本發(fā)明屬于醫(yī)學(xué)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(dǎo)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(diǎn)是粘膜下水腫、腸壁免疫細(xì)胞(尤其是中性粒細(xì)胞)浸潤(rùn)，嚴(yán)重時(shí)腸壁壞死導(dǎo)致腸穿孔。nec的發(fā)病機(jī)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(dǎo)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(guò)準(zhǔn)確、及時(shí)地診斷nec，并確定內(nèi)科和外科干預(yù)之間的最佳轉(zhuǎn)診時(shí)機(jī)，可以有效降低患者死亡率、不良預(yù)后發(fā)生率和治療成本。

2、多項(xiàng)研究表明，深度學(xué)習(xí)模型廣泛應(yīng)用于醫(yī)學(xué)，尤其是醫(yī)學(xué)影像的分類(lèi)診斷，且取得較為良好的分類(lèi)結(jié)果。

3、如公開(kāi)號(hào)為cn114913169a的中國(guó)專(zhuān)利文獻(xiàn)本發(fā)明公開(kāi)了一種新生兒壞死性小腸結(jié)腸炎篩查系統(tǒng)，通過(guò)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(kāi)號(hào)為cn114898863a的中國(guó)專(zhuān)利文獻(xiàn)本發(fā)明公開(kāi)了一種新生兒壞死性小腸結(jié)腸炎手術(shù)干預(yù)時(shí)機(jī)輔助識(shí)別系統(tǒng)，構(gòu)建手術(shù)干預(yù)時(shí)機(jī)輔助識(shí)別模型對(duì)新生兒壞死性小腸結(jié)腸炎外科手術(shù)干預(yù)時(shí)機(jī)進(jìn)行判斷。

4、然而，當(dāng)前針對(duì)nec技術(shù)只能單獨(dú)判斷是否患有壞死性小腸結(jié)腸炎或者是否需要進(jìn)行手術(shù)，無(wú)法只通過(guò)一個(gè)系統(tǒng)實(shí)現(xiàn)識(shí)別nec患者并確定是否需要手術(shù)。同時(shí)，現(xiàn)有方法的判斷準(zhǔn)確率也有待進(jìn)一步提高。

技術(shù)實(shí)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(shí)現(xiàn)更精準(zhǔn)的病變識(shí)別和分類(lèi)，實(shí)現(xiàn)對(duì)nec的早期診斷，并確定手術(shù)干預(yù)的最佳時(shí)機(jī)。

2、一種新生兒壞死性小腸結(jié)腸炎診斷系統(tǒng)，包括計(jì)算機(jī)存儲(chǔ)器、計(jì)算機(jī)處理器以及存儲(chǔ)在計(jì)算機(jī)存儲(chǔ)器中并可在計(jì)算機(jī)處理器上執(zhí)行的計(jì)算機(jī)程序，計(jì)算機(jī)存儲(chǔ)器中存儲(chǔ)有訓(xùn)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(biāo)注意力子模塊來(lái)提高目標(biāo)區(qū)域定位和識(shí)別的準(zhǔn)確性；模型訓(xùn)練過(guò)程中引入自回歸預(yù)訓(xùn)練和遷移學(xué)習(xí)策略，采用開(kāi)源醫(yī)學(xué)圖像數(shù)據(jù)集進(jìn)行自回歸預(yù)訓(xùn)練，再利用新生兒的腹部x射線(xiàn)圖像構(gòu)建的nec訓(xùn)練集進(jìn)行遷移訓(xùn)練；

4、所述的自回歸預(yù)訓(xùn)練通過(guò)將圖像分割成多個(gè)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(xí)和預(yù)測(cè)圖像中的下一個(gè)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(jì)算機(jī)處理器執(zhí)行計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)以下步驟：

6、將新生兒的腹部x射線(xiàn)圖像輸入訓(xùn)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(lèi)結(jié)果。

7、自回歸預(yù)訓(xùn)練的過(guò)程如下：

8、從輸入圖像中截取a*a大小的圖像塊patch，通過(guò)卷積的方式來(lái)裁切，并將卷積的步長(zhǎng)設(shè)置為a，以取得無(wú)重疊的圖像塊；使用滑動(dòng)窗口法遍歷整個(gè)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(biāo)為預(yù)測(cè)下一行最左側(cè)的patch，剩余patch的目標(biāo)為預(yù)測(cè)當(dāng)前patch右側(cè)的patch。其建模順序類(lèi)似卷積的滑動(dòng)窗口方向；由于該思想將圖像當(dāng)作一個(gè)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(duì)于每個(gè)圖像，生成由多個(gè)patch組成的序列，模型的任務(wù)是基于當(dāng)前已知的序列預(yù)測(cè)下一個(gè)patch；該過(guò)程被描述為pt+1＝f(pt,pt-1,...,p1)，其中，pt+1為當(dāng)前需要預(yù)測(cè)的下一個(gè)圖像塊，pt即當(dāng)前圖像塊；自回歸預(yù)訓(xùn)練的目標(biāo)函數(shù)被定義為：

11、

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

13、自回歸預(yù)訓(xùn)練采用均方誤差對(duì)每個(gè)預(yù)測(cè)的圖像塊與真實(shí)圖像塊做損失計(jì)算，損失函數(shù)的公式如下：

14、

15、其中，ypred為預(yù)測(cè)的patch重建結(jié)果，ygt為真實(shí)值，n表示為patch總數(shù)。

16、在densenet中引入的坐標(biāo)注意力子模塊，即將坐標(biāo)相關(guān)信息以注意力機(jī)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(dāng)圖像在網(wǎng)絡(luò)中傳播時(shí)，模型結(jié)構(gòu)中的每一個(gè)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(gè)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(xiàn)性變換函數(shù)。

20、densenet中每一個(gè)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(biāo)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(fù)責(zé)執(zhí)行主要的特征提取；3×3卷積層的輸出特征圖隨后被送入坐標(biāo)注意力子模塊，該模塊通過(guò)編碼通道關(guān)系和利用精確位置信息來(lái)捕捉長(zhǎng)距離依賴(lài)，增強(qiáng)模型對(duì)圖像中重要特征的感知能力。

22、坐標(biāo)注意力子模塊中，坐標(biāo)注意力的生成過(guò)程包括坐標(biāo)信息嵌入和注意力生成；

23、在坐標(biāo)信息嵌入步驟中，特征圖通過(guò)在水平和垂直方向上的池化來(lái)進(jìn)行編碼，進(jìn)而通過(guò)1×1卷積核降低特征維度，并通過(guò)批量歸一化進(jìn)一步處理；分割后的特征圖通過(guò)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(guò)注意力機(jī)制增強(qiáng)的特征圖；這些特征圖與原始輸入進(jìn)行串聯(lián)，以形成最終的增強(qiáng)特征圖，為后續(xù)的分類(lèi)任務(wù)提供更豐富的信息。

24、不同坐標(biāo)注意力子模塊之間通過(guò)轉(zhuǎn)換模塊作為連接的橋梁，通過(guò)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(jìn)一步減少模型的參數(shù)數(shù)量。

25、nec訓(xùn)練集的構(gòu)建方式如下：

26、收集新生兒的腹部x射線(xiàn)圖像，由專(zhuān)業(yè)放射科醫(yī)生進(jìn)行人工標(biāo)注，分別標(biāo)注為非nec、nec保守治療以及nec手術(shù)治療三個(gè)數(shù)據(jù)類(lèi)型；

27、對(duì)人工標(biāo)注后的圖像進(jìn)行預(yù)處理，包括圖像增強(qiáng)、格式轉(zhuǎn)換、尺寸統(tǒng)一。

28、訓(xùn)練nec診斷模型的過(guò)程中，使用余弦退火的學(xué)習(xí)率下降方式來(lái)控制學(xué)習(xí)率的變化；初始學(xué)習(xí)率設(shè)定為1e-4，在第一階段，模型識(shí)別新生兒是否患有nec，訓(xùn)練過(guò)程總共包括400個(gè)epochs；在第二階段，模型識(shí)別患有nec的兒童是否需要手術(shù)治療，訓(xùn)練過(guò)程總共包括800個(gè)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(xué)習(xí)策略，通過(guò)將連續(xù)的圖像塊序列化處理，使模型能夠?qū)W習(xí)和預(yù)測(cè)圖像中的下一個(gè)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(duì)圖像特征的利用效率，而且通過(guò)減少信息的冗余，顯著提升了特征表示的準(zhǔn)確性和模型的訓(xùn)練效率。通過(guò)自回歸預(yù)訓(xùn)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(lài)關(guān)系，這對(duì)于復(fù)雜疾病圖像的識(shí)別尤為重要。此外，該預(yù)訓(xùn)練方法使模型在面對(duì)有限的標(biāo)注數(shù)據(jù)時(shí)仍能展現(xiàn)出卓越的泛化能力。自回歸模型的這種預(yù)測(cè)機(jī)制，類(lèi)似于在沒(méi)有明確標(biāo)簽的情況下進(jìn)行自我學(xué)習(xí)，極大地增強(qiáng)了模型對(duì)未見(jiàn)新數(shù)據(jù)的適應(yīng)性。

31、2、本發(fā)明結(jié)合了多種開(kāi)源醫(yī)學(xué)圖像數(shù)據(jù)集進(jìn)行自回歸預(yù)訓(xùn)練；這進(jìn)一步地豐富了本發(fā)明中模型的學(xué)習(xí)背景和適用范圍。通過(guò)這種跨域的預(yù)訓(xùn)練策略，模型在多個(gè)醫(yī)療影像任務(wù)上取得了優(yōu)越的性能，通過(guò)這種深度學(xué)習(xí)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(xiàn)數(shù)據(jù)，顯著提升了nec疾病診斷的準(zhǔn)確率和效率。