一种纸质心电图分割模型构建和分割的方法、装置及系统制造方法及图纸

本发明专利技术公开了基于级联深度神经网络的纸质心电图分割模型构建和分割的方法、装置及系统，其模型构建方法包括：获取纸质心电图样本图像，进行矫正处理；对图像中的波形区域进行标定获得波形检测数据集；根据标定的波形区域制作波形标签获得波形分割数据集；基于波形检测数据集构建波形检测深度神经网络；基于波形分割数据集得构建波形分割深度神经网络；将波形检测深度神经网络和波形分割深度神经网络进行级联获得心电图分割模型。本发明专利技术实现对不同场景下快速且精准的端到端分割出波形曲线，可以为波形曲线的准确数字化提供高质量数据。可以为波形曲线的准确数字化提供高质量数据。可以为波形曲线的准确数字化提供高质量数据。

【技术实现步骤摘要】
一种纸质心电图分割模型构建和分割的方法、装置及系统


[0001]本专利技术涉及图像分割
，尤其涉及一种基于级联深度神经网络的纸质心电图分割模型构建和分割的方法、装置及系统。

技术介绍

[0002]心电图是医疗机构对心脏疾病进行监测的主要手段，因而被广泛应用于诊断、治疗和预后分析任务中。目前，纸质心电图是最常见的存储方式。然而，由于纸质心电图存档不易保存、字迹易消退、纸张易破碎等因素，多数纸质心电图都有不同程度的破损。结合纸质心电图能够建立丰富的病例数据库，这有助于研究人员进行科研分析、提升医学院校的教学质量、增加临床医生的诊断经验及支持远程诊断等。因此纸质心电图数字化信息提取成为了一个亟需解决的问题。
[0003]纸质心电图中包含有很多信息。例如，患者信息、心电波形曲线、背景坐标网格等。纸质心电图数字化信息提取是指通过一系列的处理将存储于纸上的波形数据转换为心电信号。
[0004]为了实现一种对纸质心电图数字化信息的提取，一些研究人员结合传统图像分割算法对纸质心电图像进行预处理，然后再结合预处理的结果对心电波形进行分割。但是这些方法还是存在以下缺陷：
[0005](1)对原始的纸质心电图像要求较高。当图像背景过于复杂时会对分割结果产生很大的影响；
[0006](2)在处理过程中，这些方法很难保证曲线的完整性和连贯性，甚至一些方法不能得到准确的分割结果；
[0007](3)这些方法使用了多个步骤逐步对图像进行处理，使得整体流程较长，进而导致算法的复杂度相对较高，难以实现快速的端到端分割。

技术实现思路

[0008]为解决
技术介绍
中存在的技术问题，本专利技术提出一种基于级联深度神经网络的纸质心电图分割模型构建和分割的方法、装置及系统，实现对不同场景下快速且精准的端到端分割出波形曲线，可以为波形曲线的准确数字化提供高质量数据。
[0009]本专利技术提出一种基于级联深度神经网络的纸质心电图分割模型构建方法，包括：
[0010]S1：获取纸质心电图样本图像，进行矫正处理；
[0011]S2：对矫正后的纸质心电图样本图像中的波形区域进行标定获得波形检测数据集；
[0012]S3：根据标定的波形区域制作波形标签获得波形分割数据集；
[0013]S4：构建用于波形检测的初始深度神经网络，基于波形检测数据集对其进行训练优化获得波形检测深度神经网络；
[0014]S5：构建用于波形分割的初始深度神经网络，基于波形分割数据集对其进行训练
优化获得波形分割深度神经网络；
[0015]S6：将波形检测深度神经网络和波形分割深度神经网络进行级联获得心电图分割模型。
[0016]优选地，所述步骤S4具体包括：
[0017]S41：对波形检测数据集进行预处理；所述波形检测数据集包括波形区域标定坐标数据和波形区域图像数据；
[0018]S42：以波形区域图像为输入，以波形区域预测坐标和预测概率作为输出，构建用于波形检测的初始深度神经网络A；
[0019]S43：对用于波形检测的初始深度神经网络A进行权重初始化；
[0020]S44：设定对深度神经网络A调参的损失函数和深度学习的优化算法；
[0021]S45：结合波形检测数据集、损失函数和优化算法对深度神经网络A进行迭代训练，获得波形检测深度神经网络。
[0022]优选地，所述步骤S41具体包括：
[0023]S411：对波形区域图像的长宽进行扭曲并用灰色像素值填充图像四个边界；
[0024]S412：判断是否符合翻转图像条件，若是，则翻转所述波形区域图像；
[0025]S413：对所述波形区域图像的色域进行调整。
[0026]优选地，所述步骤S43具体包括：采用均值为0、方差为1的正态分布随机初始化深度神经网络A中的参数。
[0027]优选地，所述步骤S44具体包括：
[0028]设定损失函数为：其中：m表示纸质心电图样本图像的数量，α和γ分别表示权重参数。P
i
表示预测概率；
[0029]设定深度学习的优化算法为Adam优化算法。
[0030]优选地，所述步骤S45具体包括：
[0031]S451：通过前向传播算法提取波形区域图像特征，获得波形区域预测坐标；
[0032]S452：通过损失函数LF
detection
求得波形区域预测坐标和波形区域标定坐标之间的损失值；
[0033]S453：结合基于链式求导法则的反向传播算法和Adam优化算法来对深度神经网络A中的权重参数W
A
进行梯度更新；
[0034]S454：重复步骤S451
‑
S453，直至深度神经网络A收敛；
[0035]S455：记录损失值在权重参数W
A
更新的过程中的变化曲线，当损失值达到预设阈值时保存相应的权重参数W
A
，获得波形检测深度神经网络。
[0036]优选地，所述步骤S45之后还包括：根据波形检测深度神经网络输出波形区域预测坐标设进行后处理操作，其具体包括：
[0037]基于逐步长对比的思路设计微调算法；
[0038]通过微调算法来优化波形检测深度神经网络输出波形区域预测坐标；
[0039]根据优化后的波形区域预测坐标从纸质心电图样本图像中获得精确的波形区域。
[0040]优选地，所述步骤S5具体包括：
[0041]S51：对波形分割数据集进行预处理；所述波形分割数据集包括波形标签和波形区域图像数据；所述预处理具体包括：将纸质心电图样本图像裁减成多个大小相同的正方形
图像块；
[0042]S52：以图像块为输入，以波形分割结果作为输出，构建用于波形分割的初始深度神经网络B；
[0043]S53：对深度神经网络B进行权重初始化；
[0044]S54：设定深度神经网络B调参的损失函数和深度学习的优化算法；
[0045]S55：结合波形分割数据集、损失函数和优化算法对深度神经网络B进行迭代训练，获得波形分割深度神经网络。
[0046]优选地，所述步骤S53具体包括：采用均值为0、方差为1的正态分布随机初始化深度神经网络B中的参数。
[0047]优选地，所述步骤S54具体包括：
[0048]设定损失函数为：其中：m表示纸质心电图样本图像的数量，T
i
表示波形标签，Q
i
表示分割结果；
[0049]设定深度学习的优化算法为Adam优化算法。
[0050]优选地，所述步骤S55具体包括：
[0051]S551：通过前向传播算法提取图像块特征，获得波形分割结果；
[0052]S552：通过损失函数LF
seg
求得波形标签和波形分割结果之间的损失值；
[0053]S553：结合基于链式求导法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于级联深度神经网络的纸质心电图分割模型构建方法，其特征在于，包括：S1：获取纸质心电图样本图像，进行矫正处理；S2：对矫正后的纸质心电图样本图像中的波形区域进行标定获得波形检测数据集；S3：根据标定的波形区域制作波形标签获得波形分割数据集；S4：构建用于波形检测的初始深度神经网络，基于波形检测数据集对其进行训练优化获得波形检测深度神经网络；S5：构建用于波形分割的初始深度神经网络，基于波形分割数据集对其进行训练优化获得波形分割深度神经网络；S6：将波形检测深度神经网络和波形分割深度神经网络进行级联获得心电图分割模型。2.根据权利要求1所述的纸质心电图分割模型构建方法，其特征在于，所述步骤S4具体包括：S41：对波形检测数据集进行预处理；所述波形检测数据集包括波形区域标定坐标数据和波形区域图像数据；S42：以波形区域图像为输入，以波形区域预测坐标和预测概率作为输出，构建用于波形检测的初始深度神经网络A；S43：对用于波形检测的初始深度神经网络A进行权重初始化；S44：设定对深度神经网络A调参的损失函数和深度学习的优化算法；S45：结合波形检测数据集、损失函数和优化算法对深度神经网络A进行迭代训练，获得波形检测深度神经网络。3.根据权利要求2所述的纸质心电图分割模型构建方法，其特征在于，所述步骤S41具体包括：S411：对波形区域图像的长宽进行扭曲并用灰色像素值填充图像四个边界；S412：判断是否符合翻转图像条件，若是，则翻转所述波形区域图像；S413：对所述波形区域图像的色域进行调整。4.根据权利要求2所述的纸质心电图分割模型构建方法，其特征在于，所述步骤S43具体包括：采用均值为0、方差为1的正态分布随机初始化深度神经网络A中的参数。5.根据权利要求2所述的纸质心电图分割模型构建方法，其特征在于，所述步骤S44具体包括：设定损失函数为：其中：m表示纸质心电图样本图像的数量，α和γ分别表示权重参数。P
i
表示预测概率；设定深度学习的优化算法为Adam优化算法。6.根据权利要求2所述的纸质心电图分割模型构建方法，其特征在于，所述步骤S45具体包括：S451：通过前向传播算法提取波形区域图像特征，获得波形区域预测坐标；S452：通过损失函数LF
detection
求得波形区域预测坐标和波形区域标定坐标之间的损失值；S453：结合基于链式求导法则的反向传播算法和Adam优化算法来对深度神经网络A中
的权重参数W
A
进行梯度更新；S454：重复步骤S451
‑
S453，直至深度神经网络A收敛；S455：记录损失值在权重参数W
A
更新的过程中的变化曲线，当损失值达到预设阈值时保存相应的权重参数W
A
，获得波形检测深度神经网络。7.根据权利要求2所述的纸质心电图分割模型构建方法，其特征在于，所述步骤S45之后还包括：根据波形检测深度神经网络输出波形区域预测坐标设进行后处理操作，其具体包括：基于逐步长对比的思路设计微调算法；通过微调算法来优化波形检测深度神经网络输出波形区域预测坐标；根据优化后的波形区域预测坐标从纸质心电图样本图像中获得精确的波形区域。8.根据权利要求1所述的纸质心电图分割模型构建方法，其特征在于，所述步骤S5具体包括：S51：对波形分割数据集进行预处理；所述波形分割数据集包括波形标签和波形区域图像数据；所述预处理具体包括：将纸质心电图样本图像裁减成多个大小相同的正方形图像块；S52：以图像块为输入，以波形分割结果作为输出，构建用于波形分割的初始深度神经网络B；S53：对深度神经网络B进行权重初始化；S54：设定深度神经网络B调参的损失函数和深度学习的优化算法；S55：结合波形...

【专利技术属性】
技术研发人员：章德云，洪申达，耿世佳，魏国栋，王凯，俞杰，傅兆吉，
申请(专利权)人：安徽心之声医疗科技有限公司，
类型：发明
国别省市：