CN116869571B - 超声心脏反流自动检测评估方法、系统及装置 - Google Patents
超声心脏反流自动检测评估方法、系统及装置 Download PDFInfo
- Publication number
- CN116869571B CN116869571B CN202311146681.8A CN202311146681A CN116869571B CN 116869571 B CN116869571 B CN 116869571B CN 202311146681 A CN202311146681 A CN 202311146681A CN 116869571 B CN116869571 B CN 116869571B
- Authority
- CN
- China
- Prior art keywords
- frame
- area
- reflux
- blood flow
- regurgitation
- 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
- 238000010992 reflux Methods 0.000 title claims abstract description 183
- 238000001514 detection method Methods 0.000 title claims abstract description 98
- 210000002216 heart Anatomy 0.000 title claims abstract description 77
- 238000011156 evaluation Methods 0.000 title claims abstract description 30
- 230000017531 blood circulation Effects 0.000 claims abstract description 164
- 230000000747 cardiac effect Effects 0.000 claims abstract description 132
- 210000005242 cardiac chamber Anatomy 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000003384 imaging method Methods 0.000 claims abstract description 26
- 206010067171 Regurgitation Diseases 0.000 claims description 140
- 238000002604 ultrasonography Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 35
- 230000008859 change Effects 0.000 claims description 30
- 230000002861 ventricular Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000003709 image segmentation Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008338 local blood flow Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 13
- 239000008280 blood Substances 0.000 description 11
- 210000004369 blood Anatomy 0.000 description 11
- 210000005240 left ventricle Anatomy 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 210000003709 heart valve Anatomy 0.000 description 4
- 210000005246 left atrium Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000008602 contraction Effects 0.000 description 3
- 230000003205 diastolic effect Effects 0.000 description 3
- 230000000873 masking effect Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000004872 arterial blood pressure Effects 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000004115 mitral valve Anatomy 0.000 description 2
- 210000004165 myocardium Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000005241 right ventricle Anatomy 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 241001272720 Medialuna californiensis Species 0.000 description 1
- 206010027727 Mitral valve incompetence Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000001765 aortic valve Anatomy 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 238000007914 intraventricular administration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 210000003102 pulmonary valve Anatomy 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 210000005245 right atrium Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- A61B8/5269—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明适用于超声成像技术领域,提供了一种超声心脏反流自动检测评估方法、系统及装置,该方法包括获取在两种成像模式下对目标区域所同时进行采集得到的超声视频数据,第一种成像模式获取灰度图像,第二种成像模式获取反应血流/组织运动数据的彩色图像;检测每帧灰度图像包含的心脏腔室信息;根据每帧灰度图像包含的心脏腔室信息确定心脏运动的心动周期信息;根据每帧彩色图像的运动数据、每帧灰度图像所包含的心脏腔室信息及所对应的心动周期信息,输出每帧彩色图像的反流检测结果;根据每帧彩色图像的反流检测结果评估心脏反流结果。本发明解决了现有超声心脏反流检测及评估不具备解释性导致临床医生的操作量大及操作难度高的问题。
Description
技术领域
本发明属于超声成像技术领域,尤其涉及一种超声心脏反流自动检测评估方法、系统及装置。
背景技术
心脏反流,又称心脏回流,是指心脏的血液在收缩或舒张时,由于心脏瓣膜关闭不全,导致血液向相反方向流动的现象。心脏反流会影响心脏的正常功能,降低泵血效率,增加心脏的负担,甚至引起心力衰竭等严重后果。现有心脏反流的检测方法有多种,如胸部X线检查、心脏MRI、超声检测等,其中,超声检测由于其无创、成本低的特点,是最主要的检测手段,其主要通过彩色超声心动图来显示心脏瓣膜的形态和运动情况,以及血液的流向和速度。
在超声领域中,心脏反流的判断通常都是由临床医生通过彩色超声视频逐帧进行筛查进而确定反流情况。临床医生在判断心脏反流过程中的一个重要依据就是彩色超声视频数据中展示的血流情况,包括血流的速度、方向,以及出现的时机。现有通过技术手段实现自动检测与评估超声心脏反流,核心的技术问题在于:确定反流发生的时间点,确定反流发生的位置,确定反流的程度。
在超声领域,对于临床医生而言,决定是否使用某项自动化检测技术手段来代替人工检测的一个重要依据就是自动化检测结果的可解释性,其中可解释性指的是通过技术手段得到的检测结果能够输出一些与医学知识相关的、直观且易于理解的指标,使得临床医生能在一定程度上理解为什么会得到当前的检测结果,然而现有技术中并没有对检测结果具备可解释性,使得临床医生需要足够的临床知识才能够对彩色超声视频数据进行分析实现心脏反流的筛查,大幅增加临床医生的操作量以及操作难度。
同时在在超声领域中,临床医生一般是通过彩色超声视频数据中展示的血流情况判断是否发生心脏反流或心脏反流的严重程度,然而由于各种因素,比如说由于仪器因素(频率设置、增益设置等)、解剖因素(组织器官的移动、震动、弹性形变等)、物理因素(奈奎斯特频率限制、声束方向)等,导致出现虚假的血流情况,其表现为在没有血流的区域,却显示出有血流的信号,或者在有血流的区域,却显示出错误的血流方向或速度,这些虚假的血流会严重干扰心脏反流的检测。
发明内容
本发明实施例的目的在于提供一种超声心脏反流自动检测评估方法、系统及装置,旨在解决现有超声心脏反流检测及评估不具备解释性导致临床医生的操作量大及操作难度高的问题。
本发明实施例是这样实现的,一种超声心脏反流自动检测评估方法,所述方法包括:
获取在两种成像模式下对目标区域所同时进行采集得到的超声视频数据,其中第一种成像模式获取目标区域的灰度图像,第二种成像模式获取目标区域内反应血流/组织运动数据的彩色图像;
检测超声视频数据中每帧灰度图像包含的心脏腔室信息,所述心脏腔室信息包括心脏腔室的位置信息及类别信息;
根据超声视频数据中每帧灰度图像包含的心脏腔室信息确定心脏运动的心动周期信息,所述心动周期信息为每帧灰度图像所属的心动周期时相;
根据超声视频数据中每帧彩色图像的运动数据、每帧灰度图像所包含的心脏腔室信息及所对应的心动周期信息,输出超声视频数据中每帧彩色图像的反流检测结果,所述反流检测结果为超声视频数据中每帧彩色图像中反流区域置信度及反流区域的血流运动数据,所述反流区域置信度为所有包含血流的点发生反流的置信度;
根据超声视频数据中每帧彩色图像的反流检测结果评估心脏反流结果,所述反流结果包括超声视频数据中每帧灰度图像对应的心动周期信息及每帧彩色图像的反流程度。
更进一步地,所述检测超声视频数据中每帧灰度图像包含的心脏腔室信息的步骤包括:
分别对超声视频数据中每帧灰度图像进行图像分割,得到每帧灰度图像上每个像素点所属的腔室类别及其置信度;
根据每帧灰度图像上每个像素点所属的腔室类别及其置信度选择出每个腔室的最大连通域,并作为各个不同类别腔室的分割结果;
根据计算每个腔室的最大连通域的最小外接矩形及质心确定每个腔室的位置信息。
更进一步地,所述根据超声视频数据中每帧灰度图像包含的心脏腔室信息确定心脏运动的心动周期信息的步骤包括:
根据超声视频数据中每帧灰度图像包含的心脏腔室信息计算出每帧灰度图像中的心室面积;
根据每帧灰度图像中的心室面积确定出心室面积随时间变化的面积变化曲线,并计算面积变化曲线的梯度得到梯度曲线;
根据梯度曲线及面积变化曲线确定出每帧灰度图像所属的心动周期时相。
更进一步地,所述根据超声视频数据中每帧彩色图像的运动数据、每帧灰度图像所包含的心脏腔室信息及所对应的心动周期信息,输出超声视频数据中每帧彩色图像的反流检测结果的步骤包括:
根据超声视频数据中每帧灰度图像包含的心脏腔室信息定位到瓣膜的位置;
根据超声视频数据中每帧灰度图像对应的心动周期信息确定时域系数,所述时域系数为各个心动周期时相下出现反流的概率;
根据超声视频数据中每帧彩色图像中所有包含血流的点到所定位的瓣膜的距离计算出各点的空域系数,所述空域系数为包含血流的点属于反流血流的概率;
根据每帧彩色图像中各点的血流运动数据、空域系数及对应的时域系数确定出反流区域置信度,所述反流区域置信度为各点发生反流的置信度;
根据每帧彩色图像中各点的血流运动数据及反流区域置信度确定出反流区域的血流运动数据。
更进一步地,所述根据超声视频数据中每帧彩色图像的反流检测结果评估心脏反流结果的步骤包括:
根据超声视频数据中每帧彩色图像的反流区域置信度确定出有效反流区域平均置信度及有效反流区域面积;
根据超声视频数据中每帧彩色图像的反流区域置信度及反流区域的血流运动数据确定出有效反流区域的平均血流速度及血流速度方向的一致性;
根据有效反流区域平均置信度、有效反流区域面积、有效反流区域的平均血流速度以及血流速度方向的一致性评估每帧彩色图像的反流程度。
更进一步地,所述根据每帧彩色图像中各点的血流运动数据、空域系数及对应的时域系数确定出反流区域置信度的计算公式为:
,
其中,表示在/>时刻的彩色图像中点/>处血流出现反流的置信度大小,表示阈值二值化函数,其中/>小于阈值/>时置0,大于阈值时置1,/>表示在/>时刻的彩色图像中点/>处血流的速度矢量,表示在/>时刻的彩色图像中点/>处血流的速度矢量的模,阈值为经验参数,/>表示在/>时刻的彩色图像中点/>处血流的空域系数,表示在/>时刻的时域系数;
所述根据每帧彩色图像中各点的血流运动数据及反流区域置信度确定出反流区域的血流运动数据的计算公式为:
,
其中,表示在/>时刻的彩色图像中点/>处的血流运动数据,表示在/>时刻的彩色图像中点/>处血流出现反流的置信度大小,阈值为经验参数,/>表示在/>时刻的彩色图像中点/>处血流的速度矢量。
更进一步地,所述根据超声视频数据中每帧灰度图像对应的心动周期信息确定时域系数的步骤包括:
根据心脏反流与各个心动周期时相之间的相关性,为每个心动周期时相设置所对应的时域系数;
根据超声视频数据中每帧灰度图像所属的心动周期时相确定每帧灰度图像所对应的时域系数。
更进一步地,所述根据超声视频数据中每帧彩色图像中所有包含血流的点到所定位的瓣膜的距离计算出各点的空域系数的计算公式为:
,
其中,表示在/>时刻的彩色图像中点/>处血流的空域系数,exp表示以自然底数e为底的指数函数,/>为标准差系数,瓣膜的中心坐标为/>。
更进一步地,所述根据有效反流区域平均置信度、有效反流区域面积、有效反流区域的平均血流速度以及血流速度方向的一致性评估每帧彩色图像的反流程度的计算公式为:
,,
其中,表示在/>时刻的彩色图像的反流程度,/>表示在/>时刻的彩色图像中有效反流区域平均置信度,/>表示在/>时刻的彩色图像中有效反流区域面积,/>表示在/>时刻的彩色图像中有效反流区域的平均血流速度,表示在/>时刻的彩色图像中有效反流区域的血流速度方向的一致性,/>、/>、、/>为预设置的加权系数。
本发明另一实施例的目的还在于提供一种超声心脏反流自动检测评估系统,所述系统包括:
输入模块,用于获取在两种成像模式下对目标区域所同时进行采集得到的超声视频数据,其中第一种成像模式获取目标区域的灰度图像,第二种成像模式获取目标区域内反应血流/组织运动数据的彩色图像;
腔室检测模块,用于检测超声视频数据中每帧灰度图像包含的心脏腔室信息,所述心脏腔室信息包括心脏腔室的位置信息及类别信息;
心动周期分析模块,用于根据超声视频数据中每帧灰度图像包含的心脏腔室信息确定心脏运动的心动周期信息,所述心动周期信息为每帧灰度图像所属的心动周期时相;
反流检测模块,用于根据超声视频数据中每帧彩色图像的运动数据、每帧灰度图像所包含的心脏腔室信息及所对应的心动周期信息,输出超声视频数据中每帧彩色图像的反流检测结果,所述反流检测结果为超声视频数据中每帧彩色图像中反流区域置信度及反流区域的血流运动数据,所述反流区域置信度为所有包含血流的点发生反流的置信度;
评估模块,用于根据超声视频数据中每帧彩色图像的反流检测结果评估心脏反流结果,所述反流结果包括超声视频数据中每帧灰度图像对应的心动周期信息及每帧彩色图像的反流程度。
本发明另一实施例的目的还在于提供一种超声心脏反流自动检测评估装置,所述装置包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行如上述所述的超声心脏反流自动检测评估方法。
本发明实施例提供的超声心脏反流自动检测评估方法,通过同时获取目标区域的灰度图像以及彩色图像得到超声视频数据,然后根据每帧灰度图像检测相应的心脏腔室信息,根据每帧灰度图像的心脏腔室信息确定心动周期信息,然后根据每帧彩色图像的运动数据、上述心脏腔室信息及心动周期信息可以得到每帧彩色图像的反流检测结果,并根据反流检测结果评估心脏反流程度,其反流程度可以直接的反应患者的心脏反流情况,使得只需医生控制获取超声视频数据即可实现自动化检测心脏反流,可以大幅减少临床医生的操作量及操作难度,因此让不熟悉操作的医生也能进行心脏反流的筛查,解决了现有超声心脏反流检测及评估不具备解释性导致临床医生的操作量大及操作难度高的问题。
附图说明
图1是本发明实施例提供的一种超声心脏反流自动检测评估方法的流程图;
图2是本发明实施例提供的一种超声心脏反流自动检测评估系统的结构示意图;
图3是本发明实施例提供的一种超声心脏反流自动检测评估装置的结构示意图;
图4是本发明实施例提供的一种超声心脏反流自动检测评估方法中的心动周期中各时期心室压强容积变化与时相变化图;
以下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1,是本发明第一实施例提供的一种超声心脏反流自动检测评估方法的流程示意图,为了便于说明,仅示出了与本发明实施例相关的部分,该方法包括:
步骤S10,获取在两种成像模式下对目标区域所同时进行采集得到的超声视频数据,其中第一种成像模式获取目标区域的灰度图像,第二种成像模式获取目标区域内反应血流/组织运动数据的彩色图像;
其中,在本发明的一个实施例中,临床医生判断心脏反流过程的重要依据是超声视频数据中所展示的血流情况,包括血流的速度、方向、以及出现的时机,进而判断是否发生心脏反流及其心脏反流的严重程度;其中该超声视频数据有两个成像模式数据组成,其中第一种成像模式为B模式(brightness mod),主要通过获取目标区域的灰度图像,其中灰度图像可以反映目标区域的形态结构;而第二种成像模式为C模式(color mode),主要基于多普勒原理获取目标区域的彩色图像,其中彩色图像可以反应目标区域内血流/组织的运动情况(具体为速度及方向)。因此通过获取预设时长下的B模式所连续采集的灰度图像及C模式所连续采集的彩色图像从而得到超声视频数据,此时超声视频数据在每个时间点下同步对应一个灰度图像及彩色图像,也即根据任意一帧灰度图像可以同步确定相同时间点下的该帧彩色图像。
具体的,在本发明的一个实施例中,同时获取B模式与C模式对目标区域时进行采集的数据,其中两种模式获取得到的都是视频数据且时间轴相同。具体B模式所采集的是目标区域的亮度情况,其值域为[0, 255],表示目标区域的回波强度,其中值越高强度越大。而C模式采集的是目标区域的运动数据,具体的,目标区域中每个血流的点的数据由二维向量[v x , v y ]表示,其值域为[-128, 128],其中v x 表示该点处x方向的速度,v y 表示该点处y方向的速度,此时基于该二维向量可获取该点的具体运动速度与运动方向。然后通过将每个点的二维向量映射到对应的彩色空间(比如说红色表示向探头方向运动,蓝色表示远离探头反向运动,而不同的速度用不同的饱和度/亮度表示)得到上述彩色图像,用以直观地反应目标区域内血流/组织的运动情况。具体的假设目标区域图像大小为M×N,则B模式获取得到维度M×N的图像数据,而C模式获取得到维度为M×N×2的数据。
进一步的,在本发明的一个实施例中,上述获取超声视频数据的来源可以为超声机器,也可以为存储超声图像的云端服务器,或者其它存储超声图像数据的设备。其中,由于成年人的心动周期平均时间为0.8s,因此在本发明实施例中所获取的超声视频数据的预设时长为3s以上,用以确保该超声视频数据中包含多个完整心动周期。
步骤S20,检测超声视频数据中每帧灰度图像包含的心脏腔室信息,所述心脏腔室信息包括心脏腔室的位置信息及类别信息;
其中,本发明的一个实施例中,对于超声视频数据的每一帧灰度图像分别进行图像分割/检测得到灰度图像包含的心脏腔室信息,其中在四腔心切面下所检测的心脏腔室包括左心房、左心室、右心房及右心室,在二腔心切面下所检测的心脏腔室包括左心房及左心室。其中心脏腔室信息包括心脏腔室的位置信息及类别信息,也即在灰度图像中各个位置区域分别为何种类别的心脏腔室,例如左心室、右心室。
其中在本发明实施例中,可对该灰度图像采用任何一种能够实现图像分割/检测的方法得到灰度图像包含的心脏腔室信息,例如可以采用传统的图像分割/检测算法中的区域生长算法(Region Growing),图割算法(Graph Cut),水平集算法(Level SetFunction)等,也可以采用深度学习中的图像分割/检测算法,如FCN,R-CNN,YOLO,Unet等,其根据实际使用需要进行设置,在此不做具体限定。
进一步的,在本发明的一个实施例中,上述检测超声视频数据中每帧灰度图像包含的心脏腔室信息可通过如下步骤实现:
分别对超声视频数据中每帧灰度图像进行图像分割,得到每帧灰度图像上每个像素点所属的腔室类别及其置信度;
根据每帧灰度图像上每个像素点所属的腔室类别及其置信度选择出每个腔室的最大连通域,并作为各个不同类别腔室的分割结果;
根据计算每个腔室的最大连通域的最小外接矩形及质心确定每个腔室的位置信息。
具体的,在本发明的一个实施例中,具体采用深度神经网络对每帧灰度图像进行图像分割,其分割结果为每帧灰度图像上每个像素点所属的腔室类别以及其置信度,也即是每个腔室类别的概率值。其中基于深度神经网络的图像分割的具体实现方法有很多,但一般遵循以下几个步骤:
首先,准备一些带有标注的训练数据,也即是已经分割好的图像和对应的类别标签,这些数据用于训练神经网络,使其能够学习到图像和类别之间的映射关系。
然后,选择一个合适的神经网络模型,也即是分割网络。其中分割网络通常由卷积层、池化层、上采样层、激活函数等组成,可以提取图像的特征并输出类别预测。常见的分割网络有全卷积网络(FCN)、U-Net、DeepLab等。
接着,定义一个合适的损失函数,也即是评估分割结果和真实标签之间差异的指标。其中损失函数越小,表示分割结果越接近真实标签。常见的损失函数有交叉熵损失、Dice损失、IoU损失等。
最后,使用一个优化算法,也即是调整神经网络参数的方法。其中优化算法根据损失函数的梯度来更新神经网络参数,使其能够更好地拟合训练数据。常见的优化算法有随机梯度下降(SGD)、Adam、RMSProp等。
进一步的,对灰度图像进行图像分割得到的分割结果进行后处理,也即是将每个腔室类别的像素点组成一个连通域,也即相邻且具有相同类别的像素点的集合。具体的说通过连通域标记算法,对各个不同类别的腔室选择出最大连通域,且作为该腔室的有效分割结果,其中非最大连通域认为是无效的结果。
进一步的,基于分割结果确定每个腔室的位置信息。具体来说,先对每个最大连通域计算其最小外接矩形和质心,其中最小外接矩形是指能够刚好包围最大连通域的矩形,且具有最小的面积。而质心是指最大连通域内所有像素点的坐标平均值。具体的可以使用OpenCV库中的minAreaRect函数来获取最小外接矩形的四个顶点,然后使用moments函数来获取连通域的几何矩,再根据几何矩计算质心的坐标。最后,根据每个最大连通域的最小外接矩形和质心来确定每个腔室的位置信息。例如使用最小外接矩形的长、宽、面积、角度等参数来描述腔室的形状和方向;使用质心的坐标来描述腔室的中心位置;或使用质心之间的距离或者角度来描述腔室之间的相对位置。同时对每个腔室类别的像素点进行形态学分析,即计算每个腔室的面积、周长、圆度等参数,以反映每个腔室的形状和大小。其中由于知道各个像素点分别属于哪个腔室类型,因此本发明实施例中所计算得到的各个腔室面积更加准确可靠。
步骤S30,根据超声视频数据中每帧灰度图像包含的心脏腔室信息确定心脏运动的心动周期信息,所述心动周期信息为每帧灰度图像所属的心动周期时相;
其中,在本发明的一个实施例中,心脏反流是指心脏的血液在收缩或舒张时,由于心脏瓣膜关闭不全导致血液向相反方向流动的现象,心脏反流发生位置往往也是在特定的瓣膜位置。其中心脏反流的发生时刻与心动周期的时相是息息相关的,心动周期是指心脏从一次收缩开始到下一次收缩开始的时间, 一个完整的心动周期可划分为多个心动周期时相,若根据心脏整体的运动趋势来看,可以分为舒张期与收缩期。其中心脏的收缩期是指心脏肌肉收缩,将血液从心腔射出的过程;而心脏的舒张期是指心脏肌肉舒张,使心腔充满血液的过程,其中习惯上以心室舒缩的起止作为心动周期的标志,把心室的收缩期叫做收缩期。其中如果更加具体的依据心脏各个腔室的运动、血流的流动情况进行划分,可将心动周期划分为四个时相:等容收缩期、射血期、等容舒张期、充盈期。参照图4所示,为心动周期中各时期心室压强容积变化与时相变化图,此时对心动周期细分的四个时相描述如下:
等容收缩期:心室开始收缩,室内压升高,使房室瓣关闭,防止血液回流到心房。半月瓣(左侧为主动脉瓣,右侧为肺动脉瓣)也关闭,因为室内压还没有超过动脉压。这时心室容积不变,故称等容收缩期。在该时相中,心室容积几乎不变。
射血期:心室继续收缩,室内压超过动脉压,使半月瓣打开,血液从心室射入动脉。在该时相中,心室容积逐渐缩小。
等容舒张期:半月瓣关闭后,室内压仍然高于房内压。房室瓣仍然关闭。当室内压下降到低于房内压时,房室瓣才开放。从半月瓣关闭到房室瓣开放这段时间内,心室内压迅速下降,而心室容积基本不变,故称等容舒张期。在该时相中,心室容积几乎不变。
充盈期:房室瓣开放后,心室容积增大,因为房内压高于室内压,血液迅速流入心室。在该时相中,心室容积逐渐增加。
因此,在本发明实施例中,结合上述心动周期的医学先验知识,根据心室面积的面积变化曲线趋势来划分具体的心动周期时相,需要指出的是,该心室具体指的为左心室,其图4所示曲线中的心室所对应的是左心室。同时在灰度图像下通常可使用心室面积变化来近似心室容积变化,因此上述根据超声视频数据中每帧灰度图像包含的心脏腔室信息确定心脏运动的心动周期信息可通过如下步骤具体实现:
根据超声视频数据中每帧灰度图像包含的心脏腔室信息计算出每帧灰度图像中的心室面积;
根据每帧灰度图像中的心室面积确定出心室面积随时间变化的面积变化曲线,并计算面积变化曲线的梯度得到梯度曲线;
根据梯度曲线及面积变化曲线确定出每帧灰度图像所属的心动周期时相。
具体的,根据上述步骤中所确定的每帧灰度图像包含的心脏腔室信息可以确定出各个心脏腔室的位置及类别;然后根据各个心脏腔室的位置及类别计算每帧灰度图像中各个心脏腔室的面积,以反映每个腔室的大小和容积,具体的使用形态学操作来进行面积计算,也即利用数学公式或算法来统计每个腔室类别内包含的像素点的数量并将其转换为实际单位,例如平方厘米等,使得最终得到每帧灰度图像中具体的各个心脏腔室的面积值;然后根据所计算得到的每帧灰度图像中各个心脏腔室的面积值选择出左心室的面积值,并对该心室面积进行后处理,确定出心室面积随时间变化的规律,以反映心脏收缩和舒张的过程。具体的使用曲线拟合来进行面积变化曲线生成,也即利用数学函数或算法来描述心室面积随时间变化的关系,并得到一个平滑且连续的曲线。然后使用微分或差分来进行梯度曲线计算,即利用数学公式或算法来求解面积变化曲线在每一点处的斜率或变化率,并得到一个表示梯度大小和方向的曲线。具体本发明实施例中使用后向差分计算面积变化曲线的梯度,其中后向差分计算指的是当前点的梯度由当前点的值减去上一个点的值计算得到。而本发明实施例中为减小噪声带来的干扰,在计算前可先对面积变化曲线进行平滑处理。进一步的,根据梯度曲线及面积变化曲线确定出每帧灰度图像所处的心脏收缩或舒张的阶段,也即是心动周期时相。具体的,使用阈值判断来进行心动周期时相识别,即利用预先设定的规则或条件来判断梯度曲线在每一点处的值或符号,并将其分配到不同的心动周期时相类别。参照图4所示,对于梯度曲线中绝对值大于某一阈值的区间段,其梯度值为正的区域表示心室面积正在扩张,属于充盈期,梯度值为负的区域表示心室面积正在缩小,为射血期;而对于梯度曲线中绝对值小于某一阈值的区间段,可认为此区间段位于等容收缩期或者等容舒张期,其具体的划分则看面积变化曲线中该区间段的面积相对于两侧的面积是较大还是较小,从图4可以看出,等容收缩的心室面积明显比位于两侧其它时相的心室面积要大,等容舒张期的心室面积明显比位于两侧其它时相的心室面积要小。因此通过上述方式可以得到每帧灰度图像所属的心动周期时相类别,也就是每帧灰度图像所处的心脏收缩或舒张的阶段。
步骤S40,根据超声视频数据中每帧彩色图像的运动数据、每帧灰度图像所包含的心脏腔室信息及所对应的心动周期信息,输出超声视频数据中每帧彩色图像的反流检测结果;
其中,在本发明的一个实施例中,上述根据超声视频数据中每帧彩色图像的运动数据、每帧灰度图像所包含的心脏腔室信息及所对应的心动周期信息的步骤可通过如下方式实现:
根据超声视频数据中每帧灰度图像包含的心脏腔室信息定位到瓣膜的位置;
根据超声视频数据中每帧灰度图像对应的心动周期信息确定时域系数,所述时域系数为各个心动周期时相下出现反流的概率;
根据超声视频数据中每帧彩色图像中所有包含血流的点到所定位的瓣膜的距离计算出各点的空域系数,所述空域系数为包含血流的点属于反流血流的概率;
根据每帧彩色图像中各点的血流运动数据、空域系数及对应的时域系数确定出反流区域置信度,所述反流区域置信度为各点发生反流的置信度;
根据每帧彩色图像中各点的血流运动数据及反流区域置信度确定出反流区域的血流运动数据。
具体的,首先根据超声视频数据中每帧灰度图像包含的心脏腔室信息定位到瓣膜的位置,其中以二尖瓣为例,其位于左心室与左心房的交界处,因此根据每帧灰度图像中的各个心脏腔室的位置及类别即可定位到瓣膜的位置。
其中,上述根据超声视频数据中每帧灰度图像对应的心动周期信息确定时域系数的步骤包括:
根据心脏反流与各个心动周期时相之间的相关性,为每个心动周期时相设置所对应的时域系数;
根据超声视频数据中每帧灰度图像所属的心动周期时相确定每帧灰度图像所对应的时域系数。
进一步的,根据每帧灰度图像所处的心动周期时相确定出现反流的概率,也即是时域系数,具体的,基于心动周期中不同的时相,为每个时相设置不同的系数,该系数表示此心动周期时相下出现反流的概率值/置信度,用时域系数函数表示,其值域为[0,1],其中/>值越接近于1,表示时刻t出现反流的概率越大,/>值越接近于0,则表示时刻t出现反流的概率越小;其中该时域系数函数根据心脏反流与心动周期相关性的医学先验知识设计,其中以心脏瓣膜中的二尖瓣反流为例:二尖瓣反流主要发生于射血期,也即是指主动脉半月瓣打开后,血液从左心室射入主动脉的过程,如果二尖瓣闭合不严,一部分血液会向后渗漏,反向流入左心房,造成反流现象。因此心动周期中哪个时相出现反流的概率更大,则为该时刻赋更大的时域系数值,其中该时域系数函数可由指数函数/正弦函数实现,因此时域系数函数用于确定哪个时相更有可能出现反流。
进一步的,根据每帧彩色图像中所有包含血流的点到所定位的瓣膜的距离计算出各点出现反流的概率,也即是空域系数,具体的,计算所有包含血流的点到所定位的瓣膜的最短距离或最近邻距离,根据距离计算各点属于反流血流的概率,其中可认为距离瓣膜越远的血流是反流血流的概率越低,距离瓣膜越近的血流是反流血流的概率越高,用空域系数函数表示,具体而言,对于时刻t的彩色图像,假设其瓣膜位置中心为/>,当点/>距离点/>越远时,则/>的值越小,反之则越大,/>的值域为[0,1],该函数的计算公式为:
,
其中, 表示在/>时刻的彩色图像中点/>处血流的空域系数,exp表示以自然底数e为底的指数函数,/>为标准差系数,是一个经验参数,瓣膜的中心坐标为,此时空域系数函数用于确定哪部分血流从空间上来说更可能是反流血流,同时每帧彩色图像中的每一个像素点都有一个对应计算结果。
进一步的,根据每帧彩色图像中各点的血流运动数据、空域系数及对应的时域系数确定出反流区域置信度,其计算公式为:
,
其中,表示在/>时刻的彩色图像中点/>处血流出现反流的置信度大小,/>表示阈值二值化函数,其中/>小于阈值/>时置0,大于阈值时置1,/>表示在/>时刻的彩色图像中点/>处血流的速度矢量(彩色图像中,速度矢量由x方向的分量v x 与y方向的分量v y 联合表示),/>表示在/>时刻的彩色图像中点/>处血流的速度矢量的模,即速度的大小,阈值/>为经验参数,/>表示在/>时刻的彩色图像中点/>处血流的空域系数,/>表示在/>时刻的时域系数。
具体的,函数主要目的是将速度较小的血流过滤掉,将速度大于阈值的血流区域筛选出来,阈值/>是经验参数,对于速度大小值域为[0, 255]的数据而言,可认为速度大小低于50以下的数据在反流检测中影响不大;为空域系数函数,对于时刻t,假设其瓣膜位置中心为/>,当点/>距离点越远时,则/>的值越小,反之则越大,/>的值域为[0, 1];/>为时域系数函数,根据心脏反流与心动周期相关性的医学先验知识设计,值域为[0, 1],值越接近于1,表示该时刻/>出现反流的概率越大,值越接近于0,则表示该时刻/>出现反流的概率越小;/>表示在时刻/>,点/>处存在反流的置信度大小,值域为[0, 1],值越接近于1,表示当前时刻,该点处出现反流的概率越大;值越接近于0,则表示当前时刻,该点处出现反流的概率越小。因此通过在每帧彩色图像中先过滤屏蔽掉速度小于阈值的血流的点,然后根据每帧彩色图像中其他各点的血流运动速度、各点对应的空域系数以及该帧所对应的时域系数确定出反流区域置信度,也即是各点发生反流的置信度。
进一步的,根据每帧彩色图像中各点的血流运动数据及反流区域置信度确定出反流区域的血流运动数据,其计算公式为:
其中,/>表示在/>时刻的彩色图像中点/>处的血流运动数据,/>表示在/>时刻的彩色图像中点/>处血流出现反流的置信度大小,阈值/>为经验参数,/>表示在/>时刻的彩色图像中点/>处血流的速度矢量。
具体的,是为了将各个时刻/>中置信度较低的血流区域进行置零屏蔽,对于置信度较高的血流区域则维持不变,阈值/>为经验参数,通常情况下,阈值/>可置为0.25,也即是认为上述得到的各点发生的反流置信度低于0.25的区域不可信并将其进行屏蔽,留下反流置信度高于0.25的血流区域作为有效反流区域,然后将该/>与/>相乘,即可得到反流区域的血流运动数据,即反流区域内各点的运动情况。
进一步的,由于通过上述所述方式实现对反流区域的划分,使得可以避免虚假血流的情况发生,避免虚假的血流对心脏反流检测的干扰。
步骤S50,根据超声视频数据中每帧彩色图像的反流检测结果评估心脏反流结果,所述反流结果包括超声视频数据中每帧灰度图像对应的心动周期信息及每帧彩色图像的反流程度;
其中,在本发明的一个实施例中,上述根据超声视频数据中每帧彩色图像的反流检测结果评估心脏反流结果可通过如下步骤实现:
根据超声视频数据中每帧彩色图像的反流区域置信度确定出有效反流区域平均置信度及有效反流区域面积;
根据超声视频数据中每帧彩色图像的反流区域置信度及反流区域的血流运动数据确定出有效反流区域的平均血流速度及血流速度方向的一致性;
根据有效反流区域平均置信度、有效反流区域面积、有效反流区域的平均血流速度以及血流速度方向的一致性评估每帧彩色图像的反流程度。
进一步的,根据有效反流区域平均置信度、有效反流区域面积、有效反流区域的平均血流速度以及血流速度方向的一致性评估每帧彩色图像的反流程度的计算公式为:
,/>,/>
其中,表示在/>时刻的彩色图像的反流程度,/>表示在/>时刻的彩色图像中有效反流区域平均置信度,/>表示在/>时刻的彩色图像中有效反流区域面积,/>表示在/>时刻的彩色图像中有效反流区域的平均血流速度,表示在/>时刻的彩色图像中有效反流区域的血流速度方向的一致性,/>、/>、、/>为预设置的加权系数。
具体的,、/>、/>、/>为预设置的加权系数,其与年龄、性别、身高、体重等患者自身特征相关,此时可由用户(也即临床医生或工作人员)根据不同的患者的特征差异自行设置不同的加权系数,同时每一个系数都可由一个或者多个患者特征决定。优选的,可以根据历史检测评估数据得到不同患者特征对不同加权系数的影响,然后根据聚类算法对不同年龄、性别、身高、体重等范围内的患者进行聚类得到所对应的加权系数,最后根据用户所输入的患者特征获取所相应的加权系数并加以应用。其中,/>是根据上述所述利用/>屏蔽掉置信度小于阈值/>的血流区域,然后再将剩下得到的反流区域内各点的置信度进行平均计算得到该有效反流区域平均置信度;是根据上述所述利用/>屏蔽掉置信度小于阈值的血流区域,然后再将剩下得到的反流区域内各点进行累计得到有效反流区域面积;/>是根据上述所述利用/>屏蔽掉置信度小于阈值/>的血流区域,然后再将剩下得到的反流区域内各点的运动速度进行平均计算得到该有效反流区域的平均血流速度;/>是根据上述所述利用屏蔽掉置信度小于阈值/>的血流区域,然后再将剩下得到的反流区域内各点的运动方向与其他点的运动方向的夹角的余弦函数结果的平均值计算得到有效反流区域的血流速度方向的一致性,当该值越大则表示血流速度方向一致性越高;其中上述/>、/>、/>、/>各自表示在某个维度上出现反流的程度大小,此时与对应的各个加权系数进行加权求和得到一个总的分数,函数/>的目的是为了将该分数进行归一化,使得最终的结果/>被约束在固定的值域范围[0,1]内,函数/>可由指数函数或者sigmoid函数等实现,具体的本发明实施例中采用sigmoid函数,其公式参照上述所述,最终通过从小到大的三个阈值/>、、/>,将/>的值域分为依次递增的四个区间段[0, />][/>,/>] [/>,/>] [/>,1] ,其各个区间段分别表示反流程度的无、低、中、高四个等级。其中三个阈值属于经验参数,分别大于0小于1且不相等,可通过对反流数据的观察总结得到,同样也可由用户自行设置,因此在对每帧彩色图像的反流检测结果进行评估后得到反流程度/>,此时根据反流程度/>所处的区间段即可相应的确定出该帧彩色图像所对应的具体反流程度,相应的反流结果还包括由上述步骤所得到的与超声视频数据时间轴一致的心动周期信息,此时用户根据该反流结果可相应的确定出患者的心动周期变化以及每帧彩色图像所对应的反流程度。
本实施例中,通过同时获取目标区域的灰度图像以及彩色图像得到超声视频数据,然后根据每帧灰度图像检测相应的心脏腔室信息,根据每帧灰度图像的心脏腔室信息确定心动周期信息,然后根据每帧彩色图像的运动数据、上述心脏腔室信息及心动周期信息可以得到每帧彩色图像的反流检测结果,并根据反流检测结果评估心脏反流程度,其反流程度可以直接的反应患者的心脏反流情况,使得只需医生控制获取超声视频数据即可实现自动化检测心脏反流,可以大幅减少临床医生的操作量及操作难度,因此让不熟悉操作的医生也能进行心脏反流的筛查,解决了现有超声心脏反流检测及评估不具备解释性导致临床医生的操作量大及操作难度高的问题。
实施例二
请参阅图2,是本发明第二实施例提供的超声心脏反流自动检测评估系统的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,该系统包括:
输入模块11,用于获取在两种成像模式下对目标区域所同时进行采集得到的超声视频数据,其中第一种成像模式获取目标区域的灰度图像,第二种成像模式获取目标区域内反应血流/组织运动数据的彩色图像;
腔室检测模块12,用于检测超声视频数据中每帧灰度图像包含的心脏腔室信息,所述心脏腔室信息包括心脏腔室的位置信息及类别信息;
心动周期分析模块13,用于根据超声视频数据中每帧灰度图像包含的心脏腔室信息确定心脏运动的心动周期信息,所述心动周期信息为每帧灰度图像所属的心动周期时相;
反流检测模块14,用于根据超声视频数据中每帧彩色图像的运动数据、每帧灰度图像所包含的心脏腔室信息及所对应的心动周期信息,输出超声视频数据中每帧彩色图像的反流检测结果,所述反流检测结果为超声视频数据中每帧彩色图像中反流区域置信度及反流区域的血流运动数据,所述反流区域置信度为所有包含血流的点发生反流的置信度;
评估模块15,用于根据超声视频数据中每帧彩色图像的反流检测结果评估心脏反流结果,所述反流结果包括超声视频数据中每帧灰度图像对应的心动周期信息及每帧彩色图像的反流程度。
进一步地,在本发明的一个实施例中,腔室检测模块12包括:
图像分割单元,用于分别对超声视频数据中每帧灰度图像进行图像分割,得到每帧灰度图像上每个像素点所属的腔室类别及其置信度;
腔室类型确定单元,用于根据每帧灰度图像上每个像素点所属的腔室类别及其置信度选择出每个腔室的最大连通域,并作为各个不同类别腔室的分割结果;
腔室位置确定单元,用于根据计算每个腔室的最大连通域的最小外接矩形及质心确定每个腔室的位置信息。
进一步地,在本发明的一个实施例中,心动周期分析模块13包括:
心室面积确定单元,用于根据超声视频数据中每帧灰度图像包含的心脏腔室信息计算出每帧灰度图像中的心室面积;
曲线确定单元,用于根据每帧灰度图像中的心室面积确定出心室面积随时间变化的面积变化曲线,并计算面积变化曲线的梯度得到梯度曲线;
心动周期信息确定单元,用于根据梯度曲线及面积变化曲线确定出每帧灰度图像所属的心动周期时相。
进一步地,在本发明的一个实施例中,反流检测模块14包括:
瓣膜定位单元,用于根据超声视频数据中每帧灰度图像包含的心脏腔室信息定位到瓣膜的位置;
时域系数确定单元,用于根据超声视频数据中每帧灰度图像对应的心动周期信息确定时域系数,所述时域系数为各个心动周期时相下出现反流的概率;
空域系数确定单元,用于根据超声视频数据中每帧彩色图像中所有包含血流的点到所定位的瓣膜的距离计算出各点的空域系数,所述空域系数为包含血流的点属于反流血流的概率;
反流区域置信度确定单元,用于根据每帧彩色图像中各点的血流运动数据、空域系数及对应的时域系数确定出反流区域置信度,所述反流区域置信度为各点发生反流的置信度;
血流运动数据确定单元,用于根据每帧彩色图像中各点的血流运动数据及反流区域置信度确定出反流区域的血流运动数据。
进一步地,在本发明的一个实施例中,评估模块15包括:
第一数据确定单元,用于根据超声视频数据中每帧彩色图像的反流区域置信度确定出有效反流区域平均置信度及有效反流区域面积;
第二数据确定单元,用于根据超声视频数据中每帧彩色图像的反流区域置信度及反流区域的血流运动数据确定出有效反流区域的平均血流速度及血流速度方向的一致性;
反流程度评估单元,用于根据有效反流区域平均置信度、有效反流区域面积、有效反流区域的平均血流速度以及血流速度方向的一致性评估每帧彩色图像的反流程度。
进一步地,在本发明的一个实施例中,反流区域置信度确定单元的计算公式为:
,
其中,表示在/>时刻的彩色图像中点/>处血流出现反流的置信度大小,表示阈值二值化函数,其中/>小于阈值/>时置0,大于阈值时置1,/>表示在/>时刻的彩色图像中点/>处血流的速度矢量,表示在/>时刻的彩色图像中点/>处血流的速度矢量的模,阈值/>为经验参数,/>表示在/>时刻的彩色图像中点/>处血流的空域系数,/>表示在/>时刻的时域系数;
血流运动数据确定单元的计算公式为:
,
其中,表示在/>时刻的彩色图像中点/>处的血流运动数据,/>表示在/>时刻的彩色图像中点/>处血流出现反流的置信度大小,阈值为经验参数,/>表示在/>时刻的彩色图像中点/>处血流的速度矢量。
进一步地,在本发明的一个实施例中,时域系数确定单元包括:
时域系数设置子单元,用于根据心脏反流与各个心动周期时相之间的相关性,为每个心动周期时相设置所对应的时域系数;
时域系数确定子单元,用于根据超声视频数据中每帧灰度图像所属的心动周期时相确定每帧灰度图像所对应的时域系数。
进一步地,在本发明的一个实施例中,空域系数确定单元的计算公式为:
,
其中,表示在/>时刻的彩色图像中点/>处血流的空域系数,exp表示以自然底数e为底的指数函数,/>为标准差系数,瓣膜的中心坐标为/>。
进一步地,在本发明的一个实施例中,反流程度评估单元的计算公式为:
;,
其中,表示在/>时刻的彩色图像的反流程度,/>表示在/>时刻的彩色图像中有效反流区域平均置信度,/>表示在/>时刻的彩色图像中有效反流区域面积,/>表示在/>时刻的彩色图像中有效反流区域的平均血流速度,/>表示在/>时刻的彩色图像中有效反流区域的血流速度方向的一致性,/>、/>、/>、/>为预设置的加权系数。
本发明实施例所提供的一种超声心脏反流自动检测评估系统,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,系统实施例部分未提及之处,可参考前述方法实施例中相应内容。
实施例三
本发明另一方面还提出一种超声心脏反流自动检测评估装置,请参阅图3,所示为本发明第三实施例当中的超声心脏反流自动检测评估装置,包括存储器20、处理器10以及存储在存储器20上并可在处理器10上运行的计算机程序30,所述处理器10执行所述计算机程序30时实现如上述的超声心脏反流自动检测评估方法。
其中,处理器10在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器20中存储的程序代码或处理数据,例如执行访问限制程序等。
其中,存储器20至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是超声心脏反流自动检测评估装置的内部存储单元,例如该超声心脏反流自动检测评估装置的硬盘。存储器20在另一些实施例中也可以是超声心脏反流自动检测评估装置的外部存储装置,例如超声心脏反流自动检测评估装置上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(FlashCard)等。进一步地,存储器20还可以既包括超声心脏反流自动检测评估装置的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储安装于超声心脏反流自动检测评估装置的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
需要指出的是,图3示出的结构并不构成对超声心脏反流自动检测评估装置的限定,在其它实施例当中,该超声心脏反流自动检测评估装置可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
本发明实施例还提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如前述方法实施例中所述的超声心脏反流自动检测评估方法。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。
Claims (8)
1.一种超声心脏反流自动检测评估方法,其特征在于,所述方法包括:
获取在两种成像模式下对目标区域所同时进行采集得到的超声视频数据,其中第一种成像模式获取目标区域的灰度图像,第二种成像模式获取目标区域内反应血流/组织运动数据的彩色图像;
检测超声视频数据中每帧灰度图像包含的心脏腔室信息,所述心脏腔室信息包括心脏腔室的位置信息及类别信息;
根据超声视频数据中每帧灰度图像包含的心脏腔室信息确定心脏运动的心动周期信息,所述心动周期信息为每帧灰度图像所属的心动周期时相;
根据超声视频数据中每帧彩色图像的运动数据、每帧灰度图像所包含的心脏腔室信息及所对应的心动周期信息,输出超声视频数据中每帧彩色图像的反流检测结果,所述反流检测结果为超声视频数据中每帧彩色图像中反流区域置信度及反流区域的血流运动数据,所述反流区域置信度为所有包含血流的点发生反流的置信度;
根据超声视频数据中每帧彩色图像的反流检测结果评估心脏反流结果,所述反流结果包括超声视频数据中每帧灰度图像对应的心动周期信息及每帧彩色图像的反流程度,其中,所述根据超声视频数据中每帧彩色图像的运动数据、每帧灰度图像所包含的心脏腔室信息及所对应的心动周期信息,输出超声视频数据中每帧彩色图像的反流检测结果的步骤包括:
根据超声视频数据中每帧灰度图像包含的心脏腔室信息定位到瓣膜的位置;
根据超声视频数据中每帧灰度图像对应的心动周期信息确定时域系数,所述时域系数为各个心动周期时相下出现反流的概率;
根据超声视频数据中每帧彩色图像中所有包含血流的点到所定位的瓣膜的距离计算出各点的空域系数,所述空域系数为包含血流的点属于反流血流的概率;
根据每帧彩色图像中各点的血流运动数据、空域系数及对应的时域系数确定出反流区域置信度,所述反流区域置信度为各点发生反流的置信度;
根据每帧彩色图像中各点的血流运动数据及反流区域置信度确定出反流区域的血流运动数据;所述根据超声视频数据中每帧彩色图像的反流检测结果评估心脏反流结果的步骤包括:
根据超声视频数据中每帧彩色图像的反流区域置信度确定出有效反流区域平均置信度及有效反流区域面积;
根据超声视频数据中每帧彩色图像的反流区域置信度及反流区域的血流运动数据确定出有效反流区域的平均血流速度及血流速度方向的一致性;
根据有效反流区域平均置信度、有效反流区域面积、有效反流区域的平均血流速度以及血流速度方向的一致性评估每帧彩色图像的反流程度;所述根据有效反流区域平均置信度、有效反流区域面积、有效反流区域的平均血流速度以及血流速度方向的一致性评估每帧彩色图像的反流程度的计算公式为:
,
,其中,/>表示在 t时刻的彩色图像的反流程度,表示在t时刻的彩色图像中有效反流区域平均置信度,/>表示在t时刻的彩色图像中有效反流区域面积,/>表示在t时刻的彩色图像中有效反流区域的平均血流速度,/>表示在t时刻的彩色图像中有效反流区域的血流速度方向的一致性,/>、/>、/>、/>为预设置的加权系数。
2.根据权利要求1所述的超声心脏反流自动检测评估方法,其特征在于,所述检测超声视频数据中每帧灰度图像包含的心脏腔室信息的步骤包括:
分别对超声视频数据中每帧灰度图像进行图像分割,得到每帧灰度图像上每个像素点所属的腔室类别及其置信度;
根据每帧灰度图像上每个像素点所属的腔室类别及其置信度选择出每个腔室的最大连通域,并作为各个不同类别腔室的分割结果;
根据计算每个腔室的最大连通域的最小外接矩形及质心确定每个腔室的位置信息。
3.根据权利要求1所述的超声心脏反流自动检测评估方法,其特征在于,所述根据超声视频数据中每帧灰度图像包含的心脏腔室信息确定心脏运动的心动周期信息的步骤包括:
根据超声视频数据中每帧灰度图像包含的心脏腔室信息计算出每帧灰度图像中的心室面积;
根据每帧灰度图像中的心室面积确定出心室面积随时间变化的面积变化曲线,并计算面积变化曲线的梯度得到梯度曲线;
根据梯度曲线及面积变化曲线确定出每帧灰度图像所属的心动周期时相。
4.根据权利要求1所述的超声心脏反流自动检测评估方法,其特征在于,所述根据每帧彩色图像中各点的血流运动数据、空域系数及对应的时域系数确定出反流区域置信度的计算公式为:
,
其中,表示在t时刻的彩色图像中点/>处血流出现反流的置信度大小,表示阈值二值化函数,其中/>小于阈值/>时置0,大于阈值时置1,/>表示在t时刻的彩色图像中点/>处血流的速度矢量,表示在t时刻的彩色图像中点/>处血流的速度矢量的模,阈值/>为经验参数,/>表示在t时刻的彩色图像中点/>处血流的空域系数,/>表示在t时刻的时域系数;
所述根据每帧彩色图像中各点的血流运动数据及反流区域置信度确定出反流区域的血流运动数据的计算公式为:
,
其中, 表示在t时刻的彩色图像中点/>处的血流运动数据,/>表示在t时刻的彩色图像中点/>处血流出现反流的置信度大小,阈值/>为经验参数,/> 表示在t时刻的彩色图像中点/>处血流的速度矢量。
5.根据权利要求1所述的超声心脏反流自动检测评估方法,其特征在于,所述根据超声视频数据中每帧灰度图像对应的心动周期信息确定时域系数的步骤包括:
根据心脏反流与各个心动周期时相之间的相关性,为每个心动周期时相设置所对应的时域系数;
根据超声视频数据中每帧灰度图像所属的心动周期时相确定每帧灰度图像所对应的时域系数。
6.根据权利要求1所述的超声心脏反流自动检测评估方法,其特征在于,所述根据超声视频数据中每帧彩色图像中所有包含血流的点到所定位的瓣膜的距离计算出各点的空域系数的计算公式为:
,
其中, 表示在t时刻的彩色图像中点/>处血流的空域系数,exp表示以自然底数e为底的指数函数,/>为标准差系数,瓣膜的中心坐标为/> 。
7.一种超声心脏反流自动检测评估系统,其特征在于,所述系统包括:
输入模块,用于获取在两种成像模式下对目标区域所同时进行采集得到的超声视频数据,其中第一种成像模式获取目标区域的灰度图像,第二种成像模式获取目标区域内反应血流/组织运动数据的彩色图像;
腔室检测模块,用于检测超声视频数据中每帧灰度图像包含的心脏腔室信息,所述心脏腔室信息包括心脏腔室的位置信息及类别信息;
心动周期分析模块,用于根据超声视频数据中每帧灰度图像包含的心脏腔室信息确定心脏运动的心动周期信息,所述心动周期信息为每帧灰度图像所属的心动周期时相;
反流检测模块,用于根据超声视频数据中每帧彩色图像的运动数据、每帧灰度图像所包含的心脏腔室信息及所对应的心动周期信息,输出超声视频数据中每帧彩色图像的反流检测结果,所述反流检测结果为超声视频数据中每帧彩色图像中反流区域置信度及反流区域的血流运动数据,所述反流区域置信度为所有包含血流的点发生反流的置信度;
评估模块,用于根据超声视频数据中每帧彩色图像的反流检测结果评估心脏反流结果,所述反流结果包括超声视频数据中每帧灰度图像对应的心动周期信息及每帧彩色图像的反流程度,其中,所述根据超声视频数据中每帧彩色图像的运动数据、每帧灰度图像所包含的心脏腔室信息及所对应的心动周期信息,输出超声视频数据中每帧彩色图像的反流检测结果的步骤包括:
根据超声视频数据中每帧灰度图像包含的心脏腔室信息定位到瓣膜的位置;
根据超声视频数据中每帧灰度图像对应的心动周期信息确定时域系数,所述时域系数为各个心动周期时相下出现反流的概率;
根据超声视频数据中每帧彩色图像中所有包含血流的点到所定位的瓣膜的距离计算出各点的空域系数,所述空域系数为包含血流的点属于反流血流的概率;
根据每帧彩色图像中各点的血流运动数据、空域系数及对应的时域系数确定出反流区域置信度,所述反流区域置信度为各点发生反流的置信度;
根据每帧彩色图像中各点的血流运动数据及反流区域置信度确定出反流区域的血流运动数据;所述根据超声视频数据中每帧彩色图像的反流检测结果评估心脏反流结果的步骤包括:
根据超声视频数据中每帧彩色图像的反流区域置信度确定出有效反流区域平均置信度及有效反流区域面积;
根据超声视频数据中每帧彩色图像的反流区域置信度及反流区域的血流运动数据确定出有效反流区域的平均血流速度及血流速度方向的一致性;
根据有效反流区域平均置信度、有效反流区域面积、有效反流区域的平均血流速度以及血流速度方向的一致性评估每帧彩色图像的反流程度;所述根据有效反流区域平均置信度、有效反流区域面积、有效反流区域的平均血流速度以及血流速度方向的一致性评估每帧彩色图像的反流程度的计算公式为:
,
,其中,/>表示在t时刻的彩色图像的反流程度,/>表示在t时刻的彩色图像中有效反流区域平均置信度,/>表示在t时刻的彩色图像中有效反流区域面积,/>表示在t时刻的彩色图像中有效反流区域的平均血流速度,/>表示在t时刻的彩色图像中有效反流区域的血流速度方向的一致性,/>、/>、、/>为预设置的加权系数。
8.一种超声心脏反流自动检测评估装置,其特征在于,所述装置包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行如权利要求1至6任一项所述的超声心脏反流自动检测评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311146681.8A CN116869571B (zh) | 2023-09-07 | 2023-09-07 | 超声心脏反流自动检测评估方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311146681.8A CN116869571B (zh) | 2023-09-07 | 2023-09-07 | 超声心脏反流自动检测评估方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116869571A CN116869571A (zh) | 2023-10-13 |
CN116869571B true CN116869571B (zh) | 2023-11-07 |
Family
ID=88272055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311146681.8A Active CN116869571B (zh) | 2023-09-07 | 2023-09-07 | 超声心脏反流自动检测评估方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116869571B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117547306B (zh) * | 2024-01-09 | 2024-03-15 | 深圳华声医疗技术股份有限公司 | 基于m型超声的左心室射血分数测量方法、系统及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011025002A (ja) * | 2009-07-02 | 2011-02-10 | Japan Health Science Foundation | 弁付人工血管及び弁付人工血管用柱状芯基材並びに弁付人工血管の製造方法 |
CN111227868A (zh) * | 2020-02-03 | 2020-06-05 | 中国医学科学院阜外医院 | 一种继发性三尖瓣反流的分级标准 |
CN111598838A (zh) * | 2020-04-22 | 2020-08-28 | 中南民族大学 | 心脏mr图像自动分割方法、装置、电子设备和存储介质 |
CN111820947A (zh) * | 2019-04-19 | 2020-10-27 | 无锡祥生医疗科技股份有限公司 | 超声心脏反流自动捕捉方法、系统及超声成像设备 |
WO2020236494A1 (en) * | 2019-05-17 | 2020-11-26 | Opsens, Inc. | Pressure based structural heart assessment systems and methods |
CN113412087A (zh) * | 2019-02-11 | 2021-09-17 | 皇家飞利浦有限公司 | 用于瓣膜反流评估的方法和系统 |
EP4137061A1 (en) * | 2021-08-17 | 2023-02-22 | Koninklijke Philips N.V. | Ultrasound imaging for visualization and quantification of mitral regurgitation |
CN115956952A (zh) * | 2022-12-01 | 2023-04-14 | 武汉联影医疗科技有限公司 | 一种反流的监测方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8070684B2 (en) * | 2005-12-14 | 2011-12-06 | St. Jude Medical, Atrial Fibrillation Division, Inc. | Method and system for evaluating valvular function |
US20190125295A1 (en) * | 2017-10-30 | 2019-05-02 | Siemens Medical Solutions Usa, Inc. | Cardiac flow detection based on morphological modeling in medical diagnostic ultrasound imaging |
-
2023
- 2023-09-07 CN CN202311146681.8A patent/CN116869571B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011025002A (ja) * | 2009-07-02 | 2011-02-10 | Japan Health Science Foundation | 弁付人工血管及び弁付人工血管用柱状芯基材並びに弁付人工血管の製造方法 |
CN113412087A (zh) * | 2019-02-11 | 2021-09-17 | 皇家飞利浦有限公司 | 用于瓣膜反流评估的方法和系统 |
CN111820947A (zh) * | 2019-04-19 | 2020-10-27 | 无锡祥生医疗科技股份有限公司 | 超声心脏反流自动捕捉方法、系统及超声成像设备 |
WO2020236494A1 (en) * | 2019-05-17 | 2020-11-26 | Opsens, Inc. | Pressure based structural heart assessment systems and methods |
CN111227868A (zh) * | 2020-02-03 | 2020-06-05 | 中国医学科学院阜外医院 | 一种继发性三尖瓣反流的分级标准 |
CN111598838A (zh) * | 2020-04-22 | 2020-08-28 | 中南民族大学 | 心脏mr图像自动分割方法、装置、电子设备和存储介质 |
EP4137061A1 (en) * | 2021-08-17 | 2023-02-22 | Koninklijke Philips N.V. | Ultrasound imaging for visualization and quantification of mitral regurgitation |
CN115956952A (zh) * | 2022-12-01 | 2023-04-14 | 武汉联影医疗科技有限公司 | 一种反流的监测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116869571A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10702247B2 (en) | Automatic clinical workflow that recognizes and analyzes 2D and doppler modality echocardiogram images for automated cardiac measurements and the diagnosis, prediction and prognosis of heart disease | |
CN111000590B (zh) | 超声心脏多普勒研究自动化 | |
Suhling et al. | Myocardial motion analysis from B-mode echocardiograms | |
US8050478B2 (en) | Method and apparatus for tissue border detection using ultrasonic diagnostic images | |
US20220079552A1 (en) | Cardiac flow detection based on morphological modeling in medical diagnostic ultrasound imaging | |
KR101908520B1 (ko) | 메디컬 이미징에서 공간 및 시간 제약들을 이용하는 랜드마크 검출 | |
US8009887B2 (en) | Method and system for automatic quantification of aortic valve function from 4D computed tomography data using a physiological model | |
US9147258B2 (en) | Methods and systems for segmentation in echocardiography | |
CN109620293B (zh) | 一种图像识别方法、装置以及存储介质 | |
CN116869571B (zh) | 超声心脏反流自动检测评估方法、系统及装置 | |
CA2587417A1 (en) | Automatic multi-dimensional intravascular ultrasound image segmentation method | |
CN103732134A (zh) | 自动左心室功能评价 | |
CN117017347B (zh) | 超声设备的图像处理方法、系统及超声设备 | |
CN117547306B (zh) | 基于m型超声的左心室射血分数测量方法、系统及装置 | |
US20230346339A1 (en) | Systems and methods for imaging and measuring epicardial adipose tissue | |
CN112826535B (zh) | 一种超声成像中自动定位血管的方法和装置及设备 | |
Ravhon et al. | Validation of ultrasonic image boundary recognition in abdominal aortic aneurysm | |
CN114469176A (zh) | 一种胎儿心脏超声图像的检测方法及相关装置 | |
CN112336378B (zh) | 一种用于动物超声诊断的m型超声心动图处理方法和系统 | |
TWI796647B (zh) | 用於評估心臟影像的影像處理裝置及心室狀態辨識方法 | |
WO2023184951A1 (zh) | 一种超声图像处理方法及系统 | |
US20240173007A1 (en) | Method and apparatus with user guidance and automated image setting selection for mitral regurgitation evaluation | |
Crestan | Automatic segmentation framework for left atrial appendage orifice identification from 3D echocardiography | |
CN115633987A (zh) | 一种左心房室实时三维容积环绘制和解读的方法 | |
Antunes | Reconstruction of Echocardiographic Images for the Detection of Several Congenital Heart Defects |
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 |