[發(fā)明專利]一種基于先心病超聲的多切面的分類方法

有效

• 申請?zhí)枺?/td>: 202011454017.6
• 申請日: 2020-12-10
• 公開（公告）號: CN112419313B
• 公開（公告）日: 2023-07-28
• 發(fā)明（設(shè)計）人: 高躍;陳自強;魏宇軒
• 申請（專利權(quán)）人: 清華大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G16H30/20;G06V10/764;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 北京律譜知識產(chǎn)權(quán)代理有限公司 11457
• 代理人: 黃云鐸;孫紅穎

本發(fā)明公開了一種針對先心病的超聲多切面數(shù)據(jù)分類方法，其特征在于，包括以下步驟：步驟1、進行訓(xùn)練數(shù)據(jù)及預(yù)處理，選取正常人切面數(shù)據(jù)和先天性心臟病房間隔缺損病人切面數(shù)據(jù)若干份；步驟2、設(shè)置單幀超聲圖像分類模型，以ResNet18網(wǎng)絡(luò)作為基礎(chǔ)，設(shè)計基于單幀超聲圖像的單幀超聲圖像分類模型；步驟3、設(shè)置通道注意力模塊，在單幀超聲圖像分類模型的訓(xùn)練中，對各個通道分配不同的權(quán)重，并在網(wǎng)絡(luò)中通過訓(xùn)練得到權(quán)重的參數(shù)；步驟4、設(shè)置單點注意力模塊，網(wǎng)絡(luò)聚焦在關(guān)鍵區(qū)域的特征中進行分類；步驟5、設(shè)置聯(lián)合注意力模塊，充分融合特征圖的區(qū)域權(quán)重信息和通道權(quán)重信息等。該方法利用人工智能的方式提高了超聲圖像的識別效率，降低了醫(yī)生的勞動強度。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于先心病超聲多切面的分類方法，特別涉及到利用多尺度檢測網(wǎng)絡(luò)、多尺度特征提取模塊和焦點區(qū)域檢測模塊分類的方法。

背景技術(shù)

先天性心臟病是中國和其他許多國家新生兒中最常見的疾病之一。先天性心臟病占我國出生嬰兒的8‰-12‰，意味著我國每年有12萬～20?萬的先天性心臟病患兒出生，其中復(fù)雜的、目前治療手段尚不能達到良好治療效果的或易出生后早期死亡的先天性心臟病約占20％，是新生兒及兒童期的主要死亡原因之一。

雖然先天性心臟病十分常見，但目前對新生兒和兒童的心臟超聲檢查水平參差不齊，對超聲圖像的處理能力亟待提高。因此，相關(guān)領(lǐng)域的專家和學(xué)者提出了使用人工智能對相關(guān)超聲圖像進行處理。Perrin等人提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)對先天性心臟病圖像進行分類的方法。Abdi?等人則開發(fā)了一種基于心尖四腔回聲切面質(zhì)量評估的深度卷積神經(jīng)網(wǎng)絡(luò)。?Dezaki等人則設(shè)計了一個提取超聲心動圖的時間相關(guān)性的神經(jīng)網(wǎng)絡(luò)。

上述工作為人工智能在先天性心臟病中圖像識別應(yīng)用打下了堅實的基礎(chǔ)，但目前仍然尚無通過超聲心動圖進行人工智能圖像處理系統(tǒng)。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于先心病超聲的多切面的分類方法，該方法建立在臨床的基礎(chǔ)需求上，提高超聲圖像的識別效率。

本發(fā)明提供了一種針對先心病的超聲多切面數(shù)據(jù)分類方法，其特征在于，包括以下步驟：

步驟1、進行訓(xùn)練數(shù)據(jù)及預(yù)處理，選取正常人切面數(shù)據(jù)和先天性心臟病房間隔缺損病人切面數(shù)據(jù)若干份；

步驟2、設(shè)置單幀超聲圖像分類模型，以ResNet18網(wǎng)絡(luò)作為基礎(chǔ)，設(shè)計基于單幀超聲圖像的單幀超聲圖像分類模型；

步驟3、設(shè)置通道注意力模塊，在單幀超聲圖像分類模型的訓(xùn)練中，對各個通道分配不同的權(quán)重，并在網(wǎng)絡(luò)中通過訓(xùn)練得到權(quán)重的參數(shù)；

步驟4、設(shè)置單點注意力模塊，網(wǎng)絡(luò)聚焦在關(guān)鍵區(qū)域的特征中進行分類；

步驟5、設(shè)置聯(lián)合注意力模塊，充分融合特征圖的區(qū)域權(quán)重信息和通道權(quán)重信息；

步驟6、設(shè)置多幀超聲圖像分類模型，在設(shè)計了單幀超聲圖像分類模型，并在單幀超聲圖像分類模型中加入了聯(lián)合注意力模塊以獲取各個特征通道以及特征區(qū)域的權(quán)重之后，利用多幀超聲圖像分類模型進行特征采集。

進一步地，單幀超聲圖像分類模型考慮殘差結(jié)構(gòu)的短連接方式，同樣保存了圖像中的淺層特征，對于網(wǎng)絡(luò)中的卷積模塊，采用殘差結(jié)構(gòu)的設(shè)計方式。

進一步地，輸入的大小為B×C×H×W，其中B為批數(shù)據(jù)大小，?C為通道數(shù)，H為高度，W為寬度的特征，首先通過全局池化層，在?W維度上取最大值，得到B×C×H×1大小的特征圖；然后通過第一個全連接層，在H維度上進行擠壓，得到B×C×H/r×1的特征，其中r為設(shè)定的倍數(shù)，在此處為4。

進一步地，輸入的特征同時輸入單點注意力模塊和通道注意力模塊中，輸出的特征相乘之后，通過sigmoid激活函數(shù)后，將權(quán)重映射到[0,1]?之間。