【技术实现步骤摘要】
本专利技术属于医学图像处理领域，具体涉及一种基于轻量化模型和半监督学习的as严重程度分类系统。
技术介绍
1、主动脉瓣(av)位于左心室和主动脉之间，是血液流出心脏前的最后一道屏障。主动脉瓣可以控制血液流向，是一种重要瓣膜。一旦主动脉瓣增厚和钙化，就有可能导致出口变窄，引发主动脉瓣狭窄(as)。as是一种重症患者的死亡率很高的退行性瓣膜疾病，在临床实践中，对于as严重程度的诊断通常是基于心脏病专家对超声心动图中相关视图的观察。传统临床诊断方法既昂贵又主观，因此，目前亟需一种高效可行的辅助诊断方法。随着深度学习的发展，利用深度学习辅助as严重程度诊断成为了一种可行的方法。
2、实际上只有一部分超声心动图与as的诊断相关，因为主动脉瓣只在这些视图(称为相关视图)中可见。根据临床标准，我们将胸骨旁长轴切面(plax)和胸骨旁短轴切面(psax)视为相关视图。在临床实践中，诊断as严重程度的第一步通常是正确识别经胸超声心动图(tte)上的相关视图，第二步是根据相关视图诊断as的严重程度。但是目前基于深度学习的方法更多关注患者级as严重程度分类和相关的聚合机制，较少关注视图分类和图像级as严重程度分类。视图分类和图像级as严重程度分类在临床上又被视为患者级as严重程度分类的前置任务，缺少视图分类和图像级as严重程度分类会降低患者级as严重程度分类的可解释性。而且目前的方法并未考虑医疗系统有限算力的需求，所用模型的参数量较大且计算复杂度较高，另外由于医学图像的标注成本高昂，因此只能对少量医学图像进行标注，这就产生了大量无标签数据
3、综上所述，由于现有方法并较少关注视图分类和图像级as严重程度分类，因此患者级as严重程度分类结果的可解释性较差；由于未使用无标签数据，因此，数据浪费严重且仅依靠标注数据进行训练难以获得最佳的分类性能；而且由于现有方法采用的模型的参数量较大且计算复杂度较高，因此分类效率较低且对医疗系统的算力要求较高，因此，提出一种新的as严重程度分类技术以解决上述问题是十分必要的。
技术实现思路
1、本专利技术的目的是为解决现有分类方法存在对无标注数据的浪费、缺少视图分类和图像级as严重程度分类导致的患者级as严重程度分类结果的可解释性差以及对医疗系统的算力要求高等问题，而提出了一种基于轻量化模型和半监督学习的as严重程度分类系统。
2、本专利技术为解决上述技术问题所采取的技术方案是：一种基于轻量化模型和半监督学习的as严重程度分类系统，所述系统包括超声心动图获取模块、第一lwm分类模型、第二lwm分类模型和聚合模块；
3、所述超声心动图获取模块用于获取待检测对象的超声心动图数据；
4、所述第一lwm分类模型用于对获取的超声心动图数据中的各个超声心动图进行视图分类，且第一lwm分类模型内包括第一rep hwd block模块、第一stage模块、第二rep hwdblock模块、第二stage模块、第三rep hwd block模块、第三stage模块、第四rep hwd block模块、第四stage模块和一个分类器；且第一lwm分类模型的工作过程为：
5、在第一lwm分类模型内，输入的超声心动图数据首先经过第一rep hwd block模块，再将第一rep hwd block模块的输出作为第一stage模块的输入；
6、第一stage模块的输出再作为第二rep hwd block模块的输入，并将第二rep hwdblock模块的输出作为第二stage模块的输入；
7、第二stage模块的输出再作为第三rep hwd block模块的输入，并将第三rep hwdblock模块的输出作为第三stage模块的输入；
8、第三stage模块的输出再作为第四rep hwd block模块的输入，并将第四rep hwdblock模块的输出作为第四stage模块的输入，第四stage模块的输出再经过分类器得到视图分类结果；
9、第一rep hwd block模块内包括dw rep block单元、hwt block单元和pw repblock单元，且第一rep hwd block模块的工作过程为：
10、第一rep hwd block模块的输入首先经过dw rep block单元，dw rep block单元的输出再作为hwt block单元的输入，hwt block单元的输出再作为pw rep block单元的输入，将pw rep block单元的输出作为第一rep hwd block模块的输出；
11、且第二rep hwd block模块、第三rep hwd block模块和第四rep hwd block模块的结构以及工作过程均与第一rep hwd block模块相同；
12、第一stage模块内包括2个子模块、第二stage模块内包括2个子模块、第三stage模块内包括6个子模块、第四stage模块内包括2个子模块，且每个子模块的结构以及工作过程均相同；
13、子模块内包括dw rep block单元和rep lkffn，在子模块内的工作过程为：
14、首先将子模块的输入作为dw rep block单元的输入，再将dw rep block单元的输出作为rep lkffn的输入，最后将dw rep block单元的输出与rep lkffn的输出进行连接，将连接结果作为子模块的输出；
15、分类器内包括平均池化层、展平层和全连接层，分类器的输入分别经过平均池化层和展平层，再将平均池化层的输出和展平层的输出进行连接，将连接结果经过全连接层，通过全连接层输出分类结果；
16、所述第二lwm分类模型用于对获取的超声心动图数据进行图像级as严重程度分类，第二lwm分类模型的结构与第一lwm分类模型的结构相同；
17、所述聚合模块用于根据第一lwm分类模型的分类结果和第二lwm分类模型的分类结果进行聚合，获得患者级as严重程度分类结果。
18、进一步地，所述第一lwm分类模型的训练过程中，dw rep block单元内包括两个并行的卷积分支和一个跳层连接，且每个卷积分支内均包括深度可分离卷积层和批归一化层，训练时dw rep block单元的工作过程为：
19、y＝σ[bn1(conv1(x))+bn2(conv2(x))+x]
20、其中，y是dw rep block单元在训练过程中的输出，x是dw rep block单元在训练过程中的输入，conv1和conv2为深度可分离卷积层，bn1和bn2为批归一化层，σ是激活函数层；
21、在第一lwm分类模型的推理过程中，dw rep block单元的工作过程为：
22、y′＝σ(conv12(x′))
23、其中，y′是dw rep本文档来自技高网...
【技术保护点】
1.一种基于轻量化模型和半监督学习的AS严重程度分类系统，其特征在于，所述系统包括超声心动图获取模块、第一LWM分类模型、第二LWM分类模型和聚合模块；
2.根据权利要求1所述的一种基于轻量化模型和半监督学习的AS严重程度分类系统，其特征在于，所述第一LWM分类模型的训练过程中，DW Rep Block单元内包括两个并行的卷积分支和一个跳层连接，且每个卷积分支内均包括深度可分离卷积层和批归一化层，训练时DW Rep Block单元的工作过程为：
3.根据权利要求2所述的一种基于轻量化模型和半监督学习的AS严重程度分类系统，其特征在于，所述第一LWM分类模型的训练过程中，PW Rep Block单元内包括逐点卷积层和批归一化层，训练时PW Rep Block单元的工作过程为：
4.根据权利要求1所述的一种基于轻量化模型和半监督学习的AS严重程度分类系统，其特征在于，所述第一LWM分类模型和第二LWM分类模型的训练数据是从TMED-2数据集中获取的，第一LWM分类模型的训练数据包括有视图标签的数据和无视图标签的数据，第二LWM分类模型的训练数据包括
5.根据权利要求3所述的一种基于轻量化模型和半监督学习的AS严重程度分类系统，其特征在于，所述Rep LKFFN的工作工程为：
6.根据权利要求5所述的一种基于轻量化模型和半监督学习的AS严重程度分类系统，其特征在于，所述第一Stage模块内的2个子模块分别记为第一子模块和第二子模块，第一Stage模块的工作过程为：
7.根据权利要求6所述的一种基于轻量化模型和半监督学习的AS严重程度分类系统，其特征在于，所述第一LWM分类模型采用半监督学习的方式进行训练，训练的具体过程为：
8.根据权利要求7所述的一种基于轻量化模型和半监督学习的AS严重程度分类系统，其特征在于，所述置信度为：
9.根据权利要求8所述的一种基于轻量化模型和半监督学习的AS严重程度分类系统，其特征在于，所述步骤三中，总损失的计算方法为：
10.根据权利要求9所述的一种基于轻量化模型和半监督学习的AS严重程度分类系统，其特征在于，所述聚合模块的工作过程为：
...【技术特征摘要】
1.一种基于轻量化模型和半监督学习的as严重程度分类系统，其特征在于，所述系统包括超声心动图获取模块、第一lwm分类模型、第二lwm分类模型和聚合模块；
2.根据权利要求1所述的一种基于轻量化模型和半监督学习的as严重程度分类系统，其特征在于，所述第一lwm分类模型的训练过程中，dw rep block单元内包括两个并行的卷积分支和一个跳层连接，且每个卷积分支内均包括深度可分离卷积层和批归一化层，训练时dw rep block单元的工作过程为：
3.根据权利要求2所述的一种基于轻量化模型和半监督学习的as严重程度分类系统，其特征在于，所述第一lwm分类模型的训练过程中，pw rep block单元内包括逐点卷积层和批归一化层，训练时pw rep block单元的工作过程为：
4.根据权利要求1所述的一种基于轻量化模型和半监督学习的as严重程度分类系统，其特征在于，所述第一lwm分类模型和第二lwm分类模型的训练数据是从tmed-2数据集中获取的，第一lwm分类模型的训练数据包括有视图标签的数据和无视图标签的数据，第二lwm分类...
【专利技术属性】
技术研发人员：董素宇，张贻峰，董庆，孙一欣，曹绍东，
申请(专利权)人：东北林业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。