CN104794706A - 一种超声图像心肌检测和特征测量方法 - Google Patents
一种超声图像心肌检测和特征测量方法 Download PDFInfo
- Publication number
- CN104794706A CN104794706A CN201510158158.6A CN201510158158A CN104794706A CN 104794706 A CN104794706 A CN 104794706A CN 201510158158 A CN201510158158 A CN 201510158158A CN 104794706 A CN104794706 A CN 104794706A
- Authority
- CN
- China
- Prior art keywords
- left ventricle
- cardiac muscles
- gray
- cardiac
- cardiac muscle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开一种超声图像心肌检测和特征测量方法,包括以下步骤:对左心室超声二维灰度图像BUSI中的每个点用淘汰粒子群聚类算法进行分类,聚类数目为三类,分别表示背景类、组织类和心腔类,其中,聚类依据的每个点的属性值是图像的灰度值;根据淘汰粒子群聚类算法的分类结果,将心腔类区域的边界作为霍夫变换的候选点,对所确定的候选点进行椭圆曲线拟合;将椭圆曲线拟合的结果作为心肌内膜对应的曲线,根据心肌的厚度特性,将心肌内膜对应的曲线扩展,获得心肌外膜对应的曲线;将心肌内膜对应的曲线和心肌外膜对应的曲线之间的区域作为左心室的心肌轮廓区域。
Description
技术领域
本发明涉及计算机科学与技术领域,具体而言,涉及一种超声图像心肌检测和特征测量方法。
背景技术
在大多数发达国家和许多发展中国家中,心血管疾病是导致死亡的主要原因。而在我国,心血管疾病是首要死因,其中,急性心肌梗死(acutemyocardial infarction,AMI)的发病率和致死率持续上升,每年新增患者约100万例、死亡约50万例,AMI已造成我国医疗资源的巨大消耗,其院内治疗平均花费在内科住院原因中位居首位。因此,快速准确地发现、诊断早期病变对于构建和谐的医疗环境具有重要的意义。
心动超声检查以其无创、实时、价格低廉等特有的优势,是心血管疾病患者首选的检查方法,并且相比于心电图检查,超声可以快速鉴别多种心血管疾病并能快速测定心功能检查。但是,在鉴别左室壁运动异常时,超声医生常常依赖于自身经验进行诊断,很多年轻医生不能及时发现运动异常心肌,具有极大地主观性、且无客观地定量或定性标准。然而,左心室是心脏最重要的部分,它在形态上和运动状态上表现出的异常,却是临床作为判断心脏病变的重要依据。因此,如何利用超声心动图检查进行准确地定量、定性分析左室变化,是医学研究的热点。
对心脏左室变化的定量、定性分析的基础是要确定左室心肌在不同时期的轮廓,目前,在临床诊断中,对超声图像进行分割基本是靠人工完成,费时费力、工作量大,现有超声仪器一般只能完成一些简单的边缘检测工作,并且不是每次都达到预期效果,常需要进行多次尝试,对于心室完整边缘检测仍存在很大困难。
现有的技术有的受到噪声的影响,心肌分割检测的边界不够连续和光滑;有的心肌区域被分割成几个不连续的区域;有的虽然去除噪声的影响,但分割结果不够精确,把不是心肌的区域也包括进来。超声图像中左心室心外膜灰度不均匀、边缘信息较弱以及轮廓不连续等,给心外膜的自动分割造成较大困难。
发明内容
本发明提供一种超声图像心肌检测和特征测量方法,用以实现心肌区域的精确分割。
为达到上述目的,本发明提供了一种超声图像心肌检测和特征测量方法,包括以下步骤:
对左心室超声二维灰度图像BUSI中的每个点用淘汰粒子群聚类算法进行分类,聚类数目为三类,分别表示背景类、组织类和心腔类,其中,聚类依据的每个点的属性值是图像的灰度值;
根据淘汰粒子群聚类算法的分类结果,将心腔类区域的边界作为霍夫变换的候选点,对所确定的候选点进行椭圆曲线拟合;
将椭圆曲线拟合的结果作为心肌内膜对应的曲线,根据心肌的厚度特性,将心肌内膜对应的曲线扩展,获得心肌外膜对应的曲线;
将心肌内膜对应的曲线和心肌外膜对应的曲线之间的区域作为左心室的心肌轮廓区域。
进一步地,上述超声图像心肌检测和特征测量方法还包括以下步骤:
将左心室超声二维灰度图像BUSI中的左心室的心肌轮廓区域赋值为白色,其余区域赋值为黑色,并将赋值后的图像作为输出图像BUSIseg。
进一步地,上述超声图像心肌检测和特征测量方法还包括以下步骤:
将左心室的心肌轮廓区域均匀分成6个节段,计算各个节段的灰度均值和方差、以及计算心肌灰度值和心腔灰度值的比率,并根据特征值来用不同的颜色来标识。
本发明将淘汰粒子群理论和霍夫变换算法相结合来解决心肌分割和定位,淘汰粒子群聚类结果为椭圆曲线拟合算法提供候选曲线,椭圆曲线拟合算法在聚类结果图像上进行拟合,获得精确分割结果,对分割后的图像进行二值化处理,得到左心室心肌黑白二值图像,并利用心肌分区特征值和心肌特征值颜色灌注,使超声心动图自动定量、定性地分析左室变化、早期诊断冠心病成为可能,将极大减少对超声医生经验的依赖,结果准确可靠,从而减轻患者经济负担、减少医患纠纷,从而更好地构建和谐医疗关系。
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,下面将对实施例或现有技术描述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为本发明一个实施例的超声图像心肌检测和特征测量方法流程图。
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付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。
图1为本发明一个实施例的超声图像心肌检测和特征测量方法流程图。如图所示,该方法包括以下步骤:
S101,输入左心室超声二维灰度图像BUSI;
S102,对左心室超声二维灰度图像BUSI中的每个点用淘汰粒子群聚类算法进行分类;
S103,聚类数目为三类,分别表示背景类、组织类和心腔类,其中,聚类依据的每个点的属性值是图像的灰度值;
S104,根据淘汰粒子群聚类算法的分类结果,将心腔类区域的边界作为霍夫变换的候选点;
S105,对所确定的候选点进行椭圆曲线拟合;
S106,将椭圆曲线拟合的结果作为心肌内膜对应的曲线,根据心肌的厚度特性,将心肌内膜对应的曲线扩展,获得心肌外膜对应的曲线,将心肌内膜对应的曲线和心肌外膜对应的曲线之间的区域作为左心室的心肌轮廓区域。
进一步地,为便于用户查看心肌检测结果,上述超声图像心肌检测和特征测量方法还包括以下步骤:
S107,将左心室超声二维灰度图像BUSI中的左心室的心肌轮廓区域赋值为白色,其余区域赋值为黑色,并将赋值后的图像作为输出图像BUSIseg。
进一步地,上述超声图像心肌检测和特征测量方法还包括以下步骤:
S108,将左心室的心肌轮廓区域均匀分成6个节段;
S109,计算各个节段的灰度均值和方差、以及计算心肌灰度值和心腔灰度值的比率;
S110,根据步骤S109中计算得到的特征值来用不同的颜色来标识。
上述实施例将左心室超声二维灰度图像作为输入,采用淘汰例子群理论来分割超声图像,完成左心室候选区域的分割,然后将分割出的心室候选区域的边界作为初始曲线,根据左心室类似椭圆的特性,利用霍夫变换算法的椭圆曲线拟合方法进行精细分割,从而使分割结果既去除噪声的影响,又保持了心肌形状的精确和完整。
经过多次试验,我们使用淘汰粒子群理论和霍夫变换算法的曲线拟合理论进行心肌分割,分割结果精确、边界光滑连续,实现了自动分割。与同类型的算法相比,本发明分割结果优异,不仅可不受超声图像上的斑点噪声影响而将心肌精确地分割出来,而且保持了心肌边界的平滑和完整。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (3)
1.一种超声图像心肌检测和特征测量方法,其特征在于,包括以下步骤:
对左心室超声二维灰度图像BUSI中的每个点用淘汰粒子群聚类算法进行分类,聚类数目为三类,分别表示背景类、组织类和心腔类,其中,聚类依据的每个点的属性值是图像的灰度值;
根据淘汰粒子群聚类算法的分类结果,将心腔类区域的边界作为霍夫变换的候选点,对所确定的候选点进行椭圆曲线拟合;
将椭圆曲线拟合的结果作为心肌内膜对应的曲线,根据心肌的厚度特性,将心肌内膜对应的曲线扩展,获得心肌外膜对应的曲线;
将心肌内膜对应的曲线和心肌外膜对应的曲线之间的区域作为左心室的心肌轮廓区域。
2.根据权利要求1所述的超声图像心肌检测和特征测量方法,其特征在于,还包括以下步骤:
将左心室超声二维灰度图像BUSI中的左心室的心肌轮廓区域赋值为白色,其余区域赋值为黑色,并将赋值后的图像作为输出图像BUSIseg。
3.根据权利要求1所述的超声图像心肌检测和特征测量方法,其特征在于,还包括以下步骤:
将左心室的心肌轮廓区域均匀分成6个节段,计算各个节段的灰度均值和方差、以及计算心肌灰度值和心腔灰度值的比率,并根据特征值来用不同的颜色来标识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510158158.6A CN104794706A (zh) | 2015-04-03 | 2015-04-03 | 一种超声图像心肌检测和特征测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510158158.6A CN104794706A (zh) | 2015-04-03 | 2015-04-03 | 一种超声图像心肌检测和特征测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104794706A true CN104794706A (zh) | 2015-07-22 |
Family
ID=53559486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510158158.6A Pending CN104794706A (zh) | 2015-04-03 | 2015-04-03 | 一种超声图像心肌检测和特征测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104794706A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111012377A (zh) * | 2019-12-06 | 2020-04-17 | 北京安德医智科技有限公司 | 超声心动图心脏参数计算以及心肌应变测量方法、装置 |
CN112215839A (zh) * | 2020-10-27 | 2021-01-12 | 大连东软教育科技集团有限公司 | 一种超声心动图左心室壁六段分割方法、系统及存储介质 |
CN112932535A (zh) * | 2021-02-01 | 2021-06-11 | 杜国庆 | 一种医学图像分割及检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1561180A (zh) * | 2001-10-04 | 2005-01-05 | 西门子共同研究公司 | 分割心脏磁共振图像中左心室的系统和方法 |
CN1913832A (zh) * | 2004-01-26 | 2007-02-14 | 皇家飞利浦电子股份有限公司 | 用于显示心肌灌注的图像分割 |
CN101084528A (zh) * | 2004-12-20 | 2007-12-05 | 皇家飞利浦电子股份有限公司 | 用于集成可移动人体的医疗诊断信息和几何模型的方法、系统和计算机程序 |
CN101111865A (zh) * | 2005-02-02 | 2008-01-23 | 美国西门子医疗解决公司 | 用于在心脏图像中分割左心室的系统和方法 |
CN101443812A (zh) * | 2006-05-04 | 2009-05-27 | 西门子公司 | 确定和显示至少一个关于靶区的信息的方法 |
-
2015
- 2015-04-03 CN CN201510158158.6A patent/CN104794706A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1561180A (zh) * | 2001-10-04 | 2005-01-05 | 西门子共同研究公司 | 分割心脏磁共振图像中左心室的系统和方法 |
CN1913832A (zh) * | 2004-01-26 | 2007-02-14 | 皇家飞利浦电子股份有限公司 | 用于显示心肌灌注的图像分割 |
CN101084528A (zh) * | 2004-12-20 | 2007-12-05 | 皇家飞利浦电子股份有限公司 | 用于集成可移动人体的医疗诊断信息和几何模型的方法、系统和计算机程序 |
CN101111865A (zh) * | 2005-02-02 | 2008-01-23 | 美国西门子医疗解决公司 | 用于在心脏图像中分割左心室的系统和方法 |
CN101443812A (zh) * | 2006-05-04 | 2009-05-27 | 西门子公司 | 确定和显示至少一个关于靶区的信息的方法 |
Non-Patent Citations (4)
Title |
---|
EBERHART RC等: "Particle swarm optimization: developments,applications and resources", 《PROCEEDINGS OF THE 2001 CONGRESS ON EVOLUTIONARY COMPUTATION》 * |
GUO YH等: "New neutrosophic approach to image Segmentation", 《PATTERN RECOGNITION》 * |
杜国庆等: "一种基于淘汰粒子群优化聚类算法的心肌超声造影分析系统", 《中国组织工程研究与临床康复》 * |
杜国庆等: "计算机辅助心肌超声造影定量评价心肌灌注的实验研究", 《中华超声影像学杂志》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111012377A (zh) * | 2019-12-06 | 2020-04-17 | 北京安德医智科技有限公司 | 超声心动图心脏参数计算以及心肌应变测量方法、装置 |
CN111012377B (zh) * | 2019-12-06 | 2020-11-03 | 北京安德医智科技有限公司 | 超声心动图心脏参数计算以及心肌应变测量方法、装置 |
CN112215839A (zh) * | 2020-10-27 | 2021-01-12 | 大连东软教育科技集团有限公司 | 一种超声心动图左心室壁六段分割方法、系统及存储介质 |
CN112215839B (zh) * | 2020-10-27 | 2024-04-19 | 东软教育科技集团有限公司 | 一种超声心动图左心室壁六段分割方法、系统及存储介质 |
CN112932535A (zh) * | 2021-02-01 | 2021-06-11 | 杜国庆 | 一种医学图像分割及检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Amin et al. | A method for the detection and classification of diabetic retinopathy using structural predictors of bright lesions | |
Neto et al. | An unsupervised coarse-to-fine algorithm for blood vessel segmentation in fundus images | |
Coan et al. | Automatic detection of glaucoma via fundus imaging and artificial intelligence: A review | |
Agarwal et al. | A novel approach to detect glaucoma in retinal fundus images using cup-disk and rim-disk ratio | |
CN111009324B (zh) | 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 | |
CN109635846A (zh) | 一种多类医学图像判断方法和系统 | |
Wong et al. | Intelligent fusion of cup-to-disc ratio determination methods for glaucoma detection in ARGALI | |
Jordan et al. | A review of feature-based retinal image analysis | |
Roshini et al. | Automatic diagnosis of diabetic retinopathy with the aid of adaptive average filtering with optimized deep convolutional neural network | |
Zang et al. | A diabetic retinopathy classification framework based on deep-learning analysis of OCT angiography | |
Yousefi et al. | Recognizing patterns of visual field loss using unsupervised machine learning | |
Delgado-Font et al. | Diagnosis support of sickle cell anemia by classifying red blood cell shape in peripheral blood images | |
Chitradevi et al. | Diagnosis of Alzheimer disease in MR brain images using optimization techniques | |
CN104794706A (zh) | 一种超声图像心肌检测和特征测量方法 | |
Al Jannat et al. | Detection of multiple sclerosis using deep learning | |
David | Enhanced glaucoma detection using ensemble based CNN and spatially based ellipse fitting curve model | |
Mohanarathinam et al. | Diabetic Retinopathy Detection and Classification using Hybrid Multiclass SVM classifier and Deeplearning techniques | |
Lin et al. | Echocardiography-based AI detection of regional wall motion abnormalities and quantification of cardiac function in myocardial infarction | |
CN114305387A (zh) | 基于磁共振成像的脑小血管病变图像分类方法、设备及介质 | |
Chak et al. | Neural network and svm based kidney stone based medical image classification | |
Zamzmi et al. | Evaluation of an artificial intelligence-based system for echocardiographic estimation of right atrial pressure | |
Fan et al. | Detecting Glaucoma in the Ocular Hypertension Treatment Study using deep learning: implications for clinical trial endpoints | |
Pradhan | A Novel Threshold based Method for Vessel Intensity Detection and Extraction from Retinal Images | |
Umadevi et al. | Diagnosis of Diabetes from Tongue Image Using Versatile Tooth-Marked Region Classification | |
Dada et al. | Unsupervised retinal blood vessel segmentation technique using pdapso and difference image methods for detection of diabetic retinopathy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150722 |