30、超声心动图图像边界检测与视觉里程计技术解析

超声心动图图像边界检测与视觉里程计技术解析

超声心动图图像边界检测

在医学图像分析领域，超声心动图图像的边界检测对于心脏疾病的诊断至关重要。尤其是对于患有二尖瓣反流的患者，准确检测左心室和左心房的边界，有助于评估疾病的严重程度。

实验设置与数据

实验中使用的图像来自印度昌迪加尔医学教育与研究研究生院心脏病学系，选取了9名二尖瓣反流患者的超声心动图图像，这些图像由专业的超声心动图医生通过标准的胸骨旁和心尖视图获取。为了提高效率，实验将高斯核截断为K×K的掩码，其中K通常小于6，σ范围在0.8到1.5之间。

不同算法对比

• GAC模型 ：该模型在边界检测方面表现不佳。从图3可以看出，在9个案例中，没有一个能给出令人满意的边界。例如，在图3a中，轮廓无法在心室边界上扩散和收敛，而是停留在较亮的区域，导致心室边界无法准确检测。在图3h中，由于图像噪声大，轮廓无法进入心室内部。
• Chan - Vese（C - V）模型 ：C - V模型的结果优于GAC模型，但仍然无法完美检测所有输入图像的心室边界。在图4a - i中，轮廓不能检测到所有必要的边界，在接近心室边界之前就停止了。例如，在图4a中，仅检测到左心室，其他三个心室只是被轮廓从外部包围；在图4i中，上部两个心室检测正常，但下部心室的边界检测不完整。
• FRACM模型 ：提出的FRACM方法表现出色。除了图5f、h、i外，该方法的轮廓能够绘制出所有心室的边界，并且在这些特殊图像中的结果也优于GAC和C - V模型。从表1