CN110751629A - 一种心肌影像分析装置及设备 - Google Patents
一种心肌影像分析装置及设备 Download PDFInfo
- Publication number
- CN110751629A CN110751629A CN201910935649.5A CN201910935649A CN110751629A CN 110751629 A CN110751629 A CN 110751629A CN 201910935649 A CN201910935649 A CN 201910935649A CN 110751629 A CN110751629 A CN 110751629A
- Authority
- CN
- China
- Prior art keywords
- myocardial
- image
- features
- feature
- classifier
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种心肌影像分析装置,包括:影像获取单元,用于获取多模态的心脏影像;特征提取单元,用于提取所述多模态的心脏影像的心肌特征,所述心肌特征包括心肌直方图特征、纹理特征或融合特征中的一种或者多种;分类单元,用于将所述心肌特征作为分类器的输入,得到分类器输出的分类标签,所述分类器为预先经过多模态的心脏影像样本所训练的分类器。可以有效的对肉眼不易观察的心肌特征对医学影像进行分类,有利于根据医学影像做出更好的决策。
Description
技术领域
本申请属于医学人工智能领域,尤其涉及一种心肌影像分析装置及设备。
背景技术
心肌疾病的种类繁多,包括如冠心病、风湿性心脏病、先天性心脏病、心力衰竭以及心肌病。以冠心病为代表的心血管疾病是国民健康的头号杀手。其他心脏疾病的发生也会影响患者的生活质量甚至危及生命。然而,不同心脏疾病的病症并不唯一,往往需要通过血液检查,心电图、心磁图,医学影像等联合分析得出诊断。
在医学影像设备中,心脏磁共振成像无辐射,且拥有很好的软组织对比度,可灵活选择不同对比度的成像序列,观察心脏结构及检测心肌活性。影像医生通过阅读不同序列得到的图像诊断辨别不同的疾病类型。
但是,医学影像除了形态结构、位置、灰度的变化之余,还有大量人肉眼不易观察的信息。医学影像背后的特征往往能达上百个,依靠人体肉眼是难以辨别和分析,不利于根据所述医学影像做出更好的决策。
发明内容
有鉴于此,本申请实施例提供了一种心肌影像分析装置和设备,以解决现有技术中通过影像医生对医学影像进行分析时,难以辨别和分析其中不易观察的信息,不利于根据医学影像做出更好的决策的问题。
本申请实施例的第一方面提供了一种心肌影像分析装置,所述影像分析装置包括:
影像获取单元,用于获取多模态的心脏影像;
特征提取单元,用于提取所述多模态的心脏影像的心肌特征,所述心肌特征包括心肌直方图特征、纹理特征或融合特征中的一种或者多种;
分类单元,用于将所述心肌特征作为分类器的输入,得到分类器输出的分类标签,所述分类器为预先经过多模态的心脏影像样本所训练的分类器。
结合第一方面,在第一方面的第一种可能实现方式中,所述心肌影像分析装置还包括心肌区域提取单元,所述心肌区域提取单元用于对影像数据获取单元所获取的多模态的心脏影像的心肌区域,并将所提取的心肌区域发送至特征提取单元进行多模态的心脏影像的心肌特征提取。
结合第一方面的第一种可能实现方式,在第一方面的第二种可能实现方式中,所述心肌区域提取单元用于当心脏影像为左室短轴位时,根据预先选择的房室间隔的展开***点,对心脏影像进行线性插值展开,得到矩形心肌图像。
结合第一方面,在第一方面的第三种可能实现方式中,所述心肌影像分析装置还包括特征降维单元,用于将特征提取单元所提取的直方图特征、纹理特征和融合特征进行降维处理,将降维后的心肌特征发送至分类单元。
结合第一方面,在第一方面的第四种可能实现方式中,所述影像数据获取单元包括:
磁共振影像采集子单元,用于通过磁共振设备根据扫描方位为左室轴二腔、左室长轴四腔或左室短轴所生成心脏扫描影像序列,和/或,通过磁共振设备对已注射造影剂的待测者所采集的延迟增强图像,和/或,调节磁共振采集设备的成像参数获取的影像。
结合第一方面,在第一方面的第五种可能实现方式中,所述心肌直方图特征包括均值特征、方差特征、峰度特征或高阶中心矩特征中的一项或者多项;
所述纹理特征包括灰度共生矩阵、游程、局部二值模式或Tamura纹理特征中的一种或者多种。
结合第一方面、第一方面的第一种可能实现方式、第一方面的第二种可能实现方式、第一方面的第三种可能实现方式、第一方面的第四种可能实现方式或第一方面的第五种可能实现方式,在第一方面的第六种可能实现方式中,所述特征提取单元包括:
配准子单元,用于将需要融合的心脏影像进行配准或心肌区域展开;
归一化处理子单元,用于将心脏影像中的心肌特征进行归一化处理;
融合子单元,用于根据归一化处理后的心肌特征,以及预先设定的权值,计算心肌影像的融合特征。
结合第一方面,在第一方面的第七种可能实现方式中,所述心肌影像分析装置还包括:
样本影像采集单元,用于获取多模态的心脏样本影像;
样本影像分割单元,用于对所述心脏样本影像进行分割,提取所述心脏样本影像中的心肌区域;
样本特征提取单元,用于根据所述样本影像分割单元所分割的心肌区域提取心肌特征;
样本特征降维单元,用于对所提取的心肌特征进行降维处理得到降维特征;
分类器训练单元,用于将所述样本降维特征和分类标签输入到分类器进行训练,得到训练后的分类器。
本申请实施例的第二方面提供了一种心肌影像分析设备,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,所述计算机程序包括第一方面任一项所述心肌影像分析装置。
本申请实施例的第三方面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,其特征在于,所述计算机程序包括第一方面任一项所述心肌影像分析装置。
本申请实施例与现有技术相比存在的有益效果是:通过影像获取单元获取多模态的心脏影像,并提取其中的心肌特征,包括心肌直方图特征、纹理特征和融合特征,并将所提取的心肌特征作为预先训练的分类器的输入,得到分类器输出的分类标签,从而可以有效的对肉眼不易观察的心肌特征对医学影像进行分类,有利于根据医学影像做出更好的决策。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种心肌影像分析方法的实现流程示意图;
图2是本申请实施例提供的多模态的心肌影像示意图;
图3是本申请实施例提供的一种所确定的心肌区域示意图;
图4-1为本申请实施例提供的心肌内膜和外膜的中线示意图;
图4-2为本申请实施例提供的心肌等分示意图;
图4-3为本申请实施例提供的对每份心肌线性插值示意图;
图5是本申请实施例提供的一种心肌区域展开示意图;
图6是本申请实施例提供的心肌影像分析装置的示意图;
图7是本申请实施例提供的心肌影像分析设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
图1为本申请实施例提供的一种心肌影像分析方法的实现流程示意图,详述如下:
在步骤S101中,获取多模态的心脏影像;
具体的,所述多模态的心脏影像,如图2所示,可以包括磁共振对受试者采集的,采集方向可以为左室长轴二腔、左室长轴四腔或左室短轴,成像范围可以为从心底至心尖部位扫描3至5层。根据所述采集方向,可以通过磁共振设备对受试者进行扫描,得到心脏影像的扫描序列,比如可以包括常规序列如:T1 map,T2p-bSSFP(T2p平衡稳态自由进动序列,如图2d所示),TSE(快速自旋回波序列,如图2a所示),T2w-IR-TSE(T2加权快速反转恢复序列,如图2b所示),T2 map(如图2c所示)等影像,也可以包括其他功能序列如:心脏电影成像序列,CEST(化学位移交换成像),T1rho序列等。或者,还可以给受试者注射一定剂量的造影剂后,通过扫描成像获得对应的延迟增强图像(LGE,如图2d所示),从而得到受试者的完整的心脏磁共振图像序列。另外,本申请还可以通过改变磁共振设备的成像参数,包括如重复时间、激发脉冲、回波时间等,获取更多的对比度影像。
可以理解的,还可以包括其它可用于心脏影像扫描的设备。
在步骤S102中,提取所述多模态的心脏影像的心肌特征,所述心肌特征包括心肌直方图特征、纹理特征或融合特征中的一种或者多种;
优选的一种实施方式中,在对心肌特征进行提取前,还可以包括对心肌影像进行预处理的过程,可以包括提取心肌区域。
可以通过手工描绘、算法分割或者等方式来分割心室的心肌边界。如图3所示,所述心肌边界包括心肌内膜边界(图3中的内圈)和心肌外膜边界(图3中的外圈)。其中的分割算法可以包括滑降区域生长法、图割法、半自动分割算法等。在短轴心肌影像中,所提取的心肌区域为非实心区域的近似环形。在提取空间依赖性相关的特征时,可能会出错。因此,如果心肌影像为短轴位,可以先将分割的心肌区域展开拉伸成矩形:取心肌内膜和外膜边界的中线如图4-1所示,可以选择一个房室间隔作为展开***点,根据预定大小的矩形区域(比如展开为32*384的矩形心肌区域),垂直于中线等间距将心肌分成384份如图4-2所示,对于垂直中线的每份心肌线性插值成32个像素的心肌如图4-3所示,依此将心肌展开成矩形心肌如图5所示。然后可以用MATLAB对该矩形心肌进行162个特征向量的提取。心肌区域展开拉伸成矩形的另一个优势是:当存在多模态数据时,进行心肌区域展开的操作可以省去图像融合或配准的操作。本申请所述的多模态指不同影像设备(CT(电子计算机断层扫描设备),MRI(磁共振成像设备),PET(正电子发射型计算机断层显像设备)等)或不同对比度(T1加权,T2加权等)或不同的功能成像(结构磁共振成像,功能磁共振成像等)。
本申请中,所述心肌特征可以包括心肌直方图特征、纹理特征或融合特征中的一种或者多种。
其中,所述心肌直方图特征可用于描述心肌的体素强度分布有关的特征,可反应所测体素的对称性、均匀性以及局部强度分布变化。这些特征可以通过直方图分析计算得到,可以包括均值、方差、偏度、峰度及高阶中心矩中的一种或者多种,可以不包含它们之间相互的空间作用。
所述纹理特征用于描述心肌体素空间分布强度等级的特征,包括:灰度共生矩阵(GLCM)、游程(RLM)、局部二值模式(LBP)及Tamura纹理特征等。
所述融合特征可以用于融合多模态或不同时间的影像数据。
在获取所述融合特征时,可以先对需要融合特征的影像数据进行心肌配准,或者心肌区域的展开。可以对心肌区域的信号做归一化处理,然后提取每一影像的心肌特征,将所有需要融合特征的心肌特征进行加权融合。比如可以通过G=f(I)处理。其中f为一个函数,对每一个特征进行线性或者非线性加权处理,如将每个影像数据权重视为一致,计算每个特征的影像数据平均值。I表示所有需要融合的心肌特征矩阵,大小可以为m乘n,其中m代表需要融合的影像的个数,n代表特征的个数。G表示融合后的心肌特征,大小可以为1乘n。
另外,还可以包括将特征进行组合的步骤,将未参与融合的特征及融合完毕的特征拼接为一个行向量作为受试者的心肌特征。
在步骤S103中,将所述心肌特征作为分类器的输入,得到分类器输出的分类标签,所述分类器为预先经过多模态的心脏影像样本所训练的分类器。
由于所提取的特征的数据量大,使得计算处理较为复杂,并且多个特征相互之间可能存在多重相关关系,导致把所有数据放在一起处理过分拟合了某些指标,而盲目的删除一些特征又可能导致关键信息的损失,因此需要特征降维,以得到真正有价值的信息。
特征降维的实现方法可以为:根据所用的分类器,优选对应的特征选择方法进行特征降维。例如可以根据变量的稳定程度或相关性制定一个评分标准,对变量进行筛选。另外,可以通过LASSO Cox回归模型、最大相关最小冗余(mRMR)、主成分分析法(PCA)等方法进行特征选择。
将降维处理后的心肌特征作为已训练的分类器的输入,根据预先训练好的分类器对所述心肌特征进行分类,得到所采集的心肌影像所对应的心肌疾病种类。比如可以包括急性心梗,慢性心梗,高血压型心脏病等。
另外,在通过分类器对采集的心肌影像进行分类之前,还可以包括对所述分类器进行训练的过程,可以包括:获取多模态的心脏样本影像,对所述心脏样本影像进行分割,提取所述心脏样本影像中的心肌区域,根据所述心肌区域提取心肌特征,包括如心肌直方图特征、纹理特征和融合特征等。对采集的心肌特征进行降维处理,将降维特征和分类信息组合成一样本,可以根据影像组学分析模型的功能,在每个样本降维后的特征最后添加分类的数字标签,标记疾病的类型。如用于心肌疾病多分类的分析模型将疾病标记为:急性心梗-1,慢性心梗-2,高血压型心脏病-3,诸如此类将每一类疾病用一个数字表示,此时分类器选择无监督的聚类分析。又如将二分类的心肌疾病分类,疾病标记为:高血压型心脏病-0,肥厚型心肌病-1,此时分类器可选择支持向量机。
利用样本对分类模型进行训练的具体实现方法为:得到大量样本后,将所有样本分为训练集和测试集,其中训练集的样本作为支持向量机的输入用于训练分类器,得到该特征组合的心脏影像组学分类模型,测试集的样本用于对最终确立的分类模型进行测试验证。其中,分类器可选择传统的分类器,如随机森林,支持向量机,聚类分析或深度学习网络等。对训练好的模型可以进行N倍交叉验证(比如10倍交叉验证)测试模型的准确性,得到ROC曲线和AUC值,用以评价模型。
当分类器训练好后,可用于心肌疾病影像组学的分析,主要是对心肌疾病进行分类,区分病人和正常人,或者判别心肌的每一层是否有病变。该方法和***还可以通过对预处理提取的心肌区域进行分段,以训练分类器用于判别判断心肌的每一段(共17个分段)是否有病变;或者对特征选择及标签的修改,以训练分类器用于心肌疾病的分级。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图6为本申请实施例提供的一种心肌影像分析装置的结构示意图,所述心肌影像分析装置包括:
影像获取单元601,用于获取多模态的心脏影像;
特征提取单元602,用于提取所述多模态的心脏影像的心肌特征,所述心肌特征包括心肌直方图特征、纹理特征或融合特征中的一种或者多种;
分类单元603,用于将所述心肌特征作为分类器的输入,得到分类器输出的分类标签,所述分类器为预先经过多模态的心脏影像样本所训练的分类器。
优选的,所述心肌影像分析装置还包括心肌区域提取单元,所述心肌区域提取单元用于对影像数据获取单元所获取的多模态的心脏影像的心肌区域,并将所提取的心肌区域发送至特征提取单元进行多模态的心脏影像的心肌特征提取。
优选的,所述心肌区域提取单元用于当于心脏影像为左室短轴位时,根据预先选择的房室间隔的展开***点,对心脏影像进行线性插值展开,得到矩形心肌图像。
优选的实施方式中,所述心肌影像分析装置还包括特征降维单元,用于将特征提取单元所提取的直方图特征、纹理特征和融合特征进行降维处理,将降维后的心肌特征发送至分类单元。
优选的,所述影像数据获取单元包括:
磁共振影像采集子单元,用于通过磁共振设备根据扫描方位为左室轴二腔、左室长轴四腔或左室短轴所生成心脏扫描影像序列,和/或,通过磁共振设备对已注射造影剂的待测者所采集的延迟增强图像,和/或,调节磁共振采集设备的成像参数获取的影像。
优选的,所述心肌直方图特征包括均值特征、方差特征、峰度特征或高阶中心矩特征中的一项或者多项;
所述纹理特征包括灰度共生矩阵、游程、局部二值模式或Tamura纹理特征中的一种或者多种。
优选的,所述特征提取单元包括:
配准子单元,用于将需要融合的心脏影像进行配准或心肌区域展开;
归一化处理子单元,用于将心脏影像中的心肌特征进行归一化处理;
融合子单元,用于根据归一化处理后的心肌特征,以及预先设定的权值,计算心肌影像的融合特征。
优选的,所述心肌影像分析装置还包括:
样本影像采集单元,用于获取多模态的心脏样本影像;
样本影像分割单元,用于对所述心脏样本影像进行分割,提取所述心脏样本影像中的心肌区域;
样本特征提取单元,用于根据所述样本影像分割单元所分割的心肌区域提取心肌特征;
样本特征降维单元,用于对所提取的心肌特征进行降维处理得到降维特征;
分类器训练单元,用于将所述样本降维特征和分类标签输入到分类器进行训练,得到训练后的分类器。
图6所述心肌影像分析装置,与图1所述的心肌影像分析方法对应。
图7是本申请一实施例提供的心肌影像分析设备的示意图。如图7所示,该实施例的心肌影像分析设备7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72,例如心肌影像分析程序。所述处理器70执行所述计算机程序72时实现上述各个心肌影像分析方法实施例中的步骤。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序72可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器71中,并由所述处理器70执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序72在所述心肌影像分析设备7中的执行过程。例如,所述计算机程序72可以被分割成:
影像获取单元,用于获取多模态的心脏影像;
特征提取单元,用于提取所述多模态的心脏影像的心肌特征,所述心肌特征包括心肌直方图特征、纹理特征或融合特征中的一种或者多种;
分类单元,用于将所述心肌特征作为分类器的输入,得到分类器输出的分类标签,所述分类器为预先经过多模态的心脏影像样本所训练的分类器。
所述心肌影像分析设备可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是心肌影像分析设备7的示例,并不构成对心肌影像分析设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述心肌影像分析设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,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。
所述存储器71可以是所述心肌影像分析设备7的内部存储单元,例如心肌影像分析设备7的硬盘或内存。所述存储器71也可以是所述心肌影像分析设备7的外部存储设备,例如所述心肌影像分析设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述心肌影像分析设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述心肌影像分析设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、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功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,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或记载的部分,可以参见其它实施例的相关描述。
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及算法步骤,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。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元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取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种心肌影像分析装置,其特征在于,所述影像分析装置包括:
影像获取单元,用于获取多模态的心脏影像;
特征提取单元,用于提取所述多模态的心脏影像的心肌特征,所述心肌特征包括心肌直方图特征、纹理特征或融合特征中的一种或者多种;
分类单元,用于将所述心肌特征作为分类器的输入,得到分类器输出的分类标签,所述分类器为预先经过多模态的心脏影像样本所训练的分类器。
2.根据权利要求1所述的心肌影像分析装置,其特征在于,所述心肌影像分析装置还包括心肌区域提取单元,所述心肌区域提取单元用于对影像数据获取单元所获取的多模态的心脏影像的心肌区域,并将所提取的心肌区域发送至特征提取单元进行多模态的心脏影像的心肌特征提取。
3.根据权利要求2所述的心肌影像分析装置,其特征在于,所述心肌区域提取单元用于当于心脏影像为左室短轴位时,根据预先选择的房室间隔的展开***点,对心脏影像进行线性插值展开,得到矩形心肌图像。
4.根据权利要求1所述的心肌影像分析装置,其特征在于,所述心肌影像分析装置还包括特征降维单元,用于将特征提取单元所提取的直方图特征、纹理特征和融合特征进行降维处理,将降维后的心肌特征发送至分类单元。
5.根据权利要求1所述的心肌影像分析装置,其特征在于,所述影像数据获取单元包括:
磁共振影像采集子单元,用于通过磁共振设备根据扫描方位为左室轴二腔、左室长轴四腔或左室短轴所生成心脏扫描影像序列,和/或,通过磁共振设备对已注射造影剂的待测者所采集的延迟增强图像,和/或,调节磁共振采集设备的成像参数获取的影像。
6.根据权利要求1所述的心肌影像分析装置,其特征在于,所述心肌直方图特征包括均值特征、方差特征、峰度特征或高阶中心矩特征中的一项或者多项;
所述纹理特征包括灰度共生矩阵、游程、局部二值模式或Tamura纹理特征中的一种或者多种。
7.根据权利要求1-6任一项所述心肌影像分析装置,其特征在于,所述特征提取单元包括:
配准子单元,用于将需要融合的心脏影像进行配准或心肌区域展开;
归一化处理子单元,用于将心脏影像中的心肌特征进行归一化处理;
融合子单元,用于根据归一化处理后的心肌特征,以及预先设定的权值,计算心肌影像的融合特征。
8.根据权利要求1所述的心肌影像分析装置,其特征在于,所述心肌影像分析装置还包括:
样本影像采集单元,用于获取多模态的心脏样本影像;
样本影像分割单元,用于对所述心脏样本影像进行分割,提取所述心脏样本影像中的心肌区域;
样本特征提取单元,用于根据所述样本影像分割单元所分割的心肌区域提取心肌特征;
样本特征降维单元,用于对所提取的心肌特征进行降维处理得到降维特征;
分类器训练单元,用于将所述样本降维特征和分类标签输入到分类器进行训练,得到训练后的分类器。
9.一种心肌影像分析设备,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,所述计算机程序包括权利要求1-8任一项所述心肌影像分析装置。
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,所述计算机程序包括权利要求1-8任一项所述心肌影像分析装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910935649.5A CN110751629A (zh) | 2019-09-29 | 2019-09-29 | 一种心肌影像分析装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910935649.5A CN110751629A (zh) | 2019-09-29 | 2019-09-29 | 一种心肌影像分析装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751629A true CN110751629A (zh) | 2020-02-04 |
Family
ID=69277466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910935649.5A Pending CN110751629A (zh) | 2019-09-29 | 2019-09-29 | 一种心肌影像分析装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751629A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402244A (zh) * | 2020-03-20 | 2020-07-10 | 华侨大学 | 一种胎儿心脏标准切面自动分类法 |
CN111462116A (zh) * | 2020-05-13 | 2020-07-28 | 吉林大学第一医院 | 基于影像组学特征的多模态参数模型优化融合方法 |
CN112116004A (zh) * | 2020-09-18 | 2020-12-22 | 推想医疗科技股份有限公司 | 病灶分类方法及装置、病灶分类模型的训练方法 |
CN114494252A (zh) * | 2022-04-02 | 2022-05-13 | 首都医科大学附属北京友谊医院 | 心脏图像处理方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1914617A (zh) * | 2004-02-03 | 2007-02-14 | 美国西门子医疗解决公司 | 与心脏有关的疾病和病症的自动诊断和决策支持***和方法 |
CN102551718A (zh) * | 2010-11-02 | 2012-07-11 | 株式会社东芝 | 磁共振成像装置 |
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*** |
TW201725554A (zh) * | 2016-01-08 | 2017-07-16 | Nat Yang-Ming Univ | 心臟醫學影像單一腔室地圖化系統及方法 |
CN108463814A (zh) * | 2015-12-17 | 2018-08-28 | 北京安宁福祉科技有限公司 | 一种医学图像标注方法及*** |
CN108694994A (zh) * | 2018-05-11 | 2018-10-23 | 浙江大学 | 基于栈式自编码器和支持向量机的无创心脏梗死分类模型构建方法 |
-
2019
- 2019-09-29 CN CN201910935649.5A patent/CN110751629A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1914617A (zh) * | 2004-02-03 | 2007-02-14 | 美国西门子医疗解决公司 | 与心脏有关的疾病和病症的自动诊断和决策支持***和方法 |
CN102551718A (zh) * | 2010-11-02 | 2012-07-11 | 株式会社东芝 | 磁共振成像装置 |
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*** |
CN108463814A (zh) * | 2015-12-17 | 2018-08-28 | 北京安宁福祉科技有限公司 | 一种医学图像标注方法及*** |
TW201725554A (zh) * | 2016-01-08 | 2017-07-16 | Nat Yang-Ming Univ | 心臟醫學影像單一腔室地圖化系統及方法 |
CN108694994A (zh) * | 2018-05-11 | 2018-10-23 | 浙江大学 | 基于栈式自编码器和支持向量机的无创心脏梗死分类模型构建方法 |
Non-Patent Citations (1)
Title |
---|
俞麟: "心肌灌注核磁共振图像定量分析", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402244A (zh) * | 2020-03-20 | 2020-07-10 | 华侨大学 | 一种胎儿心脏标准切面自动分类法 |
CN111402244B (zh) * | 2020-03-20 | 2023-04-07 | 华侨大学 | 一种胎儿心脏标准切面自动分类法 |
CN111462116A (zh) * | 2020-05-13 | 2020-07-28 | 吉林大学第一医院 | 基于影像组学特征的多模态参数模型优化融合方法 |
CN112116004A (zh) * | 2020-09-18 | 2020-12-22 | 推想医疗科技股份有限公司 | 病灶分类方法及装置、病灶分类模型的训练方法 |
CN112116004B (zh) * | 2020-09-18 | 2021-11-02 | 推想医疗科技股份有限公司 | 病灶分类方法及装置、病灶分类模型的训练方法 |
CN114494252A (zh) * | 2022-04-02 | 2022-05-13 | 首都医科大学附属北京友谊医院 | 心脏图像处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Shallow 3D CNN for detecting acute brain hemorrhage from medical imaging sensors | |
Carass et al. | Longitudinal multiple sclerosis lesion segmentation: resource and challenge | |
CN109584254B (zh) | 一种基于深层全卷积神经网络的心脏左心室分割方法 | |
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
Zhao et al. | A novel U-Net approach to segment the cardiac chamber in magnetic resonance images with ghost artifacts | |
CN110751629A (zh) | 一种心肌影像分析装置及设备 | |
Wu et al. | Texture feature based automated seeded region growing in abdominal MRI segmentation | |
Tanno et al. | Uncertainty quantification in deep learning for safer neuroimage enhancement | |
WO2013088144A1 (en) | Probability mapping for visualisation and analysis of biomedical images | |
Mahapatra | Automatic cardiac segmentation using semantic information from random forests | |
US6674880B1 (en) | Convolution filtering of similarity data for visual display of enhanced image | |
WO2021183765A1 (en) | Automated detection of tumors based on image processing | |
US20200074631A1 (en) | Systems And Methods For Identifying Implanted Medical Devices | |
Dong et al. | Identifying carotid plaque composition in MRI with convolutional neural networks | |
CN115298702A (zh) | 用于哺乳动物迁移学习的***和方法 | |
Lu et al. | Cardiac chamber segmentation using deep learning on magnetic resonance images from patients before and after atrial septal occlusion surgery | |
Ali et al. | A two-tier framework based on ***net and yolov3 models for tumor detection in mri | |
Graves et al. | Improving the generalization of deep learning methods to segment the left ventricle in short axis MR images | |
CN113888520A (zh) | 用于生成牛眼图的***和方法 | |
CN111292298A (zh) | 乳腺癌病理分型确定方法、装置和存储介质 | |
CN111862259A (zh) | 医学灌注图像处理方法和医学成像设备 | |
Luong et al. | A computer-aided detection to intracranial hemorrhage by using deep learning: a case study | |
CN116129184A (zh) | 多期相病灶分类方法、装置、设备及可读存储介质 | |
Al-Louzi et al. | Progressive multifocal leukoencephalopathy lesion and brain parenchymal segmentation from MRI using serial deep convolutional neural networks | |
CN114494014A (zh) | 一种磁共振图像超分辨率重建方法及装置 |
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: 20200204 |