CN111275755B - 基于人工智能的二尖瓣瓣口面积检测方法、系统和设备 - Google Patents

基于人工智能的二尖瓣瓣口面积检测方法、系统和设备 Download PDF

Info

Publication number
CN111275755B
CN111275755B CN202010351544.8A CN202010351544A CN111275755B CN 111275755 B CN111275755 B CN 111275755B CN 202010351544 A CN202010351544 A CN 202010351544A CN 111275755 B CN111275755 B CN 111275755B
Authority
CN
China
Prior art keywords
curve
mitral valve
time
valve orifice
mitral
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.)
Active
Application number
CN202010351544.8A
Other languages
English (en)
Other versions
CN111275755A (zh
Inventor
李宗任
何昆仑
杨菲菲
刘博罕
王秋霜
陈煦
郭华源
张璐
邓玉娇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese PLA General Hospital
Original Assignee
Chinese PLA General Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chinese PLA General Hospital filed Critical Chinese PLA General Hospital
Priority to CN202010351544.8A priority Critical patent/CN111275755B/zh
Publication of CN111275755A publication Critical patent/CN111275755A/zh
Application granted granted Critical
Publication of CN111275755B publication Critical patent/CN111275755B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1075—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions by non-invasive methods, e.g. for determining thickness of tissue layer
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1076—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions inside body cavities, e.g. using catheters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本申请公开了基于人工智能的二尖瓣瓣口面积检测方法、系统和设备，所述方法包括：获取检测对象的超声心动图中反映二尖瓣结构的二维切面视频；将所述二维切面视频输入至训练好的深度学习分类模型中，获取所述二维切面视频含有二尖瓣狭窄图像特征的预测值；若所述预测值满足预设条件，则将该检测对象的心尖四腔心二尖瓣连续多普勒频谱切面图像输入图像分割网络模型，获取该切面图像对应的频谱波形图；根据所述频谱波形图预测二尖瓣瓣口面积。本申请的上述方法、系统和设备大大提高了超声检测的准确性和一致性。

Description

基于人工智能的二尖瓣瓣口面积检测方法、系统和设备
技术领域
本申请涉及医学视频图像的检测识别技术领域，尤其涉及一种基于人工智能的二尖瓣瓣口面积检测方法、系统和设备。
背景技术
重度二尖瓣狭窄（mitral stenosis，MS）会导致左房压力显著升高和左房增大，引起房颤、咯血、心衰等疾病，严重者如果不及时手术，疾病晚期病人会因反复心衰入院，甚至引起死亡。二尖瓣瓣口面积是评估二尖瓣狭窄的严重程度及手术决策的若干指标之一。
现有技术中往往使用超声心动图来测量二尖瓣瓣口面积，但是由于超声心动图结果多依赖于检查者的经验，导致个体间差异比较大。近年来，研究表明人工智能技术对心脏超声影像的自动测量、分析与判读较专业医生人工操作相比具有巨大潜能，可以实现数据分析与判断的标准化，从而排除人为主观因素的干扰，减少心脏超声检测的个体间差异和个体内差异，提高检测的准确性和一致性。
发明内容
鉴于现有技术中的上述缺陷或不足，本申请提供了一种基于人工智能的二尖瓣瓣口面积检测方法、系统和设备，通过采用创新的深度学习模型和图像识别技术，提高了二尖瓣瓣口面积超声检测的准确性和一致性。
本发明的第一方面，提供了一种基于人工智能的二尖瓣瓣口面积检测方法，包括：获取检测对象的超声心动图中反映二尖瓣结构的二维切面视频；将所述二维切面视频输入至训练好的深度学习分类模型中，获取所述二维切面视频含有二尖瓣狭窄图像特征的预测值；若所述预测值满足预设条件，则将该检测对象的心尖四腔心二尖瓣连续多普勒频谱切面图像输入图像分割网络模型，获取该切面图像对应的频谱波形图；根据所述频谱波形图预测二尖瓣瓣口面积。
进一步的，所述根据所述频谱波形图预测二尖瓣瓣口面积的步骤包括：利用函数拟合工具提取所述频谱波形图的频谱轮廓，获取对应时间的血液流速曲线
Figure DEST_PATH_IMAGE002
，其中t表示时间；识别所述曲线中血流舒张早期最大峰值；计算所述血流舒张早期最大峰值的下降直线数据；根据所述血流舒张早期最大峰值的下降直线数据，预测二尖瓣瓣口面积。
进一步的，识别所述曲线中血流舒张早期最大峰值的步骤包括：截取所述曲线中时间跨度为T的静息状态下的部分曲线；
在所述部分曲线上从头选取长度为
Figure DEST_PATH_IMAGE004
的曲线作为预测周期，该预测周期对应的预测曲线表达为：
Figure DEST_PATH_IMAGE006
其中，t表示时间，
Figure DEST_PATH_IMAGE004A
表示预测周期，T为静息状态下的部分曲线的时间跨度，
Figure DEST_PATH_IMAGE008
表示时间t除以
Figure DEST_PATH_IMAGE004AA
的余数；
将损失函数定义为：
Figure DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE012
是对应时间t的血液流速，
Figure DEST_PATH_IMAGE014
为对应时间
Figure DEST_PATH_IMAGE016
的预测曲线值；
当预测周期
Figure DEST_PATH_IMAGE004AAA
使得所述损失函数
Figure DEST_PATH_IMAGE018
最小时，将该预测周期
Figure DEST_PATH_IMAGE004AAAA
作为第一个完整心跳周期；
依次挑选出所述对应时间的血液流速曲线中全部的完整心跳周期，对所述全部的完整心跳周期求取均值，以获得完整心跳的单周期曲线；
计算所述完整心跳的单周期曲线的二阶导数，以获取血流舒张早期最大峰值。
进一步的，根据所述血流舒张早期最大峰值的下降直线数据，预测二尖瓣瓣口面积的步骤包括：获取二尖瓣舒张早期最大压力阶差自所述血流舒张早期最大峰值开始下降到该压力阶差值一半所用的时间
Figure DEST_PATH_IMAGE020
；根据该时间
Figure DEST_PATH_IMAGE020A
预测所述二尖瓣瓣口面积的预测值。
进一步的，所述深度学习分类模型优选为S3D网络模型，所述图像分割网络模型优选为Unet模型。
本发明的第二方面，提供了一种基于人工智能的二尖瓣瓣口面积检测系统，包括：获取模块，用于获取检测对象的超声心动图中反映二尖瓣结构的二维切面视频；分类模块，用于将所述二维切面视频输入至训练好的深度学习分类模型中，获取所述二维切面视频含有二尖瓣狭窄图像特征的预测值；图像处理模块，用于若所述预测值满足预设条件，则将该检测对象的心尖四腔心二尖瓣连续多普勒频谱切面图像输入图像分割网络模型，获取该切面图像对应的频谱波形图；预测模块，用于根据所述频谱波形图预测二尖瓣瓣口面积。
进一步的，所述预测模块用于：利用函数拟合工具提取所述频谱波形图的频谱轮廓，获取对应时间的血液流速曲线
Figure DEST_PATH_IMAGE023
，其中t表示时间；识别所述曲线中血流舒张早期最大峰值；计算所述血流舒张早期最大峰值的下降直线数据；根据所述血流舒张早期最大峰值的下降直线数据，预测二尖瓣瓣口面积。
进一步的，所述预测模块用于截取所述曲线中时间跨度为T的静息状态下的部分曲线；
在所述部分曲线上从头选取长度为
Figure DEST_PATH_IMAGE025
的曲线作为预测周期，该预测周期对应的预测曲线表达为：
Figure DEST_PATH_IMAGE027
其中，t表示时间，
Figure DEST_PATH_IMAGE029
表示预测周期，T为静息状态下的部分曲线的时间跨度，
Figure DEST_PATH_IMAGE031
表示时间t除以
Figure DEST_PATH_IMAGE029A
的余数；
将损失函数定义为：
Figure DEST_PATH_IMAGE033
其中，
Figure DEST_PATH_IMAGE035
是对应时间
Figure DEST_PATH_IMAGE016A
的血液流速，
Figure DEST_PATH_IMAGE038
为对应时间t的预测曲线值；
当预测周期
Figure DEST_PATH_IMAGE029AA
使得所述损失函数
Figure DEST_PATH_IMAGE040
最小时，将该预测周期
Figure DEST_PATH_IMAGE029AAA
作为第一个完整心跳周期；
依次挑选出所述对应时间的血液流速曲线中全部的完整心跳周期，对所述全部的完整心跳周期求取均值，以获得完整心跳的单周期曲线；
计算所述完整心跳的单周期曲线的二阶导数，以获取血流舒张早期最大峰值。
进一步的，所述预测模块用于：获取二尖瓣舒张早期最大压力阶差自所述血流舒张早期最大峰值开始下降到该压力阶差值一半所用的时间
Figure DEST_PATH_IMAGE042
；根据该时间
Figure DEST_PATH_IMAGE043
计算所述二尖瓣瓣口面积的预测值。
本发明的第三方面，提供了一种医学超声检测设备，包括：超声检测探头、至少一个处理器、以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行上述基于人工智能的二尖瓣瓣口面积检测方法。
综上，本申请提供的基于人工智能的二尖瓣瓣口面积检测方法、系统和设备，利用深度学习模型对预定切面的二维切面视频进行分类，输出带有二尖瓣狭窄特征的超声图像的预测值，将预测值满足要求的超声图像的切面图像进一步输入至图像分割网络模型，以获取该切面图像对应的频谱波形图，根据所述频谱波形图预测二尖瓣瓣口面积。本申请的上述方法、系统和设备大大提高了超声检测的准确性和一致性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明一个实施例提供的二尖瓣瓣口面积的超声检测识别方法的流程图；
图2是本发明另一实施例提供的根据频谱波形图预测二尖瓣瓣口面积的流程图；
图3是本发明另一实施例提供的识别所述曲线中血流舒张早期最大峰值的流程图；
图4是本发明另一实施例提供的根据所述血流舒张早期最大峰值的下降直线数据，预测二尖瓣瓣口面积的流程图；
图5是本发明另一实施例提供的二尖瓣瓣口面积的超声检测识别系统的功能模块图；
图6是本发明另一实施例提供的一种医学超声检测设备的结构框图；
图7是本发明另一实施例提供的一种B超机的硬件结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本文所述的超声心动图是利用超声的特殊物理学特性检查心脏和大血管的解剖结构及功能状态的超声图像。
参考图1，其示出了本发明实施例的一种二尖瓣瓣口面积的超声检测识别方法100，该方法包括如下步骤：
步骤S101，获取检测对象的超声心动图中反映二尖瓣结构的二维切面视频。
具体的，超声检测时针对检测对象不同体位、心脏的不同切面，能够获得含有多个序列的超声心动图原始图像，每个序列对应超声检查中的一个切面。所述反映二尖瓣结构的二维切面包括：胸骨旁长轴切面，大动脉短轴二尖瓣水平切面，心尖四腔心切面，心尖二腔心切面，心尖三腔心切面等。
作为一个示例，首先获取超声心动图中胸骨旁长轴二维切面和/或二尖瓣瓣尖水平短轴切面的二维切面视频，本实施例既可以采用胸骨旁长轴二维切面的视频，也可以采用二尖瓣瓣尖水平短轴切面的二维切面视频，还可以是上述两种切面视频的组合。本步骤中使用视频而不使用单张图像作为输入，是因为视频在时间维度上提供了更多信息，这包括帧与帧之间的变化信息，而单一的图像往往丢失了心脏的运动信息，容易造成分类不够准确。
步骤S102，将所述二维切面视频输入至训练好的深度学习分类模型中，获取所述二维切面视频含有二尖瓣狭窄图像特征的预测值。
提取二维切面视频中的多个视频帧，将多个视频帧输入至训练好的深度学习分类模型中。优选的，该深度学习分类模型为S3D模型，S3D模型使用2D+1D卷积替代其他视频分类模型中常用的3D卷积，大大减少了显存占用量，并结合注意力机制，提升了模型表现。当每个视频帧通过S3D神经网络后，得到N维度的特征向量
Figure DEST_PATH_IMAGE045
,其中t为视频帧的标号，t的取值为（1，2……T），T为视频的帧数；N维度代表着对应帧所包含的信息，N既不能太小，也不能太大，N设置的太小会使视频帧包含过少的特征信息，N设置的太大，会使视频帧中包含过多的无用信息，浪费运算资源，本实施例中N优选为1024，实际运用时N可以通过多次人工尝试来获得合适的设置值。S3D模型最终输出含有二尖瓣狭窄图像特征的预测值，该预测值代表视频中存在二尖瓣狭窄图像特征的概率。
步骤S103，若所述预测值满足预设条件，则将该检测对象的心尖四腔心二尖瓣连续多普勒频谱切面图像输入图像分割网络模型，获取该切面图像对应的频谱波形图。
具体的，上述步骤S102获得的含有二尖瓣狭窄图像特征的预测值若满足预定条件，例如，大于某一阈值，说明该二维切面视频中很有可能存在二尖瓣狭窄图像特征，需要进一步的识别该视频对应的超声图像中的二尖瓣瓣口面积。优选的，将最有可能出现二尖瓣狭窄图像特征的视频所对应的超声心动图中的心尖四腔心二尖瓣连续多普勒频谱切面图像输入图像分割网络模型得到频谱波形形状。优选的，图像分割网络模型为UNet模型，UNet结合了低分辨率信息（提供物体类别识别依据）和高分辨率信息（提供精准分割定位依据），完美适用于医学图像分割。利用UNet模型对心尖四腔心二尖瓣连续多普勒频谱切面图像进行处理，从而形成便于数学分析的规则的频谱波形曲线图。
步骤S104，根据所述频谱波形图预测二尖瓣瓣口面积。
具体的，根据所述频谱波形提取的轮廓曲线图反映了连续的心跳周期，根据该曲线图可以预测二尖瓣瓣口面积，具体预测方式参见图2所示实施例。
参见图2，其示出了本发明另一实施例中根据频谱波形图预测二尖瓣瓣口面积的具体步骤，包括：
步骤S201，利用函数拟合工具提取所述频谱波形图的频谱轮廓，获取对应时间的血液流速曲线
Figure DEST_PATH_IMAGE047
，其中t表示时间，
Figure DEST_PATH_IMAGE049
是对应时间t的血液流速，t的时间跨度为T。
步骤S202，识别所述曲线中血流舒张早期最大峰值。
具体的，血流舒张早期最大峰值是舒张早期左心室快速充盈，二尖瓣开放达到顶点所形成，发明人发现其对预测二尖瓣瓣口面积有着重要参考意义。具体计算方式参见图3所示实施例。
步骤S203，计算所述血流舒张早期最大峰值的下降直线数据。
步骤S204，根据所述血流舒张早期最大峰值的下降直线数据，预测二尖瓣瓣口面积。
参见图3，其示出了本发明另一实施例中识别所述曲线中血流舒张早期最大峰值的具体步骤，包括：
步骤S301，截取所述曲线中时间跨度为T的静息状态下的部分曲线。
具体的，因为心脏跳动具有一定周期性，因此需要从非静息状态开始截取，即去掉血液流速曲线
Figure DEST_PATH_IMAGE051
的首尾非静息值，经过处理得到时间跨度为T的部分曲线。
步骤S302，在所述部分曲线上从头选取长度为
Figure DEST_PATH_IMAGE053
的曲线（即从t=0到t=
Figure DEST_PATH_IMAGE054
）作为预测周期，该预测周期对应的预测曲线表达为：
Figure DEST_PATH_IMAGE056
其中，t表示时间，
Figure DEST_PATH_IMAGE053A
表示预测周期，T为静息状态下的部分曲线的时间跨度，
Figure DEST_PATH_IMAGE058
表示时间t除以
Figure DEST_PATH_IMAGE053AA
的余数。
步骤S303，将损失函数
Figure DEST_PATH_IMAGE060
定义为：
Figure DEST_PATH_IMAGE062
其中，
Figure DEST_PATH_IMAGE064
是对应时间t的血液流速，
Figure DEST_PATH_IMAGE066
为对应时间t的预测曲线值。
步骤S304，当预测周期
Figure DEST_PATH_IMAGE053AAA
使得所述损失函数
Figure DEST_PATH_IMAGE060A
最小时，将该预测周期
Figure DEST_PATH_IMAGE054A
作为第一个完整心跳周期。
步骤S305，依次挑选出所述对应时间的血液流速曲线中全部的完整心跳周期，对所述全部的完整心跳周期求取均值，以获得完整心跳的单周期曲线。
步骤S306，计算所述完整心跳的单周期曲线的二阶导数，以获取血流舒张早期最大峰值。
参见图4，其示出了本发明另一实施例中根据所述血流舒张早期最大峰值的下降直线数据，预测二尖瓣瓣口面积的具体步骤，包括：
步骤S401，根据单周期曲线获取二尖瓣舒张早期最大压力阶差自所述血流舒张早期最大峰值开始下降到该压力阶差值一半所用的时间
Figure DEST_PATH_IMAGE068
（以毫秒为单位）。
步骤S402，根据该时间
Figure DEST_PATH_IMAGE068A
预测所述二尖瓣瓣口面积的预测值。
具体的，发明人发现舒张期跨二尖瓣血流速度的下降与二尖瓣瓣口面积S（单位为平方厘米）呈反比，优选的通过下式预测获得二尖瓣瓣口面积S结果较为准确：
Figure DEST_PATH_IMAGE070
在计算获得了二尖瓣瓣口面积S的预测值后，医生在该预测值的基础上结合临床其它参考因素，可以进一步评估患者的瓣膜狭窄程度。
参见图5，其示出了本发明另一实施例中二尖瓣瓣口面积的超声检测识别系统200，包括：
获取模块201，用于获取检测对象的超声心动图中反映二尖瓣结构的二维切面视频；
分类模块202，用于将所述二维切面视频输入至训练好的深度学习分类模型中，获取所述二维切面视频含有二尖瓣狭窄图像特征的预测值；
图像处理模块203，用于若所述预测值满足预设条件，则将该检测对象的心尖四腔心二尖瓣连续多普勒频谱切面图像输入图像分割网络模型，获取该切面图像对应的频谱波形图；
预测模块204，用于根据所述频谱波形图预测二尖瓣瓣口面积。
所述预测模块204进一步用于：
利用函数拟合工具提取所述频谱波形图的频谱轮廓，获取对应时间的血液流速曲线
Figure DEST_PATH_IMAGE072
，其中
Figure DEST_PATH_IMAGE016AA
表示时间；识别所述曲线中血流舒张早期最大峰值；计算所述血流舒张早期最大峰值的下降直线数据；根据所述血流舒张早期最大峰值的下降直线数据，预测二尖瓣瓣口面积。
所述预测模块204进一步用于：
截取所述曲线中时间跨度为T的静息状态下的部分曲线；在所述部分曲线上从头选取长度为
Figure DEST_PATH_IMAGE075
的曲线作为预测周期，该预测周期对应的预测曲线表达为：
Figure DEST_PATH_IMAGE077
其中，t表示时间，
Figure DEST_PATH_IMAGE078
表示预测周期，T为静息状态下的部分曲线的时间跨度，
Figure DEST_PATH_IMAGE080
表示时间t除以
Figure DEST_PATH_IMAGE075A
的余数；将损失函数定义为：
Figure DEST_PATH_IMAGE082
其中，
Figure DEST_PATH_IMAGE084
是对应时间t的血液流速，
Figure DEST_PATH_IMAGE086
为对应时间
Figure DEST_PATH_IMAGE016AAA
的预测曲线值；当预测周期
Figure DEST_PATH_IMAGE075AA
使得所述损失函数
Figure DEST_PATH_IMAGE089
最小时，将该预测周期
Figure DEST_PATH_IMAGE078A
作为第一个完整心跳周期；依次挑选出所述对应时间的血液流速曲线中全部的完整心跳周期，对所述全部的完整心跳周期求取均值，以获得完整心跳的单周期曲线；计算所述完整心跳的单周期曲线的二阶导数，以获取血流舒张早期最大峰值。
所述预测模块204进一步用于：获取二尖瓣舒张早期最大压力阶差自所述血流舒张早期最大峰值开始下降到该压力阶差值一半所用的时间
Figure DEST_PATH_IMAGE091
；根据该时间
Figure DEST_PATH_IMAGE091A
计算所述二尖瓣瓣口面积的预测值。
应当理解，本实施例中的二尖瓣瓣口面积的超声检测识别系统200所记载的诸模块与图1-4所述方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于本实施例的各个模块，在此不再赘述。本实施例的系统可以预先实现在电子设备中，也可以通过下载等方式而加载到电子设备中。本实施例的系统中的相应模块可以与电子设备中的单元相互配合以实现本申请实施例的方案。此外，描述于本实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，获取模块201还可以被描述为“用于获取检测对象的超声心动图中胸骨旁长轴二维切面和/或二尖瓣瓣尖水平短轴切面的二维切面视频的模块201”。
参见图6，其示出了本发明另一实施例的一种医学超声检测设备300，包括：
超声检测探头303、至少一个处理器301、以及与所述至少一个处理器通信连接的存储器302；
其中，所述存储器302存储有可被所述至少一个处理器301执行的指令，以使所述至少一个处理器301能够执行上述任意实施例中所述的二尖瓣瓣口面积的超声检测识别方法。
参见图7，图6所示实施例中的医学超声检测设备300例如可以是B超机。B超机亦可包含有计算机系统700，其包括中央处理单元（CPU）701，其可以根据存储在只读存储器（ROM）702中的程序或者从存储部分708加载到随机访问存储器（RAM）703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出（I/O）接口705也连接至总线704。以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述系统或电子设备中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本申请的二尖瓣瓣口面积的超声检测识别方法。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (5)

1.基于人工智能的二尖瓣瓣口面积检测系统，其特征在于包括：
获取模块，用于获取检测对象的超声心动图中反映二尖瓣结构的二维切面视频；
分类模块，用于将所述二维切面视频输入至训练好的深度学习分类模型中，获取所述二维切面视频含有二尖瓣狭窄图像特征的预测值；
图像处理模块，用于若所述预测值满足预设条件，则将该检测对象的心尖四腔心二尖瓣连续多普勒频谱切面图像输入图像分割网络模型，获取该切面图像对应的频谱波形图；
预测模块，用于根据所述频谱波形图预测二尖瓣瓣口面积；
其中，所述预测模块进一步用于：
利用函数拟合工具提取所述频谱波形图的频谱轮廓，获取对应时间的血液流速曲线
Figure 471375DEST_PATH_IMAGE001
，其中t表示时间；
识别所述曲线中血流舒张早期最大峰值；
计算所述血流舒张早期最大峰值的下降直线数据；
根据所述血流舒张早期最大峰值的下降直线数据，预测二尖瓣瓣口面积；
其中，所述预测模块进一步用于：
截取所述曲线中时间跨度为T的静息状态下的部分曲线；
在所述部分曲线上从头选取长度为
Figure 142714DEST_PATH_IMAGE004
的曲线作为预测周期，该预测周期对应的预测曲线表达为：
Figure 232942DEST_PATH_IMAGE005
其中，t表示时间，
Figure 101541DEST_PATH_IMAGE004
表示预测周期，T为静息状态下的部分曲线的时间跨度，
Figure 869645DEST_PATH_IMAGE006
表示时间t除以
Figure 985238DEST_PATH_IMAGE007
的余数；
将损失函数定义为：
Figure 353640DEST_PATH_IMAGE008
其中，
Figure 800496DEST_PATH_IMAGE009
是对应时间t的血液流速，
Figure 568656DEST_PATH_IMAGE012
为对应时间t的预测曲线值；
当预测周期
Figure 571159DEST_PATH_IMAGE013
使得所述损失函数
Figure 312719DEST_PATH_IMAGE014
最小时，将该预测周期
Figure 524257DEST_PATH_IMAGE007
作为第一个完整心跳周期；
依次挑选出所述对应时间的血液流速曲线中全部的完整心跳周期，对所述全部的完整心跳周期求取均值，以获得完整心跳的单周期曲线；
计算所述完整心跳的单周期曲线的二阶导数，以获取血流舒张早期最大峰值。
2.根据权利要求1所述的基于人工智能的二尖瓣瓣口面积检测系统，其特征在于，所述预测模块进一步用于：
获取二尖瓣舒张早期最大压力阶差自所述血流舒张早期最大峰值开始下降到该压力阶差值一半所用的时间
Figure 857019DEST_PATH_IMAGE015
；
根据该时间
Figure 685166DEST_PATH_IMAGE015
计算所述二尖瓣瓣口面积的预测值。
3.一种医学超声检测设备，包括：
超声检测探头、至少一个处理器、以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行如下的基于人工智能的二尖瓣瓣口面积检测方法：
获取检测对象的超声心动图中反映二尖瓣结构的二维切面视频；
将所述二维切面视频输入至训练好的深度学习分类模型中，获取所述二维切面视频含有二尖瓣狭窄图像特征的预测值；
若所述预测值满足预设条件，则将该检测对象的心尖四腔心二尖瓣连续多普勒频谱切面图像输入图像分割网络模型，获取该切面图像对应的频谱波形图；
根据所述频谱波形图预测二尖瓣瓣口面积；
其中，所述根据所述频谱波形图预测二尖瓣瓣口面积的步骤包括：
利用函数拟合工具提取所述频谱波形图的频谱轮廓，获取对应时间的血液流速曲线
Figure 230417DEST_PATH_IMAGE001
，其中t表示时间；
识别所述曲线中血流舒张早期最大峰值；
计算所述血流舒张早期最大峰值的下降直线数据；
根据所述血流舒张早期最大峰值的下降直线数据，预测二尖瓣瓣口面积；
其中，识别所述曲线中血流舒张早期最大峰值的步骤包括：
截取所述曲线中时间跨度为T的静息状态下的部分曲线；
在所述部分曲线上从头选取长度为
Figure 827620DEST_PATH_IMAGE004
的曲线作为预测周期，该预测周期对应的预测曲线表达为：
Figure 83282DEST_PATH_IMAGE016
其中，t表示时间，
Figure 398726DEST_PATH_IMAGE004
表示预测周期，T为静息状态下的部分曲线的时间跨度，
Figure 13247DEST_PATH_IMAGE017
表示时间t除以
Figure 668219DEST_PATH_IMAGE007
的余数；
将损失函数定义为：
Figure 811624DEST_PATH_IMAGE018
其中，
Figure 83206DEST_PATH_IMAGE019
是对应时间t的血液流速，
Figure 235838DEST_PATH_IMAGE020
为对应时间t的预测曲线值；
当预测周期
Figure 542055DEST_PATH_IMAGE013
使得所述损失函数
Figure 845909DEST_PATH_IMAGE014
最小时，将该预测周期
Figure 870366DEST_PATH_IMAGE007
作为第一个完整心跳周期；
依次挑选出所述对应时间的血液流速曲线中全部的完整心跳周期，对所述全部的完整心跳周期求取均值，以获得完整心跳的单周期曲线；
计算所述完整心跳的单周期曲线的二阶导数，以获取血流舒张早期最大峰值。
4.根据权利要求3所述的医学超声检测设备，其特征在于，根据所述血流舒张早期最大峰值的下降直线数据，预测二尖瓣瓣口面积的步骤包括：
获取二尖瓣舒张早期最大压力阶差自所述血流舒张早期最大峰值开始下降到该压力阶差值一半所用的时间
Figure 295531DEST_PATH_IMAGE021
；
根据该时间
Figure 987412DEST_PATH_IMAGE022
预测所述二尖瓣瓣口面积的预测值。
5.根据权利要求3所述的医学超声检测设备，其特征在于，所述深度学习分类模型为S3D网络模型，所述图像分割网络模型为Unet模型。
CN202010351544.8A 2020-04-28 2020-04-28 基于人工智能的二尖瓣瓣口面积检测方法、系统和设备 Active CN111275755B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010351544.8A CN111275755B (zh) 2020-04-28 2020-04-28 基于人工智能的二尖瓣瓣口面积检测方法、系统和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010351544.8A CN111275755B (zh) 2020-04-28 2020-04-28 基于人工智能的二尖瓣瓣口面积检测方法、系统和设备

Publications (2)

Publication Number Publication Date
CN111275755A CN111275755A (zh) 2020-06-12
CN111275755B true CN111275755B (zh) 2020-09-15

Family

ID=71002810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010351544.8A Active CN111275755B (zh) 2020-04-28 2020-04-28 基于人工智能的二尖瓣瓣口面积检测方法、系统和设备

Country Status (1)

Country Link
CN (1) CN111275755B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932550B (zh) * 2020-07-01 2021-04-30 浙江大学 一种基于深度学习的3d心室核磁共振视频分割系统
CN113487665B (zh) * 2021-06-04 2022-03-11 中国人民解放军总医院 一种管腔缺口的测量方法、装置、设备和介质
CN113592802B (zh) * 2021-07-26 2024-02-02 东北大学 一种基于超声图像的二尖瓣环位移自动检测系统
CN117197020A (zh) * 2022-05-23 2023-12-08 上海微创卜算子医疗科技有限公司 二尖瓣开口间距检测方法、电子设备和存储介质
CN117838190B (zh) * 2024-03-08 2024-05-28 中国医学科学院北京协和医院 一种心肌功能指数测量方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377470A (zh) * 2018-03-20 2019-02-22 任昊星 一种心脏病风险预测系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10368753B2 (en) * 2012-11-01 2019-08-06 The Johns Hopkins University Method and system for determining strain relaxation of left ventricular diastolic function
WO2014085288A1 (en) * 2012-11-29 2014-06-05 The Regents Of The University Of California Noninvasive 4-d time-resolved dynamic magnetic resonance angiography
CN110956196B (zh) * 2019-10-11 2024-03-08 东南大学 一种城市建筑物窗墙比自动识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377470A (zh) * 2018-03-20 2019-02-22 任昊星 一种心脏病风险预测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《三维超声近端等速表面积法在二尖瓣狭窄及关闭不全定量中的应用》;周玮;《中国博士学位论文全文数据库》;20150715(第2015年第07期);前言 *

Also Published As

Publication number Publication date
CN111275755A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
CN111275755B (zh) 基于人工智能的二尖瓣瓣口面积检测方法、系统和设备
Kusunose et al. A deep learning approach for assessment of regional wall motion abnormality from echocardiographic images
EP3723038B1 (en) Fast calculation method and system employing plaque stability index of medical image sequence
CN113194836B (zh) 自动化临床工作流
Tsang et al. Transthoracic 3D echocardiographic left heart chamber quantification using an automated adaptive analytics algorithm
EP3453321B1 (en) Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing
Barbosa et al. Fast and fully automatic 3-d echocardiographic segmentation using b-spline explicit active surfaces: Feasibility study and validation in a clinical setting
JP2020037037A (ja) 画像処理装置、画像処理方法、及びプログラム
CN103260526B (zh) 具有峰值强度检测功能的超声成像系统和方法
US20200410685A1 (en) Method and system for acquiring status of strain and stress of a vessel wall
JP2013542046A (ja) 超音波画像処理のシステムおよび方法
WO2022141083A1 (zh) 周期性参数的分析方法和超声成像系统
CN115587971A (zh) 基于心脏超声节段活动的机体反应及血流动力学监测方法及系统
CN114898882A (zh) 基于超声对右心功能进行评估的方法和系统
Khan et al. Semiautomatic quantification of carotid plaque volume with three-dimensional ultrasound imaging
Hennersperger et al. Vascular 3D+ T freehand ultrasound using correlation of doppler and pulse-oximetry data
CN113592802B (zh) 一种基于超声图像的二尖瓣环位移自动检测系统
Hassan et al. 3DCNN Model for Left Ventricular Ejection Fraction Evaluation in Echocardiography
CN109528176A (zh) 一种脑血管特征信息分析系统及方法
US20220398720A1 (en) Diagnostic support program
KR102483122B1 (ko) 태아 신경계의 질환을 결정하기 위한 시스템 및 방법
Nyns et al. Evaluation of knowledge-based reconstruction for magnetic resonance volumetry of the right ventricle in tetralogy of Fallot
TW201419167A (zh) 動態心臟影像分析與心功能評估系統
CN110929604A (zh) 基于造影图像的流速的筛选方法、装置、系统和存储介质
Akan et al. ViViEchoformer: Deep Video Regressor Predicting Ejection Fraction

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
GR01 Patent grant
GR01 Patent grant