【技术实现步骤摘要】
本专利技术涉及一种基于人工智能的脂肪肝辅助诊断系统的研究与实现的方法。
技术介绍
1、肝活检是肝组织标本直接定量肝脂肪病变的参考标准，且已经建立了一套完整有效地评分系统。但肝活检是一种侵入性检查，具有昂贵、住院时间长等局限性，同时还具有疼痛、出血等严重的并发症风险，在极少数情况下还有可能会导致患者的死亡，并未被患者广泛接受，且并不是所有患者均能使用肝活检的方法进行诊断。同时，研究表明通过早期筛查诊断并进行干预，能够有效缓解甚至实现脂肪病变的逆转。因此使用无创的影像学方法对早期预测和识别脂肪肝的严重程度并进行早期干预具有重要的意义。
2、深度学习技术是人工智能领域中的分支，能够被称为深度学习是因为该方法能够在数据量巨大的情况下学习到其关键和本质的特征，是一种最接近人脑的智能学习方法，实现了人工智能发展过程中的实质性突破，推动人工智能进入到全新的阶段，甚至深度学习技术成为了当前众多领域和整个社会科技进步的动力。
技术实现思路
1、本专利技术的目的是提供一种基于深度学习技术的脂肪肝辅助诊断系统的实现方法。
2、为了达到上述目的，本专利技术的技术方案是提供了一种基于人工智能的脂肪肝辅助诊断系统的实现方法，其特征在于，包括以下步骤：
3、步骤1、获取肝脏图像的超声数据，构建肝脏超声数据集；
4、步骤2、构建基于u-net的肝脏超声图像分割方法，该肝脏超声图像分割方法采用基于肝脏超声数据集训练的er-unet网络模型实现超声图像中肝脏区域分割，在
5、步骤3、构建基于机器学习的脂肪肝多特征定量化分级方法，在该脂肪肝多特征定量化分级方法中，提出分级诊断依据后,制定分级标准，随后使用机器学习的方法进行后处理,实现定量化的分级；
6、步骤4、构建基于cbma-efficientnet模型的脂肪肝分类算法,构建脂肪肝分类数据集对cbma-efficientnet模型进行训练，其中，使用sk-net模块将efficientnet-b4模型原有的se-net模块进行替换构成sk-mbconv模块，并将其按照主干网络efficientnet-b4的结构进行堆叠，使用改进的efficientnet-b4模型进行肝脏超声图像的特征提取后，再使用cbma结构对网络当中提取的特征进行细化；
7、步骤5、设计并实现脂肪肝辅助诊断系统,实现超声诊断科对患者超声图像的采集、上传、筛查、统计的一站式管理。
8、优选地，所述步骤1中，使用图像语义分割技术将肝脏区域从肝脏超声图像和视频中分割出来，构建肝脏超声数据集，其中，图像语义分割技术所采用的语义分割评估指标dice公式如下：
9、
10、式中，x表示预测结果，y表示真实结果，dice表示预测结果和真实结果之间的相似程度。
11、优选地，所述步骤2包括以下步骤：
12、步骤2.1、对肝脏超声数据集内肝脏超声图像中的肝脏区域进行标注，将标注信息保存在json文件后，将json文件转化为掩膜图像，转化时，将掩膜保存为8位单通道的掩膜图像；
13、步骤2.2、构建er-unet网络模型，使用efficientnet-b4变体作为er-unet的主干，移动翻转瓶颈卷积，并在er-unet架构的解码器及瓶颈层中采用残差块来进行脂肪超声图像的分割，采用注意力门控来处理网络的跳跃连接路径，抑制无关特征来提高网络性能；
14、步骤2.3、设计lovasz-softmax损失函数：
15、使用lovasz拓展方法将离散的变得连续，从而可以直接求导，使其作为分割网络的损失函数，其中，表示真值标签向量，表示预测标签向量。
16、c的jaccard指数，也称iou分数定义为：
17、
18、其中，c为语义分割任务中给定图像的每个像素归入的对象类c∈c，其对应的损失函数为：
19、
20、步骤2.4、利用步骤2.1标注后的肝脏超声数据集对er-unet网络模型进行训练，训练时，使用随机权重平均法与余弦退火来训练模型，学习率的计算表示为：
21、
22、式中，α0是初始学习率，t是epoch，t是训练时的总epochs，，m为周期数。
23、优选地，步骤2.2中，所述残差块由两个3×3的卷积组成，其中，第一个3×3的卷积之后是批量归一化和leakyrelu激活函数；第二个3×3的卷积后只进行批量归一化，将其输出和恒等映射之间进行一个逐像素之间的添加融合操作，之后是leakyrelu激活函数。
24、优选地，所述步骤3包括以下步骤：
25、步骤3.1、由医生提出超声图像中脂肪肝的分级标准，制定完整的分级标准，根据标准综合考虑获取肝脏超声图像的分级结果，将肝脏的超声图像分为：正常、轻度、中度、重度四种等级；
26、步骤3.2、采用harris角点检测算法进行肝缘角检测，对分割后的肝脏区域进行操作，进行轮廓提取，获得轮廓顶点，对分割后的图像进行角点特征提取，确定右叶肝缘角位置，在提取到的角点位置间隔每20个像素点向进行分割轮廓点提取，并将提取后的轮廓点进行直线拟合，计算两条直线相交角度获得右叶肝缘角角度，并将处理结果在图像标注；
27、步骤3.3、对肝脏大小进行检测，使用opencv中cv函数cv2.moments()计算每个轮廓力矩，计算质心位置：
28、
29、
30、式中，为质心位置，m10表示y轴上质心的位置，m00表示图像中非零像素的总和，m01表示x轴上质心的位置；经过质心绘制直线获得与肝脏轮廓的交点，计算得到肝脏厚度所占像素点，得到肝脏大小；
31、步骤3.4、构建基于机器学习的实质回声检测方法,采用图像二值化的高效算法ostu阈值处理方法，检测相关的结果的准确性，实现对脂肪肝进行分级。
32、优选地，所述步骤4包括以下步骤：
33、步骤4.1、在视频中每间隔20帧提取一张肝脏超声图像，与静态图像构建实验数据集,对构建的肝脏超声数据集进行清洗，对于提取数据中肝脏结构不清晰、非肝脏诊断切面等进行剔除，最终构成肝脏超声分类数据集；
34、步骤4.2、按照超声表现将肝脏超声分类数据集分为正常、轻度、中度、重度四类,对数据进行处理将图像缩放至统一的380×380，并对图像进行归一化处理，按照3：1：1的比例将数据集划分为训练集、验证集和测试集进行实验；
35、步骤4.3、构建cbma-efficientnet模型，模型的输入为380×380大小的三通道肝脏图像，模型的分类识别结果作为输出；
36、步骤4.4、采用学习率衰减策略，设置初始实验参本文档来自技高网...
【技术保护点】
1.一种基于人工智能的脂肪肝辅助诊断系统的实现方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于人工智能的脂肪肝辅助诊断系统的实现方法，其特征在于，所述步骤1中，使用图像语义分割技术将肝脏区域从肝脏超声图像和视频中分割出来，构建肝脏超声数据集，其中，图像语义分割技术所采用的语义分割评估指标Dice公式如下：
3.如权利要求1所述的一种基于人工智能的脂肪肝辅助诊断系统的实现方法，其特征在于，所述步骤2包括以下步骤：
4.如权利要求3所述的一种基于人工智能的脂肪肝辅助诊断系统的实现方法，其特征在于，步骤2.2中，所述残差块由两个3×3的卷积组成，其中，第一个3×3的卷积之后是批量归一化和LeakyReLu激活函数；第二个3×3的卷积后只进行批量归一化，将其输出和恒等映射之间进行一个逐像素之间的添加融合操作，之后是LeakyReLu激活函数。
5.如权利要求1所述的一种基于人工智能的脂肪肝辅助诊断系统的实现方法，其特征在于，所述步骤3包括以下步骤：
6.如权利要求1所述的一种基于人工智能的脂肪肝辅助诊断系统的实现
7.如权利要求1所述的一种基于人工智能的脂肪肝辅助诊断系统的实现方法，其特征在于，所述步骤5包括以下步骤：进行用户需求分析和可行性分析，完成脂肪肝辅助诊断系统详细设计，对系统功能进行实现，系统技术的实现。
8.如权利要求7所述的一种基于人工智能的脂肪肝辅助诊断系统的实现方法，其特征在于，所述的用户需求分析和可行性分析，具体包括：
9.如权利要求7所述的一种基于人工智能的脂肪肝辅助诊断系统的实现方法，其特征在于，所述的脂肪肝辅助诊断系统详细设计，具体包括：
10.如权利要求7所述的一种基于人工智能的脂肪肝辅助诊断系统的实现方法，其特征在于，所述的对系统功能、系统技术的实现，具体包括：
...【技术特征摘要】
1.一种基于人工智能的脂肪肝辅助诊断系统的实现方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于人工智能的脂肪肝辅助诊断系统的实现方法，其特征在于，所述步骤1中，使用图像语义分割技术将肝脏区域从肝脏超声图像和视频中分割出来，构建肝脏超声数据集，其中，图像语义分割技术所采用的语义分割评估指标dice公式如下：
3.如权利要求1所述的一种基于人工智能的脂肪肝辅助诊断系统的实现方法，其特征在于，所述步骤2包括以下步骤：
4.如权利要求3所述的一种基于人工智能的脂肪肝辅助诊断系统的实现方法，其特征在于，步骤2.2中，所述残差块由两个3×3的卷积组成，其中，第一个3×3的卷积之后是批量归一化和leakyrelu激活函数；第二个3×3的卷积后只进行批量归一化，将其输出和恒等映射之间进行一个逐像素之间的添加融合操作，之后是leakyrelu激活函数。
5.如权利要求1所述的一种基...
【专利技术属性】
技术研发人员：孔祥勇，赵鑫申，赵波，高全伟，
申请(专利权)人：上海理工大学，
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。