CN108109151A - 一种基于深度学习和形变模型的超声心动图心室分割方法和装置 - Google Patents

一种基于深度学习和形变模型的超声心动图心室分割方法和装置 Download PDF

Info

Publication number
CN108109151A
CN108109151A CN201711377852.2A CN201711377852A CN108109151A CN 108109151 A CN108109151 A CN 108109151A CN 201711377852 A CN201711377852 A CN 201711377852A CN 108109151 A CN108109151 A CN 108109151A
Authority
CN
China
Prior art keywords
segmentation
model
ventricular
echocardiogram
training
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.)
Granted
Application number
CN201711377852.2A
Other languages
English (en)
Other versions
CN108109151B (zh
Inventor
王宽全
董素宇
骆功宁
袁永峰
张恒贵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201711377852.2A priority Critical patent/CN108109151B/zh
Publication of CN108109151A publication Critical patent/CN108109151A/zh
Application granted granted Critical
Publication of CN108109151B publication Critical patent/CN108109151B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度学习和形变模型的超声心动图心室分割方法和装置，是为了解决现有的人工标定边界的方式通常耗费大量的人力、物力，而且不同人标定的结果具有一定的差异性，导致对心室相关指标计算产生很大的负面影响的缺点而提出的，包括：使用人工标注过的训练数据对心室粗分割模型进行训练，得到粗分割训练结果；计算粗分割训练结果在每一个截面的中心点，根据所有中心点拟合出一条直线，并计算所有中心点在垂直于所述直线的方向到粗分割训练结果的外边缘的距离的平均值作为半径；根据计算得到的中心点和半径进行重采样，基于采样结果重构三维初始化模型；采用形变模型对心室粗分割结果进行精细分割。本发明适用于心室图像处理。

Description

一种基于深度学习和形变模型的超声心动图心室分割方法和 装置
技术领域
本发明涉及医学图像处理领域，具体涉及一种基于深度学习和形变模型的超声心动图心室分割方法和装置。
背景技术
医学图像分割，作为医学图像处理领域中的一个重要领域，是计算机辅助诊断和治疗的基础，致力于高效而准确地分割出医学图像中的感兴趣器官。现阶段，在心室分割领域主要依赖于人工标定心室的边界，进而基于标定的结果进行心室相关指标的计算：左右心室的体积、质量、收缩末期血容量、舒张末期血容量以及射血分数。然而，这样的人工标定边界的方式通常耗费大量的人力、物力，而且不同人标定的结果具有一定的差异性，这会对心室相关指标计算产生很大的负面影响。
发明内容
本发明的目的是为了解决现有的人工标定边界的方式通常耗费大量的人力、物力，而且不同人标定的结果具有一定的差异性，导致对心室相关指标计算产生很大的负面影响的缺点，而提出一种基于深度学习和形变模型的超声心动图心室割方法，包括：
步骤一、获取超心动图数据。
步骤二、在所述超心动图数据中，人工标记心室内膜。
步骤三、对标记了心室内膜的图像进行预处理，作为训练数据。
步骤四、使用所述训练数据对心室粗分割模型进行训练，得到粗分割训练结果。
步骤五、计算粗分割训练结果在每一个截面的中心点，根据所有中心点拟合出一条直线，并计算所有中心点在垂直于所述直线的方向到粗分割训练结果的外边缘的距离的平均值作为半径。
步骤六、根据计算得到的中心点和半径进行重采样，基于采样结果重构三维初始化模型。
步骤七、基于重构的三维初始化模型，采用形变模型对心室粗分割结果进行精细分割。
步骤八、使用训练后的粗分割模型以及精细分割模型进行心室内膜分割。
本发明还通过一种基于深度学习和形变模型的超声心动图心室分割装置，包括：
图像获取模块，用于获取已进行人工标记的心室内膜。
预处理模块，用于对标记了心室内膜的图像进行预处理，作为训练数据。
粗分割训练模块，用于使用所述训练数据对心室粗分割模型进行训练，得到粗分割训练结果。
参数计算模块，用于步骤五、计算粗分割训练结果在每一个截面的中心点，根据所有中心点拟合出一条直线，并计算所有中心点在垂直于所述直线的方向到粗分割训练结果的外边缘的距离的平均值作为半径。
重采样模块，用于根据计算得到的中心点和半径进行重采样，基于采样结果重构三维初始化模型。
精细分割模块，用于基于重构的三维初始化模型采用形变模型对心室粗分割结果进行精细分割。
实测模块，用于使用训练后的粗分割模型以及精细分割模型进行心室内膜分割。
本发明的有益效果为：(1)能够全自动、准确地分割超声心动图中心室，节约了临床医生的工作时间，并且本发明还能拓展到其他模态数据(MRI、CT)的心室分割任务中；
(2)本发明的具体效果可以参照具体实施方式一中的表1。表1中的数据表示各种方法应用于各种情况时，与真实分割结果的差别大小，数值越小则表示与真实情况差别越小，也表明效果越好。表格中加粗的数据部分是在所有数据中表现最好的。从表中可以看出，本发明在全部9项数据中有7项是优于目前现有技术中的最优效果的。
附图说明
图1超声心动图方法流程图；
图2超声心动图心室短轴切向基底部位图像；
图3超声心动图心室短轴切向中部图像；
图4超声心动图心室短轴切向心尖部图像；
图5超声心动图心室长轴“四腔心”切片图像；
图6超声心动图心室长轴“二腔心”切片图像；
图7三维超声心动图；
图8超声心动图心室分割方法一个实施例的流程图；
图9超声心动图心室分割方法一个实施例的示意图；
图10为图9中中心点确定过程的局部放大图；
图11为图9中拟合过程的局部放大图；
图12为图9中重采样过程的局部放大图。
具体实施方式
具体实施方式一：本实施方式的基于深度学习和形变模型的超声心动图心室分割方法，如图1所示，包括如下步骤：
步骤一、获取超心动图数据。
步骤二、在所述超心动图数据中，人工标记心室内膜。
步骤三、对标记了心室内膜的图像进行预处理，作为训练数据。
步骤四、使用所述训练数据对心室粗分割模型进行训练，得到粗分割训练结果。
步骤五、计算粗分割训练结果在每一个截面的中心点，根据所有中心点拟合出一条直线，并计算所有中心点在垂直于所述直线的方向到粗分割训练结果的外边缘的距离的平均值作为半径。
步骤六、根据计算得到的中心点和半径进行重采样，基于采样结果重构三维初始化模型。
步骤七、基于重构的三维初始化模型，采用形变模型对心室粗分割结果进行精细分割。
步骤八、使用训练后的粗分割模型以及精细分割模型进行心室内膜分割。
下面具体说明本发明的实施方式：
1、临床获取超声心动图数据
图2是超声心动图心室短轴切向基底部位图像，图3是超声心动图心室短轴切向中部图像，图4是超声心动图心室短轴切向心尖图像，图5是超声心动图长轴“四腔心”切片图像，图6是超声心动图长轴“二腔心”切片图像，图7是三维超声心动图。按照图2、 3、4、5、6或7所示，从临床上采集每个被测人员的二维数据或是三维数据超声心动图数据。为了训练出更准确的粗分割模型，被测人员的样例的数量尽量保证在500以上。采用不同切向的数据作为输入提供被测人员的心脏信息，从而实现后续更加完整的特征表示和准确的模型训练。
2、人工标记心室内膜
组织专家对临床获取的超声心动图的心室部分进行人工分割，并按照临床上通用的金标准对心室功能指标进行计算。具体的功能指标包括：左右心室的体积、质量(质量可以通过体积计算)、收缩末期血容量、舒张末期血容量以及射血分数(射血分数可以通过收缩末期血容量和舒张末期血容量计算)。
3、对图像进行预处理
我们可以选择图像的任意时刻的不同切向进行数据的预处理，将处理后的图像做深度学习网络的输入。图像的预处理主要是对数据集进行扩增：(1)对图像旋转，通用的图像旋转方法都可以应用于超声心动图。(2)对图像进行多尺度的滤波(如拉普拉斯滤波、Gabor滤波等)从而实现对图像中包含的信息的多角度的表达，最大限度地挖掘图像的固有特征，为后续深度学习网络的特征提炼打基础。(3)对图像进行多尺度的缩放模拟不同尺度心脏，获取不同尺度心脏信息，提升深度学习网络的特征提取能力。
4、采用深度学习的方法训练心室分割模型
如下图8所示，在上述步骤的基础上，将处理后的不同切向图片以及对应的人工标定的内膜边界作为深度学习网络的输入进行深度学习网络训练，训练的网络可以采用如全卷积网络(建议5层以上)或全连接网络(建议5层以上)。拟采用的方法是十层全卷积神经网络，采用反向传播算法进行模型的求解，训练出能够同时分割两心室内膜的模型。并且，在卷积网络学习的过程中，采用三折交叉验证的训练模式来增强分割模型的鲁棒性。并且在深度卷积网络的学习过程中采用有监督模型预训练的参数进行深度学习模型的初始化，模型的预训练拟在大规模自然场景图象的分割数据集上进行。经过深度学习网络的模型训练之后，训练得到的模型具有很好的分割能力。
5、自动初始化
经过第4步之后，我们得到了用于对超声心动图中心室进行粗分割的深度学习模型。被训练好模型可以直接用于全自动的心室内膜分割任务。如下图9所示，本环节将基于第 4步的粗分割结果，调整每个个体的粗分割结果的中心点位置和半径大小，然后采用重采样技术获取一些调整后的结果，基于调整后的结果采用三维重建的方法进行初始化模型的构建，整个过程将是自动化实现。
为了进一步地说明本步骤的具体过程，结合图10至图12做具体说明。图10至图12是图9中中心点确定、半径确定的具体过程。
图10中，可以看出存在一条浅色的竖直方向的直线，以及在直线周围的深色曲线，曲线是由每一个截面的中心点(几何中心点)相连而形成的，直线表示粗分割模型的长轴方向。由此可见，每个截面的中心点确定的曲线在长轴方向可能是不对齐的。
图11中，对图10中的曲线进行了拟合，其中竖线表示对曲线拟合后得到的直线，横线是直线的垂线。图中直线上的点沿着垂线方向到粗分割模型边缘的距离即为此截面上的半径，将所有半径取平均即得到重构所需要的半径值。
图12中，使用图11中得到的直线和半径值，每隔一定的距离进行等间距采样进行重构，即可得到重构后的三维初始化模型。
6、采用形变模型对心室粗分割结果进行精细分割；
经过第5步之后，我们得到了用于形变模型初始化的模型，本环节将基于第5步的重建结果，进行进一步的精细分割。将重建后的结果作为形变模型的输入，采用形变模型对其进行再次分割，形变模型可以采用：(1)snake模型及其相关的改进模型；(2)水平集模型及其相关的改进模型。拟采用GVF snake模型进行精细分割，采用梯度下降方法进行模型的求解，训练出能够同时分割两心室内膜的模型。经过训练得到精细分割形变模型，能够进一步提升粗分割的分割结果的准确性。
7、心室分割
经过前6步之后，我们得到了用于心室粗分割的深度学习模型和用于心室精细分割的形变模型。这些被训练好模型可以直接用于全自动的心室内膜分割任务。具体操作为：将一组新的超声心动图作为输入，经过数据预处理算法的旋转、滤波以及缩放、深度学习模型的粗分割和形变模型的精细分割步骤，从而实现了全自动的心室分割任务。
本实施方式一个具体实施例的效果如下表所示：
表1：
其中，EDV表示左心室舒张末期容量，ESV为左心室收缩末期容量，EF为左心室射血分数；表格中的[26]是指作者BARBOSA发表的论文中使用的方法，[29]是作者 MILLETARI在发表的论文中使用的方法，[30]是作者VAN STRALEN在发表的论文中使用的方法，[50]是作者SMISTAD在发表的论文中使用的方法，[51]是作者KERAUDREN 在发表的论文中使用的方法。表格中的数据表示各种方法应用于各种情况时，与真实分割结果的差别大小，数值越小则表示与真实情况差别越小，也表明效果越好。表格中加粗的数据部分是在所有数据中表现最好的。从表中可以看出，本发明在大部分情况下的表现是优于其他模型的。
具体实施方式二：本实施方式与具体实施方式一不同的是：超心动图数据为通过超声设备获取二维的、多个相位多个方向的超声心动图切片数据或三维的超声心动图数据。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：步骤三具体包括：
对标记了心室内膜的图像进行旋转、多尺度和多种类的滤波操作，以及多尺度的缩放，将上述处理的结果作为训练数据。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：步骤四中，所述心室粗分割模型为基于深度学习的卷积网络。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：步骤七中，形变模型为snake模型、snake模型的相关改进模型、水平集模型或水平集模型的相关改进模型。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式提供一种基于深度学习和形变模型的超声心动图心室分割装置，包括：
图像获取模块，用于获取已进行人工标记的心室内膜。
预处理模块，用于对标记了心室内膜的图像进行预处理，作为训练数据。
粗分割训练模块，用于使用所述训练数据对心室粗分割模型进行训练，得到粗分割训练结果。
参数计算模块，用于步骤五、计算粗分割训练结果在每一个截面的中心点，根据所有中心点拟合出一条直线，并计算所有中心点在垂直于所述直线的方向到粗分割训练结果的外边缘的距离的平均值作为半径。
重采样模块，用于根据计算得到的中心点和半径进行重采样，基于采样结果重构三维初始化模型。
精细分割模块，用于基于重构的三维初始化模型采用形变模型对心室粗分割结果进行精细分割。
实测模块，用于使用训练后的粗分割模型以及精细分割模型进行心室内膜分割。
本实施方式是具体实施方式一对应的软件装置，原理与具体实施方式一相同，此处不再详述。
具体实施方式七：本实施方式与具体实施方式六不同的是：超心动图数据为通过超声设备获取二维的、多个相位多个方向的超声心动图切片数据或三维的超声心动图数据。
其它步骤及参数与具体实施方式六相同。
具体实施方式八：本实施方式与具体实施方式六或七不同的是：预处理模块具体包括：
旋转变换单元，用于对标记了心室内膜的图像进行旋转操作；
滤波单元，用于对标记了心室内膜的图像进行多尺度和多种类的滤波操作；
缩放变换单元，用于对标记了心室内膜的图像进行多尺度的缩放；
训练数据输出单元，用于将所述旋转变换单元、滤波单元、缩放变换单元的处理结果作为训练数据输出至粗分割训练模块。
本实施方式是具体实施方式三对应的软件装置，原理与具体实施方式三相同，此处不再详述。
其它步骤及参数与具体实施方式六或七相同。
具体实施方式九：本实施方式与具体实施方式六至八之一不同的是：粗分割训练模块中，心室粗分割模型为基于深度学习的卷积网络。
其它步骤及参数与具体实施方式六至八之一相同。
具体实施方式十：本实施方式与具体实施方式六至九之一不同的是：精细分割模块中，形变模型为snake模型、snake模型的相关改进模型、水平集模型或水平集模型的相关改进模型。
其它步骤及参数与具体实施方式六至九之一相同。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种基于深度学习和形变模型的超声心动图心室分割方法，其特征在于，包括如下步骤：
步骤一、获取超心动图数据；
步骤二、在所述超心动图数据中，人工标记心室内膜；
步骤三、对标记了心室内膜的图像进行预处理，作为训练数据；
步骤四、使用所述训练数据对心室粗分割模型进行训练，得到粗分割训练结果；
步骤五、计算粗分割训练结果在每一个截面的中心点，根据所有中心点拟合出一条直线，并计算所有中心点在垂直于所述直线的方向到粗分割训练结果的外边缘的距离的平均值作为半径；
步骤六、根据计算得到的中心点和半径进行重采样，基于采样结果重构三维初始化模型；
步骤七、基于重构的三维初始化模型，采用形变模型对心室粗分割结果进行精细分割；
步骤八、使用训练后的粗分割模型以及精细分割模型进行心室内膜分割。
2.根据权利要求1所述的基于深度学习和形变模型的超声心动图心室分割方法，其特征在于，所述超心动图数据为通过超声设备获取二维的、多个相位多个方向的超声心动图切片数据或三维的超声心动图数据。
3.根据权利要求1所述的基于深度学习和形变模型的超声心动图心室分割方法，其特征在于，步骤三具体包括：
对标记了心室内膜的图像进行旋转、多尺度和多种类的滤波操作，以及多尺度的缩放，将上述处理的结果作为训练数据。
4.根据权利要求1所述的基于深度学习和形变模型的超声心动图心室分割方法，其特征在于，步骤四中，所述心室粗分割模型为基于深度学习的卷积网络。
5.根据权利要求1所述的基于深度学习和形变模型的超声心动图心室分割方法，其特征在于，步骤七中，形变模型为snake模型、snake模型的相关改进模型、水平集模型或水平集模型的相关改进模型。
6.一种基于深度学习和形变模型的超声心动图心室分割装置，其特征在于，包括：
图像获取模块，用于获取已进行人工标记的心室内膜；
预处理模块，用于对标记了心室内膜的图像进行预处理，作为训练数据；
粗分割训练模块，用于使用所述训练数据对心室粗分割模型进行训练，得到粗分割训练结果；
参数计算模块，用于计算粗分割训练结果在每一个截面的中心点，根据所有中心点拟合出一条直线，并计算所有中心点在垂直于所述直线的方向到粗分割训练结果的外边缘的距离的平均值作为半径；
重采样模块，用于根据计算得到的中心点和半径进行重采样，基于采样结果重构三维初始化模型；
精细分割模块，用于基于重构的三维初始化模型采用形变模型对心室粗分割结果进行精细分割；
实测模块，用于使用训练后的粗分割模型以及精细分割模型进行心室内膜分割。
7.根据权利要求1所述的基于深度学习和形变模型的超声心动图心室分割装置，其特征在于，所述超心动图数据为通过超声设备获取二维的、多个相位多个方向的超声心动图切片数据或三维的超声心动图数据。
8.根据权利要求1所述的基于深度学习和形变模型的超声心动图心室分割装置，其特征在于，预处理模块具体包括：
旋转变换单元，用于对标记了心室内膜的图像进行旋转操作；
滤波单元，用于对标记了心室内膜的图像进行多尺度和多种类的滤波操作；
缩放变换单元，用于对标记了心室内膜的图像进行多尺度的缩放；
训练数据输出单元，用于将所述旋转变换单元、滤波单元、缩放变换单元的处理结果作为训练数据输出至粗分割训练模块。
9.根据权利要求1所述的基于深度学习和形变模型的超声心动图心室分割装置，其特征在于，粗分割训练模块中，心室粗分割模型为基于深度学习的卷积网络。
10.根据权利要求1所述的基于深度学习和形变模型的超声心动图心室分割装置，其特征在于，
精细分割模块中，形变模型为snake模型、snake模型的相关改进模型、水平集模型或水平集模型的相关改进模型。
CN201711377852.2A 2017-12-19 2017-12-19 基于深度学习和形变模型超声心动图心室分割方法及装置 Active CN108109151B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711377852.2A CN108109151B (zh) 2017-12-19 2017-12-19 基于深度学习和形变模型超声心动图心室分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711377852.2A CN108109151B (zh) 2017-12-19 2017-12-19 基于深度学习和形变模型超声心动图心室分割方法及装置

Publications (2)

Publication Number Publication Date
CN108109151A true CN108109151A (zh) 2018-06-01
CN108109151B CN108109151B (zh) 2021-05-28

Family

ID=62210270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711377852.2A Active CN108109151B (zh) 2017-12-19 2017-12-19 基于深度学习和形变模型超声心动图心室分割方法及装置

Country Status (1)

Country Link
CN (1) CN108109151B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898606A (zh) * 2018-06-20 2018-11-27 中南民族大学 医学图像的自动分割方法、系统、设备及存储介质
CN109102509A (zh) * 2018-07-03 2018-12-28 深圳先进技术研究院 分割模型训练方法、装置及计算机可读存储介质
CN109345545A (zh) * 2018-09-26 2019-02-15 广东毅达医疗科技股份有限公司 一种分割图像生成的方法、装置及计算机可读存储介质
CN110974305A (zh) * 2019-12-13 2020-04-10 山东大学齐鲁医院 基于深度学习的远程心脏超声三维成像系统及方法
CN112308077A (zh) * 2020-11-02 2021-02-02 中科麦迪人工智能研究院(苏州)有限公司 样本数据获取方法、图像分割方法、装置、设备和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509292A (zh) * 2011-11-03 2012-06-20 北京理工大学 一种心脏核磁共振图像的快速分割方法
CN103886603A (zh) * 2014-03-31 2014-06-25 西北工业大学 一种左心室核磁共振图像分割及三维重构的方法
US20150379724A1 (en) * 2014-06-26 2015-12-31 The Governors Of The University Of Alberta Cardiac segmentation with point correspondence
US20160063726A1 (en) * 2014-08-28 2016-03-03 Koninklijke Philips N.V. Model-based segmentation of an anatomical structure
CN106096632A (zh) * 2016-06-02 2016-11-09 哈尔滨工业大学 基于深度学习和mri图像的心室功能指标预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509292A (zh) * 2011-11-03 2012-06-20 北京理工大学 一种心脏核磁共振图像的快速分割方法
CN103886603A (zh) * 2014-03-31 2014-06-25 西北工业大学 一种左心室核磁共振图像分割及三维重构的方法
US20150379724A1 (en) * 2014-06-26 2015-12-31 The Governors Of The University Of Alberta Cardiac segmentation with point correspondence
US20160063726A1 (en) * 2014-08-28 2016-03-03 Koninklijke Philips N.V. Model-based segmentation of an anatomical structure
CN106096632A (zh) * 2016-06-02 2016-11-09 哈尔滨工业大学 基于深度学习和mri图像的心室功能指标预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
喻罡等: "多分辨超声心动图像分割模型", 《西安交通大学学报》 *
张弸等: "一种新的超声波心动图像分割算法", 《成都信息工程学院学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898606A (zh) * 2018-06-20 2018-11-27 中南民族大学 医学图像的自动分割方法、系统、设备及存储介质
CN108898606B (zh) * 2018-06-20 2021-06-15 中南民族大学 医学图像的自动分割方法、系统、设备及存储介质
CN109102509A (zh) * 2018-07-03 2018-12-28 深圳先进技术研究院 分割模型训练方法、装置及计算机可读存储介质
WO2020007026A1 (zh) * 2018-07-03 2020-01-09 深圳先进技术研究院 分割模型训练方法、装置及计算机可读存储介质
CN109345545A (zh) * 2018-09-26 2019-02-15 广东毅达医疗科技股份有限公司 一种分割图像生成的方法、装置及计算机可读存储介质
CN110974305A (zh) * 2019-12-13 2020-04-10 山东大学齐鲁医院 基于深度学习的远程心脏超声三维成像系统及方法
CN110974305B (zh) * 2019-12-13 2021-04-27 山东大学齐鲁医院 基于深度学习的远程心脏超声三维成像系统及方法
CN112308077A (zh) * 2020-11-02 2021-02-02 中科麦迪人工智能研究院(苏州)有限公司 样本数据获取方法、图像分割方法、装置、设备和介质

Also Published As

Publication number Publication date
CN108109151B (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN108109151A (zh) 一种基于深度学习和形变模型的超声心动图心室分割方法和装置
CN107590809A (zh) 肺分割方法及医学成像系统
JP5926728B2 (ja) 内科医が直接用いるのに適応したビジュアライゼーション
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
CN107730497A (zh) 一种基于深度迁移学习的血管内斑块属性分析方法
CN109978778A (zh) 基于残差学习的卷积神经网络医学ct图像去噪方法
CN107203989A (zh) 基于全卷积神经网络的端对端胸部ct图像分割方法
CN106096632A (zh) 基于深度学习和mri图像的心室功能指标预测方法
CN108052977A (zh) 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法
CN106204587A (zh) 基于深度卷积神经网络和区域竞争模型的多器官分割方法
CN108257134A (zh) 基于深度学习的鼻咽癌病灶自动分割方法和系统
CN106447645A (zh) 增强ct图像中冠脉钙化检测及量化装置和方法
CN106373168A (zh) 一种基于医疗图像的分割与三维重建方法、3d打印系统
CN110464380A (zh) 一种对中晚孕期胎儿的超声切面图像进行质量控制的方法
CN103985099B (zh) 一种弥散张量磁共振图像张量域非局部均值去噪方法
CN105913432A (zh) 基于ct序列图像的主动脉提取方法及装置
CN109300136B (zh) 一种基于卷积神经网络的危及器官自动分割方法
CN109166104A (zh) 一种病变检测方法、装置及设备
CN104545999B (zh) 一种超声图像膀胱容积测量方法及装置
CN103229210A (zh) 图像配准装置
CN110163877A (zh) 一种mri心室结构分割的方法与系统
CN106846330A (zh) 人体肝脏特征建模及血管模型空间归一方法
CN106408576A (zh) 基于三维超声图像的感兴趣区域的自动分割方法及系统
CN106803251A (zh) 由ct影像确定主动脉缩窄处压力差的装置与方法
CN107909588A (zh) 基于三维全卷积神经网络的mri皮质下分区系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant