[發(fā)明專利]一種基于深度學習的射血分數(shù)估計方法、終端及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202010909096.9
• 申請日: 2020-09-02
• 公開（公告）號: CN112075956B
• 公開（公告）日: 2022-07-22
• 發(fā)明（設(shè)計）人: 薛武峰;魏鴻榮;倪東;周永進
• 申請（專利權(quán)）人: 深圳大學
• 主分類號: A61B8/06
• 分類號: A61B8/06
• 代理公司: 深圳市君勝知識產(chǎn)權(quán)代理事務所(普通合伙) 44268
• 代理人: 陳專

1.一種基于深度學習的射血分數(shù)估計方法，其特征在于，所述基于深度學習的射血分數(shù)估計方法包括：

接收心尖二腔序列和心尖四腔序列的輸入，并對所述心尖二腔序列和所述心尖四腔序列進行預處理；

構(gòu)建并優(yōu)化聯(lián)合學習網(wǎng)絡(luò)，所述聯(lián)合學習網(wǎng)絡(luò)為三維全卷積神經(jīng)網(wǎng)絡(luò)，將預處理后的所述心尖二腔序列和所述心尖四腔序列輸入到所述聯(lián)合學習網(wǎng)絡(luò)中，輸出全序列的分割結(jié)果和運動估計結(jié)果；

基于訓練好的所述聯(lián)合學習網(wǎng)絡(luò)對全序列進行分割，并對所述分割結(jié)果進行后處理；

基于二腔室和四腔室的左心室舒張末期和收縮末期的分割結(jié)果，通過Simpson雙平面法計算兩個時期的心臟容積，輸出射血分數(shù)；

所述優(yōu)化聯(lián)合學習網(wǎng)絡(luò)包括：第一階段優(yōu)化和第二階段優(yōu)化；

所述第一階段優(yōu)化包括：基于圖像灰度特征的全序列心臟追蹤和首尾幀心臟分割，第一階段優(yōu)化對網(wǎng)絡(luò)參數(shù)進行迭代優(yōu)化；

所述第二階段優(yōu)化包括：基于形狀特征的全序列心臟分割和全序列心臟輪廓追蹤，使用前向/反向形變場對首尾幀的金標準進行空間變換，得到中間幀心臟結(jié)構(gòu)的偽標簽，并與中間幀的分割結(jié)果計算一致性損失；

通過第一階段的分割模型和追蹤模型形成中間幀的心臟分割偽標簽，從而利用更多的訓練數(shù)據(jù)提高分割性能，更高的分割性能得到更加精準的心臟形狀，從而提高第二階段心臟形狀追蹤的性能，兩個階段不斷迭代，相互促進；

所述后處理包括：二值圖像補洞操作和最大連通域選擇操作；

所述基于訓練好的所述聯(lián)合學習網(wǎng)絡(luò)對全序列進行分割，并對所述分割結(jié)果進行后處理，之后還包括：

通過最近鄰插值將所述分割結(jié)果的尺寸轉(zhuǎn)化為原圖像尺寸。

2.根據(jù)權(quán)利要求1所述的基于深度學習的射血分數(shù)估計方法，其特征在于，所述預處理包括：視頻幀采樣、圖像尺寸歸一化和圖像灰度歸一化。

3.一種終端，其特征在于，所述終端包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的基于深度學習的射血分數(shù)估計程序，所述基于深度學習的射血分數(shù)估計程序被所述處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-2任一項所述的基于深度學習的射血分數(shù)估計方法的步驟。

4.一種存儲介質(zhì)，其特征在于，所述存儲介質(zhì)存儲有基于深度學習的射血分數(shù)估計程序，所述基于深度學習的射血分數(shù)估計程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-2任一項所述的基于深度學習的射血分數(shù)估計方法的步驟。