CN113674338A - 双心室量化方法、装置、电子设备及存储介质 - Google Patents
双心室量化方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113674338A CN113674338A CN202111063832.4A CN202111063832A CN113674338A CN 113674338 A CN113674338 A CN 113674338A CN 202111063832 A CN202111063832 A CN 202111063832A CN 113674338 A CN113674338 A CN 113674338A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- preset
- heart
- network
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000011002 quantification Methods 0.000 title claims description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 74
- 230000011218 segmentation Effects 0.000 claims abstract description 63
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 21
- 230000002107 myocardial effect Effects 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 70
- 238000013527 convolutional neural network Methods 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 21
- 210000004165 myocardium Anatomy 0.000 claims description 14
- 210000005242 cardiac chamber Anatomy 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 210000005240 left ventricle Anatomy 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 9
- 210000005241 right ventricle Anatomy 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000013139 quantization Methods 0.000 abstract description 21
- 230000002861 ventricular Effects 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000002372 labelling Methods 0.000 description 11
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000011160 research 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/20081—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
- G06T2207/20—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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请实施例提供一种双心室量化方法、装置、电子设备及存储介质，该方法包括：获取目标原始图像，所述目标原始图像为心脏的核磁共振图像；采用预设的分割网络对所述目标原始图像进行分割，得到目标多通道概率图像；将所述目标多通道概率图像输入到预设的深度回归网络中进行计算，以得到所述心脏的目标全面量化数据，所述目标全面量化数据包括心腔直径、心肌壁厚度和心室面积，因此，本申请实施例能够提升对心室量化时的全面性。
Description
技术领域
本申请涉及图像处理技术领域，具体涉及一种双心室量化方法、装置、电子设备及存储介质。
背景技术
核磁共振成像是检测心脏疾病的重要成像手段之一。从核磁共振图像中进行心室量化有助于心脏疾病的早期诊断和治疗。近些年来，学术界主要在左心室量化方面展开了大量的研究。
由于目前工作主要集中在左心室，而想要进行全面准确的计算机辅助诊断，最理想的情况是可以对双心室进行量化。现有的对双心室进行量化的方案为四心室体积计算，但在全面量化方面，其量化的全面性较低，导致量化的效果降低。
发明内容
本申请实施例提供一种双心室量化方法、装置、电子设备及存储介质，能够提升对心室量化时的全面性。
本申请实施例的第一方面提供了一种双心室量化方法，其中，该方法包括：
获取目标原始图像，所述目标原始图像为心脏的核磁共振图像；
采用预设的分割网络对所述目标原始图像进行分割，得到目标多通道概率图像；
将所述目标多通道概率图像输入到预设的深度回归网络中进行计算，以得到所述心脏的目标全面量化数据，所述目标全面量化数据包括心腔直径、心肌壁厚度和心室面积；
所述方法还包括获取预设的深度回归网络，所述获取预设的深度回归网络，包括：
步骤1：获取样本图像，所述样本图像为心脏的核磁共振图像，以及对所述样本图像进行预处理，得到预处理样本图像；
步骤2：采用第一分割网络对所述预处理样本图像进行分割，得到样本四通道概率图像；
步骤3：将所述样本四通道概率图像输入到所述N层卷积神经网络中进行计算，得到预测值；
步骤4：将所述预测值与目标真值进行均方差运算，得到校正值，所述目标真值为通过预设的真值生成函数确定出的真值，所述目标真值与所述预测值相对应；
步骤5：通过所述校正值对所述第一分割网络进行校正，得到第二分割网络，将所述第一分割网络替换为所述第二分割网络；
重复M次执行步骤2至步骤5，在重复M次执行步骤2至步骤5的过程中，若预设参数处于预设的参数范围时，则将所述N层卷积神经网络作为所述预设的深度回归网络。
可选的，所述预设的深度回归网络包括N层卷积神经网络，所述将所述目标多通道概率图像输入到预设的深度回归网络中进行计算，以得到所述心脏的目标全面量化数据，包括：
将所述目标多通道概率图像输入到所述N层卷积神经网络的第一层进行计算，得到第一计算结果，其中，N为大于1的正整数；
将所述第一计算结果输入到所述N层卷积神经网络的第二层进行计算，得到第二计算结果，直至将第N-1结算结果输入到所述N层卷积神经网络的第N层进行计算，得到所述心脏的目标全面量化数据。
可选的，所述方法还包括获取预设的真值生成函数，所述获取预设的真值生成函数包括：
获取具有心脏轮廓标注的原始图像，所述具有心脏轮廓标注的原始图像包括多个轮廓点；
将所述具有心脏轮廓标注的原始图像进行处理，得到掩膜图；
采用预设的获取方式从所述掩膜图中获取心脏的重心坐标，所述重心坐标包括左心室的重心坐标和右心室的重心坐标；
获取所述多个轮廓点中的每个轮廓点与对应的重心坐标之间的距离和角度；
根据所述每个轮廓点与对应的重心坐标之间的距离和角度，采用插值法确定出所述预设的真值生成函数，所述预设的真值生成函数为角度与距离之间的函数。
可选的，所述采用预设的获取方式从所述掩膜图中获取心脏的重心坐标，包括：
通过第一预设函数确定从所述掩膜图中获取轮廓点集合；
根据所述轮廓点集合，采用第二预设函数确定出所述重心坐标。
可选的，所述目标多通道概率图像包括：背景区域图像、左/右心腔图像和左心肌图像。
可选的，所述方法还包括：
对所述目标原始图像进行重采样，得到重采样图像；
对所述重采样图像进行0均值1方差的归一化处理，得到预处理图像。
本申请实施例的第二方面提供了一种双心室量化装置，其中，该装置包括：
第一获取单元，用于获取目标原始图像，所述目标原始图像为心脏的核磁共振图像；
分割单元，用于采用预设的分割网络对所述目标原始图像进行分割，得到目标多通道概率图像；
计算单元，用于将所述目标多通道概率图像输入到预设的深度回归网络中进行计算，以得到所述心脏的目标全面量化数据，所述目标全面量化数据包括心腔直径、心肌壁厚度和心室面积；
所述装置还包括第二获取单元，所述第二获取单元用于获取预设的深度回归网络，在所述获取预设的深度回归网络方面，所述第二获取单元具体用于：
步骤1：获取样本图像，所述样本图像为心脏的核磁共振图像，以及对所述样本图像进行预处理，得到预处理样本图像；
步骤2：采用第一分割网络对所述预处理样本图像进行分割，得到样本四通道概率图像；
步骤3：将所述样本四通道概率图像输入到所述N层卷积神经网络中进行计算，得到预测值；
步骤4：将所述预测值与目标真值进行均方差运算，得到校正值，所述目标真值为通过预设的真值生成函数确定出的真值，所述目标真值与所述预测值相对应；
步骤5：通过所述校正值对所述预设的分割网络进行校正，得到第二分割网络，将所述第一分割网络替换为所述第二分割网络；
重复M次执行步骤2至步骤5，在重复M次执行步骤2至步骤5的过程中，若预设参数处于预设的参数范围时，则将所述N层卷积神经网络作为所述预设的深度回归网络。。
可选的，所述预设的深度回归网络包括N层卷积神经网络，在所述将所述目标多通道概率图像输入到预设的深度回归网络中进行计算，以得到所述心脏的目标全面量化数据方面，所述计算单元具体用于：
将所述目标多通道概率图像输入到所述N层卷积神经网络的第一层进行计算，得到第一计算结果，其中，N为大于1的正整数；
将所述第一计算结果输入到所述N层卷积神经网络的第二层进行计算，得到第二计算结果，直至将第N-1结算结果输入到所述N层卷积神经网络的第N层进行计算，得到所述心脏的目标全面量化数据。
可选的，所述装置还包括第三获取单元，所述第三获取单元用于获取预设的真值生成函数，在所述获取预设的真值生成函数方面，所述第三获取单元具体用于：
获取具有心脏轮廓标注的原始图像，所述具有心脏轮廓标注的原始图像包括多个轮廓点；
将所述具有心脏轮廓标注的原始图像进行处理，得到掩膜图；
采用预设的获取方式从所述掩膜图中获取心脏的重心坐标，所述重心包括左心室的重心坐标和右心室的重心坐标；
获取所述多个轮廓点中的每个轮廓点与对应的重心坐标之间的距离和角度；
根据所述每个轮廓点与对应的重心坐标之间的距离和角度，采用插值法确定出所述预设的真值生成函数，所述预设的真值生成函数为角度与距离之间的函数。
可选的，在所述采用预设的获取方式从所述掩膜图中获取心脏的重心坐标方面，所述第三获取单元具体用于：
通过第一预设函数确定从所述掩膜图中获取轮廓点集合；
根据所述轮廓点集合，采用第二预设函数确定出所述重心坐标。
可选的，所述目标多通道概率图像包括：背景区域图像、左/右心腔图像和左心肌图像。
可选的，所述装置还具体用于：
对所述目标原始图像进行重采样，得到重采样图像；
对所述重采样图像进行0均值1方差的归一化处理，得到预处理图像。
本申请实施例第三方面还提出一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行上述的方法。
本申请实施例第四方面还提出一种计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令被处理器执行时实现上述的方法。
实施本申请至少具有如下有益效果：
通过本申请实施例，获取目标原始图像，所述目标原始图像为心脏的核磁共振图像，采用预设的分割网络对所述目标取原始图像进行分割，得到目标多通道概率图像，将所述目标多通道概率图像输入到预设的深度回归网络中进行计算，以得到所述心脏的目标全面量化数据，所述目标全面量化数据包括心腔直径、心肌壁厚度和心室面积，因此，本申请中通过对目标原始图像进行分割，得到四通道概率图像，通过图像分割，能够较为准确的反映出原始图像的特征，然后将四通道概率图像输入到深度回归网络中进行计算，从而得到全面量化数据，相对于现有方案中，仅能计算四心室的体积，能够更为全面的获取心脏的量化数据，从而一定程度上提升了量化时的全面性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供了一种双心室量化系统的示意图；
图2A为本申请实施例提供了一种双心室量化方法的流程示意图；
图2B为本申请实施例提供了一种对预处理图像进行分割的示意图；
图2C为本申请实施例提供了一种预设的深度回归网络的结构示意图；
图3为本申请实施例提供了另一种双心室量化方法示意图；
图4本申请实施例提供了另一种双心室量化方法的流程示意图；
图5为本申请实施例提供的一种终端的结构示意图；
图6为本申请实施例提供了一种双心室量化装置的结构示意图；
图7为本申请实施例提供了另一种双心室量化装置的结构示意图；
图8为本申请实施例提供了另一种双心室量化装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本申请所描述的实施例可以与其它实施例相结合。
本申请实施例所涉及到的电子装置可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备(user equipment，UE)，移动台(mobile station，MS)，终端设备(terminaldevice)等等。为方便描述，上面提到的设备统称为电子装置。
为了更好的理解本申请实施例提供的一种双心室量化方法，下面首先对双心室量化方法进行简要介绍。请参阅图1，图1为本申请实施例提供了一种双心室量化系统的示意图。如图1所示，双心室量化系统包括预处理网络101、分割网络102和深度回归网络103，首先双心室量化系统获取原始图像，原始图像为心脏的核磁共振图像，然后预处理网络101对原始图像进行预处理，得到预处理图像，然后将预处理图像输入到预设的分割网络102，对该预处理图像进行分割，得到目标多通道概率图像，最后将目标多通道概率图像输入到预设的深度回归网络103中进行计算，得到目标全面量化数据，该目标全面量化数据包括心脏直径、心肌壁厚度和心室面积，本申请方案中，通过对原始图像进行预处理，对预处理后的图像进行分割，得到四通道概率图像，通过图像分割，能够较为准确的反映出原始图像的特征，然后将四通道概率图像输入到深度回归网络中进行计算，从而得到全面量化数据，相对于现有方案中，仅能计算四心室的体积，能够更为全面的获取心脏的量化数据，从而一定程度上提升了量化时的全面性。
请参阅图2A，图2A为本申请实施例提供了一种双心室量化方法的流程示意图。如图2A所示，双心室量化方法包括步骤201-204，具体如下：
201、获取目标原始图像，所述目标原始图像为心脏的核磁共振图像。
其中，原始图像可以由用户输入，也可以由核磁共振仪生成核磁共振图像后，直接传输至双心室量化系统中。该原始图像也可以为通过轮廓标记后的图像，轮廓标记即为对原始图像中的心脏的轮廓进行标记，该标记由多个特征点组成。
可选的，在获取到目标原始图像后，为了提升分割的效果，还可以对目标原始图像进行预处理。
其中，一种可能的对原始图像进行处理得到预处理图像的方法包括步骤A1-A2，具体如下：
A1、对所述目标原始图像进行重采样，得到重采样图像；
其中，重采样的方法包括最邻近内插法(nearest neighbor interpolation)、双线性内插法(bilinear interpolation)和三次卷积法内插(cubic convolutioninterpolation)。本方案可以采用上述方法中的任意一种进行重采样，得到重采样图像。
A2、对所述重采样图像进行0均值1方差的归一化处理，得到所述预处理图像。
其中，0均值1方差的归一化处理中，0均值可以理解为重采样图片中的每个像素点的灰度值之和为0；1方差可以理解为将重采样图片中的每个像素点的灰度值的方差为1，归一化处理后重采样图片的数据(灰度值)映射到[0,1]之间的值。
202、采用预设的分割网络对所述预处理图像进行分割，得到目标多通道概率图像。
可选的，预设的分割网络中包括M个卷积块，将预处理图像输入到分割网络中，执行卷积运算、采样操作、迭代深度聚合和层次深度聚合运算，最后输出目标四通道概率图，其中，采样操作为提升一倍采样率。一种对预处理图像进行分割的示意图如图2B所示，预设的分割网络包括26个卷积块，4个迭代深度聚合网络，3次层次深度聚合，5次采样操作，最后输出目标四通道概率图，其中，1至26分别代表卷积块1至卷积块26。
其中，目标多通道概率图像包括：背景区域图像、左/右心腔图像和左心肌图像，其中，具体的为背景区域图像、左心肌图像和左心腔图像或者背景区域图像、右心肌图像和右心腔图像。
203、将所述目标多通道概率图像输入到预设的深度回归网络中进行计算，以得到所述心脏的目标全面量化数据，所述目标全面量化数据包括心腔直径、心肌壁厚度和心室面积。
请参阅图2C，图2C为本申请实施例提供了一种预设的深度回归网络的结构示意图。如图2C所示，深度回归网络包括11层卷积神经网络，具体为：conv1,relu层；4个max,pool层；conv2,relu层；conv3,relu层；conv4,relu层；conv5,relu层；Fc,relu层，fc,sigmoid层。
可选的，深度回归网络包括N层卷积神经网络，一种将目标四通道概率图输入到深度回归网络中进行计算，得到全面量化数据的方法包括步骤B1-B2，具体如下:
B1、将所述目标多通道概率图像输入到所述N层卷积神经网络的第一层进行计算，得到第一计算结果，其中，N为大于1的正整数；
可选的，以图2C提供的深度回归网络为例进行说明，将目标多通道概率图像输入到conv1,relu层，经过conv1,relu层进行计算，得到第一计算结果；将第一计算结果输入到第二层(max,pool层)，经过计算得到第二计算结果。
B2、将所述第一计算结果输入到所述N层卷积神经网络的第二层进行计算，得到第二计算结果，直至将第N-1计算结果输入到所述N层卷积神经网络的第N层进行计算，得到所述心脏的目标全面量化数据。
可选的，本申请中，将第十计算结果输入到fc,sigmoid层进行计算，从而得到目标全面量化数据。
可选的，本申请实施例还提供了一种获取预设的深度回归网络的方法，该方法包括如下步骤：
步骤1：获取样本图像，所述样本图像为心脏的核磁共振图像，以及对所述样本图像进行预处理，得到预处理样本图像；
其中，对样本图像进行预处理，得到预处理样本图像的方法可参照步骤A1-A2中对原始图像进行预处理的方式进行处理。
步骤2：采用第一分割网络对所述预处理样本图像进行分割，得到样本四通道概率图像；
其中，第一分割网络为预设的分割网络，预设的分割网络为如图2B中的分割网络。
步骤3：将所述样本四通道概率图像输入到N层卷积神经网络中进行计算，得到预测值；
其中，该N层卷积神经网络为还未进行训练的网络，其输出结果为未进行分类的数据，即预测值。
步骤4：将所述预测值与目标真值进行均方差运算，得到校正值，所述目标真值为通过预设的真值生成函数确定出的真值，所述目标真值与所述预测值相对应；
可选的，本申请实施例还提供了一种获取真值生成函数的方法，包括步骤C1-C5，具体如下：
C1、获取具有心脏轮廓标注的原始图像，所述具有心脏轮廓标注的原始图像包括多个轮廓点；
其中，具有心脏轮廓标注的原始图像可以由人工进行标注后得到，也可以采用机器标注的方式等方法得到。心脏轮廓标注包括：左心肌轮廓标注、左心腔轮廓标注、右心肌轮廓标注、右心腔轮廓标注等，此处以左心肌和左心腔的标注为例进行说明，即具有心脏轮廓标注的原始图像为具有左心肌轮廓标注和左心腔轮廓标注的图像。
C2、将所述具有心脏轮廓标注的原始图像进行处理，得到掩膜图；
其中，对原始图像进行处理，得到掩膜图的方式为：将原始图像中的背景图像标记为0，将左心肌轮廓、左心腔轮廓标记为1，从而得到掩膜图，其中掩膜图即为0-1mask图。
C3、采用预设的获取方式从所述掩膜图中获取心脏的重心坐标，所述重心坐标包括左心室的重心坐标和右心室的重心坐标；
可选的，一种可能的从所述掩膜图中获取心脏的重心坐标的方法包括步骤C31-C32，具体如下：
C31、通过第一预设函数确定从所述掩膜图中获取轮廓点集合；
其中，第一预设函数为skimage函数包中的find_contours函数，find_contours函数可以从二值函数中提取出轮廓，进而也可以得到轮廓点集合。
可选的，在根据第一预设函数确定掩膜图像之前还包括建立第一坐标系，原始图像为矩形图像，第一直角坐标系的原点位于原始图像的左上角顶点处，以竖直向下为x轴正方向，水平向右为y轴正方向。
C32、根据所述轮廓点集合，采用第二预设函数确定出所述重心坐标。
其中，第二预设函数为scipy函数包中的center_of_mass函数，通过center_of_mass函数可以直接根据轮廓点集合，确定出重心坐标。
可选的，在确定出重心坐标后，以该重心坐标为原点，以竖直向下为x轴正方向，水平向右为y轴正方向，建立第二坐标系，第二坐标系为极坐标系，并将轮廓点的坐标从第一坐标系转化为第二坐标系中的坐标。
C4、获取所述多个轮廓点中的每个轮廓点与对应的重心坐标之间的距离和角度；
其中，与每个轮廓点对应的重心坐标可以理解为，左心肌轮廓点与左心室的重心坐标相对应，右心肌轮廓点与右心室的重心坐标相对应。
可选的，轮廓点与重心坐标之间的距离可以直接通过距离计算公式计算得到，或者直接测量得到，轮廓点与重心坐标之间的角度可以理解为，轮廓点与重心的连线与y轴正方向的夹角。
C5、根据所述每个轮廓点与对应的重心坐标之间的距离和角度，采用插值法确定出所述预设的真值生成函数，所述预设的真值生成函数为角度与距离之间的函数。
可选的，根据插值法确定出所述预设的真值生成函数的方法为：根据轮廓点与重心之间的距离和角度，建立角度和距离的离散函数；在利用插值法将该离散函数连接成连续函数，从而得到预设的真值生成函数。
步骤5：通过所述校正值对所述第一分割网络进行校正，得到第二分割网络，将所述第一分割网络替换为所述第二分割网络；
其中，采用校正值对第一分割网络进行校正为，采用校正值对第一分割网络对预处理图片进行分割时所产生的误差进行校正，对输出结果进行优化，从而得到校正的输出结果。
重复M次执行步骤2至步骤5，在重复M次执行步骤2至步骤5的过程中，若预设参数处于预设的参数范围时，则将所述N层卷积神经网络作为所述预设的深度回归网络。
其中，预设参数可以为loss值、者真值与指标值之间的差值，预设的参数范围可通过经验值设定或者通过历史数据设定，loss值可以理解为校正值。
本申请实施例，双心室量化系统输出全面量化数据，能够较之前的左心室量化、多心室的部分量化，双心室全面量化能够更加客观真实地反应心脏的真实状况，有助于心脏疾病的早期诊断和治疗，以及双心室量化系统中整合了分割和回归网络，可以一定程度上提升全面量化数据的准确性，以及通过设计了一种新的真值生成方法，相对于2D centerline等真值生成标准，优化了生成过程，提升了真值生成时的效率。
请参阅图3，图3为本申请实施例提供了另一种双心室量化方法示意图。如图3所示，原始图像301经过预处理302后，得到预处理图像，然后将预处理图像输入到分割网络303中进行分割，得到四通道概率图像304，将四通道概率图像304输入到分割网络305中进行计算，得到全面量化数据306，其中，全面量化数据包括：左心室心腔面积、左心肌面积、左心腔直径、左心肌壁厚度、右心室心腔面积、右心腔直径，图中具体标示为：A1：右心腔面积；A2：左心肌面积；A3：左心腔面积；d1-d3：左心腔直径；rd1-rd2：右心腔直径；A-AS(A、AL、IL、I、IS、AS)：左心肌壁厚度。
请参阅图4，图4本申请实施例提供了另一种双心室量化方法的流程示意图，包括步骤401-410，具体如下：
401、获取样本图像，所述样本图像为心脏的核磁共振图像，以及对所述样本图像进行预处理，得到预处理样本图像；
402、采用第一分割网络对所述预处理样本图像进行分割，得到样本四通道概率图像；
403、将所述样本四通道概率图像输入到所述N层卷积神经网络中进行计算，得到预测值；
404、将所述预测值与目标真值进行均方差运算，得到校正值，所述目标真值为通过预设的真值生成函数确定出的真值，所述目标真值与所述预测值相对应；
405、通过所述校正值对所述第一分割网络进行校正，得到第二分割网络，将所述第一分割网络替换为所述第二分割网络；
406、重复步骤402至步骤405，直至所述N层卷积神经网络输出的预测值为全面量化数据时，将所述N层卷积神经网络作为预设的深度回归网络；
407、获取原始图像，所述目标原始图像为心脏的核磁共振图像；
408、对所述目标原始图像进行预处理，得到预处理图像；
409、采用预设的分割网络对所述预处理图像进行分割，得到目标多通道概率图像；
410、将所述目标多通道概率图像输入到预设的深度回归网络中进行计算，以得到所述心脏的目标全面量化数据，所述目标全面量化数据包括心腔直径、心肌壁厚度和心室面积。
本示例中，通过构建深度回归网络，并将实现了分割网络与深度回归网络的端对端连接，从而对原始图像进行处理，得到全面量化数据，能够相对于现有方案中仅对左心室量化、多心室的部分量化，能够对双心室全面量化，因此能够更加客观真实地反应心脏的真实状况，从而提升了数据获取时的准确性以及全面性。
与上述实施例一致的，请参阅图5，图5为本申请实施例提供的一种终端的结构示意图，如图所示，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，上述程序包括用于执行以下步骤的指令；
获取目标原始图像，所述目标原始图像为心脏的核磁共振图像；
采用预设的分割网络对所述目标原始图像进行分割，得到目标多通道概率图像；
将所述目标多通道概率图像输入到预设的深度回归网络中进行计算，以得到所述心脏的目标全面量化数据，所述目标全面量化数据包括心腔直径、心肌壁厚度和心室面积。
本示例中，获取目标原始图像，所述目标原始图像为心脏的核磁共振图像，采用预设的分割网络对所述目标原始图像进行分割，得到目标多通道概率图像，将所述目标多通道概率图像输入到预设的深度回归网络中进行计算，以得到所述心脏的目标全面量化数据，所述目标全面量化数据包括心腔直径、心肌壁厚度和心室面积，因此，本申请中通过对目标原始图像进行分割，得到四通道概率图像，通过图像分割，能够较为准确的反映出原始图像的特征，然后将四通道概率图像输入到深度回归网络中进行计算，从而得到全面量化数据，相对于现有方案中，仅能计算四心室的体积，能够更为全面的获取心脏的量化数据，从而一定程度上提升了量化时的全面性。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，终端为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所提供的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对终端进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
与上述一致的，请参阅图6，图6为本申请实施例提供了一种双心室量化装置的结构示意图。双心室量化装置包括第一获取单元601、分割单元602和计算单元603，其中，
第一获取单元601，用于获取目标原始图像，所述目标原始图像为心脏的核磁共振图像；
分割单元602，用于采用预设的分割网络对所述目标原始图像进行分割，得到目标多通道概率图像；
计算单元603，用于将所述目标多通道概率图像输入到预设的深度回归网络中进行计算，以得到所述心脏的目标全面量化数据，所述目标全面量化数据包括心腔直径、心肌壁厚度和心室面积。
可选的，所述预设的深度回归网络包括N层卷积神经网络，在所述将所述目标多通道概率图像输入到预设的深度回归网络中进行计算，以得到所述心脏的目标全面量化数据方面，所述计算单元603具体用于：
将所述目标多通道概率图像输入到所述N层卷积神经网络的第一层进行计算，得到第一计算结果，其中，N为大于1的正整数；
将所述第一计算结果输入到所述N层卷积神经网络的第二层进行计算，得到第二计算结果，直至将第N-1结算结果输入到所述N层卷积神经网络的第N层进行计算，得到所述心脏的目标全面量化数据。
请参阅图7，图7为本申请实施例提供了另一种双心室量化装置的结构示意图，所述装置还包括第二获取单元604，所述第二获取单元604用于获取预设的深度回归网络，在所述获取预设的深度回归网络方面，所述第二获取单元604具体用于：
步骤1：获取样本图像，所述样本图像为心脏的核磁共振图像，以及对所述样本图像进行预处理，得到预处理样本图像；
步骤2：采用第一分割网络对所述预处理样本图像进行分割，得到样本四通道概率图像；
步骤3：将所述样本四通道概率图像输入到所述N层卷积神经网络中进行计算，得到预测值；
步骤4：将所述预测值与目标真值进行均方差运算，得到校正值，所述目标真值为通过预设的真值生成函数确定出的真值，所述目标真值与所述预测值相对应；
步骤5：通过所述校正值对所述预设的分割网络进行校正，得到第二分割网络，将所述第一分割网络替换为所述第二分割网络；
重复步骤2至步骤5，直至所述N层卷积神经网络输出的预测值为全面量化数据时，将所述N层卷积神经网络作为所述预设的深度回归网络。
请参阅图8，图8为本申请实施例提供了另一种双心室量化装置的结构示意图，所述装置还包括第三获取单元605，所述第三获取单元605用于获取预设的真值生成函数，在所述获取预设的真值生成函数方面，所述第三获取单元605具体用于：
获取具有心脏轮廓标注的原始图像，所述具有心脏轮廓标注的原始图像包括多个轮廓点；
将所述具有心脏轮廓标注的原始图像进行处理，得到掩膜图；
采用预设的获取方式从所述掩膜图中获取心脏的重心坐标，所述重心包括左心室的重心坐标和右心室的重心坐标；
获取所述多个轮廓点中的每个轮廓点与对应的重心坐标之间的距离和角度；
根据所述每个轮廓点与对应的重心坐标之间的距离和角度，采用插值法确定出所述预设的真值生成函数，所述预设的真值生成函数为角度与距离之间的函数。
可选的，在所述采用预设的获取方式从所述掩膜图中获取心脏的重心坐标方面，所述第三获取单元605具体用于：
通过第一预设函数确定从所述掩膜图中获取轮廓点集合；
根据所述轮廓点集合，采用第二预设函数确定出所述重心坐标。
可选的，所述目标多通道概率图像包括：背景区域图像、左/右心腔图像和左心肌图像。
可选的，所述装置还具体用于：
对所述目标原始图像进行重采样，得到重采样图像；
对所述重采样图像进行0均值1方差的归一化处理，得到预处理图像。
本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种双心室量化方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种双心室量化方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在申请明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器、随机存取器、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (14)
1.一种双心室量化方法，其特征在于，所述方法包括：
获取目标原始图像，所述目标原始图像为心脏的核磁共振图像；
采用预设的分割网络对所述目标原始图像进行分割，得到目标多通道概率图像；
将所述目标多通道概率图像输入到预设的深度回归网络中进行计算，以得到所述心脏的目标全面量化数据，所述目标全面量化数据包括心腔直径、心肌壁厚度和心室面积；
所述方法还包括获取预设的深度回归网络，所述获取预设的深度回归网络，包括：
步骤1：获取样本图像，所述样本图像为心脏的核磁共振图像，以及对所述样本图像进行预处理，得到预处理样本图像；
步骤2：采用第一分割网络对所述预处理样本图像进行分割，得到样本四通道概率图像；
步骤3：将所述样本四通道概率图像输入到所述N层卷积神经网络中进行计算，得到预测值；
步骤4：将所述预测值与目标真值进行均方差运算，得到校正值，所述目标真值为通过预设的真值生成函数确定出的真值，所述目标真值与所述预测值相对应；
步骤5：通过所述校正值对所述第一分割网络进行校正，得到第二分割网络，将所述第一分割网络替换为所述第二分割网络；
重复M次执行步骤2至步骤5，在重复M次执行步骤2至步骤5的过程中，若预设参数处于预设的参数范围时，则将所述N层卷积神经网络作为所述预设的深度回归网络。
2.根据权利要求1所述的方法，其特征在于，所述预设的深度回归网络包括N层卷积神经网络，所述将所述目标多通道概率图像输入到预设的深度回归网络中进行计算，以得到所述心脏的目标全面量化数据，包括：
将所述目标多通道概率图像输入到所述N层卷积神经网络的第一层进行计算，得到第一计算结果，其中，N为大于1的正整数；
将所述第一计算结果输入到所述N层卷积神经网络的第二层进行计算，得到第二计算结果，直至将第N-1结算结果输入到所述N层卷积神经网络的第N层进行计算，得到所述心脏的目标全面量化数据。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括获取预设的真值生成函数，所述获取预设的真值生成函数包括：
获取具有心脏轮廓标注的原始图像，所述具有心脏轮廓标注的原始图像包括多个轮廓点；
将所述具有心脏轮廓标注的原始图像进行处理，得到掩膜图；
采用预设的获取方式从所述掩膜图中获取心脏的重心坐标，所述重心坐标包括左心室的重心坐标和右心室的重心坐标；
获取所述多个轮廓点中的每个轮廓点与对应的重心坐标之间的距离和角度；
根据所述每个轮廓点与对应的重心坐标之间的距离和角度，采用插值法确定出所述预设的真值生成函数，所述预设的真值生成函数为角度与距离之间的函数。
4.根据权利要求3所述的方法，其特征在于，所述采用预设的获取方式从所述掩膜图中获取心脏的重心坐标，包括：
通过第一预设函数确定从所述掩膜图中获取轮廓点集合；
根据所述轮廓点集合，采用第二预设函数确定出所述重心坐标。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述目标多通道概率图像包括：背景区域图像、左/右心腔图像和左心肌图像。
6.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：
对所述目标原始图像进行重采样，得到重采样图像；
对所述重采样图像进行0均值1方差的归一化处理，得到预处理图像。
7.一种双心室量化装置，其特征在于，所述装置包括：
第一获取单元，用于获取目标原始图像，所述目标原始图像为心脏的核磁共振图像；
分割单元，用于采用预设的分割网络对所述目标原始图像进行分割，得到目标多通道概率图像；
计算单元，用于将所述目标多通道概率图像输入到预设的深度回归网络中进行计算，以得到所述心脏的目标全面量化数据，所述目标全面量化数据包括心腔直径、心肌壁厚度和心室面积；
所述装置还包括第二获取单元，所述第二获取单元用于获取预设的深度回归网络，在所述获取预设的深度回归网络方面，所述第二获取单元具体用于：
步骤1：获取样本图像，所述样本图像为心脏的核磁共振图像，以及对所述样本图像进行预处理，得到预处理样本图像；
步骤2：采用第一分割网络对所述预处理样本图像进行分割，得到样本四通道概率图像；
步骤3：将所述样本四通道概率图像输入到所述N层卷积神经网络中进行计算，得到预测值；
步骤4：将所述预测值与目标真值进行均方差运算，得到校正值，所述目标真值为通过预设的真值生成函数确定出的真值，所述目标真值与所述预测值相对应；
步骤5：通过所述校正值对所述预设的分割网络进行校正，得到第二分割网络，将所述第一分割网络替换为所述第二分割网络；
重复M次执行步骤2至步骤5，在重复M次执行步骤2至步骤5的过程中，若预设参数处于预设的参数范围时，则将所述N层卷积神经网络作为所述预设的深度回归网络。
8.根据权利要求7所述的装置，其特征在于，所述预设的深度回归网络包括N层卷积神经网络，在所述将所述目标多通道概率图像输入到预设的深度回归网络中进行计算，以得到所述心脏的目标全面量化数据方面，所述计算单元具体用于：
将所述目标多通道概率图像输入到所述N层卷积神经网络的第一层进行计算，得到第一计算结果，其中，N为大于1的正整数；
将所述第一计算结果输入到所述N层卷积神经网络的第二层进行计算，得到第二计算结果，直至将第N-1结算结果输入到所述N层卷积神经网络的第N层进行计算，得到所述心脏的目标全面量化数据。
9.根据权利要求7所述的装置，其特征在于，所述装置还包括第三获取单元，所述第三获取单元用于获取预设的真值生成函数，在所述获取预设的真值生成函数方面，所述第三获取单元具体用于：
获取具有心脏轮廓标注的原始图像，所述具有心脏轮廓标注的原始图像包括多个轮廓点；
将所述具有心脏轮廓标注的原始图像进行处理，得到掩膜图；
采用预设的获取方式从所述掩膜图中获取心脏的重心坐标，所述重心包括左心室的重心坐标和右心室的重心坐标；
获取所述多个轮廓点中的每个轮廓点与对应的重心坐标之间的距离和角度；
根据所述每个轮廓点与对应的重心坐标之间的距离和角度，采用插值法确定出所述预设的真值生成函数，所述预设的真值生成函数为角度与距离之间的函数。
10.根据权利要求9所述的装置，其特征在于，在所述采用预设的获取方式从所述掩膜图中获取心脏的重心坐标方面，所述第三获取单元具体用于：
通过第一预设函数确定从所述掩膜图中获取轮廓点集合；
根据所述轮廓点集合，采用第二预设函数确定出所述重心坐标。
11.根据权利要求7至10任一项所述的装置，其特征在于，所述目标多通道概率图像包括：背景区域图像、左/右心腔图像和左心肌图像。
12.根据权利要求7至10任一项所述的装置，其特征在于，所述装置还具体用于：
对所述目标原始图像进行重采样，得到重采样图像；
对所述重采样图像进行0均值1方差的归一化处理，得到预处理图像。
13.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至6中任意一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111063832.4A CN113674338A (zh) | 2018-12-14 | 2018-12-14 | 双心室量化方法、装置、电子设备及存储介质 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111063832.4A CN113674338A (zh) | 2018-12-14 | 2018-12-14 | 双心室量化方法、装置、电子设备及存储介质 |
| CN201811534455.6A CN109741395B (zh) | 2018-12-14 | 2018-12-14 | 双心室量化方法、装置、电子设备及存储介质 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811534455.6A Division CN109741395B (zh) | 2018-12-14 | 2018-12-14 | 双心室量化方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113674338A true CN113674338A (zh) | 2021-11-19 |
Family
ID=66359527
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811534455.6A Active CN109741395B (zh) | 2018-12-14 | 2018-12-14 | 双心室量化方法、装置、电子设备及存储介质 |
| CN202111063832.4A Withdrawn CN113674338A (zh) | 2018-12-14 | 2018-12-14 | 双心室量化方法、装置、电子设备及存储介质 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811534455.6A Active CN109741395B (zh) | 2018-12-14 | 2018-12-14 | 双心室量化方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN109741395B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110189310B (zh) * | 2019-05-24 | 2022-03-25 | 上海联影智能医疗科技有限公司 | 图像特征值的获取方法、计算机设备和存储介质 |
| CN110378201A (zh) * | 2019-06-05 | 2019-10-25 | 浙江零跑科技有限公司 | 一种基于侧环视鱼眼相机输入的多列车铰接角测量方法 |
| CN110739050B (zh) * | 2019-12-20 | 2020-07-28 | 深圳大学 | 一种左心室全参数及置信度的量化方法 |
| CN113838076A (zh) * | 2020-06-24 | 2021-12-24 | 深圳市中兴微电子技术有限公司 | 目标图像中的对象轮廓的标注方法及装置、存储介质 |
| CN113436139A (zh) * | 2021-05-10 | 2021-09-24 | 上海大学 | 一种基于深度学习的小肠核磁共振影像图像识别和生理学信息提取系统及方法 |
| CN113793353B (zh) * | 2021-08-06 | 2024-09-27 | 武汉中科医疗科技工业技术研究院有限公司 | 心肌轮廓确定方法、装置、计算机设备和可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015078980A2 (en) * | 2013-11-27 | 2015-06-04 | Universidad Politécnica de Madrid | Method and system for determining the prognosis of a patient suffering from pulmonary embolism |
| WO2017091833A1 (en) * | 2015-11-29 | 2017-06-01 | Arterys Inc. | Automated cardiac volume segmentation |
| WO2017193906A1 (zh) * | 2016-05-09 | 2017-11-16 | 腾讯科技（深圳）有限公司 | 一种图像处理方法及处理系统 |
| GB201716890D0 (en) * | 2017-10-13 | 2017-11-29 | Optellum Ltd | System, method and apparatus for assisting a determination of medical images |
| WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
| EP3316217A1 (en) * | 2016-10-31 | 2018-05-02 | Siemens Healthcare GmbH | Deep learning based bone removal in computed tomography angiography |
| US20180129911A1 (en) * | 2016-11-04 | 2018-05-10 | Case Western Reserve University | Histomorphometric classifier to predict cardiac failure from whole-slide hematoxylin and eosin stained images |
| WO2018222755A1 (en) * | 2017-05-30 | 2018-12-06 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102397070B (zh) * | 2011-01-26 | 2013-06-19 | 嘉兴医孚软件有限公司 | 一种全自动分割量化心脏磁共振图像左心室的方法 |
| US9824456B2 (en) * | 2014-06-26 | 2017-11-21 | The Governors Of The University Of Alberta | Automatic segmentation of image frames in anatomical scan based on non-rigid registration with manually segmented frame |
| CN106780467A (zh) * | 2016-12-20 | 2017-05-31 | 深圳先进技术研究院 | 心脏电影成像量化方法、呼气末期图像确定方法及装置 |
| CN106600596B (zh) * | 2016-12-21 | 2019-07-12 | 南昌航空大学 | 一种心脏腔室动态显示方法及系统 |
| CN107330888A (zh) * | 2017-07-11 | 2017-11-07 | 中国人民解放军第三军医大学 | 基于cta图像的动态心脏各腔室分割方法 |
| CN108013904B (zh) * | 2017-12-15 | 2020-12-25 | 无锡祥生医疗科技股份有限公司 | 心脏超声成像方法 |
| CN108230342A (zh) * | 2017-12-29 | 2018-06-29 | 电子科技大学 | 一种基于心脏解剖结构的左右心室水平集分割方法 |
-
2018
- 2018-12-14 CN CN201811534455.6A patent/CN109741395B/zh active Active
- 2018-12-14 CN CN202111063832.4A patent/CN113674338A/zh not_active Withdrawn
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015078980A2 (en) * | 2013-11-27 | 2015-06-04 | Universidad Politécnica de Madrid | Method and system for determining the prognosis of a patient suffering from pulmonary embolism |
| WO2017091833A1 (en) * | 2015-11-29 | 2017-06-01 | Arterys Inc. | Automated cardiac volume segmentation |
| WO2017193906A1 (zh) * | 2016-05-09 | 2017-11-16 | 腾讯科技（深圳）有限公司 | 一种图像处理方法及处理系统 |
| WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
| EP3316217A1 (en) * | 2016-10-31 | 2018-05-02 | Siemens Healthcare GmbH | Deep learning based bone removal in computed tomography angiography |
| US20180129911A1 (en) * | 2016-11-04 | 2018-05-10 | Case Western Reserve University | Histomorphometric classifier to predict cardiac failure from whole-slide hematoxylin and eosin stained images |
| WO2018222755A1 (en) * | 2017-05-30 | 2018-12-06 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
| GB201716890D0 (en) * | 2017-10-13 | 2017-11-29 | Optellum Ltd | System, method and apparatus for assisting a determination of medical images |
Non-Patent Citations (1)
| Title |
|---|
| 郑光远;刘峡壁;韩光辉;: "医学影像计算机辅助检测与诊断系统综述", 软件学报, no. 05 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109741395B (zh) | 2021-07-23 |
| CN109741395A (zh) | 2019-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109741395B (zh) | 双心室量化方法、装置、电子设备及存储介质 | |
| EP3828825A1 (en) | Image segmentation method and apparatus, diagnosis system, storage medium, and computer device | |
| CN111292314B (zh) | 冠脉分段方法、装置、图像处理系统和存储介质 | |
| WO2018098891A1 (zh) | 一种立体匹配方法及系统 | |
| CN111127527B (zh) | 基于ct影像骨骼配准实现肺结节自适应匹配的方法与装置 | |
| JP2020523711A (ja) | 医療報告書の生成方法および装置 | |
| US20070109299A1 (en) | Surface-based characteristic path generation | |
| CN110853082A (zh) | 医学图像配准方法、装置、电子设备及计算机存储介质 | |
| WO2022077863A1 (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
| CN109712131A (zh) | 肺结节特征的量化方法、装置、电子设备及存储介质 | |
| CN111784706A (zh) | 鼻咽癌原发肿瘤图像自动识别方法及系统 | |
| CN113132717A (zh) | 数据处理方法、终端和服务器 | |
| CN111932552B (zh) | 一种主动脉建模的方法及装置 | |
| CN111612731B (zh) | 基于双目显微视觉的测量方法、装置、系统及介质 | |
| KR20200099633A (ko) | 영상의 질감 분석 방법 및 컴퓨터 프로그램 | |
| WO2024051018A1 (zh) | 一种pet参数图像的增强方法、装置、设备及存储介质 | |
| JP2019522276A (ja) | 生物学的対象物の検出 | |
| CN110415279A (zh) | 图像配准方法、装置及设备 | |
| CN113362314A (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
| CN116130090A (zh) | 射血分数测量方法和装置、电子设备和存储介质 | |
| CN116071404A (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
| CN110007764B (zh) | 一种手势骨架识别方法、装置、系统及存储介质 | |
| CN113362345B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
| CN114612412A (zh) | 三维点云数据的处理方法及其用途、电子设备、存储介质 | |
| WO2020007026A1 (zh) | 分割模型训练方法、装置及计算机可读存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211119 |