CN112927224A - 基于深度学习及随机森林的心脏核磁图像识别方法、装置及设备、存储介质 - Google Patents

基于深度学习及随机森林的心脏核磁图像识别方法、装置及设备、存储介质 Download PDF

Info

Publication number
CN112927224A
CN112927224A CN202110341121.2A CN202110341121A CN112927224A CN 112927224 A CN112927224 A CN 112927224A CN 202110341121 A CN202110341121 A CN 202110341121A CN 112927224 A CN112927224 A CN 112927224A
Authority
CN
China
Prior art keywords
nuclear magnetic
magnetic image
random forest
cardiac
image recognition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110341121.2A
Other languages
English (en)
Inventor
郝戍峰
李灯熬
赵菊敏
郑超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202110341121.2A priority Critical patent/CN112927224A/zh
Publication of CN112927224A publication Critical patent/CN112927224A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像识别领域，特别是一种基于深度学习及随机森林的心脏核磁图像识别方法、装置及设备、存储介质。所述方法包括利用傅里叶分析提取心脏核磁图像的感兴趣区域，分割心脏结构；改进二维卷积神经U‑Net网络，对心脏核磁图像的心脏结构进行分割获得分割特征；将分割特征按照预设输入参数输入随机森林分类器识别正常或心衰。本发明方法能够有效降低心衰的误诊率，同时为医生的诊断提供可靠的参考依据并大大减少医生做重复工作的时间及病人等待诊断结果的时间。

Description

基于深度学习及随机森林的心脏核磁图像识别方法、装置及 设备、存储介质
技术领域
本发明涉及图像识别领域，特别是一种基于深度学习及随机森林的心脏核磁图像识别方法、装置及设备、存储介质。
背景技术
心力衰竭是一种发病率很高的严重疾病(在发达国家的成年人中约2％，在75岁以上的患者中超过8％)。大约3-5％的住院病人与心力衰竭有关。心力衰竭是医疗保健专业人员在临床实践中入院的第一个原因。治疗费用非常高，在发达国家高达保健总费用的2％。建立有效的疾病管理策略需要对大量数据进行分析，及早发现疾病，评估严重程度并及早预测不良事件。这将抑制疾病的发展，提高患者的生活质量，并降低相关的医疗费用。
发明内容
本发明的目的在于提供一种基于深度学习及随机森林的心脏核磁图像识别方法、装置及设备、存储介质，能够有效降低心衰的误诊率，同时能够为医生的诊断提供可靠的参考依据并大大减少医生做重复工作的时间及病人等待诊断结果的时间。
为实现上述技术目的，达到上述技术效果，本发明提供了一种基于深度学习及随机森林的心脏核磁图像识别方法，所述心脏核磁图像识别方法包括，S11利用傅里叶分析提取心脏核磁图像的感兴趣区域，分割心脏结构；
S12改进二维卷积神经U-Net网络，对心脏核磁图像的心脏结构进行分割获得分割特征；
S13将分割特征按照预设输入参数输入随机森林分类器识别正常或心衰。
进一步地，所述S11包括，
心脏核磁图像包括心脏结构和周围结构，所述周围机构包括肺、膈肌；通过傅里叶分析提取心脏核磁图像的一阶谐波图像，得到相应心跳频率下的最大活动，假设左心室近似于一个圆，对第一幅一阶谐波图像进行canny边缘检测；利用圆形Hough变换方法从边缘图中计算出左心室的近似半径和中心，确实左心室分割范围，通过感兴趣区域检测方法从周围结构中描绘出心脏结构。
进一步地，所述S11还包括，
通过按照1.4×1.4mm2间距重新采样二维图像切片校正体素大小的差异；
根据图像中强度的第5和第95百分位数，将每个心脏核磁图像归一化在[0.0,1.0]之间校正图像间的强度差异。
进一步地，所述S12还包括，
利用预训练模型MedicalNet进行迁移学习，为训练模型提供权重初始化功能。
进一步地，所述S12还包括，
在小物体的改进U-Net网络情况下，通过汇集提取全局特征，通过阻塞反卷积路径来维护小对象的空间信息，允许小对象特征进入跳过连接而不被池化移除；在大型物体的改进U-Net网络情况下，跳跃连接中的特征信息仅限于边缘信息，避免低分辨率信息的重复。
进一步地，所述S12还包括，
采用了交叉熵损失函数和基于dice-coefficient损失函数的加权组合训练网络，组合损失公式为：
total-loss＝λ(cross-entropy-loss)+γ(1-DICE)+L2-loss
其中，λ和γ是靠经验分配权重，设γ＝0.75和λ＝0.25，函数中添加了10e-4的L2权重衰减。
进一步地，所述S13步骤还包括，
提取自训练数据集分割结果属性用于训练随机森林分类器，所述分割结果属性包括，左心室的体积、左心室的射血分数、病人的短轴心脏全序列图像、长轴4腔心图像以及病人的年龄和性别；
将所述分割结果属性对应数据作为预设输入参数，输入到训练好的随机森林分类器。
作为本发明的又一方面，提供一种基于深度学习及随机森林的心脏核磁图像识别装置，所述心脏核磁图像识别装置包括，
数据预处理模块，用于利用傅里叶分析提取心脏核磁图像的感兴趣区域，分割心脏结构；
图像分割模块，用于改进二维卷积神经U-Net网络，对心脏核磁图像的心脏结构进行分割获得分割特征；
特征识别模块，用于将分割特征按照预设输入参数输入随机森林分类器识别正常或心衰。
作为本发明的再一方面，提供一种心脏核磁图像识别设备，所述心脏核磁图像识别设备包括：存储器、处理器，通信总线以及存储在所述存储器上的基于深度学习及随机森林的心脏核磁图像识别程序，
所述通信总线用于实现处理器与存储器间的通信连接；
所述处理器用于执行所述基于深度学习及随机森林的心脏核磁图像识别程序，以实现如上述任一项所述的基于深度学习及随机森林的心脏核磁图像识别方法的步骤。
作为本发明的另一方面，提供一种存储介质，所述存储介质上存储有基于深度学习及随机森林的心脏核磁图像识别程序，所述基于深度学习及随机森林的心脏核磁图像识别程序被处理器执行时实现如上述任意一项所述基于深度学习及随机森林的心脏核磁图像识别方法的步骤。
本发明实施例至少部分实现了如下技术效果：
本发明通过该改进的二维卷积神经网络U-Net实现在心脏核磁图像中对心脏自动分割，然后结合随机森林进行心衰诊断识别，克服了由于心脏核磁图像的多样性、复杂性给医生的诊断造成的困难；基于深度学习对心脏核磁图像的自动分类能够有效降低心衰的误诊率，同时能够为医生的诊断提供可靠的参考依据并大大减少医生做重复工作的时间及病人等待诊断结果的时间。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、以及附图中所记载的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明一实施例基于基于深度学习及随机森林的心脏核磁图像识别方法的流程图；
图2为本发明一实施例改进二维卷积神经U-Net网络结构示意图；
图3为本发明一实施例基于深度学习及随机森林的心脏核磁图像识别装置的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。
在一个实施例中，如图1所示，提供一种基于深度学习及随机森林的心脏核磁图像识别方法，所述心脏核磁图像识别方法包括，
S11利用傅里叶分析提取心脏核磁图像的感兴趣区域，分割心脏结构；
S12改进二维卷积神经U-Net网络，对心脏核磁图像的心脏结构进行分割获得分割特征；
S13将分割特征按照预设输入参数输入随机森林分类器识别正常或心衰。
在本实施例中主要包括三个部分，第一部分是数据预处理，第二部分是基于所提出的改进的二维卷积神经网络U-NET对心脏核磁图像进行分割，第三部分是由分割结果提取出的特征使用随机森林进行心衰诊断。
在一个实施例中，所述S11包括，
心脏核磁图像包括心脏结构和周围结构，所述周围机构包括肺、膈肌；通过傅里叶分析提取心脏核磁图像的一阶谐波图像，得到相应心跳频率下的最大活动，假设左心室近似于一个圆，对第一幅一阶谐波图像进行canny边缘检测；利用圆形Hough变换方法从边缘图中计算出左心室的近似半径和中心，确实左心室分割范围，通过感兴趣区域检测方法从周围结构中描绘出心脏结构。
在本实施例中为对数据的预处理，上述方法为感兴趣区域的提取，患者的心脏MR图像包括心脏和周围各种结构，如肺和膈肌。首选需要分割各种心脏结构，提出一种自动的感兴趣区域检测方法，用来从周围组织中描绘出心脏结构。其中，傅里叶分析即Fourier分析，是数学的一个分支领域。它研究如何将一个函数或者信号表达为基本波形的叠加；Canny边缘检测是一个多阶段的算法，即由图像降噪、计算图像梯度、及非极大值抑制及阈值筛选等步骤构成；Hough变换是一种利用图像的全局特征将特定形状边缘链接起来。它通过点线的对偶性，将源图像上的点影射到用于累加的参数空间，把原始图像中给定曲线的检测问题转化为寻找参数空间中的峰值问题。由于利用全局特征，所以受噪声和边界间断的影响较小，比较鲁棒。
在一个实施例中，所述S11还包括，
通过按照1.4×1.4mm2间距重新采样二维图像切片校正体素大小的差异；
根据图像中强度的第5和第95百分位数，将每个心脏核磁图像归一化在[0.0,1.0]之间校正图像间的强度差异。
在本实施例中为数据划分与数据增强，校正了体素大小的差异及校正图像间的强度差异。
在一个实施例中，所述S12还包括，
利用预训练模型MedicalNet进行迁移学习，为训练模型提供权重初始化功能。
在本实施例中，MedicalNet为来自腾讯优图的首个医疗AI深度学习预训练模型，这也是全球第一个提供多种3D医疗影像专用预训练模型的项目。MedicalNet聚集了来自多个不同3D医疗领域的语义分割小规模数据集，并提出了基于多分支解码器的多域联合训练模型来解决数据集中的标注缺失问题；这一预训练的适用性也很强，可以迁移到任何3D医疗影像应用的深度学习模型中，预训练模型为训练模型提供强大的权重初始化功能，在提高准确率和稳定性的同时，大大降低了训练模型的时间和难度。
在本实施例中，所述S12还包括，
在小物体的改进U-Net网络情况下，通过汇集提取全局特征，通过阻塞反卷积路径来维护小对象的空间信息，允许小对象特征进入跳过连接而不被池化移除；在大型物体的改进U-Net网络情况下，跳跃连接中的特征信息仅限于边缘信息，避免低分辨率信息的重复。
在传统U-NET中，收缩路径是利用传统卷积神经网络的卷积池化组件，其中经过一次下采样之后，channels变为原来的2倍。扩张路径用2*2的反卷积，反卷积的输出通道为原来通道数的一半，再与原来的feature map(裁剪之后)串联，得到和原来一样多的通道数的feature map，再经过2个尺寸为3*3的卷积和ReLU的作用。裁剪特征图是必要的，因为在卷积的过程中会有边界像素的丢失。在最后一层通过卷积核大小为1*1的卷积作用得到想要的目标种类。在Unet中一共有23个卷积层。但是这个网络需要谨慎的选择输入图片的尺寸，以保证所有的Max Pooling操作作用于长宽为偶数的feature map。本实施例改进的部分参考附2图所示。
在传统的U-Net的情况下，特征的全部信息通过跳跃连接，并且只有低分辨率信息被传送到下一阶段。小物体的空间信息往往在汇集后由于分辨率损失而消失。在小物体的改进U网情况下，可以通过汇集提取更高级别的全局特征而不损失分辨率。通过阻塞反卷积路径来维护小对象的空间信息，这允许小对象特征进入跳过连接而不被池化移除。在大型物体的改进U网情况下，跳跃连接中的特征信息仅限于边缘信息，以避免低分辨率信息的重复。
在一个实施例中，所述S12还包括，
采用了交叉熵损失函数和基于dice-coefficient损失函数的加权组合训练网络，组合损失公式为：
total-loss＝λ(cross-entropy-loss)+γ(1-DICE)+L2-loss
其中，λ和γ是靠经验分配权重，设γ＝0.75和λ＝0.25，函数中添加了10e-4的L2权重衰减。
在医学影像中感兴趣的解剖结构在整个图像中只有稀疏的代表。这导致了数据集中的类不平衡，从而使得难以学习感兴趣区域的细微结构。为了解决这一问题，在本实施例中，采用了两种损失函数的加权组合，即:交叉熵损失和基于dice co-efficient的损失函数用于训练网络。
在一个实施例中，所述S13步骤还包括，
提取自训练数据集分割结果属性用于训练随机森林分类器，所述分割结果属性包括，左心室的体积、左心室的射血分数、病人的短轴心脏全序列图像、长轴4腔心图像以及病人的年龄和性别；
将所述分割结果属性对应数据作为预设输入参数，输入到训练好的随机森林分类器。
在本实施例中，使用了以下提取自训练数据集分割结果的属性:左心室的体积(左心室收缩末期和舒张末期)，左心室的射血分数；病人的短轴心脏全序列图像，长轴4腔心图像；以及病人的年龄和性别。用于训练随机森林分类器。把上面的参数作为输入，输入到训练好的随机森林分类器，最终诊断为:正常或者心衰。
基于同一发明构思，本发明实施例还提供了一种基于深度学习及随机森林的心脏核磁图像识别装置、心脏核磁图像识别设备及存储介质，其所解决问题的原理与前述实施例的基于深度学习及随机森林的心脏核磁图像识别方法相似，因此该基于深度学习及随机森林的心脏核磁图像识别装置、心脏核磁图像识别设备及存储介质的实施可以参见前述实施例的方法的实施，重复之处不再赘述。
在一个实施例中，参考图3，提供一种基于深度学习及随机森林的心脏核磁图像识别装置，所述心脏核磁图像识别装置包括，
数据预处理模块11，用于利用傅里叶分析提取心脏核磁图像的感兴趣区域，分割心脏结构；
图像分割模块12，用于改进二维卷积神经U-Net网络，对心脏核磁图像的心脏结构进行分割获得分割特征；
特征识别模块13，用于将分割特征按照预设输入参数输入随机森林分类器识别正常或心衰。
在一个实施例中，提供一种心脏核磁图像识别设备，所述心脏核磁图像识别设备包括：存储器、处理器，通信总线以及存储在所述存储器上的基于深度学习及随机森林的心脏核磁图像识别程序，
所述通信总线用于实现处理器与存储器间的通信连接；
所述处理器用于执行所述基于深度学习及随机森林的心脏核磁图像识别程序，以实现如上述任一项所述的基于深度学习及随机森林的心脏核磁图像识别方法的步骤。
在一个实施例中，提供一种存储介质，所述存储介质上存储有基于深度学习及随机森林的心脏核磁图像识别程序，所述基于深度学习及随机森林的心脏核磁图像识别程序被处理器执行时实现如上述任意一项所述基于深度学习及随机森林的心脏核磁图像识别方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述心脏核磁图像识别方法包括，
S11利用傅里叶分析提取心脏核磁图像的感兴趣区域，分割心脏结构；
S12改进二维卷积神经U-Net网络，对心脏核磁图像的心脏结构进行分割获得分割特征；
S13将分割特征按照预设输入参数输入随机森林分类器识别正常或心衰。
2.如权利要求1所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S11包括，
心脏核磁图像包括心脏结构和周围结构，所述周围机构包括肺、膈肌；通过傅里叶分析提取心脏核磁图像的一阶谐波图像，得到相应心跳频率下的最大活动，假设左心室近似于一个圆，对第一幅一阶谐波图像进行canny边缘检测；利用圆形Hough变换方法从边缘图中计算出左心室的近似半径和中心，确实左心室分割范围，通过感兴趣区域检测方法从周围结构中描绘出心脏结构。
3.如权利要求2所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S11还包括，
通过按照1.4×1.4mm2间距重新采样二维图像切片校正体素大小的差异；
根据图像中强度的第5和第95百分位数，将每个心脏核磁图像归一化在[0.0,1.0]之间校正图像间的强度差异。
4.如权利要求1所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S12还包括，
利用预训练模型MedicalNet进行迁移学习，为训练模型提供权重初始化功能。
5.如权利要求4所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S12还包括，
在小物体的改进U-Net网络情况下，通过汇集提取全局特征，通过阻塞反卷积路径来维护小对象的空间信息，允许小对象特征进入跳过连接而不被池化移除；在大型物体的改进U-Net网络情况下，跳跃连接中的特征信息仅限于边缘信息，避免低分辨率信息的重复。
6.如权利要求5所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S12还包括，
采用了交叉熵损失函数和基于dice-coefficient损失函数的加权组合训练网络，组合损失公式为：
total-loss＝λ(cross-entropy-loss)+γ(1-DICE)+L2-loss
其中，λ和γ是靠经验分配权重，设γ＝0.75和λ＝0.25，函数中添加了10e-4的L2权重衰减。
7.如权利要求1所述的基于深度学习及随机森林的心脏核磁图像识别方法，其特征在于，所述S13步骤还包括，
提取自训练数据集分割结果属性用于训练随机森林分类器，所述分割结果属性包括，左心室的体积、左心室的射血分数、病人的短轴心脏全序列图像、长轴4腔心图像以及病人的年龄和性别；
将所述分割结果属性对应数据作为预设输入参数，输入到训练好的随机森林分类器。
8.一种基于深度学习及随机森林的心脏核磁图像识别装置，其特征在于，所述心脏核磁图像识别装置包括，
数据预处理模块，用于利用傅里叶分析提取心脏核磁图像的感兴趣区域，分割心脏结构；
图像分割模块，用于改进二维卷积神经U-Net网络，对心脏核磁图像的心脏结构进行分割获得分割特征；
特征识别模块，用于将分割特征按照预设输入参数输入随机森林分类器识别正常或心衰。
9.一种心脏核磁图像识别设备，其特征在于，所述心脏核磁图像识别设备包括：存储器、处理器，通信总线以及存储在所述存储器上的基于深度学习及随机森林的心脏核磁图像识别程序，
所述通信总线用于实现处理器与存储器间的通信连接；
所述处理器用于执行所述基于深度学习及随机森林的心脏核磁图像识别程序，以实现如权利要求1至7中任一项所述的基于深度学习及随机森林的心脏核磁图像识别方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有基于深度学习及随机森林的心脏核磁图像识别程序，所述基于深度学习及随机森林的心脏核磁图像识别程序被处理器执行时实现如权利要求1至7中任意一项所述基于深度学习及随机森林的心脏核磁图像识别方法的步骤。
CN202110341121.2A 2021-03-30 2021-03-30 基于深度学习及随机森林的心脏核磁图像识别方法、装置及设备、存储介质 Pending CN112927224A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110341121.2A CN112927224A (zh) 2021-03-30 2021-03-30 基于深度学习及随机森林的心脏核磁图像识别方法、装置及设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110341121.2A CN112927224A (zh) 2021-03-30 2021-03-30 基于深度学习及随机森林的心脏核磁图像识别方法、装置及设备、存储介质

Publications (1)

Publication Number Publication Date
CN112927224A true CN112927224A (zh) 2021-06-08

Family

ID=76176612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110341121.2A Pending CN112927224A (zh) 2021-03-30 2021-03-30 基于深度学习及随机森林的心脏核磁图像识别方法、装置及设备、存储介质

Country Status (1)

Country Link
CN (1) CN112927224A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190279361A1 (en) * 2018-03-07 2019-09-12 University Of Virginia Patent Foundation Automatic quantification of cardiac mri for hypertrophic cardiomyopathy
US20190370965A1 (en) * 2017-02-22 2019-12-05 The United States Of America, As Represented By The Secretary, Department Of Health And Human Servic Detection of prostate cancer in multi-parametric mri using random forest with instance weighting & mr prostate segmentation by deep learning with holistically-nested networks
CN110930416A (zh) * 2019-11-25 2020-03-27 宁波大学 一种基于u型网络的mri图像前列腺分割方法
CN110946566A (zh) * 2019-12-16 2020-04-03 成都天奥电子股份有限公司 一种基于U-Net网络的心拍分类方法、装置、设备及存储介质
CN111784690A (zh) * 2020-07-26 2020-10-16 河南工业大学 基于u形神经网络模型的心脏右心室分割方法
CN111784713A (zh) * 2020-07-26 2020-10-16 河南工业大学 一种引入注意力机制的u形心脏分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190370965A1 (en) * 2017-02-22 2019-12-05 The United States Of America, As Represented By The Secretary, Department Of Health And Human Servic Detection of prostate cancer in multi-parametric mri using random forest with instance weighting & mr prostate segmentation by deep learning with holistically-nested networks
US20190279361A1 (en) * 2018-03-07 2019-09-12 University Of Virginia Patent Foundation Automatic quantification of cardiac mri for hypertrophic cardiomyopathy
CN110930416A (zh) * 2019-11-25 2020-03-27 宁波大学 一种基于u型网络的mri图像前列腺分割方法
CN110946566A (zh) * 2019-12-16 2020-04-03 成都天奥电子股份有限公司 一种基于U-Net网络的心拍分类方法、装置、设备及存储介质
CN111784690A (zh) * 2020-07-26 2020-10-16 河南工业大学 基于u形神经网络模型的心脏右心室分割方法
CN111784713A (zh) * 2020-07-26 2020-10-16 河南工业大学 一种引入注意力机制的u形心脏分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HYUNSEOK SEO等: "Modified U-Net (mU-Net) With Incorporation of Object-Dependent High Level Features for Improved Liver and Liver-Tumor Segmentation in CT Images", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *
MAHENDRA KHENED等: "Densely connected fully convolutional network for short-axis cardiac cine MR image segmentation and heart diagnosis using random forest", 《INTERNATIONAL WORKSHOP ON STATISTICAL ATLASES AND COMPUTATIONAL MODELS OF THE HEART》 *
张博等: "基于2D深度学习网络的全心脏MR图像分割", 《中南民族大学学报( 自然科学版)》 *
高强: "基于FCN的核磁共振心脏图像自动分割", 《《中国优秀博硕士学位论文全文数据库（硕士）医药卫生科技辑》》 *

Similar Documents

Publication Publication Date Title
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
Ni et al. GC-Net: Global context network for medical image segmentation
Carass et al. Longitudinal multiple sclerosis lesion segmentation: resource and challenge
Zhao et al. A novel U-Net approach to segment the cardiac chamber in magnetic resonance images with ghost artifacts
CN108198184B (zh) 造影图像中血管分割的方法和系统
Reddy et al. A novel computer-aided diagnosis framework using deep learning for classification of fatty liver disease in ultrasound imaging
JP2021518966A (ja) 医用画像認識方法及びシステム、並びに、モデルトレーニング方法、コンピュータ装置、及びプログラム
CN107563434B (zh) 一种基于三维卷积神经网络的脑部mri图像分类方法、装置
CN101111865A (zh) 用于在心脏图像中分割左心室的系统和方法
CN103514597A (zh) 图像处理装置
CN110136147A (zh) 一种基于U-Net模型的分割医学图像的方法、装置及存储介质
KR20230059799A (ko) 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델
CN110945564B (zh) 基于混合上下文cnn模型的医学图像分割
WO2021183765A1 (en) Automated detection of tumors based on image processing
Liu et al. Bladder cancer multi-class segmentation in MRI with Pyramid-In-Pyramid network
CN110991254A (zh) 超声图像视频分类预测方法及系统
Akpinar et al. Chest X-ray abnormality detection based on SqueezeNet
Li et al. Automatic quantification of epicardial adipose tissue volume
Singh et al. Detection and classification of brain tumor using hybrid feature extraction technique
CN112927224A (zh) 基于深度学习及随机森林的心脏核磁图像识别方法、装置及设备、存储介质
CN111462067B (zh) 图像分割方法及装置
Almi'ani et al. A modified region growing based algorithm to vessel segmentation in magnetic resonance angiography
Mehta et al. Heart Disease Diagnosis using Deep Learning
Paul et al. Computer-Aided Diagnosis Using Hybrid Technique for Fastened and Accurate Analysis of Tuberculosis Detection with Adaboost and Learning Vector Quantization
Remya et al. Brain tumor findings in patient with a novel cascaded function

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210608

WD01 Invention patent application deemed withdrawn after publication