[发明专利]一种新生儿坏死性小肠结肠炎筛查系统

说明书

本发明公开了一种新生儿坏死性小肠结肠炎筛查系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有训练好的新生儿坏死性小肠结肠炎筛查模型；所述的新生儿坏死性小肠结肠炎筛查模型基于改进的DenseNet神经网络模型，在原始DenseNet的框架基础上引入PReLU激活函数以及ECA注意力机制；所述计算机处理器执行所述计算机程序时实现以下步骤：将待筛查的腹部平片数据进行预处理，然后输入训练好的新生儿坏死性小肠结肠炎筛查模型，得到是否患有坏死性小肠结肠炎的筛查结果。利用本发明，可以提高新生儿坏死性小肠结肠炎的诊断准确率，从而尽快向患儿提供优质医疗救助。

技术领域

本发明属于医学人工智能领域，尤其是涉及一种新生儿坏死性小肠结肠炎筛查系统。

背景技术

坏死性小肠结肠炎(Necrotizing enterocolitis,NEC)是极低出生体重早产儿中一种常见的、潜在的灾难性肠道疾病。NEC影响多达15％的出生体重低于1500克的新生儿，NEC会导致突然发作的进行性肠道炎症和坏死，这可能导致严重的肠道坏死、多器官损伤或死亡。尚未确定NEC的统一治病机理，也没有任何可靠的生物标志物表明个体患者患该疾病的风险。由于无法提前预测NEC，目前的医疗策略包括密切的临床监测，以便在发生不可恢复的肠道损伤之前尽快治疗NEC婴儿。目前临床上常用的检查包括生化五类、血常规、血气、腹部平片以及B超等。其中腹部平片是准确率最高的检测方式。

多项研究表明，卷积神经网络广泛应用于医学，尤其是医学影像的分类，且取得较为良好的分类结果。

如公开号为CN109620152A的中国专利文献公开了一种基于MutiFacolLoss-Densenet的心电信号分类方法，由于每条记录所测得的心电信号时间长短不一或者时间过长，无法对其进行直接分类，需要对每条记录以等长的时间间隔分割处理，然后把分割后的心电信号片段进行归一化处理，最后把处理好的心电信号输入到卷积神经网络中进行分类。该方法的主干网络主要采用DenseNet结构的思想，该思想具有分类识别率高以及参数量等优点。该主干网络的输入为分割后的心电信号片段，输出为心电信号类别个数，网络的每个输出分别为所属类别的概率，是一种端到端的心电信号分类方法。

如公开号为CN114067092A的中国专利文献公开了本发明涉及医学图像处理领域，尤其是一种基于DenseNet和lightGBM的脂肪肝B超图像分类方法，获取肝脏的医学图像数据集，对获取的的肝脏图像数据集进行预处理；构建DenseNet201网络，输入经过预处理的图像数据集并提取出图像特征矩阵，将提取出的特征矩阵按照设定比例划分为训练集，验证集和测试集；利用训练集对lightGBM模型进行训练，利用验证集对训练出的模型进行评估，并调整模型参数以提高模型分类准确率；将测试集输入调整好的lightGBM模型，得到肝脏分类结果，测试模型泛化能力。采用直方图正规化和USM锐化增强算法对脂肪肝B超图像的分类特征进行了优化处理，表现更加优越

众多学者将卷积神经网络运用到基于影像的疾病分类。但是，针对本发明的研究领域，即基于腹部平片的新生儿坏死性小肠结肠炎初筛，并没有相关的研究和报道，现有的网络模型也不适合新生儿坏死性小肠结肠炎的筛查。

发明内容

本发明提供了一种新生儿坏死性小肠结肠炎筛查系统，可以提高新生儿坏死性小肠结肠炎的诊断准确率，从而尽快向患儿提供优质医疗救助，对减轻患儿症状，降低死亡率有重要意义。

一种新生儿坏死性小肠结肠炎筛查系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有训练好的新生儿坏死性小肠结肠炎筛查模型；

所述的新生儿坏死性小肠结肠炎筛查模型基于改进的DenseNet神经网络模型，在原始DenseNet的框架基础上引入PReLU激活函数以及ECA注意力机制；

所述计算机处理器执行所述计算机程序时实现以下步骤：