一种基于卷积神经网络的心脏内漩涡识别方法与流程

本发明涉及医学图像处理，更具体地，涉及一种基于卷积神经网络的心脏内漩涡识别方法。

背景技术：

1、分析心脏内旋涡有助于了解心脏的健康情况。例如。左心室(lv)充盈过程中漩涡环的形成是血液运输的优化机制，并且涡量是衡量心脏和lv健康的重要度量。舒张期漩涡结构异常与lv受损之间存在联系，因此漩涡识别对于了解血流的潜在物理机制至关重要。然而，由于缺乏定量方法，目前尚未对定义、计算和绘制左心室漩涡进行过严格的研究。

2、左心室(lv)流体动力学呈现出复杂的流动现象。在lv充盈过程中，血流从二尖瓣口血流开始，进入左心室时的最大速度达到约100厘米/秒。在不到一秒的时间内，lv中的血流改变方向并以约66厘米/秒的最大速度离开lv进入升主动脉。在优化流动路径的过程中，在舒张期期间会产生涡流，将血流重新导向lv流出道。研究表明，涡量是衡量lv舒张功能和整体心脏健康的重要量度。因此，涡量的定量测量可提供对心脏内的血流动力学的更深入了解。

3、形成左心室中的螺旋涡流模式的另一个原因可能是由于左心室(lv)扭转。射血过程中的lv扭转主要使心内膜下纤维基质变形，导致势能的储存。随后扭转变形的回缩与恢复力的释放有关，这有助于lv舒张期舒张和舒张早期充盈。磁共振成像和超声心动图等非侵入性技术有助于了解临床环境中的lv扭转动力学。

4、在早期研究中，已经基于心动周期的不同时间帧对涡量进行了量化。例如，通过计算涡量并绘制二维涡流图来测量漩涡特征。又如，通过超声心电图获得的速度序列，进一步推导出lv空间流动特征，以更好地表征流动模式，并使用涡量来描述血液运动。此外，有研究人员使用8点环流方法和四阶中心差分近似来评估和量化涡量。在现有方案中，由于不规则的lv边界，损失了评估准确性并忽略了漩涡的主要分量。因此，准确识别漩涡对于研究lv中血流的规律和机制具有重要意义。

5、目前，基于相关隐式漩涡定义的漩涡识别方法大致可分为两类：局部方法和全局方法。局部方法一般是基于流场的物理特性，并且仅利用局部流信息来计算一些准则，如q-准则、ω-准则、δ-准则和λ2-准则。局部方法能有效地获得结果。但是，结果中有很多假阳性和假阴性。全局方法通常基于流场的全局拓扑特性，例如拉格朗日平均涡量偏差(lavd)和椭圆客观欧拉相干结构。利用全局流信息来检测漩涡区域，具有很好的客观性和鲁棒性。然而，由于全局方法是计算密集型，因此需要耗费更多的时间。同时，全局方法需要大量的用户干预才能获得可靠的结果。

技术实现思路

1、本发明的目的是克服上述现有技术的缺陷，提供一种基于卷积神经网络的心脏内漩涡识别方法。该方法包括以下步骤：

2、获取目标腔室的血流速度数据，其中所述血流速度数据采用矩形阵列进行表示，该矩形阵列中的每个点在在笛卡尔坐标系中都具有相关的速度分量和位置信息；

3、将所述血流速度数据输入到经训练的卷积神经网络，识别出非漩涡点和漩涡点，进而确定漩涡边界；

4、其中，训练所述卷积神经网络的训练样本集包含多条样本数据，每条样本数据反映心动周期内不同阶段的血流速度数据与分类标签之间的对应关系，该分类标签用于标识漩涡边界外的点以及漩涡边界内的点。

5、与现有技术相比，本发明的优点在于，所提供的基于卷积神经网络的心脏内漩涡识别方法同时考虑了流场的局部信息和全局信息，由于卷积运算的局部性和平移不变性，提升了心脏内漩涡识别的准确性和效率。

6、通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

技术特征：

1.一种基于卷积神经网络的心脏内漩涡识别方法，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，根据以下步骤构建所述训练数据集：

3.根据权利要求1所述的方法，其特征在于，所述卷积神经网络包括输入层、多层卷积层和多层全连接层，且最后一层全连接层作为输出层，用于将输入分类为漩涡和非漩涡，进而描述漩涡的边界。

4.根据权利要求1所述的方法，其特征在于，所述输出层是softmax层，其中每个神经元表示输入属于一个类别的概率。

5.根据权利要求1所述的方法，其特征在于，所述卷积神经网络采用交叉熵损失函数进行训练，表示为：

6.根据权利要求1所述的方法，其特征在于，所述瞬时涡量偏差用于描述一个点的涡量与全局流场的空间平均涡量之差的绝对值，表示为：

7.根据权利要求1所述的方法，其特征在于，还包括，根据识别出的漩涡计算涡量，所识别出的漩涡包括逆时针漩涡和顺时针漩涡。

8.根据权利要求1所述的方法，其特征在于，所述心动周期内不同阶段包括快速充盈期、快速充盈末期、缓慢充盈期和心房收缩期，所述目标腔室包括右心房、左心房、左心室或右心室。

9.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现根据权利要求1至8中任一项所述方法的步骤。

10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。

技术总结
本发明公开了一种基于卷积神经网络的心脏内漩涡识别方法。该方法包括以下步骤：获取目标腔室的血流速度数据，其中所述血流速度数据采用矩形阵列进行表示，该矩形阵列中的每个点在在笛卡尔坐标系中都具有相关的速度分量和位置信息；将所述血流速度数据输入到经训练的卷积神经网络，识别出非漩涡点和漩涡点，进而确定漩涡边界；其中，训练所述卷积神经网络的训练样本集包含多条样本数据，每条样本数据反映心动周期内不同阶段的血流速度数据与分类标签之间的对应关系，该分类标签用于标识漩涡边界外的点以及漩涡边界内的点。本发明提升了心脏内漩涡识别的准确性和涡量计算的精确度。

技术研发人员：黄建龙,贾富仓,杨可
受保护的技术使用者：深圳先进技术研究院
技术研发日：
技术公布日：2024/1/12