CN102920477B - 医学影像的目标区域边界确定装置和方法 - Google Patents
医学影像的目标区域边界确定装置和方法 Download PDFInfo
- Publication number
- CN102920477B CN102920477B CN201210375093.7A CN201210375093A CN102920477B CN 102920477 B CN102920477 B CN 102920477B CN 201210375093 A CN201210375093 A CN 201210375093A CN 102920477 B CN102920477 B CN 102920477B
- Authority
- CN
- China
- Prior art keywords
- region
- subregion
- heart
- threshold value
- medical 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.)
- Active
Links
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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10132—Ultrasound image
- G06T2207/10136—3D ultrasound image
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- 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)
- 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)
- Geometry (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种医学影像的目标区域的边界确定装置,用于根据医学影像中组织分布所反映出的与其相对应的物理定量特征来区分目标区域的边界,其包括:交互单元,操作人员经由交互单元在医学影像上选择目标区域;阈值设定单元,其确定所选的目标区域中的物理定量特征的阈值;阈值分割单元,其将待分析区域或者说感兴趣区域划分成子区域,或在待分析区域中填充影像单位(像素),其中,该待分析区域包含有目标区域,子区域即在图像分割出的子区域。阈值分割单元将子区域的物理定量特征的参数平均值与阈值比较,根据比较结果标记各单元。本发明提供了物理意义明确,算法简单有效的计算和处理方法及装置,特别适应临床各种病变心脏的特殊情况处理。
Description
技术领域
本发明涉及医学影像的目标区域边界确定方法和装置,以及利用确定的目标区域边界来确定生理参数。更具体地,本发明涉及基于真实超声影像数据测定心脏生理参数。
背景技术
医学成像已经成为现代医疗不可或缺的一部分,其应用贯穿整个临床工作,不仅广泛用于疾病诊断,而且在外科手术和放射治疗等的计划设计、方案实施以及疗效评估方面发挥着重要作用。目前,医学图像可以分为解剖图像和功能图像两个部分。解剖图像主要描述人体形态信息,包括X射线透射成像、CT、MRI、US等。
特别是在现代心脏病的诊断与治疗方面,利用计算机技术对医学影像进行定量分析成为重要的技术改进方向,用以增加诊断的客观性,并且更容易掌握操作,能够减少对阅片人的经验依赖,排除不同阅片人之间的判断差异。进一步,本领域渴望基于心脏图像摄影序列更准确获知心脏的量化的生理参数,例如,心室的容积、心肌质量、心腔壁增厚、心脏射血分数(EF值)等等。准确获取心脏射血分数具有重要意义,根据心脏射血分数可以推算心脏的射血能力,是判断心功能的重要参数。
3D超声是一种无探伤的影像检查技术,在心脏疾病的探查中,其具有成像速度快且成本低的特点,因此,在心脏病诊断与治疗方面应用最为广泛。在3D超声影像中分析心腔容积、射血分数、心肌的体积和质量等生理参数是进行诊断的重要依据。但是,由于超声心动图含有大量噪声,且心腔的内膜和心肌的边缘是不规则的(尤其是发生病变的心腔和心肌),从而给相关定量计算带来了困难。其中的困难之一,是如何准确地得到心内膜的边界,以及如何准确针对心脏的不规则的变化进行计量。本领域长期致力于提高超声影像获取生理参数的准确性和可操作性。
目前在临床上较为普便使用的心脏射血分数(EF值)测定方法是以交互的方式定义一些控制点,并通过数学建模,使用一系列模拟的几何形状来逼近心腔,因而是很不准确的。
多件专利公开文献采用上述手段。例如,JP2002085404,题为《超声波图像处理器》(ultrasonic imaging processor),教导将心腔分为20段来近似统计其容积。EP123617,教导使用分段的曲线来描述心腔。JP2008073423,教导用50多个影像集合的参考轮廓来插值得到近似心腔。EP1998671(A1),教导利用鼠标点出几个控制点,和一个模板匹配达到自动分割。EP2030042(A1)教导了一种手工标记少量控制点,结合训练出的模板得到心内膜。
常规技术中,较多采用先验模型处理数据,以获得具有复杂形状,例如心脏和心肌等的与体积或容积相关的生理参数。
关于先验模型,是基于统计学的一个模型,指要分析的数据集合服从某种未知概率分布,并且和一个已知样本的数据集合之间有确定的联系。为了求出这个未知分布,需要在已经样本数据集合上计算其服从的概率分布,这个能事先算出的概率分布或参数就被称为是先验模型。
病变的心脏和正常的心腔相比,通常来说,不再是一个能用上述模型估算的心腔。病变心脏的心腔具有不可预测的形状改变,而且心内膜不规则(如:肿瘤占位室壁瘤、心壁增厚)。心腔形状的改变导致射血功能减低,心瓣膜功能不全等症状。
在临床应用方面,已有预先计算多帧影像后得到心腔的先验形状模型,通过和当前影像上心腔的近似几何模型对比,修正得到当前影像上的心腔。但是,这类先验模型是根据正常的心脏计算得到的,在实际的临床应用中,对于病变的心脏,该方法难以保证获得准确的结果。
参见Hansson M,Fundana K,Brandt S.S,Gudmundsson P.Convexspatio-temporal segmentation of the endocardium in ultrasound data usingdistribution and shape priors.Biomedical Imaging:From Nano to Macro,2011,Page(s):626-629。该文献提出了使用机器学习和形态学结合的方法来做心腔分割,提出使用瑞利分布为基础建立一个概率模型,该模型用来计算当前区域属于心腔内部的概率和当前区域属于心腔外部的概率。然后使用大量的超声图像数据来训练该模型,得到概率模型中的各参数估计值。最后使用该概率模型计算出来的概率作为先验,结合先验的心腔形态学模型来做新图像中心腔的分割。
Paragios N.A level set approach for shape-driven segmentation andtracking of the left ventricle.Medical Imaging,2003,Page(s):773–776采用的是水平集算法作为左心室分割算法的主体,加之使用大量的先验知识,也就是已知正确的左心室分割结果。使用先验经验结合图像本身特点制定水平集的速度函数以及限制区域。从而达到左心室分割的目的。
Hamarneh G,Gustavsson T.Combining snakes and active shapemodels for segmenting the human left ventricle in echocardiographicimages.Computers in Cardiology2000Digital Object Identifier:10.1109/CIC.2000.898469 Publication Year:2000,Page(s):115–118使用snake模型来进行左心室的分割,该方法需要医生手动划分大量心脏超声图像中的左心室的轮廓轨迹作为一个训练样本,然后使用这些数据来定义一系列离散余弦变换系数(DCT coefficients)。在使用snake做新的左心室分割的时候,寻找到snake初始坐标的离散余弦变换系数,然后使用先验经验中的离散余弦变换系数作为外力部分对活动轮廓迭代至能量最小化。
其他的相关专利文献,例如,关于中国专利公开号CN1777898A,申请号200480010928.2,题为《无创式左心室的容积测定》,其涉及处理MR图像,基于心脏3D图形中的心内膜轮廓来估计LV容积。这些轮廓由人工指定或半自动导出。以这些轮廓所包围面积内的强度变化来估计LV容积。其中教导,基于图像像素之间的差异(即图像梯度),采用人工描迹来标识边界点,因此易受成像噪声的影响,造成不准确。进一步,把这确定轮廓直接应用到其他的时间帧上,虽然经过自动修正,仍然会进一步引入误差。
关于心肌测量的常规技术,目前在临床上较多使用的心肌分割方法是基于斑点纹理分析,其同样需要以交互的方式定义一些控制点,运用拟合曲线的方法,得到心肌的近似轮廓,因而是很不准确的。同样地,在临床上还预先计算多帧影像后得到心肌的先验形状模型,通过和当前影像上心肌的近似几何模型对比,修正得到当前影像上的心肌。但是,如上文提到的,先验模型是根据正常的心脏计算得到的,在实际的临床应用中,对于病变的心脏该方法同样难以获得准确的结果。
CN101404931A(申请号CN200780009898.7),题为“借助心肌机能的量化的超声诊断”,教导手工先设置控制点,再根据图像梯度用曲线连接控制点,从而达到近似描迹的目的。
CN101454688A(申请号CN200780018854.0),题为“心腔壁增厚的量化和显示”,披露了散斑跟踪指定心肌位置点的距离、壁厚度变化以及应变。也没有获得单个的心肌。该技术是使用图像梯度确定心内膜边界,如果图像噪声增大,则不准确。心外膜因为没有明确的梯度,因此它在自动确定时,往往边界会缺失,且不准确。所以该专利提供了一个工具,在心动周期开始和结束时人工调整这两条边界,然后再在两条边界间自动设置需要跟踪的点,它们位于心肌上,然后记录每个点周围的像素作为散斑图案,不同帧之间的散斑图案进行最大相关性块匹配,从而能跟踪每个点的运动。这样的散斑跟踪容易受到噪声影响
相关论文,Alessandrini,M.Dietenbeck,T.Barbosa,D.D′hooge,J.Basset,O.Speciale,N.Friboulet,D.Bernard,O.Segmentation of the fullmyocardium in echocardiography using constrained level-sets.Computingin Cardiology.2010,披露了将传统的level-set方法和先验的形态学方法结合,将图像中的点标上level-set能量和形态学能量两个属性,最后将两个能量属性值加权相加,得到各像素点的能量值。在算法初始化时,人工在图像上点6个点(5个点在心外膜上,一个点在心内膜上),对心内膜和心外膜上的点分别建立值为0的演化函数,然后对图像上所有点计算两个演化函数的值,分别得到两条演化曲线。分割的是心肌层。
相关论文,Alessandrini,M.Friboulet,D.Basset,O.D′hooge,J.Bernard,O.Level-set segmentation of myocardium andepicardium inultrasound images using localized Bhattacharyya distance.UltrasonicsSymposium(IUS).2009,披露的算法使用基于瑞利分布的巴氏距离作为level-set算法在演化时候的能量限制,在算法初始化时,人工在图像上点6个点(5个点在心外膜上,一个点在心内膜上),对心内膜和心外膜上的点分别建立演化函数。分割的是心肌层。
相关论文T.Dietenbeck,M.Alessandrini,D.Barbosa,J.D’hooge,D.Friboulet,O.Bernard.Detection of the wholemyocardium in2D-echocardiography for multiple orientations using a geometricallyconstrained level-set.Medical Image Analysis.2011:该文在(Segmentation of the Full Myocardiumin Echocardiography UsingConstrained Level-Sets)的基础上增加了厚度因素作为level-set的能量约束条件,用于防止心内膜和心外膜两条进化曲线在演化过程中由于相同的因素导致两条曲线的融合。为了保证算法在短轴和长轴等图像上的正确应用,在使用该算法前需要手动指定两个点确定三尖瓣的位置用来保证算法的正确执行。分割的是心肌层。
相对正常心肌而言,病变的心肌具有扩张性、收缩性、肥大型等的病变,最终影响其收缩能力,具体表现在它的弹性形变参数的改变上。而在几何形态上,和正常心肌相比,也会随之发生变化,因而可能产生有不规则的边界。
因此,本领域迫切的需求进一步改进利用图像处理获取与心脏相关的量化参数,以进一步提高测量精确度以及可操作性。
发明内容
鉴于上述现有技术存在的缺点,本发明旨在基于现有的医学影像技术,寻求更为有效和准确的图像处理和计算的装置和方法,以改善和提高关于心腔的容积、射血分数、心肌体积和质量等相关的生理参数的准确性,从而在帮助临床处理过程中做出正确及时的诊断。
本发明的第一方面,涉及一种医学影像的目标区域边界确定装置,用于根据该医学影像中组织分布所反映出的相对应的物理定量特征来区分目标区域边界,该装置包括:
交互单元,操作人员经由交互单元在医学影像上选择目标区域;
阈值设定单元,其确定所选的目标区域中的物理定量特征的阈值;
阈值分割单元,其将至少包含目标区域局部的待分析区域分割成子区域,以及,将各子区域的物理定量特征的参数平均值与阈值比较,根据比较结果标记各子区域。
基于第一方面的本发明第二方面提供的装置,其中所述物理定量特征包括像素灰度,像素梯度,体素灰度,或体素强度。
基于上述方面的本发明第三方面所述的装置,其中,所述子区域按照如下方式设置:将待分析区域划分成相互交叠的多个相邻的子区域,各相邻的子区域交叠或非交叠区域共同并完全覆盖目标区域。
基于上述方面的本发明第四方面的装置,以所选的目标区域内部的位置点为圆心,设定半径r,定义一个圆形区域,分析该圆形区域内的物理定量特征分布,以确定阈值。
基于上述方面的本发明第五方面的装置,其中医学影像为心脏的医学影像,选择心腔的一个位置点为圆心,以5mm为半径,定义一个圆形区域,计算该圆形区域内像素灰度值的平均值作为所述阈值;以及,如果一子区域中像素灰度小于所述阈值,则将该子区域标记为所述目标区域,即所述心腔的区域。
基于上述方面的本发明第六方面的装置,其中,医学影像为心脏的医学影像,将待分析区域划分为一系列相互交叠的圆形区域,该圆形区域为所述的子区域,该圆形的半径是1mm,各圆形之间圆心的距离也是1mm,计算出各所述子区域灰度平均值,如果该平均值大于所述阈值,则将该子区域内的像素点都标记为心肌区域,否则都标记为非心肌区域。
基于上述方面的本发明第七方面的装置,其中将子区域设置为球体,并将球体内的平均体素灰度或体素梯度与阈值参数比较并做标记。
基于上述方面的本发明第八方面的装置,其中,其中的医学影像为心脏影像,以及,目标区域是任意一心腔、或者心肌。
基于上述方面的本发明第九方面的装置,其中的医学影像为3D超声影像。
另外,本发明还包括一种医学影像的目标区域边界确定方法,其中,根据该医学影像中组织分布反映出的物理定量特征区分目标区域边界,该方法包括如下步骤:
--选择目标区域,
--设定所述目标区域中的物理定量特征的阈值,
--将至少包含目标区域局部的待分析区域分割成子区域,
--将各子区域的物理定量特征的参数平均值与阈值比较,根据比较结果标记各子区域。
本发明的上述方面,基于成像对象组织分布的一种物理性质反映在影像中的一种定量特征,针对目标区域中典型区域,例如目标区域的中间部分的局部区域的这种定量特征,设定阈值参数,通过阈值分割的方法判断各子区域与阈值比较的结果,从而将各子区域分为两类,用以区分影像的目标区域边界。
关于定量特征,优选像素或体素的灰度。平均灰度是一种特征测量方式,其测定速度较快。此外,也可考察区域的梯度分布,是另一种简单高效的特征测量。
上述发明的目的在于,通过采用更准确和有效的方法确定医学影像目标区域边界。本发明应用于处理真实3D超声波医学影像时,可以获取更为准确的量化生理参数。真实3D超声波医学影像是指由3D超声探头直接生成的3D影像。在超声波3D影像中,心内膜边界等的边界确定在测定心脏相关生理参数方面具有重要的意义。
本发明的发明人受到医学成像中常采用的组织灌注方法的启发。现有技术中,熟知通过造影剂在人体组织的空腔以及间隙内扩散,在形成数字化的影像时,解剖组织和造影剂的数据之间就产生了明显的对比度,从而能使得影像操作员容易识别各种解剖组织的边界,为进一步定量诊断提供可靠的依据。
发明人提出了借助于计算机技术实现一种虚拟的组织灌注的模式,即,利用图像包含的像素所反映的物理定量特性,帮助本领域技术人员有效识别组织的边界,以获取更为准确的组织边界;进一步,基于准确的边界获取心脏的量化生理参数。
更具体而言,本发明利用计算机技术,从数字化影像中提取感兴趣组织边界。所说的感兴趣的组织边界周围的像素或体素之间有明显的对比度,但边界会受颗粒状噪声的影响而变得不清晰。发明人具体考察图像中像素的特点,在待分析区域中设置单元或子区域,该单元中填充着最小基本单位的填充子区域固有的像素,因此,假想其为“像素填充单元”。在待分析区域上设置点考察点,该点周围一个圆形或者椭圆形子区域即为一个单元或像素填充单元,各子区域之间相互交叠,分析子区域内的像素值或者体素值的分布特征,从中推算出一个固定的或者不固定的阈值,根据这个阈值,再对每个考察点周围区域内的每个像素或者体素进行标记,从而得到感兴趣的组织区域,它的边界就是感兴趣的组织的边界。在已经标记好的组织区域上,还可以再重新用设计的算法来设置考察点,并使用多种不同尺度或大小的圆形或者椭圆形区域来进一步分析像素值或体素值的分布规律,进一步细化感兴趣组织区域的边界。
更进一步说明,本发明利用计算机技术,利用影像中的组织,例如,心脏心腔之间物理特性的不同,以及其反映于医学影像中的组织特性区别,直接利用不同相关图像中的区域特性,由操作者根据经验选取该区域的大致中间位置,利用计算机技术确定该区域物理特性,例如,灰度的平均值、梯度值等,通过阈值比较将该区域和边界处区分成两类,即,达成图像二值化的效果,从而区分出边界。这种区分方式更为客观准确,避免先验模型分割心腔和心肌方法的局限性。
上述说明不希望使本发明拘泥于任何理论局限,仅仅为了使本领域技术人员更容易理解本发明。
下面参照附图和具体实施方式进一步说明,以使本领域技术人员更容易理解本发明并了解本发明的优点和其他的目的。
附图说明
为了更完整地理解本发明,参见以下说明及附图,其中:
图1一种典型常规技术图像处理装置上的近似心腔分割结果的示意图;
图2是示意本发明一个实施例中采用交互式选择目标心腔;
图3A示出本发明方法在标记出的心腔边界;
图3B是一个时间序列各帧的心腔容积变化曲线示意图,从图中可以看出每个心动周期中各帧影像的最大容积Vmax和最小容积Vmin;以及
图4本发明一个具体实施例的流程图。
具体实施方式
本发明提出的针对感兴趣组织或区域(目标区域)的边界处理,可以有多种不同的应用。通过具体实施方式的说明在于帮助本领域技术人员理解本发明,而不应当构成对本发明的限定。
具体实施方式的描述中,主要以像素灰度为物理定量特征为例进行分析。本发明也可以应用其他合适的物理定量特征。
在一种实施方式中,本发明的边界处理包括如下步骤:
1.首先将医学影像的切片图划分为一系列相互交叠的圆形区域作为覆盖待分析区域的小的子区域,并将其定义为单元,这些单元看成是由影像的像素填充的单元,因为,这些单元中充满了图像的像素。使这样划分的圆形区域覆盖全图,在各圆形区域上根据像素灰度值计算定量特征,并确定阈值,根据阈值将的各单元初步标记出来,即,根据阈值对各单元进行区分。
2.初步的标记得到一个或多个连通的区域,接着综合感兴趣的区域(ROI),或者说是目标区域,进一步处理,即只有包含了操作员鼠标点击的连通区域被保留,其他区域都抛弃,或者说,将其他的区域取消标记。这样得到初次分割的结果。
3.得到初次分割的区域结果后,接着进一步对边界细化处理。首先把分割后区域的边界单独标记出来,然后在边界上布置像素填充单元,将这些像素填充单元设置为覆盖更小的区域,可以是第一步中像素填充单元的一半大小,它们仍然需要相互交叠。同样在这些区域上计算定量特征,如平均灰度或梯度等,并得到阈值,根据阈值将各像素填充单元进行标记,并和初次分割的区域结果进行“或”操作,合并得到细化的区域结果。
此外,还可以进行进一步的细化处理,例如:
操作员根据临床需要重复步骤3,可以通过进一步减小像素填充单元的尺寸来进一步细化边界,直到得到满意结果为止。
此外,还可以直接在三维数据上进行最后一次细化边界的处理。所谓三维数据就是由前面的切片图堆积而成的。同样前面得到的切片图的边界的堆积在3D数据中表现为一张曲面。在这张曲面上布置体素填充单元,体素填充单元与最后一次执行第三步时的设置相同,即,具有相同的半径设置,它们仍然需要相互交叠。同样在这些区域上根据像素灰度值计算定量特征,并得到阈值,根据阈值标记各像素填充单元,并和最后一次第三步得到的区域结果进行“或”操作,合并得到细化的区域结果。
关于处理心腔边界,与上述说明基本相同,进一步,需要在其中的步骤2中增加如下处理:
(1)在切片图像中初步标记的处理步骤与前述相同,但是,在选取心腔区域时,这一步只观察灰度平均值。
(2)综合操作员鼠标点击感兴趣区域,得到初步的分割区域;同详细步骤中的按8邻域连通域把含有鼠标点击的那个区域单独分离出来的表述;
(3)在步骤2得到的区域上,把边界单独标记出来,然后将边界划分为一系列相互交叠的圆形区域,圆心都是边界上的点,半径为第一步中圆形区域半径的一半。计算每个圆形区域上的像素灰度值的平均值、像素灰度梯度模的平均值。再通过计算这些数值的平均值得到两个阈值:
其中,n为圆形区域的个数。接着检查每个圆形区域的灰度平均值和像素的梯度模平均值。灰度平均值反映的是灰度均值的均值;梯度模平均值反映的是梯度模均值的均值,分析区像数变化的大小,它反映这个区域像素变化的大小,作为边界这个值会变大,而小于此值说明它还在边界内,应当被标记出来,条件就是某个子区域的灰度均值小于灰度均值的阈值,并且梯度模均值也小于梯度模均值的阈值。则把该圆形区域内的像素标记为心腔区域,否则标记为非心腔区域。再把本步骤标出的心腔区域和第二步标出的心腔区域进行“或”操作,合并得到细化的心腔区域。
(4)操作员根据临床需要重复步骤3,每次使用的圆形区域半径都是上次使用的圆形区域半径的一半,来进一步细化边界,直到得到满意的2D切片图上的结果为止。
(5)在该帧的3D数据上进行最后一次细化边界的处理。将2D切片图堆积成3D数据,第四步得到各2D切片图上的心腔区域同时被堆积成3D区域。先把3D区域的边界曲面单独标记出来,然后将边界曲面划分为一系列相互交叠的球形区域,球心都是边界曲面上的点,半径为第四步中最后一次使用的圆形区域的半径。计算每个球形区域上的体素灰度值的平均值、体素灰度梯度模的平均值。再通过计算这些数值的平均值得到灰度平均值和像素的梯度模平均值。
其中,n为球形区域的个数。接着检查每个球形区域的灰度平均值和梯度模平均值,把该球形区域内的像素标记为心腔区域,否则标记为非心腔区域。再把本步骤标出的心腔区域和第四步标出的心腔区域进行“或”操作,合并得到细化后的心腔3D区域。
实施例1
本发明应用于针对患者心脏的真实三维(3D)超声影像数据处理,在本实施例中用于获取心腔容积以及射血分数。
步骤1,利用超声成像设备获得患者的医学影像资料。本实施例中,使用真实的3D超声探头对心脏区域扫描,得到3D超声影像的多个时间序列每个时间序列包含一系列的帧,记录了一个或多个完整的心动周期,每个帧包含有多个切片组成的3D体素数据。使用的成像设备例如,西门子SC2000超声心动图仪和飞利浦IE33两种型号。
步骤2,在真实3D超声影像时间序列中所有帧的所有切片影像中,提取心腔轮廓。在具体的实施例中,一般地,对一个病人,扫描5-8个时间序列,一个时间序列有8-44帧,一帧有256个切片图像,每个图像的大小为256*256像素。
提取心腔轮廓包括如下步骤:
a)在真实3D超声影像时间序列的某一帧的某一个切片影像中,利用鼠标点选感兴趣的心腔位置,即,选择目标区域。
进一步具体说明,选择切片影像的依据为含有感兴趣且暴露最清晰的心腔。鼠标点选的位置目视可以明确确定的,并且明显在心腔范围之内。
在显示有影像时间序列的某一帧数据的所有切片图的界面上,操作员利用鼠标在切片图上点击,点击的位置要求是在感兴趣的心腔的内部。最后,以图像左上角为原点,记录该位置点的x坐标和y坐标。本实施例中,以宽度方向为x轴,正方向是向右;以高度方向为y轴,正方向是向下;这样得到的x,y坐标。设置坐标的目的在于描述每个像素或者体素在空间的位置,它们由坐标(x,y)或(x,y,z)唯一确定。在计算中,使用坐标的目的主要用于判断像素或体素之间的邻接关系(2D影像上有8邻域或4邻域,3D影像上有6邻域和26邻域),用于设置填充单元的范围的确定,以及感兴趣心腔的标记(覆盖着感兴趣心腔的灌注区域在被标记后它们之间形成连通的邻接关系,从而能分离得到单个的心腔)。
可选择地,还可以附加设置自动关联处理单元,只要点击一个切片,该帧3D影像的所有切片自动得到关联处理,每个帧都只需要点击一个切片,其他切片自动处理。
通常情况下,一个超声的图像范围包含感兴趣区和噪声(非感兴趣区),并非理想状态的唯一区域,由于实际效果的局限,操作员要求确认(点一下)感兴趣区作为整个技术实现的第一个步骤,或者说是“启动”步骤。
b)以心腔位置点为圆心,以r为半径,定义一个圆形区域,分析该区域内的像素灰度分布,得到一个模型参数(阈值参数t)。
进一步具体说明,因为用鼠标点击的心腔位置点处的像素,并不能反映心腔内的像素灰度值的分布范围,而利用它周围一个邻域内的像素平均值,可以得到更为准确的灰度值分布的估计。因此,以心腔位置点为圆心,以5mm为半径,定义一个圆形区域,根据3D超声影像的体素分辨率(即体素中心点之间在x,y,z三个方向上的距离,以mm为单位),换算为以像素为单位的圆形区域的范围,计算该圆形区域内像素灰度值的平均值,作为一个模型参数,即阈值参数t。
c)把切片图划分成半径为r且相互交叠的圆形区域,从而使这种圆形区域全面覆盖切片图。这里,每个圆形区域可以看作是图像的像素填充的子区域。进一步,分析每个圆形区域内像素值的分布,并根据阈值参数t,利用阈值分割的方法标记出心腔,即,将各圆形区域分别标记为心腔区域和非心腔区域。
在此步骤中,采用根据步骤b)计算出的阈值,对切片的全部像素点进行阈值分割。由于心腔所在区域的像素灰度值较低,因此,需要把切片图中小于阈值的像素标记为心腔区域。本发明中,首先将切片图划分为一系列相互交叠的圆形区域作为子区域或者说像素填充区域,圆形的半径是5mm,各圆形之间圆心的距离也是5mm,按步骤b)中的方法换算为以像素为单位的圆形区域范围。然后,计算出区域内所有像素的灰度平均值,如果该平均值小于阈值参数t,则把该圆形区域内的像素点都标记为心腔区域,否则都标记为非心腔区域。在所有的圆形区域都处理完以后,对标记图以8邻域的方式进行连通域的检查,把含有操作员标出的心腔位置点的连通域,作为感兴趣的心腔的分割结果。最后,对一个影像时间序列的所有帧上的所有切片都作同样的阈值分割。
步骤3,根据标记出的心腔区域,计算心腔容积和EF值。
a)根据标记的心腔区域得到心内膜边界。
在标记好的心腔区域上,使用邻域检查法判断每个像素是内点还是边界点,如果是边界点,则标记为白色,其它点标记为黑色,从而得到不规则的心内膜边界。
b)统计出心内膜边界内的像素总数num1。
c)对心内膜边界上的像素,根据其灰度梯度,计算得到一个权值,作用于心内膜边界上的像素数目。
用如下的公式计算出心内膜边界上的像素数目:
其中,N是边界上像素的总数目,lmax是边界上像素灰度梯度模的最大值,lmin是边界上像素灰度梯度模的最小值,li是边界上每个像素灰度梯度模。
d)用如下的公式计算一帧影像上的心腔容积:
其中S是该帧影像上的切片总数,num1i是每个切片上心内膜边界内的像素数目,num2i是每个切片上心内膜边界上的像素数目,sx,sy和sz是一帧影像在x,y,z三个方向上体素中心点之间的距离,以mm为单位。
e)用如下的公式计算EF值:
其中:EF值在一个影像时间序列中的每个心动周期计算,Vmax是该心动周期内各帧影像心腔容积的最大值,Vmin是该心动周期内各帧影像心腔容积的最小值。
实施例2.计算心肌体积和质量
实施例4的步骤1和步骤2与上述实施例1相同,因而不再具体说明。
在完成步骤1和步骤2之后,重复进行步骤2中的步骤a),b),c)处理,以标出切片图上的其它心腔区域,用于后续心肌分割中的心腔排除步骤。其他心腔区域,是指在其他暴露得不完整、不清晰的心腔上进行相似的分割操作,目的是把所有的心腔都标记出来,以免影响到对心肌的分割。此步骤为心肌分割前的附加的预处理步骤,目的在于要排除所有心腔。
步骤3,在真实3D超声影像时间序列中所有帧的所有切片影像中,提取心肌轮廓。
a)利用鼠标点选多个感兴趣的心肌位置。
在显示有影像时间序列的某一帧数据的所有切片图的界面上,操作员利用鼠标在切片图上点击,点击的位置要求是在感兴趣的心肌(目标心肌)的内部靠近边缘的地方。最后,以图像左上角为原点,记录该位置点的x坐标和y坐标。感兴趣的心肌位置点可以有多个。
b)以每个心肌位置点为圆心,以r为半径,定义一个圆形区域,分析该区域内的像素灰度分布,得到一个模型参数(t)。
因为用鼠标点击的心肌位置点处的像素,并不能反映心肌内的像素灰度值的分布范围,而利用所选位置点周围一个邻域内的像素平均值,可以得到更为准确的灰度值分布的估计。因此,以心肌位置点为圆心,以1mm为半径,定义一个圆形区域,根据3D超声影像的体素分辨率(即体素中心点之间在x,y,z三个方向上的距离,以mm为单位),换算为以像素为单位的圆形区域的范围,计算该圆形区域内像素灰度值的平均值,作为一个模型参数,即阈值参数t。
c)先在切片图上排除心腔区域,再把切片图划分成半径为r且相互交叠的圆形区域,作为单元(像素填充单元),分析每个子区域内的像素值的分布,并根据阈值参数t,利用阈值分割的方法标记出心肌。
这一步是根据步骤b计算出的阈值参数t,对切片的全部像素点进行阈值分割,并把步骤2和附加步骤中得到的所有心腔所在区域的像素点排除。
由于心肌所在区域的像素灰度值较高,因此,需要把切片图中大于阈值参数t的像素标记为心肌区域。
处理中首先将切片图划分为一系列相互交叠的圆形区域,该圆形区域即像素填充单元(单元)。该圆形的半径是1mm,各圆形之间圆心的距离也是1mm,按步骤b中的方法换算为以像素为单位的圆形区域范围。然后,计算出区域内所有像素的灰度平均值,如果该平均值大于阈值参数t,则把该圆形区域内的像素点都标记为心肌区域,否则都标记为非心肌区域。在所有的圆形区域都处理完以后,对标记图以8邻域的方式进行连通域的检查,把含有操作员标出的心肌位置点的连通域,作为感兴趣的心肌的分割结果。最后,对一个影像时间序列的所有帧上的所有切片都作同样的阈值分割。
步骤4根据标记出的心肌区域,计算心肌体积和质量。
a)根据标记的各个心肌区域得到各个心肌的边界。
在标记好的心肌区域上,使用邻域检查法判断每个像素是内点还是边界点,如果是边界点,则标记为白色,其它点标记为黑色,从而得到不规则的心肌边界。
b)各自统计心肌边界内的像素总数num1。
c)各自对心肌边界上的像素,根据其灰度梯度,计算得到一个权值,作用于心肌边界上的像素数目。
用如下的公式计算出心肌边界上的像素数目:
其中,N是心肌边界上像素的总数目,lmax是心肌边界上像素灰度梯度模的最大值,lmin是心肌边界上像素灰度梯度模的最小值,li是心肌边界上每个像素灰度梯度模。
d)用如下的公式计算一帧影像上的各心肌体积:
其中S是该帧影像上的切片总数,num1i是每个切片上单位心肌边界内的像素数目,num2i是每个切片上各个心肌边界上的像素数目,sx,sy和sz是一帧影像在x,y,z三个方向上体素中心点之间的距离,以mm为单位。
e)用如下的公式计算各心肌的质量:
m=ρV
其中:ρ是根据临床实验得到的心肌平均密度,V是该帧影像上某个感兴趣的心肌的体积。
上述计算体积的公式,考虑了边界体素在精确描述边界上的不确定性,因此对这些体素不是直接当作一个体积元参加体积计算的,而是给它乘上一个加权值,再参与体积的累加,反映了其具有一定的模糊性,能更准确地反映实际的心腔或心肌的体积。
计算EF的公式中的体积参数是使用本发明的方法得到的。
计算心肌质量的公式其中的体积参数是使用本发明的方法得到的。
进一步说明,本发明中提出的填充单元的处理既可以在2D切片上进行,也可以在3D体素数据上进行,更可以推广到任意高维的数据上处理。2D时填充单元的几何形状是圆,考察圆形区域内的像素强度数据,3D时填充子区域的几何形状是球体,考察球体内的体素强度数据。在2D上的处理是初步的处理,在3D上是进一步的细化/优化处理。
本发明中,将划分的邻域交叠采用全面覆盖原则。每个设置点周围的圆形区域,是发明的要素之一。可以灵活使用不同的形状;像素填充区域(子区域)就是指每个设置点周围的圆形子区域的总集合。
本发明中提到的阈值分割处理,是一种基于区域的图像分割技术,其基本原理是:通过设定不同的特征阈值,把图像像素点分为若干类。常用的特征包括:直接来自原始图像的灰度或彩色特征;由原始灰度或彩色值变换得到的特征。设原始图像为f(x,y),按照一定的准则f(x,y)中找到特征值T,将图像分割为两个部分,分割后的图像g(x,y)为:若f(x,y)像素特征值大于T,则g(x,y)取为0(黑),反之为1(白),即为通常所说的图像二值化。也可以让f(x,y)像素特征值小于T时g(x,y)取为1,反之为0。
本发明的边界处理,也可以在三维数据上处理的,参照上述的二维处理实施例。例如,可以将分割处理区域的几何形状从圆形改变成球体,考察球体内的体素来做标记。
本发明也可以应用到其它类型的影像数据处理,例如CT、MRI、PET、SPECT等,以对其中感兴趣的解剖组织进行分割和识别,并计算相关生理参数。影像中感兴趣的解剖组织和周围的组织有一定的对比度,且不规则,适合于应用本发明进行分割,本发明既适用于组织正常的情形,也适用于组织病变的情形。
本领域技术人员应当明了,对本发明已描述的优选具体实施例可以进行各种改进和变化,而不偏离本发明的精神或范围。因此,本发明包括在所附权利要求及其等同替换范围之内的各种改进和变化。
Claims (16)
1.一种医学影像的目标区域边界确定装置,用于根据该医学影像中组织分布所反映出的相对应的物理定量特征来区分目标区域边界,该装置包括:
交互单元,操作人员经由交互单元在医学影像上选择目标区域;
阈值设定单元,其确定所选的目标区域中的组织分布所反映出的物理定量特征的阈值;
阈值分割单元,其将至少包含所述目标区域局部的待分析区域分割成子区域,以及,将各所述子区域的物理定量特征的参数平均值与所述阈值比较,根据比较结果标记各所述子区域,
其中,通过阈值比较将该目标区域和边界处区分成两类,从而区分出边界,以及
其中,所述子区域按照如下方式设置:将待分析区域划分成相互交叠的多个相邻的子区域,各相邻的子区域交叠或非交叠区域共同并完全覆盖所述目标区域。
2.根据权利要求1所述的边界确定装置,其中所述物理定量特征包括像素灰度,像素梯度,体素灰度,或体素强度。
3.根据权利要求1或2所述的边界确定装置,以所选的目标区域内部的位置点为圆心,设定半径r,定义一个圆形区域,分析该圆形区域内的物理定量特征分布,以确定所述阈值。
4.根据权利要求1或2所述的边界确定装置,所述医学影像为心脏的医学影像,选择心腔的一个位置点为圆心,以5mm为半径,定义一个圆形区域,计算该圆形区域内像素灰度值的平均值作为所述阈值;以及,如果一子区域中像素灰度小于所述阈值,则将该子区域标记为所述目标区域,以及,该目标区域是所述心腔的区域。
5.根据权利要求1或2所述的边界确定装置,其中,所述医学影像为心脏的医学影像,将待分析区域划分为一系列相互交叠的圆形区域,该圆形区域为所述的子区域,该圆形的半径是1mm,各圆形之间圆心的距离也是1mm,计算出各所述子区域灰度平均值,如果该平均值大于所述阈值,则将该子区域内的像素点都标记为心肌区域,否则都标记为非心肌区域。
6.根据权利要求1所述的边界确定装置,其中将所述子区域设置为球体,并将球体内的平均体素灰度或体素梯度与所述阈值参数比较并做标记。
7.根据权利要求1或2所述的边界确定装置,其中,其中所述的医学影像为心脏影像,以及,所述目标区域是任意一心腔、或者心肌。
8.根据权利要求1、2、6中任一项所述的边界确定装置,其中所述的医学影像为3D超声影像。
9.一种医学影像的目标区域边界确定方法,其中,根据该医学影像中组织分布反映出的物理定量特征区分目标区域边界,该方法包括如下步骤:
--在医学影像上选择目标区域,
--设定所述目标区域中的组织分布所反映出的物理定量特征的阈值,
--将至少包含所述目标区域局部的待分析区域分割成子区域,
--将各所述子区域的物理定量特征的参数平均值与所述阈值比较,根据比较结果标记各子区域,
其中,通过阈值比较将该目标区域和边界处区分成两类,从而区分出边界,以及
其中,在所述分割子区域的步骤中,包括如下处理:将待分析区域划分成相互交叠的多个邻域,各邻域的交叠或非交叠区域共同并完 全覆盖所述目标区域。
10.根据权利要求9所述的方法,其中所述物理定量特征选自像素灰度,像素梯度,体素灰度,或体素强度。
11.根据权利要求9或10所述的方法,其中,在设定阈值的步骤中,包括如下处理:以所选的目标区域内部的位置点为圆心,设定半径r,定义一个圆形区域,分析该圆形区域内的像素灰度分布,以确定所述阈值。
12.根据权利要求9或10所述的方法,其中,其中,针对心脏获取所述医学影像,所述的目标区域为心腔,选择一个心腔位置点为圆心,以5mm为半径,定义一个圆形区域,计算该圆形区域内像素灰度值的平均值作为所述阈值,以及,如果一子区域中像素灰度小于所述阈值,则将该子区域标记为心腔区域。
13.根据权利要求9或10所述的方法,其中,其中,针对心脏获取所述医学影像,将待分析区域划分为一系列相互交叠的圆形区域,该圆形区域为所述的子区域,该圆形的半径是1mm,各圆形之间圆心的距离也是1mm,计算出各子区域灰度平均值,如果该平均值大于所述阈值,则将该子区域内的像素点都标记为心肌区域,否则都标记为非心肌区域。
14.根据权利要求9所述的方法,其中将所述子区域设置为球体,并将球体内的平均体素灰度或体素梯度与所述阈值参数比较并做标记。
15.根据权利要求9、10、14中任一项权利要求所述的方法,其中所述的医学影像为心脏影像,以及,所述的目标区域为任意一个心腔或者心肌。
16.根据权利要求9、10、14中任一项权利要求所述的方法,其中所述的医学影像为3D超声影像。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210375093.7A CN102920477B (zh) | 2012-03-05 | 2012-09-27 | 医学影像的目标区域边界确定装置和方法 |
PCT/CN2013/071129 WO2013131420A1 (zh) | 2012-03-05 | 2013-01-30 | 医学影像的目标区域边界确定装置和方法 |
US14/383,060 US20150023578A1 (en) | 2012-03-05 | 2013-01-30 | Device and method for determining border of target region of medical images |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100555519 | 2012-03-05 | ||
CN201210055551.9 | 2012-03-05 | ||
CN201210055551 | 2012-03-05 | ||
CN201210375093.7A CN102920477B (zh) | 2012-03-05 | 2012-09-27 | 医学影像的目标区域边界确定装置和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102920477A CN102920477A (zh) | 2013-02-13 |
CN102920477B true CN102920477B (zh) | 2015-05-20 |
Family
ID=47473378
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210374680.4A Active CN102871686B (zh) | 2012-03-05 | 2012-09-27 | 基于3d医学影像测定生理参数的装置和方法 |
CN201210375093.7A Active CN102920477B (zh) | 2012-03-05 | 2012-09-27 | 医学影像的目标区域边界确定装置和方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210374680.4A Active CN102871686B (zh) | 2012-03-05 | 2012-09-27 | 基于3d医学影像测定生理参数的装置和方法 |
Country Status (3)
Country | Link |
---|---|
US (2) | US20150023577A1 (zh) |
CN (2) | CN102871686B (zh) |
WO (2) | WO2013131421A1 (zh) |
Families Citing this family (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102871686B (zh) * | 2012-03-05 | 2015-08-19 | 杭州弘恩医疗科技有限公司 | 基于3d医学影像测定生理参数的装置和方法 |
TWI498832B (zh) * | 2013-01-22 | 2015-09-01 | Univ Nat Cheng Kung | 估算個體運動學或動力學相關參數的電腦實施方法及系統 |
CN104720850B (zh) * | 2013-12-23 | 2017-10-03 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声造影成像方法及造影图像的区域检测、显像方法 |
US9436995B2 (en) * | 2014-04-27 | 2016-09-06 | International Business Machines Corporation | Discriminating between normal and abnormal left ventricles in echocardiography |
CN105232081A (zh) * | 2014-07-09 | 2016-01-13 | 无锡祥生医学影像有限责任公司 | 医学超声辅助自动诊断装置及方法 |
CN104398272B (zh) | 2014-10-21 | 2017-09-19 | 无锡海斯凯尔医学技术有限公司 | 选择检测区域的方法及装置及弹性检测*** |
DE102015208804A1 (de) * | 2015-05-12 | 2016-11-17 | Siemens Healthcare Gmbh | Vorrichtung und Verfahren zum rechnergestützten Simulieren von chirurgischen Eingriffen |
CN104915924B (zh) * | 2015-05-14 | 2018-01-26 | 常州迪正雅合电子科技有限公司 | 一种自动实现三维超声图像定标的方法 |
CN106408648A (zh) * | 2015-08-03 | 2017-02-15 | 青岛海信医疗设备股份有限公司 | 一种医学组织的切片图像三维重建的方法及设备 |
US10140268B2 (en) * | 2015-08-27 | 2018-11-27 | Qualcomm Innovation Center, Inc. | Efficient browser composition for tiled-rendering graphics processing units |
CN107025633B (zh) * | 2016-01-29 | 2020-11-27 | 中兴通讯股份有限公司 | 一种图像处理方法及装置 |
CN107993234A (zh) * | 2016-10-26 | 2018-05-04 | 中国科学院深圳先进技术研究院 | 一种坑区域的提取方法及装置 |
WO2018091486A1 (en) | 2016-11-16 | 2018-05-24 | Ventana Medical Systems, Inc. | Convolutional neural networks for locating objects of interest in images of biological samples |
CN106683083B (zh) * | 2016-12-22 | 2019-09-13 | 深圳开立生物医疗科技股份有限公司 | ******图像处理方法及装置、超声设备 |
WO2018218479A1 (en) * | 2017-05-31 | 2018-12-06 | Edan Instruments, Inc. | Systems and methods for adaptive enhancement of vascular imaging |
US10430987B1 (en) * | 2017-06-09 | 2019-10-01 | Snap Inc. | Annotating an image with a texture fill |
CN107274428B (zh) * | 2017-08-03 | 2020-06-30 | 汕头市超声仪器研究所有限公司 | 基于仿真和实测数据的多目标三维超声图像分割方法 |
CN108305247B (zh) * | 2018-01-17 | 2022-03-04 | 中南大学湘雅三医院 | 一种基于ct图像灰度值检测组织硬度的方法 |
CN108703770B (zh) * | 2018-04-08 | 2021-10-01 | 智谷医疗科技(广州)有限公司 | 心室容积监测设备和方法 |
CN108553124B (zh) * | 2018-04-08 | 2021-02-02 | 广州市红十字会医院(暨南大学医学院附属广州红十字会医院) | 心室容积监测设备和方法 |
CN108573514B (zh) * | 2018-04-16 | 2022-05-27 | 北京市神经外科研究所 | 一种图像的三维融合方法及装置、计算机存储介质 |
CN109035261B (zh) * | 2018-08-09 | 2023-01-10 | 北京市商汤科技开发有限公司 | 医疗影像处理方法及装置、电子设备及存储介质 |
CN109846513B (zh) * | 2018-12-18 | 2022-11-25 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像方法、***和图像测量方法、处理***及介质 |
CN110009631A (zh) * | 2019-04-15 | 2019-07-12 | 唐晓颖 | 眼底图像的血管质量评估方法、装置、设备和介质 |
CN110136804B (zh) * | 2019-04-25 | 2021-11-16 | 深圳向往之医疗科技有限公司 | 一种心肌质量计算方法、***及电子设备 |
CN110288581B (zh) * | 2019-06-26 | 2022-11-04 | 电子科技大学 | 一种基于保持形状凸性水平集模型的分割方法 |
CN110400626B (zh) * | 2019-07-08 | 2023-03-24 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
DE102019212103A1 (de) * | 2019-08-13 | 2021-02-18 | Siemens Healthcare Gmbh | Surrogatmarker basierend auf medizinischen Bilddaten |
CN110866902A (zh) * | 2019-11-06 | 2020-03-06 | 湖北中烟工业有限责任公司 | 一种烟标翘曲变形的检测方法 |
CN110930450A (zh) * | 2019-12-11 | 2020-03-27 | 清远职业技术学院 | 基于图像阈值分割和blob分析方法的煤矸石定位方法 |
US11521314B2 (en) * | 2019-12-31 | 2022-12-06 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
CN111368832B (zh) * | 2020-03-05 | 2023-06-20 | 推想医疗科技股份有限公司 | 感兴趣区域的标记方法、装置、设备和存储介质 |
CN112017152B (zh) * | 2020-07-02 | 2022-09-23 | 杭州市第一人民医院 | 心房压迹二维影像的处理方法 |
CN112037167B (zh) * | 2020-07-21 | 2023-11-24 | 苏州动影信息科技有限公司 | 一种基于影像组学和遗传算法的目标区域确定*** |
US11636603B2 (en) * | 2020-11-03 | 2023-04-25 | Dyad Medical, Inc. | System and methods for segmentation and assembly of cardiac MRI images |
CN112932535B (zh) * | 2021-02-01 | 2022-10-18 | 杜国庆 | 一种医学图像分割及检测方法 |
CN115482246B (zh) * | 2021-05-31 | 2023-06-16 | 数坤(上海)医疗科技有限公司 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
CN113570594A (zh) * | 2021-08-11 | 2021-10-29 | 无锡祥生医疗科技股份有限公司 | 超声图像中目标组织的监测方法、装置及存储介质 |
CN114299094B (zh) * | 2022-01-05 | 2022-10-11 | 哈尔滨工业大学 | 一种基于块选择与扩展的输液瓶图像感兴趣区域提取方法 |
CN115147378B (zh) * | 2022-07-05 | 2023-07-25 | 哈尔滨医科大学 | 一种ct图像分析提取方法 |
CN116386043A (zh) * | 2023-03-27 | 2023-07-04 | 北京市神经外科研究所 | 一种脑神经医疗影像胶质瘤区域快速标记方法及*** |
CN116523924B (zh) * | 2023-07-05 | 2023-08-29 | 吉林大学第一医院 | 一种医学实验用数据处理方法及*** |
CN116630316B (zh) * | 2023-07-24 | 2023-09-26 | 山东舜云信息科技有限公司 | 一种基于视频分析的皮带疲劳检测报警方法及报警*** |
CN116862930B (zh) * | 2023-09-04 | 2023-11-28 | 首都医科大学附属北京天坛医院 | 适用于多模态的脑血管分割方法、装置、设备和存储介质 |
CN117201800B (zh) * | 2023-09-12 | 2024-03-19 | 浙江建达科技股份有限公司 | 基于空间冗余的医疗检查大数据压缩存储*** |
CN117237389B (zh) * | 2023-11-14 | 2024-01-19 | 深圳市亿康医疗技术有限公司 | 一种中耳胆脂瘤ct影像分割方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3461201B2 (ja) * | 1993-07-27 | 2003-10-27 | 株式会社東芝 | 画像処理装置及び画像処理方法 |
WO2004097720A1 (en) * | 2003-04-24 | 2004-11-11 | Koninklijke Philips Electronics N.V. | Non-invasive left ventricular volume determination |
US7347821B2 (en) * | 2003-06-26 | 2008-03-25 | Koninklijke Philips Electronics N.V. | Adaptive processing of contrast enhanced ultrasonic diagnostic images |
CN101527047A (zh) * | 2008-03-05 | 2009-09-09 | 深圳迈瑞生物医疗电子股份有限公司 | 使用超声图像检测组织边界的方法与装置 |
WO2011013346A1 (ja) * | 2009-07-29 | 2011-02-03 | パナソニック株式会社 | 超音波診断装置 |
CN102068281A (zh) * | 2011-01-20 | 2011-05-25 | 深圳大学 | 一种占位性病变超声图像的处理方法 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5457754A (en) * | 1990-08-02 | 1995-10-10 | University Of Cincinnati | Method for automatic contour extraction of a cardiac image |
US5680471A (en) * | 1993-07-27 | 1997-10-21 | Kabushiki Kaisha Toshiba | Image processing apparatus and method |
US6094508A (en) * | 1997-12-08 | 2000-07-25 | Intel Corporation | Perceptual thresholding for gradient-based local edge detection |
US6217520B1 (en) * | 1998-12-02 | 2001-04-17 | Acuson Corporation | Diagnostic medical ultrasound system and method for object of interest extraction |
WO2002052509A1 (en) * | 2000-12-22 | 2002-07-04 | Koninklijke Philips Electronics N.V. | Method of analyzing a data set comprising a volumetric representation of an object to be examined |
US20130211238A1 (en) * | 2001-01-30 | 2013-08-15 | R. Christopher deCharms | Methods for physiological monitoring, training, exercise and regulation |
US7310435B2 (en) * | 2003-11-25 | 2007-12-18 | General Electric Company | Method and apparatus for extracting multi-dimensional structures using dynamic constraints |
US7248725B2 (en) * | 2004-01-07 | 2007-07-24 | Ramot At Tel Avia University Ltd. | Methods and apparatus for analyzing ultrasound images |
US7676091B2 (en) * | 2004-01-07 | 2010-03-09 | Ramot At Tel Aviv University Ltd. | Method and apparatus for analysing ultrasound images |
KR100747093B1 (ko) * | 2005-01-12 | 2007-08-07 | 주식회사 메디슨 | 초음파 진단 영상을 이용한 대상체의 경계를 자동으로검출하는 방법 및 초음파 진단 시스템 |
US20070116357A1 (en) * | 2005-11-23 | 2007-05-24 | Agfa-Gevaert | Method for point-of-interest attraction in digital images |
CN101404931A (zh) * | 2006-03-20 | 2009-04-08 | 皇家飞利浦电子股份有限公司 | 借助心肌机能的量化的超声诊断 |
EP2025290A1 (en) * | 2006-05-19 | 2009-02-18 | Hitachi Medical Corporation | Medical image display device and program |
CN101219063B (zh) * | 2007-01-12 | 2011-03-23 | 深圳迈瑞生物医疗电子股份有限公司 | 基于二维分析的b图像均衡方法和***结构 |
WO2008115830A2 (en) * | 2007-03-16 | 2008-09-25 | Cyberheart, Inc. | Radiation treatment planning and delivery for moving targets in the heart |
US8155405B2 (en) * | 2007-04-20 | 2012-04-10 | Siemens Aktiengsellschaft | System and method for lesion segmentation in whole body magnetic resonance images |
US8369590B2 (en) * | 2007-05-21 | 2013-02-05 | Cornell University | Method for segmenting objects in images |
US8199994B2 (en) * | 2009-03-13 | 2012-06-12 | International Business Machines Corporation | Automatic analysis of cardiac M-mode views |
US20110150309A1 (en) * | 2009-11-27 | 2011-06-23 | University Health Network | Method and system for managing imaging data, and associated devices and compounds |
DE102010008243B4 (de) * | 2010-02-17 | 2021-02-11 | Siemens Healthcare Gmbh | Verfahren und Vorrichtung zur Ermittlung der Vaskularität eines sich in einem Körper befindlichen Objektes |
WO2011125513A1 (ja) * | 2010-03-31 | 2011-10-13 | 株式会社 日立メディコ | 医用画像診断装置及び、医用画像の計測値再入力方法 |
EP2658439B1 (en) * | 2010-12-29 | 2020-02-12 | Dia Imaging Analysis Ltd. | Automatic left ventricular function evaluation |
US20130195323A1 (en) * | 2012-01-26 | 2013-08-01 | Danyu Liu | System for Generating Object Contours in 3D Medical Image Data |
CN102871686B (zh) * | 2012-03-05 | 2015-08-19 | 杭州弘恩医疗科技有限公司 | 基于3d医学影像测定生理参数的装置和方法 |
-
2012
- 2012-09-27 CN CN201210374680.4A patent/CN102871686B/zh active Active
- 2012-09-27 CN CN201210375093.7A patent/CN102920477B/zh active Active
-
2013
- 2013-01-30 US US14/383,040 patent/US20150023577A1/en not_active Abandoned
- 2013-01-30 WO PCT/CN2013/071135 patent/WO2013131421A1/zh active Application Filing
- 2013-01-30 US US14/383,060 patent/US20150023578A1/en not_active Abandoned
- 2013-01-30 WO PCT/CN2013/071129 patent/WO2013131420A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3461201B2 (ja) * | 1993-07-27 | 2003-10-27 | 株式会社東芝 | 画像処理装置及び画像処理方法 |
WO2004097720A1 (en) * | 2003-04-24 | 2004-11-11 | Koninklijke Philips Electronics N.V. | Non-invasive left ventricular volume determination |
US7347821B2 (en) * | 2003-06-26 | 2008-03-25 | Koninklijke Philips Electronics N.V. | Adaptive processing of contrast enhanced ultrasonic diagnostic images |
CN101527047A (zh) * | 2008-03-05 | 2009-09-09 | 深圳迈瑞生物医疗电子股份有限公司 | 使用超声图像检测组织边界的方法与装置 |
WO2011013346A1 (ja) * | 2009-07-29 | 2011-02-03 | パナソニック株式会社 | 超音波診断装置 |
CN102068281A (zh) * | 2011-01-20 | 2011-05-25 | 深圳大学 | 一种占位性病变超声图像的处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102871686B (zh) | 2015-08-19 |
US20150023578A1 (en) | 2015-01-22 |
WO2013131420A1 (zh) | 2013-09-12 |
US20150023577A1 (en) | 2015-01-22 |
WO2013131421A1 (zh) | 2013-09-12 |
CN102920477A (zh) | 2013-02-13 |
CN102871686A (zh) | 2013-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102920477B (zh) | 医学影像的目标区域边界确定装置和方法 | |
Bernard et al. | Standardized evaluation system for left ventricular segmentation algorithms in 3D echocardiography | |
US8265363B2 (en) | Method and apparatus for automatically identifying image views in a 3D dataset | |
CN102763135B (zh) | 用于自动分割和时间跟踪的方法 | |
CN110338840B (zh) | 三维成像数据的显示处理方法和三维超声成像方法及*** | |
US6994673B2 (en) | Method and apparatus for quantitative myocardial assessment | |
De Craene et al. | 3D strain assessment in ultrasound (straus): A synthetic comparison of five tracking methodologies | |
Hansegård et al. | Semi-automated quantification of left ventricular volumes and ejection fraction by real-time three-dimensional echocardiography | |
US20030038802A1 (en) | Automatic delineation of heart borders and surfaces from images | |
US20030160786A1 (en) | Automatic determination of borders of body structures | |
US9147258B2 (en) | Methods and systems for segmentation in echocardiography | |
Bhadoria et al. | Comparison of segmentation tools for multiple modalities in medical imaging | |
WO2012064986A2 (en) | System and method of ultrasound image processing | |
CN107708550A (zh) | 用于检测和测量解剖异常的分段回声结构的表面建模 | |
US9129392B2 (en) | Automatic quantification of mitral valve dynamics with real-time 3D ultrasound | |
China et al. | Anatomical structure segmentation in ultrasound volumes using cross frame belief propagating iterative random walks | |
De Luca et al. | Estimation of large-scale organ motion in B-mode ultrasound image sequences: a survey | |
Almeida et al. | Left-atrial segmentation from 3-D ultrasound using B-spline explicit active surfaces with scale uncoupling | |
CN114795276A (zh) | 用于从超声图像自动估计肝肾指数的方法和*** | |
Papachristidis et al. | Standardized delineation of endocardial boundaries in three-dimensional left ventricular echocardiograms | |
EP3437068B1 (en) | System and methods for diagnostic image analysis and image quality assessment | |
EP3391332B1 (en) | Determination of registration accuracy | |
Valarmathi et al. | Deep Learning Model for Automated Kidney Stone Detection using VGG16 | |
CN111166373B (zh) | 一种定位注册方法、装置和*** | |
Huang et al. | Three‐dimensional region‐based segmentation for breast tumors on sonography |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C41 | Transfer of patent application or patent right or utility model | ||
TR01 | Transfer of patent right |
Effective date of registration: 20160729 Address after: 310012 purple garden 28-3-802, No. two West 268, Wen Wen Road, Hangzhou, Zhejiang, Xihu District Patentee after: Wang Qingyang Address before: Hangzhou City, Zhejiang province Xiaoshan District 310012 North Street Jincheng Road No. 1038, room 813 Patentee before: Hangzhou Hongen Medical Technology Co., Ltd. Patentee before: Li Peng |