本发明涉及医用人工智能和深度学习，具体涉及一种基于掩码自适应尺度对齐的心脏功能评估方法。
背景技术：
1、左心室(lv)分割和射血分数(ef)测量经常在临床环境中使用。lv分割为检测心室扩张、心室壁运动异常等心脏病特征提供实时指导和位置信息；ef预测经常用于监测心血管健康和诊断心肌梗塞、心力衰竭等心脏疾病。因此，研究准确的lv分割和ef预测算法对于心脏评估非常有价值。近年来，深度学习技术已被用于识别、量化和解释超声图像，这些模型减少了分析图像/视频所需的时间，加快了临床决策，并提供交互式反馈来培训经验不足的医生。但当前的方法主要集中在改进模型结构，而较少关注数据本身的特点。在医学数据领域，面临着数据获取困难和数据标注数量有限的常见挑战，而深度学习通常需要大量的样本进行训练以实现良好的泛化能力。这导致了目前一些用于lv分割的模型在不同帧上的分割精度表现出较大的差异，以及ef预测的模型在训练过程中出现了不同程度的过拟合。
技术实现思路
1、本发明的目的是提供一种基于掩码自适应尺度对齐的心脏功能评估方法，能够减少不同帧的分割误差，提供较好的左心室实时引导和定位信息，还能够在执行射血分数预测任务时，提升模型的泛化能力，实现更准确的预测和显著的性能提升。
2、为实现上述目的，本发明提供了一种基于掩码自适应尺度对齐的心脏功能评估方法，包含以下步骤：s1、利用原始数据集训练左心室分割模型，对左心室区域进行定位分割，以生成对齐因子；s2、利用所述对齐因子，在原始数据集基础上构建插值对齐数据集和变体数据集；s3、利用所述插值对齐数据集，优化左心室分割模型并重建分割结果；s4、扩充所述变体数据集得到翻转数据集，并利用所述变体数据集和所述翻转数据集训练射血分数预测模型；s5、实验结果分析。
3、优选地，所述的s1中，选用每个原始数据集中超声心动图视频内有标注的两帧图片与其对应的标注信息做交叉熵损失，并进行若干轮的训练，以得到一个mbest-rough模型。
4、其中，该模型输出的分割掩码为每帧图片生成自适应的检测框，以充当对齐因子。
5、优选地，所述的s2中，针对左心室分割任务，使用自适应尺度对齐机制构建插值对齐数据集。
6、其中，通过对原始数据集使用自适应尺度对齐操作并插值，将每帧左心室区域的不同检测框放大到统一尺度，以得到插值对齐数据集，且在所述插值对齐数据集中，不同帧的左心室区域在空间分布和尺寸大小上为对齐状态。
7、优选地，所述的s2中，针对射血分数预测任务，使用自适应尺度对齐机制的变体构建变体数据集。
8、其中，通过对原始数据集使用自适应尺度对齐的变体操作，将不同视频的左心室区域进行空间对齐，而不改变相同视频不同帧关键区域的相对尺寸大小，以得到变体数据集。
9、优选地，所述的s3中，使用所述插值对齐数据集重新对所述mbest-rough模型进行若干轮优化训练，以得到优化后的模型mbest。
10、进一步优选地，所述模型mbest预测所得到的分割掩码来自所述插值对齐数据集的，因此需要对最终的预测结果进行自适应尺度对齐机制的逆变换，以得到没有经过自适应尺度对齐机制前的准确分割结果。
11、优选地，所述的s4中，将变体数据集和翻转数据集同时作为模型的输入，采用r(2+1)d模型学习特征，再进行射血分数预测。
12、综上所述，与现有技术相比，本发明一种基于掩码自适应尺度对齐的心脏功能评估方法，具有以下有益效果：
13、(1)本发明能够在数据集视频少标注的情况下减少不同帧之间的分割误差，还可以减小数据有限的情况不同帧之间的分割差异，从而提高心脏功能评估的准确性；
14、(2)本发明能够提高各个帧的左心室分割的精度，在左心室分割时直接以视频为输入，无需改变模型架构，且能够提供较好的左心室实时引导和定位信息；
15、(3)本发明在执行射血分数预测任务时，能够提升了模型的泛化能力，实现更准确的预测和显著的性能提升。
1.一种基于掩码自适应尺度对齐的心脏功能评估方法，其特征在于，包含以下步骤：
2.如权利要求1所述的基于掩码自适应尺度对齐的心脏功能评估方法，其特征在于，所述的s1中，选用每个原始数据集中超声心动图视频内有标注的两帧图片与其对应的标注信息做交叉熵损失，并进行若干轮的训练，以得到一个mbest-rough模型；
3.如权利要求1所述的基于掩码自适应尺度对齐的心脏功能评估方法，其特征在于，所述的s2中，针对左心室分割任务，使用自适应尺度对齐机制构建插值对齐数据集；
4.如权利要求1所述的基于掩码自适应尺度对齐的心脏功能评估方法，其特征在于，所述的s2中，针对射血分数预测任务，使用自适应尺度对齐机制的变体构建变体数据集；
5.如权利要求1所述的基于掩码自适应尺度对齐的心脏功能评估方法，其特征在于，所述的s3中，使用所述插值对齐数据集重新对所述mbest-rough模型进行若干轮优化训练，以得到优化后的模型mbest。
6.如权利要求5所述的基于掩码自适应尺度对齐的心脏功能评估方法，其特征在于，所述模型mbest预测所得到的分割掩码来自所述插值对齐数据集的，因此需要对最终的预测结果进行自适应尺度对齐机制的逆变换，以得到没有经过自适应尺度对齐机制前的准确分割结果。
7.如权利要求1所述的基于掩码自适应尺度对齐的心脏功能评估方法，其特征在于，所述的s4中，将变体数据集和翻转数据集同时作为模型的输入，采用r(2+1)d模型学习特征，再进行射血分数预测。
