CN110163876B - 基于多特征融合的左心室分割方法、***、设备及介质 - Google Patents
基于多特征融合的左心室分割方法、***、设备及介质 Download PDFInfo
- Publication number
- CN110163876B CN110163876B CN201910439901.3A CN201910439901A CN110163876B CN 110163876 B CN110163876 B CN 110163876B CN 201910439901 A CN201910439901 A CN 201910439901A CN 110163876 B CN110163876 B CN 110163876B
- Authority
- CN
- China
- Prior art keywords
- left ventricle
- extraction module
- feature
- feature extraction
- segmentation
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了基于多特征融合的左心室分割方法、***、设备及介质,包括:输入待分割的心脏核磁共振图像;将待分割的心脏核磁共振图像,输入到预先训练好的基于多特征融合左心室分割模型中,输出左心室分割结果。基于多特征融合左心室分割模型,包括:并列的第一特征提取模块、第二特征提取模块和第三特征提取模块;对第一特征提取模块、第二特征提取模块和第三特征提取模块的输出值进行特征融合,对融合之后的特征输入到卷积层中,得到分割结果。
Description
技术领域
本公开涉及医学图像处理技术领域,特别是涉及基于多特征融合的左心室分割方法、***、设备及介质。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术,并不必然构成现有技术。
在实现本公开的过程中,发明人发现现有技术中存在以下技术问题:
现有的左心室评价方法包括:(1)左心室分割方法和(2)左心室量化方法。
(1)左心室分割方法。心肌的边界可以作为放射科医生的视觉辅助。虽然准确的心肌分割可以得到详细的定量分析,但左心室量化结果还需要额外的计算,因此造成不必要的错误和额外的工作。例如,研究人员需考虑心肌强度、心肌活动轮廓和像素分类的差异。同时,先验信息如左心室的圆形几何的应用,也被用来进行左心室分割。
(2)左心室量化方法。这些方法可以提供心脏指数,以帮助医生在缺失心肌边界情况下判定心脏状况。尽管它可以帮助放射科医生进行详细的定量分析,如心脏射血分数估计、体积估计和全左心室量化分析,但边界的缺失使放射科医生缺少了视觉辅助。
发明内容
为了解决现有技术的不足,本公开提供了基于多特征融合的左心室分割方法、***、设备及介质;
第一方面,本公开提供了基于多特征融合的左心室分割方法;
基于多特征融合的左心室分割方法,包括:
S1:输入待分割的心脏核磁共振图像;
S2:将待分割的心脏核磁共振图像,输入到预先训练好的基于多特征融合左心室分割模型中,输出左心室分割结果。
第二方面,本公开还提供了基于多特征融合的左心室分割***;
基于多特征融合的左心室分割***,包括:
输入模块,其被配置为输入待分割的心脏核磁共振图像;
分割模块,其被配置为将待分割的心脏核磁共振图像,输入到预先训练好的基于多特征融合左心室分割模型中,输出左心室分割结果。
第三方面,本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述方法的步骤。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述方法的步骤。
与现有技术相比,本公开的有益效果是:
1、基于多特征融合的左心室分割方法为同时分割和评估左心室提供了一种新的多任务集成深度学习模型,在心脏病的临床实践、早期诊断和随访管理中具有重要意义。
2、基于多特征融合的左心室分割方法采用集成深度学习的方法,首次将个体网络的优势整合到同时分割中。
3、基于多特征融合的左心室分割方法使用三种不同的特征提取模块,具有良好的多样性,可以获得更好的集成学习性能。其准确性和实用性均优于现有的诊断方法,在临床诊断中具有很大潜力。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本公开基于多特征融合的左心室分割方法流程图;
图2(a)、图2(b)、图2(c)、图2(d)和图2(e)为心脏图像短轴视图的索引说明图;
图3为同时分割和量化左心室的CLV模型示意图;
图4为第一特征提取模块示意图;
图5为第二特征提取模块示意图;
图6为第三特征提取模块示意图;
图7为卷积层-全连接层示意图。
图8展示了利用本实施例以及其他两种方法配准结果图比较结果。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一,本实施例提供了基于多特征融合的左心室分割方法;
如图1所示,基于多特征融合的左心室分割方法,包括:
S1:输入待分割的心脏核磁共振图像;
S2:将待分割的心脏核磁共振图像,输入到预先训练好的基于多特征融合左心室分割模型中,输出左心室分割结果。
如图3所述,作为一个或多个实施例,基于多特征融合左心室分割模型,包括:
并列的第一特征提取模块、第二特征提取模块和第三特征提取模块;
对第一特征提取模块、第二特征提取模块和第三特征提取模块的输出值进行特征融合,对融合之后的特征输入到卷积层中,得到分割结果。
作为一个或多个实施例,所述第一特征提取模块,包括:串联的区域建议网络和卷积神经网络Mask R-CNN;所述区域建议网络对输入的待分割的心脏核磁共振图像进行处理,获得感兴趣区域ROI(region of interest),所述卷积神经网络Mask R-CNN对感兴趣区域进行处理,得到灰度特征向量。
作为一个或多个实施例,所述第二特征提取模块,包括:串联的卷积神经网络CNN和长短时记忆网络(long short-term memory,LSTM);所述卷积神经网络CNN对输入的待分割的心脏核磁共振图像进行处理,获得图像随时间变化的时间序列特征;所述长短时记忆网络LSTM对时间序列特征进行处理得到时间特征向量。
作为一个或多个实施例,所述第三特征提取模块,包括:U-net卷积神经网络,所述U-net卷积神经网络对输入的待分割的心脏核磁共振图像进行处理,获得图像上下文特征向量。
作为一个或多个实施例,所述灰度特征向量、时间特征向量和图像上下文特征向量,同时输入到一个卷积层进行归一化处理,将归一化处理后的结果进行特征融合,将融合之后的特征向量输入到全连接层,得到左心室的量化结果,将融合之后的特征向量输入到卷积层,得到左心室分割后的结果。
作为一个或多个实施例,基于多特征融合左心室分割模型的训练步骤,包括:
构建训练集,所述训练集,包括:若干个心脏核磁共振图像和医学影像专家手动标注的心脏核磁共振图像上心脏左心室的边界框像素点坐标集合;
将训练集输入到基于多特征融合左心室分割模型中,对模型进行训练,当模型中第一特征提取模块、第二特征提取模块和第三特征提取模块的损失函数均达到最小值时,停止训练,得到训练好的模型。
应理解的,U-net卷积神经网络,通过收缩路径来捕捉图片中有关左心室的上下文信息,通过扩展路径对图片中分割出来的左心室各部分进行精准定位。最终得到左心室分割和定量结果。
应理解的,第一特征提取模块采用Mask R-CNN进行心脏特征提取和图像分割。如图4所示,Mask R-CNN包括两个阶段:
第一阶段,利用区域建议网络提取候选对象边界框,获得感兴趣区域(RoI)。
第二阶段,RoI Align使用双线性插值来计算每个RoI单元中四个定期采样位置的输入特征的精确值,避免任何RoI边界的量化,将提取的特性与输入图片像素准确对齐。因此利用RoI Align从每个候选框中提取特征,然后基于Faster R-CNN进行分类和边界框回归,利用全卷积网络(FCN)为每个RoI进行像素级的二分类,输出其二进制掩码。
每个RoI上的多任务损失函数定义如下:
LLVS=Lcls+Lbox+Lmask
损失函数由三部分组成:由Faster R-CNN定义的分类损失Lcls和边界框损失Lbox,掩模损失Lmask是二进制交叉熵的平均损耗。
应理解的,如图5所示,第二特征提取模块是一种基于卷积神经网络的左心室壁厚定量分析网络。考虑心脏区域随时间而产生的形变,采用长短时记忆(long short-termmemory,LSTM)提取心脏区域形变的时间特征。
网络包含两步:特征提取和定量分析。
首先,CNN用于心脏核磁共振(MR)图像序列的特征提取。
考虑到心脏MR图像序列中左心室的时间变形,以及对高精度的要求,采用LSTM对时间变形进行建模,提取心脏区域形变的时间特征。
最后通过反卷积生成分割和量化结果,得到衡量左心室的八个指标,分别是左心室面积、六处区域壁厚(上侧,左上侧,右上侧,左下侧,右下侧,下侧)和左心室直径。
第二特征提取模块的损失函数如下:
其中,t表示左心室量化指标(区域、直径、壁厚),s表示心脏MR图像的一个序列,f是一个心动周期的帧数。
如图6所示,第三特征提取模块是一个多任务网络,用于同时分割和量化LV。第三特征提取模块使用的是U-net,其中多通道特性用于将上下文信息传播到用于多任务处理的更高分辨率的层。
U-net可以分为左右两部分。左边的网络是收缩路径:每两个卷积层后跟一个最大池化层,并且每个卷积层后面采用ReLU激活函数来对原始左心室图片进行下采样,每一次下采样增加一倍通道数。右边的网络是扩张路径:它通过反卷积对特征图进行上采样产生新的特征图,同时将特征通道的数量减半。为最大程度的保留前面下采样过程一些重要的特征信息,上采样过程中新的特征图会与收缩路径上提取出来的高像素特征进行结合,
然后,最后一层用1x1卷积进行左心室图像分割。此外,一个全连接层用于左心室参数的量化。初步完成左心室分割和量化。
第三特征提取模块的损失函数为:
首先,网络体系结构,如图7所示。首先,利用三个独立网络的多样性特征作为输入。使用三个卷积层来获得相同大小的表示,合并特性获得特征图。最后分别采用全连接层进行左心室量化,采用1x1卷积层进行左心室图像分割。
损失函数:
对放射科医师来说很有必要,因为它可以通过心肌边界的视觉辅助和左心室的详细定量分析为分析左心室提供一个可理解的结果。图2(a)、图2(b)、图2(c)、图2(d)和图2(e)为心脏图像短轴视图的索引说明图;这一结果包括一系列心脏指标:心肌的边界、八个左心室量化指标:左心室面积、六处区域壁厚(上侧,左上侧,右上侧,左下侧,右下侧,下侧)和左心室直径。左心室的分割与量化密切相关,因为左心室的量化指标可以通过左心室的分割结果来估计。本方法是用集成深度学习来实现,因为集成学习可以将不同的弱学习方法集成到同一个任务中,从而获得更好的学习效果,在许多领域得到了广泛的应用。它可以利用左心室分割方法和量化方法的优点,对左心室进行全面准确的评价。
如图8所示,为整个分割模型对单个特征提取模块的效果比对。
基于多特征融合的左心室分割方法与已有的左心室评价方法相比,提供了更为全面的心脏信息和临床意义。
该方法包括一个易于理解的左心室分割(comprehensible LV evaluationmodel,CLV模型)。该模型包括针对多个不同任务设计的第一特征提取模块)、第二特征提取模块和第三特征提取模块,以及由这三个单独的深度学习网络集成的卷积层-全连接层。因为集成学习高精度的前提条件是每个学习者具有较高的多样性和合理的准确性,所以针对不同任务设计不同的个体网络,网络集成后可以保证同时进行左心室的分割和评估,并得到较为准确的结果。
实施例二,本实施例还提供了基于多特征融合的左心室分割***;
基于多特征融合的左心室分割***,包括:
输入模块,其被配置为输入待分割的心脏核磁共振图像;
分割模块,其被配置为将待分割的心脏核磁共振图像,输入到预先训练好的基于多特征融合左心室分割模型中,输出左心室分割结果。
实施例三,本实施例还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成方法中的各个操作,为了简洁,在此不再赘述。
所述电子设备可以是移动终端以及非移动终端,非移动终端包括台式计算机,移动终端包括智能手机(Smart Phone,如Android手机、IOS手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。
应理解,在本公开中,该处理器可以是中央处理单元CPU,该处理器还算可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能的划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外一点,所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (6)
1.基于多特征融合的左心室分割方法,其特征是,包括:
输入待分割的心脏核磁共振图像;
将待分割的心脏核磁共振图像,输入到预先训练好的基于多特征融合左心室分割模型中,输出左心室分割结果;
利用三个独立网络的多样性特征作为输入,使用三个卷积层来获得相同大小的表示,合并特性获得特征图;最后分别采用全连接层进行左心室量化,采用1x1卷积层进行左心室图像分割;通过集成深度学习,可以将不同的弱学习方法集成到同一个任务中,利用左心室分割方法和量化方法的优点,对左心室进行全面准确的评价;
灰度特征向量、时间特征向量和图像上下文特征向量,同时输入到一个卷积层进行归一化处理,将归一化处理后的结果进行特征融合后输入到全连接层,得到左心室的量化结果,将融合之后的特征向量输入到卷积层,得到左心室分割后的结果;
基于多特征融合左心室分割模型,包括:
并列的第一特征提取模块、第二特征提取模块和第三特征提取模块;
对第一特征提取模块、第二特征提取模块和第三特征提取模块的输出值进行特征融合,对融合之后的特征输入到卷积层中,得到分割结果;
所述第一特征提取模块,包括:串联的区域建议网络和卷积神经网络Mask R-CNN;所述区域建议网络对输入的待分割的心脏核磁共振图像进行处理,获得感兴趣区域ROI,所述卷积神经网络Mask R-CNN对感兴趣区域进行处理,得到灰度特征向量;
所述第二特征提取模块,包括:串联的卷积神经网络CNN和长短时记忆网络LSTM;所述卷积神经网络CNN对输入的待分割的心脏核磁共振图像进行处理,获得图像随时间变化的时间序列特征;所述长短时记忆网络LSTM对时间序列特征进行处理得到时间特征向量;
所述第三特征提取模块,包括:U-net卷积神经网络,所述U-net卷积神经网络对输入的待分割的心脏核磁共振图像进行处理,获得图像上下文特征向量。
2.如权利要求1所述的方法,其特征是,所述灰度特征向量、时间特征向量和图像上下文特征向量,同时输入到一个卷积层进行归一化处理,将归一化处理后的结果进行特征融合,将融合之后的特征向量输入到全连接层,得到左心室的量化结果,将融合之后的特征向量输入到卷积层,得到左心室分割后的结果。
3.如权利要求2所述的方法,其特征是,基于多特征融合左心室分割模型的训练步骤,包括:
构建训练集,所述训练集,包括:若干个心脏核磁共振图像和医学影像专家手动标注的心脏核磁共振图像上心脏左心室的边界框像素点坐标集合;
将训练集输入到基于多特征融合左心室分割模型中,对模型进行训练,当模型中第一特征提取模块、第二特征提取模块和第三特征提取模块的损失函数均达到最小值时,停止训练,得到训练好的模型。
4.基于多特征融合的左心室分割***,其特征是,包括:
输入模块,其被配置为输入待分割的心脏核磁共振图像;
分割模块,其被配置为将待分割的心脏核磁共振图像,输入到预先训练好的基于多特征融合左心室分割模型中,输出左心室分割结果;
具体包括:利用三个独立网络的多样性特征作为输入,使用三个卷积层来获得相同大小的表示,合并特性获得特征图;最后分别采用全连接层进行左心室量化,采用1x1卷积层进行左心室图像分割;通过集成深度学习,可以将不同的弱学习方法集成到同一个任务中,利用左心室分割方法和量化方法的优点,对左心室进行全面准确的评价;
灰度特征向量、时间特征向量和图像上下文特征向量,同时输入到一个卷积层进行归一化处理,将归一化处理后的结果进行特征融合后输入到全连接层,得到左心室的量化结果,将融合之后的特征向量输入到卷积层,得到左心室分割后的结果;
基于多特征融合左心室分割模型,包括:
并列的第一特征提取模块、第二特征提取模块和第三特征提取模块;
对第一特征提取模块、第二特征提取模块和第三特征提取模块的输出值进行特征融合,对融合之后的特征输入到卷积层中,得到分割结果;
所述第一特征提取模块,包括:串联的区域建议网络和卷积神经网络Mask R-CNN;所述区域建议网络对输入的待分割的心脏核磁共振图像进行处理,获得感兴趣区域ROI,所述卷积神经网络Mask R-CNN对感兴趣区域进行处理,得到灰度特征向量;
所述第二特征提取模块,包括:串联的卷积神经网络CNN和长短时记忆网络LSTM;所述卷积神经网络CNN对输入的待分割的心脏核磁共振图像进行处理,获得图像随时间变化的时间序列特征;所述长短时记忆网络LSTM对时间序列特征进行处理得到时间特征向量;
所述第三特征提取模块,包括:U-net卷积神经网络,所述U-net卷积神经网络对输入的待分割的心脏核磁共振图像进行处理,获得图像上下文特征向量。
5.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-3任一项方法所述的步骤。
6.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-3任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910439901.3A CN110163876B (zh) | 2019-05-24 | 2019-05-24 | 基于多特征融合的左心室分割方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910439901.3A CN110163876B (zh) | 2019-05-24 | 2019-05-24 | 基于多特征融合的左心室分割方法、***、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163876A CN110163876A (zh) | 2019-08-23 |
CN110163876B true CN110163876B (zh) | 2021-08-17 |
Family
ID=67632561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910439901.3A Active CN110163876B (zh) | 2019-05-24 | 2019-05-24 | 基于多特征融合的左心室分割方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163876B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619639A (zh) * | 2019-08-26 | 2019-12-27 | 苏州同调医学科技有限公司 | 一种结合深度神经网络和概率图模型分割放疗影像的方法 |
CN110570416B (zh) * | 2019-09-12 | 2020-06-30 | 杭州海睿博研科技有限公司 | 多模态心脏图像的可视化和3d打印的方法 |
CN110731777B (zh) * | 2019-09-16 | 2023-07-25 | 平安科技(深圳)有限公司 | 基于图像识别的左心室测量方法、装置以及计算机设备 |
CN111144486B (zh) * | 2019-12-27 | 2022-06-10 | 电子科技大学 | 基于卷积神经网络的心脏核磁共振图像关键点检测方法 |
CN111368899B (zh) * | 2020-02-28 | 2023-07-25 | 中国人民解放军南部战区总医院 | 一种基于递归聚合深度学习分割超声心动图的方法和*** |
CN111609787B (zh) * | 2020-05-28 | 2021-10-01 | 杭州电子科技大学 | 基于神经网络解决电磁逆散射问题的两步无相位成像法 |
CN111652954B (zh) * | 2020-07-01 | 2023-09-05 | 杭州脉流科技有限公司 | 一种基于左心室分割图片的左心室容积自动计算方法、装置、计算机设备以及存储介质 |
CN111932550B (zh) * | 2020-07-01 | 2021-04-30 | 浙江大学 | 一种基于深度学习的3d心室核磁共振视频分割*** |
CN112259227B (zh) * | 2020-10-29 | 2021-08-27 | 中国医学科学院北京协和医院 | 一种评估sle病人心肌受累的量化指标的计算方法和*** |
CN112734770B (zh) * | 2021-01-06 | 2022-11-25 | 中国人民解放军陆军军医大学第二附属医院 | 一种基于多层级联的心脏核磁影像多序列融合分割方法 |
CN112766377B (zh) * | 2021-01-20 | 2021-10-08 | 中国人民解放军总医院 | 左心室磁共振影像智能分类方法、装置、设备和介质 |
CN112508949B (zh) * | 2021-02-01 | 2021-05-11 | 之江实验室 | 一种spect三维重建图像左心室自动分割的方法 |
CN113744287B (zh) * | 2021-10-13 | 2022-08-23 | 推想医疗科技股份有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107403430A (zh) * | 2017-06-15 | 2017-11-28 | 中山大学 | 一种rgbd图像语义分割方法 |
CN108509880A (zh) * | 2018-03-21 | 2018-09-07 | 南京邮电大学 | 一种视频人物行为语义识别方法 |
CN108830326A (zh) * | 2018-06-21 | 2018-11-16 | 河南工业大学 | 一种mri图像的自动分割方法及装置 |
CN109069100A (zh) * | 2016-11-09 | 2018-12-21 | 深圳市理邦精密仪器股份有限公司 | 超声成像***及其方法 |
CN109690554A (zh) * | 2016-07-21 | 2019-04-26 | 西门子保健有限责任公司 | 用于基于人工智能的医学图像分割的方法和*** |
CN109741331A (zh) * | 2018-12-24 | 2019-05-10 | 北京航空航天大学 | 一种图像前景物体分割方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018029479A1 (en) * | 2016-08-10 | 2018-02-15 | Ucl Business Plc | A method and apparatus for transforming physical measurement data of a biological organ |
CN109785334A (zh) * | 2018-12-17 | 2019-05-21 | 深圳先进技术研究院 | 心脏磁共振图像分割方法、装置、终端设备及存储介质 |
CN109584254B (zh) * | 2019-01-07 | 2022-12-20 | 浙江大学 | 一种基于深层全卷积神经网络的心脏左心室分割方法 |
-
2019
- 2019-05-24 CN CN201910439901.3A patent/CN110163876B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109690554A (zh) * | 2016-07-21 | 2019-04-26 | 西门子保健有限责任公司 | 用于基于人工智能的医学图像分割的方法和*** |
CN109069100A (zh) * | 2016-11-09 | 2018-12-21 | 深圳市理邦精密仪器股份有限公司 | 超声成像***及其方法 |
CN107403430A (zh) * | 2017-06-15 | 2017-11-28 | 中山大学 | 一种rgbd图像语义分割方法 |
CN108509880A (zh) * | 2018-03-21 | 2018-09-07 | 南京邮电大学 | 一种视频人物行为语义识别方法 |
CN108830326A (zh) * | 2018-06-21 | 2018-11-16 | 河南工业大学 | 一种mri图像的自动分割方法及装置 |
CN109741331A (zh) * | 2018-12-24 | 2019-05-10 | 北京航空航天大学 | 一种图像前景物体分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110163876A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163876B (zh) | 基于多特征融合的左心室分割方法、***、设备及介质 | |
CN110120047B (zh) | 图像分割模型训练方法、图像分割方法、装置、设备及介质 | |
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
WO2023070447A1 (zh) | 模型训练方法、图像处理方法、计算处理设备及非瞬态计算机可读介质 | |
CN110838108A (zh) | 基于医疗图像的预测模型构建方法、预测方法及装置 | |
CN112053363B (zh) | 视网膜血管分割方法、装置及模型构建方法 | |
CN112602114A (zh) | 图像处理方法及装置、神经网络及训练方法、存储介质 | |
CN113935943A (zh) | 颅内动脉瘤识别检测的方法、装置、计算机设备和存储介质 | |
CN115809998A (zh) | 基于E2C-Transformer网络的胶质瘤MRI数据分割方法 | |
Altameem et al. | Improvement of automatic glioma brain tumor detection using deep convolutional neural networks | |
CN115482221A (zh) | 一种病理图像的端到端弱监督语义分割标注方法 | |
Ayas et al. | Microscopic image super resolution using deep convolutional neural networks | |
Sarasua et al. | Geometric deep learning on anatomical meshes for the prediction of Alzheimer’s disease | |
Wu et al. | Continuous refinement-based digital pathology image assistance scheme in medical decision-making systems | |
CN116468702A (zh) | 黄褐斑评估方法、装置、电子设备及计算机可读存储介质 | |
CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
Abdel-Nasser et al. | Channel-wise Aggregation with Self-correction Mechanism for Multi-center Multi-Organ Nuclei Segmentation in Whole Slide Imaging. | |
Goceri | Nuclei segmentation using attention aware and adversarial networks | |
CN114140381A (zh) | 一种基于MDP-net的玻璃体混浊分级筛查方法及装置 | |
CN110634119B (zh) | 分割磁敏感加权图像中静脉血管的方法、装置和计算设备 | |
Chaddad et al. | Real-time abnormal cell detection using a deformable snake model | |
Shahzad et al. | Semantic segmentation of anaemic RBCs using multilevel deep convolutional encoder-decoder network | |
CN112258564A (zh) | 生成融合特征集合的方法及装置 | |
CN111062935A (zh) | 一种乳腺肿瘤检测方法、存储介质及终端设备 |
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 |