小波多尺度动态方向梯度矢量流与心脏核磁共振图像分割

主动轮廓线模型已在心脏MRI图像左心室内膜分割中得到了广泛的应用,但是如果轮廓线的初始位置不合理,受到左心室内部组织灰度和心脏周围组织灰度的影响,将难以得到准确而稳定的分割结果。将小波多尺度边缘检测算法应用于主动轮廓线模型,并结合动态方向梯度矢量流(DDGVF)概念,首先在高尺度图像上进行处理,将得到的结果作为低尺度图像上的初始轮廓线继续进行处理。通过这种方法,解决了初始轮廓线必须离真实轮廓很近的问题,有效扩大了主动轮廓模型的捕获范围。

心理支持在心脏核磁共振动态增强扫描患者中的应用

以心脏核磁共振(MRI)动态增强扫描患者为研究样本,予心理支持,评估效果。方法 以111例患者为研究样本(2022.01至2022.12收治),按掷硬币分组方式,分A组(n=55例)和B组(n=56例),予常规护理、常规护理+心理支持,比对效果。结果 ①B组扫描成功率为100.00%,比A组90.91%高(2=5.331,P=0.021);②B组SAS、SDS评分比A组低(P<0.05);③B组回避、侵扰、高唤醒等IES-R评分比A组高(P<0.05);④B组不良症状发生率为10.71%,比A组29.09%低(2=5.896,P=0.015)。结论 在心脏MRI动态增强扫描患者中予以心理支持效果优良,可提高扫描成功率,改善负面情绪,减少不良症状,值得优选。

一种基于主动轮廓模型的心脏核磁共振图像分割方法

提出一种基于主动轮廓模型的左室壁内、外膜分割方法.首先构造了主动轮廓模型的广义法向有偏梯度矢量流外力模型GNBGVF,作为对梯度矢量流(GVF)的改进,该外力场同时保持了切线方向和法线方向有偏的扩散,具有捕捉范围大、抗噪能力强,且在弱边界泄漏等问题上性能突出.就左室壁内膜的分割而言,考虑到左室壁的近似为圆形的特点,引入了圆形约束的能量项,有利于克服由于图像灰度不均、乳突肌等而导致的局部极小.对于左室壁外膜的分割,采用内膜的分割结果初始化,即通过重新组合梯度分量来构造外力场.该外力场能够克服原始梯度矢量流的不足,使得左室壁外膜边缘很弱时也能得到保持,可以自动、准确地分割外膜.实验结果表明,该方法能高效准确地分割左室壁内、外膜.

一种心脏核磁共振图像左室壁内、外膜分割方法

为了充分利用心脏核磁共振图像(magnetic resonance image,简称MRI)中关于左心室的解剖和功能信息,必须先分割左室壁内、外膜.提出一种基于Snake模型的左室壁内、外膜分割方法.首先提出了Snake模型的卷积虚拟静电场外力模型CONVEF(convolutional virtual electric field),该外力场捕捉范围大、抗噪能力强、在C形凹陷区域等问题上性能突出,而且基于卷积运算,采用快速Fourier变换可以实时计算.就左室壁内膜的分割而言,考虑到左室壁的形状近似为圆形,引入基于圆形约束的能量项.对于左室壁外膜的分割,充分挖掘了左室壁内、外膜形状上的相似性和位置上的相关性,构造了形状相似性内能和一个新的边缘图,该边缘图用来计算新的外力场.基于所有这些策略并采用内膜的分割结果初始化,可以自动、准确地分割外膜.通过对一套活体心脏MR(magnetic resonance)图像进行分割并和手工分割结果和GGVF(generalized gradient vector flow)Snake模型的分割结果进行比较,结果表明该方法是有效的.

心脏核磁共振图像左心室底层组织分割方法

提出了一种基于局部灰度聚类(LIC)模型和分水岭算法的心脏核磁共振成像(MRI)图像左心室底层组织分割方法.首先,使用LIC模型对图像进行初步分割,提取出图像中的组织和器官;然后,使用分水岭算法弥补粘连的不同组织或器官之间缺失的边界,将其分开,人工选取种子点进行区域生长初步提取左心室;最后,利用左心室形状特征的先验知识判断提取的左心室中是否包含主动脉,若包含则去除主动脉,得到精确的左心室分割结果.实验结果表明,该方法能有效去除心脏MRI图像上左心室底层存在的弱边界和边缘泄露的影响,得到准确的左心室底层组织分割结果.

基于支持向量机的核磁共振左心室图像自动检测与分割

提出了用基于支持向量机的方法来实现核磁共振左心室图像的自动分割方法.首先用经过训练的支持向量机(SVM)在二维图像中进行识别和定位左心室目标区域并进一步找出边缘区域,采用一种改进的训练方法来提高SVM识别率,然后在足够准确的区域中利用梯度方法找出边缘点,并把他们连接起来,找出目标的边缘,达到分割的目的.实验表明,这种分割方法降低了SVM对背景图像的敏感度,提高了SVM识别率.

基于Demon算法的乳房核磁共振图像配准

为了提高乳房动态核磁共振成像中不同时间点序列图像的配准速度,提出了将快速的Demon非刚性配准算法与图像强度校正相结合的乳房图像配准模型。Demon算法本身基于图像强度变化计算变形参数,因此不适于强度动态增强的图像配准。首先根据乳房组织的信号增强模型应用多项式理论校正待配准图像的强度,再应用Demon算法进行几何变形配准。实验表明该算法在精度上远优于直接使用Demon算法,在与自由形变配准算法具有几乎相同配准精度的前提下,明显提高了配准速度。

用于提取生物体心脏生化信息的核磁共振技术

在国外 ,用核磁共振技术3 1 P -NMR去研究生物体心脏已取得了丰硕的成果 ,并逐渐成为核磁共振研究的一大分支。在国内 ,这方面的研究起步较迟 ,所获得的成果较少。该文简要的介绍了用于提取生物体心脏生化信息的核磁共振技术 ,包括调谐 ,匀场 ,T1的测量 ,3 1 P -NMR参数设置和信息提取方法 ,并给出在各种低氧条件下大鼠心脏生化指标的测量结果。由此可见 ,非损伤性的动态研究 ,并可在同一实验中测定多项生物体的生化指标是3 1 P -NMR的最重要的特点。

多维度动态增强核磁共振乳房区域全自动分割

提出了一种基于乳房水平面与乳房矢状面相结合的多维度DCE-MRI乳房图像全自动分割方法。方法分为3部分,即基于乳房水平面的分割,基于乳房矢状面的分割,以及水平面与矢状面相结合的分割方法。首先,基于水平面的分割方法通过阈值确定乳房外边缘,经过梯度算法后,根据乳房与胸大肌分界面的特点设定约束条件,得到分界面的分割曲线。其次,基于乳房矢状面的分割方法使用双边滤波、边缘提取法对图像预处理,分区计算分割曲线。最后,矢状面的分割结果根据图像三维大小按比例映射到水平面上,将两者的分割结果结合,然后根据相邻图像之间的相关性,从而进行优化,输出分割结果。通过对24例DCE-MRI病例测试,与手动分割得到的结果对比,平均重叠率为93.33%,平均差异度为8.14%。

基于W型网络的乳腺动态对比度增强磁共振图像合成

动态对比增强核磁共振成像已被广泛应用于乳腺癌等恶性肿瘤的临床诊断,但是对造影剂过敏患者将无法进行该项检查,提出一种融合边界及区域信息的增强图像生成网络用于生成乳腺虚拟动态增强MRI图像。该网络由一条下采样路径和两条对称的上采样路径组成,使用跳跃连接将下采样路径的低维特征图直接传递到上采样路径上,同时在两条上采样路径间也实现边界与区域特征图的传递。实验结果表明,该方法能够安全、高效及低费用地实现乳腺虚拟动态增强MRI图像合成。

UConvTrans:全局和局部信息交互的双分支心脏图像分割

心脏核磁共振成像(MRI)具有噪声多、背景和目标区域相似度高、右心室形状不固定、呈月牙形或扁圆形等特点,虽然基于卷积神经网络的U型结构在医学图像分割中表现出色,但由于卷积本身的局部运算特性,提取全局信息特征能力有限,所以很难提升在心脏MRI上的分割精度.针对上述问题,提出一种全局和局部信息交互的双分支网络模型(UConvTrans).首先,利用卷积分支和Transformer分支提取局部特征和建模全局上下文信息,能够保留细节信息并抑制心脏MRI中噪声和背景区域的干扰.其次,设计了融合卷积网络和Transformer结构的模块,该模块将二者提取的特征交互融合,增强了模型表达能力,改善了右心室的分割精度,而且避免了Transformer结构在大规模数据集上预训练,可以灵活调节网络结构.此外,UConvTrans能有效地平衡精度和效率,在MICCAI 2017 ACDC数据集上进行验证,该模型在模型参数量、计算量仅为U-Net的10%、8%的情况下,平均Dice系数比U-Net提高了1.13%.最终,在其官方测试集上实现了右心室92.42%、心肌91.64%、左心室95.06%的Dice系数,在心肌及左心室区域取得了到目前为止最好的结果.

Capsule网络的心脏磁共振图像病患识别

深度学习中胶囊(Capsule)神经元结构旨在克服传统卷积神经网络难以挖掘同级特征之间关系的缺点.胶囊网络(Capsule Net,CapsNet)是以胶囊神经元作为网络单元的一种新型的分类网络结构.该网络使用了压缩(Squash)算法作为激活函数,使用动态路由算法(Dynamic Routing)作为网络优化方法,欲获得更好的分类性能.心脏磁共振图像识别算法面临的主要问题:患病图像与正常图像之间的差异不显著,因此使用多层CNN网络难以达到十分优秀的效果.而胶囊网络CapsNet可以在较浅层网络的情况下,可以容纳更多的特征信息,有利于识别心脏磁共振图像.设计使用浅层胶囊网络对心脏磁共振图像进行二分类病患识别,并与VGG16、SVM(Support Vector Machine,支持向量机)等方法进行比较,实验结果表明CapsNet在应用上优于CNN网络其正确率、敏感度、特异性、AUC指标分别为91.04%、97.60%、87.04%、96.43%.实验结果表明胶囊网络相比较传统方法和浅层网络,在心脏磁共振图像识别方面表现了优异的性能.

组织多普勒超声心脏图像的动态三维重建

传统的超声心脏图像三维重建技术只限于描述三维及动态三维解剖结构,不能对心脏动态功能做出准确有效的评价。本研究将建立组织多普勒超声心脏图像的动态三维重建方法,通过超声医学图像三维重建技术和组织多普勒超声成像技术的结合,重建心脏运动的动态三维加速度场,为心脏功能的准确评价提供一条新的途径。论文解决了加速度矢量场重建过程中关键的矢量插值和融合显像的问题,从组织多普勒加速度图像中分别重建心肌运动三维加速度场和三维解剖结构,并进行融合显像。试验结果证明了二者之间相对空间位置正确,该方法可以为心脏疾病的诊断和心脏功能的评价提供更多信息,在心脏靶点起搏和心内消融等领域有潜在的应用价值。

我需要做心脏的核磁共振检查吗?

编辑部医生： 我是一名患有房颤（心房纤颤）、轻度的心衰及高血压的84岁男性，现时高血压已得到很好的控制。医生给我佩戴了动态心电监护仪、行SPECT（单光子发射计算机切层）扫描，后者显示了非缺血眭的心肌病。现在医生想让我加做心脏的核磁共振检查（MRI），这次检查不知道将会提供哪些医生还没有得到另一些新的信息呢？

一种基于深度学习的2.5D心脏分割算法

心脏动态核磁共振图像的自动分割算法可以有效减少心血管科医生压力,其分割结果是评估心脏功能的金标准。文章提出了一种有效分割心脏动态核磁共振图像的自动分割算法。该算法采用U形神经网络结果,根据心脏动态核磁共振图像,网络结构分为目标图像下采样层、相邻时间片下采样层、上采样层和连接桥。与其他分割算法相比,文章提出的算法能够更好地分割心脏图像,分割效果更为精准。

选择性双向顺序压缩感知重建动态磁共振成像

压缩感知是一种新兴技术,该技术能够用远低于奈奎斯特采样频率采集的信号恢复出原始信号.压缩感知成像方法大大提高了心脏磁共振成像的采集速度,已有的方法主要利用动态图像时间相关及心脏的周期性运动特征,如采用在时间维做傅立叶变换或求解每帧数据跟参考帧数据的差异获取稀疏数据,满足压缩感知重建的要求.该文提出了选择性双向顺序压缩感知重建算法,利用相邻帧的差异更小的特点,获取更加稀疏的差异数据,同时利用动态图像的周期性,以目标函数积分为判据,在时间顺序和时间逆序两个方向选择效果更好的方向进行数据重建,降低图像伪影和噪声.该选择算法,可以在不增加重建时间的情况下,选择双向顺序重建中最佳的结果.该文对心脏磁共振图像数据进行了数据处理实验,并且跟传统压缩感知算法、参考帧差异方法及匙孔成像方法进行了比较.结果表明:该方法无论从视觉效果还是从统计结果上,都有很大的改善.

组织多普勒超声心脏图像的动态三维重建方法

目的:探讨组织多普勒超声心脏图像动态三维重建方法,以提升诊断的准确性。方法:将解剖结构以及功能参数信息从多普勒超声医学图像中进行分离,结合三维场分布对其进行重建,并将重建结果实施融合显像。结果:该方法科学地展示了功能参数以及解剖结构两者之间的关系,实现了组织多普勒超声心脏图像的动态三维重建。结论:通过将组织多普勒成像技术和超声医学图像三维重建技术相结合,科学地实现并完成组织多普勒超声心脏图像的动态三维重建,在临床医学上具有十分重要的意义和价值。

阈值分割与动态轮廓模型在胃壁磁共振成像中的应用

提出了一种基于肾脏核磁共振图像来提取肾脏内部的皮质与髓质区域的图像分割算法,它结合了阈值分割与动态轮廓模型。首先,通过预处理和阈值分割得到初始的二值图像;接着,手动设定起始轮廓,它在简化后的动态轮廓模型作用下,模仿"气球"膨胀变形,最终,得到所需目标组织的初始轮廓;最后,它在传统的动态轮廓模型作用下停靠在由原图的梯度图像定义的组织边缘处。