CN111311737A - 心脏图像的三维建模方法、装置、设备及存储介质 - Google Patents
心脏图像的三维建模方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111311737A CN111311737A CN202010145141.8A CN202010145141A CN111311737A CN 111311737 A CN111311737 A CN 111311737A CN 202010145141 A CN202010145141 A CN 202010145141A CN 111311737 A CN111311737 A CN 111311737A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- image
- heart
- right ventricle
- ventricle
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2016—Rotation, translation, scaling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种心脏图像的三维建模方法、装置、设备及存储介质,该方法通过预设卷积神经网络对待建模心脏图像进行分割,获得左右心室初分割图像,通过非刚性配准和复合变换算法对心脏平均形状进行初始化,使得获得的三维心脏初始形状的准确性提高;根据左右心室初分割图像构建左右心室距离函数图,减少三维活动形状模型中特征点的搜索空间;结合所述三维心脏初始形状、左右心室距离函数图和三维活动形状模型对待建模心脏图像进行三维建模,获得三维心脏图像,从而提高心脏图像三维建模的准确性。
Description
技术领域
本发明涉及医学图像的计算机分析技术领域,尤其涉及一种心脏图像的三维建模方法、装置、设备及存储介质。
背景技术
心脏是人体最为重要器官,负责把血液运行至身体各个部分,心脏疾病直接影响到人的生死存亡。据统计心脏疾病是全球死亡率最高的疾病之一,给社会经济发展带来巨大的影响。为此,开展心脏病早期诊断与治疗的新技术研究,具有非常重要的社会意义与使用价值。
在临床上,对心脏射血分数和心肌质量,以及其它功能参数(如室壁运动和壁厚)的评估,是心脏疾病早期诊断的重要手段之一。而这些功能参数指标的测量依赖于医学影像,如磁共振(Magnetic resonance,MR)成像,计算机断层扫描显像(ComputedTomography,CT)成像和单光子发射计算机断层成像术(Single-Photon EmissionComputed Tomography,SPECT)成像中心脏需要进行准确的三维建模。随着成像设备时间和空间分辨率的大幅提高,海量的影像数据极大地增加了三维建模难度。如何提高对心脏图像三维建模的准确性成为亟待解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种心脏图像的三维建模方法、装置、设备及存储介质,旨在解决现有技术中心脏图像三维建模的准确性有待提高的技术问题。
为实现上述目的,本发明提供一种心脏图像的三维建模方法,所述心脏图像的三维建模方法包括以下步骤:
获取待建模心脏图像,通过预设卷积神经网络对所述待建模心脏图像进行分割,获得左右心室初分割图像;
通过非刚性配准和复合变换算法对心脏平均形状进行初始化,获得三维心脏初始形状;
根据所述左右心室初分割图像构建左右心室距离函数图;
根据所述三维心脏初始形状、所述左右心室初分割图像和所述左右心室距离函数图,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维心脏图像。
优选地,所述根据所述三维心脏初始形状和所述左右心室距离函数图,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维心脏图像之后,所述心脏图像的三维建模方法还包括:
根据所述三维活动形状模型和所述三维心脏初始形状,对所述待建模心脏图像进行四维分割,获得左右心室精细分割图像。
优选地,所述左右心室距离函数图包括左心室距离函数图和右心室距离函数图;
相应地,所述根据所述左右心室初分割图像构建左右心室距离函数图,具体包括:
从所述左右心室初分割图像中提取初分割左心室轮廓,根据所述初分割左心室轮廓构建左心室距离函数图;
从所述左右心室初分割图像中提取初分割右心室轮廓,通过数字图像处理的腐蚀和膨胀对所述左右心室初分割图像进行处理,获得右心室距离函数图。
优选地,所述根据所述三维心脏初始形状、所述左右心室初分割图像和所述左右心室距离函数图,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维心脏图像,具体包括:
根据所述三维心脏初始形状和所述左右心室初分割图像,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维活动形状模型的初始轮廓,所述三维活动形状模型的初始轮廓包括图像强度模型;
根据所述左心室距离函数图和所述右心室距离函数图对所述图像强度模型进行优化,获得三维心脏图像。
优选地,所述根据所述三维活动形状模型和所述三维心脏初始形状,对所述待建模心脏图像进行四维分割,获得左右心室精细分割图像,具体包括:
通过所述三维活动形状模型中的点分布模型对所述三维心脏初始形状的形状进行约束,且通过所述三维活动形状模型中的图像强度模型对所述三维心脏初始形状进行驱动,并进行若干次迭代,对所述待建模心脏图像进行四维分割,获得左右心室精细分割图像。
优选地,所述通过非刚性配准和复合变换算法对心脏平均形状进行初始化,获得三维心脏初始形状,具体包括:
获取金标准样例心脏图像及对应的特征点标记图像;
将所述金标准样例心脏图像和所述待建模心脏图像进行非刚性配准,获得变换关系;
根据所述变换关系和所述特征点标记图像,对所述待建模心脏图像进行标记,获得所述待建模心脏图像对应的目标特征点;
根据所述目标特征点对心脏平均形状进行初始化,获得待优化心脏初始形状;
根据复合变换算法对所述待优化心脏初始形状进行优化,获得三维心脏初始形状。
优选地,所述根据复合变换算法对所述待优化心脏初始形状进行优化,获得三维心脏初始形状,具体包括:
从所述左右心室初分割图像中提取初分割右心室轮廓点、初分割左心室的原始位置和初分割右心室的原始位置,将所述初分割右心室轮廓点进行平面拟合,获得拟合平面;
将所述初分割右心室轮廓点和所述待优化心脏初始形状进行旋转,直至所述拟合平面与预设方向垂直,并获得已旋转初分割右心室轮廓点、已旋转初始形状右心室轮廓点和已旋转初始形状左心室;
将所述已旋转初分割右心室轮廓点和所述已旋转初始形状右心室轮廓点进行点云配准,获得配准初始形状右心室轮廓点;
将所述已旋转初始形状右心室轮廓点和所述配准初始形状右心室轮廓点进行普氏分析,获得旋转变换矩阵;
根据所述旋转变换矩阵对所述已旋转初始形状左心室进行变换,获得配准初始形状左心室;
将所述配准初始形状右心室轮廓点和所述配准初始形状左心室分别变换至所述初分割右心室的原始位置和所述初分割左心室的原始位置,获得三维心脏初始形状。
此外,为实现上述目的,本发明还提出一种心脏图像的三维建模装置,所述心脏图像的三维建模装置包括:
分割模块,用于获取待建模心脏图像,通过预设卷积神经网络对所述待建模心脏图像进行分割,获得左右心室初分割图像;
初始化模块,用于通过非刚性配准和复合变换算法对心脏平均形状进行初始化,获得三维心脏初始形状;
构建模块,用于根据所述左右心室初分割图像构建左右心室距离函数图;
三维建模模块,用于根据所述三维心脏初始形状、所述左右心室初分割图像和所述左右心室距离函数图,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维心脏图像。
此外,为实现上述目的,本发明还提出一种心脏图像的三维建模设备,所述心脏图像的三维建模设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的心脏图像的三维建模程序,所述心脏图像的三维建模程序配置为实现如上文所述的心脏图像的三维建模方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有心脏图像的三维建模程序,所述心脏图像的三维建模程序被处理器执行时实现如上文所述的心脏图像的三维建模方法的步骤。
本发明中,通过预设卷积神经网络对待建模心脏图像进行分割,获得左右心室初分割图像,通过非刚性配准和复合变换算法对心脏平均形状进行初始化,使得获得的三维心脏初始形状的准确性提高;根据左右心室初分割图像构建左右心室距离函数图,减少三维活动形状模型中特征点的搜索空间;结合所述三维心脏初始形状、左右心室距离函数图和三维活动形状模型对待建模心脏图像进行三维建模,获得三维心脏图像,从而提高心脏图像三维建模的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的心脏图像的三维建模设备的结构示意图;
图2为本发明心脏图像的三维建模方法第一实施例的流程示意图;
图3为本发明心脏图像的三维建模方法第二实施例的流程示意图;
图4为三维活动形状模型中图像驱动力分析示意图;
图5为本发明心脏图像的三维建模方法第三实施例的流程示意图;
图6为本发明心脏图像的三维建模装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的心脏图像的三维建模设备结构示意图。
如图1所示,该心脏图像的三维建模设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对心脏图像的三维建模设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及心脏图像的三维建模程序。
在图1所示的心脏图像的三维建模设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述心脏图像的三维建模设备通过处理器1001调用存储器1005中存储的心脏图像的三维建模程序,并执行本发明实施例提供的心脏图像的三维建模方法。
所述心脏图像的三维建模设备通过处理器1001调用存储器1005中存储的心脏图像的三维建模程序,并执行以下操作:
获取待建模心脏图像,通过预设卷积神经网络对所述待建模心脏图像进行分割,获得左右心室初分割图像;
通过非刚性配准和复合变换算法对心脏平均形状进行初始化,获得三维心脏初始形状;
根据所述左右心室初分割图像构建左右心室距离函数图;
根据所述三维心脏初始形状、所述左右心室初分割图像和所述左右心室距离函数图,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维心脏图像。
进一步地,所述心脏图像的三维建模设备通过处理器1001调用存储器1005中存储的心脏图像的三维建模程序,还执行以下操作:
根据所述三维活动形状模型和所述三维心脏初始形状,对所述待建模心脏图像进行四维分割,获得左右心室精细分割图像。
进一步地,所述左右心室距离函数图包括左心室距离函数图和右心室距离函数图;所述心脏图像的三维建模设备通过处理器1001调用存储器1005中存储的心脏图像的三维建模程序,还执行以下操作:
从所述左右心室初分割图像中提取初分割左心室轮廓,根据所述初分割左心室轮廓构建左心室距离函数图;
从所述左右心室初分割图像中提取初分割右心室轮廓,通过数字图像处理的腐蚀和膨胀对所述左右心室初分割图像进行处理,获得右心室距离函数图。
进一步地,所述心脏图像的三维建模设备通过处理器1001调用存储器1005中存储的心脏图像的三维建模程序,还执行以下操作:
根据所述三维心脏初始形状和所述左右心室初分割图像,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维活动形状模型的初始轮廓,所述三维活动形状模型的初始轮廓包括图像强度模型;
根据所述左心室距离函数图和所述右心室距离函数图对所述图像强度模型进行优化,获得三维心脏图像。
进一步地,所述心脏图像的三维建模设备通过处理器1001调用存储器1005中存储的心脏图像的三维建模程序,还执行以下操作:
通过所述三维活动形状模型中的点分布模型对所述三维心脏初始形状的形状进行约束,且通过所述三维活动形状模型中的图像强度模型对所述三维心脏初始形状进行驱动,并进行若干次迭代,对所述待建模心脏图像进行四维分割,获得左右心室精细分割图像。
进一步地,所述心脏图像的三维建模设备通过处理器1001调用存储器1005中存储的心脏图像的三维建模程序,还执行以下操作:
获取金标准样例心脏图像及对应的特征点标记图像;
将所述金标准样例心脏图像和所述待建模心脏图像进行非刚性配准,获得变换关系;
根据所述变换关系和所述特征点标记图像,对所述待建模心脏图像进行标记,获得所述待建模心脏图像对应的目标特征点;
根据所述目标特征点对心脏平均形状进行初始化,获得待优化心脏初始形状;
根据复合变换算法对所述待优化心脏初始形状进行优化,获得三维心脏初始形状。
进一步地,所述心脏图像的三维建模设备通过处理器1001调用存储器1005中存储的心脏图像的三维建模程序,还执行以下操作:
从所述左右心室初分割图像中提取初分割右心室轮廓点、初分割左心室的原始位置和初分割右心室的原始位置,将所述初分割右心室轮廓点进行平面拟合,获得拟合平面;
将所述初分割右心室轮廓点和所述待优化心脏初始形状进行旋转,直至所述拟合平面与预设方向垂直,并获得已旋转初分割右心室轮廓点、已旋转初始形状右心室轮廓点和已旋转初始形状左心室;
将所述已旋转初分割右心室轮廓点和所述已旋转初始形状右心室轮廓点进行点云配准,获得配准初始形状右心室轮廓点;
将所述已旋转初始形状右心室轮廓点和所述配准初始形状右心室轮廓点进行普氏分析,获得旋转变换矩阵;
根据所述旋转变换矩阵对所述已旋转初始形状左心室进行变换,获得配准初始形状左心室;
将所述配准初始形状右心室轮廓点和所述配准初始形状左心室分别变换至所述初分割右心室的原始位置和所述初分割左心室的原始位置,获得三维心脏初始形状。
本实施例中,通过预设卷积神经网络对待建模心脏图像进行分割,获得左右心室初分割图像,通过非刚性配准和复合变换算法对心脏平均形状进行初始化,使得获得的三维心脏初始形状的准确性提高;根据左右心室初分割图像构建左右心室距离函数图,减少三维活动形状模型中特征点的搜索空间;结合所述三维心脏初始形状、左右心室距离函数图和三维活动形状模型对待建模心脏图像进行三维建模,获得三维心脏图像,从而提高心脏图像三维建模的准确性。
基于上述硬件结构,提出本发明心脏图像的三维建模方法的实施例。
参照图2,图2为本发明心脏图像的三维建模方法第一实施例的流程示意图,提出本发明心脏图像的三维建模方法第一实施例。
在第一实施例中,所述心脏图像的三维建模方法包括以下步骤:
步骤S10:获取待建模心脏图像,通过预设卷积神经网络对所述待建模心脏图像进行分割,获得左右心室初分割图像。
应理解的是,本实施例的执行主体是所述心脏图像的三维建模设备,所述心脏图像的三维建模设备可以是个人电脑或者服务器等电子设备,本实施例对此不加以限制。所述待建模心脏图像通常为四维MR心脏图像。对于四维MR心脏图像,可以把它看成时间序列的三维心脏图像,采用深度学习网络进行训练,从而得到最优的训练网络参数,所述预设卷积神经网络即为训练获得的深度学习网络,具有最优的训练网络参数。对新输入的所述待建模心脏图像,采用训练得到的预设卷积神经网络对其进行处理,从而得到所述左右心室初分割图像。
步骤S20:通过非刚性配准和复合变换算法对心脏平均形状进行初始化,获得三维心脏初始形状。
需要说明的是,目前,可通过大量的心脏图像训练,获得所述心脏平均形状,但是所述心脏平均形状应用到三维活动形状模型中无法准确实现心脏图像的精准建模。在三维活动形状模型的心脏初始化模块中,对点分布模型事先设计了若干个特征点。对于心脏建模和分割,只要找到了位于主动脉(AORTA)、二尖瓣(MITRAL)、左心室心尖(LV APEX)、三尖瓣(TRICUPSID)和右心室心尖(RV APEX)的五个点,对所述心脏平均形状进行复合变换,就可以得到全心脏的初始形状,即所述三维心脏初始形状。
步骤S30:根据所述左右心室初分割图像构建左右心室距离函数图。
可理解的是,所述左右心室距离函数图包括左心室距离函数图和右心室距离函数图。在采用深度学习网络对输入的所述待建模心脏图像进行分割后,其分割结果被用来构建三维活动形状模型的初始轮廓,并且用所述左右心室初分割图像的左心室轮廓构建左心室距离函数图。右心室距离函数图可通过数字图像处理的腐蚀和膨胀构造。
步骤S40:根据所述三维心脏初始形状、所述左右心室初分割图像和所述左右心室距离函数图,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维心脏图像。
在具体实现中,在采用所述预设神经网络对所述待建模心脏图像进行初分割后,其分割结果所述左右心室初分割图像被用来构建三维活动形状模型的初始轮廓,并且用所述左右心室初分割图像的左心室轮廓构建左心室距离函数图,通过数字图像处理的腐蚀和膨胀构造右心室距离函数图,所述左心室距离函数图和所述右心室距离函数构成所述左右心室距离函数图,将所述左右心室距离函数图用于优化活动形状模型中的强度模型,根据所述三维心脏初始形状、所述左右心室初分割图像和所述左右心室距离函数图,通过经过优化的三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维心脏图像。三维建模是对一个时间点的待建模心脏图像进行三维分割,分割获得的所述三维心脏图像是由三维点云和所述三维点云形成的三角网络构成的。所述三维点云代表三维心脏体的各个不同区域。
本实施例中,通过预设卷积神经网络对待建模心脏图像进行分割,获得左右心室初分割图像,通过非刚性配准和复合变换算法对心脏平均形状进行初始化,使得获得的三维心脏初始形状的准确性提高;根据左右心室初分割图像构建左右心室距离函数图,减少三维活动形状模型中特征点的搜索空间;结合所述三维心脏初始形状、左右心室距离函数图和三维活动形状模型对待建模心脏图像进行三维建模,获得三维心脏图像,从而提高心脏图像三维建模的准确性。
参照图3,图3为本发明心脏图像的三维建模方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明心脏图像的三维建模方法的第二实施例。
在本实施例中,所述步骤S40之后,还包括:
根据所述三维活动形状模型和所述三维心脏初始形状,对所述待建模心脏图像进行四维分割,获得左右心室精细分割图像。
应理解的是,所述待建模心脏图像是一个心脏图像序列,即四维心脏图像序列,对所述待建模心脏图像进行四维分割,即对所述四维心脏图像序列进行四维分割。初始形状可以扩展到各个时间点上,时间上下文约束着各个时间点上的距离函数,如果某个时间点深度学习分割失败,会被时间上下文约束机制识别。根据所述三维活动形状模型和所述三维心脏初始形状,对所述待建模心脏图像进行四维分割,通过所述三维活动形状模型中的点分布模型对所述三维心脏初始形状的形状进行约束,通过所述三维活动形状模型中的图像强度模型所述三维心脏初始形状进行驱动,以使所述三维心脏初始形状不断地往心脏轮廓逼近,考虑到心脏的运动特性,将对心脏的三维建模扩展到各个时间点上,利用心脏在时间轴的上下文约束关系,完成心脏序列图像的四维分割与心脏功能量化分析,最终得到四维心脏全心脏图像的较理想分割结果,即所述左右心室精细分割图像,可将所述左右心室精细分割用于心脏功能参数的评估。在本实施例中,所述根据所述三维活动形状模型和所述三维心脏初始形状,对所述待建模心脏图像进行四维分割,获得左右心室精细分割图像之后,还包括:根据所述左右心室精细分割图像计算心脏的功能参数。
在第二实施例中,所述步骤S30,具体包括:
步骤S301:所述左右心室距离函数图包括左心室距离函数图和右心室距离函数图,从所述左右心室初分割图像中提取初分割左心室轮廓,根据所述初分割左心室轮廓构建左心室距离函数图。
可理解的是,在采用深度学习网络对输入的所述待建模心脏图像进行分割后,其分割结果被用来构建三维活动形状模型的初始轮廓,并且用所述左右心室初分割图像的左心室轮廓构建左心室距离函数图。
步骤S302:从所述左右心室初分割图像中提取初分割右心室轮廓,通过数字图像处理的腐蚀和膨胀对所述左右心室初分割图像进行处理,获得右心室距离函数图。
需要说明的是,右心室距离函数图可通过数字图像处理的腐蚀和膨胀构造。
在本实施例中,所述步骤S40,包括:
根据所述三维心脏初始形状和所述左右心室初分割图像,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维活动形状模型的初始轮廓,所述三维活动形状模型的初始轮廓包括图像强度模型;
根据所述左心室距离函数图和所述右心室距离函数图对所述图像强度模型进行优化,获得三维心脏图像。
应理解的是,在采用所述预设神经网络对所述待建模心脏图像进行初分割后,其分割结果所述左右心室初分割图像被用来构建三维活动形状模型的初始轮廓,并且用所述左右心室初分割图像的左心室轮廓构建左心室距离函数图,通过数字图像处理的腐蚀和膨胀构造右心室距离函数图,所述左心室距离函数图和所述右心室距离函数用于优化活动形状模型中的强度模型,通过优化后的三维活动形状模型对所述待建模心脏图像进行三维建模,获得所述三维心脏图像。
在本实施例中,所述根据所述三维活动形状模型和所述三维心脏初始形状,对所述待建模心脏图像进行四维分割,获得左右心室精细分割图像,包括:
通过所述三维活动形状模型中的点分布模型对所述三维心脏初始形状的形状进行约束,且通过所述三维活动形状模型中的图像强度模型对所述三维心脏初始形状进行驱动,并进行若干次迭代,对所述待建模心脏图像进行四维分割,获得左右心室精细分割图像。
在具体实现中,三维活动形状模型(3DASM)包含两个因素:点分布模型(PDM)和图像强度模型(IAM)。点分布模型可以约束三维心脏体的形状变化,在图像强度模型的作用下,所述三维心脏初始形状不断朝着目标轮廓靠近。在迭代若干次数后,在点分布模型与图像强度模型的共同作用,最终产生左心室心脏体的三维轮廓。
在训练阶段,对于心脏图像三维形状中的每一个特征点,捕获所有训练形状中,对应特征点的图像强度信息。让所有训练集中的图像栈中的图像切片与三维形状相交,在相交面上沿着被截取的形状轮廓的法线上采样,提取各个采样点的变化的主要模态,从而构成图像强度模型,参照图4,图4为三维活动形状模型中图像驱动力分析示意图,在分割阶段,则让待建模心脏图像切片与三维初始形状相交,见图4(a)与图4(b)。在二维相交平面上,产生了所述三维心脏初始形状与图像切片的交点集,沿着交点集的法线方向采样,根据强度模型,计算出某个交点在法线上的图像轮廓点,进而产生了截面上的二维力,以驱动该交点朝着轮廓方向前进,见图4(c)与图4(d)。而后,我们把二维力映射为三维力,驱动整个三维形状朝着心脏轮廓的方向逼近,如图4(e)。
原始的三维活动形状模型采用公式(4)搜索候选点,在本实施例中改进图像搜索方法,用深度学习的初分割构造距离函数。对左心室内外膜、右心室分别构建一个窄带,在窄带里,让距离函数为0,距离图中的点的函数值和该点距离窄带的距离有关,距离越大,函数值越小,这样做的目的是让活动形状模型尽量向初分割区域靠拢。
在式(4)中,对马氏距离加一个惩罚项|D(yi)|,得到公式(5),其中η为惩罚因子,根据训练获得。
最后,考虑到心脏的运动特性,将对心脏的三维建模扩展到各个时间点上,利用心脏在时间轴的上下文约束关系,完成心脏序列图像的四维分割与心脏功能量化分析。
在本实施例中,利用从深度学习网络得到心脏体的初分割,减少3DASM模型中特征点的搜索空间。通过点分布模型的约束,图像强度模型的驱动,初始形状不断地往心脏轮廓逼近,获得准确性高的三维图像,并最终得到四维心脏全心脏图像的较理想分割结果。
参照图5,图5为本发明心脏图像的三维建模方法第三实施例的流程示意图,基于上述第一实施例或第二实施例,提出本发明心脏图像的三维建模方法的第三实施例;在本实例中,基于第一实施例进行说明。
在本实施例中,所述步骤S20,包括:
步骤S201:获取金标准样例心脏图像及对应的特征点标记图像。
应理解的是,所述金标准样例心脏图像包括金标准样例的2CH,4CH,SAX心脏图像,对应的特征点标记图像为专家预先标记好的。
步骤S202:将所述金标准样例心脏图像和所述待建模心脏图像进行非刚性配准,获得变换关系。
可理解的是,所述待建模心脏图像包括待分割四维2CH,4CH,SAX全心脏图像,在三维活动形状模型的心脏初始化模块中,对点分布模型事先设计了若干个特征点,对于心脏分割,只要找到了位于主动脉(AORTA)、二尖瓣(MITRAL)、左心室心尖(LV APEX)、三尖瓣(TRICUPSID)和右心室心尖(RV APEX)的五个点,根据特征点,将所述金标准样例心脏图像和所述待建模心脏图像进行非刚性配准,获得变换关系。
步骤S203:根据所述变换关系和所述特征点标记图像,对所述待建模心脏图像进行标记,获得所述待建模心脏图像对应的目标特征点。
在具体实现中,根据所述变换关系对所述特征点标记图像进行分析处理,从而得到所述待建模心脏图像对应的目标特征点。
步骤S204:根据所述目标特征点对心脏平均形状进行初始化,获得待优化心脏初始形状。
需要说明的是,根据所述待建模心脏图像对应的目标特征点,可以得到心脏的初始形状。由于右心室的形状比较复杂,获得的右心室初始形状不能偏离心脏图像中右心室位置太远,因此采用复合变换法对初始形状进行优化。
步骤S205:根据复合变换算法对所述待优化心脏初始形状进行优化,获得三维心脏初始形状。
进一步地,所述步骤S305,包括:
从所述左右心室初分割图像中提取初分割右心室轮廓点、初分割左心室的原始位置和初分割右心室的原始位置,将所述初分割右心室轮廓点进行平面拟合,获得拟合平面;将所述初分割右心室轮廓点和所述待优化心脏初始形状进行旋转,直至所述拟合平面与预设方向垂直,并获得已旋转初分割右心室轮廓点、已旋转初始形状右心室轮廓点和已旋转初始形状左心室;将所述已旋转初分割右心室轮廓点和所述已旋转初始形状右心室轮廓点进行点云配准,获得配准初始形状右心室轮廓点;将所述已旋转初始形状右心室轮廓点和所述配准初始形状右心室轮廓点进行普氏分析,获得旋转变换矩阵;根据所述旋转变换矩阵对所述已旋转初始形状左心室进行变换,获得配准初始形状左心室;将所述配准初始形状右心室轮廓点和所述配准初始形状左心室分别变换至所述初分割右心室的原始位置和所述初分割左心室的原始位置,获得三维心脏初始形状。
需要说明的是,第一步骤,将深度学习获得的位于心底层右心室轮廓点进行平面拟合,获得所述拟合平面。第二步骤,把深度学习获得的右心室轮廓点与初始形状进行旋转,使得第一步骤得到的拟合平面与Z轴垂直,即所述预设方向包括Z轴。第三步骤,将第二步骤中得到的初始形状中右心室轮廓点与深度学习得到的右心室轮廓点进行点云配准,并对前者进行相应的缩放,使得初始形状中右心室轮廓点与深度学习获得的右心室轮廓点位置有较好的吻合。第四步骤,将第二步骤与第三步骤中得到的初始形状右心室轮廓点进行普氏分析(Procrustes Analysis)获得旋转变换矩阵。第五步骤,将第四步骤获得的旋转变换矩阵作用于第二步骤中初始形状的左心室。最后把初始形状变换到第一步骤中的原始位置,获得所述三维心脏初始形状。
本实施例中,根据非刚性配准和复合变换算法对心脏平均形状进行初始化,以使获得的三维心脏初始形状能够运用于三维活动形状模型,从而提高三维建模准确度。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有心脏图像的三维建模程序,所述心脏图像的三维建模程序被处理器执行时实现如下步骤:
获取待建模心脏图像,通过预设卷积神经网络对所述待建模心脏图像进行分割,获得左右心室初分割图像;
通过非刚性配准和复合变换算法对心脏平均形状进行初始化,获得三维心脏初始形状;
根据所述左右心室初分割图像构建左右心室距离函数图;
根据所述三维心脏初始形状、所述左右心室初分割图像和所述左右心室距离函数图,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维心脏图像。
进一步地,所述心脏图像的三维建模程序被处理器执行时还实现如下操作:
根据所述三维活动形状模型和所述三维心脏初始形状,对所述待建模心脏图像进行四维分割,获得左右心室精细分割图像。
进一步地,所述左右心室距离函数图包括左心室距离函数图和右心室距离函数图;所述心脏图像的三维建模程序被处理器执行时还实现如下操作:
从所述左右心室初分割图像中提取初分割左心室轮廓,根据所述初分割左心室轮廓构建左心室距离函数图;
从所述左右心室初分割图像中提取初分割右心室轮廓,通过数字图像处理的腐蚀和膨胀对所述左右心室初分割图像进行处理,获得右心室距离函数图。
进一步地,所述心脏图像的三维建模设备通过处理器1001调用存储器1005中存储的心脏图像的三维建模程序,还执行以下操作:
根据所述三维心脏初始形状和所述左右心室初分割图像,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维活动形状模型的初始轮廓,所述三维活动形状模型的初始轮廓包括图像强度模型;
根据所述左心室距离函数图和所述右心室距离函数图对所述图像强度模型进行优化,获得三维心脏图像。
进一步地,所述心脏图像的三维建模程序被处理器执行时还实现如下操作:
通过所述三维活动形状模型中的点分布模型对所述三维心脏初始形状的形状进行约束,且通过所述三维活动形状模型中的图像强度模型对所述三维心脏初始形状进行驱动,并进行若干次迭代,对所述待建模心脏图像进行四维分割,获得左右心室精细分割图像。
进一步地,所述心脏图像的三维建模程序被处理器执行时还实现如下操作:
获取金标准样例心脏图像及对应的特征点标记图像;
将所述金标准样例心脏图像和所述待建模心脏图像进行非刚性配准,获得变换关系;
根据所述变换关系和所述特征点标记图像,对所述待建模心脏图像进行标记,获得所述待建模心脏图像对应的目标特征点;
根据所述目标特征点对心脏平均形状进行初始化,获得待优化心脏初始形状;
根据复合变换算法对所述待优化心脏初始形状进行优化,获得三维心脏初始形状。
进一步地,所述心脏图像的三维建模程序被处理器执行时还实现如下操作:
从所述左右心室初分割图像中提取初分割右心室轮廓点、初分割左心室的原始位置和初分割右心室的原始位置,将所述初分割右心室轮廓点进行平面拟合,获得拟合平面;
将所述初分割右心室轮廓点和所述待优化心脏初始形状进行旋转,直至所述拟合平面与预设方向垂直,并获得已旋转初分割右心室轮廓点、已旋转初始形状右心室轮廓点和已旋转初始形状左心室;
将所述已旋转初分割右心室轮廓点和所述已旋转初始形状右心室轮廓点进行点云配准,获得配准初始形状右心室轮廓点;
将所述已旋转初始形状右心室轮廓点和所述配准初始形状右心室轮廓点进行普氏分析,获得旋转变换矩阵;
根据所述旋转变换矩阵对所述已旋转初始形状左心室进行变换,获得配准初始形状左心室;
将所述配准初始形状右心室轮廓点和所述配准初始形状左心室分别变换至所述初分割右心室的原始位置和所述初分割左心室的原始位置,获得三维心脏初始形状。
本实施例中,通过预设卷积神经网络对待建模心脏图像进行分割,获得左右心室初分割图像,通过非刚性配准和复合变换算法对心脏平均形状进行初始化,使得获得的三维心脏初始形状的准确性提高;根据左右心室初分割图像构建左右心室距离函数图,减少三维活动形状模型中特征点的搜索空间;结合所述三维心脏初始形状、左右心室距离函数图和三维活动形状模型对待建模心脏图像进行三维建模,获得三维心脏图像,从而提高心脏图像三维建模的准确性。
此外,参照图6,本发明实施例还提出一种心脏图像的三维建模装置,所述心脏图像的三维建模装置包括:
分割模块10,用于获取待建模心脏图像,通过预设卷积神经网络对所述待建模心脏图像进行分割,获得左右心室初分割图像。
应理解的是,所述待建模心脏图像通常为四维MR心脏图像。对于四维MR心脏图像,可以把它看成时间序列的三维心脏图像,采用深度学习网络进行训练,从而得到最优的训练网络参数,所述预设卷积神经网络即为训练获得的深度学习网络,具有最优的训练网络参数。对新输入的所述待建模心脏图像,采用训练得到的预设卷积神经网络对其进行处理,从而得到所述左右心室初分割图像。
初始化模块20,用于通过非刚性配准和复合变换算法对心脏平均形状进行初始化,获得三维心脏初始形状。
需要说明的是,目前,可通过大量的心脏图像训练,获得所述心脏平均形状,但是所述心脏平均形状应用到三维活动形状模型中无法准确实现心脏图像的精准建模。在三维活动形状模型的心脏初始化模块中,对点分布模型事先设计了若干个特征点。对于心脏分割,只要找到了位于主动脉(AORTA)、二尖瓣(MITRAL)、左心室心尖(LV APEX)、三尖瓣(TRICUPSID)和右心室心尖(RV APEX)的五个点,对所述心脏平均形状进行复合变换,就可以得到全心脏的初始形状,即所述三维心脏初始形状。
构建模块30,用于根据所述左右心室初分割图像构建左右心室距离函数图。
可理解的是,所述左右心室距离函数图包括左心室距离函数图和右心室距离函数图。在采用深度学习网络对输入的所述待建模心脏图像进行分割后,其分割结果被用来构建三维活动形状模型的初始轮廓,并且用所述左右心室初分割图像的左心室轮廓构建左心室距离函数图。右心室距离函数图可通过数字图像处理的腐蚀和膨胀构造。
三维建模模块40,用于根据所述三维心脏初始形状、所述左右心室初分割图像和所述左右心室距离函数图,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维心脏图像。
在具体实现中,在采用所述预设神经网络对所述待建模心脏图像进行初分割后,其分割结果所述左右心室初分割图像被用来构建三维活动形状模型的初始轮廓,并且用所述左右心室初分割图像的左心室轮廓构建左心室距离函数图,通过数字图像处理的腐蚀和膨胀构造右心室距离函数图,所述左心室距离函数图和所述右心室距离函数构成所述左右心室距离函数图,将所述左右心室距离函数图用于优化活动形状模型中的强度模型,根据所述三维心脏初始形状、所述左右心室初分割图像和所述左右心室距离函数图,通过经过优化的三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维心脏图像。三维建模是对一个时间点的待建模心脏图像进行三维分割,分割获得的所述三维心脏图像是由三维点云和所述三维点云形成的三角网络构成的。所述三维点云代表三维心脏体的各个不同区域。
本实施例中,通过预设卷积神经网络对待建模心脏图像进行分割,获得左右心室初分割图像,通过非刚性配准和复合变换算法对心脏平均形状进行初始化,使得获得的三维心脏初始形状的准确性提高;根据左右心室初分割图像构建左右心室距离函数图,减少三维活动形状模型中特征点的搜索空间;结合所述三维心脏初始形状、左右心室距离函数图和三维活动形状模型对待建模心脏图像进行三维建模,获得三维心脏图像,从而提高心脏图像三维建模的准确性。
本发明所述心脏图像的三维建模装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种心脏图像的三维建模方法,其特征在于,所述心脏图像的三维建模方法包括以下步骤:
获取待建模心脏图像,通过预设卷积神经网络对所述待建模心脏图像进行分割,获得左右心室初分割图像;
通过非刚性配准和复合变换算法对心脏平均形状进行初始化,获得三维心脏初始形状;
根据所述左右心室初分割图像构建左右心室距离函数图;
根据所述三维心脏初始形状、所述左右心室初分割图像和所述左右心室距离函数图,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维心脏图像。
2.如权利要求1所述的心脏图像的三维建模方法,其特征在于,所述根据所述三维心脏初始形状和所述左右心室距离函数图,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维心脏图像之后,所述心脏图像的三维建模方法还包括:
根据所述三维活动形状模型和所述三维心脏初始形状,对所述待建模心脏图像进行四维分割,获得左右心室精细分割图像。
3.如权利要求2所述的心脏图像的三维建模方法,其特征在于,所述左右心室距离函数图包括左心室距离函数图和右心室距离函数图;
相应地,所述根据所述左右心室初分割图像构建左右心室距离函数图,具体包括:
从所述左右心室初分割图像中提取初分割左心室轮廓,根据所述初分割左心室轮廓构建左心室距离函数图;
从所述左右心室初分割图像中提取初分割右心室轮廓,通过数字图像处理的腐蚀和膨胀对所述左右心室初分割图像进行处理,获得右心室距离函数图。
4.如权利要求3所述的心脏图像的三维建模方法,其特征在于,所述根据所述三维心脏初始形状、所述左右心室初分割图像和所述左右心室距离函数图,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维心脏图像,具体包括:
根据所述三维心脏初始形状和所述左右心室初分割图像,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维活动形状模型的初始轮廓,所述三维活动形状模型的初始轮廓包括图像强度模型;
根据所述左心室距离函数图和所述右心室距离函数图对所述图像强度模型进行优化,获得三维心脏图像。
5.如权利要求4所述的心脏图像的三维建模方法,其特征在于,所述根据所述三维活动形状模型和所述三维心脏初始形状,对所述待建模心脏图像进行四维分割,获得左右心室精细分割图像,具体包括:
通过所述三维活动形状模型中的点分布模型对所述三维心脏初始形状的形状进行约束,且通过所述三维活动形状模型中的图像强度模型对所述三维心脏初始形状进行驱动,并进行若干次迭代,对所述待建模心脏图像进行四维分割,获得左右心室精细分割图像。
6.如权利要求1~5中任一项所述的心脏图像的三维建模方法,其特征在于,所述通过非刚性配准和复合变换算法对心脏平均形状进行初始化,获得三维心脏初始形状,具体包括:
获取金标准样例心脏图像及对应的特征点标记图像;
将所述金标准样例心脏图像和所述待建模心脏图像进行非刚性配准,获得变换关系;
根据所述变换关系和所述特征点标记图像,对所述待建模心脏图像进行标记,获得所述待建模心脏图像对应的目标特征点;
根据所述目标特征点对心脏平均形状进行初始化,获得待优化心脏初始形状;
根据复合变换算法对所述待优化心脏初始形状进行优化,获得三维心脏初始形状。
7.如权利要求6所述的心脏图像的三维建模方法,其特征在于,所述根据复合变换算法对所述待优化心脏初始形状进行优化,获得三维心脏初始形状,具体包括:
从所述左右心室初分割图像中提取初分割右心室轮廓点、初分割左心室的原始位置和初分割右心室的原始位置,将所述初分割右心室轮廓点进行平面拟合,获得拟合平面;
将所述初分割右心室轮廓点和所述待优化心脏初始形状进行旋转,直至所述拟合平面与预设方向垂直,并获得已旋转初分割右心室轮廓点、已旋转初始形状右心室轮廓点和已旋转初始形状左心室;
将所述已旋转初分割右心室轮廓点和所述已旋转初始形状右心室轮廓点进行点云配准,获得配准初始形状右心室轮廓点;
将所述已旋转初始形状右心室轮廓点和所述配准初始形状右心室轮廓点进行普氏分析,获得旋转变换矩阵;
根据所述旋转变换矩阵对所述已旋转初始形状左心室进行变换,获得配准初始形状左心室;
将所述配准初始形状右心室轮廓点和所述配准初始形状左心室分别变换至所述初分割右心室的原始位置和所述初分割左心室的原始位置,获得三维心脏初始形状。
8.一种心脏图像的三维建模装置,其特征在于,所述心脏图像的三维建模装置包括:
分割模块,用于获取待建模心脏图像,通过预设卷积神经网络对所述待建模心脏图像进行分割,获得左右心室初分割图像;
初始化模块,用于通过非刚性配准和复合变换算法对心脏平均形状进行初始化,获得三维心脏初始形状;
构建模块,用于根据所述左右心室初分割图像构建左右心室距离函数图;
三维建模模块,用于根据所述三维心脏初始形状、所述左右心室初分割图像和所述左右心室距离函数图,通过三维活动形状模型对所述待建模心脏图像进行三维建模,获得三维心脏图像。
9.一种心脏图像的三维建模设备,其特征在于,所述心脏图像的三维建模设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的心脏图像的三维建模程序,所述心脏图像的三维建模程序被所述处理器执行时实现如权利要求1至7中任一项所述的心脏图像的三维建模方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有心脏图像的三维建模程序,所述心脏图像的三维建模程序被处理器执行时实现如权利要求1至7中任一项所述的心脏图像的三维建模方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010145141.8A CN111311737B (zh) | 2020-03-04 | 2020-03-04 | 心脏图像的三维建模方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010145141.8A CN111311737B (zh) | 2020-03-04 | 2020-03-04 | 心脏图像的三维建模方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311737A true CN111311737A (zh) | 2020-06-19 |
CN111311737B CN111311737B (zh) | 2023-03-10 |
Family
ID=71145315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010145141.8A Active CN111311737B (zh) | 2020-03-04 | 2020-03-04 | 心脏图像的三维建模方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311737B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381094A (zh) * | 2020-12-02 | 2021-02-19 | 明峰医疗系统股份有限公司 | 对重建图像中心脏roi的提取方法、系统、获取方法及存储介质 |
CN113538333A (zh) * | 2021-06-08 | 2021-10-22 | 中南民族大学 | 基于脑部块特征加权表达的阿尔茨海默症诊断方法 |
CN114224481A (zh) * | 2021-10-28 | 2022-03-25 | 彭小平 | 用于心脏再同步治疗中的手术辅助系统及手术机器人系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011031134A1 (en) * | 2009-09-14 | 2011-03-17 | Erasmus University Medical Center Rotterdam | Image processing method and system |
WO2018140596A2 (en) * | 2017-01-27 | 2018-08-02 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
CN108830863A (zh) * | 2018-06-22 | 2018-11-16 | 深圳大学 | 医学成像的左心室分割方法、系统和计算机可读存储介质 |
US20200000416A1 (en) * | 2018-06-29 | 2020-01-02 | General Electric Company | Heart ct image processing method and apparatus, and non-transitory computer readable storage medium |
CN110807829A (zh) * | 2019-11-05 | 2020-02-18 | 张东海 | 一种基于超声成像构建三维心脏模型的方法 |
-
2020
- 2020-03-04 CN CN202010145141.8A patent/CN111311737B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011031134A1 (en) * | 2009-09-14 | 2011-03-17 | Erasmus University Medical Center Rotterdam | Image processing method and system |
WO2018140596A2 (en) * | 2017-01-27 | 2018-08-02 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
CN108830863A (zh) * | 2018-06-22 | 2018-11-16 | 深圳大学 | 医学成像的左心室分割方法、系统和计算机可读存储介质 |
US20200000416A1 (en) * | 2018-06-29 | 2020-01-02 | General Electric Company | Heart ct image processing method and apparatus, and non-transitory computer readable storage medium |
CN110807829A (zh) * | 2019-11-05 | 2020-02-18 | 张东海 | 一种基于超声成像构建三维心脏模型的方法 |
Non-Patent Citations (1)
Title |
---|
胡立伟: "磁共振成像技术在3D打印先天性心脏病建模中的应用", 《中国医学计算机成像杂志》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381094A (zh) * | 2020-12-02 | 2021-02-19 | 明峰医疗系统股份有限公司 | 对重建图像中心脏roi的提取方法、系统、获取方法及存储介质 |
CN112381094B (zh) * | 2020-12-02 | 2022-04-26 | 明峰医疗系统股份有限公司 | 对重建图像中心脏roi的提取方法、系统、获取方法及存储介质 |
CN113538333A (zh) * | 2021-06-08 | 2021-10-22 | 中南民族大学 | 基于脑部块特征加权表达的阿尔茨海默症诊断方法 |
CN114224481A (zh) * | 2021-10-28 | 2022-03-25 | 彭小平 | 用于心脏再同步治疗中的手术辅助系统及手术机器人系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111311737B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maiseli et al. | Recent developments and trends in point set registration methods | |
Moradi et al. | MFP-Unet: A novel deep learning based approach for left ventricle segmentation in echocardiography | |
CN111311737B (zh) | 心脏图像的三维建模方法、装置、设备及存储介质 | |
US7916919B2 (en) | System and method for segmenting chambers of a heart in a three dimensional image | |
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 | |
CN112967236B (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
CN111640120A (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
CN113570627B (zh) | 深度学习分割网络的训练方法及医学图像分割方法 | |
US11631177B2 (en) | Machine learning device, estimation device, non-transitory computer readable medium, and learned model | |
CN114359642A (zh) | 基于一对一目标查询Transformer的多模态医学图像多器官定位方法 | |
Gutierrez-Becker et al. | Guiding multimodal registration with learned optimization updates | |
US11334995B2 (en) | Hierarchical systems and methods for image segmentation | |
CN111080658A (zh) | 基于可形变配准和dcnn的宫颈mri图像分割方法 | |
Santiago et al. | A new ASM framework for left ventricle segmentation exploring slice variability in cardiac MRI volumes | |
Nascimento et al. | One shot segmentation: unifying rigid detection and non-rigid segmentation using elastic regularization | |
CN111724395B (zh) | 心脏图像四维上下文分割方法、设备、存储介质及装置 | |
CN116824059A (zh) | 基于三维影像的目标表面重建方法、装置、设备和介质 | |
JP2006518072A (ja) | 適応メッシュのプリミティブにクラスを割り当てる画像の領域分割 | |
JP2017189394A (ja) | 情報処理装置および情報処理システム | |
Erdt et al. | Computer aided segmentation of kidneys using locally shape constrained deformable models on CT images | |
CN113962957A (zh) | 医学图像处理方法、骨骼图像处理方法、装置、设备 | |
CN113902738A (zh) | 一种心脏mri分割方法及系统 | |
Du et al. | Robust non-rigid point set registration via building tree dynamically | |
CN112767530B (zh) | 心脏图像三维重建方法、装置、设备及存储介质 |
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 |