[发明专利]一种基于深度学习的超声图像二尖瓣的定位方法及系统

说明书

本发明提供一种基于深度学习的超声图像二尖瓣定位方法及系统，涉及深度学习技术领域，包括：持续采集心脏超声图像；获取第一帧心脏超声图像时，将心脏超声图像输入神经网络分类模型得到包含切面类型的切面位置；并根据切面位置关联的切面定位模型，得到心脏超声图像的二尖瓣所在位置；获取下一帧心脏超声图像时，在当前帧心脏超声图像与前一帧心脏超声图像之间的相似度大于相似度阈值时将前一帧心脏超声图像的切面位置作为当前帧心脏超声图像的切面位置；相似度不大于相似度阈值时将当前帧心脏超声图像输入神经网络分类模型进行切面识别得到切面位置。能够实时跟踪二尖瓣所在位置，解决血流监测和二尖瓣运动中探头位置偏移问题。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于深度学习的超声图像二尖瓣的定位方法及系统。

背景技术

心脏位置超声是唯一能动态显示心腔内结构、心脏的搏动和血液流动的仪器，对人体没有任何损伤。心脏探头就像摄像机的镜头，随着探头的转动，心脏的各个结构清晰地显示在屏幕上。相比于其他影像设备，心脏超声也是唯一能直观显示瓣膜病变的仪器，通过彩超的测量，医生可了解瓣膜病变的程度以决定保守治疗还是手术治疗。

二尖瓣运动状态及其血流流速是心脏瓣膜病超声检查的主要指标。传统测量二尖瓣血流流速时，一般都要在同一点测量数个心动周期，由于心动和体位移动，探头很难保持在同一位置进行测量。同时，在心脏超声监护中，由于监测时间长，难免会出现探头位置偏移。因此测量的流速存在一定误差。

发明内容

针对现有技术中存在的问题，本发明提供一种基于深度学习的超声图像二尖瓣的定位方法，所述定位方法应用于在心脏超声扫查过程中对包含二尖瓣的心脏超声图像进行跟踪定位，具体包括：

步骤S1，采用一超声扫描设备采集所述心脏超声图像并持续输出至所述超声扫描设备连接的一图像处理装置；

步骤S2，所述图像处理装置获取第一帧所述心脏超声图像时，将所述心脏超声图像输入预先训练得到的神经网络分类模型进行切面识别，得到所述心脏超声图像的包含切面类型的切面位置；

步骤S3，所述图像处理装置根据所述切面位置由预先训练得到的模型参数集合中加载相应的模型参数，将所述模型参数代入预先生成的神经网络模型得到相应的切面定位模型，并将所述心脏超声图像输入所述切面定位模型得到标记有所述二尖瓣所在位置的感兴趣区域的心脏超声图像并输出；

所述图像处理装置输出的每帧所述心脏超声图像均标记有所述感兴趣区域，以供后续分析使用；

步骤S4，所述图像处理装置获取下一帧所述心脏超声图像时，计算当前帧所述心脏超声图像与前一帧所述心脏超声图像之间的相似度，并将所述相似度与预设的相似度阈值进行比较：

若所述相似度大于所述相似度阈值，则将前一帧所述心脏超声图像的所述切面位置作为当前帧所述心脏超声图像的所述切面位置，随后返回步骤S3；

若所述相似度不大于所述相似度阈值，则将当前帧所述心脏超声图像输入所述神经网络分类模型进行切面识别，得到当前帧所述心脏超声图像的所述切面位置，返回所述步骤S3。

优选的，还包括预先训练得到所述神经网络分类模型的过程，具体包括：

步骤A1，获取若干历史心脏超声图像，并将各所述历史心脏超声图像按照不同切面位置进行分类，得到包含切面类型的切面位置标注图像；

步骤A2，根据所述切面标注图像进行模型训练，并在训练过程中，对所述切面位置标注图像进行批量归一化，对网络权重进行正态分布初始化，且采用多分类交叉熵函数作为损失函数训练得到所述神经网络分类模型。

优选的，还包括预先训练得到所述模型参数集合的过程，具体包括：