CN110232695A - 基于混合模态图像的左心室图像分割方法及系统 - Google Patents
基于混合模态图像的左心室图像分割方法及系统 Download PDFInfo
- Publication number
- CN110232695A CN110232695A CN201910527689.6A CN201910527689A CN110232695A CN 110232695 A CN110232695 A CN 110232695A CN 201910527689 A CN201910527689 A CN 201910527689A CN 110232695 A CN110232695 A CN 110232695A
- Authority
- CN
- China
- Prior art keywords
- image
- shape
- modality
- images
- heart
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 210000005240 left ventricle Anatomy 0.000 title claims abstract description 19
- 238000005192 partition Methods 0.000 title abstract 3
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 31
- 230000000747 cardiac effect Effects 0.000 claims abstract description 26
- 230000008447 perception Effects 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 230000002107 myocardial effect Effects 0.000 claims abstract description 9
- 238000003709 image segmentation Methods 0.000 claims description 28
- 230000002861 ventricular Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 6
- 201000011243 gastrointestinal stromal tumor Diseases 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 208000031662 Noncommunicable disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 210000001174 endocardium Anatomy 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 210000003540 papillary muscle Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本公开提供了基于混合模态图像的左心室图像分割方法及系统。基于混合模态图像的左心室图像分割方法，包括：获取心脏图像的纹理信息和空间布局，得到以矩阵形式表示的MR图像和CT图像的底层特征表达，得到用来描述混合模态心脏图像的底层特征数据集；对混合模态心脏图像的底层特征数据集进行共享矩阵分解，获得一个鲁棒的形状感知变换矩阵，从而提取出同时适应于不同模态图像的形状特征；通过构造图来建立不同模态的心脏图像间的相互关系，利用有监督的形状信息进一步增强不同模态心脏图像间的形状特征的相似性；将分割问题转化为对心脏边界坐标值的回归，建立形状回归模型，通过多输出支持向量回归直接从形状特征中分割出最终的心肌轮廓。
Description
技术领域
本公开属于图像分割领域，尤其涉及一种基于混合模态图像的左心室图像分割方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
心血管疾病(Cardiovascular Disease，CVDS)是亚太地区最大的非传染性疾病之一，左心室分割在心脏图像的临床定量和诊断中起着至关重要的作用。对于临床实践来说，多种医学影像技术如核磁共振成像(MRI)、电子计算机断层扫描成像(CT)、正电子发射型计算机断层显像(PET)等，是心血管疾病诊断的重要辅助技术。据统计，放射科医生对医学影像进行人工分割是一项枯燥、耗时、低效的工作，仅分割一名受试者的核磁共振序列就需要20分钟左右的时间，且不同的影像学设备及大量的患者会产生不同模态的大量心脏图像，极大的增加医生的工作量，分割的结果也受医生的经验和主观判断影响。同时由于心脏扩张和收缩引起的心外膜和心内膜形状变异、受试者之间的差异、乳头肌和图像的固有噪声等因素，也会影响医生人工分割的精度，难以较快获得准确、客观的分割结果。
为了提高左心室图像分割的精度和效率，将放射科医生从冗长、低效的工作中解脱出来，基于计算机的智能自动化左心室分割辅助诊断势在必行。现有的左心室分割方法多侧重于单模态或多模态心脏图像。单模态方法主要包括基于核磁共振(MR)模态的方法和基于CT模态的方法，这些分割方法只能在单一模态的心脏图像上表现出良好的分割性能。因此研究者们又提出基于多模态的方法，在同一患者身上采集不同模态的图像，配准后再进行分割。发明人发现，由于训练样本不同、成像过程不同、MR图像和CT图像中心脏的灰度差异较大，使得现有的这些方法的训练模型不能直接、准确地从一种特定的模态应用到新的模态。
发明内容
为了解决上述问题，本公开的第一个方面提供一种基于混合模态图像的左心室图像分割方法，其既能够对单模态下的心脏图像进行分析，又降低了多模态图像采集的难度，在不需要对新样本进行学习分割模型再训练的情况下，将混合模态图像进行模态适配，成功处理新的模态图像。
为了实现上述目的，本公开采用如下技术方案：
一种基于混合模态图像的左心室图像分割方法，包括：
获取心脏图像的纹理信息和空间布局，得到以矩阵形式表示的MR图像和CT图像的底层特征表达，得到用来描述混合模态心脏图像的底层特征数据集；
对混合模态心脏图像的底层特征数据集进行共享矩阵分解，获得一个鲁棒的形状感知变换矩阵，从而提取出同时适应于不同模态图像的形状特征；
通过构造图来建立不同模态的心脏图像间的相互关系，利用有监督的形状信息进一步增强不同模态心脏图像间的形状特征的相似性；
将分割问题转化为对心脏边界坐标值的回归，建立形状回归模型，通过多输出支持向量回归直接从形状特征中分割出最终的心肌轮廓。
为了解决上述问题，本公开的第二个方面提供一种基于混合模态图像的左心室图像分割系统，其既能够对单模态下的心脏图像进行分析，又降低了多模态图像采集的难度，在不需要对新样本进行学习分割模型再训练的情况下，将混合模态图像进行模态适配，成功处理新的模态图像。
为了实现上述目的，本公开采用如下技术方案：
一种基于混合模态图像的左心室图像分割系统，包括：
心脏图像表示模块，其用于获取心脏图像的纹理信息和空间布局，得到以矩阵形式表示的MR图像和CT图像的底层特征表达，得到用来描述混合模态心脏图像的底层特征数据集；
混合模态自适配模块，其用于对混合模态心脏图像的底层特征数据集进行共享矩阵分解，获得一个鲁棒的形状感知变换矩阵，从而提取出同时适应于不同模态图像的形状特征；
形状感知特征增强模块，其用于通过构造图来建立不同模态的心脏图像间的相互关系，利用有监督的形状信息进一步增强不同模态心脏图像间的形状特征的相似性；
左心室分割形状回归模块，其用于将分割问题转化为对心脏边界坐标值的回归，建立形状回归模型，通过多输出支持向量回归直接从形状特征中分割出最终的心肌轮廓。
为了解决上述问题，本公开的第三个方面提供一种计算机可读存储介质，其既能够对单模态下的心脏图像进行分析，又降低了多模态图像采集的难度，在不需要对新样本进行学习分割模型再训练的情况下，将混合模态图像进行模态适配，成功处理新的模态图像。
为了实现上述目的，本公开采用如下技术方案：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述的基于混合模态图像的左心室图像分割方法中的步骤。
为了解决上述问题，本公开的第四个方面提供一种计算机设备，其既能够对单模态下的心脏图像进行分析，又降低了多模态图像采集的难度，在不需要对新样本进行学习分割模型再训练的情况下，将混合模态图像进行模态适配，成功处理新的模态图像。
为了实现上述目的，本公开采用如下技术方案：
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述所述的基于混合模态图像的左心室图像分割方法中的步骤。
本公开的有益效果是：
本公开将单模态和多模态的心脏图像分割模型进行改进，提出混合模态自适应的回归分割方法，提高了心脏的MR图像和CT图像的形状一致性，通过这种方式，可以使一种模态数据训练出的机器学习模型，在不需要对新样本重新训练的情况下成功处理新的模态图像数据，减轻了模型学习阶段对训练抽样的要求。
本公开的分割方法，在模态自适应的基础上进行了特征增强，利用有监督的形状信息进一步增强形状的特征感知，建立了有效的形状回归模型，从而在对混合模态的左心室图像分割时获得了准确的分割性能。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例提供的左心室图像分割方法流程图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种基于混合模态图像的左心室图像分割方法，其包括：
步骤(1)：获取心脏图像的纹理信息和空间布局，得到以矩阵形式表示的MR图像和CT图像的底层特征表达，得到用来描述混合模态心脏图像的底层特征数据集；
步骤(1)为心脏图像表示步骤：利用通用GIST算法来获取心脏的纹理信息和空间布局，得到心脏MR图像和CT图像的底层特征表达，以矩阵的形式表示出来，从而得到用以描述两种模态心脏图像的底层特征数据集。
考虑到混合模态图像虽然外观不同但形状是相似的，本实施例首先得到了一种能够模拟心肌形状并支配空间结构的图像表示。在本实施例中，我们使用GIST算法来实现不同模态心脏图像的底层特征表示，因为它可以同时获取纹理信息和空间布局。
混合模态图像数据集可以表示为和
其中M1和M2是第一模态和第二模态，a1和a2是M1和M2中的受试者人数，b1和b2是一个受试者的序列号，即对于第一模态图像M1，共有a1*b1幅图像；对于第二模态图像M2，共有a2*b2幅图像。此外，我们分别对心内和心外膜的边界进行了采样，采样个数分别为N1和N2个，并将它们的坐标作为每张图像的ground truth：
对于不同模态的图像和可以用和构造ground truth。
步骤1.1：将输入图像分割成一个k×k的网格。然后在4个尺度、8个方向上使用32个Garbor滤波器，在每个网格上生成32个特征图。
步骤1.2：将32个特征图的平均值串联起来得到输入图像的Gist描述符，得到长度为l＝32k2的向量。从而心脏MR图像和CT图像的底层特征表示可分别描述为：和
步骤(2)：对混合模态心脏图像的底层特征数据集进行共享矩阵分解，获得一个鲁棒的形状感知变换矩阵，从而提取出同时适应于不同模态图像的形状特征；
步骤(2)为混合模态自适配步骤：本实施例提出一个模态自适应的图像特征表达方法，即MA-shape，对混合模态的图像的矩阵表达进行共享矩阵分解，获得一个鲁棒的形状感知变换矩阵，以改善混合模态的图像形状一致性，减少纹理信息的不一致性，从而提取出同时适应于不同模态图像的底层特征。
步骤(2)的具体过程为：
步骤2.1：鉴于观察到不同模态的心脏图像具有相似的心肌形态和不同的纹理信息，本实施例提出了对表示MR图像和CT图像的数据集和的进行共享矩阵分解：
其中，是的新表示，并且W∈Rl'×l的行充当变换空间中的基础。为了确保分解的唯一性，每行W的条件是其中，l'为大于或等于1的正整数。
经过分解，得到一个鲁棒的形状感知变换矩阵W，该矩阵能够表示MR和CT图像的共同形状特征，同时消除不同的纹理信息。
步骤2.2：利用图谱在图像分割中对不同部分边界的识别作用，分别提取MR模态和CT模态图像的形状信息。
在提取信息时，本实施例了构造一个图来表示图像各位置特征，通过提取每个位置的图像特征，计算两个特征之间的相似性：
S(i,j)＝h(f(I(i)),f(I(j))) 公式(2)
其中f提取每个位置的图像特征，h计算两个特征之间的相似性。
根据定义，图的频谱是拉普拉斯矩阵的频谱：
其中，L表示图的拉普拉斯矩阵，D表示图的度矩阵，S表示图的邻接矩阵。L的特征向量E包含图像从大到小的形状信息。
步骤2.3：利用从两种模态中提取出的共同形状信息，优化形状感知变换矩阵W，使M1和M2的形状差异最小化：
其中，从表示的特征向量中得到M1和M2的全局形状信息，分别记为表示
步骤(3)：通过构造图来建立不同模态的心脏图像间的相互关系，利用有监督的形状信息进一步增强不同模态心脏图像间的形状特征的相似性；
步骤(3)为形状感知特征增强步骤：通过构造图来建立不同样本间的相互关系，利用有监督的形状信息进一步增强不同样本间形状特征的相似性。
为了建立不同图像样本之间的关系模型，提高特征的形状感知能力，首先对不同模态的图像样本间的相互关系进行建模：Gshape＝(Vshape,εshape).
其中，Vshape表示图Gshape的顶点集合，εshape表示图Gshape的边集合。
然后本实施例将形状感知特征增强建模为:
其中是两种模态的新的表示形式，是两个不同形状的心脏图像样本ym和yn的相似度，由高斯核计算得到。
步骤(4)：将分割问题转化为对心脏边界坐标值的回归，建立形状回归模型，通过多输出支持向量回归直接从形状特征中分割出最终的心肌轮廓。
步骤(4)为左心室分割的形状回归步骤：将分割问题转化为对心脏边界坐标值的回归，建立形状回归模型，通过多输出支持向量回归(MSVR)直接从形状感知特征中分割出最终的心肌轮廓。
步骤(4)的具体过程为：
步骤4.1：将公式(1)、(4)和(5)整合得到形状感知模态适应的最终目标函数:
其中，α和β是正则化参数(α+β＝1)。当前两个项是低秩分解的重建误差时，将公式(6)转化为：
其中Tr计算矩阵的轨迹，Lshape是Gshape的拉普拉斯矩阵，即Lshape＝Dshape-Sshape。
对于此目标函数即公式(6)，本实施例采用截断奇异值分解(SVD)来解决最小化问题。
其具体算法的伪代码步骤如下：
输入：混合模态图像和及其标签和
输出：混合模态图像和的鲁棒形状感知变换矩阵W、新的特征矩阵和
1：使用GIST计算图像和的图像表示和
2：构造目标函数，即公式(6)。利用公式(7)求解目标函数公式(6)，计算出鲁棒的形状感知变换矩阵W。
3：利用和计算新的特征矩阵和
步骤4.2：将左心室分割公式化为形状回归问题。给定由本实施例提出的混合模态自适配法提取的特征集UM和具有P＝N1+N2维度的输出Ym，使用MSVR进行左心室的形状回归，通过找到每个输出的回归参数w和z来最小化以下功能：
其中
其中，LP(w,z)表示回归函数，函数表示对特征空间的非线性变换，C表示超参数。
将混合模态自适应回归分割方法同其他的单模态、多模态分割方法，如形状回归法(SDL)、水平集(Level Set)和U-Net等方法进行了比较，本实施例的准确度，精确性，敏感性都远高于Level Set等其他方法。在一个包含145名受试者的MR图像和96名受试者的CT扫描图像的混合模态心脏数据库上，本实施例进行了验证，实验结果表明，本实施例提出的模态自适应模块具有良好的跨模态泛化能力，结合了训练样本的新模式，能够对左心室MR和CT图像进行高精度的分割，是实现心脏类疾病辅助诊断的重要保障。
在另一实施例中，还提供了一种基于混合模态图像的左心室图像分割系统，其包括：
(1)心脏图像表示模块，其用于获取心脏图像的纹理信息和空间布局，得到以矩阵形式表示的MR图像和CT图像的底层特征表达，得到用来描述混合模态心脏图像的底层特征数据集；
在所述心脏图像表示模块中，利用GIST算法来获取心脏的纹理信息和空间布局。
(2)混合模态自适配模块，其用于对混合模态心脏图像的底层特征数据集进行共享矩阵分解，获得一个鲁棒的形状感知变换矩阵，从而提取出同时适应于不同模态图像的形状特征；
在所述混合模态自适配模块中，利用图谱在图像分割中对不同部分边界的识别作用，分别提取MR图像和CT图像的形状信息，构造一个图来表示图像各位置特征，通过提取每个位置的图像特征，计算两个特征之间的相似性，得到提取出同时适应于不同模态图像的形状特征。
在所述混合模态自适配模块中，提取出同时适应于不同模态图像的形状特征之后，还包括：优化形状感知变换矩阵，使MR图像和CT图像的形状差异最小化。
(3)形状感知特征增强模块，其用于通过构造图来建立不同模态的心脏图像间的相互关系，利用有监督的形状信息进一步增强不同模态心脏图像间的形状特征的相似性；
(4)左心室分割形状回归模块，其用于将分割问题转化为对心脏边界坐标值的回归，建立形状回归模型，通过多输出支持向量回归直接从形状特征中分割出最终的心肌轮廓。
在另一实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图1所示的基于混合模态图像的左心室图像分割方法中的步骤。
在另一实施例中，还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如图1所示的基于混合模态图像的左心室图像分割方法中的步骤。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于混合模态图像的左心室图像分割方法，其特征在于，包括：
获取心脏图像的纹理信息和空间布局，得到以矩阵形式表示的MR图像和CT图像的底层特征表达，得到用来描述混合模态心脏图像的底层特征数据集；
对混合模态心脏图像的底层特征数据集进行共享矩阵分解，获得一个鲁棒的形状感知变换矩阵，从而提取出同时适应于不同模态图像的形状特征；
通过构造图来建立不同模态的心脏图像间的相互关系，利用有监督的形状信息进一步增强不同模态心脏图像间的形状特征的相似性；
将分割问题转化为对心脏边界坐标值的回归，建立形状回归模型，通过多输出支持向量回归直接从形状特征中分割出最终的心肌轮廓。
2.如权利要求1所述的一种基于混合模态图像的左心室图像分割方法，其特征在于，利用GIST算法来获取心脏的纹理信息和空间布局。
3.如权利要求1所述的一种基于混合模态图像的左心室图像分割方法，其特征在于，利用图谱在图像分割中对不同部分边界的识别作用，分别提取MR图像和CT图像的形状信息，构造一个图来表示图像各位置特征，通过提取每个位置的图像特征，计算两个特征之间的相似性，得到提取出同时适应于不同模态图像的形状特征。
4.如权利要求3所述的一种基于混合模态图像的左心室图像分割方法，其特征在于，提取出同时适应于不同模态图像的形状特征之后，还包括：优化形状感知变换矩阵，使MR图像和CT图像的形状差异最小化。
5.一种基于混合模态图像的左心室图像分割系统，其特征在于，包括：
心脏图像表示模块，其用于获取心脏图像的纹理信息和空间布局，得到以矩阵形式表示的MR图像和CT图像的底层特征表达，得到用来描述混合模态心脏图像的底层特征数据集；
混合模态自适配模块，其用于对混合模态心脏图像的底层特征数据集进行共享矩阵分解，获得一个鲁棒的形状感知变换矩阵，从而提取出同时适应于不同模态图像的形状特征；
形状感知特征增强模块，其用于通过构造图来建立不同模态的心脏图像间的相互关系，利用有监督的形状信息进一步增强不同模态心脏图像间的形状特征的相似性；
左心室分割形状回归模块，其用于将分割问题转化为对心脏边界坐标值的回归，建立形状回归模型，通过多输出支持向量回归直接从形状特征中分割出最终的心肌轮廓。
6.如权利要求5所述的一种基于混合模态图像的左心室图像分割系统，其特征在于，在所述心脏图像表示模块中，利用GIST算法来获取心脏的纹理信息和空间布局。
7.如权利要求5所述的一种基于混合模态图像的左心室图像分割系统，其特征在于，在所述混合模态自适配模块中，利用图谱在图像分割中对不同部分边界的识别作用，分别提取MR图像和CT图像的形状信息，构造一个图来表示图像各位置特征，通过提取每个位置的图像特征，计算两个特征之间的相似性，得到提取出同时适应于不同模态图像的形状特征。
8.如权利要求7所述的一种基于混合模态图像的左心室图像分割系统，其特征在于，在所述混合模态自适配模块中，提取出同时适应于不同模态图像的形状特征之后，还包括：优化形状感知变换矩阵，使MR图像和CT图像的形状差异最小化。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的基于混合模态图像的左心室图像分割方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一项所述的基于混合模态图像的左心室图像分割方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910527689.6A CN110232695A (zh) | 2019-06-18 | 2019-06-18 | 基于混合模态图像的左心室图像分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910527689.6A CN110232695A (zh) | 2019-06-18 | 2019-06-18 | 基于混合模态图像的左心室图像分割方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110232695A true CN110232695A (zh) | 2019-09-13 |
Family
ID=67859744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910527689.6A Pending CN110232695A (zh) | 2019-06-18 | 2019-06-18 | 基于混合模态图像的左心室图像分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110232695A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111739000A (zh) * | 2020-06-16 | 2020-10-02 | 山东大学 | 一种提高多个心脏视图左心室分割精确度的系统及装置 |
| CN111768391A (zh) * | 2020-07-01 | 2020-10-13 | 杭州脉流科技有限公司 | 一种基于ct影像的全自动心脏功能学分析方法、装置、计算机设备以及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105243666A (zh) * | 2015-10-09 | 2016-01-13 | 南宁博创信息技术开发有限公司 | 基于Hough变换与几何主动轮廓的医学MR图像分割方法 |
| CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
| CN109272512A (zh) * | 2018-09-25 | 2019-01-25 | 南昌航空大学 | 一种自动分割左心室内外膜的方法 |
-
2019
- 2019-06-18 CN CN201910527689.6A patent/CN110232695A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105243666A (zh) * | 2015-10-09 | 2016-01-13 | 南宁博创信息技术开发有限公司 | 基于Hough变换与几何主动轮廓的医学MR图像分割方法 |
| CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
| CN109272512A (zh) * | 2018-09-25 | 2019-01-25 | 南昌航空大学 | 一种自动分割左心室内外膜的方法 |
Non-Patent Citations (1)
| Title |
|---|
| JINYU CONG 等: ""MA-Shape: Modality Adaptation Shape Regression for Left Ventricle Segmentation on Mixed MR and CT Images"", 《IEEE ACCESS》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111739000A (zh) * | 2020-06-16 | 2020-10-02 | 山东大学 | 一种提高多个心脏视图左心室分割精确度的系统及装置 |
| CN111739000B (zh) * | 2020-06-16 | 2022-09-13 | 山东大学 | 一种提高多个心脏视图左心室分割精确度的系统及装置 |
| CN111768391A (zh) * | 2020-07-01 | 2020-10-13 | 杭州脉流科技有限公司 | 一种基于ct影像的全自动心脏功能学分析方法、装置、计算机设备以及存储介质 |
| CN111768391B (zh) * | 2020-07-01 | 2024-04-05 | 杭州脉流科技有限公司 | 一种基于ct影像的全自动心脏功能学分析方法、装置、计算机设备以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537794B (zh) | 医学图像数据处理方法、装置和计算机可读存储介质 | |
| US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
| Tobon-Gomez et al. | Benchmark for algorithms segmenting the left atrium from 3D CT and MRI datasets | |
| Bai et al. | A bi-ventricular cardiac atlas built from 1000+ high resolution MR images of healthy subjects and an analysis of shape and motion | |
| Birenbaum et al. | Multi-view longitudinal CNN for multiple sclerosis lesion segmentation | |
| CN113516659B (zh) | 一种基于深度学习的医学影像自动分割方法 | |
| Lombaert et al. | Human atlas of the cardiac fiber architecture: study on a healthy population | |
| Doshi et al. | Multi-atlas skull-stripping | |
| US10296809B2 (en) | Method and system for fast patient-specific cardiac electrophysiology simulations for therapy planning and guidance | |
| Kirisli et al. | Fully automatic cardiac segmentation from 3D CTA data: a multi-atlas based approach | |
| JP6505124B2 (ja) | 適応性放射線治療における自動輪郭抽出システム及び方法 | |
| Nambakhsh et al. | Left ventricle segmentation in MRI via convex relaxed distribution matching | |
| Habijan et al. | Whole heart segmentation from CT images using 3D U-net architecture | |
| CN108510507A (zh) | 一种融合加权随机森林的3d椎骨ct图像主动轮廓分割方法 | |
| Taherdangkoo et al. | Segmentation of MR brain images using FCM improved by artificial bee colony (ABC) algorithm | |
| JP2012501201A (ja) | 長軸後期強調心臓ｍｒｉのセグメント化 | |
| CN111724395B (zh) | 心脏图像四维上下文分割方法、设备、存储介质及装置 | |
| Lekadir et al. | Statistical personalization of ventricular fiber orientation using shape predictors | |
| JP6458166B2 (ja) | 医用画像処理方法及び装置及びシステム及びプログラム | |
| CN110232695A (zh) | 基于混合模态图像的左心室图像分割方法及系统 | |
| Abiri et al. | Simulating developmental cardiac morphology in virtual reality using a deformable image registration approach | |
| CN108597589B (zh) | 模型生成方法、目标检测方法及医学成像系统 | |
| CN113724320A (zh) | 一种基于形状先验的肾脏图像分割方法 | |
| CN116703994A (zh) | 医学图像配准的方法、计算设备和计算机可读存储介质 | |
| CN116310114A (zh) | 一种多任务标签模型的冠脉点云数据处理优化方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190913 |