检索历史 清除

摘要我国居民至今频发心血管疾病，对人体损害较大，其已成为致居民死亡的罪魁祸首。二维心脏超声检测(Echocardiogram)是一种目前最常见且使用最频繁的心脏机理检测方法。在超声心动图中,针对成对的左心室图像进行定性与定量指标的分析是医师判断患者心功能的关键。<br>　　关于超声心动图左心室的分析，首先，其心室的准确分割是后续对心肌功能定量分析的重要前提，左心室的准确分割也利于临床人员定性观察解剖形态是否异常；其次，左心室射血分数(Ejectionfraction,EF)是判断心脏功能的重要定量指标，而左心室左心尖到二尖瓣中心点距离这一长轴维度(Long-axisDimension,LAD)的精准测量有利于计算结果的准确性；最后，左心室准确定量分析需要对成对心尖观超声图像进行分析，临床人员在采集图像过程中也需要注意操作，以实现有效测量。在实际任务进行时，需要临床人员手动对图像进行放大、勾勒轮廓、确定左心尖和二尖瓣中心位置等操作，对操作人员有一定要求。但是，由于超声成像所固有的低信噪比、边缘不清晰等缺陷，到现在为止，左心室的临床分析任务存在主观性强，可重复性低，工作量大等问题。因此，对心脏超声图像左心室区域的自动分割以及长轴维度的自动测量，以及对于心脏超声图像腔室结构的判别，对于左心室准确定量分析是一个亟待解决的问题。该问题的解决，对于临床对左心室功能的准确高效评估具有重大意义，而腔室结构的判别对于临床图像采集人员的辅助指导也具有重大意义。<br>　　针对上述问题，本文针对超声心脏图像左心室，研究了左心室分割、长轴维度量化以及腔室结构判别等内容。主要内容包括基于双解码端U-Net网络的左心室分割、长轴维度量化以及腔室结构判别。主要工作与贡献如下：<br>　　(1)验证一些Snake及其改进模型在本文数据集上的表现结果，总结出传统方法在左心室超声图像分割工作表现上的局限性。<br>　　(2)提出了双解码端U-Net网络，采用结合左心尖与二尖瓣中心点位置特征信息和左心室分割区域特征信息作为标签的双解码端U-Net网络，对左心尖和二尖瓣中心点直接标注，从而直接获得左心室的长轴维度(Long-axisDimension,LAD)这一重要指标，进而计算EF值，完成了对LAD、面积以及EF这三类指标的直接量化。<br>　　(3)采用结合超声图像腔室结构信息和左心室分割区域特征信息作为标签的双解码端U-Net网络，在单一网络上同时完成了对左心室的分割和两腔\四腔的腔室结构判别，比较了单平面面积-长度法和辛普森法计算得到的EF与推荐算法双平面辛普森法的EF结果的差异。确定了两腔\四腔判别功能对成对心尖超声图像采集的辅助指导功能。<br>　　(4)引入DenseBlock模块和注意力融合模块对双解码端U-NET进行改进，进一步提高了两腔四腔判别的准确性和左心室分割的精度。引入DenseBlock模块对网络编码端结构进行改进，使通道信息融合更为优秀，减少参数量，提高训练速率。在腔室判别解码端引入注意力融合模块，提高两腔四腔判别的准确率。