[发明专利]基于半监督学习的房颤辅助分析方法

说明书

本发明为一种基于半监督学习的房颤辅助分析方法，首先，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,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；设计损失函数对图像分割模型进行训练，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；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。充分利用CNN擅长捕捉局部信息和MLP擅长捕捉全局信息的特点，提高分割精度，对于临床实践具有重要意义。

技术领域

本发明涉及医学图像分割技术领域，特别是涉及一种基于半监督学习的房颤辅助分析方法。

背景技术

房颤是最常见的心律失常且起源于心房的心脏疾病，据估计全球有超过3000万人受其影响，虽然通过适当的治疗手段可以降低患病风险，但房颤通常是隐匿的，很难及时诊断和干预。目前房颤的诊断方法主要有心脏触诊、光学体积描记术、血压监测振动法和心电图。由于大多数患者主要为阵发性房颤，这四种诊断方法不一定能准确捕捉到房颤发作时间，而且诊断周期长、成本高、准确率低，而且容易受医生主观影响。

左心房的解剖结构为房颤病理研究提供了重要信息，左心房的体积、应变、应变率和射血分数都是预测房颤的独立因子，与健康群体相比，房颤患者的左心房体积显著增大，应变及应变率降低，射血分数降低，目前临床上主要采用这四种临床指标评估房颤，对初步评估房颤具有重要意义。这些临床指标计算的准确性取决于左心房轮廓的准确描绘。随着深度学习的发展，研究者提出许多方法分割左心房，但是大多数采用二维分割方法，临床数据大多数都是三维的，采用二维方法训练模型无法利用切片间的信息，会丢失部分病理信息。三维分割方法不仅能利用切片内的信息，还能利用切片间的解剖结构信息，通常是医学诊断、患者分层和临床治疗的必要条件。

卷积神经网络(CNN)的分割方法主要利用卷积核或滤波器不断地提取特征，许多研究表明特征的实际感受野远小于理论感受野，这不利于充分利用上下文信息进行特征捕获，但是CNN在处理局部特征方面具有优势。多层感知器(MLP)的全连接层通常来说更加擅长捕获全局的上下文信息与空间解剖关系，但是并不擅长捕捉局部的特征。MLP模型的参数量和计算效率均优于同期的CNN，不需要在性能和效率之间有过多取舍。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提出一种基于半监督学习的房颤辅助分析方法；首先，利用图像分割模型得到左心房分割预测图，再基于左心房分割预测图计算左心房体积、应变、应变率和射血分数这四种临床指标，将其与正常参考范围比较，辅助医生诊断是否患有房颤。

本发明解决所述技术问题采用的技术方案如下：

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：