本發明涉及醫學圖像分類，具體為一種基于特征融合的心力衰竭合并左束支傳導阻滯分類方法。

背景技術：

1、心力衰竭(hf)是各種心血管疾病的終末階段，具有高發病率、高住院率、患者生活質量差以及醫療成本高等特點，左束支傳導阻滯(lbbb)在hf患者中較為常見，能否正確分類lbbb和非lbbb在決策和預后中起著至關重要的作用，目前，臨床上主要通過心電圖和影像學檢查來分類lbbb，但這種方法存在主觀性強、準確性不足的問題，可能導致分類結果的不一致，為了改進lbbb的分類準確性，心血管成像技術得到了廣泛關注，特別是心臟磁共振(cmr)，能夠詳細評估心肌變形情況，為lbbb的精確分類提供了新的可能。

2、機器學習與深度學習正在醫學領域飛速發展，醫學圖像分類是其中的一個重要應用，放射組學把醫學影像和機器學習結合了起來，利用計算機算法和圖像處理技術，從醫學影像中提取大量的定量特征，包括形態學特征、紋理特征、密度特征、邊緣特征等，這些特征可以用于對不同疾病進行分類、預測疾病進展、評估治療反應等，深度學習作為機器學習的一個分支，通過構建深層的神經網絡模型，能夠自動學習并提取數據中的高級特征，特別適用于處理復雜的醫學圖像數據，因此，如何將cmr與機器學習和深度學習結合，準確分類hf合并lbbb患者，仍是當前亟待解決的問題。

技術實現思路

1、為了解決上述技術問題，本發明提供了一種基于特征融合的心力衰竭合并左束支傳導阻滯分類方法，該方法結合cmr圖像的放射組學特征與深度學習特征，通過機器學習算法能夠準確分類hf合并lbbb，為臨床診斷和治療決策提供可靠依據，具體包括以下步驟：

2、步驟a：構建數據集，所述數據集中包括心力衰竭合并左束支傳導阻滯心臟磁共振圖像，并對所述醫學圖像數據進行預處理；

3、步驟b：從預處理后的圖像中提取大量的放射組學特征，包括形態學特征、紋理特征、密度特征、邊緣特征；

4、步驟c：利用預訓練的深度學習模型經過微調，對預處理后的圖像進行特征提取，得到深度學習特征；

5、步驟d：結合放射組學特征和深度學習特征進行特征融合，得到融合后的特征向量，并進行特征選擇；

6、步驟e：對篩選后的特征進行建模，通過進行模型評估訓練以驗證融合特征模型的性能，同時輸出模型評估結果；

7、步驟f：利用模型評估結果對輸入的心力衰竭合并左束支傳導阻滯圖像進行分類操作，得到并輸出分類結果。

8、作為優選，所述步驟a中，圖像預處理包括去噪、增強對比度、提取心肌輪廓、生成興趣區域的掩模圖像，圖像尺寸統一化為256*256。

9、作為優選，在所述步驟b中，放射組學特征提取是通過pyradiomics開源庫實現的，這些特征包括梯度特征、形狀特征、紋理特征、強度特征和小波特征，以及梯度、指數、對數、平方、平方根和小波濾波等圖像派生處理。

10、作為優選，所述步驟c中，提取深度學習特征具體包括：使用在imagenet數據集上預訓練的resnet50模型，將所述resnet50模型在acdc2017心臟數據集上進行微調，以優化模型對心臟圖像特征的分類能力，利用經過微調的resnet50模型，對輸入的心臟圖像進行特征提取，選擇倒數第二層平均池化層的輸出作為圖像特征，所述平均池化層負責將前一層的輸出調整為固定大小的平均池化特征圖，其輸出特征能夠捕捉心臟圖像中的關鍵形態、紋理和空間關系信息，將提取的特征用于后續的分析以及分類任務中，以實現對心臟疾病的精準診斷。

11、作為優選，所述步驟d中，特征選擇是通過一系列統計分析和機器學習技術綜合實現的，包括：使用t-test對初始的融合特征進行篩選，選擇p值小于0.05的特征作為重要特征，接著應用pearson相關系數分析進一步評估這些特征之間的相關性，去除相關系數大于0.9的冗余特征并保留最具代表性的特征子集，再應用lasso模型對剩余特征進行壓縮和選擇，該模型通過施加l1正則化項，能夠在保證模型性能的同時自動選擇出對分類任務貢獻最大的特征，得到最終的非零系數特征集。

12、作為優選，所述步驟e中，建立的模型包括lr、bayes、svm和knn，采用分層抽樣對數據集進行劃分，以7：3的比例劃分為訓練集和測試集，訓練集用于構建和訓練預測模型，而測試集則用于評估模型的性能和泛化能力。

13、作為優選，所述模型評估中，在訓練完成后，使用測試集對模型進行評估，評估指標包括roc曲線及auc值、準確率、靈敏度、特異性和f1分數，還使用決策曲線分析(dca)來評估模型的凈收益。

14、作為優選，在所述驗證融合特征模型優于放射組學特征模型和深度學習模型中，對放射組學特征和深度學習模型進行單獨建模并評估，與融合特征模型進行對比，驗證其能否豐富特征表示，能否使模型能夠捕捉到更多樣化的信息。

15、作為優選，所述步驟f中，利用模型評估結果對輸入的心力衰竭合并左束支傳導阻滯圖像進行分類操作的方法具體包括：將心力衰竭合并左束支傳導阻滯心臟磁共振圖像輸入訓練完成后的融合特征模型，利用融合特征模型對心力衰竭合并左束支傳導阻滯心臟磁共振圖像進行分類預測，并輸出分類預測的分類結果。

16、與現有技術相比，本發明所達到的有益效果是：

17、1.通過結合放射組學特征和深度學習特征，能夠更全面、準確地反映心臟圖像的復雜信息，提高心力衰竭合并左束支傳導阻滯的分類準確性；

18、2.利用自動化和智能化的特征提取和分類方法，能夠快速處理和分析大量的醫學影像數據，提升診斷效率；

19、3.為臨床醫生提供客觀、準確的診斷依據，輔助醫生制定個性化的治療方案，提高治療效果和患者的生活質量。

技術特征：

1.一種基于特征融合的心力衰竭合并左束支傳導阻滯分類方法，其特征在于：包括以下步驟:

2.根據權利要求1所述的一種基于特征融合的心力衰竭合并左束支傳導阻滯分類方法，其特征在于：所述對數據集中的醫學圖像數據進行預處理流程包括：去噪、增強對比度、提取心肌輪廓、生成興趣區域的掩模圖像，圖像尺寸統一化為256*256，通過進行興趣區域分割，從原始圖像中分割出興趣區域，代表心肌部分。

3.根據權利要求2所述的一種基于特征融合的心力衰竭合并左束支傳導阻滯分類方法，其特征在于：所述提取放射組學特征還包括：

4.根據權利要求3所述的一種基于特征融合的心力衰竭合并左束支傳導阻滯分類方法，其特征在于：所述利用預訓練的深度學習模型經過微調，對預處理后的圖像進行特征提取還包括：使用在imagenet數據集上預訓練的resnet50模型，將resnet50模型在acdc2017心臟數據集上進行微調，優化模型對心臟圖像特征的分類能力；

5.根據權利要求4所述的一種基于特征融合的心力衰竭合并左束支傳導阻滯分類方法，其特征在于：所述圖像特征用于反映興趣區域的形狀、大小、紋理、空間關系的屬性。

6.根據權利要求5所述的一種基于特征融合的心力衰竭合并左束支傳導阻滯分類方法，其特征在于：所述進行特征選擇包括：通過使用t-test、pearson相關系數和lasso算法進行特征選擇，所述t-test根據特征的p值初步篩選特征，所述pearson相關系數用于評估特征與目標變量之間的線性相關性，所述lasso算法通過引入l1正則化項實現特征的選擇和權重的稀疏化。

7.根據權利要求6所述的一種基于特征融合的心力衰竭合并左束支傳導阻滯分類方法，其特征在于：所述進行特征選擇進一步包括：使用t-test對初始的融合特征進行篩選，選擇p值小于0.05的特征作為重要特征，應用pearson相關系數分析評估特征之間的相關性，去除相關系數大于0.9的冗余特征，并保留最具代表性的特征子集，再應用lasso模型對剩余特征進行壓縮和選擇，該模型通過施加l1正則化項，能夠在保證模型性能的同時自動選擇出對分類任務貢獻最大的特征，得到最終的非零系數特征集。

8.根據權利要求7所述的一種基于特征融合的心力衰竭合并左束支傳導阻滯分類方法，其特征在于：所述步驟e具體包括：進行預測模型的構建，使用測試集數據對模型進行評估，分別構建lr、bayes、svm和knn模型，采用分層抽樣對數據集進行劃分，以7：3的比例劃分為訓練集和測試集，所述訓練集用于構建和訓練預測模型，所述測試集則用于評估模型的性能和泛化能力；

9.根據權利要求8所述的一種基于特征融合的心力衰竭合并左束支傳導阻滯分類方法，其特征在于：所述利用模型評估結果對輸入的心力衰竭合并左束支傳導阻滯圖像進行分類操作的方法具體包括：將心力衰竭合并左束支傳導阻滯心臟磁共振圖像輸入訓練完成后的融合特征模型，利用融合特征模型對心力衰竭合并左束支傳導阻滯心臟磁共振圖像進行分類預測，并輸出分類預測的分類結果。

技術總結
本發明公開了一種基于特征融合的心力衰竭合并左束支傳導阻滯分類方法，分類方法通過利用心臟磁共振圖像，提取放射組學特征和深度學習特征，進行特征融合與選擇，以及利用機器學習算法構建分類模型，并以篩選后的融合特征做為輸入，該方法結合了深度學習在圖像處理方面的優勢與機器學習在分類任務中的高效性，通過結合放射組學特征和深度學習特征，能夠更全面、準確地反映心臟圖像的復雜信息，而利用自動化和智能化的特征提取和分類方法，能夠快速處理和分析大量的醫學影像數據，實現了對心力衰竭合并左束支傳導阻滯的準確分類，本發明具有更高的分類準確率和更強的魯棒性，在醫學圖像分類領域中，有助于提高醫療服務的效率和質量。

技術研發人員：計忠平,李雙,葉煬,胡紅杰
受保護的技術使用者：杭州電子科技大學
技術研發日：
技術公布日：2025/4/24