CN115984262A - 一种二维超声心动图心肌自动分割方法 - Google Patents
一种二维超声心动图心肌自动分割方法 Download PDFInfo
- Publication number
- CN115984262A CN115984262A CN202310243884.2A CN202310243884A CN115984262A CN 115984262 A CN115984262 A CN 115984262A CN 202310243884 A CN202310243884 A CN 202310243884A CN 115984262 A CN115984262 A CN 115984262A
- Authority
- CN
- China
- Prior art keywords
- myocardial
- dimensional
- extracting
- contour
- myocardium
- 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
Links
Images
Classifications
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明涉及超声图像处理技术领域,尤其涉及一种二维超声心动图心肌自动分割方法。采用如下技术方案:采用基础图像处理算法依次进行提取脊信息、提取骨架信息、筛选出左右心肌骨架、提取特征点并选取锚点,再根据锚点和左右心肌骨架在心腔数学模型中拟合得到心肌粗轮廓,最后利用心肌特征能量方程对心肌粗轮廓进行迭代计算得到最优心肌轮廓。有益效果在于:根据心肌轮廓本身结构的独特性,采用基础图像处理算法对二维超声心动图提取显著特征并根据已有的心腔数学模型和心肌特征能量方程对心肌的结构和具体边界进行确定并分割出来,从而达到对计算机性能要求不高、对图像的处理适应性广、鲁棒性强的效果。
Description
技术领域
本发明涉及超声图像处理技术领域,尤其涉及一种二维超声心动图心肌自动分割方法。
背景技术
二维超声心动图可以用做对心肌运动的追踪,并通过对心肌运动的定性和定量分析,可以实现无创评估心脏功能。利用二维超声心动图进行心肌运动追踪时,关键在于如何快速识别心肌区域,目前采用的技术是利用机器学习或模式识别等方法,其需要利用大量图像数据进行训练,且在对心肌轮廓进行识别时,需要较大的计算量,对计算机的性能要求较高,另外,目前采用的方法对二维超声心动图的成像分辨率要求也较高,对于图像采集设备有较高的要求,这也限制了其在临床诊断中的应用。
发明内容
本发明的目的在于提供一种二维超声心动图心肌自动分割方法,具体在于提供一种根据心肌本身的特点采用基础图像处理算法进行心肌自动分割的方法,以解决背景技术中提到的问题。
为达到上述目的,本发明采用如下技术方案:一种二维超声心动图心肌自动分割方法,包括如下步骤:
S01、计算提取二维超声心动图中的脊信息。
S02、从脊信息中计算提取图像骨架数据,并进行断裂骨架数据插补得到连续的骨架数据。
S03、对连续的骨架数据进行数据筛选,依据心肌特征,提取两条从顶部穿到底部的最佳路径,得到左右心肌骨架。
S04、从左右心肌骨架提取备选特征点,依据心肌特征,在备选特征点中选取一对关键匹配特征点,作为锚点。
S05、在心腔数学模型中输入锚点数据和左右心肌骨架数据进行心腔形态拟合,得到心肌粗轮廓。
S06、调取心肌特征能量方程,以心肌粗轮廓作为原始轨迹,输入到心肌特征能量方程中进行迭代计算,得到最优心肌轮廓。
具体的,步骤S01中,在计算提取二维超声心动图中的脊信息时,所采用的二维超声心动图是在完整的二维超声心动图中所截取的包含主要心肌图像的感兴趣区域图像。
具体的,步骤S01中,完整的二维超声心动图的获取方式如下:采集一个完整序列的二维超声心动图,对其中任一帧二维超声心动图,均结合前后至少一帧的二维超声心动图进行图像增强处理,以得到所述的完整的二维超声心动图。
本发明的有益效果在于:根据心肌轮廓本身结构的独特性,采用基础图像处理算法对二维超声心动图提取显著特征并根据已有的心腔数学模型和心肌特征能量方程对心肌的结构和具体边界进行确定并分割出来,从而达到对计算机性能要求不高、对图像的处理适应性广、鲁棒性强的效果。
附图说明
附图1为实施例中二维超声心动图自动分割方法的步骤流程图以及对应的图像处理示意图。
实施方式
实施例1,参照图1,一种二维超声心动图心肌自动分割方法,包括如下步骤:
S01、计算提取二维超声心动图中的脊信息。
S02、从脊信息中计算提取图像骨架数据,并进行断裂骨架数据插补得到连续的骨架数据。
S03、对连续的骨架数据进行数据筛选,依据心肌特征,提取两条从顶部穿到底部的最佳路径,得到左右心肌骨架。
S04、从左右心肌骨架提取备选特征点,依据心肌特征,在备选特征点中选取一对关键匹配特征点,作为锚点。
S05、在心腔数学模型中输入锚点数据和左右心肌骨架数据进行心腔形态拟合,得到心肌粗轮廓。
S06、调取心肌特征能量方程,以心肌粗轮廓作为原始轨迹,输入到心肌特征能量方程中进行迭代计算,得到最优心肌轮廓。
其中,步骤S05中的心腔数学模型和步骤S06中的心肌特征能量方程,均为根据心肌结构特征所建立的数学模型和特征能量方程,通过心腔数学模型,并以锚点和左右心腔骨架作为主要的输入数据,即可拟合得到心肌粗轮廓,当然,除了上述锚点和左右心腔骨架作为输入数据外,还需要根据不同切面的心动图输入对应的约束特征信息,这属于数学模型中的常规操作,不同切面的心动图所对应的不同的约束特征信息,可事先根据需要进行计算选取;通过心肌特征能量方程,并以心肌粗轮廓作为输入数据,再通过迭代计算,即可得到最优心肌轮廓,其中的迭代计算,即以心肌粗轮廓最为初始输入数据,通过心肌特征能量方程计算后输出的数据作为新的输入数据,再次代入到心肌特征能量方程中,以此进行多次计算得到最优心肌轮廓。
具体的,步骤S01中,在计算提取二维超声心动图中的脊信息时,所采用的二维超声心动图是在完整的二维超声心动图中所截取的包含主要心肌图像的感兴趣区域图像,通过截取包含主要心肌图像的感兴趣区域图像,可以减小步骤S01中提取脊信息以及步骤S02、S03中所进行的特征提取的计算量,从而提高运算速度。
具体的,步骤S01中,完整的二维超声心动图的获取方式如下:采集一个完整序列的二维超声心动图,对其中任一帧二维超声心动图,均结合前后至少一帧的二维超声心动图进行图像增强处理,以得到所述的完整的二维超声心动图,通过图像增强处理,可以使二维超声心动图中心肌区域的特征更明显,提高对心肌分割的准确性。另外,本实施例所公开的心肌自动分割方法,对于噪声大、心肌壁不清晰的普通图像也能对其中的心肌区域进行分割处理。
当然,以上仅为本发明较佳实施方式,并非以此限定本发明的使用范围,故,凡是在本发明原理上做等效改变均应包含在本发明的保护范围内。
Claims (3)
1.一种二维超声心动图心肌自动分割方法,其特征在于:包括如下步骤:
S01、计算提取二维超声心动图中的脊信息;
S02、从脊信息中计算提取图像骨架数据,并进行断裂骨架数据插补得到连续的骨架数据;
S03、对连续的骨架数据进行数据筛选,依据心肌特征,提取两条从顶部穿到底部的最佳路径,得到左右心肌骨架;
S04、从左右心肌骨架提取备选特征点,依据心肌特征,在备选特征点中选取一对关键匹配特征点,作为锚点;
S05、在心腔数学模型中输入锚点数据和左右心肌骨架数据进行心腔形态拟合,得到心肌粗轮廓;
S06、调取心肌特征能量方程,以心肌粗轮廓作为原始轨迹,输入到心肌特征能量方程中进行迭代计算,得到最优心肌轮廓。
2.根据权利要求1所述的一种二维超声心动图心肌自动分割方法,其特征在于:所述步骤S01中,在计算提取二维超声心动图中的脊信息时,所采用的二维超声心动图是在完整的二维超声心动图中所截取的包含主要心肌图像的感兴趣区域图像。
3.根据权利要求2所述的一种二维超声心动图心肌自动分割方法,其特征在于:所述步骤S01中,完整的二维超声心动图的获取方式如下:采集一个完整序列的二维超声心动图,对其中任一帧二维超声心动图,均结合前后至少一帧的二维超声心动图进行图像增强处理,以得到所述的完整的二维超声心动图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310243884.2A CN115984262B (zh) | 2023-03-15 | 2023-03-15 | 一种二维超声心动图心肌自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310243884.2A CN115984262B (zh) | 2023-03-15 | 2023-03-15 | 一种二维超声心动图心肌自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115984262A true CN115984262A (zh) | 2023-04-18 |
CN115984262B CN115984262B (zh) | 2023-06-02 |
Family
ID=85958183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310243884.2A Active CN115984262B (zh) | 2023-03-15 | 2023-03-15 | 一种二维超声心动图心肌自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984262B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110262018A1 (en) * | 2010-04-27 | 2011-10-27 | MindTree Limited | Automatic Cardiac Functional Assessment Using Ultrasonic Cardiac Images |
US20120078097A1 (en) * | 2010-09-27 | 2012-03-29 | Siemens Medical Solutions Usa, Inc. | Computerized characterization of cardiac motion in medical diagnostic ultrasound |
CN103732134A (zh) * | 2010-12-29 | 2014-04-16 | 迪亚卡帝奥有限公司 | 自动左心室功能评价 |
CN111028254A (zh) * | 2019-12-09 | 2020-04-17 | 上海交通大学医学院附属上海儿童医学中心 | 一种基于心脏电影磁共振图像的左心肌分割方法 |
-
2023
- 2023-03-15 CN CN202310243884.2A patent/CN115984262B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110262018A1 (en) * | 2010-04-27 | 2011-10-27 | MindTree Limited | Automatic Cardiac Functional Assessment Using Ultrasonic Cardiac Images |
US20120078097A1 (en) * | 2010-09-27 | 2012-03-29 | Siemens Medical Solutions Usa, Inc. | Computerized characterization of cardiac motion in medical diagnostic ultrasound |
CN103732134A (zh) * | 2010-12-29 | 2014-04-16 | 迪亚卡帝奥有限公司 | 自动左心室功能评价 |
CN111028254A (zh) * | 2019-12-09 | 2020-04-17 | 上海交通大学医学院附属上海儿童医学中心 | 一种基于心脏电影磁共振图像的左心肌分割方法 |
Non-Patent Citations (2)
Title |
---|
WOBBE BOUMA 等: "Chronic ischemic mitral regurgitation and papillary muscle infarction detected by late gadolinium-enhanced cardiac magnetic resonance imaging in patients with ST-segment elevation myocardial infarction", 《CLINCAL RESEARCH IN CARDIOLOGY》 * |
赵佳旻: "左心室超声心动图分割方法的研究", 《智能计算机与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115984262B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101303767B (zh) | 基于块图像内容自适应分类的数字剪影图像配准方法 | |
JP2009517163A (ja) | 画像内の参照構造に関連付けられた構造をセグメント化する方法、システム及びコンピュータ・プログラム | |
CN110378924A (zh) | 基于局部熵的水平集图像分割方法 | |
CN111462027A (zh) | 基于多尺度梯度和抠图的多聚焦图像融合方法 | |
CN115375733A (zh) | 基于视频和点云数据的雪车雪橇三维滑行轨迹提取方法 | |
CN116152494A (zh) | 基于两阶段3d点云语义分割的建筑物脚点识别分割方法 | |
CN115035089A (zh) | 适用于二维脑图像数据的脑解剖结构定位方法 | |
Lacerda et al. | Left ventricle segmentation in echocardiography using a radial-search-based image processing algorithm | |
Kumar et al. | Cardiac disease detection from echocardiogram using edge filtered scale-invariant motion features | |
CN115984262A (zh) | 一种二维超声心动图心肌自动分割方法 | |
Kuang et al. | An effective skeleton extraction method based on Kinect depth image | |
Sedai et al. | Right ventricle landmark detection using multiscale HOG and random forest classifier | |
CN102663453A (zh) | 基于第二代条带波变换和极速学习机的人体运动跟踪方法 | |
CN113269236B (zh) | 基于多模型集成的装配体变化检测方法、设备和介质 | |
CN112998756B (zh) | 一种基于超声图像结合深度学习的心脏血流向量成像方法 | |
Samet et al. | A new methodology for blood vessel segmentation on lung CT images | |
CN114565626A (zh) | 基于PSPNet改进的肺部CT图像分割算法 | |
US9402549B2 (en) | Methods and apparatus to estimate ventricular volumes | |
CN111507933A (zh) | 基于空洞和轮廓扩增的dibr合成图像质量评价方法 | |
Chattopadhyay et al. | Exploiting pose information for gait recognition from depth streams | |
CN113379821B (zh) | 一种基于深度学习的稳定单目视频深度估计方法 | |
Hao | Auxiliary basketball training system based on big data | |
Sussner et al. | Contour detection using artificial neuronal network pre-segmentation | |
Li et al. | Automatic RGBD object segmentation based on MSRM framework integrating depth value | |
Xu et al. | Is Speckle Tracking Feasible for Ultrasound Tongue 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 |