CN117095813A - 一种肌少症自动诊断模型构建方法、系统、设备及介质 - Google Patents

一种肌少症自动诊断模型构建方法、系统、设备及介质 Download PDF

Info

Publication number
CN117095813A
CN117095813A CN202311070222.6A CN202311070222A CN117095813A CN 117095813 A CN117095813 A CN 117095813A CN 202311070222 A CN202311070222 A CN 202311070222A CN 117095813 A CN117095813 A CN 117095813A
Authority
CN
China
Prior art keywords
sarcopenia
frequency domain
muscle
extraction module
feature extraction
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
Application number
CN202311070222.6A
Other languages
English (en)
Inventor
石一磊
张雷
胡敬良
牟立超
侯雨
陈咏虹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Maide Intelligent Technology Wuxi Co ltd
Original Assignee
Maide Intelligent Technology Wuxi Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Maide Intelligent Technology Wuxi Co ltd filed Critical Maide Intelligent Technology Wuxi Co ltd
Priority to CN202311070222.6A priority Critical patent/CN117095813A/zh
Publication of CN117095813A publication Critical patent/CN117095813A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/431—Frequency domain transformation; Autocorrelation
    • 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
    • G06V10/77—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
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种肌少症自动诊断模型构建方法、系统、设备及介质，包括如下步骤：对肌少症患者和健康人群的下肢肌肉超声扫查视频分别进行标注，按标注区域进行裁剪保留肌肉区域图像，获取感兴趣区域；将肌肉区域图像进行频域变换转换为频域图像，并进行预处理；构建样本数据集，并通过所构建的样本数据集基于频域神经网络训练得到肌少症自动诊断模型，本发明能够更好地捕捉肌肉组织的纹理、结构和形态特征，有助于诊断过程中的准确性。

Description

一种肌少症自动诊断模型构建方法、系统、设备及介质
技术领域
本发明涉及人工智能技术领域，具体涉及一种肌少症自动诊断模型构建方法、系统、设备及介质。
背景技术
肌少症是一种常见的神经肌肉系统疾病，其特征是肌肉逐渐减少，功能逐渐下降，严重影响患者的生活质量。目前，常规的肌少症诊断方法主要是通过临床症状、生物化学检查和肌肉组织活检等手段进行诊断，这些方法存在诊断准确率低、创伤大等问题。
近年来，卷积神经网络在医学图像处理领域得到广泛应用，并在多项医疗图像识别任务中取得了良好的效果，但基于超声图像频域特征的肌少症人工智能诊断目前少有研究。超声图像频域转换可以有助于去除超声图像中的噪声和伪影，提高图像的质量和清晰度，这有利于神经网络在处理数据时获得更干净、更准确的输入，从而提高诊断性能。且频域神经网络能够有效地从频域图像中提取复杂的特征和模式，这些特征可能在时域图像中难以捕捉。对于肌肉超声图像而言，频域表示可能能够更好地捕捉肌肉组织的纹理、结构和形态特征，有助于诊断过程中的准确性。
因此，开发一种超声图像肌少症自动诊断模型及系统，可以有效提高诊断准确率。
发明内容
本发明的目的是提供一种肌少症自动诊断模型构建方法、系统、设备及介质，可以有效提高模型诊断准确率。
为实现上述目的，本发明提供了如下的技术方案：
第一方面，本发明提供了一种肌少症自动诊断模型构建方法，包括如下步骤：S1.对肌少症患者和健康人群的下肢肌肉超声扫查视频分别进行标注，按标注区域进行裁剪保留肌肉区域图像，获取感兴趣区域；
S2.将肌肉区域图像进行频域变换转换为频域图像，并进行预处理；
S3.基于步骤S1和步骤S2构建样本数据集，并通过所构建的样本数据集基于频域神经网络训练得到肌少症自动诊断模型。
进一步的，步骤S2的具体方法为：将裁剪后得到的肌肉区域图像统一缩放使其尺寸为448×448，再经过DCT变换得到一组尺寸为56×56×192的频域特征，并进行归一化预处理。
进一步的，频域变换的具体步骤为：
S21.将肌肉区域图像首先转换到YCbCr颜色空间；
S22.将肌肉区域图像按8×8分块，对于尺寸为W×H的原始图像，分为(W/8)×(W/8)个块。
S23.对于每个8×8的块，执行DCT变换，DCT产生一个相同大小的频域系数矩阵。
S24.在Y通道每个块会得到64个DCT信号，对应64个不同的频率分量，Cb和Cr通道，也各自产生64个DCT信号，每个块总共产生了64×3＝192个DCT信号，则尺寸为W×H的原始图像得到为(W/8)×(H/8)×192的频域特征。
进一步的，所述样本数据集包括训练集、验证集和测试集，所述训练集用于对频域神经网络进行网络训练，所述验证集用于对训练的超参数进行优化得到所述肌少症自动诊断初步模型，所述测试集用于对训练得到的肌少症自动诊断初步模型进行测试，得到肌少症自动诊断模型；
其中，训练集中的样本包括的肌少症患者和非肌少症患者的数量差在一定误差范围内，且属于同一个患者的多个样本不同时包含在训练集和验证集中。
进一步的，所述频域神经网络包括4级特征提取模块和1个分类模块，所述4级特征提取模块包括依次连接的依次连接的第一特征提取模块、第二特征提取模块、第三特征提取模块和第四特征提取模块，所述第四特征提取模块与分类模块连接；其中：
第一特征提取模块由2个卷积核大小为3×3的卷积层构成，每层卷积后面包含一个归一化层，输出通道数为256；
第二特征提取模块由2个卷积核大小为3×3的卷积层构成，每层卷积后面包含一个归一化层和最大池化层，输出通道数为512，输出的特征图大小减半；
第三特征提取模块由2个卷积核大小为3×3的卷积层构成，每层卷积后面包含一个归一化层和最大池化层，输出通道数为1024，输出的特征图大小减半；
第四特征提取模块由2个卷积核大小为3×3的卷积层构成，每层卷积后面包含一个归一化层和最大池化层，输出通道数为2048，输出的特征图大小减半；所述分类模块由一个全局平均池化层和一个全连接层构成，其中全连接层的输出维度为2。
第二方面，本发明提供了一种肌少症自动诊断系统，包括：
分割模块，用于对下肢肌肉超声扫查视频进行肌肉区域分割，得到感兴趣区域；频域变换模块，用于对肌肉区域图像进行频域变换转换为频域图像；
预处理模块，用于对频域图像尽心归一化处理；
特征提取模块，用于获取经预处理后的频域图像中肌肉组织的空间结构和局部特征；
分类预测模块，用于基于特征提取模块提取的肌肉组织特征进行网络预测，得到是否患有肌少症的预测结果。
第三方面，本发明提供了一种电子设备，包括处理器、存储器及存储在所述存储器上并可用在所述处理器上运行的控制程序，所述控制程序被所述处理器执行时实现如第一方面中任一项所述的肌少症自动诊断模型构建方法。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一项所述的肌少症自动诊断模型构建方法。
本发明的有益效果是：本申请通过将肌肉超声图像通过DCT变换转为频域图像数据，基于频域神经网络从频域图像中有效的提取复杂的特征和模式，能够更好地捕捉肌肉组织的纹理、结构和形态特征，有助于诊断过程中的准确性。
附图说明
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。在附图中：
图1是本发明的步骤图；
图2是本发明一个实施例中肌肉轮廓标注示意图；
图3是本发明的具体方法流程图。
具体实施方式
如图1-3所示的一种肌少症自动诊断模型构建方法，包括如下步骤：
S1.对肌少症患者和健康人群的下肢肌肉超声扫查视频分别进行标注，如图2所示，按标注区域进行裁剪保留肌肉区域图像，获取感兴趣区域。
在一个实施例中，采用手动标注，具体由一名中年资医生根据超声图像表现进行肌肉区域轮廓标注，再由另一名高年资医生进行审核。
S2.将肌肉区域图像进行频域变换转换为频域图像，将裁剪后得到的肌肉区域图像统一缩放使其尺寸为448×448，再经过DCT变换得到一组尺寸为56×56×192的频域特征，并进行归一化预处理；
其中，频域变换的具体步骤为：
S21.将肌肉区域图像首先转换到YCbCr颜色空间；
S22.将肌肉区域图像按8×8分块，对于尺寸为W×H的原始图像，分为(W/8)×(W/8)个块。
S23.对于每个8×8的块，执行DCT变换，DCT产生一个相同大小的频域系数矩阵。
S24.在Y通道每个块会得到64个DCT信号，对应64个不同的频率分量，Cb和Cr通道，也各自产生64个DCT信号，每个块总共产生了64×3＝192个DCT信号，则尺寸为W×H的原始图像得到为(W/8)×(H/8)×192的频域特征。
S3.基于步骤S1和步骤S2构建样本数据集，并通过所构建的样本数据集基于频域神经网络训练得到肌少症自动诊断模型；
其中，样本数据集包括训练集、验证集和测试集，在一个实施例中，训练集、验证集和测试集按8:1:1的比例进行划分；所述训练集用于对频域神经网络进行网络训练，所述验证集用于对训练的超参数进行优化得到所述肌少症自动诊断初步模型，所述测试集用于对训练得到的肌少症自动诊断初步模型进行测试，得到肌少症自动诊断模型；
其中，训练集中的样本包括的肌少症患者和非肌少症患者的数量差在一定误差范围内，且属于同一个患者的多个样本不同时包含在训练集和验证集中。
在一个实施例中，直接通过验证集中的样本对训练的超参数不断进行优化和微调，直至模型收敛且验证集上的精度可以达到最优。训练超参数设置为：使用AdamW优化器，学习率设置为0.001，分类采用CrossEntropy Loss，不断迭代训练，设置迭代轮数为500轮。
在一个实施例中，样本数据集包括若干例肌少症患者下肢肌肉超声扫查图像及若干例健康人群的下肢肌肉超声扫查图像，样本数据集患者来自不同医院，肌肉超声扫查图像由不同品牌不同型号的超声机采集而来，具有一定的样本多样性，可保证训练的模型具有很好的泛化性。
其中，频域神经网络包括4级特征提取模块和1个分类模块，4级特征提取模块包括依次连接的依次连接的第一特征提取模块、第二特征提取模块、第三特征提取模块和第四特征提取模块，第四特征提取模块与分类模块连接；其中：
第一特征提取模块由2个卷积核大小为3×3的卷积层构成，每层卷积后面包含一个归一化层，输出通道数为256；
第二特征提取模块由2个卷积核大小为3×3的卷积层构成，每层卷积后面包含一个归一化层和最大池化层，输出通道数为512，输出的特征图大小减半；
第三特征提取模块由2个卷积核大小为3×3的卷积层构成，每层卷积后面包含一个归一化层和最大池化层，输出通道数为1024，输出的特征图大小减半；
第四特征提取模块由2个卷积核大小为3×3的卷积层构成，每层卷积后面包含一个归一化层和最大池化层，输出通道数为2048，输出的特征图大小减半；
分类模块由一个全局平均池化层和一个全连接层构成，其中全连接层的输出维度为2。
经过DCT变换后输出的56×56×192的频域特征图依次输入到所述频域神经的4级特征提取模块，分别得到56×56×192、28×28×512、14×14×1024、7×7×2048的特征图，特征提取模块提取到的7×7×2048特征图输入分类模块中的全局平均池化层后得到一个2048维的向量，通过全连接层后输出诊断结果。
实施例2
本发明提供了一种肌少症自动诊断系统，用于实现如实施例中所述的肌少症自动诊断模型构建方法，包括：
分割模块，用于对下肢肌肉超声扫查视频进行肌肉区域分割，得到感兴趣区域；
频域变换模块，用于对肌肉区域图像进行频域变换转换为频域图像；
预处理模块，用于对频域图像尽心归一化处理；
特征提取模块，用于获取经预处理后的频域图像中肌肉组织的空间结构和局部特征；
分类预测模块，用于基于特征提取模块提取的肌肉组织特征进行网络预测，得到是否患有肌少症的预测结果。
实施例3
本发明提供了一种电子设备，包括处理器、存储器及存储在所述存储器上并可用在所述处理器上运行的控制程序，所述控制程序被所述处理器执行时实现如实施例1中任一项所述的肌少症自动诊断模型构建方法。
实施例4
本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例1中任一项所述的肌少症自动诊断模型构建方法。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置，或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种肌少症自动诊断模型构建方法，其特征在于，包括如下步骤：
S1.对肌少症患者和健康人群的下肢肌肉超声扫查视频分别进行标注，按标注区域进行裁剪保留肌肉区域图像，获取感兴趣区域；
S2.将肌肉区域图像进行频域变换转换为频域图像，并进行预处理；
S3.基于步骤S1和步骤S2构建样本数据集，并通过所构建的样本数据集基于频域神经网络训练得到肌少症自动诊断模型。
2.根据权利要求1所述的一种肌少症自动诊断模型构建方法，其特征在于，步骤S2的具体方法为：将裁剪后得到的肌肉区域图像统一缩放使其尺寸为448×448，再经过DCT变换得到一组尺寸为56×56×192的频域特征，并进行归一化预处理。
3.根据权利要求2所述的一种肌少症自动诊断模型构建方法，其特征在于，频域变换的具体步骤为：
S21.将肌肉区域图像首先转换到YCbCr颜色空间；
S22.将肌肉区域图像按8×8分块，对于尺寸为W×H的原始图像，分为W/8×H/8个块。
S23.对于每个8×8的块，执行DCT变换，DCT产生一个相同大小的频域系数矩阵。
S24.在Y通道每个块会得到64个DCT信号，对应64个不同的频率分量，Cb和Cr通道，也各自产生64个DCT信号，每个块总共产生了64×3＝192个DCT信号，则尺寸为W×H的原始图像得到为(W/8)×(H/8)×192的频域特征。
4.根据权利要求1所述的一种肌少症自动诊断模型构建方法，其特征在于：所述样本数据集包括训练集、验证集和测试集，所述训练集用于对频域神经网络进行网络训练，所述验证集用于对训练的超参数进行优化得到所述肌少症自动诊断初步模型，所述测试集用于对训练得到的肌少症自动诊断初步模型进行测试，得到肌少症自动诊断模型；
其中，训练集中的样本包括的肌少症患者和非肌少症患者的数量差在一定误差范围内，且属于同一个患者的多个样本不同时包含在训练集和验证集中。
5.根据权利要求2所述的一种肌少症自动诊断模型构建方法，其特征在于：所述频域神经网络包括4级特征提取模块和1个分类模块，所述4级特征提取模块包括依次连接的依次连接的第一特征提取模块、第二特征提取模块、第三特征提取模块和第四特征提取模块，所述第四特征提取模块与分类模块连接；其中：
第一特征提取模块由2个卷积核大小为3×3的卷积层构成，每层卷积后面包含一个归一化层，输出通道数为256；
第二特征提取模块由2个卷积核大小为3×3的卷积层构成，每层卷积后面包含一个归一化层和最大池化层，输出通道数为512，输出的特征图大小减半；
第三特征提取模块由2个卷积核大小为3×3的卷积层构成，每层卷积后面包含一个归一化层和最大池化层，输出通道数为1024，输出的特征图大小减半；
第四特征提取模块由2个卷积核大小为3×3的卷积层构成，每层卷积后面包含一个归一化层和最大池化层，输出通道数为2048，输出的特征图大小减半；所述分类模块由一个全局平均池化层和一个全连接层构成，其中全连接层的输出维度为2。
6.一种肌少症自动诊断系统，用于实现如权利要求1-5中任一项所述的肌少症自动诊断模型构建方法，其特征在于，包括：
分割模块，用于对下肢肌肉超声扫查视频进行肌肉区域分割，得到感兴趣区域；频域变换模块，用于对肌肉区域图像进行频域变换转换为频域图像；
预处理模块，用于对频域图像尽心归一化处理；
特征提取模块，用于获取经预处理后的频域图像中肌肉组织的空间结构和局部特征；
分类预测模块，用于基于特征提取模块提取的肌肉组织特征进行网络预测，得到是否患有肌少症的预测结果。
7.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可用在所述处理器上运行的控制程序，所述控制程序被所述处理器执行时实现如权利要求1-5中任一项所述的肌少症自动诊断模型构建方法。
8.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-5中任一项所述的肌少症自动诊断模型构建方法。
CN202311070222.6A 2023-08-23 2023-08-23 一种肌少症自动诊断模型构建方法、系统、设备及介质 Pending CN117095813A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311070222.6A CN117095813A (zh) 2023-08-23 2023-08-23 一种肌少症自动诊断模型构建方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311070222.6A CN117095813A (zh) 2023-08-23 2023-08-23 一种肌少症自动诊断模型构建方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN117095813A true CN117095813A (zh) 2023-11-21

Family

ID=88771265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311070222.6A Pending CN117095813A (zh) 2023-08-23 2023-08-23 一种肌少症自动诊断模型构建方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN117095813A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117894454A (zh) * 2024-01-29 2024-04-16 脉得智能科技(无锡)有限公司 一种肌少症诊断方法、装置及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633195A (zh) * 2020-12-28 2021-04-09 杭州电子科技大学 一种基于频域特征与深度学习的心肌梗塞识别分类方法
CN114419341A (zh) * 2022-01-20 2022-04-29 大连海事大学 一种基于迁移学习改进的卷积神经网络图像识别方法
CN114627154A (zh) * 2022-03-18 2022-06-14 中国电子科技集团公司第十研究所 一种在频域部署的目标跟踪方法、电子设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633195A (zh) * 2020-12-28 2021-04-09 杭州电子科技大学 一种基于频域特征与深度学习的心肌梗塞识别分类方法
CN114419341A (zh) * 2022-01-20 2022-04-29 大连海事大学 一种基于迁移学习改进的卷积神经网络图像识别方法
CN114627154A (zh) * 2022-03-18 2022-06-14 中国电子科技集团公司第十研究所 一种在频域部署的目标跟踪方法、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117894454A (zh) * 2024-01-29 2024-04-16 脉得智能科技(无锡)有限公司 一种肌少症诊断方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN113314205B (zh) 一种高效的医学影像标注与学习系统
WO2022121100A1 (zh) 一种基于darts网络的多模态医学图像融合方法
CN114947883B (zh) 一种时频域信息融合的深度学习脑电降噪方法
CN117095813A (zh) 一种肌少症自动诊断模型构建方法、系统、设备及介质
CN113989551B (zh) 一种基于改进ResNet网络的阿尔茨海默病分类方法
CN113487503A (zh) 一种基于通道注意力生成对抗网络的pet超分辨率方法
CN114972248A (zh) 基于注意力机制改进的U-net肝肿瘤分割方法
CN112365551A (zh) 一种图像质量处理系统、方法、设备和介质
Gregory et al. HydraNet: a multi-branch convolutional neural network architecture for MRI denoising
Panda et al. A 3D wide residual network with perceptual loss for brain MRI image denoising
CN116645283A (zh) 基于自监督感知损失多尺度卷积神经网络的低剂量ct图像去噪方法
CN115953420A (zh) 深度学习网络模型以及医疗图像分割方法、装置和系统
CN113689441B (zh) 一种基于DeepLabV3网络的左心室超声动态分割方法
CN116304558B (zh) 癫痫脑磁图棘波检测方法及装置
CN114494952B (zh) 一种基于感知损失的乳腺mri影像时间序列生成方法
CN112766333B (zh) 医学影像处理模型训练方法、医学影像处理方法及装置
CN111640126B (zh) 基于医学影像的人工智能诊断辅助方法
CN114419015A (zh) 一种基于多模态配准的脑功能融合分析方法
CN108961171B (zh) 一种乳腺dti图像去噪方法
CN112967295A (zh) 一种基于残差网络和注意力机制的图像处理方法及系统
CN117173489B (zh) 多中心mri图像分类方法
CN113223104B (zh) 一种基于因果关系的心脏mr图像插补方法及系统
CN116597041B (zh) 一种脑血管病核磁影像清晰度优化方法、系统及电子设备
CN116385329B (zh) 基于特征融合的多层知识蒸馏医学影像生成方法和装置
CN115393301B (zh) 一种肝脏二维剪切波弹性图像的影像组学分析方法和装置

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