一种基于超声成像构建三维心脏模型的方法

摘要

本发明提供了一种基于超声成像构建三维心脏模型的方法。首先对超声图像进行预处理，然后采用改进的全卷积神经网络学习算法对数据集进行图像分割和边缘轮廓特征提取，以及采用PTAM算法进行心脏超声图像特征点的检测和匹配以及构建心脏的三维模型，最后实现三维心脏模型的可视化。本发明提供的方法图像分割效果精细、特征提取精度较高、模型重建速度快、所建三维心脏模型的准确率较高。本发明所构建的三维心脏超声模型可以在三维空间中任意移动、旋转、缩放，从而观察心脏各组织结构的空间位置关系，从而获得比心脏超声二维图像更多的诊断信息，具有巨大的医学应用价值。

权利要求

1.一种基于超声成像构建三维心脏模型的方法，其特征在于：包括如下步骤：S1、超声图像预处理：导入心脏超声图像数据集，对数据集进行特征点重标定处理，然后分离心脏各个部位的数据集，针对每个数据集进行去除超声斑纹噪声处理；

S2、图像分割和边缘轮廓特征提取；

S3、心脏模型三维重建：采用PTAM算法进行心脏各部位的三维建模，然后将构建的单个心脏部位模型进行合成处理，构建完整的心脏三维模型；

S4、三维心脏模型的可视化；

在步骤S1中，所述数据集分为左心房数据集、左心室数据集、右心房数据集、右心室数据集、窦房结数据集、房室结数据集、主动脉数据集、肺动脉数据集、肺静脉数据集、上下腔静脉数据集；

在步骤S2中，采用全卷积神经网络学习算法进行心脏超声图像的分割和边缘轮廓特征提取，具体步骤为：S21、全卷积：将心脏超声图像进行卷积和池化处理，卷积过程使用16层的VGGNet结构，VGGNet有8个卷积段，前5个段有2到3个卷积层，每个段以最大池化层结束，用于压缩图像大小；后3段将传统的全连接层转化为卷积层；

其中，全卷积神经网络模型参数设置为：前5段卷积核尺寸为3*3，卷积步长设定为一个像素，窗口尺寸为2*2，步长设定为2个像素，后3段卷积核尺寸为1*1，卷积步长设定为一个像素，每段卷积层内的卷积核数量相同，具体设置为：64、64、128、128、256、256、256、512、

512、512、512、512、512、4096、4096、1000；

S22、反卷积：输入的心脏超声图像经过卷积与池化操作后，图像大小不断减小，其分辨率也逐渐变低；反卷积过程需要镜像16层VGGNet，将从网络中提取的特征图恢复到原始图像的大小和位置，并进行像素分类，直接输出图像分割的结果；

S23、训练迭代过程：采用跳跃结构进行迭代训练，将不同池化层的结果进行反卷积，叠加多层图像采样数据来补充图像特征细节，用以优化最终输出的心脏超声图像分割结果，完成边缘特征提取；

所述步骤S23的训练迭代过程，采用反向传播链式求导法则，通过最小化损失函数对权值进行更新，得到全卷积神经网络最优的权值参数，用以优化分割结果，算法如下：S231、设置损失函数：

其中，n为总的样本数量；Xi和 分别代表属于和不属于目标区域的样本i的像素的集合； 表示属于目标区域的像素网络模型输出值的集合； 表示不属于目标区域的像素网络模型输出值集合；ck表示第k个像素相对于属于目标区域的概率；Fk表示第k个像素对应目标区域的数量；

S232、设定全卷积神经网络训练过程，训练卷积核的权值Z和偏置b，每次的更新和迭代都按照如下过程进行：其中，Zm,h表示某一层的第m个神经元到相邻层第h个神经元的连接参数，δ是学习率，b是偏置量，E(Z,b)代表代价函数；

S2321、前向传播过程：

隐含层输入：

输出层输入：

输出层输出：

S2322、反向求导过程：

S2323、更新Z，b：

S2324、重复步骤S2321到S2323，当损失函数E在误差允许的范围之内停止操作，获得最优权值参数。

2.根据权利要求1所述的一种基于超声成像构建三维心脏模型的方法，其特征在于：在步骤S3中，所述心脏模型三维重建具体步骤为先进行心脏超声图像特征点的检测和匹配；

Track过程进行图像特征追踪，通过不断将新的关键帧中的特征点加入到初始化空间模型中，构建心脏的三维模型。

3.根据权利要求2所述的一种基于超声成像构建三维心脏模型的方法，其特征在于：所述PTAM算法的过程包括如下步骤：S41、对图像特征点进行检测；

S42、图像特征追踪Track模型：

其中，F(x)为加权目标函数，ξ为Track模型描述向量，e为投影误差；

S43、优化的集束调整算法：

其中，eij为在第i个与第j个关键帧间匹配特征点的投影误差，pi为所生成的三维特征点坐标；

S44、建立关键帧的图像特征点匹配关系，三维空间模型构建的Map过程：其中，c为块搜索区域大小，I11与I1为待匹配块，M1，M分别为I11与I1的像素均值；本算法中设定搜索块大小c＝8，通过选取极线方向上与匹配点所对应块区域具有最小D值的特征点作为最佳匹配点，并通过三角测量原理建立三维空间模型；

S45、将建立的单个心脏部位模型进行合成处理，构建完整的三维心脏模型。

4.根据权利要求1所述的一种基于超声成像构建三维心脏模型的方法，其特征在于：在步骤S4中，为每个心脏部位设置渲染颜色以提升可视化效果；基于所述三维心脏模型，采用三维交互算法实现三维心脏模型的移动、放缩、旋转功能。

5.根据权利要求4所述的一种基于超声成像构建三维心脏模型的方法，其特征在于：在步骤S4中，所述三维心脏模型的可视化，采用三维模型切割算法实现三维心脏模型的剖面切割查看功能。

6.根据权利要求1所述的一种基于超声成像构建三维心脏模型的方法，其特征在于：所述超声图像为彩色多普勒心脏超声图像。

说明书

一种基于超声成像构建三维心脏模型的方法

技术领域

[0001] 本发明涉及超声图像的三维建模技术领域，具体涉及一种基于超声成像构建三维心脏模型的方法。

背景技术

[0002] 心血管疾病是全世界发病率和死亡率最高的疾病，对生命健康构成了严重威胁。而对该疾病的早期发现以及对诊断过程中无创性的要求一直是医学界的一个难题。心脏是人体循环系统的主要器官，是集电生理学、动力学、血液流体力学等于一身的极其复杂的综合系统。

[0003] 心脏疾病的诊断和仿真不断被深入研究，早期的研究主要集中于心脏逆问题上，通过已有的超声数据来分析和研究心脏疾病产生原因以及病情发展。而现在的研究重点主要集中在心脏正问题上，通过三维心脏建模将真实的心脏的生理学和物理学特性转化为一种三维数学模型，使被检查的心脏结构显示为三维效果立体图像，从而获得比二维图像更多的诊断信息。

[0004] 基于超声的三维立体模型在心血管方面的应用，主要是对心脏的整体性结构和功能性结构进行检测，提供内部结构、血流变化、瓣膜显示，并且能够实时的跟踪整个心脏周期组织的变化情况等，在心血管疾病的定性和诊断方面起到了重要作用，对心血管疾病的前期预防和治疗具有很大的应用前景。

[0005] 申请号为CN200610077079.3的发明专利公开了一种使用超声轮廓重建进行三维心脏成像的软件产品，主要采用手动输入在一个或多个超声图像中标记涉及解剖结构的特征的感兴趣轮廓，并基于该感兴趣轮廓和所测得的位置和方向坐标构造该解剖结构的3D模型，但是该方法需要手动轮廓提取，需要耗费大量的人力和时间，在推广上受到了一定的限制。

[0006] 申请号为CN201910177198.3的发明专利中公开了一种三维模型构建方法、装置及系统，通过将消融导管介入心脏内腔，定位贴靠心脏内壁的消融导管位置，能够准确获取到心脏内部轮廓，以此构建心脏三维模型，但是该方法操作复杂，还需要消融导管的内置介入，不能满足无创性的要求。

发明内容

[0007] 针对上述不足，本发明的目的在于提供一种基于超声成像构建三维心脏模型的方法。首先对超声图像进行预处理，然后采用改进的全卷积神经网络学习算法对数据集进行图像分割和边缘轮廓特征提取，以及采用PTAM算法进行心脏超声图像特征点的检测和匹配以及构建心脏的三维模型，最后实现三维心脏模型的可视化。本发明所构建的三维心脏超声模型可以在三维空间中任意移动、旋转、缩放，从而观察心脏各组织结构的空间位置关系，从而获得比心脏超声二维图像更多的诊断信息，具有巨大的应用价值。

[0008] 为了实现上述发明目的，本发明提供了一种基于超声成像构建三维心脏模型的方法，包括如下步骤：

[0009] S1、超声图像预处理：导入心脏超声图像数据集，对数据集进行特征点重标定处理，然后分离心脏各个部位的数据集，针对每个数据集进行去除超声斑纹噪声处理；

[0010] S2、图像分割和边缘轮廓特征提取；

[0011] S3、心脏模型三维重建：进行心脏各部位的三维建模，然后将构建的单个心脏部位模型进行合成处理，构建完整的心脏三维模型；

[0012] S4、三维心脏模型的可视化。

[0013] 优选的，在步骤S1中，所述数据集分为左心房数据集、左心室数据集、右心房数据集、右心室数据集、窦房结数据集、房室结数据集、主动脉数据集、肺动脉数据集、肺静脉数据集、上下腔静脉数据集。

[0014] 优选的，在步骤S2中，采用全卷积神经网络学习算法进行心脏超声图像的分割和边缘轮廓特征提取，具体步骤为：

[0015] S1、全卷积：将心脏超声图像进行卷积处理，卷积过程使用16层的VGGNet结构，VGGNet有8个卷积段，前5个段有2到3个卷积层，每个段以最大池化层结束，用于压缩图像大小；后3段将传统的全连接层转化为卷积层；

[0016] 其中，全卷积神经网络模型参数设置为：卷积核尺寸为3*3，卷积步长设定为一个像素，窗口尺寸为2*2，步长设定为2个像素，后3段卷积核尺寸为1*1，卷积步长设定为一个像素，每段卷积层内的卷积核数量相同，具体设置为：64、64、128、128、256、256、256、512、512、512、512、512、512、4096、4096、1000；

[0017] S2、反卷积：输入的心脏超声图像经过卷积与池化操作后，图像大小不断减小，其分辨率也逐渐变低；反卷积过程需要镜像16层VGGNet，将从网络中提取的特征图恢复到原始图像的大小和位置，并进行像素分类，直接输出图像分割的结果；

[0018] S3、训练迭代过程：采用跳跃结构进行迭代训练，将不同池化层的结果进行反卷积，叠加多层图像采样数据来补充图像特征细节，用以优化最终输出的图像分割结果，完成边缘特征提取。

[0019] 优选的，所述步骤S3的训练迭代过程，采用反向传播链式求导法则，通过最小化损失函数对权值进行更新，得到全卷积神经网络最优的权值参数，用以优化分割结果，算法如下：

[0020] S1、设置损失函数：

[0021]

[0022] 其中，n为总的样本数量；Xi和 分别代表属于和不属于目标区域的样本i的像素的集合； 表示属于目标区域的像素网络模型输出值的集合； 表示不属于目标区域的像素网络模型输出值集合；ck表示第k个像素相对于属于目标区域的概率；Fk表示第k个像素对应目标区域的数量；

[0023] S2、设定全卷积神经网络训练过程，训练卷积核的权值Z和偏置b，每次的更新和迭代都按照如下过程进行：

[0024]

[0025] 其中，Zm,h表示某一层的第m个神经元到相邻层第h个神经元的连接参数，δ是学习率，b是偏置量，E(Z,b)代表代价函数；

[0026] S21、前向传播过程：

[0027] 隐含层输入：

[0028] 输出层输入：

[0029] 输出层输出：

[0030] S22、反向求导过程：

[0031]

[0032] S23、更新Z，b:

[0033]

[0034] S24、重复步骤S21到S23，当损失函数E在误差允许的范围之内停止操作，获得最优权值参数。

[0035] 优选的，在步骤S3中，所述心脏模型三维重建采用PTAM算法主要进行图像特征追踪和模型构建过程，具体步骤为先进行心脏超声图像特征点的检测和匹配；通过不断将新的关键帧中的特征点加入到初始化空间模型中，构建心脏的三维模型。

[0036] 优选的，所述PTAM算法的过程包括如下步骤：

[0037] S1、采用FAST算法对图像特征点进行检测；

[0038] S2、图像特征追踪Track模型：

[0039]

[0040] 其中，F(x)为加权目标函数，ξ为Track模型描述向量，e为投影误差。

[0041] S3、优化的集束调整算法：

[0042]

[0043] 其中，eij为在第i个与第j个关键帧间匹配特征点的投影误差，pi为所生成的三维特征点坐标；

[0044] S4、建立关键帧的图像特征点匹配关系，三维空间模型构建的Map过程：

[0045]

[0046] 其中，c为块搜索区域大小，I1与I为待匹配块，M1，M分别为I1与I的像素均值；本算法中设定搜索块大小c＝8，通过选取极线方向上与匹配点所对应块区域具有最小D值的特征点作为最佳匹配点，并通过三角测量原理建立三维空间模型；

[0047] S5、将建立的单个心脏部位模型进行合成处理，构建完整的三维心脏模型。

[0048] 优选的，在步骤S4中，为每个心脏部位设置模型渲染的颜色以提升可视化效果；基于所述三维心脏模型，采用三维交互算法，实现三维心脏模型的移动、放缩、旋转功能。

[0049] 优选的，在步骤S4中，所述三维心脏模型的可视化，采用三维模型切割算法，实现三维心脏模型的剖面查看功能。

[0050] 优选的，所述超声图像为彩色多普勒心脏超声图像。

[0051] 有益效果

[0052] 1、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，模型重建速度快，模型精度高；本发明所构建的心脏三维超声模型可以在三维空间中任意移动、旋转、缩放，从而观察心脏各组织结构的空间位置关系，从而获得比二维图像更多的诊断信息，具有巨大的应用价值。

[0053] 2、本发明提供改进的全卷积神经网络学习算法进行心脏超声图像的分割和自动边缘特征的提取，采用跳跃结构，应用到多层图像数据信息，分割效果精细，特征提取精度较高。

[0054] 3、本发明提供PTAM算法进行心脏超声三维建模的方法，具有系统结构简单、高实时性等特点，适用于小尺度环境，其小尺度三维建模准确度约为毫米级，适用于狭窄的心脏三维建模，所建三维心脏模型的准确率较高。

[0055] 4、本发明采用三维模型切割算法实现三维心脏模型的剖面查看功能；本发明构建的三维心脏模型，在保持原有彩色多普勒的临床检查项目外，能判断分析出不同的心脏形态和容量，得到更加准确的心脏容积和收缩功能。

[0056] 5、本发明将心脏超声图像的各个部位的数据集分别进行建模，然后合成处理，构建出的三维心脏模型准确度较高，各个部位的特征匹配度较高。

附图说明

[0057] 图1为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。

[0058] 图2为本发明采用的全卷积神经网络的结构图。

[0059] 图3为本发明采用的全卷积神经网络算法的训练过程流程图。

[0060] 图4为本发明采用的PTAM算法进行心脏三维建模的流程图。

具体实施方式

[0061] 以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例；基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

[0062] 三维心脏建模目的是构建三维心脏模型，该模型包括心脏的完整结构(左心房、右心房、左心室、右心室、静脉血管和动脉血管等)，使被检查的心脏结构显示为三维效果立体图像，从而获得比二维图像更多的诊断信息。

[0063] 请参阅图1所示，本发明提供了一种基于超声成像构建三维心脏模型的方法，包括如下步骤：

[0064] S1、超声图像预处理：导入心脏超声图像数据集，对数据集进行特征点重标定处理，然后分离心脏各个部位的数据集，针对每个数据集进行去除超声斑纹噪声处理；

[0065] S2、图像分割和边缘轮廓特征提取；

[0066] S3、心脏模型三维重建：采用PTAM算法进行心脏各部位的三维建模，然后将生成的单个心脏部位模型进行合成处理，构建完整的心脏三维模型；

[0067] S4、三维心脏模型的可视化。

[0068] 下面结果实施例1-2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：

[0069] 实施例1

[0070] 一种基于超声成像构建三维心脏模型的方法，包括如下步骤：

[0071] S1、超声图像预处理：导入彩色多普勒心脏超声图像数据集，对数据集进行特征点重标定处理，然后分离心脏各个部位的数据集(分为左心房数据集、左心室数据集、右心房数据集、右心室数据集、窦房结数据集、房室结数据集、主动脉数据集、肺动脉数据集、肺静脉数据集、上下腔静脉数据集)，针对每个数据集进行去除超声斑纹噪声处理；

[0072] S2、图像分割和边缘轮廓特征提取；

[0073] S3、心脏模型三维重建：采用PTAM算法进行心脏各部位的三维建模，然后将生成的单个心脏部位模型进行合成处理，构建完整的心脏三维模型；所述PTAM算法主要进行图像特征追踪和模型构建过程，具体步骤为先进行心脏超声图像特征点的检测和匹配；通过不断将新的关键帧中的特征点加入到初始化空间模型中，构建心脏的三维模型；

[0074] S4、三维心脏模型的可视化，为每个心脏部位设置模型渲染的颜色以提升可视化效果；基于所述三维心脏模型，采用三维交互算法，实现三维心脏模型的移动、放缩、旋转功能；采用三维模型切割算法，实现三维心脏模型的剖面查看功能。

[0075] 请参阅图2所示，在步骤S2中，本发明采用改进的全卷积神经网络学习算法进行心脏超声图像的分割和边缘轮廓提取，将预处理后的心脏超声图像数据集分别输入到全卷积神经网络模型中进行计算，包括如下步骤：

[0076] 步骤1、全卷积：将心脏超声图像进行卷积处理，卷积过程使用16层的VGGNet结构，VGGNet有8个卷积段，前5个段有2到3个卷积层，每个段以最大池化层结束，用于压缩图像大小；后3段将传统的全连接层转化为卷积层；

[0077] 其中，全卷积神经网络模型参数设置为：卷积核尺寸为3*3，卷积步长设定为一个像素，窗口尺寸为2*2，步长设定为2个像素，后3段卷积核尺寸1*1，卷积步长设定为一个像素，每段卷积层内的卷积核数量相同，具体设置为：64、64、128、128、256、256、256、512、512、512、512、512、512、4096、4096、1000；

[0078] 步骤2、反卷积：输入的心脏超声图像经过卷积与池化操作后，图像大小不断减小，其分辨率也逐渐变低；反卷积过程需要镜像16层VGGNet，将从网络中提取的特征图恢复到原始图像的大小和位置，并进行像素分类，直接输出图像分割的结果；

[0079] 步骤3、训练迭代过程：采用跳跃结构进行迭代训练，将不同池化层的结果进行反卷积，叠加采样结果来补充图像特征细节，用以优化最终输出的图像分割结果，完成边缘特征提取。

[0080] 请参阅图3所示，所述步骤S3的训练迭代过程，采用反向传播链式求导法则，通过最小化损失函数对权值进行更新，得到全卷积神经网络最优的权值参数，用以优化分割结果，算法如下：

[0081] S1、设置损失函数：

[0082]

[0083] 其中，n为总的样本数量；Xi和 分别代表属于和不属于目标区域的样本i的像素的集合； 表示属于目标区域的像素网络模型输出值的集合； 表示不属于目标区域的像素网络模型输出值集合；ck表示第k个像素相对于属于目标区域的概率；Fk表示第k个像素对应目标区域的数量；

[0084] S2、设定全卷积神经网络训练过程，训练卷积核的权值Z和偏置b，每次的更新和迭代都按照如下过程进行：

[0085]

[0086] 其中，Zm,h表示某一层的第m个神经元到相邻层第h个神经元的连接参数，δ是学习率，b是偏置量，E(Z,b)代表代价函数；

[0087] S21、前向传播过程：

[0088] 隐含层输入：

[0089] 输出层输入：

[0090] 输出层输出：

[0091] S22、反向求导过程：

[0092]

[0093] S23、更新Z，b:

[0094]

[0095] S24、重复步骤S21到S23，当损失函数E在误差允许的范围之内停止操作，获得最优权值参数。

[0096] 其中，基于超声成像的三维模型构建的关键技术包括降噪预处理、图像分割、三维重建、模型可视化。图像分割和边缘轮廓提取是进行三维重建与可视化的基础，分割的效果和轮廓的精度直接影响到三维重建后模型的精确性。

[0097] 本发明采用改进的全卷积神经网络学习算法进行心脏超声图像的分割和自动边缘轮廓特征的提取。其中，卷积层是卷积神经网络的核心层，用来对输入数据进行特征提取。在全卷积神经网络的卷积过程使用的是16层的VGGNet，反卷积过程对全卷积过程进行镜像处理，为了提高反卷积采用结果精度，反卷积过程使用8倍跳跃结构。同时，由于反卷积还原准确度无法完整地还原图像所具有的特征，所以需要不断向前迭代来补充图像特征细节，通过进一步叠加，提高分割准确度，实现心脏超声图像的最佳分割效果。

[0098] 综上所述，本发明采用的全卷积神经网络学习算法，在迭代训练时采用跳跃结构，应用到多层图像数据信息，分割效果精细，特征提取精度较高。

[0099] 实施例2

[0100] 一种基于超声成像构建三维心脏模型的方法，包括如下步骤：

[0101] S1、超声图像预处理：导入彩色多普勒心脏超声图像数据集，对数据集进行特征点重标定处理，然后分离心脏各个部位的数据集(分为左心房数据集、左心室数据集、右心房数据集、右心室数据集、窦房结数据集、房室结数据集、主动脉数据集、肺动脉数据集、肺静脉数据集、上下腔静脉数据集)，针对每个数据集进行去除超声斑纹噪声处理；

[0102] S2、图像分割和边缘轮廓特征提取：采用改进的全卷积神经网络学习算法进行心脏超声图像的分割和边缘轮廓提取，将预处理后的心脏超声图像数据集分别输入到全卷积神经网络模型中进行FCN网络分割算法计算；

[0103] S3、心脏模型三维重建：采用PTAM算法进行心脏各部位的三维建模，然后将生成的单个心脏部位模型进行合成处理，构建完整的心脏三维模型；

[0104] S4、三维心脏模型的可视化，为每个心脏部位设置模型渲染的颜色以提升可视化效果；基于所述三维心脏模型，采用三维交互算法，实现三维心脏模型的移动、放缩、旋转功能；采用三维模型切割算法，实现三维心脏模型的剖面查看功能。

[0105] 请参阅图4所示，在步骤S3中，所述PTAM算法主要进行图像特征追踪和模型构建过程，具体步骤为先进行心脏超声图像特征点的检测和匹配；通过不断将新的关键帧中的特征点加入到初始化空间模型中，构建心脏的三维模型，所述PTAM算法的过程包括如下步骤：

[0106] 步骤1、采用FAST算法对图像特征点进行检测提取；

[0107] 步骤2、图像特征追踪Track模型：

[0108]

[0109] 其中，F(x)为加权目标函数，ξ为Track模型描述向量，e为投影误差。

[0110] 步骤3、优化的集束调整算法：

[0111]

[0112] 其中，eij为在第i个与第j个关键帧间匹配特征点的投影误差，pi为所生成的三维特征点坐标；

[0113] 步骤4、建立关键帧的图像特征点匹配关系，三维空间模型构建的Map过程：

[0114]

[0115] 其中，c为块搜索区域大小，I1与I为待匹配块，M1，M分别为I1与I的像素均值；本算法中设定搜索块大小c＝8，通过选取极线方向上与匹配点所对应块区域具有最小D值的特征点作为最佳匹配点，并通过三角测量原理建立三维空间模型；

[0116] 步骤5、将建立的单个心脏部位模型进行合成处理，构建完整的三维心脏模型。

[0117] 其中，本发明采用基于PTAM的三维心脏建模方法实现了心脏超声图像特征追踪与心脏三维空间建模过程的并行化，可以实时的定位追踪与三维建模，也可以在虚拟平面上进行心脏部位模型的叠加。本发明采用基于PTAM的三维心脏建模方法具有系统结构简单、高实时性等特点，适用于小尺度环境，其小尺度三维建模准确度约为毫米级，适用于狭窄的心脏三维建模。

[0118] 本发明将心脏超声图像的各个部位的数据集分别进行建模，然后合成处理，构建出的三维心脏模型准确度较高，各个部位的特征匹配度较高。

[0119] 本发明构建的三维心脏模型，在保持原有彩色多普勒的临床检查项目外，能判断分析出不同的心脏形态和容量，得到更加准确的心脏容积和收缩功能。

[0120] 综上所述，本发明提供了一种基于超声成像构建三维心脏模型的方法。首先对超声图像进行预处理，然后采用改进的全卷积神经网络学习算法对数据集进行图像分割和边缘轮廓特征提取，以及采用PTAM算法进行心脏超声图像特征点的检测和匹配以及构建心脏的三维模型，最后实现三维心脏模型的可视化。本发明将心脏超声图像的各个部位的数据集分别进行建模，然后合成处理，构建出的三维心脏模型准确度较高，各个部位的特征匹配度较高。本发明所构建的三维心脏超声模型可以在三维空间中任意移动、旋转、缩放，从而观察心脏各组织结构的空间位置关系，从而获得比心脏超声二维图像更多的诊断信息，具有巨大的应用价值。

[0121] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。