基于深度学习及随机森林的心脏核磁图像识别方法、装置及设备、存储介质制造方法及图纸

本发明专利技术涉及图像识别领域，特别是一种基于深度学习及随机森林的心脏核磁图像识别方法、装置及设备、存储介质。所述方法包括利用傅里叶分析提取心脏核磁图像的感兴趣区域，分割心脏结构；改进二维卷积神经U

【技术实现步骤摘要】
基于深度学习及随机森林的心脏核磁图像识别方法、装置及设备、存储介质


[0001]本专利技术涉及图像识别领域，特别是一种基于深度学习及随机森林的心脏核磁图像识别方法、装置及设备、存储介质。

技术介绍

[0002]心力衰竭是一种发病率很高的严重疾病(在发达国家的成年人中约2％，在75岁以上的患者中超过8％)。大约3
‑
5％的住院病人与心力衰竭有关。心力衰竭是医疗保健专业人员在临床实践中入院的第一个原因。治疗费用非常高，在发达国家高达保健总费用的2％。建立有效的疾病管理策略需要对大量数据进行分析，及早发现疾病，评估严重程度并及早预测不良事件。这将抑制疾病的发展，提高患者的生活质量，并降低相关的医疗费用。

技术实现思路

[0003]本专利技术的目的在于提供一种基于深度学习及随机森林的心脏核磁图像识别方法、装置及设备、存储介质，能够有效降低心衰的误诊率，同时能够为医生的诊断提供可靠的参考依据并大大减少医生做重复工作的时间及病人等待诊断结果的时间。
[0004]为实现上述技术目的，达到上述技术效果，本专利技术提供了一种基于深度学习及随机森林的心脏核磁图像识别方法，所述心脏核磁图像识别方法包括，S11利用傅里叶分析提取心脏核磁图像的感兴趣区域，分割心脏结构；
[0005]S12改进二维卷积神经U
‑
Net网络，对心脏核磁图像的心脏结构进行分割获得分割特征；
[0006]S13将分割特征按照预设输入参数输入随机森林分类器识别正常或心衰。
[0007]进一步地，所述S11包括，
[0008]心脏核磁图像包括心脏结构和周围结构，所述周围机构包括肺、膈肌；通过傅里叶分析提取心脏核磁图像的一阶谐波图像，得到相应心跳频率下的最大活动，假设左心室近似于一个圆，对第一幅一阶谐波图像进行canny边缘检测；利用圆形Hough变换方法从边缘图中计算出左心室的近似半径和中心，确实左心室分割范围，通过感兴趣区域检测方法从周围结构中描绘出心脏结构。
[0009]进一步地，所述S11还包括，
[0010]通过按照1.4
×
1.4mm2间距重新采样二维图像切片校正体素大小的差异；
[0011]根据图像中强度的第5和第95百分位数，将每个心脏核磁图像归一化在[0.0,1.0]之间校正图像间的强度差异。
[0012]进一步地，所述S12还包括，
[0013]利用预训练模型MedicalNet进行迁移学习，为训练模型提供权重初始化功能。
[0014]进一步地，所述S12还包括，
[0015]在小物体的改进U
‑
Net网络情况下，通过汇集提取全局特征，通过阻塞反卷积路径
来维护小对象的空间信息，允许小对象特征进入跳过连接而不被池化移除；在大型物体的改进U
‑
Net网络情况下，跳跃连接中的特征信息仅限于边缘信息，避免低分辨率信息的重复。
[0016]进一步地，所述S12还包括，
[0017]采用了交叉熵损失函数和基于dice
‑
coefficient损失函数的加权组合训练网络，组合损失公式为：
[0018]total
‑
loss＝λ(cross
‑
entropy
‑
loss)+γ(1
‑
DICE)+L2
‑
loss
[0019]其中，λ和γ是靠经验分配权重，设γ＝0.75和λ＝0.25，函数中添加了10e
‑
4的L2权重衰减。
[0020]进一步地，所述S13步骤还包括，
[0021]提取自训练数据集分割结果属性用于训练随机森林分类器，所述分割结果属性包括，左心室的体积、左心室的射血分数、病人的短轴心脏全序列图像、长轴4腔心图像以及病人的年龄和性别；
[0022]将所述分割结果属性对应数据作为预设输入参数，输入到训练好的随机森林分类器。
[0023]作为本专利技术的又一方面，提供一种基于深度学习及随机森林的心脏核磁图像识别装置，所述心脏核磁图像识别装置包括，
[0024]数据预处理模块，用于利用傅里叶分析提取心脏核磁图像的感兴趣区域，分割心脏结构；
[0025]图像分割模块，用于改进二维卷积神经U
‑
Net网络，对心脏核磁图像的心脏结构进行分割获得分割特征；
[0026]特征识别模块，用于将分割特征按照预设输入参数输入随机森林分类器识别正常或心衰。
[0027]作为本专利技术的再一方面，提供一种心脏核磁图像识别设备，所述心脏核磁图像识别设备包括：存储器、处理器，通信总线以及存储在所述存储器上的基于深度学习及随机森林的心脏核磁图像识别程序，
[0028]所述通信总线用于实现处理器与存储器间的通信连接；
[0029]所述处理器用于执行所述基于深度学习及随机森林的心脏核磁图像识别程序，以实现如上述任一项所述的基于深度学习及随机森林的心脏核磁图像识别方法的步骤。
[0030]作为本专利技术的另一方面，提供一种存储介质，所述存储介质上存储有基于深度学习及随机森林的心脏核磁图像识别程序，所述基于深度学习及随机森林的心脏核磁图像识别程序被处理器执行时实现如上述任意一项所述基于深度学习及随机森林的心脏核磁图像识别方法的步骤。
[0031]本专利技术实施例至少部分实现了如下技术效果：
[0032]本专利技术通过该改进的二维卷积神经网络U
‑
Net实现在心脏核磁图像中对心脏自动分割，然后结合随机森林进行心衰诊断识别，克服了由于心脏核磁图像的多样性、复杂性给医生的诊断造成的困难；基于深度学习对心脏核磁图像的自动分类能够有效降低心衰的误诊率，同时能够为医生的诊断提供可靠的参考依据并大大减少医生做重复工作的时间及病人等待诊断结果的时间。
[0033]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、以及附图中所记载的结构来实现和获得。
[0034]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0035]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0036]图1为本专利技术一实施例基于基于深度学习及随机森林的心脏核磁图像识别方法的流程图；
[0037]图2为本专利技术一实施例改进二维卷积神经U
‑
Net网络结构示意图；
[0038]图3为本专利技术一实施例基于深度学习及随机森林的心脏核磁图像识别装置的示意图。
具体实施方式
[0039]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。
[0040]在一个实施例中，如图1所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述心脏核磁图像识别方法包括，S11利用傅里叶分析提取心脏核磁图像的感兴趣区域，分割心脏结构；S12改进二维卷积神经U
‑
Net网络，对心脏核磁图像的心脏结构进行分割获得分割特征；S13将分割特征按照预设输入参数输入随机森林分类器识别正常或心衰。2.如权利要求1所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S11包括，心脏核磁图像包括心脏结构和周围结构，所述周围机构包括肺、膈肌；通过傅里叶分析提取心脏核磁图像的一阶谐波图像，得到相应心跳频率下的最大活动，假设左心室近似于一个圆，对第一幅一阶谐波图像进行canny边缘检测；利用圆形Hough变换方法从边缘图中计算出左心室的近似半径和中心，确实左心室分割范围，通过感兴趣区域检测方法从周围结构中描绘出心脏结构。3.如权利要求2所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S11还包括，通过按照1.4
×
1.4mm2间距重新采样二维图像切片校正体素大小的差异；根据图像中强度的第5和第95百分位数，将每个心脏核磁图像归一化在[0.0,1.0]之间校正图像间的强度差异。4.如权利要求1所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S12还包括，利用预训练模型MedicalNet进行迁移学习，为训练模型提供权重初始化功能。5.如权利要求4所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S12还包括，在小物体的改进U
‑
Net网络情况下，通过汇集提取全局特征，通过阻塞反卷积路径来维护小对象的空间信息，允许小对象特征进入跳过连接而不被池化移除；在大型物体的改进U
‑
Net网络情况下，跳跃连接中的特征信息仅限于边缘信息，避免低分辨率信息的重复。6.如权利要求5所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S12还包括，采用了交叉熵损失函数和基于dice
‑

【专利技术属性】
技术研发人员：郝戍峰，李灯熬，赵菊敏，郑超，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：