CN114898882B - 基于超声对右心功能进行评估的方法和系统 - Google Patents

基于超声对右心功能进行评估的方法和系统 Download PDF

Info

Publication number
CN114898882B
CN114898882B CN202210704804.4A CN202210704804A CN114898882B CN 114898882 B CN114898882 B CN 114898882B CN 202210704804 A CN202210704804 A CN 202210704804A CN 114898882 B CN114898882 B CN 114898882B
Authority
CN
China
Prior art keywords
ventricular
interval
image
ultrasound
characterization
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
CN202210704804.4A
Other languages
English (en)
Other versions
CN114898882A (zh
Inventor
李易
尹万红
曾学英
王小亭
王洁
武文庆
唐远莉
王信果
张朝明
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.)
Chengdu Huamu Chuanglian Technology Co ltd
West China Hospital of Sichuan University
Original Assignee
Chengdu Huamu Chuanglian Technology Co ltd
West China Hospital of Sichuan 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 Chengdu Huamu Chuanglian Technology Co ltd, West China Hospital of Sichuan University filed Critical Chengdu Huamu Chuanglian Technology Co ltd
Priority to CN202210704804.4A priority Critical patent/CN114898882B/zh
Publication of CN114898882A publication Critical patent/CN114898882A/zh
Application granted granted Critical
Publication of CN114898882B publication Critical patent/CN114898882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Cardiology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种基于超声对右心功能进行评估的方法和系统，涉及医学图像处理技术领域。本发明通过针对以心脏室间隔评估为代表的右心功能评估的相关图像参数的自动识别、图像质控和参数计算，达到对特征性高风险征象和参数的评估，以实现对右心功能障碍高危者的针对右心功能障碍高危风险和动态变化的自动分类识别及评估。

Description

基于超声对右心功能进行评估的方法和系统
技术领域
本发明涉及医学图像处理技术领域，更具体地说涉及一种基于超声对右心功能进行评估的方法和系统。
背景技术
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。
现有技术中并不存在针对右心功能的连续动态识别评估的方法或系统，以实现对右心功能障碍高危者的动态变化的自动识别与评估。
发明内容
为了克服上述现有技术中存在的缺陷和不足，本发明提供了一种基于超声对右心功能进行评估的方法和系统，本发明的发明目的在于提供一种针对右心功能的连续动态识别评估的方法和系统，以实现对右心功能障碍高危者的动态变化的自动识别与评估。本发明通过针对以心脏室间隔评估为代表的右心功能评估的相关图像参数的自动识别、图像质控和参数计算，达到对特征性高风险征象和参数的评估，以实现对右心功能障碍高危者的针对右心功能障碍高危风险和动态变化的自动分类识别及评估。
为了解决上述现有技术中存在的问题，本发明是通过下述技术方案实现的。
本发明第一方面提供了一种基于超声对右心功能进行评估的方法，该方法包括以下步骤：
S1、将心脏超声探头（四维心脏探头或多个二维心脏探头）固定在被测者身上，实时采集被测者左室短轴的室间隔超声图像；
S2、对采集到的室间隔超声图像实时逐帧进行图像数据预处理；
S3、根据设定采集时间周期内经图像数据预处理后的室间隔超声图像的合格率，判断心脏超声探头固定位置是否准确或图像切面选取是否合适；若合格率不符合要求则重新调整心脏超声探头位置或重新调整选取图像切面，直至设定采集时间周期内经图像数据预处理后的室间隔超声图像的合格率达到要求；
S4、从经图像数据预处理后的合格的室间隔超声图像中，确定出左心室室壁室间隔区域和左心室室壁非室间隔区域；通过确定的左心室室壁室间隔区域和左心室室壁非室间隔区域联合对比来对左心室的室间隔表征形状进行分型；
所述分型包括室间隔D字型表征和无D字型表征；其中室间隔D字型表征分为静态表型和动态表型；
所述室间隔D字型表征中的静态表型是根据被测者某一心动周期中某一帧室间隔超声图像中的室间隔区域确定得到的（逐帧检查），进一步根据该室间隔超声图像中的室间隔区域分为中央凹陷表征和无中央凹陷表征；
所述室间隔D字型表征中的动态表型是根据被测者一个心动周期中室间隔的运动特点得到的；进一步根据该心动周期中室间隔的运动特点确定室间隔抖动、舒张期D字型表征和收缩期D字型表征；
S5、根据S4步骤中左心室的室间隔表征分型、一个心动周期内的室间隔运动特点和室间隔不同表征对被测者右心功能进行风险分类；
S6、持续监测被测者连续多个心动周期的室间隔超声图像，重复S2-S5步骤，判断持续监测过程中，被测者右心功能的风险分类是否发生变化；
S7、根据S5步骤中的风险分类结果，以及S6步骤的持续监测过程中被测者右心功能的风险变化情况，对其右心功能进行评估。
正常情况下，在左室短轴获取室间隔超声图像，左室短轴超声下为正圆，室间隔为其中一个节段，正常情况下室间隔凸向右室，因此左室短轴呈现“O”字形态；当心动周期的某个时间段或者全程，右室压力升高超过左室内压力时，室间隔被压向左室，因此室间隔的节段被压平，左室呈现“D”字型形态，被称为室间隔D字型表征。
进一步优选的，S4步骤是将合格的室间隔超声图像输入到图像分割模型中，从图像分割模型输出的图像分割结果中确定出左心室室壁室间隔区域及左心室室壁非室间隔区域。
进一步优选的，所述S4步骤中，根据室间隔的不同表征，进行指标系的监测；
其中，针对室间隔D字型表征中的静态表型中，出现中央凹陷表征时，监测室间隔中央凹陷深度d和心动周期过程中的凹陷变化率；
针对室间隔D字型表征中的动态表型，监测包括室间隔心动周期过程中的抖动幅度和离心指数。
所述中央凹陷深度d的计算过程如下：
通过确定的左心室室壁室间隔区域和左心室室壁非室间隔区域的室间隔超声图像，确定出室间隔的两个端点，同时确定出室间隔凹陷最深点，通过两个端点之间的连线与凹陷最深点之间的垂直距离计算得到中央凹陷深度d。
所述心动周期过程中的凹陷变化率，表示为，其中，是指一个心动周期内时刻的中央凹陷深度，是指一个心动周期内时刻的中央凹陷深度；追踪一个心动周期的凹陷变化率。
所述抖动幅度的计算过程具体如下：
通过确定的左心室室壁室间隔区域和左心室室壁非室间隔区域的室间隔超声图像，确定出室间隔的两个端点；
在一个心动周期内，若室间隔在两个端点之间的连线两侧晃动，则室间隔远离左心室时，室间隔上距离左心室最远的点到该两个端点之间连线的垂直距离，以及室间隔向左心室凹陷时，室间隔距离左心室最近的点到两个端点之间连线的垂直距离，则室间隔抖动幅度为；
或者，在一个心动周期内，若室间隔在两个端点之间的连续一侧晃动，室间隔距离左心室最远的点到该两个端点之间连线的垂直距离，室间隔距离左心室最近的点到该两个端点之间连线的垂直距离，则室间隔抖动幅度为。
所述D字型表征中的离心指数的计算过程如下：
通过D字型表征的室间隔超声图像中确定得到的室间隔的两个端点B和C，计算B和C连线的中点A；
以识别到的左心室内膜轮廓确定出左心室内膜圆心E；
计算得到A点经左心室内膜圆心E之后到对侧内膜点D之间的距离；
过左心室内膜圆心E点作A点到D点之间连线的垂线，与左心室内膜交于F点和G点，计算F点到G点的距离；
则D字型表征中的离心指数e表示为。
更进一步优选的，S4步骤中，通过在左心室短轴的室间隔超声图像中确定的左心室室壁室间隔区域和左心室室壁非室间隔区域，计算室间隔曲率半径及全心动周期室间隔曲率半径变化率。
更进一步优选的，所述室间隔曲率半径及全心动周期室间隔曲率半径变化率的计算方式如下：
以某一时刻的室间隔超声图像中的室间隔进行补圆，得到室间隔的曲率半径，连续记录一个心动周期内的的变化，得到室间隔曲率半径全心动周期动态变化。
进一步优选的，所述S5步骤中风险分类包括高风险型、中风险型和低风险型；
当左心室的室间隔表征形式为室间隔D字型表征，当有中央凹陷表征，则直接判断为高风险型；若为无中央凹陷表征但存在收缩期D字型表征，则直接判断为高风险型；若为室间隔D字型表征，但无中央凹陷表征，且无收缩期D字型表征（舒张期D字型表征），则通过离心指数、室间隔曲率半径和室间隔曲率半径变化率是否超过阈值判定高风险型；
当左心室的室间隔表征形式为室间隔D字型表征，但室间隔D字型表征的静态表型为无中央凹陷表征，室间隔D字型表征的动态表型为舒张期D字型表征，且无收缩期D字型表征，结合离心指数、室间隔曲率半径和室间隔曲率半径变化率是否超过阈值，未超过阈值则判定为中风险型；
当左心室的室间隔表征形式为无D字型表征，但存在室间隔抖动，则根据室间隔抖动幅度、室间隔曲率半径和室间隔曲率半径变化率室是否超过阈值，判定中风险型；
当左心室的室间隔表征形式为无D字型表征，不存在室间隔抖动，结合室间隔曲率半径和室间隔曲率半径变化率是否超过阈值，判定低风险型。
进一步的，所述S1步骤中，实时采集的超声图像还包括心尖四腔心切面超声图像。
更进一步优选的，S4步骤中，经图像数据预处理后的合格的心尖四腔心切面超声图像中，确定出右心室室壁非室间隔区域（也称右室游离壁）和右心室室壁室间隔区域，通过确定的右心室室壁非室间隔区域和右心室室壁室间隔区域，计算心尖四腔心三尖瓣瓣环根部位移、心尖四腔心右室游离壁（即右心室室壁非室间隔区域）和室间隔区域的纵向收缩变化率。
所述心尖四腔心三尖瓣瓣环根部位移、心尖四腔心右室游离壁和室间隔纵向收缩变化率与左心室短轴切面的室间隔表征与分型以及不同表征和分型对应的指标系参数相结合，用于对被测者右心功能进行风险分类。
所述心尖四腔心三尖瓣瓣环根部位移是指三尖瓣瓣环根部一个时间段内在指向心尖方向的位移大小；
若移动后的位置在根部中心与心尖的连线上，则计算移动前后的根部中心的距离；
若移动后的位置不在根部中心与心尖的连线上，则以移动前的根部中心位置，以及移动后的根部中心位置向三尖瓣瓣环根部指向心尖的连线作垂线后的交点，二者之间的距离为用于计算的移动后根部中心位移。
更进一步优选的，所述心尖四腔心右室游离壁和室间隔纵向收缩变化率的计算方式如下：
，其中，S表示心尖四腔心右室游离壁和室间隔纵向收缩变化率，表示一个心动周期中右室游离壁的最大长度，表示一个心动周期中右室游离壁的最小长度。
更进一步优选的，S4步骤中，经图像数据预处理后的合格的心尖四腔心切面超声图像中，确定出右心室内膜和左心室内膜，通过确定的右心室内膜和左心室内膜实时计算右心室与左心室面积大小以及二者的比值。
更进一步优选的，所述心尖四腔心三尖瓣瓣环根部位移、心尖四腔心右室游离壁、室间隔纵向收缩变化率和心动周期中右心室与左心室面积比值，作为补充参数；结合左心室短轴切面的室间隔表征与分型以及不同表征和分型对应的指标系参数，对被测者右心功能进行风险分类。
更进一步优选的，所述心尖四腔心三尖瓣瓣环根部位移、心尖四腔心右室游离壁、室间隔纵向收缩变化率、心动周期中右心室与左心室面积比值和室间隔曲率半径以及全心动周期室间隔曲率半径变化率作为补充参数；结合左心室短轴切面的室间隔表征与分型以及不同表征和分型对应的指标系参数，对被测者右心功能进行风险分类。
进一步的，S1步骤中，所述心脏超声探头设置有多个，多个心脏超声探头固定于被测者身上，用于采集不同切面超声图像。
进一步的，S1步骤中，所述心脏超声探头为四维探头，通过四维探头，同时获取被测者左室短轴的室间隔超声图像和心尖四腔心切面超声图像。
进一步优选的，所述S6步骤中，持续监测被测者连续多个心动周期的室间隔超声图像和心尖四腔心切面超声图像，重复S2-S5步骤，如果风险类型升级，则进行预警；若初步已经判断为高危，则结合所有测量参数当指标变化超过阈值，即进行预警。
进一步优选的，上述S3步骤对设定采集时间周期内的经图像数据预处理后的连续室间隔超声图像的合格率的判断，贯穿整个评估过程，当评估过程中，若被测者体位发生变化，导致采集到的室间隔超声图像的合格率不满足要求，则重新调整心脏超声探头位置。
进一步优选的，所述S3步骤具体是，对图像数据预处理后的室间隔超声图像与金标准室间隔超声图像进行对比，判断图像数据预处理后的室间隔超声图像是否合格；
若设定采集时间周期内的连续室间隔超声图像的合格率达到设定合格率阈值，则表示心脏超声探头位置正确或图像切面选取正确；
若设定采集时间周期内的连续室间隔超声图像的合格率未达到设定合格率阈值，则重新调整心脏超声探头的固定位置或图像切面选取正确；直至设定采集时间周期内的连续室间隔超声图像的合格率达到设定合格率阈值。
更进一步优选的，S3步骤中，将图像数据预处理后的室间隔超声图像输入到图像分类模型中，经图像分类模型的分类，将图像数据预处理后的室间隔超声图像分类为合格图像和不合格图像。
更进一步优选的，S3步骤中，所述的金标准超声图像是指左室短轴的室间隔超声图像中可以清晰地显示出左心室和室间隔的轮廓；心尖四腔心切面超声图像中心腔内乳头肌或二尖瓣影像基本对称。
进一步优选的，S2步骤中，图像数据预处理包括图像降噪处理和图像数据增强处理。
更进一步的，所述图像数据增强处理包括旋转和缩放处理、高斯加噪处理、高斯模糊处理、亮度和对比度处理和低分辨率仿真处理。
本发明第二方面提供了一种基于超声对右心功能进行评估的系统，该系统包括
心脏超声探头（二维探头或四维探头），用于固定置于被测者身上，实时采集被测者左室短轴的室间隔超声图像和心尖四腔心切面超声图像；或者实时采集被测者四维图像，并从四维图像中选取左室短轴的室间隔超声图像和心尖四腔心切面超声图像；
超声图像获取模块，用于与超声探头建立数据连接，实时接收心脏超声探头采集的患者左室短轴的室间隔超声图像和心尖四腔心切面超声图像；
超声图像预处理模块，用于对采集到的左室短轴的室间隔超声图像和心尖四腔心切面超声图像逐帧进行图像数据预处理；
图像分类模块，用于将图像数据预处理后的超声图像进行分类，将图像数据预处理后的超声图像分类为合格图像和不合格图像；
图像质控模块，根据图像分类模块的分类结果，计算设定采集时间周期内经图像数据预处理后的超声图像的合格率，判断心脏超声探头固定位置是否准确或图像切面选取是否合适；若合格率不符合要求则重新调整心脏超声探头位置或重新调整选取图像切面，直至设定采集时间周期内经图像数据预处理后的超声图像的合格率达到要求；
图像分割模块，用于从经图像数据预处理后的合格左室短轴的室间隔超声图像中确定出左心室室壁室间隔区域和左心室室壁非室间隔区域，从合格心尖四腔心切面超声图像中确定出右心室室壁非室间隔区域、左心室室壁室间隔区域、右心室内膜和左心室内膜；
图像分型模块，用于根据图像分割模块的图像分割结果，通过确定的左心室室壁室间隔区域和左心室室壁非室间隔区域结合以对左心室的室间隔表征形状进行分型；所述分型包括室间隔D字型表征和无D字型表征；其中室间隔D字型表征分为静态表型和动态表型；
所述室间隔D字型表征中的静态表型是根据被测者某一心动周期中某一帧室间隔超声图像中的室间隔区域确定得到的，进一步根据该室间隔超声图像中的室间隔区域分为中央凹陷表征和无中央凹陷表征；
所述室间隔D字型表征中的动态表型是根据被测者一个心动周期中室间隔的运动特点得到的；进一步根据该心动周期中室间隔的运动特点确定室间隔抖动、舒张期D字型表征和收缩期D字型表征（舒张期D字型表征不会出现收缩期D字型表征，而收缩期D字型表征可能同时存在舒张期D字型表征）；
指标系计算及监测模块，用于根据图像分割模块的图像分割结果中确定的左心室室壁室间隔区域和左心室室壁非室间隔区域，在有室间隔D字型表征且有中央凹陷表征的图像中，计算中央凹陷深度和中央凹陷深度变化率；在有室间隔抖动的连续图像中，计算室间隔心动周期过程中的抖动幅度；在有舒张期D字型表征或收缩期D字型表征的图像中计算离心指数；同时计算短轴室间隔曲率半径和室间隔曲率半径变化率；
根据图像分割模块的图像分割结果中确定的右心室室壁非室间隔区域、左心室室壁室间隔区域、右心室内膜和左心室内膜，计算心尖四腔心三尖瓣瓣环根部位移、心尖四腔心右室游离壁（即右心室室壁非室间隔区域）、室间隔区域的纵向收缩变化率和心动周期中右心室与左心室面积比值；风险分类模块，用于根据图像分型模块的左心室的室间隔表征分型结果，以及指标系计算及监测模块得到的左心室短轴切面的室间隔表征与分型以及不同表征和分型对应的指标系参数，并结合心尖四腔心三尖瓣瓣环根部位移、心尖四腔心右室游离壁（即右心室室壁非室间隔区域）、室间隔区域的纵向收缩变化率和心动周期中右心室与左心室面积比值，对被测者右心功能进行风险分类；
同时持续获取到被测者连续多个心动周期的左心室的室间隔表征分型结果及左心短轴的室间隔超声图像和心尖四腔心切面超声图像中各指标的值，判断被测者右心功能的风险分类是否发生变化；
右心功能评估模块，用于根据图像分类模块的左心室的表征分型结果、指标系计算及监测模块得到的各指标的值、风险分类模块的风险分类结果和风险分类变化情况，对被测者右心功能进行评估。
还包括报警模块，报警模块根据风险分类模块输出的风险分类结果进行报警，同时根据风险分类变化情况进行报警；若风险分类变化为风险等级升高，或者各指标设置变化超过阈值，则进行报警。
还包括显示模块，用于显示图像分型模块输出的图像分型结果、指标系计算及监测模块输出的各指标的值、风险分类模块输出的风险分类结果以及风险分类变化情况。
还包括指令生成模块，用于根据风险分类模块输出的风险分类结果以及风险分类变化情况生成相关设备的控制指令或指令建议，并将生成的控制指令或指令建议显示在显示模块上。
与现有技术相比，本发明所带来的有益的技术效果表现在：
1、本发明通过针对以心脏室间隔评估为代表的右心功能评估的相关图像参数的自动识别、图像质控和参数计算系统，达到对特征性高风险征象和参数的评判，实现对右心功能障碍高危者的针对右心功能障碍高危风险和动态变化的自动分类识别和风险预警。
2、本发明可实时监测室间隔情况，直观地反映室间隔情况，通过室间隔的变化对右心功能障碍高危者进行高危风险和动态变化的自动分类识别。同时，本发明还可应用到ICU监测设备、或者右心高危风险场景中（例如：运动相关性肺水肿、高原肺水肿、潜水相关肺水肿等），以根据评估结果生成相关设备的控制指令或建议，实现联动控制。
3、本发明通过将心脏探头固定在被测者身体上的方式，实时采集被测者的左心室室壁室间隔部分、左心室室壁非室间隔部分和心尖四腔心右心室等变化情况，根据采集的超声图像得到被测者体位是否发生变化，从而提醒操作人员对应调整探头的固定位置或重新选取图像切面（针对四维探头）；或与智能设备联动控制进行自动调节；以确保后续检测得到的图像的合格率及室间隔变化的准确度，从而提高左心室的表征形状分型的准确度，根据室间隔运动表现形式（左心室表征分型、室间隔抖动等）辅助医生对被测者右心功能情况做出准确地判断。
4、本发明的评估方法可应用于不同的场景，也可基于不同的场景得到的评估结果联动不同的设备。适用范围广。
5、本发明的评估方法中根据设定采集时间周期（一般为1min或者是2min，或根据实际场景设定周期）内的室间隔超声图像合格率，对实时采集的超声图像进行质量控制处理，若被测者体位发生变化，则会影响到采集到的超声图像的图像质量；护士或医生不能一直守在被测者或者高危人群身边，若不能及时发现被测者的体位变化，则会影响到后续的右心功能评估的结果。本发明中通过对室间隔超声图像合格率的判断，可以监测到被测者体位变化，当被测者体位变化之后影响到超声图像的采集质量时，就可以发出相应的提示，使得临床医生或护士可以注意到被测者的超声图像质量变化，从而提示临床医生或护士调整超声探头位置或重新选取图像切面，或者实现探头自动调节，以及图像切面的自动选取，以确保采集到的超声图像的质量，保障后续的右心功能评估的结果更具参考性。
6、本发明的评估系统中，图像分类模块和图像分割模块可同时对超声图像数据预处理模块中预处理后的室间隔超声图像进行处理，可以提高图像处理效率；相较于先进行图像分类之后，再将合格图像进行图像分割的方式相比，二者同时进行，从二者的结果中直接进行匹配筛选，效率更快，时间更短。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明对右心功能进行评估的方法流程图；
图2为本发明对右心功能进行评估的系统框架图；
图3为本发明对右心功能评估系统的应用场景框架图；
图4为不合格的室间隔超声图像；
图5为标准的室间隔超声图像；
图6为室间隔超声图像的图像分割结果图；
图7为心尖四腔心切面超声图像的图像分割结果图；
图8为室间隔超声图像的中央凹陷表型示意图；
图9为室间隔超声图像的无中央凹陷表型示意图；
图10为室间隔超声图像的中央凹陷表型中凹陷深度的计算示意图；
图11为室间隔超声图像中室间隔抖动计算示意图；
图12为室间隔超声图像中离心指数计算示意图；
图13为心尖四腔心切面超声图像中右室游离壁厚度和室间隔纵向收缩变化率计算示意图；
图14为心尖四腔心切面超声图像中三尖瓣瓣环根部位移后的位置在根部中心与心尖的连线上的计算示意图；
图15为心尖四腔心切面超声图像中三尖瓣瓣环根部位移后的位置不在根部中心与心尖的连线上的计算示意图。
具体实施方式
下面将结合本发明说明书附图，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它实施例，都属于本发明保护的范围。
实施例1
作为本发明一较佳实施例，参照说明书附图1所示，本实施例公开了一种基于超声对右心功能进行评估的方法，该方法包括以下步骤：
S1、将心脏超声探头（四维心脏探头或多个二维心脏探头）固定在被测者身上，实时采集被测者左室短轴的室间隔超声图像；
S2、对采集到的室间隔超声图像实时逐帧进行图像数据预处理；
S3、根据设定采集时间周期内经图像数据预处理后的室间隔超声图像的合格率，判断心脏超声探头固定位置是否准确或图像切面选取是否合适；若合格率不符合要求则重新调整心脏超声探头位置，直至设定采集时间周期内经图像数据预处理后的室间隔超声图像的合格率达到要求；
S4、从经图像数据预处理后的合格的室间隔超声图像中，确定出左心室室壁室间隔区域和左心室室壁非室间隔区域；通过确定的左心室室壁非室间隔区域和左心室室壁室间隔区域联合对比来对左心室的室间隔表征形状进行分型；
所述分型包括室间隔D字型表征和无D字型表征；其中室间隔D字型表征分为静态表型和动态表型；
所述室间隔D字型表征中的静态表型是根据该被测者某一心动周期中某一帧室间隔超声图像中的室间隔区域确定得到的（逐帧检查），进一步根据该室间隔超声图像中的室间隔区域分为中央凹陷表征（如图8所示）和无中央凹陷表征（如图9所示）；
所述室间隔D字型表征中的动态表型是根据该被测者一个心动周期中室间隔的运动特点得到的；进一步根据该心动周期中室间隔的运动特点确定室间隔抖动、舒张期D字型表征和收缩期D字型表征；
S5、根据S4步骤中左心室的室间隔表征分型、一个心动周期内的室间隔运动特点和室间隔不同表征对被测者右心功能进行风险分类；
S6、持续监测被测者连续多个心动周期的室间隔超声图像，重复S2-S5步骤，判断持续监测过程中，被测者右心功能的风险分类是否发生变化；
S7、根据S5步骤中的风险分类结果，以及S6步骤的持续监测过程中被测者风险变化情况，对被测者右心功能进行评估。
正常情况下，在左室短轴获取室间隔超声图像，左室短轴超声下为正圆，室间隔为其中一个节段，正常情况下室间隔凸向右室，因此左室短轴呈现“O”字形态；当心动周期的某个时间段或者全程，右室压力升高超过左室内压力时，室间隔被压向左室，因此室间隔的阶段被压平，左室呈现“D”字型形态，被称为D字型表征。
实施例2
作为本发明又一较佳实施例，本实施例对上述实施例1中S4步骤的具体实施方式的阐述。具体的，作为本实施例的一种实施方式，如图6所示，S4步骤是将合格的室间隔超声图像输入到图像分割模型中，从图像分割模型输出的图像分割结果中确定出室间隔区域及左心室区域。
作为本实施例的一种实施方式，对合格的室间隔超声图像进行图像分割，从而确定室间隔区域及左心室区域。图像分割的方法可以是基于深度学习、或者传统机器学习的分割方法。
其中，深度学习的检测方法可以为基于FCN 、U-Net、RCNN 、YOLO 、Inception、ResNet、DenseNet等的CNN模型。示例性地，可以将合格左室短轴的室间隔超声图像输入至CNN模型获取输出，该输出包括左心室室壁室间隔区域和左心室室壁非室间隔区域。
其中，传统机器学习方法包括特征提取方法和分割方法，特征提取方法可为CNN模型或PCA、HOG、LDA等传统方法，分割方法可为FCM、SVM、ACM等方法。
作为本实施例的又一种实施方式，根据左心室和室间隔的不同表型，进行指标系的监测；
其中，针对中央凹陷表征监测室间隔中央凹陷深度d和心动周期过程中的凹陷变化率；
室间隔D字型表征中的动态表型，则监测室间隔心动周期过程中的抖动幅度；舒张期D字型表征中的离心指数。
进一步的，如图10所示，所述中央凹陷深度d的计算过程如下：
通过确定的左心室室壁室间隔区域和左心室室壁非室间隔区域的室间隔超声图像，确定出室间隔的两个端点，同时确定出室间隔凹陷最深点，通过两个端点之间的连线与凹陷最深点之间的垂直距离计算得到中央凹陷深度d。
所述心动周期过程中的凹陷变化率，表示为，其中，是指一个心动周期内时刻的中央凹陷深度，是指一个心动周期内时刻的中央凹陷深度；追踪一个心动周期的凹陷变化率。
进一步的，如图11所示，所述抖动幅度的计算过程具体如下：
通过确定的左心室室壁室间隔区域和左心室室壁非室间隔区域的室间隔超声图像，确定出室间隔的两个端点（A点和B点）；
在一个心动周期内，若室间隔在两个端点之间的连线（线AB）两侧晃动，则室间隔远离左心室时，室间隔上距离左心室最远的点到该两个端点之间连线的垂直距离，以及室间隔向左心室凹陷时，室间隔距离左心室最近的点到两个端点之间连线的垂直距离，则室间隔抖动幅度为。
作为一个示例，在一个心动周期内，若室间隔在两个端点之间的连续一侧晃动，室间隔距离左心室最远的点到该两个端点之间连线的垂直距离，室间隔距离左心室最近的点到该两个端点之间连线的垂直距离，则室间隔抖动幅度为。
如图12所示，所述舒张期D字型表征中的离心指数的计算过程如下：
通过舒张期D字型表征的室间隔超声图像中确定得到的左心室室壁室间隔区域和左心室室壁非室间隔区域，识别到室间隔两个端点B和C，计算B和C连线的中点A；
以识别到的左心室内膜轮廓确定出左心室内膜圆心E；
计算得到A点经左心室内膜圆心E之后到对侧内膜点D之间的距离；
过左心室内膜圆心E点作A点到D点之间连线的垂线，与左心室内膜交于F点和G点，计算F点到G点的距离；
则舒张期D字型表征中的离心指数e表示为。
实施例3
作为本发明又一较佳实施例，本实施例是在实施例1和实施例2的基础上，对S5步骤的具体实施方式的阐述。具体的，所述S5步骤中风险分类包括高风险型、中风险型和低风险型；
当左心室的室间隔表征形式为室间隔D字型表征，当有中央凹陷表征，则直接判断为高风险型；若为无中央凹陷表征但存在收缩期D字型表征，则直接判断为高风险型；若为无中央凹陷表征，且无收缩期D字型表征，则通过离心指数是否超过阈值判定高风险型；
当左心室的室间隔表征形式为室间隔D字型表征，单室间隔D字型表征的静态表型为无中央凹陷表征，室间隔D字型表征的动态表型为舒张期D字型表征，且无收缩期D字型表征，结合离心指数是否超过阈值，未超过阈值则判定为中风险型；
当左心室的室间隔表征形式为无D字型表征，但存在室间隔抖动，则根据室间隔抖动幅度是否超过阈值，判定中风险型；
当左心室的室间隔表征形式为无D字型表征，不存在室间隔抖动，判定低风险型。
根据S4步骤中左心室的表征分型、一个心动周期内的室间隔运动特点对患者右心功能进行风险分类的具体分型情况如下表1所示：
表1为左心室表征分型及室间隔运动特点的右心功能风险分类表
实施例4
作为本发明又一较佳实施例，本实施例是在实施例1、实施例2和实施例3的基础上，对S5步骤的具体实施方式的阐述。具体的，所述S5步骤中风险分类包括高风险型、中风险型和低风险型；在本实施例中，S4步骤中，通过在左心室短轴的室间隔超声图像中确定的左心室室壁室间隔区域和左心室室壁非室间隔区域，计算室间隔曲率半径及全心动周期室间隔曲率半径变化率。
所述室间隔曲率半径及全心动周期室间隔曲率半径变化率的计算方式如下：
以某一时刻的室间隔超声图像中的室间隔进行补圆，得到室间隔的曲率半径，连续记录一个心动周期内的的变化，得到室间隔曲率半径全心动周期动态变化。
当左心室的室间隔表征形式为室间隔D字型表征，当有中央凹陷表征，则直接判断为高风险型；若为无中央凹陷表征但存在收缩期D字型表征，则直接判断为高风险型；若为室间隔D字型表征，但无中央凹陷表征，且无收缩期D字型表征（舒张期D字型表征），则通过离心指数、室间隔曲率半径和室间隔曲率半径变化率是否超过阈值判定高风险型；
当左心室的室间隔表征形式为室间隔D字型表征，但室间隔D字型表征的静态表型为无中央凹陷表征，室间隔D字型表征的动态表型为舒张期D字型表征，且无收缩期D字型表征，结合离心指数、室间隔曲率半径和室间隔曲率半径变化率是否超过阈值，未超过阈值则判定为中风险型；
当左心室的室间隔表征形式为无D字型表征，但存在室间隔抖动，则根据室间隔抖动幅度、室间隔曲率半径和室间隔曲率半径变化率室是否超过阈值，判定中风险型；
当左心室的室间隔表征形式为无D字型表征，不存在室间隔抖动，结合室间隔曲率半径和室间隔曲率半径变化率是否超过阈值，判定低风险型。
实施例5
作为本发明又一较佳实施例，本实施例是对上述实施例1、实施例2、实施例3和实施例4中的进一步优化补充。具体的，所述S1步骤中，实时采集的超声图像还包括心尖四腔心切面超声图像。S4步骤中，经图像数据预处理后的合格的心尖四腔心切面超声图像中，如图7所示，确定出右心室室壁非室间隔区域和右心室室壁室间隔区域，通过确定的右心室室壁非室间隔区域（也称右室游离壁）和右心室室壁室间隔区域，计算心尖四腔心三尖瓣瓣环根部位移、心尖四腔心右室游离壁（即右心室室壁非室间隔区域）和室间隔区域的纵向收缩变化率以及右心室比左心室面积比值。
所述心尖四腔心三尖瓣瓣环根部位移、心尖四腔心右室游离壁和室间隔纵向收缩变化率与左心室短轴切面的室间隔表征与分型以及不同表征和分型对应的指标系参数相结合，用于对被测者右心功能进行风险分类。具体风险分类如下表2所示：
表2为室间隔超声图像及心尖四腔心切面超声图像的右心功能风险分类表
如图14和图15所示，所述心尖四腔心三尖瓣瓣环根部位移是指三尖瓣瓣环根部一个时间段内在指向心尖方向的位移大小；
如图14所示，若移动后的位置在根部中心与心尖的连线上，则计算移动前后的根部中心的距离；
如图15所示，若移动后的位置不在根部中心与心尖的连线上，则以移动前的根部中心位置，以及移动后的根部中心位置向三尖瓣瓣环根部指向心尖的连线作垂线后的交点，二者之间的距离为用于计算的移动后根部中心位移。
进一步的，如图13所示，所述心尖四腔心右室游离壁和室间隔纵向收缩变化率的计算方式如下：
，其中，S表示心尖四腔心右室游离壁和室间隔纵向收缩变化率，表示一个心动周期中右室游离壁的最大长度，表示一个心动周期中右室游离壁的最小长度。
实施例6
作为本发明又一较佳实施例，本实施例是对上述实施例1、实施例2、实施例3、实施例4和实施例5的进一步优化补充。
更进一步优选的，S4步骤中，经图像数据预处理后的合格的心尖四腔心切面超声图像中，确定出右心室内膜和左心室内膜，通过确定的右心室内膜和左心室内膜实时计算右心室与左心室面积大小以及二者的比值。
更进一步优选的，所述心尖四腔心三尖瓣瓣环根部位移、心尖四腔心右室游离壁、室间隔纵向收缩变化率和心动周期中右心室与左心室面积比值，作为补充参数；结合左心室短轴切面的室间隔表征与分型以及不同表征和分型对应的指标系参数，对被测者右心功能进行风险分类。
更进一步优选的，如上表2所示，所述心尖四腔心三尖瓣瓣环根部位移、心尖四腔心右室游离壁、室间隔纵向收缩变化率、心动周期中右心室与左心室面积比值和室间隔曲率半径以及全心动周期室间隔曲率半径变化率作为补充参数；结合左心室短轴切面的室间隔表征与分型以及不同表征和分型对应的指标系参数，对被测者右心功能进行风险分类。
上述实施例1至实施例6中，作为一个示例，S1步骤中，所述心脏超声探头设置有多个，多个心脏超声探头固定与患者身上，用于采集不同切面超声图像。
作为一个示例，S1步骤中，所述心脏超声探头为四维探头，通过四维探头，同时获取患者左室短轴的室间隔超声图像和心尖四腔心切面超声图像。
实施例7
作为本发明又一较佳实施例，本实施例是对上述实施例1、实施例2、实施例3、实施例4、实施例5和实施例6中S6步骤的具体实施方式的阐述，具体的，持续监测被测者连续多个心动周期的室间隔超声图像和心尖四腔心切面超声图像，重复S2-S5步骤，如果风险类型升级，则进行预警，若初步已经判断为高危，则结合所有测量参数当指标变化超过阈值，则进行预警。
当基于室间隔D字型表征、室间隔D字型表征的静态表型、室间隔D字型表征的动态表型以及参数计算，如果风险类型升级，则进行预警，例如当无D字型表征的被测者出现室间隔D字型表征，且其他评估满足上表2中中风险类型，风险类型增加，则开始预警。因此，当监测满足上述表格风险升级时进行预警。
预警方式分两种情况，基础状态分型低风险为绿灯，中风险为黄灯，高风险为红灯。同时显示初始评估和变化预警。具体预警方式如下表3所示：
表3为各风险类型的预警方式表
实施例8
作为本发明又一较佳实施例，本实施例是对上述实施例1、实施例2、实施例3、实施例4、实施例5、实施例6和实施例7中S3步骤的具体实施方式的阐述，具体的，上述S3步骤对设定采集时间周期内的经图像数据预处理后的连续室间隔超声图像的合格率的判断，贯穿整个评估过程，当评估过程中，若被测者体位发生变化，导致采集到的室间隔超声图像的合格率不满足要求，则重新调整心脏超声探头位置。
进一步优选的，所述S3步骤具体是，对图像数据预处理后的室间隔超声图像与金标准室间隔超声图像进行对比，判断图像数据预处理后的室间隔超声图像是否合格；如图4所示为不合格室间隔超声图像，如图5所示，为合格室间隔超声图像；
若设定采集时间周期内的连续室间隔超声图像的合格率达到设定合格率阈值，则表示心脏超声探头位置正确（针对二维探头）或图像切面选取正确（针对四维探头）；
若设定采集时间周期内的连续室间隔超声图像的合格率未达到设定合格率阈值，则重新调整心脏超声探头的固定位置（针对二维探头）或图像切面选取正确（针对四维探头）；直至设定采集时间周期内的连续室间隔超声图像的合格率达到设定合格率阈值。
更进一步优选的，S3步骤中，将图像数据预处理后的室间隔超声图像输入到图像分类模型中，经图像分类模型的分类，将图像数据预处理后的室间隔超声图像分类为合格图像和不合格图像。
其中图像分类的方法，可以为是基于深度学习、或者传统机器学习的分割方法。其中，深度学习的检测方法可以为基于FCN 、U-Net、RCNN 、YOLO 、Inception、ResNet、DenseNet等的CNN模型。传统机器学习方法包括特征提取方法和分类方法，特征提取方法可为CNN模型或PCA、HOG、LDA等传统方法，分类方法可为FCM、SVM、ACM等方法。
更进一步优选的，S3步骤中，所述的金标准超声图像是指左室短轴的室间隔超声图像中可以清晰地显示出左心室和室间隔的轮廓；心尖四腔心切面超声图像中心腔内乳头肌或二尖瓣影像基本对称。
作为一个示例，S2步骤中，图像数据预处理包括图像降噪处理和图像数据增强处理。更进一步的，所述图像数据增强处理包括旋转和缩放处理、高斯加噪处理、高斯模糊处理、亮度和对比度处理和低分辨率仿真处理。
实施例9
作为本发明又一较佳实施例，参照说明书附图2所示，本实施例公开了一种基于超声对患者右心功能进行评估的系统，该系统包括
心脏超声探头（二维探头或四维探头），用于固定置于患者身上，实时采集被测者左室短轴的室间隔超声图像和心尖四腔心切面超声图像；或者实时采集被测者四维图像，并从四维图像中选取左室短轴的室间隔超声图像和心尖四腔心切面超声图像；
超声图像获取模块，用于与超声探头建立数据连接，实时接收心脏超声探头采集的患者左室短轴的室间隔超声图像和心尖四腔心切面超声图像；
超声图像预处理模块，用于对采集到的左室短轴的室间隔超声图像和心尖四腔心切面超声图像逐帧进行图像数据预处理；
图像分类模块，用于将图像数据预处理后的超声图像进行分类，将图像数据预处理后的超声图像分类为合格图像和不合格图像；
图像质控模块，根据图像分类模块的分类结果，计算设定采集时间周期内经图像数据预处理后的室间隔超声图像的合格率，判断心脏超声探头固定位置是否准确或图像切面选取是否合适；若合格率不符合要求则重新调整心脏超声探头位置或重新调整选取图像切面，直至设定采集时间周期内经图像数据预处理后的超声图像的合格率达到要求；
图像分割模块，用于从经图像数据预处理后的合格左室短轴的室间隔超声图像中确定出左心室室壁室间隔区域和左心室室壁非室间隔区域，从合格心尖四腔心切面超声图像中确定出右心室室壁非室间隔区域、左心室室壁室间隔区域、右心室内膜和左心室内膜；
图像分型模块，用于根据图像分割模块的图像分割结果，通过确定的左心室室壁室间隔区域和左心室室壁非室间隔区域结合以对左心室的室间隔表征形状进行分型；所述分型包括室间隔D字型表征和无D字型表征；其中室间隔D字型表征分为静态表型和动态表型；
所述室间隔D字型表征中的静态表型是根据该被测者某一心动周期中某一帧室间隔超声图像中的室间隔区域确定得到的，进一步根据该室间隔超声图像中的室间隔区域分为中央凹陷表征和无中央凹陷表征；
所述室间隔D字型表征中的动态表型是根据该被测者一个心动周期中室间隔的运动特点得到的；进一步根据该心动周期中室间隔的运动特点确定室间隔抖动、舒张期D字型表征和收缩期D字型表征（舒张期D字型表征不会出现收缩期D字型表征，而收缩期D字型表征可能同时存在舒张期D字型表征）；
指标系计算及监测模块，用于根据图像分割模块的图像分割结果中确定的左心室室壁室间隔区域和左心室室壁非室间隔区域，在有室间隔D字型表征且有中央凹陷表征的图像中，计算中央凹陷深度和中央凹陷深度变化率；在有室间隔抖动的连续图像中，计算室间隔心动周期过程中的抖动幅度；在有舒张期D字型表征或收缩期D字型表征的图像中计算离心指数；同时计算短轴室间隔曲率半径和室间隔曲率半径变化率；
根据图像分割模块的图像分割结果中确定的右心室室壁非室间隔区域、左心室室壁室间隔区域、右心室内膜和左心室内膜，计算心尖四腔心三尖瓣瓣环根部位移、心尖四腔心右室游离壁（即右心室室壁非室间隔区域）、室间隔区域的纵向收缩变化率和心动周期中右心室与左心室面积比值；
风险分类模块，用于根据图像分型模块的左心室的室间隔表征分型结果，以及指标系计算及监测模块得到的左心室短轴切面的室间隔表征与分型以及不同表征和分型对应的指标系参数，并结合心尖四腔心三尖瓣瓣环根部位移、心尖四腔心右室游离壁（即右心室室壁非室间隔区域）、室间隔区域的纵向收缩变化率和心动周期中右心室与左心室面积比值，对被测者右心功能进行风险分类；
同时持续获取到被测者连续多个心动周期的左心室的室间隔表征分型结果及左心短轴的室间隔超声图像和心尖四腔心切面超声图像中各指标的值，判断被测者右心功能的风险分类是否发生变化；
右心功能评估模块，用于根据图像分类模块的左心室的表征分型结果、指标系计算及监测模块得到的各指标的值、风险分类模块的风险分类结果和风险分类变化情况，对被测者右心功能进行评估。
作为本实施例的一种实施方式，还包括报警模块，报警模块根据风险分类模块输出的风险分类结果进行报警，同时根据风险分类变化情况进行报警；若风险分类变化为风险等级升高，或者各指标设置变化超过阈值，则进行报警。
作为本实施例的一种实施方式，还包括显示模块，用于显示图像分型模块输出的图像分型结果、指标系计算及监测模块输出的各指标的值、风险分类模块输出的风险分类结果以及风险分类变化情况。
作为本实施例的一种实施方式，还包括指令生成模块，用于根据风险分类模块输出的风险分类结果以及风险分类变化情况生成相关设备的控制指令或指令建议，并将生成的控制指令或指令建议显示在显示模块上。
作为本实施例的一种实施方式，如图3所示，基于不同场景联动不同设备，在不同联动条件下进行不同的联动方式。其中场景一（非医疗场景）：高原对机体的影响，潜水，运动相关性肺水肿监测，甚至非ICU内其他病房肺功能障碍高危因素被测者等针对肺高危风险的循环后果监测系统。场景二（医疗场景）：用于病房（包含ICU病房）的医疗监测管理。具体如下表4所示：
表4为不同场景中的联动方式
由上表4可知，本发明的评估系统可应用到不同场景的不同设备中（包括但不限于上述表4中所列出的场景），以根据评估结果生成相关设备的控制指令，实现联动控制。

Claims (26)

1.基于超声对右心功能进行评估的方法，其特征在于，该方法包括以下步骤：
S1、将心脏超声探头固定在被测者身上，实时采集被测者左室短轴的室间隔超声图像；
S2、对采集到的室间隔超声图像实时逐帧进行图像数据预处理；
S3、根据设定采集时间周期内经图像数据预处理后的室间隔超声图像的合格率，判断心脏超声探头固定位置是否准确或图像切面选取是否合适；若合格率不符合要求则重新调整心脏超声探头位置或重新选取图像切面，直至设定采集时间周期内经图像数据预处理后的室间隔超声图像的合格率达到要求；
S4、从经图像数据预处理后的合格的室间隔超声图像中，确定出左心室室壁室间隔区域和左心室室壁非室间隔区域；通过确定的左心室室壁室间隔区域和左心室室壁非室间隔区域联合对比来对左心室的室间隔表征形状进行分型；
所述分型包括室间隔D字型表征和无D字型表征；其中室间隔D字型表征分为静态表型和动态表型；
所述室间隔D字型表征中的静态表型是根据该被测者某一心动周期中某一帧室间隔超声图像中的室间隔区域确定得到的，进一步根据该室间隔超声图像中的室间隔区域分为中央凹陷表征和无中央凹陷表征；
所述室间隔D字型表征中的动态表型是根据该被测者一个心动周期中室间隔的运动特点得到的；进一步根据该心动周期中室间隔的运动特点确定室间隔抖动、舒张期D字型表征和收缩期D字型表征；
S5、根据S4步骤中左心室的室间隔表征分型、一个心动周期内的室间隔运动特点和室间隔不同表征对被测者右心功能进行风险分类；具体的，所述S5步骤中风险分类包括高风险型、中风险型和低风险型；
当左心室的室间隔表征形式为室间隔D字型表征，当有中央凹陷表征，则直接判断为高风险型；若为无中央凹陷表征但存在收缩期D字型表征，则直接判断为高风险型；若为室间隔D字型表征，但无中央凹陷表征，且无收缩期D字型表征，则通过离心指数、室间隔曲率半径和室间隔曲率半径变化率是否超过阈值判定高风险型；
当左心室的室间隔表征形式为室间隔D字型表征，但室间隔D字型表征的静态表型为无中央凹陷表征，室间隔D字型表征的动态表型为舒张期D字型表征，且无收缩期D字型表征，结合离心指数、室间隔曲率半径和室间隔曲率半径变化率是否超过阈值，未超过阈值则判定为中风险型；
当左心室的室间隔表征形式为无D字型表征，但存在室间隔抖动，则根据室间隔抖动幅度、室间隔曲率半径和室间隔曲率半径变化率是否超过阈值，判定中风险型；
当左心室的室间隔表征形式为无D字型表征，不存在室间隔抖动，结合室间隔曲率半径和室间隔曲率半径变化率是否超过阈值，判定低风险型；
所述抖动幅度的计算过程具体如下：
通过确定的左心室室壁室间隔区域和左心室室壁非室间隔区域的室间隔超声图像，确定出室间隔的两个端点；
在一个心动周期内，若室间隔在两个端点之间的连线两侧晃动，则室间隔远离左心室时，室间隔上距离左心室最远的点到该两个端点之间连线的垂直距离dy，以及室间隔向左心室凹陷时，室间隔距离左心室最近的点到两个端点之间连线的垂直距离dj，则室间隔抖动幅度为dy+dj；
或者，在一个心动周期内，若室间隔在两个端点之间的连线一侧晃动，室间隔距离左心室最远的点到该两个端点之间连线的垂直距离dy，室间隔距离左心室最近的点到该两个端点之间连线的垂直距离dj，则室间隔抖动幅度为；
所述D字型表征中的离心指数的计算过程如下：
通过D字型表征的室间隔超声图像中确定得到的室间隔的两个端点B和C，计算B和C连线的中点A；
以识别到的左心室内膜轮廓确定出左心室内膜圆心E；
计算得到A点经左心室内膜圆心E之后到对侧内膜点D之间的距离L1；
过左心室内膜圆心E点作A点到D点之间连线的垂线，与左心室内膜交于F点和G点，计算F点到G点的距离L2；则D字型表征中的离心指数e表示为 ；
S6、持续监测被测者连续多个心动周期的室间隔超声图像，重复S2-S5步骤，判断持续监测过程中，被测者右心功能的风险分类是否发生变化；
S7、根据S5步骤中的风险分类结果，以及S6步骤的持续监测过程中被测者右心功能的风险分类变化情况，对被测者右心功能进行评估。
2.如权利要求1所述的基于超声对右心功能进行评估的方法，其特征在于：S4步骤是将合格的室间隔超声图像输入到图像分割模型中，从图像分割模型输出的图像分割结果中确定出左心室室壁室间隔区域及左心室室壁非室间隔区域。
3.如权利要求2所述的基于超声对右心功能进行评估的方法，其特征在于：所述S4步骤中，根据室间隔的不同表征，进行指标系的监测；
其中，针对室间隔D字型表征中的静态表型中，出现中央凹陷表征则监测室间隔中央凹陷深度d和心动周期过程中的凹陷变化率；
针对室间隔D字型表征中的动态表型，监测包括室间隔心动周期过程中的抖动幅度和离心指数。
4.如权利要求3所述的基于超声对右心功能进行评估的方法，其特征在于：所述中央凹陷深度d的计算过程如下：
通过确定的左心室室壁室间隔区域和左心室室壁非室间隔区域的室间隔超声图像，确定出室间隔的两个端点，同时确定出室间隔凹陷最深点，通过两个端点之间的连线与凹陷最深点之间的垂直距离计算得到中央凹陷深度d。
5.如权利要求3所述的基于超声对右心功能进行评估的方法，其特征在于：所述心动周期过程中的凹陷变化率 ，表示为 ，其中，d0是指一个心动周期内t0时刻的中央凹陷深度，d1是指一个心动周期内t1时刻的中央凹陷深度；追踪一个心动周期的凹陷变化率。
6.如权利要求1-5任意一项所述的基于超声对右心功能进行评估的方法，其特征在于：S4步骤中，通过在左心室短轴的室间隔超声图像中确定的左心室室壁室间隔区域和左心室室壁非室间隔区域，计算室间隔曲率半径及全心动周期室间隔曲率半径变化率。
7.如权利要求6所述的基于超声对右心功能进行评估的方法，其特征在于：
所述室间隔曲率半径及全心动周期室间隔曲率半径变化率的计算方式如下：
以某一时刻的室间隔超声图像中的室间隔进行补圆，得到室间隔的曲率半径r1，连续记录一个心动周期内的r1的变化，得到室间隔曲率半径全心动周期动态变化。
8.如权利要求1所述的基于超声对右心功能进行评估的方法，其特征在于：所述S1步骤中，实时采集的超声图像还包括心尖四腔心切面超声图像。
9.如权利要求8所述的基于超声对右心功能进行评估的方法，其特征在于：S4步骤中，经图像数据预处理后的合格的心尖四腔心切面超声图像中，确定出右心室室壁非室间隔区域和右心室室壁室间隔区域，通过确定的右心室室壁非室间隔区域和右心室室壁室间隔区域，计算心尖四腔心三尖瓣瓣环根部位移、心尖四腔心右室游离壁和室间隔区域的纵向收缩变化率。
10.如权利要求9所述的基于超声对右心功能进行评估的方法，其特征在于：所述心尖四腔心三尖瓣瓣环根部位移是指三尖瓣瓣环根部一个时间段内在指向心尖方向的位移大小；
若移动后的位置在根部中心与心尖的连线上，则计算移动前后的根部中心的距离；
若移动后的位置不在根部中心与心尖的连线上，则以移动前的根部中心位置，以及移动后的根部中心位置向三尖瓣瓣环根部指向心尖的连线作垂线后的交点，二者之间的距离为用于计算的移动后根部中心位移。
11.如权利要求9所述的基于超声对右心功能进行评估的方法，其特征在于：所述心尖四腔心右室游离壁和室间隔纵向收缩变化率的计算方式如下：
，其中，S表示心尖四腔心右室游离壁和室间隔纵向收缩变化率，Lmax表示一个心动周期中右室游离壁的最大长度，Lmin表示一个心动周期中右室游离壁的最小长度。
12.如权利要求9-11任意一项所述的基于超声对右心功能进行评估的方法，其特征在于：S4步骤中，经图像数据预处理后的合格的心尖四腔心切面超声图像中，确定出右心室内膜和左心室内膜，通过确定的右心室内膜和左心室内膜实时计算右心室与左心室面积大小以及二者的比值。
13.如权利要求12所述的基于超声对右心功能进行评估的方法，其特征在于：所述心尖四腔心三尖瓣瓣环根部位移、心尖四腔心右室游离壁、室间隔纵向收缩变化率、心动周期中右心室与左心室面积比值和室间隔曲率半径以及全心动周期室间隔曲率半径变化率作为补充参数；结合左心室短轴切面的室间隔表征与分型以及不同表征和分型对应的指标系参数，对被测者右心功能进行风险分类。
14.如权利要求1-5任意一项或8-11任意一项所述的基于超声对右心功能进行评估的方法，其特征在于：S1步骤中，所述心脏超声探头设置有多个，多个心脏超声探头固定于被测者身上，用于采集不同切面超声图像。
15.如权利要求1-5任意一项或8-11任意一项所述的基于超声对右心功能进行评估的方法，其特征在于：S1步骤中，所述心脏超声探头为四维探头，通过四维探头，同时获取被测者左室短轴的室间隔超声图像和心尖四腔心切面超声图像。
16.如权利要求12所述的基于超声对右心功能进行评估的方法，其特征在于：所述S6步骤中，持续监测被测者连续多个心动周期的室间隔超声图像和心尖四腔心切面超声图像，重复S2-S5步骤，如果风险类型升级，则进行预警；若初步已经判断为高危，则结合所有测量参数，当指标变化超过阈值，即进行预警。
17.如权利要求1-5任意一项或8-11任意一项所述的基于超声对右心功能进行评估的方法，其特征在于：上述S3步骤对设定采集时间周期内的经图像数据预处理后的连续室间隔超声图像的合格率的判断，贯穿整个评估过程，当评估过程中，若被测者体位发生变化，导致采集到的室间隔超声图像的合格率不满足要求，则重新调整心脏超声探头位置。
18.如权利要求17所述的基于超声对右心功能进行评估的方法，其特征在于：所述S3步骤具体是，对图像数据预处理后的室间隔超声图像与金标准室间隔超声图像进行对比，判断图像数据预处理后的室间隔超声图像是否合格；
若设定采集时间周期内的连续室间隔超声图像的合格率达到设定合格率阈值，则表示心脏超声探头位置正确或图像切面选取正确；
若设定采集时间周期内的连续室间隔超声图像的合格率未达到设定合格率阈值，则重新调整心脏超声探头的固定位置；直至设定采集时间周期内的连续室间隔超声图像的合格率达到设定合格率阈值。
19.如权利要求18所述的基于超声对右心功能进行评估的方法，其特征在于：S3步骤中，将图像数据预处理后的室间隔超声图像输入到图像分类模型中，经图像分类模型的分类，将图像数据预处理后的室间隔超声图像分类为合格图像和不合格图像。
20.如权利要求18所述的基于超声对右心功能进行评估的方法，其特征在于：S3步骤中，所述的金标准室间隔超声图像是指左室短轴的室间隔超声图像中可以清晰地显示出左心室和室间隔的轮廓；心尖四腔心切面超声图像中心腔内乳头肌或二尖瓣影像基本对称。
21.如权利要求1-5任意一项或8-11任意一项所述的基于超声对右心功能进行评估的方法，其特征在于：S2步骤中，图像数据预处理包括图像降噪处理和图像数据增强处理。
22.如权利要求21所述的基于超声对右心功能进行评估的方法，其特征在于：所述图像数据增强处理包括旋转和缩放处理、高斯加噪处理、高斯模糊处理、亮度和对比度处理和低分辨率仿真处理。
23.基于超声对右心功能进行评估的系统，其特征在于：该系统包括
心脏超声探头，用于固定置于患者身上，实时采集被测者左室短轴的室间隔超声图像和心尖四腔心切面超声图像；
超声图像获取模块，用于与超声探头建立数据连接，实时接收心脏超声探头采集的患者左室短轴的室间隔超声图像和心尖四腔心切面超声图像；
超声图像预处理模块，用于对采集到的左室短轴的室间隔超声图像和心尖四腔心切面超声图像逐帧进行图像数据预处理；
图像分类模块，用于将图像数据预处理后的超声图像进行分类，将图像数据预处理后的超声图像分类为合格图像和不合格图像；
图像质控模块，根据图像分类模块的分类结果，计算设定采集时间周期内经图像数据预处理后的超声图像的合格率，判断心脏超声探头固定位置是否准确或图像切面选取是否合适；若合格率不符合要求则重新调整心脏超声探头位置或重新选取图像切面，直至设定采集时间周期内经图像数据预处理后的超声图像的合格率达到要求；
图像分割模块，用于从经图像数据预处理后的合格左室短轴的室间隔超声图像中确定出左心室室壁室间隔区域和左心室室壁非室间隔区域，从合格心尖四腔心切面超声图像中确定出右心室室壁非室间隔区域、左心室室壁室间隔区域、右心室内膜和左心室内膜；
图像分型模块，用于根据图像分割模块的图像分割结果，通过确定的左心室室壁室间隔区域和左心室室壁非室间隔区域结合以对左心室的室间隔表征形状进行分型；所述分型包括室间隔D字型表征和无D字型表征；其中室间隔D字型表征分为静态表型和动态表型；
所述室间隔D字型表征中的静态表型是根据被测者某一心动周期中某一帧室间隔超声图像中的室间隔区域确定得到的，进一步根据该室间隔超声图像中的室间隔区域分为中央凹陷表征和无中央凹陷表征；
所述室间隔D字型表征中的动态表型是根据被测者一个心动周期中室间隔的运动特点得到的；进一步根据该心动周期中室间隔的运动特点确定室间隔抖动、舒张期D字型表征和收缩期D字型表征；
指标系计算及监测模块，用于根据图像分割模块的图像分割结果中确定的左心室室壁室间隔区域和左心室室壁非室间隔区域，在有室间隔D字型表征且有中央凹陷表征的图像中，计算中央凹陷深度和中央凹陷深度变化率；在有室间隔抖动的连续图像中，计算室间隔心动周期过程中的抖动幅度；在有舒张期D字型表征或收缩期D字型表征的图像中计算离心指数；同时计算短轴室间隔曲率半径和室间隔曲率半径变化率；根据图像分割模块的图像分割结果中确定的右心室室壁非室间隔区域、左心室室壁室间隔区域、右心室内膜和左心室内膜，计算心尖四腔心三尖瓣瓣环根部位移、心尖四腔心右室游离壁、室间隔区域的纵向收缩变化率和心动周期中右心室与左心室面积比值；
所述抖动幅度的计算过程具体如下：
通过确定的左心室室壁室间隔区域和左心室室壁非室间隔区域的室间隔超声图像，确定出室间隔的两个端点；
在一个心动周期内，若室间隔在两个端点之间的连线两侧晃动，则室间隔远离左心室时，室间隔上距离左心室最远的点到该两个端点之间连线的垂直距离 dy，以及室间隔向左心室凹陷时，室间隔距离左心室最近的点到两个端点之间连线的垂直距离 dj，则室间隔抖动幅度为 dy+dj；
或者，在一个心动周期内，若室间隔在两个端点之间的连线一侧晃动，室间隔距离左心室最远的点到该两个端点之间连线的垂直距离 dy，室间隔距离左心室最近的点到该两个端点之间连线的垂直距离 dj，则室间隔抖动幅度为；
D字型表征中的离心指数的计算过程如下：
通过D字型表征的室间隔超声图像中确定得到的室间隔的两个端点B和C，计算B和C连线的中点A；
以识别到的左心室内膜轮廓确定出左心室内膜圆心E；
计算得到A点经左心室内膜圆心E之后到对侧内膜点D之间的距离 L1；
过左心室内膜圆心E点作A点到D点之间连线的垂线，与左心室内膜交于F点和G点，计算F点到G点的距离 L2；则D字型表征中的离心指数e表示为；
风险分类模块，用于根据图像分型模块的左心室的室间隔表征分型结果，以及指标系计算及监测模块得到的左心室短轴切面的室间隔表征与分型以及不同表征和分型对应的指标系参数，并结合心尖四腔心三尖瓣瓣环根部位移、心尖四腔心右室游离壁、室间隔区域的纵向收缩变化率和心动周期中右心室与左心室面积比值，对被测者右心功能进行风险分类；
同时持续获取到被测者连续多个心动周期的左心室的室间隔表征分型结果及左心短轴的室间隔超声图像和心尖四腔心切面超声图像中各指标参数的值，判断被测者右心功能的风险分类是否发生变化；
右心功能评估模块，用于根据图像分类模块的左心室的表征分型结果、指标系计算及监测模块得到的各指标参数的值、风险分类模块的风险分类结果和风险分类变化情况，对被测者右心功能进行评估。
24.如权利要求23所述的基于超声对右心功能进行评估的系统，其特征在于：该系统还包括报警模块，报警模块根据风险分类模块输出的风险分类结果进行报警，同时根据风险分类变化情况进行报警；若风险分类变化为风险等级升高，则进行报警。
25.如权利要求23或24所述的基于超声对右心功能进行评估的系统，其特征在于：该系统还包括显示模块，用于显示图像分型模块输出的图像分型结果、指标系计算及监测模块输出的各指标的值、风险分类模块输出的风险分类结果以及风险分类变化情况。
26.如权利要求25所述的基于超声对右心功能进行评估的系统，其特征在于：该系统还包括指令生成模块，用于根据风险分类模块输出的风险分类结果以及风险分类变化情况生成相关设备的控制指令或指令建议，并将生成的控制指令或指令建议显示在显示模块上。
CN202210704804.4A 2022-06-21 2022-06-21 基于超声对右心功能进行评估的方法和系统 Active CN114898882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210704804.4A CN114898882B (zh) 2022-06-21 2022-06-21 基于超声对右心功能进行评估的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210704804.4A CN114898882B (zh) 2022-06-21 2022-06-21 基于超声对右心功能进行评估的方法和系统

Publications (2)

Publication Number Publication Date
CN114898882A CN114898882A (zh) 2022-08-12
CN114898882B true CN114898882B (zh) 2023-04-18

Family

ID=82727446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210704804.4A Active CN114898882B (zh) 2022-06-21 2022-06-21 基于超声对右心功能进行评估的方法和系统

Country Status (1)

Country Link
CN (1) CN114898882B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116705307A (zh) * 2023-08-07 2023-09-05 天津云检医学检验所有限公司 基于ai模型的儿童心脏功能评估方法、系统和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077905A (zh) * 2021-03-23 2021-07-06 大连医科大学附属第一医院 一种肿瘤患者多种类心脏毒性评估方法
CN114419500A (zh) * 2022-01-07 2022-04-29 乐普（北京）医疗器械股份有限公司 基于心脏超声视频筛选舒张期和收缩期图像的方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI528945B (zh) * 2012-01-02 2016-04-11 財團法人台灣基督長老教會馬偕紀念社會事業基金會馬偕紀念醫院 以超音波影像建立心血管功能參數之評估系統
CN109192305B (zh) * 2018-09-12 2020-11-20 中国人民解放军陆军军医大学第二附属医院 一种基于深度循环神经网络的心功能自动分析方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077905A (zh) * 2021-03-23 2021-07-06 大连医科大学附属第一医院 一种肿瘤患者多种类心脏毒性评估方法
CN114419500A (zh) * 2022-01-07 2022-04-29 乐普（北京）医疗器械股份有限公司 基于心脏超声视频筛选舒张期和收缩期图像的方法和装置

Also Published As

Publication number Publication date
CN114898882A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
Lowell et al. Optic nerve head segmentation
Chutatape A model-based approach for automated feature extraction in fundus images
Li et al. Automated feature extraction in color retinal images by a model based approach
US20100036248A1 (en) Medical image diagnostic apparatus, medical image measuring method, and medicla image measuring program
Ho et al. An atomatic fundus image analysis system for clinical diagnosis of glaucoma
CN109166124A (zh) 一种基于连通区域的视网膜血管形态量化方法
JPH10504225A (ja) デジタル画像定量化のための自動化された方法
Beaton et al. Non-invasive measurement of choroidal volume change and ocular rigidity through automated segmentation of high-speed OCT imaging
CN108618749B (zh) 基于便携式数字化眼底照相机的视网膜血管三维重建方法
CN111415321B (zh) 动脉瘤破裂风险检测装置及设备
CN110477952B (zh) 超声波诊断装置、医用图像诊断装置及存储介质
ElTanboly et al. An integrated framework for automatic clinical assessment of diabetic retinopathy grade using spectral domain OCT images
CN112597982B (zh) 基于人工智能的图像分类方法、装置、设备和介质
WO2010071597A1 (en) A method and system for determining the position of an optic cup boundary
CN114898882B (zh) 基于超声对右心功能进行评估的方法和系统
EP0533782A1 (en) Automated method for digital image quantitation
JP2008073280A (ja) 眼底画像処理装置
Salam et al. A review analysis on early glaucoma detection using structural features
Giancardo Automated fundus images analysis techniques to screen retinal diseases in diabetic patients
CN111292285B (zh) 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法
CN113558564B (zh) 一种基于单纯高度近视数据库构建的数据处理系统
Martins Automatic microaneurysm detection and characterization through digital color fundus images
WO2008035425A1 (fr) analyse d'image de fond de l'oeil et programme
CN117036302B (zh) 主动脉瓣膜钙化程度的确定方法和系统
Krestanova et al. Premature infant blood vessel segmentation of retinal images based on hybrid method for the determination of tortuosity

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