CN117297613A - 基于心磁图的疾病特征提取方法及心血管疾病预测系统 - Google Patents
基于心磁图的疾病特征提取方法及心血管疾病预测系统 Download PDFInfo
- Publication number
- CN117297613A CN117297613A CN202311507268.XA CN202311507268A CN117297613A CN 117297613 A CN117297613 A CN 117297613A CN 202311507268 A CN202311507268 A CN 202311507268A CN 117297613 A CN117297613 A CN 117297613A
- Authority
- CN
- China
- Prior art keywords
- map
- magnetocardiogram
- dimensional
- current density
- pixel
- 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.)
- Granted
Links
- 208000024172 Cardiovascular disease Diseases 0.000 title claims abstract description 30
- 201000010099 disease Diseases 0.000 title claims abstract description 20
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 20
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000003745 diagnosis Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 31
- 238000010586 diagram Methods 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 13
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/243—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetocardiographic [MCG] signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0044—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the heart
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Cardiology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开一种基于心磁图的疾病特征提取方法及心血管疾病预测系统,涉及心磁信号的处理分析技术领域,包括:对心磁图进行波段分割;基于各波段心磁信号中每个心磁通道的磁场强度和通道位置,构建含有心磁特征的二维等磁图和电流密度图;对二维等磁图和电流密度图均提取LBP类特征;分别计算二维等磁图和电流密度图中的主要场,将主要场转换为灰度图和二值图,采用二值图提取主要场的连通区域,采用灰度图提取连通区域内的形状类特征和像素类特征;根据LBP类特征、形状类特征和像素类特征构建疾病心磁特征参数集,弥补现有心磁参数缺少图像类特征的不足,丰富心磁特征种类,提供更多心脏电生理的信息,有助于疾病辅助诊断。
Description
技术领域
本发明涉及心磁信号的处理分析技术领域,特别是涉及一种基于心磁图的疾病特征提取方法及心血管疾病预测系统。
背景技术
心磁图(MagnetoCardioGraphy, MCG)是一种无创性地测量心脏电活动产生磁场的方法,通过放置在胸部上方的多通道传感器阵列记录心脏的磁信号,通过对心磁信号的分析,进行心脏疾病的辅助诊断。
心磁图对心血管疾病的检测效能依赖于对心磁图数据集特征参数的提取和解读。二维等磁图和电流密度图在心磁图特征参数提取中最常用,主要是在二维等磁图中提取磁场强度范围、极值,正负极的位置、方向等信息,在电流密度图中提取电流矢量的方向、位置、角度等信息。目前在二维等磁图和二维电流密度图中,提取的心磁特征不足之处主要是对于心磁图像中的形状类信息、像素类信息和局部纹理信息缺乏有效提取,而这些信息本身包含着重要的心脏电生理信息。
发明内容
为了解决上述问题,本发明提出了一种基于心磁图的疾病特征提取方法及心血管疾病预测系统,弥补现有心磁参数缺少图像类特征的不足,丰富心磁特征种类,提供更多心脏电生理的信息,有助于疾病辅助诊断。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种基于心磁图的疾病特征提取方法,包括:
对由多通道心磁仪采集的心磁图进行波段分割;
基于各波段心磁信号中每个心磁通道的磁场强度和通道位置,构建含有心磁特征的二维等磁图和电流密度图;
对二维等磁图和电流密度图均提取局部二值模式类特征;
分别计算二维等磁图和电流密度图中的主要场,将主要场转换为灰度图和二值图,采用二值图提取主要场的连通区域,采用灰度图提取连通区域内的形状类特征和像素类特征;
根据局部二值模式类特征、形状类特征和像素类特征构建疾病心磁特征参数集。
作为可选择的一种实施方式,对心磁图经滤波降噪后进行R波定位,根据R波位置获取心磁心拍,通过叠加平均后得到一维蝴蝶图,对一维蝴蝶图进行波段分割,分割的波段包括P波、QRS波、ST段波和T波波段。
作为可选择的一种实施方式,提取局部二值模式类特征的过程包括:将二维等磁图和电流密度图转换为灰度图像,对灰度图像中每个像素点均计算LBP值,由此得到LBP图像,使用直方图统计LBP图像中的二进制值作为LBP类特征。
作为可选择的一种实施方式,对二维等磁图提取形状类特征和像素类特征的过程包括:二维等磁图的主要场为信号幅值大于k*正幅值中的最大值或信号幅值小于k*负幅值中的最小值的部分,将二维等磁图的主要场转换为灰度图和二值图,采用二值图提取主要场中包含二维等磁图中两个磁极的主要场的单连通区域,采用灰度图提取两个单连通区域内的形状类特征和像素类特征。
作为可选择的一种实施方式,对电流密度图均提取形状类特征和像素类特征的过程包括:电流密度图的主要场为信号幅值大于k*正幅值中的最大值或信号幅值小于k*负幅值中的最小值的部分,将电流密度图的主要场转换为灰度图和二值图,采用二值图提取电流密度图的主要场的最大连通区域,采用灰度图提取最大连通区域的形状类特征和像素类特征。
作为可选择的一种实施方式,所述形状类特征包括基本形状类特征、极值点位置类特征、费雷特类特征、最小外接框类特征、椭圆类特征和圆类特征。
作为可选择的一种实施方式,所述像素类特征包括区域中的实际像素数、填充后的图像包含的像素数量、区域中的像素数与边界框中总像素数的比率、凸包图像的像素数、凸包中区域内像素所占的比例、区域中强度最大的像素的值、区域中强度最低的像素的值、区域中所有强度值的均值和基于强度值的区域中心位置。
第二方面,本发明提供一种心血管疾病预测系统,包括:
波段分割模块,被配置为对由多通道心磁仪采集的心磁图进行波段分割;
图像处理模块,被配置为基于各波段心磁信号中每个心磁通道的磁场强度和通道位置,构建含有心磁特征的二维等磁图和电流密度图;
第一特征提取模块,被配置为对二维等磁图和电流密度图均提取局部二值模式类特征;
第二特征提取模块,被配置为分别计算二维等磁图和电流密度图中的主要场,将主要场转换为灰度图和二值图,采用二值图提取主要场的连通区域,采用灰度图提取连通区域内的形状类特征和像素类特征;
预测模块,被配置为根据局部二值模式类特征、形状类特征和像素类特征得到与心血管疾病相关的心磁特征参数集,根据心磁特征参数集采用训练后的诊断模型得到预测结果。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成心血管疾病预测方法,所述心血管疾病预测方法包括:
对由多通道心磁仪采集的心磁图进行波段分割;
基于各波段心磁信号中每个心磁通道的磁场强度和通道位置,构建含有心磁特征的二维等磁图和电流密度图;
对二维等磁图和电流密度图均提取局部二值模式类特征;
分别计算二维等磁图和电流密度图中的主要场,将主要场转换为灰度图和二值图,采用二值图提取主要场的连通区域,采用灰度图提取连通区域内的形状类特征和像素类特征;
根据局部二值模式类特征、形状类特征和像素类特征得到与心血管疾病相关的心磁特征参数集,根据心磁特征参数集采用训练后的诊断模型得到预测结果。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成心血管疾病预测方法,所述心血管疾病预测方法包括:
对由多通道心磁仪采集的心磁图进行波段分割;
基于各波段心磁信号中每个心磁通道的磁场强度和通道位置,构建含有心磁特征的二维等磁图和电流密度图;
对二维等磁图和电流密度图均提取局部二值模式类特征;
分别计算二维等磁图和电流密度图中的主要场,将主要场转换为灰度图和二值图,采用二值图提取主要场的连通区域,采用灰度图提取连通区域内的形状类特征和像素类特征;
根据局部二值模式类特征、形状类特征和像素类特征得到与心血管疾病相关的心磁特征参数集,根据心磁特征参数集采用训练后的诊断模型得到预测结果。
与现有技术相比,本发明的有益效果为:
本发明根据二维等磁图和电流密度图提取局部二值模式类特征,用于描述心磁图像局部纹理特征,同时分别计算二维等磁图和电流密度图中的主要场,将主要场转换为灰度图和二值图,采用二值图提取二维等磁图的主要场中包含两个磁极主要场的单连通区域,提取电流密度图的主要场的最大连通区域,继而采用灰度图提取连通区域内的形状类特征和像素类特征,从三个方面描述图像局部纹理、图像形状变化和图像像素信息等特征,弥补现有心磁参数缺少图像类特征的不足,丰富心磁特征种类,充分体现心磁图中包含的丰富心脏电生理信息,且提取特征参数物理意义清楚,对心血管疾病辅助检测模型具有重要贡献度。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于心磁图的疾病特征提取方法流程图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
本实施例提供一种基于心磁图的疾病特征提取方法,如图1所示,包括:
对由多通道心磁仪采集的心磁图进行波段分割;
基于各波段心磁信号中每个心磁通道的磁场强度和通道位置,构建含有心磁特征的二维等磁图和电流密度图;
对二维等磁图和电流密度图均提取局部二值模式类特征;
分别计算二维等磁图和电流密度图中的主要场,将主要场转换为灰度图和二值图,采用二值图提取主要场的连通区域,采用灰度图提取连通区域内的形状类特征和像素类特征;
根据局部二值模式类特征、形状类特征和像素类特征构建疾病心磁特征参数集。
在本实施例中,采用基于无自旋交换弛豫(Spin-Exchange Relaxation-Free,SERF)效应的多通道心磁仪采集心磁图,通过高通滤波器、低通滤波器和工频陷波器对心磁图进行滤波降噪,并进行R波定位,根据R波位置获取心磁心拍,进行叠加平均后获取一维蝴蝶图,对一维蝴蝶图进行波段分割,获取P波、QRS波、ST段以及T波波段的心磁信号。
在本实施例中,基于P波、QRS波、ST段和T波波段的心磁信号,确定多通道心磁图仪的每个心磁通道所获取的磁场强度和通道位置,分别绘制胸腔上方P波、QRS波、ST段波和T波波段的二维等磁图;根据二维等磁图上每点对应的磁场强度,得到该点对应的电流密度,由此,通过计算二维等磁图上所有点的电流密度,即可得到电流密度图。
在本实施例中,提取二维等磁图和电流密度图的局部二值模式(Local BinaryPattern,LBP)类特征,LBP类特征是一种用来描述心磁图像局部纹理特征的算子;从像素角度来看,LBP类特征描述每个像素周围邻域内像素与该像素之间的灰度变化情况,从而获得图像的纹理信息。
LBP类特征的计算过程如下:
(1)将二维等磁图和电流密度图(彩图)分别转换为灰度图像。
(2)选择一个像素点P(x,y)作为中心点,确定该点周围的邻域半径和邻域内所选的像素点个数(本实施例选择邻域半径为2,像素点个数为8)。
(3)将选定的邻域内像素值与中心像素点的灰度值进行比较,如果邻域内像素点的灰度值大于或等于中心像素点的灰度值,则该像素点的二进制值为1,否则为0。
(4)将二进制值形成一个二进制字符串,然后将二进制字符串转换为十进制数值。
(5)重复以上步骤,对于灰度图像中每一个像素点都计算其LBP值,最终,生成一个LBP图像,其中每一个像素点的值表示其所在邻域内像素的LBP值。
(6)使用直方图统计LBP图像,设定二进制(bin)值个数为N,则产生N个LBP类特征,即LBP图像的第1个bin值到第N个bin值;比如设定二进制(bin)值个数为10,则产生10个LBP类特征,分别是LBP图像的第1个bin值、LBP图像的第2个bin值、LBP图像的第3个bin值、LBP图像的第4个bin值、LBP图像的第5个bin值、LBP图像的第6个bin值、LBP图像的第7个bin值、LBP图像的第8个bin值、LBP图像的第9个bin值、LBP图像的第10个bin值。
在本实施例中,提取二维等磁图的形状类特征和像素类特征的过程包括:
计算二维等磁图中的主要场,即信号幅值大于k*正幅值中的最大值,或信号幅值小于k*负幅值中的最小值,本实施例中k选取0.8;
将二维等磁图(彩图)中的主要场转换为灰度图和二值图,使用二值图找出主要场中第一大和第二大的单连通区域,这两个单连通区域分别包含二维等磁图中两个磁极的主要场;
最后,使用灰度图分别计算两个单连通区域的形状类特征和像素类特征。
在本实施例中,提取电流密度图的形状类特征和像素类特征的过程包括:
计算电流密度图中的主要场,即信号幅值大于k*正幅值中的最大值,或信号幅值小于k*负幅值中的最小值,本实施例中k选取0.8;
将电流密度图(彩图)中的主要场转换为灰度图和二值图,使用二值图找出主要场中的最大连通区域;
最后,使用灰度图计算最大连通区域的形状类特征和像素类特征。
在本实施例中,所述形状类特征主要用于描述图像形状变化的信息,包括6类,分别是基本形状类特征、极值点位置类特征、费雷特(Feret)类特征、最小外接框类特征、椭圆类特征和圆类特征;具体地:
基本形状类特征指:对象的圆度、围绕区域边界的距离和区域的质心位置。
极值点位置类特征指:上-左(top-left)位置、上-右(top-right)位置、右-上(right-top)位置、右-下(right-bottom)位置、下-右(bottom-right)位置、下-左(bottom-left)位置、左-下(left-bottom)位置和左-上(left-top)位置。
Feret类特征是指:最大费雷特直径、最大费雷特直径相对于图像水平轴的角度、最大费雷特直径的两个端点位置、最小费雷特直径、最小费雷特直径相对于图像水平轴的角度和最小费雷特直径的两个端点。
最小外接框类特征指:包含区域的最小外接框的左上角位置、包含区域的最小外接框的水平宽度和包含区域的最小外接框的垂直宽度。
椭圆类特征指:与区域具有相同二阶矩的椭圆的偏心率、与区域具有相同归一化二阶中心矩的椭圆长轴的长度、与区域具有相同归一化二阶中心矩的椭圆短轴的长度和x轴与椭圆长轴之间的角度。
圆类特征指:与区域面积相同的圆的直径。
在本实施例中,所述像素类特征主要用于描述灰度图像中像素信息的相关特征,具体包括:区域中的实际像素数、填充后的图像包含的像素数量、区域中的像素数与边界框中总像素数的比率、凸包图像的像素数、凸包中区域内像素所占的比例、区域中强度最大的像素的值、区域中强度最低的像素的值、区域中所有强度值的均值和基于强度值的区域中心位置。
实施例2
本实施例提供一种心血管疾病预测系统,包括:
波段分割模块,被配置为对由多通道心磁仪采集的心磁图进行波段分割;
图像处理模块,被配置为基于各波段心磁信号中每个心磁通道的磁场强度和通道位置,构建含有心磁特征的二维等磁图和电流密度图;
第一特征提取模块,被配置为对二维等磁图和电流密度图均提取局部二值模式类特征;
第二特征提取模块,被配置为分别计算二维等磁图和电流密度图中的主要场,将主要场转换为灰度图和二值图,采用二值图提取主要场的连通区域,采用灰度图提取连通区域内的形状类特征和像素类特征;
预测模块,被配置为根据局部二值模式类特征、形状类特征和像素类特征得到与心血管疾病相关的心磁特征参数集,根据心磁特征参数集采用训练后的诊断模型得到预测结果。
在本实施例中,基于提取的LBP类特征、形状类特征和像素类特征,获取与心血管疾病相关的心磁特征参数集,继而基于此,采用训练后的诊断模型得到预测结果。
可以理解的,所述诊断模型采用机器学习法构建,根据特征集采用训练后的机器学习诊断模型进行心血管疾病的异常诊断。
此处需要说明的是,上述模块对应于实施例1中所述的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,
完成心血管疾病预测方法,所述心血管疾病预测方法包括:
对由多通道心磁仪采集的心磁图进行波段分割;
基于各波段心磁信号中每个心磁通道的磁场强度和通道位置,构建含有心磁特征的二维等磁图和电流密度图;
对二维等磁图和电流密度图均提取局部二值模式类特征;
分别计算二维等磁图和电流密度图中的主要场,将主要场转换为灰度图和二值图,采用二值图提取主要场的连通区域,采用灰度图提取连通区域内的形状类特征和像素类特征;
根据局部二值模式类特征、形状类特征和像素类特征得到与心血管疾病相关的心磁特征参数集,根据心磁特征参数集采用训练后的诊断模型得到预测结果。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,
完成心血管疾病预测方法,所述心血管疾病预测方法包括:
对由多通道心磁仪采集的心磁图进行波段分割;
基于各波段心磁信号中每个心磁通道的磁场强度和通道位置,构建含有心磁特征的二维等磁图和电流密度图;
对二维等磁图和电流密度图均提取局部二值模式类特征;
分别计算二维等磁图和电流密度图中的主要场,将主要场转换为灰度图和二值图,采用二值图提取主要场的连通区域,采用灰度图提取连通区域内的形状类特征和像素类特征;
根据局部二值模式类特征、形状类特征和像素类特征得到与心血管疾病相关的心磁特征参数集,根据心磁特征参数集采用训练后的诊断模型得到预测结果。
上述方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于心磁图的疾病特征提取方法,其特征在于,包括:
对由多通道心磁仪采集的心磁图进行波段分割;
基于各波段心磁信号中每个心磁通道的磁场强度和通道位置,构建含有心磁特征的二维等磁图和电流密度图;
对二维等磁图和电流密度图均提取局部二值模式类特征;
分别计算二维等磁图和电流密度图中的主要场,将主要场转换为灰度图和二值图,采用二值图提取主要场的连通区域,采用灰度图提取连通区域内的形状类特征和像素类特征;
根据局部二值模式类特征、形状类特征和像素类特征构建疾病心磁特征参数集。
2.如权利要求1所述的基于心磁图的疾病特征提取方法,其特征在于,对心磁图经滤波降噪后进行R波定位,根据R波位置获取心磁心拍,通过叠加平均后得到一维蝴蝶图,对一维蝴蝶图进行波段分割,分割的波段包括P波、QRS波、ST段波和T波波段。
3.如权利要求1所述的基于心磁图的疾病特征提取方法,其特征在于,提取局部二值模式类特征的过程包括:将二维等磁图和电流密度图转换为灰度图像,对灰度图像中每个像素点均计算LBP值,由此得到LBP图像,使用直方图统计LBP图像中的二进制值作为LBP类特征。
4.如权利要求1所述的基于心磁图的疾病特征提取方法,其特征在于,对二维等磁图提取形状类特征和像素类特征的过程包括:二维等磁图的主要场为信号幅值大于k*正幅值中的最大值或信号幅值小于k*负幅值中的最小值的部分,将二维等磁图的主要场转换为灰度图和二值图,采用二值图提取主要场中包含二维等磁图中两个磁极的主要场的单连通区域,采用灰度图提取两个单连通区域内的形状类特征和像素类特征。
5.如权利要求1所述的基于心磁图的疾病特征提取方法,其特征在于,对电流密度图均提取形状类特征和像素类特征的过程包括:电流密度图的主要场为信号幅值大于k*正幅值中的最大值或信号幅值小于k*负幅值中的最小值的部分,将电流密度图的主要场转换为灰度图和二值图,采用二值图提取电流密度图的主要场的最大连通区域,采用灰度图提取最大连通区域的形状类特征和像素类特征。
6.如权利要求1所述的基于心磁图的疾病特征提取方法,其特征在于,所述形状类特征包括基本形状类特征、极值点位置类特征、费雷特类特征、最小外接框类特征、椭圆类特征和圆类特征。
7.如权利要求1所述的基于心磁图的疾病特征提取方法,其特征在于,所述像素类特征包括区域中的实际像素数、填充后的图像包含的像素数量、区域中的像素数与边界框中总像素数的比率、凸包图像的像素数、凸包中区域内像素所占的比例、区域中强度最大的像素的值、区域中强度最低的像素的值、区域中所有强度值的均值和基于强度值的区域中心位置。
8.一种心血管疾病预测系统,其特征在于,包括:
波段分割模块,被配置为对由多通道心磁仪采集的心磁图进行波段分割;
图像处理模块,被配置为基于各波段心磁信号中每个心磁通道的磁场强度和通道位置,构建含有心磁特征的二维等磁图和电流密度图;
第一特征提取模块,被配置为对二维等磁图和电流密度图均提取局部二值模式类特征;
第二特征提取模块,被配置为分别计算二维等磁图和电流密度图中的主要场,将主要场转换为灰度图和二值图,采用二值图提取主要场的连通区域,采用灰度图提取连通区域内的形状类特征和像素类特征;
预测模块,被配置为根据局部二值模式类特征、形状类特征和像素类特征得到与心血管疾病相关的心磁特征参数集,根据心磁特征参数集采用训练后的诊断模型得到预测结果。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成心血管疾病预测方法,所述心血管疾病预测方法包括:
对由多通道心磁仪采集的心磁图进行波段分割;
基于各波段心磁信号中每个心磁通道的磁场强度和通道位置,构建含有心磁特征的二维等磁图和电流密度图;
对二维等磁图和电流密度图均提取局部二值模式类特征;
分别计算二维等磁图和电流密度图中的主要场,将主要场转换为灰度图和二值图,采用二值图提取主要场的连通区域,采用灰度图提取连通区域内的形状类特征和像素类特征;
根据局部二值模式类特征、形状类特征和像素类特征得到与心血管疾病相关的心磁特征参数集,根据心磁特征参数集采用训练后的诊断模型得到预测结果。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成心血管疾病预测方法,所述心血管疾病预测方法包括:
对由多通道心磁仪采集的心磁图进行波段分割;
基于各波段心磁信号中每个心磁通道的磁场强度和通道位置,构建含有心磁特征的二维等磁图和电流密度图;
对二维等磁图和电流密度图均提取局部二值模式类特征;
分别计算二维等磁图和电流密度图中的主要场,将主要场转换为灰度图和二值图,采用二值图提取主要场的连通区域,采用灰度图提取连通区域内的形状类特征和像素类特征;
根据局部二值模式类特征、形状类特征和像素类特征得到与心血管疾病相关的心磁特征参数集,根据心磁特征参数集采用训练后的诊断模型得到预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311507268.XA CN117297613B (zh) | 2023-11-14 | 2023-11-14 | 基于心磁图的疾病特征提取方法及心血管疾病预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311507268.XA CN117297613B (zh) | 2023-11-14 | 2023-11-14 | 基于心磁图的疾病特征提取方法及心血管疾病预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117297613A true CN117297613A (zh) | 2023-12-29 |
CN117297613B CN117297613B (zh) | 2024-04-05 |
Family
ID=89286725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311507268.XA Active CN117297613B (zh) | 2023-11-14 | 2023-11-14 | 基于心磁图的疾病特征提取方法及心血管疾病预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117297613B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080306370A1 (en) * | 2007-06-08 | 2008-12-11 | Herng-Er Horng | Method of examining dynamic cardiac electromagnetic activity and detection of cardiac functions using results thereof |
CN108245152A (zh) * | 2018-01-11 | 2018-07-06 | 中国科学院上海微系统与信息技术研究所 | 一种心肌缺血特征参数提取方法及系统、存储介质及终端 |
CN108577825A (zh) * | 2018-01-11 | 2018-09-28 | 中国科学院上海微系统与信息技术研究所 | 一种心肌缺血病变位置定位方法及系统、存储介质及终端 |
CN110074774A (zh) * | 2019-04-28 | 2019-08-02 | 漫迪医疗仪器(上海)有限公司 | 基于心磁图的心脏室间隔异常的分析方法、系统、介质及终端 |
CN112890819A (zh) * | 2021-01-25 | 2021-06-04 | 漫迪医疗仪器(上海)有限公司 | 心磁图数据集的处理方法、系统、设备及计算机可读存储介质 |
JP2022139170A (ja) * | 2021-03-11 | 2022-09-26 | 株式会社日立ハイテク | 生体磁気計測装置、生体磁気計測プログラム、および、心磁信号処理方法 |
-
2023
- 2023-11-14 CN CN202311507268.XA patent/CN117297613B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080306370A1 (en) * | 2007-06-08 | 2008-12-11 | Herng-Er Horng | Method of examining dynamic cardiac electromagnetic activity and detection of cardiac functions using results thereof |
CN108245152A (zh) * | 2018-01-11 | 2018-07-06 | 中国科学院上海微系统与信息技术研究所 | 一种心肌缺血特征参数提取方法及系统、存储介质及终端 |
CN108577825A (zh) * | 2018-01-11 | 2018-09-28 | 中国科学院上海微系统与信息技术研究所 | 一种心肌缺血病变位置定位方法及系统、存储介质及终端 |
CN110074774A (zh) * | 2019-04-28 | 2019-08-02 | 漫迪医疗仪器(上海)有限公司 | 基于心磁图的心脏室间隔异常的分析方法、系统、介质及终端 |
CN112890819A (zh) * | 2021-01-25 | 2021-06-04 | 漫迪医疗仪器(上海)有限公司 | 心磁图数据集的处理方法、系统、设备及计算机可读存储介质 |
JP2022139170A (ja) * | 2021-03-11 | 2022-09-26 | 株式会社日立ハイテク | 生体磁気計測装置、生体磁気計測プログラム、および、心磁信号処理方法 |
Non-Patent Citations (2)
Title |
---|
艾海明 等: "基于心磁信号的关键算法研究进展", 《中国医学装备》, vol. 17, no. 7, 15 July 2020 (2020-07-15), pages 188 - 191 * |
董继伟 等: "一种心磁图信号采集与分析软件系统", 《中国医疗设备》, vol. 38, no. 11, 10 November 2023 (2023-11-10), pages 38 - 43 * |
Also Published As
Publication number | Publication date |
---|---|
CN117297613B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113034426B (zh) | 超声图像病灶描述方法、装置、计算机设备和存储介质 | |
US11633169B2 (en) | Apparatus for AI-based automatic ultrasound diagnosis of liver steatosis and remote medical diagnosis method using the same | |
CN109978037B (zh) | 图像处理方法、模型训练方法、装置、和存储介质 | |
López et al. | Multilocal creaseness based on the level-set extrinsic curvature | |
CN102056530B (zh) | 图像处理装置以及图像处理方法 | |
CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
CN110415208B (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
JP2009512527A (ja) | 画像登録方法及び前記画像登録方法を実施するためのアルゴリズム及び前記アルゴリズムを用いて画像を登録するためのプログラム及び対象の移動による画像アーチファクトを低減するための生体医学画像の取り扱い方法 | |
CN111354001B (zh) | 脑肿瘤图像分割方法、装置和存储介质 | |
CN111462264B (zh) | 医学图像重建方法、医学图像重建网络训练方法和装置 | |
US20130177228A1 (en) | Method for registering function mri data | |
JP2023502814A (ja) | 画像検出モデルのトレーニング方法及びその関連装置、機器、記憶媒体 | |
CN106910194B (zh) | 心脏心功能磁共振图像中的心内外膜的分割方法 | |
CN113450328A (zh) | 基于改进神经网络的医学图像关键点检测方法及系统 | |
CN116196099A (zh) | 心血管介入手术路径规划方法、系统、存储介质及终端 | |
CN112949654A (zh) | 图像检测方法及相关装置、设备 | |
CN108364297A (zh) | 血管图像分割方法、终端、存储介质 | |
CN114037626A (zh) | 血管成像方法、装置、设备及存储介质 | |
CN113139568A (zh) | 一种基于主动学习的类别预测模型建模方法及装置 | |
KR20210145003A (ko) | 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치 | |
CN117297613B (zh) | 基于心磁图的疾病特征提取方法及心血管疾病预测系统 | |
CN117017347B (zh) | 超声设备的图像处理方法、系统及超声设备 | |
CN114419499A (zh) | 一种基于心脏超声视频的射血分数数据处理方法和装置 | |
CN113876345A (zh) | 缺血半暗带的识别方法、设备、电子装置和存储介质 | |
CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |