CN115272374A - 心脏磁共振影像的心室分割方法和装置 - Google Patents

心脏磁共振影像的心室分割方法和装置 Download PDF

Info

Publication number
CN115272374A
CN115272374A CN202210924377.0A CN202210924377A CN115272374A CN 115272374 A CN115272374 A CN 115272374A CN 202210924377 A CN202210924377 A CN 202210924377A CN 115272374 A CN115272374 A CN 115272374A
Authority
CN
China
Prior art keywords
axis
short
long
image
segmentation result
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210924377.0A
Other languages
English (en)
Other versions
CN115272374B (zh
Inventor
陈旗昕
张培芳
王瑞青
王尚贤
王宝泉
吴振洲
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.)
Beijing Ande Yizhi Technology Co ltd
Original Assignee
Beijing Ande Yizhi Technology Co ltd
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 Beijing Ande Yizhi Technology Co ltd filed Critical Beijing Ande Yizhi Technology Co ltd
Priority to CN202210924377.0A priority Critical patent/CN115272374B/zh
Publication of CN115272374A publication Critical patent/CN115272374A/zh
Application granted granted Critical
Publication of CN115272374B publication Critical patent/CN115272374B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0044—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Cardiology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)

Abstract

本公开涉及一种心脏磁共振影像的心室分割方法和装置，所述方法包括：获取待处理心脏磁共振影像及待处理心脏磁共振影像中各图像对应的元数据；通过短轴分割模型，对第一短轴电影图像进行分割，得到短轴分割结果；通过长轴分割模型，对第一长轴电影图像进行分割，得到长轴分割结果；根据第一短轴电影图像对应的元数据及第一长轴电影图像对应的元数据，确定第一短轴电影图像与第一长轴电影图像之间的相交线；根据相交线及长轴分割结果，对短轴分割结果进行优化，得到心室分割结果。通过本公开实施例的方法，利用关联定位和长轴电影图像的分割结果，对短轴电影图像的分割结果进行优化，得到准确的心室分割结果。

Description

心脏磁共振影像的心室分割方法和装置
技术领域
本公开涉及医疗人工智能领域，尤其涉及一种心脏磁共振影像的心室分割方法及装置。
背景技术
心脏磁共振(Cardiac Magnetic Resonance，CMR)影像是在三维空间内的不同角度，不同位置对心脏切面进行的磁场成像。而在心脏磁共振影像的使用中，若想对心脏进行深入研究，详细计算各项准确的心功能参数，必须要把心脏各房室区域进行准确的分割出来，包括左心室(left ventricle，LV)、右心室(right ventricle，RV)等重要分区。此外，对于最常见的心肌病的研究，则更需要准确的分割出心室的内膜与外膜，才能够测量出包括心室容积、射血分数(ejection fraction，EF)、心肌质量等关键参数。
心室分割这项工作，早期由有经验的医生使用各类标注工具，花费大量时间进行手工标注得到，耗费人力资源；而现有的深度学习方法，能够通过对一定数量已标注数据的反复学习后，将所需的区域分割进行预测。在心脏磁共振影像中，短轴电影序列是信息量最多，对心室表现最完整的序列，也是计算多项关键心功能参数最重要的序列；但目前深度学习方法，在短轴电影序列上的左心室心底区域，分割出左心室与左心房、主动脉等区域仍存在着一定的错误。
发明内容
有鉴于此，本公开提出了一种心脏磁共振影像的心室分割方法及装置、电子设备和存储介质。
根据本公开的一方面，提供了一种心脏磁共振影像的心室分割方法，包括：获取待处理心脏磁共振影像及所述待处理心脏磁共振影像中各图像对应的元数据，所述待处理心脏磁共振影像包括第一短轴电影图像和第一长轴电影图像，所述第一短轴电影图像与所述第一长轴电影图像为同一期相的图像；通过短轴分割模型，对所述第一短轴电影图像进行分割，得到短轴分割结果，所述短轴分割模型由人工标注分割结果的短轴样本图像训练得到；通过长轴分割模型，对所述第一长轴电影图像进行分割，得到长轴分割结果，所述长轴分割模型由人工标注分割结果的长轴样本图像训练得到；根据所述第一短轴电影图像对应的元数据及所述第一长轴电影图像对应的元数据，确定所述第一短轴电影图像与所述第一长轴电影图像之间的相交线；根据所述相交线及所述长轴分割结果，对所述短轴分割结果进行优化，得到心室分割结果。
在一种可能的实现方式中，所述根据所述第一短轴电影图像对应的元数据及所述第一长轴电影图像对应的元数据，确定所述第一短轴电影图像与所述第一长轴电影图像之间的相交线，包括：根据所述第一短轴电影图像对应的元数据，确定所述第一短轴电影图像中目标点的坐标及所述第一短轴电影图像的定位线方向矢量；根据所述第一长轴电影图像对应的元数据，确定所述第一长轴电影图像中目标点的坐标及所述第一长轴电影图像的定位线方向矢量；根据所述第一长轴电影图像中目标点的坐标、所述第一长轴电影图像的定位线方向矢量、所述第一短轴电影图像中目标点的坐标及所述第一短轴电影图像的定位线方向矢量，确定所述第一短轴电影图像与所述第一长轴电影图像的相交线。
在一种可能的实现方式中，所述根据所述相交线及所述长轴分割结果，对所述短轴分割结果进行优化，得到心室分割结果，包括：确定所述相交线与所述长轴分割结果中左心室内膜、左心室外模、左心房内膜中的至少一项的相交位置关系；根据所述相交位置关系，对所述短轴分割结果进行优化，得到心室分割结果。
在一种可能的实现方式中，所述确定所述相交线与所述长轴分割结果中左心室内膜、左心室外模、左心房内膜中的至少一项的相交位置关系，包括：在所述第一短轴电影图像包括心底部分的情况下，判断所述相交线与所述长轴分割结果中的左心室外膜和/或左心房内膜是否相交；所述根据所述相交位置关系，对所述短轴分割结果进行优化，得到心室分割结果，包括：若所述相交线与所述长轴分割结果中的左心室外膜相交，则确定所述第一短轴电影图像中包含左心室区域；若所述相交线与所述长轴分割结果中的左心房内膜相交，则确定所述第一短轴电影图像不包含左心室区域；
和/或，
所述确定所述相交线与所述长轴分割结果中左心室内膜、左心室外模、左心房内膜中的至少一项的相交位置关系，包括：在所述第一短轴电影图像包括心尖部分的情况下，判断所述相交线与所述长轴分割结果中的左心室外膜和/或左心室内膜是否相交；所述根据所述相交位置关系，对所述短轴分割结果进行优化，得到心室分割结果，包括：若所述相交线与所述长轴分割结果中的左心室外膜或左心室内膜相交，则确定所述第一短轴电影图像中包含左心室外膜或左心室内膜；若所述相交线与所述长轴分割结果中的左心室外膜和左心室内膜均不相交，则确定所述第一短轴电影图像不包含左心室区域。
在一种可能的实现方式中，所述通过短轴分割模型，对所述第一短轴电影图像进行分割，得到短轴分割结果，包括：根据所述短轴分割模型，对所述第一短轴电影图像中左心室内膜、左心室外膜、右心室内膜、右心室外膜中的至少一个区域进行分割，得到所述短轴分割结果。
在一种可能的实现方式中，所述通过长轴分割模型，对所述第一长轴电影图像进行分割，得到长轴分割结果，包括：根据所述长轴分割模型，对所述第一长轴电影图像中左心室内膜、左心室外膜、右心室内膜、左心房内膜、右心房内膜中的至少一个区域进行分割，得到所述长轴分割结果。
在一种可能的实现方式中，所述方法还包括：根据人工标注分割结果的短轴样本图像对第一预设模型进行训练，得到所述短轴分割模型，其中，对所述第一预设模型的训练过程中损失函数为左心室内膜、左心室外膜、右心室内膜、右心室外膜中各区域的Dice系数总和，且左心室外膜Dice系数的比重高于其他区域Dice系数的比重；根据人工标注分割结果的长轴样本图像对第二预设模型进行训练，得到所述长轴分割模型；其中，对所述第二预设模型的训练过程中损失函数为左心室内膜、左心室外膜、右心室内膜、左心房内膜、右心房内膜中各区域的Dice系数总和，且左心室外膜Dice系数及左心房内膜Dice系数的比重高于其他区域Dice系数的比重。
根据本公开的另一方面，提供了一种心脏磁共振影像的心室分割装置，包括：获取模块，用于获取待处理心脏磁共振影像及所述待处理心脏磁共振影像中各图像对应的元数据，所述待处理心脏磁共振影像包括第一短轴电影图像和第一长轴电影图像，所述第一短轴电影图像与所述第一长轴电影图像为同一期相的图像；第一分割模块，用于通过短轴分割模型，对所述第一短轴电影图像进行分割，得到短轴分割结果，所述短轴分割模型由人工标注分割结果的短轴样本图像训练得到；第二分割模块，用于通过长轴分割模型，对所述第一长轴电影图像进行分割，得到长轴分割结果，所述长轴分割模型由人工标注分割结果的长轴样本图像训练得到；定位模块，用于根据所述第一短轴电影图像对应的元数据及所述第一长轴电影图像对应的元数据，确定所述第一短轴电影图像与所述第一长轴电影图像之间的相交线；优化模块，用于根据所述相交线及所述长轴分割结果，对所述短轴分割结果进行优化，得到心室分割结果。
在一种可能的实现方式中，所述定位模块，包括：第一确定子模块，用于根据所述第一短轴电影图像对应的元数据，确定所述第一短轴电影图像中目标点的坐标及所述第一短轴电影图像的定位线方向矢量；第二确定子模块，用于根据所述第一长轴电影图像对应的元数据，确定所述第一长轴电影图像中目标点的坐标及所述第一长轴电影图像的定位线方向矢量；定位子模块，用于根据所述第一长轴电影图像中目标点的坐标、所述第一长轴电影图像的定位线方向矢量、所述第一短轴电影图像中目标点的坐标及所述第一短轴电影图像的定位线方向矢量，确定所述第一短轴电影图像与所述第一长轴电影图像的相交线。
在一种可能的实现方式中，所述优化模块，包括：位置判断子模块，用于确定所述相交线与所述长轴分割结果中左心室内膜、左心室外模、左心房内膜中的至少一项的相交位置关系；优化子模块，用于根据所述相交位置关系，对所述短轴分割结果进行优化，得到心室分割结果。
在一种可能的实现方式中，位置判断子模块具体可以用于：在所述第一短轴电影图像包括心底部分的情况下，判断所述相交线与所述长轴分割结果中的左心室外膜和/或左心房内膜是否相交；优化子模块具体可以用于：若所述相交线与所述长轴分割结果中的左心室外膜相交，则确定所述第一短轴电影图像中包含左心室区域；若所述相交线与所述长轴分割结果中的左心房内膜相交，则确定所述第一短轴电影图像不包含左心室区域；
在一种可能的实现方式中，位置判断子模块具体可以用于：在所述第一短轴电影图像包括心尖部分的情况下，判断所述相交线与所述长轴分割结果中的左心室外膜和/或左心室内膜是否相交；优化子模块具体可以用于：若所述相交线与所述长轴分割结果中的左心室外膜或左心室内膜相交，则确定所述第一短轴电影图像中包含左心室外膜或左心室内膜；若所述相交线与所述长轴分割结果中的左心室外膜和左心室内膜均不相交，则确定所述第一短轴电影图像不包含左心室区域。
在一种可能的实现方式中，第一分割模块具体用于：根据所述短轴分割模型，对所述第一短轴电影图像中左心室内膜、左心室外膜、右心室内膜、右心室外膜中的至少一个区域进行分割，得到所述短轴分割结果。
在一种可能的实现方式中，第二分割模块具体用于：根据所述长轴分割模型，对所述第一长轴电影图像中左心室内膜、左心室外膜、右心室内膜、左心房内膜、右心房内膜中的至少一个区域进行分割，得到所述长轴分割结果。
在一种可能的实现方式中，所述装置还包括：第一训练模块，用于根据人工标注分割结果的短轴样本图像对第一预设模型进行训练，得到所述短轴分割模型，其中，对所述第一预设模型的训练过程中损失函数为左心室内膜、左心室外膜、右心室内膜、右心室外膜中各区域的Dice系数总和，且左心室外膜Dice系数的比重高于其他区域Dice系数的比重；第二训练模块，用于根据人工标注分割结果的长轴样本图像对第二预设模型进行训练，得到所述长轴分割模型；其中，对所述第二预设模型的训练过程中损失函数为左心室内膜、左心室外膜、右心室内膜、左心房内膜、右心房内膜中各区域的Dice系数总和，且左心室外膜Dice系数及左心房内膜Dice系数的比重高于其他区域Dice系数的比重。
根据本公开的另一方面，提供了一种电子设备，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在执行所述存储器存储的指令时，实现上述方法。
根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，综合考虑心脏磁共振影像中各电影序列之间信息的较强关联性，通过多电影序列协同，确定第一短轴电影图像与所述第一长轴电影图像之间的相交线，从而利用第一长轴电影图像和短轴电影图像的关联定位，实现两个不同切面(即第一长轴电影图像所在切面和第一短轴电影图像所在切面)的位置信息准确定位；并利用第一长轴电影图像中更清晰的房室膜形态特征以及准确的长轴左心室、左心房的区域分割结果，对第一短轴电影图像的分割结果进行优化，确定第一短轴电影图像上分割区域的房室归属，准确分割出第一短轴电影图像中左心室与左心房、主动脉等区域，从而得到准确的心室分割结果。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示根据出本公开一实施例的心脏磁共振影像的心室分割方法的流程图；
图2示出根据本公开一实施例的第一短轴电影图像与第一长轴电影图像之间的相交线确定过程的流程图；
图3示出根据本公开一实施例的优化短轴分割结果确定过程的流程图；
图4示根据出本公开一实施例的心脏磁共振影像的心室分割方法的流程图；
图5示根据出本公开一实施例的心脏磁共振影像的心室分割装置的框图；
图6示出根据本公开一实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
心室分割这项工作，早期是由有经验的医生使用各类标注工具，花费大量的时间进行手工勾勒得到的。而一次心脏磁共振检查就会产生数百张甚至上千张图像，尤其是短轴电影序列中图像数量最多。对如此数量的数据进行手工标注是极其耗费人力资源的。相关技术中，采用深度学习方法进行分割，目前神经网络在包括分类、分割等图像处理方面有着比较成熟的技术，能够通过对一定数量已标注数据的反复学习后，将所需的区域分割较准确地进行预测。但对于比较复杂的心脏磁共振影像，由于心脏磁共振图像的短轴电影图像上，左心室与左心房在分隔处的形态、亮度等成像特征上并不存在明显的区别，且之间的房室瓣在短轴电影图像中难以分辨，导致在左心室的心底区域，与左心房交接处的判断存在着比较大的困难，单独通过短轴电影图像进行判断非常容易错乱。尤其是经常把左心房或主动脉等区域划至左心室的分割之中，或者把仍归属于左心室的区域排除在外，从而导致左心室容积、左心室射血分数等重要的心功能参数计算不准确。
相关技术中的深度学习方法尤其在这一部分的判断上存在不可避免的软肋，即使是较深层的神经网络最多也只能够获取到短轴电影图像的整体信息，不足以获取足够的信息进行分辨的。而对于这一部分最便捷且确切的分辨方法是从心脏磁共振的长轴电影图像上进行观察；在长轴电影图像中，房室瓣的形态从瓣根到瓣尖都相对更加明显，且位置信息明确。
为此，本公开实施例提出了一种基于心脏磁共振影像长轴与短轴关联定位的心室分割方法，综合考虑心脏磁共振影像中各电影序列之间信息的较强关联性，通过多电影序列协同，利用心脏磁共振影像中长轴电影图像和短轴电影图像的关联定位，实现两个不同切面的位置信息准确定位，并利用长轴电影图像中更清晰的房室膜形态特征以及准确的长轴左心室、左心房的区域分割结果，对短轴电影图像的分割结果进行优化，确定短轴电影图像上分割区域的房室归属；准确分割出短轴电影图像中左心室与左心房、主动脉等区域。
下面对本公开实施例的心室分割方法进行详细说明。
图1示出根据本公开一实施例的心脏磁共振影像的心室分割方法的流程图。所述心室分割方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(UserEquipment，UE)、移动设备、用户终端、蜂窝电话、无绳电话、个人数字助理(PersonalDigital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等具有数据处理能力的设备，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。如图1所示，所述心室分割方法可以包括步骤S11-步骤S15，其中：
在步骤S11中，获取待处理心脏磁共振影像及所述待处理心脏磁共振影像中各图像对应的元数据(MetaData)，所述待处理心脏磁共振影像包括第一短轴电影图像和第一长轴电影图像；所述第一短轴电影图像与所述第一长轴电影图像为同一期相的图像。
示例性的，所述待处理心脏磁共振影像可以包括短轴电影序列(也可以称为短轴序列)和长轴电影序列(也可以称为长轴序列)；其中，短轴电影序列可以包括多个不同短轴切面的图像，长轴电影序列可以包括多个不同长轴切面的图像，所述第一短轴电影图像可以为所述短轴电影序列中的任一图像；所述第一长轴电影图像可以为所述长轴电影序列中与所述第一短轴电影图像为同一期相的图像。可选的，第一长轴电影图像可以为四腔图像。
示例性的，所述待处理心脏磁共振影像可以为医学数字成像和通信(DigitalImaging and Communications in Medicine，Dicom)格式的影像。所述待处理心脏磁共振影像中各图像对应的元数据(也可称为元标签)，可以包括触发时间TriggerTime(0018，1060)、患者位置PatientPosition(0018，5100)、患者坐标系ImagePositionPatient(0020，0032)、图像坐标系IamgeOrientation(Patient)(0020，0037)、像素间距PixelSpacing(0028，0030)等条目。
可以理解的是，待处理心脏磁共振影像所需要采集的序列的切面和种类都非常多，可以根据不同的需求，选取不同的切面进行分析。作为一个示例，为了计算出准确的各项心功能参数，可以在待处理心脏磁共振影像中筛选出短轴电影序列和长轴电影序列，可以读出对应序列Dicom中的图像以及各图像对应的元数据，用于后续的计算和分析。
示例性地，可以统一短轴电影序列中不同短轴切面排列的顺序，统一按心底至心尖排列；并将每个短轴切面中的每张dicom格式的短轴电影图像按期相的顺序排列。
在一种可能的实现方式中，可以对待处理心脏磁共振影像及所述待处理心脏磁共振影像中各图像对应的元数据进行筛选，从而得到第一短轴电影图像及其对应的元数据、第一长轴电影图像及其对应的元数据。
示例性的，考虑到采集参数设置不正确或伪影较为严重等质量差的数据，不会增加使用数据的丰富性，反而会起到负面作用，因此，可以从Dicom格式的待处理心脏磁共振影像中，排除采集参数设置不正确或伪影较为严重的图像。进而，考虑到切面数量较多的短轴电影序列中，通常也会有少数不包含房室区域或是没有有效信息的切面，可以对这些切面进行排除。最后，在筛选得到的短轴电影序列中选取任一图像作为第一短轴电影图像，并获取其对应的元数据；在筛选得到的长轴电影序列中选取任一图像作为第一长轴电影图像，并获取其对应的元数据。
在步骤S12中，通过短轴分割模型，对所述第一短轴电影图像进行分割，得到短轴分割结果；所述短轴分割模型由人工标注分割结果的短轴样本图像训练得到。
该步骤中，将第一短轴图像输入到训练好的短轴分割模型，短轴分割模型进行心脏房室区域分割的预测，端到端地输出短轴分割结果。
作为一个示例，可以将Dicom格式的第一短轴电影图像转为numpy(NumericalPython)格式，并将第一短轴电影图像的尺寸重置为256*256，然后输入至训练好的所述短轴分割模型中，得到短轴分割结果，其中，短轴分割结果可以包括所述第一短轴电影图像对应的房室区域分割的掩膜mask。
在一种可能的实现方式中，步骤S12中，所述通过短轴分割模型，对所述第一短轴电影图像进行分割，得到短轴分割结果，包括：根据所述短轴分割模型，对所述第一短轴电影图像中左心室内膜、左心室外膜、右心室内膜、右心室外膜中的至少一个区域进行分割，得到所述短轴分割结果。
示例性地，针对短轴电影序列上的心脏分割，可以对短轴电影序列中各短轴电影图像的左心室内膜、左心室外膜、右心室内膜、右心室外膜四个区域进行分割，得到这四个区域的分割结果，例如，可以得到这四个区域的掩膜；得到这四个区域的分割结果后便能够计算大部分有价值的心功能参数。
在步骤S13中，通过长轴分割模型，对所述第一长轴电影图像进行分割，得到长轴分割结果；所述长轴分割模型由人工标注分割结果的长轴样本图像训练得到。
该步骤中，将第一长轴电影图像输入到训练好的长轴分割模型，长轴分割模型进行心脏房室区域分割的预测，端到端地输出长轴分割结果。
作为一个示例，可以将Dicom格式的第一长轴电影图像转为numpy(NumericalPython)格式，并将第一长轴电影图像的尺寸重置为256*256，然后输入至训练好的所述长轴分割模型中，得到长轴分割结果，其中，长轴分割结果可以包括所述第一长轴电影图像对应的房室区域分割的掩膜。
在一种可能的实现方式中，步骤S13中，所述通过长轴分割模型，对所述第一长轴电影图像进行分割，得到长轴分割结果，包括：根据所述长轴分割模型，对所述第一长轴电影图像中左心室内膜、左心室外膜、右心室内膜、左心房内膜、右心房内膜中的至少一个区域进行分割，得到所述长轴分割结果。
示例性地，针对长轴电影序列上的心脏分割，可以对长轴四腔序列中各长轴电影图像的左心室内膜、左心室外膜、右心室内膜、左心房内膜，右心房内膜五个区域进行分割，得到这五个区域的分割结果，例如，可以得到这五个区域的掩膜。
在步骤S14中，根据所述第一短轴电影图像对应的元数据及所述第一长轴电影图像对应的元数据，确定所述第一短轴电影图像与所述第一长轴电影图像之间的相交线。
该步骤中，通过确定所述第一短轴电影图像与所述第一长轴电影图像之间的相交线，从而将第一短轴电影图像定位至所述第一长轴电影图像。
示例性地，可以在计算出第一短轴电影图像与第一长轴电影图像之间的相交线后，在第一长轴电影图像的对应位置绘制出定位线。
在步骤S15中，根据所述相交线及所述长轴分割结果，对所述短轴分割结果进行优化，得到心室分割结果。
考虑到第一长轴电影图像的边缘清晰，特征明显，因此长轴分割结果通常准确，该步骤中，通过第一短轴电影图像与第一长轴电影图像的关联定位，结合准确的长轴分割结果，确保对短轴分割结果产生正面帮助作用，筛除短轴分割结果中的错误分割结果，从而得到准确的心室分割结果。
可以理解是，根据相交线及长轴分割结果，对所述短轴分割结果进行优化，还可以得到准确的心房分割结果。
示例性地，可以第一短轴电影图像与第一长轴电影图像的关联定位和长轴分割结果，对第一短轴电影图像的左心室内膜、左心室外膜、右心室内膜、右心室外膜的分割结果进行优化，从而分割得到更加准确的左心室内膜、左心室外膜、右心室内膜、右心室外膜。
在一种可能的实现方式中，可以进一步对优化后得到的分割结果，例如心室分割结果和/或心房分割结果，进行平滑处理：示例性地，可以采用开运算、闭运算等形态学操作，填充分割区域中间出现的空洞，以及边缘明显的凸起或凹陷。进而，将求取各分割区域的掩膜的边缘曲线，使用一维(1D)的高斯模糊对边缘曲线进行平滑，平滑的窗口参数根据掩膜的面积大小进行自适应的变化。最后，将边缘曲线恢复为掩膜，得到边缘平滑的区域分割结果。
这样，通过上述步骤S11-步骤S15，使用深度学习的方法，获取第一长轴电影图像与第一短轴电影图像的初步分割结果，并根据更准确的长轴分割结果及第一长轴电影图像与第一短轴电影图像的关联定位，得到更准确的短轴分割结果。本公开实施例中方法对长轴电影图像与短轴电影图像上都存在的房室区域，均能取得很好的分割效果。作为一个示例，第一长轴电影图像与第一短轴电影图像均为Dicom格式的图像，由于Dicom中的tag信息(即元数据)是通用必不可少的，不会因为采样机器或方式不同导致缺失或改变，适用面非常广；在从Dicom中选取出需要的电影序列后，可以自动化处理，得到准确的分割结果，运行时间短，占用计算资源的需求少，对比有经验医生手动完成相同工作能够将时间由一天缩短至10秒，且准确度极高。
图2示出根据本公开一实施例的第一短轴电影图像与第一长轴电影图像之间的相交线确定过程的流程图。上述步骤S14中，所述根据所述第一短轴电影图像对应的元数据及所述第一长轴电影图像对应的元数据，确定所述第一短轴电影图像与所述第一长轴电影图像之间的相交线，如图2所示，可以包括：
步骤S141，根据所述第一短轴电影图像对应的元数据，确定所述第一短轴电影图像中目标点的坐标及所述第一短轴电影图像的定位线方向矢量；
示例性地，第一短轴电影图像中目标点可以为第一短轴电影图像左上角点；目标点的坐标可以为第一短轴电影图像左上角点的世界坐标。可以理解的是，执行该步骤前，可以确定世界坐标系。
作为一个示例，可以由元数据中PatientPosition(0018，5100)，获取所述第一短轴电影图像左上角点的世界坐标；由元数据中IamgeOrientation(Patient)(0020，0037)，计算所述第一短轴电影图像的定位线方向矢量。
步骤S142，根据所述第一长轴电影图像对应的元数据，确定所述第一长轴电影图像中目标点的坐标及所述第一长轴电影图像的定位线方向矢量；
示例性地，第一长轴电影图像中目标点可以为第一长轴电影图像左上角点；目标点的坐标可以为第一长轴电影图像左上角点的世界坐标。
作为一个示例，可以由元数据中PatientPosition(0018，5100)，获取所述第一长轴电影图像左上角点的世界坐标；可以由元数据中IamgeOrientation(Patient)(0020，0037)，计算所述第一长轴电影图像的定位线方向矢量；
步骤S143，根据所述第一长轴电影图像中目标点的坐标、所述第一长轴电影图像的定位线方向矢量、所述第一短轴电影图像中目标点的坐标及所述第一短轴电影图像的定位线方向矢量，确定所述第一短轴电影图像与所述第一长轴电影图像的相交线。
这样，通过上述步骤S141-S143，求取所述第一长轴电影图像的世界坐标系和定位线方向矢量、所述第一短轴电影图像的世界坐标系和定位线方向矢量，确定所述第一短轴电影图像和所述第一长轴电影图像的相交线；从而将所述第一短轴电影图像定位至所述第一长轴电影图像。
图3示出根据本公开一实施例的优化短轴分割结果确定过程的流程图。上述步骤S15中，所述根据所述相交线及所述长轴分割结果，对所述短轴分割结果进行优化，得到心室分割结果，如图3所示，可以包括：
步骤S151，确定所述相交线与所述长轴分割结果中左心室内膜、左心室外模、左心房内膜中的至少一项的相交位置关系；
步骤S152，根据所述相交位置关系，对所述短轴分割结果进行优化，得到心室分割结果。
这样，将第一短轴电影图像定位到同一期相的第一长轴电影图像中后，通过判断所述相交线和所述长轴分割结果中各个区域的位置关系，优化所述短轴分割结果。
示例性地，可以根据相交线与第一长轴电影图像中的左心室与左心房内膜的分割结果的相交位置关系，确定同一期相的第一短轴电影图像中是否包含所需的区域。
在一种可能的实现方式中，上述步骤S151中，所述确定所述相交线与所述长轴分割结果中左心室内膜、左心室外模、左心房内膜中的至少一项的相交位置关系，可以包括：所述第一短轴电影图像包括心底部分的情况下，判断所述相交线与所述长轴分割结果中的左心室外膜和/或左心房内膜是否相交；上述步骤S152中，所述根据所述相交位置关系，对所述短轴分割结果进行优化，得到心室分割结果，可以包括：若所述相交线与所述长轴分割结果中的左心室外膜相交，则确定所述第一短轴电影图像中包含左心室区域；若所述相交线与所述长轴分割结果中的左心房内膜相交，则确定所述第一短轴电影图像不包含左心室区域。
这样，在心底部分，通过判断相交线与第一长轴电影图像中的左心室外膜是否相交，判断第一短轴电影图像中是否为左心室检测，若相交线与左心房内膜相交，则确定第一短轴电影图像所在切面已位于房室瓣膜的左心房一侧，而非左心室区域。
在一种可能的实现方式中，上述步骤S151中，所述确定所述相交线与所述长轴分割结果中左心室内膜、左心室外模、左心房内膜中的至少一项的相交位置关系，可以包括：在所述第一短轴电影图像包括心尖部分的情况下，判断所述相交线与所述长轴分割结果中的左心室外膜和/或左心室内膜是否相交；上述步骤S152中，所述根据所述相交位置关系，对所述短轴分割结果进行优化，得到心室分割结果，可以包括：若所述相交线与所述长轴分割结果中的左心室外膜或左心室内膜相交，则确定所述第一短轴电影图像中包含左心室外膜或左心室内膜；若所述相交线与所述长轴分割结果中的左心室外膜和左心室内膜均不相交，则确定所述第一短轴电影图像不包含左心室区域。
这样，在心尖部分，通过判断相交线与第一长轴电影图像中的左心室外膜或内膜是否相交，判断第一短轴电影图像中是否存在左心室的外膜或内膜，若相交线位于心脏范围之外，从而可以帮助去除不需要进行分割的区域。
进一步的，所述方法还包括：训练获得所述短轴分割模型和所述长轴分割模型。示例性地，可以在上述步骤S11之前执行对该训练过程。
作为一个示例，可以利用由人工标注分割结果的短轴样本图像训练得到短轴分割模型。示例性地，可以通过人工标注短轴电影图像上左心室内膜、左心室外膜、右心室内膜和右心室外膜的分割结果，获取短轴训练样本图像，将短轴训练样本图像输入第一预设模型中训练获得短轴分割模型。可以理解的是，在得到短轴训练样本图像的过程中，可以进行数据筛选等预处理，具体方式可参照前文对第一短轴电影图像进行预处理的相关描述，在此不再赘述。
在一种可能的实现方式中，所述方法包括：根据人工标注分割结果的短轴样本图像对第一预设模型进行训练，得到所述短轴分割模型，其中，对所述第一预设模型的训练过程中损失函数为左心室内膜、左心室外膜、右心室内膜、右心室外膜中各区域的Dice(一种集合相似度度量指标)系数总和，且左心室外膜Dice系数的比重高于其他区域Dice系数的比重。
示例性的，所述第一预设模型可以为hrnet神经网络模型，其中hrnet神经网络模型的相关参数可以根据已有数据特征分布进行调整，本公开实施例不做限定。
示例性地，为了提高hrnet神经网络阅读深层语义信息的能力，基于神经网络hrnet进行了部分针对性的修改，在hrnet神经网络的最深层加入了一个4级的Dilation(膨胀卷积)模块，从而能够有效提高分割的Dice。
示例性地，hrnet神经网络模型的损失函数LOSS可以设置为各分割区域的Dice总和，考虑到左心室外膜的分割结果对于各项相关参数都更加敏感，可以将左心室外膜Dice系数的比重提升至其他区域Dice系数比重的两倍；从而避免整体Dice背景过大导致损失函数LOSS不敏感并通过加权控制各分割区域在训练中的重要程度。
举例来说，可以通过专业人员对Dicom格式的短轴电影图像的左心室内膜、左心室外膜、右心室内膜、右心室外膜四个区域进行人工分割，并使用Segment软件对上述四个区域进行精细标注，获得对应的标注后的label(标签)数据；将所述短轴训练样本图像及对应的标注后的label数据转为numpy格式，并将所述短轴训练样本图像的尺寸统一重置为256*256；hrnet神经网络的最深层加入了一个4级的Dilation模块；设置hrnet神经网络的初始学习率为0.001，并设置回调函数ReduceLROnPlateau的学习率下降策略；损失函数LOSS设置为左心室内膜、左心室外膜、右心室内膜、右心室外膜中各区域的Dice系数总和，将左心室外膜的比重提高至2倍；将所述短轴训练样本图像输入设置好的hrnet神经网络模型，训练获得所述短轴分割模型。
需要说明的是，上述第一预设模型采用的神经网络仅为示例，可以替换为任何高效网络，如AttentionUnet等。综合考虑实用性及使用时的预测速度，可以使用网络深度适当的较轻量级神经网络。
作为一个示例，可以利用由人工标注分割结果的长轴样本图像训练得到长轴分割模型。示例性地，可以通过人工标注长轴电影图像上左心室内膜、左心室外膜、右心室内膜、左心房内膜和右心房内膜的分割结果，获取长轴训练样本图像，将长轴训练样本图像输入第二预设模型训练获得长轴分割模型。可以理解的是，在得到长轴训练样本图像的过程中，可以进行数据筛选等预处理，具体方式可参照前文对第一长轴电影图像进行预处理的相关描述，在此不再赘述。
在一种可能的实现方式中，所述方法包括：根据人工标注分割结果的长轴样本图像对第二预设模型进行训练，得到所述长轴分割模型；其中，对所述第二预设模型的训练过程中损失函数为左心室内膜、左心室外膜、右心室内膜、左心房内膜、右心房内膜中各区域的Dice系数总和，且左心室外膜Dice系数及左心房内膜Dice系数的比重高于其他区域Dice系数的比重。
示例性的，所述第二预设模型可以为hrnet神经网络模型，其中hrnet神经网络模型的相关参数可以根据已有数据特征分布进行调整，本公开实施例不做限定。
示例性地，为了提高hrnet神经网络阅读深层语义信息的能力，基于神经网络hrnet进行了部分针对性的修改，在hrnet神经网络的最深层加入了一个4级的Dilation(膨胀卷积)模块，从而能够有效提高分割的Dice。
示例性地，hrnet神经网络模型的损失函数LOSS可以设置为各分割区域的Dice总和，考虑到左心室外膜与左心房内膜的分割结果的准确性极为关键，可以将左心室外膜与左心房内膜Dice系数的比重提升至其他区域Dice系数比重的两倍。从而避免整体Dice背景过大导致损失函数LOSS不敏感并通过加权控制各分割区域在训练中的重要程度。
举例来说，可以通过专业人员对Dicom格式的长轴电影图像的左心室内膜、左心室外膜、右心室内膜、左心房内膜、右心房内膜五个区域进行人工分割，得到长轴训练样本图像，例如长轴二腔样本图像、长轴三腔样本图像、长轴四腔样本图像，并使用Segment软件对上述五个区域进行精细标注，获得对应的标注后的label数据；将所述长轴训练样本图像及对应的标注后的label数据转为numpy格式，并将所述长轴训练样本图像的尺寸统一重置为256*256；hrnet神经网络的最深层加入了一个4级的Dilation模块；设置hrnet神经网络的初始学习率为0.001，并设置回调函数ReduceLROnPlateau的学习率下降策略；损失函数LOSS设置为左心室内膜、左心室外膜、右心室内膜、左心房内膜、右心房内膜中各区域的Dice系数总和，将左心室外膜与左心房外膜的比重提高至2倍；考虑到长轴四腔图像上各心室与心房之间的位置信息更加全面，能够有效定位短轴电影图像；可以将所述长轴训练样本图像中的长轴二腔样本图像和长轴三腔样本图像输入设置好的hrnet神经网络模型，获得预训练模型，根据所述长轴训练样本图像中的长轴四腔样本图像对预训练模型进行fintune微调，获得所述长轴分割模型。
需要说明的是，上述第二预设模型采用的神经网络仅为示例，可以替换为任何高效网络，如AttentionUnet等。综合考虑实用性及使用时的预测速度，可以使用网络深度适当的较轻量级神经网络。
图4示出根据本公开一实施例的心脏磁共振影像的心室分割方法的流程图。如图4所示：在训练阶段，获取训练集数据(包括长轴电影序列和短轴电影序列)，并在训练集数据中提取需要图像及信息，进而对图像进行预处理和数据标注，得到长轴样本图像及短轴样本图像，并通过前文所述方式训练得到短轴分割模型和长轴分割模型；在分割预测阶段，获取待推理数据(如待处理心脏磁共振影像)，并在待推理数据中获取待推理图像(如长轴电影图像和短轴电影图像)及信息(如元数据)，例如，可以获取长轴电影图像以及对应的元数据和短轴电影图像以及对应的元数据，根据待推理图像及信息对长轴电影图像和短轴电影图像进行关联定位，并对待推理图像进行预处理后输入训练获得的短轴分割模型和长轴分割模型，端对端地输出对应的心室区域分割推理结果，根据关联定位确定多序列分割推理结果，通过开运算、闭运算等形态学操作以及高斯模糊对边缘曲线进行平滑等对推理结果进行后处理，得到最终分割推理结果。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
这样，通过本公开实施例的心室分割方法，综合考虑心脏磁共振影像中各电影序列之间信息的较强关联性，通过多电影序列协同，确定第一短轴电影图像与所述第一长轴电影图像之间的相交线，从而利用心脏磁共振影像中长轴电影图像和短轴电影图像的关联定位，实现两个不同切面的位置信息准确定位；并利用长轴电影图像中更清晰的房室膜形态特征以及准确的长轴左心室、左心房的区域分割结果，对短轴电影图像的分割结果进行优化，确定短轴电影图像上分割区域的房室归属，准确分割出短轴电影图像中左心室与左心房、主动脉等区域，从而得到准确的心室分割结果。
本公开实施例还提出一种心脏磁共振影像的心室分割装置、电子设备和计算机可读存储介质，可用来实现本公开提供的任意一种心室分割方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图5示出根据本公开实施例的一种心室分割装置的框图。如图5所示，该装置30包括：
获取模块301，用于获取待处理心脏磁共振影像及所述待处理心脏磁共振影像中各图像对应的元数据，所述待处理心脏磁共振影像包括第一短轴电影图像和第一长轴电影图像；所述第一短轴电影图像与所述第一长轴电影图像为同一期相的图像；
第一分割模块302，用于通过短轴分割模型，对所述第一短轴电影图像进行分割，得到短轴分割结果，所述短轴分割模型由人工标注分割结果的短轴样本图像训练得到；
第二分割模块303，用于通过长轴分割模型，对所述第一长轴电影图像进行分割，得到长轴分割结果，所述长轴分割模型由人工标注分割结果的长轴样本图像训练得到；
定位模块304，用于根据所述第一短轴电影图像对应的元数据及所述第一长轴电影图像对应的元数据，确定所述第一短轴电影图像与所述第一长轴电影图像之间的相交线；
优化模块305，用于根据所述相交线及所述长轴分割结果，对所述短轴分割结果进行优化，得到心室分割结果。
在一种可能的实现方式中，定位模块304，包括：
第一确定子模块，用于根据所述第一短轴电影图像对应的元数据，确定所述第一短轴电影图像中目标点的坐标及所述第一短轴电影图像的定位线方向矢量；
第二确定子模块，用于根据所述第一长轴电影图像对应的元数据，确定所述第一长轴电影图像中目标点的坐标及所述第一长轴电影图像的定位线方向矢量；
定位子模块，用于根据所述第一长轴电影图像中目标点的坐标、所述第一长轴电影图像的定位线方向矢量、所述第一短轴电影图像中目标点的坐标及所述第一短轴电影图像的定位线方向矢量，确定所述第一短轴电影图像与所述第一长轴电影图像的相交线。
在一种可能的实现方式中，优化模块305，包括：
位置判断子模块，用于确定所述相交线与所述长轴分割结果中左心室内膜、左心室外模、左心房内膜中的至少一项的相交位置关系；
优化子模块，用于根据所述相交位置关系，对所述短轴分割结果进行优化，得到心室分割结果。
在一种可能的实现方式中，位置判断子模块具体可以用于：在所述第一短轴电影图像包括心底部分的情况下，判断所述相交线与所述长轴分割结果中的左心室外膜和/或左心房内膜是否相交；
优化子模块具体可以用于：若所述相交线与所述长轴分割结果中的左心室外膜相交，则确定所述第一短轴电影图像中包含左心室区域；若所述相交线与所述长轴分割结果中的左心房内膜相交，则确定所述第一短轴电影图像不包含左心室区域；
在一种可能的实现方式中，位置判断子模块具体可以用于：在所述第一短轴电影图像包括心尖部分的情况下，判断所述相交线与所述长轴分割结果中的左心室外膜和/或左心室内膜是否相交；
优化子模块具体可以用于：若所述相交线与所述长轴分割结果中的左心室外膜或左心室内膜相交，则确定所述第一短轴电影图像中包含左心室外膜或左心室内膜；若所述相交线与所述长轴分割结果中的左心室外膜和左心室内膜均不相交，则确定所述第一短轴电影图像不包含左心室区域。
在一种可能的实现方式中，第一分割模块302具体用于：根据所述短轴分割模型，对所述第一短轴电影图像中左心室内膜、左心室外膜、右心室内膜、右心室外膜中的至少一个区域进行分割，得到所述短轴分割结果。
在一种可能的实现方式中，第二分割模块303具体用于：根据所述长轴分割模型，对所述第一长轴电影图像中左心室内膜、左心室外膜、右心室内膜、左心房内膜、右心房内膜中的至少一个区域进行分割，得到所述长轴分割结果。
在一种可能的实现方式中，装置30还包括：
第一训练模块，用于根据人工标注分割结果的短轴样本图像对第一预设模型进行训练，得到所述短轴分割模型，其中，对所述第一预设模型的训练过程中损失函数为左心室内膜、左心室外膜、右心室内膜、右心室外膜中各区域的Dice系数总和，且左心室外膜Dice系数的比重高于其他区域Dice系数的比重；
第二训练模块，用于根据人工标注分割结果的长轴样本图像对第二预设模型进行训练，得到所述长轴分割模型；其中，对所述第二预设模型的训练过程中损失函数为左心室内膜、左心室外膜、右心室内膜、左心房内膜、右心房内膜中各区域的Dice系数总和，且左心室外膜Dice系数及左心房内膜Dice系数的比重高于其他区域Dice系数的比重。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例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在执行所述存储器存储的指令时，实现上述方法。
图6示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种心脏磁共振影像的心室分割方法，其特征在于，所述方法包括：
获取待处理心脏磁共振影像及所述待处理心脏磁共振影像中各图像对应的元数据，所述待处理心脏磁共振影像包括第一短轴电影图像和第一长轴电影图像，所述第一短轴电影图像与所述第一长轴电影图像为同一期相的图像；
通过短轴分割模型，对所述第一短轴电影图像进行分割，得到短轴分割结果，所述短轴分割模型由人工标注分割结果的短轴样本图像训练得到；
通过长轴分割模型，对所述第一长轴电影图像进行分割，得到长轴分割结果，所述长轴分割模型由人工标注分割结果的长轴样本图像训练得到；
根据所述第一短轴电影图像对应的元数据及所述第一长轴电影图像对应的元数据，确定所述第一短轴电影图像与所述第一长轴电影图像之间的相交线；
根据所述相交线及所述长轴分割结果，对所述短轴分割结果进行优化，得到心室分割结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一短轴电影图像对应的元数据及所述第一长轴电影图像对应的元数据，确定所述第一短轴电影图像与所述第一长轴电影图像之间的相交线，包括：
根据所述第一短轴电影图像对应的元数据，确定所述第一短轴电影图像中目标点的坐标及所述第一短轴电影图像的定位线方向矢量；
根据所述第一长轴电影图像对应的元数据，确定所述第一长轴电影图像中目标点的坐标及所述第一长轴电影图像的定位线方向矢量；
根据所述第一长轴电影图像中目标点的坐标、所述第一长轴电影图像的定位线方向矢量、所述第一短轴电影图像中目标点的坐标及所述第一短轴电影图像的定位线方向矢量，确定所述第一短轴电影图像与所述第一长轴电影图像的相交线。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述相交线及所述长轴分割结果，对所述短轴分割结果进行优化，得到心室分割结果，包括：
确定所述相交线与所述长轴分割结果中左心室内膜、左心室外模、左心房内膜中的至少一项的相交位置关系；
根据所述相交位置关系，对所述短轴分割结果进行优化，得到心室分割结果。
4.根据权利要求3所述的方法，其特征在于，所述确定所述相交线与所述长轴分割结果中左心室内膜、左心室外模、左心房内膜中的至少一项的相交位置关系，包括：在所述第一短轴电影图像包括心底部分的情况下，判断所述相交线与所述长轴分割结果中的左心室外膜和/或左心房内膜是否相交；
所述根据所述相交位置关系，对所述短轴分割结果进行优化，得到心室分割结果，包括：若所述相交线与所述长轴分割结果中的左心室外膜相交，则确定所述第一短轴电影图像中包含左心室区域；若所述相交线与所述长轴分割结果中的左心房内膜相交，则确定所述第一短轴电影图像不包含左心室区域；
和/或，
所述确定所述相交线与所述长轴分割结果中左心室内膜、左心室外模、左心房内膜中的至少一项的相交位置关系，包括：在所述第一短轴电影图像包括心尖部分的情况下，判断所述相交线与所述长轴分割结果中的左心室外膜和/或左心室内膜是否相交；
所述根据所述相交位置关系，对所述短轴分割结果进行优化，得到心室分割结果，包括：若所述相交线与所述长轴分割结果中的左心室外膜或左心室内膜相交，则确定所述第一短轴电影图像中包含左心室外膜或左心室内膜；若所述相交线与所述长轴分割结果中的左心室外膜和左心室内膜均不相交，则确定所述第一短轴电影图像不包含左心室区域。
5.根据权利要求1所述的方法，其特征在于，所述通过短轴分割模型，对所述第一短轴电影图像进行分割，得到短轴分割结果，包括：
根据所述短轴分割模型，对所述第一短轴电影图像中左心室内膜、左心室外膜、右心室内膜、右心室外膜中的至少一个区域进行分割，得到所述短轴分割结果。
6.根据权利要求1所述的方法，其特征在于，所述通过长轴分割模型，对所述第一长轴电影图像进行分割，得到长轴分割结果，包括：
根据所述长轴分割模型，对所述第一长轴电影图像中左心室内膜、左心室外膜、右心室内膜、左心房内膜、右心房内膜中的至少一个区域进行分割，得到所述长轴分割结果。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据人工标注分割结果的短轴样本图像对第一预设模型进行训练，得到所述短轴分割模型，其中，对所述第一预设模型的训练过程中损失函数为左心室内膜、左心室外膜、右心室内膜、右心室外膜中各区域的Dice系数总和，且左心室外膜Dice系数的比重高于其他区域Dice系数的比重；
根据人工标注分割结果的长轴样本图像对第二预设模型进行训练，得到所述长轴分割模型；其中，对所述第二预设模型的训练过程中损失函数为左心室内膜、左心室外膜、右心室内膜、左心房内膜、右心房内膜中各区域的Dice系数总和，且左心室外膜Dice系数及左心房内膜Dice系数的比重高于其他区域Dice系数的比重。
8.一种心脏磁共振影像的心室分割装置，其特征在于，所述装置包括：
获取模块，用于获取待处理心脏磁共振影像及所述待处理心脏磁共振影像中各图像对应的元数据，所述待处理心脏磁共振影像包括第一短轴电影图像和第一长轴电影图像，所述第一短轴电影图像与所述第一长轴电影图像为同一期相的图像；
第一分割模块，用于通过短轴分割模型，对所述第一短轴电影图像进行分割，得到短轴分割结果，所述短轴分割模型由人工标注分割结果的短轴样本图像训练得到；
第二分割模块，用于通过长轴分割模型，对所述第一长轴电影图像进行分割，得到长轴分割结果，所述长轴分割模型由人工标注分割结果的长轴样本图像训练得到；
定位模块，用于根据所述第一短轴电影图像对应的元数据及所述第一长轴电影图像对应的元数据，确定所述第一短轴电影图像与所述第一长轴电影图像之间的相交线；
优化模块，用于根据所述相交线及所述长轴分割结果，对所述短轴分割结果进行优化，得到心室分割结果。
9.一种电子设备，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在执行所述存储器存储的指令时，实现权利要求1至7中任意一项所述的方法。
10.一种非易失性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7中任意一项所述的方法。
CN202210924377.0A 2022-08-01 2022-08-01 心脏磁共振影像的心室分割方法和装置 Active CN115272374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210924377.0A CN115272374B (zh) 2022-08-01 2022-08-01 心脏磁共振影像的心室分割方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210924377.0A CN115272374B (zh) 2022-08-01 2022-08-01 心脏磁共振影像的心室分割方法和装置

Publications (2)

Publication Number Publication Date
CN115272374A true CN115272374A (zh) 2022-11-01
CN115272374B CN115272374B (zh) 2023-05-12

Family

ID=83747945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210924377.0A Active CN115272374B (zh) 2022-08-01 2022-08-01 心脏磁共振影像的心室分割方法和装置

Country Status (1)

Country Link
CN (1) CN115272374B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070014452A1 (en) * 2003-12-01 2007-01-18 Mitta Suresh Method and system for image processing and assessment of a state of a heart
US20070063703A1 (en) * 2003-11-14 2007-03-22 Paj Vinay M Method, system, storage medium and software arrangement for radial prescription of long-axis slices in magnetic resonance imaging examinations
US20070253609A1 (en) * 2006-04-28 2007-11-01 Aben Jean-Paul M M Method, Apparatus and Computer Program Product for Automatic Segmenting of Cardiac Chambers
US20110158496A1 (en) * 2008-09-01 2011-06-30 Koninklijke Philips Electronics N.V. Segmentation of the Long-Axis Late-Enhancement Cardiac MRI
US20130259337A1 (en) * 2010-09-29 2013-10-03 Siemens Corporation Cardiac Chamber Volume Computation from Contours and Base Plane in Cardiac MR Cine Images
US20190279361A1 (en) * 2018-03-07 2019-09-12 University Of Virginia Patent Foundation Automatic quantification of cardiac mri for hypertrophic cardiomyopathy
WO2020007026A1 (zh) * 2018-07-03 2020-01-09 深圳先进技术研究院 分割模型训练方法、装置及计算机可读存储介质
US20200226831A1 (en) * 2017-10-05 2020-07-16 Agency For Science, Technology And Research Method and system for geometrical reconstruction of an internal anatomical structure
WO2020193549A1 (en) * 2019-03-27 2020-10-01 Koninklijke Philips N.V. Slice alignment for short axis cardiac mr cine slice stacks
CN111815597A (zh) * 2020-07-01 2020-10-23 杭州脉流科技有限公司 基于ct影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质
CN112766377A (zh) * 2021-01-20 2021-05-07 中国人民解放军总医院 左心室磁共振影像智能分类方法、装置、设备和介质
CN113888520A (zh) * 2020-10-21 2022-01-04 上海联影智能医疗科技有限公司 用于生成牛眼图的系统和方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070063703A1 (en) * 2003-11-14 2007-03-22 Paj Vinay M Method, system, storage medium and software arrangement for radial prescription of long-axis slices in magnetic resonance imaging examinations
US20070014452A1 (en) * 2003-12-01 2007-01-18 Mitta Suresh Method and system for image processing and assessment of a state of a heart
US20070253609A1 (en) * 2006-04-28 2007-11-01 Aben Jean-Paul M M Method, Apparatus and Computer Program Product for Automatic Segmenting of Cardiac Chambers
US20110158496A1 (en) * 2008-09-01 2011-06-30 Koninklijke Philips Electronics N.V. Segmentation of the Long-Axis Late-Enhancement Cardiac MRI
US20130259337A1 (en) * 2010-09-29 2013-10-03 Siemens Corporation Cardiac Chamber Volume Computation from Contours and Base Plane in Cardiac MR Cine Images
US20200226831A1 (en) * 2017-10-05 2020-07-16 Agency For Science, Technology And Research Method and system for geometrical reconstruction of an internal anatomical structure
US20190279361A1 (en) * 2018-03-07 2019-09-12 University Of Virginia Patent Foundation Automatic quantification of cardiac mri for hypertrophic cardiomyopathy
WO2020007026A1 (zh) * 2018-07-03 2020-01-09 深圳先进技术研究院 分割模型训练方法、装置及计算机可读存储介质
WO2020193549A1 (en) * 2019-03-27 2020-10-01 Koninklijke Philips N.V. Slice alignment for short axis cardiac mr cine slice stacks
CN111815597A (zh) * 2020-07-01 2020-10-23 杭州脉流科技有限公司 基于ct影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质
CN113888520A (zh) * 2020-10-21 2022-01-04 上海联影智能医疗科技有限公司 用于生成牛眼图的系统和方法
US20220122259A1 (en) * 2020-10-21 2022-04-21 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for generating bullseye plots
CN112766377A (zh) * 2021-01-20 2021-05-07 中国人民解放军总医院 左心室磁共振影像智能分类方法、装置、设备和介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MARIA CHIARA CARMINATI ET.AL: "Nearly automated motion artifacts correction between multi breath-hold short-axis and long-axis cine CMR images", 《COMPUTERS IN BIOLOGY AND MEDICINE》 *
杨宇荔: "基于CMR长轴和短轴重建左室三维模型", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *
汤敏: "基于Tagged+MR图像左心室运动分析的相关方法研究", 《中国优秀博硕士学位论文全文数据库 (博士)信息科技辑》 *
马玉润: "基于核磁共振序列图像的左心室计算机辅助分割技术研究", 《中国博士学位论文全文数据库医药卫生科技辑》 *

Also Published As

Publication number Publication date
CN115272374B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN109598728B (zh) 图像分割方法、装置、诊断系统及存储介质
CN110047078B (zh) 图像处理方法及装置、电子设备和存储介质
JP2022535219A (ja) 画像分割方法及び装置、電子機器並びに記憶媒体
EP3553742A1 (en) Method and device for identifying pathological picture
US9792694B2 (en) Segmentation using hybrid discriminative generative label fusion of multiple atlases
CN112767329B (zh) 图像处理方法及装置、电子设备
US8913830B2 (en) Multilevel image segmentation
US20200184252A1 (en) Deep Learning Network for Salient Region Identification in Images
CN112541928A (zh) 网络训练方法及装置、图像分割方法及装置和电子设备
US20210224598A1 (en) Method for training deep learning model, electronic equipment, and storage medium
CN112785565A (zh) 目标检测方法及装置、电子设备和存储介质
CN114820584B (zh) 肺部病灶定位装置
CN111899268A (zh) 图像分割方法及装置、电子设备和存储介质
CN112070781A (zh) 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备
WO2020234349A1 (en) Sampling latent variables to generate multiple segmentations of an image
WO2021027152A1 (zh) 基于条件生成对抗网络合成图像的方法及相关设备
CN113705595A (zh) 异常细胞转移程度的预测方法、装置和存储介质
CN112668710B (zh) 模型训练、管状物提取、数据识别方法及设备
CN115272374B (zh) 心脏磁共振影像的心室分割方法和装置
CN117078714A (zh) 图像分割模型训练方法、装置、设备及存储介质
Chen et al. Pulmonary nodule segmentation in computed tomography with an encoder-decoder architecture
WO2022227193A1 (zh) 肝脏区域分割方法、装置、电子设备及存储介质
CN114638878A (zh) 基于深度学习的二维超声心动图管径检测方法及装置
CN112750124A (zh) 模型生成、图像分割方法、装置、电子设备及存储介质
CN117274218B (zh) 基于脑灌注成像的血管关键点检测方法及装置、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
GR01 Patent grant
GR01 Patent grant