Echocardiography Image Segmentation: A Survey(超声心动图图像分割方法综述--中文翻译）

Echocardiography Image Segmentation: A Survey

摘要：尽管超声图像的获取是较廉价，并且免于辐射的，但是超声图像因为信号衰减、斑点噪声等干扰，使得超声图像的分割具有较大挑战。本文将近些年应用于超声心动图像分割的相关方法进行了分类总结，并列出了10篇具有原创思想的文章，这些文章具有特殊的临床使用价值或是对于超声心动图像分割具有指导意义。

关键词：超声心动图，分割，活动轮廓模型，水平集方法，可变性模板

Ⅰ介绍

超声心动图图像分割受数据质量的影响很强。超声图像由于斑点、阴影和信号衰减产生的特征伪影，使得分割任务复杂化；由于获取超声的方向性可能产生边界缺失；图像的低对比度也使得图像分割的难度更大。然而，当前在信号传输、空间及时间分辨率、数字系统、便携性等方面已经有了较大的提升，来自超声设备的图像质量也得到了广泛提升。在超声数据中，左心室（LV）外观主要表现为暗区，代表了房间里的血池，由心内膜、心肌和心外膜包围。超声图像中的单个组织具有多个灰度值分布，并且具有空间纹理特征。这些特征产生的原因有：收缩期的快速运动、低信噪比、边缘脱落（尤其是在舒张期）、密集肌肉产生的阴影、超声仪器的特殊特性和设置以及超声图像形成的各向异性[4]。超声图像可以用于许多不同检查：心脏发育、心脏结构和功能以及在正常生理状态和病理情况下的变化。例如，通过二维超声图像计算射血分数可以获得左心室功能。根据使用者放置传感器的身体位置，可以获得心脏的不同视图。最常见的视图方位是：左心房和左心室的长轴视图，从心脏底部到心尖的平面上的心脏短轴视图和四室视图。论文组织如下：第二节回顾了超声心动图图像分割方法的研究思路；第三节概述了超声心动图图像分割方法；第四节回顾最新进展；最后，第五节以最后的评论结束论文。

1. 分割方法

大部分研究主要关注心内膜运动，来获得左心室面积或体积以及射血量等间接量度，也可以用于局部室壁运动评估。这些测量也被用于缺血性心脏病的诊断和评估。大多数分析基于二维采集，从采集的二维切片上获取主要运动部分。标准的二维诊断视图包括副弦短轴（SAX），顶部四室（4c），两室（2c）以及三个房间（3c）视图（非专业翻译）。后三个视图也可被称为（顶端）长轴视图。由于超声图像采集的各向异性、诸如肺部阴影等伪影以及可能很强的衰减，数据质量以及分割的挑战因视图而异。心脏病学家在决策时使用心脏动态图，因为动态图中可以观察到与变形组织相关的斑点图案，而在静止帧中，斑点图案并不总是有用的。因此，与其他一些临床应用领域相比，在超声心动图中，将分割视为时空问题可能更符合逻辑。最近更成功的方法采取了这种观点。超声心动图图像有几个特殊的缺点，这阻碍了人的解释和自动分析。

1）像素强度与组织的任何物理特性没有简单的关系。不同组织的强度通常无法通过像素强度或者纹理去区分。

2）超声心动图图像信息具有高度的各向异性和位置依赖性，因为反射强度、空间分辨率和信噪比取决于超声心动图波束的深度和入射角，以及用户控制的深度增益设置；

3）许多成像伪影发生，导致局部解剖信息丢失：大量噪音、衰减、阴影、旁瓣、混响和有限的回声窗口。因此，静态帧图像通常只包含部分信息。

基于这些原因，自动分割超声心动图图像序列已被证明是一项具有挑战性的任务。许多方法分割超声心动图资料已提出。它们可以划分为以下类：水平集（LS）方法、可变形模板、活动形状模型（ASM）、活动轮廓方法、活动外观模型（aam）、自下而上的方法和数据库引导（dbguided）分割 [3]。

2.1水平集分割方法

基于以下原因，水平集在医学图像中的应用主要是用于提升主动轮廓的性能。首先，水平集方法通过结合区域和边界分割来增强模型的鲁棒性。其次，将纹理和形状先验模型与连续参数函数相结合，建立隐式分割函数模型[6，7，8，9，10，11，12，13，和14]。

2.2可变性模板

或者，基于无监督学习方法的可变性模板也可用于模型分割[15, 16, 17 and 18]。然后，该方法需要了解如何执行初始化。水平集方法和可变性模板在处理医学图像时都具有良好的效果。尽管如此，它们在优化函数中包含的先验知识方面也存在一些缺陷。

2.3活动形状模型和活动外观模型

这类方法包括主动形状模型（asm）[19、20、21]和主动外观模型（aam）[22、23、24]。然而，这两种方法都需要大量带注释的训练图像，并且初始化必须接近于局部最优。此外，这些方法假定培训样本数据的形状和外观服从高斯分布。

2.4活动轮廓分割模型

活动轮廓方法促进了水平集方法的方法，因为该方法有效的减少了水平集方法对初始化的敏感性。

2.5自下而上的分割方法

自下而上的方法使用边缘检测来检测LV边界，该边缘检测构成了表示对象边界的特征。虽然这些方法计算复杂度低，但对初始条件敏感，对成像条件缺乏鲁棒性。[29,30]

2.6数据库引导的分割方法

数据库引导的分割方法使用监督学习方法，具体来说，基于增强技术的判别模型被用于分割超声图像左心室。数据库引导的分割方法另一个要点在关于初步猜测的独立性。然而，这些方法有几个缺点。然而，该方法有几个缺点，除了搜索过程的高复杂性外，还需要大量的训练图像来估计模型的参数以及训练中缺少的对成像条件的鲁棒性设置[34、35和32]。

超声心动图轮廓检测的相关问题：

1. 当前的方法通常不包括有关分段对象的形状和外观变化的允许范围的信息。超声图像信息往往定义不清或不完整。因此，有关特征器官形状和外观、其解剖和病理形状变化以及空间器官嵌入的广泛模型知识应构成稳健分割方法的一个组成部分。
2. 大多数现有方法使用隐式、全局和简化模型构建轮廓位置。然而，强局部图像特征的位置并不总是符合由专家人类观察者绘制的所需轮廓。轮廓的准确位置应建模或从专家观察员提供的示例中学习。此外，局部（但未知）解剖的不同部位的轮廓特征也不同。
3. 许多自动化技术在单个二维帧上执行静态分割或使用基本的连续性约束，因此，通常会产生与心脏循环动力学不一致的分割结果。最近，有报道称，有几种方法试图解决二维或三维超声心动图时间序列中的第三个问题。

Ⅱ超声心动图分割

3.1心内膜边界检测

应用最为广泛的方法是将超声心内膜分割方法作为一种边界轮廓发现方法。这并不简单，因为左心室室边界周围的对比度随边界相对于传感器方向的相对方向和衰减而变化。因此，传统的基于强度梯度的方法的成功率有限。在典型的临床图像上。Mishra等人[39]提出了一种使用遗传算法进行优化的主动轮廓解。两位专家在20帧进行了人工描绘，并将平均值与自动算法进行了比较，以表明专家之间的互变异性与手动和自动方法之间的差异相似。Boukerroui等人基于区域的分割方法[40]遵循贝叶斯方法论方法。水平集通常被认为是活动轮廓的替代方法，这种方法也被认为是超声心动图图像分割。Yan【41】等考虑采用快速行军方法将水平集方法应用于心脏超声图像；为了减少由于使用局部特征（强度梯度）测量造成的误差，他们在加速项目中使用了基于平均强度梯度的测量。将该方法应用于胸骨旁短轴和四腔顶视图序列，但仅对结果进行定性讨论。Lin等人[42]提出了水平集分割思想的一个有趣的变体，它将边缘和区域信息结合在跨空间尺度的水平集方法中。Boukerroui等人[40]在贝叶斯框架中工作，提出了一种鲁棒的自适应区域分割。自适应特性考虑了局部类平均值和缓慢的空间变化，以补偿同一组织内超声回波信号的不均匀性。该方法通过观察者在长轴序列上的手动描绘进行评估，并与另一种基于区域的分割方法进行了比较。〔43〕。基于人工神经网络（ANN）的方法已被用于基于区域的分割[44，45]。例如，Binder等人[46]将两层反向传播网络应用于38例数据质量可变的患者的舒张末期和收缩末期SAX图像。这是少数明确研究不同质量数据的研究之一。38个数据集中有34个数据集的分割成功。两位专家将自动跟踪方法与人工跟踪方法进行了比较。

3.2 心肌和心外膜检测

关于心肌的分割和分析[47]以及心外膜边界检测[36、48和49]的文献非常有限。这两种模式都对本地B模式图像具有挑战性。此外，很少有文献专门关注如何处理一般临床数据，而是用来自具有良好声学窗口的受试者的数据，即提供良好图像来代替。我们着重介绍了一些已经在上面做过了的工作[38、46和50]。另一个例外是Boukerroui等人的研究。[51]它考虑了如何增强B模式图像，以减少衰减效果和增强特征。尽管这种方法被证明定量地减少衰减，增强特征，而不是在增强后引入伪影，这种方法至今尚未在临床实践中得到充分验证。

Ⅲ回顾最新进展

在早期的心脏左心室分割过程中，Kucera等人【52】提出了一种基于外力的区域性方法，该力是以时间为维度的活动轮廓三维模型方法。他们的方法在心脏的短轴和长轴视图上都相当可靠。Sarti等人[53]在他们的分割模型中也使用了基于区域的方法，其中他们结合了灰色水平统计分布的先验知识。根据图像像素的统计分布规律，采用水平集方法驱动曲线演化，实现目标的最大似然分割。Mishra等人【54】在短轴视图中分割左心室时使用主动轮廓模型。他们用遗传算法（GA）来解决优化问题，性能与观察间的可变性相当。Mignotte和Meunier[55]对轮廓优化进行了多尺度分析。它们在snake能量函数中的外部能量也是基于区域的。它们显示了一些定性良好的短轴视图分割结果。Bosch等人[56]开发了一个主动外观运动模型（AAMM），用于对左心室进行分割。这是主动外观模型（AAM）的扩展，他们在整个心脏周期内进行了自动分割。其他方法也用于心脏分割问题，包括人工神经网络，模糊多尺度边缘检测器[59]和基于卡尔曼滤波器的跟踪方法[60]。所有这些方法在长轴和/或短轴视图中提供了可接受的左心室节。McManigle等人[62]提出了一种两步Hough变换，并介绍了一种基于圆形Hough变换的心肌分割技术。他们开发了一种初步的分割技术，利用心内膜和心外膜图像信息。将生成的分割数据与专家手动分割3D+T超声心动图数据的进行比较，并评估其初始化后续分段步骤的适当性。Skalski等人[63]提出了一种无边缘主动轮廓法在超声心动图左心室分割中的应用。该方法包括三个基本模块：基于Hough变换的ROI计算、基于SRAD滤波的图像去噪以及基于无边缘主动轮廓法的图像分割。所提出的方案可以修改，并与可变形图像配准方法相结合，例如，B样条自由形状变形或弹簧-质量系统可用于计算心墙等心脏结构的变形。Dietenbeck[65]他们提出了一种在二维超声图像中分割整个心肌的方法。这是通过一个新的形状公式约束的水平集模型实现的，该公式允许对两个轮廓进行建模。该方法在一组临床图像上进行了验证，并与专家分割方法进行了比较。Yang等人[66]提出了一种基于预测的三维跟踪算法，并在三维超声和CT中进行了测试。与检测跟踪和三维光流跟踪相比，PCT具有最佳的跟踪效果。Skalski和Turcza[67]提出了一种利用无边缘水平集方法对回波图像进行心形估计（分割）的算法。他们通过自动感兴趣区域（ROI）计算进行图像分割。ROI计算的主要思想是通过线性Hough变换、阈值化和简单的数学运算，接收所采集回波图像的三角形部分。Juang等人[68]提出了一种不需要用户输入任何三维超声体积就能自动分割左心室和心房的方法。他们利用径向对称变换来确定一个中心轴，沿着该轴三维体积被扭曲成一个圆柱坐标空间。

表说明：表一总结了前几节讨论的有关超声心动图图像分割的六种最大方法的主要方法的验证。

Ⅳ总结

由此我们可以提出一些一般性的意见关于这一领域的最新验证。一般来说，定量验证医学图像分割方法，可以使用模拟、假设研究、动物模型研究和使用手动描绘的临床研究，另一种模式作为“黄金标准”或参考，或与临床结果相关。有关超声分割的文献表明，已经进行了一些模拟和体模研究，但主要使用临床数据进行验证。这在一定程度上反映了定义现实模拟和幻象的困难。手动描述临床数据是目前最流行的性能评估方法，尽管根据临床区域，可能存在明显的专家间和专家内变异性，但很难进行描述。因此，当以人工描绘为参照时，需要注意解释结果。性能度量标准化也普遍缺乏，这使得直接比较方法变得困难。这样做的好处是，可以使用多个专家来定义引用。也没有标准数据库可供不同的组比较方法，因此只能在各个组开发的方法之间进行比较。这在整个领域是有问题的，因为临床超声图像质量变化很大，比其他医学成像领域（如CT和MRI）更大。

参考文献

[1] J. Alison Noble, Djamal Boukerroui, Ultrasound Image

Segmentation: A Survey, IEEE Tranactions on medical imaging, Vol.

25, No. 8, August 2006

[2] S. L. Bridal, J.-M. Correas, A. Saied, and P. Laugier, “Milestones on

the road to higher resolution, quantitative, and functional ultrasonic

imaging,” Proc. IEEE, vol. 91, no. 10, pp. 1543–1561, Oct. 2003.

[3] Carlos Santiago, Jorge S. Marques, and Jacinto C. Nascimento, A

Robust Deformable Model for 3D Segmentation of the Left Ventricle

from Ultrasound Data, Mathematical Methodologies in Pattern

Recognition and Machine Learning, Springer Proceedings, 2013.

[4] Bosch, J.G.,Mitchell, S.C., Lelieveldt, B.P.F., Nijland, F., Kamp, O.,

Sonka,M., Reiber, J.H.C., Automatic segmentation of

echocardiographic sequences by active appearance motion models.

IEEE Trans. Med. Imag. 21(11), 1374–1383, 2002.

[5] Chan, K., Veinot, J.P.: Anatomic Basis of Echocardiographic

Diagnosis, 1st edn. Oxford Univesity Press, Oxford 2011.

[6] Bernard, O., Touil, B., Gelas, A., Prost, R., Friboulet, D.: A rbf-based

multiphase level set method for segmentation in echocardiography

using the statistics of the radiofrequency signal, IEEE International

Conference on Image Processing (ICIP) 3, III-157-III-160, 2007.

[7] Bernard, O., Friboulet, D., Thevenaz, P., Unser, M.: Variational bspline

level-set: A linear filtering approach for fast deformable model

evolution. IEEE Trans. Imag. Proc. 18(6), 1179–1991, 2009.

[8] Cremers, D., Osher, S., Soatto, S.: Kernel density estimation and

intrinsic alignment for shape priors in level set segmentation. Int. J.

Comput. Vision 69(3), 335 351, 2006.

[9] Lin, N., Yu, W., Duncan, J.: Combinative multi-scale level set

framework for echocardiographic image segmentation. Med. Imag.

Anal. 7(4), 529–537, 2003.

[10] Lynch, M., Ghita, O., Whelan, P.F.: Segmentation of the left ventricle

of the heart in 3-D+t MRI data using an optimized nonrigid temporal

model. IEEE Trans. Med. Imag. 27(2), 195–203, 2008.

[11] Paragios, N., Deriche, R.: Geodesic active regions and level set

methods for supervised texture segmentation. Int. J. Comput. Vision

46(3), 223–247, 2002.

[12] Sarti, A., Corsi, C.,Mazzini, E., Lamberti, C.:Maximum likelihood

segmentation of ultrasound images with rayleigh distribution. IEEE

Trans. Ultrason. Ferroelect. Frequen. Contr. 52(6), 947–960, 2005.

[13] Debreuve, E., Barlaud, M., Aubert, G., Laurette, I., Darcourt, J.:

Space-time segmentation using level set active contours applied to

myocardial gated SPECT. IEEE Trans. Med. Imag, 643–659, 2001.

[14] Paragios, N.: A level set approach for shape-driven segmentation and

tracking of the left ventricle. IEEE Trans. 22(6), 773–776, 2003.

[15] Chen, T., Babb, J., Kellman, P., Axel, L., Kim, D.: Semiautomated

segmentation of myocardial contours for fast strain analysis in cine

displacement-encoded MRI. IEEE Trans. Med. 1084–1094, 2008.

[16] Duan, Q., Angelini, E.D., Laine, A.: Real time segmentation by active

geometric functions. Comput. Meth. Prog. 98(3), 223–230, 2010.

[17] Nascimento, J.C., Marques, J.S.: Robust shape tracking with multiple

models in ultrasound images. IEEE Trans. Imag. Proc. 17(3), 392–

406, 2008.

[18] Zagrodsky, V., Walimbe, V., Castro-Pareja, C., Qin, J.X., Song, J.-

M., Shekhar, R.: Registration-assisted segmentation of real-time 3-D

echocardiographic data using deformable models. IEEE Trans. Med.

Imag. 24(9), 1089–1099, 2005.

[19] Cootes, T., Taylor, C., Cooper, D., Graham, J.: Active shape models –

their training and application. Comput. Vis. Image Understand, 1995.

[20] A. D. Parker, A. Hill, C. J. Taylor, T. F. Cootes, X. Y. Jin, and D.

G.Gibson, “Application of point distribution models to the automated

analysis of echocardiograms,” in Proc. Computers in Cardiology,

Bethesda, MD, pp. 25–28, Sept. 1994.

[21] T. F. Cootes, A. Hill, C. J. Taylor, and J. Haslam, “Use of active

shape models for locating structures in medical images,” Image

Vision Comput., vol. 12, pp. 355–366, 1994.

[22] Bosch, J.G.,Mitchell, S.C., Lelieveldt, B.P.F., Nijland, F., Kamp, O.,

Sonka,M., Reiber, J.H.C.: Automatic segmentation of

echocardiographic sequences by active appearance motion models.

IEEE Trans. Med. Imag. 21(11), 1374–1383, 2002.

[23] Cootes, T., Beeston, C., Edwards, G., Taylor, C.: A unified

framework for atlas matching using active appearance models,

Information Processing in Medical Imaging, Lecture Notes in

Computer Science 1613/1999, 322–333, 1999.

[24] Mitchell, S., Lelieveldt, B., van der Geest, R., Bosch, H., Reiber, J.,

Sonka, M.: Multistage hybrid active appearance model matching:

Segmentation of left and right ventricles in cardiac MR images. IEEE

Trans. Med. Imag. 20(5), 415–423, 2001.

[25] Malladi, R., Sethian, J., Vemuri, B.: Shape modeling with front

propagation: A level set approach. IEEE Trans. Pattern Anal. Mach.

Intell. 17, 158–175, 1995.

[26] Kass, M., Witkin, A., Terzopoulos, D.: Snakes: Active contour

models. Int. J. Comput. Vision 4(1), 321–331, 1987.

[27] V. Chalana, D. T. Linker, D. R. Haynor, and Y. Kim, “A multiple

active contour model for cardiac boundary detection on

echocardiographic sequences,”IEEE Trans. vol. 15, 290–298, 1996.

[28] T. Hozumi et al., “Echocardiographic estimation of left ventricular

cavity area with a newly developed automated contour tracking

method,” J. Amer. Soc. Echocardiogr., vol. 10, pp. 822–829, 1997.

[29] Sonka, M., Zhang, X., Siebes, M., Bissing, M., Dejong, S., Collins,

S., Mckay, C.: Segmentation of intravascular ultrasound images: A

knowledge-based approach. IEEE Trans. 14, 719–732, 1995.

[30] Zhang, L., Geiser, E.: An effective algorithm for extracting serial

endocardial borders from 2-d echocardiograms. IEEE Trans. Biomed.

Eng. BME-31, 441–447, 1984

[31] Georgescu, B., Zhou, X.S., Comaniciu, D., Gupta, A.: Databaseguided

segmentation of anatomical structures with complex

appearance. In: Conference on Computer Vision and Pattern, 2005

[32] Zhou, X.S., Comaniciu, D., Gupta, A.: An information fusion

framework for robust shape tracking. IEEE Trans. Pattern Anal.

Mach. Intell. 27(1), 115–129, 2005

[33] Freund, Y., Schapire, R.: A decision-theoretic generalization of online

learning and an application to boosting. J. Comput. Syst. Sci.

55(1), 119–139, 1997

[34] Carneiro, G., Nascimento, J.C.: Multiple dynamic models for tracking

the left ventricle of the heart from ultrasound data using particle

filters and deep learning architectures, IEEE Conference on Computer

Vision and Pattern Recognition (CVPR), 2815–2822, 2010

[35] Carneiro, G., Georgescu, B., Good, S., Comaniciu, D.: Detection and

measurement of fetal anatomies from ultrasound images using a

constrained probabilistic boosting tree. IEEE Trans. Med. Imag.

27(9), 1342–1355, 2008

[36] J. Dias and J. Leit鉶, “Wall position and thickness estimation from

sequences of echocardiograms images,” IEEE Trans. Med. Imag., vol.

15, no. 1, pp. 25–38, Jan. 1996.

[37] I. Mikic, S. Krucinski, and J. D. Thomas, “Segmentation and tracking

in echocardiographic sequences: Active contours guided by optical

flow estimates,” IEEE Trans. Med. Imag., vol. 17, no. 2, pp. 274–284,

Apr. 1998.

[38] J. G. Bosch, S. C. Mitchell, B. P. F. Lelieveldt, F. Nijland, O. Kamp,

M. Sonka, and J. H. C. Reiber, “Automatic segmentation of

echocardiographic sequences by active appearance motion models,”

IEEE Trans. Med. Imag., vol. 21, no. 11, pp. 1374–1383, Nov. 2002.

[39] A. Mishra, P.K. Dutta, M.K. Ghoshc, A GA based approach for

boundary detection of left ventricle with echocardiographic image

sequences, Image and Vision Computing 21, 967–976, 2003

[40] Djamal Boukerroui, Atilla Baskurt, J. Alison Noble, Olivier Basset,

Segmentation of ultrasound images; multi-resolution 2D and 3D

algorithm based on global and local statistics, Pattern Recognition

Letters 24, 779–790, 2003

[41] JiaYong Yan, TianGe Zhuang, Applying improved fast marching

method to endocardial boundary detection in echocardiographic

images, Pattern Recognition Letters 24, 2777–2784, 2003

[42] Ning Lin, Weichuan Yu, and James S. Duncan, Combinative Multi-

Scale Level Set Framework for Echocardiographic Image

Segmentation, Springer-Verlag Berlin, MICCAI 2488, 682-689, 2002

[43] Guofang Xiao, Michael Brady, J. Alison Noble, and Yongyue Zhang,

Segmentation of Ultrasound B-Mode Images With Intensity

Inhomogeneity Correction, IEEE Transactions, 2002

[44] C. Rekeczky, A. Tahy, Z. Vegh, and T. Roska, “CNN-based

spatiotemporal nonlinear filtering and endocardial boundary detection

in echocardiography,” Int. J. Circuit Theory Appl., vol. 27, no. 1, pp.

171–207, Jan.–Feb. 1999

[45] J. Alison Noble, and Djamal Boukerroui; Ultrasound Image

Segmentation: A Survey; IEEE Transactions on medical imaging,

VOL. 25, NO. 8, AUGUST 2006

[46] T. Binder, M. Sussner, D. Moertl, H. Strohmer, T. Baumgartner, G.

Maurer, and G. Porenta, “Artificial neural networks and spatial

temporal contour linking for automated endocardial contour detection

on echocardiograms: A novel approach to determine left ventricular

contractile function,” Ultrasound Med. Biol, vol. 25, no. 7, 1999

[47] E. K. Kerut, M. B. Given, E. McIlwain, G. Allen, C. Espinoza, and T.

D. Giles, “Echocardiographic texture analysis using the wavelet

transform: Differentiation of early heart muscle disease,” Ultrasound

Med. Biol., vol. 26, no. 9, pp. 1445–1453, Nov. 2000

[48] J. Feng, W.-C. Lin, and C.-T. Chen, “Epicardial boundary detection

using fuzzy reasoning,” IEEE Trans. Med. Imag., vol. 10, no. 2, pp.

187–199, Jun. 1991

[49] S. Malassiotis and M. G. Strintzis, “Tracking the left ventricle in

echocardiographic images by learning heart dynamics,” IEEE Trans.

Med. Imag., vol. 18, no. 3, pp. 282–290, Mar. 1999

[50] S. C. Mitchell, J. G. Bosch, B. P. F. Lelieveldt, R. J. van der Geest, J.

H. C. Reiber, and M. Sonka, ‘‘3-D active appearance models:

Segmentation of cardiac MR and ultrasound images,’’ IEEE Trans.

Med. Imag., vol. 21, no. 9, pp. 1167--1178, Sep. 2002

[51] D. Boukerroui, J. A. Noble, M. C. Robini, and M. Brady,

“Enhancement of contrast regions in suboptimal ultrasound images

with application to echocardiography,” Ultrasound Med. Biol, vol.

27, no. 12, pp. 1583–1594, Dec. 2001

[52] Kucera, D. and Martin, R. W., “Segmentation of sequences of

echocardiographic images using a simplified 3D active contour model

with region-based external forces,” Comput. Med. Imag. Graph.

21(1), 1–21, 1997

[53] Sarti, A., Corsi, C., Mazzini, E., and Lamberti, C., “Maximum

likelihood segmentation of ultrasound images with rayleigh

distribution,” IEEE Trans. Ultrason. Ferroelectr. Freq. Control, 2005

[54] Mishra, A., Dutta, P., and Ghosh, M., “A GA based approach for

boundary detection of left ventricle with echocardiographic image

sequences,” Image Vis. Comput. 21, 967 976, 2003

[55] Mignotte, M. and Meunier, J., “A multiscale optimization approach

for the dynamic contour-based boundary detection issue,” Comput.

Med. Imag. Graph. 25(3), 265–275, 2001

[56] Bosch, J. G., Mitchell, S. C., Lelieveldt, B. P. F., Nijland, F., Kamp,

O., Sonka, M., and Reiber, J. H. C., “Automatic segmentation of

echocardiographic sequences by active appearance motion models,”

IEEE Trans. Med. Imag. 21(11), 1374–1383, 2002

[57] Binder, T., S¨ussner, M., Moertl, D., Strohmer, T., Baumgartner, H.,

Maurer, G., and Porenta, G., “Artificial neural networks and spatial

temporal contour linking for automated endocardial contour detection

on echocardiograms: A novel approach to determine left ventricular

contractile function,” Ultrasound Med. Biol. 25(7), 1069–1076, 1999

[58] Rekeczky, C., Tahy, A., Vegh, Z., and Roska, T., “CNN based spatiotemporal

nonlinear filtering and endocardial boundary detection in

echocardiography,” Int. J. Circuit Theory Appl. 27(1), 171–207, 1999

[59] Setarehdan, S. K. and Soraghan, J. J., “Automatic cardiac LV

boundary detection and tracking using hybrid fuzzy temporal and

fuzzy multiscale edge detection,” IEEE Trans. Biomed. Eng. 46(11),

1364–1378, 1999

[60] Jacob, G., Noble, J. A., Behrenbruch, C., Kelion, A. D., and Banning,

A. P., “A shape-space-based approach to tracking myocardial borders

and quantifying regional left ventricular function applied in

echocardiography,” IEEE Trans. Med. Imag. 21(3), 226–238, 2002

[61] Matilda Landgren, Niels Christian Overgaard and Anders Heyden;

Segmentation of the Left Heart Ventricle in Ultrasound Images Using

a Region Based Snake; Medical Imaging 2013: Image Processing,

edited by Sebastien Ourselin, Proc. of SPIE Vol. 8669, 2013

[62] John E McManigle, Richard V Stebbing, J Alison Noble; MODIFIED

HOUGH TRANSFORM FOR LEFT VENTRICLE MYOCARDIUM

SEGMENTATION IN 3-D Echo, 978-1-4577-1858-8/12, IEEE, 2012

[63] A. Skalskia, P. Turczaa, T. Zieli skib, J. Królczykc, T. Grodzickic;

Left Ventricle USG Image Segmentation Using Active Contour

Model, Procedia Computer Science 1, 2723–2732, 2012

[64] P.C. Pearlman, H.D. Tagare, B.A. Lin, A.J. Sinusas, J.S. Duncan;

Segmentation of 3D radio frequency echo using a spatio-temporal

predictor; Elsevier, Medical Image Analysis 16, 351–360, 2012

[65] T. Dietenbeck, M. Alessandrini, D. Barbosa, J. D’hooge, D.

Friboulet, O. Bernard; Detection of the whole myocardium in 2Dechocardiography

for multiple orientations using a geometrically

constrained level-set; Medical Image Analysis 16, 386–401, 2012

[66] Lin Yang, Bogdan Georgescu, Yefeng Zheng, Yang Wang, Peter

Meer, and Dorin Comaniciu; Prediction Based Collaborative Trackers

(PCT): A Robust and Accurate Approach Toward 3D Medical Object

Tracking; IEEE TRANSACTIONS ON MEDICAL IMAGING,

VOL. 30, NO. 11, NOVEMBER 2011

[67] Andrzej Skalski, Pawe_ Turcza, HEART SEGMENTATION IN

ECHO IMAGES, Metrol. Meas. Syst., Vol.XVIII, 305-314, 2011

[68] Radford Juang, Elliot R. McVeigh, Beatrice Hoffmann, David Yuh,

Philippe Burlina, Autmatic segmentation of the left ventricular cavity

and atrium in 3D ultrasound using graph cuts and the radial symmetry

transform; 978-1-4244-4128-0/11, IEEE, 2011.