CN110739050B

CN110739050B - 一种左心室全参数及置信度的量化方法

Info

Publication number: CN110739050B
Application number: CN201911322089.2A
Authority: CN
Inventors: 薛武峰; 郭婷婷; 倪东
Original assignee: Shenzhen University
Current assignee: Shenzhen University
Priority date: 2019-12-20
Filing date: 2019-12-20
Publication date: 2020-07-28
Anticipated expiration: 2039-12-20
Also published as: CN110739050A

Abstract

本发明公开了一种左心室全参数及置信度的量化方法，所述方法包括获取待处理的心脏图像；通过已训练的量化模型提取所述心脏图像对应的左心室参数集以及各参数置信度。本发明通过具有特征随机丢失层的量化模型输出左心室参数集以及各参数置信度，通过在特征随机丢失层确定参数的模型不确定性，根据模型不确定性确定各左心室参数的参数置信度，输出并显示左心室参数集以及各参数置信度，这样可以对各左心室参数的准确性给出参考数据，对于医师是否参考以及采纳各左心室参数具有重要作用。

Description

一种左心室全参数及置信度的量化方法

技术领域

本发明涉及医学图像处理技术领域，特别涉及一种左心室全参数及置信度的量化方法。

背景技术

目前，心脏病已经成为全球范围内患病率和死亡率最高的疾病之一，对患者的生活质量造成极大的影像，对各个国家的医疗体系造成重大的负担。根据最新的统计表明，整个欧洲区域，超过50%的人口死亡是由心血管疾病造成；在美国，心血管疾病造成了越三分之一的人口死亡，冠心病是心血管疾病死亡的主要原因；在我国，心血管疾病死亡人数位居城乡居民总死亡原因的首位，高于肿瘤和其他疾病。心血管疾病是全球的主要死因，2015年有1790万人死于心血管疾病，到2030年将增至2360万以上。

心脏核磁共振图像是医学辅助诊断心血管疾病的重要手段。心脏结构可以分为四个腔室，即左、右心室和左、右心房，共同参与人体的两大系统循环。在这四个腔室中，左心室是全身血液循环的泵体，左心室的功能指标，如：左心室收缩期和舒张期的容积，左心室每搏血液输出量和左心室射血分数等都是临床诊断心脏性疾病的重要参考。所以，准确对左心室进行全参数（心室面积，心肌面积，心室内径，心肌壁厚度）量化，对于临床心脏疾病的诊断和治疗具有重要的作用。

为了得到上述左心室的全参数，目前临床上主要依赖主观视觉观察大量三维时间序列CMR影像，并手动进行左心室分割、测量的方式获取左心室的全参数指标。然而，在实际临床中，由于不同患者心脏结构特征的不同表现、CMR影像成像技术造成的图像低对比度、数据中存在的各类噪声等，会使得手动分割和测量的左心室全参数的准确性低。

发明内容

本发明要解决的技术问题在于，针对现有技术的不足，提供一种左心室全参数及置信度的量化方法。

为了解决上述技术问题，本发明所采用的技术方案如下：

一种左心室全参数及置信度的量化方法，所述方法包括：

获取待处理的心脏图像；

通过已训练的量化模型提取所述心脏图像对应的左心室参数集以及各参数置信度，其中，所述量化模型基于预设网络模型输出的预测参数集、各预测参数置信度以及预测参数集对应的真实参数集训练的。

所述左心室全参数及置信度的量化方法，其中，所述量化模型训练过程具体包括：

通过预设网络模型，提取左心室图像训练组中各左心室图像的预测参数集以及各预测参数置信度；

基于所述左心室图像训练组中的各左心室图像对应的预测参数集、各预测参数置信度以及真实参数集，确定所述左心室图像训练组对应的损失函数；

基于所述损失函数训练所述预设网络模型进行训练，以得到所述量化模型。

所述左心室全参数及置信度的量化方法，其中，所述左心室图像训练组包括若干左心室图像；所述基于所述左心室图像训练组中的各左心室图像对应的预测参数集、各预测参数置信度以及真实参数集，确定所述左心室图像训练组对应的损失函数具体包括：

对于左心室图像训练组中的每一左心室图像，根据该左心室图像对应的预测参数集、真实参数集以及各预测参数置信度计算该左心室图像的第一损失函数；

根据计算得到的所有第一损失函数计算所述左心室图像训练组对应的损失函数。

所述左心室全参数及置信度的量化方法，其中，所述根据该左心室图像对应的预测参数集、真实参数集以及各预测参数置信度计算该左心室图像的第一损失函数具体包括：

对于该左心室图像对应的预测参数集中的每一预测参数，根据该预测参数对应的真实参数，计算该预测参数的损失值；

根据计算得到的所有损失值以及各预测参数的预测参数置信度计算该左心室图像的第一损失函数。

所述左心室全参数及置信度的量化方法，其中，每个左心室图像的预测参数集的获取过程为：

通过预设网络模型对该左心室图像进行若干次处理，以得到的若干候选预测参数集；

根据若干候选预测参数集确定该左心室图像对应的预测参数集。

所述左心室全参数及置信度的量化方法，其中，所述通过预设网络模型对该左心室图像进行若干次处理中特征随机丢失层丢失相同比例的图像特征。

所述左心室全参数及置信度的量化方法，其中，所述预测参数置信度包括模型不确定性和数据噪声不确定性，其中，所述模型不确定性根据若干候选预测参数集与所述预测参数集确定的。

所述左心室全参数及置信度的量化方法，其中，所述量化模型包括：若干依次堆叠的具有特征随机丢失层的下采样模块、具有特征随机丢失层的池化模块以及全连接模块；所述若干下采样模块中的最后一个下采样模块与所述池化模块连接，所述池化模块与所述全连接模块相连接，以通过所述全连接模块输出预测参数集以及各预测参数置信度。

所述左心室全参数及置信度的量化方法，其中，所述下采样模块包括若干依次堆叠的特征提取单元和最大池化单元；所述特征提取单元包括依次设置的卷积层、特征随机丢失层以及批规范化层。

所述左心室全参数及置信度的量化方法，其中，所述获取待处理的心脏图像之后包括：

对所述心脏图像进行预处理，以得到所述心脏图像对应的左心室图像，并将所述左心室图像作为量化模型的输入项。

有益效果：与现有技术相比，本发明提供了一种左心室全参数及置信度的量化方法，所述方法包括获取待处理的心脏图像；已训练的量化模型提取所述心脏图像对应的左心室参数集以及各参数置信度。本发明通过具有特征随机丢失层的量化模型输出左心室参数集以及各参数置信度，通过在特征随机丢失层确定参数的模型不确定性，根据模型不确定性确定各左心室参数的参数置信度，输出并显示左心室参数集以及各参数置信度，这样可以对各左心室参数的准确性给出参考数据，对于医师是否参考以及采纳各左心室参数具有重要作用。

附图说明

图1为本发明提供的左心室全参数及置信度的量化方法的流程图。

图2为本发明提供的左心室全参数及置信度的量化方法中左心室参数中的短轴左室心腔面积和短轴左室心肌面积的示意图。

图3为本发明提供的左心室全参数及置信度的量化方法中左心室参数中的短轴左室墙内径的示意图。

图4为本发明提供的左心室全参数及置信度的量化方法中左心室参数中的短轴左室心肌厚度的示意图。

图5为本发明提供的左心室全参数及置信度的量化方法中量化模型的结构示意图。

图6为本发明提供的左心室全参数及置信度的量化方法中特征提取单元的结构示意图。

图7为本发明提供的左心室全参数及置信度的量化方法中不同置信度与MAE及其对应图像质量之间的关系的一个示例的示意图。

图8为本发明提供的左心室全参数及置信度的量化方法中不同置信度与MAE及其对应图像质量之间的关系的另一个示例的示意图。

图9为本发明提供的左心室参数量化性能比较图。

图10为本发明提供的终端设备的结构原理图。

具体实施方式

本发明提供一种左心室全参数及置信度的量化方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

经发明人发现，目前临床上对于左心室的全参数指标普遍是通过手动进行左心室分割、测量的方式获取左心室的全参数指标。然而在实际临床中，由于不同患者心脏结构特征的不同表现、CMR影像成像技术造成的图像低对比度、数据中存在的各类噪声，以及获取左心室的全参数指标方法自身的不稳定性等因素，使得左心室全参数量化结果存在着不同程度的不确定性。这使得在使用工作过程中，需要医师结合现有临床经验对于诊断结果的不确定性具有明确的认识，提高左心室的全参数指标对医师的依赖性。因此，在进行左心室全参数估计的同时，对各左心室参数量化结果进行置信度估计，对于医师是否参考以及采纳其量化结果具有重要作用。

本实施例提供的一种左心室全参数及置信度的量化方法，该方法可以由量化装置来执行，所述装置可以由软件实现，应用于诸如超声设备、PC机、服务器以及智能手机等之类的电子设备上。参见图1，本实施例提供的左心室全参数及置信度的量化方法具体包括：

S10、获取待处理的心脏图像。

具体地，所述待处理的心脏图像可以为心脏核磁影像短轴中层图，所述待处理的心脏图像可以是通过核磁共振拍摄得到的图像，也可以是外部设备发的心脏核磁影像短轴中层图等。

进一步，在获取到心脏图像后，可以先对所述心脏图像进行预处理，并将预处理得到的图像作为量化模型的输入项。相应的，所述获取待处理的心脏图像之后包括：

具体地，所述对所述心脏图像进行预处理指的是在所述心脏图像中选取左心室短轴ROI区域图像，在选取到左心室ROI区域图像后，将所述左心室ROI区域图像作为左心室图像，其中，所述心脏图像为心脏核磁影像短轴中层图，相应的，所述左心室ROI区域图像为左心室短轴ROI区域图像。此外，在本实施例的一个可能实现方式中，在所述心脏图像中选取左心室ROI区域图像的具体过程可以为：根据心脏图像中的左右心室交叉点连线方向和长度，确定图像的旋转角度和感兴趣区域(ROI)范围大小，对ROI区域进行截取和缩放，得到预测尺寸（例如，100*100等）的左心室ROI区域图像。

举例说明：假设左右心室交叉点连线方向与垂直方向夹角为α，左右心室交叉点连线长度为s，那么所述旋转为以交叉点连线中点为中心，旋转-α角度至垂直方向，ROI截取为以连接中心点为中心，以2s为边长截图正方形区域为ROI区域，缩放为将截图的ROI图像缩放边长缩放到100，并记录缩放比例。

S20、通过已训练的量化模型提取所述心脏图像对应的左心室参数集以及各参数置信度。

具体地，所述量化模型用于提取心脏图像对应的左心室参数集以及各参数置信度，其中，所述左心室参数集包括所述左心室全部参数。例如，如图2-4所示，所述左心室全部参数可以包括短轴左室心腔面积、短轴左室心肌面积，短轴左室墙内径以及短轴左室心肌厚度，其中，所述短轴左室墙内径包括三个不同方向内径dim1、dim2和dim3，进一步，所述参数置信度用于表示左心室参数的准确度，或者可以被采用的概率。例如，左心室参数置信度为0.8，说明该左心室参数置信度对应的左心室参数的准确度为80%。此外，各参数置信度与左心室参数集中的各左心室参数意义对应，可以理解的是，所述左心室参数集中的每个参数均对应一个参数置信度，并且各左心室参数对应的参数置信度为相互独立。此外，所述特征随机丢失层为采用蒙特卡洛特征丢失机制，即所述特征随机丢失层依据蒙特卡洛特征丢失机制进行图像特征丢失。

进一步，在本实施例的一个实现方式中，所述量化模型包括：若干依次堆叠的具有特征随机丢失层的下采样模块10、具有特征随机丢失层的池化模块20以及全连接模块；所述若干下采样模块10中的最后一个下采样模块与所述池化模块20连接，所述池化模块20与所述全连接模块相连接。相应的，所述通过已训练的量化模型提取所述心脏图像对应的左心室参数集以及各参数置信度具体包括：

A10、通过所述若干下采样模块提取所述心脏图像对应的第一特征图像，并将所述第一特征图像输入至池化模块；

A20、通过所述池化模块输出所述心脏图像对应的第二特征图像，并将所述第二特征图像输入至全连接模块；

A30、通过所述全连接模块输入所述心脏图像对应的左心室参数集以及各参数置信度。

具体地，如图5所示，所述下采样模块包括若干依次堆叠的特征提取单元11和最大池化单元12；所述若干特征提取单元11的最后一个特征提取单元与最大池化单元12相连接。如图6所示，所述特征提取单元11包括依次设置的卷积层111、特征随机丢失层112以及批规范化层113，所述卷积层111的输出为所述特征随机丢失层112的输入，所述特征随机丢失层112对卷积层111输出的卷积特征图像进行随机丢失，所述特征随机丢失层112的输出为批规范化层113的输入。此外，在本实施例的一个可能实现方式中，所述特征提取单元用提取左心室图像的边缘特征，结构特征以及语义特征。

进一步，所述池化模块20包括平均池化层21和第一特征随机丢失层22，所述平均池化层21的输出为第一特征随机丢失层22的输入。所述全连接模块包括两个并联布置的全连接层31，分别记为第一全连接层和第二全连接层；所述第一全连接层和第二全连接层均与所述池化模块20相连接，池化模块输出的特征图分别输入第一全连接层和第二全连接层，通过所述第一全连接层和第二全连接层输出预测参数集以及各预测参数置信度。其中，所述第一全连接层用于输出预测参数集，所述第二全连接层用于输出各预测参数置信度。

举例说明：所述量化模型包括5个下采样模块、一个池化模块和一个全连接模块，所述5个下采样模块分别记为第一下采样模块、第二下采样模块、第三下采样模块、第四下采样模块以及第五下采样模块，所述第一下采样模块的输出的特征图像的图像大小为100*100，通道数为16；第二下采样模块的输出的特征图像的图像大小为50*50，通道数为16；第三下采样模块的输出的特征图像的图像大小为25*25，通道数为32；第四下采样模块的输出的特征图像的图像大小为15*15，通道数为32；第五下采样模块的输出的特征图像的图像大小为8*8，通道数为64。所述池化模块输出的特征图像的图像大小为1*1，通道数为36。

进一步，在本实施例的一个实现方式中，所述量化模型训练过程具体包括：

H10、通过预设网络模型，提取左心室图像训练组中各左心室图像的预测参数集以及各预测参数置信度；

H20、基于所述左心室图像训练组中的各左心室图像对应的预测参数集、各预测参数置信度以及真实参数集，确定所述左心室图像训练组对应的损失函数；

H30、基于所述损失函数训练所述预设网络模型进行训练，以得到所述量化模型。

具体地，所述预设网络模型的模型结构与量化模型的模型结构相同。所述左心室图像训练组为用于训练所述预设网络模型的训练样本集中的一个训练样本组，所述左心室图像训练组中可以包括有多个训练样本，每个训练样本均包括左心室图像以及该左心室图像对应的真实参数集。此外，所述预测参数集和各预测参数置信度均为所述预设网络模型根据输入其内的左心室图像提取得到的。

进一步，在本实施例的一个实现方式中，所述基于所述左心室图像训练组中的各左心室图像对应的预测参数集、各预测参数置信度以及真实参数集，确定所述左心室图像训练组对应的损失函数具体包括：

S21、对于左心室图像训练组中的每一左心室图像，根据该左心室图像对应的预测参数集、真实参数集以及各预测参数置信度计算该左心室图像的第一损失函数；

S22、根据计算得到的所有第一损失函数计算所述左心室图像训练组对应的损失函数。

具体地，所述第一损失函数为左心室图像训练组中一张左心室图像对应的损失函数，所述第一损失函数是根据预测参数集和真实参数集，并以各预测参数置信度为权重计算得到。在获取到各左心室图像的第一损失函数后，对计算得到的所有第一损失函数求和得到所述左心室图像训练组对应的损失函数，并采用所述损失函数对所述预设网络模型进行训练。也就是说，所述损失函数

，其中，N为左心室图像训练组中训练样本（即左心室图像）的数量，

表示第

个训练样本，

为第

个训练样本对应的第一损失函数。

进一步，所述根据该左心室图像对应的预测参数集、真实参数集以及各预测参数置信度计算该左心室图像的第一损失函数具体包括：

具体地，所述第一损失函数为根据预测参数集中各预测参数的损失值计算得到，各预测参数损失值是根据预测参数以及其对应的真实参数计算得到。例如，训练样本

对应的预测参数集中包含有M个预测参数，所述预测参数集表示为

，训练样本

对应的真实参数集为

，那么每个预测参数对应的损失值

为可以表示为：

。

其中，

为第

个训练样本的第

个预测参数的真实值，

为第

个训练样本的第

个预测参数的预测值。

此外，所述根据计算得到的所有损失值后，以各预测参数对应的预测参数置信度作为各损失值的权重，并将计算得到的所有损失值进行加权求和，以得到所述第一损失函数。其中，所述第一损失函数的计算公式可以为：

其中，

为第

个训练样本的第

个预测参数的置信度。

相应的，所述损失函数的计算公式可以为：

。

进一步，在本实施例的一个实现方式中，每个训练样本的预测参数集为通过预设网络模型对训练样本进行若干次训练得到的。相应的，每个左心室图像的预测参数集的获取过程为：

具体地，对于训练样本（即左心室图）

，将该训练样本

重复输入预设网络模型若干次，以得到若干组候选预测参数集。其中，在训练样本

输入预设网络模型的过程中，每次预设网络模型的特征随机丢失层丢失图像特征的比例均相同，即通过预设网络模型对该左心室图像进行若干次处理中特征随机丢失层丢失相同比例的图像特征。在获取到若干候选预测参数集后，可以根据所述候选预测参数集来计算该左心室图像对应的预测参数集。其中，所述预测参数集中的每个预测参数

均等于各候选预测参数集中其对应的候选预测参数的均值，即预测参数

的计算公式可以为：

其中，

为该训练样本

重复输入预设网络模型的次数，

表示

表示第

次输入预设网络模型（即第

次蒙特卡洛采样），

为第

个训练样本的第

个预测参数的第

次预测值。

进一步，在本实施例的一个实现方式中，所述预测参数置信度包括模型不确定性和数据噪声不确定性，并与所述预测参数置信度为损失函数的权重，通过置信度训练样本的各预测参数的预测损失进行重加权，衰减具有较大不确定性的预测参数在模型训练中的权重，从而改进量化模型估计的性能。同时，所述预测参数置信度包括数据噪声不确定性，通过该数据噪声不确定性，可以对衰减具有较大不确定性的样本在模型训练中的权重，从而进一步改进量化模型估计的性能。

所述数据噪声不确定性是通过预设网络模型确定，所述数据噪声不确定性

，其中，

。同时，当训练样本

进行若干次训练时，所述数据噪声不确定性可以等于若干次训练的均值，即数据噪声不确定性中每个预测参数对应数据噪声不确定性的计算公式可以为：

其中，

为第

个训练样本的第

个预测参数第

次的数据噪声不确定性。

进一步，所述模型不确定性是根据若干候选预测参数以及预测参数确定的，所述模型不确定性为模型不确定性集，模型不确定性集中包括各预测参数对应的模型不确定性。每个预测参数对应的模型不确定性

的计算公式可以为：

。

此外，在确定预测参数对应的模型不确定性以及数据噪声不确定性后，根据预测参数对应的模型不确定性以及数据噪声不确定性计算预测参数的预测不定性，其中，所述预测不定性等于模型不确定性和数据噪声不确定性的和，即预测不定性

。所述预测参数置信度是根据所述预测不定性计算得到，所述预测参数置信度

的计算公式可以为：

，其中，

为常数。

此外，为了结合具体实验对本发明方法的有效性进行验证，本实施例采用145个病人的心脏核磁影像数据进行建模训练和验证。对于每一个病人，选取短轴视图下的左心室中部位置平面在整个心脏周期电影序列中的所有20帧图像进行试验。

本实验中将试验数据进行五等分，其中，116个病人（2320张图片）作为训练集，29个病人（580张图片）作为测试集。将训练样本中的数据图像预处理为以目标对象为中心的100x100像素的图像，并将要量化的所有指标归一化到[0,1]。五折交叉验证被用于网络性能的评估和比较。预测参数和真实参数的平均绝对误差被用来评价系统性能。预设网络模型使用随机梯度下降算法进行网络参数优化，并设置初始学习率为0.001，权重衰减率为0.0001，动量系数为0.98，使用Relu作为网络中卷积层输出的非线性转换函数。其中，预设网络模型中蒙特卡洛特征随机丢失的概率p=0.1，测试阶段使用蒙特卡洛特征随机丢失算法的次数T=20,用于将不确定性转换为置信度，其中，所述置信度的计算公式中的常数k=12。

如图7和图8所示，图7和图8表示了不同置信度与MAE及其对应图像质量之间的关系，其中，图7表示置信度较高的样本；图8表示置信度较低的样本。由图7可以看出，置信度与MAE的值呈负相关关系，而与图像质量呈正相关性关系，样本置信度越大其对应的MAE的值越小，图像的质量就越清晰。以心肌壁厚度为例，对于图7中的心肌壁厚度预测结果，其预测结果的MAE为1.13，其对应的置信度为0.8，则表明对该样本的心肌壁厚预测结果有80%的置信度，这也与图3中清晰的心脏结构一致。医师工作者可直接采纳网络对该样本的预测结果。而对于图8，由于其图像质量较低，心肌厚度预测结果误差较大，MAE为3.37，且其对应的置信度只有0.59，则实际临床中应该有医师对该结果应该进一步验证。

进一步，如图9所示，图9表明了不同模型对左心室多参数量化的性能比较结果。图9中的第一列是由普通的卷积神经网络对左心室进行全参数量化；第二列是在普通卷积神经网络的基础之上，加入了蒙特卡洛随机特征丢失对左心室进行全参数量化；最后一列是本发明在提出的在蒙特卡洛特征随机丢失算法的基础之上，引入样本不确定性对模型损失函数进行重加权，从而对左心室全参数进行量化。由图9的第一列和第二列对比可以看出，加入蒙特卡洛随机特征丢失这一特性，可以大幅度的提高对左心室全参数量化的性能，心腔面积降低了209.06误差；心肌面积降低了346.27误差；心腔内径降低了8.81误差；心肌壁厚度降低了0.64。由图9的第二列和第三列对比可以看出，本发明使用的方法对左心室多参数量化性能又有进一步的提升，心腔面积又降低了34.4误差；心肌面积又降低了41.95误差；腔内径又降低了0.19误差；心肌壁厚度又降低了0.1误差。故说明了本发明所提出的方法可以有效的提高对左心室多参数量化的性能。

综上，本发明提供了一种左心室全参数及置信度的量化方法，所述方法所采用的量化模块利用蒙特卡洛随机特征丢失算法计算出模型不确定性，利用网络学习输入和数据噪声之间的映射关系计算出数据噪声不确定性，用模型不确定性和数据噪声不确定性联合表示网络预测结果的不确定性，并通过一个指数函数将不确定性转换为置信度，并显示量化模型输出的左心室参数量化结果和左心室参数量化在该待处理图像下的置信度，通过各左心室参数的参数置信度来表明各左心室参数的准确度，以反映咖参数参数的可参考性，从而给医师是否参考以及采纳各左心室参数的量化结果具有重要作用，给医生临床工作带来便利。

基于上述左心室全参数及置信度的量化方法，本实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例所述的左心室全参数及置信度的量化方法中的步骤。

基于上述左心室全参数及置信度的量化方法，本发明还提供了一种终端设备，如图10所示，其包括至少一个处理器（processor）20；显示屏21；以及存储器（memory）22，还可以包括通信接口（Communications Interface）23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。

此外，上述的存储器22中的逻辑指令可以通过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。

存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。

存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

此外，上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种左心室全参数及置信度的量化方法，其特征在于，所述方法包括：

获取待处理的心脏图像；

通过已训练的量化模型提取所述心脏图像对应的左心室参数集以及各参数置信度，其中，所述量化模型基于预设网络模型输出的预测参数集、各预测参数置信度以及预测参数集对应的真实参数集训练的;

其中，所述量化模型训练过程具体包括：

通过预设网络模型，提取左心室图像训练组中各左心室图像的预测参数集以及各预测参数置信度，其中，所述预测参数置信度根据模型不确定性和数据噪声不确定性的和确定的，所述预测参数置信度为指数函数，并且所述模型不确定性与数据噪声不确定性的和为该指数函数的指数；

对于左心室图像训练组中的每一左心室图像，根据该左心室图像对应的预测参数集、真实参数集以及各预测参数置信度计算该左心室图像的第一损失函数，并根据计算得到的所有第一损失函数计算所述左心室图像训练组对应的损失函数，其中，所述左心室图像训练组包括若干左心室图像；

2.根据权利要求1所述左心室全参数及置信度的量化方法，其特征在于，所述根据该左心室图像对应的预测参数集、真实参数集以及各预测参数置信度计算该左心室图像的第一损失函数具体包括：

3.根据权利要求1所述左心室全参数及置信度的量化方法，其特征在于，每个左心室图像的预测参数集的获取过程为：

4.根据权利要求3所述左心室全参数及置信度的量化方法，其特征在于，所述通过预设网络模型对该左心室图像进行若干次处理中特征随机丢失层丢失相同比例的图像特征。

5.根据权利要求1-4任一所述左心室全参数及置信度的量化方法，其特征在于，所述量化模型包括：若干依次堆叠的具有特征随机丢失层的下采样模块、具有特征随机丢失层的池化模块以及全连接模块；所述若干下采样模块中的最后一个下采样模块与所述池化模块连接，所述池化模块与所述全连接模块相连接，以通过所述全连接模块输出预测参数集以及各预测参数置信度。

6.根据权利要求5所述左心室全参数及置信度的量化方法，其特征在于，所述下采样模块包括若干依次堆叠的特征提取单元和最大池化单元；所述特征提取单元包括依次设置的卷积层、特征随机丢失层以及批规范化层。

7.根据权利要求1所述左心室全参数及置信度的量化方法，其特征在于，所述获取待处理的心脏图像之后包括：

对所述心脏图像进行预处理，以得到所述心脏图像对应的左心室图像，并将所述左心室图像作为量化模型的输入项,其中，预处理包括感兴趣区域裁剪、旋转和尺度归一化。