CN111508077B - 双三角模型智能评估心脏功能的方法、装置、设备及介质 - Google Patents

双三角模型智能评估心脏功能的方法、装置、设备及介质 Download PDF

Info

Publication number
CN111508077B
CN111508077B CN202010353366.2A CN202010353366A CN111508077B CN 111508077 B CN111508077 B CN 111508077B CN 202010353366 A CN202010353366 A CN 202010353366A CN 111508077 B CN111508077 B CN 111508077B
Authority
CN
China
Prior art keywords
model
ultrasound image
left ventricle
image frames
parameters
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
CN202010353366.2A
Other languages
English (en)
Other versions
CN111508077A (zh
Inventor
何昆仑
陈煦
杨菲菲
刘博罕
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 CN202010353366.2A priority Critical patent/CN111508077B/zh
Publication of CN111508077A publication Critical patent/CN111508077A/zh
Application granted granted Critical
Publication of CN111508077B publication Critical patent/CN111508077B/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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5238—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects

Abstract

本申请公开了双三角模型智能评估心脏功能的方法、装置、设备及介质。该方法包括在单一的基础切面视频中，获取至少一个符合评估条件的心动周期所对应的N张超声图像帧，在N张超声图像帧的每一张中构建左心室和左心房双三角模型，该左心室和左心房双三角模型包括左心室三角模型和左心房三角模型，且左心室三角模型与左心房三角模型之间共享底边；基于左心室和左心房双三角模型对应的基础参数，计算得到由N张超声图像帧共同决定的至少一组动态评估参数，每组动态评估参数用于评估心脏的功能。本申请实施例通过双三角模型计算新的动态评估参数来评估心脏的功能，其可以提高图像采集心脏功能指标的效率。

Description

双三角模型智能评估心脏功能的方法、装置、设备及介质
技术领域
本申请一般涉及图像处理技术领域，尤其涉及双三角模型智能评估心脏功能的方法、装置、设备及介质。
背景技术
心脏是循环系统的中枢，它的收缩和舒张是推动血液循环的主要动力。心脏疾病的产生往往是由于心脏结构的受损或功能的异常引起的。其中，心脏功能的评估在临床应用十分重要。
超声心动图评价心脏功能主要包括：收缩功能和舒张功能。以左心室为例，收缩功能的评估主要依据左室射血分数，正常情况下左室射血分数为≥50％；舒张功能的评估比较复杂，依据2016年舒张功能指南，修改：常规评估指标包括二尖瓣环的e’速度(间隔e’＜7cm/s，侧壁e’＜9cm/s)，平均E/e’(E/e’＞14)，三尖瓣反流峰值速度(TR＞2.8m/s)，和左心房最大容积指数(LAVI＞34mL/m2)。如果上述评估指标超过一半已达到上述临界值，则表示舒张功能不全。评估涉及血流频谱、组织多普勒等多切面，多指标，评估流程复杂对技术要求高。
其次，在图像采集过程中，由于医生或者患者因素很容易导致切面不全、质量模糊、定位不准等一系列问题，这些问题不仅影响结论判断，而且在后期处理图像时造成麻烦和偏倚，如何方便快捷地评估心脏功能仍是目前亟待解决的问题。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种双三角模型智能评估心脏功能的方法、装置、设备及介质，来提高心脏功能评估的效率。
第一方面，本申请实施例提供了一种基于双三角模型智能评估心脏功能的方法，该方法包括：
在单一的基础切面视频中，获取至少一个符合评估条件的心动周期的N张超声图像帧，该评估条件是指基础切面视频在一个心动周期内所包含的收缩初期到舒张末期的变化过程清晰可见，N张超声图像帧包括心动周期的收缩期开始时对应的第一超声图像帧和心动周期的舒张期结束时对应的第二超声图像帧，以及在第一超声图帧和第二超声图像帧中按照时间间隔均匀提取的其他超声图像帧，N的取值是大于等于10的自然数；
在N张超声图像帧的每一张中构建左心室和左心房双三角模型，其中，左心室和左心房双三角模型包括左心室三角模型和左心房三角模型，且左心室三角模型与左心房三角模型之间共享底边；
基于左心室和左心房双三角模型对应的基础参数，计算得到由N张超声图像帧共同决定的至少一组动态评估参数，每组动态评估参数用于评估心脏的功能。
第二方面，本申请实施例提供了一种基于双三角模型智能评估心脏功能的装置，该装置包括：
图像获取单元，用于在单一的基础切面视频中，获取至少一个符合评估条件的心动周期的N张超声图像帧，评估条件是指基础切面视频在一个心动周期内所包含的收缩初期到舒张末期的变化过程清晰可见，N张超声图像帧包括心动周期的收缩期开始时对应的第一超声图像帧和心动周期的舒张期结束时对应的第二超声图像帧，以及在第一超声图帧和第二超声图像帧中按照时间间隔均匀提取的其他超声图像帧，N的取值是大于等于10的自然数；
三角构建单元，用于在N张超声图像帧的每一张中构建左心室和左心房双三角模型，其中，左心室和左心房双三角模型包括左心室三角模型和左心房三角模型，且左心室三角模型与左心房三角模型之间共享底边；
参数计算单元，用于基于左心室和左心房双三角模型对应的基础参数，计算得到由N张超声图像帧共同决定的至少一组动态评估参数，每组动态评估参数用于评估心脏的功能。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如本申请实施例描述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序用于：
该计算机程序被处理器执行时实现如本申请实施例描述的方法。
本申请实施例提供的双三角模型智能评估心脏功能的方法、装置、设备及介质，其中该方法通过在单一的基础切面视频中，获取至少一个符合评估条件的心动周期的N张超声图像帧，然后在N张超声图像帧的每一张中构建左心室和左心房双三角模型，其中，左心室和左心房双三角模型包括左心室三角模型和左心房三角模型，且左心室三角模型与左心房三角模型之间共享底边；以及在共享底边上标注中点；最后，基于左心室和左心房双三角模型对应的基础参数，计算得到由N张超声图像帧共同决定的至少一组动态评估参数，每组动态评估参数用于评估心脏的功能。相对于相关技术，本申请实施例通过在单一的基础切面视频中提取超声图像帧，并在提取的超声图像帧中构建双三角模型，其可以有效地避免多切面采集心功能评估指标的繁琐操作的问题，有效地提高从心脏超声图像中采集心功能评估指标的效率。其次，其还可以辅助医务人员诊断，进而降低“假阴性”诊断发生率。
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示出了本申请实施例提供的心脏功能评估方法的流程示意图；
图2示出了本申请实施例提供的在心脏超声图像帧上构建双三角模型的示意图；
图3示出了本申请实施例提供的心脏功能评估方法的流程示意图；
图4示出了本申请实施例提供的多帧双三角模型的示意图；
图5示出了本申请实施例提供步骤307的流程示意图；
图6示出了本申请实施例提供的又一多帧双三角模型的示意图；
图7示出了本申请实施例提供心脏功能评估方法的流程示意图；
图8示出了追踪中点生成的速度轨迹的示意图；
图9示出了本申请实施例提供的心脏功能评估装置的结构示意图；
图10示出了适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
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公开，而非对该公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与公开相关的部分。
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。
请参考图1，图1示出了本申请实施例提供的心脏功能评估方法的流程示意图。该方法可以由心脏功能评估装置执行，如图1所示，该方法包括：
步骤101，在单一的基础切面视频中，获取至少一个符合评估条件的心动周期的N张超声图像帧。
该评估条件是指基础切面视频在一个心动周期内所包含的收缩初期到舒张末期的变化过程清晰可见。N张超声图像帧包括当前心动周期的收缩期开始时对应的第一超声图像帧和当前心动周期的舒张期结束时对应的第二超声图像帧，以及在第一超声图帧和第二超声图像帧中按照时间间隔均匀提取的其他超声图像帧。N的取值是大于等于10的自然数。
步骤102，在N张超声图像帧的每一张中构建左心室和左心房双三角模型，其中，左心室和左心房双三角模型包括左心室三角模型和左心房三角模型，且左心室三角模型与左心房三角模型之间共享底边；
步骤103，基于左心室和左心房双三角模型对应的基础参数，计算得到由N张超声图像帧共同决定的至少一组动态评估参数，每组动态评估参数用于评估心脏的功能。
在上述步骤中，单一的基础切面视频是指单个切面类型所对应的基础切面视频。该单个切面类型可以是二维心尖四腔切面或者心尖两腔切面。获取单一的基础切面视频的方式可以是通过接收多个基础切面视频；调用预先构建的切面筛选模型从多个基础切面视频中确定心尖四腔切面或者心尖二腔切面所对应的切面视频作为基础切面视频。或者直接接收心尖四腔切面或者心尖二腔切面所对应的切面视频作为基础切面视频。
预先构建的切面筛选模型可以获取大量包含关键特征的基础切面的训练数据，按照分类算法进行训练得到。分类算法可以是例如K-近邻算法等。
在单一的基础切面视频中，获取至少一个符合评估条件的心动周期的N张超声图像帧。其中，评估条件是指基础切面视频在一个心动周期内所包含的收缩初期到舒张末期的变化过程清晰可见。心动周期是指从一次心跳的起始到下一次心跳的起始，心血管系统所经历的过程。心脏舒张时内压降低，腔静脉血液回流入心脏，心脏收缩时内压升高，将血液泵到动脉。心脏每收缩和舒张一次构成一个心动周期。一个心动周期包括收缩期和舒张期两部分，其中左室收缩末期容积(End-systolic volume，英文缩写ESV)为左心室最小容积；左室舒张末期容积(End-diastolic volume，英文缩写EDV)为左心室最大容积。
获取符合评估条件的心动周期可以通过对基础切面视频进行质量筛查得到，例如按照心尖可识别，瓣环运动清新可见作为质量评价标准；或者对接收到原始的基础切面视频进行去噪声，添加处理后得到符合质量评价标准的心动周期对应的视频。或者通过人工智能技术从原始切面基础视频中筛选符合质量评价标准的原始的基础切面视频。
在确定心动周期之后，从心动周期对应的基础切面视频中获取N张超声图像帧，可以先确定当前心动周期的收缩期开始时对应的第一超声图像帧和心动周期的舒张期结束时对应的第二超声图像帧，以及在第一超声图帧和第二超声图像帧中按照时间间隔均匀提取的其他超声图像帧。这里“第一”，“第二”的表述是为了区别表示超声图像帧，在此不做顺序的限定。
本申请实施例，还可以利用人工智能算法从心动周期对应的基础切面视频内提取心动周期所包含的收缩期开始时对应的第一超声图像帧和舒张期结束时对应的第二超声图像帧，然后在按照时间间隔等间隔地提取其他的超声图像帧。人工智能算法，例如，可以是利用深度学习卷积神经网络(convolutional neural network，CNN)对大量的历史心脏超声图像帧进行有监督训练学习，得到心脏超声图像帧的分割图像。
在获取得到一个心动周期的N张超声图像帧之后，对N张超声图像帧中每一张进行标注。为了提高标注效率，可以利用关键点标注模型来对每一张超声图像帧所包含的关键点进行标注，从而构建左心室和左心房双三角模型。关键点标注模型，例如可以利用斑点跟踪技术来实现。关键点可以是每张超声图像帧标注二尖瓣环室间隔侧的第一分割点、二尖瓣环游离壁侧的第二分割点、左心室心内膜顶点和左心房心内膜顶点。
将待标注的超声图像帧输入到关键点标注模型后，在超声图像帧中用不同的颜色标注上述关键点的位置。
可选地，还可以在标注上述关键点之后，确定出左心室三角模型与左心房三角模型，左心室三角模型与左心房三角模型之间共享底边，在共享的底边上标注中点。请参考图2，图2示出了本申请实施例提供的在心脏超声图像帧上构建双三角模型的示意图。如图2所示，其示意出一个心动周期内提取的三张超声图像帧，t1帧对应的是当前心动周期的收缩期开始时对应的的超声图像帧，该超声图像帧中显示的73.2mm，表示左心室心内膜顶点到共享的底边的中点之间的长度值，此时刻这个长度值在心动周期内为最长。t2帧对应的是当前心动周期的收缩期结束时对应的超声图像帧，该超声图像帧中显示59.1mm，表示左心室心内膜顶点到共享的底边的中点之间的长度值，此时刻这个长度值在心动周期内为最短。t3帧对应的是当前心动周期的舒张期结束时对应的超声图像帧，该超声图像帧中显示的73.2mm，表示左心室心内膜顶点到共享的底边的中点之间的长度值，此时刻这个长度值在心动周期内为最长。即从t1帧变化到t2帧再变化到t3帧，这个过程是一个心动周期所对应的基础切面视频。
在图2中包括左心室为LV(left ventricle)区域(在图2中未标注)，左心房为LA(left atrium)区域，在图2中未标注LV，LA，在图中从自上而下的方向看，上部区域表示LV，下部区域表示LA。在LV区域标注左心室心内膜顶点c、二尖瓣环室间隔侧的第一分割点a、二尖瓣环游离壁侧的第二分割点b，这些点在图2中均未用字母标注，其用“+”表示取点位置，自上而下的方向看上面的三角形的顶点“+”为左心室心内膜顶点c，上面三角形的左边“+”为二尖瓣环室间隔侧的第一分割点a，上面三角形的右边“+”为二尖瓣环游离壁侧的第二分割点b。其中左心室心内膜顶点c也可以称为心尖内缘点。在LA区域标注左心房心内膜顶点e，在图2中未标注，自下而上的方向看，下面的三角形的顶点“+”表示左心房心内膜顶点e。在二尖瓣环室间隔侧的第一分割点a和二尖瓣环游离壁侧的第二分割点之间标注中点d，即在上面三角形的左边“+”和右边“+”之间的“+”。
在对N张超声图像帧中每一帧构建双三角模型之后，利用测量技术得到双三角模型的基础数据，这些基础数据包括长度数据和角度数据。基于N张超声图像帧构成的长度数据集和角度数据集计算由N张超声图像帧共同决定的至少一组动态评估参数。例如，获取双三角模型中左心室三角模型所包含的三条边的长度值，对于三条边中每条边，可以获得N个长度值，这N个长度值可以构成与每条边对应的长度子集，基于长度子集计算每条边的长度均值。
又如，对于双三角模型中左心室三角模型中左心室心内膜顶点到中点的长度值，即第一中线对应的长度值，也可以获得N个长度值，这N个长度值可以构成与第一中线对应的长度子集，基于该长度子集计算第一中线的长度均值。
还可以对于双三角模型中左心室三角模型所包含的三个角的角度值、斜率角的角度值，分别获取与之对应的角度子集等。其中斜率角的顶点是共享的底边的中点，斜率角的两条边分别是共享的底边和第一中线。
利用上述获取的基础数据计算得到的长度平均值，左心室三角模型的两个底角的差值，利用这些均值的变化关系作为动态评估参数，该动态评估参数可以用于评估心脏的功能。
相对于相关技术需要采集多种类型的切面视频，才能获得用于评估心脏功能的指标，且获得指标的过程大多数需要依赖医生的检测经验，
本申请实施例通过在单一的基础切面视频中提出利用N张超声图像帧，并在每张超声图像帧上构建双三角模型来计算至少一组动态评估参数用于评估心脏的功能，提供了一种仅仅基于单一类型的基础切面视频就可以获得至少一组用于评价心脏功能的指标，其有效地提高心脏功能评价指标的采集效率。
进一步地，本申请实施例还提出了一种心脏功能评价方法，请参考图3，图3示出了本申请实施例提供的心脏功能评估方法的流程示意图。
步骤301，在单一的基础切面视频中，获取一个符合评估条件的心动周期的N张超声图像帧。
步骤302，对每张超声图像帧标注二尖瓣环室间隔侧的第一分割点、二尖瓣环游离壁侧的第二分割点、左心室心内膜顶点和左心房心内膜顶点；
步骤303，对每张超声图像帧基于第一分割点、第二分割点和左心室心内膜顶点构建与左心室三角模型；
步骤304，对每张超声图像帧基于第一分割点、第二分割点和左心房心内膜顶点构建与左心房三角模型；
步骤305，将第一分割点和第二分割点所确定的边作为左心室三角模型与左心房三角模型的共享的底边；
步骤306，在共享的底边上标注中点。
步骤307，基于左心室心内膜顶点和中点确定第一中线。
步骤308，基于左心房心内膜顶点和中点确定第二中线。
步骤309，基于构建的左心室和左心房双三角模型对应的基础参数，计算得到由N张超声图像帧共同决定的至少一组动态评估参数。
在上述方法步骤中，结合图4来理解，获取一个符合评估条件的心动周期所对应的N张超声图像帧，N的取值是大于等于10的自然数。图4中示出了本申请实施例提供的与心动周期对应的多张超声图像帧的示意图。第一张超声图像帧与心动周期的收缩期开始时对应的超声图像帧，其对应上一个心动周期的舒张期结束时对应的超声图像帧，表示为第t1帧，即第t1时刻对应的超声图像帧。第二超声图像帧是心动周期的收缩期结束时对应的超声图像帧，其对应当前心动周期的舒张期开始时对应的超声图像帧，表示为第t2帧，即第t2时刻对应的超声图像帧，第三超声图像帧是当前心动周期的舒张期结束时对应的超声图像帧，其对对应下一心动周期的收缩期开始时对应的超声图像帧，表示为第t3帧，即第t3时刻对应的超声图像帧。图中未画出其他的N-3张超声图像帧，用双箭头表示，其中N张超声图像帧中除去首尾的第一超声图像帧和第三超声图像帧之外，余下的超声图像帧是按照时间间隔等间隔采集得到，在第一超声图像帧和第三超声图像帧之间均匀分布。图4中表示从一个心动周期的单一的基础切面视频中，获取的N张超声图像帧，第t1帧是收缩期开始时对应的超声图像帧，第t2帧是收缩期结束时对应的超声图像帧，第t3帧是舒张期结束时对应的超声图像帧。从第1帧到第2帧之间均匀提取的多个帧，如图中所示用第tn1帧到第tn2帧表示，从第2帧到第3帧之间均匀提取的多个帧，如图中所示用第tm1帧到第tm2帧表示。
对上述每张超声图像帧执行如下处理：
标注二尖瓣环室间隔侧的第一分割点a、二尖瓣环游离壁侧的第二分割点b、左心室心内膜顶点c和左心房心内膜顶点e；
对每张超声图像帧基于第一分割点、第二分割点和左心室心内膜顶点构建左心室三角模型，左心室三角模型的左侧边L、右侧边R、底边X，左心室心内膜顶点与底边X上的中点d确定的第一中线Y；
对每张超声图像帧基于第一分割点a、第二分割点b和左心房心内膜顶点e构建与左心房三角模型，左心房三角模型的左心房心内膜顶点e与底边X上的中点确定的第二中线Z。
在构建左心室和左心房双三角模型之后，还可以进一步地将左心室和左心房双三角模型进行旋转处理，使得N张超声图像帧所包含的左心室和左心房双三角模型的共享的底边平齐。然后，再将旋转处理后的结果输出，提供至显示装置，以便医疗工作者可以通过双三角模型的变化来识别心脏舒张和收缩功能的变化，降低了数据分析的复杂度。旋转处理后的结果如图5所示。
然后，基于左心室和左心房双三角模型对应的基础参数，计算得到至少一组评估参数。结合图6所示的方法步骤进一步理解步骤307。图6示出了本申请实施例提供步骤307的流程示意图。
步骤3071，获取左心室和左心房双三角模型中共享的底边的长度值；
步骤3072，获取左心室三角模型所包含的三条边所对应的长度值和第一中线的长度值，以及左心室三角模型所包含的三个角所对应的角度值；
步骤3073，获取第二中线的长度值；
步骤3074，基于长度值或角度值计算得到至少一组评估参数。
上述步骤的执行顺序可以不同，获取各个长度值可以如图4所示，其主要获取由左心室心内膜顶点c与第一分割点a确定的左侧边L的长度；由左心室心内膜顶点c与第二分割点b确定的右侧边R的长度；由第一分割点和第二分割点确定共享边X的长度值；由左心室心内膜顶点c与中点d确定的第一中线Y的长度；由左心房心内膜顶点e与中点d确定的第二中线Z的长度。
然后，还可以通过测量技术得到左心室三角模型各个角的角度值，如图7所示，每张超声图像帧中左心室三角模型的顶角的角度值；左心室三角模型的左底角的角度值；左心室三角模型的右底角的角度值。动态评估参数包括用于反映心腔容积大小的参数、用于反映心室的整体收缩和舒张功能的参数、用于反映室壁运动的参数和用于反映节段性运动的参数中的一个或者多个参数。
用于反映心腔容积大小的参数可以通过第二中线Z的均值与第一中线Y的均值的比值来指示。在正常情况下，左心室容积大小可以通过第一中线Y与底边X乘积来表示，左心房的容积大小可以通过第二中线Z与底边X乘积来表示。通过左心室的容积和左心房的容积的比值来指示心腔容积，当这个比值小于1，则说明心脏发生结构和功能上的改变。
用于反映心室的整体收缩和舒张功能的参数可以包括多个缩短率指标，如左室长轴缩短率，左房长轴缩短率。其中，左室长轴缩短率通过第一中线Y的最大值与最小值的差值与第一中线Y的最大值的比值来表示。左房长轴缩短率通过第二中线Z的最大值和最小值的差值与第二中线Z的最大值的比值来表示。其中，左室长轴缩短率可以用于表征左室整体纵向应变情况，当左室长轴缩短率与标准值的比较结果显示其下降时，提示左室收缩功能降低。左房长轴缩短率则用于表征左室舒张功能的变化，因为左房收缩应变与左室舒张功能的变化是关联的，当左房长轴缩短率与标准值的比较结果显示下降时，结合第二中线的均值进一步判断，若第二中线的均值相对于标准值增大，则会提示左室舒张功能减弱。本申请实例例中通过左房长轴缩短率来表示左室的舒张功能变化，无需采集更多的功能指标用于表征左室的舒张功能，其有效地提高了用于表征心脏功能的指标的采集效率。
用于反映室壁运动的参数可以通过右侧边R与底边X的一半的比值来指示。由于游离壁的运动稍大于室间隔的运动，可以通过右侧边R和底边X的一半作为比值，该比值实质可以表示为斜率角的正切函数值，该比值的变化可以用于提示整体室壁运动状态和室壁僵硬程度。例如，该比值与标准值进行比较，如果比较结果表示低于标准值，则说明整体室壁运动能力减弱，即室壁僵硬程度增加。该比值高于标准值，则说明可能存在节段性室壁运动异常，例如间隔侧心梗。在这种情况下，还需要结合用于反映节段性运动的参数来综合判断。
用于反映节段性运动的参数可以通过左侧边L的最大值和最小值的差值与左侧边L的最大值的比值，右侧边R的最大值和最小值的差值与右侧边R的最大值的比值来指示。还可以通过左心室三角模型的两个左底角的最大值和最小值的差值和右底角的最大值和最小值的差值来反映局部的室壁运动障碍。可选地，还可以利用左底角与右底角之间的差值的最大值和最小值来反映局部的室壁运动障碍。
其中利用左侧边L的最大值和最小值的差值与左侧边L的最大值的比值，可以反映左侧边对应的心肌运动，例如四腔心的室间隔对应的心肌运动，或者两腔心的前壁对应的心肌运动。该比值可以用于表征室间隔或者前壁的应变，若该比值低于标准值，则反映该阶段存在心肌运动减弱，其可能存在缺血或梗阻问题。
利用右侧边R的最大值和最小值的差值与右侧边R的最大值的比值，可以反映右侧边对应的心肌运动，例如四腔心的侧壁对应的心肌运动，或者两腔心的下壁对应的心肌运动，该比值用于表征侧壁或者下壁的应变，若该比值低于标准值，则反映该阶段存在心肌运动减弱，可能是缺血或者梗阻问题。若上述两个比值都存在明显下降，则说明室壁运动存在障碍，可能存在缺血、心肌病等问题。
基于长度值计算得到动态评估参数可以包括以下步骤：
基于左心室三角模型所包含的三条边对应的长度值和第一中线的长度值，计算用于反映心腔容积大小的参数。
例如，如图4所示，计算N张超声图像帧中每张超声图像帧的底边X的长度均值
Figure GDA0002756631170000131
第一中线Y的长度均值
Figure GDA0002756631170000132
第二中线Z的长度均值
Figure GDA0002756631170000135
计算第二中线Z的长度均值
Figure GDA0002756631170000133
与第一中线Y的长度均值
Figure GDA0002756631170000134
的比值，该比值用于表示左心房容积和左心室容积的比例关系。
还可以分别计算底边的长度均值和第一中线的长度均值的乘积，该乘积用于表示左心室容积的平均水平，计算底边的长度均值和第二中线的长度均值的乘积，该乘积用于表示左心房容积的平均水平。
基于左心室三角模型与左心房三角模型的共享的底边的长度值、第一中线的长度值和第二中线的长度值计算用于反映心室的整体收缩和舒张功能的参数。
例如，如图4所示，计算第一中线Y的最大值和最小值的差值与第一中线Y的最大值的比值，该比值用于指示左心室长轴的收缩功能；计算第二中线Z的最大值和最小值的差值与第二中线Z的最大值的比值，该比值用于间接指示左心室的舒张功能。第一中线Y的最大值是从第一超声图像帧和第三超声图像帧中获取的。第一中线Y的最小值是从第二超声图像帧中获取的。第二中线的最大值是在第二超声图像帧中获取的，第二中线的最小值是在第一超声图像帧和第三超声图像帧中获取的。
基于左心室三角模型所包含的右侧边所对应的长度值与底边所对应的长度值的一半计算所述用于反映室壁运动的参数。
例如，如图4所示，计算每张超声图像帧中右侧边R的长度值与底边X的一半的比值，确定该比值的最大值和最小值之间的差值，该差值用于反映室壁运动的状态。
基于左心室三角模型的左侧边的长度值和右侧边的长度值计算用于反映节段性运动的参数。例如，如图4所示，计算左侧边L的长度值的最大值和最小值之间的差值，计算该差值与左侧边L的长度值的最大值的比值，该比值用于放映左侧边对应的心肌的运动状态。计算右侧边R的长度值的最大值和最小值之间的差值，计算该差值与右侧边R的长度值的最大值的比值，该比值用于放映右侧边对应的心肌的运动状态。
可选地，动态评估参数包括用于反映室壁运动的参数，基于角度值计算得到动态评估参数包括：
获取斜率角的角度值，该斜率角的顶点是左心室三角模型与左心房三角模型的共享边的中点，该斜率角的两条边分别是左心室三角模型与左心房三角模型的共享边和左心室心内膜顶点到中点之间的边；
基于左心室三角模型所包含的三个角所对应的角度值和斜率角的角度值计算用于反映室壁运动的参数。
例如，如图7所示，获取每张超声图像帧中斜率角的角度值，计算该角度值的正切值来表示心脏室壁的运动状态。
计算多张超声图像帧中左底角的最大值和最小值的第一差值；
计算多张超声图像帧中右底角的最大值和最小值的第二差值；
计算第一差值和第二差值之间的第三差值；利用第三差值的变化趋势来指示局部室壁的运动状态。
还可以计算每张超声图像帧中左底角和右底角的第四差值，确定第四差值的最大值和最小值之间的差值，该差值的变化趋势用于指示室壁的运动状态。
图7中表示从一个心动周期的单一的基础切面视频中，获取的N张超声图像帧，其中第t1时刻对应的是当前心动周期的收缩期开始，即上一心动周期的舒张期结束，表示为第t1帧；第t2时刻对应的是当前心动周期的收缩期结束，即当前心动周期的舒张期开始，表示为第t2帧，也即是ESV对应的超声图像帧；第t3时刻对应的是当前心动周期的舒张期结束，即下一心动周期的收缩期开始，表示为第t3帧，也即EDV对应的超声图像帧。从第1帧变化到第2帧时均匀提取的多个帧，在图中用第tn1帧到第tn2帧表示，从第2帧变化到第3帧时均匀提取的多个帧，在图中用第tm1帧到第tm2帧表示。
本申请实施例中，获取的超声图像帧是心尖四腔切面或者心尖二腔切面。
本申请实施例还提出了一种不需要按照传统的测量双侧瓣环组织多普勒图，通过瓣环判断收缩和舒张功能的方法。请参考图8，图8示出了本申请实施例提供心脏功能评估方法的流程示意图。该方法包括：
步骤701，在单一的基础切面视频中，获取一个符合评估条件的心动周期所对应的N张超声图像帧。N的取值是大于等于10的自然数。
步骤702，在每张中超声图像帧构建左心室和左心房双三角模型，其中，左心室三角模型与左心房三角模型之间共享底边，在共享的底边上标注中点；可选地，在每张超声图像中构建左心室三角模型，确定左心室三角模型的底边的中点。
步骤703，基于N张超声图像帧的每张超声图像帧所包含的中点生成中点的速度轨迹；
步骤704，在速度轨迹上直接标注基础参数，基础参数包括以下至少一项：
与收缩期峰值对应速度峰值、与舒张早期峰值对应的速度峰值、等容收缩时间、等容舒张时间、射血时间、与舒张晚期运动峰值对应的速度峰值。
在上述步骤中，基于中点的自然坐标系下的位移差与时间差的比值确定该中点的速度值，方向为中点在运动轨迹上的切线方向。基于多个中点的速度值和方向生成中点的速度轨迹。请参考图8所示，图8示出了追踪中点生成的速度轨迹的示意图。在图8示出的速度轨迹上与收缩期峰值对应速度峰值、与舒张早期峰值对应的速度峰值、等容收缩时间、等容舒张时间、射血时间、与舒张晚期运动峰值对应的速度峰值等基础参数。
相关技术中需要通过测量双侧瓣环组织多普勒图，才能获得收缩期峰值、舒张早期峰值、等容收缩时间、等容舒张时间、射血时间等参数。而本申请可以通过中点生成的速度轨迹，得到与前述参数效果等同的用速度峰值表征的指标参数。例如，图9中示意与收缩期峰值对应速度峰值，其与多普勒图中显示的收缩期峰值近似。
在获取上述基础参数之后，基于基础参数可以直接计算Tei指数(Tei Index)，即心机做功指数，又称心肌综合指数(MPI)，其表示心室等容收缩时间(ICT)与等容舒张时间(IRT)之和与射血时间(ET)的比值，即
Tei＝(ICT+IRT)/ET
其中，正常人左心室Tei指数的标准值为0.37±0.05；右心室Tei指数的标准值为0.29±0.06。Tei指数在成人中随年龄变化的幅度较小，且不受心率、心室几何形态、心室收缩压和舒张压的影响。该可以用于反应左室的整体收缩功能，心脏功能下降，Tei指数会相对于标准值增加。IRT延长，而ICT缩短，则提示心脏的舒张功能不全，IRT正常标准值为70-90ms，当IRT＞90ms时，提示早期充盈减低；IRT≤70ms提示限制性充盈异常。与舒张早期峰值对应的速度峰值e’，是用于评价心脏舒张功能的一个指标，当e’≤8cm/s，提示舒张功能不全。其中与舒张早期峰值对应的速度峰值e’的标准值为8cm/s。
与收缩期峰值对应速度峰值s’，是用于评价心脏收缩功能的一个指标，当s’≤5cm/s，提示收缩功能不全。其中与收缩期峰值对应速度峰值s’的标准值为5cm/s。本申请实施例，不用按照传统的测量双侧瓣环组织多普勒图来获取收缩期峰值、舒张早期峰值、等容收缩时间、等容舒张时间、射血时间等参数，仅通过获取前述中点的速度轨迹，就可以直接获取与前数参数效果等同的基础参数，并通过对该基础参数进行计算或与标准值比较，得出心脏舒张和收缩功能的变化结果，其避免了繁琐的图像采集，有效地节省了图像处理的时间，而且显著地提高了心脏功能评估的效率。
应当注意，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
进一步请参考图10，图10示出了本申请实施例提供的心脏功能评估装置的结构示意图。心脏功能评估装置可以设置在心脏超声采集设备中，或者远程连接的服务器中。该装置包括：
图像获取单元901，用于在单一的基础切面视频中，获取至少一个符合评估条件的心动周期的N张超声图像帧，该评估条件是指基础切面视频在一个心动周期内所包含的收缩初期到舒张末期的变化过程清晰可见，该N张超声图像帧包括心动周期的收缩期开始时对应的第一超声图像帧和心动周期的舒张期结束时对应的第二超声图像帧，以及在第一超声图帧和第二超声图像帧中按照时间间隔均匀提取的其他超声图像帧，所述N的取值是大于等于10的自然数；
三角构建单元902，用于在N张超声图像帧的每一张中构建左心室和左心房双三角模型，其中，左心室和左心房双三角模型包括左心室三角模型和左心房三角模型，且左心室三角模型与左心房三角模型之间共享底边；
参数计算单元903，用于基于左心室和左心房双三角模型对应的基础参数，计算得到由N张超声图像帧共同决定的至少一组动态评估参数，每组动态评估参数用于评估心脏的功能。
其中，三角构建单元902还包括：
第一标注子单元，用于对每张超声图像帧标注二尖瓣环室间隔侧的第一分割点、左心室游离壁二尖瓣环游离壁侧的第二分割点、左心室心内膜顶点和左心房心内膜顶点；
第一构建子单元，用于对每张超声图像帧基于第一分割点、第二分割点和左心室心内膜顶点构建左心室三角模型；
第二构建子单元，用于对每张超声图像帧基于第一分割点、第二分割点和左心房心内膜顶点构建左心房三角模型；
确定子单元，用于第一分割点和第二分割点所确定的边作为左心室三角模型与左心房三角模型的共享的底边；
第二标注子单元，用于在共享边上标注中点；
第一中线确定子单元，用于基于左心室心内膜顶点和中点确定第一中线。
第二中线确定子单元，用于基于左心房心内膜顶点和中点确定第二中线。
该装置包括：
旋转处理单元，用于将左心室和左心房双三角模型进行旋转处理，使得N张超声图像帧所包含的左心室和左心房双三角模型的共享的底边平齐。
参数计算单元903还包括：
获取子单元，用于获取左心室和左心房双三角模型中共享的底边的长度值；获取左心室三角模型所包含的三条边所对应的长度值和第一中线的长度值，以及左心室三角模型所包含的三个角所对应的角度值；获取第二中线的长度值；
计算子单元，用于基于长度值或角度值计算得到动态评估参数。
可选地，动态评估参数包括用于反映心腔容积大小的参数、用于反映心室的整体收缩和舒张功能的参数、用于反映室壁运动的参数和用于反映节段性运动的参数中的至少一个参数，计算子单元用于：
基于左心室三角模型所包含的三条边对应的长度值、第一中线的长度值和第二中线的长度值，计算用于反映心腔容积大小的参数；
基于共享的底边的长度值、第一中线的长度值和第二中线的长度值，计算用于反映心室的整体收缩和舒张功能的参数；
基于左心室三角模型所包含的右侧边所对应的长度值与共享的底边所对应的长度值的一半，计算用于反映室壁运动的参数；
基于左心室三角模型的左侧边的长度值和右侧边的长度值，计算用于反映节段性运动的参数。
可选地，动态评估参数包括用于反映室壁运动的参数，计算子单元还用于：
获取斜率角对应的角度值，该斜率角的顶点是中点，该斜率角的两条边分别是共享的底边和第一中线；
基于左心室三角模型所包含的三个角所对应的角度值和该斜率角的角度值计算用于反映室壁运动的参数。
该装置还包括：
标注单元，用于在共享边上标注中点；
轨迹生成单元，用于基于中点生成中点的速度轨迹；
功能标注单元，用于在速度轨迹上直接标注基础参数，该基础参数包括以下至少一项：
与收缩期峰值对应速度峰值、与舒张早期峰值对应的速度峰值、等容收缩时间、等容舒张时间、射血时间、与舒张晚期运动峰值对应的速度峰值。
应当理解，装置记载的诸单元或模块与参考图1描述的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装置及其中包含的单元，在此不再赘述。服务器中的相应单元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。
在上文详细描述中提及的若干模块或者单元，这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
下面参考图11，其示出了适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
如图11所示，计算机系统包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有系统操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；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1007；包括硬盘等的存储部分1008；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1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，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1010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1008。
特别地，根据本公开的实施例，上文参考流程图图1描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在机器可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，前述模块、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。
描述于本申请实施例中所涉及到的单元或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。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括图像获取单元、三角构建单元、参数计算单元。其中，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，图像获取单元还可以被描述为“用于在单一的基础切面视频中，获取至少一个符合评估条件的心动周期的N张超声图像帧的单元”。
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描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中的。上述计算机可读存储介质存储有一个或者多个程序，当上述前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心脏功能评估方法。
例如，计算机设备可以实现如图1所示的：步骤101，在单一的基础切面视频中，获取至少一个符合评估条件的心动周期的N张超声图像帧。步骤102，在N张超声图像帧的每一张中构建左心室和左心房双三角模型，其中，左心室和左心房双三角模型包括左心室三角模型和左心房三角模型，且左心室三角模型与所述左心房三角模型之间共享底边；步骤103，基于左心室和左心房双三角模型对应的基础参数，计算得到由N张超声图像帧共同决定的至少一组动态评估参数，每组动态评估参数用于评估心脏的功能。
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，本申请中所涉及的公开范围，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前述公开构思的情况下，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 (9)

1.一种基于双三角模型智能评估心脏功能的方法，其特征在于，该方法包括：
在单一的基础切面视频中，获取至少一个符合评估条件的心动周期所对应的N张超声图像帧，所述评估条件是指所述基础切面视频在一个心动周期内所包含的收缩初期到舒张末期的变化过程清晰可见，所述N张超声图像帧包括所述心动周期的收缩期开始时对应的第一超声图像帧和所述心动周期的舒张期结束时对应的第二超声图像帧，以及在所述第一超声图帧和所述第二超声图像帧中按照时间间隔均匀提取的其他超声图像帧，所述N的取值是大于等于10的自然数；
在所述N张超声图像帧的每一张中构建左心室和左心房双三角模型，其中，所述左心室和左心房双三角模型包括左心室三角模型和左心房三角模型，且所述左心室三角模型与所述左心房三角模型之间共享底边；
其中，所述在所述N个超声图像帧的每一张中构建左心室和左心房双三角模型包括：
对每张所述超声图像帧标注二尖瓣环室间隔侧的第一分割点、二尖瓣环游离壁侧的第二分割点、左心室心内膜顶点和左心房心内膜顶点；
对每张所述超声图像帧基于所述第一分割点、所述第二分割点和所述左心室心内膜顶点构建所述左心室三角模型；
对每张所述超声图像帧基于所述第一分割点、所述第二分割点和所述左心房心内膜顶点构建所述左心房三角模型；
将所述第一分割点和所述第二分割点所确定的边作为所述左心室三角模型与所述左心房三角模型的共享的底边；
在所述共享的底边上标注中点；
基于所述左心室心内膜顶点和所述中点确定第一中线；
基于所述左心房心内膜顶点和所述中点确定第二中线；
基于所述左心室和左心房双三角模型对应的基础参数，计算得到由所述N张超声图像帧共同决定的至少一组动态评估参数，每组所述动态评估参数用于评估心脏的功能；
其中，所述基于所述左心室和左心房双三角模型对应的基础参数，计算得到由所述N张超声图像帧共同决定的至少一组动态评估参数，包括：
获取所述左心室和左心房双三角模型中共享的底边的长度值；
获取所述左心室三角模型所包含的三条边所对应的长度值和所述第一中线的长度值，以及所述左心室三角模型所包含的三个角所对应的角度值；
获取所述第二中线的长度值；
基于所述长度值或所述角度值计算得到所述动态评估参数。
2.根据权利要求1所述的方法，其特征在于，所述获取至少一个符合评估条件的心动周期的N张超声图像帧之前，该方法还包括：
接收多个基础切面视频；
调用预先构建的切面筛选模型从多个所述基础切面视频中确定心尖四腔切面或者心尖二腔切面所对应的切面视频作为基础切面视频；或者，直接接收心尖四腔切面或者心尖二腔切面所对应的切面视频作为基础切面视频。
3.根据权利要求2所述的方法，其特征在于，在构建左心室和左心房双三角模型之后，该方法还包括：
将所述左心室和左心房双三角模型进行旋转处理，使得所述N张超声图像帧所包含的左心室和左心房双三角模型的共享的底边平齐。
4.根据权利要求3所述的方法，其特征在于，所述动态评估参数包括用于反映心腔容积大小的参数、用于反映心室的整体收缩和舒张功能的参数、用于反映室壁运动的参数和用于反映节段性运动的参数中的至少一个参数，则所述基于所述长度值计算得到所述动态评估参数包括：
基于所述左心室三角模型所包含的三条边对应的长度值、所述第一中线的长度值和所述第二中线的长度值，计算所述用于反映心腔容积大小的参数；
基于所述共享的底边的长度值、所述第一中线的长度值和所述第二中线的长度值，计算所述用于反映心室的整体收缩和舒张功能的参数；
基于所述左心室三角模型所包含的右侧边所对应的长度值与所述共享的底边所对应的长度值的一半，计算所述用于反映室壁运动的参数；
基于所述左心室三角模型的左侧边的长度值和右侧边的长度值，计算用于反映节段性运动的参数。
5.根据权利要求4所述的方法，其特征在于，所述动态评估参数包括用于反映室壁运动的参数，所述基于所述角度值计算得到所述动态评估参数包括：
获取斜率角对应的角度值，所述斜率角的顶点是所述中点，所述斜率角的两条边分别是所述共享的底边和所述第一中线；
基于所述左心室三角模型所包含的三个角所对应的角度值和所述斜率角的角度值计算用于反映室壁运动的参数。
6.根据权利要求1所述的方法，其特征在于，该方法还包括：
在所述共享的底边上标注中点；
基于所述中点生成所述中点的速度轨迹；
在所述速度轨迹上直接标注基础参数，所述基础参数包括以下至少一项：
与收缩期峰值对应速度峰值、与舒张早期峰值对应的速度峰值、等容收缩时间、等容舒张时间、射血时间、与舒张晚期运动峰值对应的速度峰值。
7.一种基于双三角模型智能评估心脏功能的装置，其特征在于，该装置包括：
图像获取单元，用于在单一的基础切面视频中，获取至少一个符合评估条件的心动周期的N张超声图像帧，所述评估条件是指所述基础切面视频在一个心动周期内所包含的收缩初期到舒张末期的变化过程清晰可见，所述N张超声图像帧包括所述心动周期的收缩期开始时对应的第一超声图像帧和所述心动周期的舒张期结束时对应的第二超声图像帧，以及在所述第一超声图帧和所述第二超声图像帧中按照时间间隔均匀提取的其他超声图像帧，所述N的取值是大于等于10的自然数；
三角构建单元，用于在所述N张超声图像帧的每一张中构建左心室和左心房双三角模型，其中，所述左心室和左心房双三角模型包括左心室三角模型和左心房三角模型，且所述左心室三角模型与所述左心房三角模型之间共享底边；
其中，所述在所述N个超声图像帧的每一张中构建左心室和左心房双三角模型包括：
对每张所述超声图像帧标注二尖瓣环室间隔侧的第一分割点、二尖瓣环游离壁侧的第二分割点、左心室心内膜顶点和左心房心内膜顶点；
对每张所述超声图像帧基于所述第一分割点、所述第二分割点和所述左心室心内膜顶点构建所述左心室三角模型；
对每张所述超声图像帧基于所述第一分割点、所述第二分割点和所述左心房心内膜顶点构建所述左心房三角模型；
将所述第一分割点和所述第二分割点所确定的边作为所述左心室三角模型与所述左心房三角模型的共享的底边；
在所述共享的底边上标注中点；
基于所述左心室心内膜顶点和所述中点确定第一中线；
基于所述左心房心内膜顶点和所述中点确定第二中线；
参数计算单元，用于基于所述左心室和左心房双三角模型对应的基础参数，计算得到由所述N张超声图像帧共同决定的至少一组动态评估参数，每组所述动态评估参数用于评估心脏的功能；
其中，所述基于所述左心室和左心房双三角模型对应的基础参数，计算得到由所述N张超声图像帧共同决定的至少一组动态评估参数，包括：
获取所述左心室和左心房双三角模型中共享的底边的长度值；
获取所述左心室三角模型所包含的三条边所对应的长度值和所述第一中线的长度值，以及所述左心室三角模型所包含的三个角所对应的角度值；
获取所述第二中线的长度值；
基于所述长度值或所述角度值计算得到所述动态评估参数。
8.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的方法。
9.一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如权利要求1-6中任一项所述的方法。
CN202010353366.2A 2020-04-29 2020-04-29 双三角模型智能评估心脏功能的方法、装置、设备及介质 Active CN111508077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010353366.2A CN111508077B (zh) 2020-04-29 2020-04-29 双三角模型智能评估心脏功能的方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010353366.2A CN111508077B (zh) 2020-04-29 2020-04-29 双三角模型智能评估心脏功能的方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN111508077A CN111508077A (zh) 2020-08-07
CN111508077B true CN111508077B (zh) 2021-01-15

Family

ID=71877018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010353366.2A Active CN111508077B (zh) 2020-04-29 2020-04-29 双三角模型智能评估心脏功能的方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN111508077B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112656445B (zh) * 2020-12-18 2023-04-07 青岛海信医疗设备股份有限公司 一种超声设备、超声图像处理方法及存储介质
CN114224384A (zh) * 2021-12-16 2022-03-25 深圳市莱康宁医用科技股份有限公司 胎心双向频谱、监护方法、临床方法、定位方法及监护仪

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6491636B2 (en) * 2000-12-07 2002-12-10 Koninklijke Philips Electronics N.V. Automated border detection in ultrasonic diagnostic images
US8315812B2 (en) * 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
CN104720846A (zh) * 2015-02-04 2015-06-24 四川长虹电器股份有限公司 一种心脏健康评估方法
CN108882917A (zh) * 2016-05-30 2018-11-23 深圳迈瑞生物医疗电子股份有限公司 一种心脏容积识别分析系统和方法
CN106600596B (zh) * 2016-12-21 2019-07-12 南昌航空大学 一种心脏腔室动态显示方法及系统
CN110335235B (zh) * 2019-04-29 2020-12-01 上海依智医疗技术有限公司 心脏医学图像的处理装置、处理系统和介质
CN110141196B (zh) * 2019-06-13 2021-06-01 东北大学 基于双三角血流模型的外周动脉血管弹性评价系统
CN110288581B (zh) * 2019-06-26 2022-11-04 电子科技大学 一种基于保持形状凸性水平集模型的分割方法
CN110956224B (zh) * 2019-08-01 2024-03-08 平安科技（深圳）有限公司 评估模型生成、评估数据处理方法、装置、设备及介质
CN111009290B (zh) * 2019-12-12 2023-10-31 中国人民解放军总医院 高原适应性检测模型的训练方法、适应性识别方法和装置

Also Published As

Publication number Publication date
CN111508077A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
US10702247B2 (en) Automatic clinical workflow that recognizes and analyzes 2D and doppler modality echocardiogram images for automated cardiac measurements and the diagnosis, prediction and prognosis of heart disease
Peng et al. A review of heart chamber segmentation for structural and functional analysis using cardiac magnetic resonance imaging
CN110197713B (zh) 一种医疗影像的处理方法、装置、设备和介质
US10321892B2 (en) Computerized characterization of cardiac motion in medical diagnostic ultrasound
Kang et al. Heart chambers and whole heart segmentation techniques
Tufvesson et al. Validation and development of a new automatic algorithm for time-resolved segmentation of the left ventricle in magnetic resonance imaging
US8301224B2 (en) System and method for automatic, non-invasive diagnosis of pulmonary hypertension and measurement of mean pulmonary arterial pressure
CN111508077B (zh) 双三角模型智能评估心脏功能的方法、装置、设备及介质
EP3743883B1 (en) Flow analysis in 4d mr image data
Smistad et al. Fully automatic real-time ejection fraction and MAPSE measurements in 2D echocardiography using deep neural networks
Ciusdel et al. Deep neural networks for ECG-free cardiac phase and end-diastolic frame detection on coronary angiographies
Jahren et al. Estimation of end-diastole in cardiac spectral doppler using deep learning
Degerli et al. Early myocardial infarction detection over multi-view echocardiography
Lalande et al. Evaluation of cardiac structure segmentation in cine magnetic resonance imaging
Skiles et al. Transesophageal echocardiographic (TEE) evaluation of ventricular function
US11810303B2 (en) System architecture and method of processing images
Rahmatikaregar et al. A Review of Automatic Cardiac Segmentation using Deep Learning and Deformable Models
Mehta et al. Heart Disease Diagnosis using Deep Learning
Zamzmi et al. Fully automated spectral envelope and peak velocity detection from Doppler echocardiography images
CN114469176A (zh) 一种胎儿心脏超声图像的检测方法及相关装置
Abdelrauof et al. Light-weight localization and scale-independent multi-gate UNET segmentation of left and right ventricles in MRI images
KR20230067770A (ko) 심장 신호 분할 방법 및 이를 이용한 심장 신호 분할용 디바이스
Sanjeevi et al. Deep learning supported echocardiogram analysis: A comprehensive review
Sahebzamani Weakly supervised landmark detection for automatic measurement of left ventricular diameter in videos of PLAX from cardiac ultrasound
Dorraki et al. Artificial intelligence in echocardiography

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