基于切面識(shí)別的房間隔缺損智能輔助診斷

張文靜，李文秀，劉愛軍，武興坤，李劍峰，羅 濤?

1) 北京郵電大學(xué)北京先進(jìn)信息網(wǎng)絡(luò)實(shí)驗(yàn)室，北京 100876 2) 首都醫(yī)科大學(xué)附屬北京安貞醫(yī)院兒童心血管病中心，北京 100029 3) 北京郵電大學(xué)網(wǎng)絡(luò)體系構(gòu)建與融合北京市重點(diǎn)實(shí)驗(yàn)室，北京 100876

房間隔缺損(Atrial septal defect，ASD)是一種常見的先天性的心臟病，表現(xiàn)為在胚胎發(fā)育過(guò)程中，房間隔發(fā)育異常導(dǎo)致左、右心房之間留有孔隙.先天性心臟病的檢出率逐年遞增，而ASD更是占據(jù)了先天性心臟病中最大的比重，達(dá)到37.31%[1].ASD患者隨著年齡的增大，會(huì)出現(xiàn)氣急、心悸和乏力的癥狀.40歲以上患者病情進(jìn)一步加重，并常出現(xiàn)心房顫動(dòng)、心房撲動(dòng)等心律失常和充血性心衰表現(xiàn). 在患者年齡較小時(shí)將其檢出，并對(duì)孔隙較大無(wú)法自愈的患者進(jìn)行治療可以有效防止病情的惡化，避免患者遭受心臟病的痛苦.因此，對(duì)ASD的高效準(zhǔn)確診斷的研究具有十分重要的現(xiàn)實(shí)意義.

超聲心動(dòng)圖是進(jìn)行ASD診斷的主要方式，通過(guò)觀察二維超聲圖中心臟的形態(tài)大小、回聲缺失以及異常的血液分流可以很好地診斷出ASD，而且超聲心動(dòng)圖中彩色多普勒血流顯像顯示的左右心房水平分流信號(hào)更是可以清楚準(zhǔn)確地診斷與醫(yī)學(xué)影像自身的數(shù)據(jù)特征相結(jié)合，提出了一種基于超聲心動(dòng)圖切出ASD[1].彩色多普勒超聲心動(dòng)圖檢查簡(jiǎn)便易行，無(wú)創(chuàng)傷，患者無(wú)痛苦，重復(fù)性強(qiáng)，準(zhǔn)確，是ASD的首選檢查方法[2]. 然而由于超聲心動(dòng)圖客觀上具有成像質(zhì)量不佳，噪聲較多的缺點(diǎn)，導(dǎo)致超聲漏診及誤診ASD.調(diào)查表明，多達(dá)30%的超聲心動(dòng)圖報(bào)告并不十分準(zhǔn)確[3]. 此外，因?yàn)獒t(yī)療資源的分布不均，醫(yī)生水平的良莠不齊，山村地區(qū)的醫(yī)院情況更不容樂(lè)觀. 事實(shí)上，臨床醫(yī)生大多不具備閱片能力，閱片工作均由影像科醫(yī)生完成，然后再由其提交檢查報(bào)告給臨床醫(yī)生.而在醫(yī)療資源匱乏的鄉(xiāng)村這些工作都將由臨床醫(yī)生來(lái)完成，這就導(dǎo)致其超聲心動(dòng)圖的檢查報(bào)告可靠性進(jìn)一步降低.由此可見，設(shè)計(jì)實(shí)現(xiàn)一種基于深度學(xué)習(xí)的ASD智能輔助診斷系統(tǒng)，具有十分重要的現(xiàn)實(shí)意義：對(duì)經(jīng)驗(yàn)豐富的醫(yī)生來(lái)說(shuō)，可以幫助提高閱片效率，保證ASD診斷的可靠性即準(zhǔn)確率；對(duì)于經(jīng)驗(yàn)較為欠缺甚至不具備閱片能力的醫(yī)生來(lái)說(shuō)更是可以幫助提供基于超聲心動(dòng)圖的ASD輔助診斷意見，提高診斷結(jié)果的綜合性.

近年來(lái)深度學(xué)習(xí)在醫(yī)學(xué)影像處理領(lǐng)域，有很多研究者投入其中并取得了不少研究成果.Tao等[4]提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的超聲心動(dòng)圖切面識(shí)別方法，采用金字塔池化層替代了全連接層，取得了較為不錯(cuò)的識(shí)別準(zhǔn)確率.Madani等[5]針對(duì)超聲心動(dòng)圖15種切面進(jìn)行了分類，主要目標(biāo)是實(shí)現(xiàn)快速的分類. 他們還提出了結(jié)合超聲心動(dòng)圖切面類型及圖像的簡(jiǎn)單分割，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行左心室肥大（Left ventricular hypertrophy,LVH）的診斷[6].其中超聲心動(dòng)圖的切面分類對(duì)LVH診斷準(zhǔn)確率有一定的提升，但左心室肥大涉及的切面類型與房間隔缺損差異很大. 此外，實(shí)驗(yàn)結(jié)果表明，其進(jìn)行切面分類后采用U-net對(duì)其進(jìn)行簡(jiǎn)單分割的做法對(duì)診斷準(zhǔn)確率的提升并不明顯.除了切面識(shí)別方面的工作，也有研究者致力于對(duì)超聲心動(dòng)圖進(jìn)行交互式翻譯[7?9]以及超聲心動(dòng)圖圖像分割的工作[10?14]以及其他基于深度學(xué)習(xí)的與超聲心動(dòng)圖相關(guān)的工作（其他疾病的診斷、超聲心動(dòng)圖的數(shù)據(jù)增強(qiáng)等）[15?21]. 綜上，目前仍鮮有基于深度學(xué)習(xí)和超聲心動(dòng)圖進(jìn)行房間隔缺損的研究，于是本文將深度學(xué)習(xí)的算法面識(shí)別的房間隔缺損智能輔助診斷方法.

1 問(wèn)題分析

通過(guò)超聲心動(dòng)圖進(jìn)行ASD的診斷具有一定的挑戰(zhàn)性，其困難主要來(lái)自三個(gè)方面：正常人與患者的超聲心動(dòng)圖差異較小，難以簡(jiǎn)單地直接將其分開；超聲心動(dòng)圖分為多種常用的標(biāo)準(zhǔn)切面，每個(gè)切面的圖像特征各異，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)難以充分學(xué)習(xí)各個(gè)切面的不同特征；超聲心動(dòng)圖成像質(zhì)量一般，邊界不清且往往伴隨著大量的噪聲.這3個(gè)方面帶來(lái)的不利影響都導(dǎo)致了將卷積神經(jīng)網(wǎng)絡(luò)直接應(yīng)用到ASD的診斷上效果不佳.

由Wang[1]給出的通過(guò)超聲心動(dòng)圖診斷ASD的診斷依據(jù)可知，正常人的超聲心動(dòng)圖與ASD患者的超聲心動(dòng)圖的圖像特征相異.如圖1所示，ASD患者的超聲心動(dòng)圖在房間隔缺損處存在明顯的陰影，這是用于區(qū)分正常人與患者的主要依據(jù)之一. 這種圖像差異與整張圖像相比不夠突出，而兩者在其余部分的圖像特征上并沒有明顯的不同，所以就需要網(wǎng)絡(luò)對(duì)超聲心動(dòng)圖的圖像特征進(jìn)行非常具有針對(duì)性地提取、組合. 另一方面，超聲心動(dòng)圖的多種常用切面的特征又各不相同，若不加以區(qū)分就進(jìn)行診斷勢(shì)必會(huì)丟失掉這一部分信息，從而使診斷性能有所下降. 于是就提出了基于特征切面識(shí)別的ASD智能輔助診斷模型，該模型采用先進(jìn)行切面識(shí)別，再進(jìn)行房間隔診斷的兩段式架構(gòu). 通過(guò)對(duì)超聲心動(dòng)圖進(jìn)行切面識(shí)別，使得診斷模型能更好更全面地把握?qǐng)D像特征，從而更加準(zhǔn)確地區(qū)分出正常人與ASD患者.最后，為了應(yīng)對(duì)超聲心動(dòng)圖圖像質(zhì)量不佳的問(wèn)題，對(duì)數(shù)據(jù)進(jìn)行雙邊濾波處理，便可以在保留輪廓邊界的前提下一定程度上抑制噪聲，提高圖像的質(zhì)量.

圖1 超聲心動(dòng)圖對(duì)比. （a）ASD 患者；（b）健康人Fig.1 Contrast in echocardiography of ASD patient (a) and healthy people (b)

2 數(shù)據(jù)預(yù)處理與模型算法

2.1 數(shù)據(jù)預(yù)處理

研究所用數(shù)據(jù)集均由某醫(yī)院提供的116位被檢查者的二維超聲心動(dòng)圖及彩色超聲多普勒組成，其中有80位確診為ASD患者，剩下36位診斷為正常，分別占總數(shù)的69%和31%. 其中每個(gè)人的數(shù)據(jù)均由數(shù)量不等的各種切面的dicom格式的超聲心動(dòng)圖組成.

在臨床診斷中，有幾種比較常用且可靠的超聲心動(dòng)圖標(biāo)準(zhǔn)切面（圖2），分別是：胸骨旁大動(dòng)脈短軸切面，心尖四腔心切面，胸骨旁四腔心切面，劍突下上下腔長(zhǎng)軸切面，劍突下大動(dòng)脈短軸切面及劍突下雙房心切面. 其中圖 2（a）和 2（b）相似度較高，一般都統(tǒng)稱為四腔心切面.

圖2 超聲心動(dòng)圖 6 類標(biāo)準(zhǔn)切面. （a）胸骨旁大動(dòng)脈短軸；（b）心尖四腔心；（c）胸骨旁四腔心；（d）劍突下上下腔長(zhǎng)軸；（e）劍突下大動(dòng)脈短軸；（f）劍突下雙房心Fig.2 Six normal views of echocardiography: (a) parasternal short-axis view; (b) apical four-chamber view; (c) parasternal four-chamber view;(d) subcostal inferior vena cava; (e) subcostal short axial of aorta; (f) subcostal left and right atrium

數(shù)據(jù)預(yù)處理的過(guò)程主要分為如下幾步：首先，用戶的超聲心動(dòng)圖數(shù)據(jù)中往往動(dòng)態(tài)數(shù)據(jù)居多，一個(gè)動(dòng)態(tài)數(shù)據(jù)中包含有許多幀圖像，僅依靠其中某一幀圖像就確診過(guò)于武斷.而鄰近幀圖像相似度較高，均輸入模型進(jìn)行診斷存在數(shù)據(jù)冗余問(wèn)題，因此同時(shí)也為了提高數(shù)據(jù)量，在預(yù)處理中采用了一定的間隔對(duì)數(shù)據(jù)進(jìn)行了采樣操作.除去動(dòng)態(tài)數(shù)據(jù)外，數(shù)據(jù)集中也含有少數(shù)的靜態(tài)圖像，這種靜態(tài)圖像一般為超聲醫(yī)生精心截取的，對(duì)于ASD診斷的參考意義較高，皆予以保留. 其次，原始的超聲心動(dòng)圖中除了超聲影像外，其邊框處還有許多涉及患者隱私的信息，這些信息對(duì)于診斷而言與噪聲無(wú)異，保留下來(lái)也會(huì)有泄露患者隱私的風(fēng)險(xiǎn)，于是預(yù)處理階段通過(guò)對(duì)超聲影像部分手動(dòng)提取邊框獲取掩碼圖像，再將其與原始圖像做掩碼處理，濾除超聲影像以外的其他信息. 此外，超聲影像部分也存在不小的噪聲干擾，需要對(duì)其進(jìn)行噪聲濾波操作. 通過(guò)對(duì)比不同的濾波算法，模型采用了雙邊濾波算法，該部分具體細(xì)節(jié)將在下面展開敘述. 最后再將得到的圖像進(jìn)行一些數(shù)據(jù)增強(qiáng)操作，如圖像旋轉(zhuǎn)、翻轉(zhuǎn)和隨機(jī)剪裁等.

2.2 基于雙邊濾波器的超聲心動(dòng)圖噪聲消除算法

然而，由于超聲心動(dòng)圖噪聲較多，直接用原始圖像進(jìn)行模型訓(xùn)練效果不佳，需要對(duì)其進(jìn)行降噪處理.目前常用的圖像降噪濾波算法有均值濾波、高斯濾波以及雙邊濾波，這些濾波算法都是通過(guò)將濾波范圍內(nèi)的像素做加權(quán)平均的發(fā)生進(jìn)行圖像平滑，從而抑制噪聲的. 不過(guò)均值濾波對(duì)周圍像素賦予相同的權(quán)值，這與圖像中像素實(shí)際的概率分布不符，在圖像的輪廓邊緣更是如此；高斯濾波則是通過(guò)假設(shè)濾波中心像素與周圍像素的像素值滿足高斯分布，并以此對(duì)其周圍像素賦予不同的權(quán)值，這樣雖然對(duì)于一般情況像素間相關(guān)性的刻畫更為準(zhǔn)確，卻仍不可避免地會(huì)破壞掉圖像中的邊緣信息從而導(dǎo)致邊界模糊；與均值濾波和高斯濾波沒有考慮到輪廓邊緣像素發(fā)生突變的特性不同，雙邊濾波[22?23]通過(guò)引入像素域核，可以實(shí)現(xiàn)對(duì)邊界的有效保留，其所用濾波核參數(shù)如式（1）所示：

圖3 噪聲濾波效果對(duì)比. （a）原始圖像；（b）均值濾波；（c）高斯濾波；（d）雙邊濾波Fig.3 Comparison of different noise filter algorithms: (a) original image; (b) mean filter; (c) Gaussian filter; (d) bilateral filter

2.3 模型算法

所提的基于超聲心動(dòng)圖特征切面識(shí)別的ASD智能輔助診斷模型總體網(wǎng)絡(luò)架構(gòu)示意圖如圖4所示，主體結(jié)構(gòu)由切面識(shí)別與ASD診斷兩部分網(wǎng)絡(luò)構(gòu)成. 兩部分網(wǎng)絡(luò)可以單獨(dú)進(jìn)行訓(xùn)練，最后再通過(guò)一個(gè)全連接網(wǎng)絡(luò)得到模型輸出.經(jīng)過(guò)預(yù)處理后的數(shù)據(jù)同時(shí)輸入到兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)中，分別進(jìn)行特征提取，將兩部分網(wǎng)絡(luò)提取的特征進(jìn)行拼接，從而把識(shí)別的切面信息與圖像提取的空間特征信息相融合，拼接的特征向量輸入到全連接層，最后得到結(jié)合切面識(shí)別的ASD診斷結(jié)果. 該模型架構(gòu)可以很好地將超聲心動(dòng)圖的不同切面特征與用于診斷的圖像特征進(jìn)行組合，從而使得診斷結(jié)果更加精確. 且該模型架構(gòu)易于實(shí)現(xiàn)，用于進(jìn)行切面特征提取與ASD特征提取的卷積神經(jīng)網(wǎng)絡(luò)可以獨(dú)立選取，例如切面特征提取網(wǎng)絡(luò)可以參考已有的較好的超聲心動(dòng)圖切面識(shí)別網(wǎng)絡(luò).而ASD特征提取網(wǎng)絡(luò)與全連接層作為整體，通過(guò)將切面類別也作為標(biāo)簽進(jìn)行輸入，便可進(jìn)行訓(xùn)練. 得益于兩部分網(wǎng)絡(luò)獨(dú)立進(jìn)行訓(xùn)練，其中一個(gè)網(wǎng)絡(luò)訓(xùn)練效果不佳時(shí)并不會(huì)影響另一個(gè)網(wǎng)絡(luò)的訓(xùn)練.

圖4 ASD輔助診斷模型總體架構(gòu)Fig.4 ASD auxiliary diagnosis model overall architecture

圖3給出的模型構(gòu)建的整體架構(gòu)，突出了網(wǎng)絡(luò)總體的設(shè)計(jì)思路.實(shí)際用于ASD診斷的完整模型如圖5所示，主要由3部分組成— —數(shù)據(jù)預(yù)處理部分、ASD輔助診斷部分和加權(quán)求和部分.數(shù)據(jù)預(yù)處理部分前已說(shuō)明，模型中模塊的組成與功能介紹就主要針對(duì)后兩部分進(jìn)行.

圖5 ASD輔助診斷模型完整架構(gòu)Fig.5 ASD auxiliary diagnosis model completed architecture

ASD輔助診斷部分主要是由View-net與ASD-net以及ASD diagnosis模塊組成，其中ASD diagnosis模塊由一個(gè)4層的全連接神經(jīng)網(wǎng)絡(luò)組成，各層數(shù)節(jié)點(diǎn)個(gè)數(shù)設(shè)置為（288，128，56，2），其功能為通過(guò)ASD-net與View-net獲取的超聲心動(dòng)圖高維特征向量進(jìn)行組合得到最終的診斷結(jié)果.View-net與ASD-net的模型實(shí)現(xiàn)則均采用稠密連接卷積神經(jīng) 網(wǎng) 絡(luò) （Densely connected convolutional network，Densenet）[24]，其中 View-net的功能為識(shí)別超聲心動(dòng)圖的切面類別，可作為一個(gè)單獨(dú)的模型進(jìn)行訓(xùn)練，具有可替換性，在本模型中View-net直接使用的Densenet121[24].ASD-net則是基于深度神經(jīng)網(wǎng)絡(luò)模型壓縮理論[25]，采用如圖6所示的輕量化的網(wǎng)絡(luò)結(jié)構(gòu)，其網(wǎng)絡(luò)主體由4個(gè)Dense block組成，每個(gè) Dense block內(nèi)部有若干層 Dense layer，Dense layer除了進(jìn)行標(biāo)準(zhǔn)化和卷積操作得到特征圖，還會(huì)將輸入與特征圖堆疊，最后一起輸出，第i層Dense layer的輸出如式（3）所示，concat表示堆疊操作，conv表示卷積操作，norm表示標(biāo)準(zhǔn)化操作，當(dāng)i取0時(shí)為該dense block的輸入. 此外為了保證卷積操作以后的特征圖與輸入尺寸相同，所有的Dense block內(nèi)部沒有池化層，池化操作都放在了Transition layer中.

圖6 網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)Fig.6 Network structure and parameters

通過(guò)這種堆疊操作，網(wǎng)絡(luò)中的信息流梯度流得到增強(qiáng)，網(wǎng)絡(luò)訓(xùn)練速度更快，且特征復(fù)用度更高，對(duì)圖像語(yǔ)義的提取更為充分. 但是如果Dense layer的層數(shù)過(guò)多，會(huì)導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)過(guò)于復(fù)雜，參數(shù)過(guò)多，從而影響網(wǎng)絡(luò)的收斂，也會(huì)提高對(duì)數(shù)據(jù)量的要求.于是在本模型中采用了更少的層數(shù)，大大減少了網(wǎng)絡(luò)的參數(shù)量.

加權(quán)求和部分存在的必要性主要是結(jié)合醫(yī)學(xué)診斷形成一個(gè)綜合的診斷，提高診斷結(jié)果的可靠性. 首先，用戶的超聲心動(dòng)圖數(shù)據(jù)往往動(dòng)態(tài)數(shù)據(jù)居多，一個(gè)動(dòng)態(tài)數(shù)據(jù)中包含有許多幀圖像，僅依靠其中某一幀圖像就確診過(guò)于武斷. 其次，一個(gè)用戶往往不止一個(gè)超聲心動(dòng)圖，而且這些超聲心動(dòng)圖往往都是不同切面的，僅憑一個(gè)切面的超聲心動(dòng)圖就進(jìn)行診斷仍然太過(guò)片面，應(yīng)該對(duì)不同切面的多個(gè)超聲心動(dòng)圖均進(jìn)行診斷，并綜合起來(lái)求加權(quán)平均作為最終診斷結(jié)果，不同切面類別的權(quán)值由其歷史診斷率確定. 另一方面，超聲心動(dòng)圖也存在誤差或者難以識(shí)別缺損的情況，有的健康人可能會(huì)由于噪聲或者其他生理組織的干擾，或者僅僅是截取圖像時(shí)的偶爾失誤，導(dǎo)致在房間隔出現(xiàn)偽影，這樣就容易被誤診為ASD患者. 通過(guò)多超聲心動(dòng)圖多切面進(jìn)行綜合診斷就能很好的避免這種偶爾性因素導(dǎo)致的誤診.

3 模型訓(xùn)練與測(cè)試結(jié)果

訓(xùn)練集與測(cè)試集按70%與30%的比例劃分而成，其中訓(xùn)練集由54名ASD患者與27名健康人的原始超聲心動(dòng)圖經(jīng)過(guò)數(shù)據(jù)預(yù)處理最終獲取的22162條超聲心動(dòng)圖數(shù)據(jù)組成.測(cè)試集則由剩余的26名ASD患者與9名健康人組成. ASD-net與View-net各自分別進(jìn)行模型訓(xùn)練，均使用貼有是否為ASD患者與所屬切面類別兩個(gè)標(biāo)簽的訓(xùn)練數(shù)據(jù)，采用Adam算法進(jìn)行參數(shù)更新，用交叉熵函數(shù)作為損失函數(shù).其中ASD-net的訓(xùn)練需要結(jié)合ASD diagnosis部分進(jìn)行，并同時(shí)使用切面類別與是否為ASD患者兩個(gè)標(biāo)簽.

以用戶為單位進(jìn)行模型測(cè)試，根據(jù)最終模型給出的診斷結(jié)果與用戶實(shí)際確診的結(jié)果對(duì)比計(jì)算出模型的診斷準(zhǔn)確率.而查全率與查準(zhǔn)率則通過(guò)對(duì)應(yīng)于醫(yī)學(xué)診斷中的假陰性率與假陽(yáng)性率得以體現(xiàn)，查全率高對(duì)應(yīng)于假陰性率低，查準(zhǔn)率高對(duì)應(yīng)于假陽(yáng)性率低. 模型的ASD診斷測(cè)試的結(jié)果如表1，與未結(jié)合切面識(shí)別的模型相比，結(jié)合切面識(shí)別的ASD輔助診斷模型準(zhǔn)確率提高了6.6%，這是因?yàn)樗岬脑\斷模型架構(gòu)通過(guò)將切面類別特征的提取與診斷依據(jù)特征提取用兩部分網(wǎng)絡(luò)去進(jìn)行，將分類任務(wù)細(xì)分，負(fù)責(zé)切面識(shí)別任務(wù)的網(wǎng)絡(luò)只需要將不同切面的數(shù)據(jù)分隔開，而不需要去判斷是否為ASD數(shù)據(jù)，從而使得網(wǎng)絡(luò)學(xué)習(xí)任務(wù)減輕；而另一部分負(fù)責(zé)診斷依據(jù)特征提取的網(wǎng)絡(luò)則在有了切面類別這一信息后，能夠更好地對(duì)提取到的圖像特征進(jìn)行排列組合，從而可以更好地將ASD患者與健康人的超聲心動(dòng)圖數(shù)據(jù)區(qū)分開來(lái). 但是僅僅通過(guò)一個(gè)模型去直接學(xué)習(xí)這兩種類別數(shù)據(jù)的區(qū)別對(duì)于卷積神經(jīng)網(wǎng)絡(luò)而言難度較大，從而難以獲得比較好的診斷性能.此外，結(jié)合了雙邊濾波后，模型的ASD診斷準(zhǔn)確率進(jìn)一步提高了4.5%，同時(shí)假陰性率降低到2.8%，這是得益于雙邊濾波對(duì)噪聲有效平滑的同時(shí)保留了邊界.

表1 ASD診斷測(cè)試結(jié)果Table 1 Contrast among different models

最后，為了驗(yàn)證影響模型診斷的關(guān)鍵區(qū)域與醫(yī)學(xué)上進(jìn)行ASD診斷所關(guān)注的房間隔區(qū)域相同，且診斷的標(biāo)準(zhǔn)與臨床診斷標(biāo)準(zhǔn)一致，對(duì)測(cè)試數(shù)據(jù)房間隔處進(jìn)行了遮擋實(shí)驗(yàn). 所得的實(shí)驗(yàn)結(jié)果如圖7，圖中P(ASD)表示該超聲心動(dòng)圖檢出ASD的概率當(dāng)輸入為原始健康人數(shù)據(jù)時(shí)，診斷為ASD的概率均較小，由于從醫(yī)學(xué)上來(lái)看ASD患者的超聲心動(dòng)圖才會(huì)在房間隔處存在陰影，所以當(dāng)將房間隔處遮擋造成陰影時(shí)，診斷為ASD的概率明顯增大.該實(shí)驗(yàn)既驗(yàn)證了模型診斷所關(guān)注的區(qū)域確實(shí)是在缺損區(qū)域，也說(shuō)明了模型確實(shí)診斷的標(biāo)準(zhǔn)與臨床上保持一致.

圖7 房間隔遮擋測(cè)試. (a，c)遮擋前；(b，d)遮擋后Fig.7 Atrial septal covering test: (a,c) before covering; (b,d)covered

4 結(jié)論

提出了一種基于超聲心動(dòng)圖特征切面識(shí)別的ASD輔助診斷模型，并通過(guò)實(shí)驗(yàn)測(cè)試驗(yàn)證了所提模型取得了非常不錯(cuò)的診斷性能.同時(shí)應(yīng)用雙邊濾波算法對(duì)超聲心動(dòng)圖進(jìn)行噪聲抑制，同時(shí)保留輪廓邊界，使得模型診斷性能進(jìn)一步提升. 再通過(guò)房間隔處的遮擋測(cè)試，驗(yàn)證了所提模型做出ASD診斷的依據(jù)與標(biāo)準(zhǔn)與臨床診斷保持一致，從而說(shuō)明了其診斷結(jié)果的可靠性. 本文給出了一種針對(duì)有著不同特征的醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行疾病診斷的可行思路，對(duì)未來(lái)基于深度學(xué)習(xí)的超聲心動(dòng)圖相關(guān)的疾病診斷模型設(shè)計(jì)具有一定的參考價(jià)值，而將超聲檢查報(bào)告、病人病歷等多模態(tài)數(shù)據(jù)融入到其中也可能是進(jìn)一步提高診斷性能的可行思路，在此留給未來(lái)的研究者進(jìn)行探索.