[發明專利]一種基于超聲圖像的多模型肝臟彌漫性疾病智能診斷方法

有效

• 申請號: 201810658611.3
• 申請日: 2018-06-22
• 公開（公告）號: CN109063712B
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 李丹丹;李佳昕;李想;沈毅
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04;G06N3/08;G06T7/41
• 代理公司: 暫無信息
• 代理人: 暫無信息

一種基于超聲圖像的多模型肝臟彌漫性疾病智能診斷方法及系統，具體涉及利用深度學習算法提取圖像特征與圖像紋理特征相結合并應用XGBoost算法在超聲圖像上實現肝臟彌漫性疾病智能診斷的方法，它是人工智能方法在基于超聲圖像的診斷中的應用，可以為醫生的疾病診斷提供輔助建議。本發明的步驟為：一、對肝臟超聲圖像進行預處理；二、基于卷積神經網絡實現肝臟彌漫性疾病的初步分類；三、將卷積神經網絡特征和圖像紋理特征相結合形成多模型特征，應用XGBoost算法實現肝臟彌漫性疾病的最終分類。本發明結合深度學習算法和傳統的特征提取算法，兼顧圖像的形狀特征與紋理特征，并應用XGBoost算法提高了分類算法的準確度，適用于基于超聲圖像的肝臟彌漫性疾病輔助診斷。

(一)技術領域

本發明屬于計算機輔助診斷領域，具體涉及超聲圖像的肝臟彌漫性疾病診斷研究，是一種利用深度學習算法提取圖像特征與圖像紋理特征相結合獲取多模型特征，并基于該多模型特征應用XGBoost算法在超聲圖像上實現肝臟彌漫性疾病智能診斷的方法。

(二)背景技術

肝臟彌漫性疾病是指肝臟實質內的彌漫性病理改變，比較典型的是脂肪肝和肝纖維化。肝組織病理學檢查是診斷脂肪肝和肝纖維化的金標準，但有一定的創傷性和較差的患者依從性。肝臟出現彌漫性病變之后，病變部位的聲阻抗也隨之變化，這種變化會反映到超聲圖像中。因此超聲科醫生可以觀察超聲圖像中回聲狀況的變化，依據自己經驗來診斷是否是脂肪肝或肝纖維化，這種方法比較方便，但有很大的主觀性，需要多年的臨床經驗。因此一種基于超聲圖像的肝臟彌漫性疾病分類的人工智能方法，在臨床上具有重要的意義。

在肝臟的彌漫性疾病智能診斷方向上，國內外當前已有的研究還是基于傳統機器學習算法或信號處理算法，這種方法需要手工提取特征，非常費時費力且需要專業知識，特征的選取對結果影響巨大。而且基于小樣本提取的手工特征具有應用特異性，可復現性低，如果耗時耗力設計出的特征換一批其他超聲設備采集的圖像卻不再適用了，就很難滿足臨床的實際需求了。因此，我們需要一種更好的特征提取方法。

基于卷積神經網絡的深度學習方法具有自動學習特征的能力，近兩年在醫學圖像處理的各種應用中展現出了卓越的能力。它符合人眼感受圖像的原理，可以全自動的學習大量的特征，替代了手工選取特征。基于卷積神經網絡的深度學習方法實現圖像分類的流程可以概括為，采用卷積層與池化層提取海量的特征，使用全連接層實現特征降維，最后采用Softmax層實現分類。考慮到最終分類準確度和分類耗時的折衷，本發明在GoogleNet網絡架構上應用深度學習算法實現了肝彌漫性疾病圖像的初步分類。

肝彌漫性疾病圖像的差異更多體現在紋理的不同，只依賴卷積神經網絡，提取的很多都是圖像結構性的信息，因此需要提取能表達圖像紋理的特征來補充卷積神經網絡。紋理特征主要是視覺上的特異性，不是基于某一個像素，而是一個區域中相鄰像素的整體空間變化，往往有一定的周期性，使得像素按照某種規則排列。在最終的分類過程中，本發明將卷積神經網絡作為一個特征提取器而不是分類器，將基于深度學習算法提取的圖像卷積神經網絡特征與圖像紋理特征結合起來，應用XGBoost分類器實現了基于超聲圖像的肝臟彌漫性疾病分類。

(三)發明內容

本發明的目的在于提出一種將深度學習算法提取的圖像卷積神經網絡特征與圖像紋理特征相結合并應用XGBoost算法在超聲圖像上實現肝臟彌漫性疾病智能診斷的方法，為醫生的診斷決策提供輔助建議。

本發明的目的是通過以下技術方案實現的：對肝臟超聲圖像進行預處理；基于GoogleNet網絡架構利用深度學習算法實現肝臟彌漫性疾病的初步分類；提取深度學習算法中網絡的全連接層輸出作為圖像的卷積神經網絡特征，繼而提取圖像的多個紋理特征，然后將紋理特征向量和圖像的卷積神經網絡特征向量結合，基于多模型特征應用XGBoost分類器實現肝臟彌漫性疾病的最終分類。

本發明的流程圖如圖1所示，具體步驟如下：

步驟一：對肝臟超聲圖像進行預處理