CN113570569B - 一种基于深度学习的心脏室间隔抖动自动检测系统 - Google Patents
一种基于深度学习的心脏室间隔抖动自动检测系统 Download PDFInfo
- Publication number
- CN113570569B CN113570569B CN202110845336.8A CN202110845336A CN113570569B CN 113570569 B CN113570569 B CN 113570569B CN 202110845336 A CN202110845336 A CN 202110845336A CN 113570569 B CN113570569 B CN 113570569B
- Authority
- CN
- China
- Prior art keywords
- neural network
- left ventricle
- deep neural
- network
- training
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 210000005242 cardiac chamber Anatomy 0.000 title claims abstract description 9
- 210000005240 left ventricle Anatomy 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 230000002861 ventricular Effects 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000006835 compression Effects 0.000 claims description 14
- 238000007906 compression Methods 0.000 claims description 14
- 210000000596 ventricular septum Anatomy 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000002604 ultrasonography Methods 0.000 claims description 2
- 238000013155 cardiography Methods 0.000 claims 1
- 238000003759 clinical diagnosis Methods 0.000 abstract description 2
- 238000002592 echocardiography Methods 0.000 description 5
- 206010006580 Bundle branch block left Diseases 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于深度学习的心脏室间隔抖动自动检测系统，涉及计算机视觉技术领域。该系统首先获取多个带SF标签的超声心动图作为样本数据集；然后初始化用于室间隔抖动检测的深度神经网络模型，并使用样本数据集预训练深度神经网络模型，得到预训练深度神经网络模型；用于室间隔抖动检测的深度神经网络模型包括左心室分割网络U‑Net和基于编解码器的SF诊断网络；最后加载预训练深度神经网络模型的模型参数和配置文件，分割待评估的超声心动图中的左心室，输出室间隔抖动判断结果。本发明的检测系统使用深度学习的方法自动分割左心室，并根据分割结果实现了SF的自动诊断，减少了临床诊断的时间，避免了医生主观经验造成的结果差异。
Description
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种基于深度学习的心脏室间隔抖动自动检测系统。
背景技术
在完全性左束支传导阻滞(cLBBB)的患者的收缩早期中，室间隔向左运动后在出现反运动被称为室间隔抖动现象(SF)。cLBBB患者如果同时伴有SF现象，患者愈后相较于无SF现象患者通常较差。通常，临床上通常需要结合左心室整体纵向应变(Left VentricularGlobal Longitudinal Strain,LVGLS)与原始超声心动图像对室间隔抖动现象进行分析和评估。但是这种方法需要描记左心室内膜，评估准确性高度依赖于图像质量与医生的经验水平，不同经验水平的医生往往得出不同的诊断结果，可重复性差，无法做到标准一致性。
文献(Wang Y,Li G,Ma C,Guan Z,Jin X,Li Y,Liu S,Yang J.Predictive Valueof Septal Flash for Reduction of Left Ventricular Systolic Function asReflected by Global Longitudinal Strain Using Echocardiography in PatientsWith Isolated Complete Left Bundle-Branch Block.Circ J.2018Jul 25；82(8):2111-2118.doi:10.1253/circj.CJ-17-1422.Epub 2018Jun 21.PMID:29925741.)使用2维斑点追踪算法对SF现象和LVGLS进行评估，同时采用多变量逻辑回归算法，对41名保留射血分数的患者进行SF诊断。该方法需要医生结合超声图像与LVGLS等参数，评估结果依赖于医生的临床经验以及LVGLS的准确性，且由于LVGLS没有统一的标准，导致实验可重复性差。实验所需的参数需要投入学习、人工和时间成本，不能很好地满足临床需求。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于深度学习的心脏室间隔抖动自动检测系统，使用深度学习网络通过超声心动图实现室间隔抖动的检测。
为解决上述技术问题，本发明所采取的技术方案是：一种基于深度学习的心脏室间隔抖动自动检测系统，通过以下步骤实现对室间隔抖动的自动检测：
获取多个带SF标签的超声心动图作为样本数据集；
初始化用于室间隔抖动检测的深度神经网络模型，并使用样本数据集预训练深度神经网络模型，得到预训练深度神经网络模型；
所述用于室间隔抖动检测的深度神经网络模型包括左心室分割网络U-Net和基于编解码器的SF诊断网络；
加载预训练深度神经网络模型的模型参数和配置文件，分割待评估的超声心动图中的左心室，输出室间隔抖动判断结果。
进一步地，所述系统还通过包括原始超声心动图像和对应标签的微调数据集微调预训练的深度神经网络模型参数。
进一步地，所述获取的多个带SF标签的超声心动图为遵循医疗数位影像传输协定的dcm格式的超声心动图文件，或dcm格式的超声心动图文件解析后的单帧图像及其对应的SF标签。
进一步地，所述左心室分割网络U-Net用于超声心动图中左心室的图像分割，基于编解码器的SF诊断网络的输入为经过STN模块进行角度矫正后的四腔心左心室分割图像序列，输出为SF诊断结果。
进一步地，所述左心室分割网络U-Net由压缩路径和扩展路径组成；所述压缩路径与扩展路径均由5个块组成，压缩路径中每个块执行2个核为3×3的卷积操作以及1个2×2最大池化的降采样操作；压缩路径中各块输出的特征图经过复制裁剪操作，与输入到扩展路径对应块的特征图在通道维度合并；扩展路径由5个块组成，每个块执行1个核为2×2的反卷积操作以及2个核为3×3的卷积操作，第5个块在最后增加一个核为1×1的卷积操作用以输出左心室分割图像。
进一步地，所述基于编解码器的SF诊断网络由基于序列到序列的编解码器网络构成，总体框架为级联的ResNet-LSTM；其中，编码器网络使用删除最后一个全连接层的ResNet-18作为主干网络，并在此基础上添加三个尺寸分别为512，512，256的全连接层用以表征编码器图像特征；解码器网络基于LSTM网络，用于获得编码图像的时序特征；同时，使用左心室容积变化曲线作为辅助信息，经分枝网络处理后与LSTM输出时序特征进行融合，融合特征同时包含左心室分割图像信息和左心室容积变化信息；融合特征经过级联的2级尺寸分别为(256，2)的全连接层输出诊断结果。
进一步地，所述预训练深度神经网络模型的模型参数和配置文件包括一次性读入神经网络的图像数量，训练神经网络的迭代次数，并行计算的进程数量以及训练使用的设备及设备号。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于深度学习的心脏室间隔抖动自动检测系统，针对以往SF诊断需要医生通过肉眼对超声序列观测而导致的鲁棒性差、可重复性差、诊断结果严重依赖于医生临床经验等问题，使用深度学习的方法实现了左心室的自动分割，并根据分割结果实现了SF的自动诊断。减少了临床诊断的时间，避免了医生主观经验造成的结果差异，最终实现SF的精确诊断。在不同患者的超声心动图序列上进行测试，结果表明该方法在不同质量的超声图像上，能够准确地诊断SF现象，运算速度快，能够满足临床要求。该方法简单，结果准确性高，且处理过程不需要人工交互，达到了临床应用的要求。
附图说明
图1为本发明实施例提供的一种基于深度学习的心脏室间隔抖动自动检测系统的检测流程图；
图2本发明实施例提供的基于超声心动图序列的室间隔抖动自动诊断的示意图；
图3为本发明实施例提供的左心室分割网络U-Net的结构示意图；
图4为本发明实施例提供的基于编解码器的SF诊断网络的结构示意图；
图5为本发明实施例提供的超声心动图序列示意图；
图6为本发明实施例提供的超声心动图序列对应的左心室分割Mask标签图；
图7为本发明实施例提供的基于左心室分割计算的左心室面积变化曲线图，其中，(a)为无室间隔抖动现象；(b)为有室间隔抖动现象。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例中，一种基于深度学习的心脏室间隔抖动自动检测系统，如图1、2所示，通过以下步骤实现对室间隔抖动的自动检测：
步骤1：获取多个超声心动图作为样本数据集；基于超声心动图四腔心视图，获取遵循医疗数位影像传输协定(Digital Imaging and Communications in Medicine,DICOM)的dcm格式的超声心动图文件，或dcm格式的超声心动图文件解析后的单帧图像(JPG,PNG,JPEG格式)及其对应的诊断结果标签，即是否伴有SF现象；
步骤2：将样本数据集划分为以下三种数据集类型：
(1)训练和验证数据集：包括原始超声心动图像和对应的标签，用于训练和验证初始化的深度神经网络模型，得到预训练的深度神经网络模型参数；
(2)微调数据集：包括原始超声心动图像和对应的标签，用于微调预训练的深度神经网络模型参数，使模型针对不同医院的不同超声设备拥有更强的泛化性能；
(3)无标注的待评估数据：未设置标签的dcm格式的超声心动图文件或解析后的单帧图像，用于临床评估室间隔抖动现象；
步骤3：判断输入室间隔抖动自动检测系统的数据类型，如果输入的是训练和验证数据集，则初始化用于室间隔抖动检测的深度神经网络模型，然后执行步骤4；如果输入的是微调数据集，则执行步骤5；如果输入的是无标注的待评估数据则执行步骤6；
所述用于室间隔抖动检测的深度神经网络模型包括左心室分割网络U-Net和基于编解码器的SF诊断网络；
所述左心室分割网络U-Net如图3所示，由压缩路径(Contracting Path)和扩展路径(Expanding Path)组成；传统U-Net网络中压缩路径和扩展路径各由4个Block组成。本发明使用的分割网络，对传统的U-Net进行了加深处理，压缩路径与扩展路径均由5个块组成，压缩路径中每个块执行2个核(Kernel)为3×3的卷积操作以及1个2×2最大池化(MaxPooling)的降采样操作；压缩路径中各块输出的特征图(Feature Map)经过复制裁剪(Copyand Crop)操作，与输入到扩展路径对应块的特征图在通道维度合并；扩展路径由5个块组成，每个块执行1个核为2×2的反卷积操作以及2个核为3×3的卷积操作，第5个块在最后增加一个核为1×1的卷积操作用以输出左心室分割图像；
所述基于编解码器的SF诊断网络如图4所示，由基于序列到序列的编解码器网络构成，总体框架为级联的ResNet-LSTM，网络输入为经过STN(Spatial TransformerNetwork)模块进行角度矫正后的四腔心左心室分割图像序列，输出为SF诊断结果；其中，编码器网络使用删除最后一个全连接层的ResNet-18作为主干网络，并在此基础上添加三个尺寸分别为512，512，256的全连接层用以表征编码器图像特征；解码器网络基于LSTM网络，用于获得编码图像的时序特征；同时，使用左心室容积变化曲线作为辅助信息，经分枝网络处理后与LSTM输出时序特征进行融合，融合特征同时包含左心室分割图像信息和左心室容积变化信息，以增强诊断鲁棒性；融合特征经过级联的2级尺寸分别为(256，2)的全连接层输出诊断结果；
步骤4：加载模型参数配置并使用训练和测试数据集训练深度神经网络模型，得到预训练模型；
本实施例中，训练和验证数据集中的超声心动图序列如图5所示，经过左心室分割网络后超声心动图序列对应的左心室分割Mask标签如图6所示；基于左心室分割计算的左心室面积变化曲线如图7所示；训练过程中室间隔抖动现象的诊断标签如表1所示；
表1室间隔抖动现象的诊断标签
所述深度神经网络模型参数包括输入Batch大小(一次性读入神经网络的图像数量)，Epoch大小(训练神经网络的迭代次数)，num_works(并行计算的进程数量)，device(使用的是CPU还是GPU，以及GPU的设备号)；
步骤5：加载预训练模型，将保存了深度神经网络预训练参数的文件加载到深度神经网络模型中，使用微调数据集对预训练模型的模型参数进行微调；
步骤6：加载预训练模型的模型参数和配置文件，将无标注的待评估数据输入预训练模型，通过左心室分割网络U-Net分割左心室，使用基于编解码器的SF诊断网络输出室间隔抖动判断结果。
最后应说明的是：以上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权利要求所限定的范围。
Claims (6)
1.一种基于深度学习的心脏室间隔抖动自动检测系统，通过以下步骤实现对室间隔抖动的自动检测：
获取多个带SF标签的超声心动图作为样本数据集；
初始化用于室间隔抖动检测的深度神经网络模型，并使用样本数据集预训练深度神经网络模型，得到预训练深度神经网络模型；
所述用于室间隔抖动检测的深度神经网络模型包括左心室分割网络U-Net和基于编解码器的SF诊断网络；
所述左心室分割网络U-Net用于超声心动图中左心室的图像分割，基于编解码器的SF诊断网络的输入为经过STN模块进行角度矫正后的四腔心左心室分割图像序列，输出为SF诊断结果；
加载预训练深度神经网络模型的模型参数和配置文件，分割待评估的超声心动图中的左心室，输出室间隔抖动判断结果。
2.根据权利要求1所述的一种基于深度学习的心脏室间隔抖动自动检测系统，其特征在于：所述系统还通过包括原始超声心动图像和对应标签的微调数据集微调预训练的深度神经网络模型参数。
3.根据权利要求1所述的一种基于深度学习的心脏室间隔抖动自动检测系统，其特征在于：所述获取的多个带SF标签的超声心动图为遵循医疗数位影像传输协定的dcm格式的超声心动图文件，或dcm格式的超声心动图文件解析后的单帧图像及其对应的SF标签。
4.根据权利要求3所述的一种基于深度学习的心脏室间隔抖动自动检测系统，其特征在于：所述左心室分割网络U-Net由压缩路径和扩展路径组成；所述压缩路径与扩展路径均由5个块组成，压缩路径中每个块执行2个核为3×3的卷积操作以及1个2×2最大池化的降采样操作；压缩路径中各块输出的特征图经过复制裁剪操作，与输入到扩展路径对应块的特征图在通道维度合并；扩展路径由5个块组成，每个块执行1个核为2×2的反卷积操作以及2个核为3×3的卷积操作，第5个块在最后增加一个核为1×1的卷积操作用以输出左心室分割图像。
5.根据权利要求4所述的一种基于深度学习的心脏室间隔抖动自动检测系统，其特征在于：所述基于编解码器的SF诊断网络由基于序列到序列的编解码器网络构成，总体框架为级联的ResNet-LSTM；其中，编码器网络使用删除最后一个全连接层的ResNet-18作为主干网络，并在此基础上添加三个尺寸分别为512，512，256的全连接层用以表征编码器图像特征；解码器网络基于LSTM网络，用于获得编码图像的时序特征；同时，使用左心室容积变化曲线作为辅助信息，经分枝网络处理后与LSTM输出时序特征进行融合，融合特征同时包含左心室分割图像信息和左心室容积变化信息；融合特征经过级联的2级尺寸分别为(256，2)的全连接层输出诊断结果。
6.根据权利要求1所述的一种基于深度学习的心脏室间隔抖动自动检测系统，其特征在于：所述预训练深度神经网络模型的模型参数和配置文件包括一次性读入神经网络的图像数量，训练神经网络的迭代次数，并行计算的进程数量以及训练使用的设备及设备号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110845336.8A CN113570569B (zh) | 2021-07-26 | 2021-07-26 | 一种基于深度学习的心脏室间隔抖动自动检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110845336.8A CN113570569B (zh) | 2021-07-26 | 2021-07-26 | 一种基于深度学习的心脏室间隔抖动自动检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113570569A CN113570569A (zh) | 2021-10-29 |
| CN113570569B true CN113570569B (zh) | 2024-04-16 |
Family
ID=78167554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110845336.8A Active CN113570569B (zh) | 2021-07-26 | 2021-07-26 | 一种基于深度学习的心脏室间隔抖动自动检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113570569B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2360695A (en) * | 1995-04-20 | 1996-11-07 | Jawahar M. Desai | Apparatus for cardiac mapping and ablation |
| CN101887581A (zh) * | 2010-06-17 | 2010-11-17 | 东软集团股份有限公司 | 图像融合方法及设备 |
| CN107622493A (zh) * | 2016-07-15 | 2018-01-23 | 西门子医疗有限公司 | 用于分割医学图像中的对象的方法和数据处理单元 |
| CN109745062A (zh) * | 2019-01-30 | 2019-05-14 | 腾讯科技（深圳）有限公司 | Ct图像的生成方法、装置、设备及存储介质 |
| CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及系统 |
| CN111012377A (zh) * | 2019-12-06 | 2020-04-17 | 北京安德医智科技有限公司 | 超声心动图心脏参数计算以及心肌应变测量方法、装置 |
| CN111260651A (zh) * | 2018-11-30 | 2020-06-09 | 西安电子科技大学 | 一种基于深度迁移学习的胃部低质量mri图像分割方法 |
| CN111739000A (zh) * | 2020-06-16 | 2020-10-02 | 山东大学 | 一种提高多个心脏视图左心室分割精确度的系统及装置 |
| CN111754534A (zh) * | 2020-07-01 | 2020-10-09 | 杭州脉流科技有限公司 | 基于深度神经网络的ct左心室短轴图像分割方法、装置、计算机设备和存储介质 |
| CN111770730A (zh) * | 2018-02-23 | 2020-10-13 | 富士胶片株式会社 | 超声波诊断装置及超声波诊断装置的控制方法 |
| CN111915626A (zh) * | 2020-08-14 | 2020-11-10 | 大连东软教育科技集团有限公司 | 心脏超声图像的心室区域自动分割方法、装置及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3380859A4 (en) * | 2015-11-29 | 2019-07-31 | Arterys Inc. | AUTOMATED SEGMENTATION OF CARDIAC VOLUME |
| US10595727B2 (en) * | 2018-01-25 | 2020-03-24 | Siemens Healthcare Gmbh | Machine learning-based segmentation for cardiac medical imaging |
| EP4057909A4 (en) * | 2019-11-15 | 2023-11-29 | Geisinger Clinic | DEEP NEURONAL NETWORK SYSTEMS AND METHODS FOR IMPROVING PATIENT ENDPOINT PREDICTION USING VIDEOS OF THE HEART |
-
2021
- 2021-07-26 CN CN202110845336.8A patent/CN113570569B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2360695A (en) * | 1995-04-20 | 1996-11-07 | Jawahar M. Desai | Apparatus for cardiac mapping and ablation |
| CN101887581A (zh) * | 2010-06-17 | 2010-11-17 | 东软集团股份有限公司 | 图像融合方法及设备 |
| CN107622493A (zh) * | 2016-07-15 | 2018-01-23 | 西门子医疗有限公司 | 用于分割医学图像中的对象的方法和数据处理单元 |
| CN111770730A (zh) * | 2018-02-23 | 2020-10-13 | 富士胶片株式会社 | 超声波诊断装置及超声波诊断装置的控制方法 |
| CN111260651A (zh) * | 2018-11-30 | 2020-06-09 | 西安电子科技大学 | 一种基于深度迁移学习的胃部低质量mri图像分割方法 |
| CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及系统 |
| CN109745062A (zh) * | 2019-01-30 | 2019-05-14 | 腾讯科技（深圳）有限公司 | Ct图像的生成方法、装置、设备及存储介质 |
| CN111012377A (zh) * | 2019-12-06 | 2020-04-17 | 北京安德医智科技有限公司 | 超声心动图心脏参数计算以及心肌应变测量方法、装置 |
| CN111739000A (zh) * | 2020-06-16 | 2020-10-02 | 山东大学 | 一种提高多个心脏视图左心室分割精确度的系统及装置 |
| CN111754534A (zh) * | 2020-07-01 | 2020-10-09 | 杭州脉流科技有限公司 | 基于深度神经网络的ct左心室短轴图像分割方法、装置、计算机设备和存储介质 |
| CN111915626A (zh) * | 2020-08-14 | 2020-11-10 | 大连东软教育科技集团有限公司 | 心脏超声图像的心室区域自动分割方法、装置及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| "Effect of septal flash on right ventricular systolic function in left bundle-branch block patients with preserved left ventricular ejection fraction";Chun-yan Ma，et al;《Scientific Reports》;全文 * |
| "Predictive Value of Septal Flash for Reduction of Left Ventricular Systolic Function as Reflected by Global Longitudinal Strain Using Echocardiography in Patients With Isolated Complete Left Bundle-Branch Block";Yonghuai Wang，et al;《Circulation Journal》;全文 * |
| Dong Yang,et al."MRI-BASED CHARACTERIZATION OF LEFT VENTRICLE DYSSYNCHRONY WITH CORRELATION TO CRT OUTCOMES".《IEEE》.2020,全文. * |
| 超声在肺血栓栓塞症合并冠状动脉粥样硬化性心脏病患者中的应用价值;李诗文;刘;白洋;马春燕;杨军;康健;;中华医学超声杂志(电子版)(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113570569A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009640B (zh) | 处理心脏视频的方法、设备和可读介质 | |
| CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
| CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
| WO2020019614A1 (zh) | 一种图像处理方法、电子设备及存储介质 | |
| CN113393469A (zh) | 基于循环残差卷积神经网络的医学图像分割方法和装置 | |
| CN112396605B (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
| CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
| CN112766377B (zh) | 左心室磁共振影像智能分类方法、装置、设备和介质 | |
| CN112862830A (zh) | 一种多模态图像分割方法、系统、终端及可读存储介质 | |
| Tursynova et al. | Brain Stroke Lesion Segmentation Using Computed Tomography Images based on Modified U-Net Model with ResNet Blocks. | |
| CN113298830B (zh) | 一种基于自监督的急性颅内ich区域图像分割方法 | |
| Zhang et al. | Dual encoder fusion u-net (defu-net) for cross-manufacturer chest x-ray segmentation | |
| CN112597982B (zh) | 基于人工智能的图像分类方法、装置、设备和介质 | |
| CN113888541A (zh) | 一种腹腔镜手术阶段的图像识别方法、装置及存储介质 | |
| CN110992309B (zh) | 基于深层信息传递网络的眼底图像分割方法 | |
| Awasthi et al. | LVNet: Lightweight model for left ventricle segmentation for short axis views in echocardiographic imaging | |
| CN114565601A (zh) | 基于DeepLabV3+改进的肝脏CT图像分割算法 | |
| CN113781403A (zh) | 一种胸部ct影像处理方法与装置 | |
| CN117523204A (zh) | 面向医疗场景的肝脏肿瘤图像分割方法、装置和可读存储介质 | |
| CN113570569B (zh) | 一种基于深度学习的心脏室间隔抖动自动检测系统 | |
| CN116563224B (zh) | 基于深度语义特征的影像组学胎盘植入预测方法及装置 | |
| CN113592802B (zh) | 一种基于超声图像的二尖瓣环位移自动检测系统 | |
| CN116309507A (zh) | 注意力机制下对ctp进行特征融合的ais病灶预测方法 | |
| Parvathavarthini et al. | Performance analysis of squeezenet and densenet on fetal brain mri dataset | |
| CN111209946A (zh) | 三维图像处理方法、图像处理模型训练方法及介质 |
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 |