TWI768774B - 輔助評估心臟運動狀態的方法 - Google Patents

輔助評估心臟運動狀態的方法 Download PDF

Info

Publication number
TWI768774B
TWI768774B TW110109633A TW110109633A TWI768774B TW I768774 B TWI768774 B TW I768774B TW 110109633 A TW110109633 A TW 110109633A TW 110109633 A TW110109633 A TW 110109633A TW I768774 B TWI768774 B TW I768774B
Authority
TW
Taiwan
Prior art keywords
left ventricular
heart
reference point
value
cardiac ultrasound
Prior art date
Application number
TW110109633A
Other languages
English (en)
Other versions
TW202237039A (zh
Inventor
許鴻生
利建宏
黃宜瑾
Original Assignee
宏碁股份有限公司
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 宏碁股份有限公司 filed Critical 宏碁股份有限公司
Priority to TW110109633A priority Critical patent/TWI768774B/zh
Priority to US17/233,566 priority patent/US11744542B2/en
Priority to EP21174798.5A priority patent/EP4059441B1/en
Application granted granted Critical
Publication of TWI768774B publication Critical patent/TWI768774B/zh
Publication of TW202237039A publication Critical patent/TW202237039A/zh

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/02—Measuring pulse or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/461—Displaying means of special interest
    • A61B8/466—Displaying means of special interest adapted to display 3D data
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac

Abstract

本發明提供一種輔助評估心臟運動狀態的方法，包括：取得對應於一心臟的連續多個心臟超音波影像，並據以估計對應於所述多個心臟超音波影像的多個左心室容積；在所述多個左心室容積中找出多個特定極值，並據以估計所述多個特定極值之間的多個時間差；基於所述多個時間差估計所述多個時間差的一統計特性值；反應於判定所述多個時間差中的至少一者偏離統計特性值達一預設門限值，判定心臟出現一異常運動狀態。

Description

輔助評估心臟運動狀態的方法
本發明是有關於一種醫療影像評估方法，且特別是有關於一種輔助評估心臟運動狀態的方法。
目前檢查心臟結構的方式最廣泛使用以及最經濟的方法為心臟超音波。當患者需要透過超音波檢查心臟時，超音波技師或是醫師都是手持超音波探頭以特定角度掃描心臟，查看患者的心臟結構是否有異常。
在臨床上現階段評估心臟狀態是否良好有很多方法，其中之一就是量測左心室射血分數(Left Ventricular Ejection Fraction，LVEF)。LVEF是量測左心室在每次心跳下於左心室中有多少的血液被射出。在各醫院中，目前還是使用人工檢查或半自動的方式來識別心率週期中心臟的末期舒張(End-Diastolic，ED)與末期收縮(End-Systolic，ES)。而在辨識出ED以及ES後，超音波機台內建的工具程式即可計算出末期舒張容積(EDV)與末期收縮容積(ESV)，然後再算出射血分數(EF)。
在目前的技術領域中，已經漸漸朝向透過AI深度學習模型來識別心率週期中心臟的末期舒張與末期收縮，減輕人工識別需逐張辨識影像是否為ED或是ES的繁瑣工作。
然而，在實際臨床的情況下，目前尚未讓AI深度學習模型取代人工識別的原因有兩個方面。首先，當患者有心臟方面的疾病時，例如：心房顫動導致心律不整的情況，AI深度學習模型將會無法有效的識別出ED以及ES，導致計算出錯誤的射血分數。其次，由超音波探頭取得的心臟超音波影像不夠清晰時將會使得AI深度學習模型的判斷不佳，無法有效的識別出ED以及ES，導致計算出錯誤的射血分數。
因此，對於本領域技術人員而言，若能設計一種判斷患者心臟是否存在異常運動狀態(例如心律不整)的機制，應可幫助上述AI深度學習模型更為有效地識別心率週期中心臟的末期舒張與末期收縮，進而得到較為正確的射血分數。
有鑑於此，本發明提供一種輔助評估心臟運動狀態的方法，其可用於解決上述技術問題。
本發明提供一種輔助評估心臟運動狀態的方法，適於一電子裝置，包括：取得對應於一心臟的連續多個左心室遮罩影像，並據以估計對應於所述多個心臟超音波影像的多個左心室容積；在所述多個左心室容積中找出多個特定極值，並據以估計所述多 個特定極值之間的多個時間差；基於所述多個時間差估計所述多個時間差的一統計特性值；反應於判定所述多個時間差中的至少一者偏離統計特性值達一預設門限值，判定心臟出現一異常運動狀態。
100:電子裝置
102:儲存電路
104:處理器
30:心臟超音波影像
31:左心室遮罩影像
311~313:參考點像素
311a,311b,312a,312b,313a,313b:範圍
700,700a:左心室容積變化圖
711~715,711a~715a,711b~715b:特定極值
T1~T4,T1’~T4’,T1”~T4”:時間差
D1:第一距離
D2:第二距離
D3:第三距離
S210~S230,S610~S640:步驟
圖1是依據本發明之一實施例繪示的電子裝置示意圖。
圖2是依據本發明之一實施例繪示的估計心室容積的方法流程圖。
圖3是依據本發明之一實施例繪示的應用情境圖。
圖4是依據本發明之一實施例繪示的基於參考點像素之間距離找出第一、第二及第三參考點像素的示意圖。
圖5A是依據圖3繪示的找出對應於心尖部的參考點像素的示意圖。
圖5B是依據圖5A繪示的找出對應於左側二尖瓣的參考點像素的示意圖。
圖5C是依據圖5B繪示的找出對應於右側二尖瓣的參考點像素的示意圖。
圖6是依據本發明之一實施例繪示的輔助評估心臟運動狀態的方法流程圖。
圖7A是依據本發明之一實施例繪示的應用情境圖。
圖7B是依據圖7A繪示的另一應用情境圖。
請參照圖1，其是依據本發明之一實施例繪示的電子裝置示意圖。在不同的實施例中，電子裝置100例如是各式電腦裝置、智慧型裝置及/或手持裝置，但可不限於此。
如圖1所示，電子裝置100包括儲存電路102及處理器104。儲存電路102例如是任意型式的固定式或可移動式隨機存取記憶體(Random Access Memory，RAM)、唯讀記憶體(Read-Only Memory，ROM)、快閃記憶體(Flash memory)、硬碟或其他類似裝置或這些裝置的組合，而可用以記錄多個程式碼或模組。
處理器104耦接於儲存電路102，並可為一般用途處理器、特殊用途處理器、傳統的處理器、數位訊號處理器、多個微處理器(microprocessor)、一個或多個結合數位訊號處理器核心的微處理器、控制器、微控制器、特殊應用積體電路(Application Specific Integrated Circuit，ASIC)、現場可程式閘陣列電路(Field Programmable Gate Array，FPGA)、任何其他種類的積體電路、狀態機、基於進階精簡指令集機器(Advanced RISC Machine，ARM)的處理器以及類似品。
在本發明的實施例中，處理器104可存取儲存電路102中記錄的模組、程式碼來實現本發明提出的估計心室容積的方法，其細節詳述如下。
請參照圖2及圖3，其中圖2是依據本發明之一實施例繪示的估計心室容積的方法流程圖，圖3是依據本發明之一實施例繪示的應用情境圖。本實施例的方法可由圖1的電子裝置100執行，以下即搭配圖1所示的元件及圖3的情境說明圖2各步驟的細節。
首先，在步驟S210中，處理器104可取得對應於心臟超音波影像30的左心室遮罩影像31，其中左心室遮罩影像31為二值化影像。在本發明的實施例中，處理器104例如可將心臟超音波影像30(其例如是A2C(apical two chamber)或A4C(apical four chamber)的心尖視圖(apical view))輸入經預訓練的一機器學習模型，以由此機器學習模型因應於心臟超音波影像30而輸出對應的二值化影像作為左心室遮罩影像31。
在一實施例中，為使上述機器學習模型具備上述能力，設計者可在訓練此機器學習模型的過程中，將標記有心室的影像區域的各式心臟超音波影像作為訓練資料而輸入至此機器學習模型。藉此，所述機器學習模型即可學習對應於心室的影像區域的特徵，進而可在取得未知的心臟超音波影像時，相應地在其中辨識出對應於心室的影像區域。之後，此機器學習模型可將對應於心室的影像區域中的像素皆設定為第一值(例如255)，並將未對應於心室的影像區域中的像素皆設定為第二值(例如0)，以產生對應的二值化影像，但可不限於此。
之後，在步驟S220中，處理器104可在左心室遮罩影像 31中找出3個參考點像素311~313。
在本發明的實施例中，各參考點像素311~313可具有第一值(例如255)。另外，各參考點像素311~313可環繞有N個(例如8個)周圍像素，且各參考點像素311~313的上述周圍像素可包括具有第一值的N1個(例如3個)第一周圍像素以及具有第二值(例如0)的N2個(例如5個)第二周圍像素，其中N、N1及N2為正整數。
在一實施例中，在參考點像素311的周圍像素中，第一周圍像素(即位於範圍311a內的像素)經排列為直線，第二周圍像素(即位於範圍311b內的像素)經排列為C字形。
在一實施例中，在參考點像素312的周圍像素中，第一周圍像素(即位於範圍312a內的像素)經排列為L形，第二周圍像素(即位於範圍312b內的像素)經排列為L形。
在一實施例中，在參考點像素313的周圍像素中，第一周圍像素(即位於範圍313a內的像素)經排列為L形，第二周圍像素(即位於範圍313b內的像素)經排列為L形。
在本發明的實施例中，由於參考點像素311~313在左心室遮罩影像31中個別皆為唯一的，因此處理器104可逐一檢視左心室遮罩影像31中的每個像素，並將符合上述條件(例如，在8個周圍像素中包括具有第一值的3個第一周圍像素以及具有第二值的5個第二周圍像素，且具有第一值)的3個像素定義為參考點像素311~313。
之後，在步驟S230中，處理器104可基於參考點像素311~313估計對應於心臟超音波影像30的左心室容積。在一實施例中，處理器104可估計參考點像素311~313彼此之間的距離，並據以在參考點像素311~313中找出分別對應於心尖部、第一二尖瓣(例如是左側二尖瓣)及第二二尖瓣(例如是右側二尖瓣)的第一參考點像素、第二參考點像素及第三參考點像素。之後，處理器104可再基於第一參考點像素、第二參考點像素及第三參考點像素套用辛普森公式以估計對應於心臟超音波影像30的左心室容積。
請參照圖4，其是依據本發明之一實施例繪示的基於參考點像素之間距離找出第一、第二及第三參考點像素的示意圖。一般而言，左、右側二尖瓣之間的距離應會小於心尖部與任一二尖瓣之間的距離。因此，處理器104即可基此原理在參考點像素311~313找出分別對應於心尖部、第一二尖瓣及第二二尖瓣的第一、第二及第三參考點像素。
在圖4中，參考點像素311與參考點像素312之間可存在第一距離D1，參考點像素311與參考點像素313之間可存在第二距離D2，參考點像素312與參考點像素313之間可存在第三距離D3。
在圖4情境中，反應於判定第一距離D1以及第二距離D2皆大於第三距離D3，處理器可將參考點像素311~313分別定義為第一、第二及第三參考點像素。
在另一實施例中，反應於判定第二距離D2以及第三距離D3皆大於第一距離D1，處理器104可參考點像素313、參考點像素311及參考點像素312分別定義為第一、第二及第三參考點像素。另外，在又一實施例中，反應於判定第一距離D1以及第三距離D3皆大於第二距離D2，處理器103可將參考點像素312、參考點像素311及參考點像素313分別定義為第一、第二及第三參考點像素。
此外，若心臟超音波影像30經判定為心尖視圖，則在所找出的3個參考點像素中高度最高的一者應對應於心尖部。因此，在圖4中，處理器104可直接將高度最高的參考點像素311定義為對應於心尖部的第一參考點像素，並將剩餘的參考點像素312、313分別定義為對應於二尖瓣的第二、第三參考點像素，但可不限於此。
之後，處理器104可再基於第一、第二及第三參考點像素套用辛普森公式以估計對應於心臟超音波影像30的左心室容積，而其細節可參照相關的現有技術文獻，於此不另贅述。
另外，為提升找出參考點像素311~313的效率，處理器104可另基於圖5A至圖5C所示機制來找出參考點像素311~313。
請參照圖5A，其是依據圖3繪示的找出對應於心尖部的參考點像素的示意圖。如上所述，若心臟超音波影像30經判定為心尖視圖，則在所找出的3個參考點像素中高度最高的一者應對應於心尖部。
基此，從左心室遮罩影像31中最高的像素列開始，處理器104可逐列往下掃視，以找出符合上述條件(例如，在8個周圍像素中包括具有第一值的3個第一周圍像素以及具有第二值的5個第二周圍像素，且具有第一值)的像素。在圖5A中，在找到一個符合上述條件的像素時，處理器104即可直接將此像素定義為對應於心尖部的參考點像素311，並暫停掃視。
請參照圖5B，其是依據圖5A繪示的找出對應於左側二尖瓣的參考點像素的示意圖。在心臟超音波影像30經判定為心尖視圖的情況下，在所找出的3個參考點像素中最左下側的一者應對應於左側二尖瓣。
基此，從左心室遮罩影像31中最低的像素列開始，處理器104可逐列由左往右掃視，以找出符合上述條件(例如，在8個周圍像素中包括具有第一值的3個第一周圍像素以及具有第二值的5個第二周圍像素，且具有第一值)的像素。在圖5B中，在找到一個符合上述條件的像素時，處理器104即可直接將此像素定義為對應於左側二尖瓣的參考點像素312，並暫停掃視的過程。
請參照圖5C，其是依據圖5B繪示的找出對應於右側二尖瓣的參考點像素的示意圖。在心臟超音波影像30經判定為心尖視圖的情況下，在所找出的3個參考點像素中最右下側的一者應對應於右側二尖瓣。
基此，從左心室遮罩影像31中最低的像素列開始，處理器104可逐列由右往左掃視，以找出符合上述條件(例如，在8 個周圍像素中包括具有第一值的3個第一周圍像素以及具有第二值的5個第二周圍像素，且具有第一值)的像素。在圖5C中，在找到一個符合上述條件的像素時，處理器104可先判定此像素是否已被定義為其他的參考點像素(例如參考點像素312)。若否，則處理器104可直接將此像素定義為對應於右側二尖瓣的參考點像素313，並暫停掃視的過程。另一方面，若此像素已被定義為其他的參考點像素(例如參考點像素312)，則處理器104可先忽略此像素，並繼續往上掃視以找出符合上述條件的另一像素。待找到符合上述條件的另一像素時，處理器104可直接將所述另一像素定義為對應於右側二尖瓣的參考點像素313，並暫停掃視的過程。
在其他實施例中，處理器104亦可採用其他方式在左心室遮罩影像31中找出參考點像素311~313，並不限於圖5A至圖5C教示的方式。
由上可知，本發明提出的估計心室容積的方法可在取得對應於左心室超音波的左心室遮罩影像後，在其中找出符合特定條件(例如，在8個周圍像素中包括具有第一值的3個第一周圍像素以及具有第二值的5個第二周圍像素，且具有第一值)的3個像素作為對應於心尖部及兩側二尖瓣的參考點像素。之後，即可基於所述多個參考點像素估算左心室容積。藉此，本發明可在不需人為標示心尖部及兩側二尖瓣的情況下，以較佳的效率自動估算左心室容積。
在其他實施例中，本發明另提出一種輔助評估心臟運動狀態的方法，其可基於左心室容積的變化來判定心臟是否出現異常運動狀態。在本發明的實施例中，處理器104可存取儲存電路102中記錄的模組、程式碼來實現本發明提出的輔助評估心臟運動狀態的方法，其細節詳述如下。
請參照圖6，其是依據本發明之一實施例繪示的輔助評估心臟運動狀態的方法流程圖。本實施例的方法可由圖1的電子裝置100執行，以下即搭配圖1所示的元件說明圖6各步驟的細節。
首先，在步驟S610中，處理器104可取得對應於心臟(其例如是某患者的心臟)的連續多個心臟超音波影像，並據以估計對應於所述多個心臟超音波影像的多個左心室容積。
在一實施例中，處理器104可先取得上述心臟超音波影像，並判斷各心臟超音波影像是否屬於心尖視圖(例如A2C或A4C)。在一實施例中，處理器104例如可基於「Guidelines for Performing a Comprehensive Transthoracic Echocardiographic Examination in Adults：Recommendations from the American Society of Echocardiography」文獻中記載的技術來判斷各心臟超音波影像是否屬於心尖視圖，故相關細節可參照上述文獻，於此不另贅述。
反應於判定各心臟超音波影像屬於心尖視圖，處理器104可從各心臟超音波影像中取出對應於心臟的左心室的左心室遮罩影像，並據以估計對應於上述心臟超音波影像的左心室容積。
在一實施例中，處理器104例如可將各心臟超音波影像輸入先前提及的機器學習模型，其中此機器學習模型可因應於各心臟超音波影像而輸出對應的左心室遮罩影像。
在本發明的實施例中，對於每個左心室遮罩影像，處理器104皆可基於圖2至圖5C教示的機制來估計對應的左心室容積，故其細節於此不另贅述。
為便於說明本發明的概念，以下將另輔以圖7A作進一步說明，其中圖7A是依據本發明之一實施例繪示的應用情境圖。在圖7A中，由步驟S610得到的連續多個左心室容積可繪示為圖7A所示的左心室容積變化圖700。
之後，在步驟S620中，處理器104可在所述多個左心室容積中找出多個特定極值711~715，並據以估計所述多個特定極值711~715之間的多個時間差T1~T4。
在一實施例中，處理器104例如可將上述左心室容積中對應於EDV的多個特定左心室容積作為所述多個特定極值，但可不限於此。定義上而言，每個EDV在其所屬的心率週期中應是對應於最大的左心室容積。基此，若處理器104判定上述左心室容積中的第i個(其中i為整數)左心室容積大於上述左心室容積中的第i-1個心室容積及第i+1個心室容積，則處理器104可判定所述第i個心室容積應對應於EDV，進而可判定所述第i個左心室容積屬於上述特定極值的其中之一。
在圖7A情境中，由於左心室容積變化圖700可理解為包 括5個心率週期，故處理器104可依上述原則而在其中找出5個EDV作為特定極值711~715。之後，處理器104可再估計特定極值711~715之間的時間差T1~T4。
概略而言，假設處理器104所找出的特定極值包括第1個特定極值至第K個(其中K為整數)特定極值，則第j+1個特定極值與第j個特定極值之間的時間差可經定義為第j個時間差，其中1
Figure 110109633-A0305-02-0015-1
j
Figure 110109633-A0305-02-0015-2
K-1。
以圖7A為例，時間差T1(可理解為第1個時間差)例如是特定極值711(可理解為第1個特定極值)與特定極值712(可理解為第2個特定極值)之間的時間差。時間差T2(可理解為第2個時間差)例如是特定極值712(可理解為第2個特定極值)與特定極值713(可理解為第3個特定極值)之間的時間差。時間差T3(可理解為第3個時間差)例如是特定極值713(可理解為第3個特定極值)與特定極值714(可理解為第4個特定極值)之間的時間差。時間差T4(可理解為第4個時間差)例如是特定極值714(可理解為第4個特定極值)與特定極值715(可理解為第5個特定極值)之間的時間差，但可不限於此。
之後，在步驟S630中，處理器104可基於所述多個時間差T1~T4估計所述多個時間差T1~T4的統計特性值(包括但不限於時間差T1~T4的平均值)。並且，處理器104可判斷各時間差T1~T4是否偏離上述統計特性至達一預設門限值。在不同的實施例中，上述預設門限值可依設計者的需求而設定為任意比例值， 例如5%等，但不限於此。
在步驟S640中，反應於判定所述多個時間差T1~T4中的至少一者偏離統計特性值達預設門限值，處理器104可判定心臟出現異常運動狀態(例如，心律不整狀態)。另一方面，反應於判定所述多個時間差T1~T4皆未偏離統計特性值達預設門限值，處理器104可判定心臟未出現異常運動狀態。
在圖7A中，假設處理器104判定時間差T1~T4皆未偏離統計特性值達預設門限值，則處理器104可判定心臟未出現心律不整等異常運動狀態。
請參照圖7B，其是依據圖7A繪示的另一應用情境圖。在本實施例中，假設處理器104依先前教示而得到如圖7B所示左心室容積變化圖700a，並在其中找出對應於EDV的多個特定極值711a~715a以及對應的時間差T1’~T4’。
在圖7B中，假設處理器104判定時間差T1’~T4’中的時間差T2’偏離時間差T1’~T4’的統計特性值達預設門限值，則處理器104可判定心臟出現異常運動狀態(例如，心律不整狀態)，但可不限於此。
在本發明的實施例中，處理器104可將心臟是否出現異常運動狀態的判斷結果提供予相關醫療人員，以作為診斷上的參考，但可不限於此。
此外，雖以上實施例中係以對應於EDV的左心室容積作為所考慮的特定極值，但在其他實施例中，處理器104亦可以對 應於ESV的左心室容積作為所考慮的特定極值。定義上而言，每個ESV在其所屬的心率週期中應是對應於最小的左心室容積。基此，若處理器104判定上述左心室容積中的第i個左心室容積小於上述左心室容積中的第i-1個心室容積及第i+1個心室容積，則處理器104可判定所述第i個心室容積應對應於ESV，進而可判定所述第i個左心室容積屬於上述特定極值的其中之一。
基此，在圖7B的情境中，處理器104可相應地找出對應於ESV的左心室容積值作為特定極值711b~715b，並據以估計對應的時間差T1”~T4”。
在圖7B中，假設處理器104判定時間差T1”~T4”中的時間差T1”偏離時間差T1”~T4”的統計特性值達預設門限值，則處理器104可判定心臟出現異常運動狀態(例如，心律不整狀態)，並可作為相關醫療人員診斷的參考。
在一些實施例中，若相關醫療人員在檢視對應於圖7B的心臟超音波影像後判定上述心臟係經誤判為出現異常運動狀態(即，所述心臟實質上並未出現異常運動狀態)，則相關醫療人員可將此情形回報電子裝置100。在本發明的實施例中，由於上述誤判情形可能是因上述機器學習模型對於左心室影像區域的辨識能力不佳而導致，故處理器104可相應地重新訓練上述機器學習模型，以降低日後出現誤判的機率，但可不限於此。
綜上所述，本發明提出的估計心室容積的方法可在取得對應於左心室超音波的左心室遮罩影像後，在其中找出符合特定 條件的3個像素作為對應於心尖部及兩側二尖瓣的參考點像素。之後，即可基於所述多個參考點像素估算左心室容積。藉此，本發明可在不需人為標示心尖部及兩側二尖瓣的情況下，以較佳的效率自動估算左心室容積。
另外，本發明提出的輔助評估心臟運動狀態的方法可在對應於連續多個心臟超音波影像的多個左心室容積中找出對應於EDV(或ESV)的多個特定極值，並基於這些特定極值之間的時間差來判斷心臟是否出現心律不整等異常運動狀態。藉此，可讓相關醫療人員更為簡易地掌握心臟的狀況，從而降低做出錯誤評估(例如算出錯誤的射血分數等)的機率。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
S610~S640:步驟

Claims (8)

  1. 一種輔助評估心臟運動狀態的方法，適於一電子裝置，包括：取得對應於一心臟的連續多個心臟超音波影像，並據以估計對應於，包括：取得該些心臟超音波影像，並判斷各該心臟超音波影像是否屬於一心尖視圖；反應於判定各該心臟超音波影像屬於該心尖視圖，從各該心臟超音波影像中取出對應於該心臟的左心室的左心室遮罩影像，其中各該心臟超音波影像的該左心室遮罩影像為二值化影像；依據各該心臟超音波影像的該左心室遮罩影像估計對應於該些心臟超音波影像的該些左心室容積，包括：在各該心臟超音波影像的該左心室遮罩影像中找出3個參考點像素，其中各該參考點像素具有一第一值，各該參考點像素環繞有N個周圍像素，且各該參考點像素的該些周圍像素包括具有該第一值的N1個第一周圍像素以及具有一第二值的N2個第二周圍像素，其中N、N1及N2為正整數；基於各該心臟超音波影像的該左心室遮罩影像的該些參考點像素估計對應於各該心臟超音波影像的左心室容積； 在該些左心室容積中找出多個特定極值，並據以估計該些特定極值之間的多個時間差；基於該些時間差估計該些時間差的一統計特性值；反應於判定該些時間差中的至少一者偏離該統計特性值達一預設門限值，判定該心臟出現一異常運動狀態。
  2. 如請求項1所述的方法，其中從各該心臟超音波影像中取出對應於該心臟的左心室的該左心室遮罩影像的步驟包括：將各該心臟超音波影像輸入一機器學習模型，其中該機器學習模型因應於各該心臟超音波影像而輸出對應的該左心室遮罩影像。
  3. 如請求項2所述的方法，更包括：反應於判定該心臟經誤判為出現該異常運動狀態，重新訓練該機器學習模型。
  4. 如請求項1所述的方法，其中在該些左心室容積中找出該些特定極值的步驟包括：反應於判定該些左心室容積中的第i個左心室容積大於該些左心室容積中的第i-1個心室容積及第i+1個心室容積，判定所述第i個心室容積屬於該些特定極值的其中之一，其中i為整數。
  5. 如請求項1所述的方法，其中在該些左心室容積中找出多個特定極值的步驟包括：反應於判定該些左心室容積中的第i個左心室容積小於該些 左心室容積中的第i-1個心室容積及第i+1個心室容積，判定所述第i個心室容積屬於該些特定極值的其中之一。
  6. 如請求項1所述的方法，其中該些特定極值包括第1個特定極值至第K個特定極值，該些時間差包括第1個時間差至第K-1個時間差，其中該些時間差中的第j個時間差為該些特定極值中的第j+1個特定極值與第j個特定極值之間的時間差，1
    Figure 110109633-A0305-02-0022-3
    j
    Figure 110109633-A0305-02-0022-4
    K-1，其中K為整數。
  7. 如請求項1所述的方法，其中該統計特性值為該些時間差的一平均值。
  8. 如請求項1所述的方法，其中該異常運動狀態包括一心律不整狀態。
TW110109633A 2021-03-17 2021-03-17 輔助評估心臟運動狀態的方法 TWI768774B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW110109633A TWI768774B (zh) 2021-03-17 2021-03-17 輔助評估心臟運動狀態的方法
US17/233,566 US11744542B2 (en) 2021-03-17 2021-04-19 Method for evaluating movement state of heart
EP21174798.5A EP4059441B1 (en) 2021-03-17 2021-05-19 Apparatus for evaluating movement state of heart

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110109633A TWI768774B (zh) 2021-03-17 2021-03-17 輔助評估心臟運動狀態的方法

Publications (2)

Publication Number Publication Date
TWI768774B true TWI768774B (zh) 2022-06-21
TW202237039A TW202237039A (zh) 2022-10-01

Family

ID=76011850

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110109633A TWI768774B (zh) 2021-03-17 2021-03-17 輔助評估心臟運動狀態的方法

Country Status (3)

Country Link
US (1) US11744542B2 (zh)
EP (1) EP4059441B1 (zh)
TW (1) TWI768774B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100403989C (zh) * 2002-03-29 2008-07-23 松下电器产业株式会社 图像处理装置及超声波诊断装置
CN109690554A (zh) * 2016-07-21 2019-04-26 西门子保健有限责任公司 用于基于人工智能的医学图像分割的方法和系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5322067A (en) 1993-02-03 1994-06-21 Hewlett-Packard Company Method and apparatus for determining the volume of a body cavity in real time
US6730032B2 (en) * 2001-03-05 2004-05-04 Matsushita Electric Industrial Co. Ultrasonic diagnostic device and image processing device
US10321892B2 (en) * 2010-09-27 2019-06-18 Siemens Medical Solutions Usa, Inc. Computerized characterization of cardiac motion in medical diagnostic ultrasound
GB2501542A (en) * 2012-04-28 2013-10-30 Bae Systems Plc Abnormal behaviour detection in video or image surveillance data
JP6940414B2 (ja) * 2015-04-20 2021-09-29 レスメッド センサー テクノロジーズ リミテッド 特性信号から人間の検出及び識別
JP7136588B2 (ja) 2018-05-14 2022-09-13 キヤノンメディカルシステムズ株式会社 超音波診断装置、医用画像診断装置、医用画像処理装置及び医用画像処理プログラム
GB2582124A (en) * 2018-09-07 2020-09-16 Transf Ai Ltd Analysis of cardiac data
TW202022713A (zh) 2018-12-05 2020-06-16 宏碁股份有限公司 心臟狀態評估方法與系統、電子裝置及超音波掃描裝置
CN110664435A (zh) 2019-09-23 2020-01-10 东软医疗系统股份有限公司 心脏数据的获取方法、装置及超声成像设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100403989C (zh) * 2002-03-29 2008-07-23 松下电器产业株式会社 图像处理装置及超声波诊断装置
CN109690554A (zh) * 2016-07-21 2019-04-26 西门子保健有限责任公司 用于基于人工智能的医学图像分割的方法和系统

Also Published As

Publication number Publication date
TW202237039A (zh) 2022-10-01
EP4059441A1 (en) 2022-09-21
US20220296210A1 (en) 2022-09-22
US11744542B2 (en) 2023-09-05
EP4059441B1 (en) 2023-10-04

Similar Documents

Publication Publication Date Title
US8343053B2 (en) Detection of structure in ultrasound M-mode imaging
WO2017193251A1 (zh) 识别超声图像中感兴趣区域轮廓的方法及系统
CN103260526B (zh) 具有峰值强度检测功能的超声成像系统和方法
US9147258B2 (en) Methods and systems for segmentation in echocardiography
EP3724849B1 (en) Image analysis for scoring motion of a heart wall
CN111275755B (zh) 基于人工智能的二尖瓣瓣口面积检测方法、系统和设备
CN110956636A (zh) 一种图像处理方法及装置
US20090161926A1 (en) Semi-automatic Segmentation of Cardiac Ultrasound Images using a Dynamic Model of the Left Ventricle
EP3724892B1 (en) Diagnostic modelling method and apparatus
CN116869571B (zh) 超声心脏反流自动检测评估方法、系统及装置
TWI768774B (zh) 輔助評估心臟運動狀態的方法
TWI775351B (zh) 估計心室容積的方法
Smistad et al. Real-time 3D left ventricle segmentation and ejection fraction using deep learning
US11707201B2 (en) Methods and systems for medical imaging based analysis of ejection fraction and fetal heart functions
CN115243619A (zh) 使用神经网络评估心脏参数
CN115147331A (zh) 辅助评估心脏运动状态的方法
TWI796647B (zh) 用於評估心臟影像的影像處理裝置及心室狀態辨識方法
Tabassian et al. Machine learning for quality assurance of myocardial strain curves
CN112336378B (zh) 一种用于动物超声诊断的m型超声心动图处理方法和系统
Sánchez-Puente et al. Uncertainty to Improve the Automatic Measurement of Left Ventricular Ejection Fraction in 2D Echocardiography Using CNN-Based Segmentation
Bu et al. DDSB: An Unsupervised and Training-free Method for Phase Detection in Echocardiography
CN115105032A (zh) 用于评估心脏图像的图像处理装置及心室状态识别方法
CN116350263A (zh) 超声心动图辅助报告生成方法、系统、设备及存储介质