CN110349149A - 基于深度神经网络和形态相似度的先心病分类系统及方法 - Google Patents

基于深度神经网络和形态相似度的先心病分类系统及方法 Download PDF

Info

Publication number
CN110349149A
CN110349149A CN201910629370.4A CN201910629370A CN110349149A CN 110349149 A CN110349149 A CN 110349149A CN 201910629370 A CN201910629370 A CN 201910629370A CN 110349149 A CN110349149 A CN 110349149A
Authority
CN
China
Prior art keywords
image
segmentation
heart disease
chamber
morphology
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
CN201910629370.4A
Other languages
English (en)
Other versions
CN110349149B (zh
Inventor
庄建
史弋宇
黄美萍
袁海云
贾乾君
徐小维
董羽颢
岑坚正
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.)
GUANGDONG CARDIOVASCULAR INSTITUTE
Guangdong General Hospital Guangdong Academy of Medical Sciences
Original Assignee
GUANGDONG CARDIOVASCULAR INSTITUTE
Guangdong General Hospital Guangdong Academy of Medical Sciences
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 GUANGDONG CARDIOVASCULAR INSTITUTE, Guangdong General Hospital Guangdong Academy of Medical Sciences filed Critical GUANGDONG CARDIOVASCULAR INSTITUTE
Priority to CN201910629370.4A priority Critical patent/CN110349149B/zh
Publication of CN110349149A publication Critical patent/CN110349149A/zh
Application granted granted Critical
Publication of CN110349149B publication Critical patent/CN110349149B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了基于深度神经网络和形态相似度的先心病分类系统，包括：影像分割模块，用于分割医疗图像得到第一分割影像和第二分割影像；房室与心肌形态特征分析模块，用于分析心脏四个房室和心肌的形态特征；连接特征分析模块，用于分析第一分割影像及第二分割影像中心房与心室、心室与大血管之间的连接关系；血管形态提取模块，用于提取第二分割影像中的血管形态；模板存储模块，用于存储先心病所有血管形态的模板；大血管形态特征分析模块，用于比对血管形态与模板；综合分析模块，用于根据预设的分类规则得出先心病的分类结果。本发明还提供了应用上述分类系统的方法。本发明能够对医疗图像进行先心病自动分类，有利于提高医生的工作效率。

Description

基于深度神经网络和形态相似度的先心病分类系统及方法
技术领域
本发明涉及医疗技术领域，具体涉及一种基于深度神经网络和形态相似度的先心病分类系统及方法。
背景技术
先天性心脏病是先天性畸形中最常见的一类，约占各种先天畸形的28％，指在胚胎发育时期由于心脏及大血管的形成障碍或发育异常而引起的解剖结构异常，或出生后应自动关闭的通道未能闭合的情形。
根据血液动力学结合病理生理变化，先天性心脏病可分为发绀型或者非发绀型，也可根据有无分流分为三类：无分流类(如肺动脉狭窄、主动脉缩窄)、左至右分流类(如房间隔缺损、室间隔缺损、动脉导管未闭)和右至左分流(如法洛氏四联症、大血管错位)类。
现有的先心病分类方法主要针对正常结构的心脏病进行全心脏和大血管分割，或者对先天性心脏病进行简单的血池和心肌的分割，然而还没有相关的技术能够进行先心病自动分类。
发明内容
为了弥补现有技术中存在的不足，本发明提供了一种基于深度神经网络和形态相似度的先心病分类系统，能够对医疗图像进行先心病的自动分类，有利于提高医生的工作效率。
本发明为了达到上述目的，采用的技术方案如下：
基于深度神经网络和形态相似度的先心病分类系统，包括：
影像分割模块，用于分割医疗图像中的心房、心室、心肌以及大血管初始部分区域得到第一分割影像，以及分割医疗图像中的血池区域及其边界得到第二分割影像；
房室与心肌形态特征分析模块，用于分析及输出左心房、左心室、右心房、右心室、心肌中的个体或组合之间的房室与心肌形态特征，所述房室与心肌形态特征包括但不限于房室体积、房室体积比、长轴方向、短轴方向、长轴短轴比、心肌与房室连接处的厚度；
连接特征分析模块，用于分析所述第一分割影像及所述第二分割影像中的心房与心室、心室与大血管之间的连接关系，输出连接特征；
血管形态提取模块，用于提取所述第二分割影像除去所述第一分割影像心房心室后血池部分对应的血管形态；
模板存储模块，用于存储先心病分类中所有血管形态的模板；
大血管形态特征分析模块，用于比对所述血管形态提取模块提取的血管形态与所述模板存储模块内的模板，输出匹配的大血管形态特征；
综合分析模块，用于获取所述房室与心肌形态特征、所述连接特征与所述大血管形态特征，并根据预设的分类规则得出先心病的分类结果。
进一步的，还包括区域提取模块，用于提取医疗图像中的心脏及其周边血管的区域影像，并将该区域影像输送至影像分割模块。
进一步的，所述影像分割模块包括3D U-net网络单元及2D U-net网络单元，所述3D U-net网络单元用于转换所述区域影像的尺寸并将转换后的区域影像进行分割得到所述第一分割影像，所述2D U-net网络单元用于获取医疗图像的2D切片并将该2D切片进行分割得到第二分割影像。
进一步的，所述血管形态提取模块包括框架提取单元、框架采样单元及归一化单元，所述框架提取单元用于从所述第二分割影像中去除所述第一分割影像的房室的血池部分从而提取血管并优化血管框架线，所述框架采样单元用于采取所述血管框架线上的若干框架点，所述归一化单元用于计算所述框架点和所述模板对应数据的相似度并输出匹配的图像。
本发明还提供了应用上述基于深度神经网络和形态相似度的先心病分类系统的分类方法，其包括以下步骤：
S1、影像分割，将医疗图像分割成第一分割影像(心房心室以及大血管初始部分区域)和第二分割影像(血池区域及其边界)；
S2、房室与心肌形态特征分析，分析步骤S1中获取的心房、心室及心肌中的个体或组合之间的形态特征，输出房室与心肌形态特征；
S3、连接特征分析，分析所述第一分割影像及第二分割影像中的心房与心室、心室与大血管之间的连接关系，输出连接特征；
S4、血管形态提取，提取所述第二分割影像除去所述第一分割影像心房心室后血池部分对应的血管形态；
S5、大血管形态特征分析，比对步骤S4中获得的血管形态与所述模板存储模块内的模板，输出匹配的大血管形态特征；
S6、综合分析判定，获取所述房室与心肌形态特征、所述连接特征与所述大血管形态特征，根据预设的分类规则得出先心病的分类结果。
进一步的，所述步骤S1之前还包括步骤S0：提取医疗图像中的心脏及其周边血管的区域影像，并将该区域影像输送至影像分割模块。
进一步的，所述步骤S1中，所述第一分割影像使用3D U-net神经网络进行处理，所述第二分割影像使用2D U-net神经网络进行处理。
进一步的，所述步骤S4中，包括以下分步骤：
S41、框架提取，从所述第二分割影像中去除所述第一分割影像中房室的血池部分提取血管并优化血管框架线；
S42、框架采样，采取所述血管框架线上的若干框架点；
S43、归一化处理，计算所述框架点和所述模板对应数据的相似度并输出匹配的图像。
进一步的，所述步骤S6中，所述分类规则为，若所述房室与心肌形态特征异常或者所述连接特征有误，则归类为心脏内畸形；若房室与心肌形态特征及所述大血管形态特征正常，所述连接特征有误，则归类为心室动脉连接畸形；若所述房室与心肌形态特征、所述连接特征正常，则归类为大血管畸形，直接通过所述大血管形态特征进行具体判定。
进一步的，所述步骤S2、S3的顺序不限且可置于所述步骤S5与S6之间。
本发明与现有技术相比，具有以下有益技术效果：
本发明所述的基于深度神经网络和形态相似度的先心病分类系统及方法，对于大量需要诊断鉴别的先心病医疗图像而言，通过使用深度神经网络，能够智能地对医疗图像进行分割，分别分析房室与心肌形态特征、连接特征与大血管形态特征，从而自动对先心病进行自动分类，分类速度快且准确性高，有利于减轻医生的工作强度并提高工作效率。
附图说明
图1是本发明所述的基于深度神经网络和形态相似度的先心病分类系统示意图；
图2是本发明所述的基于深度神经网络和形态相似度的先心病分类方法流程图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
实施例1
如图1所示，基于深度神经网络和形态相似度的先心病分类系统，包括区域提取模块1、影像分割模块2、房室与心肌形态特征分析模块3、连接特征分析模块4、模板存储模块5、血管形态提取模块6、大血管形态特征分析模块7及综合分析模块8。对于每一个待分割的3D医疗影像，区域提取模块1用于提取其中的心脏及其周边血管的区域影像，这样可以有效的减少后续待处理的数据量，提高处理速度。区域提取模块1提取3D医疗影像的区域影像后将其输出至影像分割模块2。
影像分割模块2包括3D U-net网络单元及2D U-net网络单元。其中，3D U-net网络单元用于在区域影像提取时将输入的3D影像的尺寸变换为64*64*64，然后进行心房、心室、心肌以及大血管初始部分的分割从而得到第一分割影像；2D U-net网络单元用于获取整个血池区域(包含房室和所有周边血管)及其边界的分割，该分割过程的输入为3D影像的每一个切片(即512*512的2D图像)，通过处理得到第二分割影像。
房室与心肌形态特征分析模块3用于分析及输出四个房室(左心房、左心室、右心房、右心室)、心肌中的个体或组合之间的房室与心肌形态特征，所述房室与心肌形态特征包括但不限于房室体积、房室体积比、长轴方向、短轴方向、长轴短轴比、心肌与房室连接处的厚度。
连接特征分析模块4用于分析第一分割影像及第二分割影像中的心房与心室、心室与大血管之间的连接关系，输出连接特征。
模板存储模块5用于存储先心病分类中所有血管形态的模板，包括正常、双主动脉弓(DAA)、肺动脉吊带(PAS)、共同动脉干(CAT)、肺动脉闭锁(PuA)、主动脉弓离断(IAA)等形态模板。
血管形态提取模块6用于提取第二分割影像中的血管形态，其包括框架提取单元、框架采样单元及归一化单元。框架提取单元用于第二分割影像中去掉心房心室对应的区域，进而获得大血管对应的血池部分，然后提取出血管框架线并进行优化。框架采样单元用于对血管框架线进行采样，得到若干框架点，以减少计算量。归一化单元用于计算框架点和模板对应数据的相似度并输出匹配的图像。
大血管形态特征分析模块7用于比对血管形态提取模块6提取的血管形态与模板存储模块5内的模板，输出匹配的大血管形态特征。
综合分析模块8则用于获取房室与心肌形态特征、连接特征与大血管形态特征，并根据预设的分类规则得出先心病的分类结果。
如图2所示，本实施例还提供应用上述先心病分类系统的分类方法，包括以下步骤：
S0：提取医疗图像中的心脏及其周边血管的区域影像(尺寸为64*64*64的3D影像)，并将该区域影像输送至影像分割模块。
S1、影像分割，将医疗图像分割成第一分割影像(心房、心室、心肌以及大血管初始部分区域)和第二分割影像(血池区域及其边界)；其中，第一分割影像使用3D U-net神经网络进行处理，其输入影像为步骤S0的区域影像；第二分割影像使用2D U-net神经网络进行处理，其输入影像为医疗图像的切片(即512*512的2D图像)。
S2、房室与心肌形态特征分析，分析步骤S1中获取的心房、心室及心肌中的个体或组合之间的形态特征(包括但不限于体积、体积比、长轴方向、短轴方向、长轴短轴比、心肌与房室连接处的厚度)，输出房室与心肌形态特征。
S3、连接特征分析，分析第一分割影像及第二分割影像中的心房与心室、心室与大血管之间的连接关系，输出连接特征。
S4、血管形态提取，提取所述第二分割影像除去第一分割影像心房心室后血池部分对应的血管形态；具体地，包括以下分步骤：S41、框架提取，从第二分割影像中去除第一分割影像房室的血池部分提取并优化血管框架线；S42、框架采样，采取血管框架线上的若干框架点；S43、归一化处理，计算框架点和模板对应数据的相似度并输出匹配的图像。
S5、大血管形态特征分析，比对步骤S4中获得的血管形态与模板存储模块内的模板，输出匹配的大血管形态特征。
S6、综合分析判定，获取房室与心肌形态特征、连接特征与大血管形态特征，根据预设的分类规则得出先心病的分类结果。
本方法中，步骤S2、S3顺序不限且可置于步骤S5与步骤S6之间，并不影响分类结果的准确性。
上述方法中，大血管初始部分这个类别定义为主动脉和肺动脉与心室连接的部分，2D U-net和3D U-net神经网络的分割各有特点：血池分割(2D U-net)分辨率高，但是只能分割血池及其边界；而心房、心室、心肌以及大血管初始部分的分割(3D U-net)能够得到四个房室腔、心肌和大血管初始部分共六类，但是分辨率较低。为了提高房室与大血管连接关系的准确性，可利用已有的高分辨率的血池分割结果进行优化。
更进一步的，在步骤S3中，使用Earth mover’s distance相似度来对血管框架线进行建模，并计算其与模板存储模块中的模块形态的相似度。该相似度计算分布(包含若干个容器)之间的相似度。在建模过程中，最关键的问题是每一个容器的量和容器与容器之间的距离。在该方法中，每个框架点对应一个容器，框架点之间的欧式距离即为容器间的距离，框架点对应在血池中的最小内切圆半径的三次方即为容器的量。归一化单元对框架点的坐标以及对应的容器的量进行归一化处理，其中，坐标归一化过程为：其中xi，yi，zi为框架点的坐标值，xc，yc，zc为所有框架点的重心，xN，yN，zN为包含LV和RV的最小矩形的三边长度。同理，选取模板存储模块中的形态并进行框架提取以及框架采样，也同时获得了其对应的分布。
基于获取的待测框架线图像和模板图像对应的分布，通过Earth mover’sdistance相似度可获取两者的相似度。将上述过程重复多次，即可得到待测框架线图片与所有模板的相似度，并将最小的相似度对应的模板种类作为大血管形态特征的种类输出。除了上述获取的种类信息，同时将会对每一个框架线对应的图进行连接分析，例如图中是否存在环路以及框架点的对应血池中最小内切圆半径的变化情况(是否有窄的区域出现)。
具体地，在步骤S6中，分类规则为：(1)若房室与心肌形态特征异常或者房室连接特征有误，则归类为心脏内畸形。例如：心房形态异常，则为心房畸形；房室连接特征有误，则为房室连接区畸形。(2)若房室与心肌形态特征及大血管形态特征正常，房室连接特征有误，则归类为心室动脉连接畸形。例如：大动脉初始部分均连接右心室，则为右心室双出口；若大动脉连接左心室和右心室，肺动脉连接右心室，且肺动脉有狭窄区域，则为法洛四联症；大动脉转位可以通过大动脉与心室的连接关系进行判定。(3)若房室与心肌形态特征、房室连接、房室、大动脉连接特征正常，则归类为大血管畸形，直接通过大血管形态特征进行判定。例如：双主动脉弓、肺动脉吊带、共同动脉干、肺动脉闭锁，主动脉弓离断的判定。此外，动脉导管未闭，动脉弓发育不良和主动脉狭窄主要通过分析血管是否有狭窄来判断。双上腔静脉通过分析上腔静脉的有无分叉来判定。
最后应说明的是：以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各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，但是凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于深度神经网络和形态相似度的先心病分类系统，其特征在于，包括：
影像分割模块，用于分割医疗图像中的心房心室以及大血管初始部分区域得到第一分割影像，以及分割医疗图像中的血池区域及其边界得到第二分割影像；
房室与心肌形态特征分析模块，用于分析及输出左心房、左心室、右心房、右心室、心肌中的个体或组合之间的房室与心肌形态特征，所述房室与心肌形态特征包括但不限于房室体积、房室体积比、长轴方向、短轴方向、长轴短轴比、心肌与房室连接处的厚度；
连接特征分析模块，用于分析所述第一分割影像及所述第二分割影像中的心房与心室、心室与大血管之间的连接关系，输出连接特征；
血管形态提取模块，用于提取所述第二分割影像除去所述第一分割影像心房心室后血池部分对应的血管形态；
模板存储模块，用于存储先心病分类中所有血管形态的模板；
大血管形态特征分析模块，用于比对所述血管形态提取模块提取的血管形态与所述模板存储模块内的模板，输出匹配的大血管形态特征；
综合分析模块，用于获取所述房室与心肌形态特征、所述连接特征与所述大血管形态特征，并根据预设的分类规则得出先心病的分类结果。
2.如权利要求1所述的基于深度神经网络和形态相似度的先心病分类系统，其特征在于，还包括：区域提取模块，用于提取医疗图像中的心脏及其周边血管的区域影像，并将该区域影像输送至影像分割模块。
3.如权利要求2所述的基于深度神经网络和形态相似度的先心病分类系统，其特征在于：所述影像分割模块包括3D U-net网络单元及2D U-net网络单元，所述3D U-net网络单元用于转换所述区域影像的尺寸并将转换后的区域影像进行分割得到所述第一分割影像，所述2D U-net网络单元用于获取医疗图像的2D切片并将该2D切片进行分割得到第二分割影像。
4.如权利要求1-3任一项所述的基于深度神经网络和形态相似度的先心病分类系统，其特征在于：所述血管形态提取模块包括框架提取单元、框架采样单元及归一化单元，所述框架提取单元用于从所述第二分割影像中去除所述第一分割影像的房室的血池部分从而提取血管并优化血管框架线，所述框架采样单元用于采取所述血管框架线上的若干框架点，所述归一化单元用于计算所述框架点和所述模板对应数据的相似度并输出匹配的图像。
5.一种应用权利要求1-4任一项所述的基于深度神经网络和形态相似度的先心病分类系统的方法，其特征在于，包括以下步骤：
S1、影像分割，将医疗图像分割成第一分割影像(心房心室以及大血管初始部分区域)和第二分割影像(血池区域及其边界)；
S2、房室与心肌形态特征分析，分析步骤S1中获取的心房、心室及心肌中的个体或组合之间的形态特征，输出房室与心肌形态特征；
S3、连接特征分析，分析所述第一分割影像及所述第二分割影像中的心房与心室、心室与大血管之间的连接关系，输出连接特征；
S4、血管形态提取，提取所述第二分割影像除去所述第一分割影像心房心室后血池部分对应的血管形态；
S5、大血管形态特征分析，比对步骤S4中获得的血管形态与所述模板存储模块内的模板，输出匹配的大血管形态特征；
S6、综合分析判定，获取所述房室与心肌形态特征、所述连接特征与所述大血管形态特征，根据预设的分类规则得出先心病的分类结果。
6.如权利要求5所述的基于深度神经网络和形态相似度的先心病分类方法，其特征在于，所述步骤S1之前还包括步骤S0：提取医疗图像中的心脏及其周边血管的区域影像，并将该区域影像输送至影像分割模块。
7.如权利要求6所述的基于深度神经网络和形态相似度的先心病分类方法，其特征在于：所述步骤S1中，所述第一分割影像使用3D U-net神经网络进行处理，所述第二分割影像使用2D U-net神经网络进行处理。
8.如权利要求5-7任一项所述的基于深度神经网络和形态相似度的先心病分类方法，其特征在于，所述步骤S4中，包括以下分步骤：
S41、框架提取，从所述第二分割影像中去除所述第一分割影像中房室的血池部分提取血管并优化血管框架线；
S42、框架采样，采取所述血管框架线上的若干框架点；
S43、归一化处理，计算所述框架点和所述模板对应数据的相似度并输出匹配的图像。
9.如权利要求8所述的基于深度神经网络和形态相似度的先心病分类方法，其特征在于：所述步骤S6中，所述分类规则为，若所述房室与心肌形态特征异常或者所述连接特征有误，则归类为心脏内畸形；若房室与心肌形态特征及所述大血管形态特征正常，所述连接特征有误，则归类为心室动脉连接畸形；若所述房室与心肌形态特征、所述连接特征正常，则归类为大血管畸形，直接通过所述大血管形态特征进行具体判定。
10.如权利要求9所述的基于深度神经网络和形态相似度的先心病分类方法，其特征在于：所述步骤S2、S3的顺序不限且可置于所述步骤S5与S6之间。
CN201910629370.4A 2019-07-12 2019-07-12 基于深度神经网络和形态相似度的先心病分类系统及方法 Active CN110349149B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910629370.4A CN110349149B (zh) 2019-07-12 2019-07-12 基于深度神经网络和形态相似度的先心病分类系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910629370.4A CN110349149B (zh) 2019-07-12 2019-07-12 基于深度神经网络和形态相似度的先心病分类系统及方法

Publications (2)

Publication Number Publication Date
CN110349149A true CN110349149A (zh) 2019-10-18
CN110349149B CN110349149B (zh) 2022-06-24

Family

ID=68176058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910629370.4A Active CN110349149B (zh) 2019-07-12 2019-07-12 基于深度神经网络和形态相似度的先心病分类系统及方法

Country Status (1)

Country Link
CN (1) CN110349149B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766691A (zh) * 2019-12-06 2020-02-07 北京安德医智科技有限公司 一种心脏磁共振影像分析及心肌病预测的方法、装置
CN114565622A (zh) * 2022-03-03 2022-05-31 北京安德医智科技有限公司 房间隔缺损长度的确定方法及装置、电子设备和存储介质
US20220338816A1 (en) * 2021-04-21 2022-10-27 Shanghai United Imaging Intelligence Co., Ltd. Fully automated cardiac function and myocardium strain analyses using deep learning
CN117152125A (zh) * 2023-10-25 2023-12-01 广州爱孕记信息科技有限公司 基于超声影像的心脏异常分析方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1914617A (zh) * 2004-02-03 2007-02-14 美国西门子医疗解决公司 与心脏有关的疾病和病症的自动诊断和决策支持系统和方法
CN105118056A (zh) * 2015-08-13 2015-12-02 重庆大学 基于三维形态学的冠脉血管自动提取方法
CN106650272A (zh) * 2016-12-28 2017-05-10 北京昆仑医云科技有限公司 个体特异性的心血管模型的生成方法及其应用
US20170178285A1 (en) * 2015-12-22 2017-06-22 Shanghai United Imaging Healthcare Co., Ltd. Method and system for cardiac image segmentation
CN107330888A (zh) * 2017-07-11 2017-11-07 中国人民解放军第三军医大学 基于cta图像的动态心脏各腔室分割方法
CN108765430A (zh) * 2018-05-24 2018-11-06 西安思源学院 一种基于心脏ct图像和机器学习的心脏左腔区域分割方法
CN108882917A (zh) * 2016-05-30 2018-11-23 深圳迈瑞生物医疗电子股份有限公司 一种心脏容积识别分析系统和方法
CN109064817A (zh) * 2018-07-18 2018-12-21 杭州行开科技有限公司 基于ct三维重建模型的手术模拟系统
US20190362497A1 (en) * 2016-11-29 2019-11-28 Koninklijke Philips N.V. Heart segmentation methodology for cardiac motion correction

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1914617A (zh) * 2004-02-03 2007-02-14 美国西门子医疗解决公司 与心脏有关的疾病和病症的自动诊断和决策支持系统和方法
CN105118056A (zh) * 2015-08-13 2015-12-02 重庆大学 基于三维形态学的冠脉血管自动提取方法
US20170178285A1 (en) * 2015-12-22 2017-06-22 Shanghai United Imaging Healthcare Co., Ltd. Method and system for cardiac image segmentation
CN108882917A (zh) * 2016-05-30 2018-11-23 深圳迈瑞生物医疗电子股份有限公司 一种心脏容积识别分析系统和方法
US20190362497A1 (en) * 2016-11-29 2019-11-28 Koninklijke Philips N.V. Heart segmentation methodology for cardiac motion correction
CN106650272A (zh) * 2016-12-28 2017-05-10 北京昆仑医云科技有限公司 个体特异性的心血管模型的生成方法及其应用
CN107330888A (zh) * 2017-07-11 2017-11-07 中国人民解放军第三军医大学 基于cta图像的动态心脏各腔室分割方法
CN108765430A (zh) * 2018-05-24 2018-11-06 西安思源学院 一种基于心脏ct图像和机器学习的心脏左腔区域分割方法
CN109064817A (zh) * 2018-07-18 2018-12-21 杭州行开科技有限公司 基于ct三维重建模型的手术模拟系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHRISTIAN PAYER ET AL.: ""Multi-label Whole Heart Segmentation Using CNNs and Anatomical Label Configurations"", 《STATISTICAL ATLASES AND COMPUTATIONAL MODELS OF THE HEART》 *
芦俊池等: ""中国心室分割方法研究与发展"", 《计算机辅助设计与图形学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766691A (zh) * 2019-12-06 2020-02-07 北京安德医智科技有限公司 一种心脏磁共振影像分析及心肌病预测的方法、装置
US20220338816A1 (en) * 2021-04-21 2022-10-27 Shanghai United Imaging Intelligence Co., Ltd. Fully automated cardiac function and myocardium strain analyses using deep learning
CN114565622A (zh) * 2022-03-03 2022-05-31 北京安德医智科技有限公司 房间隔缺损长度的确定方法及装置、电子设备和存储介质
CN117152125A (zh) * 2023-10-25 2023-12-01 广州爱孕记信息科技有限公司 基于超声影像的心脏异常分析方法及装置
CN117152125B (zh) * 2023-10-25 2024-04-12 广州爱孕记信息科技有限公司 基于超声影像的心脏异常分析方法及装置

Also Published As

Publication number Publication date
CN110349149B (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN110349149A (zh) 基于深度神经网络和形态相似度的先心病分类系统及方法
Florin et al. Particle filters, a quasi-monte carlo solution for segmentation of coronaries
CN105719295B (zh) 一种基于三维超体素的颅内出血区域分割方法及系统
CN113080990B (zh) 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法
CN101727537A (zh) 基于双视角信息融合的乳腺cr图像的计算机确定方法
US20030169915A1 (en) Abnormal shadow detecting system
CN116681958B (zh) 基于机器学习的胎儿肺脏超声影像成熟度预测方法
CN104840186A (zh) 一种充血性心力衰竭患者自主神经功能的评估方法
CN111815663A (zh) 一种基于Hessian矩阵和灰度法的肝血管分割系统
CN110458848B (zh) 判断影像的冠脉分割中冠脉分支的方法
CN109902682A (zh) 一种基于残差卷积神经网络的乳腺x线图像检测方法
CN111882566A (zh) 视网膜图像的血管分割方法、装置、设备及存储介质
CN111462049A (zh) 一种乳腺超声造影视频中病灶区形态自动标注方法
CN113160120A (zh) 基于多模态融合与深度学习的肝脏血管分割方法及系统
US8433113B2 (en) Automatic recovery of the left ventricular blood pool in cardiac cine magnetic resonance images
Widodo et al. Classification of lung nodules and arteries in computed tomography scan image using principle component analysis
CN110428431B (zh) 一种心脏医学图像的分割方法、装置、设备及存储介质
KR101442728B1 (ko) 폐동맥과 폐정맥을 구분하는 방법
Elmorsy et al. K3. A region growing liver segmentation method with advanced morphological enhancement
CN114862799B (zh) 一种用于flair-mri序列的全自动脑体积分割方法
CN115841472A (zh) 大脑中动脉高密度征识别方法、装置、设备及存储介质
Chi et al. A composite of features for learning-based coronary artery segmentation on cardiac CT angiography
CN108765432B (zh) 一种颈动脉内中膜边界自动分割方法与系统
Hemanth et al. Hybrid clustering method for optic disc segmentation and feature extraction in retinal images
Ivanov et al. Automatic calculation of left ventricular volume in magnetic resonance imaging using an image-based clustering approach

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