【技術實現步驟摘要】
本專利技術一種基于機器學習的超聲診斷輔助方法及系統，涉及診斷輔助領域。
技術介紹
1、現有的關于超聲診斷方法及系統存在以下不足：
2、數據依賴性強：現有的機器學習系統高度依賴于訓練數據集的質量和數量；在醫療影像數據方面，獲得足夠的高質量數據集比較困難；并且不同機構和系統匯總的數據存在偏差，預處理也比較困難。
3、操作復雜：機器學習系統是一種完全數學化、符號化和計算機模擬的過程，特別是在系統進行模型訓練的過程中，需要專業人員根據系統的實時反饋，調整模型訓練的訓練策略，對醫務工作者不友好。
4、維護成本高：現有超聲診斷方法或系統在醫療領域的應用，需要專業人員的參與和評估；同時，系統的維護和升級也需要專業技術人員的支持。，在一定程度上增加了系統的使用成本和維護難度。
技術實現思路
1、針對現有技術存在的不足，本專利技術目的是提供一種基于機器學習的超聲診斷輔助方法及系統，旨在解決超聲診斷效率低的問題。
2、為了實現上述目的，本專利技術是通過如下的技術方案來實現：一種基于機器學習的超聲診斷輔助方法包括：
3、步驟s1：獲取患者的超聲圖片；對超聲波圖片進行去噪、標準化和傾斜校正的預處理，得到待提取圖片集；
4、步驟s2：根據待提取圖片集構建灰度共生矩陣；基于灰度共生矩陣計算待提取圖片集中圖片對應的對比度、不相似度、均質性系數、角二階矩、相關性系數和角平均方差，得到待提取圖片集的紋理特征；使用opencv庫提取待提取圖片集的
5、步驟s3：獲取目標醫院內病歷信息；提取病歷信息中全部病癥的超聲波圖片，作為原始圖片集；
6、對原始圖片集進行預處理和特征提取，得到參考圖片集；
7、以參考圖片集作為計算機模型訓練的訓練集，構造超聲波圖片診斷模型；
8、步驟s4：將患者超聲波圖片特征代入超聲波診斷模型中，得到患者的患病名稱；根據患病名稱為患者開處方。
9、進一步地，所述步驟s1的具體步驟如下：
10、步驟s11：獲取患者的超聲圖片，作為初始圖片；
11、統計初始圖片的數量，記作pn；
12、步驟s12：將第1張初始圖片，記作圖片a；
13、對圖片a進行去噪、增強和歸一化的預處理，得到待提取圖片1；
14、步驟s13：重復對第1張初始圖片進行預處理的相同步驟，對第2至第pn張初始圖片進行預處理，得到待提取圖片2～待提取圖片pn；
15、將待提取圖片1～待提取圖片pn，作為待提取圖片集，進入步驟s2。
16、進一步地，所述步驟s12的具體步驟如下：
17、步驟s121：對圖片a進行去噪處理，得到圖片a的濾波圖像；
18、獲取圖片a的像素，記作w×l；w表示像素長度，l表示像素寬度；
19、使用pillow庫函數，獲取圖片a中每個像素的rgb值，得到rgb矩陣：
20、其中，x11,表示圖片a中第1行第1列個像素點對應的rgb編碼；x12,表示圖片a中第1行第2列個像素點對應的rgb編碼；以此類推，xwl,表示圖片a中第w行第l列個像素點對應的rgb編碼；
21、步驟s122：計算x11～xwl的平均值，記作ax；計算x11～xwl的標準差記作μx；
22、將卷積核的階數，記作j；比較w與l的大小，確定j的值；
23、若w≥l，則設w的平方根為gw，對w連續開根號，直至gw的值在(0,10)之間，將gw作為j的值；
24、若w＜l，則設l的平方根為gl，對l連續開根號，直至lw的值在(0,10)之間，將gl作為j的值；
25、步驟s123：對圖片a進行高斯濾波，得到圖片a的濾波圖片；
26、步驟s124：對圖片a的濾波圖像進行標準化和傾斜校正處理，得到待提取圖片1。
27、4、根據權利要求3所述的一種基于機器學習的超聲診斷輔助方法，其特征在于，所述步驟s124的具體步驟如下：
28、步驟s1241：將圖片a的濾波圖像，記作濾波圖像a；
29、讀取濾波圖像a中，各像素rgb值的最大值和最小值，分別記作xmax和xmin；計算濾波圖像a中每個像素rgb值的平均值，記作xave；
30、步驟s1242：讀取濾波圖像a中每個像素的rgb值，記作co(1,1)、co(1,2)～co(w,l)；
31、其中，co(1,1)表示濾波圖像a中(1,1)處像素對應的rgb值；co(1,2)表示濾波圖像a中(1,2)處像素對應的rgb值；以此類推，co(w,w)表示濾波圖像a中(w,l)處像素對應的rgb值；
32、步驟s1243：對濾波圖像a中(1,1)處的像素進行標準化，計算co(1,1)的標準化值，記作cb(1,1)；
33、判斷co(1,1)是否在xmax～xave之間；
34、步驟s1244：重復計算co(1,1)標準化值的相同步驟，計算co(1,2)～co(w,l)的標準化值，完成圖片a的標準化，得到標準化圖片a；
35、步驟s1245：使用邊緣檢測算法，檢測標準化圖片a的圖片邊緣；通過霍夫變換檢測圖片邊緣，計算圖片的旋轉角度，并用旋轉變換指令校正圖片的傾斜，使標準化圖片a的圖片方向與水平方向對齊，得到待提取圖片1。
36、5、根據權利要求2所述的一種基于機器學習的超聲診斷輔助方法，其特征在于，所述步驟s2的具體步驟如下：
37、步驟s21：根據待提取圖片集，構建灰度共生矩陣；
38、基于灰度共生矩陣，計算每張圖片的對比度、不相似度、均質性系數、角二階矩、相關性系數和角平均方差，得到待提取圖片集的紋理特征；
39、步驟s22：使用opencv庫提取待提取圖片集中圖片的形狀特征；
40、步驟s221：使用imread()函數讀取待提取圖片集中的每張圖片；
41、使用canny邊緣檢測算法查找待提取圖片集中每張圖片的邊緣；
42、步驟s222：根據每張圖片的邊緣定位圖片，使用cv2.findcontours函數查找待提取圖片集中每張圖片的輪廓；
43、對于每個輪廓，使用arclength()函數，計算輪廓的長度；
44、使用contourarea()函數，計算輪廓的面積；
45、使用boundingrect()函數，計算輪廓的邊界框；
46、使用approxpolydp()函數，計算輪廓的近似多邊形；
47、步驟s223：匯總待提取圖片集中每張圖片的輪廓長度、輪廓面積、輪廓邊界框和輪廓近似多邊形，作為待提取圖片集的形狀特征；
48、步驟s23：匯總待提取圖片集的紋理特征和形狀特征，作為患者超聲波圖片特征，進入步驟s3。
49、6本文檔來自技高網...
【技術保護點】
1.一種基于機器學習的超聲診斷輔助方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種基于機器學習的超聲診斷輔助方法，其特征在于，所述步驟S1的具體步驟如下：
3.根據權利要求2所述的一種基于機器學習的超聲診斷輔助方法，其特征在于，所述步驟S12的具體步驟如下：
4.根據權利要求3所述的一種基于機器學習的超聲診斷輔助方法，其特征在于，所述步驟S124的具體步驟如下：
5.根據權利要求2所述的一種基于機器學習的超聲診斷輔助方法，其特征在于，所述步驟S2的具體步驟如下：
6.根據權利要求5所述的一種基于機器學習的超聲診斷輔助方法，其特征在于，所述步驟S21的具體步驟如下：
7.根據權利要求6所述的一種基于機器學習的超聲診斷輔助方法，其特征在于，所述步驟S215的后續步驟如下：
8.一種基于機器學習的超聲診斷輔助系統，適用于權利要求1-7任意一種基于機器學習的超聲診斷輔助方法，其特征在于，所述系統包括：
【技術特征摘要】
1.一種基于機器學習的超聲診斷輔助方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種基于機器學習的超聲診斷輔助方法，其特征在于，所述步驟s1的具體步驟如下：
3.根據權利要求2所述的一種基于機器學習的超聲診斷輔助方法，其特征在于，所述步驟s12的具體步驟如下：
4.根據權利要求3所述的一種基于機器學習的超聲診斷輔助方法，其特征在于，所述步驟s124的具體步驟如下：
5.根據權利要求2所述的...
【專利技術屬性】
技術研發人員：孫丹丹，楊風健，張哲維，李玲玲，隋陽，
申請(專利權)人：吉林醫藥學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。