买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：深圳市人民医院;南方科技大学

摘要：本发明涉及医学信息处理技术领域，公开一种基于卷积神经网络的脑血管狭窄情况分析方法及系统，包括：得到待测者的经颅多普勒图像和生理数据；对待测者的经颅多普勒图像进行预处理，得到待测者的RGB图像；根据RGB图像，通过第一分析模型，得到待测者是否出现脑血管狭窄的分析结果；当第一分析模型的分析结果表示待测者已经出现脑血管狭窄时，根据待测者的RGB图像和生理数据，通过第二分析模型，得到待测者的脑血管狭窄度。本发明针对脑血管狭窄度分析问题，提出了两阶段分析方法，并综合使用了目标群体的多源信息进行分析，在保证患者安全的同时，能够辅助医生尽快了解患者真正的脑血管狭窄情况，为患者制定合理的治疗方案。

主权项：1.一种基于卷积神经网络的脑血管狭窄情况分析模型的构建方法，其特征在于，包括：获取目标人群的经颅多普勒图像、生理数据、脑血管狭窄度信息，其中，目标人群包括健康人群和脑血管狭窄患者群体，目标人群的经颅多普勒图像标注有是否出现脑血管狭窄的标签；对目标人群的经颅多普勒图像进行预处理，得到目标人群的RGB图像；根据目标人群的RGB图像，采用第一卷积神经网络，训练得到第一分析模型，用于分析待测者是否出现脑血管狭窄；根据目标人群的RGB图像、生理数据、脑血管狭窄度信息，采用第二卷积神经网络和全连接神经网络，结合多模态信息融合机制，训练得到第二分析模型，用于分析待测者的脑血管狭窄度；其中，第一卷积神经网络按照连接顺序依次包括第一输入层、第一卷积层、第一残差块、第一全连接层、第一输出层，其中，第一输出层的神经元个数为1，激活函数为Sigmoid函数；所述根据目标人群的RGB图像，采用第一卷积神经网络，训练得到第一分析模型，包括：设置第一分析模型的训练参数和初始权值，训练参数包括：第一epoch次数、第一损失函数、第一模型优化方式、第一学习率、第一动量、第一学习率的调整策略；对每个epoch，执行第一分析模型的训练步骤，得到第一分析模型；第一分析模型的训练步骤包括：根据RGB图像进行前向计算，得到训练样本的第一模型输出；根据RGB图像的标注的是否出现脑血管狭窄的标签和训练样本的第一模型输出，通过第一损失函数得到第一模型损失；根据第一模型优化方式进行反向传播计算，得到第一梯度；根据第一梯度更新第一分析模型的训练权值；根据第一学习率的调整策略更新第一分析模型的第一学习率；当达到最大第一epoch次数时，得到第一分析模型的最终训练权值，结束第一分析模型的训练；第二卷积神经网络按照连接顺序依次包括第二输入层、第二卷积层、第二残差块、第二全连接层、第二隐藏层、第二输出层，构成回归模型，全连接神经网络按照连接顺序依次包括第三输入层、第三隐藏层、第四隐藏层、第三输出层，构成四层全连接模型，其中，第二卷积神经网络的第二隐藏层与全连接神经网络的第三输入层连接，第二隐藏层的神经元个数为24，第二输出层的神经元个数为1，激活函数为Sigmoid函数，第三隐藏层和第四隐藏层的激活函数为Relu函数，第三输出层的激活函数为Sigmoid函数；第二分析模型的训练过程包括回归模型训练步骤和四层全连接模型训练步骤，其中，所述根据目标人群的RGB图像、生理数据、脑血管狭窄度信息，采用第二卷积神经网络和全连接神经网络，结合多模态信息融合机制，训练得到第二分析模型，包括：设置回归模型的训练参数和初始权值，训练参数包括：第二epoch次数、第二损失函数、第二模型优化方式、第二学习率、第二动量、第二学习率的调整策略；对每个epoch，执行回归模型训练步骤，直至达到最大第二epoch次数，得到回归模型的最终训练权重；从生理数据中提取生理数值特征，并将回归模型的第二输出层的输出作为从RGB图像提取的图像特征，以及将图像特征和生理数值特征进行合并，作为四层全连接模型的训练数据；设置四层全连接模型的训练参数和初始权值，训练参数：第三epoch次数、第三损失函数、第三模型优化方式、第三学习率、第三动量、第三学习率的调整策略；对每个epoch，执行四层全连接模型训练步骤，直至达到最大第三epoch次数，得到回归模型的最终训练权值；回归模型训练步骤包括：根据RGB图像进行前向计算，得到训练样本的第二模型输出；根据RGB图像对应的脑血管狭窄度信息和训练样本的第二模型输出，通过第二损失函数得到第二模型损失；根据第二模型优化方式进行反向传播计算，得到第二梯度；根据第二梯度更新回归模型的权值；根据第二学习率的调整策略更新回归模型的第二学习率；当达到最大第二epoch次数时，得到回归模型的最终权重，结束回归模型训练步骤；和或，四层全连接模型训练步骤包括：根据四层全连接模型的训练数据进行前向计算，得到训练样本的第三模型输出；根据四层全连接模型的训练数据的脑血管狭窄度信息和训练样本的第三模型输出，通过第三损失函数得到第三模型损失；根据第三模型优化方式进行反向传播计算，得到第三梯度；根据第三梯度更新四层全连接模型的权值；根据第三学习率的调整策略更新四层全连接模型的第三学习率；当达到最大第三epoch次数时，得到四层全连接模型的最终训练权值，结束四层全连接模型训练步骤。

全文数据：

权利要求：

百度查询： 深圳市人民医院 南方科技大学 基于卷积神经网络的脑血管狭窄情况分析方法及系统