【技术实现步骤摘要】
本专利技术属于糖尿病足评估领域，具体是指一种基于人工智能的糖尿病足溃疡严重程度评估方法及系统。
技术介绍
1、传统的医学影像分析主要依赖于医生的经验和专业知识来判断疾病的严重程度，但是随着计算机视觉和图像处理技术的发展，人工智能开始在医学影像分析领域发挥作用。但传统的以图像识别为手段的深度学习神经网络模型存在体量大，计算时间长问题；存在传统的检测器未能考虑在糖尿病足溃疡的小型目标检测过程中的信息丢失的问题；存在在标签分配过程中，由于数据集标注的错误，可能导致将错误的标签分配给了某些样本，以及某些样本可能具有极端的特征或属性，导致模型在某些类别上表现较差，影响模型性能的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于人工智能的糖尿病足溃疡严重程度评估方法及系统，针对传统的以图像识别为手段的深度学习神经网络模型存在体量大，计算时间长问题，本方案采用的构建基于fcos框架的轻量目标检测网络，采用以mobilenetv3作为骨干网络的特征金字塔网络，提高效率缩减时间，通过轻量化骨干网以降低计算成本；针对传统的检测器未能考虑在糖尿病足溃疡的小型目标检测过程中的信息丢失的问题，本方案采用单点无头人脸检测器作为小目标增强模块，增强对小目标的关注，从而提高类似糖尿病足溃疡的小型目标的检测能力；针对在标签分配过程中，由于数据集标注的错误，可能导致将错误的标签分配给了某些样本，以及某些样本可能具有极端的特征或属性，导致模型在某些类别上表现较差，影响模型性能的问题，
2、本专利技术采取的技术方案如下：本专利技术提供的一种基于人工智能的糖尿病足溃疡严重程度评估方法，该方法包括以下步骤：
3、步骤s1：标注数据，采集目标检测数据集，数据集包括训练图像、真实边界框和分类标签，所述分类标签包括轻度溃疡、中度溃疡、重度溃疡和危重溃疡；
4、步骤s2：构建模型，构建基于fcos框架的目标检测模型，采用以mobilenetv3作为骨干网络的特征金字塔网络，提取多尺度特征图像；
5、步骤s3：小目标增强，通过在多尺度特征图像上进行密集采样获取锚点，采用单点无头人脸检测器识别糖尿病足溃疡小型伤口，将骨干网络最后三层输出的特征图作为单点无头人脸检测器的输入，单点无头人脸检测器根据锚点和特征图，输出虚拟边界框；
6、步骤s4：迭代循环，训练目标检测模型，计算基于角度的配置项和损失函数，采用梯度下降法优化目标检测模型；
7、步骤s5：标签分配，医生将患者糖尿病足溃疡的照片作为输入数据上传至目标检测模型，通过freeanchor标签分配策略，目标检测模型对每个正样本锚点进行分类和定位，输出糖尿病足溃疡的预测边界框和所属分类；
8、步骤s6：校正调优，采用注意力机制对预测边界框进行校准和调优操作；
9、步骤s7：评估分类，计算每个正样本的预测边界框与真实边界框之间的置信度分数，取匹配概率最大的预测边界框、置信度分数和所属分类作为评估糖尿病足溃疡严重程度的输出。
10、进一步的，在步骤s3中，小目标增强，具体方法包括以下步骤：
11、步骤s31：将骨干网络最后三层输出的特征图作为单点无头人脸检测器的输入向量，单点无头人脸检测器输出虚拟边界框，计算真实边界框与虚拟边界框的相关参数，所用公式如下：
12、；
13、；
14、；
15、；
16、式中，表示真实边界框，表示虚拟边界框，表示真实边界框的上边界到锚点的距离，表示真实边界框的下边界到锚点的距离，表示真实边界框的左边界到锚点的距离，表示真实边界框的右边界到锚点的距离，表示虚拟边界框的上边界到锚点的距离，表示虚拟边界框的下边界到锚点的距离，表示虚拟边界框的左边界到锚点的距离，表示虚拟边界框的右边界到锚点的距离，表示真实边界框的面积，表示虚拟边界框的面积；
17、步骤s32：衡量虚拟边界框与真实边界框之间的重叠程度，将虚拟边界框与真实边界框之间重叠所形成的新边界框记为交集边界框，计算伪交并比，公式如下：
18、；
19、式中，表示交集边界框的上边界的坐标，表示交集边界框的下边界的坐标，表示交集边界框的左边界的坐标，表示交集边界框的右边界的坐标，表示伪交并比；
20、步骤s33：正负样本选择，根据伪交并比，将锚点降序排序，计算所有锚点的置信度，选取置信度最高的锚点作为正样本，其余锚点作为负样本。
21、进一步的，在步骤s4中，计算基于角度的配置项和损失函数，具体方法包括以下步骤：
22、步骤s41：将真实边界框的中心点定义为地面真实中心，记为；
23、步骤s42：计算地面真实中心和预测边界框的中心点之间角度值损失配置项，公式如下：
24、；
25、式中，表示角度值损失配置项，表示倾斜角度，表示和之间的距离，表示水平方向的夹角，和表示角度值损失配置项的权重参数，表示求解的余弦值的幅角，表示求解的正弦值的幅角；
26、步骤s43：将角度值损失配置项加入到损失函数中，形成优化后的损失函数，公式如下：
27、；
28、式中，表示优化后的损失函数，表示原始的损失函数。
29、本专利技术提供的一种基于人工智能的糖尿病足溃疡严重程度评估导系统，所述一种基于人工智能的糖尿病足溃疡严重程度评估导系统包括标注数据模块、构建模型模块、小目标增强模块、迭代循环模块、标签分配模块、校正调优模块、评估分类模块；
30、所述标注数据模块采集目标检测数据集；
31、所述构建模型模块构建基于fcos框架的目标检测模型，采用以mobilenetv3作为骨干网络的特征金字塔网络，提取多尺度特征图像；
32、所述小目标增强模块通过在多尺度特征图像上进行密集采样获取锚点，采用单点无头人脸检测器识别糖尿病足溃疡小型伤口，将骨干网络最后三层输出的特征图作为单点无头人脸检测器的输入，单点无头人脸检测器根据锚点和特征图，输出虚拟边界框；
33、所述迭代循环模块训练目标检测模型，计算基于角度的配置项和损失函数，采用梯度下降法优化目标检测模型；
34、所述标签分配模块将患者糖尿病足溃疡的照片作为输入数据上传至目标检测模型，通过freeanchor标签分配策略，目标检测模型对每个正样本锚点进行分类和定位，输出糖尿病足溃疡的预测边界框和所属分类；
35、所述校正调优模块采用注意力机制对预测边界框进行校准和调优操作；
36、所述评估分类模块计算每个正样本的预测边界框与真实边界框之间的置信度分数，取匹配概率最大的预测边界框、置信度分数和所属分类作为评估糖尿病足溃疡严重程度的输出。
37、采用上述方案本专利技术取得的有益效果如下：本文档来自技高网...
【技术保护点】
1.一种基于人工智能的糖尿病足溃疡严重程度评估方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的糖尿病足溃疡严重程度评估方法，其特征在于：在步骤S3中，所述小目标增强，包括以下步骤：
3.根据权利要求2所述的一种基于人工智能的糖尿病足溃疡严重程度评估方法，其特征在于：在步骤S4中，所述计算基于角度的配置项和损失函数，包括以下步骤：
4.一种基于人工智能的糖尿病足溃疡严重程度评估系统，用于实现如权利要求1-3中任一项所述的一种基于人工智能的糖尿病足溃疡严重程度评估方法，其特征在于：包括标注数据模块、构建模型模块、小目标增强模块、迭代循环模块、标签分配模块、校正调优模块、评估分类模块；
【技术特征摘要】
1.一种基于人工智能的糖尿病足溃疡严重程度评估方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的糖尿病足溃疡严重程度评估方法，其特征在于：在步骤s3中，所述小目标增强，包括以下步骤：
3.根据权利要求2所述的一种基于人工智能的糖尿病足溃疡严重程度评估方法，其特征在于：在步...
【专利技术属性】
技术研发人员：李春雨，彭雪敏，
申请(专利权)人：华中科技大学同济医学院附属同济医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。