CN117152125B - 基于超声影像的心脏异常分析方法及装置 - Google Patents
基于超声影像的心脏异常分析方法及装置 Download PDFInfo
- Publication number
- CN117152125B CN117152125B CN202311385654.6A CN202311385654A CN117152125B CN 117152125 B CN117152125 B CN 117152125B CN 202311385654 A CN202311385654 A CN 202311385654A CN 117152125 B CN117152125 B CN 117152125B
- Authority
- CN
- China
- Prior art keywords
- heart
- reasonable
- condition
- determining
- parameter
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 126
- 208000002330 Congenital Heart Defects Diseases 0.000 title claims abstract description 33
- 230000005831 heart abnormality Effects 0.000 title claims abstract description 33
- 210000002216 heart Anatomy 0.000 claims abstract description 340
- 238000012512 characterization method Methods 0.000 claims abstract description 49
- 230000005856 abnormality Effects 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 20
- 230000000747 cardiac effect Effects 0.000 claims description 204
- 238000002604 ultrasonography Methods 0.000 claims description 70
- 230000002159 abnormal effect Effects 0.000 claims description 61
- 230000000877 morphologic effect Effects 0.000 claims description 57
- 238000003709 image segmentation Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 20
- 238000012285 ultrasound imaging Methods 0.000 claims description 6
- 210000003754 fetus Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 26
- 238000011160 research Methods 0.000 description 19
- 238000003384 imaging method Methods 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 210000000038 chest Anatomy 0.000 description 6
- 210000005003 heart tissue Anatomy 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 210000001367 artery Anatomy 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000002592 echocardiography Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000003462 vein Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 210000005246 left atrium Anatomy 0.000 description 2
- 210000005240 left ventricle Anatomy 0.000 description 2
- 210000003041 ligament Anatomy 0.000 description 2
- 210000004165 myocardium Anatomy 0.000 description 2
- 210000005245 right atrium Anatomy 0.000 description 2
- 210000005241 right ventricle Anatomy 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 210000002376 aorta thoracic Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 210000004830 heart-related structure Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000001562 sternum Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000779 thoracic wall Anatomy 0.000 description 1
- 210000001541 thymus gland Anatomy 0.000 description 1
- 210000003437 trachea Anatomy 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—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
- G06T2207/10—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
- G06T2207/20—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Cardiology (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及影像处理技术领域,公开了基于超声影像的心脏异常分析方法及装置,包括:影像获取模块获取目标心脏对象的动态超声影像;位置分析模块基于心脏位置检测模型,根据动态超声影像确定目标心脏对象的至少一个心脏结构的结构位置的位置合理情况;参数分析模块基于心脏参数识别模型,根据动态超声影像确定目标心脏对象的至少一个心脏结构的表征参数的参数合理情况;连接分析模块基于结构连通识别模型,根据动态超声影像确定目标心脏对象的至少两个心脏结构之间的连接关系的连接合理情况;异常分析模块根据位置合理情况、参数合理情况和连接合理情况,确定目标心脏对象对应的异常分析结果。可见,本发明能实现更加精准和有效的影像异常识别。
Description
技术领域
本发明涉及影像处理技术领域,尤其涉及一种基于超声影像的心脏异常分析方法及装置。
背景技术
随着超声成像技术的发展,越来越多的医疗诊治机构或医疗研究机构采用超声成像技术来进行心脏相关医疗问题的研究,其中,动态影像因其能对心脏相关结构进行完整和全面的展现,也越来越多地被应用这些研究中。但现有的基于超声影像的心脏异常分析技术仅仅利用单一的算法模型对特定场景下的特定切面的心脏超声影像进行分析,没有考虑到多种场景和多种切面的超声影像能够提供更多信息,因此无法得到非常精确的分析结果。可见,现有技术存在缺陷,亟待解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于超声影像的心脏异常分析方法及装置,能实现更加精准和有效的影像异常识别,提高医学研究的效率。
为了解决上述技术问题,本发明第一方面公开了一种基于超声影像的心脏异常分析方法,所述方法包括:
获取对应于目标心脏对象的动态超声影像;
基于心脏位置检测模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的结构位置的位置合理情况;
基于心脏参数识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的表征参数的参数合理情况;
基于结构连通识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少两个心脏结构之间的连接关系的连接合理情况;
根据所述位置合理情况、所述参数合理情况和所述连接合理情况,确定所述目标心脏对象对应的异常分析结果。
作为一个可选的实施方式,在本发明第一方面中,所述表征参数包括面积参数、动态尺寸参数和形态参数中的至少一种。
作为一个可选的实施方式,在本发明第一方面中,所述基于心脏参数识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的表征参数的参数合理情况之后,所述方法还包括:
根据所述结构位置和所述表征参数,确定所述心脏结构的预测准确性。
作为一个可选的实施方式,在本发明第一方面中,所述基于心脏位置检测模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的结构位置的位置合理情况,包括:
根据所述动态超声影像,确定所述目标心脏对象所处的胸腔空间的多个显著特征点;
基于所述多个显著特征点,建立位置参照系;
根据所述动态超声影像,基于影像识别算法,识别所述目标心脏对象的至少一个心脏结构;
根据所述位置参照系,确定所述至少一个心脏结构的结构位置;
根据所述结构位置,以及预设的位置合理判断规则,确定所述至少一个心脏结构的结构位置的位置合理情况。
作为一个可选的实施方式,在本发明第一方面中,所述基于心脏参数识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的表征参数的参数合理情况,包括:
基于图像分割算法模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构在预设心动周期内的面积参数;
根据所述面积参数,以及预设的面积合理判断规则,确定所述至少一个心脏结构的面积参数的面积合理情况;
和/或,
基于结构尺寸测算模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的动态尺寸参数;所述结构尺寸测算模型包括关键点检测算法模型和/或影像组学测算模型;
根据所述动态尺寸参数,以及预设的尺寸合理判断规则,确定所述至少一个心脏结构的动态尺寸参数的尺寸合理情况;
和/或,
基于图像识别算法,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的形态参数;
根据所述形态参数,以及预设的对应于特定心脏结构的合理形态模板,确定所述至少一个心脏结构的形态参数的形态合理情况。
作为一个可选的实施方式,在本发明第一方面中,所述基于结构连通识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少两个心脏结构之间的连接关系的连接合理情况,包括:
根据所述动态超声影像,判断所述目标心脏对象的至少两个心脏结构之间的影像组学特征是否形成连续边缘;
根据判断结果,确定所述至少两个心脏结构之间的连接关系;
根据预设的结构连接判断规则,确定所述至少两个心脏结构之间的连接关系的连接合理情况。
作为一个可选的实施方式,在本发明第一方面中,所述根据所述位置合理情况、所述参数合理情况和所述连接合理情况,确定所述目标心脏对象对应的异常分析结果,包括:
根据所述动态超声影像,确定所述目标心脏对象的所有心脏结构的表现完整情况;
根据所述表现完整情况、所述位置合理情况、所述参数合理情况和所述连接合理情况,确定所述目标心脏对象对应的异常分析结果。
本发明实施例第二方面公开了一种基于超声影像的心脏异常分析装置,所述装置包括:
影像获取模块,用于获取对应于目标心脏对象的动态超声影像;
位置分析模块,用于基于心脏位置检测模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的结构位置的位置合理情况;
参数分析模块,用于基于心脏参数识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的表征参数的参数合理情况;
连接分析模块,用于基于结构连通识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少两个心脏结构之间的连接关系的连接合理情况;
异常分析模块,用于根据所述位置合理情况、所述参数合理情况和所述连接合理情况,确定所述目标心脏对象对应的异常分析结果。
作为一个可选的实施方式,在本发明第二方面中,所述表征参数包括面积参数、动态尺寸参数和形态参数中的至少一种。
作为一个可选的实施方式,在本发明第二方面中,所述装置还包括:
准确性判断模块,用于根据所述结构位置和所述表征参数,确定所述心脏结构的预测准确性。
作为一个可选的实施方式,在本发明第二方面中,所述位置分析模块基于心脏位置检测模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的结构位置的位置合理情况的具体方式,包括:
根据所述动态超声影像,确定所述目标心脏对象所处的胸腔空间的多个显著特征点;
基于所述多个显著特征点,建立位置参照系;
根据所述动态超声影像,基于影像识别算法,识别所述目标心脏对象的至少一个心脏结构;
根据所述位置参照系,确定所述至少一个心脏结构的结构位置;
根据所述结构位置,以及预设的位置合理判断规则,确定所述至少一个心脏结构的结构位置的位置合理情况。
作为一个可选的实施方式,在本发明第二方面中,所述参数分析模块基于心脏参数识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的表征参数的参数合理情况的具体方式,包括:
基于图像分割算法模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构在预设心动周期内的面积参数;
根据所述面积参数,以及预设的面积合理判断规则,确定所述至少一个心脏结构的面积参数的面积合理情况;
和/或,
基于结构尺寸测算模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的动态尺寸参数;所述结构尺寸测算模型包括关键点检测算法模型和/或影像组学测算模型;
根据所述动态尺寸参数,以及预设的尺寸合理判断规则,确定所述至少一个心脏结构的动态尺寸参数的尺寸合理情况;
和/或,
基于图像识别算法,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的形态参数;
根据所述形态参数,以及预设的对应于特定心脏结构的合理形态模板,确定所述至少一个心脏结构的形态参数的形态合理情况。
作为一个可选的实施方式,在本发明第二方面中,所述连接分析模块基于结构连通识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少两个心脏结构之间的连接关系的连接合理情况的具体方式,包括:
根据所述动态超声影像,判断所述目标心脏对象的至少两个心脏结构之间的影像组学特征是否形成连续边缘;
根据判断结果,确定所述至少两个心脏结构之间的连接关系;
根据预设的结构连接判断规则,确定所述至少两个心脏结构之间的连接关系的连接合理情况。
作为一个可选的实施方式,在本发明第二方面中,所述异常分析模块包括:
表现分析单元,用于根据所述动态超声影像,确定所述目标心脏对象的所有心脏结构的表现完整情况;
异常分析单元,用于根据所述表现完整情况、所述位置合理情况、所述参数合理情况和所述连接合理情况,确定所述目标心脏对象对应的异常分析结果。
本发明第三方面公开了另一种基于超声影像的心脏异常分析装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于超声影像的心脏异常分析方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于超声影像的心脏异常分析方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,公开了一种基于超声影像的心脏异常分析方法及装置,该方法包括:获取对应于目标心脏对象的动态超声影像;基于心脏位置检测模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的结构位置的位置合理情况;基于心脏参数识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的表征参数的参数合理情况;基于结构连通识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少两个心脏结构之间的连接关系的连接合理情况;根据所述位置合理情况、所述参数合理情况和所述连接合理情况,确定所述目标心脏对象对应的异常分析结果。可见,本发明实施例能够基于多种算法模型,根据动态超声影像对心脏的多个指标进行分析,并最终根据多个指标分析的结果确定心脏影像的异常情况,从而可以实现更加精准和有效的影像异常识别,有助于提高医学研究的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中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是本发明实施例公开的一种基于超声影像的心脏异常分析方法的流程示意图。
图2是本发明实施例公开的另一种基于超声影像的心脏异常分析方法的流程示意图。
图3是本发明实施例公开的一种基于超声影像的心脏异常分析装置的结构示意图。
图4是本发明实施例公开的另一种基于超声影像的心脏异常分析装置的结构示意图。
图5是本发明实施例公开的又一种基于超声影像的心脏异常分析装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于超声影像的心脏异常分析方法及装置,能够基于多种算法模型,根据动态超声影像对心脏的多个指标进行分析,并最终根据多个指标分析的结果确定心脏影像的异常情况,从而可以实现更加精准和有效的影像异常识别,有助于提高医学研究的效率。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于超声影像的心脏异常分析方法的流程示意图。其中,图1所描述的基于超声影像的心脏异常分析方法应用于影像数据处理系统/影像数据处理设备/影像数据处理服务器(其中,该服务器包括本地处理服务器或云处理服务器)中。如图1所示,该基于超声影像的心脏异常分析方法可以包括以下操作:
101、获取对应于目标心脏对象的动态超声影像。
可选的,目标心脏对象可以为人体(也即胎儿)或动物的心脏组织,本发明不做限定。需要指出的是,本发明的部分实施例对于人体心脏组织对象的异常识别分析研究有较为优异的效果,但这并不意味着本发明所公开的方案不能用于其他例如动物的心脏组织对象分析场景中。
可选的,动态超声影像可以包括至少两帧超声图像,其中,至少两帧超声图像的获取时间之间的间隔低于预设的时间阈值。可选的,动态超声影像可以通过超声成像设备对检测对象进行扫描成像而获得,例如,超声成像设备的发射模块可以将一组经过延迟聚焦的脉冲发送到探头,而探头向检测对象发射超声波,经一定延时后接收从检测对象反射回来的带有组织信息的超声回波,并将此超声回波重新转换为电信号。接着,超声成像设备接收这些电信号,并将这些超声回波信号送入波束合成模块完成聚焦延时、加权和通道求和,再经过信号处理模块进行信号处理,得到动态超声影像。
102、基于心脏位置检测模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的结构位置的位置合理情况。
可选的,位置合理情况可以用于指示目标心脏对象的至少一个心脏结构的结构位置是否满足预设的健康生物体医学逻辑,例如与特定关键点的距离是否在合理的距离范围内,或是多个心脏结构之间的最大距离或最小距离是否满足预设的距离规则。
可选的,心脏结构可以用于指代整个目标心脏,也可以为包括心脏中的如心肌、左心房、左心室、右心房、右心室或瓣膜等结构的至少一种,也可以为与心脏连接的特定动脉或静脉等结构。
103、基于心脏参数识别模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的表征参数的参数合理情况。
可选的,表征参数包括面积参数、动态尺寸参数和形态参数中的至少一种。其中,动态尺寸参数可以用于表征目标心脏对象的至少一个心脏结构在预设的时间周期内的动态尺寸。其中,形态参数可以用于表征心脏结构的二维形状或三维形状,或是静态形状或动态形状。可选的,心脏参数识别模型中可以包括有至少一个算法模型,以用于确定出目标心脏对象的至少一个心脏结构的至少一种上述表征参数。
可选的,参数合理情况可以用于表征目标心脏对象的至少一个心脏结构的表征参数是否满足预设的健康生物体医学逻辑,例如其面积或尺寸是否在合理的范围内,或是其形态是否为正常的形态。
104、基于结构连通识别模型,根据动态超声影像,确定目标心脏对象的至少两个心脏结构之间的连接关系的连接合理情况。
可选的,至少两个心脏结构之间的连接关系可以用于表征至少两个心脏结构之间的生物组织连通情况,例如通过动脉、静脉、韧带或小血管等生物组织进行连通的情况,可选的,结构连通识别模型可以包括有至少一种算法模型,以用于识别出至少两个心脏结构之间通过至少一种上述生物组织进行连通情况。
105、根据位置合理情况、参数合理情况和连接合理情况,确定目标心脏对象对应的异常分析结果。
可选的,可以根据位置合理情况、参数合理情况和连接合理情况中的计算结果数值,例如位置合理情况中的结构位置的坐标数值或与特定参考点的距离数值,或是参数合理情况中特定表征参数与参考值的差值,或是连接合理情况中,特定两个应当具有连接关系的心脏结构是否连接,若是则定为特定分数,以分别确定或进一步计算得到目标心脏对象的对应的位置得分、参数得分和连接得分,并根据位置得分、参数得分和连接得分的加权求和,得到目标心脏对象对应的异常分析分数。通过这样设置,后续能够根据异常分析分数来进一步辅助医疗研究的进行,例如可以作为筛选正常心脏对象样本的数据判断基础,或是自动识别异常心脏对象样本的数据判断基础。
可见,上述发明实施例能够基于多种算法模型,根据动态超声影像对心脏的多个指标进行分析,并最终根据多个指标分析的结果确定心脏影像的异常情况,从而可以实现更加精准和有效的影像异常识别,有助于提高医学研究的效率。
作为一个可选的实施方式,上述步骤102中的,基于心脏位置检测模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的结构位置的位置合理情况,包括:
根据动态超声影像,确定目标心脏对象所处的胸腔空间的多个显著特征点;
基于多个显著特征点,建立位置参照系;
根据动态超声影像,基于影像识别算法,识别目标心脏对象的至少一个心脏结构;
根据位置参照系,确定至少一个心脏结构的结构位置;
根据结构位置,以及预设的位置合理判断规则,确定至少一个心脏结构的结构位置的位置合理情况。
其中,胸腔空间的多个显著特征点可以包括胸腔空间中肺部、肋骨、前胸壁、胸腺、胸骨、气管、降主动脉中的一种或多种结构对应的显著特征点。
可选的,预设的位置合理判断规则可以用于指示特定的心脏结构的结构位置与特定的参考点之间的距离范围。可选的,根据结构位置,以及预设的位置合理判断规则,确定至少一个心脏结构的结构位置的位置合理情况,可以具体包括:
对于至少一个心脏结构中的任一心脏结构,根据位置参照系,确定该心脏结构对应的目标参考点的参考点位置;
计算该心脏结构的结构位置与参考点位置的第一距离;
判断第一距离是否在该心脏结构对应的位置合理判断规则所指示的距离范围内;
若判断结果为是,则确定该心脏结构对应的位置合理情况为不合理,或将该心脏结构对应的位置得分确定为第一数值;
若判断结果为否,则确定该心脏结构对应的位置合理情况为合理,或将该心脏结构对应的位置得分确定为第二数值。
具体的,第二数值与第一数值不同,可选的,第二数值可以高于第一数值,以用于后续确定异常分析结果时,可以通过更高的分数来表达更合理的判断结果。
可见,通过实施该可选的实施方式,能够基于建立的位置参照系确定心脏结构的位置,并通过预设的位置合理判断规则,更合理和精确地确定心脏结构的位置合理情况,以便于后续根据位置合理情况确定心脏影像的异常情况,以实现更加精准和有效的影像异常识别,提高医学研究的效率。
作为一个可选的实施方式,上述步骤103中的,基于心脏参数识别模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的表征参数的参数合理情况,包括:
基于图像分割算法模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构在预设心动周期内的面积参数;
根据面积参数,以及预设的面积合理判断规则,确定至少一个心脏结构的面积参数的面积合理情况。
可选的,图像分割算法模型可以为传统的基于阈值的图像分割算法或是基于区域的图像分割算法,例如区域生长算法或区域分裂合并算法如四叉树分解法,其也可以采用较为新兴的分割算法,如基于边缘检测的分割方法、基于小波分析和小波变换的图像分割方法、基于遗传算法的图像分割算法、基于主动轮廓模型的分割方法或基于深度学习的分割算法。
可选的,可以通过图像分割算法模型,识别出目标心脏对象的至少一个心脏结构在动态超声影像中预设心动周期内的多帧超声图像中的多个结构图像,并测算多个结构图像的面积,以得到该面积参数。进一步的,也可以对多个结构图像的面积求平均值或最大值,以得到该面积参数。
可选的,面积合理判断规则用于指示特定的心脏结构的结构面积范围,具体的,可以通过确定该面积参数是否在结构面积范围内,以确定心脏结构的面积参数的面积合理情况。
可见,通过实施该可选的实施方式,能够基于图像分割算法模型确定心脏结构在预设心动周期内的面积参数,并根据面积参数确定心脏结构的面积参数的面积合理情况,以便于后续根据面积合理情况确定心脏影像的异常情况,以实现更加精准和有效的影像异常识别,提高医学研究的效率。
作为一个可选的实施方式,上述步骤103中的,基于心脏参数识别模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的表征参数的参数合理情况,包括:
基于结构尺寸测算模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的动态尺寸参数;
根据动态尺寸参数,以及预设的尺寸合理判断规则,确定至少一个心脏结构的动态尺寸参数的尺寸合理情况。
可选的,结构尺寸测算模型包括关键点检测算法模型和/或影像组学测算模型,在一些实施例中,可以通过关键点检测算法模型根据动态超声影像的任一帧超声图像,确定目标心脏对象的至少一个心脏结构的至少两个关键点,并根据关键点之间的距离估算出心脏结构的尺寸,并根据心脏结构在多帧超声图像的尺寸得到其动态尺寸参数。其中,关键点检测算法模型可以为神经网络模型,其通过包括有多个训练心脏结构影像以及标注好的关键点的训练数据集进行训练直至收敛。其中,影像组学测算模型,可以为基于影像组学逻辑的人工智能算法,如训练好的神经网络算法,其可以直接根据动态超声影像的任一帧超声图像得到心脏结构的尺寸,并根据心脏结构在多帧超声图像的尺寸得到其动态尺寸参数。
可选的,尺寸合理判断规则用于指示特定的心脏结构的合理尺寸范围,具体的,可以通过确定该动态尺寸参数是否在合理尺寸范围内,以确定心脏结构的动态尺寸参数的尺寸合理情况。
可见,通过实施该可选的实施方式,能够基于结构尺寸测算模型确定心脏结构的动态尺寸参数,并根据动态尺寸参数确定心脏结构的尺寸合理情况,以便于后续根据尺寸合理情况确定心脏影像的异常情况,以实现更加精准和有效的影像异常识别,提高医学研究的效率。
作为一个可选的实施方式,上述步骤103中的,基于心脏参数识别模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的表征参数的参数合理情况,包括:
基于图像识别算法,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的形态参数;
根据形态参数,以及预设的对应于特定心脏结构的合理形态模板,确定至少一个心脏结构的形态参数的形态合理情况。
可选的,图像识别算法可以为如上所述的图像分割算法中的一种或多种,在此不再赘述。
可选的,根据形态参数,以及预设的对应于特定心脏结构的合理形态模板,确定至少一个心脏结构的形态参数的形态合理情况,可以包括:
对于目标心脏对象的任一心脏结构,计算该心脏结构的形态参数与对应的合理形态模板之间的相似度参数;
判断相似度参数是否大于预设的相似度阈值;
若是,则确定该心脏结构的形态合理情况为合理,或确定该心脏结构的形态参数得分为第三数值;
若否,则确定该心脏结构的形态合理情况为不合理,或确定该心脏结构的形态参数得分为第四数值。
其中,第三数值与第四数值不同,可选的,第三数值大于第四数值,以用于后续确定异常分析结果时,可以通过更高的分数来表达更合理的判断结果。
可见,通过实施该可选的实施方式,能够根据形态参数以及预设的对应于特定心脏结构的合理形态模板,确定心脏结构的形态合理情况,以便于后续根据形态合理情况确定心脏影像的异常情况,以实现更加精准和有效的影像异常识别,提高医学研究的效率。
作为一个可选的实施方式,上述步骤104中的,基于结构连通识别模型,根据动态超声影像,确定目标心脏对象的至少两个心脏结构之间的连接关系的连接合理情况,包括:
根据动态超声影像,判断目标心脏对象的至少两个心脏结构之间的影像组学特征是否形成连续边缘;
根据判断结果,确定至少两个心脏结构之间的连接关系;
根据预设的结构连接判断规则,确定至少两个心脏结构之间的连接关系的连接合理情况。
可选的,可以通过训练好的影像组学特征识别算法模型识别出动态超声影像中目标心脏对象的至少两个心脏结构之间的影像组学特征,影像组学特征识别算法模型可以为神经网络模型或其他图形识别算法。
可选的,结构连接判断规则用于指示目标心脏对象的至少两个特定的心脏结构之间是否应该具有连接关系,从而能够以此判断至少两个心脏结构之间的连接关系是否正常。
可见,通过该可选的实施方式,可以通过判断目标心脏对象的至少两个心脏结构之间的影像组学特征是否形成连续边缘,确定至少两个心脏结构之间的连接关系的连接合理情况,以便于后续根据形态合理情况确定心脏影像的异常情况,以实现更加精准和有效的影像异常识别,提高医学研究的效率。
实施例二
请参阅图2,图2是本发明实施例公开的另一种基于超声影像的心脏异常分析方法的流程示意图。其中,图2所描述的基于超声影像的心脏异常分析方法应用于影像数据处理系统/影像数据处理设备/影像数据处理服务器(其中,该服务器包括本地处理服务器或云处理服务器)中。如图2所示,该基于超声影像的心脏异常分析方法可以包括以下操作:
201、获取对应于目标心脏对象的动态超声影像。
202、基于心脏位置检测模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的结构位置的位置合理情况。
203、基于心脏参数识别模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的表征参数的参数合理情况。
204、基于结构连通识别模型,根据动态超声影像,确定目标心脏对象的至少两个心脏结构之间的连接关系的连接合理情况。
本发明实施例中,针对步骤201-204的相关描述和技术细节请参照实施例一中针对步骤101-步骤104的详细描述,本发明实施例不再赘述。
205、根据动态超声影像,确定目标心脏对象的所有心脏结构的表现完整情况。
可选的,目标心脏对象的所有心脏结构的表现完整情况可以为在动态超声影像的多帧多个切面的超声图像中目标心脏对象的对应心脏结构是否均完整表现,可选的,表现完整情况可以根据以下步骤确定:
对于动态超声影像中的任一帧超声图像,根据图像分割算法,确定该超声图像对应的目标心脏结构以及目标心脏结构对应的结构图像;
根据预设的目标心脏机构对应的结构完整图像,确定该超声图像中的结构图像完整信息;
根据动态超声影像中的所有帧超声图像的结构图像完整信息,确定目标心脏对象的所有心脏结构的表现完整情况。
可选的,可以计算结构图像和结构完整图像之间的相似度,并在该相似度大于预设的阈值时确定该超声图像中的结构图像完整信息为完整,否则确定该超声图像中的结构图像完整信息为不完整。
206、根据表现完整情况、位置合理情况、参数合理情况和连接合理情况,确定目标心脏对象对应的异常分析结果。
可选的,可以根据表现完整情况确定目标心脏对象对应的表现完整评分,并对表现完整评分,以及实施例一中所阐述的目标心脏对象的对应的位置得分、参数得分和连接得分,进行加权求和,得到目标心脏对象对应的异常分析分数。
可选的,也可以根据以下规则确定目标心脏对象对应的异常分析结果:
判断位置合理情况、参数合理情况和连接合理情况中是否不存在不合理的情况,得到第一判断结果;
判断表现完整情况中是否动态超声影像中的所有帧超声图像的结构图像完整信息均为完整,得到第二判断结果;
当第一判断结果和第二判断结果均为是时,确定目标心脏对象对应的异常分析结果为正常;
当第一判断结果为是,而第二判断结果为否时,确定目标心脏对象对应的异常分析结果为疑似异常;
当第一判断结果为否,而第二判断结果为否时,确定目标心脏对象对应的异常分析结果为异常。
可见,本发明实施例可以根据表现完整情况、位置合理情况、参数合理情况和连接合理情况,确定目标心脏对象对应的异常分析结果,以实现更加精准和有效的影像异常识别,提高医学研究的效率。
作为一个可选的实施方式,在上述步骤203中的,基于心脏参数识别模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的表征参数的参数合理情况之后,该方法还包括:
根据结构位置和表征参数,确定心脏结构的预测准确性。
可选的,可以判断结构位置和表征参数是否符合预设的准确预测参数规则,并在符合时,确定心脏结构的预测准确性为准确,否则,确定心脏结构的预测准确性为不准确。可选的,预设的准确预测参数规则可以用于指定特定心脏结构的合理结构位置范围和合理表征参数范围,其可以由操作人员通过实验值或经验值进行设定,并根据试验效果进行调整。
可选的,也可以通过训练好的分类神经网络模型,根据结构位置和表征参数,确定心脏结构的预测准确性。其中,分类神经网络模型可以通过包括多个正样本和负样本的训练数据集训练得到,其中,正样本为预测准确的心脏结构的结构位置样本和表征参数样本,正样本为预测不准确的心脏结构的结构位置样本和表征参数样本。
可选的,预测准确性后续可以用于确定该心脏结构的相关参数被用于确定目标心脏对象的异常分析结果时的考虑程度,例如,可以在预测准确性为不准确的情况下,将该心脏结构的相关参数剔除,或是根据预测准确性确定该心脏结构的相关参数在被用于确定目标心脏对象的异常分析结果时的计算权重,其中,预测准确的心脏结构的权重应当大于预测不准确的心脏结构的权重。可选的,相关参数可以包括表现完整情况、位置合理情况、参数合理情况和连接合理情况中的至少一种。
可见,通过实施该可选的实施方式,能够根据结构位置和表征参数,确定心脏结构的预测准确性,从而能够提前判断特定心脏结构的预测是否准确,后续可以根据判断结果确定该心脏结构是否应该被用于目标心脏对象的异常分析,以实现更加精准和有效的影像异常识别。
实施例三
请参阅图3,图3是本发明实施例公开的一种基于超声影像的心脏异常分析装置的结构示意图。其中,图3所描述的基于超声影像的心脏异常分析装置应用于影像数据处理系统/影像数据处理设备/影像数据处理服务器(其中,该服务器包括本地处理服务器或云处理服务器)中。如图3所示,该基于超声影像的心脏异常分析装置可以包括:
影像获取模块301,用于获取对应于目标心脏对象的动态超声影像。
可选的,目标心脏对象可以为人体或动物的心脏组织,本发明不做限定。需要指出的是,本发明的部分实施例对于人体心脏组织对象的异常识别分析研究有较为优异的效果,但这并不意味着本发明所公开的方案不能用于其他例如动物的心脏组织对象分析场景中。
可选的,动态超声影像可以包括至少两帧超声图像,其中,至少两帧超声图像的获取时间之间的间隔低于预设的时间阈值。可选的,动态超声影像可以通过超声成像设备对检测对象进行扫描成像而获得,例如,超声成像设备的发射模块可以将一组经过延迟聚焦的脉冲发送到探头,而探头向检测对象发射超声波,经一定延时后接收从检测对象反射回来的带有组织信息的超声回波,并将此超声回波重新转换为电信号。接着,超声成像设备接收这些电信号,并将这些超声回波信号送入波束合成模块完成聚焦延时、加权和通道求和,再经过信号处理模块进行信号处理,得到动态超声影像。
位置分析模块302,用于基于心脏位置检测模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的结构位置的位置合理情况。
可选的,位置合理情况可以用于指示目标心脏对象的至少一个心脏结构的结构位置是否满足预设的健康生物体医学逻辑,例如与特定关键点的距离是否在合理的距离范围内,或是多个心脏结构之间的最大距离或最小距离是否满足预设的距离规则。
可选的,心脏结构可以用于指代整个目标心脏,也可以为包括心脏中的如心肌、左心房、左心室、右心房、右心室或瓣膜等结构的至少一种,也可以为与心脏连接的特定动脉或静脉等结构。
参数分析模块303,用于基于心脏参数识别模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的表征参数的参数合理情况。
可选的,表征参数包括面积参数、动态尺寸参数和形态参数中的至少一种。其中,动态尺寸参数可以用于表征目标心脏对象的至少一个心脏结构在预设的时间周期内的动态尺寸。其中,形态参数可以用于表征心脏结构的二维形状或三维形状,或是静态形状或动态形状。可选的,心脏参数识别模型中可以包括有至少一个算法模型,以用于确定出目标心脏对象的至少一个心脏结构的至少一种上述表征参数。
可选的,参数合理情况可以用于表征目标心脏对象的至少一个心脏结构的表征参数是否满足预设的健康生物体医学逻辑,例如其面积或尺寸是否在合理的范围内,或是其形态是否为正常的形态。
连接分析模块304,用于基于结构连通识别模型,根据动态超声影像,确定目标心脏对象的至少两个心脏结构之间的连接关系的连接合理情况。
可选的,至少两个心脏结构之间的连接关系可以用于表征至少两个心脏结构之间的生物组织连通情况,例如通过动脉、静脉、韧带或小血管等生物组织进行连通的情况,可选的,结构连通识别模型可以包括有至少一种算法模型,以用于识别出至少两个心脏结构之间通过至少一种上述生物组织进行连通情况。
异常分析模块305,用于根据位置合理情况、参数合理情况和连接合理情况,确定目标心脏对象对应的异常分析结果。
可选的,可以根据位置合理情况、参数合理情况和连接合理情况中的计算结果数值,例如位置合理情况中的结构位置的坐标数值或与特定参考点的距离数值,或是参数合理情况中特定表征参数与参考值的差值,或是连接合理情况中,特定两个应当具有连接关系的心脏结构是否连接,若是则定为特定分数,以分别确定或进一步计算得到目标心脏对象的对应的位置得分、参数得分和连接得分,并根据位置得分、参数得分和连接得分的加权求和,得到目标心脏对象对应的异常分析分数。通过这样设置,后续能够根据异常分析分数来进一步辅助医疗研究的进行,例如可以作为筛选正常心脏对象样本的数据判断基础,或是自动识别异常心脏对象样本的数据判断基础。
可见,上述发明实施例能够基于多种算法模型,根据动态超声影像对心脏的多个指标进行分析,并最终根据多个指标分析的结果确定心脏影像的异常情况,从而可以实现更加精准和有效的影像异常识别,有助于提高医学研究的效率。
作为一个可选的实施方式,位置分析模块302基于心脏位置检测模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的结构位置的位置合理情况的具体方式,包括:
根据动态超声影像,确定目标心脏对象所处的胸腔空间的多个显著特征点;
基于多个显著特征点,建立位置参照系;
根据动态超声影像,基于影像识别算法,识别目标心脏对象的至少一个心脏结构;
根据位置参照系,确定至少一个心脏结构的结构位置;
根据结构位置,以及预设的位置合理判断规则,确定至少一个心脏结构的结构位置的位置合理情况。
可选的,预设的位置合理判断规则可以用于指示特定的心脏结构的结构位置与特定的参考点之间的距离范围。可选的,根据结构位置,以及预设的位置合理判断规则,确定至少一个心脏结构的结构位置的位置合理情况,可以具体包括:
对于至少一个心脏结构中的任一心脏结构,根据位置参照系,确定该心脏结构对应的目标参考点的参考点位置;
计算该心脏结构的结构位置与参考点位置的第一距离;
判断第一距离是否在该心脏结构对应的位置合理判断规则所指示的距离范围内;
若判断结果为是,则确定该心脏结构对应的位置合理情况为不合理,或将该心脏结构对应的位置得分确定为第一数值;
若判断结果为否,则确定该心脏结构对应的位置合理情况为合理,或将该心脏结构对应的位置得分确定为第二数值。
具体的,第二数值与第一数值不同,可选的,第二数值可以高于第一数值,以用于后续确定异常分析结果时,可以通过更高的分数来表达更合理的判断结果。
可见,通过实施该可选的实施方式,能够基于建立的位置参照系确定心脏结构的位置,并通过预设的位置合理判断规则,更合理和精确地确定心脏结构的位置合理情况,以便于后续根据位置合理情况确定心脏影像的异常情况,以实现更加精准和有效的影像异常识别,提高医学研究的效率。
作为一个可选的实施方式,参数分析模块303基于心脏参数识别模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的表征参数的参数合理情况的具体方式,包括:
基于图像分割算法模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构在预设心动周期内的面积参数;
根据面积参数,以及预设的面积合理判断规则,确定至少一个心脏结构的面积参数的面积合理情况。
可选的,图像分割算法模型可以为传统的基于阈值的图像分割算法或是基于区域的图像分割算法,例如区域生长算法或区域分裂合并算法如四叉树分解法,其也可以采用较为新兴的分割算法,如基于边缘检测的分割方法、基于小波分析和小波变换的图像分割方法、基于遗传算法的图像分割算法、基于主动轮廓模型的分割方法或基于深度学习的分割算法。
可选的,可以通过图像分割算法模型,识别出目标心脏对象的至少一个心脏结构在动态超声影像中预设心动周期内的多帧超声图像中的多个结构图像,并测算多个结构图像的面积,以得到该面积参数。进一步的,也可以对多个结构图像的面积求平均值或最大值,以得到该面积参数。
可选的,面积合理判断规则用于指示特定的心脏结构的结构面积范围,具体的,可以通过确定该面积参数是否在结构面积范围内,以确定心脏结构的面积参数的面积合理情况。
可见,通过实施该可选的实施方式,能够基于图像分割算法模型确定心脏结构在预设心动周期内的面积参数,并根据面积参数确定心脏结构的面积参数的面积合理情况,以便于后续根据面积合理情况确定心脏影像的异常情况,以实现更加精准和有效的影像异常识别,提高医学研究的效率。
作为一个可选的实施方式,参数分析模块303基于心脏参数识别模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的表征参数的参数合理情况的具体方式,包括:
基于结构尺寸测算模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的动态尺寸参数;
根据动态尺寸参数,以及预设的尺寸合理判断规则,确定至少一个心脏结构的动态尺寸参数的尺寸合理情况。
可选的,结构尺寸测算模型包括关键点检测算法模型和/或影像组学测算模型,在一些实施例中,可以通过关键点检测算法模型根据动态超声影像的任一帧超声图像,确定目标心脏对象的至少一个心脏结构的至少两个关键点,并根据关键点之间的距离估算出心脏结构的尺寸,并根据心脏结构在多帧超声图像的尺寸得到其动态尺寸参数。其中,关键点检测算法模型可以为神经网络模型,其通过包括有多个训练心脏结构影像以及标注好的关键点的训练数据集进行训练直至收敛。其中,影像组学测算模型,可以为基于影像组学逻辑的人工智能算法,如训练好的神经网络算法,其可以直接根据动态超声影像的任一帧超声图像得到心脏结构的尺寸,并根据心脏结构在多帧超声图像的尺寸得到其动态尺寸参数。
可选的,尺寸合理判断规则用于指示特定的心脏结构的合理尺寸范围,具体的,可以通过确定该动态尺寸参数是否在合理尺寸范围内,以确定心脏结构的动态尺寸参数的尺寸合理情况。
可见,通过实施该可选的实施方式,能够基于结构尺寸测算模型确定心脏结构的动态尺寸参数,并根据动态尺寸参数确定心脏结构的尺寸合理情况,以便于后续根据尺寸合理情况确定心脏影像的异常情况,以实现更加精准和有效的影像异常识别,提高医学研究的效率。
作为一个可选的实施方式,参数分析模块303基于心脏参数识别模型,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的表征参数的参数合理情况的具体方式,包括:
基于图像识别算法,根据动态超声影像,确定目标心脏对象的至少一个心脏结构的形态参数;
根据形态参数,以及预设的对应于特定心脏结构的合理形态模板,确定至少一个心脏结构的形态参数的形态合理情况。
可选的,图像识别算法可以为如上所述的图像分割算法中的一种或多种,在此不再赘述。
可选的,根据形态参数,以及预设的对应于特定心脏结构的合理形态模板,确定至少一个心脏结构的形态参数的形态合理情况,可以包括:
对于目标心脏对象的任一心脏结构,计算该心脏结构的形态参数与对应的合理形态模板之间的相似度参数;
判断相似度参数是否大于预设的相似度阈值;
若是,则确定该心脏结构的形态合理情况为合理,或确定该心脏结构的形态参数得分为第三数值;
若否,则确定该心脏结构的形态合理情况为不合理,或确定该心脏结构的形态参数得分为第四数值。
其中,第三数值与第四数值不同,可选的,第三数值大于第四数值,以用于后续确定异常分析结果时,可以通过更高的分数来表达更合理的判断结果。
可见,通过实施该可选的实施方式,能够根据形态参数以及预设的对应于特定心脏结构的合理形态模板,确定心脏结构的形态合理情况,以便于后续根据形态合理情况确定心脏影像的异常情况,以实现更加精准和有效的影像异常识别,提高医学研究的效率。
作为一个可选的实施方式,连接分析模块304基于结构连通识别模型,根据动态超声影像,确定目标心脏对象的至少两个心脏结构之间的连接关系的连接合理情况的具体方式,包括:
根据动态超声影像,判断目标心脏对象的至少两个心脏结构之间的影像组学特征是否形成连续边缘;
根据判断结果,确定至少两个心脏结构之间的连接关系;
根据预设的结构连接判断规则,确定至少两个心脏结构之间的连接关系的连接合理情况。
可选的,可以通过训练好的影像组学特征识别算法模型识别出动态超声影像中目标心脏对象的至少两个心脏结构之间的影像组学特征,影像组学特征识别算法模型可以为神经网络模型或其他图形识别算法。
可选的,结构连接判断规则用于指示目标心脏对象的至少两个特定的心脏结构之间是否应该具有连接关系,从而能够以此判断至少两个心脏结构之间的连接关系是否正常。
可见,通过该可选的实施方式,可以通过判断目标心脏对象的至少两个心脏结构之间的影像组学特征是否形成连续边缘,确定至少两个心脏结构之间的连接关系的连接合理情况,以便于后续根据形态合理情况确定心脏影像的异常情况,以实现更加精准和有效的影像异常识别,提高医学研究的效率。
作为一个可选的实施方式,如图4所示,异常分析模块305包括:
表现分析单元3051,用于根据动态超声影像,确定目标心脏对象的所有心脏结构的表现完整情况;
可选的,目标心脏对象的所有心脏结构的表现完整情况可以为在动态超声影像的多帧多个切面的超声图像中目标心脏对象的对应心脏结构是否均完整表现,可选的,表现完整情况可以根据以下步骤确定:
对于动态超声影像中的任一帧超声图像,根据图像分割算法,确定该超声图像对应的目标心脏结构以及目标心脏结构对应的结构图像;
根据预设的目标心脏机构对应的结构完整图像,确定该超声图像中的结构图像完整信息;
根据动态超声影像中的所有帧超声图像的结构图像完整信息,确定目标心脏对象的所有心脏结构的表现完整情况。
异常分析单元3052,用于根据表现完整情况、位置合理情况、参数合理情况和连接合理情况,确定目标心脏对象对应的异常分析结果。
可选的,可以计算结构图像和结构完整图像之间的相似度,并在该相似度大于预设的阈值时确定该超声图像中的结构图像完整信息为完整,否则确定该超声图像中的结构图像完整信息为不完整。
可选的,可以根据表现完整情况确定目标心脏对象对应的表现完整评分,并对表现完整评分,以及实施例一中所阐述的目标心脏对象的对应的位置得分、参数得分和连接得分,进行加权求和,得到目标心脏对象对应的异常分析分数。
可选的,也可以根据以下规则确定目标心脏对象对应的异常分析结果:
判断位置合理情况、参数合理情况和连接合理情况中是否不存在不合理的情况,得到第一判断结果;
判断表现完整情况中是否动态超声影像中的所有帧超声图像的结构图像完整信息均为完整,得到第二判断结果;
当第一判断结果和第二判断结果均为是时,确定目标心脏对象对应的异常分析结果为正常;
当第一判断结果为是,而第二判断结果为否时,确定目标心脏对象对应的异常分析结果为疑似异常;
当第一判断结果为否,而第二判断结果为否时,确定目标心脏对象对应的异常分析结果为异常。
可见,该可选的实施方式可以根据表现完整情况、位置合理情况、参数合理情况和连接合理情况,确定目标心脏对象对应的异常分析结果,以实现更加精准和有效的影像异常识别,提高医学研究的效率。
作为一个可选的实施方式,如图4所示,该装置还包括:
准确性判断模块306,用于根据结构位置和表征参数,确定心脏结构的预测准确性。
可选的,可以判断结构位置和表征参数是否符合预设的准确预测参数规则,并在符合时,确定心脏结构的预测准确性为准确,否则,确定心脏结构的预测准确性为不准确。可选的,预设的准确预测参数规则可以用于指定特定心脏结构的合理结构位置范围和合理表征参数范围,其可以由操作人员通过实验值或经验值进行设定,并根据试验效果进行调整。
可选的,也可以通过训练好的分类神经网络模型,根据结构位置和表征参数,确定心脏结构的预测准确性。其中,分类神经网络模型可以通过包括多个正样本和负样本的训练数据集训练得到,其中,正样本为预测准确的心脏结构的结构位置样本和表征参数样本,正样本为预测不准确的心脏结构的结构位置样本和表征参数样本。
可选的,预测准确性后续可以用于确定该心脏结构的相关参数被用于确定目标心脏对象的异常分析结果时的考虑程度,例如,可以在预测准确性为不准确的情况下,将该心脏结构的相关参数剔除,或是根据预测准确性确定该心脏结构的相关参数在被用于确定目标心脏对象的异常分析结果时的计算权重,其中,预测准确的心脏结构的权重应当大于预测不准确的心脏结构的权重。可选的,相关参数可以包括表现完整情况、位置合理情况、参数合理情况和连接合理情况中的至少一种。
可见,通过实施该可选的实施方式,能够根据结构位置和表征参数,确定心脏结构的预测准确性,从而能够提前判断特定心脏结构的预测是否准确,后续可以根据判断结果确定该心脏结构是否应该被用于目标心脏对象的异常分析,以实现更加精准和有效的影像异常识别。
实施例四
请参阅图5,图5是本发明实施例公开的又一种基于超声影像的心脏异常分析装置。图5所描述的基于超声影像的心脏异常分析装置应用于影像数据处理系统/影像数据处理设备/影像数据处理服务器(其中,该服务器包括本地处理服务器或云处理服务器)中。如图5所示,该基于超声影像的心脏异常分析装置可以包括:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
其中,处理器402调用存储器401中存储的可执行程序代码,用于执行实施例一或实施例二所描述的基于超声影像的心脏异常分析方法的步骤。
实施例五
本发明实施例公开了一种计算机读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一或实施例二所描述的基于超声影像的心脏异常分析方法的步骤。
实施例六
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一或实施例二所描述的基于超声影像的心脏异常分析方法的步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于超声影像的心脏异常分析方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (7)
1.一种基于超声影像的心脏异常分析装置,其特征在于,所述装置包括:
影像获取模块,用于获取对应于目标心脏对象的动态超声影像,所述目标心脏对象为胎儿;
位置分析模块,用于基于心脏位置检测模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的结构位置的位置合理情况;
参数分析模块,用于基于心脏参数识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的表征参数的参数合理情况;所述表征参数至少包括动态尺寸参数,所述动态尺寸参数用于表征所述目标心脏对象的至少一个心脏结构在预设的时间周期内的动态尺寸;
连接分析模块,用于基于结构连通识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少两个心脏结构之间的连接关系的连接合理情况;
准确性判断模块,用于根据所述目标心脏对象的至少一个心脏结构的结构位置和表征参数,确定至少一个心脏结构的预测准确性;所述预测准确性用于确定所述心脏结构的相关参数在被用于确定所述目标心脏对象的异常分析结果时的考虑程度;
异常分析模块,用于根据所述位置合理情况、所述参数合理情况和所述连接合理情况,确定所述目标心脏对象对应的异常分析结果;
其中,所述位置分析模块基于心脏位置检测模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的结构位置的位置合理情况的具体方式,包括:
根据所述动态超声影像,确定所述目标心脏对象所处的胸腔空间的多个显著特征点;
基于所述多个显著特征点,建立位置参照系;
根据所述动态超声影像,基于影像识别算法,识别所述目标心脏对象的至少一个心脏结构;
根据所述位置参照系,确定所述至少一个心脏结构的结构位置;
根据所述结构位置,以及预设的位置合理判断规则,确定所述至少一个心脏结构的结构位置的位置合理情况;
以及,所述异常分析模块包括:
表现分析单元,用于根据所述动态超声影像,确定所述目标心脏对象的所有心脏结构的表现完整情况;
异常分析单元,用于根据所述表现完整情况、所述位置合理情况、所述参数合理情况和所述连接合理情况,确定所述目标心脏对象对应的异常分析结果。
2.根据权利要求1所述的基于超声影像的心脏异常分析装置,其特征在于,所述表征参数包括面积参数和形态参数中的至少一种。
3.根据权利要求1所述的基于超声影像的心脏异常分析装置,其特征在于,所述参数分析模块基于心脏参数识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的表征参数的参数合理情况的具体方式,包括:
基于图像分割算法模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构在预设心动周期内的面积参数;
根据所述面积参数,以及预设的面积合理判断规则,确定所述至少一个心脏结构的面积参数的面积合理情况;
和/或,
基于结构尺寸测算模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的动态尺寸参数;所述结构尺寸测算模型包括关键点检测算法模型和/或影像组学测算模型;
根据所述动态尺寸参数,以及预设的尺寸合理判断规则,确定所述至少一个心脏结构的动态尺寸参数的尺寸合理情况;
和/或,
基于图像识别算法,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的形态参数;
根据所述形态参数,以及预设的对应于特定心脏结构的合理形态模板,确定所述至少一个心脏结构的形态参数的形态合理情况。
4.根据权利要求1所述的基于超声影像的心脏异常分析装置,其特征在于,所述连接分析模块基于结构连通识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少两个心脏结构之间的连接关系的连接合理情况的具体方式,包括:
根据所述动态超声影像,判断所述目标心脏对象的至少两个心脏结构之间的影像组学特征是否形成连续边缘;
根据判断结果,确定所述至少两个心脏结构之间的连接关系;
根据预设的结构连接判断规则,确定所述至少两个心脏结构之间的连接关系的连接合理情况。
5.一种基于超声影像的心脏异常分析方法,其特征在于,所述方法包括:
获取对应于目标心脏对象的动态超声影像,所述目标心脏对象为胎儿;
基于心脏位置检测模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的结构位置的位置合理情况;
基于心脏参数识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的表征参数的参数合理情况;所述表征参数至少包括动态尺寸参数,所述动态尺寸参数用于表征所述目标心脏对象的至少一个心脏结构在预设的时间周期内的动态尺寸;
基于结构连通识别模型,根据所述动态超声影像,确定所述目标心脏对象的至少两个心脏结构之间的连接关系的连接合理情况;
根据所述目标心脏对象的至少一个心脏结构的结构位置和表征参数,确定至少一个心脏结构的预测准确性;所述预测准确性用于确定所述心脏结构的相关参数在被用于确定所述目标心脏对象的异常分析结果时的考虑程度;
根据所述位置合理情况、所述参数合理情况和所述连接合理情况,确定所述目标心脏对象对应的异常分析结果;
其中,所述基于心脏位置检测模型,根据所述动态超声影像,确定所述目标心脏对象的至少一个心脏结构的结构位置的位置合理情况,包括:
根据所述动态超声影像,确定所述目标心脏对象所处的胸腔空间的多个显著特征点;
基于所述多个显著特征点,建立位置参照系;
根据所述动态超声影像,基于影像识别算法,识别所述目标心脏对象的至少一个心脏结构;
根据所述位置参照系,确定所述至少一个心脏结构的结构位置;
根据所述结构位置,以及预设的位置合理判断规则,确定所述至少一个心脏结构的结构位置的位置合理情况;
其中,所述根据所述位置合理情况、所述参数合理情况和所述连接合理情况,确定所述目标心脏对象对应的异常分析结果,包括:
根据所述动态超声影像,确定所述目标心脏对象的所有心脏结构的表现完整情况;
根据所述表现完整情况、所述位置合理情况、所述参数合理情况和所述连接合理情况,确定所述目标心脏对象对应的异常分析结果。
6.一种基于超声影像的心脏异常分析装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求5所述的基于超声影像的心脏异常分析方法。
7.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求5所述的基于超声影像的心脏异常分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311385654.6A CN117152125B (zh) | 2023-10-25 | 2023-10-25 | 基于超声影像的心脏异常分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311385654.6A CN117152125B (zh) | 2023-10-25 | 2023-10-25 | 基于超声影像的心脏异常分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152125A CN117152125A (zh) | 2023-12-01 |
CN117152125B true CN117152125B (zh) | 2024-04-12 |
Family
ID=88897051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311385654.6A Active CN117152125B (zh) | 2023-10-25 | 2023-10-25 | 基于超声影像的心脏异常分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152125B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101849813A (zh) * | 2009-03-31 | 2010-10-06 | 上海交通大学医学院附属新华医院 | 三维心脏超声虚拟内窥镜系统 |
CN104546012A (zh) * | 2014-12-31 | 2015-04-29 | 中国科学院深圳先进技术研究院 | 心脏功能评估方法和装置 |
CN110349149A (zh) * | 2019-07-12 | 2019-10-18 | 广东省人民医院(广东省医学科学院) | 基于深度神经网络和形态相似度的先心病分类系统及方法 |
CN111184534A (zh) * | 2018-11-15 | 2020-05-22 | 三星麦迪森株式会社 | 用于确定胎儿心脏的异常的超声诊断设备及其操作方法 |
-
2023
- 2023-10-25 CN CN202311385654.6A patent/CN117152125B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101849813A (zh) * | 2009-03-31 | 2010-10-06 | 上海交通大学医学院附属新华医院 | 三维心脏超声虚拟内窥镜系统 |
CN104546012A (zh) * | 2014-12-31 | 2015-04-29 | 中国科学院深圳先进技术研究院 | 心脏功能评估方法和装置 |
CN111184534A (zh) * | 2018-11-15 | 2020-05-22 | 三星麦迪森株式会社 | 用于确定胎儿心脏的异常的超声诊断设备及其操作方法 |
CN110349149A (zh) * | 2019-07-12 | 2019-10-18 | 广东省人民医院(广东省医学科学院) | 基于深度神经网络和形态相似度的先心病分类系统及方法 |
Non-Patent Citations (1)
Title |
---|
人工智能技术在胎儿超声心动图四腔心切面筛查中的应用;周小雪 等;《中华超声影像学杂志》;20201231;第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117152125A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106204465B (zh) | 基于知识的超声图像增强 | |
CN110755076B (zh) | 磁共振扫描仪的图像采集方法、装置、设备和介质 | |
US11200693B2 (en) | Image processing | |
WO2017206023A1 (zh) | 一种心脏容积识别分析系统和方法 | |
US7430309B2 (en) | Computation of a geometric parameter of a cardiac chamber from a cardiac tomography data set | |
CN108701354A (zh) | 识别超声图像中感兴趣区域轮廓的方法及系统 | |
Nurmaini et al. | Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation | |
CN113080990B (zh) | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 | |
JP2016531709A (ja) | 疾患を診断するための画像解析技術 | |
CN109620293B (zh) | 一种图像识别方法、装置以及存储介质 | |
CN110945560A (zh) | 胎儿超声图像处理 | |
CN109925002A (zh) | 人工智能超声心动图数据采集系统及其数据采集方法 | |
CN111297399B (zh) | 一种基于超声视频的胎心定位和胎心率提取方法 | |
CN111683600A (zh) | 用于根据超声图像获得解剖测量的设备和方法 | |
US11534133B2 (en) | Ultrasonic detection method and ultrasonic imaging system for fetal heart | |
EP2769677A1 (en) | Ultrasound imaging equipment and method | |
CN115482190A (zh) | 一种胎儿心脏结构分割测量方法、装置及计算机存储介质 | |
CN112767305B (zh) | 先天性心脏病的超声心动图识别方法及装置 | |
CN117152125B (zh) | 基于超声影像的心脏异常分析方法及装置 | |
CN113598782A (zh) | 预测室性心律失常起源位置的系统、电子设备和存储介质 | |
CN113298773A (zh) | 基于深度学习的心脏视图识别与左心室检测装置、系统 | |
CN114010227B (zh) | 一种右心室特征信息识别方法及装置 | |
CN116205929A (zh) | 一种超声融合成像方法及设备、存储介质 | |
Zhang et al. | Advances in the Application of Artificial Intelligence in Fetal Echocardiography | |
Moukadem et al. | Automatic heart sound analysis module based on Stockwell transform |
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 |