本發(fā)明涉及心磁圖圖像處理領(lǐng)域。更具體地說，本發(fā)明涉及一種基于心磁圖的冠狀動脈堵塞評估方法及系統(tǒng)。

背景技術(shù)：

1、心磁圖（mcg）是一種功能性檢查，與傳統(tǒng)的心電圖（ecg）相比，由于可以直接測得不受肌肉骨骼影響的磁信號，因而更靈敏和可靠。然而mcg的報告解讀通常需要經(jīng)驗豐富的專業(yè)人員，從而限制了其臨床應(yīng)用。

2、目前，心磁圖通常只能提供類似于輕度、中度、重度等的粗略評估，難以反映出疾病嚴重程度的細微差別，對于一些需要更為精細評估的疾病來說，等級劃分顯得不夠準確；此外這種方式主觀性強，可能受到醫(yī)生主觀判斷的影響，不同醫(yī)生可能會對同一患者的疾病嚴重程度進行不同的等級劃分。

3、基于人工智能（ai）的心磁圖冠狀動脈疾?。╟ad）嚴重程度評估模型是目前該領(lǐng)域的研究熱點，可以為臨床醫(yī)生提供一種自動準確的診斷工具，可能促進臨床接受。然而研究人員一直致力于提高二分類模型的預(yù)測精度，將心磁圖按照冠脈造影的某一種堵塞程度作為閾值劃分陰性陽性，對于冠脈疾病嚴重程度評估不夠準確。

技術(shù)實現(xiàn)思路

1、本發(fā)明的一個目的是提供一種基于心磁圖的冠狀動脈堵塞程度評估方法及系統(tǒng)，以至少解決上述問題。

2、為了實現(xiàn)本發(fā)明的目的和其它優(yōu)點，本發(fā)明提供了一種基于心磁圖的冠狀動脈堵塞程度評估方法，包括：

3、獲取心磁圖數(shù)據(jù)集，并將其隨機分為訓練集和測試集；

4、根據(jù)所述訓練集中每例心磁圖數(shù)據(jù)對應(yīng)的冠脈造影結(jié)果，以冠脈造影堵塞程度給定每例心磁圖數(shù)據(jù)的標簽；

5、采用所述訓練集及其對應(yīng)的標簽，分別以不同的冠脈造影堵塞程度為界線劃分陰陽，對一個或多個分類模型進行二分類訓練，得到在不同冠脈造影堵塞程度下的訓練好的分類模型；

6、采用所述訓練好的分類模型對所述測試集進行測試，得到每例心磁圖數(shù)據(jù)在不同分類模型、不同冠脈造影堵塞程度下的陽性概率和陰性概率；

7、給每例心磁圖數(shù)據(jù)的每個分類模型在不同冠脈造影堵塞程度下的陽性概率賦予權(quán)重，并加權(quán)平均，得到每例心磁圖數(shù)據(jù)在每個分類模型下的評分；

8、給每例心磁圖數(shù)據(jù)在不同分類模型下的評分賦予權(quán)重，并加權(quán)平均，得到每例心磁圖數(shù)據(jù)的最終評分；

9、根據(jù)所述最終評分評估冠狀動脈堵塞百分比。

10、優(yōu)選的是，還包括，對所述心磁圖數(shù)據(jù)集中的每例心磁圖數(shù)據(jù)進行預(yù)處理，提取心磁圖參數(shù)，將所述心磁圖參數(shù)作為所述分類模型的輸入。

11、優(yōu)選的是，所述心磁圖參數(shù)包括t峰磁場角度、t峰電流角度、t峰最大最小比、tt最大電流角度、tt最大磁場角度、tt最小電流角度、tt最小磁場角度、正極面積變化標準差、負極面積變化標準差。

12、優(yōu)選的是，所述不同的冠脈造影堵塞程度包括堵塞50%、堵塞70%、堵塞80%、堵塞90%。

13、優(yōu)選的是，所述分類模型包括機器學習模型和/或深度學習模型。

14、優(yōu)選的是，所述機器學習模型包括隨機森林模型、極限梯度提升模型。

15、優(yōu)選的是，所述深度學習模型包括長短時記憶網(wǎng)絡(luò)模型、深度殘差網(wǎng)絡(luò)模型。

16、本發(fā)明還提供了一種基于上述方法的系統(tǒng)，包括：

17、獲取模塊，其用于心磁圖數(shù)據(jù)集，并將其隨機分為訓練集和測試集；

18、打標模塊，其用于根據(jù)所述訓練集中每例心磁圖數(shù)據(jù)對應(yīng)的冠脈造影結(jié)果，以冠脈造影堵塞程度給定每例心磁圖數(shù)據(jù)的標簽；

19、訓練模塊，其用于采用所述訓練集及其對應(yīng)的標簽，分別以不同的冠脈造影堵塞程度為界線劃分陰陽，對一個或多個分類模型進行二分類訓練，得到在不同冠脈造影堵塞程度下的訓練好的分類模型；

20、測試模塊，其用于采用所述訓練好的分類模型對所述測試集進行測試，得到每例心磁圖數(shù)據(jù)在不同分類模型、不同冠脈造影堵塞程度下的陽性概率和陰性概率；

21、第一數(shù)據(jù)處理模塊，其用于給每例心磁圖數(shù)據(jù)的每個分類模型在不同冠脈造影堵塞程度下的陽性概率賦予權(quán)重，并加權(quán)平均，得到每例心磁圖數(shù)據(jù)在每個分類模型下的評分；

22、第二數(shù)據(jù)處理模塊，其用于給每例心磁圖數(shù)據(jù)在不同分類模型下的評分賦予權(quán)重，并加權(quán)平均，得到每例心磁圖數(shù)據(jù)的最終評分；

23、評估模塊，其用于根據(jù)所述最終評分評估冠狀動脈堵塞百分比。

24、本發(fā)明還提供了一種電子設(shè)備，包括：一個或多個處理器；存儲器；以及一個或多個程序，其中所述一個或多個程序被存儲在所述存儲器中，并且被配置成由所述一個或多個處理器執(zhí)行，所述程序包括用于執(zhí)行上述的方法。

25、本發(fā)明還提供了一種計算機可讀存儲介質(zhì)，存儲于具有一種電子設(shè)備結(jié)合使用的計算機程序，所述計算機程序可被處理器執(zhí)行以實現(xiàn)上述的方法。

26、本發(fā)明至少包括以下有益效果：

27、本發(fā)明通過構(gòu)建一種評分機制，量化心磁圖數(shù)據(jù)的結(jié)果，為冠脈的堵塞情況提供了更為準確、客觀和細分的評估，避免了醫(yī)生主觀判斷的影響，使患者對冠脈堵塞程度了解更直觀，更易促進臨床接受。

28、本發(fā)明的其它優(yōu)點、目標和特征將部分通過下面的說明體現(xiàn)，部分還將通過對本發(fā)明的研究和實踐而為本領(lǐng)域的技術(shù)人員所理解。

技術(shù)特征：

1.基于心磁圖的冠狀動脈堵塞程度評估方法，其特征在于，包括：

2.如權(quán)利要求1所述的基于心磁圖的冠狀動脈堵塞程度評估方法，其特征在于，還包括，對所述心磁圖數(shù)據(jù)集中的每例心磁圖數(shù)據(jù)進行預(yù)處理，提取心磁圖參數(shù)，將所述心磁圖參數(shù)作為所述分類模型的輸入。

3.如權(quán)利要求2所述的基于心磁圖的冠狀動脈堵塞程度評估方法，其特征在于，所述心磁圖參數(shù)包括t峰磁場角度、t峰電流角度、t峰最大最小比、tt最大電流角度、tt最大磁場角度、tt最小電流角度、tt最小磁場角度、正極面積變化標準差、負極面積變化標準差。

4.如權(quán)利要求1所述的基于心磁圖的冠狀動脈堵塞程度評估方法，其特征在于，所述不同的冠脈造影堵塞程度包括堵塞50%、堵塞70%、堵塞80%、堵塞90%。

5.如權(quán)利要求1所述的基于心磁圖的冠狀動脈堵塞程度評估方法，其特征在于，所述分類模型包括機器學習模型和/或深度學習模型。

6.如權(quán)利要求5所述的基于心磁圖的冠狀動脈堵塞程度評估方法，其特征在于，所述機器學習模型包括隨機森林模型、極限梯度提升模型。

7.如權(quán)利要求5所述的基于心磁圖的冠狀動脈堵塞程度評估方法，其特征在于，所述深度學習模型包括長短時記憶網(wǎng)絡(luò)模型、深度殘差網(wǎng)絡(luò)模型。

8.如權(quán)利要求1~7任一項所述的方法的系統(tǒng)，其特征在于，包括：

9.電子設(shè)備，其特征在于，包括：

10.計算機可讀存儲介質(zhì)，其特征在于，存儲于具有一種電子設(shè)備結(jié)合使用的計算機程序，所述計算機程序可被處理器執(zhí)行以實現(xiàn)權(quán)利要求1~7任一項所述的方法。

技術(shù)總結(jié)
本發(fā)明公開了基于心磁圖的冠狀動脈堵塞程度評估方法，包括：獲取心磁圖數(shù)據(jù)集，分為訓練集和測試集；給定每例心磁圖數(shù)據(jù)的標簽；采用訓練集及標簽以不同的冠脈造影堵塞程度為界線對不同分類模型進行訓練，得訓練好的分類模型；采用訓練好的分類模型對測試集進行測試，得每例心磁圖數(shù)據(jù)在不同分類模型和冠脈造影堵塞程度下的陽性概率；給每個分類模型在不同冠脈造影堵塞程度下的陽性概率加權(quán)平均，得每個分類模型的評分；給每例心磁圖數(shù)據(jù)在不同分類模型下的評分加權(quán)平均，得每例心磁圖數(shù)據(jù)的最終評分；根據(jù)最終評分評估冠狀動脈堵塞百分比；以及基于心磁圖的冠狀動脈堵塞程度評估系統(tǒng)。本發(fā)明能夠給冠脈堵塞情況提供更為準確、客觀和細分的評估。

技術(shù)研發(fā)人員：蔡賓,吉潔
受保護的技術(shù)使用者：北京未磁科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19