CN112998756A - 一种基于超声图像结合深度学习的心脏血流向量成像方法 - Google Patents

一种基于超声图像结合深度学习的心脏血流向量成像方法 Download PDF

Info

Publication number
CN112998756A
CN112998756A CN202110164181.1A CN202110164181A CN112998756A CN 112998756 A CN112998756 A CN 112998756A CN 202110164181 A CN202110164181 A CN 202110164181A CN 112998756 A CN112998756 A CN 112998756A
Authority
CN
China
Prior art keywords
image
left ventricular
velocity
ultrasonic
left ventricle
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.)
Granted
Application number
CN202110164181.1A
Other languages
English (en)
Other versions
CN112998756B (zh
Inventor
彭博
罗娅茹
谢盛华
尹立雪
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.)
Southwest Petroleum University
Sichuan Provincial Peoples Hospital
Original Assignee
Southwest Petroleum University
Sichuan Provincial Peoples 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 Southwest Petroleum University, Sichuan Provincial Peoples Hospital filed Critical Southwest Petroleum University
Priority to CN202110164181.1A priority Critical patent/CN112998756B/zh
Publication of CN112998756A publication Critical patent/CN112998756A/zh
Application granted granted Critical
Publication of CN112998756B publication Critical patent/CN112998756B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • A61B8/48—Diagnostic techniques
    • A61B8/488—Diagnostic techniques involving Doppler signals
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Hematology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明提供了一种基于超声图像结合深度学习的心脏血流向量成像方法，包括：获取超声设备经彩色编码后的二维彩色多普勒超声心动图像；提取左心室区域；对左心室区域进行彩色血流信息补偿；并使用速度标尺提取径向速度分量；使用训练的U‑Net模型识别左心室区域的左心室内膜轮廓；对二维彩色多普勒超声心动图像重建超声心动图序列；使用由超声模拟图像重新训练的PWC‑Net模型对左心室内膜进行运动跟踪，确定左心室内膜的切向速度；结合径向速度与左心室内膜切向速度，使用连续性方程计算血液质点切向速度;使用径向速度分量和切向速度分量合成左心室血液的流场，对流场进行可视化，其中，可视化的方法包括绘制速度矢量图和平面流线图。

Description

一种基于超声图像结合深度学习的心脏血流向量成像方法
技术领域
本发明涉及医疗信息技术领域，特别是一种基于超声图像结合深度学习的心脏血流向量成像方法。
背景技术
心脏血流速度是心脏疾病诊断的一种重要依据。现有技术中的血流向量成像技术一种核心方法是流体力学的连续性方程求解切向速度分量。这种方法获取主要计算信息的手段存在的缺点主要有：必须要获取原始射频信号进行分析和计算得到径向速度分量，具有设备限制性、通用性差。该技术需要获取左心室心内膜的轮廓信息，采用的是临床医生手动勾勒的方法，虽然比较精确，但是影响了整体计算效率，并且每个医生的轮廓勾勒会有所不同，出现结果差异。同时该技术中获取左心室心内膜的运动信息的方式是通过散斑跟踪，其计算比较耗时，影响计算效率。
发明内容
本发明解决的技术问题是：克服现有技术在数据获取过程中需要人为干预和计算耗时等问题，提供了一种基于超声图像结合深度学习的心脏血流向量成像方法。
本发明的技术解决方案是：
为了解决上述技术问题，本发明提供了一种基于超声图像结合深度学习的心脏血流向量成像方法，包括：
获取超声设备经彩色编码后的二维彩色多普勒超声心动图像；
提取所述二维彩色多普勒超声心动图像中的左心室区域；
对所述左心室区域进行彩色血流信息补偿；
对补偿后的图像，使用速度标尺提取径向速度分量；
使用训练的U-Net模型识别所述左心室区域的左心室内膜轮廓；
对所述二维彩色多普勒超声心动图像重建超声心动图序列；
使用由超声模拟图像重新训练的PWC-Net模型对左心室内膜进行运动跟踪，确定左心室内膜的切向速度；
结合径向速度分量和左心室心内膜切向速度，带入到连续性方程方程中，得到左心室血液质点的切向速度分量；
使用径向速度分量和切向速度分量合成左心室血液的流场，对流场进行可视化，其中，可视化的方法包括绘制速度矢量图和平面流线图。
可选地，所述对所述左心室区域进行彩色信息血流信息补偿的步骤，包括：
使用一维线性插值方法对左心室中彩色血流信息的红色和蓝色区域之间的空隙处进行彩色血流信息补偿。
可选地，使用速度标尺提取径向速度分量的步骤，包括：
使用超声图像数据中的血液质点的RGB分量与速度标尺上点的RGB分量做匹配，定位在速度标尺上与当前血液质点最匹配的点，记录最匹配的点在速度标尺上的距离，距离从蓝色区域的最低端算起；
通过距离与径向速度的分段线性函数，获得径向速度并作平滑处理，其中，平滑处理包括中值滤波和高斯滤波处理，所述血液质点为图像上的像素点。
可选地，所述使用训练的U-Net模型所述识别所述左心室区域的左心室内膜轮廓的步骤，包括：
对二维彩色多普勒超声心动图像灰度化和裁剪处理；将处理后的图像输入进U-Net模型，得到预测的左心室内膜轮廓，并记录轮廓的坐标位置。
可选地，所述对所述二维彩色多普勒超声心动图像重建超声心动图序列的步骤，包括：
根据彩色多普勒超声心动图中的心电图时相位置信息，对三个心动周期图像按心电图时相先后顺序重新进行排序，搜索后续的心动周期中时相在第一心动周期中对应相邻帧之间的图像，将搜索到的图像插入对应相邻帧，直到第一心动周期所有相邻帧均被后续心动周期图像插入。
可选地，所述对所述使用由超声模拟图像重新训练的PWC-Net模型对左心室内膜进行运动跟踪，确定左心室内膜的切向速度的步骤，包括：
使用重新训练的PWC-Net模型，以超声图像数据的左心室区域和其相邻后一帧图像对应区域，最终获得输出：整个左心室的横向位移矩阵和纵向位移矩阵；随后使用左心室内膜位置和超声设备的时间分辨率，保留左心室心内膜的切向速度。
本发明与现有技术相比的优点在于：
本发明实施例提供的方案，突破了超声设备的限制，现有技术需要使用特定设备采集的超声原始射频数据以提取径向速度，本发明中是完全基于彩色多普勒超声心动图像信息，任何能够导出彩色多普勒超声心动图像的设备均可以进行左心室流场可视化的分析，具有通用性。本发明实施例提供的基于超声图像结合深度学习的心脏血流向量成像方法以深度学习模型U-Net自动识别左心室内膜轮廓代替手动勾勒左心室的方法，实现自动化，加快计算效率。本发明实施例提供的使用由模拟超声图像重新训练后的PWC-net模型代替现有的散斑跟踪方法进行室壁运动追踪，减少计算耗时，加快计算效率。
附图说明
图1为本发明实施例提供的一种基于超声图像结合深度学习的心脏血流向量成像方法的步骤流程图之一；
图2为本发明实施例提供的一种基于超声图像结合深度学习的心脏血流向量成像方法的步骤流程图之二；
图3为本发明实施例的分段函数图像示意图；
图4为本发明实施例的左心室轮廓识别结果图；
图5为本发明实施例的U-Net模型结构图；
图6为本发明实施例的PWC-Net模型结构图；
图7为本发明实施例提供的方案的结果展示图之一；
图8为本发明实施例提供的方案的结果展示图之二。
具体实施方式
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，示出了本发明实施例提供的一种基于超声图像结合深度学习的心脏血流向量成像方法的步骤流程图，如图1和图2所示，该方法具体可以包括如下步骤：
步骤110：获取超声设备经彩色编码后的二维彩色多普勒超声心动图像。
步骤120：提取所述二维彩色多普勒超声心动图像中的左心室区域。
步骤130：对所述左心室区域进行彩色血流信息补偿。
在本发明的一种具体实现方式中，上述步骤130可以包括：
使用一维线性插值方法对左心室中彩色血流信息的红色和蓝色区域之间的空隙处进行彩色血流信息补偿。
步骤140：对补偿后的图像，使用速度标尺提取径向速度分量。
在本发明的一种具体实现方式中，上述步骤140可以包括：
使用超声图像数据中的血液质点的RGB分量与速度标尺上点的RGB分量做匹配，定位在速度标尺上与当前血液质点最匹配的点，记录最匹配的点在速度标尺上的距离，距离从蓝色区域的最低端算起；
通过距离与径向速度的分段线性函数，获得径向速度并作平滑处理，其中，平滑处理包括中值滤波和高斯滤波处理，所述血液质点为图像上的像素点。
如图3所示，为分段函数图像。
步骤150：使用训练的U-Net模型识别所述左心室区域的左心室内膜轮廓。
使用深度学习网络模型U-Net对左心室内膜进行识别。
在本发明的一种具体实现方式中，上述步骤150可以包括：
对二维彩色多普勒超声心动图像灰度化和裁剪处理；将处理后的图像输入进U-Net模型，得到预测的左心室内膜轮廓，并记录轮廓的坐标位置。
U-Net模型是常用于医学图像分割的模型，是一种编解码器模型，其模型的结构如图5所示，
采用U-Net深度学习模型结构，使用公开的完全注释的大型超声B模式图像CAMUS数据集。CAMUS数据集中包括左心室心内膜、左心室心外膜、左心房和背景四种标签。本发明中保留左心室心内膜标签和背景两种标签，由CAMUS数据集中的超声图像数据和本发明处理后的对应标签作为训练集对U-Net模型进行训练，获得分割性能高的U-Net模型用于本文超声图像数据的左心室室壁分割。
步骤160：对所述二维彩色多普勒超声心动图像重建超声心动图序列。
在本发明的一种具体实现方式中，上述步骤160可以包括：
根据彩色多普勒超声心动图中的心电图时相位置信息，对三个心动周期图像按心电图时相先后顺序重新进行排序，搜索后续的心动周期中时相在第一心动周期中对应相邻帧之间的图像，将搜索到的图像插入对应相邻帧，直到第一心动周期所有相邻帧均被后续心动周期图像插入。
步骤170：使用由超声模拟图像重新训练的PWC-Net模型对左心室内膜进行运动跟踪，确定左心室内膜的切向速度。
在本发明的一种具体实现方式中，上述步骤170可以包括：
使用重新训练的PWC-Net模型，以超声图像数据的左心室区域和其相邻后一帧图像对应区域，最终获得输出：整个左心室的横向位移矩阵和纵向位移矩阵；随后使用左心室内膜位置和超声设备的时间分辨率，保留左心室心内膜的切向速度。
PWC-Net模型的思想与多尺度光流法非常接近，是一种光流模型，用于位移跟踪。该模型的结构如图6所示，
原始的PWC-Net模型的训练数据为自然数据，其中主要包含刚性运动。本发明中的研究对象为心脏，其运动特征为非刚性运动。使用本发明模拟的非刚性运动的超声数据，通过迁移学习重新训练，得到符合心脏运动特征的位移跟踪模型。
步骤180：结合径向速度分量和左心室心内膜切向速度，带入到连续性方程方程中，得到左心室血液质点的切向速度分量。
步骤190：使用径向速度分量和切向速度分量合成左心室血液的流场，对流场进行可视化。
其中，可视化的方法包括绘制速度矢量图和平面流线图。
如图7和图8所示，为方案结果展示图，本发明的通用性是第一大优点。现有技术基本是基于从特定设备中提取原始射频数据来获取径向速度的，本发明提供的实施例是完全基于图像信息，对所有能够导出彩色多普勒超声心动图像的设备均适用。且最终的结果与现有技术的结果高度一致。
本发明实现自动化识别左心室轮廓是本发明的第二大优点。现有技术形成的系统主要以医生手工勾勒的方法识别左心室内膜。本发明中使用深度学习网络，选用医学领域中常用的U-Net网络分割模型，对左心室内膜进行分割并记录其坐标位置。让计算变得更加高效。
图4为左心室轮廓识别结果图。
本发明使用由模拟超声图像重新训练后的PWC-net模型进行室壁运动跟踪是本发明的第三大优点。现有的技术主要使用散斑跟踪方法进行室壁运动追踪，这种方法不具有实时性。本发明使用经由模拟超声图像重新训练后的PWC-Net模型，减少计算耗时，加快计算效率。
图5为PWC-Net模型结构图结果图。
本发明实施例提供的方案，突破了超声设备的限制，现有技术需要使用特定设备采集的超声原始射频数据以提取径向速度，本发明中是完全基于彩色多普勒超声心动图像信息，任何能够导出彩色多普勒超声心动图像的设备均可以进行左心室流场可视化的分析，具有通用性。本发明实施例提供的基于超声图像结合深度学习的心脏血流向量成像方法以深度学习模型U-Net自动识别左心室内膜轮廓代替手动勾勒左心室的方法，实现自动化，加快计算效率。本发明实施例提供的使用由模拟超声图像重新训练后的PWC-net模型代替现有的散斑跟踪方法进行室壁运动追踪，减少计算耗时，加快计算效率 。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims (6)

1.一种基于超声图像结合深度学习的心脏血流向量成像方法，其特征在于，所述方法包括：
获取超声设备经彩色编码后的二维彩色多普勒超声心动图像；
提取所述二维彩色多普勒超声心动图像中的左心室区域；
对所述左心室区域进行彩色血流信息补偿；
对补偿后的图像，使用速度标尺提取径向速度分量；
使用训练的U-Net模型识别所述左心室区域的左心室内膜轮廓；
对所述二维彩色多普勒超声心动图像重建超声心动图序列；
使用由超声模拟图像重新训练的PWC-Net模型对左心室内膜进行运动跟踪，确定左心室内膜的切向速度；
结合径向速度分量和左心室心内膜切向速度，带入到连续性方程方程中，得到左心室血液质点的切向速度分量；
使用径向速度分量和切向速度分量合成左心室血液的流场，对流场进行可视化，其中，可视化的方法包括绘制速度矢量图和平面流线图。
2.根据权利要求1所述的方法，其特征在于，所述对所述左心室区域进行彩色血流信息补偿的步骤，包括：
使用一维线性插值方法对左心室中彩色血流信息的红色和蓝色区域之间的空隙处进行彩色血流信息补偿。
3.根据权利要求1所述的方法，其特征在于，所述对补偿后的图像，使用速度标尺提取径向速度分量的步骤，包括：
使用超声图像数据中的血液质点的RGB分量与速度标尺上点的RGB分量做匹配，定位在速度标尺上与当前血液质点最匹配的点，记录最匹配的点在速度标尺上的距离，距离从蓝色区域的最低端算起；
通过距离与径向速度的分段线性函数，获得径向速度并作平滑处理，其中，平滑处理包括中值滤波和高斯滤波处理，所述血液质点为图像上的像素点。
4.根据权利要求1所述的方法，其特征在于，使用训练的U-Net模型所述识别所述左心室区域的左心室内膜轮廓的步骤，包括：
对二维彩色多普勒超声心动图像灰度化和裁剪处理；将处理后的图像输入进U-Net模型，得到预测的左心室内膜轮廓，并记录轮廓的坐标位置。
5.根据权利要求1所述的方法，其特征在于，所述对所述二维彩色多普勒超声心动图像重建超声心动图序列的步骤，包括：
根据彩色多普勒超声心动图中的心电图时相位置信息，对三个心动周期图像按心电图时相先后顺序重新进行排序，搜索后续的心动周期中时相在第一心动周期中对应相邻帧之间的图像，将搜索到的图像插入对应相邻帧，直到第一心动周期所有相邻帧均被后续心动周期图像插入。
6.根据权利要求4所述的方法，其特征在于，所述对所述使用由超声模拟图像重新训练的PWC-Net模型对左心室内膜进行运动跟踪，确定左心室内膜的切向速度的步骤，包括：
使用重新训练的PWC-Net模型，以超声图像数据的左心室区域和其相邻后一帧图像对应区域，最终获得输出：整个左心室的横向位移矩阵和纵向位移矩阵；随后使用左心室内膜位置和超声设备的时间分辨率，保留左心室心内膜的切向速度。
CN202110164181.1A 2021-02-05 2021-02-05 一种基于超声图像结合深度学习的心脏血流向量成像方法 Active CN112998756B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110164181.1A CN112998756B (zh) 2021-02-05 2021-02-05 一种基于超声图像结合深度学习的心脏血流向量成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110164181.1A CN112998756B (zh) 2021-02-05 2021-02-05 一种基于超声图像结合深度学习的心脏血流向量成像方法

Publications (2)

Publication Number Publication Date
CN112998756A true CN112998756A (zh) 2021-06-22
CN112998756B CN112998756B (zh) 2021-11-26

Family

ID=76385253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110164181.1A Active CN112998756B (zh) 2021-02-05 2021-02-05 一种基于超声图像结合深度学习的心脏血流向量成像方法

Country Status (1)

Country Link
CN (1) CN112998756B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117994249A (zh) * 2024-04-02 2024-05-07 四川省医学科学院·四川省人民医院 一种基于深度学习的心脏瓣膜反流严重程度超声评估方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6106466A (en) * 1997-04-24 2000-08-22 University Of Washington Automated delineation of heart contours from images using reconstruction-based modeling
US20040153128A1 (en) * 2003-01-30 2004-08-05 Mitta Suresh Method and system for image processing and contour assessment
CN1839392A (zh) * 2003-06-25 2006-09-27 美国西门子医疗解决公司 心脏成像的自动区域心肌评定
US20080097210A1 (en) * 2004-08-11 2008-04-24 Koninklijke Philips Electronics N.V. Ultrasonic Diagnosis of Ischemic Cardiodisease
US20090198298A1 (en) * 2007-10-03 2009-08-06 Kaiser Daniel R Methods and systems for use in selecting cardiac pacing sites
CN101919711A (zh) * 2010-08-25 2010-12-22 四川省医学科学院（四川省人民医院） 基于多普勒图像信息的心脏流场速度矢量场可视化描述方法
US20110301462A1 (en) * 2010-01-13 2011-12-08 Shinichi Hashimoto Ultrasonic diagnosis apparatus and ultrasonic image processing apparatus
CN104207803A (zh) * 2014-08-13 2014-12-17 四川省人民医院 基于彩色多普勒图像信息的心脏血流涡运动自适应可视化定位方法
US20150094582A1 (en) * 2012-04-18 2015-04-02 Hitachi Aloka Medical, Ltd. Ultrasound image capture device and ultrasound image capture method
CN105105775A (zh) * 2011-07-19 2015-12-02 株式会社东芝 心肌运动解析装置
CN108257214A (zh) * 2018-02-12 2018-07-06 成都信息工程大学 心脏左心室流场域数值模拟方法、计算机、计算机程序

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6106466A (en) * 1997-04-24 2000-08-22 University Of Washington Automated delineation of heart contours from images using reconstruction-based modeling
US20040153128A1 (en) * 2003-01-30 2004-08-05 Mitta Suresh Method and system for image processing and contour assessment
CN1839392A (zh) * 2003-06-25 2006-09-27 美国西门子医疗解决公司 心脏成像的自动区域心肌评定
US20080097210A1 (en) * 2004-08-11 2008-04-24 Koninklijke Philips Electronics N.V. Ultrasonic Diagnosis of Ischemic Cardiodisease
US20090198298A1 (en) * 2007-10-03 2009-08-06 Kaiser Daniel R Methods and systems for use in selecting cardiac pacing sites
US20110301462A1 (en) * 2010-01-13 2011-12-08 Shinichi Hashimoto Ultrasonic diagnosis apparatus and ultrasonic image processing apparatus
CN101919711A (zh) * 2010-08-25 2010-12-22 四川省医学科学院（四川省人民医院） 基于多普勒图像信息的心脏流场速度矢量场可视化描述方法
CN105105775A (zh) * 2011-07-19 2015-12-02 株式会社东芝 心肌运动解析装置
US20150094582A1 (en) * 2012-04-18 2015-04-02 Hitachi Aloka Medical, Ltd. Ultrasound image capture device and ultrasound image capture method
CN104207803A (zh) * 2014-08-13 2014-12-17 四川省人民医院 基于彩色多普勒图像信息的心脏血流涡运动自适应可视化定位方法
CN108257214A (zh) * 2018-02-12 2018-07-06 成都信息工程大学 心脏左心室流场域数值模拟方法、计算机、计算机程序

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
ISAAZ K,等: "Doppler echocardiographic measurement of low velocity motion of the left ventricular posterior wall", 《THE AMERICAN JOURNAL OF CARDIOLOGY》 *
ITATANI K,等: "Intraventricular flow velocity vector visualization based on the continuity equation and measurements of vorticity and wall shear stress", 《JAPANESE JOURNAL OF APPLIED PHYSICS》 *
KOBAYASHI I,等: "Spiral Complex Movements of the Heart Wall at the Beginning of Myocardial Contraction Detected by High Frame Speckle Tracking", 《2018 IEEE INTERNATIONAL ULTRASONICS SYMPOSIUM (IUS)》 *
QIAO M, 等: "Temporally coherent cardiac motion tracking from cine MRI: Traditional registration method and modern CNN method", 《MEDICAL PHYSICS》 *
尹立雪: "心腔内血液流场及流体力学状态的可视化观察及量化评价", 《中华医学超声杂志》 *
庄玲: "基于三维图像序列的左心室分割与运动联合估计", 《中国博士学位论文全文数据库 信息科技辑》 *
谢盛华，等: "彩色多普勒图像心脏流场流线可视化方法", 《计算机辅助设计与图形学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117994249A (zh) * 2024-04-02 2024-05-07 四川省医学科学院·四川省人民医院 一种基于深度学习的心脏瓣膜反流严重程度超声评估方法
CN117994249B (zh) * 2024-04-02 2024-06-11 四川省医学科学院·四川省人民医院 一种基于深度学习的心脏瓣膜反流严重程度超声评估方法

Also Published As

Publication number Publication date
CN112998756B (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
Bernard et al. Standardized evaluation system for left ventricular segmentation algorithms in 3D echocardiography
CN105105775B (zh) 心肌运动解析装置
US8265363B2 (en) Method and apparatus for automatically identifying image views in a 3D dataset
EP2434454B1 (en) Computerized characterization of cardiac motion in medical diagnostic ultrasound
KR101625256B1 (ko) 심장 ｍ-모드 뷰들의 자동 분석
Nurmaini et al. Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation
CN111145185B (zh) 一种基于聚类关键帧提取ct图像的肺实质分割方法
Li et al. Fully convolutional networks for ultrasound image segmentation of thyroid nodules
Lu et al. Automatic delineation of left and right ventricles in cardiac MRI sequences using a joint ventricular model
CN113298773A (zh) 基于深度学习的心脏视图识别与左心室检测装置、系统
Awasthi et al. LVNet: Lightweight model for left ventricle segmentation for short axis views in echocardiographic imaging
CN112998756B (zh) 一种基于超声图像结合深度学习的心脏血流向量成像方法
CN117808834A (zh) 一种基于sam的跨模态域泛化医学图像分割方法
CN113689441B (zh) 一种基于DeepLabV3网络的左心室超声动态分割方法
Lu et al. AutoMPR: Automatic detection of standard planes in 3D echocardiography
Shalbaf et al. Echocardiography without electrocardiogram using nonlinear dimensionality reduction methods
CN112258476B (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
CN112164447B (zh) 图像处理方法、装置、设备及存储介质
Kulkarni et al. Fully automatic segmentation of LV from echocardiography images and calculation of ejection fraction using deep learning
CN114010227B (zh) 一种右心室特征信息识别方法及装置
US20090279763A1 (en) Methods and apparatus for combined 4d presentation of quantitative regional measurements and morphology
Yang et al. Scale-aware auto-context-guided Fetal US segmentation with structured random forests
Lu et al. Discriminative joint context for automatic landmark set detection from a single cardiac MR long axis slice
Bosch et al. Overview of automated quantitation techniques in 2D echocardiography
CN112330822A (zh) 实时三维心脏图像自动靶目标区域追踪识别系统

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