[发明专利]基于半监督学习的房颤辅助分析方法

权利要求书

1.一种基于半监督学习的房颤辅助分析方法，其特征在于，该方法包括以下内容：

1)搭建图像分割模型，图像分割模型包括编码器和解码器，编码器和解码器均包括三个卷积模块和两个多层感知器模块，编码器和解码器对应模块之间跳跃连接；卷积模块包括卷积层、归一化层和激活函数层，多层感知器模块包括在宽度方向具有移动窗口的多层感知器、在高度方向具有移动窗口的多层感知器、在深度方向具有移动窗口的多层感知器、归一化层、激活函数层和随机失活层；多层感知器模块将特征图在宽度、高度和深度三个方向上进行移动，进而将多层感知器扩展至三维方向；

2)设计损失函数对图像分割模型进行训练，损失函数包含监督损失和无监督不确定度损失，将心脏磁共振图像输入到训练后的图像分割模型中，得到左心房分割预测图；

3)基于左心房分割预测图，计算左心房体积、应变、应变率和射血分数四种临床指标，根据临床指标是否在正常参考范围内，辅助医生分析房颤；

左心房体积的计算公式为：

其中，L表示左心房后壁至二尖瓣附着点之间的距离，A₁、A₂分别表示二腔室长轴视图和四腔室视图中左心房的切片面积；

绘制左心房体积随时间的变化曲线，计算曲线的梯度，梯度小于0的时间段表明左心房在持续收缩，因此将梯度小于0的起始时间点作为舒张末期，梯度小于0的终止时间点作为收缩末期；

计算左心房的应变、应变率以及射血分数，应变包括周向应变、总应变、被动应变和主动应变，应变率是应变对时间的导数；计算公式为：

其中，L_t表示t时刻左心房分割预测图的轮廓周长，L₀表示初始时刻左心房分割预测图的轮廓周长，LA_EDV表示左心房舒张末期体积，LA_ESV表示左心房收缩末期体积，LAV_pre表示左心房收缩前的体积；

将左心房体积、应变、应变率和射血分数这四项临床指标与正常参考范围作对比，达到辅助分析房颤的目的。

2.根据权利要求1所述的基于半监督学习的房颤辅助分析方法，其特征在于，多层感知器模块的处理过程为：

首先，利用将特征图X在宽度方向上进行移动，将移动后的特征图X_shift映射为分离特征图T_W，再利用多层感知器对分离特征图T_W进行处理，然后通过深度可分离卷积(DWConv)将处理后的特征图传递至在高度方向具有移动窗口的多层感知器，得到特征图Y；将特征图Y在高度方向上进行移动，将移动后的特征图Y_shift映射为分离特征图T_H，分离特征图T_H经过多层感知器处理后传递至在深度方向具有移动窗口的多层感知器，得到特征图Z；将特征图Z在深度方向上进行移动，将移动后的特征图Z映射为分离特征图T_D，分离特征图T_D经过多层感知器处理后，再依次经过归一化层、激活函数层和随机失活层，然后进行残差连接，得到多层感知器模块的输出特征图，输出特征图传递到下一个模块；多层感知器模块的表达式为：

Y＝f(DWConv(MLP(T_W))) (2)

Z＝f(MLP(T_H)) (4)

Y＝f(T+dropout(GELU(GN(MLP(T_D))))) (6)

其中，Shift_W(·)、Shift_H(·)和Shift_D(·)分别表示宽度、高度和深度方向上的移动函数，W表示宽度，H表示高度，D表示深度，Tokenize(·)表示映射为分离特征图的函数，MLP(·)表示多层感知器处理函数，f(·)表示传递函数，GN(·)表示归一化函数，GELU(·)表示GELU激活函数，dropout(·)表示过拟合处理函数，T表示分离特征图。