CN108898622A - 一种心脏的运动表征方法、装置及计算机可读存储介质 - Google Patents
一种心脏的运动表征方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108898622A CN108898622A CN201810730181.1A CN201810730181A CN108898622A CN 108898622 A CN108898622 A CN 108898622A CN 201810730181 A CN201810730181 A CN 201810730181A CN 108898622 A CN108898622 A CN 108898622A
- Authority
- CN
- China
- Prior art keywords
- phase
- graph structure
- heart
- vertex
- heart graph
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种心脏的运动表征方法、装置及计算机可读存储介质,通过提取第一相位、第二相位的MR图像进行处理并构建得到第一相位心脏图结构A和第二相位心脏图结构Bi,利用该两个心脏图结构求解图匹配凸目标函数得到具有对应关系的顶点集合,基于具有对应关系的顶点集合构建形变函数,并利用其对Bi进行形变得到新的第二相位心脏图结构Bi+1,计算Bi与Bi+1的变化值并判断变化值是否大于预设阈值,若是则令i=i+1并循环本发明步骤,若否则采用形变函数表征心脏的运动。该方法采用循环的方式构建得到形变函数之后,还利用构建得到的形变函数对原图结构进行形变,根据形变变化值进一步校验形变函数的是否精确,因此该方法能更精确的表征心脏的运动。
Description
技术领域
本发明涉及计算机技术领域,更具体地说,涉及一种心脏的运动表征方法、装置及计算机可读存储介质。
背景技术
利用心脏影像分析追踪心脏解剖结构及心脏病变组织的运动变化,即分析心脏运动,是心脏疾病诊断与制定治疗方案的重要手段,现有的基于B样条自由形变的配准方法、光流法和基于形状结构的方法都不能精确的表征心脏的运动,因此如何利用心肌层的结构特点更为精确的表征心脏的运动是个亟待解决的。
发明内容
本发明的主要目的在于提供一种心脏的运动表征方法,旨在解决现有技术无法精确表征心脏运动的技术问题。
为实现上述目的,本发明提供一种心脏的运动表征方法,该方法包括:
步骤1、提取心脏的第一相位磁共振MR图像和第二相位MR图像,采用全卷积神经网络分别分割第一相位MR图像、第二相位MR图像,得到左心室的心内膜轮廓和心外膜轮廓,并在心内膜轮廓和心外膜轮廓上进行采样,得到若干个心脏图顶点;
步骤2、连接第一相位MR图像中心外膜轮廓的中心与第一相位MR图像上的心脏图顶点,得到第一相位心脏图结构A;连接第二相位MR图像中心外膜轮廓的中心与第二相位MR图像上的心脏图顶点,得到第二相位心脏图结构Bi;i的初始值为1;
步骤3、利用第一相位心脏图结构A与第二相位心脏图结构Bi求解图匹配凸目标函数,得到第一相位心脏图结构A的顶点与第二相位心脏图结构Bi中具有对应关系的顶点集合;
步骤4、基于所述具有对应关系的顶点集合构建形变函数,并利用形变函数对第二相位心脏图结构Bi进行形变,得到新的第二相位心脏图结构Bi+1;
步骤5、计算第二相位心脏图结构Bi与新的第二相位心脏图结构Bi+1的变化值,当变化值大于预设阈值时,令i=i+1,返回执行步骤3;否则,采用形变函数表征心脏的运动。
可选的,该第一相位心脏图结构A、第二相位心脏图结构Bi分别采用四元组{P1、E1、G1、H1}、{P2、E2、G2、H2}表示;
为第一相位心脏图结构A中n1个dp维的心脏图顶点的点特征集合;
为第一相位心脏图结构A中m1个de维的边特征集合;
G1和H1分别为第一相位心脏图结构A中构成边的心脏图起点和终点的集合,顶点集合由心内膜顶点和心外膜顶点组成。。
为第一相位心脏图结构A中n2个dp维的心脏图顶点的点特征集合;
为第一相位心脏图结构A中m2个de维的边特征集合;
G2和H2分别为第二相位心脏图结构Bi中构成边的心脏图起点和终点的集合,
可选的,步骤1中,在心内膜轮廓和心外膜轮廓上进行采样,分别得到若干个的心内膜顶点和心外膜顶点,则步骤3中的图匹配凸目标函数包括:
其中,Ax-b=0;
x=vec(Kp),y=vec(Y),p2=vec(P2),e2=vec(E2),vec是向量化算子;
为哈达马积,为克罗内克积,λ、γ为常数;
1m×n是元素全为1的m×n矩阵,In是n×n的单位矩阵;
n1、n2分别为第一相位心脏图结构A与第二相位心脏图结构Bi中心内膜顶点和心外膜顶点的个数;
可选的,具有对应关系的顶点集合包括所述第一相位心脏图结构A的顶点集U={ui,i=1,...K}和所述第二相位心脏图结构Bi的顶点集V={vi,i=1,...,K};所述点特征集合包括所述心脏图顶点的顶点位置,则步骤4包括:
利用迭代阈值收缩算法求解目标函数得到仿射形变系数和弹性变换系数,目标函数为:
φ为径向基函数,||*||2为欧式距离,z=[α1,...αK,β0,β1,β2]T,弹性变换系数为α=[α1,...αK]T,仿射形变系数为β=[β0,β1,β2]T,Dc=[0,1,1]T,λ1和λ2为常数,R为实数域;
利用仿射形变系数、弹性变换系数及所述径向基函数构建得到形变函数:
利用所述形变函数对所述第二相位心脏图结构Bi的点特征集合P2中的顶点位置进行映射得到新的顶点,并连接所述第二相位MR图像中所述心外膜轮廓的中心与所述新的顶点,得到新的第二相位心脏图结构Bi+1。
可选的,步骤5中,变化值为映射前后点位置之间的变化值。
进一步地,本发明还提供了一种心脏的运动表征装置,该装置包括处理器、存储器及通信总线;
通信总线用于实现处理器和存储器之间的连接通信;
处理器用于执行存储器中存储的一个或者多个程序,以实现如下步骤:
步骤1、提取心脏的第一相位磁共振MR图像和第二相位MR图像,采用全卷积神经网络分别分割第一相位MR图像、第二相位MR图像,得到左心室的心内膜轮廓和心外膜轮廓,并在心内膜轮廓和心外膜轮廓上进行采样,得到若干个心脏图顶点;
步骤2、连接第一相位MR图像中心外膜轮廓的中心与第一相位MR图像上的心脏图顶点,得到第一相位心脏图结构A;连接第二相位MR图像中心外膜轮廓的中心与第二相位MR图像上的心脏图顶点,得到第二相位心脏图结构Bi;i的初始值为1;
步骤3、利用第一相位心脏图结构A与第二相位心脏图结构Bi求解图匹配凸目标函数,得到所述第一相位心脏图结构A的顶点与所述第二相位心脏图结构Bi中具有对应关系的顶点集合;
步骤4、基于顶点集合构建形变函数,并利用形变函数对第二相位心脏图结构Bi进行形变,得到新的第二相位心脏图结构Bi+1;
步骤5、计算第二相位心脏图结构Bi与新的第二相位心脏图结构Bi+1的变化值,当变化值大于预设阈值时,令i=i+1,返回执行步骤3;否则,采用形变函数表征心脏的运动。
可选的,处理器用于执行存储器中存储的一个或者多个程序,以实现:采用四元组{P1、E1、G1、H1}、{P2、E2、G2、H2}表示第一相位心脏图结构A、第二相位心脏图结构Bi;
为第一相位心脏图结构A中n1个dp维的心脏图顶点的点特征集合;
为第一相位心脏图结构A中m1个de维的边特征集合;
G1和H1分别为第一相位心脏图结构A中构成边的心脏图起点和终点的集合,顶点集合由心内膜顶点和心外膜顶点组成。。
为第二相位心脏图结构Bi中n2个dp维的心脏图顶点的点特征集合;
为第二相位心脏图结构Bi中m2个de维的边特征集合;
G2和H2分别为第二相位心脏图结构Bi中构成边的心脏图起点和终点的集合,
可选的,步骤1中,在心内膜轮廓和心外膜轮廓上进行采样,分别得到若干个的心内膜顶点和心外膜顶点,则步骤3中的图匹配凸目标函数包括:
其中,Ax-b=0;
x=vec(Kp),y=vec(Y),p2=vec(P2),e2=vec(E2),vec是向量化算子;
为哈达马积,为克罗内克积,λ、γ为常数;
1m×n是元素全为1的m×n矩阵,In是n×n的单位矩阵;
n1、n2分别为第一相位心脏图结构A与第二相位心脏图结构Bi中心内膜顶点和心外膜顶点的个数;
可选的,所述具有对应关系的顶点集合包括所述第一相位心脏图结构A的顶点集U={ui,i=1,...K}和所述第二相位心脏图结构Bi的顶点集V={vi,i=1,...,K};所述点特征集合包括所述心脏图顶点的顶点位置;
处理器用于执行存储器中存储的一个或者多个程序,以实现步骤4:
利用迭代阈值收缩算法求解目标函数得到仿射形变系数和弹性变换系数,目标函数为:
φ为径向基函数,||*||2为欧式距离,z=[α1,...αK,β0,β1,β2]T,弹性变换系数为α=[α1,...αK]T,仿射形变系数为β=[β0,β1,β2]T,Dc=[0,1,1]T,λ1和λ2为常数,R为实数域;
利用仿射形变系数、弹性变换系数及所述径向基函数构建得到形变函数:
利用形变函数对第二相位心脏图结构Bi的点特征集合P2中的顶点位置进行映射得到新的顶点,并连接第二相位MR图像中心外膜轮廓的中心与新的顶点,得到新的第二相位心脏图结构Bi+1
进一步地,本发明还提供了一种计算机可读存储介质,计算机可读存储介质储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现如上的心脏的运动表征方法的步骤。
有益效果
本发明提供一种心脏的运动表征方法、装置及计算机可读存储介质,通过以下步骤可实现对心脏运动的表征:
步骤1、提取心脏的第一相位磁共振MR图像和第二相位MR图像,采用全卷积神经网络分别分割第一相位MR图像、第二相位MR图像,得到左心室的心内膜轮廓和心外膜轮廓,并在心内膜轮廓和心外膜轮廓上进行采样,得到若干个的心内膜顶点和心外膜顶点;
步骤2、连接第一相位MR图像中心外膜轮廓的中心与心内膜顶点和心外膜顶点,得到第一相位心脏图结构A;连接第二相位MR图像中心外膜轮廓的中心与心内膜顶点和心外膜顶点,得到第二相位心脏图结构Bi;i的初始值为1;
步骤3、利用第一相位心脏图结构A与第二相位心脏图结构Bi求解图匹配凸目标函数,得到第一相位心脏图结构A的顶点与第二相位心脏图结构Bi中具有对应关系的顶点集合;
步骤4、基于具有对应关系的顶点集合构建形变函数,并利用形变函数对第二相位心脏图结构Bi进行形变,得到新的第二相位心脏图结构Bi+1;
步骤5、计算第二相位心脏图结构Bi与新的第二相位心脏图结构Bi+1的变化值,当变化值大于预设阈值时,令i=i+1,返回执行步骤3;否则,采用形变函数表征心脏的运动。
该心脏的运动表征方法采用循环的方式构建得到形变函数之后,还利用构建得到的形变函数对上一次得到的心脏图结构进行形变,计算形变前后的心脏图结构的变化值进而校验形变函数的是否精确,以得到能够表征心脏的运动的形变函数,该方法相对于现有技术能更精确的表征心脏的运动。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的心脏的运动表征方法的基本流程图;
图2为现有Delaunay三角剖分算法剖分得到的心脏图结构;
图3为本发明实施例构造的心脏图结构;
图4为本发明实施例提供的心脏的运动表征装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,图1为本实施例提供的心脏的运动表征方法的基本流程图,该方法包括:
S101、提取第一相位MR图像和第二相位MR图像,并分别对其进行分割及采样,得到若干个心脏图顶点。
具体的,该S101步骤包括:提取心脏的第一相位磁共振MR图像和第二相位MR图像,采用全卷积神经网络分别分割第一相位MR图像、第二相位MR图像,得到第一相位MR图像的左心室的心内膜轮廓和心外膜轮廓,及第二相位MR图像的左心室内膜轮廓和心外膜轮廓,并在分别在第一相位MR图像、第二相位MR图像的心内膜轮廓和心外膜轮廓上进行采样,得到对应相位MR图像上的若干个心脏图顶点。
需要理解的是,该S101步骤的全卷积神经网络是采取带有人工标注结果的大量心脏图像数据对全卷积神经网络进行训练得到的,目前可选的心脏图像数据包括加拿大多伦多儿童医院影像诊断部提供的33个心脏短轴MR图像,该数据集提供了左心室在20个相位的分割结果,可提供约5千余个训练数据;另一个训练集是加拿大多伦多大学的心脏图像数据,该数据共有45个病人数据,每个数据提供了收缩末期和舒张末期的左心室分割结果,可以提供大约5百余个训练数据。通过训练得到的全卷积神经网络对MR图像进行分割得到左心室的心内膜轮廓和心外膜轮廓,在另外的一些示例中为了进一步提高分割精度,解决全卷积网络分割存在的过分割的情况,采用椭圆检测则实现提高分割精度。
S102、连接相同MR图像上的心外膜轮廓的中心与心脏图顶点,分别得到第一相位心脏图结构A和第二相位心脏图结构Bi。
该S102步骤包括:连接第一相位MR图像中心外膜轮廓的中心与第一相位MR图像上的心脏图顶点,得到第一相位心脏图结构A;连接第二相位MR图像中心外膜轮廓的中心与第二相位MR图像上的心脏图顶点,得到第二相位心脏图结构Bi;i的初始值为1;
参见图2所示,其为本发明实施例中的方法形成的心脏图结构,不同于图3所示的、由Delaunay三角剖分算法剖分得到的心脏图结构,通过本发明方法得到的心脏图结构描述了左心室的近圆结构,其连接边具有各向异性的方向性,而其长度又具有相似性,每条边都具有明确的几何解释,边的相似性度量对图相似性有明确的辅助意义,很适合描述左心室的解剖结构。
在另外的一些示例中,第一相位心脏图结构A、第二相位心脏图结构Bi可分别采用四元组{P1、E1、G1、H1}、{P2、E2、G2、H2}表示;
为第一相位心脏图结构A中n1个dp维的心脏图顶点的点特征集合;
为第一相位心脏图结构A中m1个de维的边特征集合;
G1和H1分别为第一相位心脏图结构A中构成边的心脏图起点和终点的集合,顶点集合由心内膜顶点和心外膜顶点组成。。
为第二相位心脏图结构Bi中n2个dp维的心脏图顶点的点特征集合;
为第二相位心脏图结构Bi中m2个de维的边特征集合;
G2和H2分别为第二相位心脏图结构Bi中构成边的心脏图起点和终点的集合,
需要理解的是,此处点特征集合是所有心脏图顶点的特征向量构成的集合;边特征集合即为所有边构成的集合,此处的边为连接心外膜轮廓的中心与心脏图顶点构成的边;G1和H1是两个矩阵,分别表示第一相位图结构上各条边两端顶点,G2和H2是两个矩阵,分别表示第二相位图结构上各条边两端顶点。
S103、利用第一相位心脏图结构A与第二相位心脏图结构Bi求解图匹配凸目标函数,得到具有对应关系的顶点集合。
具体的,S103包括利用第一相位心脏图结构A与第二相位心脏图结构Bi求解图匹配凸目标函数,得到第一相位心脏图结构A的顶点与第二相位心脏图结构Bi中具有对应关系的顶点集合。
需要理解的是,在另外的示例中,步骤1得到的若干个心脏图顶点包括心内膜顶点和心外膜顶点,步骤3中的图匹配凸目标函数包括:
其中,Ax-b=0;
x=vec(Kp),y=vec(Y),p2=vec(P2),e2=vec(E2),vec是向量化算子;
为哈达马积,为克罗内克积,λ、γ为常数;
1m×n是元素全为1的m×n矩阵,In是n×n的单位矩阵;
n1、n2分别为第一相位心脏图结构A与第二相位心脏图结构Bi中心内膜顶点和心外膜顶点的个数;
需要理解的是,可利用子矩阵Kp和Kq分别表示第一相位心脏图结构A和第二相位心脏图结构Bi的顶点对应程度和边对应程度,第一相位心脏图结构A和第二相位心脏图结构Bi的点特征集合分别为P1和P2,点间对应关系矩阵Kp如果在满足置换矩阵的条件下,可采用函数||P2-P1Kp||2度量点集之间的偏离程度,类似地,同样可以采用两个图的边集合E1和E2以及边对应关系矩阵Kq度量边之间的偏离程度||E2-E1Kq||2,其中
S104、基于具有对应关系的顶点集合构建形变函数,并利用形变函数对第二相位心脏图结构Bi进行形变,得到新的第二相位心脏图结构Bi+1。
在另外的示例中,具有对应关系的顶点集合包括第一相位心脏图结构A的顶点集U={ui,i=1,...K}和第二相位心脏图结构Bi的顶点集V={vi,i=1,...,K},此处的顶点集为点特征集合的子集,同时需要理解的是,点特征集合还包括心脏图顶点的顶点位置,此时,基于顶点集合构建形变函数,并利用形变函数对第二相位心脏图结构Bi进行形变,得到新的第二相位心脏图结构Bi+1的步骤包括:
S1041、利用迭代阈值收缩算法求解目标函数得到仿射形变系数和弹性变换系数,目标函数为:
φ为径向基函数,||*||2为欧式距离,z=[α1,...αK,β0,β1,β2]T,弹性变换系数为α=[α1,...αK]T,仿射形变系数为β=[β0,β1,β2]T,Dc=[0,1,1]T,λ1和λ2为常数,R为实数域;
S1042、利用仿射形变系数、弹性变换系数及径向基函数构建得到形变函数:
S1043、利用形变函数对第二相位心脏图结构Bi的点特征集合P2中的顶点位置进行映射得到新的顶点,并连接第二相位MR图像中心外膜轮廓的中心与新的顶点,得到新的第二相位心脏图结构Bi+1。
需要理解的是,R是实数域,R2即表示二维平面;u表示二维平面上的点,u1表示第一维平面上的点,u2表示第二维平面上的点。
S105、计算第二相位心脏图结构Bi与新的第二相位心脏图结构Bi+1的变化值,并判断变化值是否大于预设阈值。
具体的,当变化值大于预设阈值时,则令i=i+1,返回执行S103;若否,则执行S106:采用形变函数表征心脏的运动。
在另外一些示例中,S106中的变化值为第二相位心脏图结构Bi与新的第二相位心脏图结构Bi+1心脏图顶点的位置的变化值。
本实施例提供的心脏的运动表征方法采用循环的方式构建得到形变函数之后,还利用构建得到的形变函数对原图结构进行形变,根据形变变化值进一步校验形变函数的是否精确,因此该方法相对于现有技术能精确的表征心脏的运动。同时,该方法不但可以解决心脏运动模型估计问题,通过形变模型还可得到心脏图像的动态分割结果,以辅助心脏疾病诊断、心脏功能测量、分析等临床应用。
本发明还提供了一种心脏的运动表征装置,参见图4所示,其包括处理器41、存储器42及通信总线43,其中:
通信总线43用于实现处理器41和存储器42之间的连接通信;
处理器41用于执行存储器42中存储的程序,以实现上述心脏的运动表征方法的各步骤。
本实施例还提供了一种计算机可读存储介质,其特征在于,计算机可读存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现如上所述的心脏的运动表征方法的步骤。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述,同时,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种心脏的运动表征方法,其特征在于,包括:
步骤1、提取心脏的第一相位磁共振MR图像和第二相位MR图像,采用全卷积神经网络分别分割所述第一相位MR图像、第二相位MR图像,得到左心室的心内膜轮廓和心外膜轮廓,并在所述心内膜轮廓和心外膜轮廓上进行采样,得到若干个心脏图顶点;
步骤2、连接所述第一相位MR图像中所述心外膜轮廓的中心与所述第一相位MR图像上的所述心脏图顶点,得到第一相位心脏图结构A;连接所述第二相位MR图像中所述心外膜轮廓的中心与所述第二相位MR图像上的所述心脏图顶点,得到第二相位心脏图结构Bi;所述i的初始值为1;
步骤3、利用所述第一相位心脏图结构A与所述第二相位心脏图结构Bi求解图匹配凸目标函数,得到所述第一相位心脏图结构A的顶点与所述第二相位心脏图结构Bi中具有对应关系的顶点集合;
步骤4、基于所述具有对应关系的顶点集合构建形变函数,并利用所述形变函数对所述第二相位心脏图结构Bi进行形变,得到新的第二相位心脏图结构Bi+1;
步骤5、计算所述第二相位心脏图结构Bi与所述新的第二相位心脏图结构Bi+1的变化值,当所述变化值大于预设阈值时,令i=i+1,返回执行步骤3;否则,采用所述形变函数表征所述心脏的运动。
2.如权利要求1所述的心脏的运动表征方法,其特征在于,所述第一相位心脏图结构A、第二相位心脏图结构Bi分别采用四元组{P1、E1、G1、H1}、{P2、E2、G2、H2}表示;
所述为所述第一相位心脏图结构A中n1个dp维的心脏图顶点的点特征集合;
所述为所述第一相位心脏图结构A中m1个de维的边特征集合;
所述G1和H1分别为所述第一相位心脏图结构A中构成边的心脏图起点和终点的集合,所述
所述为所述第二相位心脏图结构Bi中n2个dp维的心脏图顶点的点特征集合;
所述为所述第二相位心脏图结构Bi中m2个de维的边特征集合;
所述G2和H2分别为所述第二相位心脏图结构Bi中构成边的心脏图起点和终点的集合,所述
3.如权利要求2所述的心脏的运动表征方法,其特征在于,所述步骤1中的心脏图顶点包括心内膜顶点和心外膜顶点,则所述步骤3中的图匹配凸目标函数包括:
其中,Ax-b=0;
所述x=vec(Kp),y=vec(Y),p2=vec(P2),e2=vec(E2),所述vec是向量化算子;
所述为哈达马积,所述为克罗内克积,所述λ、γ为常数;
所述1m×n是元素全为1的m×n矩阵,所述In是n×n的单位矩阵;
所述n1、n2分别为所述第一相位心脏图结构A与所述第二相位心脏图结构Bi中心内膜顶点和心外膜顶点的个数;
所述所述
4.如权利要求1-3任一项所述的心脏的运动表征方法,其特征在于,所述具有对应关系的顶点集合包括所述第一相位心脏图结构A的顶点集U={ui,i=1,...K}和所述第二相位心脏图结构Bi的顶点集V={vi,i=1,...,K};所述点特征集合包括所述心脏图顶点的顶点位置;
所述步骤4包括:
利用迭代阈值收缩算法求解目标函数得到仿射形变系数和弹性变换系数,所述目标函数为:
所述
所述φ为径向基函数,所述||*||2为欧式距离,所述z=[α1,...αK,β0,β1,β2]T,所述弹性变换系数为α=[α1,...αK]T,所述仿射形变系数为β=[β0,β1,β2]T,所述Dc=[0,1,1]T,所述λ1和λ2为常数,所述所述R为实数域;
利用所述仿射形变系数、所述弹性变换系数及所述径向基函数构建得到形变函数:
利用所述形变函数对所述第二相位心脏图结构Bi的点特征集合P2中的顶点位置进行映射得到新的顶点,并连接所述第二相位MR图像中所述心外膜轮廓的中心与所述新的顶点,得到新的第二相位心脏图结构Bi+1。
5.如权利要求4所述的心脏的运动表征方法,其特征在于,所述步骤5中,所述变化值为所述第二相位心脏图结构Bi与所述新的第二相位心脏图结构Bi+1心脏图顶点的位置的变化值。
6.一种心脏的运动表征装置,其特征在于,所述装置包括处理器、存储器及通信总线;
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行存储器中存储的一个或者多个程序,以实现如下步骤:
步骤1、提取心脏的第一相位磁共振MR图像和第二相位MR图像,采用全卷积神经网络分别分割所述第一相位MR图像、第二相位MR图像,得到左心室的心内膜轮廓和心外膜轮廓,并在所述心内膜轮廓和心外膜轮廓上进行采样,得到若干个心脏图顶点;
步骤2、连接所述第一相位MR图像中所述心外膜轮廓的中心与所述第一相位MR图像上的所述心脏图顶点,得到第一相位心脏图结构A;连接所述第二相位MR图像中所述心外膜轮廓的中心与所述第二相位MR图像上的所述心脏图顶点,得到第二相位心脏图结构Bi;所述i的初始值为1;
步骤3、利用所述第一相位心脏图结构A与所述第二相位心脏图结构Bi求解图匹配凸目标函数,得到所述第一相位心脏图结构A的顶点与所述第二相位心脏图结构Bi中具有对应关系的顶点集合;
步骤4、基于所述具有对应关系的顶点集合构建形变函数,并利用所述形变函数对所述第二相位心脏图结构Bi进行形变,得到新的第二相位心脏图结构Bi+1;
步骤5、计算所述第二相位心脏图结构Bi与所述新的第二相位心脏图结构Bi+1的变化值,当所述变化值大于预设阈值时,令i=i+1,返回执行步骤3;否则,采用所述形变函数表征所述心脏的运动。
7.如权利要求6所述的心脏的运动表征装置,其特征在于,所述处理器用于执行存储器中存储的一个或者多个程序,以实现:采用四元组{P1、E1、G1、H1}、{P2、E2、G2、H2}表示所述第一相位心脏图结构A、第二相位心脏图结构Bi;
所述为所述第一相位心脏图结构A中n1个dp维的心脏图顶点的点特征集合;
所述为所述第一相位心脏图结构A中m1个de维的边特征集合;
所述G1和H1分别为所述第一相位心脏图结构A中构成边的心脏图起点和终点的集合,所述
所述为所述第二相位心脏图结构Bi中n2个dp维的心脏图顶点的点特征集合;
所述为所述第二相位心脏图结构Bi中m2个de维的边特征集合;
所述G2和H2分别为所述第二相位心脏图结构Bi中构成边的心脏图起点和终点的集合,所述
8.如权利要求7所述的心脏的运动表征装置,其特征在于,所述步骤1中的心脏图顶点包括心内膜顶点和心外膜顶点,则所述步骤3中的图匹配凸目标函数包括:
其中,Ax-b=0;
所述x=vec(Kp),y=vec(Y),p2=vec(P2),e2=vec(E2),所述vec是向量化算子;
所述为哈达马积,所述为克罗内克积,所述λ、γ为常数;
所述1m×n是元素全为1的m×n矩阵,所述In是n×n的单位矩阵;
所述n1、n2分别为所述第一相位心脏图结构A与所述第二相位心脏图结构Bi中心内膜顶点和心外膜顶点的个数;
所述所述
9.如权利要求6-8任一项所述的心脏的运动表征装置,其特征在于,所述具有对应关系的顶点集合包括所述第一相位心脏图结构A的顶点集U={ui,i=1,...K}和所述第二相位心脏图结构Bi的顶点集V={vi,i=1,...,K};所述点特征集合包括所述心脏图顶点的顶点位置;
所述处理器用于执行存储器中存储的一个或者多个程序,以实现所述步骤4:
利用迭代阈值收缩算法求解目标函数得到仿射形变系数和弹性变换系数,所述目标函数为:
所述
所述φ为径向基函数,所述||*||2为欧式距离,所述z=[α1,...αK,β0,β1,β2]T,所述弹性变换系数为α=[α1,...αK]T,所述仿射形变系数为β=[β0,β1,β2]T,所述Dc=[0,1,1]T,所述λ1和λ2为常数,所述所述R为实数域;
利用所述仿射形变系数、所述弹性变换系数及所述径向基函数构建得到形变函数:
利用所述形变函数对所述第二相位心脏图结构Bi的点特征集合P2中的顶点位置进行映射得到新的顶点,并连接所述第二相位MR图像中所述心外膜轮廓的中心与所述新的顶点,得到新的第二相位心脏图结构Bi+1。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至5中任一项所述的心脏的运动表征方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810730181.1A CN108898622A (zh) | 2018-07-05 | 2018-07-05 | 一种心脏的运动表征方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810730181.1A CN108898622A (zh) | 2018-07-05 | 2018-07-05 | 一种心脏的运动表征方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108898622A true CN108898622A (zh) | 2018-11-27 |
Family
ID=64347729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810730181.1A Pending CN108898622A (zh) | 2018-07-05 | 2018-07-05 | 一种心脏的运动表征方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898622A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136111A (zh) * | 2019-05-14 | 2019-08-16 | 深圳大学 | 一种心脏运动估计方法、***及终端设备 |
CN110148150A (zh) * | 2019-06-20 | 2019-08-20 | 深圳大学 | 稠密连接非对称层次网络训练方法及心脏运动场估计方法 |
CN110400298A (zh) * | 2019-07-23 | 2019-11-01 | 中山大学 | 心脏临床指标的检测方法、装置、设备及介质 |
CN111784732A (zh) * | 2020-06-28 | 2020-10-16 | 深圳大学 | 训练心脏运动场估计模型、心脏运动场估计的方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890824A (zh) * | 2011-07-19 | 2013-01-23 | 株式会社东芝 | 运动对象轮廓跟踪方法和装置、心肌运动解析方法和装置 |
CN103761745A (zh) * | 2013-07-31 | 2014-04-30 | 深圳大学 | 一种肺部运动模型估计方法及*** |
CN104933716A (zh) * | 2015-06-16 | 2015-09-23 | 山东大学(威海) | 一种应用于医学图像的非刚性配准方法 |
US20170140530A1 (en) * | 2015-11-17 | 2017-05-18 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing in magnetic resonance imaging |
CN108042154A (zh) * | 2017-12-08 | 2018-05-18 | 浙江中医药大学 | 二维超声心动图序列中心肌形状、运动和变形分析方法 |
CN108230342A (zh) * | 2017-12-29 | 2018-06-29 | 电子科技大学 | 一种基于心脏解剖结构的左右心室水平集分割方法 |
-
2018
- 2018-07-05 CN CN201810730181.1A patent/CN108898622A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890824A (zh) * | 2011-07-19 | 2013-01-23 | 株式会社东芝 | 运动对象轮廓跟踪方法和装置、心肌运动解析方法和装置 |
CN103761745A (zh) * | 2013-07-31 | 2014-04-30 | 深圳大学 | 一种肺部运动模型估计方法及*** |
CN104933716A (zh) * | 2015-06-16 | 2015-09-23 | 山东大学(威海) | 一种应用于医学图像的非刚性配准方法 |
US20170140530A1 (en) * | 2015-11-17 | 2017-05-18 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing in magnetic resonance imaging |
CN108042154A (zh) * | 2017-12-08 | 2018-05-18 | 浙江中医药大学 | 二维超声心动图序列中心肌形状、运动和变形分析方法 |
CN108230342A (zh) * | 2017-12-29 | 2018-06-29 | 电子科技大学 | 一种基于心脏解剖结构的左右心室水平集分割方法 |
Non-Patent Citations (4)
Title |
---|
JONATHAN LONG等: "Fully Convolutional Networks for Semantic Segmentation", 《2015 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
WEI GUO等: "Left ventricle motion estimation for cardiac cine MRI using graph matching", 《2017 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM)》 * |
XUAN YANG等: "Robust landmark-based image registration using l1 and l2 norm regularizations", 《2015 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM)》 * |
刁晨: "心电信号质量评估与心率变异性分析方法研究", 《中国优秀博士学位论文全文数据库 医药卫生科技辑(月刊)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136111A (zh) * | 2019-05-14 | 2019-08-16 | 深圳大学 | 一种心脏运动估计方法、***及终端设备 |
CN110136111B (zh) * | 2019-05-14 | 2021-08-10 | 深圳大学 | 一种心脏运动估计方法、***及终端设备 |
CN110148150A (zh) * | 2019-06-20 | 2019-08-20 | 深圳大学 | 稠密连接非对称层次网络训练方法及心脏运动场估计方法 |
CN110148150B (zh) * | 2019-06-20 | 2021-07-02 | 深圳大学 | 稠密连接非对称层次网络训练方法及心脏运动场估计方法 |
CN110400298A (zh) * | 2019-07-23 | 2019-11-01 | 中山大学 | 心脏临床指标的检测方法、装置、设备及介质 |
CN110400298B (zh) * | 2019-07-23 | 2023-10-31 | 中山大学 | 心脏临床指标的检测方法、装置、设备及介质 |
CN111784732A (zh) * | 2020-06-28 | 2020-10-16 | 深圳大学 | 训练心脏运动场估计模型、心脏运动场估计的方法及*** |
CN111784732B (zh) * | 2020-06-28 | 2023-07-28 | 深圳大学 | 训练心脏运动场估计模型、心脏运动场估计的方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101855369B1 (ko) | 의료 이미지들 및 임상학적 데이터로부터 생리학적 심장 측정치들을 추정하기 위한 시스템들 및 방법들 | |
CN108898622A (zh) | 一种心脏的运动表征方法、装置及计算机可读存储介质 | |
US11664125B2 (en) | System and method for deep learning based cardiac electrophysiology model personalization | |
US10296809B2 (en) | Method and system for fast patient-specific cardiac electrophysiology simulations for therapy planning and guidance | |
US10241968B2 (en) | System and method for real-time simulation of patient-specific cardiac electrophysiology including the effect of the electrical conduction system of the heart | |
CN106535741B (zh) | 用于根据医学图像和体表电位来表征心脏的电性质的***和方法 | |
Sermesant et al. | An electromechanical model of the heart for image analysis and simulation | |
CN109993730B (zh) | 3d/2d血管配准方法及装置 | |
CN105264533A (zh) | 用于心脏机电学的交互计算的方法和*** | |
US9514280B2 (en) | Method and apparatus for creating model of patient specified target organ based on blood vessel structure | |
RU2669680C2 (ru) | Инициализация модели на основе классификации видов | |
CN107918925A (zh) | 磁跟踪***与成像装置的配准 | |
CN113112486B (zh) | 一种肿瘤的运动估计方法、装置、终端设备和存储介质 | |
Grandits et al. | An inverse Eikonal method for identifying ventricular activation sequences from epicardial activation maps | |
US9196049B2 (en) | Method and system for regression-based 4D mitral valve segmentation from 2D+t magnetic resonance imaging slices | |
Wong et al. | Velocity-based cardiac contractility personalization from images using derivative-free optimization | |
US11663727B2 (en) | Systems and methods for non-invasive cardiac assessment | |
Meister et al. | Graph convolutional regression of cardiac depolarization from sparse endocardial maps | |
US9569887B2 (en) | Methods of modelling and characterising heart fiber geometry | |
Johnston | Accuracy of electrocardiographic imaging using the method of fundamental solutions | |
WO2000048509A1 (en) | Methods of processing tagged mri data indicative of tissue motion including 4-d lv tissue tracking | |
Goyal et al. | MRI image based patient specific computational model reconstruction of the left ventricle cavity and myocardium | |
EP3614338B1 (en) | Post-mapping automatic identification of pulmonary veins | |
Gil et al. | Manifold parametrization of the left ventricle for a statistical modelling of its complete anatomy | |
Gsell et al. | Towards the development of virtual heart technology for creating digital twins of cardiac electrophysiology |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |