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
。
...

【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：