申请/专利权人：四川省医学科学院·四川省人民医院

申请日：2024-04-02

公开（公告）日：2024-06-11

公开（公告）号：CN117994249B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/764;G06V10/80;G06V10/82;G06N3/0464;A61B8/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.11#授权;2024.05.24#实质审查的生效;2024.05.07#公开

摘要：本发明涉及图像处理技术领域，提供一种基于深度学习的心脏瓣膜反流严重程度超声评估方法，包括：1：构建数据集，并进行预处理；2：对一部分数据集按照单个完整的心动周期进行框选标注；3：采用目标检测类深度学习模型训练反流频谱图，得到单个心动周期自动识别模型；4：进行心动周期自动标记，然后裁剪，并进行严重程度分级；5：采用分类识别深度学习模型训练，得到基于单个心动周期反流频谱图的心脏瓣膜反流严重程度智能分类模型；6：串联整合，形成心脏瓣膜反流严重程度智能评估模型；7：输入单帧心脏瓣膜反流频谱图，选择严重程度最重的作为心脏瓣膜反流频谱图的评判结果。本发明能较佳地实现心脏瓣膜反流严重程度的自动评估。

主权项：1.一种基于深度学习的心脏瓣膜反流严重程度超声评估方法，其特征在于：包括以下步骤：步骤1：收集心脏瓣膜反流彩色多普勒超声血流频谱图，筛选图像质量合格的反流频谱图构成数据集，并进行预处理；步骤2：使用标注软件对一部分数据集按照单个完整的心动周期进行框选标注；步骤3：按照比例将标注好心动周期的数据集分为训练集和验证集，采用目标检测类深度学习模型训练反流频谱图，得到单个完整心动周期自动识别模型，实现心脏瓣膜反流彩色多普勒超声血流频谱图的单个心动周期的自动标记；目标检测类深度学习模型为以YOLOv5模型为主干网络，融合多尺度特征提取Inception模块和SimAM注意力模块的全新模型；其中Inception模块添加到YOLOv5模型第三和第四个Conv后，并分别与第一和第二个Concat连接，SimAM模块添加到YOLOv5模型C3模块中；改进后的YOLOv5深度学习模型在Docker搭建的Ubuntu18.04的PyTorch环境中实现，批处理大小设置为16，初始学习率为0.0001，学习率衰减策略采用余弦学习率衰减策略；采用平均精度mAP、精确度Precision、召回率Recall，F1指数对改进后的YOLOv5深度学习模型的性能进行评价，同时为这四个指标设置了相同的权值，并且选取在验证集上加权平均值最大的模型作为最终模型，实现反流心动周期的智能标注；步骤4：采用步骤3中所述的单个完整心动周期自动识别模型，对尚未标记心动周期的反流频谱图进行心动周期自动标记，使用python脚本对所有标记好心动周期的反流频谱图按照完整心动周期进行裁剪，并按照瓣膜反流超声诊断指南和实际超声诊断报告对裁剪后的反流频谱图进行严重程度分级；步骤5：按照比例将分级、裁剪后的单个心动周期反流频谱图像划分为训练集、验证集和测试集，采用分类识别深度学习模型训练，得到基于单个心动周期反流频谱图的心脏瓣膜反流严重程度智能分类模型；分类识别深度学习模型为ConvNeXt深度学习模型，并且使用余弦预热CosineWarmup学习率更新策略替换ConvNeXt深度学习模型中原本的余弦Cosine学习率更新策略；ConvNeXt深度学习模型在Docker搭建的Ubuntu18.04的PyTorch环境中实现，批处理大小设置为64，初始学习率为0.0001，学习率衰减策略采用余弦退火算法；采用精确率、召回率、特异性和F1指数对ConvNeXt深度学习模型的性能进行评价，同时为这四个指标设置了相同的权值，并且选取在验证集上加权平均值最大的模型作为最终模型；步骤6：将步骤3中单个心动周期标记模型和步骤5中的反流频谱图严重程度智能分类模型串联整合，即可形成心脏瓣膜反流严重程度智能评估模型；步骤7：向心脏瓣膜反流严重程度智能评估模型输入单帧心脏瓣膜反流频谱图，采用单个周期自动识别模型对反流频谱图的完整周期进行标记并截取存储为单个心动周期的频谱图，再通过心脏瓣膜反流严重程度智能识别模型对截取的所有单个心动周期频谱图依次进行严重程度分类，选择严重程度最重的作为心脏瓣膜反流频谱图的评判结果。

全文数据：

权利要求：

百度查询： 四川省医学科学院·四川省人民医院 一种基于深度学习的心脏瓣膜反流严重程度超声评估方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD