CN111816282A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111816282A CN111816282A CN202010624903.2A CN202010624903A CN111816282A CN 111816282 A CN111816282 A CN 111816282A CN 202010624903 A CN202010624903 A CN 202010624903A CN 111816282 A CN111816282 A CN 111816282A
- Authority
- CN
- China
- Prior art keywords
- left ventricle
- model
- image
- point
- standard
- 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
- 210000005240 left ventricle Anatomy 0.000 title claims abstract description 298
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010230 functional analysis Methods 0.000 title claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 49
- 238000006073 displacement reaction Methods 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 230000008602 contraction Effects 0.000 claims abstract description 17
- 230000002861 ventricular Effects 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 25
- 230000009466 transformation Effects 0.000 claims description 18
- 230000000747 cardiac effect Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000013519 translation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 230000003205 diastolic effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 239000012528 membrane Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 abstract description 4
- 238000002591 computed tomography Methods 0.000 description 67
- 239000010410 layer Substances 0.000 description 46
- 238000010586 diagram Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 9
- 210000005242 cardiac chamber Anatomy 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 230000005484 gravity Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000002107 myocardial effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000010008 shearing Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011207 functional examination Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101001013832 Homo sapiens Mitochondrial peptide methionine sulfoxide reductase Proteins 0.000 description 1
- 102100031767 Mitochondrial peptide methionine sulfoxide reductase Human genes 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004115 mitral valve Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000003540 papillary muscle Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- 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
- G06T7/0002—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
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种基于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,方法包括:获取CT心脏图像;将CT心脏图像输入深度神经网络模型,得到CT左心室分割图像;利用左心室分割图像构建左心室模型;获取标准左心室模型,将左心室模型与标准左心室模型相配准,根据标准左心室模型得到左心室模型的短轴与长轴;利用构建的左心室模型,得到左心室舒张状态与收缩状态的两组三维图像;计算两组三维图像同一左心室位置点的位移变化,利用位移变化对同一左心室位置点进行赋值,在左心室模型中利用赋值对各个同一左心室位置点进行模拟显示。能够提高影像分析的自动化程度,操作方便。
Description
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影像的左心室功能学分析方法、装置、计算机设备和存储介质。
背景技术
目前常见的心脏功能学检测方法有超声心动图、放射性核素造影以及心导管左心室造影等,由于各自的局限性,目前临床应用中使用最多的仍是超声心动图。但无论是M型超声心动图,还是二维、三维超声心动图检测,均存在各自的固有缺陷,同时,不同的检测方法其检测结果也存在较大的差异性。
目前,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。
但是,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,很难计算心腔体积等功能学参数,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
本申请提供的一种基于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,用于解决现有技术中CT扫描为单一层面扫描,仅能显示心脏单一角度切片信息的技术问题。
一种基于CT影像的左心室功能学分析方法,包括:
获取CT心脏图像;
将所述CT心脏图像输入深度神经网络模型,得到CT左心室分割图像;
利用左心室分割图像构建左心室模型;
获取标准左心室模型,将左心室模型与标准左心室模型相配准,根据标准左心室模型得到左心室模型的短轴与长轴;
利用构建的左心室模型,得到左心室舒张状态与收缩状态的两组三维图像;
计算所述两组三维图像同一左心室位置点的位移变化,利用位移变化对同一左心室位置点进行赋值,在左心室模型中利用所述赋值对各个同一左心室位置点进行模拟显示。
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,所述利用左心室分割图像构建左心室模型包括:
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左心室模型。
可选的,根据所述三维模型计算得到左心室容积;
至少一部分左心室分割图像为内凹图片,所述内凹图片中,心腔区域由左心室内膜和凸包区域的边界围成。
可选的,所述将左心室模型与标准左心室模型相配准包括:
步骤S100,获取标准左心室模型的点云Q与所述左心室模型的点云P,并计算点云Q中的点qi与点云P中的点pi;
步骤S200,计算点qi和点pi之间平均距离最小的刚体变换,并根据所述刚体变换得到变换后的所述左心室模型的点云P';
步骤S300,计算点云Q中的点qi与点云P'中对应的点pi'之间的平均距离d;
步骤S400,根据平均距离d判断左心室模型与标准左心室模型是否相配准,若配准则根据标准左心室模型得到左心室模型的短轴与长轴,否则利用点云P'更新点云P,并返回步骤S100。
可选的,所述步骤S200中:
根据点qi和点pi之间平均距离最小,得到与刚体变换对应的旋转矩阵R和平移矩阵t,左心室模型根据旋转矩阵R和平移矩阵t进行旋转平移。
可选的,所述利用位移变化对同一左心室位置点进行赋值包括:
进行赋值之前,对所有同一左心室位置点的位移变化进行归一化处理得到总位移变化,然后对总位移变化进行赋值。
本申请还提供如下技术方案:
一种基于CT影像的左心室功能学分析装置,包括:
第一模块,用于获取CT心脏图像;
第二模块,用于将所述CT心脏图像输入深度神经网络模型,得到CT左心室分割图像;
第三模块,用于利用左心室分割图像构建左心室模型;
第四模块,用于获取标准左心室模型,将左心室模型与标准左心室模型相配准,根据标准左心室模型得到左心室模型的短轴与长轴;
第五模块,用于利用构建的左心室模型,得到左心室舒张状态与收缩状态的两组三维图像;
第六模块,用于计算所述两组三维图像同一左心室位置点的位移变化,利用位移变化对同一左心室位置点进行赋值,在左心室模型中利用所述赋值对各个同一左心室位置点进行模拟显示。
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心脏图像;
将所述CT心脏图像输入深度神经网络模型,得到CT左心室分割图像;
利用左心室分割图像构建左心室模型;
获取标准左心室模型,将左心室模型与标准左心室模型相配准,根据标准左心室模型得到左心室模型的短轴与长轴;
利用构建的左心室模型,得到左心室舒张状态与收缩状态的两组三维图像;
计算所述两组三维图像同一左心室位置点的位移变化,利用位移变化对同一左心室位置点进行赋值,在左心室模型中利用所述赋值对各个同一左心室位置点进行模拟显示。
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心脏图像;
将所述CT心脏图像输入深度神经网络模型,得到CT左心室分割图像;
利用左心室分割图像构建左心室模型;
获取标准左心室模型,将左心室模型与标准左心室模型相配准,根据标准左心室模型得到左心室模型的短轴与长轴;
利用构建的左心室模型,得到左心室舒张状态与收缩状态的两组三维图像;
计算所述两组三维图像同一左心室位置点的位移变化,利用位移变化对同一左心室位置点进行赋值,在左心室模型中利用所述赋值对各个同一左心室位置点进行模拟显示。
上述基于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,能够提高影像分析的自动化程度,操作方便,能够使医生更好地利用CT心脏图像,提高CT扫描在心脏功能学检查中的使用价值。
附图说明
图1为一个实施例中基于CT影像的左心室功能学分析方法的流程示意图;
图2为本申请中深度神经网络模型的方法流程示意图;
图3为深度神经网络模型的结构示意图;
图4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幅图的分割结果图;
(f-g)为测试集中2幅图的分割结果图;
图5为Graph Cuts标注得到的目标区域(水平椭圆包围区域)、和采用本申请方法分割得到的目标区域(竖直椭圆包围区域)的示意图;
图6为一个实施例中的CT影像图;
图7为一个实施例中的左心室分割图;
图8为一个实施例中的内凹图;
图9为一个实施例中的凸包计算原理图;
图10为一个实施例中左心室的三维模型图;
图11为一个实施例中左心室心腔的三维模型图;
图12为图1中步骤S104的流程示意图;
图13为标准左心室模型的示意图;
图14为左心室模型与标准左心室模型相配准示意图;
图15为左心室模型顶部的分层图像的示意图;
图16为左心室模型底部或中部的分层图像的示意图;
图17为以分层图像的重心位置为扫描线中心进行旋转扫描的示意图;
图18为左心室经纬坐标系示意图;
图19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所示,本申请提供的基于CT影像的左心室功能学分析方法,包括以下步骤:
步骤S101,获取CT心脏图像;
步骤S102,将CT心脏图像输入深度神经网络模型,得到CT左心室分割图像;
步骤S103,利用左心室分割图像构建左心室模型;
步骤S104,获取标准左心室模型,将左心室模型与标准左心室模型相配准,根据标准左心室模型得到左心室模型的短轴与长轴;
步骤S105,利用构建的左心室模型,得到左心室舒张状态与收缩状态的两组三维图像;
步骤S106,计算两组三维图像同一左心室位置点的位移变化,利用位移变化对同一左心室位置点进行赋值,在左心室模型中利用赋值对各个同一左心室位置点进行模拟显示。
深度神经网络模型可自动分割出CT心脏图像中的左心室内外膜,并根据分割出的左心室分割图像建立左心室模型,根据左心室模型的收缩末期、舒张末期,计算出左心室功能学参数,如心输出量、心脏指数以及射血分数等。同时,得到左心室模型的长短轴,对比左心室模型的收缩末期与舒张末期,可对心肌运动进行分析。
本申请能够提高影像分析的自动化程度,操作方便,能够使医生更好地利用CT心脏图像,提高CT扫描在心脏功能学检查中的使用价值。
步骤S102中,深度神经网络模型基于8层U-Net模型训练得到,采用8层U-Net模型训练得到深度神经网络模型,能够提炼出更深层次的抽象信息,提高左心室分割结果的准确性。
步骤S106中,通过对左心室不同运动相期进行对比分析,得出室壁心肌运动的协调性分析结果,并对左心室模型中的各个点的赋值,操作人员通过观察左心室模型中的各个点的赋值,直观和准确诊断心肌的运动情况,对于提高诊断的准确具有决定性作用。
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。
8层U-Net模型的训练图像集获取方式为:
采集得到若干CT心脏图像,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CT心脏图像通过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;
初始图像集和扩增图像共同组成训练图像集。
初始图像集中,CT心脏图像为DICOM图像数据,对初始图像集中的各CT心脏图像统一调整窗宽窗位,运用Graph Cuts方法对调整后的CT心脏图像进行标注(本申请使用GraphCuts方法进行标注,使得标注数据更加稳定可靠),并将初始图像集及相应标注结果划分为训练集、验证集和测试集。
在另一实施例中,初始图像集的获取步骤如下:
(1)收集101个病人的CT左心室DICOM图像数据,图像大小为512×512像素,其中100个病例间隔取20幅图像,20幅图像中包括左心室未出现的2幅图像及左心室消失后的2幅图像,加上剩余1个病例的280幅连续图像,共2280幅;
(2)对2280幅图像数据统一调整窗宽600HU(Hounsfield Units)、窗位100HU;
(3)将调整后的DICOM图像数据转换为灰度范围为0~255的JPG图像数据,运用Graph Cuts方法对其进行标注。
(4)将标注结果中的70个病例作为训练集(1400幅),30个病例作为验证集(600幅),剩余1个病例作为测试集(280幅)。
在进行8层U-Net模型训练时,为了提高神经网络模型的泛化能力和鲁棒性,针对不同的迭代批次,对初始图像集的数据进行在线扩增,即每次迭代时采用不同的扩增后训练图像集进行训练。
通过对初始图像集中的各图像进行随机的变换操作,得到扩增后的图像,其中,随机旋转的角度范围为-5°~5°,随机平移的像素范围为-0.02×图像宽度(图像高度)~0.02×图像宽度(图像高度),随机剪切的角度范围为-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)。
在另一实施例中,针对1400幅初始的训练集图像进行在线扩增,针对每幅CT心脏图像进行8次变换,得到8幅扩增图像,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,最终得到12600幅图像构成的训练集图像。
利用训练集图像进行8层U-Net模型的训练,提取神经网络特征,生成备选深度神经网络模型,利用验证集对备选深度神经网络模型进行验证评估,性能最优的作为最终的深度神经网络模型,利用测试集对最终的深度神经网络模型进行测试,评估其泛化性及鲁棒性。
在另一实施例中,如图2所示,深度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MSRA初始化进行神经网络的权重初始化,读取1400幅训练集和600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=64(4-GPU数据并行),迭代批次epochs=100。记当前迭代批次epoch=0,进入步骤2;
步骤2,对1400幅初始的训练集图像进行8倍数据在线扩增,得到12600幅图像构成的训练集图像;
步骤3,将12600幅训练集图像随机划分为197个分块(batch),除最后一个batch仅包含56幅图像,其余batch包含64幅图像。记当前分块batch=0,进入步骤4;
步骤4,将当前batch输入8-U-Net网络模型;
步骤5,采用二值交叉熵(BCE)损失函数估量8-U-Net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<197,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600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左心室的深度神经网络模型;利用测试集对其进行测试,评估其泛化性及鲁棒性。
在另一实施例中,如图3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,每个卷积层后同样添加有一个BN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。
8层U-Net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辅助路径(图2中:aux1~aux7为7条辅助路径)。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。整个解码器部分共包含68个卷积层。
图4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;(f-g)为测试集中2幅图的分割结果。采用Dice相似性系数(DSC)、精确度(Precision)及灵敏度(Sensitivity)四项指标评估分割结果与对比标准(GT)之间的一致性。如图5所示,ΩSeg表示分割得到的目标区域,等于TP+FP,ΩGT表示标准的目标区域,等于TP+FN。其中,TP表示ΩSeg中正确分割为正类的像素数,TN表示非ΩSeg中正确分割为负类的像素数,FP表示ΩSeg中错误分割为正类的像素数,FN表示非ΩSeg中错误分割为负类的像素数。
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
表2
表1和表2分别为验证集和测试集的评估结果(均值±标准差)。
由图4、表1和表2可知,对于左心室分割图像,本申请方法8层U-Net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,临床上对心脏进行CT扫描时,由于每个人的心轴偏转角度、心尖位置、二尖瓣高度不同,扫描角度往往会存在一定的差异性,基于CT心脏图像计算左心室容积具有很大的挑战性。
尽管不同的病人存在一定的个体差异,但心脏解剖结构仍具有一定的相似性,CT扫描方向往往与左心室长轴成一定夹角,扫描得到如图6所示的CT心脏图像,该CT心脏图像与左心室长轴切面相似。
对CT心脏图像进行左心室分割,可得到如图7所示的左心室分割图片。左心室内外膜为一连续曲线,与短轴切面存在巨大的差异,因此左心室CT影像不适用于Simpson法计算心腔容积。
为了实现对左心室容积的自动化计算,左心室容积自动计算方法包括:
针对每张左心室分割图片,计算图片中左心室室壁区域1的凸包区域;
在凸包区域中减去左心室室壁区域1,得到心腔区域2的断层图片;
根据所有断层图片构建三维模型;
根据三维模型计算得到左心室容积。
左心室的三维模型如图10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8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7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。
本申请中,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。
计算凸包区域的具体步骤包括:
取处于左心室室壁区域1的边界上的点(即左心室内膜3和左心室内膜5上的点),得到点集Q;
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9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9中的实心点构成待求解点集Q,图9中的实线构成初始轮廓线,图9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8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,断层图中的亮区相互连通,并形成待去噪的心腔三维模型。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,最大连通域法从三维模型中提取心腔部分时误差较小。得到的心腔部分的模型如图11所示。
如图12所示,步骤S104具体包括以下步骤:
步骤S100,获取标准左心室模型的点云Q与左心室模型的点云P,并计算点云Q中的点qi与点云P中的点pi;
步骤S200,计算点qi和点pi之间平均距离最小的刚体变换,并根据刚体变换得到变换后的左心室模型的点云P';
步骤S300,计算点云Q中的点qi与点云P'中对应的点pi'之间的平均距离d;
步骤S400,根据平均距离d判断左心室模型与标准左心室模型是否相配准,若配准则根据标准左心室模型得到左心室模型的短轴与长轴,否则利用点云P'更新点云P,并返回步骤S100。
如图13及图14所示,首先模拟制作一个标准的左心室三维模型,也可由正常人左心室CT影像作为标准,分割得到几何模型。其中这个标准左心室模型的长轴方向应保持是竖直方向,短轴应保证是水平方向。
读入左心室标准模型,并有CT、MRA影像分割得到患者左心室几何模型,作为待配准的左心室模型。将标准左心室模型以及左心室模型处理成点云形式,并对点云进行预处理:即去除杂质点、并对点云进行下采样。
对点云Q与点云P进行配准(刚性变换),基本思想是:
第一步,计算点云P中的每一个点在点云Q点集中的对应近点。
第二步,求得使上述对应点对平均距离最小的刚体变换,求得平移参数和旋转参数;
第三步,对点云P使用上一步求得的平移和旋转参数,得到新的点云P';
第四步,如果新的变换点集与参考点集满足两点集的平均距离小于某一给定阈值,则停止迭代计算,否则新的变换点集作为新的点云P'继续迭代,直到达到目标函数的要求。
对待配准的左心室三维模型利用变换矩阵(该算法的结果保存在一个4×4的齐次矩阵中)进行变换,得到配准后的左心室三维模型(如图14所示)。这个配准后的左心室三维模型长轴方向和已知的标准左心室三维模型的长短轴方向一致。
步骤S300中,计算点云Q中的点qi与点云P'中对应的点pi'之间的平均距离d,具体地,当点pi'与其中一个点qi之间的距离计算完成后,使用过的qi不在使用。
通过上述方法,可实现左心室模型的长短轴的自动定位,以使左心室模型的长短轴定位一致性与准确性。
在另一实施例中,步骤S200中:
根据点qi和点pi之间平均距离最小,得到与刚体变换对应的旋转矩阵R和平移矩阵t,配准左心室模型根据旋转矩阵R和平移矩阵t进行旋转平移。
在另一实施例中,步骤S300中:
其中n为最邻近点对的个数,pi为点云P中的一点,qi为点云Q中与pi对应的最近点。
在另一实施例中,计算点云Q中的点qi与点云P中的点pi包括:
为了便于计算点qi与点pi,对标准左心室模型与左心室模型建立经纬坐标系,分别获得点qi与点pi的坐标。
在另一实施例中,步骤S104还包括:
步骤S500,以长轴的各个点为扫描中心对左心室模型旋转扫描,获得多幅垂直于长轴的左心室的分层图像,其中位于底部或中部的分层图像为环形,位于顶部的分层图像为周向上呈开放的结构,该开放结构朝右心室开口;
根据顶部的分层图像边缘与扫描中心的连线向量加权平均,即可作为短轴方向。
从左心室顶部沿垂直于长轴方向进行平移切割。起始切割的分层图像大部分是周向上呈开放的结构(如图15所示的月牙状),随后切割出的分层图像出现环形(如图16所示)。
长轴与切割平面的交点On作为扫描的中心点,对切割交线各点进行连接投影,投影位置未产生方向上的循环,即该交线为分层图像的边缘。反之,可确定分层图像的边缘,根据分层图像边缘与扫描中心点的连线向量加权平均,即可作为短轴方向(如图15中所示的A方向)。
在另一实施例中,得到左心室舒张状态与收缩状态的两组三维图像包括:
获得多幅左心室分层图像,利用分层图像的重心位置为扫描线中心进行旋转扫描。
在另一实施例中,如图17所示,得到左心室舒张状态与收缩状态的两组三维图像包括:
针对每条扫描线,判断其与平切面交点数量;
若数量等于2,与扫描线中心较近的交点为内壁点,较远的为外壁点。其中,点A为内壁点,点B为外壁点。
左心室的内壁和/或外壁存在乳头肌时,扫描线与平切面交点数量会大于2,此时,与扫描线中心最近的交点为内壁点,最远的为外壁点,遍历其余交点,距离当前交点最近的已定义的点若为内壁点,则当前交点为内壁点,距离当前交点最近的已定义的点若为外壁点,则当前交点为外壁点。
在另一实施例中,如图18所示,计算两组三维图像同一左心室位置点的位移变化包括:
对左心室建立经纬坐标系,获得同一左心室位置点分别在两种状态下的坐标,计算两个坐标之间的距离作为位移变化。
分别对左心室舒张状态的三维模型以及收缩状态的三维模型建立坐标系。记录同一左心室位置点分别在两种状态下的坐标,并计算两个坐标之间的距离作为位移变化。
在另一实施例中,为了便于对左心室建立坐标系,对左心室建立经纬坐标系包括:
获得左心室表面的多个点云层,最顶层的点云层的重心位置定义为N,最底层的点云层的重心位置定义为S,赤道线位于左心室表面的重心位置所在点云层,从N到S经过左心室表面最长的曲线定义为子午线。
在另一实施例中,利用位移变化对同一左心室位置点进行赋值包括:
进行赋值之前,对所有同一左心室位置点的位移变化进行归一化处理得到总位移变化,然后对总位移变化进行赋值。
对位移变化进行归一化处理L/Lmax,其中L为对应同一左心室位置点的位移变化,Lmax为所有同一左心室位置点中最大的位移变化。
其中,L/Lmax的数值为0~1。L/Lmax的数值越小,说明左心室的室壁心肌运动越差。
在另一实施例中,利用位移变化对该点进行赋值包括:
根据各个同一左心室位置点的归一化位移值转化为颜色空间rgb值,并在三维模型中进行模拟显示。
根据L/Lmax的数值,对应不同的颜色,该颜色最终显示在三维模型(该三维模型可以是左心室收缩状态时的三维模型,也可以是左心室舒张状态时的三维模型)上,通过观察三维模型的颜色,可以快速判断各个同一左心室位置点的位移,以增加操作人员对心肌变化判断的准确性。
在一个实施例中,提供了一种基于CT影像的左心室功能学分析装置,装置包括:
第一模块,用于获取CT心脏图像;
第二模块,用于将CT心脏图像输入深度神经网络模型,得到CT左心室分割图像;
第三模块,用于利用左心室分割图像构建左心室模型;
第四模块,用于获取标准左心室模型,将左心室模型与标准左心室模型相配准,根据标准左心室模型得到左心室模型的短轴与长轴;
第五模块,用于利用构建的左心室模型,得到左心室舒张状态与收缩状态的两组三维图像;
第六模块,用于计算两组三维图像同一左心室位置点的位移变化,利用位移变化对同一左心室位置点进行赋值,在左心室模型中利用赋值对各个同一左心室位置点进行模拟显示。
关于基于CT影像的左心室功能学分析装置的具体限定可以参见上文中对于基于CT影像的左心室功能学分析方法的限定,在此不再赘述。上述基于CT影像的左心室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。
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19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影像的左心室功能学分析方法。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19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心脏图像;
将CT心脏图像输入深度神经网络模型,得到CT左心室分割图像;
利用左心室分割图像构建左心室模型;
获取标准左心室模型,将左心室模型与标准左心室模型相配准,根据标准左心室模型得到左心室模型的短轴与长轴;
利用构建的左心室模型,得到左心室舒张状态与收缩状态的两组三维图像;
计算两组三维图像同一左心室位置点的位移变化,利用位移变化对同一左心室位置点进行赋值,在左心室模型中利用赋值对各个同一左心室位置点进行模拟显示。
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心脏图像;
将CT心脏图像输入深度神经网络模型,得到CT左心室分割图像;
利用左心室分割图像构建左心室模型;
获取标准左心室模型,将左心室模型与标准左心室模型相配准,根据标准左心室模型得到左心室模型的短轴与长轴;
利用构建的左心室模型,得到左心室舒张状态与收缩状态的两组三维图像;
计算两组三维图像同一左心室位置点的位移变化,利用位移变化对同一左心室位置点进行赋值,在左心室模型中利用赋值对各个同一左心室位置点进行模拟显示。
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影像的左心室功能学分析方法,其特征在于,包括:
获取CT心脏图像;
将所述CT心脏图像输入深度神经网络模型,得到CT左心室分割图像;
利用左心室分割图像构建左心室模型;
获取标准左心室模型,将左心室模型与标准左心室模型相配准,根据标准左心室模型得到左心室模型的短轴与长轴;
利用构建的左心室模型,得到左心室舒张状态与收缩状态的两组三维图像;
计算所述两组三维图像同一左心室位置点的位移变化,利用位移变化对同一左心室位置点进行赋值,在左心室模型中利用所述赋值对各个同一左心室位置点进行模拟显示。
2.根据权利要求1所述的基于CT影像的左心室功能学分析方法,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。
3.根据权利要求1所述的基于CT影像的左心室功能学分析方法,其特征在于,所述利用左心室分割图像构建左心室模型包括:
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左心室模型。
4.根据权利要求3所述的基于CT影像的左心室功能学分析方法,其特征在于,根据所述三维模型计算得到左心室容积;
至少一部分左心室分割图像为内凹图片,所述内凹图片中,心腔区域由左心室内膜和凸包区域的边界围成。
5.根据权利要求1所述的基于CT影像的左心室功能学分析方法,其特征在于,所述将左心室模型与标准左心室模型相配准包括:
步骤S100,获取标准左心室模型的点云Q与所述左心室模型的点云P,并计算点云Q中的点qi与点云P中的点pi;
步骤S200,计算点qi和点pi之间平均距离最小的刚体变换,并根据所述刚体变换得到变换后的所述左心室模型的点云P';
步骤S300,计算点云Q中的点qi与点云P'中对应的点pi'之间的平均距离d;
步骤S400,根据平均距离d判断左心室模型与标准左心室模型是否相配准,若配准则根据标准左心室模型得到左心室模型的短轴与长轴,否则利用点云P'更新点云P,并返回步骤S100。
6.根据权利要求5所述的基于CT影像的左心室功能学分析方法,其特征在于,所述步骤S200中:
根据点qi和点pi之间平均距离最小,得到与刚体变换对应的旋转矩阵R和平移矩阵t,左心室模型根据旋转矩阵R和平移矩阵t进行旋转平移。
7.根据权利要求5所述的基于CT影像的左心室功能学分析方法,其特征在于,所述利用位移变化对同一左心室位置点进行赋值包括:
进行赋值之前,对所有同一左心室位置点的位移变化进行归一化处理得到总位移变化,然后对总位移变化进行赋值。
8.基于CT影像的左心室功能学分析装置,其特征在于,包括:
第一模块,用于获取CT心脏图像;
第二模块,用于将所述CT心脏图像输入深度神经网络模型,得到CT左心室分割图像;
第三模块,用于利用左心室分割图像构建左心室模型;
第四模块,用于获取标准左心室模型,将左心室模型与标准左心室模型相配准,根据标准左心室模型得到左心室模型的短轴与长轴;
第五模块,用于利用构建的左心室模型,得到左心室舒张状态与收缩状态的两组三维图像;
第六模块,用于计算所述两组三维图像同一左心室位置点的位移变化,利用位移变化对同一左心室位置点进行赋值,在左心室模型中利用所述赋值对各个同一左心室位置点进行模拟显示。
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5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5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624903.2A CN111816282A (zh) | 2020-07-01 | 2020-07-01 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624903.2A CN111816282A (zh) | 2020-07-01 | 2020-07-01 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111816282A true CN111816282A (zh) | 2020-10-23 |
Family
ID=72855977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010624903.2A Pending CN111816282A (zh) | 2020-07-01 | 2020-07-01 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111816282A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1509691A (zh) * | 2002-12-20 | 2004-07-07 | 阿洛卡株式会社 | 超声波诊断装置 |
US20080312527A1 (en) * | 2007-05-28 | 2008-12-18 | Jun Masumoto | Cardiac function analysis apparatus, method and program |
CN102812380A (zh) * | 2011-03-09 | 2012-12-05 | 株式会社东芝 | 医用图像处理装置 |
CN103955939A (zh) * | 2014-05-16 | 2014-07-30 | 重庆理工大学 | 三维扫描系统中点云拼接用边界特征点配准方法 |
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 |
CN109961508A (zh) * | 2019-03-25 | 2019-07-02 | 东南大学 | 一种心脏静态三维模型重建方法 |
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 |
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 |
-
2020
- 2020-07-01 CN CN202010624903.2A patent/CN111816282A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1509691A (zh) * | 2002-12-20 | 2004-07-07 | 阿洛卡株式会社 | 超声波诊断装置 |
US20080312527A1 (en) * | 2007-05-28 | 2008-12-18 | Jun Masumoto | Cardiac function analysis apparatus, method and program |
CN102812380A (zh) * | 2011-03-09 | 2012-12-05 | 株式会社东芝 | 医用图像处理装置 |
CN103955939A (zh) * | 2014-05-16 | 2014-07-30 | 重庆理工大学 | 三维扫描系统中点云拼接用边界特征点配准方法 |
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 |
CN109961508A (zh) * | 2019-03-25 | 2019-07-02 | 东南大学 | 一种心脏静态三维模型重建方法 |
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 |
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)
Title |
---|
王以进: "《头颈部生物力学》", 国防工业出版社, pages: 16 - 18 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11568534B2 (en) | System and method of mitral valve quantification | |
JP5258694B2 (ja) | 医用画像処理装置および方法並びにプログラム | |
EP3080777B1 (en) | Model-based segmentation of an anatomical structure | |
CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
CN111815597A (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 | |
CN111754534A (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 | |
CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN111340825A (zh) | 一种纵膈淋巴结分割模型的生成方法及系统 | |
CN115830016B (zh) | 医学图像配准模型训练方法及设备 | |
CN111681205B (zh) | 图像分析方法、计算机设备和存储介质 | |
JP7456928B2 (ja) | 胸部x線画像の異常表示制御方法、異常表示制御プログラム、異常表示制御装置、及びサーバ装置 | |
Matsopoulos et al. | Thoracic non-rigid registration combining self-organizing maps and radial basis functions | |
CN114693671A (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
EP3608872B1 (en) | Image segmentation method and system | |
JP7457011B2 (ja) | 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法 | |
CN116824059A (zh) | 基于三维影像的目标表面重建方法、装置、设备和介质 | |
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 | |
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 | |
CN112365504A (zh) | Ct左心室分割方法、装置、设备和存储介质 | |
CN115115567A (zh) | 一种图像处理方法、装置、计算机设备及介质 | |
CN112766332A (zh) | 医学影像检测模型训练方法、医学影像检测方法及装置 | |
Złahoda-Huzior et al. | Automatic aorta and left ventricle segmentation for TAVI procedure planning using convolutional neural networks | |
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 | |
CN117338318A (zh) | 三维形状数据生成方法、信息处理设备和记录介质 | |
Kanakatte et al. | Cardiac Landmark Detection using Generative Adversarial Networks from Cardiac MR Images. |
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 |