【技術實現步驟摘要】
本專利技術涉及超聲測量，具體涉及一種心臟參數測量方法及系統。
技術介紹
1、超聲心動圖是心臟病學中用于心臟的形態和功能評估的重要的診斷輔助。但是由于目前的超聲心動圖在圖像采集、測量、分析、判斷等方面存在明顯的個體差異，受到醫務工作者的經驗和能力影響比較大，使得檢驗準確性和一致性難以保證，常常給臨床識別帶來極大困難。因此，有必要設計一種能夠實現心臟參數自動測量的方法。
技術實現思路
1、本專利技術提供一種心臟參數測量方法及系統，以解決現有技術中對心臟參數測量的精度低、準確度低的問題。
2、根據第一方面，一種實施例中提供一種心臟參數測量方法，包括：
3、獲取心臟的位置，根據所述心臟的位置對探頭進行精細定位，精細定位后所述探頭獲取包含有目標標準切面的超聲影像；
4、通過預先訓練好的自監督深度學習模型對所述超聲影像中的目標標準切面進行捕獲；所述目標標準切面包括2d超聲心動圖視頻和多普勒超聲心動圖；
5、對所述2d超聲心動圖視頻進行關鍵幀提取，對所述關鍵幀中的心臟結構參數進行測量，得到心臟結構參數；
6、裁剪所述多普勒超聲心動圖的感興趣區域，對所述感興趣區域進行分割處理，得到所述心臟的功能參數。
7、在一種能夠實現的方式中，所述獲取心臟的位置，根據所述心臟的位置對探頭進行精細定位，包括：
8、根據檢查對象的視覺信息分割出人體位置，通過預設的人體物理模型從所述人體位置中定位出心臟的大致位置；
9、獲
10、對所述聽診信息進行特征提取，根據提取的聽診信息特征定位出心臟的目標區域；
11、將所述探頭移動至所述目標區域，獲取所述目標區域的超聲影像；
12、根據所述目標區域的超聲影像確定所述目標區域中的目標位置，所述目標位置為探頭掃描目標標準切面時所處的位置，以便探頭獲取目標標準切面的超聲影像。
13、在一種能夠實現的方式中，所述通過預先訓練好的自監督深度學習模型對所述超聲影像中的目標標準切面進行捕獲，包括：
14、預先在一自監督深度學習模型中構建單分類器；
15、采用收集的標準切面對所述單分類器進行訓練，使所述單分類器用于識別所述超聲影像中的目標標準切面；
16、通過訓練好的所述單分類器對所述超聲影像進行異常檢測，當所述單分類器檢測出異常時則識別為非目標標準切面，檢測出非異常時則識別為目標標準切面。
17、在一種能夠實現的方式中，所述對所述2d超聲心動圖視頻進行關鍵幀提取，包括：
18、測量所述2d超聲心動圖視頻中多個圖像幀的心臟結構參數，得到心臟結構參數隨時間變化的測量曲線；
19、通過加權求和的方式對所有心臟結構參數的測量曲線進行融合，得到反映心臟跳動的心臟運動曲線；
20、從所述2d超聲心動圖視頻中提取第一心電圖，在所述第一心電圖的心電圖信號中識別r波頂點；
21、獲取所述心臟運動曲線中的極大值，將所述極大值對應的時刻與所述r波頂點對應的時刻進行比較；
22、若所述極大值對應的時刻與所述r波頂點對應的時刻的時間差沒有超過預設閾值，則提取所述心臟運動曲線的極大值和極小值，并將所述心臟運動曲線的極大值和極小值所屬的圖像幀作為關鍵幀；若所述極大值對應的時刻與所述r波頂點對應的時刻的時間差超過預設閾值，則提取所述第一心電圖中的r波頂點以及所述心臟運動曲線的極小值，并將所述r波頂點以及所述心臟運動曲線的極小值所屬的圖像幀作為關鍵幀。
23、在一種能夠實現的方式中，所述測量所述2d超聲心動圖視頻中多個圖像幀的心臟結構參數，包括：
24、采用五層卷積神經網絡作為編碼器，提取所述2d超聲心動圖視頻中多個圖像幀的圖像特征；
25、通過圖卷積網絡的全連接層對每個圖像幀的圖像特征的坐標偏移量進行順序回歸，得到所述多個圖像幀中心臟結構參數的測量點；
26、測量心臟結構參數的測量點之間的距離，得到心臟結構參數。
27、在一種能夠實現的方式中，所述裁剪所述多普勒超聲心動圖的感興趣區域，對所述感興趣區域進行分割處理，得到所述心臟的功能參數，包括：
28、獲取所述多普勒超聲心動圖的血流頻譜圖像，在所述血流頻譜圖像中提取第二心電圖；
29、根據所述第二心電圖的周期信息從所述多普勒超聲心動圖中裁剪出感興趣區域；
30、通過分割模型對所述感興趣區域內血流頻譜圖像的輪廓進行分割；
31、從分割出的所述血流頻譜圖像中獲取頂點位置和面積信息；
32、根據所述頂點位置和面積信息計算出所述心臟的功能參數。
33、根據第二方面，一種實施例中提供一種心臟參數測量系統，包括：
34、探頭定位模塊，用于獲取心臟的位置，根據所述心臟的位置對探頭進行精細定位；精細定位后所述探頭獲取包含有目標標準切面的超聲影像；
35、目標標準切面捕獲模塊，用于通過預先訓練好的自監督深度學習模型對所述超聲影像中的目標標準切面進行捕獲；所述目標標準切面包括2d超聲心動圖視頻和多普勒超聲心動圖；
36、心臟結構參數測量模塊，用于對所述2d超聲心動圖視頻進行關鍵幀提取，對所述關鍵幀中的心臟的結構參數進行測量，得到心臟結構參數；
37、心臟功能參數測量模塊，用于裁剪所述多普勒超聲心動圖的感興趣區域，對所述感興趣區域進行分割處理，得到所述心臟的功能參數。
38、在一種能夠實現的方式中，所述探頭定位模塊包括：
39、粗定位子模塊，用于根據檢查對象的視覺信息分割出人體位置，通過預設的人體物理模型從所述人體位置中定位出心臟的大致位置；
40、聽診信息獲取子模塊，用于獲取心臟大致位置的聽診信息；
41、細定位子模塊，用于對所述聽診信息進行特征提取，根據提取的聽診信息特征定位出心臟的目標區域；
42、超聲影像獲取子模塊，用于將所述探頭移動至所述目標區域，獲取所述目標區域的超聲影像；
43、精細定位子模塊，用于根據所述目標區域的超聲影像確定所述目標區域中的目標位置，所述目標位置為探頭掃描目標標準切面時所處的位置，以便探頭獲取目標標準切面的超聲影像。
44、在一種能夠實現的方式中，所述目標標準切面捕獲模塊中，所述通過預先訓練好的自監督深度學習模型對所述超聲影像中的目標標準切面進行捕獲，包括：
45、預先在一自監督深度學習模型中構建單分類器；
46、采用收集的標準切面對所述單分類器進行訓練，使所述單分類器用于識別所述超聲影像中的目標標準切面；
47、通過訓練好的所述單分類器對所述超聲影像進行異常檢測，當所述單分類器檢測出異常時則識別為非目標標準切面，檢測出非異常時則識別為目標標準切面。
48、根據第三方面，一種實施例中提供一種計算機可讀存儲介質，所述介本文檔來自技高網...
【技術保護點】
1.一種心臟參數測量方法,其特征在于，包括：
2.如權利要求1所述的心臟參數測量方法，其特征在于，所述獲取心臟的位置，根據所述心臟的位置對探頭進行精細定位，包括：
3.如權利要求1所述的心臟參數測量方法，其特征在于，所述通過預先訓練好的自監督深度學習模型對所述超聲影像中的目標標準切面進行捕獲，包括：
4.如權利要求1所述的心臟參數測量方法，其特征在于，所述對所述2D超聲心動圖視頻進行關鍵幀提取，包括：
5.如權利要求4所述的心臟參數測量方法，其特征在于，所述測量所述2D超聲心動圖視頻中多個圖像幀的心臟結構參數，包括：
6.如權利要求1所述的心臟參數測量方法，其特征在于，所述裁剪所述多普勒超聲心動圖的感興趣區域，對所述感興趣區域進行分割處理，得到所述心臟的功能參數，包括：
7.一種心臟參數測量系統，其特征在于，包括：
8.如權利要求7所述的心臟參數測量系統，其特征在于，所述探頭定位模塊包括：
9.如權利要求7所述的心臟參數測量系統，其特征在于，所述目標標準切面捕獲模塊中，所述通過預先訓練
10.一種計算機可讀存儲介質，其特征在于，所述介質上存儲有程序，所述程序能夠被處理器執行以實現如權利要求1-6中任一項所述的方法。
...【技術特征摘要】
1.一種心臟參數測量方法,其特征在于，包括：
2.如權利要求1所述的心臟參數測量方法，其特征在于，所述獲取心臟的位置，根據所述心臟的位置對探頭進行精細定位，包括：
3.如權利要求1所述的心臟參數測量方法，其特征在于，所述通過預先訓練好的自監督深度學習模型對所述超聲影像中的目標標準切面進行捕獲，包括：
4.如權利要求1所述的心臟參數測量方法，其特征在于，所述對所述2d超聲心動圖視頻進行關鍵幀提取，包括：
5.如權利要求4所述的心臟參數測量方法，其特征在于，所述測量所述2d超聲心動圖視頻中多個圖像幀的心臟結構參數，包括：
6.如權利要求1所述...
【專利技術屬性】
技術研發人員：劉瑩瑩，張德富，倪東，薛武峰，劉曉華，彭貴娟，
申請(專利權)人：深圳市人民醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。