CN109493949B - 一种左心耳复杂度的确定方法、装置及计算机存储介质 - Google Patents
一种左心耳复杂度的确定方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN109493949B CN109493949B CN201811261668.6A CN201811261668A CN109493949B CN 109493949 B CN109493949 B CN 109493949B CN 201811261668 A CN201811261668 A CN 201811261668A CN 109493949 B CN109493949 B CN 109493949B
- Authority
- CN
- China
- Prior art keywords
- atrial appendage
- dimensional model
- left atrial
- fractal dimension
- complexity
- 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
- 210000005248 left atrial appendage Anatomy 0.000 title claims abstract description 223
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000002591 computed tomography Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 5
- 230000015654 memory Effects 0.000 claims description 35
- 230000009466 transformation Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 16
- 208000007536 Thrombosis Diseases 0.000 description 41
- 238000012216 screening Methods 0.000 description 21
- 238000004364 calculation method Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 12
- 230000015572 biosynthetic process Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 206010003658 Atrial Fibrillation Diseases 0.000 description 4
- 238000004195 computer-aided diagnosis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000010100 anticoagulation Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001269 cardiogenic effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例公开了一种左心耳复杂度的确定装置,该装置包括:获取模块,用于获取对左心耳进行电子计算机断层扫描所获得的图像数据;模型构建模块,用于基于所述图像数据进行三维模型重建,获得左心耳三维模型;处理模块,用于对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数。本发明实施例还公开了一种左心耳复杂度的确定方法及计算机存储介质。
Description
技术领域
本发明涉及计算机辅助诊断技术领域,尤其涉及一种左心耳复杂度的确定方法、装置及计算机存储介质。
背景技术
计算机辅助诊断技术(CAD,Computer-Aided Diagnosis Technology)是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段,结合计算机的分析计算,辅助发现病灶,提高诊断的准确率。医学图像的计算机辅助诊断的主要优点在于快速的数据处理,进行精确地定量计算,能够为临床提供一致性好、可重复性高、客观、准确的辅助诊断意见,减少因医生经验不足或视觉疲劳等主观原因引起的漏误诊,极大地扩大医生有限的个人知识和经验,使诊断更为准确更为科学。因此,虽然CAD在目前还处于研究探索阶段,但勿庸置疑,CAD是医学影像诊断学发展的方向之一。
心房纤颤(AF,Atrial Fibrillation)简称房颤是最常见的心律失常之一。房颤易导致血栓形成,从而引起心肌梗塞事件发生,而心源性脑卒中患者中有90%以上的栓子源自于左心耳。目前,通过计算机X射线断层扫描图像等医疗影像能获得左心耳的组织形态,然而由于左心耳的复杂特性,临床上很难从颜色特征和形态特征对左心耳的图像进行鉴别,导致可能没有血栓的患者需要接受不必要的抗凝治疗。因此,如何基于计算机辅助诊断技术的角度以定量表征左心耳复杂特性,成为本领域技术人员亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种能够定量表征左心耳复杂度的左心耳复杂度的确定方法、装置及计算机存储介质。
为达到上述目的,本发明的技术方案是这样实现的:
第一方面,本发明实施例提供了一种左心耳复杂度的确定装置,所述装置包括:
获取模块,用于获取对左心耳进行电子计算机断层扫描所获得的图像数据;
模型构建模块,用于基于所述图像数据进行三维模型重建,获得左心耳三维模型;
处理模块,用于对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数。
第二方面,本发明实施例提供了一种左心耳复杂度的确定方法,所述方法包括:
获取对左心耳进行电子计算机断层扫描所获得的图像数据;
基于所述图像数据进行三维模型重建,获得左心耳三维模型;
对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数。
第三方面,本发明实施例提供了一种左心耳复杂度的确定装置,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,
其中,所述处理器用于运行所述计算机程序时,实现第二方面所述左心耳复杂度的确定方法。
第四方面,本发明实施例提供了一种计算机存储介质,存储有计算机程序,所述计算机程序被处理器执行时,实现第二方面所述左心耳复杂度的确定方法。
本发明实施例提供的左心耳复杂度的确定方法、装置及计算机存储介质,基于获取的对左心耳进行电子计算机断层扫描所获得的图像数据进行三维模型重建,获得左心耳三维模型;对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数。如此,通过对左心耳三维模型进行分形维数的分析,可获取可表征左心耳结构复杂度的分形维数,即实现了对左心耳复杂度的定量表征。
附图说明
图1为本发明一实施例中左心耳复杂度的确定装置的结构示意图;
图2为本发明一实施例中左心耳复杂度的确定方法的流程示意图;
图3为本发明另一实施例中左心耳复杂度的确定装置的结构示意图;
图4为本发明一具体实施例中左心耳复杂度的确定方法的流程示意图;
图5为本发明一实施例中左心耳三维模型的示意图;
图6为本发明一实施例中正方体填充左心耳三维模型的示意图;
图7为本发明一实施例中正方体边长与正方体个数之间的关系示意图;
图8为本发明一实施例中分形维数与正方体边长对数和正方体个数对数之间的关系示意图;
图9为本发明一实施例中分形维数与平均曲率的均值之间的关系示意图;
图10为本发明另一实施例中左心耳三维模型的示意图;
图11为本发明另一具体实施例中左心耳复杂度的确定方法的流程示意图;
图12为本发明一实施例中分形维数和高斯曲率的均值之间的关系示意图;
图13为本发明又一实施例中左心耳三维模型的示意图。
具体实施方式
以下结合说明书附图及具体实施例对本发明技术方案做进一步的详细阐述。除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
参见图1,为本发明实施例提供的一种左心耳复杂度的确定装置,包括:获取模块10、模型构建模块11和处理模块12,其中,
所述获取模块10,用于获取对左心耳进行电子计算机断层扫描所获得的图像数据;
所述模型构建模块11,用于基于所述图像数据进行三维模型重建,获得左心耳三维模型;
所述处理模块12,用于对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数。
这里,可以通过现有的电子计算机断层扫描装置对左心耳进行电子计算机断层扫描,从而获得对应的图像数据。所述获取模块10获取对左心耳进行电子计算机断层扫描所获得的图像数据,可以是接收电子计算机断层扫描(CT,Computer Tomography)装置或第三方设备发送的对左心耳进行电子计算机断层扫描所获得的图像数据,所述第三方设备可以是服务器,从电子计算机断层扫描装置获取所述图像数据并进行存储与传输。由于左心耳是心脏的一部分结构,因此,所述获取对左心耳进行电子计算机断层扫描所获得的图像数据,也可以是从对心脏进行电子计算机断层扫描所获得的图像数据中提取出左心耳的图像数据。所述模型构建模块11可以采用现有的三维模型重建方法,基于所述左心耳的图像数据建立左心耳三维模型,对此不再进行赘述。
这里,分形维数作为被测形体复杂性和不规则性的量度,能够对左心耳结构复杂度进行量化,即能够定量描述左心耳结构复杂度大小,同时分形维数越大,则左心耳结构复杂度越高。而左心耳结构复杂度作为左心耳复杂度的一种表征方式,所述分形维数也能够定量表征左心耳复杂度。所述分形维数可以包括以下至少一种:Hausdorff维数、Lyapunov维数、相似维数、容量维数、计盒维数、并联维数。在实际应用中,可以根据需要采用对应的分形维数进行分析。
综上,上述实施例提供的左心耳复杂度的确定装置,基于获取的对左心耳进行电子计算机断层扫描所获得的图像数据进行三维模型重建,获得左心耳三维模型;对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数。如此,通过对左心耳三维模型进行分形维数的分析,获取可表征左心耳结构复杂度的分形维数,即实现了对左心耳复杂度的定量表征。
在一个可选的实施例中,所述装置还包括坐标变换模块13,用于确定需要对所述左心耳三维模型进行坐标变换时,根据设置的坐标变换操作对所述左心耳三维模型进行坐标变换,控制坐标变换后的所述左心耳三维模型位于设置象限内。
这里,基于所述图像数据进行三维模型重建而获得左心耳三维模型,其中所述左心耳三维模型可能位于坐标系的一个或者多个象限内,为了便于后续分形维数的计算,根据设置的坐标变换操作对所述左心耳三维模型进行坐标变换,从而控制坐标变换后的所述左心耳三维模型位于设置象限内。可以理解地,所述坐标变换操作可以根据左心耳三维模型当前所在象限和设置象限之间的相对位置关系进行设置,比如可以是平移或旋转等。在一可选的实施方式中,所述设置象限为第一象限。
如此,通过控制所述左心耳三维模型位于设置象限内,能够方便后续的计算操作,从而简化计算过程。
在一个可选的实施例中,所述装置还包括确定模块14,用于根据所述左心耳三维模型确定所述左心耳三维模型的对应边界;
所述处理模块12,具体用于:采用设定边长的正方体对所述左心耳三维模型的对应边界进行覆盖,确定所需的所述正方体的数量;以及,根据所述设定边长以及所述正方体的数量确定用于表征左心耳结构复杂度的分形维数。
这里,所述左心耳三维模型的对应边界可以看作是左心耳三维模型的表面所构成的曲面,其中,对应的分形维数计算原理为:假设一个被测形体U划分为N个边长为r的、大小和形态完全相同的“小盒子”,通过这些“小盒子”把被测形体覆盖起来,N(r)表示用此“小盒子”覆盖被测形体所得的数目;当边长尺寸r的数值越小时,被测形体U包含的“小盒子”个数N(r)则越大,当r趋近于0时,N(r)得到最大值。根据分形维数计算进行计算而获得对应的分形维数D,其中log(r)表示“小盒子”边长对数,log N(r)表示“小盒子”个数对数,二者的比值的负值即为分形维数。当采用不同边长的“小盒子”对所述左心耳三维模型的对应边界进行覆盖时,对应所需的N(r)也不相同。可以理解地,所述采用设定边长的正方体对所述左心耳三维模型的对应边界进行覆盖,可以看作是采用设定边长的正方体对所述左心耳三维模型的表面所构成的曲面进行填充。
如此,通过采用设定边长的正方体对所述左心耳三维模型的对应边界进行覆盖与分析,从而获得能够用于表征左心耳结构复杂度的分形维数,提高了左心耳复杂度表征的准确度。
在一个可选的实施例中,所述处理模块12,还用于基于所述左心耳三维模型的对应边界对所述左心耳三维模型进行几何特性分析,获取用于表征左心耳轮廓复杂度的特征曲率的均值和/或方差。
这里,所述特征曲率可以是平均曲率或高斯曲率,其中,平均曲率是微分几何中一个外在的弯曲测量标准,局部地描述了一个曲面嵌入周围空间的曲率;高斯曲率是微分几何中曲率的内在度量,是一种表征模型曲面上的距离测量方式。所述平均曲率和高斯曲率的确定方式为:令P是曲面S上一点,考虑S上过点P的所有曲线Ci,每条这样的Ci在P点有一个伴随的曲率Ki,而在这些曲率Ki中至少有一个极大值K1与极小值K2,则K1、K2被称为曲面S在点P处的主曲率。那么,曲面S在点P处的平均曲率记为曲面S在点P处的高斯曲率记为K=K1×K2。因此,基于现有的均值和方差计算方法,根据对曲面S在不同点处的平均曲率分别计算平均值和方差,可以对应获得曲面S的平均曲率的均值和方差;根据对曲面S在不同点处的高斯曲率分别计算平均值和方差,可以对应获得曲面S的高斯曲率的均值和方差。相应的,由于所述左心耳三维模型的对应边界可以看作是曲面,则通过对所述左心耳三维模型进行几何特性分析,可以对应获取用于表征左心耳轮廓复杂度的平均曲率的均值和方差,以及用于表征左心耳轮廓复杂度的高斯曲率的均值和方差。
如此,通过获取用于表征左心耳轮廓复杂度的特征曲率的均值和/或方差,能够进一步有效的定量表征左心耳复杂度。
在一个可选的实施例中,所述处理模块12,还用于基于所述左心耳三维模型的对应边界对所述左心耳三维模型进行几何特性分析,获取用于表征左心耳轮廓复杂度的描述长度的均值和/或方差。
这里,所述描述长度(Description Length,DL)用来描述已建立的左心耳三维模型的轮廓复杂程度,可以通过数学方法中的高斯模型对所述描述长度进行定义。假设将闭合轮廓模型看作是由链组成的,该闭合轮廓模型对应每条链的描述长度DL(CONTOUR)可以表示为其中,N表示为链中点的个数,α表示为每个点的转角,σ和μ分别表示为平滑的转角分布的标准差和平均值,2π表示模型外角总和,即任何闭合的非自相交轮廓弧度必须等于2π。因此,基于现有的均值和方差计算方法,根据对组成该闭合轮廓模型的不同链处的描述长度分别计算平均值和方差,可以对应获得该闭合轮廓模型的描述长度的均值和方差。也就是说,通过对所述左心耳三维模型进行几何特性分析,可以对应获取用于表征左心耳轮廓复杂度的描述长度的均值和方差。
如此,通过获取用于表征左心耳轮廓复杂度的描述长度的均值和/或方差,能够进一步准确的定量表征左心耳复杂度。
在一个可选的实施例中,所述确定模块14,还用于确定所述分形维数以及所述特征曲率的均值对应满足设置条件时,判定所述左心耳属于设置的目标类别。
这里,所述分形维数阈值可以根据实际需要进行设置,比如可以设置为2.4。所述分形维数满足对应设置条件可以是所述分形维数大于设置的分形维数阈值。可以理解地,所述特征曲率为平均曲率时对应的设置条件、与所述特征曲率为高斯曲率时对应的设置条件不相同,需要根据实际需要进行设置。例如,所述平均曲率对应的所述均值阈值可以设置为0.3,所述高斯曲率对应的所述均值阈值可以设置为[-1,1]。所述平均曲率的均值满足对应设置条件可以是所述平均曲率的均值小于对应的均值阈值,所述高斯曲率的均值满足对应设置条件可以是所述高斯曲率的均值在设置的均值阈值范围内。
这里,为了能够准确地的表征左心耳复杂度,可以预先基于左心耳的分形维数和特征曲率的指标,设置目标类别及基于左心耳的分形维数和特征曲率的指标确定其对应的目标类别的左心耳复杂度的判断准则。该目标类别可以是用于辅助对所述左心耳进行相关检测或诊断的不同类别。例如,基于左心耳的分形维数和平均曲率的均值,将左心耳的分形维数大于设置的分形维数阈值、平均曲率的均值小于设置的均值阈值作为目标类别,并将该目标类别作为血栓概率高筛查准则,以辅助诊断左心耳是否形成有血栓。
如此,通过所述分形维数以及所述特征曲率的均值实现对左心耳的类别判断,并基于判断结果辅助建立左心耳复杂度与左心耳血栓之间的关联关系。
需要说明的是:上述实施例提供的左心耳复杂度的确定装置在实现左心耳复杂度的确定方法时,仅以上述各程序模块的划分进行举例说明,实际应用中,可以根据需要而将上述处理分配由不同的程序模块完成,即将左心耳复杂度的确定装置的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分处理。
基于上述装置,对应本发明实施例还提供了一种左心耳复杂度的确定方法,如图2所示,所述方法包括以下步骤:
步骤S101:获取对左心耳进行电子计算机断层扫描所获得的图像数据;
这里,可以通过现有的电子计算机断层扫描装置对左心耳进行电子计算机断层扫描,从而获得对应的图像数据。所述获取对左心耳进行电子计算机断层扫描所获得的图像数据,可以是接收电子计算机断层扫描装置或第三方设备发送的对左心耳进行电子计算机断层扫描所获得的图像数据,所述第三方设备可以是服务器,从电子计算机断层扫描装置获取所述图像数据并进行存储与传输。由于左心耳是心脏的一部分结构,因此,所述获取对左心耳进行电子计算机断层扫描所获得的图像数据,也可以是从对心脏进行电子计算机断层扫描所获得的图像数据中提取出左心耳的图像数据。
步骤S102:基于所述图像数据进行三维模型重建,获得左心耳三维模型;
这里,可以采用现有的三维模型重建方法,基于所述左心耳的图像数据建立左心耳三维模型,对此不再进行赘述。
步骤S103:对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数。
这里,分形维数作为被测形体复杂性和不规则性的量度,能够对左心耳结构复杂度进行量化,即能够定量描述左心耳结构复杂度大小,同时分形维数越大,则左心耳结构复杂度越高。而左心耳结构复杂度作为衡量左心耳复杂度的一个指标或全部指标,所述分形维数也能够定量表征左心耳复杂度。所述分形维数可以包括以下至少一种:Hausdorff维数DH、Lyapunov维数DL、相似维数DS、容量维数DC、计盒维数Db、并联维数Dg。在实际应用中,可以根据需要采用对应的分形维数进行分析。
综上,上述实施例提供的左心耳复杂度的确定方法,基于获取的对左心耳进行电子计算机断层扫描所获得的图像数据进行三维模型重建,获得左心耳三维模型;对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数。如此,通过对左心耳三维模型进行分形维数的分析,获取可表征左心耳结构复杂度的分形维数,即实现了对左心耳复杂度的定量表征。
在一个可选的实施例中,所述基于所述图像数据进行三维模型重建,获得左心耳三维模型之后,还包括:确定需要对所述左心耳三维模型进行坐标变换时,根据设置的坐标变换操作对所述左心耳三维模型进行坐标变换,控制坐标变换后的所述左心耳三维模型位于设置象限内。
这里,基于所述图像数据进行三维模型重建而获得左心耳三维模型,其中所述左心耳三维模型可能位于坐标系的一个或者多个象限内,为了便于后续分形维数的计算,根据设置的坐标变换操作对所述左心耳三维模型进行坐标变换,从而控制坐标变换后的所述左心耳三维模型位于设置象限内。可以理解地,所述坐标变换操作可以根据左心耳三维模型当前所在象限和设置象限之间的相对位置关系进行设置,比如可以是平移或旋转等。所述设置象限可以根据实际需要进行设置,比如所述设置象限可以是第一象限。
如此,通过控制所述左心耳三维模型位于设置象限内,能够方便后续的计算操作,从而简化计算过程。
在一个可选的实施例中,所述对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数之前,还包括:根据所述左心耳三维模型确定所述左心耳三维模型的对应边界;
所述对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数,包括:采用设定边长的正方体对所述左心耳三维模型的对应边界进行覆盖,确定所需的所述正方体的数量;以及,根据所述设定边长以及所述正方体的数量确定用于表征左心耳结构复杂度的分形维数。
这里,所述左心耳三维模型的对应边界可以看作是左心耳三维模型的表面所构成的曲面,其中,对应的分形维数计算原理为:假设一个被测形体U划分为N个边长为r的、大小和形态完全相同的“小盒子”,通过这些“小盒子”把被测形体覆盖起来,N(r)表示用此“小盒子”覆盖被测形体所得的数目;当边长尺寸r的数值越小时,被测形体U包含的“小盒子”个数N(r)则越大,当r趋近于0时,N(r)得到最大值。根据分形维数计算进行计算而获得对应的分形维数D,其中log(r)表示“小盒子”边长对数,log N(r)表示“小盒子”个数对数,二者的比值的负值即为分形维数。当采用不同边长的“小盒子”对所述左心耳三维模型的对应边界进行覆盖时,对应所需的N(r)也不相同。可以理解地,所述采用设定边长的正方体对所述左心耳三维模型的对应边界进行覆盖,可以看作是采用设定边长的正方体对所述左心耳三维模型的表面所构成的曲面进行填充。
如此,通过采用设定边长的正方体对所述左心耳三维模型的对应边界进行覆盖与分析,从而获得能够用于表征左心耳结构复杂度的分形维数,提高了左心耳复杂度表征的准确度。
在一个可选的实施例中,所述对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数之后,还包括:基于所述左心耳三维模型的对应边界对所述左心耳三维模型进行几何特性分析,获取用于表征左心耳轮廓复杂度的特征曲率的均值和/或方差。
这里,所述特征曲率可以是平均曲率或高斯曲率,其中,平均曲率是微分几何中一个外在的弯曲测量标准,局部地描述了一个曲面嵌入周围空间的曲率;高斯曲率是微分几何中曲率的内在度量,是一种表征模型曲面上的距离测量方式。所述平均曲率和高斯曲率的确定方式为:令P是曲面S上一点,考虑S上过点P的所有曲线Ci,每条这样的Ci在P点有一个伴随的曲率Ki,而在这些曲率Ki中至少有一个极大值K1与极小值K2,则K1、K2被称为曲面S在点P处的主曲率。那么,曲面S在点P处的平均曲率记为曲面S在点P处的高斯曲率记为K=K1×K2。因此,基于现有的均值和方差计算方法,根据对曲面S在不同点处的平均曲率分别计算平均值和方差,可以对应获得曲面S的平均曲率的均值和方差;根据对曲面S在不同点处的高斯曲率分别计算平均值和方差,可以对应获得曲面S的高斯曲率的均值和方差。相应的,由于所述左心耳三维模型的对应边界可以看作是曲面,则通过对所述左心耳三维模型进行几何特性分析,可以对应获取用于表征左心耳轮廓复杂度的平均曲率的均值和方差,以及用于表征左心耳轮廓复杂度的高斯曲率的均值和方差。所述左心耳轮廓复杂度作为左心耳复杂度的一种表征方式,所述特征曲率也能够定量表征左心耳复杂度。
如此,通过获取用于表征左心耳轮廓复杂度的特征曲率的均值和/或方差,能够进一步有效的定量表征左心耳复杂度。
在一个可选的实施例中,所述对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数之后,还包括:基于所述左心耳三维模型的对应边界对所述左心耳三维模型进行几何特性分析,获取用于表征左心耳轮廓复杂度的描述长度的均值和/或方差。
这里,所述描述长度(Description Length,DL)用来描述已建立的左心耳三维模型的轮廓复杂程度,可以通过数学方法中的高斯模型对所述描述长度进行定义。假设将闭合轮廓模型看作是由链组成的,该闭合轮廓模型对应每条链的描述长度DL(CONTOUR)可以表示为其中,N表示为链中点的个数,α表示为每个点的转角,σ和μ分别表示为平滑的转角分布的标准差和平均值,2π表示模型外角总和,即任何闭合的非自相交轮廓弧度必须等于2π。因此,基于现有的均值和方差计算方法,根据对组成该闭合轮廓模型的不同链处的描述长度分别计算平均值和方差,可以对应获得该闭合轮廓模型的描述长度的均值和方差。也就是说,通过对所述左心耳三维模型进行几何特性分析,可以对应获取用于表征左心耳轮廓复杂度的描述长度的均值和方差。
如此,通过获取用于表征左心耳轮廓复杂度的描述长度的均值和/或方差,能够进一步准确的定量表征左心耳复杂度。
在一个可选的实施例中,所述方法还可包括:
确定所述分形维数以及所述特征曲率的均值对应满足设置条件时,判定所述左心耳属于设置的目标类别。
这里,所述分形维数阈值可以根据实际需要进行设置,比如可以设置为2.4。所述分形维数满足对应设置条件可以是所述分形维数大于设置的分形维数阈值。可以理解地,所述特征曲率为平均曲率时对应的设置条件、与所述特征曲率为高斯曲率时对应的设置条件不相同,需要根据实际需要进行设置。例如,所述平均曲率对应的所述均值阈值可以设置为0.3,所述高斯曲率对应的所述均值阈值可以设置为[-1,1]。所述平均曲率的均值满足对应设置条件可以是所述平均曲率的均值小于对应的均值阈值,所述高斯曲率的均值满足对应设置条件可以是所述高斯曲率的均值在设置的均值阈值范围内。
这里,为了能够准确地的表征左心耳复杂度,可以预先基于左心耳的分形维数和特征曲率的指标,设置目标类别及基于左心耳的分形维数和特征曲率的指标确定其对应的目标类别的左心耳复杂度的判断准则。该目标类别可以是用于辅助对所述左心耳进行相关检测或诊断的不同类别。例如,基于左心耳的分形维数和平均曲率的均值,将左心耳的分形维数大于设置的分形维数阈值、平均曲率的均值小于设置的均值阈值作为目标类别,并将该目标类别作为血栓概率高筛查准则,以辅助诊断左心耳是否形成有血栓。如此,通过所述分形维数以及所述特征曲率的均值实现对左心耳的类别判断,并基于判断结果辅助建立左心耳复杂度与左心耳血栓之间的关联关系。
本发明实施例提供了一种左心耳复杂度的确定装置,如图3所示,该装置包括:处理器310和用于存储能够在处理器310上运行的计算机程序的存储器311;其中,图3中示意的处理器310并非用于指代处理器310的个数为一个,而是仅用于指代处理器310相对其他器件的位置关系,在实际应用中,处理器310的个数可以为一个或多个;同样,图3中示意的存储器311也是同样的含义,即仅用于指代存储器311相对其他器件的位置关系,在实际应用中,存储器311的个数可以为一个或多个。
所述处理器310用于运行所述计算机程序时,执行如下步骤:
获取对左心耳进行电子计算机断层扫描所获得的图像数据;
基于所述图像数据进行三维模型重建,获得左心耳三维模型;
对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数。
在一可选的实施例中,所述处理器310还用于运行所述计算机程序时,执行如下步骤:
确定需要对所述左心耳三维模型进行坐标变换时,根据设置的坐标变换操作对所述左心耳三维模型进行坐标变换,控制坐标变换后的所述左心耳三维模型位于设置象限内。
在一可选的实施例中,所述处理器310还用于运行所述计算机程序时,执行如下步骤:
根据所述左心耳三维模型确定所述左心耳三维模型的对应边界;
所述对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数,包括:
采用设定边长的正方体对所述左心耳三维模型的对应边界进行覆盖,确定所需的所述正方体的数量;
根据所述设定边长以及所述正方体的数量确定用于表征左心耳结构复杂度的分形维数。
在一可选的实施例中,所述处理器310还用于运行所述计算机程序时,执行如下步骤:
基于所述左心耳三维模型的对应边界对所述左心耳三维模型进行几何特性分析,获取用于表征左心耳轮廓复杂度的描述长度的均值和/或方差、或者特征曲率的均值和/或方差。
该装置还包括:至少一个网络接口312。该装置中的各个组件通过总线***313耦合在一起。可理解,总线***313用于实现这些组件之间的连接通信。总线***313除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图3中将各种总线都标为总线***313。
其中,存储器311可以是易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM,Read Only Memory)、可编程只读存储器(PROM,Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM,Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM,Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM,ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM,Compact Disc Read-Only Memory);磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM,Random AccessMemory),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(SRAM,Static Random Access Memory)、同步静态随机存取存储器(SSRAM,Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM,Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM,SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM,Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM,Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM,SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM,Direct Rambus Random Access Memory)。本发明实施例描述的存储器311旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器311用于存储各种类型的数据以支持该装置的操作。这些数据的示例包括:用于在该装置上操作的任何计算机程序,如操作***和应用程序;联系人数据;电话簿数据;消息;图片;视频等。其中,操作***包含各种***程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用业务。这里,实现本发明实施例方法的程序可以包含在应用程序中。
本实施例还提供了一种计算机存储介质,所述计算机存储介质中存储有计算机程序,计算机存储介质可以是磁性随机存取存储器(FRAM,ferromagnetic random accessmemory)、只读存储器(ROM,Read Only Memory)、可编程只读存储器(PROM,ProgrammableRead-Only Memory)、可擦除可编程只读存储器(EPROM,Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM,Electrically ErasableProgrammable Read-Only Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM,Compact Disc Read-Only Memory)等存储器;也可以是包括上述存储器之一或任意组合的各种设备,如移动电话、计算机、平板设备、个人数字助理等。
一种计算机存储介质,所述计算机存储介质中存储有计算机程序,所述计算机程被处理器运行时,执行如下步骤:
获取对左心耳进行电子计算机断层扫描所获得的图像数据;
基于所述图像数据进行三维模型重建,获得左心耳三维模型;
对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数。
在一可选的实施例中,所述计算机程序被处理器运行时,还执行如下步骤:
确定需要对所述左心耳三维模型进行坐标变换时,根据设置的坐标变换操作对所述左心耳三维模型进行坐标变换,控制坐标变换后的所述左心耳三维模型位于设置象限内。
在一可选的实施例中,所述计算机程序被处理器运行时,还执行如下步骤:
根据所述左心耳三维模型确定所述左心耳三维模型的对应边界;
所述对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数,包括:
采用设定边长的正方体对所述左心耳三维模型的对应边界进行覆盖,确定所需的所述正方体的数量;
根据所述设定边长以及所述正方体的数量确定用于表征左心耳结构复杂度的分形维数。
在一可选的实施例中,所述计算机程序被处理器运行时,还执行如下步骤:
基于所述左心耳三维模型的对应边界对所述左心耳三维模型进行几何特性分析,获取用于表征左心耳轮廓复杂度的描述长度的均值和/或方差、或者特征曲率的均值和/或方差。
下面通过具体示例对本发明实施例作进一步详细说明。如图4所示,为本发明一具体实施例提供的左心耳复杂度的确定方法,包括:
步骤S201:读入医学影像CT数据;
在实际应用中,步骤S201具体包括:读取医学影像DICOM文件,获取左心耳的二维CT数据。
步骤S202:基于左心耳CT数据进行左心耳三维模型重建;
在实际应用中,步骤S202具体包括:基于所述左心耳CT数据进行左心耳三维模型重建,得到左心耳三维模型,如图5所示。这里,在模型重建过程中对左心耳三维模型结构进行坐标变换,使得左心耳三维模型整体落在第一象限。同时,求解左心耳三维模型的对应边界,以便于后续计算。
步骤S203:基于所述左心耳三维模型求解分形维数和平均曲率的均值。
在实际应用中,步骤S203具体包括:基于所述左心耳三维模型的对应边界,求解分形维数和平均曲率,得到左心耳三维模型的分形维数数值和平均曲率的均值。
这里,求解分形维数的过程如下:参见图6,首先将左心耳三维模型用边长r的正方体进行填充,找出左心耳三维模型中所有的正方体。参见图7,为正方体边长和正方体个数之间的关系示意图。其中,横坐标为正方体边长即r,纵坐标为正方体个数即N(r),图7中标有小正方形的线段上的每个点的值表示对应正方体边长r下的正方体个数N(r)。从图7中可以看出,当正方体边长r呈变小趋势时,正方体个数N(r)值呈变大的趋势,当r值趋于0时,则N(r)值最大。根据分形维数计算公式进行计算,得到对应的分形维数,如图8所示,其中横坐标为正方体边长对数即log(r),纵坐标为正方体个数对数即logN(r),二者比值的负值即为对应的分形维数。图8中标有小正方形的线段上的每个点的值表示在正方体边长为r时,正方体边长对数与正方体个数对数之间的关系。由于三维图形的分形维数需要大于2,调整取点个数。当取图8所示加粗线段组成的三个点计算斜率时,得到分形维数为2.1383。所述平均曲率的确定方式为:令P是曲面S上一点,考虑S上过点P的所有曲线Ci,每条这样的Ci在P点有一个伴随的曲率Ki,而在这些曲率Ki中至少有一个极大值K1与极小值K2,则K1、K2被称为曲面S在点P处的主曲率。那么,曲面S在点P处的平均曲率记为因此,根据曲面S在不同点处的平均曲率,采用平均法可以获知曲面S的平均曲率的均值,也就是左心耳三维模型的平均曲率的均值。
本发明实施例中提供的分形维数计算应用于左心耳复杂度的确定是一种将分形几何理论应用于表征左心耳三维结构复杂性和不规则性的方法,可定量描述分形自相似性程度大小的参数。该方法能够通过分形几何理论定量表征医学模型的复杂程度即能够给出模型复杂度的量化数值,不同于模型形态的分类方式,提高了模型复杂程度表征的准确性和可靠性。
此外,该方法可利用左心耳的分形维数和平均曲率的均值指导临床进行血栓形成高危人群的筛查。在一可选的实施例中,所述方法还包括:基于所述分形维数和所述平均曲率的均值进行左心耳血栓生成高危人群的筛查。
具体地,基于设置的血栓概率高筛查准则对所述左心耳对应的分形维数和平均曲率的均值进行分析,判断所述左心耳对应的分形维数和平均曲率的均值是否满足所述血栓概率高筛查准则,从而指导临床进行血栓形成高危人群的筛查。图9为分形维数和平均曲率的均值之间的关系示意图,是通过对大量血栓形成高危人群以及非血栓形成高危人群的实验数据进行分析获得的。其中,“+”表示未患血栓,“o”表示患血栓,可以获知当左心耳指标满足分形维数大于2.4,平均曲率的均值小于0.3的曲线范围时,被认为是血栓形成高危人群。当对图10所示的左心耳三维模型进行分析计算后,得出对应的分形维数为2.5605,平均曲率的均值为0.064,该左心耳三维模型的分形维数和平均曲率的均值如图9中实心三角形所在位置所示,符合上述曲线范围中血栓形成高危人群的要求,认为是血栓形成高危人群。
综上,上述实施例所示的血栓形成高危人群筛查技术为:通过将左心耳的分形维数和平均曲率的均值与设置的血栓概率高筛查准则进行比较,从而进行血栓高危人群筛查。
如图11所示,为本发明一具体实施例提供的左心耳复杂度的确定方法,包括:
步骤S301:读入医学影像CT数据;
在实际应用中,步骤S301具体包括:读取医学影像DICOM文件,获取左心耳的二维CT数据。
步骤S302:基于左心耳CT数据进行左心耳三维模型重建;
在实际应用中,步骤S302具体包括:基于所述左心耳CT数据进行左心耳三维模型重建,得到左心耳三维模型。这里,在模型重建过程中对左心耳三维模型结构进行坐标变换,使得左心耳三维模型整体落在第一象限。同时,求解左心耳三维模型的对应边界,以便于后续计算。
步骤S303:基于所述左心耳三维模型求解分形维数和高斯曲率的均值;
在实际应用中,步骤S303具体包括:基于所述左心耳三维模型的对应边界,求解分形维数,得到左心耳三维模型的分形维数数值。所述求解分形维数的过程如上述实施例所示,在此不再进行赘述。所述高斯曲率的理论依据为:令P是曲面S上一点,考虑S上过点P的所有曲线Ci,每条这样的Ci在P点有一个伴随的曲率Ki,而在这些曲率Ki中至少有一个极大值K1与极小值K2,则K1、K2被称为曲面S在点P处的主曲率。那么,曲面S在点P处的高斯曲率记为K=K1×K2。因此,根据曲面S在不同点处的高斯曲率,采用平均法可以获知曲面S的高斯曲率的均值,也就是左心耳三维模型的高斯曲率的均值。
该方法可利用左心耳的分形维数和高斯曲率的均值指导临床进行血栓形成高危人群的筛查。在一可选的实施例中,所述方法还包括:基于所述分形维数和所述高斯曲率的均值进行左心耳血栓生成高危人群的筛查。
具体地,基于设置的血栓概率高筛查准则对所述左心耳对应的分形维数和高斯曲率的均值进行分析,判断所述左心耳对应的分形维数和平均曲率的均值是否满足所述血栓概率高筛查准则,从而指导临床进行血栓形成高危人群的筛查。图12为分形维数和高斯曲率的均值之间的关系示意图,是通过对大量血栓形成高危人群以及非血栓形成高危人群的实验数据进行分析获得的。其中,“+”表示未患血栓,“o”表示患血栓。可以获知当左心耳指标满足不在分形维数小于2.4,高斯曲率的均值区间为-1至1的曲线范围时,被认为是血栓形成高危人群。当对图13所示的左心耳三维模型进行分析计算后,得出对应的分形维数为2.3061,高斯曲率的均值为-0.0039,该左心耳三维模型的分形维数和高斯曲率的均值如图12中实心三角形所在位置所示,在上述曲线范围内,认为不是血栓形成高危人群。后证实此左心耳中未发现血栓。上述实施例所示的血栓形成高危人群筛查技术为:通过将左心耳的分形维数和高斯曲率的均值与设置的血栓概率高筛查准则进行比较,从而进行血栓高危人群筛查。
本发明实施例中左心耳复杂度的表征方式区别于现有技术中对左心耳三维模型形态的直观分类,本发明实施例中采用分形维数进行左心耳形态学复杂度的分析,用于量化左心耳边界的复杂度,并采用特征曲率的分析来辅助表征左心耳三维模型的几何特性。因此,本发明实施例提供的表征左心耳三维模型复杂度的指标包括:分形维数、特征曲率的均值和方差以及描述长度的均值和方差。此外,制定了血栓形成高危人群筛查的定量化准则,所述血栓形成高危人群筛查的定量化准则可以是根据平均曲率的均值、平均曲率的方差、高斯曲率的均值、高斯曲率的方差、描述长度的均值和描述长度的方差中的任意一种指标以及分形维数确定的。
综上,上述实施例中,以左心耳三维模型为基础,求解左心耳三维模型的分形维数,并引入微分几何中的特征曲率后,通过求解特征曲率的均值、方差以及描述长度的均值与方差等获取对左心耳三维模型的几何特性的表征指标,从而达到量化表征左心耳复杂度和左心耳血栓形成高危人群筛查的目的。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本发明的保护范围之内。
Claims (8)
1.一种左心耳复杂度的确定装置,其特征在于,包括:
获取模块,用于获取对左心耳进行电子计算机断层扫描所获得的图像数据;
模型构建模块,用于基于所述图像数据进行三维模型重建,获得左心耳三维模型;
处理模块,用于对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数;其中,所述处理模块,还用于基于所述左心耳三维模型的对应边界对所述左心耳三维模型进行几何特性分析,获取用于表征左心耳轮廓复杂度的描述长度的均值和/或方差、或者特征曲率的均值和/或方差;
确定模块,用于确定特征曲率的均值、特征曲率的方差、描述长度的均值和描述长度的方差中的任意一种表征左心耳轮廓复杂度的指标以及所述分形维数对应满足设置条件时,判定所述左心耳属于设置的目标类别。
2.根据权利要求1所述的装置,其特征在于,所述装置还包括坐标变换模块,用于确定需要对所述左心耳三维模型进行坐标变换时,根据设置的坐标变换操作对所述左心耳三维模型进行坐标变换,控制坐标变换后的所述左心耳三维模型位于设置象限内。
3.根据权利要求1或2所述的装置,其特征在于,所述确定模块,用于根据所述左心耳三维模型确定所述左心耳三维模型的对应边界;
所述处理模块,具体用于:采用设定边长的正方体对所述左心耳三维模型的对应边界进行覆盖,确定所需的所述正方体的数量;以及,根据所述设定边长以及所述数量确定用于表征左心耳结构复杂度的分形维数。
4.一种左心耳复杂度的确定方法,其特征在于,所述方法包括:
获取对左心耳进行电子计算机断层扫描所获得的图像数据;
基于所述图像数据进行三维模型重建,获得左心耳三维模型;
对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数;
确定特征曲率的均值、特征曲率的方差、描述长度的均值和描述长度的方差中的任意一种表征左心耳轮廓复杂度的指标以及所述分形维数对应满足设置条件时,判定所述左心耳属于设置的目标类别;
其中,所述对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数之后,还包括:
基于所述左心耳三维模型的对应边界对所述左心耳三维模型进行几何特性分析,获取用于表征左心耳轮廓复杂度的描述长度的均值和/或方差、或者特征曲率的均值和/或方差。
5.根据权利要求4所述的方法,其特征在于,所述基于所述图像数据进行三维模型重建,获得左心耳三维模型之后,还包括:
确定需要对所述左心耳三维模型进行坐标变换时,根据设置的坐标变换操作对所述左心耳三维模型进行坐标变换,控制坐标变换后的所述左心耳三维模型位于设置象限内。
6.根据权利要求4或5所述的方法,其特征在于,所述对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数之前,还包括:
根据所述左心耳三维模型确定所述左心耳三维模型的对应边界;
所述对所述左心耳三维模型进行分形维数的分析,获取用于表征左心耳结构复杂度的分形维数,包括:
采用设定边长的正方体对所述左心耳三维模型的对应边界进行覆盖,确定所需的所述正方体的数量;
根据所述设定边长以及所述正方体的数量确定用于表征左心耳结构复杂度的分形维数。
7.一种左心耳复杂度的确定装置,其特征在于,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,
其中,所述处理器用于运行所述计算机程序时,实现权利要求4至6任一项所述左心耳复杂度的确定方法。
8.一种计算机存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求4至6任一项所述左心耳复杂度的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811261668.6A CN109493949B (zh) | 2018-10-26 | 2018-10-26 | 一种左心耳复杂度的确定方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811261668.6A CN109493949B (zh) | 2018-10-26 | 2018-10-26 | 一种左心耳复杂度的确定方法、装置及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109493949A CN109493949A (zh) | 2019-03-19 |
CN109493949B true CN109493949B (zh) | 2021-08-10 |
Family
ID=65692725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811261668.6A Active CN109493949B (zh) | 2018-10-26 | 2018-10-26 | 一种左心耳复杂度的确定方法、装置及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109493949B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175984B (zh) * | 2019-04-17 | 2021-09-14 | 杭州晟视科技有限公司 | 一种模型的分离方法、装置、终端和计算机存储介质 |
CN112244883B (zh) * | 2020-09-10 | 2021-09-07 | 北京思创贯宇科技开发有限公司 | 基于ct图像提取左心耳数据参数的方法及*** |
CN112862827B (zh) * | 2021-04-26 | 2021-07-16 | 杭州晟视科技有限公司 | 一种左心耳的开口参数确定方法、装置、终端及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1833257A (zh) * | 2003-07-09 | 2006-09-13 | 仁爱米拉索莱有限公司 | 用于分析生物组织的方法和设备 |
CN101390129A (zh) * | 2006-02-28 | 2009-03-18 | 仁爱米拉索莱有限公司 | 用于分析对象聚群的方法和设备 |
CN101530313A (zh) * | 2008-03-10 | 2009-09-16 | 富士胶片株式会社 | 内窥镜检查***和用于该内窥镜检查***的方法 |
CN104573198A (zh) * | 2014-12-23 | 2015-04-29 | 长江大学 | 基于随机分形理论的数字岩心及孔隙网络模型重构方法 |
CN104657598A (zh) * | 2015-01-29 | 2015-05-27 | 中国人民解放军第三军医大学第一附属医院 | 一种组织微血管分形维数的计算方法 |
CN104933756A (zh) * | 2014-03-21 | 2015-09-23 | 北京冠生云医疗技术有限公司 | 三维冠状动脉分析模型的构建方法和*** |
-
2018
- 2018-10-26 CN CN201811261668.6A patent/CN109493949B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1833257A (zh) * | 2003-07-09 | 2006-09-13 | 仁爱米拉索莱有限公司 | 用于分析生物组织的方法和设备 |
CN101390129A (zh) * | 2006-02-28 | 2009-03-18 | 仁爱米拉索莱有限公司 | 用于分析对象聚群的方法和设备 |
CN101530313A (zh) * | 2008-03-10 | 2009-09-16 | 富士胶片株式会社 | 内窥镜检查***和用于该内窥镜检查***的方法 |
CN104933756A (zh) * | 2014-03-21 | 2015-09-23 | 北京冠生云医疗技术有限公司 | 三维冠状动脉分析模型的构建方法和*** |
CN104573198A (zh) * | 2014-12-23 | 2015-04-29 | 长江大学 | 基于随机分形理论的数字岩心及孔隙网络模型重构方法 |
CN104657598A (zh) * | 2015-01-29 | 2015-05-27 | 中国人民解放军第三军医大学第一附属医院 | 一种组织微血管分形维数的计算方法 |
Non-Patent Citations (1)
Title |
---|
杭州诞生我国首个3D打印人体器官:左心耳模型;3D虎;《http://www.3dhoo.com/news/guonei/10868_1.html》;20141202;全网页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109493949A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493949B (zh) | 一种左心耳复杂度的确定方法、装置及计算机存储介质 | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及*** | |
US20050201598A1 (en) | Computation of a geometric parameter of a cardiac chamber from a cardiac tomography data set | |
Hammouda et al. | A new framework for performing cardiac strain analysis from cine MRI imaging in mice | |
CN111340827A (zh) | 一种肺部ct影像数据处理分析方法及*** | |
WO2021179484A1 (zh) | 多标签多示例的图像检测方法、装置、设备及存储介质 | |
EP3971830B1 (en) | Pneumonia sign segmentation method and apparatus, medium and electronic device | |
AU2019334755A1 (en) | Determination of a growth rate of an object in 3D data sets using deep learning | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
WO2015078980A2 (en) | Method and system for determining the prognosis of a patient suffering from pulmonary embolism | |
Zhai et al. | Automatic quantitative analysis of pulmonary vascular morphology in CT images | |
CN115375583A (zh) | 一种pet参数图像的增强方法、装置、设备及存储介质 | |
CN115018863A (zh) | 基于深度学习的图像分割方法及装置 | |
CN111260636A (zh) | 模型训练方法及设备、图像处理方法及设备以及介质 | |
CN113192031A (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
CN112750110A (zh) | 基于神经网络对肺部病灶区进行评估的评估***和相关产品 | |
CN112651960A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN111528918A (zh) | 消融术后肿瘤体积变化趋势图生成装置、设备及存储介质 | |
CN114419135B (zh) | 胰腺标志物尺寸量化方法、装置、终端及可读存储介质 | |
CN112381822B (zh) | 一种用于处理肺部病灶区图像的方法和相关产品 | |
CN112633405A (zh) | 模型训练方法、医学影像分析方法及装置、设备、介质 | |
CN114266848A (zh) | 医学图像三维重建方法和装置 | |
CN111598878A (zh) | 用于电阻抗成像的图像空间分辨能力的确定方法及装置 | |
CN111915556B (zh) | 一种基于双分支网络的ct图像病变检测方法、***、终端及存储介质 | |
Wu et al. | Artificial neural network: border detection in echocardiography |
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 |