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

说明书

本发明涉及一种基于Faster R‑CNN和SRGAN的相位奇点自动识别方法，本发明提出了目标检测领域的Faster R‑CNN算法作为相位奇点的自动检测模型，结合超分辨率生成对抗网络SRGAN用于提高相位奇点空间分辨率，更好的提高相位奇点的识别精度。本发明对于用多电极采集到的ECG图像的自动识别相位奇点具有重大意义。

技术领域

本发明涉及人工智能医学影像辅助诊断技术领域，尤其涉及一种基于Faster R-CNN和SRGAN的相位奇点自动识别方法。

背景技术

心房颤动会导致心跳加快，使心房失去有效的收缩功能，从而导致患者出现呼吸困难，严重的患者可能会出现心力衰竭甚至死亡。目前，射频消融技术是心房除颤的首选疗法。射频消融技术通过消除病变的心肌细胞治愈房颤，为了提高射频消融技术的治疗效果，确定射频消融的消融靶点是至关重要的。而房颤时产生的螺旋波的相位奇点往往是心脏组织中的病变组织。所以，确定螺旋波的相位奇点就可以确定射频消融的目标点。

现有的检测相位奇点算法都是人工来识别相位奇点，由于采集到的相位奇点图像空间分辨率过低，识别的准确率并不是特别高。在治疗过程中，医生会采集患者的ECG信号，ECG信号记录了心脏内壁各处电生理活动的时空分布特性。因此，采集到的ECG信号其实可以看作是一种图像信号，基于这些信号的相位奇点检测可进一步视为计算机视觉领域的目标检测问题。

由于近年来深度神经网络的发展，基于区域卷积神经网络(R-CNN)的目标检测已被认为是辅助医学诊断的理想方法。医生可以利用医学图像的自动检测结果获得对患者特定病理特征的进一步了解，并做出更准确的诊断。

发明内容

本发明为克服上述的不足之处，目的在于提供一种基于Faster R-CNN和SRGAN的相位奇点自动识别方法，采用基于深度学习的Faster R-CNN和SRGAN的自动识别相位奇点方法来代替传统的人工识别方法，可以更好的提高相位奇点的识别精度。本发明对于用多电极采集到的ECG图像的自动识别相位奇点具有重大意义。

本发明是通过以下技术方案达到上述目的：一种基于Faster R-CNN和SRGAN的相位奇点自动识别方法，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。

作为优选，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；