[发明专利]一种基于自动识别的黄疸分诊信息分析方法及系统

说明书

本发明涉及医疗技术领域，具体涉及一种基于自动识别的黄疸分诊信息分析方法及系统，本发明对图像数据清洗，丢弃不具备婴儿黄疸情况信息或者图片自身条件较差的图片数据；将图片转换为HSV空间，滤波后通过HSV空间的V分量判定进入全局亮度调整并做公式变换处理；通过给定若干阈值或划分全身和局部分类的方式对处理后的图片进行子类划分；将划分的各个子类进行独立训练，获得不同模型参数；调取对应的模型数据，并将处理后的图片输入模型计算，得到无黄疸概率、生理性黄疸概率和病理性黄疸概率。本发明将AI技术应用于婴儿健康领域，通过图形数据处理和优化模型结构，简化了新生儿黄疸判断的过程，提升了对新生儿黄疸初步判断的准确率。

技术领域

本发明涉及医疗技术领域，具体涉及一种基于自动识别的黄疸分诊信息分析方法及系统。

背景技术

目前普通用户主要依赖于肉眼观察来判断新生儿是否具有黄疸症状，由于普通用户，特别是头胎父母，缺乏经验，无法做出准确的判断，不适合的环境光、缺乏经验等因素，都可能会导致未能正确识别黄疸，或错误区分生理性黄疸和病理性黄疸。从而导致父母没有采用正确的方式来对待新生儿，既有可能导致延误治疗，也有可能导致浪费无谓的时间精力以及医疗资源。

现在主流神经网络模型在图像识别中的应用一般具有较大的深度，运行代价高、速度慢。且由于这些模型在训练中的数据来源为大量通用场景，数据极为宽泛。而且黄疸识别的场景中，婴儿图片往往会由于背景光不通、衣服覆盖等原因，导致识别错误。

所以目前各种广泛应用的深度神经网络模型直接应用到黄疸识别中会出现较大偏差，在最初简单应有现有主流神经网络的试验中，准确率和召回率均低于70％，无法为用户提供有价值的判断依据，无法应用于市场。

发明内容

针对现有技术的不足，本发明公开了一种基于自动识别的黄疸分诊信息分析方法及系统，用于解决现有技术中，将深度神经网络模型直接应用到黄疸识别中出现较大偏差的问题，以及在现有主流神经网络的试验中，准确率和召回率均低于判定要求，无法为用户提供有价值的判断依据，无法应用于市场的问题。

本发明通过以下技术方案予以实现：

第一方面，本发明公开了一种基于自动识别的黄疸分诊信息分析方法，包括以下步骤：

S1获取批量覆盖各种不同光源条件、黄疸病例和非黄疸病例的具有临床价值的分诊图片数据；

S2进入数据清洗，丢弃不具备婴儿黄疸情况信息或者图片自身条件较差的图片数据；

S3将图片转换为HSV空间，滤波后通过HSV空间的V分量判定进入全局亮度调整并做公式变换处理；

S4通过给定若干阈值或划分全身和局部分类的方式对处理后的图片进行子类划分；

S5构建网络模型，将划分的各个子类进行独立训练，获得不同模型参数；

S6调取对应的模型数据，并将处理后的图片输入模型计算，得到无黄疸概率、生理性黄疸概率和病理性黄疸概率。

更进一步的，所述方法中，进行数据清洗时，数据标注内容包括黄疸情况、新生儿出生小时数和实测血胆红素值。

更进一步的，所述方法中，在HSV空间的V分量上利用局部均值直方图指标进行判定是否需要进行全局亮度调整，判断逻辑为：先去除噪声，在V(0-255)分量人脸图像采用8*8小窗口遍历整个图像，求得该窗口里像素的均值，若此均值在区间[55，240]外，则认为该局部区域为过曝光区域，以此遍历整个V分量并统计过曝光区域个数，最终除以总的遍历次数得到最终评判指标；若该指标大于预先设定的阈值则该图片将进行全局亮度调整。

更进一步的，所述方法中，全局亮度调整时，对图像整体的v分量进行以下公式变换：

所有图像进行以下变换以削弱高光和阴影：