CN106910182B - 心脏心功能磁共振图像中舒张末期图像中血池的分割方法 - Google Patents
心脏心功能磁共振图像中舒张末期图像中血池的分割方法 Download PDFInfo
- Publication number
- CN106910182B CN106910182B CN201510974234.0A CN201510974234A CN106910182B CN 106910182 B CN106910182 B CN 106910182B CN 201510974234 A CN201510974234 A CN 201510974234A CN 106910182 B CN106910182 B CN 106910182B
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- region
- resonance image
- image
- slice
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- 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
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种心脏心功能磁共振图像舒张末期图像中血池的分割方法,其包括以下步骤:获取包含左心室心肌的若干片层、且在不同心动期相的心脏磁共振图像INP;在中间片层的每个心动期相所对应的磁共振图像IMP上,计算初始感兴趣区域在所有心动期相上的最大强度投影图像,聚类分割最大强度投影图像,选取圆度最大的区域A;计算中间片层的每个心动期相所对应的磁共振图像IMP在区域A中的图像平均灰度值,具有最大平均灰度值的磁共振图像IMP为中间片层在舒张末期对应的磁共振图像IMP(ED);从中间片层开始向心尖和心底两个方向片层的磁共振图像分别进行分割,完成舒张末期的磁共振图像INP(ED)中的血池的分割。
Description
【技术领域】
本发明涉及医学图像领域,尤其是涉及心脏心功能磁共振图像的分割。
【背景技术】
近年来,心血管疾病的发病率和死亡率正逐年增加。每年在美国有近600万人被检查出患有心血管疾病,而我国则有近300万人死于心血管疾病。心脏功能是诊断心血管疾病的重要指标,可以通过分析四维心功能磁共振图像中左心室相关的全局和局部特征参数实现,如:心室体积、射血分数和心肌壁厚等。心功能特征参数提取的准确性依赖于左心室心内外膜的准确定位,而计算机辅助诊断方案有助于提高在四维心功能磁共振图像中定位左心室心内外膜的可靠性和效率。
在四维心功能磁共振图像中确定心脏舒张末期通常是手动和需用户辅助的半自动方法,这类方法比较繁复、效率低、并且存在较大的观察者之间和观察者自身的差异。在基于心脏心功能磁共振图像的计算机辅助诊断方案中心脏舒张末期的确定以及舒张末期图像中血池的分割是首先需要解决的重要问题。
【发明内容】
本发明所要解决的技术问题是提供一种心脏心功能磁共振图像中舒张末期图像中血池的全自动分割方法。
本发明为解决上述技术问题而采用的技术方案是:一种心脏心功能磁共振图像舒张末期图像中血池的分割方法,包括以下步骤:
获取包含左心室心肌的若干片层、且在不同心动期相的心脏磁共振图像INP,其中N表示片层的序号,P表示心动期相序号,N、P均为大于或等于1的整数;
在中间片层的每个心动期相所对应的磁共振图像IMP上,设定初始感兴趣区域,计算初始感兴趣区域在所有心动期相上的最大强度投影图像,聚类分割最大强度投影图像,选取圆度最大的区域A;
计算中间片层的每个心动期相所对应的磁共振图像IMP在区域A中的图像平均灰度值,具有最大平均灰度值的磁共振图像IMP所在心动期相被定义为舒张末期,并确定中间片层在舒张末期对应的磁共振图像IMP(ED);
从中间片层开始向心尖和心底两个方向片层的磁共振图像分别进行分割,完成舒张末期的磁共振图像INP(ED)中的血池的分割。
优选的,包括获取左心室感兴趣区域,所述左心室感兴趣区域的中心为区域A的质心,所述左心室感兴趣区域的边长为区域A的长轴长度加数个像素点。
优选的,对中间片层的舒张末期的磁共振图像IMP(ED)中的血池的分割包括以下步骤:
对中间片层的舒张末期的磁共振图像IMP(ED)在左心室感兴趣区域中的图像进行伽马校正,获得校正后的图像IMP(ED)’;
通过模糊C均值聚类方法对校正后的图像IMP(ED)’进行分类,分类数目为2,选取最亮类作为候选区域SM;
在候选区域SM中选取与区域A重叠率最大的区域作为中间片层的舒张末期的磁共振图像IMP(ED)中的血池区域的分割结果。
优选的,对第一个至第M-1个片层的舒张末期的磁共振图像的血池及第M+1个至第N个片层的舒张末期的磁共振图像的血池分割通过以下方式获得:
以前一个片层的磁共振图像的血池区域的分割结果引导当前片层的磁共振图像的血池区域的分割。
优选的,设定第K-1、K+1个片层为当前片层,第K个片层为前一个片层;按照以下步骤获得第K-1、K+1个片层的舒张末期的磁共振图像I(K+1)P(ED)、I(K-1)P(ED)的血池区域的分割:
以第K个片层、舒张末期的磁共振图像IKP(ED)中已分割血池区域的质心和长轴加数个像素点作为第K+1、第K-1个片层、舒张末期的磁共振图像I(K+1)P(ED)、I(K-1)P(ED)的左心室感兴趣区域的中心和边长,并对左心室感兴趣区域中的图像进行伽马校正,获得校正后的图像I(K+1)P(ED)’、I(K-1)P(ED)’;
通过模糊C均值聚类方法对校正后的图像I(K+1)P(ED)’、I(K-1)P(ED)’进行分类,选取最亮类作为候选区域S(K-1)、S(K+1);
在第K-1、K+1个片层的候选区域S(K-1)、S(K+1)中选取与第K个片层、舒张末期的磁共振图像IKP(ED)中血池区域的分割结果重叠率最大的区域作为第K-1、K+1个片层、舒张末期的磁共振图像中血池区域的分割结果。
优选的,若当前片层的磁共振图像中分割的血池区域的长轴大于前一片层的磁共振图像中分割的血池区域的长轴的1.2倍或者当前片层的磁共振图像中分割的血池区域的长宽比大于前一片层的磁共振图像中分割的血池区域的长宽比的1.3倍,则被判断为出现LVOT现象,其中所述当前片层是位于中间片层位置以下的片层。
优选的,如果出现LVOT现象,则调整伽马校正参数,对当前片层的磁共振图像的左心室感兴趣区域中的图像进行伽马校正,并重新进行聚类分割。
优选的,如采用调整伽马校正参数后并进行聚类分割后的当前片层的磁共振图像中的血池区域仍然被判断为出现LVOT现象,则采用射线扫描方法去除过分割的区域。
优选的,所述射线扫描方法包括以下步骤:
以当前片层的磁共振图像的血池区域质心为中心点作径向射线扫描,提取每个角度射线上距离中心点最近的区域边界点;
计算上述提取的所有边界点到中心点的径向距离均值mean和标准差std,去掉径向距离大于mean+std的区域边界点;
将剩余的区域边界点进行插值后得到闭合曲线,闭合曲线包含的区域即为当前片层的磁共振图像的血池区域。
优选的,所述初始感兴趣区域的中心为原图像的中心,半径为100个像素点。
本发明对比现有技术有如下的有益效果:采用本发明的方法,可实现全自动确定心脏舒张期末期的期相及左心室位置,采用聚类方法实现舒张末期图像中血池的分割。
【附图说明】
图1为本发明实施例的一种心脏心功能磁共振图像中舒张末期图像中血池的分割方法的流程图;
图2a为中间片层磁共振图像在感兴趣区域中的最大强度投影图像;
图2b为中间片层磁共振图像的在初始感兴趣区域中的图像;
图2c为通过模糊C均值聚类方法对图2b进行聚类分割的结果;
图2d为中间片层磁共振图像中血池区域分割的结果;
图3a-3c通过射线扫描方法对过分割区域处理的过程示意图。
【具体实施方式】
请参阅图1-3,本发明实施例中的一种心脏心功能磁共振图像舒张末期图像中血池的分割方法,包括以下步骤:
获取包含左心室心肌的若干片层、且在不同心动期相的心脏磁共振图像INP,其中N表示片层的序号,P表示心动期相(phase)序号,N、P均为大于或等于1的整数;
在中间片层的每个心动期相所对应的磁共振图像IMP上,设定初始感兴趣区域,计算初始感兴趣区域在所有心动期相(P个心动期相)上的最大强度投影图像(MIP),聚类分割最大强度投影图像(MIP),选取圆度最大的区域A;优选的聚类分割方法为模糊C均值聚类方法;
计算中间片层的每个心动期相所对应的磁共振图像IMP在区域A中的图像平均灰度值,具有最大平均灰度值的磁共振图像IMP所在心动期相被定义为舒张末期P(ED),并确定中间片层在舒张末期对应的磁共振图像IMP(ED);
从中间片层开始向心尖和心底两个方向片层的磁共振图像分别进行分割,完成(N个片层的)舒张末期的磁共振图像INP(ED)中的血池的分割。
心动期相是指将自左心室的收缩期开始至舒张末期的完整心动周期T划分为多个时间段(phase),这些时间段可以为一系类连续的时间序列,也可以为间隔的时间序列。
在心室包含心肌部分的区域沿心脏的长轴方向获取若干个片层(slice),并通过磁共振扫描获得每个片层、在每个心动期相中的心脏磁共振图像INP,其中N表示相应片层的序号,P表示心动期相(phase)序号,N、P均为大于或等于1的整数;具体的,N的取值可以为3、5、6等,P的取值可以为3、5、8、10等;另外,定义第M个片层为中间片层,其中,M为大于或等于2的整数。
所述每一片层、且在每个期相中的心脏磁共振图像是通过以下方式得到:
通过采集多个心动周期的、对应相同心动期相中的磁共振数据线,将所采集到的磁共振数据线填充到一个K-Space(K空间)中,通过傅里叶变换得到相应片层在相应心动期相的磁共振图像。通过设置较小的时间窗,例如20-50ms,并在多个心动周期采集数据,可减小心脏运动伪影对图像的影响,提高图像的质量。
初始感兴趣区域ROI0的中心为原图像(即磁共振图像IMP)的中心,半径为若干个像素点,半径的大小为60-120个像素点,优选半径大小为100个像素点。
然后,计算初始感兴趣区域在所有心动期相上的最大强度投影图像(MIP),通过模糊C均值聚类方法分割最大强度投影图像(MIP),选取圆度最大的区域A;其中,聚类(分类)的数目可以为2、3或4等;圆度的定义为(周长*周长)/(4*PI*面积)。
进一步的,获取左心室感兴趣区域,所述左心室感兴趣区域的质心为区域A的质心,所述左心室感兴趣区域的边长为区域A的长轴长度加数个像素点,具体可为10-30个像素点,优选为20个像素点。
进一步的,对中间片层的舒张末期的磁共振图像IMP(ED)中的血池的分割包括以下步骤:
对中间片层的舒张末期的磁共振图像IMP(ED)在左心室感兴趣区域中的图像进行伽马校正(Gamma Correction),获得校正后的图像IMP(ED)’;通过伽马校正,可增强血池与心肌的对比度,方便后续的识别和分割;
通过模糊C均值聚类方法对校正后的图像IMP(ED)’进行分类,分类数目为2,选取最亮类作为候选区域SM;
在候选区域SM中选取与区域A重叠率最大的区域作为中间片层的舒张末期的磁共振图像IMP(ED)中的血池区域(Blood Pool,BP)的分割结果。
进一步的,对第一个至第M-1个片层的舒张末期的磁共振图像的血池分割,或第M+1个至第N个片层的舒张末期的磁共振图像的血池分割通过以下方式获得:以前一个片层的磁共振图像的血池区域的分割结果引导当前片层的磁共振图像的血池区域的分割。
具体的,若第M-1个片层或第M+1个片层作为当前片层,第M个片层则是其前一个片层,第M-1个片层则是第M-2个片层的前一个片层,第M+1个片层则是第M+2个片层的前一个片层,依次类推。
具体的,需要先在第M个片层、舒张末期的磁共振图像IMP(ED)中血池区域完成分割后,以第M个片层、舒张末期的磁共振图像IMP(ED)中血池区域的分割结果为基准,对第M-1、第M+1个片层、舒张末期的磁共振图像I(M-1)P(ED)、I(M+1)P(ED)中血池区域进行分割,然后以第M-1个片层、舒张末期的磁共振图像I(M-1)P(ED)的血池区域的分割结果为基准,对第M-2个片层、舒张末期的磁共振图像I(M-2)P(ED)的血池区域进行分割;或者,然后以第M+1个片层、舒张末期的磁共振图像I(M+1)P(ED)的血池区域的分割结果为基准,对第M+2个片层、舒张末期的磁共振图像I(M+2)P(ED)的血池区域进行分割,依次类推。
设定第K-1、K+1个片层为当前片层,第K个片层为前一个片层,且第K个片层、舒张末期的磁共振图像IKP(ED)的血池已经完成分割;按照以下步骤获得第K-1、K+1个片层的舒张末期的磁共振图像I(K+1)P(ED)、I(K-1)P(ED)的血池区域的分割:
以前一个(K)片层、舒张末期的磁共振图像IKP(ED)中已分割血池区域的质心和长轴加数个(例如20-60个)像素点作为第K+1、第K-1个片层、舒张末期的磁共振图像I(K+1)P(ED)、I(K-1)P(ED)的左心室感兴趣区域的中心和边长,并对左心室感兴趣区域中的图像进行伽马校正,获得校正后的图像I(K+1)P(ED)’、I(K-1)P(ED)’;
通过模糊C均值聚类方法对校正后的图像I(K+1)P(ED)’、I(K-1)P(ED)’进行分类,选取最亮类作为候选区域S(K-1)、S(K+1);
在第K-1、K+1个片层的候选区域S(K-1)、S(K+1)中选取与第K个片层、舒张末期的磁共振图像IKP(ED)中血池区域的分割结果重叠率最大的区域作为第K-1、K+1个片层、舒张末期的磁共振图像中血池区域的分割结果。
进一步的,若当前片层的磁共振图像中分割的血池区域的长轴大于前一片层的磁共振图像中分割的血池区域的长轴的1.2倍或者当前片层的磁共振图像中分割的血池区域的长宽比大于前一片层的磁共振图像中分割的血池区域的长宽比的1.3倍,则被判断为出现LVOT(left ventricular outflow tract)现象,其中所述当前片层是位于中间片层位置以下的片层(靠近心底层)。
进一步的,如果出现LVOT现象,则调整伽马校正参数(增大校正参数),对当前片层的磁共振图像的左心室感兴趣区域中的图像进行伽马校正,并重新进行聚类分割。
进一步的,如采用调整伽马校正参数后并进行聚类分割后的当前片层的磁共振图像中的血池区域仍然被判断为出现LVOT现象,则采用射线扫描(ray scanning)方法去除过分割的区域,即可得到分割后的血池区域。
具体的,所述射线扫描方法包括以下步骤:
以当前片层的磁共振图像的血池区域质心为中心点a(参图3a)作径向射线扫描,提取每个角度射线上距离中心点最近的区域边界点(参图3a中的点b1、b2、b3);
计算上述提取的所有边界点到中心点的径向距离均值mean和标准差std,去掉径向距离大于距离均值(mean)加标准差(std)的区域边界点(b3),保留的点如图3b所示;
将剩余的区域边界点进行插值后得到闭合曲线d(参图3c);闭合曲线包含的区域即为当前片层的磁共振图像的血池区域。
需要说明的是,通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请的部分或全部可借助软件并结合必需的通用硬件平台来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可包括其上存储有机器可执行指令的一个或多个机器可读介质,这些指令在由诸如计算机、计算机网络或其他电子设备等一个或多个机器执行时可使得该一个或多个机器根据本发明的实施例来执行操作。机器可读介质可包括,但不限于,软盘、光盘、CD-ROM(紧致盘-只读存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。
本申请可用于众多通用或专用的计算***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
采用本发明的方法,可实现全自动确定心脏舒张期末期相位及左心室位置,采用聚类方法实现舒张末期图像中血池的分割。为后续的基于心脏心功能磁共振图像的计算机辅助诊断提供有力的支持和保障,并提高后续诊断的效率和准确性。
虽然本发明已以较佳实施例揭示如上,然其并非用以限定本发明,任何本领域技术人员,在不脱离本发明的精神和范围内,当可作些许的修改和完善,因此本发明的保护范围当以权利要求书所界定的为准。
Claims (6)
1.一种心脏心功能磁共振图像舒张末期图像中血池的分割方法,其特征在于包括以下步骤:
获取包含左心室心肌的若干片层、且在不同心动期相的心脏磁共振图像INP,其中N表示片层的序号,P表示心动期相序号,N、P均为大于或等于1的整数;
在中间片层的每个心动期相所对应的磁共振图像IMP上,设定初始感兴趣区域,计算初始感兴趣区域在所有心动期相上的最大强度投影图像,聚类分割最大强度投影图像,选取圆度最大的区域A;
计算中间片层的每个心动期相所对应的磁共振图像IMP在区域A中的图像平均灰度值,具有最大平均灰度值的磁共振图像IMP所在心动期相被定义为舒张末期,并自动确定中间片层在舒张末期对应的磁共振图像IMP(ED);
从中间片层开始向心尖和心底两个方向片层的磁共振图像分别进行分割,完成舒张末期的磁共振图像INP(ED)中的血池的自动分割;
获取左心室感兴趣区域,所述左心室感兴趣区域的中心为区域A的质心,所述左心室感兴趣区域的边长为区域A的长轴长度加数个像素点;对中间片层的舒张末期的磁共振图像IMP(ED)中的血池的分割包括以下步骤:
对中间片层的舒张末期的磁共振图像IMP(ED)在左心室感兴趣区域中的图像进行伽马校正,获得校正后的图像IMP(ED)’;
通过模糊C均值聚类方法对校正后的图像IMP(ED)’进行分类,分类数目为2,选取最亮类作为候选区域SM;
在候选区域SM中选取与区域A重叠率最大的区域作为中间片层的舒张末期的磁共振图像IMP(ED)中的血池区域的分割结果;
对第一个至第M-1个片层的舒张末期的磁共振图像的血池及第M+1个至第N个片层的舒张末期的磁共振图像的血池分割通过以下方式获得:
以前一个片层的磁共振图像的血池区域的分割结果引导当前片层的磁共振图像的血池区域的分割;
设定第K-1、K+1个片层为当前片层,第K个片层为前一个片层;按照以下步骤获得第K-1、K+1个片层的舒张末期的磁共振图像I(K+1)P(ED)、I(K-1)P(ED)的血池区域的分割:
以第K个片层、舒张末期的磁共振图像IKP(ED)中已分割血池区域的质心和长轴加数个像素点作为第K+1、第K-1个片层、舒张末期的磁共振图像I(K+1)P(ED)、I(K-1)P(ED)的左心室感兴趣区域的中心和边长,并对左心室感兴趣区域中的图像进行伽马校正,获得校正后的图像I(K+1)P(ED)’、I(K-1)P(ED)’;
通过模糊C均值聚类方法对校正后的图像I(K+1)P(ED)’、I(K-1)P(ED)’进行分类,选取最亮类作为候选区域S(K-1)、S(K+1);
在第K-1、K+1个片层的候选区域S(K-1)、S(K+1)中选取与第K个片层、舒张末期的磁共振图像IKP(ED)中血池区域的分割结果重叠率最大的区域作为第K-1、K+1个片层、舒张末期的磁共振图像中血池区域的分割结果。
2.根据权利要求1所述的心脏心功能磁共振图像舒张末期图像中血池的分割方法,其特征在于,若当前片层的磁共振图像中分割的血池区域的长轴大于前一片层的磁共振图像中分割的血池区域的长轴的1.2倍或者当前片层的磁共振图像中分割的血池区域的长宽比大于前一片层的磁共振图像中分割的血池区域的长宽比的1.3倍,则被判断为出现LVOT现象,其中所述当前片层是位于中间片层位置以下的片层。
3.根据权利要求2所述的心脏心功能磁共振图像舒张末期图像中血池的分割方法,其特征在于,如果出现LVOT现象,则调整伽马校正参数,对当前片层的磁共振图像的左心室感兴趣区域中的图像进行伽马校正,并重新进行聚类分割。
4.根据权利要求3所述的心脏心功能磁共振图像舒张末期图像中血池的分割方法,其特征在于,如采用调整伽马校正参数后并进行聚类分割后的当前片层的磁共振图像中的血池区域仍然被判断为出现LVOT现象,则采用射线扫描方法去除过分割的区域。
5.根据权利要求4所述的心脏心功能磁共振图像舒张末期图像中血池的分割方法,其特征在于,所述射线扫描方法包括以下步骤:
以当前片层的磁共振图像的血池区域质心为中心点作径向射线扫描,提取每个角度射线上距离中心点最近的区域边界点;
计算上述提取的所有边界点到中心点的径向距离均值mean和标准差std,去掉径向距离大于mean+std的区域边界点;
将剩余的区域边界点进行插值后得到闭合曲线,闭合曲线包含的区域即为当前片层的磁共振图像的血池区域。
6.根据权利要求1所述的心脏心功能磁共振图像舒张末期图像中血池的分割方法,其特征在于,所述初始感兴趣区域的中心为原图像的中心,半径为100个像素点。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510974234.0A CN106910182B (zh) | 2015-12-22 | 2015-12-22 | 心脏心功能磁共振图像中舒张末期图像中血池的分割方法 |
US15/387,758 US10290109B2 (en) | 2015-12-22 | 2016-12-22 | Method and system for cardiac image segmentation |
US16/372,526 US10776924B2 (en) | 2015-12-22 | 2019-04-02 | Method and system for cardiac image segmentation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510974234.0A CN106910182B (zh) | 2015-12-22 | 2015-12-22 | 心脏心功能磁共振图像中舒张末期图像中血池的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106910182A CN106910182A (zh) | 2017-06-30 |
CN106910182B true CN106910182B (zh) | 2020-11-27 |
Family
ID=59200230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510974234.0A Active CN106910182B (zh) | 2015-12-22 | 2015-12-22 | 心脏心功能磁共振图像中舒张末期图像中血池的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106910182B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001660B (zh) * | 2018-06-12 | 2020-07-28 | 上海联影医疗科技有限公司 | 电影成像方法及磁共振成像*** |
CN113362345B (zh) * | 2021-06-30 | 2023-05-30 | 武汉中科医疗科技工业技术研究院有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN115965621B (zh) * | 2023-02-15 | 2023-06-20 | 中国医学科学院阜外医院 | 一种基于磁共振成像的主要心脏不良事件的预测装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103340628A (zh) * | 2013-06-28 | 2013-10-09 | 中国科学院深圳先进技术研究院 | 心脏实时电影成像图像处理方法和*** |
CN104519236A (zh) * | 2013-09-26 | 2015-04-15 | 京瓷办公信息***株式会社 | 图像形成装置以及图像形成方法 |
CN104978730A (zh) * | 2014-04-10 | 2015-10-14 | 上海联影医疗科技有限公司 | 一种左心室心肌的分割方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100215238A1 (en) * | 2009-02-23 | 2010-08-26 | Yingli Lu | Method for Automatic Segmentation of Images |
-
2015
- 2015-12-22 CN CN201510974234.0A patent/CN106910182B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103340628A (zh) * | 2013-06-28 | 2013-10-09 | 中国科学院深圳先进技术研究院 | 心脏实时电影成像图像处理方法和*** |
CN104519236A (zh) * | 2013-09-26 | 2015-04-15 | 京瓷办公信息***株式会社 | 图像形成装置以及图像形成方法 |
CN104978730A (zh) * | 2014-04-10 | 2015-10-14 | 上海联影医疗科技有限公司 | 一种左心室心肌的分割方法和装置 |
Non-Patent Citations (3)
Title |
---|
《A review of segmentation methods in short axis cardiac MR images》;Caroline Petitjean.et al;《Medical Image Analysis》;20110430;第15卷(第2期);第169-184页 * |
《Automatic functional analysis of left ventricle in cardiac cine MRI》;Ying-Li Lu.et al;《Quantitative Imaging in Medicine and Surgery》;20130802;第3卷(第4期);第200-209页 * |
《Hybrid segmentation of left ventricle in cardiac MRI using gaussian-mixture model and region restricted dynamic programming》;Huaifei Hu.et al;《Magnetic Resonance Imaging》;20130531;第31卷(第4期);第575-584页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106910182A (zh) | 2017-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11024025B2 (en) | Automatic quantification of cardiac MRI for hypertrophic cardiomyopathy | |
US10776924B2 (en) | Method and system for cardiac image segmentation | |
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
JP6993334B2 (ja) | 自動化された心臓ボリュームセグメンテーション | |
CN106910194B (zh) | 心脏心功能磁共振图像中的心内外膜的分割方法 | |
JP4918048B2 (ja) | 画像処理装置及び方法 | |
Isgum et al. | Multi-atlas-based segmentation with local decision fusion—application to cardiac and aortic segmentation in CT scans | |
US7460699B2 (en) | System and method for a semi-automatic quantification of delayed enchancement images | |
CN106910182B (zh) | 心脏心功能磁共振图像中舒张末期图像中血池的分割方法 | |
Parker et al. | Graph-based Mumford-Shah segmentation of dynamic PET with application to input function estimation | |
EP2843620B1 (en) | Extraction of myocardial contour points | |
EP3658031B1 (en) | Motion compensated cardiac valve reconstruction | |
EP4315238A1 (en) | Methods and systems for biomedical image segmentation based on a combination of arterial and portal image information | |
Jodoin et al. | Left-ventricle segmentation of SPECT images of rats | |
Pednekar et al. | Automatic computation of left ventricular ejection fraction from spatiotemporal information in cine‐SSFP cardiac MR images | |
Wan et al. | Variational reconstruction of left cardiac structure from CMR images | |
JP7515502B2 (ja) | 陽電子放射断層撮影を用いた腫瘍セグメンテーションのための深層畳み込みニューラルネットワーク | |
US20240153037A1 (en) | Method and system for correcting contrast-enhanced images | |
Meyer et al. | A multi-modality segmentation framework: application to fully automatic heart segmentation | |
Yao et al. | A Combination of Dilated Adversarial Convolutional Neural Network and Guided Active Contour Model for Left Ventricle Segmentation | |
Caiani et al. | Development and validation of automated endocardial and epicardial contour detection for MRI volumetric and wall motion analysis | |
Vacavant et al. | Model-based segmentation algorithms for myocardial magnetic resonance imaging sequences | |
Wang et al. | Subject-specific cardiac segmentation based on reinforcement learning with shape instantiation | |
Ammar et al. | Automatic segmentation of cardiac magnetic resonance images using active appearance models and hausdorff distance | |
Lynch et al. | Extraction of Epi-cardium contours from unseen images using a shape database |
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 | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |