CN111768391B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111768391B
CN111768391B CN202010624902.8A CN202010624902A CN111768391B CN 111768391 B CN111768391 B CN 111768391B CN 202010624902 A CN202010624902 A CN 202010624902A CN 111768391 B CN111768391 B CN 111768391B
Authority
CN
China
Prior art keywords
image
left ventricle
area
left ventricular
noise
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.)
Active
Application number
CN202010624902.8A
Other languages
English (en)
Other versions
CN111768391A (zh
Inventor
何京松
向建平
宋湘芬
夏永清
赵行
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.)
Arteryflow Technology Co ltd
Original Assignee
Arteryflow Technology Co ltd
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 Arteryflow Technology Co ltd filed Critical Arteryflow Technology Co ltd
Priority to CN202010624902.8A priority Critical patent/CN111768391B/zh
Publication of CN111768391A publication Critical patent/CN111768391A/zh
Application granted granted Critical
Publication of CN111768391B publication Critical patent/CN111768391B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
    • 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
    • G06T2207/20—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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Computer Graphics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种基于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。所述基于CT影像的全自动心脏功能学分析方法包括：将CT影像输入深度神经网络模型，得到左心室分割图像；根据左心室分割图像构建三维模型；根据三维模型计算左心室功能学参数。本申请提供的基于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,能够提高影像分析的自动化程度，操作方便。

Description

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
技术领域
本申请涉及医疗技术领域，特别是涉及一种基于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。
背景技术
心脏是人体最重要的器官之一，是人体血液循环的动力源，位于横膜之上，两肺之间，包含四个心腔，分别是左心室、右心室、左心房以及右心房。其中左心室与主动脉相连，右心室与肺动脉相连，左心房与肺静脉相连，右心房与上下腔静脉相连，心脏的主要功能是推动血液流动，向人体的器官组织供血。
随着人们生活水平的提高，冠心病、心肌病以及心律失常等心脏病发病率逐年升高，因此，对心脏功能学尤其是左心室功能学的检测评估显得愈发重要。左心室的功能指标包括心输出量、心脏指数以及射血分数等，心输出量是指左心室每分钟搏出的血流量，心脏指数是指单位体表面积的心输出量，射血分数是指每搏输出量占左心室舒张末期容积的百分比。为获得可靠的左心室功能指标，关键在于准确地得到不同相期，尤其是舒张末期与收缩末期的左心室容积。
左心室容积对于评价左心室功能具有重要意义，其计算准确性与可重复性是临床上一大重要难题，目前常见的左心室容积测定方法有超声心动图、放射性核素心血管造影以及心导管左心室造影等。这些方法各有优劣，其中以超声心动图最为方便，被广泛使用，放射性核素造影因其污染性，心导管造影因其有创性故而应用受限。
超声心动图方法包括M型超声心动图、二维超声心动图以及三维超声心动图等。M型超声心动图将左心室假想为一定形状的几何体，通过测得各切面的内径值，将其代入相关的公式计算得到左心室容积，但实际应用中左心室形状多变，很难用单一形状几何体表示，故该方法虽操作简单，但准确性较低。
二维超声心动图常用的算法有Simpson法和面积-长度法，Simpson法需要得到左心室短轴切面视图，测定方法复杂，对操作人员要求较高。面积-长度法亦将左心室假定为一定形状的几何体，通过标记心内膜并测定其面积与内径计算左心室容积，受左心室几何形态以及图像质量影响较大。
三维超声心动图是在二维平面的基础上进行三维重建，将采集到的二维图像构建成立体的三维图形，可以全面显示左心室，对左心室的几何形态依赖较小。但该方法往往需要获得左心室短轴切面视图，对操作人员要求较高，且可重复性较低，故其应用范围受到较大限制。
近些年来，计算机断层扫描(CT)技术在临床上的应用越来越广泛。由于CT扫描密度分辨率高，能清晰的区分软组织、骨组织以及关节等，因此对于心脏及大血管的检查也具有重要意义。但由于CT扫描为单一层面扫描，仅能显示心脏单一角度切片信息，用传统的方法很难计算心腔体积等功能学参数，因此临床上主要用来对冠状动脉进行显影诊断，在心脏功能学尤其是左心室功能学方面的应用受到一定的限制。
发明内容
本申请提供一种基于CT影像的全自动心脏功能学分析方法，能够提高影像分析的自动化程度，操作方便。
一种基于CT影像的全自动心脏功能学分析方法，包括：
将原始CT影像输入深度神经网络模型，得到左心室分割图像；
根据左心室分割图像构建三维模型；
根据三维模型计算左心室功能学参数。
可选地，所述深度神经网络模型包括8层U-Net模型，所述U-Net模型包括收缩路径和扩张路径；
所述收缩路径包括9个编码块，每个编码块包含两个3×3卷积层，每个卷积层后添加有一个批量归一化层和一个ReLU激活层，前8个编码块后利用一个2×2最大池化层进行下采样；
所述扩张路径包括8个解码块，每个解码块包含两个3×3卷积层，每个卷积层后添加有一个批量归一化层和一个ReLU激活层，每个解码块前利用一个2×2反卷积层进行上采样；
收缩路径和扩张路径中对应块的特征图按照通道维度进行跳跃连接。
可选地，所述深度神经网络模型的每个块中，并入残差结构；所述扩张路径中，前7次上采样操作添加有辅助路径。
可选地，所述深度神经网络模型的训练图像集包括所述CT影像以及由所述CT影像经过随机旋转、随机平移、随机剪切或随机缩放得到的扩增图像。
可选地，所述随机旋转的角度范围为-5°到5°，所述随机平移的像素范围为0.02倍的图像宽度或图像高度，所述随机剪切的角度范围为-5°到5°，所述随机缩放的比例范围为0.90到1.10。
可选地，所述根据左心室分割图像构建三维模型包括：
针对每张左心室分割图像，计算左心室室壁区域的凸包区域；
在所述凸包区域中减去所述左心室室壁区域，得到心腔区域的断层图像；
根据所有断层图像构建三维模型。
可选地，在所述凸包区域中减去所述左心室室壁区域后，还得到噪声区域，所述噪声区域由左心室外膜和所述凸包区域的边界围成；
所述三维模型中包括：
与各左心室分割图片中的心腔区域相对应的心腔部分；以及
与各左心室分割图片中的噪声区域相对应的噪声部分；
降噪处理时，采用最大连通域法从所述三维模型中提取所述心腔部分并计算左心室容积，从而计算左心室功能学参数。
一种基于CT影像的全自动心脏功能学分析装置，所述基于CT影像的全自动心脏功能学分析装置包括：
图像分割模块，将所述CT影像输入深度神经网络模型，得到左心室分割图像；
三维建模模块，根据左心室分割图像构建三维模型；
参数计算模块，根据三维模型计算左心室功能学参数。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法的步骤。
本申请提供的基于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,能够提高影像分析的自动化程度，操作方便。
附图说明
图1为一个实施例中基于CT影像的全自动心脏功能学分析方法的流程示意图；
图2为一个实施例中左心室分割的流程示意图；
图3为一个实施例中的CT影像图；
图4为一个实施例中的左心室分割图；
图5为一个实施例中的内凹图；
图6为一个实施例中的凸包计算原理图；
图7为一个实施例中左心室的室壁三维模型图；
图8为一个实施例中左心室的心腔三维模型图；
图9为一个实施例中计算机设备的内部结构图。
图中附图标记说明如下：
1、左心室室壁区域；2、心腔区域；3、左心室内膜；4、凸包区域的边界；5、左心室外膜。
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，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1、图2、图3所示，本申请提供一种基于CT影像的全自动心脏功能学分析方法，包括：
步骤S100，将CT影像输入深度神经网络模型，得到左心室分割图像；
步骤S200，根据左心室分割图像构建三维模型；
步骤S300，根据三维模型计算左心室功能学参数。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在步骤S100中，输入深度神经网络模型的CT影像包括收缩末期影像与舒张末期影像，根据收缩末期与舒张末期三维模型计算得到的左心室功能学参数包括心输出量、心脏指数以及射血分数。
深度神经网络模型包括8层U-Net模型，U-Net模型包括收缩路径和扩张路径。
收缩路径包括9个编码块，每个编码块包含两个3×3卷积层，每个卷积层后添加有一个批量归一化层和一个ReLU激活层，前8个编码块后利用一个2×2最大池化层进行下采样。
扩张路径包括8个解码块，每个解码块包含两个3×3卷积层，每个卷积层后添加有一个批量归一化层和一个ReLU激活层，每个解码块前利用一个2×2反卷积层进行上采样。
收缩路径和扩张路径中对应块的特征图按照通道维度进行跳跃连接。
深度神经网络模型的每个块中，并入残差结构；扩张路径中，前7次上采样操作添加有辅助路径。
采用U-Net深度神经网络模型，可实现自动分割出CT影像中的左心室边界，具有处理速度快、分割准确性高等优点。
深度神经网络模型的训练图像集获取方式为：
采集得到若干心脏CT影像，组成初始图像集。训练过程中每次迭代时，将初始图像集中的每幅心脏CT影像通过N次变换得到N幅扩增图像，N≥8，每次变换包括依次进行的随机旋转、随机平移、随机剪切和随机缩放，随机旋转的角度范围为-5°到5°，随机平移的像素范围为-0.02×图像宽度(图像高度)到0.02×图像宽度(图像高度)，随机剪切的角度范围为-5°到5°，随机缩放的比例范围为0.90到1.10。初始图像集和扩增图像共同组成训练图像集。
步骤S200包括：
步骤S210，针对每张左心室分割图像，计算左心室室壁区域的凸包区域；
步骤S220，在凸包区域中减去左心室室壁区域，得到心腔区域的断层图像；
步骤S230，根据所有断层图像构建三维模型。
在步骤S220中，凸包区域中减去左心室室壁区域后，还得到噪声区域，噪声区域由左心室外膜和凸包区域的边界围成。
三维模型中包括与各左心室分割图片中的心腔区域相对应的心腔部分；以及与各左心室分割图片中的噪声区域相对应的噪声部分。降噪处理时，采用最大连通域法从三维模型中提取心腔部分并计算左心室容积。
左心室的三维模型如图7所示，在所有左心室分割图片中，至少一部分左心室分割图片为内凹图片。如图4、图5示意性地给出了其中一内凹图片，在内凹图片中，心腔区域2由左心室内膜3和凸包区域的边界4围成。左心室室壁区域1由左心室内膜3和左心室外膜5围成。
当左心室分割图片中出现如图4所示的内凹图片时，按照传统方法需要人工凭借经验划定出心腔区域2的范围，然后计算心腔区域2的面积和左心室容积，自动化程度不高。
本实施例中，左心室室壁区域1可依据灰度值自动识别确定，然后依据左心室室壁区域1计算得到凸包区域和心腔区域2。得到心腔区域2的过程不需要借助人工，消除了人为误差，降低了对使用者的经验要求。
在步骤S210中，计算凸包区域的具体步骤包括：
步骤S211，取处于左心室室壁区域1的边界上的点(即左心室内膜3和左心室外膜5上的点)，得到点集Q；
步骤S212，求解点集Q的凸包，得到凸包区域。
根据点集计算凸包区域的原理如图6所示，满足Q中所有点均在多边形边上或者多边形内的最小凸多边形即为点集Q的凸包。图6中的实心点构成待求解点集Q，图6中的实线构成初始轮廓线，图6中的虚线构成点集Q的最小凸多边形，最小凸多边形所围区域为点集Q的凸包区域。
如图6所示，采用本申请的左心室容积自动计算方法，在凸包区域中减去左心室室壁区域1后，还可能得到噪声区域。噪声区域由左心室外膜5和凸包区域的边界4围成。为了使计算结果更加准确，还需要针对噪声区域先进行相应的降噪处理，而后再计算得到左心室容积。
减去左心室室壁区域后的断层图由暗区和多个分散的亮区组成，亮区包括位于中部且面积较大的主亮区、以及位于主亮区附近的多个附亮区，主亮区的形状与左心室的心腔形状基本一致。由于不同人左心室的心腔形状复杂多变，特别是CT影像沿某些角度扫描时，可能出现其中一部分附亮区实际属于左心室的心腔的情形。如果直接在断层图中扣除噪声区域，可能出现将属于左心室心腔的附亮区部分当作噪声区域扣除的情况，影响左心室容积的计算精度。
为了保证左心室容积的计算精度，噪声区域在构建三维模型后进行相应的降噪处理。三维模型中包括与各左心室分割图片中的心腔区域相对应的心腔部分；以及与各左心室分割图片中的噪声区域相对应的噪声部分。降噪处理时，采用最大连通域法从三维模型中提取心腔部分并计算左心室容积。
构建三维模型时，不同切片中的亮区相互连通，并形成待去噪心腔三维模型。连通后，心腔部分的体积与噪声部分的体积在大小上具有显著差异，最大连通域法从待去噪心腔三维模型中提取心腔部分时准确性较高。得到的心腔部分的三维模型如图8所示。
本申请还提供一种基于CT影像的全自动心脏功能学分析装置，基于CT影像的全自动心脏功能学分析装置包括：
图像分割模块，将CT影像输入深度神经网络模型，得到左心室分割图像；
三维建模模块，根据左心室分割图像构建三维模型；
参数计算模块，根据三维模型计算左心室功能学参数。
关于基于CT影像的全自动心脏功能学分析方法的具体限定可以参见上文中对于基于CT影像的全自动心脏功能学分析方法的限定，在此不再赘述。上述基于基于CT影像的全自动心脏功能学分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以上基于CT影像的全自动心脏功能学分析方法的步骤。
该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现以上基于左心室分割图片的左心室容积自动计算方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
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，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。不同实施例中的技术特征体现在同一附图中时，可视为该附图也同时披露了所涉及的各个实施例的组合例。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于CT影像的全自动心脏功能学分析方法，其特征在于，包括：
将原始CT影像输入深度神经网络模型，得到左心室分割图像；
针对每张左心室分割图像，计算左心室室壁区域的凸包区域，在所述凸包区域中减去所述左心室室壁区域，得到噪声区域和心腔区域的断层图像，所述噪声区域由左心室外膜和所述凸包区域的边界围成，根据所有断层图像构建三维模型，所述三维模型中包括：与各左心室分割图片中的心腔区域相对应的心腔部分；以及与各左心室分割图片中的噪声区域相对应的噪声部分；
降噪处理时，采用最大连通域法从所述三维模型中提取所述心腔部分并计算左心室容积，从而计算左心室功能学参数。
2.根据权利要求1所述的全自动心脏功能学分析方法，其特征在于，所述深度神经网络模型包括8层U-Net模型，所述U-Net模型包括收缩路径和扩张路径；
所述收缩路径包括9个编码块，每个编码块包含两个3×3卷积层，每个卷积层后添加有一个批量归一化层和一个ReLU激活层，前8个编码块后利用一个2×2最大池化层进行下采样；
所述扩张路径包括8个解码块，每个解码块包含两个3×3卷积层，每个卷积层后添加有一个批量归一化层和一个ReLU激活层，每个解码块前利用一个2×2反卷积层进行上采样；
收缩路径和扩张路径中对应块的特征图按照通道维度进行跳跃连接。
3.根据权利要求2所述的全自动心脏功能学分析方法，其特征在于，所述深度神经网络模型的每个块中，并入残差结构；所述扩张路径中，前7次上采样操作添加有辅助路径。
4.根据权利要求1所述的全自动心脏功能学分析方法，其特征在于，所述深度神经网络模型的训练图像集包括所述CT影像以及由所述CT影像经过随机旋转、随机平移、随机剪切或随机缩放得到的扩增图像。
5.根据权利要求4所述的全自动心脏功能学分析方法，其特征在于，所述随机旋转的角度范围为-5°到5°，所述随机平移的像素范围为0.02倍的图像宽度或图像高度，所述随机剪切的角度范围为-5°到5°，所述随机缩放的比例范围为0.90到1.10。
6.一种基于CT影像的全自动心脏功能学分析装置，其特征在于，所述基于CT影像的全自动心脏功能学分析装置包括：
图像分割模块，将所述CT影像输入深度神经网络模型，得到左心室分割图像；
三维建模模块，针对每张左心室分割图像，计算左心室室壁区域的凸包区域，在所述凸包区域中减去所述左心室室壁区域，得到噪声区域和心腔区域的断层图像，所述噪声区域由左心室外膜和所述凸包区域的边界围成，根据所有断层图像构建三维模型，所述三维模型中包括：与各左心室分割图片中的心腔区域相对应的心腔部分；以及与各左心室分割图片中的噪声区域相对应的噪声部分；
参数计算模块，降噪处理时，采用最大连通域法从所述三维模型中提取所述心腔部分并计算左心室容积，从而计算左心室功能学参数。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一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，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202010624902.8A 2020-07-01 2020-07-01 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 Active CN111768391B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010624902.8A CN111768391B (zh) 2020-07-01 2020-07-01 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010624902.8A CN111768391B (zh) 2020-07-01 2020-07-01 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

Publications (2)

Publication Number Publication Date
CN111768391A CN111768391A (zh) 2020-10-13
CN111768391B true CN111768391B (zh) 2024-04-05

Family

ID=72724649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010624902.8A Active CN111768391B (zh) 2020-07-01 2020-07-01 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

Country Status (1)

Country Link
CN (1) CN111768391B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600596A (zh) * 2016-12-21 2017-04-26 南昌航空大学 一种心脏腔室动态显示方法及系统
WO2017206023A1 (zh) * 2016-05-30 2017-12-07 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
CN110232695A (zh) * 2019-06-18 2019-09-13 山东师范大学 基于混合模态图像的左心室图像分割方法及系统
WO2020001086A1 (zh) * 2018-06-28 2020-01-02 深圳先进技术研究院 基于深度学习的心脏ct图像分割方法、装置、设备及介质
CN111161216A (zh) * 2019-12-09 2020-05-15 杭州脉流科技有限公司 基于深度学习的血管内超声图像处理方法、装置、设备和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6993334B2 (ja) * 2015-11-29 2022-01-13 アーテリーズ インコーポレイテッド 自動化された心臓ボリュームセグメンテーション
US10762637B2 (en) * 2017-10-27 2020-09-01 Siemens Healthcare Gmbh Vascular segmentation using fully convolutional and recurrent neural networks
CN110660064A (zh) * 2018-06-29 2020-01-07 通用电气公司 心脏ct图像的处理方法和装置，非暂态计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017206023A1 (zh) * 2016-05-30 2017-12-07 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
CN106600596A (zh) * 2016-12-21 2017-04-26 南昌航空大学 一种心脏腔室动态显示方法及系统
WO2020001086A1 (zh) * 2018-06-28 2020-01-02 深圳先进技术研究院 基于深度学习的心脏ct图像分割方法、装置、设备及介质
CN110232695A (zh) * 2019-06-18 2019-09-13 山东师范大学 基于混合模态图像的左心室图像分割方法及系统
CN111161216A (zh) * 2019-12-09 2020-05-15 杭州脉流科技有限公司 基于深度学习的血管内超声图像处理方法、装置、设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于心脏电影磁共振图像的左心肌分割新进展;王慧;王丽嘉;;中国生物医学工程学报(第02期);全文 *

Also Published As

Publication number Publication date
CN111768391A (zh) 2020-10-13

Similar Documents

Publication Publication Date Title
US11501485B2 (en) System and method for image-based object modeling using multiple image acquisitions or reconstructions
US10127657B2 (en) System and method for valve quantification
US9514530B2 (en) Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions
EP1690230B1 (en) Automatic multi-dimensional intravascular ultrasound image segmentation method
US7822246B2 (en) Method, a system and a computer program for integration of medical diagnostic information and a geometric model of a movable body
CN111325759B (zh) 血管分割方法、装置、计算机设备及可读存储介质
CN109478327B (zh) 用于在任意视场计算断层摄影血管造影（cta）中自动检测全身动脉的方法
BR112015004061B1 (pt) Sistema de geração de imagens por ultrassom para a inspeção de um objeto em um volume, e método para a provisão de uma imagem por ultrassom tridimensional de um objeto em um volume.
KR20150045885A (ko) 초음파 및 ct 영상의 정합에 관한 시스템 및 작동 방법
CN109712163B (zh) 冠脉提取方法、装置、图像处理工作站和可读存储介质
CN117036530B (zh) 基于跨模态数据的冠状动脉血流储备分数预测方法及装置
CN111768391B (zh) 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
CN111652954B (zh) 一种基于左心室分割图片的左心室容积自动计算方法、装置、计算机设备以及存储介质
CN114049282B (zh) 一种冠状动脉的构建方法、装置、终端及存储介质
CN113658172B (zh) 图像处理方法及装置、计算机可读存储介质及电子设备
CN114266759A (zh) 图像分析方法、装置及计算机设备
CN111816282A (zh) 基于ct影像的左心室功能学分析方法、装置、计算机设备和存储介质
CN115511840A (zh) 图像处理方法、装置、电子设备及存储介质
CN117115355A (zh) 三维超声建模方法、系统、电子设备和可读存储介质
CN114202509A (zh) 一种血管运动状态的确定方法及装置
CN116228663A (zh) 心肌肥厚测量装置、系统及存储介质
CN111820950A (zh) 个性化信息确定装置和超声训练方法
CN114680836A (zh) 血流特性预测方法、装置、计算机设备和存储介质
Abboud Segmenting the Right Ventricle Cavity from 4D Echocardiography Images for Stroke Volume Measurement

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