CN115587992A

CN115587992A - 房室瓣反流容积m型pisa定量方法以及电子设备

Info

Publication number: CN115587992A
Application number: CN202211293158.3A
Authority: CN
Inventors: 葛振一; 潘翠珍; 薛武峰; 舒先红; 程蕾蕾; 赵维鹏
Original assignee: Zhongshan Hospital Fudan University
Current assignee: Zhongshan Hospital Fudan University
Priority date: 2022-10-21
Filing date: 2022-10-21
Publication date: 2023-01-10

Abstract

本发明公开了一种房室瓣反流容积M型PISA定量方法，接收三幅目标心脏超声图像，第一图像——房室瓣反流束的连续波多普勒频谱图像，第二图像——M型PISA彩色图像，第三图像——M型PISA灰度图像；从第二图像和第三图像中获得PISA半径的时间曲线，计算PISA半径各时间点的值r_(t)，从第一图像中获得反流束速度时间曲线，计算各时间点速度V_(t)，从所述目标心脏超声图像元数据中提取混淆速度V_a，计算各时间点瞬时流量、总反流容积、各时间点反流孔面积、平均反流孔面积。通过自动描记M型PISA轮廓及反流束的连续波多普勒边界并计算总反流容积，可以协助医生快速、准确地定量房室瓣反流严重程度。

Description

房室瓣反流容积M型PISA定量方法以及电子设备

技术领域

本发明涉及医学图像处理以及心脏诊断技术领域，特别涉及一种房室瓣反流容积M型PISA定量方法以及电子设备。

背景技术

近端等速表面积法(proximal iso-velocity surface area，以下简称PISA法)是临床上超声心动图中重要的定量瓣膜反流严重程度的方法。已知经典的PISA法，假设反流孔面积在心脏收缩期是恒定不变的，并选取单帧PISA半径(收缩期的某一帧)用于计算反流孔面积及反流容积。然而反流孔面积大小及PISA半径在心脏收缩期中是动态变化的，此方法所用的单帧PISA半径计算得到的反流孔面积并不能代表整个收缩期的反流孔面积平均大小，因此会出现得到的反流容积及反流孔面积存在高估或者低估的情况，在临床应用中，有时不能准确反映瓣膜反流的严重程度。

发明内容

本发明实施例之一，一种超声心动图检查仪，采用基于深度学习网络的房室瓣反流容积M型PISA自动定量方法，具有对于超声心动图中二尖瓣或三尖瓣反流容积及反流孔面积的自动定量功能。

所述的M型PISA自动定量方法，包括步骤：

接收三幅目标心脏超声图像，即，

第一图像——房室瓣反流束的连续波多普勒频谱图像，

第二图像——M型PISA彩色图像，

第三图像——M型PISA灰度图像；

从第二图像和第三图像中获得PISA半径的时间曲线，计算PISA半径各时间点的值r_(t)，

从第一图像中获得反流束速度时间曲线，计算各时间点速度V_(t)，

从所述目标心脏超声图像元数据中提取混淆速度V_a，

计算包括，

各时间点瞬时流量Flow rate_(t)＝2πr_(t) ²×V_a (1)

总反流容积MRSV＝∫Flow rate_(t)dt＝2πV_a∫r_(t) ²dt (2)

各时间点反流孔面积EROA_(t)＝Flow rate_(t)/V_(t) (3)

平均反流孔面积EROA_mean＝∫EROA_(t)dt/t_m (4)。

根据上述计算结果绘制收缩期瞬时流量曲线及反流孔面积曲线，用以展示总反流容积。

本发明实施例的房室瓣反流容积M型PISA自动定量方法，通过算法自动描记M型PISA轮廓及反流束的连续波多普勒边界并计算收缩期瞬时流量曲线、反流孔面积曲线以及总反流容积，可以协助超声医生或临床医生快速、准确地定量房室瓣反流严重程度，并减少测量者内部及外部稳定性差的问题。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1是根据本发明实施例之一的房室瓣反流容积M型PISA定量方法流程图。

图2是根据本发明实施例之一的房室瓣反流容积M型PISA定量方法实施过程示意图。

具体实施方式

M型超声心动图是采用单声束扫描心脏，将心脏及大血管的运动以光点群随时间改变所形成曲线的形式显现的超声图像。M型PISA即利用M型超声记录二维PISA动态影像中PISA半径随时间的变化。相关研究已经证实M型PISA能够揭示不同病因的二尖瓣反流患者反流孔面积及顺时流量的变化变化模式，其来源的反流容积与平均反流孔面积更具有可信度。

M型PISA是利用M型超声将收缩期PISA半径变化记录在一幅图像上，包含时间信息且空间分辨率高。M型PISA图像可用于计算各时间点房室瓣的瞬时流量、反流孔面积以及计算总的反流容积、平均反流孔面积。

M型PISA定量房室瓣反流容积及反流孔面积在临床中的应用遇到了以下问题：

M型PISA需要计算多个时间点的PISA半径及对应时间点上反流束的峰值速度，计算费时费力；现有的M型PISA输出不具备描记及计算功能，使用PISA技术需要一定的专业知识及学习曲线，人工描记及计算可能存在测量者内部及外部稳定性差的问题。

根据一个或者多个实施例，如图1所示，房室瓣反流容积M型PISA定量方法，包括以下步骤：

S101,接收临床超声图像；

S102，对获得的临床超声图像进行准备处理，包括连续波多普勒频谱图像、M型PISA图像、去除彩色的M型PISA灰度图像；

S103,基于深度学习网络进行图像分割，获得PISA半径时间曲线的上部边界、瓣叶的运动轨迹，反流束速度时间曲线的轮廓；

S104，图像处理，提取M型PISA轮廓；

S105，自动定量，瞬时流量曲线、反流孔面积曲线、总反流容积。

在本公开实施例中，房室瓣反流容积定量方法，以三张心脏超声图像为输入(分别为房室瓣反流束的连续波多普勒频谱图像、M型PISA图像及其衍生的去除彩色的灰度图像)，并基于深度学习网络，提取图像中的连续波多普勒频谱、M型PISA、房室瓣运动轨迹等轮廓曲线，获取各时间点的PISA半径、反流束速度信息，最终计算各时间点瞬时流量并进行积分计算获得反流容积。通过对轮廓曲线的提取通过将M型PISA图像及其衍生的去除彩色的灰度图像，以双通道方式进行输入深度神经网络进行，而非分别处理两张图像，从而有效利用两张图像的互补信息同时对M型PISA上轮廓和下轮廓进行提取。更进一步的，由于采用基于深度学习网络的算法模型，该方法重复性好、计算效率高，适合推广。

本公开实施例具有简单易实施的特性，实施所需图像通过心脏超声诊断仪所采集的完整的M型PISA图像(推荐2至3个心动周期，Nyquist速度极限30-40cm/s，图像格式DICOM)以及同一幅图像在机所获得的去除彩色的图像(图像格式DICOM)，同时还包括反流束的连续波多普勒图像(推荐2至3个心动周期，图像格式DICOM)。此类图像所占空间小且包含时间信息，易于分析。

本公开实施例方法实现了M型PISA定量反流容积的自动性，即使用者或医生仅输入图像本方法即可自动计算结果，无需额外输入其他信息或对图像做其他调整。

根据一个或者多个实施例，一种房室瓣反流容积定量计算方法，包括步骤,

S201,获得目标心脏完整的M型PISA图像(推荐2至3个心动周期，Nyquist速度极限30-40cm/s，图像格式DICOM)以及同一幅图像在机所获得的去除彩色的图像(图像格式DICOM)，同时还包括反流束的连续波多普勒图像(推荐2至3个心动周期，图像格式DICOM)。

S202，使用深度学习网络训练分割模型，根据损失函数对分割模型进行训练，优化模型参数；网络训练输入为训练集的M型PISA图像、去除彩色的图像、反流束的连续波多普勒图像和对应的手工标注掩模图像，网络输出为预测的PISA半径的时间曲线轮廓和连续波多普勒速度轮廓掩模图。

S203，利用所训练的深度学习网络在M型PISA图像上识别PISA半径时间曲线的上部边界。此边界为M型超声所记录的反流束加速并达到第一次混淆速度的时空位置。超声图像采集时，M型PISA图像上呈现为二维灰度(左室面腔内回声)与PISA半径时间曲线的交界处，有利于识别以提高算法的准确率。

S204，利用所训练的深度学习网络在去除彩色的图像识别瓣叶(二尖瓣或三尖瓣)的运动轨迹，此运动轨迹将作为PISA半径时间曲线的下部轮廓。该类图像上瓣叶运动轨迹回声易于识别。

S205，利用算法将上述S203步骤与S204步骤中标注的图像进行融合、并计算标注的交集，获得PISA半径的时间曲线轮廓，提取PISA半径各时间点的值r_(t)。

利用所训练的U-net算法在连续波多普勒图像上识别反流束速度时间曲线的轮廓，提取各时间点速度V_(t)。并于DICOM元数据中提取混淆速度V_a。

各时间点瞬时流量计算公式：Flow rate_(t)＝2πr_(t) ²×V_a，

总反流容积的计算公式：MRSV＝∫Flow rate_(t)dt＝2πV_a∫r_(t) ²dt，

各时间点反流孔面积计算公式：EROA_(t)＝Flow rate_(t)/V_(t)，

平均反流孔面积计算为：EROA_mean＝∫EROA_(t)dt/t_m，

S206，根据步骤S205的计算结果绘制收缩期瞬时流量曲线及反流孔面积曲线，展示总反流容积。

本公开实施例，基于人工智能技术，实现自动房室瓣反流容积M型PISA定量方法，其主要根据深度神经网络分别获取PISA时间半径曲线的上轮廓和下轮廓，以及反流束的速度时间曲线，据此计算各个时刻的PISA半径、瞬时流量、反流孔面积，并基于时间积分计算总反流容积。

由于准确评估房室瓣反流严重程度对于决定外科瓣膜修复的最佳手术时机至关重要。临床上经常采用的现有的PISA法，是基于单帧PISA半径计算反流孔面积、反流容积的，未考虑房室瓣反流口随时间变化的情况，不能得到准确的反流容积估计，因此可能会低估或高估反流的严重程度。

M型PISA相比传统PISA法与心脏磁共振获取的反流容积差异更小，相关性更好。M型PISA弥补了基于单帧PISA半径计算反流孔面积、反流容积的缺陷，其准确度高，但在进行多个时间点的计算时存在操作复杂耗时且对操作者专业水平要求较高的问题。

因此该发明的有益效果在于，

1)该发明方法基于M型PISA计算反流孔面积及反流容积，克服临床上单帧PISA半径计算方法所带来的误差，并绘制瞬时流量曲线及反流孔面积变化曲线，可提供更多的瓣膜反流机制信息、协助诊断。

2)该发明方法基于人工智能算法，整个流程为全自动、无需额外输入其他信息。因此该方法省时省力，可以协助超声医生或临床医生快速、准确地定量房室瓣反流严重程度，并减少测量者内部及外部稳定性差的问题。

3)本发明的M型PISA可以通过人工智能算法自动化计算，将大大降低时间和人力，为MR评估开展一片新领域。

应理解，在本发明实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims

1.一种房室瓣反流容积M型PISA定量方法，其特征在于，包括步骤：

接收三幅目标心脏超声图像，即，

第一图像——房室瓣反流束的连续波多普勒频谱图像，

第二图像——M型PISA彩色图像，

第三图像——M型PISA灰度图像；

从所述目标心脏超声图像元数据中提取混淆速度V_a，

计算包括，

各时间点瞬时流量Flow rate_(t)＝2πr_(t) ²×V_a (1)

总反流容积MRSV＝∫Flowrate_(t)dt＝2πV_a∫r_(t) ²dt (2)

各时间点反流孔面积EROA_(t)＝Flow rate_(t)/V_(t) (3)

平均反流孔面积EROA_mean＝∫EROA_(t)dt/t_m (4)。

2.根据权利要求1所述的方法，其特征在于，绘制收缩期瞬时流量曲线及反流孔面积曲线，展示总反流容积。

3.根据权利要求1所述的方法，其特征在于，

通过学习模型在第二图像中识别获得PISA半径时间曲线的上部曲线，

通过学习模型在第三图像中识别获得PISA半径时间曲线的下部曲线，

将所述上部曲线与下部曲线融合，获得PISA半径时间曲线。

4.根据权利要求1所述的方法，其特征在于，

通过学习模型在第一图像中识别获得反流束速度时间曲线。

5.根据权利要求3或4所述的方法，其特征在于，所述学习模型基于深度学习网络构建。

6.根据权利要求1所述的方法，其特征在于，对于所述学习模型的训练样本集中包括手工标注掩模图像。

7.根据权利要求1所述的方法，其特征在于，所述心脏超声图像格式为DICOM。

8.根据权利要求1所述的方法，其特征在于，所述第一图像、第二图像或第三图像的采样周期为2～3个心动周期。

9.一种房室瓣反流容积M型PISA定量电子设备，所述装置包括存储器；以及耦合到所述存储器的处理器，该处理器被配置为执行存储在所述存储器中的指令，所述处理器执行以下操作：

接收三幅目标心脏超声图像，即，

第一图像——房室瓣反流束的连续波多普勒频谱图像，

第二图像——M型PISA彩色图像，

第三图像——M型PISA灰度图像；

从所述目标心脏超声图像元数据中提取混淆速度V_a，

计算包括，

各时间点瞬时流量Flow rate_(t)＝2πr_(t) ²×V_a (1)

总反流容积MRSV＝∫Flow rate_(t)dt＝2πV_a∫r_(t) ²dt (2)

各时间点反流孔面积EROA_(t)＝Flowrate_(t)/V_(t) (3)

平均反流孔面积EROA_mean＝∫EROA_(t)dt/t_m (4)。

10.一种超声心动图检查仪，其特征在于，该检查仪的主控制器采用如权利要求1所述的方法计算心脏房室瓣反流容积。