一种基于超声图像的室间隔抖动自动检测系统技术方案

本发明专利技术提供一种基于超声图像的室间隔抖动自动检测系统，涉及计算机视觉技术领域。该系统首先获取多个带SF标签的超声心动图作为样本数据集；然后初始化用于室间隔抖动检测的深度神经网络模型，并使用样本数据集预训练深度神经网络模型，得到预训练深度神经网络模型；用于室间隔抖动检测的深度神经网络模型包括左心室分割网络U

【技术实现步骤摘要】
一种基于超声图像的室间隔抖动自动检测系统


[0001]本专利技术涉及计算机视觉
，尤其涉及一种基于超声图像的室间隔抖动自动检测系统。

技术介绍

[0002]在完全性左束支传导阻滞(cLBBB)的患者的收缩早期中，室间隔向左运动后在出现反运动被称为室间隔抖动现象(SF)。cLBBB患者如果同时伴有SF现象，患者愈后相较于无SF现象患者通常较差。通常，临床上通常需要结合左心室整体纵向应变(LeftVentricular Global Longitudinal Strain,LVGLS)与原始超声心动图像对室间隔抖动现象进行分析和评估。但是这种方法需要描记左心室内膜，评估准确性高度依赖于图像质量与医生的经验水平，不同经验水平的医生往往得出不同的诊断结果，可重复性差，无法做到标准一致性。
[0003]文献(WangY,Li G,Ma C,Guan Z,Jin X,Li Y,Liu S,Yang J.Predictive Value ofSeptal Flash for Reduction of Left Ventricular Systolic Function as Reflected by Global Longitudinal Strain Using Echocardiography in Patients With Isolated Complete Left Bundle
‑
Branch Block.Circ J.2018Jul 25；82(8):2111
‑
2118.doi:10.1253/circj.CJ
‑
17
‑
1422.Epub 2018Jun 21.PMID:29925741.)使用2维斑点追踪算法对SF现象和LVGLS进行评估，同时采用多变量逻辑回归算法，对41名保留射血分数的患者进行SF诊断。该方法需要医生结合超声图像与LVGLS等参数，评估结果依赖于医生的临床经验以及LVGLS的准确性，且由于LVGLS没有统一的标准，导致实验可重复性差。实验所需的参数需要投入学习、人工和时间成本，不能很好地满足临床需求。

技术实现思路

[0004]本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于超声图像的室间隔抖动自动检测系统，使用深度学习网络通过超声心动图实现室间隔抖动的检测。
[0005]为解决上述技术问题，本专利技术所采取的技术方案是：一种基于超声图像的室间隔抖动自动检测系统，通过以下步骤实现对室间隔抖动的自动检测：
[0006]获取多个带SF标签的超声心动图作为样本数据集；
[0007]初始化用于室间隔抖动检测的深度神经网络模型，并使用样本数据集预训练深度神经网络模型，得到预训练深度神经网络模型；
[0008]所述用于室间隔抖动检测的深度神经网络模型包括左心室分割网络U
‑
Net和基于编解码器的SF诊断网络；
[0009]加载预训练深度神经网络模型的模型参数和配置文件，分割待评估的超声心动图中的左心室，输出室间隔抖动判断结果。
[0010]进一步地，所述系统还通过包括原始超声心动图像和对应标签的微调数据集微调预训练的深度神经网络模型参数。
[0011]进一步地，所述获取的多个带SF标签的超声心动图为遵循医疗数位影像传输协定
的dcm格式的超声心动图文件，或dcm格式的超声心动图文件解析后的单帧图像及其对应的SF标签。
[0012]进一步地，所述左心室分割网络U
‑
Net用于超声心动图中左心室的图像分割，基于编解码器的SF诊断网络的输入为经过STN模块进行角度矫正后的四腔心左心室分割图像序列，输出为SF诊断结果。
[0013]进一步地，所述左心室分割网络U
‑
Net由压缩路径和扩展路径组成；所述压缩路径与扩展路径均由5个块组成，压缩路径中每个块执行2个核为3
×
3的卷积操作以及1个2
×
2最大池化的降采样操作；压缩路径中各块输出的特征图经过复制裁剪操作，与输入到扩展路径对应块的特征图在通道维度合并；扩展路径由5个块组成，每个块执行1个核为2
×
2的反卷积操作以及2个核为3
×
3的卷积操作，第5个块在最后增加一个核为1
×
1的卷积操作用以输出左心室分割图像。
[0014]进一步地，所述基于编解码器的SF诊断网络由基于序列到序列的编解码器网络构成，总体框架为级联的ResNet
‑
LSTM；其中，编码器网络使用删除最后一个全连接层的ResNet
‑
18作为主干网络，并在此基础上添加三个尺寸分别为512，512，256的全连接层用以表征编码器图像特征；解码器网络基于LSTM网络，用于获得编码图像的时序特征；同时，使用左心室容积变化曲线作为辅助信息，经分枝网络处理后与LSTM输出时序特征进行融合，融合特征同时包含左心室分割图像信息和左心室容积变化信息；融合特征经过级联的2级尺寸分别为(256，2)的全连接层输出诊断结果。
[0015]进一步地，所述预训练深度神经网络模型的模型参数和配置文件包括一次性读入神经网络的图像数量，训练神经网络的迭代次数，并行计算的进程数量以及训练使用的设备及设备号。
[0016]采用上述技术方案所产生的有益效果在于：本专利技术提供的一种基于超声图像的室间隔抖动自动检测系统，针对以往SF诊断需要医生通过肉眼对超声序列观测而导致的鲁棒性差、可重复性差、诊断结果严重依赖于医生临床经验等问题，使用深度学习的方法实现了左心室的自动分割，并根据分割结果实现了SF的自动诊断。减少了临床诊断的时间，避免了医生主观经验造成的结果差异，最终实现SF的精确诊断。在不同患者的超声心动图序列上进行测试，结果表明该方法在不同质量的超声图像上，能够准确地诊断SF现象，运算速度快，能够满足临床要求。该方法简单，结果准确性高，且处理过程不需要人工交互，达到了临床应用的要求。
附图说明
[0017]图1为本专利技术实施例提供的一种基于超声图像的室间隔抖动自动检测系统的检测流程图；
[0018]图2本专利技术实施例提供的基于超声心动图序列的室间隔抖动自动诊断的示意图；
[0019]图3为本专利技术实施例提供的左心室分割网络U
‑
Net的结构示意图；
[0020]图4为本专利技术实施例提供的基于编解码器的SF诊断网络的结构示意图；
[0021]图5为本专利技术实施例提供的超声心动图序列示意图；
[0022]图6为本专利技术实施例提供的超声心动图序列对应的左心室分割Mask标签图；
[0023]图7为本专利技术实施例提供的基于左心室分割计算的左心室面积变化曲线图，其中，
(a)为无室间隔抖动现象；(b)为有室间隔抖动现象。
具体实施方式
[0024]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超声图像的室间隔抖动自动检测系统，通过以下步骤实现对室间隔抖动的自动检测：获取多个带SF标签的超声心动图作为样本数据集；初始化用于室间隔抖动检测的深度神经网络模型，并使用样本数据集预训练深度神经网络模型，得到预训练深度神经网络模型；所述用于室间隔抖动检测的深度神经网络模型包括左心室分割网络U
‑
Net和基于编解码器的SF诊断网络；加载预训练深度神经网络模型的模型参数和配置文件，分割待评估的超声心动图中的左心室，输出室间隔抖动判断结果。2.根据权利要求1所述的一种基于超声图像的室间隔抖动自动检测系统，其特征在于：所述系统还通过包括原始超声心动图像和对应标签的微调数据集微调预训练的深度神经网络模型参数。3.根据权利要求1所述的一种基于超声图像的二尖瓣环位移自动检测系统，其特征在于：所述获取的多个带SF标签的超声心动图为遵循医疗数位影像传输协定的dcm格式的超声心动图文件，或dcm格式的超声心动图文件解析后的单帧图像及其对应的SF标签。4.根据权利要求1所述的一种基于超声图像的二尖瓣环位移自动检测系统，其特征在于：所述左心室分割网络U
‑
Net用于超声心动图中左心室的图像分割，基于编解码器的SF诊断网络的输入为经过STN模块进行角度矫正后的四腔心左心室分割图像序列，输出为SF诊断结果。5.根据权利要求4所述的一种基于超声图像的二尖瓣环位移自动检测系统，其特征在于：所述左心室分割网络U
‑
Net由压缩路径和扩展路径组成；所述压缩路径与扩展路径均由5个块组成，压缩路径中...

【专利技术属性】
技术研发人员：杨金柱，马春燕，瞿明军，李洪赫，王永槐，曹鹏，冯朝路，覃文军，栗伟，
申请(专利权)人：中国医科大学附属第一医院，
类型：发明
国别省市：