【技术实现步骤摘要】
左心室磁共振影像智能分类方法、装置、设备和介质
本公开涉及图像处理
，具体涉及医疗图像处理领域，尤其涉及一种左心室磁共振影像智能分类方法、装置、设备和介质。
技术介绍
随着深度学习技术的快速发展，医学影像处理有望提供低成本，高效，准确的辅助医疗手段。在心脏疾病领域，心脏磁共振凭借其高分辨率，高软组织对比度以及多序列成像的优势，成为心肌病分类的重要标准。相关技术中，通常需要对核磁影像进行分割，心功能指标提取等复杂流程。然而，在整个流程中，需要大量的人工操作，导致效率较低，引入误差，准确率偏低，亟待解决。
技术实现思路
鉴于现有技术中的上述缺陷或不足，期望提供一种左心室磁共振影像智能分类方法、装置、设备和介质，解决了相关技术中在整个流程中，需要大量的人工操作，导致效率较低，引入误差，准确率偏低的问题，充分利用了多序列核磁影像数据和临床数据共同作出分类预测，结果更加可靠精确，通过直接使用端到端的分类预测，不需要复杂的后处理流程，不存在累计误差，大大提高了鲁棒性。第一方面，本申请实施...
【技术保护点】
1.一种左心室磁共振影像智能分类方法，其特征在于，该方法包括：/n获取检测对象的第一数据和第二数据，并获取所述第一数据对应的第一词嵌入向量和所述第二数据对应的第二词嵌入向量，所述第一数据是所述检测对象的症状信息，所述第二数据是所述检测对象的病史信息；/n获取所述检测对象的第三数据，将所述第三数据拼接成数值特征向量，所述第三数据是所述检测对象的生理数值特征；/n获取所述检测对象的心脏磁共振影像，提取所述心脏共振影像中的短轴视频和长轴视频；/n对所述短轴视频和所述长轴视频进行预处理，得到目标视频数据；/n将所述第一词嵌入向量、所述第二词嵌入向量和所述数值特征向量输入至第一特征分...
【技术特征摘要】
1.一种左心室磁共振影像智能分类方法，其特征在于，该方法包括：
获取检测对象的第一数据和第二数据，并获取所述第一数据对应的第一词嵌入向量和所述第二数据对应的第二词嵌入向量，所述第一数据是所述检测对象的症状信息，所述第二数据是所述检测对象的病史信息；
获取所述检测对象的第三数据，将所述第三数据拼接成数值特征向量，所述第三数据是所述检测对象的生理数值特征；
获取所述检测对象的心脏磁共振影像，提取所述心脏共振影像中的短轴视频和长轴视频；
对所述短轴视频和所述长轴视频进行预处理，得到目标视频数据；
将所述第一词嵌入向量、所述第二词嵌入向量和所述数值特征向量输入至第一特征分析模型，得到第一特征分析结果，将所述目标视频数据输入至第二特征分析模型，得到第二特征分析结果；
对所述第一特征分析结果和所述第二特征分析结果进行拼接，得到第三特征分析结果；
将所述第三特征分析结果输入至第三特征分析模型，得到所述检测对象的左心室图像的分类概率值。
2.根据权利要求1所述的左心室磁共振影像智能分类方法，其特征在于，所述获取检测对象的第一数据和第二数据，并获取所述第一数据对应的第一词嵌入向量和所述第二数据对应的第二词嵌入向量，包括：
将所述第一数据输入至第一词嵌入向量矩阵，获取所述第一词嵌入向量；
将所述第二数据输入至第二词嵌入向量矩阵，获取所述第二词嵌入向量；
其中，所述第一词嵌入向量矩阵和所述第二词嵌入向量矩阵通过word2vec方法训练获得。
3.根据权利要求1所述的左心室磁共振影像智能分类方法，其特征在于，所述长轴视频包括长轴2腔切面视频、长轴3腔切面视频和长轴4腔切面视频中的至少一个，对所述短轴视频和所述长轴视频进行预处理，得到目标视频数据，包括：
将每个所述短轴视频和/或所述长轴视频调整为包含预设帧数的至少一个第一图像集合；
对每个所述第一图像集合中的每帧图像的分辨率进行调整，得到符合预设分辨率的至少一个第二图像集合；
将所述至少一个第二图像组合成5维数组，得到所述目标视频数据，所述5维数组的结构为视频编号、所属帧数、横像素坐标、纵像素坐标、图像通道，其中，所述图像通道的灰度值均为1。
4.根据权利要求1所述的左心室磁共振影像智能分类方法，其特征在于，所述第一特征分析模型包括串联连接的一个1维特征拼接层、三个1维残差卷积层和1维全局池化层。
5.根据权利要求1所述的左心室磁共振影像智能分类方法，其特征在于，所述第二特征分析模型包括：位置编码层、三个3维卷积池化层、三个自注意力层、拼接层和3维全局池化层；
其中，三个3维卷积池化层串联连接，第一个所述自注意力层的输入端与第一个所述3维卷积池化层的输出端相连，第二个所述自注意力层的输入...
【专利技术属性】
技术研发人员：何昆仑，李宗任，程流泉，李瑶，张恒，王文君，张培芳，
申请(专利权)人：中国人民解放军总医院，北京安德医智科技有限公司，
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。