一种利用心脏超声视频责任帧判断心包积液的方法及装置制造方法及图纸

本发明专利技术公开了一种利用心脏超声视频责任帧判断心包积液的方法及装置，所述方法包括采集心脏超声标准切面视频，并统一格式，利用所述心脏超声标准切面视频训练静态图像分类神经网络模型；基于所述静态图像分类神经网络模型搭建心包积液判断模型，将待识别的心脏超声标准切面视频输入所述心包积液判断模型；所述心包积液判断模型输出视频的特征矩阵，利用随机森林模型计算所述视频的特征矩阵获得视频的特征重要性矩阵，基于信息熵减及所述视频的特征重要性矩阵选取用于视频良恶性判断的责任帧；所述静态图像分类神经网络模型基于所述用于视频良恶性判断的责任帧输出心脏超声视频是否有心包积液

【技术实现步骤摘要】
一种利用心脏超声视频责任帧判断心包积液的方法及装置


[0001]本专利技术涉及图像识别领域，尤其涉及一种利用心脏超声视频责任帧判断心包积液的方法及装置
。

技术介绍

[0002]心包积液定义为心包腔内液体的增加，具体可以表现为漏出液
、
渗出液
、
心包积血或心包积脓
。
通常情况下心包腔内仅存在少量液体，而若聚集了
50mL
以上的积液则被定义为异常
。
其病因非常多样，除了选择性影响心包的疾病外，其他常见医学病症如结核病
、
甲状腺功能减退
、
肾病末期或病毒感染
、
术后并发症都可引起心包积液，而心包积液也可对各类疾病病因分析提供大量依据
。
[0003]心包积液量对心脏血流动力学影响较为复杂，但通常一旦积液量突破一定阈值，液体体积的微小变化就会导致心包腔内压力的巨大变化，严重时会导致心包填塞进而威胁生命
。
另一方面，无症状的心包积液通常都是在检查无关病时通过超声心动图和
CT
偶然发现的，例如患有急性心包炎的胸痛患者
。
[0004]目前，超声心动图是评估心包的首选成像方式，其具备易使用
、
成本低
、
对心脏血流动力学评估能力强等特点
。
在典型的超声检查中，超声医师遵循临床指南操纵超声探头覆盖患者病灶部位，最终选择少数具有特征的图像撰写超声报告，整个扫描检查视频被几个代表性的责任切面上的责任帧图像所取代
。
责任帧图像应反映患者病灶部位独特的形态学信息，可以指示良恶性的判断
。
然而超声诊断十分依赖超声医师的临床经验
。
在临床实践中，存在大量遗漏重要责任切面造成误诊和漏诊的案例
。
[0005]综上所述，亟需一种自动化识别心动超声图中心包积液的方法，并能针对心包积液提取出责任切面和责任帧，然而目前尚未有人工智能方法用于实现心包积液的智能识别
。

技术实现思路

[0006]针对上述技术问题，本专利技术提供了一种利用心脏超声视频责任帧判断心包积液的方法及装置，能够自动化识别心动超声图中心包积液
。
[0007]本专利技术的第一方面，提供一种利用心脏超声视频责任帧判断心包积液的方法，包括：
[0008]采集心脏超声标准切面视频，并统一格式，利用所述心脏超声标准切面视频训练静态图像分类神经网络模型；
[0009]基于所述静态图像分类神经网络模型搭建心包积液判断模型，将待识别的心脏超声标准切面视频输入所述心包积液判断模型；获取视频的特征矩阵；
[0010]所述心包积液判断模型输出视频的特征矩阵，利用随机森林模型计算所述视频的特征矩阵获得视频的特征重要性矩阵，基于信息熵减及所述视频的特征重要性矩阵选取用于视频良恶性判断的责任帧；
[0011]所述静态图像分类神经网络模型基于所述用于视频良恶性判断的责任帧输出心脏超声视频是否有心包积液
。
[0012]可选地，所述采集心脏超声标准切面视频，并统一格式，包括：
[0013]采集胸骨旁声窗
PSAX
切面
、
心尖声窗
A4C
切面
、
胸骨旁声窗
PLAX
切面
、
剑突下声窗
SC4C
切面，的视频，将所述视频的帧数
、
宽
、
高
、
通道数统一
。
[0014]可选地，所述利用所述心脏超声标准切面视频训练静态图像分类神经网络模型，包括：
[0015]从心脏超声标准切面视频中每隔固定帧抽取一帧图像作为输入图像；
[0016]对于所述输入图像随机采用包括旋转
、
平移
、
翻转和高斯噪声进行数据增广处理；
[0017]采用随机梯度下降法训练静态图像分类神经网络模型；所述静态图像分类神经网络模型包括用于抽取图像特征的骨架部分和用于分类的全连接层部分，其中静态图像分类神经网络模型的最后一层卷积层得到的特征矩阵与图像的位置偏码相加，得到图像空间位置信息，所述位置信息用于评估责任区域
。
[0018]可选地，所述利用随机森林模型计算所述视频的特征矩阵获得视频的特征重要性矩阵，包括：
[0019]将视频的特征矩阵中每个特征维度的特征值乘以该特征维度在随机森林中的重要性值获得视频的特征重要性矩阵
。
[0020]可选地，所述将视频的特征矩阵中每个特征维度的特征值乘以该特征维度在随机森林中的重要性值获得视频的特征重要性矩阵，包括：
[0021]用信息熵减的方法选取所述视频的特征矩阵中目标图像，只对所述目标图像做列方向上的最大池化，获得由
TopN
图像贡献的特征矩阵；将所述
TopN
图像贡献的特征矩阵送入随机森林模型，获得用于视频良恶性判断的责任帧
。
[0022]可选地，所述基于信息熵减及所述视频的特征重要性矩阵选取用于视频良恶性判断的责任帧包括：
[0023]将视频特征重要性矩阵中每个通道的值做为整个视频在该特征维度贡献的总信息量，将每帧图像特征重要性矩阵中每个通道的值做为该帧图像在特征维度下贡献的单帧信息量；
[0024]将视频特征重要性矩阵减去单帧图像的特征重要性矩阵，得到剩余特征重要性矩阵；对剩余特征重要性矩阵的各特征维度信息量加和，得到了视频减去单帧图像特征重要性矩阵后的剩余信息熵；
[0025]将最小剩余信息熵的帧图像作为用于视频良恶性判断的责任帧
。
[0026]可选地，所述方法还包括：
[0027]使用类激活图生成责任区域动态热力图
。
[0028]本专利技术的第二方面，提供一种利用心脏超声视频责任帧判断心包积液的装置，包括：
[0029]训练模块，用于采集心脏超声标准切面视频，并统一格式，利用所述心脏超声标准切面视频训练静态图像分类神经网络模型；
[0030]矩阵获取模块，用于基于所述静态图像分类神经网络模型搭建心包积液判断模型，将待识别的心脏超声标准切面视频输入所述心包积液判断模型；
[0031]识别模块，用于所述心包积液判断模型输出视频的特征矩阵，利用随机森林模型计算所述视频的特征矩阵获得视频的特征重要性矩阵，基于信息熵减及所述视频的特征重要性矩阵选取用于视频良恶性判断的责任帧；
[0032]判断模块，用于所述静态图像分类神经网络模型基于所述用于视频良恶性判断的责任帧输出心脏超声视频是否有心包积液
。
本专利技术的第三方面，提供一种电子设备，包括：
[0033]至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种利用心脏超声视频责任帧判断心包积液的方法，其特征在于，包括：采集心脏超声标准切面视频，并统一格式，利用所述心脏超声标准切面视频训练静态图像分类神经网络模型；基于所述静态图像分类神经网络模型搭建心包积液判断模型，将待识别的心脏超声标准切面视频输入所述心包积液判断模型；所述心包积液判断模型输出视频的特征矩阵，利用随机森林模型计算所述视频的特征矩阵获得视频的特征重要性矩阵，基于信息熵减及所述视频的特征重要性矩阵选取用于视频良恶性判断的责任帧；所述静态图像分类神经网络模型基于所述用于视频良恶性判断的责任帧输出心脏超声视频是否有心包积液
。2.
根据权利要求1所述的利用心脏超声视频责任帧判断心包积液的方法，其特征在于，所述采集心脏超声标准切面视频，并统一格式，包括：采集胸骨旁声窗
PSAX
切面
、
心尖声窗
A4C
切面
、
胸骨旁声窗
PLAX
切面的视频，剑突下声窗
SC4C
切面，将所述视频的帧数
、
宽
、
高
、
通道数统一
。3.
根据权利要求1所述的利用心脏超声视频责任帧判断心包积液的方法，其特征在于，所述利用所述心脏超声标准切面视频训练静态图像分类神经网络模型，包括：从心脏超声标准切面视频中每隔固定帧抽取一帧图像作为输入图像；对于所述输入图像随机采用包括旋转
、
平移
、
翻转和高斯噪声进行数据增广处理；采用随机梯度下降法训练静态图像分类神经网络模型；所述静态图像分类神经网络模型包括用于抽取图像特征的骨架部分和用于分类的全连接层部分，其中静态图像分类神经网络模型的最后一层卷积层得到的特征矩阵与图像的位置偏码相加，得到图像空间位置信息，所述位置信息用于评估责任区域
。4.
根据权利要求1所述的利用心脏超声视频责任帧判断心包积液的方法，其特征在于，所述利用随机森林模型计算所述视频的特征矩阵获得视频的特征重要性矩阵，包括：将视频的特征矩阵中每个特征维度的特征值乘以该特征维度在随机森林中的重要性值获得视频的特征重要性矩阵
。5.
根据权利要求4所述的利用心脏超声视频责任帧判断心包积液的方法，其特征在于，所述将视频的特征矩阵中每个特...

【专利技术属性】
技术研发人员：刘竑，蒋逸韬，石思远，崔晨，
申请(专利权)人：深圳微创心算子医疗科技有限公司，
类型：发明
国别省市：