[发明专利]一种用于识别心肌梗死的相对运动学习方法及装置

权利要求书

1.一种用于识别心肌梗死的相对运动学习方法，其特征在于，包括：

获得心脏核磁共振电影序列，通过U-Net模型分割心脏核磁共振成像(CMRI)电影序列中每一帧的心肌内膜与心肌外膜；

将分割好的每一帧的心肌内膜与心肌外膜二值化，得到心肌边界，提取每一帧的像素特征，将其拼接融合，存入36×81的二维特征矩阵中；

标注二维的特征矩阵中对应序列的有钆造影剂的LGE图片的梗死区域，转化成36×1的向量作为心肌梗死区域标签；

基于获得的二维特征矩阵和对应的心肌梗死区域标签，构建以ResMLP为核心的神经网络模型，所述的以ResMLP为核心的神经网络模型包括ResMLP层、池化层、全连接层；

以ResMLP为核心的神经网络模型中训练时，将模型输出的36×1的向量与真实心肌梗死区域标签进行对比，并使用二元交叉熵“BCEloss”作为损失函数；

使用“Adam”优化器对网络进行迭代训练，优化网络参数，当训练结束时，在测试集上检测精度，保存准确率最高的模型。

2.根据权利要求1所述的用于识别心肌梗死的相对运动学习方法，其特征在于，所述的提取每一帧的像素特征具体为：

提取外膜边界的中点为整张图的中心点，以10度的角度间隔从中心点向外做射线，取其与内膜和外膜边界的交点，得到36个方向的内外膜交点坐标，取每一方向上内外膜交点的中点O，将以点O为中心的周围任意大小的像素块的像素矩阵取出，作为该处心肌的形态学特征。

3.根据权利要求1所述的用于识别心肌梗死的相对运动学习方法，其特征在于，所述的拼接融合为将心肌像素特征展开成一维向量，得到1×81的像素特征向量，对36个角度提取到的特征信息做相同处理，拼接之后归一化，形成特征矩阵，所述的特征矩阵的行数36行(36个角度)，列数为81列，所以特征矩阵的大小为36×81。

4.根据权利要求1所述的用于识别心肌梗死的相对运动学习方法，其特征在于，所述的标注二维的特征矩阵中对应序列的有钆造影剂的LGE图片的梗死区域，转化成36×1的向量作为心肌梗死区域标签具体为：标签是根据延迟增强(LGE)图片分类的，同样以外膜中心点为中心，在医生的指导下标记对应的36个图像块是否有心肌梗死，无梗死标记为0，有梗死标记为1，大小为36×1。

5.根据权利要求1所述的根据权利要求1所述的用于识别心肌梗死的相对运动学习方法，其特征在于，所述的以ResMLP为核心的神经网络模型的输入是之前提取的特征矩阵，模型的输出为36×1的向量。

6.根据权利要求1或2或3或4或5所述的用于识别心肌梗死的相对运动学习方法，其特征在于，所述的ResMLP层对单帧图片的特征矩阵1@36×81进行计算，并提取单帧图片中心肌所分成的36个图像块的块内信息和块间关系，得到每一个图像块的像素特征，并存储在输出的矩阵1@36×81中，最终得ResMLP输出矩阵20@36×81。

7.根据权利要求6所述的用于识别心肌梗死的相对运动学习方法，其特征在于，所述的池化层采用平均池化法或空间金字塔池化或中心池化，用于融合一个时间序列的像素特征；所述的全连接层包括任意层数的Linear层，最终输出得到36×1的特征向量，用于将每一个图像块的特征矩阵映射到样本标记空间。

8.根据权利要求7所述的用于识别心肌梗死的相对运动学习方法，其特征在于，所述的平均池化法为对ResMLP输出矩阵20@36×81进行平均池化，融合20帧图片的心肌像素特征，得到1@36×81的特征矩阵，再通过降维得到的36×81的二维特征矩阵。

9.根据权利要求7所述的用于识别心肌梗死的相对运动学习方法，其特征在于，所述的全连接层包括两层递减的Linear层，第一层Linear将特征矩阵由36×81降至36×49，第二层Linear进一步将特征矩阵化为36×1的特征向量。

10.一种用于识别心肌梗死的相对运动学习方法的装置，其特征在于，包括：

分割单元：用于获得心脏核磁共振电影序列，通过U-Net模型分割心脏核磁共振成像(CMRI)电影序列中每一帧的心肌内膜与心肌外膜；

提取特征单元：将分割好的每一帧的心肌内膜与心肌外膜二值化，得到心肌边界，提取每一帧的像素特征，将其拼接融合，存入36×81的二维特征矩阵中；

标签单元：标注二维的特征矩阵中对应序列的有钆造影剂的LGE图片的梗死区域，转化成36×1的向量作为心肌梗死区域标签；

构建神经网络模型单元：基于获得的二维特征矩阵和对应的心肌梗死区域标签，构建以ResMLP为核心的神经网络模型，所述的以ResMLP为核心的神经网络模型包括ResMLP层、池化层、全连接层；

训练单元：以ResMLP为核心的神经网络模型中训练时，将模型输出的36×1的向量与真实心肌梗死区域标签进行对比，并使用二元交叉熵“BCEloss”作为损失函数；优化单元：使用“Adam”优化器对网络进行迭代训练，优化网络参数，当训练结束时，在测试集上检测精度，保存准确率最高的模型。