CN115578313A - 一种左心室心腔轮廓提取方法、装置、介质及设备 - Google Patents

一种左心室心腔轮廓提取方法、装置、介质及设备 Download PDF

Info

Publication number
CN115578313A
CN115578313A CN202211055845.1A CN202211055845A CN115578313A CN 115578313 A CN115578313 A CN 115578313A CN 202211055845 A CN202211055845 A CN 202211055845A CN 115578313 A CN115578313 A CN 115578313A
Authority
CN
China
Prior art keywords
heart
contour extraction
left ventricle
chamber contour
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211055845.1A
Other languages
English (en)
Inventor
何秀颖
郭峰
叶秋意
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.)
Shanghai Xingmai Information Technology Co ltd
Original Assignee
Shanghai Xingmai Information 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 Shanghai Xingmai Information Technology Co ltd filed Critical Shanghai Xingmai Information Technology Co ltd
Priority to CN202211055845.1A priority Critical patent/CN115578313A/zh
Publication of CN115578313A publication Critical patent/CN115578313A/zh
Pending legal-status Critical Current

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
    • G06N3/08—Learning methods
    • 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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—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)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种左心室心腔轮廓提取方法、装置、介质及设备。所述左心室心腔轮廓提取方法包括：获取心脏超声图像；获取所述心脏超声图像中的左心房左心室区域；对所述心脏超声图像中的左心房左心室区域进行扩充以获取目标图像；对所述目标图像进行处理以获取心腔轮廓及其特征点；显示所述心腔轮廓及其特征点。所述左心室心腔轮廓提取方法能够准确地提取心腔轮廓及其特征点。

Description

一种左心室心腔轮廓提取方法、装置、介质及设备
技术领域
本发明涉及一种医学图像处理方法，特别是涉及一种左心室心腔轮廓提取方法、装置、介质及设备。
背景技术
心脏超声是一种利用超声扫描心脏各部分从而观察心脏和大血管结构和功能的检查方法。现有技术中通常使用心脏超声图像提取到的左心室轮廓来计算心脏容积和左心室射血分数(LEVF，left ventricular ejection fraction)等参数。然而，现有技术中左心室轮廓的提取通常需要医务人员在超声设备上进行人工绘制并标注，然后基于标注图进行相关指标分数的计算，此种方式不仅效率较低，而且容易受到医务人员主观错误而产生误差。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种左心室心腔轮廓提取方法、装置、介质及设备，用于解决现有技术中效率较低且存在人为主观误差的问题。
为实现上述目的及其他相关目的，本发明的第一方面提供一种基于心脏超声图像的左心室心腔轮廓提取方法，所述左心室心腔轮廓提取方法包括：获取心脏超声图像；获取所述心脏超声图像中的左心房左心室区域；对所述心脏超声图像中的左心房左心室区域进行扩充以获取目标图像；对所述目标图像进行处理以获取心腔轮廓及其特征点；显示所述心腔轮廓及其特征点。
于所述第一方面的一实施例中，对所述目标图像进行处理以获取心腔轮廓及其特征点包括：利用心腔轮廓提取模型对所述目标图像进行处理以获取心腔轮廓及其特征点，其中，所述心腔轮廓提取模型为训练好的神经网络模型。
于所述第一方面的一实施例中，所述心腔轮廓提取模型的训练方法包括：构建初始神经网络模型；获取训练数据，所述训练数据包括标注有左心室心腔轮廓及其特征点的超声图像；利用所述训练数据对所述初始神经网络模型进行训练以获取所述心腔轮廓提取模型；对所述心腔轮廓提取模型进行算法模型调优处理；对所述心腔轮廓提取模型的性能进行测试。
于所述第一方面的一实施例中，获取所述心脏超声图像中的左心房左心室区域包括：利用图像目标检测方法去除所述心脏超声图像中的背景区域以获取所述心脏超声图像中的左心房左心室区域。
于所述第一方面的一实施例中，所述心腔轮廓的特征点包括心尖点及二尖瓣环。
于所述第一方面的一实施例中，所述左心室心腔轮廓提取方法还包括：根据接收到的调整指令对所述心腔轮廓和/或所述心腔轮廓的特征点进行调整。
于所述第一方面的一实施例中，所述左心室心腔轮廓提取方法还包括：根据所述心腔轮廓获取心腔体积和/或心腔切面的面积并显示。
本发明的第二方面提供一种基于心脏超声图像的左心室心腔轮廓提取装置，所述左心室心腔轮廓提取装置包括：心脏超声图像获取模块，用于获取心脏超声图像；左心房左心室区域获取模块，用于获取所述心脏超声图像中的左心房左心室区域；目标图像获取模块，用于对所述心脏超声图像中的左心房左心室区域进行扩充以获取目标图像；目标图像处理模块，用于对所述目标图像进行处理以获取心腔轮廓及其特征点；显示交互模块，用于显示所述心脏轮廓及其特征点。
本发明的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面中任一项所述的左心室心腔轮廓提取方法。
本发明的第四方面提供一种电子设备，所述电子设备包括：存储器，存储有一计算机程序；处理器，与所述存储器通信相连，调用所述计算机程序时执行本发明第一方面中任一项所述的左心室心腔轮廓提取方法。
如上所述，本发明一个或多个实施例中提供的左心室心腔轮廓提取方法、装置、介质及设备具有以下有益效果：
所述左心室心腔轮廓提取方法能够获取心脏超声图像并对心脏超声图像进行处理从而获取心腔轮廓及其特征点，该过程基本无需人工参与，效率较高且不存在由于医务人员主观错误导致的误差。
此外，所述左心室心腔轮廓提取方法通过对心脏超声图像中的左心房左心室区域进行扩充以获取目标图像，基于该目标图像进行处理来获取心腔轮廓及其特征点。此种方式有利于提高处理效率并能够获得更加准确的心腔轮廓及其特征点。
附图说明
图1A显示为本发明实施例中左心室心腔轮廓提取方法的流程图。
图1B显示为本发明实施例中心脏超声图像的示例图。
图1C显示为本发明实施例中心脏超声图像的心腔轮廓及其特征点的示例图。
图2显示为本发明实施例中心腔轮廓提取模型的训练方法流程图。
图3显示为本发明实施例中左心室心腔轮廓提取装置的结构示意图。
图4显示为本发明实施例中电子设备的结构示意图。
元件标号说明
300 左心室心腔轮廓提取装置
310 心脏超声图像获取模块
320 左心房左心室区域获取模块
330 目标图像获取模块
340 目标图像处理模块
350 显示交互模块
400 电子设备
410 存储器
420 处理器
430 显示器
S11～S15 步骤
S21～S25 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。此外，在本文中，诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
现有技术中左心室轮廓的提取通常需要医务人员在超声设备上进行人工绘制并标注，然后基于标注图进行相关指标分数的计算，此种方式不仅效率较低，而且容易受到医务人员主观错误而产生误差。
至少针对上述问题，本发明提供一种基于心脏超声图像的左心室心腔轮廓提取方法。所述左心室心腔轮廓提取方法能够获取心脏超声图像并对心脏超声图像进行处理从而获取心腔轮廓及其特征点，该过程基本无需人工参与，效率较高且不存在由于医务人员主观错误导致的误差。
接下来将通过具体实施例结合附图的方式对本发明提供的左心室心腔轮廓提取方法进行介绍。
图1A显示为本发明的一实施例中左心室心腔轮廓提取方法的流程图。如图1A所示，本实施例中左心室心腔轮廓提取方法包括以下步骤S11至步骤S15。
S11，获取心脏超声图像，该心脏超声图像可以从超声扫查设备得到，也可以从医学数据库中得到。
S12，获取心脏超声图像中的左心房左心室区域，该左心房左心室区域包含左心房和左心室。其中，左心房位于右心房的左后方，是最靠后的一个腔。左心房的两侧有左、右肺静脉的开口。左心室位于右心室的左后下方，近似圆锥形，左室壁厚约为右心室的3倍。左心室分为流入道和流出道两部分。
S13，对心脏超声图像中的左心房左心室区域进行扩充以获取目标图像。
可选地，本实施例中获取到的左心房左心室区域可以为矩形区域。于步骤S13中可以通过对矩形区域的顶点坐标进行调整来实现对左心房左心室区域的扩充。例如，可以将矩形区域的左上方顶点向左上方移动若干像素，并且调整矩形区域的左下方顶点和右上方顶点以保持该区域为矩形，通过此种方式即可实现对左心房左心室区域的扩充。
S14，对目标图像进行处理以获取心腔轮廓及其特征点。可选地，心腔轮廓的特征点例如可以包括心尖点及二尖瓣环(Mitral annulus，MA)。其中，心尖点是指位于心脏最尖端的点。二尖瓣环是指左心房、左心室和二尖瓣瓣叶之间的组织交叉点，由平行排列的胶原纤维组成，并在整个心动周期过程中动态变化。
S15，显示心腔轮廓及其特征点，以便医务人员直观地观察到心脏超声图像中的心腔轮廓及其特征点。
图1B显示为步骤S11中获取到的原始心脏超声图像的示例图，图1C显示为步骤S14中提取到的心腔轮廓11以及特征点12、13和14的示例图。如图1B和1C所示，本实施例提供的左心室心腔轮廓提取方法能够准确地提取心脏超声图像中的心腔轮廓及其特征点。此外，在提取心腔轮廓及其特征点的过程中基本无需人工参与，效率较高且不存在由于医务人员主观错误导致的误差。
于本发明的一实施例中，对目标图像进行处理以获取心腔轮廓及其特征点包括：利用心腔轮廓提取模型对目标图像进行处理以获取心腔轮廓及其特征点，其中，心腔轮廓提取模型为训练好的神经网络模型。神经网络模型是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。神经网络模型中的每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同，本实施例中，心脏轮廓提取模型的输出包括心腔轮廓及其特征点。
可选地，在利用心腔轮廓提取模型对目标图像进行处理以前，左心室心腔轮廓提取方法还可以包括以下步骤：调整目标图像的尺寸，以使所述目标图像的尺寸与所述左心室心腔轮廓提取模型的输入尺寸相匹配。
可选地，图2显示为本实施例中心腔轮廓提取模型的训练方法流程图。如图2所示，本实施例中心腔轮廓提取模型的训练方法包括以下步骤S21至步骤S25。
S21，构建初始神经网络模型，该初始神经网络模型的参数例如可以通过随机方式产生。可选地，初始神经网络模型可以为基于Unet变形的深度学习图像分割网络模型，但本发明并不以此为限。
S22，获取训练数据，训练数据包括标注有左心室心腔轮廓及其特征点的超声图像。其中，对训练数据的标注例如可以通过人工标注实现，但本发明并不限制于此。
S23，利用训练数据对初始神经网络模型进行训练以获取心腔轮廓提取模型。其中，对初始神经网络模型进行训练是指向模型中输入足够多的样本，通过一定算法调整模型的结构，以使模型的输出与预期值相符的过程。
S24，对心腔轮廓提取模型进行算法模型调优处理。
可选地，所述算法模型调优处理可以为在模型训练过程中加入数据增强策略，例如图像旋转、图像平移、图像颜色对比度调整、图像翻转等。
可选地，所述算法模型调优处理可以为在模型训练过程中采用算法模型超参数调整策略，例如模型训练学习率自动调节策略、多阶段不同优化器训练策略、防止过拟合训练策略等。
S25，对心腔轮廓提取模型的性能进行测试。具体地，于步骤S25中可以采用测试数据对心腔轮廓提取模型的性能进行测试，从而得到最优的心腔轮廓提取模型。
于本发明的一实施例中，获取心脏超声图像中的左心房左心室区域包括：利用图像目标检测方法去除心脏超声图像中的背景区域以获取心脏超声图像中的左心房左心室区域。
可选地，本实施例中可以使用Yolo V5目标检测算法去除心脏超声图像中的背景区域。具体地，采用人工标注的左心房心室训练图片数据训练出最优的检测模型作为心室区域检测模型，该模型可用于心室区域检测；待目标检测算法检测到左心房左心室区域后，可通过图像裁剪技术将图像中的其它背景区域裁剪掉，保留用于分割算法的左心室区域，从而减少图像背景干扰，提升分割效果。
于本发明的一实施例中，左心室心腔轮廓提取方法还可以包括：根据接收到的调整指令对心腔轮廓和/或心腔轮廓的特征点进行调整。具体地，用户可以通过鼠标、键盘等输入设备输入调整指令，以对心腔轮廓和/或心腔轮廓的特征点进行调整，根据调整结果可以重新绘制心腔轮廓线及其特征点并显示。
于本发明的一实施例中，左心室心腔轮廓提取方法还可以包括：根据心腔轮廓获取心腔体积和/或心腔切面的面积并显示。具体地，本实施例中可以通过深度学习标尺检测技术，结合分割腔室所在的位置计算心腔体积和/或心腔切面的面积。
于本发明的一实施例中，左心室心腔轮廓提取方法还可以包括：采用文字识别技术在软件界面识别病人的相关信息，该相关信息例如可以包括名字、超声诊断号等；根据识别得到的相关信息对心脏超声图像及其中的心脏轮廓和特征点进行分组保存。其中，识别得到的相关信息可用于自动保存图像时相关信息的录入和分组。可选地，本实施例中可以采用深度学习文字识别技术实现相关信息的识别，但本发明并不以此为限。
本发明的另一方面还提供一种基于心脏超声图像的左心室心腔轮廓提取装置。图3显示为本发明的一实施例中左心室心腔轮廓提取装置300的结构示意图。如图3所示，本实施例中提供的左心室心腔轮廓提取装置300包括心脏超声图像获取模块310、左心房左心室区域获取模块320、目标图像获取模块330、目标图像处理模块340以及显示交互模块350。其中，心脏超声图像获取模块310用于获取心脏超声图像。左心房左心室区域获取模块320用于获取心脏超声图像中的左心房左心室区域。目标图像获取模块330用于对心脏超声图像中的左心房左心室区域进行扩充以获取目标图像。目标图像处理模块340用于对目标图像进行处理以获取心腔轮廓及其特征点。显示交互模块350用于显示心脏轮廓及其特征点。
可选地，目标图像处理模块340对目标图像进行处理以获取心腔轮廓及其特征点包括：利用心腔轮廓提取模型对目标图像进行处理以获取心腔轮廓及其特征点，其中，心腔轮廓提取模型为训练好的神经网络模型。
可选地，心腔轮廓提取模型的训练方法包括：构建初始神经网络模型；获取训练数据，训练数据包括标注有左心室心腔轮廓及其特征点的超声图像；利用训练数据对初始神经网络模型进行训练以获取心腔轮廓提取模型；对心腔轮廓提取模型进行算法模型调优处理；对心腔轮廓提取模型的性能进行测试。
可选地，左心房左心室区域获取模块320获取心脏超声图像中的左心房左心室区域包括：利用图像目标检测方法去除心脏超声图像中的背景区域以获取心脏超声图像中的左心房左心室区域。
可选地，心腔轮廓的特征点包括心尖点及二尖瓣环。
可选地，现实交互模块350还用于根据接收到的调整指令对心腔轮廓和/或心腔轮廓的特征点进行调整。
可选地，左心室心腔轮廓提取装置300还用于根据心腔轮廓获取心腔体积和/或心腔切面的面积并显示。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序。该计算机程序被处理器执行时实现本发明实施例中提供的左心室心腔轮廓提取方法。
本发明中，可以采用一个或多个存储介质的任意组合。存储介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机盘、硬盘、RAM、ROM、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
本发明还提供一种电子设备。图4显示为本发明一实施例中电子设备400的结构示意图。如图4所示，本实施例中电子设备400包括存储器410和处理器420。
存储器410用于存储计算机程序；优选地，存储器410包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
具体地，存储器410可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)和/或高速缓存存储器。电子设备400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。存储器410可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
处理器420与存储器410相连，用于执行存储器410存储的计算机程序，以使电子设备400执行本发明实施例中提供的左心室心腔轮廓提取方法。
可选地，处理器420可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可选地，本实施例中电子设备400还可以包括显示器430。显示器430与存储器410和处理器420通信相连，用于显示本发明实施例中提供的左心室心腔轮廓提取方法的相关GUI交互界面。
本发明所述的左心室心腔轮廓提取方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明还提供一种左心室心腔轮廓提取装置，所述左心室心腔轮廓提取装置可以实现本发明所述的左心室心腔轮廓提取方法，但本发明所述的左心室心腔轮廓提取方法的实现装置包括但不限于本实施例列举的左心室心腔轮廓提取装置的结构，凡是根据本发明的原理所做的现有技术的结构变形和替换，都包括在本发明的保护范围内。
综上所述，本发明实施例中提供一种左心室心腔轮廓提取方法，该方法可以根据深度学习方法自动分割左心房的心脏腔室，并能够自动确定心尖点和二尖瓣环。此外，该方法还允许用户通过交互操作调整软件自动确定的心腔轮廓、心尖点和/或二尖瓣环。进一步地，该方法还可以通过软件界面自动提取病人相关信息并对图像自动进行分组保存。因此，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于心脏超声图像的左心室心腔轮廓提取方法，其特征在于，所述左心室心腔轮廓提取方法包括：
获取心脏超声图像；
获取所述心脏超声图像中的左心房左心室区域；
对所述心脏超声图像中的左心房左心室区域进行扩充以获取目标图像；
对所述目标图像进行处理以获取心腔轮廓及其特征点；
显示所述心腔轮廓及其特征点。
2.根据权利要求1所述的左心室心腔轮廓提取方法，其特征在于，对所述目标图像进行处理以获取心腔轮廓及其特征点包括：
利用心腔轮廓提取模型对所述目标图像进行处理以获取心腔轮廓及其特征点，其中，所述心腔轮廓提取模型为训练好的神经网络模型。
3.根据权利要求2所述的左心室心腔轮廓提取方法，其特征在于，所述心腔轮廓提取模型的训练方法包括：
构建初始神经网络模型；
获取训练数据，所述训练数据包括标注有左心室心腔轮廓及其特征点的超声图像；
利用所述训练数据对所述初始神经网络模型进行训练以获取所述心腔轮廓提取模型；
对所述心腔轮廓提取模型进行算法模型调优处理；
对所述心腔轮廓提取模型的性能进行测试。
4.根据权利要求1所述的左心室心腔轮廓提取方法，其特征在于，获取所述心脏超声图像中的左心房左心室区域包括：
利用图像目标检测方法去除所述心脏超声图像中的背景区域以获取所述心脏超声图像中的左心房左心室区域。
5.根据权利要求1所述的左心室心腔轮廓提取方法，其特征在于，所述心腔轮廓的特征点包括心尖点及二尖瓣环。
6.根据权利要求1所述的左心室心腔轮廓提取方法，其特征在于，所述左心室心腔轮廓提取方法还包括：
根据接收到的调整指令对所述心腔轮廓和/或所述心腔轮廓的特征点进行调整。
7.根据权利要求1所述的左心室心腔轮廓提取方法，其特征在于，所述左心室心腔轮廓提取方法还包括：
根据所述心腔轮廓获取心腔体积和/或心腔切面的面积并显示。
8.一种基于心脏超声图像的左心室心腔轮廓提取装置，其特征在于，所述左心室心腔轮廓提取装置包括：
心脏超声图像获取模块，用于获取心脏超声图像；
左心房左心室区域获取模块，用于获取所述心脏超声图像中的左心房左心室区域；
目标图像获取模块，用于对所述心脏超声图像中的左心房左心室区域进行扩充以获取目标图像；
目标图像处理模块，用于对所述目标图像进行处理以获取心腔轮廓及其特征点；
显示交互模块，用于显示所述心脏轮廓及其特征点。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时实现权利要求1至7中任一项所述的左心室心腔轮廓提取方法。
10.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有一计算机程序；
处理器，与所述存储器通信相连，调用所述计算机程序时执行权利要求1至7中任一项所述的左心室心腔轮廓提取方法。
CN202211055845.1A 2022-08-31 2022-08-31 一种左心室心腔轮廓提取方法、装置、介质及设备 Pending CN115578313A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211055845.1A CN115578313A (zh) 2022-08-31 2022-08-31 一种左心室心腔轮廓提取方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211055845.1A CN115578313A (zh) 2022-08-31 2022-08-31 一种左心室心腔轮廓提取方法、装置、介质及设备

Publications (1)

Publication Number Publication Date
CN115578313A true CN115578313A (zh) 2023-01-06

Family

ID=84579389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211055845.1A Pending CN115578313A (zh) 2022-08-31 2022-08-31 一种左心室心腔轮廓提取方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN115578313A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117958949A (zh) * 2024-03-28 2024-05-03 天津市鹰泰利安康医疗科技有限责任公司 一种房颤射频消融方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117958949A (zh) * 2024-03-28 2024-05-03 天津市鹰泰利安康医疗科技有限责任公司 一种房颤射频消融方法及系统
CN117958949B (zh) * 2024-03-28 2024-05-28 天津市鹰泰利安康医疗科技有限责任公司 一种房颤射频消融模拟方法及系统

Similar Documents

Publication Publication Date Title
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
JP7383010B2 (ja) 医用画像認識方法及びシステム、並びに、モデルトレーニング方法、コンピュータ装置、及びプログラム
US8761475B2 (en) System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans
CN108171692B (zh) 一种肺部影像检索方法及装置
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
EP1966756B1 (en) Method for facilitating post-processing of images using deformable meshes
CN107369160A (zh) 一种oct图像中脉络膜新生血管分割算法
CN107993221B (zh) 心血管光学相干断层oct图像易损斑块自动识别方法
CN111462049B (zh) 一种乳腺超声造影视频中病灶区形态自动标注方法
CN103294883A (zh) 用于针对经导管主动脉瓣植入进行介入规划的方法和系统
CN111178420B (zh) 一种二维造影图像上冠脉段标注方法及系统
CN107408198A (zh) 细胞图像和视频的分类
CN113096137B (zh) 一种oct视网膜图像领域适应分割方法及系统
CN109035227A (zh) 对ct图像进行肺部肿瘤检测与诊断的系统
CN115359576A (zh) 一种多模态情绪识别方法、装置、电子设备及存储介质
CN117373070B (zh) 血管分段标注的方法及装置、电子设备和存储介质
CN112950552B (zh) 一种基于卷积神经网络的肋骨分割标记方法及系统
CN115578783B (zh) 基于眼部图像进行眼部疾病识别的装置、方法及相关产品
CN113298773A (zh) 基于深度学习的心脏视图识别与左心室检测装置、系统
CN115578313A (zh) 一种左心室心腔轮廓提取方法、装置、介质及设备
CN117409002A (zh) 一种用于创伤的视觉识别检测系统及其检测方法
CN110428431B (zh) 一种心脏医学图像的分割方法、装置、设备及存储介质
Zhao et al. Automated coronary tree segmentation for x-ray angiography sequences using fully-convolutional neural networks
CN109685143A (zh) 一种甲状腺锝扫图像的识别模型构建方法及装置
CN113762263A (zh) 一种用于小尺度相似结构的语义分割方法及系统

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