申请/专利权人：东北大学

申请日：2024-03-19

公开（公告）日：2024-05-17

公开（公告）号：CN118053588A

主分类号：G16H50/30

分类号：G16H50/30;A61B5/349;A61B5/364;A61B5/00;G06F18/241;G06F18/213;G06N3/0464;G06N3/048;G06F18/2415;G06N3/08;G16H50/70

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.04#实质审查的生效;2024.05.17#公开

摘要：本发明提供一种基于深度学习的左心室射血分数自动检测方法，涉及医学辅助检测技术领域。针对初级医疗中缺少能够自动准确使用心电图预测LVEF值方法的问题，训练了一种基于心电图的深度神经网络自动预测LVEF，解决初级医疗中缺乏LVEF值预测方法的问题，为临床诊疗提供重要参考。本发明使用深度学习模型实现左心室射血分数的自动预测，在多个心电图上进行测试，结果表明该方法在多数心电图上，能够较为准确地估算LVEF值，运算速度满足实时性要求。本发明实现方法简单，运算速度快，结果准确性高，不依赖于医生的临床经验，达到了临床应用的要求。

主权项：1.一种基于深度学习的左心室射血分数自动检测方法，其特征在于：所述方法包括下列步骤：步骤1：输入心电图；所述心电图数据为12导联心电图的原始xml数据，或xml数据解析后的csv二维数组和png波形图，及原始数据对应的标签即由超声心动图测定的LVEF值；步骤2：根据数据集配置深度神经网络工作模式；划分三种数据集类型：训练和测试数据集：包括原始心电图数据和对应的标签，用于训练和测试初始化的深度神经网络模型；微调数据集：包括原始心电图数据和对应的标签，用于微调预训练的深度神经网络模型参数；LVEF待评估数据集：12导联心电图的原始xml数据或xml数据解析后的csv二维数组和png波形图，用于临床评估LVEF指标；步骤3：如果用户使用的是训练和测试数据集，则初始化深度神经网络模型，然后执行步骤6；否则执行步骤4；所述深度神经网络模型基于ResNet网络结构搭建，分为一维ResNet分支和二维ResNet分支；一维ResNet分支以心电信号数值的矩阵I1d作为输入，学习心电图的数值特征；二维ResNet分支以原始心电信号生成的二维波形图I2d作为输入，学习心电图的波形特征；两种形式的数据依次输入到两个分支中，经过两个分支的初步特征学习后，通过融合注意力模块FFA对特征进一步强化，最终得到两个分支的特征图；最后，经过特征融合模块FBFF对所得到的特征图进行融合，得到LVEF预测值；步骤4：加载预训练模型；步骤5：如果用户使用的是微调数据集，则执行步骤6，否则执行步骤8；步骤6：加载模型参数配置并训练模型；步骤7：输出并保存训练得到的模型参数；步骤8：加载模型参数配置，并使用训练完成的模型计算LVEF指标；步骤9：输出LVEF指标。

全文数据：

权利要求：

百度查询： 东北大学 一种基于深度学习的左心室射血分数自动检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD