0017]S200、识别图像获取：样本数据库对原始图像采用监督学习方法进行识别处理得到识别图像，并将得到的识别图像传输给图像分割模块；
[0018]S300、图像序列生成：图像分割模块对识别图像进行切片处理得到归一化的标准尺寸图像序列，并将生成的图像序列传输给图像分析模块；
[0019]S400、图像序列分析：图像分析模块对标准尺寸图像序列依次进行卷积操作和注意力编解码变换后通过主成分回归分析计算得到原始图像中小肠直径尺寸，并将相关数据传输至结果输出模块；
[0020]S500、分析结果展示：结果输出模块对原始图像中小肠直径尺寸和位置信息进行输出，通过显示屏显示结果和打印机打印输出报告结果。
[0021]进一步的，在步骤S100中，在原始图像输入样本数据库之前，对原始图像做兴趣起点和关注区域的标记。
[0022]进一步的，在步骤S300中，所述识别图像的切片处理具体包括如下步骤：
[0023]S301、将识别图像分割为数列大小20x20大小的方形子集图像；
[0024]S302、对每个子集图像均应用翻转和移位操作。
[0025]进一步的，在步骤S400中，所述卷积操作包括如下步骤：
[0026]S401、经过动态卷积后提取初步特征映射；
[0027]S402、经过上采样处理，改造特征映射；
[0028]S403、经过标准卷积，调整特征映射，得到特征序列。
[0029]通过上述技术方案，本专利技术具有以下效果：
[0030]本专利技术系统结构设计合理，利用样本数据库进行监督式学习，将分割好的图像序列送入计算系统，最终计算出小肠真实尺寸，协助医师开展进一步的诊疗，能够实现像素级评价指标来评估输出结果，相对于人工根据核磁共振影响对结果的判断，极大提升了小肠诊断过程中的准确性。
附图说明
[0031]图1为本专利技术基于深度学习的小肠核磁共振影像图像识别和生理学信息提取系统的结构框图；
[0032]图2为本专利技术基于深度学习的小肠核磁共振影像图像识别和生理学信息提取方法的流程框图；
[0033]图3为本专利技术基于深度学习的小肠核磁共振影像图像识别和生理学信息提取方法中的双通道图像序列示意图；
[0034]图4为本专利技术基于深度学习的小肠核磁共振影像图像识别和生理学信息提取方法中的卷积示意图；
[0035]图5为本专利技术评估结果的尺寸示意图。
具体实施方式
[0036]下面将结合示意图对本专利技术的基于深度学习的小肠核磁共振影像图像识别和生理学信息提取系统及方法进行更详细的描述，其中表示了本专利技术的优选实施例，应该理解本领域技术人员可以修改在此描述的本专利技术，而仍然实现本专利技术的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本专利技术的限制。
[0037]如图1所示，本专利技术实施例提出了一种基于深度学习的小肠核磁共振影像图像识别和生理学信息提取系统，包括小肠核磁共振影像、样本数据库、图像分割模块、图像分析模块和结果输出模块，其中：
[0038]小肠核磁共振影像：用于对肠道区域图像采集后获得原始图像；
[0039]样本数据库：用于对原始图像采用监督学习方法进行识别处理得到识别图像；
[0040]图像分割模块：用于将识别图像进行切片处理得到归一化的标准尺寸图像序列；
[0041]图像分析模块：用于将标准尺寸图像序列进行卷积操作和注意力编解码变换后计算得到原始图像中小肠直径尺寸；
[0042]结果输出模块：用于对原始图像中小肠直径尺寸和位置信息进行结果输出。
[0043]在本实施方式中，所述原始图像通过核磁共振仪进行获取。核磁共振仪的原理是将人体置于特殊的磁场中，用无线电射频脉冲激发人体内氢原子核，引起氢原子核共振，并吸收能量，在停止射频脉冲后，氢原子核按特定频率发出射电信号，并将吸收的能量释放出来，被体外的接受器收录，经电子计算机处理获得图像，核磁共振生成的图像提供的信息量不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的小肠核磁共振影像图像识别和生理学信息提取系统，其特征在于，包括小肠核磁共振影像、样本数据库、图像分割模块、图像分析模块和结果输出模块，其中：小肠核磁共振影像：用于对肠道区域图像采集后获得原始图像；样本数据库：用于对原始图像采用监督学习方法进行识别处理得到识别图像；图像分割模块：用于将识别图像进行切片处理得到归一化的标准尺寸图像序列；图像分析模块：用于将标准尺寸图像序列进行卷积操作和注意力编解码变换后计算得到原始图像中小肠直径尺寸；结果输出模块：用于对原始图像中小肠直径尺寸和位置信息进行结果输出。2.如权利要求1所述的基于深度学习的小肠核磁共振影像图像识别和生理学信息提取系统，其特征在于，所述原始图像通过核磁共振仪进行获取。3.如权利要求1所述的基于深度学习的小肠核磁共振影像图像识别和生理学信息提取系统，其特征在于，所述结果输出模块信号连接有显示屏和打印机。4.一种基于深度学习的小肠核磁共振影像图像识别和生理学信息提取方法，其特征在于，包括如下步骤：S100、原始图像采集：通过核磁共振仪采集人体小肠区域原始图像，并将原始图像传输至样本数据库；S200、识别图像获取：样本数据库对原始图像采用监督学习方法进行识别处理得到识别图像，并将得到的识别图像传输给图像分割模块；S300、图像序列生成：...

【专利技术属性】
技术研发人员：武星，
申请(专利权)人：上海大学，
类型：发明
国别省市：