一种基于深度学习的儿童肠套叠自动检测系统技术方案

本发明专利技术公开了一种基于深度学习的儿童肠套叠自动检测系统，包括训练好的同心圆检测模型，利用同心圆检测模型检测儿童腹部超声影像中的同心圆；同心圆检测模型包括特征提取网络、区域生成网络RPN以及ROI Pooling层；其中特征提取网络采用VGG16卷积神经网络，且在卷积神经网络中增加了跳跃连接层，通过跳跃连接层将卷积神经网络的浅层特征和深层次特征联合。本发明专利技术构建的模型实现了对儿童腹部肠套叠超声影像“同心圆”征象自动检测，辅助医生做识别，减少了人为评估的阅片时间的同时，提高了儿童肠套叠患者的诊断速度。儿童肠套叠患者的诊断速度。儿童肠套叠患者的诊断速度。

【技术实现步骤摘要】
一种基于深度学习的儿童肠套叠自动检测系统


[0001]本专利技术属于医学人工智能领域，尤其是涉及一种基于深度学习的儿童肠套叠自动检测系统。

技术介绍

[0002]肠套叠是一种小儿外科急腹症，在临床上较为常见，以2岁以下小儿为主要患病人群。肠套叠主要是指相连两段肠管间彼此相套的现象，早期及时诊断并积极进行正确治疗可防止肠管发生坏死，减轻患儿受到的痛苦。
[0003]超声诊断作为一种无创伤、无痛苦的检查手段，易于被患儿及其家属接受，典型儿童肠套叠超声声像图可总结为两个征象：一是横断面上呈现“同心圆”征象，二是纵切面呈现“套筒征”征象，医生多是通过“同心圆”征象的识别判断患者是否出现肠套叠问题，然而日益增加的影像数据也为医生的诊疗带来了负担。
[0004]计算机视觉技术常用于图像快速智能处理领域，如图像分类、目标检测和目标检索，计算机视觉模拟了人的视觉机制，具有检测速度快、成本低的优点。近年来，随着深度学习在计算机视觉领域的应用，特别是在医学影像领域取得了突破性的进展，以往依赖医生人工读片的传统阅片模式被打破，以数据驱动为基础的深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的儿童肠套叠自动检测系统，其特征在于，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于：所述计算机存储器中存有训练好的同心圆检测模型；所述同心圆检测模型用于检测儿童腹部超声影像中的同心圆；所述的同心圆检测模型包括特征提取网络、区域生成网络RPN以及ROIPooling层；所述计算机处理器执行所述计算机程序时实现以下步骤：将待检测的儿童腹部超声影像缩放到固定大小后输入同心圆检测模型的特征提取网络，特征提取网络提取影像的特征映射，该特征映射被共享用于后续区域生成网络RPN和全连接层；利用区域生成网络RPN生成包围框偏移量，进行包围框第一次修正，然后计算出所有候选框；RoIPooling层一方面综合特征提取网络的特征映射和区域生成网络RPN的ROIS信息获取候选框的特征映射，送入后续全连接层和Softmax网络判定目标类别，另一方面采用回归操作进行包围框的二次修正，获得检测框最终的精确位置。2.根据权利要求1所述的基于深度学习的儿童肠套叠自动检测系统，其特征在于，所述的特征提取网络采用VGG16卷积神经网络，VGG16由5组卷积组成，每组卷积带有一个池化层，共包含13个卷积层、13个激活层和5个池化层；在卷积神经网络的第三组卷积和第五组卷积之间增加了跳跃连接层，通过跳跃连接层将卷积神经网络的浅层特征和深层次特征联合。3.根据权利要求1所述的基于深度学习的儿童肠套叠自动检测系统，其特征在于，所述的区域生成网络RPN进行包围框第一次修正的过程如下：区域生成网络RPN利用3*3卷积的滑动窗口在特征图上滑动，为每个位置生成9种预先设置好长宽比不同大小的anchor；初始anchor包含三种面积：128
×
128，256
×
256和512
×
512，每种面积又包含三种长宽比1:1、1:2和2:1；区域生成网络RPN首先需要判断anchor是否覆盖目标，接着对覆盖有目标的anchor进行第一次坐标修正。4.根据权利要求3所述的基于深度学习的儿童肠套叠自动检测系统，其特征在于，区域生成网络RPN计算所有候选框的过程如下：在包围框第一次修...

【专利技术属性】
技术研发人员：李哲明，黄坚，沈忱，俞刚，李竞，黄寿奖，宋春泽，柴象飞，郭娜，左盼莉，钱宝鑫，
申请(专利权)人：浙江大学，
类型：发明
国别省市：