CN114529540A - 超声心动图检测射血分数的人工智能方法与***装置 - Google Patents

超声心动图检测射血分数的人工智能方法与***装置 Download PDF

Info

Publication number
CN114529540A
CN114529540A CN202210257197.1A CN202210257197A CN114529540A CN 114529540 A CN114529540 A CN 114529540A CN 202210257197 A CN202210257197 A CN 202210257197A CN 114529540 A CN114529540 A CN 114529540A
Authority
CN
China
Prior art keywords
ejection fraction
artificial intelligence
convolution
echocardiogram
space
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210257197.1A
Other languages
English (en)
Inventor
秦绮玲
刘亚平
周琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Mite Xisaier Artificial Intelligence Co ltd
Humeds Health Technologies Corp
Original Assignee
Suzhou Mite Xisaier Artificial Intelligence Co ltd
Humeds Health Technologies Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Mite Xisaier Artificial Intelligence Co ltd, Humeds Health Technologies Corp filed Critical Suzhou Mite Xisaier Artificial Intelligence Co ltd
Priority to CN202210257197.1A priority Critical patent/CN114529540A/zh
Publication of CN114529540A publication Critical patent/CN114529540A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/06—Measuring blood flow
    • A61B8/065—Measuring blood flow to determine blood output from the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Hematology (AREA)
  • Quality & Reliability (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开一种超声心动图检测射血分数的人工智能方法与***装置。所述***包括：便携式超声心动图检测仪和计算机平台：所述便携式超声心动图检测仪，用于采集心脏超声心动图；所述计算机平台，用于运行超声心动图射血分数人工智能检测模块，通过超声心动图和人工智能方法评估射血分数，从而判断患者的心脏功能，为心衰患者提供居家预后管理。

Description

超声心动图检测射血分数的人工智能方法与***装置
技术领域
本发明涉及人工智能、移动医疗领域，尤其涉及一种超声心动图检测射血分数的人工智能方法与***装置。
背景技术
心脏维持全身性正常的重要器官，心功能不健全表现为呼吸困难、疲乏、运动不耐受、死亡风险增加，心脏功能受损被描述为心肌病或心衰，是目前住院的主要原因以及日益严重的全球性健康问题。准确评估心脏功能对于心血管基本的诊断至关重要，特别是对于心衰患者的管理显得更为重要。
有各种方法用于量化心脏功能和诊断心脏功能障碍，射血分数(EjectionFraction，EF)检测是最方便有效的评判心功能重要指标之一，也是判断心力衰竭类型的重要指标。
临床医生通常使用射血分数的值来评估心脏功能，射血分数是心脏收缩时泵出的左心腔(左室)中血液体积的百分比，正常值为50％～70％。射血分数的计算公式为：EF＝(EDV-ES)*100％/EDV，式中EF为射血分数；EDV为心室舒张末容积；ES为心室收缩末容积。从式中可以看出，射血分数是一个容积比率指标，从容积的角度反映的心室的射血功能。如果射血分数小于50％，则考虑存在心肌收缩力减低，心脏收缩功能下降。
在所有医学影像中，超声医学影像因具有无创性、实时性、简易性、便捷性等特点，成为临床诊断心脏衰竭等疾病的重要手段。有经验的医生，可以“观察”心脏跳动的超声视频环，并精确估计射血分数。在现有技术中，评估心脏功能用有限的心脏周期采样，一种常用的射血分数检测方法是二维-辛普森双平面法：在标准四腔或二腔超声心动图的腔内边缘勾勒出左心室(LV)面积，通过数值计算方法推导出心室舒张末容积EDV和心室收缩末容积ES的值，再通过公式计算出射血分数EF。显然，EF的检测都要依赖于医生的经验和手法，观察者之间的变异性也会使得重复性较低，而且人工检测和计算射血分数所耗费的时间成本较高，还常常导致检测结果不准确。人工智能深度学习在花费较少的人力成本下，可以得到更加精准的结果，甚至还可以发现那些专家发现不了的特征。
发明内容
针对现有技术中存在的问题，本发明提供一种超声心动图检测射血分数的人工智能方法与***装置，首先通过超声设备连续采集至少包含一个完整心动周期的连续超声心动图视频数据；然后将所采集的超声心动图视频数据上载给部署在云端的计算机平台，所述计算机平台运行超声心动图射血分数人工智能检测模块完成射血分数检测。
根据本发明的一个方面，本发明提供的超声心动图检测射血分数的人工智能***装置包括：便携式超声心动图检测仪、平板电脑或手机、计算机平台：所述便携式超声心动图检测仪，用于采集超声心动图；所述平板电脑或手机，用于运行应用程序，操作、控制和存储所述超声心动图检测仪采集、存储和传输所述超声心动图数据；所述计算机平台，包括一个或多个计算机，其中每个计算机具有储存器和至少一个处理器，用于运行超声心动图射血分数人工智能检测模块，检测射血分数。
优选地，所述便携式超声心动图检测仪的探头在患者检测心动图的适当位置扫描，采集并在所述平板电脑或手机上存储所述超声心动图数据。
进一步，所述超声心动图数据通过所述平板电脑或手机的数据传输模块送给部署在云端的计算机平台，由其完成所述超声心动图射血分数人工智能检测，并将检测结果返回，显示在所述平板电脑或手机上。
根据本发明的另一方面，所述超声心动图射血分数人工智能检测方法，包括以下步骤：
步骤S1、构建所述超声心动图射血分数人工智能检测模块，一个基于深度时空卷积模型；
步骤S2、根据预先获取的超声心动图视频数据训练样本对所述超声心动图射血分数人工智能检测模块进行训练；
步骤S3、将训练好的所述超声心动图射血分数人工智能检测模块，部署到所述计算机平台上；
步骤S4、将待检测射血分数的超声心动图短视频送给部署好的所述超声心动图射血分数人工智能检测模块，检测射血分数；
步骤S５、检测结果返回所述平板电脑或手机显示。
优选地，将预采集和标注的所述超声心动图视频数据按照预设的比例划分为训练数据集、验证数据集和测试数据集：所述训练数据集用于对预先建立的所述超声心动图射血分数人工智能检测模块进行训练；所述验证数据集用于对训练得到的所述超声心动图射血分数人工智能检测模块进行参数调优；所述测试数据集，用于对调优后的所述超声心动图射血分数人工智能检测模块进行测试。
根据本发明的再一方面，本发明提供的超声心动图射血分数人工智能检测方法，包括如下步骤：
步骤S21、打开所述便携式超声心动图检测仪；
步骤S22、打开所述平板电脑或手机上的所述应用程序，操作所述超声心动图检测仪在患者心动图采集位置采集并存储所述超声心动图；
步骤S23、将采集和存储在所述平板电脑或手机上的所述超声心动图视频数据上载给部署在云端的所述计算机平台；
步骤S24、所述计算机平台运行所述超声心动图射血分数人工智能检测模块，完成射血分数检测；
步骤S25、所述超声心动图射血分数人工智能检测模块完成射血分数检测后，将检测结果返回所述平板电脑或手机显示。
根据本发明的再一方面，本发明所述超声心动图射血分数人工智能检测模块是一个深度时空卷积神经网络模型，包括：超声心动图视频输入、深度时空卷积网络、输出网络：
所述超声心动图视频输入，用于接收和处理所述超声心动图视频数据；
所述深度时空卷积网络，用于检测所述超声心动图短视频的射血分数；
所述输出网络，用于以射血分数标准输出结果格式，输出射血分数检测结果。
进一步，所述深度时空卷积网络包括：输入层、时空卷积主网络模块、时空池化层、全连接层和SoftMax分类器：
所述输入层，用于处理所收到的超声心动图视频数据；
所述时空卷积主网络模块，用于提取所述超声心动图视频的时空特征参数；
所述时空池化层，用于减少所述时空特征参数，从而减少最后连接层中的特征参数数量；
所述全连接层，由多层全连接网络组成，用于将通过所述时空卷积主网络模块提取的时空特征重新通过权值构建完整的特征值矩阵；
所述SoftMax分类器，用于按照要求分类数，计算分类射血分数的概率。
进一步，所述时空卷积主网络模块，由多个输出与输入连接的时空卷积模块组成，并构建成残差网络，即将输入所述时空卷积模块的输入，同时连接到下一个时空卷积模块的输入，以此类推。
优选地，所述时空卷积模块由多层时空卷积层构成。
进一步，所述时空卷积层包括一层空间卷积层紧接着一层时间卷积层，所述空间卷积层是二维卷积层，所述时间卷积层是一维卷积层，两者构成的所述时空卷积层是三维卷积层。
优选地，可以在所述空间卷积层后增加一个池化层，减少空间卷积输出的特征参数数量。
有益效果：
依上述实施的一种超声心动图检测射血分数的人工智能方法与***装置，提供了一个完整的射血分数检测***装置包括：超声心动图检测设备、平板电脑或手机操作管理***和人工智能射血分数检测***，可以方便快捷地完成用户或患者的射血分数检测。通过采用时空卷积网络模型，对超声左心室边界的识别和其随时间的变化相结合来识别射血分数，在射血分数和心肌病评估的准确性超越了人类专家的表现，从而使得一般医护人员可以直接对病人的心脏功能进行判断，对于心衰筛查分类和心衰患者预后具有十分重要的临床意义。此外，快速识别射血分数的细微变化，为实时精确诊断心血管疾病提供了帮助。
附图说明
图1是本发明实施例提供的超声心动图检测射血分数***装置原理图；
图2是本发明实施例提供的超声心动图射血分数人工智能检测方法；
图3是本发明实施例提供的超声心动图射血分数人工智能检测模块训练方法；
图4是本发明实施例提供的超声心动图射血分数人工智能检测流程；
图5是本发明实施例提供的所述时空卷积主网络模块结构图；
图6是本发明实施例提供的所述深度时空卷积网络结构图；
图7是本发明实施例提供的所述时空卷积主网络模块结构图。
具体实施方式
现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本原理、基本结构和基本功能，因此其仅显示与本发明有关的构成。
本领域的一般技术人员可能会意识到本发明的一些变体以及等同替代，但这些变体和等同替代不应理解为超出了本发明的保护范围。
图1是本发明实施例提供的超声心动图检测射血分数***装置原理图。如图1所示，便携式超声心动图检测仪1、平板电脑或手机2、计算机平台３：所述1，用于采集超声心动图；所述2，用于运行应用程序，操作、控制和存储所述超声心动图检测仪采集、存储和传输所述超声心动图数据；所述3，用于运行超声心动图射血分数人工智能检测模块，完成人工智能射血分数检测。打开1和2的所述应用程序，1通过WiFi自动与2连接后，用1在患者心动图采集部位扫描，采集并存储超声心动图到2；点击2上的数据上传键，2将1采集到的超声心动图视频数据上载给所述3，3在收到数据后，进行人工智能射血分数检测，并将检测结果送给2显示。
图2是本发明实施例提供的超声心动图射血分数人工智能检测方法。图2所示的检测方法包括如下步骤：
S21、构建所述超声心动图射血分数人工智能检测模块，一个基于深度时空卷积模型；
S22、根据预先获取的超声心动图视频数据训练样本对所述超声心动图射血分数人工智能检测模块进行训练；
S23、在所述计算机平台３上部署训练好的所述超声心动图射血分数人工智能检测模块；
S24、将待检测射血分数的超声心动图短视频上载给部署好的所述超声心动图射血分数人工智能检测模块的计算机平台，完成射血分数检测；
S25、将检测结果返回所述平板电脑或手机显示。
图3是本发明实施例提供的超声心动图射血分数人工智能检测模块训练方法。如图3所示的训练方法包括如下步骤：
S31、将预采集和标注的所述超声心动图视频数据按照预设的比例划分为训练数据集、验证数据集和测试数据集,本发明实施例，划分比例为70：20：10；
S32、用所述训练数据集训练所述超声心动图射血分数人工智能检测模块；
S33、用所述验证数据集对所述超声心动图射血分数人工智能检测模块进行参数调优；
S34、用所述测试数据集，对调优后的所述超声心动图射血分数人工智能检测模块进行测试；
S35、将调优及测试好的所述超声心动图射血分数人工智能检测模块部署到计算机平台上。
本发明实施例，所述超声心动图视频数据为四腔超声心动图短视频数据，因此，训练、优化好的超声心动图射血分数人工智能检测模块可用来检测基于四腔超声心动图视频数据的血分数。此外，在所述超声心动图视频数据中，如果包括更多的，包括左心室在内的其它超声心动图，其所训练的超声心动图射血分数人工智能检测模块可以用于检测任意扫描位置取到的，包括左心室图的短视频数据的射血分数检测。
图4是本发明实施例提供的超声心动图射血分数人工智能检测流程。如图4所示的检测流程包括如下步骤：
S41、打开所述便携式超声心动图检测仪；
S42、打开所述平板电脑或手机所述应用程序；
S43，操作所述超声心动图检测仪在患者适当位置扫描，采集并存储超声心动图；
S44、将采集和存储在所述平板电脑或手机上的所述超声心动图视频数据上载到计算机平台，所述计算机平台部署在云端，并运行所述超声心动图射血分数人工智能检测模块，完成射血分数检测；
S45、所述超声心动图射血分数人工智能检测模块完成射血分数检测后，将检测结果返回所述平板电脑或手机显示。
本发明实施例，所述患者适当位置取患者心尖搏动处，扫描采集四腔超声心动图，人工智能通过其短视频分析得出射血分数。
图5是本发明实施例提供的所述时空卷积主网络模块结构图。如图5所示，所述时空卷积主网络模块，由多个输出与输入连接的时空卷积模块组成511、512、……组成，将所述时空卷积模块的输入，同时连接到下一个时空卷积模块的输入，在本发明实施例，511的输入直接连接到512的输入端，以此类推，构建成残差网络。所述511、512……、51n采用相同结构的时空卷积模块，包括：一层空间卷积层紧接着一层时间卷积层，所述空间卷积层是二维卷积层，所述时间卷积层是一维卷积层，两者构成的所述时空卷积层是三维卷积层，本发明实施例，521、523、525是空间卷积、522、524、526是时间卷积，527是时空池化层，用于减少每个时空卷积模块的输出特征参数数量。
图6是本发明实施例提供的所述深度时空卷积网络结构图。如图6所示，所述深度时空卷积网络包括：输入层61、时空卷积主网络模块62、时空池化层63、全连接层64、65、66、SoftMax分类器67：所述61，用于处理所收到的超声心动图视频数据；所述62，用于提取所述超声心动图视频的时空特征参数；所述63，用于减少所述时空特征参数，从而减少最后连接层中的特征参数数量；所述64、65、66构成多层全连接网络，用于将通过所述时空卷积主网络模块提取的时空特征重新通过权值构建完整的特征值矩阵；所述67，用于按照要求分类数，计算分类射血分数的概率。
图7是本发明实施例提供的所述时空卷积主网络模块结构图。如图7所示，711，…，71n为时空卷积模块，每个模块按序串联，且每个时空卷积模块的输入端馈送到下一个时空卷积模块的输入端，构成残差网络；在最后一级时空卷积模块的输出端连接一个时空池化网络层，用于减少所示时空特征参数数量。所述时空卷积模块结构如721、722、723、724、725、726、727所示，层层级联：721、723、725是空间卷积层，用于提取空间特征；722、724、726是世界卷积层，用于提取时间特征；727是时空池化层，用于减少所述时空卷积模块所输出的时空特征参数。
以上述依据本发明的实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (7)

1.一种超声心动图检测射血分数的人工智能***装置，其特征在于，所述***装置包括：便携式超声心动图检测仪、平板电脑或手机、计算机平台：所述便携式超声心动图检测仪，用于采集超声心动图；所述平板电脑或手机，用于运行应用程序，操作、控制和存储所述超声心动图检测仪采集、存储和传输所述超声心动图数据；所述计算机平台，包括一个或多个计算机，其中每个计算机具有储存器和至少一个处理器，用于运行超声心动图射血分数人工智能检测模块，检测射血分数。
2.根据权利要求1所述的超声心动图检测射血分数的人工智能***装置，其特征在于，所述超声心动图射血分数人工智能检测模块是一个深度时空卷积神经网络模型，包括：超声心动图视频输入、深度时空卷积网络、输出网络：所述超声心动图视频输入，用于接收和处理所述超声心动图视频数据；所述深度时空卷积网络，用于检测所述超声心动图短视频的射血分数；所述输出网络，用于以射血分数标准输出结果格式，输出射血分数检测结果。
3.根据权利要求2所述的超声心动图检测射血分数的人工智能***装置，其特征在于，所述深度时空卷积网络包括：输入层、时空卷积主网络模块、时空池化层、全连接层和SoftMax分类器：所述输入层，用于处理所收到的超声心动图视频数据；所述时空卷积主网络模块，用于提取所述超声心动图视频的时空特征参数；所述时空池化层，用于减少所述时空特征参数，从而减少最后连接层中的特征参数数量；所述全连接层，由多层全连接网络组成，用于将通过所述时空卷积主网络模块提取的时空特征重新通过权值构建完整的特征值矩阵；所述SoftMax分类器，用于按照要求分类数，计算分类射血分数的概率。
4.根据权利要求3所述的超声心动图检测射血分数的人工智能***装置，其特征在于，所述时空卷积主网络模块，由多个输出与输入连接的时空卷积模块组成，并构建成残差网络，即将输入所述时空卷积模块的输入，同时连接到下一个时空卷积模块的输入，以此类推。
5.根据权利要求4所述的超声心动图检测射血分数的人工智能***装置，其特征在于，所述时空卷积模块由多层时空卷积层构成。
6.根据权利要求5所述的超声心动图检测射血分数的人工智能***装置，其特征在于，所述时空卷积层包括一层空间卷积层紧接着一层时间卷积层，所述空间卷积层是二维卷积层，所述时间卷积层是一维卷积层，两者构成的所述时空卷积层是三维卷积层。
7.一种超声心动图检测射血分数的人工智能方法，其特征在于，所述方法，包括以下步骤：
步骤S1、构建所述超声心动图射血分数人工智能检测模块，一个基于深度时空卷积模型；
步骤S2、根据预先获取的超声心动图视频数据训练样本对所述超声心动图射血分数人工智能检测模块进行训练；
步骤S3、在计算平台上部署训练好的所述超声心动图射血分数人工智能检测模块；
步骤S4、将待检测射血分数的超声心动图短视频通过云上载到所述超声心动图射血分数人工智能检测模块进行人工智能检测，得到射血分数检测结果。
CN202210257197.1A 2022-03-16 2022-03-16 超声心动图检测射血分数的人工智能方法与***装置 Pending CN114529540A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210257197.1A CN114529540A (zh) 2022-03-16 2022-03-16 超声心动图检测射血分数的人工智能方法与***装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210257197.1A CN114529540A (zh) 2022-03-16 2022-03-16 超声心动图检测射血分数的人工智能方法与***装置

Publications (1)

Publication Number Publication Date
CN114529540A true CN114529540A (zh) 2022-05-24

Family

ID=81626341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210257197.1A Pending CN114529540A (zh) 2022-03-16 2022-03-16 超声心动图检测射血分数的人工智能方法与***装置

Country Status (1)

Country Link
CN (1) CN114529540A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115761381A (zh) * 2022-12-14 2023-03-07 安徽鲲隆康鑫医疗科技有限公司 超声心动图的分类方法、分类装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115761381A (zh) * 2022-12-14 2023-03-07 安徽鲲隆康鑫医疗科技有限公司 超声心动图的分类方法、分类装置
CN115761381B (zh) * 2022-12-14 2023-11-07 安徽鲲隆康鑫医疗科技有限公司 超声心动图的分类方法、分类装置

Similar Documents

Publication Publication Date Title
EP3445250B1 (en) Echocardiographic image analysis
US7244230B2 (en) Computer aided diagnostic assistance for medical imaging
CN101980664B (zh) 超声波诊断装置
CN100481096C (zh) 心脏成像的自动区域心肌评定的方法
Cannesson et al. A novel two-dimensional echocardiographic image analysis system using artificial intelligence-learned pattern recognition for rapid automated ejection fraction
US20210192720A1 (en) System and methods for ultrasound image quality determination
KR20090029673A (ko) 3 차원 심초음파 검사 데이터로부터 평면들의 자동 검출
CN111971688A (zh) 具有用于检索复发患者的成像参数设置的人工神经网络的超声***
US20220012875A1 (en) Systems and Methods for Medical Image Diagnosis Using Machine Learning
CN109925002A (zh) 人工智能超声心动图数据采集***及其数据采集方法
US11771327B2 (en) System and method for human motion detection and tracking
Zhang et al. A computer vision pipeline for automated determination of cardiac structure and function and detection of disease by two-dimensional echocardiography
CN114529540A (zh) 超声心动图检测射血分数的人工智能方法与***装置
CN111820947B (zh) 超声心脏反流自动捕捉方法、***及超声成像设备
US11704803B2 (en) Methods and systems using video-based machine learning for beat-to-beat assessment of cardiac function
KR101603308B1 (ko) 생체 나이 연산 모델 생성 방법 및 시스템과, 그 생체 나이 연산 방법 및 시스템
Zhong et al. Pulmonary artery strain predicts prognosis in pulmonary arterial hypertension
WO2022141083A1 (zh) 周期性参数的分析方法和超声成像***
WO2024126468A1 (en) Echocardiogram classification with machine learning
CN109492713A (zh) 一种远程超声影像质量监控***
KR20220053439A (ko) 합성곱·양방향 장단기 기억 순환신경망을 활용한 광전용적맥파 기반 실시간 혈압 모니터링 시스템 및 이를 이용한 실시간 혈압 모니터링 방법
CN114271850B (zh) 超声检测数据的处理方法及超声检测数据的处理装置
US20240225589A1 (en) Device for acquiring a sequence of ultrasonograms and associated method
US20230238151A1 (en) Determining a medical professional having experience relevant to a medical procedure
JP2013146625A (ja) 超音波診断装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication