一种基于图神经网络的左心室射血分数评估方法技术

本发明专利技术提供了一种基于图神经网络的左心室射血分数评估方法。射血分数(EF)是评估心脏功能的重要指标，可用于识别可能患有心功能不全(如心力衰竭)的患者。传统上，EF通过手动描绘心脏超声心动图中的左心室并估算其在特定帧上的体积来计算。然而，由于手动操作和视频质量的差异，这种方法具有很高的观察者间变异性。因此，迫切需要一种既可靠又可解释的机器学习技术，以实现快速和准确的评估。在本发明专利技术中，我们引入了一种基于图神经网络的模型，用于从超声心动图视频中估算EF。该模型首先从一个或多个超声心动图序列的帧中推断出潜在的超声心动图结构。接着，它估算图中节点和边的权重，识别出对EF估算至关重要的关键帧。图神经网络回归器利用这个加权图来预测EF。通过定性和定量分析，我们发现学习到的图权重能够识别出EF估算的关键帧，提供了良好的解释性，帮助确定何时需要人工干预。在EchoNet‑Dynamic公共EF数据集上的测试结果表明，本发明专利技术在EF预测性能上与现有最先进的方法相当，并且具有解释性。

【技术实现步骤摘要】

本专利技术涉及图像处理领域，具体设计一种基于图神经网络的左心室射血分数评估方法。

技术介绍

1、超声心动图是一种非侵入性的诊断工具，能够详细观察心脏的所有结构，捕捉心脏运动和功能的动态信息。这种方法既安全又具有成本效益，是分析心脏形态和功能的重要手段。准确分割心脏结构(如左心室、右心室、左心房和右心房)对于确定射血分数(ef)和心肌应变等关键心脏功能参数至关重要。这些参数帮助医生识别心脏疾病、制定治疗计划并监测治疗进展。因此，开发用于超声心动图视频的自动结构分割方法具有重要意义。

2、射血分数(ef)是衡量心脏泵血效率的重要指标，也是心力衰竭的潜在指示器。ef的计算基于左心室(lv)在心脏周期末收缩期(es)和末舒张期(ed)之间的血容量差异，即esv和edv。这些体积通过超声心动图视频(即超声心动图，echo)估算，需要检测对应es和ed的帧并描绘lv区域。手动检测正确帧和准确描绘lv区域容易产生人为错误。自动ef估算技术通过增加一层验证来帮助专业人员。此外，随着便携式超声设备(pocus)的出现，这些设备通常由经验较少的用户使用，因此进一步本文档来自技高网...

【技术保护点】

1.一种基于图神经网络的左心室射血分数评估方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于图神经网络的左心室射血分数评估方法，其特征在于步骤(1)中，获取超声心动图EchoNet-Dynamic数据集并进行预处理具体方法为：

3.根据权利要求1所述的一种基于图神经网络的左心室射血分数评估方法，其特征在于步骤(2)中，对于处理好的数据集按照设定比例划分为训练集和测试集具体方法为：

4.根据权利要求1所述的一种基于图神经网络的左心室射血分数评估方法，其特征在于步骤(3)中，建立基于先进的图神经网络架构左心室射血分数模型：在模型构建阶段，采...

【技术特征摘要】

1.一种基于图神经网络的左心室射血分数评估方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于图神经网络的左心室射血分数评估方法，其特征在于步骤(1)中，获取超声心动图echonet-dynamic数据集并进行预处理具体方法为：

3.根据权利要求1所述的一种基于图神经网络的左心室射血分数评估方法，其特征在于步骤(2)中，对于处理好的数据集按照设定比例划分为训练集和测试集具体方法为：

4.根据权利要求1所述的一种基于图神经网络的左心室射血分数评估方法，其特征在于步骤(3)中，建立基于先进的图神经网络架构左心室射血分数模型：在模型构建阶段，采用先进的图神经网络架构。为了优化模型的性能，使用adam优化器和动态学习率策略，初始学习率设置为0.001。为了有效利用计算资源，设置较小的ba...

【专利技术属性】
技术研发人员：陈真诚，王峥亮，许赢龙，刘东洪，龙威，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：