【技术实现步骤摘要】
本专利技术涉及人工智能与机器学习，具体地说，涉及一种基于人工智能的胎儿生长受限预测系统。
技术介绍
1、胎儿生长受限(fgr)是指胎儿生长未达到其遗传生长潜能，体重或腹围低于同孕龄胎儿10％的胎儿。它是新生儿发病率和死亡率的主要原因。近年来，随着高龄产妇的不断增加，fgr发病率逐渐上升。截止2023年fgr全球发病率高达10％，是围产儿死亡的第二大原因，死亡率是正常发育儿的6-10倍。因此为了确保胎儿和孕妇的安全，在妊娠早期检测和诊断fgr尤为重要。
2、妊娠早期准确诊断fgr并不容易，往往需要分娩后才能确诊，密切关注胎儿发育情况是提高fgr诊断率及准确率的关键。目前主要检测手段是超声测量(胎儿腹围，头颈等)，多普勒超声血流检查和图像分析技术。但是超声测量估计体重方法无法在妊娠早期进行识别，多普勒超声检查方法需要许多参数组合来进行评估，这些参数的收集是复杂的并且采集所需设备昂贵。现有的图像分析技术全部采用胎儿器官的mri图像作为分析数据，但是mri成像对孕妇的影响较大。因此需要一种能够在妊娠早期，且对孕妇影响小的fgr识别方法。
技术实现思路
1、本专利技术提供了一种基于人工智能的胎儿生长受限预测系统，其能够克服现有技术的某种或某些缺陷。
2、根据本专利技术的一种基于人工智能的胎儿生长受限预测系统，其包括：
3、获取模块，用于对待预测胎儿超声图像进行处理，获取胎盘感兴趣区域图像；
4、特征提取模块，用于对胎盘感兴趣区域图像进行特征提取
5、特征编码模块，用于基于所述多个不同尺度的特征向量构建视觉词向量，基于所述多个不同尺度的特征向量和视觉词向量获取多尺度相似性特征图，基于所述多个不同尺度的特征向量获取多尺度空间注意权重图，以及基于相似性特征图和空间注意力权重图生成输入特征向量。
6、预测模块，用于基于训练好的分类模型对所述输入特征向量进行处理，以获取胎儿生长受限预测结果。
7、作为优选，所述系统还包括前处理模块，前处理模块用于基于小波变换和直方图均衡化对原始胎儿超声图像进行降噪处理和细节增强处理，以获取待预测胎儿超声图像。
8、作为优选，所述特征编码模块包括：
9、视觉单词构建单元，用于完成基于所述多个不同尺度的特征向量构建视觉词向量；
10、余弦相似性计算单元，用于完成基于所述多个不同尺度的特征向量和视觉词向量获取多尺度相似性特征图；
11、空间注意力单元，用于完成基于所述多个不同尺度的特征向量获取多尺度空间注意力权重图。
12、特征整合单元，特征整合单元于完成基于多尺度相似性特征图和多尺度空间注意力权重图生成输入特征向量。
13、作为优选，视所述觉词向量构建单元基于高斯分布随机初始化一组不同尺度的特征向量构建视觉词向量，视觉词向量汇集形成一个视觉词袋。
14、作为优选，所述余弦相似性计算单元基于余弦相似性计算公式，对多个不同尺度的特征向量与视觉词向量进行余弦相似性计算，获取相似性特征图。
15、作为优选，所述空间注意力单元基于多尺度空间注意力模型完成所述基于所述多个不同尺度的特征向量，获取多尺度空间注意力特征图；其中，多尺度空间注意力模型具有混合池化层、空间注意力层、拼接层和全连接层；其多尺度空间注意力模型基于平均池化和最大池化，构建混合池化层。
16、作为优选，特征整合单元包括特征融合子单元和池化子单元；其中，
17、特征融合子单元，用于基于逐元素乘法，对所述多尺度相似性特征图和多尺度空间注意力权重图进行逐元素相乘，生成多尺度空间注意力相似性特图；
18、池化子单元，用于基于所述多尺度空间注意力相似性特征图，对每个尺度的空间注意力相似性特征图独立进行全局平均池化，获取输入特征向量。
19、作为优选，所述分类模型具有全连接层和分类层，并采用一分类训练模块进行训练后获取；其中，分类训练模块基于分类损失函数和辅助分类损失函数，构建复合损失函数。
20、作为优选，所述复合损失函数，用于基于分类损失函数和辅助损失函数，监督分类模型完成训练；其中，
21、分类损失函数，用于衡量分类模型预测与实际标签之间的差异；
22、辅助损失函数，用于衡量不同视觉单词之间的差异，最小化不同视觉单词之间的相关性。
23、针对现有技术所存在的问题，本系统提出的一种基于人工智能的胎儿生长受限预测系统，通过对胎盘超声图像的分析，可以在妊娠早期实现对fgr的识别，最大限度的减少检测过程对孕妇的影响，以及帮助医生进行辅助诊断，减轻医生负担。
本文档来自技高网...【技术保护点】
1.一种基于人工智能的胎儿生长受限预测系统，其特征在于，包括：
2.根据权利要求1所述的一种基于人工智能的胎儿生长受限预测系统，其特征在于，还包括前处理模块，前处理模块用于基于小波变换和直方图均衡化对原始胎儿超声图像进行降噪处理和细节增强处理，以获取待预测胎儿超声图像。
3.根据权利要求1所述的一种基于人工智能的胎儿生长受限预测系统，其特征在于，特征编码模块包括：
4.根据权利要求3所述的一种基于人工智能的胎儿生长受限预测系统，其特征在于，视觉词向量构建单元基于高斯分布随机初始化一组不同尺度的特征向量构建视觉词向量，视觉词向量汇集形成一个视觉词袋。
5.根据权利要求3所述的一种基于人工智能的胎儿生长受限预测系统，其特征在于，余弦相似性计算单元基于余弦相似性计算公式，对多个不同尺度的特征向量与视觉词向量进行余弦相似性计算，获取相似性特征图。
6.根据权利要求3所述的一种基于人工智能的胎儿生长受限预测系统，其特征在于，空间注意力单元基于多尺度空间注意力模型对所述多个不同尺度的特征向量应用空间注意力机制，以获取多尺度空间注意力
7.根据权利要求3所述的一种基于人工智能的胎儿生长受限预测系统，其特征在于，特征整合单元包括特征融合子单元和池化子单元；其中，
8.根据权利要求1所述的一种基于人工智能的胎儿生长受限预测系统，其特征在于，分类模型具有全连接层和分类层，并采用一分类训练模块进行训练后获取；其中，分类训练模块基于复合损失函数，监督分类模型完成训练。
9.根据权利要求8所述的一种基于人工智能的胎儿生长受限预测系统，其特征在于，复合损失函数基于分类损失函数与辅助损失函数所构成；其中，
...【技术特征摘要】
1.一种基于人工智能的胎儿生长受限预测系统，其特征在于，包括：
2.根据权利要求1所述的一种基于人工智能的胎儿生长受限预测系统，其特征在于，还包括前处理模块，前处理模块用于基于小波变换和直方图均衡化对原始胎儿超声图像进行降噪处理和细节增强处理，以获取待预测胎儿超声图像。
3.根据权利要求1所述的一种基于人工智能的胎儿生长受限预测系统，其特征在于，特征编码模块包括：
4.根据权利要求3所述的一种基于人工智能的胎儿生长受限预测系统，其特征在于，视觉词向量构建单元基于高斯分布随机初始化一组不同尺度的特征向量构建视觉词向量，视觉词向量汇集形成一个视觉词袋。
5.根据权利要求3所述的一种基于人工智能的胎儿生长受限预测系统，其特征在于，余弦相似性计算单元基于余弦相似性计算公式，对多个不同尺度的特征向量与视觉词向量进行余弦相似性计算，获取相似性特征图。
6.根据权...
【专利技术属性】
技术研发人员：李蔚凌，张益恒，黄小伟，刘志刚，涂华，
申请(专利权)人：东莞理工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。