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.

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.

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。

基于纹理分析的带标记线心脏MR图像分割

背景:左心室边界的准确分割是对左心室运动及形变进行分析的前提。由于受带标记线心脏核磁共振图像中标记线强梯度的影响,对左心室内膜的提取变得非常困难。目的:为了抑制标记线对图像分割的影响,提出了一种基于最小值-方差能量图的纹理分析方法。方法:首先对局部最小值和方差进行加权求和,得到能量图;然后利用中值滤波滤除能量图中的伪影并保持边界;最后,应用GVF-snake模型提取左心室内膜。结果与结论:针对标记线在心脏MR图像中的分布特征,提出了一种基于最小值-方差的纹理分析方法,该方法有效地去除了标记线。结果提示,对使用该纹理分析方法生成的能量图应用GVF-snake模型可以较好地提取左心室内膜。

多尺度空洞U-Net网络的电影CMR图像分割

在电影心脏核磁共振(CMR)图像上准确分割左心室、右心室和心肌是心脏功能评估和诊断的重要步骤。然而,大多数带标注的CMR图像数据量较少,无法满足训练需求,同时CMR图像中心脏结构复杂,心室及心肌边界不清晰,导致分割效果欠佳。因此,该文提出了一种基于迁移学习和多尺度空洞U-Net网络的CMR图像分割方法,使用迁移学习,将预训练模型得到的网络参数迁移到目标模型上作为目标模型的初始化参数,提高网络的特征学习能力,解决CMR图像数据量不足的问题;在U-Net网络中引入多尺度空洞卷积模块,使用空洞卷积代替普通卷积在参数不变的情况下扩大了感受野,并且采用多尺度特征融合提取更加精细的特征,解决CMR图像边界曲线欠分割的问题。实验结果表明,该方法能有效实现心脏中左心室、右心室和心肌的准确分割,平均Dice系数和Hausdorff距离平均值分别为0.902和4.219 mm,对比其他网络分割模型明显提高了分割精度。

结合有限元和非刚体运动估计的左心室应变分析

提出一种直观地分析左心室在心脏收缩期的应变情况的方法.首先利用心脏核磁共振图像数据对左心室进行三维实体建模,再进行有限元单元划分;然后,使用非刚体运动估计算法——单位法线及高斯曲率混合算法,在左心室收缩期相邻时刻的有限元模型表面上寻找最相似单元结点作为对应单元结点,计算各对应结点间的位移,并用α剪枝平均对位移过大的可疑结点进行处理;最后,利用弹塑性力学中应变与位移间的几何关系求解左心室表面各单元结点的应变,获得位移和应变的彩色云图.实验结果表明,该方法能直观、有效地反映左心室表面在整个心脏收缩期的形变情况和应变分布.

基于柱坐标B样条活动曲面模型的3D分割方法

基于长轴和短轴系列核磁共振图像重建3D左心室内外表面是提取左心室基本形态参数以及左心室运动分析的基础.提出了柱坐标B样条主动表面(CBAS)模型,将其用于3D分割左心室内外膜表面.CBAS模型的等参曲线网格由B-snake模型组成,根据短轴、长轴成像平面在3D空间中的位置关系,网格中的节点在两幅短轴及长轴图像上寻找对应的边缘点,节点间的采样点则在单一的短轴或长轴图像上获得图像能量.首先利用改进的模糊Hough变换确定短轴图像中左心室心肌内外轮廓的大致位置,其次用其构建柱坐标B样条主动曲面模型的初始表面.对左心室表面的分割过程在柱坐标下进行,使得模型在SA图像及LA图像上形状的改变能够统一为一个参数的变化,减小了模型的复杂度.最后通过与手工分割结果的线性回归分析证明了方法的准确性.

基于图划分的形状统计主动轮廓模型心脏MR图像分割

为有效分析心脏功能,高精度分割左、右心室是必要的.心脏MR图像中存在图像灰度不均,左、右心室及周围其它组织灰度接近,存在弱边缘、边缘断裂及噪声造成边缘模糊等现象,给精确分割左、右心室轮廓带来困难.本文在基于图划分的主动轮廓方法基础上,通过对训练形状进行配准及变化模式分析,定义左、右心室轮廓形状变化允许空间,提出基于图划分的形状统计主动轮廓模型来分割心脏MR图像.该方法通过图划分理论将图像分割问题转化为最优化问题,所以能够得到全局最优解,具有较大的捕捉范围.还引入形状统计来引导曲线的演化,有效处理曲线演化时存在的边缘泄漏问题,提高分割精度.实验结果表明,本文方法较以往方法具有更高的分割精度和更好的稳定性,为临床应用提供一种较可行的方法.