基于解剖学几何特征的心脏MR图像分割与形态学分析研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    61671135
  • 项目类别：
    面上项目
  • 资助金额：
    60.0万
  • 负责人：
    李纯明
  • 依托单位：
    电子科技大学
  • 学科分类：
    F0116.图像信息处理
  • 结题年份：
    2020
  • 批准年份：
    2016
  • 项目状态：
    已结题
  • 起止时间：
    2017-01-01 至2020-12-31

项目摘要

Cardiac diseases are the major threads to human health. Cardiac MR (CMR) image segmentation and morphometric analysis can effectively improve the accuracy of diagnosis of heart diseases. This project proposes to use two level set functions with two layer to represent basic cardiac structures, including left ventricle, right ventricle, and myocardium, according to geometrical characteristics of the heart; Based on this heart model, we propose a segmentation model which is able to preserve the geometrical properties of the cardiac structures (e.g. convexity of left ventricle), and extend it to the segmentation of images with pathologies and 4D segmentation of time sequence images with spatial-temporal regularization; Based on the segmentation results, we will perform static and dynamic morphometric analysis of the heart, and seek for imaging biomarkers that are correlated with cardiac diseases. This project fully exploits the knowledge of heart anatomy and the advantage of the level set method to perform comprehensive segmentation and quantitative morphometric analysis, which has significant scientific value for the medical research of heart diseases and improvement of the accuracy of clinical diagnosis.
心脏病是威胁人类健康的主要疾病之一，心脏磁共振图像分割与形态学分析可以有效提高心脏疾病诊断的准确性。本课题针对心脏解剖学结构的几何特征，提出双水平集函数双层模型来表示左右心室和心肌等心脏基本结构；在此基础上，建立保持心脏解剖学结构几何性质（如左心室凸性）的心脏磁共振图像分割模型，并推广为对含病灶的图像分割模型和对时间序列图像的时空正则化4D分割模型，提高分割的精度、鲁棒性与自动化程度；在心脏分割结果的基础上，进行心脏的静态与动态形态学分析，建立与疾病关联的影像学生物标记。本课题充分利用心脏解剖学知识和水平集方法的优势，对心脏主要的基本结构和病灶进行完整的分割和形态学定量分析，为心脏疾病的诊断与分级提供更为全面的定量信息，对于开展心脏疾病的医学研究和提高临床诊断的准确性都有一定的科学意义。

结项摘要

结题摘要..项目背景：心脏病是威胁人类健康的主要疾病之一，心脏磁共振成像技术为心脏疾病的诊疗提供了十分有效的手段。心脏磁共振图像的分割能够得到患者的心脏解剖结构和病灶的定位，以及在分割基础上的图像分析，为临床医生对心脏疾病的诊疗提供各种有用的量化信息。..主要研究内容：本项目以磁共振心脏影像分割为核心开展研究，开发了一套基于心脏解剖学知识的磁共振心脏图像分割的水平集方法，能够完整地分割心室的基本结构，包括左右心室、心肌、心内膜与外膜。该方法充分利用了心脏的解剖学知识，巧妙地把心室基本结构的几何特征融入到心室分割的水平集方法框架中，从而提高了分割精度、算法的自动化程度与鲁棒性，达到了项目的预期目标。作为本项目核心课题磁共振心脏图像分割的辅助与补充，我们还研究了心脏磁共振图像处理所需的图像恢复与增强、磁共振图像的偏移场校正、心脏图像层间错位校正、磁共振图像的病灶分割。研究成果在磁共振影像领域的国际知名期刊Magnetic Resonance Imaging以及Neurocomputing和《模式识别与人工智能》等图像处理和人工智能领域的国内外知名期刊已发表8篇论文，在国际学术会议上发表7篇，另外还有多篇论文在投稿评审过程中。申请了多项国家发明专利，其中三项已授权。..科学意义：本项目的核心成果为基于解剖学几何特征的心室分割方法，该方法有效弥补了数据驱动的深度学习方法难以融入知识的局限性，为知识驱动的医学图像分割方法的研究提供了一个有效的模式。其中，保持凸性的左心室分割方法具有一般性，可以直接应用于各种具有凸形状的目标的分割。我们提出的基于心室凸形分解的心室分割方案，也对一般的非凸形状的目标的分割具有启发意义。

项目成果

期刊论文数量（8）
专著数量（0）
科研奖励数量（0）
会议论文数量（7）
专利数量（4）
A Level Set Method for Multiple Sclerosis Lesion Segmentation from FLAIR Images
FLAIR 图像中多发性硬化症病变分割的水平集方法
  • DOI：
    --
  • 发表时间：
    2018
  • 期刊：
    Magnetic Resonance Imaging
  • 影响因子：
    2.5
  • 作者：
    Yue Zhao;Shuxu Guo;Min Luo;Xue Shi;Michel Bilello;Shaoxiang Zhang;Chunming Li
  • 通讯作者：
    Chunming Li
Review of medical image registration based on deep learning
  • DOI：
    10.16451/j.cnki.issn1003-6059.202104001
  • 发表时间：
    2021-01-01
  • 期刊：
    Pattern Recognit Artif Intell.
  • 影响因子：
    --
  • 作者：
    Shihui, Y.;Wan, Y.;Jun, S.
  • 通讯作者：
    Jun, S.
An Efficient Method for Euler’s Elastica Based Image Deconvolution
一种基于 Euler Elastica 的图像反卷积的有效方法
  • DOI：
    10.1109/access.2019.2912660
  • 发表时间：
    2019
  • 期刊：
    IEEE Access
  • 影响因子：
    3.9
  • 作者：
    Samad Wali;Abdul Shakoor;Abdul Basit;Lipeng Xie;Chencheng Huang;Chunming Li
  • 通讯作者：
    Chunming Li
Convexity preserving level set for left ventricle segmentation
左心室分割的凸性保持水平集
  • DOI：
    10.1016/j.mri
  • 发表时间：
    2021
  • 期刊：
    Magnetic Resonance Imaging
  • 影响因子：
    2.5
  • 作者：
    X. Shi;C. Li
  • 通讯作者：
    C. Li
Automatic left ventricle segmentation in short-axis MRI using deep convolutional neural networks and central-line guided level set approach
使用深度卷积神经网络和中心线引导水平集方法在短轴 MRI 中自动进行左心室分割
  • DOI：
    10.1016/j.compbiomed.2020.103877
  • 发表时间：
    2020-07
  • 期刊：
    Computers in Biology and Medicine
  • 影响因子：
    7.7
  • 作者：
    Xie Lipeng;Yi Song;Qiang Chen
  • 通讯作者：
    Qiang Chen

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码