System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于人工智能和计算机视觉领域,尤其涉及一种基于超声心动图的主动脉瓣膜钙化程度预测装置。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
2、根据流行病学调查显示,主动脉瓣狭窄在人群中的患病率为2.5%~3.2%,65岁以上年龄段人群中的患病率为3%~7%,而在75岁以上人群中的患病率高达13.3%。患者出现典型症状后,如未接受及时治疗,两年生存率仅50%,五年生存率不足20%。心脏主动脉瓣钙化是导致瓣膜狭窄的主要病理生理原因,对钙化程度进行准确分级,有利于精准评估主动脉瓣狭窄病变的进程和预后。
3、超声心动图检查可以利用主动脉瓣血流动力学参数评估主动脉瓣膜狭窄严重程度,同时ct检查对于瓣膜钙化评分相对成熟且重复性较高;但很多时候,超声所见严重程度和血流动力学参数并不匹配,同时超声心动图的诊断和评估对医生操作技巧依赖程度较高并且ct检查并非常规检查技术;因此现有方法不能快速且精准定量评估主动脉瓣狭窄钙化程度,无法快速辅助临床医生制定治疗方案并对预后做出评判。
技术实现思路
1、为克服上述现有技术的不足,本专利技术提供了一种基于超声心动图的主动脉瓣膜钙化程度预测装置,通过将超声心动图与人工智能相结合,实现心脏主动脉瓣膜钙化的定量化分析,有效提高超声诊断心脏主动脉瓣膜钙化的准确性和标准化。
2、为实现上述目的,本专利技术的一个或多个实施例提供了如下技术方案:
3、本专利技术第一方面提供了
4、一种基于超声心动图的主动脉瓣膜钙化程度预测装置,包括:
5、预处理模块,其用于利用超声设备获取超声心动图,并对其进行预处理;
6、图像分割模块,其用于将预处理后的超声心动图输入到训练好的分割模型中,对超声心动图中的主动脉瓣环内缘进行分割,将分割后的图像与原图像进行融合;
7、钙化评分模块,其用于对融合后的图像进行图像二值化,计算主动脉瓣膜钙化评分,得到主动脉瓣膜钙化程度预测结果;
8、其中,所述分割模型基于nnu-netv2神经网络构建,使用预设概率的附加亮度增强,并增加伽马增强。
9、进一步的,所述超声心动图为大动脉短轴动态放大图像。
10、进一步的,所述预处理是使用同态滤波算法对超声心动图进行滤波和去噪。
11、进一步的,所述将分割后的图像与原图像进行融合,具体为:
12、将分割后的图像的背景像素值置0,前景像素值置1,所述前景为主动脉瓣环内缘区域;
13、将该图像与原图像做像素值的乘法运算,保留原始图像主动脉瓣环内缘区域原始像素值,其他区域像素值变为0,完成分割后的图像与原图像的融合。
14、进一步的,所述对融合后的图像进行图像二值化,采用全局阈值的方式,其中二值化阈值为240。
15、进一步的,所述主动脉瓣膜钙化评分,具体计算方式为:
16、基于融合后的图像,遍历像素点,像素值不为0则属于主动脉瓣环内缘区域,从而得到主动脉瓣口面积;
17、基于图像二值化后的图像,遍历像素点,像素值不为0则属于主动脉瓣环内缘内主动脉瓣膜及钙化部分,从而得到瓣膜及钙化的面积;
18、二者的比值为主动脉瓣膜钙化评分。
19、进一步的,所述分割模型的训练,具体为:
20、获取多张超声心动图大动脉短轴动态放大图像;
21、对图像进行主动脉瓣环内缘的标注,标注后的图像构成训练样本集;
22、基于训练样本集,标注完成后,对分割模型进行分割图像训练。
23、进一步的,还包括基于分级阈值对主动脉瓣膜钙化程度进行分级,是将主动脉瓣膜钙化评分与分级阈值进行比较,在分级阈值范围内,则为对应的主动脉瓣膜钙化等级。
24、本专利技术第二个方面提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
25、利用超声设备获取超声心动图,并对其进行预处理;
26、将预处理后的超声心动图输入到训练好的分割模型中,对超声心动图中的主动脉瓣环内缘进行分割,将分割后的图像与原图像进行融合;
27、对融合后的图像进行图像二值化,计算主动脉瓣膜钙化评分,得到主动脉瓣膜钙化程度预测结果;
28、其中,所述分割模型基于nnu-netv2神经网络构建,使用预设概率的附加亮度增强,并增加伽马增强。
29、本专利技术第三个方面提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如下步骤:
30、利用超声设备获取超声心动图,并对其进行预处理;
31、将预处理后的超声心动图输入到训练好的分割模型中,对超声心动图中的主动脉瓣环内缘进行分割,将分割后的图像与原图像进行融合;
32、对融合后的图像进行图像二值化,计算主动脉瓣膜钙化评分,得到主动脉瓣膜钙化程度预测结果;
33、其中,所述分割模型基于nnu-netv2神经网络构建,使用预设概率的附加亮度增强,并增加伽马增强。
34、以上一个或多个技术方案存在以下有益效果:
35、本专利技术使用超声图像与人工智能相结合,使用nnu-netv2神经网络模型对超声心动图进行语义分割,并对神经网络参数进行调整,在输入模型前对图像进行去噪和滤波,提升了模型了的dice系数和iou值能够大大提升心脏主动脉瓣膜钙化诊断的准确性和客观性;通过影像处理技术,数字化定量化患者主动脉瓣钙化程度,大大提升诊断效率。
36、本专利技术附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于超声心动图的主动脉瓣膜钙化程度预测装置,其特征在于,包括:
2.如权利要求1所述的一种基于超声心动图的主动脉瓣膜钙化程度预测装置,其特征在于,所述超声心动图为大动脉短轴动态放大图像。
3.如权利要求1所述的一种基于超声心动图的主动脉瓣膜钙化程度预测装置,其特征在于,所述预处理是使用同态滤波算法对超声心动图进行滤波和去噪。
4.如权利要求1所述的一种基于超声心动图的主动脉瓣膜钙化程度预测装置,其特征在于,所述将分割后的图像与原图像进行融合,具体为:
5.如权利要求1所述的一种基于超声心动图的主动脉瓣膜钙化程度预测装置,其特征在于,所述对融合后的图像进行图像二值化,采用全局阈值的方式,其中二值化阈值为240。
6.如权利要求1所述的一种基于超声心动图的主动脉瓣膜钙化程度预测装置,其特征在于,所述主动脉瓣膜钙化评分,具体计算方式为:
7.如权利要求1所述的一种基于超声心动图的主动脉瓣膜钙化程度预测装置,其特征在于,所述分割模型的训练,具体为:
8.如权利要求1所述的一种基于超声心动图的主动脉
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如下步骤:
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如下步骤:
...【技术特征摘要】
1.一种基于超声心动图的主动脉瓣膜钙化程度预测装置,其特征在于,包括:
2.如权利要求1所述的一种基于超声心动图的主动脉瓣膜钙化程度预测装置,其特征在于,所述超声心动图为大动脉短轴动态放大图像。
3.如权利要求1所述的一种基于超声心动图的主动脉瓣膜钙化程度预测装置,其特征在于,所述预处理是使用同态滤波算法对超声心动图进行滤波和去噪。
4.如权利要求1所述的一种基于超声心动图的主动脉瓣膜钙化程度预测装置,其特征在于,所述将分割后的图像与原图像进行融合,具体为:
5.如权利要求1所述的一种基于超声心动图的主动脉瓣膜钙化程度预测装置,其特征在于,所述对融合后的图像进行图像二值化,采用全局阈值的方式,其中二值化阈值为240。
6.如权利要求1所述的一种基...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。