CN118141419A - 一种评估心肌运动的方法及设备、电子设备及存储介质 - Google Patents
一种评估心肌运动的方法及设备、电子设备及存储介质 Download PDFInfo
- Publication number
- CN118141419A CN118141419A CN202211564974.3A CN202211564974A CN118141419A CN 118141419 A CN118141419 A CN 118141419A CN 202211564974 A CN202211564974 A CN 202211564974A CN 118141419 A CN118141419 A CN 118141419A
- Authority
- CN
- China
- Prior art keywords
- image
- loss function
- sample image
- level set
- mask map
- 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
- 230000002107 myocardial effect Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 70
- 230000000747 cardiac effect Effects 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 125
- 239000000523 sample Substances 0.000 claims description 74
- 230000011218 segmentation Effects 0.000 claims description 54
- 238000002604 ultrasonography Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 238000003709 image segmentation Methods 0.000 claims description 12
- 210000004165 myocardium Anatomy 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 8
- 230000002861 ventricular Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 210000002837 heart atrium Anatomy 0.000 description 5
- 210000005240 left ventricle Anatomy 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000005242 cardiac chamber Anatomy 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008828 contractile function Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000005003 heart tissue Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请的实施例提供了一种评估心肌运动的方法及设备、电子设备及存储介质。方法包括:在心脏的心动周期中,获取基于机械波信号生成的心脏的多个检测图像;获取基于电生理信号确定的、所述心动周期中舒张末期对应的第一时间点;基于所述机械波信号,确定所述舒张末期对应的第二时间点;确定所述第一时间点与所述第二时间点的时间差;以及基于所述时间差,评估心肌运动。该方案容易实现,能够快速且准确地完成对心肌运动的评价。
Description
技术领域
本申请涉及医疗技术领域,更具体地涉及一种评估心肌运动的方法及设备、电子设备及存储介质。
背景技术
心脏是动物体最重要器官之一,其是血液循环系统的动力。心脏的心肌运动的评价是心脏健康检查中的重要一环。人们通常较为关注心脏的舒张期的发生时刻。具体例如,心脏超声检查中,通常需要评估心室的收缩功能。常见的评估参数有射血分数、缩短分数、心搏量和纵向应变等。获得这些参数必须准确地定位心动周期中的收缩末期和舒张末期。
现有的定位舒张末期的方法通常是基于心电图中的R波来快速定位舒张末期。但是,该方案的准确性不足,可能给出错误结果。
因此,亟要一种新的评估心肌运动的方案,以解决上述问题。
发明内容
考虑到上述问题而提出了本申请。本申请提供一种评估心肌运动的方法及设备、电子设备及存储介质。
根据本申请的一个方面,提供了一种评估心肌运动的方法,包括:在心脏的心动周期中,获取基于机械波信号生成的心脏的多个检测图像;获取基于电生理信号确定的、所述心动周期中舒张末期对应的第一时间点;基于所述多个检测图像,确定所述舒张末期对应的第二时间点;确定所述第一时间点与所述第二时间点的时间差;以及基于所述时间差,评估心肌运动。
示例性地,所述基于所述多个检测图像,确定所述舒张末期对应的第二时间点,包括:在所述多个检测图像中,分别确定心脏的心室;分别计算所述多个检测图像中的心室的面积;以及比较所述多个检测图像中的心室的面积,并且确定所述多个检测图像中的第一图像所对应的时刻为所述第二时间点,其中所述第一图像是面积最大的心室所在的检测图像。
示例性地,所述在所述多个检测图像中,分别确定心脏的心室,包括:对于所述多个检测图像中的每个检测图像,利用语义分割模型,提取该检测图像的特征,基于所述特征对该检测图像进行分割,以确定所述心室,其中所述语义分割模型通过训练获得。
示例性地,所述方法还包括:利用样本图像,基于目标损失函数对所述语义分割模型进行训练;其中,所述目标损失函数至少根据第一损失函数和/或第二损失函数确定,所述第一损失函数的函数值基于利用所述语义分割模型对所述样本图像进行图像分割所获得的第一掩码图以及所述样本图像的真实掩码图来确定,所述第二损失函数的函数值基于所述第一掩码图和对所述样本图像进行回归运算所获得的第一水平集确定,在掩码图中,所述心室对应的区域与背景区域的像素值不同。
示例性地,所述目标损失函数还根据第三损失函数确定,所述第三损失函数的函数值基于对所述样本图像的真实水平集和所述第一水平集确定。
示例性地,所述目标损失函数的函数值L利用以下公式计算:
L=Lseg+Lreg+λLc;
其中,Lseg表示第一损失函数的函数值,Lc表示第二损失函数的函数值,Lreg表示第三损失函数的函数值,λ表示第三损失函数的权重。
示例性地,所述样本图像具有对应的标注数据,所述标注数据包括所述样本图像的真实掩码图,所述方法还包括:对所述样本图像进行回归运算,以获得所述样本图像的第一水平集;对所述样本图像的真实掩码图进行水平集转换运算,以获得所述样本图像的真实水平集;以及基于所述真实水平集和所述第一水平集,确定所述第三损失函数的函数值。
示例性地,所述方法还包括:利用所述语义分割模型,基于所述样本特征对所述样本图像进行图像分割,以获得所述样本图像的第一掩码图;对所述样本图像进行回归运算,以获得所述样本图像的第一水平集;对所述样本图像的第一水平集进行水平集逆向转换运算,以获得所述样本图像的第二掩码图;至少基于所述第一掩码图和所述第二掩码图,确定所述第二损失函数的函数值。
示例性地,所述检测图像是超声图像和/或所述电生理信号是心电图信号。
根据本申请的另一方面,还提供了评估心肌运动的设备,包括:
探头,用于在心脏的心动周期中,采集机械波信号;
获取装置,用于获取基于电生理信号确定的、所述心动周期中舒张末期对应的第一时间点;
处理器,用于基于所述机械波信号生成心脏的多个检测图像,基于所述多个检测图像确定所述舒张末期对应的第二时间点,确定所述第一时间点与所述第二时间点的时间差,基于所述时间差评估心肌运动。
示例性地,所述处理器基于所述时间差评估心肌运动包括执行以下操作:判断所述时间差是否大于第二预设时长阈值;在所述时间差大于所述第二预设时长阈值的情况下,确定心肌异常;在所述时间差小于或等于所述第二预设时长阈值的情况下,确定心肌正常。
根据本申请的又一方面,还提供了一种电子设备,包括处理器和存储器,其中,所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器运行时用于执行上述的评估心肌运动的方法。
示例性地,所述电子设备为超声诊断设备或超声工作站。
根据本申请的再一方面,还提供了一种非易失性存储介质,在所述非易失性存储介质上存储了程序指令,所述程序指令在运行时用于执行上述的评估心肌运动的方法。
根据本申请实施例的上述技术方案,通过基于电生理信号确定与心动周期中舒张末期所对应的第一时间点,并基于机械波信号确定与心动周期中舒张末期所对应的第二时间点,通过两个时间点间的差值评估心肌运动。该方案有效利用了机械波信号和电生理信号中的重要信息,容易实现,能够快速且准确地完成对心肌运动的评价。
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
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1示出了根据本申请一个实施例的评估心肌运动的方法的示意性流程图;
图2示出了根据本申请一个实施例的训练语义分割模型的示意图;
图3示出了根据本申请一个实施例的评估心肌运动的设备的示意性框图;以及
图4示出了根据本申请一个实施例的电子设备的示意性框图。
具体实施方式
为了使得本申请的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请中描述的实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本申请的保护范围之内。
为了解决上述技术问题,本申请提供了一种评估心肌运动的方法。在该方法中,综合考虑检测生物体所获得的机械波信号和电生理信号,基于二者来评估心肌运动。图1示出了根据本申请一个实施例的评估心肌运动的方法100的示意性流程图。如图1所示,该评估心肌运动的方法100可以包括以下步骤S110、步骤S120、步骤S130、步骤S140和步骤S150。
步骤S110,在心脏的心动周期中,获取基于机械波信号生成的心脏的多个检测图像。
示例性地,机械波信号可通过对人体心脏超声获得,即其可以是超声信号。例如,可以利用超声设备获取人体心脏在一个心动周期内的超声视频。该超声视频可以包括多个帧,每一帧均对应一个静态的超声图像。这些静态的超声图像即为检测图像。具体例如,对于一个心动周期的超声视频,如视频的帧数为25帧,则针对该心动周期,获取了对应的25个检测图像。
可以理解,机械波信号是随着时间在心脏的一个心动周期中采集的。基于该机械波信号生成的上述多个检测图像分别对应于一个心动周期中的不同时间点。从另外一个角度,该多个检测图像也分别对应于心脏在一个心动周期中的不同运动状态。特别地,基于超声信号生成的超声图像能够真实再现心脏在不同时刻的形态。例如,当心脏处于舒张末期,则超声图像中心脏区域,特别是左心室区域,所占面积将较大。因此,利用超声图像能够较理想地评估心肌运动情况。
步骤S120,获取基于电生理信号确定的、心动周期中舒张末期对应的第一时间点。
示例性地,电生理信号可以为心电图信号(ECG)。与机械波信号类似的,电生理信号也是随着时间采集的,其随着心脏的心动周期而周期性地变化。可以根据ECG的R波确定与心脏的舒张末期对应的第一时间点。示例性地,可以通过诸如专业人员的用户直接在ECG上识别R波,并根据识别结果标记舒张末期所对应的第一时间点。系统可以响应于用户操作其输入装置而获取该第一时间点。替代地,可以通过系统运行相应的软件来自动识别ECG的R波对应的时刻,即第一时间点。可以理解,ECG信号不仅获取的成本较低,而且其能够较准确地表征心脏的周期性的运动,为准确评估心肌运动提供了保证。
步骤S130,基于步骤S110所获得的多个检测图像,确定舒张末期对应的第二时间点。
可以理解,在心脏的舒张末期,心脏的心室相对体积较大。该心室例如左心室或右心室。该现象反映在基于机械波信号生成的检测图像上,则在舒张末期的检测图像中的心室的面积较大。示例性地,可以对比多个检测图像中的左心室的面积,例如对比前述超声视频的每一帧。确定各检测图像中左心室的面积最大的一帧对应舒张末期。该检测图像对应的时刻即为第二时间点。可以理解,在心脏的心动周期中,心脏的心房也呈现规律性变化。替代地,也可以根据心房在心动周期中的规律性变化,来基于多个检测图像确定舒张末期对应的第二时间点。
可选的,该步骤S130基于多个检测图像确定舒张末期对应的第二时间点可以包括以下步骤S131、步骤S132和步骤S133。
步骤S131,在多个检测图像中,分别确定心室。在此步骤中,识别心室在多个检测图像中的对应区域。换言之,确定多个检测图像中,心室所在的区域。
在心脏组织中,心室的体积较大,而心房的体积较小。在基于机械波生成的多个检测图像中,与心房相比,心室更易于识别。此外,与心房的周期性变化相比,心室的周期性变化更明显。特别是左心室,其为动物体的全身供应血液,所以,优选在此步骤中确定多个检测图像中的左心室。
示例性地,该步骤S131可以用各种传统的图像处理方法实现。一般而言,检测图像中的心室灰度值较小。可以利用基于灰度的图像分割法来确定检测图像中的心室,具体例如大津阈值法,边缘检测法等。基于分割结果确定多个检测图像中的心室。
替代地,步骤S131可以通过以下方案实现。对于多个检测图像中的每个检测图像:利用语义分割模型,首先,提取该检测图像的特征,然后,基于该特征对该检测图像进行分割,以确定心室,其中语义分割模型通过训练获得。
检测图像的特征可以包括图像的边缘、颜色、空间等信息,其可以通过一个高维的矩阵来表示。可以基于所提取的特征来对检测图像进行分割。该过程可以利用语义分割模型来实现。语义分割模型可以结合图像分类、目标检测和图像分割,其能够将图像分割成具有不同语义含义的区域块,并识别出每个区域块的语义类别,最终获得具有逐像素语义标注的分割图像。根据本申请的实施例,语义分割模型可采用U型网络(U-net)、全卷积神经网络(FCN)、SegNet、PSPNet等神经网络实现。
示例性地,语义分割模型可以包括编码器和解码器。该编码器可以利用神经网络的池化层来实现,由此,编码器可以逐渐缩小输入数据的尺寸大小。解码器可以利用神经网络的反卷积层等来实现,其能够逐步恢复图像的细节和相应的空间维度。编码器和解码器之间可以利用跳跃连接网络连接。
在本申请的实施例中,可以利用语义分割模型将检测图像转换为掩码图。掩码图中的像素的像素值或者是255,或者是0。像素值为255的白色区域表示心室,像素值为0的黑色区域表示背景,即心室外的其余区域。
语义分割模型可以通过大量样本图像进行训练而获得。这些样本图像可以具有对应的标注数据。标注数据用于标注样本图像中的心室。
通过上述基于语义分割模型的方案,能够更准确地确定检测图像中的心室。由此保证了对心肌运动评估的准确性。
步骤S132,分别计算多个检测图像中的心室的面积。
示例性地,在分别确定了各个检测图像中的心室之后,可以分别计算所确定的心室的面积。在上述分割后的检测图像是掩码图的实施例中,可通过计算掩码图中白色区域的面积来作为心室的面积。具体地,可以通过统计白色区域内的像素的像素个数来表示心室的面积。
步骤S133,比较多个检测图像中的心室的面积,并且确定多个检测图像中的第一图像所对应的时刻为第二时间点,其中第一图像是面积最大的心室所在的检测图像。
在计算了每个检测图像中的心室的面积之后,可以对各个检测图像中的心室的面积进行比较,从而确定哪个检测图像中的心室的面积最大。如前所述,在舒张末期的检测图像中的心室的面积较大。由此,可以确定心室的面积最大的第一图像所对应的时刻为第二时间点。
根据上述技术方案,通过计算和比较基于机械波信号生成的各检测图像的心室面积,能够快速确定心室面积最大的检测图像,进而根据该检测图像确定舒张末期对应的第二时间点。该方案容易实现。而且,该方案遍历每个检测图像,因此该方案可以保证确定的心室面积最大的检测图像准确对应于舒张末期,进而保证所确定的第二时间点的准确性。由此,可以进一步确保准确评估心肌运动。
步骤S140,确定所述第一时间点与所述第二时间点的时间差。如前所述,第一时间点是基于电生理信号确定的、心脏的心动周期中的舒张末期对应的时刻。第二时间点是基于机械波信号的该舒张末期对应的时刻。可以计算两个时间点之间的时间差。例如,第一时间点为10点零5分40毫秒,第二时间点为10点零5分30毫秒,则二者的时间差为10毫秒。
步骤S150,基于所述时间差,评估心肌运动。
第一时间点和第二时间点的时间差能够综合性地表示利用电生理信号和机械波信号对心脏进行检查所产生的差异。如果该差异较小,则可以确定心脏的舒张末期发生的时刻即为上述第一时间点或第二时间点。该评估结果可信度较高。如果该差异较大,则无法确定心脏的舒张末期发生的时刻。
通过基于电生理信号确定与心动周期中舒张末期所对应的第一时间点,并基于机械波信号确定与心动周期中舒张末期所对应的第二时间点,通过两个时间点间的差值评估心肌运动。该方案有效利用了机械波信号和电生理信号中的重要信息,容易实现,能够快速且准确地完成对心肌运动的评估。
示例性地,上述评估心肌运动的方法100还可以包括用于训练前述语义分割模型的训练步骤。换言之,可以首先利用该训练步骤S200训练获得语义分割模型,然后,利用经训练的语义分割模型完成上述方法100。
图3示出了根据本申请一个实施例的训练语义分割模型的示意图。下面参考图3描述该训练步骤。在该训练步骤中,利用样本图像,基于目标损失函数对所述语义分割模型进行训练。其中,目标损失函数至少根据第一损失函数和/或第二损失函数确定。第一损失函数的函数值Lseg基于利用语义分割模型对样本图像进行图像分割所获得的第一掩码图以及样本图像的真实掩码图来确定。第一损失函数体现了语义分割模型执行语义分割任务的准确度。第二损失函数的函数值Lc基于第一掩码图和对样本图像进行回归运算所获得的第一水平集确定。第二损失函数体现了语义分割模型执行语义分割任务和回归任务二者的一致性。可以理解,在掩码图中,心室对应的区域与背景区域的像素值不同。例如图3所示的第一掩码图和真实掩码图中,心室对应的区域为白色,背景区域为黑色。
样本图像具有对应的标注数据,标注数据可以表示为样本图像的真实掩码图。该标注数据可以通过专业人员手动标注获得。该真实掩码图中的心室对应于被成像的心脏的心室,而背景区域对应于除心室以为的其他区域。
示例性地,根据本申请的实施例,上述方法还包括基于利用语义分割模型对样本图像进行图像分割所获得的第一掩码图以及样本图像的真实掩码图确定第一损失函数的函数值Lseg的步骤。具体可以包括以下步骤:首先,利用语义分割模型,对样本图像进行图像分割,以获得所述样本图像的第一掩码图。该对样本图像进行图像分割的过程,与上述对检测图像进行分割的过程类似,为了简洁,在此不再赘述。然后,基于该第一掩码图和上述真实掩码图二者之间的差异,确定第一损失函数的函数值Lseg。
示例性地,根据本申请的实施例,上述方法还包括基于第一掩码图和对样本图像进行回归运算所获得的第一水平集确定第二损失函数的函数值Lc。具体可以通过以下步骤确定第二损失函数的函数值Lc。首先,与前述类似的,利用语义分割模型,对样本图像进行图像分割,以获得样本图像的第一掩码图。然后,对样本图像进行回归运算,以获得样本图像的第一水平集。可以理解,该回归运算也可以利用深度学习模型来实现。接着,对样本图像的第一水平集进行水平集逆向转换运算,以获得样本图像的第二掩码图。最后,至少基于第一掩码图和第二掩码图之间的差别,确定第二损失函数的函数值。可以理解,在上述描述中,首先获得了第一掩码图,然后,获得第二掩码图。该执行顺序仅仅是示例,而不构成对本申请的限制。获得第一掩码图和第二掩码图的顺序可以与之相反,或者二者同时执行。
其中,上述对样本图像的第一水平集的水平集逆向转换运算可以基于以下计算公式:
其中,T-1(z)表示第二掩码图上的像素的像素值,k表示权重系数,z表示第一水平集的值。sigmoid函数用于将变量映射到0、1之间。在计算时,通过对权重系数k的设置,使结果无限趋近于0和1,从而能够使其二值化,并映射形成第二掩码图。
上述基于第一掩码图和第一水平集确定的第二损失函数,从不同角度考量了语义分割模型。从而,利用该第二损失函数训练获得的语义分割模型能够更准确地分割检测图像。进而,保证了心肌运动的评估准确性。
上述技术方案中,通过利用目标损失函数对初始的语义分割模型进行训练,能够促进模型参数迭代,进而利用模型的学习能力提高模型的准确性。因此,基于经训练的语义分割模型进行检测图像的分割,能够获得可信度更高的图像分割结果。由此,基于该图像分割结果的心肌运动评估结果也可信度更高。
可以理解的是,基于上述方案,目标损失函数至少有三种实施例。根据本申请第一实施例,目标函数的函数值L通过第一损失函数的函数值Lseg确定,即
L=Lseg。
根据本申请第二实施例,目标函数的函数值L通过第二损失函数的函数值Lc确定,此时无需获取样本图像的标注数据。所训练的语义分割模型是无监督模型。目标函数的函数值L可以表示如下:
L=Lc。
根据本申请第三实施例,目标函数的函数值L通过第一损失函数的函数值Lseg和第二损失函数的函数值Lc确定。目标函数的函数值L可以表示如下:
L=Lseg+βLc,
其中,β表示第二损失函数的权重。
示例性地,再次参考图3,目标损失函数还根据第三损失函数确定,第三损失函数的函数值Lreg基于对样本图像的真实水平集和第一水平集确定。第三损失函数能够表示第一水平集与真实水平集之间的差异,从而再利用第一水平集进行训练时,能够进一步保证语义分割模型的准确性。第三损失函数体现了语义分割模型执行回归任务的准确性。
根据本申请的实施例,上述方法还包括基于对样本图像的真实水平集和上述第一水平集确定第三损失函数的函数值Lreg,具体可以包括以下步骤:首先,对样本图像进行回归运算,以获得样本图像的第一水平集。然后,对样本图像的真实掩码图进行水平集转换运算,以获得样本图像的真实水平集。最后,基于真实水平集和第一水平集,确定第三损失函数的函数值。
其中,对样本图像的真实掩码图进行水平集转换运算,以获得样本图像的真实水平集可以采用以下计算方式进行运算:
其中,T(x)表示真实水平集的值。x表示真实掩码图上的像素的位置。y表示真实掩码图中的心室轮廓上的像素的位置。||x-y||表示真实掩码图上的像素与心室轮廓上的像素之间的距离。x∈Sin表示真实掩码图上的像素在心室轮廓内。x∈Sout表示真实掩码图上的像素在心室轮廓外。x∈S表示真实掩码图上的像素在心室轮廓上。inf函数表示下确界。
具体地,当真实掩码图上的像素在心室轮廓内时,取真实掩码图上的像素与真实掩码图中的心室轮廓上的像素的最小距离的负数作为真实水平集中的对应值。当真实掩码图上的像素在心室轮廓上时,取0值作为真实水平集中的对应值。当真实掩码图上的像素在心室轮廓外时,取真实掩码图上的像素与心室轮廓上的像素的最小距离的正值作为真实水平集中的对应值。
上述方案中基于真实掩码图获得真实水平集,然后基于真实水平集和第一水平集确定第三损失函数,从另外的角度考量了语义分割模型。从而,利用该第三损失函数训练获得的语义分割模型能够更准确地分割检测图像。进而,保证了心肌运动的评估准确性。
根据本申请第四实施例,上述方法还可以包括:基于第二损失函数的函数值Lc和第三损失函数的函数值Lreg确定目标损失函数的函数值,即:
L=Lreg+γLc,
其中,γ表示第二损失函数的权重。
根据本申请第五实施例,上述方法还可以包括:基于第一损失函数的函数值Lseg、第二损失函数的函数值Lc和第三损失函数的函数值Lreg确定目标损失函数。目标损失函数的函数值L可以利用以下公式计算:
L=Lseg+Lreg+λLc,
其中,λ表示第三损失函数的权重。
在该第五实施例中,通过加权求和的方式利用上述三种损失函数对语义分割模型进行训练,综合了利用了语义分割学习、回归学习和一致性学习,能够进一步提高语义分割模型的准确性。从而,进一步提高心肌运动评估的准确性。
可选地,在利用上述训练步骤对语义分割模型进行训练之后,该方法还包括利用测试步骤对该语义分割模型进行测试。具体地,利用语义分割模型,对该测试图像进行分割,以确定测试图像中的心脏的心室。可以根据测试结果确定语义分割模型是否符合要求。如果不符合要求,还可以利用上述训练步骤对语义分割模型再次训练,以获得符合要求的语义分割模型。
根据本申请的另一方面,还提供了一种评估心肌运动的设备。图3示出了根据本申请一个实施例的评估心肌运动的设备300的示意性框图。如图3所示,该评估心肌运动的设备300可以包括探头310、获取装置320和处理器330。探头310用于在心脏的心动周期中,采集机械波信号。示例性地,探头310可以是超声波探头。
获取装置320用于获取基于电生理信号确定的、心动周期中舒张末期对应的第一时间点。可选地,获取装置320可以是设备300上的输入装置。该输入装置可以自用户接收基于电生理信号确定的第一时间点。替代地,该获取装置320还可以是设备300上的通信装置。可以经由该通信装置自其他设备获取上述第一时间点。
处理器330用于获取基于机械波信号生成的心脏的多个检测图像,基于多个检测图像确定舒张末期对应的第二时间点,确定第一时间点与第二时间点的时间差,基于所述时间差评估心肌运动。
示例性地,处理器330基于所述时间差评估心肌运动包括执行以下操作:在确定第一时间点与第二时间点的时间差后,判断时间差是否大于第一预设时长阈值;在所述时间差小于或等于所述第一预设时长阈值的情况下,确定心脏的舒张末期为所述第二时间点。
示例性地,处理器330基于所述时间差评估心肌运动还可以包括执行以下操作:在确定第一时间点与第二时间点的时间差后,判断时间差是否大于第二预设时长阈值;在时间差大于第二预设时长阈值的情况下,确定心肌异常;在所述时间差小于或等于第二预设时长阈值的情况下,确定心肌正常。该第二预设时长阈值可以等于或大于第一预设时长阈值。
可以理解,在心脏的心肌正常的情况下,无论基于哪种检测信号,所检测的舒张末期对应的时间点应该是一致的。而在心肌异常的情况下,例如心肌出现了反向运动或者发生了心肌梗塞等,不同的检测信号所检测的舒张末期对应的时间点会发生偏差。因此,可以根据时间差的大小,确定心肌是否出现异常。此外,对于不同的心肌异常情况,可以设置不同的第二预设时长阈值。
根据本申请的又一方面,还提供一种电子设备。图4示出了根据本申请实施例的电子设备400的示意性框图。如图4所示,该电子设备400包括处理器410和存储器420,其中,存储器420中存储有计算机程序指令,计算机程序指令被处理器410运行时用于执行上述评估心肌运动的方法100。
该电子设备可以是超声诊断设备或超声工作站。该超声诊断设备或超声工作站可以包括输入装置或者通信装置。超声诊断设备或超声工作站的处理器410可以用于经由输入装置或者通信装置获取基于电生理信号确定的、心动周期中舒张末期对应的第一时间点。该超声诊断设备或超声工作站可以包括探头,探头用于在心脏的心动周期中采集机械波信号。然后,其中的处理器410用于基于机械波信号生成心脏的多个检测图像,基于多个检测图像确定舒张末期对应的第二时间点,确定所述第一时间点与所述第二时间点的时间差,基于时间差评估心肌运动。
由此,该超声诊断设备或超声工作站能够有效利用自身采集的超声图像中的心脏形态变化信息,并且基于所获取的根据电生理信号确定的舒张末期所对应的第一时间点,更快速且准确地完成对心肌运动的评价。
根据本申请的再一方面,还提供一种存储介质,在存储介质上存储了程序指令,程序指令在运行时用于执行上述评估心肌运动的方法100。所述存储介质例如可以包括平板电脑的存储部件、个人计算机的硬盘、可擦除可编程只读存储器(EPROM)、便携式只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。所述计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。
本领域普通技术人员通过阅读上述有关评估心肌运动的方法的相关描述,可以理解上述评估心肌运动的设备、电子设备和非易失性存储介质的具体实现方案,为了简洁,在此不再赘述。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性地,并且不意图将本申请的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本申请的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本申请的范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。
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,在对本申请的示例性实施例的描述中,本申请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,并不应将该本申请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,如相应的权利要求书所反映的那样,其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。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。
本领域的技术人员可以理解,除了特征之间相互排斥之外,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,尽管在此所述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评估心肌运动的设备中的一些模块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。
以上所述,仅为本申请的具体实施方式或对具体实施方式的说明,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。本申请的保护范围应以权利要求的保护范围为准。
Claims (14)
1.一种评估心肌运动的方法,其特征在于,包括:
在心脏的心动周期中,获取基于机械波信号生成的心脏的多个检测图像;
获取基于电生理信号确定的、所述心动周期中舒张末期对应的第一时间点;
基于所述多个检测图像,确定所述舒张末期对应的第二时间点;
确定所述第一时间点与所述第二时间点的时间差;以及
基于所述时间差,评估心肌运动。
2.根据权利要求1所述的方法,其特征在于,所述基于所述多个检测图像,确定所述舒张末期对应的第二时间点,包括:
在所述多个检测图像中,分别确定心脏的心室;
分别计算所述多个检测图像中的心室的面积;以及
比较所述多个检测图像中的心室的面积,并且确定所述多个检测图像中的第一图像所对应的时刻为所述第二时间点,其中所述第一图像是面积最大的心室所在的检测图像。
3.根据权利要求2所述的方法,其特征在于,所述在所述多个检测图像中,分别确定心脏的心室,包括:
对于所述多个检测图像中的每个检测图像,利用语义分割模型,提取该检测图像的特征,基于所述特征对该检测图像进行分割,以确定所述心室,其中所述语义分割模型通过训练获得。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
利用样本图像,基于目标损失函数对所述语义分割模型进行训练;
其中,所述目标损失函数至少根据第一损失函数和/或第二损失函数确定,所述第一损失函数的函数值基于利用所述语义分割模型对所述样本图像进行图像分割所获得的第一掩码图以及所述样本图像的真实掩码图来确定,所述第二损失函数的函数值基于所述第一掩码图和对所述样本图像进行回归运算所获得的第一水平集确定,在掩码图中,所述心室对应的区域与背景区域的像素值不同。
5.根据权利要求4所述的方法,其特征在于,所述目标损失函数还根据第三损失函数确定,所述第三损失函数的函数值基于对所述样本图像的真实水平集和所述第一水平集确定。
6.根据权利要求5所述的方法,其特征在于,所述目标损失函数的函数值L利用以下公式计算:
L=Lseg+Lreg+λLc;
其中,Lseg表示第一损失函数的函数值,Lc表示第二损失函数的函数值,Lreg表示第三损失函数的函数值,λ表示第三损失函数的权重。
7.根据权利要求5所述的方法,其特征在于,所述样本图像具有对应的标注数据,所述标注数据包括所述样本图像的真实掩码图,所述方法还包括:
对所述样本图像进行回归运算,以获得所述样本图像的第一水平集;
对所述样本图像的真实掩码图进行水平集转换运算,以获得所述样本图像的真实水平集;以及
基于所述真实水平集和所述第一水平集,确定所述第三损失函数的函数值。
8.根据权利要求4所述的方法,其特征在于,所述方法还包括:
利用所述语义分割模型,基于所述样本特征对所述样本图像进行图像分割,以获得所述样本图像的第一掩码图;
对所述样本图像进行回归运算,以获得所述样本图像的第一水平集;
对所述样本图像的第一水平集进行水平集逆向转换运算,以获得所述样本图像的第二掩码图;
至少基于所述第一掩码图和所述第二掩码图,确定所述第二损失函数的函数值。
9.根据权利要求1所述的方法,其特征在于,所述检测图像是超声图像和/或所述电生理信号是心电图信号。
10.一种评估心肌运动的设备,其特征在于,包括:
探头,用于在心脏的心动周期中,采集机械波信号;
获取装置,用于获取基于电生理信号确定的、所述心动周期中舒张末期对应的第一时间点;
处理器,用于基于所述机械波信号生成心脏的多个检测图像,基于所述多个检测图像确定所述舒张末期对应的第二时间点,确定所述第一时间点与所述第二时间点的时间差,基于所述时间差评估心肌运动。
11.根据权利要求10所述的设备,其特征在于,所述处理器基于所述时间差评估心肌运动包括执行以下操作:
判断所述时间差是否大于第二预设时长阈值;
在所述时间差大于所述第二预设时长阈值的情况下,确定心肌异常;在所述时间差小于或等于所述第二预设时长阈值的情况下,确定心肌正常。
12.一种电子设备,包括处理器和存储器,其中,所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器运行时用于执行如权利要求1至9任一项所述的方法。
13.根据权利要求12所述的电子设备,其特征在于,所述电子设备为超声诊断设备或超声工作站。
14.一种非易失性存储介质,在所述非易失性存储介质上存储了程序指令,所述程序指令在运行时用于执行如权利要求1至9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211564974.3A CN118141419A (zh) | 2022-12-07 | 2022-12-07 | 一种评估心肌运动的方法及设备、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211564974.3A CN118141419A (zh) | 2022-12-07 | 2022-12-07 | 一种评估心肌运动的方法及设备、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118141419A true CN118141419A (zh) | 2024-06-07 |
Family
ID=91285691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211564974.3A Pending CN118141419A (zh) | 2022-12-07 | 2022-12-07 | 一种评估心肌运动的方法及设备、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118141419A (zh) |
-
2022
- 2022-12-07 CN CN202211564974.3A patent/CN118141419A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11813047B2 (en) | Automatic quantification of cardiac MRI for hypertrophic cardiomyopathy | |
JP7395142B2 (ja) | 超音波分析のためのシステムおよび方法 | |
US7430309B2 (en) | Computation of a geometric parameter of a cardiac chamber from a cardiac tomography data set | |
CN111493935B (zh) | 基于人工智能的超声心动图自动预测识别方法及系统 | |
CN110400298B (zh) | 心脏临床指标的检测方法、装置、设备及介质 | |
WO2010117576A2 (en) | Image processing and machine learning for diagnostic analysis of microcirculation | |
US20220012875A1 (en) | Systems and Methods for Medical Image Diagnosis Using Machine Learning | |
Bibicu et al. | Cardiac cycle phase estimation in 2-D echocardiographic images using an artificial neural network | |
CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
CN113012173A (zh) | 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置 | |
CN115587971A (zh) | 基于心脏超声节段活动的机体反应及血流动力学监测方法及系统 | |
CN115018863A (zh) | 基于深度学习的图像分割方法及装置 | |
US11995823B2 (en) | Technique for quantifying a cardiac function from CMR images | |
WO2020148080A1 (en) | Image analysis method and device | |
CN117671463B (zh) | 一种多模态医学数据质量校准方法 | |
WO2021152603A1 (en) | System and method for classification of strain echocardiograms | |
CN114010227B (zh) | 一种右心室特征信息识别方法及装置 | |
Al-Kadi | Spatio-Temporal Segmentation in 3-D Echocardiographic Sequences Using Fractional Brownian Motion | |
CN113222985B (zh) | 一种图像处理方法、装置、计算机设备和介质 | |
CN118141419A (zh) | 一种评估心肌运动的方法及设备、电子设备及存储介质 | |
Patel et al. | Arterial parameters and elasticity estimation in common carotid artery using deep learning approach | |
Muldoon et al. | Lightweight and interpretable left ventricular ejection fraction estimation using mobile U-Net | |
Sánchez-Puente et al. | Uncertainty to Improve the Automatic Measurement of Left Ventricular Ejection Fraction in 2D Echocardiography Using CNN-Based Segmentation | |
WO2023239889A1 (en) | Echocardiographic estimation of right atrial pressure using a lightweight and open-world artificial intelligence system | |
Galazis et al. | High-Resolution Maps of Left Atrial Displacements and Strains Estimated with 3D CINE MRI and Unsupervised Neural Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |