CN113592802B - 一种基于超声图像的二尖瓣环位移自动检测系统 - Google Patents

一种基于超声图像的二尖瓣环位移自动检测系统 Download PDF

Info

Publication number
CN113592802B
CN113592802B CN202110845333.4A CN202110845333A CN113592802B CN 113592802 B CN113592802 B CN 113592802B CN 202110845333 A CN202110845333 A CN 202110845333A CN 113592802 B CN113592802 B CN 113592802B
Authority
CN
China
Prior art keywords
site
mitral valve
valve annulus
left ventricular
coordinates
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
CN202110845333.4A
Other languages
English (en)
Other versions
CN113592802A (zh
Inventor
杨金柱
马春燕
李洪赫
瞿明军
王永槐
曹鹏
冯朝路
覃文军
栗伟
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.)
First Hospital of China Medical University
Original Assignee
First Hospital of China Medical University
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 First Hospital of China Medical University filed Critical First Hospital of China Medical University
Priority to CN202110845333.4A priority Critical patent/CN113592802B/zh
Publication of CN113592802A publication Critical patent/CN113592802A/zh
Application granted granted Critical
Publication of CN113592802B publication Critical patent/CN113592802B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明提供一种基于超声图像的二尖瓣环位移自动检测系统，涉及计算机视觉技术领域。该系统首先获取多个带有左心室掩模或二尖瓣环位点坐标标签的超声心动图作为样本数据集；然后初始化用于左心室分割和二尖瓣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，得到预训练模型；加载预训练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内膜，确定二尖瓣环室间隔位点和左心室侧壁位点坐标以及左心室心尖位点坐标；计算二尖瓣环室间隔位点位移、左心室侧壁位点位移和收缩初期到收缩末期二尖瓣环相对于心尖的位移变化量，并在待评估的超声心动图像上输出MAD指标，完成对超声心动图像二尖瓣环位移的自动检测。

Description

一种基于超声图像的二尖瓣环位移自动检测系统
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种基于超声图像的二尖瓣环位移自动检测系统。
背景技术
左室收缩功能是评价心血管疾病的重要参数。临床上评估左心室收缩功能首选的指标是左心室射血分数(Left Ventricular Ejection Fraction,即LVEF)，在一些疾病初期，LVEF不能准确地反映出心脏收缩功能的减低，这种情况下需要结合左心室整体纵向应变(Left Ventricular Global Longitudinal Strain,即LVGLS)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。二尖瓣环位移(MitralAnnular Displacement,即MAD)是另一项评价左心室收缩功能的指标，它通过追踪收缩期二尖瓣环室间隔位点、左心室侧壁位点和左心室心尖位点的位移，来评价左心室的收缩功能。MAD被研究证实可在疾病早期准确反映左心室收缩功能，并已纳入美国超声心动图学会指南，推荐在图像质量较差，难以准确检测LVEF和LVGLS时作为替代参数。
文献(张维辛,马春燕,王永槐,等.组织二尖瓣环位移评价冠状动脉慢血流患者左心室收缩功能[J].中国超声医学杂志,2017,33(2):114-117.)提供了一种MAD评估冠状动脉慢血流(Slow Coronary Flow,即SCF)左心室收缩功能的方法，并探讨了其临床价值。文章使用Philip iE 33超声诊断仪，S5-1探头，频率1～5MHz，采集冠脉造影72小时内患者胸骨旁左心室长轴切面以及心尖四腔心、二腔心和三腔心的3个连续心动周期动态图像；使用QLAB 9.0软件对图像进行脱机分析，在MAD模式下人工描记二尖瓣环室间隔、左心室侧壁以及左心室心尖，并由软件计算得到室间隔位点位移(MAD1)、左心室侧壁位点位移(MAD2)、平均位移(MAD Midpt)和平均位移率(MAD Midpt％)。但该方法需要医生在软件中手动描记三个位点，评估结果依赖于医生的临床经验以及描记位置的准确性，可重复性差。手动描记需要投入学习、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，提供一种基于超声图像的二尖瓣环位移自动检测系统，使用超声心动图四腔心视图，自动检测并追踪整个心动周期中二尖瓣环两位点和心尖位点的运动，从而估算出舒张末期到收缩末期二尖瓣环相对于心尖的位移。
为解决上述技术问题，本发明所采取的技术方案是：一种基于超声图像的二尖瓣环位移自动检测系统，通过以下步骤进行二尖瓣环位移的检测：
获取多个带有左心室掩模或二尖瓣环位点坐标标签的超声心动图作为样本数据集；
初始化用于左心室分割和二尖瓣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，得到预训练模型；
加载预训练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，得到左心室分割掩模和二尖瓣环位置方框；
确定二尖瓣环室间隔位点和左心室侧壁位点坐标以及左心室心尖位点坐标；
计算收缩末期到舒张末期二尖瓣环室间隔位点、左心室侧壁位点和二尖瓣环平均位点相对于心尖位点的位移变化量；
在待评估的超声心动图像上输出MAD指标，完成对超声心动图像二尖瓣环位移的自动检测。
进一步地，所述系统还通过包括原始超声心动图像和对应的左心室掩模或者位点坐标标签的微调数据集微调预训练的深度神经网络模型的模型参数。
进一步地，所述获取的带有左心室掩模或者位点坐标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左心室掩模或者位点坐标标签。
进一步地，所述用于左心室分割和二尖瓣检测的深度神经网络模型包括左心室分割网络和二尖瓣检测网络；
所述左心室分割网络基于U-Net网络结构搭建，由压缩路径和扩展路径组成，压缩路径由5个块组成，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；压缩路径各块输出的特征图经过复制和裁剪操作，与输入扩展路径对应块的特征图拼接；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个块在最后增加了一个核为1×1的卷积操作；
所述二尖瓣检测网络采用Yolov3网络，其骨干网络为去掉全连接层的Darknet-53网络，由6个单独的卷积块和23个残差单元组成；其中，每个残差单元包含2个卷积块和1个残差块；每个残差单元中的残差块包含2个卷积块；每个卷积块由二维卷积、BatchNormalization和LeakyReLU组成；Darknet-53网络输出的三个尺度的特征图将分别经过三条输出分支，每条输出分支由一个卷积集合、一个3×3卷积块和一个1×1Conv2d操作组成，分别输出不同尺度的预测结果；前后两个分支之间由上采样操作和特征拼接操作连接，从前一个分支的卷积集合输出的特征经过1×1卷积块、上采样操作和特征拼接操作后将作为下一个分支的输入；不同尺度的预测结果经过解码、排序和非极大抑制处理，将得到二尖瓣环位置的预测结果。
进一步地，所述预训练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。
进一步地，所述确定二尖瓣环室间隔位点和左心室侧壁位点坐标以及左心室心尖位点坐标的具体方法为：
从左心室掩模图像中得到左心室内膜轮廓的坐标序列，使用欧氏距离计算左心室内膜轮廓与二尖瓣环位置方框的四个角点坐标最近的点，得到二尖瓣环室间隔位点坐标和侧壁位点坐标；遍历左心室内膜轮廓坐标序列，得到左心室掩模图像中，代表左心室的区域的最高点的顶点坐标作为左心室心尖位点坐标。
进一步地，所述计算收缩末期到舒张末期二尖瓣环室间隔位点、左心室侧壁位点和二尖瓣环平均位点相对于心尖位点的位移变化量的具体计算方法为：
根据二尖瓣环室间隔位点和左心室侧壁位点坐标以及左心室心尖位点坐标，计算得到收缩末期到舒张末期二尖瓣环室间隔位点、左心室侧壁位点和二尖瓣环平均位点相对于心尖位点的位移变化量；
(1)计算二尖瓣环室间隔位点相对于心尖位点的位移变化量Dstseptal，如下公式所示：
其中，为舒张末期(End-Diastolic,ED)二尖瓣环室间隔位点坐标，为收缩末期(End-Systolic,ES)二尖瓣环室间隔位点坐标，/>为舒张末期左心室心尖位点坐标，/>为收缩末期左心室心尖位点坐标，λ为缩放系数；
(2)计算左心室侧壁位点相对于心尖位点的位移变化量Dstwall，如下公式所示：
其中，为舒张末期的左心室侧壁位点坐标，/>为收缩末期的左心室侧壁位点坐标；
(3)计算二尖瓣环平均位点相对于心尖位点的位移变化量；
首先获取二尖瓣环室间隔位点和左心室侧壁位点的平均位点坐标：
其中，为舒张末期的平均位点坐标，/>为收缩末期的平均位点坐标；
然后基于欧式距离计算得到收缩末期到舒张末期二尖瓣环平均位点相对于心尖位点的位移距离Dstmid，如下公式所示：
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超声图像的二尖瓣环位移自动检测系统，针对以往二尖瓣环位移检测需要人工描记，计算结果受到医生临床经验影响，可重复性较差的问题，利用深度神经网络准确追踪了二尖瓣环在心脏收缩期的位置变化，减少了描记数据的学习和时间成本，避免了医生主观经验造成的结果差异，实现了二尖瓣环位移的自动计算。该方法在不同质量的超声图像上，能够较为准确地估算MAD，运算速度满足实时性要求。实现方法简单，运算速度快，结果准确性高，且处理过程不需要人工交互，达到了应用的要求。
附图说明
图1为本发明实施例提供的一种基于超声图像的二尖瓣环位移自动检测系统进行检测的流程图；
图2为本发明实施例提供的左心室分割网络结构示意图；
图3为本发明实施例提供的二尖瓣检测网络结构示意图；
图4为本发明实施例提供的训练和测试数据集，其中，(a)为超声心动图序列，(b)为左心室掩模标签，(c)为二尖瓣环坐标标签；
图5为本发明实施例提供的待评估的超声心动图的MAD计算结果图。
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，一种基于超声图像的二尖瓣环位移自动检测系统，通过如图1所示的以下步骤进行二尖瓣环位移的检测：
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)及其对应的左心室掩模或者二尖瓣环位点坐标标签；
步骤2：将样本数据集划分为以下三种数据集类型：
(1)训练和测试数据集：包括原始超声心动图像和对应的标签，用于训练和测试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；
(3)MAD待评估数据：未设置左心室掩模或者位点坐标标签的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MAD指标；
步骤3：判断输入二尖瓣环位移自动检测系统的数据类型，如果输入的是训练和测试数据集，则初始化用于左心室分割和二尖瓣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；如果输入的是待评估数据则执行步骤6；
所述深度神经网络模型包括左心室分割网络和二尖瓣检测网络；
所述左心室分割网络如图2所示，基于U-Net网络结构搭建，由压缩路径和扩展路径组成，传统U-Net网络中压缩路径和扩展路径各由4个块组成。本发明使用的分割网络，压缩路径由5个块组成，每个块执行2个核(Kernel)为3×3的卷积操作以及1个2×2最大池化的降采样操作；压缩路径各块输出的特征图(Feature Map)经过复制和裁剪操作，与输入扩展路径对应块的特征图拼接；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个块在最后增加了一个核为1×1的卷积操作；
所述二尖瓣检测网络如图3所示，采用Yolov3网络，其骨干网络为去掉全连接层的Darknet-53网络，由6个单独的卷积块和23个残差单元组成；其中，每个残差单元包含2个卷积块和1个残差块；每个残差单元中的残差块包含2个卷积块；每个卷积块由二维卷积(Conv2d)、Batch Normalization(BN)和LeakyReLU组成；Darknet-53网络输出的三个尺度的特征图将分别经过三条输出分支，每条输出分支由一个卷积集合、一个3×3卷积块和一个1×1Conv2d操作组成，分别输出不同尺度的预测结果；前后两个分支之间由上采样操作和特征拼接操作连接，从前一个分支的卷积集合输出的特征经过1×1卷积块、上采样操作和特征拼接操作后将作为下一个分支的输入；不同尺度的预测结果经过解码、排序和非极大抑制处理，将得到二尖瓣环位置的预测结果；
步骤4：加载模型参数配置并使用如图4所示的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；
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，分割待评估的超声心动图中的左心室，得到左心室分割掩模和二尖瓣环位置方框；
步骤7：根据左心室分割掩模和二尖瓣环位置方框得到二尖瓣环室间隔位点和左心室侧壁位点坐标以及左心室心尖位点坐标；
从左心室掩模图像中得到左心室内膜轮廓的坐标序列，使用欧氏距离计算左心室内膜轮廓与二尖瓣环位置方框的四个角点坐标最近的点，得到二尖瓣环室间隔位点坐标和侧壁位点坐标；遍历左心室内膜轮廓坐标序列，得到左心室掩模图像中，代表左心室的区域的最高点的顶点坐标作为左心室心尖位点坐标；
步骤8：根据二尖瓣环室间隔位点和左心室侧壁位点坐标以及左心室心尖位点坐标，得到收缩末期到舒张末期二尖瓣环室间隔位点、左心室侧壁位点和二尖瓣环平均位点相对于心尖位点的位移变化量，单位为毫米(mm)；
(1)计算二尖瓣环室间隔位点相对于心尖位点的位移变化量Dstseptal，如下公式所示：
其中，为舒张末期(End-Diastolic,ED)二尖瓣环室间隔位点坐标，为收缩末期(End-Systolic,ES)二尖瓣环室间隔位点坐标，/>为舒张末期左心室心尖位点坐标，/>为收缩末期左心室心尖位点坐标，λ为缩放系数；
(2)计算左心室侧壁位点相对于心尖位点的位移变化量Dstwall，如下公式所示：
其中，为舒张末期的左心室侧壁位点坐标，/>为收缩末期的左心室侧壁位点坐标；
(3)计算二尖瓣环平均位点相对于心尖位点的位移变化量；
首先获取二尖瓣环室间隔位点和左心室侧壁位点的平均位点坐标：
其中，为舒张末期的平均位点坐标，/>为收缩末期的平均位点坐标；
然后基于欧式距离计算得到收缩末期到舒张末期二尖瓣环平均位点相对于心尖位点的位移距离Dstmid，如下公式所示：
步骤9：在待评估的超声心动图像上输出MAD指标，如图5所示，完成对超声心动图像二尖瓣环位移的自动检测。
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 (4)

1.一种基于超声图像的二尖瓣环位移自动检测系统，其特征在于：通过以下步骤进行二尖瓣环位移的检测：
获取多个带有左心室掩模或二尖瓣环位点坐标标签的超声心动图作为样本数据集；
初始化用于左心室分割和二尖瓣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，得到预训练模型；
加载预训练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，得到左心室分割掩模和二尖瓣环位置方框；
确定二尖瓣环室间隔位点和左心室侧壁位点坐标以及左心室心尖位点坐标；
计算收缩末期到舒张末期二尖瓣环室间隔位点、左心室侧壁位点和二尖瓣环平均位点相对于心尖位点的位移变化量；
在待评估的超声心动图像上输出MAD指标，完成对超声心动图像二尖瓣环位移的自动检测；
所述用于左心室分割和二尖瓣检测的深度神经网络模型包括左心室分割网络和二尖瓣检测网络；
所述左心室分割网络基于U-Net网络结构搭建，由压缩路径和扩展路径组成，压缩路径由5个块组成，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；压缩路径各块输出的特征图经过复制和裁剪操作，与输入扩展路径对应块的特征图拼接；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个块在最后增加了一个核为1×1的卷积操作；
所述二尖瓣检测网络采用Yolov3网络，其骨干网络为去掉全连接层的Darknet-53网络，由6个单独的卷积块和23个残差单元组成；其中，每个残差单元包含2个卷积块和1个残差块；每个残差单元中的残差块包含2个卷积块；每个卷积块由二维卷积、BatchNormalization和LeakyReLU组成；Darknet-53网络输出的三个尺度的特征图将分别经过三条输出分支，每条输出分支由一个卷积集合、一个3×3卷积块和一个1×1Conv2d操作组成，分别输出不同尺度的预测结果；前后两个分支之间由上采样操作和特征拼接操作连接，从前一个分支的卷积集合输出的特征经过1×1卷积块、上采样操作和特征拼接操作后将作为下一个分支的输入；不同尺度的预测结果经过解码、排序和非极大抑制处理，将得到二尖瓣环位置的预测结果；
所述确定二尖瓣环室间隔位点和左心室侧壁位点坐标以及左心室心尖位点坐标的具体方法为：
从左心室掩模图像中得到左心室内膜轮廓的坐标序列，使用欧氏距离计算左心室内膜轮廓与二尖瓣环位置方框的四个角点坐标最近的点，得到二尖瓣环室间隔位点坐标和侧壁位点坐标；遍历左心室内膜轮廓坐标序列，得到左心室掩模图像中，代表左心室的区域的最高点的顶点坐标作为左心室心尖位点坐标；
所述计算收缩末期到舒张末期二尖瓣环室间隔位点、左心室侧壁位点和二尖瓣环平均位点相对于心尖位点的位移变化量的具体方法为：
根据二尖瓣环室间隔位点和左心室侧壁位点坐标以及左心室心尖位点坐标，计算得到收缩末期到舒张末期二尖瓣环室间隔位点、左心室侧壁位点和二尖瓣环平均位点相对于心尖位点的位移变化量；
(1)计算二尖瓣环室间隔位点相对于心尖位点的位移变化量Dstseptal，如下公式所示：
其中，(xtop,ytop)为左心室心尖位点坐标，为舒张末期二尖瓣环室间隔位点坐标，/>为收缩末期二尖瓣环室间隔位点坐标，λ为缩放参数；
(2)计算左心室侧壁位点相对于心尖位点的位移变化量Dstwall，如下公式所示：
其中，为舒张末期的左心室侧壁位点坐标，/>为收缩末期的左心室侧壁位点坐标；
(3)计算二尖瓣环平均位点相对于心尖位点的位移变化量；
首先获取二尖瓣环室间隔位点和左心室侧壁位点的平均位点坐标：
其中，为舒张末期的平均位点坐标，/>为收缩末期的平均位点坐标；
然后基于欧式距离计算得到收缩末期到舒张末期二尖瓣环平均位点相对于心尖位点的位移距离Dstmid，如下公式所示：
2.根据权利要求1所述的一种基于超声图像的二尖瓣环位移自动检测系统，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的左心室掩模或者位点坐标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所述的一种基于超声图像的二尖瓣环位移自动检测系统，其特征在于：所述获取的带有左心室掩模或者位点坐标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左心室掩模或者位点坐标标签。
4.根据权利要求1所述的一种基于超声图像的二尖瓣环位移自动检测系统，其特征在于：所述预训练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。
CN202110845333.4A 2021-07-26 2021-07-26 一种基于超声图像的二尖瓣环位移自动检测系统 Active CN113592802B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110845333.4A CN113592802B (zh) 2021-07-26 2021-07-26 一种基于超声图像的二尖瓣环位移自动检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110845333.4A CN113592802B (zh) 2021-07-26 2021-07-26 一种基于超声图像的二尖瓣环位移自动检测系统

Publications (2)

Publication Number Publication Date
CN113592802A CN113592802A (zh) 2021-11-02
CN113592802B true CN113592802B (zh) 2024-02-02

Family

ID=78250204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110845333.4A Active CN113592802B (zh) 2021-07-26 2021-07-26 一种基于超声图像的二尖瓣环位移自动检测系统

Country Status (1)

Country Link
CN (1) CN113592802B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117197020A (zh) * 2022-05-23 2023-12-08 上海微创卜算子医疗科技有限公司 二尖瓣开口间距检测方法、电子设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017206023A1 (zh) * 2016-05-30 2017-12-07 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
CN111275755A (zh) * 2020-04-28 2020-06-12 中国人民解放军总医院 基于人工智能的二尖瓣瓣口面积检测方法、系统和设备
CN112336381A (zh) * 2020-11-07 2021-02-09 吉林大学 一种基于深度学习的超声心动图收缩/舒张末期帧自动识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11864944B2 (en) * 2019-11-15 2024-01-09 Geisinger Clinic Systems and methods for a deep neural network to enhance prediction of patient endpoints using videos of the heart

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017206023A1 (zh) * 2016-05-30 2017-12-07 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
CN111275755A (zh) * 2020-04-28 2020-06-12 中国人民解放军总医院 基于人工智能的二尖瓣瓣口面积检测方法、系统和设备
CN112336381A (zh) * 2020-11-07 2021-02-09 吉林大学 一种基于深度学习的超声心动图收缩/舒张末期帧自动识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Segmentation Method of Lung Parenchyma From Chest CT Images Based on Dual U-Net;Wenjun Tan等;《2019 IEEE International Conference on Bioinformatics and Biomedicine (BIBM)》;第1649-1656页 *
超声心动图测量二尖瓣环位移评价左室舒张功能;严萍萍等;《上海生物医学工程》;第18卷(第1期);第35-36页 *

Also Published As

Publication number Publication date
CN113592802A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
US11049246B2 (en) Rapid calculation method and system for plaque stability index based on medical image sequence
CN107730497B (zh) 一种基于深度迁移学习的血管内斑块属性分析方法
EP1690230B1 (en) Automatic multi-dimensional intravascular ultrasound image segmentation method
CN110197713B (zh) 一种医疗影像的处理方法、装置、设备和介质
Leung et al. Automated border detection in three-dimensional echocardiography: principles and promises
Barbosa et al. Fast and fully automatic 3-d echocardiographic segmentation using b-spline explicit active surfaces: Feasibility study and validation in a clinical setting
Zhu et al. Comparative analysis of active contour and convolutional neural network in rapid left-ventricle volume quantification using echocardiographic imaging
EP2434454A2 (en) Computerized characterization of cardiac motion in medical diagnostic ultrasound
Qian et al. An integrated method for atherosclerotic carotid plaque segmentation in ultrasound image
KB et al. Convolutional neural network for segmentation and measurement of intima media thickness
Nurmaini et al. Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation
CN111275755B (zh) 基于人工智能的二尖瓣瓣口面积检测方法、系统和设备
CN116503607B (zh) 一种基于深度学习的ct图像分割方法和系统
CN115830016B (zh) 医学图像配准模型训练方法及设备
Almeida et al. Left-atrial segmentation from 3-D ultrasound using B-spline explicit active surfaces with scale uncoupling
CN113592802B (zh) 一种基于超声图像的二尖瓣环位移自动检测系统
Zhu et al. A new method incorporating deep learning with shape priors for left ventricular segmentation in myocardial perfusion SPECT images
WO2020007026A1 (zh) 分割模型训练方法、装置及计算机可读存储介质
Huang et al. Adoption of snake variable model-based method in segmentation and quantitative calculation of cardiac ultrasound medical images
CN117115437A (zh) 一种基于区域的多指标多器官医学图像分割模型评估系统
Mehta et al. Heart Disease Diagnosis using Deep Learning
US11810303B2 (en) System architecture and method of processing images
Zuo et al. Patient-specific CT-based fluid-structure-interaction aorta model to quantify mechanical conditions for the investigation of ascending aortic dilation in TOF patients
Zhan et al. Recognition of angiographic atherosclerotic plaque development based on deep learning
CN113570569B (zh) 一种基于深度学习的心脏室间隔抖动自动检测系统

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