CN117994249A - 一种基于深度学习的心脏瓣膜反流严重程度超声评估方法 - Google Patents
一种基于深度学习的心脏瓣膜反流严重程度超声评估方法 Download PDFInfo
- Publication number
- CN117994249A CN117994249A CN202410395978.6A CN202410395978A CN117994249A CN 117994249 A CN117994249 A CN 117994249A CN 202410395978 A CN202410395978 A CN 202410395978A CN 117994249 A CN117994249 A CN 117994249A
- Authority
- CN
- China
- Prior art keywords
- model
- severity
- heart valve
- deep learning
- regurgitation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 206010067660 Heart valve incompetence Diseases 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 15
- 230000000747 cardiac effect Effects 0.000 claims abstract description 57
- 238000010992 reflux Methods 0.000 claims abstract description 47
- 238000013136 deep learning model Methods 0.000 claims abstract description 35
- 206010067171 Regurgitation Diseases 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 19
- 210000003709 heart valve Anatomy 0.000 claims abstract description 15
- 238000002372 labelling Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000013145 classification model Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000002604 ultrasonography Methods 0.000 claims description 19
- 230000017531 blood circulation Effects 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 7
- 238000000137 annealing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000002203 pretreatment Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 abstract description 2
- 210000000591 tricuspid valve Anatomy 0.000 description 9
- 201000001943 Tricuspid Valve Insufficiency Diseases 0.000 description 6
- 206010044640 Tricuspid valve incompetence Diseases 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 210000001765 aortic valve Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000004115 mitral valve Anatomy 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及图像处理技术领域，提供一种基于深度学习的心脏瓣膜反流严重程度超声评估方法，包括：1：构建数据集，并进行预处理；2：对一部分数据集按照单个完整的心动周期进行框选标注；3：采用目标检测类深度学习模型训练反流频谱图，得到单个心动周期自动识别模型；4：进行心动周期自动标记，然后裁剪，并进行严重程度分级；5：采用分类识别深度学习模型训练，得到基于单个心动周期反流频谱图的心脏瓣膜反流严重程度智能分类模型；6：串联整合，形成心脏瓣膜反流严重程度智能评估模型；7：输入单帧心脏瓣膜反流频谱图，选择严重程度最重的作为心脏瓣膜反流频谱图的评判结果。本发明能较佳地实现心脏瓣膜反流严重程度的自动评估。
Description
技术领域
本发明涉及图像处理技术领域，具体地说，涉及一种基于深度学习的心脏瓣膜反流严重程度超声评估方法。
背景技术
心脏瓣膜反流，也称为瓣膜反流或瓣膜逆流，是一种常见的心脏病。心脏瓣膜反流通常通过心脏超声检查进行诊断，而超声心动图频谱多普勒是判断反流严重程度最重要的依据之一，但是目前心脏瓣膜反流严重程度评估主要由超声医师根据超声图像主观评估，其评估结果完全取决于医师的过往经验和专业水平。使用人工评判方式来判断心脏瓣膜反流严重程度缺乏客观的量化评价标准，既耗费时间又费力。这种情况使得在临床实践中，医生很难对患者心脏瓣膜反流的严重程度进行准确的定性评估。
发明内容
本发明的内容是提供一种基于深度学习的心脏瓣膜反流严重程度超声评估方法，其能够克服现有技术的某种或某些缺陷。
根据本发明的一种基于深度学习的心脏瓣膜反流严重程度超声评估方法，其包括以下步骤：
步骤1：收集心脏瓣膜反流彩色多普勒超声血流频谱图，筛选图像质量合格的反流频谱图构成数据集，并进行预处理；
步骤2：使用标注软件对一部分数据集按照单个完整的心动周期进行框选标注；
步骤3：按照比例将标注好心动周期的数据集分为训练集和验证集，采用目标检测类深度学习模型训练反流频谱图，得到单个完整心动周期自动识别模型，实现心脏瓣膜反流彩色多普勒超声血流频谱图的单个心动周期的自动标记；
步骤4：采用步骤3中所述的单个完整心动周期自动识别模型，对尚未标记心动周期的反流频谱图进行心动周期自动标记，使用python脚本对所有标记好心动周期的反流频谱图按照完整心动周期进行裁剪，并按照瓣膜反流超声诊断指南和实际超声诊断报告对裁剪后的反流频谱图进行严重程度分级；
步骤5：按照比例将分级、裁剪后的单个心动周期反流频谱图像划分为训练集、验证集和测试集，采用分类识别深度学习模型训练，得到基于单个心动周期反流频谱图的心脏瓣膜反流严重程度智能分类模型；
步骤6：将步骤3中单个心动周期标记模型和步骤5中的反流频谱图严重程度智能分类模型串联整合，即可形成心脏瓣膜反流严重程度智能评估模型；
步骤7：向心脏瓣膜反流严重程度智能评估模型输入单帧心脏瓣膜反流频谱图，采用单个周期自动识别模型对反流频谱图的完整周期进行标记并截取存储为单个心动周期的频谱图，再通过心脏瓣膜反流严重程度智能识别模型对截取的所有单个心动周期频谱图依次进行严重程度分类，选择严重程度最重的作为心脏瓣膜反流频谱图的评判结果。
作为优选，步骤1中，预处理方法为：将图像中所有的文本信息抹除，文本信息包括患者的姓名、性别、医院、编号。
作为优选，步骤2中，单个完整的心动周期框选标注方法为：
2.1）以反流心动周期为单位，使用方框作为标记，标注出完整的心动周期，并且按照心脏瓣膜反流严重程度给予对应的标签；
2.2）每个图像在对应的文件夹内，获取一个.json文件，文件中包含创建的标签信息。
作为优选，步骤2中，单个受检者的心脏瓣膜反流彩色多普勒超声血流频谱图能够标记出多个心动周期。
作为优选，步骤3中，目标检测类深度学习模型为以YOLOv5模型为主干网络，融合多尺度特征提取Inception模块和SimAM注意力模块的全新模型；其中Inception模块添加到YOLOv5模型第三和第四个Conv后，并分别与第一和第二个Concat连接，SimAM模块添加到YOLOv5 模型 C3 模块中；改进后的YOLOv5深度学习模型在Docker搭建的Ubuntu 18.04的PyTorch环境中实现，批处理大小设置为16，初始学习率为0.0001，学习率衰减策略采用余弦学习率衰减策略。
作为优选，步骤3中，采用平均精度mAP、精确度Precision、召回率 Recall、F1指数对改进后的YOLOv5深度学习模型的性能进行评价，同时为这四个指标设置了相同的权值，并且选取在验证集上加权平均值最大的模型作为最终模型，实现反流心动周期的智能标注。
作为优选，步骤4中，严重程度分级时，轻度反流的周期给予 1标签，中度反流的周期给予2标签，重度反流的周期给予3标签。
作为优选，步骤5中，分类识别深度学习模型为ConvNeXt深度学习模型，并且使用余弦预热（Cosine Warmup）学习率更新策略替换ConvNeXt深度学习模型中原本的余弦（Cosine）学习率更新策略；改进后的ConvNeXt深度学习模型在Docker搭建的Ubuntu 18.04的PyTorch环境中实现，批处理大小设置为64，初始学习率为0.0001，学习率衰减策略采用余弦退火算法。
作为优选，步骤5中，采用精确率、召回率、特异性和F1分数对改进后的ConvNeXt深度学习模型的性能进行评价，同时为这四个指标设置了相同的权值，并且选取在验证集上加权平均值最大的模型作为最终模型。
与现有技术相比，本发明的有益效果是：
1）有效利用彩色多普勒超声血流频谱图实现心脏瓣膜反流严重程度智能评估，并且评估结果与超声医师人工评估的结果一致性较高，具有较高的可行性。
2）该发明没有对多普勒血流频谱图做任何前置性假设，原理上可以应用于任何标准瓣膜反流多普勒超声血流频谱图像。
3）自动化处理水平较高，摆脱了完全依赖人工的主观评价的弊端，能够为医生临床诊断提供辅助，有效避免因为人工判断造成的失误。
附图说明
图1为实施例中一种基于深度学习的心脏瓣膜反流严重程度超声评估方法的流程图。
图2为实施例中心脏三尖瓣反流彩色多普勒血流频谱图。
图3为实施例中三尖瓣反流彩色多普勒血流频谱图周期及严重程度标签示例图。
图4为实施例中改进后的YOLOv5深度学习模型架构图；其中，C3模块：特征增强模块，Inception模块：融合多尺度特征提取模块。
图5为实施例中YOLOv5模型中C3模块添加了SimAM注意力模块后的结构图。
图6为实施例中ConvNeXt深度学习模型架构图。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
实施例
如图1所示，本实施例提供了一种基于深度学习的心脏瓣膜（二尖瓣，三尖瓣，主动脉瓣）反流严重程度超声评估方法，本实施例具体以心脏三尖瓣反流严重程度超声评估为例，其包括以下步骤：
步骤1：收集心脏三尖瓣反流彩色多普勒超声血流频谱图，如图2所示，为心脏三尖瓣反流彩色多普勒血流频谱图；筛选图像质量合格的反流频谱图构成数据集，并进行预处理。
预处理方法为：从患者隐私的角度出发，将图像中所有的文本信息抹除，文本信息包括患者的姓名、性别、医院、编号。
步骤2：使用Labelme标注软件对一部分数据集按照单个完整的心动周期进行框选标注。
单个完整的心动周期框选标注方法为：
2.1）以反流心动周期为单位，使用方框作为标记，标注出完整的心动周期，并且按照三尖瓣反流严重程度给予对应的标签；
2.2）每个图像在对应的文件夹内，获取一个.json文件，文件中包含创建的标签信息。
单个受检者的三尖瓣彩色多普勒超声血流频谱图能够标记出多个心动周期。
步骤3：按照9:1比例将标注好的数据集分为训练集和验证集，采用目标检测类深度学习模型（改进后的YOLOv5深度学习模型）训练反流频谱图，得到单个完整心动周期自动识别模型，实现心脏三尖瓣反流彩色多普勒超声血流频谱图的单个心动周期的自动标记；
卷积神经网络YOLOv5区别于传统的浅层学习需要依靠经验人为指定特征，它可以实现从原始数据到目标函数直接的端对端地学习。卷积神经网络YOLOv5的两个主要特点是局部感知和权值共享，它可以逐层地对卷积前后的图像进行特征学习，将前一层学习到的数据特征作为下一层的输入，使机器获得更高级的特征表达和理解能力。Inception模块能够通过增加网络深度和宽度的同时减少参数的数量来解决网络对于不同尺度特征图的感受野呈现出缺乏多样性的问题。SimAM注意力模块借助自适应均值池化技术，将高维特征图转换为固定大小的特征表示，进而通过精细计算特征间的相似度来动态调整每个特征的权重分配。这一过程优化了神经网络中的神经元连接，显著提升了模型对心动周期信息的识别能力，使其更具判别性和鲁棒性。如图4和图5所示，本实施例以目标检测类深度学习模型为以YOLOv5模型为主干网络，融合多尺度特征提取Inception模块和SimAM注意力模块的全新模型；其中Inception模块添加到YOLOv5模型第三和第四个Conv后，并分别与第一和第二个Concat连接，SimAM模块添加到 YOLOv5 模型 C3 模块中；改进后的YOLOv5深度学习模型在Docker搭建的Ubuntu 18.04的PyTorch环境中实现，批处理大小设置为16，初始学习率为0.0001，学习率衰减策略采用余弦学习率衰减策略。
步骤3中，采用平均精度（mAP）、精确度（Precision）、召回率（Recall）、F1指数对改进后的YOLOv5深度学习模型的性能进行评价，同时为这四个指标设置了相同的权值，并且选取在验证集上加权平均值最大的模型作为最终模型，实现反流心动周期的智能标注。
步骤4：采用步骤3中所述的单个完整心动周期自动识别模型，对尚未标记心动周期的反流频谱图进行心动周期自动标记，使用python脚本对所有标记好心动周期的反流频谱图按照完整心动周期进行裁剪，并按照瓣膜反流超声诊断指南和实际超声诊断报告对裁剪后的反流频谱图进行严重程度分级。
如图3所示，严重程度分级时，轻度反流的周期给予“1”标签，中度反流的周期给予“2”标签，重度反流的周期给予“3”标签。
步骤5：按照比例将分级、裁剪后的反流单个心动周期图像划分为训练集、验证集和测试集，采用分类识别深度学习模型（改进后ConvNeXt深度学习模型）训练，得到基于单个心动周期反流频谱图的心脏三尖瓣反流严重程度智能分类模型；
如图6所示，ConvNeXt是一种卷积神经网络，参考了Transformer网络的结构和特征设计，但不需要执行像分块合并、窗口偏移等复杂的操作。因此，本实施例使用ConvNeXt深度学习模型能够达到类似于Transformer网络的性能，但计算量更小。Warmup是深度学习领域中常用的一种学习率优化策略，其主要目的是在训练初期采用较小的学习率，然后逐渐增加学习率，以帮助模型更快地收敛到最优解或更好的局部最优解。这种方式有助于模型在训练初期稳定下来，减少由于学习率过大而导致的性能波动或不稳定情况，有助于避免在初始阶段过早陷入局部最优解或者学习率过小导致训练速度缓慢的问题。在Warmup阶段之后，模型进入Cosine阶段。这个阶段中，学习率按照余弦退火的方式进行调整。余弦退火首先使得学习率先缓慢下降，然后再快速下降，这有助于梯度下降算法优化目标函数，使loss值接近全局最小值。所以使用余弦预热（Cosine Warmup）学习率更新策略替换ConvNeXt深度学习模型中原本的余弦（Cosine）学习率更新策略。改进后的ConvNeXt深度学习模型在Docker搭建的Ubuntu 18.04的PyTorch环境中实现，批处理大小设置为64，初始学习率为0.0001，学习率衰减策略采用余弦退火算法。
步骤5中，采用精确率、召回率、特异性和F1分数对改进后的ConvNeXt深度学习模型的性能进行评价，同时为这四个指标设置了相同的权值，并且选取在验证集上加权平均值最大的模型作为最终模型。
步骤6：将步骤3中单个心动周期标记模型和步骤5中的反流频谱图严重程度智能分类模型串联整合，即可形成心脏三尖瓣反流严重程度智能评估模型；
步骤7：向心脏三尖瓣反流严重程度智能评估模型输入单帧心脏三尖瓣反流频谱图，采用单个周期自动识别模型对反流频谱图的完整周期进行标记并截取存储为单个心动周期的频谱图，再通过心脏三尖瓣反流严重程度智能识别模型对截取的所有单个心动周期频谱图依次进行严重程度分类，选择严重程度最重的作为心脏三尖瓣反流频谱图的评判结果。
本实施例是将彩色多普勒超声血流频谱图作为数据集，使用数据标注软件，将图像中的频谱图像以心动周期为单位，把每一个完整周期标注出来，利用卷积神经网络能自动学习图像、提取图像特征的优点，使用目标检测模型训练单个心动周期智能标注深度学习网络；选取综合性能表现最好的模型作为最终模型，实现反流心动周期的智能标注。然后，将反流频谱图单个心动周期从血流频谱图中裁剪下来，由人工将单个心动周期反流频谱图根据超声心动图诊断指南定义的反流严重程度划分成轻度、中度、重度三个等级，同样利用卷积神经网络的特点，使用图像分类模型训练划分后的数据集，实现心脏瓣膜（三尖瓣，二尖瓣，主动脉瓣）反流程度的自动评估。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (9)
1.一种基于深度学习的心脏瓣膜反流严重程度超声评估方法，其特征在于：包括以下步骤：
步骤1：收集心脏瓣膜反流彩色多普勒超声血流频谱图，筛选图像质量合格的反流频谱图构成数据集，并进行预处理；
步骤2：使用标注软件对一部分数据集按照单个完整的心动周期进行框选标注；
步骤3：按照比例将标注好心动周期的数据集分为训练集和验证集，采用目标检测类深度学习模型训练反流频谱图，得到单个完整心动周期自动识别模型，实现心脏瓣膜反流彩色多普勒超声血流频谱图的单个心动周期的自动标记；
步骤4：采用步骤3中所述的单个完整心动周期自动识别模型，对尚未标记心动周期的反流频谱图进行心动周期自动标记，使用python脚本对所有标记好心动周期的反流频谱图按照完整心动周期进行裁剪，并按照瓣膜反流超声诊断指南和实际超声诊断报告对裁剪后的反流频谱图进行严重程度分级；
步骤5：按照比例将分级、裁剪后的单个心动周期反流频谱图像划分为训练集、验证集和测试集，采用分类识别深度学习模型训练，得到基于单个心动周期反流频谱图的心脏瓣膜反流严重程度智能分类模型；
步骤6：将步骤3中单个心动周期标记模型和步骤5中的反流频谱图严重程度智能分类模型串联整合，即可形成心脏瓣膜反流严重程度智能评估模型；
步骤7：向心脏瓣膜反流严重程度智能评估模型输入单帧心脏瓣膜反流频谱图，采用单个周期自动识别模型对反流频谱图的完整周期进行标记并截取存储为单个心动周期的频谱图，再通过心脏瓣膜反流严重程度智能识别模型对截取的所有单个心动周期频谱图依次进行严重程度分类，选择严重程度最重的作为心脏瓣膜反流频谱图的评判结果。
2.根据权利要求1所述的一种基于深度学习的心脏瓣膜反流严重程度超声评估方法，其特征在于：步骤1中，预处理方法为：将图像中所有的文本信息抹除，文本信息包括患者的姓名、性别、医院、编号。
3.根据权利要求2所述的一种基于深度学习的心脏瓣膜反流严重程度超声评估方法，其特征在于：步骤2中，单个完整的心动周期框选标注方法为：
2.1）以反流心动周期为单位，使用方框作为标记，标注出完整的心动周期，并且按照心脏瓣膜反流严重程度给予对应的标签；
2.2）每个图像在对应的文件夹内，获取一个.json文件，文件中包含创建的标签信息。
4.根据权利要求3所述的一种基于深度学习的心脏瓣膜反流严重程度超声评估方法，其特征在于：步骤2中，单个受检者的心脏瓣膜反流彩色多普勒超声血流频谱图能够标记出多个心动周期。
5.根据权利要求4所述的一种基于深度学习的心脏瓣膜反流严重程度超声评估方法，其特征在于：步骤3中，目标检测类深度学习模型为以YOLOv5模型为主干网络，融合多尺度特征提取Inception模块和SimAM注意力模块的全新模型；其中Inception模块添加到YOLOv5模型第三和第四个Conv后，并分别与第一和第二个Concat连接，SimAM模块添加到YOLOv5 模型 C3 模块中；改进后的YOLOv5深度学习模型在Docker搭建的Ubuntu 18.04的PyTorch环境中实现，批处理大小设置为16，初始学习率为0.0001，学习率衰减策略采用余弦学习率衰减策略。
6.根据权利要求5所述的一种基于深度学习的心脏瓣膜反流严重程度超声评估方法，其特征在于：步骤3中，采用平均精度mAP、精确度Precision、召回率 Recall，F1指数对改进后的YOLOv5深度学习模型的性能进行评价，同时为这四个指标设置了相同的权值，并且选取在验证集上加权平均值最大的模型作为最终模型，实现反流心动周期的智能标注。
7.根据权利要求6所述的一种基于深度学习的心脏瓣膜反流严重程度超声评估方法，其特征在于：步骤4中，严重程度分级时，轻度反流的周期给予 1标签，中度反流的周期给予2标签，重度反流的周期给予3标签。
8.根据权利要求7所述的一种基于深度学习的心脏瓣膜反流严重程度超声评估方法，其特征在于：步骤5中，分类识别深度学习模型为ConvNeXt深度学习模型，并且使用余弦预热Cosine Warmup学习率更新策略替换ConvNeXt深度学习模型中原本的余弦Cosine学习率更新策略；ConvNeXt深度学习模型在Docker搭建的Ubuntu 18.04的PyTorch环境中实现，批处理大小设置为64，初始学习率为0.0001，学习率衰减策略采用余弦退火算法。
9.根据权利要求8所述的一种基于深度学习的心脏瓣膜反流严重程度超声评估方法，其特征在于：步骤5中，采用精确率、召回率、特异性和F1指数对ConvNeXt深度学习模型的性能进行评价，同时为这四个指标设置了相同的权值，并且选取在验证集上加权平均值最大的模型作为最终模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410395978.6A CN117994249B (zh) | 2024-04-02 | 2024-04-02 | 一种基于深度学习的心脏瓣膜反流严重程度超声评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410395978.6A CN117994249B (zh) | 2024-04-02 | 2024-04-02 | 一种基于深度学习的心脏瓣膜反流严重程度超声评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117994249A true CN117994249A (zh) | 2024-05-07 |
| CN117994249B CN117994249B (zh) | 2024-06-11 |
Family
ID=90899730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410395978.6A Active CN117994249B (zh) | 2024-04-02 | 2024-04-02 | 一种基于深度学习的心脏瓣膜反流严重程度超声评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117994249B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100240996A1 (en) * | 2009-03-18 | 2010-09-23 | Razvan Ioan Ionasec | Valve assessment from medical diagnostic imaging data |
| US20150366532A1 (en) * | 2014-06-23 | 2015-12-24 | Siemens Medical Solutions Usa, Inc. | Valve regurgitant detection for echocardiography |
| US20190125295A1 (en) * | 2017-10-30 | 2019-05-02 | Siemens Medical Solutions Usa, Inc. | Cardiac flow detection based on morphological modeling in medical diagnostic ultrasound imaging |
| US20190139642A1 (en) * | 2016-04-26 | 2019-05-09 | Ascend Hit Llc | System and methods for medical image analysis and reporting |
| US20210150693A1 (en) * | 2019-11-15 | 2021-05-20 | Geisinger Clinic | Systems and methods for a deep neural network to enhance prediction of patient endpoints using videos of the heart |
| CN112998756A (zh) * | 2021-02-05 | 2021-06-22 | 西南石油大学 | 一种基于超声图像结合深度学习的心脏血流向量成像方法 |
| US20220044815A1 (en) * | 2020-08-04 | 2022-02-10 | Signalpet, Llc | Methods and apparatus for the application of reinforcement learning to animal medical diagnostics |
| CN116452899A (zh) * | 2023-06-20 | 2023-07-18 | 四川省医学科学院·四川省人民医院 | 一种基于深度学习的超声心动图标准切面识别及评分方法 |
| CN116468734A (zh) * | 2023-04-23 | 2023-07-21 | 复旦大学 | 一种基于深度学习的超声心动图三类别的分割方法 |
| CN116468723A (zh) * | 2023-05-29 | 2023-07-21 | 上海微创卜算子医疗科技有限公司 | 心脏再同步评估方法、装置、设备及介质 |
| CN116704305A (zh) * | 2023-06-20 | 2023-09-05 | 华中科技大学同济医学院附属协和医院 | 基于深度学习算法的超声心动图多模态多切面分类方法 |
| CN116883322A (zh) * | 2023-06-13 | 2023-10-13 | 齐鲁师范学院 | 一种三维超声模型应用于心脏参数测量与管理方法及终端 |
| US11786212B1 (en) * | 2022-12-15 | 2023-10-17 | UAB Ligence | Echocardiogram classification with machine learning |
| CN116958784A (zh) * | 2023-07-24 | 2023-10-27 | 河南农业大学 | 一种在自然环境中快速检测小麦赤霉病穗及严重度的方法 |
| CN117011266A (zh) * | 2023-08-03 | 2023-11-07 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 输电线路防震锤隐患检测方法、装置和计算机设备 |
-
2024
- 2024-04-02 CN CN202410395978.6A patent/CN117994249B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100240996A1 (en) * | 2009-03-18 | 2010-09-23 | Razvan Ioan Ionasec | Valve assessment from medical diagnostic imaging data |
| US20150366532A1 (en) * | 2014-06-23 | 2015-12-24 | Siemens Medical Solutions Usa, Inc. | Valve regurgitant detection for echocardiography |
| US20190139642A1 (en) * | 2016-04-26 | 2019-05-09 | Ascend Hit Llc | System and methods for medical image analysis and reporting |
| US20190125295A1 (en) * | 2017-10-30 | 2019-05-02 | Siemens Medical Solutions Usa, Inc. | Cardiac flow detection based on morphological modeling in medical diagnostic ultrasound imaging |
| US20210150693A1 (en) * | 2019-11-15 | 2021-05-20 | Geisinger Clinic | Systems and methods for a deep neural network to enhance prediction of patient endpoints using videos of the heart |
| US20220044815A1 (en) * | 2020-08-04 | 2022-02-10 | Signalpet, Llc | Methods and apparatus for the application of reinforcement learning to animal medical diagnostics |
| CN112998756A (zh) * | 2021-02-05 | 2021-06-22 | 西南石油大学 | 一种基于超声图像结合深度学习的心脏血流向量成像方法 |
| US11786212B1 (en) * | 2022-12-15 | 2023-10-17 | UAB Ligence | Echocardiogram classification with machine learning |
| CN116468734A (zh) * | 2023-04-23 | 2023-07-21 | 复旦大学 | 一种基于深度学习的超声心动图三类别的分割方法 |
| CN116468723A (zh) * | 2023-05-29 | 2023-07-21 | 上海微创卜算子医疗科技有限公司 | 心脏再同步评估方法、装置、设备及介质 |
| CN116883322A (zh) * | 2023-06-13 | 2023-10-13 | 齐鲁师范学院 | 一种三维超声模型应用于心脏参数测量与管理方法及终端 |
| CN116452899A (zh) * | 2023-06-20 | 2023-07-18 | 四川省医学科学院·四川省人民医院 | 一种基于深度学习的超声心动图标准切面识别及评分方法 |
| CN116704305A (zh) * | 2023-06-20 | 2023-09-05 | 华中科技大学同济医学院附属协和医院 | 基于深度学习算法的超声心动图多模态多切面分类方法 |
| CN116958784A (zh) * | 2023-07-24 | 2023-10-27 | 河南农业大学 | 一种在自然环境中快速检测小麦赤霉病穗及严重度的方法 |
| CN117011266A (zh) * | 2023-08-03 | 2023-11-07 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 输电线路防震锤隐患检测方法、装置和计算机设备 |
Non-Patent Citations (5)
| Title |
|---|
| 加勒比小海带: "目标检测算法——YOLOv5_YOLOv7改进之结合无参注意力SimAM（涨点神器）", pages 1 - 8, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/591727673> * |
| 小蔡叔叔开方舟: "深度解读与思考——GoogLeNet核心Inception模块", pages 1 - 13, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/409924111> * |
| 文鹤龄 等: "二尖瓣狭窄患者瓣膜置换术后血流动力学改变的超声评价", 川北医学院学报, no. 02, 7 May 2018 (2018-05-07), pages 145 - 147 * |
| 王志斌 等: "基于改进YOLOv5和视频图像的车型识别", 科学技术与工程, vol. 22, no. 23, 18 August 2022 (2022-08-18), pages 10295 - 10300 * |
| 霍晓光 等: "室间隔膜部瘤内活动性血栓并下肢动脉栓塞超声表现1例", 临床超声医学杂志, no. 12, 30 December 2019 (2019-12-30), pages 960 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117994249B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112132817B (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
| Asiri et al. | Deep learning based computer-aided diagnosis systems for diabetic retinopathy: A survey | |
| CN111223553B (zh) | 一种两阶段深度迁移学习中医舌诊模型 | |
| CN107464250B (zh) | 基于三维mri图像的乳腺肿瘤自动分割方法 | |
| CN107247971B (zh) | 一种超声甲状腺结节风险指标的智能分析方法及系统 | |
| CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
| CN106056595A (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 | |
| CN110276763B (zh) | 一种基于可信度和深度学习的视网膜血管分割图生成方法 | |
| CN108734108B (zh) | 一种基于ssd网络的裂纹舌识别方法 | |
| CN111080643A (zh) | 基于眼底图像的糖尿病及相关疾病的分类方法及设备 | |
| CN111862075A (zh) | 一种基于深度学习的肺部图像分析系统及其分析方法 | |
| CN113298780B (zh) | 一种基于深度学习的儿童骨龄评估方法及系统 | |
| CN113610118B (zh) | 一种基于多任务课程式学习的青光眼诊断方法、装置、设备及方法 | |
| CN111767952A (zh) | 一种可解释的肺结节良恶性分类方法 | |
| CN112070760B (zh) | 一种基于卷积神经网络的骨量检测方法 | |
| CN110992309B (zh) | 基于深层信息传递网络的眼底图像分割方法 | |
| CN111986148A (zh) | 一种前列腺数字病理图像的快速Gleason评分系统 | |
| Panda et al. | Glauconet: patch-based residual deep learning network for optic disc and cup segmentation towards glaucoma assessment | |
| Kumar et al. | IterMiUnet: A lightweight architecture for automatic blood vessel segmentation | |
| CN113012093A (zh) | 青光眼图像特征提取的训练方法及训练系统 | |
| CN111383222A (zh) | 一种基于深度学习的椎间盘mri图像智能诊断系统 | |
| CN113393456B (zh) | 基于多任务的早孕期胎儿标准切面的自动质量控制方法 | |
| CN117994249B (zh) | 一种基于深度学习的心脏瓣膜反流严重程度超声评估方法 | |
| CN111652837B (zh) | 基于ai的甲状腺结节左右叶定位与超声报告纠错方法 | |
| CN117557840A (zh) | 一种基于小样本学习的眼底病变分级方法 |
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 |