基于超声人工智能技术的脂肪量化评估方法及系统与流程

摘要: 本技术涉及超声影像,具体涉及一种基于超声人工智能技术的脂肪量化评估方法及系统。背景技术:1、超声作为一种安全、无创、实时的影像技术,已被用于人体脂肪厚度的测量。...
基于超声人工智能技术的脂肪量化评估方法及系统与流程

本技术涉及超声影像,具体涉及一种基于超声人工智能技术的脂肪量化评估方法及系统。

背景技术:

1、超声作为一种安全、无创、实时的影像技术,已被用于人体脂肪厚度的测量。现有超声体脂评估通常采用手持式探头进行图像采集,由操作者手持探头按压于被测部位获取皮下脂肪超声影像。然而,采用手持式探头采集超声图像时,不同操作者的按压力度存在差异,甚至同一操作者在不同测量中的按压力度也难以保持一致,导致探头对皮下脂肪层产生不同程度的压缩变形,使脂肪厚度测量值系统性偏低且测量结果的可重复性较差。此外,超声图像的采集质量高度依赖于操作者的手法熟练程度和探头放置位置的准确性,上述因素共同导致超声图像数据的一致性和标准化程度不足,为后续的脂肪量化分析引入了显著的误差来源。

2、在体脂评估方法层面,现有基于超声的体脂率估测方案大多仅测量皮下脂肪厚度,忽略了对肌肉层厚度的同步测量以及各测量点位的肢体围度信息。然而,人体脂肪总量包括皮下脂肪和内脏脂肪,仅依赖皮下脂肪厚度估测体脂率会低估真实体脂率,尤其对于以内脏脂肪堆积为主要特征的肥胖类型评估偏差更为显著。与此同时,现有方法缺乏对不同身体部位脂肪分布情况的量化指标,而脂肪分布模式相较于总体脂率与代谢性疾病风险的关联更为密切。上述采集方式和分析方法两方面的局限性相互叠加,使得现有超声体脂评估技术的测量一致性差、信息维度单一、评估结果偏差大,无法满足临床对体脂率及脂肪分布精准评估的需求。因此,现有技术中存在脂肪量化准确性低的问题。

技术实现思路

1、本技术提供了一种基于超声人工智能技术的脂肪量化评估方法及系统,可以提高脂肪量化的准确性。

2、第一方面,本技术提供一种基于超声人工智能技术的脂肪量化评估方法,包括:获取同一目标对象的多个预设解剖点位的超声图像以及各所述点位的肢体围度数据,所述超声图像经由贴片探头采集,所述贴片探头在采集过程中与皮肤表面保持恒定接触状态;

3、将各所述点位的所述超声图像分别输入分割模型,由所述分割模型对各所述超声图像进行脂肪层与肌肉层的像素级分割,输出各所述超声图像对应的分割掩码,所述分割掩码标示出脂肪层区域和肌肉层区域;

4、根据各所述分割掩码分别计算各所述点位处的脂肪层厚度和肌肉层厚度;

5、将各所述点位的所述脂肪层厚度、所述肌肉层厚度和所述肢体围度数据作为输入特征,输入体脂率预测模型,得到所述目标对象的体脂率预测值。

6、可选地,所述分割模型采用编码器-解码器架构,编码器采用resnet101作为骨干网络提取图像特征,并引入空洞空间金字塔池化模块捕获多尺度上下文信息;

7、解码器用于将空洞空间金字塔池化模块输出的高维特征与骨干网络中的底层高分辨率特征进行融合,通过逐层上采样恢复空间分辨率,输出各像素点分别对应于脂肪层、肌肉层或背景的分类结果。

8、可选地,所述分割模型的输入端设置有部位感知结构,所述部位感知结构用于对各个所述预设解剖点位生成对应的独热编码向量,并将所述独热编码向量复制扩展至与所述骨干网络输出的图像特征张量相同的空间维度后,与所述图像特征张量在通道维度拼接。

9、可选地,所述分割模型的训练过程包括:

10、对训练数据集中的各超声图像进行像素级标注,脂肪层标注范围为皮肤回声界面与浅筋膜之间的低回声区域,肌肉层标注范围为深筋膜边界以内的中低回声区域;

11、将标注后的各超声图像及对应的标注标签输入所述分割模型,计算所述分割模型输出的分割结果与所述标注标签之间的交叉熵损失值和dice损失值,以所述交叉熵损失值与所述dice损失值之和作为联合损失值;

12、根据所述联合损失值反向传播更新所述分割模型的参数,训练过程中采用adam优化器并以余弦退火策略调整学习率;

13、当验证集的性能指标在连续预设轮次内未提升时停止训练,保存验证集性能最优的模型权重。

14、可选地,所述获取同一目标对象的多个预设解剖点位的超声图像以及各所述点位的肢体围度数据,采用固定装置同时同点位采集各所述点位的超声图像与肢体围度数据,所述固定装置集成有贴片探头固定结构与围度测量结构,所述贴片探头嵌入所述固定装置内,测量时所述固定装置环套于目标点位并调整至贴合皮肤。

15、可选地,所述预设解剖点位包括腹部脐上区域、腹部脐下区域、左大腿后侧区域、右大腿后侧区域、左上臂后侧区域和右上臂后侧区域的六个点位;

16、各点位的脂肪层厚度的计算方式包括:

17、基于所述分割掩码沿图像垂直方向遍历各像素列,检测各像素列中脂肪层区域的起始边界像素位置和终止边界像素位置;根据所述起始边界像素位置和所述终止边界像素位置计算各像素列中所述脂肪层区域的像素距离,取所有像素列的所述像素距离的平均值,将所述平均值乘以像素-物理尺寸转换系数,得到所述脂肪层厚度;

18、各点位的肌肉层厚度的计算方式包括:

19、基于所述分割掩码沿图像垂直方向遍历各像素列,检测各像素列中肌肉层区域的起始边界像素位置和终止边界像素位置;根据所述起始边界像素位置和所述终止边界像素位置计算各像素列中所述肌肉层区域的像素距离,取所有像素列的所述像素距离的平均值,将所述平均值乘以像素-物理尺寸转换系数,得到所述肌肉层厚度。

20、可选地,所述体脂率预测模型的输入特征还包括同一点位衍生特征,所述同一点位衍生特征包括局部脂肪占比、局部肌肉占比和肌脂比值中的至少一者;

21、其中,所述局部脂肪占比为该点位的脂肪层厚度与该点位的肢体围度的比值,所述局部肌肉占比为该点位的肌肉层厚度与该点位的肢体围度的比值,所述肌脂比值为该点位的肌肉层厚度与该点位的脂肪层厚度的比值。

22、可选地,所述体脂率预测模型为带交互项和l2正则化约束的多元线性回归模型;

23、所述体脂率预测模型通过最小化以下目标函数确定:

24、

25、其中,表示经过优化求解后确定下来的回归系数向量,表示使目标函数取得最小值时的取值,n为训练样本数,为第i个训练样本的体脂率金标准实测值,为回归截距项,为第j个输入特征对应的回归系数,为输入特征总数,为标准化后的第i个样本第j个输入特征,为正则化系数。

26、可选地,所述体脂率预测模型的输出表达式为:

27、

28、其中,为预测体脂率,为回归截距项,、、分别为第j个点位的脂肪层厚度、肌肉层厚度和肢体围度,下标j=1至6依次对应各预设解剖点位,、、、、、、、、均为回归系数,h和w分别为身高和体重。

29、第二方面,本技术提供一种基于超声人工智能技术的脂肪量化评估系统,包括:

30、图像采集模块,用于获取同一目标对象的多个预设解剖点位的超声图像以及各所述点位的肢体围度数据,所述超声图像经由贴片探头采集,所述贴片探头在采集过程中与皮肤表面保持恒定接触状态;

31、图像分割模块,用于将各所述点位的所述超声图像分别输入分割模型,由所述分割模型对各所述超声图像进行脂肪层与肌肉层的像素级分割,输出各所述超声图像对应的分割掩码,所述分割掩码标示出脂肪层区域和肌肉层区域;

32、厚度计算模块,用于根据各所述分割掩码分别计算各所述点位处的脂肪层厚度和肌肉层厚度;

33、预测模块,用于将各所述点位的所述脂肪层厚度、所述肌肉层厚度和所述肢体围度数据作为输入特征,输入体脂率预测模型,得到所述目标对象的体脂率预测值。

34、与现有技术相比,本技术的有益效果是:在采集过程中贴片探头与皮肤表面保持恒定接触状态,消除了传统手持超声探头因操作者按压力度差异导致的皮下脂肪层压缩变形问题,保证了超声图像采集的一致性和可重复性;通过分割模型对超声图像进行脂肪层与肌肉层的像素级分割并输出分割掩码,基于分割掩码精确计算各点位的脂肪层厚度和肌肉层厚度,实现了组织厚度的客观量化;同时,将各点位的脂肪层厚度、肌肉层厚度和肢体围度数据共同作为输入特征输入体脂率预测模型,使体脂率评估融合了皮下脂肪厚度、肌肉层厚度以及点位围度所反映的局部组织构成信息,弥补了单纯依赖皮下脂肪厚度评估体脂率时信息维度单一的不足,从而可以提高脂肪量化的准确性。