一种基于深度学习的儿童急性阑尾炎影像学病灶分类方法技术

本发明专利技术涉及图像数据处理技术领域，提供了一种基于深度学习的儿童急性阑尾炎影像学病灶分类方法，包括以下步骤：

【技术实现步骤摘要】
一种基于深度学习的儿童急性阑尾炎影像学病灶分类方法


[0001]本专利技术涉及将图像数据处理
，尤其涉及一种儿童急性阑尾炎影像学病灶分类技术
。

技术介绍

[0002]儿童约占全人群患者的
10
％
。6
～
12
岁为发病高峰，5岁以下幼儿较少见，1岁以下发病率更低，可能与幼儿生理特征有关
。
由于儿童阑尾炎往往起病急进展快，但症状不典型且难以准确表述，在基层医疗机构易造成误诊
、
漏诊，延误治疗
。
引起儿童急性阑尾炎的原因仍不明确，涉及多方面多因素，主要为阑尾腔梗阻
、
细菌感染
、
血流障碍及神经反射等因素相互作用
、
相互影响的结果
。
同时，其发病类型也主要分为化脓性
(
蜂窝织炎性
)
阑尾炎
、
卡他性
(
单纯性
)
阑尾炎
、
坏疽性阑尾炎
。
[0003]由于多种病因
、
多种发病机制导致的儿童急性阑尾炎，在病灶上有较高的相似性，而影像学诊断又是其诊断依据中很重要的一环，这就给智能化辅助诊断分类带来极大的困扰
。
[0004]现有技术中基于影像学诊断的智能化辅助诊断分类，主要是采用单一图像直接横向结合诊断指标和病例文本的方式，而由于儿童急性阑尾炎的多种病因
、
多种发病机制在病灶上有较高的相似性，现有技术的这种直接横向结合的方式，实践证明会带来极高的误判率，几乎达到了不可用的程度
。
[0005]对此，现有技术又提出了改进的技术方案，如申请号为
202310061185.6
的中国专利公开的多期相病灶分类方法
、
装置
、
设备及可读存储介质，通过处理不同模态的多期相输入数据
、
应用于不同部位的病灶诊断中
、
诊断不同类型的病灶，能在一定程度上提升诊断准确率
。
但很显然，将之用于儿童急性阑尾炎的病灶进行智能化辅助诊断分类时，由于并未解决相似性的问题，因此仍然有着较高的误判率
。
[0006]另一方面，由于儿童体型差异较大，其影像学上的病灶尺寸相对于成人而言，明显有着更大的跨度，可能相同的病灶，由于儿童的体格不同，在影像上呈现尺寸差别极大的两种不同的图像，这又是现有技术图像分类技术进行智能化辅助诊断分类的一大难题
。
[0007]综上，专利技术人发现现有技术中至少存在如下问题：以图像分类技术直接横向结合诊断指标和病例文本的方式，难以解决儿童急性阑尾炎的多种病因
、
多种发病机制在病灶上有较高的相似性的问题，具有较高的误判率；无法对影像学上的病灶尺寸进行有效归一化处理，导致同类病灶在影像上呈现尺寸差别极大的两种不同的图像时具有较高的误判率，从而无法解决儿童急性阑尾炎的智能化辅助诊断分类问题
。

技术实现思路

[0008]本专利技术的目的在于，为了能够能有效区分儿童阑尾炎不同病因
、
不同发病机制的病灶，实现更为特定化的识别分类，以大幅提升病灶分类的准确性
。
[0009]为解决上述技术问题，本专利技术提供了一种基于深度学习的儿童急性阑尾炎影像学
病灶分类方法，包括以下步骤：
[0010]①
计算权重：根据诊断指标和病例文本，分析影像区的类别和权重；
[0011]②
图像向量化：对医学影像进行边缘检测，得到医学影像中的多个影像区的位置和类别；
[0012]③
图像赋权：按照步骤
②
所得影像区建立独立影像层，将影像区的权重根据类别对应作为该独立影像层的注意力权重，将独立影像层叠加于医学影像中，得到赋权重影像；
[0013]④
图像分类：基于多目标检测网络，采用注意力机制方法，对赋权重影像进行分类，得到病灶分类结果
。
[0014]由此，基于图像分区并根据诊断指标和病例文本赋权重的方式，能有效区分儿童阑尾炎不同病因
、
不同发病机制的病灶，实现更为特定化的识别分类，从而大幅提升病灶分类的准确性
。
[0015]进一步的，所述多目标检测网络为
ResNet50
网络
。
相对于其他模型算法，
ResNet50
网络能更好的融合注意力机制，因此更有利于根据诊断指标和病例文本赋权重
。
[0016]进一步的，为了更好的利用现有技术成熟方案实现对诊断指标和病例文本的准确分类，所述步骤
①
采用权重计算模型计算得到；权重计算模型基于
Boosting
算法，以儿童历史诊断指标和历史病例文本为训练集得到
。
[0017]进一步的，为了使影像区的区分结果具有更佳的延展性，更加利于后续利用，同时更能适应儿童患者的医学影像情况，所述步骤
②
中，采用边缘检测算法进行边缘检测，并通过二项式拟合得到矢量化的影像区边缘向量，然后根据影像区边缘向量对医学影像划分影像区，并采用图像识别模型对影像区进行识别分类，识别分类的结果为影像区的类别
。
[0018]进一步的，为了更准确区分影像区，所述边缘检测算法采用
Sobel
算子
。Sobel
算子位置加权系数更为准确，用在本专利技术中更能兼顾准确和性能
。
[0019]进一步的，为了更准确识别对影像区名称分类且同时保证足够高的效率，所述图像识别模型基于
VGG19
算法，以儿童历史阑尾炎医学影像，通过边缘检测算法划分影像区后，以同名影像区的区域影像作为训练集得到
。
[0020]进一步的，为了更适应儿童患者，所述步骤
②
之后，还包括步骤：
[0021]图像缩放：将医学影像及影像区中阑尾部分等比缩放至预设的标准规格
。
[0022]进一步的，作为一种优选方案，所述预设的标准规格为
512x512
像素
。
[0023]进一步的，作为一种优选方案，所述阑尾部分通过在影像区的类别中选取得到
。
[0024]进一步的，作为一种优选方案，所述步骤
④
中，将赋权重影像中的注意力权重，分影像区逐像素赋权
。
[0025]本专利技术相对于现有技术而言，基于图像分区并根据诊断指标和病例文本赋权重的方式，对影像识别的重点关注区域进行初步判断，起到辅助病灶分类的作用，能有效避免特有指征被弱化
、
忽视的情况，从而确实有效的提升准确性；在经过图像向量化的基础上，采用图像缩放步骤，能够有效实现归一化操作，能够很好的解决儿童的体格大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的儿童急性阑尾炎影像学病灶分类方法，其特征在于，包括以下步骤：
①
计算权重：根据诊断指标和病例文本，分析影像区的类别和权重；
②
图像向量化：对医学影像进行边缘检测，得到医学影像中的多个影像区的位置和类别；
③
图像赋权：按照步骤
②
所得影像区建立独立影像层，将影像区的权重根据类别对应作为该独立影像层的注意力权重，将独立影像层叠加于医学影像中，得到赋权重影像；
④
图像分类：基于多目标检测网络，采用注意力机制方法，对赋权重影像进行分类，得到病灶分类结果
。2.
如权利要求1所述的基于深度学习的儿童急性阑尾炎影像学病灶分类方法，其特征在于，所述多目标检测网络为
ResNet50
网络
。3.
如权利要求1所述的基于深度学习的儿童急性阑尾炎影像学病灶分类方法，其特征在于，所述步骤
①
采用权重计算模型计算得到；权重计算模型基于
Boosting
算法，以儿童历史诊断指标和历史病例文本为训练集得到
。4.
如权利要求1所述的基于深度学习的儿童急性阑尾炎影像学病灶分类方法，其特征在于，所述步骤
②
中，采用边缘检测算法进行边缘检测，并通过二项式拟合得到矢量化的影像区边缘向量，然后根据影像区边缘...

【专利技术属性】
技术研发人员：熊超，穆晓峰，邵剑波，彭雪华，彭飞，甘桐嘉，
申请(专利权)人：武汉儿童医院，
类型：发明
国别省市：