CN112767530B - 心脏图像三维重建方法、装置、设备及存储介质 - Google Patents
心脏图像三维重建方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112767530B CN112767530B CN202011499430.4A CN202011499430A CN112767530B CN 112767530 B CN112767530 B CN 112767530B CN 202011499430 A CN202011499430 A CN 202011499430A CN 112767530 B CN112767530 B CN 112767530B
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- heart
- interest
- point
- 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
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及医学图像的计算机分析技术领域,公开了一种心脏图像三维重建方法、装置、设备及存储介质,该方法包括:将获取的待处理心脏序列图像在不同时相下的长轴图像与短轴图像进行组合获得待处理长短轴图像;根据长短轴图像的交点集提取待处理心脏序列图像中特征点的粗略坐标;根据粗略坐标和预先训练的随机森林分类回归模型确定待处理心脏序列图像的图像特征点信息;根据图像特征点信息和预设点分布模型构建待处理心脏序列图像对应的心脏初始三维形状,本发明是根据待处理心脏图像粗略点坐标和预先训练好的随机森林分类回归模型确定特征点信息,再根据特征点信息和预设点分布模型得到心脏的初始三维形状,提高了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三维重建方法、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,以及其它功能参数的评估,是心脏疾病早期诊断的重要手段之一。然而,心脏是具有收缩和舒张运动的、结构复杂的三维器官,且临床上心脏运动参数在描述其局部异常和早期微小病变的作用较明显,这要求对心脏舒张期和收缩期中不同时刻的心脏图像实现三维结构的精确分割,以获取心脏准确的静态和动态参数。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分割难度。因此,借助于信息处理技术,提高心脏图像三维建模的准确性成为我们研究的热点。
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了一种心脏图像三维重建方法、装置、设备及存储介质,旨在解决现有技术心脏图像三维建模准确性低的技术问题。
为实现上述目的,本发明提供了一种心脏图像三位重建方法,所述方法包括以下步骤:
获取待处理心脏序列图像,将所述待处理心脏序列图像在不同时相下的长轴图像与短轴图像进行组合获得待处理长短轴图像;
获取所述长短轴图像的交点集,根据所述交点集提取待处理心脏序列图像中特征点的粗略坐标;
根据所述粗略坐标和预先训练的随机森林分类回归模型确定待处理心脏序列图像的图像特征点信息;
根据所述图像特征点信息和预设点分布模型构建所述待处理心脏序列图像对应的心脏初始三维形状。
可选地,所述获取待处理心脏序列图像,将所述待处理心脏序列图像在不同时相下的长轴图像与短轴图像进行组合获得待处理长短轴图像步骤之前,所述方法还包括:
将初始心脏序列图像在不同时相下的长轴图像与短轴图像进行组合获得初始长短轴图像;
标记舒张期时相下位于所述初始长短轴图像上的特征点,获得包含标记特征点的长短轴图像;
按照预设旋转规则对所述包含标记特征点的长短轴图像进行旋转,获得旋转长短轴图像;
根据所述旋转长短轴图像和所述标记特征点确定旋转特征点;
构造二维坐标偏移数组,根据所述旋转特征点和所述二维坐标偏移数组确定所述旋转长短轴图像的感兴趣点;
根据所述感兴趣点确定感兴趣区域图像块,并根据所述感兴趣区域图像块获取感兴趣区域图像块特征向量;
根据所述感兴趣区域图像块特征向量提取所述感兴趣区域图像块的特征,用所述特征训练初始随机森林分类回归模型得到训练的随机森林分类回归模型。
可选地,所述根据所述粗略坐标和预先训练的随机森林分类回归模型确定待处理心脏序列图像的图像特征点信息,具体包括:
以所述粗略坐标点为中心,获取预设长度的待处理心脏序列图像的待处理感兴趣图像块;
提取所述待处理感兴趣区域图像块的特征向量,获得待处理感兴趣图像块特征向量;
根据预先训练的随机森林分类回归模型和所述待处理感兴趣图像块特征向量,确定所述粗略坐标点相对于待处理心脏序列图像特征点的坐标偏移;
根据所述坐标偏移和所述粗略坐标点,确定待处理心脏序列图像特征点信息。
可选地,所述根据所述图像特征点信息和预设点分布模型确定所述待处理心脏序列图像对应的心脏初始三维形状,具体包括:
从所述图像特征点信息中获取图像特征点;
根据预设点分布模型生成待处理心脏序列图像的平均形状,所述平均形状中包含标记点,所述标记点与所述待处理心脏序列图像特征点对应;
将所述平均形状进行复合变换,获得所述标记点与所述图像特征点符合预设位置重合条件的心脏初始三维形状。
可选地,所述根据所述感兴趣点确定感兴趣区域图像块,并根据所述感兴趣区域图像块获取感兴趣区域图像块特征向量,具体包括:
获取所述感兴趣点的坐标;
以所述感兴趣点的坐标为中心,根据预设长度确定感兴趣区域图像块;
提取所述感兴趣区域图像块的方向梯度直方图特征与Gabor特征;
根据所述方向梯度直方图特征和所述Gabor特征确定所述感兴趣区域图像块特征向量。
可选地,所述按照预设旋转规则对所述包含标记特征点的长短轴图像进行旋转,获得旋转长短轴图像,具体包括:
获取包含标记特征点的长短轴图像中的心脏长轴4CH图像、心脏长轴2CH图像和短轴图像;
在进行主动脉特征点、二尖瓣特征点、左心室心尖特征点的提取时,旋转所述心脏长轴4CH图像以使目标图像交点所在的直线在所述心脏长轴4CH图像内与水平线垂直,所述目标图像交点为所述心脏长轴4CH图像、所述心脏长轴2CH图像、所述短轴图像相交时的交点;
在进行三尖瓣特征点、右心室心尖特征点提取时,旋转所述短轴图像以使目标图像相交的直线与水平方向平行,所述目标图像为所述心脏长轴4CH图像与所述短轴图像。
可选地,所述根据所述随机森林分类回归模型和所述待处理图像块特征向量,确定所述粗略坐标点相对于待处理心脏序列图像特征点的坐标偏移,具体包括:
根据所述述待处理图像块特征向量获得待处理特征;
将所述待处理特征送入所述随机森林分类回归模型,并根据模型输出结果确定所述粗略坐标点相对于待处理心脏序列图像特征点的坐标偏移。
此外,为实现上述目的,本发明还提出一种心脏图像三维重建装置,该装置包括:
组合模块:用于获取待处理心脏序列图像,将所述待处理心脏序列图像在不同时相下的长轴图像与短轴图像进行组合获得待处理长短轴图像;
提取模块:用于获取所述长短轴图像的交点集,根据所述交点集提取待处理心脏序列图像特征点的粗略坐标;
确定模块:用于根据所述粗略坐标和预先训练的随机森林分类回归模型确定待处理心脏序列图像的图像特征点信息;
构建模块:用于根据所述图像特征点信息和预设点分布模型确定所述待处理心脏序列图像对应的心脏初始三维形状。
此外,为实现上述目的,本发明还提出一种心脏图像三维重建设备,所述设备包括: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三维重建程序,所述心脏图像三维重建程序配置为实现如上文所述的心脏图像三维重建方法的步骤。
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三维重建方法程序,所述心脏图像三维重建方法程序被处理器执行时实现如上文所述心脏图像三维重建方法的步骤。
本发明通过获取待处理心脏序列图像,将待处理心脏序列图像在不同时相下的长轴图像与短轴图像进行组合获得待处理长短轴图像;获取长短轴图像的交点集,根据交点集提取待处理心脏序列图像中特征点的粗略坐标;根据粗略坐标和预先训练的随机森林分类回归模型确定待处理心脏序列图像的图像特征点信息;根据图像特征点信息和预设点分布模型构建待处理心脏序列图像对应的心脏初始三维形状。由于本发明是通过获取待处理心脏图像中特征点的粗略坐标,根据粗略坐标和预先训练好的随机森林分类回归模型确定特征点信息,再根据特征点信息和预设点分布模型得到心脏的初始三维形状,从而提高了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三维重建设备的结构示意图;
图2为本发明心脏图像三维重建方法第一实施例的流程示意图;
图3为本发明心脏图像三维重建方法第二实施例的流程示意图;
图4为本发明心脏图像三维重建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三维重建设备结构示意图。
如图1所示,该心脏图像三维重建设备可以包括: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)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。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(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器 (Non-Volatile Memory,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三维重建设备的限定,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,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及心脏图像三维重建程序。
在图1所示的心脏图像三维重建设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明心脏图像三维重建设备中的处理器1001、存储器 1005可以设置在心脏图像三维重建设备中,所述心脏图像三维重建设备通过处理器1001调用存储器1005中存储的心脏图像三维重建程序,并执行本发明实施例提供的心脏图像三维重建方法。
本发明实施例提供了一种心脏图像三维重建方法,参照图2,图 2为本发明心脏图像三维重建方法第一实施例的流程示意图。
本实施例中,所述心脏图像三维重建方法包括以下步骤:
步骤S10:获取待处理心脏序列图像,将所述待处理心脏序列图像在不同时相下的长轴图像与短轴图像进行组合获得待处理长短轴图像;
需要说明的是,本实施例的执行主体是心脏图像三维重建设备,所述心脏图像三维重建设备可以是全自动心脏图像三维重建设备、半自动心脏图像三维重建设备等,本实施例对此不作限制。
可理解的是,待处理心脏序列图像可以由磁共振成像、电子计算机断层扫描等获得,本实施例对此不作限制;时相为心脏舒张期和心脏收缩期中的不同时刻,待处理心脏序列图像是需要进行三维重建的心脏对应的时间序列图像。
应理解的是,长轴图像包括心脏长轴4CH图像、心脏长轴2CH 图像,短轴图像为心脏短轴位图像,待处理长短轴图像为需要进行三维重建的心脏序列图像在不同时相下长轴图像和短轴图像组合获得的图像。
在具体实现中,心脏图像三维重建设备获取到需要进行三维重建的心脏对应的心脏序列图像,将心脏序列图像在心脏舒张期和心脏收缩期不同时刻的心脏长轴4CH图像、心脏长轴2CH图像、心脏短轴位图像进行组合,得到需要进行三维重建心脏的长短轴图像。
步骤S20:获取所述长短轴图像的交点集,根据所述交点集提取待处理心脏序列图像中特征点的粗略坐标;
应理解的是,在心脏舒张期时相下,心脏长轴4CH图像、心脏长轴2CH图像与心脏短轴位图像相交,待处理心脏序列图像中的特征点包括心脏主动脉特征点、心脏二尖瓣特征点、心脏左心室心尖特征点、心脏三尖瓣特征点、心脏右心室心尖特征点。
可理解的是,在提取心脏主动脉特征点粗略坐标、心脏左心室心尖特征点粗略坐标时,旋转心脏长轴4CH图像,使得交点所成的直线与水平线垂直,以位于心底层的交点为起点,向左偏移若干距离可得到心脏主动脉特征点的粗略坐标,向右偏移得到心脏二尖瓣特征点的粗略坐标;获取位于心尖层的交点,得到左心室心尖特征点的粗略坐标。
可理解的是,在提取心脏三尖瓣特征点时,旋转中间层心脏短轴位图像,使得心脏长轴4CH图像与心脏短轴位图像所成的交线与水平方向平行,心脏长轴4CH图像、心脏长轴2CH图像与心脏短轴位图像所成交点在心脏短轴位图像中间层图像血池区域,获取该交点,得到心脏三尖瓣特征点的粗略坐标。
可理解的是,在提取心脏右心室心尖特征点时,旋转心尖层心脏短轴位图像,使得心脏长轴4CH图像与心脏短轴位图像所成的交线与水平方向平行,心脏长轴4CH图像、心脏长轴2CH图像与心脏短轴位图像所成交点在心脏短轴位图像中间层图像血池区域,获取该交点,得到心脏右心室心尖特征点的粗略坐标。
步骤S30:根据所述粗略坐标和预先训练的随机森林分类回归模型确定待处理心脏序列图像的图像特征点信息;
可理解的是,根据特征点的粗略坐标和预先训练的随机森林分类回归模型可得到粗略坐标的偏移量,经过矫正后,就可得到图像特征点信息。
进一步地,为了确定准确的图像特征点信息,在本实施例中,所述步骤S30具体包括:
步骤S301:以所述粗略坐标点为中心,获取预设长度的待处理心脏序列图像的待处理感兴趣区域图像块;
应理解的是,待处理感兴趣图像块的大小与训练阶段感兴趣区域图像块的大小一致。
步骤S302:提取所述感兴趣区域图像块的特征向量,获得待处理图像块特征向量;
步骤S303:根据预先训练的随机森林分类回归模型和所述待处理感兴趣图像块特征向量,确定所述粗略坐标点相对于待处理心脏序列图像特征点的坐标偏移;
需要说明的是,可以根据待处理感兴趣图像块特征向量得到待处理感兴趣图像的特征,把所述特征送入预先训练的随机森林分类回归模型中,可以得到粗略坐标点所属的类别,进而得到粗略坐标点相对于心脏的准确特征点坐标的偏移量。
步骤S304:根据所述坐标偏移和所述粗略坐标点,确定待处理心脏序列图像特征点信息。
应理解的是,在得到粗略坐标点相对于待处理心脏图像准确特征点的坐标偏移后,根据粗略坐标和坐标偏移,经过矫正后,可以得到待处理心脏图像准确特征点的坐标。
进一步地,为了确定准确的图像特征点信息,在本实施例中,所述步骤S303具体包括:
根据所述述待处理图像块特征向量获得待处理特征;将所述待处理特征送入所述随机森林分类回归模型,并根据模型输出结果确定所述粗略坐标点相对于待处理心脏序列图像特征点的坐标偏移。
步骤S40:根据所述图像特征点信息和预设点分布模型构建所述待处理心脏序列图像对应的心脏初始三维形状。
可理解的是,预设点分布模型还可以约束心脏三维形状的变化,根据预设点分布模型和心脏图像特征点,对心脏图像进行复合变换,可以得到心脏初始三维形状,心脏是一个运动的器官,只需要得到第一时相的心脏初始三维形状,采用预设三维活动形状模型作用于第一时相的心脏初始三维形状,所得输出结果赋予第二时相的心脏三维初始形状,以此类推,便可以得到整个时相下的心脏三维建模结果。
进一步地,为了提高心脏图像三维建模的准确性,在本实施例中,所述步骤S40具体包括:
从所述图像特征点信息中获取图像特征点;根据预设点分布模型生成待处理心脏序列图像的平均形状,所述平均形状中包含标记点,所述标记点与所述待处理心脏序列图像特征点对应;将所述平均形状进行复合变换,获得所述标记点与所述图像特征点符合预设位置重合条件的心脏初始三维形状。
可理解的是,根据预设点分布模型可以生成待处理心脏序列图像的平均形状为心脏序列图像的三维平均形状,在所述三维平均形状中有标记点,所述标记点和图像特征点一一对应。将心脏序列图像的三维平均形状进行拉伸、旋转和平移,使得所述标记点与所述图像特征点近似重合,可以得到舒张期时相下的待处理心脏序列图像对应的心脏初始三维初始形状。
本实施例通过根据待处理心脏图像粗略点坐标和预先训练好的随机森林分类回归模型确定特征点信息,再根据特征点信息和预设点分布模型得到心脏的初始三维形状,提高了心脏图像三维建模的准确性。
参考图3,图3为本发明心脏图像三维重建方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例中,所述步骤S10之前还包括:
步骤S101:将初始心脏序列图像在不同时相下的长轴图像与短轴图像进行组合获得初始长短轴图像;
需要说明的是,本实施例为训练原始随机森林分类回归模型的过程。
应理解的是,初始心脏序列图像为用来训练初始随机森林分类回归模型的心脏序列图像。
步骤S102:标记舒张期时相下位于所述初始长短轴图像上的特征点,获得包含标记特征点的长短轴图像;
可理解的是,在舒张期时相下,心脏血池充血,心脏左心室、心脏右心室图像的对比度较好,标记舒张期时相下位于所述初始长短轴图像上的特征点可以为机器自动标记、手工标记等方式进行标记,本实施例对此不作限制。
步骤S103:按照预设旋转规则对所述包含标记特征点的长短轴图像进行旋转,获得旋转长短轴图像;
应理解的是,在提取心脏特征点阶段,特征点的粗略坐标的获取依赖于旋转后的长短轴图像,因此在训练原始随机森林分类回归模型阶段,需要按照预设旋转规则对包含标记特征点的长短轴图像进行旋转。
进一步地,为了提高预设随机森林分类回归模型的准确性,在本实施例中,所述步骤S103具体包括:
获取包含标记特征点的长短轴图像中的心脏长轴4CH图像、心脏长轴2CH图像和短轴图像;在进行主动脉特征点、二尖瓣特征点、左心室心尖特征点的提取时,旋转所述心脏长轴4CH图像以使目标图像交点所在的直线在所述心脏长轴4CH图像内与水平线垂直,所述目标图像交点为所述心脏长轴4CH图像、所述心脏长轴2CH图像、所述短轴图像相交时的交点;在进行三尖瓣特征点、右心室心尖特征点提取时,旋转所述短轴图像以使目标图像相交的直线与水平方向平行,所述目标图像为所述心脏长轴4CH图像与所述短轴图像。
步骤S104:根据所述旋转长短轴图像和所述标记特征点确定旋转特征点;
应理解的是,旋转特征点是旋转前的长短轴图像的标记特征点对应的特征点,根据旋转长短轴图像和标记特征点坐标可以确定旋转特征点坐标。
步骤S105:构造二维坐标偏移数组,根据所述旋转特征点和所述二维坐标偏移数组确定所述旋转长短轴图像的感兴趣点;
应理解的是,二维坐标偏移数组的元素为二维坐标,将旋转特征点坐标和二维坐标相加,得到感兴趣点坐标。
在具体实现中,例如:令Δxy=[Δi,Δj]为二维坐标偏移数组,其中Δi,Δj分别定义如下:Δi={-10,-8,-6,-4,-2,0,2,4,6,8,10},Δj={-10,-8,-6,-4,-2,0,2,4,6,8,10},二维坐标偏移数组Δxy=[Δi,Δj]的取值由Δi,Δj组合而成,共有121个,对应着121个偏移坐标,将旋转特征点坐标分别与121个偏移坐标相加,得到感兴趣点坐标,本例中的二维坐标偏移数组是为了举例说明得到感兴趣点的过程,还可以采用其他二维坐标偏移数组得到感兴趣点坐标,本实施例对此不作限制。
步骤S106:根据所述感兴趣点确定感兴趣区域图像块,并根据所述感兴趣区域图像块获取感兴趣区域图像块特征向量;
可理解的是,感兴趣区域图像块是以感兴趣点坐标为中心,根据预设长度,得到的图像块。
进一步地,为了提高预设随机森林分类回归模型的准确性,在本实施例中,所述步骤S106具体包括:
获取所述感兴趣点的坐标;以所述感兴趣点的坐标为中心,根据预设长度确定感兴趣区域图像块;提取所述感兴趣区域图像块的方向梯度直方图特征与Gabor特征;根据所述方向梯度直方图特征和所述 Gabor特征确定所述感兴趣区域图像块特征向量。
应理解的是,每个感兴趣区域图像块的特征向量可由方向梯度直方图特征(即HOG特征)与Gabor特征确定,每个感兴趣区域图像块的特征向量可定义为f={fHOG,fGabor},代表着HOG特征和Gabor特征的组合。
步骤S107:根据所述感兴趣区域图像块特征向量提取所述感兴趣区域图像块的特征,用所述特征训练初始随机森林分类回归模型得到训练的随机森林分类回归模型。
应理解的是,可以从感兴趣区域图像块特征向量中提取感兴趣区域图像块的特征,将所述特征送入原始随机森林分类回归模型中训练,即可得到训练的随机森林分类回归模型。
本实施例通过标记特征点坐标和二维坐标偏移数组确定感兴趣点坐标,以感兴趣点坐标为中心根据预设长度提取感兴趣区域图像块,提取感兴趣区域图像块的特征,并用所述特征训练原始随机森林分类回归模型得到训练的随机森林分类回归模型,提高了训练的随机森林分类回归模型的准确性。
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三维重建程序,所述心脏图像三维重建程序被处理器执行时实现如上文所述的心脏图像三维重建方法的步骤。
参照图4,图4为本发明心脏图像三维重建装置第一实施例的结构框图。
如图4所示,本发明实施例提出的心脏图像三维重建装置包括:组合模块10,提取模块20,确定模块30,构建模块40。
组合模块10:用于获取待处理心脏序列图像,将所述待处理心脏序列图像在不同时相下的长轴图像与短轴图像进行组合获得待处理长短轴图像;
提取模块20:用于获取所述长短轴图像的交点集,根据所述交点集提取待处理心脏序列图像特征点的粗略坐标;
确定模块30:用于根据所述粗略坐标和预先训练的随机森林分类回归模型确定待处理心脏序列图像的图像特征点信息;
构建模块40:用于根据所述图像特征点信息和预设点分布模型确定所述待处理心脏序列图像对应的心脏初始三维形状。
本实施例通过根据待处理心脏图像粗略点坐标和预先训练好的随机森林分类回归模型确定特征点信息,再根据特征点信息和预设点分布模型得到心脏的初始三维形状,提高了心脏图像三维建模的准确性。
进一步地,为了提高训练的随机森林分类回归模型的准确性,所述组合模块10还用于将初始心脏序列图像在不同时相下的长轴图像与短轴图像进行组合获得初始长短轴图像;标记舒张期时相下位于所述初始长短轴图像上的特征点,获得包含标记特征点的长短轴图像;按照预设旋转规则对所述包含标记特征点的长短轴图像进行旋转,获得旋转长短轴图像;根据所述旋转长短轴图像和所述标记特征点确定旋转特征点;构造二维坐标偏移数组,根据所述旋转特征点和所述二维坐标偏移数组确定所述旋转长短轴图像的感兴趣点;根据所述感兴趣点确定感兴趣区域图像块,并根据所述感兴趣区域图像块获取感兴趣区域图像块特征向量;根据所述感兴趣区域图像块特征向量提取所述感兴趣区域图像块的特征,用所述特征训练初始随机森林分类回归模型得到训练的随机森林分类回归模型。
进一步地,为了提高训练的随机森林分类回归模型的准确性,所述组合模块10还用于获取所述感兴趣点的坐标;以所述感兴趣点的坐标为中心,根据预设长度确定感兴趣区域图像块;提取所述感兴趣区域图像块的方向梯度直方图特征与Gabor特征;根据所述方向梯度直方图特征和所述Gabor特征确定所述感兴趣区域图像块特征向量。
进一步地,为了提高预设随机森林分类回归模型的准确性,所述组合模块10还用于获取包含标记特征点的长短轴图像中的心脏长轴 4CH图像、心脏长轴2CH图像和短轴图像;在进行主动脉特征点、二尖瓣特征点、左心室心尖特征点的提取时,旋转所述心脏长轴4CH 图像以使目标图像交点所在的直线在所述心脏长轴4CH图像内与水平线垂直,所述目标图像交点为所述心脏长轴4CH图像、所述心脏长轴2CH图像、所述短轴图像相交时的交点;在进行三尖瓣特征点、右心室心尖特征点提取时,旋转所述短轴图像以使目标图像相交的直线与水平方向平行,所述目标图像为所述心脏长轴4CH图像与所述短轴图像。
进一步地,为了确定准确的图像特征点信息,所述确定模块30 还用于以所述粗略坐标点为中心,获取预设长度的待处理心脏序列图像的待处理感兴趣图像块;提取所述待处理感兴趣区域图像块的特征向量,获得待处理感兴趣图像块特征向量;根据预先训练的随机森林分类回归模型和所述待处理感兴趣图像块特征向量,确定所述粗略坐标点相对于待处理心脏序列图像特征点的坐标偏移;根据所述坐标偏移和所述粗略坐标点,确定待处理心脏序列图像特征点信息。
进一步地,为了确定准确的图像特征点信息,所述确定模块30 还用于根据所述述待处理图像块特征向量获得待处理特征;将所述待处理特征送入所述随机森林分类回归模型,并根据模型输出结果确定所述粗略坐标点相对于待处理心脏序列图像特征点的坐标偏移。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
本实施例通过组合模块10获取待处理心脏序列图像,将所述待处理心脏序列图像在不同时相下的长轴图像与短轴图像进行组合获得待处理长短轴图像;提取模块20获取所述长短轴图像的交点集,根据所述交点集提取待处理心脏序列图像中特征点的粗略坐标;确定模块30根据所述粗略坐标和预先训练的随机森林分类回归模型确定待处理心脏序列图像的图像特征点信息;构建模块40根据所述图像特征点信息和预设点分布模型构建所述待处理心脏序列图像对应的心脏初始三维形状。由于本实施例是通过待处理心脏图像粗略点坐标和预先训练好的随机森林分类回归模型确定特征点信息,再根据特征点信息和预设点分布模型得到心脏的初始三维形状,从而提高了心脏图像三维建模的准确性。
本发明心脏图像三维重建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。
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/随机存取存储器、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 (9)
1.一种心脏图像三维重建方法,其特征在于,所述方法包括:
获取待处理心脏序列图像,将所述待处理心脏序列图像在不同时相下的长轴图像与短轴图像进行组合获得待处理长短轴图像;
获取所述长短轴图像的交点集,根据所述交点集提取待处理心脏序列图像中特征点的粗略坐标;
根据所述粗略坐标和预先训练的随机森林分类回归模型确定待处理心脏序列图像的图像特征点信息;
根据所述图像特征点信息和预设点分布模型构建所述待处理心脏序列图像对应的心脏初始三维形状;
所述根据所述粗略坐标和预先训练的随机森林分类回归模型确定待处理心脏序列图像的图像特征点信息,具体包括:
以所述粗略坐标点为中心,获取预设长度的待处理心脏序列图像的待处理感兴趣图像块;
提取所述待处理感兴趣区域图像块的特征向量,获得待处理感兴趣图像块特征向量;
根据预先训练的随机森林分类回归模型和所述待处理感兴趣图像块特征向量,确定所述粗略坐标点相对于待处理心脏序列图像特征点的坐标偏移;
根据所述坐标偏移和所述粗略坐标点,确定待处理心脏序列图像特征点信息。
2.如权利要求1所述的心脏图像三维重建方法,其特征在于,所述获取待处理心脏序列图像,将所述待处理心脏序列图像在不同时相下的长轴图像与短轴图像进行组合获得待处理长短轴图像步骤之前,所述方法还包括:
将初始心脏序列图像在不同时相下的长轴图像与短轴图像进行组合获得初始长短轴图像;
标记舒张期时相下位于所述初始长短轴图像上的特征点,获得包含标记特征点的长短轴图像;
按照预设旋转规则对所述包含标记特征点的长短轴图像进行旋转,获得旋转长短轴图像;
根据所述旋转长短轴图像和所述标记特征点确定旋转特征点;
构造二维坐标偏移数组,根据所述旋转特征点和所述二维坐标偏移数组确定所述旋转长短轴图像的感兴趣点;
根据所述感兴趣点确定感兴趣区域图像块,并根据所述感兴趣区域图像块获取感兴趣区域图像块特征向量;
根据所述感兴趣区域图像块特征向量提取所述感兴趣区域图像块的特征,用所述特征训练初始随机森林分类回归模型得到训练的随机森林分类回归模型。
3.如权利要求1所述的心脏图像三维重建方法,其特征在于,所述根据所述图像特征点信息和预设点分布模型确定所述待处理心脏序列图像对应的心脏初始三维形状,具体包括:
从所述图像特征点信息中获取图像特征点;
根据预设点分布模型生成待处理心脏序列图像的平均形状,所述平均形状中包含标记点,所述标记点与所述待处理心脏序列图像特征点对应;
将所述平均形状进行复合变换,获得所述标记点与所述图像特征点符合预设位置重合条件的心脏初始三维形状。
4.如权利要求2所述的心脏图像三维重建方法,其特征在于,所述根据所述感兴趣点确定感兴趣区域图像块,并根据所述感兴趣区域图像块获取感兴趣区域图像块特征向量,具体包括:
获取所述感兴趣点的坐标;
以所述感兴趣点的坐标为中心,根据预设长度确定感兴趣区域图像块;
提取所述感兴趣区域图像块的方向梯度直方图特征与Gabor特征;
根据所述方向梯度直方图特征和所述Gabor特征确定所述感兴趣区域图像块特征向量。
5.如权利要求2所述的心脏图像三维重建方法,其特征在于,所述按照预设旋转规则对所述包含标记特征点的长短轴图像进行旋转,获得旋转长短轴图像,具体包括:
获取包含标记特征点的长短轴图像中的心脏长轴4CH图像、心脏长轴2CH图像和短轴图像;
在进行主动脉特征点、二尖瓣特征点、左心室心尖特征点的提取时,旋转所述心脏长轴4CH图像以使目标图像交点所在的直线在所述心脏长轴4CH图像内与水平线垂直,所述目标图像交点为所述心脏长轴4CH图像、所述心脏长轴2CH图像、所述短轴图像相交时的交点;
在进行三尖瓣特征点、右心室心尖特征点提取时,旋转所述短轴图像以使目标图像相交的直线与水平方向平行,所述目标图像为所述心脏长轴4CH图像与所述短轴图像。
6.如权利要求1所述的心脏图像三维重建方法,其特征在于,所述根据预先训练的随机森林分类回归模型和所述待处理感兴趣图像块特征向量,确定所述粗略坐标点相对于待处理心脏序列图像特征点的坐标偏移,具体包括:
根据所述待处理感兴趣图像块特征向量获得待处理特征;
将所述待处理特征送入所述随机森林分类回归模型,并根据模型输出结果确定所述粗略坐标点相对于待处理心脏序列图像特征点的坐标偏移。
7.一种心脏图像三维重建装置,所述装置包括:
组合模块:用于获取待处理心脏序列图像,将所述待处理心脏序列图像在不同时相下的长轴图像与短轴图像进行组合获得待处理长短轴图像;
提取模块:用于获取所述长短轴图像的交点集,根据所述交点集提取待处理心脏序列图像特征点的粗略坐标;
确定模块:用于根据所述粗略坐标和预先训练的随机森林分类回归模型确定待处理心脏序列图像的图像特征点信息;
构建模块:用于根据所述图像特征点信息和预设点分布模型确定所述待处理心脏序列图像对应的心脏初始三维形状;
所述确定模块,还用于以所述粗略坐标点为中心,获取预设长度的待处理心脏序列图像的待处理感兴趣图像块;提取所述待处理感兴趣区域图像块的特征向量,获得待处理感兴趣图像块特征向量;根据预先训练的随机森林分类回归模型和所述待处理感兴趣图像块特征向量,确定所述粗略坐标点相对于待处理心脏序列图像特征点的坐标偏移;根据所述坐标偏移和所述粗略坐标点,确定待处理心脏序列图像特征点信息。
8.一种心脏图像三维重建设备,其特征在于,所述设备包括: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三维重建程序,所述心脏图像三维重建程序配置为实现如权利要求1至6中任一项所述的心脏图像三维重建方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有心脏图像三维重建程序,所述心脏图像三维重建程序被处理器执行时实现如权利要求1至6任一项所述的心脏图像三维重建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011499430.4A CN112767530B (zh) | 2020-12-17 | 2020-12-17 | 心脏图像三维重建方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011499430.4A CN112767530B (zh) | 2020-12-17 | 2020-12-17 | 心脏图像三维重建方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767530A CN112767530A (zh) | 2021-05-07 |
CN112767530B true CN112767530B (zh) | 2022-09-09 |
Family
ID=75694208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011499430.4A Active CN112767530B (zh) | 2020-12-17 | 2020-12-17 | 心脏图像三维重建方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767530B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103932708A (zh) * | 2013-01-23 | 2014-07-23 | 上海联影医疗科技有限公司 | 一种心脏多平面的重构方法 |
CA2918481A1 (en) * | 2013-08-19 | 2015-02-26 | Sunnybrook Research Institute | Method for determining diastasis timing using an mri septal scout |
WO2016195110A1 (ja) * | 2015-06-05 | 2016-12-08 | 株式会社日立製作所 | 画像処理方法、及び装置 |
CN110974305A (zh) * | 2019-12-13 | 2020-04-10 | 山东大学齐鲁医院 | 基于深度学习的远程心脏超声三维成像系统及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10765371B2 (en) * | 2017-03-31 | 2020-09-08 | Biosense Webster (Israel) Ltd. | Method to project a two dimensional image/photo onto a 3D reconstruction, such as an epicardial view of heart |
WO2018201437A1 (zh) * | 2017-05-05 | 2018-11-08 | 上海联影医疗科技有限公司 | 一种图像分割方法及系统 |
EP3692512A4 (en) * | 2017-10-05 | 2021-06-30 | Agency for Science, Technology and Research | METHOD AND SYSTEM FOR GEOMETRICAL RECONSTRUCTION OF AN INTERNAL ANATOMIC STRUCTURE |
US10856825B2 (en) * | 2018-03-16 | 2020-12-08 | Shimadzu Corporation | Radiographic imaging apparatus |
-
2020
- 2020-12-17 CN CN202011499430.4A patent/CN112767530B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103932708A (zh) * | 2013-01-23 | 2014-07-23 | 上海联影医疗科技有限公司 | 一种心脏多平面的重构方法 |
CA2918481A1 (en) * | 2013-08-19 | 2015-02-26 | Sunnybrook Research Institute | Method for determining diastasis timing using an mri septal scout |
WO2016195110A1 (ja) * | 2015-06-05 | 2016-12-08 | 株式会社日立製作所 | 画像処理方法、及び装置 |
CN110974305A (zh) * | 2019-12-13 | 2020-04-10 | 山东大学齐鲁医院 | 基于深度学习的远程心脏超声三维成像系统及方法 |
Non-Patent Citations (2)
Title |
---|
Hybrid method for automatic construction of 3D-ASM image intensity models for left ventricle;Huaifei Hu et al.;《Neurocomputing》;20200705;第396卷;第65-75页 * |
基于心脏电影磁共振图像的左心肌运动追踪方法综述;林剑圣等;《生物医学工程学杂志》;20200605;第37卷(第03期);第549-556页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112767530A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106340015B (zh) | 一种关键点的定位方法和装置 | |
JP5610129B2 (ja) | 3次元テンプレート変形方法、装置及びプログラム | |
CN109754396A (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
US8861891B2 (en) | Hierarchical atlas-based segmentation | |
DE102007046582A1 (de) | System und Verfahren zum Segmentieren von Kammern eines Herzens in einem dreidimensionalen Bild | |
CN110766735B (zh) | 一种图像的匹配方法、装置、设备及存储介质 | |
KR102450931B1 (ko) | 이미지 정합 방법 및 연관된 모델 훈련 방법, 기기, 장치 | |
JP6824845B2 (ja) | 画像処理システム、装置、方法およびプログラム | |
CN111311737B (zh) | 心脏图像的三维建模方法、装置、设备及存储介质 | |
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 | |
CN111724395B (zh) | 心脏图像四维上下文分割方法、设备、存储介质及装置 | |
CN113129418B (zh) | 基于三维影像的目标表面重建方法、装置、设备和介质 | |
JP5072625B2 (ja) | 画像処理装置及びその方法 | |
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 | |
WO2022188799A1 (zh) | 脑标识定位系统和方法 | |
CN111916183B (zh) | 动态心血管系统的建模方法、装置、设备及存储介质 | |
CN112308845B (zh) | 左心室分割方法、装置及电子设备 | |
CN112767530B (zh) | 心脏图像三维重建方法、装置、设备及存储介质 | |
CN110232695A (zh) | 基于混合模态图像的左心室图像分割方法及系统 | |
KR102409464B1 (ko) | 영상 분할을 통한 기관의 3차원 모델링 장치 및 방법 | |
Lekadir et al. | Effect of statistically derived fiber models on the estimation of cardiac electrical activation | |
JP3996555B2 (ja) | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 | |
CN111724363B (zh) | 四维心脏图像质量评估方法、装置、设备及存储介质 | |
CN114187299A (zh) | 超声定位肿瘤影像的高效精准划分方法 | |
CN113963109A (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 |