CN117918889A - 经食管超声心动图四腔心切面左室心输出量自动计算方法及装置 - Google Patents

经食管超声心动图四腔心切面左室心输出量自动计算方法及装置 Download PDF

Info

Publication number
CN117918889A
CN117918889A CN202410323182.XA CN202410323182A CN117918889A CN 117918889 A CN117918889 A CN 117918889A CN 202410323182 A CN202410323182 A CN 202410323182A CN 117918889 A CN117918889 A CN 117918889A
Authority
CN
China
Prior art keywords
frame
image
chamber
systole
diastole
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.)
Granted
Application number
CN202410323182.XA
Other languages
English (en)
Other versions
CN117918889B (zh
Inventor
吴林格尔
申乐
兰岭
张羽冠
夏迪
何凯
于春华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Original Assignee
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Peking Union Medical College Hospital Chinese Academy of Medical Sciences filed Critical Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Priority to CN202410323182.XA priority Critical patent/CN117918889B/zh
Publication of CN117918889A publication Critical patent/CN117918889A/zh
Application granted granted Critical
Publication of CN117918889B publication Critical patent/CN117918889B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/06—Measuring blood flow
    • A61B8/065—Measuring blood flow to determine blood output from the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/12—Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Theoretical Computer Science (AREA)
  • Cardiology (AREA)
  • Hematology (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种经食管超声心动图四腔心切面左室心输出量自动计算方法及装置，涉及心脏超声技术领域，方法包括：对二维经食管超声心动图所包含的各帧四腔心切面二维超声目标图像进行预处理，得到各帧待处理二维超声图像；利用预训练网络模型对各帧待处理二维超声图像进行预测处理，根据预训练网络模型的各帧输出图像确定各帧左室预测结果二值图像；根据各帧左室预测结果二值图像的左室像素面积，从各帧左室预测结果二值图像中确定舒张末期帧图像和收缩末期帧图像；基于舒张末期帧图像和收缩末期帧图像，计算左室心输出量。通过上述方式，能够自动计算出左室心输出量，能够克服手工计算的局限性，提升左室心输出量计算的效率和准确性。

Description

经食管超声心动图四腔心切面左室心输出量自动计算方法及 装置
技术领域
本申请涉及心脏超声技术领域，具体涉及一种经食管超声心动图四腔心切面左室心输出量自动计算方法、装置、计算设备、计算机存储介质及计算机程序产品。
背景技术
超声心动图是一种无创的医学影像技术，是临床动态评估心功能的主要检查手段，由此得到的左心室（以下简称左室）心输出量是评价心功能的重要指标之一。左室的心输出量是通过计算左室舒张末期容积和左室收缩末期容积差值的绝对值与心率相乘得出。
超声心动图主要分为经胸超声心动图和经食管超声心动图两大类。经食管四腔心切面超声心动图是经食管超声心动图的一种，经食管四腔心切面超声心动图左室心输出量的计算，首先要测量左室舒张末期容积和左室收缩末期容积这两个指标，对于经食管四腔心切面超声心动图，目前惯用方法是采用双平面辛普森公式来计算。
目前左室心输出量的计算，通常依赖操作人员从超声心动图中手工分割出左室区域，但这一过程费时费力，且十分依赖操作人员的主观经验，不同的操作人员测量同一受试者可能存在着差异，因此也存在可重复性差的问题。目前已有经胸超声心动图四腔心切面心输出量的自动计算技术，但尚缺乏经食管超声心动图四腔心切面心输出量的自动计算方法。
发明内容
鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的经食管超声心动图四腔心切面左室心输出量自动计算方法、装置、计算设备、计算机存储介质及计算机程序产品。
根据本申请的一个方面，提供了经食管超声心动图四腔心切面左室心输出量自动计算方法，包括：
对待处理的二维经食管超声心动图所包含的各帧四腔心切面二维超声目标图像进行预处理，得到各帧待处理二维超声图像；
利用预训练网络模型对各帧待处理二维超声图像进行预测处理，根据预训练网络模型的各帧输出图像确定各帧左室预测结果二值图像；
根据各帧左室预测结果二值图像的左室像素面积，从各帧左室预测结果二值图像中确定舒张末期帧图像和收缩末期帧图像；
基于舒张末期帧图像和收缩末期帧图像，计算左室心输出量。
可选地，利用预训练网络模型对各帧待处理二维超声图像进行预测处理之前，方法进一步包括：
对各帧四腔心切面二维超声样本图像进行预处理，得到各帧超声样本图像；
构建各帧超声样本图像所对应的各帧分割掩膜；
根据各帧超声样本图像和各帧分割掩膜，构建样本数据集；
基于样本数据集预训练深度神经网络模型，得到预训练网络模型。
可选地，对各帧四腔心切面二维超声样本图像进行预处理，得到各帧超声样本图像进一步包括：
构建各帧四腔心切面二维超声样本图像对应的各帧感兴趣区域超声灰度图像，根据各帧感兴趣区域超声灰度图像确定各帧超声样本图像；
构建各帧超声样本图像所对应的各帧分割掩膜进一步包括：
针对于各帧感兴趣区域超声灰度图像，构建各帧左室二值标签图像；其中，左室二值标签图像中左室区域内的像素值为第一值、左室区域之外的像素值为第二值；
根据各帧左室二值标签图像，构建各帧分割掩膜。
可选地，构建各帧四腔心切面二维超声样本图像对应的各帧感兴趣区域超声灰度图像进一步包括：
针对于各帧四腔心切面二维超声样本图像，分别构建包含扇形区域的二维二值图像；其中，扇形区域内的像素值为第三值、扇形区域外的像素值为第四值；
将各帧二维二值图像分别与相应的各帧四腔心切面二维超声样本图像相乘，得到各帧感兴趣区域超声灰度图像。
可选地，根据各帧感兴趣区域超声灰度图像确定各帧超声样本图像进一步包括：
将各帧感兴趣区域超声灰度图像缩放为预设尺寸，得到各帧超声样本图像；
根据各帧左室二值标签图像，构建各帧分割掩膜进一步包括：
将各帧左室二值标签图像缩放为预设尺寸，得到各帧分割掩膜；
根据预训练网络模型的各帧输出图像确定各帧左室预测结果二值图像进一步包括：
将各帧输出图像缩放为相应的各帧四腔心切面二维超声目标图像的原始尺寸，得到各帧左室预测结果二值图像。
可选地，根据各帧左室预测结果二值图像的左室像素面积，从各帧左室预测结果二值图像中确定舒张末期帧图像和收缩末期帧图像进一步包括：
计算各帧左室预测结果二值图像的左室像素面积；
绘制左室像素面积随帧数变化的曲线；
检测曲线的局部极大值和局部极小值，将位置相邻的局部极大值和局部极小值分别对应的左室预测结果二值图像，确定为舒张末期帧图像和收缩末期帧图像；其中，舒张末期帧图像对应的帧数小于收缩末期帧图像对应的帧数。
可选地，基于舒张末期帧图像和收缩末期帧图像，计算左室心输出量进一步包括：
根据舒张末期帧图像，确定舒张末期左室长轴和各条舒张末期左室短轴；
根据收缩末期帧图像，确定收缩末期左室长轴和各条收缩末期左室短轴；
根据舒张末期左室长轴对应的物理长度、各条舒张末期左室短轴对应的物理长度，计算左室舒张末期容积；
根据收缩末期左室长轴对应的物理长度、各条收缩末期左室短轴对应的物理长度，计算左室收缩末期容积；
根据左室舒张末期容积以及左室收缩末期容积，计算得到左室心输出量。
可选地，根据舒张末期帧图像，确定舒张末期左室长轴和各条舒张末期左室短轴进一步包括：
对舒张末期帧图像进行边缘提取，得到舒张末期帧左室轮廓图像；
对舒张末期帧左室轮廓图像进行凸包检测处理，根据凸包检测结果确定舒张末期左室心尖顶点；
确定舒张末期帧左室轮廓图像中第一左室轮廓的第一最小外切矩形，在第一最小外切矩形上确定舒张末期左室心尖上端点；
连接舒张末期左室心尖顶点和舒张末期左室心尖上端点，得到舒张末期左室长轴；在舒张末期左室长轴的多个等分点处，垂直于舒张末期左室长轴作多条舒张末期左室短轴；其中，舒张末期左室短轴的两个端点均位于第一左室轮廓上；
根据收缩末期帧图像，确定收缩末期左室长轴和各条收缩末期左室短轴进一步包括：
对收缩末期帧图像进行边缘提取，得到收缩末期帧左室轮廓图像；
对收缩末期帧左室轮廓图像进行凸包检测处理，根据凸包检测结果确定收缩末期左室心尖顶点；
确定收缩末期帧左室轮廓图像中第二左室轮廓的第二最小外切矩形，在第二最小外切矩形上确定收缩末期左室心尖上端点；
连接收缩末期左室心尖顶点和收缩末期左室心尖上端点，得到收缩末期左室长轴；在收缩末期左室长轴的多个等分点处，垂直于收缩末期左室长轴作多条收缩末期左室短轴；其中，收缩末期左室短轴的两个端点均位于第二左室轮廓上。
根据本申请的另一方面，提供了经食管超声心动图四腔心切面左室心输出量自动计算装置，包括：
预处理模块，用于对待处理的二维经食管超声心动图所包含的各帧四腔心切面二维超声目标图像进行预处理，得到各帧待处理二维超声图像；
预测模块，用于利用预训练网络模型对各帧待处理二维超声图像进行预测处理，根据预训练网络模型的各帧输出图像确定各帧左室预测结果二值图像；
计算模块，用于根据各帧左室预测结果二值图像的左室像素面积，从各帧左室预测结果二值图像中确定舒张末期帧图像和收缩末期帧图像；基于舒张末期帧图像和收缩末期帧图像，计算左室心输出量。
可选地，预处理模块进一步用于：对各帧四腔心切面二维超声样本图像进行预处理，得到各帧超声样本图像；
装置还包括：
数据集构建模块，用于构建各帧超声样本图像所对应的各帧分割掩膜；以及，根据各帧超声样本图像和各帧分割掩膜，构建样本数据集；
训练模块，用于基于样本数据集预训练深度神经网络模型，得到预训练网络模型。
可选地，预处理模块进一步用于：构建各帧四腔心切面二维超声样本图像对应的各帧感兴趣区域超声灰度图像，根据各帧感兴趣区域超声灰度图像确定各帧超声样本图像；
数据集构建模块进一步用于：针对于各帧感兴趣区域超声灰度图像，构建各帧左室二值标签图像；其中，左室二值标签图像中左室区域内的像素值为第一值、左室区域之外的像素值为第二值；根据各帧左室二值标签图像，构建各帧分割掩膜。
可选地，预处理模块进一步用于：
针对于各帧四腔心切面二维超声样本图像，分别构建包含扇形区域的二维二值图像；其中，扇形区域内的像素值为第三值、扇形区域外的像素值为第四值；
将各帧二维二值图像分别与相应的各帧四腔心切面二维超声样本图像相乘，得到各帧感兴趣区域超声灰度图像。
可选地，预处理模块进一步用于：将各帧感兴趣区域超声灰度图像缩放为预设尺寸，得到各帧超声样本图像；
数据集构建模块进一步用于：将各帧左室二值标签图像缩放为预设尺寸，得到各帧分割掩膜；
计算模块进一步用于：将各帧输出图像缩放为相应的各帧四腔心切面二维超声目标图像的原始尺寸，得到各帧左室预测结果二值图像。
可选地，计算模块进一步用于：
计算各帧左室预测结果二值图像的左室像素面积；
绘制左室像素面积随帧数变化的曲线；
检测曲线的局部极大值和局部极小值，将位置相邻的局部极大值和局部极小值分别对应的左室预测结果二值图像，确定为舒张末期帧图像和收缩末期帧图像；其中，舒张末期帧图像对应的帧数小于收缩末期帧图像对应的帧数。
可选地，计算模块进一步用于：
根据舒张末期帧图像，确定舒张末期左室长轴和各条舒张末期左室短轴；
根据收缩末期帧图像，确定收缩末期左室长轴和各条收缩末期左室短轴；
根据舒张末期左室长轴对应的物理长度、各条舒张末期左室短轴对应的物理长度，计算左室舒张末期容积；
根据收缩末期左室长轴对应的物理长度、各条收缩末期左室短轴对应的物理长度，计算左室收缩末期容积；
根据左室舒张末期容积以及左室收缩末期容积，计算得到左室心输出量。
可选地，计算模块进一步用于：
对舒张末期帧图像进行边缘提取，得到舒张末期帧左室轮廓图像；对舒张末期帧左室轮廓图像进行凸包检测处理，根据凸包检测结果确定舒张末期左室心尖顶点；确定舒张末期帧左室轮廓图像中第一左室轮廓的第一最小外切矩形，在第一最小外切矩形上确定舒张末期左室心尖上端点；连接舒张末期左室心尖顶点和舒张末期左室心尖上端点，得到舒张末期左室长轴；在舒张末期左室长轴的多个等分点处，垂直于舒张末期左室长轴作多条舒张末期左室短轴；其中，舒张末期左室短轴的两个端点均位于第一左室轮廓上；
以及，对收缩末期帧图像进行边缘提取，得到收缩末期帧左室轮廓图像；对收缩末期帧左室轮廓图像进行凸包检测处理，根据凸包检测结果确定收缩末期左室心尖顶点；确定收缩末期帧左室轮廓图像中第二左室轮廓的第二最小外切矩形，在第二最小外切矩形上确定收缩末期左室心尖上端点；连接收缩末期左室心尖顶点和收缩末期左室心尖上端点，得到收缩末期左室长轴；在收缩末期左室长轴的多个等分点处，垂直于收缩末期左室长轴作多条收缩末期左室短轴；其中，收缩末期左室短轴的两个端点均位于第二左室轮廓上。
根据本申请的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述经食管超声心动图四腔心切面左室心输出量自动计算方法对应的操作。
根据本申请的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述经食管超声心动图四腔心切面左室心输出量自动计算方法对应的操作。
根据本申请的还一方面，提供了一种计算机程序产品，包括至少一可执行指令，所述可执行指令使处理器执行如上述经食管超声心动图四腔心切面左室心输出量自动计算方法对应的操作。
根据本申请实施例提供的经食管超声心动图四腔心切面左室心输出量自动计算方法、装置、计算设备、计算机存储介质及计算机程序产品，对二维经食管超声心动图所包含的各帧四腔心切面二维超声目标图像进行预处理，得到各帧待处理二维超声图像；利用预训练网络模型对各帧待处理二维超声图像进行预测处理，根据预训练网络模型的各帧输出图像确定各帧左室预测结果二值图像；根据各帧左室预测结果二值图像的左室像素面积，从各帧左室预测结果二值图像中确定舒张末期帧图像和收缩末期帧图像；基于舒张末期帧图像和收缩末期帧图像，计算左室心输出量。通过上述方式，利用计算机视觉和图像处理算法，通过深度神经网络自动分割出左室区域，在此基础上自动计算出左室心输出量，能够克服手工计算的局限性，提升左室心输出量计算的效率和准确性。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请一实施例提供的经食管超声心动图四腔心切面左室心输出量自动计算方法的流程图；
图2示出了本申请另一实施例提供的经食管超声心动图四腔心切面左室心输出量自动计算方法的流程图；
图3a示出了四腔心切面二维超声样本图像；
图3b示出了针对四腔心切面二维超声样本图像所构建的二维二值图像；
图3c示出了感兴趣区域超声灰度图像；
图4示出了左室二值标签图像；
图5示出了一种深度神经网络模型的结构图；
图6a示出了滤波优化前的左室像素面积随帧数变化的初始曲线；
图6b示出了滤波优化后的左室像素面积随帧数变化的平滑曲线；
图7a为舒张末期帧图像；
图7b示出了第一左室轮廓；
图7c示出了舒张末期左室心尖顶点；
图7d示出了第一左室轮廓的第一最小外切矩形；
图7e示出了舒张末期左室长轴；
图7f示出了舒张末期左室短轴的部分拟合过程的示意图；
图7g示出了舒张末期左室短轴的另一部分拟合过程的示意图；
图8a为收缩末期帧图像；
图8b示出了第二左室轮廓；
图8c示出了收缩末期左室心尖顶点；
图8d示出了第二左室轮廓的第二最小外切矩形；
图8e示出了收缩末期左室长轴；
图8f示出了收缩末期左室短轴的部分拟合过程的示意图；
图8g示出了收缩末期左室短轴的另一部分拟合过程的示意图；
图9示出了本申请实施例提供的经食管超声心动图四腔心切面左室心输出量自动计算装置的功能结构示意图；
图10示出了本申请实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
图1示出了本申请一实施例提供的经食管超声心动图四腔心切面左室心输出量自动计算方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，对待处理的二维经食管超声心动图所包含的各帧四腔心切面二维超声目标图像进行预处理，得到各帧待处理二维超声图像。
其中，待处理的二维经食管超声心动图也就是需要计算左室心输出量的二维经食管超声心动图，待处理的二维经食管超声心动图包含长轴四腔心切面，并且，包含多帧四腔心切面二维超声目标图像。
对各帧四腔心切面二维超声目标图像进行预处理，以获得能够直接输入到预训练网络模型中进行处理的各帧待处理二维超声图像。
步骤S102，利用预训练网络模型对各帧待处理二维超声图像进行预测处理，根据预训练网络模型的各帧输出图像确定各帧左室预测结果二值图像。
预训练网络模型是预先通过样本数据集训练得到的，具体根据超声样本图像及其左室区域标签二值图像训练得到，因此，利用预训练网络模型进行预测处理，能够得到左室预测结果二值图像。
步骤S103，根据各帧左室预测结果二值图像的左室像素面积，从各帧左室预测结果二值图像中确定舒张末期帧图像和收缩末期帧图像。
针对于每一帧左室预测结果二值图像，计算其中的左室区域的像素面积，即得到左室像素面积。
由于舒张末期帧图像和收缩末期帧图像中左室像素面积存在一定的规律，因此可根据左室像素面积，从各帧左室预测结果二值图像中确定出舒张末期帧图像和收缩末期帧图像。
步骤S104，基于舒张末期帧图像和收缩末期帧图像，计算左室心输出量。
基于舒张末期帧图像，确定舒张末期左室长轴的长度和各条舒张末期左室短轴的长度，在此基础上，计算出左室舒张末期容积。基于收缩末期帧图像，确定收缩末期左室长轴的长度和各条收缩末期左室短轴的长度，在此基础上，计算出左室收缩末期容积。之后，基于左室舒张末期容积和左室收缩末期容积计算得到左室心输出量。
综上所述，根据本实施例提供的经食管超声心动图四腔心切面左室心输出量自动计算方法，对二维经食管超声心动图所包含的各帧四腔心切面二维超声目标图像进行预处理，得到各帧待处理二维超声图像；利用预训练网络模型对各帧待处理二维超声图像进行预测处理，根据预训练网络模型的各帧输出图像确定各帧左室预测结果二值图像；根据各帧左室预测结果二值图像的左室像素面积，从各帧左室预测结果二值图像中确定舒张末期帧图像和收缩末期帧图像；基于舒张末期帧图像和收缩末期帧图像，计算左室心输出量。通过上述方式，利用计算机视觉和图像处理算法，通过深度神经网络自动分割出左室区域，在此基础上自动计算出左室心输出量，能够克服手工计算的局限性，提升左室心输出量计算的效率和准确性。
图2示出了本申请另一实施例提供的经食管超声心动图四腔心切面左室心输出量自动计算方法的流程图。如图2所示，该方法包括以下步骤：
步骤S201，对各帧四腔心切面二维超声样本图像进行预处理，得到各帧超声样本图像。
获取G例包含长轴四腔心切面的二维经食管超声心动图样本，每一例二维经食管超声心动图样本包含多帧四腔心切面二维超声样本图像，则共获得N帧四腔心切面二维超声样本图像，第k帧四腔心切面二维超声样本图像Bk的宽度和高度分别为Wk和Hk，
其中，1 ≤ k ≤ N，， Fi表示第i例二维经食管超声心动图样本所包含的四腔心切面二维超声样本图像的总帧数。在具体应用时，可设置50 ≤ G≤ 15000、30 ≤Fi≤ 200。
对各帧四腔心切面二维超声样本图像进行预处理，得到各帧超声样本图像，根据各帧超声样本图像构建用于训练深度神经网络模型的样本数据集。
步骤S202，构建各帧超声样本图像所对应的各帧分割掩膜；根据各帧超声样本图像和各帧分割掩膜，构建样本数据集。
其中，分割掩膜也就是超声样本图像对应的标签图像，分割掩膜能够使得训练好的深度神经网络模型能够输出左室预测结果的二值图像。
通过上述步骤，相当于获得了训练样本及其标签，进一步通过深度学习算法，训练得到预训练网络模型。
在一种可选的实施方式中，对各帧四腔心切面二维超声样本图像进行预处理，得到各帧超声样本图像具体包括：构建各帧四腔心切面二维超声样本图像对应的各帧感兴趣区域超声灰度图像，根据各帧感兴趣区域超声灰度图像确定各帧超声样本图像；相应地，构建各帧超声样本图像所对应的各帧分割掩膜进一步包括：针对于各帧感兴趣区域超声灰度图像，构建各帧左室二值标签图像；其中，左室二值标签图像中左室区域内的像素值为第一值、左室区域之外的像素值为第二值；根据各帧左室二值标签图像，构建各帧分割掩膜。
感兴趣区域是指图像中需要特别关注的区域，通过对四腔心切面二维超声样本图像进行处理，得到相应的感兴趣区域超声灰度图像，再根据各帧感兴趣区域超声灰度图像确定各帧超声样本图像。之后，再针对于每一帧感兴趣区域超声灰度图像，构建左室二值标签图像，二值图像即图像的像素值仅有两种，例如，左室二值标签图像中左室区域内的像素值为255、左室区域外的像素值为0。最终，根据各帧左室二值标签图像确定各帧分割掩膜。
在一种可选的实施方式中，构建各帧四腔心切面二维超声样本图像对应的各帧感兴趣区域超声灰度图像进一步包括：针对于各帧四腔心切面二维超声样本图像，分别构建包含扇形区域的二维二值图像；其中，扇形区域内的像素值为第三值、扇形区域外的像素值为第四值；将各帧二维二值图像分别与相应的各帧四腔心切面二维超声样本图像相乘，得到各帧感兴趣区域超声灰度图像。
举例来说，对于第k帧四腔心切面二维超声样本图像Bk，构建一帧包含扇形区域的二维二值图像Ak，二维二值图像Ak的宽度和高度分别为Wk1和Hk1，其中，Wk1=Wk，Hk1=Hk，扇形区域内的像素值为1，扇形区域之外的像素值为0。利用二维二值图像Ak与四腔心切面二维超声样本图像Bk相乘，得到感兴趣区域超声灰度图像Mk。针对于每一帧四腔心切面二维超声样本图像，均按照上述方式构建相应的感兴趣区域超声灰度图像，总共能够获得N帧感兴趣区域超声灰度图像。
在一种可选的实施方式中，二维二值图像中扇形区域的圆心坐标为(xk，yk)、半径为rk、角度为θk，具体地：xk= αkWk1，yk=βkHk1，rk= γkHk1。其中，0.1 ≤ αk≤ 0.9，0 ≤ βk≤0.8，0.2 ≤ γk≤ 0.8，80°≤θk≤130°。在具体实施时，各参数配置如下：G = 100，Wk=800，Hk= 600，αk= 0.54，βk= 0.18，γk= 0.713，θk= 93.7°。需要说明的是，二维二值图像与四腔心切面二维超声样本图像的形状、尺寸以及坐标系均是一致的，均以图像的左上角顶点为坐标原点，横坐标轴与图像的第一边重合，纵坐标轴与图像的第二边重合，并且，从左到右的方向为横坐标轴的正方向，从上到下的方向为纵坐标轴的正方向。
图3a示出了四腔心切面二维超声样本图像，其中包含与计算心输出量无关的信息；图3b示出了针对四腔心切面二维超声样本图像所构建的二维二值图像，二维二值图像仅包含两种像素值，利用该二维二值图像，提取出四腔心切面二维超声样本图像中的感兴趣区域，能够过滤原始图像中的噪声；图3c示出了感兴趣区域超声灰度图像，将四腔心切面二维超声样本图像与相应的二维二值图像相乘，即得到感兴趣区域超声灰度图像。比对图3c和图3a可知，感兴趣区域超声灰度图像中仅保留了四腔心切面二维超声样本图像中的指定区域内的信息。
图4示出了左室二值标签图像，具体将感兴趣区域超声灰度图像中左室区域内的像素值更改为第一值、左室区域外的像素值更改为第二值，即得到相应的左室二值标签图像。
步骤S203，基于样本数据集预训练深度神经网络模型，得到预训练网络模型。
首先，对深度神经网络模型进行初始化，再利用样本数据集预训练初始化后的深度神经网络模型，直至达到训练目标，得到用于左室分割的预训练网络模型。
图5示出了一种深度神经网络模型的结构图，该深度神经网络模型为TransUNet网络模型，其中，D表示图像深度（可设为1），H表示图像宽度（可设为512），W表示图像高度（可设为512）。利用样本数据集对深度神经网络模型进行训练，不断更新和调整模型参数，达到训练目标（例如损失函数最小化）时则停止训练。将需要预测的超声图像输入到训练好的深度神经网络模型（即预训练网络模型）中进行处理，模型输出预测结果。
步骤S204，对待处理的二维经食管超声心动图所包含的各帧四腔心切面二维超声目标图像进行预处理，得到各帧待处理二维超声图像。
其中，待处理的二维经食管超声心动图也就是需要计算左室心输出量的二维经食管超声心动图，待处理的二维经食管超声心动图包含长轴四腔心切面，并且，包含多帧四腔心切面二维超声目标图像，多帧四腔心切面二维超声目标图像之间的排列顺序固定，排列顺序用帧数表征。
需要说明的是，针对于各帧四腔心切面二维超声目标图像的预处理方式，与模型训练阶段中，针对于各帧四腔心切面二维超声样本图像的预处理方式一致。
具体来说：对于第j帧四腔心切面二维超声目标图像Kj，构建包含检测扇形区域的目标二维二值图像Aj，第j帧四腔心切面二维超声目标图像Kj和目标二维二值图像Aj的宽度、高度以及坐标系均一致，第j帧四腔心切面二维超声目标图像Kj的宽度和高度分别为Wj和Hj。检测扇形区域的圆心坐标为(xj, yj)、半径为rj、角度为θj， xj=αjWj，0.1≤ αj≤0.9，yj=βjHj，0 ≤ βj≤ 0.8， rj= γjHj，0.2 ≤ γj≤ 0.8， 80°≤ θj≤130°，检测扇形区域内的像素值为第三值，检测扇形区域外的像素值为第四值。每一帧四腔心切面二维超声目标图像与目标二维二值图像相乘，共得到多帧感兴趣区域二维超声灰度目标图像。在具体实施时，各参数配置如下： Wj= 800，Hj= 600，αj= 0.54，βj= 0.18，γj= 0.713，θj= 93.7°。之后，再根据各帧感兴趣区域二维超声灰度目标图像，确定各帧待处理二维超声图像。
步骤S205，利用预训练网络模型对各帧待处理二维超声图像进行预测处理，根据预训练网络模型的各帧输出图像确定各帧左室预测结果二值图像。
加载预训练网络模型，将各帧待处理二维超声图像分别输入到预训练网络模型中进行处理，预训练网络模型自动预测左室区域并输出各帧输出图像，根据各帧输出图像确定最终的左室预测结果二值图像，左室预测结果二值图像中，左室区域内的像素值为第一值，左室区域之外的像素值为第二值。
在一种可选的实施方式中，根据各帧感兴趣区域超声灰度图像确定各帧超声样本图像进一步包括：将各帧感兴趣区域超声灰度图像缩放为预设尺寸，得到各帧超声样本图像；根据各帧左室二值标签图像，构建各帧分割掩膜进一步包括：将各帧左室二值标签图像缩放为预设尺寸，得到各帧分割掩膜。
相应地，根据各帧感兴趣区域二维超声灰度目标图像，确定各帧待处理二维超声图像进一步包括：将各帧感兴趣区域二维超声灰度目标图像缩放为预设尺寸，得到各帧待处理二维超声图像；根据预训练网络模型的各帧输出图像确定各帧左室预测结果二值图像进一步包括：将各帧输出图像缩放为相应的各帧四腔心切面二维超声目标图像的原始尺寸，得到各帧左室预测结果二值图像。
举例来说，将第k帧感兴趣区域超声灰度图像Mk缩放为预设尺寸，得到第k帧超声样本图像，将第k帧左室二值标签图像Lk缩放为预设尺寸，得到第k帧分割掩膜/>。基于此，预训练网络模型的输入图像和输出图像的尺寸均为该预设尺寸，将输出图像还原为相应的原始尺寸，才是左室预测结果二值图像。因此，对于第j帧感兴趣区域二维超声灰度目标图像Qj，将其缩放为预设尺寸，得到第j帧待处理二维超声图像/>。对于第j帧输出图像/>，其尺寸为预设尺寸，将其缩放为第j帧四腔心切面二维超声目标图像Kj的原始尺寸（即宽度为Wj、高度为Hj），即得到第j帧左室预测结果二值图像Cj。
具体通过插值算法对图像进行缩放处理，常见的图像插值算法有双线性插值法、最近邻插值法等。可选地，预设尺寸具体为：高和宽均为h， 64 ≤ h ≤ 512。
步骤S206，根据各帧左室预测结果二值图像的左室像素面积，从各帧左室预测结果二值图像中确定舒张末期帧图像和收缩末期帧图像。
由于舒张末期帧图像和收缩末期帧图像中左室像素面积存在一定的规律，因此可根据左室像素面积，从各帧左室预测结果二值图像中确定出舒张末期帧图像和收缩末期帧图像。
在一种可选的方式中，步骤S206的具体实施方式为：计算各帧左室预测结果二值图像的左室像素面积；绘制左室像素面积随帧数变化的曲线；检测曲线的局部极大值和局部极小值，将位置相邻的局部极大值和局部极小值分别对应的左室预测结果二值图像，确定为舒张末期帧图像和收缩末期帧图像；其中，舒张末期帧图像对应的帧数小于收缩末期帧图像对应的帧数。
具体来说，针对于每一帧左室预测结果二值图像，计算像素值为第一值的像素的数量，进而得到该帧左室预测结果二值图像的左室像素面积，进一步绘制左室像素面积随帧数变化的曲线。其中，左室预测结果二值图像的帧数表征其排列顺序，表示该左室预测结果二值图像是第几帧，各帧左室预测结果二值图像之间的排列顺序与相应的各帧四腔心切面二维超声目标图像之间的排列顺序一致。
在一种可选的实施方式中，首先根据各个左室像素面积及其对应的左室预测结果二值图像的帧数，确定各个曲线点，连接各个曲线点得到初始曲线；再采用平滑滤波算法对初始曲线进行平滑处理，得到左室像素面积随帧数变化的平滑曲线，之后在平滑曲线上检测局部极大值和局部极小值。例如采用Savitzky-Golay滤波算法，该算法对一定长度窗口内的数据点进行多阶多项式拟合，从而得到拟合后的结果。例如，设置滤波器窗口宽度为15，拟合样本的多项式阶数设置为5。
图6a示出了滤波优化前的左室像素面积随帧数变化的初始曲线，图6b示出了滤波优化后的左室像素面积随帧数变化的平滑曲线。可见，针对初始曲线，利用平滑滤波算法对进行平滑处理，得到平滑的左室像素面积随帧数变化的曲线。
利用平滑滤波算法进行平滑处理之后，再利用极值搜索算法检测平滑曲线的所有局部极大值和局部极小值，将位置相邻的一个极大值Ψmax和一个极小值Ψmin分别作为舒张末期的左室像素面积和收缩末期的左室像素面积，Ψmax>Ψmin>0，极大值Ψmax对应的横坐标为u，极小值Ψmin对应的横坐标为v，第u帧左室预测结果二值图像Cu为舒张末期帧图像，第v帧左室预测结果二值图像Cv为收缩末期帧图像，其中，0<u<v ≤ n，n表示四腔心切面二维超声目标图像的总帧数。
在一种可选的实施方式中，极值搜索算法为Python工具包scipy中的scipy.signal.find_peaks()峰值检测函数，将相邻峰之间的最小水平距离设置为19帧。
步骤S207，基于舒张末期帧图像和收缩末期帧图像，计算左室心输出量。
在一种可选的实施方式中，步骤S207具体包括：
步骤S20711：根据舒张末期帧图像，确定舒张末期左室长轴和各条舒张末期左室短轴；根据收缩末期帧图像，确定收缩末期左室长轴和各条收缩末期左室短轴。
步骤S20712：根据舒张末期左室长轴对应的物理长度以及各条舒张末期左室短轴对应的物理长度，计算左室舒张末期容积；根据收缩末期左室长轴对应的物理长度、各条收缩末期左室短轴对应的物理长度，计算左室收缩末期容积。
步骤S20713：根据左室舒张末期容积以及左室收缩末期容积，计算左室心输出量。
具体采用双平面辛普森公式，分别计算左室舒张末期容积和左室收缩末期容积，双平面辛普森公式具体如下：
；
其中，V表示左室容积（mL），at和bt分别表示心尖两腔心和心尖四腔心的心室短轴的物理长度（cm），L表示心室长轴的物理长度（cm），s表示心室短轴的数量，一般取s=20，当只有心尖四腔心切面时，可以设定at=bt。
将舒张末期左室长轴对应的物理长度和各条舒张末期左室短轴对应的物理长度，代入至双平面辛普森公式进行计算，即可得到左室舒张末期容积；相应地，将收缩末期左室长轴对应的物理长度和各条收缩末期左室短轴对应的物理长度，代入至双平面辛普森公式进行计算，即可得到左室收缩末期容积。
具体地，获取待处理的二维经食管超声心动图的Dicom文件，从Dicom文件中提取心率和预设像素间距，预设像素间距也就是相邻像素间的物理距离，单位为：厘米/像素。将舒张末期左室长轴的像素距离以及各条舒张末期左室短轴的像素距离分别乘以预设像素间距，得到舒张末期左室长轴对应的物理长度以及各条舒张末期左室短轴对应的物理长度。同样地，将收缩末期左室长轴的像素距离以及各条收缩末期左室短轴的像素距离分别乘以预设像素间距，得到收缩末期左室长轴对应的物理长度以及各条收缩末期左室短轴对应的物理长度。
在一种可选的实施方式，根据舒张末期帧图像，确定舒张末期左室长轴和各条舒张末期左室短轴，该步骤具体包括：
步骤S20721：对舒张末期帧图像进行边缘提取，得到舒张末期帧左室轮廓图像。
步骤S20722：对舒张末期帧左室轮廓图像进行凸包检测处理，根据凸包检测结果确定舒张末期左室心尖顶点。
步骤S20723：确定舒张末期帧左室轮廓图像中第一左室轮廓的第一最小外切矩形，在第一最小外切矩形上确定舒张末期左室心尖上端点。
步骤S20724：连接舒张末期左室心尖顶点和舒张末期左室心尖上端点，得到舒张末期左室长轴；在舒张末期左室长轴的多个等分点处，垂直于舒张末期左室长轴作多条舒张末期左室短轴；其中，舒张舒张末期左室短轴的两个端点均位于第一左室轮廓上。
下面结合附图详细说明拟合舒张末期帧左室长轴和短轴的方式：
图7a为舒张末期帧图像，针对于舒张末期帧图像进行形态学开运算，以提取舒张末期帧左室轮廓图像，具体利用边缘检测算法对舒张末期帧图像的左室轮廓进行边缘提取，得到舒张末期帧左室轮廓图像，舒张末期帧左室轮廓图像中包含第一左室轮廓。例如，利用Canny算子进行左室轮廓的边缘提取处理。
图7b示出了第一左室轮廓，其中，第一左室轮廓Od上的像素值均为255，除第一左室轮廓Od之外的像素值均为0。
图7c示出了舒张末期左室心尖顶点。针对于舒张末期帧左室轮廓图像，利用凸包检测算法，分别提取第一左室轮廓Od的所有凸包点。选取舒张末期帧左室轮廓图像的左上角作为坐标原点，从左往右的方向为横坐标轴的正方向，从上往下的方向为纵坐标轴的正方向，横纵坐标轴分别与舒张末期帧左室轮廓图像的两条相互垂直的边重合。针对于各个凸包点，选取纵坐标最大值对应的凸包点作为舒张末期左室心尖顶点。
图7d示出了第一左室轮廓的第一最小外切矩形。图7e示出了舒张末期左室长轴。具体地，针对于第一左室轮廓Od提取最小外切矩形，得到第一最小外切矩形Rd。选取第一最小外切矩形Rd上舒张末期左室心尖顶点所在边的对边（也即第一最小外切矩形Rd的上底边）的中点，作为舒张末期左室心尖上端点/>。连接舒张末期左室心尖顶点/>和舒张末期左室心尖上端点/>，即得到舒张末期左室长轴Td，计算舒张末期左室长轴Td的长度，得到舒张末期左室长轴Td的像素距离。
图7f示出了舒张末期左室短轴的部分拟合过程的示意图，图7g示出了舒张末期左室短轴的另一部分拟合过程的示意图。参照图7f，选取第一左室轮廓Od上横坐标最小值点和横坐标最大值点，分别经过横坐标最小值点和横坐标最大值点作平行于纵坐标轴的第一左边界端线ld1和第一右边界端线ld2。对舒张末期左室长轴Td进行等分，在s个等分点垂直于舒张末期左室长轴Td作s条平行线Yd。参照图7g，在第一左边界端线ld1和第一右边界端线ld2的范围内检测s条平行线Yd与第一左室轮廓Od的交点，同一条平行线与第一左室轮廓Od的两个交点之间的线段，即为舒张末期左室短轴Dd，则可以得到s条舒张末期左室短轴Dd。计算每一条舒张末期左室短轴Dd的长度，得到每一条舒张末期左室短轴Dd的像素距离。
在一种可选的实施方式中，根据收缩末期帧图像，确定收缩末期左室长轴和各条收缩末期左室短轴，该步骤具体包括：
步骤S20731：对收缩末期帧图像进行边缘提取，得到收缩末期帧左室轮廓图像。
步骤S20732：对收缩末期帧左室轮廓图像进行凸包检测处理，根据凸包检测结果确定收缩末期左室心尖顶点。
步骤S20733：确定收缩末期帧左室轮廓图像中第二左室轮廓的第二最小外切矩形，在第二最小外切矩形上确定收缩末期左室心尖上端点。
步骤S20734：连接收缩末期左室心尖顶点和收缩末期左室心尖上端点，得到收缩末期左室长轴；在收缩末期左室长轴的多个等分点处，垂直于收缩末期左室长轴作多条收缩末期左室短轴，其中，收缩末期左室短轴的两个端点均位于第二左室轮廓上。
下面结合附图详细说明拟合收缩末期左室长轴和短轴的方式：
图8a为收缩末期帧图像，针对于收缩末期帧图像进行形态学开运算，以提取收缩末期帧左室轮廓图像，具体利用边缘检测算法对收缩末期帧图像的左室轮廓进行边缘提取，得到收缩末期帧左室轮廓图像，收缩末期帧左室轮廓图像中包含第二左室轮廓。例如，利用Canny算子进行左室轮廓的边缘提取处理。
图8b示出了第二左室轮廓，其中，第二左室轮廓Os上的像素值均为255，除第二左室轮廓Os之外的像素值均为0。
图8c示出了收缩末期左室心尖顶点。针对于收缩末期帧左室轮廓图像，利用凸包检测算法，分别提取第二左室轮廓Os的所有凸包点。选取收缩末期帧左室轮廓图像的左上角作为坐标原点，从左往右的方向为横坐标轴的正方向，从上往下的方向为纵坐标轴的正方向，横纵坐标轴分别与收缩末期帧左室轮廓图像的两条相互垂直的边重合。针对于各个凸包点，选取纵坐标最大值对应的凸包点作为收缩末期左室心尖顶点。
图8d示出了第二左室轮廓的第二最小外切矩形。图8e示出了收缩末期左室长轴。具体地，针对于第二左室轮廓Os提取最小外切矩形，得到第二最小外切矩形Rs。选取第二最小外切矩形Rs上收缩末期左室心尖顶点所在边的对边（也即第二最小外切矩形Rs的上底边）的中点，作为收缩末期左室心尖上端点/>。连接收缩末期左室心尖顶点/>和收缩末期左室心尖上端点/>，即得到收缩末期左室长轴Ts，计算收缩末期左室长轴Ts的长度，得到收缩末期左室长轴Ts的像素距离。
图8f示出了收缩末期左室短轴的部分拟合过程的示意图，图8g示出了收缩末期左室短轴的另一部分拟合过程的示意图。参照图8f，选取第二左室轮廓Os上横坐标最小值点和横坐标最大值点，分别经过横坐标最小值点和横坐标最大值点作平行于纵坐标轴的第二左边界端线ls1和第二右边界端线ls2。对收缩末期左室长轴Ts进行等分，在s个等分点垂直于收缩末期左室长轴Ts作s条平行线Ys。参照图8g，在第二左边界端线ls1和第二右边界端线ls2的范围内检测s条平行线Ys与第二左室轮廓Os的交点，同一条平行线与第二左室轮廓Os的两个交点之间的线段，即为收缩末期左室短轴Ds，则可以得到s条收缩末期左室短轴Ds。计算每一条收缩末期左室短轴Ds的长度，得到每一条收缩末期左室短轴Ds像素距离。
进一步地，计算左室心输出量的公式为：
；
其中，CO表示左室心输出量，EDV表示左室舒张末期容积，ESV表示左室收缩末期容积，HR表示心率。
在一个具体示例中，舒张末期左室心尖顶点的坐标= (407, 446)，舒张末期左室心尖上端点/>的坐标= (450, 267)，收缩末期左室心尖顶点/>的坐标= (416, 425)，收缩末期左室心尖上端点/>的坐标= (442, 276)，心率HR =88（bpm），左室舒张末期容积EDV =56.10（mL），左室收缩末期容积ESV = 29.29（mL），左室心输出量CO = 2.359（L/min）。
综上所述，本实施例的经食管超声心动图四腔心切面左室心输出量自动计算方法，涉及医学超声图像处理方法，具体提供了一种对经食管超声心动图四腔心切面进行图像分割，从而自动计算出左心室心输出量的方法。将超声心动图视频逐帧输入到预训练好的深度学习网络模型中，获得每帧二维超声图像的左室轮廓，从而实现利用计算机视觉和图像处理算法，通过深度神经网络自动分割出左室；基于左室轮廓模拟计算得到左室的长轴和短轴，再代入双平面辛普森公式计算得到左室容积，进一步计算左室心输出量，能够实现左室心输出量的自动计算，克服了手工计算的局限性。进一步地，避免了因不同操作人员、不同设备测量同一受试者左室心输出量导致的差异性，有助于更精确地评估受试者的心脏功能，提高了操作的可重复性；进一步地，传统的左室分割方法通常需要操作人员花费大量时间来进行精细的分割工作，本申请的自动分割技术可以极大地缩短左室手工分割的时间；进一步地，利用计算机视觉和图像处理算法快速且精准地获取并分析大量数据，实现左室心输出量的自动计算，有益于经食管超声心动图四腔心切面左室功能评估。本申请的方法可用于左室心输出量的自动测量及心脏射血功能的评估。
图9示出了本申请实施例提供的经食管超声心动图四腔心切面左室心输出量自动计算装置的功能结构示意图。如图9所示，该装置包括：
预处理模块91，用于对待处理的二维经食管超声心动图所包含的各帧四腔心切面二维超声目标图像进行预处理，得到各帧待处理二维超声图像；
预测模块92，用于利用预训练网络模型对各帧待处理二维超声图像进行预测处理，根据预训练网络模型的各帧输出图像确定各帧左室预测结果二值图像；
计算模块93，用于根据各帧左室预测结果二值图像的左室像素面积，从各帧左室预测结果二值图像中确定舒张末期帧图像和收缩末期帧图像；基于舒张末期帧图像和收缩末期帧图像，计算左室心输出量。
在一种可选的方式中，预处理模块91进一步用于：对各帧四腔心切面二维超声样本图像进行预处理，得到各帧超声样本图像；
装置还包括：
数据集构建模块，用于构建各帧超声样本图像所对应的各帧分割掩膜；以及，根据各帧超声样本图像和各帧分割掩膜，构建样本数据集；
训练模块，用于基于样本数据集预训练深度神经网络模型，得到预训练网络模型。
在一种可选的方式中，预处理模块91进一步用于：构建各帧四腔心切面二维超声样本图像对应的各帧感兴趣区域超声灰度图像，根据各帧感兴趣区域超声灰度图像确定各帧超声样本图像；
数据集构建模块进一步用于：针对于各帧感兴趣区域超声灰度图像，构建各帧左室二值标签图像；其中，左室二值标签图像中左室区域内的像素值为第一值、左室区域之外的像素值为第二值；根据各帧左室二值标签图像，构建各帧分割掩膜。
在一种可选的方式中，预处理模块91进一步用于：
针对于各帧四腔心切面二维超声样本图像，分别构建包含扇形区域的二维二值图像；其中，扇形区域内的像素值为第三值、扇形区域外的像素值为第四值；
将各帧二维二值图像分别与相应的各帧四腔心切面二维超声样本图像相乘，得到各帧感兴趣区域超声灰度图像。
在一种可选的方式中，预处理模块91进一步用于：将各帧感兴趣区域超声灰度图像缩放为预设尺寸，得到各帧超声样本图像；
数据集构建模块进一步用于：将各帧左室二值标签图像缩放为预设尺寸，得到各帧分割掩膜；
计算模块93进一步用于：将各帧输出图像缩放为相应的各帧四腔心切面二维超声目标图像的原始尺寸，得到各帧左室预测结果二值图像。
在一种可选的方式中，计算模块93进一步用于：
计算各帧左室预测结果二值图像的左室像素面积；
绘制左室像素面积随帧数变化的曲线；
检测曲线的局部极大值和局部极小值，将位置相邻的局部极大值和局部极小值分别对应的左室预测结果二值图像，确定为舒张末期帧图像和收缩末期帧图像；其中，舒张末期帧图像对应的帧数小于收缩末期帧图像对应的帧数。
在一种可选的方式中，计算模块93进一步用于：
根据舒张末期帧图像，确定舒张末期左室长轴和各条舒张末期左室短轴；
根据收缩末期帧图像，确定收缩末期左室长轴和各条收缩末期左室短轴；
根据舒张末期左室长轴对应的物理长度、各条舒张末期左室短轴对应的物理长度，计算左室舒张末期容积；
根据收缩末期左室长轴对应的物理长度、各条收缩末期左室短轴对应的物理长度，计算左室收缩末期容积；
根据左室舒张末期容积以及左室收缩末期容积，计算得到左室心输出量。
在一种可选的方式中，计算模块93进一步用于：
对舒张末期帧图像进行边缘提取，得到舒张末期帧左室轮廓图像；对舒张末期帧左室轮廓图像进行凸包检测处理，根据凸包检测结果确定舒张末期左室心尖顶点；确定舒张末期帧左室轮廓图像中第一左室轮廓的第一最小外切矩形，在第一最小外切矩形上确定舒张末期左室心尖上端点；连接舒张末期左室心尖顶点和舒张末期左室心尖上端点，得到舒张末期左室长轴；在舒张末期左室长轴的多个等分点处，垂直于舒张末期左室长轴作多条舒张末期左室短轴；其中，舒张末期左室短轴的两个端点均位于第一左室轮廓上；
以及，对收缩末期帧图像进行边缘提取，得到收缩末期帧左室轮廓图像；对收缩末期帧左室轮廓图像进行凸包检测处理，根据凸包检测结果确定收缩末期左室心尖顶点；确定收缩末期帧左室轮廓图像中第二左室轮廓的第二最小外切矩形，在第二最小外切矩形上确定收缩末期左室心尖上端点；连接收缩末期左室心尖顶点和收缩末期左室心尖上端点，得到收缩末期左室长轴；在收缩末期左室长轴的多个等分点处，垂直于收缩末期左室长轴作多条收缩末期左室短轴；其中，收缩末期左室短轴的两个端点均位于第二左室轮廓上。
综上所述，根据本实施例提供的经食管超声心动图四腔心切面左室心输出量自动计算装置，利用计算机视觉和图像处理算法，通过深度神经网络自动分割出左室区域，在此基础上自动计算出左室心输出量，能够克服手工计算的局限性，提升左室心输出量计算的效率和准确性。
本申请实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令或计算机程序，该可执行指令或计算机程序可使处理器执行上述任意方法实施例中的经食管超声心动图四腔心切面左室心输出量自动计算方法对应的操作。
本申请实施例提供了一种计算机程序产品，该计算机程序产品包括至少一可执行指令或计算机程序，该可执行指令或计算机程序可使处理器执行上述任意方法实施例中的经食管超声心动图四腔心切面左室心输出量自动计算方法对应的操作。
图10示出了本申请计算设备实施例的结构示意图，本申请具体实施例并不对计算设备的具体实现做限定。
如图10所示，该计算设备可以包括：处理器(processor)1002、通信接口(Communications Interface)1004、存储器(memory)1006、以及通信总线1008。
其中：处理器1002、通信接口1004、以及存储器1006通过通信总线1008完成相互间的通信。通信接口1004，用于与其它设备比如客户端或其它服务器等的网元通信。处理器1002，用于执行程序1010，具体可以执行上述用于计算设备的经食管超声心动图四腔心切面左室心输出量自动计算方法实施例中的相关步骤。
具体地，程序1010可以包括程序代码，该程序代码包括计算机操作指令。
处理器1002可能是中央处理器CPU，或者是特定集成电路ASIC（ApplicationSpecific Integrated Circuit），或者是被配置成实施本申请实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器1006，用于存放程序1010。存储器1006可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
程序1010具体可以用于使得处理器1002执行上述任意方法实施例中的经食管超声心动图四腔心切面左室心输出量自动计算方法。程序1010中各步骤的具体实现可以参见经食管超声心动图四腔心切面左室心输出量自动计算实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本申请实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本申请实施例的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (12)

1.一种经食管超声心动图四腔心切面左室心输出量自动计算方法，其特征在于，所述方法包括：
对待处理的二维经食管超声心动图所包含的各帧四腔心切面二维超声目标图像进行预处理，得到各帧待处理二维超声图像；
利用预训练网络模型对所述各帧待处理二维超声图像进行预测处理，根据所述预训练网络模型的各帧输出图像确定各帧左室预测结果二值图像；
根据所述各帧左室预测结果二值图像的左室像素面积，从所述各帧左室预测结果二值图像中确定舒张末期帧图像和收缩末期帧图像；
基于所述舒张末期帧图像和所述收缩末期帧图像，计算左室心输出量。
2.根据权利要求1所述的经食管超声心动图四腔心切面左室心输出量自动计算方法，其特征在于，所述利用预训练网络模型对所述各帧待处理二维超声图像进行预测处理之前，所述方法进一步包括：
对各帧四腔心切面二维超声样本图像进行预处理，得到各帧超声样本图像；
构建所述各帧超声样本图像所对应的各帧分割掩膜；
根据所述各帧超声样本图像和所述各帧分割掩膜，构建样本数据集；
基于所述样本数据集预训练深度神经网络模型，得到所述预训练网络模型。
3.根据权利要求2所述的经食管超声心动图四腔心切面左室心输出量自动计算方法，其特征在于，所述对各帧四腔心切面二维超声样本图像进行预处理，得到各帧超声样本图像进一步包括：
构建所述各帧四腔心切面二维超声样本图像对应的各帧感兴趣区域超声灰度图像，根据所述各帧感兴趣区域超声灰度图像确定各帧超声样本图像；
所述构建所述各帧超声样本图像所对应的各帧分割掩膜进一步包括：
针对于所述各帧感兴趣区域超声灰度图像，构建各帧左室二值标签图像；其中，所述左室二值标签图像中左室区域内的像素值为第一值、所述左室区域之外的像素值为第二值；
根据所述各帧左室二值标签图像，构建各帧分割掩膜。
4.根据权利要求3所述的经食管超声心动图四腔心切面左室心输出量自动计算方法，其特征在于，所述构建所述各帧四腔心切面二维超声样本图像对应的各帧感兴趣区域超声灰度图像进一步包括：
针对于各帧四腔心切面二维超声样本图像，分别构建包含扇形区域的二维二值图像；其中，所述扇形区域内的像素值为第三值、所述扇形区域外的像素值为第四值；
将各帧二维二值图像分别与相应的各帧四腔心切面二维超声样本图像相乘，得到所述各帧感兴趣区域超声灰度图像。
5.根据权利要求3所述的经食管超声心动图四腔心切面左室心输出量自动计算方法，其特征在于，所述根据所述各帧感兴趣区域超声灰度图像确定各帧超声样本图像进一步包括：
将所述各帧感兴趣区域超声灰度图像缩放为预设尺寸，得到所述各帧超声样本图像；
所述根据所述各帧左室二值标签图像，构建各帧分割掩膜进一步包括：
将所述各帧左室二值标签图像缩放为预设尺寸，得到所述各帧分割掩膜；
所述根据所述预训练网络模型的各帧输出图像确定各帧左室预测结果二值图像进一步包括：
将所述各帧输出图像缩放为相应的各帧四腔心切面二维超声目标图像的原始尺寸，得到所述各帧左室预测结果二值图像。
6.根据权利要求1所述的经食管超声心动图四腔心切面左室心输出量自动计算方法，其特征在于，所述根据所述各帧左室预测结果二值图像的左室像素面积，从所述各帧左室预测结果二值图像中确定舒张末期帧图像和收缩末期帧图像进一步包括：
计算所述各帧左室预测结果二值图像的左室像素面积；
绘制左室像素面积随帧数变化的曲线；
检测所述曲线的局部极大值和局部极小值，将位置相邻的局部极大值和局部极小值分别对应的左室预测结果二值图像，确定为舒张末期帧图像和收缩末期帧图像；其中，所述舒张末期帧图像对应的帧数小于所述收缩末期帧图像对应的帧数。
7.根据权利要求1所述的经食管超声心动图四腔心切面左室心输出量自动计算方法，其特征在于，所述基于所述舒张末期帧图像和收缩末期帧图像，计算左室心输出量进一步包括：
根据所述舒张末期帧图像，确定舒张末期左室长轴和各条舒张末期左室短轴；
根据所述收缩末期帧图像，确定收缩末期左室长轴和各条收缩末期左室短轴；
根据所述舒张末期左室长轴对应的物理长度、所述各条舒张末期左室短轴对应的物理长度，计算左室舒张末期容积；
根据所述收缩末期左室长轴对应的物理长度、所述各条收缩末期左室短轴对应的物理长度，计算左室收缩末期容积；
根据所述左室舒张末期容积以及所述左室收缩末期容积，计算得到左室心输出量。
8.根据权利要求7所述的经食管超声心动图四腔心切面左室心输出量自动计算方法，其特征在于，所述根据所述舒张末期帧图像，确定舒张末期左室长轴和各条舒张末期左室短轴进一步包括：
对所述舒张末期帧图像进行边缘提取，得到舒张末期帧左室轮廓图像；
对所述舒张末期帧左室轮廓图像进行凸包检测处理，根据凸包检测结果确定舒张末期左室心尖顶点；
确定所述舒张末期帧左室轮廓图像中第一左室轮廓的第一最小外切矩形，在所述第一最小外切矩形上确定舒张末期左室心尖上端点；
连接所述舒张末期左室心尖顶点和所述舒张末期左室心尖上端点，得到舒张末期左室长轴；在所述舒张末期左室长轴的多个等分点处，垂直于所述舒张末期左室长轴作多条舒张末期左室短轴；其中，所述舒张末期左室短轴的两个端点均位于所述第一左室轮廓上；
所述根据所述收缩末期帧图像，确定收缩末期左室长轴和各条收缩末期左室短轴进一步包括：
对所述收缩末期帧图像进行边缘提取，得到收缩末期帧左室轮廓图像；
对所述收缩末期帧左室轮廓图像进行凸包检测处理，根据凸包检测结果确定收缩末期左室心尖顶点；
确定所述收缩末期帧左室轮廓图像中第二左室轮廓的第二最小外切矩形，在所述第二最小外切矩形上确定收缩末期左室心尖上端点；
连接所述收缩末期左室心尖顶点和所述收缩末期左室心尖上端点，得到收缩末期左室长轴；在所述收缩末期左室长轴的多个等分点处，垂直于所述收缩末期左室长轴作多条收缩末期左室短轴；其中，所述收缩末期左室短轴的两个端点均位于所述第二左室轮廓上。
9.一种经食管超声心动图四腔心切面左室心输出量自动计算装置，其特征在于，包括：
预处理模块，用于对待处理的二维经食管超声心动图所包含的各帧四腔心切面二维超声目标图像进行预处理，得到各帧待处理二维超声图像；
预测模块，用于利用预训练网络模型对所述各帧待处理二维超声图像进行预测处理，根据所述预训练网络模型的各帧输出图像确定各帧左室预测结果二值图像；
计算模块，用于根据所述各帧左室预测结果二值图像的左室像素面积，从所述各帧左室预测结果二值图像中确定舒张末期帧图像和收缩末期帧图像；基于所述舒张末期帧图像和所述收缩末期帧图像，计算左室心输出量。
10.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-8中任一项所述的经食管超声心动图四腔心切面左室心输出量自动计算方法对应的操作。
11.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-8中任一项所述的经食管超声心动图四腔心切面左室心输出量自动计算方法对应的操作。
12.一种计算机程序产品，包括至少一可执行指令，所述可执行指令使处理器执行如权利要求1-8中任一项所述的经食管超声心动图四腔心切面左室心输出量自动计算方法对应的操作。
CN202410323182.XA 2024-03-20 2024-03-20 经食管超声心动图四腔心切面左室心输出量自动计算方法及装置 Active CN117918889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410323182.XA CN117918889B (zh) 2024-03-20 2024-03-20 经食管超声心动图四腔心切面左室心输出量自动计算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410323182.XA CN117918889B (zh) 2024-03-20 2024-03-20 经食管超声心动图四腔心切面左室心输出量自动计算方法及装置

Publications (2)

Publication Number Publication Date
CN117918889A true CN117918889A (zh) 2024-04-26
CN117918889B CN117918889B (zh) 2024-07-19

Family

ID=90764870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410323182.XA Active CN117918889B (zh) 2024-03-20 2024-03-20 经食管超声心动图四腔心切面左室心输出量自动计算方法及装置

Country Status (1)

Country Link
CN (1) CN117918889B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1187984A (zh) * 1997-12-05 1998-07-22 北京市友邦物业管理有限责任公司 二维体表超声测量右心室容积和功能的方法及其装置
US20020072671A1 (en) * 2000-12-07 2002-06-13 Cedric Chenal Automated border detection in ultrasonic diagnostic images
WO2013141694A1 (en) * 2012-03-23 2013-09-26 Universiti Putra Malaysia A method for determining right ventricle stroke volume
CN103732134A (zh) * 2010-12-29 2014-04-16 迪亚卡帝奥有限公司 自动左心室功能评价
WO2018148907A1 (zh) * 2017-02-16 2018-08-23 深圳迈瑞生物医疗电子股份有限公司 超声医学检测设备及成像方法、成像系统、显示终端
CN114359327A (zh) * 2021-12-08 2022-04-15 深圳市宝安区妇幼保健院 一种基于ai的超声心动锚定点动态测量模型及应用
CN114419499A (zh) * 2022-01-07 2022-04-29 乐普（北京）医疗器械股份有限公司 一种基于心脏超声视频的射血分数数据处理方法和装置
RU2777235C1 (ru) * 2021-04-26 2022-08-01 Эка Рамазиевна Двалишвили Способ оценки сократительной способности миокарда левого желудочка
CN115035028A (zh) * 2022-05-05 2022-09-09 东北大学 一种基于超声图像的左心室射血分数自动计算方法
CN116130090A (zh) * 2023-02-16 2023-05-16 苏州赫米兹健康科技有限公司 射血分数测量方法和装置、电子设备和存储介质
CN116138806A (zh) * 2021-11-22 2023-05-23 深圳迈瑞生物医疗电子股份有限公司 分析心脏射血分数的方法及系统和超声成像系统
CN116524001A (zh) * 2023-04-28 2023-08-01 深圳微创心算子医疗科技有限公司 超声心动图特征图滤波的射血分数自动评估方法及装置
CN117197594A (zh) * 2023-11-07 2023-12-08 西南石油大学 一种基于深度神经网络的心脏分流分类系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1187984A (zh) * 1997-12-05 1998-07-22 北京市友邦物业管理有限责任公司 二维体表超声测量右心室容积和功能的方法及其装置
US20020072671A1 (en) * 2000-12-07 2002-06-13 Cedric Chenal Automated border detection in ultrasonic diagnostic images
CN103732134A (zh) * 2010-12-29 2014-04-16 迪亚卡帝奥有限公司 自动左心室功能评价
WO2013141694A1 (en) * 2012-03-23 2013-09-26 Universiti Putra Malaysia A method for determining right ventricle stroke volume
WO2018148907A1 (zh) * 2017-02-16 2018-08-23 深圳迈瑞生物医疗电子股份有限公司 超声医学检测设备及成像方法、成像系统、显示终端
RU2777235C1 (ru) * 2021-04-26 2022-08-01 Эка Рамазиевна Двалишвили Способ оценки сократительной способности миокарда левого желудочка
CN116138806A (zh) * 2021-11-22 2023-05-23 深圳迈瑞生物医疗电子股份有限公司 分析心脏射血分数的方法及系统和超声成像系统
CN114359327A (zh) * 2021-12-08 2022-04-15 深圳市宝安区妇幼保健院 一种基于ai的超声心动锚定点动态测量模型及应用
CN114419499A (zh) * 2022-01-07 2022-04-29 乐普（北京）医疗器械股份有限公司 一种基于心脏超声视频的射血分数数据处理方法和装置
CN115035028A (zh) * 2022-05-05 2022-09-09 东北大学 一种基于超声图像的左心室射血分数自动计算方法
CN116130090A (zh) * 2023-02-16 2023-05-16 苏州赫米兹健康科技有限公司 射血分数测量方法和装置、电子设备和存储介质
CN116524001A (zh) * 2023-04-28 2023-08-01 深圳微创心算子医疗科技有限公司 超声心动图特征图滤波的射血分数自动评估方法及装置
CN117197594A (zh) * 2023-11-07 2023-12-08 西南石油大学 一种基于深度神经网络的心脏分流分类系统

Also Published As

Publication number Publication date
CN117918889B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
US10453200B2 (en) Automated segmentation using deep learned priors
Jolly Automatic segmentation of the left ventricle in cardiac MR and CT images
US9256941B2 (en) Microcalcification detection and classification in radiographic images
US7929739B2 (en) Image processing method, apparatus, and program
CN108013904B (zh) 心脏超声成像方法
CN108090909B (zh) 一种基于统计偏微分模型的超声造影图像分割方法
Rodtook et al. Multi-feature gradient vector flow snakes for adaptive segmentation of the ultrasound images of breast cancer
CN110706246A (zh) 一种血管图像分割方法、装置、电子设备和存储介质
CN102163326A (zh) 血管超声图像中颈动脉血管内中膜的计算机自动分割和厚度均匀度分析方法
US20110293157A1 (en) Medical Image Segmentation
CN102800089A (zh) 基于颈部超声图像的主颈动脉血管提取和厚度测量方法
US8340378B2 (en) Ribcage segmentation
Lee et al. Unsupervised segmentation of lung fields in chest radiographs using multiresolution fractal feature vector and deformable models
Yan et al. Improved mask R-CNN for lung nodule segmentation
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
Lutton et al. A curvature-enhanced random walker segmentation method for detailed capture of 3D cell surface membranes
Bernier et al. Automatized evaluation of the left ventricular ejection fraction from echocardiographic images using graph cut
CN108416769B (zh) 基于预处理的ivoct图像易损斑块自动检测方法
CN108364289B (zh) Ivoct图像易损斑块自动检测方法
CN108257118B (zh) 一种基于法向腐蚀和随机游走的骨折粘连分割方法
CN117918889B (zh) 经食管超声心动图四腔心切面左室心输出量自动计算方法及装置
CN107240114B (zh) 一种基于点距离函数形状约束的半自动医学图像分割方法
CN112529900A (zh) 匹配乳腺图像中roi的方法、装置、终端与存储介质
CN111539926A (zh) 一种图像检测方法及装置
CN114757953B (zh) 医学超声图像识别方法、设备及存储介质

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