CN117635691A - 心脏瓣膜开口面积检测方法、电子设备和存储介质 - Google Patents
心脏瓣膜开口面积检测方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117635691A CN117635691A CN202211027374.3A CN202211027374A CN117635691A CN 117635691 A CN117635691 A CN 117635691A CN 202211027374 A CN202211027374 A CN 202211027374A CN 117635691 A CN117635691 A CN 117635691A
- Authority
- CN
- China
- Prior art keywords
- heart valve
- frame
- target
- cardiac
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000003709 heart valve Anatomy 0.000 title claims abstract description 417
- 238000000034 method Methods 0.000 title claims description 53
- 230000000747 cardiac effect Effects 0.000 claims abstract description 281
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims description 80
- 238000010586 diagram Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 12
- 210000001765 aortic valve Anatomy 0.000 description 75
- 230000011218 segmentation Effects 0.000 description 43
- 230000007704 transition Effects 0.000 description 28
- 230000008569 process Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000001131 transforming effect Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002861 ventricular Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 208000018578 heart valve disease Diseases 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000027896 Aortic valve disease Diseases 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 210000004115 mitral valve Anatomy 0.000 description 1
- 210000003102 pulmonary valve Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000000591 tricuspid valve Anatomy 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种心脏瓣膜开口面积检测方法、电子设备和存储介质,该检测方法包括:对各帧心动图像分别进行感兴趣区域的提取,以获取目标心脏瓣膜感兴趣区域图像;采用心脏瓣膜分割模型分别对各帧目标心脏瓣膜感兴趣区域图像进行分割,以获取目标心脏瓣膜内轮廓掩膜图像和外轮廓掩膜图像;根据各帧目标心脏瓣膜外轮廓掩膜图像,确定出所有的目标心动图像;根据各帧目标心脏瓣膜内轮廓掩膜图像,确定各帧目标心动图像的目标心脏瓣膜开口面积;根据各帧目标心动图像的目标心脏瓣膜开口面积,确定待确认心动视频的目标心脏瓣膜开口面积。本发明可以提高最终所获取的目标心脏瓣膜开口面积的准确性。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种心脏瓣膜开口面积检测方法、电子设备和存储介质。
背景技术
主动脉瓣疾病是一种常见、危险的心血管疾病,严重危害着人类的身体健康。超声心动图是目标心脏瓣膜病的诊断并评估其严重程度的首选方法。目标心脏瓣膜开口面积测量、主动脉瓣叶数目及形态是心脏功能分析的重要手段。
目前,目标心脏瓣膜开口面积测量主要采用获得的超声心动图像,由经过特殊培训的医务人员或医学专家对心脏图像进行分析处理,确定勾画开口面积的图像帧并手工进行目标心脏瓣膜开口面积的勾画。手动勾画主动脉瓣开口面积结果不仅差异化大而且需要花费大量的时间和精力。并且在一个或多个心动周期中,准确定位到测量开口面积的图像帧较难。另一方面,通过一帧图像勾画测量主动脉瓣开口面积存在较大的偶然因素的影响。因此,利用医学影像深入分析主动脉瓣结构异常,对于瓣膜性心脏病的预防和诊断具有重要意义。
需要说明的是,公开于该发明背景技术部分的信息仅仅旨在加深对本发明一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种心脏瓣膜开口面积检测方法、电子设备和存储介质,可以自动实现目标心脏瓣膜开口面积的检测,不仅整体算法准确率高,而且可以有效减少人机交互的繁琐操作。
为达到上述目的,本发明提供一种心脏瓣膜开口面积检测方法,包括:
对所获取的待确认心动视频中的各帧心动图像分别进行目标心脏瓣膜感兴趣区域的提取,以获取各帧心动图像所对应的目标心脏瓣膜感兴趣区域图像;
采用心脏瓣膜分割模型分别对所获取的各帧心动图像所对应的所述目标心脏瓣膜感兴趣区域图像进行分割,以获取各帧心动图像所对应的目标心脏瓣膜内轮廓掩膜图像和目标心脏瓣膜外轮廓掩膜图像;
根据各帧心动图像所对应的目标心脏瓣膜外轮廓掩膜图像,确定出所有的目标心动图像;
根据各帧目标心动图像所对应的目标心脏瓣膜内轮廓掩膜图像,确定各帧目标心动图像所对应的目标心脏瓣膜开口面积;
根据各帧目标心动图像所对应的目标心脏瓣膜开口面积,确定所述待确认心动视频所对应的目标心脏瓣膜开口面积。
可选的,所述根据各帧心动图像所对应的目标心脏瓣膜外轮廓掩膜图像,确定出所有的目标心动图像,包括:
针对每一帧心动图像,根据该帧心动图像所对应的目标心脏瓣膜外轮廓掩膜图像,确定该帧心动图像所对应的目标心脏瓣膜外轮廓像素面积;
根据各帧所述心动图像所对应的帧序号以及目标心脏瓣膜外轮廓像素面积,获取目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系;
根据所述目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,将每个心动周期下的目标心脏瓣膜外轮廓像素面积峰值所对应的心动图像均作为一帧候选心动图像;
根据各帧候选心动图像,确定出所有的目标心动图像。
可选的,所述根据所述目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,将每个心动周期下的目标心脏瓣膜外轮廓像素面积峰值所对应的心动图像均作为一帧候选心动图像,包括:
对所述目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系进行滤波处理,以获取滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系;
根据滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,将每个心动周期下的目标心脏瓣膜外轮廓像素面积峰值所对应的心动图像均作为一帧候选心动图像。
可选的,所述根据滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,将每个心动周期下的目标心脏瓣膜外轮廓像素面积峰值所对应的心动图像均作为一帧候选心动图像,包括:
步骤A、针对每一帧心动图像,根据滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,将该帧心动图像所对应的滤波处理后的目标心脏瓣膜外轮廓像素面积和帧序号组成一数据对;
步骤B、获取所述滤波处理后的目标心脏瓣膜外轮廓像素面积最大的数据对作为目标数据对,并将所述目标数据对中的帧序号所对应的心动图像作为候选心动图像;
步骤C、对除了所述目标数据对以外的数据对进行遍历,直至查找出帧序号与各个目标数据对所对应的帧序号之间的差值的绝对值均大于心动周期值的数据对作为新的目标数据对,并将所述目标数据对中的帧序号所对应的心动图像作为候选心动图像;
步骤D、判断是否遍历完所有的数据对,若否,则返回执行C。
可选的,所述对目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系进行滤波处理,以获取滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,包括:
根据所述目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,获取外轮廓像素面积曲线图;
将所述外轮廓像素面积曲线图由时域转换至频域,以获取频率幅值图;
对所述频率幅值图进行滤波处理,以滤除所述频率幅值图中的频率高于预设阈值的部分;
将滤波处理后的所述频率幅值图由频域转换至时域,以获取滤波处理后的外轮廓像素面积曲线图;
根据滤波处理后的外轮廓像素面积曲线图,获取滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系。
可选的,所述心动周期值通过以下步骤获取得到:
根据所述频率幅值图,将第二个幅值峰值所对应的频率作为目标频率;
将所述目标频率的倒数作为心动周期值。
可选的,所述根据各帧候选心动图像,确定出所有的目标心动图像,包括:
针对每一帧候选心动图像,将该帧候选心动图像以及邻近帧心动图像均作为目标心动图像,该帧候选心动图像的帧序号与所述邻近帧心动图像所对应的帧序号的差值在预设范围内。
可选的,所述根据各帧目标心动图像所对应的目标心脏瓣膜内轮廓掩膜图像,确定各帧目标心动图像所对应的目标心脏瓣膜开口面积,包括:
针对每一帧心动图像,根据该帧心动图像所对应的目标心脏瓣膜内轮廓掩膜图像,确定该帧心动图像所对应的目标心脏瓣膜内轮廓像素面积,并根据该帧心动图像所对应的目标心脏瓣膜内轮廓像素面积以及预先获取的像素面积与实际面积之间的对应关系,获取该帧心动图像所对应的目标心脏瓣膜开口面积;
根据各帧所述心动图像所对应的帧序号以及目标心脏瓣膜开口面积,获取目标心脏瓣膜开口面积与帧序号之间的对应关系;
对所述目标心脏瓣膜开口面积与帧序号之间的对应关系,以获取滤波处理后的目标心脏瓣膜开口面积与帧序号之间的对应关系;
根据所述滤波处理后的目标心脏瓣膜开口面积与帧序号之间的对应关系以及各帧目标心动图像所对应的帧序号,确定各帧目标心动图像所对应的目标心脏瓣膜开口面积。
可选的,所述根据各帧目标心动图像所对应的目标心脏瓣膜开口面积,确定所述待确认心动视频所对应的目标心脏瓣膜开口面积,包括:
将各帧目标心动图像所对应的目标心脏瓣膜开口面积的平均值,作为所述待确认心动视频所对应的目标心脏瓣膜开口面积。
为达到上述目的,本发明还提供一种电子设备,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现上文所述的心脏瓣膜开口面积检测方法。
为达到上述目的,本发明还提供一种可读存储介质,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现上文所述的心脏瓣膜开口面积检测方法。
与现有技术相比,本发明提供的心脏瓣膜开口面积检测方法、电子设备和存储介质具有以下优点:
本发明提供的心脏瓣膜开口面积检测方法通过先对所获取的待确认心动视频中的各帧心动图像分别进行目标心脏瓣膜感兴趣区域的提取,以获取各帧心动图像所对应的目标心脏瓣膜感兴趣区域图像;再采用心脏瓣膜分割模型分别对各帧心动图像所对应的所述目标心脏瓣膜感兴趣区域图像进行分割,以获取各帧心动图像所对应的目标心脏瓣膜内轮廓掩膜图像和目标心脏瓣膜外轮廓掩膜图像;然后根据各帧心动图像所对应的目标心脏瓣膜外轮廓掩膜图像,确定出所有的目标心动图像;再根据各帧目标心动图像所对应的目标心脏瓣膜内轮廓掩膜图像,确定各帧目标心动图像所对应的目标心脏瓣膜开口面积;最后根据各帧目标心动图像所对应的目标心脏瓣膜开口面积,确定所述待确认心动视频所对应的目标心脏瓣膜开口面积。由于目标心脏瓣膜(例如主动脉瓣)的外轮廓的形状相比于其内轮廓的形状要更为规则,并且从心脏瓣膜分割模型(例如主动脉瓣分割模型)的表现来看,目标心脏瓣膜外轮廓掩膜图像(例如主动脉瓣外轮廓掩膜图像)的分割精度比目标心脏瓣膜内轮廓掩膜图像(例如主动脉瓣内轮廓掩膜图像)要高,因此通过各帧心动图像所对应的目标心脏瓣膜外轮廓掩膜图像,来确定出所有的目标心动图像,以根据各帧目标心动图像所对应的目标心脏瓣膜内轮廓掩膜图像,来确定出所述待确认心动视频所对应的目标心脏瓣膜开口面积,可以有效提高最终所获取的目标心脏瓣膜开口面积的准确性。此外,本发明提供的心脏瓣膜开口面积检测方法能够实现端到端的算法流程,不仅能够有效减少人为因素可能产生的差异化问题,可以更好地辅助医生提高诊断的准确率,为心脏瓣膜的异常分析提供依据,而且还可以减少人机交互的繁琐操作。
由于本发明提供的电子设备和存储介质与本发明提供的心脏瓣膜开口面积检测方法属于同一发明构思,因此本发明提供的电子设备和存储介质具有本发明提供的心脏瓣膜开口面积检测方法的所有优点,故在此不再对本发明提供的电子设备和存储介质所具有的有益效果一一进行赘述。
附图说明
图1为本发明一实施方式提供的心脏瓣膜开口面积检测方法的流程示意图;
图2a为本发明一具体示例提供的心动图像;
图2b为从图2a中的心动图像中裁剪下来的目标心脏瓣膜感兴图像;
图2c为对图2b所示的目标心脏瓣膜感兴趣区域图像进行尺寸调整后所获得的目标心脏瓣膜感兴趣区域图像趣区域图像;
图3为本发明一具体示例提供的心脏瓣膜分割模型的结构示意图;
图4a为本发明一具体示例提供的心室开放状态下的目标心脏瓣膜感兴趣区域图像;
图4b为对图4a进行分割所得到的目标心脏瓣膜外轮廓掩膜图像;
图4c为对图4a进行分割所得到的目标心脏瓣膜内轮廓掩膜图像;
图4d为本发明一具体示例提供的心室关闭状态下的目标心脏瓣膜感兴趣区域图像;
图4e为对图4d进行分割所得到的目标心脏瓣膜外轮廓掩膜图像;
图4f为对图4d进行分割所得到的目标心脏瓣膜内轮廓掩膜图像;
图5为本发明一具体示例提供的瓶颈层的结构示意图;
图6为本发明一具体示例提供的过渡块的结构示意图;
图7为本发明一具体示例提供的向上过渡块的结构示意图;
图8a为本发明一具体示例提供的外轮廓像素面积曲线图;
图8b为对图8a所示的外轮廓像素面积曲线图进行变换所得到的频率幅值图;
图8c为对图8b所示的频率幅值图进行滤波处理后所得到的频率幅值图;
图8d为对图8c所示的滤波处理后的频率幅值图进行反向变换所得到的滤波处理后的外轮廓像素面积曲线图;
图9为本发明一实施方式提供的获取候选心动图像的流程示意图;
图10a为本发明一具体示例提供的开口面积曲线图;
图10b为对图10a所示的开口面积曲线图进行变换所得到的频率幅值图;
图10c为对图10b所示的频率幅值图进行滤波处理后所得到的频率幅值图;
图10d为对图10c所示的滤波处理后的频率幅值图进行反向变换所得到的滤波处理后的开口面积曲线图;
图11为本发明一具体示例提供的绘制有外轮廓、内轮廓和开口面积的心动图像;
图12为本发明一实施方式提供的电子设备的方框结构示意图。
其中,附图标记如下:
处理器-101;通信接口-102;存储器-103;通信总线-104。
具体实施方式
以下结合附图和具体实施方式对本发明提出的心脏瓣膜开口面积检测方法、电子设备和存储介质作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,任何结构的修饰、比例关系的改变或大小的调整,在与本发明所能产生的功效及所能达成的目的相同或近似的情况下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。另外,如果本文所述的方法包括一系列步骤,且本文所呈现的这些步骤的顺序并非必须是可执行这些步骤的唯一顺序,且一些所述的步骤可被省略和/或一些本文未描述的其他步骤可被添加到该方法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。单数形式“一”、“一个”以及“该”包括复数对象,术语“或”通常是以包括“和/或”的含义而进行使用的,术语“若干”通常是以包括“至少一个”的含义而进行使用的,术语“至少两个”通常是以包括“两个或两个以上”的含义而进行使用的,此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
此外,在本说明书的描述中,参考术语“一个实施方式”、“一些实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式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方式或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施方式或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施方式或示例以及不同实施方式或示例的特征进行结合和组合。
本发明的核心思想在于提供一种心脏瓣膜开口面积检测方法、电子设备和存储介质,可以自动实现目标心脏瓣膜开口面积的检测,不仅整体算法准确率高,而且可以有效减少人机交互的繁琐操作。
需要说明的是,本发明提供的心脏瓣膜开口面积检测方法可应用于本发明提供的电子设备上,其中,该电子设备可以是个人计算机、移动终端等,该移动终端可以是手机、平板电脑等具有各种操作系统的硬件设备。此外,需要说明的是,虽然本文是以待确认心动视频为超声心动视频为例进行说明,但是如本领域技术人员所能理解的,所述待确认心动视频还可以为除超声设备以外的其它设备(例如心脏内窥镜)采集的心动视频,本发明对此并不进行限定。同理,虽然本文是以主动脉瓣作为目标心脏瓣膜为例进行说明,但是如本领域技术人员所能理解的,所述目标心脏瓣膜还可以为二尖瓣、三尖瓣、肺动脉瓣等,本发明对此并不进行限定。另外,需要说明的是,如本领域技术人员所能理解的,本文中所称的外轮廓是指目标心脏瓣膜(例如主动脉瓣)外边缘的包络区域,外轮廓与内轮廓之间的区域即为目标心脏瓣膜所在区域,内轮廓的面积即为目标心脏瓣膜(例如主动脉瓣)的开口面积。
为实现上述思想,本发明提供一种心脏瓣膜开口面积检测方法,请参考图1,其示意性地给出了本发明一实施方式提供的心脏瓣膜开口面积检测方法的流程示意图。如图1所示,所述心脏瓣膜开口面积检测方法包括如下步骤:
步骤S100、对所获取的待确认心动视频中的各帧心动图像分别进行目标心脏瓣膜感兴趣区域的提取,以获取各帧心动图像所对应的目标心脏瓣膜感兴趣区域图像。
步骤S200、采用心脏瓣膜分割模型分别对所获取的各帧心动图像所对应的所述目标心脏瓣膜感兴趣区域图像进行分割,以获取各帧心动图像所对应的目标心脏瓣膜内轮廓掩膜图像和目标心脏瓣膜外轮廓掩膜图像。
步骤S300、根据各帧心动图像所对应的目标心脏瓣膜外轮廓掩膜图像,确定出所有的目标心动图像。
步骤S400、根据各帧目标心动图像所对应的目标心脏瓣膜内轮廓掩膜图像,确定各帧目标心动图像所对应的目标心脏瓣膜开口面积。
步骤S500、根据各帧目标心动图像所对应的目标心脏瓣膜开口面积,确定所述待确认心动视频所对应的目标心脏瓣膜开口面积。
由于目标心脏瓣膜(例如主动脉瓣)的外轮廓的形状相比于其内轮廓的形状要更为规则,并且从心脏瓣膜分割模型(例如主动脉瓣分割模型)的表现来看,目标心脏瓣膜外轮廓掩膜图像(例如主动脉瓣外轮廓掩膜图像)的分割精度比目标心脏瓣膜内轮廓掩膜图像(例如主动脉瓣内轮廓掩膜图像)要高,因此通过各帧心动图像所对应的目标心脏瓣膜外轮廓掩膜图像,来确定出所有的目标心动图像,以根据各帧目标心动图像所对应的目标心脏瓣膜内轮廓掩膜图像,来确定出所述待确认心动视频所对应的目标心脏瓣膜开口面积,可以有效提高最终所获取的目标心脏瓣膜开口面积的准确性。此外,本发明提供的心脏瓣膜开口面积检测方法能够实现端到端的算法流程,不仅能够有效减少人为因素可能产生的差异化问题,可以更好地辅助医生提高诊断的准确率,为心脏瓣膜的异常分析提供依据,而且还可以减少人机交互的繁琐操作。
作为一种具体的示例,所获取的待确认心动视频可以为超声设备采集的大动脉短轴切面影像视频,所获取的待确认心动视频含有多个心动周期,所述待确认心动视频的分辨率可以根据具体情况进行设置,例如600×800像素。
在一种示范性的实施方式中,所述对所获取的待确认心动视频中的各帧心动图像分别进行目标心脏瓣膜感兴趣区域的提取,以获取各帧心动图像所对应的目标心脏瓣膜感兴趣区域图像,包括:
针对所获取的待确认心动视频中的每一帧心动图像:
采用目标检测模型对该帧心动图像分别进行目标心脏瓣膜感兴趣区域的检测,以获取该帧心动图像所对应的候选目标心脏瓣膜感兴趣区域位置信息;
根据该帧心动图像所对应的候选目标心脏瓣膜感兴趣区域位置信息以及预设放大倍数,获取该帧心动图像所对应的目标心脏瓣膜感兴趣区域位置信息;
根据该帧心动图像所对应的目标心脏瓣膜感兴趣区域位置信息,在该帧心动图像上裁剪出对应的区域,以获取该帧心动图像所对应的目标心脏瓣膜感兴趣区域图像。
由此,通过采用目标检测模型对所述待确认心动视频中的各帧心动图像分别进行目标心脏瓣膜感兴趣区域(例如主动脉瓣感兴趣区域)的检测,可以高效且准确地获取每一帧心动图像所对应的候选目标心脏瓣膜感兴趣区域(例如候选主动脉瓣感兴趣区域)的位置信息。由于采用目标检测模型虽然可以在心动图像中检测出候选目标心脏瓣膜感兴趣区域(例如主动脉瓣感兴趣区域),为后续的心脏瓣膜分割模型(例如主动脉瓣分割模型)提供初步定位,但是也会造成目标心脏瓣膜(例如主动脉瓣)周围组织等细节信息的丢失,由此本发明通过根据所述候选目标心脏瓣膜感兴趣区域的位置信息,计算放大预设倍数(例如1.3倍)后的目标心脏瓣膜感兴趣区域的位置信息,即将目标检测模型检测得到的候选目标心脏瓣膜感兴趣区域的边框(bounding box)放大预设倍数,例如1.3倍,以得到放大后的边框,该放大后的边框所限定的区域即为最终的目标心脏瓣膜感兴趣区域,由于该放大后的边框所限定的区域包括目标心脏瓣膜周围组织等细节信息,由此可以进一步提高后续分割模型的分割精度。需要说明的是,如本领域技术人员所能理解的,放大后的边框的中心位置与放大前的边框的中心位置一致。具体地,请参考图2a和图2b,其中图2a示意性地给出了本发明一具体示例提供的心动图像,图2b为从图2a中的心动图像中裁剪下来的目标心脏瓣膜(主动脉瓣)感兴趣区域图像。如图2a和图2b所示,通过在所述心动图像上裁剪出目标心脏瓣膜(主动脉瓣)感兴趣区域图像,可以有效去除背景部分的干扰,为获取高效且准确地获取目标心脏瓣膜内轮廓掩膜图像和目标心脏瓣膜外轮廓掩膜图像奠定良好的基础。
在一种示范性的实施方式中,所述目标检测模型为ResNet50神经网络模型。由于ResNet中使用了跳跃连接(或称捷径),它将某一层的网络层激活值,直接传递给网络的更深层,另外跳跃连接只传递数据,通过跳跃连接,反向传播时信号可以无衰减地传递,不用担心梯度会发生改变,能够向上一层传递有效的梯度,由此,通过跳跃连接能够有效的缓解因为加深网络层而导致的梯度消失问题,通过Residual block(残差模块)的堆叠,可以构建非常深的网络模型,使深的网络层次也能进行有效的训练。
需要说明的是,如本领域技术人员所能理解的,所述目标检测模型训练过程中所采用的样本为已标注出目标心脏瓣膜感兴趣区域(例如主动脉瓣感兴趣区域)的样本心动图像。
在一种示范性的实施方式中,在采用标心脏瓣膜分割模型分别对各帧心动图像所对应的所述目标心脏瓣膜感兴趣区域图像进行分割之前,所述心脏瓣膜开口面积检测方法还包括:
针对每一帧心动图像,对该帧心动图像所对应的所述目标心脏瓣膜感兴趣区域图像进行尺寸的调整,以将该帧心动图像所对应的所述目标心脏瓣膜感兴趣区域图像的尺寸调整至预设尺寸。
对应地,所述采用心脏瓣膜分割模型分别对各帧心动图像所对应的所述目标心脏瓣膜感兴趣区域图像进行分割,以获取各帧心动图像所对应的目标心脏瓣膜内轮廓掩膜图像和目标心脏瓣膜外轮廓掩膜图像,包括:
针对每一帧心动图像:
采用心脏瓣膜分割模型分别对该帧心动图像所对应的调整至预设尺寸的所述目标心脏瓣膜感兴趣区域图像进行分割,以获取该帧心动图像所对应的调整至预设尺寸的目标心脏瓣膜内轮廓掩膜图像和调整至预设尺寸的目标心脏瓣膜外轮廓掩膜图像;
将该帧心动图像所对应的调整至预设尺寸的目标心脏瓣膜内轮廓掩膜图像和调整至预设尺寸的目标心脏瓣膜外轮廓掩膜图像的尺寸调整至该帧心动图像所对应的目标心脏瓣膜感兴趣区域图像的尺寸,以获取该帧心动图像所对应的目标心脏瓣膜内轮廓掩膜图像和目标心脏瓣膜外轮廓掩膜图像。
由于心脏瓣膜分割模型需要统一尺寸的图像作为输入,由此通过将各帧心动图像所对应的目标心脏瓣膜感兴趣区域图像的尺寸调整至预设尺寸,可以满足心脏瓣膜分割模型的输入需要。具体地,所述预设尺寸可以根据具体情况进行设置。作为一种优选,在所述预设尺寸中,图像的长度方向尺寸与宽度方向相一致,即调整至预设尺寸后的目标心脏瓣膜感兴趣区域图像为方形图像,例如所述预设尺寸为320*320。由此,通过将预设尺寸中的长度方向尺寸和宽度方向设置为一致,可以更加便于将所述目标心脏瓣膜感兴趣区域图像的尺寸调整至所述预设尺寸。
进一步地,所述对该帧心动图像所对应的所述目标心脏瓣膜感兴趣区域图像进行尺寸的调整,以将该帧心动图像所对应的所述目标心脏瓣膜感兴趣区域图像的尺寸调整至预设尺寸,包括:
将该帧心动图像所对应的所述目标心脏瓣膜感兴趣区域图像的高度尺寸和宽度尺寸中的较大的一者作为目标边长尺寸;
对该帧心动图像所对应的所述目标心脏瓣膜感兴趣区域图像进行填充,以将所述目标心脏瓣膜感兴趣区域图像的宽度尺寸和高度尺寸中的较小一者调整至所述目标边长尺寸;
将调整至所述目标边长尺寸的所述目标心脏瓣膜感兴趣区域图像进行图像放大或缩小,以将所述目标心脏瓣膜感兴趣区域图像的尺寸调整至所述预设尺寸。
具体地,请参考图2b和图2c,其中,图2c为对图2b所示的目标心脏瓣膜感兴趣区域图像(主动脉瓣感兴趣区域图像)进行尺寸调整后所获得的目标心脏瓣膜感兴趣区域图像(主动脉瓣感兴趣区域图像)。如图2b和图2c所示,由于图2b所示的目标心脏瓣膜感兴趣区域图像(主动脉瓣感兴趣区域图像)的宽度尺寸小于高度尺寸,因此沿高度方向,以黑色像素(像素值为0)对所述目标心脏瓣膜感兴趣区域图像(主动脉瓣感兴趣区域图像)进行填充,以将所述目标心脏瓣膜感兴趣区域图像(主动脉瓣感兴趣区域图像)的高度尺寸调整至与宽度尺寸相一致,即将所述目标心脏瓣膜感兴趣区域图像(主动脉瓣感兴趣区域图像)调整为方形图像,再将调整至方形的所述目标心脏瓣膜感兴趣区域图像放大或缩小一定倍数,即可将所述目标心脏瓣膜感兴趣区域图像(主动脉瓣感兴趣区域图像)的尺寸调整至预设尺寸。
在一种示范性的实施方式中,所述心脏瓣膜分割模型为DenseNet神经网络模型。由于DenseNet神经网络模型是一种具有密集连接的卷积神经网络,每一层的输入来自前面所有层的输出,这种神经网络结构加强了特征的传递,更有效利用了特征,另外DenseNet神经网络模型具有较好的抗过拟合性能,尤其适合于训练数据相对匮乏的应用。因此,采用DenseNet神经网络模型作为本发明中的心脏瓣膜分割模型(例如主动脉瓣分割模型),可以有效提高目标心脏瓣膜外轮廓掩膜图像(例如主动脉瓣外轮廓掩膜图像)和目标心脏瓣膜内轮廓掩膜图像(例如主动脉瓣内轮廓掩膜图像)分割效率和分割准确率。具体地,DenseNet神经网络模型由多个密集连接块通过过渡块连接组成,即任意相邻的两个密集连接块之间通过一过渡块相连,且密集连接块内的卷积输出通道的数量是一致的,以便于能够将每一层的特征信息进行叠加。密集连接块中的一层称为瓶颈层,DenseNet中的密集连接将一个密集连接块中的每层与之后的所有层进行连接,实现特征复用。
请继续参考图3,其示意性地给出了本发明一具体示例提供的心脏瓣膜分割模型的结构示意图。如图3所示,在本具体示例中,所述心脏瓣膜分割模型包括依次连接的第一卷积层、第一池化层(优选为最大池化层)、第一密集连接块、第一过渡块、第二密集连接块、第二过渡块、第三密集连接块、第三过渡块、第四密集连接块、第一向上过渡块、第二向上过渡块以及卷积块,所述卷积块包括两个卷积核尺寸为1×1的第二卷积层。其中,所述第一卷积层用于对输入的图像进行目标心脏瓣膜特征(例如主动脉瓣膜特征)的提取,所述第一池化层用于对所述第一卷积层的输出进行池化操作,以去掉图像中的不必要的冗余信息,所述第一密集连接块用于对所述第一池化层的输出进行目标心脏瓣膜特征(例如主动脉瓣膜特征)的提取,所述第一过渡块用于对所述第一密集连接块的输出进行压缩操作,以降低所述第一密集连接块所输出的特征图的尺寸,所述第二密集连接块用于对所述第一过渡块的输出进行目标心脏瓣膜特征(例如主动脉瓣膜特征)的提取,所述第二过渡块用于对所述第二密集连接块的输出进行压缩操作,以降低所述第二密集连接块所输出的特征图的尺寸,所述第三密集连接块用于对所述第二过渡块的输出进行目标心脏瓣膜特征(例如主动脉瓣膜特征)的提取,所述第三过渡块用于对所述第三密集连接块的输出进行压缩操作,以降低所述第三密集连接块所输出的特征图的尺寸,所述第四密集连接块用于对所述第三过渡块的输出进行目标心脏瓣膜特征(例如主动脉瓣膜特征)的提取,所述第一向上过渡块用于对所述第四密集连接块的输出进行反卷积操作,以增大所述第四密集连接块所输出的特征图的尺寸,所述第二向上过渡块用于对所述第一向上过渡块的输出进行反卷积操作,以增大所述第一向上过渡块所输出的特征图的尺寸,所述卷积块用于对所述第二向上过渡块的输出进行非线性映射回归,以获取目标心脏瓣膜(例如主动脉瓣)的外轮廓和内轮廓的分割结果,也即获取目标心脏瓣膜外轮廓掩膜图像(例如主动脉瓣外轮廓掩膜图像)和目标心脏瓣膜内轮廓掩膜图像(例如主动脉瓣内轮廓掩膜图像)。具体地,所述卷积块中的第二卷积层A用于对所述第二向上过渡块的输出进行非线性映射回归,以获取目标心脏瓣膜(例如主动脉瓣)的外轮廓的分割结果(即输出二),也即获取目标心脏瓣膜外轮廓掩膜图像(例如主动脉瓣外轮廓掩膜图像),所述卷积块中的第二卷积层B用于对所述第二向上过渡块的输出进行非线性映射回归,以获取目标心脏瓣膜(例如主动脉瓣)的内轮廓的分割结果(即输出一),也即获取目标心脏瓣膜内轮廓掩膜图像(例如主动脉瓣内轮廓掩膜图像)。
请参考图4a至图4f,其中,图4a为本发明一具体示例提供的心室开放状态下的目标心脏瓣膜(主动脉瓣)感兴趣区域图像;图4b为对图4a进行分割所得到的目标心脏瓣膜(主动脉瓣)外轮廓掩膜图像,其中的白色区域表示外轮廓所限定的区域;图4c为对图4a进行分割所得到的目标心脏瓣膜(主动脉瓣)内轮廓掩膜图像,其中的白色区域表示内轮廓所限定的区域;图4d为本发明一具体示例提供的心室关闭状态下的目标心脏瓣膜(主动脉瓣)感兴趣区域图像;图4e为对图4d进行分割所得到的目标心脏瓣膜(主动脉瓣)外轮廓掩膜图像,其中的白色区域表示外轮廓所限定的区域;图4f为对图4d进行分割所得到的目标心脏瓣膜(主动脉瓣)内轮廓掩膜图像。如图4a至图4f所示,当心室处于开放状态时,目标心脏瓣膜(主动脉瓣)的开口面积不为0,当心室处于关闭状态时,目标心脏瓣膜(主动脉瓣)的开口面积为0,即内轮廓不存在,所获取的目标心脏瓣膜(主动脉瓣)的内轮廓掩膜图像为纯黑色。
具体地,所述第二卷积层A和所述第二卷积层B可通过sigmoid函数对所述第二向上过渡块的输出进行非线性映射回归,sigmoid函数的公式如下所示:
由上式可知,Sigmoid函数可以将任意的输入实数映射到实数映射区间(0,1)内,当输入值x较大时,输出值g趋向于1,输入值x较小时,输出值g趋向于0。
需要说明的是,如本领域技术人员所能理解的,所述第一密集连接块、所述第二密集连接块、所述第三密集连接块和所述第四密集连接块均包括多个瓶颈层,且所述第一密集连接块、所述第二密集连接块、所述第三密集连接块和所述第四密集连接块所具有的瓶颈层的数目可以相同也可以不同,其具体数目可以根据实际需要进行设置,本发明对此并不进行限定,例如,所述第一密集连接块中可设有6层瓶颈层,所述第二密集连接块中可设有12层瓶颈层,所述第三密集连接块中可设有24层瓶颈层,所述第四密集连接块中可设有16层瓶颈层。
请继续参考图5,其示意性地给出了本发明一具体示例提供的瓶颈层的结构示意图。如图5所示,所述瓶颈层包括依次连接的第一批量归一化层A、第一激活层A、第三卷积层A、第一批量归一化层B、第一激活层B和第三卷积层B,其中,第三卷积层A的卷积核的尺寸为1×1,第三卷积层B的卷积核的尺寸为3×3。由此,本发明通过在瓶颈层的3×3的卷积之前加入1×1的卷积可以减少特征映射图的数量和降低每张特征映射图的维度,以减少计算量,还能够融合各个通道的特征。此外,由于所述瓶颈层在执行1×1和3×3的卷积操作之前均进行批量归一化BN操作和ReLU激活操作,由此可以进一步提升训练速度和收敛效率。
请继续参考图6,其示意性地给出了本发明一具体示例提供的过渡块的结构示意图。如图6所示,所述第一过渡块、所述第二过渡块、所述第三过渡块均包括依次连接的第二批量归一化层、第二激活层、第四卷积层和第二池化层(优选为平均池化层),其中,所述第四卷积层的卷积核的尺寸为1×1。由此,通过所述第四卷积层的卷积操作能够对特征映射图进行降维,通过第二池化层的平均池化操作可以解决特征映射图的通道数过多的问题,防止过多的密集连接块导致的模型复杂化问题。此外,由于每一过渡块在进行1×1的卷积操作之前还进行批量归一化BN操作和ReLU激活操作,由此可以进一步压缩参数数量。
请继续参考图7,其示意性地给出了本发明一具体示例提供的向上过渡块的结构示意图。如图7所示,所述第一向上过渡块和所述第二向上过渡块均包括依次连接的第三批量归一化层A、第三激活层A、第五卷积层A、第三批量归一化层B、第三激活层B、第五卷积层B、第三批量归一化层C、第三激活层C和反卷积层,其中,所述第五卷积层A和所述第五卷积层B的卷积核的尺寸均为3×3。
在一种示范性的实施方式中,所述心脏瓣膜分割模型在训练过程中采用的损失函数为binary_crossentropy交叉熵损失函数,binary_crossentropy交叉熵损失函数的公式如下所示:
式中,yi为真实标签,为预测结果。
进一步地,在完成心脏瓣膜分割模型的训练后本发明还采用Dice coefficient公式对所述心脏瓣膜分割模型的算法精度进行评价,Dice coefficient公式如下所示:
式中,X为预测结果,Y为真实标签。
Dice的取值范围是0到1,Dice值越接近1说明心脏瓣膜分割模型的分割精度越高。
作为一种示例,在心脏瓣膜分割模型的训练过程中,设置学习率为1e-3(即0.001),并使用Adam(adaptive moment estimation)为优化器,利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率,并在优化器的参数中增加clipnorm=0.001用于对梯度进行裁剪。
进一步地,所述心脏瓣膜分割模型(例如主动脉瓣分割模型)训练过程中所采用的样本为目标心脏瓣膜感兴趣区域训练图像(例如主动脉瓣感兴趣区域训练图像)以及与所述目标心脏瓣膜感兴趣区域训练图像(例如主动脉瓣感兴趣区域训练图像)对应的目标心脏瓣膜外轮廓掩膜标签图像(例如主动脉瓣外轮廓掩膜标签图像)和目标心脏瓣膜内轮廓掩膜标签图像(例如主动脉瓣内轮廓掩膜标签图像)。具体地,可以采用OpenCV轮廓提取算法,在所述目标心脏瓣膜感兴趣区域训练图像(例如主动脉瓣感兴趣区域训练图像)中查找出目标心脏瓣膜(例如主动脉瓣)的外轮廓和内轮廓,以获取目标心脏瓣膜外轮廓掩膜标签图像(例如主动脉瓣外轮廓掩膜标签图像)和目标心脏瓣膜内轮廓掩膜标签图像(例如主动脉瓣内轮廓掩膜标签图像)。
在一种示范性的实施方式中,所述根据各帧心动图像所对应的目标心脏瓣膜外轮廓掩膜图像,确定出所有的目标心动图像,包括:
针对每一帧心动图像,根据该帧心动图像所对应的目标心脏瓣膜外轮廓掩膜图像,确定该帧心动图像所对应的目标心脏瓣膜外轮廓像素面积;
根据各帧所述心动图像所对应的帧序号以及目标心脏瓣膜外轮廓像素面积,获取目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系;
根据所述目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,将每个心动周期下的目标心脏瓣膜外轮廓像素面积峰值所对应的心动图像均作为一帧候选心动图像;
根据各帧候选心动图像,确定出所有的目标心动图像。
具体地,通过统计所述心动图像所对应的目标心脏瓣膜外轮廓掩膜图像(例如主动脉瓣外轮廓掩膜图像)中的最大连通域(即外轮廓所限定的区域)中的像素点的数目,即可获取所述心动图像所对应的目标心脏瓣膜外轮廓像素面积(例如主动脉瓣外轮廓像素面积)。由于外轮廓面积最大时,内轮廓面积(即开口面积)也是最大的,因此,通过将各个心动周期下的目标心脏瓣膜外轮廓像素面积峰值所对应的心动图像(即每个心动周期下的外轮廓像素面积最大的心动图像)均作为一帧候选心动图像,以进行最终的待确认心动视频的开口面积的计算是合理的且可以减小误差,避免了单帧心动图像波动大等偶然因素造成的影响。
进一步地,所述根据所述目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,将每个心动周期下的目标心脏瓣膜外轮廓像素面积峰值所对应的心动图像均作为一帧候选心动图像,包括:
对所述目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系进行滤波处理,以获取滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系;
根据滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,将每个心动周期下的目标心脏瓣膜外轮廓像素面积峰值所对应的心动图像均作为一帧候选心动图像。
由此,本发明提供的心脏瓣膜开口面积检测方法通过先对所述目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系进行滤波处理,可以有效滤除噪音信息,再根据滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,获取候选心动图像,可以有效提高最终所获得的目标心脏瓣膜开口面积的准确性,进而可以进一步提高医生诊断的准确性。
进一步地,所述对所述目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系进行滤波处理,以获取滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,包括:
根据所述目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,获取外轮廓像素面积曲线图;
将所述外轮廓像素面积曲线图由时域转换至频域,以获取频率幅值图;
对所述频率幅值图进行滤波处理,以滤除所述频率幅值图中的频率高于预设阈值的部分;
将滤波处理后的所述频率幅值图由频域转换至时域,以获取滤波处理后的外轮廓像素面积曲线图;
根据滤波处理后的外轮廓像素面积曲线图,获取滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系。
请参考图8a至图8d,其中,图8a为本发明一具体示例提供的外轮廓像素面积曲线图;图8b为对图8a所示的外轮廓像素面积曲线图进行变换所得到的频率幅值图;图8c为对图8b所示的频率幅值图进行滤波处理后所得到的频率幅值图;图8d为对图8c所示的滤波处理后的频率幅值图进行反向变换所得到的滤波处理后的外轮廓像素面积曲线图。如图8a至图8d所示,通过对所述外轮廓像素面积曲线图进行时域到频域的变换,例如快速傅里叶变换,可以将外轮廓像素面积信号从原始域(时域)转换至频域;通过对所获取的频率幅值图进行滤波处理,可以将所述频率幅值图中的幅值较小的频率高于预设阈值(例如频率高于0.1)的部分(即高频部分)滤除,例如可以通过将幅值较小的高频部分(例如频率高于0.1的部分)的幅值设置为0;通过对滤波处理后的频率幅值图进行反向变换,例如反向快速傅里叶变换可以将外轮廓像素面积信号从频域转换至时域,从而得到去除高频部分后的外轮廓像素面积随图像帧变化的曲线图,即滤波处理后的外轮廓像素面积曲线图,进而根据所获取的滤波处理后的外轮廓像素面积曲线图(滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系)中的每一心动周期下的外轮廓像素面积峰值点所对应的帧序号,即可确定出所有的候选心动图像。如图8d所示的滤波处理后的外轮廓像素面积曲线图中,共存在三个外轮廓像素面积峰值点(一个心动周期对应一个外轮廓像素面积峰值点)。需要说明的是,如本领域技术人员所能理解的,在确定外轮廓像素面积峰值点时,只考虑既有外轮廓像素面积上升期又有外轮廓像素面积下降期的心动周期下的外轮廓像素面积峰值点。
请继续参考图9,其示意性地给出了本发明一实施方式提供的获取候选心动图像的流程示意图。如图9所示,在一种示范性的实施方式中,所述根据滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,将每个心动周期下的目标心脏瓣膜外轮廓像素面积峰值所对应的心动图像均作为一帧候选心动图像,包括:
步骤A、针对每一帧心动图像,根据滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,将该帧心动图像所对应的滤波处理后的目标心脏瓣膜外轮廓像素面积和帧序号组成一数据对;
步骤B、获取所述滤波处理后的目标心脏瓣膜外轮廓像素面积最大的数据对作为目标数据对,并将所述目标数据对中的帧序号所对应的心动图像作为候选心动图像;
步骤C、对除了所述目标数据对以外的数据对进行遍历,直至查找出帧序号与各个目标数据对所对应的帧序号之间的差值的绝对值均大于心动周期值的数据对作为新的目标数据对,并将所述目标数据对中的帧序号所对应的心动图像作为候选心动图像;
步骤D、判断是否遍历完所有的数据对,若否,则返回执行C。
由此,通过上述步骤A至步骤D,可以查找出所有的目标数据对,所述目标数据对中的帧序号所对应的心动图像即为候选心动图像。
进一步地,为了提高查找效率,可以将所有帧心动图像所对应的数据对按照滤波处理后的目标心脏瓣膜外轮廓像素面积从大到小的顺序进行排列,以获取数据对集,并将排在第一位的数据对作为目标数据对,然后按序对所述数据对集中的除所述目标数据对以外的数据对进行遍历,直至查找出帧序号与各个目标数据对所对应的帧序号之间的差值的绝对值均大于心动周期值的数据对作为新的目标数据对,再继续按序对所述数据对集中的除所述目标数据对以外的数据对进行遍历,直至遍历完所述数据对集中的所有数据对。
进一步地,所述心动周期值通过以下步骤获取得到:
根据所述频率幅值图,将第二个幅值峰值所对应的频率作为目标频率;
将所述目标频率的倒数作为心动周期值。
具体地,如图8b所示,图8b中从左往右数,第二个幅值峰值点所对应的频率即为目标频率,该目标频率的倒数,即为对应的心动周期值。
在一种示范性的实施方式中,所述根据各帧候选心动图像,确定出所有的目标心动图像,包括:
针对每一帧候选心动图像,将该帧候选心动图像以及邻近帧心动图像均作为目标心动图像,该帧候选心动图像的帧序号与所述邻近帧心动图像所对应的帧序号的差值在预设范围内。
需要说明的是,如本领域技术人员所能理解的,所述预设范围可以根据具体情况进行设置,例如所述预设范围可以设置为[-2,2],本发明对此并不进行限定。由此,通过将所述候选心动图像以及位于所述候选心动图像附近的前几帧心动图像(例如前2帧心动图像)和后几帧心动图像(例如后2帧心动图像)均作为目标心动图像,充分考虑了采样设备、模型精度(包括目标检测模型的精度和心脏瓣膜分割模型的精度)等可能造成的数值波动,从而可以进一步保证基于各目标心动图像所对应的目标心脏瓣膜开口面积(例如主动脉瓣开口面积)计算所获得的待确认心动视频所对应的目标心脏瓣膜开口面积(例如主动脉瓣开口面积)的准确性,有效降低误差。
在一种示范性的实施方式中,所述根据各帧目标心动图像所对应的目标心脏瓣膜内轮廓掩膜图像,确定各帧目标心动图像所对应的目标心脏瓣膜开口面积,包括:
针对每一帧目标心动图像:
根据该帧目标心动图像所对应的目标心脏瓣膜内轮廓掩膜图像,获取该帧目标心动图像所对应的目标心脏瓣膜内轮廓像素面积;
根据该帧目标心动图像所对应的目标心脏瓣膜内轮廓像素面积以及预先获取的像素面积与实际面积之间的对应关系,获取该帧目标心动图像所对应的目标心脏瓣膜开口面积。
需要说明的是,如本领域技术人员所能理解的,可以根据待确认心动视频采集时的面积标尺(即每平方厘米包含的像素数量)获取像素面积与实际面积之间的对应关系,由此根据各帧目标心动图像所对应的目标心脏瓣膜内轮廓像素面积以及预先获取的像素面积与实际面积之间的对应关系,即可获取各帧目标心动图像所对应的目标心脏瓣膜开口面积(单位为平方厘米)。
在一种示范性的实施方式中,所述根据各帧目标心动图像所对应的目标心脏瓣膜内轮廓掩膜图像,确定各帧目标心动图像所对应的目标心脏瓣膜开口面积,包括:
针对每一帧心动图像,根据该帧心动图像所对应的目标心脏瓣膜内轮廓掩膜图像,确定该帧心动图像所对应的目标心脏瓣膜内轮廓像素面积,并根据该帧心动图像所对应的目标心脏瓣膜内轮廓像素面积以及预先获取的像素面积与实际面积之间的对应关系,获取该帧心动图像所对应的目标心脏瓣膜开口面积;
根据各帧所述心动图像所对应的帧序号以及目标心脏瓣膜开口面积,获取目标心脏瓣膜开口面积与帧序号之间的对应关系;
对所述目标心脏瓣膜开口面积与帧序号之间的对应关系进行滤波处理,以获取滤波处理后的目标心脏瓣膜开口面积与帧序号之间的对应关系;
根据所述滤波处理后的目标心脏瓣膜开口面积与帧序号之间的对应关系以及各帧目标心动图像所对应的帧序号,确定各帧目标心动图像所对应的目标心脏瓣膜开口面积。
由此,通过获取目标心脏瓣膜开口面积与帧序号之间的对应关系,并对所述目标心脏瓣膜开口面积与帧序号之间的对应关系进行滤波处理,以获取滤波处理后的目标心脏瓣膜开口面积与帧序号之间的对应关系,再根据所述滤波处理后的目标心脏瓣膜开口面积与帧序号之间的对应关系以及各帧目标心动图像所对应的帧序号,确定各帧目标心动图像所对应的目标心脏瓣膜开口面积,可以有效消除噪声的影响,进一步提高本发明提供的心脏瓣膜开口面积检测方法的准确性。
进一步地,所述对目标心脏瓣膜开口面积与帧序号之间的对应关系进行滤波处理,以获取滤波处理后的目标心脏瓣膜开口面积与帧序号之间的对应关系,包括:
根据所述目标心脏瓣膜开口面积与帧序号之间的对应关系,获取开口面积曲线图;
将所述开口面积曲线图由时域转换至频域,以获取频率幅值图;
对所述频率幅值图进行滤波处理,以滤除所述频率幅值图中的频率高于预设阈值的部分;
将滤波处理后的所述频率幅值图由频域转换至时域,以获取滤波处理后的开口面积曲线图;
根据滤波处理后的开口面积曲线图,获取滤波处理后的目标心脏瓣膜开口面积与帧序号之间的对应关系。
具体地,请参考图10a至图10d,其中,图10a为本发明一具体示例提供的开口面积曲线图;图10b为对图10a所示的开口面积曲线图进行变换所得到的频率幅值图;图10c为对图10b所示的频率幅值图进行滤波处理后所得到的频率幅值图;图10d为对图10c所示的滤波处理后的频率幅值图进行反向变换所得到的滤波处理后的开口面积曲线图。如图10a至图10d所示,通过对所述开口面积曲线图进行时域到频域的变换,例如快速傅里叶变换,可以将开口面积信号从原始域(时域)转换至频域;通过对所获取的频率幅值图进行滤波处理,可以将所述频率幅值图中的幅值较小的频率高于预设阈值(例如频率高于0.1)的部分(即高频部分)滤除,例如可以通过将幅值较小的高频部分(例如频率高于0.1的部分)的幅值设置为0;通过对滤波处理后的频率幅值图进行反向变换,例如反向快速傅里叶变换可以将开口面积信号从频域转换至时域,从而得到去除高频部分后的开口面积随图像帧变化的曲线图,即滤波处理后的开口面积曲线图。由此,根据所述开口面积曲线图即可获取滤波处理后的目标心脏瓣膜开口面积与帧序号之间的对应关系,也即可以获取每一帧心动图像所对应的滤波处理后的开口面积,从而针对每一帧目标心动图像的帧序号,即可获取每一帧目标心动图像所对应的开口面积(滤波处理后的开口面积)。
在一种示范性的实施方式中,所述根据各帧目标心动图像所对应的目标心脏瓣膜开口面积,确定所述待确认心动视频所对应的目标心脏瓣膜开口面积,包括:
将各帧目标心动图像所对应的目标心脏瓣膜开口面积的平均值,作为所述待确认心动视频所对应的目标心脏瓣膜开口面积。
由此,通过将各帧目标心动图像所对应的目标心脏瓣膜开口面积的平均值,作为所述待确认心动视频所对应的目标心脏瓣膜开口面积,可以进一步保证所述待确认心动视频所对应的目标心脏瓣膜开口面积的准确性,进一步减少误差。
在一种示范性的实施方式中,在获取所述待确认心动视频所对应的目标心脏瓣膜开口面积后,所述心脏瓣膜开口面积检测方法还包括:
在所述待确认心动视频中的各帧心动图像上绘制出目标心脏瓣膜的外轮廓、内轮廓以及所述待确认心动视频所对应的目标心脏瓣膜开口面积的文本内容并输出。
请继续参考图11,其为本发明一具体示例提供的绘制有外轮廓、内轮廓和开口面积的心动图像,其中位于外侧的曲线为目标心脏瓣膜外轮廓(主动脉瓣外轮廓),位于内侧的曲线为目标心脏瓣膜内轮廓(主动脉瓣内轮廓)。如图11所示,该具体示例中的心动图像所在的待确认心动视频所对应的目标心脏瓣膜(例如主动脉瓣)开口面积为3.91平方厘米。由此,通过在每一帧心动图像上绘制出目标心脏瓣膜(例如主动脉瓣)的外轮廓、内轮廓以及所述待确认心动视频所对应的目标心脏瓣膜开口面积(例如主动脉瓣开口面积)的文本内容,可以便于医生更加直观地查看检测结果,更有利于提高医生诊断的准确率。
进一步地,在各帧所述心动图像上绘制出目标心脏瓣膜的外轮廓、内轮廓以及所述待确认心动视频所对应的目标心脏瓣膜开口面积的文本内容之后,所述方法还包括:
对各帧所述心动图像进行去噪处理,以滤除所述心动图像上的噪声。
具体地,可以采用中值滤波法将所述心动图像中的每一像素点的灰度值设置为该像素点的邻域窗口内的所有像素点的灰度值的中值,其中,滤波内核的尺寸参数可以根据具体情况进行设置,例如设置为5×5,由此通过采用中值滤波法可以有效去除所述心动图像中的椒盐噪声。需要说明的是,如本领域技术人员所能理解的,在其它一些实施方式中,还可以采用除中值滤波法以外的其它滤波法对所述心动图像进行滤波处理,本发明对此并不进行限定。
基于同一发明构思,本发明还提供一种电子设备,请参考图12,其示意性地给出了本发明一实施方式提供的电子设备的方框结构示意图。如图12所示,所述电子设备包括处理器101和存储器103,所述存储器103上存储有计算机程序,所述计算机程序被所述处理器101执行时,实现上文所述的心脏瓣膜开口面积检测方法。由于本发明提供的电子设备与上文所述的心脏瓣膜开口面积检测方法属于同一发明构思,因此本发明提供的电子设备具有上文所述的心脏瓣膜开口面积检测方法的所有优点,故在此不再对本发明提供的电子设备的有益效果进行一一赘述。
如图12所示,所述电子设备还包括通信接口102和通信总线104,其中所述处理器101、所述通信接口102、所述存储器103通过通信总线104完成相互间的通信。所述通信总线104可以是外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,EISA)总线等。该通信总线104可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。所述通信接口102用于上述电子设备与其他设备之间的通信。
本发明中所称处理器101可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器101是所述电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
所述存储器103可用于存储所述计算机程序,所述处理器101通过运行或执行存储在所述存储器103内的计算机程序,以及调用存储在存储器103内的数据,实现所述电子设备的各种功能。
所述存储器103可以包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本发明还提供了一种可读存储介质,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时可以实现上文所述的心脏瓣膜开口面积检测方法。由于本发明提供的可读存储介质与上文所述的心脏瓣膜开口面积检测方法属于同一发明构思,因此本发明提供的可读存储介质具有上文所述的心脏瓣膜开口面积检测方法的所有优点,故在此不再对本发明提供的可读存储介质的有益效果进行一一赘述。
本发明实施方式的可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机硬盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其组合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
综上所述,与现有技术相比,本发明提供的心脏瓣膜开口面积检测方法、电子设备和存储介质具有以下优点:
本发明提供的心脏瓣膜开口面积检测方法通过先对所获取的待确认心动视频中的各帧心动图像分别进行目标心脏瓣膜感兴趣区域的提取,以获取各帧心动图像所对应的目标心脏瓣膜感兴趣区域图像;再采用心脏瓣膜分割模型分别对各帧心动图像所对应的所述目标心脏瓣膜感兴趣区域图像进行分割,以获取各帧心动图像所对应的目标心脏瓣膜内轮廓掩膜图像和目标心脏瓣膜外轮廓掩膜图像;然后根据各帧心动图像所对应的目标心脏瓣膜外轮廓掩膜图像,确定出所有的目标心动图像;再根据各帧目标心动图像所对应的目标心脏瓣膜内轮廓掩膜图像,确定各帧目标心动图像所对应的目标心脏瓣膜开口面积;最后根据各帧目标心动图像所对应的目标心脏瓣膜开口面积,确定所述待确认心动视频所对应的目标心脏瓣膜开口面积。由于目标心脏瓣膜(例如主动脉瓣)的外轮廓的形状相比于其内轮廓的形状要更为规则,并且从心脏瓣膜分割模型(例如主动脉瓣分割模型)的表现来看,目标心脏瓣膜外轮廓掩膜图像(例如主动脉瓣外轮廓掩膜图像)的分割精度比目标心脏瓣膜内轮廓掩膜图像(例如主动脉瓣内轮廓掩膜图像)要高,因此通过各帧心动图像所对应的目标心脏瓣膜外轮廓掩膜图像,来确定出所有的目标心动图像,以根据各帧目标心动图像所对应的目标心脏瓣膜内轮廓掩膜图像,来确定出所述待确认心动视频所对应的目标心脏瓣膜开口面积,可以有效提高最终所获取的目标心脏瓣膜开口面积的准确性。此外,本发明提供的心脏瓣膜开口面积检测方法能够实现端到端的算法流程,不仅能够有效减少人为因素可能产生的差异化问题,可以更好地辅助医生提高诊断的准确率,为心脏瓣膜的异常分析提供依据,而且还可以减少人机交互的繁琐操作。
由于本发明提供的电子设备和存储介质与本发明提供的心脏瓣膜开口面积检测方法属于同一发明构思,因此本发明提供的电子设备和存储介质具有本发明提供的心脏瓣膜开口面积检测方法的所有优点,故在此不再对本发明提供的电子设备和存储介质所具有的有益效果一一进行赘述。
需要说明的是,如本领域技术人员所能理解的,可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应当注意的是,在本文的实施方式中所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的,例如,附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用于执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。另外,在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
上述描述仅是对本发明较佳实施方式的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于本发明的保护范围。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若这些修改和变型属于本发明及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (11)
1.一种心脏瓣膜开口面积检测方法,其特征在于,包括:
对所获取的待确认心动视频中的各帧心动图像分别进行目标心脏瓣膜感兴趣区域的提取,以获取各帧心动图像所对应的目标心脏瓣膜感兴趣区域图像;
采用心脏瓣膜分割模型分别对所获取的各帧心动图像所对应的所述目标心脏瓣膜感兴趣区域图像进行分割,以获取各帧心动图像所对应的目标心脏瓣膜内轮廓掩膜图像和目标心脏瓣膜外轮廓掩膜图像;
根据各帧心动图像所对应的目标心脏瓣膜外轮廓掩膜图像,确定出所有的目标心动图像;
根据各帧目标心动图像所对应的目标心脏瓣膜内轮廓掩膜图像,确定各帧目标心动图像所对应的目标心脏瓣膜开口面积;
根据各帧目标心动图像所对应的目标心脏瓣膜开口面积,确定所述待确认心动视频所对应的目标心脏瓣膜开口面积。
2.根据权利要求1所述的心脏瓣膜开口面积检测方法,其特征在于,所述根据各帧心动图像所对应的目标心脏瓣膜外轮廓掩膜图像,确定出所有的目标心动图像,包括:
针对每一帧心动图像,根据该帧心动图像所对应的目标心脏瓣膜外轮廓掩膜图像,确定该帧心动图像所对应的目标心脏瓣膜外轮廓像素面积;
根据各帧所述心动图像所对应的帧序号以及目标心脏瓣膜外轮廓像素面积,获取目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系;
根据所述目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,将每个心动周期下的目标心脏瓣膜外轮廓像素面积峰值所对应的心动图像均作为一帧候选心动图像;
根据各帧候选心动图像,确定出所有的目标心动图像。
3.根据权利要求2所述的心脏瓣膜开口面积检测方法,其特征在于,所述根据所述目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,将每个心动周期下的目标心脏瓣膜外轮廓像素面积峰值所对应的心动图像均作为一帧候选心动图像,包括:
对所述目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系进行滤波处理,以获取滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系;
根据滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,将每个心动周期下的目标心脏瓣膜外轮廓像素面积峰值所对应的心动图像均作为一帧候选心动图像。
4.根据权利要求3所述的心脏瓣膜开口面积检测方法,其特征在于,所述根据滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,将每个心动周期下的目标心脏瓣膜外轮廓像素面积峰值所对应的心动图像均作为一帧候选心动图像,包括:
步骤A、针对每一帧心动图像,根据滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,将该帧心动图像所对应的滤波处理后的目标心脏瓣膜外轮廓像素面积和帧序号组成一数据对;
步骤B、获取所述滤波处理后的目标心脏瓣膜外轮廓像素面积最大的数据对作为目标数据对,并将所述目标数据对中的帧序号所对应的心动图像作为候选心动图像;
步骤C、对除了所述目标数据对以外的数据对进行遍历,直至查找出帧序号与各个目标数据对所对应的帧序号之间的差值的绝对值均大于心动周期值的数据对作为新的目标数据对,并将所述目标数据对中的帧序号所对应的心动图像作为候选心动图像;
步骤D、判断是否遍历完所有的数据对,若否,则返回执行C。
5.根据权利要求3所述的心脏瓣膜开口面积检测方法,其特征在于,所述对目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系进行滤波处理,以获取滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,包括:
根据所述目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系,获取外轮廓像素面积曲线图;
将所述外轮廓像素面积曲线图由时域转换至频域,以获取频率幅值图;
对所述频率幅值图进行滤波处理,以滤除所述频率幅值图中的频率高于预设阈值的部分;
将滤波处理后的所述频率幅值图由频域转换至时域,以获取滤波处理后的外轮廓像素面积曲线图;
根据滤波处理后的外轮廓像素面积曲线图,获取滤波处理后的目标心脏瓣膜外轮廓像素面积与帧序号之间的对应关系。
6.根据权利要求5所述的心脏瓣膜开口面积检测方法,其特征在于,所述心动周期值通过以下步骤获取得到:
根据所述频率幅值图,将第二个幅值峰值所对应的频率作为目标频率;
将所述目标频率的倒数作为心动周期值。
7.根据权利要求2所述的心脏瓣膜开口面积检测方法,其特征在于,所述根据各帧候选心动图像,确定出所有的目标心动图像,包括:
针对每一帧候选心动图像,将该帧候选心动图像以及邻近帧心动图像均作为目标心动图像,该帧候选心动图像的帧序号与所述邻近帧心动图像所对应的帧序号的差值在预设范围内。
8.根据权利要求1所述的心脏瓣膜开口面积检测方法,其特征在于,所述根据各帧目标心动图像所对应的目标心脏瓣膜内轮廓掩膜图像,确定各帧目标心动图像所对应的目标心脏瓣膜开口面积,包括:
针对每一帧心动图像,根据该帧心动图像所对应的目标心脏瓣膜内轮廓掩膜图像,确定该帧心动图像所对应的目标心脏瓣膜内轮廓像素面积,并根据该帧心动图像所对应的目标心脏瓣膜内轮廓像素面积以及预先获取的像素面积与实际面积之间的对应关系,获取该帧心动图像所对应的目标心脏瓣膜开口面积;
根据各帧所述心动图像所对应的帧序号以及目标心脏瓣膜开口面积,获取目标心脏瓣膜开口面积与帧序号之间的对应关系;
对所述目标心脏瓣膜开口面积与帧序号之间的对应关系进行滤波处理,以获取滤波处理后的目标心脏瓣膜开口面积与帧序号之间的对应关系;
根据所述滤波处理后的目标心脏瓣膜开口面积与帧序号之间的对应关系以及各帧目标心动图像所对应的帧序号,确定各帧目标心动图像所对应的目标心脏瓣膜开口面积。
9.根据权利要求1所述的心脏瓣膜开口面积检测方法,其特征在于,所述根据各帧目标心动图像所对应的目标心脏瓣膜开口面积,确定所述待确认心动视频所对应的目标心脏瓣膜开口面积,包括:
将各帧目标心动图像所对应的目标心脏瓣膜开口面积的平均值,作为所述待确认心动视频所对应的目标心脏瓣膜开口面积。
10.一种电子设备,其特征在于,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现权利要求1至9中任一项所述的心脏瓣膜开口面积检测方法。
11.一种可读存储介质,其特征在于,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1至9中任一项所述的心脏瓣膜开口面积检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211027374.3A CN117635691A (zh) | 2022-08-25 | 2022-08-25 | 心脏瓣膜开口面积检测方法、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211027374.3A CN117635691A (zh) | 2022-08-25 | 2022-08-25 | 心脏瓣膜开口面积检测方法、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117635691A true CN117635691A (zh) | 2024-03-01 |
Family
ID=90017027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211027374.3A Pending CN117635691A (zh) | 2022-08-25 | 2022-08-25 | 心脏瓣膜开口面积检测方法、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635691A (zh) |
-
2022
- 2022-08-25 CN CN202211027374.3A patent/CN117635691A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
WO2021129323A1 (zh) | 超声图像病灶描述方法、装置、计算机设备和存储介质 | |
CN112070119B (zh) | 超声切面图像质量控制方法、装置和计算机设备 | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN112690813B (zh) | 基于分形理论的肿瘤异质性分析方法、系统、终端及介质 | |
CN111462049A (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
Hermawati et al. | Combination of aggregated channel features (ACF) detector and faster R-CNN to improve object detection performance in fetal ultrasound images | |
CN115359066B (zh) | 用于内窥镜的病灶检测方法、装置、电子设备及存储介质 | |
CN111047608A (zh) | 一种基于Distance-AttU-Net的端到端的乳腺超声图像的分割方法 | |
CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
CN108364289B (zh) | Ivoct图像易损斑块自动检测方法 | |
Wang et al. | Automatic measurement of fetal head circumference using a novel GCN-assisted deep convolutional network | |
Nagaraj et al. | Carotid wall segmentation in longitudinal ultrasound images using structured random forest | |
CN112767403A (zh) | 医学影像分割模型训练方法、医学影像分割方法及装置 | |
CN111339993A (zh) | 一种x射线图像金属检测方法和系统 | |
CN117635691A (zh) | 心脏瓣膜开口面积检测方法、电子设备和存储介质 | |
CN116416221A (zh) | 一种超声图像分析方法 | |
Biradar et al. | Speckle noise reduction in echocardiographic images of aortic valve and cardiac chambers | |
CN116167961A (zh) | 心脏瓣膜参数获取方法、电子设备和存储介质 | |
Nageswari et al. | Preserving the border and curvature of fetal heart chambers through TDyWT perspective geometry wrap segmentation | |
WO2023226793A1 (zh) | 二尖瓣开口间距检测方法、电子设备和存储介质 | |
CN116168047A (zh) | 心脏瓣膜脱垂距离检测方法、电子设备和存储介质 | |
CN112766332A (zh) | 医学影像检测模型训练方法、医学影像检测方法及装置 | |
Wang et al. | Segmentation of intravascular ultrasound images based on convex–concave adjustment in extreme regions |
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 |