基于深度学习的心脏病检测的研究

李岭海

（四川大学计算机学院，成都 610000）

基于深度学习的心脏病检测的研究

李岭海

（四川大学计算机学院，成都 610000）

心脏病是一类比较常见的循环系统疾病。医生可以通过超声心动图对患者进行检查，了解患者的心脏结构。超声心动图的图像质量直接影响结果判定的准确性，通过超声心动图来判定心脏病的类型具有一定的难度。深度学习是由多个处理层构成的计算模型，可以通过多层的抽象来学习数据的特征。在语音识别、视觉识别、目标检测和其他如药物鉴定，基因检测等领域，深度学习被广泛应用。介绍通过深度学习快速准确地识别出患者的心脏病变的类型，降低医生操作的复杂性。

心脏病；超声心动图；深度学习

0 引言

超声心动图是应用超声波回声探查心脏和大血管以获取有关信息的一组无创性检查方法。通过超声波技术可以产生心脏连续的图像，这些图像记录了心脏运动的状态和心脏的结构。各种心脏疾病都会表现为心脏结构异常，如先天性心脏病、心肌病、冠心病等。超声心动图是诊断心脏疾病非常重要的一种检测方法。超声心动图检查主要分为三个检查位点的8个切面，分别为胸骨旁左室长轴；大动脉短轴，左室三个水平（二尖瓣水平、乳头肌水平、心尖水平）切面；心尖两腔心、三腔心、四腔心、五腔心切面。在临床诊断中通常根据不同切面各心腔大小，双室壁厚度，房间隔、室间隔是否缺损等结构特征，初步诊断各种心脏疾病。但是在超声检查过程中，由于心脏结构识别不清及临床经验的欠缺，许多疾病的诊断如先天性心脏病都会花费大量的时间。为了提高心脏病检查的精确度，根据超声心动图更快地检测出来心脏的病变类型，本文研究和对比了机器学习的方法来提取心脏彩超的特征，对不同的心脏病进行分类。

机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。宽泛地来说，图像识别可以分为两类。一类是手动的设定好规则的获取图像的特征；另一类是自动的获取图像的特征。

目前，在手动的检测和获取特征的算法中，最常用的是SIFT[1]，SURF[2]和KAZE[3]算法。另外也有大量的基于SIFT和SURF改进的算法，如PCA-SIFT[4]，ASIFT[5]，M-SURF[6]。SIFT，SURF和KAZE算法之间最大的不同是尺度空间的选择。SIFT和SURF使用高斯向量空间，通过线性扩散或高斯导数的相似性来检测特征，KAZE使用非线性的滤波扩散。通过构建尺度空间，检测到极值点，获取尺度的不变性，最终生成图像的特征描述，超声心动图中包含的心脏结构的信息可以被提取出来，同时可以减少其他噪声的影像。

深度学习如今最常用的自动获取图像特征算法。深度学习属于机器学习，通过每一层的网络结构获取从低级到高级的分层的特征。经常使用的深度学习模型有卷积神经网络（CNN）[7]，深度置信网络（DBN）[8]，回归神经网络（RNN）等。得益于高性能计算系统如GPU集群[9]和大的数据集，卷积神经网络在提取图像特征方面取得了巨大的成功[10]，在CNN的基础上有些改进的算法，如AlexNet，Network in Network，BGGNet，GoogLe Net等。传统的CNN一般来说是由线性卷积层、池化层、全连接层堆叠起来的神经网络。卷积层通过线性滤波器进行线性卷积运算，然后对结果进行非线性运算，最终生成特征图。这些改进的神经网络和传统的CNN相比，拥有更深的层次，可以学习到更加抽象的特征，网络的参数更少，泛化能力更强，可以应用到多个场景，卷积核的变小，卷积的方式复杂，可以提取出更多的特征。

本文对比了SIFT，SURF，KAZE，深度学习分类超声心电图的的准确率，并且阐述了每种算法在心脏病分类的优劣，其中深度学习的算法是对卷积神经网络的改进，提高了识别的准确率。

1 方法和实现

常见的心脏病有先天性心脏病、肥心病、冠心病、二尖瓣置换、心脏瓣膜病、主动脉增宽、高血压、扩心病等，本文选取常见心脏病中的9类进行分类，还有一类是健康人的心脏彩超。每一类的样本有大约有100个患者的彩超图像集，每个患者的超声图像都包含8个切面图，患者的年龄从10岁到70岁，平均年龄是35岁，每个切面图的像素大小是3×430×540。数据采集完成之后要对数据进行预处理，每幅图像移动滑动像素窗口裁剪成多个3×256×256大小的图像，然后把裁剪后的图像按照顺时针分别旋转90度、180度、270度、360度，生成4幅图像，这样可以扩大样本集，每一类的心脏病包含的图像集约为10000个，然后取9000个作为训练集，1000个作为测试集。

使用SIFT，SURF，KAZE算法分别在提起所有患者超声切面图像的特征，然后用比较测试图像特征值和训练图像特征值的距离，计算出识别的准确率。

图1展示了深度神经网络的结构，图像的大小是3×256×256像素，每次取100幅图像进行批量训练，在训练的过程中需要把像素均值化，本文采用的图像均值是ImageNet数据中的图像均值[11]。图中的1和2指示分别表示最后一层连接的方式，方式1使用全局池化的方式连接，这样可以减少整个网络的参数，增强网络的泛化性。方式2使用两层全连接的方式，然后进行分类，计算误差。模型的训练采用的是批量随机梯度下降的方法[12]，权重参数下降的势能是0.9，权重减少比重是0.0005。权重参数变化的公式是：

其中i是迭代的索引，v是势能变量，∈是学习率。初始化参数的时候，采用VGGNet先对每一层进行预训练，获得权重的初始化值，激活函数采用RELUs[12]。学习率开始的时候采用0.01，随着迭代次数的增加学习率不断的衰减。每一层的学习率相同。

图1 深度神经网络的结构

模型的实现使用的是常用的深度学习框架Caffe，Caffe是由加州伯克利大学视觉和学习中心和社区的贡献者开发维护的深度学习框架，Caffe是开源可扩展的，在GPU上处理图像，使用NVIDIA K40的GPU可以在1毫秒处理一幅图像，使用Caffe可以让训练好的模型迅速的在工业上使用。本文采用的深度学习模型对比了两种结构，区别是有没有采用全连接层，这两种结构都是使用Caffe来实现，在NVIDIA K40 GPU上训练模型，训练好的模型可以在毫秒级的时间中识别心脏病的类型。

2 结果和分析

对比这几种算法对于超声心动图的识别准确率如表1。其中CNN1代表的是没有全连接层的深度神经网络，CNN2代表的是有全连接层的深度神经网络。

表1 心脏病类型识别的准确率

对比得知，SIFT，SURF和KAZE传统的提取图像特征的算法准确率不高，使用深度学习对心脏病的分类取得的效果更好。SIFT，SURF和KAZE提取的都是图像的浅层特征，如果同一类的图像发生了变换或者噪声增加，就会影响判断的准确性，提取的特征不能真实地反映出图像的本质。深度神经网络提取了超声彩图的多层特征，越到最高层，提取的特征越能表现出图像的本质，使用多个卷积核，经过线性和非线性的变换，可以提取出图像多个维度的信息，神经网络的训练比较耗时，因为参数非常之多，全连接层的参数占据了很大的比例，把全连接层换成了全局池化，这样可以大量的减少参数，而且也可以防止模型的过拟合。总之，一个深度的卷积神经网络能够在一些复杂的数据集上取得优秀的结果，网络的深度和卷积核的数量都会影响模型的准确度。

3 结语

从目前数据可知，深度学习模拟超声心动图对心脏疾病的诊断与传统医师检查重复性较好。目前，超声心动图诊断心脏疾病过程较繁杂，医师需花费大量的时间学习识别切面，且在医疗水平较低的地区，一些少见疾病较易漏诊。利用深度学习帮助超声医生诊断疾病，可大大减少超声医生的工作量，且可与医师诊断结果对比，较早提示心脏结构异常。

[1]D.Lowe,Distinctive Image Features from Scale-Invariant Key Points,Int.J.Comput.Vision，60（2）（2004）91-110.

[2]H.Bay,A.Ess,T.Tuytelaars,L.Van Gool,Speeded-up Robust Features（SURF）,Comput.Vision Image Underst，110（2008）：346-359.

[3]P.F.Alcantarilla,A.Bartoli,A.J.Davison,et al..KAZE Features,in:A.Fitzgibbon,et al.（Eds.）,ECCV 2012,Part VI,LNCS,7577, Springer-Verlag,Berlin Heidelberg，2012：214-227.

[4]Y.Ke,R.Sukthankar,PCA-SIFT:a More Distinctive Representation for Local Image Descriptors,in:IEEE Conference Computer Vision and Pattern Recognition，2004：506-513.

[5]J.M.Morel,Y.Guoshen,ASIFT:a New Framework for Fully Affine Invariant Image Comparison,SIAM J.Imag.Sci，2（2009）：438-469.

[6]M.Agrawal,K.Konolige,M.R.Blas,CenSurE:Center Surround Extremes for Rea-Time Feature Detection and Matching,in:D. Forsyth,P.Torr,A.Zisserman（Eds.）,ECCV 2008,Part IV.LNCS,vol.5305,Springer,Heidelberg,2008：102-115.

[7]Yann LeCun,L′eon Bottou,Yoshua Bengio,Patrick Haffner.Gradient-Based Learning Applied to Document Recognition.Proceedings of the IEEE,86（11）:2278-2324,1998.

[8]A.Krizhevsky.Convolutional Deep Belief Networks on Cifar-10.Unpublished Manuscript,2010.

[9]Dean,J.,Corrado,G.,Monga,R.,Chen,K.,Devin,M.,Mao,M.,Ranzato,M.,Senior,A.,Tucker,P.,Yang,K.,Le,Q.V.,and Ng,A.Y. Large Scale Distributed Deep Networks.In NIPS,pp.1232-1240,2012.

[10]Alex Krizhevsky,Ilya Sutskever,Geoff Hinton.Imagenet Classification with Deep Convolutional Neural Networks.In Advances in Neural Information Processing Systems 25,pages1106-1114,2012.

[11]J.Deng,W.Dong,R.Socher,L.-J.Li,K.Li,L.Fei-Fei.ImageNet:A Large-Scale Hierarchical Image Database.In CVPR09,2009.

[12]Y.Le Cun,B.Boser,J.S.Denker,D.Henderson,R.E.Howard,W.Hubbard,L.D.Jackel,et al.Handwritten Digit Recognition with a Back-Propagation Network.In Advances in Neural Information Processing Systems,1990.

[13]V.Nair，G.E.Hinton.Rectified Linear Units Improve Restricted Boltzmann Machines.In Proc.27th International Conference on Machine Learning,2010.

Detection of Heart Disease By Echocardiography Based on Deep Learning

LI Ling-hai
（College of Computer Science,Sichuan University，Chengdu 610000）

Heart disease is a common disease of circulatory system.The clinician can examine the patient with the echocardiography,and then know about the heart structure of patient.The quality of echocardiographic images directly affects the accuracy of the examination.It is difficult to determine the type of heart disease by echocardiography.Deep learning allows computational models that are composed of multiple processing layers to learn representations of data with multiple levels of abstraction.These methods have dramatically improved the state-ofthe-art in speech recognition,visual object recognition,object detection and many other domains such as drug discovery and genomics. Introduces the application of deep learning in quick and precise detection of heart disease types and the application can reduce the complexity of operation.

Heart Disease;Echocardiographic Images;Deep Learning

1007-1423（2017）09-0091-04

10.3969/j.issn.1007-1423.2017.09.021

李岭海（1982-），男，河南南阳人，硕士研究生，研究方向为机器学习、深度学习

2017-02-15

2017-03-15