CN115587971B - 基于心脏超声节段活动的机体反应及血流动力学监测方法及系统 - Google Patents
基于心脏超声节段活动的机体反应及血流动力学监测方法及系统 Download PDFInfo
- Publication number
- CN115587971B CN115587971B CN202211148110.3A CN202211148110A CN115587971B CN 115587971 B CN115587971 B CN 115587971B CN 202211148110 A CN202211148110 A CN 202211148110A CN 115587971 B CN115587971 B CN 115587971B
- Authority
- CN
- China
- Prior art keywords
- heart
- segment
- chamber
- section
- ultrasonic
- 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
- 210000002216 heart Anatomy 0.000 title claims abstract description 471
- 238000012544 monitoring process Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000000694 effects Effects 0.000 title claims abstract description 57
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 56
- 230000000004 hemodynamic effect Effects 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000033001 locomotion Effects 0.000 claims abstract description 20
- 238000002604 ultrasonography Methods 0.000 claims description 101
- 230000000747 cardiac effect Effects 0.000 claims description 78
- 230000008859 change Effects 0.000 claims description 73
- 210000005242 cardiac chamber Anatomy 0.000 claims description 55
- 230000004044 response Effects 0.000 claims description 49
- 238000003709 image segmentation Methods 0.000 claims description 39
- 230000002107 myocardial effect Effects 0.000 claims description 35
- 230000002861 ventricular Effects 0.000 claims description 35
- 238000013145 classification model Methods 0.000 claims description 29
- 210000005240 left ventricle Anatomy 0.000 claims description 24
- 230000005484 gravity Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 19
- 210000004115 mitral valve Anatomy 0.000 claims description 18
- 210000005241 right ventricle Anatomy 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 12
- 210000003540 papillary muscle Anatomy 0.000 claims description 11
- 238000005192 partition Methods 0.000 claims description 11
- 239000000523 sample Substances 0.000 claims description 11
- 230000017531 blood circulation Effects 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 10
- 238000000638 solvent extraction Methods 0.000 claims description 9
- 230000008719 thickening Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 210000004351 coronary vessel Anatomy 0.000 claims description 7
- 210000001562 sternum Anatomy 0.000 claims description 7
- 206010021143 Hypoxia Diseases 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 6
- 230000001447 compensatory effect Effects 0.000 claims description 5
- 230000001146 hypoxic effect Effects 0.000 claims description 5
- 230000002757 inflammatory effect Effects 0.000 claims description 5
- 208000028867 ischemia Diseases 0.000 claims description 5
- 210000000779 thoracic wall Anatomy 0.000 claims description 5
- 210000000988 bone and bone Anatomy 0.000 claims description 4
- 210000000038 chest Anatomy 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 210000004165 myocardium Anatomy 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 230000036541 health Effects 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 238000011282 treatment Methods 0.000 description 36
- 206010061218 Inflammation Diseases 0.000 description 20
- 230000004054 inflammatory process Effects 0.000 description 20
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 16
- 230000036772 blood pressure Effects 0.000 description 14
- 208000001953 Hypotension Diseases 0.000 description 12
- 208000029078 coronary artery disease Diseases 0.000 description 12
- 230000010412 perfusion Effects 0.000 description 12
- 230000036543 hypotension Effects 0.000 description 11
- 238000005259 measurement Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 230000002924 anti-infective effect Effects 0.000 description 8
- 238000001816 cooling Methods 0.000 description 8
- 235000014655 lactic acid Nutrition 0.000 description 8
- 239000004310 lactic acid Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 208000035475 disorder Diseases 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 230000004087 circulation Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 239000002550 vasoactive agent Substances 0.000 description 5
- 102000001554 Hemoglobins Human genes 0.000 description 4
- 108010054147 Hemoglobins Proteins 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 238000006757 chemical reactions by type Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 238000002592 echocardiography Methods 0.000 description 4
- 238000011426 transformation method Methods 0.000 description 4
- 235000002566 Capsicum Nutrition 0.000 description 3
- 239000006002 Pepper Substances 0.000 description 3
- 241000722363 Piper Species 0.000 description 3
- 235000016761 Piper aduncum Nutrition 0.000 description 3
- 235000017804 Piper guineense Nutrition 0.000 description 3
- 235000008184 Piper nigrum Nutrition 0.000 description 3
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 230000030279 gene silencing Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 206010027951 Mood swings Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000002074 deregulated effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 206010001497 Agitation Diseases 0.000 description 1
- 206010002388 Angina unstable Diseases 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 206010039897 Sedation Diseases 0.000 description 1
- 206010040047 Sepsis Diseases 0.000 description 1
- 208000007814 Unstable Angina Diseases 0.000 description 1
- 238000009098 adjuvant therapy Methods 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 230000036592 analgesia Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000003177 cardiotonic effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 210000001174 endocardium Anatomy 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002618 extracorporeal membrane oxygenation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 201000004332 intermediate coronary syndrome Diseases 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000008376 long-term health Effects 0.000 description 1
- 208000012866 low blood pressure Diseases 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036407 pain Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000036280 sedation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 238000011269 treatment regimen 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
-
- 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
- A61B8/52—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
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Computer Graphics (AREA)
- Cardiology (AREA)
- Geometry (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于心脏超声节段活动的机体反应及血流动力学监测方法及系统，涉及医学图像处理技术领域。本发明基于人工智能的深度学习模型对心脏超声图像进行自动识别和参数计算，根据各节段位置及射血分数进行动力分型，然后根据各节段位置及射血分数对机体反应进行分型，根据心率（HR）进行分型，同时根据各切面超声图中心腔形态进行分型，最终根据上述分型结果，对心脏节段活动的机体反应及血流动力学进行监测分析，并给出相关建议，以便进行健康监测、辅助医疗监测，填补目前心脏节段活动的机体反应及血流动力学监测的空白。
Description
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心脏超声节段活动的机体反应及血流动力学监测方法及系统。
背景技术
超声心动图能够直观显示和定量测量心脏解剖结构、功能及血流动力学方面的重要信息，从而反映心脏生理或病理状态下的构型特征，是心脏病诊断的主要医学影像手段。
准确的参数测量是超声心动图诊断的重要环节，传统方式在此过程需要医师多次手动选择相关切面及描记感兴趣区域，效率低、精度和可重复性差，无法完全满足实际应用的需求。
于2019年5月1日发表的，名称为“基于深度学习的超声心动图自动分类与参数测量研究”的硕士论文，作者蒋建慧。该论文开展了超声心动图心脏参数自动测量方法的研究。
由于左心室射血分数是评价心脏收缩功能的重要指标之一，其对于临床心力衰竭的诊断、药物与手术疗效的观察、病情及预后的判断都有重要意义，因此该论文选择左心室射血分数为代表，研究心脏参数的自动测量方法。研究内容共分为以下三个步骤。
首先，针对标准超声切面视频数据，研究了基于卷积神经网络的自动分类方法。该方法先将超声视频解析成静态图像，分别利用InceptionV3和ResNet50网络对八个超声静态切面进行分类，选取分类准确率更好的ResNet50作为分类用的标准网络。
然后，利用超声视频数据帧间相关性，构造ResNet50+LSTM模型，提取二维图像序列的时序特征，实现超声切面视频数据的分类。测试结果显示，八个超声切面视频数据的平均准确率为0.9790，相对于超声静态图像ResNet50分类网络，准确率增加了5.82%，可满足临床切面分类精度的要求。
在有效切面分类的基础上，提出基于全卷积神经网络的心尖四腔和心尖二腔视频左心室分割方法。该论文选择VGG19FCN和U-Net网络，先用标记后的超声静态图像数据集对两个网络分别进行训练，依次得到分割基础模型VGG19FCN/A和U-Net/A；进一步提出半监督学习方法，通过标注超声视频第一帧图像，微调基础模型权重得到半自动的VGG19FCN/B和U-Net/B模型。应用上述模型对左心室分割效果进行了验证，基础模型的两种方案VGG19FCN/A和U-Net/A均可实现全自动左心室分割，达到临床应用的基本要求；半自动模型的两种方案VGG19FCN/B和U-Net/B需一定手动交互，分割准确率较前者有显著提高，在心内膜缺失情况下依然分割效果好。两种网络的对比结果显示，U-Net整体准确率略低于VGG19FCN，但其参数约为VGG19FCN的1/359，处理时间约为VGG19FCN的1/12.7，且左心室边缘分割结果更光滑。
最后，对切面分割得到的左心室轮廓进行处理，并通过Simpson法计算出左心室射血分数。结果显示，和手动描记方法相比，基于VGG19FCN和U-Net方法计算的左心室射血分数的误差分别为6.29%和6.59%。
综上所述，该论文由超声视频图像序列输入开始，通过标准切面的自动分类、左心室自动分割以及参数自动计算，实现了左心室射血分数参数全自动测量，测量效率和测量准确性优于传统手动的方式，具有较高的临床应用价值。
上述已经存在基于超声心动图进行自动分类、自动识别和参数计算的技术方案，但是并不存在对于心脏节段活动的机体反应及血流循环动力学监测，亟需一种可自动监测并识别心脏节段活动的机体反应及血流循环动力学监测方法及系统，以便进行健康监测、医疗监测等，以持续监测机体反应和血流循环动力学变化情况，结合临床参数提出建议。
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心脏超声节段活动的机体反应及血流动力学的监测方法及系统，本发明的发明目的在于提供一种可自动检测并识别心脏节段活动的机体反应及血流动力学的监测方法和系统，以便进行健康监测、医疗监测等，以持续监测用户机体反应及血流动力变化情况，给出临床建议以供参考。本发明基于人工智能的深度学习模型对心脏超声图像进行自动识别和参数计算，根据各节段位置及射血分数进行动力分型，然后根据各节段位置及射血分数对机体反应进行分型，根据心率（HR）进行分型，同时根据各切面超声图中心腔形态进行分型，最终根据上述分型结果，对心脏节段活动的机体反应及血流动力学进行监测分析，并给出相关建议，以便进行健康监测、辅助医疗监测，填补目前心脏节段活动的机体反应及血流动力学监测的空白。
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心脏超声节段活动的机体反应及血流动力学监测方法，该方法包括以下步骤：
S1、实时获取被测者心脏多个不同切面超声影像，且连续采集多个心动周期的超声影像，并对获取到的不同切面超声影像进行分类存储；
S2、对采集到的心脏的不同切面超声影像，分别逐帧处理为超声图像，并对所有超声图像进行图像降噪和数据增强处理；
S3、利用预先训练的心脏各切面超声合格图像分类模型将S2步骤处理后的所有超声图像根据心脏不同切面超声图像标准度筛选出对应切面的合格超声图像；
S4、利用预先训练的心脏各切面超声图像分割模型对S3步骤中筛选出的合格超声图像进行图像分割，分割出各切面合格超声图像中的感兴趣区域，并对不同感兴趣区域进行标注；在各切面合格超声图像中标注出心腔和室壁；
S5、从S4步骤中在各切面超声图像中标注出的心腔和室壁的感兴趣区域中，标注出对应切面超声图像中心腔和室壁区域的重心，以该重心为原点建立坐标系，将对应切面超声图像中心腔和室壁区域中的节段进行分区定位；所述分区定位是指，从确定的重心点向各节段的两端进行连线，节段的外轮廓及重心点到该节段两端的连线所围成的区域即为该节段在建立的坐标系中定位的区域；
S6、利用S5步骤中对心脏各个节段的分区定位，计算各个节段的射血分数（EF）值和各个节段的厚度变化率；然后将射血分数（EF）值与预设的正常值范围进行对比，根据各个节段的对比结果对左心室和右心室进行动力分型；
S7、从S4步骤中在各切面超声图像中标注处的心腔和室壁的感兴趣区域中，计算所有切面一个心动周期内心腔面积的变化率、心腔形态学变化以及室壁不同心动周期厚度变化率；
S8、根据S4步骤中标注出的各切面超声图中的心腔和室壁区域，重建心脏四维模型，并将S5、S6和S7步骤中的参数在心脏四维模型中进行显示，根据重建的心脏四维模型计算每搏输出量（SV）；
S9、根据S8计算得到的每搏输出量（SV）对被测者的心搏输出进行分型，同时采集被测者的心率，通过心率和S8步骤中计算得到的每搏输出量（SV）计算得到被测者心输出量（CO），根据计算得到的心输出量辅助对被测者的心搏输出进行分型；
S10、利用预先训练好的心腔形态图像分类模型，对S4步骤中得到的标注有心腔和室壁的各个切面超声图像进行心腔形态分类，得到被测者的心腔形态分类结果；
S11、根据S6步骤的动力分型结果，S9步骤的心搏输出分型结果以及对应节段的射血分数值，对被测者的机体反应进行分型。
进一步的，还包括S12步骤，S12、结合S6步骤得到的动力分型结果、S9步骤的心搏输出分型结果、S10步骤中的心腔形态分类结果和S11步骤的机体反应分析结果，对被测者心脏节段活动的机体反应及血流动力学进行分析并给出相应参考建议。
进一步的，S6步骤中，计算各个节段的射血分数值，具体是指，先通过S5步骤中对心脏各个节段在建立的坐标系中定位的区域，计算得到面积变化（FAC）值，然后根据面积变化值与射血分数值的对应关系，对应得到该节段的射血分数（EF）值。
更进一步的，所述面积变化（FAC）值是根据一个心动周期内，该节段在建立的坐标系中定位的区域的最大面积值和最小面积值计算得到的，具体计算公式为FAC=(最大面积值-最小面积值)/最大面积值。
S6步骤中，射血分数（EF）值的正常值范围为50%-70%。
所述S6步骤中，根据各个节段的对比结果对左心室和右心室进行动力分型，具体是指，若射血分数（EF）值在预设的正常值范围内，则判定为正常动力型；若射血分数（EF）值低于预设的正常值范围，则判定为低动力型；若射血分数（EF）值高于预设的正常值范围，则判定为高动力型。
S6步骤中，若被测者的左心室的各个节段的射血分数（EF）值被判断为低动力型，则根据左心室的各个节段的射血分数（EF）值、节段的厚度变化率大小以及节段的分区定位细分为冠脉相关型和非冠脉相关型，其中非冠脉相关型进一步细分为应激型、反应激型、弥漫抑制型和特殊节段型；
若被测者的右心室各个节段的射血分数（EF）值被判断为低动力型，则根据右心室的各个节段的射血分数（EF）值、节段的厚度变化率大小以及节段的分区定位细分为冠脉相关型和应激型。
所述冠脉相关型和非冠脉相关型是根据发生障碍的节段与冠脉的关系确定的，若发生障碍的节段与冠脉相关，则为冠脉相关型，若发生障碍的节段与冠脉无关，即为非冠脉相关型。
若节段增厚率减少，运动幅度小于5mm，射血分数值减少，即表示该节段发生障碍，其中节段增厚率减少是指该节段收缩期室壁增厚率小于25%。
对非冠脉相关型的进一步细分分型，是根据各个节段的射血分数值及舒张末期左心室形态进行分型的，其中，弥漫抑制型的分型标准为射血分数值减低，舒张末期左心室面积增大，且左心室舒张末期形态正常；应激型、反应激型和特殊节段的分型标准为射血分数值减低，舒张末期左心室形态分别为应激形态、反应激形态和特殊形态。
上述舒张末期左心室形态分型是利用预先训练好的左心室舒张末期形态分类模型进行分类的，将被测者舒张末期左心室形态分类为应激形态、反应激形态、特殊形态和正常形态。
所述S8步骤中，每搏输出量（SV）是通过收缩末期的体积和舒张末期的体积的差值计算得到的。
S9步骤中，心输出量（CO）=每搏输出量（SV）*心率（HR）。
根据每搏输出量将被测者的心搏输出进行分型，具体是指，若被测者的每搏输出量在预设的正常每搏输出量范围内，则被判定为正常心搏输出型；若被测者的每搏输出量低于预设的正常每搏输出量范围，则被判定为低心搏输出型；若被测者的每搏输出量高于预设的正常每搏输出量范围，则被判定为高心搏输出型。
预设的正常每搏输出量范围是60ml-90ml，正常心输出量范围是4L/min-6L/min。
S11步骤，具体为：若被测者的动力分型为冠脉相关型且与冠脉相关的节段的射血分数值低于射血分数值的正常值范围，且每搏输出量低于正常每搏输出量范围，则被测者的机体反应被认定为缺血优势型；
若被测者的动力分型为非冠脉相关型且与冠脉不相关的节段的射血分数值低于射血分数值的正常值范围，且每搏输出量低于正常每搏输出量范围，则被测者的机体反应被认定为失调应激型；
若被测者的动力分型为高动力型，即对应的心脏节段的射血分数值高于射血分数值的正常值范围；且每搏输出量高于正常每搏输出量范围，则被测者的机体反应被认定为非失调应激型或代偿型。
进一步的，若被测者的动力分型为弥漫抑制型，且每搏输出量低于正常每搏输出量范围，则被测者的机体反应被认定为炎症或缺氧型。
S10步骤中，利用预先训练好的心腔形态图像分类模型，对S4步骤中得到的标注有心腔和室壁的各个切面超声图像进行心腔形态分类，分类结果为正常形态、增大形态、缩小形态和异常形态中的一种。
进一步的，S1步骤中，多个切面超声影像包括剑突下四腔心切面超声影像、胸骨旁长轴切面超声影像、胸骨旁短轴二尖瓣水平切面超声影像、胸骨旁短轴乳头肌水平切面超声影像、胸骨旁短轴心尖水平切面超声影像、心尖四腔心切面超声影像、心尖三腔心切面超声影像和心尖二腔心切面超声影像。
在S8步骤中，根据S4步骤中标注出的各切面超声图中的心腔和室壁区域，计算各个切面超声影像中室壁的心肌密度变化，并根据计算得到的心肌密度变化，进行心脏四维模型重建。
所述心肌密度变化是通过下述方式计算得到的：
S4步骤中的心脏各个切面超声图像分割模型输出各个切面超声图像中的心腔区域，以膨胀腐蚀方式扩张心腔边缘，扩张后和扩张前的差异部分为待检测的心肌；
以心肌部分的重心为原点建立直角坐标系，利用该建立的直角坐标系将心肌部分划分成若干心肌感兴趣区；
计算每一帧超声图像中心肌感兴趣区像素值的平均值，将若干心动周期内得到的多帧超声图像中心肌感兴趣区像素值的平均值以时间顺序形成一条波动的曲线，该曲线即为心肌密度变化曲线。
所述S8步骤中，根据S4步骤中标注出的各切面超声图中的心腔和室壁区域，重建心脏四维模型的具体步骤如下所示：
在标准的心脏模型上分别根据被测者胸骨旁长轴切面超声图像、胸骨旁短轴二尖瓣切面超声图像、胸骨旁短轴乳头肌切面超声图像、胸骨旁短轴心尖切面超声图像、剑突下四腔心切面超声图像、心尖四腔心切面超声图像、心尖三腔心切面超声图像和心尖二腔心切面超声图像中反映的心脏室壁收缩末期和舒张末期的厚度和密度，心腔收缩末期和舒张末期的最小距离和最大距离，各个节段的射血分数，以及舒张末期的心腔形态；对心脏进行三维重建，得到静态的心脏三维模型；
依据上述各个切面超声图像随时间变化的数据以及心肌密度变化曲线反映心脏运动情况，拟合心脏模型上每个点的运动轨迹，加上时间参数，重建出四维心脏动态模型；并在重建的四维心脏动态模型中动态展示心脏室壁的厚度、心腔的体积、心肌密度和心脏形态随时间变化而产生的变化情况。
更进一步的，在S4步骤中，利用预先训练的心脏各切面超声图像分割模型在各切面超声图像中标注出心腔和室壁，具体是指：
对胸骨旁长轴切面超声图像，标注出胸壁旁长轴心腔和胸骨旁长轴室壁；
对胸骨旁短轴二尖瓣切面超声图像，标注出二尖瓣短轴室壁和二尖瓣短轴心腔；
对胸骨旁短轴乳头肌切面超声图像，标注出乳头肌短轴室壁和乳头肌短轴心腔；
对胸骨旁短轴心尖切面超声图像，标注出心尖短轴室壁和心尖短轴心腔；
对心尖四腔心切面超声图像，标注出心尖四腔心的心腔和心尖四腔心的室壁；
对心尖三腔心切面超声图像，标注出心尖三腔心的心腔和心尖三腔心的室壁；
对心尖二腔心切面超声图像，标注出心尖二腔心的心腔和心尖二腔心的室壁。
所述图像分类模型是基于LeNet-5模型训练得到的。
所述图像分割模块是基于U-net网络训练得到的。
本发明第二方面提供了一种基于心脏超声节段活动的机体反应及血流动力学监测系统，该系统包括：
心脏超声探头，用于连续实时获取被测者心脏多个心动周期内的多个不同切面超声影像，并对获取到的不同切面超声影像进行分类存储；
图像预处理模块，用于对采集到的心脏的多个心动周期内的不同切面超声影像，分别逐帧处理成超声图像，并对所有超声图像进行图像降噪和数据增强处理；
合格图像分类模块，合格图像分类模块中预设有预先训练好的心脏各个切面超声图像分类模型，合格图像分类模块利用预先训练好的心脏各个切面超声图像分类模型对图像预处理模块处理后的所有超声图像根据心脏不同切面超声图像标准度筛选出对应切面的合格超声图像；
超声图像分割模块，超声图像分割模块中预设有预先训练好的心脏各个切面超声图像分割模型，超声图像分割模块利用预先训练好的超声图像分割模型，对合格图像分类模块输出的合格超声图像进行图像分割处理，分割出各个切面合格超声图像中的感兴趣区域，并对不同感兴趣区域进行标注；在各个切面合格超声图像中标注出心腔和室壁；
节段定位分区模块，用于在超声图像分割模块输出的标注出心腔和室壁的感兴趣区域，标注出对应切面超声图中心腔和室壁区的中心，以该中心为原点建立坐标系，将对应切面超声图像中心腔和室壁区域的节段进行分区定位；所述分区定位是指，从确定的重心点向各个节段的两端进行连线，节段的外轮廓及重心点到该节段两端的连线所围成的区域即为该节段在建立的坐标系中定位的区域；
指标计算模块，用于根据节段定位分区模块对心脏各个节段的分区定位，计算各个节段的射血分数值和各个节段的厚度变化率；用于根据超声图像分割模块标注的心腔和室壁的感兴趣区域，计算各个切面超声图像在一个心动周期内心腔面积的变化率、心腔形态学变化以及室壁不同心动周期的厚度变化率；
心脏四维模型重建模块，用于根据超声图像分割模块分割得到的各个切面各个超声图像中的心腔和室壁的感兴趣区域，重建心脏四维模型，并将指标计算模块中的各个参数值在心脏四维模型中进行显示，再根据重建的心脏四维模型计算每搏输出量；
动力分型模块，用于根据指标计算模块中计算得到的各个节段的射血分数和各个节段的厚度变化率，将射血分数值与预设的正常值范围进行对比，根据各个节段的对比结果对左心室和右心室进行动力分型；
心搏输出分型模块，用于根据心脏四维重建模块计算得到的每搏输出量计算得到被测者每搏输出量，对被测者的心搏输出进行分型；
心腔形态分类模块，心腔形态分类模块中预设有预先训练好的各个切面的心腔形态图像分类模型，心腔形态分类模块利用其预设的心腔形态图像分类模型，对超声图像分割模块分割结果中标注的心腔和室壁的区域，进行心腔形态分类；
机体反应分型模块，用于根据动力分型模块的分型结果、对应节段的射血分数值与射血分数正常范围值的对比结果以及每搏输出量与正常每搏输出量范围的对比结果，对被测者的机体反应进行分型。
进一步的，该系统还包括建议输出模块，所述建议输出模块根据动力分型模块、心搏输出分型模块、心腔形态分类模块和机体反应分型模块的输出结果，给出相应的提示。
进一步的，该系统还包括与血压监测系统、炎症监测系统、循环灌注监测系统、冠心病救治系统、冷静治疗系统、容量管理系统、血管活性药物使用系统、抗感染治疗系统和机械辅助治疗系统相连并建立联动关系的数据接口。
若动力分型模块的分型结果为高动力型或低动力型，则联动冠心病救治系统、炎症监测系统和冷静系统；
若心搏输出分型模块的分析结果为低心搏输出型，则联动冷静系统、循环灌注监测系统和机械辅助治疗系统；
若心腔形态分类模块的分类结果为增大型、缩小型或异常型，则联动容量管理系统或联动血管活性药物使用系统。
具体的，建议输出模块给出的建议，若心腔形态分类模块输出的分类结果为心腔缩小形态，动力分型模块输出的分型结果为高动力型，心搏输出分型模块输出的结果为心搏输出正常或低心搏输出，则建议输出模块给出低血压提示，并给出建议评估容量状态和血红蛋白；
若心腔形态为异常形态，心脏低动力且冠脉相关节段，心搏输出为低心搏输出，则建议输出模块给出低血压提示，并采集冠心病监测系统中循环灌注监测体统中的乳酸值，若为高乳酸，则建议启动冠心病救治系统；
若心腔形态为异常形态，心脏低动力且非冠脉相关节段，心搏输出为低心搏输出，则连接血压监测系统和炎症监测系统，若血压监测系统提示低血压，炎症监测系统提示高炎症，则建议输出模块建议冷静系统治疗及抗感染治疗系统联动；
若心腔形态为增大型，心脏低动力且非冠脉相关节段，联动血压监测系统、炎症监测系统和循环灌注监测系统，若血压监测系统提示低血压，炎症监测系统提示高炎症，循环灌注监测系统提示高乳酸，则建议输出模块建议冷静系统治疗、抗感染治疗系统、机械辅助治疗系统联动。
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、本发明基于人工智能的深度学习模型对心脏超声图像进行自动识别和参数计算，其中本发明利用图像分割模型分割出的心腔和室壁感兴趣区域的重心，建立坐标系，从而定位到心脏各个节段的位置以及各个节段对应的区域，通过该分区定位步骤，可以准确定位到各个节段的位置，也可以准确的从各个切面的超声图像中得到各个节段的运动状态，以对心脏各个节段进行图像分析，以便基于心脏各个节段的运动状态进行左心室和右心室的动力分型；本发明可实现对被测者的心脏动力类型监测、心搏输出变化监测、心腔形态变化监测以及机体反应监测，通过心脏动力、心腔形态、心搏输出完成对心脏节段活动的血流动力学监测，同时，通过心脏动力和心搏输出完成对机体反应监测及分析。有利于分析可能存在的病因，从而为治疗方案的确定提供数据支撑。本发明可以进行健康监测、辅助医疗监测等。
2、本发明可在机体处于运动、情绪波动、孕期、极端气候或极限运动的情况下，监测机体对于不同场景下的循环动力学变化及机体反应，本发明区分冠脉相关节段和非冠脉相关节段，有利于对机体的健康监测。
3、本发明的机体反应及血流动力学监测系统可用于医疗监测、辅助医学诊疗，可持续监测循环动力学变化及补充参数情况，结合临床参数提出建议。其中，关于中枢应激评价，包括但不限于镇静镇痛药物管理建议。关于循环动力学评价，包括但不限于血管活性药物使用、机械辅助治疗等，如强心药物选择、IABP（主动脉球囊反搏）/ECMO（体外膜肺）等治疗建议。还可进行专科治疗协同整合建议，如存在明显冠脉节段表型，提出心脏专科协同整治建议；普遍增强表型，同时接入其他临床评估参数，如体温、感染指标。血糖、肝肾功能、血红蛋白，提出感染专科协助诊治建议、内分泌专科血糖管控建议、消化内科、肾内科等多学科整治管理建议等。
4、本发明还可以用于长期健康随访，基础存在高血压、冠心病、风湿免疫、肿瘤等易出现循环泵功能改变的恶性事件个体的循环动力学监测，提出及早就医意见。
5、本发明可对机体心脏情况进行实时监测，实时、直观地反应心脏情况，可在模型中进行异常预警。
6、本发明可避免对操作者的依赖性，对于广大人群的推广、特殊患者的识别、基层推广、危重患者的应用的即时性高，同时可以通过网络传输系统，预警后上传至医院网络，使医院专业医师提供专业的就医、诊疗建议。
7、本发明中，心脏模型的四维重建是指建立心脏的三维模型并展示心脏模型和各项指标随时间的动态变化。不同的切面提供不同参数辅助模型建立，模型主要展示心脏的动态变化，动态展示的内容包括：根据人工智能识别到的不同平面心脏室壁不同心动周期厚度变化率，在标准的心脏模型上动态展示室壁的厚度随着时间的变化；根据人工智能识别不同平面的心腔的面积变化率及心腔形态学变化，在标准的心脏模型上动态展示心腔的体积随着时间的变化；在三维模型上清晰展示心脏室壁厚度动态变化、心肌的密度变化、形态动态变化及动态的动力值等，可更加直观地观测到心脏变化及相关参数变化。
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为本发明循环动力学监测方法的方法流程图；
图2为本发明循环动力学监测系统的系统结构框图；
图3为本发明循环动力学监测方法对心脏节段活动的运动变型分型树状图；
图4为心脏17个节段的分布定位结构示意图；
图5为标准的剑突下四腔心切面超声图像；
图6为标准的胸骨旁长轴切面超声图像；
图7为标准的胸骨旁长轴二尖瓣水平切面超声图像；
图8为标准的胸骨旁短轴乳头肌水平切面超声图像；
图9为标准的胸骨旁短轴心尖水平切面超声图像；
图10为标准的心尖四腔心切面超声图像；
图11为标准的心尖三腔心切面超声图像；
图12为标准的心尖二腔心切面超声图像；
图13为胸骨旁长轴切面超声图像中标注心腔的标注图像；
图14为胸骨旁长轴切面超声图像中标注室壁的标注图像；
图15为二尖瓣短轴室壁及心腔标注结果图像；
图16为心尖短轴室壁及心腔标注结果图像；
图17为心尖四腔心切面超声图像中心腔标注结果图像；
图18为心尖四腔心切面超声图像中室壁标注结果图像；
图19为心尖三腔心切面超声图像中心腔标注结果图像；
图20为心尖三腔心切面超声图像中室壁标注结果图像；
图21为心尖二腔心切面超声图像中心腔标注结果图像；
图22为心尖二腔心切面超声图像中室壁标注结果图像。
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。
现有技术中公开的“基于深度学习的超声心动图自动分类与参数测量研究”一文中，由超声视频图像序列输入开始，通过标准切面的自动分类、左心室自动分割以及参数自动计算，实现了左心室射血分数参数全自动测量，测量效率和测量准确性优于传动手动方式，具有较高的临床应用价值。
其中，对于左心室射血分数的计算是通过Simpson法计算的，且该文仅仅涉及到对左心室射血分数的计算。本申请在该论文研究的基础上进一步提出了一种基于超声的心脏节段活动的循环动力学监测方法，本申请的心脏节段活动的循环动力学监测方法基于上述现有技术中的图像分类和切面分割的研究成果，提出对心脏节段活动的循环动力学的动态监测方法。
实施例1
作为本发明一种较佳实施例，参照说明书附图1和附图4所示，本申请提出的基于心脏超声节段活动的机体反应及血流动力学监测方法包括以下步骤：
S1、实时获取被测者心脏多个不同切面超声影像，且连续采集多个心动周期的超声影像，并对获取到的不同切面超声影像进行分类存储。
作为一个示例，利用四维心脏超声探头可以同时获取到被测者心脏的四维彩超影像，同时可以在四维彩超影像中截取出多个不同切面超声影像并对截取出的不同切面超声影像进行分类存储。
作为又一个示例，当被测者是在医院时，可以利用心脏超声探头，分别采集心脏多个不同切面超声影像，且每个切面的超声影像连续采集多个心动周期，例如采集3个心动周期的超声影像，之后再更换到另外一个切面，采集该切面的超声影像，且连续采集3个心动周期，如此往复，直至采集到本申请要求的切面数量和种类，且对采集到的不同切面超声影像进行分类存储。
作为一种应用，可以将四维心脏超声探头集成在穿戴设备上，用户穿戴上带有四维心脏超声探头的穿戴设备之后，实时地采集用户的心脏超声影像；此类应用可在用户处于运动、情绪波动、孕期、极端气候或极限运动的情况下，监测用户对于不同场景下的循环动力学变化，有利于对用户的健康监测。
作为本实施例的一种实施方式，利用四维心脏超声探头或普通心脏超声探头采集心脏超声影像时，多个切面超声影像包括剑突下四腔心切面超声影像、胸骨旁长轴切面超声影像、胸骨旁短轴二尖瓣水平切面超声影像、胸骨旁短轴乳头肌水平切面超声影像、胸骨旁短轴心尖水平切面超声影像、心尖四腔心切面超声影像、心尖三腔心切面超声影像和心尖二腔心切面超声影像。
S2、对采集到的心脏的不同切面超声影像，分别逐帧处理为超声图像，并对所有超声图像进行图像降噪和数据增强处理。
上述S2步骤中的图像降噪是图像预处理中一项被广泛应用的技术，作用是提高图像的信噪比，突出图像的期望特征，有效抑制噪声的同时，保留对后期分析诊断有用的图像细节。对超声图像进行去燥处理，是医学超声图像处理的重要一环，对一般图像处理理论也有重要意义，具体的图像降噪方式是根据所处理的图像的噪声类型进行对应处理的。
作为一个示例，通常图像噪声类型包括：散斑噪声、加性高斯噪声、脉冲噪声（椒盐噪声）。
散斑噪声是超声医学影像特有的，一般可看作是一种乘性噪声。对于散斑噪声，采用中值-各向异性扩散算法，利用多方向中值提升边缘保持能力，利用归一化局部方差和梯度来改进扩散系数增强扩散模型的局部自适应能力，达到抑制噪声，保持边缘的效果。
椒盐噪声是由于环境中的干扰（如电磁干扰），传感器（ADC）内部时序错误等，图像中出现离散分布的纯白色或者黑色像素点。对于椒盐噪声，使用中值滤波算法进行抑制，用一个窗口（如3*3）在原图中滑动，并把窗口中的像素值排序，取中间值为窗口中心像素的新的灰度值，就可以去掉原图中的椒盐噪声。
加性高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声，通常是因为不良照明和高温引起的传感器噪声。对于高斯噪声，使用高斯滤波器，达到抑制噪声，平滑图像的效果。
上述S2步骤中的数据增强可以很好的提升模型的性能，其主要表现在于：
1、提升模型鲁棒性，降低模型对图像的敏感度。当训练数据都属于比较理想的状态，碰到一些特殊情况，如遮挡，亮度，模糊等情况容易识别错误，对训练数据加上噪声，掩码等方法可提升模型鲁棒性；
2、增加训练数据，提高模型泛化能力；
3、避免样本不均衡。在医疗疾病识别方面，容易出现正负样本极度不平衡的情况，通过对少样本进行一些数据增强方法，降低样本不均衡比例。
作为一个示例，比较常用的数据增强方法有几何变换方法和像素变换方法。几何变换方法主要有：翻转，缩放，平移，抖动，旋转，裁剪等。比较常用的像素变换方法有：加高斯噪声，进行高斯模糊，调整HSV对比度，调节亮度等。
在本实施例中，所述数据增强包括旋转和缩放、高斯加噪、高斯模糊、亮度和对比度处理以及低分辨率仿真。
所述旋转和缩放是指，遍历所有原始超声图像，同时随机进行旋转和缩放处理，设定为从U(-15,15)随机得到角度，从U（0.7,1.4）随机得到缩放率，旋转中心为图像中心点。
所述高斯加噪是指，遍历所有原始超声图像，随机加上高斯噪声，将零中心加性高斯噪声添加到样本中的每个独立像素上；噪声的方差从U(0,0.1)中随机得到。高斯噪声是指概率密度函数服从高斯分布（即正态分布）的一类噪声。
高斯模糊是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。高斯模糊是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。本项目高斯模糊的具体实现方式是使用大小为3*3离散化窗口滑窗卷积（高斯核），扫描图像中的每一个像素，用滑窗邻域内像素的加权平均灰度值去替代滑窗中心像素点的值。遍历所有原始超声图像并应用高斯模糊，高斯核σ的宽度从U(0.5,1.5)中独立采样。
所述亮度和对比度处理是指，遍历所有原始超声图像同时进行亮度处理和对比度处理，亮度处理像素值的增减值从U(-30,30)中独立采样，对比度处理像素值的缩放率从U(0.7,1.3)中独立采样，这些像素值最终被裁剪到[0,255]。
所述低分辨率仿真是指，遍历所有原始超声图像进行低分辨率仿真，使用最近邻插值法对图像进行缩小操作，令变换后像素的灰度值等于距它最近的输入像素的灰度值，然后再使用三次样条插值法对图像进行放大至原始大小的操作。三次样条插值（CubicSpline Interpolation）简称Spline插值，是通过一系列形值点的一条光滑曲线，数学上通过求解三弯矩方程组得出曲线函数组的过程。
S3、利用预先训练的心脏各切面超声合格图像分类模型将S2步骤处理后的所有超声图像根据心脏不同切面超声图像标准度筛选出对应切面的合格超声图像。如图5-图12所示，为不同切面超声图像的标准图像；其中，图5为标准的剑突下四腔心切面超声图像，图6为标准的胸骨旁长轴切面超声图像，图7为标准的胸骨旁长轴二尖瓣水平切面超声图像，图8为标准的胸骨旁短轴乳头肌水平切面超声图像，图9为标准的胸骨旁短轴心尖水平切面超声图像，图10为标准的心尖四腔心切面超声图像，图11为标准的心尖三腔心切面超声图像，图12为标准的心尖二腔心切面超声图像。
上述S3步骤中的各个切面超声合格图像分类模型是基于现有技术中的研究训练得到的，其中，针对每一个切面超声图像，训练一种超声合格图像分类模型。用于训练的神经网络模型可以是Inception V3、ResNet50、LeNet-5等。本申请对此不作限定。
S4、利用预先训练的心脏各切面超声图像分割模型对S3步骤中筛选出的合格超声图像进行图像分割，分割出各切面合格超声图像中的感兴趣区域，并对不同感兴趣区域进行标注；在各切面合格超声图像中标注出心腔和室壁。
如图13-图22所示，为各个切面各个超声图像的图像分割结果图像，其中，如图13和图14所示，对胸骨旁长轴切面超声图像，标注出胸壁旁长轴心腔和胸骨旁长轴室壁；如图15所示，对胸骨旁短轴二尖瓣切面超声图像，标注出二尖瓣短轴室壁和二尖瓣短轴心腔；如图16所示，对胸骨旁短轴心尖切面超声图像，标注出心尖短轴室壁和心尖短轴心腔；如图17和图18所示，对心尖四腔心切面超声图像，标注出心尖四腔心的心腔和心尖四腔心的室壁；如图19和图20所示，对心尖三腔心切面超声图像，标注出心尖三腔心的心腔和心尖三腔心的室壁；如图21和图22所示，对心尖二腔心切面超声图像，标注出心尖二腔心的心腔和心尖二腔心的室壁。
上述S4步骤中的各个切面超声图像分割模型是基于现有技术中的研究训练得到的，其中，针对每一个切面超声图像，训练一种超声图像分割模型，用于对该切面超声图像进行图像分割。用于训练的神经网络可以选用VGG19FCN、U-net等。本申请对此不作限定。
S5、从S4步骤中在各切面超声图像中标注出的心腔和室壁的感兴趣区域中，标注出对应切面超声图像中心腔和室壁区域的重心，以该重心为原点建立坐标系，将对应切面超声图像中心腔和室壁区域中的节段进行分区定位；所述分区定位是指，从确定的重心点向各节段的两端进行连线，节段的外轮廓及重心点到该节段两端的连线所围成的区域即为该节段在建立的坐标系中定位的区域。
与现有技术相比，该现有技术是研究左心室的射血分数，本申请是基于心脏节段活动的循环动力学监测方法，因此需要对心脏各节段的活动进行研究，在此本申请提出了一种心脏节段的定位方法，在此之前心脏的室壁被划分为17个节段，如图4所示，而在各个切面的超声图像中，如何对各个节段进行定位识别，同时对各个节段进行射血分数的计算，是本申请解决的问题，本申请提出上述的坐标系划分法，可以快速的定位到心脏的各个节段，并准确地识别到各个节段的运动状态，以便对心脏各个节段进行分析及参数计算。
S6、利用S5步骤中对心脏各个节段的分区定位，计算各个节段的射血分数（EF）值和各个节段的厚度变化率；然后将射血分数（EF）值与预设的正常值范围进行对比，根据各个节段的对比结果对左心室和右心室进行动力分型。
与现有技术相比，本申请中心脏各个节段的射血分数是基于在超声图像中对各个节段的定位分区计算得到的，相比于现有的Simpson法计算左心室的射血分数的方式，可以准确的计算得到心脏各个节段的射血分数。然后基于射血分数对心脏节段活动的动力进行评估。
S7、从S4步骤中在各切面超声图像中标注处的心腔和室壁的感兴趣区域中，计算所有切面一个心动周期内心腔面积的变化率、心腔形态学变化以及室壁不同心动周期厚度变化率；
S8、根据S4步骤中标注出的各切面超声图中的心腔和室壁区域，重建心脏四维模型，并将S5、S6和S7步骤中的参数在心脏四维模型中进行显示，根据重建的心脏四维模型计算每搏输出量（SV）；
S9、根据S8步骤计算得到的每搏输出量（SV）对被测者的心搏输出进行分型，同时采集被测者的心率，通过心率和S8步骤中计算得到的每搏输出量（SV）计算得到被测者心输出量（CO），根据计算得到的心输出量辅助对被测者的心搏输出进行分型；
S10、利用预先训练好的心腔形态图像分类模型，对S4步骤中得到的标注有心腔和室壁的各个切面超声图像进行心腔形态分类，得到被测者的心腔形态分类结果；
S11、根据S6步骤的动力分型结果，S9步骤的心搏输出分型结果以及对应节段的射血分数值，对被测者的机体反应进行分型。
实施例2
作为本发明又一较佳实施例，参照说明书附图1和附图3所示，本实施例是对上述实施例1中S6步骤中根据各个节段的射血分数值对左心室和右心室进行动力分型的一种具体实施方式的阐述。
在本实施例中，基于上述实施例1中对心脏各个节段的分区定位，计算各个节段的射血分数值和各个节段的厚度变化率，然后将射血分数（EF）值与预设的正常值范围进行对比，根据各个节段的对比结果对左心室和右心室进行动力分型。
本申请所称的射血分数值是局部射血分数值，即每个节段的射血分数值。
作为一个示例，射血分数值的计算方式如下：
先通过S5步骤中对心脏各个节段在建立的坐标系中定位的区域，计算得到面积变化（FAC）值，然后根据面积变化值与射血分数的对应关系，对应得到该节段的射血分数（EF）值。其中FAC值与EF值的对应关系是本领域公知技术。
所述面积变化（FAC）值是根据一个心动周期内，该节段在建立的坐标系中定位的区域的最大面积值和最小面积值计算得到的，具体计算公式为FAC=(最大面积值-最小面积值)/最大面积值。
作为又一个示例，各个节段的射血分数值的计算还可以采用核素定量分析法或者心室面积轴线缩短法。
作为本实施例的一种实施方式，本实施例中所称的射血分数（EF）值的正常值范围为50%-70%。
根据各个节段的对比结果对左心室和右心室进行动力分型，具体是指，如图3所示，若射血分数（EF）值在预设的正常值范围内，则判定为正常动力型；若射血分数（EF）值低于预设的正常值范围，则判定为低动力型；若射血分数（EF）值高于预设的正常值范围，则判定为高动力型。
进一步的，若被测者的左心室的各个节段的射血分数（EF）值被判断为低动力型，则根据左心室的各个节段的射血分数（EF）值、节段的厚度变化率大小以及节段的分区定位细分为冠脉相关型和非冠脉相关型，其中非冠脉相关型进一步细分为应激型、反应激型、弥漫抑制型和特殊节段型；
若被测者的右心室各个节段的射血分数（EF）值被判断为低动力型，则根据右心室的各个节段的射血分数（EF）值、节段的厚度变化率大小以及节段的分区定位细分为冠脉相关型和应激型。
所述冠脉相关型和非冠脉相关型是根据发生障碍的节段与冠脉的关系确定的，若发生障碍的节段与冠脉相关，则为冠脉相关型，若发生障碍的节段与冠脉无关，即为非冠脉相关型。
若节段增厚率减少，运动幅度小于5mm，射血分数值减少，即表示该节段发生障碍，其中节段增厚率减少是指该节段收缩期室壁增厚率小于25%。
对非冠脉相关型的进一步细分分型，是根据各个节段的射血分数值及舒张末期左心室形态进行分型的，其中，弥漫抑制型的分型标准为射血分数值减低，舒张末期左心室面积增大，且左心室舒张末期形态正常；应激型、反应激型和特殊节段的分型标准为射血分数值减低，舒张末期左心室形态分别为应激形态、反应激形态和特殊形态。
上述舒张末期左心室形态分型是利用预先训练好的左心室舒张末期形态分类模型进行分类的，将被测者舒张末期左心室形态分类为应激形态、反应激形态、特殊形态和正常形态。
其中用于训练左心室舒张末期形态分类模型的神经网络模型可以是InceptionV3、ResNet50、LeNet-5等。本申请对此不作限定。
实施例3
作为本发明又一较佳实施例，参照说明书附图1和附图3所示，本实施例是对上述实施例1和实施例2的基础上对心搏输出分型的一种具体实施方式的阐述。在本实施例中，从S4步骤中在各切面超声图像中标注处的心腔和室壁的感兴趣区域中，计算所有切面一个心动周期内心腔面积的变化率、心腔形态学变化以及室壁不同心动周期厚度变化率；根据S4步骤中标注出的各切面超声图中的心腔和室壁区域，重建心脏四维模型，并将S5、S6和S7步骤中的参数在心脏四维模型中进行显示，根据重建的心脏四维模型计算每搏输出量（SV）；采集被测者的心率，通过心率和上述计算得到的每搏输出量（SV）计算得到被测者心输出量（CO），根据计算得到的每搏输出量对被测者的心搏输出进行分型，利用计算得到的心输出量（CO）辅助对心搏输出进行分型。
其中，每搏输出量（SV）是通过收缩末期的体积和舒张末期的体积的差值计算得到的；心输出量（CO）=每搏输出量（SV）*心率（HR）。
根据每搏输出量将被测者的心搏输出进行分型，具体是指，若被测者的每搏输出量在预设的正常每搏输出量范围内，则被判定为正常心搏输出型；若被测者的每搏输出量低于预设的正常每搏输出量范围，则被判定为低心搏输出型；若被测者的每搏输出量高于预设的正常每搏输出量范围，则被判定为高心搏输出型。
此外，根据心输出量CO可对被测者的心搏输出分型进行辅助判断，具体是指，若被测者的每搏输出量在预设的正常每搏输出量SV范围内，CO也在正常心输出量范围内，则被判定为正常心搏输出型；若被测者的SV低于正常SV范围，CO低于或处于正常CO范围，则被判定为低心搏输出型；若被测者的SV高于正常SV范围，CO高于正常CO范围，则被判定为高心搏输出型。
其中，存在几种特例，即SV高、CO正常的情形，则为低心率高心搏输出；若SV正常、CO高的情形，则为高心率正常心搏输出；若SV低、CO正常或略高，则为高心率低心搏输出。以上特例仅仅是列举，并不限于上述几种特例。
在本实施例中，预设的正常每搏输出量（SV）范围是60ml-90ml，正常心输出量范围是4L/min-6L/min。
实施例4
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和实施例3中的机体反应分型的一种具体实施方式的阐述，在本实施例中，为了进一步明确机体反应分型，在本实施例中，机体反应的分析标准是根据S6步骤的动力分型结果，S9步骤的心搏输出分型结果以及对应节段的射血分数值，对被测者的机体反应进行分型。机体反应分型具体为：
若被测者的动力分型为冠脉相关型且与冠脉相关的节段的射血分数值低于射血分数值的正常值范围，且每搏输出量低于正常每搏输出量范围，则被测者的机体反应被认定为缺血优势型；
若被测者的动力分型为非冠脉相关型且与冠脉不相关的节段的射血分数值低于射血分数值的正常值范围，且每搏输出量低于正常每搏输出量范围，则被测者的机体反应被认定为失调应激型；
若被测者的动力分型为高动力型，即对应的心脏节段的射血分数值高于射血分数值的正常值范围；且每搏输出量高于正常每搏输出量范围，则被测者的机体反应被认定为非失调应激型或代偿型。
进一步的，若被测者的动力分型为弥漫抑制型，且每搏输出量低于正常每搏输出量范围，则被测者的机体反应被认定为炎症或缺氧型。
作为本实施例的一种实施方式，心搏输出量CO可以进一步辅助判断机体反应分型，具体的，若被测者的动力分型为冠脉相关型且与冠脉相关的节段的射血分数值低于射血分数值的正常值范围，且每搏输出量低于正常每搏输出量范围，且CO值低于正常CO值范围，则被测者的机体反应进一步被认定为缺血优势型；
若被测者的动力分型为非冠脉相关型且与冠脉不相关的节段的射血分数值低于射血分数值的正常值范围，且每搏输出量低于正常每搏输出量范围，且CO值正常或略低于正常CO值范围，则被测者的机体反应进一步被认定为失调应激型；
若被测者的动力分型为高动力型，即对应的心脏节段的射血分数值高于射血分数值的正常值范围；且每搏输出量高于正常每搏输出量范围，且CO值明显增高且高于正常CO值，则被测者的机体反应进一步被认定为非失调应激型或代偿型；
若被测者的动力分型为弥漫抑制型且射血分数值低于射血分数值的正常值范围，且每搏输出量低于正常每搏输出量范围，且CO值正常或低于正常CO值范围，则被测者的机体反应进一步被认定为炎症或缺氧型。
在本实施例中，是根据机体反应的分型结果，有助于分析被测者存在的病因，具体的是根据发生障碍的节段的位置及其对应的射血分数值，以及每搏输出量得到的。
作为一个示例，当被测者的机体反应被认定为缺血优势型时，且可能存在的病因有心肌梗塞、不稳定心绞痛等。
作为又一个示例，当被测者的机体反应被认定为失调应激型时，其可能存在的病因或者诱因是各类恶性刺激，例如情绪激动、疼痛、创伤、炎症等。
作为又一个示例，当被测者的机体反应被认定为炎症或缺氧型时，其可能存在的病因或者诱因是脓毒症、缺氧或药物导致等。
作为又一个示例，当被测者的机体反应被认定为非失调应激型或代偿型时，其可能存在的病因或诱因是生理性运动、失血或者良性刺激等。
实施例5
作为本发明又一种较佳实施例，本实施例是对上述实施例1和实施例3中的心脏四维模型重建的一种具体实施方式，在本实施例中，为了优化心脏四维模型的重建效果，还需要根据S4步骤中标注出的各切面超声图中的心腔和室壁区域，计算各个切面超声影像中室壁的心肌密度变化，并根据计算得到的心肌密度变化，进行心脏四维模型重建。
具体的，所述心肌密度变化是通过下述方式计算得到的：
S4步骤中的心脏各个切面超声图像分割模型输出各个切面超声图像中的心腔区域，以膨胀腐蚀方式扩张心腔边缘，扩张后和扩张前的差异部分为待检测的心肌；
以心肌部分的重心为原点建立直角坐标系，利用该建立的直角坐标系将心肌部分划分成若干心肌感兴趣区；
计算每一帧超声图像中心肌感兴趣区像素值的平均值，将若干心动周期内得到的多帧超声图像中心肌感兴趣区像素值的平均值以时间顺序形成一条波动的曲线，该曲线即为心肌密度变化曲线。
所述S8步骤中，根据S4步骤中标注出的各切面超声图中的心腔和室壁区域，重建心脏四维模型的具体步骤如下所示：
在标准的心脏模型上分别根据被测者胸骨旁长轴切面超声图像、胸骨旁短轴二尖瓣切面超声图像、胸骨旁短轴乳头肌切面超声图像、胸骨旁短轴心尖切面超声图像、剑突下四腔心切面超声图像、心尖四腔心切面超声图像、心尖三腔心切面超声图像和心尖二腔心切面超声图像中反映的心脏室壁收缩末期和舒张末期的厚度和密度，心腔收缩末期和舒张末期的最小距离和最大距离，各个节段的射血分数，以及舒张末期的心腔形态；对心脏进行三维重建，得到静态的心脏三维模型；
依据上述各个切面超声图像随时间变化的数据以及心肌密度变化曲线反映心脏运动情况，拟合心脏模型上每个点的运动轨迹，加上时间参数，重建出四维心脏动态模型；并在重建的四维心脏动态模型中动态展示心脏室壁的厚度、心腔的体积、心肌密度和心脏形态随时间变化而产生的变化情况。
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中心腔形态分类的具体实施方式，在本实施例中，利用预先训练好的心腔形态图像分类模型，对S4步骤中得到的标注有心腔和室壁的各个切面超声图像进行心腔形态分类，分类结果为正常形态、增大形态、缩小形态和异常形态中的一种。
其中，用于训练心腔形态图像分类模型的神经网络模型可以是Inception V3、ResNet50、LeNet-5等。本申请对此不作限定。
实施例7
作为本发明又一较佳实施例，作为对上述实施例的补充，为了进一步优化本申请基于超声的心脏节段活动的循环动力学监测方法的监测效果，依据临床经验，可对上述实施例中的监测方法监测到的结果进行以下的应用，
具体的，上述监测方法还包括S12、结合S6步骤得到的动力分型结果、S9步骤的心输出分型结果、S10步骤中的心腔形态分类结果和S11步骤的机体反应分型结果，对被测者心脏节段活动的机体反应及血流动力学进行分析并给出相应参考建议。
具体的参考建议可以是：心腔形态缩小、心脏高动力、心搏输出正常或减低，连接血压监测系统提示低血压等，建议评估容量状态，血红蛋白；均减少建议输血治疗。还可以将上述实施例4中对机体反应所对应的可能存在的病因或者诱因引入到S12步骤中，以根据机体反应分析病因或诱因，从而可以有针对性地给出参考性意见。
作为一个示例，心腔形态异常，心脏低动力-冠脉相关节段、心搏输出减少，连接血压监测系统提示低血压、冠心病监测系统（心电图符合冠脉节段、心肌酶变化符合冠心病）、循环灌注监测体统提示高乳酸等，建议启动冠心病救治系统。
心腔形态异常，心脏低动力-非冠脉节段、心搏输出减少，连接血压监测系统提示低血压、炎症监测系统提示高炎症，建议冷静系统治疗及抗感染治疗系统联动。
心腔形态增大，心脏低动力-非冠脉节段，连接血压监测系统提示低血压、炎症监测系统提示高炎症、循环灌注监测体统提示高乳酸等，建议冷静系统治疗、抗感染治疗系统、机械辅助治疗系统联动。
实施例8
作为本发明又一较佳实施例，参照说明书附图2所示，本实施例提供了一种基于心脏超声节段活动的机体反应及血流动力学监测系统，该系统包括：
心脏超声探头，用于连续实时获取被测者心脏多个心动周期内的多个不同切面超声影像，并对获取到的不同切面超声影像进行分类存储；
图像预处理模块，用于对采集到的心脏的多个心动周期内的不同切面超声影像，分别逐帧处理成超声图像，并对所有超声图像进行图像降噪和数据增强处理；
合格图像分类模块，合格图像分类模块中预设有预先训练好的心脏各个切面超声图像分类模型，合格图像分类模块利用预先训练好的心脏各个切面超声图像分类模型对图像预处理模块处理后的所有超声图像根据心脏不同切面超声图像标准度筛选出对应切面的合格超声图像；
超声图像分割模块，超声图像分割模块中预设有预先训练好的心脏各个切面超声图像分割模型，超声图像分割模块利用预先训练好的超声图像分割模型，对合格图像分类模块输出的合格超声图像进行图像分割处理，分割出各个切面合格超声图像中的感兴趣区域，并对不同感兴趣区域进行标注；在各个切面合格超声图像中标注出心腔和室壁；
节段定位分区模块，用于在超声图像分割模块输出的标注出心腔和室壁的感兴趣区域中，标注出对应切面超声图中心腔和室壁区的中心，以该中心为原点建立坐标系，将对应切面超声图像中心腔和室壁区域的节段进行分区定位；所述分区定位是指，从确定的重心点向各个节段的两端进行连线，节段的外轮廓及重心点到该节段两端的连线所围成的区域即为该节段在建立的坐标系中定位的区域；
指标计算模块，用于根据节段定位分区模块对心脏各个节段的分区定位，计算各个节段的射血分数值和各个节段的厚度变化率；用于根据超声图像分割模块标注的心腔和室壁的感兴趣区域，计算各个切面超声图像在一个心动周期内心腔面积的变化率、心腔形态学变化以及室壁不同心动周期的厚度变化率；
心脏四维模型重建模块，用于根据超声图像分割模块分割得到的各个切面各个超声图像中的心腔和室壁的感兴趣区域，重建心脏四维模型，并将指标计算模块中的各个参数值在心脏四维模型中进行显示，并根据重建的心脏四维模型计算每搏输出量；
动力分型模块，用于根据指标计算模块中计算得到的各个节段的射血分数和各个节段的厚度变化率，将射血分数值与预设的正常值范围进行对比，根据各个节段的对比结果对左心室和右心室进行动力分型；
心搏输出分型模块，用于根据心脏四维重建模块计算得到的每搏输出量计算得到被测者每搏输出量，根据每搏输出量对被测者心搏输出进行分型，同时用于采集被测者的心率，并根据心输出量对被测者的心搏输出分型进行辅助；
心腔形态分类模块，心腔形态分类模块中预设有预先训练好的各个切面的心腔形态图像分类模型，心腔形态分类模块利用其内预设的心腔形态图像分类模型，对超声图像分割模块分割结果中标注的心腔和室壁的区域，进行心腔形态分类；
机体反应分型模块，用于根据动力分型模块的分型结果、对应节段的射血分数值与射血分数正常范围值的对比结果以及每搏输出量与正常每搏输出量范围的对比结果，对被测者的机体反应进行分型。
实施例9
作为本发明又一较佳实施例，本实施例是对实施例7中的基于心脏超声节段活动的机体反应及血流动力学监测系统的进一步优化和应用，依据临床经验，可对上述实施例中的监测系统监测到的结果进行以下的应用。
该系统还包括建议输出模块，所述建议输出模块根据动力分型模块、心搏输出分型模块、心腔形态分类模块和机体反应分型模块的输出结果，给出相应的提示。
进一步的，该系统还包括与血压监测系统、炎症监测系统、循环灌注监测系统、冠心病救治系统、冷静治疗系统、容量管理系统、血管活性药物使用系统、抗感染治疗系统和机械辅助治疗系统相连并建立联动关系的数据接口。
若动力分型模块的分型结果为高动力型或低动力型，则联动冠心病救治系统、验证监测系统和冷静系统；
若心搏输出分型模块的分析结果为低心搏输出型，则联动冷静系统、循环灌注监测系统和机械辅助治疗系统；
若心腔形态分类模块的分类结果为增大型、缩小型或异常型，则联动容量管理系统或联动血管活性药物使用系统。
具体的，建议输出模块给出的建议有，若心腔形态分类模块输出的分类结果为心腔缩小形态，动力分型模块输出的分型结果为高动力型，心搏输出分型模块输出的结果为心搏输出正常或低心搏输出，则建议输出模块给出低血压提示，并给出建议评估容量状态和血红蛋白；
若心腔形态为异常形态，心脏低动力且冠脉相关节段，心搏输出量为低心搏输出，则建立输出模块给出低血压提示，并采集冠心病监测系统中循环灌注监测体统中的乳酸值，若为高乳酸，则建议启动冠心病救治系统；
若心腔形态为异常形态，心脏低动力且非冠脉相关节段，心搏输出量为低心搏输出，则连接血压监测系统和炎症监测系统，若血压监测系统提示低血压，炎症监测系统提示高炎症，则建议输出模块建议冷静系统治疗及抗感染治疗系统联动；
若心腔形态为增大型，心脏低动力且非冠脉相关节段，联动血压监测系统、炎症监测系统和循环灌注监测系统，若血压监测系统提示低血压，炎症监测系统提示高炎症，循环灌注监测系统提示高乳酸，则建议输出模块建议冷静系统治疗、抗感染治疗系统、机械辅助治疗系统联动。
Claims (25)
1.基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于，该方法包括以下步骤：
S1、实时获取被测者心脏多个不同切面超声影像，且连续采集多个心动周期的超声影像，并对获取到的不同切面超声影像进行分类存储；
S2、对采集到的心脏的不同切面超声影像，分别逐帧处理为超声图像，并对所有超声图像进行图像降噪和数据增强处理；
S3、利用预先训练的心脏各切面超声合格图像分类模型将S2步骤处理后的所有超声图像根据心脏不同切面超声图像标准度筛选出对应切面的合格超声图像；
S4、利用预先训练的心脏各切面超声图像分割模型对S3步骤中筛选出的合格超声图像进行图像分割，分割出各切面合格超声图像中的感兴趣区域，并对不同感兴趣区域进行标注；在各切面合格超声图像中标注出心腔和室壁；
S5、从S4步骤中在各切面超声图像中标注出的心腔和室壁的感兴趣区域中，标注出对应切面超声图像的中心腔和室壁区域的重心，以该重心为原点建立坐标系，将对应切面超声图像中心腔和室壁区域中的节段进行分区定位；所述分区定位是指，从确定的重心点向各节段的两端进行连线，节段的外轮廓及重心点到该节段两端的连线所围成的区域即为该节段在建立的坐标系中定位的区域；
S6、利用S5步骤中对心脏各个节段的分区定位，计算各个节段的射血分数值和各个节段的厚度变化率；然后将射血分数值与预设的正常值范围进行对比，根据各个节段的对比结果对左心室和右心室进行动力分型；
S7、从S4步骤中在各切面超声图像中标注处的心腔和室壁的感兴趣区域中，计算所有切面一个心动周期内心腔面积的变化率、心腔形态学变化以及室壁不同心动周期厚度变化率；
S8、根据S4步骤中标注出的各切面超声图中的心腔和室壁区域，重建心脏四维模型，并将S5、S6和S7步骤中的参数在心脏四维模型中进行显示，根据重建的心脏四维模型计算每搏输出量；
S9、根据S8计算得到的每搏输出量（SV）对被测者的心搏输出进行分型，同时采集被测者的心率，通过心率和S8步骤中计算得到的每搏输出量计算得到被测者心输出量，根据计算得到的心输出量辅助对被测者的心搏输出进行分型；
S10、利用预先训练好的心腔形态图像分类模型，对S4步骤中得到的标注有心腔和室壁的各个切面超声图像进行心腔形态分类，得到被测者的心腔形态分类结果；
S11、根据S6步骤的动力分型结果，S9步骤的心搏输出分型结果以及对应节段的射血分数值，对被测者的机体反应进行分型。
2.如权利要求1所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：还包括S12、结合S6步骤得到的动力分型结果、S9步骤的心搏输出分型结果、S10步骤中的心腔形态分类结果和S11步骤中的机体反应分型结果，对被测者心脏节段活动的机体反应和血流动力学进行分析并给出相应参考建议。
3.如权利要求1或2所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：S6步骤中，计算各个节段的射血分数值，具体是指，先通过S5步骤中对心脏各个节段在建立的坐标系中定位的区域，计算得到FAC值，然后根据FAC值与EF值的对应关系，对应得到该节段的EF值。
4.如权利要求3所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：所述FAC值是根据一个心动周期内，该节段在建立的坐标系中定位的区域的最大面积值和最小面积值计算得到的，具体计算公式为FAC=(最大面积值-最小面积值)/最大面积值。
5.如权利要求1所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：S6步骤中，射血分数（EF）值的正常值范围为50%-70%。
6.如权利要求1所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：所述S6步骤中，根据各个节段的对比结果对左心室和右心室进行动力分型，具体是指，若EF值在预设的正常值范围内，则判定为正常动力型；若EF值低于预设的正常值范围，则判定为低动力型；若EF值高于预设的正常值范围，则判定为高动力型。
7.如权利要求6所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：S6步骤中，若被测者的左心室的各个节段的EF值被判断为低动力型，则根据左心室的各个节段的EF值、节段的厚度变化以及节段的分区定位，细分为冠脉相关型和非冠脉相关型，其中非冠脉相关型进一步细分为应激型、反应激型、弥漫抑制型和特殊节段型；
若被测者的右心室各个节段的EF值被判断为低动力型，则根据右心室的各个节段的EF值、节段的厚度变化以及节段的分区定位，细分为冠脉相关型和应激型。
8.如权利要求7所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：所述冠脉相关型和非冠脉相关型是根据发生障碍的节段与冠脉的关系确定的，若发生障碍的节段与冠脉相关，则为冠脉相关型，若发生障碍的节段与冠脉无关，即为非冠脉相关型。
9.如权利要求8所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：若节段增厚率减少，运动幅度小于5mm，射血分数值减少，即表示该节段发生障碍，其中节段增厚率减少是指该节段收缩期室壁增厚率小于25%。
10.如权利要求7所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：对非冠脉相关型的进一步细分分型，是根据各个节段的射血分数值及舒张末期左心室形态进行分型的，其中，弥漫抑制型的分型标准为射血分数值减低，舒张末期左心室面积增大，且左心室舒张末期形态正常；应激型、反应激型和特殊节段的分型标准为射血分数值减低，舒张末期左心室形态分别为应激形态、反应激形态和特殊形态。
11.如权利要求10所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：上述舒张末期左心室形态分型是利用预先训练好的左心室舒张末期形态分类模型进行分类的，将被测者舒张末期左心室形态分类为应激形态、反应激形态、特殊形态和正常形态。
12.如权利要求1或2或5-11任意一项所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：根据每搏输出量将被测者的心搏输出进行分型，具体是指，若被测者的每搏输出量在预设的正常每搏输出量范围内，则被判定为正常心搏输出型；若被测者的每搏输出量低于预设的正常每搏输出量范围，则被判定为低心搏输出型；若被测者的每搏输出量高于预设的正常每搏输出量范围，则被判定为高心搏输出型。
13.如权利要求12所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：所述S8步骤中，每搏输出量（SV）是通过收缩末的体积和舒张末的体积的差值计算得到的。
14.如权利要求13所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：S9步骤中，心输出量（CO）=每搏输出量（SV）*心率（HR）。
15.如权利要求12所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：预设的正常每搏输出量范围是60ml-90ml，正常心输出量范围是4L/min-6L/min。
16.如权利要求12所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：S11步骤，具体为：若被测者的动力分型为冠脉相关型且与冠脉相关的节段的射血分数值低于射血分数值的正常值范围，且每搏输出量低于正常每搏输出量范围，则被测者的机体反应被认定为缺血优势型；
若被测者的动力分型为非冠脉相关型且与冠脉不相关的节段的射血分数值低于射血分数值的正常值范围，且每搏输出量低于正常每搏输出量范围，则被测者的机体反应被认定为失调应激型；
若被测者的动力分型为高动力型，即对应的心脏节段的射血分数值高于射血分数值的正常值范围；且每搏输出量高于正常每搏输出量范围，则被测者的机体反应被认定为非失调应激型或代偿型。
17.如权利要求16所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：若被测者的动力分型为弥漫抑制型，且每搏输出量低于正常每搏输出量范围，则被测者的机体反应被认定为炎症或缺氧型。
18.如权利要求1或2或5-11任意一项所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：S10步骤中，利用预先训练好的心腔形态图像分类模型，对S4步骤中得到的标注有心腔和室壁的各个切面超声图像进行心腔形态分类，分类结果为正常形态、增大形态、缩小形态和异常形态中的一种。
19.如权利要求1或2或5-11任意一项所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：S1步骤中，多个切面超声影像包括剑突下四腔心切面超声影像、胸骨旁长轴切面超声影像、胸骨旁短轴二尖瓣水平切面超声影像、胸骨旁短轴乳头肌水平切面超声影像、胸骨旁短轴心尖水平切面超声影像、心尖四腔心切面超声影像、心尖三腔心切面超声影像和心尖二腔心切面超声影像。
20.如权利要求19所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：在S8步骤中，根据S4步骤中标注出的各切面超声图中的心腔和室壁区域，计算各个切面超声影像中室壁的心肌密度变化，并根据计算得到的心肌密度变化，进行心脏四维模型重建。
21.如权利要求20所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：所述心肌密度变化是通过下述方式计算得到的：
S4步骤中的心脏各个切面超声图像分割模型输出各个切面超声图像中的心腔区域，以膨胀腐蚀方式扩张心腔边缘，扩张后和扩张前的差异部分为待检测的心肌；
以心肌部分的重心为原点建立直角坐标系，利用该建立的直角坐标系将心肌部分划分成若干心肌感兴趣区；
计算每一帧超声图像中心肌感兴趣区像素值的平均值，将若干心动周期内得到的多帧超声图像中心肌感兴趣区像素值的平均值以时间顺序形成一条波动的曲线，该曲线即为心肌密度变化曲线。
22.如权利要求21所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：所述S8步骤中，根据S4步骤中标注出的各切面超声图中的心腔和室壁区域，重建心脏四维模型的具体步骤如下所示：
在标准的心脏模型上分别根据被测者胸骨旁长轴切面超声图像、胸骨旁短轴二尖瓣切面超声图像、胸骨旁短轴乳头肌切面超声图像、胸骨旁短轴心尖切面超声图像、剑突下四腔心切面超声图像、心尖四腔心切面超声图像、心尖三腔心切面超声图像和心尖二腔心切面超声图像中反映的心脏室壁收缩末期和舒张末期的厚度和密度，心腔收缩末期和舒张末期的最小距离和最大距离，各个节段的射血分数，以及舒张末期的心腔形态；对心脏进行三维重建，得到静态的心脏三维模型；
依据上述各个切面超声图像随时间变化的数据以及心肌密度变化曲线反映心脏运动情况，拟合心脏模型上每个点的运动轨迹，加上时间参数，重建出四维心脏动态模型；并在重建的四维心脏动态模型中动态展示心脏室壁的厚度、心腔的体积、心肌密度和心脏形态随时间变化而产生的变化情况。
23.如权利要求19所述的基于心脏超声节段活动的机体反应及血流动力学监测方法，其特征在于：在S4步骤中，利用预先训练的心脏各切面超声图像分割模型在各切面超声图像中标注出心腔和室壁，具体是指：
对胸骨旁长轴切面超声图像，标注出胸壁旁长轴心腔和胸骨旁长轴室壁；
对胸骨旁短轴二尖瓣切面超声图像，标注出二尖瓣短轴室壁和二尖瓣短轴心腔；
对胸骨旁短轴乳头肌切面超声图像，标注出乳头肌短轴室壁和乳头肌短轴心腔；
对胸骨旁短轴心尖切面超声图像，标注出心尖短轴室壁和心尖短轴心腔；
对心尖四腔心切面超声图像，标注出心尖四腔心的心腔和心尖四腔心的室壁；
对心尖三腔心切面超声图像，标注出心尖三腔心的心腔和心尖三腔心的室壁；
对心尖二腔心切面超声图像，标注出心尖二腔心的心腔和心尖二腔心的室壁。
24.基于心脏超声节段活动的机体反应及血流动力学监测系统，其特征在于，该系统包括：
心脏超声探头，用于连续实时获取被测者心脏多个心动周期内的多个不同切面超声影像，并对获取到的不同切面超声影像进行分类存储；
图像预处理模块，用于对采集到的心脏的多个心动周期内的不同切面超声影像，分别逐帧处理成超声图像，并对所有超声图像进行图像降噪和数据增强处理；
合格图像分类模块，合格图像分类模块中预设有预先训练好的心脏各个切面超声图像分类模型，合格图像分类模块利用预先训练好的心脏各个切面超声图像分类模型对图像预处理模块处理后的所有超声图像根据心脏不同切面超声图像标准度筛选出对应切面的合格超声图像；
超声图像分割模块，超声图像分割模块中预设有预先训练好的心脏各个切面超声图像分割模型，超声图像分割模块利用预先训练好的超声图像分割模型，对合格图像分类模块输出的合格超声图像进行图像分割处理，分割出各个切面合格超声图像中的感兴趣区域，并对不同感兴趣区域进行标注；在各个切面合格超声图像中标注出心腔和室壁；
节段定位分区模块，用于在超声图像分割模块输出的标注出心腔和室壁的感兴趣区域中，标注出对应切面超声图中心腔和室壁区的中心，以该中心为原点建立坐标系，将对应切面超声图像中心腔和室壁区域的节段进行分区定位；所述分区定位是指，从确定的重心点向各个节段的两端进行连线，节段的外轮廓及重心点到该节段两端的连线所围成的区域即为该节段在建立的坐标系中定位的区域；
指标计算模块，用于根据节段定位分区模块对心脏各个节段的分区定位，计算各个节段的射血分数值和各个节段的厚度变化率；用于根据超声图像分割模块标注的心腔和室壁的感兴趣区域，计算各个切面超声图像在一个心动周期内心腔面积的变化率、心腔形态学变化以及室壁不同心动周期的厚度变化率；
心脏四维模型重建模块，用于根据超声图像分割模块分割得到的各个切面各个超声图像中的心腔和室壁的感兴趣区域，重建心脏四维模型，并将指标计算模块中的各个参数值在心脏四维模型中进行显示，并根据重建的心脏四维模型计算每搏输出量；
动力分型模块，用于根据指标计算模块中计算得到的各个节段的射血分数和各个节段的厚度变化率，将射血分数值与预设的正常值范围进行对比，根据各个节段的对比结果对左心室和右心室进行动力分型；
心搏输出分型模块，用于采集被测者的心率，并根据心脏四维重建模块计算得到的每搏输出量计算得到被测者每搏输出量，根据每搏输出量对被测者的心搏输出进行分型；
心腔形态分类模块，心腔形态分类模块中预设有预先训练好的各个切面的心腔形态图像分类模型，心腔形态分类模块利用其内预设的心腔形态图像分类模型，对超声图像分割模块分割结果中标注的心腔和室壁的区域，进行心腔形态分类；
机体反应分型模块，用于根据动力分型模块的分型结果、对应节段的射血分数值与射血分数正常范围值的对比结果以及心搏输出量与正常每搏输出量范围的对比结果，对被测者的机体反应进行分型。
25.如权利要求24所述的基于心脏超声节段活动的机体反应及血流动力学监测系统，其特征在于：该系统还包括建议输出模块，所述建议输出模块根据动力分型模块、心搏输出分型模块、心腔形态分类模块和机体反应分型模型的输出结果，给出相应的提示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211148110.3A CN115587971B (zh) | 2022-09-21 | 2022-09-21 | 基于心脏超声节段活动的机体反应及血流动力学监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211148110.3A CN115587971B (zh) | 2022-09-21 | 2022-09-21 | 基于心脏超声节段活动的机体反应及血流动力学监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115587971A CN115587971A (zh) | 2023-01-10 |
| CN115587971B true CN115587971B (zh) | 2023-10-24 |
Family
ID=84777985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211148110.3A Active CN115587971B (zh) | 2022-09-21 | 2022-09-21 | 基于心脏超声节段活动的机体反应及血流动力学监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115587971B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117122350A (zh) * | 2023-08-31 | 2023-11-28 | 四川维思模医疗科技有限公司 | 一种基于超声影像实时监护心脏状态的方法 |
| CN117635552B (zh) * | 2023-11-20 | 2024-05-24 | 四川大学华西医院 | 一种心脏骤停快速识别及原因分析的辅助决策系统 |
| CN118333882B (zh) * | 2024-06-12 | 2024-08-16 | 江西省人民医院 | 一种心脏介入术前、术中图像数据的模型融合系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805913A (zh) * | 2018-05-14 | 2018-11-13 | 首都医科大学附属北京安贞医院 | 一种冠状动脉ct影像与心脏超声应变成像的融合方法 |
| CN108882917A (zh) * | 2016-05-30 | 2018-11-23 | 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 |
| CN110335235A (zh) * | 2019-04-29 | 2019-10-15 | 上海依智医疗技术有限公司 | 心脏医学图像的处理装置、处理系统和介质 |
| 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 |
| CN111583250A (zh) * | 2020-05-14 | 2020-08-25 | 上海深至信息科技有限公司 | 一种基于深度学习的超声图像二尖瓣的定位方法及系统 |
| WO2022166281A1 (zh) * | 2021-02-08 | 2022-08-11 | 北京泰杰伟业科技有限公司 | 血流动力学指标数据的处理方法和系统 |
| CN115035028A (zh) * | 2022-05-05 | 2022-09-09 | 东北大学 | 一种基于超声图像的左心室射血分数自动计算方法 |
| CN115064264A (zh) * | 2022-06-20 | 2022-09-16 | 四川大学华西医院 | 基于超声对胃肠功能及运动节律进行实时评估的方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11931207B2 (en) * | 2018-12-11 | 2024-03-19 | Eko.Ai Pte. Ltd. | Artificial intelligence (AI) recognition of echocardiogram images to enhance a mobile ultrasound device |
| US11446009B2 (en) * | 2018-12-11 | 2022-09-20 | Eko.Ai Pte. Ltd. | Clinical workflow to diagnose heart disease based on cardiac biomarker measurements and AI recognition of 2D and doppler modality echocardiogram images |
| US20220047868A1 (en) * | 2019-04-30 | 2022-02-17 | Pacertool As | Characterisation of cardiac dyssynchrony and dyssynergy |
| 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 |
| US11676280B2 (en) * | 2021-01-10 | 2023-06-13 | DiA Imaging Analysis | Automated right ventricle medical imaging and computation of clinical parameters |
-
2022
- 2022-09-21 CN CN202211148110.3A patent/CN115587971B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108882917A (zh) * | 2016-05-30 | 2018-11-23 | 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 |
| CN108805913A (zh) * | 2018-05-14 | 2018-11-13 | 首都医科大学附属北京安贞医院 | 一种冠状动脉ct影像与心脏超声应变成像的融合方法 |
| CN110335235A (zh) * | 2019-04-29 | 2019-10-15 | 上海依智医疗技术有限公司 | 心脏医学图像的处理装置、处理系统和介质 |
| 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 |
| CN111583250A (zh) * | 2020-05-14 | 2020-08-25 | 上海深至信息科技有限公司 | 一种基于深度学习的超声图像二尖瓣的定位方法及系统 |
| WO2022166281A1 (zh) * | 2021-02-08 | 2022-08-11 | 北京泰杰伟业科技有限公司 | 血流动力学指标数据的处理方法和系统 |
| CN115035028A (zh) * | 2022-05-05 | 2022-09-09 | 东北大学 | 一种基于超声图像的左心室射血分数自动计算方法 |
| CN115064264A (zh) * | 2022-06-20 | 2022-09-16 | 四川大学华西医院 | 基于超声对胃肠功能及运动节律进行实时评估的方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| "Mitral annulus is dilated with preserved function in acromegaly regardless of its activity: Insights from the three-dimensional speckle-tracking echocardiographic MAGYAR-Path Study";Attila Nemes, Árpád Kormányos, , , Zsuzsanna Valkusz;《 Revista Portuguesa de Cardiologia (English Edition)》;第40卷(第4期);Pages 253-258 * |
| "基于深度学习的超声心动图自动分类与参数测量研究";蒋建慧;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》(第第06期期);E060-62 * |
| "应用三平面斑点追踪显像评价射血分数正常的心脏移植患者左心室收缩力及收缩同步性异常";陈海燕;潘翠珍;孙敏敏;舒先红;;《中华临床医师杂志(电子版)》(第22期);全文 * |
| "彩色多普勒超声心动图在筛查新生儿先天性心脏病中的应用价值";董璠;现代医用影像学(第03期);全文 * |
| "经胸心脏超声对危重症患者血流动力学及心功能的检测效果分析";曾建蓉;《中西医结合心血管病电子杂志》;全文 * |
| "经食管超声心动图评估冠心病患者PCI术后左心室功能和收缩同步性的价值";周平安;刁杰;张小宾;石秀英;闫娟;;《心脑血管病防治》(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115587971A (zh) | 2023-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115587971B (zh) | 基于心脏超声节段活动的机体反应及血流动力学监测方法及系统 | |
| JP6557767B2 (ja) | 多数の画像取得または再構築を使用する画像ベースのオブジェクトモデリングのためのシステム及び方法 | |
| US20200211713A1 (en) | Method and system to characterize disease using parametric features of a volumetric object and machine learning | |
| US7567696B2 (en) | System and method for detecting the aortic valve using a model-based segmentation technique | |
| CN109192305B (zh) | 一种基于深度循环神经网络的心功能自动分析方法 | |
| KR102402628B1 (ko) | 인간의 심장 및 심방을 모델링하는 방법 및 시스템 | |
| CN112837306B (zh) | 基于深度学习和中智理论的冠状动脉病变功能学定量方法 | |
| 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 | |
| Veronesi et al. | Tracking of left ventricular long axis from real-time three-dimensional echocardiography using optical flow techniques | |
| EP4417132A1 (en) | Diagnosis assisting program | |
| CN112597982B (zh) | 基于人工智能的图像分类方法、装置、设备和介质 | |
| Philip et al. | Convolutional neural networks for automated fetal cardiac assessment using 4D B-mode ultrasound | |
| CN114898882A (zh) | 基于超声对右心功能进行评估的方法和系统 | |
| CN117197594B (zh) | 一种基于深度神经网络的心脏分流分类系统 | |
| CN116168099A (zh) | 医疗图像的重建方法及装置、非易失性存储介质 | |
| Mantero et al. | Effect of sample volume location on Doppler-derived transmitral inflow velocity values in 288 normal subjects 20 to 80 years old: an echocardiographic, two-dimensional color Doppler cooperative study | |
| CN115530791A (zh) | 基于盐水造影的心内分流电阻抗图像分析方法及系统 | |
| Hassan et al. | 3DCNN Model for Left Ventricular Ejection Fraction Evaluation in Echocardiography | |
| EP3995081A1 (en) | Diagnosis assisting program | |
| CN115869012A (zh) | 一种超声成像方法、系统及计算机可读存储介质 | |
| Guryleva et al. | Application Software for Visualization and Quantification of Capillary Networks | |
| LU505348B1 (en) | A deep learning-based method for CT pulmonary angiography cardiac chamber segmentation and quantification | |
| CN117198510B (zh) | 基于影像学的血管模拟干预评估系统 | |
| WO2014198753A1 (en) | A computer implemented method for measuring specific heart chambers from heart radiographic images and computer program products thereof. | |
| Yagel et al. | Three-and four-dimensional ultrasound in fetal echocardiography: a new look at the fetal heart |
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 |