【技术实现步骤摘要】
本专利技术属于人工智能与医学预测的，具体涉及一种基于x-net在x线胸片中预测小儿先天性心脏病的方法及装置。
技术介绍
1、小儿先天性心脏病是较为常见的心脏病，其死亡率较高，早期发现与干预该疾病有助于提高我国人民的健康生活质量。尽管目前在我国发达地区诊断该疾病的水平较高，但由于医疗设备的缺乏与诊断医生水平的不平衡，在欠发达地区早期诊断先天性心脏病的挑战仍然严峻。即使国内外具备丰富心血管影像诊断经验的影像科医师在仅仅依靠x线胸片单一检查作为诊断手段时，他们筛查小儿先天性心脏病的平均正确率仅仅为82％。考虑到我国庞大的人口基数与医疗水平的严重不平衡，提高小儿先天性心脏病的筛查率刻不容缓。
2、其中，x线胸片是目前几乎任何医院均能完成的医学影像检查。为了能提高小儿先天性心脏病的筛查准确性与受益人群，本专利技术可基于x-net的人工智能方法，可辅助影像科医师筛查小儿先天性心脏病，有助于辅助临床医师进行临床决策。
技术实现思路
1、本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于x-net在x线胸片中预测小儿先天性心脏病的方法及装置，通过设置包括器官内注意力网络与跨器官注意力网络的x-net，提取并拟合心脏形态结构特征和肺部血管纹理特征，能够帮助医生解决诊断前的图像处理工作，有助于辅助临床医师进行临床决策。
2、为了达到上述目的，本专利技术采用以下技术方案：
3、第一方面，本专利技术提供了一种基于x-net在x线胸片中预测小儿先天性心脏病的方
4、获取小儿x线胸片图像数据集，并进行预处理；
5、构建x-net网络模型，所述x-net网络模型包括心脏器官内注意力网络、肺部器官内注意力网络和跨器官注意力网络，所述第心脏器官内注意力网络用于对心脏的形态结构特征进行学习，所述肺部器官内注意力网络用于对肺部血管纹理特征进行学习；所述心脏的形态结构特征包括心脏的形态、大小和位置特征，所述肺部血管纹理特征包括肺部血管的分布与粗细；所述跨器官注意力网络用于学习肺部血管纹理与心脏形态结构特征之间的关系；
6、以降低均方误差损失与二元交叉熵损失之和作为优化目标，对x-net网络模型进行训练，得到训练好的x-net网络模型；所述均方误差损失表示预测结果和x线胸片真实结果的均方误差损失；所述二元交叉熵损失表示预测结果和x线胸片真实结果的二元交叉熵损失；
7、基于训练好的x-net网络模型对待检测的x线胸片进行预测
8、作为优选的技术方案，所述心脏器官内注意力网络或者肺部器官内注意力网络，包括残差模块和卷积注意力网络模块；
9、所述残差模块包括卷积神经网络层和残差卷积块，用于提取心脏形态结构特征肺部或者血管纹理特征；
10、所述残差卷积块包括残差网络模块、卷积层和最大池化层；
11、所述卷积注意力网络模块包括通道注意力模块和空间注意力模块；所述通道注意力模块，用于学习图片的编码通道信息；所述空间注意力模块，用于学习特定空间位置与多尺度空间特征。
12、作为优选的技术方案，对心脏的形态结构特征进行学习或者对肺部血管纹理特征进行学习，包括以下步骤:利用残差模块提取心脏形态结构特征或者肺部血管纹理特征；
13、利用通道注意力模块学习各个通道之间的权重与目标任务之间的相关性，对图片进行池化操作调整注意力权重，获取图片中各通道的编码信息；
14、所述池化操作包括最大池化和平均池化。
15、作为优选的技术方案，所述利用通道注意力模块学习各个通道之间的权重与目标任务之间的相关性，对图片进行池化操作调整注意力权重，具体为：
16、通道注意力模块将输入的特征图f(h×w×c)分别经过基于宽和高的全局最大池化层和全局平均池化层，得到1×1×c的特征图；
17、分别将1×1×c的特征图的特征传递到一组共享参数的线性神经网络中；
18、将对共享参数的线性神经网络输出的特征进行加和操作；
19、加和操作所得的特征传递到sigmoid激活函数中进行计算。
20、作为优选的技术方案，所述对心脏的形态结构特征进行学习或者对肺部血管纹理特征进行学习，还包括以下步骤：利用空间注意力模块对心脏形态结构特征或者肺部血管纹理特征进行池化操作，调整心脏形态结构特征或者肺部血管纹理特征的注意力权重，生成空间注意力特征图。
21、作为优选的技术方案，所述学习肺部血管纹理与心脏形态结构特征之间的关系，具体为：将学习到的心脏器官内注意力网络与肺部器官内注意力网络分别映射到两组“问题”、“键”和“值”中，如下式：
22、
23、
24、其中，ql,kl,vl分别为通过第一组的“问题”矩阵“键”矩阵和“值”矩阵映射而成的矩阵；qh,kh,vh分别为通过第二组的“问题”矩阵“键”矩阵和“值”矩阵映射而成的矩阵。
25、作为优选的技术方案，完成肺部血管纹理与心脏形态结构特征之间的关系之后，还包括以下步骤：
26、利用多头交叉注意模块对多组映射的参数进行交叉引用；
27、拟合特征网络之间的关系，如下式：
28、
29、
30、其中，ql,kl,vl分别为肺部器官内注意力网络通过第一组的“问题”矩阵“键”矩阵和“值”矩阵映射而成的矩阵；qh,kh,vh分别为心脏器官内注意力网络通过第二组的“问题”矩阵“键”矩阵和“值”矩阵映射而成的矩阵，cross_attention1表示第一组跨器官注意力机制卷积神经网络特征，cross_attention2表示第二组跨器官注意力机制卷积神经网络特征。
31、将第一组跨器官注意力机制卷积神经网络特征和第二组跨器官注意力机制卷积神经网络特征合并为合并特征f，如下式：
32、f＝cross_attention1+cross_attention2。
33、作为优选的技术方案，训练过程中损失函数l，如下式：
34、l＝mse(y，y′)+bce(y′,y)
35、
36、bce(y′,y)＝-[ylogy′+(1-y)log(1-y′)]
37、其中，y′表示x-net预测的结果，y表示x线胸片真实的诊断结果，即是否为先天性心脏病，mse表示均方误差损失函数，bce表示二元交叉熵损失函数。
38、第二方面，本专利技术提供了一种基于x-net在x线胸片中预测小儿先天性心脏病的系统，应用于所述的基于x-net在x线胸片中预测小儿先天性心脏病的方法，包括预处理模块、网络建立模块、网络训练模块和预测模块；
39、预处理模块，用于获取小儿x线胸片图像数据集，并进行预处理；
40、网络建立模块，用于构建x-net网络模型，所述x-net网络模型包括心脏器官内注意力网络、肺部器官内注意力网络和跨器官注意力网络，所述本文档来自技高网...
【技术保护点】
1.基于X-net在X线胸片中预测小儿先天性心脏病的方法，其特征在于，包括下述步骤：
2.根据权利要求1所述基于X-net在X线胸片中预测小儿先天性心脏病的方法，其特征在于，所述心脏器官内注意力网络或者肺部器官内注意力网络，包括残差模块和卷积注意力网络模块；
3.根据权利要求2所述基于X-net在X线胸片中预测小儿先天性心脏病的方法，其特征在于，对心脏的形态结构特征进行学习或者对肺部血管纹理特征进行学习，包括以下步骤：利用残差模块提取心脏形态结构特征或者肺部血管纹理特征；
4.根据权利要求3所述基于X-net在X线胸片中预测小儿先天性心脏病的方法，其特征在于，所述利用通道注意力模块学习各个通道之间的权重与目标任务之间的相关性，对图片进行池化操作调整注意力权重，具体为：
5.根据权利要求2所述基于X-net在X线胸片中预测小儿先天性心脏病的方法，其特征在于，对心脏的形态结构特征进行学习或者对肺部血管纹理特征进行学习，还包括以下步骤：利用空间注意力模块对心脏形态结构特征或者肺部血管纹理特征进行池化操作，调整心脏形态结构特征或者肺部血管纹
6.根据权利要求1所述基于X-net在X线胸片中预测小儿先天性心脏病的方法，其特征在于，所述学习肺部血管纹理与心脏形态结构特征之间的关系，具体为：将学习到的心脏器官内注意力网络与肺部器官内注意力网络分别映射到两组“问题”、“键”和“值”中，如下式：
7.根据权利要求6所述基于X-net在X线胸片中预测小儿先天性心脏病的方法，其特征在于，完成肺部血管纹理与心脏形态结构特征之间的关系之后，还包括以下步骤：
8.根据权利要求1所述基于X-net在X线胸片中预测小儿先天性心脏病的方法，其特征在于，训练过程中损失函数L，如下式：
9.基于X-net在X线胸片中预测小儿先天性心脏病的系统，其特征在于，应用于权利要求1-8中任一项所述的基于X-net在X线胸片中预测小儿先天性心脏病的方法，包括预处理模块、网络建立模块、网络训练模块和预测模块；
10.一种电子设备，其特征在于，所述电子设备包括：
...【技术特征摘要】
1.基于x-net在x线胸片中预测小儿先天性心脏病的方法，其特征在于，包括下述步骤：
2.根据权利要求1所述基于x-net在x线胸片中预测小儿先天性心脏病的方法，其特征在于，所述心脏器官内注意力网络或者肺部器官内注意力网络，包括残差模块和卷积注意力网络模块；
3.根据权利要求2所述基于x-net在x线胸片中预测小儿先天性心脏病的方法，其特征在于，对心脏的形态结构特征进行学习或者对肺部血管纹理特征进行学习，包括以下步骤：利用残差模块提取心脏形态结构特征或者肺部血管纹理特征；
4.根据权利要求3所述基于x-net在x线胸片中预测小儿先天性心脏病的方法，其特征在于，所述利用通道注意力模块学习各个通道之间的权重与目标任务之间的相关性，对图片进行池化操作调整注意力权重，具体为：
5.根据权利要求2所述基于x-net在x线胸片中预测小儿先天性心脏病的方法，其特征在于，对心脏的形态结构特征进行学习或者对肺部血管纹理特征进行学习，还包括以下步骤：利用空间注意力模块对心脏形态结构特征或者肺部血管纹理特...
【专利技术属性】
技术研发人员：陈锐，刘辉，伍馨怡，谭泽焜，李听雨，伍宏愉，乔卫东，钟小梅，周仪芬，
申请(专利权)人：广东省人民医院，
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。