CN111815597A - 基于ct影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质 - Google Patents

基于ct影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111815597A
CN111815597A CN202010623486.XA CN202010623486A CN111815597A CN 111815597 A CN111815597 A CN 111815597A CN 202010623486 A CN202010623486 A CN 202010623486A CN 111815597 A CN111815597 A CN 111815597A
Authority
CN
China
Prior art keywords
left ventricle
long
image
axis
mitral valve
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
CN202010623486.XA
Other languages
English (en)
Other versions
CN111815597B (zh
Inventor
潘轶斌
何京松
李长岭
向建平
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.)
Hangzhou Arteryflow Technology Co ltd
Original Assignee
Hangzhou 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 Hangzhou Arteryflow Technology Co ltd filed Critical Hangzhou Arteryflow Technology Co ltd
Priority to CN202010623486.XA priority Critical patent/CN111815597B/zh
Publication of CN111815597A publication Critical patent/CN111815597A/zh
Application granted granted Critical
Publication of CN111815597B publication Critical patent/CN111815597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T7/60—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
    • 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
    • G06T2207/30—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)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种基于CT影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质，方法包括：获取CT影像中左心室心腔最大帧X，并在左心室心腔最大帧X中标记心尖点A与二尖瓣中心点B；平行于心尖点A与二尖瓣中心点B的连线，且垂直于CT扫描平面对CT影像进行切割，得到长轴切面序列；获取所述长轴切面序列中左心室心腔最大帧Y，并在左心室心腔最大帧Y中标记得到心尖点A'与二尖瓣中心点B'；垂直于心尖点A'与二尖瓣中心点B'连线，对所述长轴切面序列进行切割，得到短轴切面序列。该方案相对于现有技术，基于单一层面的心脏CT影像，可获得其它标准方位心脏切面图像，可以更加精确、全面地对左心室功能进行评估。

Description

基于CT影像的左心室长短轴切面提取方法、装置、计算机设备 和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种基于CT影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质。
背景技术
在临床实践中，对心脏的检查主要包括解剖结构、室壁厚度以及灌注情况等，但由于每个人的心轴偏转角度不同，为更好地对心功能进行评估，往往需要从短轴位(SA)、两腔心(2CH)、四腔心(4CH)等不同的方位对心脏进行观察。在对心脏进行功能评估时，左心室的功能情况显得尤为重要。
要评估左心室的功能，一般需要显示左心室的全段，其中最重要的长短轴位、两腔心以及四腔心，短轴位是指垂直于左心室长轴的心室切面，在短轴位上可以清晰地观测到心腔内径以及心室壁厚等信息。左心室两腔心是指可以同时显示左心室与左心房结构的长轴切面，可用于观测二尖瓣以及左心室前后壁等信息。四腔心是指可以同时显示左右心室、左右心房的长轴切面，可用于观测三尖瓣以及左心室间隔壁、侧壁等信息。因此，为全面评估左心室的功能，左心室长短轴切面提取极为重要。
现有的，主要通过调整成像参数来获取左心室的长轴位和短轴位视图，操作过程比较费时，且易受到人的主观因素干扰而造成偏差，不能满足现代临床应用的需要。
发明内容
本申请提供的一种基于CT影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质，用于解决现有技术中确定左心室的长轴切面和短轴切面，操作过程比较费时，且易受到人的主观因素干扰而造成偏差的技术问题。
一种基于CT影像的左心室长短轴切面提取方法，包括：
获取CT影像中左心室心腔最大帧X，并在左心室心腔最大帧X中标记心尖点A与二尖瓣中心点B；
平行于心尖点A与二尖瓣中心点B的连线，且垂直于CT扫描平面对CT影像进行切割，得到长轴切面序列；
获取所述长轴切面序列中左心室心腔最大帧Y，并在左心室心腔最大帧Y中标记得到心尖点A'与二尖瓣中心点B'；
垂直于心尖点A'与二尖瓣中心点B'连线，对所述长轴切面序列进行切割，得到短轴切面序列。
可选的，所述得到心尖点A'与二尖瓣中心点B'包括：
心尖点A'与二尖瓣中心点B'的连线为左心室长轴方向。
可选的，所述得到短轴切面序列包括：
获取所述短轴切面序列中左心室心腔最大帧Z，并在左心室心腔最大帧Z中标记间隔壁起点与终止点，计算起点与终止点分别到左心室中心位置的矢径平均值，得到左心室短轴。
可选的，所述基于CT影像的左心室长短轴切面提取方法还包括：
对得到的所述短轴切面序列进行切割处理，得到两腔心2CH或四腔心4CH。
可选的，所述基于CT影像的左心室长短轴切面提取方法还包括：
所述短轴切面序列包括多幅左心室短轴图像；
将所述左心室短轴图像输入深度神经网络模型，得到所述左心室短轴图像的边界分割结果。
可选的，所述深度神经网络模型的训练路径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；
所述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。
可选的，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用作深监督的辅助路径，并加入给不同通道赋予不同的权重的注意力机制。
可选的，所述注意力机制包括通道域注意力机制和空间域注意力机制。
可选的，所述神经网络模型的训练图像集获取方式为：
采集得到多幅左心室短轴图像，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左心室短轴图像通过随机旋转、随机缩放和随机剪切得到增强图像。
可选的，所述随机旋转的角度范围为-5°～5°，所述随机缩放的比例范围为0.90到1.10，所述随机剪切的角度范围为-5°～5°。
本申请还提供如下技术方案：
一种基于CT影像的左心室长短轴切面提取装置，包括：
第一模块，用于获取CT影像中左心室心腔最大帧X，并在左心室心腔最大帧X中标记心尖点A与二尖瓣中心点B；
第二模块，用于平行于心尖点A与二尖瓣中心点B的连线，且垂直于CT扫描平面对CT影像进行切割，得到长轴切面序列；
第三模块，用于获取所述长轴切面序列中左心室心腔最大帧Y，并在左心室心腔最大帧Y中标记得到心尖点A'与二尖瓣中心点B'；
第四模块，用于垂直于心尖点A'与二尖瓣中心点B'连线，对所述长轴切面序列进行切割，得到短轴切面序列。
本申请还提供如下技术方案：
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以下步骤：
获取CT影像中左心室心腔最大帧X，并在左心室心腔最大帧X中标记心尖点A与二尖瓣中心点B；
平行于心尖点A与二尖瓣中心点B的连线，且垂直于CT扫描平面对CT影像进行切割，得到长轴切面序列；
获取所述长轴切面序列中左心室心腔最大帧Y，并在左心室心腔最大帧Y中标记得到心尖点A'与二尖瓣中心点B'；
垂直于心尖点A'与二尖瓣中心点B'连线，对所述长轴切面序列进行切割，得到短轴切面序列。
本申请还提供如下技术方案：
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取CT影像中左心室心腔最大帧X，并在左心室心腔最大帧X中标记心尖点A与二尖瓣中心点B；
平行于心尖点A与二尖瓣中心点B的连线，且垂直于CT扫描平面对CT影像进行切割，得到长轴切面序列；
获取所述长轴切面序列中左心室心腔最大帧Y，并在左心室心腔最大帧Y中标记得到心尖点A'与二尖瓣中心点B'；
垂直于心尖点A'与二尖瓣中心点B'连线，对所述长轴切面序列进行切割，得到短轴切面序列。
上述基于CT影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质，本申请基于单一层面的心脏CT影像，可获得其它标准方位心脏切面图像，可以更加精确、全面地对左心室功能进行评估，满足了处理心脏CT影像的心内科医生的临床需求。
附图说明
图1为一个实施例中基于CT影像的左心室长短轴切面提取方法的流程示意图；
图2为左心室心腔最大帧X的示意图；
图3为左心室心腔最大帧Y的示意图；
图4为短轴切面图像的示意图；
图5为深度神经网络模型的训练路径的结构示意图；
图6为深度神经网络模型的方法流程示意图；
图7为采用本申请提供的方法及原型U-Net方法分割得到的左心室示意图；其中：
(a-e)为验证集中5幅图的分割结果示意图；
图8为一个实施例中左心室室壁的三维模型示意图；
图9为一个实施例中左心室心腔三维模型示意图；
图10为左心室三维模型任意切面示意图；
图11为左心室的壁增厚牛眼图；
图12为一个实施例中计算机设备的内部结构图。
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。
心脏CT断层扫描为单一层面扫描，只能得到心脏同一方位的CT影像，而心脏解剖结构决定了扫描方向往往与左心室长轴成一定夹角，因此为得到左心室标准方位视图，需要对原始CT影像进行再切割处理。
为了提取CT影像的左心室长短轴切面，如图1所示，本申请提供的基于CT影像的左心室长短轴切面提取方法，包括以下步骤：
步骤S100，获取CT影像中左心室心腔最大帧X，并在左心室心腔最大帧X中标记心尖点A与二尖瓣中心点B；
步骤S200，平行于心尖点A与二尖瓣中心点B的连线，且垂直于CT扫描平面对CT影像进行切割，得到长轴切面序列；
步骤S300，获取长轴切面序列中左心室心腔最大帧Y，并在左心室心腔最大帧Y中标记得到心尖点A'与二尖瓣中心点B'；
步骤S400，垂直于心尖点A'与二尖瓣中心点B'连线，对长轴切面序列进行切割，得到短轴切面序列。
本申请基于单一层面的心脏CT影像，可获得其它标准方位心脏切面图像，可以更加精确、全面地对左心室功能进行评估，满足了处理心脏CT影像的心内科医生的临床需求。相比于CMR扫描，无需在扫描过程中调整扫描方位，以图像切割方法代替多次扫描，极大的缩小了在评估心脏功能方面CT扫描与CMR扫描的差距。
若对提取的切割长轴切面序列与短轴切面序列不满意时，可以重新对CT影像进行切割，对切割点、切割角度进行修正，可以更好地满足临床需求，提高心脏CT影像的使用价值。
其中，左心室心腔最大帧X以及左心室心腔最大帧Y，可以通过手动进行挑选，图2为挑选出左心室心腔最大帧X，图3为挑选出左心室心腔最大帧Y；
在图2以及图3中，也可以通过手动分别在左心室心腔最大帧X以及左心室心腔最大帧Y标记心尖点A、二尖瓣中心点B、心尖点A'以及二尖瓣中心点B'。
长轴切面序列包括多幅左心室长轴图像，短轴切面序列包括多幅左心室短轴图像。
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。
在另一实施例中，如图3所示，得到心尖点A'与二尖瓣中心点B'包括：
心尖点A'与二尖瓣中心点B'的连线为左心室长轴方向。
在另一实施例中，如图4所示，得到短轴切面序列包括：
获取短轴切面序列中左心室心腔最大帧Z，并在左心室心腔最大帧Z中标记间隔壁起点与终止点，计算起点与终止点到所述心腔最大帧Z心腔中心的矢径平均值，得到左心室短轴。
在图4中，左心室的中心位置为n，起点为q，终止点为p。间隔壁位于左心室与右心室之间。
在另一实施例中，基于CT影像的左心室长短轴切面提取方法还包括：
对得到的短轴切面序列进行切割处理，得到两腔心2CH或四腔心4CH。
垂直与短轴切面序列并平行于长轴进行切割，可以得到两腔心2CH或四腔心4CH。
在另一实施例中，基于CT影像的左心室长短轴切面提取方法还包括：
将左心室短轴图像输入深度神经网络模型，得到左心室短轴图像的边界分割结果。
深度神经网络模型基于8层编码-解码结构训练得到，能够提炼出更深层次的抽象信息，可实现快速并自动分割出短轴位图像中的左心室边界(内、外边界)，能够提高左心室短轴图像分割结果的准确性。
在另一实施例中，如图5所示深度神经网络模型的训练路径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(步长为1，零填充数为1)，每个卷积层后添加有一个批量归一化层(即BN层，加速网络收敛)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(步长为2，无零填充)进行下采样，将特征图大小减半，到下一个编码块的第一个3×3卷积层，将特征通道数加倍；
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(步长为2，无零填充)进行上采样，将特征图大小加倍，到下一个解码块的第一个3×3卷积层，将特征通道数减半；
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。
在最后一个解码块中，利用一个1×1卷积层(步长为1，无零填充)将特征向量映射到一维空间。
收缩路径用于编码处理输入的图像，获取上下文信息，扩张路径用于解码修复图像细节和空间维度，产生像素级的标签输出，实现精确的定位。在定位操作中，采取叠操作形式的跳跃连接，将收缩路径中每层的浅层特征与扩张路径中对应层的通过上采样操作获得的深层特征进行连接，随后连续的卷积层基于该信息学习，缓解随网络层数增加而导致的梯度弥散问题。
在另一实施例中，深度神经网络模型的每个块中，并入残差结构；将第一个3×3卷积层的输入与第二个3×3卷积层的输出相加，以更好地优化加深的网络。
9个编码块的特征通道数依次为8、16、32、64、128、256、512、1024、2048。整个编码器部分共包含27个卷积层。
扩张路径中，前7次上采样操作添加有用作深监督的辅助路径(图5中：aux1～aux7为7条辅助路径)，并加入给不同通道赋予不同的权重的注意力机制。
通过辅助路径作深监督，使得深层特征图也能得到监督，以更好地还原细节，提高分割精度。将当前特征图经过多次上采样操作及1×1卷积层恢复到与原始图像一样大小，并将特征向量映射到一维空间，从深到浅分别以0.02、0.04、0.06、0.08、0.1、0.2、0.5、1对经这7条辅助路径输出的损失值及最后一个解码块输出的损失值进行加权求和。
在另一实施例中，注意力机制包括通道域注意力机制和空间域注意力机制。
具体地，特征图的基本信息，设当前特征为f，对f进行全局平均池化，依次使用1×1卷积层及Sigmoid激活层(工具)得到通道域的权重cw，输出通道域特征为fc＝cw×f；对fc依次使用1×1卷积层及Sigmoid激活层得到空间域的权重sw，输出空间域特征为fs＝sw×fc。不同通道的特征乘上不同的权重，以增强关键通道域的注意力；不同空间的特征乘上不同的权重，以增强关键空间域的注意力。通道域注意力机制对通道内的特征直接全局平均池化，忽略了通道内的空间信息，而空间域注意力机制可赋予通道内不同区域特征不同的权重，两者互补，自动学习权重，以更好地注意关键特征，从而进一步提高模型性能。
8个解码块的特征通道数依次为1024、512、256、128、64、32、16、8。整个解码器部分共包含84个卷积层。
在另一实施例中，神经网络模型的训练图像集获取方式为：
采集得到多幅左心室短轴图像，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左心室短轴图像通过随机旋转、随机缩放和随机剪切得到增强图像，提高神经网络模型的泛化能力和鲁棒性。
初始图像集和扩增图像共同组成训练图像集。
在另一实施例中，随机旋转的角度范围为-5°～5°，随机缩放的比例范围为0.90到1.10(小于1的进行放大，大于1的进行缩小)，随机剪切的角度范围为-5°～5°。
在另一实施例中，如图6所示，神经网络模型的训练过程包括：
步骤1，在进行深度神经网络模型训练时，使用He初始化进行神经网络的权重初始化，读取800幅训练集和200幅测试集，对其进行零均值，单位方差的归一化操作。设置学习率learning rate＝2e-4，分块大小batch size＝8，迭代批次epochs＝200。记当前迭代批次epoch＝0，进入步骤2；
步骤2，对800幅训练集图像进行数据在线增强，提高网络的泛化性及鲁棒性；
步骤3，将800幅训练集图像随机划分为100个分块(batch)，每个batch包含8幅图像。记当前分块batch＝0，进入步骤4；
步骤4，将当前batch输入本申请中神经网络模型；
步骤5，采用二值交叉熵(BCE)损失函数估量网络模型的预测值与真实值的不一致程度，通过Adam优化函数使用反向传播(BP)算法逐层更新网络参数。更新batch＝batch+1，若batch<100，则进入步骤4，反之则进入步骤6；
步骤6，生成备选深度神经网络模型，输入200幅验证集进行验证评估，若评估结果更好，则保存当前备选深度神经网络模型。更新epoch＝epoch+1，若epoch<100，则进入步骤2，反之进入步骤7；
步骤7，训练结束，保存最佳备选深度神经网络模型，作为用于分割CT左心室短轴图像的深度神经网络模型。
DSC(式(Ⅰ))度量了分割得到的目标区域与标准的目标区域的空间重合度，精确度(Precision)(式(Ⅱ))度量了分割得到的目标区域中实际为正类像素的比例，灵敏度(Sensitivity)(式(Ⅲ))度量了标准的目标区域中被正确分割的比例。三项指标评估值都在0到1之间，值越大代表ΩSeg与ΩGT之间的一致性越高，分割结果越好。
DSC＝2·(ΩSeg∩ΩGT)/(ΩSeg+ΩGT)＝2·TP/(2·TP+FP+FN) 式(Ⅰ)
Precision＝(ΩSeg∩ΩGT)/ΩSeg＝TP/(TP+FP) 式(Ⅱ)
Sensitivity＝(ΩSeg∩ΩGT)/ΩGT＝TP/(TP+FN) 式(Ⅲ)
表1
Figure BDA0002563893470000101
表1为测试集的评估结果。
由图7和表1可知，对于CT左心室短轴图像分割，本申请方法相比于原型U-Net具有更高的分割精度及鲁棒性。
在另一实施例中，如图8及图9所示，左心室三维重建模块将左心室短轴图像的边界分割结果按三维坐标叠加起来，获得左心室三维模型，同时自动计算左心室质量与容积，再根据收缩末期与舒张末期的左心室容积，自动计算左心室功能学参数如心输出量、心脏指数以及射血分数等。
其中，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。
左心室三维模型使用Simpson方法自动计算左心室心肌、心腔体积。具体地，假设整个左心室由n个与长轴垂直的短轴切面P1，P2…Pn组成，层高为h，对任一短轴切面Pi，利用微积分方法自动计算得到心肌面积S1i，心腔面积S2i；
左心室心肌体积的计算公式为
Figure BDA0002563893470000111
心腔体积的计算公式为：
Figure BDA0002563893470000112
由以上公式计算得到左心室心肌体积与心腔体积后，心肌体积与心肌密度的乘积即为左心室质量。再结合左心室功能学参数定义，利用收缩末期与舒张末期的左心室心腔体积之差，即可自动计算心输出量、心脏指数以及射血分数等。
在另一实施例中，牛眼图分析模块主要对左心室壁厚以及心肌运动进行分析。该模块有两个功能，第一个功能是左心室三维模型的任意切面浏览，如图10所示；第二个功能是显示壁厚信息与内膜运动的牛眼图生成，如图11所示。
基于左心室三维模型，牛眼图分析模块提供切面浏览功能，可手动调整切割点以及切割方向，自动输出左心室在该切割面的剖视图，有助于临床医生选择性的对左心室三维模型特定位置进行观察检测。
按照牛眼图分析模块的定义，左心室三维模型分为基底部、中部、心尖部以及心尖4个部分，其中基底部与中部各分为6个区块，心尖部分为4个区块，心尖为一独立区块。将左心室按牛眼图定义划分为17个对应区块后，在短轴切面上分别计算除心尖外每个区块的壁厚以及内径值。当心脏收缩时，若左心室心肌收缩正常，则壁厚增加，牛眼图分析模块可显示左心室由舒张末期到收缩末期的壁增厚信息。当心脏舒张时，若左心室心肌运动正常，则内径增大，牛眼图分析模块还可显示左心室由收缩末期到舒张末期的内径变化信息。
在一个实施例中，提供了一种基于CT影像的左心室长短轴切面提取装置，包括：
第一模块，用于获取CT影像中左心室心腔最大帧X，并在左心室心腔最大帧X中标记心尖点A与二尖瓣中心点B；
第二模块，用于平行于心尖点A与二尖瓣中心点B的连线，且垂直于CT扫描平面对CT影像进行切割，得到长轴切面序列；
第三模块，用于获取长轴切面序列中左心室心腔最大帧Y，并在左心室心腔最大帧Y中标记得到心尖点A'与二尖瓣中心点B'；
第四模块，用于垂直于心尖点A'与二尖瓣中心点B'连线，对长轴切面序列进行切割，得到短轴切面序列。
关于基于CT影像的左心室长短轴切面提取装置的具体限定可以参见上文中对于基于CT影像的左心室长短轴切面提取方法的限定，在此不再赘述。上述基于CT影像的左心室长短轴切面提取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。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图12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一种基于CT影像的左心室长短轴切面提取方法。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12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。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取CT影像中左心室心腔最大帧X，并在左心室心腔最大帧X中标记心尖点A与二尖瓣中心点B；
平行于心尖点A与二尖瓣中心点B的连线，且垂直于CT扫描平面对CT影像进行切割，得到长轴切面序列；
获取长轴切面序列中左心室心腔最大帧Y，并在左心室心腔最大帧Y中标记得到心尖点A'与二尖瓣中心点B'；
垂直于心尖点A'与二尖瓣中心点B'连线，对长轴切面序列进行切割，得到短轴切面序列。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取CT影像中左心室心腔最大帧X，并在左心室心腔最大帧X中标记心尖点A与二尖瓣中心点B；
平行于心尖点A与二尖瓣中心点B的连线，且垂直于CT扫描平面对CT影像进行切割，得到长轴切面序列；
获取长轴切面序列中左心室心腔最大帧Y，并在左心室心腔最大帧Y中标记得到心尖点A'与二尖瓣中心点B'；
垂直于心尖点A'与二尖瓣中心点B'连线，对长轴切面序列进行切割，得到短轴切面序列。
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，的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 (10)

1.基于CT影像的左心室长短轴切面提取方法，其特征在于，包括：
获取CT影像中左心室心腔最大帧X，并在左心室心腔最大帧X中标记心尖点A与二尖瓣中心点B；
平行于心尖点A与二尖瓣中心点B的连线，且垂直于CT扫描平面对CT影像进行切割，得到长轴切面序列；
获取所述长轴切面序列中左心室心腔最大帧Y，并在左心室心腔最大帧Y中标记得到心尖点A'与二尖瓣中心点B'；
垂直于心尖点A'与二尖瓣中心点B'连线，对所述长轴切面序列进行切割，得到短轴切面序列。
2.根据权利要求1所述的基于CT影像的左心室长短轴切面提取方法，其特征在于，所述得到心尖点A'与二尖瓣中心点B'包括：
心尖点A'与二尖瓣中心点B'的连线为左心室长轴方向。
3.根据权利要求1或2所述的基于CT影像的左心室长短轴切面提取方法，其特征在于，所述得到短轴切面序列包括：
获取所述短轴切面序列中左心室心腔最大帧Z，并在左心室心腔最大帧Z中标记间隔壁起点与终止点，计算起点与终止点分别到左心室中心位置的矢径平均值，得到左心室短轴。
4.根据权利要求1所述的基于CT影像的左心室长短轴切面提取方法，其特征在于，所述基于CT影像的左心室长短轴切面提取方法还包括：
对得到的所述短轴切面序列进行切割处理，得到两腔心2CH或四腔心4CH。
5.根据权利要求1所述的基于CT影像的左心室长短轴切面提取方法，其特征在于，所述基于CT影像的左心室长短轴切面提取方法还包括：
所述短轴切面序列包括多幅左心室短轴图像；
将所述左心室短轴图像输入深度神经网络模型，得到所述左心室短轴图像的边界分割结果。
6.根据权利要求5所述的基于CT影像的左心室长短轴切面提取方法，其特征在于，所述深度神经网络模型的训练路径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；
所述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。
7.根据权利要求6所述的基于CT影像的左心室长短轴切面提取方法，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用作深监督的辅助路径，并加入给不同通道赋予不同的权重的注意力机制。
8.基于CT影像的左心室长短轴切面提取装置，其特征在于，包括：
第一模块，用于获取CT影像中左心室心腔最大帧X，并在左心室心腔最大帧X中标记心尖点A与二尖瓣中心点B；
第二模块，用于平行于心尖点A与二尖瓣中心点B的连线，且垂直于CT扫描平面对CT影像进行切割，得到长轴切面序列；
第三模块，用于获取所述长轴切面序列中左心室心腔最大帧Y，并在左心室心腔最大帧Y中标记得到心尖点A'与二尖瓣中心点B'；
第四模块，用于垂直于心尖点A'与二尖瓣中心点B'连线，对所述长轴切面序列进行切割，得到短轴切面序列。
9.一种计算机设备，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7中任一项所述方法的步骤。
10.一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7中任一项所述的方法的步骤。
CN202010623486.XA 2020-07-01 2020-07-01 基于ct影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质 Active CN111815597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010623486.XA CN111815597B (zh) 2020-07-01 2020-07-01 基于ct影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010623486.XA CN111815597B (zh) 2020-07-01 2020-07-01 基于ct影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111815597A true CN111815597A (zh) 2020-10-23
CN111815597B CN111815597B (zh) 2024-04-12

Family

ID=72856248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010623486.XA Active CN111815597B (zh) 2020-07-01 2020-07-01 基于ct影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111815597B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308845A (zh) * 2020-11-03 2021-02-02 赛诺威盛科技（北京）有限公司 左心室分割方法、装置及电子设备
CN113469948A (zh) * 2021-06-08 2021-10-01 北京安德医智科技有限公司 左心室节段识别方法及装置、电子设备和存储介质
CN115272374A (zh) * 2022-08-01 2022-11-01 北京安德医智科技有限公司 心脏磁共振影像的心室分割方法和装置
CN117934465A (zh) * 2024-03-21 2024-04-26 赛诺威盛科技(北京)股份有限公司 Tmvr参数确定方法、装置和设备
CN117958949A (zh) * 2024-03-28 2024-05-03 天津市鹰泰利安康医疗科技有限责任公司 一种房颤射频消融方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070253609A1 (en) * 2006-04-28 2007-11-01 Aben Jean-Paul M M Method, Apparatus and Computer Program Product for Automatic Segmenting of Cardiac Chambers
WO2008139344A1 (en) * 2007-05-10 2008-11-20 Koninklijke Philips Electronics N.V. Model-based spect heart orientation estimation
US20130259337A1 (en) * 2010-09-29 2013-10-03 Siemens Corporation Cardiac Chamber Volume Computation from Contours and Base Plane in Cardiac MR Cine Images
CN108564590A (zh) * 2018-04-20 2018-09-21 上海理工大学 一种基于心脏磁共振电影短轴图像的右心室多图谱分割方法
CN108805913A (zh) * 2018-05-14 2018-11-13 首都医科大学附属北京安贞医院 一种冠状动脉ct影像与心脏超声应变成像的融合方法
CN109377470A (zh) * 2018-03-20 2019-02-22 任昊星 一种心脏病风险预测系统
CN110335236A (zh) * 2019-04-29 2019-10-15 上海依智医疗技术有限公司 心脏医学图像的处理方法、处理装置、处理系统和介质
CN110335235A (zh) * 2019-04-29 2019-10-15 上海依智医疗技术有限公司 心脏医学图像的处理装置、处理系统和介质
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070253609A1 (en) * 2006-04-28 2007-11-01 Aben Jean-Paul M M Method, Apparatus and Computer Program Product for Automatic Segmenting of Cardiac Chambers
WO2008139344A1 (en) * 2007-05-10 2008-11-20 Koninklijke Philips Electronics N.V. Model-based spect heart orientation estimation
US20130259337A1 (en) * 2010-09-29 2013-10-03 Siemens Corporation Cardiac Chamber Volume Computation from Contours and Base Plane in Cardiac MR Cine Images
CN109377470A (zh) * 2018-03-20 2019-02-22 任昊星 一种心脏病风险预测系统
CN108564590A (zh) * 2018-04-20 2018-09-21 上海理工大学 一种基于心脏磁共振电影短轴图像的右心室多图谱分割方法
CN108805913A (zh) * 2018-05-14 2018-11-13 首都医科大学附属北京安贞医院 一种冠状动脉ct影像与心脏超声应变成像的融合方法
CN110335236A (zh) * 2019-04-29 2019-10-15 上海依智医疗技术有限公司 心脏医学图像的处理方法、处理装置、处理系统和介质
CN110335235A (zh) * 2019-04-29 2019-10-15 上海依智医疗技术有限公司 心脏医学图像的处理装置、处理系统和介质
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
段凤霞;何文;杜丽娟;隗冬梅;: "应用组织运动二尖瓣环位移自动追踪技术评价经皮冠状动脉介入治疗后左心室整体收缩功能改变", 中华医学超声杂志(电子版), no. 08 *
赵涛: "磁共振成像在肥厚性心肌病中的临床应用研究", 《中国优秀博士学位论文全文数据库信息辑》, no. 05 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308845A (zh) * 2020-11-03 2021-02-02 赛诺威盛科技（北京）有限公司 左心室分割方法、装置及电子设备
CN113469948A (zh) * 2021-06-08 2021-10-01 北京安德医智科技有限公司 左心室节段识别方法及装置、电子设备和存储介质
CN115272374A (zh) * 2022-08-01 2022-11-01 北京安德医智科技有限公司 心脏磁共振影像的心室分割方法和装置
CN117934465A (zh) * 2024-03-21 2024-04-26 赛诺威盛科技(北京)股份有限公司 Tmvr参数确定方法、装置和设备
CN117934465B (zh) * 2024-03-21 2024-06-21 赛诺威盛科技(北京)股份有限公司 Tmvr参数确定方法、装置和设备
CN117958949A (zh) * 2024-03-28 2024-05-03 天津市鹰泰利安康医疗科技有限责任公司 一种房颤射频消融方法及系统
CN117958949B (zh) * 2024-03-28 2024-05-28 天津市鹰泰利安康医疗科技有限责任公司 一种房颤射频消融模拟方法及系统

Also Published As

Publication number Publication date
CN111815597B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN111815597B (zh) 基于ct影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质
US10546378B2 (en) System and method of mitral valve quantification
CN111754534B (zh) 基于深度神经网络的ct左心室短轴图像分割方法、装置、计算机设备和存储介质
US8265363B2 (en) Method and apparatus for automatically identifying image views in a 3D dataset
US11551355B2 (en) Semi-automated heart valve morphometry and computational stress analysis from 3D images
CN110751187B (zh) 异常区域图像生成网络的训练方法和相关产品
CN113129418B (zh) 基于三维影像的目标表面重建方法、装置、设备和介质
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
WO2020007026A1 (zh) 分割模型训练方法、装置及计算机可读存储介质
US11403761B2 (en) Probabilistic motion model for generating medical images or medical image sequences
US20140032180A1 (en) Method and apparatus for computing deformation of an object
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
CN112365504A (zh) Ct左心室分割方法、装置、设备和存储介质
CN110473208A (zh) 结构形态判别方法、计算机设备和存储介质
US12040076B2 (en) Automatic myocardial aneurysm assessment
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
CN112767530B (zh) 心脏图像三维重建方法、装置、设备及存储介质
CN111768391A (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
CN114847919A (zh) 一种基于核磁共振成像构建患者特异性心室数学模型用于心血管系统评估的方法
CN115578360A (zh) 一种针对超声心动图像的多目标语义分割方法
CN115511908A (zh) 医学图像分割方法、装置、计算机设备和存储介质
Garson et al. P2A-5 Guided Automatic Segmentation of the Murine Left Ventricle Using Conservation of Myocardial Volume
Qazi et al. Automated Heart Wall Motion Abnormality Detection using Sparse Linear Classifiers
Yeo Left ventricular surface kinematics as it fills and contracts

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