基于深度学习特征提取的先心病肺动脉压力无创估测方法与流程

摘要: 本发明涉及医学影像处理与智能辅助评估,具体涉及基于深度学习特征提取的先心病肺动脉压力无创估测方法。背景技术:1、先天性心脏病患者中,房间隔缺损、室间隔缺损、动脉...
基于深度学习特征提取的先心病肺动脉压力无创估测方法与流程

本发明涉及医学影像处理与智能辅助评估,具体涉及基于深度学习特征提取的先心病肺动脉压力无创估测方法。

背景技术:

1、先天性心脏病患者中,房间隔缺损、室间隔缺损、动脉导管未闭等异常心内或大血管交通可形成异常分流,使肺循环血流量及相关心腔负荷发生改变。当肺循环长期处于异常血流动力学状态时,患者可能进一步出现肺动脉压力升高。肺动脉压力是评价先天性心脏病患者肺循环血流动力学状态的重要参数,目前右心导管检查能够直接获得肺动脉压力,但属于有创检查,不适于频繁重复应用。多普勒超声心动图等无创医学影像技术因操作便利,被广泛用于肺动脉压力的筛查和估测。

2、现有无创肺动脉压力估测通常通过三尖瓣反流速度、右心室尺寸、室间隔形态、肺动脉尺寸及右室流出道相关参数间接反映肺动脉压力。随着医学影像处理技术的发展,已有技术开始利用卷积神经网络等深度学习模型对超声心动图或心脏磁共振动态影像进行自动特征提取,并将单视图或多视图影像特征进行融合,再通过回归模型输出肺动脉压力估测值,从而减少人工选择影像参数带来的操作依赖。

3、然而,对于具有异常分流的先天性心脏病患者,心脏影像中的结构改变并非仅由肺动脉压力负荷形成。异常分流本身能够产生容量负荷,使受分流影响的心腔发生扩张,并使室间隔形态和运动状态产生变化;肺动脉压力升高形成的压力负荷同样能够引起心室重构、室间隔偏移以及相关结构运动改变。因此,分流容量负荷与肺动脉压力负荷可能在医学影像中形成部分相似的深度特征。尤其对于分流程度不同的患者,相同程度的心腔扩大或室间隔形变并不对应相同的肺动脉压力。

4、现有直接利用深度学习模型从心脏影像回归肺动脉压力的方法,通常将各影像区域和各心动时相的深度特征直接进行融合,未针对当前患者的分流程度建立其自身的容量负荷影像基线。因此,训练过程中容易形成分流程度、缺损尺寸或分流引起的心腔扩大与肺动脉压力之间的统计关联,使容量负荷影像特征被部分作为压力负荷影像特征参与回归。即使从单一影像视图中提取出疑似压力相关特征,也缺少利用不同视图中同一解剖结构的发生时相及形变方向对所述疑似压力相关特征进行互相验证的处理过程,因而仍存在局部异常分流影像对肺动脉压力估测产生干扰的问题。

技术实现思路

1、本发明为解决上述技术问题,提供了基于深度学习特征提取的先心病肺动脉压力无创估测方法,能够在先心病异常分流造成的容量负荷影像改变与肺动脉压力造成的压力负荷影像改变同时存在的情况下,根据当前患者自身的异常分流特征和舒张期容量负荷形变建立个体化容量负荷形变基线,从收缩期实际影像形变中分离得到压力残差特征,并利用不同心脏影像视图之间的解剖位置、发生时相及形变方向一致性验证压力残差特征,以降低分流容量负荷对肺动脉压力无创估测的干扰。

2、本发明采用的技术方案如下:

3、基于深度学习特征提取的先心病肺动脉压力无创估测方法,包括:

4、s1、获取已采集的同一先心病患者的至少两种心脏影像视图对应的动态影像序列,对所述动态影像序列进行空间标准化和心动时相对齐,并识别先心缺损区域、异常分流区域、室间隔区域及受分流负荷影响的目标心腔区域,得到标准化多视图影像序列和心动时相标签;

5、s2、根据所述标准化多视图影像序列和所述心动时相标签,提取所述先心缺损区域及所述异常分流区域的分流负荷特征,并提取舒张期内所述目标心腔区域和所述室间隔区域的容量负荷形变特征,融合得到个体容量负荷表征;

6、s3、根据所述心动时相标签确定收缩期时相信息,将所述个体容量负荷表征和所述收缩期时相信息输入容量负荷基线生成模型,得到收缩期容量负荷形变基线;

7、s4、根据所述心动时相标签从所述标准化多视图影像序列中确定收缩期图像,从所述收缩期图像中提取收缩期实际形变特征,将所述收缩期实际形变特征与所述收缩期容量负荷形变基线进行差异处理,得到各心脏影像视图对应的压力残差特征;

8、s5、根据不同心脏影像视图中所述压力残差特征的解剖位置对应关系、发生时相一致性和形变方向一致性,筛选有效压力残差特征;

9、s6、融合所述有效压力残差特征得到融合压力特征,将所述融合压力特征输入压力回归模型,得到肺动脉压力估测值。

10、本发明的有益效果:

11、本发明通过从多视图动态心脏影像中提取分流负荷特征和舒张期容量负荷形变特征,构建个体容量负荷表征并生成收缩期容量负荷形变基线,使异常分流引起的容量负荷形变能够与收缩期实际形变进行对应比较,从而降低容量负荷特征与压力负荷特征相互混杂造成的估测偏差;同时,针对不同患者分流程度及心脏结构响应存在差异的问题,采用个体化容量负荷基线,提高压力残差提取的适配性;进一步依据不同影像视图中压力残差特征的解剖位置、发生时相及形变方向一致性筛选有效压力残差特征,减少局部伪影、分割误差及单视图异常信息的干扰;最终通过融合有效压力残差特征并进行压力回归,提高先心病肺动脉压力无创估测的稳定性和准确性。

1.基于深度学习特征提取的先心病肺动脉压力无创估测方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述s1包括:

3.根据权利要求2所述的方法,其特征在于,所述s2包括:

4.根据权利要求1所述的方法,其特征在于,所述s3中,所述容量负荷基线生成模型通过以下方式获得:

5.根据权利要求1所述的方法,其特征在于,所述s4包括:

6.根据权利要求2所述的方法,其特征在于,所述s5包括:

7.根据权利要求6所述的方法,其特征在于,所述s53包括:

8.根据权利要求7所述的方法,其特征在于,所述s6包括:

9.根据权利要求1所述的方法,其特征在于,所述s6中,所述压力回归模型通过以下方式获得:

10.根据权利要求4所述的方法,其特征在于,计算待估测患者对应的所述个体容量负荷表征与所述容量负荷基线生成模型的各所述基线训练样本对应的训练用个体容量负荷表征之间的特征相似度,根据所述特征相似度确定基线可信系数;