[发明专利]一种基于深度学习的心磁图分级方法

说明书

一种基于深度学习的心磁图分级方法，包括以下步骤：首先将测得的心磁信号进行预处理，得到所需的电流密度矢量图，然后对样本进行适当的扩充，再通过扩充后的样本对网络进行训练得到较优模型，用于心磁图的分级。本发明方法实施简单，只需要少量的心磁图电流密度矢量图对网络进行训练就可以达到很高的分级准确率。

技术领域

本发明涉及一种心磁图分级方法。

背景技术

一直以来，心脏病都严重影响着人类的身体健康，心电图(electrocardiography，ECG)和心磁图(magnetocardiography，MCG)是目前两种用来探测心脏电生理活动的技术，由于人体组织磁导率的变化很小，可以被认定为是一个常数，所以磁信号在身体内的传播几乎不会受到影响，这使得MCG对于生物现象的检测更加可靠，可以提高各种心脏疾病诊断的准确性。

心磁图电流密度矢量图的分级是临床心磁图诊断的一个重要指标。目前心磁图电流密度矢量图的相关研究较少，已知的大多都是用传统的机器学习进行分级，这类方法虽然有效果，但是需要研究人员去设计实验去提取心磁图电流密度矢量图的特征，耗时耗力，因此有必要开发一种新的方法简单高效的进行心磁图电流密度矢量图的分级。

发明内容

本发明要克服现有技术的上述缺点，提供一种高效、准确率俱佳的用于小样本心磁图电流密度矢量图的分级方法。对心脏病的临床辅助诊断具有极大的实用意义。

心磁图是一种新型的，无创性的检测心脏病的技术，其中心磁图电流密度矢量图的分级又是一个重要的评估指标，鉴于卷积神经网络在图像分类方面的优异性能且迁移学习适用于小样本分类的特点，本发明提出一种基于ResNet18和迁移学习的心磁图电流密度矢量图分级方法。

本发明的一种基于深度学习的心磁图分级方法，包括如下步骤：

步骤1，采集受试者的心磁数据，处理后生成电流密度矢量图，然后将所有的样本送给专家进行标注，最后得到5类(0级、1级、2级、3级、4级)带标签的数据。

步骤2，对步骤1标注好的样本进行扩展(改变对比度，改变色度，改变亮度，加入随机噪声，锐化)。

步骤3，将扩展后的数据集和原始的数据集混在一起，以6:2:2的比例划分为训练集、验证集和测试集。

步骤4，加载在ImageNet数据集上预训练好的ResNet18网络，去掉最后节点为1000的softmax输出层，根据心磁图分级任务增加一个5个节点的输出层；然后将划分好的训练集和验证集输入网络进行训练，获得较优的网络模型并保存网络权重供后续的识别分类；由于卷积神经网络提取到的图片的底层特征都是大同小异的，所以在训练时冻结ResNet的前几层，不让其参加误差的反向传播。

步骤5，使用训练好的网络模型，随机抽取测试集中的图片输入网络模型，网络模型输出图片对应的预测标签、对应的概率，并输出评估模型的评估指标。

本发明利用卷积神经网络自动提取图像特征的性质，且迁移学习不需要大量的训练图像，将二者结合使用，只需要将少量的带标签的样本放到网络中训练，然后调整相关参数，待网络达到较优效果即可，本发明获得了不错的分级准确率，有助于后续心磁图的临床推广和心脏病的辅助诊断。

本发明的优点是：实施简单，只需要少量的心磁图电流密度矢量图对网络进行训练就可以达到很高的分级准确率。

附图说明

图1为本发明方法的整体流程图。

图2为本发明方法的网络结构图。

图3为本发明的网络训练的损失曲线。

图4为本发明的网络训练准确率和验证准确率曲线。

具体实施方式

下面结合附图进一步说明本发明的技术方案。