一种儿童脑部MR图像病毒性脑炎分类系统技术方案

一种儿童脑部MR图像病毒性脑炎分类系统，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，所述计算机存储器中存有训练好的分类模型，所述的分类模型采用改进的SE ResNet网络模型，共包含四个卷积部分，每个卷积部分由若干个子模块组构成，每个子模块组包含Inception子模块和SE Res子模块，最终通过全连接层获得最后的分类结果；所述计算机处理器执行所述计算机程序时实现以下步骤：将待分类的儿童脑部MR影像输入训练好的分类模型中，得到病毒性脑炎分类结果。利用本发明专利技术，可以提升模型对于不同维度特征的学习能力，大大提升儿童病毒性脑炎诊断的效率和准确率。儿童病毒性脑炎诊断的效率和准确率。儿童病毒性脑炎诊断的效率和准确率。

A classification system of viral encephalitis in brain MR images of children

【技术实现步骤摘要】
一种儿童脑部MR图像病毒性脑炎分类系统


[0001]本专利技术属于医学人工智能领域，尤其是涉及一种儿童脑部MR图像病毒性脑炎分类系统。

技术介绍

[0002]儿童脑炎是儿科一种较为常见的疾病。一般情况下，可通过临床症状、实验室检查，以及影像学和脑电图检测进行综合判断。若经确诊，患者需要在专业医生的指导下，进行针对性治疗。
[0003]目前医生诊断主要通过临床症状、实验室检查(脑脊液检查)、影像学和脑电图检测等方法进行检查，然而临床症状不太准确；影像学和脑电图检测则只有重症时才能肉眼观察到病变区域；脑脊液检查较准确，但耗时较长，且需要抽取脑脊液，对儿童造成创伤和痛苦。
[0004]随着人工智能和深度学习的发展，在医学领域，很多研究者尝试使用智能算法对影像学数据脑电图数据进行自动识别。
[0005]如公开号为CN112561863A的中国专利文献公开了一种基于深度学习的粒细胞图片细粒度分类识别系统；包含定位模块和分类模块，其中定位模块利用Hourglass网络模型对输入的粒细胞图片进行特征提取，将粒细胞图片中的全部细胞分别进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种儿童脑部MR图像病毒性脑炎分类系统，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分类模型，所述的分类模型采用改进的SE ResNet网络模型，共包含四个卷积部分，每个卷积部分由若干个子模块组构成，每个子模块组包含Inception子模块和SE Res子模块，最终通过全连接层获得最后的分类结果；其中，Inception子模块通过不同尺度的卷积来提升对不同大小的特征的学习能力；SE Res子模块包含SE和Res两部分，SE部分通过压缩
‑
扩张通道数来提升模型对于有效特征的学习能力，Res部分通过跳跃连接对SE部分的输入特征矩阵X和输出特征矩阵进行拼接，提升模型对于不同维度特征的学习能力；所述计算机处理器执行所述计算机程序时实现以下步骤：将待分类的儿童脑部MR影像输入训练好的分类模型中，得到病毒性脑炎分类结果。2.根据权利要求1所述的儿童脑部MR图像病毒性脑炎分类系统，其特征在于，所述Inception子模块的结构如下：在获得上一层的数据输入X后，进入到多核卷积层L
incep
，此层设计三个不同尺寸的卷积核以及一个池化核，即C
incep
＝[C1,C2,C3,P1]；其中，C1,C2,C3的卷积核大小分别是1*1、3*3、5*5，P1的核大小为3*3；通过这些卷积核得到四个不同的特征然后将各特征进行拼接，最终得到多核卷积层L
incep
的输出O＝Concat(F1,F2,F3,F4)。3.根据权利要求1所述的儿童脑部MR图像病毒性脑炎分类系统，其特征在于，SE Res子模块中，SE部分的结构如下：获取上一层的的输入数据X(c*w*h)，其中c,w,h分别代表特征矩阵的通道数、宽、高；首先用1*1大小的全局池化层进行池化，获得池化后的特征...

【专利技术属性】
技术研发人员：俞刚，黄坚，李委糠，沈忱，李竞，朱珠，齐国强，余卓，柴象飞，郭娜，张路，
申请(专利权)人：浙江大学，
类型：发明
国别省市：