【技术实现步骤摘要】
本专利技术涉及磁共振主动脉瓣病理检测，具体为一种电影磁共振主动脉瓣病理的自动检测方法。
技术介绍
1、主动脉瓣疾病(avd)是最常见的心血管疾病之一，其最常见的症状表现有：主动脉瓣狭窄(as)-主动脉瓣变窄，导致主动脉瓣横截面积减小，收缩期间血流速度增加；主动脉瓣反流(ar)-主动脉瓣渗漏，导致血液在舒张期间倒流到左心室；混合瓣膜疾病(mvd)-同时出现ar和as；磁共振(mri)评估avd通常依赖于使用2d心脏门控相差(pc)mri获得的血流速度估计值，该技术可以提供垂直于主动脉瓣的血流速度图；电影磁共振成像是最常用的心脏磁共振(cmr)序列，它能提供有关心脏功能、解剖结构和血流的宝贵信息。电影mri通常采用2d bssfp(balanced stead-state free precession)读数，切片较厚(8-10mm厚度)，每个切片在一次呼吸中获取，并且通常对心动周期的20个或更多心动时相进行门控成像。单切片通常以4腔，2腔和3腔(也称为左心室流出)方向获得，以及用于完全覆盖心室的短轴切片堆叠，b ssfp图像的t2/t1比率相对较高，并且由于其大多数梯度固有的一阶速度补偿，bssfp图像对血流相对不敏感，因此在bssfp图像中，血液通常是明亮的。然而，湍流或高血流速度会导致连续射频脉冲之间的相位相干性丧失，在血池中产生黑暗区域。可以利用这些血流空隙区域来帮助诊断血流病理，为此本申请现提出一种电影磁共振主动脉瓣病理的自动检测方法。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种电影磁共振主动脉瓣病理的自动检测方法，具备使用多二进制标签，自动检测三腔cine cmr中的主动脉瓣病变的优点，解决了现有评估依赖于主观视觉评估，或者依赖于专家手动注释的机器学习方法的问题。
3、(二)技术方案
4、为实现上述目的，本专利技术提供如下技术方案：一种电影磁共振主动脉瓣病理的自动检测方法，包括图像数据、自适应心脏提取、分类神经网络、实验设置和性能标准、grad-cam；
5、具体步骤如下：
6、s1、输入200例患者的病例样本和临床信息；
7、s2、统计分析结果和特征选择，以帮助确定在所提出的深度学习模型中实现最大化性能的最重要标记；
8、s3、构造为一个带有卷积神经网络(cnn)的深度学习网络模型用于回归和分类(图1d)。采用两个卷积层，每一层分别进行批归一化(bn)和校正线性联合(relu)，提取每个lvef类别的患者临床标记物中被污染的特征，两个连续卷积层的核大小分别为(1、3)和(1、2)，分别有32个滤波器和64个滤波器；
9、s4、模型的开发包括训练和预测阶段：
10、a.在训练阶段，两个模型都被训练了300个时代，小批量大小为64。选择自适应矩估计(adam)作为优化器，学习率为0.001，正则化率为0.0001，衰减率为0.90。
11、b.在预测阶段，采用了一种留二方案，即在每次训练迭代中都保留每个受试者作为测试对象。
12、优选的，所述图像数据：使用n＝576张单层bssfp 3腔电影mr图像，图像分辨率为1.17-1.56×1.17-1.56mm3，帧数为22±10(范围：12-32)，利用来自临床记录的信息，将每个图像标记为四个不同的类别(无病理、ar、as、mvd)，然后对图像进行以下处理：
13、在3腔mri帧中自适应心脏提取；
14、将图像分为2或4类；
15、使用梯度加权类激活映射。
16、优选的，所述自适应心脏提出一种启发式算法，以自动识别所有电影mri帧中的心脏结构，基于心脏是跨心动周期移动的最大图像结构的假设。该算法首先计算心脏收缩期早期和收缩期晚期的绝对差值；然后采用canny边缘检测器(σ＝2.0)对差分图像进行边缘检测，并以2像素半径的菱形结构元素对差分图像进行形态学膨胀；将扩张边缘图像中最大的连通区域识别为心脏，并在其周围绘制一个紧密的边界框，为了将准备用于分类模型的图像标准化，需要进行两个后处理步骤，将提取的区域重新采样到1×1mm的空间分辨率，对图像进行零填充或进一步裁剪，使图像大小一致为224×224×d(d：原始帧数)。
17、优选的，所述分类神经网络基于库中可用的原型的3d densenet模型用于对2d+时间电影mr图像进行分类。模型有4个由过渡层分隔的相同稠密块。稠密块通过连接五个连续卷积操作的输出来提取给定大小的图像特征。它们由过渡层分开，过渡层在将每个密集块输出的特征传递给下一个块之前，对它们进行组合和下采样，在最终的密集块之后，使用n类softmax层实现自适应平均池化层来执行分类；
18、在分类之前，执行z-score归一化和“非飞行”数据增强，使用数据增强技术，如旋转，对比度和偏置场调整，以尽量减少过拟合，每个增广单独应用的概率为0.2，为了应对帧数的变化，输入区域内插深度为30，以同步所有输入尺寸为224×224×30。
19、优选的，所述实验设置和性能标准：在1个geforce rtx6000图形处理单元上训练cnn大约11个小时，使用adam(学习率：0.0001)优化cnn，并以2为批大小训练它500次。焦点损失函数同时用于2类和4类分类，焦点损失函数预计对分类任务中的不平衡标签具有更强的鲁棒性，在测试数据上评估该方法的分类性能，包括：准确率、f1分数、精度和受试者工作特征曲线下面积(roc auc)，数据根据类别标签分层随机分为训练集、验证集和测试集。
20、优选的，所述grad-cam：分类后，使用grad-cam热图来可视化特定卷积层上目标类的梯度，热图通常使用来自深层的梯度来计算，我们使用最后过渡层的最后一个卷积层来生成热图，使用开源库，返回的热图被归一化为0和1之间的范围，并重新缩放为224×224×30以匹配分类器输入大小。
21、与现有技术相比，本专利技术提供了一种电影磁共振主动脉瓣病理的自动检测方法，具备以下有益效果：
22、1、该电影磁共振主动脉瓣病理的自动检测方法，该电影磁共振主动脉瓣病理的自动检测方法，先输入200例患者的病例样本和临床信息，统计分析结果和特征选择，以帮助确定在所提出的深度学习模型中实现最大化性能的最重要标记，构造为一个带有卷积神经网络(cnn)的深度学习网络模型用于回归和分类(图1d)。采用两个卷积层，每一层分别进行批归一化(bn)和校正线性联合(relu)，提取每个lvef类别的患者临床标记物中被污染的特征，两个连续卷积层的核大小分别为(1、3)和(1、2)，分别有32个滤波器和64个滤波器，模型的开发包括训练和预测阶段：
23、在训练阶段，两个模型都被训练了300个时代，小批量大小为64。选择自适应矩估计(adam)作为优化器，学习率为0.001，正则化率为0.0001，衰减率为0.90。
24、在预本文档来自技高网...
【技术保护点】
1.一种电影磁共振主动脉瓣病理的自动检测方法，其特征在于：包括图像数据、自适应心脏提取、分类神经网络、实验设置和性能标准、Grad-CAM；
2.根据权利要求1所述的一种电影磁共振主动脉瓣病理的自动检测方法，其特征在于：所述图像数据：使用N＝576张单层bSSFP 3腔电影MR图像，图像分辨率为1.17-1.56×1.17-1.56mm3，帧数为22±10(范围：12-32)，利用来自临床记录的信息，将每个图像标记为四个不同的类别(无病理、AR、AS、MVD)，然后对图像进行以下处理：
3.根据权利要求1所述的一种电影磁共振主动脉瓣病理的自动检测方法，其特征在于：所述自适应心脏提出一种启发式算法，以自动识别所有电影MRI帧中的心脏结构，基于心脏是跨心动周期移动的最大图像结构的假设。该算法首先计算心脏收缩期早期和收缩期晚期的绝对差值；然后采用Canny边缘检测器(σ＝2.0)对差分图像进行边缘检测，并以2像素半径的菱形结构元素对差分图像进行形态学膨胀；将扩张边缘图像中最大的连通区域识别为心脏，并在其周围绘制一个紧密的边界框，为了将准备用于分类模型的图像标准化
4.根据权利要求1所述的一种电影磁共振主动脉瓣病理的自动检测方法，其特征在于：所述分类神经网络基于库中可用的原型的3D DenseNet模型用于对2D+时间电影MR图像进行分类。模型有4个由过渡层分隔的相同稠密块。稠密块通过连接五个连续卷积操作的输出来提取给定大小的图像特征。它们由过渡层分开，过渡层在将每个密集块输出的特征传递给下一个块之前，对它们进行组合和下采样，在最终的密集块之后，使用n类softmax层实现自适应平均池化层来执行分类；
5.根据权利要求1所述的一种电影磁共振主动脉瓣病理的自动检测方法，其特征在于：所述实验设置和性能标准：在1个GeForce RTX6000图形处理单元上训练CNN大约11个小时，使用Adam(学习率：0.0001)优化CNN，并以2为批大小训练它500次。焦点损失函数同时用于2类和4类分类，焦点损失函数预计对分类任务中的不平衡标签具有更强的鲁棒性，在测试数据上评估该方法的分类性能，包括：准确率、F1分数、精度和受试者工作特征曲线下面积(ROC AUC)，数据根据类别标签分层随机分为训练集、验证集和测试集。
6.根据权利要求1所述的一种电影磁共振主动脉瓣病理的自动检测方法，其特征在于：所述Grad-CAM：分类后，使用Grad-CAM热图来可视化特定卷积层上目标类的梯度，热图通常使用来自深层的梯度来计算，我们使用最后过渡层的最后一个卷积层来生成热图，使用开源库，返回的热图被归一化为0和1之间的范围，并重新缩放为224×224×30以匹配分类器输入大小。
...【技术特征摘要】
1.一种电影磁共振主动脉瓣病理的自动检测方法，其特征在于：包括图像数据、自适应心脏提取、分类神经网络、实验设置和性能标准、grad-cam；
2.根据权利要求1所述的一种电影磁共振主动脉瓣病理的自动检测方法，其特征在于：所述图像数据：使用n＝576张单层bssfp 3腔电影mr图像，图像分辨率为1.17-1.56×1.17-1.56mm3，帧数为22±10(范围：12-32)，利用来自临床记录的信息，将每个图像标记为四个不同的类别(无病理、ar、as、mvd)，然后对图像进行以下处理：
3.根据权利要求1所述的一种电影磁共振主动脉瓣病理的自动检测方法，其特征在于：所述自适应心脏提出一种启发式算法，以自动识别所有电影mri帧中的心脏结构，基于心脏是跨心动周期移动的最大图像结构的假设。该算法首先计算心脏收缩期早期和收缩期晚期的绝对差值；然后采用canny边缘检测器(σ＝2.0)对差分图像进行边缘检测，并以2像素半径的菱形结构元素对差分图像进行形态学膨胀；将扩张边缘图像中最大的连通区域识别为心脏，并在其周围绘制一个紧密的边界框，为了将准备用于分类模型的图像标准化，需要进行两个后处理步骤，将提取的区域重新采样到1×1mm的空间分辨率，对图像进行零填充或进一步裁剪，使图像大小一致为224×224×d(d：原始帧数)。
4.根据权利要求1所述的一种电影磁共振主动脉瓣病理的自动检测方法，其特征在于：所述分类...
【专利技术属性】
技术研发人员：赵杰，许敏欢，盛诗雨，
申请(专利权)人：嘉兴磁心医疗科技有限公司，
类型：发明
国别省市：
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。