CN115147331A - 辅助评估心脏运动状态的方法 - Google Patents

辅助评估心脏运动状态的方法 Download PDF

Info

Publication number
CN115147331A
CN115147331A CN202110343579.1A CN202110343579A CN115147331A CN 115147331 A CN115147331 A CN 115147331A CN 202110343579 A CN202110343579 A CN 202110343579A CN 115147331 A CN115147331 A CN 115147331A
Authority
CN
China
Prior art keywords
heart
left ventricular
extrema
time differences
ultrasound images
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
Application number
CN202110343579.1A
Other languages
English (en)
Inventor
许鸿生
利建宏
黄宜瑾
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.)
Acer Inc
Original Assignee
Acer Inc
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 Acer Inc filed Critical Acer Inc
Priority to CN202110343579.1A priority Critical patent/CN115147331A/zh
Publication of CN115147331A publication Critical patent/CN115147331A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • A61B8/065—Measuring blood flow to determine blood output from the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—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
    • 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
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • 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)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Hematology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明提供一种辅助评估心脏运动状态的方法，包括：取得对应于一心脏的连续多个心脏超音波图像，并据以估计对应于所述多个心脏超音波图像的多个左心室容积；在所述多个左心室容积中找出多个特定极值，并据以估计所述多个特定极值之间的多个时间差；基于所述多个时间差估计所述多个时间差的一统计特性值；反应于判定所述多个时间差中的至少一者偏离统计特性值达一预设门限值，判定心脏出现一异常运动状态。藉此，可让相关医疗人员更为简易地掌握心脏的状况，从而降低做出错误评估(例如算出错误的射血分数等)的机率。

Description

辅助评估心脏运动状态的方法
技术领域
本发明涉及一种医疗图像评估方法，尤其涉及一种辅助评估心脏运动状态的方法。
背景技术
目前检查心脏结构的方式最广泛使用以及最经济的方法为心脏超音波。当患者需要通过超音波检查心脏时，超音波技师或是医师都是手持超音波探头以特定角度扫描心脏，查看患者的心脏结构是否有异常。
在临床上现阶段评估心脏状态是否良好有很多方法，其中之一就是测量左心室射血分数Left Ventricular Ejection Fraction，LVEF)。LEVE是测量左心室在每次心跳下于左心室中有多少的血液被射出。在各医院中，目前还是使用人工检查或半自动的方式来识别心率周期中心脏的末期舒张(End-Diastolic，ED)与末期收缩(End-Systolic，ES)。而在识别出ED以及ES后，超音波机台内建的工具程序即可计算出末期舒张容积(EDV)与末期收缩容积(ESV)，然后再算出射血分数(EF)。
在目前的技术领域中，已经渐渐朝向通过AI深度学习模型来识别心率周期中心脏的末期舒张与末期收缩，减轻人工识别需逐张识别图像是否为ED或是ES的繁琐工作。
然而，在实际临床的情况下，目前尚未让AI深度学习模型取代人工识别的原因有两个方面。首先，当患者有心脏方面的疾病时，例如：心房颤动导致心律不整的情况，AI深度学习模型将会无法有效的识别出ED以及ES，导致计算出错误的射血分数。其次，由超音波探头取得的心脏超音波图像不够清晰时将会使得AI深度学习模型的判断不佳，无法有效的识别出ED以及ES，导致计算出错误的射血分数。
因此，对于本领域技术人员而言，若能设计一种判断患者心脏是否存在异常运动状态(例如心律不整)的机制，应可帮助上述AI深度学习模型更为有效地识别心率周期中心脏的末期舒张与末期收缩，进而得到较为正确的射血分数。
发明内容
有鉴于此，本发明提供一种辅助评估心脏运动状态的方法，其可用于解决上述技术问题。
本发明提供一种辅助评估心脏运动状态的方法，适于一电子装置，包括：取得对应于一心脏的连续多个左心室屏蔽图像，并据以估计对应于所述多个心脏超音波图像的多个左心室容积；在所述多个左心室容积中找出多个特定极值，并据以估计所述多个特定极值之间的多个时间差；基于所述多个时间差估计所述多个时间差的一统计特性值；反应于判定所述多个时间差中的至少一者偏离统计特性值达一预设门限值，判定心脏出现一异常运动状态。
附图说明
包含附图以便进一步理解本发明，且附图并入本说明书中并构成本说明书的一部分。附图说明本发明的实施例，并与描述一起用于解释本发明的原理。
图1是依据本发明的实施例图示的电子装置示意图；
图2是依据本发明的实施例图示的估计心室容积的方法流程图；
图3是依据本发明的实施例图示的应用情境图；
图4是依据本发明的实施例图示的基于参考点像素之间距离找出第一、第二及第三参考点像素的示意图；
图5A是依据图3图示的找出对应于心尖部的参考点像素的示意图；
图5B是依据图5A图示的找出对应于左侧二尖瓣的参考点像素的示意图；
图5C是依据图5B图示的找出对应于右侧二尖瓣的参考点像素的示意图；
图6是依据本发明的实施例图示的辅助评估心脏运动状态的方法流程图；
图7A是依据本发明的实施例图示的应用情境图；
图7B是依据图7A图示的另一应用情境图。
具体实施方式
现将详细地参考本发明的示范性实施例，示范性实施例的实例说明于附图中。只要有可能，相同组件符号在附图和描述中用来表示相同或相似部分。
请参照图1，其是依据本发明的实施例图示的电子装置示意图。在不同的实施例中，电子装置100例如是各式计算机装置、智能装置和/或手持装置，但可不限于此。
如图1所示，电子装置100包括存储电路102及处理器104。存储电路102例如是任意型式的固定式或可移动式随机存取内存(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash memory)、硬盘或其他类似装置或这些装置的组合，而可用以记录多个程序代码或模块。
处理器104耦接于存储电路102，并可为一般用途处理器、特殊用途处理器、传统的处理器、数字信号处理器、多个微处理器(microprocessor)、一个或多个结合数字信号处理器核心的微处理器、控制器、微控制器、特殊应用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可程序门阵列电路(Field Programmable Gate Array，FPGA)、任何其他种类的集成电路、状态机、基于进阶精简指令集机器(Advanced RISCMachine，ARM)的处理器以及类似品。
在本发明的实施例中，处理器104可存取存储电路102中记录的模块、程序代码来实现本发明提出的估计心室容积的方法，其细节详述如下。
请参照图2及图3，其中图2是依据本发明的实施例图示的估计心室容积的方法流程图，图3是依据本发明的实施例图示的应用情境图。本实施例的方法可由图1的电子装置100执行，以下即搭配图1所示的组件及图3的情境说明图2各步骤的细节。
首先，在步骤S210中，处理器104可取得对应于心脏超音波图像30的左心室掩码图像31，其中左心室掩码(mask)图像31为二值化图像。在本发明的实施例中，处理器104例如可将心脏超音波图像30(其例如是A2C(apical two chamber)或A4C(apical fourchamber)的心尖视图(apical view))输入经预训练的一机器学习模型，以由此机器学习模型因应于心脏超音波图像30而输出对应的二值化图像作为左心室掩码图像31。
在一实施例中，为使上述机器学习模型具备上述能力，设计者可在训练此机器学习模型的过程中，将标记有心室的图像区域的各式心脏超音波图像作为训练数据而输入至此机器学习模型。藉此，所述机器学习模型即可学习对应于心室的图像区域的特征，进而可在取得未知的心脏超音波图像时，相应地在其中识别出对应于心室的图像区域。之后，此机器学习模型可将对应于心室的图像区域中的像素皆设定为第一值(例如255)，并将未对应于心室的图像区域中的像素皆设定为第二值(例如0)，以产生对应的二值化图像，但可不限于此。
之后，在步骤S220中，处理器104可在左心室掩码图像31中找出3个参考点像素311～313。
在本发明的实施例中，各参考点像素311～313可具有第一值(例如255)。另外，各参考点像素311～313可环绕有N个(例如8个)周围像素，且各参考点像素311～313的上述周围像素可包括具有第一值的N1个(例如3个)第一周围像素以及具有第二值(例如0)的N2个(例如5个)第二周围像素，其中N、N1及N2为正整数。
在一实施例中，在参考点像素311的周围像素中，第一周围像素(即位于范围311a内的像素)经排列为直线，第二周围像素(即位于范围311b内的像素)经排列为C字形。
在一实施例中，在参考点像素312的周围像素中，第一周围像素(即位于范围312a内的像素)经排列为L形，第二周围像素(即位于范围312b内的像素)经排列为L形。
在一实施例中，在参考点像素313的周围像素中，第一周围像素(即位于范围313a内的像素)经排列为L形，第二周围像素(即位于范围313b内的像素)经排列为L形。
在本发明的实施例中，由于参考点像素311～313在左心室掩码图像31中个别皆为唯一的，因此处理器104可逐一检视左心室掩码图像31中的每个像素，并将符合上述条件(例如，在8个周围像素中包括具有第一值的3个第一周围像素以及具有第二值的5个第二周围像素，且具有第一值)的3个像素定义为参考点像素311～313。
之后，在步骤S230中，处理器104可基于参考点像素311～313估计对应于心脏超音波图像30的左心室容积。在一实施例中，处理器104可估计参考点像素311～313彼此之间的距离，并据以在参考点像素311～313中找出分别对应于心尖部、第一二尖瓣(例如是左侧二尖瓣)及第二二尖瓣(例如是右侧二尖瓣)的第一参考点像素、第二参考点像素及第三参考点像素。之后，处理器104可再基于第一参考点像素、第二参考点像素及第三参考点像素套用辛普森公式以估计对应于心脏超音波图像30的左心室容积。
请参照图4，其是依据本发明的实施例图示的基于参考点像素之间距离找出第一、第二及第三参考点像素的示意图。一般而言，左、右侧二尖瓣之间的距离应会小于心尖部与任一二尖瓣之间的距离。因此，处理器104即可基此原理在参考点像素311～313找出分别对应于心尖部、第一二尖瓣及第二二尖瓣的第一、第二及第三参考点像素。
在图4中，参考点像素311与参考点像素312之间可存在第一距离D1，参考点像素311与参考点像素313之间可存在第二距离D2，参考点像素312与参考点像素313之间可存在第三距离D3。
在图4情境中，反应于判定第一距离D1以及第二距离D2皆大于第三距离D3，处理器可将参考点像素311～313分别定义为第一、第二及第三参考点像素。
在另一实施例中，反应于判定第二距离D2以及第三距离D3皆大于第一距离D1，处理器104可参考点像素313、参考点像素311及参考点像素312分别定义为第一、第二及第三参考点像素。另外，在又一实施例中，反应于判定第一距离D1以及第三距离D3皆大于第二距离D2，处理器103可将参考点像素312、参考点像素311及参考点像素313分别定义为第一、第二及第三参考点像素。
此外，若心脏超音波图像30经判定为心尖视图，则在所找出的3个参考点像素中高度最高的一者应对应于心尖部。因此，在图4中，处理器104可直接将高度最高的参考点像素311定义为对应于心尖部的第一参考点像素，并将剩余的参考点像素312、313分别定义为对应于二尖瓣的第二、第三参考点像素，但可不限于此。
之后，处理器104可再基于第一、第二及第三参考点像素套用辛普森公式以估计对应于心脏超音波图像30的左心室容积，而其细节可参照相关的现有技术文献，于此不另赘述。
另外，为提升找出参考点像素311～313的效率，处理器104可另基于图5A至图5C所示机制来找出参考点像素311～313。
请参照图5A，其是依据图3图示的找出对应于心尖部的参考点像素的示意图。如上所述，若心脏超音波图像30经判定为心尖视图，则在所找出的3个参考点像素中高度最高的一者应对应于心尖部。
基此，从左心室掩码图像31中最高的像素列开始，处理器104可逐列往下扫视，以找出符合上述条件(例如，在8个周围像素中包括具有第一值的3个第一周围像素以及具有第二值的5个第二周围像素，且具有第一值)的像素。在图5A中，在找到一个符合上述条件的像素时，处理器104即可直接将此像素定义为对应于心尖部的参考点像素311，并暂停扫视。
请参照图5B，其是依据图5A图示的找出对应于左侧二尖瓣的参考点像素的示意图。在心脏超音波图像30经判定为心尖视图的情况下，在所找出的3个参考点像素中最左下侧的一者应对应于左侧二尖瓣。
基此，从左心室掩码图像31中最低的像素列开始，处理器104可逐列由左往右扫视，以找出符合上述条件(例如，在8个周围像素中包括具有第一值的3个第一周围像素以及具有第二值的5个第二周围像素，且具有第一值)的像素。在图5B中，在找到一个符合上述条件的像素时，处理器104即可直接将此像素定义为对应于左侧二尖瓣的参考点像素312，并暂停扫视的过程。
请参照图5C，其是依据图5B图示的找出对应于右侧二尖瓣的参考点像素的示意图。在心脏超音波图像30经判定为心尖视图的情况下，在所找出的3个参考点像素中最右下侧的一者应对应于右侧二尖瓣。
基此，从左心室掩码图像31中最低的像素列开始，处理器104可逐列由右往左扫视，以找出符合上述条件(例如，在8个周围像素中包括具有第一值的3个第一周围像素以及具有第二值的5个第二周围像素，且具有第一值)的像素。在图5C中，在找到一个符合上述条件的像素时，处理器104可先判定此像素是否已被定义为其他的参考点像素(例如参考点像素312)。若否，则处理器104可直接将此像素定义为对应于右侧二尖瓣的参考点像素313，并暂停扫视的过程。另一方面，若此像素已被定义为其他的参考点像素(例如参考点像素312)，则处理器104可先忽略此像素，并继续往上扫视以找出符合上述条件的另一像素。待找到符合上述条件的另一像素时，处理器104可直接将所述另一像素定义为对应于右侧二尖瓣的参考点像素313，并暂停扫视的过程。
在其他实施例中，处理器104亦可采用其他方式在左心室掩码图像31中找出参考点像素311～313，并不限于图5A至图5C教示的方式。
由上可知，本发明提出的估计心室容积的方法可在取得对应于左心室超音波的左心室掩码图像后，在其中找出符合特定条件(例如，在8个周围像素中包括具有第一值的3个第一周围像素以及具有第二值的5个第二周围像素，且具有第一值)的3个像素作为对应于心尖部及两侧二尖瓣的参考点像素。之后，即可基于所述多个参考点像素估算左心室容积。藉此，本发明可在不需人为标示心尖部及两侧二尖瓣的情况下，以较佳的效率自动估算左心室容积。
在其他实施例中，本发明另提出一种辅助评估心脏运动状态的方法，其可基于左心室容积的变化来判定心脏是否出现异常运动状态。在本发明的实施例中，处理器104可存取存储电路102中记录的模块、程序代码来实现本发明提出的辅助评估心脏运动状态的方法，其细节详述如下。
请参照图6，其是依据本发明的实施例图示的辅助评估心脏运动状态的方法流程图。本实施例的方法可由图1的电子装置100执行，以下即搭配图1所示的组件说明图6各步骤的细节。
首先，在步骤S610中，处理器104可取得对应于心脏(其例如是某患者的心脏)的连续多个心脏超音波图像，并据以估计对应于所述多个心脏超音波图像的多个左心室容积。
在一实施例中，处理器104可先取得上述心脏超音波图像，并判断各心脏超音波图像是否属于心尖视图(例如A2C或A4C)。在一实施例中，处理器104例如可基于”Guidelinesfor Performing a Comprehensive Transthoracic Echocardiographic Examination inAdults:Recommendations from the American Society of Echocardiography”文献中记载的技术来判断各心脏超音波图像是否属于心尖视图，故相关细节可参照上述文献，于此不另赘述。
反应于判定各心脏超音波图像属于心尖视图，处理器104可从各心脏超音波图像中取出对应于心脏的左心室的左心室掩码图像，并据以估计对应于上述心脏超音波图像的左心室容积。
在一实施例中，处理器104例如可将各心脏超音波图像输入先前提及的机器学习模型，其中此机器学习模型可因应于各心脏超音波图像而输出对应的左心室掩码图像。
在本发明的实施例中，对于每个左心室掩码图像，处理器104皆可基于图2至图5C教示的机制来估计对应的左心室容积，故其细节于此不另赘述。
为便于说明本发明的概念，以下将另辅以图7A作进一步说明，其中图7A是依据本发明的实施例图示的应用情境图。在图7A中，由步骤S610得到的连续多个左心室容积可图示为图7A所示的左心室容积变化图700。
之后，在步骤S620中，处理器104可在所述多个左心室容积中找出多个特定极值711～715，并据以估计所述多个特定极值711～715之间的多个时间差T1～T4。
在一实施例中，处理器104例如可将上述左心室容积中对应于EDV的多个特定左心室容积作为所述多个特定极值，但可不限于此。定义上而言，每个EDV在其所属的心率周期中应是对应于最大的左心室容积。基此，若处理器104判定上述左心室容积中的第i个(其中i为整数)左心室容积大于上述左心室容积中的第i-1个心室容积及第i+1个心室容积，则处理器104可判定所述第i个心室容积应对应于EDV，进而可判定所述第i个左心室容积属于上述特定极值的其中之一。
在图7A情境中，由于左心室容积变化图700可理解为包括5个心率周期，故处理器104可依上述原则而在其中找出5个EDV作为特定极值711～715。之后，处理器104可再估计特定极值711～715之间的时间差T1～T4。
概略而言，假设处理器104所找出的特定极值包括第1个特定极值至第K个(其中K为整数)特定极值，则第j+1个特定极值与第j个特定极值之间的时间差可经定义为第j个时间差，其中1≤j≤K-1。
以图7A为例，时间差T1(可理解为第1个时间差)例如是特定极值711(可理解为第1个特定极值)与特定极值712(可理解为第2个特定极值)之间的时间差。时间差T2(可理解为第2个时间差)例如是特定极值712(可理解为第2个特定极值)与特定极值713(可理解为第3个特定极值)之间的时间差。时间差T3(可理解为第3个时间差)例如是特定极值713(可理解为第3个特定极值)与特定极值714(可理解为第4个特定极值)之间的时间差。时间差T4(可理解为第4个时间差)例如是特定极值714(可理解为第4个特定极值)与特定极值715(可理解为第5个特定极值)之间的时间差，但可不限于此。
之后，在步骤S630中，处理器104可基于所述多个时间差T1～T4估计所述多个时间差T1～T4的统计特性值(包括但不限于时间差T1～T4的平均值)。并且，处理器104可判断各时间差T1～T4是否偏离上述统计特性至达一预设门限值。在不同的实施例中，上述预设门限值可依设计者的需求而设定为任意比例值，例如5％等，但不限于此。
在步骤S640中，反应于判定所述多个时间差T1～T4中的至少一者偏离统计特性值达预设门限值，处理器104可判定心脏出现异常运动状态(例如，心律不整状态)。另一方面，反应于判定所述多个时间差T1～T4皆未偏离统计特性值达预设门限值，处理器104可判定心脏未出现异常运动状态。
在图7A中，假设处理器104判定时间差T1～T4皆未偏离统计特性值达预设门限值，则处理器104可判定心脏未出现心律不整等异常运动状态。
请参照图7B，其是依据图7A图示的另一应用情境图。在本实施例中，假设处理器104依先前教示而得到如图7B所示左心室容积变化图700a，并在其中找出对应于EDV的多个特定极值711a～715a以及对应的时间差T1’～T4’。
在图7B中，假设处理器104判定时间差T1’～T4’中的时间差T2’偏离时间差T1’～T4’的统计特性值达预设门限值，则处理器104可判定心脏出现异常运动状态(例如，心律不整状态)，但可不限于此。
在本发明的实施例中，处理器104可将心脏是否出现异常运动状态的判断结果提供予相关医疗人员，以作为诊断上的参考，但可不限于此。
此外，虽以上实施例中系以对应于EDV的左心室容积作为所考虑的特定极值，但在其他实施例中，处理器104亦可以对应于ESV的左心室容积作为所考虑的特定极值。定义上而言，每个ESV在其所属的心率周期中应是对应于最小的左心室容积。基此，若处理器104判定上述左心室容积中的第i个左心室容积小于上述左心室容积中的第i-1个心室容积及第i+1个心室容积，则处理器104可判定所述第i个心室容积应对应于ESV，进而可判定所述第i个左心室容积属于上述特定极值的其中之一。
基此，在图7B的情境中，处理器104可相应地找出对应于ESV的左心室容积值作为特定极值711b～715b，并据以估计对应的时间差T1”～T4”。
在图7B中，假设处理器104判定时间差T1”～T4”中的时间差T1”偏离时间差T1”～T4”的统计特性值达预设门限值，则处理器104可判定心脏出现异常运动状态(例如，心律不整状态)，并可作为相关医疗人员诊断的参考。
在一些实施例中，若相关医疗人员在检视对应于图7B的心脏超音波图像后判定上述心脏系经误判为出现异常运动状态(即，所述心脏实质上并未出现异常运动状态)，则相关医疗人员可将此情形回报电子装置100。在本发明的实施例中，由于上述误判情形可能是因上述机器学习模型对于左心室图像区域的识别能力不佳而导致，故处理器104可相应地重新训练上述机器学习模型，以降低日后出现误判的机率，但可不限于此。
综上所述，本发明提出的估计心室容积的方法可在取得对应于左心室超音波的左心室掩码图像后，在其中找出符合特定条件的3个像素作为对应于心尖部及两侧二尖瓣的参考点像素。之后，即可基于所述多个参考点像素估算左心室容积。藉此，本发明可在不需人为标示心尖部及两侧二尖瓣的情况下，以较佳的效率自动估算左心室容积。
另外，本发明提出的辅助评估心脏运动状态的方法可在对应于连续多个心脏超音波图像的多个左心室容积中找出对应于EDV(或ESV)的多个特定极值，并基于这些特定极值之间的时间差来判断心脏是否出现心律不整等异常运动状态。藉此，可让相关医疗人员更为简易地掌握心脏的状况，从而降低做出错误评估(例如算出错误的射血分数等)的机率。
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 (9)

1.一种辅助评估心脏运动状态的方法，适于电子装置，包括：
取得对应于心脏的连续多个心脏超音波图像，并据以估计对应于所述多个心脏超音波图像的多个左心室容积；
在所述多个左心室容积中找出多个特定极值，并据以估计所述多个特定极值之间的多个时间差；
基于所述多个时间差估计所述多个时间差的统计特性值；
反应于判定所述多个时间差中的至少一者偏离所述统计特性值达预设门限值，判定所述心脏出现异常运动状态。
2.根据权利要求1所述的方法，其中取得对应于所述心脏的所述多个心脏超音波图像，并据以估计对应于所述多个心脏超音波图像的所述多个左心室容积的步骤包括：
取得所述多个心脏超音波图像，并判断各所述心脏超音波图像是否属于心尖视图；
反应于判定各所述心脏超音波图像属于所述心尖视图，从各所述心脏超音波图像中取出对应于所述心脏的左心室的左心室屏蔽图像，并据以估计对应于所述多个心脏超音波图像的所述多个左心室容积。
3.根据权利要求2所述的方法，其中从各所述心脏超音波图像中取出对应于所述心脏的左心室的所述左心室屏蔽图像的步骤包括：
将各所述心脏超音波图像输入机器学习模型，其中所述机器学习模型因应于各所述心脏超音波图像而输出对应的所述左心室屏蔽图像。
4.根据权利要求3所述的方法，还包括：
反应于判定所述心脏经误判为出现所述异常运动状态，重新训练所述机器学习模型。
5.根据权利要求1所述的方法，其中在所述多个左心室容积中找出所述多个特定极值的步骤包括：
反应于判定所述多个左心室容积中的第i个左心室容积大于所述多个左心室容积中的第i-1个心室容积及第i+1个心室容积，判定所述第i个心室容积属于所述多个特定极值的其中之一，其中i为整数。
6.根据权利要求1所述的方法，其中在所述多个左心室容积中找出多个特定极值的步骤包括：
反应于判定所述多个左心室容积中的第i个左心室容积小于所述多个左心室容积中的第i-1个心室容积及第i+1个心室容积，判定所述第i个心室容积属于所述多个特定极值的其中之一。
7.根据权利要求1所述的方法，其中所述多个特定极值包括第1个特定极值至第K个特定极值，所述多个时间差包括第1个时间差至第K-1个时间差，其中所述多个时间差中的第j个时间差为所述多个特定极值中的第j+1个特定极值与第j个特定极值之间的时间差，1≤j≤K-1，其中K为整数。
8.根据权利要求1所述的方法，其中所述统计特性值为所述多个时间差的平均值。
9.根据权利要求1所述的方法，其中所述异常运动状态包括心律不整状态。
CN202110343579.1A 2021-03-30 2021-03-30 辅助评估心脏运动状态的方法 Pending CN115147331A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110343579.1A CN115147331A (zh) 2021-03-30 2021-03-30 辅助评估心脏运动状态的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110343579.1A CN115147331A (zh) 2021-03-30 2021-03-30 辅助评估心脏运动状态的方法

Publications (1)

Publication Number Publication Date
CN115147331A true CN115147331A (zh) 2022-10-04

Family

ID=83404105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110343579.1A Pending CN115147331A (zh) 2021-03-30 2021-03-30 辅助评估心脏运动状态的方法

Country Status (1)

Country Link
CN (1) CN115147331A (zh)

Similar Documents

Publication Publication Date Title
CN108701354B (zh) 识别超声图像中感兴趣区域轮廓的方法及系统
US8343053B2 (en) Detection of structure in ultrasound M-mode imaging
JP7123891B2 (ja) 超音波心臓ドップラー検査の自動化
EP3834736A1 (en) Method for determining cardiac cycles and ultrasonic device
US20210000449A1 (en) Automated cardiac function assessment by echocardiography
CN103260526B (zh) 具有峰值强度检测功能的超声成像系统和方法
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
CN109620293B (zh) 一种图像识别方法、装置以及存储介质
KR20200115488A (ko) 심장 벽의 운동을 기록하기 위한 이미지 분석
EP3724892B1 (en) Diagnostic modelling method and apparatus
CN110956636A (zh) 一种图像处理方法及装置
US11263494B2 (en) Classification device, classification method, program, and information recording medium
CN115147331A (zh) 辅助评估心脏运动状态的方法
EP4059441A1 (en) Method for evaluating movement state of heart
US11844655B2 (en) Method for estimating ventricular volume
CN115148339A (zh) 估计心室容积的方法
CN115243619A (zh) 使用神经网络评估心脏参数
US11610312B2 (en) Image processing apparatus for evaluating cardiac images and ventricular status identification method
WO2023184951A1 (zh) 一种超声图像处理方法及系统
Stojmenski et al. Leveraging Deep Learning Models for Accurate and Reproducible Cardiac Measurements in Echocardiography
CN115105032A (zh) 用于评估心脏图像的图像处理装置及心室状态识别方法
CN111374710A (zh) 心脏状态评估方法与系统、电子装置及超声波扫描装置
CN116407152A (zh) 超声扫查方法及超声设备
CN114463277A (zh) 胎儿心脏超声视频中合格四腔心切面图像自动获取方法
CN116051538A (zh) 基于Transformer超声心动图左心室分割方法

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