CN113379682B - 一种心脏mri影像耦合水平集分割方法及*** - Google Patents

一种心脏mri影像耦合水平集分割方法及*** Download PDF

Info

Publication number
CN113379682B
CN113379682B CN202110557989.6A CN202110557989A CN113379682B CN 113379682 B CN113379682 B CN 113379682B CN 202110557989 A CN202110557989 A CN 202110557989A CN 113379682 B CN113379682 B CN 113379682B
Authority
CN
China
Prior art keywords
segmentation
level set
myocardial
coupling level
constraint
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
Application number
CN202110557989.6A
Other languages
English (en)
Other versions
CN113379682A (zh
Inventor
杨聪
马建红
王瑞娟
朱英琳
赵博学
郭朔
邓奎
李双
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University
Original Assignee
Zhengzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhengzhou University filed Critical Zhengzhou University
Priority to CN202110557989.6A priority Critical patent/CN113379682B/zh
Publication of CN113379682A publication Critical patent/CN113379682A/zh
Application granted granted Critical
Publication of CN113379682B publication Critical patent/CN113379682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; 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)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提出了一种心脏MRI影像耦合水平集分割方法及***，该方法包括基于卷积神经网络的心肌内膜和外膜的粗分割阶段，以及基于耦合水平集方法的心肌内膜和外膜的精分割阶段；所述粗分割阶段，采用U‑Net框架分别构建心肌内膜和外膜的分割模型；在精分割阶段，基于距离平滑变化约束的耦合水平集模型，设定距离平滑变化的约束条件，结合水平集的长度、规则约束，以及气球力项，用两个水平集函数分别提取心肌内膜和外膜的轮廓。本发明通过使用深度学***集方法，能够实现心脏MRI影像的自动精准分割，节省临床医生手动分割影像的时间，大大提高影像分割的效率。

Description

一种心脏MRI影像耦合水平集分割方法及***
技术领域
本发明属于医学影像处理技术领域，尤其涉及一种心脏MRI影像耦合水平集分割方法及***。
背景技术
心脏磁共振图像的分割是实现心脏功能指标定量计算的前提，心脏MRI影像的分割主要存在着以下几个难点：在底平面切片中，受左心室流出道的影响，部分心肌轮廓消失；心室血池内的脊小梁和乳突肌等组织与心肌具有相似的灰度分布，导致心肌内膜的轮廓模糊；在顶平面切片中，由于左心室的面积较小，加之受部分容积效应的影响，使得心肌内膜轮廓非常模糊。目前，主流的心脏MRI影像分割算法有基于动态规划的算法、基于图像配准的算法，基于图论的算法以及基于活动轮廓模型的算法。然而，现有的心脏MRI影像分割方案算法通常单独提取心脏个组织，忽略了心脏组织结构之间的空间位置关系，导致分割结果与解剖结构相背离。
发明内容
为了解决上述问题，有必要提供一种心脏MRI影像耦合水平集分割方法。
本发明第一方面提供一种心脏MRI影像耦合水平集分割方法，包括基于卷积神经网络的心肌内膜和外膜的粗分割阶段，以及基于耦合水平集方法的心肌内膜和外膜的精分割阶段；
所述粗分割阶段，采用U-Net框架分别构建心肌内膜和外膜的分割模型；在精分割阶段，基于距离平滑变化约束的耦合水平集模型，设定距离平滑变化的约束条件，结合水平集的长度、规则约束，以及气球力项，用两个水平集函数分别提取心肌内膜和外膜的轮廓。
基于上述，使用U-Net对心肌内膜和外膜进行建模时，U-Net包括下采样和上采样两部分；
上采样过程与下采样过程对称，分别对特征图进行3次采样操作，其中，每次下采样前先进行2次卷积操作。
基于上述，U-Net模型的损失函数基于Dice系数构建，Dice系数定义为公式：
Figure BDA0003078024760000021
其中T为分割目标真实轮廓，P为分割目标的预测结果，T,P∈[0,1]w×h，w和h则表示分割图像的尺寸；
将1减去Dice系数作为U-Net模型的损失函数，定义为：LossDice(T,P)＝1-Dice(T,P)，其中Dice(T,P)表示分割结果P与真实轮廓T的Dice系数值。
基于上述，令φi(x,y)＝0和φo(x,y)＝0两个水平集函数的零水平集分别表示心肌内膜和外膜，Eci为距离平滑变化约束条件,λi,αi,μi,βi为长度项EL、气球力EA项及规则项ER的系数；
对于心肌内膜分割，所述基于距离平滑变化约束的耦合水平集模型公式定义为：
Ei(φi；φo)＝λiEL(φi)+αiEA(φi)+μiER(φi)+βiECi(φi；φo)；
其中，
Figure BDA0003078024760000022
Figure BDA0003078024760000023
Figure BDA0003078024760000031
Figure BDA0003078024760000032
δ(x)为Heaviside函数的导数；
获得心肌内膜的耦合水平集分割函数为：
Figure BDA0003078024760000033
同理，获得心肌外膜的耦合水平集分割函数为：
Figure BDA0003078024760000034
本发明第二方面提供一种心脏MRI影像耦合水平集分割***，包括粗分割单元和精分割单元；
所述粗分割单元，采用U-Net框架分别构建心肌内膜和外膜的分割模型，对心肌内膜和外膜进行粗分割；
所述精分割单元，基于距离平滑变化约束的耦合水平集模型，设定距离平滑变化的约束条件，结合水平集的长度、规则约束，以及气球力项，用两个水平集函数分别提取心肌内膜和外膜的轮廓，实现对心肌内膜和外膜的精分割。
本发明第三方面提供一种终端，包括处理器、存储器以及存储在所述存储器中的心脏MRI影像耦合水平集分割方法程序，所述心脏MRI影像耦合水平集分割方法程序被所述处理器运行时，实现如所述的心脏MRI影像耦合水平集分割方法的步骤。
本发明第四方面提供一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如所述的心脏MRI影像耦合水平集分割方法的步骤。
本发明相对现有技术具有突出的实质性特点和显著进步，具体的说，本发明通过使用深度学***集方法，能够实现心脏MRI影像的自动精准分割，节省临床医生手动分割影像的时间，大大提高影像分割的效率。
本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明心脏MRI影像耦合水平集分割方法的流程框图。
图2是传统粗分割阶段经常出现的情形。
图3是本发明实际分割效果图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图1所示，本实施例提出一种心脏MRI影像耦合水平集分割方法，包括基于卷积神经网络的心肌内膜和外膜的粗分割阶段，以及基于耦合水平集方法的心肌内膜和外膜的精分割阶段；
所述粗分割阶段，采用U-Net框架分别构建心肌内膜和外膜的分割模型；在精分割阶段，基于距离平滑变化约束的耦合水平集模型，设定距离平滑变化的约束条件，结合水平集的长度、规则约束，以及气球力项，用两个水平集函数分别提取心肌内膜和外膜的轮廓。
具体的，使用U-Net对心肌内膜和外膜进行建模时，U-Net包括下采样和上采样两部分；
上采样过程与下采样过程对称，分别对特征图进行3次采样操作，其中，每次下采样前先进行2次卷积操作。
U-Net模型的损失函数基于Dice系数构建，Dice系数定义为公式：
Figure BDA0003078024760000051
其中T为分割目标真实轮廓，P为分割目标的预测结果，T,P∈[0,1]w×h，w和h则表示分割图像的尺寸；
当使用Dice系数作为损失函数时，为了最小化损失函数，将1减去Dice系数作为U-Net模型的损失函数，定义为：LossDice(T,P)＝1-Dice(T,P)，其中Dice(T,P)表示分割结果P与真实轮廓T的Dice系数值。可以看出当整体分割结果的Dice值越高那么整个函数的损失值就越小，最终达到反馈和更新整个模型参数的目的。
令φi(x,y)＝0和φo(x,y)＝0两个水平集函数的零水平集分别表示心肌内膜和外膜，Eci为距离平滑变化约束条件,λi,αi,μi,βi为长度项EL、气球力EA项及规则项ER的系数；
对于心肌内膜分割，所述基于距离平滑变化约束的耦合水平集模型公式定义为：
Ei(φi；φo)＝λiEL(φi)+αiEA(φi)+μiER(φi)+βiECi(φi；φo)；
其中，
Figure BDA0003078024760000061
Figure BDA0003078024760000062
Figure BDA0003078024760000063
Figure BDA0003078024760000064
δ(x)为Heaviside函数的导数；
获得心肌内膜的耦合水平集分割函数为：
Figure BDA0003078024760000065
同理，获得心肌外膜的耦合水平集分割函数为：
Figure BDA0003078024760000066
需要说明的是，本发明采用U-Net框架构建心肌内膜和外膜的分割模型，再采用基于距离平滑变化约束的水平集模型优化粗分割结果，为基于卷积神经网络的模型，需经历训练、验证和测试等常规阶段。可以从网络公开数据集收集数据，对原始图像进行包括图像缩放、裁剪及标签转换的预处理后，再进行训练、验证和测试，最终获得心肌内膜和外膜的分割函数，在此对训练、验证和测试过程不赘述。
实验结果
如图2所示，黑色实线模拟心肌内膜，白色实线模拟心肌外膜。第一行模拟部分心肌内膜处于外膜外部，第二行模拟部分心肌外膜偏离内膜较远。这两种情形均不符合心脏解剖学，但在粗分割阶段会经常出现。图3为本发明的实际分割结果，可以看出，基于距离耦合的水平集方法在这两种情形下均能较好地矫正偏离部分的曲线。
实施例2
本实施例提出一种心脏MRI影像耦合水平集分割***，包括粗分割单元和精分割单元；
所述粗分割单元，采用U-Net框架分别构建心肌内膜和外膜的分割模型，对心肌内膜和外膜进行粗分割；
所述精分割单元，基于距离平滑变化约束的耦合水平集模型，设定距离平滑变化的约束条件，结合水平集的长度、规则约束，以及气球力项，用两个水平集函数分别提取心肌内膜和外膜的轮廓，实现对心肌内膜和外膜的精分割。
需要说明的是，为描述的方便和简洁，上述描述的心脏MRI影像耦合水平集分割***的具体工作过程，可以参考上述描述的方法的对应过程，在此不再赘述。
实施例3
本实施例提出一种终端，包括处理器、存储器以及存储在所述存储器中的心脏MRI影像耦合水平集分割方法程序，所述心脏MRI影像耦合水平集分割方法程序被所述处理器运行时，实现如实施例1所述的心脏MRI影像耦合水平集分割方法的步骤。
实施例4
本实施例提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如实施例1所述的心脏MRI影像耦合水平集分割方法的步骤。
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模块及算法步骤，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***和方法，可以通过其它的方式实现。例如，以上所描述的***实施例仅仅是示意性的，例如，上述单元的划分，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。
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。
上述集成的模块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，上述的计算机程序可存储于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，上述计算机程序包括计算机程序代码，上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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种心脏MRI影像耦合水平集分割方法，其特征在于：
包括基于卷积神经网络的心肌内膜和外膜的粗分割阶段，以及基于耦合水平集方法的心肌内膜和外膜的精分割阶段；
所述粗分割阶段，采用U-Net框架分别构建心肌内膜和外膜的分割模型；在精分割阶段，基于距离平滑变化约束的耦合水平集模型，设定距离平滑变化的约束条件，结合水平集的长度、规则约束，以及气球力项，用两个水平集函数分别提取心肌内膜和外膜的轮廓；
U-Net模型的损失函数基于Dice系数构建，Dice系数定义为公式：
Figure FDA0003813622860000011
其中T为分割目标真实轮廓，P为分割目标的预测结果，T,P∈[0,1]w×h，w和h则表示分割图像的尺寸；
将1减去Dice系数作为U-Net模型的损失函数，定义为：LossDice(T,P)＝1-Dice(T,P)，其中Dice(T,P)表示分割结果P与真实轮廓T的Dice系数值；
令φi(x,y)＝0和φo(x,y)＝0两个水平集函数的零水平集分别表示心肌内膜和外膜，Eci为距离平滑变化约束条件,λi,αi,μi,βi为长度项EL、气球力EA项及规则项ER的系数；
所述基于距离平滑变化约束的耦合水平集模型公式定义为：
Ei(φi；φo)＝λiEL(φi)+αiEA(φi)+μiER(φi)+βiECi(φi；φo)
Figure FDA0003813622860000012
Figure FDA0003813622860000013
Figure FDA0003813622860000014
Figure FDA0003813622860000021
其中，δ(x)为Heaviside函数的导数；
获得心肌内膜的耦合水平集分割函数为：
Figure FDA0003813622860000022
获得心肌外膜的耦合水平集分割函数为：
Figure FDA0003813622860000023
2.根据权利要求1所述的心脏MRI影像耦合水平集分割方法，其特征在于：使用U-Net对心肌内膜和外膜进行建模时，U-Net包括下采样和上采样两部分；
上采样过程与下采样过程对称，分别对特征图进行3次采样操作，其中，每次下采样前先进行2次卷积操作。
3.一种心脏MRI影像耦合水平集分割***，其特征在于：包括粗分割单元和精分割单元；
所述粗分割单元，采用U-Net框架分别构建心肌内膜和外膜的分割模型，对心肌内膜和外膜进行粗分割；
所述精分割单元，基于距离平滑变化约束的耦合水平集模型，设定距离平滑变化的约束条件，结合水平集的长度、规则约束，以及气球力项，用两个水平集函数分别提取心肌内膜和外膜的轮廓，实现对心肌内膜和外膜的精分割；
U-Net模型的损失函数基于Dice系数构建，Dice系数定义为公式：
Figure FDA0003813622860000024
其中T为分割目标真实轮廓，P为分割目标的预测结果，T,P∈[0,1]w×h，w和h则表示分割图像的尺寸；
将1减去Dice系数作为U-Net模型的损失函数，定义为：LossDice(T,P)＝1-Dice(T,P)，其中Dice(T,P)表示分割结果P与真实轮廓T的Dice系数值；
令φi(x,y)＝0和φo(x,y)＝0两个水平集函数的零水平集分别表示心肌内膜和外膜，Eci为距离平滑变化约束条件,λi,αi,μi,βi为长度项EL、气球力EA项及规则项ER的系数；
对于心肌内膜分割，所述基于距离平滑变化约束的耦合水平集模型公式定义为：
Ei(φi；φo)＝λiEL(φi)+αiEA(φi)+μiER(φi)+βiECi(φi；φo)；
其中，
Figure FDA0003813622860000031
Figure FDA0003813622860000032
Figure FDA0003813622860000033
Figure FDA0003813622860000034
δ(x)为Heaviside函数的导数；
获得心肌内膜的耦合水平集分割函数为：
Figure FDA0003813622860000035
同理，获得心肌外膜的耦合水平集分割函数为：
Figure FDA0003813622860000036
4.根据权利要求3所述的心脏MRI影像耦合水平集分割***，其特征在于：使用U-Net对心肌内膜和外膜进行建模时，U-Net包括下采样和上采样两部分；
上采样过程与下采样过程对称，分别对特征图进行3次采样操作，其中，每次下采样前先进行2次卷积操作。
5.一种终端，其特征在于：包括处理器、存储器以及存储在所述存储器中的心脏MRI影像耦合水平集分割方法程序，所述心脏MRI影像耦合水平集分割方法程序被所述处理器运行时，实现如权利要求1-2中任一项所述的心脏MRI影像耦合水平集分割方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机指令，其特征在于：该计算机指令被处理器执行时实现如权利要求1-2中任一项所述的心脏MRI影像耦合水平集分割方法的步骤。
CN202110557989.6A 2021-05-21 2021-05-21 一种心脏mri影像耦合水平集分割方法及*** Active CN113379682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110557989.6A CN113379682B (zh) 2021-05-21 2021-05-21 一种心脏mri影像耦合水平集分割方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110557989.6A CN113379682B (zh) 2021-05-21 2021-05-21 一种心脏mri影像耦合水平集分割方法及***

Publications (2)

Publication Number Publication Date
CN113379682A CN113379682A (zh) 2021-09-10
CN113379682B true CN113379682B (zh) 2022-10-04

Family

ID=77571561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110557989.6A Active CN113379682B (zh) 2021-05-21 2021-05-21 一种心脏mri影像耦合水平集分割方法及***

Country Status (1)

Country Link
CN (1) CN113379682B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419032B (zh) * 2022-03-14 2022-06-21 深圳科亚医疗科技有限公司 心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1524247A (zh) * 2001-05-17 2004-08-25 О 用于分割磁共振心脏图像中左心室的变化的方法
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
CN109272512A (zh) * 2018-09-25 2019-01-25 南昌航空大学 一种自动分割左心室内外膜的方法
CN111127504A (zh) * 2019-12-28 2020-05-08 中国科学院深圳先进技术研究院 心房间隔闭塞患者心脏医学影像分割方法及***
CN111640120A (zh) * 2020-04-09 2020-09-08 之江实验室 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10699414B2 (en) * 2018-04-03 2020-06-30 International Business Machines Corporation Image segmentation based on a shape-guided deformable model driven by a fully convolutional network prior

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1524247A (zh) * 2001-05-17 2004-08-25 О 用于分割磁共振心脏图像中左心室的变化的方法
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
CN109272512A (zh) * 2018-09-25 2019-01-25 南昌航空大学 一种自动分割左心室内外膜的方法
CN111127504A (zh) * 2019-12-28 2020-05-08 中国科学院深圳先进技术研究院 心房间隔闭塞患者心脏医学影像分割方法及***
CN111640120A (zh) * 2020-04-09 2020-09-08 之江实验室 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Distance regularized two level sets for segmentation of left and right ventricles from cine-MRI;Yu Liu等;《Magnetic Resonance Imaging》;20160630;第34卷(第5期);第699-706页 *
Left ventricle segmentation via two-layer level sets with circular shape constraint;CongYang等;《Magnetic Resonance Imaging》;20170531;第202-213页 *
基于心脏电影磁共振图像的左心肌分割新进展;王慧等;《中国生物医学工程学报》;20200430;第39卷(第2期);第238-246页 *
心血管疾病的计算机辅助诊断关键技术研究;刘畅;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20210215;E062-24 *

Also Published As

Publication number Publication date
CN113379682A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
US11055851B2 (en) Multi-class image segmentation method
Nikan et al. PWD-3DNet: a deep learning-based fully-automated segmentation of multiple structures on temporal bone CT scans
DE112019000708T5 (de) System zur segmentierung anatomischer strukturen bei der herz-cta unter verwendung vollständiger convolutional neural networks
CN110827216A (zh) 图像去噪的多生成器生成对抗网络学习方法
CN114581662B (zh) 一种脑肿瘤图像的分割方法、***、装置及存储介质
CN107563434B (zh) 一种基于三维卷积神经网络的脑部mri图像分类方法、装置
CN110120051A (zh) 一种基于深度学习的右心室自动分割方法
CN108664976B (zh) 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法
CN111028923B (zh) 数字病理图像染色归一化方法、电子装置及存储介质
CN112837274A (zh) 一种基于多模态多站点数据融合的分类识别方法
CN114693561A (zh) 一种基于卷积神经网络的核磁共振图像处理方法与***
WO2021017168A1 (zh) 图像分割方法、装置、设备及存储介质
CN113379682B (zh) 一种心脏mri影像耦合水平集分割方法及***
CN111814891A (zh) 医学图像合成方法、装置及存储介质
WO2022086910A1 (en) Anatomically-informed deep learning on contrast-enhanced cardiac mri
Alves et al. Extracting lungs from ct images using fully convolutional networks
CN113436203A (zh) 一种心室膜自动分割方法
CN110288581B (zh) 一种基于保持形状凸性水平集模型的分割方法
Parameshachari et al. SVM Based Brain Tumor Detection and Classification System
CN113724320A (zh) 一种基于形状先验的肾脏图像分割方法
Khader et al. Adaptive preprocessing for generalization in cardiac MR image segmentation
CN116894783A (zh) 基于时变约束的对抗生成网络模型的金属伪影去除方法
CN111724395A (zh) 心脏图像四维上下文分割方法、设备、存储介质及装置
CN116843036A (zh) 面向阿尔兹海默症辅助诊断的个性化联邦学习方法
CN115496743A (zh) 脑血管病变分割方法、装置、存储介质、电子装置

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
GR01 Patent grant
GR01 Patent grant