一种新生儿高胆红素血症鉴别方法、系统、设备及终端

1.本发明属于医学图像处理、深度学习技术领域，尤其涉及一种新生儿高胆红素血症鉴别方法、系统、设备及终端。


背景技术：

2.目前，新生儿高胆红素血症是一种新生儿出生后常患的疾病，若没有经过及时的医学治疗，则会诱发高胆红素脑病等严重疾病，对脑部器官造成不可逆的损伤，严重危害新生儿的生命健康。若能对新生儿高胆红素血症进行及时有效的干预与治疗，则会避免严重后果的出现，在极大程度上提高新生儿的生存质量和生命质量。
3.诊断新生儿高胆红素血症的途径主要包括以下三种：(1)检查黄疸的程度：即通过肉眼来观察皮肤和眼睛是否有明显的黄染来进行判断；(2)确定胆红素水平：即通过抽取新生儿的血液来进行血样检测；(3)检查肝功能等指标：即通过检查血清胆碱和谷草转氨酶等指标来确定。除此之外，医护人员还需要了解新生儿的病史和家族史，以便确定是否存在其他风险因素，如母亲患有乙肝等疾病或新生儿出生时有窒息等情况。然而针对上述三种临床检验方法，都存在着各自相应的问题：由于观察者间误差的存在，利用观察黄疸严重程度的方法进行疾病的诊断可能会出现不同医生结论具有不一致的现象；而普遍使用测定血清胆红素数值水平的方法存在诊断难度较大、检测时间较长、需多次采样等缺点；检查肝功能的方法则需要根据大量的指标来进行结果判定，整个检测过程较为繁琐，这些问题的存在为新生儿高胆红素的鉴别与诊断带来了极大的困难。
4.随着技术的不断进步，多种类型的医学影像技术为新生儿高胆红素血症的诊断提供了技术支持。同样重要的是，影像学技术也可以用于监测新生儿高胆红素血症的治疗效果。x线摄影、ct、超声成像等技术能够实时监测新生儿在光照治疗中的皮肤黄疸程度，帮助医生调节治疗参数。近年来，一些研究者开始利用mri(磁共振成像)技术对新生儿高胆红素血症来进行检测。mri技术利用磁场和无线电波的相互作用，可以产生高清晰度的图像，对于软组织、骨骼和脑组织等结构的成像效果比x线、超声等成像技术更好。
5.将深度影像组学方法应用在新生儿高胆红素血症的鉴别诊断上仍停留在探索与发展的阶段，对于网络结构的存在着完善和提升的空间。在大部分的相关研究中，存在着新生儿高胆红素血症患者样本数量较少的问题，很难得到性能指标良好的的深度学习鉴别诊断模型。除此之外，在利用mri辅助预测新生儿高胆红素血症时，没有结合此疾病在影像学中的具体表现，并探究其在病理上的特征。这些存在于新生儿高胆红素血症研究领域的问题有待后续的进一步解决与改进。
6.通过上述分析，现有技术存在的问题及缺陷为：
7.(1)现有的验血检测新生儿高胆红素血症的方法是有创伤性的，并且测定血清胆红素数值水平的方法存在诊断难度较大、检测时间较长、需多次采样等缺点。
8.(2)检查肝功能的方法则需要根据大量的指标来进行结果判定，整个检测时间较长。
9.(3)利用观察黄疸严重程度的方法进行疾病的诊断可能会出现不同医生结论具有不一致的现象，存在着很大程度的观察者间误差。
10.(4)利用深度影像组学的方法对新生儿高胆红素血症进行预测还处在探索发展阶段，现有的预测模型对疾病的预测精度不高。
11.(5)用mri辅助预测新生儿高胆红素血症时，没有结合此疾病在影像学中的具体表现，不利于找出新生儿高胆红素血症在影像学中的具体表现以及病灶区域。


技术实现要素：

12.针对现有技术存在的问题，本发明提供了一种新生儿高胆红素血症鉴别方法、系统、设备及终端，尤其涉及一种基于图卷积神经网络的新生儿高胆红素血症鉴别方法、系统、设备及终端。
13.本发明是这样实现的，一种新生儿高胆红素血症鉴别方法，新生儿高胆红素血症鉴别方法包括：从收集到的磁共振图像数据中挑选合适的图像作为模板，将其余样本与模板进行配准操作；对配准后的数据进行有效区域的提取，在有效区域中划分若干小型区域并提取小型区域图像的相关特征；搭建用于分类的图卷积神经网络模型，通过计算相应的指标分析图卷积神经网络模型的相关性能；结合图卷积神经网络中的注意力机制定位得到模型区域，利用定位区域对分类性能进行优化，完成新生儿高胆红素血症的预测任务。
14.进一步，新生儿高胆红素血症鉴别方法包括以下步骤：
15.步骤一，根据一定的规则标准，筛选合适的样本数据；结合样本数据的临床信息和影像图片信息，依照相关标准和图像的拍摄质量，选取不同数据样本之间同一种磁共振序列的数据作为后续实验的样本数据集；
16.步骤二，对样本数据进行配准操作，并提取感兴趣区域；对于收集到的n例实验数据，从中选取一例形态方位、大小、灰度值均满足要求的样本作为配准的模板数据，将其余的n-1例样本作为待配准数据；在相关配准软件下，选取合适的配准方式逐一与模板数据进行匹配，最终得到n例配准完成的数据；选取序列中位于中心的m张切片，并对中心有效区域进行提取；
17.步骤三，在感兴趣区域中选取若干小型区域并提取特征；从n例提取有效区域的数据中随机选取大小为s
×
s的小型区域，每一例中选取的小型区域个数为h个；对每一例样本中的小型区域进行特征提取，得到重构后的特征向量；
18.步骤四，搭建图卷积神经网络分类模型，对模型预测指标进行分析；根据一定的规则，将小型区域作为图卷积神经网络的节点，构建节点与边之间的连接关系，得到图数据结构；再选取适当的损失函数和优化器对模型进行训练，最终根据相应指标的计算分析模型性能；
19.步骤五，结合图注意机制确定模型关注的区域；通过图卷积神经网络具有的注意力机制，结合局部信息和全局信息，挑选出已划分的h个小型区域中权重最大的k个作为模型预测结果的解释，并在原图中进行可视化操作；对于挑选出的k个部分，经过分类器进行分类预测，分析性能指标的变化。
20.进一步，步骤一中的根据一定的规则标准筛选合适的样本数据包括：
21.(1)结合相关临床病例信息和医学知识，在大量的样本中筛选得到年龄、病理特征
符合标准的病例作为合适的待处理对象；
22.(2)每个合适的待处理对象均包含不同序列的磁共振数据，选取统一的模态类型，得到n例样本数据。
23.进一步，步骤二中的对样本数据进行配准操作并提取感兴趣区域包括：
24.(1)将经过筛选且在同一磁共振模态下的数据读入相关软件，选择大小、形态符合要求的一例数据作为配准的基准模板；
25.(2)将其余的n-1例磁共振数据作为待配准对象，分别将待配准对象与选出的基准模板进行配准操作，得到n-1例配准后的新数据；
26.(3)n-1例配准后的新数据数据类型为三维体素格式，从每例配准后的图像提取相同的m张切片，总计得到m
×
(n-1)张切片数据。
27.进一步，步骤三中的在感兴趣区域中选取若干小型区域并提取特征包括：
28.(1)对于得到的n例配准完成的数据样本，在每一例中选取选取h个大小为s
×
s的小型区域；
29.(2)对得到的大小为s
×
s的小型区域进行编码，得到重构后的特征向量。
30.进一步，步骤四中的搭建图卷积神经网络分类模型并对模型预测指标进行分析包括：
31.(1)根据同一类别内部之间的联系和不同类别之间的差异构建图卷积神经网络；
32.(2)将样本数据划分为训练集、验证集和测试集，选取相应的损失函数和优化器；
33.(3)对模型进行训练，在测试集中通过相应指标的计算评估模型性能。
34.进一步，步骤五中的结合图注意机制确定模型关注的区域包括：
35.(1)根据图卷积神经网络中的注意力机制，选出已划分的h个小型区域中权重最大的k个区域；
36.(2)将k个区域作为图卷积神经网络模型进行预测结果的解释，并在原图中进行可视化操作；
37.(3)将经过图卷积神经网络处理过后的k个有效区域视作样本类别中更具有代表性的部分，利用经过图卷积神经网络处理过后的特征向量，结合机器学习中逻辑斯蒂回归方法进行二分类，得到分类结果。
38.本发明的另一目的在于提供一种应用所述的新生儿高胆红素血症鉴别方法的新生儿高胆红素血症鉴别系统，新生儿高胆红素血症鉴别系统包括：
39.图像配准模块，用于从收集到的磁共振图像数据中挑选合适的图像作为模板，将其余样本与模板进行配准操作；
40.图像特征提取模块，用于对配准后的数据进行有效区域的提取，在有效区域中划分若干小型区域并提取小型区域图像的相关特征；
41.网络模型构建模块，用于搭建用于分类的图卷积神经网络模型，通过计算相应的指标分析图卷积神经网络模型的相关性能；
42.模型区域定位模块，用于结合图卷积神经网络中的注意力机制定位得到模型区域，利用定位区域对分类性能进行优化。
43.本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的新生儿高
胆红素血症鉴别方法的步骤。
44.本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的新生儿高胆红素血症鉴别系统。
45.结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
46.第一，针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
47.本发明的新生儿高胆红素血症鉴别方法，从收集到的大量磁共振图像数据中挑选合适的图像作为模板，将其余样本与之进行配准操作；对配准后的数据进行有效区域的提取，在有效区域中划分若干小型部分并提取这部分图像的相关特征；搭建用于分类的图卷积神经网络模型，通过计算相应的指标分析模型的相关性能；结合图卷积神经网络中的注意力机制定位出模型关注区域，表明了新生儿高胆红素血症在影像学中的具体表现，并利用定位区域对分类性能进行优化。
48.本发明找到了适用于所有图像的模板，有利于制定统一的标准；将其余图像与模板进行配准后，使得所有的数据都能进行充分有效的利用，避免了因为直接阅片引起的观察者间误差，更好地提高了鉴别的准确率。本发明通过选择并且搭建合适的深度学习模型，再此任务上可以取得较高的相关指标，可以使得分类结果具有较高的准确率；同时依据图卷积神经网络中的注意力机制，能够找出模型感兴趣区域，对模型的预测结果做出解释。本发明采用相关的机制和方法，有利于对于模型得出的结论做出相关解释，并在图像上定位出有效区域，能够为新生儿高胆红素患儿提供参考信息，有利于开展后续的诊断。
49.第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
50.本发明的新生儿高胆红素血症鉴别方法能够处理大量的磁共振图像，采用深度学习和影像组学想结合的方法，高效并准确地对新生儿高胆红素血症进行了预测。相较于传统的验血检测或观察法，有更加高的预测精度。本发明在预测新生儿高胆红素血症的同时，提供了一种影像学评估的研究思路，对研究患者的脑组织，量化胆红素沉积的程度和位置等问题具有重要参考价值。
51.第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
52.(1)本发明的技术方案转化后的预期收益和商业价值为：
53.新生儿高胆红素血症是一种新生儿出生后常患的疾病，本发明提出的新生儿高胆红素血症预测方法的应用有望为此疾病的早期诊断、精准治疗和个性化医疗提供有效手段。预期收益包括但不限于以下几个方面：提高新生儿高胆红素血症的诊断准确性和有效性，降低误诊率和漏诊率，提高治疗效果和生存率；实现个性化医疗，根据患者的预测结果为其量身定制治疗方案，避免不必要的治疗和药物副作用；增加患者对新生儿高胆红素血症治疗的信心和满意度，提升医院的品牌价值和口碑。
54.本发明的商业价值主要包括：市场前景广阔。据统计，我国每年约有60万至200万名新生儿患上高胆红素血症，严重威胁着新生儿的健康安全。因此，新生儿高胆红素血症的预测方法具有广阔的市场前景和潜在的商业价值；技术领先。本发明基于高胆红素血症的
预测诊断，具有较高的精度和可靠性，与其他新生儿高胆红素血症鉴别方法相比具有明显的技术优势和领先地位；合作机会。本发明可以为医药企业和医疗机构提供合作机会，共同开发和推广相关产品和服务，实现互利共赢的商业模式。
55.(2)本发明的技术方案填补了国内外业内技术空白：
56.本发明独特性地将重点放在新生儿高胆红素血症的鉴别与影像学表现评估上，以新生儿高胆红素血症为预测任务，并对不同程度的高胆红素血症在影像图像上的表现形式进行了评估，这是过往的研究中未曾涉及的方法。
附图说明
57.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
58.图1是本发明实施例提供的新生儿高胆红素血症鉴别方法流程图；
59.图2是本发明实施例提供的整体实验流程示意图；
60.图3是本发明实施例提供的小型区域选取方式流程图；
61.图4是本发明实施例提供的图卷积神经网络模块结构示意图。
具体实施方式
62.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
63.针对现有技术存在的问题，本发明提供了一种新生儿高胆红素血症鉴别方法、系统、设备及终端，下面结合附图对本发明作详细的描述。
64.如图1所示，本发明实施例提供的新生儿高胆红素血症鉴别方法包括以下步骤：
65.s101，从收集到的磁共振图像数据中挑选合适的图像作为模板，将其余样本与模板进行配准操作；
66.s102，对配准后的数据进行有效区域的提取，在有效区域中划分若干小型区域并提取小型区域图像的相关特征；
67.s103，搭建用于分类的图卷积神经网络模型，通过计算相应的指标分析图卷积神经网络模型的相关性能；
68.s104，结合图卷积神经网络中的注意力机制定位得到模型区域，利用定位区域对分类性能进行优化。
69.如图2所示，本发明实施例提供的新生儿高胆红素血症鉴别方法具体包括以下步骤：
70.(1)根据一定的规则标准，筛选合适的样本数据，结合样本数据的临床信息和影像图片信息，依照相关标准和图像的拍摄质量，选取不同数据样本之间同一种磁共振序列的数据作为后续实验的样本数据集，总共可以收集到n例样本数据。其中，根据一定的规则标准，筛选合适的样本数据，按如下步骤进行：
71.(1.1)结合相关临床病例信息和医学知识，在大量的样本中筛选出年龄，病理特征符合标准的病例作为合适的待处理对象；
72.(1.2)每个合适的待处理对象都包含了不同序列的磁共振数据，需要选取统一的模态类型，得到n例样本数据。
73.(1.3)将n例数据样本划分为高胆红素血症组和正常对照组两个组别。
74.(2)对样本数据进行配准操作，并提取感兴趣区域；对于在第一步中收集到的n例实验数据，从中选取一例形态方位、大小、灰度值都满足要求的样本作为配准的模板数据，将其余的n-1例样本作为待配准数据，在相关配准软件下，选取合适的配准方式逐一与模板数据进行匹配，最终得到n例配准完成的数据，并且选取序列中位于中心的m张切片，并对中心有效区域进行提取。
75.其中，对样本数据进行配准操作，并提取感兴趣区域，按如下步骤进行：
76.(2.1)将上述第一步中经过筛选且在同一磁共振模态下的数据读入相关软件，从其中选择大小、形态符合要求的一例数据作为配准的基准模板；
77.(2.2)将其余的n-1例磁共振数据作为待配准对象，分别将它们与选出的基准模板进行配准操作，得到n-1例配准后的新数据；
78.(2.3)n-1例配准后的新数据数据类型为三维体素格式，需要从每一例中抽取相应数量的切片用于后续操作，每例配准后的图像提取相同的m张切片，总计得到m
×
(n-1)张切片数据。
79.(3)在感兴趣区域中选取若干小型区域，并提取其特征，在从步骤二中得到的n例提取完有效区域的数据中，随机选取大小为s
×
s的小型区域，每一例中选取的小型区域个数为h个，对于每一例样本中的小型区域，对其经过相应的特征提取，得到重构后的特征向量。
80.其中，在感兴趣区域中选取若干小型区域并提取其特征，按如下步骤进行：
81.(3.1)对于得到的n例配准完成的数据样本，在每一例中选取h个大小为s
×
s的小型区域；
82.(3.2)对得到的大小为s
×
s的小型区域进行编码，得到重构后的特征向量。
83.(4)搭建图卷积神经网络分类模型，对模型预测指标进行分析，根据一定的规则，将小型区域作为图卷积神经网络的节点，构建节点与边之间的连接关系，得到图数据结构，再选取适当的损失函数和优化器对模型进行训练，最终根据相应指标的计算分析模型性能。
84.其中，搭建图卷积神经网络分类模型，对模型预测指标进行分析，按如下步骤进行：
85.(4.1)根据同一类别内部之间的联系和不同类别之间的差异构建图卷积神经网络；
86.(4.2)将样本数据划分为训练集、验证集和测试集，选取相应的损失函数和优化器；
87.(4.3)对模型进行训练，在测试集中通过相应指标的计算评估模型性能。
88.(5)结合图注意机制，找出模型关注的区域，并进一步提升分类性能，通过图卷积神经网络具有的注意力机制，充分结合局部信息和全局信息，挑选出先前划分的h个小型区
域中权重最大的k个，并以此作为模型预测结果的解释，并在原图中进行可视化操作。同时对于挑选出的k个部分，更能够成为代表此类别的特征区域，将其经过分类器进行分类预测，分析性能指标的变化。
89.其中，结合图注意机制，找出模型关注的区域，并进一步提升分类性能，按如下步骤进行：
90.(5.1)根据图卷积神经网络中的注意力机制，选出先前划分的h个小型区域中权重最大的k个区域；
91.(5.2)将这k个区域作为图卷积神经网络模型做出预测结果的解释，并在原图中进行可视化操作；
92.(5.3)经过图卷积神经网络处理过后的k个有效区域可以视作此样本类别中更具有代表性的部分，利用经过图卷积神经网络处理过后的特征向量，结合机器学习中逻辑斯蒂回归方法进行二分类，可得到进一步的分类结果。
93.本发明实施例提供的新生儿高胆红素血症鉴别系统包括：
94.图像配准模块，用于从收集到的磁共振图像数据中挑选合适的图像作为模板，将其余样本与模板进行配准操作；
95.图像特征提取模块，用于对配准后的数据进行有效区域的提取，在有效区域中划分若干小型区域并提取小型区域图像的相关特征；
96.网络模型构建模块，用于搭建用于分类的图卷积神经网络模型，通过计算相应的指标分析图卷积神经网络模型的相关性能；
97.模型区域定位模块，用于结合图卷积神经网络中的注意力机制定位得到模型区域，利用定位区域对新生儿高胆红素血症进行预测。
98.为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。本发明提供的新生儿高胆红素血症预测方法可以用于对高胆红素血症进行鉴别与诊断，以帮助医生为患者制定更加个性化的治疗方案。
99.实施例1：某位患者在进行采血化验时发现某些指标存在异常，经过进一步检查和诊断，确定该患者患有高胆红素血症。医生将采集到的患者的脑部mr图像输入到本系统中，系统会给出高胆红素血症的预测结果，根据该结果，医生可以制定相应的治疗方案。
100.实施例2：两位放射科医生在基于某位患者的脑部mr图像进行新生儿高胆红素血症诊断时出现了分歧，且短时间内无法对该患者进行采血等指标化验。将该mri图像送入到本发明中，本发明提供的该患者高胆红素血症预测结果会为解决医生之间的意见分歧提供参考。
101.作为优选实施例，本发明实施例提供的新生儿高胆红素血症鉴别方法具体包括以下步骤：
102.(1)根据一定的规则标准，筛选合适的样本数据，具体过程如下：
103.(1a)本发明实施例中使用的数据是新生儿脑部mr图像，结合具体的病历信息，去除早产儿病例，仅采用足月出生新生儿作为数据样本，总计获得606例数据样本。
104.(1b)选取的图像中包含t1、t2、dwi等多种mr序列，此处选取t1序列作为实验对象，其中包含有高胆红素血症样本273例，正常对照组样本333例，每一例中含有二维切片张数
为15张。
105.(2)对样本数据进行配准操作，并提取感兴趣区域，具体过程如下：
106.(2a)根据形态和大小选取1例样本作为基准图像，图像的尺寸大小为512
×
512
×
15，其余605例数据作为待配准图像；
107.(2b)使用图像处理软件3d-slicer以及mitk用作医学图像处理，选择刚性配准的方法得到配准后的三维体素数据，共计606例，每一例由15张二维mr图像切片组成；
108.(2c)将配准后的606例三维体素数据样本进一步处理，选择15张二维切片中的中间5层切片用作后续实验数据；
109.(2d)对于提取出的二维切片，以图像中心为基准点，划分出尺寸为128
×
128大小的感兴趣区域。
110.(3)如图3所示，在感兴趣区域中选取若干小型区域，并提取其特征，具体过程如下：
111.(3a)在提取出的128
×
128大小的感兴趣区域内随机选取25个小型区域，每个小型区域的尺寸大小为16
×
16；
112.(3b)将每一个小型区域经过特征编码，得到25个1
×
1600特征向量。
113.(4)如图4所示，本发明通过搭建图卷积神经网络分类模型，对模型预测指标进行分析，具体过程如下：
114.(4a)将606个数据样本按照8:1:1的比例划分训练集、验证集和测试集，三个集合中的样本数量分别为481例、62例、63例；
115.(4b)构建图卷积神经网络中的邻接矩阵，以图像之间的汉明距离作为二者差异的依据，在两类小型区域中,依据类间差异最大以及类内差异最小的原则在两类数据间进行计算；
116.(4c)将上述25个特征向量作为网络的节点，按照(4a)中的原则找到分别与之相邻的5个相邻节点构建图结构；将构建好的图结构首先经过一个卷积层，输出得到1
×
128的特征向量；
117.(4d)再经过一个参数设置为0.8的池化层，输出得到包含有20个节点的图结构，并计算其中所有特征向量之和并记作y
′
；
118.(4e)其次再次经过一个卷积层，保证输出的特征向量维度仍然为1
×
128；
119.(4f)再次经过参数设置为0.9的池化层，输出得到包含有18个节点的图结构，并计算其中所有特征向量之和并记作z
′
；
120.(4g)将z
′
与y
′
进行相加，得到1
×
128的特征向量a
′
；
121.(4h)再次经过两个线性层，最终对输入做出二分类；
122.(4i)实验中所使用的为pytorch框架版本为1.2.0、python版本为3.7、网络中训练轮数设置为200、学习率参数设置为0.00005、正则化参数设置为0.012。
123.(5)结合图注意机制，找出模型关注的区域，并进行可视化解释，具体过程如下：
124.(5a)选取验证集中准确率最高的一轮，并保存其权重用于测试集测试；
125.(5b)在测试集中对相应的指标进行计算；
126.(5c)根据图注意力机制，得到一组训练权重w1、w2...w
25
和每个节点的特征向量x1、x2...x
25
，则全局的特征向量x可由下式表示：
[0127][0128]
(5d)选取具有代表性的前k类节点作为代表节点，每一个节点的权重x
′
可由下式表示：
[0129][0130]
(5e)将得到的前k类特征向量对应的小型区域在原图上进行标注，可以较为直观的看出新生儿高胆红素血症在mr图像上的表现；
[0131]
(5f)此处的k值选取为5，将前五类具有代表性的特征向量进行相加，得到一个1
×
128的特征向量，新得到的特征向量享有和之前相同的标签，将标签和特征向量作为输入，送至逻辑斯蒂回归模型中，进行分类准确率的计算。评价模型性能的相关指标包括受试者工作特征曲线(roc)及曲线下面积(auc)、准确度(acc)、灵敏度(sen)、特异度(spe)、阳性预测值(ppv)、阴性预测值(npv)等指标，其相应计算公式如下：
[0132][0133][0134][0135][0136][0137]
其中，tp代表将正样本预测为正样本的数量，tn代表将负样本预测为负样本的数量，fp代表将正样本预测成负样本的数量，fn代表将负样本预测为正样本的数量，p代表所有正样本的个数，n代表所有负样本的个数；acc、sen、spe、ppv、npv、auc等指标范围均在0到1之间。数值越接近1，表示模型的预测性能越好。在测试集中进行的4次预测结果如表1所示。
[0138]
表1预测实验结果
[0139]
实验次数accaucsenspeppvnpv10.760.840.760.800.790.7820.750.830.670.900.860.7630.680.740.600.710.720.7840.710.780.760.700.750.71
[0140]
从实验结果上看，本发明取得的效果较好，相对于其他的诊断方法，本发明对新生儿高胆红素血症的预测鉴别精度更高，对新生儿高胆红素血症的诊断以及治疗方案的确定有着重要的意义。
[0141]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备
和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0142]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种新生儿高胆红素血症鉴别方法，其特征在于，新生儿高胆红素血症鉴别方法包括：从收集到的磁共振图像数据中挑选合适的图像作为模板，将其余样本与模板进行配准操作；对配准后的数据进行有效区域的提取，在有效区域中划分若干小型区域并提取小型区域图像的相关特征；搭建用于分类的图卷积神经网络模型，通过计算相应的指标分析图卷积神经网络模型的相关性能；结合图卷积神经网络中的注意力机制定位得到模型区域，利用定位区域对分类性能进行优化，完成新生儿高胆红素血症的预测任务。2.如权利要求1所述新生儿高胆红素血症鉴别方法，其特征在于，新生儿高胆红素血症鉴别方法包括以下步骤：步骤一，根据一定的规则标准，筛选合适的样本数据；结合样本数据的临床信息和影像图片信息，依照相关标准和图像的拍摄质量，选取不同数据样本之间同一种磁共振序列的数据作为后续实验的样本数据集；步骤二，对样本数据进行配准操作，并提取感兴趣区域；对于收集到的n例实验数据，从中选取一例形态方位、大小、灰度值均满足要求的样本作为配准的模板数据，将其余的n-1例样本作为待配准数据；在相关配准软件下，选取合适的配准方式逐一与模板数据进行匹配，最终得到n例配准完成的数据；选取序列中位于中心的m张切片，并对中心有效区域进行提取；步骤三，在感兴趣区域中选取若干小型区域并提取特征；从n例提取有效区域的数据中随机选取大小为s
×
s的小型区域，每一例中选取的小型区域个数为h个；对每一例样本中的小型区域进行特征提取，得到重构后的特征向量；步骤四，搭建图卷积神经网络分类模型，对模型预测指标进行分析；根据一定的规则，将小型区域作为图卷积神经网络的节点，构建节点与边之间的连接关系，得到图数据结构；再选取适当的损失函数和优化器对模型进行训练，最终根据相应指标的计算分析模型性能；步骤五，结合图注意机制确定模型关注的区域；通过图卷积神经网络具有的注意力机制，结合局部信息和全局信息，挑选出已划分的h个小型区域中权重最大的k个作为模型预测结果的解释，并在原图中进行可视化操作；对于挑选出的k个部分，经过分类器进行分类预测，分析性能指标的变化。3.如权利要求2所述新生儿高胆红素血症鉴别方法，其特征在于，步骤一中的根据一定的规则标准筛选合适的样本数据包括：(1)结合相关临床病例信息和医学知识，在大量的样本中筛选得到年龄、病理特征符合标准的病例作为合适的待处理对象；(2)每个合适的待处理对象均包含不同序列的磁共振数据，选取统一的模态类型，得到n例样本数据。4.如权利要求2所述新生儿高胆红素血症鉴别方法，其特征在于，步骤二中的对样本数据进行配准操作并提取感兴趣区域包括：(1)将经过筛选且在同一磁共振模态下的数据读入相关软件，选择大小、形态符合要求的一例数据作为配准的基准模板；(2)将其余的n-1例磁共振数据作为待配准对象，分别将待配准对象与选出的基准模板进行配准操作，得到n-1例配准后的新数据；
(3)n-1例配准后的新数据数据类型为三维体素格式，从每例配准后的图像提取相同的m张切片，总计得到m
×
(n-1)张切片数据。5.如权利要求2所述新生儿高胆红素血症鉴别方法，其特征在于，步骤三中的在感兴趣区域中选取若干小型区域并提取特征包括：(1)对于得到的n例配准完成的数据样本，在每一例中选取选取h个大小为s
×
s的小型区域；(2)对得到的大小为s
×
s的小型区域进行编码，得到重构后的特征向量。6.如权利要求2所述新生儿高胆红素血症鉴别方法，其特征在于，步骤四中的搭建图卷积神经网络分类模型并对模型预测指标进行分析包括：(1)根据同一类别内部之间的联系和不同类别之间的差异构建图卷积神经网络；(2)将样本数据划分为训练集、验证集和测试集，选取相应的损失函数和优化器；(3)对模型进行训练，在测试集中通过相应指标的计算评估模型性能。7.如权利要求2所述新生儿高胆红素血症鉴别方法，其特征在于，步骤五中的结合图注意机制确定模型关注的区域包括：(1)根据图卷积神经网络中的注意力机制，选出已划分的h个小型区域中权重最大的k个区域；(2)将k个区域作为图卷积神经网络模型进行预测结果的解释，并在原图中进行可视化操作；(3)将经过图卷积神经网络处理过后的k个有效区域视作样本类别中更具有代表性的部分，利用经过图卷积神经网络处理过后的特征向量，结合机器学习中逻辑斯蒂回归方法进行二分类，得到分类结果。8.一种应用权利要求1～7任意一项所述新生儿高胆红素血症鉴别方法的新生儿高胆红素血症鉴别系统，其特征在于，新生儿高胆红素血症鉴别系统包括：图像配准模块，用于从收集到的磁共振图像数据中挑选合适的图像作为模板，将其余样本与模板进行配准操作；图像特征提取模块，用于对配准后的数据进行有效区域的提取，在有效区域中划分若干小型区域并提取小型区域图像的相关特征；网络模型构建模块，用于搭建用于分类的图卷积神经网络模型，通过计算相应的指标分析图卷积神经网络模型的相关性能；模型区域定位模块，用于结合图卷积神经网络中的注意力机制定位得到模型区域，利用定位区域对分类性能进行优化。9.一种计算机设备，其特征在于，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～7任意一项所述新生儿高胆红素血症鉴别方法的步骤。10.一种信息数据处理终端，其特征在于，信息数据处理终端用于实现如权利要求8所述新生儿高胆红素血症鉴别系统。

技术总结
本发明属于医学图像处理、深度学习技术领域，公开了一种新生儿高胆红素血症鉴别方法、系统、设备及终端，从收集到的磁共振图像数据中挑选合适的图像作为模板，将其余样本与模板进行配准操作；对配准后的数据进行有效区域的提取，在有效区域中划分若干小型区域并提取小型区域图像的相关特征；搭建用于分类的图卷积神经网络模型，通过计算相应的指标分析图卷积神经网络模型的相关性能；结合图卷积神经网络中的注意力机制定位得到模型区域，利用定位区域对分类性能进行优化，完成新生儿高胆红素血症的预测任务。本发明采用深度学习模型和有标签数据的监督学习方法减少了直接阅片引起的观察者间误差，并优化了鉴别性能。并优化了鉴别性能。并优化了鉴别性能。


技术研发人员：侯榆青 何奕彤 赵凤军 徐立 郭红波 张涛 贺小伟
受保护的技术使用者：西北大学
技术研发日：2023.03.16
技术公布日：2023/7/20