CN116228802B - 一种心脏mri辅助成像控制方法 - Google Patents

一种心脏mri辅助成像控制方法 Download PDF

Info

Publication number
CN116228802B
CN116228802B CN202310491678.3A CN202310491678A CN116228802B CN 116228802 B CN116228802 B CN 116228802B CN 202310491678 A CN202310491678 A CN 202310491678A CN 116228802 B CN116228802 B CN 116228802B
Authority
CN
China
Prior art keywords
period
magnetic resonance
nuclear magnetic
screened
images
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
CN202310491678.3A
Other languages
English (en)
Other versions
CN116228802A (zh
Inventor
陈竹涛
魏亚娟
王翠娟
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.)
Jinan Kexun Intelligent Technology Co ltd
Original Assignee
Jinan Kexun Intelligent Technology Co ltd
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 Jinan Kexun Intelligent Technology Co ltd filed Critical Jinan Kexun Intelligent Technology Co ltd
Priority to CN202310491678.3A priority Critical patent/CN116228802B/zh
Publication of CN116228802A publication Critical patent/CN116228802A/zh
Application granted granted Critical
Publication of CN116228802B publication Critical patent/CN116228802B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • 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
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及智能控制领域，具体涉及一种心脏MRI辅助成像控制方法。连续采集多张心脏核磁共振图像，并划分为多个心跳周期，选取多个心跳周期中的中心周期并获取每个中心周期的待筛选周期；将中心周期与对应的待筛选周期中的心脏核磁共振图像进行匹配；获待筛选周期的参考值；根据参考值大于阈值的待筛选周期作为每个中心周期的参考周期；获取每个中心周期的质量参数，获取质量参数最大的中心周期作为最优周期，获取最优周期中叠加后的心脏核磁共振图像作为最优心脏核磁共振图像。本发明通过选取中心周期及参考周期进行匹配，并将匹配的图像进行对应叠加，能够准确获取图像中的边缘。

Description

一种心脏MRI辅助成像控制方法
技术领域
本发明涉及智能控制领域，具体涉及一种心脏MRI辅助成像控制方法。
背景技术
心脏核磁共振图像在医学方面对病人的情况进行了解等方面可以起到非常大的作用，但心脏的持续跳动和血液的高速运动往往会形成伪影，灰度不均匀，同时心脏中不同器官的复杂结构使得不同区域的边界难以精确获得，导致得到的图像效果较差，对于辅助医生查阅病人心脏MRI图像带来很大的影响，因此需要对心脏核磁共振图像进行辅助成像，从而去除核磁共振图像中的伪影并得到边缘区域。
现有技术中如阈值分割、K均值聚类、图割、ACM/ASM和模糊集合理论等对图像进行处理的方法，由于身体组织中结构较为复杂，例如心肌与周围组织在图像灰度上非常相近，导致在实际进行图像分割时效果不好，难以找到准确的边缘线，通过基于多尺度边缘感知的神经网络可以实现很好的边缘分割效果，但是神经网络需要大量数据集进行训练，在实际使用中的效率并不高。
发明内容
为了解决现有技术中常规图像分割对心脏核磁共振图像的分割效果较差的问题，本发明提供一种心脏MRI辅助成像控制方法，该方案包括：连续采集多张心脏核磁共振图像，并划分为多个心跳周期，选取多个心跳周期中的中心周期并获取每个中心周期的待筛选周期；将中心周期与对应的待筛选周期中的心脏核磁共振图像进行匹配；获待筛选周期的参考值；根据参考值大于阈值的待筛选周期作为每个中心周期的参考周期；获取每个中心周期的质量参数，获取质量参数最大的中心周期作为最优周期，获取最优周期中叠加后的心脏核磁共振图像作为最优心脏核磁共振图像。本发明通过选取中心周期及参考周期进行匹配，并将匹配的图像进行对应叠加，能够准确获取图像中的边缘，从而得到最优的心脏核磁共振图像。
本发明采用如下技术方案，一种心脏MRI辅助成像控制方法，包括：
图像采集；连续采集多张心脏核磁共振图像。
待筛选周期选取；将连续多张心脏核磁共振图像划分为多个心跳周期，选取多个心跳周期中的中心周期，获取每个中心周期相邻设定范围内的心跳周期作为该中心周期的待筛选周期。
图像匹配；将每个中心周期的心脏核磁共振图像分别与该中心周期对应的待筛选周期中的心脏核磁共振图像进行匹配，获取每个中心周期中的心脏核磁共振图像与该中心周期对应的待筛选周期中的心脏核磁共振图像的匹配关系；获取每个待筛选周期中与对应中心周期中的心脏核磁共振图像符合设定匹配关系的心脏核磁共振图像数量。
参考周期筛选；根据每个待筛选周期中与对应中心周期心脏核磁共振图像符合设定匹配关系的心脏核磁共振数量获取每个待筛选周期的参考值；将每个中心周期的待筛选周期中参考值大于阈值对应的待筛选周期作为每个中心周期的参考周期。
确定最优周期；根据每个中心周期中的每张心脏核磁共振图像在对应参考周期中符合设定匹配关系的心脏核磁共振图像数量获取每个中心周期的质量参数，获取质量参数最大的中心周期作为最优周期。
最优图像获取；将最优周期中的每张心脏核磁共振图像与对应参考周期中符合设定匹配关系的心脏核磁共振图像进行叠加，得到最优心脏核磁共振图像。
进一步的，一种心脏MRI辅助成像控制方法，将连续多张心脏核磁共振图像划分为多个心跳周期的方法为：
心跳周期为从一次心跳的起始到下一次心跳的起始所用的时间；
根据每个心跳周期的时间将采集的连续多张心脏核磁共振图像进行划分，得到多个心跳周期；每个心跳周期中包含多张心脏核磁共振图像。
进一步的，一种心脏MRI辅助成像控制方法，将每个中心周期的心脏核磁共振图像与该中心周期对应的每个待筛选周期中的心脏核磁共振图像进行匹配的方法为：
对采集的连续多张核磁共振图像进行因子分析，获取每张核磁共振图像的独立因子向量；
获取每个中心周期中每张核磁共振图像的独立因子向量与该中心周期的每个待筛选周期中所有核磁共振图像的独立因子向量之间的余弦相似度均值，作为对应中心周期中每张核磁共振图像在匹配中的节点值；
同理，获取每个待筛选周期中每张核磁共振图像的独立因子与对应中心周期中所有核磁共振图像的独立因子之间的余弦相似度均值，作为每个待筛选周期中每张核磁共振图像在匹配中的节点值。
进一步的，一种心脏MRI辅助成像控制方法，对连续多张核磁共振图像进行因子分析的方法为：
以从左到右、从上到下的顺序将每一张核磁共振图像转化为向量格式；
对所有核磁共振图像对应的向量进行因子分析，获取所有核磁共振图像对应向量的公共因子向量；
根据每一张核磁共振图像对应的向量减去公共因子向量得到每一张核磁共振图像的独立因子向量。
进一步的，一种心脏MRI辅助成像控制方法，获取每个中心周期对应的每个待筛选周期的参考值的方法为：
获取每个中心周期与该中心周期对应的每个待筛选周期的时间差值；
获取每个中心周期中核磁共振图像的数量，以及每个中心周期对应的每个待筛选周期中核磁共振图像的数量；
利用每个待筛选周期中与对应中心周期中的心脏核磁共振图像符合设定匹配关系的心脏核磁共振图像数量获取该待筛选周期中所有核磁共振图像数量的占比；
获取每个待筛选周期与对应中心周期之间的核磁共振图像数量最小值，与该待筛选周期和对应中心周期之间时间差值的乘积；
根据每个待筛选周期中与对应中心周期中的心脏核磁共振图像符合设定匹配关系的心脏核磁共振图像数量占比与该乘积的比值获取每个待筛选周期的参考值。
进一步的，一种心脏MRI辅助成像控制方法，将最优周期中的每张心脏核磁共振图像与对应参考周期中符合设定匹配关系的心脏核磁共振图像进行叠加的方法为：
将最优周期中的核磁共振图像以及最优周期对应参考周期中的核磁共振图像转化为二值图像；
利用分水岭分割方法获取每张核磁共振二值图像中的连通域，根据每张核磁共振二值图像中的连通域构建每张核磁共振图像的邻接图结构；
将最优周期中每张核磁共振图像的邻接图结构与最优周期对应的参考周期中符合设定匹配关系的核磁共振图像的邻接图结构进行叠加；
对叠加后的最优周期中的每张核磁共振图像的邻接图结构进行形态学操作。
进一步的，一种心脏MRI辅助成像控制方法，获取每个中心周期的质量参数的方法为：
获取每个中心周期中的每张心脏核磁共振图像在对应参考周期中符合设定匹配关系的心脏核磁共振图像数量；
获取每个中心周期中核磁共振图像的数量；
获取每个中心周期中的每张心脏核磁共振图像在对应参考周期中符合设定匹配关系的心脏核磁共振图像数量与对应中心周期中核磁共振图像的数量的乘积；
根据该乘积与所有中心周期中最大核磁共振数量的比值得到每个中心周期的质量参数。
本发明的有益效果是：本发明通过连续采集多张心脏核磁共振图像，并进行心跳周期的划分，通过选取其中设定的中心周期和待筛选周期，有利于后续对每个中心周期进行匹配，保证在进行图像叠加时，叠加的图像间差异尽可能小；在对中心周期的待筛选周期进行匹配时，首先对每个周期中的核磁共振图像进行因子分析，从而通过独立因子向量建立周期之间核磁共振图像的匹配关系，保证了得到的参考周期与中心周期特征的相似性，为后续中心周期与参考周期进行图像叠加提供了支撑条件，同时结合匹配关系对图像进行相应的叠加，并根据不同中心周期叠加后图像的效果再次进行筛选，最终得到边缘清晰、准确的最优核磁共振图像，对于核磁共振图像中的边缘检测效果较好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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为本发明实施例的一种心脏MRI辅助成像控制方法结构示意图；
图2为本发明实施例的一种心跳周期叠加示意图；
图3为本发明实施例的一种DTW匹配示意图；
图4为本发明实施例的一种邻接图结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，给出了本发明实施例的一种心脏MRI辅助成像控制方法结构示意图，包括：
101.图像采集；连续采集多张心脏核磁共振图像。
本发明的目的是获得MRI图像上心脏区域的较为准确的不同器官之间的分界线，因此首先需要对心脏的核磁共振图像进行采集，然后通过语义分割获得心脏区域。
102.待筛选周期选取；将连续多张心脏核磁共振图像划分为多个心跳周期，选取多个心跳周期中的中心周期，获取每个中心周期相邻设定范围内的心跳周期作为该中心周期的待筛选周期。
心动周期指从一次心跳的起始到下一次心跳的起始，心血管***所经历的过程，在这个过程中一方面心脏中不同器官的边界的清晰程度的变化不同，另一方面同种边界的位置不同，例如：在第一帧MRI图像中，左心房和左心室的边界线对应像素点集合A，在第二帧MRI图像中，左心房和左心室的边界线对应像素点集合B，集合A和集合B不相等，这是由于左心房在心动周期中会收缩导致的。
而心跳是可以通过心电图检测得到的，因此可以通过心电图中每次心跳的时间确定每个心动周期的时间范围，并且将该范围内的核磁共振图像作为该周期内的图像集，同时心率不会维持在一个固定的数值，它是有起伏性的，正常情况下，心率大多维持在60-100次/分，即不同周期，即使是相邻心动周期的时间也不一定相同，因此每个周期内获得的MRI图像的数量也不同。
如果两个周期的时间相同，则该周期中相同次序的图像的边界情况相近，可能存在较小差别，此时处于两种边缘的交集的中间区域的边缘线作为真正边缘线的概率越大，如图2所示，A表示第一个周期内的第一张MRI图像的一条边缘，B表示第二个周期内的第一张MRI图像中的对应边缘，两者通过位置信息叠加后的情况如图2中的中间图所示，两者叠加后的交集区域为C区域，则C区域的中心线作为边缘较好，因为C边缘的性质最稳定，最不可能是由于心脏跳动导致的伪边缘。
将连续多张心脏核磁共振图像划分为多个心跳周期的方法为：
心跳周期为从一次心跳的起始到下一次心跳的起始所用的时间；
根据每个心跳周期的时间将采集的连续多张心脏核磁共振图像进行划分，得到多个心跳周期；每个心跳周期中包含多张心脏核磁共振图像。
本发明以每个心跳周期的左右7个范围内的心跳周期作为计算周期，因此选取中心周期时，将所有心跳周期中的第八个周期至倒数第八个心跳周期作为中心周期，在中心周期的7邻域内计算得到与该中心周期的边缘变化情况相近的周期作为参考周期，例如：第8个周期的左边的7个周期为第一个周期到第7周期，右边的7个周期为第9周期到第15周期，在每个中心周期周围的14个周期中计算得到参考周期，即将每个中心周期周围的14个周期作为待筛选周期。
103.图像匹配；将每个中心周期的心脏核磁共振图像分别与该中心周期对应的待筛选周期中的心脏核磁共振图像进行匹配，获取每个中心周期中的心脏核磁共振图像与该中心周期对应的待筛选周期中的心脏核磁共振图像的匹配关系；获取每个待筛选周期中与对应中心周期中的心脏核磁共振图像符合设定匹配关系的心脏核磁共振图像数量。
首先，与中心周期的时间越相近的周期中与中心周期的边缘变化情况相近的概率越大；其次，一对一匹配的数量越多，与中心周期的边缘变化相近的概率越大。
每个周期的时间可以直接得到，该时间是指每个心动周期的时间，例如：第一个心动周期的时间为0.01s。
两个心动周期中的一对一匹配表示的是两个心动周期中边缘变化情况的变化一致性，本发明通过中心周期与待筛选周期之间的DTW（动态时间归整算法）匹配，从而获取两个周期中核磁共振图像的匹配关系，如图3所示，匹配关系包括一对一，一对多以及多对一的关系，一对一的关系表示两者的变化一致，一对一的关系越多，两个曲线的变化一致性越大，一对多的关系越多，两个曲线的变化一致性越小，DTW匹配的内容为：
对于心脏的MRI连续图像来说，除了由于心脏跳动产生的不同器官的边界的变化外，在连续图像中其它信息都可以认为是不变的，即连续图像中不相同的信息只有不同器官之间的边界信息，本发明的目的是通过每个心动周期内的边缘变化计算得到较为准确的边缘，因此首先需要对每个图像中的边界信息进行量化，结合连续图像中不同器官之间的边界信息的不同进行下一步的分析，考虑到因子分析可以对多个向量的共有特征和独立特征进行提取，本发明采用因子分析的方法首先计算得到每个MRI图像中的独立信息，称之为独立因子向量。
由于因子分析是对向量进行分析，而图像是矩阵格式，因此首先需要将矩阵格式的图像转化为向量的格式，通过从左到右、从上到下的顺序将每个MRI图像转化为向量格式，称之为MRI向量，对连续的MRI向量进行因子分析，得到一个共有的公共因子向量，即所有的MRI向量对应一个公共因子向量，公共因子向量表示的是所有的MRI向量中的相同的信息，同时每个MRI向量对应一个独立因子向量，所述独立因子向量表示的是每个MRI向量包含信息中减去公共因子向量表示的信息后，剩余的信息。
将中心周期中的每个MRI图像的独立因子向量与邻域周期中的所有MRI图像的独立因子向量的余弦相似度均值作为该图像节点对应的值，如图3所示，其中上面的曲线表示中心周期曲线，下面的曲线表示邻域周期曲线，中心周期曲线的第一个点表示的是该周期中第一个MRI图像的独立因子向量的余弦相似度均值，其他的点同理。
将每个中心周期的心脏核磁共振图像与该中心周期的每个待筛选周期中的心脏核磁共振图像进行DTW匹配的方法为：
对采集的连续多张核磁共振图像进行因子分析，获取每张核磁共振图像的独立因子向量；
获取每个中心周期中每张核磁共振图像的独立因子向量与该中心周期的每个待筛选周期中所有核磁共振图像的独立因子向量之间的余弦相似度均值，作为对应中心周期中每张核磁共振图像在DTW匹配中的节点值；
同理，获取每个待筛选周期中每张核磁共振图像的独立因子与对应中心周期中所有核磁共振图像的独立因子之间的余弦相似度均值，作为每个待筛选周期中每张核磁共振图像在DTW匹配中的节点值。
对连续多张核磁共振图像进行因子分析的方法为：
以从左到右、从上到下的顺序将每一张核磁共振图像转化为向量格式；
对所有核磁共振图像对应的向量进行因子分析，获取所有核磁共振图像对应向量的公共因子向量；
根据每一张核磁共振图像对应的向量减去公共因子向量得到每一张核磁共振图像的独立因子向量。
104.参考周期筛选；根据每个待筛选周期中与对应中心周期心脏核磁共振图像符合设定匹配关系的心脏核磁共振数量获取每个待筛选周期的参考值；将每个中心周期的待筛选周期中参考值大于阈值对应的待筛选周期作为每个中心周期的参考周期。
获取每个中心周期对应的每个待筛选周期的参考值的方法为：
获取每个中心周期与该中心周期对应的每个待筛选周期的时间差值；
获取每个中心周期中核磁共振图像的数量，以及每个中心周期对应的每个待筛选周期中核磁共振图像的数量；
每个待筛选周期中与对应中心周期中的心脏核磁共振图像符合设定匹配关系的心脏核磁共振图像数量在该待筛选周期中所有核磁共振图像数量的占比，本发明的设定匹配关系为一对一匹配；
获取每个待筛选周期与对应中心周期之间的核磁共振图像数量最小值，与该待筛选周期和对应中心周期之间时间差值的乘积；
根据每个待筛选周期中与对应中心周期中的心脏核磁共振图像符合设定匹配关系的心脏核磁共振图像数量占比与该乘积的比值获取每个待筛选周期的参考值为：
Figure SMS_1
其中，c表示待筛选周期与中心周期的时间差值，a表示每个中心周期与该中心周期对应的每个待筛选周期中一对一匹配的核磁共振图像数量占比，b表示待筛选周期与对应中心周期之间的核磁共振图像数量最小值，在计算两条曲线的DTW距离的过程中，可以得到中心周期节点与邻域周期节点的一对一匹配和一对多匹配两者关系，其中一对一匹配是两种曲线的相似度节点，一对多匹配是为了使得两条曲线的相似度最大产生的匹配，因此一对一匹配可以表示对应节点的两张图像处于相同的边缘信息变化处，即对应的两张图像的边缘信息相同，因此一对一匹配在所有匹配关系中的占比越大，该周期中的参考值越大，本发明将参考值大于0.9的待筛选周期保留，作为每个中心周期的参考周期。
105.确定最优周期；根据每个中心周期中的每张心脏核磁共振图像在对应参考周期中符合设定匹配关系的心脏核磁共振图像数量获取每个中心周期的质量参数，获取质量参数最大的中心周期作为最优周期。由于实际情况中医生不可能对所有的MRI图像进行分析，因此需要选择一个边缘信息最好的周期作为最佳周期，将该最佳周期内的MRI图像作为医生需要看的MRI图像；首先，每个中心周期内的MRI图像的数量越多，该周期的质量越好，因为医生可以根据更多的图像中的信息对病人的情况进行识别；其次中心周期内每张MRI图像中的边缘是由多张匹配图像叠加得到的，叠加的次数越多，得到的边缘更接近真实边缘信息。
每个周期内的MRI图像的数量可以直接得到，每张图像的叠加次数是指最终该图像中的边缘是通过多少个一对一匹配的交集计算得到的，例如：中心周期1中的MRI图像为：[a1，a2，a3]，参考周期2中的MRI图像为：[b1，b2，b3，b4]，参考周期3中的MRI图像为：[c1，c2，c3]，以周期1作为中心周期，以周期2和周期3作为周期1的参考周期，周期1和周期2中的匹配关系为：a1-b1，a2-b2，a3-(b3，b4)，周期1和周期3中的匹配关系为：a1-c1，a2-c2，a3-c3，则周期1中的a1的叠加次数为2次，即a1分别与b1，c1进行了叠加；a2的叠加次数为2次，a3由于在与参考周期2中的匹配关系不存在一对一匹配，因此未在参考周期2中进行图像叠加，所以a3的叠加次数为1次，显然可知，叠加次数越多，最终得到的边缘越靠近真实边缘。
获取每个中心周期中的每张心脏核磁共振图像在对应参考周期中符合设定匹配关系的心脏核磁共振图像数量；
获取每个中心周期中核磁共振图像的数量；
获取每个中心周期中的每张心脏核磁共振图像在对应参考周期中符合设定匹配关系的心脏核磁共振图像数量与对应中心周期中核磁共振图像的数量的乘积；
根据该乘积与所有中心周期中最大核磁共振数量的比值得到每个中心周期的质量参数，表达式为：
Figure SMS_2
其中，
Figure SMS_3
表示第j个中心周期的质量参数，
Figure SMS_4
表示第j个中心周期中核磁共振图像 的数量，
Figure SMS_5
表示第j个中心周期中，第i张核磁共振图像叠加的次数，
Figure SMS_6
表示所有中心 周期中最大核磁共振图像的数量，
Figure SMS_7
表示的是归一化后的每个周期内的图像数量值，该 值越大，该周期越应该被选择；
Figure SMS_8
表示的是每个周期内的所有MRI图像的叠加次数之 和，该值越大，对应周期越应该被选择。
计算得到每个周期的质量参数后，选择最大质量参数对应周期作为最佳周期，在得到最佳周期后，也就得到了增强边缘后的周期中的每张核磁共振图像用于对医生进行辅助，最佳周期中图像的整体边缘信息是最好的，该周期图像可以对医生的诊断等起到最大的辅助作用。
106.最优图像获取；将最优周期中的每张心脏核磁共振图像与对应参考周期中符合设定匹配关系的心脏核磁共振图像进行叠加，得到最优心脏核磁共振图像。
首先对每个MRI图像进行otsu阈值分割得到二值图像，然后通过分水岭分割方法得到不同的连通域，不同连通域之间的边界是多线宽的，然后对每个MRI图像构建邻接图结构，如图4所示，邻接图结构中的节点表示每个连通域，即e，f，g，h分别表示四个连通域，而连接连通域的边表示每两个连通域之间的共同边界；如图4中左边图像的记载可以看出，连通域e与连通域f、与连通域g都有共同边界，连通域f与连通域e、与连通域g、与连通域h具有共同边界，连通域g与连通域e、与连通域f、与连通域h具有共同边界，连通域h与连通域f、与连通域g具有共同边界，按照此内容将其转化为图4中右边的邻接图，转化的主要依据是根据每个连通域去其它连通域之间的共同边界来进行转化的，图4右边的图像就是按照此原理通过左边的图像转化而成；
将最优周期中的核磁共振图像以及最优周期对应参考周期中的核磁共振图像转化为二值图像；
利用分水岭分割方法获取每张核磁共振二值图像中的连通域，根据每张核磁共振二值图像中的连通域构建每张核磁共振图像的邻接图结构；
将最优周期中每张核磁共振图像的邻接图结构与最优周期对应的参考周期中符合设定匹配关系的核磁共振图像的邻接图结构进行叠加；
对叠加后的最优周期中的每张核磁共振图像的邻接图结构进行形态学操作。
通过计算可以得到每个MRI图像的邻接图结构，一个中心周期对应多个参考周期，通过将这些图像叠加，计算这些（多像素宽）叠加后的交集区域，将交集区域的中心线作为对应真正的边缘，即计算中心周期中每个图像与匹配图像的叠加，通过形态学腐蚀的方法得到每条边界线的交集区域的中心线，完成了对图4中每条边的更新，最终得到每张心脏核磁共振图像准确的边缘区域，即得到了最优心脏核磁共振图像。
本发明通过连续采集多张心脏核磁共振图像，并进行心跳周期的划分，通过选取其中设定的中心周期和待筛选周期，有利于后续对每个中心周期进行匹配，保证在进行图像叠加时，叠加的图像间差异尽可能小；在对中心周期的待筛选周期进行匹配时，首先对每个周期中的核磁共振图像进行因子分析，从而通过独立因子向量建立周期之间核磁共振图像的匹配关系，保证了得到的参考周期与中心周期特征的相似性，为后续中心周期与参考周期进行图像叠加提供了支撑条件，同时结合匹配关系对图像进行相应的叠加，并根据不同中心周期叠加后图像的效果再次进行筛选，最终得到边缘清晰、准确的最优核磁共振图像，对于核磁共振图像中的边缘检测效果较好。
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、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种心脏MRI辅助成像控制方法，其特征在于，包括：
图像采集；连续采集多张心脏核磁共振图像；
待筛选周期选取；将连续多张心脏核磁共振图像划分为多个心跳周期，选取多个心跳周期中的中心周期，获取每个中心周期相邻设定范围内的心跳周期作为该中心周期的待筛选周期；
图像匹配；将每个中心周期的心脏核磁共振图像分别与该中心周期对应的待筛选周期中的心脏核磁共振图像进行匹配，获取每个中心周期中的心脏核磁共振图像与该中心周期对应的待筛选周期中的心脏核磁共振图像的匹配关系；获取每个待筛选周期中与对应中心周期中的心脏核磁共振图像符合设定匹配关系的心脏核磁共振图像数量；
参考周期筛选；根据每个待筛选周期中与对应中心周期心脏核磁共振图像符合设定匹配关系的心脏核磁共振数量获取每个待筛选周期的参考值；将每个中心周期的待筛选周期中参考值大于阈值对应的待筛选周期作为每个中心周期的参考周期；
确定最优周期；根据每个中心周期中的每张心脏核磁共振图像在对应参考周期中符合设定匹配关系的心脏核磁共振图像数量获取每个中心周期的质量参数，获取质量参数最大的中心周期作为最优周期；
最优图像获取；将最优周期中的每张心脏核磁共振图像与对应参考周期中符合设定匹配关系的心脏核磁共振图像进行叠加，得到最优心脏核磁共振图像。
2.根据权利要求1所述的一种心脏MRI辅助成像控制方法，其特征在于，将连续多张心脏核磁共振图像划分为多个心跳周期的方法为：
心跳周期为从一次心跳的起始到下一次心跳的起始所用的时间；
根据每个心跳周期的时间将采集的连续多张心脏核磁共振图像进行划分，得到多个心跳周期；每个心跳周期中包含多张心脏核磁共振图像。
3.根据权利要求1所述的一种心脏MRI辅助成像控制方法，其特征在于，将每个中心周期的心脏核磁共振图像与该中心周期对应的每个待筛选周期中的心脏核磁共振图像进行匹配的方法为：
对采集的连续多张核磁共振图像进行因子分析，获取每张核磁共振图像的独立因子向量；
获取每个中心周期中每张核磁共振图像的独立因子向量与该中心周期的每个待筛选周期中所有核磁共振图像的独立因子向量之间的余弦相似度均值，作为对应中心周期中每张核磁共振图像在匹配中的节点值；
同理，获取每个待筛选周期中每张核磁共振图像的独立因子与对应中心周期中所有核磁共振图像的独立因子之间的余弦相似度均值，作为每个待筛选周期中每张核磁共振图像在匹配中的节点值。
4.根据权利要求3所述的一种心脏MRI辅助成像控制方法，其特征在于，对连续多张核磁共振图像进行因子分析的方法为：
以从左到右、从上到下的顺序将每一张核磁共振图像转化为向量格式；
对所有核磁共振图像对应的向量进行因子分析，获取所有核磁共振图像对应向量的公共因子向量；
根据每一张核磁共振图像对应的向量减去公共因子向量得到每一张核磁共振图像的独立因子向量。
5.根据权利要求1所述的一种心脏MRI辅助成像控制方法，其特征在于，获取每个中心周期对应的每个待筛选周期的参考值的方法为：
获取每个中心周期与该中心周期对应的每个待筛选周期的时间差值；
获取每个中心周期中核磁共振图像的数量，以及每个中心周期对应的每个待筛选周期中核磁共振图像的数量；
利用每个待筛选周期中与对应中心周期中的心脏核磁共振图像符合设定匹配关系的心脏核磁共振图像数量获取该待筛选周期中所有核磁共振图像数量的占比；
获取每个待筛选周期与对应中心周期之间的核磁共振图像数量最小值，与该待筛选周期和对应中心周期之间时间差值的乘积；
根据每个待筛选周期中与对应中心周期中的心脏核磁共振图像符合设定匹配关系的心脏核磁共振图像数量占比与该乘积的比值获取每个待筛选周期的参考值。
6.根据权利要求1所述的一种心脏MRI辅助成像控制方法，其特征在于，将最优周期中的每张心脏核磁共振图像与对应参考周期中符合设定匹配关系的心脏核磁共振图像进行叠加的方法为：
将最优周期中的核磁共振图像以及最优周期对应参考周期中的核磁共振图像转化为二值图像；
利用分水岭分割方法获取每张核磁共振二值图像中的连通域，根据每张核磁共振二值图像中的连通域构建每张核磁共振图像的邻接图结构；
将最优周期中每张核磁共振图像的邻接图结构与最优周期对应的参考周期中符合设定匹配关系的核磁共振图像的邻接图结构进行叠加；
对叠加后的最优周期中的每张核磁共振图像的邻接图结构进行形态学操作。
7.根据权利要求1所述的一种心脏MRI辅助成像控制方法，其特征在于，获取每个中心周期的质量参数的方法为：
获取每个中心周期中的每张心脏核磁共振图像在对应参考周期中符合设定匹配关系的心脏核磁共振图像数量；
获取每个中心周期中核磁共振图像的数量；
获取每个中心周期中的每张心脏核磁共振图像在对应参考周期中符合设定匹配关系的心脏核磁共振图像数量与对应中心周期中核磁共振图像的数量的乘积；
根据该乘积与所有中心周期中最大核磁共振数量的比值得到每个中心周期的质量参数。
CN202310491678.3A 2023-05-05 2023-05-05 一种心脏mri辅助成像控制方法 Active CN116228802B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310491678.3A CN116228802B (zh) 2023-05-05 2023-05-05 一种心脏mri辅助成像控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310491678.3A CN116228802B (zh) 2023-05-05 2023-05-05 一种心脏mri辅助成像控制方法

Publications (2)

Publication Number Publication Date
CN116228802A CN116228802A (zh) 2023-06-06
CN116228802B true CN116228802B (zh) 2023-07-04

Family

ID=86579049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310491678.3A Active CN116228802B (zh) 2023-05-05 2023-05-05 一种心脏mri辅助成像控制方法

Country Status (1)

Country Link
CN (1) CN116228802B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102525468A (zh) * 2012-01-13 2012-07-04 大连灵动科技发展有限公司 一种基于脑功能成像的脑内激活趋势的分析方法
CN103020945A (zh) * 2011-09-21 2013-04-03 中国科学院电子学研究所 一种多源传感器的遥感图像配准方法
CN106203255A (zh) * 2016-06-24 2016-12-07 华中科技大学 一种基于时间对齐的行人重识别方法及***
CN106709919A (zh) * 2015-11-17 2017-05-24 上海联影医疗科技有限公司 一种心脏灌注磁共振图像的处理方法
CN109001660A (zh) * 2018-06-12 2018-12-14 上海联影医疗科技有限公司 电影成像方法及磁共振成像***
CN109754448A (zh) * 2018-12-29 2019-05-14 深圳安科高技术股份有限公司 一种ct心脏扫描伪影校正方法及其***
CN110599499A (zh) * 2019-08-22 2019-12-20 四川大学 基于多路卷积神经网络的mri图像心脏结构分割方法
EP3951705A1 (en) * 2020-08-04 2022-02-09 Siemens Healthcare GmbH Method, device and system for determining abnormality in myocardium region
CN114746008A (zh) * 2019-12-02 2022-07-12 美敦力公司 生成代表性心脏信息
CN115880511A (zh) * 2022-12-27 2023-03-31 凌云光技术股份有限公司 一种图像筛选方法、装置、***及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7473374B2 (ja) * 2019-03-25 2024-04-23 キヤノンメディカルシステムズ株式会社 画像再構成方法及び再構成装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020945A (zh) * 2011-09-21 2013-04-03 中国科学院电子学研究所 一种多源传感器的遥感图像配准方法
CN102525468A (zh) * 2012-01-13 2012-07-04 大连灵动科技发展有限公司 一种基于脑功能成像的脑内激活趋势的分析方法
CN106709919A (zh) * 2015-11-17 2017-05-24 上海联影医疗科技有限公司 一种心脏灌注磁共振图像的处理方法
CN106203255A (zh) * 2016-06-24 2016-12-07 华中科技大学 一种基于时间对齐的行人重识别方法及***
CN109001660A (zh) * 2018-06-12 2018-12-14 上海联影医疗科技有限公司 电影成像方法及磁共振成像***
CN109754448A (zh) * 2018-12-29 2019-05-14 深圳安科高技术股份有限公司 一种ct心脏扫描伪影校正方法及其***
CN110599499A (zh) * 2019-08-22 2019-12-20 四川大学 基于多路卷积神经网络的mri图像心脏结构分割方法
CN114746008A (zh) * 2019-12-02 2022-07-12 美敦力公司 生成代表性心脏信息
EP3951705A1 (en) * 2020-08-04 2022-02-09 Siemens Healthcare GmbH Method, device and system for determining abnormality in myocardium region
CN115880511A (zh) * 2022-12-27 2023-03-31 凌云光技术股份有限公司 一种图像筛选方法、装置、***及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MRI在乳腺癌新辅助化疗中的研究进展;周世凯 等;《现代医药卫生》;第2294-2297页 *
Patch-based 3D U-Net and transfer learning for longitudinal piglet brain segmentation on MRI;P. Coupeau 等;《 Computer Methods and Programs in Biomedicine》;全文 *

Also Published As

Publication number Publication date
CN116228802A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
Suzuki et al. Extraction of left ventricular contours from left ventriculograms by means of a neural edge detector
Liu et al. Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window
US11475278B2 (en) Artificial intelligence based cardiac motion classification
CN110120051A (zh) 一种基于深度学习的右心室自动分割方法
Liu et al. Cardiac magnetic resonance image segmentation based on convolutional neural network
CN111047607A (zh) 一种自动分割冠状动脉的方法
Liu et al. A simple and effective method for detecting myocardial infarction based on deep convolutional neural network
Zeng et al. MAEF-Net: Multi-attention efficient feature fusion network for left ventricular segmentation and quantitative analysis in two-dimensional echocardiography
WO2022086910A1 (en) Anatomically-informed deep learning on contrast-enhanced cardiac mri
CN112950737A (zh) 基于深度学习的眼底荧光造影图像生成方法
CN112819818A (zh) 图像识别模块训练方法和装置
Zou et al. A novel approach for left ventricle segmentation in tagged MRI
Stalidis et al. Model-based processing scheme for quantitative 4-D cardiac MRI analysis
CN111329467A (zh) 一种基于人工智能的心脏疾病辅助检测方法
CN113689441A (zh) 一种基于DeepLabV3网络的左心室超声动态分割方法
CN116228802B (zh) 一种心脏mri辅助成像控制方法
CN116269426A (zh) 一种十二导联ecg辅助的心脏疾病多模态融合筛查方法
CN116561518A (zh) 一种基于脑区权重相关性的脑网络构建方法
CN116128942A (zh) 基于深度学习的三维多模块医学影像的配准方法和***
CN115841472A (zh) 大脑中动脉高密度征识别方法、装置、设备及存储介质
CN114612484A (zh) 基于无监督学习的视网膜oct图像分割方法
Zhu Estimating left ventricular volume with ROI-based convolutional neural network
Bernard et al. Measurement and quantification
Ting et al. Multiview 3-d echocardiography image fusion with mutual information neural estimation
Suzuki et al. Contour extraction of left ventricular cavity from digital subtraction angiograms using a neural edge detector

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