[發(fā)明專利]一種深度學習的兒童超聲心動圖標準切面識別方法及裝置在審
| 申請?zhí)枺?/td> | 202010625258.6 | 申請日： | 2020-07-02 |
| 公開（公告）號： | CN111915562A | 公開（公告）日： | 2020-11-10 |
| 發(fā)明（設計）人： | 趙列賓;張玉奇;王成;王蘊衡;馬驍杰;吳蘭萍;洪雯靜;陳麗君;董斌;王漢松;李昂;俞益洲 | 申請（專利權(quán)）人： | 杭州深睿博聯(lián)科技有限公司;北京深睿博聯(lián)科技有限責任公司;上海深睿博聯(lián)醫(yī)療科技有限公司 |
| 主分類號： | G06T7/00 | 分類號： | G06T7/00;G06K9/32;G06K9/62;G06N3/04 |
| 代理公司： | 北京天方智力知識產(chǎn)權(quán)代理事務所(普通合伙) 11719 | 代理人： | 白凱園 |
| 地址： | 311121 浙江省杭州市*** | 國省代碼： | 浙江;33 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 深度 學習 兒童 超聲 心動 圖標 切面 識別 方法 裝置 | ||
1.一種深度學習的兒童超聲心動圖標準切面識別方法，其特征在于，包括：
獲取超聲心動圖，對所述超聲心動圖進行預處理，得到多幀超聲心動圖圖像；
提取對所述多幀超聲心動圖圖像的感興趣區(qū)域；
利用經(jīng)典的殘差網(wǎng)絡ResNet對所述感興趣區(qū)域像進行特征提取，得到所述感興趣區(qū)域的切面特征；
將所述感興趣區(qū)域的切面特征按照預設類別進行分類，得到分類結(jié)果；
對所述分類結(jié)果進行平滑后處理，得到處理后的分類結(jié)果；
生成并顯示所述超聲心動圖對應的特征熱力圖。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述預設類別包括：27種類別的切面；
所述27種類別的切面包括：連續(xù)波頻譜、主動脈血流頻譜、肺動脈血流頻譜、二尖瓣血流頻譜、三尖瓣血流頻譜、降主動脈血流頻譜、其他血流頻譜、主動脈M型、左心室短軸M型、其他M型、劍突下房間隔額狀切面、劍突下房間隔矢狀切面、劍突下四腔心切面、劍突下左室短軸切面、劍突下右室流出道切面、胸骨旁左室長軸切面、胸骨旁主動脈短軸切面、胸骨旁肺動脈切面、胸骨旁左室短軸切面、低位胸骨旁四腔心切面、低位胸骨旁五腔心切面、心尖四腔心切面、心尖五腔心切面、胸骨上窩主動脈弓切面、雙幅、其他標準切面和非標準切面。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述分類結(jié)果進行平滑后處理，得到處理后的分類結(jié)果包括：
將當前幀的預測結(jié)果與前N幀預測結(jié)果相結(jié)合，采用多數(shù)投票算法對當所述前幀預測結(jié)果進行矯正，得到處理后的分類結(jié)果。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述N＝4。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括：
對所述熱力圖與所述分類結(jié)果進行比對。
6.一種深度學習的兒童超聲心動圖標準切面識別裝置，其特征在于，包括：
預處理模塊，用于獲取超聲心動圖，對所述超聲心動圖進行預處理，得到多幀超聲心動圖圖像；
感興趣區(qū)域提取模塊，用于提取對所述多幀超聲心動圖圖像的感興趣區(qū)域；
特征提取模塊，用于利用經(jīng)典的殘差網(wǎng)絡ResNet對所述感興趣區(qū)域像進行特征提取，得到所述感興趣區(qū)域的切面特征；
分類模塊，用于將所述感興趣區(qū)域的切面特征按照預設類別進行分類，得到分類結(jié)果；
處理模塊，用于對所述分類結(jié)果進行平滑后處理，得到處理后的分類結(jié)果；
顯示模塊，用于生成并顯示所述超聲心動圖對應的特征熱力圖。
7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述預設類別包括：27種類別的切面；
所述27種類別的切面包括：連續(xù)波頻譜、主動脈血流頻譜、肺動脈血流頻譜、二尖瓣血流頻譜、三尖瓣血流頻譜、降主動脈血流頻譜、其他血流頻譜、主動脈M型、左心室短軸M型、其他M型、劍突下房間隔額狀切面、劍突下房間隔矢狀切面、劍突下四腔心切面、劍突下左室短軸切面、劍突下右室流出道切面、胸骨旁左室長軸切面、胸骨旁主動脈短軸切面、胸骨旁肺動脈切面、胸骨旁左室短軸切面、低位胸骨旁四腔心切面、低位胸骨旁五腔心切面、心尖四腔心切面、心尖五腔心切面、胸骨上窩主動脈弓切面、雙幅、其他標準切面和非標準切面。
8.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述處理模塊通過如下方式對所述分類結(jié)果進行平滑后處理，得到處理后的分類結(jié)果：
所述處理模塊，具體用于將當前幀的預測結(jié)果與前N幀預測結(jié)果相結(jié)合，采用多數(shù)投票算法對當所述前幀預測結(jié)果進行矯正，得到處理后的分類結(jié)果。
9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述N＝4。
10.根據(jù)權(quán)利要求6所述的裝置，其特征在于，還包括：比對模塊，用于對所述熱力圖與所述分類結(jié)果進行比對。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于杭州深睿博聯(lián)科技有限公司;北京深睿博聯(lián)科技有限責任公司;上海深睿博聯(lián)醫(yī)療科技有限公司，未經(jīng)杭州深睿博聯(lián)科技有限公司;北京深睿博聯(lián)科技有限責任公司;上海深睿博聯(lián)醫(yī)療科技有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010625258.6/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
