一种基于深度学习的超声心动图视图识别方法及系统技术方案

本发明专利技术属于医学图像识别技术领域，提供了一种基于深度学习的超声心动图视图识别方法及系统。其中，该方法包括获取超声心动图视图；将超声心动图视图输入至训练完成的超声心动图视图识别模型中，得到超声心动图视图类别识别结果；其中，所述超声心动图视图识别模型由StyleGAN与DenseNet101网络构成；所述StyleGAN仅应用在训练过程中，用于补充超声心动图视图训练数据；所述DenseNet101用于提取超声心动图视图特征，识别超声心动图视图类别。别。别。

【技术实现步骤摘要】
一种基于深度学习的超声心动图视图识别方法及系统


[0001]本专利技术属于医学图像识别
，尤其涉及一种基于深度学习的超声心动图视图识别方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]目前出如何正确、快速、最大程度的利用医学影像资料成为当今社会的一大热点。如今，机器学习技术发展逐渐成熟与完善。深度学习是机器学习研究的一个新领域，其动机在于人脑的建立和模拟，以分析和研究神经网络，模拟人脑机制来解释数据。因此近年来，越来越多的研究者开始关注医学图像处理中的模式识别、分类以及分割等处理技术。
[0004]在临床应用中，超声心动图是医生判断心脏病症的一个重要手段。超声心动图原始的影像资料中每个病人都包含多种不同的视图，如心脏长轴视图、心脏短轴视图、二尖瓣短轴视图等。专利技术人发现，由于超声心动图视图种类多，而现有的方法均是通过医生人为进行心脏超声视图识别，这样不仅增加了医生的工作量，而且还可能由于医生的经验不足而导致心脏超声视图识别不准确。
专利技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的超声心动图视图识别方法，其特征在于，包括：获取超声心动图视图；将超声心动图视图输入至训练完成的超声心动图视图识别模型中，得到超声心动图视图类别识别结果；其中，所述超声心动图视图识别模型由StyleGAN与DenseNet101网络构成；所述StyleGAN仅应用在训练过程中，用于补充超声心动图视图训练数据；所述DenseNet101用于提取超声心动图视图特征，识别超声心动图视图类别。2.如权利要求1所述的基于深度学习的超声心动图视图识别方法，其特征在于，所述StyleGAN包括Mapping network和Synthesis network两部分；Mapping network用于控制生成图像的风格；Synthesis network用于控制生成图像。3.如权利要求1所述的基于深度学习的超声心动图视图识别方法，其特征在于，所述DenseNet101网络包括Dense和过渡层两个模块；Dense模块负责层与层的稠密连接，实现对输入图片的特征提取和分析；过渡层则通过一个卷积层和一个池化层来降维。4.如权利要求1所述的基于深度学习的超声心动图视图识别方法，其特征在于，所述超声心动图视图的类别包括心尖二腔室、心尖三腔室、心尖四腔室、心尖五腔室、心脏长轴切面和乳头肌短轴切面的图像；或将超声心动图视图输入至超声心动图视图识别模型中之前还包括图像预处理，所述图像预处理包括随机翻转、随机裁剪和大小调整。5.一种基于深度学习的超声心动图视图识别系统，其特征在于，包括：视图获取模块，其用于获取超声心动图视图；视图类别识别模块，其用于将超声心动图视图输入至训练完成的超声心动图视图识别模型中，得到超声心动图视图类别识别结果；其中，所述超声心动图视图识别模型由Styl...

【专利技术属性】
技术研发人员：刘治，曹艳坤，杨美君，
申请(专利权)人：山东大学，
类型：发明
国别省市：