一种基于DeepLabv3+与R(2+1)D网络的心脏超声视频左心室分割及射血分数计算方法技术

本发明专利技术公开了一种基于DeepLabv3+与R(2+1)D网络的心脏超声视频左心室分割及射血分数计算方法，属于医学人工智能领域。该方法旨在解决现有技术中左心室功能评估时序信息利用不足、关键帧识别自动化程度低、分割精度及整体流程自动化程度不高等问题。其技术方案包括：对原始心脏超声视频进行预处理，包括帧提取、感兴趣区域智能裁剪及数据增强；利用R(2+1)D网络对视频序列进行时序建模，自动识别舒张末期(ED)与收缩末期(ES)关键帧；采用DeepLabv3+网络对已识别的关键帧进行高精度像素级左心室区域分割；基于分割结果与图像物理尺寸标定信息，结合改良Simpson法估算左心室舒张末期容积(LVEDV)和收缩末期容积(LVESV)；最后根据标准公式计算左心室射血分数(LVEF)，并输出结构化报告和可视化图像。本发明专利技术通过多网络协同和全流程自动化，显著提升了LVEF评估的准确性、效率、客观性与一致性，具有良好的临床应用前景。

【技术实现步骤摘要】

本专利技术属于医学人工智能、医学图像处理及计算机视觉，特别涉及一种集成深度时序建模与精细空间分割网络的系统和方法，用于对心脏超声视频进行全自动的左心室(left ventricle,lv)动态分割、关键生理时相(舒张末期与收缩末期)智能识别，并进而精确计算左心室射血分数(left ventricular ejection fraction,lvef)。

技术介绍

1、心脏疾病是全球范围内导致死亡和残疾的主要原因之一。心脏超声因其无创、实时、便携且成本相对较低的特点，已成为临床上评估心脏结构和功能，其中左心室射血分数(lvef)是核心指标。传统lvef评估依赖人工识别舒张末期(end-diastole,ed)和收缩末期(end-systole,es)帧并手动勾画左心室，耗时且主观性强。

2、深度学习方法如deeplab系列网络已用于医学图像分割。授权专利cn113689441b采用deeplabv3网络进行左心室分割，但其主要针对静态图像，存在以下不足：一是缺乏有效的时序建模，导致视频分割结果可能不连贯；二是关键时相帧(ed/es帧)识别依赖人工本文档来自技高网...

【技术保护点】

1.一种基于DeepLabv3+与R(2+1)D网络的心脏超声视频左心室分割及射血分数计算方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述步骤二中，R(2+1)D网络与时序增强模块联合使用，以增强对心动周期中关键时相的识别精度和鲁棒性。

3.根据权利要求1所述的方法，其特征在于，所述步骤三中，DeepLabv3+网络模型在训练过程中采用包含边界感知损失函数的组合损失函数进行优化，并且在分割推理后可选地采用条件随机场(CRF)对分割掩码图进行后处理优化，以提升分割边缘的平滑度和准确性。

4.根据权利要求1所述的方法，其特征...

【技术特征摘要】

1.一种基于deeplabv3+与r(2+1)d网络的心脏超声视频左心室分割及射血分数计算方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述步骤二中，r(2+1)d网络与时序增强模块联合使用，以增强对心动周期中关键时相的识别精度和鲁棒性。

3.根据权利要求1所述的方法，其特征在于，所述步骤三中，deeplabv3+网络模型在训练过程中采用包含边界感知损失函数的组合损失函数进行优化，并且在分割推理后可选地采用条件随机场(crf)对分割掩码图进行后处理...

【专利技术属性】
技术研发人员：吕江，沈兆福，戚福龙，
申请(专利权)人：江苏金马扬名信息技术股份有限公司，
类型：发明
国别省市：