[发明专利]一种基于深度学习的射血分数估计方法、终端及存储介质

说明书

本发明公开了一种基于深度学习的射血分数估计方法、终端及存储介质，接收心尖二腔序列和心尖四腔序列的输入，并对所述心尖二腔序列和所述心尖四腔序列进行预处理；构建并优化联合学习网络，将预处理后的所述心尖二腔序列和所述心尖四腔序列输入到联合学习网络中，输出全序列的分割结果和运动估计结果；基于训练好的所述联合学习网络对全序列进行分割，并对所述分割结果进行后处理；基于二腔室和四腔室的左心室舒张末期和收缩末期的分割结果，通过Simpson双平面法计算两个时期的心脏容积，输出射血分数。本发明通过对心脏序列进行高精度且时域连续的分割，能非常准确的估计心脏解剖结构的精细变化，从而大大提升了射血分数的估计精确度。

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种基于深度学习的 射血分数估计方法、终端及存储介质。

背景技术

近年来，患心血管病的病人数量越来越多，心血管病的死亡率高 于肿瘤及其他疾病。左心室射血分数指每搏输出量占心室舒张末期容 积量的百分比，是评估心功能和诊断心血管疾病最常用的心脏指标之 一。在心脏成像方式中，超声心动图描记术具有实时、无辐射和低成 本等优点，因此常被用作病人的第一次成像检查。

在国际上，使用二维超声心动图(心尖二腔视图和四腔视图)舒 张末期和收缩末期的左心室分割结果，通过Simpson双平面法计算两 个时期的左心室容积，是获取射血分数(EF)估计值的一种常用方 法。其中，Simpson双平面法基于心尖二腔视图和四腔视图的左心室 分割结果，将心室从心尖到心底等分为若干等分，即若干个小圆盘， 小圆盘的两个内径(长径和横径)通过两个视图的左心室分割结果计 算得到，计算所有小圆盘的容积后积分得到左心室容积。因此，左心 室分割精度直接影响射血分数的估计精度。

在临床实践中，超声心动图噪声大，且心脏边缘模糊，为心脏的 自动或手动分割带来了巨大的困难，导致了射血分数的估计准确性较 低。对于已公开的大型二维超声心脏数据集CAMUS，目前最先进方 法的射血分数估计精度(皮尔森相关系数)只有0.845，而基于心脏 专家的组间和组内一致性分别为0.801和0.896，这表明当前基于超 声心动图的射血分数精确估计仍面临巨大的挑战。

基于机器学习的全自动射血分数精确估计技术能大量节省医院 的人力物力，具有非常大的应用价值和前景。目前全自动射血分数估 计方法主要有两种：基于左心室分割结果和基于心脏关键特征的参数 回归。而基于回归的方法无法为医生提供视觉可解释性，导致了令人 难以信服的诊断结果。而基于左心室分割的方法可分为：空间信息建 模和时空信息建模。空间信息建模无法监测心脏的时域变化，特别是 处理图像质量比较差的超声数据时，仅靠空间信息难以精确有效的分 割左心室，导致了较大的射血分数估计误差。而引入时域信息有潜力 解决心脏时域建模和静态图像质量差的困难。而目前已有的基于时空 建模的左心室分割方法大都存在以下缺点：依赖全监督模式的深度学 习方法，而全监督方式需要大量的标注数据和专业知识，现实中很难 获取；并且无法有效且明确地对时空进行建模，缺乏对心脏运动的显 式表征，导致了难以解释或不精确的时域运动估计。

因此，现有技术还有待于改进和发展。

发明内容

本发明的主要目的在于提供一种基于深度学习的射血分数估计 方法、终端及存储介质，旨在解决现有技术中射血分数的估计误差大 的问题。

为实现上述目的，本发明提供一种基于深度学习的射血分数估计 方法，所述基于深度学习的射血分数估计方法包括如下步骤：

接收心尖二腔序列和心尖四腔序列的输入，并对所述心尖二腔序 列和所述心尖四腔序列进行预处理；

构建并优化联合学习网络，所述联合学习网络为三维全卷积神经 网络，将预处理后的所述心尖二腔序列和所述心尖四腔序列输入到所 述联合学习网络中，输出全序列的分割结果和运动估计结果；

基于训练好的所述联合学习网络对全序列进行分割，并对所述分 割结果进行后处理；