【技术实现步骤摘要】
基于卷积神经网络的心脏病变自动检测系统
本专利技术涉及心脏病变检测装置
，尤其是一种基于卷积神经网络的心脏病变自动检测系统。
技术介绍
冠状动脉疾病是一种严重危害人体健康的疾病，它具有高死亡率、高残疾率、高发病率，即使现在医疗水平有所提高，冠状动脉疾病依旧会给患者带来很大的创伤，每年全球约有1500万的人死于这种疾病，位居各种死因首位；目前，利用冠状动脉造影成像技术是进行心脏冠状动脉检查及诊断的主要方法，然而对造影成像图片的分析需要大量的专业医疗人员，对他们的医疗经验，职业素质也具有较高的要求；与此同时，再专业的医师也可能会忽略掉某些细节信息，而且造影图片还会受到拍摄环境、设备状态等非人为因素的影响，此外造影图片还会出现复杂的结构如组织重叠、病理多变；若要对患者的病变情况做出完全无误的诊断还存在一定的难度；为了提高医务人员的诊断准确率，现有技术中，提供了一套智能辅助诊断系统。使用深度学习模型，配合系统输出结果给医生提供诊断帮助，例如：公开号为CN109360646A的专利技术，专利技术名称为：基于人工智...
【技术保护点】
1.基于卷积神经网络的心脏病变自动检测系统，其特征在于，包括：数据库、病变信息处理模块、关键帧提取模块、数据清洗模块、信息融合及存储模块、卷积神经网络学习模块、模型存储及筛选模块以及病变检测模块；/n创建所述数据库：从服务器获取医院上传的心脏冠状动脉钙化、完全闭塞及血栓患者的造影dicom视频，并由专业医生进行手工标注，对每个患者分别使用专用的文本文档记录医生的标注信息，所述标注信息包括：患者的病变类型以及病变的位置信息；/n所述病变信息处理模块用于：/n从所述数据库获取记录患者病变信息的文本文档；/n针对每位患者，提取其所述文本文档中专业医生标注的所述标注信息；/n完成对...
【技术特征摘要】
1.基于卷积神经网络的心脏病变自动检测系统，其特征在于，包括：数据库、病变信息处理模块、关键帧提取模块、数据清洗模块、信息融合及存储模块、卷积神经网络学习模块、模型存储及筛选模块以及病变检测模块；
创建所述数据库：从服务器获取医院上传的心脏冠状动脉钙化、完全闭塞及血栓患者的造影dicom视频，并由专业医生进行手工标注，对每个患者分别使用专用的文本文档记录医生的标注信息，所述标注信息包括：患者的病变类型以及病变的位置信息；
所述病变信息处理模块用于：
从所述数据库获取记录患者病变信息的文本文档；
针对每位患者，提取其所述文本文档中专业医生标注的所述标注信息；
完成对所有患者信息的统一管理，对所有患者的信息进行统一保存，使得患者病历号对应患者的病变信息；
将整理后的所有患者的所述病变信息输入到所述信息融合及存储模块；
所述关键帧提取模块包括：
为了充分展现每种病变的特征，需要在每位患者的dicom视频中选取对病变特征展现最明显的一帧，即关键帧造影图片，因此关键帧提取模块具有重要的意义，所述关键帧提取模块工作标准流程为：
根据医生对每种病变的诊断经验，提出并制定了病变充分显现准则；钙化病变在造影未充盈前具有最好的显现效果，血栓及完全闭塞病变在造影剂充分充盈时具有最好的显现效果；
从所述数据库获取所有患者的dicom造影视频；
对dicom视频进行造影图片的提取；根据病变显现准则，对每位患者的dicom视频进行关键帧提取，每位患者主要提取造影剂最充盈以及未充盈两帧；
将所有患者的关键帧造影图片统一输入到所述数据清洗模块，完成对关键帧造影图片的过滤工作；
考虑到病变数据集中会存在大量的低质量数据，特别是造影图片中可能会存在部分患者进行导丝导通治疗后的数据；这样的数据会破坏病变原有的特征，给网络学习造成巨大的挑战；因此，为了提高系统的检测性能，本发明首次使用卷积神经网络实现了一个数据清洗模块；
所述数据清洗模块的工作标准流程包括：
使用输入的有、无导丝的关键帧造影图片，对有、无导丝这两类图片的特征进行提取与学习，以降低判断损失函数为目标，不断调整网络参数，使在所述数据清洗模块训练得到的有无导丝的分类模型最终输出的判断有、无导丝的结果更加准确，之后使用训练与测试效果均较好的网络模型便可实现对造影图片中有、无导丝的自动检测，再剔除数据集中被判断为有导丝的患者关键帧造影图片，便可以在不存在任何额外开销的情况下，实现数据清洗的功能，输出高质量检测造影图片；
所述数据清洗模块设置有语义融合处理层，也是本发明极具创新性的部分；本发明在所述语义融合处理层利用不同尺寸的池化层来获取不同大小的特征图，池化层尺寸不同便会在原有输入的特征图中采集不同的局部特征，这些局部特征彼此之间具有不同的语义信息；为了融合来自不同层特征图的语义信息，提高特征信息的利用率，本模块使用上采样技术将每层特征统一到相同尺寸后完成聚合操作，这样获得的特征图相比于其他普通特征图具有更加丰富的语义信息，这也是本发明之所以具有较高准确率的重要原因之一；
本模块具有较少的参数存储量，计算量小，对图片有无导丝的分类速度极快，在保证全自动输出高质量造影图片的同时，也可以很好地兼顾系统实时性，这也是本发明的突出优势所在；经过本模块后，被判定为有导丝的患者造影图片便被自动清除，不再参与系统的学习与检测过程，剩余的高质量造影图片则可以顺利的进入接下来的信息融合及存储模块；
所述信息融合及存储模块用于：
获取所述病变信息处理模块输出的每位患者的病变信息以及所述数据清洗模块输出的每位患者经过过滤后的两张关键帧造影图片；
每名患者保留一张造影图片；
将患者病变信息与关键帧提取模块输出的造影图片进行匹配，根据患者的病变种类信息舍弃该名患者的其中一张造影图片；舍弃准则为：若为钙化，则舍弃最充盈帧的造影图片；若为血栓及完全闭塞，则舍弃未充盈帧的造影图片；
制作测试集；
随机选取一少部分患者，并将其病变信息可视化于对应的关键帧造影图片，方便为后续的系统检测结果作对比，并将此部分患者的关键帧造影图片和病变信息共同作为测试集进行存储；
制作训练集；将未参与测试集的剩余患者的关键帧造影图片的ID信息同步到对应的病变信息中，完成患者病变信息与关键帧造影图片的匹配工作；将这部分患者的病变信息以及关键帧造影图片共同作为训练集进行存储；
将所述训练集输入进所述卷积神经网络学习模块，将所述测试集输入进所述模型存储及筛选模块；
所述卷积神经网络学习模块是本系统最核心的部分，通过所述卷积神经网络对输入数据的特征进行学习来获得泛化能力强、检测准确度高的模型；
所述卷积神经网络学习模块搭建结构包括：
残差单元学习结构：为了提高卷积神经网络对病变特征的提取精度，通常的想法就是增加卷积神经网络的深度，但这样便不可避免的存在信息丢失及损耗的现象，伴随而来的还有梯度丢失以及梯度爆炸的难题，反而不能让卷积神经网络学到很多有用信息，从而降低卷积神经网络的学习效果；为了解决这个矛盾，本发明使用了一种残差单元学习结构，在所述卷积神经网络学习模块的卷积神经网络中添加直接连通的通道；
所述残差单元学习结构包括：1*1第一卷积层、第一批处理层、第一非线性激活层、3*3卷积层、第二批处理层、第二非线性激活层、1*1第二卷积层、第三批处理层、1*1第三卷积层、第四批处理层以及第三非线性激活层；
通过堆叠这种残差单元学习结构可以在增加所述卷积神经网络深度的同时，不...
【专利技术属性】
技术研发人员：陈爽，李田昌，汤洋，张洪刚，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11
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。