本發(fā)明屬于醫(yī)學人工智能領(lǐng)域，尤其是涉及一種新生兒壞死性小腸結(jié)腸炎診斷系統(tǒng)。

背景技術(shù)：

1、新生兒壞死性小腸結(jié)腸炎(nec)是導致低出生體重兒獲得性胃腸道發(fā)病率和死亡率的重要因素。它主要影響回腸、空腸和/或結(jié)腸，是一種重要疾病。其特點是粘膜下水腫、腸壁免疫細胞(尤其是中性粒細胞)浸潤，嚴重時腸壁壞死導致腸穿孔。nec的發(fā)病機制尚不完全清楚。許多因素，如發(fā)育不成熟、腸道菌群變化、粘蛋白屏障降低、腸道免疫力下降、喂食配方奶粉和腸道通透性增加，都可能導致新生兒腸道氧化應(yīng)激、炎癥和壞死。這種疾病的臨床特征差異很大，從飼料不耐受到危及生命的并發(fā)癥，如敗血癥和彌散性血管內(nèi)凝血。通過準確、及時地診斷nec，并確定內(nèi)科和外科干預之間的最佳轉(zhuǎn)診時機，可以有效降低患者死亡率、不良預后發(fā)生率和治療成本。

2、多項研究表明，深度學習模型廣泛應(yīng)用于醫(yī)學，尤其是醫(yī)學影像的分類診斷，且取得較為良好的分類結(jié)果。

3、如公開號為cn114913169a的中國專利文獻本發(fā)明公開了一種新生兒壞死性小腸結(jié)腸炎篩查系統(tǒng)，通過構(gòu)建新生兒壞死性小腸結(jié)腸炎篩查模型；輸入待篩查的腹部平片數(shù)據(jù)，可以得到是否患有壞死性小腸結(jié)腸炎的篩查結(jié)果。如公開號為cn114898863a的中國專利文獻本發(fā)明公開了一種新生兒壞死性小腸結(jié)腸炎手術(shù)干預時機輔助識別系統(tǒng)，構(gòu)建手術(shù)干預時機輔助識別模型對新生兒壞死性小腸結(jié)腸炎外科手術(shù)干預時機進行判斷。

4、然而，當前針對nec技術(shù)只能單獨判斷是否患有壞死性小腸結(jié)腸炎或者是否需要進行手術(shù)，無法只通過一個系統(tǒng)實現(xiàn)識別nec患者并確定是否需要手術(shù)。同時，現(xiàn)有方法的判斷準確率也有待進一步提高。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種新生兒壞死性小腸結(jié)腸炎診斷系統(tǒng)，可以實現(xiàn)更精準的病變識別和分類，實現(xiàn)對nec的早期診斷，并確定手術(shù)干預的最佳時機。

2、一種新生兒壞死性小腸結(jié)腸炎診斷系統(tǒng)，包括計算機存儲器、計算機處理器以及存儲在計算機存儲器中并可在計算機處理器上執(zhí)行的計算機程序，計算機存儲器中存儲有訓練好的nec診斷模型；

3、所述的nec診斷模型以densenet為基礎(chǔ)，并引入坐標注意力子模塊來提高目標區(qū)域定位和識別的準確性；模型訓練過程中引入自回歸預訓練和遷移學習策略，采用開源醫(yī)學圖像數(shù)據(jù)集進行自回歸預訓練，再利用新生兒的腹部x射線圖像構(gòu)建的nec訓練集進行遷移訓練；

4、所述的自回歸預訓練通過將圖像分割成多個連續(xù)的圖像塊，利用densenet的高效特征傳遞能力，逐塊提取特征，使模型能夠?qū)W習和預測圖像中的下一個圖像塊的內(nèi)容，從而深入挖掘圖像數(shù)據(jù)中的上下文信息和空間關(guān)系；

5、所述的計算機處理器執(zhí)行計算機程序時實現(xiàn)以下步驟：

6、將新生兒的腹部x射線圖像輸入訓練好的nec診斷模型中，得到非nec、nec保守治療以及nec手術(shù)治療的三分類結(jié)果。

7、自回歸預訓練的過程如下：

8、從輸入圖像中截取a*a大小的圖像塊patch，通過卷積的方式來裁切，并將卷積的步長設(shè)置為a，以取得無重疊的圖像塊；使用滑動窗口法遍歷整個圖像，提取出所有可能的patch；

9、按照從左到右、從上到下的順序處理圖像，其中，每一行最右側(cè)patch的目標為預測下一行最左側(cè)的patch，剩余patch的目標為預測當前patch右側(cè)的patch。其建模順序類似卷積的滑動窗口方向；由于該思想將圖像當作一個序列，因此需要將2維的圖像序列化為可被多頭子注意力模塊處理的形式。即將每一組patch首尾拼接組成序列形式。

10、對于每個圖像，生成由多個patch組成的序列，模型的任務(wù)是基于當前已知的序列預測下一個patch；該過程被描述為pt+1＝f(pt,pt-1,...,p1)，其中，pt+1為當前需要預測的下一個圖像塊，pt即當前圖像塊；自回歸預訓練的目標函數(shù)被定義為：

11、

12、上述公式中，x1:t表示從第一個到第t個圖像塊的序列，而p(xt|x＜t)表示給定之前所有圖像塊后，當前圖像塊的條件概率分布。

13、自回歸預訓練采用均方誤差對每個預測的圖像塊與真實圖像塊做損失計算，損失函數(shù)的公式如下：

14、

15、其中，ypred為預測的patch重建結(jié)果，ygt為真實值，n表示為patch總數(shù)。

16、在densenet中引入的坐標注意力子模塊，即將坐標相關(guān)信息以注意力機制的方式與特征圖關(guān)聯(lián)以提升模型的特征解析能力；

17、當圖像在網(wǎng)絡(luò)中傳播時，模型結(jié)構(gòu)中的每一個模塊接收到的輸入融合了之前所有模塊的輸出；網(wǎng)絡(luò)中第i個模塊的輸出表示為

18、xi＝hi([x0,x1,…,xi-1])

19、其中，[x0,x1,…,xi-1]表示從第0模塊輸出到第i-1模塊的特征圖的拼接關(guān)系；hi(·)表示第i模塊應(yīng)用的非線性變換函數(shù)。

20、densenet中每一個模塊都包含批量歸一化層、relu激活函數(shù)、1×1卷積層、3×3的卷積層以及坐標注意力子模塊；

21、其中，1×1卷積層用于降低輸入特征圖的維度，3×3卷積層負責執(zhí)行主要的特征提?。?×3卷積層的輸出特征圖隨后被送入坐標注意力子模塊，該模塊通過編碼通道關(guān)系和利用精確位置信息來捕捉長距離依賴，增強模型對圖像中重要特征的感知能力。

22、坐標注意力子模塊中，坐標注意力的生成過程包括坐標信息嵌入和注意力生成；

23、在坐標信息嵌入步驟中，特征圖通過在水平和垂直方向上的池化來進行編碼，進而通過1×1卷積核降低特征維度，并通過批量歸一化進一步處理；分割后的特征圖通過卷積和sigmoid激活生成寬度和高度的注意力權(quán)重，這些權(quán)重用于調(diào)整3×3卷積輸出的特征圖，生成經(jīng)過注意力機制增強的特征圖；這些特征圖與原始輸入進行串聯(lián)，以形成最終的增強特征圖，為后續(xù)的分類任務(wù)提供更豐富的信息。

24、不同坐標注意力子模塊之間通過轉(zhuǎn)換模塊作為連接的橋梁，通過1×1卷積和2×2平均池化減小特征圖的尺寸，并將輸出通道設(shè)置為輸入通道的一半，從而進一步減少模型的參數(shù)數(shù)量。

25、nec訓練集的構(gòu)建方式如下：

26、收集新生兒的腹部x射線圖像，由專業(yè)放射科醫(yī)生進行人工標注，分別標注為非nec、nec保守治療以及nec手術(shù)治療三個數(shù)據(jù)類型；

27、對人工標注后的圖像進行預處理，包括圖像增強、格式轉(zhuǎn)換、尺寸統(tǒng)一。

28、訓練nec診斷模型的過程中，使用余弦退火的學習率下降方式來控制學習率的變化；初始學習率設(shè)定為1e-4，在第一階段，模型識別新生兒是否患有nec，訓練過程總共包括400個epochs；在第二階段，模型識別患有nec的兒童是否需要手術(shù)治療，訓練過程總共包括800個epochs。

29、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

30、1、本發(fā)明的模型采用了創(chuàng)新的自回歸學習策略，通過將連續(xù)的圖像塊序列化處理，使模型能夠?qū)W習和預測圖像中的下一個塊，從而深入挖掘圖像數(shù)據(jù)中的上下文信息和空間關(guān)系。這種方法不僅提高了對圖像特征的利用效率，而且通過減少信息的冗余，顯著提升了特征表示的準確性和模型的訓練效率。通過自回歸預訓練，模型能夠有效捕捉圖像內(nèi)部的局部特征及其相互之間的依賴關(guān)系，這對于復雜疾病圖像的識別尤為重要。此外，該預訓練方法使模型在面對有限的標注數(shù)據(jù)時仍能展現(xiàn)出卓越的泛化能力。自回歸模型的這種預測機制，類似于在沒有明確標簽的情況下進行自我學習，極大地增強了模型對未見新數(shù)據(jù)的適應(yīng)性。

31、2、本發(fā)明結(jié)合了多種開源醫(yī)學圖像數(shù)據(jù)集進行自回歸預訓練；這進一步地豐富了本發(fā)明中模型的學習背景和適用范圍。通過這種跨域的預訓練策略，模型在多個醫(yī)療影像任務(wù)上取得了優(yōu)越的性能，通過這種深度學習與自回歸結(jié)合的方法，本模型能夠更全面地理解和分析腹部x射線數(shù)據(jù)，顯著提升了nec疾病診斷的準確率和效率。