(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210238690.9 (22)申请日 2022.03.10 (65)同一申请的已公布的文献号 申请公布号 CN 114581425 A (43)申请公布日 2022.06.03 (73)专利权人 四川大学 地址 610000 四川省成 都市一环路南 一段 24号 (72)发明人 赵祯　章毅　皮勇　蒋丽莎　 蔡华伟　魏建安　李林　向镛兆　 (74)专利代理 机构 成都行之智 信知识产权代理 有限公司 5125 6 专利代理师 王伟 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/25(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06V 10/82(2022.01)(56)对比文件 CN 109919059 A,2019.0 6.21 CN 111723600 A,2020.09.2 9 CN 109886346 A,2019.0 6.14 CN 112669320 A,2021.04.16 CN 113887675 A,202 2.01.04 CN 110197713 A,2019.09.0 3 CN 110766691 A,2020.02.07 CN 109948526 A,2019.0 6.28 CN 10468019 2 A,2015.0 6.03 CN 113469122 A,2021.10.01 CN 10919 2305 A,2019.01.1 1 CN 1096149 91 A,2019.04.12 CN 111680701 A,2020.09.18 CN 113673535 A,2021.1 1.19 刘科伶 等. “ “一站式”CT心肌灌注成像在评 估冠状动脉重度狭窄患者中的应用价 值”. 《四川 大学学报》 .2019, 刘静静.“基于MR图像和三维超 声心动图的 左心室运动跟踪研究 ”. 《中国优秀博硕士学位 论 文全文数据库医药卫 生科技辑》 .2013, (续) 审查员 孙麒 (54)发明名称 一种基于深度神经网络的心肌段缺损图像 处理方法 (57)摘要 本发明公开了一种基于深度神经网络的心 肌段缺损图像处理方法， 包括获取心肌灌注显像 图像数据， 对 图像数据中的ROI区域和评分标签 进行数据预处理， 得到训练集和测试集； 构建深 度神经网络模型， 获取评分标签特征， 将评分标 签进行特征融合交换； 向搭载好的深度神经网络 模型中输入心肌灌注显像图像数据预处理数据， 输出心肌段缺损评分结果， 通过反向传播算法更 新网络权值， 进行多轮迭代训练深度神经网络模 型参数； 将训练集输入训练好的深度神经网络模 型中， 根据心肌段分类指标输出心肌段评分。 通过构建深度神经网络模型对心肌灌注显像图像 数据进行处理， 提高了心肌灌注显像图像数据用 于判断心肌灌注显像的准确性和一致性， 判断结 果更加客观。 [转续页] 权利要求书2页 说明书6页 附图2页 CN 114581425 B 2022.11.01 CN 114581425 B (56)对比文件 余浪.“基于BP神经网络模型的缺血性心脏 病住院医疗费用研究 ”. 《中国优秀博硕士学位 论 文全文数据库医药卫 生科技辑》 .2020, 周轩 等.“冠状动脉慢性闭塞病变介入 治疗 的效果影响因素及门控 核素心肌灌注显 像技术 的评估价 值”. 《昆明医科大学学报》 .2018, Lise Wei 等. “Fundamentals of radiomics in nuclear medici ne and hybrid imaging”. 《Basic sciences of nuclear medicine》 .2021, Moloud abdar 等. “A new mac hine learning technique for an ac curate diagnosis of coro nary artery disease ”. 《Computer methods and program s in biomedicine》 .2019,2/2 页 2[接上页] CN 114581425 B1.一种基于深度神经网络的心肌段缺损图像处 理方法， 其特 征在于， 包括： S1、 获取心肌灌注显像图像数据， 对图像数据中的ROI区域和评分标签进行数据预处 理， 得到训练集和 测试集； S2、 构建深度神经网络模型， 获取评分标签特征， 将评分标签进行特征融合交换， 所述 特征融合交换为： 将各心肌段评分任务的特征图输入到心肌段选择模块中， 按照各自的区 域归属进 行融合形成新的特征， 将融合形成新的特征通过心肌段分发模块基于心肌段所属 关系进行分发； S3、 向搭载好的深度神经网络模型中输入心肌灌注显像图像数据预处理数据， 输出心 肌段缺损 评分结果， 通过反向传播算法更新网络权值， 进行多轮迭代训练深度神经网络模 型参数； S4、 将测试集输入训练好的深度神经网络模型中， 根据心肌段分类指标输出心肌段评 分， 通过深度神经网络模型对心肌段评分输出 结果进行评估。 2.根据权利要求1所述的基于深度神经网络的心肌段缺损图像处理方法， 其特征在于， 所述数据预处 理包括： 提取图像数据中的ROI区域和评分标签； 将预处理的图像数据划分为训练集和 测试集； 对测试集进行 数据增广。 3.根据权利要求2所述的基于深度神经网络的心肌段缺损图像处理方法， 其特征在于， 所述提取图像数据中的ROI区域的方法为使用心肌灌注显像图像数据切面作为网络 输入； 所述提取图像数据中的评分标签的方法为通过正则表达式将心肌段评分标签提取出 来， 其中， 所述评分标签为心肌灌注显像报告的诊断信息中包 含的文本信息 。 4.根据权利要求2所述的基于深度神经网络的心肌段缺损图像处理方法， 其特征在于， 将提取的图像数据划分为训练集和测试集包括按照4:1的比例将图像数据划分成训练集和 测试集。 5.根据权利要求1所述的基于深度神经网络的心肌段缺损图像处理方法， 其特征在于， 所述构建深度神经网络模型包括将Resnet50的全连接层和池化层去除作为深度神经网络 模型的特 征提取骨架。 6.根据权利要求1所述的基于深度神经网络的心肌段缺损图像处理方法， 其特征在于， 所述获取评分标签特征包括对划分的评 分标签进 行多任务多输出， 所述多任务多输出包括 对17个分类任务先后进行两次输出： 第一次任务输出用于使评分标签特 征在进行 特征融合交换之前 具有任务特异性； 第二次任务输出基于任务特异性特 征和任务全局性特 征的结果输出； 其中， 所述评分标签特征为划分为17个心肌段的每个心肌段的特征， 所述 “任务特异性 特征”指的是特征只保留了单个心肌段的特征信息， 所述 “任务全局性特征 ”指的是评分标 签特征按照各自的区域归属进行融合形成新的特 征。 7.根据权利要求1所述的基于深度神经网络的心肌段缺损图像处理方法， 其特征在于， 所述将评分标签进行 特征融合交换 具体包括： 将具有任务特异性的评分标签特 征按照心肌段的区域归属进行融合； 所述按照各自的区域归属进行融合具体包括：权　利　要　求　书 1/2 页 2 CN 114581425 B 3