[发明专利]一种基于深度神经网络的心肌梗死心电图的筛查方法

说明书

一种基于深度神经网络的心肌梗死心电图的筛查方法，包括以下步骤：步骤一，对原始心电图像进行预处理，去除网格框；步骤二，对步骤一中的图像进行中值滤波处理，消除去除网格框后留下椒盐噪点；步骤三，通过直方图均衡化方法增强对比度，缩放心电图将尺寸统一为224*224，并将数据归一化为[0,1]；步骤四，构建深度神经网络，并利用ECG训练集进行训练。得到能够诊断是否患有心肌梗死的二分类神经网络；步骤五，利用训练得到的深度神经网络对心电图心肌梗死进行辅助筛查。本发明可以根据心电图辅助判断是否是心肌梗死。

技术领域

本发明涉及医学图像分析领域及机器学习领域，特别涉及一种心电图心肌梗死筛查方法，属于基于深度学习的医学图像分析领域。

背景技术

心肌梗死(Myocardial Infarction,MI)是一种较为常见的心脏疾病。早期发现对于经皮冠状动脉介入治疗(PCI)或冠状动脉搭桥手术有效治疗急性心肌梗死至关重要。心肌梗死通常是通过临床表现、实验室结果和心电图来诊断的。心电图是通过记录体表特定位置随时间变化的电势而产生的，电势代表心脏的电活动。心电曲线偏离通常的形状可以表明心肌梗死以及许多其他心脏和非心脏疾病。心电图(Electrocardiograph,ECG)是一种流行的诊断工具，因为它们是非侵入性的，生产成本低，但提供了很高的诊断价值。

在基于心电图的心肌梗死判断过程中，医生需要花费大量的时间去仔细诊断每个导联产生的心电图，这对医生的精力和自身的专家知识有较高的要求。而且心电图中波段特征差异较小，这容易造成一定几率的漏诊和误诊。并且在部分地区，由于条件限制，从事基于心电图诊断病患病情的医生有限。近年来，传统计算机辅助诊断方法多采用小波变化和k近邻方法诊断，但这些方法对心电图质量要求较高，样本的好坏容易影响模型的结果。目前有一些成熟的对多种心律失常的研究，但是专门对心肌梗死疾病的研究却很少。此外，心肌梗死在ECG中症状表现不同，例如ST段抬高型和非ST段抬高型。针对识别多症状心肌梗死表现的心电图，这对算法的要求较高。这些不利因素使得诊断难度高，难以使用统计方法获得有效特征，加上图像中有大量网格框等噪声，使得传统方法的诊断难度大。

发明内容

为了克服现有ECG心肌梗死诊断方式难度大、效率低下、精度较低的不足，本发明提出了一种速度快、效率高、精度较高的基于深度神经网络的心梗心电图的辅助筛查方法，实现了对心电图的自动分析，可有效对心电图心肌梗死患病情况进行辅助判断。

为了解决其技术问题本发明所采用的技术方案是：

一种基于深度神经网络的心梗心电图的筛查方法，包括以下步骤：

步骤一，对原始心电图像进行预处理，去除网格框；

步骤二，对步骤一中的图像进行中值滤波处理，消除去除网格框后留下椒盐噪点；

步骤三，通过直方图均衡化方法增强对比度，缩放心电图将尺寸统一为224*224，并将数据归一化为[0,1]；

步骤四，构建深度神经网络，并利用ECG训练集进行训练。得到能够判断是否患有心肌梗死的二分类神经网络；

步骤五，利用训练得到的深度神经网络对心电图心肌梗死进行辅助筛查。

进一步，所述步骤一中，对心电图预处理的过程为：将图像转换为灰度图，对灰度图进行按位取反操作，再进行自适应阈值，即图像不同区域采用不同的阈值。得到二值化标签图像；对其进行形态学闭运算操作，减少独立噪声，填充连通区域的孔洞；与原图像进行加操作，获得去除网格框的图像。

优选的，所述步骤一中，对于自适应阈值中采用自适应高斯方法，自适应阈值T(x,y)的计算过程为：

步骤1.1(x,y)周围像素到其中心点的距离通过高斯函数得到对应权值；

步骤1.2计算每个像素周围(15×15)大小像素块的加权均值并减去常量10得到阈值T(x,y)。