CN111655159A - 人工智能射血分数测量 - Google Patents
人工智能射血分数测量 Download PDFInfo
- Publication number
- CN111655159A CN111655159A CN201880080181.XA CN201880080181A CN111655159A CN 111655159 A CN111655159 A CN 111655159A CN 201880080181 A CN201880080181 A CN 201880080181A CN 111655159 A CN111655159 A CN 111655159A
- Authority
- CN
- China
- Prior art keywords
- neural network
- ejection fraction
- contemporaneous
- imaging data
- video clip
- 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.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/029—Measuring or recording blood output from the heart, e.g. minute volume
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/06—Measuring blood flow
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Hematology (AREA)
- Physiology (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明的实施例提供了用于人工智能射血分数测量的方法、系统和计算机程序产品。在人工智能射血分数测量方法中,神经网络加载到计算机的储存器中,其在不同心室的心室成像期间,用针对不同心脏的心室获取的不同组心脏成像数据,以及针对每一组的已知的射血分数,进行训练。然后,获取心脏心室的同时期成像数据组,并将同时期成像数据组提供给神经网络。最后,在计算机显示器上显示由神经网络输出的射血分数测量,而无需跟踪心脏的心室边界。
Description
技术领域
本发明涉及心脏的收缩功能,更具体地,涉及射血分数测量。
背景技术
射血分数是对心脏收缩功能的测量,其指的是每次收缩时血液离开心脏的百分比。具体地,在心脏的每个泵送周期中,心脏既收缩又放松。当心脏收缩时,心脏从它的两个泵送腔室(被称为左心室和右心室)中射出血液。相反地,当心脏放松时,两个心室都被再注满血液。值得注意的是,无论心脏的收缩多么剧烈,心脏也不能将所有的血液泵送出每个心室。而是,一些血液还会剩余。因此,术语“射血分数”指的是每次心跳时,一个充满的心室能够被泵送出的血液的百分比。
在两个心室中,左心室是心脏的主要泵送腔室,其通过升主动脉,泵送氧合血到身体的其他部位,而右心室是泵送血液到肺部进行氧合作用的腔室。左心室或右心室的射血分数,可以通过使用几种不同的成像技术来测量。最常用的技术是超声心动图,其中,射血分数是通过心脏和泵送经心脏的血液的声波所产生的图像来测量的。超声心动图的其他替代方法,包括使用磁共振成像(MRI)、计算机断层扫描(CT)和核医学扫描、基于导管的成像。
目前的射血分数测量方法往往不能准确地评估心脏疾病状况。这一错误可以导致患者延迟治疗,并在延迟期间疾病状况会显著恶化。在这点上,超声心动图依靠辛普森双平面法(Simpson Biplane methodology)来产生测量结果。尤其是,在辛普森双平面法中,测量心室的收缩末期和舒张末期的容积,以便计算分数差异。但是,通过如此操作,心室边界需要由人类读取器手动跟踪,其对人来说是主观的。然后,心室容积被假定由有限的数量、通常地,20个椭圆柱组成,其虽然方便,但并不准确。此外,这种方法依赖于找到准确的收缩末期和舒张末期图像帧,通常是非同寻常的步骤,如果操作不准确可能会导致错误。因此,尽管现代诊断技术进步,但目前的射血分数测量方法仍无法以最佳化或可再现的方式进行测量。
发明内容
本发明的实施例解决了本领域中射血分数测量方法方面的缺陷,并提供了一种用于人工智能射血分数测量的新颖的、非显而易见的方法、系统和计算机程序产品。在本发明实施例中,用于人工智能射血分数测定的方法,其包括用针对不同心脏的心室获取的不同组心脏成像数据,以及针对每一组的已知的射血分数,来训练神经网络。然后,经训练的神经网络加载到计算机储存器中。无论是以剪辑图像的形式,还是在心脏心室的成像过程中产生的数据的形式,获取心脏心室的一组同时期的成像数据,随着时间推移,其被转化为心脏的空间数据,并能够在显示中可视化。其后,将该组同时期成像数据提供给神经网络。最后,由神经网络输出的射血分数测量显示在计算机显示器,而无需跟踪心脏的心室边界。
在实施例的一个方面,将采集的同时期成像数据组进行过滤,使其仅包括利用特定的成像模态采集的,并显示心室的特定视图的成像数据。还在实施例的另一个方面,仅将同时期成像数据组的一部分提供给神经网络,而且,在从神经网络接收到不确定输出的指示后,向神经网络提供同时期成像数据组的其他部分,以便接收从神经网络输出的确定的射血分数。在实施例的另一个方面,用针对不同心脏的心室获取的不同组心脏成像数据,以及针对每一组的已知的射血分数,分别使用不同的视图和模态来训练多个不同的每一个神经网络。如此,只有特定的一个或多个经训练的神经网络加载到计算机的储存器中,该特定一个训练的神经网络对应于所识别的模态和同时成像数据组的至少一个指定视图。最后,甚至还在实施例的另一个方面,通过视频剪辑图像的每一个视频剪辑的尺寸再调整和裁剪,对视频剪辑图像的形式的同时期成像数据组预处理。
在本发明的另一个实施例中,配置用于人工智能射血分数测量的心动图数据处理系统。该系统包括主机计算平台,该主机计算平台包括一个或多个计算机,其中每个计算机具有储存器和至少一个处理器。该系统还包括射血分数测量模块。该模块包括计算机程序指令,其在主机计算平台的储存器中执行时,能够将神经网络加载到储存器中,该神经网络用针对不同心脏的心室获取的不同组心脏成像数据组,以及针对每个组的已知的射血分数来训练,以获取心脏心室的同时期成像数据组,将同时期的成像数据组提供给神经网络,并在计算机的显示器上显示由神经网络输出的射血分数的输出,而无需跟踪心脏的心室边界。
本发明的其他方面将在以下描述中部分阐述,并且该部分在描述中是显而易见的,或通过本发明的实践可以被教导。本发明的各方面,将通过所附权利要求书中特别指出的要素和组合,来实现和获取。需要理解的是,如所声称的,前面的一般描述和下面的详细描述都仅是示例性和说明性的,并且不限制本发明。
附图说明
并入本说明书中、并构成本说明书一部分的附图,示出了本发明的实施例,并且与说明书一起用于解释本发明的原理。应当理解,本文所示的实施方案目前是优选的,然而,本发明并不局限于所示的精确的安排和工具,其中:
图1是用于人工智能射血分数测量的过程的图示说明;
图2是配置用于人工智能射血分数测量的心动图数据处理系统的示意图;以及,
图3是示出用于人工智能射血分数测量过程的流程图。
具体实施方式
本发明的实施例提供了人工智能射血分数测量。根据本发明实施例,针对不同的心脏,获取不同视频剪辑的形式的心室(左、右,或两者)的不同组的心脏成像数据,以及每个组对应的已知的射血分数,与这些组相关联。这些组然后作为训练输入,提供给针对相关射血分数的神经网络,从而训练神经网络。在这方面,将这些组作为训练输入,并结合用于获取视频剪辑的特定模态(例如超声心动图,CT或MRI),以及与每个视频剪辑中显示的特定视图类型的指示(例如胸骨旁长轴和短轴,心尖的二、三、四和五腔室,以及心内侧(sub-coastal)视图),提供给神经网络。然后可以结合特定模态和视图,将经过训练的神经网络存储。
其后,获取了心脏心室的同时期心脏成像数据组,并为同时期图像组识别了模态和视图。可选地,从组中去除被确定为质量低于标准的视频剪辑。然后,选择对应于所识别的同时期图像组的模态和视图的神经网络,并将同时期图像组提供给所选的神经网络,以便从所选的神经网络接收作为输出的射血分数值,而无需跟踪心脏的心室边界。通过这种方法,心室的射血分数可以测量,而不依赖于通过人类读取器对心室的传统手动追踪、手动测量收缩末期或舒张末期,或错误地假设用椭圆柱体模拟心室容积的来测量。
在进一步说明中,图1是用于人工智能射血分数测量过程的图示说明。如图1所示,心动图数据处理系统120,在心脏心室110成像期间,获取心脏心室110的成像数据130。成像数据130可以根据一种或多种不同的模态获取,如超声获取的成像数据、CT图像或MRI图像。成像数据也可以包括来自心脏110的许多不同视图的一维的、二维的或者三维随着时间变化的空间数据,包括胸骨旁长轴和短轴、心尖二室、三室、四室和五室,以及心侧内的视图。然后,对视频剪辑图像130进行预处理,以便将成像数据130过滤成成像数据150的选择,所述成像数据150对应于通过一种或多种所选的方式获取的心脏110的一个或多个选择的视图,例如合适质量的四腔室或两腔室视图,其包括通过B型超声心动图、多普勒超声心动图、M型超声心动图、CT或MRI获取的省略部分视图或斜视图。
然后,成像数据150的选择的一个子组160A,作为输入提供给神经网络170,该神经网络170先前曾结合心脏的心室的不同视图和形态的选择、以及这些不同视图相应的已知射血分数的选择,进行训练。在一定程度上,神经网络输出一个不确定结果190,图像数据150的选择的一个新子组160B被选择并提供给神经网络170。这个过程可能一直持续,直到在成像数据150选择中没有成像数据存在,或直到神经网络170输出一个射血分数180。在这种情况下,射血分数180显示在显示器中以供最终用户查看。可选地,神经网络170的输出,可以改为结合图片存档和通信系统(PACS)、电子病历(EMR)系统,或超声心动图/放射学信息管理系统来存储。
与图1结合所描述的过程可以在心动图数据处理系统中实施。还在进一步的说明中,图2示意性地示出了为人工智能射血分数测量所配置的心动图数据处理系统。该系统包括主机计算平台210,其可以包括一个或多个计算机,其每一个都具有储存器和至少一个处理器。神经网络240加载到主机计算平台210的储存器中,该主机计算平台210已经使用训练模块220利用不同心脏的一组视频剪辑图像的输入进行训练,所述每个心脏都有已知的射血分数。可选地,神经网络240可以包括不同神经网络的选择,其每一个都根据不同的模态获取的不同的视频剪辑图像进行训练,并且显示心脏的不同视图。
值得注意的是,提供了射血分数测量模块300。射血分数测量模块300包括计算机程序指令,当在主机计算平台210的储存器中执行时,该计算机程序指令能够处理存储在图像存储器230中的心脏的成像数据同时期获取的选择。通过将成像数据过滤为仅源自特定的模态的所选视图的成像数据,该程序指令还能够预处理成像数据的选择。当以视频剪辑图像的形式对图像数据进行预处理时,该程序指令还能够裁剪视频片段图像,以便于从视频剪辑图像中移除与心脏无关的外来物质,并旋转视频剪辑图像至正确的角度方向,以及再调整视频剪辑图像的尺寸。
在实施例的一个方面,已全部的过滤的和预处理的成像数据,可以提交给神经网络240,以用于射血分数测量。在这方面,在提交时,将同时期视频剪辑图像组中每个视频剪辑分解为多个帧,且这些帧并行地提交给神经网络240。然而,作为一种替代方式,该程序指令可能能够仅选择被过滤的和预处理成像数据的一部分,以提交给神经网络240,其中该部分中的每个视频剪辑的成像数据,分解成多个帧,并且这些帧并行地提交给神经网络240。在任一情况下,当由神经网络240提供时,程序指令都能够显示由神经网络240产生的射血分数。然而,为了应对当神经网络240产生不确定的结果的情况,程序指令能够选择已过滤的和预处理图像额外的部分,用于在确定心脏的心室的射血分数的后续尝试中额外提交给神经网络240。
甚至还在射血分数测量模块300的操作的进一步说明中,图3是一个流程图,其示出了人工智能射血分数测量的过程。从区块310开始,以心脏心室视频剪辑图像组的形式的成像数据,被加载到储存器和区块320中,该组中的视频剪辑图像经过滤,仅包括根据所选的模态获取的图像的一个或多个所选的视图。然后,在区块330中,过滤的视频剪辑图像,每一个都通过裁剪、填充或旋转功能进行校正。最后,在区块340中,过滤的视频剪辑图像的一个子组经选择,作为区块350中的输入,至神经网络。可选地,经训练的特定的神经网络,与所选的视图和所选的模态相关联,从而接收在区块350中的输入。在决策区块360中,其测量神经网络是否能够输出射血分数。如果是,则射血分数显示在区块390中。否则,在决策区块370中,其测量是否还有剩余图像要由神经网络处理。如果是,在区块340中选择过滤的图像的额外子组,作为在区块350中的输入,至神经网络。如果没有更多的图像剩余以处理,错误情况导致了区块380。
本发明可能在系统、方法、计算机程序产品或其任何组中体现。该计算机程序产品可能包括计算机可读存储媒介,或具有计算机可读程序指令的介质,以用于使处理器执行本发明的各个方面。该计算机可读存储媒介,可以是能够保留和存储指令以供指令执行设备使用的有形设备。该计算机可读程序指令的介质可以是,例如,但不限于,电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备,或前述任何适当组合。
本文所描述的计算机可读程序指令,可以从计算机可读存储媒介下载到各自的计算/处理设备,或通过网络至外部计算机或外部存储设备。该计算机可读的程序指令可以在用户的计算机上完全执行,在用户的计算机上部分执行,作为独立运行的软件包,在用户的计算机上部分执行,以及在远程计算机上部分执行,或在远程计算机或服务器上完全执行。参考根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图和/或方框图,在此描述本发明的各方面。可以理解的是,流程图说明和/或方框图的每个方框,以及流程图说明和/或方框图中的方框的组合,都可以通过计算机可读程序指令来实施。
这些计算机可读程序指令可以提供给通用计算机、专用计算机、或者其他可编程数据处理装置来生产机器,这样的指令,其通过计算机的处理器,或其他可编程数据处理装置执行,创建实施流程图和/或方框图方框或多个方框中所指定的功能/行为的方法。这些计算机可读程序指令也可以被存储在一个计算机可读存储媒介中,所述计算机可读存储媒介能针对计算机、可编程数据处理装置,和/或以特定方式运行的设备,如具有存储在其中的指令的计算机可读存储介质,包括制造品,所述制造品包含实施在流程图和/或方框图的方框或多个方框中所指定的功能/行为的指令的各方面。
该计算机可读程序指令也可以被加载到计算机、其他可编程数据处理装置,或导致在计算机上执行一系列操作步骤的其他设备、其他可编程装置,或生产计算机实施过程的其他设备,使得指令在计算机、其他可编程装置,或在其他流程图和/或方框图方框或多个方框中所指定的功能/行为的其他设备上执行。
图中的流程图和方框图,示出了根据本发明的各个实施例的系统、方法和计算机程序产品的可能实施的体系结构、功能和操作。
在这方面,流程图或方框图中的每个方框可以表示指令的模块、片段或部分,其包括用于实施指定逻辑功能的一个或多个可执行的指令。在一些可替代的实施中,方框中记录的功能可以不以图中记录的顺序出现。例如,陆续显示的两个框可以,事实上,基本上同时执行,或者取决于所涉及的功能,有时可以以相反的顺序执行这些方框图。其也要注意的是,方框图和/或流程图说明中每个方框,以及在方框图和/或流程图说明中的方框的组合,可以通过执行指定功能的基于特定硬件的系统实施,或充当或执行特定用途的硬件和计算机指令的组合。
最后,本文中所用术语仅出于描述特定实施例的目的,且不打算限制本发明。本文中使用的单数形式“一个(a)”、“一个(an)”和“该(the)”也应包括复数形式,除非上下文另有明确指示。也要进一步理解的是,术语“包括(includes)”和/或“包括(including)”,当用于本说明书时,指定所陈述的特征、整数、步骤、操作、要素和/或组成成分的存在,但不排除一个或多个其他特征、整数、步骤、操作、要素、组成成分和/或其组的存在或添加。
在以下权利要求中相应的结构、材料、行为、以及所有方法或步骤加功能要素的等效物,旨在包括任何结构、材料或行为,用于结合其他具体要求保护的要素来执行功能。本发明的描述出于说明和描述的目的而存在,并不打算详尽或限制公开形式的发明。在不偏离本发明的范围和精神的情况下,许多修改和变体对于本领域中常规技术人员将是显而易见的。选择和描述实施例是为了最好地解释本发明的原则和实际应用,并能使其他本领域中普通的技术的人员能理解本发明的具有各种修改的各种实施例,作为适用于预期的特定用途。
已经详细地描述的本发明的应用现状以及通过参考其实施例,显而易见的是,在不偏离以下所附权利要求书中定义的发明范围的情况下,修改和变更是可能的。
Claims (18)
1.一种人工智能射血分数测量方法,所述方法包括:
用针对不同心脏的心室获取的不同组心脏成像数据,以及针对每一组的已知的射血分数,来训练神经网络;
将经训练的神经网络加载到计算机储存器中;
获取心脏的心室的同时期成像数据组;
向神经网络提供该同时期成像数据组;以及,
在计算机显示器上显示由神经网络输出的射血分数测量,而无需跟踪心脏的心室边界。
2.根据权利要求1所述的方法,还包括将获取的同时期成像数据组,过滤为利用特定的成像模态获取的仅与视频剪辑有关的成像数据,并显示心室的特定视图。
3.根据权利要求1所述的方法,其中:
仅将所述同时期成像数据组的一部分提供给所述神经网络;以及,
在从所述神经网络接收到不确定输出的指示时,向神经网络提供同时期成像数据组的其他部分,以便接收从神经网络输出确定的射血分数。
4.根据权利要求1所述的方法,还包括:
利用针对不同心脏的心室获取的不同组的心脏成像数据,以及针对每一组的已知的射血分数,分别使用不同的视图和方式来训练多个不同的神经网络;
将经训练的特定神经网络中的其中一个加载到计算机的储存器中,所述特定一个训练的神经网络对应于一个识别的模态,以及同时期成像数据组的至少一个指定视图。
5.根据权利要求1所述的方法,还包括通过视频剪辑图像的每一个视频剪辑的尺寸再调整和裁剪,以视频剪辑图像的形式,对同时期成像数据组进行预处理。
6.根据权利要求1所述的方法,其中将所述同时期成像数据组提供给神经网络,所述方法包括,当以视频剪辑图像的形式时,将同时期成像数据组的每一个视频剪辑图像分解为影片剪辑的多个帧,并重复地并行提交这些帧给神经网络。
7.一种为人工智能确定射血分数测量配置的心动图数据处理系统,所述系统包括:
主机计算平台,其包括一个或多个计算机,所述每一个计算机都具有储存器和至少一个处理器;以及,
射血分数测量模块,其包括计算机程序指令,所述计算机程序指令在主机计算平台的储存器中执行时能够实施:
用针对不同心脏的心室获取的不同组心脏成像数据,以及针对每一组的已知的射血分数,来训练神经网络;
将经训练的神经网络加载到计算机储存器中;
获取心脏的心室的同时期成像数据组;
向神经网络提供该同时期成像数据组;以及,
在至少一个计算机显示器上显示由神经网络输出的射血分数测量,而无需跟踪心脏的心室边界。
8.根据权利要求7所述的系统,还包括将获取的同时期成像数据组,过滤为利用特定的成像模态获取的仅与视频剪辑有关的成像数据,并显示心室的特定视图。
9.根据权利要求7所述的系统,其中:
仅将所述同时期成像数据组的一部分提供给所述神经网络;以及,
在从所述神经网络接收到不确定输出的指示时,向神经网络提供同时期成像数据组的其他部分,以便接收从神经网络输出的确定的射血分数。
10.根据权利要求7所述的系统,其中所述计算机程序指令在主机计算平台的储存器中执行时进一步地还能够实施:
用针对不同心脏的心室获取的不同组心脏成像数据,以及针对每一组的已知的射血分数,分别使用不同的视图和方式来训练多个不同的神经网络;
将经训练的特定神经网络中的其中一个,加载到计算机的储存器中,所述特定的一个神经网络对应于一个识别的模态,以及同时期成像数据组的至少一个指定视图。
11.根据权利要求7所述的系统,其中所述计算机程序指令在主机计算平台的储存器中执行时,还能够通过视频剪辑图像的每一个视频剪辑的尺寸再调整和裁剪,以视频剪辑图像的形式,对同时期成像数据组预处理。
12.根据权利要求7所述的系统,其中所述计算机程序指令提供所述同时期成像数据组给神经网络,所述系统包括计算机程序指令,当以视频剪辑图像的形式时,将同时期成像数据组的每一个视频剪辑图像分解为影片剪辑的多个帧,并重复地并行提交这些帧给神经网络。
13.一种用于人工智能射血分数测量的计算机程序产品,所述计算机程序产品包括一个计算机可读存储媒介,其具有具体实施的程序指令,通过设备引起该设备执行的一种方法,使得所述程序指令执行,包括:
用针对不同心脏的心室获取的不同组心脏成像数据,以及针对每一组的已知的射血分数,来训练神经网络;
将经训练的神经网络加载进计算机储存器中;
获取心脏的心室的同时期成像数据组;
向神经网络提供该同时期成像数据组;以及,
在计算机显示器上显示由神经网络输出的射血分数测量,而无需跟踪心脏的心室边界。
14.根据权利要求13所述的计算机程序产品,还包括将获取的同时期成像数据组,过滤为利用特定的成像模态获取的仅与视频剪辑有关的成像数据,并显示心室的特定视图。
15.根据权利要求13所述的计算机程序产品,其中:
仅将所述同时期成像数据组的一部分提供给所述神经网络;以及,
在从所述神经网络接收到不确定输出的指示时,向神经网络提供同时期成像数据组的其他部分,以便接收从神经网络输出的确定的射血分数。
16.根据权利要求13所述的计算机程序产品,还包括:
用针对不同心脏的心室获取的不同组心脏成像数据,以及针对每一组的已知的射血分数,分别使用不同的视图和方式来训练多个不同的神经网络;
将经训练的特定神经网络中的其中一个,加载到计算机的储存器中,所述特定一个训练的神经网络对应于一个识别的模态,以及同时期成像数据组的至少一个指定视图。
17.根据权利要求13所述的计算机程序产品,其中所述方法还包括通过视频剪辑图像的每一个视频剪辑的尺寸再调整和裁剪,以视频剪辑图像的形式,对同时期成像数据组预处理。
18.根据权利要求13所述的计算机程序产品,其中将所述同时期成像数据组提供给神经网络,所述计算机程序产品包括,当以视频剪辑图像的形式时,将同时期成像数据组的每一个视频剪辑图像分解为影片剪辑的多个帧,并重复地并行提交这些帧给神经网络。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/730,377 | 2017-10-11 | ||
US15/730,377 US10470677B2 (en) | 2017-10-11 | 2017-10-11 | Artificially intelligent ejection fraction determination |
PCT/US2018/055525 WO2019075279A1 (en) | 2017-10-11 | 2018-10-11 | DETERMINATION BY ARTIFICIAL INTELLIGENCE OF EJECTION FRACTION |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111655159A true CN111655159A (zh) | 2020-09-11 |
Family
ID=65993744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880080181.XA Pending CN111655159A (zh) | 2017-10-11 | 2018-10-11 | 人工智能射血分数测量 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10470677B2 (zh) |
KR (1) | KR102239646B1 (zh) |
CN (1) | CN111655159A (zh) |
DE (1) | DE112018004546T5 (zh) |
GB (1) | GB2581048B (zh) |
WO (1) | WO2019075279A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019084411A1 (en) * | 2017-10-27 | 2019-05-02 | Butterfly Network, Inc. | QUALITY INDICATORS FOR COLLECTION AND AUTOMATED MEASUREMENT ON ULTRASONIC IMAGES |
US10531807B2 (en) | 2017-12-20 | 2020-01-14 | International Business Machines Corporation | Automated extraction of echocardiograph measurements from medical images |
US10751029B2 (en) | 2018-08-31 | 2020-08-25 | The University Of British Columbia | Ultrasonic image analysis |
EP3921796A4 (en) | 2019-02-06 | 2022-11-30 | The University of British Columbia | IMAGE ANALYSIS BY NEURONAL NETWORK |
US20220370018A1 (en) * | 2019-10-16 | 2022-11-24 | Click Therapeutics, Inc. | System, apparatus, and method for predicting acute coronary syndrome via image recognition |
US11704803B2 (en) * | 2020-03-30 | 2023-07-18 | The Board Of Trustees Of The Leland Stanford Junior University | Methods and systems using video-based machine learning for beat-to-beat assessment of cardiac function |
WO2021222103A1 (en) * | 2020-04-27 | 2021-11-04 | Bfly Operations, Inc. | Methods and apparatuses for enhancing ultrasound data |
US12004860B2 (en) * | 2020-07-31 | 2024-06-11 | Siemens Healthineers Ag | Cardiac function assessment using machine-learning algorithms |
DE102020209696A1 (de) | 2020-07-31 | 2022-02-03 | Siemens Healthcare Gmbh | Bewertung der Herzfunktion mit Hilfe von Maschinenlern-Algorithmen |
US20220104790A1 (en) * | 2020-10-02 | 2022-04-07 | Caption Health, Inc. | Continuous and dynamic ejection fraction determination |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096632A (zh) * | 2016-06-02 | 2016-11-09 | 哈尔滨工业大学 | 基于深度学习和mri图像的心室功能指标预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6368285B1 (en) * | 1999-09-21 | 2002-04-09 | Biosense, Inc. | Method and apparatus for mapping a chamber of a heart |
US9147131B2 (en) * | 2012-07-30 | 2015-09-29 | Evernote Corporation | Extracting multiple facial photos from a video clip |
US20140272842A1 (en) * | 2013-03-15 | 2014-09-18 | Predinex UG (haftungsbeschränkt) | Assessing cognitive ability |
CN106503610B (zh) | 2015-09-08 | 2020-05-26 | 阿里巴巴集团控股有限公司 | 视频识别方法和装置 |
JP6626344B2 (ja) * | 2015-09-29 | 2019-12-25 | キヤノン株式会社 | 画像処理装置、画像処理装置の制御方法およびプログラム |
US10521902B2 (en) * | 2015-10-14 | 2019-12-31 | The Regents Of The University Of California | Automated segmentation of organ chambers using deep learning methods from medical imaging |
-
2017
- 2017-10-11 US US15/730,377 patent/US10470677B2/en active Active
-
2018
- 2018-10-11 KR KR1020207013367A patent/KR102239646B1/ko active IP Right Grant
- 2018-10-11 GB GB2005039.9A patent/GB2581048B/en active Active
- 2018-10-11 WO PCT/US2018/055525 patent/WO2019075279A1/en active Application Filing
- 2018-10-11 DE DE112018004546.3T patent/DE112018004546T5/de not_active Ceased
- 2018-10-11 CN CN201880080181.XA patent/CN111655159A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096632A (zh) * | 2016-06-02 | 2016-11-09 | 哈尔滨工业大学 | 基于深度学习和mri图像的心室功能指标预测方法 |
Also Published As
Publication number | Publication date |
---|---|
GB2581048A (en) | 2020-08-05 |
US20190104949A1 (en) | 2019-04-11 |
GB202005039D0 (en) | 2020-05-20 |
WO2019075279A1 (en) | 2019-04-18 |
KR20200070308A (ko) | 2020-06-17 |
US10470677B2 (en) | 2019-11-12 |
GB2581048B (en) | 2021-05-05 |
DE112018004546T5 (de) | 2020-06-04 |
KR102239646B1 (ko) | 2021-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102239646B1 (ko) | 인공 지능적 박출 분율 결정 | |
Niemann et al. | Anatomically oriented right ventricular volume measurements with dynamic three-dimensional echocardiography validated by 3-Tesla magnetic resonance imaging | |
US9652872B2 (en) | System and method of medical imaging | |
US10299862B2 (en) | Three-dimensional quantitative heart hemodynamics in medical imaging | |
US8605976B2 (en) | System and method of detection of optimal angiography frames for quantitative coronary analysis using wavelet-based motion analysis | |
Shekhar et al. | Registration of real-time 3-D ultrasound images of the heart for novel 3-D stress echocardiography | |
BR112015025074B1 (pt) | Sistema de imageamento por ultrassom e método para gerar e avaliar vistas bidimensionais padrão a partir de dados de volume ultrassônico tridimensional | |
KR102245189B1 (ko) | 의료 영상 처리 장치 및 그에 따른 의료 영상 처리 방법 | |
US9462952B2 (en) | System and method for estimating artery compliance and resistance from 4D cardiac images and pressure measurements | |
Sieslack et al. | Quantification of right ventricular volume in dogs: a comparative study between three-dimensional echocardiography and computed tomography with the reference method magnetic resonance imaging | |
EP3008688B1 (en) | Method and apparatus for image registration | |
Veronesi et al. | Tracking of left ventricular long axis from real-time three-dimensional echocardiography using optical flow techniques | |
JP2019082745A5 (zh) | ||
JP2019082745A (ja) | 人工知能利用駆出率決定方法 | |
US10726548B2 (en) | Confidence determination in a medical imaging video clip measurement based upon video clip image quality | |
US10152799B2 (en) | Registering first image data of a first stream with second image data of a second stream | |
JP5498989B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
CN117858671A (zh) | 无电路心动周期确定 | |
US20220104790A1 (en) | Continuous and dynamic ejection fraction determination | |
US9224188B2 (en) | Image processing device, method and program | |
US20240074738A1 (en) | Ultrasound image-based identification of anatomical scan window, probe orientation, and/or patient position | |
CA2982140A1 (en) | Artificially intelligent ejection fraction determination | |
Perperidis | Spatio-temporal registration and modelling of the heart using cardiovascular MR imaging | |
EP4266252A2 (en) | Systems and methods for image generation | |
JP2022171345A (ja) | 医用画像処理装置、医用画像処理方法及びプログラム |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200911 |