[发明专利]一种基于Faster R-CNN和SRGAN的相位奇点自动识别方法

权利要求书

1.一种基于Faster R-CNN和SRGAN的相位奇点自动识别方法，其特征在于，包括如下步骤：

(1)构建心脏模型，模拟心脏螺旋波紊乱获得相位奇点图像；

(2)通过数据扩充方式得到若干张相位奇点图像；将图像进行类别标注，得到若干张带有标注的训练数据，将训练数据制作成相位奇点数据集；

(3)建立Faster R-CNN网络模型，将相位奇点数据集输入到Faster R-CNN神经网络中进行训练；

(4)构建SRGAN网络模型，并利用相位奇点数据集对SRGAN网络模型进行训练；

(5)将需要识别的相位奇点图像输入到训练好的SRGAN网络模型中，提高相位奇点图像的空间分辨率，再将提高分辨率后的图像输入到Faster R-CNN网络模型中，输出获得相位奇点所处位置的结果。

2.根据权利要求1所述的一种基于Faster R-CNN和SRGAN的相位奇点自动识别方法，其特征在于：所述步骤(1)具体如下：

(1.1)以下列公式构建一块心肌组织：

其中V表示动作电位，单位为mV；t表示时间，单位为ms；C_m＝1.0μF/cm₂是理想化的膜间电容，D＝0.001cm₂/ms是扩散电流系数，总离子电流I_ion是由离子门决定，其门控变量是作为非线性常微分方程耦合系统的解而获得的；

(1.2)在这块肌组织左侧加入刺激电极后，激发出一列由左向右传播的平面波，当平面波传导至中心位置时，在垂直于平面波的底部施加刺激电极，从而引发第二个向上传播的平面波；

(1.3)第二个平面波进入第一个平面的不应期尾部并形成明显的曲率，从而形成螺旋波。

3.根据权利要求1所述的一种基于Faster R-CNN和SRGAN的相位奇点自动识别方法，其特征在于：所述步骤(2)中对制作相位奇点数据集的过程为：将相位奇点图像根据VOC2007数据集格式进行处理和标注；采用了若干种常规的数据扩充方式，常规的数据扩充方式包括但不限于旋转、亮度、色彩、噪声，最终获得若干张螺旋波斑图；使用标注工具对图像进行标注，生成图像的目标坐标信息文件；其中将数据集分为三部分，分别是训练集、验证集和测试机；将标注好的图像使用python程序进行随机分配到训练集、验证集和测试集，比例为8：1：1。

4.根据权利要求1所述的一种基于Faster R-CNN和SRGAN的相位奇点自动识别方法，其特征在于：所述步骤(3)中对建立Faster R-CNN网络模型的过程如下：

(3.1)搭建卷积神经网络，采用ResNet50作为Faster R-CNN的骨干网络，用于提取相位奇点的特征，经过ResNet50网络得到特征图，该特征图用于后续的RPN网络和全连接层；

(3.2)搭建RPN网络，用于推荐候选区域，同时采用非极大值抑制法选取得分较高的候选框；

(3.3)搭建感兴趣区域池化层，将不同大小的输入转换为固定长度的输出；

(3.4)使用softmax函数进行分类和回归，输出候选区域所属的类和候选区域在图像的精确位置。

5.根据权利要求1所述的一种基于Faster R-CNN和SRGAN的相位奇点自动识别方法，其特征在于：所述步骤(4)中对构建SRGAN网络模型的方法如下：

(4.1)搭建SRGAN网络的生成网络，生成网络由三部分组成，首先是一个卷积层和RELU函数，然后经过残差网络和一个残差边，最后进入上采样部分，将长宽进行放大，两次上采样后，变为原来的4倍，实现提高分辨率；

(4.2)搭建SRGAN网络的判别网络，判别网络由不断重复的卷积层、LeakyRELU函数和BN标准化组成，它的作用是是得到预测的自然图像的概率，由两个全连接层和最终的sigmoid激活函数获得。