基于深度学习的先天性心脏病多视图联合诊断算法研究

作     者：董华华 

作者单位：哈尔滨工程大学 

学位级别：硕士

导师姓名：沈继红

授予年度：2023年

学科分类：1002[医学-临床医学] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0811[工学-控制科学与工程] 10[医学] 

主      题：先天性心脏病 二维超声心动图 诊断分类 深度可分离卷积 Transformer 

摘      要：先天性心脏病(CHD)是中国最常见的出生缺陷,也是导致新生儿死亡的主要原因。临床诊断可以基于二维超声心动图。现有的基于先心病影像数据的方法试图通过人工诊断、基于机器学习的方法来实现诊断分类。然而,这些方法不能对特征信息做深层次提取。本文通过对卷积神经网络和视觉Transformer模块的改进和结合,考虑多视图数据相较于单视图数据的有效性以及医学小数据集不支持具有大量参数模型调谐的因素,构建了轻量级多视图联合模型实现对多视图超声心动图进行有效特征提取,并在诊断任务中取得了一定成果。首先,针对超声心动图的特性,本文使用MobileViT模块对视图数据进行有效学习,通过对该模块的拆解分析,解释了其在拥有特征图全部感受野的情况下,可有效学习视图中的局部特征信息以及长距离依赖关系。其次,针对该模块中Transformer较为复杂的问题,通过比较可分离自注意力机制与多头注意力机制的计算复杂度,说明了其在实现模块轻量化方面的有效性。再次,考虑到卷积模块在下采样过程中可能造成的特征信息丢失,设计了Sim-DSDC模块,并计算证明了其可在轻量化的同时扩大感受野提取更多信息。之后,本文分析了ReLU激活函数的缺点,借助平滑近似函数,通过计算最大值函数近似函数的梯度证明了改进激活函数在保留特征信息方面的有效性。最后针对收集的先天性心脏病的数据在提出的联合模型和基线模型进行对比实验,为了防止不平衡的数据类对诊断造成影响,本文对采集到的数据进行了合理的数据扩充。实验结果说明了联合模型在先天性心脏病多视图联合诊断方面的有效性。