[發明專利]一種基于MobileNet的腦血管事件自動識別方法及系統

有效

• 申請號: 201910324180.1
• 申請日: 2019-04-22
• 公開（公告）號: CN110189299B
• 公開（公告）日: 2020-12-08
• 發明（設計）人: 丁明躍;夏玉嬌;周然;岳征
• 申請（專利權）人: 華中科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06K9/62;G06K9/32
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 許恒恒;李智

本發明屬于計算機技術與醫學圖像的交叉領域，公開了一種基于MobileNet的腦血管事件自動識別方法及系統，其中方法包括步驟：(1)采集二維頸動脈初始超聲圖像數據；(2)分割頸動脈外膜，得到ROI圖像數據；(3)構建基于MobileNet的深度學習網絡，并進行訓練；(4)將ROI圖像數據輸入到訓練好的深度學習網絡中進行測試，得到二維頸動脈初始超聲圖像數據對應的腦血管事件發生與否的預測結果，從而自動識別腦血管事件。本發明采用基于MobileNet的深度學習網絡，利用深度學習方法自動提取超聲頸動脈圖像特征，進行腦血管事件的自動識別，可有效解決人工定義特征的主觀性強和特征的冗余性問題。

技術領域

本發明屬于計算機技術與醫學圖像的交叉領域，更具體地，涉及一種基于MobileNet的腦血管事件自動識別方法及系統，能夠基于MobileNet通過頸動脈超聲圖像進行腦血管事件的自動識別。

背景技術

腦血管疾病已經成為中國死亡人數最多的疾病，圍繞腦血管事件的自動識別問題展開了大量而深入的研究。在醫學中，腦血管事件發生的病理基礎是動脈粥樣硬化，表現為內中膜增厚或斑塊形成。斑塊破裂就會堵塞血管，使大腦缺血缺氧，最終導致腦血管事件(如腦梗)的發生。頸動脈連接心臟和大腦，位置表淺，結構簡單，已成為觀察身體動脈粥樣硬化病變、評估斑塊穩定性的重要窗口。

在以往對超聲頸動脈圖像特征圖像的研究中，主要是通過研究斑塊的易損性來定性描述斑塊，包括：潰瘍、斑塊內出血、富含脂質核、薄纖維帽等等。近年來，機器學習的方法也被應用于該領域。傳統機器學習的方法主要是通過提取斑塊的紋理特征來定量描述斑塊，然后通過分類器進行分類。紋理特征包括：灰度共生矩陣、灰度差分矩陣、灰度游長程矩陣、Law's紋理特征、傅里葉頻譜分析等等。分類器包括：AdaBoost分類器、K最近鄰(K-Nearest Neighbor，KNN)、支持向量機(Support Vector Machine，SVM)等等。

由于上述特征需要人工定義，特征種類多，為了解決特征冗余性問題往往需要進行特征選擇或降維處理，并且不同分類器的應用導致結果也有很大的不同。因此，建立一種自動提取超聲頸動脈圖像特征進行腦血管事件的自動識別方法及系統具有重要意義。

發明內容

針對現有技術的以上缺陷或改進需求，本發明的目的在于提供一種基于MobileNet的腦血管事件自動識別方法及系統，其中通過對方法整體流程處理、及相應系統裝置中各個功能模塊組件的設置方式進行改進，采用基于MobileNet的深度學習網絡，利用深度學習方法自動提取超聲頸動脈圖像特征，進行腦血管事件的自動識別，可有效解決人工定義特征的主觀性強和特征的冗余性問題；并且，該方法及相應系統自動進行特征選擇，解決傳統方法中需要人為進行特征選擇的問題。

為實現上述目的，按照本發明的一個方面，提供了一種基于MobileNet的腦血管事件自動識別方法，其特征在于，包括以下步驟：

(1)采集二維頸動脈初始超聲圖像數據；

(2)將二維頸動脈初始超聲圖像數據中被頸動脈外膜包圍部分的圖像區域作為感興趣區域ROI，從所述步驟(1)采集得到的二維頸動脈初始超聲圖像數據中分割出頸動脈外膜，得到分割頸動脈外膜后的ROI圖像數據；

(3)構建基于MobileNet的深度學習網絡，并進行訓練；

其中，所述基于MobileNet的深度學習網絡具有分離卷積的結構；該深度學習網絡以ROI圖像數據為輸入，以是否發生腦血管事件作為輸出；

所述訓練以實際發生腦血管事件對應的訓練集ROI圖像數據作為正樣本，實際未發生腦血管事件對應的訓練集ROI圖像數據作為負樣本；

(4)將所述步驟(2)得到的ROI圖像數據輸入到步驟(3)得到的訓練好的深度學習網絡中進行測試，得到所述步驟(1)中二維頸動脈初始超聲圖像數據對應的腦血管事件發生與否的預測結果，從而自動識別腦血管事件。