超声心动图能够直观显示和定量测量心脏解剖结构、功能及血流动力学方面的重要信息,从而反映心脏生理或病理状态下的构型特征,是心脏病诊断的主要医学影像手段。准确的参数测量是超声心动图诊断的重要环节,传统方式此过程需要医师多次手动选择相关切面及描记感兴趣区域,效率低、精度和可重复性差,无法完全满足实际应用的需求。针对上述问题,本文开展了超声心动图心脏参数自动测量方法的研究。由于左心室射血分数是评价心脏收缩功能的重要指标之一,其对于临床心力衰竭的诊断、药物与手术疗效的观察、病情及预后的判断都有重要意义,因此本文选择左心室射血分数为代表,研究心脏参数的自动测量方法。研究内容共分为以下三个步骤。首先,针对标准超声切面视频数据,研究了基于卷积神经网络的自动分类方法。该方法先将超声视频解析成静态图像,分别利用InceptionV3和ResNet50网络对八个超声静态切面进行分类,选取分类准确率更好的ResNet50作为分类用的标准网络;然后,利用超声视频数据帧间相关性,构造ResNet50+LSTM模型,提取二维图像序列的时序特征,实现超声切面视频数据的分类。测试结果显示,八个超声切面视频数据的平均准确率为0.9790,相对于超声静态图像ResNet50分类网络,准确率增加了5.82%,可满足临床切面分类精度的要求。在有效切面分类的基础上,提出基于全卷积神经网络的心尖四腔和心尖二腔视频左心室分割方法。本文选择VGG19FCN和U-Net网络,先用标记后的超声静态图像数据集对两个网络分别进行训练,依次得到分割基础模型VGG19FCN/A和U-Net/A;进一步提出半监督学习方法,通过标注超声视频第一帧图像,微调基础模型权重得到半自动的VGG19FCN/B和U-Net/B模型。应用上述模型对左心室分割效果进行了验证,基础模型的两种方案VGG19FCN/A和U-Net/A均可实现全自动左心室分割,达到临床应用的基本要求;半自动模型的两种方案VGG19FCN/B和U-Net/B需一定手动交互,分割准确率较前者有显著提高,在心内膜缺失情况下依然分割效果好。两种网络的对比结果显示,U-Net整体准确率略低于VGG19FCN,但其参数约为VGG19FCN的1/359,处理时间约为VGG19FCN的1/12.7,且左心室边缘分割结果更光滑。最后,对切面分割得到的左心室轮廓进行处理,并通过Simpson法计算出左心室射血分数。结果显示,和手动描记方法相比,基于VGG19FCN和U-Net方法计算的左心室射血分数的误差分别为6.29%和6.59%。综上所述,本文由超声视频图像序列输入开始,通过标准切面的自动分类、左心室自动分割以及参数自动计算,实现了左心室射血分数参数全自动测量,测量效率和测量准确性优于传统手动的方式,具有较高的临床应用价值。考虑到参数计算方法的相似性,本文方法可用于其他超声参数的自动测量中。