[发明专利]基于深度学习及随机森林的心脏核磁图像识别方法、装置及设备、存储介质

权利要求书

1.一种基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述心脏核磁图像识别方法包括，

S11利用傅里叶分析提取心脏核磁图像的感兴趣区域，分割心脏结构；

S12改进二维卷积神经U-Net网络，对心脏核磁图像的心脏结构进行分割获得分割特征；

S13将分割特征按照预设输入参数输入随机森林分类器识别正常或心衰。

2.如权利要求1所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S11包括，

心脏核磁图像包括心脏结构和周围结构，所述周围机构包括肺、膈肌；通过傅里叶分析提取心脏核磁图像的一阶谐波图像，得到相应心跳频率下的最大活动，假设左心室近似于一个圆，对第一幅一阶谐波图像进行canny边缘检测；利用圆形Hough变换方法从边缘图中计算出左心室的近似半径和中心，确实左心室分割范围，通过感兴趣区域检测方法从周围结构中描绘出心脏结构。

3.如权利要求2所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S11还包括，

通过按照1.4×1.4mm²间距重新采样二维图像切片校正体素大小的差异；

根据图像中强度的第5和第95百分位数，将每个心脏核磁图像归一化在[0.0,1.0]之间校正图像间的强度差异。

4.如权利要求1所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S12还包括，

利用预训练模型MedicalNet进行迁移学习，为训练模型提供权重初始化功能。

5.如权利要求4所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S12还包括，

在小物体的改进U-Net网络情况下，通过汇集提取全局特征，通过阻塞反卷积路径来维护小对象的空间信息，允许小对象特征进入跳过连接而不被池化移除；在大型物体的改进U-Net网络情况下，跳跃连接中的特征信息仅限于边缘信息，避免低分辨率信息的重复。

6.如权利要求5所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S12还包括，

采用了交叉熵损失函数和基于dice-coefficient损失函数的加权组合训练网络，组合损失公式为：

total-loss＝λ(cross-entropy-loss)+γ(1-DICE)+L2-loss

其中，λ和γ是靠经验分配权重，设γ＝0.75和λ＝0.25，函数中添加了10e-4的L2权重衰减。

7.如权利要求1所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S13步骤还包括，

提取自训练数据集分割结果属性用于训练随机森林分类器，所述分割结果属性包括，左心室的体积、左心室的射血分数、病人的短轴心脏全序列图像、长轴4腔心图像以及病人的年龄和性别；

将所述分割结果属性对应数据作为预设输入参数，输入到训练好的随机森林分类器。

8.一种基于深度学习及随机森林的心脏核磁图像识别装置，其特征在于，所述心脏核磁图像识别装置包括，

数据预处理模块，用于利用傅里叶分析提取心脏核磁图像的感兴趣区域，分割心脏结构；

图像分割模块，用于改进二维卷积神经U-Net网络，对心脏核磁图像的心脏结构进行分割获得分割特征；

特征识别模块，用于将分割特征按照预设输入参数输入随机森林分类器识别正常或心衰。

9.一种心脏核磁图像识别设备，其特征在于，所述心脏核磁图像识别设备包括：存储器、处理器，通信总线以及存储在所述存储器上的基于深度学习及随机森林的心脏核磁图像识别程序，

所述通信总线用于实现处理器与存储器间的通信连接；

所述处理器用于执行所述基于深度学习及随机森林的心脏核磁图像识别程序，以实现如权利要求1至7中任一项所述的基于深度学习及随机森林的心脏核磁图像识别方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有基于深度学习及随机森林的心脏核磁图像识别程序，所述基于深度学习及随机森林的心脏核磁图像识别程序被处理器执行时实现如权利要求1至7中任意一项所述基于深度学习及随机森林的心脏核磁图像识别方法的步骤。