CN114913169B - 一种新生儿坏死性小肠结肠炎筛查*** - Google Patents
一种新生儿坏死性小肠结肠炎筛查*** Download PDFInfo
- Publication number
- CN114913169B CN114913169B CN202210655628.XA CN202210655628A CN114913169B CN 114913169 B CN114913169 B CN 114913169B CN 202210655628 A CN202210655628 A CN 202210655628A CN 114913169 B CN114913169 B CN 114913169B
- Authority
- CN
- China
- Prior art keywords
- necrotizing enterocolitis
- screening
- model
- convolution
- neonatal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 206010051606 Necrotising colitis Diseases 0.000 title claims abstract description 56
- 208000004995 necrotizing enterocolitis Diseases 0.000 title claims abstract description 56
- 201000006195 perinatal necrotizing enterocolitis Diseases 0.000 title claims abstract description 56
- 238000012216 screening Methods 0.000 title claims abstract description 41
- 230000003187 abdominal effect Effects 0.000 claims abstract description 15
- 230000004913 activation Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 14
- 210000001015 abdomen Anatomy 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 210000003127 knee Anatomy 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 210000003689 pubic bone Anatomy 0.000 claims description 3
- 210000004061 pubic symphysis Anatomy 0.000 claims description 3
- 210000002417 xiphoid bone Anatomy 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 3
- 208000004930 Fatty Liver Diseases 0.000 description 2
- 206010019708 Hepatic steatosis Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000010706 fatty liver disease Diseases 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 231100000240 steatosis hepatitis Toxicity 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000426499 Chilo Species 0.000 description 1
- 206010017982 Gastrointestinal necrosis Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 208000028774 intestinal disease Diseases 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 208000037817 intestinal injury Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 208000018773 low birth weight Diseases 0.000 description 1
- 231100000533 low birth weight Toxicity 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 208000037890 multiple organ injury Diseases 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/04—Babies, e.g. for SIDS detection
- A61B2503/045—Newborns, e.g. premature baby monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30028—Colon; Small intestine
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Mathematical Physics (AREA)
- High Energy & Nuclear Physics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种新生儿坏死性小肠结肠炎筛查***，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新生儿坏死性小肠结肠炎筛查模型；所述的新生儿坏死性小肠结肠炎筛查模型基于改进的DenseNet神经网络模型，在原始DenseNet的框架基础上引入PReLU激活函数以及ECA注意力机制；所述计算机处理器执行所述计算机程序时实现以下步骤：将待筛查的腹部平片数据进行预处理，然后输入训练好的新生儿坏死性小肠结肠炎筛查模型，得到是否患有坏死性小肠结肠炎的筛查结果。利用本发明，可以提高新生儿坏死性小肠结肠炎的诊断准确率，从而尽快向患儿提供优质医疗救助。
Description
技术领域
本发明属于医学人工智能领域，尤其是涉及一种新生儿坏死性小肠结肠炎筛查***。
背景技术
坏死性小肠结肠炎(Necrotizing enterocolitis,NEC)是极低出生体重早产儿中一种常见的、潜在的灾难性肠道疾病。NEC影响多达15％的出生体重低于1500克的新生儿，NEC会导致突然发作的进行性肠道炎症和坏死，这可能导致严重的肠道坏死、多器官损伤或死亡。尚未确定NEC的统一治病机理，也没有任何可靠的生物标志物表明个体患者患该疾病的风险。由于无法***NEC，目前的医疗策略包括密切的临床监测，以便在发生不可恢复的肠道损伤之前尽快治疗NEC婴儿。目前临床上常用的检查包括生化五类、血常规、血气、腹部平片以及B超等。其中腹部平片是准确率最高的检测方式。
多项研究表明，卷积神经网络广泛应用于医学，尤其是医学影像的分类，且取得较为良好的分类结果。
如公开号为CN109620152A的中国专利文献公开了一种基于MutiFacolLoss-Densenet的心电信号分类方法，由于每条记录所测得的心电信号时间长短不一或者时间过长，无法对其进行直接分类，需要对每条记录以等长的时间间隔分割处理，然后把分割后的心电信号片段进行归一化处理，最后把处理好的心电信号输入到卷积神经网络中进行分类。该方法的主干网络主要采用DenseNet结构的思想，该思想具有分类识别率高以及参数量等优点。该主干网络的输入为分割后的心电信号片段，输出为心电信号类别个数，网络的每个输出分别为所属类别的概率，是一种端到端的心电信号分类方法。
如公开号为CN114067092A的中国专利文献公开了本发明涉及医学图像处理领域，尤其是一种基于DenseNet和lightGBM的脂肪肝B超图像分类方法，获取肝脏的医学图像数据集，对获取的的肝脏图像数据集进行预处理；构建DenseNet201网络，输入经过预处理的图像数据集并提取出图像特征矩阵，将提取出的特征矩阵按照设定比例划分为训练集，验证集和测试集；利用训练集对lightGBM模型进行训练，利用验证集对训练出的模型进行评估，并调整模型参数以提高模型分类准确率；将测试集输入调整好的lightGBM模型，得到肝脏分类结果，测试模型泛化能力。采用直方图正规化和USM锐化增强算法对脂肪肝B超图像的分类特征进行了优化处理，表现更加优越
众多学者将卷积神经网络运用到基于影像的疾病分类。但是，针对本发明的研究领域，即基于腹部平片的新生儿坏死性小肠结肠炎初筛，并没有相关的研究和报道，现有的网络模型也不适合新生儿坏死性小肠结肠炎的筛查。
发明内容
本发明提供了一种新生儿坏死性小肠结肠炎筛查***，可以提高新生儿坏死性小肠结肠炎的诊断准确率，从而尽快向患儿提供优质医疗救助，对减轻患儿症状，降低死亡率有重要意义。
一种新生儿坏死性小肠结肠炎筛查***，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新生儿坏死性小肠结肠炎筛查模型；
所述的新生儿坏死性小肠结肠炎筛查模型基于改进的DenseNet神经网络模型，在原始DenseNet的框架基础上引入PReLU激活函数以及ECA注意力机制；
所述计算机处理器执行所述计算机程序时实现以下步骤：
将待筛查的腹部平片数据进行预处理，然后输入训练好的新生儿坏死性小肠结肠炎筛查模型，得到是否患有坏死性小肠结肠炎的筛查结果。
进一步地，所述新生儿坏死性小肠结肠炎筛查模型的具体结构如下：
在原始DenseNet的框架中，对每个特征提取层DenseLayer进行修改，修改后的DenseLayer包括：Batch Norm层、PReLU激活函数、1x1卷积、3x3卷积及ECA注意力模块，使用bottleneck的构造形式；其中，1x1卷积用于降维输入特征图，3x3卷积用于进行特征提取，ECA注意力模块用于获得加强的特征图；
原始输入特征图依次经过Batch Norm层、PReLU激活函数、1x1卷积、Batch Norm层、PReLU激活函数和3x3卷积后，输出的特征图进入ECA注意力模块，根据输入的特征图计算出每个通道分配到的注意力权重，注意力权重用来与对该特征图进行点乘得到特征重标定，最终原始输入特征图与加强后的特征图在通道维度的组合拼接，得到最终的特征图。
原始DenseNet的框架由具有特征提取功能的DenseBlock模块和具有下采样功能的Transition模块交叉组合形成；DenseBlock模块包含多个串联的DenseLayer，Transition模块通过平均池化层与卷积层构成。
所述的新生儿坏死性小肠结肠炎筛查模型训练过程如下：
(1)收集新生儿坏死性小肠结肠炎患儿的腹部平片数据；
(2)对腹部平片数据进行预处理，包括图像增强、格式转换、尺寸统一；
(3)将预处理后的数据按比例分成训练集和验证集；
(4)将训练集送入构建的新生儿坏死性小肠结肠炎筛查模型中进行训练，利用验证集对分类模型的性能进行评估，根据评估的效果对模型的超参数进行调整，最终完成模型训练。
步骤(1)中，收集的新生儿坏死性小肠结肠炎患儿腹部平片数据应符合以下标准：
患儿仰卧于摄影台上，上举患儿双臂，并将患儿头和手一并夹紧；将患儿头、双肩、双膝部紧贴摄影台上，身体正中面对准台面中线，以保证***不致歪斜；中心线对准剑突与耻骨联合连线中点，垂直摄入探测器；投照野尽量缩小，上缘包括膈面，下缘包括耻骨联合，从而减少散射线及新生儿的辐射剂量。
步骤(2)中，对腹部平片数据进行预处理的具体过程为：
首先使用CLAHE算法对原始的腹部平片数据进行图像增强，以突出腹部平片的关键影像特征；将图像大小统一为224*224尺寸，图像格式由DICOM转化为jpg格式。
步骤(3)中，将预处理后的数据按8:2的比例分成训练集和验证集。
步骤(4)中，训练过程中，将64张影像数据列为一组进行模型训练，并采用随机左右或水平旋转25度以达到扩大样本量的效果。
与现有技术相比，本发明具有以下有益效果：
本发明的***，创新性的构建改进的DenseNet神经网络算法构建新生儿坏死性小肠结肠炎初筛模型，该模型在DenseNet神经网络的原有框架基础上，引入PReLU激活函数以及使用ECA注意力机制，仅通过腹部平片就能对新生儿是否患有新生儿坏死性小肠结肠炎进行初筛判断，极大的提升了基层医生的诊断正确率以及效率。
附图说明
图1为本发明一种新生儿坏死性小肠结肠炎筛查***的整体结构流程图；
图2为本发明实施例中病灶可视化热力图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
一种新生儿坏死性小肠结肠炎筛查***，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，计算机存储器中存有训练好的新生儿坏死性小肠结肠炎筛查模型。
本发明构建的新生儿坏死性小肠结肠炎筛查模型基于改进的DenseNet神经网络模型，在原始DenseNet的框架基础上引入PReLU激活函数以及ECA注意力机制，此改进模型有效的提升了模型的分类性能。
如图1所示，DenseNet算法模型的主要由具有特征提取功能的DenseBlock模块和具有下采样功能的Transition模块交叉组合形成，而DenseBlock模块又包含多个串联的DenseLayer，Transition模块则是通过平均池化层与卷积层构成。
新生儿坏死性小肠结肠炎筛查模型在原始DenseNet中对每个DenseLayer(特征提取层)进行修改，修改后的DenseLayer由以下成分组成，包括：Batch Norm(批归一化)层、PReLU激活函数、1x1卷积、3x3卷积及ECA模块，使用bottleneck的构造形式，其中1x1卷积位于3x3卷积之前，1x1卷积主要发挥降维输入特征图的作用，同时，3x3卷积主要完成特征提取的任务。引入ECA注意力模块的目的是获得加强的特征图，具体实现方式如下：ECA注意力模块的输入数据为最末层3x3卷积输出的特征图，根据输入的特征图可以计算出每个通道分配到的注意力权重，注意力权重用来与对该特征图进行点乘得到特征重标定，最终原始输入特征图与加强后的特征图在通道维度的组合拼接，得到最终的特征图。
新生儿坏死性小肠结肠炎筛查模型的训练过程如下：
(1)收集新生儿坏死性小肠结肠炎患儿的腹部平片数据。腹部平片影像数据的收集应符合以下标准：
患儿仰卧于摄影台上，嘱咐家长上举患儿双臂，并将患儿头和手一并夹紧；将患儿头、双肩、双膝部紧贴摄影台上，身体正中面对准台面中线，以保证***不致歪斜；中心线对准剑突与耻骨联合连线中点，垂直摄入探测器；投照野尽量缩小，上缘包括膈面，下缘包括耻骨联合，从而减少散射线及新生儿的辐射剂量。
(2)对腹部平片数据进行预处理，包括图像增强、格式转换、尺寸统一。
收集到的影像数据要经过数据预处理，首先使用CLAHE算法对原始的腹部平片数据进行图像的预处理，以突出腹部平片的关键影像特征，这一步的目的是外部条件导致腹部平片数据边缘模糊、造影、亮度不均或者过低过高例如：新生儿拍摄影像时活动、设备采样精度、光线轻度、病人本身病理特性以及拍摄人员的水平等。采集到的数据质量直接影响到模型的学习效率，同时为了配准图像，将图像大小统一为224*224尺寸，图像格式由DICOM转化为jpg格式。
(3)将预处理后的数据按8:2的比例随机分成训练集和验证集。
(4)将训练集送入构建的新生儿坏死性小肠结肠炎筛查模型中进行训练，利用验证集对分类模型的性能进行评估，根据评估的效果对模型的超参数进行调整，最终完成模型训练。
训练时，将64张影像数据列为一组进行模型训练，并采用随机左右或水平旋转25度以达到扩大样本量的效果。
为验证本发明的效果，采用多种指标验证模型的先进性，包括图像分类任务中常出现的特异性0.92、灵敏度0.8、准确率0.85、召回率0.87、F1分数0.98、AUC值91.6以及测试数据集的ROC曲线。因NEC诊断较为困难，以上实验结果表明该***已达到中级医生诊断水平。
进一步地，采用多个算法模型进行性能对比，包括VGGNet、AlexNet以及RestNet，在特异性、灵敏度、准确率、召回率，F1分数、AUC值，本模型均具有先进性。
对性能进行可视化，通过Grad-CAM模型的特征热力图映射，评估新生儿腹部平片筛选过程中特征选择是否集中在临床病理上的位置，以增强算法模型的可解释性，热力图颜色越深代表贡献值越大，经具有8年某省级三甲医院放射科工作经验的医生验证，热图很好的契合病灶部位，如图2病灶可视化热力图所示。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。
Claims (7)
1.一种新生儿坏死性小肠结肠炎筛查***，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新生儿坏死性小肠结肠炎筛查模型；
所述的新生儿坏死性小肠结肠炎筛查模型基于改进的DenseNet神经网络模型，在原始DenseNet的框架基础上引入PReLU激活函数以及ECA注意力机制；所述新生儿坏死性小肠结肠炎筛查模型的具体结构如下：
在原始DenseNet的框架中，对每个特征提取层DenseLayer进行修改，修改后的DenseLayer包括：Batch Norm层、PReLU激活函数、1x1卷积、3x3卷积及ECA注意力模块，使用bottleneck的构造形式；其中，1x1卷积用于降维输入特征图，3x3卷积用于进行特征提取，ECA注意力模块用于获得加强的特征图；
原始输入特征图依次经过Batch Norm层、PReLU激活函数、1x1卷积、Batch Norm层、PReLU激活函数和3x3卷积后，输出的特征图进入ECA注意力模块，根据输入的特征图计算出每个通道分配到的注意力权重，注意力权重用来与对该特征图进行点乘得到特征重标定，最终原始输入特征图与加强后的特征图在通道维度的组合拼接，得到最终的特征图；
所述计算机处理器执行所述计算机程序时实现以下步骤：
将待筛查的腹部平片数据进行预处理，然后输入训练好的新生儿坏死性小肠结肠炎筛查模型，得到是否患有坏死性小肠结肠炎的筛查结果。
2.根据权利要求1所述的新生儿坏死性小肠结肠炎筛查***，其特征在于，原始DenseNet的框架由具有特征提取功能的DenseBlock模块和具有下采样功能的Transition模块交叉组合形成；DenseBlock模块包含多个串联的DenseLayer，Transition模块通过平均池化层与卷积层构成。
3.根据权利要求1所述的新生儿坏死性小肠结肠炎筛查***，其特征在于，所述的新生儿坏死性小肠结肠炎筛查模型训练过程如下：
(1)收集新生儿坏死性小肠结肠炎患儿的腹部平片数据；
(2)对腹部平片数据进行预处理，包括图像增强、格式转换、尺寸统一；
(3)将预处理后的数据按比例分成训练集和验证集；
(4)将训练集送入构建的新生儿坏死性小肠结肠炎筛查模型中进行训练，利用验证集对分类模型的性能进行评估，根据评估的效果对模型的超参数进行调整，最终完成模型训练。
4.根据权利要求3所述的新生儿坏死性小肠结肠炎筛查***，其特征在于，步骤(1)中，收集的新生儿坏死性小肠结肠炎患儿腹部平片数据应符合以下标准：
患儿仰卧于摄影台上，上举患儿双臂，并将患儿头和手一并夹紧；将患儿头、双肩、双膝部紧贴摄影台上，身体正中面对准台面中线，以保证***不致歪斜；中心线对准剑突与耻骨联合连线中点，垂直摄入探测器；投照野尽量缩小，上缘包括膈面，下缘包括耻骨联合，从而减少散射线及新生儿的辐射剂量。
5.根据权利要求3所述的新生儿坏死性小肠结肠炎筛查***，其特征在于，步骤(2)中，对腹部平片数据进行预处理的具体过程为：
首先使用CLAHE算法对原始的腹部平片数据进行图像增强，以突出腹部平片的关键影像特征；将图像大小统一为224*224尺寸，图像格式由DICOM转化为jpg格式。
6.根据权利要求3所述的新生儿坏死性小肠结肠炎筛查***，其特征在于，步骤(3)中，将预处理后的数据按8:2的比例分成训练集和验证集。
7.根据权利要求3所述的新生儿坏死性小肠结肠炎筛查***，其特征在于，步骤(4)中，训练过程中，将64张影像数据列为一组进行模型训练，并采用随机左右或水平旋转25度以达到扩大样本量的效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210655628.XA CN114913169B (zh) | 2022-06-10 | 2022-06-10 | 一种新生儿坏死性小肠结肠炎筛查*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210655628.XA CN114913169B (zh) | 2022-06-10 | 2022-06-10 | 一种新生儿坏死性小肠结肠炎筛查*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114913169A CN114913169A (zh) | 2022-08-16 |
| CN114913169B true CN114913169B (zh) | 2023-03-24 |
Family
ID=82770889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210655628.XA Active CN114913169B (zh) | 2022-06-10 | 2022-06-10 | 一种新生儿坏死性小肠结肠炎筛查*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114913169B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113674252A (zh) * | 2021-08-25 | 2021-11-19 | 上海鹏冠生物医药科技有限公司 | 一种基于图神经网络的组织细胞病理图像诊断*** |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10085651B2 (en) * | 2012-03-15 | 2018-10-02 | The Penn State Research Foundation | Methods for predicting and treating necrotizing enterocolitis in neonates |
| CN111340828A (zh) * | 2020-01-10 | 2020-06-26 | 南京航空航天大学 | 基于级联卷积神经网络的脑部胶质瘤分割 |
| CN111401480B (zh) * | 2020-04-27 | 2023-07-25 | 上海市同济医院 | 一种基于融合注意力机制的乳腺mri自动辅助诊断新方法 |
| EP4210573A1 (en) * | 2020-09-11 | 2023-07-19 | University Of Iowa Research Foundation | Methods and apapratus for machine learning to analyze musculo-skeletal rehabilitation from images |
| CN114037686B (zh) * | 2021-11-09 | 2022-05-17 | 浙江大学 | 一种基于深度学习的儿童肠套叠自动检测*** |
| CN114188021B (zh) * | 2021-12-13 | 2022-06-10 | 浙江大学 | 一种基于多模态融合的儿童肠套叠诊断智能分析*** |
| CN114565786A (zh) * | 2022-01-30 | 2022-05-31 | 天津大学 | 基于通道注意力机制的断层扫描图像分类装置和方法 |
-
2022
- 2022-06-10 CN CN202210655628.XA patent/CN114913169B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113674252A (zh) * | 2021-08-25 | 2021-11-19 | 上海鹏冠生物医药科技有限公司 | 一种基于图神经网络的组织细胞病理图像诊断*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114913169A (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gozes et al. | Coronavirus detection and analysis on chest ct with deep learning | |
| Dong et al. | A generic quality control framework for fetal ultrasound cardiac four-chamber planes | |
| Kamil | A deep learning framework to detect Covid-19 disease via chest X-ray and CT scan images. | |
| Wang et al. | Using CFW-net deep learning models for X-ray images to detect COVID-19 patients | |
| CN112784856A (zh) | 胸部x射线图像的通道注意力特征提取方法和识别方法 | |
| CN109255354B (zh) | 面向医用ct的计算机图像处理方法和装置 | |
| Pasyar et al. | Hybrid classification of diffuse liver diseases in ultrasound images using deep convolutional neural networks | |
| CN111986177A (zh) | 一种基于注意力卷积神经网络的胸部肋骨骨折检测方法 | |
| CN111104961A (zh) | 基于改进的MobileNet网络对乳腺癌进行分类的方法 | |
| CN111260639A (zh) | 多视角信息协作的乳腺良恶性肿瘤分类方法 | |
| CN101968851B (zh) | 基于字典学习上采样的医学影像处理方法 | |
| Yu et al. | Intelligent diagnosis algorithm for thyroid nodules based on deep learning and statistical features | |
| Gao et al. | A deep Siamese-based plantar fasciitis classification method using shear wave elastography | |
| Ivanescu et al. | Evolutionary computation paradigm to determine deep neural networks architectures | |
| CN114913169B (zh) | 一种新生儿坏死性小肠结肠炎筛查*** | |
| CN116363438B (zh) | 一种基于多模态的儿童脑炎分类*** | |
| CN112508943A (zh) | 基于超声影像的乳腺肿瘤识别方法 | |
| CN114821176B (zh) | 一种儿童脑部mr图像病毒性脑炎分类*** | |
| Mao et al. | Efficient and accurate diagnosis of otomycosis using an ensemble deep-learning model | |
| Wang et al. | Triplanar convolutional neural network for automatic liver and tumor image segmentation | |
| Kazemi et al. | A new parallel deep learning algorithm for breast cancer classification | |
| CN115330600A (zh) | 一种基于改进srgan的肺部ct图像超分辨率方法 | |
| Mathina Kani et al. | Classification of skin lesion images using modified Inception V3 model with transfer learning and augmentation techniques | |
| Estermann et al. | Pwml detection in 3d cranial ultrasound volumes using over-segmentation and multimodal classification with deep learning | |
| Cao et al. | EFAG-CNN: Effectively fused attention guided convolutional neural network for WCE image classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |