CN112382384A - 特纳综合征诊断模型训练方法、诊断系统及相关设备 - Google Patents
特纳综合征诊断模型训练方法、诊断系统及相关设备 Download PDFInfo
- Publication number
- CN112382384A CN112382384A CN202011250043.7A CN202011250043A CN112382384A CN 112382384 A CN112382384 A CN 112382384A CN 202011250043 A CN202011250043 A CN 202011250043A CN 112382384 A CN112382384 A CN 112382384A
- Authority
- CN
- China
- Prior art keywords
- classification model
- diagnosis
- turner syndrome
- training
- classification
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 83
- 208000026928 Turner syndrome Diseases 0.000 title claims abstract description 74
- 238000012549 training Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013145 classification model Methods 0.000 claims abstract description 95
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 210000005069 ears Anatomy 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000001815 facial effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 208000011580 syndromic disease Diseases 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000028060 Albright disease Diseases 0.000 description 1
- 101150052583 CALM1 gene Proteins 0.000 description 1
- 102100033591 Calponin-2 Human genes 0.000 description 1
- 206010008723 Chondrodystrophy Diseases 0.000 description 1
- 208000011359 Chromosome disease Diseases 0.000 description 1
- 208000014311 Cushing syndrome Diseases 0.000 description 1
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 1
- 206010049287 Lipodystrophy acquired Diseases 0.000 description 1
- 201000001853 McCune-Albright syndrome Diseases 0.000 description 1
- 206010029748 Noonan syndrome Diseases 0.000 description 1
- 101150095793 PICALM gene Proteins 0.000 description 1
- 210000001766 X chromosome Anatomy 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 208000008919 achondroplasia Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 101150014174 calm gene Proteins 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 208000006132 lipodystrophy Diseases 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 208000001061 polyostotic fibrous dysplasia Diseases 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 201000009395 primary hyperaldosteronism Diseases 0.000 description 1
- 210000001082 somatic cell Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能与医疗领域,具体涉及一种特纳综合征诊断模型训练方法、诊断系统及相关设备,旨在提高准确率。本发明的特纳综合征诊断分类模型的训练方法包括:根据数据样本的标注信息对输入的图像样本进行分类,并按预设的比例生成相应的训练样本及测试样本;基于多种神经网络基础分别构建不同的初始医疗分类模型;将训练样本分别输入每个初始医疗分类模型进行训练和调整参数,得到对应的智能诊断医疗分类模型;将测试样本分别输入每个智能诊断医疗分类模型进行分类并根据分类结果选定特纳综合征诊断分类模型。本发明的诊断系统包含了上述方法训练得到的诊断分类模型,将不同角度照片里的同一部位关联起来,提取更多潜在特征,提高了准确率。
Description
技术领域
本发明涉及人工智能与医疗领域,具体涉及一种特纳综合征诊断模型训练方法、诊断系统及相关设备。
背景技术
特纳综合征(Turner Syndrome,TS)是由于女性的全部或部分体细胞中一条X染色体缺失以及结构异常所导致的一种疾病,其发生率在存活女婴中占1/3000~1/2000,是女性最常见的染色体疾病。
目前,确诊特纳综合征一般采用染色体核型分析的方法,良好的核型分析至少应检测30个细胞。核型分析是一种操作繁琐、价格昂贵且周期较长的诊断方法,基层医院常不具备完成该检查的技术实力。
特纳综合征患者常有特异性的人脸改变,如内眦赘皮、多色素痣、发际线低、低位耳、高腭弓、小下颌、颈蹼等,有经验的医生在遇到上述就诊患者时,可由患儿的外貌特征考虑到其患有特纳综合征的可能,进而采取进一步的检查、检验措施。然而,由于基层医生对特纳综合征缺乏认识和敏感性,在日常工作中即使面对特纳综合征患儿,也很难根据其临床表现意识到患儿可能是特纳综合征患者。
在医学人脸诊断应用中,人脸识别软件通过提取患者脸部特定标志点的测量数据,分析患者脸部模式并与疾病数据库进行比对,确定患者的疾病类型。相较于二维人脸,三维人脸模型真实反映了颅面部在三维空间中的形象,能够体现各面部特征之间的空间关系,在信息深度上更胜一筹,且能够克服光线、角度等问题引起的误差;但是,目前三维的数据量较少,尚无标准化的特征点定位和提取方法,而且直接对三维数据进行卷积操作难度较大,准确率较低。
发明内容
为了解决现有技术中的上述问题,本发明提出了一种特纳综合征诊断模型训练方法、诊断系统及相关设备,克服了现有的特纳综合征诊断流程繁琐、确诊时间较晚等问题,具有较高的准确率、敏感性和特异性。
本发明的第一方面,提出一种特纳综合征诊断分类模型的训练方法,所述方法包括:
根据数据样本的标注信息对输入的图像样本进行分类,并按预设的比例生成相应的训练样本及测试样本;
基于多种神经网络基础分别构建不同的初始医疗分类模型;
将所述训练样本分别输入每个所述初始医疗分类模型进行训练和调整参数,得到对应的智能诊断医疗分类模型;
将所述测试样本分别输入每个所述智能诊断医疗分类模型进行分类,并根据分类结果选定特纳综合征诊断分类模型。
优选地,“基于多种神经网络基础分别构建不同的初始医疗分类模型”的步骤包括:
基于MVCNN(Multi-view Convolutional Neural Network)和GVCNN(Group-viewConvolutional Neural Network)分别构建相应的初始医疗分类模型。
优选地,“根据分类结果选定特纳综合征诊断分类模型”的步骤包括:
根据下式分别计算每个所述智能诊断医疗分类模型的准确率:
ACC=(TP+TN)/(TP+TN+FP+FN)×100%
其中,TP为被模型预测为正的正样本,TN为被模型预测为负的负样本,FP为被模型预测为正的负样本,FN为被模型预测为负的正样本;
选择准确率最高的智能诊断医疗分类模型作为最终的特纳综合征诊断分类模型。
优选地,“根据分类结果选定特纳综合征诊断分类模型”的步骤包括:
根据下式分别计算每个所述智能诊断医疗分类模型的准确率:
ACC=(TP+TN)/(TP+TN+FP+FN)×100%
根据下式分别计算每个所述智能诊断医疗分类模型的敏感性:
SE=TP/(TP+FN)×100%
根据下式分别计算每个所述智能诊断医疗分类模型的特异性:
SP=TN/(TN+FP)×100%
其中,TP为被模型预测为正的正样本,TN为被模型预测为负的负样本,FP为被模型预测为正的负样本,FN为被模型预测为负的正样本;
选择综合结果最好的智能诊断医疗分类模型作为最终的特纳综合征诊断分类模型。
优选地,在“根据数据样本的标注信息对输入的图像样本进行分类,并按预设的比例生成相应的训练样本及测试样本”之前还包括:
获取多角度的面部原始图像数据,并对所述原始图像数据进行预处理,将经过预处理后的数据作为所述输入的图像样本。
优选地,“对所述原始图像数据进行预处理”的步骤包括:
从所述原始图像数据中筛选出符合实验要求的数据;
对筛选出的数据进行扩增处理,生成实验数据集,然后对所述实验数据集进行人脸对齐和几何归一化操作。
优选地,“获取多角度的面部原始图像数据”的步骤包括:
控制相机沿环形轨道围绕被拍摄者移动,每移动一个预设的角度拍摄一张照片;所述被拍摄者端坐于所述环形道的正中央,并充分露出面部、耳朵、发际线和颈部。
本发明的第二方面,提出一种特纳综合征诊断系统,所述诊断系统包括:诊断分类模型;
所述诊断分类模型通过上面所述的特纳综合征诊断分类模型的训练方法训练得到,用于对待分类的多角度人脸照片进行判断分类。
优选地,所述诊断系统还包括:预处理模块;
所述预处理模块用于将原始的多角度人脸照片进行人脸对齐和几何归一化操作,得到所述待分类的多角度人脸照片。
优选地,所述诊断系统还包括:数据接收模块或数据采集装置;
所述数据接收模块用于接收客户端上传的所述原始的多角度人脸照片;
所述数据采集装置用于对被拍摄者进行多角度拍摄,得到所述原始的多角度人脸照片;
其中,
所述数据采集装置包括:环形轨道和设置于所述环形轨道上的相机;
所述相机沿着所述环形轨道移动,对端坐于所述环形轨道正中央的被拍摄者的面部进行拍照,且每移动一个预设的角度拍摄一张照片。
优选地,若所述诊断系统包括数据接收模块,则所述诊断系统还包括:结果返回模块;
所述结果返回模块用于将所述诊断分类模型的判断分类结果返回到所述客户端;
所述判断分类结果包括:患病、未患病或提示重新上传照片。
优选地,所述诊断系统还包括:显示模块;
所述显示模块用于对所述诊断分类模型的判断分类结果进行本地显示。
本发明的第三方面,提出一种存储设备,其存储有多条程序,所述程序适于由处理器加载并执行,以实现上面所述的特纳综合征诊断分类模型的训练方法。
本发明的第四方面,提出一种控制设备,包括:
处理器,适于执行程序;
存储器,适于存储所述程序;
所述程序适于由所述处理器加载并执行,以实现上面所述的特纳综合征诊断分类模型的训练方法。
本发明提出的特纳综合征诊断系统具有如下有益效果:
与传统的特纳综合征诊断方式相比,本发明更加快捷高效,无创无痛,成本低廉,可作一种早期筛查手段推广使用;可尽早发现疑似患者,及时治疗,避免不可逆转的伤害发生;同时,能为医生提供有效的辅助诊断,极大程度的避免漏诊误诊,减轻医生的工作压力。
与现有的特纳综合征智能诊断分类系统相比,本发明解决了现有患者数据量小,且可提取的面部特征有限的问题;本发明可一次上传多张多角度图片,基于多角度数据融合方法,将不同角度照片里的同一部位关联起来,提取更多潜在的特征,提高智能诊断分类系统的准确率。本发明使用多角度数据融合方法,相对于三维数据,二维图像卷积网络成熟度、速度都是很大的优势。
附图说明
图1是本发明的特纳综合征诊断分类模型的训练方法实施例的主要步骤示意图;
图2是网络模型GVCNN构成示意图;
图3是本发明的特纳综合征诊断系统实施例一的主要构成示意图;
图4是本发明的特纳综合征诊断系统实施例二的主要构成示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“第一”、“第二”仅仅是为了便于描述,而不是指示或暗示所述装置、元件或参数的相对重要性,因此不能理解为对本发明的限制。
图1是本发明的特纳综合征诊断分类模型的训练方法实施例的主要步骤示意图。如图1所示,本实施例的训练方法包括步骤S10-S40:
步骤S10,根据数据样本的标注信息对输入的图像样本进行分类,并按预设的比例生成相应的训练样本及测试样本。
所述标注信息为该二维图像样本是否为特定医疗分类的标识,即该二维图像样本是否来自确诊的特纳综合征患者。
本实施例中,按照7:3的比例采用随机分配的形式将其分成训练样本和测试样本。
步骤S20,基于多种神经网络基础分别构建不同的初始医疗分类模型。
本实施例中,基于MVCNN和GVCNN分别构建相应的初始医疗分类模型。
网络模型MVCNN的网络结构为:5个卷积层,3个全连接层,最后通过Softmax进行分类。每一张输入图像数据各自独立经过第一段CNN1(Convolutional Neural Network)网络,在View-pooling层“聚合”,再送入剩下的CNN2网络。整个网络第一部分的所有分支,共享相同的CNN1里的参数。View-pooling层中,在三维纵向取最大值操作。View-pooling层在Conv5效果最好,可最优化执行分类任务。
图2是网络模型GVCNN的构成示意图,如图2所示,GVCNN以GoogLeNet作为基础网络,输入的多视角图像在进行数据预处理后经过第一部分FCN(Fully ConvolutionalNetwork)提取原始特征描述子(Raw View Descriptor);第二部分的CNN网络提取最终视觉特征描述子(Final View Descriptor),并根据Grouping模块计算结果进行分组,组内进行多视角池化操作(view pooling);然后将各个组的视觉特征描述子(Group Descriptor)与Grouping模块得到的权重进行加权求和,得到最终的全局特征描述子(ShapeDescriptor);最后使用全连接层(Fully Connected layer)进行分类,FC分别输出特纳综合征和非特纳综合征的概率,取概率较高者作为最终的分类结果。
上面提到的Grouping模块主要是为了挖掘不同视角之间的潜在关系,对其进行归类辅助多视角下特征的聚合。Grouping模块接入第一部分原始特征描述子进行组别划分,并计算每个组对应的权重。假如给定不同视角下一组图像S={I1,I2,…IN},为FCN层的输出,那么对第i个视角的判别力评分如公式(1)所示:
其中,i=1,2,...,N;判别力评分的取值范围是(0,1),将其划分为长度相同的M个子范围,然后将判别力评分在同一子范围内的视角划分为同一组,即将N个视图分成M个组{G1,G2,…,GM},此处1≤M≤N。Grouping模块也作为融合时每个组特征对应的权重的重要依据,其中,组Gj的权重如公式(2)所示:
其中,j=1,2,...,M;k=1,2,...,N;在组内视角池化过程中,组Gj的组视觉特征描述子如公式(3)所示:
其中,DIi是视图Ii的视觉特征描述子,而D(Gj)是组Gj的组视觉特征描述子。在组间特征融合时,得到最终的3D形状描述子如公式(4)所示:
最后再接上FC层分类网络进行分类,得到基于GVCNN的初始医疗分类模型。
步骤S30,将训练样本分别输入每个初始医疗分类模型进行训练和调整参数,得到对应的智能诊断医疗分类模型。
本实施例中,分别对MVCNN和GVCNN这两种神经网络模型采用反向传播算法和随机梯度下降方法减小偏差,根据前向传播的损失函数值的大小,来进行反向传播迭代更新每一层的权重,直至收敛,完成模型的训练。训练时采用正向传播、获得单次迭代结果、计算损失函数,结合损失函数采用梯度下降方法对函数公式中的参数进行调整、重复上述过程,当代价损失函数减少到理想程度且训练达到所要求的最大迭代次数时,生成初始医疗分类模型。
步骤S40,将测试样本分别输入每个智能诊断医疗分类模型进行分类,并根据分类结果选定特纳综合征诊断分类模型。
在一种可选的实施例中,可以根据分类结果的准确率来选定最终的特纳综合征诊断分类模型。具体包括步骤(a1)至(a2):
(a1)根据公式(5)分别计算每个智能诊断医疗分类模型的准确率:
ACC=(TP+TN)/(TP+TN+FP+FN)×100% (5)
其中,TP为被模型预测为正的正样本,TN为被模型预测为负的负样本,FP为被模型预测为正的负样本,FN为被模型预测为负的正样本。
(a2)选择准确率最高的智能诊断医疗分类模型作为最终的特纳综合征诊断分类模型。
在另一种可选的实施例中,还可以综合考虑准确率、敏感性和特异性指标来选定最终的特纳综合征诊断分类模型。具体包括步骤(b1)至(b4):
(b1)根据公式(5)分别计算每个智能诊断医疗分类模型的准确率。
(b2)根据公式(6)分别计算每个智能诊断医疗分类模型的敏感性:
SE=TP/(TP+FN)×100% (6)
(b3)根据公式(7)分别计算每个智能诊断医疗分类模型的特异性:
SP=TN/(TN+FP)×100% (7)
其中,TP为被模型预测为正的正样本,TN为被模型预测为负的负样本,FP为被模型预测为正的负样本,FN为被模型预测为负的正样本。
(b4)选择综合结果最好的智能诊断医疗分类模型作为最终的特纳综合征诊断分类模型。具体地,可以采用公式(8)所示的方法来计算综合结果:
R=w1×ACC+w2×SE+w3×SP (8)
其中,w1、w2和w3分别为准确率、敏感性和特异性指标所占有的权重,w1+w2+w3=1;w1、w2和w3的具体数值可以根据模型训练情况及医生临床经验确定。
本实施例中,经对MVCNN和GVCNN两种卷积神经网络模型进行训练完成后,采用测试样本对两种模型进行测试,根据测试结果得到采用GVCNN模型训练准确率、敏感性和特异性的综合结果较好,因此作为最终特纳综合征智能分类模型。若测试出现过拟合状况,则对参数继续调整,直至得到最优模型。
在又一种可选的实施例中,在步骤S10之前还可以包括图像获取及预处理步骤S5:
步骤S5,获取多角度的面部原始图像数据,并对原始图像数据进行预处理,将经过预处理后的数据作为步骤S10中输入的图像样本。
本实施例中,可以利用医院的标准化数据采集规范来获取多角度的面部原始图像数据:要求被拍摄者端坐于所述环形道的正中央,摘下帽子和眼镜,系上长发,充分露出面部、耳朵、发际线和颈部等,并且表情平静、目视前方、嘴巴闭合。控制相机沿环形轨道围绕被拍摄者移动,每移动一个预设的角度(例如90度)拍摄一张照片;也可以不采用环形轨道,令相机固定不动,而控制被拍摄者的座椅每次原地旋转一个预设的角度。
本实施例中,对所述原始图像数据进行预处理的步骤包括:
(1)从原始图像数据中筛选出符合实验要求的数据。
具体筛选要求为去除由于光照、压缩存储等造成成像效果不佳的数据;确诊患者组的入组标准为要经过核型分析确诊,将确诊患者的照片作为正样本;将未患有导致特殊面容疾病的志愿者的照片作为负样本。
所述核型分析为标准的30个细胞核型分析;所述导致特殊面容疾病包括但不限于特纳综合征、脂肪萎缩症、库欣综合征、McCune-Albright综合征、软骨发育不良、Noonan综合征和Delange综合征。
(2)对筛选出的数据进行数据扩增处理,生成实验数据集,。
(3)对实验数据集中的图像数据进行人脸对齐和几何归一化操作。
具体地,可以采用常见的旋转、缩放、平移等,还有DeepFace中在人脸表示中所用到的人脸对齐方法,并进行几何归一化等操作。
所述人脸对齐即采用Kazemi提出的68特征点人脸模型提取面部特征点;所述几何归一化即将图片裁剪至224×224大小。
本实施例中,获取了疑似特纳综合征病例2600余例,其中经核型分析确诊为特纳综合征患者的有500余例,未患有导致特殊面容疾病的对照组有2100余例,其中,每一病例照片有3张,通过数据扩增以后共有20000余张。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本发明的保护范围之内。
进一步地,本发明还提出一种特纳综合征诊断系统,图3是本发明的特纳综合征诊断系统实施例一的主要构成示意图。如图3所示,本实施例的诊断系统10包括:数据接收模块11、预处理模块12、诊断分类模型13和结果返回模块14。
其中,数据接收模块11用于接收客户端20上传的原始的多角度人脸照片;预处理模块12用于将接收到的照片进行人脸对齐和几何归一化操作,得到待分类的多角度人脸照片;诊断分类模型13是通过上面所述的特纳综合征诊断分类模型的训练方法训练得到的,用于对待分类的多角度人脸照片进行判断分类;结果返回模块14用于将诊断分类模型13的判断分类结果返回到客户端20;判断分类结果包括:患病、未患病或提示重新上传照片。可选地,诊断系统10还可以包括显示模块(图中未画出),用于对诊断分类模型13的判断分类结果进行本地显示。
本实施例中,用户可以通过移动端的微信小程序上传面部照片,也可以通过PC端浏览器输入特纳综合征诊断系统的网址,然后上传面部照片。移动端小程序包含筛查页面、了解页面和个人中心页面。类似地,通过浏览器访问的页面包括筛查页面、特纳综合征相关专业知识科普及预防页面,以及个人中心页面。
图4是本发明的特纳综合征诊断系统实施例二的主要构成示意图。如图4所示,本实施例的诊断系统20包括:数据采集装置21、预处理模块22、诊断分类模型23和显示模块24。
其中,数据采集装置21用于对被拍摄者进行多角度拍摄,得到原始的多角度人脸照片;预处理模块22用于将拍摄的照片进行人脸对齐和几何归一化操作,得到待分类的多角度人脸照片;诊断分类模型23是通过上面所述的特纳综合征诊断分类模型的训练方法训练得到的,用于对待分类的多角度人脸照片进行判断分类;显示模块24用于对诊断分类模型23的判断分类结果进行本地显示。
本实施例中,数据采集装置21包括:环形轨道211和设置于该环形轨道上的相机212。相机沿着环形轨道移动,对端坐于环形轨道正中央的被拍摄者的面部进行拍照,且每移动一个预设的角度拍摄一张照片。一种常用的做法是,设定预设的角度为90度,先正对左侧脸拍一张,接着相机移动90度从正面再拍摄一张,然后相机再移动90度正对右侧脸再拍摄一张。拍摄时周围背景为蓝色或其他明显有别于人脸的颜色。
本申请中对诊断系统进行模型、模块划分,仅仅是为了更好地理解本发明的技术方案所涉及的功能,在实践中,这些模型或模块所对应的功能可以由单个或多个硬件加载程序并执行。
更进一步地,本发明还提供了一种存储设备的实施例,其存储有多条程序,所述程序适于由处理器加载并执行,以实现上面所述的特纳综合征诊断分类模型的训练方法。
更进一步地,本发明还提供了一种控制设备的实施例,包括:处理器和存储器。其中,处理器适于执行程序,存储器适于存储所述程序;所述程序适于由所述处理器加载并执行,以实现上面所述的特纳综合征诊断分类模型的训练方法。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的方法步骤和模块,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (14)
1.一种特纳综合征诊断分类模型的训练方法,其特征在于,所述方法包括:
根据数据样本的标注信息对输入的图像样本进行分类,并按预设的比例生成相应的训练样本及测试样本;
基于多种神经网络基础分别构建不同的初始医疗分类模型;
将所述训练样本分别输入每个所述初始医疗分类模型进行训练和调整参数,得到对应的智能诊断医疗分类模型;
将所述测试样本分别输入每个所述智能诊断医疗分类模型进行分类,并根据分类结果选定特纳综合征诊断分类模型。
2.根据权利要求1所述的特纳综合征诊断分类模型的训练方法,其特征在于,“基于多种神经网络基础分别构建不同的初始医疗分类模型”的步骤包括:
基于MVCNN和GVCNN分别构建相应的初始医疗分类模型。
3.根据权利要求1所述的特纳综合征诊断分类模型的训练方法,其特征在于,“根据分类结果选定特纳综合征诊断分类模型”的步骤包括:
根据下式分别计算每个所述智能诊断医疗分类模型的准确率:
ACC=(TP+TN)/(TP+TN+FP+FN)×100%
其中,TP为被模型预测为正的正样本,TN为被模型预测为负的负样本,FP为被模型预测为正的负样本,FN为被模型预测为负的正样本;
选择准确率最高的智能诊断医疗分类模型作为最终的特纳综合征诊断分类模型。
4.根据权利要求1所述的特纳综合征诊断分类模型的训练方法,其特征在于,“根据分类结果选定特纳综合征诊断分类模型”的步骤包括:
根据下式分别计算每个所述智能诊断医疗分类模型的准确率:
ACC=(TP+TN)/(TP+TN+FP+FN)×100%
根据下式分别计算每个所述智能诊断医疗分类模型的敏感性:
SE=TP/(TP+FN)×100%
根据下式分别计算每个所述智能诊断医疗分类模型的特异性:
SP=TN/(TN+FP)×100%
其中,TP为被模型预测为正的正样本,TN为被模型预测为负的负样本,FP为被模型预测为正的负样本,FN为被模型预测为负的正样本;
选择综合结果最好的智能诊断医疗分类模型作为最终的特纳综合征诊断分类模型。
5.根据权利要求1-4中任一项所述的特纳综合征诊断分类模型的训练方法,其特征在于,在“根据数据样本的标注信息对输入的图像样本进行分类,并按预设的比例生成相应的训练样本及测试样本”之前还包括:
获取多角度的面部原始图像数据,并对所述原始图像数据进行预处理,将经过预处理后的数据作为所述输入的图像样本。
6.根据权利要求5所述的特纳综合征诊断分类模型的训练方法,其特征在于,“对所述原始图像数据进行预处理”的步骤包括:
从所述原始图像数据中筛选出符合实验要求的数据;
对筛选出的数据进行扩增处理,生成实验数据集;
对所述实验数据集中的原始图像数据进行人脸对齐和几何归一化操作。
7.根据权利要求5所述的特纳综合征诊断分类模型的训练方法,其特征在于,“获取多角度的面部原始图像数据”的步骤包括:
控制相机沿环形轨道围绕被拍摄者移动,每移动一个预设的角度拍摄一张照片;所述被拍摄者端坐于所述环形道的正中央,并充分露出面部、耳朵、发际线和颈部。
8.一种特纳综合征诊断系统,其特征在于,所述诊断系统包括:诊断分类模型;
所述诊断分类模型通过权利要求1-7中任一项所述的特纳综合征诊断分类模型的训练方法训练得到,用于对待分类的多角度人脸照片进行判断分类。
9.根据权利要求8所述的特纳综合征诊断系统,其特征在于,所述诊断系统还包括:预处理模块;
所述预处理模块用于将原始的多角度人脸照片进行人脸对齐和几何归一化操作,得到所述待分类的多角度人脸照片。
10.根据权利要求9所述的特纳综合征诊断系统,其特征在于,所述诊断系统还包括:数据接收模块或数据采集装置;
所述数据接收模块用于接收客户端上传的所述原始的多角度人脸照片;
所述数据采集装置用于对被拍摄者进行多角度拍摄,得到所述原始的多角度人脸照片;
其中,
所述数据采集装置包括:环形轨道和设置于所述环形轨道上的相机;
所述相机沿着所述环形轨道移动,对端坐于所述环形轨道正中央的被拍摄者的面部进行拍照,且每移动一个预设的角度拍摄一张照片。
11.根据权利要求10所述的特纳综合征诊断系统,其特征在于,
若所述诊断系统包括数据接收模块,则所述诊断系统还包括:结果返回模块;
所述结果返回模块用于将所述诊断分类模型的判断分类结果返回到所述客户端;
所述判断分类结果包括:患病、未患病或提示重新上传照片。
12.根据权利要求11所述的特纳综合征诊断系统,其特征在于,所述诊断系统还包括:显示模块;
所述显示模块用于对所述诊断分类模型的判断分类结果进行本地显示。
13.一种存储设备,其存储有多条程序,其特征在于,所述程序适于由处理器加载并执行,以实现权利要求1-7中任一项所述的特纳综合征诊断分类模型的训练方法。
14.一种控制设备,包括:
处理器,适于执行程序;
存储器,适于存储所述程序;
其特征在于,所述程序适于由所述处理器加载并执行,以实现权利要求1-7中任一项所述的特纳综合征诊断分类模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011250043.7A CN112382384A (zh) | 2020-11-10 | 2020-11-10 | 特纳综合征诊断模型训练方法、诊断系统及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011250043.7A CN112382384A (zh) | 2020-11-10 | 2020-11-10 | 特纳综合征诊断模型训练方法、诊断系统及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112382384A true CN112382384A (zh) | 2021-02-19 |
Family
ID=74578846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011250043.7A Pending CN112382384A (zh) | 2020-11-10 | 2020-11-10 | 特纳综合征诊断模型训练方法、诊断系统及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112382384A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951950A (zh) * | 2019-05-16 | 2020-11-17 | 中国科学院自动化研究所 | 基于深度学习的三维数据医疗分类系统、方法和装置 |
CN112967375A (zh) * | 2021-02-20 | 2021-06-15 | 司法鉴定科学研究院 | 基于深度学习和虚拟影像技术的法医学骨盆性别鉴别方法 |
CN113080874A (zh) * | 2021-04-17 | 2021-07-09 | 北京美医医学技术研究院有限公司 | 一种多角度交叉验证的智能测肤系统 |
CN115116594A (zh) * | 2022-06-06 | 2022-09-27 | 中国科学院自动化研究所 | 医疗装置有效性的检测方法及装置 |
CN116052872A (zh) * | 2023-01-06 | 2023-05-02 | 南昌大学 | 一种基于面部表情的帕金森疾病智能数据评估方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019025004A1 (en) * | 2017-08-04 | 2019-02-07 | Trisomytest, S.R.O. | METHOD FOR NON-INVASIVE PRENATAL DETECTION OF FETUS SEX CHROMOSOMAL ABNORMALITY AND FETUS SEX DETERMINATION FOR SINGLE PREGNANCY AND GEEMELLAR PREGNANCY |
CN110660478A (zh) * | 2019-09-18 | 2020-01-07 | 西安交通大学 | 一种基于迁移学习的癌症图像预测判别方法和系统 |
CN110689036A (zh) * | 2018-07-06 | 2020-01-14 | 塔塔咨询服务有限公司 | 用于自动染色体分类的方法和系统 |
CN111479934A (zh) * | 2017-10-18 | 2020-07-31 | 韦恩生物科技股份公司 | 用于诊断和治疗监测的生物学指标的鉴定和用途 |
WO2020168511A1 (zh) * | 2019-02-21 | 2020-08-27 | 中国医药大学附设医院 | 染色体异常检测模型、其检测系统及染色体异常检测方法 |
-
2020
- 2020-11-10 CN CN202011250043.7A patent/CN112382384A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019025004A1 (en) * | 2017-08-04 | 2019-02-07 | Trisomytest, S.R.O. | METHOD FOR NON-INVASIVE PRENATAL DETECTION OF FETUS SEX CHROMOSOMAL ABNORMALITY AND FETUS SEX DETERMINATION FOR SINGLE PREGNANCY AND GEEMELLAR PREGNANCY |
CN111479934A (zh) * | 2017-10-18 | 2020-07-31 | 韦恩生物科技股份公司 | 用于诊断和治疗监测的生物学指标的鉴定和用途 |
CN110689036A (zh) * | 2018-07-06 | 2020-01-14 | 塔塔咨询服务有限公司 | 用于自动染色体分类的方法和系统 |
WO2020168511A1 (zh) * | 2019-02-21 | 2020-08-27 | 中国医药大学附设医院 | 染色体异常检测模型、其检测系统及染色体异常检测方法 |
CN110660478A (zh) * | 2019-09-18 | 2020-01-07 | 西安交通大学 | 一种基于迁移学习的癌症图像预测判别方法和系统 |
Non-Patent Citations (5)
Title |
---|
HANG SU 等: "Multi-view Convolutional Neural Networks for 3D Shape Recognition", 《2015 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》, pages 1 * |
WENAI SONG 等: "Multiple facial image features-based recognition for the automatic diagnosis of turner syndrome", 《COMPUTERS IN INDUSTRY》, vol. 100, pages 87 - 89 * |
YIFAN FENG 等: "GVCNN: Group-View Convolutional Neural Networks for 3D Shape Recognition", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, pages 3 - 5 * |
ZHOUXIAN PAN 等: "Clinical application of an automatic facial recognition system based on deep learning for diagnosis of Turner syndrome", 《ENDOCRINE》, vol. 72 * |
郭静;宋文爱;杨吉江;王青;梁雅琪;雷毅;高雪梅;李海振;: "计算机辅助诊断人脸形态学疾病研究综述", 计算机工程与应用, no. 19 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951950A (zh) * | 2019-05-16 | 2020-11-17 | 中国科学院自动化研究所 | 基于深度学习的三维数据医疗分类系统、方法和装置 |
CN111951950B (zh) * | 2019-05-16 | 2023-11-24 | 中国科学院自动化研究所 | 基于深度学习的三维数据医疗分类系统 |
CN112967375A (zh) * | 2021-02-20 | 2021-06-15 | 司法鉴定科学研究院 | 基于深度学习和虚拟影像技术的法医学骨盆性别鉴别方法 |
CN113080874A (zh) * | 2021-04-17 | 2021-07-09 | 北京美医医学技术研究院有限公司 | 一种多角度交叉验证的智能测肤系统 |
CN113080874B (zh) * | 2021-04-17 | 2023-02-07 | 北京美医医学技术研究院有限公司 | 一种多角度交叉验证的智能测肤系统 |
CN115116594A (zh) * | 2022-06-06 | 2022-09-27 | 中国科学院自动化研究所 | 医疗装置有效性的检测方法及装置 |
CN115116594B (zh) * | 2022-06-06 | 2024-05-31 | 中国科学院自动化研究所 | 医疗装置有效性的检测方法及装置 |
CN116052872A (zh) * | 2023-01-06 | 2023-05-02 | 南昌大学 | 一种基于面部表情的帕金森疾病智能数据评估方法和系统 |
CN116052872B (zh) * | 2023-01-06 | 2023-10-13 | 南昌大学 | 一种基于面部表情的帕金森疾病智能数据评估方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112382384A (zh) | 特纳综合征诊断模型训练方法、诊断系统及相关设备 | |
JP7075085B2 (ja) | 全身測定値抽出のためのシステムおよび方法 | |
CN109300121B (zh) | 一种心血管疾病诊断模型的构建方法、系统及该诊断装置 | |
CN110276411B (zh) | 图像分类方法、装置、设备、存储介质和医疗电子设备 | |
KR102394593B1 (ko) | 신체 이미징 | |
CN109346159B (zh) | 病例图像分类方法、装置、计算机设备及存储介质 | |
CN107767935A (zh) | 基于人工智能的医学影像分类处理系统及方法 | |
CN111325745B (zh) | 骨折区域分析方法和装置、电子设备及可读存储介质 | |
CN112101424B (zh) | 一种视网膜病变识别模型的生成方法、识别装置及设备 | |
CN111402217B (zh) | 一种图像分级方法、装置、设备和存储介质 | |
CN109063643B (zh) | 一种用于脸部信息部分隐藏条件下的面部表情痛苦度识别方法 | |
CN110321820B (zh) | 一种基于非接触式设备的视线落点检测方法 | |
CN116189884B (zh) | 一种基于面部视觉的多模态融合中医体质判别方法及系统 | |
US20190340473A1 (en) | Pattern recognition method of autoantibody immunofluorescence image | |
CN112151167A (zh) | 一种基于深度学习的儿童六龄牙龋齿智能筛查方法 | |
CN112257728A (zh) | 图像处理方法、装置、计算机设备以及存储介质 | |
CN112420141A (zh) | 一种中医健康评估系统及其应用 | |
CN110660454A (zh) | 一种癌痛实时评估仪及其评估方法 | |
CN113506274B (zh) | 基于视觉显著性差异图的用于人体认知状况的检测系统 | |
CN112529054A (zh) | 一种多源异构数据的多维度卷积神经网络学习者建模方法 | |
CN110473176A (zh) | 图像处理方法及装置、眼底图像处理方法、电子设备 | |
CN112562852A (zh) | 基于肢体动作的颈椎病筛查装置 | |
CN112465773A (zh) | 一种基于人脸面部肌肉运动特征的面部神经麻痹疾病检测方法 | |
CN116230172A (zh) | 一种通过拍照心电图获取心电st段信息的系统 | |
Mehta et al. | Decentralized Detection of Cassava Leaf Diseases: A Federated Convolutional Neural Network Solution |
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 |