CN111419280A - 获得心脏压力容积环的人工智能方法、设备和计算机介质 - Google Patents

Abstract

本申请公开了一种用于获得心脏压力容积环的人工智能方法，所述人工智能方法包括：获取样本心脏内的样本压力序列，获取所述样本心脏的样本超声心动图，基于所述样本压力序列和所述样本超声心动图训练模型，获取目标心脏的目标超声心动图，基于所述目标超声心动图和所述模型获得目标压力序列，基于所述目标超声心动图获得目标容积序列，基于所述目标压力序列和所述目标容积序列获得所述目标心脏的压力容积环。本申请还公开了一种用于获得心脏压力容积环的人工智能设备和计算机可读存储介质。

Description

获得心脏压力容积环的人工智能方法、设备和计算机介质

技术领域

本公开一般涉及医疗领域，具体涉及一种用于获得心脏压力容积环的人工智能方法、人工智能设备和计算机可读存储介质。

背景技术

心脏的心室或心房的压力容积环（pressure-volume loop, P-V 环）也可被称之为压力容积曲线,表达的是在一个心动周期中心室或心房内压力与容积的变化关系。通过压力容积环可以了解到心脏在射血过程中的血流动力学变化和心脏的贮备功能。但现有技术中获得压力容积环的方法存在费时费力、安全性低、准确性差等缺点。

发明内容

鉴于现有技术中的上述缺陷或不足，本申请提出一种（借助于人工智能）获得压力容积环的技术方案，以解决或至少缓解上述缺陷或不足中的至少一者。

本申请的第一方面提出了一种用于获得心脏压力容积环的人工智能方法，所述人工智能方法包括：

获取样本心脏内的样本压力序列，

获取所述样本心脏的样本超声心动图，

基于所述样本压力序列和所述样本超声心动图训练模型，

获取目标心脏的目标超声心动图，

基于所述目标超声心动图和所述模型获得目标压力序列，

基于所述目标超声心动图获得目标容积序列，

基于所述目标压力序列和所述目标容积序列获得所述目标心脏的压力容积环。

优选地，获取样本心脏内的样本压力序列的步骤包括：利用有创压力导管采集所述样本心脏内的样本压力序列。

优选地，获取样本心脏内的样本压力序列的步骤与获取所述样本心脏的样本超声心动图的步骤同时进行。

优选地，获取样本心脏内的样本压力序列的步骤包括：同时获取所述样本心脏内的样本压力序列和第一心电图，

获取所述样本心脏的样本超声心动图的步骤包括：同时获取所述样本心脏的样本超声心动图和第二心电图，

基于所述样本压力序列和所述样本超声心动图训练模型的步骤包括：基于所述样本压力序列、所述第一心电图、所述样本超声心动图和所述第二心电图训练所述模型。

优选地，所述模型包括神经网络模型。

优选地，所述目标心脏的压力容积环包括：左心室的压力容积环、右心室的压力容积环、左心房的压力容积环和右心房的压力容积环中的至少一者。

优选地，所述样本超声心动图包括：样本心尖四腔心切面超声心动图、样本心尖三腔心切面超声心动图和/或样本心尖二腔心切面超声心动图，

所述目标超声心动图包括：目标心尖四腔心切面超声心动图、目标心尖三腔心切面超声心动图和/或目标心尖二腔心切面超声心动图。

本申请的另一方面提出了一种用于获得心脏压力容积环的人工智能设备，所述人工智能设备用于执行本申请提出的人工智能方法。

本申请的又一方面提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序用于实施本申请提出的人工智能方法。

本申请的有益技术效果在于下述中的至少一者：发现了超声心动图与压力之间存在良好的对应关系，并建立了二者对应关系的模型；在训练好模型后，可以通过目标心脏的超声心动图获得对应的目标压力序列，无需再通过有创的方式获得压力序列，也不需要采集多普勒超声频谱来对压力进行估算，大大减小了操作的复杂程度以及对患者身体的损害；并且通过真实测量数据训练出的压力生成模型可以快速、准确地利用某切面的超声心动图和心电图预测出例如左心室的压力序列，同时结合分割模型以及相应地测量程序，全自动完成压力容积环的生成，减小了操作者的工作量以及人工操作引起的误差。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出了压力容积环的原理图；

图2示出了根据本申请的实施方式的用于获得压力容积环的人工智能方法的流程示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

下面参照图1，以左心室为例，说明压力容积环的概念和原理。从压力容积环中可以看出，与A点相应的横坐标值为左心室舒张末容积（EDV），而相应的纵坐标值为左心室舒张末压力。按照时间顺序，一个心动周期相继经过A、B、C、D、E点，然后回到A点，完成一个心动周期。D点的横坐标值为左心室收缩末容积（ESV）。C点为整个心动周期中压力的最大值。AB段与CD段之间的距离为左心室的每搏输出量。

另外，压力容积环可以体现出一些参数。其中，收缩末势能、充盈能、搏出功、总能量及能量效率这几个参数可通过压力容积环各部分面积直观地表示出来，如图1所示。收缩末势能为左室收缩末残留于心室腔中的血液所具有的能量，充盈能为血液回流心室所产生的能量，总能量为收缩末势能、充盈能与搏出功三部分之和，能量效率为搏出功与总能量之比。

本申请考虑到心脏超声领域受动态视频（超声心动图）、图像分辨率不高等因素制约，提出超声心动图结合AI技术，以压力导管实时测量的心腔内压力为样本，实现超声心动图在线或离线地自动描记出左心室的压力容积环，整个预测过程快速、简便、无创，且结果准确。

总体而言，为了达到这一目的，首先同步获取有创压力导管测量序列和例如心尖四腔心（A4C）切面的超声心动图，如果不同步地获得有创压力导管测量序列和心尖四腔心（A4C）切面的超声心动图，则还需要在每个步骤同时测量心电图，以使得压力和超声心动图随后能在时序上匹配同步。

然后利用获得的数据训练神经网络模型，使得模型能够根据随后输入的目标心脏的超声心动图预测相应时间段内的压力序列。

另一方面，利用人工标注数据训练用于心脏区域的分割模型，并在此基础上设计自动测量例如左心室的容积的算法。

在压力生成模型和分割模型训练完成后，对于需要生成压力容积环的目标人群，只需要采集其A4C切面的超声心动图分别输入上述两个模型就可以生成相应的目标压力序列和目标容积序列，进而生成压力容积环。

此外，还可以同步或随后继续采集心尖二腔心（A2C）切面的超声心动图来进一步修正得到的压力容积环。

下面将参照图2，详细描述根据本申请的一个实施方式的获得压力容积环的人工智能方法。

如图2所示，本申请的示例性实施方式的基本流程主要包含以下几个部分：

首先训练压力生成模型。选择一部分人群的心脏作为样本心脏，对这些样本心脏作有创压力导管测量，获得样本心脏的压力序列，且获得样本心脏的超声心动图，将样本心脏的压力序列和超声心动图用于训练压力生成模型，使得该压力生成模型能够根据输入的任何超声心动图生成相应的压力序列。所采集的超声心动图具有多帧图像，且超声心动图至少持续一个心动周期。所述超声心动图包括心尖四腔心（A4C）切面的超声心动图、心尖三腔心（A3C）切面的超声心动图和/或心尖二腔心（A2C）切面的超声心动图。

然后训练分割模型，利用获得的超声心动图的分割标注数据训练分割模型，使得该分割模型能够根据随后输入的（例如A4C切面的）超声心动图自动分割出心脏的各心腔，例如左心室、左心房、右心室和右心房。并且可以识别各心腔的边界、心尖、二尖瓣等特征，以计算出各心腔的容积序列。

在预测阶段，调整超声探头直到得到待测量者的心脏（目标心脏）的清晰的超声心动图，连续地记录超声心动图，持续若干个连续的心动周期。在此过程中，测量的超声心动图一帧一帧地不断被输入到压力生成模型和分割模型，得到目标心脏的目标压力序列（压力曲线）和目标容积序列（容积曲线），将目标压力序列和目标容积序列分别作为横纵坐标绘制在平面坐标系中，得到压力容积环。

随后，优选地，将超声探头调整得到清晰的另一切面（A2C切面）的超声心动图，记录下若干个心动周期内该切面的超声心动图和相应的心电图，获得另一组目标容积序列，对压力容积环进行离线修正。

当然，在其他实施方式中，可以同时获得多个切面的超声心动图，在线地修正压力容积环。

出于详尽的目的，下文将详细描述各个步骤、阶段或模块的一个示例性实施方式。

（一）压力生成模型的训练及预测

首先，选择一部分人群作为样本人群，利用有创压力导管采集样本人群的心脏（又称为样本心脏）的例如左心室的压力序列和心电图，然后采集样本心脏的例如A4C切面的超声心动图和心电图，作为训练数据。

然后，利用两次心电图将目标压力序列和目标超声心动图作时序上的同步，并且根据心电信号将同步的训练数据划分为多个心动周期，每个心动周期的数据作为一例训练样本。注意到，有创压力导管测量仅在采集模型训练数据时需要，在模型训练好后用于预测时就不再需要。

随后，构造卷积神经网络模型（神经网络模型），输入为一个长度L帧的一个心动周期的A4C切面的超声心动图，输出为一个长度为L的序列（L可以按需要设定），其中序列的每个值代表该模型预测出的每一帧A4C切面超声图像对应的压力值。通过设定合适的损失函数并利用上述步骤中采集的训练数据，根据反向传播原理对上述模型进行训练并保存训练好的模型及参数。

最后，在预测阶段，先加载训练好的模型和参数，然后只需要将采集到的待测量者的心脏（目标心脏）的A4C切面的超声心动图划分为多个心动周期，将每个心动周期对应的一段超声心动图输入压力生成模型即可输出对应的目标压力序列。

（二）图像分割模型容积计算

首先，运用图像处理技术对目标心脏的超声心动图中的每一帧A4C切面进行预处理，统一图像的像素间距，对像素灰度做归一化处理。

然后，将预处理后的A4C切面输入已经训练好的卷积神经网络模型（分割模型），输出心脏左心室和左心房区域的掩码，从而提取出左心室和左心房区域。

随后，利用图像处理技术确定目标心脏的心尖以及二尖瓣的基点，利用单平面辛普森法求出左心室容积。具体步骤为，连接心尖与二尖瓣基点的中点作为左心室的长轴，将该长轴平分为20段，在每个分割点作一条与该长轴垂直的直线，这些直线与左心室区域相交形成19条划分线段，将左心室划分为20个区域。假设每个区域对应的三维形状为一个圆盘，圆盘的直径为每条线段的长度，高度为线段之间的距离，求出这些圆盘的体积再相加即可得到左心室容积。如此，可以获得每一帧的A4C切面所对应的例如左心室的目标容积序列。

（三）压力容积环生成

首先，根据心电图信号或图像识别技术，选择二尖瓣关闭时刻或其他时刻作为一个心动周期的起点，在一个心动周期内以上述获得的目标容积序列作为横坐标，以上述压力生成模型输出的目标压力序列作为纵坐标，绘制离散的数据点。

然后，利用曲线拟合方法将离散的数据点生成光滑的压力容积环曲线，并在屏幕上实时显示，同时在后台记录相应的数据。然后可以按图1所示的压力容积环上的三个区域的面积计算出收缩末势能、充盈能和搏出功，进而计算出总能量以及能量效率。

随后，当进入下一个心动周期后，清除之前的压力容积环数据，开始生成新一个周期的压力容积环，此过程可以重复若干个心动周期。

附加地，可以同步地或随后获得目标心脏的A2C切面的超声心动图，以对压力容积环进行修正。具体地：

将前述计算容积的单平面辛普森法改为双平面辛普森法，即假设划分的20个区域为椭圆盘，椭圆盘的长轴和短轴分别为A4C切面和A2C切面中对应划分线段的长度。

然后，在A2C切面和A4C切面的超声心动图中分别选取一个心动周期，利用心电图信号同步这两个切面的超声心动图，并利用双平面辛普森法计算出该心动周期中的每个时刻的修正容积。如果这两个切面的帧数不同或不对应，可利用插值方法进行处理后再计算。

修正后的容积能够更准确地预测目标心脏的压力容积环。

在本申请的实施方式中，预测压力值时不需要作有创压力导管测量，也不需要采集多普勒超声频谱来对压力进行估算，大大减小了操作的复杂程度以及对患者身体的损害。并且通过真实测量数据训练出的压力生成模型可以快速、准确地利用某切面的超声心动图和心电图预测出例如左心室的压力序列，同时结合分割模型以及相应地测量程序，全自动完成压力容积环的生成，减小了操作者的工作量以及人工操作引起的误差。

需要指出的是，本申请并不局限于获得左心室的压力容积环，本申请还可以用于获得右心室、左心房或右心房的压力容积环。

在测量压力或某一切面的超声心动图时，可以同时测量心电图，利用心电图实现它们之间的时序同步。当然，在其他实施方式中，可以同步获得压力和多个切面的超声心动图，省去了心电图的测量工序和同步工序，简化了方法。

在其他实施方式中，在获得样本压力序列时，可以采用其他方式替代有创压力导管来获得样本压力序列。

在其他实施方式中，压力生成模型可以是除了神经网络模型以外的其他模型。

在其他实施方式中，可以使用立体超声探头同步获得至少两个切面的超声心动图，例如心尖四腔心切面超声心动图、心尖三腔心切面超声心动图和心尖二腔心切面超声心动图中的至少两者。

本申请可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。

计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备。

用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。

这里参照根据本申请实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。

附图中的流程图和框图显示了根据本申请的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。

以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (9)

1.一种用于获得心脏压力容积环的人工智能方法，其特征在于，所述人工智能方法包括：

获取样本心脏内的样本压力序列，

获取所述样本心脏的样本超声心动图，

基于所述样本压力序列和所述样本超声心动图训练模型，

获取目标心脏的目标超声心动图，

基于所述目标超声心动图和所述模型获得目标压力序列，

基于所述目标超声心动图获得目标容积序列，

基于所述目标压力序列和所述目标容积序列获得所述目标心脏的压力容积环。

2.根据权利要求1所述的人工智能方法，其特征在于，获取样本心脏内的样本压力序列的步骤包括：利用有创压力导管采集所述样本心脏内的样本压力序列。

3.根据权利要求1所述的人工智能方法，其特征在于，获取样本心脏内的样本压力序列的步骤与获取所述样本心脏的样本超声心动图的步骤同时进行。

4.根据权利要求1所述的人工智能方法，其特征在于，

获取样本心脏内的样本压力序列的步骤包括：同时获取所述样本心脏内的样本压力序列和第一心电图，

获取所述样本心脏的样本超声心动图的步骤包括：同时获取所述样本心脏的样本超声心动图和第二心电图，

基于所述样本压力序列和所述样本超声心动图训练模型的步骤包括：基于所述样本压力序列、所述第一心电图、所述样本超声心动图和所述第二心电图训练所述模型。

5.根据权利要求1所述的人工智能方法，其特征在于，所述模型包括神经网络模型。

6.根据权利要求1所述的人工智能方法，其特征在于，所述目标心脏的压力容积环包括：左心室的压力容积环、右心室的压力容积环、左心房的压力容积环和右心房的压力容积环中的至少一者。

7.根据权利要求1所述的人工智能方法，其特征在于，

所述样本超声心动图包括：样本心尖四腔心切面超声心动图、样本心尖三腔心切面超声心动图和/或样本心尖二腔心切面超声心动图，

所述目标超声心动图包括：目标心尖四腔心切面超声心动图、目标心尖三腔心切面超声心动图和/或目标心尖二腔心切面超声心动图。

8.一种用于获得心脏压力容积环的人工智能设备，其特征在于，所述人工智能设备用于执行根据权利要求1至7中的任一项所述的人工智能方法。

9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序用于实施根据权利要求1至7中的任一项所述的人工智能方法。

Images