CN114897849A - 一种基于卷积神经网络的新生儿耳廓形态畸形诊断方法 - Google Patents
一种基于卷积神经网络的新生儿耳廓形态畸形诊断方法 Download PDFInfo
- Publication number
- CN114897849A CN114897849A CN202210557977.8A CN202210557977A CN114897849A CN 114897849 A CN114897849 A CN 114897849A CN 202210557977 A CN202210557977 A CN 202210557977A CN 114897849 A CN114897849 A CN 114897849A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- auricle
- model
- morphological
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 57
- 208000032170 Congenital Abnormalities Diseases 0.000 title claims abstract description 23
- 206010061619 Deformity Diseases 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000003321 amplification Effects 0.000 claims abstract description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000036244 malformation Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000008722 morphological abnormality Effects 0.000 claims 5
- 241000195493 Cryptophyta Species 0.000 claims 1
- 206010010356 Congenital anomaly Diseases 0.000 abstract description 11
- 238000011158 quantitative evaluation Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 208000029523 Interstitial Lung disease Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 208000018999 crinkle Diseases 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的新生儿耳廓形态畸形诊断方法，包括以下步骤：S1：对采集的所有图像数据进行分析，并利用多手段进行图像扩增处理，实现图像均衡；S2：建立双输出的卷积神经网络模型；S3：训练神经网络模型；S4：判别新生儿耳廓形态畸形类别及异常程度分数；S5：使用联邦学习更新诊断模型；解决卷积神经网络在先天性耳廓畸形领域应用稀缺的问题、新生儿耳廓诊断和严重程度量化评估依赖医生经验的问题、多节点分布式数据源联合更新辅助诊断模型时的数据隐私保护问题。
Description
技术领域
本发明涉及领域，特别是一种基于卷积神经网络的新生儿耳廓形态畸形诊断方法。
背景技术
先天性耳廓畸形发病率高达55.2％-57.5％，耳廓畸形会对患儿的生理和心理健康造成不可逆的伤害，但是约30％的耳廓形态畸形可随着新生儿的生长发育得到缓解和改善。
因此，在新生儿筛查中纳入耳廓形态具有重要意义。现阶段国内外耳廓畸形的识别与诊断大多基于医生的经验性判断，缺乏统一的诊断仪器与标准，而除过耳鼻喉科的专业医师外，能明确诊断新生儿先天性耳廓畸形的新生儿科医师、产科医护人员等医护人员匮乏，但对其进行专业培训的成本无疑过高。
为解决上述问题，我们考虑用机器代替人工。实际上，深度学习作为机器学习的一个分支，在医学图像分析领域应用广泛，如医学图像分类、医学图像分割技术等。本发明公开了一种针对新生儿耳廓形态的基于卷积神经网络的分类方法，旨在利用双输出卷积神经网络，对病变耳廓进行辅助诊断和严重程度评估，开拓机器学习与耳廓诊断结合的新技术。
近年来，各类医学图像处理和识别都采用了深度学习方法，包括眼底图像、内窥镜图像、CT/MRI图像、超声图像、病理图像等。其中，卷积神经网络 (Convolutional NeuralNetworks,CNN)是处理医学图像问题时最热门的技术之一。卷积神经网络是一类在各种计算机视觉任务中占主导地位的神经网络,旨在使用多个构建块，如卷积层、池层及完全连接层，通过反向传播算法，自动、自适应地学习特征的空间层次结构。
为设计适用于先天性耳廓畸形图像数据集的卷积神经网络，我们将考察近年来卷积网络架构在医学图像领域的应用实例，并分析其核心技术。
Li Q(2014)等人提出了一种带有浅层卷积层的卷积神经网络，用于对具有间质性肺疾病(ILD)的肺图像块进行分类。这种卷积神经网络框架可以自动从最适合分类的肺部图像块中学习内在图像特征，并可以推广到其他医学图像数据集。
Hosseini-Asl(2018)等人提出了一种新的监督自适应3D卷积神经网络，用于对阿尔茨海默病的分类。他们分析基于sMRI的特征提取技术限制了分类的准确性，因此利用3D-CAE学习技术识别阿尔茨海默病的特征，并捕获该病引起的变化。3D-CAE预训练卷积滤波器进一步应用于另一组数据字段，例如CAD Dementia预训练AD神经成像(ADNI)数据集。
针对本发明研究的先天性畸形耳廓领域，Rami R.Hallac(2019)等[4]提出基于预训练模型GoogLeNet，实现对先天性畸形耳廓图像集的二分类。他们将 457张畸形耳轮廓图片和214张正常耳轮廓图片投入训练，并在测试集上得到了 94.1％的准确率。然而由于学者缺少对各个病理的具体注释，上述技术仅针对耳轮廓正常和畸形进行了二分类，尚无更加具体的类型推断和异常程度的评估。
现有技术一的缺点
上述机器学习在医学图像领域的应用均基于卷积神经网络框架，并经训练后得到了较高的准确率。然而，这些应用旨在在研究图像分类的热门技术，缺少对病变类型确认的后续评估与分析。
同时，上述卷积神经网络结构完整，训练准确率较高，但是框架较为复杂，如果封装成软件，难以实时得到分类结果，存在一定的延误性。
此外，由于畸形耳廓公开数据集稀缺、耳廓病变类型较多等原因，目前卷积神经网络在先天性畸形耳廓领域的研究较少，市场上尚无成型产品的流通。
本发明所要解决的技术问题(发明目的)
本发明提出了一种针对新生儿耳廓形态的基于卷积神经网络的分类方法，解决的问题如下：
解决卷积神经网络在先天性耳廓畸形领域应用稀缺的问题。
解决新生儿耳廓诊断和严重程度量化评估依赖医生经验的问题。
解决了多节点分布式数据源联合更新辅助诊断模型时的数据隐私保护问题。
发明内容
为解决现有技术中存在的问题，本发明提供了一种基于卷积神经网络的新生儿耳廓形态畸形诊断方法。
具体的技术方案如下：
一种基于卷积神经网络的新生儿耳廓形态畸形诊断方法，包括以下步骤：
S1：对采集的所有图像数据进行分析，并利用多手段进行图像扩增处理，实现图像均衡；
S2：建立双输出的卷积神经网络模型；
S3：训练神经网络模型；
S4：判别新生儿耳廓形态畸形类别及异常程度分数；
S5：使用联邦学习更新诊断模型。
优选地，S1的所有图像数据包括正常、招风耳、猿耳、垂耳、杯状耳、隐耳、耳甲异常凸起、耳轮畸形、复合耳畸形、环缩耳及其他共11种类型。
优选地，S2包括以下子步骤：
S21：利用主干网络进行图像特征提取，提取的特征通过两个由全连接层组成的分支输出预测结果，其中一个网络分支进行分类，输出耳廓图像的预测类别；
S22：另一个网络分支进行回归，输出严重性的量化评估。
优选地，S3包括以下子步骤：
S31：由于该卷积神经网络为双输出神经网络，设计其中的误差函数为分类分支和回归分支二者之和：
其中，
和
分别表示分类分支和回归分支的标签，
和
分别表示分类分支和预测分支的模型预测输出值；
S32：计算模型参数关于误差函数的梯度，并利用梯度下降法更新模型参数，不断重复，直到误差函数值接近零时停止，此时获得模型参数关于本发明所解决问题的较优参数。
优选地，S4包括以下子步骤：
S41：医生按照规定的侧位和侧位45度位置拍摄新生儿耳轮廓图片；
S42：将图片输入经过训练的双输出卷积神经网络模型中，最终得到耳廓类别和异常程度评分的预测输出。
优选地，S5的更新模型为：
其中，n表示训练数据的数量，w表示神经网络模型的参数，fi(w)表示训练数据集中单个样本的损失函数。
本发明基于卷积神经网络的新生儿耳廓形态畸形诊断方法的有益效果如下：
1.一种双输出的卷积神经网络，包括网络的结构、网络的前向传播与反向计算机制，使网络通过训练得到图像集的分类结果，并通过回归分析得到耳廓畸形的异常程度。
2.为验证模型的训练效果，我们将该网络应用在医学领域，对先天性畸形耳廓图像集进行分类与诊断，并得到了良好的分类效果及评估结果。量化后的结果包含疾病的类别及病变程度，证明了卷积神经网络在先天性畸形耳廓领域的研究价值。
3.该模型的训练结果并不局限于病情病因的输出。该模型为我们提供了一种工具，可用于临床医学的分类与诊断问题。我们也期待将该模型封装为软件，广泛应用于医学领域。
附图说明
图1为本发明的流程图。
图2为本发明的各类型图像示例图。
图3为本发明的数据集样本容量对比柱形图。
图4为本发明的卷积神经网络模型结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
本发明的基本思想是实现双输出的卷积神经网络模型，不仅实现对分类结果的输出，同时实现对病变程度的评估，技术流程图如图1所示。
步骤1：图像均衡
本发明中利用的是全国各地医疗机构提供的4000余张病变耳廓图像集，涵盖了正常、招风耳、猿耳、垂耳、杯状耳、隐耳、耳甲异常凸起、耳轮畸形、复合耳畸形、环缩耳及其他共11种类型。其中，新生儿耳廓畸形异常异常程度由低到高，量化为正常(0-3)、中度(4-7)、重度(8-10)。由于各类型畸形发病率差异较大，存在数据不均衡的问题，不利于神经网络的学习。因此，我们
首先对所有图像数据进行分析，并利用多手段进行图像扩增处理，实现图像均衡。
对于数量低于500张的类别图像，我们分别使用原图旋转(顺时针90°、180°)、镜像、镜像后顺时针旋转、噪声(椒盐、高斯)、调节亮度(昏暗、增亮)，将其图像数量增大9倍，若增大9倍后，数量还是低于500，则再次增加噪声、调节亮度使其数据总量大于500。为保证各类耳廓图像神经网络中的测试数量趋于一致，我们在各类中随机删除至500张投入卷积神经网络，其中80％用于训练集，20％用于测试集。部分样本扩增并随机筛选后的数据集与原数据集对比如图 2所示。
同时对图像的大小进行重定义，将数据均设置为224×224的图像，利于神经网络批量读取数据。
步骤2：建立双输出的卷积神经网络模型
本发明采用一种双输出卷积神经网络模型。
首先利用主干网络进行图像特征提取，提取的特征通过两个由全连接层组成的分支输出预测结果，其中一个网络分支进行分类，输出耳廓图像的预测类别；
另一个网络分支进行回归，输出严重性的量化评估。
本发明采用的卷积神经网络模型结构示意图如图3所示。
为实现双输出框架，我们采用AlexNet预训练模型作为本卷积神经网络的主干框架，并删除其全连接层。
同时我们采用一个全连接层和一个softmax输出层作为分类分支，采用两个全连接层和一个logistic回归层作为回归分支。
卷积神经网络是多层简化模型的组合，对目标数据集，我们可以用参数矩阵简单地表示出来。
在进行训练时，我们将网络权值Wl、初始输出z、最终输出a分别进行矩阵变换，可得到关系。
al+1＝f(zl+1)
zl+1＝Wlal
因此我们只需要令输入样本从输入层进入网络，经隐层逐层传递至输出层，分别进行两个等式的求值，即可得到最终输出z。
步骤3：神经网络模型训练
此外，由于数据集过于庞大，仅一次前向传播计算出的结果并不准确。为实现多次训练，我们引入误差函数计算输出结果a与实际结果y的距离。
由于该卷积神经网络为双输出神经网络，设计其中的误差函数为分类分支和回归分支二者之和：
其中yk表示两个分支实际结果之和。
我们利用梯度下降算法计算误差函数的阈值，即计算参数在当前位置的梯度，令参数沿梯度的反方向前进一段距离，不断重复，直到梯度接近零时停止，此时所有参数恰好使损失函数达到最低值。然而，卷积神经网络模型中计算梯度的代价极大，因此我们引入了反向传播算法。
反向传播算法利用神经网络的结构进行倒序计算。
我们以两层神经网络为例，用复合偏导计算
根据前向传播算法可得
的具体值，并由
得出二者的关系，从而让δ不断前进，直至遍历整个卷积神经网络。
步骤4：新生儿耳廓形态识别和异常程度量化评估
该双输出卷积神经网络模型经训练后，不仅实现了对新生儿耳轮廓图像的分类，同时能够对畸形的异常程度进行评分。
该发明可以作为一种辅助诊断技术，广泛应用于临床医学领域。医生按照规定的侧位和侧位45度位置拍摄新生儿耳轮廓图片，将图片输入经过训练的双输出卷积神经网络模型中，最终得到耳廓类别和异常程度评分的预测输出。这证明该发明能够为新生儿家长提供参考和建议、为医生提供辅助诊断技术。
步骤5：联邦学习实现诊断模型更新
上述模型是利用已有的数据集进行训练的，然而各医院可能还会源源不断的产生新的数据，利用这些数据更新模型可以进一步提高辅助诊断的准确率。但是，汇总这些数据的工作量很大，且存在可能泄露隐私的风险。而联邦学习是一个带有加密机制的分布式机器学习框架，在满足隐私保护和数据安全的同时，实现多家医院和设备之间的数据无接触系统训练和分布式模型更新，因此，本发明采用联邦学习技术对模型进行更新。
将一个更新样本表示为一个由数据特征x以及目标标签y z组成的数对 (x,y,z)，并且给定一个模型参数w以及给定形式的损失函数。利用损失函数计算每一个更新的样本在模型上的损失，以提高准确率为目标，更新模型。
定义整个训练数据集上的损失函数f(w)为有限项加和的形式
其中，n表示训练数据的数量，w表示神经网络模型的参数，fi(w)表示训练数据集中单个样本的损失函数。
本文中的核心是利用全新的双输出卷积神经网络模型，训练独有的先天性畸形耳廓数据集，最终得到较好的准确率、损失率及量化后的异常程度，实现卷积神经网络在医学图像领域的新应用。
Claims (6)
1.一种基于卷积神经网络的新生儿耳廓形态畸形诊断方法，其特征在于，包括以下步骤：
S1：对采集的所有图像数据进行分析，并利用多手段进行图像扩增处理，实现图像均衡；
S2：建立双输出的卷积神经网络模型；
S3：训练神经网络模型；
S4：判别新生儿耳廓形态畸形类别及异常程度分数；
S5：使用联邦学习更新诊断模型。
2.根据权利要求1所述的基于卷积神经网络的新生儿耳廓形态畸形诊断方法，其特征在于，所述S1的所有图像数据包括正常、招风耳、猿耳、垂耳、杯状耳、隐耳、耳甲异常凸起、耳轮畸形、复合耳畸形、环缩耳及其他共11种类型。
3.根据权利要求1所述的基于卷积神经网络的新生儿耳廓形态畸形诊断方法，其特征在于，所述S2包括以下子步骤：
S21：利用主干网络进行图像特征提取，提取的特征通过两个由全连接层组成的分支输出预测结果，其中一个网络分支进行分类，输出耳廓图像的预测类别；
S22：另一个网络分支进行回归，输出严重性的量化评估。
4.根据权利要求1所述的基于卷积神经网络的新生儿耳廓形态畸形诊断方法，其特征在于，所述S3包括以下子步骤：
S31：由于该卷积神经网络为双输出神经网络，设计其中的误差函数为分类分支和回归分支二者之和：
其中，
和
分别表示分类分支和回归分支的标签，
和
分别表示分类分支和预测分支的模型预测输出值；
S32：计算模型参数关于误差函数的梯度，并利用梯度下降法更新模型参数，不断重复，直到误差函数值接近零时停止，此时获得模型参数关于本发明所解决问题的较优参数。
5.根据权利要求1所述的基于卷积神经网络的新生儿耳廓形态畸形诊断方法，其特征在于，所述S4包括以下子步骤：
S41：医生按照规定的侧位和侧位45度位置拍摄新生儿耳轮廓图片；
S42：将图片输入经过训练的双输出卷积神经网络模型中，最终得到耳廓畸形类别和异常程度评分的预测输出。
6.根据权利要求1所述的基于卷积神经网络的新生儿耳廓形态畸形诊断方法，其特征在于，所述S5的更新模型为：
其中，n表示训练数据的数量，w表示神经网络模型的参数，fi(w)表示训练数据集中单个样本的损失函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210557977.8A CN114897849A (zh) | 2022-05-21 | 2022-05-21 | 一种基于卷积神经网络的新生儿耳廓形态畸形诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210557977.8A CN114897849A (zh) | 2022-05-21 | 2022-05-21 | 一种基于卷积神经网络的新生儿耳廓形态畸形诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114897849A true CN114897849A (zh) | 2022-08-12 |
Family
ID=82724980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210557977.8A Pending CN114897849A (zh) | 2022-05-21 | 2022-05-21 | 一种基于卷积神经网络的新生儿耳廓形态畸形诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114897849A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778657A (zh) * | 2016-12-28 | 2017-05-31 | 南京邮电大学 | 基于卷积神经网络的新生儿疼痛表情分类方法 |
| CN111415361A (zh) * | 2020-03-31 | 2020-07-14 | 浙江大学 | 基于深度学习的胎儿大脑脑龄估计和异常检测方法及装置 |
| CN113408593A (zh) * | 2021-06-05 | 2021-09-17 | 桂林电子科技大学 | 一种基于改进的ResNeSt卷积神经网络模型的糖尿病性视网膜病变图像分类方法 |
| CN113516210A (zh) * | 2021-09-14 | 2021-10-19 | 之江实验室 | 一种基于pet/ct的肺腺癌鳞癌诊断模型训练方法及装置 |
| CN113807330A (zh) * | 2021-11-19 | 2021-12-17 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 面向资源受限场景的三维视线估计方法及装置 |
| CN114092769A (zh) * | 2022-01-20 | 2022-02-25 | 国网江西省电力有限公司电力科学研究院 | 基于联邦学习的变电站多场景巡检分析方法 |
| CN114419376A (zh) * | 2022-03-09 | 2022-04-29 | 深圳市城图科技有限公司 | 一种多模态渐进式联邦学习的图像识别方法 |
| CN114511710A (zh) * | 2022-02-10 | 2022-05-17 | 北京工业大学 | 一种基于卷积神经网络的图像目标检测方法 |
-
2022
- 2022-05-21 CN CN202210557977.8A patent/CN114897849A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778657A (zh) * | 2016-12-28 | 2017-05-31 | 南京邮电大学 | 基于卷积神经网络的新生儿疼痛表情分类方法 |
| CN111415361A (zh) * | 2020-03-31 | 2020-07-14 | 浙江大学 | 基于深度学习的胎儿大脑脑龄估计和异常检测方法及装置 |
| CN113408593A (zh) * | 2021-06-05 | 2021-09-17 | 桂林电子科技大学 | 一种基于改进的ResNeSt卷积神经网络模型的糖尿病性视网膜病变图像分类方法 |
| CN113516210A (zh) * | 2021-09-14 | 2021-10-19 | 之江实验室 | 一种基于pet/ct的肺腺癌鳞癌诊断模型训练方法及装置 |
| CN113807330A (zh) * | 2021-11-19 | 2021-12-17 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 面向资源受限场景的三维视线估计方法及装置 |
| CN114092769A (zh) * | 2022-01-20 | 2022-02-25 | 国网江西省电力有限公司电力科学研究院 | 基于联邦学习的变电站多场景巡检分析方法 |
| CN114511710A (zh) * | 2022-02-10 | 2022-05-17 | 北京工业大学 | 一种基于卷积神经网络的图像目标检测方法 |
| CN114419376A (zh) * | 2022-03-09 | 2022-04-29 | 深圳市城图科技有限公司 | 一种多模态渐进式联邦学习的图像识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6522161B2 (ja) | ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー | |
| JP5926728B2 (ja) | 内科医が直接用いるのに適応したビジュアライゼーション | |
| Abouelyazid et al. | Machine Learning-Assisted Approach for Fetal Health Status Prediction using Cardiotocogram Data | |
| CN113990494B (zh) | 一种基于视频数据的抽动症辅助筛查系统 | |
| CN113011485A (zh) | 多模态多病种长尾分布眼科疾病分类模型训练方法和装置 | |
| EP3964136A1 (en) | System and method for guiding a user in ultrasound assessment of a fetal organ | |
| Pal et al. | Deep learning techniques for prediction and diagnosis of diabetes mellitus | |
| CN114694236B (zh) | 一种基于循环残差卷积神经网络的眼球运动分割定位方法 | |
| Toğaçar et al. | Brain hemorrhage detection based on heat maps, autoencoder and CNN architecture | |
| Bourgani et al. | Time dependent fuzzy cognitive maps for medical diagnosis | |
| CN116110597B (zh) | 一种基于数字孪生的患者病症类别智能分析方法及装置 | |
| CN114864099A (zh) | 一种基于因果关系挖掘的临床数据自动化生成方法及系统 | |
| CN117034142B (zh) | 一种不平衡医疗数据缺失值填充方法及系统 | |
| CN118173270B (zh) | 患者术后感染风险评估系统及方法 | |
| CN113096127A (zh) | 一种脑网络演化模型的生成系统及方法 | |
| JP7247292B2 (ja) | 加齢による黄斑変性症用の分類モデルを学習させる電子機器及び方法 | |
| CN115830034A (zh) | 一种用于口腔健康管理的数据分析系统 | |
| CN115470989A (zh) | 基于机器学习的预测早产儿支气管肺发育不良风险的方法 | |
| Sengan et al. | Echocardiographic image segmentation for diagnosing fetal cardiac rhabdomyoma during pregnancy using deep learning | |
| CN112102234B (zh) | 基于目标检测神经网络的耳硬化病灶检测及诊断系统 | |
| CN116935009B (zh) | 基于历史数据分析进行预测的手术导航系统 | |
| CN117338234A (zh) | 一种屈光度与视力联合检测方法 | |
| CN114897849A (zh) | 一种基于卷积神经网络的新生儿耳廓形态畸形诊断方法 | |
| CN111584086A (zh) | 一种基于bp神经网络的红外热源信息反演方法 | |
| CN116843036A (zh) | 面向阿尔兹海默症辅助诊断的个性化联邦学习方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220812 |
|
| RJ01 | Rejection of invention patent application after publication |