超声心动图像切面识别方法和超声心动视频切面质控方法技术

本发明专利技术提供了一种超声心动图像切面识别方法、超声心动视频切面质控方法、电子设备和可读存储介质，该方法包括：采用训练好的目标检测模型对所获取的待识别超声心动图像进行切面固有结构的检测，以获取对应的第一切面固有结构信息；根据待识别超声心动图像所对应的第一切面固有结构信息以及预先获取的各种预设切面类型各自所对应的多元高斯分布模型，分别计算待识别超声心动图像归属于每一种预设切面类型和其它切面类型的最终概率值；将最大的最终概率值所对应的切面类型作为待识别超声心动图像的切面类型的识别结果。本发明专利技术通过对超声心动图像的标准切面中的固有结构信息给予充分利用，可以有效提高超声心动图像切面类型识别的准确率。类型识别的准确率。类型识别的准确率。

【技术实现步骤摘要】
超声心动图像切面识别方法和超声心动视频切面质控方法


[0001]本专利技术涉及图像处理
，特别涉及一种超声心动图像切面识别方法、超声心动视频切面质控方法、电子设备和可读存储介质。

技术介绍

[0002]医学影像技术可以实现非常多的心脏检查手段，包括SPECT、PET、CT、MRI、超声等模态，医生可以对影像中发现的可疑病灶进行诊断。尽管目前已经有非常成熟的基于心脏门控的运动伪影校正算法，使得新型SPECT、PET、CT和MRI的心脏成像比传统扫描更加清晰；但由于心脏处于运动中的原因，其性质并不能被单一静态影像全部表征。如需基于这类模态实现动态成像，被检查者需要承受更多的电离辐射剂量或更长的扫描时间，对其造成负担。而超声心动图是一种常用的心脏超声波检查，图像所表征的是心脏组织的对超声波的反射程度，通过连续的超声波对任意位置的血液和心肌组织运动速度进行实时检查，具有快速、实时、无电离辐射、价格低廉等特点。然而，因为超声心动图的检查很大程度上取决于操作者的扫描手法，获得标准切面的超声心动图需要相当的临床经验。
[0003]近年来，医学影像领域出现了越来越多的深度学习应用，可实现包括检测、分类、配准、分割、降噪等应用。通过卷积神经网络(convolutional neural network，CNN)，可自适应学习如何对图像提取适用于所定任务的高阶特征。目前有越来越多的基于CNN的图像分类模型用于肿瘤良恶性鉴别、病理诊断等任务，其诊断效能比传统机器学习模型优越。
[0004]关于现有的超声心动图标准切面识别模型，基本上使用以下方法进行构建：以图像的切面类别为标注，选定一种用于图像分类的CNN模型进行训练。
[0005]然而由于超声图像具有信噪比低、操作者间差异等特点，端到端的分类模型在训练的过程中被数据中的这些因素所影响，学习到与标注无关的噪声，从而损害了最终的识别效能。
[0006]需要说明的是，公开于该专利技术
技术介绍
部分的信息仅仅旨在加深对本专利技术一般
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

[0007]本专利技术的目的在于提供一种超声心动图像切面识别方法、超声心动视频切面质控方法、电子设备和可读存储介质，通过对超声心动图像的标准切面中的固有结构信息给予充分利用，可以有效提高超声心动图像切面类型识别的准确率。
[0008]为达到上述目的，本专利技术提供一种超声心动图像切面识别方法，包括：
[0009]采用训练好的目标检测模型对所获取的待识别超声心动图像进行切面固有结构的检测，以获取所述待识别超声心动图像所对应的第一切面固有结构信息；
[0010]根据所述第一切面固有结构信息以及预先获取的各种预设切面类型各自所对应的多元高斯分布模型，分别计算所述待识别超声心动图像归属于每一种所述预设切面类型
的初始概率值；
[0011]分别对所述待识别超声心动图像归属于每一种所述预设切面类型的初始概率值进行归一化处理，以获取所述待识别超声心动图像归属于每一种所述预设切面类型的归一化概率值；
[0012]根据所述待识别超声心动图像归属于各所述预设切面类型的归一化概率值，分别计算所述待识别超声心动图像归属于每一种所述预设切面类型的最终概率值以及其它切面类型的最终概率值，其中所述其它切面类型为除所有的所述预设切面类型以外的切面类型；
[0013]从所有的所述最终概率值中确定出最大的最终概率值，并将最大的最终概率值所对应的切面类型作为所述待识别超声心动图像的切面类型的识别结果。
[0014]可选的，所述目标检测模型通过以下步骤训练得到：
[0015]获取第一训练数据集，所述第一训练数据集包括多例第一训练样本，所述第一训练样本包括预设切面类型的超声心动训练图像以及对应的切面固有结构标签，其中，所述切面固有结构标签包括固有结构类别标签和固有结构位置标签；
[0016]采用所述第一训练数据集对预先搭建的目标检测模型进行训练，以获取训练好的目标标测模型。
[0017]可选的，通过以下步骤获取各种预设切面类型各自所对应的多元高斯分布模型：
[0018]针对每一种所述预设切面类型：
[0019]从所述第一训练数据集中选取出归属于该预设切面类型的第一训练样本作为目标样本；
[0020]针对归属于该预设切面类型的每一所述目标样本，采用训练好的所述目标检测模型对该目标样本的超声心动训练图像进行切面固有结构的检测，以获取对应的切面固有结构的第一检测结果，并针对与该预设切面类型相对应的每一种固有结构，将所述第一检测结果中的与该固有结构所对应的所有第一检测框中的置信度最高的第一检测框作为该固有结构的第一目标检测框，并根据该目标样本所对应的各个所述第一目标检测框的位置信息获取该目标样本所对应的该预设切面类型的第一切面固有结构信息；
[0021]将归属于该预设切面类型的每一所述目标样本所对应的该预设切面类型的第一切面固有结构信息进行组合，以获取该预设切面类型的第一切面固有结构信息集合，并根据该预设切面类型的第一切面固有结构信息集合构建该预设切面类型所对应的多元高斯分布模型。
[0022]可选的，所述第一目标检测框的位置信息包括所述第一目标检测框的中心点的横坐标、纵坐标以及所述第一目标检测框的宽度和长度；
[0023]所述根据该目标样本所对应的各个所述第一目标检测框的位置信息获取该目标样本所对应的该预设切面类型的第一切面固有结构信息，包括：
[0024]根据各个所述第一目标检测框的位置信息，获取第一位置信息矩阵；
[0025]将所述第一位置信息矩阵重构成对应的第一位置信息向量，以获取该目标样本所对应的该预设切面类型的第一切面固有结构信息。
[0026]可选的，所述根据该预设切面类型的第一切面固有结构信息集合构建该预设切面类型所对应的多元高斯分布模型，包括：
[0027]根据该预设切面类型的第一切面固有结构信息集合，计算该预设切面类型所对应的切面固有结构均值和切面固有结构协方差矩阵；
[0028]根据该预设切面类型所对应的均值和协方差矩阵，构建该预设切面类型所对应的多元高斯分布模型。
[0029]可选的，所述根据该预设切面类型所对应的均值和协方差矩阵，构建该预设切面类型所对应的多元高斯分布模型，包括：
[0030]根据如下公式构建所述多元高斯分布模型：
[0031][0032]其中，f
i
(x)为第i种预设切面类型所对应的多元高斯分布的概率密度函数，Σ
i
为第i种预设切面类型所对应的切面固有结构协方差矩阵，k
i
为第i种预设切面类型所对应的切面固有结构协方差矩阵Σ
i
的秩，μ
i
为第i种预设切面类型所对应的切面固有结构均值，n
i
为第i种预设切面类型所对应的固有结构的数量，x为与第i种预设切面类型的第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超声心动图像切面识别方法，其特征在于，包括：采用训练好的目标检测模型对所获取的待识别超声心动图像进行切面固有结构的检测，以获取所述待识别超声心动图像所对应的第一切面固有结构信息；根据所述第一切面固有结构信息以及预先获取的各种预设切面类型各自所对应的多元高斯分布模型，分别计算所述待识别超声心动图像归属于每一种所述预设切面类型的初始概率值；分别对所述待识别超声心动图像归属于每一种所述预设切面类型的初始概率值进行归一化处理，以获取所述待识别超声心动图像归属于每一种所述预设切面类型的归一化概率值；根据所述待识别超声心动图像归属于各所述预设切面类型的归一化概率值，分别计算所述待识别超声心动图像归属于每一种所述预设切面类型的最终概率值以及其它切面类型的最终概率值，其中所述其它切面类型为除所有的所述预设切面类型以外的切面类型；从所有的所述最终概率值中确定出最大的最终概率值，并将最大的最终概率值所对应的切面类型作为所述待识别超声心动图像的切面类型的识别结果。2.根据权利要求1所述的超声心动图像切面识别方法，其特征在于，所述目标检测模型通过以下步骤训练得到：获取第一训练数据集，所述第一训练数据集包括多例第一训练样本，所述第一训练样本包括预设切面类型的超声心动训练图像以及对应的切面固有结构标签，其中，所述切面固有结构标签包括固有结构类别标签和固有结构位置标签；采用所述第一训练数据集对预先搭建的目标检测模型进行训练，以获取训练好的目标标测模型。3.根据权利要求2所述的超声心动图像切面识别方法，其特征在于，通过以下步骤获取各种预设切面类型各自所对应的多元高斯分布模型：针对每一种所述预设切面类型：从所述第一训练数据集中选取出归属于该预设切面类型的第一训练样本作为目标样本；针对归属于该预设切面类型的每一所述目标样本，采用训练好的所述目标检测模型对该目标样本的超声心动训练图像进行切面固有结构的检测，以获取对应的切面固有结构的第一检测结果，并针对与该预设切面类型相对应的每一种固有结构，将所述第一检测结果中的与该固有结构所对应的所有第一检测框中的置信度最高的第一检测框作为该固有结构的第一目标检测框，并根据该目标样本所对应的各个所述第一目标检测框的位置信息获取该目标样本所对应的该预设切面类型的第一切面固有结构信息；将归属于该预设切面类型的每一所述目标样本所对应的该预设切面类型的第一切面固有结构信息进行组合，以获取该预设切面类型的第一切面固有结构信息集合，并根据该预设切面类型的第一切面固有结构信息集合构建该预设切面类型所对应的多元高斯分布模型。4.根据权利要求3所述的超声心动图像切面识别方法，其特征在于，所述第一目标检测框的位置信息包括所述第一目标检测框的中心点的横坐标、纵坐标以及所述第一目标检测框的宽度和长度；
所述根据该目标样本所对应的各个所述第一目标检测框的位置信息获取该目标样本的超声心动训练图像所对应的该预设切面类型的第一切面固有结构信息，包括：根据该目标样本所对应的各个所述第一目标检测框的位置信息，获取第一位置信息矩阵；将所述第一位置信息矩阵重构成对应的第一位置信息向量，以获取该目标样本所对应的该预设切面类型的第一切面固有结构信息。5.根据权利要求3所述的超声心动图像切面识别方法，其特征在于，所述根据该预设切面类型的第一切面固有结构信息集合构建该预设切面类型所对应的多元高斯分布模型，包括：根据该预设切面类型的第一切面固有结构信息集合，计算该预设切面类型所对应的切面固有结构均值和切面固有结构协方差矩阵；根据该预设切面类型所对应的均值和协方差矩阵，构建该预设切面类型所对应的多元高斯分布模型。6.根据权利要求5所述的超声心动图像切面识别方法，其特征在于，所述根据该预设切面类型所对应的均值和协方差矩阵，构建该预设切面类型所对应的多元高斯分布模型，包括：根据如下公式构建所述多元高斯分布模型：其中，f
i
(x)为第i种预设切面类型所对应的多元高斯分布的概率密度函数，Σ
i
为第i种预设切面类型所对应的切面固有结构协方差矩阵，k
i
为第i种预设切面类型所对应的切面固有结构协方差矩阵Σ
i
的秩，μ
i
为第i种预设切面类型所对应的切面固有结构均值，n
i
为第i种预设切面类型所对应的固有结构的数量，x为与第i种预设切面类型的第一切面固有结构信息相关的自变量。7.根据权利要求1所述的超声心动图像切面识别方法，其特征在于，所述采用训练好的目标检测模型对所获取的待识别超声心动图像进行切面固有结构的检测，以获取所述待识别超声心动图像所对应的第一切面固有结构信息，包括：采用训练好的目标检测模型对所获取的待识别超声心动图像进行切面固有结构的检测，以获取对应的第二检测结果；针对每一种预设切面类型的每一种固有结构，将所述第二检测结果中的与该预设切面类型的该固有结构所对应的所有第二检测框中的置信度最高的第二检测框作为该预设切面类型的该固有结构的第二目标检测框，并根据该预设切面类型所对应的各个所述第二目标检测框的位置信息获取所述待识别超声心动图像所对应的该预设切面类型的第一切面固有结构信息。8.根据权利要求7所述的超声心动图像切面识别方法，其特征在于，所述根据所述第一切面固有结构信息以及预先获取的各种预设切面类型各自所对应的多元高斯分布模型，分别计算所述待识别超声心动图像归属于每一种所述预设切面类型的初始概率值，包括：针对每一种预设切面类型，根据该预设切面类型的第一切面固有结构信息以及该预设
切面类型所对应的多元高斯分布模型，计算所...

【专利技术属性】
技术研发人员：陈凌，石思远，崔晨，杨洋，
申请(专利权)人：深圳微创心算子医疗科技有限公司，
类型：发明
国别省市：