针对2维超声心动图像噪声大且难于分割的特点,提出基于Centripetal Catmull-Rom曲线的多尺度活动形状模型的左心室分割方法。该算法在金字塔上层提取2维轮廓法线向量特征并采用马氏距离寻找新的特征点位置;在图像金字塔底层快速提取特...针对2维超声心动图像噪声大且难于分割的特点,提出基于Centripetal Catmull-Rom曲线的多尺度活动形状模型的左心室分割方法。该算法在金字塔上层提取2维轮廓法线向量特征并采用马氏距离寻找新的特征点位置;在图像金字塔底层快速提取特征点周围的Log-Gabor特征并使用Gentle Ada Boost训练分类器,选择置信度水平最高的点作为新的特征点位置。实验证明,这种方法较之传统活动形状模型分割更为精确且分割结果交互方便,有利于对结果的再编辑。展开更多
心血管疾病已成为威胁人类健康的头号杀手。目前,医生们通过左心室MRI成像技术对左心室轮廓进行手工标注来计算心脏的各项功能参数,以监测和预防心血管疾病,但此方法的标注工作量大、耗时且繁琐。目前,深度学习在许多医疗影像分割领域...心血管疾病已成为威胁人类健康的头号杀手。目前,医生们通过左心室MRI成像技术对左心室轮廓进行手工标注来计算心脏的各项功能参数,以监测和预防心血管疾病,但此方法的标注工作量大、耗时且繁琐。目前,深度学习在许多医疗影像分割领域取得了显著的成功,但在左心室轮廓分割领域仍有提升的空间。文中提出了一种基于组归一化与最近邻插值的MRI左心室轮廓精确分割网络——GNNI U-net(U-net with Group Normalization and Nearest Interpolation),该网络利用组归一化方法构建了能够快速、准确提取特征信息的卷积模块,基于最近邻插值法构建了用于特征信息还原的上采样模块。在Sunnybrook与LVSC两个左心室分割数据集上采用了中心裁减ROI提取的预处理方法,并对GNNI U-net进行了充分的对比实验。所提网络在Sunnybrook数据集上获得了Dice系数为0.937以及Jaccard系数为0.893的精度。在LVSC数据集上获得了Dice系数为0.957以及Jaccard系数为0.921的精度。GNNI U-net在左心室轮廓分割领域取得了比现有卷积网络分割方法更高的Dice系数精度。最后,进一步讨论并验证了组归一化操作卷积模块能够加速网络的收敛并提高分割精度;采用最近邻插值法的上采样模块对左心室轮廓这类较小目标的分割效果更好,能够在一定程度上加速网络的收敛。展开更多
文摘针对2维超声心动图像噪声大且难于分割的特点,提出基于Centripetal Catmull-Rom曲线的多尺度活动形状模型的左心室分割方法。该算法在金字塔上层提取2维轮廓法线向量特征并采用马氏距离寻找新的特征点位置;在图像金字塔底层快速提取特征点周围的Log-Gabor特征并使用Gentle Ada Boost训练分类器,选择置信度水平最高的点作为新的特征点位置。实验证明,这种方法较之传统活动形状模型分割更为精确且分割结果交互方便,有利于对结果的再编辑。
文摘心血管疾病已成为威胁人类健康的头号杀手。目前,医生们通过左心室MRI成像技术对左心室轮廓进行手工标注来计算心脏的各项功能参数,以监测和预防心血管疾病,但此方法的标注工作量大、耗时且繁琐。目前,深度学习在许多医疗影像分割领域取得了显著的成功,但在左心室轮廓分割领域仍有提升的空间。文中提出了一种基于组归一化与最近邻插值的MRI左心室轮廓精确分割网络——GNNI U-net(U-net with Group Normalization and Nearest Interpolation),该网络利用组归一化方法构建了能够快速、准确提取特征信息的卷积模块,基于最近邻插值法构建了用于特征信息还原的上采样模块。在Sunnybrook与LVSC两个左心室分割数据集上采用了中心裁减ROI提取的预处理方法,并对GNNI U-net进行了充分的对比实验。所提网络在Sunnybrook数据集上获得了Dice系数为0.937以及Jaccard系数为0.893的精度。在LVSC数据集上获得了Dice系数为0.957以及Jaccard系数为0.921的精度。GNNI U-net在左心室轮廓分割领域取得了比现有卷积网络分割方法更高的Dice系数精度。最后,进一步讨论并验证了组归一化操作卷积模块能够加速网络的收敛并提高分割精度;采用最近邻插值法的上采样模块对左心室轮廓这类较小目标的分割效果更好,能够在一定程度上加速网络的收敛。
