【技術實現步驟摘要】
本專利技術涉及醫療圖像處理領域，具體涉及一種基于tsdnet的室間隔缺損定位系統及方法。
技術介紹
1、經胸超聲心動圖（transthoracic?echocardiography，tte）可以提供足夠的心臟結構信息，并評估血液動力學和心臟功能，是vsd檢查的有效方法。在彩色多普勒超聲心動圖視頻中，彩色多普勒血流成像顯示的左、右心室水平的分流信號可以清晰、準確地診斷出vsd。超聲心動圖的優點包括簡單、無創、便宜、可重復和準確。
2、在過去的幾年里，基于人工智能（artificial?intelligence，ai）的圖像識別技術，特別是深度學習，已越來越多地應用于超聲心動圖。傳統的機器學習通常需要在輸入圖像中推導出預定義的特征。相比之下，深度學習從圖像中自動估計結果，而不需要預先定義特定的成像特征。此外，卷積神經網絡的深層結構能夠從原始圖像中提取詳細的低層次信息，并將這些信息組合成高階結構信息，從而能夠從圖像中識別復雜的實體。最近，深度學習在視頻理解領域取得了卓越的表現，且其價值已經在二維和三維網絡中均得到了證明。
技術實現思路
1、心臟超聲視頻中的vsd檢測任務與標準視頻理解任務有顯著不同。雖然一般視頻分析通常聚焦于從延長序列中提取語義信息，但vsd檢測需要識別心動周期內的特定瞬時事件。在vsd超聲視頻中，這就需要一種能有效隔離和檢查這些短暫關鍵期的時序分析方法。
2、為實現上述目的，本專利技術提供了一種基于tsdnet的室間隔缺損定位系統，包括：采集模塊
3、所述采集模塊用于采集多個標準視圖下的超聲心電圖視頻，并將帶有標簽的超聲心動圖視頻作為樣本數據集；
4、所述構建模塊用于基于所述數據集，構建室間隔缺損定位模型，所述室間隔缺損定位模型采用tsdnet網絡架構，包括判斷超聲心動圖視頻陰陽性的uniformer模型和檢測室間隔缺損病灶區域的經優化后的yolov5模型兩部分；
5、所述定位模塊用于利用所述室間隔缺損定位模型，完成室間隔缺損定位。
6、優選的，構建的所述室間隔缺損定位模型第一步視頻分類采用uniformer架構，用于處理8幀輸入窗口以進行vsd二元分類；第二步利用優化后的yolov5模型在單幀內進行vsd定位；對于輸入視頻中的每一幀，時間分支處理以當前幀為中心的8幀窗口，而空間分支則用于處理當前幀本身。
7、優選的，所述室間隔缺損定位模型訓練采用解耦策略進行，時間分支使用二元標注的視頻序列進行優化，而空間分支則通過幀級邊界框標注進行訓練。
8、優選的，所述定位模塊利用所述室間隔缺損定位模型采用三閾值判決機制來進行室間隔缺損定位：
9、當jsmooth>θhigh時，判定存在vsd；
10、當jsmooth<θlow時，判定不存在vsd；
11、當θlow≤jsmooth≤θhigh時，保持前一幀的判斷結果；
12、其中，jsmooth表示所述室間隔缺損定位模型輸出的平滑決策；θhigh=0.75；θlow=0.45。
13、本專利技術還提供了一種基于tsdnet的室間隔缺損定位方法，所述方法應用于上述系統，步驟包括：
14、采集多個標準視圖下的超聲心電圖視頻，并將帶有標簽的超聲心動圖視頻作為樣本數據集；
15、用于基于所述數據集，構建室間隔缺損定位模型，所述室間隔缺損定位模型采用tsdnet網絡架構，包括判斷超聲心動圖視頻陰陽性的uniformer模型和檢測室間隔缺損病灶區域的經優化后的yolov5模型兩部分；
16、利用所述室間隔缺損定位模型，完成室間隔缺損定位。
17、優選的，構建的所述室間隔缺損定位模型第一步視頻分類采用uniformer架構，用于處理8幀輸入窗口以進行vsd二元分類；第二步利用優化后的yolov5模型在單幀內進行vsd定位；對于輸入視頻中的每一幀，時間分支處理以當前幀為中心的8幀窗口，而空間分支則用于處理當前幀本身。
18、優選的，所述室間隔缺損定位模型訓練采用解耦策略進行，時間分支使用二元標注的視頻序列進行優化，而空間分支則通過幀級邊界框標注進行訓練。
19、優選的，進行室間隔缺損定位的方法包括：利用所述室間隔缺損定位模型采用三閾值判決機制來進行室間隔缺損定位：
20、當jsmooth>θhigh時，判定存在vsd；
21、當jsmooth<θlow時，判定不存在vsd；
22、當θlow≤jsmooth≤θhigh時，保持前一幀的判斷結果；
23、其中，jsmooth表示所述室間隔缺損定位模型輸出的平滑決策；θhigh=0.75；θlow=0.45。
24、與現有技術相比，本專利技術的有益效果如下：
25、本專利技術提出了一種時空解耦網絡（tsdnet），它通過分離超聲心動圖視頻中的時序和空間特征進行高效分析，實現了室間隔缺損的視頻級分類與分流區域的精確定位。
本文檔來自技高網...【技術保護點】
1.一種基于TSDNet的室間隔缺損定位系統，其特征在于，包括：采集模塊、構建模塊和定位模塊；
2.根據權利要求1所述的基于TSDNet的室間隔缺損定位系統，其特征在于，構建的所述室間隔缺損定位模型第一步視頻分類采用UniFormer架構，用于處理8幀輸入窗口以進行VSD二元分類；第二步利用優化后的YOLOv5模型在單幀內進行VSD定位；對于輸入視頻中的每一幀，時間分支處理以當前幀為中心的8幀窗口，而空間分支則用于處理當前幀本身。
3.根據權利要求2所述的基于TSDNet的室間隔缺損定位系統，其特征在于，所述室間隔缺損定位模型訓練采用解耦策略進行，時間分支使用二元標注的視頻序列進行優化，而空間分支則通過幀級邊界框標注進行訓練。
4.根據權利要求1所述的基于TSDNet的室間隔缺損定位系統，其特征在于，所述定位模塊利用所述室間隔缺損定位模型采用三閾值判決機制來進行室間隔缺損定位：
5.一種基于TSDNet的室間隔缺損定位方法，所述方法應用于權利要求1-4任一項所述的系統，其特征在于，步驟包括：
6.根據權利要求5所述的基于
7.根據權利要求6所述的基于TSDNet的室間隔缺損定位方法，其特征在于，所述室間隔缺損定位模型訓練采用解耦策略進行，時間分支使用二元標注的視頻序列進行優化，而空間分支則通過幀級邊界框標注進行訓練。
8.根據權利要求5所述的基于TSDNet的室間隔缺損定位方法，其特征在于，進行室間隔缺損定位的方法包括：利用所述室間隔缺損定位模型采用三閾值判決機制來進行室間隔缺損定位：
...【技術特征摘要】
1.一種基于tsdnet的室間隔缺損定位系統，其特征在于，包括：采集模塊、構建模塊和定位模塊；
2.根據權利要求1所述的基于tsdnet的室間隔缺損定位系統，其特征在于，構建的所述室間隔缺損定位模型第一步視頻分類采用uniformer架構，用于處理8幀輸入窗口以進行vsd二元分類；第二步利用優化后的yolov5模型在單幀內進行vsd定位；對于輸入視頻中的每一幀，時間分支處理以當前幀為中心的8幀窗口，而空間分支則用于處理當前幀本身。
3.根據權利要求2所述的基于tsdnet的室間隔缺損定位系統，其特征在于，所述室間隔缺損定位模型訓練采用解耦策略進行，時間分支使用二元標注的視頻序列進行優化，而空間分支則通過幀級邊界框標注進行訓練。
4.根據權利要求1所述的基于tsdnet的室間隔缺損定位系統，其特征在于，所述定位模塊利用所述室間隔缺損定位模型采用三閾值判決機制來進行室間隔缺損定位：
5.一種基于...
【專利技術屬性】
技術研發人員：張玉奇，劉貽曼，陳麗君，李澤忠，劉小青，俞益洲，李一鳴，喬昕，董斌，吳蘭平，袁加俊，趙列賓，
申請(專利權)人：上海交通大學醫學院附屬上海兒童醫學中心，
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。