[发明专利]一种基于深度神经网络的心肌段缺损图像处理方法

权利要求书

1.一种基于深度神经网络的心肌段缺损图像处理方法，其特征在于，包括：

S1、获取心肌灌注显像图像数据，对图像数据中的ROI区域和评分标签进行数据预处理，得到训练集和测试集；

S2、构建深度神经网络模型，获取评分标签特征，将评分标签进行特征融合交换，所述特征融合交换为：将各心肌段评分任务的特征图输入到心肌段选择模块中，按照各自的区域归属进行融合形成新的特征，将融合形成新的特征通过心肌段分发模块基于心肌段所属关系进行分发；

S3、向搭载好的深度神经网络模型中输入心肌灌注显像图像数据预处理数据，输出心肌段缺损评分结果，通过反向传播算法更新网络权值，进行多轮迭代训练深度神经网络模型参数；

S4、将测试集输入训练好的深度神经网络模型中，根据心肌段分类指标输出心肌段评分，通过深度神经网络模型对心肌段评分输出结果进行评估。

2.根据权利要求1所述的基于深度神经网络的心肌段缺损图像处理方法，其特征在于，所述数据预处理包括：

提取图像数据中的ROI区域和评分标签；

将预处理的图像数据划分为训练集和测试集；

对测试集进行数据增广。

3.根据权利要求2所述的基于深度神经网络的心肌段缺损图像处理方法，其特征在于，所述提取图像数据中的ROI区域的方法为使用心肌灌注显像图像数据切面作为网络输入；

所述提取图像数据中的评分标签的方法为通过正则表达式将心肌段评分标签提取出来，其中，所述评分标签为心肌灌注显像报告的诊断信息中包含的文本信息。

4.根据权利要求2所述的基于深度神经网络的心肌段缺损图像处理方法，其特征在于，将提取的图像数据划分为训练集和测试集包括按照4:1的比例将图像数据划分成训练集和测试集。

5.根据权利要求1所述的基于深度神经网络的心肌段缺损图像处理方法，其特征在于，所述构建深度神经网络模型包括将Resnet50的全连接层和池化层去除作为深度神经网络模型的特征提取骨架。

6.根据权利要求1所述的基于深度神经网络的心肌段缺损图像处理方法，其特征在于，所述获取评分标签特征包括对划分的评分标签进行多任务多输出，所述多任务多输出包括对17个分类任务先后进行两次输出：

第一次任务输出用于使评分标签特征在进行特征融合交换之前具有任务特异性；

第二次任务输出基于任务特异性特征和任务全局性特征的结果输出；

其中，所述评分标签特征为划分为17个心肌段的每个心肌段的特征，所述“任务特异性特征”指的是特征只保留了单个心肌段的特征信息，所述“任务全局性特征”指的是评分标签特征按照各自的区域归属进行融合形成新的特征。

7.根据权利要求1所述的基于深度神经网络的心肌段缺损图像处理方法，其特征在于，所述将评分标签进行特征融合交换具体包括：

将具有任务特异性的评分标签特征按照心肌段的区域归属进行融合；

所述按照各自的区域归属进行融合具体包括：

来自心肌段1，2，7，8，13，14，17的特征被融合成为LAD特征；

来自心肌段3，4，9，10，15的特征被融合成为LAD特征；

来自心肌段5，6，11，12，16被融合成为RCA特征；

通过评分标签的特征融合获得全局特征信息和局部特征信息；

所述全局特征信息为：区域级的特征LAD、LCX以及RCA被融合在一起形成的病例特征；

所述局部特征信息包括：特征LAD、特征LCX和特征RCA；

根据心肌段分类指标对全局特征信息和局部特征信息进行分发；

所述分发步骤具体包括：

将病例特征分别和特征LAD、特征LCX和特征RCA融合，获得新的LAD特征、新的LCX特征以及新的RCA特征；

对新的LAD特征、新的LCX特征以及新的RCA特征进行分发：新的LAD特征被分配给心肌段1，2，7，8，13，14，17，新的LCX特征被分配给心肌段3，4，9，10，15，新的RCA特征被分配给心肌段5，6，11，12，16。