[發明專利]基于深度學習的嬰兒血管瘤皮損圖片分析方法及裝置

在審

• 申請號: 202310584452.8
• 申請日: 2023-05-23
• 公開（公告）號: CN116665881A
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 馬琳;李麗;徐子剛;尉莉;張斌;韓曉鋒;于魯
• 申請（專利權）人: 首都醫科大學附屬北京兒童醫院
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/70;G06T7/00
• 代理公司: 北京瑞恒信達知識產權代理事務所(普通合伙) 11382
• 代理人: 馬婭佳

1.一種基于深度學習的嬰兒血管瘤皮損圖片分析方法，其特征在于，所述分析方法包括：

建立嬰兒血管瘤的皮損圖像數據庫和嬰兒血管瘤的診斷特征數據庫；

基于所述皮損圖像數據庫和診斷特征數據庫構建嬰兒血管瘤輔助診斷模型，并對所述嬰兒血管瘤輔助診斷模型進行訓練；

將待診斷病例的皮損圖像數據和問診數據輸入訓練好的所述嬰兒血管瘤輔助診斷模型，得到嬰兒血管瘤的智能判別結果。

2.如權利要求1所述的基于深度學習的嬰兒血管瘤皮損圖片分析方法，其特征在于，構建嬰兒血管瘤輔助診斷模型，包括：

對皮損圖像進行預處理；

基于卷積神經網絡對預處理后的皮損圖像進行特征提取；

使用規則學習算法，將所述皮損圖像的特征映射到所述診斷特征，以構建所述嬰兒血管瘤輔助診斷模型。

3.如權利要求2所述的基于深度學習的嬰兒血管瘤皮損圖片分析方法，其特征在于，使用不同規則學習算法，構建不同的子診斷模型，并融合各子診斷模型，以構建所述嬰兒血管瘤輔助診斷模型。

4.如權利要求3所述的基于深度學習的嬰兒血管瘤皮損圖片分析方法，其特征在于，所述規則學習算法包括邏輯回歸、決策樹、貝葉斯分析和聚類算法。

5.如權利要求1所述的基于深度學習的嬰兒血管瘤皮損圖片分析方法，其特征在于，對所述嬰兒血管瘤輔助診斷模型進行訓練，包括：

基于卷積神經網絡的分類網絡進行皮損圖像特征的深度學習，基于循環神經網絡進行診斷特征的深度學習。

6.如權利要求5所述的基于深度學習的嬰兒血管瘤皮損圖片分析方法，其特征在于，在深度學習中，總體目標的損失函數表示為：

其中，N是病例數目，I是病例皮損圖像，c是對應疾病類別，T是病例病史資料，M是相應的醫學特征。

7.如權利要求1所述的基于深度學習的嬰兒血管瘤皮損圖片分析方法，其特征在于，所述嬰兒血管瘤皮損圖片分析方法還包括：

基于所述智能判別結果，確定嬰兒血管瘤風險等級。

8.如權利要求7所述的基于深度學習的嬰兒血管瘤皮損圖片分析方法，其特征在于，所述嬰兒血管瘤皮損圖片分析方法還包括：

基于所述智能判別結果和所述嬰兒血管瘤風險等級，推薦嬰兒血管瘤診療方案。

9.一種基于深度學習的嬰兒血管瘤皮損圖片分析裝置，其特征在于，所述嬰兒血管瘤皮損圖片分析裝置包括：

皮損圖像輸入模塊，采集嬰兒血管瘤的皮損圖像并建立嬰兒血管瘤的皮損圖像數據庫；

診斷特征輸入模塊，采集嬰兒血管瘤的診斷特征并建立嬰兒血管瘤的診斷特征數據庫；

診斷模型模塊，基于所述皮損圖像數據庫和診斷特征數據庫構建嬰兒血管瘤輔助診斷模型；

診斷模塊，將待診斷的嬰兒血管瘤的診斷特征數據和皮損圖像數據輸入訓練好的所述嬰兒血管瘤輔助診斷模型，得到嬰兒血管瘤的智能診斷結果。

10.如權利要求9所述的嬰兒血管瘤皮損圖片分析裝置，其特征在于，所述嬰兒血管瘤皮損圖片分析裝置包括：

數據預處理模塊，對皮損圖像進行預處理；

特征提取模塊，基于卷積神經網絡對所述皮損圖像進行特征提取；

訓練集模塊，使用規則學習算法，將所述皮損圖像的特征映射到所述診斷特征，以構建所述嬰兒血管瘤輔助診斷模型。

11.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至8任一所述的基于深度學習的嬰兒血管瘤皮損圖片分析裝置。

12.一種計算機可讀存儲介質，其特征在于，所述計算機可存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現權利要求1至8任一所述的基于深度學習的嬰兒血管瘤皮損圖片分析裝置。

13.一種計算機程序產品，其特征在于，所述計算機程序產品包括計算機程序，所述計算機程序被處理器執行時實現權利要求1至8任一所述的基于深度學習的嬰兒血管瘤皮損圖片分析裝置。