您所在的位置: 成果库 一种基于深度学习的心房颤动评估方法和装置

一种基于深度学习的心房颤动评估方法和装置

成果类型：: 发明专利

发布时间: 2023-11-09 12:09:01

科技成果产业化落地方案
方案提交机构：天津市滨海新区| 宋学姮 | 2023-11-20 08:52:27
成果简介 技术亮点 应用前景 团队概括 产生的效益 转化方式
本发明公开了一种基于深度学习的心房颤动评估方法和装置。该方法包括：对于采集的原始心房图像，利用高斯卷积运算获得多个不同模糊度的心房图像；对于所述不同模糊度的心房图像，利用卷积神经网络提取特征图，获得对应的多个特征图，并利用通道加权模块融合所述多个特征图，获得基本特征映射图；将所述基本特征映射图输入到经训练的U‑Net网络进行图像分割；基于获得的分割图像重建完整心动周期中的三维心房模型。利用本发明能够精确分割心房图像，清晰地显示心房的整体轮廓和细节特征。

1.一种基于深度学习的心房颤动评估方法，包括以下步骤：对于采集的原始心房图像，利用高斯卷积运算获得多个不同模糊度的心房图像；对于所述不同模糊度的心房图像，利用卷积神经网络提取特征图，获得对应的多个特征图，并利用通道加权模块融合所述多个特征图，获得基本特征映射图；将所述基本特征映射图输入到经训练的U-Net网络进行图像分割；基于获得的分割图像重建完整心动周期中的三维图像结构。2.根据权利要求1所述的方法，其特征在于，所述通道加权模块包括全局池化层、卷积激活层和softmax层，其中全局池化层对输入特征图执行全局平均池化计算，获得一维特征向量；卷积激活层通过卷积运算和激活处理加强所述一维特征向量中各个元素的相关性；softmax层用于将所述一维特征向量的每个元素值处理为在0与1之间，获得通道权重。3.根据权利要求2所述的方法，其特征在于，所述U-Net网络包含提取不同深度特征的U型结构，对于相同深度层之间的跳跃连接，使用所述通道权重模块取代U-Net的复制和裁剪。

  1. 实时监测： 将训练好的深度学习模型应用于实时心电监测系统，以便及时检测心房颤动并采取相应的干预措施。

  2. 自动诊断： 将模型嵌入到临床诊断系统中，以帮助医生自动诊断心房颤动。这有助于提高诊断的效率和准确性。

  3. 远程健康监护： 利用深度学习模型开发远程健康监护应用程序，使患者能够在家中进行心房颤动的定期监测，同时将监测结果传输给医生进行远程评估。

  4. 个性化治疗： 基于深度学习模型的分析结果，个性化制定心房颤动患者的治疗方案，以提高治疗效果。

中国科学院深圳先进技术研究院提升了粤港地区及我国先进制造业和现代服务业的自主创新能力，推动我国自主知识产权新工业的建立，成为国际一流的工业研究院。 深圳先进院目前已初步构建了以科研为主的集科研、教育、产业、资本为一体的微型协同创新生AC态系统，由九个研究平台，国科大深圳先进技术学院，多个特色产业育成基地、多支产业发展基金、多个具有独立法人资质的新型专业科研机构等组成。开展先进技术研究，促进科技发展。信息、电子、通讯技术研究新材料、新能源技术研究高性能计算、自动化、精密机械研究生物医学与医疗仪器研究相关学历教育、博士后培养与学术交流。

  1. 数据采集： 收集心电图（ECG）数据作为输入。这可以通过便携式心电监测设备、医院记录或其他可用的心电数据来源来完成。

  2. 数据预处理： 对采集到的心电数据进行预处理，包括滤波、降噪和信号标准化等。确保数据质量对于深度学习模型的训练至关重要。

  3. 特征提取： 使用深度学习模型自动提取特征，而不是手动设计特征。卷积神经网络（CNN）等结构可以有效地捕获时间序列数据中的关键特征。

  4. 模型选择： 选择适当的深度学习模型，例如卷积神经网络（CNN）、长短时记忆网络（LSTM）或深度神经网络（DNN）。这取决于数据的特点和任务的要求。

  5. 模型训练： 使用标记的心房颤动和正常心律的数据集对深度学习模型进行训练。确保数据集的平衡性，以防止模型偏向于训练集中的某一类别。

  6. 模型评估： 使用独立的测试集评估模型的性能，包括准确性、灵敏度、特异性等指标。

技术转让

基于深度学习的心房颤动评估方法可以为心律失常的早期检测和治疗提供有力支持，有望改善患者的生活质量和降低医疗成本。然而，需要注意模型的可解释性和临床可行性，以确保其在实际应用中的有效性和安全性。