一种超声图像测量方法、系统、智能终端及存储介质技术方案

本发明专利技术公开了一种超声图像测量方法、系统、智能终端及存储介质，所述方法包括：获取待分析的患者心脏左室长轴标准切面的超声数据图像；基于已训练的卷积神经网络，根据超声数据图像，得到M型取样线的位置；其中，M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对M型超声心动图进行若干测量项的测量和计算，得到测量结果。本发明专利技术实施例使用算法模型，可准确标注目标图像的关键部位从而自动确定M型取样线的位置并对生成的M超声心动图进行自动测量和计算，减少人为误差，提高测量结果的准确性，同时基于算法模型的测量减少手动操作，提高了心脏超声的检查速度。速度。速度。

【技术实现步骤摘要】
一种超声图像测量方法、系统、智能终端及存储介质


[0001]本专利技术涉及超声医学
，尤其涉及的是一种超声图像测量方法、系统、智能终端及存储介质。

技术介绍

[0002]超声心动图检查可对左心室整体及局部收缩功能进行定性及定量评价,已经成为临床无创性评价心室收缩功能的重要方法。目前,有许多评价左心室收缩功能的指标,临床最常用的评价左心室收缩功能的指标为左室射血分数(LVEF),其简便易行,且有较好的预测价值。左室射血分数(LVEF)指每搏输出量占心室舒张末期容积量(即心脏前负荷)的百分比，正常值为50
‑
70％，射血分数是一个容积比率指标，是判断心力衰竭类型的重要指征之一，从容积的角度反映的心室的射血功能。
[0003]M型超声心动图是超声心动图最基本的检测技术,其时间参数具有较高的准确性。主要用于观测心脏快速运动解剖结构的时间变化状态。通过左心室一维径线估测左心室三维容量，可以在一维径线同时对心脏的收缩期和舒张期进行测量，相对于B型超声心动图自动心功能更简便易行。但是现有的现阶段在M型超声心动图上的测量主要依靠临床超声医生的经验在左室长轴切面的心脏二维超声图像上手动确定出M取样线的位置(取样线与室间隔及左室后壁保持垂直)，之后再在M型超声心动图进行多个测量项的手动测量，会出现测量偏差，同时增加医生的工作量。
[0004]因此，现有技术还有待改进和发展。

技术实现思路

[0005]本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种超声图像测量方法、系统、智能终端及存储介质，旨在解决现有技术中在M型超声心动图上的测量主要依靠临床超声医生的经验在左室长轴切面的心脏二维超声图像上手动确定出M取样线的位置(取样线与室间隔及左室后壁保持垂直)，之后再在M型超声心动图进行多个测量项的手动测量，会出现测量偏差，同时增加医生的工作量的问题。
[0006]本专利技术解决问题所采用的技术方案如下：
[0007]第一方面，本专利技术实施例提供一种超声图像测量方法，其中，所述方法包括：
[0008]获取待分析的患者心脏左室长轴标准切面的超声数据图像；
[0009]基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置；其中，所述M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；
[0010]根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果。
[0011]在一种实现方式中，所述卷积神经网络包括编码器、解码器和分类器，其中，所述编码器包括卷积层、批标准化层、池化层、inception网络、注意力网络；所述解码器包括若干卷积块、赋值和剪裁模块、最大池化层。
[0012]在一种实现方式中，所述卷积神经网络的训练过程包括：
[0013]获取训练视频数据，并根据所述训练视频数据，得到掩膜数据；
[0014]将所述掩膜数据和所述训练视频数据作为训练集，对所述卷积神经网络进行训练，以得到已训练的卷积神经网络。
[0015]在一种实现方式中，所述根据所述训练视频数据，得到掩膜数据包括：
[0016]接收用户对所述训练视频数据的标注信息，得到掩膜数据。
[0017]在一种实现方式中，所述基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置包括：
[0018]将所述超声数据图像输入至所述卷积神经网络，得到分割图像；
[0019]对所述分割图像进行二值化处理，得到二值化图像；
[0020]基于预设的算法，对所述二值化图像进行修正处理，得到目标二值化图像；
[0021]根据所述目标二值化图像获取M型取样线的位置。
[0022]在一种实现方式中，所述根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果包括：
[0023]通过预设的设备以M型取样线的位置和预设的方向对人体进行扫描，得到M型超声心动图；
[0024]基于maskrcnn神经网络对所述M型超声心动图进行检测，得到内径最大距离和内径最小距离；
[0025]基于预设的计算规则，对所述内径最大距离和所述内径最小距离进行混合运算，得到与若干指标一一对应的若干测量结果。
[0026]在一种实现方式中，所述方法还包括：
[0027]基于微调模块，对所述M型取样线的位置进行微调，得到更新的测量结果；
[0028]根据测量结果，确定心力衰竭类型。
[0029]第二方面，本专利技术实施例还提供一种基于超声图像测量方法的医学超声成像系统，其中，所述系统包括：发射电路，用于发射脉冲至相控阵超声探头；
[0030]发射/接收选择开关，用于对发射信号或者接收信号进行选择；
[0031]信号处理模块，用于对信号进行滤波去噪处理；
[0032]接收电路，用于接收目标组织的超声回波信号；
[0033]探头模块，用于向目标组织发射超声波；
[0034]显示模块，用于对超声图像进行显示；
[0035]图像处理模块包括：
[0036]图像获取模块，用于获取待分析的患者心脏左室长轴标准切面的超声数据图像；
[0037]M型取样线的位置获取模块，用于基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置；其中，所述M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；
[0038]测量模块，用于根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果。
[0039]第三方面，本专利技术实施例还提供一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以
上处理器执行所述一个或者一个以上程序包含用于执行如上述任意一项所述的超声图像测量方法。
[0040]第四方面，本专利技术实施例还提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上述中任意一项所述的超声图像测量方法。
[0041]本专利技术的有益效果：本专利技术实施例首先获取待分析的患者心脏左室长轴标准切面的超声数据图像；然后基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置；其中，所述M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；最后根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果；可见，本专利技术实施例中使用算法模型，可准确标注目标图像的关键部位从而自动确定M型取样线的位置并对生成的M超声心动图进行自动测量和计算，减少人为误差，提高测量结果的准确性，同时基于算法模型的测量减少手动操作，提高了心脏超声的检查速度。
附图说明
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超声图像测量方法，其特征在于，所述方法包括：获取待分析的患者心脏左室长轴标准切面的超声数据图像；基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置；其中，所述M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果。2.根据权利要求1所述的超声图像测量方法，其特征在于，所述卷积神经网络包括编码器、解码器和分类器，其中，所述编码器包括卷积层、批标准化层、池化层、inception网络、注意力网络；所述解码器包括若干卷积块、赋值和剪裁模块、最大池化层。3.根据权利要求1所述的超声图像测量方法，其特征在于，所述卷积神经网络的训练过程包括：获取训练视频数据，并根据所述训练视频数据，得到掩膜数据；将所述掩膜数据和所述训练视频数据作为训练集，对所述卷积神经网络进行训练，以得到已训练的卷积神经网络。4.根据权利要求3所述的超声图像测量方法，其特征在于，所述根据所述训练视频数据，得到掩膜数据包括：接收用户对所述训练视频数据的标注信息，得到掩膜数据。5.根据权利要求1所述的超声图像测量方法，其特征在于，所述基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置包括：将所述超声数据图像输入至所述卷积神经网络，得到分割图像；对所述分割图像进行二值化处理，得到二值化图像；基于预设的算法，对所述二值化图像进行修正处理，得到目标二值化图像；根据所述目标二值化图像获取M型取样线的位置。6.根据权利要求1所述的超声图像测量方法，其特征在于，所述根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果包括：通过预设的设备以M型取样线的位置和预设的方向对人体进行扫描，得到M型超声心动图；...

【专利技术属性】
技术研发人员：薛姗，白永志，欧阳俊华，邢锐桐，李彬，孙瑞超，
申请(专利权)人：深圳蓝影医学科技股份有限公司，
类型：发明
国别省市：