CN109035284A - 基于深度学习的心脏ct图像分割方法、装置、设备及介质 - Google Patents
基于深度学习的心脏ct图像分割方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109035284A CN109035284A CN201810685558.6A CN201810685558A CN109035284A CN 109035284 A CN109035284 A CN 109035284A CN 201810685558 A CN201810685558 A CN 201810685558A CN 109035284 A CN109035284 A CN 109035284A
- Authority
- CN
- China
- Prior art keywords
- image
- cardiac
- segmentation
- heart
- net model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明适用医学图像处理技术领域,提供了一种深度学习的心脏CT图像分割方法、装置、设备及介质,该方法包括:当接收到心脏CT图像的分割请求时,获取用户输入的心脏CT图像,对获取到的心脏CT图像进行预处理,获得对应的预处理图像,通过预先训练好的V‑Net模型对该预处理图像中预设的心脏组织区域进行图像分割,获得心脏CT图像对应的心脏组织区域分割图像,从而提高了对心脏CT图像进行图像分割的精确度,进而获得高精度的分割图像,提高手术的安全程度。
Description
技术领域
本发明属于医学图像处理技术领域,尤其涉及一种基于深度学习的心脏CT图像分割方法、装置、设备及介质。
背景技术
心脏是人体中很重要的一部分,心脏疾病已成为对人类生命威胁较大的疾病之一。对心脏图像感兴趣部分的提取与分割在临床医学研究心脏病变组织中起着至关重要的作用,它能够辅助医生诊断,减少人为失误,提高就医效率,节省医生和病人宝贵时间。
计算机断层成像Computed Tomography,简称CT)技术的高速发展不断影响人体疾病的诊断方式,例如,多层螺旋和双源CT扫描仪可以提供患者精细的心脏CT图像,为在CT图像中研究心脏结构提供了技术基础,使其在心脏成像中得到了广泛的应用。
由于心脏的左心室负责向全身供血,在心脏功能中起着重要的作用,也是整个心脏中容易病变的区域,因此左心室形态和运动的异常被视为心血管临床诊断的重要依据。为帮助患者进行脑血管疾病(Cerebrovascular Disease,简称CVD)的诊断,医生致力于根据心脏CT图像确定患者的左心室容积、心肌壁厚度、并测量在心动周期的心室血量(射血分数)和管壁增厚性质的变化,而确定心肌壁厚度及对心肌壁增厚速率的度量、左心室容积和射血分数大小都依赖于左心室心肌的正确分割,因此,左心室心肌的分割在心脏CT图像中受到了广泛的关注。
目前,左心室心肌的分割方法主要包括专家手工分割、计算机交互式分割和全自动分割。手工分割对专家知识和经验要求很高,而且不可避免存在人为误差,同时对海量CT数据进行手工处理是一件耗时和枯燥的事情,因此,借助计算机的交互式半自动分割和全自动分割在心脏CT心肌的分割中具有极大的研究意义和价值。
发明内容
本发明的目的在于提供一种基于深度学习的心脏CT图像分割方法、装置、设备及存储介质,旨在解决由于现有技术无法提供一种有效的基于深度学习的心脏CT图像分割方法,导致心脏CT图像分割不精确的问题。
一方面,本发明提供了一种基于深度学习的心脏CT图像分割方法,所述方法包括下述步骤:
当接收到心脏CT图像的分割请求时,获取用户输入的心脏CT图像;
对所述获取到的心脏CT图像进行预处理,获得对应的预处理图像;
通过预先训练好的V-Net模型对所述预处理图像中预设的心脏组织区域进行图像分割,获得所述心脏CT图像对应的心脏组织区域分割图像。
另一方面,本发明提供了一种基于深度学习的心脏CT图像分割装置,所述装置包括:
CT图像采集单元,用于当接收到心脏CT图像的分割请求时,获取用户输入的心脏CT图像;
图像预处理单元,用于对所述获取到的心脏CT图像进行预处理,获得对应的预处理图像;以及
分割图像获取单元,用于通过预先训练好的V-Net模型对所述预处理图像中预设的心脏组织区域进行图像分割,获得所述心脏CT图像对应的心脏组织区域分割图像。
另一方面,本发明还提供了一种计算设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述基于深度学习的心脏CT图像分割方法所述的步骤。
另一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述基于深度学习的心脏CT图像分割方法所述的步骤。
本发明在当接收到心脏CT图像的分割请求时,获取用户输入的心脏CT图像,对获取到的心脏CT图像进行预处理,获得对应的预处理图像,通过预先训练好的V-Net模型对该预处理图像中预设的心脏组织区域进行图像分割,获得心脏CT图像对应的心脏组织区域分割图像,从而提高了对心脏CT图像进行图像分割的精确度,进而获得高精度的分割图像,提高手术的安全程度。
附图说明
图1是本发明实施例一提供的基于深度学习的心脏CT图像分割方法的实现流程图;
图2是本发明实施例二提供的基于深度学习的心脏CT图像分割装置的结构示意图;以及
图3是本发明实施例三提供的计算设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述:
实施例一:
图1示出了本发明实施例一提供的基于深度学习的心脏CT图像分割方法的实现流程,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在步骤S101中,当接收到心脏CT图像的分割请求时,获取用户输入的心脏CT图像。
本发明实施例适用于医学图像处理平台、***或设备,例如个人计算机、服务器等。当接收到心脏CT图像的分割请求时,获取用户输入的心脏CT图像,用户可从已公开的医学图像数据库或医院提供的手术图像中获得患者的CT心脏图像。该心脏CT图像是通过CT设备对患者的心脏进行断层扫描生成的。其中,CT扫描是利用精确准直的X射线束与灵敏度极高的探测器一同围绕患者的心脏部位作一个接一个的断面扫描,扫描所得信息经计算获得每个体素的X射线衰减系数或吸收系数,再将这些系数排列成数字矩阵(digital matrix),经数字/模拟转换器(digital/analog converter)把数字矩阵中的每个数字转为由黑到白不等灰度的小方块,即像素(pixel),并将这些像素按矩阵排列,构成心脏CT图像。
在步骤S102中,对获取到的心脏CT图像进行预处理,获得对应的预处理图像。
在本发明实施例中,在对心脏CT图像进行预处理时,优选地,对该心脏CT图像进行高斯与拉普拉斯滤波处理,从而提高了心脏CT图像细节特征的显著度。
在对心脏CT图像进行预处理时,又一优选地,对该心脏CT图像的尺寸进行归一化操作,从而提高后续对心脏CT图像进行分割的精确度。
在步骤S103中,通过预先训练好的V-Net模型对该预处理图像中预设的心脏组织区域进行图像分割,获得心脏CT图像对应的心脏组织区域分割图像。
在本发明实施例中,通过预先训练好的V-Net模型对该预处理图像中预设的心脏组织区域进行图像分割,其中,预设的心脏组织区域为心脏的左心室和/或右心室等组织区域。
在通过预先训练好的V-Net模型对该预处理图像中预设的心脏组织区域进行图像分割之前,优选地,构建一个端对端的V-Net模型(即V-Net模型的输出图像和V-Net模型的输入图像维度相同),该V-Net模型是一种V型的卷积神经网络,包括一个输入层、4个压缩层、4个解压缩层以及一个输出层,每个压缩层都用于提取预处理图像的图像特征,并且当前压缩层将提取到的图像特征传递到下一压缩层和相对应的解压缩层,以便下一压缩层提取预处理图像更深层的特征信息,以及解压缩层根据当前压缩层传递的图像特征可以更精准地恢复图像,从而提高了V-Net模型分割图像的精准度。
在构建一个端对端的V-Net模型时,优选地,该V-Net模型还包括指数线性单元,V-Net模型中所有输入层、压缩层、解压缩层以及输出层每层对应连接一个指数线性单元(Exponential Linear Unit,ELU),指数线性单元通过ELU激活函数来实现,ELU激活函数具有负值,可以满足零均值化的要求,同时它的赋值变化比较平缓,可以使得模型训练的更加顺畅,从而提高V-Net模型的学习效率。
在构建一个端对端的V-Net模型时,又一优选地,将V-Net模型中每一层的卷积核大小设置为5,输入层的卷积步长设置为1,4个压缩层、4个解压缩层以及输出层的卷积步长均设置为2,并将输入层、4个压缩层、4个解压缩层和输出层对应的特征通道数量分别设置为1、16、32、64、128、256、256、128、64和32,从而提高了V-Net模型的收敛速度。
在本发明实施例中,在通过预先训练好的V-Net模型对该预处理图像中预设的心脏组织区域进行图像分割之前,又一优选地,通过预设的图像处理程序对预先采集的心脏CT样本图像中心脏组织区域进行图像分割,获得心脏组织区域对应的GT图像,根据心脏CT样本图像和GT图像,对V-Net模型进行训练,当训练后V-Net模型输出的心脏组织区域分割图像和GT图像的相似程度满足预设的阈值时,结束V-Net模型的训练,从而提高V-Net模型的学习效率以及心脏CT图像分割的精确度。
在本发明实施例中,优选地,预设的图像处理程序为ITK-SNAP,专家可以通过ITK-SNAP对心脏CT图像中预设心脏组织区域(例如,左心室)进行手动勾勒,以完成对该心脏组织区域的标定,生成标准图像(Ground Truth图像,简称GT图像),从而通过标定的GT图像提高V-Net模型的学习效率以及心脏CT图像分割的精确度。
在通过预设的图像处理程序对预先采集的心脏CT样本图像中心脏组织区域进行图像分割之前,优选地,对预先采集的心脏CT样本图像的尺寸进行归一化操作,从而提高V-Net模型训练的收敛速度,进而提高V-Net模型的训练效率。
在判断V-Net模型输出的心脏组织区域分割图像和GT图像的相似程度是否满足预设的阈值时,优选地,通过广义Dice相似系数(Dice Similarity Coefficient,DSC)来比对V-Net模型分割的心脏组织区域分割图像和GT图像之间的相似程度,从而提高对V-Net模型分割结果评估的效率和精确度。
在本发明实施例中,当接收到心脏CT图像的分割请求时,获取用户输入的心脏CT图像,对获取到的心脏CT图像进行预处理,获得对应的预处理图像,通过预先训练好的V-Net模型对该预处理图像中预设的心脏组织区域进行图像分割,获得心脏CT图像对应的心脏组织区域分割图像,从而提高了对心脏CT图像进行图像分割的精确度,进而获得高精度的分割图像,提高手术的安全程度。
实施例二:
图2示出了本发明实施例二提供的基于深度学习的心脏CT图像分割装置的结构,为了便于说明,仅示出了与本发明实施例相关的部分,其中包括:
CT图像获取单元21,用于当接收到心脏CT图像的分割请求时,获取用户输入的心脏CT图像。
本发明实施例适用于医学图像处理平台、***或设备,例如个人计算机、服务器等。当接收到心脏CT图像的分割请求时,获取用户输入的心脏CT图像,用户可从已公开的医学图像数据库或医院提供的手术图像中获得患者的CT心脏图像。该心脏CT图像是通过CT设备对患者的心脏进行断层扫描生成的。其中,CT扫描是利用精确准直的X射线束与灵敏度极高的探测器一同围绕患者的心脏部位作一个接一个的断面扫描,扫描所得信息经计算获得每个体素的X射线衰减系数或吸收系数,再将这些系数排列成数字矩阵(digital matrix),经数字/模拟转换器(digital/analog converter)把数字矩阵中的每个数字转为由黑到白不等灰度的小方块,即像素(pixel),并将这些像素按矩阵排列,构成心脏CT图像。
图像预处理单元22,用于对获取到的心脏CT图像进行预处理,获得对应的预处理图像。
在本发明实施例中,在对心脏CT图像进行预处理时,优选地,对该心脏CT图像进行高斯与拉普拉斯滤波处理,从而提高了心脏CT图像细节特征的显著度。
在对心脏CT图像进行预处理时,又一优选地,对该心脏CT图像的尺寸进行归一化操作,从而提高后续对心脏CT图像进行分割的精确度。
图像分割单元23,用于通过预先训练好的V-Net模型对该预处理图像中预设的心脏组织区域进行图像分割,获得心脏CT图像对应的心脏组织区域分割图像。
在本发明实施例中,通过预先训练好的V-Net模型对该预处理图像中预设的心脏组织区域进行图像分割,其中,预设的心脏组织区域为心脏的左心室和/或右心室等组织区域。
在通过预先训练好的V-Net模型对该预处理图像中预设的心脏组织区域进行图像分割之前,优选地,构建一个端对端的V-Net模型(即V-Net模型的输出图像和V-Net模型的输入图像维度相同),该V-Net模型是一种V型的卷积神经网络,包括一个输入层、4个压缩层、4个解压缩层以及一个输出层,每个压缩层都用于提取预处理图像的图像特征,并且当前压缩层将提取到的图像特征传递到下一压缩层和相对应的解压缩层,以便下一压缩层提取预处理图像更深层的特征信息,以及解压缩层根据当前压缩层传递的图像特征可以更精准地恢复图像,从而提高了V-Net模型分割图像的精准度。
在构建一个端对端的V-Net模型时,优选地,该V-Net模型还包括指数线性单元,V-Net模型中所有输入层、压缩层、解压缩层以及输出层每层对应连接一个指数线性单元(Exponential Linear Unit,ELU),指数线性单元通过ELU激活函数来实现,ELU激活函数具有负值,可以满足零均值化的要求,同时它的赋值变化比较平缓,可以使得模型训练的更加顺畅,从而提高V-Net模型的学习效率。
在构建一个端对端的V-Net模型时,又一优选地,将V-Net模型中每一层的卷积核大小设置为5,输入层的卷积步长设置为1,4个压缩层、4个解压缩层以及输出层的卷积步长均设置为2,并将输入层、4个压缩层、4个解压缩层和输出层对应的特征通道数量分别设置为1、16、32、64、128、256、256、128、64和32,从而提高了V-Net模型的收敛速度。
在本发明实施例中,在通过预先训练好的V-Net模型对该预处理图像中预设的心脏组织区域进行图像分割之前,又一优选地,通过预设的图像处理程序对预先采集的心脏CT样本图像中心脏组织区域进行图像分割,获得心脏组织区域对应的GT图像,根据心脏CT样本图像和GT图像,对V-Net模型进行训练,当训练后V-Net模型输出的心脏组织区域分割图像和GT图像的相似程度满足预设的阈值时,结束V-Net模型的训练,从而提高V-Net模型的学习效率以及心脏CT图像分割的精确度。
在本发明实施例中,优选地,预设的图像处理程序为ITK-SNAP,专家可以通过ITK-SNAP对心脏CT图像中预设心脏组织区域(例如,左心室)进行手动勾勒,以完成对该心脏组织区域的标定,生成标准图像(Ground Truth图像,简称GT图像),从而通过标定的GT图像提高V-Net模型的学习效率以及心脏CT图像分割的精确度。
在通过预设的图像处理程序对预先采集的心脏CT样本图像中心脏组织区域进行图像分割之前,优选地,对预先采集的心脏CT样本图像的尺寸进行归一化操作,从而提高V-Net模型训练的收敛速度,进而提高V-Net模型的训练效率。
在判断V-Net模型输出的心脏组织区域分割图像和GT图像的相似程度是否满足预设的阈值时,优选地,通过广义Dice相似系数(Dice Similarity Coefficient,DSC)来比对V-Net模型分割的心脏组织区域分割图像和GT图像之间的相似程度,从而提高对V-Net模型分割结果评估的效率和精确度。
因此,优选地,本发明实施例的基于深度学习的心脏CT图像分割装置还包括:
GT图像获取单元,用于通过预设的图像处理程序对预先采集的心脏CT样本图像中心脏组织区域进行图像分割,获得心脏CT样本图像中心脏组织区域对应的GT图像;
模型训练单元,用于根据心脏CT样本图像和GT图像,对V-Net模型进行训练;以及
训练结束单元,用于当训练后V-Net模型输出的心脏组织区域分割图像和GT图像的相似程度满足预设的阈值时,结束V-Net模型的训练。
在本发明实施例中,基于深度学习的心脏CT图像分割装置的各单元可由相应的硬件或软件单元实现,各单元可以为独立的软、硬件单元,也可以集成为一个软、硬件单元,在此不用以限制本发明。
实施例三:
图3示出了本发明实施例三提供的计算设备的结构,为了便于说明,仅示出了与本发明实施例相关的部分。
本发明实施例的计算设备3包括处理器30、存储器31以及存储在存储器31中并可在处理器30上运行的计算机程序32。该处理器30执行计算机程序32时实现上述深度学习的心脏CT图像分割方法实施例中的步骤,例如图1所示的步骤S101至S103。或者,处理器30执行计算机程序32时实现上述各装置实施例中各单元的功能,例如图2所示单元21至23的功能。
在本发明实施例中,当接收到心脏CT图像的分割请求时,获取用户输入的心脏CT图像,对获取到的心脏CT图像进行预处理,获得对应的预处理图像,通过预先训练好的V-Net模型对该预处理图像中预设的心脏组织区域进行图像分割,获得心脏CT图像对应的心脏组织区域分割图像,从而提高了对心脏CT图像进行图像分割的精确度,进而获得高精度的分割图像,提高手术的安全程度。
本发明实施例的计算设备可以为个人计算机、服务器。该计算设备3中处理器30执行计算机程序32时实现深度学习的心脏CT图像分割方法时实现的步骤可参考前述方法实施例的描述,在此不再赘述。
实施例四:
在本发明实施例中,提供了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上述深度学习的心脏CT图像分割方法实施例中的步骤,例如,图1所示的步骤S101至S103。或者,该计算机程序被处理器执行时实现上述各装置实施例中各单元的功能,例如图2所示单元21至23的功能。
在本发明实施例中,当接收到心脏CT图像的分割请求时,获取用户输入的心脏CT图像,对获取到的心脏CT图像进行预处理,获得对应的预处理图像,通过预先训练好的V-Net模型对该预处理图像中预设的心脏组织区域进行图像分割,获得心脏CT图像对应的心脏组织区域分割图像,从而提高了对心脏CT图像进行图像分割的精确度,进而获得高精度的分割图像,提高手术的安全程度。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质,例如,ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的心脏CT图像分割方法,其特征在于,所述方法包括下述步骤:
当接收到心脏CT图像的分割请求时,获取用户输入的心脏CT图像;
对所述获取到的心脏CT图像进行预处理,获得对应的预处理图像;
通过预先训练好的V-Net模型对所述预处理图像中预设的心脏组织区域进行图像分割,获得所述心脏CT图像对应的心脏组织区域分割图像。
2.如权利要求1所述的方法,其特征在于,获取用户输入的心脏CT图像的步骤之前,所述方法还包括:
通过预设的图像处理程序对预先采集的心脏CT样本图像中所述心脏组织区域进行图像分割,获得所述心脏CT样本图像中所述心脏组织区域对应的GT图像;
根据所述心脏CT样本图像和所述GT图像,对所述V-Net模型进行训练;
当训练后所述V-Net模型输出的所述心脏组织区域分割图像和所述GT图像的相似程度满足预设的阈值时,结束所述V-Net模型的训练。
3.如权利要求2所述的方法,其特征在于,所述预设的图像处理程序为ITK-SNAP。
4.如权利要求1所述的方法,其特征在于,所述V-Net模型包括一个输入层、4个压缩层、4个解压缩层以及一个输出层,所述V-Net模型中每一层的卷积核大小为5,所述输入层的卷积步长为1,所述压缩层、所述解压缩层以及所述输出层的卷积步长为2。
5.一种基于深度学习的心脏CT图像分割装置,其特征在于,所述装置包括:
CT图像获取单元,用于当接收到心脏CT图像的分割请求时,获取用户输入的心脏CT图像;
图像预处理单元,用于对所述获取到的心脏CT图像进行预处理,获得对应的预处理图像;以及
图像分割单元,用于通过预先训练好的V-Net模型对所述预处理图像中预设的心脏组织区域进行图像分割,获得所述心脏CT图像对应的心脏组织区域分割图像。
6.如权利要求5所述的装置,其特征在于,所述装置还包括:
GT图像获取单元,用于通过预设的图像处理程序对预先采集的心脏CT样本图像中所述心脏组织区域进行图像分割,获得所述心脏CT样本图像中所述心脏组织区域对应的GT图像;
模型训练单元,用于根据所述心脏CT样本图像和所述GT图像,对所述V-Net模型进行训练;以及
训练结束单元,用于当训练后所述V-Net模型输出的所述心脏组织区域分割图像和所述GT图像的相似程度满足预设的阈值时,结束所述V-Net模型的训练。
7.如权利要求6所述的装置,其特征在于,所述预设的图像处理程序为ITK-SNAP。
8.如权利要求5所述的装置,其特征在于,所述V-Net模型包括一个输入层、4个压缩层、4个解压缩层以及一个输出层,所述V-Net模型中每一层的卷积核大小为5,所述输入层的卷积步长为1,所述压缩层、所述解压缩层以及所述输出层的卷积步长为2。
9.一种计算设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810685558.6A CN109035284B (zh) | 2018-06-28 | 2018-06-28 | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 |
PCT/CN2019/078534 WO2020001086A1 (zh) | 2018-06-28 | 2019-03-18 | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810685558.6A CN109035284B (zh) | 2018-06-28 | 2018-06-28 | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109035284A true CN109035284A (zh) | 2018-12-18 |
CN109035284B CN109035284B (zh) | 2022-05-06 |
Family
ID=65520688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810685558.6A Active CN109035284B (zh) | 2018-06-28 | 2018-06-28 | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109035284B (zh) |
WO (1) | WO2020001086A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598734A (zh) * | 2018-12-29 | 2019-04-09 | 上海联影智能医疗科技有限公司 | 心脏与肺叶分割的方法和*** |
CN109949309A (zh) * | 2019-03-18 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于深度学习的肝脏ct图像分割方法 |
CN110610487A (zh) * | 2019-08-29 | 2019-12-24 | 上海杏脉信息科技有限公司 | 一种测量心影增大的方法与装置 |
WO2020001086A1 (zh) * | 2018-06-28 | 2020-01-02 | 深圳先进技术研究院 | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 |
CN111626972A (zh) * | 2020-06-02 | 2020-09-04 | 上海鹰瞳医疗科技有限公司 | Ct图像重构方法、模型训练方法及设备 |
CN112070809A (zh) * | 2020-07-22 | 2020-12-11 | 中国科学院苏州生物医学工程技术研究所 | 基于pet/ct双时成像的胰腺癌精准诊断*** |
CN113205509A (zh) * | 2021-05-24 | 2021-08-03 | 山东省人工智能研究院 | 一种基于位置卷积注意力网络的血管斑块ct影像分割方法 |
CN113240661A (zh) * | 2021-05-31 | 2021-08-10 | 平安科技(深圳)有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
CN113450337A (zh) * | 2021-07-07 | 2021-09-28 | 沈阳先进医疗设备技术孵化中心有限公司 | 心包腔内积液的评价方法、装置、电子设备及存储介质 |
US11436720B2 (en) | 2018-12-28 | 2022-09-06 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for generating image metric |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768391B (zh) * | 2020-07-01 | 2024-04-05 | 杭州脉流科技有限公司 | 一种基于ct影像的全自动心脏功能学分析方法、装置、计算机设备以及存储介质 |
CN115170591A (zh) * | 2022-09-02 | 2022-10-11 | 湖南红普创新科技发展有限公司 | 病变区域图像获取方法、装置及相关设备 |
CN115329952B (zh) * | 2022-10-12 | 2023-01-20 | 深圳比特微电子科技有限公司 | 一种模型压缩方法、装置和可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080181479A1 (en) * | 2002-06-07 | 2008-07-31 | Fuxing Yang | System and method for cardiac imaging |
CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784647B (zh) * | 2017-09-29 | 2021-03-09 | 华侨大学 | 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及*** |
CN107705305A (zh) * | 2017-10-20 | 2018-02-16 | 上海联影医疗科技有限公司 | 一种医学图像处理的方法及装置 |
CN109615636B (zh) * | 2017-11-03 | 2020-06-12 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割中的血管树构造方法、装置 |
CN108010021B (zh) * | 2017-11-30 | 2021-12-10 | 上海联影医疗科技股份有限公司 | 一种医学图像处理***和方法 |
CN109035284B (zh) * | 2018-06-28 | 2022-05-06 | 深圳先进技术研究院 | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 |
-
2018
- 2018-06-28 CN CN201810685558.6A patent/CN109035284B/zh active Active
-
2019
- 2019-03-18 WO PCT/CN2019/078534 patent/WO2020001086A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080181479A1 (en) * | 2002-06-07 | 2008-07-31 | Fuxing Yang | System and method for cardiac imaging |
CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
Non-Patent Citations (4)
Title |
---|
CASTILLO L S等: "Volumetric multimodality neural network for brain tumor segmentation", 《13TH INTERNATIONAL CONFERENCE ON MEDICAL INFORMATION PROCESSING AND ANALYSIS. INTERNATIONAL SOCIETY FOR OPTICS AND PHOTONICS, 2017》 * |
MILLETARI F等: "V-net: Fully convolutional neural networks for volumetric medical image segmentation", 《2016 FOURTH INTERNATIONAL CONFERENCE ON 3D VISION (3DV). IEEE》 * |
TANG H等: "Segmentation of anatomical structures in cardiac CTA using multi-label V-Net", 《MEDICAL IMAGING 2018: IMAGE PROCESSING. INTERNATIONAL SOCIETY FOR OPTICS AND PHOTONICS》 * |
张品等: "基于改进C-V模型的肾脏CT图像分割方法", 《光电子.激光》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020001086A1 (zh) * | 2018-06-28 | 2020-01-02 | 深圳先进技术研究院 | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 |
US11436720B2 (en) | 2018-12-28 | 2022-09-06 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for generating image metric |
CN109598734A (zh) * | 2018-12-29 | 2019-04-09 | 上海联影智能医疗科技有限公司 | 心脏与肺叶分割的方法和*** |
CN109949309A (zh) * | 2019-03-18 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于深度学习的肝脏ct图像分割方法 |
CN110610487A (zh) * | 2019-08-29 | 2019-12-24 | 上海杏脉信息科技有限公司 | 一种测量心影增大的方法与装置 |
CN111626972A (zh) * | 2020-06-02 | 2020-09-04 | 上海鹰瞳医疗科技有限公司 | Ct图像重构方法、模型训练方法及设备 |
CN111626972B (zh) * | 2020-06-02 | 2023-06-02 | 上海鹰瞳医疗科技有限公司 | Ct图像重构方法、模型训练方法及设备 |
CN112070809A (zh) * | 2020-07-22 | 2020-12-11 | 中国科学院苏州生物医学工程技术研究所 | 基于pet/ct双时成像的胰腺癌精准诊断*** |
CN112070809B (zh) * | 2020-07-22 | 2024-01-26 | 中国科学院苏州生物医学工程技术研究所 | 基于pet/ct双时成像的胰腺癌精准诊断*** |
CN113205509A (zh) * | 2021-05-24 | 2021-08-03 | 山东省人工智能研究院 | 一种基于位置卷积注意力网络的血管斑块ct影像分割方法 |
CN113205509B (zh) * | 2021-05-24 | 2021-11-09 | 山东省人工智能研究院 | 一种基于位置卷积注意力网络的血管斑块ct影像分割方法 |
CN113240661B (zh) * | 2021-05-31 | 2023-09-26 | 平安科技(深圳)有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
CN113240661A (zh) * | 2021-05-31 | 2021-08-10 | 平安科技(深圳)有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
CN113450337A (zh) * | 2021-07-07 | 2021-09-28 | 沈阳先进医疗设备技术孵化中心有限公司 | 心包腔内积液的评价方法、装置、电子设备及存储介质 |
CN113450337B (zh) * | 2021-07-07 | 2024-05-24 | 东软医疗***股份有限公司 | 心包腔内积液的评价方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020001086A1 (zh) | 2020-01-02 |
CN109035284B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035284A (zh) | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 | |
US11847781B2 (en) | Systems and methods for medical acquisition processing and machine learning for anatomical assessment | |
US11501485B2 (en) | System and method for image-based object modeling using multiple image acquisitions or reconstructions | |
US9514530B2 (en) | Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions | |
CN109598722B (zh) | 基于递归神经网络的图像分析方法 | |
KR101902883B1 (ko) | 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치 | |
JP7059298B2 (ja) | 心筋ct灌流画像合成 | |
KR101978317B1 (ko) | Ct 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 그 장치 | |
US11823384B2 (en) | CT image generation method for attenuation correction of pet images | |
CN109961419B (zh) | 对pet活度分布图像进行衰减校正的校正信息获取方法 | |
CN109215014A (zh) | Ct图像预测模型的训练方法、装置、设备及存储介质 | |
Nguyen et al. | 3D Unet generative adversarial network for attenuation correction of SPECT images | |
Lauzier et al. | The evolving role of artificial intelligence in cardiac image analysis | |
Shi et al. | A Virtual Monochromatic Imaging Method for Spectral CT Based on Wasserstein Generative Adversarial Network With a Hybrid Loss. | |
Qin et al. | Artificial intelligence: The future for multimodality imaging of right ventricle | |
US20220044454A1 (en) | Deep reinforcement learning for computer assisted reading and analysis | |
CN116168099A (zh) | 医疗图像的重建方法及装置、非易失性存储介质 | |
Spiesberger et al. | Processing of medical image sequences | |
da Silva Corado | Echocardiography Automatic Image Quality Enhancement Using Generative Adversarial Networks | |
EP4330923A1 (en) | Systems and methods for positron emission computed tomography image reconstruction | |
CN117788624A (zh) | 一种pet图像的散射校正方法与*** | |
CN113643285A (zh) | 基于人工神经网络的心肌靶心图分析方法、***和介质 | |
Abboud | Segmenting the Right Ventricle Cavity from 4D Echocardiography Images for Stroke Volume Measurement | |
Tobon-Gomez et al. | Systolic and diastolic assessment by 3D-ASM segmentation of gated-SPECT Studies: a comparison with MRI |
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 |