二尖瓣反流频谱包络线识别方法和左房压测定方法技术

本发明专利技术公开了一种二尖瓣反流频谱包络线识别方法和左房压测定方法，属于曲线修正技术领域。包括搭建BCD

【技术实现步骤摘要】
二尖瓣反流频谱包络线识别方法和左房压测定方法


[0001]本专利技术涉及曲线修正
，具体涉及一种二尖瓣反流频谱包络线识别方法和左房压测定方法。

技术介绍

[0002]左房压(LAP)为左室前负荷，是临床梦寐以求的血流动力学参数，是临床调整治疗措施的关键参数。目前测量左房压所采用的方法为导管法，该方法需要将一导管直接插入左房进行测量，而临床中多是采用测量肺动脉楔压代替LAP，但仍为创伤性检查，不能常规地、反复地进行检测。目前临床上只能以中心静脉压、肺动脉收缩压及临床经验等评估左房压变化，无法对心脏病变程度进行精确诊断，也无法指导临床精准治疗。多年来学者们探索了多种无创评价LAP方法，如“多普勒+血压计”法等，但因误差大、复杂等不足，均没能有效应用于临床。如果能研究出无创、方便、精确的左房压定量测量方法，必将使心脏相关疾病的诊断与治疗迈进精准化阶段，具有重要的临床价值。
[0003]在利用二尖瓣反流频谱测算左室松弛时间常数(τ)研究中(孙静.二尖瓣反流连续多普勒频谱评估左室松弛时间常数的动物实验研究[D].解放军总医院；解放军医学院；军医进修学院；军医进修学院解放军总医院,2012.年)，用三个经典公式，运用数学方法推导出一个全新的“二元一次方程组”，有τ和LAP两个变量，采用测量二尖瓣反流频谱的2个时间点并代入方程组，消除LAP可计算出τ，已得到实验验证。反之，该“二元一次方程组”也应可以测算LAP。利用该方法测算LAP，并以导管法为“金标准”进行了系列的动物与临床验证实验，验证了该方法的可行性。
>[0004]但在试验中发现二尖瓣反流频谱边缘的精确识别是准确测量LAP的关键。欲使用多普勒超声方法对左房压进行测算，仍然需要医生有丰富的实战经验才可以对图谱的分析与计算较为准确，这无疑提高了使用该方法的技术壁垒，而不易于在医疗领域推广使用。同时，人为的根据图像来进行的计算存在计算失误或误差的情况下，也不断要求着医生需要时刻保持着高度的集中的经历，也同样对于医疗人员的精神是一种考验。

技术实现思路

[0005]本专利技术的目的在于提供一种二尖瓣反流频谱包络线识别方法，该方法以深度学习技术为基础，自动提取二尖瓣反流连续多普勒频谱影像中的关键特征点数据来对左房压数值进行分析计算，同时对于患者的信息以及相关的数据进行存储，实现对患者信息以及患者影像的管理维护功能。设计并实现医生日常使用的桌面应用的可视化图形界面形式，提供更符合医生日常使用的交互方式，并通过病人的各项数值予以医生更直观的病人情况分析，减少医师对于不必要的技能的掌握，大大提升医生的工作效率。同时为利用多普勒频谱方法定量测量左房压成为常规左房压监测方法提供实践应用。
[0006]为实现上述目的，本专利技术所采用的技术方案如下：
[0007]一种二尖瓣反流频谱包络线识别方法，该方法是针对二尖瓣反流连续多普勒频
谱，对其进行包络线识别；该方法具体包括如下步骤：
[0008](1)搭建深度学习网络模型，对二尖瓣反流频谱图进行边缘检测；由于所述网络模型预测出的边缘存在错位和断裂的情况，因此使用后处理模块对边缘进行修正操作；所述后处理模块包括曲线修正模块(Curve correction module)、曲线填充模块(curve fusion module)和曲线融合模块(Curve fusion module)，其中：曲线修正模块用于处理曲线错位问题，曲线填充模块用于处理曲线断裂问题，曲线融合模块用于将两条曲线(曲线修正模块处理后的曲线与曲线填充模块处理后的曲线)进行进一步的特征融合，综合两条曲线的优势并得到最终的连续、光滑的边缘曲线；
[0009](2)利用医院采集的数据对步骤(1)中所述的模型进行迭代训练，经过训练的深度学习模型具有自动跟踪包络的能力；
[0010](3)利用步骤(2)训练后的模型，以二尖瓣反流频谱为输入，输出的为边缘曲线(包络线)和左房压力值。
[0011]上述步骤(1)中，所述网络模型为BCD—Unet深度学习模型，并使用交叉熵损失函数对其进行训练，交叉熵损失函数如公式(1)所示：
[0012][0013]公式(1)中，y
i
代表像素点i是否属于包络曲线的像素点，若属于为1，否则为0；p
i
是像素点i被预测为属于包络曲线像素点的概率；N为像素点数量。
[0014]BCD
‑
Unet的训练过程为：在图片输入到模型中后，模型首先对该图片进行卷积操作以提取特征，而后对得到的特征图进行下采样，将特征图的尺寸缩减为原来的一半，目的是使得卷积操作能够在更大的图像范围上进行特征提取；在经过若干次的卷积
‑
下采样操作之后，对特征图逐步使用上采样
‑
卷积操作，使得特征图可以恢复成原始图片大小；而后使用损失函数评估模型的输出结果中各个像素点与真实标签之间的差异，并同样使用反向传播的方式调整模型的参数；最终模型训练完成，该模型即具备了频谱图中的曲线粗检测能力。在实验过程中，BCD
‑
Unet模型的训练参数设置为：epochs＝50，batch_size＝8，并且使用学习率为0.004的Adam优化器加速训练过程。
[0015]上述步骤(1)中，所述曲线修正模块由曲线拟合和一维unet(1D
‑
Unet)两部分组成，曲线拟合的目的是使用多项式拟合的方式得到一条连续平滑的曲线，而1D
‑
Unet则是通过深度回归对拟合后的曲线进行修正，使其更接近于根据医生手动对边缘关键点标记连成的边缘曲线；经过该曲线修正模块处理的曲线能够有效解决曲线错位问题。1D
‑
Unet的输入为拟合后的曲线，输出为修正后的曲线。这些曲线均采用一维数组的方式进行存储。
[0016]上述步骤(1)中，所述曲线修正模块使用L2损失函数对其进行训练，L2损失函数如公式(2)所示：
[0017][0018]公式(2)中，代表点i的真实值，代表曲线修正模块对点i的预测值，N代表数组中的元素个数；L2损失函数是回归任务中常用的损失函数之一，它具有计算速度快、方便求导等优点。曲线修正模块的训练过程与BCD
‑
Unet相似，依然采用反向传播的方式进
行训练，通过评估模型输出值与真实值的差异，不断调整该模型。曲线修正模块的训练参数设置为：epochs＝50，batch_size＝16。
[0019]上述步骤(1)中，所述曲线填充模块是以一维生成对抗网络(1D
‑
GAN)对曲线进行处理，以判别器、生成器对抗的方式进行训练；经过训练后该曲线填充模块可以对曲线上缺失的部分进行修复，从而得到光滑的填充曲线。1D
‑
GAS的输入为有缺失部分的曲线，输出为修复后的曲线，这些曲线同样以一维数组的方式存储。
[0020]所述曲线填充模块是基于生成对抗网络的思想，使用两个损失函数分别训练判别器与生成器，判别器与生成器的损失函本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种二尖瓣反流频谱包络线识别方法，其特征在于：该方法是针对二尖瓣反流连续多普勒频谱，对其进行包络线识别；该方法具体包括如下步骤：(1)搭建深度学习网络模型，对二尖瓣反流频谱图进行边缘检测；由于所述网络模型预测出的边缘存在错位和断裂的情况，因此使用后处理模块对边缘进行修正操作；所述后处理模块包括曲线修正模块、曲线填充模块和曲线融合模块，其中：曲线修正模块用于处理曲线错位问题，曲线填充模块用于处理曲线断裂问题，曲线融合模块用于将两条曲线进行进一步的特征融合，综合两条曲线的优势并得到最终的连续、光滑的边缘曲线；(2)利用医院采集的数据对步骤(1)中所述的模型进行迭代训练，经过训练的深度学习模型具有自动跟踪包络的能力；(3)利用步骤(2)训练后的模型，以二尖瓣反流频谱为输入，输出的为边缘曲线(包络线)和左房压力值(LAP)。2.根据权利要求1所述的二尖瓣反流频谱包络线识别方法，其特征在于：步骤(1)中，所述网络模型为BCD—Unet深度学习模型，并使用交叉熵损失函数对其进行训练，交叉熵损失函数如公式(1)所示：公式(1)中，y
i
代表像素点i是否属于包络曲线的像素点，若属于为1，否则为0；p
i
是像素点i被预测为属于包络曲线像素点的概率；N为像素点数量；BCD
‑
Unet的训练过程为：在图片输入到模型中后，模型首先对该图片进行卷积操作以提取特征，而后对得到的特征图进行下采样，将特征图的尺寸缩减为原来的一半，目的是使得卷积操作能够在更大的图像范围上进行特征提取；在经过若干次的卷积
‑
下采样操作之后，对特征图逐步使用上采样
‑
卷积操作，使得特征图可以恢复成原始图片大小；而后使用损失函数评估模型的输出结果中各个像素点与真实标签之间的差异，并同样使用反向传播的方式调整模型的参数；最终模型训练完成，该模型即具备了频谱图中的曲线粗检测能力。在实验过程中，BCD
‑
Unet模型的训练参数设置为：epochs＝50，batch_size＝8，并且使用学习率为0.004的Adam优化器加速训练过程。3.根据权利要求1所述的二尖瓣反流频谱包络线识别方法，其特征在于：步骤(1)中，所述曲线修正模块由曲线拟合和一维unet(1D
‑
Unet)两部分组成，曲线拟合的目的是使用多项式拟合的方式得到一条连续平滑的曲线，而1D
‑
Unet则是通过深度回归对拟合后的曲线进行修正，使其更接近于根据医生手动对边缘关键点标记连成的边缘曲线；经过该曲线修正模块处理的曲线能够有效解决曲线错位问题。1D
‑
Unet的输入为拟合后的曲线，输出为修正后的曲线；这些曲线均采用一维数组的方式进行存储。4.根据权利要求3所述的二尖瓣反流频谱包络线识别方法，其特征在于：步骤(1)中，所述曲线修正模块使用L2损失函数对其进行训练，L2损失函数如公式(2)所示：公式(2)中，代表点i的真实值，代表曲线修正模块对点i的预测值，N代表数组中的元素个数；L2损失函数是回归任务中常用的损失函数之一，它具有计算速度快、方便
求导等优点。曲线修正模块的训练过程与BCD
‑
Unet相似，依然采用反向传播的方式进行训练，通过评估模型输出值与真实值的差异，不断调整该模型。曲线修正模块的训练参数设置为：epochs＝50，batch_size＝16。5.根据权利要求1所述的二尖瓣反流频谱包络线识别方法，其特征在于：步骤(1)中，所述曲线填充模块是以一维生成对抗网络(1D
‑
GAN)对曲线进行处理，以判别器、生成器对抗的方式进行训练；经过训练后该曲线填充模块可以对曲...

【专利技术属性】
技术研发人员：金岩，王辉山，温朝阳，尹连成，岳凤捷，毛克明，白旭方，郑海宁，
申请(专利权)人：中国人民解放军北部战区总医院，
类型：发明
国别省市：