[发明专利]一种基于超声图像结合深度学习的心脏血流向量成像方法

权利要求书

1.一种基于超声图像结合深度学习的心脏血流向量成像方法，其特征在于，所述方法包括：

获取超声设备经彩色编码后的二维彩色多普勒超声心动图像；

提取所述二维彩色多普勒超声心动图像中的左心室区域；

对所述左心室区域进行彩色血流信息补偿；

对补偿后的图像，使用速度标尺提取径向速度分量；

使用训练的U-Net模型识别所述左心室区域的左心室内膜轮廓；

对所述二维彩色多普勒超声心动图像重建超声心动图序列；

使用由超声模拟图像重新训练的PWC-Net模型对左心室内膜进行运动跟踪，确定左心室内膜的切向速度；

结合径向速度分量和左心室心内膜切向速度，带入到连续性方程方程中，得到左心室血液质点的切向速度分量；

使用径向速度分量和切向速度分量合成左心室血液的流场，对流场进行可视化，其中，可视化的方法包括绘制速度矢量图和平面流线图。

2.根据权利要求1所述的方法，其特征在于，所述对所述左心室区域进行彩色血流信息补偿的步骤，包括：

使用一维线性插值方法对左心室中彩色血流信息的红色和蓝色区域之间的空隙处进行彩色血流信息补偿。

3.根据权利要求1所述的方法，其特征在于，所述对补偿后的图像，使用速度标尺提取径向速度分量的步骤，包括：

使用超声图像数据中的血液质点的RGB分量与速度标尺上点的RGB分量做匹配，定位在速度标尺上与当前血液质点最匹配的点，记录最匹配的点在速度标尺上的距离，距离从蓝色区域的最低端算起；

通过距离与径向速度的分段线性函数，获得径向速度并作平滑处理，其中，平滑处理包括中值滤波和高斯滤波处理，所述血液质点为图像上的像素点。

4.根据权利要求1所述的方法，其特征在于，使用训练的U-Net模型所述识别所述左心室区域的左心室内膜轮廓的步骤，包括：

对二维彩色多普勒超声心动图像灰度化和裁剪处理；将处理后的图像输入进U-Net模型，得到预测的左心室内膜轮廓，并记录轮廓的坐标位置。

5.根据权利要求1所述的方法，其特征在于，所述对所述二维彩色多普勒超声心动图像重建超声心动图序列的步骤，包括：

根据彩色多普勒超声心动图中的心电图时相位置信息，对三个心动周期图像按心电图时相先后顺序重新进行排序，搜索后续的心动周期中时相在第一心动周期中对应相邻帧之间的图像，将搜索到的图像插入对应相邻帧，直到第一心动周期所有相邻帧均被后续心动周期图像插入。

6.根据权利要求4所述的方法，其特征在于，所述对所述使用由超声模拟图像重新训练的PWC-Net模型对左心室内膜进行运动跟踪，确定左心室内膜的切向速度的步骤，包括：

使用重新训练的PWC-Net模型，以超声图像数据的左心室区域和其相邻后一帧图像对应区域，最终获得输出：整个左心室的横向位移矩阵和纵向位移矩阵；随后使用左心室内膜位置和超声设备的时间分辨率，保留左心室心内膜的切向速度。