СПОСОБ ФОРМИРОВАНИЯ ФАЙЛА ДАННЫХ ДЛЯ АНАЛИЗА ЭКГ Российский патент 2024 года по МПК A61B5/02 G16H50/20 G16H30/40 G06T7/50 

Область техники, к которой относится изобретение

Настоящее изобретение относится к области обработки изображений, и, более конкретно, к поддержке принятия врачебных решений на основе анализа медицинских изображений.

Уровень техники

Сердечно-сосудистые заболевания в России и во многих других странах мира по статистике являются одной из основных причин смертности и ухудшения качества жизни. Выявление бессимптомных или ранних стадий сердечно-сосудистых заболеваний может быть достигнуто путем изучения изображений ЭКГ пациентов, полученных по причинам, отличным от специального направления от кардиолога. Анализ таких изображений требует много времени и ресурсов, поэтому не должен выполняться врачами. Это освобождает место для решений на базе компьютерной диагностики (CAD), которые могут самостоятельно сканировать изображения бессимптомных пациентов и предупреждать пользователя об обнаруженных потенциальных аномалиях.

В последние годы бурно развиваются методы компьютерного зрения, с помощью которых выполняются различные виды медицинской диагностики. Традиционной проблемой для таких методов является нехватка обучающих данных. Сбор и разметка данных являются трудоемким процессом. Выполняя сбор и разметку данных, специалисты должны заранее иметь представление о том, какие именно данные, сколько и как им требуется разметить и как эти данные и разметка далее будут использоваться в обучении модели. Однако на практике предварительно готовых к разметке данных часто бывает недостаточно - в частности, применительно к электрокардиографии основная масса архивных данных содержится в бумажном виде и нуждается в оцифровке, что вызывает сложности, поэтому проще использовать для разметки результаты с цифровых кардиографов. Но поскольку многие патологии встречаются относительно редко, они не попадают в имеющиеся обучающие размеченные наборы изображений в достаточном для обучения количестве, и модели, оставшись, по сути, недообученными, испытывают трудности при классификации таких патологий.

Соответственно, требуется разработка инструментов для быстрой и точной диагностики на основе бумажных изображений ЭКГ.

Сущность изобретения

С целью устранения по меньшей мере некоторых из вышеупомянутых недостатков предшествующего уровня техники, настоящее изобретение направлено на повышение эффективности систем, устройств и способов диагностики сердечно-сосудистых заболеваний по ЭКГ.

Согласно настоящему изобретению, предложен способ формирования файла данных для анализа ЭКГ, содержащий этапы, на которых:

получают изображения ЭКГ для ЭКГ, выполненного в 12 отведениях;

для каждого отведения преобразуют соответствующее изображение ЭКГ в одномерный цифровой сигнал, причем преобразование содержит этапы, на которых:

- выполняют предварительную обработку изображения ЭКГ путем выравнивания яркости и контрастности, а также преобразования цвета в оттенки серого;

- обнаруживают и отделяют сетку на изображении ЭКГ путем бинаризации и адаптивной пороговой обработки изображения;

- оценивают масштаб обнаруженной сетки;

- обнаруживают на изображении ЭКГ сигнал, представляющий собой ряд связанных пикселей, соответствующих сигналу, путем пороговой обработки по методу Оцу и фильтрации медианным фильтром, так что в каждом столбце изображения для данного отведения содержится только один пиксель, соответствующий сигналу; и

- извлекают сигнал путем преобразования упомянутого ряда связанных пикселей, соответствующих сигналу, в одномерный массив координат пикселей и преобразования координат пикселей в значения сигнала в соответствии с оцененным масштабом сетки по вертикальной оси; и

формируют файл данных для анализа ЭКГ, содержащий массив масштабированных значений сигнала для каждого отведения.

В одном из вариантов осуществления способ дополнительно содержит этапы, на которых:

определяют частоту дискретизации по предварительно известной длительности измерения сигнала и числу пикселей, соответствующих сигналу, в обнаруженном сигнале;

если определенная частота дискретизации отличается от требуемой частоты дискретизации, выполняют интерполяцию сигнала по масштабированным значениям сигнала и формируют новый массив значений сигнала с требуемой частотой дискретизации по интерполированному сигналу.

В одном из вариантов осуществления способ дополнительно содержит этапы, на которых:

если предварительно известная длительность измерения сигнала превышает требуемую длительность, записывают в файл данных массив значений сигнала только в пределах требуемой длительности, а остальную часть сигнала отбрасывают.

В одном из вариантов осуществления получение изображения ЭКГ содержит этап, на котором выполняют обследование пациента с помощью аналогового электрокардиографа с использованием 12 отведений.

В одном из вариантов осуществления получение изображения ЭКГ содержит этапы, на которых:

- получают изображение ЭКГ в бумажном виде и сканируют или фотографируют его для получения изображения ЭКГ в цифровом виде, или

- получают изображение ЭКГ в цифровом виде из хранилища цифровых изображений ЭКГ, полученных ранее методом сканирования или фотографирования бумажных изображений ЭКГ.

Технический результат

Настоящее изобретение позволяет повысить эффективность систем и способов диагностики сердечно-сосудистых заболеваний по ЭКГ. При этом обеспечивается:

- повышение точности диагностики;

- повышение скорости обучения моделей;

- упрощение сбора и создания наборов обучающих данных;

- возможность выполнения ранней диагностики сердечно-сосудистых заболеваний;

- освобождение медицинского персонала от рутинных процессов анализа ЭКГ пациентов, не имеющих симптомов со стороны сердечно-сосудистой системы;

- уменьшение влияния человеческого фактора (внимательность, утомляемость, ответственность).

Эти и другие преимущества настоящего изобретения станут понятны при прочтении нижеследующего подробного описания со ссылкой на сопроводительные чертежи.

Краткое описание чертежей

Фиг. 1 - пример работы модели при наличии аритмии типа ФРРЖ.

Фиг. 2 - пример работы модели при наличии острого инфаркта миокарда.

Следует понимать, что фигуры могут быть представлены схематично и не в масштабе и предназначены, главным образом, для улучшения понимания настоящего изобретения.

Подробное описание

Подготовка данных

Настоящее изобретение направлено на обработку и анализ изображений ЭКГ, полученных с помощью электрокардиографа, который выдает результат в бумажном виде (на ленте). Это может быть как аналоговый, так и цифровой электрокардиограф. Цифровой электрокардиограф может выдавать результат не только в бумажном виде, но и в цифровом, но фокусирование на обработке, разметке и анализе именно готовых цифровых результатов сильно снизило бы применимость предложенных методик, поэтому более универсальным способом является обработка бумажных лент, что позволяет расширить объем данных, доступных для разметки и анализа.

Чтобы подготовить изображение ЭКГ для обучения или для анализа, необходимо преобразовать его в цифровой вид. Соответственно, в первую очередь, получив изображение ЭКГ в бумажном виде, его сканируют или фотографируют его для получения изображения ЭКГ в цифровом виде. В другом варианте осуществления подходящее изображение ЭКГ может быть получено сразу в цифровом виде из хранилища цифровых изображений ЭКГ, полученных ранее методом сканирования или фотографирования бумажных изображений ЭКГ.

После к полученному в результате сканирования или фотографирования изображению могут быть применены преобразования, чтобы привести его к надлежащей форме - такие как сдвиг, поворот, зеркальное отражение, кадрирование, устранение краевых искажений, выравнивание перспективы, удаление теней, корректировка цвета и т.д.

Необходимо понимать, что отсканированное или сфотографированное бумажное изображение ЭКГ имеет относительно ограниченное разрешение по сравнению с цифровыми ЭКГ, которые могут достигать частоты дискретизации 500 Гц, 750 Гц и выше, поэтому в общем случае содержит меньше значимых данных, которые могли бы быть полезны для обучения и анализа. Чтобы повысить скорость и качество обучения и точность классификации, в настоящем изобретении предлагается обрабатывать ЭКГ, выполняемые в 12 отведениях.

Изображение фактически представляет собой числовую матрицу. Известные методы машинного обучения анализируют изображение ЭКГ целиком, то есть всю эту матрицу. Известно, что в общем случае чем больше размер входных данных, тем дольше проходит обработка и часто больше требуется обучающих данных. Принимая во внимание, что на ЭКГ полезная информация содержится только в сигнале, в настоящем изобретении предлагается выделять из изображения только данные о самом сигнале.

Способ 100 формирования файла данных для анализа ЭКГ согласно настоящему изобретению содержит следующие этапы.

Сначала на этапе 110 получают изображения ЭКГ для ЭКГ, выполненного в 12 отведениях, как указано выше. Один результат обследования содержит 12 изображений - по одному для каждого отведения.

Далее на этапе 120 для каждого отведения преобразуют соответствующее изображение ЭКГ в одномерный цифровой сигнал. Преобразование содержит следующие этапы (121-125).

На этапе 121 выполняют предварительную обработку изображения ЭКГ путем выравнивания яркости и контрастности, а также преобразования цвета в оттенки серого.

На этапе 122 обнаруживают и отделяют сетку на изображении ЭКГ, для этого выполняют бинаризацию и адаптивную пороговую обработку изображения.

На этапе 123 оценивают масштаб обнаруженной сетки. Для этого высота изображения в рамках сетки может сопоставляться с числом горизонтальных линий сетки и с предварительно заданным максимальным значением сетки. Кроме того, длина изображения в рамках сетки может сопоставляться с числом вертикальных линий сетки и с предварительно известной длительностью измерения сигнала.

На этапе 124 обнаруживают на изображении ЭКГ сигнал. Сигнал представляет собой ряд связанных пикселей. Для обнаружения сигнала (то есть соответствующих пикселей) выполняется пороговая обработка по методу Оцу и фильтрация медианным фильтром, так что в каждом столбце изображения для данного отведения остается только один пиксель, соответствующий сигналу. Поскольку столбец в изображении ЭКГ связан со временем, в любой отдельно взятый момент времени сигнал должен иметь только одно значение, поэтому сохраняется только один пиксель.

На этапе 125 извлекают сигнал путем преобразования упомянутого ряда связанных пикселей, соответствующих сигналу, в одномерный массив координат пикселей и преобразования координат пикселей в значения сигнала в соответствии с оцененным масштабом сетки по вертикальной оси.

Затем на этапе 130 формируют файл данных для анализа ЭКГ, содержащий массив масштабированных значений сигнала для каждого отведения. То есть файл данных для анализа ЭКГ содержит 12 одномерных массивов со значениями сигнала.

Полученный таким образом файл можно использовать как для обучения модели машинного обучения, так и для анализа соответствующего результата ЭКГ в процессе эксплуатации этой модели.

Этапы 120-130 выполняются автоматически с помощью компьютера, содержащего процессор и память. Этап 110 выполняется либо только с помощью компьютера, если он заключается лишь в приеме цифрового изображения, либо человеком с помощью сканера или камеры, если необходимо оцифровать бумажные результаты ЭКГ, либо также человеком с помощью электрокардиографа, если предварительно необходимо выполнить обследование.

Авторы провели экспериментальную оценку данного способа с помощью вычисления среднего отклонения между образцами исходного и преобразованного сигналов. Оно составило не более 11% от средней интенсивности исходного сигнала ЭКГ, т.е. существенно меньше естественных девиаций сигнала ЭКГ, поэтому предложенная форма записи ЭКГ в виде цифрового сигнала является пригодной для практического применения.

В некоторых вариантах осуществления могут возникать ситуации, когда оцифровка изображений ЭКГ производится с использованием различного оборудования, вследствие чего разрешение изображений может отличаться. Кроме того, разрешение изображения может не совпадать с разрешением, которое требуется подавать на вход модели машинного обучения. В таких случаях способ 100 может дополнительно содержать следующие этапы.

На этапе 140 определяют частоту дискретизации по предварительно известной длительности измерения сигнала и числу пикселей, соответствующих сигналу, в обнаруженном ранее сигнале.

На этапе 150, если определенная частота дискретизации отличается от требуемой частоты дискретизации, то выполняют интерполяцию сигнала по масштабированным значениям сигнала и формируют новый массив значений сигнала с требуемой частотой дискретизации по интерполированному сигналу.

Таким образом, обеспечивается возможность формирования файла данных, требуемого для конкретной модели машинного обучения, независимо от оборудования, использованного для оцифровки.

В некоторых вариантах осуществления могут возникать ситуации, когда фактическая длительность измерения сигнала превышает длительность, которую требуется подавать на вход модели машинного обучения. В таких случаях способ 100 может дополнительно содержать этап, на котором, если предварительно известная длительность измерения сигнала превышает требуемую длительность, записывают в файл данных массив значений сигнала только в пределах требуемой длительности, а остальную часть сигнала отбрасывают.

Таким образом, обеспечивается возможность формирования файла данных, требуемого для конкретной модели машинного обучения, независимо от того, какова фактическая длительность измерения сигнала.

Обучение модели

Имея технологию формирования файлов данных для анализа ЭКГ, можно сформировать набор обучающих данных и обучить модель.

Способ 200 обучения модели классификации сердечно-сосудистых заболеваний по ЭКГ согласно настоящему изобретению содержит следующие этапы.

На этапе 210 формируют набор обучающих данных из результатов обследования множества пациентов с помощью электрокардиографа с использованием 12 отведений. При этом для каждого результата обследования выполняют этапы 211-212.

На этапе 211 получают файл данных для анализа ЭКГ, сформированный согласно вышеописанному способу 100.

После этого на этапе 212 формируют разметку, указывающую класс сердечно-сосудистого заболевания (иными словами, диагноз) пациента, в результате обследования которого сформирован данный файл. Например, если пациент здоров, данному обследованию может быть присвоена метка 0, если результаты указывают на фибрилляцию предсердий, то присваивают метку 1, и т.д. Сформированная разметка может быть добавлена в тот же файл данных (например, в виде дополнительной строки или в виде метаданных) или может быть сохранена в виде отдельного файла разметки, связанного с файлом данных (например, файл данных может иметь имя data0001.txt, а соответствующий ему файл разметки может иметь имя label0001.txt; или файл данных и файл разметки могут оба иметь одинаковое имя 0001.txt, но храниться в разных папках датасета: data и labels; или вся разметка может быть записана в одном табличном файле, где каждому результату обследования соответствует одна строка, в которой указана метка и соответствующий ей файл данных в виде адреса, имени или ссылки; и т.д.). Разметку выполняет специалист, обладающий необходимыми компетенциями, то есть способный с высокой точностью определить диагноз при просмотре результатов ЭКГ.

Затем на этапе 220 на базе сформированного размеченного набора обучающих данных выполняют обучение модели классификации сердечно-сосудистых заболеваний по ЭКГ. По результатам исследований, проведенных авторами настоящего изобретения, наилучшие результаты показывает модель, которая основана на нейронной сети, скомпонованной на архитектуре ResNet с малым количеством слоев, в качестве функции активации используется функция Gelu, в качестве регуляризатора используется сочетание регуляризатора dropout с линейной комбинацией l1 и l2, а в качестве контрольной метрики используется F1-мера. При этом для повышения эффективности работы модели используется методика контрастивного обучения и функция тройных потерь (Triplet Loss). Обучение выполняется с помощью компьютера, содержащего процессор и память.

Предложенная модель и способ ее обучения позволяют достичь высокой точности с применением меньшего количества обучающих данных, как будет показано более подробно ниже в данном документе.

Эксплуатация модели

После того, как предложенная модель обучена согласно вышеописанному способу, ее можно использовать для работы.

Способ 300 обнаружения сердечно-сосудистых заболеваний по ЭКГ согласно настоящему изобретению содержит следующие этапы.

На этапе 310 получают файл данных для анализа ЭКГ, сформированный согласно способу 100. В частности, выполняют ЭКГ в 12 отведениях для текущего пациента, полученные в результате 12 изображений преобразуют в цифровой вид и затем выделяют из них сигнал в цифровом виде.

Затем на этапе 320 анализируют полученный файл с помощью модели классификации сердечно-сосудистых заболеваний по ЭКГ, предварительно обученной согласно способу 200. Как указано выше, модель основана на нейронной сети, которая скомпонована на архитектуре ResNet с малым количеством слоев, в качестве функции активации используется функция Gelu, в качестве регуляризатора используется сочетание регуляризатора dropout с линейной комбинацией l1 и l2, причем модель обучена с использованием контрастивного обучения и функции тройных потерь, в качестве контрольной метрики использована F1-мера. Анализ выполняется с помощью компьютера, содержащего процессор и память. На выходе модель выдает класс сердечно-сосудистого заболевания.

Далее на этапе 330 формируется отчет, содержащий указание класса. При необходимости отчет может также содержать классифицированные изображения.

Далее отчет выводится на экран монитора или же передается с помощью блока передачи отчета на устройство, запрашивавшее диагностику - например, на расположенное удаленно автоматизированное рабочее место (АРМ) врача. Для упрощения описания в данном документе все эти случаи рассматриваются как передача на устройство, запрашивавшее диагностику.

Имея изображение и указание патологии, содержащиеся в отчете, врач с учетом предоставленного ему тем самым «второго мнения» принимает решение о состоянии здоровья пациента (о наличии/отсутствии патологии) с повышенной эффективностью и при необходимости принимает решение о лечении пациента.

Таким образом, обеспечивается повышение эффективности систем и способов диагностики сердечно-сосудистых заболеваний по ЭКГ. При этом обеспечивается повышение точности диагностики, повышение скорости обучения моделей, упрощение сбора и создания наборов обучающих данных, возможность выполнения ранней диагностики сердечно-сосудистых заболеваний, уменьшение влияния человеческого фактора (внимательность, утомляемость, ответственность).

Пример осуществления

Предложенные способы реализованы в системе на базе персонального компьютера с операционной системой Ubuntu 20.04, процессором lntel(R) Core(TM) i7-6900k CPU @3.20GHz, оперативной памятью 64 ГБ, графическим ускорителем NVIDIA GeForce GTX 1080 Ti. Программная часть предложенных способов реализована с использованием языка python и фреймворка keras.

Система была проверена на базе данных 6877 пациентов, содержащей ЭКГ в 12 отведениях, включающей 8 типов сердечных аритмий и нормальный ритм. Для целей проверки способов из настоящего изобретения датасет прорежен приблизительно в 4 раза, до 1741 записи. Обучающая и тестовая выборки разделены в соотношении 70:30. В результате обучения модель демонстрирует показатели F1-меры 0,81 для фибрилляции предсердий (ФП), 0,93 для блокады левой/правой ножки пучка Гиса (БНПГ), 0,66 для феномена ранней реполяризации желудочков (ФРРЖ). Оценка эффективности разработанных решений проводилась путем сопоставления с моделью, имеющей лучший существующий результат (state-of-the-art model), которая показала после обучения на том же датасете в целом более слабые результаты (0,83, 0,85 и 0,64), при том что для ее обучения пришлось использовать весь вышеуказанный датасет целиком. Соответственно, предложенные в настоящем изобретении способы являются более эффективными и могут использоваться с высокой точностью даже при нехватке обучающих данных. Кроме того, предложенные способы требуют меньших вычислительных ресурсов и поэтому могут применяться на базе уже имеющегося в медицинских центрах оборудования.

Для проверки работы предложенной модели использована технология оценки внимания нейросети Grad-CAM на изображениях ЭКГ. Результат проверки при наличии аритмии типа ФРРЖ в характерных отведениях представлен на Фиг. 1, при наличии острого инфаркта миокарда - на Фиг. 2. Зоны внимания нейросети отмечены вертикальными полосами, причем интенсивность цвета соответствует степени внимания нейросети. Как видно из обоих чертежей, внимание нейросети в обоих случаях устойчиво локализуется на характерных элементах ЭКГ - это пик зубца R и сегмент ST. В обоих случаях первый «всплеск» внимания нейросети приходится на пик зубца R, который является основным показателем сердечного ритма, т.е. характера работы сердечной мышцы в целом. В то же время второй «всплеск» внимания нейросети локализуется на той зоне сегмента ST, которая определяет конкретный тип патологии. Таким образом, распределение зон внимания нейросети соответствует физиологическому механизму проявления отдельных патологий сердечно-сосудистой системы на ЭКГ, т.е. разработанная нейросетевая модель для классификации патологий сердечно-сосудистой системы по изображениям ЭКГ отвечает требованиям к доверенному искусственному интеллекту.

Применение

Системы, устройства и способы согласно настоящему изобретению можно использовать для обработки изображений ЭКГ с целью выявления в них признаков патологий сердечно-сосудистой системы.

Дополнительные особенности реализации

Несмотря на то, что в данном документе может быть указано, что данные передаются/отправляются или принимаются/получаются человеком (например, медицинским специалистом, врачом, экспертом), специалист в данной области техники должен понимать, что такое указание используется исключительно в целях упрощения описания, тогда как на самом деле подразумевается, что данные передаются/отправляются или принимаются/получаются соответствующим устройством, которым пользуется и/или управляет этот человек.

Один или более описанных в настоящем документе блоков или устройств передачи (передатчиков) и один или более блоков или устройств приема (приемников) физически могут быть реализованы в одном и том же блоке или устройстве приемопередачи или в разных блоках или устройствах.

Устройством или блоком передачи в данном документе для упрощения описания может называться устройство или блок, имеющий функции не только передачи, но и приема данных, информации и/или сигналов. Аналогичным образом, устройство или блок приема может также заключать в себе функции передачи данных, информации и/или сигналов.

Различные иллюстративные блоки и модули, описанные в связи с раскрытием сущности в данном документе, могут реализовываться или выполняться с помощью процессора общего назначения, процессора цифровых сигналов (DSP), специализированной интегральной схемы (ASIC), программируемой пользователем вентильной матрицы (FPGA) или другого программируемого логического устройства (PLD), дискретного логического элемента или транзисторной логики, дискретных аппаратных компонентов либо любой комбинации вышеозначенного, предназначенной для того, чтобы выполнять описанные в данном документе функции. Процессор общего назначения может представлять собой микропроцессор, но в альтернативном варианте, процессор может представлять собой любой традиционный процессор, контроллер, микроконтроллер или конечный автомат. Процессор также может реализовываться как комбинация вычислительных устройств (к примеру, комбинация DSP и микропроцессора, несколько микропроцессоров, один или более микропроцессоров вместе с DSP-ядром либо любая другая подобная конфигурация).

Некоторые блоки по отдельности или вместе могут представлять собой, например, компьютер, и включать в себя процессор, который сконфигурирован для вызова и выполнения компьютерных программ из памяти для выполнения этапов способа или функций блоков в соответствии с вариантами осуществления настоящего изобретения. Согласно вариантам осуществления, устройство может дополнительно включать в себя память. Процессор может вызывать и выполнять компьютерные программы из памяти для выполнения способа. Память может быть отдельным устройством, независимым от процессора, или может быть интегрирована в процессор. Память может хранить код, инструкции, команды и/или данные для исполнения на наборе из одного или более процессоров описанного устройства. Коды, инструкции, команды могут предписывать процессору выполнять этапы способа или функции устройства.

Функции, описанные в данном документе, могут реализовываться в аппаратном обеспечении, программном обеспечении, выполняемом посредством одного или более процессоров, микропрограммном обеспечении или в любой комбинации вышеозначенного. Аппаратные и программные средства, реализующие функции, также могут физически находиться в различных позициях, в том числе согласно такому распределению, что части функций реализуются в различных физических местоположениях, то есть может выполняться распределенная обработка или распределенные вычисления.

При необходимости (например, в случае если велик объем данных и/или вычислений, которые необходимо выполнить в отношении этих данных), может производиться многопоточная обработка данных, которая в простом представлении может выражаться в том, что все множество подлежащих обработке данных разделяется на набор подмножеств, и каждое ядро процессора выполняет обработку в отношении назначенного для него подмножества данных.

Вышеупомянутая память может быть энергозависимой или энергонезависимой памятью или может включать в себя как энергозависимую, так и энергонезависимую память. Специалисту в области техники должно быть также понятно, что, когда речь идет о памяти и о хранении данных, программ, кодов, инструкций, команд и т.п., подразумевается наличие машиночитаемого (или компьютерно-читаемого, процессорно-читаемого) запоминающего носителя.

Информация и сигналы, описанные в данном документе, могут представляться с помощью любой из множества различных технологий. Например, данные, инструкции, команды, информация, сигналы, биты, символы и элементарные сигналы, которые могут приводиться в качестве примера в вышеприведенном описании, могут представляться посредством напряжений, токов, электромагнитных волн, магнитных полей или частиц, оптических полей или частиц либо любой комбинации вышеозначенного, если это применимо к настоящему изобретению.

По меньшей мере один из этапов в способе или блоков в устройстве может использовать модель искусственного интеллекта (AI) для выполнения соответствующих операций. Функция, связанная с AI, может выполняться через процессор и энергонезависимую и/или энергозависимую память.

Процессор может включать в себя один или более процессоров. В то же время, один или более процессоров могут быть процессором общего назначения, например центральным процессором (CPU), прикладным процессором (AP) и т.п., блоком обработки только графики, таким как графический процессор (GPU), визуальный процессор (VPU), и/или специализированным процессором AI, таким как нейронный процессор (NPU).

Один или более процессоров управляют обработкой входных данных в соответствии с предварительно определенным правилом работы или моделью искусственного интеллекта (AI), хранящейся в энергонезависимой памяти и/или энергозависимой памяти. Предварительно определенное правило работы или модель искусственного интеллекта могут быть получены путем обучения. При этом процессор может выполнять операцию предварительной обработки данных для преобразования в форму, подходящую для использования в качестве входных данных для модели искусственного интеллекта.

«Получены путем обучения» означает, что посредством применения алгоритма обучения к обучаемой модели искусственного интеллекта с использованием множества обучающих данных создается предварительно определенное правило работы или модель AI с желаемой характеристикой. Обучение может выполняться на самом устройстве, в котором выполняется AI согласно варианту осуществления, и/или может быть реализовано через отдельный сервер/систему.

Модель искусственного интеллекта может включать в себя множество слоев нейронной сети. Каждый из множества слоев нейронной сети включает в себя множество весовых значений (коэффициентов) и выполняет рабочую операцию для данного слоя путем вычисления с применением множества весовых значений данного слоя в отношении входных данных или результата вычисления предыдущего слоя.

Алгоритм обучения - это метод обучения предварительно определенного целевого устройства (например, нейронной сети на базе GPU или NPU) с использованием множества обучающих данных, чтобы вызывать, разрешать или управлять целевым устройством для выполнения определения или прогнозирования. Примеры алгоритмов обучения включают, но не ограничиваются ими, обучение с учителем, обучение без учителя, обучение с частичным привлечением учителя или обучение с подкреплением.

Следует понимать, что хотя в настоящем документе для описания различных блоков, модулей, сетей, элементов, компонентов, областей, слоев и/или секций, могут использоваться такие термины, как "первый", "второй", "третий" и т.п., эти блоки, модули, сети, элементы, компоненты, области, слои и/или секции не должны ограничиваться этими терминами. Эти термины используются только для того, чтобы отличить один блок, модуль, сеть, элемент, компонент, область, слой или секцию от другого блока, модуля, сети, элемента, компонента, области, слоя или секции. Так, первый блок, модуль, сеть, элемент, компонент, область, слой или секция может быть назван вторым блоком, модулем, сетью, элементом, компонентом, областью, слоем или секцией без выхода за рамки объема настоящего изобретения. В настоящем описании термин "и/или" включает любые и все комбинации из одной или более из соответствующих перечисленных позиций. Элементы, упомянутые в единственном числе, не исключают множественности элементов, если отдельно не указано иное.

Функциональность элемента, указанного в описании или формуле изобретения как единый элемент, может быть реализована на практике посредством нескольких компонентов устройства, и наоборот, функциональность элементов, указанных в описании или формуле изобретения как несколько отдельных элементов, может быть реализована на практике посредством единого компонента.

В одном из вариантов осуществления некоторые или все элементы/блоки/модули предложенного устройства находятся в общем корпусе, могут быть размещены на одной раме/конструкции/печатной плате/кристалле и связаны друг с другом конструктивно посредством монтажных (сборочных) операций и функционально посредством линий связи. Упомянутые линии или каналы связи, если не указано иное, являются типовыми, известными специалистам линиями связи, материальная реализация которых не требует творческих усилий. Линией связи может быть провод, набор проводов, шина, дорожка, беспроводная линия связи (индуктивная, радиочастотная, инфракрасная, ультразвуковая и т.д.). Протоколы связи по линиям связи известны специалистам и не раскрываются отдельно.

Под функциональной связью элементов следует понимать связь, обеспечивающую корректное взаимодействие этих элементов друг с другом и реализацию той или иной функциональности элементов. Частными примерами функциональной связи может быть связь с возможностью обмена информацией, связь с возможностью передачи электрического тока, связь с возможностью передачи механического движения, связь с возможностью передачи света, звука, электромагнитных или механических колебаний и т.д. Конкретный вид функциональной связи определяется характером взаимодействия упомянутых элементов, и, если не указано иное, обеспечивается широко известными средствами, используя широко известные в технике принципы.

Несмотря на то, что примерные варианты осуществления были подробно описаны и показаны на сопроводительных чертежах, следует понимать, что такие варианты осуществления являются лишь иллюстративными и не предназначены ограничивать настоящее изобретение, и что данное изобретение не должно ограничиваться конкретными показанными и описанными компоновками и конструкциями, поскольку специалисту в данной области техники на основе информации, изложенной в описании, и знаний уровня техники могут быть очевидны различные другие модификации и варианты осуществления изобретения, не выходящие за пределы сущности и объема данного изобретения.

Изобретение относится к области обработки изображений. Техническим результатом является, повышение точности и скорости обучения для анализа изображений ЭКГ. Способ формирования файла данных для анализа ЭКГ содержит этапы, на которых: получают изображения ЭКГ, выполненного в 12 отведениях, для каждого отведения преобразуют соответствующее изображение ЭКГ в одномерный цифровой сигнал, обнаруживают и отделяют сетку на изображении ЭКГ путем бинаризации и адаптивной пороговой обработки изображения; оценивают масштаб обнаруженной сетки; обнаруживают на изображении ЭКГ сигнал, представляющий собой ряд связанных пикселей, соответствующих сигналу, путем пороговой обработки по методу Оцу и фильтрации медианным фильтром, так что в каждом столбце изображения для данного отведения содержится только один пиксель, соответствующий сигналу; и извлекают сигнал путем преобразования упомянутого ряда связанных пикселей, соответствующих сигналу, в одномерный массив координат пикселей и преобразования координат пикселей в значения сигнала в соответствии с оцененным масштабом сетки по вертикальной оси; и формируют файл данных для анализа ЭКГ. 4 з.п. ф-лы, 2 ил.

1. Способ формирования файла данных для анализа ЭКГ, содержащий этапы, на которых:

получают изображения ЭКГ для ЭКГ, выполненного в 12 отведениях;

для каждого отведения преобразуют соответствующее изображение ЭКГ в одномерный цифровой сигнал, причем преобразование содержит этапы, на которых:

- выполняют предварительную обработку изображения ЭКГ путем выравнивания яркости и контрастности, а также преобразования цвета в оттенки серого;

- обнаруживают и отделяют сетку на изображении ЭКГ путем бинаризации и адаптивной пороговой обработки изображения;

- оценивают масштаб обнаруженной сетки;

- обнаруживают на изображении ЭКГ сигнал, представляющий собой ряд связанных пикселей, соответствующих сигналу, путем пороговой обработки по методу Оцу и фильтрации медианным фильтром, так что в каждом столбце изображения для данного отведения содержится только один пиксель, соответствующий сигналу; и

- извлекают сигнал путем преобразования упомянутого ряда связанных пикселей, соответствующих сигналу, в одномерный массив координат пикселей и преобразования координат пикселей в значения сигнала в соответствии с оцененным масштабом сетки по вертикальной оси; и

формируют файл данных для анализа ЭКГ, содержащий массив масштабированных значений сигнала для каждого отведения.

2. Способ по п.1, дополнительно содержащий этапы, на которых:

определяют частоту дискретизации по предварительно известной длительности измерения сигнала и числу пикселей, соответствующих сигналу, в обнаруженном сигнале;

если определенная частота дискретизации отличается от требуемой частоты дискретизации, выполняют интерполяцию сигнала по масштабированным значениям сигнала и формируют новый массив значений сигнала с требуемой частотой дискретизации по интерполированному сигналу.

3. Способ по п.1, дополнительно содержащий этапы, на которых:

если предварительно известная длительность измерения сигнала превышает требуемую длительность, записывают в файл данных массив значений сигнала только в пределах требуемой длительности, а остальную часть сигнала отбрасывают.

4. Способ по п.1, в котором получение изображения ЭКГ содержит этап, на котором выполняют обследование пациента с помощью аналогового электрокардиографа с использованием 12 отведений.

5. Способ по п.1, в котором получение изображения ЭКГ содержит этапы, на которых:

- получают изображение ЭКГ в бумажном виде и сканируют или фотографируют его для получения изображения ЭКГ в цифровом виде, или

- получают изображение ЭКГ в цифровом виде из хранилища цифровых изображений ЭКГ, полученных ранее методом сканирования или фотографирования бумажных изображений ЭКГ.