[发明专利]一种基于卷积与长短期记忆神经网络的心肌病识别系统

权利要求书

1.一种基于卷积与长短期记忆神经网络的心肌病识别系统，其特征在于：所述系统包括心脏核磁图片预处理模块、神经网络架构模块、移动端模型MobileNet模块和含先验信息的分类损失函数模块；

心脏核磁图片预处理模块与神经网络架构模块信号连接，神经网络架构模块一端与心脏核磁图片预处理模块信号连接，另一端与移动端模型MobileNet模块信号连接，分类损失函数模块与移动端模型MobileNet模块信号连接。

2.根据权利要求1所述的一种基于卷积与长短期记忆神经网络的心肌病识别系统，其特征在于：

所述心脏核磁图片预处理模块具体为：首先将心脏核磁图片导入网络框架，用shuffle函数将图片的样本顺序打乱，然后给定batch_size进行批处理数据用以训练，对于每一个batch_size，都会创建一个线程进行处理；对于病理分类的诊断依据来源于中间层面的图像信息，所以对图像数据进行压缩与重组后，通过固定中间层面这一维度的信息，提取每一4D图像的中间层面的特征，并将帧数的数目进行放缩使之与接下来网络输入层的通道数相匹配，以便提取出与网络结构相匹配的图像关键信息，在所有线程均结束后，就代表一个batch_size的数据已经处理完毕，即将其放入网络进行训练。

3.根据权利要求1所述的一种基于卷积与长短期记忆神经网络的心肌病识别系统，其特征在于：

所述神经网络架构模块具体为：在进行心脏病理分类训练任务时，神经网络架构模块包括两个部分：

第一部分是三维卷积神经网络3DCNN模型模块；

第二部分是卷积长短期记忆神经网络ConvLSTM变体模型模块，ConvLSTM变体模型与3DCNN模型信号连接；

第一部分的三维卷积神经网络3DCNN模型模块针对局部短期时空特征进行学习，根据网络的结构对输入的维度进行调整，然后代入神经网络模型进行运算，得到每个疾病的概率预测；

第二部分的卷积长短期记忆神经网络ConvLSTM变体模块针对长期的时空特征进行学习，根据训练集中给定的分类结果对概率预测进行评估，将评估的结果用以调整模型的参数；

第二部分卷积长短期记忆神经网络ConvLSTM变体模型内卷积层采用二维卷积，针对该网络模型，采用一种变体，即在输入特征和隐藏状态上执行全局平均池GlobalAveragePooling以替代卷积公式(1)和(2)，神经网络层间逻辑函数如下：

H_t＝o_totanh(C_t) (8)

其中，σ是sigmoid function，W_x～和W_h～是二维卷积核，Q_t是输入，C_t代表cell state，用于存储时间跨度较长的远期记忆；H_t代表hidden state，与cell state相对，用于存储近期的记忆；G_t代表candidate memory候选记忆；i_t,f_t,o_t都是一维向量，分别代表LSTM单元的输入门，遗忘门，输出门；b代表偏置项，b_i代表输入门的偏置项，b_f代表遗忘门的偏置项，b_o代表输出门的偏置项，针对每个门设置不同的偏置项，使网络的分类效果更显著；

输入到状态转换的卷积结构公式(6)用于时空特征融合，设输入Q_t具有匹配通道C_in的W×H的空间尺寸，ConvLSTM具有匹配通道C_out的P×P的卷积内核尺寸，那么模型的参数大小表示为

SizeParam_ConvLSTM”＝(P×P+C_out×4)×(C_in+C_out)，其中P为卷积核的尺寸；

假设不对ConvLSTM进行变体，模型的参数大小为：

SizeParam_ConvLSTM＝P×P×(C_in+C_out)×C_out×4。