陶 攀，付忠良，朱 锴，王莉莉

(1.中国科学院 成都计算机应用研究所，成都 610041； 2. 中国科学院大学，北京 100049)

基于深度学习的超声心动图切面识别方法

陶 攀1,2*，付忠良1,2，朱 锴1,2，王莉莉1,2

(1.中国科学院 成都计算机应用研究所，成都 610041； 2. 中国科学院大学，北京 100049)

(*通信作者电子邮箱284792640@qq.com)

提出了一种基于深度卷积神经网络自动识别超声心动图标准切面的方法，并可视化分析了深度模型的有效性。针对网络全连接层占有模型大部分参数的缺点，引入空间金字塔均值池层化替代全连接层，获得更多空间结构信息，并大大减少模型参数、降低过拟合风险，通过类别显著性区域将类似注意力机制引入模型可视化过程。通过超声心动图标准切面的识别问题案例，对深度卷积神经网络模型的鲁棒性和有效性进行解释。在超声心动图上的可视化分析实验表明，改进深度模型作出的识别决策依据，同医师辨别分类超声心动图标准切面的依据一致，表明所提方法的有效性和实用性。

深度学习;标准切面分类;超声心动图;可视化;卷积神经网络

0 引言

在心脏病常规临床检查中，二维实时超声心动图常用于评测心脏的结构和功能。临床超声检查通常主要包括三个步骤：探头扫描不同位置、选取标准切面和对标准切面的测量与诊断[1]。其中，医师总结出来能更好辅助分析心脏功能结构的特定位置和角度的超声心动图称为标准切面，其正确快速选取不仅对临床诊断具有至关重要的意义，也为病例研究提供比较依据。……