[發(fā)明專利]基于人工智能的卵圓孔閉合檢測(cè)方法、系統(tǒng)、設(shè)備及介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110490447.1
• 申請(qǐng)日: 2021-05-06
• 公開(kāi)（公告）號(hào): CN113180737B
• 公開(kāi)（公告）日: 2022-02-08
• 發(fā)明（設(shè)計(jì)）人: 何昆侖;鄧玉姣;陳煦;林錫祥;王文君;鐘琴;段永杰;張培芳
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍總醫(yī)院;北京安德醫(yī)智科技有限公司
• 主分類號(hào): A61B8/08
• 分類號(hào): A61B8/08;G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京志霖恒遠(yuǎn)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11435
• 代理人: 郭棟梁

1.一種基于人工智能的卵圓孔閉合檢測(cè)系統(tǒng)，其特征在于，所述系統(tǒng)包括：

獲取模塊，用于獲取檢測(cè)對(duì)象在至少兩種模態(tài)下的超聲心動(dòng)視頻，所述超聲心動(dòng)視頻包括至少一個(gè)切面；

處理模塊，用于對(duì)所述超聲心動(dòng)視頻進(jìn)行預(yù)處理，提取所述超聲心動(dòng)視頻中的每一視頻幀；

確定模塊，用于將所述每一視頻幀輸入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型，確定所述檢測(cè)對(duì)象的卵圓孔閉合狀態(tài)檢測(cè)結(jié)果，所述卷積神經(jīng)網(wǎng)絡(luò)模型包括第一檢測(cè)模型和與所述第一檢測(cè)模型相連的第二檢測(cè)模型，所述第一檢測(cè)模型用于輸出所述檢測(cè)對(duì)象在所述至少兩種模態(tài)的陰陽(yáng)性檢測(cè)結(jié)果，所述第二檢測(cè)模型用于對(duì)所述檢測(cè)結(jié)果呈陽(yáng)性的視頻幀進(jìn)行分類，得到卵圓孔閉合狀態(tài)檢測(cè)結(jié)果；

利用上述基于人工智能的卵圓孔閉合狀態(tài)檢測(cè)系統(tǒng)進(jìn)行的基于人工智能的卵圓孔閉合檢測(cè)方法，包括：

獲取檢測(cè)對(duì)象在至少兩種模態(tài)下的超聲心動(dòng)視頻，所述超聲心動(dòng)視頻包括至少一個(gè)切面；

對(duì)所述超聲心動(dòng)視頻進(jìn)行預(yù)處理，提取所述超聲心動(dòng)視頻中的每一視頻幀；

將所述每一視頻幀輸入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型，確定所述檢測(cè)對(duì)象的卵圓孔閉合狀態(tài)檢測(cè)結(jié)果，所述卷積神經(jīng)網(wǎng)絡(luò)模型包括第一檢測(cè)模型和與所述第一檢測(cè)模型相連的第二檢測(cè)模型，所述第一檢測(cè)模型用于輸出所述檢測(cè)對(duì)象在所述至少兩種模態(tài)的陰陽(yáng)性檢測(cè)結(jié)果，所述第二檢測(cè)模型用于對(duì)所述檢測(cè)結(jié)果呈陽(yáng)性的視頻幀進(jìn)行分類，得到卵圓孔閉合狀態(tài)檢測(cè)結(jié)果；

所述至少兩種模態(tài)包括靜息模態(tài)和瓦氏模態(tài)，將所述每一視頻幀輸入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型，確定所述檢測(cè)對(duì)象的卵圓孔閉合狀態(tài)檢測(cè)結(jié)果，包括：

將所述每一視頻幀輸入至所述第一檢測(cè)模型中，確定所述每一視頻幀在靜息模態(tài)和瓦氏模態(tài)的陰陽(yáng)性檢測(cè)結(jié)果，所述陰陽(yáng)性檢測(cè)結(jié)果包括陽(yáng)性結(jié)果，所述第一檢測(cè)模型包括靜息模態(tài)檢測(cè)子模型和瓦氏模態(tài)檢測(cè)子模型；

將所述呈陽(yáng)性結(jié)果的每一視頻幀輸入至所述第二檢測(cè)模型中，確定所述檢測(cè)對(duì)象的卵圓孔閉合狀態(tài)檢測(cè)結(jié)果；

將所述每一視頻幀輸入至所述第一檢測(cè)模型中，所述每一視頻幀在靜息模態(tài)和瓦氏模態(tài)的陰陽(yáng)性檢測(cè)結(jié)果，包括：

確定所述檢測(cè)對(duì)象在靜息模態(tài)和瓦氏模態(tài)對(duì)應(yīng)的每一視頻幀；

并行地將所述檢測(cè)對(duì)象在靜息模態(tài)對(duì)應(yīng)的每一視頻幀輸入所述靜息模態(tài)檢測(cè)子模型，得到在靜息模態(tài)下所述超聲心動(dòng)視頻含有預(yù)識(shí)別圖像特征的第一預(yù)測(cè)值，以及將所述檢測(cè)對(duì)象在瓦氏模態(tài)對(duì)應(yīng)的每一視頻幀輸入所述瓦氏模態(tài)檢測(cè)子模型，得到在瓦氏模態(tài)下所述超聲心動(dòng)視頻含有預(yù)識(shí)別圖像特征的第二預(yù)測(cè)值；

對(duì)所述第一預(yù)測(cè)值和所述第二預(yù)測(cè)值進(jìn)行綜合分析處理，確定所述每一視頻幀在靜息模態(tài)和瓦氏模態(tài)的陰陽(yáng)性檢測(cè)結(jié)果；

將所述檢測(cè)對(duì)象在靜息狀態(tài)對(duì)應(yīng)的每一視頻幀輸入所述靜息模態(tài)檢測(cè)子模型，得到所述超聲心動(dòng)視頻含有預(yù)識(shí)別圖像特征的第一預(yù)測(cè)值，包括：

將所述檢測(cè)對(duì)象在靜息狀態(tài)對(duì)應(yīng)的每一視頻幀輸入所述靜息模態(tài)檢測(cè)子模型，得到與每一視頻幀對(duì)應(yīng)的N維特征向量；

將所述每一視頻幀對(duì)應(yīng)的N維特征向量通過(guò)全局分組卷積層進(jìn)行處理，得到與所述每一視頻幀對(duì)應(yīng)的權(quán)重；

利用所述權(quán)重對(duì)所述N維特征向量進(jìn)行特征融合，得到整體特征表示；

基于所述整體特征表示，計(jì)算在靜息模態(tài)下所述超聲心動(dòng)視頻含有預(yù)識(shí)別圖像特征的第一預(yù)測(cè)值。

2.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，對(duì)所述超聲心動(dòng)視頻進(jìn)行預(yù)處理，提取所述超聲視頻中的每一視頻幀，包括：

對(duì)所述超聲心動(dòng)視頻進(jìn)行預(yù)處理，得到預(yù)處理后的圖像；

將所述預(yù)處理后的圖像進(jìn)行顏色通道的重排處理，得到所述超聲心動(dòng)視頻中的每一視頻幀。

3.根據(jù)權(quán)利要求2所述的系統(tǒng)，其特征在于，對(duì)所述超聲心動(dòng)視頻進(jìn)行預(yù)處理，得到預(yù)處理后的圖像，包括：

采用預(yù)設(shè)的采樣率和編碼格式對(duì)所述超聲心動(dòng)視頻進(jìn)行處理，得到處理后的超聲心動(dòng)視頻；

對(duì)所述處理后的超聲心動(dòng)視頻進(jìn)行抽幀處理，得到所有圖像幀；

對(duì)所述所有圖像幀中的每個(gè)圖像幀進(jìn)行灰度化、標(biāo)準(zhǔn)化、歸一化處理，輸出與所述每個(gè)圖像幀對(duì)應(yīng)的預(yù)處理后的圖像。

4.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，靜息模態(tài)檢測(cè)子模型按照如下方式構(gòu)建包括：

構(gòu)建歷史超聲視頻數(shù)據(jù)，將所述歷史超聲視頻數(shù)據(jù)分為訓(xùn)練集和驗(yàn)證集；

利用所述訓(xùn)練集對(duì)待構(gòu)建的靜息模態(tài)檢測(cè)子模型進(jìn)行訓(xùn)練，得到待驗(yàn)證的靜息模態(tài)檢測(cè)子模型；

利用所述驗(yàn)證集對(duì)所述待驗(yàn)證的靜息模態(tài)檢測(cè)子模型，按照損失函數(shù)最小化對(duì)所述待驗(yàn)證的靜息模態(tài)檢測(cè)子模型進(jìn)行優(yōu)化處理，得到所述靜息模態(tài)檢測(cè)子模型。