[发明专利]基于深度学习和红外热像的睡眠障碍辅助诊断方法

说明书

本发明提供一种基于深度学习和红外热像的睡眠障碍辅助诊断方法，包含训练和测试两个阶段，训练阶段的目的是训练出能够实现自动诊断睡眠障碍的分类模型和自动分割异常区域的分割模型，测试阶段的主要工作是利用训练好的模型直接对红外热像进行分割和分类的分析并生成结果报告。本发明利用红外热像检测的非接触性以及安全健康的特点，结合深度学习的方法，针对实际问题自主创新地搭建和调整神经网络的结构以适用于实现睡眠障碍的自动辅助诊断，可以快速有效地提供给医生参考诊断意见。

技术领域

本发明主要涉及睡眠障碍智能辅助诊断领域，特别是涉及一种基于红外热像的智能辅助诊断睡眠障碍的方法。

背景技术

睡眠障碍是指睡眠量的异常及睡眠质的异常或在睡眠时发生某些临床症状，如睡眠减少或睡眠过多，梦行症等。据世界卫生组织调查，世界范围内约1/3的人有睡眠问题，我国有各类睡眠障碍者约占人群的38％，高于世界27％的比例，睡眠障碍不仅会导致免疫功能受损，还会对心血管健康，新陈代谢，心理健康，癌症易感性等产生影响。红外热像作为一种绿色健康的非接触式检测仪器，对睡眠障碍的检测也有一些代表性的反映，实验证明，睡眠不足患者的红外热像表达异常，表现为额区呈不对称、不均匀分布的异常高热表达，且可在单侧或双侧眉头与发髻线之间出现单条或双条的线状红色异常高热线；眼部区域表现为内眦热区范围增大的圆形或半圆形的异常高热表达，常累及上和下眼睑。这说明利用红外热像可以作为辅助诊断睡眠障碍的手段，在医疗上，人工分类常常需要花费大量的时间与精力，而利用深度学习算法可以实现快速高效的辅助分类结果，对于医生的工作起到积极的辅助工作，提高医生工作效率。

因此，需要对现有技术进行改进。

发明内容

本发明要解决的技术问题是提供一种高效的基于深度学习和红外热像的睡眠障碍辅助诊断方法。

为解决上述技术问题，本发明提供一种基于深度学习和红外热像的睡眠障碍辅助诊断方法，其特征在于：包括以下步骤：

步骤1，将训练用红外热像图进行预处理后，识别出红外热像图中的头部区域，并对头部区域的温度数据进行归一化后分别送入异常区域分割模型和睡眠障碍分类模型进行神经网络的训练，得到训练好的异常区域分割模型和睡眠障碍分类模型；

步骤2，将实际患者红外热像图进行数据预处理后，识别出实际患者红外热像图中人体的头部区域，并对该区域的温度数据进行归一化后分别送入训练好的异常区域分割模型和睡眠障碍分类模型进行测试，获得分割结果和分类结果，将这些结果生成结果报告辅助医生进行分析。

作为对本发明基于深度学习和红外热像的睡眠障碍辅助诊断方法的改进：所述步骤1的具体步骤如下：

步骤1.1、对训练用红外热像图进行预处理，得到预处理图像。

步骤1.2、对预处理图像采用Faster-RCNN网络进行头部区域识别，得到头部区域图像；

步骤1.3、头部区域图像的温度数据归一化，得到归一化的温度数据；

步骤1.4、利用归一化的温度数据对睡眠障碍分类模型进行训练来更新参数；得到训练好的睡眠障碍分类模型；

步骤1.5、利用归一化的温度数据对异常区域分割模型进行训练来更新参数；得到训练好的异常区域分割模型；

步骤1.6、保存训练好的睡眠障碍分类模型和异常区域分割模型；

作为对本发明基于深度学习和红外热像的睡眠障碍辅助诊断方法的进一步改进：所述步骤2的具体步骤如下：

步骤2.1、对实际患者图像进行预处理，得到预处理图像；

步骤2.2、对预处理图像采用Faster-RCNN网络进行头部区域识别，得到头部区域图像；