CN113112473A - 一种人体扩张型心肌病的自动诊断系统 - Google Patents

一种人体扩张型心肌病的自动诊断系统 Download PDF

Info

Publication number
CN113112473A
CN113112473A CN202110389964.XA CN202110389964A CN113112473A CN 113112473 A CN113112473 A CN 113112473A CN 202110389964 A CN202110389964 A CN 202110389964A CN 113112473 A CN113112473 A CN 113112473A
Authority
CN
China
Prior art keywords
point
left ventricle
contour
image
cardiac
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
CN202110389964.XA
Other languages
English (en)
Other versions
CN113112473B (zh
Inventor
李明亮
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.)
West China Hospital of Sichuan University
Original Assignee
West China Hospital of Sichuan University
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 West China Hospital of Sichuan University filed Critical West China Hospital of Sichuan University
Priority to CN202110389964.XA priority Critical patent/CN113112473B/zh
Publication of CN113112473A publication Critical patent/CN113112473A/zh
Priority to KR1020210165428A priority patent/KR20220141218A/ko
Application granted granted Critical
Publication of CN113112473B publication Critical patent/CN113112473B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/503—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Cardiology (AREA)
  • Optics & Photonics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Fuzzy Systems (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)

Abstract

本发明扩张型心肌病(DCM)诊断技术领域，具体涉及一种人体扩张型心肌病的自动诊断系统。本发明的系统能够实现如下诊断过程：将一个心脏周期内的心脏图像作为原始数据输入，计算机程序可从中判断心脏舒张末期图像和心脏收缩末期图像，对左心室和右心室进行分割，然后计算出能够体现左心室、右心室和心室肌壁的应变信息的心脏参数。得到心脏参数后，将这些心脏参数的特征输入分类器能够对DCM患者和非DCM患者进行区分。本发明实现了端对端的全自动DCM诊断，相比于人工或半自动诊断，具有很好的应用前景。

Description

一种人体扩张型心肌病的自动诊断系统
技术领域
本发明扩张型心肌病(DCM)诊断技术领域，具体涉及一种人体扩张型心肌病的自动诊断系统。
背景技术
扩张型心肌病(DCM)是一种原因未明的原发性心脏病，可导致左心室收缩功能受损，心脏瓣膜病变，室上性心律不齐，血栓形成，进行性心力衰竭，甚至猝死。DCM患者的预后较差，五年死亡率高达20％。
在疾病早期，DCM患者心室肌壁也可能表现为不同程度增厚。在疾病中后期，DCM患者的心肌细胞肥大，但由于心腔扩张，心室肌壁厚度一般表现为正常或相对较薄。DCM的临床表征会在各个年龄段都有发生，且男性的发病率高于女性。
心脏磁共振成像(CMRI)具有很高的空间、时间和组织分辨率，可以在任何平面上成像，没有电离辐射，并且具有良好的重复性。CMRI可同时显示心脏形态和房室壁运动情况，并可为扩张型心肌病的提供高清晰的影像数据。由于DCM在心脏形态变化方面的多样性，心脏病医生往往需要大量时间来分析心脏磁共振影像(CMRI)来测量评估DCM相关参数，并判断患者是否患有DCM。心脏医生的物理测量方法是基于人工检测的，在对大量的人群进行诊断时，人工检测变得相当繁琐，效率较低，而且医生会由于疲劳造成错判和误判。
为了减轻心脏医生的工作强度，同时也为了提高诊断效率，一些半自动的测量方法已经开始用于DCM的诊断。Luca Bertelli等人通过行为知识空间融合规则将贝叶斯分类器和基于隐马尔可夫链的分类器结合在一起。从准确性和所需时间两方面对该方法进行了评估。Balaji G N等人提出了一种通过超声心动图序列检测心肌损伤的半自动方法。该方法提出了一种基于左心室图像降噪，增强和分割的心壁边界提取系统，用于计算整体左心室参数，然后进行统计模式识别和分类以识别心肌损害或心肌缺血。Hu H等使用U-Net深度学习架构处理心脏磁共振成像(CMRI)估计其结构和功能参数的模型，完成了多阶段的分割任务用以诊断心血管疾病。速度矢量成像(VVI)技术作为一种半自动心脏图像分析和诊断方法，近年来也得到了广泛的应用。VVI技术是一项新近推出的新技术，用于研究心肌的结构力学并分析局部心脏功能。该技术基于二维斑点跟踪原理，是一种结合像素空间相干性和边界跟踪的新型超声技术，用于研究心力衰竭和左束支传导阻滞的扩张型心肌病。利用VVI技术MAS Santana等人提出了一种检测心血管问题的新诊断技术，完成了对心血管异常的检测，使医生能够半自动识别和量化患者潜在的心血管并发症。
然而，这些基于深度学习技术的半自动诊断方法仍然需要结合人工测量，需要专业医生对样本进行大量的标注工作才能够完成分类模型的训练和对患者实施诊断。因而，这些半自动方法仍然没有实现端到端的自动化处理，不能够很好地实现减少人工参与的目的。
难以实现自动化处理的主要原因在于，CMRI原始数据为图像，而图像像素数太多，数据维度高，直接将CMRI作为输入会产生维度灾难，因此现有技术只能通过人工提取图像的一些关键特征，实现数据的降维。
因此，实现基于CMRI的自动化DCM诊断，其关键在于如何从原始图像数据提取关键特征，实现数据降维。中国发明专利申请“CN201811063328.2一种基于深度循环神经网络的心功能自动分析方法”提出了如下技术方案：将深度卷积神经网络与循环神经网络相结合，无需人工分割左心室心肌内外膜等解剖结构(即无需人工提取图像的特征)，直接完成心室期相、心室容积、心肌面积、心室内外膜轴向尺寸等13个参数的估测，实现端到端的心功能分析。然而，该方法仅提取了左心室的特征数据，没有同时考虑左心室和右心室的参数，会影响诊断的准确性；且其提取的13个参数并非专门针对DCM的诊断指标，因此该方法无法对DCM做出准确的诊断。
发明内容
针对现有技术的缺陷，本发明提供一种人体扩张型心肌病的自动诊断系统，其目的在于：实现端到端、完全自动化的DCM诊断技术。
一种计算机设备，用于人体扩张型心肌病的自动诊断，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤，包括：
(A)输入一个心脏周期内的心脏图像，从中确定并选出心脏舒张末期图像和心脏收缩末期图像；
(B)对所述心脏舒张末期图像和心脏收缩末期图像进行预处理，分别得到心脏舒张末期和心脏收缩末期的两张轮廓图Ⅰ和/或两张轮廓图Ⅱ，所述轮廓图Ⅰ由左心室的轮廓和右心室的轮廓构成，所述轮廓图Ⅱ由左心室的轮廓、右心室的轮廓和心外膜轮廓；
(C)从步骤(B)得到的轮廓图Ⅰ和/或轮廓图Ⅱ中提取心脏舒张末期和心脏收缩末期的心脏参数，计算所述心脏参数的应变ε；
(D)将步骤(C)得到的心脏参数的应变ε作为输入，利用分类模型对患者进行人体扩张型心肌病的诊断。
优选的，步骤(A)中，所述心脏图像为心脏核磁共振成像、心脏CT或心脏超声图像中的一种，优选为胸骨旁短轴心脏核磁共振成像。
优选的，步骤(A)中，确定并选出心脏舒张末期图像和心脏收缩末期图像的方法为：选取左心室面积最大时作为心脏舒张末期，左心室面积最小时作为心脏收缩末期；
优选的，步骤(A)的具体过程包括如下步骤：
(A1)利用level set算法对一个心脏周期内的心脏图像的每一个层面中的左心室进行分割；
(A2)计算每一层面中分割出来的左心室面积；优选的，具体计算面积的方法为计算分割出来的左心室里面所包含的像素点数量；
(A3)比较每一层面中分割出来的左心室面积的大小；
(A4)选取左心室面积最大的层面为心脏舒张末期图像，选取左心室面积最小的层面为心脏收缩末期图像。
优选的，步骤(B)的具体过程包括如下步骤：
(B1)利用level set算法对心脏舒张末期图像和心脏收缩末期图像中的左心室心内膜、右心室心内膜和/或心外膜进行分割；
(B2)提取步骤(B1)得到的左心室心内膜、右心室心内膜和/或心外膜的图像，设置图像背景，得到轮廓图B2；
(B3)对轮廓图B2进行二值化处理，得到轮廓图B3；
(B4)将轮廓图B3中左心室心内膜、右心室心内膜和/或心外膜的图像的宽度转化为一个像素，所述得到轮廓图B4；所述轮廓图B4中，左心室心内膜的图像为左心室的轮廓，右心室心内膜的图像为右心室的轮廓，心外膜的图像为心外膜的轮廓；
(B5)去掉轮廓图B4中的图像背景，得到轮廓图Ⅰ或轮廓图Ⅱ。
优选的，步骤(B4)的具体过程包括如下步骤：
(B4.1)将轮廓图B3中左心室心内膜和右心室心内膜的像素点归类为数据集set；
(B4.2)遍历轮廓图B3中的数据集set，并记录数据集set中所有像素点的坐标位置；
(B4.3)根据先验知识判断遍历到的第一个像素点属于左心室心内膜或右心室心内膜，将所述第一个像素点归入第一数据集；
(B4.4)搜索所述第一个像素点周围的八个像素点，所述八个像素点中有属于数据集set的，归入第一数据集；
(B4.5)重复搜索新归入第一数据集的像素点周围的八个像素点，并将属于数据集set的像素点归入第一数据集，直至不再有新的像素点被归入第一数据集；
(B4.6)所述数据集set中，未归入第一数据集的像素点全部归入第二数据集，所述第一数据集和第二数据集中的数据点分别构成左心室心内膜或右心室心内膜的图像；
(B4.7)利用findCounter函数对左心室心内膜、右心室心内膜和/或心外膜的图像分别进行单像素提取，只保留最外一层的像素点。
优选的，步骤(C)中所述心脏参数为图像中与左心室、右心室和心室肌壁中的至少一种相关的几何参数；
和/或，所述心脏参数的应变ε的计算公式为：
ε＝(α-α0)/α0
其中，α0是心脏收缩末期的心脏参数，α是心脏舒张末期的心脏参数。
优选的，步骤(C)中所述心脏参数的提取具体通过如下方法进行：
(C1)在步骤(B)得到的轮廓图Ⅰ中确定左心室的重心位置O点；
(C2)在步骤(B)得到的轮廓图Ⅰ中，取右心室的轮廓上任意两点进行迭代，找到两个点A点和B点，使得∠AΟΒ的取值最大；其中，A点和B点的位置通过如下方式进行区分：从人体正面拍摄的所述心脏图像中得到的所述轮廓图Ⅰ中，所述B点位于A点的上方；
(C3)作∠AΟΒ的中分线OM，其中M点位于线段AB上；作线段MO的延长线，取其与左心室的轮廓的交点，记为C点；
(C4)用三条分割线将左心室的轮廓分为六份；
将左心室的轮廓分为六份的过程具体包括如下步骤：
(C4.1)计算∠AΟΒ的大小，并与120°进行比较；
(C4.2)当∠AΟΒ＜120°时，A点和B点以每次一个像素的步长同时向线段AB的两端延长线方向移动，直至∠AΟΒ＝120°，将此时A点和B点分别记为G点和H点；
当∠AΟΒ＞120°时，A点和B点以每次一个像素的步长同时向线段AB的中点方向移动，直至∠AΟΒ＝120°，将此时A点和B点分别记为G点和H点；
当∠AΟΒ＝120°时，则A点和B点不需要移动，将此时A点和B点分别记为G点和H点；
(C4.3)将所述线段MC的双向延长线、线段GO的双向延长线和线段HO的双向延长线作为三条分割线，将左心室的轮廓分为六份；
(C5)作线段GO的延长线，取其与左心室的轮廓的交点，记为D点；作线段HO的延长线，取其与左心室的轮廓的交点，记为N点；
(C6)计算左心室的轮廓中CD段的长度；计算线段OC、线段OD和线段ON的长度并取三者的平均值得到左心室的半径；计算右心室的面积和左心室的面积；所述心脏参数为左心室的轮廓中CD段的长度、左心室的半径、左心室的面积和右心室的面积中的至少一种；优选的，具体计算左心室的轮廓中CD段的长度的方法为计算左心室的轮廓中C点和D点之间的像素点数量；具体计算面积的方法为计算左心室的轮廓或右心室的轮廓内所包含的像素点数量；
优选的，步骤(C)中所述心脏参数的提取还包括如下步骤：
(C7)根据步骤(C1)至步骤(C5)的结果，在步骤(B)得到的轮廓图Ⅱ中确定O点、C点和D点；作线段OD的延长线，取其与心外膜轮廓的交点，记为E点；作线段OC的延长线，取其与心外膜轮廓的交点，记为F点；
(C8)计算左心室的轮廓中CD段、线段DF、心外膜轮廓中的FE段和线段EC围成的区域CDFE的面积；所述心脏参数为左心室的轮廓中CD段的长度、左心室的半径、左心室的面积、右心室的面积和区域CDFE的面积中的至少一种；优选的，具体计算面积的方法为计算区域CDFE内所包含的像素点数量。
优选的，步骤(D)中，所述分类模型为KNN、PLS-DA、Random forest、BP神经网络或SVM，优选为SVM。
本发明还包括一种计算机可读存储介质，其上存储有上述计算机程序。
本发明还包括一种人体扩张型心肌病的自动诊断系统，包括：上述计算机设备和服务器，所述服务器存储有患者一个心脏周期内的心脏图像。
采用本发明的技术方案后，能够实现端到端、完全自动化的DCM诊断技术。输入的原始数据为一个心脏周期内的心脏图像，计算机程序可从中判断心脏舒张末期图像和心脏收缩末期图像，对左心室和右心室进行分割，然后计算出能够体现左心室、右心室和心室肌壁的应变信息的心脏参数。得到心脏参数后，将这些心脏参数的特征输入分类器对DCM患者和非DCM患者进行区分。有效减少人工参与，提高效率，避免医生主观因素的带来的误差；且无需大量专业医生对样本进行标注，降低了医疗成本；此外，由于同时兼顾了左心室和右心室参数，对于诊断精度提高有很大帮助。本发明方法具有很好的应用前景。
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1为本发明实施例中步骤(A)至步骤(B2)对CMRI进行处理的示意图；
图2为本发明实施例中步骤(B4)和步骤(B5)对CMRI进行处理的示意图；
图3为本发明实施例中将CMRI中的左心室的轮廓分为六份的示意图；
图4为本发明实施例中确定G点和H点位置的算法原理示意图；
图5为本发明实施例中将左心室的轮廓分为六份的算法原理示意图；
图6为本发明实施例中区域CDFE的示意图；
图7为本发明实施例的算法流程图。
具体实施方式
需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
实施例
本实施例提供一种人体扩张型心肌病的自动诊断系统，包括：计算机设备和服务器，所述服务器存储有患者一个心脏周期内的心脏图像。所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤，如图1-7所示，包括：
(A)输入一个心脏周期内的心脏图像，从中确定并选出心脏舒张末期(ED)图像和心脏收缩末期(ES)图像。
其中，心脏图像可以是心脏核磁共振成像、心脏CT或心脏超声图像中的一种，本实施例中用于示例的心脏图像为胸骨旁短轴心脏核磁共振成像(CMRI)。心脏核磁共振成像(cardiac magnetic resonance cine)是在一个心动周期内连续采集同一层面多个期相的亮血影像，显示心脏进行节律性的收缩和舒张过程的磁共振成像技术。
具体的，步骤(A)包括如下步骤：
(A1)利用level set算法对一个心脏周期内的心脏图像的每一个层面中的左心室进行分割；
(A2)计算每一层面中分割出来的左心室面积；优选的，具体计算面积的方法为计算分割出来的左心室里面所包含的像素点数量；
(A3)比较每一层面中分割出来的左心室面积的大小；
(A4)选取左心室面积最大的层面为心脏舒张末期图像，选取左心室面积最小的层面为心脏收缩末期图像。
(B)对所述心脏舒张末期图像和心脏收缩末期图像进行预处理，分别得到心脏舒张末期和心脏收缩末期的两张轮廓图Ⅰ和/或两张轮廓图Ⅱ，所述轮廓图Ⅰ由左心室的轮廓和右心室的轮廓构成，所述轮廓图Ⅱ由左心室的轮廓、右心室的轮廓和心外膜轮廓。
具体的，步骤(B)的包括如下步骤：
(B1)利用level set算法对心脏舒张末期图像和心脏收缩末期图像中的左心室(LV)心内膜、右心室(RV)心内膜和/或心外膜进行分割；左心室心内膜和右心室心内膜的分割结果如图1a所示；
(B2)提取步骤(B1)得到的左心室心内膜、右心室心内膜和/或心外膜的图像，设置图像背景的取值为0，得到轮廓图B2；所述轮廓图B2如图1b所示；
(B3)利用im2bw()函数对轮廓图B2进行二值化处理，得到轮廓图B3；所述轮廓图B3如图1c所示；二值化处理后图中的黑色像素点为背景，白色像素点为左心室心内膜、右心室心内膜和/或心外膜的图像；
(B4)将轮廓图B3中左心室心内膜、右心室心内膜和/或心外膜的图像的宽度转化为一个像素，所述得到轮廓图B4；所述轮廓图B4中，左心室心内膜的图像为左心室的轮廓，右心室心内膜的图像为右心室的轮廓，心外膜的图像为心外膜的轮廓。
在算法的计算过程中使用像素的位置作为坐标，因此需要将多像素宽度的图像处理为一个像素宽度的轮廓。步骤(B4)的具体过程包括如下步骤：
(B4.1)将轮廓图B3中左心室心内膜和右心室心内膜的像素点归类为数据集set；
(B4.2)遍历轮廓图B3中的数据集set，并记录数据集set中所有像素点的坐标位置；
(B4.3)根据先验知识判断遍历到的第一个像素点属于左心室心内膜或右心室心内膜，将所述第一个像素点归入第一数据集；
需要说明的是，“先验知识”是指已知的左心室和右心室在所述心脏图像中的位置关系。例如：对于本实施例，从轮廓图B3的左上角开始向右逐行遍历像素点，那么遍历到的第一个像素点在图像左侧，一定属于右心室心内膜，由此可以确定第一数据集是右心室心内膜图像的数据集(RV-Set)。
(B4.4)搜索所述第一个像素点周围的八个像素点，所述八个像素点中有属于数据集set的，归入第一数据集；
(B4.5)重复搜索新归入第一数据集的像素点周围的八个像素点，并将属于数据集set的像素点归入第一数据集，直至不再有新的像素点被归入第一数据集；
(B4.6)所述数据集set中，未归入第一数据集的像素点全部归入第二数据集，所述第一数据集和第二数据集中的数据点分别构成左心室心内膜或右心室心内膜的图像；本实施例中第二数据集是左心室心内膜图像的数据集(LV-Set)。
(B4.7)利用findCounter函数对左心室心内膜、右心室心内膜和/或心外膜的图像分别进行单像素提取，只保留最外一层的像素点。
左心室心内膜和右心室心内膜的轮廓图B4如图2a和2b所示。
(B5)去掉轮廓图B4中的图像背景，得到轮廓图Ⅰ或轮廓图Ⅱ。轮廓图Ⅰ如图2c所示。
(C)从步骤(B)得到的轮廓图Ⅰ和/或轮廓图Ⅱ中提取心脏舒张末期和心脏收缩末期的心脏参数，计算所述心脏参数的应变ε；
具体的，步骤(C)中，算法的计算过程中使用像素的位置作为坐标，将轮廓图Ⅰ或轮廓图Ⅱ的图像的左下角坐标设置为(0,0)位置，水平方向设为x轴，竖直方向设置为y轴，然后进行如下步骤：
(C1)在步骤(B)得到的轮廓图Ⅰ中确定左心室的重心位置O点；确定方法为：
取(xn,yn)∈LV-Set，
Figure BDA0003016419080000091
得到的(x0,y0)即是左心室的重心O点的坐标，其中，w是权重，这里取均值w＝1，W是LV-Set中像素点坐标对的数量；
(C2)在步骤(B)得到的轮廓图Ⅰ中确定左心室和右心室的相交位置A点和B点，所述A点和B点是右心室的轮廓上的像素点；确定左心室和右心室的相交位置的目的是找到对DCM关联性强的C点和D点，从而进一步确定用于输入分类器的特征，其原理如图3所示。
确定A点和B点的过程具体包括如下步骤：
(C2.1)选取RV-Set中任意两个坐标点A点、B点，其中k1和k2为OA和OB的斜率；
Figure BDA0003016419080000092
(C2.2)迭代RV-Set上的所有点，找到最大角度θmax＝∠AΟΒ，
Figure BDA0003016419080000093
此时的(xA,yA)确定为A点的坐标，(xB,yB)确定为B点的坐标。
(C3)作∠AΟΒ的中分线OM，其中M点位于线段AB上；作线段MO的延长线，取其与左心室的轮廓的交点，记为C点；
(C4)用三条分割线将左心室的轮廓分为六份，具体包括如下步骤：
(C4.1)计算∠AΟΒ的大小，并与120°进行比较；
(C4.2)当∠AΟΒ＜120°时，A点和B点以每次一个像素的步长同时向线段AB的两端延长线方向移动，直至∠AΟΒ＝120°，将此时A点和B点分别记为G点和H点；s为移动的距离，如图4a所示；
当∠AΟΒ＞120°时，A点和B点以每次一个像素的步长同时向线段AB的中点方向移动，直至∠AΟΒ＝120°，将此时A点和B点分别记为G点和H点；s为移动的距离，如图4b所示；
当∠AΟΒ＝120°时，则A点和B点不需要移动，将此时A点和B点分别记为G点和H点；
(C4.3)将所述线段MC的双向延长线、线段GO的双向延长线和线段HO的双向延长线作为三条分割线，将左心室的轮廓分为六份。
(C5)作线段GO的延长线，取其与左心室的轮廓的交点，记为D点；作线段HO的延长线，取其与左心室的轮廓的交点，记为N点；
上述将左心室的轮廓分为六份的伪代码如下：
Input：
RV＝{xri,yri},ri∈[1,n]{RV set contains n points}
LV＝{xli,yli},li∈[1,m]{LV set contains m points}
O:centroid of the LV
AOB:angle AOB
Output:
N,C,D:the six bisection points of LV
Functions:
swap(A,B){swap the value of point A,point B if yA>yB}
t←goThrough(AB,Set){return true if line AB goes through points setof curve Set}
Initialize:
AOB←0
1 for each A’,B’∈RV do
2 xA’,yA’←the coordinates of point A’
3 xB’,yB’←the coordinates of point B’
4 k1’←the slope of straight OA’
5 k2’←the slope of straight OB’
6 A’OB’←calculateθ’by k1’,k2’
7 ifθ’>θthen
8 A←A’,B←B’,θ←θ’
9 end
10 end
11 swap(A,B)
12 G,H←A,B
13 while GOH<＝120°do
14 G,H←extend both A,B for one pixel along AB
15 end
16 while GOH>120°do
17 G,H←shrink both A,B for one pixel along A
18 end
19 M←midpoint of line AB
20 N←O,C←O,D←O
21 while not goThrouth(MC,LV set)do
22 C←extend C along MC for one pixel
23 end
24 while not goThrouth(HN,LV set)do
25 N←extend N along HN for one pixel
26 end
27 while not goThrouth(GD,LV set)do
28 D←extend D along GD for one pixel
29 end
(C6)计算左心室的轮廓中CD段的长度(CD arc length)，具体计算左心室的轮廓中CD段的长度的方法为计算左心室的轮廓中C点和D点之间的像素点数量：
LV CD arc length＝∫ds，ds为一个像素。
计算线段OC、线段OD和线段ON的长度并取三者的平均值得到左心室的半径(LVradius)：
Figure BDA0003016419080000111
计算右心室的面积(RV area)和左心室的面积(LV area)；具体计算面积的方法为计算左心室的轮廓或右心室的轮廓内所包含的像素点数量：
右心室的面积ARV＝∫∫ds左心室的面积ALV＝∫∫ds，ds为一个像素。
(C7)根据步骤(C1)至步骤(C5)的结果，在步骤(B)得到的轮廓图Ⅱ中确定O点、C点和D点；作线段OD的延长线，取其与心外膜轮廓的交点，记为E点；作线段OC的延长线，取其与心外膜轮廓的交点，记为F点；
(C7)计算左心室的轮廓中CD段、线段DF、心外膜轮廓中的FE段和线段EC围成的区域CDFE的面积；具体计算面积的方法为计算区域CDFE内所包含的像素点数量：
区域CDFE的面积ACDEF＝∫∫ds，如图6所示，计算区域CDFE的面积的伪代码如下：
Input：
CDEF＝{xi,yi},i∈[1,n]{area contains n points}
Output:
area:the size of area
Functions:
c←map(b){find c to make yc＝yb}
Initialize:
area←0
1 for P in DE do
2 Q←map(P)
3 area←area+xP-xQ
4 end
5 for P in CD do
6 Q←map(P)
7 area←area+xP-xQ
8 end
9 for P in FC do
10 Q←map(P)
11 area←area+xP-xQ
12 end19 M←midpoint of line AB
所述心脏参数为左心室的轮廓中CD段的长度、左心室的半径、左心室的面积、右心室的面积和区域CDFE的面积中的至少一种。通过上述方法得到心脏参数后，所述心脏参数的应变ε的计算公式为：
ε＝(α-α0)/α0
其中，α0是心脏收缩末期的心脏参数，α是心脏舒张末期的心脏参数。
(D)将步骤(C)得到的心脏参数的应变ε作为输入，利用分类模型SVM对患者进行DCM的诊断。
通过上述实施例可以看到，本发明输入的原始数据为采集到的患者的一个心脏周期内的心脏图像，无需专业医生进一步标记数据的情况下，系统能够自动提取心脏图像中的特征，对患者是否患有DCM进行准确的分类。本发明实现了端对端的全自动DCM诊断，相比于人工或半自动诊断，具有很好的应用前景。

Claims (10)

1.一种计算机设备，用于人体扩张型心肌病的自动诊断，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤，包括：
(A)输入一个心脏周期内的心脏图像，从中确定并选出心脏舒张末期图像和心脏收缩末期图像；
(B)对所述心脏舒张末期图像和心脏收缩末期图像进行预处理，分别得到心脏舒张末期和心脏收缩末期的两张轮廓图Ⅰ和/或两张轮廓图Ⅱ，所述轮廓图Ⅰ由左心室的轮廓和右心室的轮廓构成，所述轮廓图Ⅱ由左心室的轮廓、右心室的轮廓和心外膜轮廓；
(C)从步骤(B)得到的轮廓图Ⅰ和/或轮廓图Ⅱ中提取心脏舒张末期和心脏收缩末期的心脏参数，计算所述心脏参数的应变ε；
(D)将步骤(C)得到的心脏参数的应变ε作为输入，利用分类模型对患者进行人体扩张型心肌病的诊断。
2.按照权利要求1所述的设备，其特征在于：步骤(A)中，所述心脏图像为心脏核磁共振成像、心脏CT或心脏超声图像中的一种，优选为胸骨旁短轴心脏核磁共振成像。
3.按照权利要求1所述的设备，其特征在于：步骤(A)中，确定并选出心脏舒张末期图像和心脏收缩末期图像的方法为：选取左心室面积最大时作为心脏舒张末期，左心室面积最小时作为心脏收缩末期；
优选的，步骤(A)的具体过程包括如下步骤：
(A1)利用level set算法对一个心脏周期内的心脏图像的每一个层面中的左心室进行分割；
(A2)计算每一层面中分割出来的左心室面积；优选的，具体计算面积的方法为计算分割出来的左心室里面所包含的像素点数量；
(A3)比较每一层面中分割出来的左心室面积的大小；
(A4)选取左心室面积最大的层面为心脏舒张末期图像，选取左心室面积最小的层面为心脏收缩末期图像。
4.按照权利要求1所述的设备，其特征在于：步骤(B)的具体过程包括如下步骤：
(B1)利用levelset算法对心脏舒张末期图像和心脏收缩末期图像中的左心室心内膜、右心室心内膜和/或心外膜进行分割；
(B2)提取步骤(B1)得到的左心室心内膜、右心室心内膜和/或心外膜的图像，设置图像背景，得到轮廓图B2；
(B3)对轮廓图B2进行二值化处理，得到轮廓图B3；
(B4)将轮廓图B3中左心室心内膜、右心室心内膜和/或心外膜的图像的宽度转化为一个像素，所述得到轮廓图B4；所述轮廓图B4中，左心室心内膜的图像为左心室的轮廓，右心室心内膜的图像为右心室的轮廓，心外膜的图像为心外膜的轮廓；
(B5)去掉轮廓图B4中的图像背景，得到轮廓图Ⅰ或轮廓图Ⅱ。
5.按照权利要求4所述的设备，其特征在于：步骤(B4)的具体过程包括如下步骤：
(B4.1)将轮廓图B3中左心室心内膜和右心室心内膜的像素点归类为数据集set；
(B4.2)遍历轮廓图B3中的数据集set，并记录数据集set中所有像素点的坐标位置；
(B4.3)根据先验知识判断遍历到的第一个像素点属于左心室心内膜或右心室心内膜，将所述第一个像素点归入第一数据集；
(B4.4)搜索所述第一个像素点周围的八个像素点，所述八个像素点中有属于数据集set的，归入第一数据集；
(B4.5)重复搜索新归入第一数据集的像素点周围的八个像素点，并将属于数据集set的像素点归入第一数据集，直至不再有新的像素点被归入第一数据集；
(B4.6)所述数据集set中，未归入第一数据集的像素点全部归入第二数据集，所述第一数据集和第二数据集中的数据点分别构成左心室心内膜或右心室心内膜的图像；
(B4.7)利用findCounter函数对左心室心内膜、右心室心内膜和/或心外膜的图像分别进行单像素提取，只保留最外一层的像素点。
6.按照权利要求1所述的设备，其特征在于：步骤(C)中所述心脏参数为图像中与左心室、右心室和心室肌壁中的至少一种相关的几何参数；
和/或，所述心脏参数的应变ε的计算公式为：
ε＝(α-α0)/α0
其中，α0是心脏收缩末期的心脏参数，α是心脏舒张末期的心脏参数。
7.按照权利要求1或6所述的设备，其特征在于：步骤(C)中所述心脏参数的提取具体通过如下方法进行：
(C1)在步骤(B)得到的轮廓图Ⅰ中确定左心室的重心位置O点；
(C2)在步骤(B)得到的轮廓图Ⅰ中，取右心室的轮廓上任意两点进行迭代，找到两个点A点和B点，使得∠AΟΒ的取值最大；其中，A点和B点的位置通过如下方式进行区分：从人体正面拍摄的所述心脏图像中得到的所述轮廓图Ⅰ中，所述B点位于A点的上方；
(C3)作∠AΟΒ的中分线OM，其中M点位于线段AB上；作线段MO的延长线，取其与左心室的轮廓的交点，记为C点；
(C4)用三条分割线将左心室的轮廓分为六份；
将左心室的轮廓分为六份的过程具体包括如下步骤：
(C4.1)计算∠AΟΒ的大小，并与120°进行比较；
(C4.2)当∠AΟΒ＜120°时，A点和B点以每次一个像素的步长同时向线段AB的两端延长线方向移动，直至∠AΟΒ＝120°，将此时A点和B点分别记为G点和H点；
当∠AΟΒ＞120°时，A点和B点以每次一个像素的步长同时向线段AB的中点方向移动，直至∠AΟΒ＝120°，将此时A点和B点分别记为G点和H点；
当∠AΟΒ＝120°时，则A点和B点不需要移动，将此时A点和B点分别记为G点和H点；
(C4.3)将所述线段MC的双向延长线、线段GO的双向延长线和线段HO的双向延长线作为三条分割线，将左心室的轮廓分为六份；
(C5)作线段GO的延长线，取其与左心室的轮廓的交点，记为D点；作线段HO的延长线，取其与左心室的轮廓的交点，记为N点；
(C6)计算左心室的轮廓中CD段的长度；计算线段OC、线段OD和线段ON的长度并取三者的平均值得到左心室的半径；计算右心室的面积和左心室的面积；所述心脏参数为左心室的轮廓中CD段的长度、左心室的半径、左心室的面积和右心室的面积中的至少一种；优选的，具体计算左心室的轮廓中CD段的长度的方法为计算左心室的轮廓中C点和D点之间的像素点数量；具体计算面积的方法为计算左心室的轮廓或右心室的轮廓内所包含的像素点数量；
优选的，步骤(C)中所述心脏参数的提取还包括如下步骤：
(C7)根据步骤(C1)至步骤(C5)的结果，在步骤(B)得到的轮廓图Ⅱ中确定O点、C点和D点；作线段OD的延长线，取其与心外膜轮廓的交点，记为E点；作线段OC的延长线，取其与心外膜轮廓的交点，记为F点；
(C8)计算左心室的轮廓中CD段、线段DF、心外膜轮廓中的FE段和线段EC围成的区域CDFE的面积；所述心脏参数为左心室的轮廓中CD段的长度、左心室的半径、左心室的面积、右心室的面积和区域CDFE的面积中的至少一种；优选的，具体计算面积的方法为计算区域CDFE内所包含的像素点数量。
8.按照权利要求1所述的设备，其特征在于：步骤(D)中，所述分类模型为KNN、PLS-DA、Random forest、BP神经网络或SVM，优选为SVM。
9.一种计算机可读存储介质，其上存储有如权利要求1-8任一项中所述的计算机程序。
10.一种人体扩张型心肌病的自动诊断系统，其特征在于，包括：如权利要求1-8任一项所述的计算机设备和服务器，所述服务器存储有患者一个心脏周期内的心脏图像。
CN202110389964.XA 2021-04-12 2021-04-12 一种人体扩张型心肌病的自动诊断系统 Active CN113112473B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110389964.XA CN113112473B (zh) 2021-04-12 2021-04-12 一种人体扩张型心肌病的自动诊断系统
KR1020210165428A KR20220141218A (ko) 2021-04-12 2021-11-26 자동 알고리즘 기반의 확장성 심근병증 보조진단을 위한 의사결정 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110389964.XA CN113112473B (zh) 2021-04-12 2021-04-12 一种人体扩张型心肌病的自动诊断系统

Publications (2)

Publication Number Publication Date
CN113112473A true CN113112473A (zh) 2021-07-13
CN113112473B CN113112473B (zh) 2022-11-08

Family

ID=76715758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110389964.XA Active CN113112473B (zh) 2021-04-12 2021-04-12 一种人体扩张型心肌病的自动诊断系统

Country Status (2)

Country Link
KR (1) KR20220141218A (zh)
CN (1) CN113112473B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116013449A (zh) * 2023-03-21 2023-04-25 成都信息工程大学 融合临床信息与磁共振图像的心肌病预后辅助预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901498A (zh) * 2009-12-31 2010-12-01 华中科技大学 一种人体冠状动脉血管的递推建模方法
CN102711626A (zh) * 2010-01-07 2012-10-03 株式会社日立医疗器械 医用图像诊断装置和医用图像的轮廓提取处理方法
CN106456026A (zh) * 2014-04-04 2017-02-22 圣犹达医疗系统公司 血管内压力和流量数据诊断系统、设备和方法
CN110009640A (zh) * 2018-11-20 2019-07-12 腾讯科技（深圳）有限公司 处理心脏视频的方法、设备和可读介质
US20190279361A1 (en) * 2018-03-07 2019-09-12 University Of Virginia Patent Foundation Automatic quantification of cardiac mri for hypertrophic cardiomyopathy
CN110766691A (zh) * 2019-12-06 2020-02-07 北京安德医智科技有限公司 一种心脏磁共振影像分析及心肌病预测的方法、装置
CN111685740A (zh) * 2020-06-08 2020-09-22 上海交通大学 一种心脏功能参数检测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901498A (zh) * 2009-12-31 2010-12-01 华中科技大学 一种人体冠状动脉血管的递推建模方法
CN102711626A (zh) * 2010-01-07 2012-10-03 株式会社日立医疗器械 医用图像诊断装置和医用图像的轮廓提取处理方法
CN106456026A (zh) * 2014-04-04 2017-02-22 圣犹达医疗系统公司 血管内压力和流量数据诊断系统、设备和方法
US20190279361A1 (en) * 2018-03-07 2019-09-12 University Of Virginia Patent Foundation Automatic quantification of cardiac mri for hypertrophic cardiomyopathy
CN110009640A (zh) * 2018-11-20 2019-07-12 腾讯科技（深圳）有限公司 处理心脏视频的方法、设备和可读介质
CN110766691A (zh) * 2019-12-06 2020-02-07 北京安德医智科技有限公司 一种心脏磁共振影像分析及心肌病预测的方法、装置
CN111685740A (zh) * 2020-06-08 2020-09-22 上海交通大学 一种心脏功能参数检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A. MUELLER 等: ""Extracting robust features from cardiac magnetic resonance image contours for detecting dilated cardiomyopathy"", 《COMPUTERS IN CARDIOLOGY, 2004》 *
段先华 等: ""基于目标监督的先验形状level set模型分割心脏MR图像"", 《江苏科技大学学报（自然科学版）》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116013449A (zh) * 2023-03-21 2023-04-25 成都信息工程大学 融合临床信息与磁共振图像的心肌病预后辅助预测方法

Also Published As

Publication number Publication date
KR20220141218A (ko) 2022-10-19
CN113112473B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
Chen et al. JAS-GAN: generative adversarial network based joint atrium and scar segmentations on unbalanced atrial targets
Li et al. Dilated-inception net: multi-scale feature aggregation for cardiac right ventricle segmentation
Bai et al. A bi-ventricular cardiac atlas built from 1000+ high resolution MR images of healthy subjects and an analysis of shape and motion
US9230320B2 (en) Computer aided diagnostic system incorporating shape analysis for diagnosing malignant lung nodules
US20130094749A1 (en) Model-based coronary artery calcium scoring
CN109300113B (zh) 一种基于改进凸包方法的肺结节辅助检测系统及方法
US20110082371A1 (en) Medical image processing device and medical image processing method
El-Baz et al. Three-dimensional shape analysis using spherical harmonics for early assessment of detected lung nodules
Sundar et al. Estimating myocardial motion by 4D image warping
Azhari et al. Tumor detection in medical imaging: a survey
Jolly et al. Combining registration and minimum surfaces for the segmentation of the left ventricle in cardiac cine MR images
Zhu et al. A new method incorporating deep learning with shape priors for left ventricular segmentation in myocardial perfusion SPECT images
Jaffar et al. GA and morphology based automated segmentation of lungs from Ct scan images
CN113112473B (zh) 一种人体扩张型心肌病的自动诊断系统
CN117547306B (zh) 基于m型超声的左心室射血分数测量方法、系统及装置
Bi et al. Sequential shape similarity for active contour based left ventricle segmentation in cardiac cine MR image
US11551371B2 (en) Analyzing symmetry in image data
Irshad et al. A survey on left ventricle segmentation techniques in cardiac short axis MRI
Queirós et al. Fast fully automatic segmentation of the myocardium in 2d cine mr images
Pluempitiwiriyawej et al. Active contours with automatic initialization for myocardial perfusion analysis
Shaziya et al. Comprehensive review of automatic lung segmentation techniques on pulmonary CT images
Zhang et al. Detection of metastatic lymph nodules in gastric cancer using deep convolutional neural networks
Gao et al. Morphological analysis of the papillary muscles and the trabeculae
You et al. Extraction of samples from airway and vessel trees in 3D lung CT based on a multi-scale principal curve tracing algorithm
Makrogiannis et al. Nonparametric intensity priors for level set segmentation of low contrast structures

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