基于心脏超声图像判断二尖瓣脱垂与病理分割方法及装置与流程

1.本技术实施例涉及医学影像分析技术领域，尤其涉及一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法及装置。


背景技术：

2.在当前的临床实践与科研工作中，医学影像图像占据了医学图像的绝大部分，这些医学影像图像主要来自于ct、mri以及超声等医学成像设备，许多人类的病理学判断需要通过该类图像进行描绘和探测，以便医生进行切实的诊断，对患者进行救治。
3.深度学习方法作为在图像信息处理领域中非常有效的一类方法，已经被不少研究用作进行图像的分类分割处理，有不少的研究者将其特性运用于医学图像分析，希望能从深度学习中获取利于医学图像处理的相关功能。目前，由于心脏超声图像二尖瓣脱垂的深度学习的算法局限，需要有足够数量的有标记数据与恰当的模型训练才能实现高精度的图片语义分割目标，而且医学图像的获取途径有限，需要通过特定的医学影像成像设备获得，现有的医学图像分析处理时间较长，效率较慢，同时医学图像判断精度低。


技术实现要素：

4.本技术实施例提供一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法及装置，来解决现有的医学图像分析处理时间较长，效率较慢，同时医学图像判断精度低的问题。
5.在第一方面，本技术实施例提供了一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法，所述方法包括以下步骤：
6.获取心脏超声图像，以组建心脏超声图像数据集；
7.对所述心脏超声图像数据集的每个图片进行降噪和图片处理；
8.基于降噪和预处理后的图片，进行训练和测试小样本分类模型；
9.根据所述小样本分类模型对现有的心脏超声图像进行分类，获得心脏二尖瓣医学图像数据集和心脏二尖瓣脱垂图像数据集，并进行图片处理；
10.根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型；
11.将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证，得到分类-分割模型；
12.将新的医学超声图像依次输入到所述分类-分割模型，以检测是否完成分类和病理分割。
13.进一步的，所述图片处理，包括：
14.对图片进行图片翻转、旋转、裁剪、缩放、平移、抖动操作。
15.进一步的，所述基于降噪和预处理后的图片，进行训练和测试小样本分类模型之前，包括：
16.搭建小样本分类模型，其中，所述小样本分类模型包括图片特征卷积神经网络、支
持集和查询集。
17.进一步的，所述基于降噪和预处理后的图片，进行训练和测试小样本分类模型，包括：
18.将基于降噪和预处理后的图片输入到图片特征卷积神经网络进行图片特征提取，并对提取的图片特征输入支持集，得到类别原型，再输入到查询集中进行余弦相似度计算得到分类，以分类出心脏二尖瓣医学图像和心脏二尖瓣脱垂图像。
19.进一步的，所述将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证之前，还包括：
20.搭建病理分割神经模型，其中，所述病理分割神经模型包括一个双卷积层模块、四个下采样模块、四个上采样模块和一层单层卷积。
21.进一步的，所述根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型，包括：
22.使用所述心脏二尖瓣脱垂图像数据集的70％作为训练集，训练得到病理分割神经模型，再用剩下的30％的所述心脏二尖瓣脱垂图像数据集验证所述病理分割神经模型的性能，通过网络性能对网络内部参数在进行微调，利用反向传播算法以更新所述病理分割神经模型的权值。
23.进一步的，所述获取心脏超声图像，以组建心脏超声图像数据集，包括：
24.基于已有的开源心脏超声图像数据集和医院提供的心脏超声图像，通过整合开源的imagenet大型数据组建心脏超声图像数据集。
25.在第二方面，本技术实施例还提供一种基于心脏超声图像判断二尖瓣脱垂与病理分割装置，包括：
26.图像获取模块，用于获取心脏超声图像，以组建心脏超声图像数据集；
27.图片处理模块，用于对所述心脏超声图像数据集的每个图片进行降噪和图片处理；
28.第一训练模块，用于基于降噪和预处理后的图片，进行训练和测试小样本分类模型；
29.图片分类模块，用于根据所述小样本分类模型对现有的心脏超声图像进行分类，获得心脏二尖瓣医学图像数据集和心脏二尖瓣脱垂图像数据集，并进行图片处理；
30.第二训练模块，用于根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型；
31.模型验证模块，用于将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证，得到分类-分割模型；
32.模型检测模块，用于将新的医学超声图像依次输入到所述分类-分割模型，以检测是否完成分类和病理分割。
33.在第三方面，本技术实施例还提供一种计算机设备，包括：存储器以及一个或多个处理器；
34.所述存储器，用于存储一个或多个程序；
35.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理
器实现如上述的一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法。
36.在第四方面，本技术实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述的一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法。
37.本技术实施例通过获取心脏超声图像，以组建心脏超声图像数据集；对所述心脏超声图像数据集的每个图片进行降噪和图片处理；基于降噪和预处理后的图片，进行训练和测试小样本分类模型；根据所述小样本分类模型对现有的心脏超声图像进行分类，获得心脏二尖瓣医学图像数据集和心脏二尖瓣脱垂图像数据集，并进行图片处理；根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型；将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证，得到分类-分割模型；将新的医学超声图像依次输入到所述分类-分割模型，以检测是否完成分类和病理分割；实现自动化对心脏超声图像进行二尖瓣脱垂判断与分割，分析处理时间短，效率高，同时医学图像判断精度高。
附图说明
38.图1是本技术实施例提供的一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法的流程图；
39.图2是本技术实施例提供的一种基于心脏超声图像判断二尖瓣脱垂与病理分割装置的结构示意图；
40.图3是本技术实施例提供的一种计算机设备的结构示意图。
具体实施方式
41.为了使本技术的目的、技术方案和优点更加清楚，下面结合附图对本技术具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本技术，而非对本技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本技术相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
42.本技术实施例建立一套基于心脏超声图像判断二尖瓣脱垂与病理分割方法，解决了现有的医学图像分析处理时间较长，效率较慢，同时医学图像判断精度低的问题。
43.实施例中提供的基于心脏超声图像判断二尖瓣脱垂与病理分割方法可以由基于心脏超声图像判断二尖瓣脱垂与病理分割装置执行，该基于心脏超声图像判断二尖瓣脱垂与病理分割装置可以通过软件和/或硬件的方式实现，并集成在基于心脏超声图像判断二尖瓣脱垂与病理分割设备中。其中，基于心脏超声图像判断二尖瓣脱垂与病理分割设备可以是计算机等设备。
44.图1为本技术实施例提供的一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法的流程图。参考图1，所述方法包括以下步骤：
45.步骤110、获取心脏超声图像，以组建心脏超声图像数据集。
46.具体的，基于已有的开源心脏超声图像数据集和医院提供的心脏超声图像，通过整合开源的imagenet大型数据组建心脏超声图像数据集。
47.步骤120、对所述心脏超声图像数据集的每个图片进行降噪和图片处理。
48.示例性的，所述图片处理，包括：对图片进行图片翻转、旋转、裁剪、缩放、平移、抖动操作，使得训练的病理分割模型更加有效和准确。
49.步骤130、基于降噪和预处理后的图片，进行训练和测试小样本分类模型。
50.可选的，搭建小样本分类模型，基于降噪和预处理后的图片，进行训练和测试小样本分类模型。其中，所述小样本分类模型包括图片特征卷积神经网络、支持集和查询集。
51.具体的，将基于降噪和预处理后的图片输入到图片特征卷积神经网络进行图片特征提取，并对提取的图片特征输入支持集，得到类别原型，再输入到查询集中进行余弦相似度计算得到分类，以分类出心脏二尖瓣医学图像和心脏二尖瓣脱垂图像。
52.示例性的，所述图片特征卷积神经网络按顺序链接为一个卷积层、一个最大池化层、八个残差网络模块，一个全局平均池化层和一个全连接层，具体为：
53.卷积层c1，卷积核大小为5*5，步长为1，使用bn标准化，激活函数为relu，卷积核个数为64个，padding采用全0填充，填充外围一层。
54.最大池化层，窗口大小为3*3，步长为2，同时使用大小为为3*3的卷积核，生成64个新特征图，并且使用bn标准化和relu函数作为激活函数。
55.使用八个残差网络模块，每一个残差网络模块有两个卷积层，第一个残差网络模块使用的两层卷积层的卷积核均为3*3，个数为64个，步长为1，使用全0填充外围一层，并且使用bn标准化，激活函数为relu。第二个残差网络模块使用的两层卷积层的卷积核均为3*3，个数为64个，步长为1，使用全0填充外围一层，并且使用bn标准化，激活函数为relu。第三个残差网络模块使用的两层卷积层的卷积核均为3*3，个数为128个，第一层卷积层的步长为2，使用全0填充外围一层，并且使用bn标准化，激活函数为relu，第二层卷积层的步长为1，其他不变。其中，第三个残差网络模块有一个下采样层，把从第二个残差模块输出的数据直接通过下采样层输出到第三个残差模块的输出处。下采样层的使用的卷积核数量与当前他所处的残差网络模块使用的卷积核个数相同，即第三层，为128个，使用的步长为2，并且使用bn标准化，保证从第二个残差模块输出的特征图下采样后与第三个模块的输出特征图大小一致。第四个残差网络模块使用的两层卷积层的卷积核均为3*3，个数为128个，两层卷积层的步长均为1，使用全0填充外围一层，并且使用bn标准化，激活函数为relu。第四个残差网络模块使用的两层卷积层的卷积核均为3*3，个数为128个，两层卷积层的步长均为1，使用全0填充外围一层，并且使用bn标准化，激活函数为relu。第五个残差网络模块结构与第三层类似，卷积核均为3*3，个数为256个，第一层卷积层的步长为2，使用全0填充外围一层，并且使用bn标准化，激活函数为relu，第二层卷积层的步长为1，其他不变。第六层模块使用3*3卷积核，个数为256个，其他设置不变。第七个模块与第三第五类似，卷积核个数为512，下采样层使用卷积核个数为512。第八个模块使用3*3卷积核，个数为512个，其他设置不变。
56.全局平均池化层。
57.线性层，用于返回类别的个数，用于特征提取。
58.示例性的，所述小样本学习网络在提取图片特征卷积神经网络的基础上，需要提供查询集以及支持集，并且对特征进行计算得到小样本分类学习网络，具体操作为：
59.支持集使用已经有标签的二尖瓣脱垂与二尖瓣不脱垂的心脏超声图片来构建，查询集我们使用泛用性最强的imagenet等普通图片大型数据集进行查询，并且把没有标签的心脏二尖瓣超声图像加入其中作为完整的查询集进行查询。
60.通过计算支持集和查询集的特征，得到支持集的类别原型，并且通过计算余弦相似度对查询集中的类别进行分类，最终得到可以分类出心脏超声图片中的二尖瓣脱垂或二尖瓣不脱垂超声图像的分类网络。
61.步骤140、根据所述小样本分类模型对现有的心脏超声图像进行分类，获得心脏二尖瓣医学图像数据集和心脏二尖瓣脱垂图像数据集，并进行图片处理。
62.示例性的，所述图片处理包括：对图片进行图片翻转、旋转、裁剪、缩放、平移、抖动操作，使得训练的病理分割模型更加有效和准确。
63.具体的，通过训练小样本医学图像获得的图像分类网络对现有的心脏超声图像进行分类，获得心脏二尖瓣医学图像数据集，把标注的数据与分类获得的新数据整合起来，作为新的数据集，当新的超声图像输入后，图像分类网络可以自动识别分类是否将其放入心脏二尖瓣医学图像数据集中，这种图像是未标注的。
64.步骤150、根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型。
65.可选的，搭建病理分割神经模型，根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型。其中，所述病理分割神经模型包括一个双卷积层模块、四个下采样模块、四个上采样模块和一层单层卷积。
66.具体的，使用所述心脏二尖瓣脱垂图像数据集的70％作为训练集，训练得到病理分割神经模型，再用剩下的30％的所述心脏二尖瓣脱垂图像数据集验证所述病理分割神经模型的性能，通过网络性能对网络内部参数在进行微调，利用反向传播算法以更新所述病理分割神经模型的权值。
67.示例性的，使用的双层卷积模块包括两层卷积层，使用3*3的卷积核，64个卷积核，均使用bn标准化，和relu激活函数，均填充一层全0。
68.使用的下采样模块中包含一层最大池化层和两层卷积层。第一个模块的两层卷积层设置为：3*3卷积核，128个；第二个模块的两层卷积层设置为：3*3卷积核，256个；第三个模块的两层卷积层设置为：3*3卷积核，512个；第四个模块的两层卷积层设置为：3*3卷积核，1024个。
69.使用的上采样模块有一层上采样层和两层卷积层，其中上采样层放大倍数设置为2，模式设置为bilinear，并且设置输入的角像素将与输出张量对齐。两层卷积层的卷积核都使用3*3大小，其中：第一层上采样使用512个卷积核，第二层上采样使用256个卷积核，第三层上采样使用128个卷积核，第四层上采样使用64个卷积核。
70.使用的单层一层卷积层参数设置为：大小为1*1的卷积核，使用个数为1。用于图像分割后区域像素的显示。
71.步骤160、将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证，得到分类-分割模
型。
72.挑选小样本分类模型分类出的二尖瓣超声图像(未标注)和已有需要分割的二尖瓣病理超声图片输入进病理分割神经模型中，验证该病理分割神经模型的病理分割能力。
73.步骤170、将新的医学超声图像依次输入到所述分类-分割模型，以检测是否完成分类和病理分割。
74.上述，本技术实施例提供基于心脏超声图像判断二尖瓣脱垂与病理分割的方法，首先先使用小样本分类学习网络，将医学心脏超声图像输入进行分类，分离出包含二尖瓣的相关医学超声图像，然后通过分类后的图像输入分割网络实现自动病理分割；小样本学习网络使用了resnet残差网络提取特征结构，目的首先是解决网络层数太多，梯度容易消失的问题，可以让网络层数堆叠更多，同时特征提取的更加准确，其次小样本学习网络通过大量学习普适性图片的特征，获得了一个特征学习器，可以应用于少量样本的分类，通过同时提取支持集图片和需要查询的查询集图片的特征做对比，就可以用少量的样本获得准确分类的效果，解决了医学图像样本过少的缺点。最后则是需要解决二尖瓣脱垂的病理分割问题。该分割模型是轻量化分割模型，通过二尖瓣脱垂医学分割标注过的图像进行训练，训练得到一个可以自动分割二尖瓣脱垂病理的深度学习网络，配合小样本学习分类网络可以轻松实现“分类—分割”流程化的心脏二尖瓣脱垂分割系统，减少了医生的工作量，大大提高医生们的工作效率。
75.在上述实施例的基础上，请参照图2，本技术实施例提供的一种基于心脏超声图像判断二尖瓣脱垂与病理分割装置，所述基于心脏超声图像判断二尖瓣脱垂与病理分割装置具体包括：图像获取模块201、图片处理模块202、第一训练模块203、图片分类模块204、第二训练模块205、模型验证模块206和模型检测模块207。
76.其中，所述图像获取模块201用于获取心脏超声图像，以组建心脏超声图像数据集；所述图片处理模块202用于对所述心脏超声图像数据集的每个图片进行降噪和图片处理；所述第一训练模块203用于基于降噪和预处理后的图片，进行训练和测试小样本分类模型；所述图片分类模块204用于根据所述小样本分类模型对现有的心脏超声图像进行分类，获得心脏二尖瓣医学图像数据集和心脏二尖瓣脱垂图像数据集，并进行图片处理；所述第二训练模块205用于根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型；所述模型验证模块206用于将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证，得到分类-分割模型；所述模型检测模块207用于将新的医学超声图像依次输入到所述分类-分割模型，以检测是否完成分类和病理分割。
77.上述，通过获取心脏超声图像，以组建心脏超声图像数据集；对所述心脏超声图像数据集的每个图片进行降噪和图片处理；基于降噪和预处理后的图片，进行训练和测试小样本分类模型；根据所述小样本分类模型对现有的心脏超声图像进行分类，获得心脏二尖瓣医学图像数据集和心脏二尖瓣脱垂图像数据集，并进行图片处理；根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型；将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证，得到分类-分割模型；将新的医学超声图像依次输入到所述分类-分割模型，以检测是否完成分类和病理分割；实现自动化对心脏超声图像进行二尖瓣脱垂判
断与分割，分析处理时间短，效率高，同时医学图像判断精度高。
78.本技术实施例提供的基于心脏超声图像判断二尖瓣脱垂与病理分割装置可以用于执行上述实施例提供的基于心脏超声图像判断二尖瓣脱垂与病理分割方法，具备相应的功能和有益效果。
79.本技术实施例还提供了一种计算机设备，该计算机设备可集成本技术实施例提供的基于心脏超声图像判断二尖瓣脱垂与病理分割装置。图3是本技术实施例提供的一种计算机设备的结构示意图。参考图3，该计算机设备包括：输入装置53、输出装置54、存储器52以及一个或多个处理器51；所述存储器52，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器51执行，使得所述一个或多个处理器51实现如上述实施例提供的基于心脏超声图像判断二尖瓣脱垂与病理分割方法。其中输入装置53、输出装置54、存储器52和处理器51可以通过总线或者其他方式连接，图3中以通过总线连接为例。
80.处理器51通过运行存储在存储器52中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的基于心脏超声图像判断二尖瓣脱垂与病理分割方法。
81.上述提供的计算机设备可用于执行上述实施例提供的基于心脏超声图像判断二尖瓣脱垂与病理分割方法，具备相应的功能和有益效果。
82.本技术实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法，该基于心脏超声图像判断二尖瓣脱垂与病理分割方法包括：获取心脏超声图像，以组建心脏超声图像数据集；对所述心脏超声图像数据集的每个图片进行降噪和图片处理；基于降噪和预处理后的图片，进行训练和测试小样本分类模型；根据所述小样本分类模型对现有的心脏超声图像进行分类，获得心脏二尖瓣医学图像数据集和心脏二尖瓣脱垂图像数据集，并进行图片处理；根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型；将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证，得到分类-分割模型；将新的医学超声图像依次输入到所述分类-分割模型，以检测是否完成分类和病理分割。
83.存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如cd-rom、软盘或磁带装置；计算机装置存储器或随机存取存储器，诸如dram、ddrram、sram、edoram，兰巴斯(rambus)ram等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机装置中，或者可以位于不同的第二计算机装置中，第二计算机装置通过网络(诸如因特网)连接到第一计算机装置。第二计算机装置可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机装置中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
84.当然，本技术实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的基于心脏超声图像判断二尖瓣脱垂与病理分割方法，还可以
执行本技术任意实施例所提供的基于心脏超声图像判断二尖瓣脱垂与病理分割方法中的相关操作。
85.上述实施例中提供的基于心脏超声图像判断二尖瓣脱垂与病理分割装置、存储介质及计算机设备可执行本技术任意实施例所提供的基于心脏超声图像判断二尖瓣脱垂与病理分割方法，未在上述实施例中详尽描述的技术细节，可参见本技术任意实施例所提供的基于心脏超声图像判断二尖瓣脱垂与病理分割方法。
86.上述仅为本技术的较佳实施例及所运用的技术原理。本技术不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本技术的保护范围。因此，虽然通过以上实施例对本技术进行了较为详细的说明，但是本技术不仅仅限于以上实施例，在不脱离本技术构思的情况下，还可以包括更多其他等效实施例，而本技术的范围由权利要求的范围决定。

技术特征：
1.一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法，其特征在于，所述方法包括以下步骤：获取心脏超声图像，以组建心脏超声图像数据集；对所述心脏超声图像数据集的每个图片进行降噪和图片处理；基于降噪和预处理后的图片，进行训练和测试小样本分类模型；根据所述小样本分类模型对现有的心脏超声图像进行分类，获得心脏二尖瓣医学图像数据集和心脏二尖瓣脱垂图像数据集，并进行图片处理；根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型；将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证，得到分类-分割模型；将新的医学超声图像依次输入到所述分类-分割模型，以检测是否完成分类和病理分割。2.根据权利要求1所述的基于心脏超声图像判断二尖瓣脱垂与病理分割方法，其特征在于，所述图片处理，包括：对图片进行图片翻转、旋转、裁剪、缩放、平移、抖动操作。3.根据权利要求1所述的基于心脏超声图像判断二尖瓣脱垂与病理分割方法，其特征在于，所述基于降噪和预处理后的图片，进行训练和测试小样本分类模型之前，包括：搭建小样本分类模型，其中，所述小样本分类模型包括图片特征卷积神经网络、支持集和查询集。4.根据权利要求1所述的基于心脏超声图像判断二尖瓣脱垂与病理分割方法，其特征在于，所述基于降噪和预处理后的图片，进行训练和测试小样本分类模型，包括：将基于降噪和预处理后的图片输入到图片特征卷积神经网络进行图片特征提取，并对提取的图片特征输入支持集，得到类别原型，再输入到查询集中进行余弦相似度计算得到分类，以分类出心脏二尖瓣医学图像和心脏二尖瓣脱垂图像。5.根据权利要求1所述的基于心脏超声图像判断二尖瓣脱垂与病理分割方法，其特征在于，所述将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证之前，还包括：搭建病理分割神经模型，其中，所述病理分割神经模型包括一个双卷积层模块、四个下采样模块、四个上采样模块和一层单层卷积。6.根据权利要求1所述的基于心脏超声图像判断二尖瓣脱垂与病理分割方法，其特征在于，所述根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型，包括：使用所述心脏二尖瓣脱垂图像数据集的70％作为训练集，训练得到病理分割神经模型，再用剩下的30％的所述心脏二尖瓣脱垂图像数据集验证所述病理分割神经模型的性能，通过网络性能对网络内部参数在进行微调，利用反向传播算法以更新所述病理分割神经模型的权值。7.根据权利要求1所述的基于心脏超声图像判断二尖瓣脱垂与病理分割方法，其特征在于，所述获取心脏超声图像，以组建心脏超声图像数据集，包括：基于已有的开源心脏超声图像数据集和医院提供的心脏超声图像，通过整合开源的
imagenet大型数据组建心脏超声图像数据集。8.一种基于心脏超声图像判断二尖瓣脱垂与病理分割装置，其特征在于，包括：图像获取模块，用于获取心脏超声图像，以组建心脏超声图像数据集；图片处理模块，用于对所述心脏超声图像数据集的每个图片进行降噪和图片处理；第一训练模块，用于基于降噪和预处理后的图片，进行训练和测试小样本分类模型；图片分类模块，用于根据所述小样本分类模型对现有的心脏超声图像进行分类，获得心脏二尖瓣医学图像数据集和心脏二尖瓣脱垂图像数据集，并进行图片处理；第二训练模块，用于根据所述心脏二尖瓣脱垂图像数据集，进行输入、训练和验证病理分割神经模型；模型验证模块，用于将所述小样本分类模型的心脏二尖瓣医学图像和心脏二尖瓣脱垂图像输入到所述病理分割神经模型，以对该病理分割神经模型进行初步验证，得到分类-分割模型；模型检测模块，用于将新的医学超声图像依次输入到所述分类-分割模型，以检测是否完成分类和病理分割。9.一种计算机设备，其特征在于，包括：存储器以及一个或多个处理器；所述存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8任一所述的一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法。10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8任一所述的一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法。

技术总结
本申请实施例公开了一种基于心脏超声图像判断二尖瓣脱垂与病理分割方法及装置；所述方法包括：获取心脏超声图像，以组建心脏超声图像数据集；基于降噪和预处理后的图片，进行训练和测试小样本分类模型；获得心脏二尖瓣医学图像数据集和心脏二尖瓣脱垂图像数据集；输入、训练和验证病理分割神经模型；对病理分割神经模型进行初步验证，得到分类-分割模型；将新的医学超声图像依次输入到分类-分割模型，以检测是否完成分类和病理分割；实现自动化对心脏超声图像进行二尖瓣脱垂判断与分割，分析处理时间短，效率高，同时医学图像判断精度高。同时医学图像判断精度高。同时医学图像判断精度高。


技术研发人员：邓晨旭 张晗 魏松瑞 王宇昊
受保护的技术使用者：深圳瀚光科技有限公司
技术研发日：2023.03.31
技术公布日：2023/8/9