基于人工智能的二尖瓣瓣口面积检测方法、系统和设备技术方案

本申请公开了基于人工智能的二尖瓣瓣口面积检测方法、系统和设备，所述方法包括：获取检测对象的超声心动图中反映二尖瓣结构的二维切面视频；将所述二维切面视频输入至训练好的深度学习分类模型中，获取所述二维切面视频含有二尖瓣狭窄图像特征的预测值；若所述预测值满足预设条件，则将该检测对象的心尖四腔心二尖瓣连续多普勒频谱切面图像输入图像分割网络模型，获取该切面图像对应的频谱波形图；根据所述频谱波形图预测二尖瓣瓣口面积。本申请的上述方法、系统和设备大大提高了超声检测的准确性和一致性。

Detection method, system and equipment of mitral valve orifice area based on Artificial Intelligence

【技术实现步骤摘要】
基于人工智能的二尖瓣瓣口面积检测方法、系统和设备
本申请涉及医学视频图像的检测识别
，尤其涉及一种基于人工智能的二尖瓣瓣口面积检测方法、系统和设备。
技术介绍
重度二尖瓣狭窄（mitralstenosis，MS）会导致左房压力显著升高和左房增大，引起房颤、咯血、心衰等疾病，严重者如果不及时手术，疾病晚期病人会因反复心衰入院，甚至引起死亡。二尖瓣瓣口面积是评估二尖瓣狭窄的严重程度及手术决策的若干指标之一。现有技术中往往使用超声心动图来测量二尖瓣瓣口面积，但是由于超声心动图结果多依赖于检查者的经验，导致个体间差异比较大。近年来，研究表明人工智能技术对心脏超声影像的自动测量、分析与判读较专业医生人工操作相比具有巨大潜能，可以实现数据分析与判断的标准化，从而排除人为主观因素的干扰，减少心脏超声检测的个体间差异和个体内差异，提高检测的准确性和一致性。
技术实现思路
鉴于现有技术中的上述缺陷或不足，本申请提供了一种基于人工智能的二尖瓣瓣口面积检测方法、系统和设备，通过采用创新的深度学习模型和图像识别技术，提高了二尖瓣瓣口面积超声检测的准确性和一致性。本专利技术的第一方面，提供了一种基于人工智能的二尖瓣瓣口面积检测方法，包括：获取检测对象的超声心动图中反映二尖瓣结构的二维切面视频；将所述二维切面视频输入至训练好的深度学习分类模型中，获取所述二维切面视频含有二尖瓣狭窄图像特征的预测值；若所述预测值满足预设条件，则将该检测对象的心尖四腔心二尖瓣连续多普勒频谱切面图像输入图像分割网络模型，获取该切面图像对应的频谱波形图；根据所述频谱波形图预测二尖瓣瓣口面积。进一步的，所述根据所述频谱波形图预测二尖瓣瓣口面积的步骤包括：利用函数拟合工具提取所述频谱波形图的频谱轮廓，获取对应时间的血液流速曲线，其中t表示时间；识别所述曲线中血流舒张早期最大峰值；计算所述血流舒张早期最大峰值的下降直线数据；根据所述血流舒张早期最大峰值的下降直线数据，预测二尖瓣瓣口面积。进一步的，识别所述曲线中血流舒张早期最大峰值的步骤包括：截取所述曲线中时间跨度为T的静息状态下的部分曲线；在所述部分曲线上从头选取长度为的曲线作为预测周期，该预测周期对应的预测曲线表达为：其中，t表示时间，表示预测周期，T为静息状态下的部分曲线的时间跨度，表示时间t除以的余数；将损失函数定义为：其中，是对应时间t的血液流速，为对应时间的预测曲线值；当预测周期使得所述损失函数最小时，将该预测周期作为第一个完整心跳周期；依次挑选出所述对应时间的血液流速曲线中全部的完整心跳周期，对所述全部的完整心跳周期求取均值，以获得完整心跳的单周期曲线；计算所述完整心跳的单周期曲线的二阶导数，以获取血流舒张早期最大峰值。进一步的，根据所述血流舒张早期最大峰值的下降直线数据，预测二尖瓣瓣口面积的步骤包括：获取二尖瓣舒张早期最大压力阶差自所述血流舒张早期最大峰值开始下降到该压力阶差值一半所用的时间；根据该时间预测所述二尖瓣瓣口面积的预测值。进一步的，所述深度学习分类模型优选为S3D网络模型，所述图像分割网络模型优选为Unet模型。本专利技术的第二方面，提供了一种基于人工智能的二尖瓣瓣口面积检测系统，包括：获取模块，用于获取检测对象的超声心动图中反映二尖瓣结构的二维切面视频；分类模块，用于将所述二维切面视频输入至训练好的深度学习分类模型中，获取所述二维切面视频含有二尖瓣狭窄图像特征的预测值；图像处理模块，用于若所述预测值满足预设条件，则将该检测对象的心尖四腔心二尖瓣连续多普勒频谱切面图像输入图像分割网络模型，获取该切面图像对应的频谱波形图；预测模块，用于根据所述频谱波形图预测二尖瓣瓣口面积。进一步的，所述预测模块用于：利用函数拟合工具提取所述频谱波形图的频谱轮廓，获取对应时间的血液流速曲线，其中t表示时间；识别所述曲线中血流舒张早期最大峰值；计算所述血流舒张早期最大峰值的下降直线数据；根据所述血流舒张早期最大峰值的下降直线数据，预测二尖瓣瓣口面积。进一步的，所述预测模块用于截取所述曲线中时间跨度为T的静息状态下的部分曲线；在所述部分曲线上从头选取长度为的曲线作为预测周期，该预测周期对应的预测曲线表达为：其中，t表示时间，表示预测周期，T为静息状态下的部分曲线的时间跨度，表示时间t除以的余数；将损失函数定义为：其中，是对应时间的血液流速，为对应时间t的预测曲线值；当预测周期使得所述损失函数最小时，将该预测周期作为第一个完整心跳周期；依次挑选出所述对应时间的血液流速曲线中全部的完整心跳周期，对所述全部的完整心跳周期求取均值，以获得完整心跳的单周期曲线；计算所述完整心跳的单周期曲线的二阶导数，以获取血流舒张早期最大峰值。进一步的，所述预测模块用于：获取二尖瓣舒张早期最大压力阶差自所述血流舒张早期最大峰值开始下降到该压力阶差值一半所用的时间；根据该时间计算所述二尖瓣瓣口面积的预测值。本专利技术的第三方面，提供了一种医学超声检测设备，包括：超声检测探头、至少一个处理器、以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行上述基于人工智能的二尖瓣瓣口面积检测方法。综上，本申请提供的基于人工智能的二尖瓣瓣口面积检测方法、系统和设备，利用深度学习模型对预定切面的二维切面视频进行分类，输出带有二尖瓣狭窄特征的超声图像的预测值，将预测值满足要求的超声图像的切面图像进一步输入至图像分割网络模型，以获取该切面图像对应的频谱波形图，根据所述频谱波形图预测二尖瓣瓣口面积。本申请的上述方法、系统和设备大大提高了超声检测的准确性和一致性。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本专利技术一个实施例提供的二尖瓣瓣口面积的超声检测识别方法的流程图；图2是本专利技术另一实施例提供的根据频谱波形图预测二尖瓣瓣口面积的流程图；图3是本专利技术另一实施例提供的识别所述曲线中血流舒张早期最大峰值的流程图；图4是本专利技术另一实施例提供的根据所述血流舒张早期最大峰值的下降直线数据，预测二尖瓣瓣口面积的流程图；图5是本专利技术另一实施例提供的二尖瓣瓣口面积的超声检测识别系统的功能模块图；图6是本专利技术另一实施例提供的一种医学超声检测设备的结构框图；图7是本专利技术另一实施例提供的一种B超机的硬件结构图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与专利技术相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详本文档来自技高网...

【技术保护点】
1.基于人工智能的二尖瓣瓣口面积检测方法，其特征在于，包括：/n获取检测对象的超声心动图中反映二尖瓣结构的二维切面视频；/n将所述二维切面视频输入至训练好的深度学习分类模型中，获取所述二维切面视频含有二尖瓣狭窄图像特征的预测值；/n若所述预测值满足预设条件，则将该检测对象的心尖四腔心二尖瓣连续多普勒频谱切面图像输入图像分割网络模型，获取该切面图像对应的频谱波形图；/n根据所述频谱波形图预测二尖瓣瓣口面积。/n

【技术特征摘要】
1.基于人工智能的二尖瓣瓣口面积检测方法，其特征在于，包括：
获取检测对象的超声心动图中反映二尖瓣结构的二维切面视频；
将所述二维切面视频输入至训练好的深度学习分类模型中，获取所述二维切面视频含有二尖瓣狭窄图像特征的预测值；
若所述预测值满足预设条件，则将该检测对象的心尖四腔心二尖瓣连续多普勒频谱切面图像输入图像分割网络模型，获取该切面图像对应的频谱波形图；
根据所述频谱波形图预测二尖瓣瓣口面积。


2.根据权利要求1所述的基于人工智能的二尖瓣瓣口面积检测方法，其特征在于，所述根据所述频谱波形图预测二尖瓣瓣口面积的步骤包括：
利用函数拟合工具提取所述频谱波形图的频谱轮廓，获取对应时间的血液流速曲线，其中t表示时间；
识别所述曲线中血流舒张早期最大峰值；
计算所述血流舒张早期最大峰值的下降直线数据；
根据所述血流舒张早期最大峰值的下降直线数据，预测二尖瓣瓣口面积。


3.根据权利要求2所述的基于人工智能的二尖瓣瓣口面积检测方法，其特征在于，识别所述曲线中血流舒张早期最大峰值的步骤包括：
截取所述曲线中时间跨度为T的静息状态下的部分曲线；
在所述部分曲线上从头选取长度为的曲线作为预测周期，该预测周期对应的预测曲线表达为：



其中，t表示时间，表示预测周期，T为静息状态下的部分曲线的时间跨度，表示时间t除以的余数；
将损失函数定义为：



其中，是对应时间t的血液流速，为对应时间t的预测曲线值；
当预测周期使得所述损失函数最小时，将该预测周期作为第一个完整心跳周期；
依次挑选出所述对应时间的血液流速曲线中全部的完整心跳周期，对所述全部的完整心跳周期求取均值，以获得完整心跳的单周期曲线；
计算所述完整心跳的单周期曲线的二阶导数，以获取血流舒张早期最大峰值。


4.根据权利要求3所述的基于人工智能的二尖瓣瓣口面积检测方法，其特征在于，根据所述血流舒张早期最大峰值的下降直线数据，预测二尖瓣瓣口面积的步骤包括：
获取二尖瓣舒张早期最大压力阶差自所述血流舒张早期最大峰值开始下降到该压力阶差值一半所用的时间；
根据该时间预测所述二尖瓣瓣口面积的预测值。


5.根据权利要求1所述的基于人工智能的二尖瓣瓣口面积检测方法，其特征在于，所述深度学习分类模型为S3D网络模型，所述图像分割网络模型为Unet模型。


6.基于人工智能的二尖瓣瓣口面...

【专利技术属性】
技术研发人员：李宗任，何昆仑，杨菲菲，刘博罕，王秋霜，陈煦，郭华源，张璐，邓玉娇，
申请(专利权)人：中国人民解放军总医院，
类型：发明
国别省市：北京;11