[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

说明书

本发明公开了一种基于深度神经网络的心肌段缺损图像处理方法，包括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；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；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；将训练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。通过构建深度神经网络模型对心肌灌注显像图像数据进行处理，提高了心肌灌注显像图像数据用于判断心肌灌注显像的准确性和一致性，判断结果更加客观。

技术领域

本发明涉及医学图像分析技术领域，具体涉及一种基于深度神经网络的心肌段缺损图像处理方法。

背景技术

中国心血管病患病率处于持续上升阶段，根据普查推算，我国现有心血管病患人数3.3亿，心血管病是影响我国国民健康的首位疾病,死亡率甚至高于肿瘤及其他疾病。心肌灌注显像(Myocardial perfusion imaging，MPI)，对心血管疾病，尤其是冠心病(Coronary heart disease，CHD)的诊断、危险度分层、预后判断和治疗方案制订中有着非常重要的价值，已广泛应用于临床。它通过检测放射性核素标记的药物随血流在心脏内的实时情况，可有效显示由狭窄动脉供应的心肌区域的充血血流，以及由非狭窄血管所覆盖的心肌区域的充血血流，通过比较来检测与心肌缺血区域相对应的疾病区域。值得注意的是，心肌灌注显像结果分析及相应的心肌缺血的日常诊断十分繁琐、耗时且易受阅图医师主观影响。

发明内容

本发明所要解决的技术问题是现有技术对心肌灌注显现图像处理时受主观影响大，判断准确性和一致性低，目的在于提供一种基于深度神经网络的心肌段缺损图像处理方法，通过构建深度神经网络模型对心肌灌注显像图像数据进行处理，提高了心肌灌注显像图像数据用于判断心肌灌注显像的准确性和一致性，判断结果更加客观。

本发明通过下述技术方案实现：

一种基于深度神经网络的心肌段缺损图像处理方法，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；

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、将训练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。

本发明通过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；构建深度神经网络模型，获取标签特征，将标签进行特征融合交换；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；模型训练完成后，将训练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，通过构建深度神经网络模型对心肌灌注显像图像数据进行处理，提高了心肌灌注显像图像数据用于判断心肌灌注显像的准确性和一致性，判断结果更加客观。

作为本发明的进一步限定，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。

作为本发明的进一步限定，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；