CN110215203A - 心电信号获取方法、装置、计算机设备和存储介质 - Google Patents
心电信号获取方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110215203A CN110215203A CN201910451092.8A CN201910451092A CN110215203A CN 110215203 A CN110215203 A CN 110215203A CN 201910451092 A CN201910451092 A CN 201910451092A CN 110215203 A CN110215203 A CN 110215203A
- Authority
- CN
- China
- Prior art keywords
- training
- obtains
- cardiac
- signal
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 109
- 230000000747 cardiac effect Effects 0.000 claims abstract description 86
- 239000011159 matrix material Substances 0.000 claims abstract description 86
- 238000013136 deep learning model Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 238000012937 correction Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 18
- 230000033001 locomotion Effects 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 12
- 230000010247 heart contraction Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 210000001364 upper extremity Anatomy 0.000 description 2
- 208000021479 Cardiovascular injury Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- VIKNJXKGJWUCNN-XGXHKTLJSA-N norethisterone Chemical compound O=C1CC[C@@H]2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 VIKNJXKGJWUCNN-XGXHKTLJSA-N 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- High Energy & Nuclear Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Radiology & Medical Imaging (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种心电信号获取方法、装置、计算机设备和存储介质。所述方法包括：通过获取扫描数据，并根据所述扫描数据得到第一心脏门控信号，并对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵，再将所述第一训练矩阵输入深度学习模型，得到心电信号。采用本方法能够实现脱离外部ECG设备，基于PET自身扫描数据，供实时心电信号监控功能。
Description
技术领域
本申请涉及医学图像处理技术领域，特别是涉及一种心电信号获取方法、装置、计算机设备和存储介质。
背景技术
随着医学成像技术的不断发展，为了更好的对人体进行检查，正电子发射型计算机断层显像技术应运而生。正电子发射型计算机断层显像(Positron Emission ComputedTomography)，是医学影像领域比较先进的临床检查影像技术。
当需要运用PET扫描进行心脏成像的时候，一般可通过外部心电图设备提供患者在进行PET扫描时，准确的心电信号。在现有技术中，也可基于PET扫描获取的自身数据，通过重心法或体积法提取心跳门控信号。由于数据及算法本身的限制，心跳门控信号频域上能够与外部心电设备获取的心电信号匹配，但是信号幅度及形状很难与外部心电图设备获取的心电信号一致。
发明内容
基于此，有必要针对上述技术问题，提供一种能够脱离的外部心电图设备，基于PET自身扫描数据提供实时心电信号的心电信号获取方法、装置、计算机设备和存储介质。
一种心电信号获取方法，所述方法包括：
获取扫描数据，并根据所述扫描数据得到第一心脏门控信号；
对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵；
将所述第一训练矩阵输入深度学习模型，得到心电信号。
在其中一个实施例中，所述将所述第一训练矩阵输入深度学习模型，获得心电信号包括：
将所述第一训练矩阵输入深度学习模型，得到心电频域信号；
对所述心电频域信号进行逆傅里叶变换处理，得到心电信号。
在其中一个实施例中，所述获取扫描数据，并根据所述扫描数据得到第一心脏门控信号之前包括：
获取训练数据以及心电采集信号；
根据所述训练数据以及心电采集信号，得到第二训练矩阵以及校对矩阵；
根据所述第二训练矩阵以及所述校对矩阵训练深度学习模型。
在其中一个实施例中，所述根据所述训练数据以及心电采集信号，得到第二训练矩阵以及校对矩阵包括；
根据所述训练数据，得到第二心脏门控信号；
对所述第二心脏门控信号进行傅里叶变换处理，得到第二训练矩阵；
对所述心电采集信号进行傅里叶变换处理，得到校对矩阵。
在其中一个实施例中，所述根据所述训练数据，得到第二心脏门控信号包括：
对所述训练数据进行运动识别，得到运动信号；
将所述运动信号进行滤波，得到所述第二心脏门控信号。
在其中一个实施例中，所述对所述训练图像数据进行运动识别，得到运动信号包括：所述训练扫描图像数据包括飞行时间信息以及心脏位置；
根据所述飞行时间信息以及心脏位置，得到光子湮灭位置到心脏位置的距离；
将所述光子湮灭位置到心脏位置的距离进行时间维度切割，得到运动信号。
在其中一个实施例中，所述根据所述飞行时间信息以及心脏位置，得到光子湮灭位置到心脏位置的距离包括：
根据所述飞行时间信息确定光子湮灭点位置，所述光子湮灭点位置用于表示湮灭点的三维空间坐标；
根据所述湮灭点位置数据以及心脏位置，确定光子湮灭位置到心脏位置的距离。
一种心电信号获取装置，所述装置包括：
心脏门控信号得到模块，用于获取扫描数据，并根据所述扫描数据得到第一心脏门控信号；
训练矩阵得到模块，用于对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵；
心电信号得到模块，用于将所述第一训练矩阵输入深度学习模型，得到心电信号。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取扫描数据，并根据所述扫描数据得到第一心脏门控信号；
对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵；
将所述第一训练矩阵输入深度学习模型，得到心电信号。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取扫描数据，并根据所述扫描数据得到第一心脏门控信号；
对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵；
将所述第一训练矩阵输入深度学习模型，得到心电信号。
上述心电信号获取方法、装置、计算机设备和存储介质，通过获取扫描数据，并根据所述扫描数据得到第一心脏门控信号，并对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵，再将所述第一训练矩阵输入深度学习模型，得到心电信号。这样可以实现脱离外部ECG设备，基于PET自身扫描数据，提供实时心电信号监控功能。
附图说明
图1为一个实施例中获取心电信号方法的流程示意图；
图2为一个实施例中深度学习模型训练的方法的流程示意图；
图3为一个实施例中获取心电信号装置的结构框图；
图4为一个实施例中深度学习模型训练装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET)，是核医学领域比较先进的临床检查影像技术。是将某种物质，一般是生物生命代谢中必须的物质，如：葡萄糖、蛋白质、核酸、脂肪酸，标记上短寿命的放射性核素(如18F，11C等)，注入人体后，放射性核素在衰变过程中释放出正电子，一个正电子在行进十分之几毫米到几毫米后遇到一个电子后发生湮灭，从而产生方向相反的一对能量为511KeV的光子。这对光子，通过高度灵敏的探测器捕捉形成数据信息，这些信息经计算机进行散射和随机等一些列的校正形成校正后数据，经过对校正后数据进行重建处理，我们可以得到在生物体内聚集情况的三维图像，从而达到诊断的目的。
在使用PET在对患者进行医学影像检查中，特别是对患者心脏部分进行扫描时。由于患者在扫描的过程中，心脏的跳动，致使注入到其中的放射性辐射源也跟随运动，所以PET图像不可避免要产生运动伪影，从而降低了图像的分辨率及诊断价值。为了获得更好质量的影像，一般运用诸如心电门控和心电触发等技术来作影像修正。所谓心电门控就是为了减少或消除心脏大血管的搏动对图像造成的影响而采取的技术手段。
在现有技术中，一般使用的额外的ECG(心电图)设备获取心电信号。在扫描过程中，ECG设备通常设置有四个电极分别标有Ra、Rl、La、Ll，分别代表右上肢、右下肢、左上肢、左下肢。电极可采用多种放置方法，在临床应用中可选择其中效果较好的一种。通过4个电极可以获得多个导联的ECG信号。通过对ECG信号进行处理得到心动周期的边和与心电活动相对应，心动周期可简单分为收缩期和舒张期。收缩期一般从R波的波峰开始，到T波末结束；舒张期一般从T波开始到R波的波峰结束。而舒张中后期，这个时段心脏运动相对静止。根据舒张中后期所对应的时间点，可在PET数据中查找相对应时间点的的数据，再进行成像，从而获得伪影较少的PET图像。
现在，也可基于PET扫描获取的自身数据，通过重心法或体积法提取心跳门控信号。由于数据及算法本身的限制，心跳门控信号频域上能够与外部ECG设备获取的心电信号匹配，但是信号幅度及形状很难与外部心电图设备获取的心电信号一致，特别是R波等ECG信号没有办法准确提取，这样难以获取舒张中后期相应的数据，从而导致不能达到消除伪影的目的。
在一个实施例中，如图1所示，提供了一种心电信号获取方法，包括以下步骤：
步骤102，获取扫描数据，并根据所述扫描数据得到第一心脏门控信号。
在本实施例中，由PET系统获取扫描数据，扫描数据为PET对待测物体进行扫描后得到的原始数据。当PET系统在对人体进行扫描时，扫描不是瞬间结束的，而是会持续一段时间，在这段时间内人体心脏会不停的收缩运动。则扫描数据中包含有几十个心动周期的心脏收缩运动这一部分的信息，并根据这部分的信息可以获取第一心脏门控信号。第一心脏门控信号为随时间变化的心脏收缩幅度变化的曲线。
步骤104，对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵。
在本实施例中，第一心脏门控信号为与时域相关的信号，通过傅里叶变化处理得到第一心脏门控信号与频域相关的信号。也就是将第一心脏门控信号中心脏收缩幅度随频域变化的曲线，作为第一训练矩阵。在第一训练矩阵中，频域与心脏收缩幅度为相对应的关系。
步骤106，将所述第一训练矩阵输入深度学习模型，得到心电信号。
在步骤106中还包括将所述第一训练矩阵输入深度学习模型，得到心电频域信号，再对所述心电频域信号进行逆傅里叶变换处理，得到心电信号。
在本实施例中，将第一训练矩阵输入深度学习模型后，得到的心电信号为心电频域信号，因为在第一训练矩阵中为频域与心脏收缩幅度为相对应的关系。故需要对心电频域信号，进行逆傅里叶变换处理得到与时域有关的心电信号。
在本实施例中，上述过程为患者在临床进行PET扫描时，基于PET数据本身获取心电信号的步骤。由于在进行PET扫描时，需要持续一段时间。可根据PET扫描所需的总时间，分为多个子时间。通过在各子之间内采集的扫描数据分别调用并且实施步骤104和步骤106，也就是说在PET扫描过程中多次调用并且实施步骤104和步骤106，得到在PET扫描过程中，实时获取更新的心电信号并显示。
上述心电信号获取方法中，通过获取扫描数据，并根据所述扫描数据得到第一心脏门控信号，并对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵，再将所述第一训练矩阵输入深度学习模型，得到心电信号。这样可以实现脱离外部ECG设备，基于PET自身扫描数据，供实时心电信号监控功能。
在一个实施例中，如图2所示，提供了一种深度学习模型训练的方法，包括以下步骤：
步骤202，获取训练数据以及心电采集信号。
在本实施例中，获取的训练数据由PET系统获取扫描数据，扫描数据为PET对待测物体进行扫描后得到的原始数据。当PET系统在对人体进行扫描时，扫描不是瞬间结束的，而是会持续一段时间，在这段时间内人体心脏会不停的收缩运动。则扫描数据中包含有几十个心动周期的心脏收缩运动这一部分的信息。
在本实施例中，获取的心电采集信号为通过额外的心电采集设备在PET扫描过程中对患者心电信号进行采集获取的。
步骤204，根据所述训练数据以及心电采集信号，得到第二训练矩阵以及校对矩阵。
在步骤204中，根据所述训练数据得到第二训练矩阵还包括：根据所述训练数据，得到第二心脏门控信号，对所述第二心脏门控信号进行傅里叶变换处理，得到第二训练矩阵。
在本实施例中，所述训练数据中包含有几十个心动周期的心脏收缩运动这一部分的信息，并根据这部分的信息可以获取第二心脏门控信号。第二心脏门控信号为随时间变化的心脏收缩幅度变化的曲线。
在本实施例中，第二心脏门控信号为与时域相关的信号，通过傅里叶变化处理得到第二心脏门控信号与频域相关的信号，也就是第二心脏门控信号随频域变化的心脏收缩幅度变化的曲线，作为第二训练矩阵。在第二训练矩阵中，频域与心脏收缩幅度为相对应的关系。
在步骤204中，根据所述训练数据，得到第二心脏门控信号包括：对所述训练数据进行运动识别，得到运动信号。将所述运动信号进行滤波，得到所述第二心脏门控信号。
其中，所述对训练数据进行运动识别包括：训练数据包括飞行时间信息以及心脏位置，根据所飞行时间信息以及心脏位置，得到光子湮灭位置到心脏位置的距离。将所述光子湮灭位置到心脏位置的距离进行时间维度切割，得到运动信号。
根据所述飞行时间信息以及心脏位置，得到光子湮灭位置到心脏位置的距离包括：根据所述飞行时间信息确定光子湮灭点位置，所述光子湮灭点位置用于表示湮灭点的三维空间坐标。根据所述湮灭点位置数据以及心脏位置，确定光子湮灭位置到心脏位置的距离。
在本实施例中，所述飞行时间信息为放射性核素在衰变过程中释放出的正电子，在患者体内遇到一个电子后发生湮灭，从而产生方向相反的一对光子，这对光子分别通过高度灵敏的照相机捕捉的时间。通过飞行数据可以确定这对光子湮灭点的位置。由于扫描期间患者的心脏跳动使心脏产生收缩运动，致使注入到其中的放射性核素也跟随运动，致使在每个心动周期，光子湮灭点的位置也会相应发生改变。再将各光子湮灭点的位置与患者心脏位置之间的距离，进行时间维度切割。随着心脏的收缩运动，使在各个时间点获取的光子湮灭点的位置不相同，这样各光子湮灭点的位置与患者心脏位置之间的距离也不相同，通过对该距离进行时间维度的切割，心动周期内各时间点所对应的距离则为心脏收缩时，心脏壁之间的距离。这样，通过对各心动周期内的各时间点所对应的光子湮灭点的位置与患者心脏位置之间的距离进行统计，从而获得运动信号。
在本实施例中，由于获取的运动信号还包括噪声或者是由于患者呼吸运动引起的心脏位置改变所产生的信号。则需要通过对运动信号进行心脏频带的滤波，保留心脏呼吸频带内的信号，从而得到第二心脏门控信号。
在步骤204中，根据所述心电采集信号得到校对矩阵还包括：对所述心电采集信号进行傅里叶变换处理，得到校对矩阵。
在本实施例中，同样的，心电采集信号为心脏跳动幅度随时间变化的曲线。通过傅里叶变化处理得到心电采集信号与频域相关的信号，也就是心电采集信号随频域变化的心脏跳动幅度变化的曲线，作为校对矩阵。在校对矩阵中，频域与心脏跳动幅度为相对应的关系。
步骤206，根据所述第二训练矩阵以及所述校对矩阵训练深度学习模型。
在本实施例中，将由第二心脏门控信号通过傅里叶变换处理得到的第二训练矩阵，以及由心电采集信号通过傅里叶变换处理的到校对矩阵。其中第二训练矩阵中包含有由PET系统采集的训练数据中提取的第二心电门控信号信息，其中校对矩阵中包括有由外部ECG设备采集到的准确的心电采集信号信息。将第二训练矩阵以及校对矩阵对深度学习模型进行训练。
在本实施例中，上述深度学习模型的训练方法为将多次PET系统对不同患者扫描得到的训练数据，和在患者进行PET系统扫描过程中外部ECG设备采集的相匹配的心电采集信号，对深度学习模型进行多次训练，而得到已训练过的深度学习模型。再将已训练过的深度学习模型运用到临床PET扫描中。将PET数据本身生成的心脏门控信号输入被训练的深度学习模型后，由于深度学习模型对校对矩阵以及第二训练矩阵中的第二心脏门控信号以及心电采集信号的信息进行学习训练，从而可得到与外部ECG设备采集的心电信号相匹配的心电信号。并且，在对深度学习模型进行的训练次数越多，则在临床中，由PET数据本身得到的心电信号越准确。
应该理解的是，虽然图1-2流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种心电信号获取装置，包括：心脏门控信号得到模块302、训练矩阵得到模块304和心电信号得到模块306，其中：
心脏门控信号得到模块302，用于获取扫描数据，并根据所述扫描数据得到第一心脏门控信号。
训练矩阵得到模块304，用于对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵。
心电信号得到模块306，用于将所述第一训练矩阵输入深度学习模型，得到心电信号。
在一个实施例中，如图4所示，提供了一种深度学习模型训练的装置，包括：信号获取模块402、矩阵获取模块404、和训练模块406，其中：
信号获取模块402，用于获取训练数据以及心电采集信号。
矩阵获取模块404，用于根据所述训练数据以及心电采集信号，得到第二训练矩阵以及校对矩阵。
训练模块406，用于根据所述第二训练矩阵以及所述校对矩阵训练深度学习模型。
关于心电信号获取装置的具体限定可以参见上文中对于心电信号获取方法的限定，在此不再赘述。上述心电信号获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种心电信号获取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取扫描数据，并根据所述扫描数据得到第一心脏门控信号；
对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵；
将所述第一训练矩阵输入深度学习模型，得到心电信号。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取训练数据以及心电采集信号；
根据所述训练数据以及心电采集信号，得到第二训练矩阵以及校对矩阵；
根据所述第二训练矩阵以及所述校对矩阵训练深度学习模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取扫描数据，并根据所述扫描数据得到第一心脏门控信号；
对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵；
将所述第一训练矩阵输入深度学习模型，得到心电信号。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取训练数据以及心电采集信号；
根据所述训练数据以及心电采集信号，得到第二训练矩阵以及校对矩阵；
根据所述第二训练矩阵以及所述校对矩阵训练深度学习模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种心电信号获取方法，其特征在于，所述方法包括：
获取扫描数据，并根据所述扫描数据得到第一心脏门控信号；
对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵；
将所述第一训练矩阵输入深度学习模型，得到心电信号。
2.根据权利要求1所述的方法，其特征在于，所述将所述第一训练矩阵输入深度学习模型，获得心电信号包括：
将所述第一训练矩阵输入深度学习模型，得到心电频域信号；
对所述心电频域信号进行逆傅里叶变换处理，得到心电信号。
3.根据权利要求1所述的方法，其特征在于，所述获取扫描数据，并根据所述扫描数据得到第一心脏门控信号之前包括：
获取训练数据以及心电采集信号；
根据所述训练数据以及心电采集信号，得到第二训练矩阵以及校对矩阵；
根据所述第二训练矩阵以及所述校对矩阵训练深度学习模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述训练数据以及心电采集信号，得到第二训练矩阵以及校对矩阵包括；
根据所述训练数据，得到第二心脏门控信号；
对所述第二心脏门控信号进行傅里叶变换处理，得到第二训练矩阵；
对所述心电采集信号进行傅里叶变换处理，得到校对矩阵。
5.根据权利要求4所述的方法，其特征在于，所述根据所述训练数据，得到第二心脏门控信号包括：
对所述训练数据进行运动识别，得到运动信号；
将所述运动信号进行滤波，得到所述第二心脏门控信号。
6.根据权利要求5所述的方法，其特征在于，所述对所述训练图像数据进行运动识别，得到运动信号包括：所述训练扫描图像数据包括飞行时间信息以及心脏位置；
根据所述飞行时间信息以及心脏位置，得到光子湮灭位置到心脏位置的距离；
将所述光子湮灭位置到心脏位置的距离进行时间维度切割，得到运动信号。
7.根据权利要求6所述的方法，其特征在于，所述根据所述飞行时间信息以及心脏位置，得到光子湮灭位置到心脏位置的距离包括：
根据所述飞行时间信息确定光子湮灭点位置，所述光子湮灭点位置用于表示湮灭点的三维空间坐标；
根据所述湮灭点位置数据以及心脏位置，确定光子湮灭位置到心脏位置的距离。
8.一种心电信号获取装置，其特征在于，所述装置包括：
心脏门控信号得到模块，用于获取扫描数据，并根据所述扫描数据得到第一心脏门控信号；
训练矩阵得到模块，用于对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵；
心电信号得到模块，用于将所述第一训练矩阵输入深度学习模型，得到心电信号。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910451092.8A CN110215203B (zh) | 2019-05-28 | 2019-05-28 | 心电信号获取方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910451092.8A CN110215203B (zh) | 2019-05-28 | 2019-05-28 | 心电信号获取方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110215203A true CN110215203A (zh) | 2019-09-10 |
| CN110215203B CN110215203B (zh) | 2021-10-22 |
Family
ID=67818631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910451092.8A Active CN110215203B (zh) | 2019-05-28 | 2019-05-28 | 心电信号获取方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110215203B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022199709A1 (en) * | 2021-03-26 | 2022-09-29 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for signal processing in molecular imaging |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040082846A1 (en) * | 2002-10-25 | 2004-04-29 | Koninklijke Philips Electronics N.V. | Method and apparatus for volumetric cardiac computed tomography imaging |
| US20050288572A1 (en) * | 2004-06-28 | 2005-12-29 | Ansgar Graw | Medical imaging system with integrated body monitoring device |
| CN101375799A (zh) * | 2007-08-29 | 2009-03-04 | 株式会社东芝 | X射线计算机断层摄影装置和断层摄影方法 |
| CN101765865A (zh) * | 2007-07-26 | 2010-06-30 | 皇家飞利浦电子股份有限公司 | 核成像中的运动校正 |
| CN101902967A (zh) * | 2007-12-19 | 2010-12-01 | 皇家飞利浦电子股份有限公司 | 心脏ct中非自主呼吸运动的校正 |
| CN102781331A (zh) * | 2009-12-10 | 2012-11-14 | 皇家飞利浦电子股份有限公司 | 使用飞行时间信息来探测和校正成像扫描中的运动的方法和设备 |
| CN103054570A (zh) * | 2011-10-21 | 2013-04-24 | 上海联影医疗科技有限公司 | 一种无造影剂血管快速成像方法 |
| CN103961141A (zh) * | 2013-02-02 | 2014-08-06 | 中国人民解放军第四军医大学 | 一种基于图像回溯性血管内超声图像的心动门控方法 |
| US20140249784A1 (en) * | 2013-03-04 | 2014-09-04 | Heartflow, Inc. | Method and system for sensitivity analysis in modeling blood flow characteristics |
| CN104203113A (zh) * | 2012-03-23 | 2014-12-10 | 皇家飞利浦有限公司 | 用于对周期性移动对象成像的成像系统 |
| US20150254418A1 (en) * | 2014-03-05 | 2015-09-10 | Heartflow, Inc. | Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry |
| CN105142503A (zh) * | 2013-03-20 | 2015-12-09 | 皇家飞利浦有限公司 | 用于放射成像中的前瞻性运动门控的神经生理监测 |
| US20170169714A1 (en) * | 2015-12-11 | 2017-06-15 | University Of Rochester | Methods and Systems for Cognitive Training Using High Frequency Heart Rate Variability |
| CN108182720A (zh) * | 2017-12-28 | 2018-06-19 | 上海联影医疗科技有限公司 | 心脏图像的重建方法及医疗影像系统 |
| US20180249978A1 (en) * | 2017-03-01 | 2018-09-06 | Siemens Healthcare Gmbh | Fractional flow reserve decision support system |
| CN109171708A (zh) * | 2018-10-25 | 2019-01-11 | 广东工业大学 | 一种可除颤心律识别装置 |
-
2019
- 2019-05-28 CN CN201910451092.8A patent/CN110215203B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040082846A1 (en) * | 2002-10-25 | 2004-04-29 | Koninklijke Philips Electronics N.V. | Method and apparatus for volumetric cardiac computed tomography imaging |
| US20050288572A1 (en) * | 2004-06-28 | 2005-12-29 | Ansgar Graw | Medical imaging system with integrated body monitoring device |
| CN101765865A (zh) * | 2007-07-26 | 2010-06-30 | 皇家飞利浦电子股份有限公司 | 核成像中的运动校正 |
| CN101375799A (zh) * | 2007-08-29 | 2009-03-04 | 株式会社东芝 | X射线计算机断层摄影装置和断层摄影方法 |
| CN101902967A (zh) * | 2007-12-19 | 2010-12-01 | 皇家飞利浦电子股份有限公司 | 心脏ct中非自主呼吸运动的校正 |
| CN102781331A (zh) * | 2009-12-10 | 2012-11-14 | 皇家飞利浦电子股份有限公司 | 使用飞行时间信息来探测和校正成像扫描中的运动的方法和设备 |
| CN103054570A (zh) * | 2011-10-21 | 2013-04-24 | 上海联影医疗科技有限公司 | 一种无造影剂血管快速成像方法 |
| CN104203113A (zh) * | 2012-03-23 | 2014-12-10 | 皇家飞利浦有限公司 | 用于对周期性移动对象成像的成像系统 |
| CN103961141A (zh) * | 2013-02-02 | 2014-08-06 | 中国人民解放军第四军医大学 | 一种基于图像回溯性血管内超声图像的心动门控方法 |
| US20140249784A1 (en) * | 2013-03-04 | 2014-09-04 | Heartflow, Inc. | Method and system for sensitivity analysis in modeling blood flow characteristics |
| CN105142503A (zh) * | 2013-03-20 | 2015-12-09 | 皇家飞利浦有限公司 | 用于放射成像中的前瞻性运动门控的神经生理监测 |
| US20150254418A1 (en) * | 2014-03-05 | 2015-09-10 | Heartflow, Inc. | Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry |
| US20170169714A1 (en) * | 2015-12-11 | 2017-06-15 | University Of Rochester | Methods and Systems for Cognitive Training Using High Frequency Heart Rate Variability |
| US20180249978A1 (en) * | 2017-03-01 | 2018-09-06 | Siemens Healthcare Gmbh | Fractional flow reserve decision support system |
| CN108182720A (zh) * | 2017-12-28 | 2018-06-19 | 上海联影医疗科技有限公司 | 心脏图像的重建方法及医疗影像系统 |
| CN109171708A (zh) * | 2018-10-25 | 2019-01-11 | 广东工业大学 | 一种可除颤心律识别装置 |
Non-Patent Citations (2)
| Title |
|---|
| FANG-WEN LO: "《Deep Learning for Detection of Fetal ECG from Multi-Channel Abdominal Leads》", 《2018 ASIA-PACIFIC SIGNAL AND INFORMATION PROCESSING ASSOCIATION ANNUAL SUMMIT AND CONFERENCE》 * |
| 高岩: "《基于深度学习深度学习的心律失常心律失常心律失常自动诊断自动诊断方法研究与应用》", 《万方数据库》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022199709A1 (en) * | 2021-03-26 | 2022-09-29 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for signal processing in molecular imaging |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110215203B (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11020077B2 (en) | Simultaneous CT-MRI image reconstruction | |
| CN109308728B (zh) | 正电子发射型计算机断层扫描图像处理方法及装置 | |
| CN110960241A (zh) | 医学影像扫描的扫描参数确定方法、装置和计算机设备 | |
| US20080267480A1 (en) | Iterative Image Reconstruction of a Moving Object From Projection Data | |
| CN110996800B (zh) | 用于确定pet成像动力学参数的系统、方法及非暂时性计算机可读介质 | |
| CN110136076A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
| CN110223247B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
| CN110507349A (zh) | 自动扫描方法、装置、计算机设备和计算机可读存储介质 | |
| CN110458779B (zh) | 对呼吸或心脏的pet图像进行衰减校正的校正信息获取方法 | |
| CN111588399A (zh) | 医学成像设备状态监控的方法、设备和计算机设备 | |
| CN110327065A (zh) | 单事件计数率校正方法、装置、计算机设备和存储介质 | |
| CN113989231A (zh) | 动力学参数的确定方法、装置、计算机设备和存储介质 | |
| CN110269590A (zh) | 药代动力学参数确定方法、装置、计算机设备和存储介质 | |
| CN107485404A (zh) | 心肌核医学图像数据的解析方法和解析装置 | |
| CN110742639B (zh) | 扫描系统配置方法、装置、计算机设备和可读存储介质 | |
| CN110215203A (zh) | 心电信号获取方法、装置、计算机设备和存储介质 | |
| CN104000618B (zh) | 一种用环真光子数门控方法进行呼吸运动门控校正方法 | |
| Chrysanthou-Baustert et al. | Diagnostic sensitivity of SPECT myocardial perfusion imaging using a pumping cardiac phantom with inserted variable defects | |
| CN110477941B (zh) | 摄取值的校正方法、装置、计算机设备和可读存储介质 | |
| CN108873047B (zh) | 检测放射源活度的方法、系统、计算机设备和存储介质 | |
| CN110215226B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
| CN111402356B (zh) | 参数成像输入函数提取方法、装置和计算机设备 | |
| CN114677415A (zh) | 图像配准方法、装置、计算机设备及可读存储介质 | |
| CN107569251A (zh) | 医学成像方法和系统及非暂态计算机可读存储介质 | |
| CN113712583A (zh) | 死时间校正方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |