[发明专利]一种基于超声图像的室间隔抖动自动检测系统

说明书

本发明提供一种基于超声图像的室间隔抖动自动检测系统，涉及计算机视觉技术领域。该系统首先获取多个带SF标签的超声心动图作为样本数据集；然后初始化用于室间隔抖动检测的深度神经网络模型，并使用样本数据集预训练深度神经网络模型，得到预训练深度神经网络模型；用于室间隔抖动检测的深度神经网络模型包括左心室分割网络U‑Net和基于编解码器的SF诊断网络；最后加载预训练深度神经网络模型的模型参数和配置文件，分割待评估的超声心动图中的左心室，输出室间隔抖动判断结果。本发明的检测系统使用深度学习的方法自动分割左心室，并根据分割结果实现了SF的自动诊断，减少了临床诊断的时间，避免了医生主观经验造成的结果差异。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于超声图像的室间隔抖动自动检测系统。

背景技术

在完全性左束支传导阻滞(cLBBB)的患者的收缩早期中，室间隔向左运动后在出现反运动被称为室间隔抖动现象(SF)。cLBBB患者如果同时伴有SF现象，患者愈后相较于无SF现象患者通常较差。通常，临床上通常需要结合左心室整体纵向应变(LeftVentricularGlobal Longitudinal Strain,LVGLS)与原始超声心动图像对室间隔抖动现象进行分析和评估。但是这种方法需要描记左心室内膜，评估准确性高度依赖于图像质量与医生的经验水平，不同经验水平的医生往往得出不同的诊断结果，可重复性差，无法做到标准一致性。

文献(WangY,Li G,Ma C,Guan Z,Jin X,Li Y,Liu S,Yang J.Predictive ValueofSeptal Flash for Reduction of Left Ventricular Systolic Function asReflected by Global Longitudinal Strain Using Echocardiography in PatientsWith Isolated Complete Left Bundle-Branch Block.Circ J.2018Jul 25；82(8):2111-2118.doi:10.1253/circj.CJ-17-1422.Epub 2018Jun 21.PMID:29925741.)使用2维斑点追踪算法对SF现象和LVGLS进行评估，同时采用多变量逻辑回归算法，对41名保留射血分数的患者进行SF诊断。该方法需要医生结合超声图像与LVGLS等参数，评估结果依赖于医生的临床经验以及LVGLS的准确性，且由于LVGLS没有统一的标准，导致实验可重复性差。实验所需的参数需要投入学习、人工和时间成本，不能很好地满足临床需求。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于超声图像的室间隔抖动自动检测系统，使用深度学习网络通过超声心动图实现室间隔抖动的检测。

为解决上述技术问题，本发明所采取的技术方案是：一种基于超声图像的室间隔抖动自动检测系统，通过以下步骤实现对室间隔抖动的自动检测：

获取多个带SF标签的超声心动图作为样本数据集；

初始化用于室间隔抖动检测的深度神经网络模型，并使用样本数据集预训练深度神经网络模型，得到预训练深度神经网络模型；

所述用于室间隔抖动检测的深度神经网络模型包括左心室分割网络U-Net和基于编解码器的SF诊断网络；

加载预训练深度神经网络模型的模型参数和配置文件，分割待评估的超声心动图中的左心室，输出室间隔抖动判断结果。

进一步地，所述系统还通过包括原始超声心动图像和对应标签的微调数据集微调预训练的深度神经网络模型参数。

进一步地，所述获取的多个带SF标签的超声心动图为遵循医疗数位影像传输协定的dcm格式的超声心动图文件，或dcm格式的超声心动图文件解析后的单帧图像及其对应的SF标签。