CN114419032B - 心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置 - Google Patents

心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置 Download PDF

Info

Publication number
CN114419032B
CN114419032B CN202210244039.2A CN202210244039A CN114419032B CN 114419032 B CN114419032 B CN 114419032B CN 202210244039 A CN202210244039 A CN 202210244039A CN 114419032 B CN114419032 B CN 114419032B
Authority
CN
China
Prior art keywords
left ventricle
left ventricular
myocardium
ventricular myocardium
segmentation
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
Application number
CN202210244039.2A
Other languages
English (en)
Other versions
CN114419032A (zh
Inventor
安木军
李俊环
丁志敏
李育威
曹坤琳
王立伟
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.)
Shenzhen Keya Medical Technology Corp
Original Assignee
Shenzhen Keya Medical Technology Corp
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 Shenzhen Keya Medical Technology Corp filed Critical Shenzhen Keya Medical Technology Corp
Priority to CN202210244039.2A priority Critical patent/CN114419032B/zh
Publication of CN114419032A publication Critical patent/CN114419032A/zh
Application granted granted Critical
Publication of CN114419032B publication Critical patent/CN114419032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T7/12—Edge-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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本公开提供了一种心脏左心室的心肌内膜和/或心肌外膜的分割方法，包括，经由处理器：获取包含心脏的3D图像；基于所述3D图像，对左心室心肌进行分割以得到左心室心肌的3D分割结果；基于所述左心室心肌的3D分割结果，提取左心室的心肌内膜和/或心肌外膜；以及显示所提取的左心室的心肌内膜和/或心肌外膜。该方法能够提高分割效率，降低分割误差，提高分割的准确度。

Description

心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置
技术领域
本公开涉及图像处理领域，更具体地，涉及心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置。
背景技术
心脏左心室心肌内外膜分割是心功能分析的重要步骤，左心室心肌壁厚、射血分数等功能评测，肥厚型心肌病的诊断治疗均基于左心室心肌内外膜的准确分割。心脏左心室图像中，由于左心室心肌内膜和乳头肌、小梁等组织灰度值极为接近，同时左心室心肌外膜和外部临近组织的灰度值差异较小，导致分割任务具有较大的挑战性。
基于传统图像处理方法中，一般给定3D图像，逐片层进行图像分割。对于当前处理2D片层，左心室心肌内膜分割中，首先通过中心血池区域与心肌区域灰度信息，获得边界轮廓，进一步通过凸化和滤波处理，得到该层左心室心肌内膜的轮廓曲线，在此基础上，由基于极坐标区域增长的方法或基于动态规划的方法获取左心室心肌外膜轮廓。传统方法计算复杂度高，对图像灰度信息分布极为敏感，同时需要繁琐的预处理步骤定位ROI。
基于模型的分割方法根据左心室心肌内外膜标注信息训练网络，并直接预测左心室心肌内外膜。现有工作中，左心室心肌内外膜预测任务主要基于输入的2D图像片层，由网络模型预测2D图像的左心室心肌内外膜轮廓曲线。由于左心室心肌内外膜的薄层结构，直接预测心肌内外膜对分割准确性要求苛刻，在没有其他位置先验作为辅助的前提下，很容易出现分割偏离问题，因此这种分割思路在某种意义上鲁棒性较低。
发明内容
提供了本公开以解决现有技术中存在的上述问题。需要一种心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置，其能够降低对图像灰度信息分布的敏感度，避免繁琐的预处理步骤，从而降低分割难度，提高分割效率，同时能够提高分割准确性和鲁棒性。
根据本公开的第一方案，提供一种心脏左心室的心肌内膜和/或心肌外膜的分割方法，包括，经由处理器：获取包含心脏的3D图像；基于所述3D图像，对左心室心肌进行分割以得到左心室心肌的3D分割结果；基于所述左心室心肌的3D分割结果，提取左心室的心肌内膜和/或心肌外膜；以及显示所提取的左心室的心肌内膜和/或心肌外膜。
根据本公开的第二方案，一种用于心脏左心室的心肌内膜和/或心肌外膜的分割的装置，所述装置包括处理器，所述处理器被配置为执行本公开各个实施例所述的心脏左心室的心肌内膜和/或心肌外膜的分割方法。
根据本公开的第三方案，一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本公开各个实施例所述的心脏左心室的心肌内膜和/或心肌外膜的分割方法。
与现有技术相比，本公开实施例的有益效果在于：
基于左心室心肌的3D分割结果，提取左心室的心肌内膜和/或心肌外膜，避免了图像灰度差异较小对于分割结果的不利影响，无需进行繁琐的预处理过程，极大地降低了分割复杂度，提高了分割效率。同时，该方法利用左心室心肌分割作为先验，相较于直接在2D图像上进行心肌内外膜分割，提高了分割性能，降低了分割误差，提高了分割准确性和鲁棒性。
上述的一般描述和以下的详细描述只是示例性和说明性的，并不旨在限制要求保护的发明。
附图说明
在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的类似附图标记可以表示相似组件的不同示例。附图通过举例而不是以限制的方式大体上示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。这样的实施例是说明性和示例性的，而并非旨在作为本方法、装置、系统或具有用于实现该方法的指令的非暂时性计算机可读介质的穷尽或排他的实施例。
图1示出根据本公开实施例的心脏左心室的心肌内膜和/或心肌外膜的分割方法的流程图；
图2示出根据本公开实施例的心脏左心室的心肌内膜和/或心肌外膜的分割方法获得的左心室心肌的分割体的图示；
图3示出根据本公开实施例的基于左心室心肌的3D分割结果提取左心室的心肌内膜和/或心肌外膜的流程图；
图4示出根据本公开实施例的基于左心室心肌的3D分割结果提取左心室的心肌内膜和/或心肌外膜的示意图；
图5示出根据本公开实施例的心脏左心室的心肌内膜和/或心肌外膜的分割方法提取的左心室的心肌内膜、心肌外膜示意图；
图6示出根据本公开实施例的用于心脏左心室的心肌内膜和/或心肌外膜的分割的装置的组成的示意图。
具体实施方式
为使本领域技术人员更好的理解本公开的技术方案，下面结合附图和具体实施方式对本公开作详细说明。下面结合附图和具体实施例对本公开的实施例作进一步详细描述，但不作为对本公开的限定。本文中所描述的各个步骤，如果彼此之间没有前后关系的必要性，则本文中作为示例对其进行描述的次序不应视为限制，本领域技术人员应知道可以对其进行顺序调整，只要不破坏其彼此之间的逻辑性导致整个流程无法实现即可。
图1示出根据本公开实施例的心脏左心室的心肌内膜和/或心肌外膜的分割方法的流程图，所述分割方法经由处理器执行以下步骤。
在图1的步骤S101中，获取包含心脏的3D图像。图像可以通过各种成像模态直接获取，例如但不限于通过CT、MR、心肌核素扫描、螺旋CT、正电子发射断层扫描、X射线成像、荧光成像及超声成像等医学造影成像技术，或基于由成像装置获取的原始图像重建获得。例如，可以基于2D图像进行重建获取3D图像。在一些实施例中，也可以从3D心脏图像数据库中获取心脏的3D图像，在此不作具体限制。其中，技术术语“获取”表示在有或没有附加降噪、裁剪、重建等图像处理的情况下直接或间接获得的任何方式。
在步骤S102中，基于所述3D图像，对左心室心肌进行分割以得到左心室心肌的3D分割结果。该实施例考虑到左心室心肌区域体积较大，较容易分割，因此，对左心室心肌进行分割以得到左心室心肌的3D分割结果，并利用左心室心肌的3D分割结果作为先验，避免了分割偏离，提高了分割鲁棒性。如步骤S103，基于所述左心室心肌的3D分割结果，提取左心室的心肌内膜和/或心肌外膜，极大地降低了分割难度，提高了分割效率并提高了对于心肌内膜、心肌外膜的分割准确度。
具体来说，基于所述3D图像，包括但不限于可以采用深度学习或机器学习对左心室心肌进行分割，例如，可以是训练好的3D U-Net分割网络，基于3D U-Net深度学习网络，获取输入心脏3D图像的左心室心肌分割。具体分割方法不做限定，只要能够实现所述分割功能，获取所述左心室心肌的3D分割结果，提取到左心室的心肌内膜和/或心肌外膜即可。
在具体的实施方式中，由于心功能分析种类繁多，对于心脏左心室心肌内外膜分割的需求不同。例如，患者如果出现胸闷、胸痛、咳嗽、发热，甚至尿血、便血等情况，有必要对左心室心肌内膜和心肌外膜进行病变诊断，比如诊断内膜、外膜的血流量以及运动状况等。因此，准确分割出心肌内膜、外膜对于病变诊断分析至关重要。其中，可以基于实际需要，选择分割出心脏左心室心肌的心肌内膜，也可以分割出心脏左心室的心肌外膜，或者同时分割出心脏左心室心肌的心肌内膜和外膜。基于本实施例的分割方法，能够快速、高效、准确的执行分割过程，避免图像灰度等因素对分割方法的不利影响，从而有效保证对心脏左心室的心肌内膜和/或心肌外膜的分割效果的准确度和鲁棒性。同时，基于所述3D图像，得到左心室心肌的3D分割结果，基于实施例所述的左心室心肌的3D分割结果，对左心室的心肌内膜和/或心肌外膜进行提取，能够保留心脏的3D图像中各个组织、结构之间的关联性，避免2D图像逐片层分析时存在各个组织、结构之间连续性差以及真实度低的问题。此外，对于提取左心室的心肌内膜和/或心肌外膜的方法在此不做具体限定。
在步骤S104中，显示所提取的左心室的心肌内膜和/或心肌外膜。利用本实施例的分割方法提取的左心室的心肌内膜和/或心肌外膜可以呈现在用户界面上，便于用户读取相关信息，进行后续操作。具体的，例如图像显示器可以呈现用户界面，不仅能够实现用户直观地读取分割结果，而且，还可以便于用户通过输入、输出连同用户界面，进行编辑、移动、修改等操作，以满足用户的需求。用户还可以通过其他诸如触屏按键、鼠标、键盘、轨迹球、手势感应构件等交互构件执行编辑、移动、修改的各种交互操作，交互操作可以为点击、停留等指定操作。
在一些实施例中，基于所述左心室心肌的3D分割结果，提取左心室的心肌内膜和/或心肌外膜具体包括：基于所述左心室心肌的3D分割结果获得所述左心室心肌的分割体。所述左心室心肌的分割体如图2所示，该左心室心肌的分割体具有明显的空腔，为三维立体结构，真实地保留了心脏的3D图像，便于后续提取左心室的心肌内膜和/或心肌外膜，同时，克服了对2D图像处理时存在连续性差的问题。
在获得所述左心室心肌的分割体后，进一步提取所述左心室心肌的分割体的内表面和/或外表面，分别作为左心室的心肌内膜和/或心肌外膜，该实施例提供的分割方法对于图像灰度信息分布敏感度较低，无需进行复杂的预处理。具体地，例如，基于所述左心室心肌的3D分割结果，提取出分割体，基于所述分割体的长轴切割，很容易获得分割体的内表面和/或外表面，所述左心室心肌的分割体的内表面和/或外表面分别作为左心室的心肌内膜和/或心肌外膜，有利于提高分割的准确度和鲁棒性，通过获得的左心室心肌的分割体，提取出该左心室心肌的分割体中的内表面和/或外表面，降低了提取左心室的心肌内膜和/或心肌外膜的复杂度和难度，并提高了分割效率和准确度。
显示所提取的左心室的心肌内膜和/或心肌外膜具体包括如下的至少一种：
在一些实施例中，以同时方式或分时方式，联合显示所述左心室心肌的3D分割结果以及所提取的左心室的心肌内膜和/或心肌外膜。具体来说，所述同时方式可以理解为左心室心肌的3D分割结果以及所提取的左心室的心肌内膜同时向用户显示，或者左心室心肌的3D分割结果以及提取的左心室的心肌外膜同时向用户显示，或者左心室心肌的3D分割结果以及提取的左心室的心肌内膜和左心室的心肌外膜同时向用户显示，仅以此为示例。
其中，所述分时方式可以理解为先向用户显示所述左心室心肌的3D分割结果，再切换为向用户显示所提取的左心室的心肌内膜，在需要对左心室的心肌外膜进行分析的情况下，还可以进一步切换为向用户显示所提取的左心室的心肌外膜。或者，在显示完所述左心室心肌的3D分割结果之后，直接切换为向用户显示所提取的左心室的心肌外膜。此外，还可以在显示完所述左心室心肌的3D分割结果之后，直接切换为向用户同时显示所提取的左心室的心肌内膜和心肌外膜。在切换的过程中，对于切换时间没有具体限定，可以基于实际情况对切换时间进行调整。当然，也可以在向用户显示所提取的左心室的心肌内膜和/或心肌外膜之后，再切换为所述左心室心肌的3D分割结果，这种方式便于用户在发现所提取的左心室的心肌内膜和/或心肌外膜偏差较大时，对分割方法进行修正。
在一些实施例中，接收用户的选择显示所述左心室心肌的3D分割结果和/或左心室的心肌内膜和/或心肌外膜的第一操作，响应于所述第一操作，显示所述左心室心肌的3D分割结果和/或提取的左心室的心肌内膜和/或心肌外膜。例如，可以在交互界面给出不同待显示对象的选项，当用户需要直观地查看左心室的心肌内膜时，可以执行选择左心室的心肌内膜的第一操作，处理器接收用户的第一操作，读取相应的指令，在交互界面显示左心室的心肌内膜。同理，当用户需要查看3D分割结果或左心室的心肌外膜时，同样可以执行选择待显示对象的第一操作。在该实施例中，所述第一操作并非表示顺序，也不表示某一个操作，而是可以理解为用户基于实际需要选择待显示对象，给出显示哪个对象的指令的操作为第一操作。其中，所述待显示对象可以为所述的左心室心肌的3D分割结果和/或提取的左心室的心肌内膜和/或心肌外膜，也可以为其他，例如相关参数等。
在一些实施例中，以可视方式区别显示所提取的左心室的心肌内膜和心肌外膜，便于用户直观的分辨出左心室的心肌内膜和心肌外膜。例如，赋予左心室的心肌内膜为红色，心肌外膜为蓝色，当左心室的心肌内膜和心肌外膜在交互界面同时显示时，用户可以快速区分左心室的心肌内膜和心肌外膜，提高用户体验。
在一些实施例中，在联合显示所述左心室心肌的3D分割结果以及所提取的左心室的心肌内膜和/或心肌外膜的情况下，以可视方式区别显示所述左心室心肌的3D分割结果以及所提取的左心室的心肌内膜和/或心肌外膜。具体来说，采用该实施例提供的方法，当交互界面同时显示左心室心肌的3D分割结果以及所提取的左心室的心肌内膜和/或心肌外膜的情况下，可以分别赋予左心室心肌的3D分割结果、左心室的心肌内膜和/或心肌外膜不同的颜色，利用颜色进行区分，或者还可以直接显示名称等，便于用户快速识别左心室心肌的3D分割结果以及所提取的左心室的心肌内膜和/或心肌外膜。对于具体的可视方式不做具体的限定。
在一些实施例中，在联合显示所述左心室心肌的3D分割结果以及所提取的左心室的心肌内膜和/或心肌外膜的情况下，在显示的左心室心肌的3D分割结果改变的情况下，联合显示的左心室的心肌内膜和/或心肌外膜相应地改变。本公开的各个实施例，首先需要对左心室心肌进行分割得到左心室心肌的3D分割结果之后，再基于该3D分割结果提取左心室的心肌内膜和/或心肌外膜。所述左心室的心肌内膜和/或心肌外膜是否具有较高的准确度，是否满足用户的要求，与所述3D分割结果具有密切联系。例如，当用户发现显示的左心室的心肌内膜和/或心肌外膜不符合要求，可能存在较大的偏离时，可能会对分割左心室心肌的分割算法进行调整，从而使得3D分割结果发生变化，此时，在用户交互界面上显示的左心室的心肌内膜和/或心肌外膜相应地发生改变，以使得所述3D分割结果以及所提取的左心室的心肌内膜和/或心肌外膜联动显示，确保所提取的左心室的心肌内膜和/或心肌外膜的真实性和较高的准确度。
在一些实施例中，所述分割方法进一步包括接收用户的修改所述左心室心肌的3D分割结果的第二操作，以修改所述左心室的心肌内膜和/或心肌外膜，进而提高分割准确度，使得获得的左心室的心肌内膜和/或心肌外膜偏离程度更小、可靠性更好。在具体实施方式中，用户可以修改所述左心室心肌的3D分割结果，例如，通过修改分割左心室心肌的算法修改所述左心室心肌的3D分割结果，或者通过调整相应的参数修改所述左心室心肌的3D分割结果，对于具体的修改方式不做具体限定，只要能够实现对所述左心室心肌的3D分割结果修改的目的即可。
具体地，响应于所述第二操作，显示修改后的所述左心室心肌的3D分割结果，基于修改后的所述左心室心肌的3D分割结果来重新提取左心室的心肌内膜和/或心肌外膜，并显示重新提取的左心室的心肌内膜和/或心肌外膜，该实施例仅仅通过修改所述左心室心肌的3D分割结果，就能够快速、高效的修正所提取的左心室的心肌内膜和/或心肌外膜，不仅提高了用户的工作效率，而且所述左心室心肌的3D分割结果以及左心室的心肌内膜和/或心肌外膜的联动关系，确保了用户可以通过简单的操作实现对左心室的心肌内膜和/或心肌外膜的调整，提高了左心室的心肌内膜和/或心肌外膜的分割方法的准确性和鲁棒性。例如，可能由于左心室心肌的分割存在一定的偏差，导致提取的左心室的心肌内膜和/或心肌外膜偏离较大，用户基于工作经验或者交互界面显示的偏离数据等判断出提取的左心室的心肌内膜和/或心肌外膜无法满足要求时，执行修改所述左心室心肌的3D分割结果的第二操作，处理器获得该指令后，重新进行计算、提取，获得修改后的所述左心室心肌的3D分割结果以及重新提取的左心室的心肌内膜和/或心肌外膜，并在交互界面进行显示。基于该实施例，用户可以通过简单的方式实现对所述提取的左心室的心肌内膜和/或心肌外膜进行修正，以保证较优的分割结果。
图3示出根据本公开实施例的基于左心室心肌的3D分割结果提取左心室的心肌内膜和/或心肌外膜的流程图，基于所述左心室心肌的3D分割结果，提取左心室的心肌内膜和/或心肌外膜具体包括：
在步骤S301，基于所述左心室心肌的3D分割结果，获取所述左心室心肌的3D表面。所述左心室心肌的3D表面可以理解为左心室心肌的3D表面轮廓，在具体的实施过程中，可以通过Suzuki提出的二值图像边缘检测算法获取所述左心室心肌的3D表面，也可以采用其他算法，对于具体的获取方法不做具体限定。
在步骤S302，设置分割出的左心室心肌的腔内的点作为参考点，以便于快速、准确的确定内左心室的心肌内膜和/或心肌外膜，具体来说，作为一个示例，可以基于左心室心肌分割，定位心肌中心点作为参考点。其中，如图2所示，左心室心肌的分割体具有明显的空腔，所述参考点置于所述空腔的腔内。具体的，可以理解为所述参考点位于腔内的任意位置，比如，图4中的point2为参考点。其中，所述步骤S301和步骤S302的顺序可以调整。
在步骤S303，对于所获取的左心室心肌的3D表面上的各个采样点，基于所述参考点执行如下的心肌内外膜的划分处理：步骤S304，确定该采样点与所述参考点的连线，其中，位于左心室心肌的3D表面上的各个采样点为待判断点。例如，图4所示，point1代表的采样点位于左心室心肌的3D表面上，point2作为参考点位于腔内，point1和point2两者之间连线。所述划分处理进一步包括步骤S305，判定所述连线上除了所述采样点以外的部分与分割出的左心室心肌或所述左心室心肌的3D表面是否相交，在判定相交的情况下，所述采样点划分为属于左心室的心肌外膜，否则所述采样点划分为属于左心室的心肌内膜，能够快速、高效、准确的获得左心室的心肌内膜和/或心肌外膜。
例如图4所示，point1和point2两者之间连线，如果该连线与分割出的左心室心肌或所述左心室心肌的3D表面相交，表明在分割出的左心室心肌或所述左心室心肌的3D表面上存在不同于point1的交点，此时，即可判断位于左心室心肌的3D表面上的采样点point1属于左心室心肌的外膜。否则，如果位于左心室心肌的3D表面上的采样点属于左心室心肌的内膜，那么，该采样点与参考点之间的连线上不会出现与分割出的左心室心肌或所述左心室心肌的3D表面的交点。例如图4中的采样点point3，由于point3属于左心室心肌的内膜，使得point1和point3两者之间连线上不存在交点。该实施例提供的分割方法区别于传统的分割方式，无需分别对左心室心肌的内膜和左心室心肌的外膜进行不同的处理，避免了左心室心肌内外膜的薄层结构对于分割准确性的不利影响，分割效率高，分割结果准确度和鲁棒性高。
所述划分处理进一步包括步骤S306，汇总各个采样点的心肌内外膜的划分处理结果，得到左心室的心肌内膜和/或心肌外膜，进一步提高分割准确度。如图5所示，其中心肌内表面所有点围成的3D曲面即为左心室心肌内膜，心肌外表面所有点所围成的3D曲面即为左心室心肌外膜。基于该实施例，汇总各个采样点的心肌内外膜的划分处理结果，极大地提高了对于左心室的心肌内膜和/或心肌外膜的判定的可靠性。
在一些实施例中，判定所述连线上除了所述采样点以外的部分与分割出的左心室心肌或所述左心室心肌的3D表面是否相交通过如下来实现：判定所述连线上除了所述采样点以外是否还有其他点位于所述左心室心肌的3D表面上。如图4，在判断point1和point2的连线、point3和point2的连线上除了point1、point3以外的部分与分割出的左心室心肌或所述左心室心肌的3D表面是否相交时，可以通过观察是否还有其他点位于所述左心室心肌的3D表面上，比如图4的point1和point2的连线上存在其他点位于所述左心室心肌的3D表面上，则认定所述连线上除了所述采样点以外的部分与分割出的左心室心肌或所述左心室心肌的3D表面相交，而point3和point2的连线上不存在其他点位于所述左心室心肌的3D表面上，则认定所述连线上除了所述采样点以外的部分与分割出的左心室心肌或所述左心室心肌的3D表面不相交。
进一步地，设置分割出的左心室心肌的腔内的点作为参考点具体包括如下的至少一种：
在一些实施例中，设置分割出的左心室心肌的质心作为所述参考点，为后续心肌内外膜划分提供位置参考，有利于保证参考点位于左心室心肌的分割体的空腔内。例如，具体的质心位置计算公式为（1）：
Figure 422879DEST_PATH_IMAGE001
（1）
其中m为单个质点的质量，
Figure 622916DEST_PATH_IMAGE002
为各质点相对于坐标原点的坐标向量表示， M为物体 的总质量，i为各质点的序号。在左心室心肌分割图像中，各质点的质量相同，质心坐标获取 可以简化为：
Figure 881859DEST_PATH_IMAGE003
（2）。
在一些实施例中，接收用户修改所述参考点的第三操作，响应于所述第三操作，对于所获取的左心室心肌的3D表面上的各个采样点，基于修改后的参考点，执行所述心肌内外膜的划分处理，以便于用户高效的对划分处理方法进行调整。在具体实施过程中，如果参考点的选取存在严重的偏差，或者参考点不符合用户的需求，用户可以对参考点进行修改。所述修改的方法包括但不限于用户人工对参考点进行调整，具体的修改方法不做具体限定。
在一些实施例中，接收用户修改所述参考点的第三操作，响应于所述第三操作，确定修改前的参考点与修改后的参考点之间的偏差，在所述偏差小于第一阈值的情况下，对于所获取的左心室心肌的3D表面上的各个采样点，基于修改后的参考点，执行所述心肌内外膜的划分处理。当用户认为选择的参考点出现偏差时，执行修改所述参考点的第三操作。其中，所述修改后的参考点即为用户认为正确的参考点。该实施例中，将修改前的参考点与修改后的参考点之间的偏差与第一阈值进行比较，比如，所述第一阈值为1，当所述偏差小于1时，则认为修改前的参考点虽然与用户认为正确的参考点存在一定的偏离，但是，该偏离处于可接受的范围，当所述偏差小于第一阈值时，意味着前述步骤中对于左心室心肌的分割效果较好，参考点选择不准可能是由于其他原因导致的。因此，在该实施例中，当修改前的参考点与修改后的参考点之间的偏差小于第一阈值1时，对于所获取的左心室心肌的3D表面上的各个采样点，基于修改后的参考点，继续执行所述心肌内外膜的划分处理。
然而，在另外一些实施例中，接收用户修改所述参考点的第三操作，响应于所述第三操作，确定修改前的参考点与修改后的参考点之间的偏差，在所述偏差大于或等于所述第一阈值但小于第二阈值的情况下，提示用户修改所述左心室心肌的3D分割结果或左心室心肌的3D表面。具体来说，在心脏心肌分割过程中，可能由于医学图像存在重影或者造影剂体量不足等问题，导致心脏心肌边界不明确，左心室边界模糊。如果造影剂缺损，还会影响对左心室心肌的分割结果。在此情况下，如果对于左心室心肌的分割效果不好，例如，包含有右心室边界等，将会影响参考点的确定。
对于参考点的选择是基于心肌的3D分割结果，左心室心肌的分割存在一定的问题，参考点会与用户认知的出现偏差。此时，如果用户认为正确的参考点和修改前的参考点的偏差大于或等于所述第一阈值但小于第二阈值时，意味着在前述步骤中对于左心室心肌的分割效果较差，仅仅对参考点进行调整已经无法满足用户的要求，需要用户修改所述左心室心肌的3D分割结果或左心室心肌的3D表面，从而重新确定参考点和采样点，进而提取左心室的心肌内膜和/或心肌外膜。其中，所述第二阈值大于所述第一阈值，如果所述偏差大于或等于所述第二阈值，表明整个分割方法存在严重的错误，需要重新对整个分割方法进行调整。例如，假设第一阈值为1，第二阈值为2，用户将参考点修改为认为正确的参考点，即为修改后的参考点，对比修改前、修改后的参考点的偏差，当该偏差在1和2之间时，说明左心室心肌的分割结果存在严重的问题，用户将会修改所述左心室心肌的3D分割结果或左心室心肌的3D表面，自动更新心肌的3D表面，重现确定参考点和采样点，并重新提取左心室的心肌内膜和/或心肌外膜，该方法具有较低的操作难度，用户可以快速、高效的判断出参考点的选择是否合适，并可以灵活高效的进行修改，极大地提高了用户的操作效率。基于该实施例提供的分割方法，极大地提高了分割准确性和鲁棒性。
在一些实施例中，基于所述左心室心肌的3D分割结果，获取所述左心室心肌的3D表面进一步包括对于分割出的左心室心肌的孔洞进行填充，基于填充孔洞后的左心室心肌，获取所述左心室心肌的3D表面。具体地，对于孔洞进行填充的方法不做具体的限定，可以包括使用数学形态学相关算法保证边缘检测算法不受图像中可能存在的孔洞的影响；也可以给定合适的运算核（比如瞄点位于中心的3×3×3模板）实现对内部闭合孔洞的填充处理；还可以通过滚球算法（rolling ball）对表面区域非闭合的孔洞进行进一步填补。预处理后的实心闭合心肌图像，通过Suzuki提出的二值图像边缘检测算法，获取左心室心肌的3D表面。
在一些实施例中，各个采样点为左心室心肌的3D表面上遍历采集的点，以为后续 处理作为位置参考。表面点遍历判断算法在判断是否存在交点的具体包括：使用了布雷森 汉姆(Bresenham)直线算法在三维坐标的推广形式，确定三维空间中的两个点，分别为参考 点和采样点的位置坐标，获取两点之间连线区域的所有点（不包括两端点），并判断是否有 点同时存在于心肌的3D表面当中，并据此进行划分。例如，两点直线公式表示为：其中
Figure 167347DEST_PATH_IMAGE004
表示中心参考点坐标，
Figure 169938DEST_PATH_IMAGE005
表示质心点坐标，
Figure 224482DEST_PATH_IMAGE006
表示采样点的坐标， 通过该公式，可以获取两点直线的所有的点，公式（3）如下：
Figure 185484DEST_PATH_IMAGE007
（3）。
划分结果如图5所示，其中心肌内表面所有点围成的3D曲面即为左心室心肌内膜分割，心肌外表面所有点所围成的3D曲面即为左心室心肌外膜分割。
在一些实施例中，基于所述3D图像，对左心室心肌进行分割以得到左心室心肌的3D分割结果具体包括基于所述3D图像，利用训练好的3D学习网络，对左心室心肌进行分割以得到左心室心肌的3D分割结果。学习网络可以包括卷积神经网络（ConvolutionalNeural Networks，CNN）、循环神经网络和递归神经网络（Recursive Neural Network，RNN）中的一种或其组合。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Network，FNN）。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。卷积神经网络模型的卷积层可以包括至少一个滤波器或内核。至少一个滤波器的一个以上参数（诸如内核权重、大小、形状和结构等）可以通过例如基于反向传播的训练处理来确定。循环神经网络是一类以序列数据为输入，在序列的演进方向进行递归且所有节点（循环单元）按链式连接的递归神经网络。递归神经网络是具有树状阶层结构且网络节点按其连接顺序对输入信息进行递归的人工神经网络（ArtificialNeural Network，ANN）。
具体的，例如使用基于深度神经网络模型的分割算法，首先基于心脏图像及其对应手工心肌分割（由专业影像医师标注获取），训练3D U-Net分割网络（或其他深度学习分割网络）。输入心脏3D图像（CCTA、CT-MPI或其他模态）至分割网络，获得左心室心肌分割，对于左心室心肌的分割具有更优异的分割结果。其中，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。网络模型可以使用监督学习来训练。网络模型的架构可以包括不同的块和层的堆叠，各个块和层将一个以上输入转换为一个以上输出。不同层的示例可以包括一个以上卷积层或全卷积层、非线性操作符层、池化层或子采样层、全连接层和/或最终损失层。每层可以连接一个上游层和一个下游层。网络模型可以包括残差网络（Residual Network，ResNet）模型、分割网络（UNet）模型、AlexNet模型、GoogLeNet模型、视觉几何组（Visual Geometry Group，VGG）模型、金字塔场景解析网络（Pyramid Scene Parsing Network，PSPNet）模型、DeepLabV3网络模型等，本公开实施例对此不作限制。
图6示出根据本公开实施例的用于心脏左心室的心肌内膜和/或心肌外膜的分割的装置的组成的示意图。在一些实施例中，心脏左心室的心肌内膜和/或心肌外膜的分割的装置600可以是专用智能装置或通用智能装置。例如，心脏左心室的心肌内膜和/或心肌外膜的分割的装置600可以是为左心室心肌内/外膜自动分割任务定制的计算机，或者云端的服务器。例如，心脏左心室的心肌内膜和/或心肌外膜的分割的装置600可以被集成到图像处理装置中。
作为示例，在心脏左心室的心肌内膜和/或心肌外膜的分割的装置600中，至少包括接口601和处理器603，在一些实施例中，还可以包括存储器602。
在一些实施例中，接口601被配置为接收由成像装置获取的心脏3D图像，例如，接口601可以经由通信电缆、无线局域网（WLAN）、广域网（WAN）、无线网络（诸如经由无线电波、蜂窝或电信网络、和/或本地或短程无线网络（例如，蓝牙TM））或其他通信方法接收由各种成像装置获取的心脏3D图像。
在一些实施例中，接口601可以包括集成服务数字网（ISDN）卡、电缆调制解调器、卫星调制解调器或调制解调器，以提供数据通信连接。在这样的实现中，接口601可以经由直接通信链路来发送和接收电信号、电磁信号和/或光学信号，其承载表示各种类型的信息的模拟/数字数据流。在另外一些实施例中，接口601还可以包括局域网（LAN）卡（例如，以太网适配器），以提供到兼容LAN的数据通信连接。作为示例，接口601还可以包括网络接口6011，经由网络接口6011，分割装置600可以连接到网络（未示出），例如包括但不限于医院中的局域网或互联网。网络可以将分割装置600与诸如图像采集装置（未示出）的外部装置、3D心脏图像数据库604、图像数据存储装置605连接。图像采集装置可以是获取对象的图像的任何装置，例如MRI成像设备、CT成像设备、心肌核素扫描、超声设备或用于获得患者的心脏图像的其他医学成像设备。
在一些实施例中，心脏左心室的心肌内膜和/或心肌外膜的分割的装置600可以额外包括输入/输出606和图像显示器607中的至少一个。
处理器603被配置为执行根据本公开各个实施例所述的心脏左心室的心肌内膜和/或心肌外膜的分割方法，是包括一个或多个通用处理设备（诸如微处理器，中央处理单元（CPU），图形处理单元（GPU）等）的处理设备。更具体地说，处理器603可以是复杂指令集计算（CISC）微处理器、精简指令集计算（RISC）微处理器、超长指令字（VLIW）微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。处理器603也可以是一个或多个专用处理设备，例如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、片上系统（SoC）等等。如本领域技术人员将理解的，在一些实施例中，处理器603可以是专用处理器，而不是通用处理器。处理器603可以包括一个或多个已知处理设备，诸如由英特尔公司制造的Pentium TM、Core TM、Xeon TM或Itanium TM系列的微处理器，由AMD公司制造的TurionTM、Athlon TM、Sempron TM、Opteron TM、FX™、Phenom™系列的微处理器或太阳微系统（SunMicrosystems）制造的各种处理器的任一种。处理器503还可以包括图形处理单元，诸如来自Nvidia公司制造的GeForce®、Quadro®、Tesla®系列的GPU，由英特尔TM制造的GMA、Iris TM系列的GPU或者由AMD 公司制造的Radeon TM系列GPU。处理器603还可以包括加速的处理单元，诸如AMD公司制造的桌面A-4（6,8）系列，英特尔公司制造的Xeon Phi TM系列。所公开的实施例不限于任何类型的处理器或处理器电路，这些处理器或处理器电路以其他方式被配置为满足如下计算需求：执行诸如根据本公开各实施例的心肌节段的自动分割方法。另外，术语“处理器”或“图像处理器”可以包括多于一个处理器，例如，多核设计或多个处理器，所述多个处理器中的每个处理器具有多核设计。处理器603可以执行存储在存储器602中的计算机程序指令的序列，以执行本文公开的各种操作、过程、方法。
处理器603可以通信地耦合到存储器602并且被配置为执行存储在其中的计算机可执行指令。存储器602可以包括只读存储器（ROM）、闪存，随机存取存储器（RAM）、诸如同步DRAM（SDRAM）或Rambus DRAM的动态随机存取存储器（DRAM）、静态存储器（例如，闪存，静态随机存取存储器）等，其上以任何格式存储计算机可执行指令。计算机程序指令可以被处理器603访问，从ROM或者任何其他合适的存储位置读取，并加载到RAM中供处理器603执行。例如，存储器602可以存储一个或多个软件应用程序。存储在存储器602中的软件应用程序可以包括例如用于通用计算机系统的操作系统（未示出）以及软控制设备（未示出）。此外，存储器602可以存储整个软件应用程序或仅存储软件应用程序的一部分以能够由处理器603执行。另外，存储器602可以存储多个软件模块，用于实现与本公开各个实施例所述的各个步骤。此外，存储器602可以存储在执行计算机程序时生成/缓存的数据，例如从图像采集装置、3D心脏图像数据库604、图像数据存储装置605等发送的医学图像。
在一些实施例中，用于左心室心肌的自动分割的学习网络可以被存储在存储器602中。在另一些实施例中，用于左心室心肌分割的学习网络可以被存储在远程设备、分立的数据库（诸如3D心脏图像数据库604）、分布式设备中。
输入/输出606可以被配置为允许心脏左心室的心肌内膜和/或心肌外膜的分割装置600接收和/或发送数据。输入/输出606可以包括允许自动分割装置600与用户或其他机器和装置通信的一个或多个数字和/或模拟通信设备。例如，输入/输出606可以包括允许用户提供输入的键盘和鼠标。
网络接口6011可以包括网络适配器、电缆连接器、串行连接器、USB连接器、并行连接器、诸如光纤的高速数据传输适配器、USB 3.0、闪电、无线网络适配器如WiFi适配器、电信（3G、4G / LTE等）适配器。分割装置600可以通过网络接口6011连接到网络。网络可以提供局域网（LAN）、无线网络、云计算环境（例如，作为服务的软件、作为服务的平台、作为服务的基础设施等）、客户端服务器、广域网（WAN）等的功能。
除了心肌节段的自动分割图像之外，图像显示器607还可以显示其他信息，诸如心肌内膜和/或心肌外膜的厚度参数等。例如，图像显示器607可以是LCD、CRT或LED显示器。
本公开描述了各种操作或功能，其可以被实现为软件代码或指令或被定义为软件代码或指令。此类内容可以是可以直接执行的源代码或差分代码(“增量”或“补丁”代码)(“对象”或“可执行”形式)。软件代码或指令可以存储在计算机可读存储介质中，并且在被执行时，可以使机器执行所描述的功能或操作，并且包括以机器(例如，计算装置、电子系统等)可访问的形式存储信息的任何机制，例如可记录或不可记录介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光学存储介质、闪存装置等)。
本公开描述的示例性方法可以至少部分地由机器或计算机实现。在一些实施例中，一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本公开各个实施例所述的心脏左心室的心肌内膜和/或心肌外膜的分割方法。这样的方法的实现可以包括软件代码，例如微代码、汇编语言代码、高级语言代码等。可以使用各种软件编程技术来创建各种程序或程序模块。例如，程序部分或程序模块可以用或借助Java、Python、C、C++、汇编语言或任何已知的编程语言来设计。可以将这样的软件部分或模块中的一个或多个集成到计算机系统和/或计算机可读介质中。这样的软件代码可以包括用于执行各种方法的计算机可读指令。该软件代码可以形成计算机程序产品或计算机程序模块的一部分。此外，在示例中，软件代码可以有形地存储在一个或多个易失性，非暂时性或非易失性有形计算机可读介质上，例如在执行期间或在其他时间。这些有形计算机可读介质的示例可以包括但不限于硬盘、可移动磁盘、可移动光盘(例如光盘和数字视频盘)、盒式磁带、存储卡或存储棒、随机存取存储器(RAM)、只读存储器(ROM)等。
对本公开的方法、装置以进行各种变型和更改。鉴于所公开的系统和相关方法的描述和实践，可以由本领域的技术人员衍生出其他实施例。本公开的各个权利要求都可理解为独立实施例，并且它们之间的任意组合也用作本本公开的实施例，并且这些实施例被视为都包括在本公开中。
示例仅视为示例性的，真实范围由所附权利要求书及其等效来表示。

Claims (10)

1.一种心脏左心室的心肌内膜和/或心肌外膜的分割方法，其特征在于，包括，经由处理器：
获取包含心脏的3D图像；
基于所述3D图像，对左心室心肌进行分割以得到左心室心肌的3D分割结果；
基于所述左心室心肌的3D分割结果，获取所述左心室心肌的3D表面；
设置分割出的左心室心肌的腔内的点作为参考点；
对于所获取的左心室心肌的3D表面上的各个采样点，基于所述参考点执行如下的心肌内外膜的划分处理：
确定该采样点与所述参考点的连线；
判定所述连线上除了所述采样点以外的部分与分割出的左心室心肌或所述左心室心肌的3D表面是否相交，在判定相交的情况下，所述采样点划分为属于左心室的心肌外膜，否则所述采样点划分为属于左心室的心肌内膜；以及
汇总各个采样点的心肌内外膜的划分处理结果，得到左心室的心肌内膜和/或心肌外膜；
以及
显示所提取的左心室的心肌内膜和/或心肌外膜。
2.根据权利要求1所述的分割方法，其特征在于，显示所提取的左心室的心肌内膜和/或心肌外膜具体包括如下的至少一种：
以同时方式或分时方式，联合显示所述左心室心肌的3D分割结果以及所提取的左心室的心肌内膜和/或心肌外膜；
接收用户的选择显示所述左心室心肌的3D分割结果和/或左心室的心肌内膜和/或心肌外膜的第一操作，响应于所述第一操作，显示所述左心室心肌的3D分割结果和/或提取的左心室的心肌内膜和/或心肌外膜；
以可视方式区别显示所提取的左心室的心肌内膜和心肌外膜；
在联合显示所述左心室心肌的3D分割结果以及所提取的左心室的心肌内膜和/或心肌外膜的情况下，以可视方式区别显示所述左心室心肌的3D分割结果以及所提取的左心室的心肌内膜和/或心肌外膜；以及
在联合显示所述左心室心肌的3D分割结果以及所提取的左心室的心肌内膜和/或心肌外膜的情况下，在显示的左心室心肌的3D分割结果改变的情况下，联合显示的左心室的心肌内膜和/或心肌外膜相应地改变。
3.根据权利要求1或2所述的分割方法，其特征在于，所述分割方法进一步包括：
接收用户的修改所述左心室心肌的3D分割结果的第二操作；
响应于所述第二操作，显示修改后的所述左心室心肌的3D分割结果，基于修改后的所述左心室心肌的3D分割结果来重新提取左心室的心肌内膜和/或心肌外膜，并显示重新提取的左心室的心肌内膜和/或心肌外膜。
4.根据权利要求1所述的分割方法，其特征在于，判定所述连线上除了所述采样点以外的部分与分割出的左心室心肌或所述左心室心肌的3D表面是否相交通过如下来实现：
判定所述连线上除了所述采样点以外是否还有其他点位于所述左心室心肌的3D表面上。
5.根据权利要求1所述的分割方法，其特征在于，设置分割出的左心室心肌的腔内的点作为参考点具体包括如下的至少一种：
设置分割出的左心室心肌的质心作为所述参考点；
接收用户修改所述参考点的第三操作，响应于所述第三操作，对于所获取的左心室心肌的3D表面上的各个采样点，基于修改后的参考点，执行所述心肌内外膜的划分处理；
接收用户修改所述参考点的第三操作，响应于所述第三操作，确定修改前的参考点与修改后的参考点之间的偏差，在所述偏差小于第一阈值的情况下，对于所获取的左心室心肌的3D表面上的各个采样点，基于修改后的参考点，执行所述心肌内外膜的划分处理；
接收用户修改所述参考点的第三操作，响应于所述第三操作，确定修改前的参考点与修改后的参考点之间的偏差，在所述偏差大于或等于所述第一阈值但小于第二阈值的情况下，提示用户修改所述左心室心肌的3D分割结果或左心室心肌的3D表面。
6.根据权利要求1所述的分割方法，其特征在于，基于所述左心室心肌的3D分割结果，获取所述左心室心肌的3D表面进一步包括：
对于分割出的左心室心肌的孔洞进行填充；
基于填充孔洞后的左心室心肌，获取所述左心室心肌的3D表面。
7.根据权利要求1所述的分割方法，其特征在于，各个采样点为左心室心肌的3D表面上遍历采集的点。
8.根据权利要求1所述的分割方法，其特征在于，基于所述3D图像，对左心室心肌进行分割以得到左心室心肌的3D分割结果具体包括：
基于所述3D图像，利用训练好的3D学习网络，对左心室心肌进行分割以得到左心室心肌的3D分割结果。
9.一种用于心脏左心室的心肌内膜和/或心肌外膜的分割的装置，所述装置包括处理器，所述处理器被配置为执行根据权利要求1-8任一项中所述的心脏左心室的心肌内膜和/或心肌外膜的分割方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1-8中任一项所述的心脏左心室的心肌内膜和/或心肌外膜的分割方法。
CN202210244039.2A 2022-03-14 2022-03-14 心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置 Active CN114419032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210244039.2A CN114419032B (zh) 2022-03-14 2022-03-14 心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210244039.2A CN114419032B (zh) 2022-03-14 2022-03-14 心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置

Publications (2)

Publication Number Publication Date
CN114419032A CN114419032A (zh) 2022-04-29
CN114419032B true CN114419032B (zh) 2022-06-21

Family

ID=81264307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210244039.2A Active CN114419032B (zh) 2022-03-14 2022-03-14 心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置

Country Status (1)

Country Link
CN (1) CN114419032B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116245878B (zh) * 2023-05-08 2023-08-18 中山大学附属第五医院 一种心肌局灶性瘢痕检测方法、风险预测方法和相关装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1806758A (zh) * 2005-01-21 2006-07-26 西门子公司 在心脏的三维数据组中自动确定左心室位置和取向的方法
CN1820708A (zh) * 2005-01-21 2006-08-23 西门子公司 用于可视化心肌损伤的方法
CN102883662A (zh) * 2011-05-11 2013-01-16 株式会社东芝 医疗图像处理设备以及其方法
CN104978730A (zh) * 2014-04-10 2015-10-14 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
CN113160116A (zh) * 2021-02-03 2021-07-23 中南民族大学 左心室内外膜自动分割方法、系统及设备
CN113379682A (zh) * 2021-05-21 2021-09-10 郑州大学 一种心脏mri影像耦合水平集分割方法及系统
CN113436203A (zh) * 2021-06-02 2021-09-24 亳州学院 一种心室膜自动分割方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040064014A1 (en) * 2001-05-31 2004-04-01 Melvin David B. Devices and methods for assisting natural heart function
US6961454B2 (en) * 2001-10-04 2005-11-01 Siemens Corporation Research, Inc. System and method for segmenting the left ventricle in a cardiac MR image
JP5319157B2 (ja) * 2007-09-04 2013-10-16 株式会社東芝 超音波診断装置、超音波画像処理装置、及び超音波画像処理プログラム
CN110335236B (zh) * 2019-04-29 2021-06-11 上海依智医疗技术有限公司 心脏医学图像的处理方法、处理装置、处理系统和介质
CN112308845B (zh) * 2020-11-03 2021-07-02 赛诺威盛科技(北京)股份有限公司 左心室分割方法、装置及电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1806758A (zh) * 2005-01-21 2006-07-26 西门子公司 在心脏的三维数据组中自动确定左心室位置和取向的方法
CN1820708A (zh) * 2005-01-21 2006-08-23 西门子公司 用于可视化心肌损伤的方法
CN102883662A (zh) * 2011-05-11 2013-01-16 株式会社东芝 医疗图像处理设备以及其方法
CN104978730A (zh) * 2014-04-10 2015-10-14 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
CN113160116A (zh) * 2021-02-03 2021-07-23 中南民族大学 左心室内外膜自动分割方法、系统及设备
CN113379682A (zh) * 2021-05-21 2021-09-10 郑州大学 一种心脏mri影像耦合水平集分割方法及系统
CN113436203A (zh) * 2021-06-02 2021-09-24 亳州学院 一种心室膜自动分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
乜大伟.心脏核磁共振图像中左心室的分割算法研究.《硅谷》.2012,(第13期), *
李晓宁等.一种带心肌瘢痕的心脏磁共振图像左室壁分割方法.《四川大学学报(自然科学版)》.2016,(第05期), *

Also Published As

Publication number Publication date
CN114419032A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
Cai et al. A review of the application of deep learning in medical image classification and segmentation
US11101033B2 (en) Medical image aided diagnosis method and system combining image recognition and report editing
AU2019257675B2 (en) Image enhancement using generative adversarial networks
CN109035255B (zh) 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法
CN110930416B (zh) 一种基于u型网络的mri图像前列腺分割方法
JP2021131872A (ja) 深層学習を用いたアトラスベースセグメンテーション
CN107784647A (zh) 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统
US20230177677A1 (en) Method and system for performing vessel segmentation in a medical image
CN112258530A (zh) 基于神经网络的计算机辅助肺结节自动分割方法
US11847547B2 (en) Method and system for generating a centerline for an object, and computer readable medium
CN109712163B (zh) 冠脉提取方法、装置、图像处理工作站和可读存储介质
CN111179237A (zh) 一种肝脏以及肝脏肿瘤的图像分割方法和装置
CN112991346B (zh) 用于医学图像分析的学习网络的训练方法和训练系统
WO2022213654A1 (zh) 一种超声图像的分割方法、装置、终端设备和存储介质
Yang et al. Transferring from ex-vivo to in-vivo: Instrument localization in 3d cardiac ultrasound using pyramid-unet with hybrid loss
CN113450359A (zh) 医学图像分割、显示、模型训练方法、系统、设备和介质
CN114419032B (zh) 心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置
CN112348818A (zh) 一种图像分割方法、装置、设备以及存储介质
CN114565601A (zh) 基于DeepLabV3+改进的肝脏CT图像分割算法
CN109410170B (zh) 图像数据处理方法、装置及设备
Kang et al. 3D active vessel tracking using an elliptical prior
JP2012085833A (ja) ３次元医用画像データの画像処理システム、その画像処理方法及びプログラム
CN112950734B (zh) 冠脉重建方法、装置、电子设备和存储介质
CN113935889A (zh) 2d/3d冠状动脉自动配准方法、系统及介质
Stefaniga et al. An approach of segmentation method using deep learning for CT medical 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
GR01 Patent grant
GR01 Patent grant