[0001] 本发明涉及计算机视觉技术领域，尤其涉及一种基于超声图像的二尖瓣环位移自动检测系统。

[0002] 左室收缩功能是评价心血管疾病的重要参数。临床上评估左心室收缩功能首选的指标是左心室射血分数(Left Ventricular Ejection Fraction,即LVEF)，在一些疾病初期，LVEF不能准确地反映出心脏收缩功能的减低，这种情况下需要结合左心室整体纵向应变(Left Ventricular Global Longitudinal Strain,即LVGLS)进行分析和评估。但是这种方法需要描记左心室内膜，评估准确性高度依赖于图像质量。二尖瓣环位移(Mitral Annular Displacement,即MAD)是另一项评价左心室收缩功能的指标，它通过追踪收缩期二尖瓣环室间隔位点、左心室侧壁位点和左心室心尖位点的位移，来评价左心室的收缩功能。MAD被研究证实可在疾病早期准确反映左心室收缩功能，并已纳入美国超声心动图学会指南，推荐在图像质量较差，难以准确检测LVEF和LVGLS时作为替代参数。

[0003] 文献(张维辛,马春燕,王永槐,等.组织二尖瓣环位移评价冠状动脉慢血流患者左心室收缩功能[J].中国超声医学杂志,2017,33(2):114‑117.)提供了一种MAD评估冠状动脉慢血流(Slow Coronary Flow,即SCF)左心室收缩功能的方法，并探讨了其临床价值。文章使用Philip iE 33超声诊断仪，S5‑1探头，频率1～5MHz，采集冠脉造影72小时内患者胸骨旁左心室长轴切面以及心尖四腔心、二腔心和三腔心的3个连续心动周期动态图像；使用QLAB 9.0软件对图像进行脱机分析，在MAD模式下人工描记二尖瓣环室间隔、左心室侧壁以及左心室心尖，并由软件计算得到室间隔位点位移(MAD1)、左心室侧壁位点位移(MAD2)、平均位移(MAD Midpt)和平均位移率(MAD Midpt％)。但该方法需要医生在软件中手动描记三个位点，评估结果依赖于医生的临床经验以及描记位置的准确性，可重复性差。手动描记需要投入学习、人工和时间成本，不能很好地满足临床需求。

[0041] 下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

[0042] 本实施例中，一种基于超声图像的二尖瓣环位移自动检测系统，通过如图1所示的以下步骤进行二尖瓣环位移的检测：

[0043] 步骤1：获取多个超声心动图作为样本数据集；基于超声心动图四腔心视图，获取遵循医疗数位影像传输协定(Digital Imaging and Communications in Medicine,DICOM)的dcm格式的超声心动图文件，或dcm格式的超声心动图文件解析后的单帧图像(JPG,PNG,JPEG格式)及其对应的左心室掩模或者二尖瓣环位点坐标标签；

[0044] 步骤2：将样本数据集划分为以下三种数据集类型：

[0045] (1)训练和测试数据集：包括原始超声心动图像和对应的标签，用于训练和测试初始化的深度神经网络模型，得到预训练的深度神经网络模型参数；

[0046] (2)微调数据集：包括原始超声心动图像和对应的标签，用于微调预训练的深度神经网络模型参数；

[0047] (3)MAD待评估数据：未设置左心室掩模或者位点坐标标签的dcm格式的超声心动图文件或解析后的单帧图像，用于临床评估MAD指标；

[0048] 步骤3：判断输入二尖瓣环位移自动检测系统的数据类型，如果输入的是训练和测试数据集，则初始化用于左心室分割和二尖瓣检测的深度神经网络模型，然后执行步骤4；如果输入的是微调数据集，则执行步骤5；如果输入的是待评估数据则执行步骤6；

[0049] 所述深度神经网络模型包括左心室分割网络和二尖瓣检测网络；

[0050] 所述左心室分割网络如图2所示，基于U‑Net网络结构搭建，由压缩路径和扩展路径组成，传统U‑Net网络中压缩路径和扩展路径各由4个块组成。本发明使用的分割网络，压缩路径由5个块组成，每个块执行2个核(Kernel)为3×3的卷积操作以及1个2×2最大池化的降采样操作；压缩路径各块输出的特征图(Feature Map)经过复制和裁剪操作，与输入扩展路径对应块的特征图拼接；扩展路径由5个块组成，每个块执行1个核为2×2的反卷积操作以及2个核为3×3的卷积操作，第5个块在最后增加了一个核为1×1的卷积操作；

[0051] 所述二尖瓣检测网络如图3所示，采用Yolov3网络，其骨干网络为去掉全连接层的Darknet‑53网络，由6个单独的卷积块和23个残差单元组成；其中，每个残差单元包含2个卷积块和1个残差块；每个残差单元中的残差块包含2个卷积块；每个卷积块由二维卷积(Conv2d)、Batch Normalization(BN)和LeakyReLU组成；Darknet‑53网络输出的三个尺度的特征图将分别经过三条输出分支，每条输出分支由一个卷积集合、一个3×3卷积块和一个1×1Conv2d操作组成，分别输出不同尺度的预测结果；前后两个分支之间由上采样操作和特征拼接操作连接，从前一个分支的卷积集合输出的特征经过1×1卷积块、上采样操作和特征拼接操作后将作为下一个分支的输入；不同尺度的预测结果经过解码、排序和非极大抑制处理，将得到二尖瓣环位置的预测结果；

[0052] 步骤4：加载模型参数配置并使用如图4所示的训练和测试数据集训练深度神经网络模型，得到预训练模型；

[0053] 所述深度神经网络模型参数包括输入Batch大小(一次性读入神经网络的图像数量)，Epoch大小(训练神经网络的迭代次数)，num_works(并行计算的进程数量)，device(使用的是CPU还是GPU，以及GPU的设备号)；

[0054] 步骤5：加载预训练模型，将保存了深度神经网络预训练参数的文件加载到深度神经网络模型中，使用微调数据集对预训练模型的模型参数进行微调；

[0055] 步骤6：加载预训练模型的模型参数和配置文件，分割待评估的超声心动图中的左心室，得到左心室分割掩模和二尖瓣环位置方框；

[0056] 步骤7：根据左心室分割掩模和二尖瓣环位置方框得到二尖瓣环室间隔位点和左心室侧壁位点坐标以及左心室心尖位点坐标；

[0057] 从左心室掩模图像中得到左心室内膜轮廓的坐标序列，使用欧氏距离计算左心室内膜轮廓与二尖瓣环位置方框的四个角点坐标最近的点，得到二尖瓣环室间隔位点坐标和侧壁位点坐标；遍历左心室内膜轮廓坐标序列，得到左心室掩模图像中，代表左心室的区域的最高点的顶点坐标作为左心室心尖位点坐标；

[0058] 步骤8：根据二尖瓣环室间隔位点和左心室侧壁位点坐标以及左心室心尖位点坐标，得到收缩末期到舒张末期二尖瓣环室间隔位点、左心室侧壁位点和二尖瓣环平均位点相对于心尖位点的位移变化量，单位为毫米(mm)；

[0059] (1)计算二尖瓣环室间隔位点相对于心尖位点的位移变化量Dstseptal，如下公式所示：

[0060]

[0061] 其中， 为舒张末期(End‑Diastolic,ED)二尖瓣环室间隔位点坐标，为收缩末期(End‑Systolic,ES)二尖瓣环室间隔位点坐标， 为舒张末期左心室心尖位点坐标， 为收缩末期左心室心尖位点坐标，λ为缩放系数；

[0062] (2)计算左心室侧壁位点相对于心尖位点的位移变化量Dstwall，如下公式所示：

[0063]

[0064] 其中， 为舒张末期的左心室侧壁位点坐标， 为收缩末期的左心室侧壁位点坐标；

[0065] (3)计算二尖瓣环平均位点相对于心尖位点的位移变化量；

[0066] 首先获取二尖瓣环室间隔位点和左心室侧壁位点的平均位点坐标：

[0067]

[0068]

[0069] 其中， 为舒张末期的平均位点坐标， 为收缩末期的平均位点坐标；

[0070] 然后基于欧式距离计算得到收缩末期到舒张末期二尖瓣环平均位点相对于心尖位点的位移距离Dstmid，如下公式所示：

[0071]

[0072] 步骤9：在待评估的超声心动图像上输出MAD指标，如图5所示，完成对超声心动图像二尖瓣环位移的自动检测。

[0073] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。