CN113160116B - 左心室内外膜自动分割方法、系统及设备 - Google Patents
左心室内外膜自动分割方法、系统及设备 Download PDFInfo
- Publication number
- CN113160116B CN113160116B CN202110147988.4A CN202110147988A CN113160116B CN 113160116 B CN113160116 B CN 113160116B CN 202110147988 A CN202110147988 A CN 202110147988A CN 113160116 B CN113160116 B CN 113160116B
- Authority
- CN
- China
- Prior art keywords
- region
- contour
- left ventricular
- interest
- image
- 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
- 239000012528 membrane Substances 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 70
- 210000005240 left ventricle Anatomy 0.000 title claims abstract description 42
- 230000002861 ventricular Effects 0.000 claims abstract description 91
- 239000008280 blood Substances 0.000 claims abstract description 87
- 210000004369 blood Anatomy 0.000 claims abstract description 87
- 210000002808 connective tissue Anatomy 0.000 claims abstract description 26
- 230000000877 morphologic effect Effects 0.000 claims abstract description 25
- 230000002107 myocardial effect Effects 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims description 76
- 239000003550 marker Substances 0.000 claims description 29
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000010339 dilation Effects 0.000 abstract description 3
- 238000005481 NMR spectroscopy Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 58
- 238000001514 detection method Methods 0.000 description 17
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 238000009499 grossing Methods 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 8
- 206010019280 Heart failures Diseases 0.000 description 6
- 230000000747 cardiac effect Effects 0.000 description 6
- 210000004165 myocardium Anatomy 0.000 description 6
- 238000013184 cardiac magnetic resonance imaging Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003205 diastolic effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000000302 ischemic effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 210000001174 endocardium Anatomy 0.000 description 3
- 210000002216 heart Anatomy 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000409 membrane extraction Methods 0.000 description 2
- 210000003540 papillary muscle Anatomy 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 206010007572 Cardiac hypertrophy Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000005242 cardiac chamber Anatomy 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 208000018578 heart valve disease Diseases 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001839 systemic circulation Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种左心室内外膜自动分割方法、系统及设备,属于核磁共振技术领域。该方法包括:在左心室核磁共振成像MRI的每层图像上提取感兴趣区域,并分别定位左心室血池区域;判断当前层MRI图像的血池区域是否含有左心室流出道LVOT,并采用不同的方法分别提取含有LVOT的左心室内膜轮廓和不含LVOT的左心室内膜轮廓;将左心室内膜轮廓基于形态学膨胀确定内部标记,并在心肌区域的适当位置标识外部标记,采用基于标记控制的分水岭算法提取左心室外膜轮廓。利用本发明提供的方法对左心室内外膜进行分割准确率较高,且稳定性和普适性较好。
Description
技术领域
本发明涉及核磁共振技术领域,具体地涉及一种左心室内外膜自动分割 方法、系统及设备。
背景技术
对心血管疾病的早期诊断和治疗能够在很大程度上降低死亡率,这对延 长人类寿命至关重要。随着现代医学成像技术的不断发展和广泛应用,高清 晰、高分辨率、多信息量、以及低噪声的心脏图像给临床医生提供了较好的 数据源。目前在对心血管疾病进行诊断时,医学影像检查得到了广泛的应用, 主要有:心血管造影术、心电图(ECG)、超声心动图(心脏彩超)、心脏 核磁共振图像(Cardiac MRI)和计算机断层扫描(ComputedTomography, CT)等。这些技术中,造影术只能检查血流状态,且具有无法克服的有创性;心电图敏感性不高,只能检查安静状态下短时间内的心电变化;超声心动图 像空间分辨率低、定位不准确、可重复性很差;CT成像角度少,软组织效 果差,有辐射,且检查费用高;而心脏MRI具有无电离辐射性、高度的软 组织分辨能力、空间分辨率较高且无创的特点。相比之下,核磁共振成像具 有明显的优势。在心脏功能中,体循环主要是由左心室来完成的,全身各个 器官组织的血液供应都由它来输送,心脏的运动主要就是指左心室的收缩与 舒张。多种心血管疾病,如高血压、冠状动脉粥样硬化性心脏病、心脏瓣膜 病等,最终结果都表现为左心室心肌不能运动、非正常运动等异常特征。
近年来,国内外许多研究人员围绕自动或半自动左心室分割方法开展了 一系列研究工作,并取得了一定的成果,也提出了许多分割方法。这些方法 根据不同的分割原理大致可以分为基于图像特征的分割方法(如Lu等人的 算法)、基于曲线演化的分割方法、基于图谱的左心室分割方法以及基于深 度学习的左心室分割方法。然而,左心室的分割还存在许多难点:
(1)图像的灰度不均匀。由于成像过程中射频脉冲的干扰或者磁场强 度不均,以及血液高速运动冲撞心肌壁等原因会造成此类图像的灰度不均 匀;(2)乳突肌的干扰。在心脏收缩的过程中,心腔内乳突肌的干扰造成 目标边界模糊;(3)由于左室壁与右室壁及周围其他组织(如肝脏)等灰 度非常接近,形成弱边界。因此,对于众多的分割算法而言,其精度和时间 性能上还仍有待提高。
发明内容
本发明为提高左心室内外膜的提取精度,提供了一种左心室内外膜自动 分割方法和系统。
第一方面,所述左心室内外膜自动分割方法包括:
在左心室核磁共振成像MRI的每层图像上提取感兴趣区域,并在所述 感兴趣区域内定位左心室血池区域;
判断当前层MRI图像上的血池区域是否含有左心室流出道LVOT,并 提取含有LVOT的左心室内膜轮廓或不含LVOT的左心室内膜轮廓;
将左心室内膜轮廓基于形态学膨胀后确定内部标记,并在心肌区域的适 当位置标识外部标记,采用基于标记控制的分水岭算法提取左心室外膜轮 廓。
优选地,所述在左心室核磁共振成像MRI的每层图像上提取感兴趣区 域,包括:
对左心室MRI的多层图像采用从中间到两端逐层分割的方法依次提取 感兴趣区域;
其中,对于中间层图像,在原始图像的中心处取预设像素面积的区域作 为中间层感兴趣区域;
对于非中间层图像,利用相邻层之间的血池区域的位置关系,以上一层 的内膜模板中心作为当前层感兴趣区域的中心,并取预设像素面积的区域作 为当前层感兴趣区域。
优选地,采用K-means聚类的方法对左心室MRI图像的感兴趣区域进 行分割,并定位左心室血池区域,具体步骤如下:
(1)输入感兴趣区域的灰度图,从左到右寻找最大波峰点的灰度值, 作为第一个簇中心center1;
(2)将使用Otsu分割法得到的阈值作为第三个聚类中心center3,取 [(center1+center3)/2]为第二个聚类中心;
(3)取m1=[(center1+center2)/2],m2=[(center2+center3)/2],通过计算 每个新簇的平均灰度值来更新簇中心,取原直方图上灰度值在[1,m1]上的 平均灰度值赋值给center1,[m1,m2-1]上的平均灰度值赋值给center2,[m2, 255]上的平均灰度值赋值给center3,进行迭代计算,算法的终止条件为 center1,center2,center3三个簇中心不再改变;
(4)将预设的灰度值m2作为感兴趣区域的阈值;
(5)根据所述感兴趣区域的阈值,将感兴趣区域的灰度图转换为二值 图,对所述感兴趣区域进行分割,以用于定位左心室血池区域。
优选地,所述提取含有LVOT的左心室内膜轮廓的步骤如下:
(1)在调整所述感兴趣区域的阈值后将所述感兴趣区域二值化,并对 得到的二值图进行距离变换,得到距离图;
(2)对所述距离图采用分水岭算法,划分出不同的连通区域;
(3)取得每个连通区域的质心并分别计算与上一层的内膜模板质心之 间的距离,根据距离选取特定的区域合并;
(4)使用形态学闭操作去掉病例图像中的小缺口;
(5)使用快速傅里叶变换平滑血池边缘,将其作为左心室内膜的轮廓。
优选地,所述提取不含LVOT的左心室内膜轮廓的步骤如下:
(1)对所述感兴趣区域的灰度图使用Otsu分割法得到包含血池区域的 二值图,将阈值记为th1;
(2)将笛卡尔积坐标下的所述感兴趣区域灰度图转换为极坐标下的感 兴趣区域灰度图;
(3)以th1为起始阈值从th1到0的范围内逐步降低,用th1对感兴趣 区域在极坐标系下的灰度图进行分割的同时,得到阈值和血池面积的对应关 系,当血池面积变化率最大时,取拐点对应的灰度值作为拓扑保持的最佳阈 值th2;
(4)使用th2对极坐标下灰度图进行阈值分割,得到极坐标下的血池 区域,后转化为笛卡尔积坐标,然后计算凸包,取此凸包轮廓作为左心室内 膜轮廓。
优选地,所述将左心室内膜轮廓基于形态学膨胀后确定内部标记,并在 心肌区域的适当位置标识外部标记,采用基于标记控制的分水岭算法提取左 心室外膜轮廓,具体包括:
(1)输入所述感兴趣区域的灰度图,将其形态学膨胀后的结果减去腐 蚀后的结果得到感兴趣区域的形态学梯度图,并基于形态学重建的开操作和 闭操作取平滑梯度图;
(2)将提取出的内膜轮廓用一个像素的结构元膨胀后作为内部标记;
(3)将极坐标下感兴趣区域的二值图采用形态学开操作以及去掉内膜 区域的干扰,得到极坐标下候选的外膜轮廓区域,并在转化为笛卡尔积坐标 后,作为外部标记;
(4)用内外部标记改进梯度图像后采用分水岭变换,取分水岭脊线作 为左心室外膜轮廓。
优选地,所述方法还包括:采用快速傅里叶变换平滑内外膜轮廓;
步骤为:
(1)分别输入内外膜轮廓的所有轮廓点;
(2)以轮廓点的中心坐标为极坐标原点,取得轮廓的极角和极径;
(3)将极径按照极角从小到大的顺序排列,进行快速傅里叶变换,求 得频谱图;
(4)把频谱图中的某些高频信号所对应的振幅置零,得到滤波后的频 谱图;
(5)对滤波后的频谱图进行快速傅里叶反变换,并输出平滑后的膜轮 廓。
第二方面,本发明还提供了一种左心室内外膜自动分割系统,包括:
定位模块,在左心室核磁共振成像MRI的每层图像上提取感兴趣区域, 并在所述感兴趣区域内定位左心室血池区域;
内膜提取模块,用于判断当前层MRI图像上的血池区域是否含有左心 室流出道LVOT,并提取含有LVOT的左心室内膜轮廓或不含LVOT的左心 室内膜轮廓;
外膜提取模块,用于将左心室内膜轮廓基于形态学膨胀后确定内部标 记,并在心肌区域的适当位置标识外部标记,采用基于标记控制的分水岭算 法提取左心室外膜轮廓。
优选地,所述系统还包括:
平滑模块,用于采用快速傅里叶变换平滑内外膜轮廓。
第三方面,本发明还提供了一种非暂态计算机可读存储介质,所述非暂 态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行 上述方法。第四方面,本发明还提供了一种处理器,用于运行程序,其中, 所述程序被运行时用于执行上述方法。
经试验证明,利用本发明提供的方法对左心室内外膜进行分割准确率较 高,且稳定性和普适性较好。本发明实施例的其它特征和优点将在随后的具 体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部 分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发 明实施例的限制。在附图中:
图1是左心室内外膜自动分割方法度流程图;
图2是单层图像分割流程图;
图3是K-means图像分割左心室感兴趣区域的流程图;
图4是含左心室流出道LVOT的内膜提取流程图;
图5是对感兴趣区域进行二值距离变换的示意图;
图6是对感兴趣区域进行距离变换后采用分水岭算法分割后的示意图;
图7是血池区域包含成多个连通区域时的示意图;
图8是极坐标下基于拓扑结构保持的阈值分割的流程图;
图9是不同阈值下的血池面积变化的分析图;
图10是极坐标下基于拓扑结构保持的阈值分割的血池检测示意图;
图11是基于标记控制的分水岭算法提取外膜的流程图;
图12是内外部标记的提取示意图;
图13是使用快速傅里叶平滑内外膜的流程示意图;
图14是实施例1中的缺血性心衰竭病例的内膜分割结果示意图;
图15是实施例1中的四种病例部分含LVOT图像的分割结果示意图;
图16是实施例2中的心肌肿大病例舒张期图像外膜轮廓分割结果示意 图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解 的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用 于限制本发明实施例。
如图1和图2所示,本发明第一方面提供了一种所述左心室内外膜自动 分割方法,包括:
步骤S1、在左心室核磁共振成像MRI的每层图像上提取感兴趣区域, 并在所述感兴趣区域内定位左心室血池区域;
步骤S2、判断当前层MRI图像的血池区域是否含有左心室流出道 LVOT,并提取含有LVOT的左心室内膜轮廓或不含LVOT的左心室内膜轮 廓;
步骤S3、将左心室内膜轮廓基于形态学膨胀后确定内部标记,并在心 肌区域的适当位置标识外部标记,采用基于标记控制的分水岭算法提取左心 室外膜轮廓。
由于左心室内膜包裹着血池,对血池的正确定位是获得心内膜的必要前 提。同理,提取准确的感兴趣区域(ROI)也是血池定位的重要条件。在步 骤S1中,所述在左心室核磁共振成像MRI的每层图像上提取感兴趣区域, 具体包括:
对左心室MRI的多层图像采用从中间到两端逐层分割的方法依次提取 感兴趣区域;其中,对于中间层图像,在原始图像的中心处取预设像素面积 的区域作为中间层感兴趣区域;对于非中间层图像,利用相邻层之间的血池 区域的位置关系,以上一层的内膜模板中心作为当前层感兴趣区域的中心, 并取预设像素面积的区域作为当前层感兴趣区域。
在本发明一个具体的实施例中,根据短轴方向上心脏MRI的特点,以 及借鉴先验知识,首先从中间层开始分割,对于中间层心脏MRI来说,血 池和其他组织的灰度相比,相对较亮。并且和右心室相比,左心室血池的形 状较圆,而左心室血池往往位于整幅图像的中央附近位置。利用这些特点, 以整个图像的中心取110像素×110像素的一个正方形感兴趣区域,以此来 定位中间层左心室血池。考虑到心脏在泵血运动中,当前层的血池和相邻层 的血池位置不会因心动周期而偏离太远,所以可以利用左心室相邻层之间的 位置关系。采用从中间到两端逐层分割的策略,对于非中间层的血池,采用 其前一层的内膜模板的中心作为中心,重新确定一个110像素×110像素的 正方形感兴趣区域。以此递推,当前层的内膜轮廓作为模板为下一层提供参 考,这样可避免一些其他组织的干扰。实验结果表明该方法能够较好地用于 基于心脏MRI的左心室实时分割中。
医生在分析医学图像时往往只会对图像中重要诊断信息的小部分观察, 并不会对整张图像的全局信息分析。然而,图像数据库提供的都是原始数据 图像,包括一些无关组织和大部分背景。为了降低算法复杂度、避免代价函 数的求解陷入局部最优值,ROI的提取在医学图像处理中十分必要。目前已 存在的一些提取感兴趣区域的算法,医学图像处理作为医用辅助,提取的感 兴趣区域需要保证数据完整性、准确性。本文分为中间层和非中间层提取感 兴趣区域。对于中间层图像,直接取原始图像中256像素×256像素图像的 中心处110像素×110像素正方形区域为感兴趣区域;对于非中间层图像, 利用相邻层之间血池区域不会偏离太远的位置关系,取上一层的内膜模板中 心为当前层感兴趣区域的中心并确定110像素×110像素的正方形区域。
根据本发明一个优选的实施例,如图3所示,采用K-means聚类的方 法对左心室MRI图像的感兴趣区域进行分割,并定位左心室血池区域,具 体步骤如下:
(1)输入感兴趣区域的灰度图,从左到右寻找最大波峰点的灰度值, 作为第一个簇中心center1;
(2)将使用Otsu分割法得到的阈值作为第三个聚类中心center3,取 [(center1+center3)/2]为第二个聚类中心;
(3)取m1=[(center1+center2)/2],m2=[(center2+center3)/2],通过计算 每个新簇的平均灰度值来更新簇中心,取原直方图上灰度值在[1,m1]上的 平均灰度值赋值给center1,[m1,m2-1]上的平均灰度值赋值给center2,[m2, 255]上的平均灰度值赋值给center3,进行迭代计算,算法的终止条件为 center1,center2,center3三个簇中心不再改变;
(4)将预设的灰度值m2作为感兴趣区域的阈值;
(5)根据所述感兴趣区域的阈值,将感兴趣区域的灰度图转换为二值 图,对所述感兴趣区域进行分割,以用于定位左心室血池区域。
在图像分割中,特征值指灰度值,聚类方法根据特征空间把数据分类到 不同的类或簇,可以通过K-means算法来实现。本实施例中采用K-means 算法对左心室感兴趣区域进行分割的主要思想是,先确定要划分的簇的总 数,然后根据初始簇中心来确定一个初始划分,再计算每个新簇的平均值来 更新簇中心进行优化。K-means算法需要解决的一个主要问题在于初始化簇 中心。簇中心的初始值选择的不当,很可能造成无效的聚类结果。同时,根 据K-means聚类算法得到阈值,将感兴趣区域灰度图像变为二值图像,从 而定位血池区域。然而考虑到某些病例的某层图像,在成像时有不可预见的 因素或者病理原因等,并且在K-means算法中取的较大的灰度值m2为阈值, 因此,使用K-means聚类获得的阈值可能会偏大,导致血池无法分割出来。 所以,单独一个K-means聚类还无法满足实际分割的处理要求,需要调整阈 值使得血池的分割效果更好。在调整阈值的时主要解决的问题是结束调整的 终止条件,本方法采用的条件是直到检测出的血池面积和上一层血池面积的 重叠率小于0.2终止,得到终止阈值thresh。
一般来说,左心室流出道(LVOT)一般只会出现在靠近心底层的位置。 若当前层图像所在的分割方向为中间层到心底层,在当前层感兴趣区域定位 出血池后,计算血池凸包面积与上一层血池内膜模板面积,根据先验知识, 若当前层的血池凸包面积是前一层的1.5倍时,认为含有LVOT,反之,则 不含有LVOT。在本发明实施例中,单层图像中含有LVOT的图像的内膜提 取方法为:先将二值图距离变换之后使用分水岭算法。
如图4所示,步骤S2中所述的提取含有LVOT的左心室内膜轮廓的步 骤如下:
(1)在调整所述感兴趣区域的阈值后将所述感兴趣区域二值化,并对 得到的二值图进行距离变换,得到距离图;
(2)对所述距离图采用分水岭算法,划分出不同的连通区域;
(3)取得每个连通区域的质心并分别计算与上一层内膜模板质心之间 的距离,根据距离选取特定的区域合并;
(4)使用形态学闭操作去掉病例图像中的小缺口;
(5)使用快速傅里叶变换平滑血池边缘,将其作为左心室内膜的轮廓。
LVOT是左心室向主动脉延伸的解剖结构,会产生与其他组织部分粘连, 从而给分割带来难度。二值图像距离变换的主要思想是:假设一幅二值图像, 包含一个连通区域S,其中有目标集和背景集B,距离图为D,距离变换的 定义公式如下:
D(p)=Min(dis(p,q))p∈O,q∈B
Matlab中bwdist方法用于计算二值图像中每一个非零点距离自己最近 的零点的距离,图像上越亮的点,代表了离零点的距离越远,如图5(b)。 图5(a)是通过K-means算法和阈值调整后,包含血池区域的感兴趣区域 二值图,对此二值图采用距离变换得到图5(b)。
分水岭分割算法经常用于处理目标物体相互粘连或者与背景粘连的问 题,其主要思想可以基于“地理学”来解释,将图像比作三维的地形表面, 图像中每个单位像素的灰度值决定了地形的高度,将灰度值高的区域当成山 峰,灰度值低的区域当成山谷。每个区域中的局部极小值就是积水盆地,不 同积水盆地的边界组成了分水岭脊线。分水岭算法的目的就是要找出各个积 水盆地以及对应分水岭脊线,使得在灰度值接近的图像中能更容易将目标从 背景中提取出来。在本发明中,对感兴趣区域二值图像距离变换后采用分水岭算法,使得血池与其粘连的部分被划分在不同的连通区域,如图6(a)所 示;再分别求各区域的质心与上一层内膜模板质心之间的距离,选择距离最 近的区域,如图6(b)所示;最后对血池边缘采用快速傅里叶平滑后,得 到包含血池区域的二值图,如图6(c)。对于某些含LVOT的图像中存在 血池区域被划分成多个连通区域的情况,需要选择多个区域进行合并,并结 合形态学的开闭操作以消除噪声等影响。对血池区域被划分成多个连通区域 时采取的解决方案作过程描述,图7(a)是对二值距离图像采用分水岭后各 个连通区域的图像;图7(b)是通过计算各个连通区域的质心与上一层内膜 模板质心的距离,根据距离选择出连通区域的二值图;图7(c)是对取得的 连通区域使用形态学闭操作去掉中间小缺口(黑线)后的二值图;图7(d) 是区域边缘采用快速傅里叶平滑后的包含血池区域的二值图。
对于不含LVOT的图像,通过K-means算法和阈值调整,获取得到感 兴趣区域的二值图后,对于血池边缘“缺失”的图像需要进一步优化。本文 采用极坐标下基于拓扑结构保持的阈值分割,提取内膜轮廓。具体地,如图 8所示,步骤S2中所述的提取不含LVOT的左心室内膜轮廓的步骤如下:
(1)对所述感兴趣区域的灰度图使用Otsu分割法得到包含血池区域的 二值图,将阈值记为th1;
(2)将笛卡尔积坐标下的所述感兴趣区域灰度图转换为极坐标下的感 兴趣区域灰度图;
(3)以th1为起始阈值从th1到0的范围内逐步降低,用th1对感兴趣 区域在极坐标系下的灰度图进行分割的同时,得到阈值和血池面积的对应关 系,当血池面积变化率最大时,取拐点对应的灰度值作为拓扑保持的最佳阈 值th2;
(4)使用th2对极坐标下灰度图进行阈值分割,得到极坐标下的血池 区域,后转化为笛卡尔积坐标,然后计算凸包,取此凸包轮廓作为左心室内 膜轮廓。
极坐标下,容易发现血池在不同的阈值下面积的明显的变化趋势,首先 使用Otsu阈值分割,阈值从Otsu阈值th1降到0的过程中,血池的面积也 会随着而变大,其变化的规律为:开始时,血池面积增大得较为缓慢,随着 阈值逐渐降低到一个特定的阈值th2时,再逐渐减小时血池面积变化十分明 显,增大得非常多。可以考虑由于心肌的灰度值较低,阈值小于th2时将心 肌分割到血池区域,从而血池面积大幅增加。选取th2为最佳阈值对极坐标 下感兴趣区域的灰度图进行分割,得到极坐标下的血池区域后,转换成笛卡 尔积坐标下的血池区域,然后计算血池凸包,取凸包轮廓作为左心室内膜轮 廓。在实际应用中,将心脏图像由笛卡尔积坐标变到极坐标之下后,左心室 内外膜轮廓可近似于两条平行的水平方向的直线,因此,为了便于计算,将 感兴趣区域灰度图由笛卡尔积坐标转化为极坐标之下。本文采用的方法具体 如下:首先取笛卡尔积坐标下的灰度图的中心,即血池中心作为原点,向四 周发射长度为L的相同射线,这些射线的间隔为1度,范围从0-360度,然 后按顺时针方向依次有序地取出射线上的像素点,从而形成新的图像。
对于不含LVOT的图像来说,使用单一的阈值分割方法无法处理血池 边缘灰度的比较模糊的图像,因此需要进一步精确提取内膜轮廓。本发明利 用在极坐标下阈值与血池面积的对应变化规律,采用在极坐标下基于拓扑结 构保持的阈值分割方法。由图9(a)和9(b)可以看到血池在不同阈值下 的变化趋势,刚开始的变化较为平缓,当阈值下降到35-40这个数值范围处 时面积发生巨大改变,取这个拐点对应的灰度值作为最佳阈值th2。在极坐 标下内膜轮廓近似看成一条直线,当阈值在降低过程中,求得血池面积变化 率最大时对应的拐点,以此拐点对应的灰度值为基于拓扑结构保持的阈值分 割的最佳阈值,在这个过程中极坐标下的感兴趣区域的二值图可直观反应血 池面积逐渐增大的变化,如图10(a-d)所示。从图10(b)到(d)可以看 到在极坐标之下的内膜轮廓逐渐趋近于水平方向的直线,以及血池区域逐渐 变好的过程。
在内膜分割良好的前提下,才能更精确地提取出心外膜。本发明中采用 基于标记控制的分水岭算法提取左心室外膜轮廓,主要思想是限制外膜的分 割区域,将外膜的分割区域限制在内膜和包含心肌的恰当区域之间,而不是 整个感兴趣区域。其中,也充分利用了左心室心肌与周围组织的位置关系, 以及内外膜近似于同心圆的形状特征约束,故对内膜分割的准确度要求较 高。由于医生在诊断心血管疾病时需要根据划分出的内外膜轮廓来计算两个 核心指标—心肌质量和射血分数,而计算它们无需用到左心室收缩期心外膜轮廓,因此我们只需要分割舒张期的左心室外膜即可。
如图11所示,步骤S3所述的将左心室内膜轮廓基于形态学膨胀后确定 内部标记,并在心肌区域的适当位置标识外部标记,采用基于标记控制的分 水岭算法提取左心室外膜轮廓,具体包括:
(1)输入所述感兴趣区域的灰度图,将其形态学膨胀后的结果减去腐 蚀后的结果得到感兴趣区域的形态学梯度图,并基于形态学重建的开操作和 闭操作取平滑梯度图;
(2)将提取出的内膜轮廓用一个像素的结构元膨胀后作为内部标记;
(3)将极坐标下感兴趣区域的二值图采用形态学开操作以及去掉内膜 区域的干扰,得到极坐标下候选的外膜轮廓区域,转化为笛卡尔积坐标后, 作为外部标记;
(4)用内外部标记改进梯度图像后采用分水岭变换,取分水岭脊线作 为左心室外膜轮廓。
如图12所示的内外部标记的提取示意图,从内到外的环形标记依次为: 内部标记(内部标记的内部为内膜轮廓包裹着的血池区域)、待提取的外膜 轮廓、外部标记,将外膜轮廓分割范围限制在内部标记与外部标记之间的环 形带状区域,再采用分水岭算法得到外膜轮廓。可以看出在笛卡尔积坐标下 三者近似于同心圆,而在极坐标下近似于三条平行的直线,因此在极坐标之 下去除内膜轮廓区域的影响之后更易取得合适的外部标记。
提取外膜轮廓后,整个系统的核心工作结束,但是由于提取的内外膜轮 廓边缘较粗糙,因此可采用快速傅里叶变换(Fast Fourier Transform,FFT) 得到平滑后的内外膜。使用快速傅里叶平滑内外膜的主要原理为:将信号序 列中振幅大的高频率成分的振幅置为零。然后采用快速傅里叶逆变换,将幅 频信号转化为时间域,从而达到平滑内外膜轮廓的效果。
如图13所示,使用快速傅里叶平滑内外膜的步骤为:
(1)分别输入内外膜轮廓所有轮廓点;
(2)以所有轮廓点(内膜轮廓点或外膜轮廓点)的中心坐标为极坐标 原点,取得轮廓的极角和极径;
(3)将极径按照极角从小到大的顺序排列,进行快速傅里叶变换,求 得频谱图;
(4)把频谱图中的某些高频信号所对应的振幅置零,得到滤波后的频 谱图;
(5)对滤波后的频谱图进行快速傅里叶反变换,并输出平滑后的轮廓。
本发明第二方面还提供了一种左心室内外膜自动分割系统,包括:
定位模块,用于在左心室核磁共振成像MRI的每层图像上提取感兴趣 区域,并在所述感兴趣区域内定位左心室血池区域;
内膜提取模块,用于判断当前层MRI图像的血池区域是否含有左心室 流出道LVOT,并提取含有LVOT的左心室内膜轮廓或不含LVOT的左心室 内膜轮廓;
外膜提取模块,用于将左心室内膜轮廓基于形态学膨胀后确定内部标 记,并在左心室外膜轮廓的目标区域之外标识外部标记,采用基于标记控制 的分水岭算法提取左心室外膜轮廓。
优选地,所述系统还包括平滑模块,用于采用快速傅里叶变换平滑内外 膜轮廓。
本发明第三方面还提供了一种非暂态计算机可读存储介质,所述非暂态 计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上 述方法。本发明第四方面还提供了一种处理器,用于运行程序,其中,所述 程序被运行时用于执行上述方法。
数据集MICCAI(MedicalImage Computing and Computer-AssistedIntervention)2009,简称MICCAI2009数据库,该数据库的图片格式是 DICOM,由加拿大多伦多Sunnybrookhealth science center提供。整个数据集 由45组心室短轴MRI影像构成,按照每组15个病例,平均分为了三组。 每一组的15个病例中包含了四种不同病理的心脏图像,即4个缺血性心衰 竭(heart failure with ischemia,记为HF-I)、4个非缺血性心衰竭(heart failure withoutischemia,记为HF-NI)、4个心肌肥大(hypertrophy,记为HYP)、 3个正常(normal,记为N)。每组数据中舒张末期和收缩末期影像的内膜 和外膜轮廓均由经验丰富的心脏科医生手动标定,标定结果由另一位专家确 认,经过确认的分割结果被当作金标准用于评估其他分割方法的性能。
为了进行算法的性能评估,MICCAI2009数据库提供了统一的算法评估 方法,其中有以下几个评估指标:
检测率(Detect percentage),对单个病例而言,含内膜检测率和外膜检 测率。在一个病例的多层MRI图像中,某些层的内膜或者外膜可能分割失 败,使得自动分割得到的内外膜数目少于对应的金标准数目。内膜检测率定 义为自动分割得到的内膜数目与该病例内膜金标准总数的比值,这个比值小 于等于1,同理,定义外膜的检测率。检测率越大,说明自动方法分割成功 的轮廓数越多,即分割算法的有效性越高;反之,自动分割失败的轮廓数越 多,分割的效果越差;
好的检测率(Good percentage),一个病例中内膜好的检测率为自动分 割中好的内膜轮廓数目与相应的病例中内膜金标准轮廓总数目的比值,同理 可定义心外膜好的检测率。好的轮廓,是指自动分割的轮廓和金标准轮廓之 间的平均垂直距离小于5mm,该自动分割的轮廓就被定义为好的轮廓,反 之,则被称为差的轮廓;
重叠率(Overlap),设自动分割轮廓面积为Aa,金标准轮廓面积为Ab, 它们之间的面积重叠部分为Aab,数学公式定义为:
重叠率是反应重叠程度的指标,它的值在0到1之间,值越大,说明自 动分割结果和金标准越匹配,反之,则说明它们匹配度越差。规定:在计算 平均垂直距离和重叠率时,自动分割结果中好的轮廓才参与计算,差的轮廓 不参与。
实施例1
采用本发明所述的方法提取左心室内膜,然后使用MICCAI2009数据库 提供的官方的算法评估代码来评估分割效果。所用评估指标为上述好的检测 率(Good Detectpercentage),以下的表格中简称Good、重叠率(Overlap)。 数据格式:平均值(Mean)和标准偏差(SD)。表3-1是将本文算法与Lu 的算法作比较,研究对象是数据源中的15个病例,比较的数据是两种算法 分割得到的心内膜的好的检测率。通过好的检测率反映算法的有效性和准确 率。由表3-1可以看出:采用Lu的算法得到的好的检测率为:72.45±18.86%; 采用本算法得到的好的检测率为:82.29±16.47%;由此说明,本算法具有 更高的鲁棒性。
表3-1心内膜轮廓好的检测率对比
表3-2是Lu的算法和本算法提取出的心内膜轮廓与金标准接近程度的 对比。由表3-2中数据可以看出:Lu的重叠率为89±3.00%,本算法的重叠 率为89±2.15%。在表3-2的数据比较之下,可以看出本算法在具有更高的 好的检测率的基础上,分割结果与金标准之间的接近程度与Lu的相当,从 而可说明本文算法具有更高的准确率。
表3-2心内膜轮廓重叠率对比
图14是采用本发明的内膜提取方法对一个缺血性心衰竭病(SC-HF-I-05) 的分割结果的展示,图像数据下面的名称来自数据源,该病例共有9层图像, 每一层有两幅图像,分别对应着舒张期(ED)和收缩期(ES)。名称最后三个奇 数的图像来自于ES,而名称最后三个偶数的图像来自于ED。图中两条实线 分别表示使用本算法自动分割的内膜轮廓和相应的金标准轮廓。从图14中 SC-HF-I-05病例的对LVOT的图像IM-0001-0027、IM-0001-0040和IM-0001-0047的分割结果来看,此算法能有效地运用到此类图像中。其次, 对不含LVOT的图像,如IM-0001-0107、IM-0001-0127、IM-0001-0140、 IM-0001-0147、IM-0001-0167分割效果较好。图15针对这15个病例中四种 不同类型病理,随机选取含LVOT的图像的分割结果,对于每一种病理,各 显示四幅图像。左边是ED阶段的感兴趣二值图(上方)及其分割结果(下 方);右边来自于ES阶段。虚线表示自动分割的内膜轮廓;而实线是相应 的金标准。从分割结果可以简单看出,距离变换与分水岭相结合的算法对于 含LVOT的图像分割效果较好。此算法能够很好地解决左心室和其他组织粘 连地问题,在K-means的阈值分割基础上进一步提取出血池区域,得到更 精确的内膜轮廓。
实施例2
采用基于标记控制的分水岭算法对MICCAI2009数据源的15个病例提 取左心室外膜轮廓,并对分割结果进行分析比较。图16是采用基于标记控 制的分水岭算法对心肌肿大病例(SC-HYP-06)舒张期图像外膜轮廓的分割 结果的示例。每一幅心脏舒张期MRI显示两幅图像,左边是感兴趣区域的 二值图,右边是分割结果。实线分别是外膜的金标准、我们自动分割的轮廓, 以及内部标记和外部标记。心肌肿大的病例较其他图像来说,无法直接根据 经验值提取外部标记,所以对这一类图像单独处理,适当扩大外部标记的范 围,避免提取的外膜轮廓过度内凹。从图16可看出外膜轮廓被内外部标记 限制在环形带状区域内部(实质是通过内外部标记改进感兴趣区域的梯度 图),从而解决了传统分水岭过分割的问题。
表4-1是将本文算法与Lu的算法比较分割得到的心外膜的好的检测率, Lu的结果为:81.11±13.47%,我们的结果为:82.13±11.07%,可以看出本 文算法在外膜轮廓提取上具有更好的性能。
表4-1心外膜轮廓好的检测率对比
表4-2是Lu的算法和本章的算法提取出的心外膜轮廓与金标准接近程 度的对比。Lu的重叠率为94±2.00%,我们的重叠率为93±1.5%。结合表 4-1和表4-2中的数据,可以得出以下结论:本文算法在和Lu相比得到更多 好的轮廓数目之上,外膜轮廓与金标准之间的接近程度与Lu相当,从而表 明本文算法在外膜轮廓的提取上具有更好的效果。
表4-2心外膜轮廓重叠率对比
本发明基于短轴方向的心脏MRI序列,围绕左心室内膜自动分割和左 心室外膜自动分割两个主要方向进行了讨论。与现有技术相比,本发明方案 的创新点如下:
(1)提出并实现一种距离变换与分水岭相结合的含LVOT图像的内膜 分割算法,本发明中首先将感兴趣区域进行二值距离变换,再使用分水岭算 法划分出多个连通区域;然后计算每个区域与上一层内膜模板质心之间的距 离,选取距离较近的区域合并,并用形态学闭操作去掉连通区域中的小缺口, 准确定位出血池;最后取血池的边缘作为内膜轮廓。实验结果表明,此算法 能较好地运用到含LVOT的图像中;
(2)提出并实现一种基于标记控制分水岭的外膜分割算法在准确得到 内膜轮廓的基础上,将其形态学膨胀后作为内部标记,在极坐标下去除血池 区域后采用形态学开操作将外部标记限制在心肌周边恰当的范围内,使用内 外标记改进梯度图后再采用分水岭算法。实验证明此算法准确率较高,具有 稳定性和普适性高等特点。
最后应说明的是,以上实施例仅用以说明本发明的技术方案,而非对其 限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术 人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或 者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技 术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种左心室内外膜自动分割方法,其特征在于,所述方法包括:
在左心室核磁共振成像MRI的每层图像上提取感兴趣区域,并在所述感兴趣区域内定位左心室血池区域;
判断当前层MRI图像上的血池区域是否含有左心室流出道LVOT,并提取含有LVOT的左心室内膜轮廓或不含LVOT的左心室内膜轮廓;
将左心室内膜轮廓基于形态学膨胀后确定内部标记,并在心肌区域的适当位置标识外部标记,采用基于标记控制的分水岭算法提取左心室外膜轮廓;
其中,所述将左心室内膜轮廓基于形态学膨胀后确定内部标记,并在心肌区域的适当位置标识外部标记,采用基于标记控制的分水岭算法提取左心室外膜轮廓,具体包括:
(1)输入所述感兴趣区域的灰度图,将其形态学膨胀后的结果减去腐蚀后的结果得到感兴趣区域的形态学梯度图,并基于形态学重建的开操作和闭操作取平滑梯度图;
(2)将提取出的内膜轮廓用一个像素的结构元膨胀后作为内部标记;
(3)将极坐标下感兴趣区域的二值图采用形态学开操作以及去掉内膜区域的干扰,得到极坐标下候选的外膜轮廓区域,并在转化为笛卡尔积坐标后,作为外部标记;
(4)用内外部标记改进梯度图像后采用分水岭变换,取分水岭脊线作为左心室外膜轮廓。
2.根据权利要求1所述的方法,其特征在于,所述在左心室核磁共振成像MRI的每层图像上提取感兴趣区域,包括:
对左心室MRI的多层图像采用从中间到两端逐层分割的方法依次提取感兴趣区域;
其中,对于中间层图像,在原始图像的中心处取预设像素面积的区域作为中间层感兴趣区域;
对于非中间层图像,利用相邻层之间的血池区域的位置关系,以上一层的内膜模板中心作为当前层感兴趣区域的中心,并取预设像素面积的区域作为当前层感兴趣区域。
3.根据权利要求1所述的方法,其特征在于,采用K-means聚类的方法对左心室MRI图像的感兴趣区域进行分割,并定位左心室血池区域,具体步骤如下:
(1)输入感兴趣区域的灰度图,从左到右寻找最大波峰点的灰度值,作为第一个簇中心center1;
(2)将使用Otsu分割法得到的阈值作为第三个聚类中心center3,取[(center1+center3)/2]为第二个聚类中心center2;
(3)取m1=[(center1+center2)/2],m2=[(center2+center3)/2],通过计算每个新簇的平均灰度值来更新簇中心,取原直方图上灰度值在[1,m1]上的平均灰度值赋值给center1,[m1,m2-1]上的平均灰度值赋值给center2,[m2,255]上的平均灰度值赋值给center3,进行迭代计算,算法的终止条件为center1,center2,center3三个簇中心不再改变;
(4)将预设的灰度值m2作为感兴趣区域的阈值;
(5)根据所述感兴趣区域的阈值,将感兴趣区域的灰度图转换为二值图,对所述感兴趣区域进行分割,以用于定位左心室血池区域。
4.根据权利要求2所述的方法,其特征在于,所述提取含有LVOT的左心室内膜轮廓的步骤如下:
(1)在调整所述感兴趣区域的阈值后将所述感兴趣区域二值化,并对得到的二值图进行距离变换,得到距离图;
(2)对所述距离图采用分水岭算法,划分出不同的连通区域;
(3)取得每个连通区域的质心并分别计算与上一层的内膜模板质心之间的距离,根据距离选取特定的区域合并;
(4)使用形态学闭操作去掉病例图像中的小缺口;
(5)使用快速傅里叶变换平滑血池边缘,将其作为左心室内膜的轮廓。
5.根据权利要求2所述的方法,其特征在于,所述提取不含LVOT的左心室内膜轮廓的步骤如下:
(1)对所述感兴趣区域的灰度图使用Otsu分割法得到包含血池区域的二值图,将阈值记为th1;
(2)将笛卡尔积坐标下的所述感兴趣区域灰度图转换为极坐标下的感兴趣区域灰度图;
(3)以th1为起始阈值从th1到0的范围内逐步降低,用th1对感兴趣区域在极坐标系下的灰度图进行分割的同时,得到阈值和血池面积的对应关系,当血池面积变化率最大时,取拐点对应的灰度值作为拓扑保持的最佳阈值th2;
(4)使用th2对极坐标下灰度图进行阈值分割,得到极坐标下的血池区域,后转化为笛卡尔积坐标,然后计算凸包,取此凸包轮廓作为左心室内膜轮廓。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:采用快速傅里叶变换平滑内外膜轮廓;
步骤为:
(1)分别输入膜轮廓的所有轮廓点;
(2)以轮廓点的中心坐标为极坐标原点,取得轮廓的极角和极径;
(3)将极径按照极角从小到大的顺序排列,进行快速傅里叶变换,求得频谱图;
(4)把频谱图中的某些高频信号所对应的振幅置零,得到滤波后的频谱图;
(5)对滤波后的频谱图进行快速傅里叶反变换,并输出平滑后的膜轮廓。
7.一种左心室内外膜自动分割系统,其特征在于,所述系统包括:
定位模块,在左心室核磁共振成像MRI的每层图像上提取感兴趣区域,并在所述感兴趣区域内定位左心室血池区域;
内膜提取模块,用于判断当前层MRI图像上的血池区域是否含有左心室流出道LVOT,并提取含有LVOT的左心室内膜轮廓或不含LVOT的左心室内膜轮廓;
外膜提取模块,用于将左心室内膜轮廓基于形态学膨胀后确定内部标记,并在心肌区域的适当位置标识外部标记,采用基于标记控制的分水岭算法提取左心室外膜轮廓;
其中,所述将左心室内膜轮廓基于形态学膨胀后确定内部标记,并在心肌区域的适当位置标识外部标记,采用基于标记控制的分水岭算法提取左心室外膜轮廓,具体包括:
(1)输入所述感兴趣区域的灰度图,将其形态学膨胀后的结果减去腐蚀后的结果得到感兴趣区域的形态学梯度图,并基于形态学重建的开操作和闭操作取平滑梯度图;
(2)将提取出的内膜轮廓用一个像素的结构元膨胀后作为内部标记;
(3)将极坐标下感兴趣区域的二值图采用形态学开操作以及去掉内膜区域的干扰,得到极坐标下候选的外膜轮廓区域,并在转化为笛卡尔积坐标后,作为外部标记;
(4)用内外部标记改进梯度图像后采用分水岭变换,取分水岭脊线作为左心室外膜轮廓。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至6中任一项权利要求所述的方法。
9.一种处理器,其特征在于,用于运行程序,其中,所述程序被运行时用于执行如权利要求1至6任一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110147988.4A CN113160116B (zh) | 2021-02-03 | 2021-02-03 | 左心室内外膜自动分割方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110147988.4A CN113160116B (zh) | 2021-02-03 | 2021-02-03 | 左心室内外膜自动分割方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113160116A CN113160116A (zh) | 2021-07-23 |
CN113160116B true CN113160116B (zh) | 2022-12-27 |
Family
ID=76882932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110147988.4A Active CN113160116B (zh) | 2021-02-03 | 2021-02-03 | 左心室内外膜自动分割方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160116B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419032B (zh) * | 2022-03-14 | 2022-06-21 | 深圳科亚医疗科技有限公司 | 心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104093363A (zh) * | 2012-02-02 | 2014-10-08 | 日立阿洛卡医疗株式会社 | 医学图像诊断装置及其设定感兴趣区域的方法 |
CN111028254A (zh) * | 2019-12-09 | 2020-04-17 | 上海交通大学医学院附属上海儿童医学中心 | 一种基于心脏电影磁共振图像的左心肌分割方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8218839B2 (en) * | 2008-05-23 | 2012-07-10 | Siemens Aktiengesellschaft | Automatic localization of the left ventricle in cardiac cine magnetic resonance imaging |
US8771189B2 (en) * | 2009-03-18 | 2014-07-08 | Siemens Medical Solutions Usa, Inc. | Valve assessment from medical diagnostic imaging data |
JP5919287B2 (ja) * | 2010-10-25 | 2016-05-18 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 医用画像のセグメンテーションのためのシステム |
US8923590B2 (en) * | 2011-01-20 | 2014-12-30 | Siemens Aktiengesellschaft | Method and system for 3D cardiac motion estimation from single scan of C-arm angiography |
CN102289814B (zh) * | 2011-08-30 | 2012-12-26 | 北京理工大学 | 一种心脏核磁共振图像分割方法 |
CN104978730B (zh) * | 2014-04-10 | 2019-04-23 | 上海联影医疗科技有限公司 | 一种左心室心肌的分割方法和装置 |
US20170209059A1 (en) * | 2014-04-23 | 2017-07-27 | St. Jude Medical International Holding S.A.R.L. | System and method for displaying cardiac mechanical activation patterns |
CN104504695B (zh) * | 2014-12-16 | 2017-03-15 | 上海交通大学 | 一种磁共振延迟增强序列心肌分割方法 |
CN106910194B (zh) * | 2015-12-22 | 2020-11-27 | 上海联影医疗科技股份有限公司 | 心脏心功能磁共振图像中的心内外膜的分割方法 |
US10290109B2 (en) * | 2015-12-22 | 2019-05-14 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for cardiac image segmentation |
CN105741310B (zh) * | 2016-03-21 | 2018-05-04 | 东北大学 | 一种心脏左心室图像分割系统及方法 |
CN109272512B (zh) * | 2018-09-25 | 2022-02-15 | 南昌航空大学 | 一种自动分割左心室内外膜的方法 |
-
2021
- 2021-02-03 CN CN202110147988.4A patent/CN113160116B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104093363A (zh) * | 2012-02-02 | 2014-10-08 | 日立阿洛卡医疗株式会社 | 医学图像诊断装置及其设定感兴趣区域的方法 |
CN111028254A (zh) * | 2019-12-09 | 2020-04-17 | 上海交通大学医学院附属上海儿童医学中心 | 一种基于心脏电影磁共振图像的左心肌分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113160116A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102763135B (zh) | 用于自动分割和时间跟踪的方法 | |
Cousty et al. | Segmentation of 4D cardiac MRI: Automated method based on spatio-temporal watershed cuts | |
Loizou | A review of ultrasound common carotid artery image and video segmentation techniques | |
JP4918048B2 (ja) | 画像処理装置及び方法 | |
JP5438029B2 (ja) | 短軸遅延強調心臓mriの自動三次元セグメント化 | |
US8494236B2 (en) | System and method for cardiac segmentation in MR-cine data using inverse consistent non-rigid registration | |
US20150023577A1 (en) | Device and method for determining physiological parameters based on 3d medical images | |
CN110197713B (zh) | 一种医疗影像的处理方法、装置、设备和介质 | |
Lu et al. | Segmentation of left ventricle in cardiac cine MRI: An automatic image-driven method | |
US20090290778A1 (en) | System and method for generating mr myocardial perfusion maps without user interaction | |
CN110570424B (zh) | 一种基于cta动态影像的主动脉瓣半自动分割方法 | |
Irshad et al. | Automatic segmentation of the left ventricle in a cardiac MR short axis image using blind morphological operation | |
Jin et al. | Left atrial appendage segmentation and quantitative assisted diagnosis of atrial fibrillation based on fusion of temporal-spatial information | |
Zotti et al. | Novel deep convolution neural network applied to MRI cardiac segmentation | |
Guo et al. | A novel myocardium segmentation approach based on neutrosophic active contour model | |
Bernier et al. | Graph cut-based method for segmenting the left ventricle from MRI or echocardiographic images | |
CN113160116B (zh) | 左心室内外膜自动分割方法、系统及设备 | |
Tahoces et al. | Deep learning method for aortic root detection | |
CN110706218A (zh) | 基于动态增强磁共振成像的乳腺肿瘤定位分析方法 | |
CN114266788A (zh) | 基于超声断层成像反射图像凸目标的抗伪影特征提取方法 | |
Dabass et al. | Effectiveness of region growing based segmentation technique for various medical images-a study | |
Sotaquira et al. | Semi-automated segmentation and quantification of mitral annulus and leaflets from transesophageal 3-D echocardiographic images | |
Qin et al. | Automatic segmentation of right ventricle on ultrasound images using sparse matrix transform and level set | |
US20210287375A1 (en) | System architecture and method of processing images | |
Adame et al. | Automatic plaque characterization and vessel wall segmentation in magnetic resonance images of atherosclerotic carotid arteries |
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 |