本公开涉及一种基于深度学习的二维超声心动图管径检测方法及装置、电子设备和存储介质。通过将二维超声心动图待测图像输入至训练好的关键点检测网络中，输出关键点坐标，根据关键点坐标和待测图像的参数计算出待测血管的实际径长。本公开所述方法可以实现二维超声心动图血管内径的全自动测量，不需要提前指定血管区域，无需人工干预。并且，由于关键点检测网络可以将关键点置信度热力图转化为关键点坐标进行输出，既保证了空间泛化性，又降低了精度损失，提升了准确率。提升了准确率。提升了准确率。
【技术实现步骤摘要】
基于深度学习的二维超声心动图管径检测方法及装置
[0001]本公开涉及图像处理领域，尤其涉及一种基于深度学习的二维超声心动图管径检测方法及装置、电子设备和存储介质。
技术介绍
[0002]超声心动图是一种利用超声波获得心脏图像的技术。二维超声心动图是超声心动图检查中最常见的成像方法之一，主要用于检查心脏各结构的形态及功能状态。医生可以通过查看二维超声心动图来测量并计算心脏和大血管的参数，进而进行疾病诊断。
[0003]目前超声心动图中管径的测量通常由医生人工操作完成。医生手动在软件上标注关键点，对血管内径进行测量。当医生查看一个二维超声心动图，认为需要获取血管管径来辅助疾病诊断时，会先用肉眼进行测量帧的选择。根据待测血管的不同，医生会选择不同具有医学意义的帧来进行后续测量。确定测量帧后会使用现有医学图像软件中的标尺工具，依次手动定位关键点，然后进行测量。也有一些半自动测量技术，需要医生先手动指定血管区域，才能进行自动测量。当医生需要多个切面上多个血管的测量值时，针对每一条血管都要进行上述操作，操作相对重复，且较为繁琐。另外，人工操作不可避免地会产生一些误差。不同医生之间测量时选取的测量帧、关键点会有偏差，即使是同一个医生在两个不同时间进行测量，选取的测量帧、关键点可能也不完全相同。
技术实现思路
[0004]有鉴于此，本公开提出了一种基于深度学习的二维超声心动图管径检测方法及装置、电子设备和存储介质，可以实现二维超声心动图血管内径的全自动测量，不需要提前指定血管区域，无需人工干预。
[0005]根据本公开的一方面，提供了一种基于深度学习的二维超声心动图管径检测方法，包括以下步骤：
[0006]获取二维超声心动图待测图像，所述待测图像包括待测血管；
[0007]将所述待测图像输入至训练好的关键点检测网络中，所述关键点检测网络输出关键点坐标，所述关键点坐标包括第一关键点坐标和第二关键点坐标；
[0008]根据所述第一关键点坐标、所述第二关键点坐标和所述待测图像的参数，计算所述待测血管的实际径长；
[0009]其中，所述关键点检测网络包括soft
‑
argmax层，用于将关键点置信度热力图转化为关键点坐标。
[0010]在一种可能的实现方式中，所述将关键点置信度热力图转化为关键点坐标，包括：
[0011]对关键点置信度热力图进行归一化操作；
[0012]对归一化后的关键点置信度热力图进行分组卷积运算，得到关键点坐标。
[0013]在一种可能的实现方式中，所述关键点检测网络的训练步骤包括：
[0014]获取二维超声心动图样本图像，所述样本图像上标记有关键点坐标；
[0015]根据所述样本图像及所述关键点坐标创建数据集，使用数据增强方法处理所述样本图像，对所述数据集进行扩充；
[0016]将所述数据集中的图像作为所述关键点检测网络的输入，根据所述关键点检测网络输出、所述图像上的关键点坐标以及损失函数，对所述关键点检测网络进行训练；
[0017]在满足训练条件时，得到训练好的关键点检测网络。
[0018]在一种可能的实现方式中，所述基于深度学习的二维超声心动图管径检测方法，还包括：
[0019]在得到训练好的关键点检测网络之后，将测试集中的样本图像输入至训练好的关键点检测网络，得到关键点检测网络输出的关键点坐标，所述测试集包括标记有关键点坐标的样本图像；
[0020]根据关键点检测网络输出的关键点坐标和测试集中样本图像标记的关键点坐标，得到针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果。
[0021]在一种可能的实现方式中，所述基于深度学习的二维超声心动图管径检测方法，还包括：
[0022]在针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果二者中的至少一个不满足预设要求的情况下，对关键点检测网络的参数进行调整。
[0023]在一种可能的实现方式中，所述将所述数据集中的图像作为关键点检测网络的输入之前，还包括：
[0024]调整所述图像的尺寸至所述关键点检测网络的固定输入图像尺寸，并根据图像缩放比例修改所述图像上的关键点坐标数值。
[0025]在一种可能的实现方式中，所述待测图像的参数包括所述待测图像的像素间距。
[0026]根据本公开的另一方面，提供了一种基于深度学习的二维超声心动图管径检测装置，包括：
[0027]获取模块，用于获取二维超声心动图待测图像，所述待测图像包括待测血管；
[0028]关键点检测模块，用于将所述待测图像输入至训练好的关键点检测网络中，所述关键点检测网络输出关键点坐标，所述关键点坐标包括第一关键点坐标和第二关键点坐标；
[0029]参数计算模块，用于根据所述第一关键点坐标、所述第二关键点坐标和所述待测图像的参数，计算所述待测血管的实际径长；
[0030]其中，所述关键点检测网络包括soft
‑
argmax层，用于将关键点置信度热力图转化为关键点坐标。
[0031]在一种可能的实现方式中，所述将关键点置信度热力图转化为关键点坐标，包括：
[0032]对关键点置信度热力图进行归一化操作；
[0033]对归一化后的关键点置信度热力图进行分组卷积运算，得到关键点坐标。
[0034]在一种可能的实现方式中，所述关键点检测网络的训练步骤包括：
[0035]获取二维超声心动图样本图像，所述样本图像上标记有关键点坐标；
[0036]根据所述样本图像及所述关键点坐标创建数据集，使用数据增强方法处理所述样本图像，对所述数据集进行扩充；
[0037]将所述数据集中的图像作为所述关键点检测网络的输入，根据所述关键点检测网
络输出、所述图像上的关键点坐标以及损失函数，对所述关键点检测网络进行训练；
[0038]在满足训练条件时，得到训练好的关键点检测网络。
[0039]在一种可能的实现方式中，所述基于深度学习的二维超声心动图管径检测装置，还包括效果评估模块，用于：
[0040]在得到训练好的关键点检测网络之后，将测试集中的样本图像输入至训练好的关键点检测网络，得到关键点检测网络输出的关键点坐标，所述测试集包括标记有关键点坐标的样本图像；
[0041]根据关键点检测网络输出的关键点坐标和测试集中样本图像标记的关键点坐标，得到针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果。
[0042]在一种可能的实现方式中，所述基于深度学习的二维超声心动图管径检测装置，还包括参数调整模块，用于在针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果二者中的至少一个不满足预设要求的情况下，对关键点检测网络的参数进行调整。
[0043]在一种可能的实现方式中，所述将所述数据集中的图像作为关键点检测网络的输入之前，还包括：
[0044本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的二维超声心动图管径检测方法，其特征在于，包括以下步骤：获取二维超声心动图待测图像，所述待测图像包括待测血管；将所述待测图像输入至训练好的关键点检测网络中，所述关键点检测网络输出关键点坐标，所述关键点坐标包括第一关键点坐标和第二关键点坐标；根据所述第一关键点坐标、所述第二关键点坐标和所述待测图像的参数，计算所述待测血管的实际径长；其中，所述关键点检测网络包括soft
‑
argmax层，用于将关键点置信度热力图转化为关键点坐标。2.根据权利要求1所述的基于深度学习的二维超声心动图管径检测方法，其特征在于，所述将关键点置信度热力图转化为关键点坐标，包括：对关键点置信度热力图进行归一化操作；对归一化后的关键点置信度热力图进行分组卷积运算，得到关键点坐标。3.根据权利要求1所述的基于深度学习的二维超声心动图管径检测方法，其特征在于，所述关键点检测网络的训练步骤包括：获取二维超声心动图样本图像，所述样本图像上标记有关键点坐标；根据所述样本图像及所述关键点坐标创建数据集，使用数据增强方法处理所述样本图像，对所述数据集进行扩充；将所述数据集中的图像作为所述关键点检测网络的输入，根据所述关键点检测网络输出、所述图像上的关键点坐标以及损失函数，对所述关键点检测网络进行训练；在满足训练条件时，得到训练好的关键点检测网络。4.根据权利要求3所述的基于深度学习的二维超声心动图管径检测方法，其特征在于，所述方法还包括：在得到训练好的关键点检测网络之后，将测试集中的样本图像输入至训练好的关键点检测网络，得到关键点检测网络输出的关键点坐标，所述测试集包括标记有关键点坐标的样本图像；根据关键点检测网络输出的关键点坐标和测试集中样本图像标记的关键点坐标，得到针对关键点坐标预测效果的评估结果，和针对管径长度预测效果的评估结果。5....
【专利技术属性】
技术研发人员：高雨霏，叶菁，张培芳，陈晓天，王宝泉，吴振洲，
申请(专利权)人：北京安德医智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。