【技术实现步骤摘要】
本专利技术属于一种图谱分割方法，具体是涉及到一种核磁多时序影像图谱分割方法、装置及电子设备。
技术介绍
1、核磁共振成像(nuclear magnetic resonance imaging，nmri)，也称磁共振成像(magnetic resonance imaging，mri)，是利用核磁共振(nuclear magnetic resonance，nmr)原理，依据所释放的能量在物质内部不同结构环境中不同的衰减，通过外加梯度磁场检测所发射出的电磁波，即可得知构成这一物体原子核的位置和种类，据此可以绘制成物体内部的结构图像。
2、cine序列短轴是mri中一种用于心脏成像的常见扫描方式，通常存储为dicom(digital imaging and communications in medicine)格式的文件。cine序列短轴是一种多时序四维影像，通常包含4个维度的信息，分别为时序维度、位置维度、图像高度维度和图像宽度维度，cine短轴影像在格式上是时间与空间维度的结合，包含心动周期内的动态变化信息。
3、在对cine序列短轴影像进行图谱分割时，通常是将cine序列短轴影像中的图像数据(即时序数据的每一帧)作为输入，直接输入到深度学习图谱分割模型进行图谱分割，完全没有考虑数据的时序信息和扫描信息，从而导致图谱分割的效果较差。
技术实现思路
1、本专利技术要解决的技术问题是现有技术常用的上述方法进行图谱分割时没有考虑到数据的时序信息和扫描信息，导致图谱分割
2、本专利技术的内容包括：
3、第一方面，本专利技术实施例提供了一种核磁多时序影像图谱分割方法，包括：
4、将核磁多时序影像数据进行数据拆分，得到第一数据和第二数据，所述核磁多时序影像数据包括时序维度、位置维度、图像高度维度和图像宽度维度，所述第一数据包括所述时序维度、所述图像高度维度和所述图像宽度维度，所述第二数据包括所述位置维度、所述图像高度维度和所述图像宽度维度；
5、基于所述第一数据进行心动周期位置回归，得到图像数据的心动周期位置，所述图像数据包括所述图像高度维度和所述图像宽度维度；
6、基于所述第二数据进行相对空间位置回归，得到所述图像数据的相对空间位置；
7、基于所述图像数据的心动周期位置和所述图像数据的相对空间位置，对所述图像数据进行图谱分割，得到图谱分割结果。
8、可选地，所述核磁多时序影像数据为cine序列短轴数据，所述cine序列短轴数据的大小为(p,t,h,w)，所述第一数据的大小为(t,h,w)，所述第一数据的数量为p，所述第二数据的大小为(p,h,w)，所述第二数据的数量为t，其中，p用于表征所述位置维度的大小，t用于表征所述时序维度的大小，h用于表征所述图像高度维度的大小，w用于表征所述图像宽度维度的大小，p,t,h,w均为正整数。
9、可选地，所述基于所述第一数据进行心动周期位置回归，得到图像数据的心动周期位置，包括：
10、将第p/2个所述第一数据输入预先训练的第一深度学习回归模型进行心动周期位置回归，得到第一输出向量，所述第一输出向量用于表征所述第一数据中每一个时刻对应的所述图像数据的心动周期位置，所述第一输出向量为t维向量。
11、可选地，所述基于所述第二数据进行相对空间位置回归，得到所述图像数据的相对空间位置，包括：
12、将t个所述第二数据输入预先训练的第二深度学习回归模型进行相对空间位置回归，得到第二输出向量，所述第二输出向量用于表征所述第二数据中每一个位置对应的所述图像数据的相对空间位置，所述第二输出向量为p维向量。
13、可选地，所述将t个所述第二数据输入预先训练的第二深度学习回归模型进行相对空间位置回归，得到第二输出向量，包括：
14、将t个所述第二数据输入预先训练的所述第二深度学习回归模型进行相对空间位置回归，得到t个第三输出向量，第三输出向量为p维向量；
15、将t个所述第三输出向量的平均值确定为所述第二输出向量。
16、可选地，所述基于所述图像数据的心动周期位置和所述图像数据的相对空间位置，对所述图像数据进行图谱分割，得到图谱分割结果，包括：
17、将第一图像数据、第二图像数据、目标图像数据、第三图像数据、第四图像数据以及所述目标图像数据的心动周期位置和相对空间位置输入预先训练的深度学习分割模型进行图谱分割，得到所述目标图像数据的图谱分割结果；
18、其中，所述目标图像数据为(p,t)对应的图像数据，所述第一图像数据为(p-1,t)对应的图像数据、所述第二图像数据为(p,t-1)对应的图像数据、所述第三图像数据为(p,t+1)对应的图像数据、所述第四图像数据为(p+1,t)对应的图像数据，p为所述位置维度中的任一个位置，t为所述时序维度中的任一个时刻。
19、可选地，所述将第一图像数据、第二图像数据、目标图像数据、第三图像数据、第四图像数据以及所述目标图像数据的心动周期位置和相对空间位置输入预先训练的深度学习分割模型进行图谱分割，得到所述目标图像数据的图谱分割结果，包括：
20、将所述第一图像数据、所述第二图像数据、所述目标图像数据、所述第三图像数据和所述第四图像数据输入所述深度学习分割模型的编码部分进行下采样处理，得到下采样特征图；
21、将所述下采样特征图分别与所述目标图像数据的心动周期位置和相对空间位置相乘后拼接，得到目标特征图；
22、将所述目标特征图输入所述深度学习分割模型的解码部分进行上采样处理，得到所述目标图像数据的图谱分割结果。
23、第二方面，本专利技术实施例还提供了一种核磁多时序影像图谱分割装置，包括：
24、数据拆分模块，用于将核磁多时序影像数据进行数据拆分，得到第一数据和第二数据，所述核磁多时序影像数据包括时序维度、位置维度、图像高度维度和图像宽度维度，所述第一数据包括所述时序维度、所述图像高度维度和所述图像宽度维度，所述第二数据包括所述位置维度、所述图像高度维度和所述图像宽度维度；
25、第一处理模块，用于基于所述第一数据进行心动周期位置回归，得到图像数据的心动周期位置，所述图像数据包括所述图像高度维度和所述图像宽度维度；
26、第二处理模块，用于基于所述第二数据进行相对空间位置回归，得到所述图像数据的相对空间位置；
27、图谱分割模块，用于基于所述图像数据的心动周期位置和所述图像数据的相对空间位置，对所述图像数据进行图谱分割，得到图谱分割结果。
28、第三方面，本专利技术实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如第一方面所述的核磁多时序影像图谱分割方法中的步骤。
29本文档来自技高网...
【技术保护点】
1.一种核磁多时序影像图谱分割方法，其特征是，包括：
2.如权利要求1所述的方法，其特征是，所述核磁多时序影像数据为CINE序列短轴数据，所述CINE序列短轴数据的大小为(P,T,H,W)，所述第一数据的大小为(T,H,W)，所述第一数据的数量为P，所述第二数据的大小为(P,H,W)，所述第二数据的数量为T，其中，P用于表征所述位置维度的大小，T用于表征所述时序维度的大小，H用于表征所述图像高度维度的大小，W用于表征所述图像宽度维度的大小，P,T,H,W均为正整数。
3.如权利要求2所述的方法，其特征是，所述基于所述第一数据进行心动周期位置回归，得到图像数据的心动周期位置，包括：
4.如权利要求2所述的方法，其特征是，所述基于所述第二数据进行相对空间位置回归，得到所述图像数据的相对空间位置，包括：
5.如权利要求4所述的方法，其特征是，所述将T个所述第二数据输入预先训练的第二深度学习回归模型进行相对空间位置回归，得到第二输出向量，包括：
6.如权利要求1所述的方法，其特征是，所述基于所述图像数据的心动周期位置和所述图像数
7.如权利要求6所述的方法，其特征是，所述将第一图像数据、第二图像数据、目标图像数据、第三图像数据、第四图像数据以及所述目标图像数据的心动周期位置和相对空间位置输入预先训练的深度学习分割模型进行图谱分割，得到所述目标图像数据的图谱分割结果，包括：
8.一种核磁多时序影像图谱分割装置，其特征是，包括：
9.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；其特征是，所述处理器，用于读取存储器中的程序实现如权利要求1至7中任一项所述的核磁多时序影像图谱分割方法中的步骤。
10.一种可读存储介质，用于存储程序，其特征是，所述程序被处理器执行时实现如权利要求1至7中任一项所述的核磁多时序影像图谱分割方法中的步骤。
...【技术特征摘要】
1.一种核磁多时序影像图谱分割方法，其特征是，包括：
2.如权利要求1所述的方法，其特征是，所述核磁多时序影像数据为cine序列短轴数据，所述cine序列短轴数据的大小为(p,t,h,w)，所述第一数据的大小为(t,h,w)，所述第一数据的数量为p，所述第二数据的大小为(p,h,w)，所述第二数据的数量为t，其中，p用于表征所述位置维度的大小，t用于表征所述时序维度的大小，h用于表征所述图像高度维度的大小，w用于表征所述图像宽度维度的大小，p,t,h,w均为正整数。
3.如权利要求2所述的方法，其特征是，所述基于所述第一数据进行心动周期位置回归，得到图像数据的心动周期位置，包括：
4.如权利要求2所述的方法，其特征是，所述基于所述第二数据进行相对空间位置回归，得到所述图像数据的相对空间位置，包括：
5.如权利要求4所述的方法，其特征是，所述将t个所述第二数据输入预先训练的第二深度学习回归模型进行相对空间位置回归，得到第二...
【专利技术属性】
技术研发人员：程流泉，李梦露，刘盼，
申请(专利权)人：中国人民解放军总医院第六医学中心，
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。