一种基于深度学习的左心室射血分数自动检测方法技术

本发明专利技术提供一种基于深度学习的左心室射血分数自动检测方法，涉及医学辅助检测技术领域。针对初级医疗中缺少能够自动准确使用心电图预测LVEF值方法的问题，训练了一种基于心电图的深度神经网络自动预测LVEF，解决初级医疗中缺乏LVEF值预测方法的问题，为临床诊疗提供重要参考。本发明专利技术使用深度学习模型实现左心室射血分数的自动预测，在多个心电图上进行测试，结果表明该方法在多数心电图上，能够较为准确地估算LVEF值，运算速度满足实时性要求。本发明专利技术实现方法简单，运算速度快，结果准确性高，不依赖于医生的临床经验，达到了临床应用的要求。

【技术实现步骤摘要】

本专利技术涉及医学辅助检测，尤其涉及一种基于深度学习的左心室射血分数自动检测方法。

技术介绍

1、左心室收缩功能障碍(left ventricular systolic dysfunction,lvsd)是引起大多数症状性心衰的原因，早期发现、及时干预能够有效提升患者的预后。左心室射血分数(left ventricular ejection fraction,lvef)是临床中评价左心室功能的重要指标，但目前临床中lvef值常用超声心动图检查评估，该方法在初级医疗中通常不采用。这可能会导致患者需要花费较长的时间进行相关检查和确诊，不能在第一时间发现早期心功能障碍。同时，需要密切观察心功能变化的患者只能频繁进行超声心动图测量且无法保证监测的实时性。心电图检查以其安全无创、成本低廉、操作简单的优势克服了目前超声检查存在的局限性，是初级医疗中的常用检查手段。随着动态心电图和可穿戴心电监测设备的发展，利用心电图实现心功能各项参数的实时评估成为了可能。但目前临床研究仍未发现特异性的lvef减低的心电图标志物，更难以获得准确的lvef值。因此，提出一种使用心电图预测l本文档来自技高网...

【技术保护点】

1.一种基于深度学习的左心室射血分数自动检测方法，其特征在于：所述方法包括下列步骤：

2.根据权利要求1所述的基于深度学习的左心室射血分数自动检测方法，其特征在于：所述融合注意力模块，通过两种数据形式的信息交互共同引导特征学习，选择性的抑制与LVEF相关性低的特征，激励与LVEF相关性高的特征；两个分支的数据分别经过相应的一维或二维池化层、卷积层和sigmoid激活函数层得到各自的注意力区域；然后一维的注意力被归一化至二维的宽度并复制至二维的高度，与二维的注意力特征图相加得到二维融合注意力矩阵；二维的注意力经过平均池化并缩放至一维的长度，与一维注意力相加，得到一维融合注意力矩...

【技术特征摘要】

1.一种基于深度学习的左心室射血分数自动检测方法，其特征在于：所述方法包括下列步骤：

2.根据权利要求1所述的基于深度学习的左心室射血分数自动检测方法，其特征在于：所述融合注意力模块，通过两种数据形式的信息交互共同引导特征学习，选择性的抑制与lvef相关性低的特征，激励与lvef相关性高的特征；两个分支的数据分别经过相应的一维或二维池化层、卷积层和sigmoid激活函数层得到各自的注意力区域；然后一维的注意力被归一化至二维的宽度并复制至二维的高度，与二维的注意力特征图相加得到二维融合注意力矩阵；二维的注意力经过平均池化并缩放至一维的长度，与一维注意力相加，得到一维融合注意力矩阵；得到两个融合注意力矩阵后，将两个融合注意力图与融合注意力模块输入的原始数据相乘，得到该模块的输出数据。

3.根据权利要求2所述的基于深度学习的左心室射血分数自动检测方法，其特征在于：所述双分支特征融合模块，用于进行充分的特征对齐和融合；在双分支特征融合模块中，来自双分支的特征，首先分别经过一维和二维卷积，经过不同卷积层将两个分支的特征处理至相同尺寸，实现特征表示的初步对齐；一维分支采用1×3卷积进一步提取特征...

【专利技术属性】
技术研发人员：杨金柱，齐怡秋，刘宝鑫，于琪，王鸿菲，李洪赫，瞿明军，覃文军，曹鹏，
申请(专利权)人：东北大学，
类型：发明
国别省市：