[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116130090A - 射血分数测量方法和装置、电子设备和存储介质 - Google Patents

射血分数测量方法和装置、电子设备和存储介质 Download PDF

Info

Publication number
CN116130090A
CN116130090A CN202310124229.5A CN202310124229A CN116130090A CN 116130090 A CN116130090 A CN 116130090A CN 202310124229 A CN202310124229 A CN 202310124229A CN 116130090 A CN116130090 A CN 116130090A
Authority
CN
China
Prior art keywords
image
queue
left ventricle
sequence
connecting line
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
Application number
CN202310124229.5A
Other languages
English (en)
Inventor
刘亚平
秦绮玲
周琦
钱斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Humeds Health Technologies Corp
Original Assignee
Humeds Health Technologies Corp
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 Humeds Health Technologies Corp filed Critical Humeds Health Technologies Corp
Priority to CN202310124229.5A priority Critical patent/CN116130090A/zh
Publication of CN116130090A publication Critical patent/CN116130090A/zh
Pending legal-status Critical Current

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
    • A61B8/06—Measuring blood flow
    • A61B8/065—Measuring blood flow to determine blood output from the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Hematology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Cardiology (AREA)
  • Data Mining & Analysis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本申请公开了一种射血分数测量方法和装置、电子设备和存储介质，方法包括获取超声心脏图序列帧；将每一帧图像输入预先训练好的深度神经网络模型中，得到左心室图像序列帧；计算左心室图像序列帧中每一帧图像的像素面积，得到左心室像素面积变化序列；基于左心室像素面积变化序列，确定舒张末期图像和收缩末期图像；基于舒张末期图像和收缩末期图像，计算得到射血分数。本申请过对超声心脏图序列帧进行分析处理，实现射血分数的测量，有效避免了传统人工测量方法费时费力的问题；有效提高左心室舒张末期和左心室收缩末期的定义准确性，避免传统方式基于心电图的QRS波来定义左心室舒张末期和左心室收缩末期存在的准确性较差的问题。

Description

射血分数测量方法和装置、电子设备和存储介质
技术领域
本申请属于医学图像处理技术领域，具体涉及一种射血分数测量方法和装置、电子设备和存储介质。
背景技术
心脏病是严重威胁人类健康和生命的主要疾病之一，其中心力衰竭，简称心衰，是心脏疾病发展的终末阶段。超声心动图射血分数检测是判断心衰和检测心功能的无创检测方法之一，被广泛用于心脏疾病患者监测衰竭发展和检测心功能。
超声心动图测量射血分数EF的方法是测量左心室LV容积，分别测量左心室在舒张末期容积EDV和收缩末期的容积ESV，基于公式EF＝(EDV-ESV)/EDV*100％计算射血分数EF。现有技术中一般采用二维超声心动图、心尖四腔图或心尖二腔图测量射血分数，首先取患者舒张末期心动图，用描点方法描出左心室边界，再用圆盘叠加法计算EDV，之后以同样的方法计算左心室收缩期容积ESV。该方法费时费力，并且左心室舒张末期和左心室收缩末期是基于心电图的QRS波来定义，不一定能准确地定位出左心室舒张末期或收缩末期，影像射血分数测量的准确性。
发明内容
本申请的目的在于提供一种射血分数测量方法和装置、电子设备和存储介质，以解决现有技术中存在的射血分数测量方案费时费力，不一定能准确地定位出左心室舒张末期或收缩末期，影像射血分数测量的准确性的技术问题。
为实现上述目的，本申请采用的一个技术方案是：
提供一种射血分数测量方法，包括：
获取超声心脏图序列帧；
将所述超声心脏图序列帧中的每一帧图像输入预先训练好的深度神经网络模型中，得到左心室图像序列帧；
计算所述左心室图像序列帧中每一帧图像的像素面积，得到左心室像素面积变化序列；
基于所述左心室像素面积变化序列，由所述左心室图像序列帧中确定舒张末期图像和收缩末期图像；
基于所述舒张末期图像和收缩末期图像，计算得到射血分数。
在一个或多个实施方式中，所述将所述超声心脏图序列帧中的每一帧图像输入预先训练好的深度神经网络模型中，得到左心室图像序列帧的步骤包括：
对所述超声心脏图序列帧中的所有图像进行均一化处理；
将所述超声心脏图序列帧中的每一帧图像输入预先训练好的第一深度神经网络模型中，得到左心室矩形图像序列帧；
将所述左心室矩形图像序列帧中的每一帧图像输入预先训练好的第二深度网络学习模型中，得到左心室图像序列帧。
在一个或多个实施方式中，所述第一深度神经网络模型的训练方法包括：
获取第一样本目标集并分割为第一样本训练集和第一样本验证集，其中，所述第一样本目标集包括若干第一超声心脏图，所述第一超声心脏图中已用边界与左心室边界外切的矩形标记左心室；
以所述第一样本训练集对所述第一深度神经网络模型进行训练；
以所述第一样本验证集对所述第一深度神经网络模型的效能进行验证，以获得最优模型参数。
在一个或多个实施方式中，所述以所述第一样本训练集对所述第一深度神经网络模型进行训练的步骤包括：
对所述第一样本训练集中的所有图像进行均一化处理；
对所述第一样本训练集中每一图像进行图像空间变换，并将变换后得到的图像收集至所述第一样本训练集中，得到第一扩增样本训练集；
以所述第一扩增样本训练集对所述第一深度神经网络模型进行训练。
在一个或多个实施方式中，所述第二深度神经网络模型的训练方法包括：
获取第二样本目标集并分割为第二样本训练集和第二样本验证集，其中，所述第二样本目标集包括若干第二超声心脏图，所述第二超声心脏图包括已标记左心室边界的所述左心室矩形图像序列帧中的图像；
以所述第二样本训练集对所述第一深度神经网络模型进行训练；
以所述第二样本验证集对所述第一深度神经网络模型的效能进行验证，以获得最优模型参数。
在一个或多个实施方式中，所述以所述第二样本训练集对所述第一深度神经网络模型进行训练的步骤包括：
对所述第二样本训练集中的所有图像进行均一化处理；
对所述第二样本训练集中每一图像进行图像空间变换，并将变换后得到的图像收集至所述第二样本训练集中，得到第二扩增样本训练集；
以所述第二扩增样本训练集对所述第二深度神经网络模型进行训练。
在一个或多个实施方式中，所述基于所述左心室像素面积变化序列，由所述左心室图像序列帧中确定舒张末期图像和收缩末期图像的步骤包括：
遍历所述左心室像素面积变化序列，以剔除跳变值；
由所述左心室像素面积变化序列中选取位于同一段心跳周期的序列段，并按照大小排序，得到面积最大值和面积最小值；
由所述左心室图像序列帧中选择所述面积最大值对应的图像作为舒张末期图像，由所述左心室图像序列帧中选择所述面积最小值对应的图像作为收缩末期图像。
在一个或多个实施方式中，所述所述基于所述舒张末期图像和收缩末期图像，计算得到射血分数的步骤包括：
获取所述舒张末期图像的边界点坐标，得到第一点集，获取所述收缩末期图像的边界点坐标，得到第二点集；
基于所述第一点集和第二点集，获取第一队列和第二队列，所述第一队列包括所述第一点集中任意两个边界点的连线，所述第二队列包括所述第二点集中任意两个边界点的连线；
遍历所述第一队列中每一连线的长度，获得第一最长连线，收集所述第一最长连线经过的每个像素点，得到第三点集；
遍历所述第二队列中每一连线的长度，获得第二最长连线，收集所述第二最长连线经过的每个像素点，得到第四点集；
基于所述第三点集和所述第一队列，获得第三队列，所述第三队列包括所述第一队列内与所述第三点集中任一像素点相交且与所述第一最长连线垂直的连线；
基于所述第四点集和所述第二队列，获得第四队列，所述第四队列包括所述第二队列内与所述第四点集中任一像素点相交且与所述第二最长连线垂直的连线；
基于所述第三队列和所述第四队列，计算得到射血分数。
在一个或多个实施方式中，所述基于所述第三队列和所述第四队列，计算得到射血分数的步骤包括：
遍历所述第三队列中每一连线的像素长度，代入公式：
Figure BDA0004081236290000051
计算得到舒张末期容积，其中，ai为所述第三队列中连线的像素长度，i＝1…N，LVs为舒张末期容积；
遍历所述第四队列中每一连线的像素长度，代入公式：
Figure BDA0004081236290000052
计算得到收缩末期容积，其中，bj为所述第三队列中连线的像素长度，j＝1…M，LVo为收缩末期容积；
基于所述舒张末期容积和所述收缩末期容积，计算得到射血分数。
在一个或多个实施方式中，所述基于所述第三队列和所述第四队列，计算得到射血分数的步骤还包括：
获取若干已知左心室容积的标准左心室超声图像；
获取所述标准左心室超声图像的边界点坐标，得到第五点集；
基于所述第五点集，获取第五队列，所述第五队列包括所述第五点集中任意两个边界点的连线；
遍历所述第五队列中每一连线的长度，获得第三最长连线，收集所述第三最长连线经过的每个像素点，得到第六点集；
基于所述第六点集和所述第五队列，获得第六队列，所述第六队列包括所述第五队列内与所述第六点集中任一像素点相交且与所述第三最长连线垂直的连线；
遍历所述第六队列中每一连线的像素长度，代入基于公式
Figure BDA0004081236290000061
构建的机器学习模型中，以所述标准左心室超声图像的左心室容积作为期望输出，训练所述机器学习模型，得到最优模型参数，其中，cx为所述第三队列中连线的像素长度，x＝1…M。
为实现上述目的，本申请采用的另一个技术方案是：
提供一种射血分数测量装置，包括：
获取模块，用于获取超声心脏图序列帧；
分割模块，用于将所述超声心脏图序列帧中的每一帧图像输入预先训练好的深度神经网络模型中，得到左心室图像序列帧；
第一计算模块，用于计算所述左心室图像序列帧中每一帧图像的像素面积，得到左心室像素面积变化序列；
确定模块，用于基于所述左心室像素面积变化序列，由所述左心室图像序列帧中确定舒张末期图像和收缩末期图像；
第二计算模块，用于基于所述舒张末期图像和收缩末期图像，计算得到射血分数。
为实现上述目的，本申请采用的又一个技术方案是：
提供一种电子设备，包括：
至少一个处理器；以及
存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上述任一实施方式所述的射血分数测量方法。
为实现上述目的，本申请采用的又一个技术方案是：
提供一种机器可读存储介质，存储有可执行指令，所述指令当被执行时使得所述机器执行如上述任一实施方式所述的射血分数测量方法。
区别于现有技术，本申请的有益效果是：
本申请通过对超声心脏图序列帧进行分析处理，实现射血分数的测量，有效避免了传统人工测量方法费时费力的问题；
本申请将超声心脏图序列帧中每一图像进行分割，得到左心室图像序列帧，基于左心室图像序列帧计算每一图像的像素面积，从而得到左心室像素面积变化序列，基于该左心室像素面积变化序列能够获取左心室像素面积的最大值和最小值，以最大值和最小值作为参考分别计算舒张末期容积EDV和收缩末期的容积ESV，能够有效提高左心室舒张末期和左心室收缩末期的定义准确性，避免传统方式基于心电图的QRS波来定义左心室舒张末期和左心室收缩末期存在的准确性较差的问题；
本申请先由超声心脏图序列帧中的图像上分割出包括左心室的矩形图像，之后再由该矩形图像中分割出左心室，通过设置双模型叠加分割，能够有效降低计算量，提高识别效率。
附图说明
图1是应用本申请各实施例示出的射血分数测量方法和装置的一个场景示意图；
图2是本申请射血分数的测量方法一实施方式的流程示意图；
图3是本申请一实施方式中超声心脏图序列帧的图像；
图4是图2中步骤S200对应的一实施方式的流程示意图；
图5是本申请一实施方式中超声心脏图序列帧中图像的分割示意图；
图6是图2中步骤S400对应的一实施方式的流程示意图；
图7是图2中步骤S500对应的一实施方式的流程示意图；
图8是图7中步骤S507对应的一实施方式的流程示意图；
图9是本申请射血分数测量装置一实施方式的结构示意图；
图10是本申请电子设备一实施方式的结构示意图。
具体实施方式
以下将结合附图所示的各实施方式对本申请进行详细描述。但该等实施方式并不限制本申请，本领域的普通技术人员根据该等实施方式所做出的结构、方法、或功能上的变换均包含在本申请的保护范围内。
如背景技术，目前射血分数的测量方法为人工对患者的舒张末期心动图和收缩末期心动图分别用描点方法描出左心室的边界，之后再用圆盘叠加法分别计算舒张末期容积EDV和收缩末期容积ESV，之后基于公式来计算射血分数。
该测量方法费时费力，并且针对舒张末期和收缩末期是基于心电图的QRS波来定义，将心电图QRS波的R波波峰定义为左心室舒张末期，T波终点定义为左心室收缩末期，该定位不一定能准确地定位出左心室舒张末期或收缩末期。
为了解决上述问题，申请人开发了一种基于超声心脏图的射血分数测量方法，该方法主要应用于人工智能医学辅助场景，具体用于对输入的患者超声图像视频进行分析，并输出患者的射血分数，从而有效提高测量射血分数的效率，并保证测量的准确性。
具体地，请参阅图1，图1是应用本申请各实施例示出的射血分数测量方法和装置的一个场景示意图。如图1所示，通过心脏超声检测设备或掌上心超设备可以获取大量的心脏图像视频，在本申请实施例中，该心脏超声检测设备或掌上心超设备可以采用超声回波多普勒成像，并主要利用持续采集的超声心脏图序列帧实现对射血分数的测量目的。
在该场景中，心脏超声检测设备或掌上心超设备可以将超声心脏图序列帧发送至服务器，通过服务器中预先训练好的机器学习模型对这些超声心脏图序列帧进行分析，并将射血分数的测量结果发送回心脏超声检测设备、掌上心超设备和/或该场景中其他示出的终端设备。
可以理解的，该场景中所包括的心脏超声检测设备或掌上心超设备、服务器以及终端设备可以为三台独立的设备，也可以是集成与同一个系统内，此处不做限定。
请参阅图2，图2是本申请射血分数的测量方法一实施方式的流程示意图。测量方法包括：
S100、获取超声心脏图序列帧。
具体地，超声心脏图序列帧是包括心脏实时图像的具有时序性的图像序列，例如可以是包括超声心脏的视频文件。
本实施方式中，超声心脏图序列帧可以包括超声心脏图，具体地，可以是二维超声心动图，心尖四腔图或心尖二腔图。请参阅图3，图3是本申请一实施方式中超声心脏图序列帧的图像。
在其他实施方式中，超声心脏图序列帧也可以包括磁共振成像等其他类型的心脏成像文件，均能够实现本实施方式的效果。
S200、将超声心脏图序列帧中的每一帧图像输入预先训练好的深度神经网络模型中，得到左心室图像序列帧。
可以将超声心脏图序列帧中的每一帧图像利用深度神经网络模型进行分割，由图像上提出感兴趣的左心室区域的图像，从而获得左心室图像序列帧。
其中，本实施方式采用左心室作为基准测量射血分数，在其他实施方式中，也可以选择其他可以测量射血分数的心室，均能够实现本实施方式的效果。
在一个实施方式中，请参阅图4，图4是图2中步骤S200对应的一实施方式的流程示意图。
获取左心室图像序列帧的方法可以包括：
S201、对超声心脏图序列帧中的所有图像进行均一化处理。
为了避免图像采集的不同环境导致的图像亮度不同、对比度不同等影响最终图像的分割效果，在进行分割前将序列帧中所有图像进行均一化处理，使得所有图像的灰度调整到0～255区间。
S202、将超声心脏图序列帧中的每一帧图像输入预先训练好的第一深度神经网络模型中，得到左心室矩形图像序列帧。
S203、将左心室矩形图像序列帧中的每一帧图像输入预先训练好的第二深度网络学习模型中，得到左心室图像序列帧。
具体地，可以先从超声心脏图序列帧中的每一帧图像上分割出包括左心室的矩形区域图像，获取左心室矩形图像序列帧；之后再由左心室矩形图像序列帧中每一帧图像上分割出左心室图像，从而得到左心室图像序列帧。
请参阅图5，图5是本申请一实施方式中超声心脏图序列帧中图像的分割示意图。
如图所示，先由超声心脏图序列帧中的图像上分割出包括左心室的矩形图像，之后再由该矩形图像中分割出左心室。
通过设置双模型叠加分割，能够有效降低计算量，提高识别效率。
具体地，上述第一深度神经网络模型和第二深度神经网络模型可以为递归算法、卷积算法、决策树等常用机器学习模型。
在一个实施方式中，第一深度神经网络模型的训练方法可以包括：
获取第一样本目标集并分割为第一样本训练集和第一样本验证集，其中，第一样本目标集包括若干第一超声心脏图，第一超声心脏图中已用边界与左心室边界外切的矩形标记左心室；
以第一样本训练集对第一深度神经网络模型进行训练；
以第一样本验证集对第一深度神经网络模型的效能进行验证，以获得最优模型参数。
可以理解的，通过在超声心脏图上用与左心室边界外切的矩形标记左心室，能够得到足够多的样本，从而得到第一样本目标集，利用该第一样本目标集分割得到第一样本训练集和第一样本验证集分别进行模型的训练和验证，能够得到最优的模型参数。
其中，第一样本训练集和第一样本验证集的数据量比值可以是8：2。
为了进一步提高模型的分割效果，以第一样本训练集对第一深度神经网络模型进行训练的步骤可以包括：
对第一样本训练集中的所有图像进行均一化处理；
对第一样本训练集中每一图像进行图像空间变换，并将变换后得到的图像收集至第一样本训练集中，得到第一扩增样本训练集；
以第一扩增样本训练集对第一深度神经网络模型进行训练。
首先，对第一样本训练集中的所有图像进行均一化处理，避免图像采集的不同环境导致的图像亮度不同、对比度不同等影响模型的训练效果。
之后对图像进行图像空间变换，例如平移、转置、镜像、旋转、缩放等变换方式，并将变换后的图像收集到第一样本训练集中，从而得到更多的训练数据。
基于该扩增后的第一扩增样本训练集对第一深度神经网络模型进行训练，能够有效提高模型针对不同角度图像的分割效果。
在一个实施方式中，第二深度神经网络模型的训练方法可以包括：
获取第二样本目标集并分割为第二样本训练集和第二样本验证集，其中，第二样本目标集包括若干第二超声心脏图，第二超声心脏图包括已标记左心室边界的左心室矩形图像序列帧中的图像；
以第二样本训练集对第一深度神经网络模型进行训练；
以第二样本验证集对第一深度神经网络模型的效能进行验证，以获得最优模型参数。
可以理解的，基于第一深度神经网络模型分割得到的左心室矩形图像序列帧后，可以标记左心室矩形图像序列帧中每一图像的左心室边界，从而得到足够多的样本，得到第二样本目标集。
利用该第二样本目标集分割得到第二样本训练集和第二样本验证集分别进行模型的训练和验证，能够得到最优的模型参数。
其中，第二样本训练集和第二样本验证集的数据量比值可以是8：2。
为了进一步提高模型的分割效果，以第二样本训练集对第二深度神经网络模型进行训练的步骤可以包括：
对第二样本训练集中的所有图像进行均一化处理；
对第二样本训练集中每一图像进行图像空间变换，并将变换后得到的图像收集至第二样本训练集中，得到第二扩增样本训练集；
以第二扩增样本训练集对第二深度神经网络模型进行训练。
首先，对第二样本训练集中的所有图像进行均一化处理，避免图像采集的不同环境导致的图像亮度不同、对比度不同等影响模型的训练效果。
之后对图像进行图像空间变换，例如平移、转置、镜像、旋转、缩放等变换方式，并将变换后的图像收集到第二样本训练集中，从而得到更多的训练数据。
基于该扩增后的第二扩增样本训练集对第二深度神经网络模型进行训练，能够有效提高模型针对不同角度图像的分割效果。
S300、计算左心室图像序列帧中每一帧图像的像素面积，得到左心室像素面积变化序列。
获取到包括左心室图像的左心室图像序列帧后，可以分别计算每一帧图像的像素面积，从而得到具有时序性的左心室像素面积变化序列。
在一个实施方式中，可以采用像素法计算图像的像素面积，即通过遍历图像中的每一像素计算得到其像素面积。具体地，可以在遍历过程中将图像的每一像素记为1，在遍历完成后将所有数值相加即可得到该图像的像素面积，从而得到左心室像素面积变化序列。
在其他实施方式中，也可以采用其他方式计算每一图像的像素面积，均能够实现本实施方式的效果。
S400、基于左心室像素面积变化序列，由左心室图像序列帧中确定舒张末期图像和收缩末期图像。
获取到左心室像素面积变化序列后，可以从序列中选取位于同一个心跳周期的序列段，并从中选取一个最大值和一个最小值，即面积最大值和面积最小值。
可以将面积最大值对应的序列帧中的图像认定为舒张末期图像，可以将面积最小值对应的序列帧中的图像认定为收缩末期图像。
可以理解的，通过对采集的心脏图像直接处理分析得到舒张末期容积EDV和收缩末期容积ESV，能够有效定位到左心室舒张末期和收缩末期，保证数据的准确性，从而保证射血分数的测量准确性。
具体地，在一个实施方式中，请参阅图6，图6是图2中步骤S400对应的一实施方式的流程示意图。
确定舒张末期图像和收缩末期图像的方法可以包括：
S401、遍历左心室像素面积变化序列，以剔除跳变值。
可以将左心室像素面积变化序列中的跳变的数值剔除，例如小于两侧数值或者大于两侧数值的跳变值，避免其影响结果。
S402、由左心室像素面积变化序列中选取位于同一段心跳周期的序列段，并按照大小排序，得到面积最大值和面积最小值。
可以由左心室像素面积变化序列中选取位于同一段心跳周期的序列段，可以理解的，左心室像素面积变化序列是一段周期变化的序列，可以从该序列中选取一个周期片段，即一段心跳周期的序列段。将该序列段中的数值按照大小排序，从而得到面积最大值和面积最小值。
S403、由左心室图像序列帧中选择面积最大值对应的图像作为舒张末期图像，由左心室图像序列帧中选择面积最小值对应的图像作为收缩末期图像。
S500、基于舒张末期图像和收缩末期图像，计算得到射血分数。
在确定舒张末期图像和收缩末期图像后，可以分别计算舒张末期容积和收缩末期容积，从而计算得到射血分数。
具体地，请参阅图7，图7是图2中步骤S500对应的一实施方式的流程示意图。
计算射血分数的步骤包括：
S501、获取舒张末期图像的边界点坐标，得到第一点集，获取收缩末期图像的边界点坐标，得到第二点集。
首先，可以分别基于舒张末期图像和收缩末期图像，获取图像的边界点，从而形成第一点集和第二点集。
其中，边界点可以基于预设的数量进行选取，例如可以预设在图像的边界上选取500个边界点；边界点也可以基于像素进行选取，例如可以将图像的边界线经过的每个像素点作为一个边界点，均能够实现本实施方式的效果。
S502、基于第一点集和第二点集，获取第一队列和第二队列。
具体地，第一队列包括第一点集中任意两个边界点的连线，第二队列包括第二点集中任意两个边界点的连线。
获取第一点集后，可以对第一点集中的边界点进行两两连线，从而得到边界点连线的结合，即第一队列。
相应地，获取第二点集后，可以对第二点集中的边界点进行两两连线，从而得到边界点连线的结合，即第二队列。
S503、遍历第一队列中每一连线的长度，获得第一最长连线，收集第一最长连线经过的每个像素点，得到第三点集。
具体地，可以基于边界点的坐标，计算第一队列中每一连线的长度，从而得到第一最长连线。
该第一最长连线可以作为左心室图像的中心线，基于该第一最长连线的坐标，可以获取其经过的每一个像素点坐标，从而得到第三点集。
S504、遍历第二队列中每一连线的长度，获得第二最长连线，收集第二最长连线经过的每个像素点，得到第四点集。
具体地，第四点集的获取方式可以和第三点集相同，基于第二队列中每一连线的长度，得到第二最长连线，从而得到包括第二最长连线经过的每一像素点坐标的第四点集。
S505、基于第三点集和第一队列，获得第三队列。
其中，第三队列包括第一队列内与第三点集中任一像素点相交且与第一最长连线垂直的连线。
第三点集中像素点的坐标已知，第一队列中每一连线的坐标已知，第一最长连线的坐标已知，因此，可以在第一队列中找寻与第一最长连线垂直的连线。
同时，每个像素点均对应一个第一队列中与第一最长连线垂直的连线，从而得到第三队列。
可以理解的，通过对第一最长连线上每一个像素点做垂线，能够使得所有垂线的集合覆盖整个左心室，保证后续计算容积时的准确性。
S506、基于第四点集和第二队列，获得第四队列。
其中，第四队列包括第二队列内与第四点集中任一像素点相交且与第二最长连线垂直的连线。
S507、基于第三队列和第四队列，计算得到射血分数。
在获得第三队列和第四队列后，可以分别基于第三队列和第四队列计算舒张末期容积和收缩末期容积，从而计算得到射血分数。
具体地，请参阅图8，图8是图7中步骤S507对应的一实施方式的流程示意图。
基于第三队列和第四队列，计算得到射血分数的步骤包括：
S5071、遍历第三队列中每一连线的像素长度，代入公式：
Figure BDA0004081236290000161
计算得到舒张末期容积。
其中，ai为第三队列中连线的像素长度，i＝1…N，LVs为舒张末期容积。
在一个应用场景中，n可以等于1，即
Figure BDA0004081236290000162
在其他对精度要求更高的场景中，n也可以取其他任意大于1的数值，均能够实现本实施方式的效果。
S5072、遍历第四队列中每一连线的像素长度，代入公式：
Figure BDA0004081236290000163
计算得到收缩末期容积。
其中，bj为第三队列中连线的像素长度，j＝1…M，LVo为收缩末期容积。
在一个应用场景中，n可以等于1，即
Figure BDA0004081236290000171
在其他对精度要求更高的场景中，n也可以取其他任意大于1的数值，均能够实现本实施方式的效果。
首先通过连线像素长度，计算该连线对应的圆形面积，将所有连线对应圆形面积相加得到每一横截面均为圆形的三维结构的体积，该三维结构的形状接近左心室，但存在较大误差；之后采用连线像素长度的多次项和参数乘积对该三维结构进行修正，使之更加接近真实左心室的体积，从而保证计算得到的舒张末期容积和收缩末期容积的准确性。
其中，参数k可以是默认值，也可以根据不同年龄、性别、体重的用户进行调整。特别地，为了保证参数的准确性，还可以通过机器学习的方法获得最优的参数。
具体地，得到最优参数的步骤可以包括：
获取若干已知左心室容积的标准左心室超声图像；
获取标准左心室超声图像的边界点坐标，得到第五点集；
基于第五点集，获取第五队列，第五队列包括第五点集中任意两个边界点的连线；
遍历第五队列中每一连线的长度，获得第三最长连线，收集第三最长连线经过的每个像素点，得到第六点集；
基于第六点集和第五队列，获得第六队列，第六队列包括第五队列内与第六点集中任一像素点相交且与第三最长连线垂直的连线；
遍历第六队列中每一连线的像素长度，代入基于公式
Figure BDA0004081236290000181
构建的机器学习模型中，以标准左心室超声图像的左心室容积作为期望输出，训练机器学习模型，得到最优模型参数，其中，cx为第三队列中连线的像素长度，x＝1…M。
可以理解的，通过利用已知左心室容积的标准左心室超声图像，代入公式中，并以左心室容积作为期望输出，通过训练机器学习模型，能够最优的模型参数，从而提高舒张末期容积和收缩末期容积的计算准确率。
S5073、基于舒张末期容积和收缩末期容积，计算得到射血分数。
具体地，可以将舒张末期容积和收缩末期容积代入公式：
Figure BDA0004081236290000182
计算得到射血分数。
在一个应用场景中，也可以直接利用第三队列和第四队列中每一连线的像素长度计算得到射血分数，具体如下：
Figure BDA0004081236290000183
将第三队列和第四队列中每一连线的像素长度代入上式可以直接得到射血分数，均能够实现本实施方式的效果。
本申请还提供了一种射血分数测量装置，请参阅图9，图9是本申请射血分数测量装置一实施方式的结构示意图。
该装置包括获取模块21，分割模块22，第一计算模块23，确定模块24和第二计算模块25。
其中，获取模块21用于获取超声心脏图序列帧；分割模块22用于将超声心脏图序列帧中的每一帧图像输入预先训练好的深度神经网络模型中，得到左心室图像序列帧；第一计算模块23用于计算左心室图像序列帧中每一帧图像的像素面积，得到左心室像素面积变化序列；确定模块24用于基于左心室像素面积变化序列，由左心室图像序列帧中确定舒张末期图像和收缩末期图像；第二计算模块25用于基于舒张末期图像和收缩末期图像，计算得到射血分数。
一实施方式中，射血分数测量装置还包括第一深度神经网络模型训练模块26，第一深度神经网络模型训练模块26用于获取第一样本目标集并分割为第一样本训练集和第一样本验证集，其中，第一样本目标集包括若干第一超声心脏图，第一超声心脏图中已用边界与左心室边界外切的矩形标记左心室；以及用于以第一样本训练集对第一深度神经网络模型进行训练；以及用于以第一样本验证集对第一深度神经网络模型的效能进行验证，以获得最优模型参数。
一实施方式中，射血分数测量装置还包括第二深度神经网络模型训练模块27，第二深度神经网络模型训练模块27用于获取第二样本目标集并分割为第二样本训练集和第二样本验证集，其中，第二样本目标集包括若干第二超声心脏图，第二超声心脏图包括已标记左心室边界的左心室矩形图像序列帧中的图像；以及用于以第二样本训练集对第一深度神经网络模型进行训练；以及用于以第二样本验证集对第一深度神经网络模型的效能进行验证，以获得最优模型参数。
如上参照图1到图8，对根据本说明书实施例射血分数测量方法进行了描述。在以上对方法实施例的描述中所提及的细节，同样适用于本说明书实施例的射血分数测量装置。上面的射血分数测量装置可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。
请参阅图10，图10是本申请电子设备一实施方式的结构示意图。如图10所示，电子设备30可以包括至少一个处理器31、存储器32(例如非易失性存储器)、内存33和通信接口34，并且至少一个处理器31、存储器32、内存33和通信接口34经由总线35连接在一起。至少一个处理器31执行在存储器32中存储或编码的至少一个计算机可读指令。
应该理解，在存储器32中存储的计算机可执行指令当执行时使得至少一个处理器31进行本说明书的各个实施例中以上结合图1-图6描述的各种操作和功能。
在本说明书的实施例中，电子设备30可以包括但不限于：个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动电子设备、智能电话、平板计算机、蜂窝电话、个人数字助理(PDA)、手持装置、消息收发设备、可佩戴电子设备、消费电子设备等等。
根据一个实施例，提供了一种比如机器可读介质的程序产品。机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本说明书的各个实施例中以上结合图1-图5描述的各种操作和功能。具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本说明书的一部分。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。
本领域技术人员应当理解，上面公开的各个实施例可以在不偏离发明实质的情况下做出各种变形和修改。因此，本说明书的保护范围应当由所附的权利要求书来限定。
需要说明的是，上述各流程和各系统结构图中不是所有的步骤和单元都是必须的，可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的，可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构，也可以是逻辑结构，即，有些单元可能由同一物理客户实现，或者，有些单元可能分由多个物理客户实现，或者，可以由多个独立设备中的某些部件共同实现。
以上各实施例中，硬件单元或模块可以通过机械方式或电气方式实现。例如，一个硬件单元、模块或处理器可以包括永久性专用的电路或逻辑(如专门的处理器，FPGA或ASIC)来完成相应操作。硬件单元或处理器还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
上面结合附图阐述的具体实施方式描述了示例性实施例，但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范围的情况下，将本文所对应的一般性原理应用于其它变型。因此，本公开内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。

Claims (10)

1.一种射血分数测量方法，其特征在于，包括：
获取超声心脏图序列帧；
将所述超声心脏图序列帧中的每一帧图像输入预先训练好的深度神经网络模型中，得到左心室图像序列帧；
计算所述左心室图像序列帧中每一帧图像的像素面积，得到左心室像素面积变化序列；
基于所述左心室像素面积变化序列，由所述左心室图像序列帧中确定舒张末期图像和收缩末期图像；
基于所述舒张末期图像和收缩末期图像，计算得到射血分数。
2.根据权利要求1所述的射血分数测量方法，其特征在于，所述将所述超声心脏图序列帧中的每一帧图像输入预先训练好的深度神经网络模型中，得到左心室图像序列帧的步骤包括：
对所述超声心脏图序列帧中的所有图像进行均一化处理；
将所述超声心脏图序列帧中的每一帧图像输入预先训练好的第一深度神经网络模型中，得到左心室矩形图像序列帧；
将所述左心室矩形图像序列帧中的每一帧图像输入预先训练好的第二深度网络学习模型中，得到左心室图像序列帧。
3.根据权利要求2所述的射血分数测量方法，其特征在于，所述第一深度神经网络模型的训练方法包括：
获取第一样本目标集并分割为第一样本训练集和第一样本验证集，其中，所述第一样本目标集包括若干第一超声心脏图，所述第一超声心脏图中已用边界与左心室边界外切的矩形标记左心室；
以所述第一样本训练集对所述第一深度神经网络模型进行训练；
以所述第一样本验证集对所述第一深度神经网络模型的效能进行验证，以获得最优模型参数；
所述以所述第一样本训练集对所述第一深度神经网络模型进行训练的步骤包括：
对所述第一样本训练集中的所有图像进行均一化处理；
对所述第一样本训练集中每一图像进行图像空间变换，并将变换后得到的图像收集至所述第一样本训练集中，得到第一扩增样本训练集；
以所述第一扩增样本训练集对所述第一深度神经网络模型进行训练。
所述第二深度神经网络模型的训练方法包括：
获取第二样本目标集并分割为第二样本训练集和第二样本验证集，其中，所述第二样本目标集包括若干第二超声心脏图，所述第二超声心脏图包括已标记左心室边界的所述左心室矩形图像序列帧中的图像；
以所述第二样本训练集对所述第一深度神经网络模型进行训练；
以所述第二样本验证集对所述第一深度神经网络模型的效能进行验证，以获得最优模型参数；
所述以所述第二样本训练集对所述第一深度神经网络模型进行训练的步骤包括：
对所述第二样本训练集中的所有图像进行均一化处理；
对所述第二样本训练集中每一图像进行图像空间变换，并将变换后得到的图像收集至所述第二样本训练集中，得到第二扩增样本训练集；
以所述第二扩增样本训练集对所述第二深度神经网络模型进行训练。
4.根据权利要求1所述的射血分数测量方法，其特征在于，所述基于所述左心室像素面积变化序列，由所述左心室图像序列帧中确定舒张末期图像和收缩末期图像的步骤包括：
遍历所述左心室像素面积变化序列，以剔除跳变值；
由所述左心室像素面积变化序列中选取位于同一段心跳周期的序列段，并按照大小排序，得到面积最大值和面积最小值；
由所述左心室图像序列帧中选择所述面积最大值对应的图像作为舒张末期图像，由所述左心室图像序列帧中选择所述面积最小值对应的图像作为收缩末期图像。
5.根据权利要求1所述的射血分数测量方法，其特征在于，所述基于所述舒张末期图像和收缩末期图像，计算得到射血分数的步骤包括：
获取所述舒张末期图像的边界点坐标，得到第一点集，获取所述收缩末期图像的边界点坐标，得到第二点集；
基于所述第一点集和第二点集，获取第一队列和第二队列，所述第一队列包括所述第一点集中任意两个边界点的连线，所述第二队列包括所述第二点集中任意两个边界点的连线；
遍历所述第一队列中每一连线的长度，获得第一最长连线，收集所述第一最长连线经过的每个像素点，得到第三点集；
遍历所述第二队列中每一连线的长度，获得第二最长连线，收集所述第二最长连线经过的每个像素点，得到第四点集；
基于所述第三点集和所述第一队列，获得第三队列，所述第三队列包括所述第一队列内与所述第三点集中任一像素点相交且与所述第一最长连线垂直的连线；
基于所述第四点集和所述第二队列，获得第四队列，所述第四队列包括所述第二队列内与所述第四点集中任一像素点相交且与所述第二最长连线垂直的连线；
基于所述第三队列和所述第四队列，计算得到射血分数。
6.根据权利要求5所述的射血分数测量方法，其特征在于，所述基于所述第三队列和所述第四队列，计算得到射血分数的步骤包括：
遍历所述第三队列中每一连线的像素长度，代入公式：
Figure FDA0004081236280000041
计算得到舒张末期容积，其中，ai为所述第三队列中连线的像素长度，i＝1…N，LVs为舒张末期容积；
遍历所述第四队列中每一连线的像素长度，代入公式：
Figure FDA0004081236280000042
计算得到收缩末期容积，其中，bj为所述第三队列中连线的像素长度，j＝1…M，LVo为收缩末期容积；
基于所述舒张末期容积和所述收缩末期容积，计算得到射血分数。
7.根据权利要求6所述的射血分数测量方法，其特征在于，所述基于所述第三队列和所述第四队列，计算得到射血分数的步骤还包括：
获取若干已知左心室容积的标准左心室超声图像；
获取所述标准左心室超声图像的边界点坐标，得到第五点集；
基于所述第五点集，获取第五队列，所述第五队列包括所述第五点集中任意两个边界点的连线；
遍历所述第五队列中每一连线的长度，获得第三最长连线，收集所述第三最长连线经过的每个像素点，得到第六点集；
基于所述第六点集和所述第五队列，获得第六队列，所述第六队列包括所述第五队列内与所述第六点集中任一像素点相交且与所述第三最长连线垂直的连线；
遍历所述第六队列中每一连线的像素长度，代入基于公式
Figure FDA0004081236280000051
构建的机器学习模型中，以所述标准左心室超声图像的左心室容积作为期望输出，训练所述机器学习模型，得到最优模型参数，其中，cx为所述第三队列中连线的像素长度，x＝1…M。
8.一种射血分数测量装置，其特征在于，包括：
获取模块，用于获取超声心脏图序列帧；
分割模块，用于将所述超声心脏图序列帧中的每一帧图像输入预先训练好的深度神经网络模型中，得到左心室图像序列帧；
第一计算模块，用于计算所述左心室图像序列帧中每一帧图像的像素面积，得到左心室像素面积变化序列；
确定模块，用于基于所述左心室像素面积变化序列，由所述左心室图像序列帧中确定舒张末期图像和收缩末期图像；
第二计算模块，用于基于所述舒张末期图像和收缩末期图像，计算得到射血分数。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如权利要求1至7任一项所述的射血分数测量方法。
10.一种机器可读存储介质，其特征在于，存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求1至7任一项所述的射血分数测量方法。
CN202310124229.5A 2023-02-16 2023-02-16 射血分数测量方法和装置、电子设备和存储介质 Pending CN116130090A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310124229.5A CN116130090A (zh) 2023-02-16 2023-02-16 射血分数测量方法和装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310124229.5A CN116130090A (zh) 2023-02-16 2023-02-16 射血分数测量方法和装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN116130090A true CN116130090A (zh) 2023-05-16

Family

ID=86304530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310124229.5A Pending CN116130090A (zh) 2023-02-16 2023-02-16 射血分数测量方法和装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN116130090A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117745726A (zh) * 2024-02-21 2024-03-22 中国医学科学院北京协和医院 基于经食管超声心动图的左心室射血分数计算方法与装置
CN117918889A (zh) * 2024-03-20 2024-04-26 中国医学科学院北京协和医院 经食管超声心动图四腔心切面左室心输出量自动计算方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117745726A (zh) * 2024-02-21 2024-03-22 中国医学科学院北京协和医院 基于经食管超声心动图的左心室射血分数计算方法与装置
CN117745726B (zh) * 2024-02-21 2024-06-07 中国医学科学院北京协和医院 基于经食管超声心动图的左心室射血分数计算方法与装置
CN117918889A (zh) * 2024-03-20 2024-04-26 中国医学科学院北京协和医院 经食管超声心动图四腔心切面左室心输出量自动计算方法及装置

Similar Documents

Publication Publication Date Title
US9968257B1 (en) Volumetric quantification of cardiovascular structures from medical imaging
CN111862044B (zh) 超声图像处理方法、装置、计算机设备和存储介质
CN111105424A (zh) 淋巴结自动勾画方法及装置
EP2365471B1 (en) Diagnosis assisting apparatus, coronary artery analyzing method and recording medium having a coronary artery analzying program stored therein
WO2022213654A1 (zh) 一种超声图像的分割方法、装置、终端设备和存储介质
CN111127527B (zh) 基于ct影像骨骼配准实现肺结节自适应匹配的方法与装置
WO2021128825A1 (zh) 三维目标检测及模型的训练方法及装置、设备、存储介质
CN116130090A (zh) 射血分数测量方法和装置、电子设备和存储介质
CN111340756B (zh) 一种医学图像病变检出合并方法、系统、终端及存储介质
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
CN111724371B (zh) 一种数据处理方法、装置及电子设备
CN111429457B (zh) 图像局部区域亮度智能评价方法、装置、设备及介质
Veronesi et al. Tracking of left ventricular long axis from real-time three-dimensional echocardiography using optical flow techniques
JP2022111357A (ja) 磁気共鳴イメージで正中矢状平面を決定するための方法、イメージ処理デバイス及び格納媒体
CN114332132A (zh) 图像分割方法、装置和计算机设备
EP2498222B1 (en) Method and system for regression-based 4D mitral valve segmentation from 2D+T magnetic resonance imaging slices
US20090161926A1 (en) Semi-automatic Segmentation of Cardiac Ultrasound Images using a Dynamic Model of the Left Ventricle
CN109102509B (zh) 分割模型训练方法、装置及计算机可读存储介质
CN115861172A (zh) 基于自适应正则化光流模型的室壁运动估计方法及装置
CN111723836A (zh) 图像相似度的计算方法及装置、电子设备、存储介质
CN110739050B (zh) 一种左心室全参数及置信度的量化方法
CN109767468B (zh) 脏器体积检测方法及装置
CN112258476A (zh) 超声心动图心肌异常运动模式分析方法、系统及存储介质
Liu et al. Automated binocular vision measurement of food dimensions and volume for dietary evaluation
CN114419375B (zh) 图像分类方法、训练方法、装置、电子设备以及存储介质

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