CN113222996A - 心脏分割质量评估方法、装置、设备及存储介质 - Google Patents
心脏分割质量评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113222996A CN113222996A CN202110232380.1A CN202110232380A CN113222996A CN 113222996 A CN113222996 A CN 113222996A CN 202110232380 A CN202110232380 A CN 202110232380A CN 113222996 A CN113222996 A CN 113222996A
- Authority
- CN
- China
- Prior art keywords
- heart
- contour
- dimensional
- segmentation
- sample
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 164
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 97
- 238000013145 classification model Methods 0.000 claims abstract description 33
- 230000000747 cardiac effect Effects 0.000 claims description 78
- 230000002861 ventricular Effects 0.000 claims description 55
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 44
- 238000001303 quality assessment method Methods 0.000 claims description 27
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 239000012528 membrane Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 abstract description 14
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 238000012216 screening Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 6
- 210000002808 connective tissue Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000004217 heart function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 210000005241 right ventricle Anatomy 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 208000019622 heart disease Diseases 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- FCEHFCFHANDXMB-UMEYXWOPSA-N tocosimplex Chemical compound OS(O)(=O)=O.C1N2CCCC[C@@H]2[C@@H]2CN3CCCC[C@H]3[C@H]1C2 FCEHFCFHANDXMB-UMEYXWOPSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007012 clinical effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及医学图像处理技术领域，公开了一种心脏分割质量评估方法、装置、设备及存储介质，所述方法包括：获取不同时相的待评估心脏图像，并通过稀疏活动形状模型对待评估心脏图像进行三维分割，获得三维心脏分割结果，从三维心脏分割结果中获取二维心脏轮廓，提取二维心脏轮廓的心脏轮廓点，并根据心脏轮廓点构建轮廓特征向量，通过预设分类模型对轮廓特征向量进行质量评估。通过根据从三维心脏分割结果中提取的二维心脏轮廓的心脏轮廓点构建轮廓特征向量来实现对二维心脏轮廓的精准表达，提高对不同时相下的心脏图像的还原度，再通过预设分类模型对轮廓特征向量进行质量评估，以实现对不同时相下的心脏图像分割结果的精准评估和质量筛选。
Description
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种心脏分割质量评估方法、装置、设备及存储介质。
背景技术
心脏是人体的重要器官，其是否正常工作直接影响到人体的健康。据统计，心脏疾病是全球死亡率最高的疾病之一，因此，许多学者开展了大量的心脏病工作状态定量评估和早期诊断的研究。其中，由于医学影像的可视性、可计算性等特点，使得基于医学影像分割的心脏疾病早期诊断研究备受关注。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，这要求对不同时相(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。基于此，借助于信息处理技术，研究准确的心脏自动分割方法成为当前研究的热点。而在对海量四维心脏图像采用三维的稀疏活动形状模型进行自动分割过程中，由于心脏图像采集来源不尽相同，造成图像质量参差不齐，各种算法所用的参数很难做到最优。因此，在处理海量心脏影像数据时，如何对不同时相下的心脏图像分割结果进行精准评估，成为一个亟待解决的问题。
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分割质量评估方法、装置、设备及存储介质，旨在解决如何对不同时相下的心脏图像分割结果进行精准评估的技术问题。
为实现上述目的，本发明提供了一种心脏分割质量评估方法，所述方法包括以下步骤：
获取不同时相的待评估心脏图像，并通过稀疏活动形状模型对所述待评估心脏图像进行三维分割，获得三维心脏分割结果；
从所述三维心脏分割结果中获取二维心脏轮廓；
提取所述二维心脏轮廓的心脏轮廓点，并根据所述心脏轮廓点构建轮廓特征向量；
通过预设分类模型对所述轮廓特征向量进行质量评估。
可选地，所述二维心脏轮廓包括左心室内膜、左心室外膜以及右心室轮廓；
相应地，所述从所述三维心脏分割结果中获取二维心脏轮廓的步骤，具体包括：
通过心脏图像切片对所述三维心脏分割结果进行切片处理，获得二维截面图像；
从所述二维截面图像中提取所述左心室内膜、所述左心室外膜以及所述右心室轮廓。
可选地，所述提取所述二维心脏轮廓的心脏轮廓点，并根据所述心脏轮廓点构建轮廓特征向量的步骤，具体包括：
提取所述二维心脏轮廓的心脏轮廓点，并计算所述心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征；
基于所述尺度不变特征、所述方向梯度直方图特征以及所述加博尔特征生成轮廓特征向量。
可选地，所述通过预设分类模型对所述轮廓特征向量进行质量评估的步骤之前，还包括：
获取不同时相的样本心脏图像，并通过稀疏活动形状模型对所述样本心脏图像进行三维分割，获得样本三维心脏分割结果；
从所述样本三维心脏分割结果中获取样本二维心脏轮廓，并将所述样本二维心脏轮廓与金标准心脏轮廓进行对比，获得心脏分割比对结果；
根据所述金标准心脏轮廓构建轮廓特征向量正样本，并根据所述心脏分割比对结果构建轮廓特征向量负样本；
通过所述轮廓特征向量正样本和所述轮廓特征向量负样本对支持向量机进行训练，以获得预设分类模型。
可选地，所述根据所述金标准心脏轮廓构建轮廓特征向量正样本，并根据所述心脏分割比对结果构建轮廓特征向量负样本的步骤，具体包括：
提取所述金标准心脏轮廓的金标准心脏轮廓点，并计算所述金标准心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征；
根据所述心脏分割比对结果获取样本不合格心脏轮廓点，并计算所述样本不合格心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征；
基于所述金标准心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征生成轮廓特征向量正样本，并基于所述样本不合格心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征生成轮廓特征向量负样本。
可选地，所述根据所述心脏分割比对结果获取样本不合格心脏轮廓点的步骤，具体包括：
根据所述心脏分割比对结果分别获取所述样本二维心脏轮廓的样本心脏轮廓点与所述样本心脏轮廓点对应的金标准心脏轮廓点之间的平均距离；
判断所述平均距离是否大于预设平均距离；
在所述平均距离大于所述预设平均距离时，将大于所述预设平均距离的样本心脏轮廓点作为样本不合格心脏轮廓点。
可选地，所述通过预设分类模型对所述轮廓特征向量进行质量评估的步骤，具体包括：
通过预设分类模型获取所述轮廓特征向量对应的不合格心脏轮廓点；
统计所述不合格心脏轮廓点的数量，并基于所述不合格心脏轮廓点的数量对所述轮廓特征向量进行质量评估。
此外，为实现上述目的，本发明还提出一种心脏分割质量评估装置，所述心脏分割质量评估装置包括：
心脏分割模块，用于获取不同时相的待评估心脏图像，并通过稀疏活动形状模型对所述待评估心脏图像进行三维分割，获得三维心脏分割结果；
轮廓获取模块，用于从所述三维心脏分割结果中获取二维心脏轮廓；
特征提取模块，用于提取所述二维心脏轮廓的心脏轮廓点，并根据所述心脏轮廓点构建轮廓特征向量；
质量评估模块，用于通过预设分类模型对所述轮廓特征向量进行质量评估。
此外，为实现上述目的，本发明还提出一种心脏分割质量评估设备，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分割质量评估程序，所述心脏分割质量评估程序配置为实现如上文所述的心脏分割质量评估方法的步骤。
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分割质量评估程序，所述心脏分割质量评估程序被处理器执行时实现如上文所述的心脏分割质量评估方法的步骤。
本发明中，获取不同时相的待评估心脏图像，并通过稀疏活动形状模型对所述待评估心脏图像进行三维分割，获得三维心脏分割结果，从所述三维心脏分割结果中获取二维心脏轮廓，提取所述二维心脏轮廓的心脏轮廓点，并根据所述心脏轮廓点构建轮廓特征向量，通过预设分类模型对所述轮廓特征向量进行质量评估。通过对不同时相的待评估心脏图像进行三维分割，获得三维心脏分割结果，并从所述三维心脏分割结果中获取二维心脏轮廓，然后提取所述二维心脏轮廓的心脏轮廓点，并根据所述心脏轮廓点构建轮廓特征向量来实现对所述二维心脏轮廓的精准表达，提高对不同时相下的心脏图像的还原度，进一步地，再通过预设分类模型对所述轮廓特征向量进行质量评估，以实现对不同时相下的心脏图像分割结果进行精准评估和质量筛选，提高后续基于质量评估结果进行心脏功能参数计算时的精准度。
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分割质量评估设备的结构示意图；
图2为本发明心脏分割质量评估方法第一实施例的流程示意图；
图3为本发明心脏分割质量评估方法涉及的切片示意图；
图4为本发明心脏分割质量评估方法第二实施例的流程示意图；
图5为本发明心脏分割质量评估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分割质量评估设备结构示意图。
如图1所示，该心脏分割质量评估设备可以包括：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分割质量评估设备的限定，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分割质量评估程序。
在图1所示的心脏分割质量评估设备中，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；本发明心脏分割质量评估设备中的处理器1001、存储器1005可以设置在心脏分割质量评估设备中，所述心脏分割质量评估设备通过处理器1001调用存储器1005中存储的心脏分割质量评估程序，并执行本发明实施例提供的心脏分割质量评估方法。
本发明实施例提供了一种心脏分割质量评估方法，参照图2，图2为本发明心脏分割质量评估方法第一实施例的流程示意图。
本实施例中，所述心脏分割质量评估方法包括以下步骤：
步骤S10：获取不同时相的待评估心脏图像，并通过稀疏活动形状模型对所述待评估心脏图像进行三维分割，获得三维心脏分割结果；
易于理解的是，在获取不同时相下的待评估心脏图像之前，还可获取原始心脏序列图像(即按时间序列排布的心脏图像)，然后将所述心脏序列图像按时相(即不同时间获取的同一区域的一组影像，本实施例可理解为心脏处于舒张期和收缩期中的不同时刻下的影像)组织成不同时相下的长短轴图像，即不同时相的待评估心脏图像，然后通过稀疏活动形状模型(SParse Active Shape Model，SPASM)对所述待评估心脏图像进行三维分割，获得三维心脏分割结果。
需要说明的是，由于生物或人体组织解剖结构的复杂性，以及软组织形状的易变性，那些仅依赖于图像本身的灰度，纹理属性等低层次视觉属性来进行分割的图像分割方法难以获得理想的分割效果，因此，对于医学图像分割(如心脏图像分割)本实施例采用上述稀疏活动形状模型，实现将基于图像本身低层次视觉属性(边缘，纹理，灰度，色彩)和人们对于待分割目标(如心脏图像)的知识经验，如目标形状的描述，亮度，色彩的经验统计，医生的经验等以一种有机的方式整合起来，得到待分割区域的完整表达。
步骤S20：从所述三维心脏分割结果中获取二维心脏轮廓；
易于理解的是，在获得三维心脏分割结果后，参见图3，图3为本发明心脏分割质量评估方法涉及的切片示意图，即可通过图3所述的切片方式对所述三维心脏分割结果进行切片处理，以获得二维心脏轮廓，所述二维心脏轮廓包括左心室内膜、左心室外膜以及右心室轮廓。在具体实现中，可通过心脏图像切片对所述三维心脏分割结果从预设位置进行切片处理，获得二维截面图像，所述预设位置可根据实际需求进行设置，以能采集心脏的左心室内膜、左心室外膜以及所述右心室轮廓为准，然后从所述二维截面图像中提取所述左心室内膜、所述左心室外膜以及所述右心室轮廓。
步骤S30：提取所述二维心脏轮廓的心脏轮廓点，并根据所述心脏轮廓点构建轮廓特征向量；
需要说明的是，在获得二维心脏轮廓后，为了对二维心脏轮廓进行精准表达，可从所述二维心脏轮廓提取心脏轮廓点，并计算所述心脏轮廓点对应的尺度不变(Scale-Invariant Feature Transform，SIFT)特征、方向梯度直方图(Histogram of OrientedGradient，HOG)特征以及加博尔(Gabor)特征。其中，所述SIFT特征主要通过从所述二维心脏轮廓提取对尺度缩放、旋转、亮度变化无关的特征向量获得，在具体实现中，可先构建所述二维心脏轮廓对应的尺度空间，然后检测极值特征点(即特征点粗检)，获得尺度不变性，然后，对极值特征点进行过滤、精确定位以及分配方向值，以获得本实施例所需要的SIFT特征；所述HOG特征，可理解为通过计算和统计图像局部区域的梯度方向直方图来构成特征，在具体实现中，可将二维心脏轮廓分割为若干个像素的单元，把梯度方向平均划分为多个区间，在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计，得到一个多维的特征向量，每相邻的单元构成一个区间，把一个区间内的特征向量联起来得到多维的特征向量，用区间对样本图像进行扫描，扫描步长为一个单元，最后将所有块的特征串联起来，就得到了本实施例所需要的HOG特征；所述Gabor特征提取，可理解为使用Gabor滤波来抽取图像的纹理信息，由于其处理的数据量较少，能满足系统的实时性要求，另一方面，Gabor小波变换对光照变化不敏感，且能容忍一定程度的图像旋转和变形，当采用基于欧氏距离进行识别时，特征模式与待测特征不需要严格的对应，故能提高系统的鲁棒性。进一步地，可基于所述尺度不变特征、所述方向梯度直方图特征以及所述加博尔特征生成轮廓特征向量。
在具体实现中，在获得SIFT特征，HOG特征，Gabor特征后，可将所述SIFT特征记为特征fi S，将所述HOG特征记为特征fi H，将所述Gabor特征记为特征fi G，然后将所述特征fi S，所述特征fi H，所述特征fi G通过下式连成轮廓特征向量fi LVEndo，
fi LVEndo＝fi Sfi Hfi G
步骤S40：通过预设分类模型对所述轮廓特征向量进行质量评估。
需要说明的是，在进行质量评估时，可通过预设分类模型获取所述轮廓特征向量对应的不合格心脏轮廓点，然后统计所述不合格心脏轮廓点的数量，并基于所述不合格心脏轮廓点的数量对所述轮廓特征向量进行质量评估。在具体实现中，还可获取心脏轮廓点的数量，然后计算不合格心脏轮廓点的数量和心脏轮廓点的数量的比例，再基于所述比例进行质量评估，如，若计算出某层不在左心室内膜上的轮廓点(即不合格轮廓点)的数量大于该层心脏轮廓点数量的一半，则可判定该层分割不合格(不合格的分割层不列入后续心脏功能参数的计算)，进一步地，若对左心室内膜不合格分割的层数占总轮廓层数的50％以上，则认为该病例的左心室内膜分割失败，以此类推，分别判断自动分割所得到左心室外膜，右心室是否分割正确，若左心室内膜、左心室外膜、右心室都分割正确，则认为该心脏分割合格，可进行心脏功能参数(包含心脏的静态参数和动态参数)的计算。其中，所述预设分类模型可通过对支持向量机进行训练获得，具体训练方式可参见本发明心脏分割质量评估方法第二实施例，本实施例对此不加以赘述。
本实施例中，获取不同时相的待评估心脏图像，并通过稀疏活动形状模型对所述待评估心脏图像进行三维分割，获得三维心脏分割结果，从所述三维心脏分割结果中获取二维心脏轮廓，提取所述二维心脏轮廓的心脏轮廓点，并根据所述心脏轮廓点构建轮廓特征向量，通过预设分类模型对所述轮廓特征向量进行质量评估。通过对不同时相的待评估心脏图像进行三维分割，获得三维心脏分割结果，并从所述三维心脏分割结果中获取二维心脏轮廓，然后提取所述二维心脏轮廓的心脏轮廓点，并根据所述心脏轮廓点构建轮廓特征向量来实现对所述二维心脏轮廓的精准表达，提高对不同时相下的心脏图像的还原度，进一步地，再通过预设分类模型对所述轮廓特征向量进行质量评估，以实现对不同时相下的心脏图像分割结果进行精准评估和质量筛选，提高后续基于质量评估结果进行心脏功能参数计算时的精准度。
参考图4，图4为本发明心脏分割质量评估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S40之前，还包括：
步骤S01：获取不同时相的样本心脏图像，并通过稀疏活动形状模型对所述样本心脏图像进行三维分割，获得样本三维心脏分割结果；
易于理解的是，在获取不同时相下的样本心脏图像之前，还可获取原始样本心脏序列图像，然后将所述样本心脏序列图像按时相组织成不同时相下的长短轴图像，即不同时相的样本心脏图像，然后通过稀疏活动形状模型(SParse Active Shape Model，SPASM)对所述样本心脏图像进行三维分割，获得样本三维心脏分割结果。
需要说明的是，由于生物或人体组织解剖结构的复杂性，以及软组织形状的易变性，那些仅依赖于图像本身的灰度，纹理属性等低层次视觉属性来进行分割的图像分割方法难以获得理想的分割效果，因此，对于医学图像分割(如心脏图像分割)本实施例采用上述稀疏活动形状模型，实现将基于图像本身低层次视觉属性(边缘，纹理，灰度，色彩)和人们对于待分割目标(如心脏图像)的知识经验，如目标形状的描述，亮度，色彩的经验统计，医生的经验等以一种有机的方式整合起来，得到待分割区域的完整表达。
步骤S02：从所述样本三维心脏分割结果中获取样本二维心脏轮廓，并将所述样本二维心脏轮廓与金标准心脏轮廓进行对比，获得心脏分割比对结果；
易于理解的是，在获得样本三维心脏分割结果后，也可通过图3所述的切片方式对所述样本三维心脏分割结果进行切片处理，以获得样本二维心脏轮廓，所述样本二维心脏轮廓包括样本左心室内膜、样本左心室外膜以及样本右心室轮廓。在具体实现中，可通过心脏图像切片对所述样本三维心脏分割结果从预设位置进行切片处理，获得样本二维截面图像，所述预设位置可根据实际需求进行设置，以能采集心脏的左心室内膜、左心室外膜以及所述右心室轮廓为准，然后从所述样本二维截面图像中提取样本左心室内膜、样本左心室外膜以及样本右心室轮廓。
进一步地，还可将所述样本二维心脏轮廓与金标准心脏轮廓进行对比，获得心脏分割比对结果，即，将样本左心室内膜、样本左心室外膜以及样本右心室轮廓与金标准心脏轮廓中的金标准左心室内膜、金标准左心室外膜以及金标准右心室轮廓进行对比，获得心脏分割比对结果，所谓“金标准”，是指当前临床医学界公认的诊断疾病的最可靠方法，所述金标准心脏轮廓，可由专家手工圈画获得，也可从预设金标准数据集中提取。
步骤S03：根据所述金标准心脏轮廓构建轮廓特征向量正样本，并根据所述心脏分割比对结果构建轮廓特征向量负样本；
需要说明的是，为了提高对心脏分割质量进行评估时的精准度，可建立轮廓特征向量正样本和轮廓特征向量负样本，具体地，可提取所述金标准心脏轮廓的金标准心脏轮廓点，并计算所述金标准心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征；根据所述心脏分割比对结果获取样本不合格心脏轮廓点，并计算所述样本不合格心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征；基于所述金标准心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征生成轮廓特征向量正样本，并基于所述样本不合格心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征生成轮廓特征向量负样本。
在具体实现中，为了获得样本不合格心脏轮廓点，可先根据所述心脏分割比对结果通过下式分别获取所述样本二维心脏轮廓的样本心脏轮廓点与所述样本心脏轮廓点对应的金标准心脏轮廓点之间的平均距离MD，
式中，样本二维心脏轮廓为
金标准心脏轮廓点为
为样本二维心脏轮廓上的点p到金标准心脏轮廓的最小距离，
为从金标准心脏轮廓上的点q到样本二维心脏轮廓的最小距离，
为样本二维心脏轮廓的样本心脏轮廓点的数量，
为金标准心脏轮廓的金标准心脏轮廓点的数量。
由此，可计算出样本二维心脏轮廓的样本心脏轮廓点与金标准心脏轮廓的金标准心脏轮廓点之间的平均距离，判断所述平均距离是否大于预设平均距离，在所述平均距离大于所述预设平均距离时，将大于所述预设平均距离的样本心脏轮廓点作为样本不合格心脏轮廓点。如，若所述平均距离大于5mm，可判定为分割不合格，并分别挑选出样本左心室内膜，样本左心室外膜、样本右心室轮廓对应的不合格心脏轮廓点，进一步地，若样本左心室内膜、样本左心室外膜，样本右心室轮廓中，存在任一项的分割不合格的层数占金标准层数的50％以上，则认为该病例分割失败。
步骤S04：通过所述轮廓特征向量正样本和所述轮廓特征向量负样本对支持向量机进行训练，以获得预设分类模型。
易于理解的是，在获得轮廓特征向量正样本和轮廓特征向量负样本后，可根据所述轮廓特征向量正样本和所述轮廓特征向量负样本对支持向量机进行训练，以获得预设分类模型，在具体实现中，为了提高训练效率，可分别构建左心室外膜、左心室外膜、右心室轮廓的轮廓特征向量正样本和轮廓特征向量负样本，然后基于各自的轮廓特征向量正样本和轮廓特征向量负样本对支持向量机进行训练，以获得对应的预设分类模型。
本实施例中，获取不同时相的样本心脏图像，并通过稀疏活动形状模型对所述样本心脏图像进行三维分割，获得样本三维心脏分割结果，从所述样本三维心脏分割结果中获取样本二维心脏轮廓，并将所述样本二维心脏轮廓与金标准心脏轮廓进行对比，获得心脏分割比对结果，根据所述金标准心脏轮廓构建轮廓特征向量正样本，并根据所述心脏分割比对结果构建轮廓特征向量负样本，通过所述轮廓特征向量正样本和所述轮廓特征向量负样本对支持向量机进行训练，以获得预设分类模型，通过基于样本二维心脏轮廓和金标准心脏轮廓构建对应的轮廓特征向量正样本和轮廓特征向量负样本，然后通过所述轮廓特征向量正样本和所述轮廓特征向量负样本对支持向量机进行训练，获得预设分类模型，以此提高获得的预设分类模型的精准度，进一步地，也提高了基于所述预设分类模型对所述轮廓特征向量进行质量评估的精准度，以此实现对不同时相下的心脏图像分割结果进行精准评估和质量筛选，提高后续基于质量评估结果进行心脏功能参数计算时的精准度。
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分割质量评估程序，所述心脏分割质量评估程序被处理器执行时实现如上文所述的心脏分割质量评估方法的步骤。
参照图5，图5为本发明心脏分割质量评估装置第一实施例的结构框图。
如图5所示，本发明实施例提出的心脏分割质量评估装置包括：
心脏分割模块10，用于获取不同时相的待评估心脏图像，并通过稀疏活动形状模型对所述待评估心脏图像进行三维分割，获得三维心脏分割结果；
轮廓获取模块20，用于从所述三维心脏分割结果中获取二维心脏轮廓；
特征提取模块30，用于提取所述二维心脏轮廓的心脏轮廓点，并根据所述心脏轮廓点构建轮廓特征向量；
质量评估模块40，用于通过预设分类模型对所述轮廓特征向量进行质量评估。
本实施例中，获取不同时相的待评估心脏图像，并通过稀疏活动形状模型对所述待评估心脏图像进行三维分割，获得三维心脏分割结果，从所述三维心脏分割结果中获取二维心脏轮廓，提取所述二维心脏轮廓的心脏轮廓点，并根据所述心脏轮廓点构建轮廓特征向量，通过预设分类模型对所述轮廓特征向量进行质量评估。通过对不同时相的待评估心脏图像进行三维分割，获得三维心脏分割结果，并从所述三维心脏分割结果中获取二维心脏轮廓，然后提取所述二维心脏轮廓的心脏轮廓点，并根据所述心脏轮廓点构建轮廓特征向量来实现对所述二维心脏轮廓的精准表达，提高对不同时相下的心脏图像的还原度，进一步地，再通过预设分类模型对所述轮廓特征向量进行质量评估，以实现对不同时相下的心脏图像分割结果进行精准评估和质量筛选，提高后续基于质量评估结果进行心脏功能参数计算时的精准度。
基于本发明上述心脏分割质量评估装置第一实施例，提出本发明心脏分割质量评估装置的第二实施例。
在本实施例中，所述二维心脏轮廓包括左心室内膜、左心室外膜以及右心室轮廓；
所述轮廓获取模块20，还用于通过心脏图像切片对所述三维心脏分割结果进行切片处理，获得二维截面图像；
所述轮廓获取模块20，还用于从所述二维截面图像中提取所述左心室内膜、所述左心室外膜以及所述右心室轮廓。
所述特征提取模块30，还用于提取所述二维心脏轮廓的心脏轮廓点，并计算所述心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征；
所述特征提取模块30，还用于基于所述尺度不变特征、所述方向梯度直方图特征以及所述加博尔特征生成轮廓特征向量。
所述质量评估模块40，还用于获取不同时相的样本心脏图像，并通过稀疏活动形状模型对所述样本心脏图像进行三维分割，获得样本三维心脏分割结果；
所述质量评估模块40，还用于从所述样本三维心脏分割结果中获取样本二维心脏轮廓，并将所述样本二维心脏轮廓与金标准心脏轮廓进行对比，获得心脏分割比对结果；
所述质量评估模块40，还用于根据所述金标准心脏轮廓构建轮廓特征向量正样本，并根据所述心脏分割比对结果构建轮廓特征向量负样本；
所述质量评估模块40，还用于通过所述轮廓特征向量正样本和所述轮廓特征向量负样本对支持向量机进行训练，以获得预设分类模型。
所述质量评估模块40，还用于提取所述金标准心脏轮廓的金标准心脏轮廓点，并计算所述金标准心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征；
所述质量评估模块40，还用于根据所述心脏分割比对结果获取样本不合格心脏轮廓点，并计算所述样本不合格心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征；
所述质量评估模块40，还用于基于所述金标准心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征生成轮廓特征向量正样本，并基于所述样本不合格心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征生成轮廓特征向量负样本。
所述质量评估模块40，还用于根据所述心脏分割比对结果分别获取所述样本二维心脏轮廓的样本心脏轮廓点与所述样本心脏轮廓点对应的金标准心脏轮廓点之间的平均距离；
所述质量评估模块40，还用于判断所述平均距离是否大于预设平均距离；
所述质量评估模块40，还用于在所述平均距离大于所述预设平均距离时，将大于所述预设平均距离的样本心脏轮廓点作为样本不合格心脏轮廓点。
所述质量评估模块40，还用于通过预设分类模型获取所述轮廓特征向量对应的不合格心脏轮廓点；
所述质量评估模块40，还用于统计所述不合格心脏轮廓点的数量，并基于所述不合格心脏轮廓点的数量对所述轮廓特征向量进行质量评估。
本发明心脏分割质量评估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 (10)
1.一种心脏分割质量评估方法，其特征在于，所述心脏分割质量评估方法包括以下步骤：
获取不同时相的待评估心脏图像，并通过稀疏活动形状模型对所述待评估心脏图像进行三维分割，获得三维心脏分割结果；
从所述三维心脏分割结果中获取二维心脏轮廓；
提取所述二维心脏轮廓的心脏轮廓点，并根据所述心脏轮廓点构建轮廓特征向量；
通过预设分类模型对所述轮廓特征向量进行质量评估。
2.如权利要求1所述的心脏分割质量评估方法，其特征在于，所述二维心脏轮廓包括左心室内膜、左心室外膜以及右心室轮廓；
相应地，所述从所述三维心脏分割结果中获取二维心脏轮廓的步骤，具体包括：
通过心脏图像切片对所述三维心脏分割结果进行切片处理，获得二维截面图像；
从所述二维截面图像中提取所述左心室内膜、所述左心室外膜以及所述右心室轮廓。
3.如权利要求1所述的心脏分割质量评估方法，其特征在于，所述提取所述二维心脏轮廓的心脏轮廓点，并根据所述心脏轮廓点构建轮廓特征向量的步骤，具体包括：
提取所述二维心脏轮廓的心脏轮廓点，并计算所述心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征；
基于所述尺度不变特征、所述方向梯度直方图特征以及所述加博尔特征生成轮廓特征向量。
4.如权利要求1所述的心脏分割质量评估方法，其特征在于，所述通过预设分类模型对所述轮廓特征向量进行质量评估的步骤之前，还包括：
获取不同时相的样本心脏图像，并通过稀疏活动形状模型对所述样本心脏图像进行三维分割，获得样本三维心脏分割结果；
从所述样本三维心脏分割结果中获取样本二维心脏轮廓，并将所述样本二维心脏轮廓与金标准心脏轮廓进行对比，获得心脏分割比对结果；
根据所述金标准心脏轮廓构建轮廓特征向量正样本，并根据所述心脏分割比对结果构建轮廓特征向量负样本；
通过所述轮廓特征向量正样本和所述轮廓特征向量负样本对支持向量机进行训练，以获得预设分类模型。
5.如权利要求4所述的心脏分割质量评估方法，其特征在于，所述根据所述金标准心脏轮廓构建轮廓特征向量正样本，并根据所述心脏分割比对结果构建轮廓特征向量负样本的步骤，具体包括：
提取所述金标准心脏轮廓的金标准心脏轮廓点，并计算所述金标准心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征；
根据所述心脏分割比对结果获取样本不合格心脏轮廓点，并计算所述样本不合格心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征；
基于所述金标准心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征生成轮廓特征向量正样本，并基于所述样本不合格心脏轮廓点对应的尺度不变特征、方向梯度直方图特征以及加博尔特征生成轮廓特征向量负样本。
6.如权利要求5所述的心脏分割质量评估方法，其特征在于，所述根据所述心脏分割比对结果获取样本不合格心脏轮廓点的步骤，具体包括：
根据所述心脏分割比对结果分别获取所述样本二维心脏轮廓的样本心脏轮廓点与所述样本心脏轮廓点对应的金标准心脏轮廓点之间的平均距离；
判断所述平均距离是否大于预设平均距离；
在所述平均距离大于所述预设平均距离时，将大于所述预设平均距离的样本心脏轮廓点作为样本不合格心脏轮廓点。
7.如权利要求1～6中任一项所述的心脏分割质量评估方法，其特征在于，所述通过预设分类模型对所述轮廓特征向量进行质量评估的步骤，具体包括：
通过预设分类模型获取所述轮廓特征向量对应的不合格心脏轮廓点；
统计所述不合格心脏轮廓点的数量，并基于所述不合格心脏轮廓点的数量对所述轮廓特征向量进行质量评估。
8.一种心脏分割质量评估装置，其特征在于，所述心脏分割质量评估装置包括：
心脏分割模块，用于获取不同时相的待评估心脏图像，并通过稀疏活动形状模型对所述待评估心脏图像进行三维分割，获得三维心脏分割结果；
轮廓获取模块，用于从所述三维心脏分割结果中获取二维心脏轮廓；
特征提取模块，用于提取所述二维心脏轮廓的心脏轮廓点，并根据所述心脏轮廓点构建轮廓特征向量；
质量评估模块，用于通过预设分类模型对所述轮廓特征向量进行质量评估。
9.一种心脏分割质量评估设备，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分割质量评估程序，所述心脏分割质量评估程序配置为实现如权利要求1至7中任一项所述的心脏分割质量评估方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有心脏分割质量评估程序，所述心脏分割质量评估程序被处理器执行时实现如权利要求1至7中任一项所述的心脏分割质量评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110232380.1A CN113222996A (zh) | 2021-03-03 | 2021-03-03 | 心脏分割质量评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110232380.1A CN113222996A (zh) | 2021-03-03 | 2021-03-03 | 心脏分割质量评估方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113222996A true CN113222996A (zh) | 2021-08-06 |
Family
ID=77084797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110232380.1A Pending CN113222996A (zh) | 2021-03-03 | 2021-03-03 | 心脏分割质量评估方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222996A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362345A (zh) * | 2021-06-30 | 2021-09-07 | 武汉中科医疗科技工业技术研究院有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
| CN115511703A (zh) * | 2022-10-31 | 2022-12-23 | 北京安德医智科技有限公司 | 二维心脏超声切面图像的生成方法及装置、设备、介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102137271A (zh) * | 2010-11-04 | 2011-07-27 | 华为软件技术有限公司 | 一种图像质量评价方法及装置 |
| US20120269441A1 (en) * | 2011-04-19 | 2012-10-25 | Xerox Corporation | Image quality assessment |
| US20130188866A1 (en) * | 2012-01-24 | 2013-07-25 | Telefonica, S.A. | Method to assess aesthetic quality of photographs |
| CN103871054A (zh) * | 2014-02-27 | 2014-06-18 | 华中科技大学 | 一种基于组合指标的图像分割结果定量评价方法 |
| US20150248768A1 (en) * | 2014-02-28 | 2015-09-03 | International Business Machines Corporation | Segmentation Using Hybrid Discriminative Generative Label Fusion of Multiple Atlases |
| CN104966046A (zh) * | 2015-05-20 | 2015-10-07 | 腾讯科技（深圳）有限公司 | 一种人脸关键点位定位结果的评估方法,及评估装置 |
| US20170270671A1 (en) * | 2016-03-16 | 2017-09-21 | International Business Machines Corporation | Joint segmentation and characteristics estimation in medical images |
| CN109377472A (zh) * | 2018-09-12 | 2019-02-22 | 宁波大学 | 一种眼底图像质量评价方法 |
| CN110599499A (zh) * | 2019-08-22 | 2019-12-20 | 四川大学 | 基于多路卷积神经网络的mri图像心脏结构分割方法 |
| US20200126207A1 (en) * | 2017-05-11 | 2020-04-23 | The Research Foundation For The State University Of New York | System and Method Associated with Predicting Segmentation Quality of Objects in Analysis of Copious Image Data |
| CN111325734A (zh) * | 2020-02-25 | 2020-06-23 | 杭州电子科技大学 | 一种基于视觉模型的骨龄预测方法及装置 |
| CN111724395A (zh) * | 2020-06-12 | 2020-09-29 | 中南民族大学 | 心脏图像四维上下文分割方法、设备、存储介质及装置 |
-
2021
- 2021-03-03 CN CN202110232380.1A patent/CN113222996A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102137271A (zh) * | 2010-11-04 | 2011-07-27 | 华为软件技术有限公司 | 一种图像质量评价方法及装置 |
| US20120269441A1 (en) * | 2011-04-19 | 2012-10-25 | Xerox Corporation | Image quality assessment |
| US20130188866A1 (en) * | 2012-01-24 | 2013-07-25 | Telefonica, S.A. | Method to assess aesthetic quality of photographs |
| CN103871054A (zh) * | 2014-02-27 | 2014-06-18 | 华中科技大学 | 一种基于组合指标的图像分割结果定量评价方法 |
| US20150248768A1 (en) * | 2014-02-28 | 2015-09-03 | International Business Machines Corporation | Segmentation Using Hybrid Discriminative Generative Label Fusion of Multiple Atlases |
| CN104966046A (zh) * | 2015-05-20 | 2015-10-07 | 腾讯科技（深圳）有限公司 | 一种人脸关键点位定位结果的评估方法,及评估装置 |
| US20170270671A1 (en) * | 2016-03-16 | 2017-09-21 | International Business Machines Corporation | Joint segmentation and characteristics estimation in medical images |
| US20200126207A1 (en) * | 2017-05-11 | 2020-04-23 | The Research Foundation For The State University Of New York | System and Method Associated with Predicting Segmentation Quality of Objects in Analysis of Copious Image Data |
| CN109377472A (zh) * | 2018-09-12 | 2019-02-22 | 宁波大学 | 一种眼底图像质量评价方法 |
| CN110599499A (zh) * | 2019-08-22 | 2019-12-20 | 四川大学 | 基于多路卷积神经网络的mri图像心脏结构分割方法 |
| CN111325734A (zh) * | 2020-02-25 | 2020-06-23 | 杭州电子科技大学 | 一种基于视觉模型的骨龄预测方法及装置 |
| CN111724395A (zh) * | 2020-06-12 | 2020-09-29 | 中南民族大学 | 心脏图像四维上下文分割方法、设备、存储介质及装置 |
Non-Patent Citations (6)
| Title |
|---|
| SUNDER ALI KHOWAJA ET AL: "A framework for retinal vessel segmentation from fundus images using hybrid feature set and hierarchical classification", 《SIGNAL, IMAGE AND VIDEO PROCESSING》, 28 September 2018 (2018-09-28), pages 379 - 387, XP036714077, DOI: 10.1007/s11760-018-1366-x * |
| XÈNIA ALBÀ ET AL: "Automatic initialization and quality control of large-scale cardiac MRI segmentations", 《MEDICAL IMAGE ANALYSIS》, 16 October 2017 (2017-10-16), pages 129 - 141 * |
| 张石等: "医学图像分割算法的评价方法", 《中国图象图形学报》 * |
| 张石等: "医学图像分割算法的评价方法", 《中国图象图形学报》, vol. 14, no. 09, 15 September 2009 (2009-09-15), pages 1872 - 1880 * |
| 朱志宇: "《封流形粒子滤波算法及其在视频目标跟踪中的应用》", 31 January 2015, 国防工业出版社, pages: 4 - 8 * |
| 颜志国等: "《多摄像机协同关注目标检测跟踪技术》", 30 June 2017, 东南大学出版社, pages: 107 - 109 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362345A (zh) * | 2021-06-30 | 2021-09-07 | 武汉中科医疗科技工业技术研究院有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
| CN115511703A (zh) * | 2022-10-31 | 2022-12-23 | 北京安德医智科技有限公司 | 二维心脏超声切面图像的生成方法及装置、设备、介质 |
| CN115511703B (zh) * | 2022-10-31 | 2023-05-09 | 北京安德医智科技有限公司 | 二维心脏超声切面图像的生成方法及装置、设备、介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110490850B (zh) | 一种肿块区域检测方法、装置和医学图像处理设备 | |
| US10853409B2 (en) | Systems and methods for image search | |
| CN108171692B (zh) | 一种肺部影像检索方法及装置 | |
| US20230005140A1 (en) | Automated detection of tumors based on image processing | |
| CN106296653A (zh) | 基于半监督学习的脑部ct图像出血区域分割方法及系统 | |
| DE102007046582A1 (de) | System und Verfahren zum Segmentieren von Kammern eines Herzens in einem dreidimensionalen Bild | |
| CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
| CN113012173A (zh) | 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置 | |
| CN110570394B (zh) | 医学图像分割方法、装置、设备及存储介质 | |
| CN111681230A (zh) | 脑白质高信号评分系统及其评分方法 | |
| CN113222996A (zh) | 心脏分割质量评估方法、装置、设备及存储介质 | |
| CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及系统 | |
| WO2020140380A1 (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
| Srivastav et al. | Breast cancer detection in mammogram images using machine learning methods and clahe algorithm | |
| CN107590806B (zh) | 一种基于大脑医学成像的检测方法和系统 | |
| CN114170473A (zh) | 基于病理图像的dMMR亚型分类方法及系统 | |
| JP6041781B2 (ja) | 医用画像処理装置およびその作動方法並びに医用画像処理プログラム | |
| EP3381010B1 (en) | Process for processing medical images of a face for recognition of facial dysmorphisms | |
| CN115690556A (zh) | 一种基于多模态影像学特征的图像识别方法及系统 | |
| CN110674872B (zh) | 一种高维磁共振影像的分类方法及装置 | |
| Susomboon et al. | Automatic single-organ segmentation in computed tomography images | |
| CN114360695A (zh) | 乳腺超声扫查分析辅助系统、介质及设备 | |
| 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 | |
| Paul et al. | Computer-Aided Diagnosis Using Hybrid Technique for Fastened and Accurate Analysis of Tuberculosis Detection with Adaboost and Learning Vector Quantization | |
| Sathik et al. | An efficient brain tumor classification based on sobs method for MRI brain 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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210806 |
|
| RJ01 | Rejection of invention patent application after publication |