心脏解剖学结构特征点的定位方法、定位装置制造方法及图纸

本发明专利技术提供一种心脏解剖学结构特征点的定位方法、定位装置，方法包括：获取心脏解剖学结构的超声心动图；将超声心动图进行数据增强处理以形成增强图像；根据增强图像生成对应的真实热图；将增强图像输入残差神经网络模型中进行训练，残差神经网络模型根据增强图像输出预测热图，并根据预测热图和真实热图计算残差神经网络模型的损失函数误差值，以进行梯度下降；重复以上步骤以训练残差神经网络模型；采用训练后的残差神经网络模型进行心脏解剖学结构特征点的定位。本发明专利技术利用热图回归法定位心脏解剖学结构特征点，减少了对庞大训练数据集的依赖，减轻了标注医师的负担，使用残差神经网络提取热图语义信息，提高了特征点定位的准确性。准确性。准确性。

【技术实现步骤摘要】
心脏解剖学结构特征点的定位方法、定位装置


[0001]本专利技术涉及计算机视觉
，具体涉及一种心脏解剖学结构特征点的定位方法和一种心脏解剖学结构特征点的定位装置。

技术介绍

[0002]随着心脏超声技术的发展，医学图像分析需求越来越广，而依靠医师人工标注医学图像解剖学结构特征点又难以在短时间内完成大批量医学图像的分析工作。
[0003]目前，虽然有基于深度学习的医学图像分析技术，但其一般是采用坐标回归方法，该方式需要大量的训练数据，需要大量人力准备工作，并且网络深度不够，面对心脏错综复杂的解剖学结构，很难掌握每种结构特征点的全部语义信息，难以得到精确的、误差小的预测。

技术实现思路

[0004]为解决上述技术问题，本专利技术的第一个目的在于提出一种心脏解剖学结构特征点的定位方法。
[0005]本专利技术的第二个目的在于提出一种心脏解剖学结构特征点的定位装置。
[0006]本专利技术采用的技术方案如下：本专利技术第一方面的实施例提出了一种心脏解剖学结构特征点的定位方法，包括以下步骤：获取心脏解剖学结构的超声心动图，所述超声心动图包括：特征点和特征点对应的语义信息；将超声心动图进行数据增强处理以形成增强图像；根据所述增强图像生成对应的真实热图，所述真实热图为与所述增强图像大小相同的多维矩阵，针对所述增强图像的每个特征点在所述真实热图中都设计一个基于二维高斯分布、以所述特征点为中心点且半径为r的高亮区域，r为正整数；将所述增强图像输入残差神经网络模型中进行训练，所述残差神经网络模型根据所述增强图像输出预测热图，并根据所述预测热图和所述真实热图计算所述残差神经网络模型的损失函数误差值，根据所述损失函数误差值进行梯度下降；重复以上步骤以训练所述残差神经网络模型，直至所述损失函数误差值达到设定要求；采用训练后的残差神经网络模型进行心脏解剖学结构特征点的定位。
[0007]本专利技术上述提出的心脏解剖学结构特征点的定位方法还可以具有如下附加技术特征：根据本专利技术的一个实施例，所述残差神经网络模型包括：7
×
7的卷积核，所述7
×
7的卷积核用于将所述增强图像进行卷积操作并进行Batch Norm（一种使神经网络在训练过程中使每一层神经网络的输入保持相同分布的算法）和Relu（线性整流函数）操作，以得到64维图像数据；Max Pooling（最大池数）模块，所述Max Pooling模块与所述7
×
7的卷积核相连，所述Max Pooling模块用于对所述64维图像数据进行Max Pooling操作；串联的第一至第四残差学习模块，所述第一至第四残差模块分别用于将Max Pooling操作后的64维图像数据依次进行残差处理，以分别得到第一至第四图
像，所述第一至第四图像分别为64维、128维、256维、512维的图像数据；串联的第一至第三上采样模块，所述第一上采样模块用于对所述第四图像进行上采样操作后与所述第三图像进行连接操作，再使用1
×
1的卷积核进行降维操作，生成256维64
×
32的第五图像；所述第二上采样模块用于对所述第五图像进行上采样操作后与所述第二图像进行连接操作，再使用1
×
1的卷积核进行降维操作，生成128维64
×
128的第六图像；所述第三上采样模块用于对所述第六图像进行上采样操作后与所述第一图像进行连接操作，再使用1
×
1的卷积核进行降维操作，生成64维256
×
128的第七图像；Sigmoid（一种神经网络激活函数）模块，所述Sigmoid模块用于对所述第七图像进行Sigmoid处理，以生成所述预测热图。
[0008]根据本专利技术的一个实施例，所述残差神经网络模型的损失函数采用Focal Loss损失函数。
[0009]根据本专利技术的一个实施例，不同语义信息的解剖学结构特征点对应不同的真实热图，其中，所述超声心动图为心尖四腔视图时，生成所述真实热图时采用第一高亮线将两个右心室心内膜连接起来，所述第一高亮线上的所有位置均被定义为右心室心内膜点，采用第二高亮线将两个右心室隔膜点连接起来，所述第二高亮线上的所有位置均被定义为右心室隔膜点。
[0010]根据本专利技术的一个实施例，所述特征点的语义信息包括心尖标注点，在训练所述残差神经网络模型时，心尖标注点设计3倍
‑
10倍的Loss权重。
[0011]本专利技术第二方面的实施例提出了一种心脏解剖学结构特征点的定位装置，包括：获取模块，所述获取模块用于获取心脏解剖学结构的超声心动图，所述超声心动图包括：特征点和特征点对应的语义信息；增强模块，所述增强模块用于将超声心动图进行数据增强处理以形成增强图像；生成模块，所生成模块用于根据所述增强图像生成对应的真实热图，所述真实热图为与所述增强图像大小相同的多维矩阵，针对所述增强图像的每个特征点在所述真实热图中都设计一个基于二维高斯分布、以所述特征点为中心点且半径为r的高亮区域，r为正整数；训练模块，所述训练模块用于将所述增强图像输入残差神经网络模型中进行训练，所述残差神经网络模型根据所述增强图像输出预测热图，并根据所述预测热图和所述真实热图计算所述残差神经网络模型的损失函数误差值，根据所述损失函数误差值进行梯度下降，直至所述损失函数误差值达到设定要求；定位模块，所述定位模块用于采用训练后的残差神经网络模型进行心脏解剖学结构特征点的定位。
[0012]本专利技术上述提出的心脏解剖学结构特征点的定位装置还可以具有如下附加技术特征：根据本专利技术的一个实施例，所述残差神经网络模型包括：7
×
7的卷积核，所述7
×
7的卷积核用于将所述增强图像进行卷积操作并进行Batch Norm和Relu操作，以得到64维图像数据；Max Pooling模块，所述Max Pooling模块与所述7
×
7的卷积核相连，所述Max Pooling模块用于对所述64维图像数据进行Max Pooling操作；串联的第一至第四残差学习模块，所述第一至第四残差模块分别用于将Max Pooling操作后的64维图像数据依次进行残差处理，以分别得到第一至第四图像，所述第一至第四图像分别为64维、128维、256维、512维的图像数据；串联的第一至第三上采样模块，所述第一上采样模块用于对所述第四图像进行上采样操作后与所述第三图像进行连接操作，再使用1
×
1的卷积核进行降维操作，生成256维64
×
32的第五图像；所述第二上采样模块用于对所述第五图像进行上采样操作
后与所述第二图像进行连接操作，再使用1
×
1的卷积核进行降维操作，生成128维64
×
128的第六图像；所述第三上采样模块用于对所述第六图像进行上采样操作后与所述第一图像进行连接操作，再使用1
×
1的卷积核进行降维操作，生成64维256
×
128的第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心脏解剖学结构特征点的定位方法，其特征在于，包括以下步骤：获取心脏解剖学结构的超声心动图，所述超声心动图包括：特征点和特征点对应的语义信息；将超声心动图进行数据增强处理以形成增强图像；根据所述增强图像生成对应的真实热图，所述真实热图为与所述增强图像大小相同的多维矩阵，针对所述增强图像的每个特征点在所述真实热图中都设计一个基于二维高斯分布、以所述特征点为中心点且半径为r的高亮区域，r为正整数；将所述增强图像输入残差神经网络模型中进行训练，所述残差神经网络模型根据所述增强图像输出预测热图，并根据所述预测热图和所述真实热图计算所述残差神经网络模型的损失函数误差值，根据所述损失函数误差值进行梯度下降；重复以上步骤以训练所述残差神经网络模型，直至所述损失函数误差值达到设定要求；采用训练后的残差神经网络模型进行心脏解剖学结构特征点的定位。2.根据权利要求1所述的心脏解剖学结构特征点的定位方法，其特征在于，所述残差神经网络模型包括：7
×
7的卷积核，所述7
×
7的卷积核用于将所述增强图像进行卷积操作并进行Batch Norm和Relu操作，以得到64维图像数据；Max Pooling模块，所述Max Pooling模块与所述7
×
7的卷积核相连，所述Max Pooling模块用于对所述64维图像数据进行Max Pooling操作；串联的第一至第四残差学习模块，所述第一至第四残差模块分别用于将Max Pooling操作后的64维图像数据依次进行残差处理，以分别得到第一至第四图像，所述第一至第四图像分别为64维、128维、256维、512维的图像数据；串联的第一至第三上采样模块，所述第一上采样模块用于对所述第四图像进行上采样操作后与所述第三图像进行连接操作，再使用1
×
1的卷积核进行降维操作，生成256维64
×
32的第五图像；所述第二上采样模块用于对所述第五图像进行上采样操作后与所述第二图像进行连接操作，再使用1
×
1的卷积核进行降维操作，生成128维64
×
128的第六图像；所述第三上采样模块用于对所述第六图像进行上采样操作后与所述第一图像进行连接操作，再使用1
×
1的卷积核进行降维操作，生成64维256
×
128的第七图像；Sigmoid模块，所述Sigmoid模块用于对所述第七图像进行Sigmoid处理，以生成所述预测热图。3.根据权利要求2所述的心脏解剖学结构特征点的定位方法，其特征在于，所述残差神经网络模型的损失函数采用Focal Loss损失函数。4.根据权利要求3所述的心脏解剖学结构特征点的定位方法，其特征在于，不同语义信息的解剖学结构特征点对应不同的真实热图，其中，所述超声心动图为心尖四腔视图时，生成所述真实热图时采用第一高亮线将两个右心室心内膜连接起来，所述第一高亮线上的所有位置均被定义为右心室心内膜点，采用第二高亮线将两个右心室隔膜点连接起来，所述第二高亮线上的所有位置均被定义为右心室隔膜点。5.根据权利要求3所述的心脏解剖学结构特征点的定位方法，其特征在于，所述特征点
的语义信息包括心尖标注点，在训练所述残差神经网络模型时，心尖标注点设计3倍
‑
10倍的Loss权重。6.一种心脏解剖学结构特征点的定位装置，其特征在于，包括：...

【专利技术属性】
技术研发人员：段和平，
申请(专利权)人：安徽鲲隆康鑫医疗科技有限公司，
类型：发明
国别省市：