一种基于双向联合学习的心肌运动追踪方法和系统技术方案

基于双向联合学习的心肌运动追踪方法，包括：采集数据并划分完整心动周期，并预处理；判断当前方法装置是否开启训练模式，执行训练过程或执行预测过程；利用有监督和无监督联合学习的策略，使用训练数据集来训练联合模型；用训练好的方法模型，输入目标数据集进行光流预测，并返回可视化结果；联合网络模型应当以心肌分割网络和光流估计网络作为网络结构中的两个子网络并行分支，二者在特征提取部分共享权重和特征提取器，其中心肌分割子网络基于人工标注的心肌分割数据进行有监督学习，光流估计子网络基于BackWarp进行无监督学习。本发明专利技术可以在没有心肌光流标注数据的条件下完成光流估计的学习和训练过程。流估计的学习和训练过程。流估计的学习和训练过程。

【技术实现步骤摘要】
一种基于双向联合学习的心肌运动追踪方法和系统

：
[0001]本专利技术涉及一种基于双向联合学习的心肌运动追踪方法和系统，属于计算机人工智能领域。

技术介绍
：
[0002]在医学上，传统的心功能评估参数主要包括射血分数(EF)、每搏输出量(SV)等指标，然而这些传统指标对局部心肌异常并不敏感，一旦发现指标异常往往心功能损伤已不可逆转。相比大多数常规超声心动图参数来说，心肌的运动速度、应变、应变率等与心肌运动相关的测量指标能敏感地发现心肌功能的细微变化并能很好的评估预后，因此，如何准确、快速、无创的获取局部心肌的运动信息已然成为近年来的研究热点。
[0003]目前，医学上心肌运动信息的常用测量方法为二维斑点追踪技术，其基本原理为通过特定的块匹配、灰度守恒等算法识别和计算超声影像相邻帧中对应特征“斑点/散斑”的位置关系，来获取相关区域的运动信息。然而，这种方式分析非常耗时且需要一定的医学专业知识，并且不同厂商的匹配算法实现和参数含义也存在较大差异，没有统一的计算标准，这在一定程度上降低了专业医生的诊断效率。
[0004]相较于上述传统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双向联合学习的心肌运动追踪方法，其特征在于，包括以下步骤：S1：采集数据并划分完整心动周期；S2：数据预处理，将步骤S1获得的初始输入数据进行中心裁剪和标准化，然后转化为单通道的灰度图；S3：判断当前系统是否开启训练模式，当系统在训练模式下，执行步骤S4；当系统在预测模式下，则执行步骤S5；S4：利用有监督和无监督联合学习的策略，使用训练数据集来训练联合模型，并以最小化分割损失、光流估计损失和联合训练损失三者的总和为最终目标。S5：利用训练好的方法模型，输入目标数据集进行光流预测，结合人工修正返回可视化结果。2.根据权利1所述的基于双向联合学习的心肌运动追踪方法，其特征在于：所述步骤S1具体包括：S1
‑
1：数据获取：确定需要采集的腔室，使用医用超声设备采集超声心动图影像序列，通过视频采集卡接口获取采集数据集；S1
‑
2：数据划分：采集的原始数据可能包含多个心动周期，因此需要选择一个完整、清晰的心动周期数据作为后续的输入单位。3.据权利1所述的基于双向联合学习的心肌运动追踪方法，其特征在于，步骤S4具体包括：S4
‑
1：为了提高训练效果，将步骤S2预处理得到的输入数据进行数据增强，包括随机缩放、旋转、仿射变换；S4
‑
2：将步骤S4
‑
1处理得到的增强数据集输入预设的网络模型中进行训练；S4
‑
3：重复迭代执行步骤S4
‑
2，直到满足预设的训练条件；S4
‑
4：保存模型参数并输出训练结果。4.据权利要求3所述的方法，其特征在于，所述的网络模型架构为：联合网络模型应当以心肌分割网络和光流估计网络作为网络结构中的两个子网络并行分支，二者在特征提取部分共享权重和特征提取器。其中心肌分割子网络基于人工标注的心肌分割数据进行有监督学习，光流估计子网络基于BackWarp进行无监督学习，在联合训练中实现二者的双向增强。最终以最小化分割损失、光流估计损失和联合训练损失三者的总和为最终目标。5.据权利要求4所述的方法...

【专利技术属性】
技术研发人员：卜佳俊，王鑫，顾静军，于智，蔡晓旭，郭庆，
申请(专利权)人：浙江大学，
类型：发明
国别省市：