摘要： 随着深度学习技术的快速发展，医学影像处理有望提供低成本，高效，准确的辅助医疗手段。在心脏疾病领域，心脏磁共振凭借其高分辨率，高软组织对比度以及多序列成像的优势，成为心肌病分类的重要...

1. 左心室磁共振影像智能分类方法、装置、设备和介质

申请人：中国人民解放军总医院

申请号：202110077126.9

申请日：2021.01.20

1.1 发明问题

随着深度学习技术的快速发展，医学影像处理有望提供低成本，高效，准确的辅助医疗手段。在心脏疾病领域，心脏磁共振凭借其高分辨率，高软组织对比度以及多序列成像的优势，成为心肌病分类的重要标准。

相关技术中，通常需要对核磁影像进行分割，心功能指标提取等复杂流程。然而，在整个流程中，需要大量的人工操作，导致效率较低，引入误差，准确率偏低，亟待解决。

1.2 本发明技术方案

1.3 创新点

本发明使用了多模态数据融合来预测心脏左心室图像的分类概率，具体来说融合了用户的症状信息、病史信息、生理指标信息、心脏共振影像视频信息。首先将用户的症状信息、病史信息、生理指标信息送输入第一分析模型，得到第一分析结果；然后把心脏共振影像视频信息输入到第二分析模型，得到第二分析结果；然后把第一分析结果和第二分析结果进行拼接，作为第三分析结果，然后把第三分析结果输入第三分析模型，进而得到目标用户的左心室图像的分类概率值。

1.4 本发明涉及到的工具和方法：

1.4.1 word2vector:

Word2Vec是一种广泛使用的自然语言处理（NLP）技术，用于将单词表示为向量，这些向量在多维空间中以一种能够捕捉单词之间语义和语法关系的方式进行编码。这种方法由Google的研究团队在2013年提出，并迅速成为了文本处理任务中的一个基础工具。

Word2Vec的向量表示形式使得它可以广泛应用于多种NLP任务，包括：1) 文本相似度计算：通过比较单词或文档向量之间的距离（如余弦相似性），可以评估文本内容的相似度；2) 文本分类和情感分析：将文本转换为向量表示，然后使用机器学习模型进行分类，如判断评论是正面还是负面；3) 机器翻译：单词向量可以用来捕捉语言之间的语义关系，辅助翻译算法更好地理解和转换意义；4) 推荐系统：在推荐系统中，商品描述的文本信息可以转化为向量，通过计算向量相似性来推荐相似商品。

1.4.2 特征拼接层、残差卷积层、全局池化层、位置编码层

这些概念属于深度学习神经网络中常用的层结构。在撰写专利时，若未对算法进行创新性改进，无需对算法细节进行过度详细的描述。接下来，我们将对深度学习神经网络，简称为深度学习，进行介绍。

深度学习是一种人工智能技术，它基于人工神经网络的架构来模拟人脑分析和学习数据的方式。深度学习的“深度”指的是模型的层次结构中包含多层，这些层次可以从数据中学习到不同级别的抽象特征。每一层自动从其前一层学习到的特征中提取更加复杂的高级特征。深度学习模型通常需要大量的数据和计算能力才能有效地训练。

深度学习可以用来完成人脸识别、语音识别、自然语言处理、疾病预测等。在这篇专利里，深度学习被用来完成分类任务，用来得到目标用户的左心室图像的分类概率值。

1.5 结合创新工具的思考

本发明专利中提到的第一、第二等词语是专利中经常遇到的，这是一种上位的描述方式，上位这一概念是相对下位来说的，也可以理解为一般与具体的关系，在课程中对这一概念也有介绍。

我们可以考虑利用TRIZ第1条发明原理中介绍的分割原理从时间和空间两个角度来进行创新。结合分割作用原理，从时间分离角度，可以将数据处理过程分时段进行，如在数据采集阶段先处理症状信息和病史信息，而将影像数据的处理延后，以优化处理速度和准确性。从空间分离角度，可以将影像数据处理与其他数据处理在不同的系统或模块中进行，提高系统的灵活性和可维护性。