CN110136804A - 一种心肌质量计算方法、系统及电子设备 - Google Patents
一种心肌质量计算方法、系统及电子设备 Download PDFInfo
- Publication number
- CN110136804A CN110136804A CN201910337706.XA CN201910337706A CN110136804A CN 110136804 A CN110136804 A CN 110136804A CN 201910337706 A CN201910337706 A CN 201910337706A CN 110136804 A CN110136804 A CN 110136804A
- Authority
- CN
- China
- Prior art keywords
- max
- full
- cardiac muscle
- myocardial
- neural network
- 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
Links
Classifications
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
本申请涉及一种心肌质量计算方法、系统及电子设备。所述方法包括：步骤a：采用深度神经网络模型对原始医学影像进行全图心肌分割；步骤b：根据所述全图心肌分割结果提取心肌感兴趣区域；步骤c：采用深度神经网络模型对所述心肌感兴趣区域进行区域心肌分割；步骤d：根据所述全图或者区域心肌分割结果计算心肌质量。本申请通过结合图像处理和深度神经网络进行心肌质量计算，可以大幅降低误差，整体提高了心肌质量计算的精度和通用性。
Description
技术领域
本申请属于心肌质量计算技术领域，特别涉及一种心肌质量计算方法、系统及电子设备。
背景技术
左心室肥厚(LVH)是心血管事件的独立预测因子。左心室质量(LVM)增加者发生心血管事件的风险随之逐步升高。也有证据表明：伴LVH的高血压患者，心脑血管意外的发生率随着LVM的下降而降低，由于LVM直接与预后相关，因此，准确地测定LVM非常重要。心电图与超声心动图较早用于诊断LVH，近年来心脏磁共振成像、电子计算机断层扫描等技术亦能精确地测定LVM，然而各种检测方法的敏感性、特异性及临床应用各不相同。
发明内容
本申请提供了一种心肌质量计算方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题，本申请提供了如下技术方案：
一种心肌质量计算方法，包括：
步骤a：采用深度神经网络模型对原始医学影像进行全图心肌分割；
步骤b：根据所述全图心肌分割结果提取心肌感兴趣区域；
步骤c：采用深度神经网络模型对所述心肌感兴趣区域进行区域心肌分割；
步骤d：根据所述全图或者区域心肌分割结果计算心肌质量。
本申请实施例采取的技术方案还包括：在所述步骤a中，所述深度神经网络模型为1个3D神经网络，所述对原始医学影像进行全图心肌分割具体为：将所述原始医学影像输入训练好的3D神经网络，得到预测概率图P；对预测概率图P进行二值化处理，得到全图心肌分割结果。
本申请实施例采取的技术方案还包括：在所述步骤a中，所述深度神经网络模型为3个2D神经网络，所述3个2D神经网络分别为矢状面、冠状面、横截面2D神经网络；所述对原始医学影像进行全图心肌分割具体为：分别沿原始医学影像的垂直矢状面、冠状面、横截面方向，依次将每个截面分别输入训练好的矢状面、冠状面、横截面2D神经网络，分别得到矢状面、冠状面、横截面方向的3D概率图PA、PB、PC；分别对所述3D概率图PA、PB、PC中的每个点求平均概率图PFusion(x,y,z)＝1/3*∑[PA(x,y,z)+PB(x,y,z)+PC(x,y,z)]；对所述平均概率图PFusion进行二值化处理，得到全图心肌分割结果。
本申请实施例采取的技术方案还包括：在所述步骤b中，所述根据全图心肌分割结果提取心肌感兴趣区域具体包括：
步骤b1：遍历全图心肌分割结果的每个点，计算点(x,y,z)在每一维上的最小值与最大值[xmin,xmax],[ymin,ymax],[zmin,zmax]；
步骤b2：得到全图心肌分割结果的边框，该边框的8个点分别为[xmin,ymin,zmin]、[xmin,ymin,zmax]、[xmin,ymax,zmin]、[xmin,ymax,zmax]、[xmax,ymin,zmin]、[xmax,ymin,zmax]、[xmax,ymax,zmin]、[xmax,ymax,zmax]；
步骤b3：根据设定的扩大范围将边框的8个点分别向外扩大；
步骤b4：根据扩大后的边框，获得左下角和右上角的坐标分别为[xmin,ymin,zmin]、[xmax,ymax,zmax]；
步骤b5：根据左下角和右上角的坐标进行裁切，得到原始医学影像中的心肌感兴趣区域。
本申请实施例采取的技术方案还包括：在所述步骤d中，所述根据全图或者区域心肌分割结果计算心肌质量具体包括：
步骤d1：对全图或者区域心肌分割结果进行后处理；
步骤d2：计算心肌物理体积
步骤d3：计算心肌质量m＝Vpy·ρ。
本申请实施例采取的另一技术方案为：一种心肌质量计算系统，包括：
全图心肌分割模块：用于采用深度神经网络模型对原始医学影像进行全图心肌分割；
区域提取模块：用于根据所述全图心肌分割结果提取心肌感兴趣区域；
区域心肌分割模块：用于采用深度神经网络模型对所述心肌感兴趣区域进行区域心肌分割；
心肌质量计算模块：用于根据所述全图或者区域心肌分割结果计算心肌质量。
本申请实施例采取的技术方案还包括：所述深度神经网络模型为1个3D神经网络，所述全图心肌分割模块对原始医学影像进行全图心肌分割具体为：将所述原始医学影像输入训练好的3D神经网络，得到预测概率图P；对预测概率图P进行二值化处理，得到全图心肌分割结果。
本申请实施例采取的技术方案还包括：所述深度神经网络模型为3个2D神经网络，所述3个2D神经网络分别为矢状面、冠状面、横截面2D神经网络；所述全图心肌分割模块对原始医学影像进行全图心肌分割具体为：分别沿原始医学影像的垂直矢状面、冠状面、横截面方向，依次将每个截面分别输入训练好的矢状面、冠状面、横截面2D神经网络，分别得到矢状面、冠状面、横截面方向的3D概率图PA、PB、PC；分别对所述3D概率图PA、PB、PC中的每个点求平均概率图PFusion(x,y,z)＝1/3*∑[PA(x,y,z)+PB(x,y,z)+PC(x,y,z)]；对所述平均概率图PFusion进行二值化处理，得到全图心肌分割结果。
本申请实施例采取的技术方案还包括：所述区域提取模块根据全图心肌分割结果提取心肌感兴趣区域具体包括：遍历全图心肌分割结果的每个点，计算点(x,y,z)在每一维上的最小值与最大值[xmin,xmax],[ymin,ymax],[zmin,zmax]；得到全图心肌分割结果的边框，该边框的8个点分别为[xmin,ymin,zmin]、[xmin,ymin,zmax]、[xmin,ymax,zmin]、[xmin,ymax,zmax]、[xmax,ymin,zmin]、[xmax,ymin,zmax]、[xmax,ymax,zmin]、[xmax,ymax,zmax]；根据设定的扩大范围将边框的8个点分别向外扩大；根据扩大后的边框，获得左下角和右上角的坐标分别为[xmin,ymin,zmin]、[xmax,ymax,zmax]；根据左下角和右上角的坐标进行裁切，得到原始医学影像中的心肌感兴趣区域。
本申请实施例采取的技术方案还包括：所述心肌质量计算模块根据全图或者区域心肌分割结果计算心肌质量具体包括：对全图或者区域心肌分割结果进行后处理；计算心肌物理体积 计算心肌质量m＝Vpy·ρ。
本申请实施例采取的又一技术方案为：一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的心肌质量计算方法的以下操作：
步骤a：采用深度神经网络模型对原始医学影像进行全图心肌分割；
步骤b：根据所述全图心肌分割结果提取心肌感兴趣区域；
步骤c：采用深度神经网络模型对所述心肌感兴趣区域进行区域心肌分割；
步骤d：根据所述全图或者区域心肌分割结果计算心肌质量。
相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的心肌质量计算方法、系统及电子设备通过结合图像处理和深度神经网络进行心肌质量计算，相对于现有技术，可以大幅降低误差，整体提高了心肌质量计算的精度和通用性。
附图说明
图1是本申请实施例的心肌质量计算方法的流程图；
图2是本申请实施例的心肌质量计算系统的结构示意图；
图3是本申请实施例提供的心肌质量计算方法的硬件设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
请参阅图1，是本申请实施例的心肌质量计算方法的流程图。本申请实施例的心肌质量计算方法包括以下步骤：
步骤100：获取原始医学影像；
步骤100中，原始医学影像包括但不限于CT(Computed Tomography，电子计算机断层扫描)影像或MRI(MRI，Magnetic Resonance Imaging，核磁共振)影像等。
步骤200：采用深度神经网络模型对原始医学影像进行全图心肌分割；
步骤200中，深度神经网络模型可以是2D神经网络或3D神经网络，首先，将原始医学影像输入深度神经网络模型，得到预测结果；然后将预测结果和人工标注进行比较，反馈给深度神经网络模型，迭代更新深度神经网络模型，直到预测结果接近人工标注，得到训练好的深度神经网络模型。
本申请实施例中，如果深度神经网络模型是3D神经网络，深度神经网络模型训练结束后，将得到1个3D神经网络，则全图心肌分割方式为：将原始医学影像输入训练好的3D神经网络，得到预测概率图P；对预测概率图P进行阈值为0.5的二值化，得到全图心肌分割结果。
本申请实施例中，如果深度神经网络模型为2D神经网络，深度神经网络模型训练结束后，将会得到3个2D神经网络，分别用于预测矢状面、冠状面和横截面。具体的全图心肌分割方式为：首先，分别沿原始医学影像的垂直矢状面、冠状面、横截面方向，依次将每个截面分别输入训练好的矢状面、冠状面、横截面2D神经网络，分别得到矢状面、冠状面、横截面方向的3D概率图PA、PB、PC；分别对3D概率图PA、PB、PC中的每个点求平均概率图PFusion(x,y,z)＝1/3*∑[PA(x,y,z)+PB(x,y,z)+PC(x,y,z)]；对平均概率图PFusion进行阈值为0.5的二值化，得到全图心肌分割结果。
步骤300：根据全图心肌分割结果提取心肌感兴趣区域；
步骤300中，心肌感兴趣区域的提取方式具体包括以下步骤：
步骤301：遍历全图心肌分割结果的每个点，计算点(x,y,z)在每一维上的最小值与最大值[xmin,xmax],[ymin,ymax],[zmin,zmax]；
步骤302：得到全图心肌分割结果的边框，该边框的8个点分别为[xmin,ymin,zmin]、[xmin,ymin,zmax]、[xmin,ymax,zmin]、[xmin,ymax,zmax]、[xmax,ymin,zmin]、[xmax,ymin,zmax]、[xmax,ymax,zmin]、[xmax,ymax,zmax]；
步骤303：根据设定的扩大范围将边框的8个点分别向外扩大；
步骤303中，设定的边框扩大范围为10mm，具体可根据实际操作进行设定。
步骤304：根据扩大后的边框，获得左下角和右上角的坐标分别为[xmin,ymin,zmin]、[xmax,ymax,zmax]；
步骤305：根据左下角和右上角的坐标进行裁切，得到原始医学影像中的心肌感兴趣区域。
步骤400：采用深度神经网络模型对心肌感兴趣区域进行区域心肌分割；
步骤400中，深度神经网络模型的训练以及区域心肌分割方式与步骤200相同，此处不再赘述。
步骤500：根据全图或者区域心肌分割结果计算心肌质量；
步骤500中，心肌分割结果可以是全图心肌分割结果或者区域心肌分割结果，心肌质量计算方式具体为：
步骤501：对全图或者区域心肌分割结果进行后处理(包括取最大连通区域、光滑处理等)；
步骤502：计算心肌物理体积
步骤503：计算心肌质量m＝Vpy·ρ。
请参阅图2，是本申请实施例的心肌质量计算系统的结构示意图。本申请实施例的心肌质量计算系统包括影像获取模块、全图心肌分割模块、区域提取模块、区域心肌分割模块和心肌质量计算模块。
影像获取模块：用于获取原始医学影像；其中，原始医学影像包括但不限于CT(Computed Tomography，电子计算机断层扫描)影像或MRI(MRI，Magnetic ResonanceImaging，核磁共振)影像等。
全图心肌分割模块：用于采用深度神经网络模型对原始医学影像进行全图心肌分割；其中，深度神经网络模型可以是2D神经网络或3D神经网络，首先，将原始医学影像输入深度神经网络模型，得到预测结果；然后将预测结果和人工标注进行比较，反馈给深度神经网络模型，迭代更新深度神经网络模型，直到预测结果接近人工标注，得到训练好的深度神经网络模型。
本申请实施例中，如果深度神经网络模型是3D神经网络，深度神经网络模型训练结束后，将得到1个3D神经网络，则全图心肌分割方式为：将原始医学影像输入训练好的3D神经网络，得到预测概率图P；对预测概率图P进行阈值为0.5的二值化，得到全图心肌分割结果。
本申请实施例中，如果深度神经网络模型为2D原始医学影像，深度神经网络模型训练结束后，将会得到3个2D神经网络，分别用于预测矢状面、冠状面和横截面。具体的全图心肌分割方式为：首先，分别沿原始医学影像的垂直矢状面、冠状面、横截面方向，依次将每个截面分别输入训练好的矢状面、冠状面、横截面2D神经网络，分别得到矢状面、冠状面、横截面方向的3D概率图PA、PB、PC；分别对3D概率图PA、PB、PC中的每个点求平均概率图PFusion(x,y,z)＝1/3*∑[PA(x,y,z)+PB(x,y,z)+PC(x,y,z)]；对平均概率图PFusion进行阈值为0.5的二值化，得到全图心肌分割结果。
区域提取模块：用于根据全图心肌分割结果提取心肌感兴趣区域；其中，心肌感兴趣区域的提取方式具体为：
1：遍历全图心肌分割结果的每个点，计算点(x,y,z)在每一维上的最小值与最大值[xmin,xmax],[ymin,ymax],[zmin,zmax]；
2：得到全图心肌分割结果的边框，该边框的8个点分别为[xmin,ymin,zmin]、[xmin,ymin,zmax]、[xmin,ymax,zmin]、[xmin,ymax,zmax]、[xmax,ymin,zmin]、[xmax,ymin,zmax]、[xmax,ymax,zmin]、[xmax,ymax,zmax]；
3：根据设定的扩大范围将边框的8个点分别向外扩大；边框向外扩大的范围可根据实际操作进行设定；
4：根据扩大后的边框，获得左下角和右上角的坐标分别为[xmin,ymin,zmin]、[xmax,ymax,zmax]；
5：根据左下角和右上角的坐标进行裁切，得到原始医学影像中的心肌感兴趣区域。
区域心肌分割模块：用于采用深度神经网络模型对对心肌感兴趣区域进行区域心肌分割；其中，区域心肌分割模块的深度神经网络模型训练以及区域心肌分割方式与全图心肌分割模块相同，此处不再赘述。
心肌质量计算模块：用于根据全图或者区域心肌分割结果计算心肌质量；其中，心肌质量计算方式具体为：
1：对全图或者区域心肌分割结果进行后处理(包括取最大连通区域、光滑处理等)；
2：计算心肌物理体积
3：计算心肌质量m＝Vpy·ρ。
图3是本申请实施例提供的心肌质量计算方法的硬件设备结构示意图。如图3所示，该设备包括一个或多个处理器以及存储器。以一个处理器为例，该设备还可以包括：输入系统和输出系统。
处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接，图3中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入系统可接收输入的数字或字符信息，以及产生信号输入。输出系统可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述任一方法实施例的以下操作：
步骤a：采用深度神经网络模型对原始医学影像进行全图心肌分割；
步骤b：根据所述全图心肌分割结果提取心肌感兴趣区域；
步骤c：采用深度神经网络模型对所述心肌感兴趣区域进行区域心肌分割；
步骤d：根据所述全图或者区域心肌分割结果计算心肌质量。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例提供的方法。
本申请实施例提供了一种非暂态(非易失性)计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行以下操作：
步骤a：采用深度神经网络模型对原始医学影像进行全图心肌分割；
步骤b：根据所述全图心肌分割结果提取心肌感兴趣区域；
步骤c：采用深度神经网络模型对所述心肌感兴趣区域进行区域心肌分割；
步骤d：根据所述全图或者区域心肌分割结果计算心肌质量。
本申请实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行以下操作：
步骤a：采用深度神经网络模型对原始医学影像进行全图心肌分割；
步骤b：根据所述全图心肌分割结果提取心肌感兴趣区域；
步骤c：采用深度神经网络模型对所述心肌感兴趣区域进行区域心肌分割；
步骤d：根据所述全图或者区域心肌分割结果计算心肌质量。
本申请实施例的心肌质量计算方法、系统及电子设备通过结合图像处理和深度神经网络进行心肌质量计算，相对于现有技术，可以大幅降低误差，整体提高了心肌质量计算的精度和通用性。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种心肌质量计算方法，其特征在于，包括：
步骤a：采用深度神经网络模型对原始医学影像进行全图心肌分割；
步骤b：根据所述全图心肌分割结果提取心肌感兴趣区域；
步骤c：采用深度神经网络模型对所述心肌感兴趣区域进行区域心肌分割；
步骤d：根据所述全图或者区域心肌分割结果计算心肌质量。
2.根据权利要求1所述的心肌质量计算方法，其特征在于，在所述步骤a中，所述深度神经网络模型为1个3D神经网络，所述对原始医学影像进行全图心肌分割具体为：将所述原始医学影像输入训练好的3D神经网络，得到预测概率图P；对预测概率图P进行二值化处理，得到全图心肌分割结果。
3.根据权利要求1所述的心肌质量计算方法，其特征在于，在所述步骤a中，所述深度神经网络模型为3个2D神经网络，所述3个2D神经网络分别为矢状面、冠状面、横截面2D神经网络；所述对原始医学影像进行全图心肌分割具体为：分别沿原始医学影像的垂直矢状面、冠状面、横截面方向，依次将每个截面分别输入训练好的矢状面、冠状面、横截面2D神经网络，分别得到矢状面、冠状面、横截面方向的3D概率图PA、PB、PC；分别对所述3D概率图PA、PB、PC中的每个点求平均概率图PFusion(x,y,z)＝1/3*∑[PA(x,y,z)+PB(x,y,z)+PC(x,y,z)]；对所述平均概率图PFusion进行二值化处理，得到全图心肌分割结果。
4.根据权利要求1至3任一项所述的心肌质量计算方法，其特征在于，在所述步骤b中，所述根据全图心肌分割结果提取心肌感兴趣区域具体包括：
步骤b1：遍历全图心肌分割结果的每个点，计算点(x,y,z)在每一维上的最小值与最大值[xmin,xmax],[ymin,ymax],[zmin,zmax]；
步骤b2：得到全图心肌分割结果的边框，该边框的8个点分别为[xmin,ymin,zmin]、[xmin,ymin,zmax]、[xmin,ymax,zmin]、[xmin,ymax,zmax]、[xmax,ymin,zmin]、[xmax,ymin,zmax]、[xmax,ymax,zmin]、[xmax,ymax,zmax]；
步骤b3：根据设定的扩大范围将边框的8个点分别向外扩大；
步骤b4：根据扩大后的边框，获得左下角和右上角的坐标分别为[xmin,ymin,zmin]、[xmax,ymax,zmax]；
步骤b5：根据左下角和右上角的坐标进行裁切，得到原始医学影像中的心肌感兴趣区域。
5.根据权利要求4所述的心肌质量计算方法，其特征在于，在所述步骤d中，所述根据全图或者区域心肌分割结果计算心肌质量具体包括：
步骤d1：对全图或者区域心肌分割结果进行后处理；
步骤d2：计算心肌物理体积
步骤d3：计算心肌质量m＝Vpy·ρ。
6.一种心肌质量计算系统，其特征在于，包括：
全图心肌分割模块：用于采用深度神经网络模型对原始医学影像进行全图心肌分割；
区域提取模块：用于根据所述全图心肌分割结果提取心肌感兴趣区域；
区域心肌分割模块：用于采用深度神经网络模型对所述心肌感兴趣区域进行区域心肌分割；
心肌质量计算模块：用于根据所述全图或者区域心肌分割结果计算心肌质量。
7.根据权利要求6所述的心肌质量计算系统，其特征在于，所述深度神经网络模型为1个3D神经网络，所述全图心肌分割模块对原始医学影像进行全图心肌分割具体为：将所述原始医学影像输入训练好的3D神经网络，得到预测概率图P；对预测概率图P进行二值化处理，得到全图心肌分割结果。
8.根据权利要求6所述的心肌质量计算系统，其特征在于，所述深度神经网络模型为3个2D神经网络，所述3个2D神经网络分别为矢状面、冠状面、横截面2D神经网络；所述全图心肌分割模块对原始医学影像进行全图心肌分割具体为：分别沿原始医学影像的垂直矢状面、冠状面、横截面方向，依次将每个截面分别输入训练好的矢状面、冠状面、横截面2D神经网络，分别得到矢状面、冠状面、横截面方向的3D概率图PA、PB、PC；分别对所述3D概率图PA、PB、PC中的每个点求平均概率图PFusion(x,y,z)＝1/3*∑[PA(x,y,z)+PB(x,y,z)+PC(x,y,z)]；对所述平均概率图PFusion进行二值化处理，得到全图心肌分割结果。
9.根据权利要求6至8任一项所述的心肌质量计算系统，其特征在于，所述区域提取模块根据全图心肌分割结果提取心肌感兴趣区域具体包括：遍历全图心肌分割结果的每个点，计算点(x,y,z)在每一维上的最小值与最大值[xmin,xmax],[ymin,ymax],[zmin,zmax]；得到全图心肌分割结果的边框，该边框的8个点分别为[xmin,ymin,zmin]、[xmin,ymin,zmax]、[xmin,ymax,zmin]、[xmin,ymax,zmax]、[xmax,ymin,zmin]、[xmax,ymin,zmax]、[xmax,ymax,zmin]、[xmax,ymax,zmax]；根据设定的扩大范围将边框的8个点分别向外扩大；根据扩大后的边框，获得左下角和右上角的坐标分别为[xmin,ymin,zmin]、[xmax,ymax,zmax]；根据左下角和右上角的坐标进行裁切，得到原始医学影像中的心肌感兴趣区域。
10.根据权利要求9所述的心肌质量计算系统，其特征在于，所述心肌质量计算模块根据全图或者区域心肌分割结果计算心肌质量具体包括：对全图或者区域心肌分割结果进行后处理；计算心肌物理体积 计算心肌质量m＝Vpy·ρ。
11.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述1至5任一项所述的心肌质量计算方法的以下操作：
步骤a：采用深度神经网络模型对原始医学影像进行全图心肌分割；
步骤b：根据所述全图心肌分割结果提取心肌感兴趣区域；
步骤c：采用深度神经网络模型对所述心肌感兴趣区域进行区域心肌分割；
步骤d：根据所述全图或者区域心肌分割结果计算心肌质量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910337706.XA CN110136804B (zh) | 2019-04-25 | 2019-04-25 | 一种心肌质量计算方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910337706.XA CN110136804B (zh) | 2019-04-25 | 2019-04-25 | 一种心肌质量计算方法、系统及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110136804A true CN110136804A (zh) | 2019-08-16 |
| CN110136804B CN110136804B (zh) | 2021-11-16 |
Family
ID=67570891
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910337706.XA Active CN110136804B (zh) | 2019-04-25 | 2019-04-25 | 一种心肌质量计算方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110136804B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101066211A (zh) * | 2006-05-05 | 2007-11-07 | 通用电气公司 | 用于在超声波系统中显示信息的用户界面及方法 |
| EP2036587A1 (en) * | 2007-09-17 | 2009-03-18 | Pacesetter, Inc. | System for adjusting AV/PV delay |
| CN102871686A (zh) * | 2012-03-05 | 2013-01-16 | 杭州弘恩医疗科技有限公司 | 基于3d医学影像测定生理参数的装置和方法 |
| CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤（北京）网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
| CN108603922A (zh) * | 2015-11-29 | 2018-09-28 | 阿特瑞斯公司 | 自动心脏体积分割 |
| CN109584254A (zh) * | 2019-01-07 | 2019-04-05 | 浙江大学 | 一种基于深层全卷积神经网络的心脏左心室分割方法 |
-
2019
- 2019-04-25 CN CN201910337706.XA patent/CN110136804B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101066211A (zh) * | 2006-05-05 | 2007-11-07 | 通用电气公司 | 用于在超声波系统中显示信息的用户界面及方法 |
| EP2036587A1 (en) * | 2007-09-17 | 2009-03-18 | Pacesetter, Inc. | System for adjusting AV/PV delay |
| CN102871686A (zh) * | 2012-03-05 | 2013-01-16 | 杭州弘恩医疗科技有限公司 | 基于3d医学影像测定生理参数的装置和方法 |
| CN108603922A (zh) * | 2015-11-29 | 2018-09-28 | 阿特瑞斯公司 | 自动心脏体积分割 |
| CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤（北京）网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
| CN109584254A (zh) * | 2019-01-07 | 2019-04-05 | 浙江大学 | 一种基于深层全卷积神经网络的心脏左心室分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吴圣杰: "基于深度学习的全自动心肌分割算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
| 温梦娜等: "手指静脉图像的概率分割方法研究", 《小型微型计算机系统》 * |
| 王自力等: "左心室心肌质量的测量（待续）", 《中华高血压杂志》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110136804B (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sermesant et al. | Applications of artificial intelligence in cardiovascular imaging | |
| Slomka et al. | Cardiac imaging: working towards fully-automated machine analysis & interpretation | |
| Positano et al. | A fast and effective method to assess myocardial necrosis by means of contrast magnetic resonance imaging | |
| Banerjee et al. | A completely automated pipeline for 3D reconstruction of human heart from 2D cine magnetic resonance slices | |
| US8948484B2 (en) | Method and system for automatic view planning for cardiac magnetic resonance imaging acquisition | |
| JP2018530401A5 (zh) | ||
| US9142030B2 (en) | Systems, methods and computer readable storage media storing instructions for automatically segmenting images of a region of interest | |
| CN106462963A (zh) | 用于自适应放射治疗中自动勾画轮廓的系统和方法 | |
| CN105938628A (zh) | 源自图像的生物标志的直接计算 | |
| US10997720B2 (en) | Medical image classification method and related device | |
| Heyde et al. | Anatomical image registration using volume conservation to assess cardiac deformation from 3D ultrasound recordings | |
| US20230386048A1 (en) | Ultrasound image segmentation method and apparatus, terminal device, and storage medium | |
| Kim et al. | Automatic segmentation of the left ventricle in echocardiographic images using convolutional neural networks | |
| Tenbrinck et al. | Histogram-based optical flow for motion estimation in ultrasound imaging | |
| Lei et al. | Echocardiographic image multi‐structure segmentation using Cardiac‐SegNet | |
| EP2498222B1 (en) | Method and system for regression-based 4D mitral valve segmentation from 2D+T magnetic resonance imaging slices | |
| CN110070529A (zh) | 一种血管腔内影像分割方法、系统及电子设备 | |
| Tiago et al. | A data augmentation pipeline to generate synthetic labeled datasets of 3D echocardiography images using a GAN | |
| Li et al. | Direct estimation of left ventricular ejection fraction via a cardiac cycle feature learning architecture | |
| Beache et al. | Fully automated framework for the analysis of myocardial first‐pass perfusion MR images | |
| Böttger et al. | Application of a new segmentation tool based on interactive simplex meshes to cardiac images and pulmonary MRI data | |
| CN110136804A (zh) | 一种心肌质量计算方法、系统及电子设备 | |
| EP3437068B1 (en) | System and methods for diagnostic image analysis and image quality assessment | |
| CN115861172A (zh) | 基于自适应正则化光流模型的室壁运动估计方法及装置 | |
| Histace et al. | Segmentation of myocardial boundaries in tagged cardiac MRI using active contours: a gradient-based approach integrating texture analysis |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220507 Address after: 518000 No.01, 11 / F, International Students Pioneer Building, No.29, Gaoxin South Ring Road, South District, high tech Zone, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Patentee after: SHENZHEN RAYSIGHT INTELLIGENT MEDICAL TECHNOLOGY Co.,Ltd. Address before: 518101 No. 523, 5th floor, building 8 (Huafeng Xin'an youth entrepreneurship base), zone 41, Xin'an street, Bao'an District, Shenzhen, Guangdong Province Patentee before: Shenzhen yearning medical technology Co.,Ltd. |