基于无创压力容积环的分类方法、系统、电子设备及介质

技术领域

本发明涉及人工智能领域，特别是涉及一种基于无创压力容积环的分类方法、系统、电子设备及介质。

背景技术

心力衰竭是一个普遍存在的公共卫生问题，具有相当大的发病率和死亡率风险，极大地威胁着身体健康。心力衰竭，简称心衰，它是一种综合性的疾病，是由于心脏无法将足够的血液泵入身体，通常由糖尿病、高血压或其他心脏疾病引起。安全、可靠和快速的心衰诊断和风险评估对于提供及时、具有成本效益的治疗至关重要。

作为一种快速准确的方法，超声心动图可以帮助无创检测和表征心衰中的血流动力学和形态学异常。压力-容积环能够反映心动周期和心室特性，而且压力-容积环一直是评估直接、实时心脏功能的黄金标准。环中包含大量有关心脏性能的信息，通过其分析可以阐明心衰的病理生理机制，包括保留性心衰、心肌和瓣膜性心脏病等。从压力容积环获得的心室动脉耦合、机械势能、心室效率和其他参数可用于评估心脏功能并为临床诊断提供指导。然而，压力容积环的分析在临床上经常被忽视，由于侵入性和非侵入性方法都难以获得，因此难以指导患者的管理。

目前的心衰诊断主要依据临床症状、体征、实验室检查以及影像学结果由专家评估综合判断，但由于医疗资源分配不均衡，人工诊断时间长、效率低，专家对心衰的诊断难以满足临床所需。

发明内容

本发明的目的是提供一种基于无创压力容积环的分类方法、系统、电子设备及介质，能够根据心脏超声图像建立无创压力容积环，并通过无创压力容积环进行分类。

为实现上述目的，本发明提供了如下方案：

一种基于无创压力容积环的分类方法，所述方法包括：

获取待测者的至少一个心动周期的心动图；所述心动图为标准化经胸超声心动图；

从所述待测者的至少一个心动周期的心动图中提取心室的心内膜边界，得到待测者的左心室容积曲线；

根据所述待测者的左心室容积曲线，利用时变弹性模型，确定待测者的左心室压力容积环；

从所述待测者的左心室压力容积环中获取待测者的心脏流体动力学参数；

利用分类算法构建分类预测模型；

将所述待测者的心脏流体动力学参数输入训练好的分类预测模型，确定预测分类结果。

可选地，所述分类预测模型的训练过程包括：

获取受试者的至少一个心动周期的心动图；所述心动图为标准化经胸超声心动图；

根据设定类别，对所述受试者的至少一个心动周期的心动图进行类别标注，得到各类别的标准化经胸超声心动图；

从所述各类别的标准化经胸超声心动图中提取心室的心内膜边界，得到各类别的左心室容积曲线；

根据所述各类别的左心室容积曲线，利用时变弹性模型，得到各类别的左心室压力容积环；

从所述各类别的左心室压力容积环中获取各类别的心脏流体动力学参数；

以所述各类别的心脏流体动力学参数为输入，以对应的类别的概率为输出，对分类预测模型进行训练，得到训练好的分类预测模型。

可选地，所述以所述各类别的心脏流体动力学参数为输入，以对应的类别的概率为输出，对分类预测模型进行训练，得到训练好的分类预测模型，具体包括：

将所述各类别的心脏流体动力学参数分为训练集和验证集；

基于多种分类算法构建多个初始分类预测模型；

以所述训练集为输入，对所述多个初始分类预测模型进行训练，得到多个训练好的初始分类预测模型；

将所述验证集输入所述多个训练好的初始分类预测模型，得到多个训练好的初始分类预测模型输出的类别概率；

根据所述多个训练好的初始分类预测模型输出的类别概率，得到多个训练好的初始分类预测模型的预测分类结果；

从所述多个训练好的初始分类预测模型中，选取输出所述预测分类结果的类别概率最高的训练好的初始分类预测模型，作为训练好的分类预测模型。

可选地，所述时变弹性模型为：

其中，E(t)是通过时变弹性表示的t时刻的心肌硬度变化，P(t)是t时刻的心室压力，V(t)是t时刻的心室体积，V

可选地，所述根据所述待测者的左心室容积曲线，利用时变弹性模型，确定待测者的左心室压力容积环，具体包括：

将所述时变弹性模型转化为双希尔方程；

根据所述待测者的左心室容积曲线，对所述双希尔方程进行解算，得到待测者的左心室压力容积环。

可选地，所述将所述待测者的心脏流体动力学参数输入训练好的分类预测模型，确定预测分类结果，具体包括：

将所述待测者的心脏流体动力学参数输入训练好的分类预测模型，得到所述训练好的分类预测模型输出的类别的概率；

将概率最大的类别确定为预测分类结果。

本发明还提供一种基于无创压力容积环的分类系统，应用于上述的基于无创压力容积环的分类方法，所述系统包括：

超声心动图获取模块，用于获取待测者的至少一个心动周期的心动图；所述心动图为标准化经胸超声心动图；

左心室容积曲线提取模块，用于从所述待测者的至少一个心动周期的心动图中提取心室的心内膜边界，得到待测者的左心室容积曲线；

左心室压力容积环确定模块，用于根据所述待测者的左心室容积曲线，利用时变弹性模型，确定待测者的左心室压力容积环；

心脏流体动力学参数获取模块，用于从所述待测者的左心室压力容积环中获取待测者的心脏流体动力学参数；

模型构建模块，用于利用分类算法构建分类预测模型；

预测分类结果确定模块，用于将所述待测者的心脏流体动力学参数输入训练好的分类预测模型，确定预测分类结果。

本发明还提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的基于无创压力容积环的分类方法。

本发明还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于无创压力容积环的分类方法。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的一种基于无创压力容积环的分类方法，包括：获取待测者的至少一个心动周期的心动图；心动图为标准化经胸超声心动图；从待测者的至少一个心动周期的心动图中提取心室的心内膜边界，得到待测者的左心室容积曲线；根据待测者的左心室容积曲线，利用时变弹性模型，确定待测者的左心室压力容积环；从待测者的左心室压力容积环中获取待测者的心脏流体动力学参数；利用分类算法构建分类预测模型；将待测者的心脏流体动力学参数输入训练好的分类预测模型，确定预测分类结果。本发明通过对待测者的超声图像提取心室的心内膜边界，利用时变弹性模型确定无创压力容积环，并获得待测者的心脏流体动力学参数，利用分类算法对待测者的心脏流体动力学参数进行分类，得到分类结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种基于无创压力容积环的分类方法流程图；

图2为无创压力容积环的示意图；

图3为本发明提供的一种基于无创压力容积环的分类系统模块图。

符号说明：1-超声心动图获取模块，2-左心室容积曲线提取模块，3-左心室压力容积环确定模块，4-心脏流体动力学参数获取模块，5-模型构建模块，6-预测分类结果确定模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。

本发明的目的是提供一种基于无创压力容积环的分类，能够根据心脏超声图像建立无创压力容积环，并通过无创压力容积环进行分类。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

如图1所示，本发明提供的一种基于无创压力容积环的分类方法，所述方法包括：

步骤S1：获取待测者的至少一个心动周期的心动图；所述心动图为标准化经胸超声心动图。

在实际应用中，收集的2D-A4C视图要保证足够的图像质量(即没有明显的边界缺失)，并包括至少一个完整的心动周期。

步骤S2：从所述待测者的至少一个心动周期的心动图中提取心室的心内膜边界，得到待测者的左心室容积曲线。

在实际应用中，从心脏超声图像序列中逐帧提取心室的心内膜边界。其中，心动周期持续时间(T

步骤S3：根据所述待测者的左心室容积曲线，利用时变弹性模型，确定待测者的左心室压力容积环。具体地，所述时变弹性模型为：

其中，E(t)是通过时变弹性表示的t时刻的心肌硬度变化，P(t)是t时刻的心室压力，V(t)是t时刻的心室体积，V

在实际应用中，左心室压力容积(PV)环来自于对心动周期中发现的心室内压力和容积的同时测量，如图2所示，在PV环中，心动周期被分为不同的阶段。在左下角(红点)，二尖瓣打开，心室在舒张期间开始迅速充满。该阶段以环蓝点的心房收缩结束，同时伴有左室舒张末压(Ped)和舒张压末容积(EDV)(右下角)。然后，二尖瓣关闭，开始等容收缩阶段。当心室内压超过主动脉压时，主动脉瓣打开(右上角，红点)，心室将血液排出，直到达到环的蓝点，并伴有左室收缩末期容积(ESV)和收缩末期压力(Pes)(左上角)。当主动脉瓣关闭时，心室内压力下降，而容积没有任何变化(等容舒张期)。当心室内压降至心房压力以下时，二尖瓣打开，心动周期再次开始。

作为一个具体的实施方式，S3具体包括：

步骤S31：将所述时变弹性模型转化为双希尔方程。

在实际应用中，根据Su Ga H的时变弹性模型：

将时变弹性模型转化为双希尔方程，该双希尔方程可以通过有限数量的独立参数求解。

步骤S32：根据所述待测者的左心室容积曲线，对所述双希尔方程进行解算，得到待测者的左心室压力容积环。

时变弹性曲线由解析双希尔方程可转化为：

其中，

表1双希尔方程参数

其中，LVP

其中，其中SBP是收缩压，DBP是舒张压，LVP

通过时变模型，心室压力表示为：

P(t)＝E(t)×(V(t)-V

步骤S4：从所述待测者的左心室压力容积环中获取待测者的心脏流体动力学参数。

具体地，通过舒张末期和收缩末期容积、每搏量(SV)、心输出量(CO)、左室射血分数(LVEF)、心输出量、每搏功(SW)、机械势能(PE)、心室效率(η)、平均外功率(MEP)、每射血容量能量(EEV)、有效动脉弹性(Ea)和心室-动脉耦合(VAcoupling)等参数来量化血流动力学和左室功能。舒张末期容积、收缩末期容积、每搏量和射血分数来自超声心动图图像。

其中，每搏量(Stroke volume,SV)是每次心脏收缩时从左心室泵出的血液量。SV可以计算为左室舒张末期容积(EDV)和左室收缩末期容积(ESV)之间的差值：SV＝EDV-ESV。

心输出量(Cardiac output,CO)是心脏在一段时间内通过体循环泵送的血容量，单位为升/分钟。有多种参数可用于全面评估心输出量，但其中一种更为传统的方法涉及将心率(HR)与每搏量的乘积相乘：CO＝SV·HR。

左室射血分数(EF)的计算涉及将每搏量除以EDV，并被视为评估收缩性和舒张性心力衰竭的重要指标，其中，EF＝SV/EDV。

每搏功SW是PV环路包围的区域，代表心室将血液喷射到主动脉中的外部功，用于评估心室功能。机械势能(PE)是心脏排出血液所克服的内部能量。因此，心室收缩产生的总机械能是SW和PE的总和，称为压力容积面积(PVA)，PVA＝SW+PE。PVA已被证明与心肌耗氧量(MVO2)呈线性相关。它可以量化为收缩末期PV关系(ESPVR)和舒张末期PV关系(EDPVR)与PV环路最左侧之间的面积。

搏动心室效率可以描述为有用心室机械功(SW)与PVA估计消耗的O

左心室输送的平均外部功率(MEP)可以表示为：

每喷射体积的能量(EEV)计算如下：

EDPVR是连接收缩末期PV点或最大弹性点。ESPVR斜率代表最大心室弹性(Ees)，它提供了心肌收缩力的指标。因此，当心室收缩力变化时，Ees成比例变化。ESPVR和EDPVR定义了PV回路的边界。

此外，Sunagawa等人将动脉系统特性描述为有效动脉弹性(Ea)，代表与心室射血或动脉负荷相反的所有心外力。Ea可以近似为PV环路上动脉收缩末压力-每搏量关系的斜率，其可以计算为：

步骤S5：利用分类算法构建分类预测模型。

步骤S6：将所述待测者的心脏流体动力学参数输入训练好的分类预测模型，确定预测分类结果。

在实际应用中，根据超声心动图，应用压力容积环取包括SBP、DBP、EDV、ESV、SW、EF、Mechanical PE、Efficiency、MEP、SV、CO、EEV、Ees、Ea、VA coupling的15个待测者的心脏流体动力学参数。

作为一个具体地实施方式，S6具体包括：

步骤S61：将所述待测者的心脏流体动力学参数输入训练好的分类预测模型，得到所述训练好的分类预测模型输出的类别的概率。

步骤S62：将概率最大的类别确定为预测分类结果。

具体地，输出的结果属于心衰各类型的概率，其范围为0至1，选取最大概率所对应的心衰疾病类型作为最终的分类预测结果。

此外，所述分类预测模型的训练过程包括：

步骤S01：获取受试者的至少一个心动周期的心动图；所述心动图为标准化经胸超声心动图。

步骤S02：根据设定类别，对所述受试者的至少一个心动周期的心动图进行类别标注，得到各类别的标准化经胸超声心动图。

在实际应用中，对所述心脏超声图像数据结合临床研究进行人工标注，将数据划分为无心衰、射血分数保留型心衰、射血分数中间减弱型心衰、射血分数减弱型心衰四种类型。

步骤S03：从所述各类别的标准化经胸超声心动图中提取心室的心内膜边界，得到各类别的左心室容积曲线。

步骤S04：根据所述各类别的左心室容积曲线，利用时变弹性模型，得到各类别的左心室压力容积环。

步骤S05：从所述各类别的左心室压力容积环中获取各类别的心脏流体动力学参数。

步骤S06：以所述各类别的心脏流体动力学参数为输入，以对应的类别的概率为输出，对分类预测模型进行训练，得到训练好的分类预测模型。

S06具体包括：

步骤S061：将所述各类别的心脏流体动力学参数分为训练集和验证集。

步骤S062：基于多种分类算法构建多个初始分类预测模型。

在实际应用中，选取八种分类算法(Logistic regression、Decision Tree、Random Forests、SVC、k-NN、GBM、XGBoost、LightGBM)，分别建立对应的初始分类预测模型。

步骤S063：以所述训练集为输入，对所述多个初始分类预测模型进行训练，得到多个训练好的初始分类预测模型。

在实际应用中，进行心衰分类训练，并应用训练集对初始分类预测模型进行训练。

步骤S064：将所述验证集输入所述多个训练好的初始分类预测模型，得到多个训练好的初始分类预测模型输出的类别概率。

步骤S065：根据所述多个训练好的初始分类预测模型输出的类别概率，得到多个训练好的初始分类预测模型的预测分类结果。

步骤S066：从所述多个训练好的初始分类预测模型中，选取输出所述预测分类结果的类别概率最高的训练好的初始分类预测模型，作为训练好的分类预测模型。

在实际应用中，选取验证集准确率最高的一次结果的权重作为最终超参数，保存模型，该模型作为训练好的分类预测模型。经验证，XGBoost算法在测试数据集上的心衰四分类准确率达到最高为88.89％。

为了进行详细的心衰分类，将15个特征参数输入到训练好的分类预测模型中。为了比较分类算法对分类结果的影响，对比了XGBoost与其他分类算法的结果，如表2所示。

表2不同算法平均100次的测试结果

本发明提供的基于无创压力容积环的分类方法，具有安全、可靠和快速的诊断等优点，提高了诊断效率并减轻的医生的工作量，所述方法可自动进行心衰分类诊断，可以为医生提供可靠、客观的辅助诊断结果。

实施例二

为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种基于无创压力容积环的分类系统。

本发明提供的一种基于无创压力容积环的分类系统，如图3所示，所述系统包括：

超声心动图获取模块1，用于获取待测者的至少一个心动周期的心动图；所述心动图为标准化经胸超声心动图。

左心室容积曲线提取模块2，用于从所述待测者的至少一个心动周期的心动图中提取心室的心内膜边界，得到待测者的左心室容积曲线。

左心室压力容积环确定模块3，用于根据所述待测者的左心室容积曲线，利用时变弹性模型，确定待测者的左心室压力容积环。

心脏流体动力学参数获取模块4，用于从所述待测者的左心室压力容积环中获取待测者的心脏流体动力学参数。

模型构建模块5，用于利用分类算法构建分类预测模型。

预测分类结果确定模块6，用于将所述待测者的心脏流体动力学参数输入训练好的分类预测模型，确定预测分类结果。

实施例三

本发明实施例提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行计算机程序以使电子设备执行实施例一的基于无创压力容积环的分类方法。

可选地，上述电子设备可以是服务器。

另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的基于无创压力容积环的分类方法。

本发明提供的基于无创压力容积环的分类方法、系统、电子设备及介质的有益结果为：

本发明提供了一种全自动的心衰诊断，输入心动超声图、肱动脉血压和血压，即可产生出压力容积环，并获得心衰的诊断，无需人工介入，减缓了医生的工作量，为医生提供了诊断参考。此外，本发明运算速度快，诊断效率高，有助于医生提高诊断质量。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。