[发明专利]一种肠道图像的识别方法及终端设备

权利要求书

1.一种肠道图像的识别方法，其特征在于，所述方法包括：

获取待识别肠道CT扫描图像，从所述待识别肠道CT扫描图像中提取影像组学特征；

将所述影像组学特征输入预先训练好的识别模型中进行计算，得到肠道肠壁纤维化程度识别结果；其中，所述识别模型通过多个肠道CT扫描图像对应的影像组学特征训练得到。

2.如权利要求1所述的肠道图像的识别方法，其特征在于，所述识别模型为基于影像学组特征建立的逻辑斯蒂回归模型。

3.如权利要求1所述的肠道图像的识别方法，其特征在于，所述影像组学特征包括强度特征、纹理特征、形状特征及变换特征。

4.如权利要求2所述的肠道图像的识别方法，其特征在于，所述识别模型的训练方法，包括：

获取多个样本肠道CT扫描图像及肠道肠壁的纤维化程度；

分别对每个样本肠道CT扫描图像进行特征提，得到所述样本肠道对应的影像组学特征及纤维化程度，并将所述影像组学特征及纤维化程度作为对应所述样本肠道的训练样本；其中，所述纤维化程度包括无-轻度纤维化与中-重度纤维化；将各个样本肠道对应的训练样本作为所述识别模型的训练样本集；

基于训练样本集，结合留一法交叉验证与网格寻优法得到所述识别模型的最优参数；

将计算到的所述最优参数代入所述识别模型中，得到所述训练好的识别模型。

5.如权利要求4所述的肠道图像的识别方法，其特征在于，所述结合留一法交叉验证与网格寻优法得到所述识别模型的最优参数，包括：

将所述训练样本集中的所有训练样本分成十折，其中的一折作为测试集，其余九折作为训练集；

采用Lilliefors检验与Levene检验对训练集中的每一个影像组学特征进行正态性检验与方差齐次性检验，若不符合正态分布，则采用Mann-Whitney U检验分析特征在无-轻度与中-重度纤维化组间的统计学差异；若符合正态分布但非方差齐次，选择Welch’s T检验；若符合正态分布且方差齐次，选择Student’s T检验，得到具有统计学意义的影像组学特征；

采用LASSO模型对所述具有统计学意义的影像组学特征进行筛选，得到与分类相关的影像组学特征，在所述测试集中保留相同的影像组学特征；

基于所述与分类相关的影像组学特征与十折交叉验证进行逻辑斯蒂回归模型最优参数的网格寻优，得到最优参数。

6.如权利要求5所述的肠道图像的识别方法，其特征在于，所述将计算到的所述最优参数代入所述识别模型中，得到所述训练好的识别模型，具体包括：

将所述最优参数代入所述识别模型，重新基于所述训练样本集中的所有训练样本对所述识别模型进行训练；

将所述训练样本集中的每个训练样本，作为其余训练样本的测试集，用于训练模型测试，得到全部训练样本的识别概率；

基于所述识别概率，使用ROC曲线和ROC曲线下面积AUC评估所述识别模型，根据评估结果得到所述训练好的识别模型。

7.如权利要求5所述的肠道图像的识别方法，其特征在于，LASSO目标函数为公式1所示：

其中X为输入，y为输出，ω为回归模型的权重系数向量，||ω||₁是系数向量的L1范数，α为可调节比例参数。

8.如权利要求2所述的肠道图像的识别方法，其特征在于，所述逻辑斯蒂回归模型为公式2所示的概率分布：

其中，X∈Rⁿ是模型输入，Y∈{0,1}是模型输出，ω∈Rⁿ和b∈R分别是权重系数向量和偏置系数。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有肠道图像识别程序，所述肠道图像识别程序被处理器执行时，以实现如权利要求1-8任意一项所述的肠道图像的识别方法中的步骤。

10.一种终端设备，其特征在于，所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上执行的肠道图像识别程序，所述处理器执行所述肠道识别程序时实现如权利要求1-8任意一项所述的肠道图像的识别方法中的步骤。