【技术实现步骤摘要】
本专利技术涉及胆红素检测，更具体地说，本专利技术涉及一种基于图像分析的胆红素检测方法。
技术介绍
1、胆红素是人体内重要的代谢产物，主要由衰老红细胞中血红蛋白的分解而产生。在正常生理状态下，胆红素经肝脏代谢后从胆汁排出体外。然而，当胆红素产生过多或代谢、排泄障碍时，会导致体内胆红素水平升高，引发多种病理状态。准确测量胆红素浓度对于诊断和监测多种疾病具有重要意义，如新生儿黄疸、肝功能障碍、溶血性疾病等。传统的胆红素检测方法主要依赖于血液样本分析，这种方法虽然准确度高，但具有侵入性、操作复杂、检测时间长等缺点，不利于频繁监测和快速诊断。
2、近年来，随着计算机视觉和人工智能技术的快速发展，基于图像分析的非侵入性胆红素检测技术引起了广泛关注。这种方法通过分析皮肤颜色变化来估计胆红素浓度，具有操作简便、实时性强、可重复性好等优势。图像分析技术在医学影像处理、计算机辅助诊断等领域已经取得了显著成果，其在胆红素检测中的应用为临床实践提供了新的可能性。这种技术通常涉及图像采集、预处理、特征提取、机器学习模型训练等步骤，通过建立皮肤颜色特征与胆红素浓度之间的映射关系来实现无创检测。
3、现有的公开文献中，文献1(use of a smartphone app to assessneonataljaundice.pediatrics,2017,140(3),e20170312)中，taylor等人提出了一种基于智能手机相机的新生儿黄疸筛查方法，通过分析新生儿前额皮肤的数字图像来估算血清胆红素水平。研究结果表明，该方法在临床
4、然而，这些研究仍然存在一些局限性。例如，文献2主要关注色彩空间分析，缺乏对图像纹理和形状特征的深入考虑，无法充分利用皮肤图像中的多维度信息；此外，现有方法在图像分割和特征融合方面仍有待优化，特别是在复杂光照条件下，分割精度和特征提取的鲁棒性仍需提高；同时，当前的特征融合策略相对简单，难以有效整合不同层次的图像信息，限制了检测性能的进一步提升。
5、为了解决上述问题，现提供一种技术方案。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术提供了一种基于图像分析的胆红素检测方法，通过采用多任务学习模型进行特征提取，在图像分割过程中引入自注意力机制和多尺度特征融合，实现了对皮肤图像的精确分割，同时综合利用颜色、纹理和形状特征，并采用联合损失函数优化模型性能，解决了现有技术中特征提取不全面、分割精度不足以及特征融合策略简单的问题，提高了胆红素检测的准确性和稳定性。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于图像分析的胆红素检测方法，包括以下步骤：
4、步骤一，使用配备标准化光源的摄影设备对受试者前臂皮肤区域进行图像采集，控制拍摄角度和时间；
5、步骤二，对采集的前臂皮肤图像进行预处理，使用双边滤波方法去噪，使用颜色空间变换进行颜色校正，并采用自适应直方图均衡化方法增强对比度；
6、步骤三，建立包括共享编码器、图像分割解码器和胆红素浓度预测解码器的多任务学习模型，通过共享编码器对预处理后的前臂皮肤图像进行处理，提取特征映射；
7、步骤四，在共享编码器和图像分割解码器的跳跃连接中引入自注意力机制，并使用引入多尺度特征融合的u-net深度学习模型作为图像分割解码器，对共享编码器输出的特征映射进行解码，生成图像分割结果；
8、步骤五，对分割后的前臂皮肤图像进行底层特征提取，所述底层特征包括颜色特征、纹理特征和形状特征；
9、步骤六，将图像分割结果、共享编码器提取的特征映射与底层特征进行融合，通过胆红素浓度预测解码器输出最终预测值，包括以下步骤：
10、步骤s1，将图像分割结果、共享编码器提取的特征映射与颜色特征、纹理特征和形状特征进行标准化和融合，形成综合特征向量，其融合公式为：
11、
12、式中，c为颜色特征向量，t为纹理特征向量，s为形状特征向量，sseg为图像分割结果特征向量，fhigh为共享编码器提取的特征映射向量，μc为颜色特征向量的均值，μt为纹理特征向量的均值，μs为形状特征向量的均值，μseg为图像分割结果特征向量的均值，μhigh为共享编码器提取特征映射向量的均值，σc为颜色特征向量的标准差，σt为纹理特征向量的标准差、σs为形状特征向量的标准差，σconc为胆红素浓度特征向量的标准差，σseg为图像分割结果特征向量的标准差，σhigh为共享编码器提取的特征映射向量的标准差，concat()为将标准化后的特征向量进行拼接操作；
13、步骤s2，使用胆红素浓度预测解码器处理融合后的特征，所述胆红素浓度预测解码器包括全连接神经网络和一个回归层，并通过回归层输出胆红素浓度预测值，其预测公式为：
14、
15、式中，为胆红素浓度预测值，sseg为图像分割结果特征向量，fhigh为共享编码器提取的特征映射向量，c为颜色特征向量，t为纹理特征向量，s为形状特征向量，w1和w2分别为全连接层的权重矩阵，b1和b2为对应的偏置项，relu()为激活函数，表示修正线性单元函数，f()为回归层的线性激活函数。
16、作为本专利技术进一步的方案，步骤一中，所述标准化光源的光照强度不低于500勒克斯；在采集过程中，拍摄角度相对于前臂皮肤区域的垂直误差不超过±5度，并控制拍摄时间在1秒内完成。
17、作为本专利技术进一步的方案，步骤四中，在共享编码器和图像分割解码器的跳跃连接中引入自注意力机制，并在图像分割解码器中引入多尺度特征融合模块，包括以下步骤：
18、步骤a1，修改u-net模型结构，在共享编码器与图像分割解码器之间的跳跃连接中插入自注意力模块并在图像分割解码器中引入多尺度特征融合模块；
19、步骤a2，将预处理后的前臂皮肤图像输入共享编码器，通过编码器提取多个尺度的前臂皮肤颜色特征映射；
20、步骤a3，对得到的前臂皮肤颜色特征映射应用自注意力机制，计算特征映射上不同位置之间的胆红素相关性，生成注意力矩阵，并使用注意力矩阵对原始特征映射进行加权，生成反映皮肤胆红素分布的注意力加权特征映射；
21、步骤a4，将生成的注意力加权特征映射与原始前臂皮肤颜色特征映射进行元素级乘法运算，得到加权后的胆红素分布特征映射；
22、步骤a5，将得到本文档来自技高网...
【技术保护点】
1.一种基于图像分析的胆红素检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于图像分析的胆红素检测方法，其特征在于，步骤一中，所述标准化光源的光照强度不低于500勒克斯；在采集过程中，拍摄角度相对于前臂皮肤区域的垂直误差不超过±5度，并控制拍摄时间在1秒内完成。
3.根据权利要求1所述的一种基于图像分析的胆红素检测方法，其特征在于，步骤四中，在共享编码器和图像分割解码器的跳跃连接中引入自注意力机制，并在图像分割解码器中引入多尺度特征融合模块，包括以下步骤：
4.根据权利要求1所述的一种基于图像分析的胆红素检测方法，其特征在于，步骤四中，所述图像分割结果包括分割后的皮肤区域二值图、分割区域的几何特征、分割区域的位置信息和分割区域的形状描述符。
5.根据权利要求1所述的一种基于图像分析的胆红素检测方法，其特征在于，步骤五中，所述提取颜色特征表示为颜色特征向量，包括计算分割区域的颜色平均值、标准差及颜色直方图。
6.根据权利要求1所述的一种基于图像分析的胆红素检测方法，其特征在于，步骤五中，所述提取纹理特征
7.根据权利要求1所述的一种基于图像分析的胆红素检测方法，其特征在于，步骤五中，所述提取形状特征表示为形状特征向量，包括计算分割区域的周长、面积、形状矩和轮廓复杂度。
8.根据权利要求1所述的一种基于图像分析的胆红素检测方法，其特征在于，步骤六中，使用联合损失函数对图像分割和胆红素浓度预测任务进行优化，定义分割损失和浓度预测损失的加权和为：
...【技术特征摘要】
1.一种基于图像分析的胆红素检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于图像分析的胆红素检测方法，其特征在于，步骤一中，所述标准化光源的光照强度不低于500勒克斯；在采集过程中，拍摄角度相对于前臂皮肤区域的垂直误差不超过±5度，并控制拍摄时间在1秒内完成。
3.根据权利要求1所述的一种基于图像分析的胆红素检测方法，其特征在于，步骤四中，在共享编码器和图像分割解码器的跳跃连接中引入自注意力机制，并在图像分割解码器中引入多尺度特征融合模块，包括以下步骤：
4.根据权利要求1所述的一种基于图像分析的胆红素检测方法，其特征在于，步骤四中，所述图像分割结果包括分割后的皮肤区域二值图、分割区域的几何特征、分割区域的位置信息和分割区域的形状描述符。
5.根据权利要求1所述的一...
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。