CN112258476A - 超声心动图心肌异常运动模式分析方法、系统及存储介质 - Google Patents
超声心动图心肌异常运动模式分析方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112258476A CN112258476A CN202011139707.2A CN202011139707A CN112258476A CN 112258476 A CN112258476 A CN 112258476A CN 202011139707 A CN202011139707 A CN 202011139707A CN 112258476 A CN112258476 A CN 112258476A
- Authority
- CN
- China
- Prior art keywords
- myocardial
- echocardiogram
- motion mode
- abnormal motion
- motion
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 200
- 230000002107 myocardial effect Effects 0.000 title claims abstract description 185
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 94
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 238000002592 echocardiography Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000000747 cardiac effect Effects 0.000 claims abstract description 35
- 210000004165 myocardium Anatomy 0.000 claims abstract description 34
- 210000005240 left ventricle Anatomy 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims description 33
- 238000012800 visualization Methods 0.000 claims description 27
- 230000002861 ventricular Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 16
- 238000003909 pattern recognition Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 238000003709 image segmentation Methods 0.000 claims description 11
- 230000005484 gravity Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 description 8
- 230000000877 morphologic effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供了一种超声心动图心肌异常运动模式分析方法、系统及存储介质,涉及医学图像处理技术领域。该方法包括:获取标准四腔心切面下的超声心动图序列,长度至少包含一个心动周期;分析一个心动周期内超声心动图的左心室心肌壁运动状态,提取多维度的运动模式特征;以所述超声心动图序列和所述运动模式特征作为心肌异常运动模式识别模型的输入,利用所述心肌异常运动模式识别模型输出预测的心肌异常运动模式的置信度。本发明通过提取一个心动周期内的超声心动图序列中的运动模式特征,充分挖掘了超声心动图中的时序信息和局部运动信息,从而能够根据此特征,自动进行准确的心肌异常运动模式分析并返回预测结果。
Description
技术领域
本发明涉及医学图像处理技术领域,特别涉及超声心动图心肌异常运动模式分析方法、系统及存储介质。
背景技术
超声心动图是使用相控阵探头采集到的一系列特定位置的心脏超声图像;能实时、无创地呈现心脏的结构和运动模式。
超声心动图的分析工作主要由超声科医生或临床医生人工完成,这导致医生的工作量越来越大。另外,人工超声心动图分析的准确性很大程度上依赖医生的经验,导致分析结果存在一定的主观性。近年来随着计算机相关技术的迅速发展以及图形图像技术的日渐成熟,医学图像处理技术对医学科研及临床实践的作用和影响日益增大。智能的医学图像分析方法和系统能够显著提升临床医生的阅片效率。
专利号为CN108042154A的发明专利《二维超声心动图序列中心肌形状、运动和变形分析方法》通过统计心动周期开始帧、舒张末期、收缩末期的心肌壁形状信息,处理得到心肌运动和变形的特征。
专利号为CN110664435A的发明专利《心脏数据的获取方法、装置及超声成像设备》中使用斑点追踪的方式分割左心室心室壁区域,统计并计算得到左心室射血分数。
专利号为CN111012377A的发明专利《超声心动图心脏参数计算以及心肌应变测量方法、装置》中实现的是超声心动图的心脏参数自动测量和心肌应变自动计算。
以上方法采用单一的特征提取方式分别从心肌壁形变,左心室射血分数,心肌应变三个角度对心脏运动模式信息进行了提取,获得的特征仅能够一定程度地反映心脏运动模式的异常。而且以上方法都不能对心肌异常运动模式提供定性的分析结果以及分析结果的可视化。
发明内容
针对上述问题,本发明提出了一种超声心动图心肌异常运动模式分析方法、系统及存储介质。通过提取一个心动周期内的超声心动图序列中的运动模式特征,充分挖掘了超声心动图中的时序信息和局部运动信息。从而能够根据此特征,使用分类模型定性地分析心肌是否存在异常运动模式。此外,为了增强超声心动图的可读性,本发明还提供了多种可视化模式。
本发明提供了以下技术方案:
一种超声心动图心肌异常运动模式分析方法,包括:
获取标准四腔心切面下的超声心动图序列,长度至少包含一个心动周期;
分析一个心动周期内超声心动图的左心室心肌壁运动状态,提取多维度的运动模式特征;所述多维度的运动模式特征包括左心室心肌壁各关键点的位置偏移量和左心室心肌壁各子块在整个心动周期内整体统计量的相对变化,所述左心室心肌壁关键点包括整个区域内各心肌子块的重心、角点、子块邻接线中点;所述子块整体统计量的相对变化包括:心肌子块的面积和横纵向长度变化;
以所述超声心动图序列和所述运动模式特征作为心肌异常运动模式识别模型的输入,利用所述心肌异常运动模式识别模型输出预测的心肌异常运动模式的置信度。
进一步地,提取多维度的运动模式特征,包括:
从所述超声心动图序列中均匀抽取N帧超声心动图;N为大于8的正整数;
对抽取出的每帧超声心动图,裁剪中心区域,使裁剪后的图像主体为左心室;
使用图像分割方法,分割左心室心肌壁区域,得到马蹄形的二值化分割图;
使用边缘提取算法,从心肌壁分割图中提取心肌的内外壁边缘轮廓图;
对于所述分割图,按照美国超声心动图学会的分割标准,将心肌区域分割成6个子块;
基于分割后的心肌子块,提取其关键点的位置偏移量和子块整体统计量的相对变化,获得所述分割图中该时刻的心肌壁特征xt,(t∈[1,N]),该特征的维度为K;
将提取的特征整合,形成N×K的特征矩阵X=[x1,x2,x3,…,xN];
所有特征依次与前一时刻的特征相减,获得运动模式特征X′:
X′=[0,x2-x1,x3-x2,…,xN-xN-1]。
进一步地,还包括:
将提取多维度的运动模式特征时得到的中间信息以可视化的方式呈现在界面,形象地描述心脏运动过程;所述中间信息至少包括:心肌壁分割图、边缘轮廓图、关键点。
进一步地,以超声心动图和所述多维度的运动模式特征作为心肌异常运动模式识别模型的输入,利用所述心肌异常运动模式识别模型输出预测的心肌异常运动模式的置信度,包括:
从所述超声心动图序列中均匀抽取N帧超声心动图作为候选心动图,并裁剪中心区域;N为大于8的正整数;
将N帧候选心动图分别与所述N帧候选心动图中的第一帧心动图相减,获得N帧差分图;
将所述运动模式特征X′按列归一化;
以所述N帧差分图和按列归一化后的运动模式特征作为心肌异常运动模式识别模型的输入;利用所述心肌异常运动模式识别模型输出预测的心肌异常运动模式的置信度p,(p∈[0,1]);所述置信度代表当前心动图存在异常运动模式的概率。
进一步地,还包括:在界面上显示预测的心肌异常运动模式的置信度。
进一步地,可视化的方式包括三种可视化模式;
第一可视化模式包括:显示心肌壁分割图和关键点,所述关键点至少包括:马蹄形左心室心肌壁区域外边缘和内边缘的底部角点、六块子区域的重心和将心肌壁区域分成六段的五条边与心肌壁内外边缘的交点;
第二可视化模式包括:显示骨架图,将心肌壁区域分成六段的五条边的中点,和马蹄形左右两部分底边的中点,从左下到右下沿马蹄形轮廓依次连线,得到心肌壁骨架图;
第三可视化模式包括:显示六段分割图,用不同颜色从左下到右下沿马蹄形轮廓依次为六个心肌壁子块着色。
进一步地,所述图像分割方法包括:基于深度学习的图像分割模型,或,粒子群聚类图像分割算法。
本发明还提供了一种超声心动图心肌异常运动模式分析系统,包括:心肌壁运动模式特征提取模块和心肌异常运动模式分析模块;
其中,所述心肌壁运动模式特征提取模块,用于获取标准四腔心切面下的超声心动图序列,长度至少包含一个心动周期;分析一个心动周期内超声心动图的左心室心肌壁运动状态,提取多维度的运动模式特征;所述多维度的运动模式特征包括左心室心肌壁各关键点的位置偏移量和左心室心肌壁各子块在整个心动周期内整体统计量的相对变化,所述左心室心肌壁关键点包括整个区域内各心肌子块的重心、角点、子块邻接线中点;所述子块整体统计量的相对变化包括:心肌子块的面积和横纵向长度变化;
所述心肌异常运动模式识别模块,用于以所述超声心动图序列和所述运动模式特征作为心肌异常运动模式识别模型的输入,利用所述心肌异常运动模式识别模型输出预测的心肌异常运动模式的置信度。
进一步地,还包括:
心肌运动可视化模块,用于将提取多维度的运动模式特征时得到的中间信息以可视化的方式呈现在界面,形象地描述心脏运动过程;所述中间信息至少包括:心肌壁分割图、边缘轮廓图、关键点;还用于在界面上显示预测的心肌异常运动模式的置信度。
本发明还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内存储有计算机指令集,计算机指令集被处理器执行时实现如上述超声心动图心肌异常运动模式分析方法。
本发明的优点和积极效果:
1、本发明能够根据采集得到的2D心动图序列,自动进行心肌异常运动模式分析并返回预测结果。
2、本发明中以超声心动图序列和运动模式特征作为心肌异常运动模式识别模型的输入,其中,超声心动图序列在输入到模型之后,会由深度学习模型自主挖掘能够描述心肌运动模式的特征,也就是“深度学习特征”;运动模式特征是基于形态学分析得到的“传统手工特征”,本发明中结合“深度学习特征”和“传统手工特征”,从多个角度分析心肌运动模式,相比现有技术中采用单一的特征提取方式从单一角度对心脏运动模式信息进行提取,本发明能够提取到能够充分反映心肌运动模式的特征,得到更准确的心肌异常运动模式的识别结果。
3、相比现有技术中仅在心动周期开始阶段、收缩末期和舒张末期等特定时刻进行特征提取,本发明在整个心动周期内连续统计能够反映心肌运动模式的特征,充分提取了时序信息,提取出的特征能够更充分更完整的反映心肌运动模式,进而得到准确的心肌异常运动模式分析结果。
相比现有技术中仅对心肌内壁上的点均匀采样作为关键点,本发明对整个心肌区域进行分析,提取具有特定形态学意义的关键点的特征,提取出的特征能够更准确的反映心肌运动模式,进而得到准确的心肌异常运动模式分析结果。
相比现有技术中以整个心肌的运动作为分析对象,本发明使用ASE提出的左心室心肌壁六段分段法将心肌壁分块,依次分析每个子块的运动模式,充分提取了局部运动信息;获得的特征能够更充分的反映心脏运动模式的节段性异常,实现对局部异常心脏运动模式的识别。
4、本发明能够提供多种心肌运动模式的可视化结果,显著突出心脏的运动模式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种超声心动图心肌异常运动模式分析方法的流程图;
图2为本发明实施例中一种超声心动图心肌异常运动模式分析系统的结构框图;
图3为本发明实施例中超声心动图心肌异常运动模式分析的可视化结果。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参见图1,其示出了本发明实施例中一种超声心动图心肌异常运动模式分析方法的流程图。该方法包括:
S101、获取标准四腔心切面下的超声心动图序列,长度至少包含一个心动周期;分析一个心动周期内超声心动图的左心室心肌壁运动状态,提取多维度的运动模式特征。
具体地,多维度的运动模式特征包括左心室心肌壁各关键点的位置偏移量和左心室心肌壁各子块在整个心动周期内整体统计量的相对变化,所述左心室心肌壁关键点包括整个区域内各心肌子块的重心、角点、子块邻接线中点;所述子块整体统计量的相对变化包括:心肌子块的面积和横纵向长度变化。
其中,步骤S101包括:
1.1获取标准四腔心切面下的超声心动图序列,长度至少包含一个心动周期(为了准确获取整个心动周期,可选择以舒张末期开始或以收缩末期开始);超声心动图序列可以是由临床医生采集的超声心动图序列。
1.2从超声心动图序列中均匀抽取N帧超声心动图(N至少大于8,典型值为16,24,32),执行步骤1.3~1.6;
由于不同的受试者的心跳速度不同,因此单个心动周期内的心动图序列的帧数不同。这会导致提取到的运动模式特征在时间维度上长度不同。但是模型训练过程中,输入的运动模式特征必须相同(N×K),因此在最开始的时候,需要进行必要的数据标准化,即抽取N帧。
1.3对抽取出的每帧超声心动图,裁剪中心区域,使裁剪后的图像主体为左心室;
1.4使用边缘提取算法,从心肌壁分割图中提取心肌的内外壁边缘轮廓图;
1.5使用基于深度学习的图像分割模型(例如FCN,UNet等)或传统的图像分割算法(例如粒子群聚类图像分割算法等),分割左心室心肌壁区域,得到马蹄形的二值化分割图(如图3(a)所示);
1.6对于马蹄形的分割图,按照美国超声心动图学会(American Society ofEchocardiography,ASE)的分割标准,将心肌区域分割成6个子块;
1.7基于分割后的各个心肌子块,提取其关键点(重心,角点,子块邻接线中点等)的偏移量(例如x,y方向的坐标偏移量)和子块整体统计量的相对变化(如面积),获得分割图中该时刻的心肌壁特征xt,(t∈[1,N]),每帧分割图对应一个心肌壁特征xt,每个心肌壁特征的维度为K;
具体地,先针对每个心肌子块,提取关键点的偏移量和该子块整体统计量的相对变化,然后将每帧分割图所包括的6个心肌子块对应的特征汇总,得到与该帧分割图对应的心肌壁特征xt;
1.8将所有图像帧提取的特征整合,形成N×K的特征矩阵X=[x1,x2,x3,…,xN];
1.9所有特征依次与前一时刻的特征相减,获得运动模式特征X′:
X′=[0,x2-x1,x3-x2,…,xN-xN-1]。
S102、以超声心动图和运动模式特征作为心肌异常运动模式识别模型的输入,利用该心肌异常运动模式识别模型输出预测的心肌异常运动模式的置信度。
其中,步骤S102包括:
2.1从超声心动图序列中均匀抽取N帧超声心动图作为候选心动图,并裁剪中心区域(同步骤1.3);
2.2将N帧候选心动图分别与所述N帧候选心动图中的第一帧心动图相减,获得N帧差分图;
2.3将步骤1.9获得的运动模式特征X′按列归一化;
2.4以差分图和按列归一化后的运动模式特征作为心肌异常运动模式识别模型的输入,心肌异常运动模式识别模型为分类模型,可以为:支持向量机,卷积神经网络等一般性的分类模型;
2.5心肌异常运动模式识别属于一分类问题,即是否存在异常运动模式。心肌异常运动模式识别模型将会返回一个预测的心肌异常运动模式的置信度p,(p∈[0,1])。该置信度代表当前心动图存在异常运动模式的概率,置信度越接近1,当前心动图存在异常运动模式的可能性越高。
S103、将提取多维度的运动模式特征时得到的中间信息以可视化的方式呈现在界面,形象地描述心脏运动过程;中间信息至少包括:心肌壁分割图、边缘轮廓图、关键点。
并在界面中显示步骤2.5获得的心肌异常运动模式的置信度,供医生参考。
可视化方式包含以下三种可视化模式:
第一可视化模式:心肌壁分割图+关键点(图3(a))。其中,心肌壁分割图由步骤1.5获得,关键点由步骤1.7获得,具体关键点包括:
1)马蹄形左心室心肌壁区域外边缘和内边缘的底部角点,共四个;
2)六块子区域的重心,共六个;
3)将心肌壁区域分成六段的五条边与心肌壁内外边缘的交点,共十个;
第二可视化模式:骨架图(图3(b))。其中,每个骨架节点由步骤1.5获得。本模式将心肌壁区域分成六段的五条边的中点,和马蹄形左右两部分底边的中点,从左下到右下沿马蹄形轮廓依次连线,得到心肌壁骨架图。在心动周期内,骨架图的运动状态可以反映心肌运动状态。
第三可视化模式:六段分割图(图3(c))。其中,六个子块的区域由步骤1.6获得。本模式用不同颜色(蓝、绿、红、青、粉、黄)从左下到右下沿马蹄形轮廓依次为六个心肌壁子块着色。
本发明实施例中的超声心动图心机异常运动模式分析方法具有以下有益效果:
1、本发明能够根据采集得到的2D心动图序列,自动进行心肌异常运动模式分析并返回预测结果。
2、本发明中以超声心动图序列和运动模式特征作为心肌异常运动模式识别模型的输入,其中,超声心动图序列在输入到模型之后,会由深度学习模型自主挖掘能够描述心肌运动模式的特征,也就是“深度学习特征”;运动模式特征是基于形态学分析得到的“传统手工特征”,本发明中结合“深度学习特征”和“传统手工特征”,从多个角度分析心肌运动模式,相比现有技术中采用单一的特征提取方式从单一角度对心脏运动模式信息进行提取,本发明能够提取到能够充分反映心肌运动模式的特征,得到更准确的心肌异常运动模式的识别结果。
3、相比现有技术中仅在心动周期开始阶段、收缩末期和舒张末期等特定时刻进行特征提取,本发明在整个心动周期内连续统计能够反映心肌运动模式的特征,充分提取了时序信息,提取出的特征能够更充分更完整的反映心肌运动模式,进而得到准确的心肌异常运动模式分析结果。
相比现有技术中仅对心肌内壁上的点均匀采样作为关键点,本发明对整个心肌区域进行分析,提取具有特定形态学意义的关键点的特征,提取出的特征能够更准确的反映心肌运动模式,进而得到准确的心肌异常运动模式分析结果。
相比现有技术中以整个心肌的运动作为分析对象,本发明使用ASE提出的左心室心肌壁六段分段法将心肌壁分块,依次分析每个子块的运动模式,充分提取了局部运动信息;获得的特征能够更充分的反映心脏运动模式的节段性异常,实现对局部异常心脏运动模式的识别。
4、本发明能够提供多种心肌运动模式的可视化结果,显著突出心脏的运动模式。
对应本发明中的超声心动图心肌异常运动模式分析方法,本发明还提供了超声心动图心肌异常运动模式分析系统。
参见图2,其示出了本发明实施例中超声心动图心肌异常运动模式分析系统的结构框图,该系统包括:
心肌壁运动模式特征提取模块、心肌异常运动模式分析模块和心肌运动可视化模块。
其中,心肌壁运动模式特征提取模块,用于获取标准四腔心切面下的超声心动图序列,长度至少包含一个心动周期;分析一个心动周期内超声心动图的左心室心肌壁运动状态,提取多维度的运动模式特征;所述多维度的运动模式特征包括左心室心肌壁各关键点的位置偏移量和左心室心肌壁各子块在整个心动周期内整体统计量的相对变化,所述左心室心肌壁关键点包括整个区域内各心肌子块的重心、角点、子块邻接线中点;所述子块整体统计量的相对变化包括:心肌子块的面积和横纵向长度变化。
心肌异常运动模式识别模块,用于以超声心动图和心肌壁运动模式特征提取模块提取的运动模式特征作为心肌异常运动模式识别模型的输入,利用所述心肌异常运动模式识别模型输出预测的心肌异常运动模式的置信度。
心肌运动可视化模块,用于将提取多维度的运动模式特征时得到的中间信息以可视化的方式呈现在界面,形象地描述心脏运动过程;中间信息至少包括:心肌壁分割图、边缘轮廓图、关键点;还用于在界面上显示预测的心肌异常运动模式的置信度。
对于本发明实施例的超声心动图心肌异常运动模式分析系统而言,由于其与上面实施例中的超声心动图心肌异常运动模式分析方法相对应,所以描述的比较简单,相关相似之处请参见上面实施例中部分的说明即可,此处不再详述。
本发明实施例还公开了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机指令集,计算机指令集被处理器执行时实现如上文任一实施例所提供的超声心动图心肌异常运动模式分析方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以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。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (10)
1.一种超声心动图心肌异常运动模式分析方法,其特征在于,包括:
获取标准四腔心切面下的超声心动图序列,长度至少包含一个心动周期;
分析一个心动周期内超声心动图的左心室心肌壁运动状态,提取多维度的运动模式特征;所述多维度的运动模式特征包括左心室心肌壁各关键点的位置偏移量和左心室心肌壁各子块在整个心动周期内整体统计量的相对变化,所述左心室心肌壁关键点包括整个区域内各心肌子块的重心、角点、子块邻接线中点;所述子块整体统计量的相对变化包括:心肌子块的面积和横纵向长度变化;
以所述超声心动图序列和所述运动模式特征作为心肌异常运动模式识别模型的输入,利用所述心肌异常运动模式识别模型输出预测的心肌异常运动模式的置信度。
2.根据权利要求1所述的方法,其特征在于,提取多维度的运动模式特征,包括:
从所述超声心动图序列中均匀抽取N帧超声心动图;N为大于8的正整数;
对抽取出的每帧超声心动图,裁剪中心区域,使裁剪后的图像主体为左心室;
使用图像分割方法,分割左心室心肌壁区域,得到马蹄形的二值化分割图;
使用边缘提取算法,从心肌壁分割图中提取心肌的内外壁边缘轮廓图;
对于所述分割图,按照美国超声心动图学会的分割标准,将心肌区域分割成6个子块;
基于分割后的心肌子块,提取其关键点的位置偏移量和子块整体统计量的相对变化,获得所述分割图中该时刻的心肌壁特征xt,(t∈[1,N]),该特征的维度为K;
将提取的特征整合,形成N×K的特征矩阵X=[x1,x2,x3,…,xN];
所有特征依次与前一时刻的特征相减,获得运动模式特征X′:
X′=[0,x2-x1,x3-x2,…,xN-xN-1]。
3.根据权利要求2所述的方法,其特征在于,还包括:
将提取多维度的运动模式特征时得到的中间信息以可视化的方式呈现在界面,形象地描述心脏运动过程;所述中间信息至少包括:心肌壁分割图、边缘轮廓图、关键点。
4.根据权利要求2所述的方法,其特征在于,以超声心动图和所述多维度的运动模式特征作为心肌异常运动模式识别模型的输入,利用所述心肌异常运动模式识别模型输出预测的心肌异常运动模式的置信度,包括:
从所述超声心动图序列中均匀抽取N帧超声心动图作为候选心动图,并裁剪中心区域;N为大于8的正整数;
将N帧候选心动图分别与所述N帧候选心动图中的第一帧心动图相减,获得N帧差分图;
将所述运动模式特征X′按列归一化;
以所述N帧差分图和按列归一化后的运动模式特征作为心肌异常运动模式识别模型的输入;利用所述心肌异常运动模式识别模型输出预测的心肌异常运动模式的置信度p,(p∈[0,1]);所述置信度代表当前心动图存在异常运动模式的概率。
5.根据权利要求4所述的方法,其特征在于,还包括:在界面上显示预测的心肌异常运动模式的置信度。
6.根据权利要求3所述的方法,其特征在于,可视化的方式包括三种可视化模式;
第一可视化模式包括:显示心肌壁分割图和关键点,所述关键点至少包括:马蹄形左心室心肌壁区域外边缘和内边缘的底部角点、六块子区域的重心和将心肌壁区域分成六段的五条边与心肌壁内外边缘的交点;
第二可视化模式包括:显示骨架图,将心肌壁区域分成六段的五条边的中点,和马蹄形左右两部分底边的中点,从左下到右下沿马蹄形轮廓依次连线,得到心肌壁骨架图;
第三可视化模式包括:显示六段分割图,用不同颜色从左下到右下沿马蹄形轮廓依次为六个心肌壁子块着色。
7.根据权利要求4所述的方法,其特征在于,所述图像分割方法包括:基于深度学习的图像分割模型,或,粒子群聚类图像分割算法。
8.一种超声心动图心肌异常运动模式分析系统,其特征在于,包括:心肌壁运动模式特征提取模块和心肌异常运动模式分析模块;
其中,所述心肌壁运动模式特征提取模块,用于获取标准四腔心切面下的超声心动图序列,长度至少包含一个心动周期;分析一个心动周期内超声心动图的左心室心肌壁运动状态,提取多维度的运动模式特征;所述多维度的运动模式特征包括左心室心肌壁各关键点的位置偏移量和左心室心肌壁各子块在整个心动周期内整体统计量的相对变化,所述左心室心肌壁关键点包括整个区域内各心肌子块的重心、角点、子块邻接线中点;所述子块整体统计量的相对变化包括:心肌子块的面积和横纵向长度变化;
所述心肌异常运动模式识别模块,用于以所述超声心动图序列和所述运动模式特征作为心肌异常运动模式识别模型的输入,利用所述心肌异常运动模式识别模型输出预测的心肌异常运动模式的置信度。
9.根据权利要求8所述的系统,其特征在于,还包括:
心肌运动可视化模块,用于将提取多维度的运动模式特征时得到的中间信息以可视化的方式呈现在界面,形象地描述心脏运动过程;所述中间信息至少包括:心肌壁分割图、边缘轮廓图、关键点;还用于在界面上显示预测的心肌异常运动模式的置信度。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机指令集,计算机指令集被处理器执行时实现如权利要求1-7任一项所述的超声心动图心肌异常运动模式分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011139707.2A CN112258476A (zh) | 2020-10-22 | 2020-10-22 | 超声心动图心肌异常运动模式分析方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011139707.2A CN112258476A (zh) | 2020-10-22 | 2020-10-22 | 超声心动图心肌异常运动模式分析方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112258476A true CN112258476A (zh) | 2021-01-22 |
Family
ID=74263199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011139707.2A Pending CN112258476A (zh) | 2020-10-22 | 2020-10-22 | 超声心动图心肌异常运动模式分析方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258476A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160265A (zh) * | 2021-05-13 | 2021-07-23 | 四川大学华西医院 | 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法 |
WO2023131301A1 (zh) * | 2022-01-07 | 2023-07-13 | 安翰科技(武汉)股份有限公司 | 消化系统病理图像识别方法、系统及计算机存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050059876A1 (en) * | 2003-06-25 | 2005-03-17 | Sriram Krishnan | Systems and methods for providing automated regional myocardial assessment for cardiac imaging |
CN108042154A (zh) * | 2017-12-08 | 2018-05-18 | 浙江中医药大学 | 二维超声心动图序列中心肌形状、运动和变形分析方法 |
CN110808096A (zh) * | 2019-10-30 | 2020-02-18 | 北京邮电大学 | 基于卷积神经网络的心脏病变自动检测系统 |
CN111508004A (zh) * | 2020-04-29 | 2020-08-07 | 中国人民解放军总医院 | 基于深度学习的室壁运动异常超声处理方法、系统和设备 |
CN111493935A (zh) * | 2020-04-29 | 2020-08-07 | 中国人民解放军总医院 | 基于人工智能的超声心动图自动预测识别方法及系统 |
-
2020
- 2020-10-22 CN CN202011139707.2A patent/CN112258476A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050059876A1 (en) * | 2003-06-25 | 2005-03-17 | Sriram Krishnan | Systems and methods for providing automated regional myocardial assessment for cardiac imaging |
CN108042154A (zh) * | 2017-12-08 | 2018-05-18 | 浙江中医药大学 | 二维超声心动图序列中心肌形状、运动和变形分析方法 |
CN110808096A (zh) * | 2019-10-30 | 2020-02-18 | 北京邮电大学 | 基于卷积神经网络的心脏病变自动检测系统 |
CN111508004A (zh) * | 2020-04-29 | 2020-08-07 | 中国人民解放军总医院 | 基于深度学习的室壁运动异常超声处理方法、系统和设备 |
CN111493935A (zh) * | 2020-04-29 | 2020-08-07 | 中国人民解放军总医院 | 基于人工智能的超声心动图自动预测识别方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160265A (zh) * | 2021-05-13 | 2021-07-23 | 四川大学华西医院 | 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法 |
WO2023131301A1 (zh) * | 2022-01-07 | 2023-07-13 | 安翰科技(武汉)股份有限公司 | 消化系统病理图像识别方法、系统及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
Bernard et al. | Standardized evaluation system for left ventricular segmentation algorithms in 3D echocardiography | |
Leung et al. | Automated border detection in three-dimensional echocardiography: principles and promises | |
Jolly | Automatic segmentation of the left ventricle in cardiac MR and CT images | |
US7672491B2 (en) | Systems and methods providing automated decision support and medical imaging | |
Nurmaini et al. | Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation | |
US8948484B2 (en) | Method and system for automatic view planning for cardiac magnetic resonance imaging acquisition | |
CN101596111B (zh) | 在心脏电影磁共振成像中对左心室的自动定位 | |
CN110163876A (zh) | 基于多特征融合的左心室分割方法、系统、设备及介质 | |
CN110599499B (zh) | 基于多路卷积神经网络的mri图像心脏结构分割方法 | |
Binder et al. | Artificial neural networks and spatial temporal contour linking for automated endocardial contour detection on echocardiograms: A novel approach to determine left ventricular contractile function | |
CN112258476A (zh) | 超声心动图心肌异常运动模式分析方法、系统及存储介质 | |
Sfakianakis et al. | GUDU: Geometrically-constrained Ultrasound Data augmentation in U-Net for echocardiography semantic segmentation | |
Sharma et al. | A novel solution of using deep learning for left ventricle detection: enhanced feature extraction | |
US8064670B2 (en) | Analysis of multidimensional data | |
Govil et al. | A deep learning approach for fully automated cardiac shape modeling in tetralogy of Fallot | |
CN112308845B (zh) | 左心室分割方法、装置及电子设备 | |
Ramos et al. | Fast and smart segmentation of paraspinal muscles in magnetic resonance imaging with CleverSeg | |
CN103377369B (zh) | 生成用于个体识别的心血管测量的方法和系统 | |
CN111429457B (zh) | 图像局部区域亮度智能评价方法、装置、设备及介质 | |
Kumar et al. | Cardiac disease detection from echocardiogram using edge filtered scale-invariant motion features | |
CN115049660B (zh) | 心脏解剖学结构特征点的定位方法、定位装置 | |
CN116168099A (zh) | 医疗图像的重建方法及装置、非易失性存储介质 | |
CN116130090A (zh) | 射血分数测量方法和装置、电子设备和存储介质 | |
Ivanov et al. | Automatic calculation of left ventricular volume in magnetic resonance imaging using an image-based clustering approach |
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: 116000 room 206, no.8-9, software garden road, Ganjingzi District, Dalian City, Liaoning Province Applicant after: Neusoft Education Technology Group Co.,Ltd. Address before: 116000 room 206, no.8-9, software garden road, Ganjingzi District, Dalian City, Liaoning Province Applicant before: Dalian Neusoft Education Technology Group Co.,Ltd. |
|
CB02 | Change of applicant information |