【技术实现步骤摘要】
一种基于卷积与长短期记忆神经网络的心肌病识别系统
本专利技术属于医学图像分析
，涉及一种基于卷积与长短期记忆神经网络的心肌病识别系统。
技术介绍
早期进行心房磁共振分析诊断时，临床医生主要依赖主观经验利用手动分割软件(例如：3Dslicer，ITK-SNAP等)对心脏各部分进行划分后进行相应的诊断。随着机器学习的普及，许多机器学习的方案也开始被运用于心脏诊断领域。譬如Khened等人除了病人的身高体重之外，还使用了从分割图中提取出来的9个特征，根据这些特征，他们训练了100棵树的随机森林分类器进行预测。Wolterink等人则提取了14个特征(包括12个从分割图中提取的和病人的身高体重)并使用了一个包含1000棵决策树的五级随机森林分类器进行分类。以上主要都是采用随机森林分类器的方法，但因为数据噪声比较大，模型泛化能力较弱，且对不同类型的图像数据，可能有不同的取值的属性的数据，而取值属性划分较多的属性会对该森林造成很大的影响。Cetin等人进而采用SVM进行分类，先采用半自动分割方法手动提取心脏结构轮廓并计算了567个...
【技术保护点】
1.一种基于卷积与长短期记忆神经网络的心肌病识别系统，其特征在于：所述系统包括心脏核磁图片预处理模块、神经网络架构模块、移动端模型MobileNet模块和含先验信息的分类损失函数模块；/n心脏核磁图片预处理模块与神经网络架构模块信号连接，神经网络架构模块一端与心脏核磁图片预处理模块信号连接，另一端与移动端模型MobileNet模块信号连接，分类损失函数模块与移动端模型MobileNet模块信号连接。/n
【技术特征摘要】
1.一种基于卷积与长短期记忆神经网络的心肌病识别系统，其特征在于：所述系统包括心脏核磁图片预处理模块、神经网络架构模块、移动端模型MobileNet模块和含先验信息的分类损失函数模块；
心脏核磁图片预处理模块与神经网络架构模块信号连接，神经网络架构模块一端与心脏核磁图片预处理模块信号连接，另一端与移动端模型MobileNet模块信号连接，分类损失函数模块与移动端模型MobileNet模块信号连接。
2.根据权利要求1所述的一种基于卷积与长短期记忆神经网络的心肌病识别系统，其特征在于：
所述心脏核磁图片预处理模块具体为：首先将心脏核磁图片导入网络框架，用shuffle函数将图片的样本顺序打乱，然后给定batch_size进行批处理数据用以训练，对于每一个batch_size，都会创建一个线程进行处理；对于病理分类的诊断依据来源于中间层面的图像信息，所以对图像数据进行压缩与重组后，通过固定中间层面这一维度的信息，提取每一4D图像的中间层面的特征，并将帧数的数目进行放缩使之与接下来网络输入层的通道数相匹配，以便提取出与网络结构相匹配的图像关键信息，在所有线程均结束后，就代表一个batch_size的数据已经处理完毕，即将其放入网络进行训练。
3.根据权利要求1所述的一种基于卷积与长短期记忆神经网络的心肌病识别系统，其特征在于：
所述神经网络架构模块具体为：在进行心脏病理分类训练任务时，神经网络架构模块包括两个部分：
第一部分是三维卷积神经网络3DCNN模型模块；
第二部分是卷积长短期记忆神经网络ConvLSTM变体模型模块，ConvLSTM变体模型与3DCNN模型信号连接；
第一部分的三维卷积神经网络3DCNN模型模块针对局部短期时空特征进行学习，根据网络的结构对输入的维度进行调整，然后代入神经网络模型进行运算，得到每个疾病的概率预测；
第二部分的卷积长短期记忆神经网络ConvLSTM变体模块针对长期的时空特征进行学习，根据训练集中给定的分类结果对概率预测进行评估，将评估的结果用以调整模型的参数；
第二部分卷积长短期记忆神经网络ConvLSTM变体模型内卷积层采用二维卷积，针对该网络模型，采用一种变体，即在输入特征和隐藏状态上执行全局平均池GlobalAveragePooling以替代卷积...
【专利技术属性】
技术研发人员：肖晶晶，叶骐玮，邢淑一，陈洪义，乔林波，
申请(专利权)人：中国人民解放军陆军军医大学第二附属医院，
类型：发明
国别省市：重庆;50
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。