[发明专利]一种基于超声影像人工智能算法的脂肪肝自动检测方法

说明书

本发明涉及一种基于超声影像人工智能算法的脂肪肝自动检测方法，其步骤包括获取数据集、数据集预处理、建立模型、模型连接输出层以及模型训练。其中，本方法基于现有模型Keras参数进行优化，将其卷积神经网络中默认的“adam”替换成随机梯度下降法“SGD”，并对训练过程进行了改变，增加了训练环节：先锁定nceptionResNetV2，并使用支持向量算法训练。本发明，使用了提前终止、降低维度以及正则化避免了过拟合，经过验证，其计算精度有效提高。

技术领域

本发明涉及一种基于超声影像人工智能算法的脂肪肝自动检测方法，属于人工智能算法技术领域。

背景技术

非酒精性脂肪肝是最常见的肝脏异常。到目前为止，肝活检是参考肝组织样品中直接肝脂肪变性定量的标准。经皮肝穿刺是根据负压吸引的原理，采用快速穿刺方法，从肝内抽取少量的肝组织，直接在显微镜下观察其组织形态的改变。可见，病患需要进行微创手术，且检测周期较长。因此，人们提供一系列基于超声影像的图像识别算法，其直接使用convolutional neural network默认的 adam算法进行迭代，其计算精度一般。因此，需要本种基于超声影像人工智能算法的脂肪肝自动检测方法，以提高计算精度。

发明内容

为了解决上述技术问题，本发明提供一种基于超声影像人工智能算法的脂肪肝自动检测方法，包括步骤1：获取数据集：共N个患者，每个患者获取连续十张B超图片，共10*N张图片组成图像数据集；

步骤2：数据集预处理：删除无关数据；

步骤3：建立模型：以ImageNet预训练的Inception-ResNet-v2模型作为基础，通过全局平均池化层提取神经网络特征；

步骤4：模型连接输出层：利用支持向量机算法对图像数据集进行分类；

步骤5：模型训练：使用随机梯度下降法训练模型，并在小批量数据上计算损失函数的梯度而迭代地更新权重与偏置项。

进一步的，所述步骤1获取数据集使用GE Vivid E9超声系统配备的扇形探针在2.5 MHz下操作，操作模式为一般腹部预设与谐波图像-摄取，获取图片的分辨率等于434×636。

进一步的，所述步骤2中的无关数据包括帧数.

进一步的，所述步骤3的锁定卷积神经网络模型的Inception-ResNet-v2为使用用开源人工神经网络库Keras中实现的Inception-ResNet-v2 卷积神经网络模型，用Python进行计算；每张图像作为网络输入，从全局平均池化层提取网络卷积神经特征。

进一步的，获取网络卷积神经特征的步骤包括：第一初始化卷基层，获得A模块；第二：维度削减，获得B模块；第三，维度削减，获得C模块；第四，全局平均池话，获得自然特征；第五，去掉零方差特征。

进一步的，所述步骤4中利用支持向量机算法对图像数据集进行分类包括

首先采用排除离群值方法对网络卷积神经特征进行归一化处理；

其次设定测试集包括来自一名患者的10张图像，训练集包括来自其余患者的9N张图像；

然后每个训练集，应用5-fold交叉验证和网格搜索来表示最佳支持向量机分类器的超参数和最佳内核；在训练集中，每个类的支持向量机超参数与该类频率成反比调整；标签1表示含有脂肪肝的图像，否则为-1；

最后对测试集中的每个图像进行后验概率的计算，并将结果进行平均，得到与被检肝脏相关的最终后验概率。

进一步的，所述随机梯度下降法训练过程中使用提前终止、降低模型复杂度和添加L2正则化以避免出现过拟合。