System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医疗器械,更具体地说,它涉及一种基于种子点生长的自动样本标注方法。
技术介绍
1、心房颤动是最常见的持续性心律失常,其发病率和患病率逐年增加,导管消融是目前治疗房颤最有效的方法,获取准确的左心房结构是基于影像的方法中至关重要的一步。只有获取准确的左心房结构才能计算出准确的临床指标来诊断房颤。目前左心房分割主要由有成熟电生理及心血管操作经验者用导管标测进行获取,使用导管大头依次勾勒出四条肺静脉及开口的状态,再贴壁绘出心房壁结构,还需使用精细修图工具,根据轨迹擦除嵴部和下肺静脉的假腔才能得到心房模型,此方案耗时长对医生要求高并且标测导管遮挡影像重建效果。
2、现有左心房三维重建用专用标测消融导管于左心房取点进行左心房和肺静脉前庭解剖重建,肺静脉前庭位置用特殊点标记。标测时首先在左心房后壁、下壁、上壁、前壁、侧壁区域内分别采集10~30个点,构建大致左心房分割图像。然后在标测系统中,重建出左心房及肺静脉的三维图像,重建图像中仍同时存在有其他心腔结构。其次将区分点标记于各个界限明确的心腔结构上,利用算式界定每一结构的边界,从而将各个心腔结构分离并隐藏除左心房和肺静脉外的其他结构,最后应用软件工具切除并隐藏肺静脉远端,仅保留左心房及肺静脉根部图像。
3、现有技术对医生有更高的要求,需要专业电生理标测人员操作,具有较强依赖性,其次术者对建模节奏的控制力下降,当导管脱出左心房或进入左心室时,导管移动的轨迹会如实的连续记录在系统的构图上,严重的影像术者的视野,而台下作电生理标测人员通过手动涂擦掉这些影像的速
4、因此,为了解决上述技术问题本申请提出一种基于种子点生长的自动样本标注方法。
技术实现思路
1、针对现有技术存在的不足,本专利技术的目的在于提供一种基于种子点生长的自动样本标注方法。
2、为实现上述目的,本专利技术提供了如下技术方案:包括前期数据采集、获取种子点和图像分割获取模型训练标签,
3、所述前期数据采集包括,前期心脏切面图采集,用于观察心脏影像体会超声导管高度调节的技巧并观察心脏解剖结构,获取360度的左心房超声心动图;
4、所述获取种子点包括,获取连续心动图后对每张图片进行阈值处理,其次对原始图像进行二值化处理后,通过形态学处理图像,用于获取最大轮廓的中心点即为种子点;
5、所述图像分割获取模型训练标签包括,对图像中的每个像素加标签将具有相同标签的像素具有某种共同视觉特性,选中和种子点相连的区域,用于形成具有相似特征的独立区域,作为模型训练的标签,提高精确度的同时节约时间。
6、本方案中,前期心脏切面图采集,随着导管将心脏影像出现在超声屏幕中,观察心脏影像,使用超声机上的“depth”功能(超声深度调节),充分观察心脏解剖结构,继续轻送导管到右心房中部,获得更清晰的心脏切片图像,按照预定路线进行转动,获取360度的左心房超声心动图。
7、本实施例中,获取连续心动图后,首先对每张图片进行阈值处理,分别获取对单张图像去除黑色背景以及去除白色组织的阈值,然后分别对原始图像进行二值化,将得到的两幅图像相“与”操作,然后通过形态学处理,对图像进行开操作平滑图像轮廓,消除小的孔洞,腐蚀去除噪声和闭操作,删除小的干扰块和闭合区域,然后得到初始轮廓,最大轮廓即为我们的目标区域,获取最大轮廓的中心点即为种子点。
8、需要注意的是,对图像中的每个像素添加标签,将具有相同标签的像素具有某种共同视觉特性,选中和种子点相连的区域,接着将该区域替换成白色,并且设置连通像素的下届插值为10,上届插值为20,使得临近像素点在给定范围内,形成具有相似特征的独立区域,得到分割后的图像后,作为模型训练的标签,节省很多时间又提高精确度。
9、所述前期数据采集包括对获取的心脏切面图进行自动识别并筛选的智能化筛选模块,实现对采集的大量的切面图进行智能化取用并进行种子点的获取,所述智能化筛选模块内包括图像分类模块、图像特征提取模块、图像检索模块和图像标注模块。
10、所述图像分类模块:利用深度学习等算法对心脏切面图进行分类,筛选出符合要求的图像;
11、所述图像特征提取模块:从心脏切面图中提取特征向量,用于分类和筛选;
12、所述图像检索模块:通过相似度匹配等算法对心脏切面图进行筛选,提高筛选效率;
13、所述图像标注模块:对筛选后的心脏切面图进行标注,便于后续的分析和研究。
14、所述图像分类模块中提取不同图片中的不同特征向量从而对图片进行分类筛选,其中针对特征向量的提取中关键点的提取计算公式为:t表示阈值;
15、其中针对特征的梯度幅值计算公式为:
16、g_x=\frac{1}{w}\operatorname{sgn}(d_x)\sqrt{\frac{\delta d_x^2}{\delta w^2}+\frac{\delta d_y^2}{\delta w^2}};
17、g_y=\frac{1}{w}\operatorname{sgn}(d_y)\sqrt{\frac{\delta d_x^2}{\delta w^2}+\frac{\delta d_y^2}{\delta w^2}};
18、w表示图像宽度,d_x和d_y分别表示x方向和y方向的梯度;
19、其中针对特征的梯度幅角计算公式为:
20、
heta=\operatorname{atan2}(g_y,g_x);
21、根据相似度结果对图像进行排序,选取相似度较高的一些图像进行筛选,可以根据实际需求设定筛选标准,针对采集的心脏切片的大量的图片进行自动预先分类整理后进行筛选取用,提高工作效率。
22、一种基于种子点生长的自动样本标注方法的使用步骤:
23、s1,首先由homeview位置顺时针旋转超声导管,超声扇面指向间隔侧,此时可以看到冠状窦窦口;
24、s2,继续顺时针旋转,并稍向上送超声导管,超声指向左心房,可以看到左心房及其最靠前的结构——左心耳;
25、s3,继续顺时针旋转超声导管,此时超声扇面指向左心房后壁,可以看到坐上肺静脉,左下肺静脉,及左心房后壁毗邻降主动脉;
26、s4,继续顺时针旋转,此时超声扇面离开左侧上,下肺静脉,指向左心房后壁,可见到左心房后壁紧贴食管;
27、s5,继续旋转,使超声导管指向右肺静脉,可在此超声扇面出现“3”字征或“葫芦”征,至此左心房导管行驶路线完成;
28、s6,在导管本文档来自技高网...
【技术保护点】
1.一种基于种子点生长的自动样本标注方法,包括前期数据采集、获取种子点和图像分割获取模型训练标签,其特征在于:
2.根据权利要求1所述的一种基于种子点生长的自动样本标注方法,其特征在于:前期心脏切面图采集,随着导管将心脏影像出现在超声屏幕中,观察心脏影像,使用超声机上的“Depth”功能(超声深度调节),充分观察心脏解剖结构,继续轻送导管到右心房中部,获得更清晰的心脏切片图像,按照预定路线进行转动,获取360度的左心房超声心动图。
3.根据权利要求2所述的一种基于种子点生长的自动样本标注方法,其特征在于:获取连续心动图后,首先对每张图片进行阈值处理,分别获取对单张图像去除黑色背景以及去除白色组织的阈值,然后分别对原始图像进行二值化,将得到的两幅图像相“与”操作,然后通过形态学处理,对图像进行开操作平滑图像轮廓,消除小的孔洞,腐蚀去除噪声和闭操作,删除小的干扰块和闭合区域,然后得到初始轮廓,最大轮廓即为我们的目标区域,获取最大轮廓的中心点即为种子点。
4.根据权利要求3所述的一种基于种子点生长的自动样本标注方法,其特征在于:对图像中的每个像素添加
5.根据权利要求4所述的一种基于种子点生长的自动样本标注方法,其特征在于:所述前期数据采集包括对获取的心脏切面图进行自动识别并筛选的智能化筛选模块,实现对采集的大量的切面图进行智能化取用并进行种子点的获取,所述智能化筛选模块内包括图像分类模块、图像特征提取模块、图像检索模块和图像标注模块。
6.根据权利要求5所述的一种基于种子点生长的自动样本标注方法,其特征在于:所述图像分类模块:利用深度学习等算法对心脏切面图进行分类,筛选出符合要求的图像;
7.根据权利要求1-4任一权利要求书的一种基于种子点生长的自动样本标注方法的使用步骤:
...【技术特征摘要】
1.一种基于种子点生长的自动样本标注方法,包括前期数据采集、获取种子点和图像分割获取模型训练标签,其特征在于:
2.根据权利要求1所述的一种基于种子点生长的自动样本标注方法,其特征在于:前期心脏切面图采集,随着导管将心脏影像出现在超声屏幕中,观察心脏影像,使用超声机上的“depth”功能(超声深度调节),充分观察心脏解剖结构,继续轻送导管到右心房中部,获得更清晰的心脏切片图像,按照预定路线进行转动,获取360度的左心房超声心动图。
3.根据权利要求2所述的一种基于种子点生长的自动样本标注方法,其特征在于:获取连续心动图后,首先对每张图片进行阈值处理,分别获取对单张图像去除黑色背景以及去除白色组织的阈值,然后分别对原始图像进行二值化,将得到的两幅图像相“与”操作,然后通过形态学处理,对图像进行开操作平滑图像轮廓,消除小的孔洞,腐蚀去除噪声和闭操作,删除小的干扰块和闭合区域,然后得到初始轮廓,最大轮廓即为我们的目标区域,获取最大轮廓的中心点即为种子点。
4.根据权利要求3所...
【专利技术属性】
技术研发人员:张冬宇,吴建,
申请(专利权)人:苏州霆创科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。