基于人工智能的主动脉夹层术后神经***并发症预警方法
技术领域
本发明涉及人工智能领域,具体是指基于人工智能的主动脉夹层术后神经***并发症预警方法。
背景技术
人工智能可以处理大量医学数据,减轻医护人员的工作负担,提高患者的治疗效果和医疗效率。在传统技术中,存在对图像进行去噪时会导致图像细节和纹理信息丢失,影响图像质量,不可直接应用于医学领域的问题;存在对脑部MRI图像进行特征提取时,对图像中的噪声比较敏感,提取的特征不够,不能充分表征图像的全局特征的问题;存在脑部MRI图像数据较复杂,容易出现维度灾难,导致分类模型性能下降和计算复杂度增加的问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了基于人工智能的主动脉夹层术后神经***并发症预警方法,针对传统技术中存在对图像进行去噪时会导致图像细节和纹理信息丢失,影响图像质量,不可直接应用于医学领域的问题,本发明使用基于偏微分方程的非下采样轮廓波变换方法对脑部MRI图像进行去噪,能更好地捕捉脑部MRI图像中的细节信息,保持图像的纹理信息和清晰度,使医学图像更易于观察和分析,提高判断的准确性;针对传统技术中存在对脑部MRI图像进行特征提取时,对图像中的噪声比较敏感,提取的特征不够,不能充分表征图像的全局特征的问题,本发明将灰度共生矩阵和m波段双树小波变换结合获取统计特征,使图像的特征更加丰富和多样化,提高分类效果,避免分类器进行分类时判断错误;针对传统技术中存在脑部MRI图像数据较复杂,容易出现维度灾难,导致分类模型性能下降和计算复杂度增加的问题,本发明使用高斯混合分类器对脑部MRI图像进行分类,具有较强的泛化能力,能够适应复杂的医学图像数据,提高分类准确性。
本发明采取的技术方案如下:本发明提供的基于人工智能的主动脉夹层术后神经***并发症预警方法,具体包括以下步骤:
步骤S1:获取病人的脑部MRI图像;
步骤S2:对脑部MRI图像进行去噪;
步骤S3:计算统计特征;
步骤S4:训练高斯混合分类器,高斯混合分类器输出神经***并发症的种类和无症状;
步骤S5:发出预警信息,将病人的脑部MRI图像去噪后输入到训练好的高斯混合分类器中,当高斯混合分类器的输出为神经***并发症的种类时,发出预警信息。
进一步地,步骤S2中,对脑部MRI图像进行去噪,具体包括以下步骤:
步骤S21:定义采样矩阵,所用公式如下:
;
式中,是采样矩阵,是单位矩阵,是第次非下采样轮廓波变换,,
是非下采样轮廓波变换的总次数;
步骤S22:使用基于非下采样的低通滤波器和高通滤波器对病人的脑部MRI图像进行卷积操作,将病人的脑部MRI图像分解为低通轮廓波子带和高通轮廓波子带,所用公式如下:
;
式中,是轮廓波子带,是轮廓波子带的级别,,时,是低通滤
波器,时,是高通滤波器,,和是脑部MRI图像的长和宽,是在遍历的累计和,是中的元素;
步骤S23:设,重复步骤S22,直至;
步骤S24:对高通轮廓波子带进行DFB分解,得到带通方向子带,所用公式如下:
;
式中,是带通方向子带,是第个方向的等效滤波器,,是卷积
算子,是第次分解的高通轮廓波子带;
步骤S25:对低通轮廓波子带进行幂律变换,所用公式如下:
;
式中,是幂律低通子带,是第次分解的低通轮廓波子带,是最大强度值,和是常数,,;
步骤S26:用自适应贝叶斯阈值法计算带通方向子带的局部阈值,所用公式如下:
;
式中,是局部阈值,是取中位数,是取最大值,,是从0遍历至的累计和,是从0遍历至的累计和;
步骤S27:对带通方向子带进行软阈值处理,得到增强带通方向子带,所用公式如下:
;
式中,是增强带通方向子带;
步骤S28:对幂律低通子带和增强带通方向子带进行反非下采样轮廓波变换,得到重构图像;
步骤S29:使用基于偏微分方程的全变异模型对重构图像进行处理得到去噪图像,所用公式如下:
;
式中,是去噪图像,是迭代次数,是时间增量,是重构图像,是的梯
度,是梯度正则化,是去噪图像的噪声水平,是病人的脑部MRI图像,是第一次处理后
的脑部MRI图像,是取平均数。
进一步地,步骤S3中,计算统计特征,具体包括以下步骤:
步骤S31:采集脑部核磁共振图像集,所述脑部核磁共振图像集包括脑部核磁共振图像和对应标签,所述标签为神经***并发症的种类和无症状,将脑部核磁共振图像集按7:3的比例划分为训练集和测试集;
步骤S32:将训练集中的脑部核磁共振图像进行m波段双树小波变换,获得子带,统计每个子带的各个灰度级别的像素数量,绘制直方图;
步骤S33:根据直方图计算m波段双树小波变换的熵特征,所用公式如下:
;
式中,是熵特征,是子带的直方图;
步骤S34:定义灰度共生矩阵,所用公式如下:
;
式中,是灰度共生矩阵,和是像素坐标,是二维灰度图像的像素,
和是固定灰度值,是具有空间关系的像素对的集合,和属于,是灰度值为和的像素在出现的
情况;
步骤S35:计算子带基于灰度共生矩阵的能量特征,所用公式如下:
;
式中,是能量特征,是第个子带在位置上的值,和分别是第个子带
的长和宽,是从1遍历至的累计和,是从1遍历至的累计和;
步骤S36:计算灰度共生矩阵的对比度,同时利用均匀性计算灰度共生矩阵的像素相似度;
步骤S37:将熵特征、能量特征、对比度和像素相似度作为训练集的统计特征。
进一步地,步骤S4中,训练高斯混合分类器,具体包括以下步骤:
步骤S41:建立并初始化高斯混合分类器,将训练集输入到高斯混合分类器中,使用概率密度函数进行学习;
步骤S42:根据概率密度的输出计算线性多元高斯概率密度,所用公式如下:
;
式中,是线性多元高斯概率密度,是特征的个数,是特征,是特征的均
值,是的协方差矩阵,是的行列式;
步骤S43:根据线性多元高斯概率密度对高斯混合分类器进行似然,所用公式如下:
;
式中,是对高斯混合分类器的似然,是高斯分布,是分量数,是高斯分
布的协方差,是高斯分布的均值,是混合因子集,是从1遍历至的累计和,是
训练集中的第个统计特征;
步骤S44:将测试集输入到高斯混合分类器中,高斯混合分类器输出对应的标签。
采用上述方案本发明取得的有益效果如下:
(1)本发明使用基于偏微分方程的非下采样轮廓波变换方法对脑部MRI图像进行去噪,能更好地捕捉脑部MRI图像中的细节信息,保持图像的纹理信息和清晰度,使医学图像更易于观察和分析,提高判断的准确性;
(2)本发明将灰度共生矩阵和m波段双树小波变换结合获取统计特征,使图像的特征更加丰富和多样化,提高分类效果,避免分类器进行分类时判断错误;
(3)本发明使用高斯混合分类器对脑部MRI图像进行分类,具有较强的泛化能力,能够适应复杂的医学图像数据,提高分类准确性。
附图说明
图1为本发明提供的基于人工智能的主动脉夹层术后神经***并发症预警方法的流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:参阅图1,本实施例提供的基于人工智能的主动脉夹层术后神经***并发症预警方法,具体包括以下步骤:
步骤S1:获取病人的脑部MRI图像;
步骤S2:对脑部MRI图像进行去噪;
步骤S3:计算统计特征;
步骤S4:训练高斯混合分类器,高斯混合分类器输出神经***并发症的种类和无症状;
步骤S5:发出预警信息,将病人的脑部MRI图像去噪后输入到训练好的高斯混合分类器中,当高斯混合分类器的输出为神经***并发症的种类时,发出预警信息。
实施例二,参阅图一,该实施例基于上述实施例,在步骤S2,对脑部MRI图像进行去噪,具体包括以下步骤:
步骤S21:步骤S21:定义采样矩阵,所用公式如下:
;
式中,是采样矩阵,是单位矩阵,是第次非下采样轮廓波变换,,
是非下采样轮廓波变换的总次数;
步骤S22:使用基于非下采样的低通滤波器和高通滤波器对病人的脑部MRI图像进行卷积操作,将病人的脑部MRI图像分解为低通轮廓波子带和高通轮廓波子带,所用公式如下:
;
式中,是轮廓波子带,是轮廓波子带的级别,,是低通滤波器,时,是高通滤波器,,和是脑部MRI图像的长和宽,是在遍
历的累计和,是中的元素;
步骤S23:设,重复步骤S22,直至;
步骤S24:对高通轮廓波子带进行DFB分解,得到带通方向子带,所用公式如下:
;
式中,是带通方向子带,是第个方向的等效滤波器,,是卷积
算子,第次分解的高通轮廓波子带;
步骤S25:对低通轮廓波子带进行幂律变换,所用公式如下:
;
式中,是幂律低通子带,是第次分解的低通轮廓波子带,是最大强度值,和是常数,,;
步骤S26:用自适应贝叶斯阈值法计算带通方向子带的局部阈值,所用公式如下:
;
式中,是局部阈值,是取中位数,是取最大值,,是从0遍历至的累计和,是从0遍历至的累计和;
步骤S27:对带通方向子带进行软阈值处理,得到增强带通方向子带,所用公式如下:
;
式中,是增强带通方向子带;
步骤S28:对幂律低通子带和增强带通方向子带进行反非下采样轮廓波变换,得到重构图像;
步骤S29:使用基于偏微分方程的全变异模型对重构图像进行处理得到去噪图像,所用公式如下:
;
式中,是去噪图像,是迭代次数,是时间增量,是重构图像,是的梯
度,是梯度正则化,是去噪图像的噪声水平,是病人的脑部MRI图像,是第一次处理后
的脑部MRI图像,是取平均数。
通过上述实施例,针对传统技术中存在对图像进行去噪时会导致图像细节和纹理信息丢失,影响图像质量,不可直接应用于医学领域的问题,本发明使用基于偏微分方程的非下采样轮廓波变换方法对脑部MRI图像进行去噪,能更好地捕捉脑部MRI图像中的细节信息,保持图像的纹理信息和清晰度,使医学图像更易于观察和分析,提高判断的准确性。
实施例三,参阅图一,该实施例基于上述实施例,在步骤S3,计算统计特征,具体包括以下步骤:
步骤S31:采集脑部核磁共振图像集,所述脑部核磁共振图像集包括脑部核磁共振图像和对应标签,所述标签为神经***并发症的种类和无症状,将脑部核磁共振图像集按7:3的比例划分为训练集和测试集;
步骤S32:将训练集中的脑部核磁共振图像进行m波段双树小波变换,获得子带,统计每个子带的各个灰度级别的像素数量,绘制直方图;
步骤S33:根据直方图计算m波段双树小波变换的熵特征,所用公式如下:
;
式中,是熵特征,是子带的直方图;
步骤S34:定义灰度共生矩阵,所用公式如下:
;
式中,是灰度共生矩阵,和是像素坐标,是二维灰度图像的像素,
和是固定灰度值,是具有空间关系的像素对的集合,和属于,是灰度值为和的像素在出现的
情况;
步骤S35:计算子带基于灰度共生矩阵的能量特征,所用公式如下:
;
式中,是能量特征,是第个子带在位置上的值,和分别是第个子带
的长和宽,是从1遍历至的累计和,是从1遍历至的累计和;
步骤S36:计算灰度共生矩阵的对比度,同时利用均匀性计算灰度共生矩阵的像素相似度;
步骤S37:将熵特征、能量特征、对比度和像素相似度作为训练集的统计特征。
通过上述实施例,针对传统技术中存在对脑部MRI图像进行特征提取时,对图像中的噪声比较敏感,提取的特征不够,不能充分表征图像的全局特征的问题,本发明将灰度共生矩阵和m波段双树小波变换结合获取统计特征,使图像的特征更加丰富和多样化,提高分类效果,避免分类器进行分类时判断错误。
实施例四,参阅图一,该实施例基于上述实施例,在步骤S4,训练高斯混合分类器,具体包括以下步骤:
步骤S41:建立并初始化高斯混合分类器,将训练集输入到高斯混合分类器中,使用概率密度函数进行学习;
步骤S42:根据概率密度的输出计算线性多元高斯概率密度,所用公式如下:
;
式中,是线性多元高斯概率密度,是特征的个数,是特征,是特征的均
值,是的协方差矩阵,是的行列式;
步骤S43:根据线性多元高斯概率密度对高斯混合分类器进行似然,所用公式如下:
;
式中,是对高斯混合分类器的似然,是高斯分布,是分量数,是高斯分
布的协方差,是高斯分布的均值,是混合因子集,是从1遍历至的累计和,是
训练集中的第个统计特征;
步骤S44:将测试集输入到高斯混合分类器中,高斯混合分类器输出对应的标签。
通过上述实施例,针对传统技术中存在脑部MRI图像数据较复杂,容易出现维度灾难,导致分类模型性能下降和计算复杂度增加的问题,本发明使用高斯混合分类器对脑部MRI图像进行分类,具有较强的泛化能力,能够适应复杂的医学图像数据,提高分类准确性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。