联合深度学习的通用血流向量成像方法

针对传统的超声血流向量成像(VFM)技术需要专有软件来获取原始多普勒和散斑跟踪数据的限制,提出一种联合深度学习的通用VFM方法。首先,使用速度标尺获取彩色多普勒超声心动图提供的沿声束方向的速度作为径向速度分量;然后,使用U-Net模型自动识别左心室壁轮廓,通过重新训练的PWC-Net模型计算左心室壁速度作为连续性方程的边界条件,并通过求解连续性方程获取各血液质点垂直于声束方向的速度分量(即切向速度分量);最后,合成心脏流场速度矢量图,并实现心脏流场流线图的可视化。实验结果表明,所提方法得到的心脏流场速度矢量图和流线图能准确反映左心室所对应的时相,得到的可视化结果与Aloka提供的VFM工作站的分析结果是一致的,符合左心室流体动力学特征。所提方法作为一种通用、快速的VFM方法,不需要任何供应商的技术支持和专有软件,可以进一步推进VFM在临床工作流程中的应用。