基于深度学习的超声心动图自动分割系统设计与心功能评估.docxVIP

PAGE2

基于深度学习的超声心动图自动分割系统设计与心功能评估

摘要

超声心动图是评估心脏结构与功能的首选影像学手段，但手动分割心室轮廓耗时且主观性强，导致射血分数（EF）测量存在较大观察者间差异。本研究设计并实现了一套基于深度学习的超声心动图自动分割系统，聚焦于左心室心内膜边界分割与射血分数自动评估，旨在提升临床诊断效率与一致性。系统采用U-Net作为核心分割网络，并集成Simpson单平面法完成容积计算。

论文遵循工程递进思路：首先分析心功能评估的临床痛点与现有方案的不足，明确系统功能与非功能需求；接着进行总体架构设计，将系统划分为数据管理、图像预处理、分割推理、心功能评估与报告生成五大模块；详细设计阶段给出了U-Net网络结构、损失函数组合及射血分数估算流程，并定义了模块间接口；实现部分基于PyTorch框架完成模型训练与推理，并开发了图形用户界面；测试部分采用公开数据集EchoNet-Dynamic进行分割精度与EF评估准确度验证，Dice系数达到0.91，EF预测相关系数达0.82。系统创新点在于将二维分割结果与临床心功能参数计算无缝衔接，并针对小样本心脏超声数据引入数据增强策略，有效提升了模型泛化能力。本设计为超声心动图智能分析提供了可行的工程方案。

第一章绪论

1.1研究背景

心血管疾病已连续多年位居全球致死病因首位，据世界卫生组织统计，每年约1790万人