一种基于房室平面泵模型的心功能诊断方法

1.本发明涉及本发明涉及医学图像处理技术，心脏动力学模型和系统辨识技术，具体涉及一种基于房室平面泵模型的心功能诊断方法。


背景技术：

2.近年来，心血管疾病的死亡率居高不下，提高心脏病的检出率更是迫在眉睫。临床发现，传统的介入式心功能参数的测量方法，不仅测量方法复杂，且对人体伤害较大；此外，射血分数保留型的心脏疾病的发现，也在说明传统的心脏疾病评判指标的局限性。为此，迫切需要一种参数容易测量的、非介入式的、可量化的、具有普遍性的综合性评判指标。
3.心脏核磁共振成像具有非侵入式的特点，它可以清晰的显示人体内脏器、肌肉、骨骼、血液、脂肪等的物理结构。基于病患心功能参数的测量结果，医生便可以快速确定病变的位置、炎症的类型、异常物质起因等，从而尽早、准确的实现心脏疾病的诊断，提升心脏病诊断的精度和效率。
4.为了实现对心功能参数的量化分析，需要实现对心脏的建模分析。现有的心脏模型中，大量的非线性方程往往会导致其参数辨识困难。在此文中，我们提出了一种基于房室平面位移的建模方法，通过无迹卡尔曼滤波器进行参数辨识，加以非线性优化，实现心功能参数的辨识，协助医生进行心脏疾病诊断。


技术实现要素：

5.本发明的目的是提供一种简单且准确度高的心功能诊断的方法，通过临床获取的心脏核磁共振图像，在图像上对左心室区域进行分割后计算左心室容积和流量，通过对房室特征点运动轨迹的跟踪计算出房室平面位移，基于心脏动力学实现对左心室的模型构建，通过无迹卡尔曼滤波器进行系统辨识，最后通过非线性优化的方法对模型进行优化，实现心功能诊断。
6.为了实现上述发明目的，本发明提供了一种基于房室平面泵模型的心功能诊断方法，它包含以下步骤：
7.s1：通过临床获取心脏核磁共振图像，完成左心室的分割，实现心室容积的计算；
8.s2：在左心室的核磁共振图像中，选定左心室的特征点，利用跟踪算法跟踪特征点得出房室平面位移；
9.s3：基于心脏动力学原理，建立左心室模型：
10.s4：通过无迹卡尔曼滤波器对心脏的生理参数进行辨识；
11.s5：使用非线性规划的方法对模型进行优化。
12.进一步的，步骤s1中，所述心室容积计算步骤如下：
13.基于临床采集的左心室核磁共振图像以及医学影像专家手动标注的左心室轮廓构建左心室分割训练集；对训练集进行数据增强，获取足量的训练集和测试集用以u-net网络模型的训练；采用训练好的u-net分割左心室，得到每张切片中左心室像素意义上的面
积；结合每张切片中左心室的面积及相邻切片间的物理间距等数据，实现对心脏个体左心室容积及其流量的计算。
17.进一步的，步骤s2中，所述房室平面位移计算步骤如下：
18.通过临床测得的心室长轴图像，制作房室特征点数据集并进行标注，划分训练集和验证集；构建模型网络结构，选择跟踪目标图像并确定搜索区域，提取特征后将不同尺度的特征图分别送入siamrpn网络，直接对其输出采用加权和，由合并的siamrpn输出包含分类分支和回归分支；使用l1损失来计算锚框的偏移量，和一个交叉熵损失来计算置信度的损失，实现对心室特征点的自动跟踪并计算出房室平面位移。相比于传统归一化互相关匹配法跟踪房室平面关键点位置有许多异常值的情况，所测得的房室平面位移曲线更符合生理学表现。
21.进一步的，步骤s3中，心脏模型构建原理如下：
23.将左心室外壁近似为一个圆柱和一个半球，利用微元法进行分析，建立轴向函数模型，然而这种模型建立时只考虑了心脏纵向运动的因素，根据心脏造影显示，实际上在心脏纵向位移时也伴随着少量周向位移。
24.为了能够更加准确的描述心脏运动特性，在房室平面模型中，将横向位移等效成一个系数k
rad
。建立的心脏模型为：
[0025][0026][0027]
其中，v
avp
表示房室平面位移速度，表示房室平面位移变化率，a
lv
是心室侧等效活塞面积，a
la
是心房侧等效活塞面积，fc是心肌力，q
lv
是左心流量，p
lv
表示左心室的压力，表示左心室压力变化率，p
la
表示左心房的压力，c
lv
表示左心室顺应性，k
rad
表示径向函数系数。
[0028]
进一步的，步骤s4中，基于无迹卡尔曼滤波器的参数辨识方法如下：
[0029]
基于心肌的张力与收缩关系，将心室力等效成梯形，选取的待辨识的参数如下：
[0030][0031]
其中，a1和a2分别表示心室收缩力f
vc
和心房收缩力f
ac
的幅值，r
avp
表示avp的阻尼，l
avp
表示avp的惯性，以左心室流量作为输入量，房室平面位移速度作为观测量，利用无迹卡尔曼滤波器实现对房室平面泵模型参数的辨识；基于所测的阻尼、惯性、响应性、心肌力的参数信息，以及心室的几何性及周向扩张等信息，可实现心脏状态的评估。
[0032]
进一步的，步骤s5中，基于非线性优化的方法对模型进行优化。以梯形心肌力作为初始值，基于离散化的思想，将心肌力曲线中的每个点都作为待优化的变量，以动力学方程作为约束，房室平面位移速度估计误差最小化作为评判指标，对其进行非线性优化，使用内点法求解，实现对心脏参数和心肌力的形状进行进一步优化。临床发现，心脏疾病的产生，往往伴随着相关心脏参数的大幅改变，因此，通过对心脏参数的测量，可以协助医生进行心功能诊断。
附图说明
[0033]
图1是本发明整体方案流程图；
[0034]
图2是基于u-net网络的分割效果；
[0035]
图3是房室特征点示意图；
[0036]
图4是siamrpn网络框架；
[0037]
图5是房室平面的心脏模型；
[0038]
图6是最大面积/纵向位移与射血分数关系示意图；
[0039]
图7是心肌力fc示意图。
具体实施方式：
[0040]
下面将结合附图和具体实施例，对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0041]
通过临床获取的心脏核磁共振图像，在图像上对左心室区域进行分割后计算左心室容积和流量，通过对房室特征点运动轨迹的跟踪计算出房室平面位移，基于心脏动力学实现对左心室的模型构建，通过无迹卡尔曼滤波器进行系统辨识，最后通过非线性优化的方法对模型进行优化，实现心功能诊断。
[0042]
请参阅图1所示，本发明提供了一种基于房室平面泵模型的心功能诊断方法，包括如下步骤：
[0043]
s1：通过临床获取心脏核磁共振图像，完成左心室的分割，实现心室容积的计算；
[0044]
s2：在左心室的核磁共振图像中，选定左心室的特征点，利用跟踪算法跟踪特征点得出房室平面位移；
[0045]
s3：基于心脏动力学原理，建立左心室模型：
[0046]
s4：通过无迹卡尔曼滤波器对心脏的生理参数进行辨识；
[0047]
s5：使用非线性规划的方法对模型进行优化。
[0048]
下面结合实施例1对本发明提供的一种基于超声成像构建三维心脏模型的方法进行说明：
[0049]
实施例1
[0050]
一种基于房室平面泵模型的心功能诊断方法，包括如下步骤：
[0051]
图2为基于u-net网络的分割效果图，如图2所示，在步骤s1中，通过临床获取心脏核磁共振图像，完成左心室的分割，实现心室容积的计算，步骤如下：
[0052]
(1)基于临床获取的心脏核磁共振图像，由专家在图像中手动标记出心脏左心室的轮廓线；并提取对应的轮廓线，构造相应的二值分割图像，其中左心室轮廓及其内部像素值均为1，轮廓外部像素值均为0；
[0053]
(2)将所得的数据集进行了缩放、错切、翻转、亮度调整等操作实现数据增强，从而增加训练的数据量，提高模型的泛化能力；并且增加噪声数据，提升模型的鲁棒性；
[0054]
(3)采用u-net网络模型进行训练，为了提高准确率，解码阶段中的每个级联层分别嵌入注意力模块，利用浅层以及上采样的拼接结果，结合注意力模块进行空间注意力上
的权重分配，提高目标区域的分割性能；
[0055]
(4)通过上述左心室分割的结果，可以得到在每张切片中左心室像素意义上的面积，进而可以换算出每一张心脏切片中左心室实际的面积。数据集中的每个心脏个体约有25张切片，通过每张切片中左心室的面积及相邻切片间的物理距离等数据可以计算出该心脏个体左心室的容积。
[0056]
图3为是房室特征点示意图，如图3所示，在步骤s2中，在左心室的核磁共振图像中，选定左心室的特征点，利用跟踪算法跟踪特征点得出房室平面位移；
[0057]
通过临床测得的心室长轴图像，制作房室特征点数据集并进行标注，划分训练集和验证集；
[0058]
构建模型网络结构，选择跟踪目标图像并确定搜索区域，提取特征后将不同尺度的特征图分别送入siamrpn网络，包含特征提取的siamese子网络和候选区域生成网络，网络结构图如图4所示；特征提取子网络中，x∈r
255*255*3
代表检测帧图像，z∈r
127*127*3
代表模板帧图像，通过alexnet进行特征提取后可得到相应的特征和
[0059]
候选区域生成网络包含分类a
cls
和回归a
reg
两条支路，在两个分支上分别对模板帧和检测帧的特征做卷积运算：
[0060][0061][0062]
其中，*表示卷积运算，k表示锚框的数量，w和h分别表示锚框的宽和高。
[0063]
候选区域生成网络的损失函数由分类分支的损失函数和回归分支的损失函数两部分组成，分类损失为夹叉熵损失，回归损失采用的l1平滑损失。
[0064]
其中，a
x
,ay,aw,ah分别代表锚框的中心点和长宽信息，t
x
,ty,tw,th分别代表对应帧真实的中心点和长宽信息，标准化距离为：
[0065][0066][0067]
经过归一化坐标的l1平滑损失计算，可得损失为：
[0068][0069][0070]
loss＝l
cls
+λl
reg
[0071]
由此可实现对心室特征点的自动跟踪并计算出房室平面位移，相比于传统归一化互相关匹配法跟踪房室平面关键点位置有许多异常值的情况，所测得的房室平面位移曲线更符合生理学表现。
[0072]
图5为是房室平面的心脏模型示意图，如图5所示，在步骤s3中，心脏模型构建原理如下：
[0073]
房室平面avp由包裹瓣膜(主动脉瓣和二尖瓣)的软组织构成，位于心房和心室之间，心肌力fc由心室收缩力f
vc
和心房收缩力f
ac
组成。在心室收缩期(vc)，avp被f
vc
拉向心尖，将血液通过主动脉瓣排出到动脉中。在心室舒张期(vr)，fc等于0，avp在活塞两侧压力差的作用下反向移动，导致血液从左心房通过二尖瓣流入左心室。在心房收缩期间(ac)，fc垂直向上，心室继续舒张直到下一个心室收缩期。
[0074]
将左心室外壁近似为一个圆柱和一个半球，利用微元法进行分析，建立轴向函数模型，然而这种模型建立时只考虑了心脏纵向运动的因素，根据心脏造影显示，实际上在心脏纵向位移时也伴随着少量周向位移。
[0075]
为了能够更加准确的描述心脏运动特性，在房室平面模型中，将横向位移等效成一个系数k
rad
。建立的心脏模型为：
[0076][0077][0078]
其中，v
avp
表示房室平面位移速度，表示房室平面位移变化率，a
lv
是心室侧等效活塞面积，a
la
是心房侧等效活塞面积，fc是心肌力，q
lv
是左心流量，p
lv
表示左心室的压力，表示左心室压力变化率，p
la
表示左心房的压力，c
lv
表示左心室顺应性，k
rad
表示径向函数系数。
[0079]
图6是最大面积/纵向位移与射血分数关系示意图，如图6所示，在步骤s4中，基于无迹卡尔曼滤波器对对心脏的生理参数进行辨识的方法如下：
[0080]
基于心肌的张力与收缩关系，将心室力等效成梯形，选取的待辨识的参数如下：
[0081][0082]
其中，a1和a2分别表示心室收缩力f
vc
和心房收缩力f
ac
的幅值，r
avp
表示avp的阻尼，l
avp
表示avp的惯性，以左心室流量作为输入量，房室平面位移速度作为观测量，利用无迹卡尔曼滤波器实现对房室平面泵模型参数的辨识；基于所测的阻尼、惯性、响应性、心肌力的参数信息，以及心室的几何性及周向扩张等信息，可实现心脏状态的评估。
[0083]
图7是心肌力fc示意图，如图7所示，在步骤s5中，使用非线性规划的方法对模型进行优化。以梯形心肌力作为初始值，基于离散化的思想，将心肌力曲线中的每个点都作为待优化的变量，以动力学方程作为约束，房室平面位移速度估计误差最小化作为评判指标，对其进行非线性优化，使用内点法求解，实现对心脏参数和心肌力的形状进行进一步优化。临床发现，心脏疾病的产生，往往伴随着相关心脏参数的大幅改变，因此，通过对心脏参数的测量，可以协助医生进行心功能诊断。