基于深度学习的超声心动图自动分类与参数测量研究.pdfVIP

摘要 摘要 论文题目：基于深度学习的超声心动图自动分类与参数测量研究 超声心动图能够直观显示和定量测量心脏解剖结构、功能及血流动力学方面的重要 信息，从而反映心脏生理或病理状态下的构型特征，是心脏病诊断的主要医学影像手段。 准确的参数测量是超声心动图诊断的重要环节，传统方式此过程需要医师多次手动选择 相关切面及描记感兴趣区域，效率低、精度和可重复性差，无法完全满足实际应用的需 求。 针对上述问题，本文开展了超声心动图心脏参数自动测量方法的研究。由于左心室 射血分数是评价心脏收缩功能的重要指标之一，其对于临床心力衰竭的诊断、药物与手 术疗效的观察、病情及预后的判断都有重要意义，因此本文选择左心室射血分数为代表， 研究心脏参数的自动测量方法。研究内容共分为以下三个步骤。 首先，针对标准超声切面视频数据，研究了基于卷积神经网络的自动分类方法。该 方法先将超声视频解析成静态图像，分别利用InceptionV3 和ResNet50 网络对八个超声 静态切面进行分类，选取分类准确率更好的 ResNet50 作为分类用的标准网络；然后， 利用超声视频数据帧间相关性，构造ResNet50+LSTM 模型，提取二维图像序列的时序 特征，实现超声切面视频数据的分类。测试结果显示，八个超声切面视频数据的平均准 确率为0.9790 ，相对于超声静态图像ResNet50 分类网络，准确率增加了5.82%，可满足 临床切面分类精度的要求。 在有效切面分类的基础上，提出基于全卷积神经网络的心尖四腔和心尖二腔视频左 心室分割方法。本文选择VGG19FCN 和U-Net 网络，先用标记后的超声静态图像数据 集对两个网络分别进行训练，依次得到分割基础模型 VGG19FCN/A 和 U-Net/A ；进一 步提出半监督学习方法，通过标注超声视频第一帧图像，微调基础模型权重得到半自动 的VGG19FCN/B 和U-Net/B 模型。应用上述模型对左心室分割效果进行了验证，基础 模型的两种方案VGG19FCN/A 和U-Net/A 均可实现全自动左心室分割，达到临床应用 的基本要求；半自动模型的两种方案VGG19FCN/B 和U-Net/B 需一定手动交互，分割 准确率较前者有显著提高，在心内膜缺失情况下依然分割效果好。两种网络的对比结果 显示，U-Net 整体准确率略低于VGG19FCN ，但其参数约为VGG19FCN 的1/359，处理 时间约为VGG19FCN 的1/12.7，且左心室边缘分割结果更光滑。 最后，对切面分割得到的左心室轮廓进行处理，并通过Simpson 法计算出左心室射 I 东南大学硕士学位论文 血分数。结果显示，和手动描记方法相比，基于VGG19FCN 和U-Net 方法计算的左心 室射血分数的误差分别为6.29%和6.59% 。 综上所述，本文由超声视频图像序列输入开始，通过标准切面的自动分类、左心室 自动分割以及参数自动计算，实现了左心室射血分数参数全自动测量，测量效率和测量 准确性优于传统手动的方式，具有较高的临床应用价值。考虑到参数计算方法的相似性， 本文方法可用于其他超声参数的自动测量中。 关键词： 超声心动图，左心室射血分数，卷积神经网络，长短期记忆模型，全卷积神 经网络 II Abstract Abstract Title: Automatic classification and parameter measurement of echocardiogram using deep learning Echocardiogram can be used to visually display and quantitatively measure the important information about anatomical structure, func