[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

说明书

本发明涉及一种基于卷积与长短期记忆神经网络的心肌病识别系统，属于医学图像分析技术领域。该系统包括以下模块：1：心脏核磁图片预处理模块；2：神经网络架构模块；3；移动端模型MobileNet模块；4：含先验信息的分类损失函数模块。该系统主要将深度卷积神经网络与卷积长短期记忆神经网络的变体相结合，无需人工分割左心室心肌内外膜等解剖结构，基于一定的先验知识，通过给定足够的数据集进行分类训练，最后实现模型参数的拟合确定，提高心脏核磁数据完成肥心病、扩心病、正常心肌的诊断准确性，该技术的突破可缩短临床心脏磁共振图像的处理诊断时间。

技术领域

本发明属于医学图像分析技术领域，涉及一种基于卷积与长短期记忆神经网络的心肌病识别系统。

背景技术

早期进行心房磁共振分析诊断时，临床医生主要依赖主观经验利用手动分割软件(例如：3D slicer，ITK-SNAP等)对心脏各部分进行划分后进行相应的诊断。随着机器学习的普及，许多机器学习的方案也开始被运用于心脏诊断领域。譬如Khened等人除了病人的身高体重之外，还使用了从分割图中提取出来的9个特征，根据这些特征，他们训练了100棵树的随机森林分类器进行预测。Wolterink等人则提取了14个特征(包括12个从分割图中提取的和病人的身高体重)并使用了一个包含1000棵决策树的五级随机森林分类器进行分类。以上主要都是采用随机森林分类器的方法，但因为数据噪声比较大，模型泛化能力较弱，且对不同类型的图像数据，可能有不同的取值的属性的数据，而取值属性划分较多的属性会对该森林造成很大的影响。Cetin等人进而采用SVM进行分类，先采用半自动分割方法手动提取心脏结构轮廓并计算了567个特征，然后根据这些生理特征的形状特征，强度大小以及各种纹理性质选择其中最具鉴别性的特征，使用SVM进行分类。但不可否认的是，该算法针对大规模的训练样本难以实施，且仍然需要对图像进行分割进而进行信息特征的提取，并且心房手动分割耗时长、容易受主观因素影响。

发明内容

有鉴于此，本发明的目的在于提供一种基于卷积与长短期记忆神经网络的心肌病识别系统。要克服病理分类中特有的难点，需要充分利用图像数据量足够的一大优势，由于心脏核磁图像多为四维图像，包含图像的结构，层面的信息，时间的序列，故想到构建三维神经网络与二维神经网络结合的架构以充分利用图像信息和模型优势，即固定一维，以另外三维作为模型的输入，中间层可以变更网络的维度以进一步提取图像层面的信息，并设计结构化风险最小的损失函数，进而搭建出合适的网络架构，通过训练集得到对病理分类的概率矩阵，将其与真实值计算损失函数并进而通过梯度下降对模型参数进行修正，不断地优化模型，使模型的准确率不断上升以适应实际应用。这样可以充分发挥深度神经网络的优势。

为达到上述目的，本发明提供如下技术方案：

一种基于卷积与长短期记忆神经网络的心肌病识别系统，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。

可选地，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。

可选地，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：