一种基于深度学习的超声心动图视图识别方法及系统与流程

1.本发明属于医学图像识别技术领域，尤其涉及一种基于深度学习的超声心动图视图识别方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.目前出如何正确、快速、最大程度的利用医学影像资料成为当今社会的一大热点。如今，机器学习技术发展逐渐成熟与完善。深度学习是机器学习研究的一个新领域，其动机在于人脑的建立和模拟，以分析和研究神经网络，模拟人脑机制来解释数据。因此近年来，越来越多的研究者开始关注医学图像处理中的模式识别、分类以及分割等处理技术。
4.在临床应用中，超声心动图是医生判断心脏病症的一个重要手段。超声心动图原始的影像资料中每个病人都包含多种不同的视图，如心脏长轴视图、心脏短轴视图、二尖瓣短轴视图等。发明人发现，由于超声心动图视图种类多，而现有的方法均是通过医生人为进行心脏超声视图识别，这样不仅增加了医生的工作量，而且还可能由于医生的经验不足而导致心脏超声视图识别不准确。


技术实现要素：

5.为了解决上述背景技术中存在的技术问题，本发明提供一种基于深度学习的超声心动图视图识别方法及系统，其能够自动准确地识别出超声心动图视图的类别。
6.为了实现上述目的，本发明采用如下技术方案：
7.本发明的第一个方面提供一种基于深度学习的超声心动图视图识别方法。
8.一种基于深度学习的超声心动图视图识别方法，其包括：
9.获取超声心动图视图；
10.将超声心动图视图输入至训练完成的超声心动图视图识别模型中，得到超声心动图视图类别识别结果；
11.其中，所述超声心动图视图识别模型由stylegan与densenet101网络构成；所述stylegan仅应用在训练过程中，用于补充超声心动图视图训练数据；所述densenet101用于提取超声心动图视图特征，识别超声心动图视图类别。
12.本发明的第二个方面提供一种基于深度学习的超声心动图视图识别系统。
13.一种基于深度学习的超声心动图视图识别系统，其包括：
14.视图获取模块，其用于获取超声心动图视图；
15.视图类别识别模块，其用于将超声心动图视图输入至训练完成的超声心动图视图识别模型中，得到超声心动图视图类别识别结果；
16.其中，所述超声心动图视图识别模型由stylegan与densenet101网络构成；所述stylegan仅应用在训练过程中，用于补充超声心动图视图训练数据；所述densenet101用于
提取超声心动图视图特征，识别超声心动图视图类别。
17.本发明的第三个方面提供一种计算机可读存储介质。
18.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于深度学习的超声心动图视图识别方法中的步骤。
19.本发明的第四个方面提供一种计算机设备。
20.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于深度学习的超声心动图视图识别方法中的步骤。
21.与现有技术相比，本发明的有益效果是：
22.本发明利用训练完成的超声心动图视图识别模型进行自动识别出超声心动图视图的分类结果，其中，超声心动图视图识别模型由stylegan与densenet101网络构成，stylegan仅应用在训练过程中，用于补充超声心动图视图训练数据；所述densenet101用于提取超声心动图视图特征，识别超声心动图视图类别，节省了医生的工作量，同时避免由于医生经验而造成的分类错误，提高了超声心动图视图识别的准确性。
23.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
24.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。
25.图1为本发明实施例一中形成实验数据集的示意图；
26.图2为本发明实施例一中基于深度学习的超声心动图视图识别方法流程图。
具体实施方式
27.下面结合附图与实施例对本发明作进一步说明。
28.应该指出，以下详细说明都是例示性的，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。
29.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，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
30.实施例一
31.如图2所示，本实施例提供了一种基于深度学习的超声心动图视图识别方法，其包括：
32.s101：获取超声心动图视图；
33.在本实施例中，超声心动图视图的类别包括心尖二腔室(a2c)、心尖三腔室(a3c)、心尖四腔室(a4c)、心尖五腔室(a5c)、心脏长轴切面(alc)和乳头肌短轴切面(sapm)六种视图。
34.s102：将超声心动图视图输入至训练完成的超声心动图视图识别模型中，得到超声心动图视图类别识别结果。
35.其中，所述超声心动图视图识别模型由stylegan与densenet101网络构成；所述stylegan仅应用在训练过程中，用于补充超声心动图视图训练数据；所述densenet101用于提取超声心动图视图特征，识别超声心动图视图类别。
36.本实施例通过stylegan补充数据，解决样本不足和数据不平衡的问题，将计算结果输入到densenet101中，输出超声心动图视图类别识别结果。
37.在本实施例中，所述densenet101网络包括dense和过渡层两个模块；dense模块负责层与层的稠密连接，从而实现对输入图片的特征提取和分析；过渡层则通过一个卷积层和一个池化层来降维。stylegan主要包括mapping network和synthesis network两部分；mapping network控制生成图像的风格；synthesis network控制生成图像。
38.在具体实施中，将超声心动图视图输入至超声心动图视图识别模型中之前还包括图像预处理。
39.其中，所述图像预处理包括随机翻转、随机裁剪和大小调整。
40.例如：
41.(1)随机翻转：以0.5的概率翻转输入图像；
42.(2)随机裁剪：将给定图像裁剪为随机大小和纵横比；
43.(3)调整大小：将输入图像调整为给定大小。
44.本实施例利用训练完成的超声心动图视图识别模型进行自动识别出超声心动图视图的分类结果，其中，超声心动图视图识别模型由stylegan与densenet101网络构成，stylegan仅应用在训练过程中，用于补充超声心动图视图训练数据；所述densenet101用于提取超声心动图视图特征，识别超声心动图视图类别，节省了医生的工作量，同时避免由于医生经验而造成的分类错误，提高了超声心动图视图识别的准确性。
45.实施例二
46.本实施例提供了一种基于深度学习的超声心动图视图识别系统，其包括：
47.(1)视图获取模块，其用于获取超声心动图视图；
48.在本实施例中，超声心动图视图的类别包括心尖二腔室(a2c)、心尖三腔室(a3c)、心尖四腔室(a4c)、心尖五腔室(a5c)、心脏长轴切面(alc)和乳头肌短轴切面(sapm)六种视图。
49.(2)视图识别模块，其用于将超声心动图视图输入至超声心动图视图识别模型中，输出超声心动图视图类别识别结果。
50.其中，所述超声心动图视图识别模型由stylegan与densenet101网络构成；所述stylegan仅应用在训练过程中，用于补充超声心动图视图训练数据；所述densenet101用于提取超声心动图视图特征，识别超声心动图视图类别。
51.本实施例通过stylegan补充数据，解决样本不足和数据不平衡的问题，将计算结果输入到densenet101中，输出超声心动图视图类别识别结果。
52.在本实施例中，所述densenet101网络包括dense和过渡层两个模块；dense模块负责层与层的稠密连接，从而实现对输入图片的特征提取和分析；过渡层则通过一个卷积层和一个池化层来降维。stylegan主要包括mapping network和synthesis network两部分；
mapping network控制生成图像的风格；synthesis network控制生成图像。
53.在具体实施中，将超声心动图视图输入至超声心动图视图识别模型中之前还包括图像预处理。
54.其中，所述图像预处理包括随机翻转、随机裁剪和大小调整。
55.例如：
56.(1)随机翻转：以0.5的概率翻转输入图像；
57.(2)随机裁剪：将给定图像裁剪为随机大小和纵横比；
58.(3)调整大小：将输入图像调整为给定大小。
59.本实施例利用训练完成的超声心动图视图识别模型进行自动识别出超声心动图视图的分类结果，其中，超声心动图视图识别模型由stylegan与densenet101网络构成，stylegan仅应用在训练过程中，用于补充超声心动图视图训练数据；所述densenet101用于提取超声心动图视图特征，识别超声心动图视图类别，节省了医生的工作量，同时避免由于医生经验而造成的分类错误，提高了超声心动图视图识别的准确性。
60.实施例三
61.本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于深度学习的超声心动图视图识别方法中的步骤。
62.实施例四
63.本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于深度学习的超声心动图视图识别方法中的步骤。
64.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、系统、或计算机程序产品。因此，本发明可采用硬件实施例、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。
65.本发明是参照根据本发明实施例的方法、设备(系统)、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。
66.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。
67.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。
68.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以
通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
69.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。