[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

说明书

本发明涉及图像识别领域，特别是一种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。所述方法包括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；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；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。本发明方法能够有效降低心衰的误诊率，同时为医生的诊断提供可靠的参考依据并大大减少医生做重复工作的时间及病人等待诊断结果的时间。

技术领域

本发明涉及图像识别领域，特别是一种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。

背景技术

心力衰竭是一种发病率很高的严重疾病(在发达国家的成年人中约2％，在75岁以上的患者中超过8％)。大约3-5％的住院病人与心力衰竭有关。心力衰竭是医疗保健专业人员在临床实践中入院的第一个原因。治疗费用非常高，在发达国家高达保健总费用的2％。建立有效的疾病管理策略需要对大量数据进行分析，及早发现疾病，评估严重程度并及早预测不良事件。这将抑制疾病的发展，提高患者的生活质量，并降低相关的医疗费用。

发明内容

本发明的目的在于提供一种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，能够有效降低心衰的误诊率，同时能够为医生的诊断提供可靠的参考依据并大大减少医生做重复工作的时间及病人等待诊断结果的时间。

为实现上述技术目的，达到上述技术效果，本发明提供了一种基于深度学习及随机森林的心脏核磁图像识别方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。