基于心脏超声图像判断二尖瓣脱垂与病理分割方法及装置制造方法及图纸

本申请实施例公开了一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法及装置；所述方法包括：获取心脏超声图像，以组建心脏超声图像数据集；基于降噪和预处理后的图片，进行训练和测试小样本分类模型；获得心脏二尖瓣医学图像数据集和心脏二尖瓣脱垂图像数据集；输入、训练和验证病理分割神经模型；对病理分割神经模型进行初步验证，得到分类

【技术实现步骤摘要】
基于心脏超声图像判断二尖瓣脱垂与病理分割方法及装置


[0001]本申请实施例涉及医学影像分析
，尤其涉及一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法及装置。

技术介绍

[0002]在当前的临床实践与科研工作中，医学影像图像占据了医学图像的绝大部分，这些医学影像图像主要来自于CT、MRI以及超声等医学成像设备，许多人类的病理学判断需要通过该类图像进行描绘和探测，以便医生进行切实的诊断，对患者进行救治。
[0003]深度学习方法作为在图像信息处理领域中非常有效的一类方法，已经被不少研究用作进行图像的分类分割处理，有不少的研究者将其特性运用于医学图像分析，希望能从深度学习中获取利于医学图像处理的相关功能。目前，由于心脏超声图像二尖瓣脱垂的深度学习的算法局限，需要有足够数量的有标记数据与恰当的模型训练才能实现高精度的图片语义分割目标，而且医学图像的获取途径有限，需要通过特定的医学影像成像设备获得，现有的医学图像分析处理时间较长，效率较慢，同时医学图像判断精度低。

技术实现思路

[0004]本申请实施例提供一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法及装置，来解决现有的医学图像分析处理时间较长，效率较慢，同时医学图像判断精度低的问题。
[0005]在第一方面，本申请实施例提供了一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法，所述方法包括以下步骤：
[0006]获取心脏超声图像，以组建心脏超声图像数据集；
[0007]对所述心脏超声图像数据集的每个图片进行降噪和图片处理；
[0008]基于降噪和预处理后的图片，进行训练和测试小样本分类模型；
[0009]根据所述小样本分类模型对现有的心脏超声图像进行分类，获得心脏二尖瓣医学图像数据集和心脏二尖瓣脱垂图像数据集，并进行图片处理；
[0010]根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型；
[0011]将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证，得到分类
‑
分割模型；
[0012]将新的医学超声图像依次输入到所述分类
‑
分割模型，以检测是否完成分类和病理分割。
[0013]进一步的，所述图片处理，包括：
[0014]对图片进行图片翻转、旋转、裁剪、缩放、平移、抖动操作。
[0015]进一步的，所述基于降噪和预处理后的图片，进行训练和测试小样本分类模型之前，包括：
[0016]搭建小样本分类模型，其中，所述小样本分类模型包括图片特征卷积神经网络、支
持集和查询集。
[0017]进一步的，所述基于降噪和预处理后的图片，进行训练和测试小样本分类模型，包括：
[0018]将基于降噪和预处理后的图片输入到图片特征卷积神经网络进行图片特征提取，并对提取的图片特征输入支持集，得到类别原型，再输入到查询集中进行余弦相似度计算得到分类，以分类出心脏二尖瓣医学图像和心脏二尖瓣脱垂图像。
[0019]进一步的，所述将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证之前，还包括：
[0020]搭建病理分割神经模型，其中，所述病理分割神经模型包括一个双卷积层模块、四个下采样模块、四个上采样模块和一层单层卷积。
[0021]进一步的，所述根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型，包括：
[0022]使用所述心脏二尖瓣脱垂图像数据集的70％作为训练集，训练得到病理分割神经模型，再用剩下的30％的所述心脏二尖瓣脱垂图像数据集验证所述病理分割神经模型的性能，通过网络性能对网络内部参数在进行微调，利用反向传播算法以更新所述病理分割神经模型的权值。
[0023]进一步的，所述获取心脏超声图像，以组建心脏超声图像数据集，包括：
[0024]基于已有的开源心脏超声图像数据集和医院提供的心脏超声图像，通过整合开源的ImageNet大型数据组建心脏超声图像数据集。
[0025]在第二方面，本申请实施例还提供一种基于心脏超声图像判断二尖瓣脱垂与病理分割装置，包括：
[0026]图像获取模块，用于获取心脏超声图像，以组建心脏超声图像数据集；
[0027]图片处理模块，用于对所述心脏超声图像数据集的每个图片进行降噪和图片处理；
[0028]第一训练模块，用于基于降噪和预处理后的图片，进行训练和测试小样本分类模型；
[0029]图片分类模块，用于根据所述小样本分类模型对现有的心脏超声图像进行分类，获得心脏二尖瓣医学图像数据集和心脏二尖瓣脱垂图像数据集，并进行图片处理；
[0030]第二训练模块，用于根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型；
[0031]模型验证模块，用于将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证，得到分类
‑
分割模型；
[0032]模型检测模块，用于将新的医学超声图像依次输入到所述分类
‑
分割模型，以检测是否完成分类和病理分割。
[0033]在第三方面，本申请实施例还提供一种计算机设备，包括：存储器以及一个或多个处理器；
[0034]所述存储器，用于存储一个或多个程序；
[0035]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理
器实现如上述的一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法。
[0036]在第四方面，本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述的一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法。
[0037]本申请实施例通过获取心脏超声图像，以组建心脏超声图像数据集；对所述心脏超声图像数据集的每个图片进行降噪和图片处理；基于降噪和预处理后的图片，进行训练和测试小样本分类模型；根据所述小样本分类模型对现有的心脏超声图像进行分类，获得心脏二尖瓣医学图像数据集和心脏二尖瓣脱垂图像数据集，并进行图片处理；根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型；将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证，得到分类
‑
分割模型；将新的医学超声图像依次输入到所述分类
‑
分割模型，以检测是否完成分类和病理分割；实现自动化对心脏超声图像进行二尖瓣脱垂判断与分割，分析处理时间短，效率高，同时医学图像判断精度高。
附图说明
[0038]图1是本申请实施例提供的一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法的流程图；
...

【技术保护点】

【技术特征摘要】
1.一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法，其特征在于，所述方法包括以下步骤：获取心脏超声图像，以组建心脏超声图像数据集；对所述心脏超声图像数据集的每个图片进行降噪和图片处理；基于降噪和预处理后的图片，进行训练和测试小样本分类模型；根据所述小样本分类模型对现有的心脏超声图像进行分类，获得心脏二尖瓣医学图像数据集和心脏二尖瓣脱垂图像数据集，并进行图片处理；根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型；将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证，得到分类
‑
分割模型；将新的医学超声图像依次输入到所述分类
‑
分割模型，以检测是否完成分类和病理分割。2.根据权利要求1所述的基于心脏超声图像判断二尖瓣脱垂与病理分割方法，其特征在于，所述图片处理，包括：对图片进行图片翻转、旋转、裁剪、缩放、平移、抖动操作。3.根据权利要求1所述的基于心脏超声图像判断二尖瓣脱垂与病理分割方法，其特征在于，所述基于降噪和预处理后的图片，进行训练和测试小样本分类模型之前，包括：搭建小样本分类模型，其中，所述小样本分类模型包括图片特征卷积神经网络、支持集和查询集。4.根据权利要求1所述的基于心脏超声图像判断二尖瓣脱垂与病理分割方法，其特征在于，所述基于降噪和预处理后的图片，进行训练和测试小样本分类模型，包括：将基于降噪和预处理后的图片输入到图片特征卷积神经网络进行图片特征提取，并对提取的图片特征输入支持集，得到类别原型，再输入到查询集中进行余弦相似度计算得到分类，以分类出心脏二尖瓣医学图像和心脏二尖瓣脱垂图像。5.根据权利要求1所述的基于心脏超声图像判断二尖瓣脱垂与病理分割方法，其特征在于，所述将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证之前，还包括：搭建病理分割神经模型，其中，所述病理分割神经模型包括一个双卷积层模块、四个下采样模块、四个上采样模块和一层单层卷积。6.根据权利要求1所述的基于心脏超声图像判断二尖瓣脱垂与病理分割方法，其特征在于，所述根据所述心脏二尖...

【专利技术属性】
技术研发人员：邓晨旭，张晗，魏松瑞，王宇昊，
申请(专利权)人：深圳瀚光科技有限公司，
类型：发明
国别省市：